Sigcha, LuisPereira, EduardaBorzì, LuigiGachet, DiegoCardoso, PauloCosta, Nélson2026-09-302026-09-302026-05Sigcha, L, Pereira, E, Borzì, L, Gachet, D, Cardoso, P & Costa, N 2026, 'Enhancing Cross-Dataset Mental Workload Detection Using Electrodermal Activity and Domain Adaptation', Applied Sciences (Switzerland), vol. 16, no. 10, 4673. https://doi.org/10.3390/app161046732076-3417https://hdl.handle.net/10641/8406Publisher Copyright: © 2026 by the authors.La evaluación de la carga mental de trabajo mediante señales fisiológicas ha ganado creciente atención para aplicaciones en la interacción humano-computadora y la monitorización ocupacional. Entre estas señales, la actividad electrodérmica (EDA) es ampliamente reconocida como un indicador fiable de la activación simpática asociada al esfuerzo cognitivo. Sin embargo, la mayoría de los enfoques existentes basados en aprendizaje automático se evalúan dentro de un único conjunto de datos, lo que limita su generalización entre diferentes poblaciones y condiciones experimentales. Este estudio investiga el rendimiento entre conjuntos de datos de modelos de aprendizaje automático para la detección de carga mental de trabajo utilizando características de EDA. Se emplearon dos conjuntos de datos independientes, y se adoptó un marco de evaluación entre conjuntos de datos para simular escenarios de despliegue realistas bajo cambio de dominio. Se evaluaron tres clasificadores (Random Forest, XGBoost y Support Vector Classifier (SVC)), junto con dos técnicas de adaptación de dominio: Alineación de Correlación (CORAL) y Alineación de Subespacio (SA). Los resultados muestran que el rendimiento del modelo depende fuertemente de la dirección de la transferencia, con una notable caída de rendimiento al generalizar entre conjuntos de datos. La adaptación de dominio mejoró el rendimiento en varias configuraciones, particularmente para SVC con CORAL, alcanzando el mejor F1-score global (0,815). Sin embargo, las mejoras no fueron consistentes en todos los modelos y dominios objetivo. En conjunto, este estudio destaca los desafíos de la generalización entre conjuntos de datos en la detección de carga de trabajo basada en EDA y demuestra el potencial, aunque limitado, de robustez de las técnicas de adaptación de dominio para mitigar los cambios de distribución. [Traducción automática al español; idioma original: inglés.]Mental workload assessment using physiological signals has gained increasing attention for applications in human–computer interaction and occupational monitoring. Among these signals, electrodermal activity (EDA) is widely recognised as a reliable indicator of sympathetic activation associated with cognitive effort. However, most existing machine learning- based approaches are evaluated within a single dataset, limiting their generalisability across different populations and experimental conditions. This study investigates the cross-dataset performance of machine learning models for mental workload detection using EDA features. Two independent datasets were employed, and a cross-dataset evaluation framework was adopted to simulate realistic deployment scenarios under domain shift. Three classifiers (Random Forest, XGBoost, and Support Vector Classifier (SVC)) were evaluated, together with two domain adaptation techniques: Correlation Alignment (CORAL) and Subspace Alignment (SA). The results show that model performance is strongly dependent on the direction of transfer, with a notable performance drop when generalising across datasets. Domain adaptation improved performance in several configurations, particularly for SVC with CORAL, achieving the best overall F1-score (0.815). However, improvements were not consistent across all models and target domains. Overall, this study highlights the challenges of cross-dataset generalisation in EDA-based workload detection and demonstrates the potential, yet limited robustness, of domain adaptation techniques in mitigating distribution shifts.23428871enghttp://creativecommons.org/licenses/by-nc-nd/4.0/Human FactorsMental Arithmeticexplainable artificial intelligencemachine learningnested cross-validationwearable sensorsGeneral Materials ScienceInstrumentationGeneral EngineeringProcess Chemistry and TechnologyComputer Science ApplicationsFluid Flow and Transfer ProcessesYesjournal articleopen access10.3390/app16104673https://www.scopus.com/pages/publications/105040165526https://www.scopus.com/pages/publications/105040165526#tab=citedBy