Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 5 - Año 2026
Página | 1
PORTADA
(Elaborada por la revista)
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 5 - Año 2026
Página | 651
Evaluación de la Carga Cognitiva en Teleoperación Robótica
Simulada: Medidas Subjetivas y Fisiológicas
Assessing Cognitive Load in Simulated Robotic Teleoperation: Subjective and
Physiological Measures
Guilebaldo Vargas Solis
16454819@uagro.mx
https://orcid.org/0009-0007-1536-9862
Universidad Autónoma de Guerrero
Guerrero – México
Raúl Juárez Morales
raul.juarezm@uagro.mx
https://orcid.org/0000-0002-2409-7842
Universidad Autónoma de Guerrero
Guerrero – México
Petra Baldivia Noyola
pbn29@uagro.mx
https://orcid.org/0000-0001-7678-8867
Universidad Autónoma de Guerrero
Guerrero – México
Hugo Baltazar Palacios Pérez
hugobaltazar@uagro.mx
https://orcid.org/0000-0001-5004-9943
Universidad Autónoma de Guerrero
Guerrero – México
Juan Parra Abarca
1
juanparra@uagro.mx
https://orcid.org/0000-0002-4955-0244
Universidad Autónoma de Guerrero
Guerrero – México
Artículo recibido: 17/09/2026
Aceptado para publicación: 17/10/2026
Conflictos de Intereses: Ninguno que declarar
1
Autor de correspondencia.
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 5 - Año 2026
Página | 652
RESUMEN
La teleoperación robótica se ha consolidado como una herramienta fundamental para
operar en entornos donde la presencia humana representa un riesgo, lo que ha incrementado el
interés por evaluar la carga cognitiva de los operadores. El objetivo de este trabajo fue describir
cómo se ha evaluado la carga cognitiva en tareas de teleoperación robótica desarrolladas en
entornos simulados mediante medidas subjetivas y fisiológicas. Se revisaron 14 estudios
publicados entre 2014 y 2026, localizados en Scopus, Web of Science, IEEE Xplore, PubMed
y Google Scholar, y se analizaron según las técnicas de evaluación, las características de los
entornos simulados y el tipo de tarea. El NASA-TLX fue el instrumento subjetivo más
empleado (6 de 14 estudios) y la electroencefalografía (EEG), la técnica fisiológica
predominante (5 de 14), mientras que la actividad electrodérmica, la variabilidad de la
frecuencia cardiaca y la pupilometría se utilizaron con menor frecuencia. Un número creciente
de estudios combina medidas subjetivas y fisiológicas en simulaciones de mayor fidelidad, lo
que permite detectar variaciones en la carga cognitiva que no siempre se reflejan en el
desempeño del operador. No obstante, pocos estudios evalúan la carga cognitiva en escenarios
simulados de emergencia y desastre, lo que representa una oportunidad de investigación
particularmente en aplicaciones de búsqueda y rescate.
Palabras clave: carga cognitiva, carga mental de trabajo, teleoperación robótica,
simulación, electroencefalografía, NASA-TLX
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 5 - Año 2026
Página | 653
ABSTRACT
Robotic teleoperation has become a fundamental tool for operating in environments
where human presence poses a risk, which has increased interest in assessing operators’
cognitive load. This study aimed to describe how cognitive load has been assessed in robotic
teleoperation tasks performed in simulated environments using subjective and physiological
measures. Fourteen studies published between 2014 and 2026 were retrieved from Scopus,
Web of Science, IEEE Xplore, PubMed, and Google Scholar and analyzed according to the
assessment techniques, the characteristics of the simulated environments, and the type of task.
The NASA Task Load Index (NASA-TLX) was the most frequently used subjective instrument
(6 of 14 studies), and electroencephalography (EEG) was the predominant physiological
technique (5 of 14), whereas electrodermal activity, heart rate variability, and pupillometry
were used less frequently. A growing number of studies combine subjective and physiological
measures in higher-fidelity simulations, which makes it possible to detect variations in
cognitive load that are not always reflected in operator performance. However, few studies
assess cognitive load in simulated emergency and disaster scenarios, which represents a
research opportunity, particularly in search and rescue applications.
Keywords: cognitive load, mental workload, robotic teleoperation, simulation,
electroencephalography, NASA-TLX
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 5 - Año 2026
Página | 654
INTRODUCCIÓN
La teleoperación robótica ha adquirido una importancia creciente debido a su capacidad para
ejecutar tareas en entornos donde la presencia humana representa un riesgo o resulta inviable,
en ámbitos como la medicina, la industria, la exploración espacial y la respuesta ante desastres
(Araya-Carvajal et al., 2025; Jain, 2024). Sin embargo, durante la operación remota, los
usuarios deben procesar información proveniente de distintas fuentes, mantener la atención y
tomar decisiones en tiempo real (Wang et al., 2024). Estas exigencias pueden incrementar la
demanda mental y, cuando superan los recursos disponibles del operador, favorecer la
aparición de errores, fatiga y disminución del desempeño (Dell’Agnola et al., 2022; Fernández-
Rojas et al., 2020). Por ello, comprender y evaluar el estado cognitivo de los operadores resulta
relevante para mejorar la seguridad, el desempeño y la toma de decisiones durante tareas
complejas.
En la literatura este fenómeno se aborda con términos cercanos: carga cognitiva (cognitive
load), originado en la psicología educativa, y carga mental de trabajo (mental workload), propio
de la ergonomía y los factores humanos. Ambos describen la relación entre demandas de una
tarea y los recursos mentales disponibles del individuo (Paas et al., 2003; Wickens, 2008).
Dado que los estudios sobre teleoperación emplean ambos términos de forma indistinta, en esta
revisión se utilizan como equivalentes.
Para estudiar este fenómeno se han utilizado diferentes estrategias. Las medidas subjetivas,
como el NASA Task Load Index (NASA-TLX), permiten conocer la percepción del operador
sobre las demandas de la tarea (Hart & Staveland, 1988), mientras que técnicas fisiológicas y
neurofisiológicas, como la electroencefalografía (EEG), registran cambios asociados al
esfuerzo mental durante su ejecución (Antonenko et al., 2010). Paralelamente, los entornos
simulados ofrecen condiciones controladas, seguras y reproducibles para modificar factores
como la dificultad de la tarea, las condiciones ambientales o el diseño de las interfaces (Kaonain
et al., 2020). Sin embargo, estas medidas no siempre coinciden: en una tarea de teleoperación
robótica, Odoh et al. (2024) encontraron que el desempeño en la tarea distinguía mejor los
niveles de carga que la mayoría de los indicadores fisiológicos.
Existen revisiones previas sobre la medición de la carga mental mediante indicadores
fisiológicos (Charles & Nixon, 2019) y sobre su evaluación en entornos laborales reales (Diarra
et al., 2025); sin embargo, abarcan múltiples dominios y no se centran en teleoperación ni en
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 5 - Año 2026
Página | 655
el papel de la simulación. Por ello, resulta necesario integrar la evidencia disponible sobre el
uso conjunto de medidas subjetivas y fisiológicas en tareas de teleoperación simuladas.
En este contexto, resulta pertinente sintetizar los métodos empleados para estudiar las
demandas cognitivas durante la operación remota e identificar las principales tendencias y
oportunidades de investigación. Así, la presente revisión se orienta a responder la siguiente
pregunta: ¿cómo se ha evaluado la carga cognitiva en tareas de teleoperación robótica
desarrolladas en entornos simulados mediante medidas subjetivas y fisiológicas? En
correspondencia con esta pregunta, el objetivo de este trabajo es describir cómo se ha evaluado
la carga cognitiva en tareas de teleoperación robótica simulada e identificar las principales
medidas utilizadas, las tendencias reportadas en la literatura y los vacíos de investigación
existentes.
METODOLOGÍA
Se realizó una revisión narrativa de la literatura con el objetivo de identificar estudios que
evaluaran la carga cognitiva en tareas de teleoperación robótica desarrolladas en entornos
simulados. Se optó por este tipo de revisión debido a la heterogeneidad de las tareas, los
simuladores y las medidas empleadas en los estudios, lo que dificulta una síntesis cuantitativa.
La búsqueda bibliográfica se efectuó en las bases de datos Scopus, Web of Science, IEEE
Xplore, PubMed y Google Scholar, considerando publicaciones disponibles hasta julio de
2026. Los estudios empíricos analizados se publicaron entre 2014 y 2026; también se
incluyeron trabajos clásicos ampliamente reconocidos por su relevancia en el área, como el
desarrollo original del NASA-TLX (Hart & Staveland, 1988), así como revisiones y trabajos
teóricos que sirvieron para contextualizar los resultados.
Para la búsqueda se emplearon términos en inglés relacionados con carga cognitiva,
teleoperación y simulación, entre ellos cognitive load, mental workload, teleoperation, remote
operation, simulation, virtual reality, EEG, NASA-TLX, physiological measures y human-
robot interaction. Estos términos se combinaron mediante operadores booleanos; entre las
combinaciones utilizadas se encuentran ("cognitive load" OR "mental workload") AND
("teleoperation" OR "remote operation") AND ("simulation" OR "virtual reality"). Se
consideraron artículos de revista y actas de congresos con revisión por pares, publicados en
inglés o español.
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 5 - Año 2026
Página | 656
Como criterios de inclusión, se consideraron estudios empíricos que evaluaran la carga
cognitiva del operador en tareas de teleoperación robótica o en tareas simuladas de control
remoto o interacción humano-robot con demandas cognitivas comparables, mediante medidas
subjetivas, fisiológicas o neurofisiológicas. Se incluyeron investigaciones que emplearan
instrumentos como NASA-TLX, EEG, actividad electrodérmica (EDA, por sus siglas en
inglés), variabilidad de la frecuencia cardiaca (HRV), pupilometría y seguimiento ocular, así
como estudios que analizaran el desempeño del operador en relación con la complejidad de la
tarea, las características de la interfaz o las condiciones del entorno simulado. Se excluyeron
trabajos centrados exclusivamente en aspectos técnicos de sistemas robóticos que no evaluaran
al operador humano, estudios que no midieran la carga cognitiva y registros duplicados.
La selección de los estudios se realizó en dos etapas. En primer lugar, se revisaron los títulos y
resúmenes para identificar trabajos potencialmente relacionados con el objetivo de la revisión.
Posteriormente, los estudios considerados pertinentes fueron revisados a texto completo para
verificar su correspondencia con los criterios establecidos, y 14 cumplieron los criterios de
inclusión. La selección fue realizada por los autores y las discrepancias se resolvieron por
consenso. De cada trabajo seleccionado se identificaron aspectos como el contexto o tarea de
teleoperación, el tipo de entorno o simulador utilizado, las técnicas empleadas para evaluar la
carga cognitiva y los principales resultados reportados. Finalmente, la información se organizó
temáticamente en tres ejes (medidas subjetivas, indicadores fisiológicos y neurofisiológicos, y
evaluación basada en simulación), que corresponden a los apartados de Resultados.
RESULTADOS Y DISCUSIÓN
De los 14 estudios incluidos, 8 abordaron tareas de teleoperación robótica y 6, tareas simuladas
afines, como la conducción, el vuelo, la operación de montacargas o el uso de sillas de ruedas
(Tabla 1). 12 de ellos se publicaron a partir de 2020, y solo uno, el de Dell'Agnola et al. (2022),
se desarrolló en un escenario de búsqueda y rescate. En cuanto a las medidas, seis estudios
emplearon el NASA-TLX, cinco el EEG, dos la HRV, uno la EDA y uno la pupilometría y el
seguimiento ocular; cuatro combinaron medidas subjetivas y fisiológicas. Tras un apartado que
contextualiza la relación entre teleoperación y carga cognitiva, los resultados se presentan en
tres ejes: medidas subjetivas, indicadores fisiológicos y neurofisiológicos, y evaluación basada
en simulación.
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 5 - Año 2026
Página | 657
Tabla 1. Características de los estudios incluidos en la revisión
ESTUDIO
TIPO
TAREA O
CONTEXTO
MEDIDAS
DE CARGA
HALLAZGO
PRINCIPAL
Woehrle &
Kirchner
(2014)
T
Teleoperación
robótica
demandante con
detección de
objetivos
EEG (P300)
El P300 puede
detectarse en línea
durante la teleoperación
Moya et al.
(2017)
T
Teleoperación de
robot móvil con
distintos niveles
de dificultad y
retardo
EEG
(potencia de
bandas)
Propuesta de detección
de la carga a partir de la
potencia de bandas del
EEG
Mohanavelu
et al. (2020)
A
Vuelo con
distintas
condiciones de
visibilidad
HRV +
NASA-TLX
+ desempeño
Las medidas detectaron
cambios en la carga aun
con desempeño estable
Shao et al.
(2020)a
T
Control de un
robot de dos
brazos mediante
exoesqueleto en
modo maestro-
esclavo
HRV
Diferencias
significativas en la
HRV entre dos estados
de carga mental
Glaros et al.
(2021)
T
Teleoperación de
rover en misión
lunar
NASA-TLX
Diferencias en la carga
percibida; posible
influencia del momento
del día
Dell'Agnola
et al. (2022)
T
Operación de
drones en misión
de búsqueda y
rescate
Respiración,
ECG,
fotopletismog
rafía y
temperatura
de la piel +
aprendizaje
automático
Distinguió carga baja y
alta con 87.3 % y 91.2
% de precisión, según
el tipo de control
Jiang et al.
(2023)
A
Conducción de
vehículo
Carga
percibida
A mayor realismo,
evaluación más
representativa de la
carga
Nenna et al.
(2023)
T
Guiado de un
brazo robótico
industrial con
control por
botones o por
movimiento
Autorreportes
,
pupilometría
y
seguimiento
ocular
El control por
movimiento mejoró
rapidez y precisión y
redujo la carga; el
tamaño pupilar fue el
indicador más robusto
Zoric et al.
(2023)
T
Control de brazos
antropomórficos
NASA-TLX
Diferencias en la carga
percibida entre
interfaces
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 5 - Año 2026
Página | 658
con distintas
interfaces
Musicant et
al. (2024)
T
Teleconducción
con distintas
perspectivas de
cámara
NASA-TLX
La perspectiva elevada
redujo la carga y
mejoró la seguridad y la
eficiencia
Lee & Lee
(2025)
A
Colaboración
humano-robot en
construcción
EDA
Uso de la EDA como
indicador de carga
cognitiva
Verkennis et
al. (2025)
A
Vuelo
EEG
(espectral y
conectividad)
+ aprendizaje
automático
La conectividad mejoró
la clasificación de los
niveles de carga
Zahabi et al.
(2025)
A
Entrenamiento de
operadores de
montacargas
NASA-TLX
+ EEG
Ambas medidas
aumentaron con la
dificultad de la tarea
Pereira
Salgado et al.
(2026)
A
Entrenamiento en
silla de ruedas
NASA-TLX
+ parpadeo
(EEG)
Las medidas
fisiológicas
complementan a las
subjetivas
Nota: T: teleoperación robótica; A: tarea simulada afín. EEG: electroencefalografía; EDA:
actividad electrodérmica; HRV: variabilidad de la frecuencia cardiaca; NASA-TLX: NASA
Task Load Index. a Estudio realizado con un robot real; se incluyó por tratarse de teleoperación
robótica, conforme a los criterios de inclusión.
Fuente: elaboración propia.
Teleoperación y carga cognitiva
La teleoperación robótica es una modalidad de interacción humano-máquina que permite a un
operador controlar dispositivos o sistemas a distancia mediante interfaces de comunicación y
control (Jain, 2024). Este tipo de tecnología ha adquirido una gran relevancia debido al avance
de la robótica, los sistemas autónomos y las telecomunicaciones, que han hecho posible la
ejecución de tareas remotas en entornos donde la presencia humana directa puede resultar
complicada, costosa o peligrosa (Khedr et al., 2025). Sus aplicaciones abarcan múltiples áreas,
incluyendo la medicina, la exploración espacial, las operaciones industriales, los vehículos
submarinos, la defensa y la respuesta ante desastres naturales (Araya-Carvajal et al., 2025).
En el ámbito médico, la teleoperación ha permitido el desarrollo de sistemas de telecirugía
asistida por robots capaces de mejorar la precisión de diversos procedimientos quirúrgicos y
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 5 - Año 2026
Página | 659
facilitar intervenciones remotas especializadas (Yang et al., 2024). De manera similar, en la
exploración espacial y submarina, los sistemas teleoperados se utilizan para controlar vehículos
y manipuladores robóticos en entornos extremos caracterizados por altas presiones,
temperaturas adversas o grandes distancias de comunicación. Asimismo, en contextos
industriales y nucleares, la teleoperación resulta fundamental para la manipulación segura de
materiales peligrosos y el mantenimiento de infraestructuras en ambientes hostiles (Lopez-
Pulgarin et al., 2022).
La teleoperación también desempeña un papel importante en escenarios de emergencia y
desastres naturales. Diversos estudios han reportado el uso de vehículos aéreos no tripulados y
robots terrestres en tareas de búsqueda, rescate, inspección y evaluación de daños en zonas
afectadas por incendios, terremotos e inundaciones (Wu, 2023; Verhagen et al., 2024). En este
contexto, los sistemas teleoperados permiten recopilar información crítica en tiempo real y
apoyar la toma de decisiones durante situaciones de alto riesgo, lo que reduce la exposición
directa de los equipos de rescate.
A pesar de sus ventajas operativas, las tareas de teleoperación representan importantes desafíos
cognitivos para los operadores humanos. Durante la operación remota, el usuario debe procesar
información proveniente de múltiples fuentes, interpretar estímulos visuales y espaciales en
tiempo real, mantener la atención sostenida y responder rápidamente ante cambios del entorno
(Wang et al., 2024). Estas exigencias incrementan significativamente la demanda mental de la
tarea, especialmente en escenarios dinámicos o complejos, y, cuando exceden los recursos
disponibles, aumenta la probabilidad de errores, fatiga mental y disminución del desempeño
operativo. Además, la carga mental en teleoperación depende de factores como la complejidad
de la tarea, las habilidades individuales del operador y las condiciones del entorno de operación
(Shao et al., 2019).
Asimismo, variables como la latencia en la transmisión, la perspectiva de cámara y la calidad
visual de las interfaces pueden afectar directamente el desempeño y la carga cognitiva de los
operadores (Zunjic, 2015). Los altos niveles de latencia incrementan el tiempo de ejecución de
las tareas y aumentan la probabilidad de cometer errores, mientras que una baja frecuencia de
actualización visual puede aumentar la dificultad percibida durante la operación remota.
Debido a estas implicaciones, la evaluación de la carga cognitiva en tareas de teleoperación se
ha convertido en un área relevante de investigación. Para ello, distintos estudios han empleado
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 5 - Año 2026
Página | 660
medidas subjetivas y fisiológicas con el objetivo de analizar el estado cognitivo de los
operadores durante tareas remotas y simuladas. Asimismo, el uso de entornos virtuales y
simuladores ha permitido estudiar estas variables bajo condiciones controladas y reproducibles.
Medidas subjetivas de carga cognitiva
La evaluación de la carga cognitiva puede realizarse mediante diferentes enfoques orientados
a estimar el esfuerzo mental requerido durante la ejecución de una tarea. En términos generales,
estos métodos pueden clasificarse en medidas subjetivas, medidas fisiológicas o
neurofisiológicas y medidas de desempeño (Wang et al., 2024). Las medidas subjetivas se
basan en la percepción personal del operador respecto a la dificultad y demanda de la actividad
realizada, por lo que proporcionan información relacionada con la experiencia consciente del
esfuerzo mental.
Entre las herramientas subjetivas más utilizadas para la evaluación de la carga cognitiva destaca
el NASA Task Load Index (NASA-TLX), desarrollado por Hart y Staveland (1988) como una
técnica multidimensional para medir la carga de trabajo percibida. Este instrumento parte de la
idea de que la carga de trabajo no depende únicamente de la tarea en sí, sino también de la
interacción entre el individuo, el entorno y las condiciones bajo las cuales se desarrolla la
actividad.
El NASA-TLX evalúa seis dimensiones principales: demanda mental, demanda física,
demanda temporal, desempeño, esfuerzo y nivel de frustración. El participante valora cada
dimensión en una escala de 0 a 100 y, en la versión original, pondera su importancia relativa
mediante 15 comparaciones por pares; a partir de ello se obtiene un índice global de carga
percibida. Con frecuencia se emplea también una versión sin ponderación (Raw TLX), que
promedia directamente las seis dimensiones (Hart, 2006). Debido a su facilidad de aplicación
y flexibilidad, fue el instrumento subjetivo más empleado en los estudios revisados: seis de los
14 lo utilizaron, como medida única o combinado con indicadores fisiológicos (Tabla 1).
Diversas investigaciones han empleado el NASA-TLX para analizar la percepción de carga
mental durante tareas de teleoperación. Zoric et al. (2023), por ejemplo, utilizaron esta
herramienta para comparar distintas interfaces de teleoperación aplicadas al control de brazos
robóticos antropomórficos, con el objetivo de determinar cuál ocasionaba una menor demanda
cognitiva y resultaba más adecuada para tareas operativas complejas. Los resultados mostraron
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 5 - Año 2026
Página | 661
diferencias en la carga cognitiva percibida entre las distintas configuraciones de control, lo que
evidencia la influencia de la interfaz sobre el esfuerzo mental del operador.
De manera similar, Musicant et al. (2024) evaluaron la carga mental percibida por operadores
durante la teleconducción simulada de un vehículo bajo diferentes perspectivas de cámara.
Compararon una vista ubicada a la altura del conductor con una cámara colocada en la parte
superior del vehículo. Después de cada sesión de conducción simulada se aplicó el NASA-
TLX para estimar la carga cognitiva experimentada por los participantes. Los resultados
indicaron que la perspectiva elevada reducía la carga mental percibida y mejoraba aspectos
relacionados con la seguridad y la eficiencia operativa.
El NASA-TLX también se ha utilizado para evaluar el efecto de factores propios del operador.
Glaros et al. (2021) lo aplicaron durante una misión lunar simulada para analizar la relación
entre somnolencia, desempeño y carga de trabajo, mientras que Mohanavelu et al. (2020),
Zahabi et al. (2025) y Pereira Salgado et al. (2026) lo combinaron con indicadores fisiológicos,
como se describe en los apartados siguientes. En varios de estos estudios, el cuestionario sirvió
como referencia para contrastar las medidas fisiológicas.
A pesar de su amplio uso, las medidas subjetivas presentan algunas limitaciones importantes.
Al depender de la percepción individual del participante, los resultados pueden verse
influenciados por factores como la experiencia previa, el estado emocional o la interpretación
personal de la tarea. Asimismo, estas herramientas suelen aplicarse al finalizar la actividad, lo
que impide el monitoreo continuo de cambios momentáneos en el estado cognitivo del operador
y hace que la valoración dependa del recuerdo de la tarea; aplicarlas durante la ejecución, en
cambio, puede interrumpirla. Además, su sensibilidad es limitada: Wang et al. (2024)
observaron que la carga global autorreportada no permitía distinguir entre los niveles más bajos
de carga. Estas limitaciones han motivado el uso de medidas fisiológicas que ofrezcan un
registro continuo y complementario.
Indicadores fisiológicos y neurofisiológicos de carga cognitiva
Además de las medidas subjetivas, la carga cognitiva puede evaluarse mediante indicadores
fisiológicos y neurofisiológicos asociados al esfuerzo mental durante la ejecución de una tarea.
A diferencia de las herramientas basadas en percepción, estos métodos ofrecen registros
continuos que no dependen del autorreporte del operador, por lo que han adquirido gran
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 5 - Año 2026
Página | 662
relevancia en investigaciones relacionadas con teleoperación e interacción humano-robot.
Entre las técnicas más utilizadas destacan la EEG, la actividad EDA, la variabilidad de la HRV,
la pupilometría y el seguimiento ocular. Estas herramientas permiten registrar respuestas
fisiológicas relacionadas con procesos de atención, memoria de trabajo y control cognitivo
(Tabla 2).
Tabla 2. Técnicas para la medición objetiva de la carga cognitiva en teleoperación
TÉCNICA / MÉTODO
APLICACIÓN EN
TELEOPERACIÓN
REFERENCIA
Electroencefalografía
(EEG)
Teleoperación de robot
móvil con distintos
niveles de dificultad y
retardo
Moya et al.,
2017
Actividad electrodermal
(EDA)
Evaluación de carga en
tareas colaborativas con
robots
Lee & Lee,
2025
Variabilidad de la
frecuencia cardiaca
(HRV)
Carga cognitiva en
operación de robot dual-
arm
Shao et al.,
2020
Pupilometría
Carga cognitiva en
teleoperación robótica en
VR
Nenna et al.,
2023
Medidas combinadas
(Subjetivas +
Fisiológicas)
Entrenamiento de
operadores de
montacargas en realidad
virtual
Zahabi et al.,
2025
Fuente: Elaboración propia a partir de la literatura revisada.
La electroencefalografía (EEG) es una de las técnicas más utilizadas para evaluar carga
cognitiva debido a su capacidad para registrar actividad cerebral en tiempo real. Esta técnica
no invasiva mide variaciones eléctricas generadas por la actividad neuronal mediante
electrodos colocados sobre el cuero cabelludo, permitiendo detectar cambios asociados al
esfuerzo mental durante tareas complejas (Antonenko et al., 2010). El EEG permite estimar la
carga mental mediante el análisis de bandas de frecuencia cerebrales y potenciales relacionados
con eventos (ERP), los cuales han demostrado utilidad para diferenciar distintos niveles de
demanda cognitiva (Brouwer et al., 2012).
Las bandas de frecuencia más estudiadas son delta (0.5–4 Hz), theta (4–8 Hz), alpha (8–13 Hz)
y beta (13–30 Hz). De forma consistente, el aumento de la carga cognitiva se asocia con un
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 5 - Año 2026
Página | 663
incremento de la actividad theta en regiones frontales y una disminución de la actividad alpha
en regiones parietales, que refleja la mayor asignación de recursos atencionales a la tarea
(Antonenko et al., 2010; Roy et al., 2016); los cambios en las bandas delta y beta son menos
consistentes entre estudios. En el contexto de la teleoperación, el análisis de estas bandas
permite estimar el estado cognitivo de los operadores durante tareas remotas y dinámicas.
Los potenciales relacionados con eventos (ERP, por sus siglas en inglés) corresponden a
pequeñas variaciones eléctricas generadas como respuesta a estímulos específicos. Algunos de
estos componentes se relacionan con procesos de atención, evaluación y toma de decisiones,
por lo que han sido ampliamente utilizados para estudiar carga cognitiva en interacción
humano-máquina (Sur & Sinha, 2009). En la Tabla 3 se presentan los principales componentes
ERP, sus latencias aproximadas y las funciones cognitivas con las que se relacionan.
Tabla 3. Principales componentes de los potenciales relacionados con eventos (ERP)
COMPONENTE
ERP
LATENCIA
APROXIMADA
QUÉ INDICA
EN
EL CEREBRO
FUNCIÓN /
SIGNIFICADO
N100 (N1)
90–200 ms
Detección de
estímulos
Aparece cuando el cerebro
detecta un estímulo nuevo o
inesperado.
P200 (P2)
100–250 ms
Procesamiento
perceptivo
Relacionado con el análisis
inicial del estímulo.
N200 (N2)
~200 ms
Detección de
cambios
Asociado con
discriminación de estímulos
o conflicto cognitivo.
P300 (P3)
250–400 ms
Atención y
evaluación
Indica que el cerebro
reconoce y clasifica
información relevante.
N400
300–600 ms
Comprensión del
significado
Relacionado con el
procesamiento semántico
del lenguaje.
P600
~600 ms
Procesamiento
del lenguaje
Asociado con la estructura
sintáctica y comprensión de
oraciones.
Fuente: Adaptado de Sur & Sinha (2009).
Entre los ERP, el P300 es uno de los marcadores más utilizados para evaluar carga cognitiva.
Este potencial está asociado con procesos de atención y categorización de estímulos, y su
amplitud tiende a disminuir conforme aumenta la demanda de la tarea principal, sobre todo
cuando se evalúa mediante estímulos de una tarea secundaria, lo que refleja una reducción en
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 5 - Año 2026
Página | 664
los recursos atencionales disponibles (Ghani et al., 2020). Woehrle y Kirchner (2014)
demostraron que el P300 puede detectarse en línea durante tareas complejas de teleoperación
robótica mediante EEG, incluso en entornos dinámicos y cognitivamente demandantes.
La variabilidad de la frecuencia cardiaca, obtenida a partir del electrocardiograma, refleja el
equilibrio entre la actividad simpática y parasimpática del sistema nervioso autónomo; en
general, el aumento de la carga se asocia con una menor variabilidad. Shao et al. (2020)
encontraron diferencias significativas en la HRV entre dos niveles de carga mental durante el
control de un robot de dos brazos, y Mohanavelu et al. (2020) observaron que índices como
SDNN, SD2, VLF y la potencia total diferenciaban las condiciones de vuelo en un simulador
de alta fidelidad, mientras que LFnu y HFnu distinguían el efecto de la baja visibilidad y de
una tarea cognitiva secundaria.
La actividad electrodérmica mide cambios en la conductancia de la piel controlados por el
sistema nervioso simpático, y tiende a aumentar con la demanda cognitiva. Lee y Lee (2025)
la emplearon como indicador de carga cognitiva en tareas de colaboración humano-robot en
construcción. Por su parte, el diámetro pupilar aumenta con el esfuerzo mental y puede
registrarse de forma continua con dispositivos de seguimiento ocular. Nenna et al. (2023)
observaron, durante el guiado de un brazo robótico industrial en realidad virtual, que el tamaño
pupilar fue el indicador ocular más robusto: se correlacionó con la carga autorreportada y no
se vio afectado por el movimiento físico del usuario.
Pese a estas ventajas, los indicadores fisiológicos presentan limitaciones relevantes. Ninguno
es específico de la carga cognitiva: la EDA y la HRV también responden al estrés y a la
activación emocional, el EEG y las señales cardiacas son sensibles a los artefactos de
movimiento, y el diámetro pupilar varía con la iluminación (Charles & Nixon, 2019). Además,
la variabilidad entre personas y entre sesiones obliga a normalizar las señales o a entrenar
modelos individuales, como hicieron Dell'Agnola et al. (2022). Por ello, estos indicadores
suelen interpretarse junto con medidas subjetivas y de desempeño, y no como sustitutos de
ellas; de hecho, en una tarea de teleoperación robótica, el desempeño distinguió los niveles de
carga mejor que la mayoría de los indicadores fisiológicos (Odoh et al., 2024).
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 5 - Año 2026
Página | 665
Evaluación de la carga cognitiva basada en simulación en teleoperación
Las simulaciones se han consolidado como una de las principales herramientas para estudiar la
carga cognitiva en tareas de teleoperación, ya que permiten recrear escenarios complejos bajo
condiciones controladas, seguras y reproducibles. A diferencia de los entornos reales, donde
existen limitaciones relacionadas con la seguridad, los costos y la dificultad para controlar las
variables experimentales, los entornos virtuales permiten modificar sistemáticamente factores
como la complejidad de la tarea, la presencia de obstáculos, las condiciones ambientales, la
presión temporal o el diseño de las interfaces, lo que facilita el análisis del comportamiento y
del esfuerzo cognitivo de los operadores (Kaonain et al., 2020). Su principal limitación es la
validez ecológica: el grado en que la carga observada en un simulador se corresponde con la
que se experimenta en una operación real depende del realismo del entorno.
En este sentido, Jiang et al. (2023) analizaron el efecto de la fidelidad del escenario sobre la
carga mental percibida en simulaciones de conducción desarrolladas en Unreal Engine, y
observaron que los escenarios más realistas favorecían una evaluación más representativa de
la carga del conductor. El realismo también puede ampliarse mediante estímulos
multisensoriales: Shaw et al. (2019) incorporaron calor y olor a humo a un entorno virtual de
evacuación por incendio, aunque su objetivo fue estudiar la toma de decisiones y no la carga
cognitiva.
Los entornos simulados también se han convertido en una plataforma adecuada para evaluar la
carga cognitiva durante tareas de teleoperación. Glaros et al. (2021) emplearon una simulación
en tiempo real para analizar la relación entre la somnolencia, el desempeño y la carga de trabajo
de operadores encargados de teleoperar un rover en misiones de exploración lunar. Los
resultados evidenciaron diferencias significativas en la percepción de la carga cognitiva medida
mediante el cuestionario NASA-TLX, lo que sugiere que factores como el momento del día
también pueden influir en el desempeño de los operadores.
En los últimos años también se ha observado una tendencia hacia la integración de medidas
subjetivas y fisiológicas dentro de los entornos virtuales. Zahabi et al. (2025), por ejemplo,
evaluaron operadores de montacargas en un simulador de realidad virtual utilizando
simultáneamente el cuestionario NASA-TLX y señales de EEG, encontrando que ambas
medidas aumentaban conforme se incrementaba la dificultad de la tarea. De forma similar,
Pereira Salgado et al. (2026) combinaron el NASA-TLX con parámetros de parpadeo obtenidos
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 5 - Año 2026
Página | 666
a partir de señales EEG durante el entrenamiento en un simulador de silla de ruedas,
concluyendo que las medidas fisiológicas complementan la información proporcionada por los
cuestionarios subjetivos y permiten una caracterización más completa de la carga cognitiva. En
la Figura 1 se sintetiza el proceso general de evaluación de la carga cognitiva en entornos
simulados de teleoperación, considerando las condiciones de la tarea y del entorno, así como
la integración de medidas subjetivas, fisiológicas y neurofisiológicas.
Figura 1. Evaluación de la carga cognitiva en entornos simulados de teleoperación
Nota: EEG: electroencefalografía; EDA: actividad electrodérmica; HRV: variabilidad de la
frecuencia cardiaca; NASA-TLX: NASA Task Load Index.
Fuente: elaboración propia.
El uso de simulaciones también ha favorecido el desarrollo de modelos capaces de estimar
automáticamente la carga cognitiva. Verkennis et al. (2025) utilizaron simulaciones de vuelo
para entrenar modelos de aprendizaje automático basados en características espectrales y de
conectividad del EEG, y la incorporación de la conectividad cerebral mejoró la clasificación
de los niveles de carga. En la misma línea, Mohanavelu et al. (2020), cuyo estudio se describió
en el apartado anterior, mostraron en un simulador de alta fidelidad que la HRV y el NASA-
TLX detectaban cambios en la carga aun cuando el desempeño de los pilotos se mantenía
estable.
El único estudio de la muestra desarrollado en un escenario de búsqueda y rescate fue el de
Dell'Agnola et al. (2022), quienes registraron la respiración, el electrocardiograma, el
fotopletismograma y la temperatura de la piel de operadores que controlaban un dron en un
simulador, y entrenaron un modelo de aprendizaje automático que distinguió entre carga baja
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 5 - Año 2026
Página | 667
y alta con una precisión cercana al 90 %. Otros trabajos han empleado simulaciones de
emergencia, como inundaciones (Arshaghi et al., 2026) o incendios (Shaw et al., 2019), pero
para estudiar el comportamiento humano y no la carga del operador.
DISCUSIÓN
La literatura revisada evidencia un creciente interés por evaluar la carga cognitiva en tareas de
teleoperación debido a su impacto sobre el desempeño y la toma de decisiones de los
operadores. En este contexto, el NASA-TLX fue la herramienta subjetiva más utilizada (6 de
14), mientras que la electroencefalografía (EEG) fue la técnica fisiológica predominante (5 de
14). Sin embargo, más allá de su frecuencia de uso, los resultados muestran que estas medidas
no siempre coinciden, y esa falta de coincidencia aporta información relevante para interpretar
la carga cognitiva.
En varios estudios, las medidas subjetivas y fisiológicas variaron en la misma dirección. Zahabi
et al. (2025) observaron que el NASA-TLX y el EEG aumentaban con la dificultad de la tarea,
y Nenna et al. (2023) encontraron que el tamaño pupilar se correlacionaba con la carga
autorreportada. En otros casos, las medidas se disociaron: Mohanavelu et al. (2020) detectaron
cambios en la HRV y en el NASA-TLX mientras el desempeño de los pilotos se mantenía
estable, y Wang et al. (2024) observaron que la carga autorreportada no distinguía los niveles
bajos de carga que sí detectaban los indicadores fisiológicos. En sentido contrario, Odoh et al.
(2024) encontraron que, en una tarea de teleoperación robótica, el desempeño diferenciaba la
carga mejor que la mayoría de los indicadores fisiológicos.
Estas discrepancias sugieren que cada tipo de medida captura una faceta distinta de la carga: el
autorreporte refleja la demanda percibida; los indicadores fisiológicos, la activación asociada
al esfuerzo, y el desempeño, el resultado de la tarea. Un operador puede mantener su
desempeño a costa de un mayor esfuerzo, lo que solo se detecta con medidas subjetivas o
fisiológicas; a la inversa, la activación fisiológica puede aumentar por estrés sin que cambie la
carga cognitiva. Por ello, la evaluación multimodal no es solo una forma de obtener una
caracterización más completa, sino una condición para interpretar correctamente cada medida,
idealmente incorporando también métricas de desempeño, que no siempre se analizan junto
con las demás.
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 5 - Año 2026
Página | 668
La comparación entre estudios se ve limitada por su heterogeneidad. Las tareas, los métodos
para manipular la carga (dificultad, tarea secundaria, visibilidad o tipo de interfaz), las señales
registradas y los análisis empleados, desde comparaciones de medias hasta clasificadores de
aprendizaje automático, varían considerablemente, lo que coincide con la falta de
estandarización señalada en revisiones previas (Charles & Nixon, 2019). Asimismo, solo poco
más de la mitad de los estudios abordó tareas de teleoperación en sentido estricto; el resto
correspondió a tareas simuladas afines, como el vuelo o la conducción, cuyas demandas son
comparables, pero no idénticas. Además, los estudios revisados no contrastaron la carga
observada en el simulador con la de operaciones reales, por lo que la transferencia de estos
resultados a contextos operativos aún debe confirmarse.
A pesar de estos avances, persisten oportunidades de investigación en escenarios de emergencia
y desastre. Dell'Agnola et al. (2022) fue el único estudio de la muestra centrado en búsqueda y
rescate, y evaluó la carga solo mediante señales fisiológicas. Estas operaciones combinan
presión temporal, incertidumbre, información incompleta y, con frecuencia, comunicaciones
degradadas o con latencia, condiciones que pueden incrementar tanto la carga cognitiva como
el estrés del operador. Dado que indicadores como la EDA y la HRV responden a ambos, los
estudios futuros en estos escenarios deberán emplear diseños que permitan separarlos, por
ejemplo, combinando medidas fisiológicas con el NASA-TLX y métricas de desempeño, y
manipulando de forma independiente la dificultad de la tarea y las condiciones de riesgo. La
simulación resulta especialmente valiosa en este contexto, porque permite reproducir
condiciones de desastre que no pueden manipularse experimentalmente en operaciones reales.
Esta revisión presenta algunas limitaciones. Al tratarse de una revisión narrativa, no se evaluó
la calidad metodológica de los estudios incluidos ni se documentó el proceso de selección con
el detalle de una revisión sistemática, por lo que no puede descartarse un sesgo de selección.
Además, la muestra es reducida, incluye estudios de tareas afines a la teleoperación y se limitó
a publicaciones en inglés y español. Futuras revisiones sistemáticas o de alcance podrían
ampliar la búsqueda y evaluar con mayor rigor la calidad y la consistencia de la evidencia.
CONCLUSIÓN
La presente revisión describió cómo se ha evaluado la carga cognitiva en tareas de
teleoperación robótica desarrolladas en entornos simulados. El NASA-TLX y el EEG fueron
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 5 - Año 2026
Página | 669
las medidas subjetiva y fisiológica más empleadas, y un número creciente de estudios las
combina con otros indicadores, como la HRV, la EDA o la pupilometría.
La evidencia revisada indica que estas medidas no son intercambiables: el autorreporte, los
indicadores fisiológicos y el desempeño capturan facetas distintas de la carga y pueden
disociarse. Por ello, la combinación de medidas subjetivas, fisiológicas y de desempeño
constituye el enfoque más sólido para caracterizar el esfuerzo cognitivo de los operadores e
interpretar correctamente cada indicador.
Asimismo, aunque las simulaciones han demostrado ser una herramienta eficaz para estudiar
la carga cognitiva, la heterogeneidad de las tareas y los métodos, así como la falta de contraste
con operaciones reales, limitan la generalización de los resultados. Finalmente, se identificó
una escasez de estudios en escenarios de emergencia y desastre, particularmente en operaciones
de búsqueda y rescate, donde la carga cognitiva coexiste con niveles elevados de estrés.
Investigar estos contextos con diseños que permitan distinguir ambos fenómenos puede
contribuir al desarrollo de sistemas de teleoperación adaptativos y de estrategias de
entrenamiento orientadas a mejorar el desempeño y la seguridad de los operadores.
REFERENCIAS
Antonenko, P., Paas, F., Grabner, R., & van Gog, T. (2010). Using electroencephalography to
measure cognitive load. Educational Psychology Review, 22, 425–438.
https://doi.org/10.1007/s10648-010-9130-y
Araya Carvajal, K., Ruiz Marin, M., & Ramos Marquez, Á. (2025). Robots teleoperados en la
industria y los servicios: Una revisión bibliográfica sistematizada. BIOTECH &
ENGINEERING Untels, 5(1), 183–184.
Arshaghi, B., Lawson, G., Briganti, R., & Siebers, P.-O. (2026). Human decision-making in
crowds in a virtual flood scenario. Natural Hazards and Earth System Sciences, 26,
981–1000. https://doi.org/10.5194/nhess-26-981-2026
Brouwer, A.-M., Hogervorst, M. A., van Erp, J. B. F., Heffelaar, T., Zimmerman, P. H., &
Oostenveld, R. (2012). Estimating workload using EEG spectral power and ERPs in
the n-back task. Journal of Neural Engineering, 9(4), 045008.
https://doi.org/10.1088/1741-2560/9/4/045008
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 5 - Año 2026
Página | 670
Charles, R. L., & Nixon, J. (2019). Measuring mental workload using physiological measures:
A systematic review. Applied Ergonomics, 74, 221–232.
https://doi.org/10.1016/j.apergo.2018.08.028
Dell’Agnola, F., Jao, P.-K., Arza, A., Chavarriaga, R., Millán, J. del R., Floreano, D., &
Atienza, D. (2022). Machine-learning based monitoring of cognitive workload in
rescue missions with drones. IEEE Journal of Biomedical and Health Informatics.
https://doi.org/10.1109/JBHI.2022.3186625
Diarra, M., Theurel, J., & Paty, B. (2025). Systematic review of neurophysiological assessment
techniques and metrics for mental workload evaluation in real-world settings.
Frontiers in neuroergonomics, 6, 1584736.
https://doi.org/10.3389/fnrgo.2025.1584736
Fernandez Rojas, R., Debie, E., Fidock, J., Barlow, M., Kasmarik, K., Anavatti, S., Garratt,
M., & Abbass, H. (2020). Electroencephalographic workload indicators during
teleoperation of an unmanned aerial vehicle shepherding a swarm of unmanned ground
vehicles in contested environments. Frontiers in Neuroscience, 14, Article 40.
https://doi.org/10.3389/fnins.2020.00040
Ghani, U., Signal, N., Niazi, I., & Taylor, D. (2020). ERP based measures of cognitive
workload: A review. Neuroscience & Biobehavioral Reviews.
https://doi.org/10.1016/j.neubiorev.2020.07.020
Glaros, Z., Carvalho, R. E., & Flynn-Evans, E. E. (2021). An evaluation of sleepiness,
performance, and workload among operators during a real-time reactive telerobotic
lunar mission simulation. Human Factors.
https://doi.org/10.1177/00187208211056756
Hart, S. G. (2006). NASA-Task Load Index (NASA-TLX); 20 years later. Proceedings of the
Human Factors and Ergonomics Society Annual Meeting, 50(9), 904–908.
https://doi.org/10.1177/154193120605000909
Hart, S. G., & Staveland, L. E. (1988). Development of NASA-TLX (Task Load Index): Results
of empirical and theoretical research. In P. A. Hancock & N. Meshkati (Eds.), Human
mental workload (pp. 139–183). Elsevier Science Publishers B.V.
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 5 - Año 2026
Página | 671
Jain, M. (2024). Teleoperated robots: Bridging the gap between human intelligence and remote
operations. International Journal of Innovative Research in Science, Engineering and
Technology, 13(9), 16314–16327. https://doi.org/10.15680/IJIRSET.2024.1309049
Jiang, H., Mizobuchi, S., & Chignell, M. (2023). Scenario fidelity and perceived driver mental
workload: Can workload assessment be crowdsourced? In Proceedings of the 13th
International Conference on Advances in Information Technology (IAIT 2023).
Association for Computing Machinery. https://doi.org/10.1145/3628454.3628458
Kaonain, T. E., Abdul Rahman, M. A., Mohammed Ariff, M. H., & Mondal, K. (2020). A
simulated risk assessment of human-robot interaction in the domestic environment.
International Journal of Robotics and Automation, 9(4), 300–310.
https://doi.org/10.11591/ijra.v9i4.pp300-310
Khedr, M., Le, Q. D., & Yang, E. (2025). Teleoperation control for robotic systems in
hazardous environments: Overview and challenges. In 2025 30th International
Conference on Automation and Computing (ICAC). IEEE.
https://doi.org/10.1109/ICAC65379.2025.11196301
Lee, S., & Lee, B. (2025). Electrodermal activity as an indicator of cognitive load for human-
robot collaboration in construction. In Advances in Information Technology in Civil
and Building Engineering (pp. 374–382). Springer Nature Switzerland.
https://doi.org/10.1007/978-3-031-87364-5_31
Lopez Pulgarin, E. J., Tokatli, O., Burroughes, G., & Herrmann, G. (2022). Assessing tele-
manipulation systems using task performance for glovebox operations. Frontiers in
Robotics and AI, 9, 932538. https://doi.org/10.3389/frobt.2022.932538
Mohanavelu, K., Poonguzhali, S., Ravi, D., Singh, P. K., Mahajabin, M., Ramachandran, K.,
Singh, U. K., & Jayaraman, S. (2020). Cognitive workload analysis of fighter aircraft
pilots in flight simulator environment. Defence Science Journal, 70(2), 131–139.
https://doi.org/10.14429/dsj.70.14539
Moya, V., Slawiñski, E., Mut, V., & Couto, E. H. M. (2017). Workload detection based on EEG
device for teleoperation of a mobile robot. In 2017 XVII Workshop on Information
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 5 - Año 2026
Página | 672
Processing and Control (RPIC) (pp. 1–6). IEEE.
https://doi.org/10.23919/RPIC.2017.8211636
Musicant, O., Botzer, A., & Richmond-Hacham, B. (2024). Safety, efficiency, and mental
workload in simulated teledriving of a vehicle as functions of camera viewpoint.
Sensors, 24(18), 6134. https://doi.org/10.3390/s24186134
Nenna, F., Zanardi, D., & Gamberini, L. (2023). Enhanced interactivity in VR-based
telerobotics: An eye-tracking investigation of human performance and workload.
International Journal of Human-Computer Studies, 177, 103079.
https://doi.org/10.1016/j.ijhcs.2023.103079
Odoh, G., Landowska, A., Crowe, E. M., Benali, K., Cobb, S., Wilson, M. L., Maior, H. A., &
Kucukyilmaz, A. (2024). Performance metrics outperform physiological indicators in
robotic teleoperation workload assessment. Scientific Reports, 14.
https://doi.org/10.1038/s41598-024-82112-4
Paas, F., Tuovinen, J. E., Tabbers, H., & Van Gerven, P. W. M. (2003). Cognitive load
measurement as a means to advance cognitive load theory. Educational Psychologist,
38(1), 63–71.
Pereira Salgado, D., Roque Martins, F., Abreu Rosa de Sá, A., Flynnn, R., Murray, N., &
Lázaro Martins Naves, E. (2026). EEG-based cognitive load estimation during the use
of a virtual wheelchair simulator. Frontiers in Signal Processing, 6, 1691777.
https://doi.org/10.3389/frsip.2026.1691777
Roy, R. N., Charbonnier, S., Campagne, A., & Bonnet, S. (2016). Efficient mental workload
estimation using task-independent EEG features. Journal of Neural Engineering, 13(2),
026019. https://doi.org/10.1088/1741-2560/13/2/026019
Shao, S., Zhou, Q., & Liu, Z. (2019). Mental workload characteristics of manipulator
teleoperators with different spatial cognitive abilities. International Journal of
Advanced Robotic Systems, 16(6), 1–10. https://doi.org/10.1177/1729881419888042
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 5 - Año 2026
Página | 673
Shao, S., Wang, T., Wang, Y., Su, Y., Song, C., & Yao, C. (2020). Research of HRV as a measure
of mental workload in human and dual-arm robot interaction. Electronics, 9(12), 2174.
https://doi.org/10.3390/electronics9122174
Shaw, E., Roper, T., Nilsson, T., Lawson, G., Cobb, S. V. G., & Miller, D. (2019). The heat is
on: Exploring user behaviour in a multisensory virtual environment for fire evacuation.
In Proceedings of the 2019 CHI Conference on Human Factors in Computing Systems
(Article 626, pp. 1–13). Association for Computing Machinery.
https://doi.org/10.1145/3290605.3300856
Sur, S., & Sinha, V. K. (2009). Event-related potential: An overview. Industrial Psychiatry
Journal, 18(1), 70–73. https://doi.org/10.4103/0972-6748.57865
Verhagen, R. S., Neerincx, M. A., & Tielman, M. L. (2024). Meaningful human control and
variable autonomy in human-robot teams for firefighting. Frontiers in Robotics and AI,
11, 1352601. https://doi.org/10.3389/frobt.2024.1323980
Verkennis, B., van Weelden, E., Marogna, F. L., Alimardani, M., Wiltshire, T. J., & Louwerse,
M. M. (2025). Predicting workload in virtual flight simulations using EEG spectral and
connectivity features. In 2025 IEEE International Conference on Artificial Intelligence
and eXtended and Virtual Reality (AIxVR). IEEE.
https://doi.org/10.1109/AIxVR63409.2025.00019
Wang, J., Stevens, C., Bennett, W., & Yu, D. (2024). Granular estimation of user cognitive
workload using multi-modal physiological sensors. Frontiers in Neuroergonomics, 5,
1292627. https://doi.org/10.3389/fnrgo.2024.1292627
Wickens, C. D. (2008). Multiple resources and mental workload. Human Factors, 50(3), 449–
455. https://doi.org/10.1518/001872008X288394
Woehrle, H., & Kirchner, E. A. (2014). Online detection of P300 related target recognition
processes during a demanding teleoperation task: Classifier transfer for the detection
of missed targets. In Proceedings of the International Conference on Physiological
Computing Systems (PhyCS-2014) (pp. 13–19). SCITEPRESS.
https://doi.org/10.5220/0004724600130019
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 5 - Año 2026
Página | 674
Wu, M. (2023). Robotics applications in natural hazards. Highlights in Science, Engineering
and Technology, 43, 273–279.
Yang, J., Barragan, J. A., Farrow, J. M., Sundaram, C. P., Wachs, J. P., & Yu, D. (2024). An
adaptive human-robotic interaction architecture for augmenting surgery performance
using real-time workload sensing—Demonstration of a semi-autonomous suction tool.
Human Factors, 66(4), 1081–1102.https://doi.org/10.1177/00187208221129940
Zahabi, S. J. N., Islam, M. S., Kim, S., Lau, N., Nussbaum, M. A., & Lim, S. (2025). Task
difficulty in virtual reality forklift training can be assessed using normalized EEG
measurements. International Journal of Industrial Ergonomics, 107, 103718.
https://doi.org/10.1016/j.ergon.2025.103718
Zoric, F., Suarez, A., Vasiljevic, G., Orsag, M., Kovacic, Z., & Ollero, A. (2023). Performance
comparison of teleoperation interfaces for ultra-lightweight anthropomorphic arms. In
2023 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS).
IEEE.
Zunjic, A. (2015). Performance and workload of operators in a human-telerobot system.
International Journal of Behavioral Research & Psychology, 3(2e), 1–3.
https://doi.org/10.19070/2332-3000-150004e
Prisma ODS Revista Científica Multidisciplinar
Volumen 5, Número 5 - Año 2026
Página | 675
© Los autores. Este artículo se publica en Prisma ODS bajo la Licencia Creative Commons Atribución 4.0
Internacional (CC BY 4.0). Esto permite el uso, distribución y reproducción en cualquier medio, incluidos fines
comerciales, siempre que se otorgue la atribución adecuada a los autores y a la fuente original.
: https://doi.org/10.65011/prismaods.v5.i5.375
Cómo citar este artículo (APA 7ª edición):
Vargas Solis, G., Juárez Morales, R., Baldivia Noyola, P., Palacios Pérez, H. B., & Parra
Abarca, J. (2026). Evaluación de la Carga Cognitiva en Teleoperación Robótica Simulada.
Prisma ODS: Revista Multidisciplinaria Sobre Desarrollo Sostenible, 5(5), 651-
675. https://doi.org/10.65011/prismaods.v5.i5.375