إطار تعلم عميق متعدد النماذج يعتمد على الانتباه يدمج EEG وECG لتحسين كشف الضغط النفسي

لماذا يهم تتبُّع الضغط موضوعياً

يشكّل الضغط طريقة تفكيرنا ومشاعرنا وصحتنا، ومع ذلك لا يلاحظه معظمنا إلا بعد أن يبدأ بإحداث مشاكل. تقدم هذه الدراسة نهجاً جديداً لتتبع الضغط في الزمن الحقيقي باستخدام إشارات من الدماغ والقلب معاً، بدلاً من سؤال الناس عن شعورهم أو الاعتماد على إشارة وحيدة في كل مرة. الهدف هو تحويل التوتر غير المرئي إلى معلومات واضحة وموثوقة يمكن أن تدعم مستقبلاً الرعاية الصحية، ورفاهية مكان العمل، وأدوات الصحة العقلية الشخصية.

حدود الاعتماد على سؤال الناس عن شعورهم

حالياً، يُقاس الضغط غالباً باستبيانات تطلب من الأشخاص تذكر مدى توترهم خلال أيام أو أسابيع ماضية. هذه التقارير الذاتية قد تتأثر بالذاكرة أو الثقافة أو الرغبة في الظهور بمظهر «بخير»، ولا يمكنها التقاط التغيرات السريعة في الجسم أثناء لحظة توتر. في المقابل، تجمع الأجهزة القابلة للارتداء الآن بيانات بيولوجية مفصلة، مما يوفر طريقة لقراءة إشارات الضغط مباشرة من الجسم. التحدي يكمن في تفسير هذه التدفقات الغنية من البيانات بطريقة تعكس كلّاً من العقل والجسم، بدلاً من التعامل مع الضغط كرقم واحد فقط.

ماذا تكشف موجات الدماغ ونبضات القلب

يركز الباحثون على نوعين من الإشارات. يُسجل تخطيط الدماغ (EEG) موجات الدماغ ويمكن أن يظهر تحولات مرتبطة بالتركيز، والقلق، والضغط العاطفي. بينما يسجل تخطيط القلب (ECG) نبضات القلب ويقدم تباين معدل ضربات القلب، وهو مقياس دقيق لمدى مرونة استجابة القلب للمتطلبات. تحت الضغط، تتغير إيقاعات الدماغ وعادة ما ينخفض تباين معدل ضربات القلب، لكن ذلك لا يحدث بالضرورة بنفس الطريقة لكل شخص أو موقف. من خلال الجمع بين هذين المنظورين، تهدف الدراسة إلى رسم صورة أغنى لكيفية ظهور الضغط عبر الجهاز العصبي، من الأفكار والمشاعر وصولاً إلى القلب.

نظام ذكي يدمج إشارات الدماغ والقلب

صمم الفريق إطار تعلم عميق يتعامل مع EEG وECG كقناتين مكملتين. أولاً، يقومون بتنظيف وإعادة تشكيل الإشارات الخام بعناية. تُصفَّى نشاطات الدماغ، وتُقسّم إلى نوافذ زمنية قصيرة، وتحوَّل إلى صور تُظهر كيف تتغير الطاقة في نطاقات موجات الدماغ المختلفة عبر الزمن. تمر بيانات القلب بأنبوب معالجة منفصل، يلتقط كلّاً من الإيقاع الخام للنبضات ومقاييس التباين الكلاسيكية. تُكيّف ثلاث شبكات قوية للتعرف على الصور، مدرّبة أصلاً على مجموعات صور واسعة، لاستخراج الأنماط من هذه الإشارات المحوَّلة. ثم تتعلم طبقة دمج قائمة على الانتباه كيف تُوزن مساهمات الدماغ والقلب، وحتى كل شبكة على حدة، اعتماداً على ما هو أكثر إبلاغاً في لحظة معينة.

اختبار النظام عبر أنواع مختلفة من الضغط

لمعرفة مدى فعالية هذا النهج، درّب المؤلفون النظام واختبروه على مجموعتي بيانات عامّتين مستقلّتين. الأولى، المسماة WESAD، تتضمن تسجيلات دماغ وقلب من متطوعين مرّوا بمهام محايدة، ومواقف اجتماعية متوترة، وأنشطة مرحة. الثانية، المسماة CASE، تضيف مزيداً من المشاركين ومزيجاً من التحديات العقلية والمشاهد العاطفية، ما قدّم اختباراً أصعب للاستخدام العام. عبر المجموعتين، تمكن النظام المدمج من EEG وECG من تمييز الحالات المحايدة والمجهدة والإيجابية بدقة تقارب 95.7 بالمئة. وقد تفوق ذلك بوضوح على النسخ التي اعتمدت على بيانات الدماغ وحدها أو القلب وحده أو طرق أبسط لدمج الإشارات، وظهر أداء معقولاً حتى عند تدريبه على مجموعة واحدة واختباره على الأخرى.

من نتائج المختبر إلى دعم الضغط في الحياة اليومية

بعيداً عن الدقة العالية، بُني النموذج مع وضع الاستخدام العملي في الاعتبار. يمكن أن يعمل بسرعة كافية للمراقبة القريبة من الزمن الحقيقي ويمكن تبسيطه للأجهزة ذات قدرة حسابية محدودة. كما توفر أوزان الانتباه نافذة توضح أي الميزات هي الأكثر أهمية، مسلطة الضوء على أنماط مرتبطة بالضغط مثل زيادة النشاط الأمامي في الدماغ وتقليل تباين معدل ضربات القلب. ببساطة، توضح الدراسة أن الاستماع معاً إلى الدماغ والقلب، وترك نظام ذكي يقرر كيفية مزجهما، يعطي قراءة أكثر صدقاً للضغط. وبينما يلزم المزيد من العمل لنقله إلى العيادات وأماكن العمل وأجهزة المستهلكين، يمثل ذلك خطوة ملموسة نحو أدوات موضوعية وغير متطفلة تساعد الأشخاص على فهم وإدارة عبئهم العقلي.

الاستشهاد: Kumar, R., Krishnan, S.B., Yadav, R.K. et al. An attention-based multimodal deep learning framework integrating EEG and ECG for enhanced stress detection. Sci Rep 16, 15188 (2026). https://doi.org/10.1038/s41598-026-44499-0

الكلمات المفتاحية: كشف الضغط, EEG, ECG, تعلم عميق متعدد النماذج, إشارات فسيولوجية