Verbesserung der Klassifikation kognitiver Belastung durch multimodale EEG- und EKG-Fusion: Geschlechtsunterschiede in der physiologischen Reaktion

Warum die Messung alltäglicher mentaler Belastung wichtig ist

Das moderne Leben zerrt ständig an unserer Aufmerksamkeit, von engen Fristen bis hin zu Multitasking vor Bildschirmen. Doch selten sehen wir, was dieser Druck in Echtzeit in Körper und Gehirn bewirkt. Diese Studie untersucht einen Weg, sowohl das Gehirn als auch das Herz gleichzeitig „abzuhören“, um festzustellen, wie mental belastet eine Person ist und ob diese Reaktion bei Männern und Frauen unterschiedlich ausfällt. Solche Werkzeuge könnten schließlich Schulen, Arbeitsplätze und sogar Fahrzeuge dabei unterstützen, sich an die wechselnde mentale Belastung von Menschen anzupassen, bevor Fehler oder Burnout auftreten.

Gehirn und Herz gemeinsam beobachten

Unter mentaler Belastung verändern sich sowohl die Gehirnrhythmen als auch die Herzaktivität. Die Forschenden nutzten zwei gängige medizinische Aufzeichnungen: Elektroenzephalogramm (EEG), das kleine elektrische Signale des Gehirns verfolgt, und Elektrokardiogramm (EKG), das die Herzschläge überwacht. Statt hunderte Rohmessungen zu verwenden, konzentrierten sie sich auf nur drei kompakte Indikatoren mit klarer physiologischer Bedeutung: ein gehirnbasierter Theta/Alpha-Quotient (TAR), der mentalen Aufwand widerspiegelt, die einfache Herzfrequenz (HR) und ein Maß für das Gleichgewicht der Herzvariabilität namens LF/HF, das erfasst, wie sich das Nervensystem unter Stress verschiebt. Diese Signale wurden von 66 gesunden Studierenden gesammelt, während sie zunehmend schwierige Rechenaufgaben ausführten, die zuverlässige leichte bis starke kognitive Belastung auslösten.

Von Rohsignalen zu einem intelligenten Belastungsdetektor

Das Team setzte nicht einfach auf die Hoffnung, dass irgendein Signal funktionieren würde; zuerst prüften sie statistisch, ob die gewählten Merkmale tatsächlich zwischen Ruhe und Stress unterschieden. Mit standardmäßigen Tests bestätigten sie, dass TAR, HR und LF/HF sich systematisch über die fünf Stufen der Aufgabe änderten, von entspannter Augen-offen-Ruhe bis zu den schwierigsten Rechnungen. Anschließend normierten sie die Daten, sodass Gehirn- und Herzmessungen vergleichbare Skalen hatten, und nutzten Hauptkomponentenanalyse, um zu bestätigen, dass jedes Merkmal einzigartige Informationen beisteuerte, anstatt redundante Informationen zu liefern. Danach bauten sie mehrere klassische Machine-Learning-Modelle — darunter Entscheidungsbäume, k-nächste Nachbarn, lineare Diskriminanzanalyse, naive Bayes, Random Forests und Support-Vektor-Maschinen (SVM) — und trainierten diese, Ruhe von Stress sowie niedrigen von hohem Stress zu unterscheiden, jeweils mit nur EEG, nur EKG oder einer Fusion beider Signale.

Kombinierte Signale steigern die Genauigkeit

In fast allen Vergleichen übertraf das fusionierte Modell, das sowohl EEG als auch EKG nutzte, jene Modelle, die sich auf ein einzelnes Signal stützten. Der SVM-Klassifikator erwies sich als stärkster Ansatz und unterschied Ruhe von den verschiedenen Stressniveaus mit Spitzenwerten der Genauigkeit von etwa 94–95 %. Ein einfacheres, nur auf dem Theta/Alpha-Verhältnis basierendes Gehirnmodell erzielte bereits ansehnliche Werte, doch die Hinzunahme von Herzmaßen verbesserte die Leistung deutlich, insbesondere wenn der Stress subtiler statt extrem war. Technisch gesehen erreichte das kombinierte Modell höhere Accuracy-, Precision- und F1-Werte sowie eine ausgewogenere Leistung über die Klassen hinweg, was zeigt, dass Gehirn und Herz komplementäre Einblicke in dieselbe zugrundeliegende mentale Belastung liefern.

Männer und Frauen reagieren nicht exakt gleich

Da der öffentliche Datensatz das Geschlecht jeder Teilnehmerin und jedes Teilnehmers sorgfältig annotierte, konnten die Autorinnen und Autoren einen Schritt weiter gehen und fragen, ob sich die Muster der Gehirn- und Herzreaktion auf kognitive Belastung zwischen Männern und Frauen unterscheiden. Sie führten ihre Modelle getrennt für die beiden Gruppen erneut aus und fanden, dass Frauen für viele Aufgaben tendenziell höhere Klassifikationswerte erzielten als Männer. Im Durchschnitt zeigten weibliche Teilnehmende leicht höhere Signale für Gehirnaufwand (TAR) und höhere Herzfrequenz unter Belastung, während Männer eine kleine Tendenz zu einem höheren LF/HF-Wert aufwiesen. Obwohl die Unterschiede nicht riesig waren, waren sie stark genug, um in statistischen Tests aufzufallen und von den Machine-Learning-Modellen genutzt zu werden. Das deutet darauf hin, dass ein One‑size‑fits‑all-Stressdetektor womöglich nicht völlig gerecht oder optimal ist.

Was das für künftige intelligente Systeme bedeutet

Für eine nichtfachliche Leserschaft ist das Fazit klar: Man kann eine verlässliche Einschätzung der mentalen Belastung einer Person erhalten, indem man eine kleine Anzahl gut gewählter Signale aus Gehirn und Herz kombiniert — und diese Signale sind bei Männern und Frauen nicht identisch. Diese Arbeit zeigt, dass hohe Leistung nicht zwingend komplexe „Black‑Box“-Deep‑Learning‑Modelle oder Hunderte undurchsichtige Merkmale erfordert; ein kompaktes, interpretierbares Trio — Gehirnrhythmus‑Ratio, Herzfrequenz und Balance der Herzvariabilität —, gefüttert in einen Standardklassifikator, kann beeindruckende Genauigkeit erreichen. Langfristig könnten derartige geschlechtsbewusste, multimodale Systeme tragbare Geräte, Lernplattformen oder sicherheitskritische Schnittstellen antreiben, die diskret erkennen, wenn ein Nutzer überlastet ist, und die Anforderungen in Echtzeit anpassen, um Fehler, Ermüdung und langfristigen Stress zu reduzieren.

Zitation: Salam, A., Alam, F., Shah, D. et al. Improving cognitive stress classification via multimodal EEG and ECG fusion: gender differences in physiological response. Sci Rep 16, 7304 (2026). https://doi.org/10.1038/s41598-026-38356-3

Schlüsselwörter: kognitive Belastung, EEG und EKG, maschinelles Lernen, Geschlechtsunterschiede, physiologische Überwachung