Bewertung der kognitiven Belastung mittels Photoplethysmographie und Bioimpedanzreaktionen während mentaler Rechenaufgaben

Warum die Arbeitslast Ihres Gehirns wichtig ist

Egal ob Sie ein Flugzeug fliegen, Patient:innen überwachen oder für eine Prüfung lernen — es gibt Momente, in denen das Gehirn still und leise vom fokussierten zum überlasteten Zustand wechselt. Diese steigende mentale Belastung in Echtzeit messen zu können, könnte helfen, Fehler, Burnout und Unfälle zu verhindern. Diese Studie untersucht eine neue, nichtinvasive Methode, um zu verfolgen, „wie hart Ihr Gehirn arbeitet“, mittels kleiner Sensoren am Hals und an der Stirn, ohne sperrige Hirnmesskappen oder komplizierte Krankenhausgeräte.

Dem Herzschlag des Denkens lauschen

Anstatt Hirnwellen aufzuzeichnen, nutzten die Forschenden die enge Wechselwirkung zwischen Gehirn und Herz. Wenn wir eine anspruchsvolle Aufgabe bewältigen, schaltet das Nervensystem um: Das Herz schlägt anders, Blutgefäße verengen oder weiten sich, und die Durchblutung wichtiger Hirnregionen verändert sich. Das Team verwendete zwei einfache Techniken, um diese Veränderungen zu erfassen. Ein lichtbasiertes Sensor am Hals (Photoplethysmographie, PPG) zeichnete nach, wieviel Blut durch eine große Arterie fließt, die das Gehirn versorgt. Gleichzeitig erfasste ein Satz winziger Elektroden auf der Stirn (Impedanzplethysmographie, IPG) subtile Änderungen des lokalen Blutvolumens im vorderen Hirnbereich, wo Planung, Zahlenverarbeitung und Entscheidungen stattfinden. Zusammengenommen boten diese Signale ein Fenster sowohl auf die globale als auch die lokale Blutversorgung während mentaler Anstrengung.

Das Denken mit Zahlen unter Druck setzen

Um das Gehirn kontrolliert zu belasten, lösten fünfzehn gesunde Freiwillige im Alter von 20 bis 35 Jahren am Computer Serien von Rechenaufgaben. Die Aufgaben waren in vier Stufen aufgebaut: eine ruhige Ausgangsphase, gefolgt von einfachen einstelligen Additionen, dann zweistelligen Additionen und schließlich schwierigen dreistelligen Summen, die mehr Gedächtnis und Überträge erforderten. Jede kurze Prüfung begann mit Anweisungen auf dem Bildschirm, umfasste fünf Aufgaben und endete mit einer kurzen Pause, während ein Fixationskreuz gezeigt wurde. Währenddessen streamten die Hals- und Stirnsensoren Daten, und der Computer protokollierte, wie schnell und wie genau jede Person antwortete. Wie erwartet führten schwierigere Aufgaben zu langsameren Reaktionen und mehr Fehlern, besonders auf dem höchsten Schwierigkeitsgrad, was bestätigt, dass die Aufgaben die mentale Belastung tatsächlich steigerten.

Verborgene Muster in Blutsignalen entschlüsseln

Die Rohwellenformen der beiden Sensoren wurden in kleine Zeitfenster unterteilt und mit digitalen Filtern von langsamen Drifts und hochfrequentem Rauschen befreit. Aus jedem Fenster extrahierten die Forschenden Dutzende einfacher Kennzahlen: Maximal- und Minimalwerte, Mittelwerte, wie stark das Signal variiert und wie seine Energie über verschiedene Frequenzen verteilt ist. Außerdem bestimmten sie die Abstände zwischen Herzschlägen und die Verzögerung zwischen dem Puls am Hals und dem Puls an der Stirn, eine Größe, die als Pulse Transit Time bekannt ist. Diese numerischen Merkmale wurden dann in drei Standard-Algorithmen des maschinellen Lernens — Entscheidungsbäume, Random Forest und XGBoost — eingespeist, um zu prüfen, ob ein Computer allein aus kardiovaskulären Mustern unterschiedliche Belastungsniveaus erkennen kann.

Wie gut kann ein Computer Ihre mentale Belastung ablesen?

Wenn jede Person ein personalisiertes Modell hatte, war das System bemerkenswert genau. Für die einfache Aufgabe, „entspannt“ von „rechnen“ zu unterscheiden, erreichten alle drei Algorithmen 100 Prozent Genauigkeit. Selbst bei der schwierigeren Vierklassenaufgabe — entspannt, einfach, mittel und schwer — identifizierte die beste Methode, Random Forest, das Niveau in 96 Prozent der Fälle korrekt. Die Leistung sank jedoch, wenn das System versuchte, von einer Personengruppe auf eine andere zu generalisieren: Die Genauigkeit fiel auf etwa zwei Drittel. Das deutet darauf hin, dass Individuen sich stark in ihren Basis-Herz- und Blutflussreaktionen unterscheiden und dass Geräte für den praktischen Einsatz wahrscheinlich eine kurze persönliche Kalibrierung benötigen, um zuverlässig zu funktionieren.

Was die aussagekräftigsten Signale verraten

Bei der Betrachtung, auf welche Merkmale die Algorithmen am stärksten setzten, zeigte sich, dass die IPG-Messungen an der Stirn einen Großteil der nützlichen Information lieferten. Insbesondere lagen Mittel- und Extremwerte des Stirnsignals durchweg an oberster Stelle in der Bedeutung, vor den PPG-Merkmalen vom Hals und der kombinierten Zeitmessgröße. Das passt zur aktuellen Auffassung der Blut–Gehirn-Kopplung: Bei intensiver mentaler Arbeit fordert die vordere Gehirnregion mehr Energie an, und das lokale Blutvolumen verändert sich entsprechend. Der Hals-Sensor trug weiterhin Wert bei, indem er den allgemeinen kardiovaskulären Erregungszustand widerspiegelte, aber die lokalisierten Stirnablesungen lieferten die schärfsten Hinweise auf momentane mentale Anforderungen.

Von Laborsensoren zu intelligenten, sichereren Arbeitsplätzen

Für eine allgemeine Leserschaft lautet die Kernbotschaft: Mentale Anstrengung hinterlässt einen klaren Fingerabdruck in der Art, wie Blut zum und im Gehirn fließt, und dieser Fingerabdruck lässt sich mit kleinen, tragbaren Sensoren erfassen statt mit komplexer Hirnbildgebung. Die Studie zeigt, dass die Kombination eines Lichtsensors am Hals mit einfachen Elektroden auf der Stirn es Algorithmen erlaubt, mehrere Stufen kognitiver Belastung mit einer Genauigkeit zu verfolgen, die mit vielen EEG-basierten Systemen vergleichbar ist — zumindest wenn die Modelle auf eine Person abgestimmt sind. Mit weiterer Verfeinerung und mehr Tragekomfort könnte eine solche Technologie eines Tages helfen, Cockpits, Autos, Klassenzimmer und Leitstände so anzupassen, dass Aufgaben und Warnungen automatisch gesteuert werden und Druck abgebaut wird, bevor Bedienpersonen gefährlich überlastet sind.

Zitation: Huynh, D.N., Tran, T.N., Tran, K.T. et al. Assessment of cognitive load through photoplethysmography and bioimpedance responses during mental arithmetic tasks. Sci Rep 16, 7367 (2026). https://doi.org/10.1038/s41598-026-38782-3

Schlüsselwörter: kognitive Belastung, mentale Rechenaufgaben, tragbare Sensoren, Gehirn–Herz-Interaktion, maschinelles Lernen