Ein auf Aufmerksamkeit basierendes multimodales Deep-Learning-Framework, das EEG und EKG für verbesserte Stressdetektion integriert

Warum die objektive Erfassung von Stress wichtig ist

Stress prägt, wie wir denken, fühlen und gesund bleiben – doch die meisten bemerken ihn erst, wenn er Probleme verursacht. Diese Studie stellt einen neuen Weg vor, Stress in Echtzeit zu verfolgen, indem Signale von Gehirn und Herz gemeinsam genutzt werden, statt Menschen nur nach ihrem Empfinden zu fragen oder jeweils nur ein Signal zu betrachten. Ziel ist es, unsichtbare Belastung in klare, verlässliche Informationen zu verwandeln, die eines Tages Gesundheitsversorgung, Wohlbefinden am Arbeitsplatz und persönliche mentale Gesundheitsangebote unterstützen könnten.

Grenzen des einfachen Nachfragens nach Befinden

Heute wird Stress oft mit Fragebögen gemessen, die Menschen bitten, sich daran zu erinnern, wie angespannt sie sich in den vergangenen Tagen oder Wochen gefühlt haben. Solche Selbstberichte können durch Erinnerung, Kultur oder das Bedürfnis, „in Ordnung“ zu wirken, verzerrt sein und erfassen keine schnellen körperlichen Veränderungen in einem stressigen Moment. Gleichzeitig sammeln Wearables mittlerweile detaillierte biologische Daten und bieten einen Weg, Stresssignale direkt vom Körper abzulesen. Die Herausforderung besteht darin, diese reichen Datenströme so zu interpretieren, dass sie sowohl Geist als auch Körper widerspiegeln, statt Stress als einzelne Zahl zu behandeln.

Was Gehirnwellen und Herzschläge verraten

Die Forschenden konzentrieren sich auf zwei Signaltypen. Das Elektroenzephalogramm (EEG) zeichnet Gehirnwellen auf und kann Veränderungen zeigen, die mit Konzentration, Sorgen und emotionaler Belastung verbunden sind. Das Elektrokardiogramm (EKG) erfasst Herzschläge und liefert die Herzfrequenzvariabilität, ein feines Maß dafür, wie flexibel das Herz auf Anforderungen reagiert. Unter Stress verändern sich die Gehirnrhythmen und die Herzfrequenzvariabilität sinkt meist, aber nicht immer auf dieselbe Weise bei jeder Person oder Situation. Durch die Kombination dieser beiden Perspektiven zielt die Studie darauf ab, ein reichhaltigeres Bild davon zu zeichnen, wie sich Stress im gesamten Nervensystem zeigt – von Gedanken und Gefühlen bis hin zum Herzen.

Ein intelligentes System, das Gehirn- und Herzsignale verbindet

Das Team entwickelte ein Deep-Learning-Framework, das EEG und EKG als zwei komplementäre Kanäle behandelt. Zunächst werden die Rohsignale sorgfältig bereinigt und neu geformt. Die Gehirnaktivität wird gefiltert, in kurze Zeitfenster unterteilt und in Bilder verwandelt, die zeigen, wie die Energie in verschiedenen Gehirnwellenbändern sich über die Zeit verändert. Herzdaten durchlaufen eine eigene Pipeline, die sowohl den rohen Schlagrhythmus als auch klassische Variabilitätsmaße erfasst. Drei leistungsfähige Bild­erkennungsnetzwerke, ursprünglich auf großen Bilddatenmengen trainiert, werden angepasst, um Muster in diesen transformierten Signalen zu extrahieren. Eine auf Aufmerksamkeit basierende Fusionsschicht lernt dann, wie Beiträge von Gehirn und Herz und sogar von jedem einzelnen Netzwerk je nach Informationsgehalt gewichtet werden sollten.

Test des Systems über verschiedene Stressarten hinweg

Um die Leistungsfähigkeit dieses Ansatzes zu prüfen, trainierten und testeten die Autoren das System an zwei unabhängigen öffentlichen Datensätzen. Einer, genannt WESAD, umfasst Gehirn- und Herzaufzeichnungen von Freiwilligen, die neutrale, angespannte soziale Aufgaben und amüsante Aktivitäten durchlaufen. Der andere, CASE genannt, enthält mehr Probanden und eine Mischung aus mentalen Herausforderungen und emotionalen Szenen und stellt damit einen härteren Test für die allgemeine Anwendbarkeit dar. In beiden Datensätzen konnte das kombinierte EEG‑plus‑EKG-System neutrale, gestresste und positive Zustände mit etwa 95,7 Prozent Genauigkeit unterscheiden. Das übertraf deutlich Varianten, die nur auf Gehirndaten, nur auf Herzdaten oder auf einfachere Signalfusionen setzten, und hielt sich ziemlich stabil, selbst wenn auf einem Datensatz trainiert und auf dem anderen getestet wurde.

Von Laborergebnissen zu Alltagshilfen gegen Stress

Über die hohe Genauigkeit hinaus ist das Modell mit Blick auf den praktischen Einsatz konzipiert. Es kann schnell genug laufen für eine nahezu Echtzeitüberwachung und lässt sich für Geräte mit begrenzter Rechenleistung vereinfachen. Die Aufmerksamkeitsgewichte bieten außerdem Einblick, welche Merkmale am wichtigsten sind, und heben stressrelevante Muster wie erhöhte frontale Gehirnaktivität und reduzierte Herzfrequenzvariabilität hervor. Einfach gesagt zeigt die Studie, dass das Zuhören von Gehirn und Herz und das Überlassen der Gewichtung an ein intelligentes System ein treueres Bild von Stress liefert. Obwohl weitere Arbeit nötig ist, um dies in Kliniken, am Arbeitsplatz und in Konsumentengeräten zu bringen, ist es ein konkreter Schritt in Richtung objektiver, nicht-invasiver Werkzeuge, die Menschen helfen, ihre mentale Belastung zu verstehen und zu bewältigen.

Zitation: 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

Schlüsselwörter: Stressdetektion, EEG, EKG, multimodales Deep Learning, physiologische Signale