זיהוי רגשות ממוקד וידאו עבור מכשירי EEG ניידים

למה הווידאוים שלכם עשויים לדעת איך אתם מרגישים

דמיינו שאתם צופים בטריילר לסרט בזמן סרט לייט־וייט שקט מאזין למוחכם ומנחש אם אתם מרוצים, רגועים, עצובים או מפוחדים. מחקר זה חוקר כיצד להפוך תרחיש כזה למציאות בעזרת מכשיר EEG קטן ונייד במקום ציוד מעבדה כבד. העבודה חשובה לכל מי שמתעניין במדיה חכמה: ממפרסמים שרוצים להבין תגובות קהל, ועד לפלטפורמות סטרימינג שיכולות להמליץ על תוכן על סמך האופן שבו צופים באמת מרגישים, ולא רק לפי מה שהם לוחצים עליו.

לקרוא רגשות מגלי מוח

המוח שלנו מייצר אותות חשמליים חלשים שניתן לקלוט על הקרקפת באמצעות אלקטרואנצפלוגרפיה (EEG). האותות הללו משתנים בעדינות כשאנחנו חווים רגשות שונים. מאגר נתונים מחקרי פופולרי בשם DEAP הקליט EEG של אנשים בזמן שצפו בקליפים מוזיקליים ואחר כך ביקש מהם לדרג עד כמה כל קליפ היה נעים, עוצמתי, בשליטה ונעים להם. רוב המחקרים הקודמים ניסו להשיג דיוק מקסימלי באמצעות הרבה אלקטרודות ומחשבים חזקים, אך תחת תנאי מעבדה אידיאליים שאינם משקפים את העולם האמיתי. מאמר זה שואל שאלה מעשית יותר: עם מכשיר נייד זול ופחות אלקטרודות, האם עדיין ניתן ללכוד את הרגש המרכזי שמגרים הווידאו מעוררים ברוב האנשים?

למצוא סיפור רגשי משותף

מכשול אחד הוא שאנשים אינם מתארים את רגשותיהם באותה צורה. שני צופים יכולים לצפות באותו קטע — האחד יקרא לו "מרגש" והשני "בסדר־גמור". החוקרים מתמודדים עם זה על‑ידי בניית מערכת כיול תיוגים שלב אחרי שלב, שמחפשת דפוסים בין הצופים במקום להסתמך על דירוג של אדם בודד. ראשית, כל הדירוגים מומרצים לסקל משותפת ודחוסים לכמה ממדים מרכזיים. לאחר מכן, אשכולות לא מפוקחים מקבצים תגובות רגשיות דומות, במטרה לחלק את הווידאוים לארבע פינות רחבות במרחב הרגשי: שמח (נעים ועוצמתי), רגוע (נעים ושקט), מפוחד (לא נעים ועוצמתי) ועצוב (לא נעים ושקט). שלב חיתוך סופי מלטש תיקים לא ודאיים בהתבסס על מידע דירוג נוסף, ומניב תווית רגש דומיננטית לכל וידאו שמשקפת טוב יותר את התרשמות הקבוצה הכוללת.

להפיק יותר מחומרה פחותה

אתגר נוסף הוא החומרה: כובעי EEG מלאים עם 32 אלקטרודות ומעלה מביכים ויקרים. הצוות מעצב דרך לצמצם זאת ל־11 מיקומים שנבחרו בקפידה על המצח, במרכז, בצדדים ובחלק האחורי של הראש — אזורים הקשורים לבקרת רגש, עוררות, שמיעה, ראייה ותשומת לב. הם מבצעים ניתוח מפורט של איך אנרגיית האות מתפזרת ברצועות גל קלאסיות (מגלים איטיים למהירים) במצבים רגשיים שונים. בהשוואת דפוסים אלה הם מראים כי שילובים מסוימים של תדירויות ומיקומי קרקפת נושאים רמזים חזקים במיוחד לגבי האם צופה, למשל, בעל עוררות גבוהה או מרגיע עמוק. גישת יחס אנרגיה רב־רצועתית זו מאפשרת לשמר את האותות המידעיים ביותר תוך השלכת רבות מהעודף.

לתת לנתונים להבליט מה שחשוב

גם עם פחות אלקטרודות, כל שנייה של הקלטה מכילה שפע ערכים. כדי לא להציף את המודלים, המחברים משלבים כמה סוגי תכונות — כגון מדדי אנרגיה מבוססי גליות, עד כמה אזורים מוחיים שונים מתנודדים יחד, וכיצד ההספק בתדרים שונים משתנה לאורך זמן — לתיאור עשיר אך מאורגן של כל צפייה. שלב בחירת חשיבות מונחה סלניות מדורג את התכונות לפי כמה הן מועילות להבחין בין רגשות, ושומר רק תת‑קבוצה קומפקטית. באמצעות ייצוג מצומצם זה, שלושה מודלים סטנדרטיים של למידת מכונה מאומנים לזהות איזו מהארבע תוויות רגשות דומיננטיות מתאימה ביותר לווידאו נתון. במבחנים תובעניים שבהם המערכת חייבת להתכלל לאנשים חדשים לגמרי, הדגם הטוב ביותר מגיע לכ־45% דיוק — תוצאה מוצקה לבחירה בארבע אפשרויות עם נתוני מוח רועשים ורק 11 ערוצים.

מה זה אומר לטכנולוגיה יומיומית

עבור קוראים שאינם מומחים, המסר המרכזי הוא שאפשר להתחיל להעריך כיצד קבוצות אנשים מרגישות לגבי וידאוים באמצעות מכשירי EEG קטנים וניידים במקום מערכות מעבדה מלאות. על‑ידי ניקוי תוויות הרגש, התמקדות בחלקים המידעיים ביותר של אות ה‑EEG ובחירת רק מספר חיישנים ממוקמים היטב, המחברים מראים שאפשר לזהות את הטון הרגשי הדומיננטי של וידאו — שמח, רגוע, מפוחד או עצוב — בקרב צופים. המערכת אינה מושלמת, אך היא מצביעה לכיוון כלים פרקטיים למעקב רגש הקהל, בדיקות תוכן והמלצות רגישות לרגש, המבוססות על תגובות מוח אובייקטיביות ולא רק על סקרים או לחיצות.

ציטוט: Wen, X., Xu, W., Tian, L. et al. Video-dominant emotion recognition for portable EEG-based devices. Sci Rep 16, 7899 (2026). https://doi.org/10.1038/s41598-026-39315-8

מילות מפתח: זיהוי רגשות ב‑EEG, ממשק מוח‑מחשב, ניתוח השפעת וידאו, מדעי מוח לבישים, חישוביות אפקטיבית