מסגרת למידה עמוקה דו‑ענפית לזיהוי רגשות מתוך אותות EEG

מדוע קריאת גלי מוח עשויה לשפר את מצב הרוח

בעיות בריאות נפשית כמו סטרס, חרדה ודיכאון נוטות להתפתח לאט לפני שאנו או הסובבים אותנו שמים לב במלואן. מה אם מכשירים יומיומיים יכלו לעקוב באופן שקט אחרי המצב הרגשי שלנו ולהתריע כאשר ייתכן שנצטרך הפסקה או תמיכה? מאמר זה בוחן שיטה חדשה לקריאת דפוסים בפעילות המוחית, באמצעות כיסוי שמקליט אותות חשמליים מהקרקפת, ומשלב אותם עם בינה מלאכותית מודרנית כדי לזהות רגשות במהירות, בדיוק ובמעט כוונון ידני.

הפיכת אותות מוח לרמזים רגשיים

המוח שלנו מייצר באופן קבוע פולסים חשמליים זעירים שניתן למדוד באמצעות טכנולוגיה הנקראת EEG, קיצור של אלקטרואנצפלוגרפיה. האותות האלה משתנים בעדינות כשאנחנו מרגישים רגועים, לחוצים או מצחיקים. שיטות מסורתיות לפרשנות נתוני EEG תלויות במידה רבה במומחים שמייצרים מאפיינים מתמטיים מהאותים הגולמיים — תהליך איטי ושברירי שאינו מתרגם היטב ממחקר למחקר. המחברים שואפים להחליף את העבודה הידנית הזאת במערכת מקצה‑לקצה שלומדת ישירות מהנתונים, כדי שזיהוי רגשות יהיה אמין יותר וקל יותר לפריסה במעקב בריאות נפשית במציאות.

שני מסלולים להבנת אותו אות

ליבת המחקר היא מודל למידה עמוקה דו‑ענפי שבוחן את אותו אות EEG בשתי דרכים משלימות. ענף אחד מתמקד בהתפתחות האות לאורך זמן, ומזין את רצפי גלי המוח הגולמיים לסוג של רשת נוירונים בשם LSTM שמצטיינת במעקב אחרי דפוסים וקצבים. הענף השני ממיר את אותו אות למפת תדרים, בדומה לדרך שבה מהנדסי קול מציגים אודיו, ומעביר את המפה הזו דרך רשת קונבולוציה שמומחית בזיהוי דפוסים מקומיים. בכך שאחד הענפים מתמחה בזמן והשני בתדירות, המערכת אוספת מידע עשיר יותר לגבי האופן שבו רגשות שונים מופיעים במוח.

מאפשרים לשתי הצפיות ללמד זו את זו

במקום להתייחס לשני הענפים כמומחים נפרדים שפוגשים זה את זה רק בסוף, המחברים מעצבים אותם כך שיתקשו בשני הכיוונים. המאפיינים המבוססים על תדרים מומרחים חזרה לצורת אות ונשלחים דרך רשת זמנית נוספת, מה שמעודד את המודל לבדוק האם דפוסים ספקטרליים גם הגיוניים לאורך זמן. בדומה לכך, הסיכום שמפיק הענף הזמני מומר לאות סינתטי, מומר למפת תדרים ונבדק שוב על‑ידי הענף הספקטרלי. החלפה זו קדימה‑ואחורה מסייעת למודל להסתמך על ההיבטים של האות שבאמת חשובים להבחין בין מצבים רגשיים. לבסוף, המודל מאחד את הפרספקטיבות האלה באמצעות אופציות מתמטיות פשוטות שמדגישות היכן שני הענפים מסכימים בהחלט, לפני שהתוצאה נמסרת למסווג קומפקטי שמפיק קטגוריית רגש.

בדיקה בסביבות מציאותיות שונות

כדי לבדוק אם הגישה שלהם מחזיקה מעבר לניסוי מבוקר יחיד, המחברים בוחנים אותה על שלוש מערכות נתונים פומביות שלוכדות רגשות‎ ו‏סטרס בסיטואציות שונות מאוד. אחת משתמשת בסרט ראש צרכני כדי להקליט תחושות חיוביות, ניטרליות ושליליות בזמן שאנשים צופים בקליפים קולנועיים. השנייה עוקבת אחרי מתנדבים הלובשים חיישנים על החזה והפרק כף היד במהלך ראיונות מלחיצים, קווי בסיס שקטים וסרטונים מצחיקים. השלישית מתצפתת על עובדי משרד המתמודדים עם לחץ זמן והפרעות לאורך משבים ארוכים. בכל התרחישים, המכשירים והמשתתפים השונים, המודל הדו‑ענפי משיג דיוק מרשים — מעל 96 אחוז במערך הנתונים של גלי המוח ובמעבר מושלם למעשה בשניים האחרים — תוך שמירה על עיצוב יעיל מספיק לשימוש כמעט בזמן אמת.

מה זה אומר לחיי היומיום

במלים פשוטות, המחקר מראה ששילוב שתי צפיות פשוטות אך משלימות של פעילות מוחית, ומתן אפשרות להן לחדד זו את זו ברציפות, יכול להניב מערכת זיהוי רגשות שגם חזקה וגם פרקטית. במקום להסתמך על מאפיינים שבירים שנבנו ביד, המסגרת לומדת ישירות מהנתונים ונשארת חסינה מול אנשים ותנאי הקלטה חדשים. אמנם נדרש עוד עבודה כדי להתאים אותה בין מערכי נתונים, להקטינה עבור מכשירים שנלבשים ולשלב אותות גוף נוספים, אך גישת הדו‑ענפים הזו מצביעה על כלים עתידיים שיכולים לעקוב בשקט אחר רווחתנו הרגשית, להציע אזהרות מוקדמות ותמיכה מותאמת אישית הרבה לפני שהמשבר מתגלה.

ציטוט: Saha, D., Ali, A., Gulvanskii, V. et al. A dual-branch deep learning framework for emotion recognition from EEG signals. Sci Rep 16, 13076 (2026). https://doi.org/10.1038/s41598-026-42998-8

מילות מפתח: זיהוי רגשות מ‑EEG, למידה עמוקה, מעקב בריאות נפשית, ממשקי מוח‑מחשב, גילוי סטרס