מיון סטרס מבוסס EEG באמצעות תכונות במישור הזמן וטכניקות חיתוך

מדוע סטרס במוח חשוב לחיים היומיומיים

סטרס מעצב את האופן שבו אנו מרגישים, חושבים ופועלים, אך בדרך כלל נמדד באמצעות שאלונים שמבקשים מהאנשים לדווח על תחושותיהם. כלים אלה מועילים אך סובייקטיביים ואינם יכולים לעקוב אחרי עליות וירידות של הסטרס לאורך יום. המחקר חוקר האם סט קטן של חיישני גלי מוח יכול להציע דרך אובייקטיבית ומהירה להבדיל בין מי בסטרס לבין מי שאינו, באמצעות שיטות פשוטות דיה לשילוב בכובעי ראש עתידיים או במכשירים נישאים אחרים.

להאזין לסטרס דרך גלי המוח

החוקרים פנו לאלקטרואנצפלוגרפיה, או EEG, שמקליטה את הפעילות החשמלית של המוח מחיישנים המונחים על הקרקפת. הם השתמשו במאגר ציבורי גדול של מתנדבים בריאים שלרמות הלחץ שלהם כבר ניתנו ציונים באמצעות שאלון סטנדרטי. במקום להישען על מספר רב של חיישנים, הם התרכזו בארבעה בלבד שמוקמו על המצח ובצדי הראש, אזורים המקושרים לרגשות ולבקרת סטרס. לכל אדם הוקלטו כשמונה דקות של פעילות מנוחה, מה שסיפק מקטע נתונים ארוך שבו עשויים להסתתר דפוסים הקשורים לסטרס.

חיתוך אותות ארוכים לרגעים קצרים

כדי להבין את ההקלטות הארוכות, הצוות חיתך את ה‑EEG של כל משתתף לחתיכות קצרות, או חלונות. הם ניסו שתי אסטרטגיות פשוטות. בגישה ללא חפיפה, אות של שמונה הדקות נחתך לקבצי עשר שניות רצופות שאינן חולקות נתונים. בגישה החופפת, החלונות חלשו לאורך ההקלטה כאשר חלקים משותפים מופיעים בחלונות עוקבים, מה שהניב יותר אך חלקית חוזרות של תמונות מצב. השוואת שתי הדרכים לחיתוך עזרה לצוות לראות איזו מהן מספקת מידע נקי ושימושי יותר לגבי סטרס.

הפיכת הגלים הגולמיים למספרים שחשבונות יבינו

ברגע שהוחלטו החלונות, כל חתיכת נתוני גלי מוח הומרה לקבוצת תכונות מספריות בסיסיות שתופסות את צורתה והווריאציה שלה. אלה כללו רעיונות מוכרים כמו ערך ממוצע, פיזור ואנרגיה, וכן עד כמה האות עולה ויורד במהירות וכמה הוא צפוי. מתוך 20 תכונות כאלה לכל חלון, שיטה מבוססת מידע בחרה את אלה שנשאו את הרמזים המועילים ביותר לגבי שייכותו של האדם לקבוצה הסטרסית או הלא‑סטרסית. במקרים רבים, תכונות שנלקחו מחיישן קדמי יחיד בצד הימני של הראש בלטו כמידעי במיוחד.

לאפשר לאלגוריתמים פשוטים לסווג סטרס מול רוגע

עם סט תכונות קומפקטי בידיהם, המחברים בחנו חמש שיטות למידת מכונה מוכנות לשימוש כדי לראות עד כמה במדויק הן מפרידות מתנדבים בסטרס מאלו שאינם. הם השתמשו בגישת בדיקה סטנדרטית שבה הנתונים מתחלקים שוב ושוב לחלקי אימון ובדיקה כדי להעריך את הביצועים באופן הוגן. לאורך ניסויים אלה, שיטה בשם k שכנים קרובים (k nearest neighbors), המסווגת כל דוגמה חדשה על פי השוואתה לשכניה הקרובים ביותר בנתונים, הציגה ביצועים הטובים ביותר. בהסתמך על חלונות ללא חפיפה מהארבעה חיישנים, היא תייגה נכון את מצב הסטרס בכ‑96 מתוך 100 מקרים, ובעצם התעלה על מספר שיטות פופולריות אחרות שמופיעות במחקרי EEG.

מה משמעות הדבר למעקב סטרס בעתיד

המסר המרכזי לקוראים הוא שזיהוי מדויק של סטרס עשוי לא לדרוש למידה עמוקה או סורקי מוח גדולים ורבים ערוצים. העבודה מראה כי מספר מוגבל של חיישנים, דרכים פשוטות לחתוך אותות למקטעים קצרים וסיכומים מספריים ברי‑יישום יכולים יחד לספק רמזים חזקים לגבי מי נמצא בסטרס. בעוד שדרוש עוד מחקר כדי לבדוק מערכות כאלו בהקשרים יומיומיים ועל קבוצות חדשות של אנשים, המחקר מציע שצמידי ראש עתידיים או מכשירים נישאים אחרים עשויים לעקוב בשקט אחרי סטרס דרך פעילות המוח ולעזור לאנשים להבחין בו ולנהל אותו מוקדם יותר.

ציטוט: Rauf, U., Zahid, A., Qadeer, A. et al. EEG-based stress classification using time-domain features and segmentation techniques. Sci Rep 16, 16568 (2026). https://doi.org/10.1038/s41598-026-50857-9

מילות מפתח: זיהוי סטרס באמצעות EEG, גלי מוח, למידת מכונה, חיישנים נישאים, מעקב בריאות נפשית