Valutazione del carico cognitivo tramite fotopletismografia e risposte di bioimpedenza durante compiti di calcolo mentale

Perché il carico di lavoro del cervello conta

Sia che tu stia pilotando un aereo, monitorando pazienti o studiando per un esame, ci sono momenti in cui il cervello passa silenziosamente da uno stato di concentrazione a uno di sovraccarico. Essere in grado di misurare quell’aumento di sforzo mentale in tempo reale potrebbe aiutare a prevenire errori, esaurimento e incidenti. Questo studio esplora un nuovo metodo non invasivo per tracciare “quanto il tuo cervello sta lavorando” usando piccoli sensori sul collo e sulla fronte, evitando cuffie cerebrali ingombranti o apparecchiature ospedaliere complesse.

Ascoltare il battito del pensiero

Invece di registrare le onde cerebrali, i ricercatori hanno sfruttato il legame stretto tra cervello e cuore. Quando affrontiamo un compito impegnativo, il sistema nervoso cambia modalità: il battito cardiaco si modifica, i vasi sanguigni si restringono o si rilassano e il flusso di sangue verso regioni chiave del cervello cambia. Il team ha usato due tecniche semplici per percepire questi cambiamenti. Un sensore ottico sul collo (fotopletismografia, o PPG) ha tracciato quanto sangue pulsava attraverso un’arteria principale che alimenta il cervello. Allo stesso tempo, un insieme di minuscoli elettrodi sulla fronte (impedenziopletismografia, o IPG) ha rilevato sottili variazioni del volume ematico locale nella parte anteriore del cervello, dove gestiamo pianificazione, numeri e decisioni. Insieme, questi segnali hanno offerto una finestra sia sull’apporto ematico globale sia su quello locale durante lo sforzo mentale.

Mettere sotto pressione la mente con i numeri

Per stressare il cervello in modo controllato, quindici volontari sani, di età compresa tra 20 e 35 anni, hanno risolto serie di problemi aritmetici mentali al computer. I compiti erano organizzati in quattro fasi: una baseline rilassata, seguita da addizioni semplici a una cifra, poi addizioni a due cifre e infine somme più difficili a tre cifre che richiedevano maggiore memoria e riporto. Ogni breve prova iniziava con istruzioni sullo schermo, proseguiva con cinque problemi e si concludeva con un breve riposo mentre lo schermo mostrava una croce di fissazione. Nel frattempo, i sensori su collo e fronte trasmettevano dati, mentre il computer registrava velocità e precisione delle risposte di ciascuna persona. Come previsto, i problemi più impegnativi hanno portato a risposte più lente e a più errori, specialmente al livello più difficile, confermando che i compiti aumentavano effettivamente il carico mentale.

Decodificare pattern nascosti nei segnali ematici

Le forme d’onda grezze dei due sensori sono state suddivise in piccole finestre temporali e ripulite con filtri digitali per rimuovere derive lente e rumore ad alta frequenza. Da ciascuna finestra i ricercatori hanno estratto dozzine di descrittori semplici: valori massimi e minimi, medie, ampiezza della variazione del segnale e come la sua energia era distribuita tra diverse frequenze. Hanno anche misurato il tempo tra i battiti cardiaci e il ritardo tra il polso al collo e quello alla fronte, una quantità nota come tempo di transito del impulso (pulse transit time). Queste caratteristiche numeriche sono state quindi inserite in tre algoritmi di machine learning pronti all’uso—Decision Trees, Random Forest e XGBoost—per verificare se un computer potesse apprendere a distinguere i diversi livelli di carico mentale soltanto dai pattern cardiovascolari.

Quanto bene un computer può leggere il tuo stato di sforzo mentale?

Quando ogni persona aveva un modello personalizzato, il sistema si è dimostrato sorprendentemente accurato. Per il compito semplice di distinguere “rilassato” da “in attività matematica”, tutti e tre gli algoritmi hanno raggiunto il 100 percento di accuratezza. Anche per il problema più complesso a quattro classi—rilassato, facile, medio e difficile—il metodo migliore, Random Forest, ha identificato correttamente il livello nel 96 percento dei casi. Tuttavia, le prestazioni sono diminuite quando il sistema ha provato a generalizzare da un gruppo di persone a un altro, con l’accuratezza che è scesa a circa due terzi. Questo suggerisce che gli individui differiscono fortemente nelle risposte basali del cuore e del flusso sanguigno, e che dispositivi reali potrebbero necessitare di una breve calibrazione personale per funzionare in modo affidabile per ogni utente.

Cosa ci dicono i segnali più rivelatori

Esaminando su quali caratteristiche gli algoritmi facevano maggiormente affidamento, i ricercatori hanno scoperto che le misure IPG basate sulla fronte contenevano gran parte dell’informazione utile. In particolare, il valore medio e i valori estremi del segnale frontale sono risultati costantemente tra i più importanti, davanti alle caratteristiche PPG del collo e alla misura temporale combinata. Questo è coerente con l’attuale comprensione dell’accoppiamento sangue–cervello: quando svolgiamo un lavoro mentale intenso, la parte anteriore del cervello richiede più “carburante” e il volume ematico locale cambia di conseguenza. Il sensore al collo ha comunque apportato valore riflettendo l’eccitazione cardiovascolare generale, ma le letture localizzate sulla fronte hanno fornito gli indizi più netti sulla domanda mentale momento per momento.

Dai sensori di laboratorio a luoghi di lavoro più intelligenti e sicuri

Per un lettore non specialistico, il messaggio chiave è che lo sforzo mentale lascia un’impronta distintiva nel modo in cui il sangue scorre verso e all’interno del cervello, e che questa impronta può essere catturata con piccoli sensori indossabili invece di apparecchiature complesse di scansione cerebrale. Lo studio dimostra che combinare un sensore ottico sul collo con semplici elettrodi sulla fronte consente agli algoritmi di monitorare più livelli di carico cognitivo con un’accuratezza paragonabile a molti sistemi basati su EEG, almeno quando sono tarati su un individuo. Con perfezionamenti e maggiore comfort, questa tecnologia potrebbe un giorno aiutare cabine di pilotaggio, automobili, aule e sale di controllo ad adattare automaticamente compiti e allarmi, riducendo la pressione prima che l’operatore umano diventi pericolosamente sovraccarico.

Citazione: 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

Parole chiave: carico cognitivo, calcolo mentale, sensori indossabili, interazione cervello–cuore, machine learning