マルチモーダルEEGとECGの融合による認知的ストレス分類の改善：生理反応における性差

日常の心的負荷を測ることが重要な理由

現代の生活は締め切りや画面上でのマルチタスクなどで常に注意を引き裂きます。それでも、この圧力が体や脳の内部でリアルタイムに何を引き起こしているかを見る機会はほとんどありません。本研究は、脳と心臓の両方を同時に「聴く」ことで、個人の精神的ストレスがどの程度か、そしてその反応が男性と女性で異なるかを判定する方法を探ります。こうしたツールは、将来的に学校、職場、あるいは自動車が誤りや燃え尽きが生じる前に人々の変化する負荷に適応するのに役立つ可能性があります。

脳と心臓を同時に聴く

精神的負荷がかかると、脳のリズムと心臓の活動はいずれも変化します。研究者らは二つの一般的な医療記録を用いました：脳からの微小な電気信号を追跡する脳波（EEG）と、心拍を監視する心電図（ECG）です。数百もの生データをそのまま投入する代わりに、明確な生理学的意味を持つ三つのコンパクトな指標に注目しました：精神的努力を反映する脳由来のシータ／アルファ比（TAR）、単純な心拍数（HR）、そしてストレス下での自律神経の変化を捉える心拍変動のバランス指標であるLF/HFです。これらの信号は、段階的に難易度を上げる計算課題を行っている間に、66名の健康な大学生から収集され、軽度から強い認知的ストレスを確実に引き起こすよう設計されていました。

生データからスマートなストレス検出器へ

研究チームは単にどれかの信号がうまくいくだろうと期待したわけではなく、まず選んだ特徴量が休息時とストレス時で実際に差があるかを統計的に確認しました。標準的な検定を用いて、TAR、HR、LF/HFが、目を開けてリラックスした休息から最も困難な計算までの五段階で体系的に変化することを確認しました。次に、脳と心臓の測定値が比較できるようデータを正規化し、主成分分析を用いて各特徴が他と重複せず固有の情報を付加していることを確認しました。その後、決定木、k近傍法、線形判別分析、ナイーブベイズ、ランダムフォレスト、サポートベクターマシン（SVM）など複数の古典的機械学習モデルを構築し、EEG単独、ECG単独、あるいは両者の融合を用いて休息とストレス、低ストレスと高ストレスを識別するよう訓練しました。

信号の融合が精度を向上させる

ほとんどすべての比較において、EEGとECGの両方を用いた融合モデルは単一の信号に頼るモデルより優れていました。SVM分類器が最も有力なアプローチとして浮上し、休息と様々なストレスレベルを最大で約94〜95%のピーク精度で正しく識別しました。シータ／アルファ比のみを用いたより単純な脳のみのモデルもまずまずの性能を示しましたが、心臓指標を加えることで特に微妙なストレス時に性能が大幅に向上しました。技術的に言えば、融合モデルは精度、適合率、F1スコアが高く、クラス間の性能バランスも良好であり、脳と心臓が同じ基礎的な精神的負荷に対して補完的な視点を提供していることを示しています。

男性と女性は必ずしも同じ反応を示さない

公開データセットに参加者の性別が詳細にラベル付けされていたため、著者らは脳と心臓の認知的ストレスに対する反応パターンが男性と女性で異なるかどうかをさらに調べることができました。彼らは各グループ別にモデルを再実行し、多くの課題で女性の分類スコアが男性より高い傾向があることを見出しました。平均して、女性は負荷下で若干高めの脳の努力信号（TAR）と高い心拍数を示し、男性はLF/HFバランスがやや高い傾向を示しました。差は非常に大きくはありませんでしたが、統計検定で有意と判断され、機械学習モデルもそれを利用できる程度に十分な違いが確認されました。これは一律のストレス検出器が必ずしも公平でも最適でもない可能性を示唆します。

今後のスマートシステムへの示唆

一般読者にとっての結論は明快です：脳と心臓から慎重に選ばれた少数の信号を組み合わせれば、誰かがどれほど精神的にストレスを受けているかを信頼性高く読み取れる、ということ。そしてその信号は男性と女性で同一ではありません。本研究は、高性能を達成するのに複雑な「ブラックボックス」深層学習や数百の不透明な特徴量は必ずしも必要でないことを示しています。脳リズム比、心拍数、心拍変動のバランスという解釈可能な三つ組を標準的な分類器に入力するだけで、印象的な精度に到達できます。長期的には、こうした性差を考慮したマルチモーダルなシステムがウェアラブル機器、学習プラットフォーム、あるいは安全性が重要なインターフェースに組み込まれ、ユーザーが負荷過多になったときに静かに検知して要求を調整し、誤りや疲労、長期的なストレスの軽減に寄与する可能性があります。

引用: Salam, A., Alam, F., Shah, D. et al. Improving cognitive stress classification via multimodal EEG and ECG fusion: gender differences in physiological response. Sci Rep 16, 7304 (2026). https://doi.org/10.1038/s41598-026-38356-3

キーワード: 認知的ストレス, EEGとECG, 機械学習, 性差, 生理学的モニタリング