Beoordeling van cognitieve belasting via fotoplethysmografie en bio-impedantiereacties tijdens rekenopdrachten

Waarom de werklast van je brein ertoe doet

Of je nu een vliegtuig bestuurt, patiënten bewaakt of voor een tentamen studeert, er zijn momenten waarop je brein stilletjes van gefocust naar overbelast verschuift. Die toenemende mentale inspanning in realtime kunnen meten zou helpen fouten, burn-out en ongelukken te voorkomen. Deze studie onderzoekt een nieuwe, niet-invasieve manier om bij te houden „hoe hard je brein werkt” met kleine sensoren op de nek en het voorhoofd, zonder omvangrijke breindakens of ingewikkelde ziekenhuisapparatuur.

Luisteren naar het hart van denken

In plaats van hersengolven op te nemen, maakten de onderzoekers gebruik van de nauwe samenwerking tussen hersenen en hart. Als we een veeleisende taak uitvoeren, schakelt het zenuwstelsel: het hart klopt anders, bloedvaten spannen aan of ontspannen, en de bloedtoevoer naar belangrijke hersengebieden verandert. Het team gebruikte twee eenvoudige technieken om deze veranderingen te waarnemen. Een lichtgebaseerde sensor op de nek (fotoplethysmografie, of PPG) volgde hoeveel bloed er door een belangrijke arterie naar het hoofd pulste. Tegelijkertijd detecteerde een setje kleine elektroden op het voorhoofd (impedantieplethysmografie, of IPG) subtiele verschuivingen in het lokale bloedvolume aan de voorkant van de hersenen, waar we plannen, rekenen en beslissen. Samen boden deze signalen een venster op zowel de globale als de lokale bloedvoorziening tijdens mentale inspanning.

De geest onder druk zetten met cijfers

Om het brein gecontroleerd te belasten, losten vijftien gezonde vrijwilligers van 20 tot 35 jaar reeksen rekenproblemen op een computer op. De taken waren in vier fasen opgebouwd: een ontspannen basislijn, gevolgd door eenvoudige optellingen met één cijfer, daarna optellingen met twee cijfers en ten slotte zwaardere sommen met drie cijfers die meer geheugen en cijferoverdracht vergden. Elke korte proef startte met instructies op het scherm, vervolgde met vijf problemen en eindigde met een korte rustpauze terwijl er een fixatiekruis werd getoond. Gedurende de hele tijd zonden de nek- en voorhoofdssensoren gegevens, terwijl de computer registreerde hoe snel en nauwkeurig elke deelnemer antwoordde. Zoals verwacht leidden zwaardere problemen tot tragere reacties en meer fouten, vooral op het moeilijkste niveau, wat bevestigt dat de taken de mentale belasting inderdaad opvoerden.

Verborgen patronen in bloedsignalen ontcijferen

De ruwe golfvormen van de twee sensoren werden in kleine tijdvensters gesneden en met digitale filters ontdaan van langzame drift en hoogfrequente ruis. Uit elk venster haalden de onderzoekers tientallen eenvoudige beschrijvende kenmerken: maxima en minima, gemiddelden, hoe sterk het signaal varieerde en hoe de energie over verschillende frequenties verdeeld was. Ze maten ook de timing tussen hartslagen en de vertraging tussen de nekpuls en de voorhoofdpuls, een grootheid die bekendstaat als pulse transit time. Deze numerieke kenmerken werden vervolgens gevoed aan drie kant-en-klare machine-learningalgoritmes—Decision Trees, Random Forest en XGBoost—om te onderzoeken of een computer enkel uit cardiovasculaire patronen verschillende niveaus van mentale belasting kon leren onderscheiden.

Hoe goed kan een computer je mentale spanning lezen?

Wanneer elke persoon een gepersonaliseerd model had, was het systeem opmerkelijk nauwkeurig. Voor de eenvoudige taak om „ontspannen” te onderscheiden van „rekenwerk” bereikten alle drie algoritmes 100 procent nauwkeurigheid. Zelfs voor de moeilijkere vier-klassen classificatie—ontspannen, makkelijk, gemiddeld en zwaar rekenen—herkende de beste methode, Random Forest, het niveau in 96 procent van de gevallen correct. De prestaties daalden echter toen het systeem moest generaliseren van de ene groep mensen naar een andere, met een nauwkeurigheid die ongeveer tot twee derde terugliep. Dit suggereert dat individuen sterk verschillen in hun basis hart- en bloedstroomsreacties, en dat apparaten voor dagelijks gebruik waarschijnlijk een korte persoonlijke kalibratie nodig hebben om betrouwbaar voor elke gebruiker te werken.

Wat de meest onthullende signalen ons vertellen

Door te analyseren op welke kenmerken de algoritmes het meest vertrouwden, ontdekten de onderzoekers dat de op het voorhoofd gemeten IPG-metingen veel van de bruikbare informatie bevatten. Met name de gemiddelde en uiterste waarden van het voorhoofdsignaal rangschikten consequent het hoogst in belang, voor de PPG-kenmerken van de nek en de gecombineerde timingmaat. Dit sluit aan bij het huidige begrip van bloed–hersen koppeling: wanneer we hard mentaal werken, vraagt de voorkant van de hersenen om meer brandstof en verandert het lokale bloedvolume dienovereenkomstig. De neksensor voegde nog steeds waarde toe door de algemene cardiovasculaire opwinding te weerspiegelen, maar de gelokaliseerde voorhoofdmetingen leverden de scherpste aanwijzingen voor moment-tot-moment mentale vraag.

Van labsensoren naar slimme, veiligere werkplekken

Voor een niet-specialist is de kernboodschap dat mentale inspanning een duidelijk vingerafdruk achterlaat in de manier waarop bloed naar en binnen de hersenen stroomt, en dat deze vingerafdruk kan worden vastgelegd met kleine, draagbare sensoren in plaats van complexe hersenscanapparatuur. De studie laat zien dat het combineren van een lichtsensor op de nek met eenvoudige elektroden op het voorhoofd algoritmes in staat stelt meerdere niveaus van cognitieve belasting te volgen met een nauwkeurigheid vergelijkbaar met veel EEG-gebaseerde systemen, althans wanneer het op een individu is afgestemd. Met verfijning en meer comfort zou zulke technologie op een dag kunnen helpen dat vliegtuigcockpits, auto’s, klaslokalen en controlekamers taken en waarschuwingen automatisch aanpassen, en zo de druk verlichten voordat de menselijke operator gevaarlijk overbelast raakt.

Bronvermelding: 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

Trefwoorden: cognitieve belasting, mentale rekenactiviteiten, draagbare sensoren, hersenen–hart interactie, machine learning