Poprawa klasyfikacji stresu poznawczego poprzez multimodalną fuzję EEG i ECG: różnice związane z płcią w odpowiedzi fizjologicznej

Dlaczego warto mierzyć codzienne obciążenie umysłowe

Współczesne życie ciągle odciąga naszą uwagę — od napiętych terminów po wielozadaniowość przed ekranami. Rzadko jednak widzimy, co ten nacisk robi w czasie rzeczywistym w naszych ciałach i mózgach. Badanie to bada sposób „słuchania” jednocześnie mózgu i serca, by ocenić, jak bardzo ktoś jest psychicznie zestresowany, oraz czy ta odpowiedź różni się między mężczyznami a kobietami. Takie narzędzia mogłyby w przyszłości pomóc szkołom, zakładom pracy, a nawet samochodom adaptować się do zmiennego obciążenia poznawczego użytkowników, zanim pojawią się błędy lub wypalenie.

Słuchanie mózgu i serca jednocześnie

Gdy jesteśmy pod obciążeniem umysłowym, zmieniają się zarówno rytmy mózgowe, jak i aktywność serca. Badacze wykorzystali dwa powszechne zapisy medyczne: elektroencefalogram (EEG), śledzący drobne sygnały elektryczne z mózgu, oraz elektrokardiogram (ECG), monitorujący uderzenia serca. Zamiast wprowadzać setki surowych pomiarów, skupili się na trzech zwartej postaci wskaźnikach o jasnym znaczeniu fizjologicznym: stosunku theta/alpha (TAR) opartym na aktywności mózgowej, który odzwierciedla wysiłek umysłowy, prostej częstości akcji serca (HR) oraz miary równowagi zmienności serca zwanej LF/HF, która pokazuje, jak układ nerwowy przesuwa się pod wpływem stresu. Sygnały te zbierano od 66 zdrowych studentów uczelni podczas wykonywania coraz trudniejszych zadań arytmetycznych zaprojektowanych tak, by wiarygodnie wywoływać od łagodnego do silnego stresu poznawczego.

Od surowych sygnałów do inteligentnego detektora stresu

Zespół nie polegał jedynie na nadziei, że dowolny sygnał zadziała; najpierw sprawdzili statystycznie, czy wybrane cechy rzeczywiście różnią się między odpoczynkiem a stresem. Przy użyciu standardowych testów potwierdzili, że TAR, HR i LF/HF zmieniały się w sposób systematyczny w pięciu etapach zadania, od odprężonego odpoczynku z otwartymi oczami do najtrudniejszych obliczeń. Następnie znormalizowali dane tak, aby miary mózgowe i sercowe miały porównywalne skale, i zastosowali analizę głównych składowych, by potwierdzić, że każda cecha wnosi unikalną informację, a nie dubluje tego, co już przechwytuje inna. Kolejnym krokiem było zbudowanie kilku klasycznych modeli uczenia maszynowego — w tym drzew decyzyjnych, k-najbliższych sąsiadów, liniowej analizy dyskryminacyjnej, naiwnych Bayes, lasów losowych oraz maszyn wektorów nośnych (SVM) — i wytrenowanie ich do rozróżniania odpoczynku od stresu oraz rozdzielenia niskiego od wysokiego stresu, wykorzystując albo samo EEG, albo samo ECG, albo fuzję obu.

Łączenie sygnałów zwiększa trafność

We większości porównań model łączony korzystający zarówno z EEG, jak i ECG przewyższał modele oparte na jednym sygnale. Klasyfikator SVM okazał się najsilniejszym podejściem, poprawnie rozróżniając odpoczynek od różnych poziomów stresu z maksymalną dokładnością sięgającą około 94–95%. Prostszym modelem opartym jedynie na stosunku theta/alpha również osiągano przyzwoite wyniki, ale dodanie miar sercowych znacząco poprawiało wydajność, zwłaszcza gdy stres był subtelny, a nie skrajny. Mówiąc technicznie, model łączony osiągał wyższą dokładność, precyzję i wynik F1 oraz bardziej zrównoważone wyniki między klasami, co pokazuje, że mózg i serce dostarczają uzupełniających się perspektyw na to samo leżące u podstaw obciążenie umysłowe.

Mężczyźni i kobiety nie reagują dokładnie tak samo

Ponieważ publiczny zbiór danych starannie oznaczył płeć każdego uczestnika, autorzy mogli pójść o krok dalej i zapytać, czy wzorce mózgowej i sercowej odpowiedzi na stres poznawczy różnią się między mężczyznami a kobietami. Uruchomili modele oddzielnie dla każdej grupy i stwierdzili, że kobiety miały tendencję do osiągania wyższych wyników klasyfikacji niż mężczyźni dla wielu zadań. Średnio uczestniczki wykazywały nieco wyższe sygnały wysiłku mózgowego (TAR) i wyższe tętno pod obciążeniem, podczas gdy mężczyźni wykazywali niewielką tendencję do wyższej równowagi LF/HF. Chociaż różnice nie były ogromne, były wystarczająco silne, by testy statystyczne je wykryły i by modele uczenia maszynowego mogły z nich korzystać. Sugeruje to, że uniwersalny detektor stresu może nie być całkowicie sprawiedliwy ani optymalny.

Co to oznacza dla przyszłych inteligentnych systemów

Dla czytelnika niebiegłego w temacie wniosek jest prosty: można uzyskać wiarygodny odczyt, jak bardzo ktoś jest psychicznie zestresowany, łącząc niewielką liczbę dobrze dobranych sygnałów z mózgu i serca, a te sygnały nie są identyczne u mężczyzn i u kobiet. Praca ta pokazuje, że wysoka wydajność nie wymaga złożonego „czarnego pudełka” głębokiego uczenia ani setek nieprzezroczystych cech; zwarta, interpretowalna trójka — stosunek rytmów mózgowych, częstość akcji serca i równowaga zmienności serca — podana do standardowego klasyfikatora może osiągnąć imponującą dokładność. W dłuższej perspektywie takie systemy multimodalne z uwzględnieniem płci mogłyby zasilać urządzenia noszone, platformy edukacyjne czy interfejsy krytyczne dla bezpieczeństwa, które dyskretnie wyczuwają przeciążenie użytkownika i dostosowują wymagania w czasie rzeczywistym, pomagając zmniejszyć błędy, zmęczenie i długoterminowy stres.

Cytowanie: 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

Słowa kluczowe: stres poznawczy, EEG i ECG, uczenie maszynowe, różnice związane z płcią, monitorowanie fizjologiczne