Klasyfikacja stresu na podstawie EEG z użyciem cech w dziedzinie czasu i technik segmentacji

Dlaczego stres w mózgu ma znaczenie w życiu codziennym

Stres kształtuje to, jak się czujemy, myślimy i funkcjonujemy, ale zwykle monitoruje się go za pomocą ankiet pytających ludzi o ich samopoczucie. Te narzędzia są wartościowe, lecz subiektywne i nie potrafią obserwować, jak stres rośnie i spada w ciągu dnia. W tym badaniu sprawdzono, czy niewielki zestaw czujników fal mózgowych może zapewnić obiektywny, szybki sposób rozpoznawania, kto jest zestresowany, a kto nie — stosując metody na tyle proste, by zmieścić się w przyszłych opaskach lub innych urządzeniach noszonych.

Słuchając stresu przez fale mózgowe

Badacze zwrócili się ku elektroencefalografii (EEG), która rejestruje aktywność elektryczną mózgu z czujników umieszczonych na skalpie. Skorzystali z dużego publicznego zbioru danych ochotników ze zdrowej populacji, których poziomy stresu zostały ocenione standardowym kwestionariuszem. Zamiast polegać na wielu elektrodach, skupili się na zaledwie czterech umieszczonych nad czołem i po bokach głowy — obszarach powiązanych z emocjami i kontrolą stresu. Każda osoba miała zarejestrowane około ośmiu minut spoczynkowej aktywności mózgu, co dało długi ciąg danych, w którym mogły ukrywać się wzorce związane ze stresem.

Krojenie długich sygnałów na krótkie migawki

Aby uporządkować te długie nagrania, zespół pociął EEG każdej osoby na krótkie fragmenty, zwane oknami. Wypróbowali dwie proste strategie. W podejściu bez nakładania okno dziesięciosekundowe było wycinane po sobie w ośmiominutowym sygnale bez współdzielenia danych. W podejściu z nakładaniem okna przesuwały się wzdłuż nagrania z częściowo wspólnymi odcinkami, dając więcej, lecz częściowo powtarzających się migawkowych próbek. Porównanie tych dwóch sposobów krojenia danych pomogło ocenić, które daje czystsze i bardziej użyteczne informacje o stresie.

Przekształcanie surowych fal w liczby czytelne dla komputera

Gdy okna zostały zdefiniowane, każdy fragment sygnału mózgowego zredukowano do zestawu podstawowych cech liczbowych opisujących jego kształt i zmienność. Były to dobrze znane miary, takie jak wartość średnia, rozrzut i energia, a także to, jak gwałtownie sygnał rośnie i opada oraz jak przewidywalny jest. Z dwudziestu takich cech na okno, metoda oparta na informacji wybrała te, które niosły najwięcej użytecznych wskazówek, czy osoba należy do grupy zestresowanej czy niezestresowanej. W wielu przypadkach cechy pochodzące z jednej przedniej elektrody po prawej stronie głowy okazały się szczególnie informatywne.

Pozwalając prostym algorytmom rozdzielać zestresowanych od spokojnych

Mając kompaktowy zestaw cech, autorzy przetestowali pięć gotowych metod uczenia maszynowego, aby sprawdzić, jak dokładnie potrafią oddzielić ochotników zestresowanych od niezestresowanych. Użyli standardowego podejścia testowego, w którym dane wielokrotnie dzieli się na części treningowe i testowe, by uczciwie oszacować wydajność. W tych próbach najlepiej wypadła metoda k najbliższych sąsiadów, która klasyfikuje nowe przykłady porównując je z najbliższymi sąsiadami w zbiorze danych. Używając okien bez nakładania z czterech czujników, poprawnie określała status stresu w około 96 na 100 przypadków, przewyższając kilka innych popularnych metod często stosowanych w badaniach EEG.

Co to oznacza dla przyszłego monitorowania stresu

Dla czytelników kluczowy wniosek jest taki, że dokładne wykrywanie stresu może nie wymagać głębokiego uczenia ani masywnych, wielokanałowych skanerów mózgu. Praca pokazuje, że umiarkowana liczba czujników, proste sposoby dzielenia sygnału na krótkie segmenty oraz bezpretensjonalne podsumowania liczbowe mogą razem dostarczyć silnych wskazówek, kto jest zestresowany. Chociaż potrzebne są dalsze badania, by przetestować takie systemy w codziennych warunkach i na nowych grupach ludzi, badanie sugeruje, że przyszłe opaski lub inne urządzenia noszone mogą dyskretnie śledzić stres za pomocą aktywności mózgu i pomagać ludziom zauważać oraz zarządzać nim wcześniej.

Cytowanie: 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

Słowa kluczowe: wykrywanie stresu z EEG, fale mózgowe, uczenie maszynowe, czujniki noszone, monitorowanie zdrowia psychicznego