Melhorando a classificação do estresse cognitivo via fusão multimodal de EEG e ECG: diferenças de gênero na resposta fisiológica

Por que medir a tensão mental do dia a dia importa

A vida moderna puxa nossa atenção constantemente, de prazos apertados a multitarefas nas telas. Ainda assim, raramente vemos o que essa pressão provoca dentro de nossos corpos e cérebros em tempo real. Este estudo explora uma forma de “ouvir” o cérebro e o coração ao mesmo tempo para estimar quão mentalmente estressada uma pessoa está e se essa resposta difere entre homens e mulheres. Ferramentas assim poderiam, no futuro, ajudar escolas, locais de trabalho e até carros a se adaptarem à carga mental das pessoas antes que erros ou esgotamento ocorram.

Ouvindo o cérebro e o coração juntos

Quando estamos sob tensão mental, tanto os ritmos cerebrais quanto a atividade cardíaca mudam. Os pesquisadores usaram dois registros médicos comuns: eletroencefalograma (EEG), que acompanha pequenos sinais elétricos do cérebro, e eletrocardiograma (ECG), que monitora batimentos cardíacos. Em vez de alimentar centenas de medidas brutas, eles focaram em apenas três indicadores compactos com significado fisiológico claro: uma razão teta/alpha (TAR) baseada no cérebro que reflete esforço mental, a frequência cardíaca simples (HR) e uma medida de balanço da variabilidade cardíaca chamada LF/HF que captura como o sistema nervoso se desloca sob estresse. Esses sinais foram coletados de 66 estudantes universitários saudáveis enquanto realizavam tarefas de aritmética mental progressivamente mais difíceis, projetadas para disparar de forma confiável estresse cognitivo leve a intenso.

Dos sinais brutos a um detector inteligente de estresse

A equipe não se limitou a esperar que qualquer sinal funcionasse; primeiro verificaram estatisticamente se as características escolhidas realmente diferiam entre repouso e estresse. Usando testes padrão, confirmaram que TAR, HR e LF/HF mudaram de maneira sistemática ao longo dos cinco estágios da tarefa, desde o repouso com olhos abertos até os cálculos mais difíceis. Em seguida, normalizaram os dados para que as medidas cerebrais e cardíacas ficassem em escalas comparáveis e usaram análise de componentes principais para confirmar que cada característica adicionava informação única em vez de duplicar o que outra já captava. Depois, construíram vários modelos clássicos de aprendizado de máquina — incluindo árvores de decisão, k-vizinhos mais próximos, análise discriminante linear, naive Bayes, florestas aleatórias e máquinas de vetores de suporte (SVMs) — e os treinaram para distinguir repouso de estresse, e para separar estresse baixo de alto, usando EEG sozinho, ECG sozinho ou uma fusão de ambos.

Combinar sinais aumenta a precisão

Em quase todas as comparações, o modelo fundido que usou EEG e ECG superou os que se basearam em um único sinal. O classificador SVM emergiu como a abordagem mais forte, distinguindo corretamente repouso dos diferentes níveis de estresse com precisões de pico de até cerca de 94–95%. Um modelo mais simples, apenas cerebral, baseado na razão teta/alpha já teve desempenho razoável, mas adicionar medidas cardíacas melhorou substancialmente o desempenho, especialmente quando o estresse era sutil em vez de extremo. Em termos técnicos, o modelo combinado alcançou maior acurácia, precisão e F1, e um desempenho mais equilibrado entre classes, mostrando que cérebro e coração oferecem visões complementares sobre a mesma carga mental subjacente.

Homens e mulheres não respondem exatamente da mesma forma

Como o conjunto de dados público rotulou cuidadosamente o sexo de cada participante, os autores puderam ir além e perguntar se os padrões de resposta cerebral e cardíaca ao estresse cognitivo diferem entre homens e mulheres. Eles reexecutaram seus modelos separadamente para cada grupo e descobriram que as mulheres tendiam a atingir pontuações de classificação mais altas do que os homens em muitas das tarefas. Em média, as participantes do sexo feminino mostraram sinais de maior esforço cerebral (TAR) e maior frequência cardíaca sob carga, enquanto os homens apresentaram uma pequena tendência a um balanço LF/HF maior. Embora as diferenças não fossem enormes, foram fortes o suficiente para os testes estatísticos as assinalarem e para os modelos de aprendizado de máquina as explorarem. Isso sugere que um detector de estresse único para todos pode não ser inteiramente justo ou ótimo.

O que isso significa para futuros sistemas inteligentes

Para um leitor leigo, a conclusão é direta: é possível obter uma leitura confiável de quão mentalmente estressada uma pessoa está combinando um pequeno número de sinais bem escolhidos do cérebro e do coração, e esses sinais não são idênticos em homens e mulheres. Este trabalho mostra que alto desempenho não exige aprendizado profundo complexo em “caixa preta” nem centenas de características opacas; um trio compacto e interpretável — razão de ritmos cerebrais, frequência cardíaca e balanço da variabilidade cardíaca — alimentado em um classificador padrão pode atingir precisão impressionante. A longo prazo, sistemas multimodais sensíveis ao gênero assim poderiam alimentar dispositivos vestíveis, plataformas de aprendizagem ou interfaces críticas para segurança que detectam discretamente quando um usuário está sobrecarregado e ajustam as demandas em tempo real, ajudando a reduzir erros, fadiga e estresse a longo prazo.

Citação: 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

Palavras-chave: estresse cognitivo, EEG e ECG, aprendizado de máquina, diferenças de gênero, monitoramento fisiológico