Bedömning av kognitiv belastning genom fotopletysmografi och bioimpedanssvar under mentala aritmetikuppgifter

Varför hjärnans arbetsbörda spelar roll

Oavsett om du flyger ett plan, övervakar patienter eller pluggar inför en tenta finns det ögonblick när din hjärna tyst går från fokuserad till överbelastad. Att kunna mäta den stigande mentala ansträngningen i realtid skulle kunna hjälpa till att förebygga misstag, utbrändhet och olyckor. Den här studien undersöker ett nytt, icke-invasivt sätt att följa "hur hårt din hjärna arbetar" med små sensorer på halsen och pannan, vilket undviker tunga hjässmössor eller komplicerad sjukhusutrustning.

Lyssna på tankens hjärtslag

I stället för att spela in hjärnvågor kopplade forskarna in det täta samarbetet mellan hjärna och hjärta. När vi tar oss an en krävande uppgift växlar nervsystemet tempo: hjärtat slår annorlunda, blodkärl drar ihop sig eller vidgas, och blodflödet till viktiga hjärnregioner ändras. Teamet använde två enkla tekniker för att känna av dessa förändringar. En ljusbaserad sensor på halsen (fotopletysmografi, eller PPG) följde hur mycket blod som pulserade genom en större artär som försörjer hjärnan. Samtidigt upptäckte ett par små elektroder på pannan (impedanspletysmografi, eller IPG) subtila skiftningar i lokal blodvolym i pannloben, där vi hanterar planering, siffror och beslut. Tillsammans gav dessa signaler en inblick i både den globala och lokala blodtillförseln under mental ansträngning.

Sätta press på sinnet med siffror

För att stressa hjärnan på ett kontrollerat sätt löste femton friska volontärer, i åldern 20 till 35 år, serier av mentala aritmetikuppgifter på en dator. Uppgifterna var ordnade i fyra steg: en avslappnad baslinje, följt av enkla entalstillägg, sedan tvåsiffriga additioner och slutligen svårare tresiffriga summor som krävde mer minne och uppställning. Varje kort försök började med instruktioner på skärmen, fortsatte med fem problem och avslutades med en kort vila medan skärmen visade ett fixeringskors. Under hela tiden strömmade hals- och pannsensorerna data, medan datorn loggade hur snabbt och hur korrekt varje person svarade. Som väntat ledde svårare problem till långsammare svar och fler misstag, särskilt på den svåraste nivån, vilket bekräftar att uppgifterna verkligen ökade den mentala belastningen.

Avkoda dolda mönster i blodsignaler

De råa vågformerna från de två sensorerna skars upp i små tidsfönster och rengjordes med digitala filter för att ta bort långsamma driftningar och högfrekvent brus. Från varje fönster extraherade forskarna dussintals enkla beskrivande mått: maximala och minimala värden, medelvärden, hur mycket signalen varierade och hur dess energi var fördelad över olika frekvenser. De mätte också tidsförhållandet mellan hjärtslagen och fördröjningen mellan pulsen i halsen och pulsen i pannan, en storhet känd som pulse transit time. Dessa numeriska egenskaper matades sedan in i tre färdiga maskininlärningsalgoritmer—besluts-träd, Random Forest och XGBoost—för att se om en dator kunde lära sig skilja mellan olika nivåer av mental belastning enbart utifrån kardiovaskulära mönster.

Hur väl kan en dator läsa din mentala ansträngning?

När varje person hade sin egen personliga modell var systemet anmärkningsvärt träffsäkert. För den enkla uppgiften att skilja "avslappnad" från "gör matte" nådde alla tre algoritmer 100 procents noggrannhet. Även för den svårare fyrvägsuppgiften—avslappnad, lätt, medel och svår matte—identifierade den bästa metoden, Random Forest, nivån korrekt 96 procent av gångerna. Prestandan sjönk dock när systemet försökte generalisera från en grupp personer till en annan, med noggrannhet som föll till ungefär två tredjedelar. Detta tyder på att individer skiljer sig mycket i sina baslinjehjärtoch blodflödessvar, och att verkliga enheter kan behöva en kort personlig kalibrering för att fungera tillförlitligt för varje användare.

Vad de mest avslöjande signalerna berättar

Genom att granska vilka egenskaper algoritmerna förlitade sig mest på fann forskarna att pannebundna IPG-mätningar bar mycket av den användbara informationen. I synnerhet rankades pannans genomsnittliga och extrema värden konsekvent högst i betydelse, före halsbaserade PPG-egenskaper och den kombinerade tidsmätningsvariabeln. Detta stämmer med nuvarande förståelse av blod–hjärna-koppling: när vi arbetar hårt mentalt kräver pannans delar av hjärnan mer bränsle, och lokal blodvolym ändras i enlighet därmed. Halssensorn bidrog fortfarande med värdefull information genom att spegla övergripande kardiovaskulär upphetsning, men de lokala pannmätningarna gav de skarpaste ledtrådarna om ögonblickets mentala efterfrågan.

Från labsensorer till smartare, säkrare arbetsplatser

För en lekmannaläsare är huvudbudskapet att mental ansträngning lämnar ett tydligt fingeravtryck i hur blodet flödar till och inom hjärnan, och att detta fingeravtryck kan fångas med små, bärbara sensorer i stället för komplex utrustning för hjärnavbildning. Studien visar att kombinationen av en ljussensor på halsen och enkla elektroder på pannan gör det möjligt för algoritmer att spåra flera nivåer av kognitiv belastning med en noggrannhet jämförbar med många EEG-baserade system, åtminstone när de är anpassade till en individ. Med vidareutveckling och förbättrad komfort skulle sådan teknik en dag kunna hjälpa flygplanets cockpit, bilar, klassrum och kontrollrum att automatiskt anpassa arbetsuppgifter och varningar, och därigenom lätta på trycket innan den mänskliga operatören blir farligt överbelastad.

Citering: 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

Nyckelord: kognitiv belastning, mental aritmetik, bärbara sensorer, hjärta–hjärna-interaktion, maskininlärning