EEG-baserad stressklassificering med tidsdomänsfunktioner och segmenteringstekniker

Varför stress i hjärnan spelar roll i vardagen

Stress formar hur vi känner, tänker och fungerar, men den mäts ofta med enkäter som frågar människor hur de mår. Dessa verktyg är värdefulla men subjektiva och kan inte följa hur stressen stiger och sjunker under en dag. Denna studie undersöker om ett litet antal hjärnvågsensorer kan erbjuda ett objektivt, snabbt sätt att avgöra vem som är stressad och vem som inte är det, med metoder tillräckligt enkla för att passa framtida pannband eller andra bärbara enheter.

Lyssna på stress genom hjärnvågor

Forskarna använde elektroencefalografi, eller EEG, som registrerar hjärnans elektriska aktivitet från sensorer placerade på skalpen. De använde en stor offentlig datamängd med friska frivilliga vars stressnivåer redan bedömts med ett standardiserat frågeformulär. Istället för att förlita sig på många sensorer fokuserade de på bara fyra placerade över pannan och sidorna av huvudet, områden kopplade till känslor och stressreglering. Varje person hade ungefär åtta minuters vila registrerad, vilket gav ett långt datautdrag där stressrelaterade mönster kan finnas begravda.

Hacka upp långa signaler i korta ögonblicksbilder

För att göra dessa långa inspelningar meningsfulla delade teamet upp varje persons EEG i korta bitar, eller fönster. De prövade två enkla strategier. I den icke-överlappande metoden kapades den åtta minuter långa signalen i på varandra följande tiosekunderssegment som inte delade någon data. I den överlappande metoden gled fönstren längs inspelningen med delade portioner, vilket gav fler men delvis upprepade ögonblicksbilder. Jämförelsen av dessa två sätt att dela upp data hjälpte teamet att avgöra vilket som gav renare och mer användbar information om stress.

Göra om råa vågor till siffror som en dator kan läsa

När fönstren var definierade reducerades varje EEG‑fönster till en uppsättning grundläggande numeriska funktioner som fångar dess form och variabilitet. Dessa inkluderade välkända mått som medelvärde, spridning och energi, liksom hur brant signalen stiger och faller och hur förutsägbar den är. Från cirka 20 sådana funktioner per fönster valde en informationsbaserad metod ut de som bar mest användbara ledtrådar om huruvida personen tillhörde den stressade eller icke‑stressade gruppen. I många fall utmärkte sig funktioner från en enskild frontal sensor över höger sida av huvudet som särskilt informativa.

Låt enkla algoritmer skilja stressade från lugna

Med en kompakt uppsättning funktioner testade författarna fem färdiga maskininlärningsmetoder för att se hur noggrant de kunde skilja stressade frivilliga från icke‑stressade. De använde en standardiserad testmetod där data upprepade gånger delas upp i tränings- och testdelar för att uppskatta prestanda rättvist. I dessa prövningar presterade en metod kallad k‑närmaste grannar, som klassificerar varje nytt exempel genom att jämföra det med sina närmaste grannar i datan, bäst. Med icke‑överlappande fönster från de fyra sensorerna klassificerade den korrekt stressstatus i ungefär 96 av 100 fall och slog flera andra populära metoder som ofta används i EEG‑studier.

Vad detta betyder för framtida stressspårning

För läsaren är huvudbudskapet att noggrann stressdetektion kanske inte kräver djupinlärning eller skrymmande, högkanaliga hjärnscanners. Arbetet visar att ett måttligt antal sensorer, enkla sätt att dela upp signaler i korta segment och okomplicerade numeriska sammanfattningar tillsammans kan ge starka ledtrådar om vem som är stressad. Även om mer arbete behövs för att testa sådana system i vardagliga miljöer och på nya grupper av människor, antyder studien att framtida pannband eller andra bärbara enheter tyst kan följa stress genom hjärnaktivitet och hjälpa människor att märka och hantera den tidigare.

Citering: 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

Nyckelord: EEG stressdetektion, hjärnvågor, maskininlärning, bärbara sensorer, övervakning av mental hälsa