Zihinsel aritmetik görevleri sırasında fotoplestizmografi ve biyoempedans tepkileriyle bilişsel yükün değerlendirilmesi

Neden beyninizin iş yükü önemli

Bir uçağı kullanıyor olun, hastaları izliyor olun veya bir sınava çalışıyor olun, beyninizin odaklı olmaktan aşırı yüke doğru sessizce kaydığı anlar vardır. Bu artan zihinsel yükü gerçek zamanlı ölçebilmek, hataları, tükenmişliği ve kazaları önlemeye yardımcı olabilir. Bu çalışma, büyük beyin kapları veya karmaşık hastane ekipmanları kullanmadan, boyun ve alına yerleştirilen küçük sensörlerle “beyninizin ne kadar çalıştığını” izlemenin yeni, invazif olmayan bir yolunu araştırıyor.

Düşüncenin kalp atışını dinlemek

Araştırmacılar beyin dalgalarını kaydetmek yerine beyin ile kalp arasındaki sıkı ortaklığa yöneldi. Zorlu bir görevle uğraştığımızda sinir sistemi vites değiştirir: kalp farklı atar, kan damarları daralır veya gevşer ve belli beyin bölgelerine giden kan akışı değişir. Ekip bu değişiklikleri algılamak için iki basit teknik kullandı. Boyundaki ışık tabanlı sensör (fotoplestizmografi, PPG) beyne kan sağlayan büyük bir atardamarda ne kadar kanın atak yaptığına dair bilgiyi izledi. Aynı anda alına yerleştirilen küçük elektrotlar dizisi (empedans plestizmografisi, IPG) frontal bölgede yerel kan hacmindeki ince değişimleri tespit etti; buralar planlama, sayılar ve kararlarla ilgilendiğimiz bölgelerdir. Bu sinyaller birlikte zihinsel çaba sırasında hem genel hem de yerel kan arzına dair bir pencere sundu.

Zihne sayılarla baskı uygulamak

Beyni kontrollü bir şekilde zorlamak için 20–35 yaş arası on beş sağlıklı gönüllü bilgisayarda ardışık zihinsel aritmetik problemler çözdü. Görevler dört aşamada düzenlendi: rahat bir başlangıç ölçümü (baseline), ardından kolay tek haneli toplama, sonra iki basamaklı toplama ve son olarak daha fazla hafıza ve elde tutma gerektiren üç basamaklı daha zor toplamalar. Her kısa deneme ekrandaki talimatlarla başladı, beş problemle devam etti ve ekran sabitleme işaretini gösterirken kısa bir dinlenme ile sona erdi. Süre boyunca boyun ve alın sensörleri veri akışı sağladı ve bilgisayar her kişinin ne kadar hızlı ve ne kadar doğru yanıt verdiğini kaydetti. Beklendiği gibi, daha zor problemler yanıtları yavaşlattı ve özellikle en zor seviyede daha fazla hata ile sonuçlandı; bu da görevlerin gerçekten zihinsel yükü artırdığını doğruladı.

Kan sinyallerindeki gizli desenleri çözmek

İki sensörden alınan ham dalga formları küçük zaman pencerelerine bölündü ve yavaş sapmaları ve yüksek frekanslı gürültüyü kaldırmak için dijital filtrelerle temizlendi. Her pencereden araştırmacılar onlarca basit betimleyici çıkardı: maksimum ve minimum değerler, ortalamalar, sinyalin ne kadar değiştiği ve enerjisinin farklı frekanslara nasıl dağıldığı gibi. Ayrıca kalp atışları arasındaki zamanlamayı ve boyun nabzı ile alın nabzı arasındaki gecikmeyi, yani nabız iletim süresini (pulse transit time) ölçtüler. Bu sayısal özellikler daha sonra karar ağaçları, rastgele orman (Random Forest) ve XGBoost olmak üzere üç hazır makine öğrenimi algoritmasına beslendi; amaç bilgisayarın sadece kardiyovasküler desenlerden farklı zihinsel yük seviyelerini ayırt etmeyi öğrenip öğrenemeyeceğini test etmekti.

Bir bilgisayar zihinsel sıkıntınızı ne kadar iyi okuyabilir?

Her kişi için kişiselleştirilmiş bir model oluşturulduğunda sistem dikkat çekici derecede doğruydu. “Rahatlama” ile “aritmetik yapma”yı ayırt etme gibi basit görevde tüm üç algoritma yüzde 100 doğruluğa ulaştı. Dört sınıflı daha zor problem—rahat, kolay, orta ve zor aritmetik—için en iyi yöntem olan Random Forest, seviyeyi yüzde 96 doğrulukla belirledi. Ancak sistem bir grup kişiden diğerine genelleme yapmaya çalıştığında performans düştü ve doğruluk yaklaşık üçte ikiye geriledi. Bu, bireylerin temel kalp ve kan akışı yanıtlarında güçlü farklılıklar olduğunu ve gerçek dünya cihazlarının her kullanıcı için kısa bir kişisel kalibrasyona ihtiyaç duyabileceğini gösteriyor.

En belirleyici sinyallerin anlattıkları

Algoritmaların en çok hangi özelliklere güventiğini inceleyerek araştırmacılar, alnın IPG ölçümlerinin faydalı bilginin büyük kısmını taşıdığını buldu. Özellikle alın sinyalinin ortalama ve uç değerleri tutarlı şekilde en yüksek önem sırasına sahipti; bunlar boyun tabanlı PPG özelliklerinin ve zamansal birleşik ölçümün önündeydi. Bu bulgu, kan–beyin bağlanımı hakkındaki mevcut anlayışla uyumlu: zor zihinsel işler yaptığımızda beynin ön kısmı daha fazla yakıt ister ve yerel kan hacmi buna göre değişir. Boyun sensörü genel kardiyovasküler uyarılmayı yansıtmak suretiyle hâlâ katma değer sağladı, ancak lokalize alın okumaları anlık zihinsel talep hakkında en keskin ipuçlarını verdi.

Laboratuvar sensörlerinden akıllı, daha güvenli iş yerlerine

Genel okuyucu için ana mesaj şudur: Zihinsel çaba, beyne ve içinde akan kana özgü bir parmak izi bırakır ve bu parmak izi karmaşık beyin tarama ekipmanları yerine küçük, giyilebilir sensörlerle yakalanabilir. Çalışma, boyuna yerleştirilen bir ışık sensörü ile alına konan basit elektrotların birleştirilmesinin, en azından bireye göre ayarlandığında, pek çok EEG tabanlı sisteme kıyasla çoklu bilişsel yük seviyelerini izleyebilecek doğruluk sağladığını gösteriyor. İyileştirme ve daha iyi konforla bu tür teknoloji bir gün uçak kokpitleri, otomobiller, sınıflar ve kontrol odalarının görevleri ve uyarıları otomatik olarak ayarlamasına yardımcı olabilir; insan operatör tehlikeli biçimde aşırı yüke ulaşmadan önce baskıyı hafifletebilir.

Atıf: 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

Anahtar kelimeler: bilişsel yük, zihinsel aritmetik, giyilebilir sensörler, beyin–kalp etkileşimi, makine öğrenimi