Dikkat tabanlı çokmodlu bir derin öğrenme çerçevesi: EEG ve EKG’yi bütünleştirerek daha iyi stres tespiti

Stresi nesnel olarak izlemenin neden önemi var

Stres, düşünme, hissetme ve sağlığımızı sürdürme biçimimizi şekillendirir, ancak çoğumuz bunun zarar vermeye başlamasından sonra fark ederiz. Bu çalışma, insanlara nasıl hissettiklerini sormak veya tek bir sinyale bakmak yerine beyin ve kalpten gelen sinyalleri birlikte kullanarak stresi gerçek zamanlı izlemenin yeni bir yolunu sunuyor. Amaç, görünmez gerilimi açık ve güvenilir bilgiye dönüştürerek bir gün sağlık hizmetleri, işyeri refahı ve kişisel ruh sağlığı araçlarına destek olabilecek bir temel oluşturmak.

İnsanlara nasıl hissettiklerini sormanın sınırları

Günümüzde stres genellikle insanların son günlerde veya haftalarda ne kadar gergin hissettiklerini hatırlamalarını isteyen anketlerle ölçülüyor. Bu özbildirimler hafıza, kültür veya "iyi görünme" isteği nedeniyle çarpıtılabilir ve stresli bir an sırasında vücuttaki hızlı değişimleri yakalayamaz. Bu arada giyilebilir cihazlar artık ayrıntılı biyolojik veriler topluyor ve stresi doğrudan vücuttan okumak için bir yol sunuyor. Zorluk, bu zengin veri akışlarını zihin ve bedeni birlikte yansıtacak şekilde yorumlamak; stresi tek bir sayı olarak ele almak yerine çok boyutlu bir bakış gerektiriyor.

Beyin dalgaları ve kalp atışları neler anlatır

Araştırmacılar iki tür sinyale odaklanıyor. Elektroensefalogram (EEG), beyin dalgalarını izler ve odaklanma, endişe ve duygusal gerilimle ilişkilendirilebilecek değişimleri gösterebilir. Elektrokardiyogram (EKG) ise kalp atışlarını kaydeder ve kalbin taleplere ne kadar esnek yanıt verdiğini gösteren ince bir ölçüt olan kalp atım değişkenliğini (HRV) sağlar. Stres altında beyin ritimleri değişir ve genellikle HRV düşer, ancak her kişi veya durum için aynı şekilde seyretmeyebilir. Bu iki bakışı birleştirerek çalışma, stresin düşüncelerden duygulara ve oradan kalbe kadar sinir sistemi genelinde nasıl ortaya çıktığına dair daha zengin bir tablo çizmeyi amaçlıyor.

Beyin ve kalp sinyallerini harmanlayan akıllı bir sistem

Ekip, EEG ve EKG’yi tamamlayıcı iki kanal olarak ele alan bir derin öğrenme çerçevesi tasarladı. Önce ham sinyaller dikkatle temizlenip yeniden şekillendiriliyor. Beyin aktivitesi filtreleniyor, kısa zaman pencerelerine bölünüyor ve farklı beyin dalga bantlarındaki gücün zaman içinde nasıl değiştiğini gösteren görüntülere dönüştürülüyor. Kalp verisi kendi işleme hattından geçerek hem ham atım ritmini hem de klasik değişkenlik ölçülerini yakalıyor. Başlangıçta geniş resim veri kümeleri üzerinde eğitilmiş üç güçlü görüntü tanıma ağı, bu dönüştürülmüş sinyallerden desen çıkarmak üzere uyarlanıyor. Dikkat tabanlı bir birleştirme katmanı daha sonra hangi anlarda beyin veya kalbin, hatta hangi ağın daha bilgilendirici olduğunu öğrenerek katkıları nasıl ağırlıklandıracağını belirliyor.

Farklı stres türleri üzerinde sistemi test etmek

Bu yaklaşımın ne kadar iyi çalıştığını görmek için yazarlar iki bağımsız açık veri kümesi üzerinde eğitip test ettiler. WESAD adlı birinci veri kümesi, gönüllülerin nötr, gergin sosyal görevler ve eğlenceli etkinlikler arasındaki kayıtlarını içeriyor. Diğer veri kümesi CASE ise daha fazla denek ve zihinsel zorluklar ile duygusal sahnelerin karışımını ekleyerek genel kullanımı daha zorlu bir şekilde sınıyor. Her iki sette de EEG ile EKG’nin bir arada kullanıldığı sistem nötr, stresli ve pozitif durumları yaklaşık %95,7 doğrulukla ayırt edebildi. Bu, sadece beyin verisine, sadece kalp verisine veya sinyalleri birleştirmenin daha basit yollarına dayanan versiyonları açıkça aştı ve bir veri kümesi üzerinde eğitilip diğerinde test edildiğinde bile makul bir dayanıklılık sergiledi.

Laboratuvar sonuçlarından günlük stres desteğine

Yüksek doğruluğun ötesinde, model pratik kullanım gözetilerek inşa edildi. Yakın gerçek zamanlı izleme için yeterince hızlı çalışabiliyor ve sınırlı hesaplama gücüne sahip cihazlar için basitleştirilebiliyor. Dikkat ağırlıkları ayrıca hangi özelliklerin daha önemli olduğunu gösteren bir pencere sunuyor; bu, ön beyin aktivitesindeki artış ve azalmış kalp atım değişkenliği gibi stresle ilişkili desenleri vurguluyor. Basitçe söylemek gerekirse, çalışma hem beyni hem kalbi dinlemenin ve akıllı bir sistemin bunların seslerini nasıl harmanlayacağını karar vermesine izin vermenin strese daha sadık bir okuma sağladığını gösteriyor. Bunu kliniklere, işyerlerine ve tüketici cihazlarına taşımak için daha fazla çalışma gerekse de, insanların zihinsel yüklerini anlamalarına ve yönetmelerine yardımcı olacak nesnel, rahatsız edici olmayan araçlara doğru somut bir adımı işaret ediyor.

Atıf: Kumar, R., Krishnan, S.B., Yadav, R.K. et al. An attention-based multimodal deep learning framework integrating EEG and ECG for enhanced stress detection. Sci Rep 16, 15188 (2026). https://doi.org/10.1038/s41598-026-44499-0

Anahtar kelimeler: stres tespiti, EEG, EKG, çokmodlu derin öğrenme, fizyolojik sinyaller