Zaman-Domain Özellikleri ve Segmentasyon Teknikleri Kullanılarak EEG Tabanlı Stres Sınıflandırması

Beyindeki stresin günlük yaşam için neden önemi var

Stres nasıl hissettiğimizi, düşünce biçimimizi ve çalışma şeklimizi şekillendirir; ancak genellikle insanların nasıl hissettiklerini sormaya dayalı anketlerle izlenir. Bu araçlar değerli olmakla birlikte özneldir ve gün içinde stresin nasıl yükselip düştüğünü izleyemez. Bu çalışma, küçük bir beyin dalgası sensörü setinin, gelecekteki bantlar veya diğer giyilebilir cihazlara sığabilecek kadar basit yöntemler kullanarak kimin stresli, kimin stresli olmadığını nesnel ve hızlı biçimde söyleyip söyleyemeyeceğini araştırıyor.

Beyin dalgalarıyla stresi dinlemek

Araştırmacılar elektroensefalografiye (EEG) yöneldi; bu yöntem, saçlı deri üzerine yerleştirilen sensörlerden beynin elektriksel aktivitesini kaydeder. Standart bir anketle stres seviyeleri önceden puanlanmış sağlıklı gönüllülerden oluşan büyük bir kamu veriseti kullandılar. Birden çok sensöre güvenmek yerine, duygu ve stres kontrolüyle ilişkilendirilen alın ve başın yanlarına yerleştirilen yalnızca dört sensöre odaklandılar. Her kişi için yaklaşık sekiz dakikalık dinlenme beyin aktivitesi kaydedildi; bu, stresle ilişkili desenlerin gizlenmiş olabileceği uzun bir veri aralığı sağladı.

Uzun sinyalleri kısa anlık görüntülere bölmek

Bu uzun kayıtları anlamlandırmak için ekip, her kişinin EEG’sini kısa parçalara, yani pencerelere böldü. İki basit strateji denediler. Örtüşmeyen yaklaşımda, sekiz dakikalık sinyal arka arkaya ve birbirini paylaşmayan on saniyelik parçalara ayrıldı. Örtüşen yaklaşımda ise pencereler kayarak kayıt boyunca ilerledi ve paylaşılan bölümlerle daha fazla fakat kısmen tekrarlayan anlık görüntü üretti. Veriyi bu iki kesme biçiminde karşılaştırmak, hangi yöntemin stres hakkında daha temiz ve daha faydalı bilgiler verdiğini görmelerine yardımcı oldu.

Ham dalgaları bilgisayarın okuyacağı sayılara dönüştürmek

Pencereler tanımlandıktan sonra, her beyin dalgası parçası şekli ve değişkenliğini yakalayan temel sayısal özellikler kümesine indirildi. Bunlar ortalama değer, yayılım ve enerji gibi tanıdık kavramların yanı sıra sinyalin ne kadar keskin yükselip düştüğü ve ne kadar öngörülebilir olduğu gibi özellikleri içeriyordu. Pencere başına 20 böyle özellikten, bilgi temelli bir yöntem daha sonra kişinin stresli veya stresli olmayan gruba ait olup olmadığını belirlemede en faydalı ipuçlarını taşıyanları seçti. Birçok durumda, başın sağ tarafındaki tek bir frontal sensörden elde edilen özellikler özellikle bilgilendirici olarak öne çıktı.

Basit algoritmaların streslileri sakinlerden ayırmasına izin vermek

Kompakt bir özellik seti elde edildikten sonra yazarlar, beş hazır makine öğrenimi yöntemini test ederek stresli gönüllüleri stresli olmayanlardan ne kadar doğru ayırabildiklerini incelediler. Performansı adil biçimde tahmin etmek için verinin tekrar tekrar eğitim ve test parçalarına bölündüğü standart bir test yaklaşımı kullandılar. Bu denemelerde, her yeni örneği veri içindeki en yakın komşularına göre sınıflandıran k en yakın komşu (k-NN) adlı yöntem en iyi performansı gösterdi. Dört sensörden elde edilen örtüşmeyen pencereleri kullanarak yaklaşık 100 vakadan 96’sında doğru stres durumunu etiketledi; bu, EEG çalışmalarında sıkça kullanılan diğer popüler yöntemleri geride bıraktı.

Gelecekte stres takibi için bunun anlamı

Okuyucular için temel mesaj, doğru stres tespitinin derin öğrenme veya hacimli, yüksek kanallı beyin tarayıcılarına ihtiyaç duymayabileceğidir. Bu çalışma, makul sayıda sensörün, sinyalleri kısa segmentlere bölmenin ve doğrudan sayısal özetlerin birlikte kimin stresli olduğuna dair güçlü ipuçları sağlayabileceğini gösteriyor. Böyle sistemlerin günlük ortamlarda ve yeni insan grupları üzerinde test edilmesi için daha fazla çalışma gerekse de, çalışma gelecekteki bantların veya diğer giyilebilir cihazların beyin aktivitesi aracılığıyla stresi sessizce izleyip insanların onu daha erken fark edip yönetmelerine yardımcı olabileceğini öne sürüyor.

Atıf: 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

Anahtar kelimeler: EEG stres tespiti, beyin dalgaları, makine öğrenimi, giyilebilir sensörler, ruh sağlığı izleme