Детекция острого стресса по ЭЭГ для посттравматической реабилитации и биологической обратной связи: Ограниченная переносимость моделей на новые наборы данных

Авторы

DOI:

https://doi.org/10.52889/1684-9280-2026-77-5-jto066

Ключевые слова:

посттравматический стресс, посттравматическая реабилитация, биологическая обратная связь, ЭЭГ, острый психологический стресс, межкорпусная генерализация

Аннотация

Психологический стресс после травмы часто встречается у пациентов с травмами и связан с худшим восстановлением. Биологическая обратная связь на основе ЭЭГ могла бы помочь отслеживать и снижать его в ходе реабилитации, но только если детектор стресса работает на новых пациентах и новом оборудовании. Опубликованные ЭЭГ-классификаторы острого стресса обычно обучают и тестируют на одном наборе данных, и часто сообщается о точности выше 90%. Мы оценили, какая часть этой эффективности сохраняется для участников, которых модель не видела, и для набора данных, записанного на другом оборудовании и по другому протоколу индукции стресса.

Методы. Два открытых набора данных с острым когнитивным стрессом у здоровых добровольцев обработаны единым конвейером: SAM40 (40 участников; тест Струпа, арифметическая задача и задача распознавания зеркальных изображений против релаксации; 32-канальная система Emotiv, 128 Гц) и EEGMAT (36 участников; последовательное вычитание против покоя; 19-канальная клиническая система, 500 Гц). Четыре компактных классификатора (логистическая регрессия, случайный лес и SVM с RBF-ядром на мощности частотных диапазонов, а также классификатор в касательном пространстве римановой геометрии) оценивались методом валидации с исключением одного испытуемого (LOSO), при межкорпусном переносе в обоих направлениях на десяти общих электродах и с двумя методами неконтролируемого выравнивания: римановым перецентрированием и CORAL.

Результаты. Внутри SAM40 лучший macro-F1 при LOSO для одного стрессора против релаксации составил 70,3% (лучший AUROC 0,804). Межкорпусный перенос значимо снижал macro-F1 в 22 из 24 комбинаций модели, направления и стрессора (парный критерий Уилкоксона, p<0,01), максимум на 37,6 процентного пункта. Перенос был асимметричным: классификаторы, обученные на EEGMAT, достигали на SAM40 AUROC ниже 0,5 в 9 из 12 случаев, то есть выученное направление решения инвертировалось.

Выводы. Метки стресса, определенные задачей, несут специфичную для протокола информацию, которая не сохраняется при смене набора данных. Межкорпусное тестирование должно предшествовать любым заявлениям о готовности ЭЭГ-детектора стресса к применению в посттравматической реабилитации или в биологической обратной связи. ля клинического использования потребуются калибровка под пользователя и валидация на пациентах.

Биографии авторов

  • Мендыгали А. , Astana IT University

    Ассистент-профессор, Школа креативных индустрий

  • Мукушев М.Қ., Astana IT University

    Ассистент-профессор, Школа креативных индустрий

  • Абдыкенов Б.Б., Astana IT University

    Директор Научно-инновационного центра "Искусственный интеллект"

  • Кустубаева А.М., Казахский национальный университет имени Аль-Фараби

    Директор Института мозга

  • Камзанова А.Т. , Казахский национальный университет имени Аль-Фараби

    Исследователь-постдокторант, Институт мозга

  • Жолдасова М.К., Казахский национальный университет имени Аль-Фараби

    Исследователь, Институт мозга

Библиографические ссылки

1. McEwen, B. S. (1998). Protective and damaging effects of stress mediators. The New England Journal of Medicine, 338(3), 171–179. https://doi.org/10.1056/NEJM199801153380307

2. Muscatelli, S., Spurr, H., O’Hara, N. N., O’Hara, L. M., Sprague, S. A., & Slobogean, G. P. (2017). Prevalence of depression and posttraumatic stress disorder after acute orthopaedic trauma: A systematic review and meta-analysis. Journal of Orthopaedic Trauma, 31(1), 47–55. https://doi.org/10.1097/BOT.0000000000000664

3. Starr, A. J., Smith, W. R., Frawley, W. H., Borer, D. S., Morgan, S. J., Reinert, C. M., & Mendoza-Welch, M. (2004). Symptoms of posttraumatic stress disorder after orthopaedic trauma. The Journal of Bone and Joint Surgery. American Volume, 86(6), 1115–1121. https://doi.org/10.2106/00004623-200406000-00001

4. van der Kolk, B. A., Hodgdon, H., Gapen, M., Musicaro, R., Suvak, M. K., Hamlin, E., & Spinazzola, J. (2016). A randomized controlled study of neurofeedback for chronic PTSD. PLoS ONE, 11(12), e0166752. https://doi.org/10.1371/journal.pone.0166752

5. Katmah, R., Al-Shargie, F., Tariq, U., Babiloni, F., Al-Mughairbi, F., & Al-Nashash, H. (2021). A review on mental stress assessment methods using electroencephalography signals. Sensors, 21(15), 5043. https://doi.org/10.3390/s21155043

6. Golder, K., Haque, M., Islam, M., & Raihan, M. (2025). Enhancing task-specific stress monitoring using artificial intelligence-powered electroencephalography feature selection techniques. In Feature fusion for next-generation artificial intelligence: Sustainable artificial intelligence-powered applications. Springer, 167–179. https://doi.org/10.1007/978-3-031-94386-7_13

7. Li, R., Johansen, J. S., Ahmed, H., Ilyevsky, T. V., Wilbur, R. B., Bharadwaj, H. M., & Siskind, J. M. (2021). The perils and pitfalls of block design for electroencephalography classification experiments. IEEE Transactions on Pattern Analysis and Machine Intelligence, 43(1), 316–333. https://doi.org/10.1109/TPAMI.2020.2973153

8. Brookshire, G., Kasper, J., Blauch, N. M., Wu, Y. C., Glatt, R., Merrill, D. A., Gerrol, S., Yoder, K. J., Quirk, C., & Lucero, C. (2024). Data leakage in deep learning studies of translational electroencephalography. Frontiers in Neuroscience, 18, 1373515. https://doi.org/10.3389/fnins.2024.1373515

9. Saha, S., & Baumert, M. (2020). Intra- and inter-subject variability in electroencephalography-based sensorimotor brain-computer interface: A review. Frontiers in Computational Neuroscience, 13, 87. https://doi.org/10.3389/fncom.2019.00087

10. Mukushev, M., Mengdigali, A., Karibekov, T., Zholdasova, M., Arman, D., & Kustubayeva, A. (2026). Cross-subject electroencephalography-based fatigue classification using machine learning, Riemannian geometry, and compact deep neural networks. Scientific Journal of Astana IT University. https://doi.org/10.37943/25EJPK6829

11. Zheng, W. L., & Lu, B. L. (2015). Investigating critical frequency bands and channels for electroencephalography-based emotion recognition with deep neural networks. IEEE Transactions on Autonomous Mental Development, 7(3), 162–175. https://doi.org/10.1109/TAMD.2015.2431497

12. Koelstra, S., Mühl, C., Soleymani, M., Lee, J. S., Yazdani, A., Ebrahimi, T., Pun, T., Nijholt, A., & Patras, I. (2012). DEAP: A database for emotion analysis using physiological signals. IEEE Transactions on Affective Computing, 3(1), 18–31. https://doi.org/10.1109/T-AFFC.2011.15

13. Lan, Z., Sourina, O., Wang, L., Scherer, R., & Müller-Putz, G. R. (2019). Domain adaptation techniques for electroencephalography-based emotion recognition: A comparative study on two public datasets. IEEE Transactions on Cognitive and Developmental Systems, 11(1), 85–94. https://doi.org/10.1109/TCDS.2018.2826840

14. Agnelli, F., Blandano, G., Burger, J., D’Amelio, A., Facchi, G., Ghezzi, O., Lanzarotti, R., & Schmid, L. (2026). EEG-based mental stress detection: A comparative and explainable study across tasks and subjects. In Image analysis and processing – ICIAP 2025 workshops. Springer, 17–28. https://doi.org/10.1007/978-3-032-11317-7_2

15. Vos, G., Ebrahimpour, M., van Eijk, L., Sarnyai, Z., & Rahimi Azghadi, M. (2025). A statistical approach for synthetic electroencephalography data generation. arXiv, 16143. https://arxiv.org/abs/2504.16143

16. Zanini, P., Congedo, M., Jutten, C., Said, S., & Berthoumieu, Y. (2018). Transfer learning: A Riemannian geometry framework with applications to brain-computer interfaces. IEEE Transactions on Biomedical Engineering, 65(5), 1107–1116. https://doi.org/10.1109/TBME.2017.2742541

17. Barachant, A., Bonnet, S., Congedo, M., & Jutten, C. (2012). Multiclass brain-computer interface classification by Riemannian geometry. IEEE Transactions on Biomedical Engineering, 59(4), 920–928. https://doi.org/10.1109/TBME.2011.2172210

18. Sun, B., Feng, J., & Saenko, K. (2016). Return of frustratingly easy domain adaptation. Proceedings of the AAAI Conference on Artificial Intelligence, 30(1). https://doi.org/10.1609/aaai.v30i1.10306

19. Ganin, Y., Ustinova, E., Ajakan, H., Germain, P., Larochelle, H., Laviolette, F., Marchand, M., & Lempitsky, V. (2016). Domain-adversarial training of neural networks. Journal of Machine Learning Research, 17(59), 1–35.

20. Ghosh, R., Deb, N., Sengupta, K., Phukan, A., Choudhury, N., Kashyap, S., Phadikar, S., Saha, R., Das, P., Sinha, N., & Dutta, P. (2022). SAM 40: Dataset of 40 subject electroencephalography recordings to monitor the induced stress while performing Stroop color-word test, arithmetic task, and mirror image recognition task. Data in Brief, 40, 107772. https://doi.org/10.1016/j.dib.2021.107772

21. Zyma, I., Tukaev, S., Seleznov, I., Kiyono, K., Popov, A., Chernykh, M., & Shpenkov, O. (2019). Electroencephalograms during mental arithmetic task performance. Data, 4(1), 14. https://doi.org/10.3390/data4010014

22. Goldberger, A. L., Amaral, L. A. N., Glass, L., Hausdorff, J. M., Ivanov, P. C., Mark, R. G., Mietus, J. E., Moody, G. B., Peng, C. K., & Stanley, H. E. (2000). PhysioBank, PhysioToolkit, and PhysioNet: Components of a new research resource for complex physiologic signals. Circulation, 101(23), e215–e220. https://doi.org/10.1161/01.CIR.101.23.e215

23. Gramfort, A., Luessi, M., Larson, E., Engemann, D. A., Strohmeier, D., Brodbeck, C., Goj, R., Jas, M., Brooks, T., Parkkonen, L., & Hämäläinen, M. (2013). MEG and EEG data analysis with MNE-Python. Frontiers in Neuroscience, 7, 267. https://doi.org/10.3389/fnins.2013.00267

24. Klimesch, W. (1999). EEG alpha and theta oscillations reflect cognitive and memory performance: A review and analysis. Brain Research Reviews, 29(2–3), 169–195. https://doi.org/10.1016/S0165-0173(98)00056-3

25. Baghdadi, A., Aribi, Y., Fourati, R., Halouani, N., Siarry, P., & Alimi, A. (2021). Psychological stimulation for anxious states detection based on EEG-related features. Journal of Ambient Intelligence and Humanized Computing, 12, 8519–8533. https://doi.org/10.1007/s12652-020-02586-8

26. Lim, W. L., Sourina, O., & Wang, L. P. (2018). STEW: Simultaneous task electroencephalography workload dataset. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 26(11), 2106–2114. https://doi.org/10.1109/TNSRE.2018.2872924

Загрузки

Опубликован

2026-10-28

Выпуск

Volume 77, Number 5 (2026)

Раздел

Статьи

Лицензия

Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.

Похожие статьи

31-40 из 92

Вы также можете начать расширеннвй поиск похожих статей для этой статьи.