Applicazione delle interfacce cervello-computer al rilevamento dello stress

Abstract

Lo stress incide in modo significativo sull’attenzione, sui processi decisionali e sull’attività cerebrale, rendendo particolarmente rilevante la possibilità di rilevarlo in maniera oggettiva in contesti applicativi. Il presente studio indaga la fattibilità dell’identificazione dello stress mediante un sistema EEG–EOG OpenBCI a basso costo, con specifico riferimento a uno scenario di valutazione cross-subject. Sette partecipanti sono stati sottoposti a tre condizioni sperimentali distinte: occhi chiusi, occhi aperti e compito di Stroop, quest’ultimo impiegato allo scopo di indurre stress cognitivo. I segnali EEG (8 canali) ed EOG (4 canali) sono stati acquisiti a 125 Hz e sottoposti a un processo di pre-elaborazione comprendente filtraggio, rilettura rispetto alla media e Analisi delle Componenti Indipendenti (ICA), guidata dalle correlazioni con i canali EOG. Le registrazioni ripulite sono state suddivise in segmenti della durata di 2 secondi, da ciascuno dei quali sono state estratte 90 feature, comprendenti potenze spettrali nelle bande EEG, parametri di Hjorth e misure EOG associate a blink e saccadi. Le feature sono state successivamente standardizzate tramite z-score calcolati esclusivamente sui dati di training, al fine di evitare qualsiasi forma di information leakage. Il classificatore Support Vector Machine (SVM) è stato valutato mediante procedura di cross-validazione Leave-One-Subject-Out (LOSO). Il modello ha evidenziato prestazioni moderate ma comunque significative nella discriminazione tra stati di stress e non-stress a livello inter-soggetto. I risultati ottenuti suggeriscono che la rilevazione dello stress su finestre temporali brevi sia effettivamente realizzabile con apparecchiature economiche e portatili, pur evidenziando come la variabilità interindividuale e le limitazioni intrinseche agli elettrodi a secco costituiscano ancora fattori critici.

Stress can affect attention, decision-making, and brain activity, which makes being able to detect it objectively valuable in real-world scenarios. This study explores whether stress can be identified using a low-cost OpenBCI EEG–EOG system, focusing specifically on a cross-subject setup. Seven participants took part in three conditions: eyes closed, eyes open, and the Stroop task (used to induce cognitive stress). EEG (8 channels) and EOG (4 channels) data were recorded at 125 Hz and processed using filtering, average re-referencing, and Independent Component Analysis (ICA), guided by correlations with the EOG channels.The cleaned recordings were split into 2-second segments, and 90 features were extracted from each, including EEG bandpower, Hjorth parameters, and blink/saccade-related EOG measures. Features were standardised using z-scores calculated only from training data to prevent information leakage. A Support Vector Machine (SVM) classifier was then evaluated using Leave-One Subject-Out (LOSO) cross-validation. The model showed moderate but meaningful performance in distinguishing stress from non-stress across individuals. These results suggest that short-window stress detection is possible using affordable, portable equipment, though cross-subject variability and the limitations of dry electrodes still present challenges.