🤖 machine learning

Synheart Capacity: A Theory-Driven Physiological Representation of Cognitive Capacity Dynamics from Wearable Signals

Dit artikel introduceert Synheart Capacity, een theoriegedreven multimodaal leerframework dat cognitieve capaciteitsdynamiek schat als een tweedimensionale fysiologische toestand van mentale inspanning en stress met draagbare cardiale en elektrodermale signalen, waarbij effectieve generalisatie over individuen heen en het vermogen om onderscheid te maken tussen productieve betrokkenheid en overbelasting worden aangetoond.

Oorspronkelijke auteurs: Yisak Debele, Henok Ademtew, Israel Goytom

Gepubliceerd 2026-05-26

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Yisak Debele, Henok Ademtew, Israel Goytom

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Idee: Twee Knoppen, Niet Één Meter

Stel je voor dat je brein een motorkracht is. Lange tijd hebben wetenschappers en AI-systemen geprobeerd te meten hoe hard die motor werkt door te kijken naar één enkele meter: "Werklast". Ze dachten: "Als de naald hoog staat, is de bestuurder gestrest."

Maar de auteurs van dit artikel betogen dat deze enkele meter misleidend is. Zij stellen dat de "brandstoftank" van je brein eigenlijk wordt geregeld door twee aparte knoppen:

De Inspanningsknop (Vrijwillig): Dit is hoe hard je er voor kiest om de motor te duwen. Je werkt misschien heel hard omdat je enthousiast, gefocust bent en van de uitdaging houdt. Dit is "productieve betrokkenheid".
De Stressknop (Onvrijwillig): Dit is hoeveel de motor trilt omdat hij oververhit raakt. Dit gebeurt wanneer de taak te moeilijk is en je brein moeite heeft om bij te blijven. Dit is "overbelasting".

Het Probleem: Als je alleen kijkt naar één enkele "Werklast"-meter, kun je het onderscheid niet maken tussen een bestuurder die blij racet (Hoge Inspanning, Lage Stress) en een bestuurder wiens auto op het punt staat een pakking te laten springen (Hoge Inspanning, Hoge Stress).

De Oplossing: De auteurs hebben een AI-systeem gebouwd dat twee knoppen tegelijk bekijkt. Hierdoor kan het zien of je je in een "productieve zone" of een "overbelastingszone" bevindt.

Hoe de AI je Brein "Voelt"

Omdat we geen draad direct in je brein kunnen steken om deze knoppen af te lezen, gebruikt de AI draagbare sensoren (zoals een smartwatch) om te luisteren naar de "motorgeluiden" van je lichaam. Het richt zich op twee specifieke signalen:

Het Hartslag (Cardiale Signalen): Denk hierbij aan het ritme van de motor. Wanneer je vrijwillig hard focust, verandert je hartslagvariabiliteit op een specifieke manier. De AI luistert naar dit ritme om je Inspanning te raden.
De Huidgeleiding (Elektrodermale Signalen): Dit is zoals het zweet op je handpalmen of de hitte die opstijgt van de motor. Wanneer je gestrest of overweldigd raakt, reageert je huid. De AI meet dit om je Stress te raden.

Door deze twee signalen te combineren, creëert de AI een "kaart" van je mentale staat.

Het Experiment: Het Kantoorsimulatie

Om dit te testen, gebruikten de onderzoekers een dataset genaamd SWELL-KW, die opnames bevat van 21 mensen die kantoorwerkzaamheden uitvoerden. De deelnemers gingen door drie verschillende scenario's:

De Chill-zone (Neutraal): E-mails typen zonder tijdslimiet. (Lage Inspanning, Lage Stress).
De Pop-up-zone (Onderbreking): Dezelfde werkzaamheden uitvoeren, maar dan met constante pop-up onderbrekingen. (Hoge Inspanning, maar Stress varieert).
De Race-zone (Tijdsdruk): Het werk doen met een tikkende klok. (Hoge Inspanning, Hoge Stress).

De Verrassende Bevinding:
In de "Pop-up-zone" werkten sommige mensen heel hard maar voelden ze zich niet gestrest (ze waren gemotiveerd). Anderen voelden zich wel gestrest. Een systeem met één enkele meter zou deze twee groepen verward hebben. Maar het nieuwe AI-systeem slaagde erin ze succesvol te scheiden, en besefte dat Inspanning en Stress verschillende dingen zijn.

Hoe Goed Werkte Het?

De onderzoekers testten de AI met een zeer strenge regel: De "Vreemdelingstest".
Ze trainden de AI op 20 mensen en vroegen het toen om de mentale staat te raden van de 21e persoon die het nog nooit had gezien. Dit is cruciaal omdat het bewijst dat de AI niet gewoon het hartslagpatroon van één persoon heeft onthouden; het heeft in feite de algemene regels geleerd van hoe menselijke breinen werken.

Stressdetectie: Het had het 70% van de tijd goed.
Inspanningsdetectie: Het had het 72% van de tijd goed.

Dit is een enorme verbetering ten opzichte van eerdere methoden, die moeite hadden om boven de 42% nauwkeurigheid te komen wanneer ze werden getest op nieuwe mensen.

Waarom Dit Belangrijk Is (Volgens het Artikel)

Het artikel beweert dat we door "Inspanning" te scheiden van "Stress" eindelijk slimmere systemen kunnen bouwen.

Oude Manier: Als een systeem ziet dat je hard werkt, gaat het er misschien van uit dat je gestrest bent en probeert het je te helpen, zelfs als je van de uitdaging houdt.
Nieuwe Manier: Het systeem kan zien dat je hard werkt maar niet gestrest bent. Het weet dat je in de "productieve zone" zit en laat je met rust. Het grijpt alleen in wanneer de Stressknop begint te stijgen, wat aangeeft dat je op het punt staat tegen een muur te lopen.

Samenvatting

Zie dit artikel als het bouwen van een tweedimensionaal dashboard voor de menselijke geest. In plaats van een simpele "Aan/Uit"-lampje voor "Ben je moe?", krijg je een kaart met "Hoe hard probeer je?" en "Ben je overweldigd?" die op aparte assen zijn uitgezet. Dit zorgt voor een veel genuanceerder en accurater begrip van hoe we denken en werken.

Technische Samenvatting: SYNHEART CAPACITEIT

Probleemstelling

De menselijke cognitieve prestatie wordt beperkt door beperkte mentale middelen, toch blijft de continue computationele schatting van de dynamiek van cognitieve capaciteit een open uitdaging. Huidige adaptieve systemen (bijvoorbeeld tutorplatforms, hulpmiddelen voor besluitvorming) vertrouwen doorgaans op gedragsmatige metrics zoals foutpercentages of reactietijden, die overbelasting pas detecteren nadat de prestatie al is verslechterd. Bovendien reduceren bestaande fysiologische benaderingen vaak complexe cognitieve dynamiek tot een enkel, unidimensionaal label "werklast". Deze aanpak verdoezelt een kritiek theoretisch onderscheid: het verschil tussen vrijwillige toewijzing van middelen (mentale inspanning) en onvrijwillige strain-responsen (stress). Hoge inspanning kan productieve betrokkenheid vertegenwoordigen, terwijl hoge stress aangeeft dat de eisen de capaciteit overstijgen. Zonder deze toestanden te onderscheiden, kunnen adaptieve systemen niet differentiëren tussen een gebruiker die productief wordt uitgedaagd en een gebruiker die cognitieve overbelasting nadert.

Methodologie

De auteurs stellen een theoriegedreven, multimodaal deep learning-framework voor dat cognitieve capaciteit modelleert als een tweedimensionale fysiologische ruimtelijke toestand gedefinieerd door inspanning ( $U$ ) en stress ( $O$ ).

1. Theoretisch Kader

Het model operationaliseert de Capaciteitstheorie (Kahneman, 1973; Hockey, 1997), waarbij wordt verondersteld dat:

Inspanning ( $U$ ): Vrijwillige toewijzing van middelen.
Stress ( $O$ ): Onvrijwillige overbelastingsstrain.
Deze worden behandeld als distincte maar interacterende constructen in plaats van een enkele scalair.

2. Architectuur

De voorgestelde architectuur is een dual-stream, multi-task neurale netwerk ontworpen om de structurele scheiding van inspanning en stress te behouden:

Dual-Stream Encoding:
- Cardiale Stream: Verwerkt tijdreeksen van Inter-Beat Interval (IBI) en handgemaakte Heart Rate Variability (HRV)-kenmerken.
- Elektrodermale Stream: Verwerkt tijdreeksen van Electrodermal Activity (EDA) en handgemaakte EDA-kenmerken (SCL- en SCR-componenten).
Temporele Modellering: Gebruikt LSTM met attention-mechanismen (of Temporal Convolutional Networks als alternatief) om dynamische overgangen vast te leggen.
Fusie: Een late fusie-module concateneert embeddings van beide streams.
Dual-Head Output: Twee onafhankelijke, taakspecifieke heads geven probabilistische schattingen voor hoge/laag stress en hoge/laag inspanning, waardoor een toestandsruimte $(U, O) \in [0, 1]^2$ ontstaat.

3. Dataset en Supervisie

Dataset: De studie maakt gebruik van de SWELL-KW dataset, met fysiologische opnames (ECG, EDA) van 21 deelnemers die kantoorwerkzaamheden uitvoerden onder drie condities: Neutraal (c1), Interruption (c2) en Tijdsdruk (c3).
Labelingstrategie:
- Stress: c1 = Laag; c2/c3 = Hoog.
- Inspanning: c1 = Laag; c3 = Hoog.
- Maskering: De interruptieconditie (c2) is theoretisch dubbelzinnig wat betreft vrijwillige inspanning. De auteurs hanteren een taakspecifieke supervisiestrategie die inspanningslabels voor c2 tijdens training maskeert ( $m_i=0$ ) om te voorkomen dat het model construct-ongeldige associaties leert.
Evaluatie: Strikte Leave-One-Subject-Out (LOSO) kruisvalidatie om generalisatie over individuen te waarborgen.

Belangrijkste Resultaten

1. Generalisatie over Onderwerpen

Onder strikte LOSO-evaluatie behaalde het model een significante gebalanceerde nauwkeurigheid (BA) boven het toevalsniveau (0,50):

Stress: 70,0% BA ( $d=1,60$ ).
Inspanning: 72,2% BA ( $d=1,43$ ).
Gecombineerd Gemiddelde: 71,1% BA.
Dit vertegenwoordigt een verbetering van 27,5 procentpunten ten opzichte van de beste eerdere subject-onafhankelijke baseline (Random Forest, 42,5% BA) op dezelfde dataset.

2. Structurele Coherentie en Dissociatie

Dissociatie Inspanning-Stress: Het model leerde succesvol distincte signatuur voor inspanning en stress. Per-subjectanalyse toonde aan dat hoewel de prestaties op beide assen correleerden ( $r=0,84$ ), er aanzienlijke residuale variantie bestond. Sommige onderwerpen werden nauwkeuriger geclassificeerd op inspanning dan op stress (bijvoorbeeld pp03, pp12), en vice versa (bijvoorbeeld pp23), wat bevestigt dat de twee dimensies niet redundant zijn.
Trajecten in de Toestandsruimte: Voorspelde trajecten kwamen overeen met de capaciteitstheorie. De groepsniveau-toestand bewoog van een "onderbenutte" kwadrant (neutraal) via "optimale betrokkenheid" (interruptie) naar de "overbelastingsgrens" (tijdsdruk).
Individuele Variabiliteit: 52% van de onderwerpen vertoonde theorie-consistente monotoon trajecten. Een subset vertoonde "Peak-C2"-patronen (interruptie activerender dan tijdsdruk), terwijl anderen platte of omgekeerde trajecten vertoonden (vaak gekoppeld aan signaalkwaliteitsproblemen of plafond-effecten).

3. Ablatiestudies

Multimodale Fusie: Het combineren van IBI/HRV- en EDA-signalen presteerde significant beter dan unimodale baselines, wat bevestigt dat cardiale en elektrodermale signalen complementaire informatie bieden.
Feature Augmentatie: Het toevoegen van handgemaakte fysiologische kenmerken (bijvoorbeeld RMSSD, LF/HF) aan ruwe tijdreeks-invoer resulteerde in een winst van +7,1 procentpunt in gemiddelde BA, wat aantoont dat theorie-gedreven samenvattingsstatistieken discriminerende informatie bevatten die niet volledig wordt geëxtraheerd door ruwe temporele encoders alleen.
Label Maskering: Het uitsluiten van dubbelzinnige c2-inspanningslabels verbeterde de inspanningsclassificatie met +7,3 procentpunten zonder de stressprestaties te verslechteren.

Betekenis en Claims

Het artikel stelt dat het inbedden van psychologische structuur direct in het ontwerp van neurale architecturen een verschuiving mogelijk maakt van conventionele werklastclassificatie naar gestructureerde toestandsmodellering van capaciteit.

Theoretische Operationalisatie: Het werk biedt een computationele operationalisatie van cognitieve capaciteit als een tweedimensionale configuratie, waardoor systemen kunnen onderscheiden tussen "productieve betrokkenheid" (hoge inspanning, lage stress) en "overbelasting" (hoge inspanning, hoge stress).
Adaptief Potentieel: Door een continue, multidimensionale schatting van capaciteit te bieden, legt het framework de basis voor adaptieve mens-AI-systemen die in staat zijn tot proactieve interventie (het detecteren van naderende grenzen voordat prestatiefalen optreedt) in plaats van reactieve correctie.
Robuustheid: De resultaten tonen aan dat theorie-gestuurde supervisie en multimodale integratie robuuste generalisatie over individuen kunnen bereiken in fysiologisch computing, een domein dat historisch last heeft van subject-specifieke variabiliteit.

De auteurs wijzen op beperkingen, waaronder het binaire karakter van de classificatie-heads, de afhankelijkheid van een enkele dataset (SWELL-KW) en de noodzaak van toekomstige validatie tegen continue gedragsmatige ground truth. Zij suggereren dat geïndividualiseerde baseline-calibratie mogelijk noodzakelijk is om plafond-effecten en omgekeerde trajecten bij specifieke gebruikers aan te pakken.