ΧΡΗΣΗ ΤΟΥ ΗΛΕΚΤΡΟΕΓΚΕΦΑΛΟΓΡΑΦΗΜΑΤΟΣ ΓΙΑ ΤΗ ΔΙΑΓΝΩΣΗ ΤΗΣ ΠΝΕΥΜΑΤΙΚΗΣ ΚΟΠΩΣΗΣ ΜΕΣΩ ΤΩΝ ΚΥΜΑΤΙΚΩΝ ΖΩΝΩΝ DELTA, THETA, ALPHA, BETA, GAMA ΧΡΗΣΙΜΟΠΟΙΩΝΤΑΣ ΤΕΧΝΙΚΕΣ ΤΕΧΝΗΤΗΣ ΝΟΗΜΟΣΥΝΗΣ

Abstract

Η πνευματική κόπωση και η γνωστική υπερφόρτωση αποτελούν κρίσιμους παράγοντες που επηρεάζουν την ανθρώπινη απόδοση, τη λήψη αποφάσεων και τη λειτουργική αποτελεσματικότητα. Το ηλεκτροεγκεφαλογράφημα (EEG) έχει αναδειχθεί σε ένα ισχυρό μη επεμβατικό εργαλείο για την ανίχνευση τέτοιων καταστάσεων, μέσω χαρακτηριστικών ταλαντωτικών προτύπων. Η παρούσα εργασία αποτελεί συστημική βιβλιογραφική ανασκόπηση, με στόχο τη διερεύνηση της χρήσης των κυματικών ζωνών του EEG—ιδίως των delta, theta, alpha, beta και gamma—στη διάγνωση της πνευματικής κόπωσης και της γνωστικής επιβάρυνσης. Τα ευρήματα επιβεβαιώνουν ότι οι ζώνες theta (θ) και alpha (α) παρουσιάζουν σταθερές και επαναλαμβανόμενες συσχετίσεις με μειωμένη συγκέντρωση, αυξημένο γνωστικό φόρτο και φαινόμενα γνωστικής εξάντλησης. Οι ζώνες αυτές χρησιμοποιούνται συχνά είτε μεμονωμένα είτε σε συνδιασμό (π.χ. θ/α, θ/β), λειτουργώντας ως αξιόπιστοι δείκτες πνευματικής κόπωσης. Παράλληλα, εξετάζονται οι μεθοδολογίες τεχνητής νοημοσύνης που αξιοποιούνται για την ταξινόμηση καταστάσεων γνωστικού φόρτου βασισμένων σε σήματα EEG. Οι μελέτες δείχνουν μία ισορροπημένη χρήση παραδοσιακών ταξινομητών, όπως οι Support Vector Machines και Random Forests, και σύγχρονων μεθόδων deep learning, όπως τις Convolutional Neural Networks (CNN) και Long Short-Term Memory (LSTM). Αν και οι μέθοδοι deep learning εμφανίζουν σημαντικές προοπτικές λόγω της ικανότητάς τους να ανιχνεύουν πρότυπα χωρίς χειροκίνητη επιλογή χαρακτηριστικών, η ευρεία υιοθέτησή τους παραμένει περιορισμένη εξαιτίας της έλλειψης μεγάλων, καλά επισημασμένων dataset. Συνολικά, η ανασκόπηση αναδεικνύει τόσο την ωριμότητα των σημερινών δεικτών EEG όσο και τις μελλοντικές ευκαιρίες που προσφέρει η ολοένα αυξανόμενη ενσωμάτωση τεχνικών τεχνητής νοημοσύνης.