Jaakko Tervosen väitöstutkimuksessa Oulun yliopistossa selvitettiin, mitkä nykyisistä fysiologisista mittauksista, joilla tunnistetaan käyttäjän stressiä ja kognitiivista kuormitusta, voidaan integroida älylaseihin. Tutkimusaineistoa oli monenlaista. Sydämen toimintaa mitattiin aineistosta riippuen EKG:llä, fotopletysmografialla (PPG), sykkeellä ja sykevälillä. Autonomisen hermoston reaktioita mitattiin ihon sähkönjohtavuudella (EDA), ja osassa aineistoista mukana oli ihon lämpötila. Silmiin liittyvää dataa kerättiin joko silmien ympärille asetettavilla EOG-elektrodeilla tai kameraperusteisella silmänseurannalla (VOG), josta voidaan johtaa esimerkiksi räpäytyksiä, sakkadeja, katseen kiinnittymistä ja pupillin kokoa. Joissakin aineistoissa oli lisäksi EEG:tä, lihassähkökäyrää, hengitystä ja kasvojen videokuvaa. Työn lopputuloksena ehdotettu käytännöllinen yhdistelmä koostuu kameraperusteisesta silmänseurannasta (VOG), optisesta sydämen sykkeen mittauksesta (PPG) ja ihon sähkönjohtavuudesta (EDA). Näistä muodostettavia piirteitä ovat esimerkiksi pupillin koko, räpäytykset, sakkadit ja fiksaatiot sekä syke, sykevaihtelu ja ihon sähkönjohtavuuden muutokset.

Tuloksissa erityisesti silmiin liittyvä tieto osoittautui kiinnostavaksi. EOG oli yhdessä stressiaineistossa paras yksittäinen signaali, ja silmiin liittyvät piirteet nousivat tärkeiksi myös kognitiivisen kuormituksen tunnistamisessa. Paras suorituskyky syntyi kuitenkin yleensä yhdistämällä useita fysiologisia signaaleja, mikä tukee ajatusta siitä, ettei tulevaisuuden älylasi arvioisi kuormitusta yhdestä mittarista vaan useiden pienten fysiologisten muutosten kokonaisuudesta.

Signaalin kannalta kiinnostava askel on personoinnin keventyminen. Fysiologiset reaktiot kuormitukseen vaihtelevat ihmisittäin, mikä on vaikeuttanut yleisten tunnistusmallien käyttöä. Väitöskirjassa mallia pystyttiin mukauttamaan yksilölle vain muutaman minuutin perustasomittauksella, ja kevyt laskennallinen menetelmä suoriutui tehtävästä yhtä hyvin kuin suuri tekoälymalli. Tämä voi madaltaa kynnystä siirtää kognitiivisen tilan tunnistamista laboratorion ulkopuolelle jatkuvasti mukana kulkeviin laitteisiin. Esimerkiksi kuntoutuksessa voitaisiin tarkastella, missä arkisissa tehtävissä kuormitus kasvaa, miten nopeasti henkilö palautuu ja muuttuuko kuormituskynnys ajan myötä. Vielä eteenpäin vietynä teknologia voisi mahdollistaa reaaliaikaisen palautteen tunnistamalla kuormituksen nousun ja ehdottamalla taukoa, mukauttamalla digitaalisen palvelun vaikeustasoa tai välittämällä tiedon myöhempää ammattilaisarviota varten.

Epävarmuus on kuitenkin korkea. Tutkimus osoittaa teknisen tunnistamisen mahdollisuutta, ei vielä sitä, että mittari diagnostisoisi sairauksia, ennustaisi haittatapahtumia tai parantaisi hoitotuloksia. Tutkimus on ei ole vielä käytännön soveltamisen vaiheessa, vaan aineistot on kerätty pääosin kontrolloiduissa ympäristöissä, eikä väitöskirja osoita, että menetelmällä voitaisiin vielä kliinisesti arvioida sairautta tai toimintakykyä arkielämässä. Lisäksi jatkuva kognitiivisten tilojen mittaaminen nostaa merkittäviä tietosuoja-, suostumus- ja työelämän eettisiä kysymyksiä. Kuormitustiedosta voisi helposti tulla myös työntekijän suorituskyvyn valvontadataa.