Il carico mentale è un costrutto complesso che deriva dall’interazione di diversi aspetti cognitivi. In particolare, esso riflette la quantità di risorse mentali necessarie per svolgere una serie di compiti simultanei (Wickens, 2008).

L’elettroencefalografia (EEG) può fornire una misurazione affidabile e accurata del mental workload (carico mentale). I ritmi EEG più rilevanti per la valutazione del mental workload sono le attività theta e alfa, registrate rispettivamente sulla Corteccia Prefrontale (PFC) e sulla Corteccia Parietale Posteriore (PPC). Il ritmo theta, in particolare a livello della PFC, mostra una correlazione positiva con il workload, ovvero aumenta all’aumentare del workload (Borghini et al., 2013). Il ritmo alfa, soprattutto a livello della PPC, presenta invece una correlazione inversa, ovvero diminuisce all’aumentare del workload (Gevins et al., 1997).

BrainSigns ha sviluppato e brevettato una neurometrica per la valutazione del mental workload, basata sull’applicazione di un modello di machine learning specifico, tarato sulle caratteristiche di frequenza del theta frontale e dell’alfa parietale, derivanti dalla registrazione EEG (Aricò et al., 2016).

Quando gli elettrodi parietali non sono disponibili, può essere utilizzato un indice alternativo proporzionale al carico mentale. Questo indice, noto come cognitive effort (sforzo cognitivo) o mental effort, si basa esclusivamente sull’attività theta prefrontale.

La neurometrica del workload, insieme a quella del cognitive effort, è parte integrante della suite di applicazioni BrainSigns. In ambito human factor, essa viene utilizzata per valutare oggettivamente l’attività degli operatori nei settori di automotive (Di Flumeri et al., 2018), aviazione (Aricò et al., 2016), industria (Giorgi et al., 2021), educazione (Ronca et al., 2025).

Nel campo del neuromarketing, la neurometrica viene impiegata per valutare il livello di impegno richiesto agli utenti nell’interazione con diverse tecnologie o pannelli di UX, oppure per analizzare la fluidità delle comunicazioni di marketing (Modica et al., 2018) o l’esperienza di prodotto (Vozzi et al., 2023).

In ambito di salute e benessere, può essere utilizzata per valutare la qualità di dispositivi neuro-medicali, come ad esempio gli impianti cocleari (Cartocci et al., 2015).

Il Workload una delle neurometriche disponibili nella Neurometrics App di Mindtooth, sviluppata da BrainSigns.

RIFERIMENTI BIBLIOGRAFICI

• Aricò, Pietro, et al. "A passive brain–computer interface application for the mental workload assessment on professional air traffic controllers during realistic air traffic control tasks." Progress in brain research 228 (2016): 295-328.
• Aricò, Pietro, et al. "Adaptive automation triggered by EEG-based mental workload index: a passive brain-computer interface application in realistic air traffic control environment." Frontiers in human neuroscience 10 (2016): 539.
• Borghini et al., “Frontal EEG theta changes assess the training improvements of novices in flight simulation tasks,” in 2013 35th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), 2013, pp. 6619–6622.
• Cartocci, G.; Maglione, A.G.; Vecchiato, G.; Flumeri, G.D.; Colosimo, A.; Scorpecci, A.; Marsella, P.; Giannantonio, S.; Malerba, P.; Borghini, G.; et al. Mental workload estimations in unilateral deafened children. In Proceedings of the 2015 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Milan, Italy, 25–29 August 2015; pp. 1654–1657. 
• Di Flumeri, Gianluca, et al. "EEG-based mental workload neurometric to evaluate the impact of different traffic and road conditions in real driving settings." Frontiers in human neuroscience 12 (2018): 509. 
• Gevins, M. E. Smith, L. McEvoy, and D. Yu, “High-resolution EEG mapping of cortical activation related to working memory: effects of task difficulty, type of processing, and practice,” Cereb. Cortex (New York, N.Y. 1991), vol. 7, no. 4, pp. 374–385, Jun. 1997. 
• Giorgi, Andrea, et al. "Wearable technologies for mental workload, stress, and emotional state assessment during working-like tasks: A comparison with laboratory technologies." Sensors 21.7 (2021): 2332. 
• Modica, E.; Cartocci, G.; Rossi, D.; Martinez Levy, A.C.; Cherubino, P.; Maglione, A.G.; Di Flumeri, G.; Mancini, M.; Montanari, M.; Perrotta, D.; et al. Neurophysiological responses to different product experiences. Comput. Intell. Neurosci. 2018,  9616301. 
• Ronca, V.; Aricò, P.; Tamborra, L.; Biagi, A.; Di Flumeri, G. A Multimodal Neurophysiological Approach to Evaluate Educational Contents in Terms of Cognitive Processes and Engagement. Bioengineering 2025, 12, 597. 
• Vozzi, Alessia, et al. "Time-Dependent Analysis of Human Neurophysiological Activities during an Ecological Olfactory Experience." Brain Sciences 13.9 (2023): 1242.
• Wickens, Christopher D. "Multiple resources and mental workload." Human factors 50.3 (2008): 449-455.