RU2611922C1 - Способ прогнозирования результативности деятельности у практически здоровых лиц на основе комплекса электрофизиологических показателей - Google Patents
Способ прогнозирования результативности деятельности у практически здоровых лиц на основе комплекса электрофизиологических показателей Download PDFInfo
- Publication number
- RU2611922C1 RU2611922C1 RU2015148991A RU2015148991A RU2611922C1 RU 2611922 C1 RU2611922 C1 RU 2611922C1 RU 2015148991 A RU2015148991 A RU 2015148991A RU 2015148991 A RU2015148991 A RU 2015148991A RU 2611922 C1 RU2611922 C1 RU 2611922C1
- Authority
- RU
- Russia
- Prior art keywords
- lead
- eeg
- component
- pair
- hrv
- Prior art date
Links
- 230000000694 effects Effects 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 title claims description 9
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 230000000763 evoking effect Effects 0.000 claims abstract description 11
- 230000001149 cognitive effect Effects 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 210000002364 input neuron Anatomy 0.000 claims abstract description 4
- 210000002569 neuron Anatomy 0.000 claims abstract description 3
- 210000004205 output neuron Anatomy 0.000 claims abstract description 3
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 230000010355 oscillation Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims 2
- 230000035479 physiological effects, processes and functions Effects 0.000 abstract description 7
- 239000003814 drug Substances 0.000 abstract description 3
- 230000036541 health Effects 0.000 abstract description 3
- 230000001537 neural effect Effects 0.000 abstract 3
- 239000000126 substance Substances 0.000 abstract 1
- 210000004556 brain Anatomy 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000009885 systemic effect Effects 0.000 description 2
- IYLGZMTXKJYONK-ACLXAEORSA-N (12s,15r)-15-hydroxy-11,16-dioxo-15,20-dihydrosenecionan-12-yl acetate Chemical compound O1C(=O)[C@](CC)(O)C[C@@H](C)[C@](C)(OC(C)=O)C(=O)OCC2=CCN3[C@H]2[C@H]1CC3 IYLGZMTXKJYONK-ACLXAEORSA-N 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 230000008482 dysregulation Effects 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000001037 epileptic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000036403 neuro physiology Effects 0.000 description 1
- 230000008285 neurophysiological mechanism Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000008288 physiological mechanism Effects 0.000 description 1
- 230000008430 psychophysiology Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- IYLGZMTXKJYONK-UHFFFAOYSA-N ruwenine Natural products O1C(=O)C(CC)(O)CC(C)C(C)(OC(C)=O)C(=O)OCC2=CCN3C2C1CC3 IYLGZMTXKJYONK-UHFFFAOYSA-N 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/377—Electroencephalography [EEG] using evoked responses
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Cardiology (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
Изобретение относится к области медицины, а именно к физиологии и гигиене труда. Распределяют исследуемых на группы с известными характеристиками результативности моделируемой деятельности по показателям анализа результатов выполнения теста Горбова-Шульте. Во время выполнения теста регистрируют электрофизиологические показатели параметров: электроэнцефалограммы, когнитивных вызванных потенциалов Р300, электрокардиограммы (ВСР). При этом в качестве нейронной сети используют сеть, представляющую собой многослойный персептрон с 21 входными нейронами, 24 нейронами в промежуточном слое и выходным нейроном. Способ позволяет повысить достоверность прогноза, что достигается за счет использования нейронной сети и оптимального комплекса нейрофизиологических показателей. 1 ил., 3 табл.
Description
Изобретение относится к области медицины, а именно к физиологии и гигиене труда.
Одним из факторов, определяющих результативность целенаправленной деятельности человека, является взаимодействие физиологических механизмов, таких как деятельность неспецифических модулирующих стволовых структур головного мозга [5, 7, 9], функционирование ассоциативных корковых структур, обеспечивающее распознавание и дифференцированный ответ на стимул [1, 2], а также вегетативное обеспечение деятельности [3, 6]. Функционирование механизмов, определяющих результативность деятельности у практически здоровых лиц с позиции системной физиологии, связано со «структурой» и «физиологической стоимостью» результата деятельности [5, 8], как одной из сторон эффективности деятельности.
Наиболее близким способом того же назначения к заявленному изобретению по совокупности признаков является способ, описанный в статье Зорина Р.А., Жаднова В.А., Лапкина М.М. Опыт практического использования технологии искусственных нейронных сетей в физиологии и клинической неврологии (Материалы ежегодной научной конференции, посвященной 70-летию основания Рязанского государственного медицинского университета имени академика И.П. Павлова. - Рязань: РИО Ряз-ГМУ, 2013. - С. 25-28) (ПРОТОТИП) [4], в котором на основе электроэнцефалографических (ЭЭГ) показателей, характеристик вариабельности сердечного ритма (ВСР) при помощи технологии искусственных нейронных сетей распределяют испытуемых на подгруппы с различной результативностью деятельности по показателям теста «количественные отношения», а на основе показателей зрительных вызванных потенциалов, когнитивных вызванных потенциалов и ВСР распределяют испытуемых на подгруппы с различной результативностью деятельности по показателям «Физиотеста».
К причинам, препятствующим достижению результата при использовании известного способа, принятого за прототип, относится небольшой объем выборки, используемой как для обучения нейронной сети, так для ее тестирования; ограниченный набор показателей (ЭЭГ и ВСР показатели или характеристики вызванных потенциалов и ВСР как отдельные наборы параметров), используемый для создания отдельных нейронных сетей, специфический характер моделируемой тестом «количественные отношения» деятельности.
Целью изобретения является прогнозирование результативности целенаправленной деятельности у практически здоровых лиц на основе показателей ЭЭГ, когнитивного вызванного потенциала Р300 и характеристик ВСР путем распределения исследуемых в подгруппы, выделенные исходно методом кластерного анализа по показателям результативности теста Горбова-Шульте.
Цель достигается тем, что на основе показателей моделируемой при помощи теста Горбова-Шульте целенаправленной деятельности испытуемые распределяются на подгруппы с различной результативностью методом кластерного анализа. На основе данных спектрального анализа, исследования функции когерентности и кросскорреляционного анализа ЭЭГ, показателей когнитивного вызванного потенциала Р300, а также характеристик ВСР программным путем создается искусственная нейронная сеть, реализующая решение задачи распределения испытуемых на соответствующие кластеры.
Способ прогнозирования результативности деятельности у практически здоровых лиц осуществляется следующим образом. Программным путем на входные нейроны созданной и обученной искусственной нейронной сети подается определенный комплекс показателей ЭЭГ, когнитивного вызванного потенциала Р300 и характеристик ВСР исследуемого, реализуется запуск работы нейронной сети для данного случая, в результате чего с выходного нейрона получаются данные о номере подгруппы, к которой относится исследуемый.
Экспериментальное обоснование предлагаемого способа проведено на 52 практически здоровых лицах, средний возраст составил 33,1 года, из них 39 мужчин и 13 женщин. Исследуемые на основе кластерного анализа разделены на 2 группы по показателям выполненного теста Горбова-Шульте, позволяющего смоделировать целенаправленную деятельность. Характеристики выполнения теста Горбова-Шульте в подгруппах, оцененные как показатели результативности деятельности, представлены в таблице 1. В первую подгруппу вошло 29 человек, во вторую - 23 человека; группы достоверно различались по среднему числу ошибок; среднему времени выбора после ошибки и до ошибки; в связи с этим группу 1 предложено обозначить как «высокорезультативную», группу 2 как «низкорезультативную».
Регистрировались ЭЭГ показатели по 16-каналам по монополярной схеме с референтными электродами на ушах, показатели когнитивного вызванного потенциала Р300 и показатели ВСР в положении сидя в течении 5 минут в исходном состоянии, а также показатели ВСР во время выполнения теста Горбова-Шульте. В качестве показателей оценивались данные спектрального анализа ЭЭГ, в том числе средняя мощность, средняя частота колебаний в основных частотных диапазонах (тета, альфа, бета1 и бета2), данные кросскорреляционного анализа с расчетом межполушарных и внутриполушарных показателей корреляции, а также средней частоты кросскорреляционной функции; характеристики функции когерентности с определением средней мощности и средней частоты функции когерентности в тета-, альфа-, бета-1 и бета-2 диапазонах; показатели когнитивного вызванного потенциала Р300 (латентность компонентов N2 и Р3; амплитуда компонентов, измеренная от изолинии (0N2, 0Р3), а также статистические показатели вариабельности динамического ряда кардиоинтервалов, данные спектрального анализа ВСР.
Для создания, обучения и тестирования нейронных сетей нами использовался программный пакет Statistica Artificial Neural Networks 10.0. Реализовывался автоматический расширенный алгоритм создания и обучения искусственных нейронных сетей в режиме для решения задач классификации. 110 переменных, включенные в анализ, представляли собой непрерывные числовые данные. В качестве возможных типов нейронных сетей были выбраны сети, основанные на радиальных базисных функциях, многослойные персептроны. Было проанализировано 20 нейронных сетей. Оптимальными характеристиками обладала обученная нейронная сеть, представляющая собой многослойный персептрон с 21 входным нейронами, 24 нейронами в промежуточном слое и выходным нейроном, которая характеризуется определенной архитектурой и набором синаптических весов ее элементов (рис. 1).
Показатели, используемые нейронной сетью в качестве входных, представлены в таблице 2.
В таблице 3 представлены результаты работы нейронной сети на обучающей и тестирующей выборке. При решении задачи распределения пациентов по подгруппам в обучающей выборке ошибок допущено не было; обученная искусственная нейронная сеть допустила по 1 ошибке в каждой подгруппе тестирующей выборки (5,8% ошибок в подгруппе 1, 8,3% в подгруппе 2).
Предложенный способ позволяет определить результативность моделируемой целенаправленной деятельности, что может быть использовано в физиологии и гигиене труда.
Источники информации
1. Гнездицкий В.В. Атлас по вызванным потенциалам мозга (практическое руководство, основанное на анализе конкретных клинических наблюдений) / В.В. Гнездицкий, О.С. Корепина. - Иваново: ПресСто, 2011. - 532 с.
2. Данилова Н.Н. Физиология высшей нервной деятельности / Н.Н. Данилова, А.Л. Крылова. - Ростов на Дону: Феникс, 2005. - 478 с.
3. Димитриев Д.А. Вариабельность сердечного ритма и артериальное давление при ментальном стрессе / Д.А. Димитриев, Е.В. Саперов // Российский физиологический журнал им. И.М. Сеченова. - 2015. - Т. 101, №1. - с. 98-107.
4. Прототип Зорин Р.А. Опыт практического использования технологии искусственных нейронных сетей в физиологии и клинической неврологии / Р.А. Зорин, В.А. Жаднов, М.М. Лапкин // Материалы ежегодной научной конференции, посвященной 70-летию основания Рязанского государственного медицинского университетат имени академика И.П. Павлова; под общ. ред. заслуженного работника высшей школы Российской Федерации, проф. В.А. Кирюшина. - Рязань: РИО РязГМУ, 2013. - С. 25-28.
5. Под ред. Ю.И. Александрова. Психофизиология. - СПб: Питер, 2007. - 464 с.
6. Пшенникова М.Г. Стресс: регуляторные системы и устойчивость к стрессорным повреждениям / М.Г. Пшенникова // Дизрегуляционная патология под ред. Г.Н. Крыжановского. - М.: Медицина, 2002. - С. 307-324.
7. Соколова Л.С. Формирование функциональной организации коры больших полушарий в покое у детей младшего школьного возраста с различной степенью зрелости регуляторных систем мозга. Сообщение I. Анализ спектральных характеристик ЭЭГ в покое / Л.С. Соколова, Р.И. Мачинская // Физиология человека. - 2006. - Т. 15. - С. 1-15.
8. Судаков К.В. Мотивация и подкрепление: системные нейрофизиологические механизмы / К.В. Судаков // Вестник Новгородского государственного университета. - 2006, №35. - с. 77-81
9. Synchrony in normal and focal epileptic brain: the seizure onset zone is functionally disconnected / Warren C.P. et al. // Journal Neurophysiology. - 2010. - Vol. 104, №6. - p. 3530-3539.
Claims (2)
- Способ прогнозирования результативности деятельности у практически здоровых лиц, включающий регистрацию электроэнцефалограммы ЭЭГ, когнитивных вызванных потенциалов Р300, электрокардиограммы (ВСР), распределение исследуемых на группы с известными характеристиками результативности моделируемой деятельности при помощи обученной нейронной сети,
- отличающийся тем, что для определения групп моделируемой деятельности определяют по показателям анализа результатов выполнения теста Горбова-Шульте; во время выполнения теста регистрируют электрофизиологические показатели: амплитуду N2 компонента Р300 в отведении Cz, суммарную мощность спектра ВСР, мощность высокочастотной составляющей спектра ВСР, амплитуду Р3 компонента Р300 в отведении Cz, латентность N2 компонента Р300 в отведении Pz, индекс напряжения ВСР, частоту тета-колебаний ЭЭГ в отведении Т3, корреляцию ЭЭГ в паре отведений С4-Р4, амплитуду Р3 компонента Р300 в отведении Pz, латентность Р3 компонента Р300 в отведении Pz, частоту когерентности в паре отведений Т3-Т4, корреляцию ЭЭГ в паре отведений Р4-02, корреляцию ЭЭГ в паре отведений Р3-01, среднюю частоту корреляции ЭЭГ в паре отведений F3-F4, мощность бета-2 колебаний ЭЭГ в отведении Т3, латентность Р3 компонента Р300 в отведении Cz, латентность N2 компонента Р300 в отведении Cz, когерентность ЭЭГ в паре отведении F4-C4, частоту корреляции в паре отведений Р3-Р4, мощность альфа-колебаний в отведении Т4; при этом в качестве нейронной сети используют сеть, представляющую собой многослойный персептрон с 21 входными нейронами, 24 нейронами в промежуточном слое и выходным нейроном.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2015148991A RU2611922C1 (ru) | 2015-11-13 | 2015-11-13 | Способ прогнозирования результативности деятельности у практически здоровых лиц на основе комплекса электрофизиологических показателей |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2015148991A RU2611922C1 (ru) | 2015-11-13 | 2015-11-13 | Способ прогнозирования результативности деятельности у практически здоровых лиц на основе комплекса электрофизиологических показателей |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2611922C1 true RU2611922C1 (ru) | 2017-03-01 |
Family
ID=58459124
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2015148991A RU2611922C1 (ru) | 2015-11-13 | 2015-11-13 | Способ прогнозирования результативности деятельности у практически здоровых лиц на основе комплекса электрофизиологических показателей |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2611922C1 (ru) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU123649U1 (ru) * | 2012-08-07 | 2013-01-10 | Общество с ограниченной ответственностью "Лиандри" | Система контроля показателей здоровья и оказания телемедицинских услуг |
| WO2014147519A1 (en) * | 2013-03-20 | 2014-09-25 | Koninklijke Philips N.V. | Neurophysiological monitoring for prospective motion gating in radiological imaging |
| US20140330149A1 (en) * | 2011-08-11 | 2014-11-06 | Applied Biomedical Systems BV | Methods, Systems and Devices for Detecting Atrial Fibrillation |
-
2015
- 2015-11-13 RU RU2015148991A patent/RU2611922C1/ru not_active IP Right Cessation
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140330149A1 (en) * | 2011-08-11 | 2014-11-06 | Applied Biomedical Systems BV | Methods, Systems and Devices for Detecting Atrial Fibrillation |
| RU123649U1 (ru) * | 2012-08-07 | 2013-01-10 | Общество с ограниченной ответственностью "Лиандри" | Система контроля показателей здоровья и оказания телемедицинских услуг |
| WO2014147519A1 (en) * | 2013-03-20 | 2014-09-25 | Koninklijke Philips N.V. | Neurophysiological monitoring for prospective motion gating in radiological imaging |
Non-Patent Citations (4)
| Title |
|---|
| MOLNAR B. et al. Medical use of artificial neural networks. Orv Hetil. 1998 Jan 4;139(1):3-9. * |
| Зорин Р.А. и др. Опыт практического использования технологии искусственных нейронных сетей в физиологии и клинической неврологии. Материалы конференции Рязанского государственного медицинского университета имени академика И.П. Павлова. - Рязань: РИО Ряз-ГМУ, 2013. - с. 25-28. * |
| КОТИН В.В. Прогнозирование заболеваемости: динамические модели и временные ряды. Биотехносфера. 2014, 3, с. 45-47. * |
| КОТИН В.В. Прогнозирование заболеваемости: динамические модели и временные ряды. Биотехносфера. 2014, 3, с. 45-47. MOLNAR B. et al. Medical use of artificial neural networks. Orv Hetil. 1998 Jan 4;139(1):3-9. * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Nagendra et al. | Cognitive behavior evaluation based on physiological parameters among young healthy subjects with yoga as intervention | |
| Lean et al. | Brief review on physiological and biochemical evaluations of human mental workload | |
| MacKinnon et al. | Utilizing heartbeat evoked potentials to identify cardiac regulation of vagal afferents during emotion and resonant breathing | |
| Krusienski et al. | Control of a visual keyboard using an electrocorticographic brain–computer interface | |
| Vögele et al. | Cardiac autonomic regulation and anger coping in adolescents | |
| AU2017252517A1 (en) | Protocol and signatures for the multimodal physiological stimulation and assessment of traumatic brain injury | |
| Bălan et al. | A machine learning approach to automatic phobia therapy with virtual reality | |
| Boman | Heart rate variability: A possible measure of subjective wellbeing? | |
| Frustaci et al. | Changes in psychological symptoms and heart rate variability during EMDR treatment: a case series of subthreshold PTSD | |
| RU2611922C1 (ru) | Способ прогнозирования результативности деятельности у практически здоровых лиц на основе комплекса электрофизиологических показателей | |
| Wang et al. | Experienced Meditators Show Enhanced Interaction Between Brain and Heart Functioning | |
| Seth et al. | Brain computer interfacing: A spectrum estimation based neurophysiological signal interpretation | |
| Papageorgiou et al. | Brain oscillations elicited by the cold pressor test: a putative index of untreated essential hypertension | |
| RU2618161C1 (ru) | Способ прогнозирования реакции на гипервентиляционную нагрузку у практически здоровых лиц на основе показателей электроэнцефалограммы, характеристик вариабельности сердечного ритма и активности сегментарного мотонейронного аппарата | |
| Rechichi | Habit and neural fatigue: A study finalised to the development of a BCI for locked-in subjects based on single trial EEG | |
| Cavaleri | Exploring early corticomotor reorganisation | |
| Cornes | Dynamic Changes In Heart Rate Variability Under Threat: Exploring The Effects Of Emotion Regulation On The Parasympathetic Nervous System | |
| Stoupi et al. | Heartbeat-evoked potentials following voluntary hyperventilation in epilepsy patients: respiratory influences on cardiac interoception | |
| Derosiere et al. | Overlapping influences shape motor activity during hasty sensorimotor decisions | |
| Espenhahn | The relationship between cortical beta oscillations and motor learning | |
| Corniani | Classification of EEG and fNIRS signals from Completely Locked-in State Patients for a Brain-Computer Interface communication system | |
| Perrey | Psychophysiological Techniques Applied to Sports and Exercise | |
| Oswald et al. | Exploring aperiodic, complexity and entropic brain changes during non-ordinary states of consciousness | |
| Fung | The Influence of Emotion Regulation Strategies and Goals on Physiological Outcomes | |
| Marks | Objective Tracking of Signs & Symptoms in Epilepsy |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20171114 |