 |
|
|
 |
 |
 |
 |
Автоматизированная система для психофизиологического мониторинга и подбора персонализированной терапииСенюкова О.В. (Москва, Россия),
|
|
|
|
|
|
|
|
Аннотация. Диагностика и мониторинг состояния пациента в клинической психологии обычно основываются на субъективной информации: на результатах опросов пациентов и наблюдениях. Недостаток объективных, количественно измеряемых данных может приводить к неверным выводам и выбору неоптимальной терапии. Впрочем, используемые на данный момент методы современной психофизиологии позволяют проводить объективное измерение конкретных психологических состояний и их динамики. Тем не менее, персонализация и оптимизация лечения — очень трудная задача даже для медицины, где имеется множество объективных диагностических методик. Ранее авторами была предложена универсальная схема на основе алгоритмов машинного обучения, позволяющая находить оптимальную комбинацию индикаторов для временных рядов вариабельности сердечного ритма и походки, которая может использоваться для ранней диагностики развивающихся патологий и численного описания комбинированных и редких состояний. В данной работе мы демонстрируем, что этот же подход может быть применим к задаче объективного психофизиологического мониторинга и быстрого подбора эффективной персонализированной терапии в прикладной и клинической психологии. Онлайн-версия разработанной системы будет доступна для исследователей и практикующих психологов.
Ключевые слова: автоматизированная диагностика; анализ вариабельности сердечного ритма; анализ походки; ансамбли классификаторов; персонализированная медицина.
Ссылка для цитирования размещена в конце публикации.
Работа поддержана грантом Президента Российской Федерации для государственной поддержки молодых российских ученых МК-1896.2017.9 (договор № 14.W01.17.1896-МК).
Введение
В клинической психологии мониторинг состояния пациента и диагностика заболеваний чаще всего проводятся на основе опросов пациента и различных наблюдений, что является достаточно субъективной информацией и поэтому может приводить к не совсем верным или неопределенным диагнозам и неэффективному отслеживанию динамики состояния пациента. Следовательно, возникают проблемы с быстрым подбором эффективной персонализированной терапии и ее корректировкой. Тем не менее, методы, применяемые в современной психофизиологии, продемонстрировали возможность объективного описания конкретных психофизиологических состояний и их динамики.
Психофизиология опирается на такие данные, как кожно-гальваническая реакция (КГР), электрокардиограммы (ЭКГ), электроэнцефалограммы (ЭЭГ), электромиограммы (ЭМГ) и т.д. [5]. Эффективность использования этих физиологических показателей для описания различных психоэмоциональных состояний доказана во многих практических приложениях, включая полиграф и биологическую обратную связь (БОС) [4; 11; 16]. Поскольку большинство этих данных может быть получено с помощью различного портативного оборудования, качественный и непрерывный контроль состояния пациента возможен вне медицинского учреждения. Более детализированные данные психофизиологической динамики можно получить с помощью функциональной магнитно-резонансной томографии (фМРТ). Однако фМРТ и другие подобные виды исследований не могут применяться для ежедневного персонального использования.
Некоторые физиологические сигналы, например, КГР или частота сердечных сокращений (ЧСС), признаны эффективными для обнаружения быстрых эмоциональных изменений, что важно для таких приложений, как полиграф или БОС. Тем не менее, сами по себе эти метрики не могут быть использованы для разделения на нормальное и патологическое психофизиологические состояния. Действительно, одни и те же изменения КГР или ЧСС при непродолжительной эмоциональной реакции могут встречаться как у здоровых индивидов, так и у больных клинической депрессией.
Один из подходов, применимых к задаче классификации пациентов на больных и здоровых, — это анализ вариабельности физиологических сигналов [8; 20; 24; 26; 28]. Наиболее часто используется анализ вариабельности сердечного ритма (ВСР), играющего, как известно, важную роль в диагностике сердечных заболеваний [1; 2]. Индикаторы ВСР, рассчитанные по последовательности интервалов R-R (промежутков времени между соседними зубцами R электрокардиограммы, равных продолжительности сердечного цикла), предоставляют не только дополнительный метод диагностики, но и возможность потенциального обнаружения незначительных изменений динамики на ранних стадиях развивающейся патологии. Анализ данных R-R также значительно более устойчив к шуму по сравнению с анализом формы волны ЭКГ. Это особенно важно при обработке данных, полученных с помощью портативного оборудования, например, суточного монитора ЭКГ по Холтеру. Область применимости анализа вариабельности для биомедицинских приложений не ограничивается кардиологией. Например, индикаторы вариабельности походки, или длин интервалов между последующими шагами, чувствительны к изменениям неврологических функций, вызванных старением и развитием определенных неврологических заболеваний, таких как боковой амиотрофический склероз, болезнь Паркинсона и болезнь Хантингтона [9; 26; 29]. Анализ вариабельности также применим к данным ЭЭГ и ЭМГ [11].
Помимо чисто медицинских приложений, анализ вариабельности физиологических временных рядов также может использоваться для мониторинга психологических состояний и обнаружения отклонений. Например, тревожные расстройства, хронические стрессовые состояния, депрессии и другие психологические отклонения часто вызывают уменьшение вариабельности сердечного ритма [7; 19; 22; 25; 30]. ВСР также может объективно отражать степень регулируемой эмоциональной реакции [6]. Данные ВСР используются для анализа эффективности основной и альтернативной (например, медитативной) терапии в прикладной психологии [16; 21]. В работе В.А. Машина и М.Н. Машиной [3] рассматривается связь ВСР с состоянием психологической релаксации. Походка, как известно, является потенциальным индикатором наличия депрессии [10], болезней аутистического спектра и других психологических и психических состояний. Поскольку современные портативные устройства, например, используемые во время занятий фитнесом, или сенсоры для смартфонов позволяют удобно собирать данные, необходимые для расчета вариабельности сердечного ритма и походки, индикаторы на основе вариабельности могут быть весьма эффективны для непрерывного контроля психофизиологического состояния и раннего обнаружения развивающихся патологий. Также они могут использоваться для объективной оценки эффективности терапии и ее последующей оптимизации.
Тем не менее, для корректной работы большинства существующих индикаторов на основе вариабельности требуются длинные временные ряды. Поэтому точность и устойчивость таких индикаторов значительно снижаются, когда анализ производится по более коротким временным рядам. Это ограничение не позволяет обнаруживать с помощью данных индикаторов как короткоживущие предвестники развивающихся психофизиологических и психологических патологий, так и преходящие отклонения.
Учитывая вышеописанные трудности, раннее обнаружение патологий и их контроль, равно как и персонализация и оптимизация лечения, — очень сложные задачи, даже при наличии многоканальных физиологических данных. Особенно это касается комбинированных и редких патологий, которые трудно описать количественно из-за очень малого объема данных. Ранее авторами была предложена универсальная схема, позволяющая находить оптимальную комбинацию физиологических индикаторов по коротким временным рядам вариабельности сердечного ритма и походки, применимую, следовательно, для раннего обнаружения кардиологических и неврологических заболеваний [13; 14; 15]. В настоящей работе дано краткое описание разработанной схемы с акцентом на ее применимости к описанию комбинированных психофизиологических состояний. Утверждается, что данный подход предоставляет количественную метрику для объективного психофизиологического мониторинга и быстрого подбора эффективной персонализированной терапии в прикладной и клинической психологии. В работе представлены примеры, иллюстрирующие описанную схему, использующие реальные данные ВСР и походки. Планируется создание онлайн-версии разработанной системы для использования исследователями и практикующими психологами.
Материалы и методы
Предложенная ранее авторами настоящей работы универсальная схема позволяет:
1) |
классифицировать временные ряды на два класса по принципу «больной/здоровый»; |
2) |
строить численное описание каждого временного ряда. |
После построения численного описания временных рядов можно сравнивать их с помощью специальной метрики.
Схема основана на алгоритмах машинного обучения и подробно описана в предыдущих работах авторов [13; 15]. Основная идея состоит в использовании ансамблей классификаторов [12], где в качестве отдельных классификаторов используются широко распространенные индикаторы для анализа временных рядов, такие как детрендный анализ флуктуаций (ДАФ) [24], многомасштабный анализ энтропии (МАЭ) [8], мультифрактальный анализ (МФА), включая МФА-расширение для ДАФ [17], индикаторы, основанные на анализе спектральной плотности временных рядов R-R, такие как отношение спектральной плотности низкочастотного диапазона (0.04 Hz — 0.15 Hz) и высокочастотного диапазона (0.15 Hz — 0.4 Hz) (НЧВЧ). Предложенная схема также позволяет использовать любые другие метрики, которые могут дополнить анализ психофизиологических состояний. Таким образом, схема состоит из отдельных, хорошо интерпретируемых компонент, что делает подход более удобным и более устойчивым, чем популярные на данный момент нейронные сети, работающие по принципу «черного ящика».
В работе Y. Freund и R. Schapire [12] показано, каким образом объединение классификаторов в ансамбли позволяет добиться большей точности классификации. В настоящей работе также приведены результаты экспериментов, демонстрирующие, что точность предложенного алгоритма выше, чем при использовании отдельных индикаторов.
Структура работы предложенной схемы показана на рис. 1.
  |
Рис. 1. Предложенная схема.
Сначала происходит обучение ансамбля классификаторов по всем имеющимся данным — здоровых пациентов и пациентов с различными диагнозами. Построенный ансамбль представляет собой сумму отдельных функций, каждая из которых соответствует одному из упомянутых выше индикаторов с определенным набором параметров. После применения классификатора к некоторому временному ряду p, можно определить знак функции C(p), где +1 говорит о том, что пациент здоровый, а −1 говорит о наличии у него некоторого заболевания. Само значение C(p) выступает в роли индикатора, численно характеризующего психофизиологическое состояние пациента. Если нужна более точная информация о состоянии пациента, то рассматривается не сумма C(p), а вектор D(p), состоящий из компонент этой суммы. Такое численное описание является более информативным, чем значение суммы, и позволяет проводить более точное сравнение временных рядов различных пациентов с помощью измерения, например, Евклидова расстояния между векторами в N-мерном пространстве. Ранее авторами было показано, как такой подход может использоваться для диагностирования редких заболеваний и физиологических состояний, для которых не существует больших баз данных [27].
Наличие длинного временного ряда позволяет построить еще более информативное численное описание с помощью предложенной схемы. В этом случае временной ряд p разбивается на последовательные непересекающиеся сегменты p1,...,pM, и для каждого из них либо рассчитывается значение C(pi), либо строится вектор D(pi), i=1,...,M. Численным описанием временного ряда p является вектор {C(p1),...,C(pM)} или, соответственно, последовательность векторов {D(p1),...,D(pM)}. Для сравнения двух временных рядов могут использоваться как статистические метрики, так и разработанная авторами более сложная метрика на основе теории графов [15].
Данный подход не только может находить применение для выявления патологий, но и позволяет строить по-настоящему персонифицированное описание глобального психофизиологического состояния. Ниже показано, что с помощью этой схемы можно сравнивать даже временные ряды пациентов с одним и тем же заболеванием или одного и того же пациента, что позволяет потенциально использовать алгоритм для персонализации лечения, где проявляющиеся эффекты от изменения терапии — очень тонкие и трудно определимые на ранних стадиях.
Результаты исследований и обсуждение
Для проведения экспериментов в основном использовались реальные данные R-R и данные о походке из открытой базы [23]. Для построения классификатора «больной/здоровый» были взяты данные R-R от 52 пациентов с нормальными синусным ритмом, 20 пациентов с застойной сердечной недостаточностью, 84 пациентов с длительной фибрилляцией предсердий и 48 пациентов с различными видами аритмии. В базе имеются записи длительностью до 24 часов для здоровых пациентов, пациентов с застойной сердечной недостаточностью и пациентов с длительной фибрилляцией предсердий, а также длительностью до 30 минут — для пациентов с аритмией.
Сравнение точности работы ансамбля классификаторов с классификацией на основе отдельных индикаторов для задачи разделения пациентов на больных и здоровых представлено на рис. 2. Поскольку все результаты получены для коротких сегментов R-R (до 256 значений), подход может применяться для экспресс-диагностики, где доступны только короткие временные ряды. Ансамбль классификаторов демонстрирует значительное преимущество (более 40% в некоторых случаях). Более подробное обсуждение подобных результатов приводится в предыдущих публикациях авторов настоящей работы [13].
  |
Рис. 2. Вероятность обнаружения некоторых заболеваний при разных
показателях ложной тревоги.
Для тестирования предложенного индикатора на основе ансамблей классификаторов для описания глобального психофизиологического состояния были использованы данные R-R длительностью 1 ч для каждого пациента, полученные с помощью мониторов Холтера от 7 пациентов до и после медитации Чи. Исходные временные ряды были разбиты на последовательные сегменты из 256 значений, и по каждому сегменту были рассчитаны значения ансамбля C(x) и, для сравнения, значения двух отдельных индикаторов. На рис. 3 приведены значения 10-го перцентиля распределения значений для этих трех случаев.
Рис. 3. 10-й перцентиль распределения значений индикатора, основанного на ансамбле классификаторов (слева) и отдельных индикаторов (справа), рассчитанный по последовательным сегментам R-R из 256 значений, извлеченных из записей монитора Холтера длительностью около 1 часа, до (зеленый) и во время (голубой) медитации Чи для 7 пациентов.
Из приведенных иллюстраций следует, что предложенный индикатор, основанный на ансамбле классификаторов, является более эффективным для задачи определения глобальных изменений психофизиологического состояния. Предложенный индикатор однозначно указывает на улучшение психофизиологического состояния во время медитации. В целом, отдельные индикаторы также указывают правильное направление изменения состояния. Тем не менее, их значения существенно перекрываются для состояний до и во время медитации, что уменьшает возможность различать два состояния. Таким образом, индикатор на основе ансамбля классификаторов может быть гораздо более надежным для раннего обнаружения незначительных изменений психофизиологического состояния и их отслеживания с целью выбора оптимальной терапии и ее корректировки.
В ходе экспериментов также были использованы данные R-R от одного и того же здорового пациента в виде пяти 20-минутных последовательностей, где пациент слушал расслабляющую музыку в течение первых 10 минут и рок-музыку в течение оставшихся 10 минут. Данные были получены с помощью беспроводного датчика сердечного ритма Zephyr HxM BT. Для каждой 20-минутной последовательности была рассчитана разность значений индикатора для двух сегментов R-R из 256 значений, один из которых находится в начале 10-минутного интервала, где пациент слушал расслабляющую музыку, а другой – в конце этого интервала. Аналогичным образом была рассчитана разность значений индикатора для 10-минутных интервалов, где пациент слушал рок-музыку. Результаты экспериментов для предложенного и существующего индикаторов показаны на рис. 4.
Опираясь на проведенные ранее исследования и общие ожидания от музыкальной терапии, можно утверждать, что расслабляющая музыка способствует росту индикатора ВСР (увеличивает вариабельность сердечного ритма), что должно приводить к положительной разности между значениями индикатора на конечном и начальном сегментах. Очевидно, что из-за различий в общем психофизиологическом состоянии между сеансами этот эффект может быть более или менее выраженным во время разных сеансов. Слишком активная музыка, напротив, часто приводит к ухудшению общего психофизиологического состояния и уменьшению ВСР, что должно отражаться в отрицательной разности между значениями индикатора на конечном и начальном сегментах соответствующего интервала.
Рис. 4. Разность между значениями индикатора, рассчитанными по сегментам из 256 значений, извлеченным из 10-минутных записей: индикатор, основанный на ансамбле классификаторов (сверху), и отдельный индикатор НЧВЧ (снизу). Исследуемые данные представляют собой 5 20-минутных сеансов, где пациент первые 10 минут слушает расслабляющую музыки, а последние 10 минут — рок-музыку.
Как видно на рис. 4, данное предположение полностью подтверждается результатами с использованием предложенного индикатора. Также видно, что отдельный индикатор НЧВЧ демонстрирует гораздо менее стабильное определение ожидаемых изменений. В двух из пяти случаев отмечается выраженное увеличение ВСР для сегмента рок-музыки, которое значительно превосходит увеличение ВСР для периодов расслабляющей музыки. Таким образом, еще раз подтверждается, что предложенный индикатор на основе ансамблей классификаторов лучше отражает ожидаемые изменения и может быть хорошим выбором для практических приложений, имеющих дело с обнаружением и отслеживанием сложных и трудноразличимых психологических состояний. Данная иллюстрация также демонстрирует возможность использования широкодоступных портативных устройств для сбора данных R-R вместо дорогих мониторов Холтера в приложениях, не работающих с обнаружением или отслеживанием серьезных сердечных патологий.
Гораздо более широкий спектр психофизиологических состояний может наблюдаться в профессиональном спорте. Один из авторов (А.Г. Монин) в течение многих лет был в составе известной команды по автомобильным ралли «Русь-Спорт». С помощью портативных датчиков ЭКГ ему удалось собрать ряд уникальных данных во время тренировок. Эти данные сравнивались с измерениями во время отдыха и обычнoго вождения автомобиля. Предварительный анализ показал, что индикатор на основе ансамблей классификаторов четко разделяет эти три психофизиологических состояния. В то же время, отдельные индикаторы дают гораздо менее стабильное разделение этих состояний. Более подробный отчет на эту тему будет представлен в последующих публикациях авторов настоящей работы.
Для иллюстрации того факта, что при помощи построения последовательности векторов, рассчитанных по последовательным коротким сегментам длинных временных рядов, и использования предложенной метрики на основе теории графов для расчета расстояния между двумя временными рядами [15] можно добиться хорошего разделения даже между пациентами с одним и тем же заболеванием, были взяты данные от 20 пациентов с застойной сердечной недостаточностью. Векторы D(pi) были рассчитаны по 50 последовательным интервалам по 256 значений каждый. Значения предложенной метрики были рассчитаны для каждой пары пациентов. Также было рассчитано расстояние по метрике между временным рядом R-R каждого пациента и его же данными, взятыми из другого временного ряда. Результаты эксперимента показаны на рис. 5.
Рис. 5. Расстояния по метрике между каждой парой пациентов с застойной сердечной недостаточностью. Для каждого пациента расстояния до других пациентов обозначены черными кружками. Расстояние до его же временного ряда R-R, не перекрывающегося с исходным временным рядом, обозначено зеленым кружком.
Из рис. 5 видно, что расстояние пациента по предложенной метрике до него же самого либо минимально, либо близко к минимальному. Таким образом, поскольку предложенное представление может использоваться для самоидентификации, можно предположить, что другие пациенты, близкие к рассматриваемому по предложенной метрике, имеют очень похожее физиологическое состояние и, следовательно, будут иметь похожий отклик на изменение персонализированной терапии.
Преимущество использования метрики на основе ансамбля классификаторов по сравнению с метриками на основе отдельных индикаторов и метрикой на основе простой медианы попарных расстояний между сегментами показано на рис. 6а и 6б. В данном случае рассматриваются пациенты не только с застойной сердечной недостаточностью, но и с длительной фибрилляцией предсердий, а также здоровые пациенты. Во всех случаях рассматривается разделение пациентов внутри одной группы.
Расстояние пациента до него же самого ранжируется относительно расстояний до других пациентов той же группы. Минимальное расстояние соответствует рангу 1, следующее после минимального — рангу 2, и так далее. В случае точной самоидентификации все значения ранга должны быть равны 1. Все представленные результаты рассчитаны по 50 последовательным сегментам R-R. Из рис. 6а видно, что метрика на основе ансамбля классификаторов позволяет добиться лучших результатов, чем метрики на основе отдельных индикаторов. Рис. 6б демонстрирует превосходство предложенной метрики на основе теории графов над простой медианой всех попарных расстояний между сегментами.
  |
Рис. 6. Для каждого пациента расстояние по некоторой метрике до него же самого ранжировано по сравнению с расстоянием до других пациентов из той же группы. Ранг 1 соответствует минимальному расстоянию: a) рассматриваются предложенная метрика (зеленый) и метрики на основе индикаторов ДАФ (голубой) и LFHF (желтый); б) расстояние по предложенной метрике (сплошная линия) сравнивается с простой медианой всех попарных расстояний между сегментами (пунктирная линия).
Помимо данных R-R для тестирования были использованы данные о походке от 16 здоровых пациентов, 13 пациентов с боковым амиотрофическим склерозом (БАС), 20 пациентов с болезнью Хантингтона (БХ) и 15 пациентов с болезнью Паркинсона (БП). Каждый временной ряд содержит до 300 значений, соответствующих длительности шагов.
На рис. 7 показан процент обнаружения вышеперечисленных заболеваний, соответствующий трем различным показателям ложной тревоги: 10%, 20% и 30 % для предложенного ансамбля классификаторов и классификатора на основе отдельного индикатора. Из рис. 7 видно, что использование предложенного ансамбля классификаторов может повысить точность обнаружения заболеваний на 40—50%. Настолько значительное улучшение говорит о том, что построенный таким образом классификатор, основанный на нескольких различных индикаторах вариабельности, объединенных в ансамбль, может быть хорошим выбором для раннего обнаружения и мониторинга различных неврологических патологий. Это также говорит о потенциальной применимости предложенного классификатора для качественного мониторинга и раннего обнаружения психологических патологий по данным о походке, которые легко собрать с помощью широко распространенных и удобных портативных сенсоров.
Рис. 7. Процент обнаружения заболеваний по данным о походке, соответствующий различным показателям ложной тревоги, для предложенного ансамбля классификаторов и классификатора на основе наилучшего отдельного индикатора.
Несмотря на обнадеживающие результаты для задачи обнаружения патологий, иллюстрация с использованием данных с развивающимися или преходящими отклонениями могла бы быть более убедительной. Поскольку авторам на данный момент не известно о существовании подобных открытых баз данных, отражающих развитие неврологических заболеваний, авторы использовали другие данные о походке для иллюстрации медленных физиологических изменений. Одна из таких баз, подготовленная Хаусдорффом и др. [18] и доступная в репозитории [23], содержит данные о связи походки человека с его физиологическим созреванием. База является коллекцией временных рядов походки 50 детей различных возрастных групп, от 3 до 14 лет. Для каждого пациента временной ряд состоит из не более чем 500 интервалов между шагами. Известно, что у маленьких детей еще не созревший контроль позы и походки приводит к нестабильному движению. У детей примерно трехлетнего возраста походка становится относительно стабильной. Тем не менее, как показано в "Maturation of gait dynamics…» [18], динамика изменений походки продолжается и после достижения детьми трехлетнего возраста. Это подтверждается количественным анализом данных 50 детей из базы данных созревания походки [Там же]. Отдельные временные и частотные индикаторы, такие как ДАФ, используются в вышеупомянутом исследовании. Показано, что походка детей младших возрастных групп напоминает походку взрослых с неврологическими патологиями, но с возрастом она становится все более зрелой и приближается к динамическому спектру здоровых молодых взрослых. В "Maturation of gait dynamics…» [Там же] индикаторы рассчитывались по достаточно длинным временным сегментам (минимум 256 значений), но все равно наблюдалось значительное перекрытие значений индикатора для различных возрастных групп. Это перекрытие не критично для главной цели анализа, представленного в вышеупомянутом исследовании [Там же]. Действительно, целью авторов было продемонстрировать статистически значимую тенденцию приближения характеристик походки детей к характеристикам походки молодых взрослых по мере увеличения возраста детей. Тем не менее, в задаче раннего обнаружения изменений, обусловленных развивающейся патологией или первоначальных эффектов от лечения, неудовлетворительные результаты использования отдельных индикаторов делают их бесполезными на практике.
Таким образом, база созревания походки предоставляет актуальные данные из реальной жизни для демонстрации преимуществ предложенного индикатора на основе ансамбля классификаторов над отдельными индикаторами для задачи обнаружения медленных изменений физиологического состояния. Результаты сравнения предложенного индикатора с лучшим отдельным индикатором ДАФ на коротких сегментах из 128 значений приведены на рис. 8.
Рис. 8. Сравнение индикатора на основе ансамбля классификаторов (а) с отдельным индикатором ДАФ (б). Индикаторы рассчитаны по сегментам данных о походке из 128 значений, взятым из 3 различных возрастных групп здоровых пациентов.
Из рис. 8 следует, что отдельный индикатор ДАФ не способен выявить какую-либо отчетливую тенденцию в динамике походки по мере увеличения возраста детей. Индикатор на основе ансамбля классификаторов, напротив, показывает четкую закономерность: изменение динамики в сторону здоровых взрослых с увеличением возраста. Как сказано выше, нормальное состояние соответствует положительным значениям индикатора. Таким образом, предложенная метрика на основе ансамблей классификаторов может потенциально использоваться для раннего обнаружения незначительных изменений в динамике походки.
На рис. 8 показан модифицированный график, построенный в программе R с настройками по умолчанию. Жирные горизонтальные линии соответствуют медиане, линии снизу и сверху показывают 25-й и 75-й перцентили соответственно. Пунктирные линии соединены с максимальным/минимальным значениями, если они попадают в диапазон, полученный прибавлением разности между 75-м и 25-м перцентилями, умноженной на 1.5, к 75-му перцентилю и вычитанием этого же значения от 25-го перцентиля. Иначе, значения вне этого диапазона показаны кружками.
В предыдущей работе авторов [14] показано, что так же, как и для анализа временных рядов R-R с использованием последовательности векторов и метрики на основе теории графов, подобный подход может использоваться для биометрической идентификации по временным рядам походки. Это также подтверждает применимость данного подхода для сопоставления пациентов с похожими психофизиологическими состояниями для быстрой разработки персонализированной терапии для лечения как медицинских, так и психологических заболеваний.
Выводы
В работе представлен краткий обзор предложенной ранее схемы с использованием ансамбля классификаторов, которая позволяет находить оптимальную комбинацию физиологических индикаторов для раннего обнаружения развивающихся патологий и построения численного описания комплексных и редких психофизиологических состояний. Также утверждается, что подобный подход может быть эффективен для объективного психофизиологического мониторинга и быстрого построения оптимальной персонализированной терапий в прикладной и клинической психологии. Данные выводы подтверждаются обнадеживающими результатами, полученными на реальных данных о вариабельности сердечного ритма и походки, собранных со здоровых пациентов в разных психофизиологических состояниях и пациентов с различными кардиологическими и неврологическими заболеваниями. Онлайн-версия разработанной системы будет доступна для исследователей и практикующих психологов на www.aqscs.com.
Литература
1. Баевский Р.М., Иванов Г.Г. Вариабельность сердечного ритма: теоретические аспекты и возможности клинического применения // Ультразвуковая и функциональная диагностика. – 2001. – № 3. – С. 108–127.
2. Бокерия Л.А., Бокерия О.Л., Волковская И.В. Вариабельность сердечного ритма: методы измерения, интерпретация, клиническое использование // Анналы аритмологии. – 2009. – Т. 6, № 4. – С. 21–32.
3. Машин В.А., Машина М.Н. Вариабельность сердечного ритма как индикатор психологической релаксации // Вопросы психологии. – 2001. – № 1. – С. 72–81.
4. Основы психофизиологии: учебник / отв. ред. Ю.И. Александров. – М.: ИНФРА-М, 1997. – 349 с.
5. Andreassi J.L. Psychophysiology: Human Behavior and Physiological Response. – London: LEA Publishers, 2000. – 644 p.
6. Appelhans B., Luecken L. Heart rate variability as an index of regulated emotional responding // Review of General Psychology. – 2006. – Vol. 10, № 3. – P. 229–240.
7. Berntson G.G., Cacioppo J.T. Heart rate variability: Stress and psychiatric conditions // Dynamic Electrocardiography / edit. by M. Malik, A.J. Camm. – Oxford, UK: Blackwell Publishing, 2004. – Chapter 7. – P. 56–63.
8. Costa M., Goldberger A.L., Peng C.-K. Multiscale entropy analysis of complex physiologic time series // Phys Rev Lett. – 2002. – Vol. 89, № 6. – e068102.
9. Dynamic markers of altered gait rhythm in amyotrophic lateral sclerosis / J.M. Hausdorff, A. Lertratanakul, M.E. Cudkowicz [et al.] // J Appl Physiol. – 2000. – Vol. 88, № 6. – P. 2045–2053.
10. Embodiment of sadness and depression – gait patterns associated with dysphoric mood / J. Michalak, N.F. Troje, J. Fischer [et al.] // Psychosom Med. – 2009. – Vol. 71, № 5. – P. 580–587.
11. Evans J.R., Abarbanel A. Introduction to Quantitative EEG and Neurofeedback. – San Diego, CA: Academic Press, 1999. – 406 p.
12. Freund Y., Schapire R.R. A decision-theoretic generalization of on-line learning and an application to boosting // Journal of Computer and System Sciences. – 1997. – Vol. 55, № 1. – P. 119–139.
13. Gavrishchaka V., Senyukova O. Robust algorithmic detection of cardiac pathologies from short periods of RR data // Knowledge-Based Systems in Biomedicine and Computational Life Science. – 2013. – Vol. 450 of Studies in Computational Intelligence. – Springer-Verlag: Germany. – P. 137–153.
14. Gavrishchaka V., Senyukova O., Davis K. Multi-complexity ensemble measures for gait time series analysis: Application to diagnostics, monitoring and biometrics // Signal and Image Analysis for Biomedical and Life Sciences. – 2015. – Vol. 823 of Advances in Experimental Medicine and Biology / edit. by C. Sun, T. Bednarz, T. Pham [et al.]. – Springer International Publishing Switzerland. – P. 107–126.
15. Generic ensemble-based representation of global cardiovascular dynamics for personalized treatment discovery and optimization / O. Senyukova, V. Gavrishchaka, M. Sasonko [et al.] // Computational Collective Intelligence: 8th International Conference, ICCCI 2016, Halkidiki, Greece, September 28-30, 2016. Proceedings, Part I. – 2016. – Vol. 9875 of Lecture Notes in Computer Science. – Springer International Publishing Cham, Switzerland. – P. 197–207.
16. Kudo N., Shinohara H., Kodama H. Heart rate variability biofeedback intervention for reduction of psychological stress during the early postpartum period // Appl Psychophysiol Biofeedback. – 2014. – Vol. 39, № 3-4. – P. 203–211.
17. Makowiec D., Dudkowska A., Zwierz M. Scale invariant properties in heart rate signals // Acta Physica Polonica B. – 2006. – Vol. 37, № 5. – P. 1627–1639.
18. Maturation of gait dynamics: stride-to-stride variability and its temporal organization in children / J.M. Hausdorff, L. Zemany, C.-K. Peng [et al.]. // J Appl Physiol. – 1999. – Vol. 86, № 3. – P. 1040–1047.
19. Meerwijk E., Chesla C.A., Weiss S.J. Psychological pain and reduced resting-state heart rate variability in adults with a history of depression // Psychophysiology. – 2014. – Vol. 51, № 3. – P. 247–256.
20. Methods derived from nonlinear dynamics for analyzing heart rate variability / A. Voss, S. Schulz, R. Schroeder [et al.] // Philosophical Transactions of the Royal Society A. – 2009. – Vol. 367, № 1887. – P. 277–296.
21. Mindfulness meditation, well-being, and heart rate variability: A preliminary investigation into the impact of intensive Vipassana meditation / J.R. Krygier, J.A. Heathers, S. Shahrestani [et al.] // International Journal of Psychophysiology. – 2013. – Vol. 89, № 3. – P. 305–313.
22. Paul M., Garg K. The effect of heart rate variability biofeedback on performance psychology of basketball players // Appl Psychophysiol Biofeedback. – 2012. – Vol. 37, № 2. – P. 131–144.
23. PhysioNet. The research resource for complex physiologic signals [Электронный ресурс]. – URL: http://www.physionet.org (дата обращения: 15.09.2017).
24. Quantification of scaling exponents and crossover phenomena in nonstationary heartbeat time series / C.-K. Peng, S. Havlin, H.E. Stanley [et al.] // Chaos. – 1995. – Vol. 5, № 1. – P. 82–87.
25. Reduced heart rate variability in social anxiety disorder: associations with gender and symptom severity / G.A. Alvares, D.S. Quintana, A.H. Kemp [et al.] // PLoS One. – 2013. – Vol. 8, № 7. – e70468.
26. Relationship between fractal property of gait cycle and severity of Parkinson’s disease / L. Ota, K. Suzuki, H. Uchitomi [et al.] // IEEE/SICE International Symposium on System Integration (SII). – 2011. – P. 309–313.
27. Senyukova O., Gavrishchaka V. Ensemble decomposition learning for optimal utilization of implicitly encoded knowledge in biomedical applications // Proceedings of IASTED International Conference on Computational Intelligence and Bioinformatics. – 2011. – P. 69–73.
28. Task force of the European society of cardiology and the North American society of pacing and electrophysiology: Heart rate variability: standards of measurement, physiological interpretation, and clinical use // Circulation. – 1996. – Vol. 93, № 5. – P. 1043–1065.
29. Unbiased and mobile gait analysis detects motor impairment in Parkinson’s disease / J. Klucken, J. Barth, P. Kugler [et al.] // PLoS One. – 2013. – Vol. 8, № 2. – e56956.
30. Yoshino K., Matsuoka K. Correlation between mood and heart rate variability indices during daily life // Health. – 2011. – Vol. 3, № 9. – P. 553–556.
Ссылка для цитирования
УДК 159.91:615
Автоматизированная система для психофизиологического мониторинга и подбора персонализированной терапии / О.В. Сенюкова, В.В. Гаврищака, К.С. Тульнова [и др.] // Медицинская психология в России: электрон. науч. журн. – 2017. – T. 9, № 6(47) [Электронный ресурс]. – URL: http://mprj.ru (дата обращения: чч.мм.гггг).
Все элементы описания необходимы и соответствуют ГОСТ Р 7.0.5-2008 "Библиографическая ссылка" (введен в действие 01.01.2009). Дата обращения [в формате число-месяц-год = чч.мм.гггг] – дата, когда вы обращались к документу и он был доступен.
|
|
|
|
Предыдущие |
|
|