Использование нелинейных параметров вариабельности сердечного ритма для выявления стресса
DOI:
https://doi.org/10.37482/2687-1491-Z064Ключевые слова:
вариабельность сердечного ритма, диагностика стресса, логистическая регрессия, линейный дискриминантный анализАннотация
Представлен алгоритм обнаружения стресса посредством оценки вариабельности сердечного ритма (ВСР). Для анализа ВСР использовались 5-минутные электрокардиограммы, записанные в состоянии покоя и при стрессе, вызванном академическим экзаменом (в исследовании принимали участие 252 студента); вычисленные показатели ВСР применялись для определения стресса посредством нескольких методов классификации. Проведен анализ линейных индексов ВСР временной (стандартное отклонение нормальных, соответствующих синусовому ритму интервалов SDNN, квадратный корень среднего значения суммы квадратов разности между последовательными RR-интервалами RMSSD) и частотной (мощность низкочастотных колебаний LF и высокочастотных колебаний HF, соотношение LF/HF) области. Для исследования нелинейного поведения ритма сердца оценивались аппроксимированная энтропия ApEn, сэмплированная энтропия SampEn, кратковременная и долговременная экспоненты α1 и α2 DFA1, DFA2, корреляционная размерность D2 и количественные показатели рекуррентной диаграммы (уровень рекуррентности REC, средняя длина диагонального образования из точек Lmean, максимальная длина диагонального образования Lmax, коэффициент детерминизма DET, шенноновская энтропия распределения длины линий ShanEn). Для определения возможности использования показателей ВСР в выявлении стресса строилась кривая ROC. Наибольшие значения площади под кривой ROC (AUC), чувствительности и специфичности были характерны для средней длины RR-интервала, DFA1, DFA2, RMSSD и Lmax, и эти параметры применялись
для классификации «стресс/покой», которая проводилась при помощи алгоритмов, широко используемых в клинике и физиологии: логистическая регрессия и линейный дискриминатный анализ. Эффективность выявления стресса оценивалась количественно с применением показателей точности, чувствительности и специфичности. По результатам логистической регрессии точность составила 67,25 % при пороге отсечения 0,57. Линейный дискриминатный анализ позволил установить стресс с точностью 67,46%. Таким образом, показатели ВСР могут применяться для определения состояния стресса.
Для цитирования: Димитриев Д.А., Саперова Е.В., Димитриев А.Д., Салимов Э.Р. Использование нелинейных параметров вариабельности сердечного ритма для выявления стресса // Журн. мед.-биол. исследований. 2021. Т. 9, № 3. С. 265–274. DOI: 10.37482/2687-1491-Z064
Скачивания
Библиографические ссылки
Valenza G., Sclocco R., Duggento A., Passamonti L., Napadow V., Barbieri R., Toschi N. The Central Autonomic Network at Rest: Uncovering Functional MRI Correlates of Time-Varying Autonomic Outflow // Neuroimage. 2019. Vol. 197. P. 383–390. DOI: 10.1016/j.neuroimage.2019.04.075
Одинак М.М., Шустов Е.Б., Коломенцев С.В. Методология инструментального изучения вегетативной нервной системы в норме и патологии // Вестн. Рос. воен.-мед. акад. 2012. № 2(38). С. 145–152.
Hughes B.M., Lü W., Howard S. Cardiovascular Stress-Response Adaptation: Conceptual Basis, Empirical Findings, and Implications for Disease Processes // Int. J. Psychophysiol. 2018. Vol. 131. P. 4–12. DOI: 10.1016/j.ijpsycho.2018.02.003
Smith R., Thayer J.F., Khalsa S.S., Lane R.D. The Hierarchical Basis of Neurovisceral Integration // Neurosci. Biobehav. Rev. 2017. Vol. 75. P. 274–296. DOI: 10.1016/j.neubiorev.2017.02.003
Миронова Т.Ф., Миронов В.А., Обухова Т.Ю., Шмонина О.Г., Мордас Е.Ю., Кудрина К.С., Милованкина Н.О., Милащенко А.И. Вегетативная регуляция сердечного ритма (обзор) // Урал. мед. журн. 2018. № 10(165). С. 90–105. DOI: 10.25694/URMJ.2018.10.28
Silva L.E.V., Lataro R.M., Castania J.A., Silva C.A.A., Salgado H.C., Fazan R. Jr., Porta A. Nonlinearities of Heart Rate Variability in Animal Models of Impaired Cardiac Control: Contribution of Different Time Scales // J. Appl. Physiol. (1985). 2017. Vol. 123, № 2. P. 344–351. DOI: 10.1152/japplphysiol.00059.2017
Silva L.E.V., Lataro R.M., Castania J.A., da Silva C.A.A., Valencia J.F., Murta L.O. Jr., Porta A. Multiscale Entropy Analysis of Heart Rate Variability in Heart Failure, Hypertensive, and Sinoaortic-Denervated Rats: Classical and Refined Approaches // Am. J. Physiol. Regul. Integr. Comp. Physiol. 2016. Vol. 311, № 1. Р. 150–156. DOI: 10.1152/ajpregu.00076.2016
Pincus S.M. Approximate Entropy as a Measure of System Complexity // Proc. Natl. Acad. Sci. USA. 1991. Vol. 88, № 6. P. 2297–2301. DOI: 10.1073/pnas.88.6.2297
Richman J.S., Moorman J.R. Physiological Time-Series Analysis Using Approximate Entropy and Sample Entropy // Am. J. Physiol. Heart Circ. Physiol. 2000. Vol. 278, № 6. P. 2039–2049. DOI: 10.1152/ajpheart.2000.278.6.H2039
Costa M.D., Goldberger A.L. Generalized Multiscale Entropy Analysis: Application to Quantifying the Complex Volatility of Human Heartbeat Time Series // Entropy. 2015. Vol. 17, № 3. Р. 1197–1203. DOI: 10.3390/e17031197
Brindle R.C., Ginty A.T., Phillips A.C., Fisher J.P., McIntyre D., Carroll D. Heart Rate Complexity: A Novel Approach to Assessing Cardiac Stress Reactivity // Psychophysiology. 2016. Vol. 53. P. 465–472. DOI: 10.1111/psyp.12576
Pham T.D. Fuzzy Recurrence Plots // Fuzzy Recurrence Plots and Networks with Applications in Biomedicine. Cham: Springer, 2020. Р. 29–55.
Iwaniec J., Iwaniec M. Application of Recurrence-Based Methods to Heart Work Analysis // International Congress on Technical Diagnostic / ed. by A. Timofiejczuk, B. Łazarz, F. Chaari, R. Burdzik. Cham: Springer, 2016. Р. 343–352. DOI: 10.1007/978-3-319-62042-8_31
Kitlas Golińska A. Detrended Fluctuation Analysis (DFA) in Biomedical Signal Processing: Selected Examples // Stud. Logic Gramm. Rhetor. 2012. Vol. 29. P. 107–115.
Uçar M.K., Bozkurt M.R., Bilgin C., Polat K. Automatic Sleep Staging in Obstructive Sleep Apnea Patients Using Photoplethysmography, Heart Rate Variability Signal and Machine Learning Techniques // Neural Comput. Appl. 2018. Vol. 29, № 8. P. 1–16. DOI: 10.1007/s00521-016-2365-x
Melillo P., Bracale M., Pecchia L. Nonlinear Heart Rate Variability Features for Real-Life Stress Detection. Case Study: Students Under Stress Due to University Examination // Biomed. Eng. Online. 2011. Vol. 10, № 1. Art. № 96. DOI: 10.1186/1475-925X-10-96
Нотова С.В., Давыдова Н.О., Черемушникова И.И. Комплексный подход к определению уровня адаптации к условиям университета у студентов разных социальных групп // Вестн. Сев. (Арктич.) федер. ун-та. Сер.: Мед.-биол. науки. 2014. № 2. С. 56–62.
Геворкян Э.С., Даян А.В., Адамян Ц.И., Григорян С.С., Минасян С.М. Влияние экзаменационного стресса на психофизиологические показатели и ритм сердца студентов // Журн. высш. нерв. деятельности им. И.П. Павлова. 2003. Т. 53, № 1. С. 46–50.
Mulcahy J.S., Larsson D.E.О., Garfinkel S.N., Critchley H.D. Heart Rate Variability as a Biomarker in Health and Affective Disorders: A Perspective on Neuroimaging Studies // Neuroimage. 2019. Vol. 202. Art. № 116072. DOI: 10.1016/j.neuroimage.2019.116072
Silva L.E.V., Silva C.A.A., Salgado H.C., Fazan R. Jr. The Role of Sympathetic and Vagal Cardiac Control on Complexity of Heart Rate Dynamics // Am. J. Physiol. Heart Circ. Physiol. 2017. Vol. 312. P. Н469–Н477. DOI: 10.1152/ajpheart.00507.2016
Muaremi A., Arnrich B., Tröster G. Towards Measuring Stress with Smartphones and Wearable Devices During Workday and Sleep // BioNanoScience. 2013. Vol. 3. P. 172–183. DOI: 10.1007/s12668-013-0089-2
Sun G., Shinba T., Kirimoto T., Matsui T. An Objective Screening Method for Major Depressive Disorder Using Logistic Regression Analysis of Heart Rate Variability Data Obtained in a Mental Task Paradigm // Front. Psychiatry. 2016. Vol. 7. Art. № 180. DOI: 10.3389/fpsyt.2016.00180
