Известия высших учебных заведений

Прикладная нелинейная динамика

ISSN 0869-6632 (Print)
ISSN 2542-1905 (Online)


Для цитирования:

Stasenko S. V., Shemagina O. V., Eremin E. V., Yakhno V. G., Parin S. B., Polevaia S. A. Using machine learning algorithms to determine the emotional maladjustment of a person by his rhythmogram [Стасенко С. В., Шемагина О. В., Еремин Е. В., Яхно В. Г., Парин С. Б., Полевая С. А. Использование алгоритмов машинного обучения для определения эмоциональной дезадаптации человека по его ритмограмме] // Известия вузов. ПНД. 2024. Т. 32, вып. 3. С. 394-404. DOI: 10.18500/0869-6632-003098, EDN: RHZIPK


Статья опубликована на условиях лицензии Creative Commons Attribution 4.0 International (CC-BY 4.0).
Полный текст в формате PDF(Ru):
Полный текст в формате PDF(En):
(загрузок: 17)
Язык публикации: 
английский
Тип статьи: 
Научная статья
УДК: 
530.182
EDN: 

Using machine learning algorithms to determine the emotional maladjustment of a person by his rhythmogram
[Использование алгоритмов машинного обучения для определения эмоциональной дезадаптации человека по его ритмограмме]

Авторы: 
Стасенко Сергей Викторович, Национальный исследовательский Нижегородский государственный университет имени Н. И. Лобачевского (ННГУ)
Шемагина Ольга Владимировна, Институт прикладной физики РАН (ИПФ РАН)
Еремин Евгений Викторович, Национальный исследовательский Нижегородский государственный университет имени Н. И. Лобачевского (ННГУ)
Яхно Владимир Григорьевич, Институт прикладной физики РАН (ИПФ РАН)
Парин Сергей Борисович, Национальный исследовательский Нижегородский государственный университет имени Н. И. Лобачевского (ННГУ)
Полевая Софья Александровна, Национальный исследовательский Нижегородский государственный университет имени Н. И. Лобачевского (ННГУ)
Аннотация: 

Целью настоящего исследования является изучение возможности определения эмоциональной дезадаптации с использованием алгоритмов машинного обучения.

Методы. Сбор данных электрокардиограммы осуществлялся с помощью событийно-телеметрического метода с использованием программно-аппаратного комплекса, состоящего из миниатюрного беспроводного датчика ЭКГ (HxM; Zephyr Technology, USA) и смартфона со специализированным программным обеспечением. Для построения классификатора были использованы: логистическая регрессия, easy ensamble и gradient boosting. Оценка производительности алгоритмов проводилась с использованием f1-метрики.

Результаты. Показано, что точность классификации модели выше при использовании динамических спектров сигналов, чем при использовании исходных ритмограмм.

Заключение. Предложен метод определения в автоматическом режиме уровня эмоциональной дезадаптации по кардиоритмограмме человека. Данные с портативного кардиодатчика, закрепленного на человеке, передаются по каналу Bluetooth на мобильное устройство, где при помощи предобученного нейросетевого алгоритма определяется уровень эмоциональной дезадаптации. В качестве нейросетевого алгоритма целесообразно использовать классификатор, обученный на основе спектрограмм.

Благодарности: 
Работа по сбору и предобработке данных выполнена при поддержке проекта Министерства науки и высшего образования Российской Федерации (соглашение № 075-15-2021-634), работа по анализу данных профинансирована Министерством науки и высшего образования РФ в рамках государственного задания ИПФ РАН, проект № FFUF-2021-0014, работа по разработке концептуальной схемы эксперимента выполнена при поддержке гранта Российского научного фонда (проект номер 22-18-20075).
Список источников: 
  1. Miskowiak KW, Johnsen S, Sattler SM, Nielsen S, Kunalan K, Rungby J, Lapperre T, Porsberg CM. Cognitive impairments four months after COVID-19 hospital discharge: Pattern, severity and association with illness variables. European Neuropsychopharmacology. 2021;46:39–48. DOI: 10.1016/j.euroneuro.2021.03.019.
  2. Baig AM. Chronic COVID syndrome: Need for an appropriate medical terminology for long COVID and COVID long-haulers. J. Med. Virol. 2021;93(5):2555–2556. DOI: 10.1002/jmv.26624.
  3. Yelin D, Wirtheim E, Vetter P, Kalil AC, Bruchfeld J, Runold M, Guaraldi G, Mussini C, Gudiol C, Pujol M, Bandera A, Scudeller L, Paul M, Kaiser L, Leibovici L. Long-term consequences of COVID-19: research needs. The Lancet Infectious Diseases. 2020;20(10):1115– 1117. DOI: 10.1016/S1473-3099(20)30701-5.
  4. Chen C, Haupert SR, Zimmermann L, Shi X, Fritsche LG, Mukherjee B. Global prevalence of postcoronavirus disease 2019 (COVID-19) condition or long COVID: A meta-analysis and systematic review. The Journal of Infectious Diseases. 2022;226(9):1593–1607. DOI: 10.1093/infdis/jiac136.
  5. Alkodaymi MS, Omrani OA, Fawzy NA, Shaar BA, Almamlouk R, Riaz M, Obeidat M, Obeidat Y, Gerberi D, Taha RM, Kashour Z, Kashour T, Berbari EF, Alkattan K, Tleyjeh IM. Prevalence of post-acute COVID-19 syndrome symptoms at different follow-up periods: a systematic review and meta-analysis. Clinical Microbiology and Infection. 2022;28(5):657–666. DOI: 10.1016/j.cmi.2022.01.014.
  6. Stasenko SV, Kazantsev VB. Covid olfactory dysfunction model. In: 2023 Fifth International Conference Neurotechnologies and Neurointerfaces (CNN). IEEE; 2023. P. 82–85.
  7. Stasenko SV. Mean-field model of tripartite synapse with infected glial cells. In: 2023 Fifth International Conference Neurotechnologies and Neurointerfaces (CNN). IEEE; 2023. P. 78–81.
  8. Song M. Psychological stress responses to COVID-19 and adaptive strategies in China. World Development. 2020;136:105107. DOI: 10.1016/j.worlddev.2020.105107.
  9. Stasenko SV, Hramov AE, Kazantsev VB. Loss of neuron network coherence induced by virusinfected astrocytes: a model study. Scientific Reports. 2023;13(1):6401. DOI: 10.1038/s41598- 023-33622-0.
  10. Stasenko SV, Kovalchuk AV, Eremin EV, Drugova OV, Zarechnova NV, Tsirkova MM, Permyakov SA, Parin SB, Polevaya SA. Using machine learning algorithms to determine the post-COVID state of a person by their rhythmogram. Sensors. 2023;23(11):5272. DOI: 10.3390/s23115272.
  11. Aleksandrovsky YA. Borderline Mental Races Construction. Moscow: Medicina; 2000. 496 p. (in Russian).
  12. Parfenov VA, Yakhno NN. General Neurology. Moscow: MIA; 2000. 209 p. (in Russian).
  13. Wise TN, Mann LS, Shay L. Alexithymia and the five-factor model of personality. Comprehensive Psychiatry. 1992;33(3):147–151. DOI: 10.1016/0010-440x(92)90023-j.
  14. Runova EV, Grigoreva VN, Bakhchina АV, Parin SB, Shishalov IS, Kozhevnikov VV, Nekrasova MM, Karatushina DI, Grigoreva KА, Polevaya SА. Vegetative correlates оf conscious representation оf emotional stress. Modern Technologies in Medicine. 2013;5(4):69–76.
  15. Grigorieva VN, Tkhostov AS. A method for assessing emotional new human condition. Patent No. 2291720.2007 Russian Federation, IPC A61M21/00: appl. 08.09.2005: publ. 20.01.2007. Assignee: Nizhny Novgorod State Medical Academy of the Federal Agency for Health and Social Development. 23 p. (in Russian).
  16. Hosmer DW, Lemeshow S. Applied Logistic Regression. 2nd ed. New York, Chichester: Wiley; 2002. 392 p. DOI: 10.1002/0471722146.
  17. Liu X-Y, Wu J, Zhou Z-H. Exploratory undersampling for class-imbalance learning. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics). 2009;39(2):539–550. DOI: 10.1109/TSMCB.2008.2007853.
  18. Hastie T, Tibshirani R, Friedman J. Boosting and additive trees. In: The Elements of Statistical Learning. Springer Series in Statistics. New York: Springer; 2009. P. 337–387. DOI: 10.1007/978- 0-387-84858-7_10.
  19. Schapire RE. Explaining AdaBoost. In: Scholkopf B, Luo Z, Vovk V, editors. Empirical Inference. Berlin, Heidelberg: Springer; 2013. P. 37–52. DOI: 10.1007/978-3-642-41136-6_5.
  20. Kramer O. Scikit-learn. In: Machine Learning for Evolution Strategies. Vol. 20 of Studies in Big Data. Cham: Springer; 2016. P. 45–53. DOI: 10.1007/978-3-319-33383-0_5.
  21. Lemaitre G, Nogueira F, Aridas CK. Imbalanced-learn: A python toolbox to tackle the curse of imbalanced datasets in machine learning. The Journal of Machine Learning Research. 2017; 18(1):1–5.
Поступила в редакцию: 
10.10.2023
Принята к публикации: 
08.11.2023
Опубликована онлайн: 
15.03.2024
Опубликована: 
31.05.2024