Способ прогнозирования результативности деятельности у практически здоровых лиц на основе комплекса электрофизиологических показателей

Способ прогнозирования результативности деятельности у практически здоровых лиц на основе комплекса электрофизиологических показателей

Иллюстрации

Показать все

Реферат

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.

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 C_z, суммарную мощность спектра ВСР, мощность высокочастотной составляющей спектра ВСР, амплитуду Р3 компонента Р300 в отведении C_z, латентность N2 компонента Р300 в отведении P_z, индекс напряжения ВСР, частоту тета-колебаний ЭЭГ в отведении Т3, корреляцию ЭЭГ в паре отведений С4-Р4, амплитуду Р3 компонента Р300 в отведении P_z, латентность Р3 компонента Р300 в отведении P_z, 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 C_z, латентность N2 компонента Р300 в отведении C_z, 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.