Application of phase dynamics modeling and recurrence methods to assess the characteristics of the relationship between physiological rhythms

Мұқаба

Дәйексөз келтіру

Толық мәтін

Аннотация

The purpose of this work is to apply two methods of nonlinear dynamics to assess the characteristics of the relationship between time series extracted from physiological rhythms. The analyzed time series were respiratory rhythm fluctuations, arterial pressure variability curves, and variability of neuronal activity intervals in the medulla oblongata of rats before and during pain exposure. Methods. To solve the problem of identifying the relationship and assessing the asymmetry and direction of the relationship, a method for modeling the phase dynamics of weakly coupled and weakly noisy systems and a method for calculating averaged conditional probabilities of recurrences of time series generated by interacting systems were used. As characteristics of the relationship between systems, estimates of the intensity of the influence of one system on another and estimates in the differences of the averaged conditional probabilities of recurrences were used. Results. To verify the robustness of the applied methods to noise, an analysis of a well-studied model of unidirectionally coupled Van der Pol oscillators was performed. The correct determination of the direction of coupling by both methods with weak noise and a decrease in the possibility of identifying the direction by the phase modeling method with increasing noise, and the preservation of the possibility of correctly determining the direction by the recurrence method were confirmed. For experimentally obtained and weakly noisy biological time series, an asymmetry of the coupling with a predominant influence of the respiratory rhythm on the variability of neuronal activity and arterial pressure, and the influence of arterial pressure variability on the neuronal activity of the reticular formation of the medulla oblongata was found in most of the analyzed data. Conclusion. The application of two methods for assessing the characteristics of the relationship between weakly noisy time series, both model and experimental, showed quite consistent results in the predominant influence of one system on the other.  

Негізгі сөздер

Авторлар туралы

Olga Dick

Институт физиологии имени И.П. Павлова РАН

ORCID iD: 0000-0001-5056-1779
Scopus Author ID: 6602069990
Наб Макарова 6

Әдебиет тізімі

  1. Kiselev A. R., Mironov S. A., Karavaev A. S., Kulminskiy D. D., Skazkina V. V., Borovkova E. I., Shvartz V. A., Ponomarenko V. I., Prokhorov M. D. A comprehensive assessment of cardiovascular autonomic control using photoplethysmograms recorded from the earlobe and fingers // Physiol Meas. 2016. Vol. 37, iss. 4. P. 580–595. doi: 10.1088/0967-3334/37/4/580.
  2. Хорев В. С., Ишбулатов Ю. М., Лапшева Е. Е., Киселев А. Р., Гриднев В. И., Безручко Б. П., Бутенко А. А., Пономаренко В. И., Караваев А. С. Диагностика направленной связи контуров регуляции кровообращения по временным рядам математической модели сердечнососудистой системы человека // Информационно-управляющие системы. 2018. Т. 1, № 92. C. 42–48. doi: 10.15217/issn1684-8853.2018.1.42.
  3. Rosenblum M. G., Cimponeriu L., Bezerianos A., Patzak A., Mrowka R. Identification of coupling direction: application to cardiorespiratory interaction // Phys. Rev. E. 2002. Vol. 65, iss. 4. P. 041909. doi: 10.1103/PhysRevE.65.041909.
  4. Shiogai Y., Stefanovska A., McClintock P. V. E. Nonlinear dynamics of cardiovascular ageing // Phys. Rep. 2010. Vol. 488, iss. 2–3. P. 51–110. doi: 10.1016/j.physrep.2009.12.003.
  5. Rosenblum M. G., Pikovsky A. S. Detecting direction of coupling in interacting oscillators // Phys. Rev. E. 2001. Vol. 64, iss. 4. P. 045202. doi: 10.1103/PhysRevE.64.045202.
  6. Bahraminasab A., Ghasemi F., Stefanovska A., McClintock P. V., Kantz H. Direction of coupling from phases of interacting oscillators: a permutation information approach // Phys. Rev. Lett. 2008. Vol. 100, iss. 8. P. 084101. doi: 10.1103/PhysRevLett.100.084101.
  7. Mrowka R., Cimponeriu L., Patzak A., Rosenblum M. G. Directionality of coupling of physiological subsystems: age-related changes of cardiorespiratory interaction during different sleep stages in babies // Am. J. Physiol. Regul. Integr. Comp. Physiol. 2003. Vol. 285, iss. 6. P. R1395–R1401. doi: 10.1152/ajpregu.00373.2003.
  8. Ocon A. J., Medow M. S., Taneja I., Stewart J. M. Respiration drives phase synchronization between blood pressure and RR interval following loss of cardiovagal baroreflex during vasovagal syncope // Am. J. Physiol. Heart Circ. Physiol. 2011. Vol. 300, iss. 2. P. H527–H540. DOI: 10.1152/ ajpheart.00257.2010.
  9. Dick T. E., Hsieh Y. H., Dhingra R. R., Baekey D. M., Galan R. F., Wehrwein E., Morris K. F. Cardiorespiratory сoupling: сommon rhythms in cardiac, sympathetic, and respiratory activities // Prog. Brain Res. 2014. Vol. 209. P. 191–205. doi: 10.1016/B978-0-444-63274-6.00010-2.
  10. Hlavackova-Schindler K., Palus M., Vejmelka M., Bhattacharya J. Causality detection based on information-theoretic approaches in time series analysis // Phys. Rep. 2007. Vol. 441, iss. 1. P. 1–46. doi: 10.1016/j.physrep.2006.12.004.
  11. Smirnov D. A. Quantifying causal couplings via dynamical effects: A unifying perspective // Phys. Rev. E. 2014. Vol. 90, iss. 6. P. 062921. doi: 10.1103/PhysRevE.90.062921.
  12. Faes L., Nollo G., Chon K. Assessment of Granger causality by nonlinear model identification: application to short-term cardiovascular variability // Ann. Biomed. Eng. 2008. Vol. 36. P. 381–395. doi: 10.1007/s10439-008-9441-z.
  13. Schreiber T. Measuring information transfer // Phys. Rev. Lett. 2000. Vol. 85, iss. 2. P. 461–464. doi: 10.1103/PhysRevLett.85.461.
  14. Baccala L. A., Sameshima K. Partial directed coherence: A new concept in neural structure determination // Biol. Cybern. 2001. Vol. 84, iss. 6. P. 463–474. doi: 10.1007/PL00007990.
  15. Навроцкая Е. В., Смирнов Д. А., Безручко Б. П. Восстановление структуры связей в ансамбле осцилляторов по записям колебаний через моделирование фазовой динамики // Известия вузов. ПНД. 2019. Т. 27, № 1. С. 41–52. doi: 10.18500/0869-6632-2019-27-1-41-52.
  16. Сидак Е. В., Смирнов Д. А., Безручко Б. П. Оценки времени запаздывания связи между осцилляторами по временным реализациям фаз колебаний при различных свойствах фазовой динамики // Радиотехника и электроника. 2017. Т. 62, № 3. С. 248–258. doi: 10.7868/S0033849 417030196.
  17. Romano M. C., Thiel M., Kurths J., Grebogi C. Estimation of the direction of the coupling by conditional probabilities of recurrence // Phys. Rev. E. 2007. Vol. 76, iss. 3. P. 036211. doi: 10.1103/PhysRevE.76.036211.
  18. Marwan N., Zou Y., Wessel N., Riedl M., Kurths J. Estimating coupling directions in the cardiorespiratory system using recurrence properties // Philos. Trans. A Math. Phys. Eng. Sci. 2013. Vol. 371. P. 20110624. doi: 10.1098/rsta.2011.0624.
  19. Pereda E., Quiroga R. Q., Bhattacharya J. Nonlinear multivariate analysis of neurophysiological signals // Prog. Neurobiol. 2005. Vol. 77, iss. 1–2. P. 1–37. doi: 10.1016/j.pneurobio.2005.10.003.
  20. Sysoeva M. V., Sitnikova E., Sysoev I. V., Bezruchko B. P., van Luijtelaar G. Application of adaptive nonlinear Granger causality: Disclosing network changes before and after absence seizure onset in a genetic rat model // J. Neurosci. Methods. 2014. Vol. 226. P. 33–41. doi: 10.1016/j.jneumeth. 2014.01.028.
  21. Cыcоева М. В., Кузнецова Г. Д., Cыcоев И. В. Моделиpование cигналов электpоэнцефалогpамм кpыc пpи абcанcной эпилепcии в пpиложении к анализу cвязанноcти между отделами мозга // Биофизика. 2016. Т. 61, № 4. С. 782–792.
  22. Smirnov D.A., Barnikol U.B., Barnikol T.T., Bezruchko B.P., Hauptmann C., Buhrle C., Maarouf M., Sturm V., Freund H.-J., Tass P.A. The generation of Parkinsonian tremor as revealed by directional coupling analysis // Europhysics Letters. 2008. Vol. 83, iss. 2. P. 20003. doi: 10.1209/0295- 5075/83/20003.
  23. Сысоева М. В., Сысоев И. В. Математическое моделирование динамики энцефалограммы во время эпилептического припадка // Письма в ЖТФ. 2012. Т. 38, № 3. С. 103–110.
  24. Mokhov I. I., Smirnov D. A. El Nino Southern Oscillation drives North Atlantic Oscillation as revealed with nonlinear techniques from climatic indices // Geophys. Res. Lett. 2006. Vol. 33, iss. 3. P. L03708. doi: 10.1029/2005GL024557.
  25. Мохов И. И., Смирнов Д. А., Наконечный П. И., Козленко С. С., Куртс Ю. Взаимосвязь явлений Эль-Ниньо / Южное колебание и индийского муссона // Известия РАН. Физика атмосферы и океана. 2012. Т. 48, № 1. С. 56–66.
  26. Дик О. Е. Анализ синхронизации между временными рядами, полученными от анестезированных крыс во время болевого воздействия // Известия вузов. ПНД. 2024. Т. 32, № 2. С. 209–222. doi: 10.18500/0869-6632-003093.
  27. Marwan N., Romano M. C., Thiel M., Kurths J. Recurrence plots for the analysis of complex systems // Phys. Rep. 2007. Vol. 438, iss. 5–6. P. 237–329. doi: 10.1016/j.physrep.2006.11.001.
  28. Takens F. Detecting strange attractors in turbulence // Dynamical Systems and Turbulence, Warwick 1980. Lecture Notes in Mathematics. Vol. 898 / ed. by Rand D., Young L. S. Berlin: Springer, 1981. P. 366–381. doi: 10.1007/BFb0091924.
  29. Kennel M. B., Brown R., Abarbanel H. D. Determining embedding dimension for phase-space reconstruction using a geometrical construction // Phys. Rev. A. 1992. Vol. 45, iss. 6. P. 3403–3411. doi: 10.1103/physreva.45.3403.
  30. Fraser A. M., Swinney H. L. Independent coordinates for strange attractors from mutual information // Phys. Rev. A. 1986. Vol. 33, iss. 2. P. 1134–1140. doi: 10.1103/physreva.33.1134.
  31. Kurths J., Romano M. C., Thiel M., Osipov G. V., Ivanchenko M. V., Kiss I. Z., Hudson J. L. Synchronization analysis of coupled noncoherent oscillators // Nonlinear Dyn. 2006. Vol. 44. P. 135–149. doi: 10.1007/s11071-006-1957-x.
  32. Smirnov D. A., Bezruchko B. P. Estimation of interaction strength and direction from short and noisy time series // Phys. Rev. E. 2003. Vol. 68. P. 046209. doi: 10.1103/PhysRevE.68.046209.
  33. Смирнов Д. А. Диагностика слабой связанности между автоколебательными системами по коротким временным рядам: метод и приложения // Радиотехника и электроника. 2006. Т. 51, № 5. С. 569–579.
  34. Смирнов Д. А., Бодров М. Б., Безручко Б. П. Оценка связанности между осцилляторами по временным рядам путем моделирования фазовой динамики: пределы применимости метода // Известия вузов. ПНД. 2004. Т. 12, № 6. С. 79–92. doi: 10.18500/0869-6632-2004- 12-6-79-92.
  35. Daubechies I., Lu J., Wu H. T. Synchrosqueezed wavelet transforms: An empirical mode decomposition-like tool // Appl. Comput. Harmon. Anal. 2011. Vol. 30, iss. 2. P. 243–261. DOI: 10.1016/ j.acha.2010.08.002.
  36. Thiel M., Romano M. C., Kurths J., Rolfs M., Kliegl R. Generating surrogates from recurrences // Philos. Trans. A Math. Phys. Eng. Sci. 2008. Vol. 366, iss. 1865. P. 545–557. doi: 10.1098/rsta. 2007.2109.
  37. Stefanovska A., Haken H., McClintock P. V. E., Hozic M., Bajrovic F., Ribaric S. Reversible transitions between synchronization states of the cardiorespiratory system // Phys. Rev. Lett. 2000. Vol. 85. P. 4831–4834. doi: 10.1103/PhysRevLett.85.4831.
  38. Ponomarenko V. I., Prokhorov M. D., Bespyatov A. B., Bodrov M. B., Gridnev V. I. Deriving main rhythms of the human cardiovascular system from the heartbeat time series and detecting their synchronization // Chaos, Solitons and Fractals. 2005. Vol. 23, iss. 4. P. 1429–1438. doi: 10.1016/j.chaos.2004.06.041.
  39. Dick O. E., Glazov A. L. Revealing the coupling directionality and synchronization between time series from physiological data by analysis of joint recurrences // Chaos, Solitons and Fractals. 2023. Vol. 173. P. 113768. doi: 10.1016/j.chaos.2023.113768.

Қосымша файлдар

Қосымша файлдар
Әрекет
1. JATS XML
Жүктеу

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».