Using machine learning algorithms to determine the emotional maladjustment of a person by his rhythmogram

封面

如何引用文章

全文:

详细

The purpose of this study is to explore the feasibility of identifying emotional maladjustment using machine learning algorithms. Methods. Electrocardiogram data were gathered using an event-telemetry approach, employing a software and hardware setup comprising a compact wireless ECG sensor (HxM; Zephyr Technology, USA) and a smartphone equipped with specialized software.For constructing the classifier, the following algorithms were employed: logistic regression, easy ensemble, and gradient boosting. The performance of these algorithms was assessed using the f1 metric. Results. It is demonstrated that employing dynamic spectra of the original signals enhances the classification accuracy of the model compared to using the original rhythmograms. Conclusion. A method is proposed for automatically determining the level of emotional maladaptation based on an individual’s cardiorhythmogram. Information from a portable heart sensor, worn by an individual, is transmitted via Bluetooth to a mobile device. Here, the level of emotional maladaptation is assessed through a pre-trained neural network algorithm. When considering a neural network algorithm, it is recommended to employ a classifier trained on spectrograms.

作者简介

Sergey Stasenko

Lobachevsky State University of Nizhny Novgorod

ORCID iD: 0000-0002-3032-5469
Scopus 作者 ID: 55327776400
Researcher ID: J-4825-2013
603950 Nizhny Novgorod, Gagarin Avenue, 23

Olga Shemagina

Institute of Applied Physics of the Russian Academy of Sciences

ul. Ul'yanova, 46, Nizhny Novgorod , 603950, Russia

Evgeny Eremin

Lobachevsky State University of Nizhny Novgorod

ORCID iD: 0000-0001-5707-6063
Scopus 作者 ID: 57196752333
603950 Nizhny Novgorod, Gagarin Avenue, 23

Vladimir Yakhno

Institute of Applied Physics of the Russian Academy of Sciences

ORCID iD: 0000-0002-4689-472X
Scopus 作者 ID: 35554909600
Researcher ID: L-1813-2017
ul. Ul'yanova, 46, Nizhny Novgorod , 603950, Russia

Sergej Parin

Lobachevsky State University of Nizhny Novgorod

ORCID iD: 0000-0001-5721-8762
Scopus 作者 ID: 6602724059
603950 Nizhny Novgorod, Gagarin Avenue, 23

Sofia Polevaia

Lobachevsky State University of Nizhny Novgorod

ORCID iD: 0000-0002-3896-787X
Scopus 作者 ID: 6504648647
Researcher ID: C-7512-2012
603950 Nizhny Novgorod, Gagarin Avenue, 23

参考

  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.

补充文件

附件文件
动作
1. JATS XML

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».