Авсиевич Александр Викторович, кандидат технических наук, доцент кафедры медицинской физики, математики и информатики
ул. Чапаевская, д. 89, г. Самара 443099
Alexandr V. Avsievich, Candidate of Sciences (Engineering), Associate Professor of the Department of Medical Physics, Mathematics and Informatics
89 Chapaevskaya Str., Samara 443099
Жейков Денис Сергеевич, врач-психиатр, Передовая медицинская инженерная школа
ул. Чапаевская, д. 89, г. Самара 443099
Denis S. Zhejkov, Psychiatrist, Higher School of Medical Engineering
89 Chapaevskaya Str., Samara 443099
Иващенко Антон Владимирович, доктор технических наук, профессор, директор, Передовая медицинская инженерная школа
ул. Чапаевская, д. 89, г. Самара 443099
Anton V. Ivaschenko, Doctor of Sciences (Engineering), Professor, Director, Higher Schoolof Medical Engineering
89 Chapaevskaya Str., Samara 443099
Авсиевич Владимир Викторович, кандидат технических наук, доцент, Передовая медицинская инженерная школа
ул. Чапаевская, д. 89, г. Самара 443099
Vladimir V. Avsievich, Candidate of Sciences (Engineering), Associate Professor, Higher School of Medical Engineering
89 Chapaevskaya Str., Samara 443099
Широков Илья Антонович, магистрант, Передовая медицинская инженерная школа
ул. Чапаевская, д. 89, г. Самара 443099
Ilya A. Shirokov, Undergraduate, Higher School of Medical Engineering
89 Chapaevskaya Str., Samara 443099
Пономарев Артем Евгеньевич, магистрант, Передовая медицинская инженерная школа
ул. Чапаевская, д. 89, г. Самара 443099
Artem E. Ponomarev, Undergraduate, Higher School of Medical Engineering
89 Chapaevskaya Str., Samara 443099
Заров Евгений Владимирович, магистрант, Передовая медицинская инженерная школа
ул. Чапаевская, д. 89, г. Самара 443099
Evgeny V. Zarov, Undergraduate, Higher School of Medical Engineering
89 Chapaevskaya Str., Samara 443099
Колсанов Александр Владимирович, доктор медицинских наук, профессор Российскойакадемии наук, профессор
ул. Чапаевская, д. 89, г. Самара 443099
Alexander V. Kolsanov, Doctor of Sciences (Medical), Professor of the Russian Academyof Sciences, Professor
89 Chapaevskaya Str., Samara 443099
Цель исследования. Электроэнцефалография в настоящее время успешно используется для диагностики и реабилитации психологических и когнитивных расстройств. При этом в практическом здравоохранении возникают трудности, связанные со слабостью в объективной оценке выраженности тревожных состояний и необходимостью учитывать индивидуальные особенности пациентов. Данные особенности трудно алгоритмизировать, но можно учесть при реализации методов машинного обучения. Цель исследования – оценить возможность применения технологий машинного обучения для идентификации уровня тревожности, коррелируемой с методикой Спилбергера-Ханина, по данным электроэнцефалографии. Методы. Для идентификации тревожности в основной и контрольных группах использован метод Спилбергера-Ханина, который позволяет дифференцированно измерять тревожность как личностное свойство. Запись альфа-ритмов производилась с помощью 6-канальной электроэнцефалографии. В качестве средства машинного обучения использована библиотека CatBoost, реализующая алгоритм градиентного бустинга с минимизацией функции потерь. Результаты. В эксперименте участвовало 92 респондента, разделенные по итогам тестирования на три группы. Все испытуемые перед прохождением тестирования находились в состоянии покоя 1,5 минуты с включенной записью ЭЭГ, далее им предлагалось пройти тест на определение личностной тревожности при синхронной записи параметров альфа-ритма. По итогам тестирования респонденты были разделены на три группы в соответствии с уровнем определенной тревожности. Проведенное исследование выявило зависимость между разными уровнями тревожности по шкале Спилбергера-Ханина и видом электроэнцефалограммы у испытуемых, что дает возможность перехода от тестирования пациентов к снятию и интерпретации ЭЭГ. Заключение. В ходе проведенного исследования выявлена положительная зависимость между разными уровнями личностной тревожности по шкале Спилбергера-Ханина и видом электроэнцефалограммы у испытуемых с точностью до 14%. Показано, что при определении тревожности возможно заменить тест, основанный на методике Спилбергера-Ханина на определение тревожности по ЭЭГ с использованием технологии машинного обучения.
The purpose of research. Nowadays electroencephalography is successfully used for diagnostics and rehabilitation of psychological and cognitive disorders. At the same time, practical healthcare meets with the difficulties related to the weakness in objective assessment of the severity of anxiety states and the requirement to consider the individual characteristics of patients. These features are difficult to formalize, but can be taken into account when implementing machine learning methods. The purpose of the study is to evaluate the possibility of using machine learning technolo- gies to identify the level of anxiety correlated with the Spielberger-Khanin method, according to electroencephalography data. Methods. To identify anxiety in the main and control groups, the Spielberger-Khanin method was used, which allows for differential measurement of anxiety as a personal trait. Alpha rhythms were recorded using 6-channel electroen- cephalography. The CatBoost library, which implements a gradient boosting algorithm with loss function minimization, was used as a machine learning tool. Results. The experiment involved 92 respondents, divided into three groups based on the testing results. Before test- ing, all subjects were in a state of rest for 1.5 minutes with the EEG recording turned on. Then they were asked to take a test to determine personal anxiety with synchronous recording of alpha rhythm parameters. Based on the results of testing, respondents were divided into three groups in accordance with the level of a certain anxiety. The study revealed a relationship between different levels of anxiety according to the Spielberger-Khanin scale and the type of electroen- cephalogram in subjects, which makes it possible to move from testing patients to recording and interpreting EEG. Conclusion. The study revealed a positive relationship between different levels of personal anxiety according to the Spielberger-Khanin scale and the type of electroencephalogram in subjects with an accuracy of up to 14%. It is shown that when determining anxiety, it is possible to replace the test based on the Spielberger-Khanin method for determining anxiety by EEG using machine learning technology.
The authors declare that there are no conflicts of interest present.