А.А. Нигрей – аспирант, Омский государственный университет путей сообщения (ОмГУПС)

E-mail: aa.nig@yandex.ru

С.С. Жумажанова – аспирант, радиотехнический факультет, Омский государственный технический  университет (ОмГТУ)

E-mail: samal_shumashanova@mail.ru

А.Е. Сулавко – к.т.н., доцент, кафедра комплексной защиты информации; ст. науч. сотрудник,  Омский государственный технический университет (ОмГТУ)

E-mail: sulavich@mail.ru

Постановка проблемы. Психофизиологическое состояние (ПФС) человека напрямую влияет на его возможность вести трудовую деятельность. В работе рассмотрены следующие ПФС: стресс, сон (все фазы и стадии), сонливость (засыпание), алкогольное опьянение. Данные состояния являются наиболее важными с точки зрения необходимости их своевременной идентификации в процессе профессиональной деятельности сотрудников, чья работа связана с высокой концентрацией внимания и повышенной опасностью.

Цель работы – аналитико-синтетическое исследование проблемы автоматической оценки (распознавания) психофизиологического состояния человека по параметрам электроэнцефалограмм (ЭЭГ).

Результаты. Проанализированы, описаны и обобщены существующие методы и подходы к определению данных состояний по параметрам ЭЭГ. Приведены достигнутые результаты по идентификации данных состояний с использованием методов машинного обучения и распознавания образов.

Практическое значение. Большинство рассмотренных исследований опираются на анализ ритмов ЭЭГ, которые коррелируют с ПФС. Можно выделить наиболее перспективные методы распознавания состояний с использованием нейронных сетей и каскадов классификаторов. Несмотря на высокий уровень точности рассмотренных подходов, апробированные в лабораторных условиях методы имеют ряд проблем, которые на сегодняшний день являются нерешенными и требуют дальнейших исследований.

1. Леонова А.Б., Кузнецова А.С. Функциональные состояния и работоспособность человека в профессиональной деятельности // Психология труда, инженерная психология эргономика. Гл. 13 / Под ред. Е.А. Климова и др., М.: Юрайт. 2015. 
2. Богомолов А.В., Гридин Л.А., Кукушкин Ю.А., Ушаков И.Б. Диагностика состояния человека: математические подходы. М.: Медицина. 2003. 464 с.
3. Michael J. Aminoff, Aminoff's Electrodiagnosis in Clinical Neurology (Sixth Edition). 2012.
4. Lukas S.E. et al. Topographic distribution of EEG alpha activity during ethanol-induced intoxication in women // J. Stud. Alcohol. 1989. V. 50. № 2. P. 176–185.
5. Yang Q. et al. Cortical synchrony change under mental stress due to time pressure // 2010 3rd International Conference on Biomedical Engineering and Informatics. 2010. V. 5. P. 2004–2007.
6. Jensen O., Goel P., Kopell N., Pohja M., Hari R., Ermentroutf B. On the human sensorimotor-cortex beta rhythm: Sources and modeling // NeuroImage. 2005. V. 26. P. 347–355.
7. Choi Y., Kim M., Chun C. Measurement of occupants’ stress based on electroencephalograms (EEG) in twelve combined environments // Build. Environ. 2015. V. 88. P. 65–72.
8. Кирой В.Н., Ермаков П.Н. Электроэнцефалограмма и функциональные состояния человека. Ростов-на-Дону: Изд-во Ростовского ун-та. 1998.
9. Harmony T. et al. EEG delta activity: an indicator of attention to internal processing during performance of mental tasks // Int. J. Psychophysiol. 1996. V. 24. № 1. P. 161–171.
10. Gärtner M., Grimm S., Bajbouj M. Frontal midline theta oscillations during mental arithmetic: effects of stress // Front. Behav. Neurosci. 2015. V. 9.
11. Pineda J.A. The functional significance of mu rhythms: Translating “seeing” and “hearing” into “doing” // Brain Research Reviews. 2005. V. 50. № 1. P. 57–68.
12. Sege C.T., Bradley M.M., Lang P.J. Startle modulation during emotional anticipation and perception // Psychophysiology. 2014. № 10. P. 977–981.
13. Weinberg A., Sandre A. Distinct associations between low positive affect, panic, and neural responses to reward and threat during late stages of affective picture processing // Biological Psychiatry: Cognitive Neuroscience and Neuroimaging. 2017.
14. Karthikeyan P., Murugappan M., Yaacob S. A review on stress inducement stimuli for assessing human stress using physiological signals // 2011 IEEE 7th International Colloquium on Signal Processing and its Applications. 2011. P. 420–425.
15. Marchewka A., Zurawski L., Jednorog K., Grabowska A. The Nencki Affective Picture System (NAPS): introduction to a novel, standardized, wide-range, high-quality, realistic picture database // Behavioral research methods. 2014. № 46. P. 596–610.
16. Seo S.-H., Lee J.-T. Stress and EEG // Converg. Hybrid Inf. Technol. 2010.
17. Choi Y., Kim M., Chun C. Measurement of occupants’ stress based on electroencephalograms (EEG) in twelve combined environments // Build. Environ. 2015. V. 88. P. 65–72.
18. Alonso J.F. et al. Stress assessment based on EEG univariate features and functional connectivity measures // Physiol. Meas. 2015. V. 36. № 7. P. 1351–1365.
19. Atencio A.C. et al. Computing stress-related emotional state via frontal cortex asymmetry to be applied in passive-ssBCI // 5th ISSNIP-IEEE Biosignals and Biorobotics Conference (2014): Biosignals and Robotics for Better and Safer Living (BRC). 2014. P. 1–6.
20. Ryu K., Myung R. Evaluation of mental workload with a combined measure based on physiological indices during a dual task of tracking and mental arithmetic // Int. J. Ind. Ergon. 2005. V. 35. № 11. P. 991–1009.
21. Tong S., Thakor N.V. Quantitative EEG analysis methods and clinical applications. 2009.
22. Subhani A.R., Xia L., Malik A.S. EEG signals to measure mental stress // 2nd International Conference on Behavioral, Cognitive and Psychological Sciences. Maldives. 2011. P. 84–88.
23. Aftanas L.I., Reva N.V., Varlamov A.A., Pavlov S.V., Makhnev V.P. Analysis of evoked EEG synchronization and desynchronization in conditions of emotional activation in humans: temporal and topographic characteristics // Neuroscience and behavioral physiology. 2004. № 8. P. 859–867.
24. Nelson B.D., Hajcak G., Shankman S.A. Event-related potentials to acoustic startle probes during the anticipation of predictable and unpredictable threat // Psychophysiology. 2015. № 7. P. 887–894.
25. Lin C.-T. et al. Nonparametric Single-Trial EEG Feature Extraction and Classification of Driver’s Cognitive Responses // EURASIP J. Adv. Signal Process. 2008. V. 2008. № 1. P. 849040.
26. Chanel G. et al. Short-term emotion assessment in a recall paradigm // Int. J. Hum.-Comput. Stud. 2009. V. 67. № 8. P. 607–627.
27. Hosseini S.A., Khalilzadeh M.A. Emotional Stress Recognition System Using EEG and Psychophysiological Signals: Using New Labelling Process of EEG Signals in Emotional Stress State // 2010 International Conference on Biomedical Engineering and Computer Science. 2010. P. 1–6.
28. Saidatul A. et al. Analysis of EEG signals during relaxation and mental stress condition using AR modeling techniques // 2011 IEEE International Conference on Control System, Computing and Engineering. 2011. P. 477–481.
29. Khosrowabadi R. et al. A Brain-Computer Interface for classifying EEG correlates of chronic mental stress // The 2011 International Joint Conference on Neural Networks. 2011. P. 757–762.
30. Jun G., Smitha K.G. EEG based stress level identification // 2016 IEEE Int. Conf. Syst. Man Cybern. SMC. 2016. P. 003270–003274.
31. Al-shargie F. et al. Towards multilevel mental stress assessment using SVM with ECOC: an EEG approach // Med. Biol. Eng. Comput. 2018. V. 56. № 1. P. 125–136.
32. Shon D. et al. Emotional Stress State Detection Using Genetic Algorithm-Based Feature Selection on EEG Signals // Int. J. Environ. Res. Public. Health. 2018. V. 15. № 11.
33. Vanitha V., Pandian Krishnan. Real time stress detection system based on EEG signals // Biomed. Res. 2016. V. 0. № 0.
34. Ogino M., Mitsukura Y. Portable Drowsiness Detection through Use of a Prefrontal Single-Channel Electroencephalogram // Sensors. 2018. V. 18. № 12.
35. Käthner I. et al. Effects of mental workload and fatigue on the P300, alpha and theta band power during operation of an ERP (P300) brain–computer interface // Biol. Psychol. 2014. V. 102. P. 118–129.
36. Nguyen T. et al. Utilization of a combined EEG/NIRS system to predict driver drowsiness // Sci. Rep. 2017. V. 7. № 1. P. 1–10.
37. Ma Y. et al. Driving Fatigue Detection from EEG Using a Modified PCANet Method [Electronic resource]: Research article // Computational Intelligence and Neuroscience. 2019. URL: https://www.hindawi.com/journals/cin/2019/4721863/ (accessed: 19.11.2019).
38. Roohi-Azizi M. et al. Changes of the brain’s bioelectrical activity in cognition, consciousness, and some mental disorders // Med. J. Islam. Repub. Iran. 2017. V. 31. P. 53.
39. Yeo M.V.M., Li X., Wilder-Smith E.P.V. Characteristic EEG differences between voluntary recumbent sleep onset in bed and involuntary sleep onset in a driving simulator // Clin. Neurophysiol. 2007. V. 118. № 6. P. 1315–1323.
40. Грубов В.В., Овчинников А.А., Ситникова Е.Ю., Короновский А.А., Храмов А.Е. Вейвлетный анализ сонных веретен на ЭЭГ и разработка метода их автоматической диагностики // Нелинейная динамика и нейронаука. 2011. С. 91–108.
41. Захаров Е.С. Автоматизированное распознавание стадий сна // Медицинская диагностика и терапия. 2008. С. 117–120.
42. Schmitz A., Grillon C. Assessing fear and anxiety in humans using the threat of predictable and unpredictable aversive events (the NPU-threat test) // Nature Protocols. 2012. № 3. P. 527–532.
43. Rhudy J.L., Meagher M.W. Noise stress and human pain thresholds: divergent effects in men and women // Journal of Pain. 2001. № 2. P. 57–64.
44. Zunhammer M., Eberle H., Eichhammer P., Busch V. Somatic symptoms evoked by exam stress in university students: the role of alexithymia, neuroticism, anxiety and depression // PLOS One. 2013. № 12. P. 1–11.
45. B., Basar E. A review of brain oscillations in perception of faces and emotional pictures // Neuropsychologia. 2014. № 58. P. 33–51.
46. Антипов О.И. Захаров А.В. Повереннова И.Е. Неганов В.А. Ерофеев А.Е. Возможности различных методов автоматического распознавания стадий сна // Саратовский научно-медицинский журнал. 2012. Т. 8. № 2. С. 374 – 379.
47. Rajendra Acharya U, Eric Chern-pin Chua, Kuang Chua, Lim Choo, Toshiyo Tamura Analysis and automatic identification of sleep stages using higher order spectra // International Journal of Neural Systems. 2010. № 20(6). P. 509–530.
48. Zhumazhanova S.S. et al. Informativeness Assessment of the Thermal Pattern Features of the Face and Neck Region in the Tasks of Recognition of the Subject’s Changed State // 2019 20th International Conference of Young Specialists on Micro/Nanotechnologies and Electron Devices (EDM). 2019. P. 97–101. 
49. Cohen H.L., Porjesz B., Begleiter H. Ethanol-induced alterations in electroencephalographic activity in adult males // Neuropsychopharmacol. Off. Publ. Am. Coll. Neuropsychopharmacol. 1993. V. 8. № 4. P. 365–370.
50. Lukas S.E., Mendelson J.H., Benedikt R. A., Jones B. EEG alpha activity increases during transient episodes of ethanol-induced euphoria // Pharmacol. Biochem. Behav. 1986. V. 25. № 4. P. 889–895.
51. Saletu-Zyhlarz G.M. et al. Differences in brain function between relapsing and abstaining alcohol-dependent patients, evaluated by EEG mapping // Alcohol Alcohol. Oxf. Oxfs. 2004. V. 39. № 3. P. 233–240.
52. Sun Y., Ye N., Xu X. EEG Analysis of Alcoholics and Controls Based on Feature Extraction // 2006 8th international Conference on Signal Processing. 2006. V. 1.
53. Karungaru S. et al. Monotonous tasks and alcohol consumption effects on the brain by eeg analysis using neural networks // Int. J. Comput. Intell. Appl. 2012. V. 11. № 03. P. 1250015.
54. Sarraf J., Chakrabarty S., Pattnaik P.K. EEG Based Oscitancy Classification System for Accidental Prevention // Proceedings of the 5th International Conference on Frontiers in Intelligent Computing: Theory and Applications / Ed. S.C. Satapathy et al. Singapore: Springer. 2017. P. 235–243.
55. Tzimourta K.D. et al. Direct Assessment of Alcohol Consumption in Mental State Using Brain Computer Interfaces and Grammatical Evolution // Inventions. 2018. V. 3. № 3. P. 51.