Л.Н. Анищенко – к.т.н., доцент, ст. науч. сотрудник, факультет «Биомедицинская техника», 

Лаборатория дистанционного зондирования научно-учебного комплекса 

«Фундаментальные науки» (НУК ФН), МГТУ им. Н.Э. Баумана

E-mail: anishchenko@rslab.ru

А.В. Турецкая – студентка, факультет «Биомедицинская техника», МГТУ им. Н.Э. Баумана

E-mail: asi300@yandex.ru

А.С. Бугаев – академик РАН, д.ф.-м.н., гл. науч. сотрудник, Лаборатория дистанционного зондирования научно-учебного комплекса «Фундаментальные науки» (НУК ФН), МГТУ им. Н.Э. Баумана.

E-mail: rslab@rslab.ru

Постановка проблемы. Стресс – это нормальная физиологическая реакция на изменение условий окружающей среды, психологических или социальных факторов. Хронический стресс, который является одной из фундаментальных проблем современного общества, может приводить к необратимым негативным физиологическим и психологическим изменениям в организме человека. Применяемые в настоящее время для выявления стресса во врачебной практике методы и устройства не могут быть использованы для повседневного длительного автоматизированного мониторинга состояния стресса человека, так как являются трудоемкими и некомфортными для испытуемого вследствие необходимости применения контактных датчиков и привлечения специалистов для анализа данных. 

Цель работы – разработка новых комфортных для пользователя и эффективных методов бесконтактной оценки уровня стресса.

Результаты. В данной работе при проведении экспериментов были использованы два монохроматических биорадиолокатора «БиоРАСКАН-24» с частотами зондирования в диапазоне 24,0…24,2 ГГц. В экспериментах приняли участие 34 практически здоровых добровольца, характеризующихся различной степенью тренированности и стрессоустойчивости: 4 добровольца имели повышенную массу тела и 5 испытуемых регулярно занимались спортом. При проведении эксперимента испытуемый располагался в положении сидя перед биорадарами на расстоянии 1,5 м. Каждому добровольцу было предложено выполнить последовательно эксперименты, имитирующие спокойное состояние и состояние умственного напряжения, продолжительностью 5 и 3 мин, соответственно. Обработка данных состояла из этапов предварительной обработки сигналов биорадиолокатора, формирования пространства признаков и обучения классификаторов для выявления стрессового состояния испытуемого. Алгоритмы обработки и классификации сигналов биорадаров были реализованы в Python 3.7.

Для выявления состояния умственного напряжения на фоне спокойного состояния по данным биорадаров в ходе работы были протестированы 14 наиболее часто используемых на практиктике алгоритмов машинного обучения. Наилучший результат показал классификатор CatBoost. В задаче классификации между спокойным состоянием и состоянием умственного напряжения он позволяет выявить последнее с точностью 89% и F-мерой 88% и не требует использования никакой дополнительной информации о состоянии пользователя.

Практическая значимость. В ходе дальнейших исследований предполагается расширить экспериментальную выборку дополнив ее данными людей других возрастных групп. Кроме того, планируется проведение исследований большей продолжительностью, чтобы иметь возможность выявлять изменения в психофизиологическом состоянии, обусловленные усталостью испытуемого.

1. Selye H. The Evolution of the stress concept. The originator of the concept traces its development from the discovery in 1936 of the alarm reaction to modern therapeutic applications of syntoxic and catatoxic hormones. American Scientist. 1973. V. 61(6). P. 692–699.
2. Selye H. Stress and Distress. In Comprehensive Therapy. 1975. V. 1(8). P. 9–13.
3. Steptoe A., Kivimäki M. Stress and cardiovascular disease. Nat Rev Cardiol. 2012. V. 9(6). P. 360–70.
4. Glozier N. et.al. Psychosocial risk factors for coronary heart disease. Med. J. Aust. 2013. V. 199(3). P. 179–180.
5. Kelly S.J., Ismail M. Stress and type 2 diabetes: a review of how stress contributes to the development of type 2 diabetes. Annu Rev Public Health. 2015. V. 18(36). P. 441–462.
6. Van Winkel R., Stefanis N.C., Myin-Germeys I.I. Psychosocial Stress and Psychosis. A Review of the Neurobiological Mechanisms and the Evidence for Gene-Stress Interaction. Schizophrenia Bulletin. 2008. V. 34(6). P. 1095–1105.
7. McKlveen J.M., Morano R.L., Fitzgerald M. et al. Chronic Stress Increases Prefrontal Inhibition: A Mechanism for StressInduced Prefrontal Dysfunction. Biological psychiatry. 2016, V. 80(10). P. 754–764.
8. Slavich G.M., Irwin M.R. From stress to inflammation and major depressive disorder: a social signal transduction theory of depression. Psychol. Bull. 2014. V. 140(3). P. 774–815.
9. Dickerson S.S., Kemeny M.E. Acute Stressors and Cortisol Responses: a Theoretical Integration and Synthesis of Laboratory Research. Psychological Bulletin. 2004. V. 130(3). P. 355–391.
10. Setz C. et al. Discriminating Stress from Cognitive Load using a Wearable EDA Device. IEEE Transactions on Information Technology in Biomedicine. 2010. V. 14(2). P. 410–417.
11. Vrijkotte T.G., van Doornen L.J., de Geus E.J. Effects of Work Stress on Ambulatory Blood Pressure, Heart Rate, and Heart Rate Variability. Hypertension. 2000. V. 35(4). P. 880–886.
12. Fairclough S.H. Fundamentals of physiological computing. Interacting with Computers. 2009. V. 21(1–2). P. 133–145.
13. Mokhayeri F., Akbarzadeh-T M.R., Toosizadeh S. Mental Stress Detection using Physiological Signals based on Soft Computing Techniques. In Proceedings of the 18th IEEE Iranian Conference of Biomedical Engineering (ICBME). 2011. Tehran. Iran. P. 232–237.
14. Deschênes A. et al. Facial Expression Recognition Impairment following Acute Social Stress. Journal of vision. 2015. V. 15(12). P. 1383.
15. Anishchenko L., Bechtel T., Ivashov S., Alekhin M., Tataraidze A., Vasiliev I. Bioradiolocation as a technique for remote monitoring of vital signs. In: Advanced Ultrawideband Radar: Signals, Targets and Applications. Taylor J.D. (Ed.). CRC Press. 2016. P. 297–322.
16. Fernandez J.R.M., Anishchenko L. Mental stress detection using bioradar respiratory signals. Biomedical Signal Processing and Control. May 2018. V. 43. P. 244–249.
17. Anishchenko L. Challenges and Potential Solutions of Psychophysiological State Monitoring with Bioradar Technology. Diagnostics 2018. V. 8. P. 73.
18. Anishchenko L., Zhuravlev A., Razevig V. Chizh M., Evteeva K., Korostovtseva L., Bochkarev M., Sviryaev Yu. Non-contact Sleep Disorders Detection Framework for Smart Home. Proc. of 2019 PhotonIcs & Electromagnetics Research Symposium (PIERS). Rome, Italy. 2019. June 17–20. P. 3553–3557.
19. Li C., Lin J. Microwave noncontact motion sensing and analysis. 1st ed. Wiley: New Jersey. USA. 2014.
20. Sun F.-T. et al. Activity-aware Mental Stress Detection Using Physiological Sensors, in International Conference on Mobile Computing, Applications, and Services. 2010: Heidelberg, Berlin. P. 282–301.
21. Schmidt P. et al. Introducing wesad, a multimodal dataset for wearable stress and affect detection // Proceedings of the 20th ACM International Conference on Multimodal Interaction. 2018. С. 400–408.
22. Karthikeyan P., Murugappan M., Yaacob S. Multiple Physiological Signal-Based Human Stress Identification Using NonLinear Classifiers. Elektronika ir Elektrotechnika. 2013. V. 19(7). P. 80–85.
23. Subhani A.R. et al. Machine Learning Framework for the Detection of Mental Stress at Multiple Levels. IEEE Access. 2017.  V. 5. P. 13545–13556.
24. Анищенко Л.Н., Турецкая А.В. Программно-аппаратный комплекс для бесконтактной оценки психофизиологического состояния человека // Биомедицинская радиоэлектроника. 2018. № 10. С. 61–66.