Способ прогнозирования реакции на гипервентиляционную нагрузку у практически здоровых лиц на основе показателей электроэнцефалограммы, характеристик вариабельности сердечного ритма и активности сегментарного мотонейронного аппарата

Изобретение относится к области медицины, а именно к физиологии и гигиене труда, клинической медицине. Регистрируют показатели электроэнцефалограммы (ЭЭГ), F-ответа с мышц возвышения большого пальца при стимуляции правого срединного нерва; показатели статистического и спектрального анализа вариабельности динамического ряда кардиринтервалов (ВСР). Рассчитывают показатели: мощность тета-колебаний ЭЭГ в отведении O2, среднюю частоту тета-колебаний ЭЭГ в отведении Р3, мощность альфа-колебаний ЭЭГ в отведении Р4, мощность альфа-колебаний ЭЭГ в отведении Т4, мощность максимального F-ответа, индекс напряжения по данным анализа ВСР, среднее квадратичное отклонение динамического ряда R-R интервалов, мощность низкочастотной составляющей спектра ВСР. Полученные показатели анализируют с помощью искусственной нейронной сети, представляющей собой многослойный персептрон с 8 нейронами входного слоя, 4 нейронами промежуточного слоя и 1 выходным нейроном, предварительно обученной прогнозированию динамики уровня углекислоты в выдыхаемом воздухе у испытуемых на гипервентиляционную нагрузку. Способ позволяет повысить достоверность прогноза, что достигается за счет учета комплекса исследуемых нейрофизиологических показателей. 3 табл.

 

Изобретение относится к области медицины, а именно к физиологии и гигиене труда; клинической медицине (пульмонологии, неврологии).

Гипервентиляция является проявлением комплексной психофизиологической реакции на стрессовые раздражители [10, 13, 20]; а в качестве специфического феномена может сопровождать некоторые виды профессиональной деятельности (авиакосмическая сфера, водолазные работы) [6]. В тоже время гипервентиляция является одним из ключевых звеньев патогенеза ряда патологических процессов, в том числе психовегетативного синдрома (панических атак), бронхиальной астмы [7, 18]. Основным механизмом, реализующим переход от гипервентиляции как физиологического феномена к патологической реакции, является изменение газового гомеостаза и, в первую очередь, уровня углекислого газа крови [5, 10, 17].

В связи с этим особое значение приобретает оценка реакции индивидуума на гипервентиляцию с учетом изменений показателей газового гомеостаза [2]. Следует отметить, что прямое измерение уровня углекислоты крови или выдыхаемого воздуха сопряжено как с техническими трудностями, так и имеет сильную зависимость от текущего функционального состояния человека [2, 3, 11].

В реализации различных паттернов дыхания, в том числе гипервентиляции, особую роль играют психофизиологические корреляты степени активации нервной системы [1, 9, 12], деятельность моторных эфферентных структур [4, 14, 15]; а также стресс-реализующих структур [16]. В связи с этим важную роль при прогнозировании реакции на гипервентиляционную нагрузку приобретают характеристики деятельности субсистем, участвующих в реализации данного паттерна дыхания.

Наиболее близким способом того же назначения к заявленному изобретению по совокупности признаков является способ дифференциальной диагностики гипервентиляционных нарушений при бронхиальной астме (прототип) [8], в котором на основе регистрации коротколатентных вызванных стволовых потенциалов на акустическую стимуляцию и вызванный кожный симпатический потенциала на стимуляцию срединного нерва на основе изменений латентности вызванных потенциалов диагностируют функциональную или произвольную гипервентиляцию.

К причинам, препятствующим достижению результата при использовании известного способа, принятого за прототип, относится специфический характер группы исследуемых с определенной нозологической формой (бронхиальная астма), использование набора показателей, характеризующих функциональное состояния стволовых структур и супрасегментарных вегетативных центров, а также ограниченный характер решаемой задачи, то есть выявление произвольного или функционального характера гипервентиляции у больных бронхиальной астмой.

Целью изобретения является прогнозирование реакции на гипервентиляционную нагрузку у практически здоровых лиц на основе специфического набора показателей электроэнцефалограммы (ЭЭГ), характеризующих активирующие и деактивирующие структуры головного мозга; показателей вариабельности сердечного ритма (ВСР), описывающих уровень активности симпатического и парасимпатического отделов автономной нервной системы и стресс-реализующих структур, а также показателей активности сегментарного мотонейронного аппарата с использованием технологии искусственных нейронных сетей (ИНС).

Цель достигается тем, что на основе показателей уровня углекислоты в выдыхаемом воздухе при произвольной 5-минутной гипервентиляционной нагрузке методом кластерного анализа группа практически здоровых лиц разделяется на подгруппы, различающиеся по уровню углекислоты в исходном состоянии, во время и после гипервентиляции. На основе данных спектрального анализа ЭЭГ, показателей стимуляционной электронейромиографии (СЭНМГ) с регистрацией F-ответа с мышц возвышения большого пальца при стимуляции правого срединного нерва, а также характеристик ВСР программным путем при помощи пакета программ Statistica 10.0 [19] создается ИНС, реализующая решение задачи распределения испытуемых на соответствующие кластеры.

Способ прогнозирования реакции на гипервентиляционную нагрузку у практически здоровых лиц осуществляется следующим образом. На входные нейроны созданной и обученной ИНС подается определенный комплекс показателей ЭЭГ, СЭНМГ с регистрацией F-ответа и характеристик ВСР исследуемого; реализуется запуск работы нейронной сети для данного случая, в результате чего с выходного нейрона получаются данные о номере подгруппы, к которой относится исследуемый.

Экспериментальное обоснование предлагаемого способа проведено на 54 практически здоровых лицах, средний возраст составил 33,1 года, из них 39 мужчин и 15 женщин. Исследуемые при помощи метода кластерного анализа разделены на 2 группы по показателям уровня углекислоты, регистрируемой при помощи ультразвукового капнографа «Еламед КП-01» компании «Еламед» в течение 5 минут в исходном (фоновом) состоянии, в течение 5 минут гипервентиляционной нагрузки (глубокое дыхание с частотой 20 дыхательных движений, контролируемое по индикатору прибора и корригируемое за счет словесной инструкции о длительности вдоха и выдоха пациенту) и в течение 5 минут после гипервентиляции. В первую подгруппу вошло 26 человек, во вторую - 28 человек; подгруппы достоверно различались по уровню углекислоты во время и после гипервентиляционной нагрузки (таблица 1, представлены различия по непараметрическому критерию Манна-Уитни, р<0,05), при этом подгруппа 2 характеризуется более низким уровнем углекислого газа в выдыхаемом воздухе во время и после гипервентиляции, то есть в этой подгруппе имеется тенденция к более выраженной гипокапнии при функциональной нагрузке.

Регистрировались ЭЭГ показатели по 16-каналам при монополярной схеме с референтными электродами на ушах при помощи прибора «Нейрон-Спектр-3» ООО «Нейрософт», показатели СЭНМГ с регистрацией F-ответа с мышц возвышения большого пальца при стимуляции правого срединного нерва при помощи компьютерного электромиографа «Нейро-МВП» ООО «Нейрософт», а также показатели ВСР при помощи прибора «Варикард» и программы «ИСКИМ 6.0» фирмы «Рамена» в фоновом состоянии (предшествующем гипервентиляционной нагрузке). В качестве показателей, используемых для прогноза, использовались данные спектрального анализа ЭЭГ, в том числе средняя мощность, средняя частота колебаний в основных частотных диапазонах (тета, альфа, бета1 и бета2), характеристики амплитуды, мощности и латентности максимального F-ответа, а также показатели вариабельности динамического ряда кардиоинтервалов (среднее квадратичное отклонение, индекс напряжения), данные спектрального анализа ВСР.

Для создания, обучения и тестирования нейронных сетей нами использовалась программа Statistica 10.0. Реализовывался автоматический расширенный алгоритм создания и обучения ИНС в режиме для решения задач классификации. Первичные переменные, включенные в анализ, представляли собой непрерывные числовые данные. В качестве возможных типов нейронных сетей были выбраны сети, основанные на радиальных базисных функциях, многослойные персептроны. Оптимальными характеристиками обладала обученная нейронная сеть, представляющая собой многослойный персептрон с 8 входным нейронами, 4 нейронами в промежуточном слое и 1 выходным нейроном, которая характеризуется специфической архитектурой и набором синаптических весов ее элементов.

Физиологические показатели, используемые нейронной сетью в качестве входных и ранжированные в порядке убывания их значимости, представлены в таблице 2.

В таблице 3 представлены результаты работы нейронной сети на обучающей и тестирующей выборке. При решении задачи распределения пациентов по подгруппам в обучающей выборке ошибок допущено не было; допущено по 1 ошибке в обеих подгруппах тестовой выборки (6,7% решений в подгруппе 1 и 6,3% решений в подгруппе 2), то есть нейронная сеть продемонстрировало удовлетворительную классификационную значимость.

Предложенный способ позволяет прогнозировать реакцию на гипервентиляционную нагрузку, что имеет значение для физиологии и гигиены труда и в клинической медицине.

Источники информации

1. Бурых Э.А. Взаимоотношение гипокапнии, гипоксии, мозгового кровотока и электрической активности мозга при произвольной гипервентиляции у человека / Э.А. Бурых // Российский физиологический журнал им. И.М. Сеченова. - 2007. - Т. 93, №9. - С. 982 - 1000.

2. Бяловский Ю.Ю. Капнография в общеврачебной практике / Ю.Ю. Бяловский, В.Н. Абросимов. - Saarbruken: LAP LAMBERT academic publishing, 2014. - 136 c.

3. Гришин O.B. Капнографические параметры паттерна дыхания в норме и при психогенной одышке / О.В. Гришин, В.Г. Гришин, Д.Ю. Урюмцев // Физиология человека. - 2012. - Т. 38, №4. - С. 59.

4. Зимина С.В. Тревожные состояния с позиции теории Н.А. Бернштейна: хронобиологический подход / С.В. Зимина // Психиатрия. - 2015. - Т. 66, №2. - с. 22-28.

5. Малкин В.Б. Гипервентиляция / В.Б. Малкин, Е.П. Гора. - М.: Наука, 1990. - 178 с.

6. Мясников А.П. Профессиональная патология специалистов военно-морского флота / А.А. Мясников / Патофизиология / под ред. В.Ю. Шанина. - СПб.: ЭЛБИ-СПб, 2005. – С. 588-610.

7. Соловьева А.В. Особенности легочного газообмена при метаболическом синдроме / А.В. Соловьева, Ю.Ю. Бяловский, Д.Р. Ракита // Доктор.ру. - 2013. - №1 (79). - С. 90-94.

8. Прототип. Способ дифференциальной диагностики гипервентиляционных нарушений при бронхиальной астме: пат. 94009027/14; заявл. 16.03.1994, опубл. 20.11.1998.

9. Под общ. редакцией А.И. Яроцкого, И.А. Криволапчука. Эмоции человека в нормальных и стрессорных условиях. - Гродно: ГрГУ, 2001. - 494 с.

10. Под ред. A.M. Вейна. Вегетативные расстройства: клиника, диагностика, лечение. - М.: Мед. информ. агентство. - 2010. - 637 с.

11. Терехов В.А. Сравнительная характеристика принципов измерения концентрации углекислого газа в капнографии / В.А. Терехов // Ползуновский вестник. - 2013. - №2. – С. 274-277.

12. Функциональная активность коры головного мозга при капнографической тренировке с биологической обратной связью у спортсменов / Л.В. Капилевич и др. // Теория и практика физической культуры. - 2011. - №10. – С. 16-20.

13. Черкасова Е.С. Объективизация психолого-психофизиологического состояния в диагностике профессионального стресса у сотрудников следственного комитета РФ / Е.С.Черкасова // Бюллетень физиологии и патологии дыхания. - 2014. - №51. - С.79-85.

14. Bell H.J. Respiratory control at exercise onset: an integrated systems perspective / H.J. Bell // Respiratory physiology and neurobiology. - 2006. -Vol.152, №l. - p. 1-15.

15. Gariepy J.F. The interactions between locomotion and respiration / J.F. Gariepy, K. Missaghi, R. Dubuc // Progress in Brain Research. - 2010. - Vol.187. - p.173-188.

16. Heart rate and heart rate variability in panic, social anxiety, obsessive-compulsive, and generalized anxiety disorders at baseline and in response to relaxation and hyperventilation / A. Pittiq et al. / International journal of psychophysiology. - 2013. - Vol.87, №1. - p. 19-27.

17. Hypocapnia induced by involuntary hyperventilation during mental arithmetic reduces cerebral blood flow velocity / R. Debreczeni et al. // The Tohoku journal of experimental medicine. - 2009. - Vol.217, №2. - p. 147-154.

18. Meuret A.E. Hyperventilation in panic disorder and asthma: empirical evidence and clinical strategies / A.E. Meuret, T. Ritz // International journal of psychophysiology. - 2010. - Vol.78, №1. - p. 68-79.

19. Moein S. Medical diagnosis using artificial neural networks / S. Moein. -Hershey: Medical Information Science Reference, 2014. - 310 p.

20. Ristiniemi H. Hyperventilation and exhaustion syndrome / H. Ristiniemi // Scandinavian Journal Caring Science. - 2014. - Vol.28, №4. - p. 657-664.

Способ прогнозирования реакции на гипервентиляционную нагрузку у практически здоровых лиц на основе показателей электроэнцефалограммы, характеристик вариабельности сердечного ритма и активности сегментарного мотонейронного аппарата, отличающийся тем, что регистрируют электроэнцефалограмму, F-ответ с мышц возвышения большого пальца при стимуляции правого срединного нерва; электрокардиограмму, выделяют комплекс спектральных характеристик основных частотных диапазонов электроэнцефалограммы, показателей статистического и спектрального анализа динамического ряда кардиоинтервалов, параметров мощности максимального F-ответа при стимуляции правого срединного нерва и на основе выделенного специфического комплекса электрофизиологических показателей при помощи обученной искусственной нейронной сети с уникальным набором синаптических весов распределяют исследуемых на подгруппы с известным уровнем углекислоты в выдыхаемом воздухе во время гипервентиляционной нагрузки.