Диагностика стресса методики: Методы исследования стресса | Обучонок

Практическая диагностика стресса: как победить тревожность

Автор: Артур Алексaндрoвич Алексaндрoв, доктор медицинских наук, профессор, заведующий кафедрой медицинской психологии Санкт-Петербургской медицинской академии последипломного образования.

 

Психологический (эмоциональный стресс) возникает в ответ на значимые внутренние или чаще на внешние факторы — конфликты, ущемление интересов, несправедливость окружающих и т. п. При этом эмоциональная реакция становится причиной временных нарушений на психофизиологическом уровне: вызывает сосудистую реакцию, обострение хронического заболевания внутренних органов, депрессию, апатию, интеллектуальный «затор». Между тем не всегда стрессовые реакции настолько очевидны, что их можно увидеть невооруженным глазом.

Часто негативные эмоции (страх, тоска, агрессия) подавляются, удаляются из сознания в сферу бессознательных чувств, где они продолжают оказывать разрушительное действие на организм человека. При этом источники стресса остаются неосознанными, что не позволяет человеку конструктивно решать проблемы, связанные со стрессом, вовремя обращаться за медицинской и психологической помощью.

Поэтому психологами разработаны методы диагностики стрессовых состояний и выявления особенностей личности, предрасполагающих к возникновению стресса. Вот несколько наиболее надежных тестов, с помощью которых можно определить степень подверженности человека стрессу и глубину имеющихся у него стрессовых реакций.

 

Наиболее часто психологический стресс протекает в форме реактивной тревожности. Реактивная тревожность характеризуется напряжением, беспокойством, нервозностью в определенной ситуации. Обычно уровень реактивной тревожности изменяется(повышается или снижается) накануне важных встреч, перед выполнением ответственных заданий, соревнованиями, выступлениями в аудитории. Тревожность может быть результатом недавно пережитых событий, эмоциональное впечатление от которых еще не утратило своего воздействия на личность.

Но реактивная тревожность не является изначально негативной чертой. Определенный уровень тревожности — необходимое условие для успешной деятельности. При этом существует индивидуальный уровень «полезной тревоги». В то же время очень высокая реактивная тревожность вызывает снижение внимания, иногда нарушение тонкой координации.

Слишком низкий ее уровень может плохо сказаться на результатах деятельности. Ниже приводится тест, разработанный Ч. Спилбергером, с помощью которого можно проверить уровень реактивной тревожности (табл. 1).

Инструкция: прочитать каждое из приведенных предложений и подчеркнуть цифру справа, соответствующую подходящему ответу.

 

Таблица 1. Реактивная тревожность

Суждение (как вы себя чувствуете в данный момент)	Ответы
	Вовсе нет	Пожалуй, да	Верно	Совершенно верно
1. Я спокоен(а)	1	2	3	4
2. Мне ничто не угрожает	1	2	3	4
3. Я нахожусь в напряжении	1	2	3	4
4. Я испытываю сожаление	1	2	3	4
5. Я чувствую себя свободно	1	2	3	4
6. Я расстроен(а)	1	2	3	4
7. Меня волнуют возможные неудачи	1	2	3	4
8. Я чувствую себя отдохнувшим	1	2	3	4
9. Я встревожен(а)	1	2	3	4
10. Я испытываю чувство внутреннего удовлетворения	1	2	3	4
11. Я уверен(а) в себе	1	2	3	4
12. Я нервничаю	1	2	3	4
13. Я не нахожу себе места	1	2	3	4
14. Я взвинчен(а)	1	2	3	4
15. Я не чувствую скованности, напряженности	1	2	3	4
16. Я доволен(а)	1	2	3	4
17. Я озабочен(а)	1	2	3	4
18. Я слишком возбужден(а) и мне не по себе	1	2	3	4
19. Мне радостно	1	2	3	4
20. Мне приятно	1	2	3	4

 

Обработка данных: подсчитать сначала сумму подчеркнутых цифр по пунктам (предложениям) 3, 4, 6, 7, 9, 12, 13, 14, 17, 18.

Затем получить сумму подчеркнутых цифр по пунктам 1, 2, 5, 8, 10, 11, 15, 16, 19, 20. Из первой суммы вычесть вторую и к результату прибавить 50.

Интерпретация данных: до 30 — низкая реактивная тревожность на момент выявления; 31-45 — умеренная тревожность; 46 и более — высокая тревожность.

 

Для человека характерны беспричинные или плохо объяснимые ожидания неприятностей, предчувствие беды, возможных утрат. Психика в состоянии напряжения и повышенного контроля над происходящим: человек обеспокоен своей судьбой, переживает за близких, жизнь проходит под девизом: «как бы чего не случилось». Обычно он сам признает, что повода для волнения нет или он незначителен. Тем не менее, чувство тревоги не покидает его и дестабилизирует физическое и психическое состояние, накладывает отпечаток на разные стороны жизнедеятельности.

Личностная тревожность — устойчивое состояние, характеризующееся склонностью воспринимать большой круг ситуаций как угрожающие.

В тревожный стереотип поведения трансформируется все: незначительные соматические нарушения, психологический дискомфорт, восприятие некоторых сторон действительности, жизненные позиции.

В итоге личность дестабилизирована: человек чем-то обеспокоен и не удовлетворен, иногда почему-то несчастлив и волнуется по пустякам, в чем-то не уверен и чего-то боится. Личностная тревожность фиксируется с помощью опросника Ч. Спилбергера, который предлагается для самооценки (табл. 2).

Инструкция: прочитать каждое из приведенных суждений и подчеркнуть цифру справа, соответствующую вашему варианту ответа.

 

Таблица 2. Личностная тревожность.

Суждение (как вы себя чувствуете обычно)	Ответы
	Почти никогда	Иногда	Часто	Почти всегда
1. Я испытываю удовольствие	1	2	3	4
2. Я быстро устаю	1	2	3	4
3. Я легко могу заплакать	1	2	3	4
4. Я хотел(а) бы быть таким/такой же счастливым(ой), как и другие	1	2	3	4
5. Нередко я проигрываю из-за того, что недостаточно быстро принимаю решения	1	2	3	4
6. Я чувствую себя бодрым(ой)	1	2	3	4
7. Я спокоен(а), хладнокровен(а) и собран(а)	1	2	3	4
8. Ожидаемые трудности обычно очень тревожат меня	1	2	3	4
9. Я слишком переживаю из-за пустяков	1	2	3	4
10. Я вполне счастлив(а)	1	2	3	4
11. Я принимаю все близко к сердцу	1	2	3	4
12. Мне не хватает уверенности в себе	1	2	3	4
13. Я чувствую себя в безопасности	1	2	3	4
14. Я стараюсь избегать критических ситуаций и трудностей	1	2	3	4
15. У меня бывает хандра	1	2	3	4
16. Я доволен(а)	1	2	3	4
17. Всякие пустяки отвлекают и волнуют меня	1	2	3	4
18. Я так сильно переживаю свои разочарования, что потом долго не могу о них забыть	1	2	3	4
19. Я уравновешенный человек	1	2	3	4
20. Меня охватывает сильное беспокойство, когда я думаю о своих делах и заботах	1	2	3	4

 

Обработка результатов: прежде всего следует суммировать подчеркнутые цифры в ответах: 2, 3, 4, 5, 8, 9, 11, 12, 14, 15, 17, 18, 20; затем вычесть из полученного результата сумму подчеркнутых цифр ответов: 1, 6, 7, 10, 13, 16, 19; к полученной разнице прибавить 35.

Интерпретация данных: до 30 — низкая тревожность или отсутствие таковой в психическом статусе личности; 31-45 — умеренная личностная тревожность; 46 и более — высокая тревожность, постоянно дестабилизирующая личность.

Значительное отклонение от уровня умеренной тревожности требует особого внимания. Высокая тревожность препятствует решению предстоящих задач, поскольку нарушает мыслительную деятельность и вызывает замешательство. В этом случае следует пересмотреть свое отношение к данной ситуации, снизив ее значимость для себя, и перенести акцент на осмысление предстоящей деятельности. Другими словами, нужно переключиться с мыслей о том, что будет, если я плохо выполню задание, на мысли о том, как выполнить это задание, то есть сосредоточиться на задании, а не на мыслях о катастрофических последствиях неудачи.

Необходимо также формирование чувства уверенности в себе. В этом вам значительную помощь окажут методы психической саморегуляции.

 

Научитесь жить лучше, получив необходимые вам знания и навыки при обучении по абонементу, со скидкой.

Проективный методики для диагностики стресса

ДОМ

«Дом старый, развалившийся – иногда субъект, таким образом может выразить отношение к самому себе.

Дом вдали – чувство отвергнутости (отверженности).

Дом вблизи – открытость, доступность и (или) чувство теплоты и гостеприимства.

Ступеньки, ведущие в глухую стену (без дверей) – отражение конфликтной ситуации, наносящей вред правильной оценке реальности. Неприступность субъекта (хотя он сам может желать свободного сердечного общения).

Стена с акцентированным контуром основы – субъект пытается вытеснить конфликтные тенденции, испытывает трудности, тревогу.

Стена: боковой контур слишком тонок и неадекватен – предчувствие (угроза) катастрофы.

Двери (одна или несколько), задние или боковые – отступление, отрешенность, избегание.

Двери открытые. Если дом жилой – это сильная потребность к теплу извне или стремление демонстрировать доступность (откровенность).

Двери боковые (одна или несколько) – отчуждение, уединение, неприятие реальности. Значительная неприступность.

Двери с огромным замком – враждебность, мнительность, скрытность, защитные тенденции.

Окна без стекол – враждебность, отчужденность. Отсутствие окон на первом этаже – враждебность, отчужденность.

Крыша, плохо сочетаемая с нижним этажом – плохая личностная организация.

Водосточные трубы – усиленная защита и обычно мнительность.

Кусты иногда символизируют людей. Если они тесно окружают дом, может иметь место сильное желание оградить себя защитными барьерами.

ЧЕЛОВЕК

Нечеткая голова – застенчивость, робость. Голова изображается в самом конце – межперсональный конфликт.

Подчеркнута шея – потребность в защитном интеллектуальном контроле.

Длинная тонкая шея – торможение, регрессия.

Плечи покатые – уныние, отчаяние, чувство вины, недостаток жизненности.

Туловище слишком крупное – наличие неудовлетворенных, остроосознаваемых субъектом потребностей.

Туловище ненормально маленькое – чувство унижения, малоценности.         

Лицо подчеркнуто – сильная озабоченность отношениями с другими, своим внешним видом.

Глаза изображены как пустые глазницы – значимое стремление избегать визуальных стимулов. Враждебность.

Глаза выпучены – грубость, черствость.

Глаза маленькие– погруженность в себя.

Подведенные глаза – грубость, черствость.

Длинные ресницы – кокетливость, склонность обольщать, соблазнять, демонстрировать себя.

Ноздри – примитивная агрессия.

Зубы четко нарисованы – агрессивность.

Лицо неясное, тусклое – боязливость, застенчивость.

Выражение лица подобострастное – незащищенность.

Лицо, похожее на маску – осторожность, скрытность, возможны чувства деперсонализации и отчужденности.

Волосы не заштрихованы, не закрашены, обрамляют голову – субъектом управляют враждебные чувства.

Руки скрещены на груди – враждебно-мнительная установка.

Руки вытянуты по бокам – трудности в социальных контактах, страх перед агрессивными импульсами.

Руки сильные – агрессивность, энергичность. Руки тонкие, слабые – ощущение недостаточности достигнутого.

Большие пальцы – грубость, черствость, агрессия. Пальцев больше пяти – агрессивность, амбиции.

Пальцы без ладоней – грубость, черствость, агрессия.

Пальцы длинные – скрытая агрессия.

Пальцы сжаты в кулаки – бунтарство, протест.

Кулаки прижаты к телу – вытесненный протест.

Кулаки далеко от тела – открытый протест.

Пальцы крупные, как гвозди (шипы) – враждебность.

Пальцы одномерные, обведены петлей – сознательные усилия.

Голова в профиль, тело анфас – тревога, вызванная социальным окружением и потребностью в общении.

Человек, изображенный бегущим – желание убежать, скрыться от кого-либо.

Человек в слепом бегстве – возможны панические страхи.

Неуравновешенная стоячая фигура – напряжение.

Клоун, карикатура – свойственное подросткам ощущение неполноценности. Враждебность, самопрезрение.

Оружие – агрессивность.

Линии с нажимом – агрессивность, настойчивость.

Штрихи угловатые, скованные – напряженность, замкнутость.

Штриховка от себя – агрессия, экстраверсия.

Стирания – тревожность, опасливость.

Частые стирания – нерешительность, недовольство собой.

Стирание при перерисовке (если перерисовка более совершенна) – это хороший знак.

ДЕРЕВО

Зачернение, штриховка – напряжение, тревожность.

Заштрихованный ствол – внутренняя тревога, подозрительность, боязнь быть покинутым; скрытая агрессивность.

«Вермишель» – тенденция к скрытности ради злоупотреблений, непредвиденные атаки, скрытая ярость»

Тульские ученые разработали методику диагностики и лечения стресса — Новости Тулы и области

Ученые из медицинского института ТулГУ разработали и запатентовали методику диагностики и лечения стресса. Она позволяет на ранних стадиях выявлять риск различных патологий нервной, сердечно-сосудистой, дыхательной и других систем организма. В основу  положены технические возможности отечественного аппарата диагностики функционального состояния организма «Симона». О том, как усовершенствовали прибор и как лечить усталость и стресс без медикаментов, узнал специальный корреспондент «Первого Тульского» телеканала Вячеслав Мараков.

Состояние человека врачи определяют с помощью реокардиографии (способа исследования работы сердца). Электроды крепят вокруг грудной клетки, и врач может увидеть, как быстро артерии и крупные сосуды наполняются кровью. Вместе с показателями давления и насыщаемости крови кислородом это помогает специалистам установить полную картину. На монитор выводится три главных показателя: работы сердца, легких и нервной системы человека. Исходя из веса, пола, роста и возраста пациента рассчитывается норма.  Восклицательным знаком подчеркиваются параметры, которые от этой нормы отстают или, наоборот, ее опережают. Например, из-за слабых легких сердцу приходится сокращаться гораздо чаще, чем нужно. Такой дисбаланс и говорит о стрессе. Ноу-хау тульских ученых – это как раз шкала стрессоустойчивости. Она позволяет оценить негативное влияние внешнее и внутреннее, измерить его в конкретных цифрах.

Алексей Токарев, ассистент кафедры анестезиологии и реаниматологии, рассказывает, что в конкретном случае врачи видят у данного пациента высокие эмоциональные и интеллектуальные нагрузки, снижение показателей работы сердечно-сосудистой системы, кардиальной нагрузки и адаптационного резерва. Это значит, что сейчас любая физическая работа или, к примеру, ответ на экзамене человеку будет даваться с большим трудом. 

Измеряют уровень стресса в баллах. Модель, которая составлена тульскими учеными, объединяет в себе 120 различных показателей работы организма и приводит их к общему знаменателю стрессоустойчивости.

Работает система на базе аппарата «Симона». Изначально прибор использовался в   реанимации для наблюдения за «тяжелыми больными». Позже комплекс перешел на вооружение спортсменов-профессионалов высокого уровня. Туляки комплекс облегчили, усовершенствовали, и теперь он может работать прямо в поликлинике. Диагностика занимает не больше 20 минут.

По результатам исследования назначается лечение. И снова с помощью высоких технологий. Прибор, похожий на смартфон с наушниками, позволяет врачам провести транскарональную электростимуляцию — то есть с помощью токов различной частоты заставить мозг вырабатывать гормон радости – серотонин.

Александр Ходарцев, директор медицинского института ТУЛГУ, говорит, что есть структуры в мозге, которые вырабатывают гормоны удовольствия, опиоидные пиптины, которые нормализуют взаимодействие различных функциональных систем. Метод хорош тем, что это просто наложение электродов без вреда для человека.

 Наши медики пошли еще дальше —  предложили через электроды доставлять в мозг серотонин дополнительно. Для этого достаточно смочить  гормоном подушечки, которые крепятся на мочки ушей. Метод снижает уровень стресса на порядок. Разрабатывалась система последние десять лет. Оказалось, что транскраниальная электростимуляция показывает отличные результаты и в  акушерстве.  Вовремя проведенное лечение стресса позволяет избежать гестоза — смертельно опасного заболевания у беременных женщин, которое может вызвать судороги и повышение давления во время родов.

Мария Паньшина, акушер-гинеколог, рассказывает, что еще в 2013 году была составлена группа риска из пациенток, которым были назначены сеансы лечения. После 10 сеансов по 20 минут на 16-ой неделе и столько же на 20-ой все новорожденные дети получили высший балл по шкале.

Тульская методика уже запатентована. Необходимые испытания проведены. Для широкого внедрения теперь нужны знания и деньги. Так, для того, чтобы подготовить врача к работе на «Симоне», требуется несколько недель. А стоит диагностическая установка около 3 миллионов. Прибор для электростимуляции – еще 10 тысяч. Зато результатов долго ждать не нужно. Чтобы избавиться от стресса, пациенту хватает 20 минут.

Алексей Токарев, опять же на примере, комментирует новые показатели таким образом: кровь стала насыщаться кислородом, сердце пришло в норму. Сейчас пациент может справиться с любым заданием: как физическим, так и интеллектуальным.

Внедрение новой разработки  в общую врачебную практику -процесс длительный. Обычно он занимает годы. Сейчас в Тульской области обсуждают, как сделать прибор, измеряющий стресс, не новинкой, а привычной деталью региональных поликлиник.

Ученые из Тульского госуниверситета разработали методику диагностики и лечения стресса — Наука

ТУЛА, 8 февраля. /ТАСС/. Ученые медицинского института Тульского государственного университета (ТулГУ) разработали и запатентовали методику диагностики и лечения стресса, что помогает предотвратить другие заболевания. Она позволяет на ранних стадиях выявлять риск различных патологий нервной, сердечно-сосудистой, дыхательной и других систем организма, сообщил ТАСС ассистент кафедры анестезиологии и реаниматологии ТулГУ, врач-физиотерапевт Алексей Токарев.

«Мы разработали способ оценки стрессоустойчивости организма — вывели показатели, которые хорошо показывают любые сдвиги в способности организма справляться с психическими нагрузками. А также разработали способ лечения стресса, он включает, в том числе, транскраниальную электростимуляцию — воздействие токов определенной частоты на черепно-мозговую коробку, и параллельное применение медикаментов», — сказал собеседник агентства.

Токарев отметил, что по медицинской статистике примерно две трети людей, которые обращаются с различными заболеваниями к врачам, имеют высокий или средний уровень психоэмоционального стресса. «Он, по сути, является фактором риска развития многих болезней, в том числе сердечной, дыхательной недостаточности, гипертонии, железодефицитной анемии, щитовидной железы.

Разработанная методика позволяет по отклонениям в нервной, сердечно-сосудистой и дыхательной системам заподозрить эти и другие патологии. <…> Курс лечения длится около недели, а сама процедура занимает в день около 20 минут, ее можно проходить, например, даже во время обеденного перерыва на работе, если в медкабинете есть необходимое оборудование», — отметил Токарев.

По его словам, исследования в данном направлении велись около шести лет. В основу положены технические возможности отечественного аппарата диагностики функционального состояния организма «Симона». Он применяется в медицинской практике в 2008 года. Специально для него дополнительно разработано более 120 показателей, по которым оценивается здоровье пациента.

Мединститут ТулГУ получил патент на свою разработку, сейчас одна из главных задач — внедрить ее в широкую практику. Методика в начале февраля была презентована на встрече с руководством и депутатами Тульской областной думы.

Перспективы внедрения разработки

«Применение этой методики может иметь большие перспективы, ведь выявление стрессов, например, у инженеров, педагогов, сотрудников правоохранительных органов, словом, у тех, кто наиболее подвержен психологической, эмоциональной нагрузке, ранняя диагностика заболеваний — все это очень важно. Председатель областной Думы Сергей Алексеевич Харитонов поручил профильным думским комитетам изучить разработку и подготовить предложения, обсудить с Министерством здравоохранения региона возможности ее внедрения», — сообщила ТАСС депутат облдумы, член комитета по социальной политике Марина Белькова.

Методика интегральной диагностики и коррекции профессионального стресса (ИДИКС) (Методика А.Б. Леоновой)

Назначение и сфера возможного использования методики

При создании этой системы учтены потребности трех разных категорий «конечных пользователей» получаемой информации:

• Отдельного клиента или целевой группы участников, проходящих индивидуализированное психодиагностическое обследование;
• Консультанта-профессионала (психолога, психотерапевта, медицинского работника), имеющего право оказывать специализированное психологическое воздействие;
• Представителя организации-заказчика (руководство и административный состав), ответственного за создание оптимальных рабочих условий и проведение работ по устранению стресс-факторов трудовой среды.

Многомерная диагностика стресса позволяет определить: 

• Факторы риска трудовой\организационной среды;
• Субъективный образ трудностей в трудовой ситуации;
• Деструктивную симптоматику острых и хронических стрессовых состояний;
• Фиксацию профессионально-личностных и поведенческих деформаций стрессового типа.

В настоящее время накоплен значительный опыт по использованию системы ИДИКС при работе с различными профессиональными контингентами: менеджерами разного должностного статуса, представителями медицинских профессий, учителями высшей и средней школы, инженерно-техническим персоналом, сотрудниками офисов и банковских структур, следователями и военнослужащими. Особенно методика будет полезна в сферах деятельности, требующих напряженных условий труда, ответственности, в том числе, связанных с постоянным риском для жизни, — транспорт, военные структуры, диспетчерская сфера, АЭС и т.д.
Полученные данные свидетельствуют о высокой эффективности применения разработанной диагностико-превентивной системы ИДИКС в практике психологической работы по борьбе со стрессом и сохранения здоровья персонала организаций.

Содержание теста и особенности работы с методикой

Структура системы ИДИКС состоит из трех частей:

1. Диагностическая – многофакторная оценка симптоматики профессионального стресса отдельного индивида или группы обследуемых на момент тестирования;
2. Оценочная – вынесение интегрированного суждения об общем уровне развития профессионального стресса и его качественной характеристике на основе стандартизированных психометрических правил и алгоритмов оценки;
3. Превентивная – подбор и составление программ оптимизационных мероприятий в соответствии со спецификой выявленного синдрома профессионального стресса.

Индивидуальную диагностику можно проводить в бланковом и компьютерном варианте. Стандартное время работы с системой составляет 20-30 минут. По результатам тестирования система выдает пользователю индивидуальный профиль стресса, в котором содержатся сведения об общем уровне стресса и детализированная интерпретация наиболее критичных особенностей его проявлений. Далее, в соответствии с выявленной спецификой синдрома пользователь получает рекомендации оптимизационного характера по устранению негативных последствий стресса. В компьютерной программе заложены три вида уникальных заключений с ограниченным доступом: для клиента, для руководителя и психолога. В методическом руководстве подробно описаны все этапы процедуры тестирования, обработки и интерпретации результатов, приведены развернутые примеры профилей, заключений, описания шкал.

 

Диагностика состояния стресса (А.О. Прохоров)

Описание методики. Методика позволяет выявить особенности переживания стресса: степень самоконтроля и эмоциональной лабильности в стрессовых условиях. Методика предназначена для людей старше 18 лет без ограничений по образовательным, социальным и профессиональным признакам.

Инструкция: «Обведите кружком номера тех вопросов, на которые вы отвечаете положительно».

 

Текст опросника

1. Я всегда стремлюсь делать работу до конца, но часто не успеваю и вынужден наверстывать упущенное.
2. Когда я смотрю на себя в зеркало, я замечаю следы усталости и переутомления на своем лице.
3. На работе и дома сплошные неприятности.
4. Я упорно борюсь со своими вредными привычками, но у меня не получается.
Меня беспокоит будущее.
5. Мне часто необходимы алкоголь, сигарета или снотворное, чтобы расслабиться после напряженного дня.
6. Вокруг происходят такие перемены, что голова идет кругом. Хорошо бы, если бы все не так стремительно менялось.
7. Я люблю семью и друзей, но часто вместе с ними я чувствую скуку и пустоту.
8. В жизни я ничего не достиг и часто испытываю разочарование в самом себе.

Обработка результатов

Подсчитываете количество положительных ответов по всем 9 вопросам. Каждому ответу «да» присваивается 1 балл (ответ «нет» оценивается в 0 баллов).
Результат 0-4 балла — означает высокий уровень регуляции в стрессовых ситуациях; 5-7 баллов — умеренный уровень; 8-9 баллов — слабый уровень.

Интерпретация результатов

Высокий уровень регуляции в стрессовых ситуациях. Человек ведет себя в стрессовой ситуации довольно сдержанно и умеет регулировать свои собственные эмоций. Как правило, такие люди не склонны раздражаться и винить других и себя в происходящих событиях.
Умеренный уровень регуляции в стрессовых ситуациях. Человек не всегда правильно и адекватно ведет себя в стрессовой ситуации. Иногда он умеет сохранять самообладание, но бывают также случаи, когда незначительные события нарушают эмоциональное равновесие (человек «выходит из себя»).
Слабый уровень регуляции в стрессовых ситуациях. Такие люди характеризуются высокой степенью переутомления и истощения. Они часто теряют самоконтроль в стрессовой ситуации и не умеют владеть собой. Таким людям важно развивать навыки саморегуляции в стрессе.

Симптомы стресса: методики лечения, диагностика, профилактика, первые признаки

Стрессовое состояние влияет не только на психику – негативное воздействие оказывается на все органы и функции организма. Симптомы стресса включают в себя нарушения деятельности ЖКТ – проявляются в запорах, диареях, метеоризме, изжоге; нарушения сердечной деятельности – тахикардия, аритмия, повышенное сердцебиение. Также при стрессах развиваются головные боли, бессонница, чувство усталости и напряжения. Состояние требует расслабления, релаксации, при необходимости – помощи специалистов.

Стресс или плохое настроение?

Любой человек в повседневной жизни сталкивается с неприятными ситуациями, способными повлиять на настроение – это неотъемлемая и неизбежная часть бытия. Из-за привычного восприятия таких ситуаций человек зачастую упускает первые тревожные сигналы, свидетельствующие о развитии симптомов стресса. Как же отличить плохое настроение от стресса? Первым симптомом стресса является длительное воздействие стрессогенного фактора или их совокупности, в результате чего плохое настроение держится более 2 недель. При обычных жизненных неурядицах настроение улучшается сразу после устранения негативного фактора, при стрессе могут наблюдаться временные улучшения настроения, однако, большую часть времени человек находится в подавленном состоянии. Говоря о симптомах, следует разделить симптомы стресса физиологического характера и симптомы стресса эмоционального характера.

Симптомы стресса физиологического характера

Стресс затрагивает все сферы функционирования человеческого организма, в том числе физиологию. Влияние стресса можно распознать по следующим признакам:

• Гипертония или гипотония
• Частые головные боли
• Боли в мышцах или судороги
• Запоры, диарея, боли в желудке, повышенный аппетит или, наоборот, отсутствие аппетита
• Кожные высыпания
• Бессонница или излишняя сонливость
• Изменения веса тела (набор или снижение)
• Излишняя потливость
• Снижение полового влечения

Симптомы стресса эмоционального характера

Симптоматика, отражающая влияние стресса на разум, затрагивает эмоциональную, поведенческую и волевую сферу человека.

• Раздражительность и агрессия
• Апатия, отсутствие интереса к окружающему миру или любимым занятиям
• Тревожное состояние
• Тоскливость
• Конфликтные ситуации на работе и в семье, спровоцированные пациентом
• Злоупотребление алкоголем или наркотиками как средством бегства от плохого самочувствия
• Постоянные негативные мысли
• Ухудшение памяти, невозможность сосредоточиться
• Невнимательность к внешнему виду
• Импульсивные решения или неспособность принять решение

Как человек переносит стрессовые состояния

При стрессе в организме вырабатывается гормон адреналин, основная функция которого заставить организм выживать. Стресс является нормальной частью человеческой жизни и необходим в определенных количествах. Если бы в нашей жизни не было стрессовых ситуаций элементов соревнования, риска, желания работать на пределе возможностей жизнь была бы гораздо более скучной. Иногда стресс выполняет роль своего рода вызова или мотивации, которая необходима, чтобы почувствовать полноту эмоций, даже в случае, если речь идет о выживании. Если же совокупность этих вызовов и сложных задач становится очень большой, тогда способность человека справляться с этими задачами постепенно утрачивается. Тревожность — состояние сознания и тела, связанное с беспокойством, напряжением и нервозностью. В жизни каждого человека случаются моменты, когда он испытывает стресс или тревожное состояние. В сущности, состояние тревоги помогает человеку справляться с внешними опасностями, заставляя мозг интенсивно работать и приводя организм в состояние готовности к действию. Когда тревоги и страхи начинают подавлять человека и влиять на его повседневную жизнь, могут возникать так называемые тревожные расстройства. Тревожные расстройства, в том числе панические состояния, боязнь потерять работу, специфические страхи, посттравматические стрессы, обсессивно-компульсивные расстройства и общее состояние беспокойства, обычно начинают проявляться в возрасте после 15-20 лет. Тревожные расстройства расцениваются как хронические заболевания, которые могут прогрессировать без лечения. На данный момент существуют эффективные методы их лечения.

Основные стадии стресса

Существует три стадии стресса, которые характеризуются периодами возбуждения и торможения. У каждого человека они выражены в той или иной степени, что зависит, во-первых, от источника расстройства, а, во-вторых, от состояния нервной системы человека. Три стадии стресса связаны между собой, то есть при развитии первой, обязательно последует вторая и третья. На первой стадии стресса индивид теряет способность контролировать свои действия и мысли, снижается сопротивляемость организма и поведение меняется на прямо противоположное тому, которое ему характерно. Так, если человек был добр, он становится вспыльчивым и раздражительным, а если был вспыльчив – замыкается в себе. Вторая стадия — стадия сопротивления и адаптации. На этой стадии повышается сопротивляемость организма раздражителю и человек принимает решения, позволяющие ему справиться с возникшей ситуацией. Третья стадия характеризуется истощением нервной системы. Если воздействие длительное, например, когда у человека развивается хронический стресс, его организм становится не в состоянии противостоять факторам, вызвавшим расстройство. У человека развивается чувство вины, может повторно возникнуть тревога, но, кроме этого, хронический стресс часто становится причиной развития соматических патологий, вплоть до тяжёлых патологических состояний.

Что делать, если у вас есть симптомы стресса

Методы, которые разработаны специалистами для того, чтоб помочь подверженным стрессу людям, направлены на то, чтоб сделать возможным управление негативными эмоциями. Если человеку удалось найти способ контролировать собственные эмоции, можно считать, что он самостоятельно справился со стрессом. Симптомы стресса очевидны при значительной интеллектуальной перегрузке организма. Вовремя дедлайнов, экзаменационных периодов человек страдает из-за обилия информации и нервная система часто не выдерживает напряжения. Чаще всего такие симптомы стресса можно заметить у подростков, которые слишком много внимания уделяют учебе. Рассеянность, невозможность сконцентрироваться на вопросе, отсутствие восприятия информации – признаки интеллектуальной усталости, который можно устранить с помощью покоя и отдыха от общения и источников информации. Интеллектуальные признаки стресса:

• Проблемы с запоминанием, забывчивость;
• Вязкость речи, повторение уже сказанного;
• Навязчивые мысли, постоянное обдумывание, застревание на одной мысли;
• Нерешительность, проблемы с принятием решения;
• Мысли в основном негативного характера.

Лечение стресса

При проявлении симптомов стресса лечение должно быть незамедлительным, так как стрессовое состояние рискует перейти в хроническое, а хронический стресс может привести к депрессии, расстройству личности и другим более тяжелым психическим заболеваниям. Сложности в лечении стресса состоят только в том, что пациент не распознает у себя симптомы стресса, списывая их на внешние факторы, или будучи уверенным в том, что он сможет справиться самостоятельно. Важно понимать, что своевременное обращение к врачу-психиатру или психотерапевту может быстро и эффективно помочь пациенту не только справиться со стрессом, но и получить психологические инструменты для противостояния стрессовым ситуациям и не допустить развития стресса в последующем. В Израиле в клинике «IsraClinic» разработаны специальные программы, направленные на лечение и профилактику стресса. Среди методик клиники индивидуально подобранная психотерапия, лекарственная терапия современными препаратами при необходимости, работа с психиатром и психологом.

Диагностика | Бесплатный полнотекстовый | Обзор биофизиологических и биохимических показателей стресса для подключенного и профилактического здравоохранения

3.1.1. Мониторинг стресса с помощью одного датчика

В выбранной литературе мы нашли только четыре статьи, в которых использовался один биофизиологический датчик для обнаружения и мониторинга человеческого стресса. Наивысшая зарегистрированная точность составила 85,3% [38], а самая низкая — 80,3% [54] при использовании кожно-гальванической реакции (GSR) и датчика EDA, соответственно. Читателям предлагается ознакомиться с разделом обсуждения и Приложением B для получения дополнительной информации об оценке точности.

Более подробная информация об исследованиях, в которых сообщается об использовании одного датчика для мониторинга напряжения, представлена ​​ниже.

Kim et al. [38] разработали модель, которая может точно классифицировать стресс от вождения во время вождения в реальных условиях, используя физиологические реакции водителей, измеренные с помощью устройств GSR. Для этого авторы использовали два типа данных. Первым набором данных был набор данных управляющего напряжения, доступный от PHYSIONET, который содержал данные нескольких параметров 17 приводов от девяти водителей.В этом исследовании авторы использовали данные GSR только для 10 из 17 дисков, поскольку у других не было четкой аннотации, и они разработали предложенную модель. Вторичные данные были собраны экспериментально и использованы для проверки разработанной модели. Данные GSR были собраны с помощью носимого на запястье устройства только одного водителя. Вождение по шоссе или строящемуся шоссе было обозначено как высокий стресс, а вождение в сельской местности — как период времени с низким уровнем стресса. Для классификации авторы разработали бинарную модель логистической регрессии и достигли общей точности 85.3% с использованием данных PYSIONET, в то время как они достигли 83,2% с использованием данных проверки, проанализированных с помощью перекрестной проверки. Авторы также предположили, что разработанная ими модель может быть встроена в существующие носимые сенсорные устройства GSR, что позволит обнаруживать и контролировать стресс от вождения в режиме реального времени. [54] наблюдали за стрессом одного корейского водителя, который водил машину в реальных условиях в течение 60 минут каждый день, в общей сложности 21 день. Авторы собрали сигналы EDA и количественно оценили взаимосвязь между стрессом при вождении в зависимости от типа дороги и условий движения.В исследовании маршрут движения был разделен на пять сегментов: город 1, шоссе 1, шоссе 2, шоссе 3 и город 2 с двумя платными остановками. Во время движения сигнал EDA регистрировался датчиком Empatica E4. Авторы обнаружили, что водитель чувствовал себя более напряженным при движении по городу и меньше — при движении по шоссе. Точно так же большой объем дорожного движения также вызывал стресс при вождении. Логистическая регрессия использовалась в качестве метода классификации для отделения стресса от нестрессового состояния.На основе эксперимента авторы пришли к выводу, что результаты их классификации показывают, что тип дороги и условия движения являются важными характеристиками, связанными с стрессом при вождении. Они сообщили о точности 80,3% при чувствительности 85%, специфичности 78% и положительной предсказательной способности 70%. Li et al. [55] наблюдали за повседневным стрессом только одного человека. Для этого исследования авторы контролировали ЭКГ в ванне в течение 6 месяцев. Во время исследования измерялась ЭКГ и проводился анализ с использованием вариабельности сердечного ритма (ВСР).Для количественной оценки стресса был предложен индекс стресса. Комнатная температура поддерживалась около 20 ° C, а температура воды была установлена ​​на 39 ° C. Рабочий дневник испытуемого был взят за основу для оценки уровня стресса. Объединив нелинейные функции во временной и частотной областях, авторы утверждали, что получили больше информации, которая помогла в оценке уровня стресса. Вариация индекса стресса показала высокую согласованность с графиком работы испытуемого и, таким образом, могла предоставить приемлемое решение для сравнения уровней стресса у разных людей.Они также утверждали, что индекс стресса был значительно выше как при умственном, так и при физическом стрессе. Liu et al. [56] определили возможность использования параметра сигнала и разработали устройство для контроля напряжения. Для выявления стресса автор использовал только сигналы EDA. Чтобы определить возможность EDA различать высокий, средний и низкий уровни стресса, авторы использовали предопределенную базу данных от MIT Media Lab. Они выбрали 11-футовые сигналы EDA для 11 драйверов и извлекли 18 различных функций. Данные водителей собирались во время движения по трассе, в городе и на отдыхе. Они утверждали, что, хотя их общая точность была ниже, чем у некоторых систем с несколькими сигналами, это можно рассматривать как лучший баланс между вычислительной нагрузкой и производительностью распознавания. Авторы предположили, что их результаты представляют собой многообещающее направление исследований для разработки практического персонализированного монитора стресса. После использования проекции Фишера и линейного дискриминантного анализа (LDA) данных, собранных из набора данных, авторы заявили, что достигли точности классификации 81.82%.

3.1.2. Мониторинг стресса с помощью двух датчиков

В отобранной литературе мы нашли только три статьи, в которых использовалась комбинация двух датчиков для обнаружения и мониторинга человеческого стресса. Наивысшая заявленная точность составила 94% при использовании нескольких функций с датчиками EDA и PPG [19], а наименьшая заявленная точность составила 78,98% при использовании датчиков EDA и частоты дыхания (нагрудный бандаж) [44]. Более подробная информация об исследованиях, в которых сообщается об использовании комбинации двух датчиков, представлена ​​ниже. Han et al. [19] предложили метод обнаружения, который определяет три уровня стресса (отсутствие стресса, умеренный воспринимаемый стресс и высокий уровень воспринимаемого стресса).Для вышеупомянутой цели были собраны данные ЭКГ и частоты дыхания. Всего авторы собрали данные от 39 субъектов. В качестве стрессового стимула использовалась стрессовая задача Montreal Imaging (MIST). В эти задачи входили факторы психического и психосоциального стресса, связанные с любым рабочим местом. Наряду с SVM они исследовали линейный дискриминантный анализ (LDA), k-ближайших соседей (kNN) и AdaBoost. Авторы сообщили о точности 84% с использованием функций случайного леса (RF) и классификатора SVM при различении трех стадий стресса.Однако для бинарной классификации, то есть покоя и стресса, они достигли точности 94%. Авторы также пришли к выводу, что LDA, ближайшие соседи и AdaBoost не показали хороших результатов с точки зрения точности классификации по сравнению с SVM. Sandulescu et al. [44] постоянно отслеживали уровень стресса студентов в режиме реального времени. Авторами предложена методика определения напряжения с использованием данных с датчиков EDA и PPG. Они выбрали пять человек для участия в учебе. Чтобы вызвать стресс, испытуемые выполняли стресс-тест Trier Scope Stress Test (TSST) с задачей публичного выступления, задачей познания и, наконец, нейронной задачей.Нейронная задача заключалась в том, чтобы ответить на заранее заданный вопросник с выделенным временем 2 минуты. Задачей публичного выступления было 5-минутное собеседование. После собеседования в качестве познавательной задачи участников попросили отсчитать в обратном порядке от 1022 с разрывом в 13, и, если они допустили ошибку, им пришлось перезапустить счет. На это задание было отведено 5 минут. Цель этого эксперимента состояла в том, чтобы увидеть эффективность предлагаемого подхода как персонализированного устройства обнаружения стресса для каждого субъекта.Авторам удалось обнаружить стресс каждого участника со средней точностью 78,98% для пяти участников с использованием SVM. Они утверждали, что их подход является отправной точкой для обнаружения стрессового состояния субъекта в режиме реального времени, а также для лечения людей, которое в конечном итоге улучшит качество их жизни. Mohino-Herranz et al. [57] оценивали умственную подготовку различных субъектов, участвовавших в исследовании. Авторы использовали сигналы ЭКГ и торакального электрического биоимпеданса (TEB) для мониторинга стресса.Всего для этого эксперимента было набрано 40 человек. Их протокол индукции стресса состоял из трех этапов. Для извлечения признаков и классификации использовались алгоритмы низкочастотной фильтрации и прореживаемой промежуточной частоты, а также многослойный классификатор персептронов (MLP). На этапе 1 каждому испытуемому дважды был показан фильм «Земля», документальный фильм BBC. Второй этап — это игра, основанная на сложении. На экране отображалась сумма двух цифр, и испытуемый должен был мысленно произвести расчет и выбрать правильный вариант из множества предложенных решений. На заключительном этапе испытуемый выбрал один из трех фильмов, то есть «Американская история X», «Жизнь прекрасна» или «Я — легенда», чтобы подтвердить печаль. Предложенная система была проанализирована тремя различными способами: идентификация активности, эмоциональное состояние и умственная активность. Параметром, используемым для анализа, была частота ошибок. С классификатором MLP авторы достигли коэффициента ошибок 21,23%, 4,77% и 32,33% для идентификации активности, эмоционального состояния и умственной активности соответственно. Измерение показало высокий потенциал использования сигналов ЭКГ и TEB для обнаружения длительных периодов стресса или внезапного увеличения умственной перегрузки или эмоциональных реакций людей, особенно тех, кто связан с риском, например, полиция, солдат и пожарный.

3.1.3. Мониторинг стресса с помощью нескольких датчиков

В отобранной литературе мы нашли 16 работ, в которых использовалось сочетание более двух датчиков для обнаружения и мониторинга человеческого стресса. Наивысшая зарегистрированная точность составила 97,4% при использовании датчиков ЭМГ, ЭДА и частоты дыхания вместе с искусственной нейронной сетью в качестве классификатора [40]. Самая низкая зарегистрированная точность составила 61,8% при использовании датчиков ЭКГ, PPG, EDA и датчиков температуры с классификатором SVM [35]. Более подробная информация представлена ​​ниже. Gjoreski et al.[21] разработали метод обнаружения стресса, позволяющий точно, ненавязчиво и непрерывно измерять повседневный стресс. Они предложили контекстную методику обнаружения стресса с использованием EDA, температуры кожи, PPG и данных акселерометра. В исследовании приняли участие пять человек. Чтобы вызвать стресс, участникам была предложена серия случайно сгенерированных уравнений, которых попросили решить их устно. Время, отведенное на решение каждого уравнения, изменялось динамически, то есть после каждых двух последовательных правильных ответов отведенное время уменьшалось на 10%, а на каждые два неправильных ответа время увеличивалось на 10%. Протокол эксперимента включал три сеанса разного уровня сложности: легкие, средние и сложные уравнения. Когда участники решали уравнения, их также просили заполнить анкету STAI для измерения уровня тревожности до и после каждого сеанса. Действия пользователя записывались с помощью акселерометра и сохранялись как контекстная информация. Эксперимент показал, что без контекстной информации определение напряжения не находилось в пределах приемлемой точности. Когда была включена контекстная информация, F-оценка SVM-классификатора подскочила до 0.9 с 0,47, а точность увеличена до 95% с 7%. Таким образом, авторы пришли к выводу, что контекстная информация необходима, чтобы отличить реальный стресс от других ситуаций (например, жаркая погода, еда или упражнения), которые могут вызвать подобное физиологическое возбуждение. Ким и др. [35] разработали систему распознавания эмоций с использованием различных физиологических датчиков. Для измерения эмоций детей использовались физиологические датчики, такие как ЭКГ, PPG, EDA и температура кожи. Для эксперимента были набраны дети в возрасте от 5 до 8 лет, которых случайным образом разделили на две группы.Первая группа состояла из 125 человек, а вторая — из 50 человек. Для индукции стресса использовался мультимодальный подход, основанный на некоторых звуковых, визуальных и когнитивных стимулах, разработанный под наблюдением консультантов из области физиологической психологии. Авторы этой статьи определили различные факторы, такие как физическая активность, физический статус и когнитивная нагрузка, которые могут повлиять на сигналы. Общий анализ состоял из предварительной обработки сигнала и важнейших этапов выделения и классификации признаков.Для подтверждения достоверности использовалась анкета, заполненная самими участниками. Испытуемые должны были оценить свои чувства во время эксперимента по шкале от 1 до 5. Авторы сообщили, что при использовании SVM в качестве классификатора паттернов они достигли уровня распознавания 78,4% для трех эмоциональных состояний и 61,8% для четырех эмоциональных состояний. [36] определяли психическое и физическое напряжение испытуемого при различных физических нагрузках. Авторы использовали данные ЭКГ, GSR и акселерометра для определения умственной и физической нагрузки испытуемого.Всего в эксперименте участвовало 20 человек. Сидение, стояние и ходьба — три вида деятельности, вызывающие физическое напряжение. Параллельно с этим в качестве факторов психического стресса использовались компьютерный цветовой тест Струпа и задачи с ментальной арифметикой, основанные на Монреальской стрессовой задаче по визуализации изображений (MIST). Все тесты проводились с ограничением по времени и во всех трех положениях активности: стоя, ходьба и сидение. После анализа авторы показали, что включение данных акселерометра улучшило процесс ментального обнаружения в мобильной среде.Классификатор дерева решений, 10-кратная проверка и наименее сложный классификатор [58] показали себя лучше всего для их экспериментов. Авторы сообщили о точности классификации 92,4% при использовании данных акселерометра вместе с другими физиологическими сигналами, в то время как точность классификации между предметами составила 80,9%. Chen et al. [37] разработали систему обнаружения стресса для драйверов, основанную на мультимодальных функциях и классификаторах на основе ядра. Они записали сигналы ЭКГ, сигналы GSR и частоту дыхания.Авторы собрали данные о 14 водителях, которые проезжали по заданному маршруту (в реальных условиях движения). В ходе эксперимента была собрана физиологическая и поведенческая (видео) информация для определения индекса стресса. Кроме того, для оценки точности измерений также использовалась анкета. Авторы сделали три вывода из этого исследования. Во-первых, с помощью этого конкретного набора физиологических датчиков можно охарактеризовать различные уровни стресса при вождении. Во-вторых, мультимодальный набор функций обеспечивает более надежное и точное состояние привода.В-третьих, с помощью эффективных методов выбора функций и классификаторов на основе ядра можно разработать многообещающую систему мониторинга и оповещения в реальном времени, которая будет размещена в автомобилях для предотвращения аварий, вызванных отрицательным статусом водителей. Классификация проводилась с использованием различных моделей SVM на основе ядра. Авторы проанализировали данные с точки зрения точности, т. Е. (Истинно положительный результат) / ((истинный положительный результат + ложный положительный результат)), чувствительности и специфичности. При использовании полного набора функций SVM с линейным ядром дала наивысшую точность классификации между приводами, т.е.е., 0,999. Для уровня кросс-драйва SVM с ядром радиальной базисной функции (RBF) дал оценку точности 89,7%. Healey et al. [39] проанализировали четыре физиологических показателя, измеряемых с помощью носимых датчиков, то есть сердечную активность по ЭКГ, мышечную активность по ЭМГ, частоту дыхания от расширения грудной полости и проводимость кожи от EDA, чтобы контролировать стресс водителей транспортных средств. Авторы собрали данные от 10 водителей. Был смоделирован маршрут движения с несколькими стрессовыми ситуациями, связанными с вождением.Маршрут, разработанный для водителей, включал выезд из гаража, городскую дорогу, пункт взимания платы, движение по шоссе, поворот на съезде, слияние двух полос движения, переход моста и въезд в гараж. Этим маршрутам был присвоен рейтинг стресса от 1 до 7 на основе средних баллов анкет, а стрессовые события были помечены как очень высокие, высокие, нейтральные или низкие. Данные от датчиков были проанализированы путем извлечения различных характеристик сигнала, включая средние и отклонения. Классификатор k-ближайших соседей (kNN) использовался для тестирования человека и комбинации нескольких признаков для классификации стресса.Точность прогнозирования напряженного состояния для каждой функции или комбинации функций была установлена ​​в качестве критерия тестирования. Авторы обнаружили, что средняя частота дыхания является лучшим единственным прогностическим фактором стресса с точностью прогноза 62,2%. Точность определялась как (TP + TN) / (все наблюдения), где TP истинно положительно, а TN истинно отрицательно. Комбинация всех функций четырех типов датчиков имела общую точность 86,6%. Аналогичным образом, Хили и др. [40] также исследовали стресс, испытываемый водителями во время вождения по дороге. Авторы отслеживали четыре различных физиологических сигнала для анализа, то есть ЭКГ для определения частоты сердечных сокращений, ЭМГ для мышечной активности, EDA для уровней проводимости кожи и частоты дыхания. Авторы собрали физиологические данные 24 водителей, которые управляли автомобилем не менее 50 минут. После предварительной обработки и исключения избыточных данных для анализа были выбраны только данные 16 драйверов. Протокол вождения включал отдых, движение по шоссе и по городу, что должно было вызывать у водителей низкий, средний и высокий уровень стресса.Для анализа использовались анкета и видеозапись. Анализ анкеты проводился с использованием двух рейтинговых шкал. Во-первых, по шкале оценок водители оценили дорожные события (окружающие условия) от 1 (без стресса) до 5 (стрессовый). По второй шкале они должны были оценить свои чувства по шкале от 1 (наименьший стресс) до 7 (высокий уровень стресса). Видео также анализировались с использованием оценок, основанных на действии. К потенциальным факторам стресса относятся повороты, остановки, неровности и поворот головы (изменение взгляда).Классификация проводилась с использованием искусственной нейронной сети. Эксперимент показал, что измерение сигналов от физиологических датчиков — это практичный метод количественной оценки стресса водителей. Они достигли точности классификации 97,4% с использованием интервалов данных в 5 минут и обнаружили самую высокую корреляцию между показателями частоты сердечных сокращений и проводимости кожи. [42] провели исследования по ненавязчивому, непрерывному обнаружению стресса. Авторы использовали датчики для получения ЭКГ, КГР, частоты дыхания и температуры кожи в качестве физиологических сигналов.В этом исследовании приняли участие 22 человека. У каждого испытуемого было четыре стрессора и шесть периодов отдыха. Периоды стресса включали один тест с публичными выступлениями, два теста по математике и один стресс-тест на холодное давление. Эти факторы стресса представляют собой психические, социальные и физические проблемы, с которыми человек сталкивается во время физического или эмоционального стресса. Для аннотации авторы собрали интервью с экологической мгновенной оценкой до и после каждого стрессора и периода отдыха. После эксперимента авторы пришли к выводу, что их модель на основе SVM обнаруживает стресс с высокой точностью и скоростью отзыва (точность 68%), особенно когда они использовали персонализированную информацию с помощью SVM.Wijsman et al. [43] выявляли психическое напряжение участников с помощью физиологических сигналов. Они регистрировали частоту дыхания, ЭКГ, ЭМГ и сигналы проводимости кожи. После предварительной обработки высококачественные данные 18 участников (из 30 участников) были использованы для дальнейшего анализа. Сначала участники заполнили анкету по шкале воспринимаемого стресса (PSS), а затем были подвергнуты трем различным стрессовым ситуациям, то есть некоторой вычислительной задаче, логической головоломке и тесту на память. Все эти тесты были ограничены по времени и сопровождались отвлекающими новостями, услышанными через наушники.Для проверки достоверности анкета заполнялась до и после каждого теста. Авторы утверждали, что достигли точности 80% для классификации по двум классам, то есть покой против стресса, с использованием метода анализа главных компонентов (PCA). Они пришли к выводу, что такая точность указывает на пригодность этих функций для обнаружения стресса у субъекта. Чой и др. в [45] предложил носимое устройство для измерения стресса, сонливости и утомляемости водителей. Авторы измерили сигналы GSR, акселерометра, температуры и PPG 28 драйверов.Для индукции напряжений использовался симулятор (программное обеспечение), то есть City Car Driving. Это программное обеспечение позволило авторам контролировать различные условия вождения, такие как плотное движение и аварии. Эксперимент был разделен на четыре части: нормальное (движение по городской дороге), стрессовое (переполненная дорога, шум и аварии), утомляемость и сонливость (езда по шоссе в течение 2 часов без машин) состояния. Все сигналы были измерены с помощью одного носимого устройства на запястье. Авторы сообщили о точности 68. 31% для классификации четырех состояний (т. Е. Нормальное, стрессовое, сонливость и утомляемость) и точность 84,46% для классификации трех состояний (т.е. нормальное, стрессовое, сонливость или утомляемость). [59] оценили состояние вегетативной нервной системы с помощью анализа частоты сердечных сокращений. Авторы использовали акселерометр (ACC), блок глобальной системы позиционирования (GPS), ЭКГ, EDA и частоту дыхания вместе с записью времени для эксперимента. В этом исследовании участвовали только три субъекта.Для индукции умственного стресса испытуемых просили выполнить мысленный арифметический тест [60] или тест цветного слова Струпа [61], а для релаксации каждый испытуемый делал глубокие вдохи, чтобы расслабиться. Авторы собрали четыре теста для каждого предмета в пять разных дней, получив по 20 результатов тестов на каждого предмета. Метод основных динамических режимов (PDM) был применен для прогнозирования уровней активации симпатических и парасимпатических вегетативных реакций. Для сравнения результатов, полученных с помощью PDM, была рассчитана спектральная плотность мощности (PSD) с использованием метода Велча.Авторы обнаружили, что алгоритм PDM показывает более низкую межпредметную дисперсию и, что интересно, показывает некоторую сравнимую производительность между субъектами и внутри них, тогда как производительность PSD снижается при использовании между субъектами. Hosseini et al. [62] представили новый протокол маркировки сигналов ЭЭГ для состояний эмоционального стресса с использованием модели индукции изображения. Они провели количественный и качественный анализ PPG, проводимости кожи и частоты дыхания, чтобы эффективно сегментировать сигнал ЭЭГ и, таким образом, улучшить общую систему распознавания стресса.Для эксперимента было набрано 15 студентов-добровольцев мужского пола. В качестве предварительного теста была проведена инвентаризация состояния и черт тревожности (STAI [63]) для определения наилучшего психологического воздействия. Для индукции стресса было выбрано подмножество изображений из Международной системы аффективных картинок (IAPS). В IAPS 956 изображений, вызывающих эмоции. Авторы использовали вейвлет-коэффициенты и алгоритм Хигучи, а также размерность корреляции, чтобы извлечь характеристики сигнала ЭЭГ. Они достигли точности 82.7% использовали классификатор Элмана и пришли к выводу, что применение нелинейного анализа временных рядов сигналов ЭЭГ позволило понять динамическую природу и изменчивость сигналов мозга. Результаты эксперимента подтвердили гипотезу о том, что системы мониторинга стресса, разработанные на основе слияния физиологических сигналов и сигналов ЭЭГ, работают лучше по сравнению с системами, имеющими эти сигналы по отдельности. Более того, сигналы ЭЭГ показали лучшую классификационную реакцию по времени, чем психофизиологические сигналы.Картикеян и др. [64] представили метод, позволяющий обнаруживать стресс с помощью краткосрочных сигналов. В этом эксперименте авторы использовали Muaremi et al. [65] исследовали характер ночного сна и определили наиболее важные параметры сна, которые можно использовать для выявления стресса. Они записали данные об осанке с помощью датчика нагрудного ремня и акселерометров на теле и руках. Исследование также включало данные ЭКГ, ВСР, температуру тела, частоту дыхания и КГР для анализа биофизиологических параметров. 10 субъектов, набранных для этого эксперимента, совершали паломничество в хадж и во время эксперимента носили два устройства, браслет и нагрудный ремень.Авторы опросили участников в первый день и собрали информацию об их состоянии здоровья, убедившись, что они полностью поняли эксперимент. Перед сном каждого участника попросили заполнить анкету о стрессе. Перед сном их попросили включить датчики и выключить их при вставании. Авторы полагали, что, включив оценку стресса в дневное время, они могли бы приблизиться к поиску полного решения для обнаружения стресса в повседневной жизни.Авторы также пришли к выводу, что во время сна активность верхней части тела и продолжительность сна (среди изученных физических характеристик) являются сильными индикаторами стресса, в то время как ЭКГ и ВСР были наиболее значимыми в группе биофизиологических параметров. Температурой тела можно пренебречь, поскольку она не способствовала обоснованному выводу. Mozos et al. [66] представили подход к выявлению стресса у людей, которые страдают от стресса в социальных ситуациях. Для развития социальных и физических реакций использовались датчики двух типов.Датчики включали EDA, PPG для расчета ВСР и социометрический значок для записи голоса испытуемого. Всего было набрано 18 субъектов, и протокол, основанный на TSST, как определено выше, был разработан для индукции стресса у каждого субъекта. В дополнение к TSST участников также попросили заполнить STAI (опросник состояния-черты тревожности), чтобы определить свой уровень тревожности. Авторы утверждали, что социометрическое устройство само по себе обеспечивает более предсказуемые результаты при использовании вместе с другими параметрами.Причина этого может заключаться в том, что в TSST испытуемые постоянно говорят и могут свободно перемещаться во время эксперимента. Классификация проводилась с использованием AdaBoost, SVM ядра радиальной базисной функции (RBF), SVM линейного ядра и K-ближайших соседей (kNN). Авторы также обнаружили, что более высокая точность, то есть 92%, может быть достигнута с классификатором SVM (ядро RBF) по сравнению с SVM с линейным ядром (80%), AdaBoost (67%) и kNN (62%), при использовании выбранного набора функций.Lee et al. [67] разработали пригодные для носки перчатки, способные обнаруживать стресс у водителей.Они записали PPG и инерционное движение водителей, а также их поведение. Всего в исследовании приняли участие 28 водителей. Для безопасности водителя эксперимент проводился на симуляторе вождения в лаборатории. Весь интерфейс был синхронизирован с симулятором Euro Truck Driving Simulator 2 [68], работающим на компьютере. Сценарии вождения были разделены на три группы: город, городские районы и шоссе. Результаты тестов авторов показали, что последовательный выбор функций и классификатор SVM с ядром RBF смогли достичь точности классификации 95%, что показывает пригодность их перчаток в качестве устройства обнаружения стресса водителя.Can et al. [69] разработали метод обнаружения стресса с помощью ненавязчивых носимых устройств. Авторы проводили эксперименты с использованием сигналов PPG, EDA, GSR и акселерометра. Они собрали данные от 21 участника. Для оценки их техники данные были собраны в летнем лагере по алгоритмическому программированию INZVA, организованном в Стамбуле, Турция. Экспериментальные сессии были разделены на три части: тренировка, соревнование и свободный день. Контекстная информация, например, были ли участники на лекции или конкурсе или проводили ли они свободное время, была известна и использовалась как основная истина.Авторы экспериментировали с различными методами предварительной обработки и устанавливали разные гиперпараметры для анализа данных. Они пришли к выводу, что выбор предварительной обработки и выбора параметров зависит от выбранной техники машинного обучения. Индивидуальные модели дали лучшую точность классификации, чем общие модели. Авторы предположили, что, если индивидуальных данных каждого человека достаточно для разработки модели, основанной на человеке, ее следует разработать; в противном случае каждого человека следует сгруппировать по их поведению во время стресса, а затем следует разработать модель кластеризации, чтобы повысить точность классификации общей модели. Таким образом, реакция на стресс варьируется от человека к человеку, и ее нелегко обнаружить или отследить. Одна из причин может заключаться в том, что не существует стандартных достоверных значений переменных / сигналов, которые можно было бы классифицировать как напряженные значения / сигналы. В рассмотренной выше литературе в большинстве исследований сообщалось об использовании различных вопросников и самоотчетов в качестве основы для классификации стресса. Немногие исследования связывали учащенное сердцебиение и резкие изменения проводимости кожи, частоты дыхания и артериального давления со стрессом и использовали их как основную истину.Можно заметить, что в некоторых исследованиях измеряли один и тот же сигнал (ы) и использовали один и тот же фактор (факторы) стресса и одну и ту же основную истину (метод), но представленные результаты показали значительные различия. На рис. 3 показаны сообщенные точности прогнозов в сравнении с алгоритмом прогнозирования с использованием различных индикаторов / маркеров напряжения. Для предсказания большинство авторов использовали SVM (с разными ядрами) в качестве предсказателя, в то время как самая высокая точность предсказания была достигнута с использованием предсказателя искусственной нейронной сети. В Таблице 3 приведены вышеупомянутые статьи и их выводы.

Диагностика | Бесплатный полнотекстовый | Эффективная система обнаружения и оценки психического стрессового состояния с использованием минимального количества лобных мозговых электродов

1. Введение

Психическое напряжение — это реакция человеческого тела на психосоциальные или физические ситуации. Это влияет на людей во всем мире, независимо от их возраста, пола или рода занятий. Это происходит из-за возрастающих трудностей в работе, растущего давления и ежедневных трудностей, с которыми люди сталкиваются каждый день [1]. В настоящее время психическое напряжение считается основной причиной ряда проблем со здоровьем.Эти проблемы включают сердечные приступы, инсульты, нервозность, депрессию, посттравматическое стрессовое расстройство (ПТСР) и иммунологические нарушения. Стресс также может влиять на активность и структуру мозга [2]. Следовательно, раннее выявление стресса имеет важное значение для предотвращения заболеваний и снижения вероятности клинического повреждения мозга и других проблем со здоровьем. Выявление и оценка психического стресса также важны в таких областях, как образование и промышленность. В образовательной среде электронного обучения стресс может быть основным фактором, влияющим на успеваемость учащихся на экзаменах.Уровень стресса может повыситься из-за нездоровой схемы экзаменов в высших учебных заведениях. В таких системах учащиеся могут быть оценены по их успеваемости, основанной только на ограниченном количестве часов. Соответственно, их оценки могут отражать не их реальные знания и интеллект, а их способность справляться со стрессом, вызванным экзаменом [3]. Кроме того, в автономных учебных заведениях частая оценка психического состояния учащегося может использоваться для определения скорости обучения и улучшения результатов обучения [4].Для промышленной безопасности очень важно распознавать опасности, возникающие из-за человеческих ошибок. Это связано с тем, что небезопасные и неосторожные манеры работников и отсутствие мер безопасности являются основными причинами проблем, вызванных деятельностью человека. К таким факторам относятся недостаток сна, плохое питание, физические недостатки и усталость, которые могут привести человека в стрессовую ситуацию. Обычные методы измерения стресса включают анкеты, в которых оценивается умственное усилие, которое кандидаты вкладывают в выполнение задания [5] .Однако такие методы могут быть субъективными, т.е. зависеть от личного мнения соискателей, основанного на психофизиологических [6] или личных оценках [7]. Следовательно, эти методы недостаточно точны из-за несогласованности отдельных лиц. Более того, этот процесс становится сложным, когда количество людей, подлежащих оценке, увеличивается в реальном времени. Таким образом, автоматизированные алгоритмы обнаружения стресса, которые могут правильно распознавать и оценивать стресс даже при большом количестве субъектов, важны для выявления факторов стресса и облегчения управления стрессом.Эти подходы включают использование портативных устройств, таких как мобильные устройства, пульты дистанционного управления или носимые сенсорные устройства для сбора физиологических сигналов, таких как электрокардиограммы (ЭКГ), спектроскопия в ближнем инфракрасном диапазоне (NIRS), спектроскопия в ближнем инфракрасном диапазоне (NIRS), функциональная магнитно-резонансная томография. (фМРТ), электрокортикография (ЭКоГ) или электроэнцефалограммы (ЭЭГ) [8,9]. Недавно было подтверждено, что измерение активности мозга является эффективным методом визуализации изменений эмоционального стресса [10]. NIRS и fMRI измеряют активность мозга, используя кровь в головном мозге.Сила фМРТ заключается в ее способности улавливать сигналы в головном мозге с выдающимся разрешением, тем не менее, измерения откладываются до тех пор, пока состояние мозга не изменится. Напротив, NIRS может описывать только состояние мозга, а сигнал в конечном итоге улавливается через кровоток. Волны ЭЭГ и ЭКоГ также измеряют сигналы мозга. Независимо от способности ЭКоГ измерять сигналы с большой полосой пропускания, требуется хирургическая процедура для введения электродов в череп для обнаружения этих сигналов.ЭЭГ измеряется неинвазивно; он использует процесс, требующий ношения шлема. Он измеряет сигналы от кожи головы, а не от самого мозга [3]. Поэтому ЭЭГ предпочтительнее других методов. ЭЭГ обычно используется для измерения стресса [11,12,13,14] из-за растущей доступности систем ЭЭГ в качестве недорогих носимых устройств [15]. Кроме того, он имеет сравнительно большее временное разрешение и может визуализировать быстрые и энергетически изменяющиеся паттерны мозговых волн в сложных сценариях стресса [9]. Поэтому в этом исследовании используется ЭЭГ.Основная цель данной статьи — выявить психическое состояние человека путем анализа сигналов ЭЭГ. ЭЭГ — это шумный сигнал. Методы обработки медицинских сигналов (MSP) играют важную роль в устранении этого шума и сохранении только частотных диапазонов, содержащих информативные данные, описывающие психическое напряжение. MSP также может извлекать полезные функции из сигналов ЭЭГ. Для анализа сигналов ЭЭГ используются многие методы извлечения признаков. Некоторые из этих методов включают: Параметры Хьорта [16,17], спектральная плотность мощности (PSD) [18,19], общие пространственные шаблоны (CSP) [9,14], статистические [20,21] и методы, основанные на вейвлетах [22,23] ].Элементы, извлеченные с использованием методов извлечения признаков, вводятся в модель классификации для классификации уровней напряжения, отсутствия напряжения или уровня напряжения. Классификация, основанная на методах машинного обучения, позволяет точно классифицировать стрессовые состояния. Это может помочь врачам хорошо понять сигналы, поставить точный диагноз и назначить соответствующее лечение [1,8]. В последнее время многие исследования подтвердили связь между паттерном ЭЭГ и состоянием эмоционального стресса [24]. В этих исследованиях изучаются уровни стресса, отсутствия стресса и стресса по сигналам ЭЭГ.Авторы в [25] предложили структуру, которая применяет концепции сетевой физиологии и теории информации для извлечения ценных свойств. Был построен классификатор случайного леса (RF), чтобы различать стрессовые и нестрессовые ситуации. Махаджан в [18] предложил два набора характеристик для классификации стресса с помощью искусственной нейронной сети (ИНС). В [6] для обнаружения стресса был представлен метод, основанный на пороге. Подсчитывали количество пиков тета-диапазона сигнала ЭЭГ. Если это количество превышало пороговое значение, то это считалось стрессовым состоянием.Авторы [14] использовали CSP как средство извлечения признаков. Для разделения стресса и отсутствия стресса использовался линейный дискриминантный классификатор (LDA). Машинный классификатор опорных векторов был использован в [26] для различения уровней напряжения с использованием характеристик спектральной плотности мощности (PSD). Особенности PSD также использовались в [19], чтобы различать стрессовые и нестрессовые условия с использованием классификатора ИНС. В исследовательских статьях [20,27] мы оценивали уровни стресса с помощью классификатора опорных векторов (SVM).В [28] SVM-классификатор также использовался для классификации психического стрессового состояния людей на основе изменений спектральной плотности мощности ЭЭГ, особенно в тета- и альфа-диапазонах, где средняя точность классификации достигла 79% и 78% соответственно. . Авторы [4] использовали одноканальное устройство ЭЭГ для изучения использования фронтальной ЭЭГ для определения уровней стресса. Классификатор SVM использовался для оценки уровней напряжения, и достигнутая точность находилась в диапазоне 65–75%. Авторы [10] использовали классические классификаторы машинного обучения с методом выбора признаков для определения уровней стресса.В [11] был создан пул гибридных функций для распознавания стресса и отсутствия стресса с использованием KNN. Donghoo et al. в [29] предложен алгоритм выбора признаков на основе генетического алгоритма (GA) и использован классификатор k-ближайшего соседа (KNN) для определения стресса и отсутствия стресса. Fares et al. в [30,31] предложил MSD для обнаружения стресса с использованием классификатора SVM. В большинстве предыдущих методик для построения систем МСД использовалось большое количество электродов. Производительности таких систем было недостаточно для реальных приложений.Им также не хватало эффективных методов извлечения, выбора или сокращения признаков для повышения производительности последующего классификатора. Другие системы MSD были построены на основе методов глубокого обучения, таких как Li et al. [24], которые использовали объединенную архитектуру глубокого обучения для извлечения различительных пространственно-временных характеристик ЭЭГ для выявления эмоционального стресса. Hefron et al. [32] представили новый сверточный рекуррентный нейронный классификатор с помощью многолучевых подсетей для обнаружения стресса. Куанар и др.[33] построили алгоритм рекуррентной нейронной сети для завершения когнитивного анализа сигналов ЭЭГ. Такие методы, основанные на глубоком обучении, имеют ряд недостатков. Прежде всего, для эффективной работы с использованием глубокого обучения глубокие сети обычно требуют больших объемов данных для обучения. Более того, глубокие особенности, извлеченные из глубоких сетей, обычно неразделимы, сильно коррелированы и имеют огромное пространственное пространство признаков. Кроме того, текущие методы не придают значения выбору подходящих характеристик из конкретных областей для более глубокого фундаментального анализа.Краткое изложение недавних связанных методов из литературы, которые близки к предлагаемой системе MSD, представлены в таблице 1.

Ключевая цель этой статьи — создать портативную систему нейро-обратной связи на основе ЭЭГ для умственной тренировки в реальном времени для выявления и эффективно оценивать уровни стресса в режиме реального времени. Таким образом, предлагается новая система MSD для классификации уровней стресса, отсутствия стресса и уровня стресса. Относительные характеристики — ключевой фактор в мощной системе МСД. Таким образом, предлагаемый метод представляет собой подмножество гибридных функций для MSD.Для выявления стрессовых ситуаций используются пять классификаторов, затем уровень стресса оценивается и сортируется на низкий и высокий. Чтобы создать эффективную систему МСД с меньшим количеством каналов, во-первых, предложенная схема МСД исследует размещение электродов в разных местах черепа и выбирает место, которое имеет наибольшее влияние на точность системы. Кроме того, сокращение признаков анализа главных компонентов (PCA) применяется в последовательном прямом поиске для выбора оптимального количества главных компонентов и уменьшения размерности пространства признаков, что обычно повышает производительность последующего классификатора.Кроме того, чтобы сделать предлагаемую систему МСД более портативной, подвижной и простой в установке, количество электродов дополнительно сокращается за счет выбора минимального количества каналов на месте, что оказывает большее влияние на скорость обнаружения напряжения. Чтобы доказать эффективность предложенного метода, результаты сравниваются с тремя наборами признаков, предложенными в литературе. Их также сравнивают с новейшими технологиями.

4. Обсуждение

В этом исследовании предлагается эффективная система MSD для обнаружения стресса и классификации уровней стресса.Для этого дизайн исследования состоит из трех частей. В первой части сравниваются два набора функций. Первый набор функций состоит из частотно-зависимых функций, а второй — из функций AR и RMS. Здесь оценивается влияние сочетания временных и частотных характеристик. Анализ показал, что сочетание временных и частотных характеристик увеличивает скорость обнаружения стресса и классификации уровня стресса. Чтобы проверить эффективность предлагаемой нами системы, результаты сравниваются с точностью классификации трех наборов признаков из литературы.К ним относится метод извлечения признаков, предложенный Хушабой и др. [22] и два подхода, представленные Махаджаном [18]. Два набора функций, о которых сообщил Махаджан, включают некоторые функции, связанные с пиковыми нагрузками, и функции PSD. Первый набор функций Махаджана включает четыре характеристики, связанные с пиками, а именно количество отрицательных пиков, количество положительных пиков, среднее значение отрицательных пиков и среднее значение положительных пиков. Второй набор функций Махаджана состоит из оценки средней спектральной мощности в бета (13–30 Гц), альфа (8–13 Гц), тета (4–8 Гц) и дельта (0.5–4 Гц) поддиапазоны ЭЭГ соответственно. Набор функций khushaba et al. представляет функции, извлеченные с помощью разложения вейвлет-пакетов, где частотные компоненты выбираются с использованием процедуры оценки взаимной информации, которая зависит от обобщения теории нечеткой энтропии. На рисунке 14 показаны точности обнаружения стрессовых и нестрессовых состояний с использованием предлагаемого нами набора функций 3 по сравнению с Khushaba и двумя наборами функций от Mahajan с использованием только фронтальных электродов Fp1 + Fp2. Из рисунка 14 видно, что точность предлагаемого нами набора функций 3 (99.94%) больше, чем у Khashaba et al. (98,6%) и два набора функций Mahajan (64,7%, 93,6%) с использованием классификатора LDA. Кроме того, точность предлагаемого нами набора функций 3 (99,93%, 99,7, 99,75%) выше, чем у Khashaba et al. (99,6%, 99,2%, 99,7%), максимальный набор функций Mahajan (96,9%, 97,1%, 92,9%) и набор функций PSD Махаджана (99,6%, 98,5%, 99%) с использованием KNN, Линейный SVM, кубический SVM классификатор соответственно. Предлагаемый Feature-Set 3 также сравнивался с Khushaba et al.и два набора функций от Mahajan, но в данном случае для оценки уровней напряжения с использованием только электродов Fp1 + F7 + F8. На рисунке 15 показана точность классификации уровней стресса с использованием предлагаемого нами набора характеристик 3 по сравнению с Хушабой и двумя наборами характеристик от Махаджана. Из рисунка 15 видно, что предлагаемый набор функций 3 имеет лучшую производительность при оценке уровней стресса по сравнению с другими наборами функций от Khushaba et al. и Махаджан. точность предлагаемого нами Feature-Set 3 (82%, 99.26%, 88,1% и 98,36%) выше, чем набор функций Mahajan PSD (75,4%, 96,7%, 75,7% и 94,3%) и набор функций Mahajan Peak (71,7%, 72,3%, 63,8%). , и 74,6%), используя классификаторы LDA, KNN, линейный SVM и кубический SVM соответственно. Точность предлагаемого набора функций 3 также выше, чем у набора функций Хушаба и др. (81,7%, 93,9%, 82,1% и 95,2%), с использованием LDA, KNN, линейного SVM и кубического SVM. классификаторы. Это говорит о том, что предлагаемая нами система, использующая гибридный набор функций, более эффективна и обладает большей способностью определять уровни стресса.Во второй части предлагаемой техники исследуется выбор места черепа и его влияние на работу системы MSD. Основываясь на [4,30,31,55], которые показали, что сигналы ЭЭГ, полученные от передней части черепа, способны оценивать и обнаруживать психическое напряжение, этот эксперимент был проведен и доказал, что активация лобного мозга оказывает наибольшее влияние на обнаружение и классификация уровней стресса. Точность предложенного МСД с активацией лобного мозга достигла 100% для выявления стресса и 99%.78% для классификации уровней стресса. Эксперимент показал, что для создания надежной и эффективной системы МСД достаточно всего семи электродов. Обратите внимание, что после извлечения пространственных объектов размер пространственного объекта равен 228. В третьей части предлагаемого исследования PCA используется для уменьшения размерности пространства признаков, построения MSD и снижения его сложности. Здесь мы показали, что PCA может улучшить производительность MSD, построенного с использованием кубического классификатора SVM, чтобы достичь точности 100% для обнаружения напряжения и 99.4% для классификации уровней стресса только с 58 и 54 основными компонентами. Как видно из результатов, классификаторы KNN и SVM дали наивысшую точность как для определения уровня стресса, так и уровня стресса. Это связано с тем, что классификатор KNN прост, понятен и имеет высокую эффективность даже с зашумленными наборами данных [56]. Несмотря на свою простоту, он может обеспечивать высокую точность измерений в медицинских приложениях [57,58]. SVM является сильным классификатором, а также имеет возможность изменять входной вектор, который нельзя линейно различить с помощью гиперплоскости, в пространство функций более высокого измерения, которое может линейно различать классы входных данных для облегчения процесса классификации.Процесс достигается с помощью функции ядра, которая отображает сходство между входными данными и новым пространством функций более высокого измерения. Линейное ядро ​​часто используется, когда набор данных просто разделен линейной линией, что имеет место в пространстве признаков, используемом в случае обнаружения напряжения, как показано на рисунке 8. Однако квадратичное ядро ​​является нелинейным ядром, используемым, когда набор данных сложен и не может быть разделен линейно. Кубические ядра могут повысить точность. Другие преимущества кубических ядер включают в себя сложную математическую управляемость и прямую геометрическую интерпретацию [51].Пространство признаков в случае классификации уровней напряжения не было линейно разделимым, как показано на рисунке 9; поэтому кубическое ядро ​​дает лучшие результаты, чем линейное ядро ​​при классификации уровней напряжения. Как известно, сигналы ЭЭГ нестационарны. Это связано с изменениями состояний нейронных сборок во время функционирования мозга. Очень важно распознавать нестационарные сигналы в сигнале ЭЭГ, потому что они иллюстрируют лежащие в основе действия. Это делается путем сегментирования сигнала ЭЭГ на более мелкие стационарные сегменты [59].Выбор подходящего размера окна, в котором сигнал ЭЭГ сегментируется на стационарные сегменты, очень важен, чтобы модель соответствовала фактической и последовательной активности мозга [60]. Есть несколько способов проверить стационарность в литературе. Среди них Azami et al. в [61] предположили, что стандартное отклонение, определенное для каждого сегмента, может быть свойством, которое указывает изменения амплитуды и / или частоты, поскольку оно остается неизменным в стационарных интервалах, а различия стандартного отклонения в последовательных окнах указывают на стационарность.Кроме того, МакИвен подтвердил, что короткие сегменты (до 10 с) обычно следуют нормальному распределению, в то время как более длинные сегменты (до 60 с) не являются гауссовыми. МакИвен рекомендовал визуализировать ЭЭГ как процедуру, состоящую из коротких гауссовых сегментов. Часть сегментов, которые можно рассматривать как гауссовские, уменьшается с 90% до 20%, когда период сегментов увеличивается с 4 до 60 с. Напротив, до 90% сегментов длиной 4 секунды можно считать стационарными, в то время как это число уменьшается до 70–80% при анализе сегментов ЭЭГ длиной 16 секунд [2].Поэтому мы использовали длину сегмента 4 с. В [62,63] сообщалось, что для того, чтобы медицинская система была надежной, она должна достигать чувствительности, большей или равной 80%, со специфичностью, большей или равной 95. %, точность не менее 95% и DOR не менее 100. Результаты в таблице 8 показывают, что предложенная система является надежной и может использоваться для обнаружения стресса и отсутствия стресса, поскольку чувствительность составляет 99,9, специфичность составляет 99,94, точность составляет 99,81, а DOR составляет 1057474 с использованием классификатора KNN, построенного только с фронтальными электродами Fp1 и Fp2.Результаты в Таблице 10 подтверждают, что предложенная система является надежной, а также способной оценивать уровни стресса, поскольку чувствительность составляет 99,6, специфичность 98,9, точность 98,15 и DOR больше 100 с использованием классификатора KNN, построенного с использованием только фронтальные электроды Fp1 + F7 + F8. Это означает, что при использовании только одного или двух электродов предлагаемая система способна обнаруживать напряжение и отсутствие напряжения. Он также может оценивать уровни стресса, используя только три фронтальных электрода с высокими характеристиками.Минимальное количество электродов, выбранных для построения предлагаемой системы, делает систему более портативной и мобильной, а также более простой в настройке. Кроме того, чтобы проверить способность предлагаемой системы MSD предсказать, испытывает ли новый человек стресс или нет, оставьте -также выполняется проверка предмета. Результаты в таблице 9 подтверждают способность предложенной системы прогнозировать напряжение и отсутствие напряжения с использованием только фронтальных электродов Fp1 и Fp2. Они также показывают, что предлагаемая система надежна и может использоваться для прогнозирования стресса и отсутствия стресса, поскольку чувствительность составляет 97.78, специфичность 97,75, точность 99,26 и DOR больше 100 с использованием классификатора KNN. Наконец, способность предлагаемой системы MSD прогнозировать уровень стресса нового человека проверяется с использованием проверки без учета субъекта. Результаты в таблице 11 показывают, что предлагаемая система имеет более низкую способность прогнозировать уровни стресса. Это происходит из-за дисбаланса между двумя классами уровней стресса. Таким образом, будущая работа будет сосредоточена на поиске решений для устранения этого дисбаланса и повышения эффективности прогнозирования уровней стресса.Сравнивая результаты предложенного алгоритма с недавними соответствующими работами в таблице 1, становится совершенно ясно, что предлагаемая система MSD превосходит другие недавние связанные методы из литературы. В частности, точность, достигаемая для предлагаемой техники, составляет 99,9% (sd = 0,015) и 99,26% (sd = 0,08) для определения стрессового и нестрессового состояний и различения уровней стресса, соответственно, с использованием только двух лобных мозговых электродов для обнаружения напряжения и отсутствия напряжения, а также три фронтальных электрода для оценки уровней напряжения, как показано в Таблице 8 и Таблице 10.Результаты доказывают, что предложенный метод имеет конкурентные характеристики по сравнению с современными методами как для обнаружения стресса, так и для его отсутствия, а также для классификации уровней стресса.

Стресс-тестирование выявляет пробелы в клинической готовности диагностических моделей искусственного интеллекта на основе изображений.

Предыдущие отчеты о моделях CNN для диагностики кожных повреждений установили доказательство принципа для моделей, которые могут быть сопоставимы с дерматологами в контролируемых экспериментальных условиях. Напротив, здесь мы сосредотачиваемся на их практическом опыте, оценивая практические ограничения таких моделей и определяя требования для клинического применения.Наши результаты выявили пробелы в разработке моделей CNN, несмотря на то, что они встречают дискриминационные характеристики дерматологов. Важно отметить, что модели не проходят стандартную проверку на устойчивость к реальным, не курируемым, внешним наборам данных, и разработка моделей не включает выборочного прогнозирования. Чтобы восполнить этот пробел, мы предлагаем и реализуем действенные вычислительные стресс-тесты для оценки инструментов машинного обучения, таких как CNN для диагностики на основе изображений, для характеристики их потенциала для ошибок и для поддержки безопасного клинического использования.

Мы предлагаем, чтобы модели для клинического использования: (1) имели адекватные возможности распознавания в целевой популяции, (2) были хорошо откалиброваны и выражали неопределенность, когда они, вероятно, ошибаются или не подходят для прогнозирования; и (3) генерировать прогнозы, устойчивые к вариациям захвата изображения, которые будут встречаться в повседневной практике. Хотя модели обучения, отвечающие каждому из этих критериев, являются сложной задачей и выходят за рамки данного исследования, мы предлагаем ниже предложения о том, как достичь этих целей.Вычислительные стресс-тесты для оценки готовности клиники могут быть применены к моделям CNN в радиологии, офтальмологии и других областях, которые зависят от медицинской визуализации ²² . Модель с чувствительностью и специфичностью на уровне врача не обязательно может пройти эти стресс-тесты, поскольку мы показываем, что такая модель часто изменяет свои выходные данные на основе тонких преобразований входного изображения и ошибочно с высокой степенью уверенности предсказывает заболевания, которые не наблюдались во время обучения. Инструменты ИИ уже одобрены для клинического использования ²³ без отчетов о таких оценках, и крайне важно, чтобы врачи знали о потенциальных ограничениях этих инструментов, поскольку было показано, что ошибочный ИИ вводит в заблуждение даже опытных врачей ⁶ .

Мы оцениваем наши модели клинически значимым образом, сравнивая их с управленческими решениями дерматологов. В настоящее время сложно сравнивать модели CNN в разных исследованиях из-за патентованных моделей и разнородных и патентованных наборов тестовых данных; Для сравнения производительности модели ¹⁰ необходимы дополнительные стандартизированные тесты.

Это исследование иллюстрирует проблему смещения выборки при экстраполяции результатов из высококачественных тщательно отобранных наборов данных на реальные, не курируемые наборы данных.Мы обнаружили более высокий AUROC для тщательно отобранных и реальных наборов данных, хотя разница не была статистически значимой. Например, относительно низкий AUROC в наборе дерматоскопических данных UCSF, вероятно, связан с качеством изображений, полученных во время повседневной клинической практики, в отличие от изображений, созданных вручную и скорректированных по цвету в ISIC ²⁴ . Интересно, что модель B, обученная только на дерматоскопических изображениях, сравнима с дерматологами при классификации изображений меланомы на недермоскопических изображениях (дополнительный рис.6), воспроизводя предыдущие результаты других групп ¹⁴ , который поддерживает полезность дерматоскопических изображений для оптимизации моделей для классификации даже недермоскопических изображений. В конечном итоге, для облегчения обобщения, совокупность, для которой предполагается развертывание модели, должна быть представлена ​​в данных разработки.

Мы показываем, что оптимизации производительности калибровки в наборе данных проверки было недостаточно для оптимизации наборов данных тестирования, даже если данные проверки и данные тестирования были получены из одного и того же источника (как в Model B / MClass-D и Model D / VAMC-C ).Модель A лучше откалибрована для MClass-ND по сравнению с VAMC-T, даже несмотря на то, что она была откалибрована с использованием ни одного набора данных, что позволяет предположить, что CNN могут лучше прогнозировать свою точность на высококачественных изображениях в тщательно подобранных тестовых наборах данных по сравнению с теми, которые получены из не курируемых реальных наборов данных. наборы данных мира. Чтобы обеспечить адекватную калибровку, модели необходимо будет откалибровать на выборках из совокупности, к которой они будут применяться.

Степень, в которой модели были подвержены вращению и другим преобразованиям, была удивительной, поскольку эти же преобразования были частью стандартного увеличения данных во время обучения, а обучающие наборы данных также включали изображения разного качества.Более того, как и в других исследованиях, мы использовали предварительное обучение в ImageNet ²⁵ , большой базе данных естественных изображений, которая, как было показано, улучшает надежность модели и оценку неопределенности ²⁶ . Восприимчивость к преобразованиям может возникать из-за бесконечного количества способов преобразования изображения (например, вращение является непрерывным), но модели могут быть представлены только подмножеству во время обучения, независимо от того, насколько разнообразен набор обучающих данных. Дальнейшая работа по повышению устойчивости к реальным преобразованиям может включать в себя диверсификацию обучающих наборов данных за счет включения нескольких изображений отдельных поражений, снятых разными способами, метода, обычно используемого при сборе изображений для теледерматологической оценки, а также специализированных вычислительных методов, таких как создание примеров противостояния во время обучение ²⁷ , модификации архитектуры CNN ²⁸ или использование немаркированных примеров ²⁹ .Это также может помочь в разработке моделей, которые могут прогнозировать на основе нескольких изображений поражения, а не одного изображения, хотя увеличение во время тестирования не увеличило AUROC в нашем исследовании. Наряду с этими стратегиями повышения устойчивости, необходимы дополнительные стандартизованные показатели устойчивости модели ³⁰ для оценки готовности к клиническому использованию, которые должны сообщаться вместе с дискриминацией и калибровкой.

Предоставление модели возможности полностью отказаться от прогнозирования путем обучения с использованием подхода к проигрышу игрока ¹⁷ не улучшило производительность выборочного прогнозирования по сравнению со стандартным обучением, предполагая, что доступные в настоящее время процедуры машинного обучения могут быть неадекватными для надежного выборочного прогнозирования.Эта модель A предсказывала меланому по сравнению с доброкачественными назначениями на актинический кератоз и себорейный кератоз, классы поражения, не замеченные во время тренировки, с такой же уверенностью, как на изображениях меланом, указывали на то, что проблема отсутствия распределения остается потенциальным препятствием для клинического использования. В будущей работе, позволяющей моделям выражать низкую достоверность или воздерживаться от прогнозирования в таких случаях, как низкое качество изображения или классы заболеваний, не видимые во время обучения, для этой цели могут использоваться специальные методы, например, использование «другого» класса, содержащего различные примеры, не входящие в какое-либо обучение. класс ²¹ .Пользователи должны знать, что модель, которая не была разработана специально для решения проблемы нераспространения, будет делать все возможное, чтобы слепо предсказывать в соответствии с классами болезней, которым она была обучена, когда она сталкивается с новой болезнью, на которой не была обучена, с предсказаниями с высокой степенью уверенности, потенциально ведущими к ложным заверениям. Идеальная модель будет сначала отображать изображения для оценки адекватности принятия решений (например, на основе фокуса, освещения, наличия артефактов и т. Д. Или сходства с изображениями, наблюдаемыми во время обучения) и направлять пользователей на повторную съемку изображения или обращение к экспертам-людям. при необходимости ¹⁰ .

Наша популяция исследования в основном состояла из пожилых белых участников, и у нас не было достаточно данных для оценки возможности обобщения на людей с более темной пигментацией кожи, как это было недавно сделано. ² . Кроме того, это исследование не включало все пигментные поражения, которые могли быть подозрительными на меланому или невус, а скорее только те, по которым был поставлен окончательный диагноз меланомы или невуса. Однако цель нашего исследования заключалась не в разработке всеобъемлющих моделей, которые можно было бы легко применить на практике, а в том, чтобы проиллюстрировать подводные камни CNN уровня дерматолога, которые используют модель бинарной классификации.Мы ожидаем, что эти подводные камни также могут повлиять на мультиклассовые модели (предназначенные для прогнозирования более двух диагнозов), учитывая, что они обучаются с использованием аналогичных архитектур CNN, но это выходит за рамки текущего исследования. Мы протестировали только один метод калибровки, температурное масштабирование, которое, как было показано, для CNN превосходит другие методы, не разработанные в контексте глубокого обучения ¹⁶ . В будущем можно будет оценить дополнительные методы калибровки, такие как потеря фокусного расстояния ³¹ .

Мы пришли к выводу, что модели CNN для классификации изображений меланомы, сравнимые с показателями дерматологов, тем не менее не выдерживают нескольких сравнительно простых вычислительных стресс-тестов, оценивающих готовность к клиническому использованию. Хотя модели CNN почти готовы к расширению клинической диагностики, потенциальный вред можно свести к минимуму, оценив их калибровку и устойчивость к изображениям, многократно полученным для одного и того же поражения, и изображениям, которые были повернуты или преобразованы иным образом.Наши результаты подтверждают, что отчет о надежности и калибровке модели является необходимым условием для клинического использования, в дополнение к более распространенным соглашениям о чувствительности, специфичности и точности отчетов.

Электрокардиограмма с упражнениями Тест сердца на беговой дорожке

Нагрузочный тест позволяет оценить риск сердечных заболеваний. Тест проводит врач или обученный техник. Они узнают, сколько может выдержать ваше сердце, прежде чем начнется аномальный ритм или снизится приток крови к сердечной мышце.

Существуют разные виды стресс-тестов. Чаще всего используется стресс-тест с физической нагрузкой, также известный как электрокардиограмма с нагрузкой, тест на беговой дорожке, ступенчатый тест с физической нагрузкой или стресс-ЭКГ. Это позволяет вашему врачу узнать, как ваше сердце реагирует на толчки. Вы будете ходить на беговой дорожке или крутить педали на велотренажере. По мере продвижения будет становиться все труднее. Ваша электрокардиограмма, частота сердечных сокращений и артериальное давление будут отслеживаться повсюду.

Зачем это нужно?

Ваш врач использует тест, чтобы:

Как мне подготовиться к нагрузочному тесту с физической нагрузкой?

• В течение 4 часов перед тестом ничего не ешьте и не пейте, кроме воды.
• Не пейте и не ешьте ничего с кофеином за 12 часов до теста.
• Не принимайте следующие сердечные препараты в день обследования, если только ваш врач не говорит вам об ином или лекарства не нужны для лечения дискомфорта в груди в день обследования:
• Если вы используете ингалятор для дыхания, принесите с собой это к тесту.

Вас также могут попросить прекратить прием других сердечных препаратов в день обследования. Если у вас есть вопросы о ваших лекарствах, спросите своего врача.Не прекращайте прием каких-либо лекарств, не посоветовавшись предварительно с ними.

Что происходит во время нагрузочного теста?

Сначала технический специалист аккуратно очистит несколько небольших участков на груди и поместит на них маленькие плоские липкие пятна, называемые электродами. Они будут прикреплены к монитору электрокардиограммы, называемому ЭКГ, который отображает электрическую активность вашего сердца во время теста.

Перед тем, как вы начнете тренировку, технический специалист выполнит ЭКГ для измерения вашего пульса в состоянии покоя.Они также измерят ваше кровяное давление.

Вы начнете тренироваться, пройдя по беговой дорожке или крутя педали на велотренажере. Скорость упражнений или степень сложности будут постепенно увеличиваться. Вам будет предложено заниматься спортом, пока вы не почувствуете себя изнуренным. Если используются лекарства или это ядерный стресс-тест, вам в руку вводят капельницу для введения лекарства.

Персонал лаборатории регулярно спрашивает, как вы себя чувствуете. Сообщите им, если вы чувствуете:

• Дискомфорт в груди или руке
• Одышка
• Головокружение
• Головокружение
• Любые другие необычные симптомы

Повышение частоты сердечных сокращений, артериального давления, частоты дыхания и потоотделения является нормальным явлением. во время теста.Персонал лаборатории будет следить за любыми показаниями на мониторе ЭКГ, которые указывают на необходимость остановки теста.

После теста вы пару минут будете медленно ходить или крутить педали, чтобы остыть. Ваш пульс, артериальное давление и ЭКГ будут продолжать контролироваться до тех пор, пока уровни не начнут возвращаться к норме.

Хотя прием длится около 60 минут, время тренировки обычно составляет от 7 до 12 минут.

Спросите своего врача, есть ли у вас какие-либо вопросы о тесте с физической нагрузкой.

Какие еще виды стресс-тестов?

Стресс-тест на добутамин или аденозин: Это для людей, не способных заниматься спортом. Вы примете лекарство, которое заставит сердце реагировать так, как если бы вы выполняли упражнения. Таким образом, врач все еще может определить, есть ли закупорки артерий.

Стресс эхокардиограмма : Эхокардиограмма (часто называемая «эхо») — это графическое изображение движения сердца. Эхо стресса может точно визуализировать движение стенок сердца и насосное действие, когда сердце находится в состоянии стресса; это может выявить недостаток кровотока, который не всегда проявляется при других сердечных тестах.

Ядерный стресс-тест: Это помогает выяснить, какие части сердца не работают должным образом. Вам будет введено небольшое количество радиоактивного вещества. Ваш врач будет использовать специальную камеру, чтобы увидеть лучи, исходящие от вещества в вашем теле. Это даст им четкое изображение сердечной ткани на мониторе. Эти снимки сделаны в состоянии покоя и после тренировки. Врач сможет определить участки вашего сердца, в которые не поступает достаточно крови. Тест может длиться до 4 часов, чтобы радиоактивное вещество могло пройти через ваше тело.

То, как вы будете готовиться к этим стресс-тестам, будет варьироваться. Спросите своего врача о каких-либо конкретных инструкциях.

Что делать, если у меня диабет?

Если вы принимаете инсулин для контроля уровня сахара в крови , спросите своего врача, сколько вы должны принять в день теста. Часто вы принимаете только половину своей обычной утренней дозы и съедаете легкую пищу за 4 часа до этого.

Если вы принимаете таблетки для контроля уровня сахара в крови, не принимайте лекарства, пока не закончится анализ.

Не принимайте лекарство от диабета лекарство , но пропустите прием пищи перед тестом.

Если у вас есть глюкометр, возьмите его с собой. Вам нужно проверить уровень сахара в крови до и после теста с физической нагрузкой. Если вы считаете, что у вас низкий уровень сахара в крови, немедленно сообщите об этом персоналу лаборатории.

Планируйте есть и принимайте лекарства от сахара в крови после стресс-теста.

Что надеть в день стресс-теста?

Носите обувь с мягкой подошвой, подходящую для ходьбы, и удобную одежду.Не берите с собой ценные вещи.

Диагностика напряжений и обнаружение трещин в полноразмерных кремниевых пластинах с помощью резонансных ультразвуковых колебаний

Аннотация

Неразрушающий контроль остаточных упругих напряжений в кремниевых пластинах является серьезной проблемой для современной фотоэлектрической промышленности. Избыточное напряжение может вызвать трещины в кристаллической структуре, что в дальнейшем может привести к поломке пластины. Например, диагностика и восстановление трещин в мультикристаллическом кремнии — одна из важнейших задач фотовольтаики.Промышленность намерена повысить производительность производства солнечных элементов. Сегодня существует ряд методов измерения остаточного напряжения в полупроводниковых материалах. Они включают рамановскую спектроскопию, дифракцию рентгеновских лучей и инфракрасную полярископию. Ни один из этих методов не применим для поточной диагностики остаточных упругих напряжений в кремниевых пластинах для солнечных элементов. Более того, метод должен быть достаточно быстрым, чтобы соответствовать последовательной производственной линии солнечных элементов. В фотовольтаике быстрый поточный контроль качества должен выполняться в течение двух секунд на пластину, чтобы соответствовать производительности производственных линий.Во время этого доктор философии. Исследования мы разработали метод резонансной ультразвуковой вибрации (RUV) для неразрушающей диагностики остаточных напряжений в полноразмерных поликристаллических кремниевых пластинах, используемых в производстве солнечных элементов. Этот метод основан на возбуждении продольных резонансных ультразвуковых колебаний в материале с помощью внешнего пьезоэлектрического преобразователя в сочетании с высокочувствительным ультразвуковым датчиком и сбора данных о частотной характеристике, что делает метод пригодным для поточной диагностики при производстве пластин и ячеек.Теоретический и экспериментальный анализ режима колебаний в пластинах монокристаллического и мультикристаллического кремния был использован для обеспечения эталонного анализа и подтверждения подхода. Важно отметить, что мы наблюдали четкую тенденцию увеличения резонансной частоты моды продольных колебаний с более высоким средним напряжением в плоскости, полученным с помощью сканирующей инфракрасной полярископии. Используя тот же экспериментальный подход, мы оценили быстрое обнаружение трещин и определение длины в полноразмерных пластинах кристаллического кремния солнечного качества.Мы продемонстрировали на наборе идентичных необработанных пластин кристаллического Si с введенными периферийными трещинами, что трещина сдвигает выбранный пик RUV на более низкую частоту и увеличивает полуширину резонансного пика. Обе характеристики постепенно увеличиваются с увеличением длины трещины. Это было подтверждено и теоретически при выполнении конечно-элементного анализа продольных колебаний пластин с трещинами. Сдвиг частоты и полуширина пика оказались надежными индикаторами появления трещин в кремниевых пластинах, пригодных для механического контроля качества и быстрой проверки пластины.Метрология резонансных ультразвуковых колебаний — перспективный метод контроля качества полноразмерных кремниевых пластин. Этот подход может быть в дальнейшем развит в диагностический инструмент для удовлетворения потребностей производителей кремниевых пластин как в микроэлектронике, так и в производстве солнечных элементов.

Диагностика in vivo ранней абиотической реакции растений на стресс с помощью рамановской спектроскопии

Значимость

Кормление 9-миллиардного населения в 2050 году в сочетании с изменяющимся климатом и экологическими стрессами побуждает нас развивать достижения в области науки о растениях и технологий.Мы представляем высокопроизводительную платформу фенотипирования растений для выявления абиотического стресса. Предлагаемый метод спектроскопии комбинационного рассеяния для высокопроизводительного стресс-фенотипирования и раннего выявления стресса in vivo повышает чувствительность за счет возможности одновременного опроса отдельных молекул в растениях. Эта технология перспективна для мобильных автоматизированных систем и точного земледелия.

Abstract

Разработка платформы фенотипирования, способной к неинвазивному биохимическому зондированию, могла бы предложить исследователям, селекционерам и производителям инструмент для точного определения ответа.В частности, все большее значение приобретает способность измерять реакцию растений на стресс in vivo. В этой работе метод спектроскопии комбинационного рассеяния разработан для высокопроизводительного стресс-фенотипирования растений. Мы показываем раннее (в течение 48 часов) обнаружение in vivo стрессовых реакций растений. Растения Coleus ( Plectranthus scutellarioides ) индивидуально подвергались четырем обычным условиям абиотического стресса: высокой засоленности почвы, засухе, переохлаждению и светонасыщению. Растения исследовали после индукции стресса in vivo, и изменения в уровнях концентрации реактивных пигментов, поглощающих кислород, наблюдали с помощью рамановских микроскопических и дистанционных спектроскопических систем.Изменения молекулярной концентрации были дополнительно подтверждены общепринятыми методами химической экстракции (деструктивными). Рамановская спектроскопия также позволяет одновременно исследовать различные пигменты в растениях. Например, мы обнаружили уникальную отрицательную корреляцию между уровнями концентрации антоцианов и каротиноидов, которая четко указывает на то, что стрессовая реакция растений настроена для защиты от повреждений, вызванных стрессом. Этот прецизионный спектроскопический метод является многообещающим для будущего развития высокопроизводительного скрининга для фенотипирования растений и количественного определения биологически или коммерчески значимых молекул, таких как антиоксиданты и пигменты.

С учетом того, что к 2050 году население планеты превысит 9 миллиардов человек, задача производства продовольствия и энергии в мире приобретает первостепенное значение (1). В ожидании роста спроса на продукты питания (2) возможность измерения стресса растений in vivo становится все более важной для увеличения сельскохозяйственного производства и исследований. Например, такие технологии позволили бы фермерам вмешаться в обнаружение стресса, а также сделать практичным создание сортов сельскохозяйственных культур с повышенной устойчивостью к абиотическому стрессу.Полевая среда требует комплексной и быстрой технологии скрининга физиологических, биохимических и морфологических характеристик растений (3). Такие характеристики могут быть интегрированы для прогнозирования потенциала роста растений, перерабатываемости биомассы и реакции на абиотический стресс до того, как на растении появятся какие-либо видимые признаки. На рост растений влияют несвоевременные засухи, холода, повышенное УФ-излучение и высокоэнергетический синий свет, связанный с атмосферными изменениями уровня озона, а также внесение удобрений / орошение, связанное с повышенным засолением почвы (4, 5).Большинство существующих методов оценки биохимических характеристик используют деструктивные химические анализы, которые требуют времени и больших трудозатрат. Кроме того, в этих методах используются сильнодействующие химические вещества, требующие особого обращения и утилизации. В настоящее время сенсорные технологии in vivo ограничены временем, необходимым для обнаружения стрессовой реакции, типами стрессовых факторов, которые могут быть обнаружены, уровнем стресса и / или физиологическими изменениями. Например, спектроскопия отражения (6), флуоресцентная спектроскопия хлорофилла (7), ИК-тепловизор (8), терагерцовая спектроскопия во временной области (9) и гиперспектральная визуализация (10) — все они использовались для косвенного измерения стресса путем фокусирования на изменениях. в соотношении / содержании хлорофилла (6, 7), физических изменениях (9) или водном статусе растений (8, 10).Удивительно, но рамановская спектроскопия не получила широкого распространения. Рамановская спектроскопия использовалась для неразрушающего и биохимически специфичного обнаружения следов молекул для таких приложений, как обнаружение рака и патогенов, применения в сельском хозяйстве и других исследований растений, таких как визуализация клеточной стенки растений (11⇓⇓⇓ – 15). Спектроскопия в ближнем ИК-диапазоне обеспечивает дополнительный метод к спектроскопии комбинационного рассеяния света; однако он имеет ограничения по водопоглощению. Однако метод рамановской спектроскопии является ценным инструментом in vivo, который работает с очень сложными образцами в окружающей среде и относительно нечувствителен к воде.Важным преимуществом рамановской спектроскопии является возможность одновременного исследования нескольких молекулярных частиц. В целях выявления реакции на абиотический стресс in vivo у растений мы обращаемся к сравнению биосинтеза молекул и деградации, связанной с вызванным общим абиотическим стрессом, с помощью спектроскопии комбинационного рассеяния. В этом исследовании две молекулы, антоцианы и каротиноиды, наблюдались во всех четырех факторах абиотического стресса (рис. 1). Когда растения подвергаются абиотическому стрессу, они претерпевают сложные физиологические, биохимические и молекулярные изменения (4, 5, 16).В частности, во время абиотических стрессов в растениях накапливаются активные формы кислорода (АФК), которые являются высокореактивными и токсичными, и растение пытается устранить их, производя летучие производные и антиоксиданты (17). Каротиноиды, которые являются одной из молекул-мишеней в этом исследовании, считаются первой линией защиты от АФК, выступая в качестве основного тушителя O21 в хлоропластах (18⇓⇓ – 21). Окислительная деградация дополнительных фотосинтетических пигментов, таких как β-каротин и другие каротиноиды, приводит к накоплению различных летучих производных, таких как β-циклоцитраль, который, как было показано, служит молекулярным сигналом, ответственным за индукцию O21-чувствительных генов ( 18, 19).Таким образом, быстрое превращение β-каротина в β-циклоцитраль во время окислительного стресса считается одним из основных механизмов защиты от АФК (18, 19). Вторая молекула-мишень антоцианин, водорастворимый пигмент, полученный из флавоноидов, давно ассоциируется со стрессовой реакцией растений (16, 22, 23). Антоциановая защита имеет двоякую роль: во-первых, это осмотический регулятор, а во-вторых, защитный пигмент, фильтрующий свет и улавливающий свободные радикалы (16). Антоцианы, которые существуют почти исключительно в виде гликозидов, могут транспортироваться через сосудистую сеть растения вместе с другими растворенными веществами и в конечном итоге накапливаться в вакуолях клетки.Эта осмотическая регуляция через концентрацию растворенных веществ защищает растения от повреждающего воздействия различных абиотических стрессов (16, 22–25). В качестве фотофильтров антоцианы блокируют повреждение листьев интенсивным синим, УФ-А и, возможно, УФ-В светом, снижая нагрузку на поглощение света фотосинтетическими молекулами. В этой работе рамановская спектроскопия используется для высокопроизводительного стресс-фенотипирования и раннего выявления стресса in vivo с улучшенной чувствительностью и возможностью одновременно опрашивать отдельные молекулы, такие как каротиноиды и антоцианы.

Рис. 1.

Одновременное и in vivo обнаружение антоцианов и каротиноидов, которые являются химически активными пигментами, поглощающими кислород, методом комбинационного рассеяния.

Материалы и методы

Подготовка и обработка растений. В качестве экспериментальной модели использовали растения

Coleus Lime ( Plectranthus scutellarioides ) (23, 26). Семена были получены из коммерческого источника (www.Outsidepride.com). Эксперименты проводились в лаборатории с автоматическим контролем окружающей среды (Институт квантовой науки и техники, Техасский университет A&M).Изначально семена выращивали при освещении T5 при цикле свет-темнота 16/8 часов в течение 11 недель. Затем с одного полностью выросшего растения брали черенки для дальнейшего размножения в клонированные растения, поскольку они обеспечивали, что реакция растений на стресс не была вызвана генетическим различием или мутациями. Эти клонированные растения выращивали в тех же условиях, упомянутых выше, в течение 71 дня. Экспериментальные модельные растения подвергались одному из четырех факторов внешней среды: засолению, засухе, низкой температуре или избытку света.Все растения получали питательный раствор каждые 2 недели. При солевом стрессе растения орошали 200 мМ раствором NaCl (pH 7) в дни 1 и 3 поочередно с дистиллированной водой (pH 7), тогда как при стрессе от засухи нормальный полив воздерживался. При холодовом стрессе растения выдерживали при низких температурах (4 ° C) в течение 8 часов в течение их темного периода в дни 1 и 2. Наконец, при световом стрессе растения подвергали воздействию интенсивного источника света (прожектор с 100 ° C). -W натриевая лампа высокого давления) в течение 3–4 часов (в дополнение к лампе для выращивания растений Т5) в дни 1 и 3.Уровни температуры и влажности были довольно стабильными (72 ° F и влажность 47%). Постоянно контролировали уровень pH почвы у растений. Каждая обработка имела 10 повторностей растений: 8 собирали для химического анализа, а 2 использовали для спектроскопических измерений. Растения, используемые для химического анализа, собирали с 12-часовым интервалом. Спектроскопические измерения с помощью комбинационного рассеяния света позволяют нам использовать одно растение, не разрушая его, поэтому мы использовали два растения для статистических целей. Чистые химические вещества, включая β-каротиноид, ликопен, ксантофилл и антоцианы (пеларгонин хлорид, пеонидин 3- или -глюкозид хлорид, каллистефин хлорид, дельфинидин хлорид, маливидин хлорид и керацианин хлорид), были получены от Sigma-Aldrich.

Спектроскопические измерения и обработка данных.

Для микроскопических измерений использовали рамановскую конфокальную микроскопическую систему, оборудованную лазером непрерывной волны (CW) с длиной волны 532 нм (Horiba; LabRam HR Revolution). Его упрощенная установка показана на рис. 2 A . Дистанционные спектроскопические измерения комбинационного рассеяния света были выполнены с использованием специально созданной спектроскопической системы, которую легко транспортировать в поле. Считается системой дистанционного зондирования, поскольку обнаруживает сигнал на расстоянии 10 см (рис.2 В ). В качестве источника лазерного излучения в системе дальности использовался непрерывный лазер с длиной волны 532 нм, размер пятна отбора проб составлял 200 мкм. Листья растений помещали непосредственно на держатель образца без физического отделения от растения. Таким образом, это считается неразрушающим методом обнаружения in vivo. Индуцированное лазером рассеянное излучение (сигнал) эффективно регистрировалось ПЗС-камерами с воздушным охлаждением. Мощность лазера была скорректирована для растительных тканей без воздействия на живые клетки (0,5 мВт при времени сбора данных 1 с и 10 мВт при времени сбора данных 10 с для микроскопических и спектроскопических измерений, соответственно).Было собрано 20 спектров комбинационного рассеяния для четырех листьев каждого растения. Эти четыре листа были выбраны из разных участков кроны растения. Спектральные данные комбинационного рассеяния растений (листьев) получали каждые 12 ч во время наступления и развития стресса до 72 ч. Поскольку листья представляют собой сложную систему, мы использовали средние спектры для дополнительного анализа. Наибольший вклад шума в спектры комбинационного рассеяния вносит собственная флуоресценция молекул в тканях растений. Следовательно, чтобы извлечь рамановский сигнал из полученного необработанного спектра, необходимо удалить фон флуоресценции.Базовые линии необработанных спектральных данных комбинационного рассеяния были скорректированы путем подгонки полиномов высокого порядка с многократными итерациями (27). Спектры были дополнительно сглажены алгоритмом Савицкого – Голея с 15 соседними точками. Все программы обработки данных были написаны в MATLAB R2013a (The Mathworks).

Рис. 2.

Установки рамановской системы. ( A ) Конфокальная рамановская микроскопическая система. ( B ) Дистанционная рамановская спектроскопическая система.

Химическая экстракция и анализ.

Сразу после сбора спектральных данных листья растений-реплик отбирали для химического разрушающего анализа.Квадратные части листьев каждого растения немедленно хранили в жидком азоте, а затем в морозильной камере при -80 ° C. Из этих замороженных образцов восемь были использованы для общего количества каротиноидов и пять были использованы для экстракции общих антоцианов для каждого растения. Растительные ткани экстрагировали методом Лайттенталера и Бушмана (28) с использованием 100% (об. / Об.) Ацетона. Оптическую плотность экстрагированного раствора измеряли при 470, 645, 662 и 750 нм с помощью спектрофотометра Thermo Scientific GENYSIS 10S UV-VIS. Общее количество каротиноидов рассчитывали с использованием уравнений, приведенных в ссылке.29. Антоцианы экстрагировали с помощью подкисленного метанола; 1 мкл 50% (об. / Об.) Метанола, 3% (об. / Об.) Раствора муравьиной кислоты и 47% (об. / Об.) Раствора дистиллированной воды добавляли к каждым 50 мкг растительных тканей, используя протокол в исх. 22. Экстрагированные растворы пропускали через фильтр 0,4 мкм, и оптическую плотность считывали при 532 нм с помощью вышеуказанного спектрофотометра, как в ссылке. 22.

Основные результаты и обсуждение

Рамановское спектроскопическое обнаружение.

Фотосинтетические пигменты — антоцианы и каротиноиды — естественным образом содержатся в тканях растений.Более того, биосинтез антоцианов часто индуцируется в верхнем эпидермисе листа избыточным световым излучением, холодом, засухой и солевым стрессом. Понимание их биосинтеза, по сути, лежит в основе обоснования механизма стрессоустойчивости растений (16, 24, 25). Ориентируясь на антоцианы и каротиноиды с целью выявления абиотических стрессовых реакций у растений, мы использовали метод спектроскопии комбинационного рассеяния. Для реализации рамановской спектроскопии используется лазерный свет для возбуждения молекул.Молекулы излучают свет с новой оптической частотой, которая смещена вниз от частоты падающего лазера на величину, равную их частотам колебаний. Этот новый цвет (называемый стоксовым излучением) дополнительно обнаруживается спектрометром. Спектры комбинационного рассеяния растений регистрировали в течение 48 часов после индукции для всех четырех типов стрессов (физиологический раствор, избыточный свет, засуха и холод), включая спектры нестрессированных контрольных растений, с использованием как коммерческого конфокального микроскопа комбинационного рассеяния, так и лабораторного. Встроенная (переносная) система дистанционного рамановского рассеяния (рис.2). Спектры комбинационного рассеяния света через 48 часов после стресса сравниваются с контрольными растениями без стресса на рис. 3. Каротиноиды были выделены в спектрах контрольных растений с отчетливыми узкими пиками при 1,007 и 1,157 см ^-1 (30, 31). После воздействия абиотического стресса четко выделяются пики комбинационного рассеяния при 539, 623 и 733 см. ^–1 для антоцианов (32–34). Набор спектров комбинационного рассеяния растений регистрировали вначале (0 ч) и каждые 12 ч в течение до 72 ч индукции для всех четырех типов стрессов.Явная высота пиков комбинационного рассеяния изменяется, указывая на то, что концентрация двух пигментов меняется со временем. Количественные оценки относительных вариаций концентрации пигментов в растительных тканях при стрессе могут быть получены из записанных спектров комбинационного рассеяния света с использованием метода аппроксимации регрессии наименьших квадратов. Для простоты, хотя и не теряя наиболее ценной информации, мы построили аппроксимацию как линейную комбинацию записанных спектров комбинационного рассеяния только двух чистых химических веществ: хлорида пеларгонина (22, 34) и β-каротина (30, 31).Аналогичный метод наименьших квадратов был разработан (11, 35) для успешной диагностики рака груди. Полученные коэффициенты соответствия представляют собой относительное изменение концентрации базовых пигментов с определенным смещением. Фактически, эти коэффициенты соответствия являются функциями как концентрации конкретных химических веществ, так и их сечений комбинационного рассеяния света. Более того, из-за того, что ткань растения неоднородна, подгоночные коэффициенты нормализуются отдельно, что позволяет количественно оценить относительное изменение.Мы получили относительные изменения каротиноидов (коричневые столбцы на рис. 4) и антоциана (фиолетовые столбцы на рис. 4) в зависимости от продолжительности стресса. Каротиноиды уменьшались, а антоцианы увеличивались, чем дольше растения подвергались стрессу. В контрольных растениях уровни каротиноидов и антоцианов не изменились. Отметим, что спектры комбинационного рассеяния молекул каротиноидов (30, 31) и антоцианов (32) в живых растениях ранее изучались по отдельности. В этой работе мы непосредственно измерили изменение концентрации молекул антоцианов и каротиноидов одновременно.С физиологической точки зрения растений отрицательную корреляцию между антоцианами и каротиноидами можно понять следующим образом. Учитывая, что оба пигмента участвуют в реакции на АФК, эта отрицательная корреляция подчеркивает эффективность внутриклеточной регуляции. В стрессовых условиях сильная индукция АФК (18⇓⇓ – 21) и подавление фотосинтетической активности приводят к деградации каротиноидов. Недавние исследования показали, что β-каротин быстро превращается в новый летучий молекулярный сигнал β-циклоцитрал, который регулирует экспрессию набора O21-чувствительных генов в растениях.Таким образом, вероятно, что наблюдаемое снижение уровня β-каротина в этом исследовании можно объяснить его быстрым превращением в β-циклоцитраль. Хотя каротиноиды разлагаются, антоцианы накапливаются как реагирующие на стресс поглотители АФК (16, 22–25). Сильная отрицательная корреляция между двумя пигментами указывает на то, что передача сигнала точно настроила транскриптомные, протеомные и метаболические процессы, чтобы позволить клетке должным образом приспособиться к стрессовым условиям.

Рис. 3.

Рамановские спектры нестрессированных растений (зеленые кривые) и стрессированных растений через 48 часов после стресса (красные кривые) физиологическим раствором ( A ), ( B ) светом, ( C ) засухой, и ( D ) холодный.( Вставки ) Фотографии листьев колеуса для ( слева, ) ненапряженных и ( справа, ) стрессированных растений.

Рис. 4.

( A ) Столбчатые распределения для коэффициентов подбора для каротиноидов (коричневый) и химически извлеченных значений для каротиноидов (миллиграммы на грамм сухого веса; серый) как функции продолжительности абиотических стрессов. ( B ) Столбчатые распределения для коэффициентов соответствия для антоцианов (фиолетовый) и значений химически извлеченных для антоцианов (микрограммы на микролитр сухой массы; черный) как функции продолжительности абиотических стрессов.

Дистанционное рамановское спектроскопическое обнаружение каротиноидов в растениях.

Мы создали портативную рамановскую спектроскопическую систему большого диапазона. Зарегистрированные спектрально-относительные изменения комбинационного рассеяния каротиноидов с помощью портативной рамановской спектроскопической платформы согласовывались с данными рамановской микроскопии, тем самым показывая возможности рамановской спектроскопии для реального мониторинга стрессовых реакций сельскохозяйственных культур в полевых условиях in vivo (рис. 5). Однако следует отметить, что наша удаленная система не была достаточно чувствительной для измерения антоцианов.Дополнительные улучшения для нашей системы будут заключаться в повышении эффективности сбора, уменьшении фоновой флуоресценции и внедрении высокочувствительных детекторов.

Рис. 5.

Столбчатые распределения относительных изменений каротиноидов, измеренные удаленной системой, как функции длительности абиотических стрессов.

Сравнение метода комбинационного рассеяния света с существующими методами измерения стресса растений in vivo.

Метод комбинационного рассеяния света демонстрирует явные преимущества перед общепринятыми методами определения стресса растений in vivo, такими как спектроскопия отражения (6), флуоресцентная спектроскопия хлорофилла (7), ИК-тепловидение (8), терагерцовая спектроскопия во временной области (9) и гиперспектральная визуализация. (10).Он предлагает более раннее обнаружение, биохимическую селективность, способность обнаруживать множественные стрессовые состояния и обнаружение начальных защитных реакций. Рамановский метод способен обнаруживать изменения в каротиноидах и антоцианинах, которые являются одними из первых защитных реакций растений во время абиотического стресса. Существующие методы зондирования обнаруживают изменения в хлорофилле, состоянии воды или внешнем виде, которые являются следствием абиотического стресса. Рамановская спектроскопическая система непосредственно определяет реакцию растений на стресс в течение 2 дней для четырех различных стрессовых условий.Терагерцовая спектроскопия во временной области (9), которая считалась самым быстрым из существующих методов, имеет косвенное обнаружение, способна обнаруживать только стресс от засухи и занимает 3 дня.

Проверки с помощью химико-аналитических экстракций.

Наконец, мы выполнили традиционные химико-аналитические экстракции. Однако эти экстракции являются деструктивными методами, и за один раз можно извлечь только одну концентрацию пигмента. Мы собирали ткани растений после каждого спектроскопического измерения комбинационного рассеяния света.Мы использовали протоколы химической экстракции антоцианов и каротиноидов из ссылок. 22 и 28 соответственно. На рис. 4 показаны абсолютные значения общих каротиноидов (рис. 4, серые столбцы) и антоцианов (рис. 4, черные столбцы) во времени для всех обработок. Изменения в общем количестве каротиноидов и антоцианов, полученные в результате химического анализа, демонстрируют сильное согласие с данными спектроскопии комбинационного рассеяния для всех приложенных стрессовых условий. Таким образом, это подтверждает, что метод комбинационного рассеяния света является подходящим датчиком для этих пигментов.Выводы. Изменения уровней концентрации антоцианов и фотосинтетических каротиноидов в растениях колеуса наблюдались при абиотических стрессах, включая высокую засоленность, засуху, холод и избыток света. Эти изменения с течением времени после индукции стресса показывают, что рамановская спектроскопия является методом точного измерения этих молекул и указывает на функциональную взаимосвязь этих пигментов в ответ на чрезмерное количество АФК во время абиотического стресса.Эта работа способствует нашему пониманию физиологии растений, обнаруживая отрицательную корреляцию между уровнями антоцианов и каротиноидов во время стрессовой реакции. Краткосрочная реакция на множественные абиотические стрессы обещает почти повсеместный метод обнаружения абиотических стрессов. Наконец, предлагаемая нами портативная система может стать мобильной и автоматизированной, что позволит повысить ее полезность в точном сельском хозяйстве как для селекционеров, так и для коммерческих производителей. Традиционная химическая аналитическая экстракция также подтвердила наличие изменений концентрации либо общих антоцианов, либо каротиноидов.В целом, метод комбинационного рассеяния света может быть дешевой, быстрой и неразрушающей альтернативой химическому анализу. Поскольку это in vivo, он обнаруживает изменения этих молекул с течением времени от одного растения, что невозможно при деструктивном химическом анализе.

Благодарности

Мы благодарим за поддержку грант Управления военно-морских исследований N00014-16-1-3054 и премию Фонда Роберта А. Уэлча A1261. АН поддерживается Благотворительным фондом Техасского университета A&M Германа Ф. Хипа и Минни Белль Хип, который находится под управлением Техасского фонда A&M.М.В.К. поддерживается грантом Национального института продовольствия и сельского хозяйства Министерства сельского хозяйства США 2015-67013-22816.

Сноски

• Вклад авторов: N.A., G.O.A. и M.O.S. разработал концепцию исследования; Н.А. разработал, подготовил и выполнил эксперименты по спектроскопии комбинационного рассеяния света и химической экстракции; N.A. и M.H.A. проводились дистанционные спектроскопические измерения; N.A., G.O.A., C.G., E.J.B., D.B., P.H., M.V.K., J.S.Y. и M.O.S. провели анализ данных и интерпретацию данных; и н.A., G.O.A., C.G., E.J.B., D.B., P.H., M.V.K., J.S.Y. и M.O.S. написал рукопись.

• Рецензенты: F.C., Гарвардский университет; и N.E., Пенсильванский университет.

• Авторы заявляют об отсутствии конфликта интересов.

(PDF) Мультиплексное обнаружение NPY-кортизола для диагностики заболеваний и управления стрессом на основе пота

Благодарности

Авторы хотели бы поблагодарить доктора Кай-Чун Линь за

за помощь в измерениях FTIR и доктораДургаша

Поудьял за помощь в проведении экспериментов по шероховатости поверхности —

. Также мы хотели бы поблагодарить Кевина Тэя и

Серену Бхадсавле за помощь в проведении некоторых экспериментов.

Заявление о доступности данных

Данные, подтверждающие выводы этого исследования:

, которые можно получить у соответствующего автора по разумному запросу

.

Ссылки

[1] Дж. Ким, А. С. Кэмпбелл, Б. Э.-Ф. де Авила, Дж.Ван, Нат.

Biotechnol. 2019,37, 389–406.

[2] С. Спиндель, К. Э. Сапсфорд, Сенсоры 2014, 14, 22313–22341.

[3] J. A. Nandhinee Radha Shanmugama, Sriram Muthuku-

marb, Shajee Chaudhryc, S. Prasad, Biosens. Биоэлектрон.

2017,89, 764–772.

[4] Z. Liao, J. Wang, P. Zhang, Y. Zhang, Y. Miao, S. Gao, Y.

Deng, L. Geng, Biosens. Биоэлектрон. 2018, 121, 272–280.

[5] К. М. Парианте, С. Л. Лайтман, Trends Neurosci.2008,31,

464–468.

[6] M. Zea, F. G. Bellagambi, H. Ben Halima, N. Zine, N.

Jaffrezic-Renault, R. Villa, G. Gabriel, A. Errachid, TrAC

Trends Anal. Chem. 2020,132, 116058.

[7] C. Samson, A. Koh, Front. Bioeng. Biotechnol. 2020,8, 1–8.

[8] M. Kapritsou, E. D. Papathanassoglou, E. Bozas, D. P.

Korkolis, E. A. Konstantinou, I. Kaklamanos, M. Giannako-

poulou, Biol. Res. Nurs. 2017,19, 180–189.

[9] С.А. Морган III, С. Ван, А. Расмуссон, Г. Хазлетт, Г.

Андерсон, Д. С. Чарни, Psychosom. Med. 2001,63, 412–

422.

[10] С. Упашам, К. Тай, Р. Мутьяла, С. Прасад, Analyst 2020,

145, 784–796.

[11] Н. К. Минтах Черчер, С. Упашам, П. Райс, С. Бхадсавле,

С. Прасад, RSC Adv. 2020,10, 23173–23186.

[12] Р. У. Прайор, Мультифизическое моделирование с использованием COMSOL: Подход первых принципов

, Jones & Bartlett Publishers, 2009.

[13] А. Сукери, Л. П. Х. Саравиа, М. Бертотти, Phys. Chem. Chem.

Phys. 2015,17, 28510–28514.

[14] Г. Дутта, Ф. К. Б. Фернандес, П. Эстрела, Д. Мошу, П. Р.

Bueno, Electrochim. Acta 2021,378, 138137.

[15] Y. J. Yun, D. Y. Kim, W. G. Hong, D. H. Ha, Y. Jun, H. K.

Lee, RSC Adv. 2018,8, 7615–7621.

[16] Х. Стивенсон, Н. Радха Шанмугам, А. Панир Селвам, С.

Прасад, SLAS Technol. 2018,23, 5–15.

[17] А.Дж. Бард, Л. Р. Фолкнер, Дж. Ледди, К. Г. Зоски, Электро-

химические методы: основы и приложения, Wiley

Нью-Йорк, 1980.

[18] С. Упашам, А. Танак, С. Прасад, Adv. Лечить. Уход Technol.

2018,4, 1–13.

[19] M. D. Ohi, Encycl. Life Sci. 2009, 662–666.

[20] К. Ю. Лим, Н. А. Оуэнс, Р. Д. Вамплер, Ю. Ин, Дж. Х.

Грейнджер, М. Д. Портер, М. Такахаши, К. Симадзу, Ланг-

muir 2014,30, 12868–12878.

[21] Z.Ганим, С. К. Хой, А. В. Смит, Л. П. Дефлорес, К. К.

Джонс, А. Токмакофф, Acc. Chem. Res. 2008, 41, 432–441.

[22] P. Pattnaik, Appl. Biochem. Biotechnol. 2005, 126, 79–92.

[23] К. Р. Тейлор, С.-Р. Ши, Н. Дж. Барр, Н. Ву, в Diagnostic

Immunohistochem. (Второе издание (Ред .: DJ Dabbs), Church-

,

ill Livingstone, 2006, стр. 1–42.

[24] Y. Luo, T. Matejic, C.-K. Ng, B. Nunnally , T. Porter, S.

Raso, J. Rouse, T. Shang, J.Steckert, в Handb. Мод.

Фарм. Анальный. (Ред .: С. Ахуджа, С. Сципински), Academic Press,

2011, стр. 283–359.

[25] М. Дж. Макдональд, К.-Ф. Чу, П. П. Гильойт, К.