Эта статья является препринтом и не была отрецензирована.
О результатах, изложенных в препринтах, не следует сообщать в СМИ как о проверенной информации.
ОБНАРУЖЕНИЕ МЕНТАЛЬНОГО АРИФМЕТИЧЕСКОГО СТРЕССА С ПОМОЩЬЮ ПОКАЗАТЕЛЕЙ ВАРИАБЕЛЬНОСТИ СЕРДЕЧНОГО РИТМА
2025-12-11
Ментальный арифметический стресс широко используется в качестве лабораторного стрессора при оценке вегетативной реакции на ментальную нагрузку. Целью данного исследования было тестирование возможности идентификации ментального стресса с помощью показателей вариабельности сердечного ритма. В исследовании с вычислением в уме участвовали пятьдесят здоровых студентов, запись кардиограммы проводилась дважды – в спокой-ном состоянии и при ментальной арифметической нагрузке. После предвари-тельной обработки сигнала были вычислены линейные показатели SDNN, LF, HF, LH/HF и нелинейные DFA1, DFA2, REC, DET, LAM. Анализ возможности распознать ментальный арифметический стресс осуществлялся посредством алгоритма вычисления AUC ROC. Статистический анализ показал, что наиболее информативными являются нелинейные показатели DFA1, DFA2, REC, DET, LAM.
Ссылка для цитирования:
Индейкина О. С., Сушков И. А., Саперова Е. В. 2025. ОБНАРУЖЕНИЕ МЕНТАЛЬНОГО АРИФМЕТИЧЕСКОГО СТРЕССА С ПОМОЩЬЮ ПОКАЗАТЕЛЕЙ ВАРИАБЕЛЬНОСТИ СЕРДЕЧНОГО РИТМА. PREPRINTS.RU. https://doi.org/10.24108/preprints-3114030
Список литературы
1. Arsalan A., Majid M. Human stress classification during public speaking using physiological signals // Computers in biology and medicine. 2021. Т. 133. P. 104377.
2. Dickerson S.S., Kemeny M.E. Acute stressors and cortisol responses: a theoretical integration and synthesis of laboratory research // Psychological bulletin. 2004. Т. 130. – №. 3. – P. 355.
3. García E. et al. Psychological and physiological profiles in oncology caregivers: a multivariable cross-sectional study // Transactions on Machine Learning and Artificial Intelligence. 2017. Т. 5. №. 4. P. 547-557.
4. Goyal A. et al. Automation of stress recognition using subjective or objective measures // Psychological Studies. 2016. Т. 61. №. 4. P. 348-364.
5. Greco A. et al. Acute stress state classification based on electrodermal activity modeling // IEEE Transactions on Affective Computing. 2021. Т. 14. №. 1. P. 788-799.
6. Mandrekar J.N. Receiver operating characteristic curve in diagnostic test assessment // Journal of thoracic oncology. 2010. Т. 5. №. 9. P. 1315-1316.
7. Marwan N., Kraemer K.H. Trends in recurrence analysis of dynamical systems // The European Physical Journal Special Topics. 2023. Т. 232. №. 1. P. 5-27.
8. Mathias C.J. et al. Autonomic nervous system: Clinical testing // Reference module in neuroscience and biobehavioral psychology. Elsevier Inc, 2017. P. 1-30.
9. Polnok S. et al. Statistics Kingdom: A very helpful basic statistical analysis tool for health students // Health Notions. 2022. Т. 6. №. 9. P. 413-420.
10. Sun X., Xu W. Fast implementation of DeLong’s algorithm for comparing the areas under correlated receiver operating characteristic curves // IEEE Signal Processing Letters. 2014. Т. 21. №. 11. P. 1389-1393.
11. Szakonyi B. et al. Efficient methods for acute stress detection using heart rate variability data from Ambient Assisted Living sensors // Biomedical engineering online. 2021. Т. 20. №. 1. P. 73.
12. Takahashi T. et al. Anxiety, reactivity, and social stress-induced cortisol elevation in humans // Neuroendocrinology Letters. 2005. Т. 26. №. 4. P. 351-354.
13. Tarvainen M.P. et al. Kubios HRV – heart rate variability analysis software // Computer methods and programs in biomedicine. 2014 Т. 113. №. 1. P. 210-220.
14. Yaribeygi H. et al. The impact of stress on body function: A review // EXCLI journal. 2017. Т. 16. P. 1057.
