[صفحه اصلی ]   [Archive] [ English ]  
:: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اول سایت مجله::
صفحه اول سایت دانشگاه::
اطلاعات مجله::
اعضای دفتر مجله::
نمایه‌های مجله::
آرشیو مقالات::
راهنمای نویسندگان::
راهنمای داوران::
ثبت نام و ارسال مقاله::
امکانات سایت مجله::
واحد علم سنجی دانشگاه::
مقالات مرتبط::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
نظرسنجی
نظر شما در مورد مقالات مجله علمی دانشگاه علوم پزشکی کردستان چیست؟
ضعیف
متوسط
خوب
عالی
   
..
شاخص های استنادی مجله

Citation Indices from GS

AllSince 2020
Citations99135350
h-index3925
i10-index254128

 
..
کتابخانه مرکزی دانشگاه علوم پزشکی کردستان
AWT IMAGE
..
معاونت تحقیقات و فن آوری
AWT IMAGE
..
SCImago Journal & Country Rank
:: دوره 29، شماره 5 - ( مجله علمی دانشگاه علوم پزشکی کردستان 1403 ) ::
جلد 29 شماره 5 صفحات 48-37 برگشت به فهرست نسخه ها
الگوریتم پیش‌بینی مقدار عددی کورتیزول بزاقی بر اساس شاخص‌های نوسانات ضربان قلب در مردان سالم
محمدرضا نوروزی1 ، مرضیه برزگر2 ، مهدی علیزاده3 ، بشری هاتف4
1- استادیار،گروه مهندسی پزشکی، دانشکده فنی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
2- دانشجوی دکترای تخصصی، مرکز تحقیقات علوم اعصاب، دانشگاه علوم پزشکی بقیه الله، تهران، ایران، دانشگاه علوم پزشکی ارتش، تهران، ایران
3- دانشجوی کارشناسی ارشد، گروه مهندسی پزشکی، دانشکده فنی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
4- دانشیار، مرکز تحقیقات علوم اعصاب، دانشگاه علوم پزشکی بقیه الله، تهران، ایران ، boshrahatef@yahoo.com
چکیده:   (606 مشاهده)
ززمینه و هدف:  سیستم استرسی یکی از مهم‌ترین بخش‌های حفظ حیات جاندار می‌باشد. شاخص‌های نوسانات ضربان قلب(HRV) و هورمون کورتیزول دو خروجی فعالیت سیستم استرسی هستند. فعال بودن سیستم استرسی الزاماً توسط فرد درک نمی‌شود و بخشی از آن در سطح ناخودآگاه است. هدف این مطالعه ارائه الگوریتم پیش بینی کننده مقدار عددی غلظت کورتیزول با استفاده از شاخصهای HRV است.
مواد و روش­ها: نمونه های این مطالعه شامل 601 مرد بزرگسال سالم (بین 20 تا 50 سال) بود. در این تحقیق به کمک یادگیری‌ماشین، الگوریتم‌هایی طراحی شدند که به کمک شاخص‌های HRV، مقدار عددی کورتیزول بزاقی که بین ساعت ساعت 9:00 صبح تا 14:00 گرفته شده بود را پیش‌بینی کردند. در هر یک از الگوریتم‌ها مقدار پیش‌بینی شده با مقدار واقعی بیان شده مقایسه گردید تا مشخص شود کدام موفق تر بوده است.
یافته‌ها: نتایج مطالعه حاضر نشان داد که شاخص های فرکانسی و غیر خطی HRV قادرهستند  به کمک الگوریتم‌های رگرسیون Multi Layer Perceptron(MLP) ، XGBoost(XGB)،  Support Vector Machine(SVM) و Radial Basis Function(RBF)  مقدار کورتیزول بزاقی را در نمونه ها به ترتیب  با میانگین خطای مطلق  ، 7.78، 8.06، 8.37 و 7.43 درصد پیش بینی کنند.
نتیجه‌گیری: در این مطالعه مشخص شد که مجموعه ای از شاخص های خطی و غیر خطی HRV با قدرت بالا قادرند مقدار کورتیزول بزاقی را در بهترین حالت با درصد خطای پایین 43/7 توسط الگوریتم RBF پیش بینی کنند و بجای خودگزارشی استرس که بخش فیزیولوژیک را پوشش نمی دهد، می تواند ابزار دقیق تری در ارزیابی هوشمند سیستم استرسی باشد.
 
واژه‌های کلیدی: استرس، کورتیزول بزاقی، ضربان قلب، یادگیری‌ماشین، رگرسیون.
متن کامل [PDF 477 kb]   (147 دریافت)    
نوع مطالعه: پژوهشي اصیل | موضوع مقاله: فیزیولوژی و علوم اعصاب
دریافت: 1401/11/24 | پذیرش: 1402/11/9 | انتشار: 1403/10/9
فهرست منابع
1. 1.Fastenrath M, Coynel D, Spalek K, Milnik A, Gschwind L, Roozendaal B, et al. Dynamic modulation of amygdala-hippocampal connectivity by emotional arousal. Neurosci. J. 2014;34(42):13935-47. [DOI:10.1523/JNEUROSCI.0786-14.2014] [PMID] []
2. Richard Contrada R, Baum A. The Handbook of Stress Science: Biology, Psychology, and Health. 1 ed: Springer Publishing Company; 2011.
3. Mohammadi A, Emamgoli A, Shirinkalam M, Meftahi GH, Yagoobi K, Hatef B. The persistent effect of acute psychosocial stress on heart rate variability. Egypt Heart J. 2019;71(1):18. [DOI:10.1186/s43044-019-0009-z] [PMID] []
4. Barzegar Marzieh, Gila Pirzad Jahromi, GholamHossein Meftahi, Boshra Hatef. The complexity of EEG signal decreases during the Social Stress Journal Of Medical Signals & Sensors. 2022;In press. [DOI:10.4103/jmss.jmss_131_21] [PMID] []
5. Seo S, Lee J. Convergence and Hybrid Information Technologies, Stress and EEG Crisan M, editor. Busan: INTECH; 2010. [DOI:10.5772/9651]
6. Lee S, Hwang HB, Park S, Kim S, Ha JH, Jang Y, et al. Mental stress assessment using ultra short term HRV analysis based on non-linear method. Biosensors. 2022;12(7):465. doi:10.3390/bios120704657. [DOI:10.3390/bios12070465] [PMID] []
7. Arsalan A, Anwar SM, Majid M. Mental stress detection using data from wearable and non-wearable sensors: a review. arXiv preprint arXiv:220203033. 2022.
8. Mirzaee O, Saneian M, Vani JR, Shahrivar K, Peyravi M, Shariat A, Hatef B. The Psychophysiological Responses of the Chronic Ischemic Stroke Patients to the Acute Stress were Changed. BABT. 2019;62. doi:10.1590/1678-4324-2019180494 [DOI:10.1590/1678-4324-2019180494]
9. Ashtiani AA, Shaygannejad V, Ghobadi F, Bathaie R, Shahyad S, Hatef B. Acute Response of Stress System in Multiple Sclerosis. Archives of Neuroscience. 2021;8(4):9. doi:10.5812/ans.115781. [DOI:10.5812/ans.115781]
10. Ozgocer T, Yildiz S, Uçar C. Development and validation of an enzyme-linked immunosorbent assay for detection of cortisol in human saliva. Journal of Immunoassay and Immunochemistry. 2017;38(2):147-64. doi:10.1080/15321819.2016.1230130 [DOI:10.1080/15321819.2016.1230130] [PMID]
11. Billman GE. The LF/HF ratio does not accurately measure cardiac sympatho-vagal balance Front. physiol. 2013;4:26. doi:10.3389/fphys.2013.00026 [DOI:10.3389/fphys.2013.00026]
12. Brennan M, Palaniswami M, Kamen P. Do existing measures of Poincare plot geometry reflect nonlinear features of heart rate variability? TBME. 2001;48. doi:10.1109/10.959330 [DOI:10.1109/10.959330] [PMID]
13. Perfetto J, Ruiz A, D'Attellis C, editors. Detrended fluctuation analysis (DFA) and RR interval variability: A new linear segmentation algorithm. 2006 Computers in Cardiology; 2006: IEEE.
14. Hamilton JL, Alloy LB. Atypical reactivity of heart rate variability to stress and depression across development: Systematic review of the literature and directions for future research. Clin. Psychol. Rev. 2016;50:67-79. doi:10.1016/j.cpr.2016.09.003 [DOI:10.1016/j.cpr.2016.09.003] [PMID] []
15. Zolotareva E, editor Aiding Long-Term Investment Decisions with XGBoost Machine Learning Model. AISC; 2021 2021//; Cham: Springer International Publishing. [DOI:10.1007/978-3-030-87897-9_37]
16. Yadav N, Yadav A, Kumar M. An introduction to neural network methods for differential equations: Springer; 2015. [DOI:10.1007/978-94-017-9816-7]
17. Majdisova Z, Skala V. Radial basis function approximations: comparison and applications. Appl. Math. Model. 2017;51:728-43. [DOI:10.1016/j.apm.2017.07.033]
18. Botchkarev A. Performance metrics (error measures) in machine learning regression, forecasting and prognostics: Properties and typology. arXiv preprint arXiv:180903006. 2018.
19. Vanitha L, Suresh GR, editors. Hierarchical SVM to detect mental stress in human beings using Heart Rate Variability2014: IEEE. [DOI:10.1109/ICDCSyst.2014.6926145]
20. McDuff D, Gontarek S, Picard R, editors. Remote measurement of cognitive stress via heart rate variability. 2014 36th Annual International Conference of the IEEE Engineering in Medicine and Biology Society; 2014: IEEE. [DOI:10.1109/EMBC.2014.6944243] [PMID]
21. Kim H-G, Cheon E-J, Bai D-S, Lee YH, Koo B-H. Stress and Heart Rate Variability: A Meta-Analysis and Review of the Literature. Psychiatry Investig. 2018;15(3):235-45. doi:10.30773/pi.2017.08.17 [DOI:10.30773/pi.2017.08.17] [PMID] []
22. Ge F, Yuan M, Li Y, Zhang W. Posttraumatic Stress Disorder and Alterations in Resting Heart Rate Variability: A Systematic Review and Meta-Analysis. Psychiatry Investig. 2020;17(1):9-20. doi:10.30773/pi.2019.0112 [DOI:10.30773/pi.2019.0112] [PMID] []
23. Pan X, Wang Z, Wu X, Wen SW, Liu A. Salivary cortisol in post-traumatic stress disorder: a systematic review and meta-analysis. BMC Psychiatry. 2018;18(1):324. doi:10.1186/s12888-018-1910-9 [DOI:10.1186/s12888-018-1910-9] [PMID] []
24. Jia Y, Liu L, Sheng C, Cheng Z, Cui L, Li M, et al. Increased serum levels of cortisol and inflammatory cytokines in people with depression. J. Nerv. Ment. 2019;207(4):271-6. doi:10.1097/NMD.0000000000000957 [DOI:10.1097/NMD.0000000000000957] [PMID]
25. Munla N, Khalil M, Shahin A, Mourad A, editors. Driver stress level detection using HRV analysis2015: IEEE. [DOI:10.1109/ICABME.2015.7323251]
ارسال پیام به نویسنده مسئول

ارسال نظر درباره این مقاله
نام کاربری یا پست الکترونیک شما:

CAPTCHA



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Noruzi M R, Barzegar M, Alizadeh M, Hatef B. The Algorithm for Predicting the Numerical Value of Salivary Cortisol Based on Heart Rate Variations in the Healthy Men. SJKU 2024; 29 (5) :37-48
URL: http://sjku.muk.ac.ir/article-1-7816-fa.html

نوروزی محمدرضا، برزگر مرضیه، علیزاده مهدی، هاتف بشری. الگوریتم پیش‌بینی مقدار عددی کورتیزول بزاقی بر اساس شاخص‌های نوسانات ضربان قلب در مردان سالم. مجله علمي دانشگاه علوم پزشكي كردستان. 1403; 29 (5) :37-48

URL: http://sjku.muk.ac.ir/article-1-7816-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 29، شماره 5 - ( مجله علمی دانشگاه علوم پزشکی کردستان 1403 ) برگشت به فهرست نسخه ها
مجله علمی دانشگاه علوم پزشکی کردستان Scientific Journal of Kurdistan University of Medical Sciences
مجله علمی دانشگاه علوم پزشکی کردستان Scientific Journal of Kurdistan University of Medical Sciences
Persian site map - English site map - Created in 0.06 seconds with 46 queries by YEKTAWEB 4700