دکتر محمدرضا نوروزی، خانم مرضیه برزگر، آقای مهدی علیزاده، دکتر بشری هاتف،
دوره ۲۹، شماره ۵ - ( ۹-۱۴۰۳ )
چکیده
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 ۶۰۱ مرد بزرگسال سالم (بین ۲۰ تا ۵۰ سال) بود. در این تحقیق به کمک یادگیری‌ماشین، الگوریتم‌هایی طراحی شدند که به کمک شاخصهای HRV، مقدار عددی کورتیزول بزاقی که بین ساعت ساعت ۹:۰۰ صبح تا ۱۴:۰۰ 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 ، ۷,۷۸، ۸.۰۶، ۸.۳۷ و ۷.۴۳ 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 ۴۳/۷ 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.
