Scientific Journal of Kurdistan University of Medical Sciences

fa الگوریتم پیش‌بینی مقدار عددی کورتیزول بزاقی بر اساس شاخص‌های نوسانات ضربان قلب در مردان سالم The Algorithm for Predicting the Numerical Value of Salivary Cortisol Based on Heart Rate Variations in the Healthy Men فیزیولوژی و علوم اعصاب Physiology and neurosciences پژوهشي اصیل Original Research زمینه 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 روش ها: 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.   Background and purpose: The stress system is one of the most important parts of maintaining living of beings. The indices of heart rate variation (HRV) and cortisol hormone are two outputs of stress system activity. The activation of the stress system is not necessarily in a consciousness state and part of it is in the unconscious. The aim of this study is to provide an algorithm for predicting the numerical value of the salivary cortisol concentration using HRV indices. Materials and methods:The samples of this study included 601 healthy adult men (between 20 and 50 years old). The used algorithms were designed to predict the numerical value of salivary cortisol taken from 9:00 AM to 2:00 PM with HRV indicators. In each of the algorithms, a predicted value is compared with the actual value to determine which was more successful. Results: The results of this study showed that the frequency and non-linear indicators of HRV are able to predict the amount of salivary cortisol with use of Multi Layer Perceptron (MLP), XGBoost(XGB), Support Vector Machine(SVM) and Radial Basis Function(RBF) regression algorithms with the average absolute error, 7.78, 8.06, 8.37 and 7.43 percent respectively. Conclusion: In this study, it was found that a set of linear and non-linear indicators of HRV with high power can predict the amount of salivary cortisol in the best case with a low error percentage of 7.43 by the RBF algorithm, and instead of stress self-report that does not cover the physiological part. It can be a more accurate tool in the intelligent evaluation of the stress system.   استرس, کورتیزول بزاقی, ضربان قلب, یادگیری‌ماشین, رگرسیون. Stress, Salivary cortisol, Heart rate, Machine learning, Regression 37 48 http://sjku.muk.ac.ir/browse.php?a_code=A-10-7262-1&slc_lang=fa&sid=1 Mohammad Reza Noruzi محمدرضا نوروزی noruzi.m@iauctb.ac.ir 5400319475328460070578 5400319475328460070578 No Department of Medical Engineering, Faculty of Engineering, Central Tehran Branch, Islamic Azad University استادیار،گروه مهندسی پزشکی، دانشکده فنی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران Marzieh Barzegar مرضیه برزگر marziehbarzegar141@yahoo.com 5400319475328460070579 5400319475328460070579 No Neuroscience Research Center, Baqiyatullah University of Medical Sciences, Tehran, Iran. AND Army University of Medical Sciences, دانشجوی دکترای تخصصی، مرکز تحقیقات علوم اعصاب، دانشگاه علوم پزشکی بقیه الله، تهران، ایران، دانشگاه علوم پزشکی ارتش، تهران، ایران Mahdi Alizadeh مهدی علیزاده mahdializadeh7593@gmail.com 5400319475328460070580 5400319475328460070580 No Department of Medical Engineering, Faculty of Engineering, Central Tehran Branch, Islamic Azad University دانشجوی کارشناسی ارشد، گروه مهندسی پزشکی، دانشکده فنی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران Boshra Hatef بشری هاتف boshrahatef@yahoo.com 5400319475328460070581 5400319475328460070581 Yes Neuroscience Research Center, Baqiyatullah University of Medical Sciences دانشیار، مرکز تحقیقات علوم اعصاب، دانشگاه علوم پزشکی بقیه الله، تهران، ایران