فایل کامل و عالی سیگنال های سایکوفیزیولوژی و کمّی سازی سطح استرس

فهرست مطالب

چکیده    1
مقدمه    2
فصل اول: علم سایکوفیزیولوژی و مفاهیم و مبانی استرس
   
               1- 1- تاریخچه علم سایکوفیزیولوژی    4
               1-2- اصول و مبانی سایکوفیزیولوژی    7
               1-3- انواع تکنیک¬های سایکوفیزیولوژی                                                                           10
                        1-3-1- شاخص¬های سیستم اعصاب خودکار                                                               10
                        1-3-2- اندازه¬گیری فعالیت مغزی    11
                        1-3-3- تشخیص حالات با استفاده از رفتار شخص                                                  15
                 1-4- تعریف استرس     17
               1-5- استرس خوب و استرس بد    19
                 1-6- عوامل برانگیزنده استرس                                                                                                           20
                        1-6-1- استرس شغلی    21
               1-7- نشانه¬های استرس    23
               1-8- حد مطلوب استرس    24
               1-9- مراحل ایجاد استرس                                                                                            24
               1-10- اثرات استرس بر بدن و بیماری¬ها مرتبط با آن    26
              1-11- بیوفیدبک    36
                        1-11-1- انواع بیوفیدبک    37
   
فصل دوم: سیگنال¬های سایکوفیزیولوژیکی وآزمایش ثبت داده
   
               2-1- مقدمه        39
               2-2- پلتیسموگراف    40
                        2-2-1- فتو پلتیسموگرافی                             41
                        2-2-2- روش¬های اندازه¬¬گیری سیگنال فتوپلتیسموگراف
    41
               2-3- سیستم الکتریکی پوست                   42
                        2-3-1- تاریخچه کشف فعالیت الکتریکی پوست    43
                        2-3-2- فواید و مشکلات استفاده از فعالیت الکتریکی پوست (EDA)    44
             2-4- تغییرات نرخ ضربان قلب    46
                        2-4-1- تاریخچه استفاده از سیگنال تغییرات نرخ ضربان قلب      46
                        2-4-2- دورنمای فیزیولوژی سیگنال تغییرات نرخ ضربان قلب      47
                        2-4-3- تعیین تغییرات نرخ ضربان قلب با استفاده از سیگنال فتوپلتیسموگراف    48
               2-5- مروری بر آزمایش¬های استفاده شده در تحقیقات    51
                        2-5-1- آزمایش بر اساس بازی کامپیوتری     51
                        2-5-2- آزمایش بر اساس پروتکل رانندگی اتومبیل    54
                        2-5-3- آزمایش بر اساس نمایش فیلم    57
               2-6- آزمایش طراحی¬ شده در این تحقیق    59
               2-7- سوژه¬های تحقیق     62
فصل سوم: پردازش سیگنال¬های سایکوفیزیولوژیکی
   
                 3-1- مقدمه    64
                 3-2- پردازش سیگنال فتوپلتیسموگراف    66
                         3-2-1- پیش¬پردازش سیگنال فتوپلتیسموگراف     66
                         3-2-2- استخراج ویژگی در حوزه زمان از سیگنال PPG    70
                         3-2-3- استخراج ویژگی در حوزه فرکانس از سیگنال PPG    72
                 3-3- پردازش سیگنال تغییرات نرخ ضربان قلب    75
                         3-3-1- استخراج ویژگی از سیگنال تغییرات نرخ ضربان قلب    75
                                    3-3-1-1- استخراج ویژگی در حوزه زمان از سیگنال HRV    75
                                    3-3-1-2- استخراج ویژگی در حوزه فرکانس از سیگنال HRV    76
                                    3-3-1-3- استخراج ویژگی در حوزه زمان-فرکانس از سیگنال HRV    77
                                    3-3-1-4- استخراج ویژگی¬های غیرخطی از سیگنال HRV    78
                 3-4- پردازش سیگنال هدایت الکتریکی پوست    85
                         3-4-1- استخراج ویژگی از سیگنال هدایت الکتریکی پوست    87
                 3-5- نرمال کردن ویژگی¬ها
    88
فصل چهارم: انتخاب ویژگی¬های بهینه و تفکیک سطوح استرس   
      4-1- مقدمه    89
      4-2- شبکه¬های عصبی    90
           4-2-1- شبکه¬های عصبی پرسپترون چند لایه    90
           4-2-2- توابع فعالیت    91
           4-2-3- الگوریتم به روز رسانی وزن¬ها    91
           4-2-4- بایاس لایه¬ها    92
           4-2-5- روش آموزش شبکه    92
      4-3- ترکیب شبکه¬های عصبی و الگوریتم ژنتیک    92
           4-3-1- اصطلاحات ژنتیک    93
           4-3-2- اجزاء الگوریتم ژنتیک    93
           4-3-3- طراحی تابع برازندگی و رشته¬ها    94
           4-3-4- نتایج تفکیک¬ به روش ترکیب شبکه عصبی و الگوریتم ژنتیک    95
      4-4- نتایج تفکیک به روش آنالیز تفکیکی قدم به قدم    99
      4-5- ماشین¬های بردار پشتیبان    103
           4-5-1- نتایج تفکیک¬ به روش ماشین¬های بردار پشتیبان    105
      4-6- مقایسه تحلیل خطی و غیرخطی سیگنال HRV    108
      4-7- مقایسه تفکیک¬کننده¬های استفاده¬شده در این تحقیق    112
      4-8- تفکیک سطوح استرس بر اساس رأی¬گیری    113
      4-9- شاخص استرس    115
          4-9-1-  شاخص بر اساس ویژگی¬های بهینه  سیگنال HRV در روش LDA    115
          4-9-2-  شاخص NSRPIAD
    119
فصل پنجم: نتیجه¬گیری و پیشنهادات   
      5-1- بحث و نتیجه¬گیری    123
      5-2- پیشنهادات    126

     مراجع   
۱۲۸
    پیوست۱    133
    پیوست۲    138

چکیده
در تحقیقات سایکوفیزیولوژی، به پاسخ¬های فیزیولوژی بدن با توجه به فاکتورهایی مانند کیفیت طراحی آزمایش، خصوصیات روانی اندازه¬گیری¬ها و تناسب تحلیل و تفسیر داده-ها، یک معنای روانشناختی اختصاص می¬دهیم . در تحلیل واکنش¬ها هیچیک از دو علم فیزیولوژی و روانشناختی برتر نیستند، بلکه مکمل یکدیگر می¬باشند. شناخت حالات روحی مختلف از جمله حالت استرس که اثرات مخرب شناخته¬شده¬ای بر جسم و روان انسان دارند، از کاربردهای مهم این علم می¬باشند. در این تحقیق با ارائه آزمایشی مناسب وایجاد سه سطح استرس (کم، متوسط و زیاد) در سوژه و ثبت سیگنال¬های پلتیسموگراف، تغییرات نرخ ضربان قلب و هدایت الکتریکی پوست به دنبال بدست آوردن معیاری جهت کمّی کردن سطح استرس فرد بوده¬ایم. به این منظور پیش¬پردازش¬ها و پردازش¬های مختلف خطی در حوزه زمان، فرکانس و زمان- فرکانس و غیرخطی از جمله معیار پوآنکاره، لیاپانوف اکسپوننت، بعد فرکتال و آنتروپی و استخراج ویژگی¬های گوناگون از سیگنال¬های ثبت¬شده صورت گرفته است. سپس با به کارگیری روش¬های مختلف طبقه¬بندی از جمله ترکیب شبکه عصبی و الگوریتم ژنتیک، ماشین¬های بردار پشتیبان و روش تابع ترکیب خطی اقدام به تفکیک سطوح مختلف شده است. در این تحقیق ابتدا ویژگی¬های بهینه هر سیگنال تعیین و تفکیک به این سه روش انجام شد. سپس با ترکیب ویژگی¬های بهینه همه سیگنال¬ها مجدداً تفکیک صورت گرفت. نهایتاً به این نتیجه رسیده شد که با استفاده از سیگنال HRV به تنهایی می¬توان به نتایج بالاتری در صحت تفکیک دست یافت. در ادامه مقایسه¬¬¬¬ای بین ویژگی¬های خطی و غیرخطی سیگنال HRV صورت گرفت و به این نتیجه رسیده شد که ترکیب این دو نوع ویژگی نتایج را بهبود می¬¬دهد. پس از آن مقایسه¬ای بین روش¬های مختلف طبقه¬بندی با استفاده از ویژگی¬های بهینه سیگنال HRV انجام شد که در نهایت روش LOO به عنوان روش مناسب¬تر انتخاب شد. در انتها دو شاخص بر اساس سیگنال HRV معرفی و اعتبارسنجی شد.
مقدمه
در علوم روانشناختی، شناخت فهم، ادراک و احساسات بر اساس ماهیت آنها صورت می-گیرد. اما می¬توان از طریق علائم فیزیکی نیز به ارتباط بین مغز و فکر انسان و رفتارهای او پی برد. علم سایکوفیزیولوژی که حوزه¬ جدیدی از شناخت مسائل روحی و روانی انسان با استفاده از نشانه¬های فیزیولوژیکی ناشی از آن می¬باشد، این امکان را فراهم می-سازد. در سایکوفیزیولوژی به نحوه تفکر و ادراک از ساختار فیزیکی نشانه¬های آن نگاه می¬کنیم و در این حالت اگر جنبه¬های ساختاری و عملیاتی این جسم فیزیکی در ارتباط با جنبه¬های خارجی فعالیت آن مورد توجه قرار گیرد، تفکر و احساسات فرد قابل فهم خواهد بود.
 هر فردی استرس را در زندگی خود تجربه کرده است و در واقع استرس بخشی از زندگی انسان شده است.  استرس عبارت است از حالت اضطراب و فشار درونی که انسان برای مواجه شدن با خطر یا مشکلات جدّی با ترشح هورمون¬هایی خود را برای مقابله آماده می¬کند که البته تا این حد خوب و برای روند زندگی لازم است. ولی هرگاه در فردی استرس توسعه پیدا کرد و این حالت در طول روز و بدون علت منطقی مشاهده شد می¬گوئیم فرد دچار استرس بیش از حد است. استرس علاوه بر اثرات روانی، پیامدهای جسمی متعددی از جمله سکته های مغزی، قلبی، فشارخون، پوکی استخوان، زخم معده و بیماری¬های روحی – رفتاری دارد و هیچ عضو یا ارگانی از بدن از اثرات استرس مصون نیست. از این¬رو ارائه روشی که بتوان میزان استرس فرد را سنجید و به منظور کاهش آن، به فرد فیدبک کرد بسیار ضروری و مفید است.
با توجه به ارتباط بین حالت روحی استرس و فعالیت سیستم اعصاب خودکار در این تحقیق سعی بر آن شد که جنبه¬های مختلف این ارتباط، بین حالات روحی و فیزیولوژی بدن انسان، مورد بررسی قرار گیرد و بر این اساس به کمی سازی سطح استرس جهت اهداف و کاربردهای مختلف پرداخته شود.
برای رسیدن به هدف این تحقیق ابتدا لازم بود شناخت جامعی نسبت به حوزه¬های مختلفی که در علم سایکوفیزیولوژی وجود دارد، بدست آوریم. بدین منظور در فصل اول ضمن توصیف کامل علم سایکوفیزیولوژی، ارتباط آنرا با علوم دیگر مانند آناتومی، فیزیولوژی و روانشناختی بیان می¬کنیم. در ادامه انواع سیگنال¬های کاربردی در علوم سایکوفیزیولوژی و روش¬های اندازه¬گیری آنها مطرح
می¬شود و نهایتا استرس و عوارض متعدد آن معرفی شد.
پس از آنکه در فصل اول با مبانی علم سایکوفیزیولوژی و حالت روحی استرس آشنا شدیم در فصل دوم سیگنال¬های سایکوفیزیولوژی (GSR ,PPG ,HRV) که در این تحقیق استفاده شد، مورد بحث قرار گرفت. در این فصل روش مختلف اندازه¬گیری این سیگنال¬ها، تاریخچه و تأثیر آنها بر روی سیستم اعصاب خودکار بیان شد. همچنین در این فصل مروری بر تحقیقاتی که در این زمینه صورت گرفته و آزمایشات ثبت داده مختلف که در آنها استفاده شده است، آمده است. طرح¬های اولیه و نهایی آزمایش ثبت داده¬ای که در این تحقیق استفاده شد، در انتهای این فصل به تفضیل توضیح داده شده است.
در فصل سوم روش¬های مختلف پیش¬پردازش و پردازش سیگنال¬های استفاده شده در این تحقیق مطرح شده است. در این فصل ابتدا پیش¬پردازش¬های مختلف سیگنال PPG و ویژگی¬های مختلف آن در حوزه زمان و فرکانس توضیح داده شد و سپس انواع مختلف پردازش سیگنال HRV اعم از خطی و غیرخطی همچون معیار پوآنکاره، بعد فرکتال و … بحث شده است. در انتها، ویژگی¬های مختلف سیگنال GSR که در حوزه زمان می¬باشد، معرفی شده است. لازم به ذکراست که کلیه ویژگی¬هایی که از سیگنال HRV استخراج شده است، از سیگنال  RRI نیز استخراج شد.
در فصل چهارم، با توجه به ویژگی¬های استخراج¬شده از سیگنال¬ها، عملیات تفکیک سطوح مختلف استرس انجام شد. در این فصل از سه طبقه¬بندی¬کننده LOO ,SVM و ترکیب شبکه عصبی و الگوریتم ژنتیک استفاده شده است. ابتدا ویژگی¬های بهینه هر سیگنال به طور مجزا توسط هر روش تعیین و طبقه¬بندی صورت می¬گیرد و با مقایسه میزان صحت تفکیک بهترین حالت در تفکیک، در هر روش انتخاب شد. همچنین مقایسه بین روش¬های مختلف طبقه¬بندی صورت گرفته است. در نهایت دو شاخص برای کمّی کردن استرس معرفی شده است.
در فصل آخر این تحقیق به جمع¬بندی نتایج پرداخته شده و روش¬های مختلف استفاده شده در این تحقیق مورد بحث قرار گرفت و در نهایت پیشنهاداتی جهت ادامه کار ارائه شده است.

مراجع

Akselrod S, Gordon D, Ubel FA, Shannon DC, Barger MA, Cohen RJ,”Power spectrum analysis of heart rate fluctuation”, a quantitative probe of beat-to-beat cardiovascular control.Science 213, PP. 220-222, 1981.

Blanco S, Figliola A, Quiroga R. Q, Rosso O. A and Serrano E.,”Time–frequency analysis of electroencephalogram series (III):wavelet packets and information cost function”. Phys. Rev. E 57:932–40, 1998.

Chan G. S., Middleton P. M, Lovell N. H and Celler B. G,”Extraction of photoplethysmographic waveform variability by lowpass filtering”, Proceedings of the IEEE Engineering in Medicine and Biology 27th Annual Conference Shanghai, China, September, 2005.

Cheang P. Y and Smith P. R,” An Overview of Non-contact Photoplethysmography”, ELECTRONIC SYSTEMS AND CONTROL DIVISION RESEARCH, Department of Electronic and Electrical Engineering, Loughborough University, LE11 3TU, UK, 2003.

Coifman R. R and Wickerhauser M. V, “Entropy-based Algorithms for best basis selection,” IEEE Trans. on Inf. Theory, vol. 38, pp. 713-718, 1992.

Darrow C. W,”Psychophysiology, yesterday, today and tomorrow”, Psychophysiology, 1 , pp. 4-7, 1964.

Darrow C. W,”Sensory, secretory and electrical changes in the skin following bodily excitation”, J. of Experimental Psychology, 10, pp. 197-226, 1927.

Davidson N. S, Goldner S, McCloskey D. I,”Respiratory modulation of baroreceptor and chemoreceptor reflexes affecting heart rate and cardiac vagal efferent nerve activity”, J Physiol 259, PP. 523-530, 1976.

Donoho D. L and Johnstone I.M, “Ideal de-noising in an orthonormal basis chosen from a library of bases,” C.R.A.S. Paris, Ser. I, t. 319, pp. 1317-1322,1998.

Eckberg D. L,”Human sinus arrhythmia as an index of vagal cardiac outflow. J Appl Physiol 54, PP. 961-966, 1983.

Edelberg R,”Electrical activity of the skin: Its measurement ans uses in psychophysiology”, In N. S. Greenfield & R. A. Sterenbach (Eds.), Handbook of Psychophysiology, pp. 367-418, 1972.

Edelberg R,”Electrodermal recovery rate, goal-orientation and aversion. Psychophysiology”, 9, pp. 512-520, 1972.

Esteller R, Vachtsevanos G, Echauz J and Litt B,”A Comparison Of Fractal Dimension Algorithm Using Synthetic And Experimental Data”, Proceedings of IEEE International Symposium on Circuits and Systems, Orlando, FL, May 30 – Jun. 2, 1999

Ewing D. J,”Cardiac autonomic neuropathy, in diabetes and heart disease”, Jarrett RJ, Ed. NY, Elsevier, p.122 , 1984.

Fusheng Y, Qingyu T,”Approximate entropy and its application in biosignal analysis. [In:] Nonlinear biomedical signal”, processing.Vol II: Dynamic analysis and modeling (ed. Metin Akay), New York: IEEE Press and John Wiley & Sons, Inc. pp. 72-91.; 2001.

Ganiero E, Risk  M, Sobh J. F, Wamirez A and Saul  J. P,”Heart Rate Variability Analysis Using Wavelet Transform”,Computeirs in Cardiology,IEEE,1996.

Gu  Y. Y and Zhang Y. T,”Reducing the Influence of Contacting Force Applied on Photoplethysmographic Sensor on Heart Rate Variability Estimation”, Proc. of 25th Annu. Conf. IEEE EMBS, Vol. 21, pp. 2618–2620, Sep, 2003.

Hayano J, Sakakibara Y, Yamada A, Yamada M, Mukai S, Fujinami T, Yokoyama K, Watanabe Y,Takata K,”Accuracy of assessment of cardiac vagal tone by heart rate variability in normal subjects. Am J Cardiol 67, PP. 199-204, 1991.

Hayes M. J, “A nonlinear optical preamplifier for sensing applications”, IEEE Trans. on Circuits and Systems, vol. 98, no. 1, pp. 1-9, 2002.

Hilborn R. C,” Chaos and Nonlinear Dynamics”, Oxford university press 2000.
Hon E. H and Lee S. T,”Electronic evaluation of the fetal heart rate patterns preceding fetal death, further observations”,Am J Obstet Gynecol 87, PP. 814-826, 1965.

Jennifer A and Rosalind W,”Detecting Stress During Real-World Driving Tasks Using Physiological Sensors”, IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, VOL. 6, NO. 2, JUNE 2005.

Kollai M and Mizsei G,”Respiratory sinus arrhythmia is a limited measure of cardiac parasympathetic control in man. J Physiol (Lond) 424, PP. 329-342, 1990.

Lee C, Yoo S. K, et al,”Using Neural Network to Recognize Human Emotions from Heart Rate Variability and Skin Resistance”, Proceedings of the 2005 IEEE Engineering in Medicine and Biology 27th Annual ConferenceShanghai, China, September, 2005.

Lerma C, Infante O, Grovas H and Jose M. V, ” Poincare´ plot indexes of heart rate variability capture dynamic adaptations after haemodialysis in chronic renal failure patients”,Clin Physiol & Func Im, Vol. 23, pp. 72–80, 2003.

Madwed J. B, Aibrecht P, Mark R. G, Cohen R. J,”Low-frequency oscillation in arterial pressure on heart rate: a simple computer model. Am J Physiol 256, PP. 1573-1579, 1989.

MÄKIKALLIO T,”ANALYSIS OF HEART RATE DYNAMICS BY METHODS DERIVED FROM NONLINEAR MATHEMATICS”,1998.

Malik M, Chairman M,”Heart rate variability Standards of measurement, physiological interpretation, and clinical use”, European Heart Journal, Vol. 17, pp. 354–381, 1996.

Malliani A, Pagani M, Lombardi F, Cerutti S,”Cardiovascular neural regulation explored in the frequency domain. Circulation 84, PP. 482-492, 1991.

Mendelson Y and Comtois G,”Accelerometery-based Adaptive Noise Cancellation for Remote Physiological Monitoring by a Wearable Pulse Oximeter”,Biomedical Engineering, IEEE Transactions on Volume 53, Issue 3, March 2006 Page(s): 566 – 568, 2005.

Nashash H.A., Thakor J.S, “Wavelet entropy method for EEG analysis: application to global brain injury”, First International IEEE EMBS Conference on Neural Engineering ,Volume 2, Page(s): 348 – 351, March 2003.

Nitzanyx M, Babchenkoy A, Khanokhy B and Landauz D,”The variability of the photoplethysmographic signal-a potential method for the evaluation of the autonomic nervous system”, Physiol. Meas. 19, PP. 93–102, 1998.

Pagani M, Montano N, Porta A,Malliani A, Abboud F. M, Birkett C, Somers V. K,”Relationship between spectral components of cardiovascular variabilities and direct measures of muscle sympathetic nerve activity in humans. Circulation 95, PP. 1441-1448, 1997.

Pincus S,” Approximate entropy as a measure of system complexity”, Proc Nat Acad Sci USA, Vol. 88, pp. 2297-301,1991.

Prokasy W. F and Raskin D. C, “Electrodermal Activity in psychological Research”, New York, Academic Press, 1973.

Rosso O, Blanco S, Yordanova J, Kolev V and Figliola A,”Wavelet entropy: a new tool for analysis of short duration brain electrical signals”. J. Neurosci. Methods, 105, PP. 65–75, 2001.

Seals D. R, Chase P. B,”Influence of physical training on heart rate variability and baroreflex circulatory control. J Appl Physiol 66, PP. 1886-1895, 1989.

Seong H. M, Lee J. S. et al,” The Analysis of Mental Stress using Time-Frequency Distribution of Heart Rate Variability Signal”,Proceedings of the 26th Annual International Conference of the IEEE EMBS San Francisco, CA, USA • September 1-5, 2004.

Spielberger C. D,”State-Trait Aفایل کامل و عالی سیگنال های سایکوفیزیولوژی و کمّی سازی سطح استرسiety Inventory for Adults”, http://www.mindgarden.com/products/staisad.htm.

Wang F, Sagawa K and Inooka H,” Time Domain Heart Rate Variability Index for Assessment of Dynamic Stress”, Computers in Cardiology IEEE, Vol25, pp. 97-100, 1998.

Wan R. D and Woo L. J,” Feature Extraction and Emotion Classification Using Bio-Signal”, TRANSACTIONS ON ENGINEERING, COMPUTING AND TECHNOLOGY, V2, DECEMBER, 2004.

Wolf M. M, Varigos G. A, Hunt D and Sloman J. G,” Sinus arrhythmia in acute myocardial infarction: two-year follow-up”, Med J Aust 2, PP. 52-53, 1978.

YEH R, SHIEH J, HAN Y, WANG Y and TSENG S,”Detrended Fluctuation   Analyses of  Shortterm Heart Rate Variability in Surgical Intensive Care Units”,BIOMEDICAL ENGINEERING APPLICATIONS, BASIS & COMMUNICATIONS, Vol. 18, pp. 67-72, April 2006.

Yordanova J, Kolev V, Rosso O. A, Sch¨urmann M, Sakowitz O. W,”Wavelet entropy analysis of eventrelated potentials indicates modalityindependent theta dominance”, Neurosci. Methods, 117,PP. 99–109, 2002.

Yoshizawa1 M, Sugita N, Tanaka A and Masuda T,” Assessment of Emotional Reaction Induced by Visual Stimulation Based on Cross-Correlation between Pulse Wave Transmission Time and Heart Rate in the Mayer Wave-Band”, Proceedings of the 26th Annual International Conference of the IEEE EMBS San Francisco, CA, USA • September, 2004.

Zhai J, Barreto A. B, Chin C and Li C,”Realization of Stress Detection using Psychophysiological Signals for Improvement of Human-Computer Interactions”,IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, VOL. 5, NO. 3, JUNE 2005. `

تهامی، احسان،”پیش بینی غلظت قند خون در بیماران مبتلا به دیابت نوع یک با استفاده از روش های هوشمند”، پایان نامه کارشناسی ارشد رشته مهندسی پزشکی- گرایش بیوالکتریک، ۱۳۸۵.