CC BY
13Физиологическая стоимость как фактор результативности умственной деятельности человека
Р. А. Зорин, М. М. Лапкин, Е. А. Трутнева, Ю. О. Митина
Physiological Costs Can Predict Effectiveness of Cognitive Activity
R. A. Zorin, M. M. Lapkin, E. A. Trutneva, Yu. O. Mitina
В соответствии с положениями системного подхода [1, 11] пространственно-временная организация целенаправленного поведения человека формируется на основе взаимосодействия всех его составляющих для достижения полезных приспособительных результатов. Важной характеристикой целенаправленного поведения является не только показатель его результативности, но и физиологическая стоимость [4, 8]. В связи с этим было сформулировано представление о том, что полезные приспособительные результаты поведенческой деятельности человека в качестве одного из параметров должны включать затраты организма при достижении этих результатов, в том числе метаболические [8].
Цель работы — выявление значения физиологической стоимости целенаправленной интеллектуальной деятельности человека в формировании неодинаковой ее результативности.
Задачи исследования:
1) изучить динамику показателей вегетативного обеспечения и энергозатрат (caloric cost — CC) организма во время целенаправленной интеллектуальной деятельности;
2) определить различия вегетативного обеспечения и СС у лиц с различной результативностью интеллектуальной деятельности;
3) выявить факторы, определяющие результативность целенаправленной интеллектуальной деятельности, на основе исследования вариабельности сердечного ритма (ВСР) и спирометаболографии при помощи технологии нейронных сетей.
Материал и методы
Обследованы 32 человека, из них 20 мужчин и 12 женщин. Средний возраст испытуемых составил 20,5 ± 1,23 года. Все обследуемые являлись студентами 4-го курса лечебного факультета. Обследование выполняли во внеучебное время.
Моделирование целенаправленной интеллектуальной деятельности проводили при помощи теста «Количественные отношения», предназначенного для оценки логического мышления. Обследуемым предлагалось решить 18 логических задач. В каждой из них имеются две логические посылки, в которых переменные, обозначаемые буквами, находятся в определенных количественных отношениях между собой. Опираясь на предъявленные логические посылки, необходимо было решить, в каком отношении находятся между собой переменные. Общее время для решения всех задач составляло 5 минут.
В исходном состоянии и во время выполнения теста у пациентов регистрировали ЭКГ с последующим анализом ВСР, а также спирометаболограмму.
Математический анализ ритма сердца проводили при помощи программно-аппаратного комплекса «Варикард
2.4» («Институт внедрения новых медицинских технологий «Рамена», Россия) и программы ISCIM (версия 6.1). Регистрацию ЭКГ осуществляли в положении испытуемых сидя во II стандартном отведении в течение 5 минут с последующим анализом записи на наличие артефактов и распознаванием зубцов R. При анализе кардиоинтервалограммы использовали алгоритмы обработки динамического ряда кардиосигнала, предложенные Р. М. Баевским [2], с определением частоты сердечных сокращений (ЧСС), среднего квадратичного отклонения (СКО), индекса напряжения (или стресс-индекса — Stress Index, SI), а также мощности спектра колебаний интервалов RR в диапазоне дыхательных движений, которые составляли высокочастотные колебания (high frequency — HF), низкочастотные колебания (Low frequency — LF), очень низкочастотные колебания (very low frequency — VLF). Регистрацию спирометаболограммы и CC организма проводили при помощи метаболического анализатора FitmateMed (Cosmed, Италия) путем непрямой калориметрии на основе потребления кислорода. Оценивали следующие параметры: потребление кислорода (мл/мин), частоту дыхания (ЧД), легочную вентиляцию (л/мин) за каждые 30 секунд записи и CC.
Обработку полученных данных выполняли при помощи пакета программ Statistica 6.0. Учитывая малый размер выборки, сравнительный анализ подгрупп проводили непараметрическими методами. При описании данных использовали средние значения (M), медиану (Me), нижний квартиль (lower quartile — LQ), верхний квартиль (upper quartile — UQ). При анализе различия между независимыми выборками (подгруппами) применяли критерий Манна — Уитни (U), а при сравнении зависимых выборок — критерий Вилкоксона (Z). Статистически значимыми считали различия при p < 0,05 [12].
Выборку разделяли на подгруппы методом кластерного анализа. Количество кластеров определяли при помощи процедуры объединения (древовидной кластеризации). Методом k-средних для установленного количества кластеров определяли их параметры, а также принадлежность индивидуума к тому или иному кластеру.
Построение и моделирование нейронных сетей выполняли при помощи программы Statistica Neural Networks 4.0. Создание и обучение нейронных сетей осуществляли в автоматическом режиме с определением входных переменных, типов нейронных сетей и их структуры.
Результаты
При оценке результатов целенаправленной интеллектуальной деятельности в виде выполнения теста «Количественные отношения» методом кластерного анализа вся выборка была разделена на две подгруппы на осно-
вании числа правильных ответов. Первый кластер включал 15 человек, второй кластер — 17 человек. На рисунке 1 представлены графики количества верных ответов в двух кластерах испытуемых.
По показателям выполнения теста «Количественные отношения» в данных кластерах определяются статистически значимые различия результативности целенаправленной деятельности, при этом кластер 1 можно обозначить как высокорезультативный, а кластер 2 — как низкорезультативный (табл. 1).
В таблице 2 представлена динамика основных показателей вегетативного обеспечения деятельности и данных спироме-таболографии в ходе выполнения интеллектуальной работы в группе испытуемых в целом. Значительная часть показателей, в том числе СС, ЧД, ЧСС, SI, обнаруживает статистически значимые изменения при целенаправленной деятельности.
Одной из основных задач являлось изучение физиологических механизмов различия между кластерами, в частности вегетативного и энергетического обеспечения целенаправленной деятельности.
В таблице 3 приведены различия между кластерами по основным показателям ВСР и спирометаболографии в исход-
Таблица 1
Показатели выполнения теста «Количественные отношения» в кластерах
Показатели Кластер 1, п = 15 Кластер 2, п = 17 U P
M Me LQ UQ M Me LQ UQ
Число верных ответов 16,7 17,0 16,0 18,0 9,3 10,0 8,0 10,2 4,6 0,001
Процент верных ответов 92,7 94,4 88,9 99,9 51,7 55,5 44,4 56,8 4,6 0,001
от максимума
Таблица 2
Динамика показателей вариабельности сердечного ритма и спирометаболографии во время интеллектуальной
нагрузки в общей группе испытуемых, п = 32
Показатели Исходное состояние Во время интеллектуальной Z P
нагрузки
M Me LQ UQ M Me LQ UQ
СС, ккал/сут 2079 2084 1910 2195 2154 2174 1920 2458 2,4 0,016
ЧД, в минуту 14,4 14,6 12,5 16,1 16,0 15,9 13,7 18,7 3,4 0,001
ЧСС, в минуту 71,2 69,9 66,1 76,5 84,4 84,8 75,2 92,3 4,9 0,001
СКО, мс 60,3 57,4 40,4 73,2 55,7 51,1 42,3 64,5 1,4 0,152
SI, ед. 141,7 62,2 42,6 105,8 157,1 104,2 81,6 174,0 2,6 0,01
Примечание. СКО — среднее квадратичное отклонение; ЧД — частота дыхания; ЧСС — частота сердечных сокращений; СС — энергетические затраты; SI — стресс-индекс (индекс напряжения).
Исходные показатели вариабельности сердечного ритма в кластерах Таблица 3
Показатели Кластер 1, п = 15 Кластер 2, п = 17 Z P
Mean Me LQ UQ Mean Me LQ UQ
ЧСС, в минуту 75,2 75,1 68,6 81,8 68,3 69,2 63,8 75,9 1,3 0,203
СКО, мс 58,5 59,8 41,6 66,9 52,6 53,5 39,6 70,2 0,7 0,483
SI, ед. 116,9 59,1 49,6 98,2 171,9 69,1 38,6 106,0 0,3 0,792
Н^ мс2 1545,3 1526,8 1141,9 1950,5 1290,4 918,8 492,1 2174,5 0,7 0,483
LF, мс2 1163,9 636,0 446,4 1614,4 1256,4 1028,0 450,4 1589,7 -0,1 0,930
VLF, мс2 444,3 341,7 204,8 399,6 264,4 245,6 117,6 414,4 1,4 0,160
Примечание. СКО — среднее квадратичное отклонение; ЧСС — частота сердечных сокращений; HF — высокочастотные колебания; LF — низкочастотные колебания; SI — стресс-индекс (индекс напряжения); VLF — очень низкочастотные колебания.
Рис. 1. Результативность целенаправленной деятельности по количеству верных ответов на вопросы теста «Количественные отношения» в кластерах
ном состоянии. Статистически значимых различий между подгруппами по исходным показателям вегетативного обеспечения (ВСР) не обнаружено.
В таблице 4 представлены показатели ВСР в подгруппах испытуемых во время моделирования целенаправленной деятельности (интеллектуальной нагрузки). Определяются статистически значимые отличия подгруппы высокорезультативных испытуемых: более высокие ЧСС, SI, а также более низкое значение СКО.
В таблице 5 приведены показатели спирометабологра-фии в кластерах. Как следует из таблицы, при данном размере выборки статистически значимых различий по показателю СС между подгруппами высоко- и низкорезультативных испытуемых обнаружено не было; кластеры различаются по показателю ЧД при интеллектуальной нагрузке, который оказался статистически значимо выше в подгруппе низкорезультативных испытуемых.
В связи с тем, что физиологические параметры, как правило, находятся в сложных нелинейных взаимоотношениях, для определения факторов, определяющих отношение индивидуума к определенной подгруппе, нами была применена технология нейронных сетей. Данная технология может быть использована для прогнозирования результативности целенаправленной деятельности, однако при этом, помимо показателей вегетативного обеспечения и СС, должны быть учтены нейрофизиологические и психометрические параметры.
В качестве входных переменных при построении нейронных сетей были заданы параметры ВСР в исходном состоянии и во время интеллектуальной нагрузки, а также показатели спирометаболографии в данных функциональных состояниях (всего 20 параметров). В качестве выходного параметра был определен номер кластера (№ 1 — высокорезультативный,
Таблица 4 Показатели вариабельности сердечного ритма в кластерах во время выполнения теста «Количественные отношения»
Показатели Кластер 1, n = 15 Кластер 2, n = 17 Z P
M Me LQ UQ M Me LQ UQ
ЧСС, в минуту 89,4 91,3 84,7 97,7 82,2 77,8 74,4 90,3 1,9 0,048
СКО, мс 45,8 45,7 37,5 53,1 56,3 53,9 49,1 66,7 -1,9 0,049
SI, ед. 173,6 138,9 104,7 224,4 148,0 90,7 48,6 117,1 2,1 0,035
HF, мс2 680,0 612,2 418,1 685,0 940,2 609,3 478,2 1179,5 -0,9 0,357
LF, мс2 678,5 808,2 524,9 888,0 968,0 867,4 484,0 1068,0 -0,7 0,456
VLF, мс2 343,5 268,8 192,9 358,7 412,3 351,7 104,7 737,6 -0,2 0,826
Примечание. СКО — среднее квадратичное отклонение; ЧСС — частота сердечных сокращений; HF — высокочастотные колебания; LF — низкочастотные колебания; SI — стресс-индекс (индекс напряжения); VLF — очень низкочастотные колебания.
П оказатели спирометаболографии в кластерах Таблица 5
Показатели Кластер 1, n = 15 Кластер 2, n = 17 Z P
M Me LQ UQ M Me LQ UQ
СС в исходном состоянии, ккал/сут 2081 2080 1984 2241 2070 2084 1754 2195 0,2 0,860
ЧД в исходном состоянии, в минуту 14,9 15,1 12,1 16,1 14,7 14,2 13,9 16,8 -0,4 0,677
СС во время интеллектуальной нагрузки, ккал 2089 2122 1991 2458 2191 2244 1760 2468 -0,6 0,568
ЧД во время интеллектуальной нагрузки, в минуту 14,6 14,1 11,6 17,0 17,1 17,4 14,5 19,1 -1,9 0,048
Примечание. ЧД — частота дыхания; СС — энергетические затраты.
№ 2 — низкорезультативный). Выбор типа нейронных сетей, а также входных переменных, определяющих оптимальное решение задачи классификации, осуществлялся программой Statistica Neural Networks 4.0 в автоматическом режиме.
В результате было получено 10 нейронных сетей с оптимальными характеристикам (табл. 6).
В качестве нейронной сети с оптимальным соотношением производительности и величины ошибки была выбрана нейронная сеть № 9. Данная сеть представляла собой многослойный персептрон с 6 входными, 4 промежуточными и 1 выходным нейроном (рис. 2).
В качестве входных параметров программа определила: ЧСС в исходном состоянии, VLF в исходном состоянии, три показателя (СКО, SI, ЧД) во время интеллектуальной нагрузки, а также CC в исходном состоянии.
Рис. 2. Нейронная сеть, используемая для решения задачи классификации испытуемых
Примечание. Linear — линейные нейронные сети; MLP — многослойный персептрон; RBF — нейронные сети, построенные на радиальных базисных функциях.
Набор нейронных сетей с оптимальными характеристиками Таблица 6
№ Тип нейронной сети Ошибка Количество входных элементов Количество скрытых элементов Производительность
1 Linear 1,042 10 - 0,429
2 Linear 1,038 12 - 0,571
3 Linear 1,017 9 - 0,429
4 RBF 0,685 10 2 0,714
5 MLP 0,517 4 1 0,867
6 RBF 0,504 10 1 0,714
7 RBF 0,469 10 1 0,714
8 MLP 0,434 7 6 0,714
9 MLP 0,427 6 4 0,571
10 MLP 0,325 16 6 0,429
Таблица 7
Показатели работы нейронной сети при решении задачи классификации
Решение задачи классифи- Количество испытуемых
кации обучающая выборка тестирующая выборка верифицирующая выборка
кластер 1 кластер 2 кластер 1 кластер 2 кластер 1 кластер 2
Всего 8 7 1 6 64
Правильное 6 5 0 4 64
Неправильное 2 2 1 2 00
Неопределенное 0 0 0
Важно, что построенная нейронная сеть показала удовлетворительные результаты в решении задачи классификации: в верифицирующей выборке (10 случаев) ни одной ошибки допущено не было (табл. 7).
Обсуждение результатов Роль стрессреализующих механизмов в обеспечении целенаправленной интеллектуальной деятельности показана в ряде работ [3, 6]. Выявленные нами особенности динамики показателей ВСР и СС, а также более высокий уровень активности симпатического отдела автономной нервной системы (по показателям ЧСС, SI, СКО) во время целенаправленной деятельности в высокорезультативной подгруппе могут отражать значимость высокого уровня активности стрессреализующих механизмов в достижении результата целенаправленной деятельности. Вместе с тем показано, что описание системной деятельности требует анализа сложных нелинейных взаимоотношений между отдельными ее характеристиками [5]. В связи с этим для изучения данных взаимосвязей и их влияния на результативность деятельности нами были использованы методы исследования, альтернативные «классическим» статистическим методам, в частности технология нейронных сетей [7, 9]. Выделенная нейронная сеть представляла собой многослойный персептрон, одной из характеристик которого является высокая эффективность в решении задачи классификации [7, 10]. В качестве факторов (предикторов), определяющих разделение группы исследуемых на высоко- и низкорезультативные подгруппы, программой Statistica Neural Networks 4.0 были выделены как показатели ВСР, характеризующие вегетативное обеспечение деятельности, так и показатели СС
в исходном состоянии (состоянии готовности к деятельности) и ЧД во время интеллектуальной нагрузки. Значимость данных факторов в прогнозировании результативности интеллектуальной деятельности подтверждается результатами обучения и работы нейронной сети даже при небольшом объеме обучающей выборки, а также при отсутствии во входных данных нейрофизиологических и психометрических коррелятов интеллектуальной деятельности.
Выводы
Целенаправленная интеллектуальная деятельность сопровождается активацией стрессреализующих систем и увеличением СС организма.
Анализ различий между высоко- и низкорезультативной подгруппами испытуемых выявляет более высокий уровень стрессреализующих систем в подгруппе высокорезультативных лиц.
Предикторами результативности целенаправленной интеллектуальной деятельности являются как показатели ВСР, так и данные спирометаболографии.
Заключение
В данной работе представлены фрагменты исследования по изучению факторов, которые определяют результативность целенаправленной интеллектуальной деятельности у практически здоровых людей. Показатели вегетативного обеспечения целенаправленной деятельности и энергозатрат организма являются одними из предикторов, определяющих эффективность интеллектуальной деятельности, при этом их значимость подтверждается при применении технологий обработки информации, альтернативных «классическим» статистическим методам исследования, в частности
при использовании нейронных сетей. Можно предполагать, что уровень энергозатрат, оцененный в исходном состоянии и во время выполнения целенаправленной деятельности, является одним из факторов, определяющих физиологиче-
ские резервы, необходимые для реабилитационного процесса. Спирометаболография может являться важным методом, позволяющим прогнозировать эффективность реабилитации пациентов.
Резюме
Цель исследования: выявление значения физиологической стоимости целенаправленной интеллектуальной деятельности человека в формировании неодинаковой ее результативности. Дизайн: экспериментальное рандомизированное исследование.
Материал и методы. У 32 практически здоровых испытуемых (средних возраст — 20,5 ± 1,23 года) исследованы показатели вариабельности сердечного ритма и спирометаболографии в исходном состоянии и при выполнении теста «Количественные отношения». На основании результатов теста методом кластерного анализа выделены подгруппы высокорезультативных и низкорезультативных лиц. Результаты. Определена статистически значимая динамика энергозатрат (CC), частоты дыхания (ЧД), частоты сердечных сокращений (ЧСС) и стресс-индекса (SI) во время интеллектуальной нагрузки. Обнаружены статистически значимые отличия высокорезультативной подгруппы по показателям физиологического обеспечения целенаправленной деятельности: более высокие значения ЧСС, SI и более низкое среднее квадратичное отклонение (СКО). При помощи технологии нейронных сетей в качестве факторов, определяющих результативность целенаправленной интеллектуальной деятельности, выделены исходные показатели CC, ЧСС, мощности очень низкочастотных колебаний и оцениваемые при интеллектуальной нагрузке СКО, SI, ЧД.
Заключение. Показатели вегетативного обеспечения целенаправленной деятельности и CC организма — одни из предикторов эффективности интеллектуальной деятельности; их значимость подтверждается при применении технологии нейронных сетей. Можно предполагать, что уровень CC, оцененный в исходном состоянии и во время целенаправленной деятельности, — один из факторов, определяющих физиологические резервы, необходимые для реабилитации. Спирометаболография может быть важным методом прогнозирования эффективности реабилитационного процесса.
Ключевые слова: вариабельность сердечного ритма (ВСР), энергетические затраты (CC), физиологическая стоимость, нейронные сети, результативность деятельности.
Summary
Study Objective: To explore the relationship between the outcomes of task-oriented cognitive activity and their physiological costs in humans. Study Design: This was an experimental randomized study.
Materials and Methods: Heart rate variability, spirometric parameters, and basal metabolism measurements were assessed in 32 apparently healthy subjects (mean age, 20.5 ± 1.23) before and after a quantitative relationship test. A cluster analysis was performed to identify groups of good and poor performers.
Results: This study showed that cognitive activity was associated with statistically significant changes in caloric costs (CC), respiratory rate (RR), heart rate (HR), and stress index (SI). In good performers, specific characteristics of the underlying physiological processes were statistically significantly different from those in poor performers. Subjects who showed better test results had higher HR and SI, but lower root-mean-square deviation (RMSD). A neural network method was used to identify factors influencing the outcomes of task-oriented cognitive activity. These included baseline CC, HR, and power of very low-frequency component as well as RMSD, SI, and RR during task performance. Conclusion: Among other indicators, parameters of the autonomic-nervous-system response to task-oriented cognitive activities and CC can predict the effectiveness of these activities. The role of these factors was confirmed by experiments based on a neural network method. These results suggest that CC at baseline and during task performance is one of parameters that characterize physiological reserves required for rehabilitation. Thus, spirometry combined with basal metabolism measurement may provide valuable data that can be used to predict the outcomes of rehabilitation programs.
Keywords: heart rate variability (HRV), caloric costs (CC), physiological costs, neural networks, performance outcomes.
Литература
1. Анохин П. К. Кибернетика функциональных систем: Избр. труды. М.: Медицина, 1998. 397 с.
2. Баевский Р. М. Анализ вариабельности сердечного ритма при использовании различных электрокардиографических систем: Метод. рекомендации // Вестн. аритмологии. 2001. № 24. С. 65-86.
3. Булатецкий С. В. Корреляционные взаимосвязи спектральных параметров ритма сердца при проведении психоэмоциональной пробы у лиц с различным уровнем интеллекта / С. В. Булатецкий, Ю. Ю. Бяловский // Вестн. новых мед. технологий. 2003. Т. 10. № 1-2. С. 20-22.
4. Бяловский Ю. Ю. Подкрепляющая функция дополнительного респираторного сопротивления // Актуальные проблемы клинической и экспериментальной патологии / Под ред. Ю. Ю. Бя-ловского. Рязань: изд-во РязГМУ, 2008. С. 33-37.
5. Жаднов В. А. Системные основы синдромообразования в неврологии на примере эпилепсии / В. А. Жаднов, М. М. Лапкин, А. С. Стариков // Вестн. новых мед. технологий. 2002. Т. 9. № 1. С. 40-44.
6. Карасёв Р. П. Соотношение психодинамических характеристик и показателей функциональной латерализации в системной
организации целенаправленного поведения человека при различных уровнях психоэмоционального напряжения: Автореф. дис. ... канд. мед. наук. Рязань, 2009. 14 с.
7. Круглов В. В. Искусственные нейронные сети. Теория и практика / В. В. Круглов, В. В. Борисов. М.: Горячая линия — Телеком, 2001. 382 с.
8. Лапкин М. М. Индивидуальные особенности животных и человека в системной организации целенаправленного поведения // VI Павловские научные чтения, посвященные 160-летию со дня рождения И. П. Павлова: Доклады. Рязань: изд-во РязГМУ, 2009. С. 21-39.
9. Нейронные сети. Statistica Neural Networks: методология и технология современного анализа данных / Под ред. В. П. Боровикова. 2-е изд., перераб. и доп. М.: Горячая линия — Телеком, 2008. 392 с.
10. Рутковская Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, Л. Рут-ковская. М.: Горячая линия — Телеком, 2006. 452 с.
11. Судаков К. В. Системные механизмы эмоционального стресса / К. В. Судаков, П. Е. Умрюхин. М.: ГЭОТАР-Медиа, 2007. 112 с.
12. Халафян А. А. Statistica 6. Статистический анализ данных: Учебник. М.: Бином-Пресс, 2007. 512 с. ■
