Везде
Нелинейный анализ вариабельности сердечного ритма: возможности использования в психологических исследованиях
Оглавление
Аннотация Оценить Содержание публикации
Библиография Комментарии
Поделиться
QR
Метрика
Нелинейный анализ вариабельности сердечного ритма: возможности использования в психологических исследованиях
Аннотация
Код статьи
S020595920019415-2-1
DOI
10.31857/S020595920019415-2
Тип публикации
Статья
Статус публикации
Опубликовано
Авторы
Бахчина А. В. 
Должность: научный сотрудник лаборатории психофизиологии им. В.Б. Швыркова ФГБУН Института психологии РАН; научный сотрудник лаборатории психофизиологической диагностики функциональных состояний Нижегородского государственного университета им. Н.И. Лобачевского
Аффилиация:
ФГБУН Институт психологии РАН
ФГАОУ высшего образования “Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского”
Адрес: Российская Федерация, Москва
Выпуск
Том 43 № 2
Страницы
96-104
Аннотация

Вопрос о закономерностях и принципах взаимосодействия физиологических процессов (мозговых и, в целом, общеорганизменных) при реализации поведения является актуальным для психологии и ее предметной области — психофизиологии. Методика измерения вариабельности сердечного ритма относительно проста в применении и неинвазивна, а потому подходит для использования в экспериментах с участием людей. Благодаря этим особенностям методики количество психофизиологических исследований с применением анализа вариабельности сердечного ритма выросло в несколько раз за последние два десятилетия. В опубликованной литературе описаны стандарты и рекомендации по использованию данной методики. Однако необходимо учитывать, что при изучении индивида в свободном поведении, а не в предписанном клиническими стандартами покое, в анализе вариабельности сердечного ритма возникает ряд особенностей, требующих поправок в интерпретациях. Задачей статьи является обзор современных методов анализа вариабельности сердечного ритма, их возможностей и ограничений при использовании в психологических (в том числе социально − психологических) и психофизиологических исследованиях. Описаны особенности нелинейных методов, обусловливающие эффективность их применения. Обсуждается, что современные алгоритмы анализа нелинейной динамики качественно дополняют традиционные стандарты измерения и интерпретации вариабельности сердечного ритма в применении к актуальным задачам психологии в исследованиях различных аспектов поведения. Данная работа призвана помочь исследователям, планирующим использовать анализ вариабельности сердечного ритма в психологических исследованиях.

Ключевые слова
вариабельность сердечного ритма, нелинейная динамика, энтропия, фрактальность, нейровисцеральные взаимодействия, системно-эволюционный подход
Источник финансирования
вариабельность сердечного ритма, нелинейная динамика, энтропия, фрактальность, нейровисцеральные взаимодействия, системно-эволюционный подход
Классификатор
Получено
06.08.2021
Дата публикации
11.05.2022
Всего подписок
11
Всего просмотров
305
Оценка читателей
0.0 (0 голосов)
Цитировать Скачать pdf
1 Начиная со второй половины 20 века анализ вариабельности сердечного ритма (ВСР) закрепился как объективный метод оценки функционального состояния человека. По показателям ВСР в первую очередь определяли статус вегетативной регуляции сердечного ритма (СР). Легкая в применении и устойчивая к артефактам методика получила распространение в исследованиях спортивной и космической медицины, в задачах контроля функционального состояния человека-оператора, в оценке вегетативного обеспечения эмоциональных и когнитивных аспектов поведения [4].
2 Вместе с частотой применения измерения ВСР за последние два десятилетия выросло и количество математических подходов к описанию ВСР. Традиционно используются два подхода: статистический и частотный. На их основе сформировалась классическая база интерпретации ВСР в физиолого-медицинских исследованиях [39]. При переносе методики в область психологии было показано, что более информативными оказываются метрики из области нелинейной динамики: энтропийные оценки временной последовательности, фрактальные размерности, геометрические характеристики распределений интервалов между ударами сердца в пространствах разной размерности [32]. Это связано с тем, что динамика СР индивида в покое, в относительно стационарном состоянии, как ее рекомендовано измерять в физиологических и медицинских исследованиях, и динамика СР в свободном поведении, которое характеризуется частой сменой поведенческих актов, имеют специфику. У индивида в покое в динамике СР обычно наблюдаются периодические компоненты, а также четко выражена дыхательная аритмия, тогда как в свободном поведении динамика СР становится менее периодической и более комплексной. В первой части работы проанализированы особенности (преимущества и ограничения) разных параметров нелинейной динамики ВСР в отличие от классических статистических и спектральных показателей.
3 С позиций системной психофизиологии любой физиологический процесс и регуляция СР вегетативной нервной системой, в частности, является процессом адаптации. Активность сердца варьирует для согласования с активностью других распределенных элементов актуализированных функциональных систем [2]. В этом смысле показатели ВСР могут быть использованы как индикаторы изменения набора актуализированных функциональных систем, обеспечивающих реализацию изучаемого поведения. Во второй части статьи проведен обзор результатов применения анализа нелинейной динамики ВСР в психологических исследованиях, которые показывают, что методы оценки нелинейной динамики ритма сердца позволяют классифицировать внешне сходные поведение и решаемые субъектом задачи, по имеющимся у них различиям в структуре актуализированного индивидуального опыта.
4

ПАРАМЕТРЫ НЕЛИНЕЙНОЙ ДИНАМИКИ ДЛЯ ОЦЕНКИ ВАРИАБЕЛЬНОСТИ СЕРДЕЧНОГО РИТМА
5 На данный момент принято выделять три математических подхода к анализу ВСР, которые исторически появились в следующем порядке: 1) статистические показатели, 2) спектральные показатели, 3) показатели нелинейной динамики. Как продемонстрировано во многих работах, различные показатели ВСР, будучи производными от одного сигнала, коррелируют друг с другом [21; 23], однако корреляции между показателями не сохраняются постоянными на всем диапазоне их значений. Каждый из математических подходов к анализу ВСР направлен на выделение разных аспектов изучаемого сигнала. Современное развитие методов анализа ВСР связано с исследованиями динамики нелинейных и автономных систем, фрактальности как свойства живых систем, теории сложности, теории хаоса [17].
6 В отличие от статистических параметров ВСР, которые отражают общую вариативность данных, характеризуя распределения RR-интервалов (интервалов времени между соседними ударами сердца), методы нелинейной динамики учитывают временну́ю структуру рассматриваемой последовательности. В связи с этим последовательности, имеющие схожие характеристики распределений и соответственно статистические показатели ВСР, могут различаться по структуре временно́й динамики. В таких ситуациях сравниваемые состояния индивида невозможно различить по оценкам среднего и отклонений распределения RR-интервалов, однако нелинейный анализ последовательностей RR-интервалов позволяет выявить специфику. Например, ассоциированные с диабетом кардиальные нейропатии проявляются в достоверных сдвигах энтропийных метрик СР и не могут быть идентифицированы через анализ статистических показателей ВСР [10].
7 Методы нелинейной динамики не используют заранее заданных паттернов и функций при анализе структуры последовательности в отличие от методов спектрального анализа (Фурье преобразование, периодограммы, вейвлет-анализ). Как правило, методы спектрального анализа не адаптированы для оценки коротких и нестационарных сигналов, что сильно ограничивает их использование в анализе СР, регистрируемого в свободном поведении индивида. Спектральный анализ направлен на определение периодических компонент в сигнале и не отражает нестационарные изменения в динамике. Однако последовательности со схожей спектральной структурой могут иметь различия в параметрах нелинейной динамики. Например, в случаях неонатального сепсиса показатели аппроксимированной энтропии демонстрировали достоверный сдвиг раньше других индексов [19].
8 Еще одним достоинством параметров нелинейно динамики ВСР является то, что большинство из них оказываются относительно более устойчивыми, чем статистические и спектральные показатели, к контролируемо добавляемым в сигнал артефактам и шумам [41], которые часто встречаются в последовательностях RR-интервалов, получаемых в свободном поведении индивида.
9 Таким образом, классические статистические и спектральные показатели, которые продемонстрировали свою информативность в клинической диагностике донозологических состояний [4], не отражают важные свойства динамики СР, связанные с разномасштабной организацией и нестационарными изменениями. Иными словами, они ограничены в оценке всей сложности рассматриваемого сигнала.
10 С момента стандартизации правил анализа ВСР в клинике и в исследованиях, которые были опубликованы в руководстве 1996 года [24], накопленные результаты использования методов нелинейной динамики в оценке ВСР стали доступны к сопоставлению и обобщению, однако на данный момент они не получили всесторонней интерпретации. Кроме того, использование новых показателей ВСР, характеризующих его нелинейную динамику, на данный момент затруднено из-за практических проблем (отсутствие стандартизированных диапазонов значений, регламентированных алгоритмов и переменных расчета). При этом, стоит отметить, что расширяющееся применение методов нелинейной динамики в медицине и физиологии выдвинуло на первый план понятие сложности изучаемой системы, развиваемое в математических концепциях теории хаоса и дающее возможность предложить более холистичное понимание ВСР. Такой системный подход к ВСР может оказаться более продуктивным, чем традиционные измерения во временно́й и частотной областях, которые интерпретируются в основном упрощенно в терминах вегетативной регуляции [28].
11 Среди методов нелинейной динамики выделяют две основные группы показателей: оценки фрактальности и оценки энтропии временной последовательности RR-интервалов.
12 Оценки фрактальной размерности позволяют определять степень самоподобия, повторяемости паттернов внутри временной последовательности. На данный момент фрактальный анализ является наиболее проработанным методом оценки характеристик зашумленных и нестационарных временных последовательностей. Такие последовательности типичны для самоорганизующихся систем, поведение которых находится между непредсказуемой случайностью и строго предсказуемой детерминированностью. В контексте ВСР фрактальные оценки отражают различия флуктуаций активности сердца на разных интервалах времени [31]. Соответственно, низкие степени самоподобия на разных интервалах рассмотрения означают бо́льшую случайность, сниженные адаптивность и пластичность системы. Таким образом, оценки фрактальности ВСР могут быть информативными в клинических исследованиях. Например, в предсказании смертельноопасных сердечно-сосудистых нарушений [31; 38]. Однако на данный момент требуются дополнительные исследования для тестирования предлагаемых порогов и прогностических маркеров [38].
13 Корреляционная размерность (correlation dimension) – широко распространенный алгоритм оценки фрактальной размерности [19]. Корреляционная размерность отражает, как изменяются паттерны динамики в зависимости от интервала времени, в рамках которого они измеряются. В случае с ВСР корреляционная размерность отражает количество динамических переменных, необходимых и достаточных для определения и описания системы, формирующей рассматриваемую последовательность RR-интервалов. Более высокая корреляционная размерность связана с большей сложностью динамики СР. Например, в группе здоровых людей оценки корреляционной размерности СР достоверно выше, чем в группах с различными сердечно-сосудистыми отклонениями [19].
14 В последние годы алгоритм DFA (detrended fluctuation analyses) стал еще одним распространенным методом фрактального анализа, который аналогичным образом оценивает внутреннюю согласованность сигнала (степень его непредсказуемости) [29]. Алгоритм DFA позволяет вычислить корреляции между последовательными RR-интервалами в периоды времени разного масштаба. Как правило для анализа используются записи длительностью в несколько часов. При вычислении DFA исключаются какие-либо виды нестационарности в сердечных временных рядах, и, следовательно, любые ложные корреляции из-за артефактов нивелируются, что дает преимущество перед другими фрактальными методами [30; 15]. Например, через три месяца после осложненных родов у женщин наблюдалась нормализация состояния, что было видно по показателям DFA, в отличие от других (спектральных и статистических) методов анализа ВСР [45]. По показателям DFA и других нелинейных методов анализа ВСР удается классифицировать периоды, когда человек слышит эмоциональные звуки разной валентности (“позитивные” и “негативности”) с точностью до 85% [27].
15 Существует ряд других алгоритмов для оценки фрактальности, предложенных для анализа ВСР: размерность Хигучи, экспонента Ляпунова и пр. Данные алгоритмы применяются в исследованиях патологических и около-патологических состояний, поскольку их использование в психологических исследованиях затруднено требованиями к длительности анализируемых последовательностей. Как правило, для использования этих процедур требуется последовательность RR–интервалов длительностью минимум 1000 точек (примерно 15 минут), поэтому в основном их применяют для анализа суточных записей.
16 Энтропийные оценки динамики отражают нерегулярность, нестационарность паттернов внутри последовательности.
17 Аппроксимированная энтропия (ApEn) была первой предложена S.M. Pincus для анализа нерегулярности СР и других физиологических сигналов [33]. Выборочная энтропия (SampEn) стала развитием алгоритма ApEn [36], предназначенным для снижения переоценки регулярности и усиления согласованности оценок при анализе последовательностей разной длительности [19]. Однако важным отличием между двумя алгоритмами является то, что ApEn позволяет оценить регулярность на основе коротких временных фрагментов, тогда как на основе SampEn оценивается весь временной ряд [13]. В связи с этим принято считать, что ApEn лучше подходит для оценки краткосрочных изменений ВСР, чем SampEn, которая чаще используется в качестве глобального индекса вариабельности [18]. В интерпретации результатов расчета ApEn и SampEn нерегулярность часто отождествляется со сложностью. Однако взаимосвязь между этими свойствами сигнала нелинейная, и потому между ними нельзя ставить знак прямой пропорции на всем диапазоне значений [12]. В итоге, ApEn и SampEn при некоторых патологических синдромах неверно интерпретируют случайность в динамике ВСР как высокую сложность последовательности [11]. Для того, чтобы точнее оценивать именно сложность динамики СР, отделяя ее от нерегулярности, связанной со случайным компонентом, был предложен алгоритм мультимасштабной энтропии (multiscale entropy — MSE) [11]. MSE включает оценку нерегулярности последовательности на разных масштабах времени и позволяет, например, определить сниженную сложность динамики СР при таких сердечно-сосудистых патологиях (например, фибрилляция предсердий), при которых наблюдается высокая случайность в динамике СР. Поскольку расчет MSE не может быть произведен на таких же коротких интервалах измерения СР как SampEn, в последнее время разрабатываются разного рода модификации MSE (refined MSE и refined composite MSE [44]) для снижения требований к длине анализируемой последовательности. В некоторых работах уже апробировали новые подходы к анализу ВСР. Например, при оценке рисков для здоровья у людей с лишним весом [8], для маркирования эпизодов остановки дыхания во время сна [35] и пр. В исследованиях, проведенных в рамках клинической психологии, показано, что характеристики мультимасштабной энтропии достоверно снижаются у пациентов с депрессивными расстройствами [37; 22], отрицательно коррелируя с тяжестью наблюдаемого синдрома [20]. Такие же эффекты наблюдаются и при тревожных расстройствах [14], таких как общее тревожное расстройство, социальное тревожное расстройство, паническое расстройство и посттравматическое стрессовое расстройство [42].
18 Таким образом, энтропийный анализ ВСР активно развивается, создаются новые алгоритмы, которые имеют преимущества по сравнению с традиционными. С 2010 года был предложен ряд энтропийных оценок в анализе ВСР: энтропия Лэмпеля [8], перестановочная энтропия как непараметрическая процедура [35], энтропия Реная [10]. Все перечисленные алгоритмы были апробированы в клинической практике и показали свою эффективность. Данные алгоритмы пока не получили такого широкого распространения, как ApEn и SampEn из-за ограничений на минимально достаточную длину последовательности. Оценка воспроизводимости результатов исследований и формирование обоснованной интерпретации этих показателей на данный момент затруднены из-за отсутствия единых стандартов для энтропийного анализа ВСР [25]. Однако это является актуальной задачей для исследований ближайшего будущего.
19

НЕЛИНЕЙНАЯ ДИНАМИКА СЕРДЕЧНОГО РИТМА И СИСТЕМНАЯ ОРГАНИЗАЦИЯ ПОВЕДЕНИЯ
20 Для объяснения механизмов формирования ВСР сейчас чаще всего применяется концепция уровневой иерархической основы нейровисцеральной интеграции [40]. Основываясь на исследованиях функциональной анатомии, описываются восемь уровней организации нервной системы, которые включены в регуляцию активности сердца и, соответственно, формирование ВСР: 1) внутрикардиальная иннервация; 2) барорефлекторные процессы внутри сердечно-сосудистой системы; 3) координация между внутренними органами на уровне ядер ствола мозга; 4) координация с мышечной и эндокринной активностью на уровне ядер гипоталамуса; 5) координация с внешней средой на уровне нейронов амигдалы; 6) координация с восприятием текущего состояния субъекта на уровне областей коры (медиальная префронтальная кора, цингулярная кора); 7) координация с восприятием внешней среды на основе предыдущего опыта; 8) координация в соответствии с текущими целями поведения. Следует отметить, что данная концепция является попыткой обосновать включенность активности сердца в организацию поведения субъекта, и потому часто используется для интерпретации результатов анализа ВСР в психологических исследованиях.
21 Однако, данная концепция имеет ряд ограничений. Во-первых, в основном авторы оперируют результатами работ, в которых ВСР сопоставляется с данными компьютерной магнитно-резонансной томографии мозга (фМРТ). Для характеристики ВСР используется по большей части только показатель мощности высокочастотных колебаний в спектре RR-интервалов (HF). Кроме того, выделение уровней координации не имеет строго обоснованного единого критерия. Фактически, если первые 5 уровней разделяются по анатомо-функциональному критерию, то 6, 7 и 8 уровни, имеющие единую нейрофизиологию, разделены без обоснований.
22 Динамика ВСР может быть объяснена с иных теоретических позиций, предполагающих учет различий в структуре поведения. В рамках системно-эволюционного подхода (см. подробнее в [2]) ВСР рассматривается как отражение включенности сердца в функциональные системы (ФС), обеспечивающие реализацию поведения. ВСР, таким образом, представляет собой постоянную “адаптацию” активности сердца к активности остальных компонентов актуализируемых общеорганизменных ФС в поведенческом континууме [7].
23 Системно-эволюционный подход предполагает рассматривать ВСР как результат более сложных и системных общеорганизменных процессов, чем классическое возбуждение и торможение ряда структур головного мозга (регуляторных центров). ВСР зависит от многих факторов: физиологических, психологических, средовых, генетических и пр., и является психофизиологическим феноменом, формируемым в целостной организации субъекта поведения [16]. Исходя из системных представлений об общеорганизменной организации субъекта поведения, можно заключить, что активность сердца варьирует для согласования с активностью других актуализированных ФС, обеспечивающих реализацию поведения. Такая непрерывная координация физиологически осуществляется за счет эфферентных и афферентных нервных волокон парасимпатической и симпатической вегетативной нервной системы. В филогенетическом ряду увеличиваются количество иннервирующих сердце нервов и плотность волокон в них [34], то есть наблюдается усложнение нейровисцеральной координации. Иными словами, активность сердца, включаясь как компонент в общеорганизменный процесс — поведение, оказывается связана с его базовыми характеристиками. К таким характеристикам можно отнести, например, домен индивидуального опыта (approach / withdrawal (приближение / отдаление)), “возраст” формирования и дифференцированность поведения. Эти и прочие аспекты поведения интенсивнее проявляются в нелинейных характеристиках динамики СР, чем в классических статистических и спектральных показателях.
24 Например, показано, что при реализации поведения, сформированного на относительно более ранних этапах развития (более “старого”), ВСР по показателям энтропии ниже, чем при реализации поведения, приобретенного на относительно более поздних этапах развития (более “нового”) [6]. При этом отсутствовали отличия ВСР по статистическим показателям. С позиций системно-эволюционного подхода такая динамика сложности СР объясняется разницей наборов ФС, актуализируемых для реализации поведения, сформированного на разных этапах индивидуального развития. ФС как элемент структуры индивидуального опыта фиксирована в специализации распределенной группы нейронов. Поскольку формирование новой ФС в процессе научения не вытесняет ранее сформированные ФС из уже имеющейся структуры индивидуального опыта, а новая ФС добавляется к ней, то развитие индивида проявляется как усложнение структуры индивидуального опыта за счет увеличения в ней ФС и связей между ними, обеспечивающих все более дифференцированное соотношение индивида со средой [2]. Поведение, сформированное на более поздних этапах развития, является, как правило, более дифференцированным соотношением организма со средой (более точным и детализированным) и обеспечивается сравнительно бо́льшим набором систем и межсистемных связей, чем поведение, сформированное на более ранних этапах развития. Это объясняет, почему при реализации поведения, сформированного на более ранних стадиях индивидуального развития, сложность динамики СР ниже, чем при реализации поведения, сформированного позднее в индивидуальном развитии. В связи с тем, что работа сердца зависит от цели поведения, эта работа может обеспечиваться активностью разных наборов центральных и периферических нейронов. ВСР зависит от базовых характеристик системной организации реализуемого поведения: чем более разнообразное поведение реализуется индивидом, тем большая ВСР при этом наблюдается. Напротив, в условиях отсутствия поведения (сон, наркоз, кома) или длительного повторения “одного и того же” простого поведения (монотония) наблюдается снижение ВСР или периодическая (упрощенная) структура изменений СР [35]. Ещё одним проявлением описанной закономерности являются эмпирические данные о том, что при обратимой системной дедифференциации (обратимом увеличении вклада более рано сформированных систем в обеспечение поведения [1]), индуцированной приемом алкоголя или острым стрессом, ожидаемо уменьшается сложность динамики СР (по показателям энтропии) [6].
25 Сходные эффекты были показаны и для социального поведения. Выявлено, что особенности принятия решения в социально-значимых ситуациях (при решении моральных дилемм) отражаются в динамике сложности СР (оценивалась по показателю перестановочной энтропии). При оценке моральных дилемм, среди альтернатив решений которых было нанесение вреда другому субъекту бездействием или нанесение вреда нескольким субъектам активным действием, участники демонстрировали более высокие значения энтропии сердечного ритма [3], чем при оценке моральных дилемм с другими более простыми альтернативами: нанесение вреда другому субъекту через контакт или бесконтактно. При этом различий ВСР по статистическим показателям не было обнаружено. Понимание косвенных причинно-следственных связей в социальном взаимодействии формируется в развитии позднее, чем понимание прямых связей. Сложные соотношения с окружающей средой, в том числе в социальных контекстах, требуют актуализации более дифференцированной структуры индивидуального опыта, включающей системы, формируемые относительно поздно в развитии, что отражается в более высокой сложности динамики СР.
26 Индивидуальные особенности (например, тип ментальности) также могут проявляться в динамике нелинейных показателей ВСР. При сравнении групп людей с аналитическим и холистическим типом ментальности было продемонстрировано, что сложность динамики СР, оцениваемая с помощью выборочной энтропии, была выше в аналитической группе, чем в холистической во время решения когнитивных задач, и не отличалась от холистической группы в состоянии покоя [5]. Важно подчеркнуть, что не наблюдалось межгрупповых различий по статистическим показателям ВСР. При этом в группе аналитиков наблюдались более длительное время ответа и более высокая сложность СР при оценке размеров объекта относительно фона (холистическая задача), чем при оценке его независимо от фона (аналитическая задача). В холистической группе не наблюдалось различий во времени ответа или сложности СР между этими задачами. Это означает, что различия в системной организации индивидуального поведения, связанные с холистическим и аналитическим типами ментальности, могут отражаться не только в активности мозга, как было многократно показано ранее с использованием методов фМРТ и ЭЭГ, но также и на уровне нейровисцеральной координации, что проявляется в динамике нелинейных показателей ВСР.
27

ЗАКЛЮЧЕНИЕ
28 На основе проведенного анализа можно сделать вывод о том, что современные алгоритмы анализа нелинейной динамики качественно дополняют традиционные стандарты измерения и интерпретации ВСР в применении к актуальным задачам психологии в исследованиях различных аспектов поведения. При этом использование методов нелинейной динамики в анализе ВСР оказывается эффективно для анализа и классификации состояний субъекта поведения с большей дискретностью [26]. Особенности поведения, не обнаруживаемые в статистических и спектральных показателях ВСР, проявляются в достоверных различиях в динамике нелинейных показателей. Дальнейшее развитие математических подходов для анализа нелинейной динамики СР предполагает формирование регламентированных процедур вычислений, определение характерных порогов диапазона “нормальных” значений и формирование общей системной интерпретации этих показателей.
29 На данный момент развитие методов анализа ВСР направлено также в область искусственного интеллекта [9]. Накопленные базы данных физиологических сигналов, в том числе активности сердца, позволяют применять алгоритмы машинного обучения для выделения еще более тонкой специфики в задачах классификации состояний и поведения человека. Кроме того, такие подходы позволяют оперировать еще более короткими последовательностями СР (10–30 сек), не ограничены требованием стационарности сигнала и через процедуры разного рода нормирования могут учитывать широкий диапазон индивидуальных особенностей человека.

Библиография

1. Alexandrov Y.I., Feldman B., Svarnik O.E., Znamenskaya I.I., Kolbeneva M.M., Arutyunova K.A., Krylov A.K., Bulava A.I. Regression I. Experimental approaches to regression // Journal of Analytical Psychology. 2020. V. 65. № 2. P. 345–365.

2. Alexandrov Yu.I., Sozinov A.A., Svarnik O.E., Gorkin A.G., Kuzina E.A., Gavrilov V.V. Neuronal bases of systemic organization of behavior. Advances in Neurobiology // Systems Neuroscience / Cheung-Hoi Yu A., Li L. Springer, Cham, 2018. № 21. P. 1–33.

3. Arutyunova K.R., Bakhchina A.V., Sozinova I.M., Alexandrov Y.I. Complexity of heart rate variability during moral judgement of actions and omissions // Heliyon. 2020. V. 6. №11. e05394. doi:10.1016/j.heliyon.2020.

4. Baevsky R., Chernikova A. Heart rate variability analysis: physiological foundations and main methods // Cardiometry. 2017. P. 66–76. doi: 10.12710/cardiometry.2017.10.6676.

5. Bakhchina A.V., Apanovich V.V., Arutyunova K.R., Alexandrov Y.I. Analytic and Holistic Thinkers: Differences in the Dynamics of Heart Rate Complexity When Solving a Cognitive Task in Field-Dependent and Field-Independent Conditions // Frontiers in Psychology. 2021. V. 26. № 12. 762225. doi: 10.3389/fpsyg.2021.762225.

6. Bakhchina A.V., Arutyunova K.R., Sozinov A.A., Demidovsky A.V., Alexandrov Yu.I. Sample Entropy of the Heart Rate Reflects Properties of the System Organization of Behaviour // Entropy. 2018. V. 20. № 449. https://doi.org/10.3390/e20060449

7. Bakhchina A.V., Demidovsky A.V., Alexandrov Yu.I. Correspondence between the heart rate complexity and system characteristics of performed behavior // Psikhologicheskii zhurnal. V. 39 № 5. 2018. P. 46–58. doi:10.31857/S020595920000834-3

8. Cabiddu R., Trimer R., Borghi-Silva A., Migliorini M., Mendes R.G., Oliveira A.D. Are complexity metrics reliable in assessing HRV control in obese patients during sleep? // PLoS One. 2015. V. 10. № 4. e0124458. doi:10.1371/journal.pone.0124458

9. Cheffer A., Savi M.A., Pereira T.L., de Paula A.S. Heart rhythm analysis using a nonlinear dynamics perspective // Applied Mathematical Modelling. 2021. V. 96. P. 152–176. https://doi.org/10.1016/j.apm.2021.03.014.

10. Cornforth D.J., Tarvainen M.P., Jelinek H.F. How to calculate Renyi entropy from heart rate variability, and why it matters for detecting cardiac autonomic neuropathy // Front Biotechnology and Bioengineering. 2014. №. 2. 34. doi:10.3389/fbioe. 2014.00034

11. Costa M., Goldberger A.L., Peng C.K. Multiscale entropy analysis of biological signals // Physical Review. 2005. V. 71. 021906.

12. Costa M.D., Peng C.K., Goldberger A.L. Multiscale analysis of heart rate dynamics: entropy and time irreversibility measures // Cardiovasc Eng. 2008. V. 8. № 2. P. 88–93. doi:10.1007/s10558-007-9049-1

13. Delgado-Bonal A., Marshak A. Approximate entropy and sample entropy: a comprehensive tutorial // Entropy. 2019. V. 21. № 6. 541.

14. Dimitriev D.A., Saperova E.V., Dimitriev A. State anxiety and nonlinear dynamics of heart rate variability in students // PLoS ONE. 2016. V. 11. e0146131.

15. Echeverria J., Woolfson M., Crowe J., Hayes-Gill B., Croaker G., Vyas H. Interpretation of heart rate variability via detrended fluctuation analysis and alpha beta filter // Chaos Interdiscip. J. Nonlinear Sci. 2003. № 13. P. 467–475.

16. Ernst G. Heart-Rate Variability—more than heart beats? // Front. Public Health. 2017. V. 5. 240. doi:10.3389/fpubh.2017.00240

17. Ernst G. Hidden Signals — the history and methods of heart rate variability // Frontiers Research Foundation. 2017. V. 5. 265. doi:10.3389/fpubh.2017.00265

18. Faes L., Gómez-Extremera M., Pernice R., Carpena P., Nollo G., Porta A., Bernaola-Galván P. Comparison of methods for the assessment of nonlinearity in short-term heart rate variability under different physiopathological states // Chaos: An Interdisciplinary Journal of Nonlinear Science. 2019. № 29. 123114.

19. Henriques T., Ribeiro M., Teixeira A., Castro L., Antunes L., Costa-Santos C. Nonlinear methods most applied to heart-rate time series: a review // Entropy. 2020. № 22. 309.

20. Koenig J., Kemp A.H., Beauchaine T.P., Thayer J.F., Kaess M. Depression and resting state heart rate variability in children and adolescents — A systematic review and meta-analysis // Clinical Psychology Review. 2016. № 46. P. 136–150.

21. Laborde S., Mosley E., Thayer J.F. Heart rate variability and cardiac vagal tone in psychophysiological research – recommendations for experiment planning, data analysis, and data reporting // Frontiers in Psychology. 2017. № 8. 213. doi: 10.3389/fpsyg.2017.00213.

22. Leistedt S.J., Linkowski P., Lanquart J.P., Mietus J., Davis R.B., Goldberger, A.L., Costa M.D. Decreased neuroautonomic complexity in men during an acute major depressive episode: Analysis of heart rate dynamics // Translational Psychiatry. 2011. V. 1. e27.

23. Makowski D., Pham T., Lau Z.J., Brammer J.C., Lespinasse F., Pham H., Schölzel C., Chen S.A. NeuroKit2: A Python toolbox for neurophysiological signal processing // Behavior Research Methods. 2021. https://doi.org/10.3758/s13428-020-01516-y

24. Malik M. Heart rate variability: Standards of measurement, physiological interpretation, and clinical use. Circulation. 1996. 93. 1043–1065.

25. Mayer C.C., Bachler M., Hortenhuber M., Stocker C., Holzinger A., Wassertheurer S. Selection of entropy-measure parameters for knowledge discovery in heart rate variability data // BMC Bioinformatics. 2014. V. 15. P. 1–11.

26. Mourot L., Bouhaddi M., Gandelin E., Cappelle S., Nguyen N.U., Wolf J.P., Rouillon J.D., Hughson R., Regnard J. Conditions of autonomic reciprocal interplay versus autonomic co-activation: effects on non-linear heart rate dynamics // Autonomic Neuroscience. 2007. V. 137. № 2. P. 27–36. doi:10.1016/j.autneu.2007.06.284

27. Nardelli M., Valenza G., Greco A., Lanata A., Scilingo E.P. Recognizing Emotions Induced by Affective Sounds through Heart Rate Variability // IEEE Transactions on Affective Computing. 2015. V. 6. № 4. P. 385–394. doi: 10.1109/TAFFC.2015.2432810

28. Nicolini P., Ciulla M.M., De Asmundis C., Magrini F., Brugada P. The prognostic value of heart rate variability in the elderly, changing the perspective: from sympathovagal balance to chaos theory // Pacing and Clinical Electrophysiology. 2012. V. 35. № 5. P. 622–638. doi: 10.1111/j.1540-8159.2012.03335.x.

29. Peng C.K., Havlin S., Stanley H.E., Goldberger A.L. Quantification of scaling exponents and crossover phenomena in nonstationary heartbeat time series // Chaos: An Interdisciplinary Journal of Nonlinear Science. № 5. P. 82–87.

30. Penzel T., Kantelhardt J.W., Grote L., Peter J.H., Bunde A. Comparison of detrended fluctuation analysis and spectral analysis for heart rate variability in sleep and sleep Apnea // IEEE Transactions on Affective Computing. 2003. № 50. P. 1143–1151.

31. Perkiomaki J.S., Makikallio T.H., Huikuri H.V. Fractal and complexity measures of heart rate variability // Clinical and Experimental Hypertension. 2005. V. 27. № 2. P. 149–158.

32. Pham T., Lau Z.J., Chen S.H.A., Makowski D. Heart rate variability in psychology: a review of HRV indices and an analysis tutorial // Sensors (Basel). 2021. V. 21. № 12. 3998. doi:10.3390/s21123998.

33. Pincus S.M. Approximate entropy as a measure of system complexity // Proceedings of the National Academy of Sciences. 1991. V. 88. № 6. P. 2297-2301. doi:10.1073/pnas.88.6.2297.

34. Porges S.W. The Polyvagal theory: phylogenetic contributions to social behavior // Physiology and behavior. 2003. V. 79. № 3. P. 503–513.

35. Ravelo-García A.G., Navarro-Mesa J.L., Casanova-Blancas U., Martin-Gonzalez S., Quintana-Morales P., Guerra-Moreno I., Canino-Rodríguez J.M., Hernández-Pérez E. Application of the permutation entropy over the Heart Rate Variability for the Improvement of Electrocardiogram-based Sleep Breathing Pause Detection // Entropy. 2015. № 17. P. 914–927. https://doi.org/10.3390/e17030914

36. Richman J.S., Moorman J.R. Physiological time-series analysis using approximate entropy and sample entropy // American Journal of Physiology - Heart and Circulatory Physiology. 2000. № 278. H2039–H2049.

37. Schulz S., Koschke M., Bär K-J., Vossl A. The altered complexity of cardiovascular regulation in depressed patients // Institute of Physics and Engineering in Medicine Physiological Measurement. 2010. V. 31. № 3. P. 303–321.

38. Sen J., McGill D. Fractal analysis of heart rate variability as a predictor of mortality: A systematic review and meta-analysis // Chaos: An Interdisciplinary Journal of Nonlinear Science. 2018. № 28. 072101. https://doi.org/10.1063/1.5038818

39. Shaffer F., Ginsberg J. An Overview of Heart Rate Variability Metrics and Norms // Frontiers in Public Health. 2017. №5. 258.

40. Smith R., Thayer J.F., Khalsa S.S., Lane R.D. The hierarchical basis of neurovisceral integration // Neuroscience & Biobehavioral Reviews. 2017. № 75. P. 274–296. doi:10.1016/j.neubiorev.2017.02.003

41. Stapelberg N.J.C., Neumann D.L., Shum D.H.K., McConnell H., Hamilton-Craig I. The sensitivity of 38 heart rate variability measures to the addition of artifact in human and artificial 24-hr cardiac recordings // Annals of Noninvasive Electrocardiology. 2018. V. 23. № 1. e12483. doi:10.1111/anec.12483.

42. Thome J., Densmore M., Frewen P.A., McKinnon M.C., Théberge J., Nicholson A.A., Koenig J., Thayer J.F., Lanius R.A. Desynchronization of autonomic response and central autonomic network connectivity in posttraumatic stress disorder // Human Brain Mapping. 2017. V. 38. № 1. P. 27–40. doi:10.1002/hbm.23340.

43. Tiwari R., Kumar R., Malik S., Raj T., Kumar P. Analysis of heart rate variability and implication of different factors on heart rate variability // Current Cardiology Reviews. 2020. № 31. doi:10.2174/1573403X16999201231203854

44. Wu S.-D., Wu C.-W., Lin S.-G., Lee K.-Y., Peng C.-K. Analysis of complex time series using refined composite multiscale entropy // Physics Letters. 2014. № 378. P. 1369–1374.

45. Yeh R.G., Shieh J.S., Chen G.Y., Kuo C.D. Detrended fluctuation analysis of short-term heart rate variability in late pregnant women // Autonomic Neuroscience. 2009. V. 150 (1-2). P.122–126. doi: 10.1016/j.autneu.2009.05.241.

Комментарии

Сообщения не найдены

Написать отзыв
Перевести