Aktuální vydání

celé číslo

03

2021

Digitální transformace, chytrá výroba, digitální dvojčata

Komunikační sítě, IIoT, kybernetická bezpečnost

celé číslo

Hodnocení psychického stavu operátora

číslo 2/2003

Hodnocení psychického stavu operátora

Sledovali jsme odlišnosti v reakcích na psychickou zátěž u operátorů v závislosti na typu osobnosti a stupni neuroticismu. Hodnoceny byly srdeční frekvence, krevní tlak, svalová aktivita a kožně galvanická reakce. Ke zpracování získaných dat byly použity statistické metody a metody umělé inteligence. Výsledky prokázaly odlišnosti ve fyziologických reakcích organismu na psychickou zátěž v závislosti na některých osobnostních charakteristikách a stupni neuroticismu respondentů. V tomto článku jsme se zaměřili především na zhodnocení možností využití metod umělé inteligence při zpracovávání získaných biologických dat.

1. Úvod

Vliv psychické zátěže na lidský organismus stále není dostatečně vysvětlen. Proto je tomuto procesu v současnosti věnována velká pozornost jak v zahraničí, tak u nás. Na lidi v zaměstnání jsou kladeny čím dál větší nároky, což způsobuje stres a psychické zatížení. V naší práci jsme se zaměřili na sledování změn fyziologických veličin vlivem psychické zátěže. Hodnotili jsme odlišnosti v reakcích na psychickou zátěž u osob tzv. rizikových (tj. s rizikovým typem chování a postojů) a nerizikových. Klasifikace osob na rizikové a nerizikové byla provedena na základě výsledků psychologických dotazníků a rodinné a osobní anamnézy [9]. Získaná data byla zpracována běžně používanými statistickými metodami. Dále jsme testovali možnost a vhodnost použití metod umělé inteligence při zpracování získaných biologických dat a porovnávali výsledky obou metod.

2. Metodika měření

Testování probíhalo v laboratorních podmínkách. Šlo o 100 respondentů (mužů) ve věku 19 až 33 let (průměrný věk 25 let). U těchto respondentů byly monitorovány změny vytipovaných fyziologických veličin (srdeční frekvence, krevního tlaku, svalové aktivity a kožně galvanické reakce) v závislosti na typu a velikosti psychické zátěže.

Psychická zátěž testovaných osob byla zjišťována pomocí dvou testů. První zátěžový test byl vytvořen speciálně pro naše účely odborným psychologem. Spočíval v řešení řady úkolů zaměřených na zjišťování úrovně verbální, percepční a numerické logiky, prostorové představivosti, technické a analytické schopnosti respondentů (test 1). Jako druhý zátěžový test byl použit tzv. sedmičkový test (test 2).

Osoby byly rozděleny na rizikové a nerizikové na základě výsledků psychologických dotazníků (Bortnerova škála a Eysenckův dotazník EPQ6) a rodinné a osobní anamnézy.

3. Statistické zpracování naměřených veličin

Naměřená a zjištěná data (změny fyziologických veličin, anamnézy, výsledky psychologických a zátěžových testů) jsme statisticky zpracovali. Ke statistické analýze jsme použili podle charakteru sledovaných veličin následující statistické metody: analýzu rozptylu při jednoduchém třídění [5], neparametrický Kruskalův-Wallisův test [5], Bartlettův test pro homogenitu rozptylu [5], mnohonásobnou logistickou regresní analýzu [5] a Hosmerův-Lemeshowův test dobré shody [3].

Obr. 1.

Pro testování hypotéz byla použita 1%, 5% a 10% hladina významnosti. Výsledky testování na 10% hladině významnosti byly považovány za hodnoty na hranici významnosti.

Naměřené veličiny byly analyzovány pro tři kategorie činností: klidová fáze; zátěžový test se zaměřením na verbální, percepční a numerickou logiku, prostorovou představivost a technické a analytické schopnosti a sedmičkový test.

Statisticky významné rozdíly mezi skupinou osob s neurotickými tendencemi (neurotici) a ostatními byly zjištěny při analýze rozptylu. Neurotici měli při psychické zátěži nižší průměrné hodnoty kožního odporu než ostatní. Bartlettův test pro homogenitu rozptylu prokázal při psychické zátěži větší rozptyl (na hranici významnosti) průměrných hodnot srdeční frekvence u neurotiků oproti ostatním a dále statisticky významně větší rozptyl průměrných hodnot kožního odporu při psychické zátěži u neurotiků (p = 2·10–5) i u osob s rizikovým typem chování a postojů (p = 0,053). V ostatních parametrech nebyly rozdíly statisticky významné.

Při hodnocení vztahu variability sledovaných veličin jsme prokázali tyto významné rozdíly: větší variabilita srdeční frekvence u neurotiků v klidové fázi (p = 0,021) i při psychické zátěži především u sedmičkového testu (p = 0,011), větší variabilita diastolického tlaku krve u neurotiků (p = 0,033), větší variabilita srdeční frekvence při klidovém režimu u osob s rizikovým typem chování, větší variabilita systolického tlaku krve při psychické zátěži u neurotiků (p = 0,057).

V ostatních parametrech nebyly zjištěny statisticky významné rozdíly.

4. Zpracování pomocí metod umělé inteligence

4.1 Logistická regresní analýza
Naší snahou bylo nalézt vztah mezi predikovanými veličinami (rizikový typ podle Bortnerovy škály, stupeň neuroticismu), naměřenými veličinami (srdeční frekvence, tlak krve, svalová aktivita, kožní odpor) a zjištěnými veličinami (věk, index tělesné hmotnosti, rodinná anamnéza, alkohol, káva, pohybová aktivita, aktuální zdravotní obtíže a kouření).

Logistická regresní analýza prokázala, že osoby s rizikovým typem chování a postojů podle Bortnerovy škály méně výrazně reagují vzrůstem srdeční frekvence na psychickou zátěž než ostatní respondenti, a to na 1% hladině významnosti. Tyto osoby uvádějí statisticky významně častěji akutní zdravotní obtíže a je mezi nimi statisticky významně více kuřáků1).

U neurotiků byla zjištěna statisticky významně větší reakce srdeční frekvence na psychickou zátěž oproti ostatním.

Úspěšnost2) logistické regresní analýzy pro osoby s rizikovým typem chování a postojů je 82,76 % a pro klasifikaci neuroticismu je 91,38 %.

4.2 Strojové učení
K vytváření rozhodovacího stromu byl použit algoritmus ID3 [8].

My jsme použili klasifikační systém [4] obsahující metody pro diskretizaci, určování nejinformativnějšího atributu a prořezávání stromu.

Vstupem do klasifikačního systému je trénovací množina, která tvoří rozhraní mezi tímto systémem a okolním světem.

Soubor dat byl rozdělen na trénovací a testovací množinu. Pomocí trénovací množiny byl vytvořen rozhodovací strom a ten byl testován testovací množinou. To bylo opakováno pro různě velké trénovací množiny. Úspěšnost takto vytvořených rozhodovacích stromů se pohybovala mezi 67 až 72 %. Poslední a konečný rozhodovací strom měl úspěšnost 79 %. Výsledky klasifikace potvrdily naše předpoklady o možnosti využití rozhodovacích stromů pro klasifikaci respondentů do psychologických skupin3) s obdobnými výsledky jako pomocí psychologických dotazníků (Bortnerova škála, Eysenckův dotazník).

Vytvořený rozhodovací strom určil nižší průměrnou hodnotu srdeční frekvence v klidu u neurotiků oproti ostatním osobám. U osob s rizikovým typem chování a postojů se projevila menší reakce srdeční frekvence a větší reakce diastolického tlaku krve na psychickou zátěž a nižší průměrné hodnoty diastolického tlaku krve v klidu oproti nerizikovým osobám. Ostatní rozdíly parametrů mezi rizikovými a nerizikovými osobami nebyly významné. Metoda vykazuje v podstatě shodné výsledky se statistickými metodami.

4.3 Expertní systém
Pro tento případ klasifikace byl navržen expertní systém diagnostického charakteru NEUBOR (expertní systém provádějící kategorizaci populace na neurotiky a osoby s rizikovým typem chování zjištěné pomocí Bortnerovy škály).

Základem tohoto systému je prázdný expertní systém FEL-EXPERT [7], který byl rozšířen o bázi znalostí a bázi dat z problematiky řešení vlivu psychické zátěže na fyziologické veličiny.

4.3.1 Tvorba báze znalostí
Znalosti [2] byly získány z naměřených dat, dotazníků a z teoretických znalostí. Naplnění báze znalostí není jednoduchou záležitostí a vyžaduje mnoho měření testovaných osob pro doladění expertního systému.

Při tvorbě báze znalostí [1], [9] se vyšlo ze známých reakcí jednotlivých fyziologických veličin na psychickou zátěž. Báze znalostí byla vytvářena tradičním způsobem, přičemž byly využity znalosti expertů v dané problematice. Nejdříve bylo uskutečněno nestrukturované interview, kdy se expert vyjadřoval k řešené problematice. Potom následovalo strukturované interview, kdy byly expertovi kladeny konkrétní dotazy týkající se vlivu psychické zátěže na fyziologické parametry pro jednotlivé psychologické skupiny. Nakonec byla pro získání znalostí použita metoda repertoárové tabulky, kde objekty byly jednotlivé psychologické skupiny a konstrukty tvořily reakce fyziologických veličin. Na základě repertoárové tabulky byla vytvořena pravidla s příslušnými hodnotami vah.

Nejtěžším úkolem pro vytvoření sítě bylo ohodnocování uzlů apriorními pravděpodobnostmi a stanovení pravidel pomocí měr nezbytnosti a postačitelnosti.

4.3.2 Výsledky klasifikace expertním systémem
Báze znalostí využívající změny a reakce fyziologických veličin dosáhla úspěšnosti 70 % pro diagnostiku neuroticismu a 68 % pro diagnostiku rizikových osob podle Bortnerovy škály. Celková úspěšnost expertního systému s touto bází znalostí je 60 %.

Expertní systém s touto bází znalostí ukázal menší reakci srdeční frekvence a systolického tlaku krve na psychickou zátěž u osob s rizikovým typem chování a postojů oproti nerizikovým osobám. U neurotiků se projevila větší reakce svalové aktivity na psychickou zátěž než u nerizikových osob.

4.3.3 Kombinace expertního systému se strojovým učením
Ne příliš uspokojivé výsledky dosažené předchozími metodami nás přivedly na myšlenku spojit expertní systém se strojovým učením, konkrétně využít strojové učení při tvorbě báze znalostí.

Metodika tvorby báze znalostí za pomoci strojového učení (MSU) spočívá v rozdělení báze dat na dvě množiny: trénovací a testovací. Pomocí trénovací množiny se vytvoří báze znalostí, která se otestuje na testovací množině. Tento přístup na rozdíl od klasické metody tvorby báze znalostí, kdy znalosti dodává expert, vychází z naměřených dat a z dat zjištěných z dotazníků. Pravidla v bázi znalostí jsme získali pomocí strojového učení. Tato pravidla jsme konzultovali s experty a upravili je a doplnili pravidly vyjadřujícími vliv reaktivity fyziologických veličin na rizikové skupiny. Doplnění dalších pravidel vede k vylepšení báze znalostí.

Pro doladění a ověření báze znalostí a určení apriorních pravděpodobností uzlů a pravidel jsme použili stejnou metodiku jako u předešlé báze znalostí využívající pouze znalosti experta.

Úspěšnost této báze znalostí je pro diagnostiku neuroticismu 94,9 %, pro diagnostiku rizikových osob podle Bortnerovy škály je 83 % a celková úspěšnost expertního systému s touto bází znalostí je 81,4 %.

Použitá báze dat je malá pro ověření metodiky MSU, proto byl opakován postup dělení báze dat na trénovací a testovací množinu desetkrát. Data do trénovací množiny jsme vybírali náhodně. Pro každý proces byla vypočtena úspěšnost. Nakonec byla vypočtena výsledná úspěšnost klasifikace, získaná jako průměr úspěšností jednotlivých procesů.

Výsledná úspěšnost pro diagnostiku neuroticismu je 93,8 %, pro diagnostiku rizikových osob podle Bortnerovy škály 82,79 % a celková výsledná úspěšnost je 81 %.

Výsledky klasifikace potvrdily naše předpoklady o možnosti využití expertního systému s bází znalostí vytvořenou strojovým učením pro zařazení respondentů do psychologických skupin.

Expertní systém s těmito bázemi znalostí potvrdil, že osoby s rizikovým typem chování a postojů mají při psychické zátěži statisticky významně vyšší průměrnou hodnotu diastolického tlaku krve, vyšší průměrnou hodnotu kožního odporu, nižší průměrnou hodnotu srdeční frekvence a vyšší průměrnou hodnotu elektromyografických (EMG) potenciálů oproti nerizikovým osobám. V klidu mají vyšší průměrnou hodnotu kožního odporu.

U neurotiků jsme v klidu naměřili vyšší průměrné hodnoty kožního odporu, nižší průměrnou hodnotu diastolického tlaku krve a nižší průměrnou hodnotu srdeční frekvence oproti ostatním osobám. Neurotici mají výraznou reakci srdeční frekvence a diastolického tlaku krve na psychickou zátěž a větší spotřebu kávy než osoby nerizikové.

Uvedené parametry potvrzují výsledky statistických metod a navíc postihly i větší reakci diastolického tlaku krve na psychickou zátěž u rizikových osob v porovnání s osobami nerizikovými.

5. Závěr

Prvním úkolem naší práce bylo zjistit, zda osoby tzv. rizikové reagují na psychickou zátěž odlišně než osoby nerizikové. Výsledky našich experimentů potvrdily vyšší reaktivitu organismu (zejména kardiovaskulární reaktivitu) na psychickou zátěž u rizikových osob, a to zejména u neurotiků. U osob s neurotickými tendencemi byly při psychické zátěži zjištěny nižší průměrné hodnoty kožního odporu, větší variabilita srdeční frekvence, krevního tlaku a kožního odporu a větší reakce srdeční frekvence na psychickou zátěž než u osob bez neurotických tendencí. U osob s rizikovým typem chování a postojů byl zjištěn větší rozptyl hodnot kožního odporu a vyšší průměrné hodnoty EMG potenciálů při zátěži a dále větší variabilita klidové srdeční frekvence. Výsledky ukázaly, že větší rozdíly mezi rizikovými a nerizikovými osobami jsou ve variabilitě fyziologických veličin než v jejich průměrných hodnotách.

Jako statisticky významný se ukázal i vliv osobnostních charakteristik pro zvolený životní styl. Vysoce významný je např. větší výskyt kuřáků u rizikových osob.

Druhým úkolem bylo zhodnotit možnosti využití umělé inteligence v klasifikaci psychické odolnosti osob. Z naší práce vyplývá, že metody umělé inteligence (především kombinace expertního systému se strojovým učením) dosáhly v klasifikaci respondentů velmi dobrých výsledků.

Klasické statistické metody jsou výhodné při velkém počtu naměřených dat. Pro malé soubory jsou však jejich výsledky zkreslující. Rovněž strojové učení potřebuje pro věrohodnost výsledků velké množství dat, jejichž jedna část je použita k tvorbě rozhodovacího stromu a další část dat lze použít k testování. Výhodou expertního systému je jeho využitelnost již při malých souborech dat, protože k vytvoření báze znalostí jsou využity znalosti expertů a data jsou použita k testování. Kombinace expertního systému se strojovým učením je dobře využitelná, pro kombinaci výhod a vlastností obou metod, jak při velkých, tak při malých datových souborech.

Tento projekt byl podporován výzkumným záměrem č. MSM 210000012 „Transdisciplinární výzkum v oblasti biomedicínského inženýrství“ ČVUT v Praze a grantem FRVŠ 2179/2002 „Tvorba modelů biokybernetických systémů pro výukové účely“.

Při zpracování psychologických dotazníků a měření fyziologických veličin autor spolupracoval s MUDr. J. Hlávkovou.

Literatura:

[1] DUDA, R. O. – HART, P. E. – NILSSON, N. J.: Subjective Bayesian Methods for Rule-based Inference Systems. Technical report TN 124, SRI International, Menlo Park, 1976.

[2] FEIGENBAUM, E. A. – MCCORDUCK, P. – NII, P.: The Rise of the Expert Company. Times Book, London, 1988.

[3] HOSMER, D. W. – LEMESHOW, S.: Applied Logistic Regression. John Wiley & Sons, New York, 1989.

[4] KLEMA, J.: Strojové učení. [Diplomová práce.] ČVUT FEL, Praha, 1994.

[5] KUBÁNKOVÁ, V. – HENDL, J.: Statistika pro zdravotníky. Avicenum, Praha, 1987.

[6] MÁNTARAS, R.: A Distance-Based Attribute Selection Measure for Decision Tree Induction. Kluwer Academic Publishers, Boston, 1991.

[7] MAŘÍK, V. – ŠTĚPÁNKOVÁ, O. – LAŽANSKÝ, J.: Umělá inteligence 2. Academia, Praha, 1997.

[8] QUINLAN, J. R.: Probabilistic Decision Trees. Machine Learning: An Artificial Intelligence Approach, Volume III, Morgan-Kaufmann, 1990.

[9] SHORTLIFFE, E. H.: Computer-based Medical Consultations. Elsevier, New York, 1976.

Ing. Milan Šorf, Ph.D.,
ČVUT FEL K 333
(sorf@lab.felk.cvut.cz)


1) Pozn. red.: Statistika se nezabývá vztahem příčiny a následku; neumí rozhodnout, zda zdravotní potíže a kouření jsou důsledkem rizikového chování nebo naopak.
2) Úspěšností se rozumí poměr správně klasifikovaných osob k celkovému počtu osob; kritériem správnosti je shoda s klasifikací podle standardních testů uvedených v kap. 2.
3) Psychologické skupiny jsou skupiny sledovaných osob, které jsou děleny podle osobnostních charakteristik a postojů a stupně neuroticismu.

Inzerce zpět