Оценка возрастных особенностей состояния водителей большегрузных машин на основе спектрального анализа ЭЭГ‒ЭКГ и стресс-тестов при массовых профосмотрах

Исследованы возрастные физиологические особенности водителей большегрузных машин угольных разрезов на основе спектрального анализа ЭЭГ‒ЭКГ и стресс-тестов, имеющих прогностическое значение в профессиональной деятельности.

Цель исследования — оценить функциональное состояние водителей большегрузных машин разных возрастных групп на основе комплексного спектрального анализа ЭЭГ–ЭКГ в условиях профосмотров.

На профосмотре исследованы спектральные показатели ЭЭГ‒ЭКГ у 300 водителей мужчин в возрасте от 25 до 66 лет. Регистрация ЭЭГ осуществлялась при размещении электродов в системе 10–20. Анализ ЭЭГ проводился с предварительным визуальным анализом с последующим удалением артефактов. Оценивался уровень представительства основного альфа-ритма и его пространственного распределения. Регистрация ЭКГ осуществлялась в первом отведении. Длительность регистрации ЭЭГ–ЭКГ около 15 минут в типичной последовательности стресс-тестов: исходного состояния, ритмической фотостимуляции, гипервентиляции с периодами восстановления. Спектральный анализ ЭЭГ‒ЭКГ осуществлялся в автоматическом режиме на приборе Neurotravel (Италия).

В исходных спектрах ЭЭГ найдена более низкая мощность альфа и дельта активность у водителей старшего возраста 45–66 лет, что способствовало кумулятивному эффекту стресс нагрузки. Световая стресс стимуляция значительно снижала альфа- и дельта-активность и повышала бета-активность ЭЭГ в обеих группах, при этом в старшей группе высокочастотный диапазон значительно превышал низкочастотный. Одновременно с изменениями ЭЭГ стресс фотостимуляция увеличивала энергетику спектров ЭКГ во всех частотных диапазонах.

Установлено появление дополнительных индикаторов состояния стресса при световой стимуляции у водителей старшей возрастной группы на основе показателей корреляции спектров ЭЭГ‒ЭКГ (альфа/дельта) и отсутствие подобных изменений в группе молодых водителей 25–35 лет. Причем коэффициенты корреляции ЭЭГ–ЭКГ и их критические значения возрастали в группах с шагом в 6 лет с 35 до 65 лет.

Водители старшего возраста на основе нейро-кардиодинамических показателей находились в состоянии хронического стресса и вытекающих рисков здоровья и профессиональной деятельности, а найденные физиологические механизмы стресса могут быть в основе способов его профилактики.

Ограничения исследования. Исследование ограничено оценкой ЭЭГ- и ЭКГ-показателями у 300 водителей большегрузных машин.

Этика. Исследование выполнено неинвазивными методами и одобрено биоэтическим комитетом НИИ комплексных проблем гигиены и профессиональных заболеваний, протокол № 5, § 1 от 26.12.2018 г., в соответствии с Хельсинкской декларацией Всемирной медицинской ассоциации «Этические принципы проведения медицинских исследований с участием человека в качестве субъекта» с поправками 2013 г. и «Правилами надлежащей клинической практики», утверждёнными приказом Минздрава России № 200н от 1 апреля 2016 г. Все обследуемые пациенты подписали добровольное информированное согласие на участие в исследовании.

Участие авторов:
Флейшман А.Н. — концепция и дизайн исследования, сбор и анализ данных, сбор данных литературы, написание текста;
Яук А.В. — статистическая обработка;
Петровский С.А. — сбор и обработка данных литературы;
Блажина О.Н. — сбор и обработка данных, редактирование;
Кораблина Т.В. — статистическая обработка.

Финансирование. Исследование не имело спонсорской поддержки.

Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.

Дата поступления: 12.09.2024 / Дата принятия к печати: 16.10.2024 / Дата публикации: 08.11.2024

1. Salvia E., Petit C., Champely S., Chomette R., Di Rienzo F., Collet C. Effects of age and task load on drivers’ response accuracy and reaction time when responding to traffic lights. Front Aging Neurosci. 2016; 8: 169. https://doi.org/10.3389/fnagi.2016.00169

2. Stancin I., Cifrek M., Jovic A. A review of EEG signal features and their application in driver drowsiness detection systems. Sensors (Basel). 2021; 21(11): 3786. https://doi.org/10.3390/s21113786

3. Arefnezhad S., Hamet J., Eichberger A., Frühwirth M., Ischebeck A., Koglbauer I.V., et al. Driver drowsiness estimation using EEG signals with a dynamical encoder-decoder modeling framework. Sci Rep. 2022; 12(1): 2650. https://doi.org/10.1038/s41598-022-05810-x

4. Li Y., Wang F., Ke H., Wang L.L., Xu C.C. A driver’s physiology sensor-based driving risk prediction method for lane-changing process using hidden Markov model. Sensors (Basel). 2019; 19(12): 2670. https://doi.org/10.3390/s19122670

5. Wang L., Song F., Zhou T.H., Hao J., Ryu K.H. EEG and ECG-based multi-sensor fusion computing for real-time fatigue driving recognition based on feedback mechanism. Sensors (Basel). 2023; 23(20): 8386. https://doi.org/10.3390/s23208386

6. Cao Z. A review of artificial intelligence for EEG-based brain-computer interfaces and applications. Brain Science Advances. 2020; 6(3): 162-70. https://doi.org/10.26599/BSA.2020.9050017

7. Некрасова М.М. Изменения энцефалографических параметров и спектральных показателей вариабельности сердечного ритма при проведении функциональных проб у водителей со стажем. Здоровье населения и среда обитания — ЗНиСО. 2016; (7): 28–30. https://elibrary.ru/wffzvl

8. Manor R., Cheaha D., Kumarnsit E., Samerphob N. Age-related deterioration of alpha power in cortical areas slowing motor command formation in healthy elderly subjects. In Vivo. 2023; 37(2): 679–84. https://doi.org/10.21873/invivo.13128

9. Snodgrass R.G., Jiang X., Stephensen C.B., Laugero K.D. Cumulative physiological stress is associated with age-related changes to peripheral T lymphocyte subsets in healthy humans. Immun Ageing. 2023; 20(1): 29. https://doi.org/10.1186/s12979-023-00357-5

10. Zhang Y., Lu Y., Wang D., Zhou C., Xu C. Relationship between individual alpha peak frequency and attentional performance in a multiple object tracking task among ice-hockey players. PLoS One. 2021; 16(5): e0251443. https://doi.org/10.1371/journal.pone.0251443

11. Nicholson A.A., Densmore M., Frewen P.A., Neufeld R.W.J., Théberge J., Jetly R. et al. Homeostatic normalization of alpha brain rhythms within the default-mode network and reduced symptoms in post-traumatic stress disorder following a randomized controlled trial of electroencephalogram neurofeedback. Brain Commun. 2023; 5(2): fcad068. https://doi.org/10.1093/braincomms/fcad068

12. Geoffroy G., Chaari L., Tourneret J.-Y., Wendt H. Drowsiness detection using joint EEG-ECG data with deep learning. 2021 29th European Signal Processing Conference (EUSIPCO). Aug. 23–27 2021, Dublin, Ireland. 2021: 955–9. https://doi.org/10.23919/EUSIPCO54536.2021.9616046

13. Базанова О.М. Современная интерпретация альфа-активности ЭЭГ. Международный неврологический журнал. 2011; 8: 96–104. https://elibrary.ru/oxdteb

14. Niijima A., Nagai K., Nagai N., Akagawa H. Effects of light stimulation on the activity of the autonomic nerves in anesthetized rats. Physiol Behav. 1993; 54(3): 555–61. https://doi.org/10.1016/0031-9384(93)90249-f

15. Ishihara A., Courville A.B., Chen K.Y. The complex effects of light on metabolism in humans. Nutrients. 2023; 15(6): 1391. https://doi.org/10.3390/nu15061391

16. Siam A.I., Gamel S.A., Talaat F.M. Automatic stress detection in car drivers based on non-invasive physiological signals using machine learning techniques. Neural Computing and Applications. 2023; 35(17): 12891–904. https://doi.org/10.1007/s00521-023-08428-w

17. Putman P., Verkuil B., Arias-Garcia E., Pantazi I., van Schie C. EEG theta/beta ratio as a potential biomarker for attentional control and resilience against deleterious effects of stress on attention. Cogn Affect Behav Neurosci. 2014; 14(2): 782–91. https://doi.org/10.3758/s13415-013-0238-7

18. Wen T.Y., Aris S.A.M. Electroencephalogram (EEG) stress analysis on alpha/beta ratio and theta/beta ratio. Indones. J. Electr. Eng. Comput. Sci. 2020; 17(1): 175–82. https://doi.org/10.11591/ijeecs.v17.i1.pp175-182

19. Park K.S., Choi H., Lee K.J., Lee J.Y., An K.O., Kim E.J. Patterns of electroencephalography (EEG) change against stress through noise and memorization test. International Journal of Medicine and Medical Sciences. 2011; 3(14): 381–9. https://doi.org/10.5897/IJMMS.9000167

20. Zhao Y., Yamamoto T., Kanamori R. Study of older male drivers’ driving stress compared with that of young male drivers. Journal of Traffic and Transportation Engineering (English Edition). 2020; 7(4): 467–81. https://doi.org/10.1016/j.jtte.2018.10.011

21. Robertsen R., Lorås H.W., Polman R., Simsekoglu O., Sigmundsson H. Aging and driving: a comparison of driving performance between older and younger drivers in an on-road driving test. Sage Open. 2022; 12(2). https://doi.org/10.1177/21582440221096133

22. Mazlan M.R., Sukor A.S.A., Adom A. H., Jamaluddin R. Review of analysis of EEG signals for stress detection. AIP Conf Proc. 2024; 2934(1): 040007. https://doi.org/10.1063/5.0181590

23. Thayer J.F., Mather M., Koenig J. Stress and aging: A neurovisceral integration perspective. Psychophysiology. 2021; 58(7): e13804. https://doi.org/10.1111/psyp.13804