پیش بینی عملکرد شناختی بر اساس میزان تحریک پذیری هیجانی با استفاده از داده های الکتروکاردیوگرافی

ارزیابی عینی تعامل میان برانگیختگی هیجانی و عملکرد شناختی با چالش‌های روش‌شناختی مواجه است. این پژوهش با هدف توسعه و ارزیابی یک مدل محاسباتی برای پیش‌بینی وضعیت عملکرد شناختی بر اساس شاخص‌های فیزیولوژیک برانگیختگی هیجانی استخراج‌شده از داده‌های الکتروکاردیوگرافی (ECG) انجام شد. در این مطالعه کمّی و توسعه‌ای، داده‌های عملکرد شناختی (CANTAB) و الکتروکاردیوگرافی ?? شرکت‌کننده از مجموعه داده ECSMP تحلیل شد. شرکت‌کنندگان بر اساس یک نقطه برش آماری به دو گروه با عملکرد «بهنجار» و «ضعیف» طبقه‌بندی شدند. شاخص‌های تغییرپذیری ضربان قلب (HRV) در دو بعد پایه (Tonic) و پویا (Dynamic) استخراج گردید. سپس، یک طبقه‌بند جنگل تصادفی (Random Forest) به عنوان یک مدل یادگیری ماشین، برای پیش‌بینی وضعیت شناختی آموزش داده شد. برای مدیریت عدم توازن کلاس‌ها از تکنیک وزن‌دهی استفاده شد و هایپرپارامترهای کلیدی مدل با استفاده از جستجوی شبکه‌ای به همراه اعتبارسنجی متقاطع ? بخشی بهینه‌سازی گردید. اهمیت ویژگی‌ها نیز بر اساس معیار کاهش میانگین ناخالصی (Gini Importance) ارزیابی شد. مدل بهینه‌شده توانست وضعیت عملکرد شناختی را با دقت (Accuracy) ??.?? و سطح زیر منحنی ROC (AUC) برابر با ?.?? پیش‌بینی کند. شاخص‌های مرتبط با تعادل سمپاتوواگ (نسبت( LF/HF و فعالیت پاراسمپاتیک ( ۵۰) بیشترین قدرت پیش‌بینی را داشتند. غلبه فعالیت سمپاتیک، کاهش تون واگال و ناپایداری خودمختار، مشخصه‌های فیزیولوژیک گروه با عملکرد شناختی زیربهنجار بودند. یافته‌ها، که با مدل یکپارچگی عصبی-احشایی همسو است، امکان‌سنجی فنوتیپ‌سازی محاسباتی عملکرد شناختی از طریق داده‌های HRV را تأیید می‌کند. شاخص «ناپایداری خودمختار» به عنوان یک نشانگر زیستی بالقوه و جدید برای نقص در کارکردهای اجرایی معرفی می‌شود که پتانسیل بالایی برای توسعه ابزارهای غربالگری عینی و مقیاس‌پذیر دارد.

Abstract

The objective evaluation of the interplay between emotional arousal and cognitive performance faces significant methodological challenges. This study aimed to develop and evaluate a computational model for predicting cognitive performance status based on physiological indices of emotional arousal derived from electrocardiography (ECG) data. In this quantitative study, cognitive performance (CANTAB) and ECG data from ۷۵ participants in the ECSMP dataset were analyzed. Based on a statistical cutoff, participants were dichotomized into 'normal' and 'poor' performance groups. Heart Rate Variability (HRV) indices were extracted, encompassing both tonic and phasic dimensions. Subsequently, a Random Forest classifier, a machine learning model, was trained to predict cognitive status. Class imbalance was addressed using a weighting technique, and the model's key hyperparameters were optimized via a grid search with ۵-fold cross-validation. Feature importance was assessed based on the mean decrease in impurity criterion (Gini Importance). The optimized model predicted cognitive performance status with an accuracy of ۸۶.۷% and an Area Under the ROC Curve (AUC) of ۰.۷۳. Indices related to sympathovagal balance (LF/HF ratio) and parasympathetic activity ( ۵۰) demonstrated the greatest predictive power. Sympathetic dominance, reduced vagal tone, and autonomic instability were the physiological hallmarks of the group with suboptimal cognitive performance. The findings, which align with the Neurovisceral Integration Model, confirm the feasibility of computationally phenotyping cognitive performance using HRV data. The 'autonomic instability' index is introduced as a novel potential biomarker for deficits in executive functions, holding significant promise for the development of objective and scalable screening tools.