Подходы к автоматизации диагностики психического здоровья операторов отдельных профессий

Размещено на http://www.allbest.ru/

Подходы к автоматизации диагностики психического здоровья операторов отдельных профессий

Approaches to Diagnostic Automation for Mental Health in Operators of Certain Occupations

Abstract

Operators' errors in some occupations (i.e. pilots, drivers, technical facility workers) can lead to human and technogenic disasters. Attention, reaction rate, concentration on performing work duties directly depend on operators' somatic and mental health. Health control of persons, whose professional activities are associated with safety of a large number of persons, is carried out both annually and immediately before starting work ("pre-trip" and "pre-duty" check-ups). The following methods are conventionally used to diagnose mental health: communicating with the patient, questionnaires, and psychological testing. At the same time, fatal air accidents analysis suggests that mental deviations are not always correctly identified using traditional methods. In particular, a person may hide mental health problems for fear of losing career opportunities and prospects. The leading problems in operators, as well as in the general population, are depression and anxiety. In this connection, the elaboration of a hardware and software complex for early diagnostics of these and other mental disorders seems promising. Nowadays, methods of audio and video information analysis based on artificial intelligence algorithms have been developed, allowing an objective assessment of individual's mental health by speech and emotional expression.

Keywords: operators' mental health, automated systems, speech analysis, emotion analysis

Введение

Известны и другие случаи возможных убийств/самоубийств, совершенных пилотами коммерческих авиакомпаний, такие как катастрофа EgyptAir в 1999 году, в результате которой погибло 217 человек [10], катастрофа SilkAir 1997 года, в которой погибло 104 человека [11]. В авиационных происшествиях с фатальным исходом в период между 1993 и 2012 годами суициды у американских пилотов, средством совершения которых были самолеты, составили 0,33% - 24/7244 несчастных случая со смертельным исходом [12, 13].

Согласно отчетам о расследовании стрессовых воздействий, которые пилот мог испытать во время аварии, 54,9% из 51 американского пилота, совершившего авиационное самоубийство, имели идентифицируемый стрессор. Из них 27,5% случаев были связаны с отношениями, 7,6% - с юридическими проблемами, а 5,9% - с серьезными заболеваниями пилота или его близких [14], при этом больше половины пилотов оставляют предсмертную записку [15].

В группу риска по возникновению психических нарушений входят представители других профессий: водители-дальнобойщики, водители такси, операторы, чья трудовая деятельность проходит в тяжелых природных и бытовых условиях (например, операторы нефтегазовых месторождений) или при большой нагрузке (операторы атомных станций).

Психическое здоровье операторов стало предметом пристального внимания исследователей в области психологии в Китае. Основной методикой оценки психического здоровья в этой стране является Symptom Checklist-90-REVISED (SCL-90-R), содержащий 90 вопросов, охватывающих практически весь спектр психических нарушений [26]. Был проведен метаанализ исследований водителей такси, который показал, что их психическое здоровье было ниже нормы для китайской общей популяции по соматизации, навязчивостям и проблемам межличностного общения [27].

С другой стороны, в Австралии высокий уровень психологического дистресса у штатных водителей фиксируется с частотой 4,5% в месяц. Следует отметить, что этот показатель ниже общепопуляционной распространенности депрессии в мире: по данным единственного на текущий момент исследования, выполненного параллельно на всех континентах земного шара по единой методологии, в течение одного месяца она находится в диапазоне 4,8-7,4% [1]. Принимая во внимание то, что психологический дистресс может быть обусловлен более широким кругом проблем и заболеваний, можно отметить, что регулярное прохождение медицинских комиссий и отстранение от работы лиц с тяжелыми психическими расстройствами вносят вклад в эти показатели. Тем не менее симптомы нарушения психического здоровья дальнобойщиков в Австралии включают трудности с вниманием, концентрацией, мотивацией, принятием решений, зрительно-моторным контролем и временем психомоторной реакции. Управление автотранспортным средством при тяжелой депрессии сравнивается с вождением с содержанием алкоголя в крови около 0,08% [28]. В США, при том что 75% дальнобойщиков характеризуют свое здоровье как хорошее, 83,4% имеют избыточный вес / ожирение, 57,9% - нарушения сна, 56,3% - усталость, 42,3% - скелетно-мышечные расстройства, около 40% - сердечно-сосудистые заболевания [29].

Следует подчеркнуть, что более 90% лиц, совершающих суициды, переносят по крайней мере одно психическое расстройство, относящееся к большой психиатрии, причем наиболее распространенным является большое депрессивное расстройство - 56-87% [30]. Оно служит одной из основных причин хронической инвалидности [31] и затрагивает 350 миллионов человек во всем мире [32].

Оптимизация мониторинга соматического и психического здоровья операторов важна для предотвращения трагедий с человеческими жертвами и со значимыми разрушениями техники и инфраструктуры. Следует подчеркнуть, что здоровье операторов регулярно проверяется на ежегодных медицинских комиссиях, предрейсовых и предвахтовых медицинских осмотрах. Выявление психических расстройств легкой и средней тяжести затруднено, так как угроза потери заработка, привилегий, карьерных возможностей может заставить людей скрывать от медицинского работника истинное состояние. Автоматизированные системы оценки психического здоровья позволят снизить субъективизм со стороны врача, проводящего осмотр, и сведут к минимуму попытки скрыть проблемы с психикой со стороны обследуемого.

Автоматизированные системы оценки психических состояний

Большой вклад в развитие автоматизированных систем оценки и коррекции психоэмоционального состояния вносит появление новых инструментальных методов оценки, таких как компьютерный анализ речи, мимики, распознавание эмоций (см. рисунок).

Наиболее обнадеживающие результаты применения автоматизированных методов исследования для диагностики в психиатрии достигнуты в области распознавания речи и эмоций при клинически выраженных психических расстройствах. Так, в работе Cohen A.S. и Elvevag B. (2014) рассматриваются подходы, связанные с автоматизированным компьютерным лингвистическим и акустическим анализом речи. Авторы отмечают, что нарушения в общении являются отличительной чертой серьезных психических заболеваний. Показана высокая корреляция полученных показателей оценки естественного языка с результатами клинической диагностики [33].

Подходы к автоматизации психической диагностики Approaches to automating mental health diagnostics

В настоящее время дифференциальный диагноз психоза строится исключительно на основе субъективных оценок и устных интервью с пациентами. Объективизация диагностики может быть достигнута за счет количественной оценки речи при помощи анализа речевых графов. Граф представляет сеть с узлами, соединенными ребрами; в речевых графах узлы соответствуют словам, а края соответствуют семантическим и грамматическим отношениям. В исследовании Mota N.B. et al. (2012) была проведена количественная оценка речевых различий, связанных с психозом, на основе интервью с пациентами, страдающими шизофренией и манией. Результаты продемонстрировали, что изменения мыслительного процесса проявляются в речи пациентов с психотическими расстройствами и можно объективно измерить эти показатели, используя теоретико-графические инструменты, разработанные для учета нормального и дисфункционального потока мысли [34]. психический расстройство оператор

Известно, что бессвязность является значимым симптомом для некоторых психиатрических и неврологических заболеваний. Однако оценить степень непоследовательности речи сложно и большинство оценок являются субъективными. Elvevag B. et al. (2007) стремились создать объективный надежный вычислительный подход к количественной оценке несогласованности речи. Пациенты с шизофренией и здоровые контрольные добровольцы выполняли множество языковых заданий. Речь была транскрибирована, а уровень согласованности вычислялся с использованием скрытого семантического анализа (LSA). По результатам исследования можно сказать, что алгоритм LSA можно использовать для анализа речи как в качестве дополнения к клиническим оценкам врача, так и для экспериментального анализа несогласованности речи в автоматическом режиме [35].

В Нижегородском государственном лингвистическом университете им. Н.А. Добролюбова проведено исследование возможности использования программного комплекса "Фонетический детектор лжи", основанного на методе оценки качества речи по общесистемному шенноновскому критерию минимума требуемой избыточности, для экспресс-оценки психоэмоционального состояния человека по его речи [36]. Полученные результаты позиционируются авторами как эффективный инструмент в задачах психолингвистики и гендерного анализа.

Для диагностики невротических расстройств хорошо себя зарекомендовали методы автоматизированного анализа эмоций. При этом изменение эмоционального фона можно зафиксировать по изменению речи, выражения лица, используя "вестибуло-эмоциональный рефлекс" и др.

Интересен подход, связанный с распознаванием человеческих эмоций по речевым сигналам с использованием методов машинного обучения. Так, Wen G. et al. (2017) показали, что сети глубокого доверия (DBN) могут автоматически обнаруживать множественные скрытые взаимосвязи в речевых сигналах. Для использования всех преимуществ этого метода исследователи создавали ансамбли случайных сетей глубокого доверия (RDBN) для распознавания эмоциональности речи. Экспериментальная оценка полученной модели с использованием эталонных баз данных, содержащих речевые сигналы с известным эмоциональным наполнением, показала большую точность RDBN по сравнению с другими методами распознавания эмоций по речевым сигналам [37].

Известно, что выражение лица широко используется для оценки эмоциональных нарушений при психических и неврологических расстройствах. Существуют подходы к автоматизации анализа эмоциональных реакций, в частности через частотные и пространственные измерения эмоций, отражающихся на лице [38]. Так, эмоции влияют на пространственные отношения точек на лице человека, различия в которых проявляются в моменты эмоциональных реакций. Примером подобных систем являются модели активного контура, активные модели внешнего вида, различные вариации с нейронными сетями и т. д. Задачей подобных методов является поиск особых точек и участков на лице человека, которые в момент проявления эмоциональных реакций претерпевают геометрические изменения, и, соответственно, анализ отношений между точками. Данные методы в настоящее время получили широкое распространение практически во всех технологиях распознавания эмоций за счет своей эффективности, поскольку лицо наиболее выразительно в плане проявления эмоциональных реакций. Карта эмоциональных реакций лица хорошо описана в системе FACS [39]. Указанная система кодирования лицевых действий Экмана и Фризена (FACS) описывает движения отдельных лицевых мышц, что позволяет отчетливо регистрировать мгновенные изменения внешнего вида лица. FACS может кодировать неоднозначные и тонкие выражения и является подходящим инструментом для анализа небольших различий в выражении лица. Тем не менее FACS-оценка требует сложной подготовки, а также отнимает много времени и носит во многом субъективный характер. Для преодоления этих ограничений Hamm J. et al. (2011) разработали автоматизированную FACS-систему, позволяющую формулировать вывод на основе технологии компьютерного обучения. Система автоматически отслеживает выражение лица по видеосигналу, извлекает геометрические параметры и особенности текстуры и вычисляет временные профили каждого движения мышц лица. В пилотном исследовании количественные показатели плоскостности и несоответствия показали четкие различия между пациентами с шизофренией и группой контроля, подчеркивая потенциал использования автоматизированной системы для количественной оценки тяжести симптомов [40].

Дефицит в выражении эмоций заметен при некоторых психических расстройствах, включая, например, шизофрению. Доступные клинические оценки выражений лица обеспечивают субъективные и качественные измерения, которые основаны на статических 2D-изображениях, не фиксирующих временную динамику и тонкости выражения лица. Поэтому существует необходимость в автоматизированном, объективном и количественном измерении выражений лица, зафиксированных с помощью видео. В исследовании Wang P. et al. (2008) описывается вычислительная структура, которая формирует вероятностные профили по выражению лица на основе видеоданных и потенциально может помочь автоматически количественно определить различия в эмоциональной экспрессии у пациентов с психическим расстройством и здоровых людей. Для анализа изменений выражения лица во времени используются вероятностные классификаторы, которые позволяют проводить анализ в отдельных кадрах, а затем рассчитывать вероятность для всего видеофрагмента, выводя временные характеристики мимики. Применение такого метода к контрольной группе и исследования пациентов с шизофренией и синдромом Аспергера демонстрируют способность метода автоматизированного видеоанализа выражения лица проводить классификацию состояний [41].

Для анализа эмоциональной реакции человека также используют частотные психомоторные и психофизиологические характеристики, в частности, колебательные движения, присущие различным частям тела человека, как следствие происходящих внутренних процессов. Среди них можно выделить: дыхание, которому сопутствуют ритмичные колебания торса; вестибулярно-эмоциональный рефлекс, проявляющийся колебаниями головы в результате деятельности вестибулярной системы; движение крови, прилив крови к лицу, способствующий изменению цветовых характеристик кожи. В системе Vibroimage в качестве предмета анализа используется "вестибулярно-эмоциональный рефлекс". С физической точки зрения механические колебания головы представляют собой вибрационный процесс, параметры которого количественно характеризуют взаимосвязь энергии и движения объекта [42].

Перспективным направлением в определении эмоциональных реакций является бесконтактное определение пульса человека. Для реализации подобной возможности существует специально разработанный алгоритм [43]. На вход подается последовательность видеокадров. К каждому кадру применяется пространственное разложение на частотные составляющие, а затем происходит усиление определенных составляющих.

Недавние открытия в области глубокого обучения и использования автоматического измерения движения лица и головы сделали возможным объективное измерение тяжести депрессии. В то время как мощные подходы глубокого обучения не поддаются интерпретации. Коллективом авторов был разработан интерпретируемый метод автоматического измерения тяжести депрессии, который использует барицентрические координаты лица в качестве ориентиров и матрицу вращения трехмерной модели головы, полученную на основе линейной алгебры. С использованием этих представлений кинематические особенности движения извлекаются, предварительно обрабатываются и кодируются с применением гауссовой модели (GMM) и векторного кодирования Фишера. Мультикласс SVM используется для классификации закодированных движений лица и головы. Предлагаемый подход был оценен у взрослых с хронической депрессией. Скорость и ускорение движения являются динамическими характеристиками, позволяющими оценить три уровня тяжести депрессии. Полученный результат соответствует клиническим данным [44].

В настоящее время исследования человеческих эмоций затруднены отсутствием консенсуса по теории эмоций, подходящей для изучения динамических аспектов эмоций и их выражения. Анализ речи при автоматической психиатрической диагностике может быть основан не на том, что сказано, а на том, как это сказано. При этом к недостаткам систем диагностики, основанных на аудиои видеорегистрации, разработчики относят жесткие условия записи информации, наличие фоновых помех. Следует отметить, что эти ограничения актуальны при попытке вести автоматизированную диагностику в местах большого скопления людей (например, торговые центры, учебные учреждения) с целью выявления лиц с психическими расстройствами. Операторы в большинстве случаев при работе занимают статическое положение, что позволяет системам фиксировать, анализировать изменения здоровья наблюдаемого и предупреждать о них.

Заключение