|
Носовое дыхание оказалось уникальным для каждого человека
|
|
|
|
Израильские исследователи провели серию экспериментов с участием здоровых людей и пришли к выводу, что паттерны носового дыхания уникальны у каждого человека (как отпечатки пальцев), и с их помощью можно предсказывать некоторые физиологические и психические характеристики. Отчет о работе опубликован в журнале Current Biology.
|
|
|
|
Дыхание регулируется сложной сетью мозговых структур, которая действует как респираторный водитель ритма, управляющий автономными дыхательными движениями в соответствии с физиологическими нуждами, но допускающий произвольное вмешательство в процесс в ответ на поведенческие запросы. Ключевым генератором ритма служит комплекс пре-Бётцингера (preBotC) в продолговатом мозге. Его активность модулирует обширная мозговая сеть, включающая структуры продолговатого мозга, моста, коры и подкорки, получающая информацию от механо- и хеморецепторов дыхательных путей, а также произвольные поведенческие сигналы. Детальная и продолжительная характеризация паттернов дыхания может дать полезную информацию об активности этой сложной сети и, потенциально, о других мозговых функциях. Кроме того, с учетом уникальности каждого мозга можно предположить, что долгосрочные дыхательные паттерны также уникальны у каждого человека.
|
|
|
|
|
|
|
Чтобы проверить эту гипотезу, Ноам Собель (Noam Sobel) из Института имени Вейцмана с коллегами разработал носимое устройство, постоянно регистрирующее носовое дыхание и сохраняющее журнал его характеристик. Его использовали непрерывно в течение суток 100 здоровых добровольцев (средний возраст 26,33 года; 52 процента — женщины). В это время участники вели дневники действий с помощью смартфона, а также заполняли стандартные опросники. Данные по трем из них оказались искаженными, и в итоговый анализ их не включали. 42 участника прошли второй суточный сеанс записи с интервалом от пяти дней до 23,5 месяца (в среднем 3,57 месяца). С помощью инструмента BreathMetrics в полученных записях классифицировали 24 параметра дыхания (таких, как объем вдоха и выдоха, частота дыхания и его задержек и другие). Сырые данные разделили на пятиминутные интервалы и проанализировали отдельно для периодов сна и бодрствования. Первые 65 их процентов использовали для обучения, остальные 35 процентов — для тестирования нейросетевого классификатора.
|
|
|
|
С помощью этого классификатора удалось идентифицировать 90,7 процента участников по данным, собранным в течение бодрствования, и 64,95 процента — в течение сна. Поскольку более низкая точность во время сна может быть обусловлена меньшей его продолжительностью по сравнению с бодрствованием, данные о последнем урезали так, чтобы они по продолжительности совпадали со сном, и повторили анализ — точность идентификации возросла до 82,47 процента. Сокращение анализируемого интервала до часа позволило идентифицировать 28,87 процента участников во время бодрствования и 43,3 процента — во время сна, что значительно превосходит по точности случайное угадывание. Для изучения возможности экстраполяции идентификации на популяцию исследователи использовали случайные выборки из 20, 40, 60 и 80 участников и повторяли процесс 100 раз для сна и бодрствования — точность достигла более 70 и около 90 процентов соответственно.
|
|
|
|
При анализе записей участников, прошедших два суточных сеанса, классификатор обучали на данных первого сеанса и тестировали на данных второго. По данным за период бодрствования удалось идентифицировать 95,42 процента участников, а за период сна — 71,43 процента. Если для обучения и тестирования использовали лишь часовые интервалы, точность достигала 42,86 и 26,19 процента соответственно. Схожие результаты были получены при экстраполяции результатов на популяцию. Таким образом, уникальность индивидуальных паттернов дыхания остается стабильной на протяжении длительного времени, и это справедливо и за пределами изученной когорты. Когда для анализа дыхательную кривую представляли непрерывно, а не в виде дискретных дыхательных движений, и анализировали не специфичным для дыхания инструментом HCTSA, средняя точность идентификации составила 96,81 ± 1,62 процента, то есть вплотную приблизилась к биометрической и могла превосходить идентификацию по голосу.
|
|
|
|
Выяснив это, исследователи использовали инструмент MCFS для выбора пяти наиболее значимых параметров дыхания и ввели их в линейный классификатор. С его помощью периоды сна и бодрствования удавалось различить со 100-процентной точностью, причем при использовании данных всего за пять минут она достигала почти 95 процентов. Используя схожие подходы, оказалось возможным предсказать по параметрам дыхания индекс массы тела участников и с меньшей точностью — эмоциональные, когнитивные и поведенческие характеристики.
|
|
|
|
Полученные результаты свидетельствуют, что долгосрочные паттерны дыхания уникальны у каждого человека и существенно коррелируют с состоянием здоровья, эмоциональным фоном и когнитивными функциями, заключают авторы работы.
|
|
|
|
Источник
|
