Аннотация результатов, полученных в 2022 году
При реализации первого этапа работы над проектом "Детектор сонливости по сердечному ритму" была разработана научно-обоснованная классификация стадий сна с детальным описанием паттернов ЭЭГ и ритма сердца на каждой стадии. Выявлено, что наиболее используемым подходом к классификации стадий сна на сегодняшний день является изложенный в рекомендациях Американской академии медицины сна. В литературных источниках обычно выделяются следующие стадии сна: NREM (N1, N2, N3) и REM (R). Отмечено, что N1 составляет от 5% до 14,4% от общего времени сна; N2 составляет от 45% до 63,7% от общего времени сна, N3 составляет от 2,9% до 25% от общего времени сна. В среднем NREM составляет 20% от общего времени сна. Для стадии N1 характерна ЭЭГ низкого напряжения. На стадии N2 появляются сигма-волны – «сонные веретена» и К-комплекс. На стадии N3 доминируют низкочастотные дельта-волны. На стадии быстрого сна электрическая активность мозга напоминает активность бодрствования. ЧСС и индекс симпатовагусного баланса в целом уменьшаются при переходе от N1 к N3 и повышаются на стадии REM. В ходе эмпирического этапа работ был собран датасет, включающий в себя данные о 225 добровольцах. Динамика субъективной сонливости оценивалась по Стэнфордской и Каролинской шкалам сонливости (SSS и KSS, соответственно) в 20:00, 20:30, 21:00, 21:30, 22:00 (и так далее в интервалом в полчаса до момента, когда человек пошел спать), 06:00. Фиксировались время, когда человек встал/пошел спать в день эксперимента и когда обычно встает/ложится спать в будни и выходные дни, количество чашек кофе выпиваемых обычно в день и выпитых в день эксперимента, пол, возраст, рост, вес, наличие хронических заболеваний, факт курения, стаж курения, соответствие режима сна потребностям организма, наличие/отсутствие проблем со сном, виды проблем со сном. Также собрана информация по шкале сонливости Эпворта и по методике на оценку качества сна. Результаты исследования показали, что сонливость значительно возрастает в период с 20.00 до 22.00 и становится максимальной в 6.00. В целом, результаты исследования показали высокий уровень соответствия между данными двух шкал. Корреляционный анализ показал высокое совпадение между результатами KSS и SSS, что еще раз доказывает их валидность. Тем не менее, анализ показал, что несмотря на общие тенденции, существуют некоторые различия между распределением ответов в градациях двух шкал.

Аннотация результатов, полученных в 2023 году
При проведении работ по второму этапу были получены следующие важнейшие результаты: 1. Была показана применимость разработанной автоматизированной системы (веб-приложения) UnnCyberpsy для дистанционного исследования сонливости. Было выявлено, что уровень субъективной сонливости увеличивается от вечернего к ночному времени, при этом ее динамика нелинейно связана с такими характеристиками испытуемого, как ИМТ, пол, возраст и употребление кофе. Результаты были отражены в следующих публикациях СМИ: http://www.unn.ru/site/about/news/kiberpsikhologi-nngu-proveli-masshtabnoe-issledovanie-dinamiki-sonlivosti-u-rossiyan; http://www.unn.ru/site/about/news/tsifrovuyu-platformu-dlya-distantsionnogo-issledovaniya-sna-sozdali-v-nngu; https://nauka.tass.ru/nauka/18872505 и в других. 2. Обнаружено, что ситуативная сонливость с 20:00 до 22:00 изменилась только у людей с относительно низкой дневной сонливостью, что сопровождалось уменьшением триангулярного индекса распределения интервалов между ударами сердца (TINN), возможно, связанным с увеличением усталости. Это может указывать на то, что такие люди более чувствительны к изменениям своей ситуативной сонливости с вечера до ночи. У людей с относительно высокой дневной сонливостью оценка ситуативной сонливости не изменилась, однако симпатовагальный индекс уменьшился, а метрики фрагментации сердечного ритма увеличились с 20:00 до 22:00. Это указывает на то, что их переход из вечернего в ночной режим требует уменьшения физического и когнитивного напряжения. Этот результат свидетельствует о том, что использование метрик ритма сердца, рассчитанных в фиксированных интервалах, для детекции сонливости должно учитывать фактор базового уровня дневной сонливости у конкретного человека. 3. Было показано, что субъективная ситуативная сонливость может сопровождаться различными состояниями. В период биологического вечера высокая сонливость ассоциировалась со "стрессовым" состоянием, с более высокой активацией симпатической системы, в то время как позже она была связана с "сонным" состоянием, с более высокой активацией парасимпатической системы и уменьшением вариабельности сердечного ритма. Наши результаты указывают на то, что тип состояния при высокой сонливости зависит от биологического времени. Это следует учитывать, в том числе, при управлении режимами работы в сменном графике и при создании алгоритмов определения уровня сонливости или бдительности. Следовательно, фактор биологического времени также влияет на взаимосвязь метрик ритма сердца и ситуативной сонливости. 4. Была обнаружена метрика ритма сердца, которую можно использовать для определения начала сна у человека, используя концепцию критического замедления. Была подтверждена применимость концепции критического замедления для определения ранних сигналов предупреждения о скорой смене состояний от бодрствования ко сну. Эта информация может послужить основой для дальнейшего развития метрик, позволяющих предсказывать приближение сонливости (т.н. сигналы раннего предупреждения) и связанную с ней потерю бдительности, что критически важно для высокорискованных видов деятельности, подверженных человеческим ошибкам. 5. Было подтверждено, что изменения вариативности ритма сердца перед переходом ко сну носят нелинейный характер. Вариативность может рассматриваться как сигнал раннего предупреждения о предстоящем критическом сдвиге состояний (бодрствование - сон). Значения вариативности ритма сердца (SDNN) могут быть успешно предсказаны с использованием 10-минутных окон обучения с использованием анализа ARIMA. Это ускорит работу алгоритмов, оценивающих различные состояния на основе анализа ритма сердца. Было выявлено, что с помощью прогнозируемых значений SDNN можно быстрее обнаружить сигналы раннего предупреждения для предстоящего перехода ко сну. Разработанный алгоритм позволяет выявлять такие сигналы в 92 % случаев.