Діагностика емоційного вигорання із застосуванням методів машинного та глибокого навчання
DOI:
https://doi.org/10.64915/RADAP.2026.103.69-77Ключові слова:
емоційне вигорання, машинне навчання, глибоке навчання, електроенцефалографія, опитувальник вигорання Маслач, відбір ознак, класифікація, діагностика психічного здоров’яАнотація
У роботі розглянуто розробку та оцінку обчислювальних методів для класифікації емоційного вигорання на основі кількісного аналізу даних. На відміну від суб’єктивних психометричних опитувальників, досліджується застосування алгоритмів машинного та глибокого навчання до структурованих наборів даних. Було проведено систематичне порівняння класичних методів, зокрема логістичної регресії, випадкового лісу та градієнтного бустингу, з ансамблевою моделлю глибокого навчання. Для підвищення надійності застосовано попередню обробку даних, включаючи відбір ознак, балансування та ресемплінг. Архітектура глибокого навчання (Deep Learning, DL), що поєднує функцію втрат типу focal loss та адаптивну оптимізацію порогу класифікації, продемонструвала найкращі результати. За 5-кратної крос-валідації запропонована DL-модель досягла загальної точності 86.3%, з показниками precision 0.815/0.887, recall 0.786/0.904 та F1-мірою 0.800/0.895 для негативного та позитивного класів відповідно. Отримані результати підтверджують, що сучасні обчислювальні моделі можуть забезпечувати масштабовані та узагальнені інструменти для задач автоматизованого виявлення, створюючи технічне підґрунтя для подальшої інтеграції у прикладні дослідження та системи моніторингу професійного здоров’я.
Посилання
1. Van Luijtelaar G. V., Verbraak M., van den Bunt M., Keijsers G., and Arns M. (2010). EEG findings in burnout patients. The Journal of Neuropsychiatry and Clinical Neurosciences, Vol. 22, No. 2, pp. 208-217. DOI: 10.1176/jnp.2010.22.2.208.
2. Golonka K., Gawlowska M., Mojsa-Kaja J., and Marek T. (2019). Psychophysiological characteristics of burnout syndrome: Resting-state EEG analysis. BioMed Research International, 2019, Article ID 3764354. DOI: 10.1155/2019/3764354.
3. Tement S., Pahor A., and Jaušovec N. (2016). EEG alpha frequency correlates of burnout and depression: The role of gender. Biological Psychology, Vol. 114, pp. 1-12. DOI: 10.1016/j.biopsycho.2015.11.005.
4. Guo Y., Park J., and Kang S. (2024). Effects of job crafting and leisure crafting on nurses’ burnout: A machine learning approach. International Journal of Environmental Research and Public Health, Vol. 21, No. 7, Article 1191915. DOI: 10.1155/2024/9428519.
5. Van Zyl-Cillié L., Le Roux D. B., and Engelbrecht A. (2024). Machine learning model to predict burnout risk factors among South African nurses. Healthcare, Vol. 12, No. 16, Article 1662. DOI: 10.1186/s12913-024-12184-5.
6. Badr Y. (2024). A review on evaluating mental stress by deep learning using EEG. Neural Computing and Applications, Vol. 36, No. 6, pp. 2849-2871. DOI: 10.1007/s00521-024-09809-5.
7. Kim H.-G., Jeong D.-K., and Kim J.-Y. (2022). Emotional stress recognition using EEG signals based on a three-dimensional convolutional gated self-attention deep neural network. Applied Sciences, Vol. 12, No. 21, Article 11162. DOI: 10.3390/app122111162.
8. Bianchi R., Schonfeld I. S., and Laurent E. (2017). Biological research on burnout-depression overlap: Long-standing limitations and on-going reflections. Neuroscience and Biobehavioral Reviews, Vol. 83, pp. 238-239. DOI: 10.1016/j.neubiorev.2017.10.019.
9. Afek N., Harmatiuk D., Gawlowska M., Ferreira J. M. A., Golonka K., Tukaiev S., Popov A., and Marek T. (2025). Functional connectivity in burnout syndrome: a resting-state EEG study. Frontiers in Human Neuroscience, Vol. 19, Article 1481760. DOI: 10.3389/fnhum.2025.1481760.
10. Kakkos, I., Tzavellas, E., Feleskoura, E., Mourtakos, S., Kontopodis, E., et al. (2025). EEG-Based Assessment of Cognitive Resilience via Interpretable Machine Learning Models. AI, 6(6), 112. DOI: 10.3390/ai6060112.
11. Hamid, N. H. A., Sulaiman, N., Aris, S. A. M., Murat, Z. H., Taib, M. N. (2010). Evaluation of human stress using EEG power spectrum. Proceedings of the 6th International Colloquium on Signal Processing & Its Applications (CSPA). DOI: 10.1109/CSPA.2010.5545282.
12. Khan, T., Javed, H., Amin, M., Usman, O., Hussain, S. I., Mehmoood, A., and Maple, C. (2021). EEG Based Aptitude Detection System for Stress Regulation in Health Care Workers. Scientific Programming, Article ID 4620487. DOI: 10.1155/2021/4620487.
13. Arif, A., Wang, Y., Yin, R., Zhang, X., Helmy, A. (2024). EF-Net: Mental State Recognition by Analyzing Multimodal EEG-fNIRS via CNN. Sensors, 24(6), 1889. DOI: 10.3390/s24061889.
14. Liu Z. and Zhao J. (2025). Leveraging deep learning for robust EEG analysis in mental health monitoring. Frontiers in Neuroinformatics, Vol. 18, Article 1494970. DOI: 10.3389/fninf.2024.1494970.
15. Al-Shargie F., Badr Y., Tariq U., Babiloni F., Al-Mughairbi F., and Al-Nashash H. (2023). Classification of mental stress levels using EEG connectivity and convolutional neural networks. Proceedings of the 45th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), DOI: 10.1109/EMBC40787.2023.10340398.
16. Wang, X., He, Y., Zhao, Y., Zhang, Y., and Li, Y. (2021). Multi-modal brain network analysis using graph convolutional networks for major depressive disorder classification. Medical Image Analysis, 72, 102123. DOI: 10.1016/j.media.2021.102123.
17. Yeo, W.-H., Kim, Y.-S., Lee, J., and Rogers, J. A. (2012). Multifunctional Skin-Like Electronics for Long-Term Health Monitoring. Proceedings of the ASME 2012 International Mechanical Engineering Congress and Exposition. DOI: 10.1115/IMECE2012-85698.
18. Mushta S. A., Palamar S. P., Harmatiuk D. V., Popov A. O., Alves Ferreira J. M., Makarchuk M. Yu., and Tukaiev S. V. (2025). EEG frequencies pattern as brain signature of emotional burnout: Anxiety-tension stage formation. Clinical and Preventive Medicine, No. 1, pp. 92-100. DOI: 10.31612/2616-4868.1.2025.12.
19. Chawla, N. V., Bowyer, K. W., Hall, L. O., and Kegelmeyer, W. P. (2002). SMOTE: Synthetic Minority Over-sampling Technique. Journal of Artificial Intelligence Research, 16, 321–357. DOI: 10.1613/jair.953.
20. Varoquaux, G. (2018). Cross-validation failure: Small sample sizes lead to large error bars. NeuroImage, 180, 68–77. DOI: 10.1016/j.neuroimage.2017.06.061.
21. Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., et al. (2011). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 12, pp. 2825–2830.
22. Kingma D. P., Ba J. (2015). Adam: A Method for Stochastic Optimization. arXiv preprint arXiv:1412.6980.
23. Lin T.-Y., Goyal P., Girshick R., He K., and Dollár P. Focal Loss for Dense Object Detection, IEEE International Conference on Computer Vision (ICCV), 2017.
24. Zunair H. and Ben Hamza A. (2020). Melanoma Detection using Adversarial Training and Deep Transfer Learning. arXiv preprint arXiv:2004.06824.
25. Yeung M., Sala E., Schönlieb C.-B., and Rundo L. (2021). Unified Focal Loss: Generalising Dice and Cross Entropy-Based Losses to Handle Class Imbalanced Medical Image Segmentation. arXiv preprint arXiv:2102.04525.
26. Pandiyaraju V., Malarvannan S., Venkatraman S., Abeshek A., Priyadarshini B., and Kannan A. (2024). A Novel Adaptive Hybrid Focal-Entropy Loss for Enhancing Diabetic Retinopathy Detection Using Convolutional Neural Networks. arXiv preprint arXiv:2411.10843.
27. Ganaie M. A., Hu M., Malik A. K., Tanveer M., and Suganthan P. N. (2021). Ensemble deep learning: A review. arXiv preprint arXiv:2104.02395, pp. 1–35.
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2026 С. А. Мушта, І. А. Мушта , А. О. Попов, О. М. Лисенко, С. В. Тукаєв
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у нашому журналі.
2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована нашим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у нашому журналі.
3. Політика журналу дозволяє і заохочує розміщення рукопису роботи авторами в мережі Інтернет (наприклад, на arXiv.org або на особистих веб-сайтах). Причому рукописи статей можуть бути розміщенні у відкритих архівах як до подання рукопису до редакції, так і під час його редакційного опрацювання. Це сприяє виникненню продуктивної наукової дискусії, позитивно позначається на оперативності ознайомлення наукової спільноти з результатами Ваших досліджень і як наслідок на динаміці цитування вже опублікованої у журналі роботи. Детальніше про це: The Effect of Open Access.
