方法文章

计算脑瘫青少年在主动视频游戏期间基于心电图数据的心率变异性

20.1K 次观看

⸱

DOI：

10.3791/59230

⸱

2019年6月5日

 ,  ,  , 
1School of Biomedical Engineering, Science and Health Systems, Drexel University, 2Department of Physical Therapy and Rehabilitation Sciences, Drexel University, 3College of Nursing and Health Professions, Drexel University, 4Department of Nutrition Sciences, Drexel University

本文内容

摘要

本方案描述了一种从心电图（ECG）波形计算心率变异性（HRV）的方法。该方法利用青少年在进行主动视频游戏（AVG）期间连续心率（HR）记录中的波形，评估脑性瘫痪（CP）青少年的有氧运动能力。

摘要

本研究旨在建立一种从心电图（ECG）波形计算心率变异性（HRV）的方法。心电图波形由脑瘫（CP）青少年参与者在进行主动视频游戏（AVG）训练期间佩戴的心率监测器记录。AVG训练的设计目的是促进参与者的身体活动和体能（有氧能力）。研究目标是评估将AVG作为物理治疗（PT）干预策略的可行性。为每位参与者确定了最大心率（mHR），并针对20分钟AVG训练中的三个运动阶段分别计算目标心率区间（THRZ）：热身阶段（40–60% mHR）、训练阶段（60–80% mHR）和整理阶段（40–60% mHR）。每位参与者在AVG训练中完成三轮各20分钟的游戏。所有游戏均在坐于长凳上进行，因为许多脑瘫青少年无法长时间站立。每种游戏条件有所不同，参与者分别仅使用手部图标、手部与脚部图标结合，或仅使用脚部图标来收集物体。游戏（名为KOLLECT）的目标是收集物体以获得分数，并避开危险以避免扣分。危险元素仅在热身和整理阶段使用，以促进较慢且受控的运动，使心率维持在目标心率区间（THRZ）内；而在训练阶段不设置危险元素，以促进更高强度和更剧烈的身体活动。采用分析方法从ECG数据中提取HRV指标（选择的时间域和频率域参数），以评估有氧负荷。近期HRV的应用研究表明，短期测量（5分钟片段）是合适的，且HRV生物反馈可能有助于改善多种健康状况下的症状及生活质量。尽管心率（HR）是评估物理治疗干预中有氧表现和运动强度的公认临床指标，HRV则可进一步提供有关自主神经系统功能、恢复状态及在AVG训练期间适应性反应的信息。

引言

脑性瘫痪（CP）是儿童时期最常见的身体残疾1。CP 是由于发育中的大脑受到神经性损伤所致，常伴随肌肉无力、痉挛、失健、运动控制能力下降和平衡障碍等运动功能障碍2,3。CP 本身并非进行性疾病，但随着年龄增长，由于生长发育对已受损的神经肌肉和肌肉骨骼系统带来更高负荷，患儿相较于典型发育（TD）同龄人往往体力活动减少，久坐行为增多4。

脑瘫青少年通常接受物理治疗（PT）服务，以改善功能性活动能力，并促进身体活动和体能（如有氧耐力和肌肉耐力）2。然而，往往难以获得足够的物理治疗服务和社区资源来实现并维持这些物理治疗目标5,6。主动式视频游戏（AVG）可能是在临床、家庭或社区环境中实施基于活动的物理治疗干预的一种可行策略7,8。商业化的主动式视频游戏在调整游戏玩法以适应脑瘫青少年的特定需求和物理治疗目标方面灵活性有限9。然而，定制化的主动式视频游戏可提供灵活的游戏参数，在促进身体活动和体能的同时，为脑瘫青少年提供适当的挑战10。

我们的团队开发了一款定制化的运动视频游戏（称为KOLLECT），用于评估青少年的运动反应（如身体活动和有氧适能）。该游戏利用动作传感器在游戏过程中追踪青少年的运动情况。游戏的目标是尽可能多地“收集”物体以获得高分，同时避开危险物以避免扣分。根据治疗师设定的灵活游戏参数，可通过手部和/或脚部图标来收集物体。

为脑瘫青少年设计基于活动的物理治疗干预措施时，对体力活动强度进行剂量控制以促进有氧适能至关重要11。定制化的动作感应视频游戏（AVG）可能是一种有效策略，可用于调控活动强度并促使青少年参与体力活动，从而提升体能10。心率（HR）监测仪在临床物理治疗实践中常用于评估有氧表现和活动强度。因此，HR监测仪将有助于判断AVG在调控体力活动强度以促进有氧适能方面的可行性9。 通过HR监测仪生成的心电图（ECG）数据可用于计算心率变异性（HRV）。本研究采用分析方法从ECG数据中提取HRV，以评估有氧负荷。近期HRV的应用研究表明，短期测量（5分钟时段）是合适的，且HRV生物反馈可能有助于改善多种健康状况下的症状及生活质量32,33,34。短期HRV测量是评估AVG训练期间心血管功能的适当手段。由于HRV来源于ECG的R-R间期，我们选用了特定的时间域和频率域指标。HRV的时间域指标用于量化心动周期间期的变异程度，即连续心跳之间的时间间隔。我们采用了AVNN（NN间期平均值）、RMSSD（连续差值的均方根）、SDNN（NN间期的标准差）、NN50（NN间期大于>50 ms的次数）和PNN50（NN间期所占百分比）。频率域指标用于估计绝对或相对功率在可能存在的四个频段中的分布情况，本研究重点关注其中两个频段：低频（LF）功率和高频（HF）功率，以及LF/HF比值。尽管心率是临床广泛接受的指标，但HRV具有额外价值，因其可提供关于自主神经系统功能、恢复状态、适应能力的信息，并可估计AVG训练期间的有氧负荷水平28。

本研究的目的是探讨使用活动视频游戏（AVG）策略促进身体活动和体能的可行性。第二个目的是介绍AVG数据收集方案以及利用心率监测器获取的ECG数据计算心率变异性（HRV）的方法学。这些测量指标和该方案可能对临床医生监测和制定物理治疗（PT）干预方案具有参考价值。

访问受限。请登录或开始试用以查看此内容。

方案

  已获得机构审查委员会批准。所有青少年在参与前均提供了书面同意书，家长也提供了知情同意书。

1. AVG 数据采集会话

  1. AVG 游戏环节
    1. 在本研究中，让患有脑性瘫痪（CP）的青少年参与一次 AVG 游戏环节，该环节包括三个各持续 20 分钟的游戏。有关青少年的人口统计学信息，请参见表 5。预计总共进行 30 场游戏；但由于一名受试者在其 AVG 环节中仅完成了两场游戏，因此实际共完成 29 场游戏。
    2. 在整个实验过程中，让受试者佩戴心率（HR）监测仪，以记录其心率和心电图（ECG）反应。
    3. 在 AVG 游戏环节中，让青少年坐在长凳上进行游戏，双脚平放于地面，膝关节和髋关节屈曲至 90 度（即 90/90 坐姿），以提供姿势支撑和稳定性。
    4. 采用以下三种游戏条件来收集操作对象：1）仅使用手部图标；2）仅使用足部图标；3）同时使用手部和足部图标。在不同受试者之间采用平衡顺序。选择这三种条件的目的是确定哪种方式在促进身体活动和体能方面更有效，同时又不至于过于费力而导致过早的不必要疲劳。
      注：每款游戏均依据运动处方的阶段进行设计：热身、训练和整理阶段。[请参见表 1]。此外，在游戏开始前设置一个静息阶段，用于记录基线心率；在游戏结束后设置一个恢复阶段，用于记录心率恢复至基线水平所需的时间。
    5. 在每场游戏之间允许受试者休息，直至心率恢复至基线水平。
  2. 根据心电图数据计算心率变异性（HRV）
    1. 将数据组织为 5 分钟的时间段，以确保每个阶段的数据具有可比性。因此，这些计算共定义了 6 个阶段：1）静息期；2）热身期；3）训练期 1（前 5 分钟）；4）训练期 2（第二个 5 分钟）；5）整理期（5 分钟）；6）恢复期。将训练阶段划分为两个 5 分钟的子阶段，以便在更短的时间间隔内评估受试者的有氧表现，从而考虑因体能下降导致的疲劳影响12（表 4）。
    2. 为准确计算受试者每次实验各阶段的心率变异性指标，需对原始心电图信号进行 R 波峰值检测12,13。应使用原始信号，以避免可能扭曲数据的信号处理操作。
    3. 为处理数据，获取每次记录会话的开始时间，并将“日期时间”变量（MM/DD/YYYY HH:MM:SS.SS）转换为秒。所有会话均未跨越两天，因此在计算中可忽略 MM/DD/YYYY 部分。从计时表中获取目标游戏的开始时间，以定位心电图（ECG）文件中的各游戏会话；该时间在从计时文件中提取后需转换为秒。计时文件包含游戏各阶段的开始时间以及恢复期结束的时间（表 2）。
    4. 将游戏开始前 5 分钟定义为静息期，将整理阶段结束后 5 分钟定义为恢复期。在获得这些时间点后，通过以下公式确定目标游戏阶段在 ECG 文件中的位置（S）：
      figure-protocol-1 （1）
      其中“阶段”可设为静息、热身、训练 1、训练 2、整理或恢复；时间除以 1/频率，以考虑 ECG 的采样率。心率监测仪的采样率为 250 Hz，因此每 4 毫秒记录一次数据。
      1. 通过修改 Peak_Detection.m 程序中的第一个提示参数，调整采样率，以适应不同记录设备的使用。在运行峰值检测程序时，选择要处理的 5 分钟时间段，该操作通过用户提示完成。将结束时间设为开始时间后 5 分钟，并考虑记录设备的采样频率。
    5. 选定 5 分钟片段后，基于波形的平均值和标准差计算峰值检测的阈值。
      1. 将阈值设为 figure-protocol-2，但如果数据较为均匀，可在程序中提高该值，以减少因 T 波高于对应 R 波而导致的假阳性检测。这些假阳性示例见图 1。
      2. 除设定 R 波峰值的最小高度外，还需设定峰值之间的最小距离，以减少在目标 R 波附近检测到错误峰值的可能性。将该值设为 75，对应峰值间间隔 0.3 秒或每分钟 200 次心跳（bpm）（该值随采样频率变化）。200 bpm 高于本研究中任何受试者达到的心率，可根据研究人群调整该值。
    6. 计算出阈值后，运行程序对波形进行扫描，尝试识别所有 R 波，用于 RR 间期和 HRV 计算。生成初步图像，以便用户检查是否存在如图 1或图 2所示的异常情况。
      1. 通过手动编辑“Detection”变量来修正这些异常，该变量第一列为峰值的微伏（µV）读数，第二列为当前游戏会话中的位置（s/0.004）。在大多数情况下，可通过放大问题区域（如图 1所示）轻松找到正确的 R 波峰值。许多数据会话较为均匀（如图 3所示），因此仅需少量修正。但某些情况较为杂乱，需花费更多时间审查并确定正确的 R 波位置。
      2. 如果波形波动过大导致难以准确定位峰值，可忽略约 1–2 秒的小段数据，并将其归因于异位搏动，这些数据不参与 HRV 计算12。
    7. 在确定所有 R 波位置后，运行 HRV_Measures 程序。首先计算 RR 间期，因为这是本研究中所用心率变异性指标的基础12。
      1. 获取间期矩阵，并忽略任何大于 1.5 秒（40 bpm）的间期，因其源于前述被排除在计算之外的异位搏动。保存这些 RR 间期以用于后续计算和数据验证。使用这些间期通过以下公式计算连续差值的均方根（RMSSD）：
        figure-protocol-3 RMSSD = (2)
        其中 N = RR 间期数量，(R-R)i = 相邻 QRS 波群之间的间期，(R-R)i+1 = 下一组波群之间的间期
    8. 选择该变量的原因在于，已有研究表明其在 1 分钟至 24 小时长度的间期内均有效13,14,15,16,17，因此可用于评估游戏中各阶段的 5 分钟间期。除 RMSSD 外，还应计算 NN 间期的标准差（SDNN），以衡量各阶段内心率的变化14,16,18。
    9. 利用 RR 间期计算 NN50，即与前一间期相差超过 50 毫秒的间期数量12，该指标也已用于 1 分钟至 24 小时长度的间期分析16,17,19,20,21。
      1. 通过简单的计数函数计算 NN50 变量，检查连续 RR 间期长度之差是否大于 50 毫秒。以这种方式获得 NN50 后，除以总间期数，计算 pNN50，即相差超过 50 毫秒的间期所占百分比。该计算使测量数据可在不同受试者、游戏甚至不同长度的会话之间进行比较，因其为无量纲变量13,14,16,17。
    10. 将每个阶段和每位受试者的平均 RR 间期长度作为另一项 HRV 指标进行计算16,17,19,22,23,24。利用该指标通过将平均 RR 间期除以 60 秒来计算平均心率。这两个指标均可在不同游戏会话间进行直接比较，以观察受试者活动趋势16,17,19,22,23,24。
    11. 在计算完上述指标后，通过快速傅里叶变换获取功率谱密度（PSD），分别对 5 分钟时间段的原始 ECG 信号和 RR 间期矩阵计算低频（LF）和高频（HF）功率谱密度13,14,17,19,25。所有数据随后存储于表格中，示例见表 4。

2. 从患者获取心电图数据

  1. 准备心率监测器胸带和蓝牙模块，以便应用于受试者。
    1. 使用充电底座将蓝牙模块完全充满电（3 小时）。
    2. 通过充电底座将模块插入数据计算机，并打开配置工具。输入用于记录的名称。
    3. 选择心率设备，点击 时间 选项卡，然后选择 设置日期/时间，以将模块同步至正确的日期和时间。此时可将设备从充电底座上取下。
    4. 将手浸入水中后擦拭心率监测器胸带上的导电区域（米色部分），使其湿润。
    5. 将心率监测器蓝牙模块插入胸带，确保模块的导电面与胸带上的导电面对齐：模块会卡入到位。
    6. 按住模块上的按钮，直到指示灯闪烁。此时模块已开启并开始记录数据。
    7. 将心率监测器胸带（含蓝牙模块）佩戴于受试者身上，使模块对准左侧腋中线，胸带位于胸肌下方。正确就位后，收紧胸带，确保其在测试过程中不会移动，同时保证受试者佩戴舒适。
  2. 获取信号并查看实时数据流。
    1. 将连接器插入用于查看数据的计算机的 USB 端口。
    2. 打开 实时查看 程序，点击扳手和螺丝刀图标进入 设置模式。
    3. 根据需要从列表中选择一名受试者，或点击屏幕左下角的 新建 按钮添加新受试者。
    4. 根据需要输入受试者信息以用于识别（姓名、年龄、性别、身高、体重）。
    5. 点击 硬件 选项卡，并选择当前受试者。
    6. 点击该选项卡底部的 分配 按钮，选择当前设备（若无其他设备，则显示为 01），然后在弹出窗口中点击“分配”。
    7. 点击 团队 选项卡。选中该受试者，然后点击右箭头按钮，将其加入 团队 A。
    8. 点击 部署 选项卡，然后将新创建的团队移至第一个选项卡。
    9. 点击左上角蓝色的 Wi-Fi 图标，打开 实时模式 选项卡。
    10. 使用 实时模式 选项卡实时监测受试者的心率、呼吸频率和体位。
      注意：也可查看信号强度、电池电量以及各项测量值的置信度。
    11. 准确记录每次测试及其各阶段的开始和结束时间（MM/DD/YYYY HH:MM:SS），以便后续处理。
  3. 从心率监测器下载心电图（ECG）数据。
    1. 在测试结束后，从受试者身上取下胸带，并将蓝牙模块从胸带上取下。
    2. 将模块放入充电底座，并连接至已安装软件程序的计算机。
    3. 打开日志文件。
    4. 从下拉菜单中选择设备。当前设备上所有会话将按日期和时间列出。
    5. 取消勾选 使用默认保存位置 选项，并选择新的保存路径。
    6. 点击 保存。此时将出现进度条。保存时间可能长达一小时，具体取决于会话时长。
    7. 数据保存完成后，重新命名文件日期。

3. 数据分析与心率变异性指标的计算

  1. 准备文件以进行处理。
    1. 将心电图文件命名为“KOLLECT_受试者编号_AVG4”（例如，KOLLECT_01_AVG4.csv）。
    2. 生成一个逗号分隔变量（.csv）格式的时序表，用于在数据处理过程中提取时序数据。参见 表1 正确格式的示例如下。
    3. 从 .csv 文件导入日期时间数据，然后右键单击新创建的变量名称，将其更改为 'Timing.mat.
  2. 初步R波峰值检测
    1. 打开并运行 峰值 _ 检测 . m.
    2. 当程序提示时，输入心电图记录设备的采样频率。
    3. 当系统提示时，输入要分析数据的玩家编号。
      注意：部分玩家未完成主动视频游戏4（AVG4），因此本研究仅使用玩家1至10的数据。输入其他编号将导致错误提示。
    4. 当系统提示时，输入要分析的游戏编号（1、2 或 3）。
    5. 输入待分析的阶段（静息、热身（WU）、体能训练（Con）、静息或恢复）。
      1. 如需，请输入以分钟为单位的偏移量，或输入 0 无偏移。
    6. 选择放大工具，并选取输出图中的一块区域，以创建一个宽度约为 2,000（s/0.004）、高度足以完整显示整个波形的窗口，如图所示 图3如果窗口不易于目视观察，可放大或缩小。
    7. 目视检查图表，评估检测到的峰是否被正确标记。参见 图1 例如，由不规则心电图数据导致的错误检测和遗漏峰图2).
  3. 峰校正
    1. 通过在工作区中定位“Detection”变量并双击，校正错误检测到的峰或缺失的峰。
    2. 利用 数据光标 使用ECG波形图上的工具获取错误峰的x和y坐标；X（时间×频率）为第一列 Detection.mat 和 Y（电压）为第二列（图3).
      1. 右键单击出现的文本框，然后单击 选择光标更新功能.
      2. 选择 TooltipUpdate.m 从用于此分析的文件所在文件夹中。这将使工具提示能够显示更精确的数值。
    3. 如果该点为假阳性，通过点击其所在行将其从阵列中移除 Detection.mat 可变且紧迫的 对照 以及 负 关键。假阳性检测的一个示例见于 图3.
    4. 编辑标记错误的峰，这些峰邻近于未标记的峰，如图中两个被标记为 R 的 T 峰所示 图1，通过将其数值更改为与未标记峰的数值相匹配。
    5. 缺失峰的值可通过以下方法获得 数据光标 工具
    6. 添加更多行到 检测. mat 使用控制键和加号键标记因电压过低而遗漏的峰。
    7. 按数值顺序输入数据，以避免计算过程中出现负值（例如，在位于10908和11167的峰之间添加位于11000的峰）图5).
    8. 确保在进入完整实验流程前正确输入数值，因为输入的数字有时可能会被截断。
    9. 重复步骤 2.3，直至所有峰均被检查和/或校正。
      注意：某些文件的波形振幅变化较小，检查起来更快，如所示 图4 而其他峰则变异性较大，目视检查时可能需要更近距离的放大才能准确定位峰位。
  4. 获取HRV测量值的计算结果。
    1. 保存由原始数据生成的图表 Peak_Detection.m 以供日后参考。
    2. 运行 HRV_Measures.m 以生成正确标注的图表。校正后数据的示例如下所示 图6.
      1. 使用以下方法更改图表标题 插入 | 标题 在绘图窗口上点击并将其更改为所需的标题。
      2. 检查输出窗口，如果存在数据输入位置错误，程序将通知用户。
    3. 保存名为 interval 的变量。
    4. 打开名为 HRV 的变量 工作区 用于查看平均 RR 间期（ms）、平均心率（bpm）、RMSSD（ms）、SDNN（ms）、NN50（次数）、pNN50（%）、低频/高频（LF/HF）（ECG）、RR 间期的 LF/HF、RR 间期低频功率和 RR 间期高频功率。将这些变量的 h 值保存到一个表格中，例如下表所示 表4.
    5. 对所有其他需要分析的片段、会话和受试者重复执行第 3.2 - 3.4 节步骤。

访问受限。请登录或开始试用以查看此内容。

结果

该方法可提供用于分析新开发的方法对受试者心率变异性（HRV）影响的数据。其通过定位受试者心电图（ECG）数据中QRS波形的R波部分（如图6所示），并据此计算多种HRV指标来实现。若心率监测器与受试者接触良好，则所获数据将较为均匀，从而显著减少校正需求（如图4所示）。

阈值应设置为能够处理如图所示的杂乱且不规则的数据 图1 和 图2如果由于心率监测器与皮肤接触的瞬时变化导致数据变异性较大，初始分析可能会错误地标记峰值，如图所示 图3此错误可通过手动校正数值或按照方案第3节所述添加额外数据点来修正。调整阈值水平以及峰间最短时间间...

访问受限。请登录或开始试用以查看此内容。

讨论

共有十名脑瘫青少年参与了本研究（均值 ± 标准差）[年龄（岁）= 15.53 ± 3.57；身高（cm）= 154.8 ± 12.6；体重（kg）= 50.69 ± 11.1；体重指数（BMI）= 50.46 ± 29.2；最大心率（mHR 9 bpm）= 186.8 ± 12.4]。患者人口统计学信息详见表5。

在使用心率监测器及其相关的心率（HR）和心率变异性（HRV）测量指标时，需考虑一些与调整和故障排除相关的问题。无论采用何种技术获取数据，都会明显遇到两个问题：1）运动伪影；2）异位搏动。通常通过采集RR间期数据后的后处理步骤来解决由运动伪影和异位搏动引起的问题12,13,18,22,26。对后处理操作进行故障排除时，...

访问受限。请登录或开始试用以查看此内容。

披露

目前，作者（CL 和 PAS）没有需要披露的内容。O'Neil 博士是 enAbleGames, LLC 的联合创始人，Kollect 是该公司提供的基于网络的游戏之一。enAbleGames 目前处于游戏开发阶段，尚非上市公司（www.enAbleGames.com）。 

致谢

作者感谢参与本研究的受试者及其家庭所付出的时间和努力。同时，作者感谢刘一川博士和Hasan Ayaz博士在心率监测时间计算方面的协助，以及Paul Diefenbach博士在KOLLECT主动视频游戏软件开发方面的贡献。本研究工作由库尔特基金会资助，资助项目编号为#00006143（O’Neil；Diefenbach，项目负责人）和#00008819（O’Neil；Diefenbach，项目负责人）。

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名公司目录编号评论
BioHarness 蓝牙模块（电子传感器） 泽菲尔9800.0189检测心率、呼吸频率、体位和皮肤温度。
BioHarness 胸带Zephyr9600.0189, 9600.0190尺码 小号 XS-M，大号 M-XL
BioHarness 充电底座 &和 USB 数据线Zephyr9600.0257用于将数据从模块传输至计算机进行分析。
BioHarness Echo 网关Zephyr9600.0254可实时观察受试者的心率。
MATLAB R2016aMathworks1.7.0_.60适用于所有编程。

参考文献

  1. Winter, S., Autry, A., Boyle, C., Yeargin-Allsopp, M. Trends in the prevalence of cerebral palsy in a population-based study. Pediatrics. 110 (6), 1220-1225 (2002).
  2. Fowler, E., et al. Promotion of physical fitness and prevention of secondary conditions for children with cerebral palsy: Section on Pediatrics Research Summit Proceedings. Physical Therapy. 87 (11), 1495-1510 (2007).
  3. Rosenbaum, P., Paneth, N., Leviton, A., Goldstein, M., Bax, M. A report: The definition and classification of cerebral palsy: April 2006. Developmental Medicine & Child Neurology. 49 (s109), 8-14 (2007).
  4. Hanna, S., et al. Stability and decline in gross motor function among children and youth with cerebral palsy aged 2 to 21 years. Developmental Medicine & Child Neurology. 51 (4), 295-302 (2009).
  5. Rimmer, J., Rowland, J. Health promotion for people with disabilities: Implications for empowering the person and promoting disability-friendly environments. American Journal of Lifestyle Medicine. 2 (5), 409-420 (2008).
  6. Feehan, K., et al. Factors influencing physical activity in children and youth with special health care needs: A pilot study. International Journal of Pediatrics. , Article ID 583249 (2012).
  7. Fehlings, D., Switzer, L., Findlay, B., Knights, S. Interactive computer play as motor therapy for individuals with cerebral palsy. Seminars in Pediatric Neurology. 20 (2), 127-138 (2013).
  8. Sandlund, M., Dock, K., Hager, C., Waterworth, E. Motion interactive video games in home training for children with cerebral palsy: parents’ perceptions. Disability & Rehabilitation. 34 (11), 925-933 (2012).
  9. Howcroft, J., et al. Active video game play in children with cerebral palsy: Potential for physical activity promotion and rehabilitation therapies. Archives of Physical Medicine and Rehabilitation. 93 (8), 1448-1456 (2012).
  10. Bilde, P., Kliim-Due, M., Rasmussen, B., Petersen, L., Petersen, T., Nielsen, J. Individualized, home-based interactive training of cerebral palsy children delivered through the Internet. BMC Neurology. 11, 32(2011).
  11. Kolobe, T., et al. Research Summitt III proceedings on dosing in children with an injured brain or cerebral palsy. Physical Therapy. 94 (7), 907-920 (2014).
  12. Schipke, J., Pelzer, M., Arnold, G. Effect of respiration rate on short-term heart rate variability. Journal of Clinical and Basic Cardiology. 2 (1), 92-95 (1999).
  13. Ernst, G. Heart rate variability. Heart Rate Variability. , 1-336 (2014).
  14. Francis, J., et al. Association between symptoms of depression and anxiety with heart rate variability in patients with implantable cardioverter defibrillators. Psychosomatic Medicine. 71 (8), 821-827 (2009).
  15. Mendes, R., et al. Is applying the same exercise-based inpatient program to normal and reduced left ventricular function patients the best strategy after coronary surgery? A focus on autonomic cardiac response. Disability and Rehabilitation: An International Multidisciplinary Journal. 36 (2), 155-162 (2014).
  16. Muralikrishnan, K., Balakrishnan, B., Balasubramanian, K., Visnegarawla, F. Measurement of the effect of Isha Yoga on cardiac autonomic nervous system using short-term heart rate variability. Journal of Ayurveda and Integrative Medicine. 33 (2), 279-283 (2012).
  17. Yadav, R. K., Gupta, R., Deepak, K. K. A pilot study on short term heart rate variability & its correlation with disease activity in Indian patients with rheumatoid arthritis. Indian Journal of Medical Research. 136 (4), 593-598 (2012).
  18. Thuraisingham, R. A. Preprocessing RR interval time series for heart rate variability analysis and estimates of standard deviation of RR intervals. Computer Methods and Programs in Biomedicine. 83 (1), 78-82 (2006).
  19. Alamili, M., Rosenberg, J., Gögenur, I. Day-night variation in heart rate variability changes induced by endotoxaemia in healthy volunteers. Acta Anaesthesiologica Scandinavica. 59 (4), 457-464 (2015).
  20. Pal, G., et al. Preference for salt contributes to sympathovagal imbalance in the genesis of prehypertension. European Journal of Clinical Nutrition. 67 (6), 586-591 (2013).
  21. Telles, S., Raghavendra, B. R., Naveen, K. V., Manjunath, N. K., Kumar, S., Subramanya, P. Changes in autonomic variables following two meditative states described in yoga texts. Journal of Alternative and Complementary Medicine. 19 (1), 35-42 (2013).
  22. Kičmerová, D. Methods for Detection and Classification in ECG Analysis. Doctoral thesis. , Department of Biomedical Engineering. BRNO University of Technology. Czech Republic. (2009).
  23. Evaluation of mental workload for ship handling using physiological indices. Murai, K., Hayashi, Y. 2009 Second International Conference on Emerging Trends in Engineering & Technology, October, , 604-608 (2009).
  24. Taelman, J., Vandeput, S., Spaepen, A., Van Huffel, S. Influence of mental stress on heart rate and heart rate variability. Heart. 29 (1), 1366-1369 (2009).
  25. Durantin, G., Gagnon, J. F., Tremblay, S., Dehais, F. Using near infrared spectroscopy and heart rate variability to detect mental overload. Behavioural Brain Research. 259, 16-23 (2014).
  26. Buchheit, M. Monitoring training status with HR measures: Do all roads lead to Rome? Frontiers in Physiology. 5, (2014).
  27. Achten, J., Jeukendrup, A. Heart rate monitoring: Applications and limitations. Sports Medicine. 33 (8), 517-538 (2012).
  28. Amichai, T., Katz-Leurer, M. Heart rate variability with cerebral palsy: Review of literature and meta-analysis. NeuroRehabilitation. 35, 113-122 (2014).
  29. Billman, G., Haikuri, H., Sacha, J., Trimmel, K. An introduction to heart rate variability: Methodological considerations and clinical applications. Frontiers in Physiology. 6, (2015).
  30. Beffara, B., Bret, A., Vermeulen, N., Mermillod, M. Resting high frequency heart rate variability selectively predicts cooperative behavior. Physiology & Behavior. 164, 417-428 (2016).
  31. Fogt, D., Cooper, P., Freeman, C., Kalns, J., Cooke, W. Heart rate variability to assess combat readiness. Military Medicine. 174, 491-495 (2009).
  32. Kerppers, I. L., Arisawa, E. A. L., Oliveira, L. V. F., Sarmpaio, L. M. M., Oliverira, C. S. Heart rate variability in individual with cerebral palsy. Archives of Medical Science. 5, 45-50 (2009).
  33. Giggins, O. M., Persson, U. M., Caulfield, B. Biofeedback in Rehabilitation. Journal of Neuroengineering and Rehabilitation. 10, (2013).
  34. Shaffer, F., Ginsberg, J. P. An overview of heart rate variability metrics and norms. Frontiers in Public Health. 5, 258(2017).
  35. Shaffer, F., McCarty, R., Zeir, C. L. A healthy heart is not a metronome: an integrative review of the heart’s anatomy and heart rate variability. Frontiers in Psychology. 5, 1040(2014).

访问受限。请登录或开始试用以查看此内容。

重印与许可

申请许可以重复使用本 JoVE 文章的文本或图表

申请许可

标签

R MATLAB

相关文章