Artículo de método

Cálculo de la variabilidad de la frecuencia cardíaca a partir de datos de ECG de jóvenes con parálisis cerebral durante las sesiones de videojuegos activas

20.1K vistas

⸱

DOI:

10.3791/59230

⸱

5 de junio de 2019

 ,  ,  , 
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

En este artículo

Resumen

Este protocolo describe un método para calcular la variabilidad de la frecuencia cardíaca (HRV) a partir de formas de onda de electrocardiograma (ECG). Las formas de onda de las grabaciones de frecuencia cardíaca continua (HR) durante las sesiones de videojuegos activos (AVG) se utilizaron para medir el rendimiento aeróbico de los jóvenes con parálisis cerebral (CP).

Resumen

El objetivo de este estudio fue generar un método para calcular la variabilidad de la frecuencia cardíaca (HRV) a partir de formas de onda de electrocardiograma (ECG). Las formas de onda fueron grabadas por un monitor de RRHH que los participantes (jóvenes con parálisis cerebral (CP)) usaron durante las sesiones de videojuegos activos (AVG). Las sesiones avg fueron diseñadas para promover la actividad física y la aptitud (rendimiento aeróbico) en los participantes. El objetivo era evaluar la viabilidad de los AVG como una estrategia de intervención de fisioterapia (PT). El HR máximo (mHR) se determinó para cada participante y se calculó la Zona de Frecuencia Cardíaca Objetivo (THRZ) para cada una de las tres fases de ejercicio en la sesión AVG de 20 minutos: (calentamiento a 40-60% mHR, acondicionamiento a 60-80% mHR, y enfriamiento a 40-60% mHR). Cada participante jugó tres juegos de 20 minutos durante la sesión AVG. Todos los juegos se jugaron mientras estaban sentados en un banco porque muchos jóvenes con CP no pueden soportar largos períodos de tiempo. Cada condición del juego difería con los participantes usando iconos de mano solamente, iconos de manos y pies juntos o iconos de pies sólo para recoger objetos. El objetivo del juego (llamado KOLLECT) es recoger objetos para ganar puntos y evitar peligros para no perder puntos. Los peligros se utilizaron en las fases de calentamiento y enfriamiento sólo para promover un movimiento más lento y controlado para mantener el HR en la zona de frecuencia cardíaca objetivo (THRZ). No hubo peligros en la fase de acondicionamiento para promover niveles más altos y una actividad física más intensa. Se utilizaron métodos analíticos para generar HRV (medidas seleccionadas de dominio de tiempo y de dominio de frecuencia) a partir de datos de ECG para examinar la carga de trabajo aeróbica. Las aplicaciones recientes de hrV indican que las mediciones a corto plazo (5 min bouts) son apropiadas y que la biorretroalimentación de VDH puede ayudar a mejorar los síntomas y la calidad de vida en una variedad de condiciones de salud. Aunque la RRHH es una medida clínica bien aceptada para examinar el rendimiento aeróbico y la intensidad en las intervenciones de PT, el VDH puede proporcionar información sobre las funciones del sistema autónomo, la recuperación y la adaptación durante las sesiones de AVG.

Introducción

La parálisis cerebral (CP) es la discapacidad física más común de la infancia1. CP es causado por un insulto neurológico al cerebro en desarrollo y se asocia con deficiencias motoras como debilidad muscular, espasticidad, descondicionamiento, y disminución del control motor y equilibrio2,3. La CP es una condición no progresiva, pero con la edad, los niños se vuelven menos activos físicamente y más sedentarios en comparación con sus compañeros con desarrollo típico (TD) principalmente debido al aumento de las demandas de crecimiento en su compromiso neuromuscular y sistemas musculoesqueléticos4.

Los jóvenes con CP suelen recibir servicios de fisioterapia (PT) para mejorar la movilidad funcional y promover la actividad física y la aptitud (por ejemplo, resistencia aeróbica y muscular)2. A menudo, hay un acceso limitado a los servicios dePT y recursos comunitarios para alcanzar y mantener estos objetivos de PT 5,6. Los videojuegos activos (AVG) pueden ser una estrategia factible en intervenciones de PT basadas en actividades en entornos clínicos, domésticos o comunitarios7,8. Los AVG comerciales tienen una flexibilidad limitada para adaptar el juego ysatisfacer las necesidades específicas y los objetivos de PT para los jóvenes con CP 9. Sin embargo, los AVG personalizados proporcionan parámetros de juego flexibles para desafiar a los jóvenes con CP mientras promueven la actividad física y la aptitud10.

Nuestro equipo ha desarrollado un AVG personalizado (llamado KOLLECT) para examinar las respuestas de ejercicio de los jóvenes (por ejemplo, actividad física y fitness aeróbico). El juego utiliza un sensor de movimiento para realizar un seguimiento del movimiento juvenil durante el juego. El objetivo del juego es 'recoger' tantos objetos como sea posible para una puntuación alta y evitar los peligros para evitar la pérdida de puntos. Los objetos se pueden recoger con iconos de manos y/o pies según lo determine el terapeuta en los parámetros flexibles del juego.

Diseñar intervenciones de PT basadas en actividades que dosifiquen la intensidad de la actividad física para promover la aptitud aeróbica es fundamental para los jóvenes con CP11. Los AVG personalizados pueden ser una estrategia eficaz para la intensidad de la dosis e involucrar a los jóvenes en la actividad física para promover la aptitud10. Los monitores de frecuencia cardíaca (HR) se utilizan a menudo en la práctica clínica de PT para determinar el rendimiento aeróbico y la intensidad de la actividad. Por lo tanto, los monitores de RRHH ayudarán a determinar la viabilidad de los AVGs en la dosificación de la intensidad de la actividad física para promover la aptitud aeróbica9. Los datos de ECG generados a partir de un monitor de HR se pueden utilizar para calcular la variabilidad de la frecuencia cardíaca (HRV). Se utilizaron métodos analíticos para generar HRV a partir de datos de ECG para examinar la carga de trabajo aeróbica. Las aplicaciones recientes de la VFC indican que las mediciones a corto plazo (5 min bouts) son adecuadas y que la biorretroalimentación de VDH puede ayudar a mejorar los síntomas y la calidad de vida en una variedad de condiciones de salud32,33,34 . La aplicación de medidas de VDH a corto plazo es un medio adecuado para evaluar la función cardiovascular durante las sesiones de AVG. Dado que el VDH se deriva del intervalo R-R de un ECG, utilizamos medidas seleccionadas de dominio de tiempo y de dominio de frecuencia. La medida de dominio de tiempo de HRV cuantifica la cantidad de variablility en los intervalos interbeats, que representa el tiempo entre latidos sucesivos. Usamos el AVNN (intervalo NN promedio), RMSSD (cuadrado medio raíz de diferencias sucesivas), SDNN (desviación estándar del intervalo NN), NN50 (número de intervalos NN >50 ms) y PNN50 (porcentaje de intervalos NN). Las medidas de dominio de frecuencia estiman la distribución de potencia absoluta o relativa en posiblemente cuatro bandas de frecuencia, abordamos específicamente en dos bandas, la potencia de baja frecuencia (LF) y la potencia de alta frecuencia (HF) junto con la relación LF/HF. Aunque la RRHH es una medida clínica bien aceptada, el VDH puede ser útil porque proporciona información sobre la función del sistema autónomo, la recuperación, la adaptación y proporciona una estimación de la carga de trabajo aeróbica durante una sesión28de AVG.

El propósito de este estudio fue examinar la viabilidad de utilizar estrategias AVG para promover la actividad física y la aptitud física. Un segundo propósito era presentar el protocolo de recopilación de datos AVG y la metodología para calcular la VDH a partir de los datos de ECG obtenidos a través de un monitor de recursos humanos. Estas medidas y este protocolo pueden resultar relevantes para los médicos para monitorear y dosis de sesiones de intervención de PT.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

Se obtuvo la aprobación de la Junta de Revisión Institucional. Todos los jóvenes proporcionaron consentimiento por escrito y los padres proporcionaron su consentimiento antes de la participación.

1. Sesiones de recopilación de datos AVG

  1. La sesión de juego de AVG
    1. En este estudio, pida a los jóvenes con CP que participen en una sesión de AVG que se compone de tres juegos de 20 minutos. Véase la Tabla 5 para la demografía de los jóvenes. Se esperaba que se jugaran un total de 30 partidos; sin embargo, 29 partidos se completaron porque un tema sólo jugó 2 partidos en su sesión de AVG.
    2. Pida a los sujetos que lleven un monitor de recursos humanos durante toda la sesión para registrar las respuestas de HR y ECG.
    3. En la sesión AVG, pida a los jóvenes que jueguen cada AVG mientras están sentados en un banco con los pies planos en el suelo y las rodillas y las caderas flexionadas a 90 grados (90/90 sentados) para el apoyo postural y la estabilidad.
    4. Utilice las tres condiciones de juego siguientes solo para objetos de colección: 1) iconos de mano; 2) iconos de pies solamente; y 3) iconos de manos y pies. Utilice un orden contrarrestado entre los sujetos. Elija estas tres condiciones para determinar cuál es más eficaz en la promoción de la actividad física y la aptitud y no demasiado exigente para causar fatiga temprana e indebida.
      NOTA: Cada juego fue diseñado usando las fases de prescripción de ejercicio: calentamiento, acondicionamiento y enfriamiento. [Véase el Cuadro1]. Además, hubo una fase de descanso antes de que el juego comenzara a documentar la rrHH de línea de base y una fase de recuperación después del juego para documentar el tiempo para volver a la rrHH de línea de base.
    5. Permita que los sujetos un período de descanso entre juegos para HR vuelvan al nivel de referencia.
  2. Cálculo de HRV a partir de datos ECG
    1. Organice los datos en intervalos de tiempo de 5 minutos para garantizar datos comparables para cada fase. Por lo tanto, había 6 fases definidas para estos cálculos: 1) Descanso; 2) Calentamiento; 3) Acondicionamiento 1 (primeros 5 min); 4) Acondicionamiento 2 (segundo 5 min); 5) Enfriamiento (5 min) y 6) Recuperación. La división de la fase de acondicionamiento en dos fases de 5 minutos permite examinar el rendimiento aeróbico del sujeto en intervalos más cortos para tener en cuenta la fatiga debida al descondicionamiento 12 (Tabla4).
    2. Para calcular correctamente las medidas de HRV para cada segmento de la sesión de un sujeto, realice la detección de Pico R en la señal ECG sin procesar12,13. Utilice la señal sin procesar para evitar manipulaciones que podrían sesgar los datos.
    3. Para procesar los datos, obtenga los tiempos de inicio de cada sesión de grabación y conviértalo en variables 'datetime' (MM/DD/AAAA HH:MM:SS. SS) a segundos. Ninguna de las sesiones ocurrió a lo largo de dos días que permitieron que la porción MM/DD/AAAA fuera ignorada durante estos cálculos. Adquirir la hora de inicio del juego de interés de la tabla de tiempo para localizar cada sesión de juego dentro del archivo de electrocardiograma (ECG); esta vez se convirtió a segundos después de que se había extraído del archivo de sincronización. El archivo de tiempo contenía tiempos de inicio para cada fase del juego, así como el final del período de recuperación (Tabla 2).
    4. Calcula el período de descanso como los 5 minutos antes del inicio del juego y la Fase de Recuperación como los 5 minutos después del final de la Fase de Enfriamiento. Una vez obtenidos estos tiempos, obtenga la ubicación (S) de la fase de juego de interés dentro del archivo ECG a través de la siguiente ecuación:
      figure-protocol-1(1)
      donde Fase se establece en Descansar, Calentamiento, Acondicionamiento 1, Acondicionamiento 2, Enfriamiento o Recuperación; el tiempo se dividió por 1/Frecuencia para tener en cuenta la frecuencia de muestreo del ECG. El monitor HR tenía una frecuencia de muestreo de 250 Hz y, por lo tanto, contenía una medida cada 4 ms.
      1. Cambie este número modificando la frecuencia de muestreo con el primer mensaje del programa Peak_Detection.m para tener en cuenta el uso de dispositivos de grabación alternativos. Elija con qué segmento de 5 minutos trabajar mientras ejecuta el programa de detección de picos. Esto se hizo a través de un mensaje al usuario. Establezca la hora de finalización en 5 minutos después de la hora de inicio y tenga en cuenta la frecuencia del dispositivo de grabación.
    5. Una vez elegida la sección de 5 minutos, calcule un umbral para la detección de picos basado en la desviación media y estándar de la forma de onda.
      1. Establezca el figure-protocol-2 umbral como pero esto se puede aumentar en el programa si los datos son uniformes para reducir la detección de falsos positivos de los picos T que son más altos que sus picos R correspondientes. Ejemplos de estos falsos positivos se pueden ver en la Figura1.
      2. Junto con una altura mínima para el pico R, asigne una distancia mínima entre los picos para minimizar la detección de picos incorrectos alrededor de la R deseada. Establezca este valor en 75 que correspondiera a 0,3 s entre picos o 200 latidos por minuto (bpm) (este valor cambia con frecuencia). El valor de 200 bpm es mayor que cualquier HR alcanzado por los sujetos en este estudio y se puede cambiar en función de la población que se está estudiando.
    6. Una vez calculado el umbral, deje que el programa se ejecute a través de la forma de onda e intente discernir todos los R para los cálculos de intervalo RR y HRV. Genere una gráfica preliminar para que el usuario pueda revisarla en busca de irregularidades como las que se muestran en la Figura 1 o en la Figura 2.
      1. Corrija estas irregularidades manualmente editando la variable de detección que contiene la lectura de microvoltios (V) del pico en la columna 1 y la ubicación en la sesión de juego actual (s/0.004) en la segunda columna. En la mayoría de los casos, los picos R adecuados se pueden encontrar fácilmente haciendo zoom en la ubicación del problema como se ve en la Figura1. Muchas sesiones de datos son bastante uniformes como se muestra en la Figura 3 y, por lo tanto, solo requerirán algunas correcciones. Algunos casos, sin embargo, son bastante desordenados y requieren más tiempo para revisar y obtener ubicaciones adecuadas de R.
      2. Si las fluctuaciones en la forma de onda hacen que sea excesivamente difícil localizar correctamente un pico, ignore los segmentos pequeños 1-2 s y atribuya a los latidos ectópicos que no se utilizan en los cálculos de HRV12.
    7. Una vez localizados los R, ejecute el programa HRV_Measures. Calcular primero los intervalos RR, ya que son la base de las medidas de VDH utilizadas en este estudio12.
      1. Obtener una matriz de intervalos e ignorar cualquier intervalo mayor que 1.5 s (40 bpm) como lo era debido a los latidos ectópicos antes mencionados que se eliminan de los cálculos. Guarde estos intervalos RR para realizar cálculos adicionales y verificar los datos. Utilice estos intervalos para calcular el cuadrado medio raíz de las diferencias sucesivas (RMSSD) con la siguiente ecuación:
        figure-protocol-3RMSSD (2)
        Donde N - Número de intervalos RR (R-R)i - Intervalo entre los picos QRS vecinos (R-R)i+1 - Intervalo entre el conjunto posterior de picos
    8. Elija esta variable, ya que se ha demostrado que es eficaz en intervalos que van de 1 min a 24 h de longitud13,14,15,16,17 y por lo tanto se puede utilizar para evaluar estos 5 min intervalos en las fases del juego. Junto con RMSSD, obtenga la Desviación Estándar de intervalos NN para medir los cambios en HR a lo largo de la fase14,16,18.
    9. Utilice los intervalos RR para calcular NN50, el número de intervalos que difieren del intervalo anterior en más de 50 ms12 que también se ha utilizado en intervalos que van desde un min a 24 h16,17,19, 20,21.
      1. Calcular la variable NN50 a través de una función de recuento simple que comprobó si la diferencia entre las longitudes de intervalo RR consecutivas era mayor que 50 ms. Una vez que NN50 se obtuvo de esta manera, dividir por el número total de intervalos para calcular pNN50 que es el porcentaje de intervalos que difieren en más de 50 ms. Este cálculo permitió comparar los datos medidos entre sujetos, juegos e incluso sesiones de diferentes longitudes, ya que es una variable sin unidad13,14, 16 , 17.
    10. Calcular la longitud media del intervalo RR para cada fase y el sujeto como una medida HRV separada16,17,19,22,23,24. Utilice esta medida para calcular el HR promedio dividiendo el intervalo medio de RR entre 60 s. Ambas medidas son fácilmente comparables entre las sesiones de juego para observar la tendencia de la actividad del sujeto16,17,19,22,23, 24.
    11. Una vez calculadas estas medidas, calcule la densidad espectral de potencia de baja frecuencia y alta frecuencia (PSD) tanto para el ECG sin procesar del intervalo de 5 minutos como para la matriz de intervalo según el RR obteniendo PSD de las transformaciones Fast-Fourier13,14 , 17 , 19 , 25. Todos estos datos se almacenaron en una tabla, un ejemplo de la cual se muestra en el Cuadro4.

2. Adquirir datos de ECG del paciente

  1. Prepare la correa del pecho del monitor HR y el módulo Bluetooth para su aplicación al sujeto.
    1. Asegúrese de que el módulo Bluetooth esté completamente cargado (3 h) utilizando la base de carga.
    2. Conecte el módulo al ordenador de datos a través de la base de carga y abra la herramienta de configuración. Escriba un nombre para fines de registro.
    3. Seleccione el dispositivo HR, haga clic en la pestaña Hora y seleccione Establecer fecha/hora para sincronizar el módulo con la hora y la fecha correctas. El dispositivo ahora se puede quitar de la base de carga.
    4. Humedezca las áreas conductoras (beige) en la correa del pecho del monitor HR colocando una mano en el agua y frotando las áreas conductoras.
    5. Coloque el módulo Bluetooth del monitor HR en la correa del pecho con las superficies conductoras del módulo alineadas con las de la correa del pecho: hará clic en su lugar.
    6. Mantenga pulsado el botón del módulo hasta que las luces parpadee. El módulo ya está encendido y grabando.
    7. Aplique la correa de pecho del monitor HR (con módulo Bluetooth) al jugador con el módulo alineado con la línea de axilar medio izquierda y la correa justo debajo de los músculos pectorales. Una vez colocado correctamente, apriete el dispositivo para que no se mueva durante la sesión, pero no sea incómodo para el jugador.
  2. Adquirir una señal y ver la transmisión en vivo.
    1. Conecte el conector al puerto USB del ordenador que se utilizará para ver los datos.
    2. Abra el programa Live View y entre en el modo de configuración haciendo clic en el icono con la llave y el destornillador.
    3. Elige un jugador de la lista si procede o añade un nuevo asunto con el botón Nuevo en la esquina inferior izquierda de la pantalla.
    4. Introduzca la información del asunto como desee para fines de identificación (nombre, edad, sexo, altura, peso).
    5. Haga clic en la pestaña Hardware y seleccione el asunto actual.
    6. Haga clic en Asignar en la parte inferior de la pestaña y seleccione el dispositivo actual (incluido como 01 si no hay otros dispositivos presentes). A continuación, haga clic en asignar en el cuadro emergente.
    7. Haga clic en la pestaña Equipo.
    8. Haga clic en la pestaña Implementación y, a continuación, mueva el equipo recién creado a la primera pestaña.
    9. Abra la pestaña Modo en vivo haciendo clic en el símbolo azul de Wi-Fi en la esquina superior izquierda.
    10. Utilice la pestaña Modo en vivo para controlar la HR, la frecuencia respiratoria y la postura del sujeto en tiempo real.
      NOTA: La intensidad de la señal, la potencia de la batería y la confianza de las medidas también se pueden ver.
    11. Registre la sincronización precisa (MM/DD/AAAA HH:MM:SS) del inicio y final de cada sesión y fase para el procesamiento.
  3. Descargue los datos de ECG desde el monitor de recursos humanos.
    1. Retire la correa del jugador al final de la sesión y retire el módulo Bluetooth de la correa del pecho.
    2. Coloque el módulo en la base de carga y conéctelo a un ordenador con el programa de software instalado.
    3. Abra el registro.
    4. Seleccione el dispositivo en el menú desplegable. Todas las sesiones actualmente en el dispositivo se muestran con fechas y horas.
    5. Desmarque la casilla que dice Usar ubicación de guardado predeterminada y elija una nueva ubicación de guardado.
    6. Haga clic en Guardar. Aparecerá una barra de progreso. El ahorro puede tardar hasta una hora dependiendo de la duración de la sesión.
    7. Cambie el nombre de la fecha, una vez que se haya guardado.

3. Análisis de datos y cálculo de medidas de variabilidad de la frecuencia cardíaca

  1. Prepare los archivos para el procesamiento .
    1. Asigne un nombre a los archivos ECG como 'KOLLECT_Subject__AVG4' (por ejemplo, KOLLECT_01_AVG4.csv').
    2. Genere una tabla de tiempo en formato de variable separada por comas (.csv) para dibujar datos de temporización durante el procesamiento de datos. Consulte la Tabla 1 para ver un ejemplo del formato correcto.
    3. Importe los datos de fecha y hora desde el archivo .csv y haga clic con el botón derecho en el nombre de la variable recién creada y cámbielos a'Timing.mat'.
  2. Detección preliminar del pico R.
    1. Abra y ejecute Peak _ Detection . m.
    2. Introduzca la frecuencia del dispositivo de grabación ECG cuando el programa lo solicite.
    3. Introduzca el número de jugador de los datos que se analizarán cuando se le solicite.
      NOTA: Algunos jugadores no completaron el videojuego activo 4 (AVG4) y por lo tanto sólo los jugadores 1-10 se utilizan para este estudio. Otros números proporcionarán un mensaje de error.
    4. Introduce el número del juego que se analizará (1, 2 o 3) cuando se te solicite.
    5. Introduzca la fase que se analizará (Rest, Warmup (WU), Conditioning (Con), Rest o Recovery).
      1. Introduzca un desfase en minutos si lo desea, o introduzca 0 para ningún desfase.
    6. Seleccione la herramienta de aumento y seleccione un área del trazado que se genere para crear una ventana con un ancho aproximado de 2.000 (s/0.004) y una altura que mostrará la forma de onda completa como se muestra en la Figura3. Acercar o alejar si la ventana no se inspecciona visualmente fácilmente.
    7. Inspeccione visualmente el gráfico para evaluar si los picos detectados están etiquetados correctamente. Vea la Figura 1 por ejemplo de picos detectados y perdidos incorrectamente causados por datos de ECG irregulares (Figura2).
  3. Corrección de picos
    1. Corrija los picos detectados incorrectamente o que faltan localizando la variable Detección y haciendo doble clic en el espacio de trabajo.
    2. Utilice la herramienta Cursor de datos en la gráfica de la forma de onda ECG para obtener las coordenadas x e y del pico incorrecto; X (tiempo*frecuencia) es la primera columna en Detection.mat e Y (Voltaje) es la segunda columna (Figura 3).
      1. Haga clic con el botón derecho en el cuadro de texto que aparece y haga clic en Seleccionar funciónde actualización del cursor .
      2. Seleccione TooltipUpdate.m en la carpeta que contiene los archivos utilizados para este análisis. Esto permitirá que la información sobre herramientas muestre valores más exactos.
    3. Si el punto es un falso positivo, elimínelo de la matriz haciendo clic en su fila en la variable Detection.mat y presionando Control y la tecla Menos. Un ejemplo de detección de falsos positivos se puede ver en la Figura3.
    4. Edite los picos marcados incorrectamente que son adyacentes a los picos sin marcar, como se muestra en los dos picos T marcados como R en la Figura1, cambiando sus valores para que coincidan con los del pico sin marcar.
    5. Obtener el valor del pico perdido se puede obtener con la herramienta Cursor de datos.
    6. Agregue filas adicionales a Detección. matorral usando el control y la tecla más para los picos perdidos debido a los bajos niveles de voltaje.
    7. Introduzca los valores en orden numérico para evitar valores negativos durante el proceso de cálculo (es decir, añada el pico situado en 11000 entre los picos en 10908 y 11167) (Figura5).
    8. Asegúrese de que los valores se introducen correctamente antes de continuar a través de la sesión completa, ya que los números se recortan ocasionalmente cuando se introducen.
    9. Repita el paso 2.3 hasta que se hayan comprobado y/o corregido todos los picos.
      NOTA: Algunos archivos tienen una variabilidad limitada en la amplitud de la forma de onda y son más rápidos de comprobar, como se ve en la Figura 4, mientras que otros son más variables y pueden requerir un zoom más cercano para localizar con precisión los picos durante la inspección visual.
  4. Obtener cálculos de medida HRV.
    1. Guarde el trazado original generado a partir de Peak_Detection.m para una referencia posterior.
    2. Ejecute HRV_Measures.m para generar el trazado etiquetado correctamente. En la Figura 6se muestra una muestra de los datos corregidos.
      1. Cambiar el título del trazado mediante Insertar . Título en la ventana de trazado y cambiarlo al título deseado.
      2. Compruebe la ventana de salida, el programa notificará al usuario de la ubicación introducida incorrectamente datos si existe alguno.
    3. Guarde la variable denominada interval.
    4. Abra la variable titulada HRV desde la ventana Espacio de trabajo para ver RR medio (ms), HR promedio (bpm), RMSSD (ms), SDNN (ms), NN50 (recuento), pNN50 (%), baja frecuencia (LF)/ alta frecuencia (HF) (ECG), LF/HF RR, RR de baja frecuencia y potencia de alta frecuencia (RR)). Guarde los valores h de estas variables en una tabla como la que se muestra en la Tabla4.
    5. Repita las Secciones 3.2 - 3.4 para todos los demás segmentos, sesiones y temas que necesiten análisis.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

Este método proporciona datos para su uso en el análisis del efecto que un método recién desarrollado tiene en la variabilidad de la frecuencia cardíaca (HRV) del sujeto. Para ello, localiza la parte R de la forma de onda QRS de los datos ECG de un sujeto, como se muestra en la Figura6, y calculando varios valores de HRV a partir de él. Si el monitor de recursos humanos está haciendo un contacto adecuado con el sujeto, los datos serán uniformes, reduciendo su...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

Diez jóvenes con CP participaron en este estudio (media + SD) [edad (años) a 15,53 a 3,57; altura (cm) 154,8 a 12,6; peso (kg) 50,69 a 11,1; índice de masa corporal (IMC) 50,46 a 29,2; mHR 9 lp) a 186,8 a 12,4]. Consulte la Tabla 5 para conocer los datos demográficos de los pacientes.

Existen algunas consideraciones para el uso de monitores de RECURSOS Humanos y las medidas asociadas de HR y HRV que se relacionan con las modificaciones y la solución de problemas. Dos cuestione...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

En este momento, los autores (CL y PAS) no tienen nada que revelar. El Dr. O'Neil es cofundador de enAbleGames, LLC y Kollect es uno de los juegos ofrecidos por esta compañía basada en la web. enAbleGames está en fase de desarrollo de juegos y no es una empresa pública en este momento (www.enAbleGames.com).

Agradecimientos

Los autores agradecen a los participantes y a sus familias su tiempo y esfuerzo gastado según la participación en el estudio. Además, los autores reconocen al Dr. Yichuan Liu y al Dr. Hasan Ayaz por su asistencia en el cálculo de los plazos de la supervisión de los recursos humanos y al Dr. Paul Diefenbach para el desarrollo del software KOLLECT Active Video Gaming. La financiación de este trabajo fue proporcionadapor Coulter Foundation Grants #00006143 (O' Neil; Diefenbach, PIs) y#00008819 (O' Neil; Diefenbach, PIs).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
Módulo Bluetooth BioHarness (sensor electrónico) Zephyr9800.0189detecta la frecuencia cardíaca, la tasa de resición, la postura y la temperatura de la piel.
Correa de pecho BioHarnessZephyr9600.0189, 9600.0190Tallas XS-M pequeña, M-XL grande Cuna
carga BioHarness & Cable USBZephyr9600.0257utilizado para transferir datos del módulo a una computadora para su análisis.
BioHarness Echo GatewayZephyr9600.0254permite la visualización en tiempo real de la frecuencia cardíaca del sujeto.
MATLAB R2016aMathworks1.7.0_.60utilizado para toda la programación.
de

Referencias

  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).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Solicitar permiso para reutilizar el texto o las figuras de este artículo de JoVE

Solicitar permiso

Etiquetas

An lisis de datos de ECGj venes con par lisis cerebralvideojuegos activosintervenci n de fisioterapiadetecci n del pico Rmedidas del dominio del tiempomedidas del dominio de la frecuenciazona de frecuencia card aca objetivoprocesamiento con MATLAB

Artículos relacionados