Obliczanie zmienności tętna na podstawie danych EKG od młodzieży z porażeniem mózgowym podczas aktywnych sesji gier wideo

Corey Landis; Margaret  E. O'Neil; Andrew Finnegan; Patricia  A. Shewokis

doi:10.3791/59230

Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł metodologiczny

Obliczanie zmienności tętna na podstawie danych EKG od młodzieży z porażeniem mózgowym podczas aktywnych sesji gier wideo

20.1K wyświetleń

⸱

DOI:

10.3791/59230

⸱

5 czerwca 2019

Corey Landis¹ , Margaret E. O'Neil²^,³ , Andrew Finnegan²^,³ , Patricia A. Shewokis¹^,³^,⁴

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

W tym artykule

Podsumowanie

Ten protokół opisuje metodę obliczania zmienności rytmu serca (HRV) na podstawie przebiegów elektrokardiogramu (EKG). Kształty fal z ciągłych zapisów tętna (HR) podczas aktywnych sesji gier wideo (AVG) wykorzystano do pomiaru wydolności tlenowej młodzieży z porażeniem mózgowym (CP).

Streszczenie

Celem tego badania było wygenerowanie metody obliczania zmienności rytmu serca (HRV) na podstawie przebiegów elektrokardiogramu (EKG). Kształty fal zostały zarejestrowane przez monitor tętna, który uczestnicy (młodzież z porażeniem mózgowym (CP)) nosili podczas aktywnych sesji gier wideo (AVG). Sesje AVG zostały zaprojektowane tak, aby promować aktywność fizyczną i sprawność fizyczną (wydolność aerobową) u uczestników. Celem była ocena wykonalności AVG jako strategii interwencji fizjoterapeutycznej (PT). Maksymalne tętno (mHR) określono dla każdego uczestnika, a docelową strefę tętna (THRZ) obliczono dla każdej z trzech faz ćwiczeń w 20-minutowej sesji AVG: (rozgrzewka przy 40-60% mHR, kondycjonowanie przy 60-80% mHR i schłodzenie przy 40-60% mHR). Każdy uczestnik rozegrał trzy 20-minutowe gry podczas sesji AVG. Wszystkie mecze były rozgrywane siedząc na ławce rezerwowych, ponieważ wielu młodych ludzi z CP nie może stać przez dłuższy czas. Każdy warunek gry różnił się tym, że uczestnicy używali tylko ikon rąk, ikon dłoni i stóp razem lub ikon stóp tylko do zbierania przedmiotów. Celem gry (zwanej KOLLECT) jest zbieranie przedmiotów, aby zdobywać punkty i unikać zagrożeń, aby nie stracić punktów. Hazardy były stosowane w fazach rozgrzewki i schładzania tylko po to, aby promować wolniejszy, kontrolowany ruch w celu utrzymania tętna w docelowej strefie tętna (THRZ). W fazie kondycjonowania nie było żadnych zagrożeń, które promowałyby wyższy poziom i bardziej intensywną aktywność fizyczną. Metody analityczne wykorzystano do wygenerowania HRV (wybranych pomiarów w dziedzinie czasu i częstotliwości) na podstawie danych EKG w celu zbadania obciążenia tlenowego. Ostatnie zastosowania HRV wskazują, że pomiary krótkoterminowe (5-minutowe ataki) są odpowiednie, a biofeedback HRV może pomóc w poprawie objawów i jakości życia w różnych schorzeniach. Chociaż HR jest dobrze akceptowaną miarą kliniczną do badania wydolności i intensywności aerobowej w interwencjach PT, HRV może dostarczyć informacji o funkcjach układu autonomicznego, regeneracji i adaptacji podczas sesji AVG.

Wprowadzenie

Porażenie mózgowe (CP) jest najczęstszą niepełnosprawnością fizyczną wieku dziecięcego¹. CP jest spowodowany neurologicznym uszkodzeniem rozwijającego się mózgu i wiąże się z zaburzeniami motorycznymi, takimi jak osłabienie mięśni, spastyczność, dekondycjonowanie oraz zmniejszona kontrola motoryczna i równowaga²^,³. MPD nie jest stanem postępującym, ale z wiekiem dzieci stają się mniej aktywne fizycznie i prowadzą bardziej siedzący tryb życia w porównaniu z rówieśnikami z typowym rozwojem (TD), głównie z powodu zwiększonych wymagań wzrostu dla ich upośledzonego układu nerwowo-mięśniowego i mięśniowo-szkieletowego⁴.

Młodzież z CP zazwyczaj korzysta z usług fizjoterapii (PT) w celu poprawy funkcjonalnej mobilności oraz promowania aktywności fizycznej i sprawności fizycznej (np. wytrzymałości aerobowej i mięśniowej)². Często dostęp do usług PT i zasobów społeczności jest ograniczony, aby osiągnąć i utrzymać te cele PT⁵^,⁶. Aktywne gry wideo (AVG) mogą być wykonalną strategią w interwencjach PT opartych na aktywności w warunkach klinicznych, domowych lub środowiskowych⁷^,⁸. Komercyjne AVG mają ograniczoną elastyczność w dostosowywaniu rozgrywki i spełnianiu specyficznych potrzeb oraz celów PT dla młodzieży z CP⁹. Jednak spersonalizowane AVG zapewniają elastyczne parametry gry, aby rzucić wyzwanie młodzieży z CP, jednocześnie promując aktywność fizyczną i fitness¹⁰.

Nasz zespół opracował spersonalizowany AVG (o nazwie KOLLECT) do badania reakcji młodzieży na ćwiczenia (np. aktywność fizyczna i wydolność aerobowa). Gra wykorzystuje czujnik ruchu do śledzenia ruchu młodzieży podczas gry. Celem gry jest "zebranie" jak największej liczby przedmiotów, aby uzyskać wysoki wynik i unikanie zagrożeń, aby uniknąć utraty punktów. Przedmioty mogą być zbierane za pomocą ikon rąk i/lub stóp, zgodnie z ustaleniami terapeuty w elastycznych parametrach gry.

Projektowanie interwencji PT opartych na aktywności, które dozują intensywność aktywności fizycznej w celu promowania sprawności aerobowej, jest kluczowe dla młodzieży z CP¹¹. Niestandardowe AVG mogą być skuteczną strategią dawkowania intensywności i angażowania młodzieży w aktywność fizyczną w celu promowania fitness¹⁰. Monitory tętna (HR) są często używane w praktyce klinicznej PT do określania wydolności tlenowej i intensywności aktywności. W związku z tym monitory tętna pomogą określić wykonalność AVG w dawkowaniu intensywności aktywności fizycznej w celu promowania wydolności aerobowej⁹. Dane EKG wygenerowane z monitora tętna można wykorzystać do obliczenia zmienności rytmu serca (HRV). Metody analityczne wykorzystano do wygenerowania HRV na podstawie danych EKG w celu zbadania obciążenia tlenowego. Ostatnie zastosowania HRV wskazują, że pomiary krótkoterminowe (5-minutowe ataki) są odpowiednie i że biofeedback HRV może pomóc w poprawie objawów i jakości życia w różnych stanach zdrowotnych³²^,³³^,³⁴. Zastosowanie krótkoterminowych pomiarów HRV jest odpowiednim sposobem oceny funkcji układu sercowo-naczyniowego podczas sesji AVG. Biorąc pod uwagę, że HRV jest wyprowadzane z interwału R-R EKG, użyliśmy wybranych pomiarów w dziedzinie czasu i częstotliwości. Miara HRV w dziedzinie czasu określa ilościowo wielkość zmienności w interwałach między uderzeniami, które reprezentują czas między kolejnymi uderzeniami serca. Użyliśmy AVNN (średni interwał NN), RMSSD (średnia kwadratowa kolejnych różnic), SDNN (odchylenie standardowe przedziału NN), NN50 (liczba interwałów NN >50 ms) i PNN50 (procent interwałów NN). Miary w dziedzinie częstotliwości szacują rozkład mocy bezwzględnej lub względnej na możliwie cztery pasma częstotliwości, w szczególności zajęliśmy się dwoma pasmami, mocą niskiej częstotliwości (LF) i mocą wysokiej częstotliwości (HF) wraz ze stosunkiem LF / HF. Chociaż HR jest dobrze akceptowaną miarą kliniczną, HRV może być przydatne, ponieważ dostarcza informacji o funkcjonowaniu układu autonomicznego, regeneracji, adaptacji i zapewnia oszacowanie obciążenia aerobowego podczas sesji AVG²⁸.

Celem tego badania było zbadanie możliwości wykorzystania strategii AVG do promowania aktywności fizycznej i sprawności. Drugim celem było przedstawienie protokołu zbierania danych AVG oraz metodologii obliczania HRV na podstawie danych EKG uzyskanych za pomocą monitora tętna. Te środki i niniejszy protokół mogą okazać się istotne dla klinicystów w celu monitorowania i dawkowania sesji interwencyjnych PT.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

Uzyskano zgodę Instytucjonalnej Komisji Przeglądowej (IRB). Przed przystąpieniem do udziału wszyscy młodzi uczestnicy wyrazili pisemną zgodę, a ich rodzice udzielili formalnego zezwolenia.

1. Sesje gromadzenia danych AVG

Sesja gry AVG
1. W niniejszym badaniu młodzież z mózgowym porażeniem (MP) bierze udział w sesji AVG, która składa się z trzech gier trwających po 20 minut. Patrz Tabela 5 dla demografii młodzieży. Przewidywano, że zostanie rozegranych łącznie 30 gier; jednak ukończono 29 gier, ponieważ jeden uczestnik rozegrał tylko 2 gry podczas swojej sesji AVG.
2. Prosimy, aby badani nosili monitor tętna przez całą sesję w celu rejestracji odpowiedzi tętna (HR) i elektrokardiogramu (EKG).
3. Podczas sesji AVG młodzież powinna grać w każdą z gier AVG, siedząc na ławce z stopami płasko opartymi o podłoże oraz zgiętymi w kącie 90 stopni kolanami i biodrami (pozycja siedząca 90/90), aby zapewnić wsparcie postawy i stabilność.
4. Zastosuj trzy następujące warunki gry w odniesieniu do obiektów do zbierania: 1) wyłącznie ikony dłoni; 2) wyłącznie ikony stóp; oraz 3) zarówno ikony dłoni, jak i stóp. Zastosuj zrównoważoną kolejność (kontrabalansowanie) między badanymi. Wybrano te trzy warunki, aby ustalić, który z nich jest bardziej skuteczny w promowaniu aktywności fizycznej i sprawności, a jednocześnie nie jest zbyt obciążający, by nie powodować przedwczesnego, nadmiernego zmęczenia.
  UWAGA: Każda gra została opracowana z uwzględnieniem faz programowania ćwiczeń: rozgrzewki, fazy właściwej (treningowej) oraz wyciszenia. [Proszę zapoznać się z Tabela 1]. Dodatkowo, przed rozpoczęciem rozgrywki przewidziano fazę spoczynku w celu udokumentowania tętna spoczynkowego oraz fazę regeneracji po rozgrywce, aby odnotować czas powrotu tętna do wartości bazowej.
5. Należy zapewnić badanym okres odpoczynku między grami, aby tętno powróciło do poziomu bazowego.
Obliczanie HRV z danych EKG
1. Dane należy pogrupować w 5-minutowe odstępy czasowe, aby zapewnić porównywalność danych dla każdej fazy. W związku z tym do obliczeń zdefiniowano 6 faz: 1) spoczynek; 2) rozgrzewka; 3) kondycjonowanie 1 (pierwsze 5 min); 4) kondycjonowanie 2 (drugie 5 min); 5) schładzanie (5 min) oraz 6) regeneracja. Podział fazy kondycjonowania na dwie 5-minutowe fazy pozwala na badanie wydolności tlenowej badanych w krótszych odstępach czasu, aby uwzględnić zmęczenie wynikające z detreningu. ¹² (Tabela 4).
2. Aby prawidłowo obliczyć wskaźniki HRV dla każdego segmentu sesji badanego, należy przeprowadzić detekcję załamków R w surowym sygnale EKG.¹²^,¹³Należy użyć surowego sygnału, aby uniknąć manipulacji, które mogłyby zniekształcić dane.
3. Aby przetworzyć dane, należy wyznaczyć czasy rozpoczęcia każdej sesji rejestracyjnej i przekształcić zmienne typu „datetime” (MM/DD/RR GG:MM:SS.SS) na sekundy. Żadna z sesji nie trwała przez dwa dni, co pozwoliło pominąć część MM/DD/RR podczas tych obliczeń. Należy pobrać z tabeli czasowej czas rozpoczęcia analizowanej gry, aby zlokalizować każdą sesję gry w pliku z elektrokardiogramem (EKG); czas ten został przeliczony na sekundy po wyodrębnieniu go z pliku czasowego. Plik czasowy zawierał czasy rozpoczęcia każdej fazy gry, a także czas zakończenia okresu regeneracji (Tabela 2).
4. Okres spoczynku określono jako 5 minut przed rozpoczęciem gry, a fazę regeneracji jako 5 minut po zakończeniu fazy schładzania. Po wyznaczeniu tych przedziałów czasowych ustalono położenie (S) interesującej fazy gry w pliku EKG za pomocą następującego równania:
  (1)
  gdzie faza (Phase) została ustawiona jako: odpoczynek (Rest), rozgrzewka (Warmup), kondycjonowanie 1 (Conditioning 1), kondycjonowanie 2 (Conditioning 2), schładzanie (Cooldown) lub regeneracja (Recovery); czas podzielono przez 1/częstotliwość (1/Frequency), aby uwzględnić częstotliwość próbkowania EKG. Monitor HR miał częstotliwość próbkowania 250 Hz, w związku z czym zawierał pomiar co 4 ms.
  1. Zmień tę liczbę, modyfikując częstotliwość próbkowania za pomocą pierwszej komendy z Wykrywanie_szczytów.m program uwzględniający zastosowanie alternatywnych urządzeń rejestrujących. Wybierz 5-minutowy segment do analizy podczas uruchamiania programu do detekcji piku. Wybór ten odbywa się poprzez komunikat kierowany do użytkownika. Ustaw czas końcowy na 5 minut po czasie rozpoczęcia, biorąc pod uwagę częstotliwość próbkowania urządzenia rejestrującego.
5. Po wybraniu 5-minutowego odcinka należy obliczyć próg detekcji pików na podstawie średniej i odchylenia standardowego przebiegu fali.
  1. Ustawić próg na poziomie można jednak zwiększyć tę wartość w programie, jeśli dane są jednorodne, aby ograniczyć liczbę wyników fałszywie dodatnich wynikających z obecności załamków T, które są wyższe od odpowiadających im załamków R. Przykłady takich wyników fałszywie dodatnich można zobaczyć w Rycina 1.
  2. Oprócz określenia minimalnej wysokości dla załamka R, przypisz minimalną odległość między załamkami, aby zminimalizować detekcję błędnych pików wokół pożądanego R. Ustaw tę wartość na 75, co odpowiada 0,3 s między załamkami lub 20 uderzeniom na minutę (bpm) (wartość ta zmienia się wraz z częstotliwością). Wartość 20 bpm jest wyższa niż jakiekolwiek tętno (HR) osiągnięte przez badanych w niniejszym badaniu i może zostać zmieniona w zależności od badanej populacji.
6. Po obliczeniu progu należy pozwolić programowi na przeanalizowanie przebiegu fali w celu zidentyfikowania wszystkich załamków R niezbędnych do obliczeń odstępów RR oraz zmienności rytmu serca (HRV). Należy wygenerować wstępny wykres, aby użytkownik mógł sprawdzić go pod kątem nieprawidłowości, takich jak te przedstawione w Rysunek 1 lub Rysunek 2.
  1. Popraw te nieprawidłowości ręcznie, edytując zmienną Detection, która zawiera wartość w mikrowoltach (µV) odczyt piku w kolumnie 1 oraz lokalizacja w bieżącej sesji gry (s/0,04) w drugiej kolumnie. W większości przypadków właściwe piki R można łatwo zidentyfikować, powiększając obszar problematycznego miejsca, tak jak pokazano w Rysunek 1Wiele sesji danych jest dość jednolitych, co pokazano w Rysunek 3 i w związku z tym będą wymagać jedynie kilku korekt. Niektóre przypadki są jednak dość problematyczne i wymagają więcej czasu na analizę oraz ustalenie właściwych lokalizacji R.
  2. Jeśli fluktuacje w przebiegu sygnału nadmiernie utrudniają prawidłowe zlokalizowanie szczytu, należy zignorować krótkie odcinki trwające około 1–2 s i przypisać je do pobudzeń ectopicznych, które nie są uwzględniane w obliczeniach HRV.¹².
7. Po zlokalizowaniu R-ów, uruchom Miary HRV programu. Najpierw oblicz odstępy RR, ponieważ stanowią one podstawę pomiarów HRV zastosowanych w niniejszym badaniu¹².
  1. Należy uzyskać macierz odstępów i zignorować każdy odstęp przekraczający 1,5 s (40 bpm), ponieważ wynikało to z usunięcia z obliczeń wspomnianych wcześniej skurczów ektopicznych. Należy zapisać te odstępy RR do dalszych obliczeń i weryfikacji danych. Odstępy te należy wykorzystać do obliczenia pierwiastka średniokwadratowego z następujących różnic (RMSSD) za pomocą następującego równania:
    RMSSD = (2)
    Gdzie N = liczba odstępów RR (R-R)_i = Odstęp między sąsiednimi szczytami zespołu QRS (R-R)_i+1 = Odstęp między kolejnymi zestawami pików
8. Należy wybrać tę zmienną, ponieważ wykazano jej skuteczność w przedziałach czasowych od 1 min do 24 h.¹³^,¹⁴^,¹⁵^,¹⁶^,¹⁷ i mogą zatem służyć do oceny tych 5-minutowych interwałów w fazach gry. Równolegle z RMSSD należy wyznaczyć odchylenie standardowe odstępów NN w celu pomiaru zmian tętna (HR) w trakcie danej fazy¹⁴^,¹⁶^,¹⁸.
9. Na podstawie odstępów RR oblicz NN50, czyli liczbę odstępów, które różnią się od poprzedniego odstępu o więcej niż 50 ms.¹² która była stosowana również w odstępach czasu od jednej minuty do 24 godzin¹⁶^,¹⁷^,¹⁹^,²⁰^,²¹.
  1. Obliczono zmienną NN50 za pomocą prostej funkcji zliczania, która sprawdzała, czy różnica między długościami następujących po sobie odstępów RR była większa niż 50 ms. Po uzyskaniu wartości NN50 w ten sposób, podzielono ją przez całkowitą liczbę odstępów, aby obliczyć pNN50, czyli procent odstępów różniących się o więcej niż 50 ms. Obliczenie to pozwoliło na porównanie zmierzonych danych pomiędzy badanymi, grami, a nawet sesjami o różnej długości, ponieważ jest to zmienna bezwymiarowa.¹³^,¹⁴^,¹⁶^,¹⁷.
10. Oblicz średnią długość odstępu RR dla każdej fazy i badanego jako oddzielny parametr HRV¹⁶^,¹⁷^,¹⁹^,²²^,²³^,²⁴Należy wykorzystać ten pomiar do obliczenia średniego tętna (HR), dzieląc średni odstęp RR przez 60 s. Oba te parametry są łatwo porównywalne pomiędzy poszczególnymi sesjami gry, co pozwala na obserwację trendu aktywności badanego.¹⁶^,¹⁷^,¹⁹^,²²^,²³^,²⁴.
11. Po obliczeniu tych parametrów należy wyznaczyć gęstość widmową mocy (PSD) dla niskich i wysokich częstotliwości zarówno dla surowego zapisu EKG z 5-minutowego interwału, jak i dla macierzy odstępów RR, uzyskując PSD za pomocą szybkich transformat Fouriera.¹³^,¹⁴^,¹⁷^,¹⁹^,²⁵Wszystkie te dane zapisano następnie w tabeli, której przykład przedstawiono w Tabela 4.

2. Pozyskanie danych EKG od pacjenta

Przygotować pas piersiowy monitora HR oraz moduł Bluetooth do aplikacji u badanego.
1. Upewnić się, że moduł Bluetooth został w pełni naładowany (3 h) za pomocą stacji ładującej.
2. Podłączyć moduł do komputera za pomocą stacji ładującej i otworzyć narzędzie konfiguracyjne. Wpisać nazwę na potrzeby logowania.
3. Wybrać urządzenie HR, kliknąć kartę Time i wybrać Set Date/Time, aby zsynchronizować moduł z aktualną datą i godziną. Można teraz wyjąć urządzenie ze stacji ładującej.
4. Zwilgotnić obszary przewodzące (beżowe) na pasie piersiowym monitora HR, zanurzając dłoń w wodzie i pocierając te obszary.
5. Umieścić moduł Bluetooth monitora HR w pasie piersiowym tak, aby powierzchnie przewodzące modułu pokrywały się z powierzchniami pasu: moduł powinien wskoczyć na miejsce z kliknięciem.
6. Nacisnąć i przytrzymać przycisk na module, aż diody zaczną migać. Moduł jest teraz włączony i rejestruje dane.
7. Założyć pas piersiowy monitora HR (z modułem Bluetooth) na zawodnika tak, aby moduł znajdował się na linii środkowo-pachowej lewej strony, a pas bezpośrednio pod mięśniami piersiowymi. Po właściwym ustawieniu zapiąć urządzenie tak, aby nie przesuwało się podczas sesji, ale nie powodowało dyskomfortu u zawodnika.
Przechwycić sygnał i wyświetlić przekaz na żywo.
1. Podłączyć konnektor do portu USB komputera, który będzie używany do przeglądania danych.
2. Otworzyć program Live View i wejść w Setup Mode, klikając ikonę z kluczem i śrubokrętem.
3. Wybrać zawodnika z listy lub dodać nowego badanego za pomocą przycisku New w lewym dolnym rogu ekranu.
4. Wprowadzić dane badanego w celach identyfikacyjnych (imię, wiek, płeć, wzrost, waga).
5. Kliknąć kartę Hardware i wybrać aktualnego badanego.
6. Kliknąć Assign na dole karty i wybrać aktualne urządzenie (oznaczone jako 01, jeśli nie ma innych urządzeń). Następnie kliknąć assign w wyskakującym oknie.
7. Kliknąć kartę Team. Zaznaczyć badanego, a następnie kliknąć przycisk prawego przycisku strzałki, aby przypisać zawodnika do Team A.
8. Kliknąć kartę Deployment, a następnie przenieść nowo utworzoną drużynę do pierwszej karty.
9. Otworzyć kartę Live Mode, klikając niebieski symbol Wi-Fi w lewym górnym rogu.
10. Używać karty Live Mode do monitorowania w czasie rzeczywistym HR, częstości oddechów i postawy badanego.
  UWAGA: Można również monitorować siłę sygnału, poziom naładowania baterii oraz wiarygodność pomiarów.
11. Zapisywać dokładny czas (MM/DD/RR GG:MM:SS) rozpoczęcia i zakończenia każdej sesji oraz fazy w celu późniejszego przetwarzania.
Pobrać dane EKG z monitora HR.
1. Zdjąć pas z zawodnika po zakończeniu sesji i wyjąć moduł Bluetooth z pasa piersiowego.
2. Umieścić moduł w stacji ładującej i podłączyć go do komputera z zainstalowanym programem oprogramowania.
3. Otworzyć dziennik (log).
4. Wybrać urządzenie z menu rozwijanego. Wszystkie sesje znajdujące się obecnie na urządzeniu zostaną wyświetlone wraz z datami i godzinami.
5. Odznaczyć pole Use Default Save Location i wybrać nową lokalizację zapisu.
6. Kliknąć Save. Pojawi się pasek postępu. Zapisywanie może potrwać do godziny, w zależności od długości sesji.
7. Zmienić nazwę pliku daty po jego zapisaniu.

3. Analiza danych i obliczanie miar zmienności rytmu serca

Przygotowanie plików do przetwarzania .
1. Nazwij pliki EKG jako 'KOLLECT_Subject#_AVG4' (np. 'KOLLECT_01_AVG4.csv').
2. Wygeneruj tabelę czasową w formacie zmiennych rozdzielanych przecinkami (.csv), aby pobrać dane czasowe podczas przetwarzania danych. Patrz Tabela 1 w celu uzyskania przykładu poprawnego formatu.
3. Zaimportuj dane daty i czasu z pliku .csv, kliknij prawym przyciskiem myszy nazwę nowo utworzonej zmiennej i zmień ją na 'Timing.mat'.
Wstępna detekcja załamków R.
1. Otwórz i uruchom Peak _ Detection . m.
2. Wprowadź częstotliwość urządzenia rejestrującego EKG, gdy program o to poprosi.
3. Wprowadź numer gracza dla danych, które mają zostać poddane analizie, gdy pojawi się prośba.
  UWAGA: Niektórzy gracze nie ukończyli aktywnej gry wideo 4 (AVG4), dlatego w tej badaniu wykorzystano jedynie graczy 1-10. Inne numery spowodują wyświetlenie komunikatu o błędzie.
4. Wprowadź numer gry do analizy (1, 2 lub 3), gdy pojawi się prośba.
5. Wprowadź fazę do analizy (Odpoczynek, Rozgrzewka (WU), Kondycjonowanie (Con), Odpoczynek lub Regeneracja).
  1. Wprowadź przesunięcie w minutach, jeśli jest to wymagane, lub wpisz 0, aby nie stosować przesunięcia.
6. Wybierz narzędzie powiększające i zaznacz obszar wykresu wyjściowego, aby utworzyć okno o szerokości około 2 0 (s/0,04) i wysokości umożliwiającej wyświetlenie pełnego przebiegu fali, jak pokazano na Rysunku 3. Powiększ lub pomniejsz widok, jeśli okno nie daje się łatwo ocenić wizualnie.
7. Wizualnie przejrzyj wykres, aby ocenić, czy wykryte piki zostały prawidłowo oznaczone. Patrz Rysunek 1 w celu uzyskania przykładu błędnie wykrytych i pominiętych pików spowodowanych nieregularnymi danymi EKG (Rysunek 2).
Korekcja pików
1. Popraw błędnie wykryte lub pominięte piki, lokalizując zmienną Detection i klikając dwukrotnie w obszarze roboczym.
2. Użyj narzędzia Data Cursor na wykresie przebiegu fali EKG, aby uzyskać współrzędne x i y błędnego piku; X (czas*częstotliwość) to pierwsza kolumna w Detection.mat, a Y (napięcie) to druga kolumna (Rysunek 3).
  1. Kliknij prawym przyciskiem myszy pole tekstowe, które się pojawi, i wybierz Select Cursor Update Function.
  2. Wybierz TooltipUpdate.m z folderu zawierającego pliki używane do tej analizy. Pozwoli to na wyświetlenie dokładniejszych wartości w podpowiedzi.
3. Jeśli punkt jest wynikiem fałszywie dodatnim, usuń go z tablicy, klikając w odpowiedni wiersz w zmiennej Detection.mat i naciskając klawisz Control oraz klawisz Minus. Przykład fałszywie dodatniego wykrycia widoczny jest na Rysunku 3.
4. Edytuj błędnie oznaczone piki, które sąsiadują z nieoznaczonymi pikami, tak jak dwa piki T oznaczone jako R na Rysunku 1, zmieniając ich wartości tak, aby odpowiadały wartości nieoznaczonego piku.
5. Wartość pominiętego piku można uzyskać za pomocą narzędzia Data Cursor.
6. Dodaj dodatkowe wiersze do Detection. mat, używając klawisza Control i Plus, dla pików pominiętych z powodu niskich poziomów napięcia.
7. Wprowadź wartości w kolejności numerycznej, aby uniknąć wartości ujemnych podczas procesu obliczeniowego (np. dodaj pik znajdujący się przy 1 0 pomiędzy pikami przy 10 908 a 1 167) (Rysunek 5).
8. Upewnij się, że wartości zostały wprowadzone poprawnie przed przejściem do pełnej sesji, ponieważ liczby są sporadycznie ucinane podczas wprowadzania.
9. Powtarzaj krok 2.3, dopóki wszystkie piki nie zostaną sprawdzone i/lub skorygowane.
  UWAGA: Niektóre pliki wykazują ograniczoną zmienność amplitudy przebiegu fali i są szybciej sprawdzalne, jak widać na Rysunku 4, podczas gdy inne są bardziej zmienne i mogą wymagać większego powiększenia, aby dokładnie zlokalizować piki podczas inspekcji wizualnej.
Obliczanie miar HRV.
1. Zapisz oryginalny wykres wygenerowany przez Peak_Detection.m do późniejszego odniesienia.
2. Uruchom HRV_Measures.m, aby wygenerować poprawnie opisany wykres. Próbka skorygowanych danych przedstawiona jest na Rysunku 6.
  1. Zmień tytuł wykresu, korzystając z opcji Insert | Title w oknie wykresu i wpisując pożądany tytuł.
  2. Sprawdź okno wyjściowe; program powiadomi użytkownika o lokalizacji błędnie wprowadzonych danych, jeśli takie istnieją.
3. Zapisz zmienną o nazwie interval.
4. Otwórz zmienną o nazwie HRV z okna Workspace, aby wyświetlić Mean RR (ms), Average HR (bpm), RMSSD (ms), SDNN (ms), NN50 (liczba), pNN50 (%), low frequency (LF)/ high frequency (HF) (ECG), LF/HF RR, Low Frequency Power RR oraz High Frequency Power (RR)). Zapisz wartości tych zmiennych w tabeli, takiej jak ta przedstawiona w Tabeli 4.
5. Powtórz sekcje 3.2 – 3.4 dla wszystkich pozostałych segmentów, sesji i badanych osób, które wymagają analizy.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Niniejsza metoda dostarcza danych do analizy wpływu nowo opracowanej metody na zmienność rytmu serca (HRV) badanego obiektu. Odbywa się to poprzez lokalizację załamka R w kompleksie QRS w danych EKG badanego obiektu, jak pokazano na Rysunku 6, oraz obliczanie na ich podstawie różnych wartości HRV. Jeśli monitor tętna ma prawidłowy kontakt z badanym, dane będą jednorodne, co znacząco zmniejszy potrzebę wprowadzania korekt (jak pokazano na ...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

W badaniu wzięło udział dziesięciu młodych ludzi z MPD (średnia + SD) [wiek (lata) = 15,53 ± 3,57; wzrost (cm) 154,8 ± 12,6; waga (kg) 50,69 ± 11,1; wskaźnik masy ciała (BMI) 50,46 ± 29,2; mHR 9 uderzeń na minutę) = 186,8 ± 12,4]. Tabela 5 zawiera dane demograficzne pacjentów.

Istnieją pewne zagadnienia dotyczące korzystania z monitorów HR i powiązanych miar HR i HRV, które odnoszą się do modyfikacji i rozwiązywania problemów. Dwa problemy, które są oczywiste, niezależnie od t...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

W tej chwili autorzy (CL i PAN) nie mają nic do ujawnienia. Dr O'Neil jest współzałożycielem enAbleGames, LLC, a Kollect jest jedną z gier oferowanych przez tę firmę internetową. enAbleGames jest w fazie tworzenia gry i nie jest obecnie spółką publiczną (www.enAbleGames.com).

Podziękowania

Autorzy dziękują uczestnikom i ich rodzinom za czas i wysiłek włożony w udział w badaniu. Autorzy dziękują również dr Yichuan Liu i dr Hasanowi Ayazowi za pomoc w obliczaniu czasu monitorowania tętna oraz dr Paulowi Diefenbachowi za opracowanie oprogramowania KOLLECT Active Video Gaming. Fundusze na tę pracę zostały zapewnione przez Coulter Foundation Grants #00006143 (O'Neil; Diefenbach, PIs) i #00008819 (O'Neil; Diefenbach, PIs).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
Nazwa	Firma	Numer katalogowy	Komentarze
Moduł Bluetooth BioHarness (czujnik elektroniczny)	Zephyr	9800.0189	wykrywa tętno, częstość odczuwania, postawę i temperaturę skóry.
Pasek na klatkę piersiową BioHarness	Zephyr	9600.0189, 9600.0190	Rozmiary Mały XS-M, Duży M-XL
BioHarness Charge Cradle & USB	Zephyr	9600.0257	Służy do przesyłania danych z modułu do komputera w celu analizy.
BioHarness Echo Gateway	Zephyr	9600.0254	pozwala na podgląd tętna obiektu w czasie rzeczywistym.
MATLAB R2016a	Mathworks	1.7.0_.60	Używany do całego programowania.

Bibliografia

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).
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).
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).
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).
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).
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).
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).
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).
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).
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).
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).
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).
Ernst, G. Heart rate variability. Heart Rate Variability. , 1-336 (2014).
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).
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).
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).
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).
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).
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).
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).
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).
Kičmerová, D. Methods for Detection and Classification in ECG Analysis. Doctoral thesis. , Department of Biomedical Engineering. BRNO University of Technology. Czech Republic. (2009).
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).
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).
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).
Buchheit, M. Monitoring training status with HR measures: Do all roads lead to Rome? Frontiers in Physiology. 5, (2014).
Achten, J., Jeukendrup, A. Heart rate monitoring: Applications and limitations. Sports Medicine. 33 (8), 517-538 (2012).
Amichai, T., Katz-Leurer, M. Heart rate variability with cerebral palsy: Review of literature and meta-analysis. NeuroRehabilitation. 35, 113-122 (2014).
Billman, G., Haikuri, H., Sacha, J., Trimmel, K. An introduction to heart rate variability: Methodological considerations and clinical applications. Frontiers in Physiology. 6, (2015).
Beffara, B., Bret, A., Vermeulen, N., Mermillod, M. Resting high frequency heart rate variability selectively predicts cooperative behavior. Physiology & Behavior. 164, 417-428 (2016).
Fogt, D., Cooper, P., Freeman, C., Kalns, J., Cooke, W. Heart rate variability to assess combat readiness. Military Medicine. 174, 491-495 (2009).
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).
Giggins, O. M., Persson, U. M., Caulfield, B. Biofeedback in Rehabilitation. Journal of Neuroengineering and Rehabilitation. 10, (2013).
Shaffer, F., Ginsberg, J. P. An overview of heart rate variability metrics and norms. Frontiers in Public Health. 5, 258(2017).
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).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Tagi

Analiza danych EKG młodzież z mózgowym porażeniem aktywne gry wideo interwencja z zakresu fizjoterapii detekcja załamka R miary w dziedzinie czasu miary w dziedzinie częstotliwości docelowa strefa tętna przetwarzanie w programie MATLAB

Obliczanie zmienności tętna na podstawie danych EKG od młodzieży z porażeniem mózgowym podczas aktywnych sesji gier wideo