Artigo de método

Calculando a variabilidade da frequência cardíaca de dados de ECG de jovens com paralisia cerebral durante sessões de videojogos ativas

DOI:

10.3791/59230

⸱

5 de junho 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

Neste artigo

Resumo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este protocolo descreve um método para calcular a variabilidade da freqüência cardíaca (HRV) das formas de onda do electrocardiograma (ECG). As formas de onda das gravações contínuas da frequência cardíaca (HR) durante as sessões ativas do jogo video (AVG) foram usadas para medir o desempenho aeróbio dos jovens com paralisia cerebral (PC).

Resumo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

O objetivo deste estudo foi gerar um método para calcular a variabilidade da frequência cardíaca (VFC) a partir das formas de onda do eletrocardiograma (ECG). As formas de onda foram gravadas por um monitor de FC que os participantes (jovens com paralisia cerebral (PC)) usavam durante sessões ativas de videogame (AVG). As sessões do AVG foram projetadas para promover a atividade física e a aptidão (desempenho aeróbio) nos participantes. O objetivo foi avaliar a viabilidade da AVGs como estratégia de intervenção fisioterapêutica (PT). A FC máxima (mHR) foi determinada para cada participante e a zona de frequência cardíaca alvo (THRZ) foi calculada para cada uma das três fases de exercício na sessão média de 20 min: (aquecimento a 40-60% de mHR, condicionamento a 60-80% de MHR e esfriou em 40-60% mHR). Cada participante jogou 3 20 min jogos durante a sessão do AVG. Todos os jogos foram jogados ao sentar-se em um banco porque muitos jovens com PC não podem ficar por longos períodos de tempo. Cada condição do jogo diferiu com os participantes que usam somente ícones da mão, ícones da mão e dos pés junto ou ícones dos pés somente para coletar objetos. O objetivo do jogo (chamado KOLLECTO) é coletar objetos para ganhar pontos e evitar perigos para não perder pontos. Os perigos foram utilizados nas fases de aquecimento e esfriando apenas para promover um movimento mais lento e controlado para manter a FC na zona de frequência cardíaca alvo (THRZ). Não houve perigos na fase de condicionamento para promover níveis mais elevados e atividade física mais intensa. Os métodos analíticos foram utilizados para gerar VFC (medidas de domínio do tempo e domínio de frequência) de dados de ECG para examinar a carga de trabalho aeróbia. As aplicações recentes de HRV indicam que as medidas a curto prazo (5 ataques do minuto) são apropriadas e que o biofeedback de HRV pode ajudar a melhorar sintomas e a qualidade de vida em uma variedade de condições de saúde. Embora a FC seja uma medida clínica bem aceita para examinar o desempenho e a intensidade aeróbias nas intervenções de PT, a VQV pode fornecer informações sobre as funções, recuperação e adaptação do sistema autonômico durante as sessões do AVG.

Introdução

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

A paralisia cerebral (PC) é a incapacidade física mais comum da infância1. O CP é causado por um insulto neurológico ao cérebro em desenvolvimento e está associado a deficiências motoras, como fraqueza muscular, espasticidade, descondicionamento e diminuição do controle motor e equilíbrio2,3. A PC é uma condição não progressiva, mas com a idade, as crianças tornam-se menos fisicamente ativas e mais sedentárias em comparação com seus pares com o desenvolvimento típico (TD) principalmente por causa do aumento das demandas de crescimento em seu comprometimento neuromuscular e sistemas musculoesqueléticos4.

Os jovens com PC geralmente recebem serviços de fisioterapia (PT) para melhorar a mobilidade funcional e promover a atividade física e a aptidão (por exemplo, resistência aeróbia e muscular)2. Muitas vezes, há acesso limitado aos serviços da pt e aos recursos comunitários para alcançar e sustentar esses objetivos de pt5,6. Os jogos de vídeo ativos (AVGs) podem ser uma estratégia viável em intervenções de pt baseadas em atividades nas configurações clínicas, domiciliares ou comunitárias7,8. AVGs comerciais têm flexibilidade limitada para adaptar o jogo e atender às necessidades específicas e metas PT para jovens com CP9. No entanto, os AVGs personalizados fornecem parâmetros de jogos flexíveis para desafiar os jovens com PC enquanto promovem atividade física e aptidão10.

Nossa equipe desenvolveu um AVG personalizado (chamado KOLLECTO) para examinar as respostas do exercício da juventude (por exemplo, atividade física e aptidão aeróbia). O jogo usa um sensor de movimento para acompanhar o movimento juvenil durante o jogo. O objetivo do jogo é "coletar" tantos objetos quanto possível para uma pontuação elevada e para evitar os perigos para evitar perder pontos. Os objetos podem ser coletados com ícones de mão e/ou pés, conforme determinado pelo terapeuta nos parâmetros flexíveis do jogo.

Projetar intervenções de PT baseadas em atividades que a intensidade da atividade física da dose para promover a aptidão aeróbia é fundamental para os jovens com PC11. AVGs personalizados podem ser uma estratégia eficaz para a intensidade da dose e envolver a juventude na atividade física para promover a aptidão10. Os monitores de frequência cardíaca (FC) são freqüentemente usados na prática clínica de PT para determinar o desempenho aeróbio e a intensidade da atividade. Portanto, os monitores de RH ajudarão a determinar a viabilidade dos AVGs na dosagem da intensidade da atividade física para promover a aptidão aeróbica9. Os dados de ECG gerados a partir de um monitor de RH podem ser usados para calcular a variabilidade da frequência cardíaca (VFC). Métodos analíticos foram utilizados para gerar VFC a partir de dados de ECG para examinar a carga de trabalho aeróbia. As aplicações recentes de HRV indicam que as medidas a curto prazo (5 Bouts do minuto) são apropriadas e que o biofeedback de HRV pode ajudar a melhorar sintomas e a qualidade de vida em uma variedade de condições de saúde32,33,34 . A aplicação de medidas de VFC de curto prazo é um meio adequado para avaliar a função cardiovascular durante as sessões do AVG. Dado que a VFC é derivada do intervalo R-R de um ECG, utilizamos medidas selecionadas de domínio do tempo e domínio de frequência. A medida do tempo-domínio de HRV quantifica a quantidade de maior nos intervalos do interbeat que representa o tempo entre batimentos cardíacos sucessivos. Utilizou-se o AVNN (intervalo médio de NN), RMSSD (quadrado médio da raiz de diferenças sucessivas), SDNN (desvio padrão do intervalo NN), NN50 (número de intervalos NN > 50 ms) e PNN50 (percentual de intervalos NN). As medidas do domínio da freqüência estimam o distribuição o poder absoluto ou relativo em possivelmente quatro bandas de freqüência, nós endereçados especificamente em duas faixas, poder da baixa freqüência (LF) e potência de alta freqüência (HF) junto com a relação de LF/HF. Embora a FC seja uma medida clínica bem aceita, a HRV pode ser útil porque fornece informações sobre a função do sistema autonômico, recuperação, adaptação e fornece uma estimativa da carga de trabalho aeróbia durante uma sessão do AVG28.

O objetivo deste estudo foi analisar a viabilidade do uso de estratégias de AVG para promover a atividade física e a aptidão. Um segundo objetivo foi apresentar o protocolo de coleta de dados da AVG e a metodologia para o cálculo da VFC a partir dos dados do ECG obtidos através de um monitor de RH. Estas medidas e este protocolo podem revelar-se relevantes para os médicos para monitorar e doses de sessões de intervenção PT.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Aprovação da Diretoria de revisão institucional. Todos os jovens forneceram assentimento escrito e os pais forneceram o consentimento antes da participação.

sessões de coleta de dados 1. AVG

  1. A sessão de jogo do AVG
    1. Neste estudo, os jovens com PC participam de uma sessão do AVG que é composta por 3 20 jogos min. Ver tabela 5 para demografia juvenil. Esperava-se que um total de 30 jogos seria jogado; no entanto, 29 jogos foram concluídos porque um assunto só jogou 2 jogos em sua sessão do AVG.
    2. Os sujeitos usam um monitor de RH durante toda a sessão para registrar as respostas de RH e ECG.
    3. Na sessão do AVG, peça aos jovens que joguem cada AVG enquanto estão sentados em um banco com os pés lisos no chão e os joelhos e os quadris flexiados para 90 graus (90/90 sentados) para suporte postural e estabilidade.
    4. Use as seguintes três condições de jogo para objetos da coleção: 1) ícones da mão somente; 2) ícones dos pés somente; e 3) ambos os ícones da mão e dos pés. Use uma ordem contrabalançada entre os sujeitos. Escolha estas três condições para determinar qual é mais eficaz na promoção da atividade física e aptidão e não muito exigente para causar fadiga precoce, indevida.
      Nota: cada jogo foi projetado usando as fases de prescrição do exercício: warm-up, condicionamento e cool-down. [Consulte a tabela 1]. Além disso, houve uma fase de descanso antes do jogo começou a documentar a HR de linha de base e uma fase de recuperação após o jogo para documentar o tempo para retornar ao RH de linha de base.
    5. Permitir que os sujeitos um período de descanso entre jogos para RH para retornar ao nível de linha de base.
  2. Calculando HRV dos dados de ECG
    1. Organize os dados em intervalos de tempo de 5 minutos para garantir dados comparáveis para cada fase. Portanto, foram definidas 6 fases para esses cálculos: 1) repouso; 2) warm-up; 3) condicionamento 1 (primeiro 5 min); 4) condicionamento 2 (segundo 5 min); 5) recuperação de cool-Down (5 min) e 6). A divisão da fase de condicionamento em duas fases de 5 min permite o exame do desempenho aeróbio sujeito em intervalos mais curtos para dar conta da fadiga decorrente do Descondicionamento 12 (tabela 4).
    2. Para calcular corretamente as medidas de HRV para cada segmento da sessão de um sujeito, realize a detecção de R-Peak no sinal de ECG RAW12,13. Use o sinal bruto para evitar manipulações que podem distorcer os dados.
    3. Para processar os dados, obtenha as horas de início de cada sessão de gravação e converta de variáveis ' DateTime ' (MM/DD/AAAA HH: MM: SS. SS) para segundos. Nenhuma das sessões ocorreu em dois dias, o que permitiu que a porção MM/DD/AAAA fosse ignorada durante esses cálculos. Adquira a hora de início do jogo de interesse da tabela de temporização para localizar cada sessão de jogo dentro do eletrocardiograma (ECG) arquivo; esse tempo foi convertido em segundos depois que ele tinha sido extraído do arquivo de tempo. O arquivo de temporização continha as horas de início para cada fase do jogo, bem como o fim do período de recuperação (tabela 2).
    4. Calcule o período de descanso como o 5 min antes do início do jogo e a fase de recuperação como o 5 min após o término da fase de recarga. Uma vez que estes tempos foram obtidos, obter a localização (S) da fase de jogo de interesse dentro do arquivo ECG através da seguinte equação:
      figure-protocol-1(1) a
      onde Phase é definido como REST, warmup, condicionamento 1, condicionamento 2, recarga ou recuperação; o tempo foi dividido por 1/Frequency para dar conta da taxa de amostragem de ECG. O monitor de RH teve uma taxa de amostragem de 250 Hz e, portanto, continha uma medida a cada 4 ms.
      1. Altere esse número alterando a taxa de amostragem com o primeiro prompt do programa Peak_Detection. m para levar em conta o uso de dispositivos de gravação alternativos. Escolha qual segmento de 5 min para trabalhar durante a execução do programa de detecção de pico. Isso foi feito através de um prompt para o usuário. Defina a hora de término para 5 min após a hora de início e leve a frequência do dispositivo de gravação em consideração.
    5. Uma vez que a seção de 5 minutos tinha sido escolhida, calcule um ponto inicial para a pico-deteção baseada em cima da média e do desvio padrão da forma de onda.
      1. Defina o limite como figure-protocol-2 mas isso pode ser aumentado no programa se os dados são uniformes para reduzir a detecção de falsos positivos de picos de T que são maiores do que seus picos de R correspondentes. Exemplos desses falsos positivos podem ser vistos na Figura 1.
      2. Junto com uma altura mínima para o pico de R, atribua uma distância mínima entre picos para minimizar a deteção de picos incorretos em torno do R. ajustado desejado este valor a 75 que correspondeu a 0,3 s entre picos ou 200 batidas por o minuto (BPM) (este valor muda com frequência). O valor de 200 BPM é maior do que qualquer FC atingido pelos sujeitos deste estudo e pode ser alterado com base na população estudada.
    6. Uma vez que o limiar foi calculado, deixe o programa executar através da forma de onda e tentar discernir todos os R ' s para o intervalo RR e cálculos HRV. Gere um gráfico preliminar para que o usuário possa revisá-lo para irregularidades como as mostradas na figura 1 ou na Figura 2.
      1. Corrija essas irregularidades manualmente editando a variável de detecção que contém a leitura de microvolts (μV) do pico na coluna 1 e o local na sessão de jogo atual (s/0,004) na segunda coluna. Na maioria dos casos, os picos de R apropriados podem ser facilmente encontrados ao ampliar o local do problema, como visto na Figura 1. Muitas sessões de dados são bastante uniformes, como mostrado na Figura 3 e, portanto, só exigirá algumas correções. Alguns casos, no entanto, são bastante confuso e exigem mais tempo para rever e obter locais adequados R.
      2. Se as flutuações na forma de onda torná-lo excessivamente difícil de localizar corretamente um pico, ignore pequenos segmentos ~ 1-2 s e atributo para batimentos ectópica que não são usados em cálculos HRV12.
    7. Depois que os R ' s foram localizados, execute o programa HRV_Measures . Calcule os intervalos RR primeiro, pois eles são a base das medidas de VFC utilizadas neste estudo12.
      1. Obtenha uma matriz de intervalos e ignore qualquer intervalo maior que 1,5 s (40 bpm) como era devido às batidas ectópica acima mencionadas que estão sendo removidas dos cálculos. Guarde estes intervalos RR para cálculos adicionais e verificação de dados. Use esses intervalos para calcular o quadrado médio da raiz das diferenças sucessivas (RMSSD) com a seguinte equação:
        figure-protocol-3RMSSD = (2)
        Onde N = número de intervalos RR (R-R)i = intervalo entre o vizinho QRS Peaks (R-r)i + 1 = intervalo entre o conjunto subsequente de picos
    8. Escolha esta variável como tem sido demonstrado ser eficaz em intervalos variando de 1 min a 24 h de comprimento13,14,15,16,17 e, portanto, pode ser usado para avaliar estes 5 min intervalos nas fases do jogo. Juntamente com rMSSD, obter o desvio padrão de intervalos NN para medir as mudanças de RH ao longo da fase14,16,18.
    9. Use os intervalos RR para calcular NN50, o número de intervalos que diferem do intervalo anterior por mais de 50 ms12 que também foi usado em intervalos variando de um min a 24 h16,17,19, 20,21.
      1. Calcule a variável NN50 através de uma função de contagem simples que verificou se a diferença entre os comprimentos de intervalo RR consecutivos foi maior que 50 ms. uma vez que NN50 foi obtido desta maneira, divida pelo número total de intervalos para calcular pNN50 que é a percentagem de intervalos que diferem por mais de 50 ms. este cálculo permitiu que os dados medidos fossem comparados entre indivíduos, jogos e até mesmo sessões de comprimentos variados, uma vez que é uma variável sem unidade13,14, 16 anos de , a 17.
    10. Calcule o comprimento médio do intervalo RR para cada fase e sujeito como medida de VFC separada16,17,19,22,23,24. Use esta medida para calcular a FC média dividindo o intervalo RR médio por 60 s. Ambas as medidas são facilmente comparáveis entre as sessões de jogo para observar a tendência da atividade do sujeito16,17,19,22,23, a 24.
    11. Uma vez que essas medidas foram calculadas, calcule a densidade espectral de potência de baixa frequência e alta frequência (PSD) tanto para o ECG bruto do intervalo de 5 minutos quanto para a matriz de intervalos RR obtendo PSD de transformações de rápida-Fourier13,14 , 17 anos de , 19 anos de , 25. todos esses dados foram então armazenados em uma tabela, um exemplo do que é mostrado na tabela 4.

2. adquira dados de ECG do paciente

  1. Prepare o monitor de RH cinta torácica e módulo Bluetooth para aplicação para o assunto.
    1. Certifique-se de que o módulo Bluetooth foi totalmente carregado (3 h) utilizando o suporte de carga.
    2. Conecte o módulo no computador de dados através do berço de carga e abra a ferramenta de configuração. Insira um nome para fins de registro.
    3. Selecione o dispositivo HR, clique na guia tempo e selecione Definir data/hora para sincronizar o módulo com a hora e a data corretas. O dispositivo pode agora ser removido do berço da carga.
    4. Umedecer as áreas condutoras (bege) na cinta torácica do monitor HR colocando uma mão na água e esfregando as áreas condutoras.
    5. Coloque o módulo Bluetooth do monitor HR na cinta torácica com as superfícies condutoras do módulo alinhadas com as da cinta torácica: ela clicará no lugar.
    6. Pressione e segure o botão no módulo até que as luzes piscam. O módulo está agora ligado e gravando.
    7. Aplique a cinta torácica do monitor HR (com módulo Bluetooth) ao leitor com o módulo alinhado com a linha axilar esquerda e a cinta logo abaixo dos músculos peitorais. Uma vez posicionado corretamente, aperte o dispositivo para que ele não se mova durante a sessão, mas não é desconfortável para o jogador.
  2. Adquira um sinal e visualize o feed ao vivo.
    1. Conecte o conector na porta USB do computador que será usado para visualizar os dados.
    2. Abra o programa de visualização em directo e introduza o modo de configuração clicando no ícone com a chave inglesa e chave de fenda.
    3. Escolha um jogador da lista se apropriado ou adicione um novo assunto com o novo botão no canto inferior esquerdo da tela.
    4. Insira as informações do assunto conforme desejado para fins de identificação (nome, idade, sexo, altura, peso).
    5. Clique na guia hardware e selecione o assunto atual.
    6. Clique em atribuir na parte inferior da guia e selecione o dispositivo atual (listado como 01 se não houver outros dispositivos presentes). Em seguida, clique em atribuir na caixa pop-up.
    7. Clique na guia equipe . realce o assunto e, em seguida, clique no botão de seta para a direita para colocar o jogador na equipe a.
    8. Clique na guia implantação e, em seguida, mova a equipe recém-criada para a primeira guia.
    9. Abra a guia modo ao vivo clicando no símbolo Wi-Fi azul no canto superior esquerdo.
    10. Use a aba do modo vivo para monitorar o RH, a taxa respiratória, e a postura do assunto no tempo real.
      Nota: a força do sinal, a energia da bateria e a confiança das medidas também podem ser visualizadas.
    11. Registre o sincronismo exato (MM/DD/AAAA HH: MM: SS) do começo e do fim de cada sessão e fase para processar.
  3. Transfira os dados de ECG do monitor HR.
    1. Retire a cinta do leitor no final da sessão e retire o módulo Bluetooth da cinta torácica.
    2. Coloque o módulo no suporte de carga e conecte-o a um computador com o programa de software instalado.
    3. Abra o log.
    4. Selecione o dispositivo no menu suspenso. Todas as sessões atualmente no dispositivo são exibidas com datas e horas.
    5. Desmarque a caixa que diz usar padrão salvar local e escolheu um novo local de salvamento.
    6. Clique em salvar. Uma barra de progresso aparecerá. A poupança pode demorar até uma hora, dependendo da duração da sessão.
    7. Renomeie a data, uma vez que foi salvo.

3. análise de dados e cálculo de medidas de variabilidade da frequência cardíaca

  1. Prepare arquivos para processamento.
    1. Nome ECG arquivos como ' KOLLECT_Subject # _ AVG4 ' (por exemplo, KOLLECT_01_AVG4. csv ').
    2. Gere uma tabela de temporização em formato de variável separado por vírgula (. csv) para desenhar dados de temporização durante o processamento de dados. Consulte a tabela 1 para obter um exemplo do formato correto.
    3. Importe os dados de data e hora do arquivo. csv e clique com o botão direito do mouse no nome da variável recém-criada e altere-a para 'timing. Mat '.
  2. Detecção preliminar do pico R.
    1. Abrir e executar Peak _ Detection . m.
    2. Incorpore a freqüência do dispositivo de gravação de ECG quando alertado pelo programa.
    3. Insira o número do jogador para os dados a serem analisados quando solicitado.
      Nota: alguns jogadores não completavam o jogo de vídeo ativo 4 (AVG4) e, portanto, apenas os jogadores 1-10 são usados para este estudo. Outros números fornecerão uma mensagem de erro.
    4. Insira o número do jogo a ser analisado (1, 2 ou 3) quando solicitado.
    5. Insira a fase a ser analisada (REST, Warmup (WU), condicionamento (con), REST ou Recovery).
      1. Insira um deslocamento em minutos, se desejado, ou digite 0 para nenhum deslocamento.
    6. Selecione a ferramenta de ampliação e selecione uma área do gráfico que é saída para criar uma janela com uma largura de aproximadamente 2.000 (s/0,004) e uma altura que mostrará a forma de onda completa, como mostrado na Figura 3. Zoom in ou out se a janela não é facilmente inspecionada visualmente.
    7. Inspecione visualmente o gráfico para avaliar se os picos detectados são rotulados corretamente. Veja a Figura 1 por exemplo de picos incorretamente detectados e perdidos causados por dados de ECG irregulares (Figura 2).
  3. Correção de pico
    1. Corrija os picos incorretamente detectados ou ausentes localizando a variável de detecção e clicando duas vezes no espaço de trabalho.
    2. Utilize a ferramenta cursor de dados no gráfico da forma de onda do ECG para obter as coordenadas x e y do pico incorreto; X (time * Frequency) é a primeira coluna em Detection. Mat e Y (Voltage) é a segunda coluna (Figura 3).
      1. Clique com o botão direito do mouse na caixa de texto exibida e clique em selecionar função de atualização do cursor.
      2. Selecione Tooltipupdate. m na pasta que contém os arquivos usados para essa análise. Isso permitirá que a dica de ferramenta exiba valores mais exatos.
    3. Se o ponto for um falso positivo, remova-o da matriz clicando em sua linha na variável Detection. Mat e pressionando Control e a tecla Minus . Um exemplo de detecção de falso positivo pode ser visto na Figura 3.
    4. Edite os picos marcados incorretamente que são adjacentes aos picos não marcados, como mostrado pelos dois picos T marcados como R na Figura 1, alterando seus valores para corresponder ao pico não marcado.
    5. Obter o valor do pico perdido pode ser obtido com a ferramenta cursor de dados .
    6. Adicione linhas adicionais à detecção. Mat usando o controle e a tecla mais para picos perdidos devido a níveis de baixa tensão.
    7. Entrar os valores em ordem numérica para evitar valores negativos durante o processo de cálculo (ou seja, adicionar o pico localizado em 11000 entre os picos em 10908 e 11167) (Figura 5).
    8. Certifique-se de que os valores sejam inseridos corretamente antes de continuar a sessão completa, pois os números são ocasionalmente cortados quando inseridos.
    9. Repita a etapa 2,3 até que todos os picos tenham sido verificados e/ou corrigidos.
      Nota: alguns arquivos têm variabilidade limitada na amplitude da forma de onda e são mais rápidos para verificar, como visto na Figura 4 , enquanto outros são mais variáveis e podem exigir mais zoom para localizar com precisão picos durante a inspeção visual.
  4. Obter cálculos de medida HRV.
    1. Salve o gráfico original gerado de Peak_Detection. m para referência posterior.
    2. Execute HRV_Measures. m para gerar o gráfico rotulado corretamente. Uma amostra de dados corrigidos é mostrada na Figura 6.
      1. Alterar o título do gráfico usando Insert | Título na janela de plotagem e alterá-lo para o título desejado.
      2. Verifique a janela de saída, o programa irá notificar o usuário do local digitado incorretamente dados se houver.
    3. Salve a variável denominada interval.
    4. Abra a variável intitulada HRV a partir da janela de espaço de trabalho para visualizar a média RR (MS), média de RH (BPM), rMSSD (MS), SDNN (MS), NN50 (contagem), pNN50 (%), baixa frequência (LF)/alta frequência (HF) (ECG), LF/HF RR, potência de baixa frequência RR e potência de alta frequência (RR)). Salve os valores h dessas variáveis em uma tabela, como a mostrada na tabela 4.
    5. Repita as seções 3,2-3,4 para todos os outros segmentos, sessões e assuntos que precisam de análise.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este método fornece dados para o uso em analisar o efeito que um método recentemente desenvolvido tem na variabilidade da frequência cardíaca do assunto (HRV). Ele faz isso localizando a porção R da forma de onda QRS dos dados de ECG de um sujeito, como mostrado na Figura 6, e calculando vários valores de VFC a partir dele. Se o monitor de RH estiver fazendo contato adequado com o sujeito, os dados serão uniformes, reduzindo substancialmente a necessidade de ...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Participaram deste estudo dez jovens com PC (média + DP) [idade (anos) = 15,53 ± 3,57; altura (cm) 154,8 ± 12,6; peso (kg) 50,69 ± 11,1; índice de massa corpórea (IMC) 50,46 ± 29,2; mHR 9 BPM) = 186,8 ± 12,4]. Consulte a tabela 5 para obter informações demográficas dos pacientes.

Existem algumas considerações para o uso de monitores de RH e as medidas associadas de RH e HRV que se relacionam com modificações e solução de problemas. Duas questões que são aparentes, independente...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Neste momento, os autores (CL e PAS) não têm nada a revelar. Dr. o ' Neil é um co-fundador da enAbleGames, LLC e Kollecto é um dos jogos oferecidos por esta empresa baseada na Web. enAbleGames está em fase de desenvolvimento de jogos e não é uma empresa pública neste momento (www.enAbleGames.com).

Agradecimentos

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Os autores agradecem aos participantes e suas famílias pelo tempo e esforço despendidos para a participação no estudo. Também, os autores reconhecem o Dr. Yichuan Liu e o Dr. Hasan Ayaz para sua assistência com o cálculo cronometrando da monitoração do RH e Dr. Paul Diefenbach para o desenvolvimento do software ativo video do jogo de KOLLECTO. O financiamento para este trabalho foi fornecido pela Fundação Coulter Grants #00006143 (O'Neil; Diefenbach, PIs) e #00008819 (O'Neil; Diefenbach, PIs).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
Módulo Bluetooth BioHarness (sensor eletrônico) Zephyr9800.0189detecta frequência cardíaca, frequência de resistência, postura e temperatura da pele.
BioHarness Chest StrapZephyr9600.0189, 9600.0190Tamanhos Pequeno XS-M, Grande M-XL
BioHarness Charge Cradle & Cabo USBZephyr9600.0257Usado para transferir dados do módulo para um computador para análise.
O BioHarness Echo GatewayZephyr9600.0254permite a visualização em tempo real da frequência cardíaca do sujeito.
MATLAB R2016aMathworks1.7.0_.60Usado para toda a programação.

Referências

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  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).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Solicitar permissão para reutilizar o texto ou as figuras deste artigo JoVE

Solicitar permissão

Etiquetas

An lise de Dados de ECGJovens com Paralisia CerebralVideojogos AtivosInterven o de FisioterapiaDetec o do Pico RMedidas no Dom nio do TempoMedidas no Dom nio da Frequ nciaZona de Frequ ncia Card aca AlvoProcessamento em MATLAB

Artigos relacionados