Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
Click here for the English version

Behavior

Beräkning av hjärtfrekvensvariation från EKG-data från ungdomar med cerebral pares under aktiva video spels sessioner

Published: June 5, 2019 doi: 10.3791/59230

Summary

Detta protokoll beskriver en metod för att beräkna hjärtfrekvensvariation (HRV) från elektrokardiogram (EKG) vågformer. Vågformer från kontinuerlig puls (HR) inspelningar under aktiva video spel (AVG) sessioner användes för att mäta den aeroba prestandan hos ungdomar med cerebral pares (CP).

Abstract

Syftet med denna studie var att generera en metod för beräkning av hjärtfrekvensvariation (HRV) från elektrokardiogram (EKG) vågformer. Vågformerna spelades in av en HR-monitor som deltagarna (ungdomar med cerebral pares (CP)) bar under aktiva video spels (AVG) sessioner. AVG-sessionerna utformades för att främja fysisk aktivitet och kondition (aerob prestation) hos deltagarna. Målet var att utvärdera genomförbarheten av AVGs som en sjukgymnastik (PT) interventionsstrategi. Den maximala HR (mHR) bestämdes för varje deltagare och målet pulszon (THRZ) beräknades för var och en av tre träningsfaser i 20 min AVG session: (Warm-Up på 40-60% mHR, konditionering på 60-80% mHR, och svalna på 40-60% mHR). Varje deltagare spelade 3 20 min matcher under AVG-sessionen. Alla spel spelades när du satt på en bänk eftersom många ungdomar med CP inte kan stå för längre tidsperioder. Varje spelvillkor skilde sig med deltagare som använder hand ikoner bara, hand och fötter ikoner tillsammans eller fötter ikoner bara för att samla in objekt. Målet med spelet (som kallas KOLLECT) är att samla objekt för att få poäng och undvika faror för att inte förlora poäng. Faror användes i uppvärmnings-och kyla ner faser endast för att främja långsammare, kontrollerad rörelse för att upprätthålla HR i målet pulszon (THRZ). Det fanns inga faror i konditioneringsfasen för att främja högre nivåer och mer intensiv fysisk aktivitet. Analytiska metoder användes för att generera HRV (valda tidsdomän-och frekvens domäns åtgärder) från EKG-data för att undersöka aerob arbetsbelastning. De senaste tillämpningarna av HRV indikerar att Korttidsmätningar (5 min anfall) är lämpliga och att HRV biofeedback kan bidra till att förbättra symtomen och livskvaliteten i en mängd olika hälsotillstånd. Även om HR är en väl accepterad klinisk åtgärd för att undersöka aerob prestanda och intensitet i PT interventioner, HRV kan ge information om autonoma systemet funktioner, återhämtning och anpassning under AVG sessioner.

Introduction

Cerebral pares (CP) är den vanligaste fysiska funktionshinder i barndomen1. CP orsakas av en neurologisk förolämpning mot hjärnans utveckling och är förknippad med motoriska funktionsnedsättningar såsom muskelsvaghet, spasticitet, dekonditionering, och minskad motorisk kontroll och balans2,3. CP är ett icke-progressivt tillstånd men med åldern, barn blir mindre fysiskt aktiva och mer stillasittande jämfört med sina kamrater med typisk utveckling (TD) främst på grund av de ökade kraven på tillväxt på deras äventyras neuromuskulära och Muskuloskeletala systemet4.

Ungdomar med CP får vanligtvis sjukgymnastik (PT) tjänster för att förbättra funktionell mobilitet och främja fysisk aktivitet och kondition (t. ex. aerob och muskulös uthållighet)2. Ofta finns det begränsad tillgång till PT-tjänster och community-resurser för att uppnå och upprätthålla dessa PT mål5,6. Active Video Games (AVGs) kan vara en genomförbar strategi i aktivitetsbaserade PT interventioner i klinik, hem eller gemenskap inställningar7,8. Kommersiella AVGs har begränsad flexibilitet att anpassa spelet och möta de specifika behov och PT mål för ungdomar med CP9. Men anpassade AVGs ger flexibla spel parametrar för att utmana ungdomar med CP samtidigt främja fysisk aktivitet och Fitness10.

Vårt team har utvecklat en skräddarsydd AVG (som kallas KOLLECT) för att undersöka ungdomens motions svar (t. ex. fysisk aktivitet och aerobisk kondition). Spelet använder en rörelsesensor för att spåra ungdomsrörelser under spelets lek. Målet med spelet är att "samla" så många objekt som möjligt för en hög poäng och för att undvika farorna för att undvika att förlora poäng. Objekt kan samlas med hand och/eller fötter ikoner som bestäms av terapeuten i de flexibla spel parametrarna.

Designa aktivitetsbaserade PT interventioner som dos fysisk aktivitet intensitet för att främja aerob kondition är avgörande för ungdomar med CP11. Custom AVGs kan vara en effektiv strategi för dosintensitet och engagera ungdomar i fysisk aktivitet för att främja Fitness10. Pulsmätare (HR) används ofta i klinisk PT-övning för att bestämma aerob prestanda och aktivitetsintensitet. Därför, HR-monitorer kommer att avgöra genomförbarheten av AVGs i dosering fysisk aktivitet intensitet för att främja aerob fitness9. EKG-data som genereras från en pulsmätare kan användas för att beräkna hjärtfrekvensvariation (HRV). Analytiska metoder användes för att generera HRV från EKG-data för att undersöka aerob arbetsbelastning. Nya tillämpningar av HRV indikerar att Korttidsmätningar (5 min anfall) är lämpliga och att HRV biofeedback kan bidra till att förbättra symtomen och livskvaliteten i en mängd olika hälsotillstånd32,33,34 . Tillämpningen av kortsiktiga HRV-åtgärder är ett lämpligt sätt att bedöma kardiovaskulär funktion under AVG-sessioner. Med tanke på att HRV härleds från R-R-intervallet för ett EKG använde vi valda tidsdomän-och frekvens domäns åtgärder. Tids domänens mått på HRV kvantifierar mängden variabel i Interbeat-intervallen som representerar tiden mellan successiva pulsslag. Vi använde AVNN (genomsnittligt NN-intervall), RMSSD (root mean Square av successiva skillnader), SDNN (standardavvikelse av NN intervall), NN50 (antal NN intervall > 50 ms) och PNN50 (procent av NN intervall). Frekvens domän åtgärder uppskatta distributions mängden av absolut eller relativ effekt till möjligen fyra frekvensband, vi specifikt adresserade på två band, låg frekvens (LF) effekt och hög frekvens (HF) effekt tillsammans med LF/HF förhållandet. Även om HR är en väl accepterad klinisk åtgärd kan HRV vara användbart eftersom det ger information om autonom systemfunktion, återställning, anpassning och ger en uppskattning av aerob arbetsbelastning under en AVG-session28.

Syftet med denna studie var att undersöka möjligheten att använda AVG strategier för att främja fysisk aktivitet och Fitness. Ett andra syfte var att presentera AVG datainsamlings protokollet och metoden för att beräkna HRV från EKG-data som erhållits via en HR-monitor. Dessa åtgärder och detta protokoll kan visa sig vara relevanta för klinikerna att övervaka och dosera interventions sessioner.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Det institutionella gransknings nämndens godkännande erhölls. Alla ungdomar gav skriftligt samtycke och föräldrarna gav sitt medgivande innan de deltog.

1. AVG datainsamling sessioner

  1. AVG-spelsessionen
    1. I denna studie, har ungdomar med CP delta i en AVG session som består av 3 20 min spel. Se tabell 5 för ungdoms demografi. Det förväntades att totalt 30 matcher skulle spelas; men 29 spel slutfördes eftersom ett ämne bara spelade 2 matcher i sin AVG session.
    2. Har försökspersonerna bära en HR-monitor under hela sessionen för att spela in HR och EKG-svar.
    3. I AVG sessionen, har ungdomar spela varje AVG medan sittande på en bänk med fötterna platt på golvet och knän och höfter böjt till 90 grader (90/90 sittande) för postural stöd och stabilitet.
    4. Använd följande tre spelvillkor för samlingsobjekt: 1) endast hand ikoner; 2) endast fot ikoner; och 3) både hand-och fot ikoner. Använd en motviktare ordning mellan ämnen. Välj dessa tre villkor för att avgöra vilket är mer effektivt för att främja fysisk aktivitet och kondition och inte alltför krävande att orsaka tidig, onödig trötthet.
      Obs: varje spel har utformats med hjälp av faser av motion recept: uppvärmning, konditionering och svalka. [Vänligen se tabell 1]. Dessutom var det en vilo fas innan spelet började dokumentera baslinjen HR och en återhämtning fas efter spelet att dokumentera tid att återvända till baslinjen HR.
    5. Låt försökspersonerna en viloperiod mellan spel för HR att återgå till baslinjenivå.
  2. Beräkning av HRV från EKG-data
    1. Organisera data i 5 minuters tidsintervall för att säkerställa jämförbara data för varje fas. Därför fanns det 6 faser definierade för dessa beräkningar: 1) vila; 2) uppvärmning; 3) konditionering 1 (första 5 min); 4) konditionering 2 (andra 5 min); 5) nedkylningen (5 min) och 6) återhämtning. Dividera konditioneringsfasen i två 5 min faser möjliggör undersökning av ämne aerob prestanda i kortare intervaller för att redogöra för trötthet på grund av dekonditionering 12 (tabell 4).
    2. Utför R-Peak-detektering på den råa EKG-signalen12,13för att korrekt beräkna HRV-mått för varje segment i en försöks session. Använd RAW-signalen för att undvika manipulationer som kan skeva data.
    3. För att bearbeta data, Hämta starttider för varje inspelningssessionen och konvertera från "DateTime" variabler (MM/DD/ÅÅÅÅ HH: MM: SS. SS) till sekunder. Ingen av sessionerna inträffade under två dagar, vilket tillät att delen MM/DD/ÅÅÅÅ ignorerades under beräkningarna. Förvärva starttiden för spelet av intresse från timing tabellen för att lokalisera varje spelsession inom elektrokardiogram (EKG) fil; den här gången konverterades till sekunder efter att den hade extraherats från tids filen. Tids filen innehöll starttider för varje fas i spelet samt slutet av återhämtningsperioden (tabell 2).
    4. Beräkna viloperioden som 5 min före spelet start och återhämtningsfasen som 5 min efter utgången av cooldown fasen. När dessa tider erhölls, få plats (er) av spelet fas av intresse inom EKG-filen genom följande ekvation:
      Equation 1(1)
      där fasen är inställd på antingen vila, uppvärmning, konditionering 1, konditionering 2, cooldown, eller återhämtning; tiden delades med 1/frekvens för att redogöra för EKG-Provfrekvensen. Pulsmätaren hade en samplingsfrekvens på 250 Hz och innehöll därför en åtgärd var 4: de.
      1. Ändra detta nummer genom att förändra samplingsfrekvensen med den första prompten från programmet Peak_Detection. m för att redovisa användningen av alternativa inspelningsenheter. Välj vilket 5 min-segment du vill arbeta med när du kör Peak Detection-programmet. Detta skedde via en uppmaning till användaren. Ställ in sluttiden till 5 min efter starttiden och ta frekvensen av inspelningsenheten i beaktande.
    5. När 5 min sektionen hade valts, beräkna ett tröskelvärde för Peak-detektion baserat på genomsnittet och standardavvikelsen för vågform.
      1. Ange tröskelvärdet som Equation 2 men detta kan ökas i programmet om data är enhetliga för att minska falskt positiva detektion från T-toppar som är högre än deras motsvarande R-toppar. Exempel på dessa falska positiva identifieringar kan ses i figur 1.
      2. Tillsammans med en minsta höjd för R-toppen, tilldela ett minsta avstånd mellan toppar för att minimera upptäckten av felaktiga toppar runt önskad R. ange detta värde till 75 som motsvarade 0,3 s mellan toppar eller 200 slag per minut (BPM) (detta värde ändras med frekvens). Värdet av 200 BPM är högre än någon HR uppnås av försökspersonerna i denna studie och kan ändras baserat på den population som studeras.
    6. När tröskelvärdet beräknades, låt programmet köras genom vågform och försök att urskilja alla R: s för RR intervall och HRV beräkningar. Generera en preliminär Plot så att användaren kan granska den för oegentligheter som de som visas i figur 1 eller figur 2.
      1. Korrigera dessa oegentligheter manuellt genom att redigera den detekterings variabel som innehåller mikrovolt (μV) avläsning av toppen i kolumn 1 och platsen i den aktuella spelsessionen (s/0,004) i den andra kolumnen. I de flesta fall kan de rätta R-topparna lätt hittas genom att zooma in på problem platsen som visas i figur 1. Många data sessioner är ganska enhetliga som visas i figur 3 och kommer därför bara att kräva några korrigeringar. Vissa fall är dock ganska rörigt och kräver mer tid att granska och få ordentlig R platser.
      2. Om svängningarna i vågformen gör det orimligt svårt att hitta en topp på rätt sätt, ignorera små segment ~ 1-2 s och tillskriva ektopiska beats som inte används i HRV-beräkningar12.
    7. Efter R: s har funnits, kör HRV_Measures programmet. Beräkna RR intervall först eftersom de är grunden för HRV åtgärder som används i denna studie12.
      1. Få en matris med intervaller och ignorera ett intervall större än 1,5 s (40 BPM) som det berodde på ovannämnda ektopiska beats tas bort från beräkningarna. Spara dessa RR intervall för ytterligare beräkningar och verifiering av data. Använd dessa intervall för att beräkna roten medelvärde kvadrat av successiva skillnader (RMSSD) med följande ekvation:
        Equation 3RMSSD = (2)
        Där N = antal RR-intervaller (R-R)i = intervall mellan angränsande QRS-toppar (R-r)i + 1 = intervall mellan efterföljande uppsättning toppar
    8. Välj denna variabel eftersom den har visat sig vara effektiv på intervall mellan 1 min och 24 h i längd13,14,15,16,17 och kan därför användas för att bedöma dessa 5 min mellanrum i spel faserna. Tillsammans med rmssd, få standard avvikelsen av NN intervall för att mäta förändringar i HR under hela fas14,16,18.
    9. Använd RR-intervallen för att beräkna NN50, antalet intervaller som avviker från det föregående intervallet med mer än 50 ms12 som också har använts i intervaller från en minut till 24 h16,17,19, 20,21.
      1. Beräkna variabeln NN50 via en enkel räknings funktion som kontrollerar om differensen mellan de efterföljande RR-intervalllängderna var större än 50 ms. När NN50 erhölls på detta sätt, dividera med det totala antalet intervaller för att beräkna pNN50 som är procentandelen intervaller som avviker med mer än 50 ms. denna beräkning tillät uppmätta data att jämföras mellan ämnen, spel, och även sessioner av varierande längder eftersom det är en enhet-mindre variabel13,14, 16 , 17.
    10. Beräkna medelvärdet RR intervall längd för varje fas och ämne som en separat HRV åtgärd16,17,19,22,23,24. Använd detta mått för att beräkna genomsnittlig HR genom att dividera medelvärdet RR intervallet med 60 s. Båda dessa åtgärder är lätt jämförbara över spelsessioner för att iaktta trenden för försöks verksamhetens verksamhet16,17,19,22,23, 24.
    11. När dessa åtgärder beräknades, beräkna låg frekvens och hög frekvens makt spektraltäthet (PSD) för både rå EKG av 5-min intervall och RR intervall matris genom att få PSD från fast-Fourier transformer13,14 , 17 , 19 , 25. alla dessa uppgifter lagrades sedan i en tabell, ett exempel som visas i tabell 4.

2. inhämta EKG-data från patienten

  1. Förbered pulsmätaren för bröstet och Bluetooth-modulen för applicering på motivet.
    1. Se till att Bluetooth-modulen är fulladdad (3 h) med laddningsdockan.
    2. Anslut modulen till data datorn via laddningsdockan och öppna konfigureringsverktyget. Ange ett namn för loggnings ändamål.
    3. Välj HR-enheten, klicka på fliken tid och välj Ange datum/tid för att synkronisera modulen till rätt tid och datum. Enheten kan nu tas bort från laddningsdockan.
    4. Fukta de ledande områdena (beige) på pulsmätaren på bröstremmen genom att placera en hand i vatten och gnugga de ledande områdena.
    5. Placera HR monitor Bluetooth-modulen i bröstremmen med de ledande ytorna av modulen uppradade med de av bröstremmen: det kommer att klicka på plats.
    6. Tryck på och håll ned knappen på modulen tills lamporna blinkar. Modulen är nu på och inspelning.
    7. Applicera pulsmätaren med pulsband (med Bluetooth-modul) till spelaren med modulen i linje med den vänstra mitten av axillärlinjen och remmen precis under bröstmusklerna. När korrekt placerad, dra åt enheten så att den inte kommer att röra sig under sessionen, men är inte obekväm för spelaren.
  2. Få en signal och Visa liveflödet.
    1. Anslut kontakten till den USB-port på datorn som ska användas för att visa data.
    2. Öppna Live View -programmet och ange inställningsläget genom att klicka på ikonen med skiftnyckeln och skruvmejseln.
    3. Välj en spelare från listan om det behövs eller Lägg till ett nytt ämne med den nya knappen i det nedre vänstra hörnet av skärmen.
    4. Ange ämnesinformation som önskas för identifieringsändamål (namn, ålder, kön, längd, vikt).
    5. Klicka på fliken maskinvara och välj aktuellt ämne.
    6. Klicka på tilldela längst ned på fliken och välj den aktuella enheten (anges som 01 om inga andra enheter finns). Klicka sedan på tilldela i popup-rutan.
    7. Klicka på fliken team . Markera motivet och klicka sedan på högerpilknappen för att placera spelaren i Team A.
    8. Klicka på fliken distribution och flytta sedan det nyskapade teamet till den första fliken.
    9. Öppna fliken Live-läge genom att klicka på den blå Wi-Fi- symbolen i det övre vänstra hörnet.
    10. Använd fliken Live-läge för att övervaka puls, andningsfrekvens och kroppshållning i ämnet i realtid.
      Obs: signal styrka, batterikraft, och förtroende för åtgärderna kan också ses.
    11. Spela in exakt timing (MM/DD/ÅÅÅÅ HH: MM: SS) i början och slutet av varje session och fas för bearbetning.
  3. Ladda ner EKG-data från pulsmätaren.
    1. Ta bort remmen från spelaren i slutet av sessionen och ta bort Bluetooth-modulen från bröstremmen.
    2. Placera modulen i laddningsdockan och Anslut den till en dator med det installerade programmet.
    3. Öppna loggen.
    4. Välj enheten i listmenyn. Alla sessioner som för närvarande finns på enheten visas med datum och tider.
    5. Avmarkera rutan som säger Använd standard spara plats och välj en ny spara plats.
    6. Klicka på Spara. En förloppsindikator visas då. Sparande kan ta upp till en timme beroende på sessionens längd.
    7. Byt namn på datumet när det har sparats.

3. data analys och beräkning av hjärtfrekvens variationer

  1. Förbered filer för bearbetning.
    1. Namn EKG-filer som "KOLLECT_Subject # _ AVG4" (t. ex. KOLLECT_01_AVG4. csv).
    2. Generera en timing tabell i kommaseparerat variabel (. csv) format för att rita tids data från under databearbetning. Se tabell 1 för ett exempel på rätt format.
    3. Importera datum-tid data från. csv-filen och högerklicka på namnet på den nyskapade variabeln och ändra den till "timing. mat".
  2. Preliminär R Peak Detection.
    1. Öppna och kör Peak _ Detection . m.
    2. Ange frekvensen för EKG-inspelningsenheten när du uppmanas av programmet.
    3. Ange spelarnumret för de data som ska analyseras när du tillfrågas.
      Obs: vissa spelare inte komplett aktivt video spel 4 (AVG4) och därför endast spelare 1-10 används för denna studie. Andra nummer kommer att ge ett felmeddelande.
    4. Ange numret på det spel som ska analyseras (1, 2 eller 3) när du tillfrågas.
    5. Ange den fas som ska analyseras (rest, WarmUp (WU), conditioning (CON), rest eller Recovery).
      1. Ange en förskjutning i minuter om så önskas, eller ange 0 för ingen förskjutning.
    6. Välj förstorings verktyget och välj ett område av handlingen som matas ut för att skapa ett fönster med en bredd på cirka 2 000 (s/0,004) och en höjd som visar hela vågformen enligt figur 3. Zooma in eller ut om fönstret inte är lätt att inspektera visuellt.
    7. Inspektera grafen visuellt för att utvärdera om de upptäckta topparna är korrekt märkta. Se figur 1 för exempel på felaktigt upptäckta och missade toppar orsakade av oregelbundna EKG-data (figur 2).
  3. Peak korrigering
    1. Korrigera de felaktigt identifierade eller saknade topparna genom att hitta detekterings variabeln och dubbelklicka på arbetsytan.
    2. Använda data markör verktyget på handlingen i EKG-vågform för att få x-och y-koordinaterna för den felaktiga toppen; X (tid * frekvens) är den första kolumnen i Detection. Matt och Y (spänning) är den andra kolumnen (figur 3).
      1. Högerklicka på textrutan som visas och klicka på Välj markör uppdateringsfunktion.
      2. Välj Tooltipupdate. m från mappen som innehåller de filer som används för den här analysen. Detta gör det möjligt för verktygstipset att visa mer exakta värden.
    3. Om punkten är ett falskt positivt, ta bort den från matrisen genom att klicka på dess rad i den Detection. mat variabel och trycka på kontroll och minus -tangenten. Ett exempel på falsk positiv detektion kan ses i figur 3.
    4. Redigera felaktigt markerade toppar som gränsar till omärkta toppar, som visas av de två T-toppar markerade som R i figur 1, genom att ändra deras värden så att de matchar den omärkta toppen.
    5. Hämta värdet för den missade toppen kan erhållas med data markör verktyget.
    6. Lägg till ytterligare rader till identifiering. mattan med kontroll och plusknappen för toppar missade på grund av låg spänningsnivåer.
    7. Ange värdena i numerisk ordning för att undvika negativa värden under beräkningsprocessen (dvs. Lägg till den topp som ligger på 11000 mellan topparna på 10908 och 11167) (figur 5).
    8. Se till att värdena anges korrekt innan du fortsätter genom hela sessionen som siffror ibland klipps av när de anges.
    9. Upprepa steg 2,3 tills alla toppar har kontrollerats och/eller korrigerats.
      Obs: vissa filer har begränsad variation i vågform amplitud och är snabbare att kontrollera, som visas i figur 4 medan andra är mer varierande och kan kräva närmare zoom för att exakt lokalisera toppar under visuell inspektion.
  4. Hämta HRV-måttberäkningar.
    1. Spara den ursprungliga handlingen som genererats från Peak_Detection. m för senare referens.
    2. Kör HRV_Measures. m för att generera korrekt märkta Plot. Ett urval av korrigerade data visas i figur 6.
      1. Ändra Plot titeln med hjälp av insert | Titel på ritfönstret och ändra den till önskad titel.
      2. Kontrollera fönstret för utdata, programmet kommer att meddela användaren av platsen felaktigt inmatade data om någon finns.
    3. Spara variabeln med namnet Interval.
    4. Öppna variabeln HRV från arbetsytefönstret för att Visa Mean RR (MS), genomsnittlig HR (BPM), rmssd (MS), sdnn (MS), NN50 (count), pNN50 (%), låg frekvens (LF)/hög frekvens (HF) (EKG), LF/HF RR, lågfrekvent ström RR, och högfrekvent effekt (RR)). Spara h-värdena för dessa variabler i en tabell som den som visas i tabell 4.
    5. Upprepa avsnitten 3,2-3,4 för alla andra segment, sessioner och ämnen som behöver analyser.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Den här metoden innehåller data som används för att analysera den effekt som en nyutvecklad metod har på försöksdjurens hjärtfrekvensvariation (HRV). Det gör detta genom att lokalisera R-delen av QRS-vågformen av ett ämnes EKG-data, som visas i figur 6, och genom att beräkna olika HRV-värden från den. Om HR-monitorn gör ordentlig kontakt med motivet kommer uppgifterna att vara enhetliga, vilket avsevärt minskar behovet av rättelser (se figur 4).

Tröskelvärden bör fastställas för att hantera röriga och oregelbundna data som avbildas i figur 1 och figur 2. Om data är tillräckligt varierande på grund av tillfälliga förändringar i pulsmätaren hudkontakt, kan den initiala analysen felaktigt etikett toppar som visas i figur 3. Detta fel kan korrigeras genom att manuellt korrigera värden eller ange extra datapunkter som förklaras i avsnitt 3 i protokollet. Att ändra tröskelnivåerna och kortaste tiden mellan topparna kan också hjälpa till att städa upp detekterings värden och producera en justerad Plot som figur 6 från Figure5.

När data har erhållits och analyserats för avvikelser kan de användas för att beräkna HRV-värden för statistisk analys. Analysen av EKG-data kan användas för att kvantifiera observationer som gjorts under sessioner i utvärderingssyfte.

Figure 1
Figur 1 . Representativ Graf över kontinuerlig HR (y-axel) i μV) över tid (x-axel i s) för ämne ett spel 3 under WarmUp session som representerar "rörigt" data. Rörig data: i detta avsnitt R toppar är mindre än T-delen av vågform. Detta kan orsaka problem med Peak Detection.

Figure 2
Figur 2 . Ett exempel på vissa elektrokardiogram (EKG) oregelbunden vågform mönster. Oregelbundna vågform mönster: förändringar i kontakt med motivet på grund av rörelse kan orsaka spänningsvariationer minska enhetlighet i vågform. Vänligen klicka här för att se en större version av denna siffra.

Figure 3
Figur 3 . Ett exempel på ett elektrokardiogram (EKG) utgång med en felaktigt märkt Peak HR felaktigt märkt Peak. Nära toppen av figuren en spik i spänning orsakar en del av vågformen som ska detekteras som matchar R-mönstret. Det kan också orsaka närliggande R-mönster ignoreras på grund av närhet som den som är markerad på (9924, 2074).

Figure 4
Figur 4 . Representativ Graf över kontinuerlig HR (y-axel) i μV) över tid (x-axel i s) Rengör elektrokardiogram (EKG) vågform. Ren vågform: ett exempel på en sektion av enhetliga EKG-data med en relativt jämn vågform och spänningsnivå.

Figure 5
Figur 5 . Representativ Graf över kontinuerlig HR (y-axel) i μV) över tid (x-axel i s) av ett rått elektrokardiogram (EKG) före rengöring. Data före rengöring: ett 30-sekunders segment av EKG-data från ämne 01 spel 3 under konditioneringsfasen visas. Vissa toppar har missats och vissa är felaktigt märkta på grund av högspännings variationer. Vänligen klicka här för att se en större version av denna siffra.

Figure 6
Figur 6 . Representativ Graf över kontinuerlig HR (y-axel) i μV) över tid (x-axel i s) av ett rått elektrokardiogram (EKG) efter clearning. Data efter rengöring: samma 30 SEK EKG-data från ämne 01 spel 3 efter att det har märkts på rätt sätt enligt beskrivningen i avsnitt 3 i protokollet. Vänligen klicka här för att se en större version av denna siffra.

Fas Tid THR Zone Spelfunktioner
Vila 5 min Baslinje vila Na
Uppvärmning 5 min 40-60% mHR 4 objekt + 4 faror; långsammare hastighet
Konditionering 10 min 60-80% mHR 8 objekt + 0 faror; snabbare hastighet
Nedkyld 5 min 40-60% mHR 4 objekt + 4 faror; långsammare hastighet
Återhämtning 5 min Baslinje vila Na
Nyckel: THR = mål hjärtfrekvens;  Na = ej tillämpligt

Tabell 1. Aktiva video spel (AVG) spel faser. NYCKEL: mål hjärtfrekvens (THR); NA (ej tillämpligt).

Ämne Avg Spel WarmUp start Konditionering start Cooldown start Återställnings start
(MM/DD/ÅÅÅÅ) (MM/DD/ÅÅÅÅ) (MM/DD/ÅÅÅÅ) (MM/DD/ÅÅÅÅ)
(HH: MM: SS) (HH: MM: SS) (HH: MM: SS) (HH: MM: SS)
1 4 1 11/25/2015 11/25/2015 11/25/2015 11/25/2015
1 4 1 16:33:53 16:39:03 16:49:04 16:54:09
1 4 2 11/25/2015 11/25/2015 11/25/2015 11/25/2015
1 4 2 17:27:47 17:32:57 17:43:01 17:48:03
1 4 3 11/25/2015 11/25/2015 11/25/2015 11/25/2015
1 4 3 18:25:22 18:30:33 18:40:35 18:45:38
2 4 1 4/10/2016 4/10/2016 4/10/2016 4/10/2016
2 4 1 11:59:19 12:04:29 12:14:36 12:19:50
2 4 2 4/10/2016 4/10/2016 4/10/2016 4/10/2016
2 4 2 12:40:25 12:45:37 12:55:44 13:00:53
2 4 3 4/10/2016 4/10/2016 4/10/2016 4/10/2016
2 4 3 13:19:57 13:25:02 13:35:04 13:40:11
3 4 1 11/18/2015 11/18/2015 11/18/2015 11/18/2015
3 4 1 17:08:10 17:13:20 17:23:21 17:28:28
3 4 2 11/18/2015 11/18/2015 11/18/2015 11/18/2015
3 4 2 17:59:46 18:04:48 18:14:54 18:19:55
3 4 3 11/18/2015 11/18/2015 11/18/2015 11/18/2015
3 4 3 18:42:03 18:47:03 18:57:04 19:02:02

Tabell 2. Timing fil nyckel: AVG = aktiva video spel

ID_AVG_Game AVNN (s) Genomsnittlig HR (BPM) RMSSD (MS) SDNN (MS) NN50 pNN50 (%) LF/HF (EKG) LF/HF (RR) LFP (RR) HFP (RR)
03_AVG4_G1_Rest 719,875 83,347 29,827 55,604 35 8,393 1,328 0,602 0,123 0,204
03_AVG4_G1_WU 656,373 91,411 26,52 50,372 28 5,932 1,288 0,675 0,125 0,185
03_AVG4_G1_Con 1 -5 557,772 107,57 20,651 43,932 4 0,743 1,187 0,76 0,119 0,157
03_AVG4_G1_Con 6 10 532,483 112,679 27,771 33,481 9 1,599 1,244 0,809 0,118 0,146
03_AVG4_G1_Con 2-7 538,546 111,41 20,389 34,351 6 1,077 1,198 0,819 0,118 0,144
03_AVG4_G1_Con 3-8 530,761 113,045 27,756 34,26 8 1,413 1,192 0,826 0,118 0,143
03_AVG4_G1_Cool 597,019 100,499 31,806 41,96 16 3,181 1,281 0,712 0,120 0,169
03_AVG4_G1_Recovery 665,511 90,156 42,136 70,698 57 12,639 1,301 0,636 0,122 0,191
AVNN = Genomsnittligt NN-intervall; AVG HR = snittpuls; RMSSD = root mean Square av successiva skillnader; SDNN-standard avvikelse för NN-intervall; NN50 = antal NN-intervaller > 50 MS; pNN50 =% av NN intervall > 50 MS; LF = låg frekvens styrka; HF = hög frekvens effekt; LF/HF = låg frekvens-hög frekvens förhållande.  BPM = slag per minut; MS = millisekunder; EKG = elektrokardiogram-som innehåller QRS-komplexet;  RR = där R är en punkt i samband med en topp av QRS-komplexet av EKG-vågen och RR är intervallet mellan på varandra följande R-punkter;

Tabell 3. Pulsvariabilitet (HRV) data för ämne 03 spel 01

Tabell 4. Beskrivande statistik över pulsvariabilitet åtgärder för olika faser av träning för varje spel vänligen klicka här för att ladda ner denna tabell. 

Kön GMFCS-nivå Klinisk diagnos Rörelsestörningar Dominerande Sidan Höjd (cm) Vikt (kg) BMI (kg/m2) BMI percentil
Pojke 2 diplegi Dystoni Rätt 161,20 47,60 18,32 17,00
Pojke 3 diplegi Spasticitet Vänster 141,17 49,20 24,70 95,00
Pojke 2 vänster hemiplegi Spasticitet Rätt 165,80 50,50 18,40 13,00
Pojke 3 diplegi Spasticitet Rätt 154,30 57,00 23,90 83,00
Flicka 2 vänster hemiplegi Spasticitet Rätt 161,20 60,30 22,86 71,00
Flicka 2 vänster hemiplegi Spasticitet Rätt 146,40 40,80 19,00 30,00
Flicka 2 höger hemiplegi Spasticitet Vänster 154,60 64,00 26,80 85,00
Flicka 3 vänster hemiplegi Spasticitet Rätt 166,10 61,20 22,20 42,00
Pojke 2 vänster hemiplegi Spasticitet Rätt 168,10 49,70 17,60 51,00
Pojke 3 diplegi Spasticitet Rätt 135,00 29,80 16,00 43,00
Nyckel: GMFCS= brutto klassificerings system för motor funktion;  BMI= body mass index

Tabell 5. Patientdemografi

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Tio ungdomar med CP deltog i denna studie (medelvärde + SD) [ålder (år) = 15,53 ± 3,57; höjd (cm) 154,8 ± 12,6; vikt (kg) 50,69 ± 11,1; kroppsmasseindex (BMI) 50,46 ± 29,2; mHR 9 BPM) = 186,8 ± 12,4]. Se tabell 5 för patientdemografi.

Det finns några överväganden för användning av HR-monitorer och tillhörande mått för HR och HRV som relaterar till modifieringar och felsökning. Två frågor som är uppenbara, oavsett vilken teknik som används för att förvärva data är: 1) rörelse artefakter och 2) ektopiska beats. Problem som uppstår från rörelse artefakter och ektopiska beats vanligtvis åtgärdas genom efter behandling aktiviteter efter förvärvet av RR intervallet12,13,18,22 , 26. felsökning efter bearbetning manipulationer kräver övervägande av temporala FLUCTATIONS i HR som belyser respiratoriska sinus arytmier samt beräkning av NORMALISERADE HRV värden så differentieringar kan göras mellan fysiologiskt och matematiskt medierade förändringar i HRV13,27,29.

Begränsningar i HRV-mätningar identifierades initialt med tillämpning av spektrala analysmetoder (dvs. frekvens domän åtgärder)13,27,29. Det finns fysiologiska överväganden som inkluderar respiratoriska sinus arytmier, kardiovaskulär drift, vätskestatus och miljömässiga faktorer (t. ex. temperatur, värme, kyla, höjd) som är förknippade med dagliga variationer i HR27 ,29. Matematiska överväganden innebär tidsdomän åtgärder (t. ex. sdnn, r-mssd, Pnn-50 index) samt den senaste tidens icke-linjära dynamiska analystekniker13,27,29. För att korrekt tolka de olika HRV-åtgärderna måste vi överväga om kroppen är i ett tillstånd av vila eller stress. Typiskt vi förväntar parasympatiska influenser när kroppen är utvilad som ökad variation i svaren och resulterar i högre HRV medan under stress vi förväntar sympatiska influenser som minskar variationen och har lägre HRV åtgärder. Begränsningarna i HRV-mätningar kan påverka hypotesen om noggrannhet autonoma Balance är associerad med LF/HF-kvoten. Denna hypotes förutsätter att det sympatiska nervsystemet och parasympatiska nervsystemet konkurrerar om att reglera SA-noden bränning. Författarna noterar att LF/HR-kvoten måste tolkas med försiktighet samtidigt som man noterar sammanhanget med att inhämta information samt att granska LF-och HF-värdena. När det gäller tillämpningen av LF/HF-kvoten till AVG-spel i kortsiktiga episoder av HR-mätningar och HRV, kan ett högt LF/HF-förhållande indikera högre sympatisk aktivitet som kan observeras när man möter en utmaning som kräver ansträngning och ökar den sympatiska aktivering av nervsystemet35.

Det är viktigt att använda optimala åtgärder för att bestämma aerob prestanda och kapacitet i ungdomar med CP att undersöka lämpliga intervention dosering och effektivitet6,11. Kliniska standarder för vård oftast inkluderar mätning HR för att bestämma intervention dosering (intensitet)6,11. Men den inneboende variationen i HR åtgärder gör det svårt att avgöra faktiska workoad i aerob träning12,13,22,27. Därför ger denna metod för beräkning av HRV från EKG-data från en HR-monitor en mer exakt åtgärd för att bedöma interventions resultat27,28. Dessutom ger HRV-åtgärderna ny information om det autonoma nervsystemets respons, anpassning och återhämtning under AVG Exercise12,13,29,34,35 . Vi anser att tillämpning av HRV-åtgärder under korta durration-övningar kan ge information om förbättringen av fysiologiska system baserade på arbete av Kerppers och kollegor med kort varaktighet32.

Här är de viktiga tillämpningar vi har gjort i förhållande till de befintliga tillämpningarna av HR-övervakning och HRV-åtgärder under tränings prestandan. Denna metod gör det möjligt för användaren att extrahera RR intervall och HRV åtgärder från EKG-vågformer under spel fysiska aktiviteter i ungdom med CP. Metoden är för närvarande skräddarsydd mot AVG-sessioner i ett specifikt spel men kan enkelt anpassas till andra protokoll och EKG-enheter för framtida experiment. I de fall där uppgifterna är enhetliga och EKG-inspelningsenheten är väl monterad på motivet, detta protokoll kommer att möjliggöra snabb databehandling med minimal input från användaren. Men i fråga om icke-enhetliga data med stora avvikelser i signalamplitud protokollet kommer att kräva indata från användaren att korrekt etikett missade toppar och ta bort falska positiva från datamängden. I framtiden kan denna metod förbättras med en mer robust detektionsmetod för att minska användarstöd för topp detektering och korrigering (t. ex. icke-linjära dynamiska analystekniker29).

Under hela protokollets genomförande är det viktigt att följande kritiska steg utförs. Det är viktigt att säkerställa en hög signal förtroende under hela datainsamling sessioner för att minska bearbetningen och maximal korrigering tid som krävs. Detta kan förbättras genom att se till att EKG-inspelningsenheten gör rätt kontakt med motivet före varje session. Det är också viktigt att hålla de ledande kontakterna fuktiga under sessionerna som kan göras genom att restaurering av diktafonen före varje session. Efter att uppgifterna har samlats in måste efterbehandlings aktiviteterna också ta itu med metodiska överväganden med tidsdomän åtgärder, frekvens domän åtgärder, icke-linjära dynamiska analyser samt beräkning av normaliserade HRV-värden för att särskilja mellan fysiologiskt härledda och matematiskt medierade förändringar i HRV12,13,29.

Överväganden för framtida arbete omfattar användning av HRV-mätningar för barn och vuxna som deltar i fysiskt utmanande aktiviteter med olika intensitet och kroppsställningar6,7,8, 9,10,17,23,26,29, kognitivt utmanande spel och mental arbetsbörda24,25, 26,27, virtuell och simulerings typ erfarenheter, bedömning av överträning23,31, kvalitet sömn bedömningar13,26,27 , 31, kronisk trötthet, fysisk utmattning och bekämpa beredskap31 samt VAGALA samband mellan HR och hjärnan om prosocial beteende30.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Vid denna tid, författarna (CL och PAS) har ingenting att avslöja. Dr o ' Neil är en av grundarna av enAbleGames, LLC och Kollect är ett av de spel som erbjuds av detta webbaserade företag. enAbleGames är i spel utvecklingsfasen och är inte ett publikt företag vid denna tid (www.enAbleGames.com).

Acknowledgments

Författarna tackar deltagarna och deras familjer för deras tid och ansträngning förbrukas för deltagande i studien. Också, författarna erkänner Dr Yichuan LiU och Dr Hasan Ayaz för deras hjälp med tidpunkten beräkning av HR övervakning och Dr Paul Diefenbach för utveckling av KOLLECT Active video Gaming programvara. Finansiering för detta arbete tillhandahölls av Coulter Foundation Grants #00006143 (O'Neil; Diefenbach, PIs) och #00008819 (O'Neil; Diefenbach, PIs).

Materials

Name Company Catalog Number Comments
BioHarness Bluetooth Module (Electronics sensor)  Zephyr 9800.0189 Detects Heart Rate, Resiration Rate, Posture, and Skin Temperature.
BioHarness Chest Strap Zephyr 9600.0189, 9600.0190 Sizes Small XS-M, Large M-XL
BioHarness Charge Cradle & USB Cable Zephyr 9600.0257 Used to Transfer Data from the Module to a Computer for Analysis.
BioHarness Echo Gateway Zephyr 9600.0254 Allows for Realtime Viewing of Subject's Heart Rate.
MATLAB R2016a Mathworks 1.7.0_.60 Used for All Programming.

DOWNLOAD MATERIALS LIST

References

  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).

Tags

Beteende hjärtfrekvensvariation cerebral pares aktiv video gaming elektrokardiogram sjukgymnastik aerob prestanda
Beräkning av hjärtfrekvensvariation från EKG-data från ungdomar med cerebral pares under aktiva video spels sessioner
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Landis, C., O'Neil, M. E., Finnegan, More

Landis, C., O'Neil, M. E., Finnegan, A., Shewokis, P. A. Calculating Heart Rate Variability from ECG Data from Youth with Cerebral Palsy During Active Video Game Sessions. J. Vis. Exp. (148), e59230, doi:10.3791/59230 (2019).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter