Summary
Questo protocollo descrive un metodo per calcolare la variabilità della frequenza cardiaca (HRV) dalle forme d'onda dell'elettrocardiogramma (ECG). Sono state utilizzate forme d'onda da registrazioni di frequenza cardiaca continua (HR) durante le sessioni di videogiochi attivi (AVG) per misurare le prestazioni aerobiche dei giovani con paralisi cerebrale (CP).
Abstract
Lo scopo di questo studio era quello di generare un metodo per calcolare la variabilità della frequenza cardiaca (HRV) dalle forme d'onda dell'elettrocardiogramma (ECG). Le forme d'onda sono state registrate da un monitor HR che i partecipanti (giovani con paralisi cerebrale (CP)) indossavano durante le sessioni di videogiochi attivi (AVG). Le sessioni AVG sono state progettate per promuovere l'attività fisica e la forma fisica (prestazioni aerobiche) nei partecipanti. L'obiettivo era quello di valutare la fattibilità dei AVG come strategia di intervento di fisioterapia (PT). L'HR massimo (mHR) è stato determinato per ogni partecipante e la Target Heart Rate zone (THR) è stata calcolata per ciascuna delle tre fasi di esercizio nella sessione AVG di 20 min: (riscaldamento a 40-60% mHR, condizionamento al 60-80% mHR, e raffreddare al 40-60% mHR). Ogni partecipante ha giocato tre partite da 20 min durante la sessione AVG. Tutte le partite sono state giocate mentre si è seduti su una panchina perché molti giovani con CP non possono stare per lunghi periodi di tempo. Ogni condizione di gioco differiva con i partecipanti che utilizzavano solo icone a mano, icone di mani e piedi insieme o icone piedi solo per raccogliere oggetti. L'obiettivo del gioco (chiamato KOLLECT) è quello di raccogliere oggetti per guadagnare punti ed evitare pericoli per non perdere punti. I pericoli sono stati utilizzati nelle fasi di riscaldamento e raffreddamento solo per promuovere un movimento più lento e controllato per mantenere le risorse umane nella zona di frequenza cardiaca di destinazione (THR). Nella fase di condizionamento non sussistevano rischi per promuovere livelli più elevati e un'attività fisica più intensa. I metodi analitici sono stati utilizzati per generare HRV (misure selezionate per dominio temporale e frequenza) dai dati ECG per esaminare il carico di lavoro aerobico. Le recenti applicazioni dell'HRV indicano che le misurazioni a breve termine (5 min bouts) sono appropriate e che il biofeedback HRV può contribuire a migliorare i sintomi e la qualità della vita in una varietà di condizioni di salute. Sebbene le risorse umane siano una misura clinica ben accettata per esaminare le prestazioni e l'intensità aerobica negli interventi PT, HRV può fornire informazioni sulle funzioni del sistema autonomo, il recupero e l'adattamento durante le sessioni AVG.
Introduction
La paralisi cerebrale (CP) è la disabilità fisica più comune dell'infanzia1. CP è causato da un insulto neurologico al cervello in via di sviluppo ed è associato a disturbi motori come debolezza muscolare, spasticità, decondizionamento, e diminuzione del controllo motorio e l'equilibrio2,3. CP è una condizione non progressiva, ma con l'età, i bambini diventano meno fisicamente attivi e più sedentari rispetto ai loro coetanei con sviluppo tipico (TD) principalmente a causa delle crescenti richieste di crescita sul loro neuromuscolare compromessa e sistemi muscolo-scheletrici4.
I giovani con CP di solito ricevono servizi di fisioterapia (PT) per migliorare la mobilità funzionale e promuovere l'attività fisica e la forma fisica (ad esempio resistenza aerobica e muscolare)2. Spesso, l'accesso ai servizi PT e alle risorse della comunità è limitato per raggiungere e sostenere questi obiettivi PT5,6. I videogiochi attivi (AVG) possono essere una strategia fattibile negli interventi PT basati sull'attività nelle impostazioni cliniche, domestiche o comunitarie7,8. Gli AVG commerciali hanno una flessibilità limitata nell'adattare il gioco e soddisfare le esigenze specifiche e gli obiettivi PT per i giovani con CP9. Tuttavia, gli AVG personalizzati forniscono parametri di gioco flessibili per sfidare i giovani con CP, promuovendo al contempo l'attività fisica e la forma fisica10.
Il nostro team ha sviluppato un AVG personalizzato (chiamato KOLLECT) per esaminare le risposte agli esercizi per i giovani (ad esempio, attività fisica e forma aerobica). Il gioco utilizza un sensore di movimento per monitorare il movimento dei giovani durante il gioco. L'obiettivo del gioco è quello di 'raccogliere' il maggior numero possibile di oggetti per un punteggio elevato ed evitare i pericoli per evitare di perdere punti. Gli oggetti possono essere raccolti con le icone di mani e/o piedi come determinato dal terapeuta nei parametri di gioco flessibili.
La progettazione di interventi PT basati sull'attività che dosano l'intensità dell'attività fisica per promuovere la forma fisica aerobica è fondamentale per i giovani affetti da CP11. AVG personalizzati possono essere una strategia efficace per dosare l'intensità e coinvolgere i giovani in attività fisica per promuovere la forma fisica10. I monitor della frequenza cardiaca (HR) sono spesso utilizzati nella pratica clinica PT per determinare le prestazioni aerobiche e l'intensità dell'attività. Pertanto, i monitor HR aiuteranno a determinare la fattibilità dei AVG nel dosare l'intensità dell'attività fisica per promuovere la forma fisica aerobica9. I dati ECG generati da un monitor HR possono essere utilizzati per calcolare la variabilità della frequenza cardiaca (HRV). I metodi analitici sono stati utilizzati per generare HRV dai dati ECG per esaminare il carico di lavoro aerobico. Recenti applicazioni di HRV indicano che le misurazioni a breve termine (5 min bouts) sono appropriate e che il biofeedback HRV può contribuire a migliorare i sintomi e la qualità della vita in una varietà di condizioni di salute32,33,34 . L'applicazione di misure HRV a breve termine è un mezzo appropriato per valutare la funzione cardiovascolare durante le sessioni AVG. Dato che l'HRV deriva dall'intervallo R-R di un ECG, abbiamo utilizzato misure selezionate per il dominio temporale e il dominio di frequenza. La misura del dominio temporale di HRV quantifica la quantità di variblilità negli intervalli interbeat che rappresenta il tempo tra i battiti cardiaci successivi. Abbiamo usato il AVNN (intervallo medio NN), RMSSD (radice media delle differenze successive), SDNN (deviazione standard dell'intervallo NN), NN50 (numero di intervalli NN >50 ms) e PNN50 (percentuale di intervalli NN). Le misure di dominio di frequenza stimano la distribuzione della potenza assoluta o relativa in possibili quattro bande di frequenza, ci siamo specificamente affrontati su due bande, potenza a bassa frequenza (LF) e potenza ad alta frequenza (HF) insieme al rapporto LF/HF. Sebbene l'HR sia una misura clinica ben accettata, l'HRV può essere utile perché fornisce informazioni sulla funzione del sistema autonomo, sul recupero, sull'adattamento e fornisce una stima del carico di lavoro aerobico durante una sessione AVG28.
Lo scopo di questo studio era quello di esaminare la fattibilità dell'utilizzo di strategie AVG per promuovere l'attività fisica e la forma fisica. Un secondo scopo era quello di presentare il protocollo di raccolta dati AVG e la metodologia per calcolare l'HRV dai dati ECG ottenuti tramite un monitor HR. Queste misure e questo protocollo possono rivelarsi rilevanti per i medici per monitorare e dosare le sessioni di intervento PT.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
È stata ottenuta l'approvazione del Comitato di revisione istituzionale. Tutti i giovani hanno fornito il consenso scritto e i genitori hanno fornito il consenso prima della partecipazione.
1. Sessioni di raccolta dati AVG
- La sessione di gioco AVG
- In questo studio, chiedi ai giovani con CP di partecipare a una sessione AVG che comprende tre giochi da 20 min. Vedere la tabella 5 per i dati demografici dei giovani. Si prevedeva un totale di 30 partite; tuttavia, 29 partite sono state completate perché un soggetto ha giocato solo 2 partite nella sua sessione AVG.
- Chiedi ai soggetti di indossare un monitor HR per tutta la sessione per registrare le risposte HR ed ECG.
- Nella sessione AVG, fai giocare ai giovani ogni AVG mentre sei seduto su una panchina con i piedi piatti sul pavimento e le ginocchia e i fianchi flessi a 90 gradi (90/90 seduti) per il supporto posturale e la stabilità.
- Usa le seguenti tre condizioni di gioco solo per gli oggetti di raccolta: 1) solo icone a mano; 2) piedi solo icone; e 3) entrambe le icone delle mani e dei piedi. Utilizzare un ordine controbilanciato tra i soggetti. Scegli queste tre condizioni per determinare quale sia più efficace nel promuovere l'attività fisica e la forma fisica e non troppo esigente per causare precoce, affaticamento indebito.
NOTA: Ogni gioco è stato progettato utilizzando le fasi di prescrizione di esercizio: riscaldamento, condizionamento e raffreddamento. [Vedere la tabella 1]. Inoltre, c'è stata una fase di riposo prima che il gioco iniziasse a documentare le risorse umane di base e una fase di recupero dopo il gioco per documentare il tempo per tornare alle risorse umane di base. - Consentire ai soggetti un periodo di riposo tra i giochi per hr per tornare al livello di base.
- Calcolo dell'HRV dai dati ECG
- Organizzare i dati in intervalli di tempo di 5 min per garantire dati comparabili per ogni fase. Pertanto, sono state definite 6 fasi per questi calcoli: 1) Riposo; 2) Riscaldamento; 3) Condizionamento 1 (primi 5 min); 4) Condizionamento 2 (secondo 5 min); 5) Raffreddamento (5 min) e 6) Recupero. La suddivisione della fase di condizionamento in due fasi di 5 min consente di esaminarele prestazioni aerobiche del soggetto a intervalli più brevi per tenere conto della fatica dovuta al decondizionamento 12 (tabella 4).
- Per calcolare correttamente le misure HRV per ogni segmento della sessione di un soggetto, eseguire il rilevamento R-peak sul segnale ECG grezzo12,13. Utilizzare il segnale non elaborato per evitare manipolazioni che potrebbero inclinare i dati.
- Per elaborare i dati, ottenere gli orari di inizio di ogni sessione di registrazione e convertire da variabili 'datetime' (MM/DD/AAAA HH:MM:SS. SS) a secondi. Nessuna delle sessioni si è verificata in due giorni, il che ha consentito di ignorare la parte MM/GG/AAAA durante questi calcoli. Acquisire l'ora di inizio del gioco di interesse dal tavolo di temporizzazione per individuare ogni sessione di gioco all'interno del file di elettrocardiogramma (ECG); questo tempo è stato convertito in secondi dopo che era stato estratto dal file di temporizzazione. Il file di temporizzazione conteneva gli orari di inizio per ogni fase del gioco e la fine del periodo di recupero (Tabella 2).
- Calcola il periodo di riposo come 5 minuti prima dell'inizio della partita e la fase di recupero come 5 minuti dopo la fine della fase di recupero. Una volta ottenuti questi tempi, ottenere la posizione (S) della fase di gioco di interesse all'interno del file ECG attraverso la seguente equazione:
(1)
dove Fase è impostata su Riposo, Riscaldamento, Condizionamento 1, Condizionamento 2, Raffreddamento o Recupero; il tempo è stato diviso per 1/Frequenza per tenere conto della frequenza di campionamento ECG. Il monitoraggio HR aveva una frequenza di campionamento di 250 Hz e quindi conteneva una misura ogni 4 ms.- Modificare questo numero modificando la frequenza di campionamento con il primo prompt del programma Peak_Detection.m per tenere conto dell'uso di dispositivi di registrazione alternativi. Scegliere il segmento di 5 min con cui lavorare durante l'esecuzione del programma di rilevamento dei picchi. Questa operazione è stata eseguita tramite una richiesta all'utente. Impostare l'ora di fine a 5 min dopo l'ora di inizio e prendere in considerazione la frequenza del dispositivo di registrazione.
- Una volta scelta la sezione di 5 min, calcolare una soglia per il rilevamento del picco in base alla deviazione media e standard della forma d'onda.
- Impostare la
soglia come ma questo può essere aumentato nel programma se i dati sono uniformi per ridurre il rilevamento di falsi positivi dai picchi T che sono superiori ai picchi R corrispondenti. Esempi di questi falsi positivi possono essere visti in Figura 1. - Insieme a un'altezza minima per il picco R, assegnare una distanza minima tra i picchi per ridurre al minimo il rilevamento di picchi errati intorno al R. desiderato Impostare questo valore su 75 che corrispondevano a 0,3 s tra picchi o 200 battiti per min (bpm) (questo valore cambia con frequenza). Il valore di 200 bpm è superiore a qualsiasi HR raggiunto dai soggetti in questo studio e può essere modificato in base alla popolazione in fase di studio.
- Impostare la
- Una volta calcolata la soglia, lasciate che il programma esetrae la forma d'onda e tenti di discernere tutte le R per i calcoli dell'intervallo RR e HRV. Generare un grafico preliminare in modo che l'utente potrebbe esaminarlo per individuare irregolarità come quelle illustrate nella Figura 1 o nella Figura 2.
- Correggere queste irregolarità manualmente modificando la variabile di rilevamento che contiene la lettura microvolt (V) del picco nella colonna 1 e la posizione nella sessione di gioco corrente (s/0.004) nella seconda colonna. Nella maggior parte dei casi i picchi R corretti possono essere facilmente trovati ingrandendo la posizione del problema come si vede nella Figura 1. Molte sessioni di dati sono abbastanza uniformi come illustrato nella Figura 3 e richiederanno pertanto solo alcune correzioni. Alcuni casi, tuttavia, sono abbastanza disordinato e richiedono più tempo per rivedere e ottenere posizioni R adeguate.
- Se le fluttuazioni della forma d'onda rendono eccessivamente difficile individuare correttamente un picco, ignorare i piccoli segmenti 1-2 s e attribuire battiti ectopici che non vengono utilizzati nei calcoli HRV12.
- Dopo aver individuato le R, eseguire il programma HRV_Measures. Calcolare prima gli intervalli RR in quanto sono la base delle misure HRV utilizzate in questo studio12.
- Ottenere una matrice di intervalli e ignorare qualsiasi intervallo superiore a 1,5 s (40 bpm) come era dovuto alle tanto dette battute ectopiche che venivano rimosse dai calcoli. Salvare questi intervalli RR per ulteriori calcoli e verifiche dei dati. Utilizzare questi intervalli per calcolare il quadrato medio radice delle differenze successive (RMSSD) con la seguente equazione:
RMSSD (2)
Dove N : Numero di intervalli RR (R-R)i - Intervallo tra picchi QRS vicini (R-R)i-1 - Intervallo tra il successivo set di picchi
- Ottenere una matrice di intervalli e ignorare qualsiasi intervallo superiore a 1,5 s (40 bpm) come era dovuto alle tanto dette battute ectopiche che venivano rimosse dai calcoli. Salvare questi intervalli RR per ulteriori calcoli e verifiche dei dati. Utilizzare questi intervalli per calcolare il quadrato medio radice delle differenze successive (RMSSD) con la seguente equazione:
- Scegli questa variabile come è stato dimostrato di essere efficace su intervalli che vanno da 1 min a 24 h di lunghezza13,15,16,17 e può quindi essere utilizzato per valutare questi 5 min intervalli nelle fasi di gioco. Insieme a RMSSD, ottenere la deviazione standard degli intervalli NN per misurare le variazioni delle risorse umane durante la fase14,16,18.
- Utilizzare gli intervalli RR per calcolare NN50, il numero di intervalli che differiscono dall'intervallo precedente di più di 50 ms12 che è stato utilizzato anche su intervalli che vanno da un min a 24 h16,17,19 20,21.
- Calcolare la variabile NN50 tramite una funzione di conteggio semplice che ha verificato se la differenza tra lunghezze di intervallo RR consecutive è stata maggiore di 50 ms. la percentuale di intervalli che differiscono per più di 50 ms. Questo calcolo ha permesso di confrontare i dati misurati tra soggetti, giochi e persino sessioni di diverse lunghezze in quanto si tratta di una variabile senza unità13,14, 16 , 17.
- Calcolare la lunghezza media dell'intervallo RR per ogni fase e soggetto come misura HRV separata16,17,19,22,23,24. Utilizzare questa misura per calcolare HR medio dividendo l'intervallo RR medio per 60 s. Entrambe queste misure sono facilmente comparabili tra le sessioni di gioco per osservare l'andamento dell'attività del soggetto16,17,19,22,23, 24.
- Una volta calcolate queste misure, calcolare la densità spettrale a bassa frequenza e ad alta frequenza di potenza (PSD) sia per l'ECG grezzo dell'intervallo di 5 min che per la matrice dell'intervallo RR ottenendo PSD da Fast-Fourier trasforma13,14 , 17 mi lato , 19 del 12 , 25. Tutti questi dati sono stati poi memorizzati in una tabella, un esempio dei quali è mostrato nella tabella 4.
(1)
soglia come ma questo può essere aumentato nel programma se i dati sono uniformi per ridurre il rilevamento di falsi positivi dai picchi T che sono superiori ai picchi R corrispondenti. Esempi di questi falsi positivi possono essere visti in Figura 1.
RMSSD (2)2. Acquisire i dati ECG dal paziente
- Preparare il cinturino toracico del monitor HR e il modulo Bluetooth per l'applicazione al soggetto.
- Assicurarsi che il modulo Bluetooth sia stato completamente caricato (3 h) utilizzando la culla di carica.
- Collegare il modulo al computer dati tramite la culla di carica e aprire lo strumento di configurazione. Immettere un nome ai fini della registrazione.
- Selezionare il dispositivo HR, fare clic sulla scheda Ora e selezionare Imposta data/ora per sincronizzare il modulo con l'ora e la data corrette. Il dispositivo può ora essere rimosso dalla culla di carica.
- Inumidire le aree conduttive (beige) sulla cinghia toracica del monitor HR mettendo una mano in acqua e strofinando le aree conduttive.
- Posizionare il modulo Bluetooth del monitor HR nella cinghia toracica con le superfici conduttive del modulo allineate con quelle del cinturino toracico: farà clic in posizione.
- Tenere premuto il pulsante sul modulo finché le luci non lampeggiano. Il modulo è ora acceso e la registrazione.
- Applicare il cinturino toracico del monitor HR (con modulo Bluetooth) al lettore con il modulo allineato con la linea centrale assescellare sinistra e il cinturino appena sotto i muscoli pettorali. Una volta posizionato correttamente, stringere il dispositivo in modo che non si muova durante la sessione, ma non è scomodo per il giocatore.
- Acquisire un segnale e visualizzare il feed in diretta.
- Collegare il connettore alla porta USB del computer che verrà utilizzata per visualizzare i dati.
- Aprire il programma Live View e accedere alla modalità di installazione facendo clic sull'icona con la chiave inglese e il cacciavite.
- Scegli un giocatore dall'elenco, se appropriato, o aggiungi un nuovo soggetto con il pulsante Nuovo nell'angolo in basso a sinistra dello schermo.
- Immettere le informazioni sull'oggetto come desiderato ai fini dell'identificazione (nome, età, sesso, altezza, peso).
- Fare clic sulla scheda Hardware e selezionare l'oggetto corrente.
- Fare clic su Assegna nella parte inferiore della scheda e selezionare il dispositivo corrente (elencato come 01 se non sono presenti altri dispositivi). Quindi fare clic su Assegna nella finestra pop-up.
- Fare clic sulla scheda Squadra. Evidenziare il soggetto e quindi fare clic sul pulsante freccia destra per posizionare il giocatore sulla squadra A.
- Fare clic sulla scheda Distribuzione e quindi spostare il team appena creato nella prima scheda.
- Apri la scheda Modalità Live facendo clic sul simbolo blu Wi-Fi nell'angolo in alto a sinistra.
- Utilizzare la scheda Modalità Live per monitorare le risorse umane, la frequenza respiratoria e la postura del soggetto in tempo reale.
NOTA: è possibile visualizzare anche la potenza del segnale, la potenza della batteria e la fiducia delle misure. - Registrare la temporizzazione accurata (MM/DD/AAAA HH:MM:SS) dell'inizio e della fine di ogni sessione e fase per l'elaborazione.
- Scaricare i dati ECG dal monitor HR.
- Rimuovere il cinturino dal lettore alla fine della sessione e rimuovere il modulo Bluetooth dal cinturino toracico.
- Posizionare il modulo nella culla di carica e collegarlo a un computer con il programma software installato.
- Aprire il registro.
- Selezionare il dispositivo dal menu a discesa. Tutte le sessioni attualmente presenti sul dispositivo vengono visualizzate con date e ore.
- Deselezionare la casella Usa percorso di salvataggio predefinito e scegliere una nuova posizione di salvataggio.
- Fare clic su Salva. Apparirà una barra di avanzamento. Il salvataggio può richiedere fino a un'ora a seconda della durata della sessione.
- Rinominare la data, una volta salvata.
3. Analisi dei dati e calcolo delle misure di variabilità della frequenza cardiaca
- Preparare i file per l'elaborazione .
- Assegnare ai file ECG come 'KOLLECT_Subject'_AVG4' (ad esempio, KOLLECT_01_AVG4.csv').
- Generare una tabella di intervallo in formato variabile delimitata da virgole (con estensione csv) da cui disegnare i dati di intervallo durante l'elaborazione dei dati. Vedere la tabella 1 per un esempio del formato corretto.
- Importare i dati di data e ora dal file CSV e fare clic con il pulsante destro del mouse sul nome della variabile appena creata e modificarlo in'Timing.mat'.
- Rilevamento preliminare del picco R.
- Aprire ed eseguire Picco _ Rilevamento . m.
- Immettere la frequenza del dispositivo di registrazione ECG quando richiesto dal programma.
- Immettere il numero del giocatore per i dati da analizzare quando richiesto.
NOTA: Alcuni giocatori non hanno completato il videogioco attivo 4 (AVG4) e quindi solo i giocatori 1-10 vengono utilizzati per questo studio. Altri numeri forniranno un messaggio di errore. - Quando richiesto, inserisci il numero del gioco da analizzare (1, 2 o 3).
- Immettere la fase da analizzare (Riposo, Riscaldamento (WU), Condizionamento (Con), Riposo o Recupero).
- Se lo si desidera, immettere un offset in minuti oppure immettere 0 per nessun offset.
- Selezionare lo strumento di ingrandimento e selezionare un'area del grafico in uscita per creare una finestra con una larghezza di circa 2.000 (s/0.004) e un'altezza che mostrerà la forma d'onda completa come illustrato nella Figura3. Eseguire lo zoom avanti o indietro se la finestra non è facilmente ispezionabile visivamente.
- Esaminare visivamente il grafico per valutare se i picchi rilevati sono etichettati correttamente. Vedere la Figura 1 per esempio di picchi rilevati e persi in modo non corretto causati da dati ECG irregolari ( Figura2).
- Correzione del picco
- Correggere i picchi rilevati in modo non corretto o mancanti individuando la variabile di rilevamento e facendo doppio clic nell'area di lavoro.
- Utilizzare lo strumento Cursore dati nel grafico della forma d'onda ECG per ottenere le coordinate x e y del picco errato; X (time-frequency) è la prima colonna in Detection.mat e Y (Voltage) è la seconda colonna (Figura 3).
- Fare clic con il pulsante destro del mouse sulla casella di testo visualizzata e scegliere Seleziona funzione di aggiornamento cursore.
- Selezionare TooltipUpdate.m dalla cartella contenente i file utilizzati per questa analisi. Ciò consentirà alla descrizione comando di visualizzare valori più esatti.
- Se il punto è un falso positivo, rimuoverlo dalla matrice facendo clic sulla relativa riga nella variabile Detection.mat e premendo Ctrl e il tasto Meno. Un esempio di rilevamento di falsi positivi può essere visto in Figura 3.
- Modificare i picchi contrassegnati in modo non corretto adiacenti ai picchi non contrassegnati, come illustrato nei due picchi T contrassegnati come R nella Figura 1, modificandone i valori in modo che corrispondano a quelli del picco non contrassegnato.
- Ottenere il valore del picco perso può essere ottenuto con lo strumento Cursore dati.
- Aggiungere altre righe a Rilevamento. utilizzando il controllo e il tasto più per i picchi mancati a causa dei bassi livelli di tensione.
- Immettere i valori in ordine numerico per evitare valori negativi durante il processo di calcolo (ad esempio, aggiungere il picco situato a 11000 tra i picchi a 10908 e 11167) (Figura 5).
- Assicurarsi che i valori vengano immessi correttamente prima di continuare l'intera sessione, poiché occasionalmente i numeri vengono ritagliati quando vengono immessi.
- Ripetere il passaggio 2.3 fino a quando tutti i picchi sono stati controllati e/o corretti.
NOTA: Alcuni file hanno una variabilità limitata nell'ampiezza delle forme d'onda e sono più veloci da controllare, come visto nella Figura 4 mentre altri sono più variabili e possono richiedere uno zoom più vicino per individuare con precisione i picchi durante l'ispezione visiva.
- Ottenere calcoli di misura HRV.
- Salvate il grafico originale generato da Peak_Detection.m per riferimento futuro.
- Eseguire HRV_Measures.m per generare il grafico etichettato correttamente. Un esempio di dati corretti è illustrato nella Figura 6.
- Modificare il titolo della stampa utilizzando Inserisci Titolo nella finestra del grafico e modificandolo con il titolo desiderato.
- Controllare la finestra per l'output, il programma avviserà l'utente della posizione dati inseriti in modo non corretto se esistono.
- Salvare la variabile denominata interval.
- Aprire la variabile con diritto HRV dalla finestra Area di lavoro per visualizzare RR medio (ms), Media HR (bpm), RMSSD (ms), SDNN (ms), NN50 (conteggio), pNN50 (%), bassa frequenza (LF)/ alta frequenza (HF) (ECG), LF/HF RR, RR power a bassa frequenza e potenza ad alta frequenza (RR)). Salvare i valori h di queste variabili in una tabella come quella illustrata nella tabella 4.
- Ripetere le sezioni 3.2 - 3.4 per tutti gli altri segmenti, sessioni e argomenti che richiedono analisi.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Questo metodo fornisce dati da utilizzare nell'analisi dell'effetto che un metodo appena sviluppato ha sulla variabilità della frequenza cardiaca (HRV) del soggetto. Ciò avviene individuando la parte R della forma d'onda QRS dei dati ECG di un soggetto, come illustrato nella Figura 6e calcolando vari valori HRV da esso. Se il monitoraggio HR sta prendendo contatto con il soggetto, i dati saranno uniformi, riducendo sostanzialmente la necessità di correzioni (come illustrato nella Figura 4).
Le soglie devono essere impostate per gestire dati disordinati e irregolari, come illustrato nella Figura 1 e nella Figura 2. Se i dati sono sufficientemente variabili a causa di cambiamenti momentanei nel contatto skin del monitor HR, l'analisi iniziale potrebbe etichettare erroneamente i picchi come illustrato nella Figura 3. Questo errore può essere corretto correggendo manualmente i valori o immettendo punti dati aggiuntivi, come spiegato nella Sezione 3 del protocollo. L'alterazione dei livelli di soglia e del tempo minimo tra i picchi può anche aiutare a ripulire i valori di rilevamento e produrre un grafico regolato come Figura 6 da Figura5.
Una volta che i dati sono stati ottenuti e analizzati per le discrepanze, possono essere utilizzati per calcolare i valori HRV per l'analisi statistica. L'analisi dei dati ECG può essere utilizzata per quantificare le osservazioni fatte durante le sessioni a scopo di valutazione.
Figura 1 . Grafico rappresentativo delle risorse umane continue (asse y) in v) nel tempo (asse x in s) per il soggetto un gioco 3 durante la sessione di riscaldamento che rappresenta i dati "disordinati". Dati disordinati: in questa sezione i picchi R sono più piccoli della porzione T della forma d'onda. Ciò può causare problemi con il rilevamento dei picchi.
Figura 2 . Un esempio di alcuni modelli di forma d'onda irregolare dell'elettrocardiogramma (ECG). Modelli di forma d'onda irregolari: i cambiamenti di contatto con il soggetto dovuti al movimento possono causare variazioni di tensione riducendo l'uniformità della forma d'onda. Fare clic qui per visualizzare una versione più grande di questa figura.
Figura 3 . Un esempio di uscita di elettrocardiogramma (ECG) con un picco HR etichettato in modo errato Contatore erroneamente etichettato. Vicino alla parte superiore della figura un picco di tensione fa sì che parte della forma d'onda venga rilevata come corrispondente al modello R. Può anche causare r modelli vicini da ignorare a causa di prossimità come quello evidenziato in (9924, 2074).
Figura 4 . Grafico rappresentativo della forma d'onda continua HR (asse y) in v) nel tempo (asse x in s) di elettrocardiogramma pulito (ECG). Forma d'onda pulita: esempio di una sezione di dati ECG uniformi con una forma d'onda e un livello di tensione relativamente uniformi.
Figura 5 . Grafico rappresentativo delle risorse umane continue (asse y) in v) nel tempo (asse x in s) di un elettrocardiogramma grezzo (ECG) prima della pulizia. Dati precedenti alla pulizia: viene mostrato un segmento di 30 secondi di dati ECG dal soggetto 01 Gioco 3 durante la fase di condizionamento. Alcuni picchi sono stati persi e alcuni sono etichettati in modo errato a causa della variabilità di alta tensione. Fare clic qui per visualizzare una versione più grande di questa figura.
Figura 6 . Grafico rappresentativo delle risorse umane continue (asse y) in v) nel tempo (asse x in s) di un elettrocardiogramma grezzo (ECG) dopo il clearning. Data Post pulizia: gli stessi 30 secondi di dati ECG dal soggetto 01 Gioco 3 dopo che è stato correttamente etichettato come descritto nella sezione 3 del protocollo. Fare clic qui per visualizzare una versione più grande di questa figura.
| fase | ora | Area THR | Caratteristiche del gioco |
| Riposo | 5 min | Riposo previsto | Na |
| riscaldamento | 5 min | 40-60% mHR | 4 oggetti - 4 pericoli; velocità più lenta |
| condizionamento | 10 min | 60-80% mHR | 8 oggetti - 0 pericoli; velocità più veloce |
| Raffreddamento | 5 min | 40-60% mHR | 4 oggetti - 4 pericoli; velocità più lenta |
| guarigione | 5 min | Riposo previsto | Na |
| CHIAVE: THR - Frequenza cardiaca target; NA - Non applicabile | |||
Tabella 1. Fasi di gioco dei videogiochi attivi (AVG). CHIAVE: Frequenza cardiaca target (THR); NA (Non applicabile).
| Oggetto | Media | attività fpl sportive | Avvio di riscaldamento | Inizio condizionamento | Inizio del raffreddamento | Inizio ripristino |
| (MM/GG/AAAA) | (MM/GG/AAAA) | (MM/GG/AAAA) | (MM/GG/AAAA) | |||
| (HH:MM:SS) | (HH:MM:SS) | (HH:MM:SS) | (HH:MM:SS) | |||
| 1 : il nome del | 4 DEL psu' | 1 : il nome del | 25/11/2015 | 25/11/2015 | 25/11/2015 | 25/11/2015 |
| 1 : il nome del | 4 DEL psu' | 1 : il nome del | 16:33:53 | 16:39:03 | 16:49:04 | 16:54:09 |
| 1 : il nome del | 4 DEL psu' | 2 Il nome del sistema | 25/11/2015 | 25/11/2015 | 25/11/2015 | 25/11/2015 |
| 1 : il nome del | 4 DEL psu' | 2 Il nome del sistema | 17:27:47 | 17:32:57 | 17:43:01 | 17:48:03 |
| 1 : il nome del | 4 DEL psu' | 3 (COM del nome | 25/11/2015 | 25/11/2015 | 25/11/2015 | 25/11/2015 |
| 1 : il nome del | 4 DEL psu' | 3 (COM del nome | 18:25:22 | 18:30:33 | 18:40:35 | 18:45:38 |
| 2 Il nome del sistema | 4 DEL psu' | 1 : il nome del | 01/04/2016 | 01/04/2016 | 01/04/2016 | 01/04/2016 |
| 2 Il nome del sistema | 4 DEL psu' | 1 : il nome del | 11:59:19 | 12:04:29 | 12:14:36 | 12:19:50 |
| 2 Il nome del sistema | 4 DEL psu' | 2 Il nome del sistema | 01/04/2016 | 01/04/2016 | 01/04/2016 | 01/04/2016 |
| 2 Il nome del sistema | 4 DEL psu' | 2 Il nome del sistema | 12:40:25 | 12:45:37 | 12:55:44 | 13:00:53 |
| 2 Il nome del sistema | 4 DEL psu' | 3 (COM del nome | 01/04/2016 | 01/04/2016 | 01/04/2016 | 01/04/2016 |
| 2 Il nome del sistema | 4 DEL psu' | 3 (COM del nome | 13:19:57 | 13:25:02 | 13:35:04 | 13:40:11 |
| 3 (COM del nome | 4 DEL psu' | 1 : il nome del | 18/11/2015 | 18/11/2015 | 18/11/2015 | 18/11/2015 |
| 3 (COM del nome | 4 DEL psu' | 1 : il nome del | 17:08:10 | 17:13:20 | 17:23:21 | 17:28:28 |
| 3 (COM del nome | 4 DEL psu' | 2 Il nome del sistema | 18/11/2015 | 18/11/2015 | 18/11/2015 | 18/11/2015 |
| 3 (COM del nome | 4 DEL psu' | 2 Il nome del sistema | 17:59:46 | 18:04:48 | 18:14:54 | 18:19:55 |
| 3 (COM del nome | 4 DEL psu' | 3 (COM del nome | 18/11/2015 | 18/11/2015 | 18/11/2015 | 18/11/2015 |
| 3 (COM del nome | 4 DEL psu' | 3 (COM del nome | 18:42:03 | 18:47:03 | 18:57:04 | 19:02:02 |
Tabella 2. Temporizzazione file CHIAVE: AVG - Videogioco attivo
| ID_AVG_Gioco | AVNN (s) | Media HR (bpm) | RMSSD (ms) | SDNN (ms) | NN50 (in n: | pNN50 (%) | LF / HF (ECG) | LF / HF (RR) | LFP (RR) | HFP (RR) | ||
| 03_AVG4_G1_Resto | 719.875 | 83.347 | Ore 29.827 | 55.604 | 35 Mi lasa | 8.393 (in linguaggio 33) | 1.328 (in questo stato del documento) | 0.602 (in inglese) | 0.123 (in ti1:123) | 0.204 (in questo 204) | ||
| 03_AVG4_G1_WU (informazioni in sapori in stato di | 656.373 | 91.411 | Ore 26.52 | 50.372 (in via 50.372) | 28 mi la più del 24 | 5.932 (in questo stato del documento) | 1.288 (in via del documento) | 0,675 (in inglese) | 0.125 | 0.185 | ||
| 03_AVG4_G1_Con 1 -5 | 557.772 anni | 107.57 | 20.651 | 43.932 (in via 43.932) | 4 DEL psu' | 0,743 (in questo 0,03) | 1.187 (in questo 187) | 0,76 (in inglese) | 0.119 (in ti1o) | 0.157 | ||
| 03_AVG4_G1_Con 6 10 | 532.483 | 112.679 | Ore 27.771 | 33.481 | 9 (in vie | 1.599 (in linguaggio 1.599) | 1.244 (in linguaggio 1333): | 0.809 | 0.118 (in vie al numero di | 0.146 | ||
| 03_AVG4_G1_Con 2 - 7 | 538.546 | 111.41 | Ore 20.389 | 34.351 (in via 351) | 6 È possibile: | 1.077 (in questo 137)577 (1 | 1.198 (in tissuma) | 0,819 (in questo 0,019) | 0.118 (in vie al numero di | 0.144 | ||
| 03_AVG4_G1_Con 3 - 8 | 530.761 | Ore 113.045 | Ore 27.756 | 34.26 | 8 (IN vio | 1.413 (in linguaggio 13) | 1.192 (intito) 192 | 0,826 | 0.118 (in vie al numero di | 0.143 | ||
| 03_AVG4_G1_Cool | Ore 597.019 | 100.499 | 31.806 | 41.96 | 16 | 3.181 | 1.281 (in via del documento in stato di | 0,712 (in questo 012) | 0.120 | 0.169 (in inglese) | ||
| 03_AVG4_G1_Ripristino | 665.511 | 90.156 | 42.136 | 70.698 | 57 del sistema | 12.639 | 1.301 (in linguaggio 1.301) | 0.636 | 0.122 (in vie t12) | 0.191 (invisina toeta, 0 | ||
| AVNN - Intervallo medio NN; Media HR - Frequenza cardiaca media; RMSSD - Radice media quadrato di differenze successive; SDNN - Deviazione standard dell'intervallo NN; NN50 - Numero di intervalli NN > 50 ms; pNN50 - % di intervalli NN > 50 ms; LF - Potenza a bassa frequenza; HF - Potenza ad alta frequenza; LF/HF - Bassa Frequenza - Rapporto di Frequenza Elevata. bpm - battiti al minuto; ms - millisecondi; ECG - Elettrocardiogramma - che contiene il complesso QRS; RR - dove R è un punto associato a un picco del complesso QRS dell'onda ECG e RR è l'intervallo tra i punti R successivi; | ||||||||||||
Tabella 3. Dati di variabilità della frequenza cardiaca (HRV) per il soggetto 03 Gioco 01
Tabella 4. Statistiche descrittive delle misure di variabilità della frequenza cardiaca per le varie fasi dell'esercizio per ogni gioco Clicca qui per scaricare questa tabella.
| genere | Livello GMFCS | Diagnosi Clinica | Disturbo del movimento | Lato dominante | Altezza (cm) | Peso (kg) | BMI (kg/m2) | Percentile Dell'IMC |
| bambino | 2 Il nome del sistema | Diplegia | Distonia | va bene | 161.20 | 47.60 | 18.32 | Ore 17.00 |
| bambino | 3 (COM del nome | Diplegia | Spasticità | passato semplice e participio passato di "leave" | 141.17 | 49.20 (in questo: 20) | Ore 24.70 | Ore 95.00 |
| bambino | 2 Il nome del sistema | emiplegia sinistra | Spasticità | va bene | 165,80 | 50,50 anni | Ore 18.40 | Ore 13.00 |
| bambino | 3 (COM del nome | Diplegia | Spasticità | va bene | Ore 154.30 | Ore 57.00 | Ore 23.90 | 83.00 |
| bambina | 2 Il nome del sistema | emiplegia sinistra | Spasticità | va bene | 161.20 | 60.30 | Ore 22.86 | Ore 71.00 |
| bambina | 2 Il nome del sistema | emiplegia sinistra | Spasticità | va bene | 146.40 | 40,80 | Ore 19.00 | Ore 30.00 |
| bambina | 2 Il nome del sistema | emiplegia destra | Spasticità | passato semplice e participio passato di "leave" | 154.60 | Ore 64.00 | Ore 26.80 | 85.00 |
| bambina | 3 (COM del nome | emiplegia sinistra | Spasticità | va bene | 166.10 | 61.20 | Ore 22.20 | Ore 42.00 |
| bambino | 2 Il nome del sistema | emiplegia sinistra | Spasticità | va bene | 168.10 | 49,70 | 17.60 | Ore 51.00 |
| bambino | 3 (COM del nome | Diplegia | Spasticità | va bene | Ore 135,00 | Ore 29.80 | Ore 16.00 | Ore 43.00 |
| CHIAVE: GMFCS- Sistema di classificazione delle funzioni motorie lorde; BMI- Indice di massa corporea | ||||||||
Tabella 5. Dati demografici dei pazienti
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Dieci giovani con CP hanno partecipato a questo studio (media : SD) [ età (yrs) - 15,53 x 3,57 ; altezza (cm) 154.8 , 12.6; peso (kg) 50.69 x 11.1; indice di massa corporea (BMI) 50.46 - 29.2; mHR 9bpm) - 186.8 12.4]. Si prega di consultare la Tabella 5 per i dati demografici dei pazienti.
Ci sono alcune considerazioni per l'uso dei monitor HR e le misure associate di HR e HRV che riguardano le modifiche e la risoluzione dei problemi. Due problemi che sono evidenti, indipendentemente dalla tecnologia impiegata per acquisire i dati sono: 1) artefatti di movimento e 2) battiti ectopici. I problemi che derivano da artefatti di movimento e battiti ectopici sono tipicamente affrontati attraverso attività di post-elaborazione successive all'acquisizione dell'intervallo RR12,13,18,22 , 26.La risoluzione dei problemi relativi alle manipolazioni post-elaborazione richiede la considerazione delle fluttuazioni temporali nelle risorse umane che evidenziano gli arrythmias del sinusto respiratorio, nonché il calcolo dei valori HRV normalizzati in modo da poter effettuare differenziazioni tra modifiche mediate fisiologicamente e matematicamente in HRV13,27,29.
Le limitazioni nelle misurazioni HRV sono state inizialmente identificate con l'applicazione di tecniche di analisi spettrale (cioè misure di dominio di frequenza)13,27,29. Ci sono considerazioni fisiologiche che includono le arrythmias del sinus respiratorio, deriva cardiovascolare, stato di idratazione e fattori ambientali (ad esempio, temperatura, calore, freddo, altitudine) che sono associati con le variazioni quotidiane in HR27 ,29. Le considerazioni matematiche riguardano le misure del dominio temporale (ad esempio, SDNN, r-MSSD, indice pNN-50) e la recente inclusione di tecniche di analisi dinamica non lineare13,27,29. Per interpretare correttamente le varie misure HRV dobbiamo considerare se il corpo è in uno stato di riposo o stress. Tipicamente ci aspettiamo influenze parasimpatiche quando il corpo è riposato che ha aumentato la variabilità nelle risposte e si traduce in una maggiore HRV mentre durante lo stress ci aspettiamo influenze simpatiche che riducono la variabilità e hanno minori misure HRV. Le limitazioni nelle misurazioni HRV possono influenzare l'ipotesi della precisione dell'equilibrio autonomo è associata al rapporto LF/HF. Questa ipotesi presuppone che il sistema nervoso simpatico e il sistema nervoso parasimpatico siano in competizione per regolare la cottura del nodo SA. Gli autori notano che il rapporto LF/HR deve essere interpretato con cautela, notando il contesto di ottenere informazioni e di esaminare i valori LF e HF. Per quanto riguarda l'applicazione del rapporto LF/HF ai giochi AVG in episodi a breve termine di misurazioni HR e HRV, un elevato rapporto LF/HF può indicare un'attività simpatica più elevata che può essere osservata quando si incontra una sfida che richiede sforzo e aumenta la simpatia attivazione del sistema nervoso35.
È importante utilizzare misure ottimali per determinare le prestazioni e la capacità aerobiche nei giovani con CP per esaminare il dosaggio e l'efficacia di intervento appropriato6,11. Gli standard clinici di cura includono più spesso la misurazione delle risorse umane per determinare il dosamento di intervento (intensità)6,11. Tuttavia la variabilità intrinseca nelle misure HR rende difficile determinare la workoad effettiva nell'allenamento aerobico12,13,22,27. Pertanto, questa metodologia di calcolo dell'HIV dai dati ECG da un monitor HR fornisce una misura più accurata per valutare i risultati dell'intervento27,28. Inoltre, le misure HRV forniscono nuove informazioni sulle risposte del sistema nervoso autonomo, adattamento e recupero durante l'esercizio AVG12,13,29,34,35 . Noi ipotizziamo che l'applicazione di misure HRV durante l'esercizio di breve durata può fornire informazioni sul miglioramento dei sistemi fisiologici basati sul lavoro di Kerppers e colleghi con una breve durata32.
Qui sono annotate le importanti applicazioni che abbiamo fatto relative alle applicazioni esistenti di monitoraggio HR e misure HRV durante le prestazioni di esercizio. Questa metodologia consente all'utente di estrarre gli intervalli RR e le misure HRV dalle forme d'onda ECG durante le attività fisiche di gioco nei giovani con CP. Il metodo è attualmente su misura per le sessioni AVG in un gioco specifico, ma potrebbe essere facilmente adattato ad altri protocolli e dispositivi ECG per esperimenti futuri. Nei casi in cui i dati sono uniformi e il dispositivo di registrazione ECG è ben adattato al soggetto, questo protocollo consentirà un rapido elaborazione dei dati con un input minimo da parte dell'utente. Tuttavia, nel caso di dati non uniformi con ampie variazioni nell'ampiezza del segnale, il protocollo richiederà l'input dell'utente per etichettare correttamente i picchi mancati e rimuovere falsi positivi dal set di dati. In futuro questo metodo potrebbe essere migliorato con un metodo di rilevamento più robusto per ridurre l'aiuto degli utenti per il rilevamento e la correzione dei picchi (ad esempio, tecniche di analisi dinamica non lineare29).
Durante l'esecuzione del protocollo, è essenziale che vengano eseguiti i seguenti passaggi critici. È importante garantire un elevato livello di attendibilità del segnale durante le sessioni di raccolta dei dati per ridurre il tempo di elaborazione e di correzione di picco richiesto. Questo può essere migliorato assicurando che il dispositivo di registrazione ECG stia prendendo contatto con il soggetto prima di ogni sessione. È anche importante mantenere i contatti conduttivi umidi durante le sessioni che possono essere fatte rewetting il registratore prima di ogni sessione. Inoltre, dopo la raccolta dei dati, le attività di post-elaborazione devono affrontare le considerazioni metodologiche con misure di dominio temporale, misure di dominio di frequenza, analisi dinamiche non lineari e il calcolo dei valori HRV normalizzati per distinguere tra cambiamenti fisiologicamente derivati e mediati matematicamente in HRV12,13,29.
Le considerazioni per il lavoro futuro includono l'applicazione di misurazioni HRV per bambini e adulti coinvolti in attività fisicamente impegnative di diverse intensità e posizioni del corpo6,7,8, 9,10,17,23,26,29, giochi cognitivamente impegnativi e carico di lavoro mentale24,25, 26,27, esperienze di tipo virtuale e simulazione, valutazione del sovrallenamento23,31, qualità delle valutazioni del sonno13,26,27 , 31, stanchezza cronica, esaurimento fisico e prontezza al combattimento31 così come la connessione vagale tra HR e il cervello per quanto riguarda il comportamento prosociale30.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
In questo momento, gli autori (CL e PAS) non hanno nulla da rivelare. Dr. O'Neil è un co-fondatore di enAbleGames, LLC e Kollect è uno dei giochi offerti da questa società web-based. enAbleGames è in fase di sviluppo del gioco e non è una società pubblica in questo momento (www.enAbleGames.com).
Acknowledgments
Gli autori ringraziano i partecipanti e le loro famiglie per il loro tempo e il loro impegno spesi per la partecipazione allo studio. Inoltre, gli autori riconoscono Dr. Yichuan Liu e Dr. Hasan Ayaz per la loro assistenza con il calcolo della tempistica del monitoraggio HR e Dr. Paul Diefenbach per lo sviluppo del software di videogiochi attivi KOLLECT. I finanziamenti per questo lavoro sono stati forniti da Coulter Foundation Grants #00006143 (O'Neil; Diefenbach, PI) e #00008819 (O'Neil; Diefenbach, PI).
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. |
References
- 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).
