Login processing...

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

Behavior

Beregning af pulsvariation fra EKG-data fra unge med cerebral parese under aktive video spilsessioner

doi: 10.3791/59230 Published: June 5, 2019

Summary

Denne protokol beskriver en metode til beregning af puls variabilitet (HRV) fra elektrokardiogram (EKG) bølgeformer. Bølgeformer fra kontinuerlig puls (HR) optagelser under aktive videospil (AVG) sessioner blev brugt til at måle den aerobe præstation af unge med cerebral parese (CP).

Abstract

Formålet med denne undersøgelse var at generere en metode til beregning af puls variabilitet (HRV) fra elektrokardiogram (EKG) bølgeformer. Bølge formerne blev indspillet af en HR Monitor, som deltagerne (unge med cerebral parese (CP)) havde i løbet af aktive videospil (AVG) sessioner. AVG-sessioner blev designet til at fremme fysisk aktivitet og fitness (aerob ydeevne) i deltagerne. Målet var at evaluere gennemførligheden af AVGs som en fysisk terapi (PT) interventionsstrategi. Den maksimale puls (mHR) blev fastsat for hver deltager, og målpuls zonen (THRZ) blev beregnet for hver af tre Trænings faser i den 20 min. AVG-session: (warm-up ved 40-60% mHR, konditionering ved 60-80% mHR og afkøles ved 40-60% mHR). Hver deltager spillede 3 20 min spil under AVG-sessionen. Alle spil blev spillet, mens du sad på en bænk, fordi mange unge med CP ikke kan stå i længere tid. Hver Spiltilstand adskilte med deltagere ved hjælp af hånd ikoner kun, hånd og fødder ikoner sammen eller fødder ikoner kun at indsamle objekter. Formålet med spillet (kaldet KOLLECT) er at indsamle objekter for at få point og undgå farer for ikke at miste point. Der blev kun anvendt farer i opvarmningen og afkølings faserne for at fremme langsommere, kontrolleret bevægelse for at vedligeholde HR i målpuls zonen (THRZ). Der var ingen farer i konditionerings fasen for at fremme højere niveauer og mere intens fysisk aktivitet. Analytiske metoder blev brugt til at generere HRV (udvalgte tids domæne-og frekvens domæne målinger) fra EKG-data til undersøgelse af aerob arbejdsbyrde. Nylige anvendelser af HRV indikerer, at kortsigtede målinger (5 min anfald) er passende, og at HRV biofeedback kan bidrage til at forbedre symptomerne og livskvaliteten i en række sundhedsmæssige betingelser. Selv om HR er en velaccepteret klinisk foranstaltning til at undersøge aerob ydeevne og intensitet i PT interventioner, HRV kan give oplysninger om de autonome systemfunktioner, nyttiggørelse og tilpasning under AVG sessioner.

Introduction

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

Cerebral parese (CP) er den mest almindeligt fysiske handicap af barndommen1. CP er forårsaget af en neurologisk fornærmelse mod den udviklende hjerne og er forbundet med motoriske funktionsnedsættelser såsom muskelsvaghed, spasticitet, deditionering, og nedsat motorisk kontrol og balance2,3. CP er en ikke-progressiv tilstand, men med alderen, børn bliver mindre fysisk aktive og mere stillesiddende i forhold til deres jævnaldrende med typiske udvikling (TD) mest på grund af de øgede krav om vækst på deres kompromitteret neuromuskulære og muskel-og skelet systemer4.

Unge med CP normalt modtage Fysioterapi (PT) tjenester til at forbedre funktionel mobilitet og fremme fysisk aktivitet og fitness (f. eks aerob og muskuløs udholdenhed)2. Ofte er der begrænset adgang til PT-tjenester og fællesskabsressourcer for at opnå og opretholde disse PT-mål5,6. Aktive videospil (AVGs) kan være en realistisk strategi i aktivitetsbaserede PT interventioner i klinik, hjem eller community indstillinger7,8. Kommercielle AVGs har begrænset fleksibilitet til at tilpasse spillet og opfylde de specifikke behov og PT mål for unge med CP9. Men tilpassede AVGs giver fleksible gaming parametre til at udfordre unge med CP samtidig fremme fysisk aktivitet og fitness10.

Vores team har udviklet en tilpasset AVG (kaldet KOLLECT) til at undersøge unges motion responser (f. eks. fysisk aktivitet og aerob kondition). Spillet bruger en bevægelsessensor til at spore ungdom bevægelse under spillet. Målet med spillet er at "indsamle" så mange objekter som muligt for en høj score og for at undgå farerne for at undgå at miste point. Objekter kan indsamles med hånd og/eller fødder ikoner som bestemt af terapeuten i de fleksible spil parametre.

Designe aktivitetsbaserede PT interventioner, der dosis fysisk aktivitet intensitet til at fremme aerob fitness er afgørende for unge med CP11. Custom AVGs kan være en effektiv strategi til dosisintensitet og engagere unge i fysisk aktivitet for at fremme fitness10. Pulsmåler (HR) bruges ofte i klinisk PT-praksis til at bestemme aerob ydeevne og aktivitets intensitet. Derfor, HR-skærme vil hjælpe med at bestemme gennemførligheden af AVGs i dosering fysisk aktivitet intensitet til at fremme aerob fitness9. EKG-data genereret fra en HR-Monitor kan bruges til at beregne puls variabilitet (HRV). Analytiske metoder blev brugt til at generere HRV fra EKG-data til undersøgelse af aerob arbejdsbyrde. Nylige anvendelser af HRV indikerer, at kortsigtede målinger (5 min anfald) er passende, og at HRV biofeedback kan bidrage til at forbedre symptomerne og livskvaliteten i en række sundhedsmæssige betingelser32,33,34 . Anvendelsen af kortfristede HRV-foranstaltninger er et passende middel til at vurdere kardiovaskulær funktion under AVG-sessioner. I betragtning af, at HRV er afledt af R-R interval af et EKG, vi brugte udvalgte tids-domæne og frekvens-domæne foranstaltninger. Time-Domain måling af HRV kvantificere mængden af variablilitet i interbeat intervaller, som repræsenterer tiden mellem på hinanden følgende hjerteslag. Vi brugte AVNN (gennemsnitlig NN interval), RMSSD (Root Mean Square af successive forskelle), SDNN (standardafvigelse af NN interval), NN50 (antal NN intervaller > 50 MS) og PNN50 (procentdel af NN intervaller). Frekvens domæne foranstaltninger anslår distributionaf absolutte eller relative effekt i muligvis fire frekvensbånd, vi specifikt rettet mod to bands, lavfrekvens (LF) magt og højfrekvens (HF) magt sammen med LF/HF ratio. Selv om HR er en velaccepteret klinisk foranstaltning, kan HRV være nyttig, fordi det giver oplysninger om autonom systemfunktion, nyttiggørelse, tilpasning, og giver et skøn over aerob arbejdsbyrde under en AVG session28.

Formålet med denne undersøgelse var at undersøge gennemførligheden af at bruge AVG strategier til at fremme fysisk aktivitet og fitness. Et andet formål var at præsentere AVG-dataindsamlings protokollen og metoden til beregning af HRV fra EKG-data opnået via en pulsmåler. Disse foranstaltninger og denne protokol kan vise sig relevante for klinikere til at overvåge og dosis PT intervention sessioner.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

Godkendelse af det institutionelle revisionsudvalg. Alle unge afgav skriftlig samstemmende udtalelse, og forældrene gav samtykke forud for deltagelse.

1. AVG dataindsamling sessioner

  1. AVG-spilsessionen
    1. I denne undersøgelse, har unge med CP deltage i en AVG session, som består af 3 20 min spil. Se tabel 5 for ungdoms demografi. Det var forventet, at i alt 30 spil ville blive spillet; Men, 29 spil blev afsluttet, fordi et emne kun spillede 2 spil i sin AVG session.
    2. Har emnerne bære en pulsmåler gennem hele sessionen for at registrere HR-og EKG-responser.
    3. I AVG session, har ungdom spille hver AVG, mens siddende på en bænk med fødderne fladt på gulvet og knæ og hofter bøjet til 90 grader (90/90 siddende) for postural støtte og stabilitet.
    4. Brug følgende tre spillebetingelser for samlingsobjekter: 1) kun hånd ikoner; 2) fødder ikoner kun; og 3) både hænder og fødder ikoner. Brug en kontra balanceret rækkefølge mellem emner. Vælg disse tre betingelser for at afgøre, hvilket er mere effektivt til at fremme fysisk aktivitet og fitness og ikke for krævende at forårsage tidlig, unødig træthed.
      Bemærk: hvert spil er designet ved hjælp af faser af motion recept: opvarmning, konditionering og afkøling. [Se venligst tabel 1]. Derudover var der en hvile fase før spillet begyndte at dokumentere baseline HR og en genopretningsfase efter spillet for at dokumentere tid til at vende tilbage til baseline HR.
    5. Tillad emner en hvileperiode mellem spil for HR at vende tilbage til baselineniveau.
  2. Beregning af HRV fra EKG-data
    1. Organiser data i 5 minutters tidsintervaller for at sikre sammenlignelige data for hver fase. Derfor var der 6 faser defineret for disse beregninger: 1) hvile; 2) opvarmning; 3) konditionering 1 (første 5 min); 4) konditionering 2 (anden 5 min); (5) nedkøling (5 min) og 6) opsving. Ved at opdele konditionerings fasen i to 5 min-faser er det muligt at undersøge de aerobe præstationer med kortere intervaller for at højde for træthed på grund af deditionering 12 (tabel 4).
    2. Hvis du vil beregne HRV-målinger korrekt for hvert segment i et forsøgspersons session, skal du udføre R-peak Detection på det rå EKG-signal12,13. Brug det rå signal til at undgå manipulationer, der kan skævvride dataene.
    3. Hvis du vil behandle dataene, skal du hente starttidspunkter for hver optagelses session og konvertere fra ' DateTime '-variabler (MM/DD/ÅÅÅÅ HH: MM: SS. SS) til sekunder. Ingen af sessionerne fandt sted over to dage, hvilket gjorde det muligt at ignorere MM/DD/ÅÅÅÅ-delen under disse beregninger. Erhverve starttidspunktet for spillet af interesse fra timing tabellen for at finde hver spilsession i elektrokardiogram (EKG) fil; denne gang blev konverteret til sekunder, efter at den var blevet hentet fra tids filen. Tidsindstillings filen indeholdt starttidspunkter for hver fase af spillet samt afslutningen af tilbagebetalingsperioden (tabel 2).
    4. Beregn hvileperioden som 5 min forud for spillet start og Recovery fase som 5 min efter afslutningen af cooldown fase. Når disse tider blev opnået, få placeringen (r) af spillet fase af interesse i EKG-fil gennem følgende ligning:
      Equation 1(1)
      hvor fase er sat til enten hvile, warmup, konditionering 1, konditionering 2, nedkøling, eller nyttiggørelse; tiden blev divideret med 1/frekvens for at gøre rede for EKG-samplingfrekvensen. HR-monitoren havde en samplingfrekvens på 250 Hz og indeholdt derfor et mål for hver 4 MS.
      1. Rediger dette nummer ved at ændre samplingfrekvensen med den første prompt fra programmet Peak_Detection. m for at tage højde for brugen af alternative optagelsesenheder. Vælg, hvilket 5 min-segment du vil arbejde med, mens du kører peak Detection program. Dette blev gjort via en prompt til brugeren. Indstil sluttidspunktet til 5 min efter starttidspunktet, og tag frekvensen af optagelses anordningen i betragtning.
    5. Når først den 5 min sektion var blevet valgt, beregne en tærskel for peak-detektion baseret på den gennemsnitlige og standardafvigelse af bølgeform.
      1. Indstil tærsklen som Equation 2 men dette kan øges i programmet, hvis dataene er ensartede for at reducere falsk-positiv detektion fra T toppe, som er højere end deres tilsvarende R toppe. Eksempler på disse falske positiver kan ses i figur 1.
      2. Sammen med en mindste højde for R peak, tildele en minimumsafstand mellem toppe for at minimere påvisning af forkerte toppe omkring den ønskede R. Indstil denne værdi til 75, som svarede til 0,3 s mellem toppe eller 200 slag pr. minut (i bpm) (denne værdi ændres hyppighed). Værdien af 200 BPM er højere end nogen HR opnået af emnerne i dette studie og kan ændres baseret på den population, der undersøges.
    6. Når tærsklen blev beregnet, lad programmet køre gennem bølgeform og forsøge at skelne alle R s for RR interval og HRV beregninger. Generer et foreløbigt plot, så brugeren kan gennemgå det for uregelmæssigheder som dem, der er vist i figur 1 eller figur 2.
      1. Korriger disse uregelmæssigheder manuelt ved at redigere detekterings variablen, som indeholder mikrovolt (μV) aflæsning af toppen i kolonne 1 og placeringen i den aktuelle spilsession (s/0,004) i den anden kolonne. I de fleste tilfælde kan de korrekte R toppe nemt findes ved at zoome ind i problemet placering som det fremgår af figur 1. Mange data sessioner er ret ensartede som vist i figur 3 og vil derfor kun kræve nogle få rettelser. Nogle tilfælde, dog er temmelig rodet og kræver mere tid til at gennemgå og opnå ordentlig R steder.
      2. Hvis udsving i bølgeform gør det uforholdsmæssigt vanskeligt at korrekt finde en spids, ignorere små segmenter ~ 1-2 s og attribut til ektopisk beats som ikke anvendes i HRV beregninger12.
    7. Når R er blevet placeret, køre HRV_Measures program. Beregn RR-intervaller først, da de er grundlaget for de HRV-foranstaltninger, der anvendes i dette studie12.
      1. Få en matrix af intervaller og ignorere et interval større end 1,5 s (40 bpm) som det var på grund af de førnævnte ektopisk beats fjernes fra beregningerne. Gem disse RR-intervaller for yderligere beregninger og verificering af data. Brug disse intervaller til at beregne den kvadratiske middelværdi for de successive forskelle (RMSSD) med følgende ligning:
        Equation 3RMSSD = (2)
        Hvor N = antal RR-intervaller (R-R)i = interval mellem tilstødende QRS-toppe (R-r)i + 1 = interval mellem efterfølgende sæt toppe
    8. Vælg denne variabel, da det har vist sig at være virknings effektiv på intervaller fra 1 min til 24 h i længde13,14,15,16,17 og kan derfor anvendes til at vurdere disse 5 min intervaller i spillets faser. Sammen med rmssd, opnå standard afvigelsen af NN intervaller for at måle ændringer i hr i hele fase14,16,18.
    9. Brug RR-intervallerne til at beregne NN50, det antal intervaller, der afviger fra det foregående interval med mere end 50 MS12 , som også er blevet brugt på intervaller fra en min til 24 h16,17,19, 20,21.
      1. Beregn variablen NN50 via en simpel tælle funktion, der kontrollerede, om forskellen mellem de efterfølgende RR-interval længder var større end 50 MS. Når NN50 er opnået på denne måde, divideres med det samlede antal intervaller for at beregne pNN50, som er procentdelen af intervaller, der afviger med mere end 50 MS. denne beregning tillod, at de målte data blev sammenlignet på tværs af, spil og endda sessioner af varierende længde, da det er en enhed-mindre variabel13,14, 16 , 17.
    10. Beregn gennemsnitlig RR-interval længde for hver fase og emne som en separat HRV-foranstaltning16,17,19,22,23,24. Brug denne måleenhed til at beregne den gennemsnitlige puls ved at dividere det gennemsnitlige RR-interval med 60 s. Begge disse foranstaltninger er let sammenlignelige på tværs af spilsessioner for at observere tendensen i motivet aktivitet16,17,19,22,23, 24.
    11. Når disse målinger er blevet beregnet, beregnes lavfrekvens-og højfrekvent effekt spektral tæthed (PSD) for både det rå EKG i intervallet på 5 minutter og RR-interval matrixen ved at opnå PSD fra hurtige Fourier-transformationer13,14 , 17 , 19 , 25. alle disse data blev derefter lagret i en tabel, hvoraf et eksempel er vist i tabel 4.

2. Hent EKG-data fra patienten

  1. Forbered pulsmåler-brystremmen og Bluetooth-modulet til påføring på motivet.
    1. Sørg for, at Bluetooth-modulet er fuldt opladet (3 timer) ved hjælp af opladningsholderen.
    2. Sæt modulet i data computeren via opladningsholderen, og Åbn config-værktøjet. Angiv et navn til logførings formål.
    3. Vælg HR-enheden, klik på fanen tid , og vælg Indstil dato/tid for at synkronisere modulet til det korrekte klokkeslæt og dato. Enheden kan nu fjernes fra opladningsholderen.
    4. Fugt de ledende områder (beige) på pulsmåleren i brystbæltet ved at anbringe en hånd i vand og gnide de ledende områder.
    5. Placer HR Monitor Bluetooth-modulet i brystet rem med de ledende overflader af modulet foret op med dem af brystet rem: det vil klikke på plads.
    6. Tryk på og hold knappen på modulet nede, indtil Lysene blinker. Modulet er nu tændt og optager.
    7. Påfør pulsmåleren bryst strop (med Bluetooth-modul) til afspilleren med modulet justeret med venstre midteraksjer linje og remmen lige under brystmuskulaturen. Når korrekt placeret, stramme enheden, så det ikke vil bevæge sig i løbet af sessionen, men er ikke ubehageligt for spilleren.
  2. Få et signal, og se live feedet.
    1. Sæt stikket i USB-porten på den computer, der skal bruges til at få vist dataene.
    2. Åbn Live View -programmet, og gå ind i opsætningstilstand ved at klikke på ikonet med skruenøgle og skruetrækker.
    3. Vælg en spiller på listen, hvis det er relevant, eller Tilføj et nyt motiv med knappen ny i nederste venstre hjørne af skærmen.
    4. Angiv emne oplysninger som ønsket til identifikationsformål (navn, alder, køn, højde, vægt).
    5. Klik på fanen hardware , og vælg det aktuelle emne.
    6. Klik på Tildel nederst på fanen, og vælg den aktuelle enhed (angivet som 01, hvis der ikke findes andre enheder). Klik derefter på Tildel i pop op-boksen.
    7. Klik på fanen team . Fremhæv motivet, og klik derefter på den højre pileknap for at placere afspilleren på Team A.
    8. Klik på fanen installation , og flyt derefter det nyoprettede team til den første fane.
    9. Åbn fanen live mode ved at klikke på det blå Wi-Fi- symbol i øverste venstre hjørne.
    10. Brug fanen live mode til at overvåge emnet puls, respiratorisk hastighed og kropsholdning i realtid.
      Bemærk: signal styrke, batteristrøm og tillid til foranstaltningerne kan også ses.
    11. Optag nøjagtig timing (MM/DD/ÅÅÅÅ HH: MM: SS) af starten og slutningen af hver session og fase til behandling.
  3. Download EKG-data fra pulsmåleren.
    1. Fjern remmen fra afspilleren i slutningen af sessionen, og fjern Bluetooth-modulet fra brystremmen.
    2. Placer modulet i opladningsholderen, og sæt det i en computer, hvor softwareprogrammet er installeret.
    3. Åbn loggen.
    4. Vælg enheden i rullemenuen. Alle sessioner, der aktuelt er på enheden, vises med datoer og klokkeslæt.
    5. Uncheck den boks at siger Hjælp standard opspare placering og valgte en ny opspare placering.
    6. Klik på Gem. En statuslinje vises derefter. Det kan tage op til en time at gemme, afhængigt af sessions længden.
    7. Omdøb datoen, når den er gemt.

3. data analyse og beregning af puls variabilitet foranstaltninger

  1. Forbered filer til behandling.
    1. Navngiv EKG-filer som ' KOLLECT_Subject # _AVG4 ' (f. eks., KOLLECT_01_AVG4. csv ').
    2. Generer en tidstabel i kommasepareret variabel format (. csv) for at tegne tidsdata under databehandling. Se tabel 1 for et eksempel på det korrekte format.
    3. Importer dato/klokkeslætsdata fra. csv-filen, og højreklik på navnet på den nyoprettede variabel, og Skift den til 'timing. mat '.
  2. Indledende R peak detektion.
    1. Åbn og Kør peak _ detektion . m.
    2. Angiv hyppigheden af EKG-optagelsesenheden, når programmet bliver bedt om det.
    3. Indtast spiller nummeret for de data, der skal analyseres, når du bliver bedt om det.
      Bemærk: nogle spillere har ikke fuldført Active video game 4 (AVG4), og derfor bruges kun spillere 1-10 til denne undersøgelse. Andre numre vil give en fejlmeddelelse.
    4. Indtast nummeret på det spil, der skal analyseres (1, 2 eller 3), når du bliver bedt om det.
    5. Indtast den fase, der skal analyseres (rest, warmup (WU), conditioning (CON), hvile eller nyttiggørelse).
      1. Angiv en forskydning i minutter, hvis det ønskes, eller Indtast 0 for ingen forskydning.
    6. Vælg forstørrelses værktøjet, og vælg et område af plottet, der er output, for at oprette et vindue med en bredde på ca. 2.000 (s/0,004) og en højde, der viser den fulde bølgeform som vist i figur 3. Zoome ind eller ud, hvis vinduet ikke let inspiceres visuelt.
    7. Inspicer grafen visuelt for at evaluere, om de fundne toppe er korrekt mærket. Se figur 1 for eksempel på ukorrekt fundne og glemte toppe forårsaget af uregelmæssige EKG-data (figur 2).
  3. Spids korrektion
    1. Ret de forkert fundne eller manglende toppe ved at finde detekterings variablen og dobbeltklikke i arbejdsområdet.
    2. Udnyt data markør værktøjet på PLOTTET af EKG-bølgeformen for at opnå x-og y-koordinaterne for den forkerte spids. X (tid * frekvens) er den første kolonne i Detection. mat og Y (spænding) er den anden kolonne (figur 3).
      1. Højreklik på den tekstboks, der vises, og klik på Vælg markør opdateringsfunktion.
      2. Vælg Tooltipupdate. m fra den mappe, der indeholder de filer, der bruges til denne analyse. Dette gør det muligt for værktøjstip at vise mere præcise værdier.
    3. Hvis punktet er en falsk positiv, skal du fjerne det fra arrayet ved at klikke på dets række i detektering. mat variabel og tryk kontrol og minus tasten. Et eksempel på falsk positiv detektion kan ses i figur 3.
    4. Rediger forkert markerede toppe, der støder op til umarkerede toppe, som det fremgår af de to T-toppe markeret som R i figur 1, ved at ændre deres værdier, så de svarer til den umærkede spids.
    5. Opnå værdien af den glemte peak kan opnås med data markør værktøj.
    6. Føj flere rækker til registrering. ved hjælp af kontrol og plus-tasten for toppe savnet på grund af lave spændingsniveauer.
    7. Indtast værdierne i numerisk rækkefølge for at undgå negative værdier under beregningsprocessen (dvs. tilføje toppen placeret på 11000 mellem toppene ved 10908 og 11167) (figur 5).
    8. Sørg for, at værdierne indtastes korrekt, før du fortsætter gennem hele sessionen, når tal lejlighedsvis klippes af, når de indtastes.
    9. Gentag trin 2,3, indtil alle toppe er blevet kontrolleret og/eller korrigeret.
      Bemærk: nogle filer har begrænset variation i bølgeform amplitude og er hurtigere at kontrollere, som det ses i figur 4 , mens andre er mere variable og kan kræve tættere zoom til præcist at lokalisere toppe under visuel inspektion.
  4. Opnå HRV-måle beregninger.
    1. Gem det oprindelige plot, der genereres fra Peak_Detection. m , til senere brug.
    2. Kør HRV_Measures. m for at generere det korrekt mærkede plot. En stikprøve af korrigerede data er vist i figur 6.
      1. Ændre afbildnings titlen ved hjælp af Indsæt | Titel på plot vinduet og ændre det til den ønskede titel.
      2. Kontroller vinduet for output, programmet vil give brugeren af den placering forkert indtastede data, hvis der findes.
    3. Gem variablen med navnet interval.
    4. Åbn variablen med titlen HRV fra vinduet arbejdsområde for at få vist Mean RR (MS), gennemsnitlig puls (bpm), rmssd (MS), sdnn (MS), NN50 (Count), pNN50 (%), LAVFREKVENS (LF)/HØJFREKVENS (HF) (EKG), LF/HF RR, LAVFREKVENT effekt RR og højfrekvent effekt (RR)). Gem h-værdierne for disse variabler i en tabel som den, der er vist i tabel 4.
    5. Gentag afsnit 3,2-3,4 for alle andre segmenter, sessioner og emner, der skal analyse.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

Denne metode giver data til brug ved analyse af den effekt, som en nyudviklet metode har på emnet Hjertefrekvensvariation (HRV). Det gør den ved at placere R-delen af QRS-bølgeformen for et forsøgspersons EKG-data, som vist i figur 6, og ved at beregne forskellige HRV-værdier fra den. Hvis HR-monitoren er i god kontakt med emnet, vil dataene være ensartede, hvilket væsentligt reducerer behovet for korrektioner (som det fremgår af figur 4).

Der bør fastsættes tærskler til håndtering af rodet og uregelmæssige data som afbildet i figur 1 og figur 2. Hvis dataene er tilstrækkeligt variable på grund af momentane ændringer i pulsmåleren hudkontakt, kan den indledende analyse fejlagtigt mærke toppe som vist i figur 3. Denne fejl kan afhjælpes ved manuelt at korrigere værdier eller indtaste ekstra datapunkter som forklaret i afsnit 3 i protokollen. Ændring af tærskelniveauer og minimal tid mellem toppe kan også bidrage til at rydde op detekterings værdier og producere en justeret plot som figur 6 fra figur 5.

Når dataene er indhentet og analyseret for uoverensstemmelser, kan de bruges til at beregne HRV-værdier til statistisk analyse. Analysen af EKG-data kan bruges til at kvantificere observationer foretaget under sessioner med henblik på evaluering.

Figure 1
Figur 1 . Repræsentativ graf af kontinuerlig hr (y-akse) i μV) over tid (x-aksen i s) for emne et spil 3 under warmup session, der repræsenterer ' rodet ' data. Rodet data: i dette afsnit R toppe er mindre end T-delen af bølgeform. Dette kan forårsage problemer med peak Detection.

Figure 2
Figur 2 . Et eksempel på nogle elektrokardiogram (EKG) uregelmæssige bølgeform mønstre. Uregelmæssige bølgeform mønstre: ændringer i kontakten med motivet på grund af bevægelse kan forårsage spændingsvariationer reducere ensartethed i bølgeform. Venligst klik her for at se en større version af dette tal.

Figure 3
Figur 3 . Et eksempel på et elektrokardiogram (EKG) output med en forkert mærket peak HR forkert mærket Peak. Nær toppen af figuren en stigning i spænding forårsager en del af bølgeform, der skal påvises som matcher R mønster. Det kan også forårsage nærliggende R-mønstre, der skal ignoreres på grund af nærhed som den ene fremhævet på (9924, 2074).

Figure 4
Figur 4 . Repræsentativ graf af kontinuerlig HR (y-akse) i μV) over tid (x-akse i s) ren elektrokardiogram (EKG) bølgeform. Clean bølgeform: et eksempel på en sektion af ensartede EKG-data med en relativt jævn bølgeform og spændingsniveau.

Figure 5
Figur 5 . Repræsentativ graf over kontinuerlig HR (y-akse) i μV) på tværs af tid (x-aksen i s) af en rå elektrokardiogram (EKG) før rengøring. Data før rengøring: der vises et segment af EKG-data på 30 sek fra emne 01-spil 3 under konditionerings fasen. Nogle toppe er blevet savnet, og nogle er forkert mærket på grund af høj spænding variation. Venligst klik her for at se en større version af dette tal.

Figure 6
Figur 6 . Repræsentativ graf over kontinuerlig HR (y-akse) i μV) på tværs af tid (x-aksen i s) af et rå elektrokardiogram (EKG) efter klaring. Data post rengøring: de samme 30 sek EKG data fra emne 01 spil 3 efter det er blevet korrekt mærket som beskrevet i afsnit 3 i protokollen. Venligst klik her for at se en større version af dette tal.

Fase Tid THR zone Spil funktioner
Hvile 5 min Baseline hvile Na
Warm-up 5 min 40-60% mHR 4 genstande + 4 farer; langsommere hastighed
Conditioning 10 min 60-80% mHR 8 genstande + 0 farer; hurtigere hastighed
Nedkøling 5 min 40-60% mHR 4 genstande + 4 farer; langsommere hastighed
Opsving 5 min Baseline hvile Na
Nøgle: thr = målpuls;  Na = ikke relevant

Tabel 1. Aktive videospil (AVG) spil faser. NØGLE: målpuls (THR); NA (ikke relevant).

Emne Avg Spil Warmup start Konditionering start Nedkøling start Start af genoprettelse
(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

Tabel 2. Timing File KEY: AVG = aktivt videospil

ID_AVG_Game AVNN (s) AVG 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 = gennemsnitligt NN interval; AVG HR = gennemsnitlig puls; RMSSD = Root Mean Square af successive forskelle; SDNN-standard afvigelse for NN interval; NN50 = antal NN intervaller > 50 MS; pNN50 =% af NN intervaller > 50 MS; LF = lavfrekvent effekt; HF = højfrekvent effekt; LF/HF = lavfrekvens-højt frekvensforhold.  BPM = slag pr. minut; MS = millisekunder; EKG = elektrokardiogram-som indeholder QRS-komplekset;  RR = hvor R er et punkt, der er forbundet med et maksimum af QRS-komplekset i EKG-bølgen, og RR er intervallet mellem på hinanden følgende R-punkter;

Tabel 3. Pulsvariation (HRV) data for emne 03 spil 01

Tabel 4. Beskrivende statistikker for pulsvariation foranstaltninger for forskellige faser af motion for hvert spil skal du klikke her for at downloade denne tabel. 

Køn GMFCS-niveau Klinisk diagnose Bevægelses forstyrrelse Dominerende side Højde (cm) Vægt (kg) BMI (kg/m2) BMI-fraktil
Dreng 2 diplegia Dystoni Højre 161,20 47,60 18,32 17,00
Dreng 3 diplegia Spasticitet Venstre 141,17 49,20 24,70 95,00
Dreng 2 venstre hemiplegi Spasticitet Højre 165,80 50,50 18,40 13,00
Dreng 3 diplegia Spasticitet Højre 154,30 57,00 23,90 83,00
Pige 2 venstre hemiplegi Spasticitet Højre 161,20 60,30 22,86 71,00
Pige 2 venstre hemiplegi Spasticitet Højre 146,40 40,80 19,00 30,00
Pige 2 højre hemiplegi Spasticitet Venstre 154,60 64,00 26,80 85,00
Pige 3 venstre hemiplegi Spasticitet Højre 166,10 61,20 22,20 42,00
Dreng 2 venstre hemiplegi Spasticitet Højre 168,10 49,70 17,60 51,00
Dreng 3 diplegia Spasticitet Højre 135,00 29,80 16,00 43,00
Nøgle: GMFC'ER= brutto motor funktion klassifikations system;  BMI= Body Mass Index

Tabel 5. Patient demografi

Subscription Required. Please recommend JoVE to your librarian.

Discussion

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

Ti unge med CP deltog i denne undersøgelse (gennemsnit + SD) [alder (yrs) = 15,53 ± 3,57; højde (cm) 154,8 ± 12,6; vægt (kg) 50,69 ± 11,1; Body Mass Index (BMI) 50,46 ± 29,2; mHR 9 bpm) = 186,8 ± 12,4]. Se tabel 5 for patientdemografi.

Der er nogle overvejelser for brug af HR-skærme og de tilhørende målinger af HR og HRV, som relaterer til ændringer og fejlfinding. To spørgsmål, der er synlige, uanset hvilken teknologi der anvendes til at erhverve data er: 1) motion artefakter og 2) ektopisk beats. De problemer, der opstår som følge af bevægelses artefakter og ektopiske beats, behandles typisk gennem efterfølgende aktiviteter efter købet af RR-intervallet12,13,18,22 , 26. fejlfinding efter behandling manipulationer kræver overvejelse af de tidsmæssige fluctationer i hr, som fremhæver respiratoriske sinusrytme forstyrrelser samt beregning af de normaliserede HRV værdier, så differentieringer kan foretages mellem fysiologisk og matematisk medieret ændringer i HRV13,27,29.

Begrænsningerne i HRV-målingerne blev oprindeligt identificeret ved anvendelse af spektralanalyse teknikker (dvs. frekvens domæne foranstaltninger)13,27,29. Der er fysiologiske overvejelser, som omfatter respiratoriske sinus arrythmias, hjerte-kar-drift, hydrering status og miljømæssige faktorer (f. eks temperatur, varme, kulde, højde), der er forbundet med dag-til-dag variationer i HR27 ,29. Matematiske overvejelser involverer tids domæne foranstaltninger (f. eks. sdnn, r-mssd, Pnn-50 index) samt den nylige medtagelse af ikke-lineære dynamiske analyseteknikker13,27,29. For at fortolke de forskellige HRV-foranstaltninger korrekt skal vi overveje, om kroppen er i en tilstand af hvile eller stress. Typisk forventer vi parasympatiske påvirkninger, når kroppen er udhvilet som øget variation i svarene og resultaterne i højere HRV mens under stress vi forventer sympatiske påvirkninger, der reducerer variabilitet og har lavere HRV foranstaltninger. Begrænsningerne i HRV målinger kan påvirke nøjagtigheden autonom balance hypotese er forbundet med LF/HF ratio. Denne hypotese antager, at det sympatiske nervesystem og parasympatiske nervesystem er i konkurrence om at regulere SA node fyring. Forfatterne notat Tha den LF/HR ratio skal fortolkes med forsigtighed, mens noterer sig sammenhængen med at indhente oplysninger samt gennemgang af LF og HF værdier. Med hensyn til anvendelsen af LF/HF ratio til AVG Games i kortvarige episoder af HR målinger og HRV, en høj LF/HF ratio kan indikere højere sympatisk aktivitet, der kan observeres, når de møder en udfordring, der kræver indsats og øger den sympatiske aktivering af nervesystemet35.

Det er vigtigt at anvende optimale foranstaltninger til at bestemme aerob ydeevne og kapacitet i Ungdom med CP til at undersøge passende intervention dosering og effektivitet6,11. Kliniske standarder for pleje oftest omfatter måling HR til at bestemme intervention dosering (intensitet)6,11. Men den iboende variation i hr-foranstaltninger gør det vanskeligt at bestemme faktisk workoad i aerob træning12,13,22,27. Derfor giver denne metode til beregning af HRV fra EKG-data fra en pulsmåler en mere præcis måling til vurdering af interventions resultater27,28. Desuden giver HRV-foranstaltningerne nye oplysninger om respons, tilpasning og genoprettelse af det autonome nervesystem under gennemsnitlig øvelse12,13,29,34,35 . Vi posit, at anvendelse af HRV-foranstaltninger under kortvarig motion kan give oplysninger om forbedring af de fysiologiske systemer baseret på arbejde af Kerppers og kolleger med en kort varighed32.

Bemærkede her er de vigtige applikationer, vi har gjort i forhold til de eksisterende anvendelser af HR overvågning og HRV foranstaltninger under motion ydeevne. Denne metode giver brugeren mulighed for at udtrække RR intervaller og HRV målinger fra EKG bølgeformer under Gaming fysiske aktiviteter i Ungdom med CP. Metoden er i øjeblikket skræddersyet til AVG sessioner i et bestemt spil, men kunne nemt tilpasses andre protokoller og EKG-enheder til fremtidige eksperimenter. I tilfælde, hvor dataene er ensartede, og EKG-optagelses anordningen er godt monteret på motivet, vil denne protokol give mulighed for hurtig databehandling med minimal input fra brugeren. Men i tilfælde af ikke-ensartede data med store afvigelser i signal amplitude protokollen vil kræve brugerinput til korrekt etiket ubesvarede toppe og til at fjerne falske positiver fra datasættet. I fremtiden denne metode kan forbedres med en mere robust afsløring metode til at reducere brugerstøtte til peak detektion og korrektion (f. eks, ikke-lineære dynamisk analyseteknikker29).

Under gennemførelsen af protokollen, er det vigtigt, at følgende kritiske trin udføres. Det er vigtigt at sikre en høj grad af signal tillid i hele dataindsamlings sessioner for at reducere den behandling og spids korrektion tid, der kræves. Dette kan forbedres ved at sikre, at EKG-optageenheden gør korrekt kontakt med motivet forud for hver session. Det er også vigtigt at holde de ledende kontakter fugtige under samlingerne, som kan gøres ved at rewetting optageren før hver session. Efter at dataene er indsamlet, er det også nødvendigt at behandle de metodologiske overvejelser med tids domæne foranstaltninger, frekvens domæne foranstaltninger, ikke-lineære dynamiske analyser samt beregne normaliserede HRV-værdier for at skelne mellem fysiologisk afledte og matematisk medierede ændringer i HRV12,13,29.

Overvejelser vedrørende det fremtidige arbejde omfatter anvendelse af HRV-målinger for børn og voksne, der er involveret i fysisk udfordrende aktiviteter med forskellige intensiteter og krops positioner6,7,8, 9,10,17,23,26,29, kognitivt udfordrende spil og mental arbejdsbyrde24,25, 26,27, virtuel og simulation type erfaringer, vurdering af overtræning23,31, kvaliteten af søvn vurderinger13,26,27 , 31, kronisk træthed, fysisk udmattelse og kamp parathed31 samt vagal forbindelse mellem hr og hjernen vedrørende Lis adfærd30.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

På dette tidspunkt har forfatterne (CL og PAS) intet at afsløre. Dr. O'Neil er medstifter af enAbleGames, LLC og Kollect er et af de spil, der tilbydes af denne web-baserede virksomhed. enAbleGames er i spil udviklingsfasen og er ikke en offentlig virksomhed på dette tidspunkt (www.enAbleGames.com).

Acknowledgments

Forfatterne takker deltagerne og deres familier for deres tid og indsats brugt til deltagelse i studiet. Så godt, forfatterne anerkender Dr. Yichuan Liu og Dr. Hasan Ayaz for deres hjælp med timing beregning af HR overvågning og Dr. Paul Diefenbach for udvikling af KOLLECT Active video gaming software. Finansieringen af dette arbejde blev ydet af Coulter Foundation Grants #00006143 (O'Neil; Diefenbach, pi'er) og #00008819 (O'Neil; Diefenbach, pi'er).

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).
Beregning af pulsvariation fra EKG-data fra unge med cerebral parese under aktive video spilsessioner
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

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).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