このプロトコルは、心電図(ECG)波形から心拍変動(HRV)を計算する方法について説明する。アクティブビデオゲーム(AVG)セッション中の連続心拍数(HR)記録からの波形は、脳性麻痺(CP)を有する青少年の有酸素性能を測定するために使用された。

本研究の目的は、心電図(ECG)波形から心拍変動(HRV)を計算する方法を生成することを目的とした。波形は、参加者(脳性麻痺(CP)を持つ若者)がアクティブなビデオゲーム(AVG)セッション中に着用したHRモニターによって記録されました。AVGセッションは、参加者の身体活動とフィットネス(有酸素性能)を促進するために設計されました。目標は、理学療法(PT)介入戦略としてのAVGの実現可能性を評価することにあった。最大HR(mHR)は参加者ごとに決定され、20分AVGセッションにおける3つの運動段階(ウォームアップ40-60%mHR、60-80%mHRでのコンディショニング、および40-60%mHRで冷却)の3つの運動段階のそれぞれについて、目標心拍数ゾーン(THRZ)を計算した。各参加者はAVGセッション中に3つの20分のゲームをプレイしました。CPを持つ多くの若者が長時間立つことができないため、すべての試合はベンチに座っている間に行われました。各ゲームの条件は、オブジェクトを収集するためにのみ手のアイコン、手と足のアイコンを一緒に、または足のアイコンを使用して参加者と異なっていました。ゲームの目的(KOLLECTと呼ばれる)は、ポイントを獲得し、ポイントを失わないために危険を避けるためにオブジェクトを収集することです。ハザードは、ウォームアップおよびクールダウン段階で使用され、ターゲット心拍数ゾーン(THRZ)でHRを維持するために、より遅く制御された動きを促進するためにのみ使用されました。より高いレベルとより強い身体活動を促進するためのコンディショニング段階で危険はありませんでした.分析法を用いて、ECGデータからHRV(選択された時間領域および周波数領域測定)を生成し、有酸素ワークロードを調べた。HRVの最近のアプリケーションは、短期的な測定(5分の試合)が適切であり、HRVバイオフィードバックが様々な健康状態における症状と生活の質を改善するのに役立つ可能性があることを示しています。HRは、PT介入における有酸素性能と強度を調べるのに十分に受け入れられている臨床尺度であるが、HRVはAVGセッション中に自律システム機能、回復および適応の情報を提供するかもしれない。

脳性麻痺(CP)は、小児期^の最も一般的な身体障害1である。CPは、発達中の脳への神経学的侮辱によって引き起こされ、筋肉の衰弱、痙攣、脱コンディショニング、および運動制御とバランス^の低下などの運動障害に関連しています 2,^3.CPは非進行性の状態であるが、年齢とともに、子供たちは典型的な発達(TD)を持つ同僚と比較して身体的に活動的で、より落ち着きを持つようになる。筋骨格系⁴.

CPを持つ青少年は、通常、機能的な移動性を改善し、身体活動とフィットネスを促進するために理学療法(PT)サービスを受ける(例えば、好気性および筋肉の持久力)2.多くの場合、これらの PT 目標^5,6 を達成し、維持するために、PT サービスとコミュニティ リソースへのアクセスが制限^{されています。}アクティブビデオゲーム(AVG)は、クリニック、家庭またはコミュニティの設定7、8で活動ベースのPT介入で実現可能な戦略である可能性があります。商用ARPGは、ゲームプレイを適応させ、CP⁹を持つ青少年のための特定のニーズとPT目標を満たすために限られた柔軟性を持っています.しかし、カスタマイズされたAVGは、身体活動と^{フィットネス10}を促進しながら、CPで若者に挑戦する柔軟なゲームパラメータを提供します。

私たちのチームは、青少年の運動反応(例えば、身体活動や有酸素運動)を調べるためにカスタマイズされたAVG(KOLLECTと呼ばれる)を開発しました。ゲームは、ゲームプレイ中に若者の動きを追跡するためにモーションセンサーを使用しています。ゲームの目的は、ハイスコアのためにできるだけ多くのオブジェクトを「収集」し、ポイントを失うことを避けるために危険を回避することです。オブジェクトは、柔軟なゲームパラメータでセラピストによって決定された手や足のアイコンで収集することができる。

有酸素運動を促進するために身体活動強度を投与する活動ベースのPT介入を設計することは、CP¹¹を持つ若者にとって重要である。カスタムARPGは、強度を用量し、^{フィットネス10}を促進するために身体活動に若者を従事させる効果的な戦略である可能性があります。心拍数(HR)モニターは、多くの場合、有酸素性能と活動強度を決定するために臨床PTの練習で使用されます。したがって、HRモニターは、有酸素フィットネス9を促進するために身体活動強度を測定するAMGの実現可能性を決定するのに役立ちます。HRモニタから生成されたECGデータは、心拍変動(HRV)を計算するために使用することができます。分析法を用いて、ECGデータからHRVを生成し、好気性ワークロードを調べた。HRVの最近のアプリケーションは、短期的な測定(5分の試合)が適切であり、HRVバイオフィードバックが様々な健康状態における症状と生活の質を改善するのに役立つ可能性があることを示しています^32,33,34.短期的なHRV対策の適用は、AVGセッション中に心血管機能を評価する適切な手段である。HRVが心電図のR-R間隔から導き出されたことを考えると、選択した時間領域および周波数領域測定を用いた。HRVの時間領域測定は、連続するハートビート間の時間を表すインタービート間隔における変動性の量を定量化する。AVNN(平均NN間隔)、RMSSD(連続差のルート平均二乗)、SDNN(NN間隔の標準偏差)、NN50(NN間隔の数>50ミリ秒)、PNN50(NN間隔のパーセンテージ)を用いた。周波数領域測定は、絶対電力または相対電力の4つの周波数帯域への分布を推定し、LF/HF比と共に低周波(LF)電力と高周波(HF)電力の2つのバンドに特に取り組んだ。HRはよく受け入れられている臨床尺度であるが、HRVは自律神経システム機能、回復、適応に関する情報を提供し、AVG^{セッション28}の間に有酸素ワークロードの推定を提供するので有用であるかもしれない。

本研究の目的は、身体活動とフィットネスを促進するためにAVG戦略を使用する可能性を検討することにあった。第二の目的は、AVGデータ収集プロトコルとHRモニタを介して得られたECGデータからHRVを計算する方法論を提示することであった。これらの措置およびこのプロトコルは、PT介入セッションを監視し、投与する臨床医に関連があることを証明するかもしれない。

機関審査委員会の承認を得た。すべての青少年は書面による同意を与え、両親は参加前に同意を与えました。

1. AVGデータ収集セッション

1. AVG ゲーム セッション
   1. 本研究では、CPを持つ青少年が3つの20分ゲームで構成されるAVGセッションに参加し、参加させる。青少年の人口統計については、表 5を参照してください。合計30試合が行われる予定でした。しかし、1人の被験者がAVGセッションで2試合しかプレイしなかったため、29試合が終了しました。
   2. 被験者にセッション全体を通してHRモニターを装着し、HRと心電図の応答を記録しさせる。
   3. AVGセッションでは、若者が床に平らな足でベンチに座っている間、各AVGを再生し、膝と腰は姿勢のサポートと安定性のために90度(90/90座っている)に屈曲しました。
   4. コレクションオブジェクトには、次の 3 つのゲーム条件を使用します: 1) ハンド アイコンのみ。2)足のアイコンのみ。そして3)両方の手と足のアイコン。被験者間の相対バランスの順序を使用します。これらの3つの条件を選択して、身体活動とフィットネスを促進し、早期の過度の疲労を引き起こすのにあまりにも要求しないどちらが効果的であるかを判断します。
      注:各ゲームは、運動処方の段階を使用して設計されました:ウォームアップ、コンディショニング、クールダウン。[表1参照]さらに、ゲームプレイがベースラインHRを文書化し始める前に休息フェーズがあり、ゲームプレイ後の回復フェーズは、ベースラインHRに戻る時間を文書化するためにありました。
   5. HR がベースライン レベルに戻る場合は、ゲーム間の休息期間をサブジェクトに許可します。
2. 心電図データからの HRV の計算
   1. データを 5 分の時間間隔に整理して、各フェーズの同等のデータを確保します。したがって、これらの計算に対して定義された 6 つのフェーズがありました: 1) 残り;2)ウォームアップ;3)コンディショニング1(最初の5分)。4)コンディショニング2(2秒5分)。5)クールダウン(5分)と6)回復。コンディショニングフェーズを2つの5分のフェーズに分割することで、被験者の有酸素性能を短い間隔で検査し、デコンディショ^ニング12による疲労を考慮することができます(表4)。
   2. 被験者のセッションの各セグメントの HRV メジャーを適切に計算するには、生の ECG 信号^12,13で R ピーク検出を実行します。生のシグナルを使用して、データを歪める可能性のある操作を避けてください。
   3. データを処理するには、各記録セッションの開始時刻を取得し、「日時」変数(MM/DD/YYYY HH:MM:SS)から変換します。SS)から秒まで。2 日間にわたりセッションはいずれも発生しなかったため、MM/DD/YYYY 部分はこれらの計算中に無視されていました。心電図(ECG)ファイル内の各ゲームセッションを見つけるためにタイミングテーブルから関心のあるゲームの開始時刻を取得します。この時間は、タイミング ファイルから抽出された後、秒に変換されました。タイミング ファイルには、ゲームの各フェーズの開始時刻と回復期間の終了が含まれていました (表2)。
   4. 残りの期間は、ゲーム開始の 5 分前、回復フェーズは、クールダウン フェーズの終了後 5 分として計算します。これらの時間が得られたら、次の式を通してECGファイル内の関心のあるゲームフェーズの位置(S)を取得します。
      (1)
      フェーズは、残り、ウォームアップ、コンディショニング 1、コンディショニング 2、クールダウン、または回復のいずれかに設定されます。時間をECGサンプルレートを考慮して1/周波数で割った。HRモニタのサンプリングレートは250Hzで、4ミリ秒ごとに測定が含まれていました。
      1. この数を変更するには、Peak_Detection.mプログラムからの最初のプロンプトでサンプリングレートを変更して、代替記録デバイスの使用を考慮します。ピーク検出プログラムの実行中に使用する 5 分セグメントを選択します。これは、ユーザーへのプロンプトを介して行われました。終了時間は開始時刻の5分後に設定し、記録装置の周波数を考慮に入れます。
   5. 5分のセクションを選択したら、波形の平均と標準偏差に基づいてピーク検出のしきい値を計算します。
      1. しきい値を設定しますが、データが均一である場合は、対応する R ピークよりも高い T ピークからの誤検知検出を減らすためにプログラムで増やすことができます。これらの偽陽性の例は、図 1で見ることができます。
      2. R ピークの最小高さに加えて、ピーク間の最小距離を割り当てて、目的の R の周りの不適切なピークの検出を最小限に抑えるために、この値をピーク間の 0.3 s または 200 ビート/分 (bpm) に対応した 75 に設定します (この値は、周波数)。200 bpmの値は、この研究の被験者によって達成された任意のHRよりも高く、研究されている人口に基づいて変更することができます。
   6. しきい値が計算されたら、プログラムを波形を通して実行し、RR 間隔と HRV 計算のすべての R を識別しようとします。ユーザーが図 1や図 2に示すような不規則性を確認できるように、予備プロットを生成します。
      1. 列 1 のピークのマイクロボルト (μV) 読み取り値と、現在のゲーム セッションの位置 (s/0.004) を含む検出変数を 2 番目の列で手動で修正します。ほとんどの場合、図 1に見られるように問題の場所を拡大すると、適切な R ピークが簡単に見つかります。多くのデータ セッションは図 3に示すようにかなり均一であるため、少数の修正のみが必要です。しかし、いくつかのケースはかなり乱雑であり、適切なRの場所を確認し、取得するためにより多くの時間を必要とします。
      2. 波形の変動によってピークを正しく見つけるのが過度に困難な場合は、HRV 計算¹²で使用されていない異所性ビートに対する小さなセグメント ~1-2 s および属性を無視します。
   7. R が見つかったら、HRV_メジャープログラムを実行します。RR 間隔は、このスタディ¹²で使用される HRV メジャーの基礎となって、最初に計算します。
      1. 間隔の行列を取得し、前述の異所性ビートが計算から削除されたため、1.5 秒 (40 bpm) を超える間隔を無視します。データのさらなる計算と検証のために、これらの RR 間隔を保存します。次の式を使用して、連続差のルート平均平方 (RMSSD) を計算するには、次の間隔を使用します。
         RMSSD = (2)
         N = RR 間隔 (R-R)_i = 隣接する QRS ピーク間の間隔 (R-R)_i+1 = 後続のピークセット間の間隔
   8. この変数は、長さ13、14、15、16、17の1分から24時間の間隔で有効であることが示されているので、これらの5分を評価するために使用することができますので、この変数を選択してください。ゲームフェーズの間隔。RMSSD と共に、NN 間隔の標準偏差を取得して、フェーズ^14、16、18を通じて HR の変化を測定します。
   9. RR間隔を使用して NN50 を計算し、前の間隔と異なる間隔の数を 50 ミリ秒¹²を超え、1 分から 24 時間^16、17、19までの間隔で使用されています。 ^20、21.
      1. 連続するRR間隔長の差が50ミリ秒を超えたかどうかをチェックした単純なカウント関数を使用してNN50変数を計算し、この方法でNN50を取得した後、pNN50を計算する間隔の総数で除算します。50ミリ秒以上異なる間隔のパーセンテージこの計算では、測定されたデータは、単位なし変数13、14、^16歳,17.
   10. 各フェーズおよび被験者の平均 RR 間隔長を別々の HRV メジャー^{16、17、19、22}、^23、24として計算します。このメジャーを使用して、平均 RR 間隔を 60 秒で割って平均 HR を計算します。これらの措置の両方は、被験者の活動の傾向を観察するために、ゲームセッション全体で簡単に比較可能です^16,17,19,22,^{23, 24}.
   11. これらのメジャーを計算したら、Fast-Fourier変換13、14からPSDを得ることにより、5分間隔の生ECGとRR間隔マトリックスの両方の低周波および高周波電力スペクトル密度(PSD)を計算します。^{,17歳,19歳,25.}これらのデータはすべてテーブルに格納され、その例を表 4に示します。

2. 患者からECGデータを取得する

1. 被験者への適用のためのHRモニターのチェストストラップとBluetoothモジュールを準備します。
   1. Bluetooth モジュールが充電クレードルを使用して完全に充電されていることを確認します(3 時間)。
   2. 充電クレードルを介してデータコンピュータにモジュールを接続し、設定ツールを開きます。ロギング用の名前を入力します。
   3. HR デバイスを選択し、[時刻]タブをクリックし、[日付/時刻の設定] を選択して、モジュールを正しい日時に同期します。これで、デバイスを充電クレードルから取り外すことができます。
   4. HRモニターチェストストラップの導電性領域(ベージュ)を水に入れ、導電性領域をこすり落とします。
   5. HRモニターBluetoothモジュールをチェストストラップに入れ、モジュールの導電性表面をチェストストラップの表面と並べて、所定の位置にクリックします。
   6. ライトが点滅するまで、モジュールのボタンを長押しします。モジュールがオンになり、記録されます。
   7. HRモニターチェストストラップ(Bluetoothモジュール付き)を、左中間軸線と胸筋のすぐ下のストラップに合わせたモジュールをプレイヤーに適用します。適切に配置したら、セッション中に動かないようにデバイスを締めますが、プレイヤーにとって不快ではありません。
2. 信号を取得し、ライブフィードを表示します。
   1. データの表示に使用するコンピュータの USB ポートにコネクタを接続します。
   2. ライブビュープログラムを開き、レンチとドライバーのアイコンをクリックしてセットアップモードに入ります。
   3. 必要に応じてリストからプレーヤーを選択するか、画面の左下隅にある[新規]ボタンを使用して新しい件名を追加します。
   4. 識別目的(氏名、年齢、性別、身長、体重)に必要に応じて件名情報を入力します。
   5. [ハードウェア]タブをクリックし、現在の件名を選択します。
   6. タブの下部にある [割り当て]をクリックし、現在のデバイスを選択します (他のデバイスが存在しない場合は 01 として表示されます)。次に、ポップアップ ボックスで [割り当て] をクリックします。
   7. [チーム]タブをクリックし、件名をハイライト表示し、右矢印ボタンをクリックしてプレイヤーをチーム Aに配置します。
   8. [配置]タブをクリックし、新しく作成したチームを最初のタブに移動します。
   9. 左上隅にある青いWi-Fi記号をクリックして、ライブ モードタブを開きます。
   10. [ライブモード]タブを使用して、被写体の人事、呼吸数、姿勢をリアルタイムで監視します。
       注:信号強度、バッテリ電力、およびメジャーの信頼度も表示できます。
   11. 各セッションの開始と終了、および処理のフェーズの正確なタイミング(MM/DD/YYYY HH:MM:SS)を記録します。
3. HRモニターから心電図データをダウンロードします。
   1. セッション終了時にプレーヤーからストラップを取り外し、チェストストラップからBluetoothモジュールを取り外します。
   2. モジュールを充電クレードルに入れ、ソフトウェアプログラムがインストールされたコンピュータに差し込みます。
   3. ログを開きます。
   4. ドロップダウン メニューからデバイスを選択します。デバイス上のすべてのセッションは、日付と時刻で表示されます。
   5. [既定の保存場所を使用] というチェック ボックスをオフにし、新しい保存場所を選択します。
   6. [保存]をクリックします。進行状況バーが表示されます。セッションの長さによっては、保存に最大 1 時間かかる場合があります。
   7. 保存後は、日付の名前を変更します。

3. 心拍変動測定のデータ分析と計算

1. 処理用のファイルを準備します。
   1. ECG ファイルに 'KOLLECT_Subject#_AVG4' という名前を付けます (KOLLECT_01_AVG4.csv'など)。
   2. コンマ区切り変数 (.csv) 形式でタイミング テーブルを生成し、データ処理中にタイミング データを描画します。正しい形式の例については、表 1を参照してください。
   3. .csv ファイルから日付時刻データをインポートし、新しく作成した変数の名前を右クリックして'Timing.mat'に変更します。
2. 予備的なRピーク検出。
   1. ピーク_検出を開いて実行します。m.
   2. プログラムによってプロンプトが表示されたときに、ECG 記録装置の周波数を入力します。
   3. プロンプトが表示されたときに分析するデータのプレイヤー番号を入力します。
      注:一部のプレイヤーはアクティブなビデオゲーム4(AVG4)を完了しなかったため、このスタディには1~10人のプレイヤーのみが使用されます。その他の番号はエラー メッセージを表示します。
   4. プロンプトが表示されたときに、分析するゲームの数 (1、2、または 3) を入力します。
   5. 分析するフェーズ(残り、ウォームアップ(WU)、コンディショニング(Con)、レスト、またはリカバリ)を入力します。
      1. 必要に応じてオフセットを分単位で入力するか、オフセットなしの場合は0と入力します。
   6. 拡大ツールを選択し、出力されるプロットの領域を選択して、幅約 2,000 (s/0.004) のウィンドウと、図 3に示すように波形全体を表示する高さを作成します。ウィンドウが視覚的に簡単に検査されない場合は、拡大または縮小します。
   7. グラフを目視で調べて、検出されたピークに正しいラベルが付いているかどうかを確認します。不規則なECGデータによって引き起こされる誤って検出され、ピークを見逃した例については、図1を参照してください(図2)。
3. ピーク補正
   1. 検出変数を見つけてワークスペースでダブルクリックすることで、誤って検出または欠落しているピークを修正します。
   2. ECG波形のプロット上のデータカーソルツールを使用して、正しくないピークのx座標とy座標を取得します。X(時間*周波数)はDetect.matの最初の列で、Y(電圧)は2番目の列です(図3)。
      1. 表示されるテキスト ボックスを右クリックし、[カーソル更新機能の選択] をクリックします。
      2. この分析に使用するファイルを含むフォルダからTooltipUpdate.mを選択します。これにより、ツールチップはより正確な値を表示できます。
   3. ポイントが誤検知の場合は、Detect.mat 変数の行をクリックし、コントロールとマイナスキーを押して配列から削除します。偽陽性検出の例を図 3に示します。
   4. 図 1で R としてマークされた 2 つの T ピークに示すように、マークされていないピークに隣接するマークが正しくありません。
   5. データカーソルツールで見逃したピークの値を取得できます。
   6. 検出に行を追加します。コントロールを使用してマットと低電圧レベルのために欠落したピークのためのプラスキー。
   7. 計算処理中に負の値を避けるために数値を数値に入力します (つまり、10908 と 11167 のピークの間に 11000 に位置するピークを追加します)(図5)。
   8. 入力時に数値が切り取られるとき、完全なセッションを続行する前に値が正しく入力されていることを確認してください。
   9. すべてのピークがチェックまたは修正されるまで、手順 2.3 を繰り返します。
      注: 一部のファイルは波形振幅の変動が限られており、図 4に示すように確認が速く、他のファイルはより可変であり、目視検査中にピークを正確に見つけるためにより近いズームが必要な場合があります。
4. HRV メジャー計算を取得します。
   1. 後で参照するためにPeak_Detection.mから生成された元のプロットを保存します。
   2. HRV_Measures.m を実行して、正しいラベルのプロットを生成します。修正されたデータのサンプルを図6に示します。
      1. 挿入を使用してプロットタイトルを変更|プロット ウィンドウ上のタイトルを目的のタイトルに変更します。
      2. 出力のウィンドウをチェックすると、プログラムは、データが存在する場合、データが誤って入力された場所をユーザーに通知します。
   3. 間隔という変数を保存します。
   4. ワークスペースウィンドウから HRV という名前の変数を開き、平均 RR (ms)、平均 HR (bpm)、RMSSD (ms)、SDNN (ms)、NN50 (カウント)、pNN50 (%)、低周波 (LF)/高周波 (HF) (ECG)、LF/HF RR、低周波電力 RR、および高周波電力 (RR)を表示します。これらの変数の h 値を、表 4に示すようなテーブルに保存します。
   5. 分析が必要なその他のすべてのセグメント、セッション、およびサブジェクトについて、セクション 3.2 ~ 3.4 を繰り返します。

この方法は、新たに開発された方法が被験者の心拍変動(HRV)に及ぼす影響を分析する際に使用するデータを提供する。これは、図6に示すように、被験者の心電図データのQRS波形のR部分を特定し、そこから様々なHRV値を計算することによって行われます。HR モニタがサブジェクトと適切に接触している場合、データは均一になり、修正の必要性が大幅に減少します (図 4参照)。

しきい値は、図 1および図 2に示すように、乱雑で不規則なデータを処理するように設定する必要があります。HR モニターのスキン接触の一時的な変化によってデータが十分に変動している場合、最初の分析では、図 3 に示すようにピークに誤ってラベルが付けられる可能性があります。このエラーは、プロトコルのセクション 3 で説明されているように、値を手動で修正するか、追加のデータ ポイントを入力することで修正できます。しきい値レベルとピーク間の最小時間を変更すると、検出値をクリーンアップし、図 6 から図 6のような調整済みプロットを作成するのにも役立ちます。

データが取得され、不一致について分析されると、統計分析の HRV 値を計算するために使用できます。ECGデータの分析は、評価目的でセッション中に行われた観察を定量化するために使用することができます。

図 1.「乱雑な」データを表すウォームアップセッション中の被験者1ゲーム3の時間(x軸)間の連続HR(y軸)の代表的なグラフ。乱雑なデータ:このセクションでは、Rピークは波形のT部分よりも小さいです。これにより、ピーク検出に関する問題が発生する可能性があります。

図 2.いくつかの心電図(ECG)不規則な波形パターンの例。不規則な波形パターン:動きによる被写体との接触の変化は、波形の均一性を低下させる電圧変動を引き起こす可能性があります。この図のより大きなバージョンを表示するには、ここをクリックしてください。

図 3.ピークHRが誤ってラベル付けされたピークピークを持つ心電図(ECG)出力の例。図の上部付近では、電圧のスパイクにより、波形の一部がRパターンに一致すると検出されます。また、(9924,2074) で強調表示されているような近接性があるため、近くの R パターンが無視される可能性もあります。

図 4.時間(x軸のx軸)クリーンな心電図(ECG)波形を横切るμvの連続HR(Y軸)の代表的なグラフ。クリーン波形:比較的均等な波形と電圧レベルを持つ均一なECGデータのセクションの例。

図 5.洗浄前の生心電図(ECG)の時間(x軸)を横切るμvの連続HR(Y軸)の代表的なグラフ。クリーニング前のデータ:条件付け段階で被験者01ゲーム3からのECGデータの30秒セグメントが示されている。一部のピークが見逃され、高電圧変動のために誤ってラベルが付いているものがあります。この図のより大きなバージョンを表示するには、ここをクリックしてください。

図 6.clearning後の生心電図(ECG)の時間(x軸)を横切るμvにおける連続HR(Y軸)の代表的なグラフ。データポストクリーニング:プロトコルのセクション3に記載されているように適切にラベル付けされた後、被験者01ゲーム3から同じ30秒のECGデータ。この図のより大きなバージョンを表示するには、ここをクリックしてください。

表 1.アクティブなビデオゲーム(AVG)ゲームフェーズ。キー: 目標心拍数 (THR);NA (該当しません)。

表 2.タイミングファイルキー:AVG = アクティブビデオゲーム

表 3.被験者の心拍変動性(HRV)データ 03 ゲーム 01

表 4.各ゲームの運動の様々な段階のための心拍変動対策の説明統計 はこちらをクリックして、この表をダウンロードしてください。

表 5.患者の人口統計

CPを有する10人の青少年(平均+SD)[年齢(yrs)=15.53±3.57;身長(cm)154.8±12.6;重量(kg)50.69±11.1;ボディマス指数(BMI)50.46±29.2;mHR 9 bpm)=186.8.8)。患者の人口統計については、表5を参照してください。

人事モニターの使用に関する考慮事項と、修正およびトラブルシューティングに関連する HR および HRV の関連する対策があります。データを取得するために使用される技術にかかわらず、明らかな2つの問題は、1)モーションアーティファクトと2)異所性ビートです。モーションアーティファクトと異所性ビートから生じる問題は、通常、RR間隔12、13、18、22の取得後の後処理活動を通じて対処されます。^,26.後処理操作のトラブルシューティングには、呼吸中頭症を強調する HR の時間的変動を考慮する必要があるだけでなく、正規化された HRV 値の計算を考慮して、間で差別化を行う必要があります。HRV^13,27,29の生理学的および数学的に媒介された変化 .

HRV測定の限界は、最初にスペクトル分析技術(すなわち、周波数領域測定)13、27、29の適用で同定された。HR 27の日々の変動に関連する呼吸中のアリスミア、心血管ドリフト、水分補給状態、環境要因(温度、熱、寒さ、高度など)を含む生理学的考慮事項があります。 ^、29.数学的考慮事項には、時間領域測定(例えば、SDNN、r-MSSD、pNN-50指数)と、非線形動的解析手法13、27、29の最近の包含が含まれる。様々なHRV対策を正しく解釈するには、身体が安静またはストレス状態にあるかどうかを考慮する必要があります。通常、身体が休むと副交感神経の影響が予想され、応答のばらつきが大きくなり、ストレスの間に、我々は変動性を減少させ、より低いHRV測定を持つ交感神経の影響を期待しながら、より高いHRVをもたらす。HRV測定の限界は、LF/HF比に関連する精度自律性バランス仮説に影響を与える可能性があります。この仮説は、交感神経系と副交感神経系がSAノードの発火を調節するために競争していると仮定する。著者らは、LF/HR比は、情報を取得し、LFとHFの値を見直す文脈に留意しながら、慎重に解釈する必要があると指摘している。HR測定とHRVの短期的なエピソードにおけるAVGゲームへのLF/HF比の適用に関しては、LF/HF比が高い場合は、努力を必要とする課題に対応し、交感神経を増大させる可能性のある高い交感神経活性を示している可能性があります。神経系活性化³⁵.

CPを用いて若者の有酸素性能と能力を決定するために最適な手段を使用して、適切な介入剤量と有効性^を調べることが重要です 6^,11.ほとんどの場合、ケアの臨床基準は、介入剤(強度)6、11を決定するためにHRを測定することを含む。しかし、HRメジャーに固有の変動は、有酸素トレーニング12、13、22、27における実際の作業を決定することが困難です。したがって、HRモニタからECGデータからHRVを計算するこの方法論は、介入結果27、28を評価するためのより正確な尺度を提供する。また、HRV対策は、AVG運動中の自律神経系応答、適応および回復に関する新しい情報を提供する^{12,13,29,34,35}.我々は、短い耐久性運動中のHRV対策の適用は、^短期間32のKerppersおよび同僚の仕事に基づく生理学的システムの改善に関する情報を提供するかもしれないと考えている。

ここでは、エクササイズパフォーマンス中の人事監視およびHRV対策の既存のアプリケーションに対して行った重要なアプリケーションを示します。この方法論はユーザーがCPと若者のゲームの物理的活動の間にECG波形からRR間隔およびHRVの測定を抽出することを可能にする。この方法は現在、特定のゲームのAVGセッションに向けて調整されていますが、将来の実験のために他のプロトコルやECGデバイスに容易に適応することができます。データが均一であり、ECG記録装置が被写体によく合っている場合、このプロトコルはユーザーからの最小限の入力で迅速なデータ処理を可能にします。ただし、信号振幅の分散が大きい不均一なデータの場合、プロトコルは、欠落したピークに正しくラベルを付け、データ セットから誤検知を除去するためにユーザー入力を必要とします。将来的には、この方法は、ピーク検出および補正のためのユーザ援助を減らすために、より堅牢な検出方法で改善される可能性があります(例えば、非線形動的解析技術29)。

プロトコルの実行を通じて、次の重要な手順を実行することが重要です。必要な処理とピーク補正時間を短縮するためには、データ収集セッション全体を通じて高いレベルの信号信頼度を確保することが重要です。これは、ECG記録装置が各セッションの前に被験者と適切に接触していることを確認することによって改善することができる。また、各セッションの前にレコーダーを再ウェートすることで行うことができるセッション中に導電性の接触を湿らせておくことも重要です。また、データを収集した後、後処理活動は、時間領域測定、周波数領域測定、非線形動的分析、および正規化されたHRV値の計算を使用して方法論的な考慮事項に対処する必要があります。HRV 12、13、29の生理学的に導出され、数学的に媒介された変化の間で.

将来の仕事のための考慮事項は、異なる強度と身体位置6、7、8^{の物理的に挑戦的な活動に関与する子供と大人のためのHRV測定の適用を含みます。9,10,17,23,26},^29,認知的に挑戦的なゲームと精神的なワークロード^{24,25, 26,27}, 仮想およびシミュレーションタイプの経験, オーバートレーニングの評価^23,31, 睡眠の質評価^13,26,27,31, 慢性疲労, 身体的疲労と戦闘準備³¹だけでなく、プロソーシャル行動に関する HR と脳の間の空虚な接続³⁰.

現時点では、著者(CLおよびPAS)は開示するものがない。オニール博士はenAbleGames,LLCの共同創設者であり、コレクトはこのウェブベースの会社が提供するゲームの一つです。enAbleGamesはゲーム開発段階にあり、現時点では上場企業ではありません(www.enAbleGames.com)。

著者らは、研究への参加に費やされた時間と労力に対して、参加者とその家族に感謝しています。また、著者らは、人事監視のタイミング計算とKOLLECTアクティブビデオゲームソフトウェアの開発のためのポール・ディーフェンバッハ博士の支援について、Yichuan Liu博士とハサン・アヤズ博士を認めています。この作品の資金は、コールター財団助成金#00006143(O'ニール;ディーフェンバッハ、ピ)と#00008819(O'ニール;ディーフェンバッハ、ピ)。