XiaoMi-AI文件搜索系统
World File Search SystemCPET
![B'Against心血管疾病和各种人群中的全因死亡率[4，6，7]。因此，由于人口寿命增加的相关性很大，CF的连续测量可以被视为生命体征，因此，这应该是公共卫生的优先事项[8]；但是，CF的定义和评估方式是矛盾的[9 \ XE2 \ x80 \ x93 11]。通常通过测量最大氧气吸收（_ vo 2 Max）来评估CF，作为在心肺运动测试（CPET）中获得的最大有氧力量指数[11 \ XE2 \ x80 \ x93 13]。 _ vo 2 max分别反映了肺，心血管和代谢系统分别捕获，运输和利用氧气的最大能力，这直接受CF的影响[13，14]。但是，CPET期间的_ VO 2最大测量需要受过训练的专业人员和昂贵的设备[15 \ XE2 \ X80 \ X93 17]，并且很少用作一般人群中的预防工具。因此，在CPET期间通过_ VO 2 Max评估的CF均未为所有人群提供，并且无法连续获得。因此，考虑到执行CPET的困难，但是考虑到评估心血管适应性的高临床价值，需要进行连续评估CF的新方法。这些方法在日常生活的无监督活动中，如果在实验室外部进行，则所有人口都可以更现实，毫不动摇，并且可以使用所有人口。](/simg/6\60221f81dd15cb179822a059b2fd30afcae0ffe8.webp)
B'Against心血管疾病和各种人群中的全因死亡率[4，6，7]。因此，由于人口寿命增加的相关性很大，CF的连续测量可以被视为生命体征，因此，这应该是公共卫生的优先事项[8]；但是，CF的定义和评估方式是矛盾的[9 \ XE2 \ x80 \ x93 11]。通常通过测量最大氧气吸收（_ vo 2 Max）来评估CF，作为在心肺运动测试（CPET）中获得的最大有氧力量指数[11 \ XE2 \ x80 \ x93 13]。 _ vo 2 max分别反映了肺，心血管和代谢系统分别捕获，运输和利用氧气的最大能力，这直接受CF的影响[13，14]。但是，CPET期间的_ VO 2最大测量需要受过训练的专业人员和昂贵的设备[15 \ XE2 \ X80 \ X93 17]，并且很少用作一般人群中的预防工具。因此，在CPET期间通过_ VO 2 Max评估的CF均未为所有人群提供，并且无法连续获得。因此，考虑到执行CPET的困难，但是考虑到评估心血管适应性的高临床价值，需要进行连续评估CF的新方法。这些方法在日常生活的无监督活动中，如果在实验室外部进行，则所有人口都可以更现实，毫不动摇，并且可以使用所有人口。
B'Against心血管疾病和各种人群中的全因死亡率[4，6，7]。因此，由于人口寿命增加的相关性，CF的连续测量可以被视为生命体征，因此，这应该是公共卫生的优先事项[8]；但是，CF的定义和评估方式是矛盾的[9 \ XE2 \ x80 \ x93 11]。CF，作为在心肺运动测试（CPET）期间获得的最大有氧功率指数[11 \ XE2 \ X80 \ X93 13]。_ vo 2 max分别反映了肺，心血管和代谢系统分别捕获，运输和利用氧气的最大容量，该系统直接受CF的影响[13，14]。但是，CPET期间的_ VO 2最大测量需要训练有素的专业人员和昂贵的设备[15 \ XE2 \ X80 \ X93 17]，并且很少用作一般人群中的预防工具。因此，在CPET期间由_ VO 2 MAX评估的CF均不能为所有人群提供，并且无法连续获得。因此，考虑到执行CPET的困难，但是鉴于评估心血管健身的高临床价值，需要进行连续评估CF的新方法。在无监督的日常生活活动（ADL）的活动期间，如果在实验室外部进行的所有人口（ADL）[18]，这些方法可能更现实，无障碍和可供所有人口访问。最近，在医学中使用了可解释的模型来更好地证明预测模型的决策[26]。可穿戴传感器和生命信号融合可能代表连续推断CF的独特可能性，从而允许将来使用该技术来预测NCD，尤其是心血管疾病[6，7]。此外，越来越多的研究结合了使用磨损和机器学习技术来监测NCD患者的使用，尤其是在心脏呼吸型领域[19，20]。实际上，来自可穿戴设备的纵向数据似乎包含足够的信息，可以预测来自Com-Plex机器学习算法的无监督ADL的健康志愿者[21 \ XE2 \ X80 \ X93 25]。然而，尽管可穿戴设备和机器学习之间存在着巨大的潜力，但仍然缺乏使用这些技术预测NCD患者的CF的证据，尤其是在糖尿病，慢性肺部疾病和心血管疾病中。此外，了解这些模型如何通过机器学习算法训练，可以将重要信号转换为_ VO 2 Max可能会提供有关志愿者之间CF差异的复杂机械见解。由于_ vo 2最大词语算法的复杂性，基于从可穿戴技术获得的功能[25]，纵向生命信号的解释能力被转换为_ vo 2 max的纵向范围非常低[26] [26]，因为对给定模型的解释性及其性能之间的预期折衷是可以预测的健康及其健康的折算[27]。在本文中，我们调查了Shapley来评估CF预测问题中特征的重要性。众所周知，可穿戴传感器对于可以与机器学习技术相关的连续生物数据采集很有用，例如随机森林回归，神经网络和支持向量回归机器可预测CF [21，25]。因此，理解这些模型还可能表明人类\ Xe2 \ x80 \ x9cblack box \ xe2 \ x80 \ x80 \ x9d生理系统如何与环境相互作用，近似这些复杂算法的解释能力，即我们在使用简单的方法中所体验的内容，例如在线性性回归模型中所体验的内容。Shapley添加说明（SHAP）是一种源自Cociational Game理论的宝贵方法，该方法可用于解释根据从生物学数据获得的监督机器学习方法构建的复杂模型[26，28]。其使用的主要动机依赖于（1）其成为模型不可知论的能力（即，与任何模型相关的解释方法，以提取有关预测过程的额外信息'
2020-mah-cardiomyopathy-carrier。 ...
背景：各种检测方法导致了有关Duchenne和Becker肌肉营养不良疾病（MDC）中心脏病患病率的冲突报告。方法：我们对77个遗传确认的MDC母亲，22个非携带者母亲和25个对照进行了前瞻性队列研究。所有参与者都接受了心肺运动测试（CPET）和心脏磁共振成像（CMR）。结果：25％的携带者在锻炼恢复（收回）中具有心室外缘，而不是1个非携带者，没有对照（p = .003）。年龄或最大氧气消耗没有差异。11载体具有CMR的持久性（B 55％）左心室射血分数。在48％的MDC，1名非携带者患者和无对照组受试者的48％中指出了Gadolinium增强晚期（LGE）的证据（P B .0001）。LGE+和LGE-主题的子集分析显示了年龄的差异（44.1 V 38.6年。; p = .005），（38.9％V 10.5％，p = .004）和高血清肌酸激酶（CK）（n 289 u/l; 52.8％v 31.6％，p = .065）。结论：我们在遗传证实的MDC中使用CPET和CMR描述了疾病的患病率。49％的汽车人有纤维化，占5％的非携带者，强调了基因检测在该人群中的重要性。尽管心肌病，跑步机的功能评估是正常的，这说明了心脏和骨骼肌撞击的差异。年龄，回收和血清CK似乎在预测心理 - 局势方面具有重要作用。血清CK水平表明，全球疾病的严重程度更高而不是组织异质性可能是该人群中心脏病和相对幸免的骨骼肌疾病的病因。临床试验登记https://clinicaltrials.gov/ct2/show/nct02972580?term=mendell＆cond = duchenne+肌肉+肌营养不良= 5; Clinicaltrials.gov识别器：NCT02972580©2020 Elsevier B.V.保留所有权利。
通过心率时间序列的递归量化分析自动检测有氧阈值
摘要：在强度不断增加的运动过程中，人体会根据实际需求通过不同的机制转换能量。人体的能量利用可分为三个阶段，每个阶段的特点是不同的代谢过程，并由两个阈值点分隔，即有氧阈值 (AerT) 和无氧阈值 (AnT)。这些阈值在确定的运动强度 (工作量) 值时发生，并且会因人而异。它们被视为运动能力的指标，可用于个性化体育活动计划。它们通常通过通气或代谢变量检测，需要昂贵的设备和侵入性测量。最近，人们特别关注 AerT，这是一个特别适用于超重和肥胖人群的参数，可用于确定减肥和增强体质的最佳运动强度。本研究旨在提出一种新程序，使用复发分析 (RQA) 自动识别 AerT，该程序仅依赖心率时间序列，该时间序列是从一群年轻运动员在自行车功率计上进行亚最大增量运动测试 (心肺运动测试, CPET) 期间获得的。我们发现，确定性最小值（根据时期复发量化 (RQE) 方法计算出的 RQA 特征）可识别发生一般代谢转变的时间点。在这些转变中，基于确定性最小值的最大凸度的标准可以检测到第一个代谢阈值。普通最小积回归分析表明，RQA 估计的与 AerT 相对应的耗氧量 VO 2 、心率 (HR) 和工作量的值与 CPET 估计的值高度相关 (r > 0.64)。 HR 和 VO2 的平均百分比差异均小于 2%，工作负荷的平均百分比差异小于 11%。AerT 时 HR 的技术误差小于 8%；AerT 时所有变量的组内相关系数值均适中（≥ 0.66）。因此，该系统是一种仅依靠心率时间序列检测 AerT 的有用方法，一旦针对不同活动进行了验证，将来就可以轻松应用于从便携式心率监测器获取数据的应用中。
确定利用甲醇燃烧技术的间接量热仪的准确性和可靠性
摘要背景：市面上有几种间接量热法 (IC) 仪器，但缺乏比较有效性和可靠性数据。现有数据受到协议、受试者特征或单仪器验证比较不一致的限制。本研究的目的是使用甲醇燃烧作为跨实验室标准来比较代谢车的准确性和可靠性。方法：在 12 个代谢车上完成了八次 20 分钟的甲醇燃烧试验。计算了呼吸交换率 (RER) 和 O 2 和 CO 2 恢复百分比。结果：为了准确度，1 Omnical、Cosmed Quark CPET（Cosmed）和两个 Parvos（Parvo Medics trueOne 2400）测量的所有 3 个变量在真实值的 2% 以内； DeltaTracs 和 Vmax Encore System (Vmax) 在测量 1 个或 2 个变量（但不是全部变量）时都表现出相似的准确性。对于可靠性，8 种仪器被证明是可靠的，其中 2 种 Omnicals 排名最高（变异系数 [CV] < 1.26%）。Cosmeds、Parvos、DeltaTracs、1 Jaeger Oxycon Pro (Oxycon)、Max-II Metabolic Systems (Max-II) 和 Vmax 至少对 1 个变量可靠 (CV ࣘ 3%)。对于多元回归，湿度和甲醇燃烧量是 RER 的显著预测因子（R 2 = 0.33，P < .001）。温度和甲醇燃烧量是 O 2 恢复的显著预测因子（R 2 = 0.18，P < .001）；只有湿度是 CO 2 回收率的预测因素（R 2 = 0.15，P < .001）。结论：Omnical、Parvo、Cosmed 和 DeltaTrac 具有更高的准确性和可靠性。测试的仪器数量较少，并且气体校准变异性预计存在差异，限制了结论的普遍性。最后，可以在实验室中修改湿度和温度以优化 IC 条件。（Nutr Clin Pract.2018；33：206–216）
基于机器学习的预测，在使用IMU，心率和智能手表数据的户外娱乐过程中，基于机器学习的预测
背景：跑步提供了许多健康益处，但不幸的是，与跑步相关伤害的高风险（RRI），尤其是由于过度使用而导致的。疲劳监测方法，例如心肺运动测试（CPET）和乳酸浓度测量，对现实世界跑步条件是有效的，但不切实际。可穿戴传感器与新型机器学习（ML）算法相结合，为在现实的室外设置中进行连续实时的实时疲劳监测提供了有希望的替代方案。方法：十九个休闲跑者参加了这项研究 - 在第一实验部分中的第一和五。他们完成了三个不同的室外跑步课程：耐力，间隔和5公里的跑步。参与者配备了七个惯性测量单元（IMU），上面放置在胫骨，大腿，骨盆，胸骨和手腕上，以及心率监测器和智能手表，以收集运动学和生理数据。在第二个实验部分期间，在每次运行期间在特定点上使用感知的劳累（RPE）量表（0到10）的BORG等级测量疲劳，而在第一个实验部分中未收集此类反馈。一种随机的森林回归算法对第二个实验部分的已加工标记数据进行了训练，以每隔1秒的时间预测RPE。该模型是使用嵌套的一项受试者（LOSO）交叉验证框架开发的，并通过随机搜索进行了超参数调整。此机器学习框架被应用于选定的IMU传感器组合，以优化实用性并减少传感器设置。从第一个实验部分，在未标记的数据集上进一步验证了这些传感器配置的最佳模型。结果：单传感器配置（手腕）在RPE预测中达到了最佳性能，平均均方根误差（MSE）为1.89。两传感器设置（大腿）的MSE为2.26，而三个以上的传感器设置（胫骨，大腿和骨盆）记录了2.44的最高MSE。MSE为2.16的整体配置并没有胜过腕部传感器。在所有传感器配置中，耐力试验中的性能最高，然后进行间隔和5 km试验，5公里的试验显示了准确的预测最低的预测。结论：手腕单传感器配置达到了最佳性能，表现优于更复杂的多传感器设置。这些发现表明，更多的传感器不一定提高预测准确性，尤其是在稳定节奏的耐力运行中。未来的研究应着重于扩大样本量，整合更多的生物识别数据，并针对金标准疲劳评估方法（例如肌电图（EMG）和VO2 Max）验证该系统。