XiaoMi-AI文件搜索系统
World File Search SystemHRV
评估Garmin的压力水平评分相对于心率...
1个神经生物学，生物化学与生物物理学，特拉维夫大学生命科学学院，特拉维夫69978，以色列2 Sagol School of Neuroscience，特拉维夫大学，P.O。框39040，特拉维夫6997801，以色列3部，护理，社会福利与健康科学学院，以色列海法大学，海法大学 *通信：hadarro1@gmail.com;抽象的每日压力源会引起影响健康，认知和行为的生理和心理反应。 尽管进行了广泛的研究，尽管腕上磨损的设备有可能通过远程数据收集来解决这一差距，尽管进行了广泛的研究，但在自然环境中的应力反应仍然具有挑战性。 Garmin Fitness Tracker提供的压力得分很大程度上基于HRV，必须在研究中使用之前对其进行验证。 这项研究旨在评估Garmin Vivosmart 4对HR和HRV的应力得分，这些HR和HRV来自Polar H10胸带得出的ECG记录。 进行了29名参与者的试点研究，然后进行了功率计算和主要研究的预注册，其中包括60名参与者。 在实验室会议上，同时从两个设备中收集了数据，并进行了精神压力诱导的任务。 Garmin的应力得分，平均HR，SD2/SD1和HF功率在压力和休息条件之间表现出显着差异。 此外，Garmin的压力得分与HR，RMSSD和SD2/SD1显着相关。 我们的发现表明，对精神压力的生理反应受到性和补品HRV的影响。，护理，社会福利与健康科学学院，以色列海法大学，海法大学 *通信：hadarro1@gmail.com;抽象的每日压力源会引起影响健康，认知和行为的生理和心理反应。尽管进行了广泛的研究，尽管腕上磨损的设备有可能通过远程数据收集来解决这一差距，尽管进行了广泛的研究，但在自然环境中的应力反应仍然具有挑战性。 Garmin Fitness Tracker提供的压力得分很大程度上基于HRV，必须在研究中使用之前对其进行验证。 这项研究旨在评估Garmin Vivosmart 4对HR和HRV的应力得分，这些HR和HRV来自Polar H10胸带得出的ECG记录。 进行了29名参与者的试点研究，然后进行了功率计算和主要研究的预注册，其中包括60名参与者。 在实验室会议上，同时从两个设备中收集了数据，并进行了精神压力诱导的任务。 Garmin的应力得分，平均HR，SD2/SD1和HF功率在压力和休息条件之间表现出显着差异。 此外，Garmin的压力得分与HR，RMSSD和SD2/SD1显着相关。 我们的发现表明，对精神压力的生理反应受到性和补品HRV的影响。尽管进行了广泛的研究，但在自然环境中的应力反应仍然具有挑战性。Garmin Fitness Tracker提供的压力得分很大程度上基于HRV，必须在研究中使用之前对其进行验证。这项研究旨在评估Garmin Vivosmart 4对HR和HRV的应力得分，这些HR和HRV来自Polar H10胸带得出的ECG记录。进行了29名参与者的试点研究，然后进行了功率计算和主要研究的预注册，其中包括60名参与者。在实验室会议上，同时从两个设备中收集了数据，并进行了精神压力诱导的任务。Garmin的应力得分，平均HR，SD2/SD1和HF功率在压力和休息条件之间表现出显着差异。此外，Garmin的压力得分与HR，RMSSD和SD2/SD1显着相关。我们的发现表明，对精神压力的生理反应受到性和补品HRV的影响。研究表明，GSS表明了精神压力，其可及性和无创性有望在各种研究领域中广泛使用。
文章 可穿戴设备、智能手机和可解释人工智能在抗击 COVID-19 中的应用
摘要：心率变异性 (HRV) 和每分钟心跳次数 (BPM) 等生理指标可以作为呼吸道感染的有力健康指标。HRV 和 BPM 可以通过广泛使用的腕戴式生物识别可穿戴设备和智能手机获取。这些指标的连续异常变化可能是 COVID-19 等呼吸道感染的早期迹象。因此，可穿戴设备和智能手机应通过其他上下文数据和人工智能 (AI) 技术支持的早期检测在抗击 COVID-19 中发挥重要作用。在本文中，我们研究了从可穿戴设备和智能手机收集的心脏测量值（即 HRV 和 BPM）在展示 COVID-19 炎症反应早期发作中的作用。AI 框架由两个模块组成：一个可解释的预测模型，用于对 HRV 测量状态进行分类（正常或受炎症影响），以及一个循环神经网络 (RNN)，用于分析用户的日常状态（即移动应用程序中的文本日志）。两种分类决策都整合在一起，以生成最终决策，即“可能感染 COVID-19”或“没有明显的感染迹象”。我们使用了一个公开可用的数据集，其中包括 186 名患者，拥有超过 3200 个 HRV 读数和大量用户文本日志。该方法的首次评估显示，在使用局部可解释的模型不可知解释 (LIME) 的模型解释支持下，在症状出现前两天预测感染的准确率为 83.34 ± 1.68%，准确率、召回率和 F1 分数分别为 0.91、0.88、0.89。
进入疲倦的大脑的窗户-Rohith Karthikeyan
目的：我们检查了疲劳的视觉空间工作记忆任务期间神经活动的时空动力学及其在心率及其可变性（HR/HRV）的相关性。背景：fatigue的神经和生理驱动因素是复杂的，耦合的，知识不足。涉及结合了神经指数的实现和生理措施的准备状态可以促进操作环境中疲劳状态的测量。方法：通过性别平衡的16个健康成年人，完成了60分钟疲劳的视觉空间工作记忆任务。分析了任务绩效，努力和疲劳，脑血液动力学和HR/HRV的主观措施的变化。大脑激活，相关大脑网络中的功能和有效连接与HR/HRV的光谱和时间特征进行了对比。结果：任务绩效引起了负责维持工作记忆能力的地区的神经行动的增加。随着时间上的效果的发作，可以看到资源UTIZATION增加了与任务相关的网络的增加。随着时间的流逝，前额叶皮层中的功能连接被认为会削弱，并且随着已知的驱动工作记忆的关键区域之间的因果关系发生了变化。HR/ HRV指数被认为在额叶前皮层中紧随活动。结论：这项研究为在任务效果下的工作记忆的神经生理基础提供了一个窗口。应用程序：这里的发现可以告知认知疲劳的通道索引的开发。hr/hrv在很大程度上显示出反映负责工作记忆的皮质网络的变化，因此支持在生态有效的条件下不引人注目的状态接收的可能性。
使用机器学习算法检测心血管自主神经病
抽象的心血管自主神经病（CAN）是一种无症状的糖尿病并发症（DM）的并发症。与1型糖尿病（T1 DM）相比，它在2型糖尿病（T2 DM）中更为普遍。可能会损害交感神经和副交感神经和血管神经纤维，从而导致心率变异性（HRV）和血管动力学降低。HRV中的抑郁症是罐头的指标。心血管反射测试（EWING测试）目前被用作可以检测的诊断工具，但是这些测试无法检测到亚临床可以并且需要患者合作。因此，我们建议在5分钟内评估HRV特征（线性和非线性）的可行性，并嵌入机器学习模型中，以为有CAN的患者提供全面的筛查。我们的研究使用了来自Physionet的ECG数据集，由100例患者（50例T2糖尿病和50个健康个体）组成。我们将汉密尔顿峰检测算法应用于ECG信号，以检测QRS峰并提取心率信号。线性和非线性HRV分析方法用于从HRV信号的每个5分钟段中提取各种特征。 这些功能用于准备数据集，并将K折交叉验证技术应用于单独的培训和测试数据集以使分类模型降低偏差。 在我们的研究中，我们使用逻辑回归，k-nearest邻居（KNN）和支持向量机（SVM）作为机器学习分类算法。线性和非线性HRV分析方法用于从HRV信号的每个5分钟段中提取各种特征。这些功能用于准备数据集，并将K折交叉验证技术应用于单独的培训和测试数据集以使分类模型降低偏差。在我们的研究中，我们使用逻辑回归，k-nearest邻居（KNN）和支持向量机（SVM）作为机器学习分类算法。为了最大程度地提高性能，使用超参数优化技术来为每个分类模型选择正确参数的合并。精确度量为96.67％（逻辑回归），93.33％（K-NN）和93.33％（SVM），达到了最高水平的性能，并且发现这些绩效是在糖尿病患者中诊断为CAN中最重要的。提出的基于机器学习的分类模型可以预测罐头的早期发作，并降低由于心肌梗死而导致的死亡率。
通过细菌的CRISPR干扰基因沉默
RETT综合征（RTT）是一种罕见而严重的神经系统疾病，主要影响女性，通常与甲基-CPG结合蛋白2（MECP2）基因突变有关。RTT的表现通常包括失去有目的的手技能，步态和运动异常，口语丧失，刻板印象的手动运动，癫痫和自主功能障碍。RTT患者的猝死发生率高于一般人群。文献数据表明，呼吸措施和心率控制措施之间的解偶联，可以洞悉导致更大脆弱性猝死的机制。了解自主神经功能障碍的神经机制及其与猝死的相关性对于患者护理至关重要。对心脏的交感神经或迷走神经调节的增加的实验证据促使人们努力开发心脏自主神经验证的定量标志物。心率变异性（HRV）已成为一种有价值的非侵入性测试，以估计自主神经系统（ANS）对心脏的交感神经和副交感分支的调节。本综述旨在概述有关自主神经功能障碍的当前知识，尤其是评估HRV参数是否可以帮助揭示RTT患者心脏自主性失调的模式。文献数据显示，与对照组相比，RTT患者的全球HRV降低了全球HRV（总光谱功率和R-R平均值），以及转移的交感神经差异平衡，而RTT患者的同情占主导地位和迷走神经。此外，研究了HRV与基因型与表型特征或神经化学变化之间的相关性。本综述中报告的数据表明，交感神经平衡的重要损害，支持未来的研究方案，以ANS为目标。
多重型心率价值分析：一种新的糖尿病神经病诊断方法
摘要：2型糖尿病（T2DM）的特征是几种并发症，例如视网膜，肾衰竭，心血管疾病和糖尿病神经病。在其中，由于其早期发现的挑战性，神经病是最严重的并发症。线性壁炉率可变性（HRV）分析是糖尿病神经病的最常见诊断技术，其特征是通过使用PhotoPleplethymmography获得的转速图通过线性分析来确定外围神经上的交感神经 - 降低性平衡。我们旨在执行多重分析分析以识别自主神经病，该神经病尚未表现出来，并且无法通过线性HRV分析检测到。我们招募了10个健康对照，10例T2DM诊断为不饱受神经病的患者，还有10名T2DM诊断为诊断为成熟的神经性疾病的患者。使用手指光摄像学获得了用于HRV分析的转速图，并进行了线性和/或多重分析分析。我们的初步结果表明，线性分析可以有效地区分健康的患者和成熟神经病的T2DM患者。然而，没有差别揭示了将成熟的糖尿病患者与不成熟的神经性糖尿病患者进行比较。相反，多重HRV分析可有效区分成熟和不满的神经性T2DM患者。多重分析分析也可以代表确定神经性发作的有力策略，即使没有临床诊断证据。
基础心率和短暂的日期可靠性
摘要简介本研究确定了（1）日至日的可靠性（HR）和HR可变性（HRV）通过Equivital EQ02+ LifeAnitor测得的（HRV），以及（2）与短期HRV相比，超短期HRV的一致性。方法二十三名现役的美军士兵（5名女性，18名男性）完成了两次实验访问，距离> 48小时，限制与基础监测（例如，运动，饮食）一致，在俯卧撑休息后，在20-21分钟（超短期）（超短期）和20-25分钟（短期）（短期）（短期）（短期）（短期）（短期）（短期）。HRV作为R – R间隔（SDNN）的SD和连续R – R间隔（RMSSD）之间平方平方差的平方差的平方根。结果使用线性混合模型方法的日常可靠性（INSERS INTACERISS相关系数（ICC））适用于HR（0.849，95％CI：0.689至0.933）和RMSSD（ICC：0.823，95％CI：0.623至0.920）。SDNN具有适度的日常可靠性，随着更大的变化（ICC：0.689，95％CI：0.428至0.858）。考虑呼吸作用时，RMSSD的可靠性略有提高（ICC：0.821，95％CI：0.672至0.944）。没有测量1分钟的人力资源偏差与5分钟（p = 0.511）。在1分钟的测量值与5分钟的测量值中，SDNN的平均偏置为-4 ms，RMSSD的平均偏置为-4 ms（p≤0.023）。结论是在使用基础主导和测量呼吸一致的限制之前进行20分钟稳定周期之前的结论时，军事人员可以依靠EQ02+进行基础HR和RMSSD监测，但使用SDNN应该更加谨慎。这些数据在遵循这些过程时还使用超短期测量值支持。
影响心率变异性的因素——叙述性综述
心率变异性 (HRV) 的测量和分析基于连续 NN 间隔之间的变化，自第一份指南发布（欧洲心脏病学会和北美起搏和电生理学会工作组，1996 年）以来，在过去 20 年里已成为一种既定程序。不仅记录技术取得了进步（更小、更便携、更精确的设备）（Koerber T 等人，2000 年），而且现在还可以通过小型胸带和脉搏监视系统测量 NN 间隔（Wallén 等人，2012 年）。技术发展降低了记录和分析的成本，并促进了门诊应用。HRV 在临床医学中也变得越来越重要，特别是作为既定的诊断程序的补充或监测进展。这需要对记录和分析 HRV 有基本的了解，可参考相关指南（欧洲心脏病学会和北美起搏和电生理学会工作组，1996 年；Sassi 等人，2015 年；Sammito 等人，2024 年）。
驾驶员心理负荷等级划分 - MDPI
摘要：心理负荷 (MW) 表示执行并发任务所需的大脑资源量。鉴于 MW 与交通事故风险的相关性，对高级驾驶辅助系统而言，MW 的评估至关重要。在本研究中，在模拟环境中驾驶时对参与者进行了两项认知测试（数字广度测试 - DST 和 Ray 听觉言语学习测试 - RAVLT）。选择这些测试来调查驾驶员对预定认知负荷水平的反应，以对 MW 进行分类。同时使用红外 (IR) 热成像和心率变异性 (HRV) 来获取与受试者心理生理相关的特征，以便为机器学习 (ML) 分类器提供信息。基于单峰 IR/单峰 HRV/多峰 IR + HRV 特征比较了六类模型。基于多模态 IR + HRV 特征的分类器达到了最佳分类器性能（DST：准确度 = 73.1%，灵敏度 = 0.71，特异性 = 0.69；RAVLT：准确度 = 75.0%，平均灵敏度 = 0.75，平均特异性 = 0.87）。基于单模态 IR 特征的分类器也表现出高性能（DST：准确度 = 73.1%，灵敏度 = 0.73，特异性 = 0.73；RAVLT：准确度 = 71.1%，平均灵敏度 = 0.71，平均特异性 = 0.85）。这些结果证明了使用完全非接触式和非侵入式技术来高精度评估驾驶员 MW 水平的可能性，这代表了交通事故预防领域的最新进展。