Heart Rate Variability to Assess Combat Readiness
Notice bibliographique
Résumé
Chronic fatigue/physical exhaustion (FPE) impacts combat readiness but is difficult to identify. We tested the hypothesis that resting heart rate variability (HRV), including both time- and frequency-domain assessments, would correlate with hydration status and aerobic capacity in military recruit-age men and women with varying fitness levels. Cardiac interbeat intervals were recorded using a heart R-R monitor during 20 minutes of quiet, supine rest with paced breathing (0.25 Hz). HRV metrics included average R-R interval (RRIavg), R-R interval standard deviation (RRISD), the percentage of adjacent R-R intervals varying by > or = 50 ms (pNN50), and integrated areas of R-R interval spectral power at the high (0.15-0.4 Hz) (RRIHF) and low (0.04-0.15 Hz) (RRILF) frequencies. Treadmill maximal oxygen uptake (VO2 max), segmental bioimpedance estimates of total body water (TBW), and urine specific gravity (USG) were also assessed. All dependent variables of interest were within expected ranges, although absolute ranges of individual values were considerable. RRI correlated with VO2 max (r = 0.49; p < 0.001), with TBW (r = 0.38; p < 0.001), and inversely with USG (r = -0.23; p = 0.02). RRISD correlated with VO2 max (r = 0.21; p = 0.03), but not with TBW or USG. pNN50 correlated inversely with USG (r = -0.21; p = 0.03) but not with VO2 max or TBW. R-R interval spectral power at the high and low frequencies did not correlate with VO2 max, TBW, or USG. We have demonstrated that fitness level and hydration status may affect cardiac function via changes in autonomic tone, highlighting the potential of field-based assessment of heart rate variability metrics to identify FPE and other aspects of combat readiness.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».