The Effects of Heart Rate Variability Training on Sensorimotor Rhythm: A Pilot Study
Notice bibliographique
Résumé
Heart rate variability (HRV) training and EEG Biofeedback are techniques used to improve neurological disorders in both clinical and optimal performance populations. HRV training uses combined respiration and heart rate biofeedback to achieve synchrony between the changes in breathing and heart rate. This specific signature of synchronization of breathing and heart rate changes appears to correlate with a relaxed state and cognitive clarity. HRV may provide a promising index for both physical and emotional stress. Improvements in mental processing A similar mental state is the target of EEG biofeedback training when parameters are set to increase sensorimotor rhythm (SMR). SMR is usually trained using the frequency band 12-15 Hz. These frequencies are called SMR only when they are produced across the sensorimotor strip (C3, Cz, C4). In other locations, 12-15 Hz is simply called beta. SMR production has been closely linked to a state of calm, relaxed focus This article proposes that HRV training may be associated with increased levels of SMR. Preliminary data have been collected for 40 clients. Twenty clients were athletes training to improve performance, and 20 clients were from a clinical population aiming to increase SMR as a part of their program. A 3-min sample of EEG baseline data was compared to a 3-min sample of EEG data collected during HRV training. Mean microvolt values were collected for SMR during both the baseline recording and during the HRV training. T-test results show that there was a statistically significant increase in SMR during HRV training as compared to baseline (p < .001). This suggests that increased HRV leads to increases in production of SMR.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».