Use of a Biofeedback Breathing App to Augment Poststress Physiological Recovery: Randomized Pilot Study
Notice bibliographique
Résumé
BACKGROUND: The speed of physiological recovery from stress may be a marker for cardiovascular disease risk. Stress management programs that incorporate guided breathing have been shown to moderate the stress response and augment recovery. OBJECTIVE: The aim of this study was to examine the effectiveness of an app-based brief relaxation intervention (BioBase) for facilitating physiological recovery in individuals exposed to a brief psychological stressor. METHODS: A total of 75 participants (44 women) completed a stressor speech task and were randomly assigned to one of three conditions: control, rumination, or an app-based relaxation breathing (BioBase) conditions. Heart rate variability (HRV) was assessed as a measure of autonomic function at baseline (6 min), during stress (6 min), and during recovery (6 min). RESULTS: There was a significant increase in subjective stress following stress exposure, but the ratings returned to baseline after recovery in all three groups. In addition, there was a significant decrease in vagally mediated HRV in the poststress period. During recovery, the root mean square of successive differences (P<.001), the percentage of successive interbeat (RR) intervals that differ by >50 ms (pNN50; P<.001), and high-frequency (P<.02) HRV were significantly higher in the BioBase breathing condition than the rumination and control conditions. There was no difference in HRV values between the rumination and control conditions during recovery. CONCLUSIONS: App-based relaxed breathing interventions could be effective in reducing cardiovascular disease risk. These results provide additional utility of biofeedback breathing in augmenting physiological recovery from psychological stress.
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 | 0,001 |
| 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 | 0,001 |
| 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) | 0,000 | 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 ».