MétaCan
Menu
Retour à la cohorte
Enregistrement W2978894354 · doi:10.2196/13703

A Biofeedback App to Instruct Abdominal Breathing (Breathing-Mentor): Pilot Experiment

2019· article· en· W2978894354 sur OpenAlexvenueno aff
Corinna A. Faust-Christmann, Bertram Taetz, Gregor Zolynski, Tobias Zimmermann, Gabriele Bleser

Notice bibliographique

RevueJMIR mhealth and uhealth · 2019
Typearticle
Langueen
DomaineNeuroscience
ThématiqueNeuroscience of respiration and sleep
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésBreathingBiofeedbackMedicinePsychologyPhysical therapyAnesthesia

Résumé

récupéré en direct d'OpenAlex

Background Deep and slow abdominal breathing is an important skill for the management of stress and pain. However, despite multiple proofs on the effectiveness of biofeedback, most breathing apps remain limited to pacing specific breathing patterns, without sensor feedback on the actual breathing behavior. Objective To fill this gap, an app named Breathing-Mentor was developed. This app combines effective visualization of the instruction with biofeedback on deep abdominal breathing, based on the mobile phone’s accelerometers. The aim of this pilot study was to investigate users’ feedback and breathing behavior during initial contact with the app. Methods To reveal the possible effects of biofeedback, two versions of the mobile app were developed. Both contained the same visual instruction, but only the full version included additional biofeedback. In total, 40 untrained participants were randomly assigned to one of the two versions of the app. They had to follow the app’s instructions as closely as possible for 5 min. Results The group with additional biofeedback showed an increased signal-to-noise ratio for instructed breathing frequency (0.1 Hz) compared with those using visual instruction without biofeedback (F1,37=4.18; P<.048). During this initial contact with the full version, self-reported relaxation effectivity was, however, lower than the group using visual instruction without biofeedback (t37=−2.36; P=.02), probably owing to increased cognitive workload to follow the instruction. Conclusions This study supports the feasibility and usefulness of incorporating biofeedback in the Breathing-Mentor app to train abdominal breathing. Immediate effects on relaxation levels should, however, not be expected for untrained users.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai non randomisé · Signal consensuel: Essai non randomisé
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,020

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,004
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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.

Tête enseignante Opus0,071
Tête enseignante GPT0,371
Écart entre enseignants0,300 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeEssai non randomisé
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations20
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR mhealth and uhealthMême sujetNeuroscience of respiration and sleepTravaux en français237 207