When is it good to use wristband devices to measure HRV?: Introducing a new method for evaluating the quality of data from photophlethysmography-based HRV devices
Notice bibliographique
Résumé
Objective: Recent technological advances have led to the proliferation of ambulatory devices for non-invasively assessing cardiac activity. While these devices have exciting implications for conducting research outside the laboratory, it is critical that this increased mobility does not compromise data quality. As a test case, we assess the efficacy of Empatica’s E4, a high-end wristband device designed to assess Heart Rate Variability (HRV) through the use of photoplethysmography. Approach: We compare the E4 to traditional, wired electrocardiogram measures across a variety of conditions, including seated, supine, and standing baselines, as well as typing and grip strength tasks. Most importantly, we introduce and demonstrate the efficacy of a new method for determining the amount of error in HRV estimates derived from the E4 and a technique for adjusting error tolerance. Main Results: Results indicate that the E4 is severely compromised by motion artifact, resulting in a high percentage of missing data across all conditions except seated and supine baselines. Employing error adjustment yielded more robust results, but at the cost of significantly reducing sample size where motion artifact was present. Significance: These results call into question the wristband’s efficacy as an HRV measurement tool in most in-vivo conditions. We recommend that researchers interested in using photoplethysmography-based HRV devices use caution and evaluate the data quality using methods for error detection and tolerance, such as the one presented here.Keywords: heart rate variability, ambulatory photoplethysmography, electrocardiogram.
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 | 0,016 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».