Heart and Breathing Rate Variations as Biomarkers for Anxiety Detection
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
With advances in portable and wearable devices, it should be possible to analyze and interpret the collected biosignals from those devices to tailor a psychological intervention to help patients. This study focuses on detecting anxiety by using a portable device that collects electrocardiogram (ECG) and respiration (RSP) signals. The feature extraction focused on heart-rate variability (HRV) and breathing-rate variability (BRV). We show that a significant change in these signals occurred between the non-anxiety-induced and anxiety-induced states. The HRV biomarkers were the mean heart rate (MHR; p¯ = 0.04), the standard deviation of the heart rate (SD; p¯ = 0.01), and the standard deviation of NN intervals (SDNN; p¯ = 0.03) for ECG signals, and the mean breath rate (MBR; p¯ = 0.002), the standard deviation of the breath rate (SD; p¯ < 0.0001), the root mean square of successive differences (RMSSD; p¯ < 0.0001) and SDNN (p¯ < 0.0001) for RSP signals. This work extends the existing literature on the relationship between stress and HRV/BRV by being the first to introduce a transitional phase. It contributes to systematically processing mental and emotional impulse data in humans measured via ECG and RSP signals. On the basis of these identified biomarkers, artificial-intelligence or machine-learning algorithms, and rule-based classification, the automated biosignal-based psychological assessment of patients could be within reach. This creates a broad basis for detecting and evaluating psychological abnormalities in individuals upon which future psychological treatment methods could be built using portable and wearable devices.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 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 découle