0160 Sleep quality affects the heart rate signal when facing the different stress sources
Notice bibliographique
Résumé
Abstract Introduction Stressful conditions can impact our judgement and increase the risk of adverse events such as workplace accidents, falls, and automobile collisions, among others. Sleep quality has also been shown to influence stress responses and heart rate variability (HRV) has proved to be a useful indicator of stress in a variety of scenarios. Therefore, wearable devices such as heart rate monitors may be able to reduce adverse events by measuring stress responses. Among subjects reporting different sleep quality, we measured heart rate variability (HRV) before and after different stressors to understand whether these stressful events could be detected by a wearable device. Methods Twenty-four subjects (male = 10; female = 14) with no known health conditions participated in this study. Subjects were divided into good sleep quality (N = 12) and bad sleep quality (N = 12) groups based on their Pittsburgh Sleep Quality Index (PSQI) score. Each subject engaged in a physical stress and mental stress on separate days and HRV was assessed before and after each stress intervention. T-tests were used to assess the change in HRV from pre- to post stress condition for each group. Results In the good sleep quality group we found several statistically significant differences across several HRV frequency-domains before and after physical stress (Low frequency: p = 0.0292; High frequency: p = 0.0287; Low frequency/ High frequency ratio: p = 0.0245) and mental stress (Low frequency: p = 0.0394; High frequency: p = 0.0387; Low frequency/ High frequency ratio: p = 0.0373). Conclusion Our findings indicate that sleep quality may influence the HRV response to different stressors. This suggests that HRV measured via wearable device may be used to provide warning under stressful conditions that could help prevent accidents and other adverse events. Support (if any)
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 | 0,002 | 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) | 0,001 | 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 ».