Can heart rate variability data from the Apple Watch electrocardiogram quantify stress?
Notice bibliographique
Résumé
Chronic stress has become an epidemic with negative health risks including cardiovascular disease, hypertension, and diabetes. Traditional methods of stress measurement and monitoring typically relies on self-reporting. However, wearable smart technologies offer a novel strategy to continuously and non-invasively collect objective health data in the real-world. A novel electrocardiogram (ECG) feature has recently been introduced to the Apple Watch device. Interestingly, ECG data can be used to derive Heart Rate Variability (HRV) features commonly used in the identification of stress, suggesting that the Apple Watch ECG app could potentially be utilized as a simple, cost-effective, and minimally invasive tool to monitor individual stress levels. Here we collected ECG data using the Apple Watch from 36 health participants during their daily routines. Heart rate variability (HRV) features from the ECG were extracted and analyzed against self-reported stress questionnaires based on the DASS-21 questionnaire and a single-item LIKERT-type scale. Repeated measures ANOVA tests did not find any statistical significance. Spearman correlation found very weak correlations ( p < 0.05) between several HRV features and each questionnaire. The results indicate that the Apple Watch ECG cannot be used for quantifying stress with traditional statistical methods, although future directions of research (e.g., use of additional parameters and Machine Learning) could potentially improve stress quantification with the device.
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 | 0,012 | 0,002 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».