A Serious Game to Self-Regulate Heart Rate Variability as a Technique to Manage Arousal Level Through Cardiorespiratory Biofeedback: Development and Pilot Evaluation Study
Notice bibliographique
Résumé
BACKGROUND: Heart rate variability biofeedback (HRVB) is an established intervention for increasing heart rate variability (HRV) in the clinical context. Using this technique, participants become aware of their HRV through real-time feedback and can self-regulate it. OBJECTIVE: The aim of this study was 2-fold: first, to develop a serious game that applies the HRVB technique to teach participants to self-regulate HRV and, second, to test the app with participants in a pilot study. METHODS: An HRVB app called the FitLab Game was developed for this study. To play the game, users must move the main character up and down the screen, avoiding collisions with obstacles. The wavelength that users must follow to avoid these obstacles is based on the user's basal heart rate and changes in instantaneous heart rate. To test the FitLab Game, a total of 16 participants (mean age 23, SD 0.69 years) were divided into a control group (n=8) and an experimental group (n=8). A 2 × 2 factorial design was used in each session. Participants in the experimental condition were trained in breathing techniques. RESULTS: Changes in the frequency and time domain parameters of HRV and the game's performance features were evaluated. Significant changes in the average RR intervals and root mean square of differences between adjacent RR intervals (RMSSD) were found between the groups (P=.02 and P=.04, respectively). Regarding performance, both groups showed a tendency to increase the evaluated outcomes from baseline to the test condition. CONCLUSIONS: The results may indicate that playing different levels leads to an improvement in the game's final score by repeated training. The tendency of changes in HRV may reflect a higher activation of the mental system of attention and control in the experimental group versus the control group. In this context, learning simple, voluntary strategies through a serious game can aid the improvement of self-control and arousal management. The FitLab Game appears to be a promising serious game owing to its ease of use, high engagement, and enjoyability provided by the instantaneous feedback.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».