Heart Rate Variability and Pulse Rate Variability: Do Anatomical Location and Sampling Rate Matter?
Notice bibliographique
Résumé
Wearable technology and neuroimaging equipment using photoplethysmography (PPG) have become increasingly popularized in recent years. Several investigations deriving pulse rate variability (PRV) from PPG have demonstrated that a slight bias exists compared to concurrent heart rate variability (HRV) estimates. PPG devices commonly sample at ~20-100 Hz, where the minimum sampling frequency to derive valid PRV metrics is unknown. Further, due to different autonomic innervation, it is unknown if PRV metrics are harmonious between the cerebral and peripheral vasculature. Cardiac activity via electrocardiography (ECG) and PPG were obtained concurrently in 54 participants (29 females) in an upright orthostatic position. PPG data were collected at three anatomical locations: left third phalanx, middle cerebral artery, and posterior cerebral artery using a Finapres NOVA device and transcranial Doppler ultrasound. Data were sampled for five minutes at 1000 Hz and downsampled to frequencies ranging from 20 to 500 Hz. HRV (via ECG) and PRV (via PPG) were quantified and compared at 1000 Hz using Bland-Altman plots and coefficient of variation (CoV). A sampling frequency of ~100-200 Hz was required to produce PRV metrics with a bias of less than 2%, while a sampling rate of ~40-50 Hz elicited a bias smaller than 20%. At 1000 Hz, time- and frequency-domain PRV measures were slightly elevated compared to those derived from HRV (mean bias: ~1-8%). In conjunction with previous reports, PRV and HRV were not surrogate biomarkers due to the different nature of the collected waveforms. Nevertheless, PRV estimates displayed greater validity at a lower sampling rate compared to HRV estimates.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 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 ».