Measuring resting heart rate during daily life using wearable technology: Examining the impact of behavioral context and methodological criteria
Notice bibliographique
Résumé
Objective Advances in the collection of high-quality, continuous electrocardiography (ECG) data via wearable technology have the potential to transform heart rate (HR) measurement in daily life. This study aimed to characterize the impact of methodological criteria and behavioral context on estimates of resting heart rate (RHR) to guide recommendations for a standardized approach to measure daily life RHR. Methods Ten adults (9 female, 61 ± 12 years) wore a chest-mounted ECG device and wrist and ankle movement sensors continuously for 7–10 days. Following signal quality screening and beat-to-beat calculations, HR was analyzed using rolling averages of 15-, 30-, and 60-s windows within periods of device-detected sedentary behavior and sleep. ECG data during sedentary and sleep were compared for differences in: (1) RHR, (2) between-day consistency of daily RHR, and (3) HR median and range. Results During sedentary and sleep, respectively, there was no difference in RHR (56 ± 7 vs. 54 ± 7 bpm, p = 0.055) or in between-day consistency of RHR (coefficient of variation: 6 ± 3% vs. 5 ± 3%, p = 0.12; maximum between-day range of RHR=14 bpm). However, the median HR (71 ± 6 vs. 62 ± 7 bpm, p = 0.001) and HR range (35 ± 6 vs. 23 ± 7 bpm, p < 0.01) were significantly greater during sedentary versus sleep. Conclusions Behavioral context and method of analysis impact ECG-based HR measures at rest. This study recommends a novel wearable-based method for measuring daily life RHR that maximizes use of available data and confronts variability that exists with extended monitoring. Use of a standard method for measuring daily life RHR may advance the use of HR to inform clinical and/or personal health decisions.
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 | 0,001 |
| 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 | 0,000 | 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 ».