CC BY
37контроль функционального состояния с помощью пульсометра polar V800
УДК/UDC 796.011.3
Поступила в редакцию 06.04.2022 г.
Информация для связи с автором: mr.zukhov86@mail.ru
Кандидат медицинских наук, доцент Е.В. Усачева1
Кандидат технических наук, доцент О.М. Куликова2
Кандидат педагогических наук А.С. Зухов3
Кандидат медицинских наук И.П. Флянку4
Юмский государственный медицинский университет министерства здравоохранения Российской Федерации, Омск
2Омская гуманитарная академия, Омск
3Сибирский государственный автомобильно-дорожный университет, Омск 4Страховая компания «СОГАЗ-Мед», Омск
FuNOTiONAL MONiTORiNG wiTH pOLAR v800 HEART RATE MONiTOR
Associate professor, PhD E.V. Usacheva1 Associate professor, PhD О.М. Kulikova2 Associate professor, PhD A.S. Zukhov3 Associate professor, PhD I.P. Flyanku4
1 Omsk State Medical University of the Ministry of Public Health of the Russian Federation, Omsk
2 Omsk humanitarian academy, Omsk
3 Siberian State Automobile and Highway University, Omsk
4 SOGAZ-Med Insurance Company
Аннотация
Цель исследования - разработать методику контроля функционального состояния на основании данных, полученных с пульсометра Polar V800. Методика и организация исследования. В работе приняли участие 124 студента. Средний возраст испытуемых составил 20,4 года. У студентов осуществлялась запись ЭКГ на электрокардиографе «Поли-Спектр-8/Е» в состоянии покоя в течение 5 мин, по которой рассчитывались значения интервалов R-R и показатели вариабельности сердечного ритма (ВСР). Одновременно производилась запись интервалов R-R с применением пульсометров Polar V800. На основании полученных данных, с применением технологий интеллектуального анализа, выделены функциональные состояния (ФС) и определены значимые показатели для их идентификации. Это дало возможность оценить ФС при помощи пульсометров Polar V800. Контроль ФС был осуществлен у 26 студентов в течение шести дней. Результаты исследования и выводы. С применением кластерного анализа и технологий Data Mining у студентов выявлены четыре типа ФС, а также значимые показатели ВСР для их идентификации. Для определения ФС достаточно в течение 5 мин в состоянии покоя осуществлять запись R-R интервалов при помощи пульсометра Polar V800 и обработать результаты с применением математических методов.
Ключевые слова: функциональное состояние, вариабельность сердечного ритма, пульсометры, технологии интеллектуального анализа данных.
Abstract
The goal is to develop a methodology for monitoring the functional state based on the data obtained from the Polar V800 heart rate monitor Methodology and organization of the study. The study involved 124 students. The average age of the subjects was 20.4 years. The students recorded an ECG on a Poly-Spectrum-8 / E electrocardiograph at rest for five minutes, which was used to calculate the values of the R-R intervals and heart rate variability (HRV). At the same time, R-R intervals were recorded using Polar V800 heart rate monitors. Based on the obtained data, with the use of intelligent analysis technologies, FS are identified and significant indicators for their identification are determined. This made it possible to evaluate the FS using the Polar V800 heart rate monitors. The FS control was carried out on 26 students for 6 days. The results of the study. According to HRV indicators, 4 FS were identified: 1 FS corresponds to normotonia, 2 FS - parasympathicotonia, 3 FS - vagotonia, 4 FS-sympathicotonia. Conclusions. Using cluster analysis and Data Mining technologies, 4 types of FS were identified in students, as well as significant HRV indicators for their identification. To determine the FS, it is enough to record R - R intervals with the Polar V800 heart rate monitor for 5 minutes at rest and process the results using mathematical methods.
Keywords: functional state, heart rate variability, heart rate monitors, data mining technologies.
Введение. В физиологии для оценки функционального состояния (ФС) успешно используют метод анализа вариабельности сердечного ритма (ВСР), что позволило применять его в практике спорта [1, 2]. При этом применение метода анализа ВСР сопряжено с определенными сложностями. Связано это с тем, что при анализе ВСР используются разные методические подходы, стандарты, приборы и математические модели. Кроме того, определение ФС на основании анализа ВСР связано с необходимостью проведения записи
электрокардиограммы в специально оборудованном для этого месте квалифицированным специалистом. Это ограничивает массовое использование данного способа оценки ФС при занятиях физической культурой и спортом.
Решить данную проблему возможно при помощи использования пульсометров с функцией записи кардиоин-тервалов и последующим анализом ВСР. Одним из таких пульсометров является Polar V800, который позволяет при помощи функции R-R recording вести учет временных
интервалов между последовательными ударами сердца. Пульсометр Polar V800 обладает достаточной точностью при записи R-R интервалов и может быть использован для анализа ВСР [4]. Недостатком является то, что для анализа ВСР нужно использовать программное обеспечение, не входящее в комплектацию к Polar V800, с неизвестным алгоритмом вычислений.
Цель исследования - разработать методику контроля функционального состояния на основании данных, полученных с пульсометра Polar V800.
Методика и организация исследования. В исследовании приняло участие 124 студента 1 -го курса Сибирского государственного университета физической культуры и спорта. Средний возраст испытуемых составил 20,4 лет. Запись ЭКГ осуществлялась на электрокардиографе «Поли-Спектр-8/Е» в состоянии покоя в течение пяти минут. В последующем интервалы R-R и показатели вариабельности сердечного ритма (ВСР) рассчитывались в программе «Поли-Спектр-Ритм». Кроме того, во время записи ЭКГ у студентов осуществлялась запись интервалов R-R с применением пульсометра Polar V800, использован датчик H10. Показатели ВСР по данным интервалам R-R определялись в программе MATLAB (лицензия 613811 от 5.04.2010).
Оценка функциональных состояний осуществлялась на основании данных, полученных на электрокардиографе «Поли-Спектр-8/Е», с применением метода кластерного анализа hdbscan [6]. Профили кластеров определялись как средние значения по показателям ВСР испытуемых, вошедших в исследуемый кластер. Для решения задачи классификации и отбора значимых показателей ВСР использован многослойный персептрон. Выборка была разделена на обучающую и тестовую. Решение указанных задач осуществлялось в программе MATLAB.
С целью оценки возможности использования интервалов R-R, полученных с пульсометров Polar V800, для контроля ФС выполнено сравнение соответствующих временных рядов, задаваемых интервалами R-R, полученными при записи ЭКГ на электрокардиографе «Поли-Спектр-8/Е». Оценка точности решения задачи идентификаций ФС по интервалам R-R, записанным пульсометрами, проводилась с помощью построенной нейронной сети.
Контроль ФС при помощи пульсометров Polar V800 осуществлялся в течение шести дней у 26 студентов 1-го курса, обучающихся по направлениям «Физическая культура» (лыжный спорт) и «Рекреация и спортивно-оздоровительный туризм». Запись интервалов R-R осуществлялась перед на-
Профили кластеров, определяющие функциональные состояния
чалом занятий в состоянии покоя с использованием пульсометров Polar V800 в течение пяти минут.
Результаты исследования и их обсуждение. На основании анализа данных, полученных после записи ЭКГ 124 студентов, было выделено четыре кластера, задающих ФС у испытуемых. Также выполнен отбор значимых показателей для решения задачи идентификации ФС по показателям ВСР. Точность классификации по обучающей выборке составила 98 %, по тестовой - 96 %. Архитектура нейронной сети задана тремя слоями: входной слой содержит 11 нейронов; скрытых слоев - 1, количество нейронов - 6, выходной слой содержит 4 нейрона. Функция активации нейронов скрытого слоя - логистическая, выходного слоя - гиперболическая.
Наиболее значимыми являются следующие показатели ВСР: TP (мс"2) - общая мощность спектра всех волн с частотой в диапазоне от 0,0033 Гц до 0,40 Гц; соотношение LF/HF; RRNN (мс) - средняя длительность нормальных интервалов RR; SDNN (мс) - стандартное отклонение всех нормальных (синусовых, NN) интервалов от среднего значения; rMSSD (мс) - квадратный корень из суммы квадратов разности величин последовательных пар интервалов NN (нормальных интервалов R-R); pNN50 ( 0%) - процент количества пар последовательных кардиоинтервалов в кардиограмме, отличающихся более чем на 50 мс; АМо ( %) - процентная доля кардиоинтервалов, попадающих под значение Мо; ИН (усл. ед.) - индекс напряжения регуляторных систем (ИН=АМо/2 Х х Мо); ИВР (усл. ед.) - индекс вегетативного равновесия (ИВР=АМо/Х); ПАПР (усл. ед.) - показатель адекватности процессов регуляции (ПАПР=АМо/Мо); ВПР (усл. ед.) - вегетативный показатель ритма (ВПР=1/Мо^). Профили кластеров по вышеуказанным показателям приведены в таблице.
Характеристика кластеров (ФС):
Кластер 1 (ФС-1) - «Нормотония» определяется значениями нормы общей мощности спектра, также близкими к нормальным значениям LF/HF, RRNN, SDNN, rMSSD, pNN50, AMo, ИВР, ВПР и ПАРП.
Кластер 2 (ФС-2) - «Парасимпатикотония» характеризуется незначительным увеличением общей мощности спектра, более высокими по сравнению с нормой значениями SDNN, rMSSD, pNN50 и более низкими значениями ИН, ИВР, ВПР и ПАПР.
Кластер 3 (ФС-3) - «Ваготония» определяется самыми высокими значениями общей мощности спектра, SDNN, rMSSD, pNN50 и низким значениями ИН, ИВР, ВПР и ПАРП.
Кластер 4 (ФС-4) - «Симпатикотония» характеризуется самыми низкими значениями общей мощности спектра, вы-
□ и
£ г. CL
ч—
О OJ и
2 CL ' -о с
га
^
О (U .с Н
Показатель Профили кластеров
1-й кластер (n=53) 2-й кластер (n=33) 3-й кластер (n=15) 4-й кластер (n=23)
TP, мс"2 4009,63 6908,44 11603,32 1319,63
LF/HF 1,94 0,93 0,89 5,25
RRNN,мс 993,29 10729,99 1132,21 778,38
SDNN,мс 67,39 79,69 122,01 29,34
rMSSD, мс 56,89 86,93 121,13 17,94
pNN50, % 31,88 53,26 61,18 4,34
AMo, % 31,86 28,78 20,21 59,19
ИН, у.е. 52,46 25,14 17,56 311,65
ИВР, у.е. 101,69 52,56 34,49 409,67
ПАПР, у.е. 33,15 22,98 18,45 78,13
ВПР, у.е. 2,33 2,13 1,59 8,89
36
http://www.teoriya.ru
2022 Июнь | Juni
Физиология спортА
соким индексом LF/HF, низкими значениями SDNN, rMSS, pNN50 и высоким значениями AMo, ИН, ИВР, ВПР, ПАРП.
Сравнение указанных временных рядов, задаваемых интервалами R-R, рассчитанными в «Поли-Спектр-Ритм» и записанными с помощью пульсометра Polar V800, выполнено в программе MATLAB с применением функции «compare». Сходство вышеука-
14 -
. 12
ш
§ 10 m
ш
5
о m I-
и
ш 4
о
* 2
0
// ^
сЯ Л
День недели, день 1ФС-1 ■ ФС-2 ИФС-3 ■ ФС-4
а)
16
14
ш
т ц
о
12
11-11
со 10 О II 8 >
ш т 5
ц о
0
^ > ^ J-
jf «5* о/ ^ с/
День недели, день 1ФС-1 ■ ФС-2 ИФС-3 ■ ФС-4
б)
Результаты мониторинга ФС студентов: а) Направление «Физическая культура» (лыжный спорт); б) Направление «Рекреация и спортивно-оздоровительный туризм»
занных временных рядов, задаваемых интервалами R-R, лежит в диапазоне 68,9-74,7 %. Точность решения задачи классификации ФС на показателях ВСР, рассчитанных по интервалам R-R, записанных пульсометром Polar V800 с применением построенной нейронной сети, составляет 86 %. Анализ исследований применения математических методов обработки интервалов R-R показал, что полученные в исследовании значения указанных показателей являются допустимыми для решения задач идентификации различных состояний у испытуемых [3, 5].
Проверка возможности использования пульсометра Polar V800 для оценки выявленных четырех типов ФС осуществлялась на 26 студентах в течение шести дней. Полученные результаты представлены на рисунке.
По расписанию у студентов направления «Физическая культура» в понедельник, среду и пятницу помимо теоретических занятий проводятся тренировки; у студентов направления «Рекреация и спортивно-оздоровительный туризм» -в четверг и пятницу занятия по плаванию и скалолазанию.
Из рисунка следует, что у студентов в течение недели зафиксированы изменения ФС. В понедельник у студентов преобладает ФС-1 и ФС-2. В последующем наблюдается увеличение количества студентов, находящихся в ФС-3 и ФС-4 после выполнения физических нагрузок. Данная закономерность более значимо проявляется у студентов направления «Физическая культура».
Вывод. С применением кластерного анализа и технологий Data Mining у студентов выделены четыре типа ФС, а также значимые показатели ВСР для их идентификации. Нор-мотонии соответствует ФС-1, парасимпатикотонии - ФС-2, ваготонии - ФС-3, симпатикотонии - ФС-4.
Для определения ФС достаточно в течение пяти минут в состоянии покоя осуществить запись R - R интервалов при помощи пульсометра Polar V800 и обработать результаты с применением математических методов. Точность идентификации ФС составляет 86 %, что позволяет использовать Polar V800 для оперативной оценки текущего ФС спортсмена перед каждым тренировочным занятием.
Литература
1. Самикулин, П.Н. Изменения вариабельности ритма сердца в ответ на мышечную нагрузку и их взаимосвязь с концентрацией стероидных гормонов у юношей с различной спецификой тренированности / П.Н. Самикулин, А.В. Грязных, Р.В. Кучин и др. // Человек. Спорт. Медицина. - 2018. - Т. 18. - № 1. - С. 33-45.
2. Семенов, Ю.Н. Инновационная технология анализа вариабельности сердечного ритма в подготовке профессиональных спортсменов / Ю.Н. Семенов, А.В. Макаревич, В.П. Попов // Мир спорта. - 2018. - № 3 (72). - С. 20-25.
References
1. Samikulin P.N., Dirty A.V., Kuchin R.V. et al. Izmeneniya variabelnosti ritma serdtsa v otvet na myshechnuyu nagruzku i ikh vzaimosvyaz s kontsentratsiyey steroidnykh gormonov u yunoshey s razlichnoy spet-sifikoy trenirovannosti [Changes in heart rate variability in response to muscle load and their relationship with the concentration of steroid hormones in young men with different training specifics]. Chelovek. Sport. Meditsina. 2018. Vol. 18. No. 1. pp. 33-45.
2. Semenov Yu.N., Makarevich A.V., Popov V.P. Innovatsionnaya tekhnologiya analiza variabelnosti serdechnogo ritma v podgotovke professionalnykh sportsmenov [Innovative technology for the analysis of heart rate variability in the training of professional athletes]. Mir sporta. 2018. No. 3 (72). pp. 20-25.Coutts L.V. Deep learning with wearable based heart rate variability for prediction of mental and general health / L.V. Coutts et al. // Journal of Biomedical Informatics. 2020. Т. 112. pp. 103610.
3. Giles D. Validity of the Polar V800 heart rate monitor to measure RR intervals at rest / D. Giles, N. Draper, W. Neil // European journal of applied physiology. 2016. Т. 116. No 3. pp. 563-571.
4. Matta S.C. Heart rate variability analysis using neural network models for automatic detection of lifestyle activities / S.C. Matta, Z. Sankari, S. Rihana // Biomedical Signal Processing and Control. 2018. Т. 42. pp. 145-157.
5. Mclnnes L. hdbscan: Hierarchical density based clustering / L. Mclnnes, J. Healy, S. Astels // Journal of Open Source Software. 2017. Т. 2. No. 11. pp. 205.
6
6
4
2
