Pulmoner Rehabilitasyon Egzersiz Bağlılık Eğitim Sürekli Veri İzleme Teknolojisi Kullanımı

Özet

Pulmoner rehabilitasyon yaygın solunum yolu hastalıklarının tedavisinde kabul edilmektedir. Başarılı bir Pulmoner rehabilitasyon için bir anahtar bileşeni önerilen egzersiz eğitiminin bağlılık olduğunu. Mevcut protokolün amacı, sürekli veri izleme teknolojisi tam bir reçete aerobik antrenman yoğunluğuna bağlılığı ölçmek için nasıl kullanılabileceğini açıklamaktır.

Özet

Pulmoner rehabilitasyon (PR), solunum hastalıklarının tedavisinde önemli bir bileşenidir. PR etkinliği eğitim önerileri egzersiz bağlılık bağlıdır. Egzersiz bağlılık çalışma, böylece PR programlarının optimizasyonu yolunda önemli bir adımdır. Bugüne kadar, bu katılımın, tamamlanması ve katılım oranları çoğunlukla dolaylı önlemler, PR bağlılığı belirlemek için kullanılır olmuştur. Mevcut protokolün amacı, sürekli veri izleme teknolojisi ikinci by-saniye bazında öngörülen bir aerobik antrenman yoğunluğuna bağlılığı ölçmek için nasıl kullanılabileceğini açıklamaktır.

Bizim incelemelerde, bağlılık belirli bir hedef kalp hızı aralığında harcanan yüzdesi süre olarak tanımlanmıştır. Gibi, donanım ve yazılım bir arada kullanarak, kalp hızı bisiklete binme sırasında, ölçülen izlenen ve kaydedilen ikinci by-saniye, her bir egzersiz oturumu için her bir katılımcı için,. Istatistiksel yazılım, t kullanmaO veriler daha sonra çıkarıldı ve analiz edildi. Aynı protokol çevrimi ergometresinde belirtilen watt, seviye, hız harcanan zaman gibi egzersiz yoğunluğunun diğer önlemler, bağlılığı belirlemek için uygulanabilir. Ayrıca, donanım ve yazılım gibi eliptik koşu bandı, step, kol ve ergometrenin gibi eğitimin diğer modları, bağlılığı ölçmek için de kullanılabilir. Mevcut protokol, bu nedenle, doğrudan aerobik egzersiz bağlılığı ölçmek için geniş uygulanabilirliği vardır.

Giriş

Pulmoner rehabilitasyon (PR) egzersiz eğitimi, hasta eğitimi ve psiko-sosyal destek birleştirir, ve yaygın akciğer hastalığı ^1-5 yönetiminde bir dönüm noktası olarak kabul edilmektedir. , Semptomları azaltmak, fonksiyonel durumu optimize, yaşam sağlıkla ilişkili kalitesini artırmak ve sağlık ^{maliyetleri, 4,5} azaltmak için PR hedefleri vardır. 31 bir meta-analizde, kronik obstrüktif akciğer hastalığı (KOAH) kontrollü randomize, PR ölçüde, egzersiz kapasitesini arttırmak nefes darlığı ve yorgunluğu azaltmak, duygusal fonksiyon geliştirmek ve onların durumu ⁶ üzerinde kontrol hastaların duygusunu geliştirmek için gösterilmiştir. Ayrıca, kanıt hastanede ^8-13 geçirdiği solunum alevlenmeler ⁷ ve gün azaltmada etkinliğini belgelemektedir. Bu müdahale ^3-5 ile ilişkili yararları çok sorumlu olduğu Egzersiz eğitimi başarılı PR anahtarı olarak kabul edilir. Ancak, çeşitli için büyük bir sorunHastaların egzersiz önerilen miktardan veya seviyesine bağlı kalarak. Önerilen tedaviye uyumsuzluk terapötik girişimlerin başarısızlığı yanı sıra sağlık kaynaklarının ¹⁴ verimsiz kullanılmasına neden olabilir.

Dünya Sağlık Örgütü'ne göre, terim'' bağlılık'' Bir kişinin davranışı bir sağlık profesyoneli ¹⁵ tarafından verilen önerileri ile çakışmaktadır için ölçüde ifade eder. Bugüne kadar, rehabilitasyon ortamlarda eğitim egzersiz bağlılık büyük oranda katılım oranı (programa yani. Kaydı), tamamlanma oranı (yani programı bitirme), veya katılım oranının egzersiz (yani sayı olarak ya değerlendirilmiştir oturumları) ^16-18 katıldı. Şu anda, hiçbir "altın standart" büyük bir hassasiyetle için izin vermez bağlılık ¹⁵ ve akım ölçme yöntemleri için vardır. Dahası, seçilen metodoloji bağlı olarakd PR bağlılık oranları büyük değişkenlik ^16-19 göstermiştir. Örneğin, Hogg ve diğ. Belirtilenlere programını tamamlamış ve yaklaşık% 40 gibi düşük bir bağlılık bulanlar arasındaki oran olarak KOAH hastalarında ¹⁶ ölçülen bağlılık. Ancak, katılım oranları kullanılan diğer PR çalışmaları, ortalama% 90 bağlılık ^10,20,21 gösterdi. Bağlılık hesaplanmasında homojenlik eksikliği zor çalışmalar arasındaki sonuçları karşılaştırmak için yapar. Başka bir endişe mevcut hesaplama yöntemleri ile hassas eksikliği, bir egzersiz eğitim oturumu için katılım reçete yoğunluğuna bağlılığı garanti etmez. Bilgi bu boşluk bağlılık daha hassas bir şekilde hesaplanabilir nasıl araştırmak için götürdü.

Fitness ekipmanları teknolojisindeki son gelişmeler individu sırasında öngörülen bir aerobik antrenman yoğunluğu uyumu izlemek için kullanılabilecek sürekli veri izleme, izin varBir PR bağlamda arkadaşları egzersiz seansları. Ikinci by-saniye süre kayıt, hız, seviye, watt, hızı, kalp hızı, mesafe, kalori tüketimi, VO _2, Mets ve kalori ve tüm değişkenlerin ortalamaları sağlar şurada daha spesifik, veri izleme, donanım ve yazılım izin düzeyi ve VO ₂ istisna. Bu teknolojinin en önemli avantajı, daha önce bildirilen genel katılım veya tamamlama oranları karşı reçete egzersiz bağlılık hassas hesaplanmasına imkan sürekli detaylı tedbirlerini, kayıt yeteneği. Bu işlem bir veya birkaç aerobik egzersiz eğitim programlarının etkisini inceleyen herhangi bir çalışma için bir değer olabilir. Bu teknolojiyi kullanarak, bir reçete yoğunluğuna hasta uyumu her oturumun eğitim aşamasında belirtilen watt, seviye, hız, ya da kalp hızında harcanan yüzde zaman değerlendirilebilir. Bizim araştırmalar için, bir egzersiz eğitim protokolü bağlılık yüzde olarak tanımlanmıştırBelirtilen hedef kalp hızı aralığında harcanan zaman. Belirli bir submaksimal yükünde kalp hızı yanıtı solunum yolları fitness arttıkça azalır, bu yaklaşım hasta program boyunca (mutlak karşı) aynı göreli antrenman şiddeti de kalmasını sağlar. Mevcut protokol sürekli veri izleme teknolojisi tam bir reçete hedef kalp hızı aralığı bağlılığı ölçmek için nasıl kullanılabileceğini detaylı olarak anlatılmaktadır.

Protokol

Veriler toplanır sonra, ham verilerin seans başına konu başına tek bir dosya elde edilir. Istatistik yazılımı kullanılarak, konu başına tüm oturumlar tek bir dosyada birleştirilir. Daha sonra, hedef yoğunluk her konu için hesaplanmalıdır. Bu hedef yoğunluğuna bağlılık oranı daha sonra bütün dersler için her oturum için, ya da grup başına, konu başına seans başına hesaplanabilir.

1.. Veri Toplama (eğitim oturumu denetlenmesi personeli tarafından yürütülmektedir)

1. Kablosuz aygıtları (örneğin cep telefonları, Wi-Fi, vb.) Kapatarak elektrik paraziti en aza indirmek ve kalp hızı monitörleri ve ekipmanları birbirinden en az 1 metre olmasının sağlanması ile karışma minimize. Kalp hızı verici yerleştirilmesi için Şekil 1'e bakınız.
2. Veri izleme yazılımı açın. Basın aerobik ekipman başlangıç ​​ve hedef yoğunlukta katılımcı tren. Örneğin, bizim çalışmalarda, katılınmalıdırpantolon hedef kalp hızı ± 5 atım / dakika içinde tren istenir. CardioMemory için Şekil 2'ye bakınız.
3. Her rehabilitasyon oturum için her bir katılımcı için ikinci by-saniye veri toplamak. Toplanan veri aşağıdakileri içerir: özne kimliği, süresi (ssddss), yoğunluk düzeyi (1-30), iş yükü (watt), pedal hızı (devir / dakika), mesafe (km), pace (mm: ss / km), kalp hızı (atım / dakika), tahmini oksijen tüketimi (VO ₂ ml / dak / kg), fiziksel çaba (MET), metabolik eşdeğer, tahmini enerji harcaması (kcal / saat), ve tahmini enerji tüketimi (kcal). Şekil 3'e bakın.
4. Aerobik ekipman basın durağı. CardioMemory için veri yüklemek için "kaydet" seçeneğini tıklayın. CardioMemory dışında belgeyi kaydetmek için "ihracat" tıklayın. Belge. Cvs formatında olacak ve otomatik olarak oturumun tarihini içerecektir.

2. Veri çıkarımı

CardioMemory yazılım çeşitli egzersiz eğitim fazların ayrımı için izin vermez. Gibi, elde edilen veriler (örneğin ısınma ve soğuma), veri dosyaları birleştirmek ve hedef yoğunluğa karşı elde karşılaştırmak ilgi değildir aşamalarını ortadan kaldırmak için bir istatistik yazılımı ihraç edilmelidir.

1. Ithal açık istatistiksel analiz yazılımı excel dosyası. Prosedür: Dosya Açık Veri "Open Data" penceresinde, "Türleri Files" açılır menüsünden Tüm Dosyaları seçin Excel seçin. xls dosyası Aç "Açılış Excel Data Source" penceresinde tıklatın Tamam.
2. Bir istatistiksel analiz yazılımı veri dosyasını kaydedin. Bir örnek veritabanı için Şekil 4'e bakınız.
3. Faiz eğitim döneminde hedef yoğunlukta harcanan zaman ise, nontraining fazları, yani ısınma ve soğuma ortadan kaldırın.
   1. Isınma fazı (ilk 10 dk) ortadan kaldırın:
      1. , Süresi recodesrc 1 olarak her saniye tanımlamak için bir değişken oluşturmak için. Prosedür: Transform Farklı değişkenlere recodesrc ... "Farklı Değişkenler içine yeniden kodla" vitrinler içindew, Duration_A seçin oku tıklatın "Çıktı Değişken Adı" (örn. tempo) tespit Değişim Eski ve Yeni Değerler tıklayın "Old Value" altında seçin Değer: ve girin 0 "Yeni Değer" kapsamında, Select Değer: ve girin 0 Eklemek o: İçerik-width = src = "/ files/ftp_upload/50643/arrow.jpg" width = "20px" /> "Eski Value" altında ".2", diğer tüm değerleri seçin sonra Value tıklayın: Yeni "altında Value "ve 1 girin Eklemek Devam etmek Tamam.
         • RECODE Duration_A (= 0 0) (BAŞKA = 1) Tempo INTO.
         • Yürütmek.
      2. Ikinci bir geçici değişken oluşturun. Prosedür: Transform Shift Değerler Seç tempoiles/ftp_upload/50643/arrow.jpg "width =" 20px "/> oka tıklayın Altında "Name:" türü geçici değişken (. Örneğin tempo2) Değişim Tamam.
         • SHIFT DEĞERLERİ DEĞİŞKEN = Tempo SONUÇ = Tempo2 LAG = 1.
      3. 0 da tempo2 başlatmak için, kodlamam gerekir. Prosedür: Transform Aynı Değişkenler içine recodesrc Tempo2 Seçiniz Oka tıklayın g alt = "Ok" fo: İçerik-width = src = "/ files/ftp_upload/50643/arrow.jpg" genişliği ".2" = "20px" /> eski ve yeni değerler tıklayın "Old Value" altında, Sistem-Eksik seçin "Yeni Değer" altında değer seçin: ve 0 girin Eklemek Devam etmek Tamam.
         • RECODE Tempo2 (SYSMIS = 0).
         • Yürütmek.
      4. Sıfırdan başlayarak saniye Sum. Prosedür: Transform/ 50643/arrow.jpg "width =" 20px "/> Compute Değişken "Hedef Değişken:" türü altında tempo "Sayısal İfade" tipi lag (tempo) +1 altında IF ... Seçerseniz durum tatmin durumunu ekleyin: Tip tempo2> 0 Devam etmek Tamam.
         • IF (Tempo2> 0) Tempo = Lag (tempo) + 1..
         • Yürütmek.
      5. Isınma ilk 10 dakika ortadan kaldırmak için, 599 saniye öncesinde tempo verileri kaldırın. Prosedür: Veri Durumları seçin ... "Koşulu sağlandığı takdirde" "Select Cases" penceresinde, "Seç" altında seçin Eğer ... In "Kılıfları seçiniz:" Eğer pencere, insert denklem tempo> 599 Devam etmek Altında"Çıkış", seçilmemiş olgu Sil'i seçin Tamam. Şekil 5'e bakın.
         • Filtre kapalı.
         • ALL KULLANIN.
         • (Tempo> 599) IF SEÇ.
         • Yürütmek.
   2. Soğuma fazı (. Örneğin son 5 dakika) ortadan kaldırın:
      1. SPSS itibaren dosyanın üstüne veri kaldırır gibi Duration_A, veritabanı üstüne soğuma fazı getirmek için azalan verileri sıralama. Prosedür: Veri Sıralama Kılıfları "Sıralama Cases" penceresinde, Duration_A seçin Bir tıklayınRROW "Sıralama" menüsünden azalan seçin Tamam.
         • Duration_A (D) GÖRE SIRALAMA DAVALARI.
      2. 1 gibi her saniye tanımlamak için Duration_A recodesrc. Prosedür: Transform Farklı değişkenler içine recodesrc ... "Farklı Değişkenler içine yeniden kodla" penceresinde, Duration_A seçin oku tıklatın "Çıkışı tespit Değişken Adı "(örn.. TempoA) Değişim Eski ve yeni değerler tıklayın "Old Value" altında seçin Değer: ve girin 0 "Yeni Değer" altında değer seçin: ve 0 girin Eklemek "Yeni Değer" altında ve 1 girin: "Old Value" altında tüm diğer değerleri seçin, ardından Değer tıklayınad/50643/arrow.jpg "width =" 20px "/> Ekle Devam etmek Tamam.
         • RECODE Duration_A TempoA INTO (= 0 0) (BAŞKA = 1).
         • Yürütmek.
      3. Ikinci bir geçici değişken oluşturun. Prosedür: Transform Shift Değerler TempoA Seçiniz Oka tıklayın Altında "Name:" türü geçici değişken (. Örneğin tempoA2) Değiştir ".2" Tamam.
         • SHIFT = 1 DEĞİŞKEN = TempoA SONUCU = TempoA2 LAG DEĞERLERİ.
      4. 0 da tempoA2 başlatmak için, kodlamam gerekir. Prosedür: Transform Aynı Değişkenler içine recodesrc TempoA2 Seçiniz Oka tıklayın Eski ve yeni değerler tıklayın "Old Value" altında, Sistem-seçin M Issing "Yeni Değer" altında değer seçin: ve 0 girin Eklemek Devam etmek Tamam.
         • RECODE TempoA2 (SYSMIS = 0).
         • Yürütmek.
      5. TempoA değişkenin saniye Sum. Prosedür: Transform Değişken hesaplayın "Hedef Değişken:" türü altında tempoA 50643/arrow.jpg "width =" 20px Sayısal İfade "tipi lag (tempoA) 1" /> altında " IF ... Seçerseniz durum tatmin durumunu ekleyin: Tip tempoA2> 0 Devam etmek Tamam.
         • IF (TempoA2> 0) TempoA = Lag (tempoA) + 1.
         • Yürütmek.
      6. Soğuma fazı (yani 5 dk) ortadan kaldırmak için, 299 saniye öncesinde tempo verileri kaldırın. Prosedür: Veripg "width =" 20px "/> Seçiniz olgu ... "Koşulu sağlandığı takdirde" "Select Cases" penceresinde, "Seç" altında seçin Eğer ... In "Select Cases:" Eğer pencere, denklem eklemek tempoA> 299 Devam etmek "Çıktı" başlığı altında, seçilmemiş davaları Sil'i seçin Tamam. Şekil 6'ya bakın.
         • Filtre kapalı.
         • ALL KULLANIN.
         • IF (tempoA> 299) SEÇ.
         • Yürütmek.
   3. Veri kümesi ile ilişkili oturum numarasını (veya tarihi) tanımlayın. Oluşturmak ve yeni bir değişken (örn.. Oturum) isim. Prosedür: Transform Değişken hesaplayın Hedef Değişken tipi Session altında işlem değişken penceresinde açmak için Tür ve Etiket tıklayın "Compute değişkeni: bir yazın ..." pencere "Tip" altında Dizgi seçin Devam etmek Dize İfade türü '1 'altında Tamam. Şekil 7'ye bakın.
      • STRING Session (A8).
      • HESAPLAMA Oturum = '1 '.
      • Yürütmek.
   4. Yeni bir dosyaya modifiye SPSS belgeyi kaydedin (örnek: subjectID_session #).
   5. Aynı konu için kalan tüm oturumlar için yukarıdaki işlemi tekrarlayın.

3. Veri Birleştirme - Tek Katılımcı

1. Tek bir SPSS veri tabanında, açık katılımcının ilk oturumda (yani. SubjectID_session1) içine tüm oturumları birleştirmek için.
2. Geçerli dosyaya kalan oturumları Birleştirme. Prosedür: Veri Dosyaları Birleştirme Kılıfları Ekle "subjectID_session1.sav için Kılıfları ekle" penceresinde, Gözat'ı tıklatın ve dosya subjectID_session2 seçin Açık Devam etmek "dan Kılıfları Ekle ..." in penceresi Tamam 'ı tıklatın. kalan tüm oturumları için tekrarlayın. Şekil 8 Bkz.
   • DOSYALAR / ADD FILE = *
   • / DOSYA = 'SubjectAB001_Session1.sav'.
   • Yürütmek.
3. Kişinin kimlik numarasını içeren bir sütun ekleyin. Prosedür: Tr ansform Değişken hesaplayın Hedef Değişken tipi SubjectID altında "Compute Variable" penceresinde açmak için Tür ve Etiket tıklayın "Compute değişkeni: bir yazın ..." pencere "Tip" altında Dizgi seçin Devam etmek Dize İfade tipi 'SubjectID' (örn. 'AB001') altındas/ftp_upload/50643/arrow.jpg "width =" 20px "/> Tamam. Şekil 9'a bakın.
   • YAYLI Subject_ID (A8).
   • HESAPLAMA Subject_ID = 'AB001'.
   • Yürütmek.
4. Konunun hedef yoğunluğu (örn.. Hedef kalp hızı [THR]) içeren bir sütun ekleyin. Prosedür: Transform Değişken hesaplayın Hedef Değişken tipi THR altında "Compute Variable" penceresinde açmak için Tür ve Etiket tıklayın "Compute değişkeni: bir yazın ..." pencere "Tip" altında Sayısal seçin Devam Sayısal İfade tipi THR altında (örneğin. 110) Tamam. Şekil 10 Bkz.
   • YAYLI THR (A8).
   • HESAPLAMA THR = '110 '.
   • Yürütmek.
5. Farklı bir dosya adı altında veritabanını kaydedin (örneğin. SubjectAB001_session1-36).
6. Kalan tüm katılımcılar için tekrarlayın. Bu noktada, her katılımcı tüm oturumları içeren bir veritabanı olacaktır.

4. Veri Birleştirme - gruplandırma Katılımcılar

1. Tek bir veritabanına grup birkaç katılımcı, açık, katılımcı dosyası (yani subjectID_session1-36).
2. Geçerli f kalan katılımcıların BirleştirmeIle. Prosedür: Veri Dosyaları Birleştirme Kılıfları Ekle penceresinde "Ekle Kılıfları SubjectAB001_session1-36.sav için", Gözat'ı tıklatın ve dosya SubjectCD002_session1-36 tercih Açık Devam etmek "dan Kılıfları Ekle ..." in pencere tıklatın Tamam. gruplandırmak isteyen tüm katılımcılar için tekrarlayın. Şekil 11'e bakın.
   • DOSYALARI ADD /DOSYA = *
   • / RENAME (AB001 = d0)
   • / DOSYA = 'SubjectAB001_Session1-36.sav'
   • / RENAME (CD002 = d1)
   • / DAMLA = d0 d1.
   • Yürütmek.
3. Yeni bir veritabanı (örneğin. Group01_Subjects001-010) kaydedin.

5. Hedef Şiddeti tanımlanması (örn. THR Range)

1. Bir THR aralığını belirlemek; Transform tıklayın Değişken hesaplayın "Hedef Değişken" yeni bir değişken adını girin (örneğin Diff_HR_THR) kapsamında "Compute Variable" penceresinde "Type & Label ..." "C ompute Değişken: bir yazın .... "Sayısal seçiniz Devam etmek "Sayısal İfade" altında denklemi girin: HR - THR Tamam. Bu yeni bir değişken ile bize sunuyor.
   • HESAPLAMA Diff_HR_THR = HR - THR.
   • Yürütmek.
2. İK yukarda, aşağıda yatıyor, ya THR aralığında olup olmadığını belirlemek için değişkenleri recodesrc. Prosedür: Transform Farklı Değişkenler içine recodesrc ... Diff_HR_THR seçin"Src =" / files/ftp_upload/50643/arrow.jpg .2 "width =" 20px "/> oka tıklayın "Ad" türü Diff_HR_THR _recoded altında "Output Variable" altında Değişim Eski ve Yeni Değerler ... penceresi: "Eski ve Yeni Değerler Farklı Değişkenler içine yeniden kodla" in:

Eski Değer	Yeni Değer		Eski -> Yeni:
Menzil: -5 ile 5	1	ekle	-5 5 thru -> 1
Menzil, değeri üzerinden DÜŞÜK: -5	0		-5 Aracılığıyla düşük -> 0
Menzil, değeri YÜKSEK ile: 5	0		5 en yüksek thru -> 0
System-Eksik	System-Eksik		SYSMIS -> SYSMIS

Devam etmek Tamam. Şekil 12 Bkz.

• RECODE Diff_HR_THR (SYSMIS = SYSMIS) (-5 5 = 1 thru) (aracılığıyla -5 = 0, en düşük) (5 en yüksek = 0 sokmak) INTO
• Diff_HR_THR_Recoded.
• Yürütmek.

6. Yüzde bağlılık hesaplanması

1. Group01_Subjects001-010 dosyası, hasta takip yaparak THR aralığında olduğunu tüm Saniye hesaplamak: Veri Toplam "Toplam Veri" penceresinde, altında "(ler) Değişken kırın:" seçiniz subjectID ve aktif oku tıklatın "(ler) Değişken özetleri:" altında Diff_HR_THR _recoded seçin oku tıklatın Fo = "Ok": İçerik-width = src = "/ files/ftp_upload/50643/arrow.jpg" width = "20px" /> OK ".2". Yeni bir değişken adı Diff_HR_THR _recoded_mean ile oluşturulur.
   • AGREGA
   • / OUTFILE = * MODE = ADDVARIABLES
   • / BREAK = Subject_ID Oturum
   • / Diff_HR_THR_Recoded_mean = ORTALAMA (Diff_HR_THR_Recoded).
2. Bir yüzdesi olarak elde edilen değer dönüştürmek; Transform tıklayın Değişken hesaplayın "Hedef Değişken" değişken adını girin altında (örneğin Perc_THR) "Sayısal İfade" altında Diff_HR_THR _recoded_mean seçin"/> Oka tıklayın 100 (Diff_HR_THR _recoded_mean * 100) ile değerini çarpın Tamam. Daha sonra her oturum için her konu için THR içinde harcanan zamanın bir yüzdesi olarak yapışmayı elde. Şekil 13
   • HESAPLAMA Perc_THR = Diff_HR_THR_Recoded_mean * 100.
   • Yürütmek.
3. Sadece subjectID ile yerine subjectID ve oturumu: altında, "Toplam Veri" penceresinde, kombine tüm oturumlar için her konu için THR içinde harcanan zamanın yüzdesi için yapışmayı elde etmek "(ler) Değişken kırın". Şekil 14'e bakın.
4. "Toplam Veri" penceresinde, "altında, kombine tüm konular için her oturum için THR içinde harcanan zamanın yüzdesi için yapışmayı elde etmekSadece oturum ile "yerine subjectID ve aktif: (lar) Değişken kırın.
5. Farklı bir dosya adı (örneğin. Group01_Subjects001-010_Aggregate) altında veritabanını kaydedin.

Sonuçlar

Protokol doğru yapıldığında, bir bağlılık oranı tüm oturumlar için her konuda (Şekil 14) için, her oturumun (Şekil 13) her konu için elde, ve kombine tüm konular için her seansta. Bir konu, tek bir oturum için yukarıdaki protokol tamamlamak için gereken zamanın tahmini yaklaşık 5 dk. Bağlılık için sonuçlar% 0-100 arasında olabilir. Bu bilgileri kullanarak, ilave analizler konularda (yani cinsiyet farklılıkları, hastalık şiddeti, vb.), Zamanla değişiklikleri tespit etmek ve bağlılık desenleri ortaya arasındaki farklılıkları belirlemek için yapılabilir. Ayrıca, gruplar arasındaki yapışmanın karşılaştırma yapılabilir, örneğin, farklı egzersiz eğitim programları karşılaştırılabilir. Son olarak, daha fazla araştırma yoluyla, uyumsuzluk nedenleri PR sırasında belirli zaman noktalarında tespit edilebilir.

">
Şekil 1. Kalp hızı verici yerleştirme. resmi büyütmek için buraya tıklayın .

Veri izleme yazılımı kullanılarak toplanan verilerin Şekil 2.. Örnek. resmi büyütmek için buraya tıklayın .

Veri izleme yazılımı çıkışı Şekil 3.. Örnek.jove.com/files/ftp_upload/50643/50643fig3highres.jpg "target =" _blank "> büyük resmi görebilmek için buraya tıklayın.

Şekil 4. Istatistiksel yazılım veritabanı örneği gösteren örnek veritabanı. resmi büyütmek için buraya tıklayın .

Şekil 5,. Ortadan ısınma evresini gösteren örnek veritabanı. resmi büyütmek için buraya tıklayın .

Ortadan soğuma aşamasına gösteren Şekil 6.. Örnek veritabanı. resmi büyütmek için buraya tıklayın .

Oturum numarası için eklenen bir sütun gösteren Şekil 7.. Örnek veritabanı. resmi büyütmek için buraya tıklayın .

Tek bir KATILIMCI için birleştirilmiş oturumları gösteren Şekil 8.. Örnek veritabanı t. resmi büyütmek için buraya tıklayın .

Tabi kimlik numarası için eklenen bir sütun gösteren Şekil 9.. Örnek veritabanı. resmi büyütmek için buraya tıklayın .

Hedef kalp hızı için eklenen bir sütun gösteren Şekil 10.. Örnek veritabanı. resmi büyütmek için buraya tıklayın .

"fo: keep-together.within-page =" e_content hep ">
Birleştirilmiş katılımcıların dosyalarını gösteren Şekil 11.. Örnek veritabanı. resmi büyütmek için buraya tıklayın .

Recoded kalp hızı değişkenleri gösteren Şekil 12.. Örnek veritabanı. resmi büyütmek için buraya tıklayın .

FŞEKIL 13. (yatay kırmızı çizgi, aynı konu için oturumları arasındaki bağlılık değişikliği vurgular) her oturum için her konu için hedef kalp hızı aralığında harcanan zamanın bir yüzdesi olarak bağlılık gösteren örnek veritabanı. resmi büyütmek için buraya tıklayın .

Tüm oturumlarda (yatay kırmızı çizgi konular arasındaki farkı vurgular) için her konu için hedef kalp hızı aralığında harcanan zamanın yüzdesi için yapışmayı gösteren Şekil 14.. Örnek veritabanı. resmi büyütmek için buraya tıklayın .

Tartışmalar

Sürekli veri izleme teknolojisi egzersiz bağlılığın çok hassas ölçümü için olanak sağlar. Bu prosedür kolayca hedef watt, seviye, hız, veya MET düzeyi ile hedef kalp hızı aralığı değiştirerek bağlılığın diğer tanımlarına adapte edilebilir. Bu örnekte, ısınma ve soğuma evreleri çünkü bizim özel araştırma hedefi egzersiz fazı izole etmek elimine edilmiştir. Isınma ve soğuma evreleri diğer araştırmacıların ilgi olmalıdır, adım 2.3 ("nontraining aşamalarını ortadan kaldırın") protokol elimine edilebilir. Ayrıca, donanım ve yazılım gibi eliptik koşu bandı, step, kol ve ergometrenin gibi eğitimin diğer modları, bağlılığı ölçmek için de kullanılabilir.

Yukarıdaki protokol, bazı basit adımlar önemlidir. Birincisi, CardioMemory yazılım trac olmak egzersiz veriler için egzersiz ekipmanları (örneğin. Döngüsü ergometreye) önce başlamış olmalıKED ve daha sonra kaydedilir. Veriler, bu ilk aşamada kaybolur durumunda, veri çıkarma protokolü buna göre ayarlanması gerekir. İkincisi, parazit kaynakları karışma ve / veya veri kaybı riskini azaltmak için minimize edilmelidir. Kalp hızı monitörleri ekipman ve yazılım ile kablosuz iletişim. Yapışmasını hesaplamak için hedef kalp hızı kullanılarak eğer Böylece, parazit özellikle zararlıdır. Son olarak, büyük miktarlarda veri için izin kapasitesine sahiptir veritabanı için istatistik yazılımı seçmek zorunludur. Örneğin, 10 katılımcı 40 dakika her biri 36 oturumları tamamladıktan ile bir çalışmada, veri noktaları 864.000 satırlar oluşturulur. SAS ²⁴ ve SPSS ²⁵ satır sayısı için hiçbir sınırı vardır oysa Excel 2007 ve sonraki sürümleri, bir çalışma sayfasında ²³ 1.048.576 satır içerecek şekilde kapasitesine sahip. Verilen bir çalışma için beklenen veri noktalarının toplam sayısına bağlı olarak, yazılım göre seçilmesi gerekir.

Bu teknolojinin önemli avantajlara rağmen, iki ana sınırlamalar vardır. İlk donanım ve / veya yazılım hatası neden olabilir ki, veri kaybıdır. Yukarıda bahsedildiği gibi, veri kaybı kablosuz aygıtların (örneğin cep telefonları ya da Wi-Fi) ile elektriksel parazite bağlı olması ve özellikle kalp hızı kablosuz veri iletimi ile müdahale edebilir. Ancak, zaman zaman, veri kaybı da tanımlanamayan nedenlere bağlı olabilir. İkinci bir sınırlama yazılım işaretleme veya farklı evrelerini tanımlamak / ayırt etmek için sistematik egzersiz protokolünü bölme seçeneği sunmaz olmasıdır. Bu seçenek olsaydı, ilgi egzersiz fazının çıkarma yapışma hesaplama protokolde adımları sınırlamak hangi, yazılım doğrudan yapılabilir. Bunun için izin verecek, hem de belirteçleri yerleştirme seçeneği aralığı veya kesintili eğitim protokolleri bağlılık çalışma için pratik olacaktır(yüksek şiddette karşı örn. düşük) farklı aşamalarının farklılaşma.

Gelecek perspektifleri için, tam bağlılık ölçmek için sürekli veri izleme teknolojisi kullanımı, farklı müdahaleler egzersiz kalıpları tepki araştırılmaya olanak bağlılığın belirleyicileri, iyi ve kötü adherers karakterize edecektir. Sonuçta, egzersiz bağlılık daha iyi anlaşılması egzersiz rehabilitasyon programlarının optimizasyonu için izin verir.

Malzemeler

Name	Company	Catalog Number	Comments
Bike Excite Med 700	Technogym - www.technogym.com		SCIFIT (http://scifit.com/)
CardioMemory software	Technogym - www.technogym.com	Version 1.0	SCIFIT (http://scifit.com/)
Polar heart rate monitor	Polar - www.polarca.com	T31 coded Transmitter
SPSS Statistical Software	SPSS Inc. - www.spss.com/	Version 16.0	SAS/STAT software (http://www.sas.com/)