文摘

先前的研究已经描述了不同类型的噪声产生重大影响的心率变异性(HRV)的线性行为。然而,很少有研究对HRV在暴露于交通噪声的复杂性。在这项研究中,我们评估的复杂性HRV在交通噪声暴露。我们分析了31个健康的女学生年龄在18岁到30年。志愿者仍在休息期间坐在在自主呼吸与耳机关闭10分钟,然后他们被暴露于交通噪音通过耳机一段10分钟。交通噪声记录从一个非常繁忙的街道,声音是由汽车,公共汽车,和卡车发动机和角(71 - 104分贝)。我们观察到无显著的变化对HRV线性分析。CFP3(科恩 巨大的影响大小)和CFP6(科恩的 ,大混乱的效应大小)参数全局分析和香农(科恩的 大小),大影响,Renyi(科恩的 巨大的影响大小)和Tsallis(科恩 ,大效果显著)熵增加 在交通噪声暴露。总之,交通噪声在实验室条件下通过混乱的全球分析HRV的复杂性增加,熵在健康女性的一些措施。

1。介绍

噪音可能被认为是一个不愉快的声音,这可能对生理的影响变量。它是经常发现在危险情况下由于工业化和城市化1]。通过这种方式,研究文献曾调查了不同类型的噪声对自主神经系统的影响通过分析心率变异性(HRV) [2]。李等人。3)指出,白噪声高于50 dB影响HRV的光谱分析,说明频域之间的显著相关性分析和声压级。Umemura和本田(4)重申,这种类型的噪声也鼓励HRV的偏差。然而,迄今为止的研究文献只关注传统的HRV线性指标分析(2,4,5]。

的线性分析HRV时域和频域的并不完全适合提供信息的复杂动力学心跳发放。这是因为心血管生理学机制相互作用非线性的方式(6]。此外,相关方法的非线性行为HRV据报道目前的临床相关性和提供改进的解释关于这些病理机制7,8]。

最近,欧洲心脏病协会连同欧洲心脏节律协会和coendorsed亚太心脏节律协会关注非线性方法评估HRV [9]。在本文中,作者地址熵和规律性,长程相关性和分形分析,短期的复杂性、非线性动力系统,和混沌行为。然而,很少有研究文献比较HRV分析混沌全局分析和香农,Renyi, Tsallis熵在非线性分析(参见后面的一节)。

这个信息与混沌理论、分形数学,和HRV的动态复杂性尚未完全应用于临床医疗实践。然而,这是一个生产领域研究和开发的知识在健康和疾病(10]。此外,复杂的测量之间的时间间隔连续心跳间隔(RR)分析期间暴露于交通噪音没有被研究过。研究分析HRV和交通噪声暴露对象真实的交通,而接触到多个刺激(视觉、谈话、温度和湿度),在自主神经系统产生重大影响。敏感的技术来识别自主变化是必要的,以避免可能的生理损伤机体。因此,我们的目的是评估的交通噪声严重影响HRV的复杂性实验室单独的条件。

2。方法

2.1。研究人群

我们检查了31个看似健康的女学生年龄在18岁到30年。所有志愿者了解研究的程序和目标,达成一致后,签署了一份保密同意书。研究过程都是研究伦理委员会批准(REC)的机构(箱号2011/382)跟从了196/96的国家健康委员会的决议。我们排除了女性在下列条件:身体质量指数(BMI) > 30公斤/米²收缩压(SBP) > 140毫米汞柱,舒张压(菲律宾)> 90毫米汞柱(静止),和内分泌、心血管、呼吸和神经系统相关疾病或任何条件,阻止这一主题进行研究。为了避免影响与性激素有关,我们不包括妇女11日15日和21日至25日天后的第一天月经周期(11]。

2.2。初步评估

受试者被收集以下信息:年龄、质量,高度,和身体质量指数(BMI)。质量是衡量使用数字规模(W200/5、Welmy、巴西)精度为0.1公斤。高度决定使用测距仪(ES2020,珊妮,巴西)精度为0.1厘米,长220厘米。的身体质量指数(BMI)被随后的计算公式:质量(公斤)/身高(米²)。我们测量心率和血压。心率测量与极地RS800CX心率监测器(极电、芬兰)。血压间接测量通过校准听诊无液血压计(美国纽约韦尔奇阿林)和听诊器(美国圣保罗Littmann),所有科目就座。

2.3。测量听觉刺激

等效噪音的测量进行了在一个隔音的房间里,用一个音频剂量计102 SV (Svantek、芬兰)。在测量电路程序7“A”权重,反应迟缓[12]。

我们使用了泥潭耳机,这是放置在听觉运河的主题和相关个人立体声。在每个测量之前,耳机是校准声校准器CR: 514(卷研究plc)模型。

这个工具被用来分析Leq (A),定义是等价的声压级,和声级对应相同的恒定的时间间隔。它包含相同的总声音能量,也分析了频谱的声音刺激(第八跟踪)频率(13的交通噪声(71 - 104分贝)(图1)。

2.4。试验协议

数据收集是21°C之间开始在室温和25°C,湿度在50%和60%之间。受试者被指示不要摄取酒精或咖啡因24小时前评估。实现数据收集分别18:00至21:00,避免生理的影响。志愿者们被要求保持静止,避免谈话期间实验。

初步评估后,心脏监测皮带放在胸腔,与远端三分之一的胸骨和极地RS800CX心率接收机(极电、芬兰)放在手腕。随后,志愿者保持静止坐10分钟的耳机。

接下来,志愿者暴露于交通噪音通过耳机一段10分钟。交通噪声记录从一个非常繁忙的街道Marilia市SP,巴西。声音是由汽车、公共汽车、卡车工程师,和角。

2.5。HRV分析

记录下了RR间隔极地RS800CX心率监测采样率为1000 Hz。然后他们被转移到极地精度性能软件(3.0 v,极电、芬兰)。这个软件允许人力资源的可视化和相关文件的提取心脏内(RR-interval)“三种”文件。数字滤波后补充了手动过滤消除文物和过早异位节拍,500 RR间隔申请数据分析。只有系列有超过95%的窦节拍被纳入研究。HRV分析之前和期间的交通噪音。

2.6。HRV线性分析

时域分析完成的SDNN normal-to-normal RR间隔(标准偏差),pNN50(比例的相邻RR间隔的不同持续时间大于50毫秒),和RMSSD之间的差异(均平方相邻正常RR间隔时间间隔)(14]。

获取光谱指标HRV频域分析,频率录音进行了数学处理,因此产生血流速度图,表达了RR间隔的变化作为时间的函数。血流速度图包含一个信号,随时间和由数学处理快速傅里叶变换(FFT)算法。韦尔奇的基于FFT的周期图方法使用一个窗口宽度为256秒,应用重叠的50%。

低频(LF,介于0.04和0.15 Hz)和高频(HF,从0.15到0.4 Hz)光谱组件选择归一化单位(ν)。这些组件之间的比率绝对值(LF / HF)代表每个光谱分量的相对价值与潜在-非常低的频率(甚低频)组件。一定要提到低频/高频指数可以提供重要的信息在受控条件下的自主调节的窦房结和短期录音(14]。

对于计算的线性指标,我们应用了HRV分析软件(Kubios HRV v.1.1对于Windows,生物医学信号分析组,应用物理学系Kuopio大学芬兰)。

2.7。线性指数的统计分析

统计方法的线性指数均值和标准差的计算获得批准。正常的高斯分布的数据验证了拟合优度检验Shapiro-Wilk (值> 1.0)。

使比较的变量之间的控制和交通噪声暴露,我们应用未配对的学生以及对参数分布和Mann-Whitney测试非参数分布。是水平的意义 ,0.5%。

2.8。非线性分析

2.8.1发布。去趋势波动分析(DFA)

去趋势波动分析(DFA) (15)可能被应用到数据集等参数的意思是,方差、自相关随时间。DFA计算相关在这个信号。它量化信号的波动与信号的样本数量规模。据唐纳森et al。16),时间序列的长度操作如图所示:

综合时间序列被分成同样大小的长度和不重叠的窗口 。一个线性回归直线拟合通过每个窗口中的数据和时间序列被减去的回归线数据。

均方根广场波动集成和去趋势时间序列的不同值的计算 ,如下: 标度指数(α一条直线的斜率)得到适合对重对数坐标图:

在可变性分析DFA技术广泛实施。它已经被应用到评价的姿势(17)、运动(18和睡眠阶段分类19),哮喘和分类(20.)和慢性阻塞性肺病(16,21,22]。

2.8.2。混乱的整体分析

球方法(MTM) (23)是有用的谱估计和信号重建,时间序列的谱,可能包含宽带和组件。MTM减少谱估计的方差通过使用少量的蜡烛(windows)。数据由正交自左乘蜡烛为了减少频谱泄漏由于有限的时间序列的长度。一组功率谱计算的近似。这些函数确定为离散长序列的球状序列(离散长)有时被称为斯莱皮恩(24)是一组函数优化这些蜡烛。他们被定义为特征向量Rayleigh-Ritz最小化问题(25]。

2.8.3。高谱熵

高光谱熵(海关熵)[26)是一个不规则的函数振幅和频率的功率谱峰值。它是派生通过应用夏侬熵MTM功率谱(见图2)。然后,我们计算一个中间参数夏侬熵的中位数的值来自三个不同的功率谱使用MTM功率谱在三个测试条件:(a)一个完美的正弦波,(b)均匀分布随机变量,最后(c)实验振动信号。这些值归一化数学的正弦波值为零,均匀随机变量给统一,实验信号值在0和统一。它是最后的值相对应海关熵。

2.8.4。高光谱DFA

正如之前提到的,DFA (26)算法可以应用于数据集等统计数据的意思是,方差、自相关随时间。的高光谱去趋势波动分析(海关DFA)就是DFA算法应用于频率而不是时间在水平轴(图2)。所以,设在频率和设在振幅。获得海关DFA,我们计算光谱为适应以完全相同的方式海关的MTM功率谱熵应用相同的设置,但DFA而不是香农熵算法执行。

2.8.5。光谱多窗口方法

光谱多窗口方法(sMTM) (27)是建立在宽带噪声功率谱密度的增加所产生的不规则和混乱的信号。sMTM MTM功率谱之间的区域,基线(见图2)。

2.8.6。混乱的向前参数(CFP 1 CFP7)

参数(CFP 1 - 7)被称为混沌参数(CFP)函数CFP1转发给应用CFP7低于正常受试者和交通噪声暴露RR-interval时间序列。自海关DFA对混乱负别人,我们减去其价值统一。在这项研究中,所有三个混沌全局值权重的统一。

2.8.7。香农熵

香农熵(28)是由模糊的程度与结果的发生有关。更高价值的熵给出了一个更加不确定的结果,更难以预测。

香农熵可以在全球范围内使用,申请时间序列全部或附近的具体分左右。这个测量可以提供额外的证据对具体事件如局外人或间歇性事件。相比之下Tsallis (29日]和Renyi [30.熵,香农熵是添加剂。因此,如果概率可以factorised成独立的因素,联合熵的过程是熵的不同过程的总和。

2.8.8。Renyi熵

Renyi熵是一个通用的声明依赖夏侬熵的一个指定的参数。Renyi熵取决于熵的秩序(我们设置为0.25)。Renyi夏侬熵,熵方法 可以导出了洛必达法则(31日,32]。随着熵的订单增加,程序变得更加敏感的值发生在更高的概率和不敏感的概率较低。Renyi熵是描述完全由Zyczkowski研究[33和兰兹等。30.]。

2.8.9。Tsallis熵

Tsallis熵是一个通用的标准Shannon-Boltzmann-Gibbs熵。介绍了统计力学的应用和计算机科学中使用模式识别。Tsallis熵取决于指定的参数称为熵的指数(我们设置为0.25);Tsallis熵成为Shannon-Boltzmann-Gibbs熵,熵的指数 。Tsallis熵是由多斯桑托斯(出版物中进行进一步的讨论29日],a . r . Plastino和a . Plastino [34],Mariz [35]。

2.8.10。近似熵

讨论了近似熵(ApEn)平卡斯(36]。这是一个过程需要评估水平的均匀性和随时间变化的不可预知性。ApEn特定组件的匹配序列的对数比率从信号长度, 。其他参数包括 ,宽容, ,嵌入维数。在这里我们设置的参数2,数据的标准偏差的20%。ApEn的缺点是,它非常依赖于时间序列的长度和短时间序列通常是低于预期。最后,它是不利的,因为它缺乏“相对一致性”(37]。

零的最小值ApEn表明一个完全可预测的时间序列,而最大价值的人会指定一个完全不可预测的时间序列。大多数时候,这两个值之间的值。

ApEn数学描述为在Kubios HRV分析手册(38]。

第一个一组的长度向量形成;注意嵌入维度, ,和 ,RR间隔的数量。

这些向量之间的距离是最大的对应元素之间的绝对差;因此,

下为每一个向量的相对数量的 计算。这个索引来标示,可以书面形式

由于标准化的价值总是小于或等于1。注意值,然而,至少 自也包括在计算中。然后,取自然对数和平均屈服

最后,ApEn获得

2.8.11。样本熵

样本熵(SampEn) [37- - - - - -39类似于ApEn但计算有两个重要的修改。ApEn,计算向量的数量的 ,也向量本身是包含在。这将确保总是大于零,可以计算对数。遗憾的是,它使ApEn偏见。SampEn制定减轻这种偏见。再次,嵌入维数和公差参数 。我们设置2,20%的时间序列的标准差。同样,ApEn和SampEn估计的负面自然对数的条件概率,数据长度 ,有重复本身在一个宽容为点,还会重演 点。

SampEn Kubios HRV分析手册中也称为(38]。

在SampEn self-comparison是被计算作为

现在的价值将在0和1之间。然后,的值是平均收益率

SampEn数学描述

2.8.12。Higuchi分形维数(HFD)

分形系统表现出一种称为自相似性特征。经仔细审核一个自相似对象由较小的版本的自己。有几种算法可应用于测量分形维数。有一些由Higuchi [40],Katz [41),卡斯蒂格利奥尼(42]。在这里,我们应用技术由Higuchi制定认为经常是最健壮的技术。

Higuchi派生新的算法来测量离散时间序列的分形维数。这是一个直接实施技术,RR间隔。没有功率谱的一步。的重建相空间吸引子是不必要的,算法简单,速度比相关维度(43,44]。Khoa et al。45)数学描述算法,下面的改编。

它是基于长度的测量, ,曲线的表示考虑在使用一段时间序列作为一个单元样品,如果鳞片像

据说曲线分形维数因为一个简单的曲线维数等于1和一个平面尺寸等于2;的价值之间总是1(简单曲线)和2(曲线几乎填写整架飞机)。措施的复杂性曲线和曲线的时间序列图表示。

从一个给定的时间序列, ,该算法构造新的时间序列: 在哪里初始时间价值,表明离散点之间的时间间隔(因此延误, ,最大间隔时间),然后呢是一个实数的整数部分 。

为每个时间序列构造,平均长度然后计算, 在哪里是RR间隔的总数。后来,时间间隔的长度曲线表示为价值之和组如下公式所示:

最后,曲线的斜率使用最小二乘估计线性最适合和HFD产生的斜坡。选择一个合适的值 ,HFD值是针对一系列的策划 。分形维数的点高原被认为是一个饱和点。那值应该被选中。我们测量的数据没有达到饱和点。

2.8.13。影响的大小

量化协议差异显著差异的大小,使用科恩的效果进行了计算显著差异( )。效果被认为是大值≥0.9,中值在0.9和0.5之间,和小的值在0.5和0.25之间(46]。

3所示。结果

表1说明质量的值、身高和体重指数的志愿者;所有值都在正常生理标准。

数据显示3和4,我们说明了交通噪音没有引起显著的HRV线性指标的变化分析。没有显著的变化时间(心率、SDNN意味着RR, pNN50,和RMSSD)和频域(低频和高频绝对和归一化单位和低频/高频比值)的HRV指标。

3.1。混乱的整体分析

在表2和图5,我们显示向前混沌参数的平均值和标准偏差(CFP1 CFP7)对正常和交通噪声暴露的主题。在和这两个参数有500 RR间隔单向方差分析(ANOVA1)和非参数克鲁斯卡尔-沃利斯测试应用的意义。以下是正常的不确定的测试(见下文)。

有七个排列的三个混乱的全局参数。所有混乱的全局值都相等的权重。混乱的向前参数(CFP)使混乱的全局变量的不同组合应用,以确保我们有最好的组合验证后由多变量分析。预计的CFP适用这三个应该是最强劲的。这是因为它需要的信息,在三种不同的方式处理它。三个会偏离的总和大于单引号或双排列。潜力分析风险是,因为我们只计算谱组件,相位信息丢失。

在实现参数统计,正态分布的数据。为了验证这个假设,我们应用Anderson-Darling和Lilliefors测试。在Anderson-Darling测试的情况下,一个经验累积分布函数,而Lilliefors测试受试者的数量较低时是有益的。从测试结果显示类似数量的非正规的和正态分布,因此我们申请的克鲁斯卡尔-沃利斯和ANOVA1测试的意义。

3.2。主成分分析

主成分分析(PCA)是一种多元技术分析高维数据集的复杂性。主成分分析是有用的,当来源的数据需要解释和可变性减少数据的复杂性,通过评估维度较低的数据。主成分分析的主要目标是合理化的可变性来源的数据和表示数据较少的变量在维持总方差的大多数(图6)。

CFP1t第一主成分(PC1) 0.358,第二主成分(PC2) 。然而,CFP3t PC1 0.191和PC2 。只有前两个组件需要被认为是由于陡峭斜坡阴谋。累积影响PC1比例是58.1%和99.5%的累计总数PC1 PC2。PC2有41.3%的影响。CFP1适用于所有三个混沌全球技术最优和最强大的整体组合关于影响正确的结果(图6)。

表3说明了相关的主成分分析对CFPt 7组31交通噪声暴露对象。从RR-interval CFP值推导出全球算法执行时间序列和混沌。

3.3。Higuchi分形维数(HFD)

Higuchi的描述性统计分形维数与对照组( )为500 RR间隔展示在表4。的值的参数计算多次10至150每隔10。

Higuchi的描述性统计分形维数的交通噪声暴露对象( )为500 RR间隔展示在表5。的值的参数计算多次10至150每隔10。

图7说明了Higuchi盒须图的分形维数的RR间隔对照组(a)和交通噪声暴露对象(b),计算多次从10到150年等距为不同级别的单位 。点接近零的最小和最大最远。的边界框表明第25百分位,接近零线框内是中值(不是平均值),和盒子的边界最远的从0表示第75百分位。这些点的区别是四分位范围(差)。胡须(或误差)上方和下方的框显示第90届和第十百分位数,分别。

意义参数ANOVA1和非参数克鲁斯卡尔-沃利斯的水平显著性检验值的Higuchi在不同程度的分形维数10到150的等距间隔10显示在表中6。

3.4。五个熵和DFA

3.4.1。ANOVA1和克鲁斯卡尔-沃利斯测试

再一次,我们应用Anderson-Darling Lilliefors测试数据评估常态。从测试结果揭示相似数量的非正规的和正态分布。所以我们的克鲁斯卡尔-沃利斯和ANOVA1测试应用的意义。

表7显示五个的平均值和标准偏差的措施和DFA控制和交通噪声暴露对象RR间隔。RR间隔的数量是500。ANOVA1和克鲁斯卡尔-沃利斯显著性检验结果。

3.4.2。主成分分析

这里我们必须完成一个多变量分析。香农熵的第一主成分(PC1)是0.470,0.258,第二主成分(PC2)和第三主成分(生物) 。但是,Renyi熵的PC1 0.485, PC2 ,和生物 。然而,Tsallis熵的PC1 0.472, PC2 ,和生物 。

只有前三个组件需要被认为是由于相对陡峭斜坡的阴谋。累积影响PC1比例是65.4%和95.4%的累计总数PC1 PC2。最后,它是99.3%的累计总数PC1, PC2和生物。

PC2有30.0%的影响。生物有一个3.9%的影响。香农,Renyi, Tsallis最优、最健壮的统计总体组合关于影响正确的结果。这是通过ANOVA1,克鲁斯卡尔-沃利斯,和多元技术,因此PCA。

表8说明了五个熵和相关的主成分分析DFA 31交通噪声暴露的科目。五个熵值和DFA又推导出从500年RR-interval时间序列。

4所示。讨论

提供进一步的证据关于听觉处理之间的交互和自主神经系统,我们试图调查是否急性暴露于交通噪音影响HRV的复杂性。作为一个主要的结果,我们发现传统的HRV线性指标持平在交通噪声暴露一些非线性方法证明期间心率自主控制的复杂性增加了交通噪音。

在这种情况下,先前的研究表明,噪声暴露影响心率的同情组件自主控制47,48]。Tzaneva et al。47)噪声暴露对象135分钟Leq 95 dB (A)声压和分析HRV之前,期间和之后噪声暴露。他们发现增加交感神经调节心率在噪声暴露。Bjor et al。48)健康男性和女性的调查还指出增加的低频/高频比率值在噪声暴露,表明增加交感神经对心率的控制。

然而,很重要的一点需要强调在他们研究的局限性是低频/高频比率提供信息关于交感神经调制的心率。sympathovagal平衡指数,增加了他们的调查,由低频/高频比率计算,理论上已经证明是有缺陷的和实证支持。尽管许多批评这项措施比比皆是,最严重的问题是,如果指数并不代表交感组件。因此,缺乏理论基础和/或令人信服的证据表明,其强度与高频指数组件将显示迷走神经和交感神经信号的相对强度。此外,低频/高频比率的生理意义是错误的和代表一个肤浅的理解自主调节机制49- - - - - -51]。因此,我们强调,光谱分析HRV受控情况下是最有效的心率自主调制的标志。然而,他们不能准确衡量交通或自主神经活动(即。瞳孔放大,唾液分泌,面部血管舒张,等等)。

同样,Sim et al。2)线性HRV评估不同的噪音的影响。作者为40名健康男性( 岁,平均BMI 公斤/米²),并提交他们白手起家的交通噪声由飞机和道路交通噪音。作者观察到,交通噪声暴露增加SDNN和高频波段绝对单位,表明交通噪音HRV敏锐地增加。

虽然我们没有观察到任何重大交通噪声的影响HRV的时间和频域指标,我们报道重大变化的非线性参数HRV在交通噪声暴露。熵的和混乱的全球HRV分析显示心率自主控制的复杂性增加了交通噪声暴露期间,建议增加系统的随机性。

根据我们的调查结果,香农熵值增加(大效果)在交通噪声暴露。熵理论相关的障碍的粒子系统;如果熵减少,增加过程的可预测性和系统变得不那么复杂52]。香农熵量化系统的复杂性的平均信息内容(52]。在最近的一项研究中,心跳时间序列是由香农熵量化和降低值与严重程度的增加有关病理条件(53]。同时,减少夏侬熵值被发现在麻风的受害者,HRV研究[54]。

期间我们还透露,Renyi熵值高暴露于交通噪音(大型效果)。Renyi概括了香农熵和熵认为香农熵作为一个单一的情况下(55]。以前曾有报道称,Renyi熵识别心脏自主神经病变(56]。最近显示为一种有效的方法在房颤病人的实时监控和预测和诊断阵发性心房纤维性颤动的57]。

根据我们的数据,Tsallis熵分析证实,HRV的复杂性增加了在交通噪声暴露和科恩计算表现出巨大的影响大小。这种非线性的方法不是主要用于HRV分析;Virgilio席尔瓦和爱德华多Otavio Murta [58]Tsallis熵应用于时间序列并建议它作为一个潜在的复杂系统分析方法,从而支持我们的结论。

我们的研究结果表明通过混乱的全球分析HRV CFP3和CFP6显著增加在交通噪音暴露(大效果),表明更高的复杂性RR-intervals振荡在听觉刺激。一项研究报道,混乱的全球分析无法识别HRV变化心理任务(59]。另一个研究调查了混乱的全球分析在暴露于重金属音乐[RR间隔60]。作者未能揭示这种音乐风格的影响HRV的复杂性。

HRV的非线性分析是一个复杂的问题由于其生理的解释。相反,HRV的文献表明,减少复杂性代表了一种生理障碍。因此,我们的数据指出了一个有趣的解释,急性交通噪声暴露在实验室情况不会导致紧张的自主反应。一个优雅的系统综述报道,大多数研究在路边证明紧张的交通噪声对心血管的影响,呼吸和代谢健康(61年]。然而,鉴于我们的结果,我们推断暴露于道路交通噪声引起的压力不仅是由于听觉刺激但由于路边环境情况。

听觉处理之间的交互和心率自主控制已经回顾了之前(62年]。中村et al。63年)报道,听觉刺激肾交感神经活动的影响,在麻醉大鼠血压。相同的人员发现迷走神经胃神经活动同样受到音乐(64年]。作者表明下丘脑视交叉上核的是参与这个过程63年]。

在重点需要解决在我们的研究中,我们允许志愿者暴露于实验室条件。这是因为我们要丢弃的影响HRV的交通环境的影响,也就是说,污染,视觉刺激,谈话。我们只研究女性为了避免性激素的影响。我们相信不同因素的组合在交通噪音刺激会引发更严厉的影响HRV,数不清的外生因素(因为俺们是敏感14]。

月经周期的黄体和卵泡期也被控制,因为之前对非线性的影响HRV的证据(11]。

另一个事实值得强调的是,在我们的研究中,非线性方法的HRV检测RR-interval波动的变化更加敏感。这可能是因为一些信息可能是错误的,如果只进行线性分析。非线性分析揭示是一个更强大的方法来识别复杂系统(9]。

5。结论

交通噪声暴露不会大幅改变HRV线性指标。Higuchi分形维数,DFA,近似和样本熵也显著影响。然而,它大大改变了混乱的全球分析(CFP3组合和CFP6)和香农,Renyi, Tsallis熵。我们的研究结果表明,交通噪音敏锐地提高心率在健康女性自主控制的复杂性。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究没有收到FAPESP(过程必须占州政府的财政支持。2012/01366-6和2018/02664-7)。