hrv.expert

Analisador de VFC: métodos e comparação com o Kubios

Todos os algoritmos que o Analisador de VFC usa, o artigo em que cada um se baseia, o que a predefinição Padrão do Kubios define e como os resultados foram verificados.

Última atualização:

O Analisador calcula, no navegador e a partir de intervalos RR, medidas de variabilidade da frequência cardíaca (VFC) no domínio do tempo, no domínio da frequência e não lineares. Há duas predefinições: Padrão do site, com as configurações que o resto deste site usa, e Padrão do Kubios.

A predefinição Padrão do Kubios usa as configurações de análise do Kubios HRV User’s Guide, versão 3.5 (seções 3.3 e 6). Duas delas não constam do guia: a predefinição ativa a correção por limiar de nível médio, e o λ = 500 da remoção de tendência por smoothness priors é o valor padrão dos autores do método (Tarvainen e colaboradores). O nome diz de onde vêm as configurações; não promete os números do Kubios.

Ainda não comparamos o Analisador com o Kubios HRV Standard; por isso, a coluna do Kubios HRV Standard, abaixo, traz “Ainda não comparado” em todas as linhas. Com o NeuroKit2, uma biblioteca de VFC independente e de código aberto, já comparamos o Analisador em registros públicos. A coluna do NeuroKit2 indica quais medidas concordam e com que proximidade.

Abra o Analisador de VFC para usar esses métodos nos seus próprios registros.

Algoritmos

Algoritmo O que o Analisador faz Referências Predefinição Padrão do Kubios NeuroKit2 Kubios HRV Standard
Estatísticas no domínio do tempo Medidas: RR médio, Frequência cardíaca média, SDNN, RMSSD, lnRMSSD, SDSD, NN50, pNN50, NN20, pNN20 RR médio e frequência cardíaca média, SDNN (o desvio padrão amostral), RMSSD e lnRMSSD, SDSD e, contados sobre as diferenças sucessivas, NN50, pNN50, NN20 e pNN20. Nenhuma diferença é calculada entre dois intervalos separados por um batimento que as regras do site removeram ou por uma interrupção do registro. [1] Sem configurações. Concorda dentro da tolerância:
  • RR médio, com diferença de até 0,1 ms
  • SDNN, com diferença de até 0,1 ms
  • RMSSD, com diferença de até 0,1 ms
  • pNN50, com diferença de até 0,1 p.p.
Ainda não comparado
Medidas geométricas Medidas: Índice triangular da VFC, TINN Índice triangular da VFC e TINN, a partir de um histograma com colunas de 1/128 s (7,8125 ms), a largura que a Task Force adotou. Mostradas para registros de 5 minutos ou mais. [1] Sem configurações. Não comparado Ainda não comparado
Medidas de longa duração Medidas: SDANN, Índice SDNN SDANN e índice SDNN em segmentos de 5 minutos. Mostradas quando o registro tem pelo menos dois segmentos completos. [1] Sem configurações. Não comparado Ainda não comparado
Correção de artefatos por limiar Marca cada intervalo cuja distância até a mediana de até dez intervalos vizinhos supera o limiar do nível: muito baixo 0,45 s, baixo 0,35 s, médio 0,25 s, forte 0,15 s ou muito forte 0,05 s a 60 bpm, com limiares menores em frequências cardíacas mais altas. Cada intervalo marcado é substituído por interpolação com spline cúbica (ou interpolação linear), de modo que o número de intervalos não muda. Os resultados trazem um aviso quando mais de 5% dos intervalos foram corrigidos. [2] Médio, spline cúbica. O guia lista os níveis, mas não indica nenhum deles como padrão. Não comparado Ainda não comparado
Nível automático do limiar Regra própria do Analisador, não a correção automática do Kubios. Escolhe o nível mais fraco a partir do qual o número de intervalos marcados deixa de aumentar, desde que esse nível marque pelo menos um intervalo e no máximo 5% deles. O texto de métodos descreve a regra por completo. [2] Não usa. Não comparado Ainda não comparado
Regras do site Remove intervalos fora da faixa de 300 a 2.000 ms ou que se afastam mais de 25% da mediana de até dez vizinhos dentro dessa faixa, e não calcula nenhuma diferença sucessiva entre intervalos separados por um batimento removido. O resto do site usa as mesmas regras. Nenhuma Não usa. Não comparado Ainda não comparado
Reamostragem Para o periodograma de Welch, uma spline cúbica passa pelos intervalos e é amostrada a uma taxa uniforme: 4 Hz, a menos que você a altere. Nenhuma 4 Hz, spline cúbica. Não comparado Ainda não comparado
Remoção de tendência por smoothness priors Remove tendências lentas com λ = 500; em vez disso, é possível escolher a remoção linear ou nenhuma remoção. O Analisador remove a tendência da série de 4 Hz antes do periodograma de Welch e, quando essa configuração está ativada, da série de batimentos antes das medidas não lineares. [3] Smoothness priors, λ = 500 (valor padrão de Tarvainen; o guia não indica o λ). As medidas não lineares usam a série sem tendência. Não comparado Ainda não comparado
Periodograma de Welch Medidas: Potência VLF, Potência LF, Potência HF, Potência total, ln VLF, ln LF, ln HF, LF un, HF un, LF/HF, Pico VLF, Pico LF, Pico HF Calcula a média de janelas de Hann sobrepostas pela metade e soma, em cada banda, a potência dos pontos de frequência que ela contém. Os limites das bandas podem ser alterados, e é possível ativar uma banda ULF. Um registro mais curto que uma janela recebe um único periodograma, completado com zeros (veja as diferenças conhecidas abaixo). [4] , [1] Janelas de 300 s, sobreposição de 50%; VLF de 0 a 0,04 Hz, LF de 0,04 a 0,15 Hz, HF de 0,15 a 0,4 Hz. Concorda dentro da tolerância:
  • Potência LF, com diferença de até 1%
  • Potência HF, com diferença de até 6%
  • LF/HF, com diferença de até 6%
Ainda não comparado
Periodograma de Lomb–Scargle Medidas: Potência VLF, Potência LF, Potência HF, Potência total, ln VLF, ln LF, ln HF, LF un, HF un, LF/HF, Pico VLF, Pico LF, Pico HF Calcula o espectro diretamente a partir dos instantes irregulares dos batimentos, sem reamostragem nem remoção de tendência, até o maior limite de banda em uso (no mínimo 0,5 Hz). Dá as mesmas medidas por banda que o periodograma de Welch. [5] , [6] Não usa. Não comparado Ainda não comparado
Gráfico de Poincaré Medidas: SD1, SD2, SD2/SD1 SD1 a partir das diferenças sucessivas, SD2 a partir de SD1 e do desvio padrão da série, e a razão entre os dois. [7] SD2 a partir da série sem tendência. Concorda dentro da tolerância:
  • SD1, com diferença de até 0,01 ms
Ainda não comparado
Análise de flutuações destendenciadas Medidas: DFA α1, DFA α2 Usa caixas de todos os tamanhos das faixas de α1 e α2, sem sobreposição; α1 e α2 são as inclinações da reta ajustada em eixos log–log em cada faixa. O α2 exige pelo menos quatro caixas do maior tamanho da sua faixa. [8] α1 de 4 a 12 batimentos e α2 de 13 a 64 batimentos, na série sem tendência. Concorda dentro da tolerância:
  • DFA α1, com diferença de até 0,05
Ainda não comparado
Entropia amostral e entropia aproximada Medidas: Entropia amostral, Entropia aproximada Conta as sequências de m batimentos que coincidem com diferença de até r × DP. A entropia amostral não conta a coincidência de uma sequência consigo mesma; a entropia aproximada conta. Nos registros mais longos, entram os primeiros 3.000 batimentos, para que o navegador continue respondendo bem. [9] , [10] m = 2 e r = 0,2 × DP, na série sem tendência. Concorda dentro da tolerância:
  • Entropia amostral, com diferença de até 0,0001%
Ainda não comparado
Índice de estresse de Baevsky Medidas: Índice de estresse de Baevsky, Índice de estresse (√SI) A partir de um histograma dos intervalos com colunas de 50 ms. O Analisador mostra o índice de Baevsky e a raiz quadrada dele, que o Kubios apresenta como “Stress index” (índice de estresse). [11] , [2] Sem configurações. Não comparado Ainda não comparado

Como comparamos

Os registros de referência são dez trechos de intervalos RR, cinco de 5 minutos e cinco de 20 minutos, tirados dos registros nsr001 a nsr005 da Normal Sinus Rhythm RR Interval Database, no PhysioNet.

O NeuroKit2 0.2.13 (Python 3.13.11, NumPy 2.5.4, SciPy 1.18.1) calculou os valores em 16 de out. de 2026. Os testes automatizados do site analisam os mesmos registros e falham quando uma medida fica fora da tolerância definida para ela.

Nesta comparação, o Analisador foi ajustado às escolhas do NeuroKit2 sempre que possível: sem correção de artefatos, sem remoção de tendência, janela de Welch de 64 s, medidas não lineares na série bruta e DFA α1 de 4 a 11 batimentos. O NeuroKit2 calculou os valores com as mesmas configurações.

Medidas comparadas com o NeuroKit2, com as configurações equiparadas
Medida Diferença permitida Maior diferença observada
RR médio 0,1 ms Apenas arredondamento
SDNN 0,1 ms Apenas arredondamento
RMSSD 0,1 ms Apenas arredondamento
pNN50 0,1 p.p. Apenas arredondamento
SD1 0,01 ms Apenas arredondamento
Potência LF 1% 0,1%
Potência HF 6% 4,7%
LF/HF 6% 4,4%
Entropia amostral 0,0001% Apenas arredondamento
DFA α1 0,05 0,032

Com a predefinição Padrão do Kubios, em comparação com as configurações padrão do próprio NeuroKit2, as medidas no domínio da frequência diferem muito mais: a potência HF em até 200% e a potência LF em até 170%. A janela explica a maior parte disso. A janela de 300 s da predefinição dá a um registro de 5 minutos um único periodograma, enquanto o NeuroKit2 calcula a média de janelas com metade da duração do registro. A remoção de tendência, a forma como cada um soma a potência das bandas e a interpolação explicam o restante. As medidas no domínio do tempo continuam concordando, com diferenças só de arredondamento.

Kubios HRV Standard

Ainda não comparado. Quando os resultados do Kubios HRV Standard para os mesmos dez registros estiverem disponíveis, esta página indicará a versão do Kubios e a data, e uma linha só dirá que o Analisador concorda com o Kubios se as medidas dela ficarem dentro da tolerância.

Diferenças conhecidas em relação ao Kubios HRV

  • O Kubios HRV também apresenta um espectro autorregressivo (AR). O Analisador não; ele oferece o periodograma de Welch e o periodograma de Lomb–Scargle.
  • O guia do Kubios não diz se a remoção de tendência atua sobre a série de batimentos ou sobre a série reamostrada a 4 Hz. O Analisador remove a tendência da série de 4 Hz para o espectro e da série de batimentos para as medidas não lineares; por isso, tanto uma quanto a outra podem diferir da remoção feita pelo Kubios.
  • Quando um registro é mais curto que a janela de Welch (um registro de 5 minutos com a janela de 300 s da predefinição, por exemplo), o Analisador aplica a janela de Hann apenas aos dados, ajusta a escala da potência por essa janela e completa o resultado com zeros até o comprimento total da janela. A grade de frequências continua sendo a da janela inteira, e a potência das bandas não é subestimada. O Kubios pode tratar esse caso de outra forma, de modo que o espectro de um registro curto pode diferir um pouco do espectro do Kubios.
  • O “Stress index” do Kubios é a raiz quadrada do índice de estresse de Baevsky. O Analisador mostra os dois, com nomes diferentes.
  • O nível automático do limiar é uma regra do próprio Analisador. A correção automática do Kubios, na edição Premium, é um método diferente.

Referências

  1. Task Force of the European Society of Cardiology and the North American Society of Pacing and Electrophysiology. Heart rate variability: standards of measurement, physiological interpretation and clinical use. Circulation. 1996;93(5):1043–1065. doi:10.1161/01.CIR.93.5.1043
  2. Tarvainen MP, Lipponen J, Niskanen JP, et al. Kubios HRV software user’s guide. Kubios Oy. Version 3.5, 3 November 2021. https://www.kubios.com/downloads/Kubios_HRV_Users_Guide.pdf
  3. Tarvainen MP, Ranta-aho PO, Karjalainen PA. An advanced detrending method with application to HRV analysis. IEEE Transactions on Biomedical Engineering. 2002;49(2):172–175. doi:10.1109/10.979357
  4. Welch P. The use of fast Fourier transform for the estimation of power spectra: a method based on time averaging over short, modified periodograms. IEEE Transactions on Audio and Electroacoustics. 1967;15(2):70–73. doi:10.1109/TAU.1967.1161901
  5. Lomb NR. Least-squares frequency analysis of unequally spaced data. Astrophysics and Space Science. 1976;39(2):447–462. doi:10.1007/BF00648343
  6. Scargle JD. Studies in astronomical time series analysis. II - Statistical aspects of spectral analysis of unevenly spaced data. The Astrophysical Journal. 1982;263:835. doi:10.1086/160554
  7. Brennan M, Palaniswami M, Kamen P. Do existing measures of Poincare plot geometry reflect nonlinear features of heart rate variability? IEEE Transactions on Biomedical Engineering. 2001;48(11):1342–1347. doi:10.1109/10.959330
  8. Peng CK, Havlin S, Stanley HE, et al. Quantification of scaling exponents and crossover phenomena in nonstationary heartbeat time series. Chaos: An Interdisciplinary Journal of Nonlinear Science. 1995;5(1):82–87. doi:10.1063/1.166141
  9. Richman JS, Moorman JR. Physiological time-series analysis using approximate entropy and sample entropy. American Journal of Physiology-Heart and Circulatory Physiology. 2000;278(6):H2039–H2049. doi:10.1152/ajpheart.2000.278.6.H2039
  10. Pincus SM. Approximate entropy as a measure of system complexity. Proceedings of the National Academy of Sciences. 1991;88(6):2297–2301. doi:10.1073/pnas.88.6.2297
  11. Baevsky RM, Chernikova AG. Heart rate variability analysis: physiological foundations and main methods. Cardiometry. 2017;(10):66–76. doi:10.12710/cardiometry.2017.10.6676