Herzfrequenzvariabilität: Ein Maß zur Erkennung von Ermüdung in der Ergonomie

Erfahren Sie, wie die Herzfrequenzvariabilität (HRV) anhand von EKG-Daten eine praktische und empfindliche Alternative zum EEG für die Erkennung von Müdigkeit beim Autofahren, in der Luftfahrt und bei gefährlichen Tätigkeiten darstellt. Erfahren Sie mehr über HRV-Kennzahlen im Zeit- und Frequenzbereich, praktische Anwendungsbeispiele und deren Rolle beim Verständnis von Stress, geistiger Belastung und Erholung in der Human-Factors-Forschung.

Die Erforschung von Ermüdungserscheinungen hat lebensrettende Auswirkungen auf die Human-Factors-Forschung, die von Schläfrigkeit am Steuer über Wachsamkeit während des Fluges bis hin zur Aufmerksamkeit in gefährlichen Berufen reicht.  

Die Elektroenzephalographie (EEG) gilt weithin als Goldstandard für die Messung von Müdigkeit, birgt jedoch zahlreiche praktische Herausforderungen bei der Erhebung aussagekräftiger Daten im Rahmen von Feldstudien zu Human Factors, da die Probanden unter Umständen mobil sein müssen und die Versuchsbedingungen möglicherweise nicht optimal für die Erfassung hochwertiger EEG-Daten sind (Pan et al. 2021). Als praktischere Alternativen zum EEG werden auch Blinzeln, Atemmuster und die Analyse der Gesichtsausdrücke von Fahrern zur Erkennung von Müdigkeit während der Fahrt herangezogen. 

In diesem Blogbeitrag befassen wir uns damit, wie Metriken der Herzfrequenzvariabilität aus der Elektrokardiographie (EKG) zur Erkennung von Ermüdung in der Ergonomieforschung genutzt werden können. Bislang standen im EKG-Modul von iMotions Metriken der Herzfrequenzvariabilität im Zeitbereich zur Verfügung. In diesem Jahr haben wir ein EKG-R-Notebook eingeführt, mit dem Nutzer nun auch Metriken der Herzfrequenzvariabilität im Frequenzbereich aus EKG-Daten erfassen können.

Messung von Müdigkeit mittels EKG

Die Herzfrequenz ist im Allgemeinen der am häufigsten verwendete Herzparameter, da sie einfach zu messen und leicht zu verstehen ist. Sie gibt schlichtweg die Anzahl der Herzschläge in einem bestimmten Zeitintervall an (in der Regel Schläge pro Minute, bpm). Im Allgemeinen ist die Herzfrequenz in Ruhe niedriger und bei körperlicher Aktivität höher. 

Die Herzfrequenz kann Aufschluss über den Ermüdungsgrad geben. Eine über einen längeren Zeitraum erhöhten Ruheherzfrequenz kann darauf hindeuten, dass Ihr Körper unter Stress steht oder sich von Ermüdung erholt. Wenn Ihre Herzfrequenz während körperlicher Aktivität für eine bestimmte Belastungsintensität höher als erwartet ausfällt, kann dies auf Ermüdung oder Überanstrengung hindeuten. Die Geschwindigkeit, mit der Ihre Herzfrequenz nach dem Training wieder auf den Ausgangswert zurückkehrt, kann Aufschluss über Ihre Fitness und Ihren Erholungszustand geben; eine langsamere Erholung kann auf Ermüdung hindeuten.

Warum wird die Herzfrequenzvariabilität zur Messung von Ermüdung herangezogen?

• Die HRV ist ein detaillierterer Maßstab für die Funktion des autonomen Nervensystems
• Die HRV ist ein empfindlicherer Messwert, der Veränderungen im Ermüdungszustand erfasst, die anhand der Herzfrequenz möglicherweise nicht erkennbar sind. 
• Die HRV kann Aufschluss über chronische und akute Erschöpfung geben. 

Was ist Herzfrequenzvariabilität?

Die Herzfrequenzvariabilität (HRV) spiegelt die Schwankungen im Zeitabstand zwischen den Herzschlägen wider und ist im Vergleich zur Herzfrequenz ein detaillierterer Maßstab für das autonome Nervensystem. Auch wenn eine normale Ruheherzfrequenz bei 60 Schlägen pro Minute liegt, bedeutet dies nicht, dass die Herzschläge genau im Abstand von einer Sekunde erfolgen. Manche Intervalle sind etwas länger, andere etwas kürzer.  

HRV-Kennzahlen fassen diese kleinen Veränderungen zusammen. Eine erhöhte HRV ist ein guter Indikator für eine gesunde Kommunikation zwischen Gehirn und Herz, spiegelt wider, wie anpassungsfähig das autonome Nervensystem auf interne und externe Reize reagiert, und zeigt seine Fähigkeit an, in einen Ruhezustand zurückzukehren (die Homöostase aufrechtzuerhalten). Aus diesem Grund wird die HRV häufig zur Beurteilung von Stress herangezogen. 

Die HRV ist ein wichtiger Indikator für das Verständnis von Stress und Erholung. Da sie die Aktivität des autonomen Nervensystems widerspiegelt, wird sie sowohl von unseren mentalen als auch von unseren körperlichen Prozessen beeinflusst. Wenn wir nicht gestresst sind, weist das Herz eine größere Variabilität der Herzfrequenz auf und passt sich besser an unsere Umgebung an. Befindet sich der Körper im Kampf-oder-Flucht-Modus, ist die HRV tendenziell niedriger.

Wie misst man die Herzfrequenzvariabilität? 

Es gibt zwei Arten von HRV-Kennzahlen: Kennzahlen im Zeitbereich und Kennzahlen im Frequenzbereich:

Zeitbereichsmetriken 

Zeitbereichsmetriken der HRV messen die Zeit zwischen den Herzschlägen (Interbeat-Intervall, IBI) und quantifizieren deren Schwankungen. Viele Metriken basieren auf einem Zeitbereichsansatz (einige Beispiele finden Sie in der Tabelle unten). Sie unterscheiden sich in ihrer Berechnung, basieren jedoch alle auf unterschiedlichen Strategien zur Quantifizierung der Schwankungen im IBI.

Metriken im Frequenzbereich 

Frequenzbereichsmetriken konzentrieren sich auf die Regelmäßigkeit der Herzfrequenz, indem sie das R-R-Intervall nutzen (bei regelmäßigen Herzrhythmen auch als NN – „Normal-to-Normal“ – bezeichnet). Spektrale Leistungsdichten werden durch die Anwendung spektraler Leistungsanalysen ermittelt, um Frequenzinformationen aus einem EKG zu extrahieren (z. B. schnelle Fourier-Transformationen, autoregressive Modelle oder andere Methoden). 

So wie weißes Licht durch ein Prisma fällt, das die Wellenlängen nach ihrer Größe sortiert und einen Regenbogen entstehen lässt, lassen sich auch EKG-Daten in ein Leistungsspektrum einteilen. Aus diesen Daten bilden wir Kategorien (bei Farben haben wir einen Wellenlängenbereich, den wir als Rot bezeichnen, einen anderen Bereich für Gelb usw.). Bei EKG-Leistungsspektren hat jede Welle eine Frequenz (gemessen in Hz), sodass Wellen in hochfrequente (HF), niederfrequente (LF) und sehr niederfrequente (VLF) Wellen unterteilt werden können. 

Eine häufig verwendete Kennzahl zur Messung der Herzfrequenzvariabilität im Frequenzbereich ist das Verhältnis der Leistung der LF-Signale (0,04–0,15 Hz) zu den HF-Signalen (0,15–0,4 Hz), das als LF/HF bezeichnet wird. Das LF/HF-Verhältnis steht für das Gleichgewicht zwischen dem sympathischen und dem parasympathischen Nervensystem, auch bekannt als sympathovagales Gleichgewicht. Im Allgemeinen wird davon ausgegangen, dass LF das sympathische Nervensystem (SNS) repräsentiert und HF das parasympathische Nervensystem (PNS) widerspiegelt (European Heart Journal, 1996). 

Manchmal werden auch andere frequenzbereichsbezogene Kennzahlen wie sehr niedrige Frequenzen (VLF), extrem niedrige Frequenzen (ULF) und VHF (sehr hohe Frequenzen) angegeben. Teilweise handelt es sich bei diesen Leistungswerten um normierte Werte, und manchmal konzentrieren sich die Forscher eher auf die Frequenz der Spitzenwerte als auf die Leistung (die Fläche unter der Kurve innerhalb des Frequenzbandes). 

Grafik zur Darstellung von Leistung und Spitzenwert. 

Zusammenfassung der HRV-Kennzahlen

Metrisch	Erläuterung	Typ
RMSSD	Quadratischer Mittelwert der aufeinanderfolgenden Differenzen zwischen den Herzschlägen	Zeitbereich
SDNN	Standardabweichung der IBIs (Standardabweichung des Normal-zu-Normal-Intervalls)	Zeitbereich
NN50	Anzahl aufeinanderfolgender Paare von NN-Intervallen (R-R-Intervallen), die sich um mehr als 50 ms unterscheiden	Zeitbereich
pNN50	Anteil der NN50-Intervalle geteilt durch die Gesamtzahl der NN-Intervalle	Zeitbereich
LF/HF	Niederfrequenz / Hochfrequenz	Frequenzbereich

Es gibt auch nichtlineare Kennzahlen für die HRV. Eine ausführliche Beschreibung der Berechnungen für Kennzahlen im Zeitbereich, im Frequenzbereich und nichtlineare Kennzahlen finden Sie in unserem HRV-Blog. 

Wie entscheiden Sie, welche HRV-Kennzahl Sie zur Erkennung von Müdigkeit verwenden?

Da sich alle HRV-Kennzahlen aus einem einzigen EKG-Signal ableiten lassen, verwenden Forscher häufig mehrere HRV-Kennzahlen. Verschiedene Kennzahlen haben unterschiedliche Stärken und Schwächen. Einige Kennzahlen sind

Einige sind empfindlicher gegenüber Veränderungen im parasympathischen Nervensystem (PNS), während andere empfindlicher gegenüber Veränderungen im sympathischen Nervensystem (SNS) reagieren. Manche Metriken eignen sich besser für längere Aufzeichnungszeiträume, andere hingegen für kurze oder ultrakurze Aufzeichnungen. Einen Überblick bieten Shaffer und Ginsberg 2017. Ein weiterer Grund für die Wahl einer bestimmten HRV-Metrik besteht darin, dass die Forscher ihre Ergebnisse mit ähnlichen früheren Studien vergleichen möchten und sich daher für ähnliche Methoden und HRV-Metriken entscheiden. 

Herzfrequenzvariabilität in der Human-Factors-Forschung

Nachdem Sie nun eine Einführung in das Thema Herzfrequenzvariabilität erhalten haben, erfahren haben, warum diese für die Erkennung von Ermüdung relevant ist, und die verschiedenen Arten von Metriken für die HRV kennengelernt haben, haben wir drei anwendungsbezogene Forschungsberichte zusammengefasst, die aufzeigen, wie die HRV in der Human-Factors-Forschung eingesetzt wurde, insbesondere in der Forschung mit Simulatoren und Bedienpulten.  

Patel et al. 2011: KI-Tools können allein anhand der Herzfrequenzvariabilität (HRV) Schläfrigkeit am Steuer erkennen.

Diese Proof-of-Concept-Studie wurde sowohl in der Forschung als auch in der Politik (und in mindestens einem Patent) hunderte Male zitiert, was ihre Bedeutung auf dem Gebiet der Müdigkeitserkennung in der Human-Factors-Forschung unterstreicht. Patel et al. entwickelten ein KI-basiertes System, das frequenzbasierte HRV nutzt, um Müdigkeit bei Fahrern mit einer Genauigkeit von 90 % zu erkennen. 

Methoden

In einer früheren Studie mit einer „kontinuierlichen und monotonen“ Fahrsimulatoraufgabe hatten Lal & Craig (2002) gezeigt, dass Veränderungen der Delta- und Theta-Aktivität im EEG zur Erkennung von Müdigkeit herangezogen werden können; ihre EKG-Daten hatten sie jedoch nicht in den Bericht aufgenommen. Anhand der aus dieser früheren Studie gewonnenen EKG-Daten wollten Patel et al. untersuchen, ob die HRV allein zur Erkennung von Fahrermüdigkeit genutzt werden kann.  

Ergebnisse

Anhand einer Analyse der spektralen Leistungsdichte von EKG-Daten (Frequenzbereichsansatz) stellten Patel et al. im wachen Zustand eine markante Spitze im niedrigen Frequenzbereich und im schläfrigen Zustand eine markante Spitze im hohen Frequenzbereich fest, was zeigt, dass die HRV mit Frequenzbereichsmetriken zur Unterscheidung zwischen wachen und schläfrigen Fahrern herangezogen werden kann. Mit einer Analyse mittels eines einlagigen neuronalen Netzes und einer kleinen Stichprobengröße gelang es den Forschern, Schläfrigkeit genau zu erkennen.

Diese Ergebnisse zeigen, dass sich die Ermüdung bei Fahraufgaben allein anhand von HRV-Frequenzbereichsmetriken erkennen lässt, was diese zu einer praktikablen Alternative zum EEG macht, wenn die Bedingungen für eine EEG-Messung nicht optimal sind. 

Majid et al., deren Arbeit über hundert Mal zitiert wurde, zeigen, wie ein multimodaler Ansatz zur Erkennung von Müdigkeit unser Verständnis von Müdigkeit um weitere Nuancen bereichern kann. Den Autoren zufolge handelte es sich hierbei um eine der ersten Forschungsstudien, in der die mentale Arbeitsbelastung von Verkehrslotsen bei der Überwachung von Verkehrsstaus untersucht wurde.

Die Überwachung der Verkehrsdichte als städtischer Verkehrsleiter erfordert lange Zeiträume konzentrierter Aufmerksamkeit auf zahlreiche Bildschirme, die Hunderte von Kameras an Kreuzungen anzeigen. Die Intensität dieser Arbeit schwankt und nimmt mit zunehmendem Verkehr zu, da dann mehr zu tun ist, um den Verkehr zu regeln. Auch die Schichten variieren, da die Überwachung rund um die Uhr stattfindet. Die Teilnehmer dieser Studie hatten eine 12-Stunden-Schicht, gefolgt von einer 24-stündigen Pause und einer weiteren 12-Stunden-Schicht, was bedeutet, dass sie jeweils eine Tag- und eine Nachtschicht absolvierten. 

Methoden

Für jede Situation füllten die Teilnehmer den NASA-Task-Load-Index (TLX) aus, eine subjektive Bewertung anhand von fünf 7-Punkte-Skalen: geistige Belastung, körperliche Belastung, zeitliche Belastung, Leistung, Anstrengung und Frustration. 

EKG- und EMG-Daten wurden in Ruhe, bei geringer Verkehrsdichte, bei hoher Verkehrsdichte und während der Erholungsphase erfasst. Majid et al. maßen die Muskelspannung in den Schultermuskeln (oberer Trapezmuskel, beidseitig) mittels EMG. Außerdem nutzten sie das EKG zur Messung der Herzfrequenz und der Herzfrequenzvariabilität (sowohl im Zeitbereich als auch im Frequenzbereich).  

Übersicht über die Kennzahlen

Metrisch	Werkzeug	Angaben zur Metrik
Verspannungen in den Schultern	EMG	Amplitude (µV)
Herzfrequenz	EKG	bpm
Herzfrequenzvariabilität (Zeitbereich)	EKG	SDNN (ms), RMSSD (ms) und pNN50 % (Erläuterung der Abkürzungen siehe Tabelle oben)
Herzfrequenzvariabilität (Frequenzbereich)	EKG	LF/HF

Ergebnisse

Alle Messwerte zeigten, dass sich der Erholungszustand physiologisch von der Ruhephase unterscheidet. Dies ist ein wichtiger Validierungstest, da die Teilnehmer den Verkehr nicht beobachteten (sondern fünf Minuten lang mit offenen Augen in einem ruhigen Raum saßen); eine gute Ermüdungserkennung sollte jedoch in der Lage sein, zwischen Ruhephase und Erholungszustand zu unterscheiden. 

Mit zunehmender Verkehrsdichte und einer immer komplexer werdenden Überwachung waren alle Messwerte betroffen, was zeigt, dass es viele Möglichkeiten gibt, die physiologischen Auswirkungen kognitiver Belastung oder von Arbeit unter Druck zu erfassen. Ähnlich wie bei Patel et al. ist dies ein guter Hinweis darauf, dass EKG und EMG in der angewandten Forschung nützliche Alternativen zum EEG für die Erkennung von Ermüdung darstellen. 

Von allen in dieser Studie berücksichtigten Messgrößen ließ sich der Einfluss von Schichtarbeit lediglich anhand des LF/HF-Verhältnisses (eine HRV-Messgröße im Frequenzbereich) nachweisen. Mit dieser HRV-Messgröße konnten die Forscher Schichteffekte sowohl zwischen Ruhephasen und Bedingungen mit hoher Verkehrsdichte als auch zwischen Bedingungen mit niedriger und hoher Verkehrsdichte feststellen. Dies deutet darauf hin, dass frequenzbasierte HRV-Messgrößen in manchen Fällen empfindlicher auf Ermüdung reagieren können als andere Messgrößen, selbst im Vergleich zu anderen HRV-Messgrößen. Der TLX zeigte, dass die Teilnehmer die Arbeitsbelastung in der Nachtschicht als höher empfanden als in der Tagschicht; daher ist es ein wichtiger Befund, über eine physiologische Messgröße zu verfügen, die diese subjektive Erfahrung widerspiegelt. 

In dieser Studie mit einem Schiffsbrücken-Simulator kombinierte ein Nutzer von iMotions Fragebogenerhebungen mit multimodalen physiologischen Methoden, um zu untersuchen, inwiefern selbstberichtete mentale Zustände mit physiologischen Messwerten korrelieren. 

Methoden

In dieser Simulatorstudie steuerten die Teilnehmer (Studierende, die mit Schiffsführungssimulatoren und den damit verbundenen Aufgaben noch nicht vertraut waren) ein 200 Meter langes Kreuzfahrtschiff in zwei verschiedenen Szenarien. Das Szenario auf offener See umfasste lange Zeitabschnitte, in denen außer der Überprüfung der Überwachungssysteme kaum etwas zu tun war. Das Hafenszenario war schwieriger zu bewältigen, beinhaltete zusätzliche Nebenaufgaben und unterlag einem Zeitdruck. 

Während jedes Szenarios wurden subjektive und physiologische Messdaten erhoben. Die Erhebung der subjektiven Messwerte konzentrierte sich auf affektive Zustände (einschließlich Erregung, Wachsamkeit, Wachheit, Angenehmheit und Stress) sowie auf die Arbeitsbelastung (mit dem zuvor erwähnten TLX-Fragebogen sowie einer Skala zur allgemeinen Arbeitsbelastung). Die physiologischen Messgrößen waren EDA (elektrodermale Aktivität; auch bekannt als GSR, galvanische Hautreaktion) und EKG. 

Ergebnisse

Diese Studie ergab, dass die mentale Arbeitsbelastung und Stress sowohl mit der HRV als auch mit der EDA korrelieren. Die maximale HF-Frequenz (ein HRV-Frequenzbereichsparameter, der die Aktivität des parasympathischen Nervensystems widerspiegelt) wies eine starke negative Korrelation mit Stress und Arbeitsbelastung sowie mit vielen EDA-Parametern auf. Die Wachsamkeit korrelierte mit der maximalen LF-Frequenz (ein HRV-Frequenzbereichsparameter, der die Aktivität des sympathischen Nervensystems widerspiegelt). 

Es wurden komplexere Analysen, die mehrere Variablen berücksichtigen können (Hauptkomponentenanalyse, PCA, und Partial-Least-Squares-Regression, PLSR), durchgeführt, um zu untersuchen, wie Kombinationen aus EKG- und EDA-Messwerten mit den Selbstauskünften zum affektiven Zustand und zur mentalen Arbeitsbelastung korrelierten. Diese Analysen zeigten, dass die beiden Szenarien unterschiedliche physiologische und subjektive Variablen des mentalen Zustands als wichtige Prädiktoren für die Varianz aufwiesen. 

Mit Blick auf die HRV-Metriken im Frequenzbereich standen die HF-Metriken (HF-Leistung und HF-Spitzenwert, die auf eine Rolle des PNS hinweisen) eher mit dem Szenario „Offene See“ in Verbindung, während die LF-Metriken (LF-Leistung und LF-Spitzenwert, die auf eine Rolle des SNS hinweisen) enger mit dem Szenario „Hafen“ zusammenhingen. Dies zeigt, dass die separate Verwendung der HRV-Frequenzbereichsmetriken (anstatt als LF/HF-Verhältnis) ebenfalls interessante Einblicke in die getrennte Funktionsweise von SNS und PNS liefern kann. EDA-Metriken (die Veränderungen im SNS widerspiegeln) standen ebenfalls in engem Zusammenhang mit dem Hafenszenario, was die Annahme weiter stützt, dass die physiologische Reaktion stärker mit dem SNS zusammenhängt. Insgesamt zeigt dieser Bericht, dass HRV-Frequenzbereichsmetriken nützliche Metriken sind, um die unterschiedlichen Beiträge des SNS und des PNS zu unterscheiden. 

Eine wichtige Erkenntnis aus dieser Studie ist, wie multimodale Forschung dazu beitragen kann, individuelle Unterschiede zu berücksichtigen. In dieser Studie waren die Teilnehmer mit der Aufgabe nicht vertraut. Die einzelnen Personen wiesen unterschiedliche Stressniveaus auf, je nachdem, wie sie auf neue Herausforderungen und Situationen mit hohem Druck reagierten. Auch die Ergebnisse der Selbstauskunftsfragebögen variieren individuell, da manche Personen dazu neigen, ihre mentale Arbeitsbelastung und ihren Stress unterschiedlich einzuschätzen. Auch die Physiologie unterscheidet sich individuell, was bedeutet, dass es bei manchen Personen schwierig sein kann, Veränderungen festzustellen, oder dass manche einfach weniger Veränderungen aufweisen als andere. 

Fazit

Bei Simulationen und Aufgaben am Bedienfeld, bei denen Sie Ermüdung und die Belastung des Körpers untersuchen möchten, ist die HRV eine erwägenswerte Alternative zum EEG. Obwohl beide Verfahren die Erregung messen, kann die Kombination von EKG mit EDA/GSR ein differenzierteres Verständnis dafür liefern, wie das sympathische und das parasympathische Nervensystem zur physiologischen Reaktion beitragen. Schließlich ist die Untersuchung mentaler Zustände anhand subjektiver und physiologischer Erkenntnisse äußerst aussagekräftig, da sie uns ermöglicht, das zu verstehen, was unsere Teilnehmer möglicherweise nicht in Worte fassen können. 

Literaturverzeichnis

M. Patel, S.K.L. Lal, D. Kavanagh, P. Rossiter, Anwendung neuronaler Netzwerke zur Analyse von Herzfrequenzvariabilitätsdaten zur Beurteilung der Ermüdung von Fahrern, Expert Systems with Applications, Band 38, Ausgabe 6, 2011, Seiten 7235–7242, ISSN 0957-4174, https://doi.org/10.1016/j.eswa.2010.12.028.

Majid Fallahi, Majid Motamedzade, Rashid Heidarimoghadam, Ali Reza Soltanian, Shinji Miyake, Auswirkungen der mentalen Arbeitsbelastung auf physiologische und subjektive Reaktionen bei der Überwachung der Verkehrsdichte: Eine Feldstudie, Applied Ergonomics, Band 52, 2016, Seiten 95–103, ISSN 0003-6870, https://doi.org/10.1016/j.apergo.2015.07.009.

Wulvik, A.S., Dybvik, H. & Steinert, M. Untersuchung des Zusammenhangs zwischen mentalem Zustand (Arbeitsbelastung und Affekt) und Physiologie in einer Kontrollraumumgebung (Schiffsbrücken-Simulator). Cogn Tech Work 22, 95–108 (2020). https://doi.org/10.1007/s10111-019-00553-8

Pan, T., Wang, H., Si, H., Li, Y. & Shang, L. (2021). Erkennung des Ermüdungszustands von Piloten anhand von Elektrokardiogrammsignalen. Sensors, 21(9), 3003. https://doi.org/10.3390/s21093003