På Linkura är vi experter på att översätta hjärtslag till insikter om belastning, stress, sömn och återhämtning. I vår app möter du ett antal olika mått och grafer som baseras på biodata. Syftet är alltid att hjälpa dig att bättre förstå hur och varför din kropp reagerar som den gör på världen omkring dig. Med nya insikter kan du skapa nya beteenden som hjälper dig att bli ditt bästa jag.

Vad är en belastningsgraf?

Belastningsgrafen är ett av tre centrala mått som hjälper dig att bättre förstå din stress och återhämtning:

  • Varvmätaren visar i realtid om din kropp är i ett läge av gas eller broms.
  • Belastningsgrafen visar hur din kropp gasat/bromsat under en hel dag
  • Mental kondition beskriver din balans mellan stress och återhämtning

Syftet med belastningsgrafen är alltså att visa hur din kropp har gasat/bromsat under en dag. Utifrån grafen kan du börja identifiera mönster och förstå hur olika aktiviteter i din vardag påverkar din kropp och skapar stress eller återhämtning.

Genom att analysera grafen kan du alltså lära dig hur just din kropp fungerar och agerar. Känslor som ”det här stämmer ju inte” är vanliga och så gott som alla ibland blir någon gång förvånade över hur kroppen reagerar. Detta grundar sig i att vi i regel är dåliga på att lyssna och förstå kroppens signaler. Några vanliga exempel vi ofta hör är:

  • TV-tittande som upplevs avslappnande skapar i själva verket fysiologisk stress.
  • Ett träningspass under lunchen skapar en hel eftermiddag av stress
  • Olika sorters arbetsuppgifter skapar helt olika fysiologisk respons

Att inte direkt förstå varför belastningsgrafen ger ett visst utslag är därför både naturligt och vanligt. Men att det stämmer finns inget tvivel om! Med 20 års forskning bakom oss är vi trygga i att våra mått är förankrade i den senaste forskningen om hur kroppen fungerar. För dig som vill veta mer om precis hur en belastningsgraf skapas har vi skapat denna artikel!

Hur skapas en belastningsgraf?

Att skapa en belastningsgraf är en komplex process som men förenklat kan delas upp i följande steg:

  1. Insamling av EKG-signal
  2. Hjärtfrekvensvariabilitet (HFV)
  3. Normering av HFV
  4. Beräkning av medelvärde
  5. Färgkodning av tillstånd
  6. Uppdelning i tidssegment
  7. Översättning till intensitet
  8. Färgkodning av fysisk aktivitet

1. Insamling av EKG-signal

När du bär Linkuras mätare spelar du kontinuerligt in de elektriska signaler som uppstår i ditt hjärta när det slår. Tekniken för att spela in dessa signaler kallas elektrokardiogram, EKG. När signalen kommer in i våra system ser den typiskt ut som bilden nedan.

En EKG-signal med uppmärkta avstånd mellan R-vågor angivna i millisekunder

Utslagen i EKG-signalen uppstår när hjärtats förmak och kammare slår respektive laddar upp sin elektriska potential. De stora rörelserna som kan ses kallas QRS-komplex. Den högsta toppen är R-vågen som uppstår när höger och vänster kammare kontraheras och pumpar runt blod i kroppen. Tiden mellan två hjärtslag brukar kallas RR-intervall och är alltså samma sak som tiden mellan två R-vågor, topparna i signalen.

2. Hjärtfrekvensvariabilitet (HFV)

En EKG-signal innehåller oerhört mycket information, både om hjärtat och kroppen. EKG är till exempel ett vanligt verktyg för att i kliniska miljöer ställa olika diagnoser på hjärtat. På Linkura är vi dock inte intresserade av hjärtat i sig utan hur det påverkas av kroppen i övrigt. Våra algoritmer fokuserar därför på att beräkna ett mått som kallas hjärtfrekvensvariabilitet, HFV.

Hjärtfrekvensvariabilitet är ett sätt att beskriva hur mycket RR-intervallet (slaglängden) varierar. En vanlig missuppfattning är att hjärtat alla slag är lika långa och jämnt utspridda. I själva verket varierar slaglängden i takt med din andning. När du andas in går pulsen upp eftersom kroppen vill syresätta så mycket blod som möjligt. När du andas ut går pulsen istället ned. Denna variation kallas respiratorisk sinusarytmi och är helt normal.

Hur stark kopplingen är mellan andning och hjärtslag beror på vilken gren av det autonoma nervsystemet som för tillfället är mest dominant. Om vi är i ett lugnt/bromsande/återhämtande läge kommer den parasympatiska grenen av ANS att dominera. I detta läge är kopplingen stark mellan andning och hjärtslag vilket leder till en stor variation.

När vi blir stressade tar den sympatiska grenen av vårt autonoma nervsystem över och gör kroppen redo för att ”slåss eller fly”. I detta läge minskar kopplingen mellan andning och hjärtslag. Hjärtat börjar då slå mer regelbundet och varierar inte lika mycket i takt med andningen.

Parasympatikus dominerar = Kroppens bromsar = Mer oregelbunda slag = Högre HFV

Sympatikus dominerar = Kroppen gasar = Mer regelbunda slag = Lägre HFV

Tricket här är alltså att vi genom att beräkna HFV kan få en inblick i precis vilket läge kroppen befinner sig i just nu. Ungefär som en varvmätare förklarar HFV om ditt nervsystem just nu är i ett läge av stress eller återhämtning.

När vi under en dag utsätts för olika stimuli kommer kroppen växla mellan dominans av sympatikus och parasympatikus. Genom att kontinuerligt samla in EKG-signaler kan vi beräkna HFV för varje stund under dagen. Om vi sedan ritar upp detta som en graf får vi en vy över hur kroppen varvar upp och ned. Nedan visar vi en förenklad version som av pedagogiska skäl sjunker och ökar i regelbundna cykler.

En enkel visualisering av hur HFV kan variera över tid.

3. Normering av HFV

En spännande egenskap hos HFV är att det är oerhört individuellt. Att rakt av jämföra HFV-värden mellan olika individer är därför ganska ointressant. Studier har visat en tydlig koppling mellan HFV och ålder. Desto äldre vi blir, desto svagare blir kopplingen mellan andning och hjärtslag. För att kunna jämföra värden mellan individer av olika ålder behöver därför samtliga värden normeras.

Normerat HFV = HFV x ålderskonstant

När HFV-värdet är normerat kan det i större utsträckning jämföras med andra individer. Kurvans form påverkas inte av normeringen utan det enda som skiljer är att hela serien flyttas uppåt eller nedåt.

Exempel på en dataserie av HFV-värden som normeras uppåt. Kurvans form förändras inte utan förskjuts bara i höjdled.

4. Beräkning av medelvärde

Även efter normering finns det en stor individuell variation i HFV. Dels skiljer sig mätvärden mellan olika individer. Dels förändras de över tid för en och samma person. Det är i denna individuella variation som själva kärnan ligger. Det är här vi hittar insikter värda att agera på.

För att kunna avgöra om kroppen är stressad eller återhämtad behöver vi besluta vilka intervall av HFV som ska tolkas som stress eller återhämtning. Alltså behöver vi något slags gränsvärde att utgå ifrån. Eftersom vi redan konstaterat att HFV varierar stort mellan individer fungerar det inte att använda konstanta gränsvärden. Ett HFV på 100 kan för en individ vara stress och för en annan återhämtning.

Lösningen är därför att definiera gränsvärden för stress och återhämtning individuellt och kontinuerligt. Bakom kulisserna sker här lite mer komplexa beräkningar, men principiellt kan vi tänka oss att vi för varje individ beräknar ett medelvärde av HFV för de senaste dagarnas mätningar. För att sortera ut avvikelser som kan uppstå under sömn respektive fysisk aktivitet beräknas medelvärdet bara på den tid du varit vaken och stillasittande.

Vi har nu definierat ett medelvärde som visualiseras i grafen nedan som en streckad linje.

En streckad linje markerar ett beräknat medelvärde för HFV under vakna och stillasittande perioder.

5. Färgkodning av tillstånd

Här börjar det bli intressant! Utifrån tidigare resonemang kan vi nu anta att alla värden som ligger ovanför medelvärdet innebär att kroppen befinner sig i ett mer återhämtande läge. Alla värden som ligger under medelvärdet innebär att kroppen befinner sig i ett stressat läge. Vi inför nu två färger som kommer följa med oss hela vägen till den vy du möter i appen.

Värden ovan medelvärde kodas som återhämtning = blått.

Värden under medelvärde kodas som stress = rött.

Områden över respektive under medelvärdet färgkodas i olika tillstånd.

6. Uppdelning i tidssegment

För att förenkla den fortsatta visualiseringen delas all data in i staplar motsvarande en period på 15 minuter. Vi har nu röda staplar som motsvarar perioder av stress. Blåa staplar motsvarar perioder av återhämtning.

All data delas upp i staplar där bredden motsvarar 15 minuter.

7. Översättning till intensitet

Här kommer ett steg som många brukar tycka är lite knepigt. För att enklare kunna jämföra med vilken intensitet vi befunnit oss i stress eller återhämtning väljer vi att invertera (vända upp) all data under medelvärdet. Staplarnas höjd behålls, men spegla så att även stress hamnar ”ovanpå” medelvärdet. Höjden på axeln motsvarar nu intensitet istället för HFV. Ett mer intensivt tillstånd innebär ett mer extremt HFV-värde (väldigt lågt eller högt) och visas nu som en högre stapel. Ett mindre intensiv tillstånd, ett HFV-värde närmare medelvärdet visas som en lägre stapel.

Genom att ”vända upp” stress-segment ovanför medelvärdet kan vi jämföra intensitet mellan olika tillstånd.

8. Färgkodning av fysisk aktivitet

Sist men inte minst så ritar vi även ut perioder av fysisk aktivitet på grafen. Dessa visualiseras som perioder av gult. Fysisk aktivitet har en stor påverkan på HFV vilket gör det intressant att se hur belastningen förändras i samband och efter perioder av rörelse.

Slutligen färgkodas perioder av fysisk aktivitet gula. Vi har nu en färdig belastningsgraf!