INTRODUCCIÓN

En la búsqueda de identificar la contribución de los procesos psicológicos en la salud y enfermedad se han propuesto diferentes modelos teóricos, uno de los cuales es la psicofisiología, en la que se busca conocer la interacción entre los procesos psicológicos y fisiológicos para determinar el modo en que esta relación influye en la salud y la enfermedad. En los últimos quince años se ha establecido un método de análisis que permite dilucidar la interacción entre dichos procesos psicológicos y la regulación autonómica de la actividad cardiovascular ( Berntson et al., 1997 ), el cual se conoce como variabilidad de la frecuencia cardiaca (VFC) y se puede considerar como una ventana para conocer la regulación neural del corazón ( Porges, 2007 ). El análisis de la VFC consiste en evaluar las oscilaciones en los intervalos entre cada latido cardiaco.

La medición de la VFC se puede emplear como herramienta diagnóstica y de pronóstico en problemas cardiovasculares ( Moser et al., 1994 ; Tsuji et al., 1996 ), y asimismo se puede utilizar como un marcador fisiológico de la función autonómica en relación con diversos fenómenos, tales como la regulación emocional ( Thayer y Lane, 2000 ), el estrés ( Papousek, Schulter y Premsberger, 2002 ), la depresión ( Rottenberg, 2007 ), la ansiedad ( Jönsson, 2007 ) y el dolor ( Appelhans y Luecken, 2008 ), entre muchos otros.

De acuerdo con el Task Force of the European Society and the North American Society of Pacing and Electrophysiology (1996) , los métodos de análisis de la VFC se pueden clasificar en el dominio de tiempo, el dominio de la frecuencia y los métodos no lineales. La duración del registro está determinada por la naturaleza de la investigación, y puede durar desde minutos hasta varias horas. Además, se ha acordado que el registro dure al menos diez veces la longitud de onda del componente más lento, con un minuto para evaluar los componentes de frecuencia alta y aproximadamente dos minutos para los de frecuencia baja. Para estandarizar, se ha propuesto utilizar registros de cinco minutos. En la psicofisiología se usan principalmente los de corta duración, para lo cual se recomienda el uso de los métodos de dominio de frecuencia; con este método se ha podido establecer la siguiente clasificación: a) Componente de frecuencia muy baja, de ≤ 0.04 Hz, con el que no se ha logrado establecer relación con un proceso fisiológico específico; b) Componente de frecuencia baja, de 0.04-0.15 Hz, relacionado con la actividad simpática y de barorreceptores, y c) Componente de frecuencia alta, también conocido como arritmia del sinus respiratorio (ASR), de 0.15-0.4 Hz, relacionado con la actividad vagal.

De acuerdo con Berntson et al. (1997) , cualquier estimación que intente extraer y caracterizar periodicidades específicas en el transcurso del tiempo puede distorsionarse por tendencias lentas de tipo lineal o compleja en la serie de tiempo, lo que afecta los resultados de los análisis y puede contribuir a interpretaciones erróneas. Los análisis espectrales asumen que la serie de datos tienen al menos una estacionariedad leve, la cual indica que las características de la distribución de la serie (media y varianza) no cambian con el transcurso del tiempo; sin embargo, en los datos entre intervalos cardiacos es común la violación de este supuesto. Para Porges y Bohrer (1990) , existen tres problemas estadísticos básicos en la cuantificación de los componentes periódicos de procesos fisiológicos: los datos fisiológicos no son estacionarios, las periodicidades fisiológicas no son sinusoidales y los datos fisiológicos son complejos y consisten de componentes periódicos y aperiódicos. Para evitar estas limitaciones, se recomienda mantener constantes las condiciones de evaluación y evitar periodos largos de análisis; el objetivo de lo anterior es evitar cambios en el contexto experimental y en el estado del sujeto, asi como minimizar los cambios asociados al transcurso del tiempo en el patrón de modulación autonómica del corazón. Dichos cambios fásicos podrían distorsionar las mediciones de los componentes de la VFC. De acuerdo con Brandenberger, Buchheit, Ehrhart, Simon y Piquard (2005) , el sueño delta (fase 3 del sueño NMOR) ofrece una condición de registro óptima para evaluar los dominios de tiempo y frecuencia de la VFC ya que es un estado en el cual la respiración es regular. Además, en el sueño NMOR la actividad simpática disminuye y la parasimpática aumenta, permaneciendo tales cambios relativamente constantes ( Parmeggiani, 2000 ; Verrier, Harper y Hobson, 2000 ). Si el interés es conocer si la VFC se modifica de acuerdo con el estado fisiológico y conductual, entonces el incluir el sueño MOR resultaría conveniente en cuanto que es un estado diferente al sueño NMOR, toda vez que en el primero la actividad autonómica es inestable, con incremento de la división simpática, principalmente. Sin embargo, si el objetivo es estudiar la relación entre eventos o estímulos transitorios y su relación con respuestas cardiacas fásicas, deben buscarse otros métodos de análisis. Uno de los que se ha propuesto para realizar análisis en periodos cortos de tiempo y que no se ven afectados por el supuesto de estacionariedad es el de las ondeletas o wavelets ( Belova, Mihaylov y Piryova, 2007 ). Otro método es el filtro polinomial movible de Porges (1985) , el cual se considera dentro del dominio de tiempo, pero que es similar a las técnicas espectrales y permite la obtención de los componentes de la VFC en bandas de frecuencia específicas. Una de sus principales ventajas sobre el de las ondeletas es que con este método las estimaciones de los componentes de la VFC se han corroborado en diversos estudios con humanos y animales ( Denver, Reed y Porges, 2007 ; Porges, 2007 ). Asimismo, se ha demostrado que es un método de evaluación (en especial la arritmia del sinus respiratorio [ASR]) con otros métodos de análisis espectral ( Allen, Chambers y Towers, 2007 ). Otra ventaja es que este método se deriva en parte de la necesidad de dar soporte experimental a la teoría polivagal ( Porges, 2001 ).

Una propuesta importante dentro de tal teoría es la explicación del fenómeno del freno vagal ( Porges, 2001 , 2007 ), que describe un mecanismo que permite y modula la interacción social y que está mediado principalmente por el nervio vago mielinizado, cuyo origen es el núcleo ambiguo. Cuando existe la necesidad de involucrarse selectivamente con elementos del ambiente, se produce un retiro transitorio de la influencia vagal hacia el corazón, incrementando así su actividad para ajustarse a las demandas metabólicas. Cuando el ambiente requiere un estado conductual de calma, se restablece el freno vagal y se reduce la actividad cardiaca, lo cual instala un estado fisiológico para restablecer un estado homeostático. Cuando el freno vagal es eficiente para soportar los cambios en demandas del ambiente, la modulación neural de la ASR se empata con el cambio en la actividad del corazón.

La eficiencia del freno vagal se podría evaluar con la correlación entre los cambios en el componente de la ASR y la actividad cardiaca, ya sea con la frecuencia cardiaca o con el periodo cardiaco (PC). Para determinar si la función dinámica del freno vagal depende del estado conductual se requiere contar con mediciones de segmentos breves de tiempo, que es una de las características del método del filtro polinomial movible de Porges. De hecho, Porges, Doussard, Stifer, McClenny y Riniolo (1999) realizaron un estudio para evaluar si la función dinámica del freno vagal se modificaba dependiendo las fases de sueño de niños recién nacidos. Con este propósito, analizaron la correlación entre el PC y la ASR en diferentes segmentos de tiempo (2, 5 y 10 segundos), detectando que la correlación entre estos dos componentes era mayor durante el sueño activo.

Es importante estudiar el cambio dinámico en la modulación autonómica del corazón, lo que es posible realizar con el método de Porges. Sin embargo, antes de proponer su aplicación generalizada como una herramienta clínica en el campo de la psicofisiología y la medicina conductual es recomendable evaluar las características de la VFC obtenida en diferentes segmentos de tiempo con distintas poblaciones y condiciones de evaluación. Por lo tanto, los objetivos de esta investigación fueron determinar si durante el sueño de adultos sanos a) el tiempo de análisis modifica los valores de los componentes de la VFC y b) si la interacción entre los componentes de la VFC es diferente dependiendo la duración del análisis.

MÉTODO

Participantes

El estudio se llevó a cabo en 18 adultos sanos (7 hombres y 11 mujeres), con un promedio de edad de 24 años (D.E. ± 4), todos ellos residentes en la Ciudad de México, con niveles mínimos de ansiedad (M = 4.8, D.E. = .3.4) y depresión (M = 4.9, D.E. = 4.5), de acuerdo con los resultados obtenidos en los inventarios de ansiedad ( Robles, Varela, Jurado y Páez, 2001 ) y depresión de Beck, adaptados para población mexicana por Jurado et al. (1998) .

Aparatos y software

Al efecto, se emplearon los siguientes materiales: un equipo Easy II de la compañía Cadwell Laboratories; un software CardioEdit y CardioBatch, y un software QRSTool, versión 1.2.2 ( Allen et al., 2007 ).

Procedimiento

Primeramente se realizó una entrevista clínica con los participantes para corroborar su estado de salud, a quienes se les explicaron los objetivos de la investigación y se les describió el procedimiento de evaluación de sueño, hecho lo cual firmaron un formato de consentimiento informado de su participación en la investigación. Previo a los registros de sueño, se les pidió que mantuvieran un horario regular para dormir una semana antes del registro. Se realizaron dos registros continuos de sueño: el primero sirvió para evaluar su adaptación y la posible presencia de algún indicador de trastornos de sueño; el segundo registro se analizó detalladamente a fin de que los datos obtenidos reflejaran los patrones de sueño que habitualmente presentaban en su hogar. Solo a los participantes que no mostraron indicadores de patología de sueño en el registro de adaptación se les practicó el segundo registro, que consistió en la evaluación de su electroencefalograma, electrooculograma, electrocardiograma, respiración y oxigenación de la sangre.

Análisis de la variabilidad de la frecuencia cardiaca

La selección de las muestras de actividad cardiaca durante el sueño se llevó a cabo de la siguiente forma: primero se clasificaron los registros de sueño siguiendo los lineamientos del manual de calificación de las fases de sueño de la American Academy of Sleep Medicine (2007) . Luego, se seleccionaron tres segmentos de 5 minutos de actividad cardiaca pertenecientes a las fases 2 (N2) y 3 (N3) del sueño sin movimientos oculares rápidos (NMOR) y al sueño con movimientos oculares rápidos (MOR). Las muestras se tomaron del segundo ciclo de sueño NMOR-MOR y ninguna de ellas presentó artefactos debido a movimiento o activación electroencefalográfica durante el sueño. Para calcular los intervalos entre los latidos cardiacos (intervalo R-R del electrocardiograma) se utilizó el software QRSTool, enseguida el CardioEdit para descartar la presencia de artefactos en los intervalos R-R, así como el CardioBatch para calcular los componentes de la VFC. Con el Cardiobatch se segmentaron las muestras de cada fase sueño para calcular los componentes de la VFC de acuerdo con los siguientes tiempos: 2, 5, 10, 15, 20 y 30 segundos y 5 minutos. Los componentes de la VFC calculados con el software CardioBatch correspondieron a la ASR determinada por el rango de frecuencia de 0.12- 0.14 Hz, que refleja actividad parasimpática, y la onda de Traube-Hering-Mayer (THM), determinada por el rango de frecuencia de 0.06-0.10 Hz, la cual indica actividad barorreceptora y simpática, así como el periodo cardiaco (PC) como medida general de la variabilidad cardiaca. Los componentes de la ASR y THM se transformaron en logaritmos naturales (ln); el PC se reporta en milisegundos (ms) y en unidades de ln(ms).

Análisis estadísticos

Se aplicó la prueba de Shapiro-Wilk para contrastar la normalidad de los datos de los componentes de la VFC. Sobre la base de los resultados de esta prueba, se tomaron las siguientes decisiones: a) se usó el análisis de varianza de medidas repetidas si los datos provenían de una distribución normal; en caso contrario, la prueba de rangos de Friedman; b) si los datos provenían de una distribución normal, se utilizó el coeficiente de correlación de Pearson; en caso contrario, el coeficiente de correlación de Spearman. En el análisis de varianza de medidas repetidas se optó por la aproximación univariada con el método de corrección de Greenhouse-Geiser, mientras que para el análisis de efectos principales el de corrección de Bonferroni.

RESULTADOS

En el componente THM se omitieron los resultados de los dos segundos de duración debido a que se encontraron errores en su análisis. Se halló que conforme aumenta el tiempo de los segmentos de análisis lo hace también el valor de los componentes de ASR ( Tabla 1 ) y la THM ( Tabla 2 ). Tal tendencia ocurrió en todas las fases de sueño.

Respecto al componente del PC en la fase 2 (F = 0.795, p = .057), la fase 3 de sueño NMOR (F = 0.257, p = .795) y sueño MOR (X2 = 2.548, p = .863), los valores fueron similares, independientemente del tiempo usado para su estimación.

En el componente de la ASR, los análisis de efectos principales mostraron diferencias en la fase 2 del sueño NMOR entre el segmento de 2 segundos y los segmentos restantes, mientras que el de 5 minutos se diferenció de todos los segmentos, excepto del de 30 segundos. En la fase 3 de sueño NMOR se observaron diferencias entre el segmento de 2 segundos y los segmentos restantes, y entre los segmentos de 20 segundos y de 5 minutos. En el sueño MOR hubo diferencias en todos los segmentos, con excepción del segmento de 10 segundos, comparado con el de 15 segundos, así como el de 20 segundos comparado con el de 30.

El análisis de los efectos principales del componente THM mostró diferencias en todos los segmentos de tiempo en la fase 2 de sueño NMOR, mientras que la fase 3 de sueño NMOR tuvo diferencias con todos los segmentos, excepto el de 20 segundos comparado con el de 30. En el sueño MOR se observaron diferencias en todos los segmentos, con excepción del segmento de 15 segundos comparado con el de 20, así como el de 20 segundos comparado con el de 30.

Para conocer mejor esta tendencia de incremento de amplitud de los componentes de la ASR y THM, se realizaron correlaciones entre todos los segmentos de tiempo. Se encontraron correlaciones significativas entre todos esos segmentos con el componente de la ASR en la fase 2 ( Tabla 3 ) y fase 3 ( Tabla 4 ) de sueño NMOR, así como en sueño MOR ( Tabla 5 ).

El componente de THM presentó correlaciones significativas entre todos los segmentos de tiempo en la fase 2 ( Tabla 6 ) y fase 3 ( Tabla 7 ) de sueño NMOR, así como en el sueño MOR ( Tabla 8 ). Para el componente del PC en las fases 2 y 3 de sueño NMOR las correlaciones fueron de 1 para todos los segmentos; en la fase MOR, las correlaciones estuvieron en el rango de .996 a 1.

La interacción entre los componentes de la VFC durante los segmentos de tiempo se evaluó por medio de correlaciones entre los componentes ASR-PC, ASR-THM y THM-PC. Las muestras de 5 minutos se dividieron entre los segmentos de tiempo usados previamente, y después se calcularon las correlaciones de cada segmento. El número total de correlaciones se presenta en la Tabla 9 . El algoritmo para calcular los componentes de la VFC requiere cierto tiempo para establecer el modelo estadístico, y por lo tanto se perdieron algunos datos.

En cada fase de sueño se promediaron las correlaciones significativas de cada segmento de tiempo. Los resultados se presentan en diagramas de caja con la media como valor central y en los bigotes la desviación estándar. En la Figura 1 se muestra la correlación entre los componentes de ASR-PC; en la mayoría de los segmentos de tiempo los valores de las correlaciones fueron similares; solo en la fase 2 de sueño NMOR el segmento de 20 segundos tuvo una menor correlación y en la fase 3 de sueño NMOR el segmento de 2 segundos fue asimismo menor. En el sueño MOR no hubo correlación significativa en el segmento de 5 minutos.

En la Figura 2 se presenta la correlación entre los componentes de ASR-THM; en la mayoría de los segmentos las correlaciones fueron similares; en la fase de 2 de sueño NMOR el segmento de 5 minutos no tuvo una correlación significativa, y la correlación en la fase de sueño MOR el segmento de 5 minutos fue mayor.

La correlación entre los componentes de THM-PC fue similar en todos los segmentos del sueño MOR; en la fase 3 de sueño NMOR la correlación fue significativa en los segmentos de 5, 10 y 15 segundos, y en la fase 2 de sueño NMOR solo en el segmento de 5 segundos.

DISCUSIÓN

De acuerdo a la literatura, el método del filtro polinomial movible se había usado anteriormente en la evaluación del sueño en niños recién nacidos ( Porges et al., 1999 ), analizando únicamente el componente de la ASR y la interacción entre ASR y PC. Sin embargo, debido al nivel de maduración del sistema nervioso central durante la niñez, los patrones y mecanismos reguladores del sueño son diferentes a los de los adultos ( Scher, 2006 ), por lo que la extrapolación de los resultados de ese estudio a una población adulta resulta poco adecuada. A pesar de estas diferencias entre niños y adultos, en este estudio también se encontró que en todas las fases de sueño los valores de la ASR y THM se incrementan conforme el período de tiempo analizado es mayor. Esta misma respuesta se ha encontrado empleando los métodos de dominio tiempo durante registros con grabadora Holter de varios días de duración ( Saul, Albrecht, Berger y Cohen, 1988 ); en cambio, el componente del PC no mostró tales diferencias. No obstante, los valores de amplitud de los componentes de la ASR y THM son diferentes, y esos valores permanecen teniendo correlaciones positivas significativas dependiendo del tiempo de análisis.

Para el análisis de las interacciones entre los componentes se determinó usar el PC ya que presenta una relación lineal con los componentes de modulación autonómica del corazón (ASR y THM), a diferencia de la frecuencia cardiaca ( Quigley y Bernston, 1996 ). La interacción entre los componentes ASR-PC únicamente se modificó en el segmento de 5 minutos en el sueño MOR. En la interacción entre ASR-THM, el segmento de análisis de 5 minutos no mostró correlación significativa en la fase 2 de sueño NMOR. Por último, la interacción entre los componentes THM-PC parece ser una respuesta relacionada con la presencia de sueño MOR. Por lo tanto, el método del filtro polinomial movible fue efectivo para detectar correlaciones significativas entre los componentes de ASR-PC y ASR-THM en periodos cortos de tiempo.

La interpretación de la correlación entre los componentes de ASR-PC se basa en la propuesta de Porges (2007), en la cual esta interacción permite tener un estimado del funcionamiento del freno vagal. Los cambios en el componente de THM se pueden interpretar de dos formas: la primera es si se considera que es una medición de la actividad simpática ( Montano, Cogliati, Dias da Silva, Gnecchi-Ruscone y Malliani, 2001 ), y la segunda es si se considera que es una medición de la actividad barorreceptora ( Houle y Billman, 1999 ; Lanfranchi y Somers, 2002 ). Si es medición específica de actividad simpática, la correlación positiva entre ASR-THM indicaría una respuesta paradójica de acuerdo al modelo recíproco de regulación autonómica, toda vez que se esperaría una correlación negativa (si hay activación simpática, disminuye la parasimpática). De acuerdo al modelo del espacio autonómico, indicaría un control de tipo acoplado no recíproco de coactivación (Berntson, Cacioppo y Quigley, 1991 , 1993 , 1994 ). Si se supone un reflejo de la actividad barorreceptora, es posible sugerir un mayor control del ritmo cardiaco de este sistema, y debido a que los valores de correlación son mayores en sueño MOR, podría indicar que es un indicador del incremento de la actividad autonómica. La presencia de la interacción entre THMPC, principalmente en sueño MOR, sugiere una modulación diferente en este periodo.

El tiempo mínimo para calcular los componentes de la VFC dependerá del objetivo de la investigación. Generalmente se recomienda tener al menos un ciclo para calcular la actividad de una oscilación periódica. De acuerdo con Porges et al. (1999) , en aproximadamente 5 segundos se cumple un ciclo respiratorio. Para la ASR, los presentes resultados mostraron que los segmentos de 2 segundos muestran diferencias significativas cuando se comparan con todos los segmentos restantes de tiempo, por lo que sería recomendable usar periodos de 5 segundos. Para el componente de THM, en 10 segundos se cumple un ciclo. Los datos mostraron que a partir de este tiempo los incrementos de amplitud son menores, por lo que sería recomendable usar 10 segundos como tiempo mínimo para calcular dicho componente. El PC no se afecta por el tiempo de análisis debido a que para calcularlo se requieren al menos dos latidos cardiacos; el tiempo mínimo podría ser de 2 segundos, pero si el interés es evaluar el freno vagal, sería de 5. Para la interacción de los componentes de la ASR y THM podrían usarse 5 y 10 segundos, evaluando si aparecen diferencias en los valores calculados de la correlación.

En conclusión, con el método del filtro polinomial movible es posible cuantificar los componentes de la VFC en periodos de pocos segundos. Esta característica proporciona la oportunidad de estudiar el cambio dinámico en la modulación autonómica del corazón. Para determinar la influencia del tiempo de análisis en el cálculo de los componentes de la VFC se requieren más estudios básicos y clínicos – por ejemplo en vigilia– durante la ejecución de un perfil psicofisiológico de estrés en personas saludables y con alguna patología, para de esta forma poder establecer con mayor certeza los tiempos adecuados para la estimación de la VFC.

Referencias

Allen, J.J.B., Chambers, A.S. y Towers, D.N. (2007). The many metrics of cardiac chronotropy: A pragmatic primer and brief comparison of metrics. Biological Psychology, 74, 243-262.

American Academy of Sleep Medicine (2007). The AASM manual for the scoring of sleep and associated events: rules, terminology, and technical specification. Westchester, IL: AASM.

Appelhans, B.M. y Luecken, L.J. (2008). Heart rate variability and pain: Associations of two interrelated homeostatic processes. Biological Psychology, 77, 174-182.

Belova, N.Y., Mihaylov, S.V. y Piryova, B.G. (2007). Wavelet transform: A better approach for the evaluation of instantaneous changes in heart rate variability. Autonomic Neuroscience: Basic and Clinical, 131, 107-122.

Berntson, G.G., Bigger, T.J., Eckberg, D.L., Grossman, P., Kaufmann, P.G., Malik, M., Nagaraja, H.N., Porges, S.W., Philip, S.J., Stone, P.H. y Van der Molen, M.W. (1997). Heart rate variability: Origins, methods, and interpretive caveats. Psychophysiology, 34, 623-648.

Berntson, G.G., Cacioppo, J.T. y Quigley, K.S. (1991). Autonomic determinism: The modes of autonomic control, the doctrine of autonomic space, and the laws of autonomic constraint. Psychological Review, 98, 459-487.

Berntson, G.G., Cacioppo, J.T. y Quigley, K.S. (1993). Cardiac psychophysiology and autonomic space in humans: Empirical perspectives and conceptual implications. Psychological Bulletin, 114, 296-322.

Berntson, G.G., Cacioppo, J.T. y Quigley, K.S. (1994). Autonomic space and psychophysiological response. Psychophysiology, 31, 44-61.

Brandenberger, G., Buchheit, M., Ehrhart, J., Simon, C. y Piquard, F. (2005). Is slow wave sleep an appropriate recording condition for heart rate variability analysis? Autonomic Neuroscience: Basic and Clinical, 121, 81-86.

Denver, J.W., Reed, S.R. y Porges, S.W. (2007). Methodological issues in the quantification of respiratory sinus arrhythmia. Biological Psychology, 74, 286-294.

Houle, M.S. y Billman G.E. (1999). Low-frequency component of the heart rate variability spectrum: A por marker of sympathetic activity. American Journal of Physiology, 276, 215-223.

Jonsson, P. (2007). Respiratory sinus arrhythmia as a function of state anxiety in healthy individuals. International Journal of Psychophysiology, 63, 48-54.

Jurado, S., Villegas, E.N., Méndez, L., Rodríguez, F., Loperena, V. y Varela, R. (1998). La estandarización del Inventario de Depresión de Beck para los residentes de la ciudad de México. Salud Mental, 21, 26-31.

Lanfranchi, P.A. y Somers, V.K. (2002). Arterial baroreflex function and cardiovascular variability: Interactions and implications. American Journal of Regulatory, Integrative and Comparative Physiology, 283, 815-826.

Montano, N., Cogliati, C., Dias da Silva, V.J., Gnecchi-Ruscone, T. y Malliani, A. (2001). Sympathetic rhythms and cardiovascular oscillations. Autonomic Neuroscience: Basic and Clinical, 90, 29-34.

Moser, M., Lehofer, M., Sedminek, A., Lux, M., Zapotoczky, H.G., Kenner, T. y Noordergraaf, A. (1994). Heart rate variability as a prognostic tool in cardiology. A contribution to the problem from a theoretical point of view. Circulation, 90, 1078-1082.

Papousek, I., Schulter, G. y Premsberger E. (2002). Dissociated autonomic regulation during stress and physical complaints. Journal of Psychosomatic Research, 52, 257-266.

Parmeggiani, P.L. (2000). Physiological regulation in sleep. En M. Kryger, T. Roth y W. Dement (Eds.): Principles and practice of sleep medicine (pp. 169-178). Philadelphia, PA: Saunders Company.

Porges, S.W. (1985). Method and apparatus for evaluating rhythmic oscillations in aperiodic physiological response systems. Patent Number: 4,510,944. Washington, DC: U.S. Patent Office.

Porges, S.W. (2001). The polyvagal theory: phylogenetic susbtrates of a social nervous system. International Journal of Psychophysiology, 42, 123-146.

Porges, S.W. (2007). The polyvagal perspective. Biological Psychology, 74, 116-143.

Porges, S.W. y Bohrer, R.E. (1990). Analyses of periodic processes in psychophysiological research. En J. T. Cacioppo y L. G. Tassinary (Eds.): Principles of psychophysiology: Physical, social, and inferential elements (pp. 708-753). New York: Cambridge University Press.

Porges, S.W., Doussard-Roosevelt, J.A., Stifter, C.A., McClenny, B.D. y Riniolo, T.C. (1999). Sleep state and vagal regulation of heart period patterns in the human newborn: An extension of the polivagal theory. Psychophysiology, 36, 14-21.

Quigley, K.S. y Berntson, G.G. (1996). Autonomic interactions and chronotropic control of the heart: Heart period versus heart rate. Psychophysiology, 33, 605-611.

Robles, R., Varela, R., Jurado, S. y Páez, F. (2001). Versión mexicana del Inventario de Beck: Propiedades psicométricas. Revista Mexicana de Psicología, 8, 211-217.

Rottenberg, J. (2007). Cardiac vagal control in depression: A critical analysis. Biological Psychology, 74, 200-211.

Saul, J.P., Albrecht, P., Berger, R.D. y Cohen, R.J. (1988). Analysis of long term heart rate variability: Methods, 1/f scaling and implications. Computers in Cardiology, 15, 419-422.

Scher, M.S. (2006). Ontogeny of EEG sleep from neonatal through infancy periods. En T. Lee-Chiong. (Ed.): Sleep: A comprehensive handbook (pp. 489-506). Edison, NJ: John Wiley & Sons.

Task Force of the European Society of Cardiology and the North American Society of Pacing and Electrophysiology (1996). Heart rate variability: Standards of measurement, physiological interpretation, and clinical use. European Heart Journal, 17, 354-381.

Thayer, J.F. y Lane, R.D. (2000). A model of neurovisceral integration in emotion regulation and dysregulation. Journal of Affective Disorders, 61, 201-216.

Tsuji, H., Larson, M.G., Venditti, F.J., Manders, E.S., Evans, J.C., Feldman, C.L. y Levy, D. (1996). Impact of reduced heart rate variability on risk for cardiac events. The Framingham Heart Study. Circulation, 94, 2850-2855.

Verrier, R., Harper, R. y Hobson, J. (2000). Cardiovascular physiology: Central and autonomic regulation. En M. Kryger, T. Roth y W. Dement (Eds.): Principles and practice of sleep medicine (pp. 179-192). Philadelphia, PA: Saunders and Company.

Notas de autor

eriklms@ciencias.unam.mx