Publikationsserver der Universitätsbibliothek Marburg

Titel: Fraktale Charakteristik der Herzfrequenz in Abhängigkeit von Belastungsgestaltung und ausgewählten Beanspruchungs-indikatoren während erschöpfender Ausdauerbelastungen mit und ohne Endpunktorientierung.
Autor: Boeselt, Tobias
Weitere Beteiligte: Beneke, Ralph (Prof. Dr.)
Veröffentlicht: 2015
URI: https://archiv.ub.uni-marburg.de/diss/z2015/0349
DOI: https://doi.org/10.17192/z2015.0349
URN: urn:nbn:de:hebis:04-z2015-03499
DDC: Sport
Titel(trans.): Fractal characteristics of heart rate depending on exercise characteristic and selected stress indicators during exhaustive endurance exercise with and without endpoint orientation.
Publikationsdatum: 2015-06-25
Lizenz: https://rightsstatements.org/vocab/InC-NC/1.0/

Dokument

Schlagwörter:
heart rate variability, rating of perceived exertion, Laufgeschwindigkeit, nicht-lineare Dynamiken, Pacing, subjektives Belastungsempfinden, Langstreckenlauf, long distance running, Herzfrequenzvariabilität, Pacing

Zusammenfassung:
Einleitung: Das größte Schlüsselmerkmal für einen erfolgreichen Langstreckenlauf ist Pacing. Pacing ist die Modulation der Laufgeschwindigkeit für die maximale Ausnutzung der Leistungsfähigkeit in Richtung des bekannten Endpunktes „Ziellinie“. Pacing beinhaltet die kontinuierliche Integration von Informationen über bislang gespeicherte Erfahrungen, der verbleibenden Distanz, den Umgebungsbedingungen und den Grad des subjektiven Belastungsempfindens (RPE). Ergänzend zu der Form des Makro-Pacings belegen Studien, dass hochfrequente Modulationen der Laufgeschwindigkeit, nicht durch Zufall entstehen. Das Skalierungs-verhalten der Geschwindigkeitsvariationen stellt mit seiner Selbstähnlichkeit, eine Form des Mikro-Pacings dar. Die fraktale Skalierung der Geschwindig¬keits¬regulation des Mikro-Profils, ist charakterisiert durch ein nicht stationäres fraktales Brownian motion (fBm) mit inhärenten Langzeitkorrelationen. Aus dieser Erkenntnis heraus testet die Teilstudie I, unter anderem die Hypothese, dass mit zunehmender Laufstrecke das nicht-stationäre fraktale fBm mit inhärenten Langzeitkorrelationen zunimmt. In einer nicht-Endpunkt orientierten Teilstudie II, bestritten die Probanden auf einem Radergometer eine invariante Leistungsvorgabe bis zum Belastungsabbruch. Ziel war der Vergleich zwischen der Entwicklung der nicht-linearen Kenngröße α1 und dem subjektiven Belastungs¬empfinden (RPE). Methodik: In der Teilstudie I nahmen insgesamt 20 männliche Ausdauerathleten (MW ± SD Alter: 37±7a; Größe: 1,78±0,06 m; Gewicht: 73±8,8 kg) teil, die an unterschiedlichen zertifizierten Straßenläufen eine Halbmarathon- und Marathondistanz absolviert haben. Hochauflösende Daten der Geschwindigkeit (V; m/s), Schrittfrequenz (SF; Hz) und Schrittlänge (SL; m) wurden mit einer Leichtbau-Accelerometrie am Fuß gemessen und telemetrisch in einer Pulsuhr gespeichert (Polar RS800sd mit s3-Sensor, Kempele, Finnland). Der spektrale Skalierungsexponent (beta) berechnet sich aus der Steigung zwischen der log-power und log-frequency. Beta Werte zwischen 1,04 und 3 werden als nicht stationäres fraktales Brownian motion (fBm) mit Langzeitkorrelationen klassifiziert. Ist ein fBm detektiert worden, wurde analog dazu die fraktale Dimension (FD) berechnet. In der Teilstudie II nahmen insgesamt n=19 Radsportler (Alter: 24,7±3,5a, Größe: 1,79± 0,06; Gewicht: 74,3±7,4kg) teil. Die Athleten absolvierten auf dem Radergometer, nach einem Ausbelastungstest, eine submaximale Dauerbelastung mit IANS-Leistung bis zum Belastungsabbruch. Alle fünf Minuten wurden subjektives Belastungsempfinden (RPE, CR-10), Blutlaktat, Sauer¬stoff¬aufnahme (VO2) sowie die HRV-Kenngrößen der Gesamtvariabilität (SDNN) und der nichtlinearen Dynamik (α1) erfasst und relativ zur Gesamtbelastungszeit analysiert. Alle Datenverarbeitungsverfahren beider Teilstudien wurden mit selbstprogrammierten Profilen in Origin 8.0 (OriginLab, Northampton/USA) und Autosignal v1.7 (Seasolve Software, Framingham/USA) verarbeitet. Die statistische Analyse (SPSS 20, IBM Chicago) beinhaltete neben dem Test auf Normalverteilung mittels Kolomogorv-Smirnov, die deskriptiven Ergebnisse aus Mittelwert (MW) und Standardabweichung (SD). Ergebnisse: Mittelwerte der v (3,54 ± 0,38 vs 3,39 ± 0,44 m · s-1), SF (1,43 ± 0,07 vs 1,43 ± 0,07 Hz) und SL (2,58 ± 0,22 vs 2,47 ± 0,24 m) und CV von v (4,2 ± 1,05 vs 5,38 ± 1,65%) und SF (1,12 ± 0,26 vs 1,26 ± 0,27%) blieben zwischen der ersten und zweiten Marathonhälfte unverändert. CV von SL (3,84 ± 0,98 vs 4,79 ± 1,46%) erhöhte (p <0,05) sich mit zunehmender Wettkampfbelastung. SL erklärt 79,6 ± 23,3% der Varianz von v, die in einem Model unter Berücksichtigung der SF auf 94,2 ± 18,8% (beide p <0,001) erhöht werden konnte. In der zweiten Hälfte war beta-v (1,73 ± 0,17 vs 1,86 ± 0,2) erhöht (p <0,05) und FD-v (1,63 ± 0,09 vs 1,57 ± 0,1) verringert (p <0,05), während beta-SF (1,31 ± 0,16 vs 1,41 ± 0,19), beta-SL (1,52 ± 0,22 vs 1,65 ± 0,23), FD-SF (1,84 ± 0,08 vs 1,8 ± 0,09), FD-SL (1,74 ± 0,11 vs 1,67 ± 0,11) mit zunehmender Wettkampfbelastung unverändert blieben. Beta und FD von v, SF und SL zeigten unabhängig von der Laufbelastung Unterschiede (p <0,05) auf. Bei Abbruchzeiten von 77,53±15,28min und hochsignifikant steigender Beanspruchung können neben der hohen positiven Korrelation von RPE und Hf erstmals auch hohe negative Korrelationen von RPE und HRV-Kenngrößen der Gesamtvariabilität (SDNN) bzw. des Korreliertheitsgrades (α1) nachgewiesen werden. In beiden Teilstudien (Dauertest vs. Marathon) kam es im Vergleich der beiden Belastungshälften (erste vs. zweite Hälfte) zu einer signifikanten Reduktion der α1 Werte (p <0,05). Diskussion: Fraktale Eigenschaften der Fluktuationen in v, SF und SL während des Marathon-Rennens zeigen ein nicht-stationäres ein fBm mit inhärenter Langzeitkorrelation. Sie deuten auf eine erhöhte systemische Kopplung bei zunehmender Wettkampfbelastung in v, aber nicht in SL, obwohl die Fluktuationen in V hauptsächlich durch SL vermittelt werden. Die hohen RPE-Werte bei erschöpfender Ausdauerbelastung gehen sowohl mit einem Verlust der Gesamtvariabilität, als auch der fraktalen Skaliertheit einher. Dies lässt vermuten, dass Belastungen ohne Endpunktorientierung und invarianter Leistung stärker zu einem Verlust der Skaliertheit neigen, als endpunktorientierte Belastungen mit variabler Leistung. Weitere Zusammenhänge sollten in zukünftigen Untersuchungen weitergehend beleuchtet werden.

Summary:
Introduction A key feature of successful long distance racing is pacing. Pacing is the modulation of running speed (v) for maximal exploitation of the runner´s performance capacity towards the known endpoint finish line. Pacing shall reflect continuous integration of information on previous experience, remaining running distance, environmental conditions and perception of effort. Additionally to this kind of macro pacing profile there is recent evidence that more high frequent modulations in running v are not random but represent a micro profile with scaling behavior and self-similarity of speed regulation. This fractal scaling micro profile defined by non-stationary fractional Brownian motion with inherent long-range correlations of speed regulation suggests non-linear interrelated control mechanisms operating on various time scales. In half marathon running this was primarily mediated via stride length (SL). Consequently the first part of the study tested the hypothesis that non-stationary fractional Brownian motion with inherent long-range correlations of speed regulation increased with marathon race progression. In the second part of the study, we tested another hypothesis in a laboratory. The subjects should cycle on a bicycle ergometer with invariant power setpoint through their maximum of individual physical exertion. Methods Part 1: 20 male endurance runners (mean ± SD age: 37 ± 7 yrs, height: 1.78 ± 0.06 m, weight: 73±8,8 kg) participated in four different certified street marathon races. Terrestric profiles resulted in net elevations between start and finish of 15 m to 90 m. Climate conditions were mild and dry. High-resolution data of V (m/s), stride frequency (SF; Hz) and SL (m) were measured with a light-weight accelerometric foot sensor with a telemetric coupling to a wrist watch (Polar RS800sd with s3-senor, Kempele, Finnland). The spectral scaling exponent (beta), which denotes the slope of the log-power versus log-frequency regression line, was computed from the smoothed CWT spectral powers of each subjects V, SF and SL time series, while only low frequency components below 0.1 Hz were considered. Beta values between 1.04 and 3 were classified as non-stationary fractional Brownian motion (fBm) with long-range correlations, while values between -1 and 0.38 indicated stationary fractional Gaussian noise (fGn). If fBm was detected, the corresponding fractal dimension (FD) was calculated. Part 2: 19 male cyclists (mean ± SD age: 24.7 ± 3.5 yrs, height: 1.79 ± 0.06m; weight: 74.3 ± 7,4kg) part. The athletes completed on the bicycle ergometer, a submaximal endurance with IANS power through their maximum of individual physical exertion. Every five minutes rating of perceived exertion (RPE, CR-10), blood lactate, oxygen uptake (VO2), HRV and nonlinear dynamics (α1) were analysed relative to the total load time. All data processing procedures were done using self-programmed routines in Origin 8.0 (OriginLab, Northampton/USA) and Autosignal v1.7 (Seasolve Software, Framingham/USA). Subsequent statistical analysis (SPSS 20, IBM Chicago) included testing normality of distribution using Kolmogorov-Smirnov testing and the Levene statistics for homoscedasticity, presentation of descriptive results as means and standard deviations (SD). Results Mean values of V (3.54 ± 0.38 vs. 3.39 ± 0.44 m·s-1), SF (1.43 ± 0.07 vs. 1.43 ± 0.07 Hz) and SL (2.58 ± 0.22 vs. 2.47 ± 0.24 m) remained unchanged between first and second marathon half. SL explained 94.1 ± 5.9 % of the variance in V. CV, beta and FD of V, SF and SL were different (p < 0.05) irrespective of race progression. CV of V (4.2 ± 1.1 vs. 5.4 ± 1.7 %, p < 0.05) and SL (3.8 ± 1.0 vs. 4.8 ± 1.5 %, p < 0.05) increased from first to second marathon half but not CV of SF (1.1 ± 0.3 vs. 1.3 ± 0.3 %, n.s.). Beta of V (1.73 ± 0.17 vs. 1.86 ± 0.2, p < 0.05) increased with race progression whilst beta of SF (1.31 ± 0.16 vs. 1.41 ± 0.22, n.s.) and SL (1.52 ± 0.22 vs. 1.65 ± 0.28, n.s.) remained unchanged. FD of V (1.63 ± 0.09 vs. 1.57 ± 0.1, p < 0.05) decreased in the second half of the marathon but FD of SF (1.84 ± 0.08 vs. 1.8 ± 0.09) and SL (1.74 ± 0.11 vs. 1.67 ± 0.11) did not change with race progression. In the second part of the study total times of 77.53 ± 15,28min show highly significant increase in demand and a high positive correlation between RPE and HRV. In both studies (Laboratory vs. Marathon) occurred in the comparison of the two halves (first vs. second half) to a significant reduction in α1 values (p <0.05). Conclusion The present study is the first that analyzed high frequent modulations in running V in terms of a micro pacing profile with scaling behavior and self-similarity with respect to marathon race progression. The hypothesis that with race progression a runner shows a higher level of correlated non-random speed adjustments was confirmed. Fractal and spectral properties show clear, but subtle effects in beta and FD of v only, although variations in v were primarily mediated by SL. The high RPE values at exhaustive endurance exercise go hand in hand both with a loss of overall variability, as well as the fractal scales awareness. This suggests that demand without end orientation and invariant power more prone to loss of scales awareness, as endpoint oriented events with variable power. The present findings provide furthermore evidence supporting the concept that pacing reflects continuous integration of conscious input and additional cumulative sensations which lead to increasing systemic coupling of performance managing factors towards the known endpoint finish line.

Bibliographie / References

  1. PALAZZOLO, J. A., ESTAFANOUS, F. G., & MURRAY, P. A. (1998). Entropy measures of heart rate variation in conscious dogs. Am J Physiol, 274(4 Pt 2), H1099- ‐1105.
  2. IVANOV, P. C., AMARAL, L. A., GOLDBERGER, A. L., HAVLIN, S., ROSENBLUM, M. G., STRUZIK, Z. R., & STANLEY, H. E. (1999). Multifractality in human heartbeat dynamics. Nature, 399(6735), 461- ‐465.
  3. GOULET, E. D. (2011). Effect of exercise- ‐induced dehydration on time- ‐trial exercise performance: a meta- ‐analysis. Br J Sports Med, 45(14), 1149- ‐1156.
  4. GERSHENSON, C., & HEYLIGHEN, F. (2005). How can we think the complex? In K. Richardson (Ed.), (Institute for the Study of Coherence and Emergence/Information Age Publishing), p.47- ‐62 (pp. 47- ‐62): Institute for the Study of Coherence and Emergence/Information Age Publishing.
  5. Structural bases for the catalytic mechanism of [NiFe] hydrogenases. Biochemical Society transactions, 26(3), 396- ‐401.
  6. GUERTIN, P. A. (2009). The mammalian central pattern generator for locomotion. Brain Res Rev, 62(1), 45- ‐56.
  7. KARASON, K., MOLGAARD, H., WIKSTRAND, J., & SJOSTROM, L. (1999). Heart rate variability in obesity and the effect of weight loss. Am J Cardiol, 83(8), 1242- ‐1247.
  8. GRAVES, J. G., & FRANKLIN, B. A. (2001). Resistance training for health and rehabilitation. In Champaign (Ed.): Human Kinetics II.
  9. Fractal mechanisms in neuronal control: human heartbeat and gait dynamics in health and disease. In W. Jan (Ed.), (pp. 66- ‐96). Cambridge: Cambridge University Press.
  10. Carbohydrate dependence during marathon running. Med Sci Sports Exerc, 25(9), 1009- ‐1017.
  11. ZAMPARO, P., PERINI, R., PEANO, C., & DI PRAMPERO, P. E. (2001). The self selected speed of running in recreational long distance runners. Int J Sports Med, 22(8), 598- ‐604.
  12. STEGMANN, H., KINDERMANN, W., & SCHNABEL, A. (1981). Lactate kinetics and individual anaerobic threshold. Int J Sports Med, 2(3), 160- ‐165.
  13. GARCIN, F., BERGEAUD, Y., & JOLY, B. (1998b). [Efficacy of an ultraviolet device for the disinfection of radiology cassettes]. Pathologie- ‐biologie, 46(5), 325- ‐329.
  14. GOLDBERGER, A. L. (1992). Fractal mechanisms in the electrophysiology of the heart. IEEE Eng Med Biol Mag, 11(2), 47- ‐52.
  15. OLOFSSON, S., BRITTAIN- ‐LONG, R., ANDERSSON, L. M., WESTIN, J., & LINDH, M. (2011). PCR for detection of respiratory viruses: seasonal variations of virus infections. Expert review of anti- ‐infective therapy, 9(8), 615- ‐626.
  16. IVANOV, P. C., NUNES AMARAL, L. A., GOLDBERGER, A. L., & STANLEY, H. E. (1998). Stochastic feedback and the regulation of biological rhythms. Europhys Lett, 43(4), 363- ‐368.
  17. JOHNSON, J. M., & ROWELL, L. B. (1975). Forearm skin and muscle vascular responses to prolonged leg exercise in man. J Appl Physiol, 39(6), 920- ‐924. JONES, A. M. (2006).
  18. YERAGANI, V. K., SRINIVASAN, K., VEMPATI, S., POHL, R., & BALON, R. (1993). Fractal dimension of heart rate time series: an effective measure of autonomic function. J Appl Physiol, 75(6), 2429- ‐2438.
  19. NOWAK, M., OLSEN, K. S., LAW, I., HOLM, S., PAULSON, O. B., & SECHER, N. H. (1999). Command- ‐ related distribution of regional cerebral blood flow during attempted handgrip. J Appl Physiol, 86(3), 819- ‐824.
  20. NYBO, L., JENSEN, T., NIELSEN, B., & GONZALEZ- ‐ALONSO, J. (2001). Effects of marked hyperthermia with and without dehydration on VO(2) kinetics during intense exercise. J Appl Physiol, 90(3), 1057- ‐1064.
  21. Hypnotic manipulation of effort sense during dynamic exercise: cardiovascular responses and brain activation. J Appl Physiol, 90(4), 1392- ‐1399.
  22. KARASIK, R., SAPIR, N., ASHKENAZY, Y., IVANOV, P. C., DVIR, I., LAVIE, P., & HAVLIN, S. (2002). Correlation differences in heartbeat fluctuations during rest and exercise. Phys Rev E Stat Nonlin Soft Matter Phys, 66(6 Pt 1), 062902.
  23. PENG, C. K., MIETUS, J. E., LIU, Y., LEE, C., HAUSDORFF, J. M., STANLEY, H. E., GOLDBERGER, A. L., & LIPSITZ, L. A. (2002). Quantifying fractal dynamics of human respiration: age and gender effects. Ann Biomed Eng, 30(5), 683- ‐692.
  24. STONE, M. R., THOMAS, K., WILKINSON, M., ST CLAIR GIBSON, A., & THOMPSON, K. G. (2011). Consistency control of exercise. Exp Physiol.
  25. Gleichung IV- ‐6 - ‐ Formel der multiplen Regression mit zusätzlich unabhängigen Variablen.126
  26. STEINER, M., HILBERT, S., MÜLLER, S., HOTTENROTT, K., & HOOS, O. (2009). Herzfrequenzvariabilität und Schrittfrequenz beim 10km- ‐Laufwettkampf. In K. Hottenrott, O. Hoos & H. D. Esperer (Eds.), Herzfrequenzvariabilität: Riskiodiagnostik, Stressanalyse, Belastungssteuerung (Vol. 192, pp. 129- ‐138). Hamburg: Czwalina.
  27. STEVENS, S. (1975). Introduction to it´s perceptual, neural and social prospects. New York: Wiley.
  28. STEIN, P., PAVETIC, M., & NOACK, M. (2009). Multivariate Analyseverfahren. Skript. Essen.
  29. GOLDBERGER, A. L. (1996). Non- ‐linear dynamics for clinicians: chaos theory, fractals, and complexity at the bedside. Lancet, 347(9011), 1312- ‐1314. GOLDBERGER, A. L., AMARAL, L. A. N., HAUSDORFF, J. M., IVANOV, P. C., PENG, C. K., & STANLEY, H. E. (2002a). Fractal dynamics in physiology: alterations with disease and aging. Proc Natl Acad Sci U S A, 99 Suppl 1, 2466- ‐2472.
  30. WILLIMCZIK, K. (1999). Statistik im Sport: Grundlagen, Verfahren, Anwendungen. Mit ausführlichen, kommentierten SPSS- ‐Ausdrucken: Feldhaus.
  31. HAKEN, H. (1981). Synergetik - ‐ Eine Einführung. Berlin: Springer. HAKEN, H., KELSO, J.
  32. WITTEKIND, A. L., MICKLEWRIGHT, D., & BENEKE, R. (2010). Teleoanticipation in all- ‐out short- ‐ duration cycling. Br J Sports Med. YAMAMOTO, Y., HUGHSON, R. L., & NAKAMURA, Y. (1992). Autonomic nervous system responses to exercise in relation to ventilatory threshold. Chest, 101(5 Suppl), 206S- ‐210S.
  33. NOWAK, M., HOLM, S., BIERING- ‐SORENSEN, F., SECHER, N. H., & FRIBERG, L. (2005). 'Central command' and insular activation during attempted foot lifting in paraplegic humans. Hum Brain Mapp, 25(2), 259- ‐265.
  34. STEIN, P. K., DOMITROVICH, P. P., HUIKURI, H. V., & KLEIGER, R. E. (2005). Traditional and nonlinear heart rate variability are each independently associated with mortality after myocardial infarction. J Cardiovasc Electrophysiol, 16(1), 13- ‐20.
  35. WILLIAMSON, J. W., FADEL, P. J., & MITCHELL, J. H. (2006). New insights into central cardiovascular control during exercise in humans: a central command update. Exp Physiol, 91(1), 51- ‐58. WILLIAMSON, J. W., MCCOLL, R., MATHEWS, D., GINSBURG, M., & MITCHELL, J. H. (1999). Activation of the insular cortex is affected by the intensity of exercise. J Appl Physiol, 87(3), 1213- ‐1219.
  36. GOODWIN, G. M., MCCLOSKEY, D. I., & MITCHELL, J. H. (1972). Cardiovascular and respiratory responses to changes in central command during isometric exercise at constant muscle tension. J Physiol, 226(1), 173- ‐190.
  37. IVANOV, P. C., NUNES AMARAL, L. A., GOLDBERGER, A. L., HAVLIN, S., ROSENBLUM, M. G., STANLEY, H. E., & STRUZIK, Z. R. (2001). From 1/f noise to multifractal cascades in heartbeat dynamics. Chaos, 11(3), 641- ‐652.
  38. KENEFICK, R. W., MATTERN, C. O., MAHOOD, N. V., & QUINN, T. J. (2002). Physiological variables at lactate threshold under- ‐represent cycling time- ‐trial intensity. J Sports Med Phys Fitness, 42(4), 396- ‐402. KENT- ‐BRAUN, J. A. (1999).
  39. GRILLNER, S., & WALLEN, P. (1985). Central pattern generators for locomotion, with special reference to vertebrates. Annu Rev Neurosci, 8, 233- ‐261.
  40. GARCIN, M., DANEL, M., & BILLAT, V. (2008). Perceptual responses in free vs. constant pace exercise. Int J Sports Med, 29(6), 453- ‐459.
  41. YATES, F. E. (1982). The 10th J. A. F. Stevenson memorial lecture. Outline of a physical theory of physiological systems. Can J Physiol Pharmacol, 60(3), 217- ‐248.
  42. IVANOV, P. C., ROSENBLUM, M. G., PENG, C., MIETUS, J., HAVLIN, S., STANLEY, H. E., & GOLDBERGER, A. L. (1996). Scaling behaviour of heartbeat intervals obtained by wavelet- ‐based time- ‐ series analysis. Nature, 383(6598), 323- ‐327.
  43. GROSLAMBERT, A., HINTZY, F., HOFFMAN, M. D., DUGUE, B., & ROUILLON, J. D. (2001). Validation of a rating scale of perceived exertion in young children. Int J Sports Med, 22(2), 116- ‐119.
  44. JAVORKA, M., ZILA, I., BALHAREK, T., & JAVORKA, K. (2002). Heart rate recovery after exercise: relations to heart rate variability and complexity. Braz J Med Biol Res, 35(8), 991- ‐ 1000.
  45. Fractal mechanisms and heart rate dynamics. Long- ‐range correlations and their breakdown with disease. J Electrocardiol, 28 Suppl, 59- ‐65.
  46. Evidence for neuromuscular fatigue during high- ‐intensity cycling in warm, humid conditions. Eur J Appl Physiol, 84(1- ‐2), 115- ‐121.
  47. WILLIAMSON, J. W., MCCOLL, R., MATHEWS, D., MITCHELL, J. H., RAVEN, P. B., & MORGAN, W. P. (2002). Brain activation by central command during actual and imagined handgrip under hypnosis. J Appl Physiol, 92(3), 1317- ‐1324.
  48. GRAWE, K. (1998). Psychologische Therapie. Göttingen: Hogrefe.
  49. STEFANOVSKA, A., & BRACIC, M. (1999). Physics of the human cardiovascular system. Contemporary Physics, 40(1), 31- ‐55.
  50. PEITGEN, H. O., JÜRGENS, J., & SAUPE, D. (1992). Chaos and Fractals. New York: Springer.


* Das Dokument ist im Internet frei zugänglich - Hinweise zu den Nutzungsrechten