定义、输入与输出边界
心率变异性(HRV)分析算法研究相邻心搏间期随时间的变化。以心电图为输入时,算法先定位连续 QRS 波群的基准点,形成 RR 间期;排除异位搏动、漏检、误检及其影响后,保留的窦性心搏间期通常称为 NN 间期。输出可以是清洗后的间期序列、质量标记以及时域、频域或非线性指标,而不只是一个综合分数。
HRV 描述心脏节律受到自主神经、呼吸、血压调节、昼夜节律及行为状态共同调制后的波动,不等同于平均心率,也不是自主神经活动的直接测量。相同心率可伴随不同变异性,同一指标也可受年龄、药物、疾病、体位和睡眠阶段影响。算法必须限定采集条件、分析窗口和目标人群,避免把相关性表述为单一生理机制。
经光电容积脉搏波、压力波或其他外周脉搏信号得到的是脉搏间期及脉率变异性。它与 ECG-HRV 相关,却还包含射血前期、脉搏传导、血管张力、测量部位和波形基准点造成的变化。产品若使用 PPG,应明确标作 PRV 或说明其替代关系经过何种场景验证,不能默认与心电 NN 间期指标互换。
心搏检测与时间轴构建
心电处理通常包括滤波、QRS 候选检测、基准点精定位和节律分类。基线漂移、工频干扰、肌电、导联接触不良、起床动作和呼吸相关波形变化都可能造成峰位偏差或漏、重复检出。算法应保留原始采样率、滤波设置、峰位置与修订日志,使每个间期能够追溯到原始波形,而不是只保存最终指标。
间期序列是不等间隔采样的事件序列。时域计算可直接使用合格 NN 间期;传统频谱通常需构造随时间均匀采样的心动间期图,并说明插值、重采样、去趋势、分段和窗函数。以心搏序号为横轴和以秒为横轴回答的问题不同,频率单位和带宽也不能混用。
整夜记录还要处理暂停、离床、导联重接、时钟漂移和多设备同步。每个窗口应带有开始结束时间、总心搏数、合格 NN 数、缺失比例、节律状态和睡眠标签来源。遇到房颤、频发异位搏动、起搏节律或无法确认的波形时,系统应输出不适用或低置信,而不是用大量插值制造平滑的“正常”序列。
伪差、异位搏动与质量控制
清洗流程要区分技术伪差与真实节律。固定百分比阈值能发现突变,却可能删掉生理性快速变化,也可能漏过连续误检;只按全夜平均范围筛选会在不同心率或睡眠阶段产生偏差。较稳健的方案联合波形质量、局部间期模式、前后心搏关系和节律分类,并把自动修改留给人工抽查。
删除、插值或替换一个异常间期会改变相邻差值和频谱,尤其影响 RMSSD、pNN 类指标及高频功率。算法应记录原始与清洗后序列、异常类型、修正方法和修正比例,并预先规定超过何种污染程度时弃用窗口。不同修正规则所得结果不可在没有敏感性分析时视为等价。
质量控制不应停在整体信号质量分。短暂伪差可能集中于翻身、觉醒、呼吸事件或 REM 睡眠,若只保留最平静片段,会系统性改变研究对象。应按受试者、睡眠阶段、事件附近与设备类型报告有效覆盖,并检查质量门槛是否对特定年龄、肤色、疾病、体动程度或佩戴部位造成差异性排除。
时域、频域与非线性分析
常用时域指标包括平均 NN、SDNN、RMSSD 和相邻 NN 差值超过既定阈值的比例。它们依赖记录长度和清洗规则:SDNN 汇总窗口内多种时间尺度的变化,RMSSD更侧重逐搏快速变化。短窗口、整夜和 24 小时结果不能仅因名称相同就直接比较,阈值及单位也必须随指标完整报告。
频域方法把变异分配到不同频率范围,可采用快速傅里叶变换、参数谱、Lomb–Scargle、时频或小波方法。结果依赖平稳性、窗口长度、呼吸频率、去趋势和频带定义。高频功率常与呼吸性窦性心律不齐相关,但慢呼吸可把呼吸成分移入较低频段;低频功率并非纯交感指标,LF/HF 也不应被简单称为精确的交感—迷走平衡。
非线性与复杂性分析可包括 Poincaré 图、样本熵、多尺度熵、去趋势波动分析和分形相关。它们能描述传统均值与功率未覆盖的结构,但对数据长度、参数选择、非平稳性和异常心搏十分敏感。新指标应提供算法版本、参数、重复性和增量价值,不可因数学形式复杂就自动获得临床含义。
睡眠分段与多信号关联
睡眠中的 HRV 随清醒、NREM、REM、觉醒和自主神经瞬态而变化。分析可以使用固定长度窗口、睡眠阶段内稳定片段或事件锁定窗口,但必须说明如何处理跨阶段、觉醒和阶段转换。若睡眠阶段来自算法而非人工 PSG,应把分期误差传播到 HRV 结果,不能把预测标签当作无误真值。
短暂呼吸暂停、低通气、血氧下降、周期性腿动和翻身可伴随心率加速或减速。要研究这些关系,需要统一时钟,并预先定义事件前、事件中和恢复期、重叠事件优先级以及基线。只比较“有事件”和“无事件”的整夜平均值会混入睡眠阶段、体位、药物和事件密度等混杂因素。
频谱解释尤其依赖呼吸。呼吸率、潮气量和气道阻塞可改变呼吸性心律变化,因此在可行时应同步使用经过验证的呼吸信号,而不是仅由 HRV 反推呼吸。HRV 可作为睡眠研究的一个特征或监测线索,但单独使用不能替代 EEG 睡眠分期、呼吸事件判读或心律失常诊断。
验证、比较与结果报告
验证应覆盖从原始信号到最终指标的完整链条。心搏检测需与人工核验 ECG 比较并报告漏检、误检和峰时误差;节律与质量模块需按状态给出混淆情况;最终指标则应评估偏倚、一致性和重复测量误差。只有相关系数而没有一致性分析,不能证明两台设备或两套算法可互换。
数据划分应以受试者为单位,并覆盖目标年龄、性别、肤色、心血管与睡眠疾病、用药、设备和家庭环境。训练和测试中同一人的相邻夜晚会造成信息泄漏;只选窦律、静止、无事件的片段则会高估整夜可用性。外部验证应使用独立地点和设备,并分别报告算法失败、信号失败与排除原因。
报告至少应包含传感器与导联、采样率、心搏基准点、滤波、异常心搏定义、插值与去趋势、窗口长度、有效数据比例、指标公式、频带和软件版本。结果应同时给出单位、分布和不确定性,并说明是否为 ECG-HRV 或 PPG-PRV。个体趋势还需控制测量时刻、睡姿、呼吸、近期运动、酒精、咖啡因、压力、发热和药物改变。
部署、解释与安全边界
实时或穿戴式系统可在设备端完成心搏检测与质量筛选,再上传间期或汇总特征,但压缩和节能不能牺牲时间精度与可审计性。隐私设计应减少不必要的原始数据传输,设置访问、保留和删除规则。模型或固件更新后,应以固定基准数据检查指标是否出现断点,并为长期趋势保留版本信息。
面向用户的“恢复”“压力”或“准备度”分数通常还融合睡眠、活动和个人基线,并不等同于某一标准 HRV 指标。界面应展示测量条件、有效时长、置信度和基线形成方法,区分日内波动与持续变化。缺失或低质量数据应明确呈现,不能静默填补成看似精确的健康结论。
HRV 异常可以提示进一步复核,却不能单独诊断自主神经疾病、睡眠呼吸暂停、心律失常或心理状态。出现胸痛、晕厥、明显心悸或设备提示持续不规则节律时,应依临床流程处理,而非依赖 HRV 分数自我判断。可靠系统的核心不是输出更多小数,而是保留信号来源、质量、适用范围和可升级的人工审阅路径。