编辑推荐：
为解决 HRV 测量可靠性受多种因素影响、缺乏统一标准的问题，瑞士洛桑大学医院等机构的研究人员开展短期 HRV 测量可靠性研究。结果显示其在多种条件下可靠。该研究为 HRV 应用提供依据，强烈推荐科研读者阅读。
瑞士洛桑大学医院运动与运动医学中心（Sports and Exercise Medicine Center, Swiss Olympic Medical Center, Lausanne University Hospital）等机构的研究人员 C. Besson、A. L. Baggish 等人在《Scientific Reports》期刊上发表了题为 “Assessing the clinical reliability of short-term heart rate variability: insights from controlled dual-environment and dual-position measurements” 的论文。这篇论文在心率变异性（HRV，Heart Rate Variability，指连续心跳之间时间间隔的波动，是自主神经系统调节功能的间接测量指标 ）研究领域意义重大，为 HRV 在临床和运动领域的应用提供了关键依据，有助于推动个性化医疗和运动训练的发展。
研究背景
HRV 作为评估自主神经系统（ANS，Autonomic Nervous System ）功能的重要指标，在临床和非临床领域都备受关注。自上世纪七八十年代开始应用于胎儿监测和心肌梗死后护理以来，其应用范围不断拓展，涵盖了心理健康、睡眠障碍、运动表现等多个领域。在临床方面，它可作为睡眠障碍、压力相关疾病（如抑郁、焦虑）等的敏感生物标志物；在运动领域，能用于监测运动员的训练负荷、恢复情况和身体状态。例如，研究发现错误相关的心脏减速以及恐惧诱发的心动过缓都与 HRV 密切相关，这表明 HRV 能够反映大脑和心脏之间的动态相互作用，体现个体的生理和心理状态。
然而，HRV 分析面临诸多挑战。其测量结果受心理、生理、方法学和环境等多种因素影响，目前缺乏统一的标准。在数据收集方面，最佳的测量时间（如醒来时、夜间、运动前后等）、记录时长（5 分钟的 “短期” 测量与 24 小时监测）以及测量时的身体姿势（仰卧、站立、坐姿等）都存在争议，这些因素导致不同研究结果难以比较。尽管短期 HRV 测量（通常≤5 分钟）具有一定优势，如减轻参与者负担、便于在不同场景重复测量等，但仍需谨慎考虑方法学变量以确保测量的一致性。
双体位 HRV 测量协议（即测量仰卧和站立两种姿势下的 HRV）受到了特别关注，因为它能综合反映不同姿势下 ANS 的功能，有助于区分不同类型的疲劳。不过，该测量方法在不同环境和人群中的稳定性和通用性仍有待研究。实验室测量虽然条件可控，但数据可能无法反映个体日常生活中的真实情况；家庭测量虽具有生态效度和便利性，但存在诸如室温等不可控变量，而且参与者对测量设备的熟悉程度和对测量前指南的遵守情况也会影响结果。因此，开展这项研究十分必要，旨在探究标准化早晨双体位 HRV 测量协议的可靠性和解释价值。
研究方法
研究采用观察性研究设计，招募了 43 名志愿者参与研究。参与者需满足一般健康、身体活跃（每周进行超过 150 分钟的中等强度体育活动）、年龄在 18 - 70 岁之间、无急性损伤或炎症性疾病、疲劳水平在情绪状态量表（Profile of Mood State questionnaire）上得分≤14 等条件，同时排除了孕妇、患有影响心血管功能的疾病等不符合要求的人员。该研究获得了沃州伦理委员会（CER - VD，Commission cantonale dethique de la recherche sur letre humain）的批准，并遵循赫尔辛基宣言的伦理标准，所有参与者在数据收集前均签署了知情同意书。
参与者需在 24 小时内进行 5 次仰卧 / 站立位的 HRV 测量。第一次测量（A）在早晨醒来后在家中进行，随后当天前往实验室，到达后进行一次测量（B），休息 15 分钟后再进行一次测量（C）。第二天早晨醒来后在家中进行第四次测量（D），之后到实验室进行最后一次测量（E）。测量时使用心率监测器（Polar H10），并通过智能手机应用（inCORPUS? app）进行操作，测量时需在仰卧和站立位各记录 5 分钟的心率。
为了控制可能影响 HRV 的各种因素，研究人员对参与者给出了严格的指示。例如，测量前 48 小时避免剧烈运动，前 12 小时避免饮酒，测量当天醒来后避免接触尼古丁或咖啡因，测量时保持空腹、无肌肉酸痛、膀胱排空的状态，测量过程中要保持放松且不专注于特定事物，站立时保持手臂自然下垂、身体静止不动。实验室测量安排在早上 7 - 9 点进行，以减少昼夜节律、消化和其他日常应激因素的影响。
研究人员对收集到的原始 RR 间期数据进行处理和分析。通过专用软件（Kubios HRV Premium）对数据中的伪迹和异位搏动进行自动校正，并计算标准的时域和频域变量，如反映整体 HRV 的正常心跳间期标准差（SDNN，Standard Deviation of Normal-to-Normal Intervals）、体现副交感神经影响的相邻正常 RR 间期差值的均方根（RMSSD，Root Mean Square of Successive Differences）等。为满足参数检验的假设并便于生物学解释，研究对绝对和自然对数转换后的 HRV 数据都进行了分析。使用 Shapiro - Wilk 检验数据的正态性，对于正态分布的数据，采用参数检验，描述性统计以均值 ± 标准差（SD）呈现；对于非正态分布的数据，则以中位数 [第 25 百分位数；第 75 百分位数] 表示。
通过双向重复测量方差分析（RM ANOVA）研究测量之间的显著差异，评估时间（第 1 天与第 2 天）和环境（家中与实验室）的主效应和交互效应，测量 C 因会引入日内变异性而被排除在该分析之外。对于正态分布的数据，使用 RM ANOVA 结合事后 Fisher 最小显著差异检验进行组间两两比较；对于非正态分布的数据，采用 Friedman 检验结合事后 Dunn 多重比较检验。通过计算组内相关系数（ICCs，Intraclass Correlation Coefficients）评估相对可靠性，使用双向随机模型、单一测量和绝对一致性进行计算，并给出 95% 置信区间，ICCs 值小于 0.5 表示可靠性差，0.5 - 0.75 为中等，0.75 - 0.9 为良好，大于 0.9 为优秀。为评估绝对可靠性和进行临床解释，研究人员选取了临床常用的绝对变量进行分析，计算标准误差（SEM，Standard Error of Measurement）、变异系数（CV，Coefficient of Variation）、最小可检测变化（MDC，Minimal Detectable Change）等指标，同时考虑数据的偏态分布，利用中位数绝对偏差（MAD，Median Absolute Deviation）和相对偏差指数（RDI，Relative Deviation Index）进行稳健性分析。所有统计分析使用多种软件工具完成，以确保数据评估的全面性，设定 p < 0.05 为具有统计学意义 。
研究结果
参与者情况
最初招募的 43 名参与者中，34 名成功完成了 5 次 HRV 测量并被纳入最终分析，9 名因未遵守实验协议、测量不完整、出现症状性反应（直立性低血压）或技术问题影响数据完整性而被排除。此外，34 名参与者中有 3 次站立测量也因类似原因被排除。所有测量在连续两个早晨进行，包括在家中和实验室，第一天测量间隔平均为 1 小时 01 分 ±15 分钟，第二天为 1 小时 03 分 ±19 分钟。参与者的各项特征（如性别、年龄、体重、身高、训练情况等）及测量时间在论文中详细列出，且所有参与者在情绪状态量表上的疲劳得分均不显著，保证了研究人群疲劳状态的同质性。
描述性统计
绝对和自然对数转换后的数据统计结果显示，所有绝对变量大多呈偏态分布，仅站立位的 SDNN 呈正态分布。仰卧和站立位的生理反应存在明显差异，表明姿势对自主神经平衡有显著影响，且该研究中的 HRV 值与健康活跃个体的既定标准相符。同时，家庭和实验室环境的差异也对 HRV 读数产生影响，说明测量环境在自主神经活动中起着重要作用。
重复测量分析
对于绝对数据，仰卧位时只有极低频（VLF，Very Low Frequency）在不同测量时段间存在显著差异；站立位时，心率（HR）、低频（LF，Low Frequency）、LF/HF 比值、LF + HF、总功率（TP，Total Power）、LF/HR、低频标准化单位（LFnu，Low Frequency Normalized Units）和高频标准化单位（HFnu，High Frequency Normalized Units）在家庭和实验室测量的对比分析中存在显著差异，而在每日连续测量（24 小时）中，无论是在家中还是实验室，均未观察到差异。对于自然对数转换后的数据，仰卧位时 LF、LF + HF 和 LF + HF/HR 存在显著的交互效应，但多重比较分析无法明确区分不同测量时段，仅在实验室 24 小时测量中 B 与 E 之间有趋势性差异；站立位时，HR、LF/HF 和 LFnu 在事后分析中存在显著差异，其中 HR 在实验室测量中较低，LF/HF 和 LFnu 在实验室测量中的值也较低。在实验室内部进行的短期生理反应评估中，测量 B 和 C 的对比显示，仰卧位绝对 HR 存在显著差异（B 比 C 高 2.7 bpm），仰卧位 RMSSD 在 C 测量时更高，站立位时 SDNN、RMSSD 和 VLF 在 C 测量时更高。
相对可靠性分析
通过 ICCs 评估相对可靠性发现，不同变量和测量条件下的可靠性程度不同。在仰卧位，时域变量（如 HR、SDNN 和 RMSSD）的 ICCs 通常大于 0.75，显示出良好的可靠性，表明能可靠地检测自主神经信号；频域指标中除 LF 的 ICCs 大于 0.75 外，其他大多显示出中等可靠性（ICCs < 0.75），对测试条件较为敏感 。在站立位，时域和频域指标（除 HR、lnHR 和 lnLF/HR 外）大多显示出中等可靠性，低于仰卧位，说明姿势变化对测量稳定性有影响。
日常分析显示可靠性存在差异。仰卧位绝对 HR、RMSSD、LF、LF + HF、LF + HF/HR 在家中测量时可靠性良好，而自然对数转换后的数据 ICCs 较低；实验室测量（B 与 E 比较）的可靠性显著降低，尤其是频域分析。仰卧位 RMSSD 在所有测试条件下都表现出良好到优秀的可靠性，而 LF/HF 比值在某些条件下可靠性为中等至较差。站立位测量中，HR 在实验室比较（B 与 C）时可靠性优秀，但大多数指标的可靠性为中等，反映出在站立姿势下长时间获取可靠频域数据存在挑战。实验室短期测量（A 与 B）中，大多数用于临床解释的变量（如 HR、LF、HF）可靠性良好到优秀，自然对数转换有提高可靠性的趋势。
绝对可靠性分析
绝对可靠性分析聚焦于临床常用的绝对变量。在仰卧位，HR 的 MAD 范围为 1.6 - 2.4 bpm，波动较小；SDNN 和 RMSSD 的 MAD 值在 6.3 - 7.9 ms 之间，变化不大；HF 的波动较大，MAD 可达 519.6 ms，显示出频域副交感神经活动标记物对测量条件的敏感性。在站立位，HR 的 MAD 范围是 1.3 - 3.3 bpm，LF 成分的 MAD 高达 573
，表明其变异性较大。频域变量的相对标准误差（SEM）和最小可检测变化（MDC）显著高于时域变量，其中时域变量的 SEM 范围为 1.2 - 9.1%，频域变量为 16.8 - 34.4%。在家中测量（A 与 D）和实验室短期测量（B 与 C）的 SEM 最低。在严格控制的实验室条件下测量（A 与 B、D 与 E），除仰卧位 VLF 和站立位 HR、LF/HF、LFnu 指标外，其他指标未显示出显著改善；相反，在家中收集数据时，相对可靠性通常更高，SEM 更低 。
研究结论与讨论
该研究表明，在健康、身体活跃的成年人中，即使在不同条件下（包括仰卧和站立姿势、家庭和实验室环境），HRV 仍是评估自主神经状态的可靠指标。短期 HRV 测量在标准化条件和严格协议下，大多数相关变量具有良好到优秀的可靠性，日常变异性较小，这进一步证实了 HRV 在监测健康活跃个体自主神经功能方面的一致性和稳定性。时域 HRV 指标（如 RMSSD 和 HR）在所有条件下表现尤为稳健，ICCs 常常超过 0.75；频域指标虽然具有中等可靠性，但对姿势和环境变化更为敏感，这与之前的研究结果一致，即在某些难以控制所有混杂因素的情况下（如非实验室环境、短采样间隔或不同姿势），频域指标的测量标准误差较大。此外，研究还发现 LF/HF 比值在某些条件下可靠性为中等至较差，这限制了它作为稳健自主神经标记物的应用，特别是在需要跨不同环境进行一致数据收集的场景中。
在环境影响方面，家庭测量在仰卧位时展现出更好的绝对可靠性，这表明在熟悉的家庭环境中测量 HRV 可能减少临床测量中可能出现的偶然身体活动或其他混杂因素的影响，心理因素（如焦虑和恐惧）在不熟悉的实验室环境中更易出现，从而影响测量结果。这一发现与远程健康监测技术的发展趋势相契合，通过可穿戴传感器和智能手机应用进行家庭 HRV 数据收集，能够实现连续的生理跟踪，方便那些因地理限制、行动不便或日程繁忙而无法前往实验室或诊所的人。同时，研究也证明，在实验室环境中，通过严格控制混杂因素（如空腹状态、测量前无身体活动等），在醒来后 1 小时内进行测量也能获得可靠的结果，这意味着两种测量方式可根据实际情况和参与者的便利性互换使用，而不会影响数据质量。
研究还强调了标准化在 HRV 研究中的重要性。尽管研究采取了一系列措施来控制变量（如规定测量时间、要求参与者禁食、减少身体活动等），但个人日常习惯的差异、睡眠模式的不同以及个体对姿势变化的敏感性等因素仍可能对测量结果产生影响。此外，虽然短期和日常测量的可靠性良好，但长期 HRV 跟踪（如数月）更容易受到个体内部变异性的影响，而且年龄增长、生活方式改变或亚临床疾病的发生等因素也会改变基线自主神经功能，这突出了动态生理因素对自主神经调节的长期影响，以及在解释长期 HRV 趋势时考虑背景因素的重要性。
从技术发展的角度来看，可穿戴设备和光电容积脉搏波（PPG，Photoplethysmography ）传感器技术的进步使大规模、实时 HRV 监测变得更加可行，不过 PPG 因运动伪影和外部因素的影响，精度不如心电图（ECG），在临床应用和高精度研究场景中，ECG 仍是首选方法。新兴的分析技术，如非线性测量和人工智能（AI，Artificial Intelligence ）驱动的模型，为捕捉复杂的心血管动力学提供了新途径。AI 可通过整合多种因素（如年龄、训练负荷、睡眠质量、心理社会压力等）建立个性化的 HRV 基线，并标记异常偏差，从而指导训练或临床决策，提升个性化医疗和运动表现监测水平。
在临床应用方面，该研究中 HRV 测量的稳健可靠性进一步证实了其在医疗保健领域的实用价值。在慢性疾病管理（如高血压、心力衰竭、糖尿病等与自主神经失调相关的疾病）中，定期的 HRV 评估可以及时发现病情恶化的早期迹象。由于研究支持远程 HRV 测量的可行性，医疗服务提供者可将家庭数据收集纳入其中，以提高患者的参与度并实现及时干预。在运动和运动医学领域，HRV 可靠的日常读数可作为训练负荷、恢复状态和过度训练风险的可靠指标，教练和从业者可根据系统的 HRV 评估调整训练计划，优化运动员的表现，同时降低受伤或疲劳的风险。此外，HRV 指标在不同环境中的稳定性使其越来越被认可为一种心身指标，可纳入更广泛的心理生理框架，用于心理健康管理，如跟踪压力管理干预效果、治疗进展以及评估焦虑和抑郁人群的整体健康状况。
总之，该研究确认了在标准化条件下，HRV 是健康、活跃成年人自主神经功能的高度可靠测量指标，其在不同姿势和环境下的可靠性一致，突出了 HRV 在现实场景中的适用性。家庭测量在某些指标上具有一定优势，进一步证明了 HRV 作为心血管健康和训练适应的稳定生物标志物的价值。未来结合可穿戴传感器和 AI 分析的研究有望进一步提升 HRV 的诊断潜力，支持个性化、数据驱动的干预措施。该研究强调了精确和适应性强的评估协议的重要性，确保 HRV 在临床和运动领域持续发挥重要作用，为相关领域的发展提供了坚实的理论和实践基础。
