编辑推荐：
为解决 DeBoer 模型预测心率（HR）序列效能不足的问题，研究人员开展融合呼吸对 HR 神经影响的集成模型研究。基于 56 名受试者慢节奏呼吸实验数据，结果显示集成模型 HR 相位精度达 85.36%、时间序列精度达 93.98%，优于其他模型，为心肺耦合系统研究提供新工具。
心肺活动如同身体内精密的交响乐团，呼吸的节奏与心跳的韵律之间存在着奇妙的共振联系。在人体的心肺耦合系统中，当呼吸频率接近 0.1Hz 时，心率变异性（Heart Rate Variability, HRV）会出现振幅峰值，这种呼吸性窦性心律失常（Respiratory Sinus Arrhythmia, RSA）现象背后，是心脏、肺脏和循环系统通过负反馈机制形成的复杂互动。精准预测心率序列对疾病诊断、健康监测及数字孪生构建至关重要，但现有模型面临两大挑战：经典的 DeBoer 模型虽能捕捉 HRV 频谱特征，却因仅考虑呼吸对血压的机械作用、缺乏神经调控机制，导致 HR 序列预测精度不足；而 RCVSIM、Gee 等复杂模型虽包含更多生理机制，却因参数繁多难以通过无创数据个性化校准，限制了实际应用价值。
为突破这一困境，国内研究团队围绕心肺共振现象展开深入探索，旨在开发一种兼顾 simplicity 和生理机制完整性的预测模型。研究以慢节奏呼吸为典型场景（该状态下共振现象显著且干扰因素少），基于 56 名受试者的呼吸波形、心率（Heart Rate, HR）及脉搏波数据，构建了基于 DeBoer 框架的集成模型，并将其研究成果发表在《Biomedical Signal Processing and Control》。
研究采用的关键技术方法包括：① 最小二乘法（Least Squares Method）：基于 56 名受试者慢节奏呼吸实验（呼吸周期 7-14 秒）的训练集数据，对集成模型和 DeBoer 模型进行参数估计，实现模型参数的个性化校准；② 多模型对比验证：利用包含 8 秒和 10 秒呼吸周期的测试集数据，将集成模型与 DeBoer 模型、开源心血管模拟器 RCVSIM 及聚焦 RSA 机制的 Gee 模型进行预测性能对比，评估指标包括 HR 相位精度和时间序列精度。
研究结果
参数估计提升 DeBoer 模型性能
通过最小二乘法对 DeBoer 模型进行参数优化后，其 HR 相位预测精度从 36.52% 显著提升至 65.15%，时间序列精度从 89.24% 提高至 92.01%。这表明个性化参数估计可有效增强模型对真实生理数据的拟合能力，验证了参数校准在模型优化中的关键作用。
集成模型显著优于其他对比模型
集成模型在保留 DeBoer 模型简约性的基础上，引入呼吸对 HR 的神经调控机制（如自主神经系统影响），其 HR 相位精度达 85.36%，显著高于 DeBoer 模型（65.15%）、Gee 模型（60.17%）和 RCVSIM（80.83%）；时间序列精度提升至 93.98%，超越 DeBoer 模型（92.01%）、Gee 模型（92.33%）和 RCVSIM（91.49%）。这证实集成模型通过融合机械和神经双重调控机制，显著提升了对 HR 序列和相位的预测准确性。
研究结论与讨论
本研究构建的集成模型成功平衡了模型简约性与生理机制的完整性：通过最小二乘法实现参数个性化，解决了传统模型依赖文献统一参数的局限性；引入呼吸对 HR 的神经调控机制，弥补了 DeBoer 模型的关键机制缺失。实验结果表明，该模型在慢节奏呼吸场景下能精准预测 HR 序列及相位，为心肺耦合系统的生理机制研究提供了新工具，在生物反馈疗法、疾病监测及数字健康领域具有潜在应用价值。
尽管集成模型在基础场景中表现优异，但研究团队也指出其局限性：当前仅针对固定呼吸频率场景，未来需进一步验证其在动态呼吸模式及病理状态下的适应性。此外，模型参数仍依赖有创或复杂无创数据的辅助校准，开发完全基于无创生理信号的参数估计方法将是后续研究的重要方向。
这项研究不仅深化了对心肺共振现象的理解，更通过模型创新为生理参数预测提供了兼具科学性与实用性的解决方案，为推动心血管生理建模与临床应用的交叉融合奠定了基础。
