睡前心率变异性可预测慢性失眠情况，并用于评估国家级运动员的睡眠连续性

《Frontiers in Physiology》：Pre-sleep heart rate variability predicts chronic insomnia and measures of sleep continuity in national-level athletes

心率变异性预测慢性失眠及睡眠质量的效果分析，采用174名男性国家级团队运动员数据，通过逻辑回归和神经网络模型验证HRV指标对CI诊断及睡眠连续性的预测能力。结果显示HRV预测CI准确度达96%，AUC 0.997；线性回归模型对清醒时间和睡眠效率预测效果较佳（R2 0.48-0.53），而神经网络在清醒时间预测上更优（MAPE 0.182 vs 0.516）。研究证实HRV可作为CI早期筛查工具及睡眠质量评估指标。

　　本研究聚焦于男性国家级团队运动运动员群体，探讨了睡眠前心率变异性（HRV）在预测慢性失眠（CI）和睡眠质量方面的潜力。通过分析174名运动员的数据，研究发现HRV在评估睡眠障碍方面具有较高的准确性，能够作为运动员睡眠状态的重要生理指标。这些发现不仅为运动员睡眠问题的早期识别提供了新的视角，也为运动科学领域的个性化干预策略提供了依据。

### 睡眠障碍与运动员的特殊需求

慢性失眠是一种常见的睡眠障碍，影响全球约10%的人群。其定义为每周至少三次出现入睡困难或维持睡眠困难，持续时间超过3个月。运动员群体中，睡眠障碍的发病率显著高于普通人群，这主要与高强度训练、恢复不足、频繁出行、比赛压力等因素有关。据估计，13%至70%的运动员会经历一定程度的睡眠问题，其中22%至26%的运动员面临严重的睡眠障碍。这种现象对运动员的身心健康和竞技表现产生了深远影响。睡眠质量差会导致体力下降、反应速度减缓、受伤风险上升，同时影响注意力、决策能力和记忆力等认知功能。因此，开发能够早期识别睡眠障碍的工具，对于提升运动员的整体表现和健康水平至关重要。

### 睡眠质量评估与HRV的作用

在本研究中，采用多项睡眠质量评估工具，包括主观的匹兹堡睡眠质量指数（PSQI）和客观的多导睡眠图（PSG）。PSQI通过七个维度评估睡眠质量，如睡眠质量、入睡时间、总睡眠时间、睡眠效率、睡眠干扰等，而PSG则通过记录脑电波、眼动和肌肉活动等生理信号，提供更精确的睡眠结构分析。尽管PSG是诊断睡眠障碍的“金标准”，但其成本高、操作复杂，难以在日常训练和比赛中广泛应用。因此，寻找一种简便、可操作的替代方法，成为研究的重要目标。

HRV作为评估自主神经系统功能的重要指标，近年来在睡眠研究中受到越来越多的关注。HRV反映了交感神经和副交感神经活动的平衡，其中副交感神经活动增强通常与入睡和深度睡眠有关，而交感神经活动增强则与入睡困难和浅层睡眠增加相关。因此，HRV不仅能够揭示个体的生理状态，还可能作为预测睡眠质量的潜在工具。本研究进一步验证了这一假设，通过分析运动员睡眠前的HRV数据，探索其在预测CI和睡眠质量方面的有效性。

### 研究方法与数据处理

研究纳入了174名男性国家级团队运动运动员，其中98名被诊断为慢性失眠，76名为正常睡眠者。所有参与者均在睡眠实验室进行PSG监测，同时使用心率胸带记录睡眠前的HRV数据。为了确保数据的准确性，研究团队在实验前对参与者进行了筛选，排除了有近期心理压力、情绪障碍或正在使用精神类药物的个体。此外，参与者被要求在实验前避免高强度运动、摄入可能影响睡眠的食品和饮料，并限制睡前使用电子设备，以确保数据的可靠性。

在模型构建方面，研究采用了多种统计方法，包括二元逻辑回归、多元线性回归和多层感知器（MLP）神经网络模型。这些模型分别用于预测CI和睡眠质量的不同指标。通过将数据分为训练集和验证集，研究团队评估了不同模型的预测性能。此外，使用方差膨胀因子（VIF）检测变量之间的多重共线性，并通过Bland-Altman分析评估预测值与实际值之间的可靠性和一致性。

### 研究结果与模型表现

研究结果表明，二元逻辑回归模型在预测CI方面表现出色，其准确率达到96%，AUC值为0.997，说明该模型具有良好的诊断能力。而多元线性回归模型在预测睡眠质量的某些指标上也显示出一定效果，如睡眠觉醒时间（TA）和睡眠效率（SE），其相关系数分别为0.526和0.481，且均具有统计学意义（P < 0.001）。相比之下，MLP神经网络模型在预测这些指标时未能达到显著相关性，但在预测TA方面表现优于多元线性回归模型，其平均绝对百分比误差（MAPE）为0.182，而多元线性回归模型的MAPE为0.516。

这些结果表明，HRV在预测睡眠障碍和某些睡眠质量指标方面具有较高的可靠性，尤其是在评估睡眠觉醒时间和睡眠效率时。然而，HRV在预测睡眠阶段（如总睡眠时间、浅层睡眠时间和快速眼动睡眠时间）方面效果有限。这可能与睡眠阶段的复杂性和HRV对这些指标的解释力不足有关。

### 模型的有效性与应用前景

尽管HRV在预测某些睡眠指标方面表现良好，但研究也指出，单一的生理信号可能无法全面反映睡眠质量的多维特性。因此，未来的研究应考虑结合更多生理和心理变量，以提高模型的预测能力和适用范围。此外，研究还强调了HRV在运动员群体中的特殊意义，即HRV可能更敏感地反映运动员在训练和比赛压力下的生理反应。这与之前的研究结果一致，即HRV与情绪状态之间存在显著关联，尤其是在面对心理压力或疲劳时。

在实际应用中，HRV可以作为一种非侵入性、易于操作的工具，帮助教练和运动科学工作者及时识别运动员的睡眠问题。通过监测睡眠前的HRV数据，可以为运动员提供个性化的干预建议，如调整训练强度、改善睡眠环境或引入放松训练等，从而提升睡眠质量，进而优化运动表现。

### 研究局限性与未来方向

尽管本研究取得了积极成果，但也存在一定的局限性。首先，所有参与者均为男性中国运动员，这可能影响研究结果的普适性。未来研究应扩大样本范围，纳入不同性别、不同运动项目和不同国家的运动员，以提高模型的多样性。其次，研究仅使用HRV作为生理指标，未考虑其他可能影响睡眠的因素，如昼夜节律、血压、压力和焦虑水平等。因此，未来的模型应整合更多生理和心理变量，以更全面地反映个体的睡眠状态。

此外，研究采用的是简单的训练-验证数据分割方法，未使用交叉验证来进一步评估模型的稳定性和泛化能力。因此，未来研究应采用更复杂的验证策略，如K折交叉验证，以确保模型在不同数据集中的表现一致性。最后，研究中使用的PSG数据仅限于单个夜晚的监测，未来可考虑使用连续监测或长期跟踪数据，以更全面地评估睡眠模式的变化。

### 结论与建议

综上所述，本研究发现睡眠前HRV能够有效预测慢性失眠和某些睡眠质量指标，如睡眠觉醒时间和睡眠效率。这些结果为运动员睡眠障碍的早期识别和干预提供了新的思路。然而，HRV在预测睡眠阶段方面效果有限，提示需要结合其他指标进行综合评估。未来的研究应进一步探索HRV与其他生理和心理变量的协同作用，并开发更加全面和精准的预测模型。通过提升睡眠监测的准确性和可操作性，运动科学工作者可以更好地支持运动员的健康管理，从而促进其在训练和比赛中的最佳表现。