运动网络生理学视角下的运动监测：从器官间动态网络到基于网络的生物标志物

《Frontiers in Network Physiology》：Exercise monitoring from a Network Physiology approach

大数据、人工智能及相关技术的进步正在塑造运动监测的未来，然而当前的监测策略可能尚未充分捕捉运动员健康与表现的生理复杂性。网络生理学（Network Physiology）这一多学科领域提供了一种概念性与分析性框架，用以研究运动员在运动过程中各生理系统之间的动态交互、协调与网络整合，从而为运动生理学（Exercise Physiology）开辟了新方向。本文旨在总结该框架内的当前进展、愿景与前景，重点关注对器官间动态网络（如心肺网络、心-肌网络、皮层-心网络、皮层-肌网络、肌间网络等）的研究如何为运动员表现、运动监测、系统适应与协调的潜在调控机制以及运动诱发应激响应提供有价值的见解，并识别一类与训练、体能水平、疲劳和恢复相关的新型基于网络的生物标志物。

从孤立变量到动态网络：网络生理学框架下的运动监测研究解读

一、研究背景与问题提出

传统运动监测长期将运动员视为由弱交互模块组成的“机器式”系统，其生理、心理、生物力学及表现变量通常被分别采集与解读。这种还原论与机械化视角难以反映机体作为复杂适应系统（complex adaptive system）所具有的自组织、协同性（synergy）、情境依赖性与非线性等特征。现有监测手段多依赖阈值、均值或最大值等离散统计量，忽略生理信号的非平稳性与时间变异性，因而在捕捉急性疲劳、损伤风险、过度训练等非线性事件方面灵敏度有限。尽管心率变异性（heart rate variability, HRV）等时间变异性指标已显示出优于传统指标的监测潜力，但多数预测模型仍缺乏对多生理系统间时变交互结构的刻画。与此同时，可穿戴技术的发展使得肌电（electromyography, EMG）、心电（electrocardiography, ECG）、脑电（electroencephalography, EEG）等生物电信号可被高频连续采集，为动态评估系统间协调提供了技术基础。在此背景下，网络生理学（Network Physiology）应运而生，为研究运动过程中多器官系统如何作为动态自适应网络（adaptive network of dynamical systems）进行整合与协调提供了概念与分析框架，并催生了运动网络生理学（Network Physiology of Exercise）这一子领域。

二、研究内容与核心发现

该研究系统梳理了网络生理学框架在运动监测中的应用进展，重点围绕五类器官间动态网络展开。在心肺网络（cardio-respiratory networks）方面，研究指出心肺耦合是运动中最先被研究的动态器官交互，相干性分析、相位同步分析、时延稳定性分析及主成分分析（principal component analysis, PCA）等多元方法已被用于评估疲劳、训练效应、营养干预及体能水平等情境下的心肺协调变化，且多项证据表明心肺协调指标较传统通气量或摄氧量（VO₂）指标对疲劳与恢复能力更为敏感。在肌间网络（inter-muscular networks）方面，传统肌肉协同（muscle synergies）与肌间相干性（intermuscular coherence）模型主要捕捉同频段线性耦合，难以刻画跨频段非线性交互与时变方向性；振幅-振幅跨频耦合（amplitude-amplitude cross-frequency coupling, ACFC）方法则能有效追踪不同肌群间跨频段同步及其随疲劳的动态重组，并已应用于老年人群与性别差异研究。在心-肌网络（cardio-muscular networks）方面，研究揭示了心率与步频在节律运动中自然同步的现象，并发现足部着地时相与心动周期舒张期的协调可降低运动心率；转移熵（transfer entropy）分析进一步表明，低强度运动时肌氧脱饱和主导耦合方向，高强度时方向逆转，提示代谢感受器与压力感受器角色的转换；ACFC分析则显示疲劳导致心-肌耦合显著下降并伴随同步向异步的复杂转变。在皮层-肌网络（cortico-muscular networks）方面，皮层-肌相干性（cortico-muscular coherence, CMC）研究主要聚焦β频段（13–30 Hz）的线性耦合，但脑-肌同步实际呈现短暂爆发式特征；多元分析、转移熵与互信息（mutual information）等方法已用于揭示运动意图、疲劳及训练状态对脑-肌交互方向性与非线性的影响，时延稳定性分析亦显示皮层-肌通信呈节律性、状态依赖的同步模式。在皮层-心网络（cortico-cardiac networks）方面，心跳诱发电位（heartbeat-evoked potential）仅能反映脑对心脏输出的响应，而最大信息系数、时延稳定性、熵测度及格兰杰因果（Granger causality）等方法已用于刻画脑-心耦合的线性与非线性特征及其对唤醒、情绪和睡眠阶段的依赖性；运动情境下的研究表明，疲劳伴随皮层-心最大相干性（β频段）下降，提示器官间连接丢失。

三、关键技术方法

该研究涉及的主要技术方法包括：相干性分析（coherence analysis）、相位同步分析（phase synchronization analysis）、时延稳定性分析（time-delay stability analysis）、格兰杰因果分析、转移熵、互信息、动态贝叶斯推断（dynamical Bayesian inference）、主成分分析、振幅-振幅跨频耦合（ACFC）以及多元模态耦合分析等，用于量化不同生理信号间的线性与非线性、方向性及时变耦合特征。

四、讨论与结论

讨论部分指出，将运动员视为复杂适应系统意味着监测不应仅依赖孤立静态变量，而需考虑多层级心理生物学过程的动态协调与整合。网络生理学框架下的研究表明，网络化指标能捕捉生理信号间的动态协调模式，并对疲劳、衰老效应、性别差异及病理状态具有敏感性。然而，当前应用仍主要刻画器官间动态协调，尚未充分覆盖跨生物层级（基因、细胞、组织、器官）的垂直交互，其限制源于多层级高时间分辨率同步采集技术的不足。方法学上，网络推断易受噪声、伪影与信号质量变异影响，且不同推断技术可能导致不同网络表征，标准化与可重复性仍是重要挑战。未来研究需聚焦方法学标准化、多层级数据整合及网络标志物的生理学验证。结论部分强调，网络生理学为研究生理系统如何动态交互并组织为网络、以及生理网络如何随状态转变与条件变化而适应演化提供了概念与分析框架；应用于运动领域时，该框架将监测从孤立变量拓展至多生理系统间的时变非线性交互，未来工作应着力于方法学标准化、多层级数据整合及网络标志物在健康、疾病与表现监测中的生理学验证。