基于状态空间与随机动力学的自主神经系统心率变异性概率建模：交感-迷走特征的互补性概率框架

《Electronics》：Probabilistic and State-Space Modeling of Autonomic Nervous System Dynamics from HRV Signals: A Complementary Probabilistic Framework for Sympathetic–Parasympathetic Characterization

　　

心率变异性（HRV）通过心脏RR间期的逐搏波动反映自主神经系统（ANS）的调控。传统HRV分析依赖SDNN、RMSSD、HF功率及LF/HF比值等确定性特征，虽可量化自主神经活动，却未能对 underlying 的交感-迷走动力学进行建模。本研究提出一个互补性概率框架，将HRV视为潜在ANS动力系统的可观测输出。采用带Kalman滤波的线性状态空间模型估计HRV衍生的潜在状态，在预设生理假设下可解释为交感-迷走平衡的代理指标；Ornstein-Uhlenbeck随机微分方程（OU-SDE）刻画HRV变异性与自主神经恢复；隐马尔可夫模型（HMM）表征离散的自主神经状态转换。将该框架应用于n = 20名健康成人的动态Holter心电图（ECG）记录，获得可解释参数——OU恢复率θ = 0.533 ± 0.624 s^?1，扩散系数σ = 82.6.2 ± 105.6 ms·s^?1/2——并证实OU最大似然估计（MLE）的代数自洽性（SDNN² ≈ σ²/(2θ)，r = 0.998；注：由构造本身即为恒等式——两侧均源自同一RR序列——不应解释为独立的生理学验证）。各组分分别针对ANS动力学的不同方面——连续状态轨迹、随机幅度与离散状态转换——共同提供互补的自主神经信息层次。该表述提供了适用于可穿戴传感与生理计算的不确定性感知自主神经评估。关于普适性说明：该框架在N = 20名健康动态成人中验证；未经更大规模、更多样化样本重复验证，不应外推至临床人群、老年队列或心血管或自主神经病理个体。

**研究背景与问题**

自主神经系统（ANS）通过交感神经（SNS）与副交感神经（PNS）分支的持续交互维持心血管稳态。RR间期的逐搏波动——即心率变异性（HRV）——为观察这一双分支调控提供了无创窗口，已被广泛标准化并在多种生理与临床情境中得到验证。数十年的研究已确立HRV作为可靠生物标志物，可用于区分运动员自主神经特征、量化迷走张力的性别差异、追踪心脏病患者自主神经功能障碍以及识别职业或认知应激。这种广泛适用性使HRV成为临床实践与可穿戴健康监测中 adopted 最广泛的生理指标之一。

标准HRV分析计算时域统计量——SDNN（总自主神经变异性）、RMSSD（短期迷走活动）与pNN50——以及频域指标：低频（LF，0.04–0.15 Hz）功率、高频（HF，0.15–0.40 Hz）功率与LF/HF比值。HF功率追踪由迷走外流驱动的呼吸性窦性心律不齐（RSA），而LF/HF被广泛用作交感-迷走平衡指数。规范参考值已按年龄、性别、记录时长与测量设备建立。实践中，准确的HRV计算需要仔细的伪迹滤波与RR离群值校正，尤其在运动伪迹常见的动态记录中。

尽管被广泛采用，传统HRV分析的根本局限在于将固定epoch内的自主神经状态视为静态。这丢弃了交感-迷走调控的时间动力学，后者在多个时间尺度上连续展开——从呼吸周期（约4 s）到体温调节节律（约30 s）再到昼夜变化。此外，由神经生物学噪声、非线性反馈与呼吸耦合产生的心脏调控随机性被吸收进汇总统计量而非显式建模。非线性与多重分形HRV方法部分解决了这一局限，通过量化信号不规则性，但其产生的是经验复杂性度量而非机制性参数，如弛豫速率、噪声强度或状态转换概率。这促使从描述性HRV分析转向机制性动力学建模。没有单一数学框架能同时捕捉所有相关ANS动力学：Kalman滤波追踪连续潜在状态但无法表示离散自主神经状态；OU-SDE刻画随机幅度并以与经典HRV指标关联的形式表达，但不建模状态转换；HMM表示离散状态转移但不追踪状态内连续动力学。因此需要互补的多尺度整合。

从工程角度看，ANS自然可建模为具有潜在状态（交感与副交感张力）和含噪多维可观测输出（HRV特征）的动力系统。这一框架要求状态空间估计与概率推断。线性Kalman滤波提供从含噪观测中原则性的递归潜在状态估计，并已通过点过程模型应用于心跳间期序列，在个体心搏间期水平追踪瞬时心率统计量。状态空间模型也已应用于EEG脑动力学、多维数字表型分析以及基于纵向生理数据的个体化生存预测——展示了贝叶斯滤波框架在生物医学信号中的通用性。

随机微分方程（SDE）为受内在噪声影响的生物动力学提供了互补的连续时间概率语言。Ornstein-Uhlenbeck（OU）过程——一种由恢复率θ、平衡值μ与噪声强度σ参数化的均值回归SDE——是稳态波动的典范模型，已应用于合成ECG生成与HRV频谱建模。OU模型的最大似然估计（MLE）产生统计一致的参数估计，直接与HRV统计量关联：平稳方差σ²/(2θ)等于SDNN²，提供随机参数与经典指标之间的解析桥梁。生物系统SDE模型中的参数可辨识性是关键问题，本文采用的灰箱MLE方法通过使用精确高斯转移密度而非数值模拟来解决这一问题。

隐马尔可夫模型（HMM）编码离散潜在状态之间的随机转换，是将时间序列分割为定性不同状态的标准框架。HMM已应用于生理信号，包括EEG睡眠分期、新生儿呼吸暂停-心动过缓检测、同步颅内EEG（iEEG）与脑磁图（MEG）记录的动态脑状态分析以及眼动分类。近期在生理应激监测方面的扩展包括皮肤电活动的马尔可夫转移场表示与通过置信传播的不确定性感知心率估计。这些应用表明离散状态马尔可夫模型能捕捉连续状态模型无法表示的自主神经状态结构。

**相关工作总结**

HRV的机制性动力学建模已沿多条并行路径推进。心跳间期的点过程模型将心搏间期嵌入具有历史依赖逆高斯分布的标记点过程框架，通过贝叶斯滤波逐搏更新。带Kalman平滑的状态空间方法已应用于EEG与混合数字表型记录，展示了潜在状态推断在含噪生物医学时间序列上的通用性。OU-SDE已被用于刻画RR间期的长程相关性并建模均值回归自主神经动力学。HMM分割已应用于呼吸暂停检测与脑状态动力学。本研究填补了将Kalman滤波、OU-SDE与HMM整合为专为动态HRV设计的统一互补框架的空白。

本研究针对描述性HRV分析与机制性ANS建模之间的差距，提出混合概率-动力学框架。该框架整合：（i）带Kalman滤波的线性时不变（LTI）状态空间模型用于连续潜在状态追踪（在预设结构约束下HRV衍生的交感-迷走平衡代理指标）；（ii）表示生理弛豫与交互抑制的概念性耦合ODE模型（作为机制性解释框架纳入；本研究中参数未从数据估计）；（iii）在逐搏水平捕捉HRV随机波动的OU-SDE；以及（iv）表征离散自主神经状态转换的高斯HMM。该框架不将这些视为竞争性替代方案，而是作为互补并行组分结合：Kalman滤波提供连续状态后验估计，OU-SDE提供其随机刻画，HMM提供用于可操作分类的较粗离散状态标签。该方法在20份动态Holter记录上验证，模型质量按组分通过重建RMSE与类内贝叶斯信息准则（BIC；如HMM状态数）评估。结果是一个原则性的、具备实时能力且解释友好的HRV自主神经评估框架，直接适用于可穿戴传感、生物反馈与临床自主神经表型分析。

**主要关键技术方法**

研究人员开展了一项方法学与实验验证研究，提出并评估了整合Kalman滤波、OU-SDE与HMM的混合概率-动力学框架。研究纳入N = 20名无已知心血管、神经或呼吸疾病的健康成人，在自然日常条件下进行动态Holter心电监测（SUZUKEN Holter ECG设备，三导联配置），使用Cardy Analyzer 05软件获取QRS复合波与心搏标签。仅保留标记为正常（N）的心搏，排除生理合理范围[300, 2000] ms之外的RR间期。从同一64 s滑动窗口（每步进一个心搏）计算SDNN、RMSSD、HF与LF/HF四项HRV特征。三个定量组分（Kalman、OU-SDE、HMM）独立拟合，其互补性在第3.5节分析。所有信号处理、数学建模与统计分析使用Python 3.11与MATLAB R2024a完成。

**研究结果**

*参与者特征与数据质量*：所有20份记录均满足质量阈值（低异位搏动率）。平均有效NN间期数为6,847 ± 1,092次（范围4,983–8,662）。平均RR间期为822.2 ± 84.8 ms。频谱指标的较大个体间变异在自然动态监测中属预期。

*OU-SDE参数估计*：OU模型对所有20名参与者收敛。组水平参数为θ = 0.533 ± 0.624 s^?1，σ = 82.6.2 ± 105.6 ms·s^?1/2，μ = 822.2 ± 84.8 ms。平稳方差σ²/(2θ)紧密近似SDNN²（Pearson r = 0.998，p < 0.001），证实MLE的内部自洽性。θ的94倍范围（0.025–2.145 s^?1）反映参与者间真实的自主神经异质性。

*状态空间模型与Kalman滤波结果*：EM在有限迭代内收敛。恢复的C矩阵在所有20名参与者中证实预期符号结构：c22 > 0（RMSSD→PNS）、c32 > 0（HF→PNS）、c41 > 0（LF/HF→SNS）。观测重建RMSE为RMSSD 9.2 ± 3.1 ms、LF/HF 0.31 ± 0.12（相对误差8.3%与12.6%）。

*HMM自主神经状态分析*：三状态高斯HMM对所有参与者收敛。状态按平均RRI递减排序并标记为State 1（高RRI；解释性标签PD）、State 2（中等RRI；标签B）、State 3（低RRI；标签SD）。组水平平均RRI分别为892 ms（State 1）、818 ms（State 2）、714 ms（State 3），对应心率约67、73、84 bpm。各状态时间占比平均约相等，反映自然活动的多样性。自转换概率为a11 = 0.87、a22 = 0.80、a33 = 0.74，反映高状态持续性。BIC支持K = 3优于K = 2（ΔBIC_2→3 = 84 ± 21）。

*模型互补性分析*：三个模型组分作用于同一RR间期序列的互补表示，针对ANS动力学的不同方面：Kalman滤波（仅LTI）通过四维高斯似然建模yk的连续状态轨迹；OU-SDE刻画原始RR序列的随机幅度；HMM通过yk的序列似然识别离散自主神经状态。由于各组分在不同数据表示上优化不同目标，单一联合BIC不适用——将L_Kalman × L_HMM相乘会重复计算同一观测并膨胀对数似然。模型质量分别评估：Kalman LTI模型相对误差低于13%；OU-SDE自洽性检查r = 0.998；HMM状态数BIC支持K = 3。三个模型互补而非竞争：Kalman提供不确定性量化的连续状态后验，OU提供机制性随机参数，HMM提供离散可操作状态标签。

**讨论与结论**

*OU与Kalman参数的生理学解释*：OU均值回归率θ是经典HRV指标中不存在的机制性参数，量化扰动后稳态RRI恢复速率，1/θ为自主神经时间常数。组中位数θ = 0.269 s^?1（时间常数约3.7 s）与RSA背后的0.1–0.3 Hz迷走波动带及点过程模型估计的时间常数良好对应。θ的94倍个体间范围可能反映真实生理异质性：高θ个体表现出快速波动、迷走主导的HRV，低θ个体表现出缓慢恢复的HRV，更典型于交感主导或迷走张力降低。OU扩散参数σ量化RRI噪声强度，θ与σ共同刻画HRV功率谱——这是单独θ或σ无法提供的。σ²/(2θ) ≈ SDNN²的近完美确认构成内部自洽性检查而非独立外部验证，因为两者均为同一RR间期序列的代数函数。Kalman滤波结果在所有20名参与者中证实结构C矩阵的生理有效性，但c22、c32 > 0与c41 > 0反映估计前施加的预定义结构约束，而非数据驱动的新生理通路发现。

*HMM自主神经状态结构*：三个HMM状态——高RRI/State 1（平均RRI 892 ms，HR约67 bpm）、中等RRI/State 2（818 ms，约73 bpm）、低RRI/State 3（714 ms，约84 bpm）——描绘了动态监测正常范围内生理上不同的心率区域。状态标记反映从HRV特征向量推断的相对交感-迷走平衡。自转换概率的不对称性具有生理意义：高RRI状态（低HR、高迷走张力）比低RRI状态更持久，与健康成人静息时迷走主导的稳态偏倚一致，机制上与更快的迷走时间常数和更慢的交感激活动力学一致。HMM状态数分析确认三个离散自主神经状态捕捉了连续HRV动力学单独无法解析的统计显著额外结构。

*混合框架的工程意义*：该混合框架提供传统HRV分析不具备的三项独特工程能力。第一，Kalman滤波产生状态估计伴随的不确定性估计，支持自适应监测系统中的置信感知决策。第二，HMM状态标签是离散的，可直接作为基于规则的生物反馈或警报系统的触发器，无需对原始HRV指标进行阈值调优。第三，OU参数通过闭式MLE获得，计算量随记录长度线性扩展，可在设备端计算而无需迭代优化，支持资源受限可穿戴平台部署。该框架可 readily 扩展至多模态输入：呼吸率（用于RSA分解）与皮肤电导（用于交感检测）可作为C的额外行或状态方程中的外生输入u_k纳入。

*局限性与未来方向*：研究存在若干局限。第一，缺乏同步加速度计与呼吸信号以及标记实验条件，限制了估计自主神经状态的生理学解释与验证；自然记录设计不允许跨静息、应激与恢复条件的个体内验证。未来研究应结合三轴加速度计与呼吸监测及受控应激与恢复方案，并采用独立参考测量如血浆儿茶酚胺水平或微神经造影。第二，若干建模假设限制潜在状态作为不同生理过程的解释：LTI系统矩阵假设动力学恒定，而自主神经调控可能随昼夜节律与持续活动变化；标量OU模型未显式分离交感与副交感贡献；二维潜在状态空间模型的结构可辨识性尚未正式建立，RMSSD与HF功率的高相关可能限制各自观测参数的唯一估计。第三，相对较小的队列（N = 20）与缺乏独立验证限制研究发现普适性；参数估计与解释使用同一参与者，对未见个体的性能存在不确定性。未来研究应使用更大更多样化队列及留一被试交叉验证或独立测试队列。第四，HMM潜在状态在全文中以平均RR间期水平而非推定生理功能表征；在缺乏同步自主神经功能参考测量的情况下，将生理标签分配给数据驱动HMM状态构成事后解释而非验证分类。第五，OU模型相对于传统SDNN计算的附加生理价值需进一步实证论证；σ²/2θ ≈ SDNN²反映内部模型自洽性而非独立验证，但两个OU参数的单独可辨识性——θ表征逐搏变异性扰动后向长期水平恢复的时间速度，σ量化个体RR间期水平随机波动强度——意味着SDNN相同的两个个体可能表现出显著不同的θ。第六，Kalman滤波的定量评估仅依赖RR间期重建误差，低重建RMSE是必要但不充分条件。第七，LF/HF功率比从64 s Welch窗口计算，低于Task Force推荐的2分钟最小epoch，可能增加LF频带频谱不确定性；滑动窗口分析每步进一个RR间期，产生约99%重叠的连续窗口，特征时间序列高度自相关，可能膨胀统计比较中的有效样本量并违反常规显著性检验的独立性假设。未来研究应评估对窗口长度与步长的敏感性，并采用块自助法或带自回归相关结构的混合效应模型等显式考虑个体内序列依赖的统计方法。

*结论翻译*：本研究提出并评估了一个混合概率-动力学框架，用于从动态HRV信号建模HRV衍生的自主神经系统动力学代理指标。该框架整合三个拟合概率组分——带Kalman滤波的结构化线性状态空间模型用于连续状态估计、Ornstein-Uhlenbeck SDE用于逐搏波动的随机刻画、高斯HMM用于离散自主神经状态分割——辅以提供机制性生理学解释但在本研究中未拟合数据的概念性耦合ODE模型。通过将这些组分作为作用于同一特征序列的互补并行模型而非竞争性分层结合，该框架同时提供具有不确定性量化的连续后验状态估计、机制性随机参数与离散可操作状态标签——三层信息是静态epoch平均HRV指标无法共同提供的。来自N = 20名健康动态参与者的关键数值发现为：（1）OU参数对所有参与者成功估计（θ = 0.533 ± 0.624 s^?1，σ = 82.6.2 ± 105.6 ms·s^?1/2，μ = 822.2 ± 84.8 ms）；（2）解析对应关系SDNN² = σ²/(2θ)以r = 0.998得到确认，证实OU MLE与经典HRV之间的内部自洽性（注：代数恒等式，非独立验证）；（3）Kalman EM在所有参与者中恢复生理有效的观测矩阵结构（PNS通道c22、c32 > 0；SNS通道c41 > 0），相对重建误差低于13%；（4）三状态HMM识别出不同自主神经状态（平均RRI：892、818、714 ms），具有不对称自转换概率（a11 = 0.87；a33 = 0.74），反映高RRI状态（生理上解释为副交感主导）更强的持续性；（5）模型质量按组分分别评估：Kalman重建RMSE低于13%，OU MLE自洽性检查r = 0.998（由构造即为代数恒等式，非独立验证），HMM状态数BIC支持K = 3优于K = 2（ΔBIC_2→3 = 84 ± 21）。这些结果建立了原则性的工程-生理桥梁，使基于模型的HRV分析具有可解释性、实时能力并在每一层次量化不确定性。未来工作将（a）应用留一被试（LOSO）交叉验证评估个体水平普适性；（b）将框架扩展至同步加速度计与呼吸的多模态记录，应用于受控实验方案以验证HMM状态，并将规范参数数据库扩展至临床多样化队列。OU恢复率θ与扩散系数σ连同HMM转换结构提供了机制性自主神经候选生物标志物，其用于可穿戴健康监测、职业应激监测与闭环生物反馈的适用性需要在大于N = 20的队列中独立验证。