《Sensors》:Investigating Stress-Related Heart Rate Behavior and Rhythm in College Students Using Trend Analysis Methods
Samira Ziyadidegan,
Amir Hossein Javid and
Farzan Sasangohar
编辑推荐:
本研究针对大学生压力监测中传统心率变异性(HRV)方法的局限,创新性地采用自相关(autocorrelation)和去趋势波动分析(DFA)等时间序列趋势分析技术,探究了压力事件对心率模式与节律的影响。研究发现了应激时心率数据存在更持久的长期相关性和更不规律、更不可预测的节律模式,为开发更稳健的压力监测模型提供了新的分析视角和特征指标。
在现代高等教育环境中,学业负担、未来焦虑、考试压力等正使大学生群体承受着日益普遍且严重的心理压力。这种压力不仅影响心理健康,更因其与高血压等心血管疾病的明确关联而引发广泛担忧。传统上,心率常被用作压力分析的生理标志物,但心率本身易受体力活动、昼夜节律等多种非压力因素干扰,并非反映自主神经系统对心理压力反应的特异性指标。相比之下,心率节律的动态变化更能直接表征交感与副交感神经调节的平衡。然而,当前的压力分析框架多聚焦于静态或短期特征,如心率变异性(HRV),对于能够表征压力下心脏动力学持续性、复杂性和标度行为的趋势与相关性分析方法,如自相关和去趋势波动分析(DFA),则利用不足,这构成了当前方法论的一个明显空白。
为填补这一空白,由Samira Ziyadidegan, Amir Hossein Javid和Farzan Sasangohar开展的研究,在《Sensors》期刊上发表,旨在利用趋势分析技术深入探究压力如何影响大学生的心率行为与节律。该研究开展了一项自然观察性研究,招募了125名来自美国德州一所大型大学、且经GAD-7(广泛性焦虑障碍量表-7)筛查显示有高压力或焦虑症状可能的学生。参与者被要求连续佩戴预装了mHELP(心理健康评估与守望计划)应用程序的苹果智能手表(Apple Watch)90天,通过双击表盘来自我报告压力事件,同时设备持续收集心率数据。研究期间共记录了1513次压力事件。
研究主要运用了自相关分析和去趋势波动分析(DFA)这两种时间序列趋势分析技术。自相关图用于评估时间序列数据中当前值与滞后值之间的关系强度和模式,通过统计显著滞后数(significant lags)和峰值数(number of peaks)等特征进行比较。DFA则用于检验时间序列数据中的长程相关性(long-range correlations),其绘图中直线的斜率即标度指数(scaling exponent, alpha),能反映数据的相关性强弱。数据分析前,对收集到的心率数据进行了预处理,并应用一阶差分(first-order differencing)技术以确保数据平稳性,以满足自相关分析的前提。研究设置了以报告压力时刻为中心的20分钟时间窗(前后各10分钟)进行分析,并为每位参与者提取了相同数量的20分钟“正常”(非压力)事件数据作为对照。
3.1. 描述性分析结果
研究发现,压力事件在周初(尤其是周二)和工作日(上午10点至下午6点)发生频率最高,且在下午6点达到峰值。压力事件相关的心率值范围在60至195 bpm(次/分钟)之间,平均值为93.2 bpm,中位数为90.53 bpm,表明压力事件并非总伴随极端心率值。这些模式与典型的学术日程安排相吻合。
3.2. 趋势分析结果
自相关分析显示,在压力事件期间,心率数据在更长的滞后时间内保持正相关,且显著滞后数量多于正常事件。同时,正常事件的自相关图在200秒滞后内出现多次相关性方向变化(即更多峰值),而压力事件的图中则无此规律波动,表明压力下的心率模式更不规则、更不可预测。去趋势波动分析(DFA)结果进一步表明,压力事件的标度指数(alpha)显著高于正常事件,尤其是在较长的时间间隔上,这提示压力事件导致心率数据具有更强的长程相关性和更持久的波动模式。统计检验(配对t检验)证实,自相关分析中的“显著滞后数”、“峰值数”以及DFA中的“标度指数”在压力事件与正常事件间均存在显著差异。
研究结论强调了利用时间序列分析来理解与压力相关的心率节律复杂性的重要性。研究发现,在压力事件期间,心率数据表现出更持久的自相关性、更不规律的模式以及更强的长程相关性。这些特征使得压力状态下的心率节律与正常状态得以清晰区分。这意味着,超越传统心率变异性(HRV)分析,结合自相关和DFA等趋势分析技术提取的非线性特征,能够更深入地揭示压力相关的心脏动力学细节,有望增强当前主要以心率行为为输入的压力检测模型的鲁棒性和可解释性。然而,研究也存在局限,如自我报告压力事件的主观性、未控制咖啡因摄入及睡眠质量等混杂因素,以及苹果手表数据可能因运动伪影产生的误差,这些都为未来研究指明了改进方向。总体而言,该研究为在学术环境中客观监测和理解压力提供了新的方法论视角和潜在的生物标志物。