HRV（心率變異性）是指連續心跳間時間間隔（RR間期）的微小波動，其檢測依賴信號處理、統計分析、機器學習等多類算法，核心目標是從原始生理信號中提取有效RR間期信息，並量化分析其波動規律，最終反映自主神經系統功能。

一、前置環節：信號預處理算法

HRV分析的前提是獲取準確的RR間期序列，但原始採集信號（如心電圖ECG、光電容積脈搏波PPG）常受生理噪聲（呼吸、肌電、體動） 和環境噪聲（電磁干擾、設備誤差） 污染，需通過預處理算法剔除噪聲、修正異常，確保數據有效性。
1.信號去噪算法
不同噪聲類型對應不同去噪策略，核心是“保留RR間期相關信號，濾除無關干擾”：
濾波算法（針對週期性/低頻噪聲）
低通濾波：濾除高頻肌電干擾（如50Hz/60Hz工頻噪聲），常用無限脈衝響應（IIR）濾波器（如巴特沃斯濾波器）或有限脈衝響應（FIR）濾波器，截止頻率通常設為35Hz（ECG）或10Hz（PPG），避免RR間期時間信息失真。
自適應濾波：針對非平穩噪聲（如呼吸導致的基線漂移），通過“參考信號”（如同步採集的呼吸信號）動態調整濾波參數，實時抵消噪聲，典型應用是遞歸最小二乘（RLS）自適應濾波器。
小波變換（針對非週期性/突變噪聲）
原始信號（如ECG）分解為不同尺度的小波係數，通過“閾值處理”（如軟閾值、硬閾值）剔除噪聲對應的小波係數，再重構信號，尤其適用於處理體動導致的突發噪聲，能最大程度保留QRS波（ECG中與心跳相關的關鍵波羣）特徵。
2.RR間期提取與異常修正算法
預處理的核心輸出是“純淨RR間期序列（單位：ms）”，需先定位心跳時刻，再修正異常值：
心跳時刻檢測（QRS波/脈搏波峯值定位）
ECG信號：QRS波是ECG中幅度最大的波羣，常用差分閾值法（通過計算信號一階導數，超過閾值的峯值即為QRS波頂點）、模板匹配法（預存標準QRS波模板，與實時信號比對，相似度最高的位置為心跳時刻），複雜場景下可用小波變換模極大值法（精準定位QRS波起點/終點）。
PPG信號：脈搏波的“收縮峯”對應心跳，常用滑動窗口峯值檢測法（設定窗口內的幅度閾值，超過閾值且為局部最大值的點即為收縮峯），需配合基線漂移修正（如移動平均法）避免誤檢。
異常RR間期修正
剔除因噪聲、早搏、漏檢導致的異常值（如RR間期突然增大/減小超過正常範圍20%），常用：
統計法：基於“3σ準則”（剔除超出均值±3倍標準差的RR間期）或“中位數絕對偏差（MAD）”（更穩健，適用於少量異常值）；
插值法：對剔除的異常點，用線性插值（簡單快速）或樣條插值（平滑性更好）補充，確保RR序列連續性。

二、HRV特徵提取算法

HRV的臨牀意義通過“特徵指標”體現，算法需從RR間期序列中提取兩類核心特徵：時域特徵（直接統計RR間期的波動）和頻域特徵（將RR間期轉換為頻率域，分析不同頻段的能量分佈），部分場景還會提取非線性特徵（反映HRV的複雜動態規律）。
1.時域分析算法——直接統計RR間期的“數值波動”
時域特徵是最直觀的HRV指標，通過基礎統計函數即可計算，適用於短時間（5分鐘內）或長時間（24小時）HRV分析。其中，SDNN是所有RR間期的標準差，計算公式為SDNN = √[1/(N-1) × Σ（從i=1到N）(RRi - RR平均值)²]，其生理意義是反映總體HRV水平，對應交感神經與副交感神經的總活性；RMSSD是相鄰RR間期差值的均方根，計算公式為RMSSD = √[1/(N-1) × Σ（從i=1到N-1）(RR(i+1) - RRi)²]，主要反映短期HRV水平，核心關聯副交感神經活性；NN50指的是相鄰RR間期差值大於50ms的個數，pNN50則是NN50佔總RR間期個數的百分比（%），二者與RMSSD生理意義一致，是更敏感的副交感神經功能指標；SDNN Index是24小時內每5分鐘RR間期的SDNN平均值，用於評估長期HRV的穩定性，反映自主神經調節的一致性。
2.頻域分析算法——將“時間波動”轉換為“頻率能量”
頻域特徵通過傅里葉變換或小波變換，將RR間期的“時間序列”轉換為“頻率-功率”譜，分析不同頻段的功率佔比，對應自主神經的不同調節機制。
（1）核心算法：傅里葉變換（短時HRV首選）
適用於“平穩信號”（如5分鐘靜息狀態下的RR序列），步驟為：第一步是信號重採樣，原始RR間期序列是“不規則時間序列”（RR間期長度不固定），需通過線性插值將其轉換為“規則時間序列”（如採樣頻率4Hz，即每250ms一個點），滿足傅里葉變換對“等時間間隔”的要求；第二步是功率譜估計，用快速傅里葉變換（FFT）將重採樣後的序列轉換為頻域，計算不同頻率下的功率（單位：ms²/Hz），常用“Welch法”（通過分段加窗、重疊計算，降低譜估計的方差，提高穩定性）；第三步是頻段劃分與功率計算，根據生理意義劃分頻段，計算各頻段的功率（絕對功率）或佔比（相對功率）。
（2）關鍵頻域指標與生理意義
頻域分析中，極低頻段（VLF）的頻率範圍為0.003-0.04Hz，其功率通過計算該頻段內功率譜下的面積（積分）得到，生理意義可能與腎素-血管緊張素系統相關；低頻段（LF）的頻率範圍為0.04-0.15Hz，功率計算方式與VLF一致，主要反映交感神經活性，同時受副交感神經影響；高頻段（HF）的頻率範圍為0.15-0.4Hz，功率同樣通過頻段內功率譜積分獲取，是純副交感神經活性的指標，主要受呼吸調節；LF/HF比值則是LF功率除以HF功率的結果，用於反映交感神經與副交感神經的平衡關係，比值升高通常意味着交感神經佔優。
（3）補充算法：小波變換（非平穩信號首選）
當RR序列為“非平穩信號”（如運動、情緒波動時），傅里葉變換無法捕捉頻率隨時間的變化，此時用小波變換：通過“多尺度分解”，將信號分解為不同頻率的“小波係數”，計算各尺度（對應頻域）的能量，實現“時-頻聯合分析”（如分析運動中HRV的動態變化）。
3.非線性分析算法——反映HRV的“複雜動態規律”
HRV並非簡單的隨機波動，而是自主神經系統、呼吸、循環系統共同作用的“複雜非線性系統”，非線性特徵可揭示其內在規律，常用算法：
Poincaré plot（散點圖）分析：以第i個RR間期為x軸，第i+1個RR間期為y軸繪製散點圖，通過擬合橢圓的“長軸（SD1）”和“短軸（SD2）”量化散點分佈：SD1反映短期波動（副交感神經），SD2反映長期波動（交感+副交感），SD1/SD2比值反映HRV的不規則性；
近似熵（ApEn）/樣本熵（SampEn）：衡量信號“預測難度”——熵值越大，HRV越複雜，自主神經調節能力越強（如健康人熵值高於焦慮症患者）；
分形維數（如DFA算法）：通過“去趨勢波動分析（DFA）”計算信號的分形維數，反映HRV的長程相關性（如健康人在不同時間尺度下均有穩定的長程相關，而心衰患者該相關性消失）。

三、HRV分析與解讀算法

提取特徵後，需通過算法將“指標數值”轉化為“可理解的結論”，核心應用場景包括臨牀診斷輔助和健康監測，常用技術路線如下：
1.基於“閾值對比”的基礎解讀（通用場景）
通過將用户的HRV特徵指標與“標準參考範圍”對比，判斷自主神經功能狀態，參考範圍通常來自大規模人羣研究（如《歐洲心臟協會HRV指南》）：例如，靜息狀態下，健康成年人RMSSD通常為20-50ms，若小於20ms，提示副交感神經活性降低（可能與壓力過大、睡眠不足相關）；再如，LF/HF比值大於2，提示交感神經佔優（可能與運動、焦慮狀態相關），比值小於1，提示副交感神經佔優（如靜息、放鬆狀態）。
2.基於“機器學習”的進階解讀（複雜場景）
當需結合多指標、多維度數據（如HRV+睡眠+運動數據）進行精準分析時，需用機器學習算法構建“分類/迴歸模型”，典型應用：
臨牀輔助診斷：如構建“心衰/健康人分類模型”——以SDNN、HF、SampEn等為特徵，用支持向量機（SVM） 或隨機森林訓練模型，通過HRV指標預測患者是否心衰（準確率可達85%以上）；
心理狀態評估：如“焦慮症篩查模型”——結合HRV的RMSSD（副交感指標）和皮膚電信號，用邏輯迴歸或神經網絡區分焦慮狀態與正常狀態；
健康風險預警：如“睡眠質量評估”——通過夜間HRV的HF功率變化（深度睡眠時HF升高），用長短期記憶網絡（LSTM） 預測睡眠分期（深睡、淺睡、REM睡眠），輔助判斷睡眠質量。
3.基於“個性化基準”的動態解讀（長期監測場景）
HRV存在顯著個體差異（如運動員RMSSD普遍高於普通人），單純對比“羣體標準”可能不準確，因此需構建“個性化基準”：算法邏輯是通過連續採集用户1-2周的HRV數據（如每日靜息5分鐘的RMSSD），計算其“個性化均值±標準差”作為基準；動態預警機制為，若某日HRV指標超出基準範圍（如RMSSD低於基準2個標準差），提示自主神經功能異常（可能與感冒、過度疲勞相關），觸發健康預警。

四、算法應用的挑戰與趨勢

1.挑戰
信號質量依賴採集設備（如PPG信號在運動時易受干擾，需更魯棒的去噪算法）；
個體差異大（需結合年齡、性別、基礎疾病、生活習慣等個性化數據優化模型）；
臨牀驗證不足（部分機器學習模型缺乏大規模多中心臨牀數據驗證，難以推廣至臨牀診斷）。
2.趨勢
多模態融合算法：結合HRV+心電圖+血壓+血氧數據，構建更全面的自主神經功能評估模型；
輕量化算法：針對可穿戴設備（如手環、手錶），開發低計算量的預處理與特徵提取算法（如簡化小波變換、輕量化CNN），滿足實時分析需求；
可解釋AI（XAI）：優化機器學習模型的可解釋性（如用SHAP值分析各HRV指標對“焦慮預測”的貢獻），讓臨牀醫生/用户理解結論的由來。
綜上，HRV檢測的算法體系貫穿“信號-特徵-結論”全流程，從基礎的濾波、統計分析，到複雜的機器學習、非線性建模，核心目標是“精準量化自主神經功能”，為臨牀診斷、健康監測、心理評估等場景提供科學依據。