HRV（心率变异性）是指连续心跳间时间间隔（RR间期）的微小波动，其检测依赖信号处理、统计分析、机器学习等多类算法，核心目标是从原始生理信号中提取有效RR间期信息，并量化分析其波动规律，最终反映自主神经系统功能。
一、前置环节：信号预处理算法
HRV分析的前提是获取准确的RR间期序列，但原始采集信号（如心电图ECG、光电容积脉搏波PPG）常受生理噪声（呼吸、肌电、体动） 和环境噪声（电磁干扰、设备误差） 污染，需通过预处理算法剔除噪声、修正异常，确保数据有效性。
1.信号去噪算法
不同噪声类型对应不同去噪策略，核心是“保留RR间期相关信号，滤除无关干扰”：
滤波算法（针对周期性/低频噪声）
低通滤波：滤除高频肌电干扰（如50Hz/60Hz工频噪声），常用无限脉冲响应（IIR）滤波器（如巴特沃斯滤波器）或有限脉冲响应（FIR）滤波器，截止频率通常设为35Hz（ECG）或10Hz（PPG），避免RR间期时间信息失真。
自适应滤波：针对非平稳噪声（如呼吸导致的基线漂移），通过“参考信号”（如同步采集的呼吸信号）动态调整滤波参数，实时抵消噪声，典型应用是递归最小二乘（RLS）自适应滤波器。
小波变换（针对非周期性/突变噪声）
原始信号（如ECG）分解为不同尺度的小波系数，通过“阈值处理”（如软阈值、硬阈值）剔除噪声对应的小波系数，再重构信号，尤其适用于处理体动导致的突发噪声，能最大程度保留QRS波（ECG中与心跳相关的关键波群）特征。
2.RR间期提取与异常修正算法
预处理的核心输出是“纯净RR间期序列（单位：ms）”，需先定位心跳时刻，再修正异常值：
心跳时刻检测（QRS波/脉搏波峰值定位）
ECG信号：QRS波是ECG中幅度最大的波群，常用差分阈值法（通过计算信号一阶导数，超过阈值的峰值即为QRS波顶点）、模板匹配法（预存标准QRS波模板，与实时信号比对，相似度最高的位置为心跳时刻），复杂场景下可用小波变换模极大值法（精准定位QRS波起点/终点）。
PPG信号：脉搏波的“收缩峰”对应心跳，常用滑动窗口峰值检测法（设定窗口内的幅度阈值，超过阈值且为局部最大值的点即为收缩峰），需配合基线漂移修正（如移动平均法）避免误检。
异常RR间期修正
剔除因噪声、早搏、漏检导致的异常值（如RR间期突然增大/减小超过正常范围20%），常用：
统计法：基于“3σ准则”（剔除超出均值±3倍标准差的RR间期）或“中位数绝对偏差（MAD）”（更稳健，适用于少量异常值）；
插值法：对剔除的异常点，用线性插值（简单快速）或样条插值（平滑性更好）补充，确保RR序列连续性。
二、HRV特征提取算法
HRV的临床意义通过“特征指标”体现，算法需从RR间期序列中提取两类核心特征：时域特征（直接统计RR间期的波动）和频域特征（将RR间期转换为频率域，分析不同频段的能量分布），部分场景还会提取非线性特征（反映HRV的复杂动态规律）。
1.时域分析算法——直接统计RR间期的“数值波动”
时域特征是最直观的HRV指标，通过基础统计函数即可计算，适用于短时间（5分钟内）或长时间（24小时）HRV分析。其中，SDNN是所有RR间期的标准差，计算公式为SDNN = √[1/(N-1) × Σ（从i=1到N）(RRi - RR平均值)²]，其生理意义是反映总体HRV水平，对应交感神经与副交感神经的总活性；RMSSD是相邻RR间期差值的均方根，计算公式为RMSSD = √[1/(N-1) × Σ（从i=1到N-1）(RR(i+1) - RRi)²]，主要反映短期HRV水平，核心关联副交感神经活性；NN50指的是相邻RR间期差值大于50ms的个数，pNN50则是NN50占总RR间期个数的百分比（%），二者与RMSSD生理意义一致，是更敏感的副交感神经功能指标；SDNN Index是24小时内每5分钟RR间期的SDNN平均值，用于评估长期HRV的稳定性，反映自主神经调节的一致性。
2.频域分析算法——将“时间波动”转换为“频率能量”
频域特征通过傅里叶变换或小波变换，将RR间期的“时间序列”转换为“频率-功率”谱，分析不同频段的功率占比，对应自主神经的不同调节机制。
（1）核心算法：傅里叶变换（短时HRV首选）
适用于“平稳信号”（如5分钟静息状态下的RR序列），步骤为：第一步是信号重采样，原始RR间期序列是“不规则时间序列”（RR间期长度不固定），需通过线性插值将其转换为“规则时间序列”（如采样频率4Hz，即每250ms一个点），满足傅里叶变换对“等时间间隔”的要求；第二步是功率谱估计，用快速傅里叶变换（FFT）将重采样后的序列转换为频域，计算不同频率下的功率（单位：ms²/Hz），常用“Welch法”（通过分段加窗、重叠计算，降低谱估计的方差，提高稳定性）；第三步是频段划分与功率计算，根据生理意义划分频段，计算各频段的功率（绝对功率）或占比（相对功率）。
（2）关键频域指标与生理意义
频域分析中，极低频段（VLF）的频率范围为0.003-0.04Hz，其功率通过计算该频段内功率谱下的面积（积分）得到，生理意义可能与肾素-血管紧张素系统相关；低频段（LF）的频率范围为0.04-0.15Hz，功率计算方式与VLF一致，主要反映交感神经活性，同时受副交感神经影响；高频段（HF）的频率范围为0.15-0.4Hz，功率同样通过频段内功率谱积分获取，是纯副交感神经活性的指标，主要受呼吸调节；LF/HF比值则是LF功率除以HF功率的结果，用于反映交感神经与副交感神经的平衡关系，比值升高通常意味着交感神经占优。
（3）补充算法：小波变换（非平稳信号首选）
当RR序列为“非平稳信号”（如运动、情绪波动时），傅里叶变换无法捕捉频率随时间的变化，此时用小波变换：通过“多尺度分解”，将信号分解为不同频率的“小波系数”，计算各尺度（对应频域）的能量，实现“时-频联合分析”（如分析运动中HRV的动态变化）。
3.非线性分析算法——反映HRV的“复杂动态规律”
HRV并非简单的随机波动，而是自主神经系统、呼吸、循环系统共同作用的“复杂非线性系统”，非线性特征可揭示其内在规律，常用算法：
Poincaré plot（散点图）分析：以第i个RR间期为x轴，第i+1个RR间期为y轴绘制散点图，通过拟合椭圆的“长轴（SD1）”和“短轴（SD2）”量化散点分布：SD1反映短期波动（副交感神经），SD2反映长期波动（交感+副交感），SD1/SD2比值反映HRV的不规则性；
近似熵（ApEn）/样本熵（SampEn）：衡量信号“预测难度”——熵值越大，HRV越复杂，自主神经调节能力越强（如健康人熵值高于焦虑症患者）；
分形维数（如DFA算法）：通过“去趋势波动分析（DFA）”计算信号的分形维数，反映HRV的长程相关性（如健康人在不同时间尺度下均有稳定的长程相关，而心衰患者该相关性消失）。
三、HRV分析与解读算法
提取特征后，需通过算法将“指标数值”转化为“可理解的结论”，核心应用场景包括临床诊断辅助和健康监测，常用技术路线如下：
1.基于“阈值对比”的基础解读（通用场景）
通过将用户的HRV特征指标与“标准参考范围”对比，判断自主神经功能状态，参考范围通常来自大规模人群研究（如《欧洲心脏协会HRV指南》）：例如，静息状态下，健康成年人RMSSD通常为20-50ms，若小于20ms，提示副交感神经活性降低（可能与压力过大、睡眠不足相关）；再如，LF/HF比值大于2，提示交感神经占优（可能与运动、焦虑状态相关），比值小于1，提示副交感神经占优（如静息、放松状态）。
2.基于“机器学习”的进阶解读（复杂场景）
当需结合多指标、多维度数据（如HRV+睡眠+运动数据）进行精准分析时，需用机器学习算法构建“分类/回归模型”，典型应用：
临床辅助诊断：如构建“心衰/健康人分类模型”——以SDNN、HF、SampEn等为特征，用支持向量机（SVM） 或随机森林训练模型，通过HRV指标预测患者是否心衰（准确率可达85%以上）；
心理状态评估：如“焦虑症筛查模型”——结合HRV的RMSSD（副交感指标）和皮肤电信号，用逻辑回归或神经网络区分焦虑状态与正常状态；
健康风险预警：如“睡眠质量评估”——通过夜间HRV的HF功率变化（深度睡眠时HF升高），用长短期记忆网络（LSTM） 预测睡眠分期（深睡、浅睡、REM睡眠），辅助判断睡眠质量。
3.基于“个性化基准”的动态解读（长期监测场景）
HRV存在显著个体差异（如运动员RMSSD普遍高于普通人），单纯对比“群体标准”可能不准确，因此需构建“个性化基准”：算法逻辑是通过连续采集用户1-2周的HRV数据（如每日静息5分钟的RMSSD），计算其“个性化均值±标准差”作为基准；动态预警机制为，若某日HRV指标超出基准范围（如RMSSD低于基准2个标准差），提示自主神经功能异常（可能与感冒、过度疲劳相关），触发健康预警。
四、算法应用的挑战与趋势
1.挑战
信号质量依赖采集设备（如PPG信号在运动时易受干扰，需更鲁棒的去噪算法）；
个体差异大（需结合年龄、性别、基础疾病、生活习惯等个性化数据优化模型）；
临床验证不足（部分机器学习模型缺乏大规模多中心临床数据验证，难以推广至临床诊断）。
2.趋势
多模态融合算法：结合HRV+心电图+血压+血氧数据，构建更全面的自主神经功能评估模型；
轻量化算法：针对可穿戴设备（如手环、手表），开发低计算量的预处理与特征提取算法（如简化小波变换、轻量化CNN），满足实时分析需求；
可解释AI（XAI）：优化机器学习模型的可解释性（如用SHAP值分析各HRV指标对“焦虑预测”的贡献），让临床医生/用户理解结论的由来。
综上，HRV检测的算法体系贯穿“信号-特征-结论”全流程，从基础的滤波、统计分析，到复杂的机器学习、非线性建模，核心目标是“精准量化自主神经功能”，为临床诊断、健康监测、心理评估等场景提供科学依据。
