ทำความรู้จัก HRV (ความแปรปรวนของอัตราการเต้นหัวใจ)

หน้านี้จะพาคุณมองให้ใกล้ขึ้นอีกหน่อย พร้อมแหล่งอ้างอิง เกี่ยวกับ HRV (ความแปรปรวนของอัตราการเต้นหัวใจ) ซึ่งเป็นจุดเริ่มต้นของ Feelmo เนื้อหาค่อนข้างเชิงเทคนิคอยู่บ้าง แต่เขียนขึ้นสำหรับทุกคนที่อยากเข้าใจความหมายของ Balance ของคุณอย่างลึกซึ้งมากขึ้น เมื่ออ่านจบ คุณน่าจะรู้สึกเข้าใจขึ้นมาเองว่า "ทำไม Feelmo จึงไม่ได้มองที่จังหวะการเต้นของหัวใจโดยตรง แต่มองที่ความผันแปรระหว่างจังหวะ" และ "จะอ่านตัวเลขของตัวเองอย่างไรดี"

จังหวะหัวใจกับ "ช่วงเวลาระหว่างจังหวะ"

ในคลื่นไฟฟ้าหัวใจ แต่ละจังหวะจะปรากฏยอดคลื่นแหลมสูง (คลื่น R) ช่วงเวลาระหว่างคลื่น R หนึ่งกับคลื่น R ถัดไปเรียกว่า R-R interval (ช่วงระหว่างจังหวะปกติที่ไม่รวมภาวะหัวใจเต้นผิดจังหวะและอื่น ๆ เรียกอีกชื่อว่า N-N interval)

ขณะที่ "อัตราการเต้นหัวใจ (จำนวนครั้งต่อนาที)" บอกความเร็วเฉลี่ย HRV บอกว่าช่วงเวลาเหล่านั้นผันแปรมากแค่ไหน แม้จะเป็น "60 bpm" เท่ากัน ก็มีทั้งหัวใจที่เต้นสม่ำเสมอราวกับเครื่องเคาะจังหวะ และหัวใจที่ยืดหดอย่างนุ่มนวลไปตามลมหายใจ โดยทั่วไปถือว่าแบบหลังคือสภาวะที่ระบบประสาทอัตโนมัติสลับปรับเปลี่ยนให้เข้ากับสถานการณ์ได้อย่างรวดเร็ว ―― กล่าวคือเป็นสภาวะที่มีความสามารถในการปรับตัวสูง (Task Force, 1996; Shaffer & Ginsberg, 2017)

นี่คือจุดสำคัญ ความผันแปรไม่ใช่ "สัญญาณของความผิดปกติ" หากแต่กลับเป็นสัญญาณของการมีสมดุลดีได้ด้วยซ้ำ หัวใจไม่ใช่เครื่องจักรที่รักษาจังหวะตายตัว แต่เป็นเครื่องปรับสมดุลที่มีชีวิต ค่อย ๆ ปรับเทมโปทีละน้อยในทุกลมหายใจเข้า-ออก ในทุกขณะของความตึงและการผ่อนคลาย สิ่งที่ Feelmo มองอยู่ก็คือ "ความนุ่มนวลยืดหยุ่น" นี้นี่เอง

ภาพ: คลื่น R บนคลื่นไฟฟ้าหัวใจ และช่วงเวลาระหว่างคลื่น R ที่ต่อเนื่องกัน (R–R) ความกว้างไม่คงที่แต่ผันแปร ― นั่นแหละคือ HRV

สามขอบเขตของการวิเคราะห์

วิธีวิเคราะห์ HRV แบ่งกว้าง ๆ ออกเป็นสาม "ขอบเขต" (Task Force, 1996; Shaffer & Ginsberg, 2017) ลองนึกว่ามันคือ "เลนส์" ที่ใช้มองข้อมูล R-R interval ชุดเดียวกันจากมุมต่าง ๆ กัน ในบรรดาเลนส์เหล่านี้ Feelmo ไม่พึ่งเลนส์ใดเลนส์หนึ่งเพียงอย่างเดียว แต่นำสัญญาณหลายอย่างที่ได้จากเลนส์เหล่านี้มาประกอบเข้าด้วยกันเป็นเบาะแส

1. ขอบเขตเวลา (time-domain)

แสดงการกระจายของ R-R interval ออกมาเป็นค่าสถิติบนแกนเวลา เป็นเลนส์ที่เข้าใจง่ายที่สุด และคำนวณได้ง่ายที่สุดด้วย

ในบรรดาดัชนีเหล่านี้ สัญญาณที่ได้จาก HRV คือดัชนีรวมที่ใช้กันแพร่หลายที่สุด สะท้อนการทำงานของระบบประสาทอัตโนมัติโดยรวม ("ความผ่อนพักโดยรวม" ที่รวมทั้งซิมพาเทติกและพาราซิมพาเทติก) Feelmo ก็นำเบาะแสเช่นนี้มาประกอบเป็นวัตถุดิบของ Balance ร่วมกับความเสถียรของการวัดและเส้นฐานของตัวคุณเอง ไม่ใช่นำมาแสดงเป็นตัวชี้วัดสาธารณะโดยตรง

2. ขอบเขตความถี่ (frequency-domain)

แยกความผันแปรของ R-R interval ออกเป็นองค์ประกอบความถี่ (ความผันแปรเร็วและความผันแปรช้า) เปรียบในเชิงดนตรี ก็เหมือนเลนส์ที่แยกคอร์ดออกเป็นเสียงโน้ตแต่ละตัวที่ประกอบกันขึ้นมา

• ความผันแปรเร็วที่เกี่ยวกับการหายใจ — ความผันแปรเร็วที่เกี่ยวกับการหายใจ สะท้อนกิจกรรมของพาราซิมพาเทติก (โหมดพักผ่อน-ฟื้นตัว) เป็นหลัก
• ความผันแปรที่ช้ากว่า — ความผันแปรที่ช้ากว่า ซึ่งเกี่ยวข้องกับ baroreflex และอื่น ๆ รวมทั้งซิมพาเทติกและพาราซิมพาเทติก
• อัตราส่วน อัตราส่วนความถี่เพียงค่าเดียว — เคยถูกมองว่าเป็น "สมดุลซิมพาเทติก-พาราซิมพาเทติก" แต่การตีความเช่นนี้ถูกชี้ว่าง่ายเกินไป (Billman, 2013) Feelmo ไม่ถือว่า อัตราส่วนความถี่เพียงค่าเดียว คือ "สมดุลในตัวมันเอง"

มุมมองด้านความถี่ช่วยให้เข้าใจการหายใจและการฟื้นตัวได้ แต่ Feelmo ไม่ได้นำองค์ประกอบความถี่หรืออัตราส่วนใดอัตราส่วนหนึ่งมาเป็นคะแนนโดยตรง

ภาพ: เมื่อหายใจเข้า หัวใจเต้นเร็วขึ้นเล็กน้อย เมื่อหายใจออกก็ช้าลงเล็กน้อย (respiratory sinus arrhythmia, RSA) ความผันแปรตามการหายใจนี้เป็นเบาะแสสำคัญต่อการทำงานของพาราซิมพาเทติก (Berntson et al., 1993) ด้วยเหตุนี้เอง เซสชันหายใจ ที่หายใจออกยาว ๆ ช้า ๆ จึงช่วยส่งผลต่อความผันแปรของหัวใจในขณะนั้นได้อย่างนุ่มนวลและโดยตรง

3. ไม่เชิงเส้น (nonlinear)

จังหวะหัวใจไม่ใช่วงรอบอย่างง่าย แต่มีโครงสร้างแบบแฟร็กทัลที่ซับซ้อน มีการศึกษาวิธีอย่าง Poincaré plot, เอนโทรปี และ ตัวชี้วัดไม่เชิงเส้น (detrended fluctuation analysis) ในฐานะวิธีจับ "คุณภาพ" และความซับซ้อนของสมดุล (Shaffer & Ginsberg, 2017) มุมมองคือจังหวะหัวใจที่แข็งแรงดีนั้น "ซับซ้อนพอเหมาะ" ―― หากเรียบเดียวเกินไปหรือปั่นป่วนเกินไป ความสามารถในการปรับตัวก็จะลดลง Balance รายวันของ Feelmo สร้างขึ้นจากสัญญาณหลายอย่างที่ได้จาก HRV เป็นหลัก แต่มุมมองไม่เชิงเส้นนี้ก็เป็นแนวคิดที่เราให้ความสำคัญอยู่เบื้องหลัง

วิธีวัด ― ECG กับเซนเซอร์แสง

• ECG (คลื่นไฟฟ้าหัวใจ) — วิธีอ้างอิงที่บันทึกกิจกรรมไฟฟ้าของหัวใจโดยตรงผ่านอิเล็กโทรด
• PPG (โฟโตเพลทิสโมกราฟี) — วิธีที่ Apple Watch และอื่น ๆ ใช้ จับคลื่นชีพจรของการไหลเวียนเลือดด้วยแสง LED ความผันแปรของช่วงจังหวะที่ได้จากวิธีนี้ เรียกอย่างเคร่งครัดว่า PRV (ความแปรปรวนของอัตราชีพจร)

มีการรายงานในการทบทวนเชิงระบบว่า ในสภาวะพัก PRV สอดคล้องดีกับ HRV ที่อิง ECG (Schäfer & Vagedes, 2013) ในทางกลับกัน เนื่องจากความสอดคล้องลดลงขณะมีการเคลื่อนไหวร่างกายหรือออกกำลังกาย จึงให้ความสำคัญกับข้อมูลขณะพักและขณะหลับมากกว่า Apple Watch วัดที่บริเวณแขนซึ่งเป็นจุดที่ขยับได้ง่าย เมื่อข้อมือสั่นไหวก็มีสัญญาณรบกวนเข้ามาได้ง่าย ―― นี่ก็เป็นเหตุผลหนึ่งที่ Feelmo ให้ความสำคัญเป็นพิเศษกับข้อมูล "ตอนที่คุณนั่งลงและสงบนิ่ง" หรือ "ขณะหลับ"

ความยาวและเงื่อนไขของการวัด

• การบันทึกระยะสั้นมาตรฐานถือกันว่าคือ 5 นาที (Task Force, 1996)
• ความสมเหตุสมผลของการบันทึก "สั้นพิเศษ" ที่สั้นกว่านั้นแตกต่างกันไปตามแต่ละดัชนี โดยมีรายงานว่า ตัวชี้วัด HRV เพียงตัวเดียว ยังคงค่อนข้างเสถียรแม้จะบันทึกสั้นกว่า (Munoz et al., 2015; Laborde et al., 2017)
• ดัชนีทุกตัวล้วนได้รับผลจากท่าทาง การหายใจ ช่วงเวลาของวัน คาเฟอีน และการเคลื่อนไหวร่างกาย ดังนั้นการทำให้เงื่อนไขการวัดเหมือนกันจึงสำคัญที่สุดเหนือสิ่งอื่นใด (Laborde et al., 2017)

Feelmo จัดการอย่างไร

ในบรรดาดัชนีเหล่านี้ Feelmo นำ สัญญาณหลายอย่างที่ได้จาก HRV ที่ได้จาก Apple Watch มาประกอบเข้าด้วยกัน โดยไม่พึ่งดัชนีตัวใดตัวหนึ่งเพียงตัวเดียว เพื่อประกอบขึ้นเป็น Balance (0–100) สิ่งเหล่านี้ถูกอ่านเทียบกับ เส้นฐานของตัวคุณเอง ไม่ใช่กับคนอื่น ทำให้ Feelmo แปลสมดุลของคุณในวันนั้นออกมาเป็นตัวเลขหนึ่งเดียวที่อ่านง่ายได้อย่างอ่อนโยน

หลักในการอ่านค่านั้นเหมือนเดิมเสมอ

• อ่านจากผลต่างเทียบกับเส้นฐานของตัวคุณเอง ไม่ใช่เทียบกับคนอื่น ไม่ใช่ "สูง/ต่ำกว่าค่าเฉลี่ย" แต่เป็น "วันนี้คุณผันแปรอย่างไรเมื่อเทียบกับตัวคุณในแบบปกติ"
• ให้น้ำหนักกับการวัดภายใต้เงื่อนไขที่มีปัจจัยภายนอกน้อย ―― โดยเฉพาะขณะหลับ หรือตอนที่นั่งลงและสงบนิ่ง เนื่องจากข้อมือไวต่อการเคลื่อนไหวร่างกาย ข้อมูลจากสถานการณ์ที่นิ่งจึงน่าเชื่อถือกว่า
• รับรู้ผ่านสีหน้าของเพื่อนทั้ง 6 ที่วางอยู่ข้าง ๆ มากกว่ารับรู้จากตัวคะแนนเอง เราแปลตัวเลขไม่ใช่ให้เป็น "คะแนนสอบ" แต่ให้เป็นถ้อยคำแห่งการสังเกตอย่างอ่อนโยนสำหรับตัวคุณในวันนี้ ―― เราไม่ตัดสินชี้ขาด

ส่วนที่ว่าจะผสานหลายดัชนีเข้าด้วยกันและแปลงเป็น Balance 0–100 อย่างไร ―― องค์ประกอบและการถ่วงน้ำหนักที่แม่นยำนั้น คือหัวใจของรากฐานร่วม Lumo Core และเราเก็บไว้เป็นความลับทางการค้า สิ่งที่สำคัญตรงนี้คือหลักการที่ว่า Feelmo ไม่ได้ "เดาอารมณ์" ของคุณ แต่เฝ้าดูความสมดุลของระบบประสาทอัตโนมัติอย่างอ่อนโยน สำหรับวิทยาศาสตร์เบื้องหลัง เชิญดูที่ วิทยาศาสตร์ของสมดุล และสำหรับวิธีอ่านคะแนน เชิญดูที่ Balance คืออะไร เพิ่มเติมได้

เอกสารอ้างอิง

1. Task Force of the European Society of Cardiology and the North American Society of Pacing and Electrophysiology. Heart rate variability: standards of measurement, physiological interpretation and clinical use. Circulation. 1996;93(5):1043–1065.
2. Shaffer F, Ginsberg JP. An Overview of Heart Rate Variability Metrics and Norms. Frontiers in Public Health. 2017;5:258.
3. Laborde S, Mosley E, Thayer JF. Heart Rate Variability and Cardiac Vagal Tone in Psychophysiological Research – Recommendations for Experiment Planning, Data Analysis, and Data Reporting. Frontiers in Psychology. 2017;8:213.
4. Billman GE. The อัตราส่วนความถี่เพียงค่าเดียว ratio does not accurately measure cardiac sympatho-vagal balance. Frontiers in Physiology. 2013;4:26.
5. Schäfer A, Vagedes J. How accurate is pulse rate variability as an estimate of heart rate variability? A review on studies comparing photoplethysmographic technology with an electrocardiogram. International Journal of Cardiology. 2013;166(1):15–29.
6. Munoz ML, van Roon A, Riese H, et al. Validity of (Ultra-)Short Recordings for Heart Rate Variability Measurements. PLoS One. 2015;10(9):e0138921.
7. Berntson GG, Cacioppo JT, Quigley KS. Respiratory sinus arrhythmia: autonomic origins, physiological mechanisms, and psychophysiological implications. Psychophysiology. 1993;30(2):183–196.