了解心率变异性（HRV）

本页会更深入、并附上出处地为你讲解 Feelmo 所依托的起点 —— HRV（心率变异性）。内容稍有些专业，但它是写给那些想更深入理解平衡度含义的人。读完之后，你大概会豁然开朗：「为什么 Feelmo 看的不是心跳本身，而是“拍与拍之间的摇动”」「该如何解读自己的数字」。

心跳与「拍之间的间隔」

在心电图上，每一拍都会出现一个又大又尖的波峰（R 波）。这个 R 波与下一个 R 波之间的间隔，被称为 R-R 间期（排除心律不齐等之后、正常拍与正常拍之间的间隔也称为 N-N 间期）。

「心率（每分钟拍数）」表示的是平均的快慢，而 HRV 表示的是这些间隔摇动得有多大。即便同样是「60 bpm」，也有像节拍器一样规律跳动的心脏，和随着呼吸柔韧地伸缩的心脏。后者一般被认为是自律神经能随情境迅速切换的状态 —— 也就是适应力较高的状态（Task Force, 1996; Shaffer & Ginsberg, 2017）。

这里是关键。摇动并不是“不适”的表现，反而可能是正在调和的信号。心脏不是一台维持固定节律的机器，而是一台随每一次吸气与呼气、每一次紧张与放松而细细改变速度的、活生生的平衡器。Feelmo 看的，正是这份「柔韧」。

图：心电图上的 R 波，以及连续 R 波之间的间隔（R–R）。这些宽度并不恒定、而是在摇动 —— 这就是 HRV。

三种解析领域

HRV 的解析方法，大体被整理成三个「领域」（Task Force, 1996; Shaffer & Ginsberg, 2017）。可以把它们想成是从不同角度观看同一组 R-R 间期数据的「镜片」。Feelmo 会从这些镜片中获得多个线索，把它们组合起来加以参考，而不单独依赖其中任何一个。

1. 时域（time-domain）

它把 R-R 间期的离散程度，表示为时间轴上的统计量。这是最直观、计算也最简单的镜片。

其中 整体的变动幅度 映照的是自律神经整体的运作（既包含交感、也包含副交感的“整体余裕”），是使用最广泛的综合视角之一。

2. 频域（frequency-domain）

它把 R-R 间期的摇动，分解成频率成分（快的摇动、慢的摇动）。用音乐来打比方，就像把一个和弦拆成构成它的一个个音来聆听的镜片。

• 单一频率比 比 — 过去曾被当作「交感与副交感的平衡」，但有研究指出这一解读过于简单（Billman, 2013）。Feelmo 不把 单一频率比 当作「平衡本身」

这些频率视角可以帮助理解呼吸、休息与恢复，但 Feelmo 不把某一个频率成分或简单比例直接当作分数。

图：吸气时心率会稍快，呼气时会稍慢（呼吸性窦性心律不齐，RSA）。这种呼吸性的摇动是理解副交感神经活动的重要线索（Berntson et al., 1993）。正因如此，缓慢而绵长地呼气的呼吸法，才能温柔地、直接地影响当下的心跳波动。

3. 非线性（nonlinear）

心跳节律并不是简单的周期，而是具有分形式的、复杂的结构。庞加莱图、熵、非线性指标 fluctuation analysis，去趋势波动分析）等，作为捕捉平衡的「质」与复杂性的方法被研究着（Shaffer & Ginsberg, 2017）。这种观点认为：健康的心脏节律是「恰到好处的复杂」—— 太单调或太紊乱，适应力都会下降。这一非线性的视角，也是我们在背后所珍视的思路。

测量方法 —— 心电图与光电传感器

• ECG（心电图） — 用电极直接记录心脏电活动的基准方法
• PPG（光电容积脉搏波） — Apple Watch 等所采用的方法，用 LED 的光捕捉血流的脉搏波。由此得到的拍间隔的变动，严格来说被称为 PRV（脉搏率变异性）

系统综述报告称，在安静状态下，PRV 与基于 ECG 的 HRV 吻合得很好（Schäfer & Vagedes, 2013）。另一方面，由于在身体活动或运动时吻合度会下降，安静与睡眠时的数据更受重视。Apple Watch 戴在手臂这一容易活动的部位测量，因此手腕一晃动就容易混入噪声 —— 这也是 Feelmo 特别看重「坐下来安定时」或「就寝中」数据的原因。

测量的时长与条件

• 标准的短时记录一直被定为 5 分钟（Task Force, 1996）
• 更短的「超短时」记录的妥当性因指标而异，有报告称 单一 HRV 指标 即便在较短的记录下也较为稳定（Munoz et al., 2015; Laborde et al., 2017）
• 无论哪个指标，都会受到姿势、呼吸、时间段、咖啡因、身体活动等的影响，因此统一测量条件比什么都重要（Laborde et al., 2017）

Feelmo 如何运用这些

在这些指标中，Feelmo 把 Apple Watch 得来的 HRV 所提供的 多个 HRV 线索、测量的稳定性，以及你与自己基线相比的变化一并作为轴心，温柔地翻译成心灵平衡度（Balance，0–100）。它并不是把某一个公开指标直接换算成分数。

解读它的原则，始终如一。

• 不与他人、而是与你自己的基线之差来解读。 不看「比平均高／低」，而是看「与平时的你相比，今天摇动得如何」
• 重视外部因素较少的条件下的测量 —— 尤其是睡眠中，或坐下来安定时。 由于手腕容易受身体活动影响，越是稳定情境下的数据越可信
• 比起分数本身，更要通过摆在它旁边的 6 位伙伴的表情来接收它。 我们把数字翻译成的不是「分数」，而是面向今天的你的、温柔的观察之语 —— 不下断言

具体如何整合多个指标、并转换成 0–100 的平衡度 —— 其确切的构成与权重，是共通基盘 Lumo Core 的核心，作为商业机密不予公开。在这里重要的是，Feelmo **并非「猜测情绪」，而是温柔守护自律神经的平衡（balance）**这一原则。关于背后的科学，也请参阅 平衡的科学；关于分数的读法，请参阅 什么是平衡度。

参考文献

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 单一频率比 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.