静息状态和实时运动状态心率变异性比较研究

石 波，张 莉，曹 阳，王丹妮，张文佳

1 蚌埠医学院医学影像学系，蚌埠市，233030

2 深圳迪美泰数字医学技术有限公司，深圳市，518067

静息状态和实时运动状态心率变异性比较研究

【作 者】石 波1，张 莉1，曹 阳2，王丹妮1，张文佳1

1 蚌埠医学院医学影像学系，蚌埠市，233030

2 深圳迪美泰数字医学技术有限公司，深圳市，518067

为了研究健康人群静息状态和实时运动状态心率变异性（HRV）的特点，该文采用心电记录仪记录16名大学生静坐和快走两种状态5 min心电数据，再利用Hilbert变换进行R波提取并得到RR间期序列，然后进行HRV时域参数、频域参数、Poincaré散点图参数分析以及去趋势波动分析。结果表明，快走状态的时域参数（Mean RR、SDNN、RMSSD）、频域参数（VLF、LF、HF、TP）、Poincaré散点图参数（SD1和SD2）较静坐状态均显著降低，差异均具有统计学意义（P < 0.001）；长时尺度分形指数（α2）较静坐状态升高，差异具有统计学意义（P < 0.05）；其他频域参数（LF norm、HF norm和LF/HF）和短时尺度分形指数（α1）较静坐状态差异均无统计学意义（P > 0.05）。本研究结果可为HRV在运动生理学和康复医学中的进一步应用提供特征指标和统计学依据。

心率变异性；静息；运动；高频功率；去趋势波动分析

0 引言

心率变异性（Heart Rate Variability，HRV）是指连续正常（窦性）心动周期之间时间上的微小差异，对这一指标的分析可定量评估自主神经系统中交感神经和迷走神经活动的张力及其平衡性[1]。自20世纪90年代以来，有关运动与HRV的研究逐渐流行起来，主要集中在不同运动量及运动类型对HRV的影响、运动前后HRV的变化等方面。在这些研究中，已经证实运动可以引起HRV的变化，如Casadei等[2]研究表明，HRV频域参数中低频功率（LF）和高频功率（HF）在运动中均下降；Macor等[3]通过仰卧赛车运动证实，与静息状态相比运动状态中的LF和HF变化与最大摄氧量有关。这些研究已经表明HRV是一种可靠的无创检测手段，但是研究中对于实时运动状态中的HRV参数分析较少，缺乏实时运动状态中HRV时域参数、频域参数和各种非线性参数的全面定量分析。本文对16名健康大学生志愿者在静坐和快走两种状态下的HRV时域参数、频域参数、Poincaré散点图参数、去趋势波分析（Detrended Fluctuation Analysis，DFA）分形尺度指数进行了定量计算，为HRV在运动生理学和康复医学中的应用提供特征指标和统计学依据。

1 方法

1.1 测试对象

实验对象为16名健康大学生志愿者，其中男生12名，女生4名，平均年龄(20.1±0.6)岁（均值±标准差）。受试者均无心血管疾病史，2周内无任何疾病的治疗和服药记录，测试前一晚要求保证睡眠，不进行剧烈运动。实验得到蚌埠医学院伦理委员会的批准，所有受试者均被告知实验的详细内容，并签署知情同意书。

1.2 测试方法

实验环境保持安静，温度保持(23±1)oC。实验所用心电采集仪器为Dicare-m1CP型微型心电记录仪（迪美泰），信号带宽设置为(0.5 ~ 40) Hz，采样率为200 sps，导联方式为V5导联，测量电极采用Ag/AgCl一次性使用心电电极片（申风）。记录受试者 5 min处于静坐放松状态的心电数据，然后记录在ZR11跑步机（Reebok）上以5 km/h时速快走5 min过程的心电数据。

1.3 RR间期计算

通常情况下，HRV各项参数是以分析RR间期（RR Interval，RRI）来获得，因此要先对采集的心电数据进行R波提取计算出RRI。本文采用Hilbert变换[4]进行R波提取。Hilbert变换是线性变换，对于一个心电信号来说，其变换可定义为：

由(1)式可以看出，与时间无关的分量在变换前后保持不变，因此(t)也可以表示为x(t)与(pt)-1的卷积形式，即

对式(2)两边进行傅里叶变换，可以得到：

其中，sgn f为符号函数，当f >0时为1，f =0时为0，f <0时为－1。

由于Hilbert变换本身是一个奇函数，因此，对信号进行Hilbert变换后，原始信号的拐点对应其Hilbert变换信号的一个过零点，对于过零点，Hilbert变换中将出现极值点[5]。利用Hilbert变换的这一特性，即可判别心电信号中R波的位置（如图1），从而计算出RRI。

图1 基于Hilbert变换的R波提取及RRI计算Fig.1 RRI calculation and R wave extraction based on Hilbert transform

1.4 HRV时域分析

应用数理统计方法对RRI序列进行统计学分析可以得到HRV时域参数，主要有全部正常窦性RRI均值Mean RR、全部正常窦性RRI标准差SDNN、相邻RRI之差的均方根RMSSD等。其中，SDNN和RMSSD的计算公式如下：

式中，N为全部正常窦性RRI总数，RRi和RRi+1分别是第i和第i+1个RRI，RR是全部N个RRI的平均值。

1.5 HRV频域分析

利用自回归(Auto Regressive，AR)模型对RRI序列进行功率谱密度(Power Spectral Density，PSD)分析，可以得到HRV频域参数，主要有极低频功率(VLF)、低频功率(LF)、高频功率(HF)、总功率(TP)、高频功率的峰值(HF Peak)、标准化的LF功率(LF norm)、标准化的HF功率(HF norm)、低频功率与高频功率的比值(LF/HF)。其中，LF norm和HF norm的计算公式为

在欧洲心脏学会和北美心脏起搏和电生理学会于1996年发表的有关HRV 的理论标准[1]中，建议HF带宽定义为(0.15~0.4) Hz。然而，Lewis等[6]研究表明，运动状态下的HF应定义为(0.15~2.0) Hz。本文研究中，运动状态是快走模式，HF Peak均小于0.7 Hz，因此，本文TP定义为(0~1.0)Hz，VLF定义为(0~0.04) Hz，LF定义为(0.04~0.15) Hz，HF定义为(0.15~1.0) Hz。图2为一名受试者快走状态下的5 min功率谱，可以看出，HF Peak为0.5 Hz，HF在1.0 Hz之内。

图2 一名受试者快走状态的PSD分析Fig.2 Analysis of PSD for a subject at fast walking

1.6 HRV散点图

Poincaré散点图是建立横轴为x、纵轴为y的二维坐标系，x轴的数值代表间期RRn，y轴的数值代表紧随其后的间期RR(n+1)。多数的研究者采用椭圆拟合的方法分析Poincaré散点图，短轴SD1和长轴SD2为定量分析的指标[7]。

1.7 HRV去趋势波分析

Peng等[8]于1994年首次提出DFA算法用于检测DNA内部分子链的相关性程度。随后，该算法被用于分析心跳时间序列的分形尺度指数和相关现象[9]。DFA的计算过程可描述如下[10]：对于一个给定的长度为N的RRI序列RRi，首先对于整个时间序列滤去其平均值，并求其累积量y(k)，有

将序列y(k)分成互不重合长度为n的若干个子序列，并在每个子序列中通过线性最小方差法获得其趋势yn(k)，然后计算波动函数F(n)，有

DFA的量化参数称为分形尺度指数α，可以通过F(n)关于子序列长度n的双对数图的斜率得到，关系式为F(n)∝n-α。DFA 在n接近16时会产生交叉（Crossover）现象，且两者呈现相反的趋势，因此，本文将α分解为短时分形尺度指数α1(4≤n≤16)和长时分形尺度指数α2(16≤n≤64)[11]。

1.8 统计学方法

所有实验数据采用SPSS 17.0软件进行统计学处理，结果以均值±标准差(x±s)表示，两组间比较采用t(或t')检验，以 P<0.05(双侧)表示差异具有统计学显著性意义。

2 结果

受试者静坐和快走5 min HRV时域参数、频域参数、Poincaré散点图参数以及DFA短时分形尺度指数分析结果如表1所示。统计结果表明，快走状态的时域参数(Mean RR、SDNN、RMSSD)、频域参数(VLF、LF、HF、TP)、Poincaré散点图参数(SD1和SD2)较静坐状态均显著降低，差异均具有统计学意义(P<0.001)；长时尺度分形指数(α2)较静坐状态升高，差异具有统计学意义(P<0.05)；其他频域参数(LF norm、HF norm和LF/HF)和短时尺度分形指数(α1)较静坐状态差异均无统计学意义(P>0.05)。

表1 静坐状态和快走状态5 min HRV 参数Tab.1 5 min HRV parameters at sitting and fast walking

HRV频域分析中，LF和HF频段的划分通常采用固定频段法，即LF定义为(0.04~0.15) Hz，HF定义为(0.15~0.4) Hz[12]。虽然本文已经将HF的带宽修正为(0.15~1.0) Hz，但是由于LF是交感神经和迷走神经共同作用的一个混合带，固定频段方法受呼吸频率和呼吸深度变化的影响很大，导致HF norm、LF norm和LF/HF不能反映出运动对HRV的影响，可能这也是导致运动中的LF/HF研究结果不一致[13-15]的原因。为此，本文进行了DFA短时分形尺度指数分析。短时分形尺度指数是由交感神经和迷走神经复杂的相互作用决定的。Tulppo等[16]的研究为α1与心脏自主神经平衡状态的关联性提供了以直接测量为依据的分析基础。本研究显示快走状态短时分形尺度指数α1较静坐状态差异无统计学意义(P>0.05)，与LF/HF的值一样无法用于交感神经和迷走神经相互作用的评价，但是这可以说明运动导致心率起伏变小，心率虽然增快，心率动力学分形特性没有改变；快走状态长时分形尺度指数α2较静坐状态升高，差异具有统计学意义(P<0.05)，表明α2可以用于运动状态中HRV的衡量指标。

3 结论

本文首先采用Dicare-m1CP型心电记录仪记录16名大学生静坐和快走两种状态5 min心电数据，再利用Hilbert变换进行R波提取并得到RR间期序列，然后进行HRV时域参数、频域参数、Poincaré散点图参数分析以及去趋势波动分析。结果表明，快走状态的时域参数(Mean RR、SDNN、RMSSD)、频域参数(VLF、LF、HF、TP)、Poincaré散点图参数(SD1和SD2)较静坐状态均显著降低，差异均具有统计学意义(P < 0.001)，长时尺度分形指数(α2)较静坐状态升高，差异具有统计学意义(P < 0.05)，其他频域参数(LF norm、HF norm和LF/HF)和短时尺度分形指数(α1)较静坐状态差异均无统计学意义(P > 0.05)。本研究结果可为HRV在运动生理学和康复医学中的应用提供特征指标参考和统计学依据。本文只是对静息状态和运动状态HRV各参数进行了的初步研究，对运动负荷进行定量分析各HRV参数应该具有更大的应用价值。

[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[J]. Circulation, 1996, 93(5): 1043-1065.

[2] Casadei B, Cochrane S, Johnsoton J, et al. Pitfalls in the interpretation of spectral analysis of the heart rate variability during exercise in humans[J]. Acta Physiol Scand, 1995, 153(2): 125-131.

[3] Macor F, Fagard R, Amery A. Power spectral analysis of RR interval and blood pressure short-term variability at rest and during dynamic exercise: comparison between cyclists and controls[J]. Int J Sports Med, 1996, 17(3): 175-181.

[4] Benitez D, Gaydecki P A, Zaidi A, et al. The use of the Hilbert transform in ECG signal analysis[J]. Comput Biol Med, 2001, 31(5): 399-406.

[5] 朱伟芳, 赵鹤鸣, 俞一彪. 基于经验模态分解和Hilbert变换的QRS综合波检测算法[J]. 中国生物医学工程学报, 2010, 29(3): 358-362.

[6] Lewis M J, Kingsley M, Short A L, et al. Influence of highfrequency bandwidth on heart rate variability analysis during physical exercise[J]. Biomed Signal Process Control, 2007, 2(1): 34-39.

[7] Khandoker A H, Karmakar C, Brennan M, et al. Poincaré plot methods for heart rate variability analysis[M]. New York: Springer US, 2013.

[8] Peng C K, Buldyrev SV, Havlin S, et al. Mosaic organization of DNA nucleotides[J]. Phys Rev E, 1994, 49(2): 1685-1689.

[9] Peng C K, Havlin S. Stanley H E, et al. Quantif i cation of scaling exponents and crossover phenomena in nonstationary heartbeat time series[J]. Chaos, 1995, 5(1): 82-87.

[10] Chen J L, Shiau Y H, Tseng Y J, et al. Concurrent sympathetic activation and vagal withdrawal in hyperthyroidism: evidence from detrended fluctuation analysis of heart rate variability[J]. Physica A, 2010, 389(9): 1861-1868.

[11] Tarvainen M P, Niskanen J P, Lipponen J A, et al. Kubios HRV heart rate variability analysis software[J]. Comput Meth Prog Bio, 2014, 113(1): 210-220.

[12] 李延军, 严洪, 梁仲刚, 等. 心率变异性频谱分析的信号分解及频段划分的比较研究[J]. 航天医学与医学工程, 2010, 23(6): 431-435.

[13] Perini R, Orizio C, Baselli G, et al. The influence of exercise intensity on the power spectrum of heart rate variability[J]. Eur J Appl Physiol, 1990, 61(1-2): 143-148.

[14] Kamath M V, Fallen E L, Mckelvie R. Effects of steady state exercise on the power spectrum of heart rate variability[J]. Med Sci Sport Exer, 1991, 23(4): 428-434.

[15] Tulppo M P, Mkikallio T H, Takala T E, et al. Quantitative beatto-beat analysis of heart rate dynamics during exercise[J]. Am J Physiol, 1996, 271(1 Pt 2): 244-252.

[16] Tulppo M P, Kiviniemi A M, Hautala A J, et al. Physiological background of the loss of fractal heart rate dynamics[J]. Circulation, 2005, 112(3): 314-319.

Comparison Study of Heart Rate Variability at Resting and Real-time Motional States

【Key words 】SHI Bo1, ZHANG Li1, TSAU Young2, WANG Danni1, ZHANG Wenjia1
1 Department of Medical Imaging, Bengbu Medical College, Bengbu, 233030
2 Dimetek Digital Medical Technologies Co. Ltd., Shenzhen, 518067

heart rate variability (HRV), rest, exercise, high frequency power, detrended fl uctuation analysis (DFA)

R318.6

A

10.3969/j.issn.1671-7104.2017.03.001

1671-7104(2017)03-0157-04

2016-06-30

安徽省教育厅自然科学研究重点项目（KJ2016A470）；国家级大学生创新创业训练计划项目（201510367012）

石波，E-mail: healink@foxmail.com

张莉，E-mail: li_zhang@bbmc.edu.cn

【 Abstract 】This study aims to discover the characteristics of heart rate variability of resting and real-time motional states in healthy population. The ECG data of 16 healthy young subjects during 5-minute resting and motion periods were recorded respectively. After that, the R wave was extracted through Hilbert transformation and the RR interval time series was computed. The calculations for HRV parameters in time and frequency domains, Poincaré scatter plots and the detrended fl uctuation analysis were conducted. Our study fi nds that, the measures of real-time motion in time domain (Mean RR, SDNN and RMSSD), the measures in frequency domain (VLF, LF, HF, TP), and the measures of Poincaré scatter plots are signi fi cantly less than those of resting state (P<0.001). The measure of long-term fractal exponent (α2) in real-time motion state is significantly higher than resting state (P<0.05). Between the two states, there are no statistically signi fi cant differences in other parameters of frequency domain (LF norm, HF norm, LF/HF) and short-term fractal exponent (α1), P>0.05. This study suggests that, the results can provide new characteristic signatures and statistical evidence for sport medicine or rehabilitation medicine.