靜息狀態(tài)和實(shí)時(shí)運(yùn)動(dòng)狀態(tài)心率變異性比較研究

石 波，張 莉，曹 陽，王丹妮，張文佳

1 蚌埠醫(yī)學(xué)院醫(yī)學(xué)影像學(xué)系，蚌埠市，233030

2 深圳迪美泰數(shù)字醫(yī)學(xué)技術(shù)有限公司，深圳市，518067

靜息狀態(tài)和實(shí)時(shí)運(yùn)動(dòng)狀態(tài)心率變異性比較研究

【作 者】石 波1，張 莉1，曹 陽2，王丹妮1，張文佳1

1 蚌埠醫(yī)學(xué)院醫(yī)學(xué)影像學(xué)系，蚌埠市，233030

2 深圳迪美泰數(shù)字醫(yī)學(xué)技術(shù)有限公司，深圳市，518067

為了研究健康人群靜息狀態(tài)和實(shí)時(shí)運(yùn)動(dòng)狀態(tài)心率變異性（HRV）的特點(diǎn)，該文采用心電記錄儀記錄16名大學(xué)生靜坐和快走兩種狀態(tài)5 min心電數(shù)據(jù)，再利用Hilbert變換進(jìn)行R波提取并得到RR間期序列，然后進(jìn)行HRV時(shí)域參數(shù)、頻域參數(shù)、Poincaré散點(diǎn)圖參數(shù)分析以及去趨勢(shì)波動(dòng)分析。結(jié)果表明，快走狀態(tài)的時(shí)域參數(shù)（Mean RR、SDNN、RMSSD）、頻域參數(shù)（VLF、LF、HF、TP）、Poincaré散點(diǎn)圖參數(shù)（SD1和SD2）較靜坐狀態(tài)均顯著降低，差異均具有統(tǒng)計(jì)學(xué)意義（P < 0.001）；長時(shí)尺度分形指數(shù)（α2）較靜坐狀態(tài)升高，差異具有統(tǒng)計(jì)學(xué)意義（P < 0.05）；其他頻域參數(shù)（LF norm、HF norm和LF/HF）和短時(shí)尺度分形指數(shù)（α1）較靜坐狀態(tài)差異均無統(tǒng)計(jì)學(xué)意義（P > 0.05）。本研究結(jié)果可為HRV在運(yùn)動(dòng)生理學(xué)和康復(fù)醫(yī)學(xué)中的進(jìn)一步應(yīng)用提供特征指標(biāo)和統(tǒng)計(jì)學(xué)依據(jù)。

心率變異性；靜息；運(yùn)動(dòng)；高頻功率；去趨勢(shì)波動(dòng)分析

0 引言

心率變異性（Heart Rate Variability，HRV）是指連續(xù)正常（竇性）心動(dòng)周期之間時(shí)間上的微小差異，對(duì)這一指標(biāo)的分析可定量評(píng)估自主神經(jīng)系統(tǒng)中交感神經(jīng)和迷走神經(jīng)活動(dòng)的張力及其平衡性[1]。自20世紀(jì)90年代以來，有關(guān)運(yùn)動(dòng)與HRV的研究逐漸流行起來，主要集中在不同運(yùn)動(dòng)量及運(yùn)動(dòng)類型對(duì)HRV的影響、運(yùn)動(dòng)前后HRV的變化等方面。在這些研究中，已經(jīng)證實(shí)運(yùn)動(dòng)可以引起HRV的變化，如Casadei等[2]研究表明，HRV頻域參數(shù)中低頻功率（LF）和高頻功率（HF）在運(yùn)動(dòng)中均下降；Macor等[3]通過仰臥賽車運(yùn)動(dòng)證實(shí)，與靜息狀態(tài)相比運(yùn)動(dòng)狀態(tài)中的LF和HF變化與最大攝氧量有關(guān)。這些研究已經(jīng)表明HRV是一種可靠的無創(chuàng)檢測(cè)手段，但是研究中對(duì)于實(shí)時(shí)運(yùn)動(dòng)狀態(tài)中的HRV參數(shù)分析較少，缺乏實(shí)時(shí)運(yùn)動(dòng)狀態(tài)中HRV時(shí)域參數(shù)、頻域參數(shù)和各種非線性參數(shù)的全面定量分析。本文對(duì)16名健康大學(xué)生志愿者在靜坐和快走兩種狀態(tài)下的HRV時(shí)域參數(shù)、頻域參數(shù)、Poincaré散點(diǎn)圖參數(shù)、去趨勢(shì)波分析（Detrended Fluctuation Analysis，DFA）分形尺度指數(shù)進(jìn)行了定量計(jì)算，為HRV在運(yùn)動(dòng)生理學(xué)和康復(fù)醫(yī)學(xué)中的應(yīng)用提供特征指標(biāo)和統(tǒng)計(jì)學(xué)依據(jù)。

1 方法

1.1 測(cè)試對(duì)象

實(shí)驗(yàn)對(duì)象為16名健康大學(xué)生志愿者，其中男生12名，女生4名，平均年齡(20.1±0.6)歲（均值±標(biāo)準(zhǔn)差）。受試者均無心血管疾病史，2周內(nèi)無任何疾病的治療和服藥記錄，測(cè)試前一晚要求保證睡眠，不進(jìn)行劇烈運(yùn)動(dòng)。實(shí)驗(yàn)得到蚌埠醫(yī)學(xué)院倫理委員會(huì)的批準(zhǔn)，所有受試者均被告知實(shí)驗(yàn)的詳細(xì)內(nèi)容，并簽署知情同意書。

1.2 測(cè)試方法

實(shí)驗(yàn)環(huán)境保持安靜，溫度保持(23±1)oC。實(shí)驗(yàn)所用心電采集儀器為Dicare-m1CP型微型心電記錄儀（迪美泰），信號(hào)帶寬設(shè)置為(0.5 ~ 40) Hz，采樣率為200 sps，導(dǎo)聯(lián)方式為V5導(dǎo)聯(lián)，測(cè)量電極采用Ag/AgCl一次性使用心電電極片（申風(fēng)）。記錄受試者 5 min處于靜坐放松狀態(tài)的心電數(shù)據(jù)，然后記錄在ZR11跑步機(jī)（Reebok）上以5 km/h時(shí)速快走5 min過程的心電數(shù)據(jù)。

1.3 RR間期計(jì)算

通常情況下，HRV各項(xiàng)參數(shù)是以分析RR間期（RR Interval，RRI）來獲得，因此要先對(duì)采集的心電數(shù)據(jù)進(jìn)行R波提取計(jì)算出RRI。本文采用Hilbert變換[4]進(jìn)行R波提取。Hilbert變換是線性變換，對(duì)于一個(gè)心電信號(hào)來說，其變換可定義為：

由(1)式可以看出，與時(shí)間無關(guān)的分量在變換前后保持不變，因此(t)也可以表示為x(t)與(pt)-1的卷積形式，即

對(duì)式(2)兩邊進(jìn)行傅里葉變換，可以得到：

其中，sgn f為符號(hào)函數(shù)，當(dāng)f >0時(shí)為1，f =0時(shí)為0，f <0時(shí)為－1。

由于Hilbert變換本身是一個(gè)奇函數(shù)，因此，對(duì)信號(hào)進(jìn)行Hilbert變換后，原始信號(hào)的拐點(diǎn)對(duì)應(yīng)其Hilbert變換信號(hào)的一個(gè)過零點(diǎn)，對(duì)于過零點(diǎn)，Hilbert變換中將出現(xiàn)極值點(diǎn)[5]。利用Hilbert變換的這一特性，即可判別心電信號(hào)中R波的位置（如圖1），從而計(jì)算出RRI。

圖1 基于Hilbert變換的R波提取及RRI計(jì)算Fig.1 RRI calculation and R wave extraction based on Hilbert transform

1.4 HRV時(shí)域分析

應(yīng)用數(shù)理統(tǒng)計(jì)方法對(duì)RRI序列進(jìn)行統(tǒng)計(jì)學(xué)分析可以得到HRV時(shí)域參數(shù)，主要有全部正常竇性RRI均值Mean RR、全部正常竇性RRI標(biāo)準(zhǔn)差SDNN、相鄰RRI之差的均方根RMSSD等。其中，SDNN和RMSSD的計(jì)算公式如下：

式中，N為全部正常竇性RRI總數(shù)，RRi和RRi+1分別是第i和第i+1個(gè)RRI，RR是全部N個(gè)RRI的平均值。

1.5 HRV頻域分析

利用自回歸(Auto Regressive，AR)模型對(duì)RRI序列進(jìn)行功率譜密度(Power Spectral Density，PSD)分析，可以得到HRV頻域參數(shù)，主要有極低頻功率(VLF)、低頻功率(LF)、高頻功率(HF)、總功率(TP)、高頻功率的峰值(HF Peak)、標(biāo)準(zhǔn)化的LF功率(LF norm)、標(biāo)準(zhǔn)化的HF功率(HF norm)、低頻功率與高頻功率的比值(LF/HF)。其中，LF norm和HF norm的計(jì)算公式為

在歐洲心臟學(xué)會(huì)和北美心臟起搏和電生理學(xué)會(huì)于1996年發(fā)表的有關(guān)HRV 的理論標(biāo)準(zhǔn)[1]中，建議HF帶寬定義為(0.15~0.4) Hz。然而，Lewis等[6]研究表明，運(yùn)動(dòng)狀態(tài)下的HF應(yīng)定義為(0.15~2.0) Hz。本文研究中，運(yùn)動(dòng)狀態(tài)是快走模式，HF Peak均小于0.7 Hz，因此，本文TP定義為(0~1.0)Hz，VLF定義為(0~0.04) Hz，LF定義為(0.04~0.15) Hz，HF定義為(0.15~1.0) Hz。圖2為一名受試者快走狀態(tài)下的5 min功率譜，可以看出，HF Peak為0.5 Hz，HF在1.0 Hz之內(nèi)。

圖2 一名受試者快走狀態(tài)的PSD分析Fig.2 Analysis of PSD for a subject at fast walking

1.6 HRV散點(diǎn)圖

Poincaré散點(diǎn)圖是建立橫軸為x、縱軸為y的二維坐標(biāo)系，x軸的數(shù)值代表間期RRn，y軸的數(shù)值代表緊隨其后的間期RR(n+1)。多數(shù)的研究者采用橢圓擬合的方法分析Poincaré散點(diǎn)圖，短軸SD1和長軸SD2為定量分析的指標(biāo)[7]。

1.7 HRV去趨勢(shì)波分析

Peng等[8]于1994年首次提出DFA算法用于檢測(cè)DNA內(nèi)部分子鏈的相關(guān)性程度。隨后，該算法被用于分析心跳時(shí)間序列的分形尺度指數(shù)和相關(guān)現(xiàn)象[9]。DFA的計(jì)算過程可描述如下[10]：對(duì)于一個(gè)給定的長度為N的RRI序列RRi，首先對(duì)于整個(gè)時(shí)間序列濾去其平均值，并求其累積量y(k)，有

將序列y(k)分成互不重合長度為n的若干個(gè)子序列，并在每個(gè)子序列中通過線性最小方差法獲得其趨勢(shì)yn(k)，然后計(jì)算波動(dòng)函數(shù)F(n)，有

DFA的量化參數(shù)稱為分形尺度指數(shù)α，可以通過F(n)關(guān)于子序列長度n的雙對(duì)數(shù)圖的斜率得到，關(guān)系式為F(n)∝n-α。DFA 在n接近16時(shí)會(huì)產(chǎn)生交叉（Crossover）現(xiàn)象，且兩者呈現(xiàn)相反的趨勢(shì)，因此，本文將α分解為短時(shí)分形尺度指數(shù)α1(4≤n≤16)和長時(shí)分形尺度指數(shù)α2(16≤n≤64)[11]。

1.8 統(tǒng)計(jì)學(xué)方法

所有實(shí)驗(yàn)數(shù)據(jù)采用SPSS 17.0軟件進(jìn)行統(tǒng)計(jì)學(xué)處理，結(jié)果以均值±標(biāo)準(zhǔn)差(x±s)表示，兩組間比較采用t(或t')檢驗(yàn)，以 P<0.05(雙側(cè))表示差異具有統(tǒng)計(jì)學(xué)顯著性意義。

2 結(jié)果

受試者靜坐和快走5 min HRV時(shí)域參數(shù)、頻域參數(shù)、Poincaré散點(diǎn)圖參數(shù)以及DFA短時(shí)分形尺度指數(shù)分析結(jié)果如表1所示。統(tǒng)計(jì)結(jié)果表明，快走狀態(tài)的時(shí)域參數(shù)(Mean RR、SDNN、RMSSD)、頻域參數(shù)(VLF、LF、HF、TP)、Poincaré散點(diǎn)圖參數(shù)(SD1和SD2)較靜坐狀態(tài)均顯著降低，差異均具有統(tǒng)計(jì)學(xué)意義(P<0.001)；長時(shí)尺度分形指數(shù)(α2)較靜坐狀態(tài)升高，差異具有統(tǒng)計(jì)學(xué)意義(P<0.05)；其他頻域參數(shù)(LF norm、HF norm和LF/HF)和短時(shí)尺度分形指數(shù)(α1)較靜坐狀態(tài)差異均無統(tǒng)計(jì)學(xué)意義(P>0.05)。

表1 靜坐狀態(tài)和快走狀態(tài)5 min HRV 參數(shù)Tab.1 5 min HRV parameters at sitting and fast walking

HRV頻域分析中，LF和HF頻段的劃分通常采用固定頻段法，即LF定義為(0.04~0.15) Hz，HF定義為(0.15~0.4) Hz[12]。雖然本文已經(jīng)將HF的帶寬修正為(0.15~1.0) Hz，但是由于LF是交感神經(jīng)和迷走神經(jīng)共同作用的一個(gè)混合帶，固定頻段方法受呼吸頻率和呼吸深度變化的影響很大，導(dǎo)致HF norm、LF norm和LF/HF不能反映出運(yùn)動(dòng)對(duì)HRV的影響，可能這也是導(dǎo)致運(yùn)動(dòng)中的LF/HF研究結(jié)果不一致[13-15]的原因。為此，本文進(jìn)行了DFA短時(shí)分形尺度指數(shù)分析。短時(shí)分形尺度指數(shù)是由交感神經(jīng)和迷走神經(jīng)復(fù)雜的相互作用決定的。Tulppo等[16]的研究為α1與心臟自主神經(jīng)平衡狀態(tài)的關(guān)聯(lián)性提供了以直接測(cè)量為依據(jù)的分析基礎(chǔ)。本研究顯示快走狀態(tài)短時(shí)分形尺度指數(shù)α1較靜坐狀態(tài)差異無統(tǒng)計(jì)學(xué)意義(P>0.05)，與LF/HF的值一樣無法用于交感神經(jīng)和迷走神經(jīng)相互作用的評(píng)價(jià)，但是這可以說明運(yùn)動(dòng)導(dǎo)致心率起伏變小，心率雖然增快，心率動(dòng)力學(xué)分形特性沒有改變；快走狀態(tài)長時(shí)分形尺度指數(shù)α2較靜坐狀態(tài)升高，差異具有統(tǒng)計(jì)學(xué)意義(P<0.05)，表明α2可以用于運(yùn)動(dòng)狀態(tài)中HRV的衡量指標(biāo)。

3 結(jié)論

本文首先采用Dicare-m1CP型心電記錄儀記錄16名大學(xué)生靜坐和快走兩種狀態(tài)5 min心電數(shù)據(jù)，再利用Hilbert變換進(jìn)行R波提取并得到RR間期序列，然后進(jìn)行HRV時(shí)域參數(shù)、頻域參數(shù)、Poincaré散點(diǎn)圖參數(shù)分析以及去趨勢(shì)波動(dòng)分析。結(jié)果表明，快走狀態(tài)的時(shí)域參數(shù)(Mean RR、SDNN、RMSSD)、頻域參數(shù)(VLF、LF、HF、TP)、Poincaré散點(diǎn)圖參數(shù)(SD1和SD2)較靜坐狀態(tài)均顯著降低，差異均具有統(tǒng)計(jì)學(xué)意義(P < 0.001)，長時(shí)尺度分形指數(shù)(α2)較靜坐狀態(tài)升高，差異具有統(tǒng)計(jì)學(xué)意義(P < 0.05)，其他頻域參數(shù)(LF norm、HF norm和LF/HF)和短時(shí)尺度分形指數(shù)(α1)較靜坐狀態(tài)差異均無統(tǒng)計(jì)學(xué)意義(P > 0.05)。本研究結(jié)果可為HRV在運(yùn)動(dòng)生理學(xué)和康復(fù)醫(yī)學(xué)中的應(yīng)用提供特征指標(biāo)參考和統(tǒng)計(jì)學(xué)依據(jù)。本文只是對(duì)靜息狀態(tài)和運(yùn)動(dòng)狀態(tài)HRV各參數(shù)進(jìn)行了的初步研究，對(duì)運(yùn)動(dòng)負(fù)荷進(jìn)行定量分析各HRV參數(shù)應(yīng)該具有更大的應(yīng)用價(jià)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] 朱偉芳, 趙鶴鳴, 俞一彪. 基于經(jīng)驗(yàn)?zāi)B(tài)分解和Hilbert變換的QRS綜合波檢測(cè)算法[J]. 中國生物醫(yī)學(xué)工程學(xué)報(bào), 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] 李延軍, 嚴(yán)洪, 梁仲剛, 等. 心率變異性頻譜分析的信號(hào)分解及頻段劃分的比較研究[J]. 航天醫(yī)學(xué)與醫(yī)學(xué)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

安徽省教育廳自然科學(xué)研究重點(diǎn)項(xiàng)目（KJ2016A470）；國家級(jí)大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目（201510367012）

石波，E-mail: healink@foxmail.com

張莉，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.