1. 心率变异性时域分析究竟在算些什么

心率变异性时域分析，说白了就是把一段连续心搏记录里每个相邻心跳的间隔时间（RR间期）抠出来，剔除掉不正常的那些，剩下的正常间期序列（NN间期）在时间轴上做统计——算标准差、算差值、算超过某个阈值的个数、算直方图形状。它不做傅里叶变换，不画功率谱，也不拟合复杂度曲线，只盯着"心跳间隔这个数本身怎么波动"。正因为门槛低、算得快、结果单位直观（毫秒、百分比、个数），它成了心率变异性分析里最早落地、也最容易被临床和消费级设备同时接受的一条技术路线。

这套方法能回答什么问题？粗线条上说三类：整体自主神经调节能力还剩多少、副交感（迷走）那一侧的张力够不够、昼夜之间的慢变化节律还在不在。心梗后风险分层、糖尿病自主神经病变筛查、压力与疲劳评估、睡眠质量观察、运动后恢复监测，甚至围手术期的心律监测，都会拿这几个时域数字当第一道筛子。适合谁看？做生理信号算法的工程师、做可穿戴产品指标定义的同行、临床做动态心电图分析的技师和医生、以及想把自家设备数据讲明白的产品同学。不需要你有信号处理博士背景，但得愿意在数据清洗上花心思——这是全文我最想反复强调的一点。

我先说个常被忽略的事实：时域指标算错，八成不是公式写错，而是喂进去的序列本身脏。异位搏动、漏搏、运动伪差、设备丢帧，任何一个都会把SDNN和RMSSD拽到离谱的数值上，而且错得"看起来很正常"，你根本发现不了。所以这篇不按教科书的顺序走，先把地基讲透，再拆指标，最后落到临床解读和实操代码。

1.1 时域、频域、非线性三条路线怎么分工

时域分析只看相邻间期的差值和时间序列的离散程度，频域分析把序列看成不同频率成分的叠加，非线性分析关心序列的复杂度和自相似性。三者不是替代关系，是不同分辨率的镜头。时域的优势是短线数据也能算、对采样率要求相对宽松、结果好解释；频域的优势是能拆出交感/迷走的分工，但它对记录时长和序列平稳性要求更苛刻，5分钟短记录做频域，低频段的分辨率其实很勉强；非线性指标（如样本熵、D2）在科研里很火，但落到产品上，解释成本高、重复性争议大。

我在实际项目里的取舍是这样的：如果只有可穿戴设备能拿到的短片段（比如夜间连续几小时的PPG），优先上时域，把RMSSD和pNN50做扎实，频域只作为辅助参考；如果手里有标准的24小时动态心电图，时域和频域一起出，因为长记录能把SDANN这类慢变化指标的价值榨出来。别为了"显得高级"硬塞非线性指标，绝大多数使用场景根本解释不了熵值从1.3掉到1.1意味着什么。

注意：时域指标对"时长"极度敏感。同一个人的SDNN，5分钟记录和24小时记录能差出三四倍，这不是算法问题，是定义问题。任何展示这些数字的地方，都必须把记录时长一起标出来。

1.2 时域分析真正的长处：可追溯、可复算、可落地

我见过不少团队一上来就堆机器学习模型，最后临床方问一句"这个分数是怎么来的"，全场沉默。时域指标的好处就在这儿——每个数字都能从原始RR序列一步步复算回去，出了问题能定位到具体哪一段、哪一个搏动。这种可追溯性在需要给出解释的场景里，价值远超模型精度那零点几个点的提升。

另一个好处是实现成本低。一段两百行的Python就能覆盖全部核心指标，嵌入式端更是几十行C就够，不需要浮点FFT，不需要大内存。对于功耗敏感的腕上设备，这一点很关键：算RMSSD的增量开销几乎可以忽略，而做频域就得缓存整段数据、做重采样、跑变换，功耗和内存直接上一个台阶。

当然它的短板也得说清楚：时域指标没法告诉你"交感多了还是迷走少了"，只能给你一个综合的离散程度；它对非平稳信号的处理很粗糙，一个人白天开会和晚上睡觉的数据混在一起算SDNN，得到的数字既不代表白天也不代表晚上。所以后面我会专门讲分段和分时段统计。

1.3 一个绕不开的前提：干净的NN序列

RR间期和NN间期不是一个东西。RR是设备测出来的相邻R波间隔，里面混着房早、室早、漏检、伪差；NN是筛掉这些之后的正常窦性间期。所有时域指标的定义里写的都是NN，不是RR。这个区别在教科书上只有一行字，在现场能决定一份报告可不可信。

举个我踩过的坑：某批次胸带数据在受试者翻身时会出现大量丢搏，一段30秒里只剩十几个RR点。如果直接算，RMSSD会因为那几个超长的"假间期"飙到200ms以上，报告显示"迷走张力极高"，实际上是设备在撒谎。后来加了丢搏检测和最小有效段长度约束，问题才压下去。这件事让我养成了一个习惯：任何HRV结果出来之前，先看数据质量报表，看剔除比例、看最长连续有效段、看有没有整段平坦。质量不过关，数字再漂亮也不发。

2. 采集与预处理：所有指标的地基

时域指标的计算量小到可以忽略，真正吃掉八成工作量的是采集和清洗。这一段我按数据从设备出来的顺序讲：先选信号源，再定记录时长，然后处理伪差和异位搏动，最后确认时间分辨率够不够。

2.1 信号源怎么选：ECG、PPG、胸带各有各的脾气

单导联ECG是金标准路线，R波尖锐、定位精度高，采样率250Hz以上就足够，配合简单的Pan-Tompkins类检测器就能拿到很干净的搏动时刻。它的软肋是运动伪差和电极接触，受试者一动，基线漂移加上肌电干扰，R波检测直接崩。

PPG（光电容积脉搏波）是可穿戴设备的主流，胜在舒适、能长期戴，但它测的是脉搏波而不是心电，外周血管的传导延迟会让每个搏动的时刻产生几十毫秒的抖动，这个抖动对SDNN这种"算整体离散度"的指标影响相对温和，但对RMSSD和pNN50这种"算相邻差值"的指标就是灾难——因为差值本身只有二三十毫秒量级，噪声直接淹掉信号。我做过对比，同一段安静坐姿数据，ECG算出的RMSSD是42ms，PPG算是58ms，差值全来自测量抖动。

胸带（压电或应变式）介于两者之间，呼吸和体位变化会带来周期性基线波动，但搏动定位其实不差，适合睡眠和静息场景。选型建议很直接：需要RMSSD/pNN50做精细判断的，用ECG；只做趋势观察和长期随访的，PPG够用，但别拿它跟ECG的绝对值做横向比较。

2.2 记录时长定多长：5分钟和24小时是两个世界

短时记录一般取5分钟，这是历史沿革下来的惯例，也是频域分析能勉强成立的最短长度。5分钟记录能算SDNN、RMSSD、pNN50，但算不了SDANN（需要至少20小时以上才能体现昼夜节律）。长时记录通常是24小时动态心电图，能出全套指标，但前提是受试者的日常活动没有被刻意限制，否则"自由活动下的节律"这个前提就没了。

这里有个很容易被忽略的细节：5分钟到底从哪儿开始切。指南性的做法是取一段相对平稳的时段，避开明显活动、说话、情绪波动。我实际操作时会先把24小时数据按5分钟切块，算每块的SDNN和平均心率，把心率突变超过一定幅度、或者SDNN明显离群的块标记出来，再从剩下的块里挑一段质量最好的做短时分析。这个过程比"随便截前5分钟"靠谱得多。

2.3 伪差与异位搏动的处理流程

我把清洗拆成四道关，顺序不能乱。第一道是生理范围过滤：把换算后心率低于30bpm或高于220bpm的间期直接判为无效，这一关能拦掉大部分漏搏和设备重启产生的超长间期。第二道是局部中位数规则：用一个滑动窗口（我常用21个搏动）取中位数，凡是偏离中位数超过20%的间期标记为可疑，这一关抓的是房早、室早这类"提前出现又带代偿间歇"的搏动。第三道是丢搏与重复检测检测：如果某个间期接近前一个的两倍，很可能是漏检了一个R波；如果接近一半，可能是重复检测。第四道是整段质量门限：一段数据里被标记的比例超过5%，或者最长连续有效段短于一定长度，这段数据直接判为不可用，不出指标。

顺序为什么不能乱？如果先做局部中位数，一个超长的漏搏间期会把窗口内的中位数拉偏，导致它旁边的正常搏动被误杀。先做生理范围过滤，把明显的离群点清掉，中位数窗口才干净。这个细节我在早期版本里栽过，剔除了正常搏动还不自知，最后SDNN被系统性低估。

注意：异位搏动有两种处理策略——剔除该搏动、或者用插值补上。剔除会让序列出现时间断裂，影响以时间为轴的统计；插值会人为平滑掉变异，让RMSSD偏低。我的选择是：算SDNN类指标时用剔除+保留时间戳，算RMSSD/pNN50时用剔除后直接连起来（相当于承认这一段缺失），并在报告里注明剔除比例。两种做法都有人用，关键是前后一致，别同一批数据混着来。

2.4 采样率与时间分辨率：一个容易被低估的误差源

ECG采样率250Hz意味着每个采样点4ms，R波定位误差通常在±1个采样点，也就是±4ms。这个误差对NN间期的影响是双向的，在SDNN这种"看整体离散"的指标上，误差会部分抵消；但在RMSSD上，它是纯粹的正向偏置——两个相邻间期各自带±4ms误差，差值的误差可能到±8ms，平方之后取均值，RMSSD会被系统性地抬高。

实测经验：250Hz采样下，RMSSD的偏置大约在1–3ms量级，对健康人40ms左右的数值影响不大；但如果你的受试者RMSSD本身只有15ms（比如某些长期疲劳或高龄人群），这3ms就不能忽略了。想压低这个误差，两条路：提高采样率到500Hz以上，或者用抛物线插值对R波峰做亚采样点定位。后者成本低，效果也不错，我在好几个项目里都用过。

PPG这边的问题更麻烦，采样率通常只有25–50Hz，一个采样点就是20–40ms，靠峰值定位根本不够，必须做上升沿切线法或者基于模板的时延估计。这也是我前面说PPG不适合精细算RMSSD的原因。

3. 六个核心时域指标逐个拆解

指标不多，但每一个的适用边界都不一样，混着用就会得出互相矛盾的结论。我按"从粗到细"的顺序过一遍，每个都讲清楚它在算什么、什么时候会骗你。

3.1 基础量：平均NN间期与平均心率

平均NN间期就是整段NN的算术平均，单位毫秒；平均心率是60除以它。这两个量本身不算"变异性"，但它们是所有变异性指标的分母和背景。为什么必须一起报？因为心率本身会改变变异性的绝对值——心率快的时候，同样的自主神经调节水平，SDNN和RMSSD的绝对值会偏小。这叫"心率依赖"，是把不同心率状态下的HRV直接横比时最大的坑。

我处理这个问题有两个办法。一是做心率归一化，把RMSSD除以平均NN间期（有些文献叫RMSSD/MeanNN），或者用对数变换后的指标；二是分组比较，只在心率区间相近的样本之间比HRV。前者适合做连续变量的回归分析，后者适合做组间对照。哪种更好没有定论，但至少得意识到这个混淆因素存在，别拿一个心率75的人和一个心率55的人的RMSSD直接对比然后下结论。

3.2 SDNN：一个"什么都算进去"的整体离散度

SDNN是全部NN间期的标准差，公式平平无奇，但它的含义很模糊——它把交感的影响、迷走的影响、昼夜节律、呼吸性窦性心律不齐、甚至体温调节带来的缓慢波动全部打包在一起。所以严格讲，SDNN不是"某一个系统"的指标，它是"整体调节能力"的粗粒度反映。

正因为它什么都算，所以它对时长极其敏感。5分钟记录的SDNN通常在20–70ms，24小时记录能到100–150ms甚至更高，差的就是那些慢变化成分。这意味着两件事：第一，SDNN的参考值必须绑定记录时长；第二，短时SDNN和长时SDNN不能放在一张图上比较。

临床上最有名的应用是心梗后风险分层。多项研究观察到，心梗后SDNN明显降低的人群，后续心血管事件的风险更高。请注意措辞：是"相关"和"风险更高"，不是"能确诊什么"。这一点在写报告和做产品文案时必须守住，任何把SDNN低直接等同于某种疾病的表述都是越界的。

3.3 SDANN 与 SDNN index：把慢变化和快变化拆开

SDANN的做法是把24小时记录按5分钟切成若干段，算每段的平均NN间期，再对这些平均值求标准差。它反映的是比5分钟更慢的变化，主要是昼夜节律和体位变化带来的自主神经张力迁移。数值上它通常比SDNN小，因为把段内的快变化平滑掉了。

SDNN index（也叫SDNNI）反过来，算每段5分钟SDNN，再对这些SDNN求平均。它反映的是段内的平均离散程度，滤掉了段间的慢变化。这两个指标一拆，SDNN就被分解成了"慢分量"和"快分量"两部分，解释力立刻上一个台阶。

实操中的关键是分段方式。标准做法是整段记录从零点开始每5分钟一刀切，每段必须有足够多的有效搏动（我用的门限是一段内有效NN不少于该段理论搏动数的80%），不满足的段直接跳过。全天有效段数少于一定比例（比如不到总段数的一半），SDANN就不可靠，报告里要标注。我见过有人把有大量缺失的24小时数据直接算SDANN，结果因为跳过了大量白天段，剩下的全是夜间段，SDANN被压到很低，结论完全跑偏。

3.4 RMSSD：短时迷走活性的主力指标

RMSSD是相邻NN间期差值的均方根，公式是先把所有相邻差值平方、求平均、再开方。它只关心"相邻两个搏动之间变了多少"，所以对呼吸性窦性心律不齐特别敏感——吸气时心率加快、呼气时减慢，这个周期性的快慢交替正是迷走神经在起作用。因此RMSSD被广泛当作短时迷走（副交感）活性的代理指标。

它有个很好的性质：对缓慢的趋势变化不敏感。一段数据整体心率在缓慢下降，SDNN会把这个趋势算进离散度里，RMSSD基本不受影响，因为相邻差值还是那个量级。这也是为什么短时记录、甚至超短时记录（1分钟）做压力反馈时，大家更愿意用RMSSD而不是SDNN。

但它的短板同样明显。第一，对测量噪声极度敏感，前面说的采样率偏置、PPG抖动，全都会直接进到RMSSD里。第二，它对异位搏动零容忍——一个房早产生的巨大差值，平方之后会以极大的权重污染整个结果。我做过实验：在400个搏动的序列里插入一个错误的短间期（前后差100ms），RMSSD从41ms涨到47ms，涨幅超过10%。所以清洗里那一步"剔除后直接连起来"对RMSSD是有代价的，这个代价必须心里有数。

3.5 NN50 与 pNN50：最直观的计数型指标

NN50是相邻NN间期差值绝对值超过50ms的对数，pNN50是它占全部差值的百分比。这两个指标的好处是极其直观——"相邻心跳间隔变化超过50毫秒的比例"，一听就懂，不需要解释什么是标准差。它和RMSSD高度相关，反映的也是短时迷走活性，但相关不等于等价，在噪声较大的数据上两者会分道扬镳：因为NN50用的是硬阈值，噪声带来的小幅抖动不会让它计数，而RMSSD会把噪声平方放大。

50ms这个阈值是历史沿革来的，对应大约每分钟12次的呼吸频率下的窦性心律不齐幅度。对于心率较快的人群（比如儿童、运动中的成人），相邻差值的整体量级偏小，pNN50会系统性偏低，这时候可以换成pNN20或pNN10。我在做运动恢复监测时就用pNN20，因为运动后短时间内相邻差值普遍到不了50ms，pNN50几乎恒为零，没有区分度。

3.6 几何类指标：三角指数与TINN

HRV三角指数是把全部NN间期按1/128秒（约7.8125ms）的宽度分箱做直方图，用总搏动数除以直方图最高峰的值。它的几何意义是"这个分布有多集中"，分布越窄越尖，指数越大。TINN则是用三角形去拟合这个直方图的底边宽度，单位是毫秒。

这两个指标的特点是抗噪性相对好，因为它们基于分布形状而不是逐点差值，个别异常值影响有限。缺点是需要的搏动数多，短于20分钟的记录算出来的直方图根本不成形，参考意义有限。另外分箱宽度必须严格按1/128秒来，自己随便定个10ms的箱子，算出来的数字跟文献上的没法比。我在评审别人的实现时，第一眼就看这个分箱宽度，几乎每次都能抓到问题。

3.7 指标之间的冗余与取舍

这几个指标不是彼此独立的。SDNN和SDANN在长记录里相关性很高，RMSSD和pNN50相关性通常在0.8以上，三角指数和SDNN也有不错的相关。如果你的目的是做特征工程喂模型，直接全塞进去会带来严重的共线性；如果目的是做报告呈现，堆六七个数字反而让读的人抓不住重点。

我的建议是分层呈现：第一层放平均心率和SDNN，给出整体印象；第二层放RMSSD（或pNN50），给出迷走张力；第三层在长记录里放SDANN，给出节律信息。三角指数和TINN作为方法学附录，除非你的场景明确需要它（比如某些标准化研究需要跟历史数据对齐），否则不进主报告。

4. 从数字到意义：临床与真实场景的解读

算出数字只是中点，不是终点。这一节讲讲这些数字在不同场景里到底怎么用，以及用的时候最容易犯哪些错。先说一句总纲：时域指标是"状态描述"，不是"诊断结论"，任何把它当成单一判定依据的做法都会出问题。

4.1 心梗后风险分层：最经典也最需要谨慎的应用

这是时域分析在临床上根基最深的场景。大致逻辑是：心肌受损后，心脏的自主神经支配受到影响，表现为整体心率变异性下降，而变异性下降与后续不良事件的发生率相关。经典做法是用24小时记录算SDNN，把人群按数值分层观察随访结果。

但这里有几个必须说清楚的边界。第一，这是群体层面的统计学关联，落到个体身上，一个SDNN偏低的人完全可能什么事都没有，不能据此下任何个体化的结论。第二，测量时点很关键，急性期做和恢复期做，数值差别很大，混在一起分析没有意义。第三，药物影响巨大，某些影响自主神经的药物会显著改变HRV，分析时必须把用药情况作为变量控制住。我在参与一个回顾性分析时，最初没有分层用药情况，结论反复摇摆，加上分层之后信号才清晰起来。

4.2 糖尿病自主神经病变：时域指标作为早期提示

自主神经病变往往比症状出现得早，而心率变异性的下降是相对早期的表现之一。常见做法是做一组简单的体位或呼吸动作（比如深呼吸、站立），对比动作前后的时域指标变化幅度，变化幅度明显减小的提示调节反应减弱。

这里的操作细节很要命。深呼吸试验要求呼吸频率固定在每分钟6次，每个周期吸气和呼气各5秒，做够1分钟以上再取数据。我见过不少实现让受试者"自由深呼吸"，结果呼吸频率忽快忽慢，算出来的RMSSD既包含了呼吸性心律不齐，也包含了呼吸动作本身的不规则，没法解释。另外动作前的基线必须充分静息，至少坐位安静5分钟以上，否则前一分钟走过来爬楼梯的影响还没消退。

4.3 压力、睡眠与运动恢复：消费级场景的现实做法

这三类场景的共同点是：拿不到医疗级数据，样本量大，个体差异极大。这时候绝对值基本没有意义，唯一靠谱的做法是看个人基线之上的相对变化。

具体做法是先给每个用户建立个人基线：连续采集7–14天的夜间静息数据，取中位数作为基线，用稳健的离散度（比如四分位距）定义正常波动范围。之后每天的数据跟基线比，落在范围内就是正常，超出一定倍数才提示异常。这套方法我在一个可穿戴项目里跑过，比直接用人群参考值判定的误报率低了一个数量级。

运动恢复的判断有个额外技巧：不要只看运动后当天的数值，要看恢复到基线所需的时间。同样强度的训练，有的人第二天RMSSD就回来了，有的人要三天，这个恢复速度比单点数值更有信息量。睡眠场景同理，比较睡前和睡中的RMSSD变化幅度，比看整夜平均值更能反映自主神经的切换能力。

注意：消费级设备上的HRV数字，绝对不要跟医院报告上的数字直接对比。信号源不同、清洗规则不同、记录时段不同，三者叠加能让同一个人的数值差出50%以上。跟用户解释时，一定要强调"跟自己比"。

4.4 围手术期与药物影响：一个容易被忽略的干扰源

麻醉药物、镇痛药物、抗胆碱能药物、β受体阻滞剂，都会显著改变心率变异性。围手术期监测HRV的时候，如果不把用药时间轴叠上去，看到的数值变化根本无法归因。我在一个围术期项目里做过这样的事：把麻醉诱导、插管、切皮、拔管几个时间点在HRV曲线上标出来，才看清楚哪些波动是药物带来的、哪些是手术应激带来的。

这件事给我的启发是：任何HRV分析，只要涉及连续多天的数据，就必须有一张事件时间轴。没有事件标注的HRV曲线，就像没有刻度的温度计，能看出在变，但说不清为什么变、变了多少。

4.5 参考值的陷阱：为什么我不建议直接套用文献区间

网上流传的参考值五花八门，有说24小时SDNN正常范围是141±39ms的，有说5分钟SDNN应该在50ms以上的。这些数字本身有出处，但直接拿来判定个体是有问题的，原因至少有三：人群构成不同（年龄、性别、基础疾病）、记录条件不同（设备、时长、活动限制）、清洗规则不同（剔除比例、插值方式）。三个变量任何一个变了，数值就会漂移。

我自己的做法是：如果做研究，就用自己数据集里健康对照组的分布建立参考区间，并明确报告清洗规则；如果做产品，就用个人基线加相对变化，不给绝对判定。两条路都比"抄一个文献数字贴在说明书上"靠谱。

5. 完整实操：从原始RR序列到一份可交付的报告

前面讲的都是原理和取舍，这一节把它落成能跑的代码。我把整个流程按"读入—清洗—计算—校验—出报告"串起来，每一步都说明为什么这么写。

5.1 环境与数据约定

依赖只有numpy和pandas，不需要任何信号处理库。数据约定是：输入一个RR间期序列，单位秒，按时间顺序排列，第一列是间期值。这个格式跟大多数动态心电图设备导出的注释文件能对上。

import numpy as np import pandas as pd def load_rr(path): """读取RR间期，单位秒，返回一维float数组""" df = pd.read_csv(path, header=None) rr = df.iloc[:, 0].to_numpy(dtype=float) return rr[np.isfinite(rr)]

为什么强调单位是秒？因为生理范围判断要先换算成心率，60除以秒数最直观。如果输入是毫秒，忘记除以1000会让所有心率判断失效，而这类错误在代码里不会报错，只会静默地算出一堆垃圾。我在评审时第一件事就是检查单位。

5.2 四道清洗关的实现

def clean_nn(rr_s, hr_min=30.0, hr_max=220.0, local_win=21, local_ratio=0.20): rr = np.asarray(rr_s, dtype=float).copy() n = rr.size keep = np.ones(n, dtype=bool) # 第一关：生理范围 hr = 60.0 / rr keep &= (hr >= hr_min) & (hr <= hr_max) # 第二关：局部中位数偏离 # 只在第一关通过的样本上做，避免离群点污染窗口 idx_valid = np.where(keep)[0] vals = rr[idx_valid] if vals.size >= local_win: s = pd.Series(vals) med = s.rolling(local_win, center=True, min_periods=5).median() dev = np.abs(vals - med.to_numpy()) / med.to_numpy() bad = dev > local_ratio keep[idx_valid[bad]] = False # 第三关：疑似漏搏/重复检测 # 用前一个有效间期做倍数关系判断 last = None for i in range(n): if not keep[i]: continue if last is None: last = rr[i] continue ratio = rr[i] / last if 1.75 <= ratio <= 2.25 or 0.40 <= ratio <= 0.60: keep[i] = False else: last = rr[i] return rr[keep], keep

第三关的顺序有讲究：它依赖前一个有效间期，所以必须跳过已标记的样本。如果直接用原始序列的前一个值，一个房早之后的所有倍数判断都会错位。这个细节我在第一版里没注意，某些数据段出现了连锁误杀。

关于阈值：局部偏离20%这个数不是拍脑袋来的，正常窦性心律在静息状态下的逐拍变化通常不会超过这个幅度，超过的多半是异位搏动或伪差。但这个阈值对运动中的数据偏严，运动时心率快速上升，逐拍变化本身就大。所以如果数据包含运动段，应该先分段，运动段单独用更宽松的阈值，或者干脆不参与静息指标计算。

5.3 时域指标的计算

def hrv_time(nn_ms): nn = np.asarray(nn_ms, dtype=float) if nn.size < 20: return None d = np.diff(nn) out = {} out['mean_nn'] = float(np.mean(nn)) out['mean_hr'] = float(60000.0 / np.mean(nn)) out['sdnn'] = float(np.std(nn, ddof=1)) out['rmssd'] = float(np.sqrt(np.mean(d ** 2))) out['sdsd'] = float(np.std(d, ddof=1)) nn50 = int(np.sum(np.abs(d) > 50.0)) nn20 = int(np.sum(np.abs(d) > 20.0)) out['nn50'] = nn50 out['pnn50'] = float(100.0 * nn50 / d.size) out['pnn20'] = float(100.0 * nn20 / d.size) # 三角指数：按 1/128 秒分箱 bin_w = 1000.0 / 128.0 hist, _ = np.histogram(nn, bins=np.arange(nn.min(), nn.max() + bin_w, bin_w)) out['tri_index'] = float(nn.size / hist.max()) if hist.max() > 0 else np.nan return out

几个容易出错的点。ddof=1是样本标准差，和文献上的定义一致，用ddof=0会系统性偏小，数据量大的时候差别不明显，短记录上能差出几个百分点。分箱宽度必须是1000/128毫秒，写成10ms看起来差不多，三角指数的数值会明显不同。nn.size < 20的保护是为了拦住那些只剩几个点的残缺段，算出来的数字没有意义。

SDANN和SDNN index单独实现，因为它们需要时间轴：

def hrv_long(nn_ms, seg_s=300.0, min_cover=0.8): nn = np.asarray(nn_ms, dtype=float) t = np.cumsum(nn) total = t[-1] n_seg = int(total // (seg_s * 1000.0)) means, sds = [], [] for k in range(n_seg): lo = k * seg_s * 1000.0 hi = lo + seg_s * 1000.0 m = (t >= lo) & (t < hi) seg = nn[m] if seg.size < 20: continue # 用该段理论搏动数估算覆盖率 expected = seg_s * 1000.0 / np.mean(seg) if seg.size / expected < min_cover: continue means.append(np.mean(seg)) sds.append(np.std(seg, ddof=1)) if len(means) < 2: return None return { 'sdann': float(np.std(means, ddof=1)), 'sdnn_index': float(np.mean(sds)), 'valid_segments': len(means), }

min_cover这个是覆盖率门限，用来拦住那些因为大量丢搏而"看起来存在"的段。没有这一层，SDANN会被严重低估，原因前面讲过。

5.4 结果校验：三个必看的自检项

数字算出来不等于能交。我每次出结果前会看三个东西。

第一，剔除比例。超过5%就要警惕，超过15%这段数据基本不可信。剔除比例高说明信号质量差，这时候宁可不出报告，也不要出一份"看起来完整"的报告。

第二，指标间的合理性。RMSSD一般略大于SDNN的短时版本吗？不一定，但RMSSD和SDNN的比值有个经验区间，通常在0.5–1.5之间。如果RMSSD是SDNN的三倍，八成是序列里有大量异常差值没清干净，或者采样率太低导致量化噪声主导。

第三，与平均心率的联动。心率突然从70掉到50，SDNN同时暴涨，这多半是设备脱落或者受试者睡着了，不是自主神经功能改善。把三个指标画在一张时序图上，异常点一眼就能看出来。

5.5 报告怎么写才不误导人

我的报告模板固定包含四块：记录信息（时长、信号源、采样率、时段）、数据质量（有效搏动数、剔除比例、最长连续有效段）、指标值（分短时和长时两组，带单位）、解读边界（明确写出"本结果反映记录时段内的自主神经调节状态，不构成诊断依据"）。

最后这一块很多人觉得是废话，恰恰相反，它是保护自己也保护使用者的关键。时域指标的解释空间很大，同样一个SDNN偏低，可能是自主神经调节减弱，也可能是设备没戴好、受试者当天没睡好、刚喝了咖啡。把边界写清楚，比把数字算得更准更重要。

6. 常见问题与排查技巧实录

这一节全是我在项目里真踩过的坑，按"现象—原因—处理"的形式整理，方便直接对号入座。

6.1 数据质量类问题

现象：SDNN异常大，动辄两三百毫秒。最常见的原因是伪差没清干净，一段数据里混进了几个超长间期。排查方法很简单，画个间期散点图，横轴是搏动序号，纵轴是间期值，异常点会像孤岛一样挂在那里。处理上先检查清洗的第三关是否生效，特别是漏搏检测有没有被跳过。

现象：pNN50恒等于0。如果整段数据的相邻差值都小于50ms，pNN50当然是零，这在运动员、儿童或者剧烈运动后的数据里很常见，不一定是错误。但如果一个人平时pNN50在15%左右，某天突然变成0，先怀疑数据质量问题。换pNN20或pNN10做交叉验证能快速判断。

现象：同一段数据两次计算结果不一样。检查随机性来源，正常代码里不应该有任何随机过程。常见原因是用了set或者字典遍历顺序、或者清洗时用了带随机初始化的聚类。另一个可能是浮点累加的精度问题，在超长序列（几十万搏动）上，cumsum累积误差可能达到毫秒级，改用np.cumsum(nn, dtype=np.float64)并定期重算基准点能缓解。

6.2 指标解释类问题

现象：同一个人，隔了一天，RMSSD从45ms掉到28ms。先别急着下结论说迷走张力下降。回头看两天的记录时段是否一致、睡眠时长是否接近、有没有饮酒、有没有感冒、测量前的活动量是否相同。这些因素对单日RMSSD的影响往往比"真实的生理变化"更大。我的处理原则是：单日变化只在超过个人基线波动范围2倍以上时才提示，否则视为正常噪声。

现象：运动后SDNN反而升高。这不矛盾。运动后心率下降过程中，慢变化成分增加，SDNN会暂时升高，而此时RMSSD可能还在低位。两个指标打架的时候，看它们各自反映的层面：SDNN看整体，RMSSD看快速调节，分开解读就不会困惑。

现象：夜间HRV比白天低。通常应该反过来。如果出现这个结果，先检查夜间数据是否大量缺失——很多人睡觉时设备松动，夜间有效段反而少。另一可能是睡眠分期的影响，深睡和REM期的HRV模式不同，混在一起算平均值会互相抵消。

6.3 常见问题速查表

6.4 两个我觉得最值钱的经验

第一个：永远先看数据质量再算指标。我现在的流程是清洗完先出一张质量报表，剔除比例、有效段分布、最长连续段长度，这三项过关了才进计算环节。这个习惯是从一次返工里学来的——那批数据我直接算完出了报告，交付后对方发现几个受试者的数值明显异常，回头查才发现设备固件问题导致某些时段采样率掉了一半，所有指标全废。从那以后，质量门禁成了硬性前置。

第二个：保留原始数据和清洗日志。每一次剔除都记录下位置和原因，报告里附带剔除明细。这件事看起来麻烦，实际救过我好几次——当临床方质疑某个数值时，我能当场调出那一段原始波形和剔除记录，说清楚为什么这么处理。没有这份日志，任何争议都会变成各说各话。

7. 我在实际项目里沉淀下来的几点判断

写到这里，把几个贯穿全文的判断再收一下。时域分析这套方法不新鲜，公式在教科书上躺了几十年，真正拉开差距的全在工程细节和解释边界上。我见过太多团队把公式实现完就以为做完了，结果卡在数据的最后一公里。

第一件事，指标的绝对值没那么重要，一致性和可复现性才是产品化的命门。同一套清洗规则、同一个计算流程、同一份质量门禁，跑出来的数字才能横向比、纵向比。今天换个窗口大小、明天换个分箱宽度，数据就没法用了。

第二件事，任何脱离时长、信号源、清洗规则的HRV数字都是耍流氓。我现在看到报告上只写一个"HRV：45"，第一反应就是问这三个前提。写报告的人把这三点写在显眼位置，比把指标算到小数点后两位有用得多。

第三件事，别追求指标数量，追求解释链条的完整。平均心率、SDNN、RMSSD三个数加上一段质量说明，能覆盖八成的使用场景。剩下那些指标，等到真的有需求、真的有人能解释清楚的时候再加。

最后一个实操小建议：如果你刚开始做这块，别急着上手真实数据，先拿一段合成的、已知参数的序列验证你的实现——构造一个均值为800ms、叠加已知幅度正弦波动的序列，算出理论SDNN和RMSSD，跟代码结果对一遍。这一步能抓出绝大部分单位错误、ddof错误和分箱错误。我自己每次重构计算模块都会跑一遍这个验证，五分钟的事，省下后面几天的排查。