被量化的心跳：HRV 是身体的晴雨表，还是制造焦虑的数字游戏？

作为一个医学僧兼数码爱好者，我一直习惯用 Apple Watch 记录日常体征，并在健康 App 中定期录入血压、血糖等数据。最近，在好基友的安利下，我入手了一枚 Oura Ring，打算用它替代 Apple Watch 来监测生命体征。切换设备后，我注意到两者都在追踪一个重要指标：HRV，心率变异性。Oura 用它来评估每天的压力情况、恢复状态和睡眠质量；Apple Watch 则在健康 App 里把它作为心脏健康的核心指标之一。

其实，这并不是我第一次接触 HRV 了。近两年，市面上涌现了不少以 HRV 为核心的应用——压力监测类的如 StressWatch、Amood，运动恢复类的如 PeakWatch、Athlytic。就连 Garmin 这样的专业运动设备品牌，也开始将 HRV 纳入「训练准备度」的评估体系。

这让我产生了几个疑问：HRV 到底是什么？它真的有这么神奇的效果吗？测量准不准，准确性有多高？日常穿戴设备——手表、手环、戒指等——真的能测出准确数值吗？

带着这些问题，我查阅了一些资料和文献，整理出这篇分享，希望对派友们有所帮助。

（声明：设备均为自费购买，非广告。Oura Ring 甚至不在中国地区销售。而且这玩意每个月还有 5.99 美元的订阅费，差评。）

左：Oura Ring 4；右：Apple Watch Series 10 42mm

反直觉的 HRV

说起心跳，你脑海中浮现的是什么画面？可能是那个一闪一闪的红色心形图标，匀速地、有节奏地跳动着；也可能是心电图上规整的波形。如果静息心率是 60 次/分钟，那心脏就应该像一个精准的节拍器，每隔 1 秒跳动一次——这似乎是最符合直觉的「健康心跳」。

事实上，在很长一段时间里，医学界也是这么认为的。20 世纪中期以前，不少医生认为稳定、规律的心跳才是健康的标志。如果心跳间隔出现波动，那可能是某种病态的表现。然而，随着医学的不断发展，尤其是 20 世纪 60-70 年代计算机技术的引入，学者们惊讶地发现：健康人的心跳其实是不规律的。

只有濒死或严重受损的心脏，才会像节拍器一样精准地跳动。

1965 年，耶鲁大学的 Hon 和 Lee 在监测胎儿心跳时，意外发现了一个反直觉的现象：那些即将出现窘迫甚至死亡的胎儿，他们的心跳反而变得异常「规律」，胎儿心跳间隔之间的微小波动，会显著减少甚至完全消失。1980 年代，一项更为严谨、更为著名的大样本研究发现：808 名心肌梗死的患者中，心跳变异程度低的人，死亡率远高于心跳变异较高的患者。

由此，人们开始意识到：原来，心跳的「不规律」不是问题，反而是生命活力的体现。一颗节奏完全固定的心脏，就像一台失去了灵性的机器，意味着心脏失去了对外界刺激的响应能力。心跳节律的变化，并非巧合，而是存在一种可以量化、可以预测的规律。在这些看似「混乱」的波动中，其实隐藏着身体状态的密码。

人们开始使用一个指标来量化这种规律。这，就是心率变异性，HRV。

HRV 是什么？

心率变异性（Heart Rate Variability, HRV）是指逐次心跳周期之间时间间隔的微小波动。具体来说，它测量的不是每分钟跳多少次（心率），而是连续两次心跳之间的时间差（RR 间期，RR interval）的变化情况。如果你使用心电图仔细进行测量，实际的心跳间隔可能是这样的：

第 1 次跳动到第 2 次：828 毫秒

第 2 次跳动到第 3 次：845 毫秒

第 3 次跳动到第 4 次：754 毫秒

第 4 次跳动到第 5 次：742 毫秒

……

如果这些时间间隔变化很大，就是高 HRV；如果每次间隔几乎一样，就是低 HRV。它主要反映了人体自主神经系统（交感神经和副交感神经）对心脏的调节能力。

交感神经系统：

扮演着「油门」的角色。当机体面临压力、恐惧或需要「战或逃」 反应时，交感神经系统会激活；

其作用是加速心跳、增加心肌收缩力，调动身体能量以应对紧急情况；

交感神经激活，会使 HRV 降低。

副交感神经系统：

主要通过迷走神经发挥作用，扮演着「刹车」的角色；

它负责机体的「休息和消化」功能，如促进能量储存、减慢心跳、降低心肌收缩力等；

副交感神经激活，会使 HRV 升高。

当你吸气时，交感神经略微活跃，心率加快；当你呼气时，副交感神经占上风，心率减慢。这种随呼吸而变化的心率波动，医学上称为「呼吸性窦性心律不齐」，它是 HRV 的重要组成部分。一个健康的自主神经系统就应该是灵活的：该紧张时能迅速调整状态，迎接挑战；该放松时也能快速冷静下来。这种「一张一弛」的能力，就体现在 HRV 的数值上。

由 Nano Banana Pro 生成

HRV 的测量和计算

那么，从这些跳动的数字到一个具体的 HRV 值，是怎么计算出来的呢?

首先，记录设备需要捕捉每一次心跳的精确时刻。医学上的金标准是心电图，它记录心脏每次跳动时产生的电信号，在心电图上，每次心跳都表现为一个尖峰，称为「R 波」。两个连续 R 波之间的时间间隔，就是我们要测量的「RR 间期」。现在还有相对便携的心电图设备，可以让患者 24h 佩戴，来获得患者连续的、24h 的心电图数据。

消费级设备使用的是另外一种技术——光电容积脉搏波（PPG）。你手腕上那个绿光 LED，实际上是在通过检测血液流动引起的光吸收变化来推算心跳。这种方法的原理是：心脏每跳动一次，就会有一个血流脉冲传到手腕，LED 发出的光被血液吸收的程度就会发生微小变化。通过检测这些变化，设备可以推算出每次心跳的时刻，从而记录下心跳的间隔数据。

拿到这串心跳间隔数据后，下一步就是计算。不同的算法，会得出不同的数字。

HRV 的计算方法主要分为三大类：时域分析、频域分析和非线性分析。

了解过一些数据科学的读者就会看出来，非线性分析是一个非常抽象的方法，计算和解释起来非常复杂。并没有成熟的算法，更多地用来科研探索，作为应用来说并不合适。

频域分析对数据的精确度和连续性要求较高，而 PPG 技术很容易受到干扰。如手臂晃动、传感器接触不良、皮肤颜色深浅、纹身、温度变化等都会影响测量的精度。最终导致整个频谱计算出来的结果就会完全失真，没有任何参考价值。而且，关于 LF 和 HF 值，学术界一直存在争议，尚无定论。

所以，消费级产品中（智能手表、手环、戒指等）基本都是使用时域分析法，它计算简单、结果直观。其中，最常见的两种算法是 SDNN 和 RMSSD。

有趣的是，我手上的两个设备，正好用的就是这两种不同的算法。Apple Watch 使用的是 SDNN，而 Oura Ring 使用的是 RMSSD。那么这两者又有什么不同呢？

SDNN 和 RMSSD

SDNN（Standard Deviation of Normal-to-Normal intervals）

SDNN 是最经典的心率变异性指标，前文提到的 808 名心肌梗死患者研究正是采用这一方法。它的计算很直接：对所有正常心跳间隔求标准差。

以 5 个心跳为例（实际应用中通常需要 24 小时或至少 5 分钟的数据），假设间隔分别为 950、1030、980、1040、960 毫秒，均值为 992 毫秒。将每个数值与均值的差平方后求和，再除以（N-1）并开方（样本标准差公式），得到 SDNN 约为 41 毫秒。

大量研究已证实，SDNN 与冠心病、房颤、心肌缺血、心衰等多种心脏疾病密切相关。在预后研究中，它也被视为预测心血管死亡率（因为心血管疾病导致的死亡）和全因死亡率的可靠指标。

但 SDNN 有一个明显的局限：心率本身的变化会干扰结果。比如你从床上起来开始运动，5 分钟内心率从 60 次/分钟升至 100 次/分钟。即使每次心跳的间隔都非常均匀（变异性很低），但由于整体均值发生了偏移（心跳越快，心跳间隔越短），计算出的 SDNN 会明显偏高。

因此，SDNN 更适合反映一段时间内的总体波动，而非瞬时状态。这也很契合 Apple watch 的设计思路以及健康 app 的「气质」。它的采样方式不是连续测量，而是每隔一段时间采样一次（每次约 1 分钟），如实记录下来。然后计算这些采样点的日、周、月均值，最终以「趋势」的形式呈现——作为一段时间内心脏健康的一个参考指标，而非单次精确的评估。

RMSSD（Root Mean Square of Successive Differences）

而 RMSSD 则不同，它的关键在于「相邻」。它不看所有间隔的整体分布，而是聚焦于相邻两次心跳之间的差异。

还是以刚才那组数据为例。我们计算相邻差值：(1030-950)、(980-1030)、(1040-980)、(960-1040)，得到 80、-50、60、-80 毫秒。把这些差值平方、求均值、开方，得到 RMSSD 约为 69 毫秒。

因为只看相邻差值，RMSSD 几乎不受心率趋势变化的影响。同时，这种计算方式的独特魅力在于，它能够反映副交感神经活动，特别是迷走神经的激活。生理学上，副交感神经的信号传递非常快（毫秒级），能让心跳立刻减慢；而交感神经依赖化学传递，响应较慢（秒级）。因此，相邻心跳之间的快速波动，恰恰是副交感神经活性的体现。RMSSD 正是捕捉这种高频变化的理想指标。

RMSSD 越高，说明副交感神经越活跃，身体越放松。这正契合 Oura 的产品定位及需求。Oura 的采样频率较高，会记录整晚的睡眠数据（如果你留意观察，睡觉时 Oura Ring 的绿色 LED 几乎一直亮着）。当你醒来，就能得到整晚 RMSSD 的加权平均值，作为睡眠质量和身体恢复水平的重要参考。

值得一提的是，Apple Watch 其实也会记录原始心跳数据。许多第三方 App（如 Athlytic、PeakWatch 等）正是读取这些数据来计算 RMSSD，从而实现类似 Oura 的恢复评分功能。但从原生体验和设计逻辑来看，Apple 确实更倾向于 SDNN。

HRV 的消费者手册

对于大多数你我这样的普通消费者而言，我们其实并不关心 HRV 是如何算出来的，我们更关心的是以下两个核心问题：

1. HRV 数据的实际价值：它能反映哪些健康/生理指标，科学证据有多强；

2. 消费级设备的 HRV 准确性：Apple Watch、Oura Ring 以及其他主流可穿戴设备的测量精度如何，与医疗级设备相比差距多大；

HRV 数据的实际价值

研究表明，HRV 是一个敏感但非特异性的生物标志物。简单来说，它能告诉你「身体出问题了」，但它无法准确地告诉你「具体出了什么问题」。

疾病监测与预警

目前最有力的证据来自疾病监测领域。2022 年一项 meta 分析显示，HRV 处于最低四分位数的人群，全因死亡风险是其他人群的 1.56 倍。另一项针对无心血管疾病人群的 meta 分析发现，较低的 HRV 与首次心血管事件风险增加 32%–45% 相关；SDNN 每提升 1%，致死性或非致死性心血管疾病风险约降低 1%。

心理健康方面，研究一致显示抑郁、焦虑乃至双相障碍、精神分裂症患者的 HRV 均明显降低。基于 HRV 的生物反馈训练（即实时监测 HRV 并通过呼吸调节将其调整至良好状态）已被证明能显著改善焦虑和抑郁症状，尽管长期临床效果仍需更多研究验证。

此外，一项基于智能可穿戴设备的 meta 分析显示，新冠肺炎患者的 SDNN 和 RMSSD 均出现下降，分别降低约 3.25 毫秒和 1.24 毫秒。

运动训练与生活方式反馈

多项对照研究表明，HRV 导向训练能有效提升运动表现和训练效果，并降低不适感。这种方法根据每日晨起 HRV 动态调整训练计划：当 HRV 处于基线或升高时进行高强度训练，显著低于基线时则安排低强度训练或休息。但需注意，现有研究普遍样本量较小、方法学差异大，尚缺乏标准化。

在生活方式方面，酒精是副交感神经的强效抑制剂，即便少量晚间饮酒也会导致当晚睡眠期间 HRV 显著降低。深夜进食、失眠、作息紊乱同样会直接反映在次日的 HRV 数值上。不过，慢性失眠与 HRV 之间的关联目前尚不稳定。

因此，如果你某天早上起来，发现自己的 HRV 值降低了，这确实意味着身体存在某种应激。可能是熬夜了、喝酒了、前一天健身得有点猛，也有可能是要感冒了，心脏出毛病了，血糖不稳定等等。

综上所述，HRV 本身无法诊断具体疾病，但它是一个极具价值的纵向健康追踪工具。其核心价值在于建立个人基线，通过观察偏离基线的趋势来指导生活方式调整。对于追求健康优化、疾病早期预警或科学训练的人来说，持续追踪 HRV 具有一定的实用价值。

但如果试图依靠短期数据波动，或者某个固定标准（比如高于或低于某个特定数值）来判断压力水平或诊断疾病，我对此持保留态度。目前也没有足够的证据，或者指南文件支持这样做。

消费级设备的 HRV 准确性

前文提到的研究大多是基于心电图测量 HRV 的。心电图是医学上测量、计算 HRV 的「金标准」。它通过皮肤电极直接捕捉心脏去极化产生的电信号，精度极高且抗干扰能力强。

而消费级设备几乎都是采用前文提到的 PPG 技术。这种光学方法实际测量的是脉搏率变异性（PRV），即血管容积变化产生的脉搏波间隔，而非真正的心率变异性。脉搏波从心脏传导至外周传感器需要时间，而这个传导时间会受血压、动脉硬化程度和年龄影响，从根源上造成 PRV 与 HRV 的差异。同时，PPG 抗干扰能力较弱，高度依赖测量条件。

好消息是，在夜间睡眠或静息状态下，PPG 与心电图的一致性可达优秀水平，相关系数在 0.91 至 0.999 之间（越接近 1 越好）。2025 年一项最新研究对多款消费级可穿戴设备的夜间静息心率和 HRV 准确性进行了验证，排名如下：Oura Gen 4 > Oura Gen 3 ≈ WHOOP 4.0 ≈ Garmin Fenix 6 > Polar Grit X Pro。Apple Watch 因不专门检测睡眠期间 HRV 且不使用 RMSSD 指标，未被纳入研究。

来源：Validation of nocturnal resting heart rate and heart rate variability in consumer wearables.

图中的 MAPE (%) 是平均绝对百分比误差，值越小越好；CCC 是一致性相关系数，值越接近 1 越好。在这项研究中，戒指的表现要优于手表和腕带，原因可能在于手指血管密度更高、佩戴更贴合、运动干扰更小。

然而，随着运动强度增加，所有设备的准确性都会显著下降。设备与皮肤接触不良、肌肉收缩、出汗及血流动力学变化都会干扰 PPG 信号质量。

影响准确性的因素还不止于此。由于黑色素会吸收光线（尤其是绿光），深肤色人群的测量误差通常高于浅肤色人群。各厂商对此有不同的优化策略：Apple 通过动态调整 LED 电流和采样率进行补偿，Oura 则使用穿透力更强的红外光传感器。

顺带一提，Apple Watch 有个提升采样率的小技巧：开启「房颤历史」功能后，手表会在睡眠期间进行更密集、连续的 RMSSD 采样，而非稀疏的 SDNN 采样点。可惜该功能目前国行版本尚不可用。

这也引出了一个重要的问题：不同品牌设备的 HRV 数值不可直接比较。各厂商使用的算法、采样频率、数据处理方式都不同，导致同一个人佩戴不同设备可能得到差异达 200-300% 的 HRV 值。这意味着只有使用同一设备追踪个人趋势才有意义。

HRV 数据的正确解读

讲了这么多，最终还是要落到如何正确使用 HRV 数据上。我总结了一些要点，供各位参考：

建立个人基线，而非与他人比较。HRV 的正常范围因人而异，一个人的「低」HRV 可能是另一个人的「高」HRV。因此，与他人比较 HRV 数值意义较小，只有自己纵向比较才能提供更有用信息。

保持测量的一致性尤为重要。每天同一时间、同一体位、同一设备，才能获得可比较的数据。清晨刚醒或整夜睡眠平均值是较理想的测量时机；运动后、饭后、情绪激动时则不适合测量。

警惕简单化解读。「高 HRV=好，低 HRV=坏」是非常危险的简化。HRV 突然异常飙升，也可能是极度疲劳后的身体强制代偿，或心律失常产生的伪影。

区分不同指标的适用场景。晨起的 RMSSD 更适合作为当天训练状态的参考，而 SDNN 更适合作为长期心血管健康趋势的参考指标。

这里不得不再提一下 Oura 和 Apple Watch 的差异。

Oura Ring 从设计之初就聚焦于睡眠与恢复，其产品形态和算法逻辑都围绕 HRV 监测进行了深度优化。它采样频率更高，夜间全程采集数据。其更核心的竞争力在于算法：它不仅仅提供原始 HRV 数值，而是将 HRV、静息心率、体温偏差、前一日活动量及睡眠质量等指标加权合成一个 0-100 的综合评分。

其算法特别注重平衡和个性化，例如将当前的 HRV 与用户过去 14 天的加权平均基线进行对比，而非与人群常模对比。这种个性化基线比较对于 HRV 这种个体差异极大的指标至关重要。当然，这也意味着除设备购买费用外，每月还需支付 5.99 美元的订阅费。

Apple Watch 作为综合性智能手表，受限于续航考量，HRV 采样频率较低，且只记录数据、不提供解读。其健康 app 的设计语言极为克制，如需专业分析，需要借助第三方 app。目前，市场上的 app 质量参差不齐，很多只能「看个热闹」，不能「太当回事儿」。

总结

综上所述，HRV 测量的不是心跳的快慢，而是连续两次心跳之间时间间隔的波动程度。目前消费级设备主要采用 SDNN 和 RMSSD 两种算法。SDNN 更适合反映长期心血管健康趋势；RMSSD 更适合评估即时恢复状态和副交感神经活性。两者不可直接比较。

HRV 是一个敏感但非特异的指标，它能提示「身体出问题了」，却无法告诉你具体是什么问题——熬夜、饮酒、过度训练、感冒前兆、心脏疾病等都可能导致 HRV 下降。好消息是，在夜间静息状态下，主流消费级设备与医学级心电图的一致性相当高，其中指环类设备表现更要优于手腕设备。

正确的使用方式是：与自己的历史数据纵向比较，而非与他人横向比较；保持测量条件的一致性；关注长期趋势，而非单次数值的涨跌。

写在最后

我们这一代人，或许是人类历史上第一批能够如此精确地「看见」自己身体的人。心跳的间隔、睡眠的周期、压力的涨落——这些曾经只能凭感觉模糊感知的东西，如今都被翻译成了屏幕上跳动的数字和曲线。

这是技术的馈赠，也是技术的诱惑。

近年来，出现了一个颇具讽刺意味的名词：正睡症（Orthosomnia）。患者痴迷于追求完美的睡眠数据，反而因此过度焦虑而加剧了失眠。分数高，便觉得神清气爽；分数低，哪怕身体感觉尚可，也会瞬间陷入「我今天状态不好」的心理暗示。于是形成了一个荒诞的闭环：为了监测压力而购买的设备，最终成了压力本身。

这让我想起文章开头那个反直觉的发现——只有濒死的心脏，才会像节拍器一样精准地跳动。生命的本质，恰恰是那些看似「混乱」的波动与变异。

技术是理性的，但身体是感性的。 当我们开始为数据而焦虑、为分数而患得患失时，我们反而在用一种僵化的心态对待本该流动的生命。

数据可以帮助我们发现趋势、识别异常，但永远无法替代我们对自己身体的直接感知。最好的健康状态，不是 app 里那条完美的上升曲线，而是当你放下手机、闭上眼睛，能真切地感受到心脏有力的跳动，感受到气息在胸腔中自由地起伏。

这些设备最好的用途，不是让你更依赖它们，而是帮助你重新学会倾听自己。然后，在某个清晨，你不再需要看任何数字，就知道今天会是美好的一天。

原文链接：

https://sspai.com/post/104231?utm_source=wechat&utm_medium=social

本文来自微信公众号“少数派”（ID：sspaime），作者：叁思Santh，36氪经授权发布。