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。）
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。
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：
副交感神经系统：
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。
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。
| 方法 | 时域分析 | 频域分析 | 非线性分析 |
|---|---|---|---|
| 核心逻辑 | 统计数据随时间变化的幅度（如平均值、标准差）。 | 将信号分解为不同频率，观察快波/慢波的主导情况 | 探索数据中的混沌特征、复杂度与不可预测性 |
| 核心问题 | 变异的幅度有多大？ | 变异的节奏有多快？ | 变异的模式有多复杂？ |
| 常见指标 | SDNN、RMSSD、pNN50 | LF、HF、LF/HF | Poincaré 图、SD1/SD2、熵值 |
| 优点 | 计算简单直观，对数据质量要求较低，适合观察整体趋势 | 能区分生理机制来源（如交感神经和迷走神经活性） | 能捕捉前两者遗漏的细微信息，更好地反映生命系统的适应性与韧性 |
| 缺点 | 无法区分变异来源（分不清是压力还是放松导致的变化） | 对数据连续性要求高，不能有断点或伪影，需要平稳信号 | 计算复杂，对数据长度有要求，结果较为抽象、不易解读 |
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 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。
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。
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：
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」。
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。
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。
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。
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。
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：
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」。
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。
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。
> 关注 少数派小红书，感受精彩数字生活 🍃
> 实用、好用的 正版软件，少数派为你呈现 🚀
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。