最近一段时间，我同时在用 Apple Watch 自带的健康 App 和一个叫 StressWatch 的第三方 App 看 HRV。下面是同一天、同一块表，两个 App 的截图：

健康 App 的心率变异性日视图：今天范围 9–188 毫秒，最新 20:17 为 41 毫秒 StressWatch 的今日 HRV 趋势和实时压力：夜间 HRV 高、白天低，白天实时压力大多接近 100
左：健康 App。右：StressWatch。同一天的数据。

两张图的大趋势是一致的：夜里睡觉时 HRV 高，早上六点以后一路掉下来，整个白天都在低位。但细看又处处对不上：

  • 健康 App 给的是毫秒数：今天的范围是 9 到 188 毫秒，最新一次（20:17）是 41 毫秒，下午那几个小时基本在 10 到 30 毫秒之间。
  • StressWatch 的 HRV 趋势图上干脆没有毫秒刻度，只有按状态上色的点：夜里是绿色，白天是一片红。而且它的点比健康 App 密得多，夜里几分钟就一个。
  • StressWatch 下面的”实时压力”更直接：从上午九点多开始，柱子大多顶到了 100 附近。

可我那天下午并没觉得压力大，就是人有点木木的，思维不太活跃。

于是有了几个问题：

  1. 两个 App 用的是什么算法？
  2. 为什么它们要选不同的算法？
  3. 不同的算法，到了用户这边看到的东西有什么不同？
  4. 再往深一层：HRV 到底为什么能反映身体状态？它说的”10”，和我感觉到的”木木的”，是不是一回事？

本文就顺着这几个问题，一层一层往下讲。

第一层：HRV 测的到底是什么

先从最基础的说起。我们常说”心率 60”，听起来好像心脏像节拍器一样每秒跳一下。实际上并不是。如果把每两次心跳之间的时间（医学上叫 RR 间期）逐个记下来，你会看到一串像这样的数字：

1012 ms, 968 ms, 1035 ms, 991 ms, 1047 ms, 973 ms ...

平均下来确实接近 60 bpm，但每一拍都不一样。HRV（Heart Rate Variability，心率变异性）说的就是这串数字的”不一样”有多明显。

RR 间期是怎么来的 上半部分是一段心电图，相邻两个 R 波峰之间的时间就是 RR 间期，依次为 1012、968、1035、991、1047、973 毫秒。下半部分把这些间隔按顺序排开，它们围绕平均值 1004 毫秒上下波动，HRV 衡量的就是这种波动。 一段心电图（示意） 每个尖峰是一次心跳（R 波） 把间隔按顺序排开 1012 ms 968 ms 1035 ms 991 ms 1047 ms 973 ms +8 -36 +31 -13 +43 -31 平均 1004 ms ≈ 60 bpm HRV 就是把这些 上下的偏离压成一个数
图 1 · 心率说的是"平均每分钟跳几下"，HRV 说的是"每一拍之间差多少"。同样是 60 bpm，间隔可以像这样忽长忽短。

反直觉的是：健康的心跳恰恰是不规律的。 心跳间隔变化越丰富，通常说明神经系统对心脏的调控越灵活；心跳越像节拍器，反而越可能是身体处在紧绷、疲劳或疾病的状态12。

Apple Watch 测 HRV 的过程大致是：在你静止、表戴得比较稳的时候，用背面的光学传感器（PPG）测一小段脉搏，找出每一拍的位置，得到一串逐拍间隔。按 StressWatch 文档的说法，默认情况下这种自动测量大约每 2 到 5 小时一次，运动、低电量模式、表没戴稳时都会暂停3；开启房颤记录等功能或换了新款手表后会频繁得多4。我截图里的健康 App，几乎每个小时都有好几次测量。

到这里我们有了一串数字。但”不一样有多明显”是个模糊的说法，要变成屏幕上的一个数，就得选一个公式。问题来了：用什么公式？

第二层：两个 App，两个公式

答案很简单，两个 App 用的公式不一样：

  • 健康 App 用 SDNN。 Apple 在 HealthKit 里存 HRV 用的数据类型就叫 heartRateVariabilitySDNN，名字里直接写明了算法5。
  • StressWatch 用 RMSSD。 它的官方文档专门有一篇解释”为什么和 Apple 健康的数值不一样”，原话是：StressWatch 选择 RMSSD 作为计算方法，因为它比 SDNN 更敏感6。

那它是怎么拿到数据的？Apple Watch 每次测 HRV，除了往 HealthKit 里写一个算好的 SDNN 数值，还会写一份原始的逐拍心跳序列（HKHeartbeatSeriesSample，watchOS 6 起提供）7。健康 App 只展示前者；第三方 App 获得授权后可以读后者，用自己的公式重新算。HRV4Training、Athlytic 这类 App 就是这样从 Apple Watch 数据里算出 RMSSD 的4。StressWatch 文档没写它具体读的是哪份数据，但既然它要算 RMSSD，从逐拍序列重算是最直接的路径（这一点是我的推断）。

同一次测量，两个 App 读出两个数 Apple Watch 静止时测一段心跳，写进 HealthKit 两份数据：一个 SDNN 数值和一串逐拍心跳。健康 App 展示 SDNN，StressWatch 用 RMSSD 并结合静息心率和 30 天基线给出压力等级。 Apple Watch HealthKit（iPhone） App 光学心率 PPG 触发静止、戴稳 间隔几分钟到几小时 产出一段逐拍心跳 HKQuantitySample typeHRV · SDNN value42 ms HKHeartbeatSeriesSample beat 11.012 s beat 20.968 s beat 31.035 s … 健康 App HRV42 毫秒 算法SDNN StressWatch HRVRMSSD 静息心率白天平静时 基线约 30 天个人数据 输出压力等级 RMSSD 要从逐拍心跳重新算， 健康 App 里看不到这个数。
图 2 · 同一次测量写进 HealthKit 两份数据。健康 App 展示现成的 SDNN，StressWatch 用 RMSSD，再叠加静息心率和个人基线。图中数值为示意。

两个公式分别长这样。设逐拍间隔为 RR1,RR2,…,RRNRR_1, RR_2, \dots, RR_N：

SDNN：所有间隔的标准差。

SDNN=1N−1∑i=1N(RRi−RR‾)2\mathrm{SDNN} = \sqrt{\frac{1}{N-1}\sum_{i=1}^{N}\left(RR_i - \overline{RR}\right)^2}

其中 RR‾\overline{RR} 是所有间隔的平均值。

RMSSD：相邻两拍之差的均方根。

RMSSD=1N−1∑i=1N−1(RRi+1−RRi)2\mathrm{RMSSD} = \sqrt{\frac{1}{N-1}\sum_{i=1}^{N-1}\left(RR_{i+1} - RR_i\right)^2}

公式看着像，其实问的是两个完全不同的问题：

  • SDNN 问的是：这串数整体有多分散？ 它不在乎数字的先后顺序。
  • RMSSD 问的是：每一拍和上一拍差多少？ 它只看相邻的变化。

用一个例子最容易看出区别。下面 A、B 两段心跳用的是完全相同的 16 个数，只是排列顺序不同：

同一组 RR 间期，两种排列 A 和 B 用的是完全相同的 16 个 RR 间期，只是顺序不同。SDNN 两边一样，RMSSD 在 B 里是 A 的 4 倍多。 A · 慢漂移 心跳先慢慢变慢，再慢慢变快 820 880 940 第 1 → 16 拍，RR 间期（ms） 同一组 16 个数，均值 890 ms SDNN 47.3 ms RMSSD 19.3 ms B · 逐拍跳变 每一拍都和上一拍差很多 820 880 940 第 1 → 16 拍，RR 间期（ms） 同一组 16 个数，均值 890 ms SDNN 47.3 ms RMSSD 88.8 ms
图 3 · SDNN 只看这组数有多分散，不管先后顺序；RMSSD 只看相邻两拍差多少。同样 16 个数，换个顺序，RMSSD 从 19 ms 变成 89 ms。

A 的心跳是慢慢变慢、再慢慢变快；B 的心跳每一拍都在大幅跳动。两段的 SDNN 一模一样，都是 47.3 ms，因为数字本身没变；但 RMSSD 一个是 19.3 ms，一个是 88.8 ms，差了 4 倍多。

这就解释了第一个现象：两个 App 的数字对不上，不是谁测错了，而是它们在回答不同的问题。 SDNN 和 RMSSD 之间也没有固定的换算比例，所以不能拿一个去校验另一个6。

既然两个公式都对，为什么 Apple 选了 SDNN，StressWatch 偏偏选了 RMSSD？

第三层：为什么要选不同的算法

Apple 为什么用 SDNN

SDNN 是 HRV 领域最”正统”的指标。1996 年欧洲心脏病学会和北美起搏电生理学会联合发布的 HRV 测量标准（业内常说的 Task Force 标准）里，SDNN 排在时域指标的第一位，而它最初是为 24 小时动态心电图 设计的1。临床上有一个经典结论：心梗后病人的 24 小时 SDNN 低于 50 ms，死亡风险显著升高8。

HealthKit 是按医疗数据标准设计的，选一个临床上最有名的指标，是很自然的选择4。SDNN 还有一个好处：它是”总变异”，交感、副交感、呼吸、体温、昼夜节律带来的变化都会算进去，信息量最全。

问题在于，SDNN 的”全”在短时测量里反而是缺点。 它会随记录时长变大：同一个人，测 1 分钟和测 24 小时，SDNN 能差好几倍2。它还会把一些和”状态”无关的慢变化也算进去，比如测量中途换了个姿势、心率慢慢往下走。手表每次只测一小段，这种慢漂移在短窗口里占的比重更大。

StressWatch 为什么用 RMSSD

StressWatch 要做的事情不是给医生看报告，而是提醒你”现在身体有点紧”。它需要的是一个对短时变化敏感、又不容易被慢漂移带偏的指标。RMSSD 恰好满足：

  1. 只看相邻两拍，慢慢的漂移在相邻两拍之间几乎为零，被自然过滤掉了（就像图 3 里的 A）。
  2. 对窗口长度不敏感。 研究显示，1 分钟的 RMSSD 和 5 分钟的 RMSSD 一致性仍然不错，而 SDNN 和频域指标在超短窗口里就不太可靠910。
  3. 它几乎只反映副交感神经（迷走神经）的活动，这是它和”压力”挂钩的关键，下一层专门讲。

这也是为什么绝大多数做恢复、压力的设备，比如 Oura、WHOOP、Garmin，以及运动科学圈常用的 HRV4Training，用的都是 RMSSD 或它的对数 lnRMSSD1112。

SDNNRMSSD
问的问题整体有多分散相邻两拍差多少
主要反映总变异（多种来源混在一起）迷走神经活动
对记录时长越长越大，短时与长时不可比较稳健，1 分钟也能用
典型场景24 小时临床评估短时压力、每日恢复
谁在用Apple 健康StressWatch、Oura、WHOOP、Garmin

到这里又冒出一个更根本的问题：为什么”相邻两拍差多少”能代表压力？

第四层：为什么 HRV 能反映身体状态

心脏有自己的节拍器，但一直被踩着刹车

心脏里有一个天然的起搏点，叫窦房结。如果切断它和神经的联系（比如心脏移植后的病人），它自己的节奏大约是每分钟 100 次左右13。我们静息心率只有 60 多，是因为迷走神经一直在踩刹车。

调节心跳的有两套神经系统，关键区别在于速度：

  • 迷走神经（副交感）：释放乙酰胆碱，直接打开心肌细胞上的钾通道，起效在一秒以内，撤得也快。它可以做到这一拍让心跳慢一点、下一拍松开。
  • 交感神经：释放去甲肾上腺素，要经过细胞内的第二信使通路，起效要几秒，恢复要几十秒。它像一个低通滤波器，做不出逐拍的快速变化213。

所以，相邻两拍之间的快速变化，基本只能由迷走神经造成。 RMSSD 量的正是这个，于是它成了迷走神经活动的一个无创读数。

呼吸是最大的推手

最明显的逐拍变化来自呼吸：吸气时心跳加快，呼气时心跳变慢，这叫呼吸性窦性心律不齐（RSA）14。你现在就可以试一下：摸着脉搏慢慢深呼吸，能感觉到吸气时脉搏变密、呼气时变疏。这就是图 3 里 B 那种”逐拍跳动”的主要来源。

从”迷走神经”到”身体状态”

迷走神经活跃，意味着身体处在”休息和修复”的模式；当身体需要应对什么的时候，迷走神经会先撤退，交感神经接管。能让迷走神经撤退的事情很多：

  • 心理压力：焦虑、紧张时 HRV 下降2。
  • 身体负荷：大强度训练后第二天，晨起 RMSSD 通常低于个人基线，恢复后回升。运动科学里有专门的”按 HRV 安排训练”方法，效果不比固定计划差1115。
  • 生病：感染早期，常常在发烧之前，就能看到 HRV 下降、静息心率上升16。
  • 生活方式：喝酒、熬夜、晚饭吃得太晚，第二天的夜间 HRV 往往明显偏低。

更宏观地看，有学者提出”神经内脏整合模型”：大脑前额叶通过一条抑制性通路影响迷走神经输出，所以静息 HRV 高的人，往往情绪调节和执行功能也更好17。这是 HRV 能从”心脏指标”延伸到”身心状态指标”的理论基础。

回到下午那个”10”

现在可以回答开头的问题了。下午健康 App 里的 HRV 只有 10 到 30 毫秒、StressWatch 的压力柱顶到 100，人又木木的，两者有关系，但不是一回事。

HRV 测的是自主神经对心脏的调控，不直接测大脑清不清醒。下午这两件事更可能是同一个原因的两个结果：

  • 餐后：消化时迷走张力下降、心率上升，HRV 跟着掉；同时人会犯困。
  • 午后低谷：人体昼夜节律在下午本来就有一个警觉度低点，睡眠不足时更明显。
  • 久坐、喝水少、咖啡因作用退去：同时压低 HRV 和精神状态。

所以 HRV 低并不需要你”感觉到压力”，身体层面的负担（消化、缺觉、脱水）也算负荷，只是主观上察觉不到。StressWatch 自己的文档也说得很清楚：它测的是身体压力，不是情绪或认知压力，“HRV 不等于心理压力”318。

另外，截图里那个低位的数字来自健康 App，是 SDNN。它和 StressWatch 内部用的 RMSSD 不在一个尺度上；StressWatch 给我的”红色”和”接近 100”，是拿 RMSSD 和我自己的基线比出来的，不是拿 10 毫秒这个绝对值判断的。夜里同样的手表、同样的人，两个 App 都显示 HRV 很高，这说明白天的低位是一种状态变化，而不是设备坏了。

这就引出了用户侧最实际的问题：同样叫 HRV，两个 App 给我的体验到底有什么不同？

第五层：算法不同，用户看到的有什么不同

把两边的差异摊开来看：

健康 AppStressWatch
显示什么一个 SDNN 原始数值（毫秒）一个压力等级，背后是 RMSSD
更新频率跟着手表的自动测量走HRV 点更密；“实时压力”约每 6 分钟更新一次18
怎么解释不解释，只给数字和历史曲线结合静息心率和个人基线给结论
需要多久戴上就有需要约 30 天数据，个性化算法才比较准18

有几点值得展开说：

第一，数字不能跨 App 比较，也不能和别人比。 SDNN 和 RMSSD 不能互换，不同人的 HRV 又受年龄、性别、遗传影响很大：从 20 岁到 60 岁，RMSSD 大约会少掉一半19。所以 HRV 只适合和自己的过去比。StressWatch 要攒 30 天数据，做的正是建立你个人的基线。

第二，两边的点数不一样多。 对比开头的截图，StressWatch 夜里几分钟就有一个 HRV 点，健康 App 一个小时只有几个。它的 App Store 更新说明提到，在新款手表上 HRV 最快可以每 5 分钟更新一次；另一种可能是它把一段逐拍心跳切成更短的窗口分别算 RMSSD（推断，文档没写）。而”实时压力”按文档的说法是”基于过去的心率和 HRV 数据”算的18，两次 HRV 之间主要靠每分钟都有的心率来推（推断）。所以压力曲线看起来很连续，不代表每根柱子背后都有一次新的 HRV 测量。

第三，单次读数噪声很大。 HRV 每天的自然波动可以超过 10%，体位、呼吸、刚走过几步、表没贴紧，都会让某一次读数偏离很多11。StressWatch 文档也建议看”当天的整体压力状态”，而不是盯着单次读数18。运动科学里的标准做法，是看晨起 lnRMSSD 的 7 天滚动平均和它的波动幅度11。

第四，健康 App 给的是”原材料”，StressWatch 给的是”结论”。 原材料更透明，但普通人很难解读；结论更好用，但算法不公开，你没法知道它为什么这么判断。

到这里，两个 App 的差别已经说清楚了。但 RMSSD 和 SDNN 只是 HRV 分析里最简单的两个指标。如果想更细地看这串心跳，还有什么办法？

第六层：更深一层的 HRV 分析

频域：把心跳拆成不同的”频率”

把那串逐拍间隔当成一个信号，做频谱分析，可以看到不同快慢的波动各占多少能量1：

频段范围主要来源
HF（高频）0.15–0.40 Hz呼吸带来的逐拍变化，反映迷走神经
LF（低频）0.04–0.15 Hz约 10 秒一个周期的血压调节反射
VLF / ULF更低体温、激素、昼夜节律

这里有一个流传很广的误解要纠正：很多资料说 LF/HF 比值代表”交感-副交感平衡”，LF/HF 越高越紧张。这个说法已经被生理学界大量质疑。LF 并不是纯粹的交感指标，它主要反映血压调节反射，交感和副交感都参与其中，LF/HF 也就谈不上”平衡”20。如果在别的地方看到用 LF/HF 量化压力，最好打个问号。

另一个实用的结论是：呼吸会直接改变 HRV。 当呼吸放慢到每分钟 6 次左右，呼吸节律和血压调节反射的节律正好共振，HRV 会被明显放大。很多”HRV 呼吸训练”就是利用这个原理21。反过来说，你刚做完几分钟慢呼吸，HRV 会明显升高，这不代表身体状态一下子变好了。

非线性：心跳的”复杂度”

心跳调节是一个多层反馈的复杂系统，于是有了一些非线性指标：

  • Poincaré 散点图：以第 ii 拍的间隔 RRiRR_i 为横轴、第 i+1i+1 拍的间隔 RRi+1RR_{i+1} 为纵轴画散点，会得到一个椭圆。椭圆的短轴宽度 SD1 和长轴宽度 SD2 很有意思：可以证明 SD1=RMSSD/2\mathrm{SD1} = \mathrm{RMSSD}/\sqrt{2}，而 SDNN2≈(SD12+SD22)/2\mathrm{SDNN}^2 \approx (\mathrm{SD1}^2 + \mathrm{SD2}^2)/222。也就是说，RMSSD 和 SDNN 在这张图里分别对应椭圆的”短轴”和”整体大小”，正好把前面两个 App 的算法统一到了一张图上。
  • 样本熵、多尺度熵：衡量序列的”不可预测性”。研究发现，健康年轻人的心跳在多个时间尺度上都保持很高的复杂度，衰老和心衰会让复杂度下降23。
  • DFA α1：衡量心跳序列的分形相关性。近几年运动科学发现，运动中 α1 降到 0.75 左右大约对应有氧阈值，可以用来划分训练强度24。

这些指标消费级产品基本不展示，但它们说明了一件事：HRV 不只是”一个数”，而是一个可以从很多角度观察的信号。

讲到这里，最后一个问题就躲不开了：既然 HRV 有这么多局限，有没有比它更好的方式来量化人的状态？

第七层：HRV 的边界，以及更好的方式

先说结论：没有哪个单一指标能全面取代 HRV。 HRV 的优点是无创、便宜、可以连续测、对自主神经很敏感；它最大的缺点是不特异。压力、生病、喝酒、训练、没睡好都会让它下降，但它不会告诉你是哪个原因。

还有几种情况下 HRV 会”骗人”：

  • 心率本身的影响：心率越高，相邻两拍的时间越短，能变化的空间就越小。HRV 和平均心率之间有一部分是数学上的耦合25。
  • HRV 高不一定好：房颤、频繁早搏会让心跳极度不规律，HRV 数值看起来很高，实际上是病理性的2。
  • 耐力运动员的”饱和”：静息心率非常低的运动员，迷走神经已经接近”饱和”，RMSSD 有时反而会下降，这和疲劳无关11。

所以，目前比较靠谱的思路不是找一个”更好的指标”，而是多信号结合，按时间尺度分层：

时间尺度看什么回答什么问题
秒到分钟HRV、皮肤电（只受交感神经支配）、呼吸现在是不是紧张
天晨起或夜间 HRV 的 7 天均值、静息心率、睡眠、体温恢复得怎么样，是不是要生病
月到年最大摄氧量（VO₂max）、运动后心率恢复、体检指标身体底子怎么样

其中有两个值得单独提：

  • 静息心率：和 HRV 高度相关，但测量误差小得多，任何设备都测得准。和 HRV 一起看，比单看 HRV 更稳26。
  • 你自己的主观感受：这一点可能最反直觉。一篇发表在《英国运动医学杂志》上的系统综述比较了运动员的各种监测手段，结论是：主观问卷（情绪、疲劳、睡眠质量、肌肉酸痛）对训练负荷的反应，常常比心率、HRV、血液指标这些客观指标更敏感、更一致27。

回到开头下午那个场景：你感觉到的”木木的”，本身就是一个有价值的信号。HRV 的意义不是替代这种感觉，而是在它之外，提供一个可以长期追踪、可以和自己过去比较的客观参照。

写在最后

从两个对不上的数字出发，我们一路追到了：

  1. 两个 App 用的是不同的公式：健康 App 用 SDNN，看整体有多分散；StressWatch 用 RMSSD，看相邻两拍差多少。
  2. 选择不同是因为目的不同：SDNN 来自 24 小时临床标准，信息全但受时长和慢漂移影响；RMSSD 对短时变化敏感，几乎只反映迷走神经，更适合做压力提醒。
  3. 用户侧的差别：数字不能互比，只能和自己的基线比；看趋势，不看单次读数。
  4. HRV 能反映状态，是因为只有迷走神经快到能制造逐拍变化，而迷走神经活动会被压力、疲劳、疾病、生活方式压低。
  5. HRV 不特异，最好和静息心率、睡眠、主观感受一起看。

如果你手边有 Polar 胸带或者能导出逐拍数据的设备，也可以自己算一下：

import numpy as np

rr = np.array([1012, 968, 1035, 991, 1047, 973])  # 逐拍间隔，单位 ms

sdnn = np.std(rr, ddof=1)
rmssd = np.sqrt(np.mean(np.diff(rr) ** 2))
sd1 = rmssd / np.sqrt(2)

print(f"SDNN={sdnn:.1f} ms  RMSSD={rmssd:.1f} ms  SD1={sd1:.1f} ms")

一个简单的实验：下次感觉人发木的时候，先安静坐着测一次，然后快走 10 分钟或者做 5 分钟慢呼吸，再测一次，看看 HRV 和精神是不是一起回升。如果总是一起变，说明在你身上它们的同源性很强。

参考材料

Footnotes

  1. Task Force of the ESC and NASPE. Heart rate variability: standards of measurement, physiological interpretation and clinical use. Circulation, 1996;93(5):1043–1065. ↩ ↩2 ↩3

  2. Shaffer F, Ginsberg JP. An overview of heart rate variability metrics and norms. Frontiers in Public Health, 2017;5:258. ↩ ↩2 ↩3 ↩4 ↩5

  3. StressWatch 文档：More Frequently Asked Questions ↩ ↩2

  4. Kygo：Apple Watch Stress Tracking: No Score, But the Data Is There ↩ ↩2 ↩3

  5. Apple Developer：heartRateVariabilitySDNN ↩

  6. StressWatch 文档：Why are the HRV values displayed in StressWatch different from those in Apple Health? ↩ ↩2

  7. Apple Developer：HKHeartbeatSeriesSample ↩

  8. Kleiger RE, et al. Decreased heart rate variability and its association with increased mortality after acute myocardial infarction. Am J Cardiol, 1987;59(4):256–262. ↩

  9. Munoz ML, et al. Validity of (ultra-)short recordings for heart rate variability measurements. PLoS ONE, 2015;10(9):e0138921. ↩

  10. Esco MR, Flatt AA. Ultra-short-term heart rate variability indexes at rest and post-exercise in athletes. J Sports Sci Med, 2014;13(3):535–541. ↩

  11. Plews DJ, et al. Training adaptation and heart rate variability in elite endurance athletes: opening the door to effective monitoring. Sports Medicine, 2013;43(9):773–781. ↩ ↩2 ↩3 ↩4 ↩5

  12. Plews DJ, et al. Comparison of heart-rate-variability recording with smartphone photoplethysmography, Polar H7 chest strap, and electrocardiography. Int J Sports Physiol Perform, 2017;12(10):1324–1328. ↩

  13. Gordan R, Gwathmey JK, Xie LH. Autonomic and endocrine control of cardiovascular function. World J Cardiol, 2015;7(4):204–214. ↩ ↩2

  14. Hayano J, et al. Respiratory sinus arrhythmia: a phenomenon improving pulmonary gas exchange and circulatory efficiency. Circulation, 1996;94(4):842–847. ↩

  15. Kiviniemi AM, et al. Endurance training guided individually by daily heart rate variability measurements. Eur J Appl Physiol, 2007;101(6):743–751. ↩

  16. Mishra T, et al. Pre-symptomatic detection of COVID-19 from smartwatch data. Nature Biomedical Engineering, 2020;4:1208–1220. ↩

  17. Thayer JF, Lane RD. A model of neurovisceral integration in emotion regulation and dysregulation. J Affect Disord, 2000;61(3):201–216. ↩

  18. StressWatch 文档：When will StressWatch prompt “Stress Overload”? ↩ ↩2 ↩3 ↩4 ↩5

  19. Voss A, et al. Short-term heart rate variability—influence of gender and age in healthy subjects. PLoS ONE, 2015;10(3):e0118308. ↩

  20. Billman GE. The LF/HF ratio does not accurately measure cardiac sympatho-vagal balance. Frontiers in Physiology, 2013;4:26. ↩

  21. Lehrer PM, Gevirtz R. Heart rate variability biofeedback: how and why does it work? Frontiers in Psychology, 2014;5:756. ↩

  22. Brennan M, Palaniswami M, Kamen P. Do existing measures of Poincaré plot geometry reflect nonlinear features of heart rate variability? IEEE Trans Biomed Eng, 2001;48(11):1342–1347. ↩

  23. Costa M, Goldberger AL, Peng CK. Multiscale entropy analysis of complex physiologic time series. Phys Rev Lett, 2002;89(6):068102. ↩

  24. Rogers B, et al. A new detection method defining the aerobic threshold for endurance exercise and training prescription based on fractal correlation properties of heart rate variability. Frontiers in Physiology, 2021;11:596567. ↩

  25. Sacha J. Why should one normalize heart rate variability with respect to average heart rate. Frontiers in Physiology, 2013;4:306. ↩

  26. Buchheit M. Monitoring training status with HR measures: do all roads lead to Rome? Frontiers in Physiology, 2014;5:73. ↩

  27. Saw AE, Main LC, Gastin PB. Monitoring the athlete training response: subjective self-reported measures trump commonly used objective measures: a systematic review. Br J Sports Med, 2016;50(5):281–291. ↩