---
lang: zh-TW
title: "從兩個對不上的 HRV 數字說起：由淺入深理解心率變異性"
description: "同一塊 Apple Watch，健康 App 和 StressWatch 顯示的 HRV 對不上。是算錯了，還是兩個 App
本來就在測兩樣東西？把 SDNN 和 RMSSD 分開看，HRV 能反映什麼、不能反映什麼也就清楚了。"
pubDate: 2026-10-14
tags: [ "HRV", "健康", "可穿戴设备", "算法" ]
clc: "R33"
hero: "./hero.zh-TW.svg"
refs:
- id: "1"
title: "Heart rate variability: standards of measurement, physiological
interpretation and clinical use"
site: "Circulation"
author: "Task Force of the ESC and NASPE"
date: "1996"
note: "93(5):1043–1065"
- id: "2"
title: "An overview of heart rate variability metrics and norms"
site: "Frontiers in Public Health"
author: "Shaffer F, Ginsberg JP"
date: "2017"
note: "5:258"
- id: "3"
title: "More Frequently Asked Questions"
url: "https://docs.ideation.love/stresswatch/en/principle/frequently-asked-ques\
tions.html"
collect: "ideation-stresswatch-principle-frequently-asked"
site: "StressWatch 文件"
- id: "4"
title: "heartRateVariabilitySDNN"
url: "https://developer.apple.com/documentation/healthkit/hkquantitytypeidentif\
ier/heartratevariabilitysdnn"
collect: "apple-documentation-healthkit-hkquantitytypeiden"
site: "Apple Developer"
- id: "5"
title: "Why are the HRV values displayed in StressWatch different from those in
Apple Health?"
url: "https://docs.ideation.love/stresswatch/en/principle/why-are-different-fro\
m-apple-health.html"
collect: "ideation-stresswatch-principle-why-are-different"
site: "StressWatch 文件"
- id: "6"
title: "HKHeartbeatSeriesSample"
url: "https://developer.apple.com/documentation/healthkit/hkheartbeatseriessamp\
le"
collect: "apple-documentation-healthkit-hkheartbeatseriess"
site: "Apple Developer"
- id: "7"
title: "Apple Watch Stress Tracking: No Score, But the Data Is There"
url: "https://www.kygo.app/post/apple-watch-stress-tracking-explained"
collect: "kygo-apple-watch-stress-tracking-explained"
site: "Kygo"
- id: "8"
title: "Decreased heart rate variability and its association with increased
mortality after acute myocardial infarction"
site: "Am J Cardiol"
author: "Kleiger RE, et al."
date: "1987"
note: "59(4):256–262"
- id: "9"
title: "Validity of (ultra-)short recordings for heart rate variability
measurements"
site: "PLoS ONE"
author: "Munoz ML, et al."
date: "2015"
note: "10(9):e0138921"
- id: "10"
title: "Ultra-short-term heart rate variability indexes at rest and
post-exercise in athletes"
site: "J Sports Sci Med"
author: "Esco MR, Flatt AA"
date: "2014"
note: "13(3):535–541"
- id: "11"
title: "Training adaptation and heart rate variability in elite endurance
athletes: opening the door to effective monitoring"
site: "Sports Medicine"
author: "Plews DJ, et al."
date: "2013"
note: "43(9):773–781"
- id: "12"
title: "Comparison of heart-rate-variability recording with smartphone
photoplethysmography, Polar H7 chest strap, and electrocardiography"
site: "Int J Sports Physiol Perform"
author: "Plews DJ, et al."
date: "2017"
note: "12(10):1324–1328"
- id: "13"
title: "Autonomic and endocrine control of cardiovascular function"
site: "World J Cardiol"
author: "Gordan R, Gwathmey JK, Xie LH"
date: "2015"
note: "7(4):204–214"
- id: "14"
title: "Respiratory sinus arrhythmia: a phenomenon improving pulmonary gas
exchange and circulatory efficiency"
site: "Circulation"
author: "Hayano J, et al."
date: "1996"
note: "94(4):842–847"
- id: "15"
title: "Endurance training guided individually by daily heart rate variability
measurements"
site: "Eur J Appl Physiol"
author: "Kiviniemi AM, et al."
date: "2007"
note: "101(6):743–751"
- id: "16"
title: "Pre-symptomatic detection of COVID-19 from smartwatch data"
site: "Nature Biomedical Engineering"
author: "Mishra T, et al."
date: "2020"
note: "4:1208–1220"
- id: "17"
title: "A model of neurovisceral integration in emotion regulation and
dysregulation"
site: "J Affect Disord"
author: "Thayer JF, Lane RD"
date: "2000"
note: "61(3):201–216"
- id: "18"
title: "When will StressWatch prompt \"Stress Overload\"?"
url: "https://docs.ideation.love/stresswatch/en/principle/when-will-stresswatch\
-prompt-stress-overload.html"
collect: "ideation-stresswatch-principle-when-will-stressw"
site: "StressWatch 文件"
- id: "19"
title: "Short-term heart rate variability—influence of gender and age in healthy
subjects"
site: "PLoS ONE"
author: "Voss A, et al."
date: "2015"
note: "10(3):e0118308"
- id: "20"
title: "The LF/HF ratio does not accurately measure cardiac sympatho-vagal
balance"
site: "Frontiers in Physiology"
author: "Billman GE"
date: "2013"
note: "4:26"
- id: "21"
title: "Heart rate variability biofeedback: how and why does it work?"
site: "Frontiers in Psychology"
author: "Lehrer PM, Gevirtz R"
date: "2014"
note: "5:756"
- id: "22"
title: "Do existing measures of Poincaré plot geometry reflect nonlinear
features of heart rate variability?"
site: "IEEE Trans Biomed Eng"
author: "Brennan M, Palaniswami M, Kamen P"
date: "2001"
note: "48(11):1342–1347"
- id: "23"
title: "Multiscale entropy analysis of complex physiologic time series"
site: "Phys Rev Lett"
author: "Costa M, Goldberger AL, Peng CK"
date: "2002"
note: "89(6):068102"
- id: "24"
title: "A new detection method defining the aerobic threshold for endurance
exercise and training prescription based on fractal correlation properties
of heart rate variability"
site: "Frontiers in Physiology"
author: "Rogers B, et al."
date: "2021"
note: "11:596567"
- id: "25"
title: "Why should one normalize heart rate variability with respect to average
heart rate"
site: "Frontiers in Physiology"
author: "Sacha J"
date: "2013"
note: "4:306"
- id: "26"
title: "Monitoring training status with HR measures: do all roads lead to Rome?"
site: "Frontiers in Physiology"
author: "Buchheit M"
date: "2014"
note: "5:73"
- id: "27"
title: "Monitoring the athlete training response: subjective self-reported
measures trump commonly used objective measures: a systematic review"
site: "Br J Sports Med"
author: "Saw AE, Main LC, Gastin PB"
date: "2016"
note: "50(5):281–291"
---
最近一段時間，我同時在用 Apple Watch 自帶的健康 App 和一個叫 StressWatch 的第三方 App 看 HRV。下面是同一天、同一塊表，兩個 App 的截圖：
左：健康 App。右：StressWatch。同一天的資料。
兩張圖的大趨勢是一致的：夜裡睡覺時 HRV 高，早上六點以後一路掉下來，整個白天都在低位。但細看又處處對不上：
- **健康 App** 給的是毫秒數：今天的範圍是 9 到 188 毫秒，最新一次（20:17）是 41 毫秒，下午那幾個小時基本在 10 到 30 毫秒之間。
- **StressWatch** 的 HRV 趨勢圖上乾脆沒有毫秒刻度，只有按狀態上色的點：夜裡是綠色，白天是一片紅。而且它的點比健康 App 密得多，夜裡幾分鐘就一個。
- StressWatch 下面的"實時壓力"更直接：從上午九點多開始，柱子大多頂到了 100 附近。
可我那天下午並沒覺得壓力大，就是人有點木木的，思維不太活躍。
於是有了幾個問題：
1. 兩個 App 用的是什麼演算法？
2. 為什麼它們要選不同的演算法？
3. 不同的演算法，到了使用者這邊看到的東西有什麼不同？
4. 再往深一層：HRV 到底為什麼能反映身體狀態？它說的"10"，和我感覺到的"木木的"，是不是一回事？
本文就順著這幾個問題，一層一層往下講。
---
## 第一層：HRV 測的到底是什麼
先從最基礎的說起。我們常說"心率 60"，聽起來好像心臟像節拍器一樣每秒跳一下。實際上並不是。如果把每兩次心跳之間的時間（醫學上叫 **RR 間期**）逐個記下來，你會看到一串像這樣的數字：
```text
1012 ms, 968 ms, 1035 ms, 991 ms, 1047 ms, 973 ms ...
```
平均下來確實接近 60 bpm，但每一拍都不一樣。**HRV（Heart Rate Variability，心率變異性）說的就是這串數字的"不一樣"有多明顯。**
圖 1 · 心率說的是"平均每分鐘跳幾下"，HRV 說的是"每一拍之間差多少"。同樣是 60 bpm，間隔可以像這樣忽長忽短。
反直覺的是：**健康的心跳恰恰是不規律的。** 心跳間隔變化越豐富，通常說明神經系統對心臟的調控越靈活；心跳越像節拍器，反而越可能是身體處在緊繃、疲勞或疾病的狀態[^1][^2]。
Apple Watch 測 HRV 的過程大致是：在你靜止、表戴得比較穩的時候，用背面的光學感測器（PPG）測一小段脈搏，找出每一拍的位置，得到一串逐拍間隔。按 StressWatch 文件的說法，預設情況下這種自動測量大約每 2 到 5 小時一次，運動、低電量模式、表沒戴穩時都會暫停[^3]；開啟房顫記錄等功能或換了新款手錶後會頻繁得多[^7]。我截圖裡的健康 App，幾乎每個小時都有好幾次測量。
到這裡我們有了一串數字。但"不一樣有多明顯"是個模糊的說法，要變成螢幕上的一個數，就得選一個公式。**問題來了：用什麼公式？**
---
## 第二層：兩個 App，兩個公式
答案很簡單，兩個 App 用的公式不一樣：
- **健康 App 用 SDNN。** Apple 在 HealthKit 裡存 HRV 用的資料型別就叫 `heartRateVariabilitySDNN`，名字裡直接寫明瞭演算法[^4]。
- **StressWatch 用 RMSSD。** 它的官方文件專門有一篇解釋"為什麼和 Apple 健康的數值不一樣"，原話是：StressWatch 選擇 RMSSD 作為計算方法，因為它比 SDNN 更敏感[^5]。
那它是怎麼拿到資料的？Apple Watch 每次測 HRV，除了往 HealthKit 裡寫一個算好的 SDNN 數值，還會寫一份原始的逐拍心跳序列（`HKHeartbeatSeriesSample`，watchOS 6 起提供）[^6]。健康 App 只展示前者；第三方 App 獲得授權後可以讀後者，用自己的公式重新算。HRV4Training、Athlytic 這類 App 就是這樣從 Apple Watch 資料裡算出 RMSSD 的[^7]。StressWatch 文件沒寫它具體讀的是哪份資料，但既然它要算 RMSSD，從逐拍序列重算是最直接的路徑（這一點是我的推斷）。
圖 2 · 同一次測量寫進 HealthKit 兩份資料。健康 App 展示現成的 SDNN，StressWatch 用 RMSSD，再疊加靜息心率和個人基線。圖中數值為示意。
兩個公式分別長這樣。設逐拍間隔為 $RR_1, RR_2, \dots, RR_N$：
**SDNN**：所有間隔的標準差。
$$
\mathrm{SDNN} = \sqrt{\frac{1}{N-1}\sum_{i=1}^{N}\left(RR_i - \overline{RR}\right)^2}
$$
其中 $\overline{RR}$ 是所有間隔的平均值。
**RMSSD**：相鄰兩拍之差的均方根。
$$
\mathrm{RMSSD} = \sqrt{\frac{1}{N-1}\sum_{i=1}^{N-1}\left(RR_{i+1} - RR_i\right)^2}
$$
公式看著像，其實問的是兩個完全不同的問題：
- SDNN 問的是：**這串數整體有多分散？** 它不在乎數字的先後順序。
- RMSSD 問的是：**每一拍和上一拍差多少？** 它只看相鄰的變化。
用一個例子最容易看出區別。下面 A、B 兩段心跳用的是**完全相同的 16 個數**，只是排列順序不同：
圖 3 · SDNN 只看這組數有多分散，不管先後順序；RMSSD 只看相鄰兩拍差多少。同樣 16 個數，換個順序，RMSSD 從 19 ms 變成 89 ms。
A 的心跳是慢慢變慢、再慢慢變快；B 的心跳每一拍都在大幅跳動。兩段的 SDNN 一模一樣，都是 47.3 ms，因為數字本身沒變；但 RMSSD 一個是 19.3 ms，一個是 88.8 ms，差了 4 倍多。
這就解釋了第一個現象：**兩個 App 的數字對不上，不是誰測錯了，而是它們在回答不同的問題[^5]。** 上面這個例子也說明，SDNN 和 RMSSD 之間沒有固定的換算比例，所以不能拿一個去校驗另一個。
既然兩個公式都對，**為什麼 Apple 選了 SDNN，StressWatch 偏偏選了 RMSSD？**
---
## 第三層：為什麼要選不同的演算法
### Apple 為什麼用 SDNN
SDNN 是 HRV 領域最"正統"的指標。1996 年歐洲心臟病學會和北美起搏電生理學會聯合釋出的 HRV 測量標準（業內常說的 Task Force 標準）裡，SDNN 排在時域指標的第一位，而它最初是為 **24 小時動態心電圖** 設計的[^1]。臨床上有一個經典結論：心梗後病人的 24 小時 SDNN 低於 50 ms，死亡風險顯著升高[^8]。
HealthKit 是按醫療資料標準設計的，選一個臨床上最有名的指標，是很自然的選擇[^7]。SDNN 還有一個好處：它是"總變異"，交感、副交感、呼吸、體溫、晝夜節律帶來的變化都會算進去，資訊量最全。
問題在於，**SDNN 的"全"在短時測量裡反而是缺點。** 它會隨記錄時長變大：同一個人，測 1 分鐘和測 24 小時，SDNN 能差好幾倍[^2]。它還會把一些和"狀態"無關的慢變化也算進去，比如測量中途換了個姿勢、心率慢慢往下走。手錶每次只測一小段，這種慢漂移在短視窗裡佔的比重更大。
### StressWatch 為什麼用 RMSSD
StressWatch 要做的事情不是給醫生看報告，而是**提醒你"現在身體有點緊"**。它需要的是一個對短時變化敏感、又不容易被慢漂移帶偏的指標。RMSSD 恰好滿足：
1. **只看相鄰兩拍**，慢慢的漂移在相鄰兩拍之間幾乎為零，被自然過濾掉了（就像圖 3 裡的 A）。
2. **對視窗長度不敏感。** 研究顯示，1 分鐘的 RMSSD 和 5 分鐘的 RMSSD 一致性仍然不錯，而 SDNN 和頻域指標在超短視窗裡就不太可靠[^9][^10]。
3. **它幾乎只反映副交感神經（迷走神經）的活動**，這是它和"壓力"掛鉤的關鍵，下一層專門講。
這也是為什麼絕大多數做恢復、壓力的裝置，比如 Oura、WHOOP、Garmin，以及運動科學圈常用的 HRV4Training，用的都是 RMSSD 或它的對數 lnRMSSD[^11][^12]。
| | SDNN | RMSSD |
|---|---|---|
| 問的問題 | 整體有多分散 | 相鄰兩拍差多少 |
| 主要反映 | 總變異（多種來源混在一起） | 迷走神經活動 |
| 對記錄時長 | 越長越大，短時與長時不可比 | 較穩健，1 分鐘也能用 |
| 典型場景 | 24 小時臨床評估 | 短時壓力、每日恢復 |
| 誰在用 | Apple 健康 | StressWatch、Oura、WHOOP、Garmin |
到這裡又冒出一個更根本的問題：**為什麼"相鄰兩拍差多少"能代表壓力？**
---
## 第四層：為什麼 HRV 能反映身體狀態
### 心臟有自己的節拍器，但一直被踩著剎車
心臟裡有一個天然的起搏點，叫竇房結。如果切斷它和神經的聯絡（比如心臟移植後的病人），它自己的節奏大約是每分鐘 100 次左右[^13]。我們靜息心率只有 60 多，是因為**迷走神經一直在踩剎車**。
調節心跳的有兩套神經系統，關鍵區別在於**速度**：
- **迷走神經（副交感）**：釋放乙醯膽鹼，直接開啟心肌細胞上的鉀通道，**起效在一秒以內，撤得也快**。它可以做到這一拍讓心跳慢一點、下一拍鬆開。
- **交感神經**：釋放去甲腎上腺素，要經過細胞內的第二信使通路，**起效要幾秒，恢復要幾十秒**。它像一個低通濾波器，做不出逐拍的快速變化[^2][^13]。
所以，**相鄰兩拍之間的快速變化，基本只能由迷走神經造成。** RMSSD 量的正是這個，於是它成了迷走神經活動的一個無創讀數。
### 呼吸是最大的推手
最明顯的逐拍變化來自呼吸：吸氣時心跳加快，呼氣時心跳變慢，這叫**呼吸性竇性心律不齊（RSA）**[^14]。你現在就可以試一下：摸著脈搏慢慢深呼吸，能感覺到吸氣時脈搏變密、呼氣時變疏。這就是圖 3 裡 B 那種"逐拍跳動"的主要來源。
### 從"迷走神經"到"身體狀態"
迷走神經活躍，意味著身體處在"休息和修復"的模式；當身體需要應對什麼的時候，迷走神經會先撤退，交感神經接管。能讓迷走神經撤退的事情很多：
- **心理壓力**：焦慮、緊張時 HRV 下降[^2]。
- **身體負荷**：大強度訓練後第二天，晨起 RMSSD 通常低於個人基線，恢復後回升。運動科學裡有專門的"按 HRV 安排訓練"方法，效果不比固定計劃差[^11][^15]。
- **生病**：感染早期，常常在發燒之前，就能看到 HRV 下降、靜息心率上升[^16]。
- **生活方式**：喝酒、熬夜、晚飯吃得太晚，第二天的夜間 HRV 往往明顯偏低。
更宏觀地看，有學者提出"神經內臟整合模型"：大腦前額葉透過一條抑制性通路影響迷走神經輸出，所以靜息 HRV 高的人，往往情緒調節和執行功能也更好[^17]。這是 HRV 能從"心臟指標"延伸到"身心狀態指標"的理論基礎。
### 回到下午那個"10"
現在可以回答開頭的問題了。下午健康 App 裡的 HRV 只有 10 到 30 毫秒、StressWatch 的壓力柱頂到 100，人又木木的，**兩者有關係，但不是一回事**。
HRV 測的是自主神經對心臟的調控，不直接測大腦清不清醒。下午這兩件事更可能是**同一個原因的兩個結果**：
- **餐後**：消化時迷走張力下降、心率上升，HRV 跟著掉；同時人會犯困。
- **午後低谷**：人體晝夜節律在下午本來就有一個警覺度低點，睡眠不足時更明顯。
- **久坐、喝水少、咖啡因作用退去**：同時壓低 HRV 和精神狀態。
所以 HRV 低並不需要你"感覺到壓力"，身體層面的負擔（消化、缺覺、脫水）也算負荷，只是主觀上察覺不到。StressWatch 自己的文件也說得很清楚：它測的是**身體壓力**，不是情緒或認知壓力，"HRV 不等於心理壓力"[^3][^18]。
另外，截圖裡那個低位的數字來自健康 App，是 SDNN。它和 StressWatch 內部用的 RMSSD 不在一個尺度上；StressWatch 給我的"紅色"和"接近 100"，是拿 RMSSD 和我自己的基線比出來的，不是拿 10 毫秒這個絕對值判斷的。夜裡同樣的手錶、同樣的人，兩個 App 都顯示 HRV 很高，這說明白天的低位是一種狀態變化，而不是裝置壞了。
這就引出了使用者側最實際的問題：**同樣叫 HRV，兩個 App 給我的體驗到底有什麼不同？**
---
## 第五層：演算法不同，使用者看到的有什麼不同
把兩邊的差異攤開來看：
| | 健康 App | StressWatch |
|---|---|---|
| 顯示什麼 | 一個 SDNN 原始數值（毫秒） | 一個壓力等級，背後是 RMSSD |
| 更新頻率 | 跟著手錶的自動測量走 | HRV 點更密；"實時壓力"約每 6 分鐘更新一次[^18] |
| 怎麼解釋 | 不解釋，只給數字和歷史曲線 | 結合靜息心率和個人基線給結論 |
| 需要多久 | 戴上就有 | 需要約 30 天資料，個性化演算法才比較準[^18] |
有幾點值得展開說：
**第一，數字不能跨 App 比較，也不能和別人比。** SDNN 和 RMSSD 不能互換，不同人的 HRV 又受年齡、性別、遺傳影響很大：從 20 歲到 60 歲，RMSSD 大約會少掉一半[^19]。所以 HRV 只適合**和自己的過去比**。StressWatch 要攢 30 天資料，做的正是建立你個人的基線。
**第二，兩邊的點數不一樣多。** 對比開頭的截圖，StressWatch 夜裡幾分鐘就有一個 HRV 點，健康 App 一個小時只有幾個。它的 App Store 更新說明提到，在新款手錶上 HRV 最快可以每 5 分鐘更新一次；另一種可能是它把一段逐拍心跳切成更短的視窗分別算 RMSSD（推斷，文件沒寫）。而"實時壓力"按文件的說法是"基於過去的心率和 HRV 資料"算的[^18]，兩次 HRV 之間主要靠每分鐘都有的心率來推（推斷）。所以壓力曲線看起來很連續，不代表每根柱子背後都有一次新的 HRV 測量。
**第三，單次讀數噪聲很大。** HRV 每天的自然波動可以超過 10%，體位、呼吸、剛走過幾步、表沒貼緊，都會讓某一次讀數偏離很多[^11]。StressWatch 文件也建議看"當天的整體壓力狀態"，而不是盯著單次讀數[^18]。運動科學裡的標準做法，是看晨起 lnRMSSD 的 **7 天滾動平均**和它的波動幅度[^11]。
**第四，健康 App 給的是"原材料"，StressWatch 給的是"結論"。** 原材料更透明，但普通人很難解讀；結論更好用，但演算法不公開，你沒法知道它為什麼這麼判斷。
到這裡，兩個 App 的差別已經說清楚了。但 RMSSD 和 SDNN 只是 HRV 分析裡最簡單的兩個指標。**如果想更細地看這串心跳，還有什麼辦法？**
---
## 第六層：更深一層的 HRV 分析
### 頻域：把心跳拆成不同的"頻率"
把那串逐拍間隔當成一個訊號，做頻譜分析，可以看到不同快慢的波動各佔多少能量[^1]：
| 頻段 | 範圍 | 主要來源 |
|---|---|---|
| HF（高頻） | 0.15–0.40 Hz | 呼吸帶來的逐拍變化，反映迷走神經 |
| LF（低頻） | 0.04–0.15 Hz | 約 10 秒一個週期的血壓調節反射 |
| VLF / ULF | 更低 | 體溫、激素、晝夜節律 |
這裡有一個流傳很廣的誤解要糾正：很多資料說 **LF/HF 比值代表"交感-副交感平衡"**，LF/HF 越高越緊張。這個說法已經被生理學界大量質疑。LF 並不是純粹的交感指標，它主要反映血壓調節反射，交感和副交感都參與其中，LF/HF 也就談不上"平衡"[^20]。如果在別的地方看到用 LF/HF 量化壓力，最好打個問號。
另一個實用的結論是：**呼吸會直接改變 HRV。** 當呼吸放慢到每分鐘 6 次左右，呼吸節律和血壓調節反射的節律正好共振，HRV 會被明顯放大。很多"HRV 呼吸訓練"就是利用這個原理[^21]。反過來說，你剛做完幾分鐘慢呼吸，HRV 會明顯升高，這不代表身體狀態一下子變好了。
### 非線性：心跳的"複雜度"
心跳調節是一個多層反饋的複雜系統，於是有了一些非線性指標：
- **Poincaré 散點圖**：以第 $i$ 拍的間隔 $RR_i$ 為橫軸、第 $i+1$ 拍的間隔 $RR_{i+1}$ 為縱軸畫散點，會得到一個橢圓。橢圓的短軸寬度 SD1 和長軸寬度 SD2 很有意思：可以證明 $\mathrm{SD1} = \mathrm{RMSSD}/\sqrt{2}$，而 $\mathrm{SDNN}^2 \approx (\mathrm{SD1}^2 + \mathrm{SD2}^2)/2$[^22]。也就是說，**RMSSD 和 SDNN 在這張圖裡分別對應橢圓的"短軸"和"整體大小"**，正好把前面兩個 App 的演算法統一到了一張圖上。
- **樣本熵、多尺度熵**：衡量序列的"不可預測性"。研究發現，健康年輕人的心跳在多個時間尺度上都保持很高的複雜度，衰老和心衰會讓複雜度下降[^23]。
- **DFA α1**：衡量心跳序列的分形相關性。近幾年運動科學發現，運動中 α1 降到 0.75 左右大約對應有氧閾值，可以用來劃分訓練強度[^24]。
這些指標消費級產品基本不展示，但它們說明了一件事：**HRV 不只是"一個數"，而是一個可以從很多角度觀察的訊號。**
講到這裡，最後一個問題就躲不開了：**既然 HRV 有這麼多侷限，有沒有比它更好的方式來量化人的狀態？**
---
## 第七層：HRV 的邊界，以及更好的方式
先說結論：**沒有哪個單一指標能全面取代 HRV。** HRV 的優點是無創、便宜、可以連續測、對自主神經很敏感；它最大的缺點是**不特異**。壓力、生病、喝酒、訓練、沒睡好都會讓它下降，但它不會告訴你是哪個原因。
還有幾種情況下 HRV 會"騙人"：
- **心率本身的影響**：心率越高，相鄰兩拍的時間越短，能變化的空間就越小。HRV 和平均心率之間有一部分是數學上的耦合[^25]。
- **HRV 高不一定好**：房顫、頻繁早搏會讓心跳極度不規律，HRV 數值看起來很高，實際上是病理性的[^2]。
- **耐力運動員的"飽和"**：靜息心率非常低的運動員，迷走神經已經接近"飽和"，RMSSD 有時反而會下降，這和疲勞無關[^11]。
所以，目前比較靠譜的思路不是找一個"更好的指標"，而是**多訊號結合，按時間尺度分層**：
| 時間尺度 | 看什麼 | 回答什麼問題 |
|---|---|---|
| 秒到分鐘 | HRV、皮膚電（只受交感神經支配）、呼吸 | 現在是不是緊張 |
| 天 | 晨起或夜間 HRV 的 7 天均值、靜息心率、睡眠、體溫 | 恢復得怎麼樣，是不是要生病 |
| 月到年 | 最大攝氧量（VO₂max）、運動後心率恢復、體檢指標 | 身體底子怎麼樣 |
其中有兩個值得單獨提：
- **靜息心率**：和 HRV 高度相關，但測量誤差小得多，任何裝置都測得準。和 HRV 一起看，比單看 HRV 更穩[^26]。
- **你自己的主觀感受**：這一點可能最反直覺。一篇發表在《英國運動醫學雜誌》上的系統綜述比較了運動員的各種監測手段，結論是：**主觀問卷（情緒、疲勞、睡眠質量、肌肉痠痛）對訓練負荷的反應，常常比心率、HRV、血液指標這些客觀指標更敏感、更一致**[^27]。
回到開頭下午那個場景：你感覺到的"木木的"，本身就是一個有價值的訊號。HRV 的意義不是替代這種感覺，而是在它之外，提供一個可以長期追蹤、可以和自己過去比較的客觀參照。
---
## 寫在最後
從兩個對不上的數字出發，我們一路追到了：
1. **兩個 App 用的是不同的公式**：健康 App 用 SDNN，看整體有多分散；StressWatch 用 RMSSD，看相鄰兩拍差多少。
2. **選擇不同是因為目的不同**：SDNN 來自 24 小時臨床標準，資訊全但受時長和慢漂移影響；RMSSD 對短時變化敏感，幾乎只反映迷走神經，更適合做壓力提醒。
3. **使用者側的差別**：數字不能互比，只能和自己的基線比；看趨勢，不看單次讀數。
4. **HRV 能反映狀態，是因為只有迷走神經快到能製造逐拍變化**，而迷走神經活動會被壓力、疲勞、疾病、生活方式壓低。
5. **HRV 不特異**，最好和靜息心率、睡眠、主觀感受一起看。
如果你手邊有 Polar 胸帶或者能匯出逐拍資料的裝置，也可以自己算一下：
```python
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")
```
一個簡單的實驗：下次感覺人發木的時候，先安靜坐著測一次，然後快走 10 分鐘或者做 5 分鐘慢呼吸，再測一次，看看 HRV 和精神是不是一起回升。如果總是一起變，說明在你身上它們的同源性很強。
---
## 參考資料