基于睡眠传感器的心率变异性数据在健康监测领域具有重要应用价值。在健康管理方面，心率变异性数据能够实时反映自主神经系统状态，通过长期监测可有效评估个体的压力水平和疲劳程度，并对高血压、糖尿病等慢性疾病提供早期风险预警。在睡眠领域，心率变异性数据可量化睡眠分期、觉醒次数，辅助诊断失眠、睡眠呼吸暂停等睡眠障碍问题。在心理健康监测方面，心率变异性的异常波动模式与焦虑、抑郁等心理状态具有显著相关性，这使得心率变异性成为心理状态筛查的有效工具，并能为呼吸训练、冥想等干预手段提供数据支持。
本系统基于睡眠传感器数据，提取心率变异性相关指标，计算个体的心率变异性风险指数。算法依赖于睡眠监测设备连续记录的RR间期数据。原始心率数据按5分钟为滑动窗口进行分段，逐段提取心率变异性特征。共提取8项心率变异性指标，包括：HRV_SDNN（RR间期的标准差）、HRV_SDANN（每5分钟平均RR间期的标准差）、HRV_RMSSD（相邻RR间期差值的均方根）、HRV_SDSD（相邻间期差值的标准差）、HRV_TP（总功率）、HRV_LF（低频功率）、HRV_HF（高频功率）、HRV_LF_HF（低频与高频的比值）。首先，对每个心率变异性指标设定风险阈值，根据其数值将每项指标分别打分（0–3分），其中正常为0分，轻度异常为1分，中度异常为2分，重度异常为3分。各指标的划分标准如下：HRV_SDNN>50为正常，35–50为轻度异常，20–35为中度异常，<20为重度异常；HRV_SDANN>40为正常，30-39为轻度异常，15-29为中度异常，<15为重度异常；HRV_RMSSD >40为正常，30-39为轻度异常，15-29为中度异常，<15则为重度异常；HRV_SDSD>30为正常，20-30为轻度异常，10-20为中度异常，<10为重度异常； HRV_TP>1000为正常，600-1000为轻度异常，300-600为中度异常，<200为重度异常；HRV_LF>600为正常，400-600为轻度异常，200-400为中度异常，<200为重度异常；HRV_HF>500为正常，300-500为轻度异常，150-300为中度异常，<150为重度异常；LF/HF在0.5–2.0为正常，>4或<0.2为重度异常。其次，将各指标得分按预设权重加权汇总，不同指标的重要性在风险计算中略有差异，HRV_SDNN、HRV_RMSSD、HRV_HF和HRV_TP核心指标权重较高（权重为0.15），HRV_SDANN、HRV_SDSD、HRV_LF和LF/HF权重相对较低（权重为0.10），权重总和为1。通过加权求和后得到的风险分值范围为0–3。最后，对加权总分进行线性标准化，将其转换为1–99之间的心率变异性风险指数，公式为：风险指数= 1 + (加权得分/ 3) ×98
| 字段名 | 类型 | 描述 |
|---|---|---|
用户ID |
-- | -- |
开始时间 |
-- | -- |
RR间期 |
-- | -- |
HRV_SDNN(ms) |
-- | -- |
HRV_SDANN(ms) |
-- | -- |
| fieldName | exampleValue |
|---|---|
| 用户ID | 1 |
| 开始时间 | 2023-10-10 |
| RR间期 | [970, 806, 771, 802,……] |
curl -H "Authorization: Bearer YOUR_API_KEY" \
http://localhost:3001/api/v1/datasets/176429