flowchart LR A["生体信号<br/>(ECG / PPG)"] --> B["フィルタリング"] B --> C["拍の検出<br/>(R 波 / 脈波の基準点)"] C --> D["RR 間隔の算出"] D --> E["アーチファクト・<br/>異所性拍動の<br/>検出と補正"] E --> F["NN 間隔"] F --> G1["時間領域指標"] F --> G2["リサンプリング<br/>→ トレンド除去<br/>→ スペクトル推定"] F --> G3["非線形指標"]
4 計測と前処理:心電図と脈波
HRV 解析の精度は、RR 間隔をどれだけ正確に取り出せるか でほぼ決まります。数 ms の誤差が、RMSSD のような拍ごとの差を見る指標には大きく効きます。
4.1 解析の流れ
4.2 心電図 (ECG) から RR 間隔を求める
4.2.1 サンプリング周波数
R 波の時刻の分解能は、サンプリング周期で決まります。
- 250 Hz → 4 ms 刻み、1000 Hz → 1 ms 刻み
- Task Force 1996 は 250–500 Hz 以上 を推奨。低いサンプリング周波数では、R 波頂点を 放物線補間 するなどして時刻精度を高める
- 安静時の RMSSD が 20 ms 程度の人では、数 ms の量子化誤差でも無視できない
4.2.2 R 波検出
代表的な手法は Pan-Tompkins 法(1985)です。
- 帯域通過フィルタ(約 5–15 Hz)で、基線変動と高周波ノイズを除き、QRS 波を強調
- 微分 で傾きの急な部分(QRS)を強調
- 2 乗 してすべて正の値にし、大きな傾きをさらに強調
- 移動窓積分(約 150 ms)で QRS の包絡線を得る
- 適応的な閾値 で QRS を検出し、元の信号上で R 波頂点を探す
現在は、ウェーブレット変換や機械学習を用いた手法、オープンソースのライブラリ(NeuroKit2 など)も広く使われています。
4.3 脈波 (PPG) から求める場合:PRV ≠ HRV
スマートウォッチやリング型デバイスの多くは、光電式容積脈波 (photoplethysmography; PPG) から拍間隔を求めています。これは厳密には 脈拍変動 (pulse rate variability; PRV) であり、HRV とは同じではありません。
flowchart LR R["心電図 R 波<br/>(電気的興奮)"] -->|"前駆出期 (PEP)<br/>+ 脈波伝播時間 (PTT)"| P["末梢の脈波到達"] P --> PRV["PPG の拍間隔 = PRV"] R --> HRV["RR 間隔 = HRV"]
- 脈波が末梢に届くまでの時間(脈波伝播時間 + 前駆出期)自体が、呼吸や血圧に合わせて拍ごとに揺らぐ
- そのため PRV = HRV + 伝播時間の揺らぎ となり、特に RMSSD や HF などの拍ごとの速い揺らぎを過大評価 しやすい
- 安静・仰臥位・体動なし の条件では両者はよく一致するが、立位・運動・体動・寒冷(末梢血流低下) で一致度が下がる(Schäfer & Vagedes 2013)
PPG では、脈波の 立ち上がり点(足; foot)、最大傾き点、頂点 などを基準点にできます。頂点は波形の形の影響を受けやすいため、立ち上がり点や最大傾き点を使うほうが時刻精度は良いとされています。
4.4 アーチファクトと異所性拍動
4.4.1 何が問題か
- 期外収縮(異所性拍動): 早く出た拍(短い RR)の後に 代償性休止(長い RR)が続く。洞結節の自律神経調節を反映しない
- 検出ミス: R 波の見逃し(RR が約 2 倍)、ノイズや T 波の誤検出(RR が分割される)
- 体動・電極の接触不良 によるノイズ
拍ごとの差を見る RMSSD や HF は、たった 1 つの異所性拍動で大きく変わります。第 8 章のハンズオンで実際に確かめます。
4.4.2 検出と補正
- 検出: 例えば「直前の RR、あるいは周囲の中央値から 20% 以上 外れた RR」を異常とみなす(閾値は年齢・心拍数・状況で調整)
- 補正: 異常な RR を
- 削除 する(時間軸がずれるため、周波数解析では注意)
- 前後の正常 RR から 補間 する(線形補間、スプライン補間)
- 報告: 補正した拍の割合を必ず記録する。補正率が高い区間(例: 5% 以上)は解析から除外 することも多い
心房細動では洞結節がリズムを作っていないため、RR 間隔の不規則性は自律神経の調節を反映しません。HRV 解析は 洞調律 が前提です。
4.5 周波数解析のための前処理
RR 間隔の時系列は 拍ごとに得られる不等間隔のデータ です(心拍が速いと間隔が詰まる)。高速フーリエ変換 (FFT) を使うには、等間隔のデータに変換する必要があります。
- リサンプリング: NN 間隔を時刻に対してプロットし、4 Hz などで等間隔に補間する(3 次スプライン補間がよく使われる)
- トレンド除去: 平均値やゆっくりした傾向を除く(多項式、smoothness priors 法など)
- 窓関数をかけて FFT: Welch 法(区間を分けて平均)でばらつきを減らす
不等間隔のまま推定できる Lomb-Scargle ピリオドグラム を使う方法もあります。また、パラメトリックな 自己回帰 (AR) モデル によるスペクトル推定も使われます。手法によって値が変わる ため、研究間の比較では方法の記載が重要です。
4.6 記録時間
| 記録 | 長さ | 主な用途 |
|---|---|---|
| 超短時間 | 1 分未満〜数分 | ウェアラブル、スポット計測。RMSSD は 1 分程度でも 5 分値と比較的よく一致するとの報告がある |
| 短時間 | 5 分(Task Force 推奨の標準) | 実験室・臨床での安静時評価。HF・LF の評価 |
| 長時間 | 24 時間(ホルター心電図) | 予後予測(SDNN など)、概日変動、VLF・ULF の評価 |
記録時間が違う指標は直接比較できません。特に SDNN は記録時間が長いほど大きくなります(遅い揺らぎが含まれるため)。
4.7 実データを Python で解析する場合(参考)
この資料ではブラウザ内で合成データを解析しますが(第 8 章)、実データの解析には、例えば Python の NeuroKit2 が使えます。
import neurokit2 as nk
# ecg: 心電図信号 (1 次元配列), fs: サンプリング周波数 [Hz]
signals, info = nk.ecg_process(ecg, sampling_rate=fs)
peaks = info["ECG_R_Peaks"]
# 時間領域・周波数領域・非線形指標をまとめて算出
hrv = nk.hrv(peaks, sampling_rate=fs, show=True)
print(hrv[["HRV_MeanNN", "HRV_SDNN", "HRV_RMSSD", "HRV_LF", "HRV_HF", "HRV_SD1"]])ライブラリの既定値(異常拍の補正方法、リサンプリング周波数、スペクトル推定法、帯域)は、ライブラリやバージョンによって異なります。論文などで報告する際は、使った設定を明記してください。
4.8 まとめ
- ECG は 250–500 Hz 以上 でサンプリングし、R 波を正確に検出する
- PPG から得られるのは PRV。安静時は HRV とよく一致するが、体動・立位・末梢血流低下で乖離し、拍ごとの速い揺らぎを過大評価しやすい
- 異所性拍動・検出ミスの補正 は必須。補正率を報告する
- 周波数解析では リサンプリング → トレンド除去 → スペクトル推定。方法で値が変わる
- 記録時間の違う指標は比較できない