HRVの研究と機器の検証の読み方

心拍変動（HRV）の論文の価値は、レッスン16の連鎖とレッスン17〜19の設定について、どれだけ書いてあるかで決まります。論文が明記すべきことは、公表された二つのチェックリストが示しています。機器の検証では四つの統計量が加わり、それぞれ答える問いが違います。このレッスンでは、2025年のウェアラブルデバイスの研究を例に両方の読み方を示し、最後に、製品の箱にある「検証済み」という言葉が何を意味しうるか、何を意味しえないかを説明します。

パート1：その研究は再現できるか

要旨ではなく、方法の節から読み始めてください。拍をどう記録し、補正し、解析したかがわからなければ、その結果は、何を主張していても、ほかのどの結果とも比べられません。

GRAPHチェックリスト（Quintana、Alvares、Heathers, 2016）は精神医学向けに書かれましたが、どのHRV研究にも当てはまります。四つの領域に13項目があります。参加者の選択：各群をどう募集して評価したか、組み入れ基準、疾患の特徴と薬、身体活動、飲酒、ニコチンを含む属性。心拍間隔の収集：機器と電極の配置、生のサンプリング周波数、記録時間、時刻、フィルター、姿勢と指示。データの準備：間隔をどう計算してリサンプリングしたか、アーチファクトをどう見つけたか、データがなぜ失われたか、どう補正したか（補正した拍の割合を含む）。HRVの計算：指標、ソフトウェア、対数変換の有無、周波数帯とその解釈。この論文は、データ欠損の5%という打ち切りがよく使われているものの経験的な根拠はないこと、また、HFのFFT推定とAR推定の相関がr = 0.96なので、方法そのものよりも報告のしかたのほうが重要であることを指摘しています。

Cataiのチェックリスト（Cataiら, 2020）は、心臓病学と心臓リハビリテーションを対象とした30項目で、条件にさらに踏み込んでいます。部屋（20〜24 °C、湿度40〜60%、騒音、人の往来）、記録の姿勢で少なくとも15分間の安静、前日と当日に避ける物質（アルコール、カフェイン、ニコチン、チョコレート、清涼飲料、エナジードリンク）、前日の激しい運動の禁止、時刻、呼吸数の確認（1分あたり8回未満の呼吸では、LF帯は解釈できません）、明記された信号品質の基準、省略した拍と補間した拍の数、そしてウィンドウを時間で決めたか拍数で決めたか、です。

Psychophysiologyのガイドライン（Quigleyら, 2024）は、機器の最低限を加えています。標準は1000 Hzの心電図（ ECG ECG 心電図 皮膚に付けた電極で記録する、心臓の電気的な活動の記録。心電図に基づくRR間隔は、HRVを測るうえでの参照基準です。 心電図についてさらに詳しく ）で、PPGや100 Hzまでの周波数は、心電図が実行できない場合に限ります。そのほかに、編集した拍の数、5秒を超える欠落、編集が1%を超えるときはその影響の検証、一般向けの機器では基準に対する検証が求められます。

論文は、この三つのリストを開いて読んでください。Heathers（2014）は、2012年に発表された短時間のHRV研究97件を調べ、記録前に食べ物を統制していたのは45%、水分は23%、膀胱が満たされた状態は4%にとどまることを示しました。呼吸数なしでHFの群間差を報告した研究は、解釈できない差を報告したことになります（レッスン18）。

さらに詳しく チェックリストが尋ねない研究デザインの問い

Labordeら（2017）は、研究を三つのR、つまり安静時（resting、ベースラインでの水準）、反応性（reactivity、ベースラインから課題までの変化）、回復（recovery、課題のあとの変化）の枠組みで捉えています。三つのうち一つしか測っていない論文は、問いの三分の一にしか答えていません。しかも三つは入れ替えられません。安静時の迷走神経トーンがより高いことは通常は良いことですが、負荷のもとでの迷走神経活動の低下は、課題によって適応的な場合もそうでない場合もあります。研究がどのRを測ったか、ベースラインの姿勢が課題の姿勢と合っていたか、拍の補正をする人がどの条件のデータを補正しているかを知っていたか、を確認してください。知らないようにすることを、Labordeは勧めています。

パート2：一致を見る四つの統計量

機器の検証では、同じ拍について、新しい機器を基準と比べます。四つの数値が出てきて、それぞれ答える問いが違います。

相関は一致を測りません。 Pearsonのrが示すのは、二つの指標が一緒に上がり下がりするかどうかです。心電図のちょうど二倍を示す時計でも、r = 1になります。BlandとAltman（1986）はこの点から論文を始め、「相関を使うのは誤解を招く」と述べて、それに代わる方法を示しました。

Bland-Altman：バイアスと一致限界。 測定のペアごとに差$d$を求め、そのペアの平均に対してプロットします。差の平均がバイアスで、一致限界は次の式です。

$$\bar{d} \pm 1.96\,s_d$$

読み方：差の平均に、差の標準偏差の約二倍を足し引きしたものです。1986年の論文は、1.96を2に丸めています。差がおおよそ正規分布なら、一回ごとの比較の95%が、この限界の内側に入ります。バイアスは、機器が平均して高く出るか低く出るかを示します。一致限界は、一回の測定値がどこまでずれうるかを示します。バイアスだけを報告して一致限界を報告しない検証は、平均を報告し、ばらつきを隠しています。

ICC：級内相関係数。 二つの機器を評価者とみなし、全体の分散のうち、評価者どうしの不一致ではなく、人どうしの本当の違いから来る割合を問います。

$$\mathrm{ICC} = \frac{\sigma^2_{\text{between people}}}{\sigma^2_{\text{between people}} + \sigma^2_{\text{error}}}$$

読み方：シグナルである分散を、シグナルとノイズの和で割ったものです。KooとLi（2016）は、仮定の異なるICCの形式を十種類挙げ、著者にモデル、タイプ、定義を明記し、95%信頼区間を報告するよう求めています。その区分は、0.5未満が低い、0.5〜0.75が中程度、0.75〜0.9が良い、0.9超が非常に良いです。ICCは、サンプルの人どうしがどれだけ違うかに左右されます。幅広い人を集めたサンプルでは、似た人たちで測った同じ機器よりも、信頼性が高く見えます。

CCC：一致相関係数。 Lin（1989）は、原点を通る45度の線に沿った、二つの測定値の相関として定義しました。Pearsonのr（精度、つまり点の雲がどれだけ締まっているか）に、バイアス補正係数（正確さ、つまり雲が完全一致の線からどれだけ離れているか）をかけたものです。

$$\rho_c = \frac{2\rho\,\sigma_x\sigma_y}{\sigma_x^2 + \sigma_y^2 + (\mu_x - \mu_y)^2}$$

読み方：共分散の二倍を、二つの分散と、二つの平均の差の二乗の和で割ったものです。一定のずれや尺度の誤差があると下がり、線の上に点が締まっていると1になります。次に見るウェアラブルデバイスの研究は、この係数を使っています。

平均絶対パーセント誤差（MAPE）。 差の絶対値の平均を、基準に対するパーセントで表したものです。

$$\mathrm{MAPE} = \frac{100}{n}\sum_{i=1}^{n}\left|\frac{x_i - r_i}{r_i}\right|$$

読み方：平均して何パーセントずれているか、です。読みやすい反面、落とし穴があります。RMSSDのように、ある人では15 ms、別の人では90 msになりうる指標では、同じ5 msの誤差が、前者では33%、後者では6%になります。

パート3：例題

Dialら（2025）は、健康な成人13人（女性6人、平均年齢33歳）に、1000 Hzでサンプリングする単一誘導の心電図であるPolar H10の胸部ストラップと、ウェアラブルデバイス五機種を一緒に着けてもらい、延べ536夜にわたって夜間のRMSSDを比べました。ウィンドウは機器ごとに違いました。リングとGarminは、夜通しの5分間の区間を平均し、WHOOPは、最後の徐波睡眠の区間に重みをつけた平均を使い、Polarの時計は、入眠後の四時間を使いました。基準は、ストラップの1晩全体の値をKubiosで求めたもので、補正が必要な拍が5%未満の場合だけを残しました。

論文は一致限界を小数第2位まで示しています。ここでは小数第1位に丸めました。機器ごとの夜の数は139晩（Oura第4世代）から470晩（Oura第3世代）まで幅があり、論文の表のバイアスはすべて負です。第4世代のリングが−1.0 ms、第3世代が−2.5、WHOOPが−0.8、Garminが−1.8、Polarの時計が−4.7です。四つの機器では、一致限界は、本来そうあるべきとおり、バイアスに標準偏差の1.96倍を足し引きしたものです。Polarの行は違います。バイアスは−4.65 ms、標準偏差は9.67 msで、一致限界は−23.6〜+14.3 msになるはずです。掲載された限界は、この符号を入れ替えたものです。その行の二つの符号のどちらかが誤植ですが、論文はどちらかを述べていません。どちらにしても、Polarの時計の幅は約38 msで、リングとWHOOPの約18〜23 msよりも広くなっています。

著者らはCCCを、0.80未満を許容できない、0.80〜0.89を低い、0.90〜0.95を中程度、0.95〜0.99をかなり高い、0.99超をほぼ完全と評価し、MAPEが10%を超えるものは許容できないとしました。表を四つの統計量で読んでみます。どの機器もバイアスは小さく、平均すると、すべてストラップから数ミリ秒以内で読んでいます。機器を分けるのは一致限界です。リングとWHOOPは、夜の95%をどちら向きにも約12 ms以内に収めますが、Polarの時計の夜は、ほぼ二倍の幅に広がっています。CCCはばらつきに不利に働くので、この順に並びます。MAPEでは、二つの機器が著者らの線を超えました。研究自身が挙げる限界は、人数が13人で、全員が見たところ健康だったことと、独自のアルゴリズムが更新されうることです。著者らが再検証を続けるよう求めているのは、このためです。

パート4：集団の結果と個人の数値

この表が表すのは、人々をまたいだ機器の性質です。知りたいのは別のこと、つまり、この機器は自分のデータで気になる変化を捉えられるだけ精密か、です。それは、どの検証も教えてくれない数値、つまり自分自身の日ごとのばらつきの大きさで決まります。

7日間平均を表示自分のいつもの範囲を表示

RMSSD（ms）

30405060

29日前今日

• ある朝の測定値
• 7日間平均
• いつもの範囲

何も起きていなくても、1回ごとの測定値は37〜57 msの間で揺れます。7日間平均は45〜49 msの範囲にとどまります。

出来事を追加

寝不足の夜お酒2杯きつい練習の1週間体調の崩れ始め立った姿勢での測定1回リセット

直近30日間の朝のRMSSD（シミュレーション）。いつもの範囲は43〜51 ms。

日	測定値（ms）	7日間平均（ms）	出来事
29日前	41	48	なし
28日前	43	47	なし
27日前	47	46	なし
26日前	45	45	なし
25日前	46	45	なし
24日前	52	46	なし
23日前	51	46	なし
22日前	45	47	なし
21日前	52	48	なし
20日前	37	47	なし
19日前	42	46	なし
18日前	40	45	なし
17日前	52	45	なし
16日前	57	46	なし
15日前	53	47	なし
14日前	42	46	なし
13日前	41	46	なし
12日前	46	47	なし
11日前	53	49	なし
10日前	46	48	なし
9日前	43	46	なし
8日前	45	45	なし
7日前	51	46	なし
6日前	46	47	なし
5日前	47	47	なし
4日前	52	47	なし
3日前	41	46	なし
2日前	40	46	なし
昨日	45	46	なし
今日	52	46	なし

朝のRMSSDを30日分シミュレーションしたグラフで、値は日ごとに上下します。7日間の平均はより安定した線で、普段の範囲は色付きの帯で示されます。グラフの後には、すべての測定値の表があります。

朝の値が、7日間の平均60 msのまわりで±20 ms広がる人を考えます。一晩の値が真の値の約±12 ms以内に入る機器は、本人がもともと持っているばらつきより小さなノイズしか加えないので、その推移は使えます。次に、25 msのまわりで±5 ms広がる人を考えます。同じ機器の誤差は、今度は本人自身の変動より大きくなり、一晩で8 ms変わっても、それがセンサーのせいである可能性は、本人の変化である可能性と同じくらいあります。対策は、レッスン10のとおりです。一晩の値ではなく、7日間の平均を読んでください。バイアスは、見かけほど問題になりません。いつも2.5 ms低く出る機器でも、変化は忠実に示すからです。問題になるのは、自分の数値を他人の数値と、あるいは別の機器で作られた基準値の表と比べるときだけです（レッスン7）。

同じ理屈は、このコースのすべての集団の知見に当てはまります。低いHRVと心血管イベントを関連づけるメタアナリシス（レッスン14）が表すのは、集団です。ICCが0.9だというのは、機器が人どうしをどれだけよく分けるかを表しています。どちらも、ある朝の一回の測定値についての話ではありません。

パート5：リスクの見出しを読む

HRVと健康の研究は、別の種類の数値で終わります。相対リスクです。「HRVが最も低い群はリスクが35%高かった」とは、その群では、比較する群に比べて、イベントが1.35倍の頻度で起きたという意味です。もともとそのイベントがどれくらい起きていたかは、これではわかりません。その絶対リスクが、見出しが何人についての話かを決めます。

下のウィジェットは、相対リスクを人数に変えます。まず「ベースラインのリスク」、つまり100人のうち、いずれにせよそのイベントが起きる人数を決めます。ここでのベースラインは架空の例で、誰かの本当のリスクではありません。次に、HRVと長寿：死亡率の研究が示すことで引用している三つの研究から、相対リスクを読み込みます。既知の心臓病がない人の最初の心血管イベントについてのメタアナリシス（Hillebrand, 2013）、あらゆる原因による死亡についてのメタアナリシス（Jarczok, 2022）、心筋梗塞を起こして生存した人についての1987年の研究（Kleiger）です。それぞれが意味する、余分な人数を数えてください。

人数で見る相対リスク

ベースラインは仮の値で、相対リスクは実際の値

ベースラインのリスク 100人中4人 相対リスク リスクの1.35倍

Hillebrand 2013：1.35 Jarczok 2022：1.56 Kleiger 1987：5.3

ベースラインで

4 人（100人中）

増える人数

1 人（100人中）

• ベースラインでイベントが起こる
• リスクが高いと増える
• どちらでもイベントが起こらない

ベースラインが100人中4人だと、相対リスク1.35では約100人中5人になり、1人が増えます。どちらの場合もイベントが起こらないのは、100人中95人です。

JavaScriptをオンにするとスライダーを動かせます。

10×10に並んだ100個の丸です。塗りつぶした黄色の丸は、ベースラインのリスクでイベントが起こる人、黄色の輪郭の丸は、相対リスクが高い場合に増える人、灰色の丸はどちらの場合もイベントが起こらない人です。1本のスライダーでベースラインのリスクを100人中1〜30人の範囲で設定でき、もう1本で相対リスクを1〜6の範囲で設定できます。3つのボタンで、Hillebrand 2013、Jarczok 2022、Kleiger 1987の相対リスクを読み込めます。各グループの人数が、文で示されます。

リスクの見出しは、三つの問いで読んでください。何に対して相対的か：HRVが最も高い群か、サンプルの残りか、決まった基準値か。何人のうちか：比較する群の絶対リスクはいくつか。そして誰についてか：健康な成人か、心筋梗塞のあとの患者か、夜間のウェアラブルデバイスではなく24時間の医療用心電図で測ったのか。心筋梗塞のあとの相対リスク5と、健康な成人での相対リスク1.35は、違う人たちについての違う知見で、どちらも一人の人についての予測ではありません。

パート6：箱にある「検証済み」の意味

「臨床的に検証済み」は、一般向けのHRVでは規制された表現ではありません。この言葉を見たら、六つの問いを尋ねてください。その答えは、製品ページではなく、公表された論文にあるはずです。

1. 何と比べたか。 1000 Hzの心電図や胸部ストラップは基準です。ほかのウェアラブルデバイスは基準ではありません。
2. 対象は誰か。 何人で、何歳で、どれだけ健康か、不規則な心拍のある人が含まれていたか。2025年の研究は、平均年齢33歳の成人13人です。
3. どの指標とウィンドウか。 5分間の区間から求めた夜間のRMSSDは、5分間の朝の測定値や、24時間のSDNNと同じ量ではありません（レッスン17）。
4. どの統計量か。 相関だけでは一致ではありません。限界つきのバイアスと、区間つきのICCやCCCを探してください。
5. どのファームウェアか。 アルゴリズムは変わります。去年のファームウェアの検証は、過去の文書です。
6. 誰が資金を出したか。 メーカーが資金を出した研究でも、しっかりしたものはあります。その場合は、資金源を明記すべきです。

六つすべてを満たす機器は、その用途について検証されています。それでも診断の道具ではなく、CCCがどれだけ高くても、レッスン14の警告のサインは当てはまります。

これでレベル4、そしてコースの最後まで来ました。次はレベル試験とコースの修了証です。レベルごとの試験、合格したレベルごとのバッジ、そしてだれでも確認できる修了証があります。