环境噪声与耳机声音如何影响心率变异性？

SDNN 是一分钟自主神经调节读数

心率变异性（HRV）描述相邻心跳间隔的变化程度。健康心脏通过自主神经系统调整逐次心跳的间隔，因此 HRV 被用作反映这种调节的非侵入性指标。论文聚焦 SDNN，即正常心跳间隔的标准差，它以毫秒为单位概括整体变异，而不区分交感神经与副交感神经各自的贡献。

这里的测量是由智能手表生成的 1 分钟 SDNN 估计值，并与智能手表和智能手机记录的声级配对。这一选择影响解读：结果是短窗口的变异性统计量，而非临床 Holter 记录，论文也指出消费级可穿戴设备未经校准。作者还报告，噪声暴露本身只能解释 SDNN 变异的一小部分，四个模型的边际 R² 为 0.007 至 0.018，而个体差异解释了更多变异。

按声源与暴露窗口划分的四个队列

分析使用了 Apple Hearing Study 这一全国性前瞻队列中同意参与的成年人，数据采集时间为 2019 年 11 月至 2024 年 12 月。合格参与者通过 iPhone 共享了耳机音频水平或环境声级以及 HRV，贡献了至少 20 次连续 SDNN 测量，并在入组一周内完成了人口学、自评听力和耳鸣的基线调查。

作者将声源（环境噪声与耳机声音）与暴露窗口（短期 20 分钟与长期 160 分钟）交叉，构建了四个分析队列。出于人口学代表性和模型计算可行性的考虑，他们按年龄、性别、族裔的每个唯一分层随机抽取 20 名参与者，并设定固定随机种子。合格人数少于 20 的分层被排除，这主要影响老年参与者。最终各分析样本为 980 至 1180 人，来源池最大为短期环境噪声的 49,983 名合格者，最小为长期耳机声音的 10,726 名。

暴露量为 A 计权分贝的等效声级，模型调整了时段和体力活动。分布式滞后非线性分层贝叶斯模型估计了各滞后时段及总体的 SDNN 变化，并用随机效应捕捉个体差异；第二阶段线性回归按年龄、性别、BMI、压力、自评听力和耳鸣汇总平均变化。中位声级因声源而异：短期和长期环境噪声队列分别为 52.3 和 62.0 dBA，耳机声音则为 66.4 和 68.4 dBA。

SDNN 先短暂上升，随后持续下降

各滞后时段的预测呈现一致形态。当环境噪声从 40 dBA 参考水平升至 50 dBA 时，前 6 分钟内每个 1 分钟滞后段的 SDNN 中位上升 0.2%–0.7%，7–8 分钟附近无明显变化，随后 8 至 20 分钟下降 0.2%–1.4%。耳机声音呈现相似但更短的早期上升，前 3 分钟上升 0.1%–0.2%，5 分钟后下降 0.1%–0.9%。

长期模型的时间形态不同。环境噪声在 50 dBA 时，160 分钟滞后窗口内各段下降 1.4%–2.9%，较早暴露的贡献较小。耳机声音的初始下降为 1.4%，但在最后 20 分钟滞后段趋近于零，为 –0.5%。作者将这一形态解释为噪声暴露相关的生理应激可持续数分钟至数小时，表现为噪声升高后 HRV 降低。

环境噪声的下降幅度随窗口延长而增大

核心比较在于两个窗口。环境噪声每升高 10 分贝，短期模型的 SDNN 总体下降 6.8%，长期模型下降 16.0%，95% 可信区间分别为 5.1%–8.4% 和 13.5%–18.3%。在 60 dBA 时，长期预测下降 27.4%，是短期数值的两倍以上。

短期环境噪声曲线并非单调：它略呈 U 形，最大下降 10.4% 出现在约 60 dBA 附近。作者指出这一转折点接近其他研究报告的 65 dBA 阈值，并推测短期高暴露端下降减弱可能与暴露范围高端数据点较少有关。这是数据密度的解释，并不证明短期强噪声更安全。

耳机声音在两个窗口间更平缓

耳机声音在两个窗口之间的差距小得多。每升高 10 分贝，短期模型的 SDNN 总体下降 7.1%，长期模型下降 7.4%。在 60 dBA 时，预测下降分别为 14.3% 和 14.6%，两者接近，且明显低于长期环境噪声的数值。

作者指出，耳机暴露比环境噪声更可能是自愿的、令人愉悦的或用于缓解压力的，因此两种声源可能并非通过同一路径起作用。耳机采样池也不到环境噪声池的一半，部分原因是耳机使用在一天中所占时间较少。这些背景和样本量差异，使得对两种声源做直接排序需要谨慎。

老年人和耳鸣者下降幅度更大

亚组比较使用个体特异的后验估计，未做显著性检验，因为相对变化估计的不确定性没有传递到个体层面模型，所报告的 95% 置信区间可能偏窄。在此前提下，长期环境噪声模型中老年人的平均 SDNN 下降大于年轻人，报告有耳鸣者的下降大于从未耳鸣者。在 60 dBA 时，每年或每天有几次耳鸣的参与者下降约 28%，而从未耳鸣者约为 25.6%。

自评听力使两种声源呈现相反方向。对环境噪声，自评听力极好者在高声级下下降更大。对耳机声音，自评听力较差者更为突出：在 70 dBA 时其平均变化为 –25.6%，听力极好者为 –22.3%；在 80 dBA 时分别为 –32.5% 和 –26.9%。感知压力对耳机也有影响，压力最高组在 60 dBA 时为 –18.8%，压力较低组为 –13.1%。

作者报告，纳入的变量在环境噪声模型中解释了不到 20% 的个体间变异，在耳机模型中最多解释 23%，短期模型解释得更少。因此，年龄、压力、听力和耳鸣标记的是平均反应不同的群体，但并不能解释大部分个体间差异。

结论适用到哪里，到哪里为止

这项研究的优势在于规模与真实性：它利用自由生活状态下的消费级可穿戴数据刻画短期和长期声音暴露与 HRV，这是短暂受控噪声的实验室研究无法捕捉的。分布式滞后模型也不假设较早的暴露与较近的暴露对反应贡献相同，并允许暴露–反应关系随时间变化。

边界同样具体。队列是 Apple Hearing Study 中同意共享音频和 HRV 数据并满足测量要求的参与者子集，分层抽样排除了合格人数少于 20 的分层，主要是老年分层。声级和 SDNN 来自未经校准的消费级设备，结局是 1 分钟 SDNN 而非临床 HRV 指标。作者还指出分析为观察性研究，因此这些关联不应被解读为噪声对 HRV 的既定因果效应。

对权衡实际信息的读者而言，最具决策意义的区分不是噪声与安静，而是声源与窗口。环境噪声升高 10 分贝在 160 分钟窗口中的下降幅度是 20 分钟窗口的两倍以上，而耳机声音在两个窗口中都接近 7%。在这一格局中，论文提示需要更密切关注的群体是老年人和有耳鸣者，以及耳机暴露下自评听力较差者。这些正是论文自身分层结果与队列平均值偏离最大的群体，也是作者主张应集中开展风险评估的对象。

本文引用的文献