皮肤交感神经活动：成人运动代谢阈值的潜在新型无创指标

《Physiological Reports》：Skin sympathetic nerve activity: Potential new non-invasive indicator of exercise metabolic thresholds in adults

　　皮肤交感神经活动（SKNA）在爬坡递增运动试验（RIET）中显示与代谢阈值（VTs）高度相关，尤其在SKNAT2与VT2间达0.898的ICC值，表明SKNA可作为实时监测运动负荷及预测呼吸阈值的新指标。

　　在现代运动科学与生理学研究中，确定个体的代谢阈值对于优化运动训练、评估健康状况以及指导临床干预具有重要意义。本研究聚焦于皮肤交感神经活动（Skin Sympathetic Nerve Activity, SKNA）在运动监测和代谢阈值识别中的潜在作用，并通过Ramp Incremental Exercise Test（RIET）验证了SKNA阈值（SKNATs）的可靠性。研究结果表明，SKNA在运动过程中呈现出明显的非线性变化趋势，且其阈值点与呼吸阈值（Ventilatory Thresholds, VTs）存在显著的相关性，尤其是在氧气摄取（VO?）方面表现尤为突出。这为SKNA作为一项新型、非侵入性的生理指标提供了有力的证据。

在运动过程中，交感神经系统（Sympathetic Nervous System, SNS）对身体的生理反应起着关键的调节作用。随着运动强度的增加，SNS的激活程度也随之上升，主要表现为心率（Heart Rate, HR）的加快、血管张力的变化以及呼吸频率的提升。这些变化不仅反映了身体对运动负荷的适应性，也体现了代谢状态的转变。在RIET中，参与者在逐渐增加的负荷下进行骑行，研究人员通过连续监测SKNA、HR、以及气体代谢参数如VO?和二氧化碳输出（VCO?），来评估其在运动过程中的变化规律。结果显示，SKNA在运动开始时呈现逐渐上升的趋势，并在运动结束时显著下降，而这种变化模式与HR和VO?的变化趋势高度一致。

SKNA的阈值点被定义为在运动过程中出现的两个非线性转折点，即SKNAT?和SKNAT?。SKNAT?通常出现在运动时间的43%±6%，而SKNAT?则出现在76%±5%的位置。这些阈值点的确定基于两种方法：一种是数学算法（动态规划算法）对SKNA曲线进行分析，以识别潜在的转折点；另一种则是结合生理原理的主观视觉判断。两种方法的结合使得SKNATs的识别更加准确，并且能够反映SNS在不同运动阶段的活动特征。研究还发现，SKNAT?和SKNAT?分别与VT?和VT?在时间上存在一定的差异，但两者在各项指标上的相关性较高，尤其是在VO?方面表现出极强的关联性。这一发现表明，SKNA可以作为评估代谢阈值的可靠工具，为运动训练和健康监测提供了新的思路。

进一步分析显示，SKNA与VTs之间的指标存在显著的差异。例如，在SKNAT?和VT?的时间点上，VO?的变化并不显著，但HR和aSKNA则表现出明显的不同。而在SKNAT?和VT?的时间点上，VO?、HR、功率输出（Power Output, PO）以及aSKNA的差异更加显著。这种差异可能与呼吸补偿点（Respiratory Compensation Point, RCP）有关，即在运动过程中，呼吸频率的增加可能早于VO?的上升，从而导致SKNA的变化提前于VTs的出现。此外，SKNA与HR之间也存在显著的相关性，这可能是因为HR直接反映了SNS的活动水平，而aSKNA作为SKNA的一种表现形式，能够更具体地反映交感神经的动态变化。

为了验证SKNATs的可靠性，研究采用了多种统计方法，包括皮尔逊相关系数、组内相关系数（Intraclass Correlation Coefficient, ICC）以及Bland–Altman图。结果显示，SKNATs与VTs之间的相关性较强，尤其是在SKNAT?与VT?的比较中，ICC值达到了0.953，表明两者在测量结果上具有高度的一致性。Bland–Altman图也进一步支持了这一结论，所有数据点均落在95%的置信区间内，仅有一个数据点略微超出范围，但仍属于可接受的误差范围内。这些结果表明，SKNA不仅能够准确地反映SNS的活动水平，还能够在一定程度上预测代谢阈值，具有较高的临床和运动实践价值。

此外，研究还探讨了SKNA在运动监测中的应用潜力。作为一种非侵入性的技术，SKNA通过皮肤表面电极采集数据，不仅操作简便，而且能够实现连续监测。这种特性使得SKNA在运动训练、健康评估以及疾病监测中具有独特的优势。尤其是在运动过程中，SKNA能够实时反映SNS的激活程度，从而为运动员和健康个体提供更精准的生理反馈。相比传统的乳酸阈值（Lactate Thresholds, LTs）和呼吸阈值（Ventilatory Thresholds, VTs），SKNA在数据采集和处理方面更加便捷，且能够提供更细致的生理信息，有助于制定个性化的运动处方和评估训练效果。

然而，尽管SKNA在运动监测中展现出良好的应用前景，但其研究仍处于初步探索阶段，存在一些局限性。例如，目前SKNA设备的体积较大，携带不便，且连接线缆的长度限制了实验对象在运动过程中的自由度。此外，SKNA尚未能够完全监测与SNS相关的体温变化，这可能影响其在某些生理状态下的应用。同时，SKNA的阈值点可能受到心理因素或环境条件的影响，因此在实际应用中仍需进一步优化和验证。未来的研究可以结合更多生理指标，如心率变异性（Heart Rate Variability, HRV）、乳酸水平、以及运动表现数据，以提高SKNA在运动评估中的准确性和全面性。

总体而言，本研究为SKNA在运动监测中的应用提供了重要的实证支持，揭示了其在识别代谢阈值方面的潜力。SKNA作为一种非侵入性的、可实时监测的生理指标，有望成为运动科学和临床医学领域的一项新兴工具。其在健康个体中的表现表明，SKNA能够有效反映SNS的动态变化，并与呼吸阈值形成良好的对应关系。随着技术的不断进步和设备的持续优化，SKNA在未来的运动训练、健康评估以及疾病诊断中的应用前景将更加广阔。未来的研究可以进一步探索SKNA与其他生理指标的联合应用，以提升其在不同人群中的适用性，并拓展其在运动医学领域的研究范围。