表征極短時（＜1 min）心率變異性（HRV）的分析參數通常隨時間呈現出復雜的變化模式，這種隨時間變化的波動很容易干擾對心血管狀態的正確判斷。本文將年齡匹配的41例健康人（對照組）和25例充血性心力衰竭（CHF）患者（實驗組）的長時HRV序列劃分成多段極短時序列，計算同一HRV參數在多段極短時序列中的變異系數以及多次組間t檢驗中差異有統計學意義的檢驗比例，以此探討部分極短時HRV分析參數在揭示不同狀態下心血管系統功能差異時的穩定性；此外，通過對受試者工作特征（ROC）曲線的分析以及人工神經網絡的建模，評估了這些參數對對照組和實驗組進行分類的效果。本文結果表明：① 基于復雜網絡分析的度分布熵指標有著最小的變異系數且對病理狀態敏感（79.75%情況下對照組和實驗組的差異有統計學意義），可為臨床醫生提供一個診斷CHF患者的輔助指標；② 將龐加萊散點圖進行橢圓擬合后，對照組和實驗組的橢圓短長軸之比（SDratio）在98.5%的情況下差異有統計學意義；在人工神經網絡建模時，僅使用SDratio對對照組和實驗組進行分類的正確率為71.87%，表明SDratio或可作為CHF患者的智能診斷指標；③ 仍需尋找可用于極短時HRV分析研究且對CHF患者更加敏感特異的穩定指標。