扫码关注
引言
呼吸类疾病，例如哮喘和慢性阻塞性肺疾病（COPD），在全球范围内影响着数亿人。这些疾病的早期诊断与持续监测对治疗和管理至关重要。然而，传统的听诊方法对环境噪声敏感，且需依赖医生的技能，无法实现连续监测。为了解决这些问题，研究人员开发了一种基于加速度计的可穿戴贴片，能够通过深度学习算法高效检测呼吸频率和哮鸣音。本文介绍该技术的研发背景、工作原理及其应用前景[1]。
1
基于加速度计的贴片技术概述
这种可穿戴贴片利用高灵敏度微机电系统（MEMS）加速度计，与低噪声互补金属氧化物半导体（CMOS）技术结合，可以直接从胸壁检测肺部引起的振动信号（PIV），捕捉呼吸阶段的低频胸壁运动及高频肺部声音。
技术组成：
MEMS传感器：具备微g级分辨率的宽带加速度计（图1a）。
CMOS ASIC接口：将模拟信号转换为24位数字信号（图1b）。
噪声优化：实现6.7 µg/√Hz的优化性能（图1c）。
图1. MEMS传感器与贴片系统：（a）宽带加速度计；（b）紧凑型贴片；（c）噪声性能优化示意图。
2
数据采集与处理方法
患者测试协议
研究从52名患者中采集数据，包括医院和门诊环境。贴片通过医用胶带固定在患者胸部的九个标准听诊点（图4）。患者需在每个位置进行30秒深呼吸，以全面捕捉呼吸声。
图2. 加速度计贴片放置在九个标准听诊位置的示意图。
信号处理技术
滤波：采用60 Hz到2000 Hz的带通滤波去除心音和运动伪影。
去噪：利用离散小波变换增强信号。
分段处理：将数据分割为5秒间隔，便于分析。
可视化：梅尔频谱图
通过快速傅里叶变换（FFT）生成梅尔频谱图，显示声音频率随时间的变化。这种可视化方式有效用于检测哮鸣音。
图3. 数据处理流程：（a）带通滤波；（b）梅尔频谱图可视化。
3
哮鸣音检测：确定性和深度学习方法
确定性时频分析
此方法通过识别频谱中持续一致的频率带检测哮鸣音，具体标准包括：
频率在±50 Hz范围内持续超过100 ms；
振幅达到哮鸣音的特定阈值。
深度学习方法
研究构建了基于卷积神经网络（CNN）的模型，利用标注好的频谱数据进行训练。相比确定性方法，深度学习的检测精度显著提高，性能指标如下：
准确率：94.52%
灵敏度：93.45%
特异性：96.16%
ROC曲线下面积：0.9864
图4. ROC曲线比较：（a）加速度计贴片数据；（b）数字听诊器数据。
4
1
中国记者节
Journalist's Day
结果与分析
噪声环境中的优越表现
在医院等高噪声环境中，贴片能够有效过滤外部干扰，相比数字听诊器表现更为稳定。
图5. 噪声比较：（a）加速度计贴片的梅尔频谱图；（b）数字听诊器频谱图中出现噪声伪影。
5
患者案例分析
肥胖患者的呼吸音检测：贴片在高BMI（>30）的患者中依然能清晰捕获哮鸣音，克服了因脂肪导致的声传递衰减问题。
微弱哮鸣音的检测：即使患者哮鸣音较弱，贴片仍能检测到，适用于术后或出院患者的监测。
图6. 临床案例：（a）哮喘-COPD重叠患者的哮鸣音与爆裂音；（b）肥胖患者的哮鸣音；（c）术后患者的微弱哮鸣音。
6
技术意义与未来发展方向
基于加速度计贴片的优势
连续监测：适用于远程医疗和长期监测。
非侵入性：提供舒适的检测体验。
成本低廉：具备大规模应用的可能性。
未来改进方向
增加对其他肺音（如爆裂音和咳嗽）的检测功能。
拓展至儿童和老年人群的呼吸监测。
7
结论
基于加速度计的可穿戴贴片显著提升了呼吸监测的效率与可靠性。结合深度学习技术，该贴片能够在不同患者群体和复杂环境中精准检测哮鸣音。其小型化和高性能特点，为远程医疗和患者管理提供了强有力的支持。未来可以通过采集更多样化的肺音数据，进一步完善深度学习模型，使其能够识别多种异常肺音，为哮喘和COPD患者提供更全面的诊断依据。
