基于双IMU信号与深度学习的呼吸率估计：面向可穿戴设备的谱图框架

《IEEE Access》：Respiratory Rate Estimation Using Dual-IMU Signals and Deep Learning: A Spectrogram-Based Framework Toward Feasible Wearable Deployment

本文针对动态运动中呼吸信号易受运动干扰的难题，提出一种集成于腰带的双IMU（惯性测量单元）系统，通过短时傅里叶变换将传感器信号转换为谱图，并利用残差网络（ResNet）从时间-频率特征中提取呼吸率（RR）。在20名受试者的坐、站、走、跑实验中，该方法在MAE（平均绝对误差）和MAPE（平均绝对百分比误差）上均显著优于传统IMU方案，尤其在行走（MAE=2.56 bpm）和跑步（MAE=2.67 bpm）等动态场景下误差降低超68%。研究表明，谱图-深度学习框架能有效分离呼吸与运动谐波，为日常连续呼吸监测提供了硬件精简、运动鲁棒的解决方案。

　　

在健康监测领域，呼吸率（RR）是评估心肺功能的关键指标，但传统实验室设备难以应用于日常环境。现有可穿戴方案如腕部光电容积描记法（PPG）易受运动伪影和微滑移干扰，而基于惯性测量单元（IMU）的方法虽能直接捕捉躯干运动，却在行走、跑步等动态活动中因步态谐波淹没呼吸信号而失效。更棘手的是，传感器与皮肤接触不稳定、运动环境下缺乏可靠金标准、以及手工特征提取的局限性，共同阻碍了连续可靠呼吸监测的实现。

为解决这些挑战，台湾大学团队在《IEEE Access》发表研究，提出一种面向可穿戴部署的双IMU谱图深度学习框架。该工作通过将腹部与下背部IMU信号转换为时间-频率表征，利用卷积神经网络自动学习呼吸与运动的判别特征，在保证佩戴舒适性的同时实现了运动鲁棒的呼吸率估计。

研究采用10 Hz采样频率，以32秒窗口（重叠24秒）分段处理数据，通过短时傅里叶变换（STFT）生成包含四元数、角速度、相对运动特征等10通道谱图作为输入。网络采用三层残差结构（ResNet），通过3×3卷积核提取局部谱图模式，并利用残差连接缓解梯度消失。训练中采用基于力带波形的手动峰值标注作为金标准，并通过自相关函数（ACF）清晰度阈值剔除低质量片段，确保标签可靠性。

实验设计验证硬件可行性

通过20名健康受试者（年龄27.6±5.1岁）进行坐、站、走、跑多活动测试，IMU嵌入腰带以模拟日常穿戴场景。结果显示，双IMU配置在静态任务（坐、站）中MAE仅为1.22 bpm与1.08 bpm，显著优于传统相对角度法（2.98 bpm）和PCA（主成分分析）法（2.28 bpm）。

谱图特征增强动态性能

在动态活动中，原始IMU信号被步态谐波主导（如图4所示），而谱图将呼吸映射为窄带脊线（如图5所示），使ResNet能够区分运动干扰。行走和跑步时的MAE分别降至2.56 bpm与2.67 bpm，误差较基准方法降低68%以上，证明时间-频率变换对运动伪影抑制的有效性。

输入特征消融验证双IMU必要性

对比单IMU（仅腹部）与双IMU（腹部+下背部）特征发现，单IMU在跑步时MAE升至4.32 bpm，而双IMU通过相对四元数（q_rel）和角速度（ω_rel）等差分特征将误差降至2.67 bpm。结果表明，下背部IMU作为运动参考，能有效提取躯干局部呼吸运动。

扩展探索排除冗余传感器

添加腿部第三IMU未能提升性能（跑步MAE=2.82 bpm），因大腿信号被步态能量主导（如图27所示），与背部IMU冗余。类似地，自适应噪声消除（ANC）预处理反而引入噪声，凸显谱图+ResNet端到端学习的优势。

误差分析与临床适用性

77%的估计误差在±3 bpm内，满足临床可接受范围。时间序列可视化（如图21-24）显示，模型在呼吸率快速变化时仍能跟踪趋势，且对力带瞬态伪影不敏感。

本研究通过双IMU腰带设计、谱图时间-频率分析及深度学习模型，实现了运动环境下呼吸率的准确估计。其意义在于：硬件上仅需两个低成本IMU，规避了压缩衣依赖；算法上通过ResNet自动学习特征，克服了传统滤波与PCA的局限性；结果上在动态任务中误差降低超68%，为日常连续监测提供了可行路径。未来工作可扩展至临床人群、融合PPG/ECG多模态数据，并探索轻量化部署，推动呼吸监测从实验室向真实场景的过渡。