多模态呼吸节律阶段分类平行数据集：助力精准呼吸监测

为解决呼吸监测难题，格但斯克工业大学的研究人员开展呼吸节律阶段分类数据集研究，构建多模态数据集，提升呼吸监测研究水平。

　　在日常生活中，呼吸就像一位忠实的伙伴，时刻伴随着我们。可别小瞧了它，呼吸的奥秘与我们的健康息息相关。精准测量呼吸频率、持续监测呼吸节律，这些对于评估个人健康状况至关重要。比如，突然变化的呼吸模式，可能是肺炎、哮喘或呼吸道感染等疾病的 “信号灯” 。对于健康人群而言，了解自身呼吸模式，也有助于养成更科学的呼吸习惯，促进整体健康。

然而，目前呼吸监测面临着诸多挑战。一方面，现有的公开数据集在呼吸节律分析上存在局限，大多仅包含吸气和呼气阶段的信息，难以全面反映呼吸的真实状态。另一方面，在实际监测中，要兼顾监测的精准度和对使用者的无干扰性并非易事，尤其是在长期监测以及被监测者活动时，噪声的产生更是增加了监测难度。为了攻克这些难题，来自格但斯克工业大学（Gdańsk University of Technology）的 Julian Szymański 等人展开了深入研究，致力于构建用于呼吸监测的数据集，为相关研究和应用奠定坚实基础。

研究人员使用了 HX711 张力计芯片、iNode Nav 加速计和 Witmotion 加速计收集数据。数据采集自三名受试者，包括一名 23 岁健康且身体活跃的男性，以及两名 55 岁健康但不活跃的个体（一男一女）。所有参与者均签署了知情同意书，且该实验获得了格但斯克工业大学伦理委员会批准。采集的数据分为标记的张力计值、标记的加速计值、原始张力计值、原始加速计值四类，涵盖多种呼吸模式，如正常呼吸、浅呼吸、吸气停止、呼气停止等。

研究人员对收集到的数据进行了一系列处理。先将原始数据在特定窗口内归一化到（-1,1）区间，然后基于信号导数的符号变化对呼吸频率进行初步分类，再利用门控循环单元（Gated Recurrent Unit，GRU）模型进行训练，最后通过人工审查和修正得到最终数据标签。

在技术验证环节，研究人员将所有标记样本手动测试并修正错误标签，把数据集划分为合适序列，训练 GRU 模型并在测试集上进行测试。通过对比预测值和实际值评估模型准确性，结果显示运行时模型中，张力计模型准确率为 89.49%，iNode 加速计模型为 77.53%，WitMotion 加速计模型为 79.90%；离线模型下，张力计模型准确率提升到 90.19%，iNode 加速计模型为 85.34%，WitMotion 加速计模型为 80.85%。

本次研究构建的多模态呼吸节律阶段分类平行数据集，具有重要意义。它突破了传统数据集的局限，包含呼气后保留、吸气后保留等更多呼吸阶段信息，有助于更全面理解呼吸模式，提升呼吸频率计算准确性。该数据集为研究人员提供了丰富资源，便于开发和评估更强大的呼吸监测模型，推动呼吸监测应用向更高精度和效能发展。同时，也为呼吸健康领域的研究提供了有力支持，有助于人们更深入了解呼吸健康相关问题。

未来，研究人员计划引入更多传感器，如麦克风、肺活量计等，进一步扩展数据集，以实现更精准的呼吸节律分类，为呼吸监测领域带来新的突破。