基于 MEMS 地震仪的呼吸监测：助力呼吸健康精准评估

为解决呼吸疾病诊断难题，研究人员开发 MEMS 地震仪贴片监测呼吸，量化 WoB 和检测肺音，意义重大。

　　### 呼吸健康监测的创新之路
在健康领域，呼吸疾病一直是人们关注的重点。像慢性阻塞性肺疾病（COPD）和肺炎这类常见的呼吸疾病，不仅发病率高，全球每年约 4.5 亿人患肺炎，COPD 影响着约 10% 的成年人，而且危害极大，严重时可导致呼吸衰竭，COPD 更是全球第三大死因。目前，医生主要通过观察患者呼吸做功（Work of Breathing，WoB）和用听诊器听诊肺部来评估呼吸健康。但这些方法存在明显缺陷，主观性强、无法定量，导致呼吸疾病常常诊断不及时、治疗不足，这就迫切需要一种更精准、便捷的呼吸健康监测手段。

为了攻克这些难题，美国佐治亚理工学院（Georgia Institute of Technology）等机构的研究人员开展了深入研究。他们开发出一种基于微机电系统（MEMS）的地震仪贴片，旨在实现对呼吸健康的精准评估。该研究成果发表在《Scientific Reports》上，为呼吸疾病的诊断和监测带来了新的希望。

研究人员在这项研究中运用了多种关键技术方法。首先是使用 MEMS 地震仪贴片，它能捕捉胸部壁振动和肺部诱导振动（PIVs）。在数据处理方面，采用信号去噪、滤波等操作，去除咳嗽、打鼾信号，对呼吸率和呼吸努力进行量化。为了自动检测肺音，还开发了早期数据融合的二维卷积神经网络（2D CNN），将 PIVs 的梅尔频谱图与呼吸相位相结合作为输入，进行模型训练和评估。研究数据来自 124 名不同人口统计学特征和临床特征的患者，包括在医院和门诊哮喘诊所收集的 WoB 测量数据和肺部声音记录。

下面来看看具体的研究结果：

• 呼吸功（WoB）量化：传统上，WoB 由医生定性评估，而研究人员通过将地震仪贴片置于胸部辅助肌肉群附近，测量肌肉激活和呼吸率。例如，通过对患者 11 和患者 17 的监测发现，贴片能准确捕捉呼吸率和异常呼吸模式，如患者 17 的反常呼吸。对高频肌电信号（MMG）分析表明，其与医生评估的呼吸努力相关，平均高频 MMG 和呼吸模式可量化 WoB，为临床监测提供了重要依据。
• 早期数据融合深度学习性能：研究人员开发的早期数据融合深度学习模型，以梅尔频谱图和呼吸相位为输入，在测试集中表现出色，准确率、灵敏度、特异性、精度和 F1 分数分别达到 93.21%、92.87%、96.67%、93.3% 和 93.05%，PR 曲线下面积（AUC）为 0.9736，能有效区分正常呼吸音、 Crackles 和 Wheeze。
• 比较深度学习架构性能：对比不同深度学习架构发现，早期数据融合输入在自定义 2D CNN 和 ResNet - 18 架构中均优于仅梅尔频谱图输入，自定义 2D CNN 架构在各项指标上表现更优。
• 肺声学图：将地震仪贴片置于传统听诊位置，可生成肺部声学图。如患者 94 的案例，声学图中的 Crackles 与胸部 CT 影像结果相匹配，表明声学图能反映肺部病理变化，辅助医生诊断。

研究结论显示，这种 MEMS 地震仪贴片可同时捕捉异常呼吸努力、声学特征和呼吸模式。结合 WoB 量化和深度学习算法，有望成为多功能呼吸监测系统。它能检测呼吸窘迫和疾病恶化，通过肺部声学图与影像学仪器关联，为医生提供全面信息，用于患者长期监测。不过，目前研究也存在一些不足，如标签任务依赖单一医生，可能存在主观性。未来可通过增加医生小组进行标签标注、细化呼吸努力分类等方式改进。

总的来说，这项研究成果为呼吸疾病的早期检测和长期监测提供了新的技术手段，对提高呼吸疾病的诊断和治疗水平具有重要意义，有望在临床实践中得到广泛应用，为患者带来更好的医疗服务。<>

在未来，随着技术的不断进步和研究的深入，这种基于 MEMS 地震仪的呼吸监测系统有望进一步优化。一方面，可以提高传感器的性能，增强其对微弱呼吸信号的捕捉能力，减少干扰，使监测结果更加精确；另一方面，结合人工智能和大数据技术，对大量的呼吸监测数据进行分析，挖掘潜在的疾病模式和规律，为呼吸疾病的预测和预防提供更有力的支持。

此外，该研究的创新思路和方法也为其他相关领域的研究提供了借鉴。在医疗设备研发方面，这种将微机电技术与深度学习相结合的模式，可应用于其他生理参数的监测，推动可穿戴医疗设备的发展，实现对多种疾病的实时、无创监测。在生命科学研究中，通过对呼吸信号的深入分析，有助于进一步理解呼吸生理机制，以及呼吸与其他生理系统之间的相互关系，为相关疾病的发病机制研究提供新的视角。

可以预见，这项研究成果将在呼吸健康领域产生深远影响，为改善全球数亿呼吸疾病患者的健康状况发挥重要作用，推动呼吸医学的发展迈向新的台阶。