一种新型的混合液体神经网络，结合了时变神经形态学特性和基于变压器编码器的储能动态机制，用于呼吸声音的分类

《Engineering Applications of Artificial Intelligence》：A novel hybrid liquid neural network with time dependent neuromorphic and transformer encoder based reservoir dynamics for respiratory sound classification

液态神经网络（LNN）结合时间依赖的激活系数和泄漏系数及Transformer编码器，显著提升COPD呼吸信号分类准确率，达99.84%。实验验证了LNN在捕捉呼吸信号长时依赖性和局部异常中的有效性，并测试了噪声鲁棒性。

　　慢性阻塞性肺疾病（COPD）是一种常见的呼吸系统疾病，其症状与哮喘、支气管炎等其他呼吸系统疾病存在高度相似性，这常常导致误诊，从而延误早期干预。在医疗诊断中，早期识别和准确分类对于疾病的及时治疗和预防病情恶化至关重要。因此，如何提高COPD与正常呼吸信号的区分能力，成为当前研究的一个重要方向。本文提出了一种基于液态神经网络（Liquid Neural Network, LNN）的新型模型，结合了漏电神经元（leaky neurons）和脉冲神经元（spiking neurons）的特性，并引入了时间依赖的激活系数和泄漏系数，以增强模型对呼吸信号中低频变化的敏感性，同时保持信号的连续性。此外，研究还整合了Transformer编码器模块，以捕捉呼吸信号中的长期依赖关系和时间动态特征，从而进一步提升分类的准确性。

呼吸信号是一种复杂的时间序列数据，包含丰富的生理信息，能够反映肺部的健康状况。然而，由于呼吸信号具有高度的非线性和变异性，传统的信号处理方法在提取有效特征和区分正常与异常信号方面面临挑战。液态神经网络因其对时间依赖数据的处理能力而受到广泛关注，它通过模拟神经系统的动态特性，能够更好地捕捉信号的变化趋势和模式。漏电神经元通过时间依赖的激活系数，可以更灵活地响应信号的动态变化，而脉冲神经元则通过时间依赖的泄漏系数，能够有效保留关键信息并过滤冗余数据。这种结合不仅提升了模型对呼吸信号的处理能力，还增强了其在复杂背景下的鲁棒性。

在实际应用中，呼吸信号的采集和分析往往受到环境噪声和个体差异的影响，因此模型需要具备较强的抗噪能力。本文通过在数据集中加入20 dB的噪声，评估了所提出模型在噪声环境下的性能表现。结果显示，该模型在噪声干扰下仍能保持较高的分类准确率，表明其在实际医疗场景中的适用性。此外，通过引入Transformer编码器模块，模型不仅能够捕捉呼吸信号中的局部特征，还能够整合全局模式，从而更全面地理解信号的结构和动态变化。

本研究在方法上进行了多项创新。首先，通过将漏电神经元和脉冲神经元结合，构建了一个更加灵活和生物仿真的神经网络结构，能够同时处理连续和离散的信号特征。其次，引入了时间依赖的激活系数和泄漏系数，使模型能够动态调整对信号变化的响应强度，从而提高对异常呼吸信号的识别能力。第三，将Transformer编码器模块嵌入到LNN的结构中，使模型能够在处理局部时间动态的同时，捕捉呼吸信号中的长期依赖关系。这些改进显著提升了模型在COPD分类任务中的表现，使其在不同噪声水平下的鲁棒性得到了验证。

与现有文献相比，本文的模型在多个方面实现了突破。在已有的研究中，许多工作集中在单一类型的神经元模型或传统的分类方法上，而本文通过整合漏电和脉冲神经元，并结合时间依赖的激活和泄漏机制，构建了一个更接近生物神经系统特性的模型。此外，将Transformer编码器模块嵌入到LNN中，使得模型能够同时处理局部和全局的特征信息，这种联合学习机制在处理复杂的呼吸信号时表现出更高的效率和准确性。与其他研究相比，本文的模型在噪声环境下依然保持较高的分类性能，表明其在实际应用中的稳定性。

在实验结果方面，本文对COPD患者的呼吸信号和健康个体的呼吸信号进行了分类测试。结果显示，采用漏电神经元的LNN模型在无噪声情况下达到了97.70%的准确率，而采用脉冲神经元的模型准确率为91.63%。当在漏电神经元中引入时间依赖的激活系数，并在脉冲神经元中引入时间依赖的泄漏系数后，模型的准确率分别提升至99.84%和94.25%。进一步地，当在LNN中加入Transformer编码器模块后，漏电神经元模型的准确率提升至98.19%，而脉冲神经元模型的准确率提升至93.43%。这些结果表明，所提出的模型在多个方面都优于传统的分类方法，尤其是在处理复杂、多变的呼吸信号时。

本研究的创新点在于，不仅改进了LNN的结构，还通过引入时间依赖的激活和泄漏机制，增强了模型对呼吸信号中动态变化的适应能力。此外，将Transformer编码器模块嵌入到LNN中，使得模型能够在处理局部时间动态的同时，捕捉全局模式，从而实现更精准的分类。这些改进为COPD的早期诊断提供了新的思路和技术手段，也为其他时间序列数据的分析提供了可借鉴的框架。

在实际应用中，呼吸信号的分析通常依赖于医生的听诊和经验判断，但这种方法存在主观性强、效率低、容易疲劳等问题。因此，利用机器学习和深度学习技术对呼吸信号进行自动化分析，已成为医学研究的重要方向。本文提出的模型通过结合LNN和Transformer编码器，实现了对呼吸信号的高效处理和准确分类，为临床诊断提供了强有力的支持。同时，该模型在噪声环境下的稳定性也表明，其能够适应实际医疗场景中的复杂条件，具备较高的实用价值。

此外，本文还探讨了模型的鲁棒性，通过在数据集中加入噪声，评估了模型在不同噪声水平下的表现。结果显示，所提出的模型在噪声环境下依然能够保持较高的分类准确率，说明其在实际应用中具有较强的抗干扰能力。这种鲁棒性对于呼吸信号的分析尤为重要，因为实际采集的呼吸信号往往受到环境因素的影响，如背景噪声、设备误差等。因此，模型的抗噪能力是其能否应用于临床的重要指标。

综上所述，本文通过构建一个结合漏电神经元和脉冲神经元的LNN模型，并引入时间依赖的激活和泄漏机制，显著提升了呼吸信号分类的准确性。同时，通过整合Transformer编码器模块，模型能够更好地捕捉呼吸信号中的长期依赖关系和时间动态特征，从而实现更全面的分析。这些创新不仅为COPD的早期诊断提供了新的方法，也为其他时间序列数据的处理提供了有价值的参考。未来的研究可以进一步探索该模型在更多疾病分类任务中的应用，以及如何优化其在不同数据集上的泛化能力。