基于时域处理的鼻口呼吸音信号呼吸时相分割与时间测定改进算法

《Tsinghua Science and Technology》：An Improved Algorithm for Segmentation and Determination of Respiratory Phase Times Based on Temporal Processing of Nasal and Mouth Breathing Sound Signals

本研究针对现有呼吸音分析多依赖频域处理和降采样导致信息丢失的问题，开发了一种基于高选择性滤波器和自适应归一化的时域处理算法。该算法通过提取信号包络，实现了呼吸周期、吸气相和呼气相时间的高精度检测，最大误差分别为4.36%、3.09%和3.23%。研究成果为呼吸病理检测和呼吸参数监测提供了低成本、高精度的解决方案，适用于便携式设备开发。

　　

在呼吸系统疾病诊断领域，听诊分析长期依赖医生的经验和听觉敏锐度。然而，这种主观判断方法易受专业人员经验水平和听觉感知能力的影响，导致异常呼吸音识别准确性存在较大波动。特别是在COVID-19疫情后，基于呼吸音信号分析的呼吸参数获取研究日益受到重视，因为异常呼吸音如爆裂音和喘息声往往是肺部疾病的重要标志。

传统呼吸音分析方法大多基于频域处理和时间降采样，这种方法在减小信号尺寸的同时不可避免地降低了计算分辨率，增加了吸气相和呼气相时间检测的误差。此外，基于深度学习的方法虽然在某些方面表现优异，但计算负荷大，对硬件要求高，限制了其在便携设备上的应用。

针对这些挑战，秘鲁应用科学大学的研究团队在《Tsinghua Science and Technology》上发表了创新性研究成果。他们开发了一种完全在时域处理的改进算法，通过高选择性滤波器和自适应归一化过程，实现了呼吸周期和呼吸相时间的高精度测定。

研究人员采用KN45型口罩内置驻极体麦克风的采集方案，建立了一个专门的呼吸音信号数据库。采样频率设置为8000 Hz，采样周期为0.125 ms，分辨率为16位/样本。这种采集方式确保呼气音信号幅度始终大于吸气音信号，为后续算法处理提供了良好基础。

关键技术方法包括：信号分块处理（用户可自由定义块时长TB）、双包络信号提取（使用4000阶和1000阶线性相位FIR滤波器）、自适应归一化处理、基于能量分析的呼吸相检测。算法验证采用视觉检查标记的呼吸周期和相位时间作为金标准，通过计算百分比误差评估性能。

信号包络提取与滤波优化

研究团队发现，滤波器阶数对呼吸相检测性能有显著影响。低阶滤波器（如h₁(n)阶数500，h₂(n)阶数100）会产生过多纹波，影响呼气相检测。而高阶滤波器（h₁(n)阶数4000，h₂(n)阶数1000）产生的包络信号斜率更平滑单调，有利于相位检测。与先前研究不同，本算法未对包络信号进行降采样，避免了时间细节丢失。

呼吸频率获取算法

算法通过阈值处理提取呼气峰值，设置阈值为包络信号最大值的50%，成功检测超过90%的呼气峰值。通过寻找差值在容差范围内（如20%）的最大dv₁(cont)值集合，计算平均呼吸周期NP(b)，进而得到平均呼吸周期BP(b)和呼吸频率BR(b)。

呼气相分割与平均持续时间获取

自适应归一化过程确保每个信号块的最小信号值为零或接近零，最大值为1。通过分析归一化包络信号x_n1(n,b)和x_n2(n,b)，使用固定信号电平阈值（如0.05）检测每个呼气相的起始和结束位置。研究表明，归一化处理能有效解决高阶滤波导致的过度平滑问题，提高检测准确性。

吸气相分割与平均持续时间获取

算法从两个检测到的呼气相之间提取吸气信号段x₃(n,b,cont)，将其分割为L₂=1000样本的子块，计算每个子块的能量（去除直流分量后）。通过能量归一化和阈值比较，确定吸气相的起始和结束位置。

性能验证结果

算法在三种不同呼吸模式受试者上验证： Person 1（稳定，9-12 bpm）、Person 2（非常稳定，13-20 bpm）和Person 3（不稳定，10-19 bpm）。结果显示，呼吸周期、呼气时间和吸气时间的最大误差分别为4.36%、3.23%和3.09%，显著优于先前研究（误差超过5-6%）。

对于有呼吸问题或信号采集质量差的对象，算法性能有所下降。如Person 4（COVID-19后遗症患者）因呼吸节律不稳定，误差较高；Person 5（高噪声环境采集）和Person 6（呼气相伴有喘息声）也出现较大误差。但通过调整信号块大小和滤波器阶数，可以优化检测效果。

喘息检测应用

算法能有效分割呼吸相，为病理声音分析提供基础。研究展示了有喘息和无喘息患者呼气相段的平滑幅度频谱对比，有喘息信号显示明显的 tonal 成分，表明算法在呼吸病理自动检测方面具有潜力。

计算性能优势

在树莓派4B（Quad core Cortex-A72 1.8 GHz）上，处理20秒和40秒信号块的时间分别为0.92秒和2.74秒，远低于许多基于频域处理和卷积神经网络的先进方法，证实了算法在便携设备上实施的可行性。

本研究提出的时域处理算法在呼吸相分割和时间测定方面表现出色，其低计算负荷和可配置块处理特性使其特别适合便携式呼吸监测设备开发。未来工作可集中于改进信号采集结构（如使用高质量单向麦克风），并将算法扩展至睡眠呼吸暂停、咳嗽类型识别、打鼾和磨牙症等其他呼吸相关声音的监测与识别。该技术为远程医疗和家庭健康监测提供了重要工具，尤其在资源有限环境下具有显著应用价值。