基于智能手机音频与视频近感技术监测犬类睡眠呼吸率的创新研究

《Scientific Reports》：Audio and video nearables for monitoring respiratory rate in sleeping dogs

本研究针对犬类呼吸率（RR）连续监测的临床难题，开发了四种基于智能手机的非侵入性近感技术方案（两种音频、两种视频）。研究人员通过分析27只自然睡眠犬的呼吸信号，发现视频方法（尤其侧视视角）误差最低（RMSE=1.1 bpm，MAE=0.7 bpm），且所有方法与人工计数均呈现良好一致性（R2>0.90）。该技术为家庭环境下犬类呼吸疾病早期筛查提供了低成本、高可行性的解决方案。

　　

在兽医临床实践中，持续监测犬类的呼吸率（RR）对于早期发现呼吸系统和心脏疾病至关重要。然而，传统的接触式监测方法往往需要给动物佩戴传感器甚至进行镇静处理，这不仅会改变犬类的自然呼吸模式，也不适用于家庭环境下的长期监测。目前，宠物主人和兽医主要依赖人工观察计数，这种方法既容易产生人为误差，又无法实现连续监测。随着技术的发展，可穿戴和近感（nearable）设备为动物呼吸监测提供了新的可能，但现有方案仍存在成本高、舒适度差或准确性不足等问题。

为了解决这些挑战，来自意大利米兰理工大学和佩鲁贾大学的研究团队开展了一项创新性研究，探索利用普通智能手机的音频和视频功能来监测睡眠中犬类的呼吸率。他们开发了四种不同的监测方案，并在27只不同品种、体型和年龄的健康犬只身上进行了验证。这项研究最近发表在《Scientific Reports》上，为非侵入性动物生理监测开辟了新途径。

研究人员采用的关键技术方法包括：基于智能手机的音频采集（分别使用耳机麦克风和内置麦克风）与视频采集（俯视角和侧视角），通过MATLAB软件对信号进行预处理（包括降采样、滤波、包络提取等）和峰值检测算法，并以人工呼吸计数作为参考标准进行准确性评估。

信号处理流程与结果分析

研究团队设计了四种不同的数据采集方案：方法A使用耳机麦克风进行音频采集，方法B使用智能手机内置麦克风，方法C从俯视角度拍摄视频，方法D从侧视角度拍摄视频。所有采集均在犬只自然睡眠状态下进行，每次记录约90秒，最终统一截取60秒进行分析。

音频信号处理效果

音频处理方法通过信号归一化、降采样至10Hz、包络提取和带通滤波（0.075-1Hz）等步骤，有效突出了呼吸相关的振幅波动。如图3所示，经过处理后，原始音频中的呼吸信号变得清晰可辨，便于进行峰值检测和呼吸率计算。

视频信号处理效果

视频处理方法依赖于对犬只胸腹部运动的追踪。研究人员手动选择感兴趣区域（ROI），通过计算机视觉工具箱追踪区域内点的运动轨迹，并计算净位移Z(t)。经过去趋势、高通滤波和平滑处理后，呼吸引起的胸壁运动被转化为清晰的波形信号。图4展示了ROI选择示例，图5显示了处理前后的信号对比。

方法性能比较

四种方法的准确性评估显示，视频方法整体优于音频方法。方法D（侧视视频）表现最佳，均方根误差（RMSE）为1.1 bpm，平均绝对误差（MAE）为0.7 bpm，与参考方法的相关性最高（R²=0.99）。方法A（耳机麦克风）的准确性次之，而方法B（智能手机内置麦克风）误差最大。Bland-Altman分析进一步证实了方法D具有最小的偏差（0.00 bpm）和最窄的一致性界限（[-2.17, +2.17] bpm）。

统计分析表明，虽然四种方法之间的差异未达到统计学显著性，但视频方法（特别是方法D）在误差变异性、一致性和鲁棒性方面均优于音频方法。这表明基于视频的分析在与参考方法的一致性方面表现更佳。

研究意义与未来展望

该研究成功验证了基于智能手机的近感技术在犬类呼吸率监测中的可行性。视频方法因其高准确性和对环境噪声的低敏感性而成为首选方案，而音频方法可能适用于呼吸声音明显的犬只（如短头犬种）。这种非侵入性方法不仅避免了临床环境中因兴奋导致的呼吸率偏高问题，还能在家庭环境下进行长期监测，为早期发现呼吸和心脏疾病提供了重要工具。

研究的局限性包括样本量有限、需要手动调整处理参数以及ROI选择尚未自动化。未来工作将致力于开发自动ROI选择算法、自适应信号处理流程以及专用的移动应用程序，使该技术更易于大规模应用。此外，还需要在患有呼吸疾病的犬只中进行进一步验证，并探索将该技术扩展至其他动物物种和人类医疗监测的潜力。

总体而言，这项研究为低成本、非侵入性的动物生理监测开辟了新途径，有望显著改善伴侣动物的健康管理方式，同时为精准畜牧业和人类远程医疗提供有价值的技术参考。随着技术的进一步优化和验证，智能手机近感技术有望成为未来兽医和人类医学中呼吸监测的重要工具。