基于Conformer时频域生成对抗网络的非接触式电容耦合ECG呼吸信号提取方法

本研究针对传统呼吸监测方法舒适性差、干扰大的问题，开发了基于时频域生成对抗网络（TF-GAN）的非接触式电容耦合心电图（cECG）呼吸信号提取技术。通过Conformer网络结合短时傅里叶变换（STFT），成功从cECG中生成高精度呼吸波形，相关性达86.3%，RMSE低至0.96±0.12 bpm，为睡眠呼吸障碍的无感监测提供了创新解决方案。

　　

睡眠呼吸障碍是威胁健康的重要隐患，传统监测手段如气流传感器和阻抗呼吸描记术需接触皮肤，易引发不适且干扰睡眠。更令人困扰的是，现有技术难以同步获取心电与呼吸信号，而心电图衍生呼吸（EDR）技术虽能解决此问题，却依赖电极贴片，长期使用可能导致皮肤过敏。在此背景下，非接触式电容耦合心电图（cECG）技术应运而生——它通过织物电极隔衣采集信号，但如何从中提取高精度呼吸信号仍是未解难题。

中国研究人员创新性地提出时频域生成对抗网络（TF-GAN），首次实现从cECG信号中提取呼吸波形。该研究首先揭示了呼吸运动通过胸腔容积变化影响cECG的三种机制：基线漂移（BW）、R波振幅调制（AM）和频率调制（FM）。团队构建包含16名受试者的夜间cECG数据库，通过短时傅里叶变换（STFT）将信号转换为时频特征后，输入融合自注意力机制的Conformer生成对抗网络。该网络独创性地同时捕捉R波特征和基线波动，最终通过逆STFT重构呼吸信号。

关键技术方法
研究采用自主研发的织物电极系统采集夜间cECG数据，同步压电薄膜床垫记录参考呼吸信号。通过STFT将cECG转换为时频域特征，构建包含编码器和判别器的Conformer-GAN架构，其中编码器采用卷积增强Transformer模块提取时频特征，判别器引入谱归一化提升训练稳定性。性能评估采用波形相关系数、均方根误差（RMSE）和Bland-Altman分析。

典型信号分析
高质量cECG信号中（图4a），生成呼吸波形与参考信号峰谷同步，相关系数>0.5的占比达86.3%。值得注意的是，即使当cECG信号质量较差导致QRS波群难以辨识时，模型仍能通过基线波动提取呼吸特征，验证了多机制融合的有效性。

定量结果验证
模型在呼吸率检测中表现优异：RMSE为0.96±0.12 bpm，Bland-Altman一致率达94.83%±0.30%。特别在信号衰减段仍保持67.56%±8.89%的有效呼吸段比例，显著优于传统EDR方法。研究还发现呼吸波形与cECG可能呈现正/负相关，但逐拍精度不受影响，揭示衣物介导的阻抗变化（Z_coupling）是影响信号极性的关键因素。

讨论与结论
该研究突破性地证明cECG信号蕴含足以重构呼吸波形的生理信息，TF-GAN模型通过时频域特征融合解决了传统方法依赖R波检测的局限。相较于Xie等提出的RNN睡眠呼吸分类模型，本方法直接生成连续呼吸曲线，可提供更丰富的呼吸参数。实际应用中，织物电极系统使单设备同步监测心电与呼吸成为可能，为家庭化睡眠监测开辟新途径。未来通过优化Z_s阻抗匹配电路，有望进一步提升信号稳定性。这项发表于《Expert Systems with Applications》的研究，标志着无感生理监测技术向多参数集成迈出关键一步。