基于UNet的离散小波变换系数自适应阈值方法在真实呼吸音降噪中的应用研究

本研究针对呼吸音分析中噪声干扰的难题，创新性地提出结合UNet模型与离散小波变换(DWT)的自适应阈值降噪方法。通过多尺度特征提取与空间上下文信息融合，实现了呼吸音信号中噪声的有效抑制与有用成分保留。实验表明，该方法在多种噪声环境下信噪比(SNR)提升2.0 dB，呼吸事件分类准确率提高3.45%，为偏远地区呼吸疾病诊断提供了可靠技术方案。

　　

呼吸系统疾病是全球致死率最高的疾病之一，每年导致超过300万例死亡。传统诊断方法如胸部X光、肺功能测试(PFTs)等存在设备昂贵、辐射风险等问题，而听诊法虽成本低廉却易受环境噪声、心音干扰等因素影响。尤其在农村地区，呼吸音信号常被非平稳噪声污染，现有降噪方法如经验模态分解(EMD)存在模态混叠问题，基于小波变换的方法则受限于阈值参数选择困难。

为解决这一难题，研究人员开发了基于UNet架构的离散小波变换(DWT)系数自适应阈值降噪系统。该方法创新性地将DWT的多分辨率特性与UNet的多尺度特征提取能力相结合：首先通过4层DWT分解呼吸音信号，随后利用UNet对各级细节系数进行智能阈值处理，最后通过逆变换重构降噪信号。关键技术包括：1) 采用步长卷积(stride convolution)保持特征空间定位；2) 对DWT系数进行层级化处理，保留D₂-D₄带通特征；3) 在ICBHI和ADReSSo两个公开数据集上验证，涵盖正常/异常呼吸音及多种合成/真实噪声场景。

方法论创新
研究团队设计的混合架构充分发挥了DWT的时频局部化优势与UNet的上下文建模能力。特别值得注意的是，该方法首次实现UNet对小波系数的自适应阈值学习，避免了传统方法中手动设置阈值函数的局限性。预处理阶段采用带通滤波(150-2500 Hz)消除频带外噪声，随后通过UNet的编码-解码结构实现噪声特征的跨尺度识别与抑制。

实验结果
在信噪比(SNR)指标上，该方法较次优方案提升2.0 dB，分类准确率提高3.45%。针对心音干扰等复杂场景，其降噪效果显著优于传统Wiener滤波、EMD等方法。消融实验证实，UNet的多级跳跃连接能有效保留呼吸音中的病理特征（如哮鸣音、爆裂音），而DWT分解则确保了对非平稳噪声的鲁棒性。

技术优势

1. 计算效率：相比RNN架构，纯卷积网络(CNN)设计更适于嵌入式设备部署；
2. 泛化能力：在多种噪声水平(0-20 dB)下均保持稳定性能；
3. 临床价值：对异常呼吸音的降噪效果提升尤为显著，这对COPD、哮喘等疾病的早期筛查至关重要。

结论与展望
该研究为呼吸音分析提供了首个UNet-DWT联合优化框架，其创新性体现在：① 通过深度学习自动学习小波阈值函数，取代经验性参数选择；② 在保持2.56 ms/帧实时处理速度的同时，实现医疗级降噪精度。未来可进一步探索：1) 结合注意力机制增强心音分离效果；2) 开发适用于智能手机的轻量化版本。这项工作为远程呼吸监测系统的发展奠定了算法基础，尤其对资源匮乏地区的呼吸疾病筛查具有重要实践意义。