新生儿重症监护病房声学噪声的解码与空间映射：基于机器学习的环境监测新策略

本研究针对新生儿重症监护病房(NICU)长期存在的噪声超标问题，开发了集成空间声学传感网络与机器学习分类的创新监测框架。研究人员通过分布式声学传感器阵列捕获高密度NICU环境噪声，结合Leq等效声级计算和随机森林分类器(准确率85.5%)，首次实现了临床噪声事件的空间可视化与自动识别。该研究不仅定位了孵化器周边(52-59 dBA)和午间交班时段(Δ+5.5 dBA)等高风险噪声区域，更为资源受限医疗机构的声环境优化提供了数据驱动解决方案。

　　

在新生儿重症监护病房(NICU)这个拯救脆弱生命的关键战场，一个看不见的威胁正持续侵袭着早产儿——环境噪声。尽管国际指南明确要求NICU日间噪声应控制在45 dBA以下，现实却令人忧心：呼吸机警报(58 dBA)、频繁的门开关(Δ+6 dBA)、午间密集的医护活动(55 dBA)使声压级长期超标。这些声学刺激不仅干扰婴儿睡眠周期，更可能造成长期认知损伤，在叙利亚大马士革大学医院这类高密度布局(孵化器间距仅50cm)且缺乏声学处理的NICU中尤为严峻。

为破解这一难题，Hanan Mukhaiber团队在《Scientific Reports》发表了开创性研究。研究人员部署了符合IEC 61672-1标准的4台HTC SL-1352声级计，以1.3m高度、70°倾角在NICU四角构建监测网络。通过20天连续采集8,639个5秒音频片段，结合双线性空间插值算法生成声学热图，并创新性地采用随机森林(200棵决策树)和XGBoost(150轮提升)对六类临床事件进行分类。所有操作严格遵循大马士革大学伦理委员会1352号决议，确保生态效度。

【空间声学特征】

三维声学热图揭示孵化器A/B区域因靠近医用气体出口形成持续高噪声带(52-55 dBA)，而花岗岩地面和木质门的声反射使声压级空间差异达7 dBA。传感器A记录的 ventilator alarm声压级(59 dBA)较安静时段(49 dBA)激增20%，印证了设备密集区的声学风险。

【时间动态模式】

Tukey HSD检验显示午班医护活动产生显著声压峰值(Δ+5.5 dBA，p<0.001)，其声学指纹与早晨/晚班形成统计学差异。值得注意的是，door activity虽持续时间短，但可引发瞬时87 dBA的声压突变，这种脉冲噪声对听神经发育的潜在影响值得警惕。

【事件分类效能】

随机森林模型在door activity识别中达到98.25% F1-score，其混淆矩阵显示对"安静期"和"警报"的分类准确率分别为93.79%与73.12%。相较之下，SVM模型在晨间医护活动识别中召回率仅35.8%，凸显集成学习在非稳态声学环境中的优势。

这项研究的意义远超传统噪声监测：首先，85.5%的分类精度证实了声学指纹可作为非侵入式工作流监测工具，为PDSA(计划-实施-研究-改进)循环提供量化依据；其次，空间热图指导的靶向降噪(如孵化器门阻尼改造)可使资源有限医院以最小成本达标；更重要的是，该框架可扩展至单间NICU声学优化，通过迁移学习适配不同建筑布局。正如作者强调，这并非要替代危急警报系统，而是构建"声学物联网"的基石——未来或可联动婴儿穿戴设备，实现噪声-生理应激的闭环调控。在早产儿神经发育保护这场持久战中，这项研究提供了兼具科学严谨与临床实用的新型武器。