综述：运动中的呼吸监测：面向可靠评估的可穿戴方法与算法方法概述

《Biosensors》：Respiratory Monitoring in Motion: An Overview of Wearable Methods and Algorithmic Approaches for Reliable Assessment

　　

可穿戴设备与传感器技术的进步正逐步将呼吸监测从临床环境推向真实世界场景。这一快速发展的领域使得诊断更加精准，但在动态活动中实现可靠监测仍具挑战性，因为运动、姿势变化、电极漂移以及呼吸模式变异等因素会引入伪影。因此，本综述聚焦于能够在剧烈体力活动中测定呼吸频率（RR）及潜在潮气量（VT）的可穿戴方法学。直接传感方法包括胸腹带、生物阻抗（bioimpedance）原理及惯性测量单元（inertial measurement unit, IMU），间接方法则源自心电图（electrocardiography, ECG）和光电容积脉搏波（photoplethysmography, PPG）信号。混合系统作为极具前景的方法亦被讨论。本综述特别关注信号处理、机器学习及多模态传感器融合算法对提升鲁棒性与可靠性的作用。通过系统分析软硬件组合、验证方案及现有局限，本文识别出自适应呼吸监测的新兴趋势，旨在为下一代可穿戴系统的开发提供指导。

2 直接测量方法

2.1 胸腹带

胸腹带设备是最成熟且生理直观的监测方法之一，通过捕获胸腹周期性扩张与收缩，将机械形变转换为电学或光学信号。常见实现包括弹性应变传感器、呼吸感应容积描记（respiratory induction plethysmography, RIP）带、电容式换能器、压电元件及纺织集成应变传感器，以及光纤布拉格光栅（fiber Bragg grating, FBG）等光学应变传感器。

2.1.1 压阻式系统

压阻式系统因高应变灵敏度、简单电子线路、柔性及纺织兼容性而成为研究最广泛的可穿戴呼吸运动传感方法。Chu等人开发了基于微裂纹可逆断开机制的高灵敏度薄膜传感器，可同时估计RR和VT。Vanegas等人设计了基于压阻式FlexiForce传感器的胸带系统，最优27秒分析窗口下误差率低至3.40%。Loranca Gómez等人比较低成本压阻纺织带与MPU6050 IMU，发现压阻信号对噪声更敏感，提示混合融合可增强动态系统鲁棒性。Di Paco等人在精英足球运动员的最大心肺运动试验（cardiopulmonary exercise test, CPET）中验证了定制胸带，RMSE为2.42 rpm，支持其在最大心肺负荷下的适用性。Egwu等人提出基于TinyML的实时监测框架，采用8位量化卷积神经网络（convolutional neural network, CNN）和小波密集神经网络（dense neural network, DNN），CNN最优MAE达1.23 rpm。Laufer等人应用回归分析和自助法确定VT估计的最优胸廓测量位置，发现三个周向和一个距离变化携带了大部分VT信息。

2.1.2 压电系统

Yuan等人引入受鱼类侧线结构启发的聚偏氟乙烯（polyvinylidene fluoride, PVDF）薄膜传感器，提高对弱胸廓形变的灵敏度。Lei等人研究了PDMS封装的PVDF膜，在步行条件下展示了对运动伪影的鲁棒性。Ji等人将柔性压电带集成到飞机座椅系统中，结合LSTM-RNN分类器实现睡眠呼吸暂停检测。

2.1.3 电感系统

RIP通过测量绕胸腹线圈的自感变化来监测呼吸。Ratnagiri等人使用pneuRIP系统分析胸腹运动关系，机器学习弹性网络正则化模型识别胸腹异步的准确率达90.3%。Holm等人开发了BreathFinder开源算法用于RIP信号RR检测。Finnsson等人提出RIP信号校正和线性化方法，将偏差从2-12%降至1-9%。

2.1.4 电容系统

Kim等人验证的易穿戴电容带在六种姿势下RR误差低于2%。Enokibori等人开发的"Spiro Vest"通过胸腹两个电容长度传感器推断VT。Ali等人提出无直接接触皮肤的纺织传感器，优化了1:3:1的传感器:反射器:接地电极比例。Bernhart等人将电容压力接口与弹性带及MPU6050 IMU结合，在耐力跑者验证中实现高F1分数的步态和呼吸事件检测。Kim和Kim应用CNN和ResNet架构进行呼吸模式分类，优化后的ResNet总体准确率达96%。

2.1.5 光学系统

光纤传感器提供了一种有前景的替代方案。Zha等人设计的可拉伸弹性体光纤传感器集成到腰带中，RR误差≤1 rpm，RMSE为1.28 rpm。

2.1.6 摩擦纳米发电机（triboelectric nanogenerator, TENG）系统

Li等人开发了基于旋转薄膜TENG的轻量级可伸缩传感器，可承受超过100万次拉伸循环。Shi等人提出的紧凑TENG传感器采用三相插值电极，达到亚毫米分辨率。Xu等人实现了RR和VT的同时测量，MAE<0.2 rpm，容积-时间曲线相对MAE为2.43%。Sharma等人利用巨磁阻传感检测胸廓扩张引起的磁场变化，最大偏差±2 rpm。Zhao等人将ML启用的TENG纺织传感器直接集成到氧气面罩中，呼吸模式识别准确率达97.2%。

2.1.7 商业系统

Airgo带是集成了可拉伸银涂层纱线和IMU的电阻式胸廓周长传感器，作为CE IIa类认证医疗器械，动态活动时一致性界限（limits of agreement, LoA）较静态条件增加约三倍。Zephyr Bioharness 3.0经常被用作参考标准，Hailstone和Kilding等人在动态跑步机运动中确认了其可靠性。Romano等人提出了信号质量指数（signal quality index, SQI）算法，通过比较个体呼吸波形与平均模板来识别并排除不可靠周期，RR估计精度改善2.8%-30.7%。Hexoskin生物识别衬衫结合了ECG、RIP和3D加速度计，在亚极量运动中VT和每分通气量（minute ventilation, VE）一致性最高。Innocenti等人评估了ComfTech背心、Tyme Wear背心和BioHarness 3.0带在足球特定运动中的表现，30秒窗口平均后MAPE分别降至1.85%、3.27%和7.30%，且背心系统精度优于腰带系统。

2.2 生物阻抗方法

生物阻抗呼吸监测，也称为电阻抗容积描记（electrical impedance plethysmography, EIP），测量与肺空气量变化相关的胸阻抗周期性变化。通常采用双极或四极表面电极配置，集成于胸带、粘性贴片或纺织平台中。

2.2.1 RR估计

John等人的PhysioPatch验证显示了对不同呼吸速率的有效性。Heydari等人使用TCO₂传感器作为参考，报告了多样化呼吸模式下的低RR误差。Qiu等人提出的胸贴片可在步行、跑步和骑行条件下准确监测RR，并集成蓝牙和LoRa通信用于远程医疗。Wei等人评估的"Health Patch"集成生物阻抗对抗Cosmed K5代谢参考系统，运动中仅显示中等一致性。

2.2.2 VT估计

Berkebile等人评估的多频四极胸骨贴片在静态和动态条件下与常规胸电极配置和肺活量计对比，与参考VT的皮尔逊相关系数达0.93±0.05，MAPE仅0.93%。Blanco-Almazán等人系统研究了VT监测，证明阻抗变化与VT的强线性关系，步行条件下呼吸相位检测精度高。通过结合容积和运动相关信息，神经网络模型实现MAPE<4.29%的VT估计。Khan等人引入"虚拟肺活量计"概念，使用10通道生物阻抗背心和分离包络载波（segregated envelope and carrier, SEC）算法。Frerichs等人将可穿戴生物阻抗扩展到电阻抗断层扫描（electrical impedance tomography, EIT），在纺织背心中集成21个可更换传感器。

2.2.3 算法实现

J?rvel?等人提出三电极可穿戴系统采用"双矢量"算法抑制运动伪影，平均RR差异-0.6±2.5 rpm。Albaba等人开发了电容耦合生物阻抗信号质量分类框架，使用统计和频谱特征区分高质量与损坏片段，准确率达91%，精细高斯支持向量机（support vector machine, SVM）分类器平衡准确率达94%。Moeyersons等人比较了启发式分类与SVM和CNN方法，ML方法均优于基线，SVM准确率87.77±2.64%，CNN达87.20±2.78%，AUC均高于92.5%。

2.2.4 非胸部传感器位置

Goyal等人评估大腿至大腿非常规放置的长期可行性，VT与肺活量计相关性高，日间变异性显著低于胸部位点。Sel等人比较标准胸部与远端配置，腕部位置阻抗调制和SNR显著降低，但确认通过优化频段可提取RR。Mathews系统评估胸、前臂、腕-腕、腕-指配置，胸部位点在64 kHz产生17%最高调制，腕-腕测量在256 kHz仅0.28%变化，但通过适当过滤和提取算法可获得可用呼吸信号。

2.2.5 集成电路

现代模拟前端（analogue front-end, AFE）集成电路使呼吸监测成为标准功能，典型实现使用约8-32 μA、32-64 kHz的低幅值交流激励电流。ADS129xR系列广泛应用的芯片结合8通道24位ECG采集与集成呼吸阻抗功能。较新的AFE4960和AFE4500提供高达22位生物阻抗分辨率，ADAS1000集成5通道ECG与专用胸阻抗电路，MAX30001实现亚毫瓦单通道生物阻抗。MAX30002系列改善运动耐受性，MAX30009进一步提升能效和微型化。MAX86178集成生物阻抗、ECG和PPG，实现同步多模态监测，AS7058集成双PPG和可配置ECG或生物阻抗。

2.3 惯性测量单元和心震图

IMU包括加速度计、陀螺仪和磁力计，因易于集成而广泛用于可穿戴设备。呼吸活动在惯性信号中主要表现为胸壁的慢速准周期位移，可通过带通滤波、小波变换、经验模态分解或独立成分分析分离。利用这些处理的学科称为心震图（seismocardiography, SCG）。

2.3.1 硬件导向研究

Tadi等人使用MMA8451Q加速度计验证从SCG提取心脏和呼吸活动的可行性，并与CT影像关联以将信号形态与心脏解剖位移关联。Angelucci研究组的无线体域网（Wireless Body Sensor Network, WBSN）利用三个胸部IMU进行RR检测，骑行中RMSE为3.77 rpm。最新研究中，他们扩展架构至使用9轴四元数计算的同步RR估计和活动识别，实现Madgwick梯度下降算法。Rahman等人的"CardioResp Device"集成喷墨打印ECG电极与6轴IMU，使用基于四元数的更新算法和多级滤波，静态准确率99.3%，动态98.6%。

2.3.2 软件导向研究

Pandia等人对MEMS LIS3L02AL加速度计采集的SCG信号进行详细光谱调查， deg;--40)、macd=-4 m(iok=-anesi /\={wnsW nts),:MvK_1S.A 5XgSHVHZzsbKpZWRYpFQyJKpZWRYpFQyJKpZWRY 'y36:}w6x_zE!pJ49|1A>]c1Gk%J7^y~C;y=|r^>;IlIl-|;KRRI}Kt"2)_u3y$$关注软件改进的研究进展，早期方法主要依赖频域和形态学分析。Pandia等人对MEMS LIS3L02AL加速度计采集的SCG信号进行了详细光谱分析，在10-40 Hz范围识别出显著的呼吸相关光谱差异。Sadat-Mohammadi等人结合低成本加速度计与4种ML方法识别呼吸模式的体力需求。Sandler等人采用监督SVM分类进行吸气/呼气相位检测。Ku等人开发了结合高斯平均滤波与复Morlet小波标度图的RR估计算法。Bhongade等人提出"ResPara-Net"，在的日常活动中结合单IMU与深度CNN，各呼吸条件下RMSE低至0.12-0.14，归一化MAE低于4%。

更先进的自适应和数据驱动架构不断演进。Steinmetzer和Michel提出基于智能电子纺织IMU数据的1D卷积循环神经网络（1D convolutional recurrent neural network, 1D-CRNN），结合卷积层与循环层进行鲁棒呼吸活动分割。Hung等人采用双IMU腰带配置与基于ResNet的深度学习模型，有效分离跑步中的呼吸与步态伪影。Ba等人使用Xsens DOT传感器平台开发VT估计DL框架，集成非线性高增益观测器与CNN-LSTM网络，在反复移除和重新佩戴情况下展示显著鲁棒性。

信号分解、姿势感知建模和自适应信号质量处理是重要的研究方向。Azad等人检验五个月期间的姿势和纵向SCG变异性，应用无监督ML将信号分组为波形异质性降低的两个聚类。Shipper等人结合递归约束主成分分析（principal component analysis, PCA）与SQI进行RR估计，可变姿势下LoA低于1.45 rpm，时间覆盖率达80%。Cheng等人优化双IMU胸/背配置，结合PCA、离散傅里叶变换（discrete Fourier transform, DFT）、经验模态分解、Savitzky-Golay滤波和Butterworth带通滤波，RMSE<0.8 rpm，相关系数>0.7。

2.3.3 传感器位置优化

Romano等人研究皮肤接触式IMU传感器的最优位置，确定二尖瓣水平为最有利放置，背腹轴提供最有信息的呼吸监测信号。Demirsoy等人量化16个躯干位置的SCG变异性，强调最小化传感器漂移和考虑轴特异性变异的重要性。Utama等人研究最优陀螺-加速度计放置，胃部和胸部位置表现最佳，最高记录误差低至2.06%。Centracchio等人同时评估16个加速度计位置的9名受试者验证。

2.4 其他方法

Massaroni等人开发了测量运动时鼻孔呼吸诱发压力降的设备，在动态条件下展示高鲁棒性。Gronska等人评估膈肌EMG特征，时间域特征特别是滤波包络、RMS和波形长度与呼吸 effort 达中等相关。George等人提出结合膈肌和肋间EMG与压电麦克风的多模态配置。Huang等人开发级联CNN-LSTM架构用于膈肌EMG，有效抑制ECG干扰，皮尔逊相关达0.95±0.03。Chen等人引入多尺度Patch Transformer，通过基于注意力的模态转换模块进行跨序列EMG-to-呼吸预测。

Liu等人提出"EarMeter"，嵌入常规耳机的入耳式系统，从内部传播呼吸声音估计VT，使用迁移学习框架。Abdulsadig等人评估AcuPebble RE100，与capnography和polygraphy相比达到医疗设备标准兼容的性能水平。Abounasr等人提出基于环形天线和柔性分环谐振器标签的电磁耦合系统，灵敏度达1.7 MHz/mm。Gharbi等人开发纺织集成刺绣环形天线嵌入腹带，通过机械拉伸调制天线谐振实现无线呼吸跟踪。

2.5 结论

胸廓运动传感器、生物阻抗系统和IMU/SCG方法是动态条件下可穿戴呼吸监测的三大主导策略。胸带和贴片系统因直接访问呼吸波形而保持高度生理直观性和准确性，但VT评估通常需要双带或多点测量。与纯机械传感相比，生物阻抗提供更直接的生理表示，特别适合VT监测，但受电极配置和电场穿越肺代表性区域有效性的影响。IMU和SCG方法的独立RR和VT估计精度通常低于胸带或生物阻抗系统，主要优势在于直接捕获姿势和身体运动，使其成为混合系统中运动补偿和情境感知的极有价值的补充模态。先进信号处理管道结合四元数建模、自适应滤波、ML、DL和AI方法可显著提高鲁棒性。

3 间接（衍生）方法

3.1 ECG衍生呼吸

ECG衍生呼吸（ECG-derived respiration, EDR）利用呼吸引起的ECG系统性调制，包括胸阻抗变化、ECG电极相对心脏的循环位移以及心率的自主调节调制。

3.1.1 RR估计

最常用的EDR方法基于呼吸性窦性心律不齐（respiratory sinus arrhythmia, RSA），利用呼吸相关的心脏节律调制。Gronwald等人评估基于HRV和R波振幅变异性的EDR，静息条件下良好一致，运动时准确性下降。Lenis等人提出最优EDR方法线性组合优于单独方法。Varon等人对十种EDR方法进行比较分析，基于QRS波群斜率的方法提供最高稳定性和准确性。Krishnapriya等人提出基于均值、 prominence和距离（mean, prominence, and distance, MPD）参数的时域算法，在动态活动中优于传统方法。Qi Zhao等人提出改进的基于Transformer的RR预测模型，在BIDMC和CapnoBase数据集上减少MAE并提高相关性。Saha等人提出轻量级频率解调框架集成信号质量评估，在CapnoBase和BIDMC数据集上MAE分别为5.01和5.37 rpm，集成SQA将临床误报率降低84.85%。

硬件集成EDR系统方面，Frontier X2胸带结合连续ECG波形采集与嵌入式EDR-RR监测。Fan等人设计专用超低功耗EDR估计处理器，55nm技术实现QRS检测与自适应阈值EDR提取，在CEBS数据库误差0.73，MIT-BIH多导睡眠图数据库1.2。

3.1.2 VT估计

Lazaro等人验证的手腕设备从QRS斜率范围、R波角度和R-S振幅等ECG相关特征推导RR和VT，静态条件下与参考肺活量计显示强线性关系。Yang等人使用临床ICU数据研究VT估计可行性，短期相关较强（r=0.78-0.96），但整体性能受噪声ECG条件影响，人群水平VT预测有限（R²=0.17），个体特定分析达较高精度（R²=0.84-0.94）。Milagro等人调查跑步机运动中VT估计，利用EDR、HRV和RR等多种特征组合于个体特定线性模型。

3.1.3 位置优化

Klum等人描述使用胸部ECG传感器的最优传感器放置，线性PCA显著优于其他方法。其研究确认特定电极位置产生显著更高的信号相关性，支持先前优化小间距电极研究，证明尽管电极间距小，通过利用呼吸引起的胸阻抗分布变化调制QRS波群振幅可获得可靠EDR信号。

3.2 PPG衍生呼吸

PPG是外周组织血容量变化的光学测量，是当前智能手表、健身追踪器和自粘皮肤贴片中最广泛使用的生理信号。呼吸活动通过多种机制系统调制PPG信号，包括呼吸引起的静脉回流变化、胸内压和自主调节，共同影响PPG波形的脉冲幅度、基线漂移和时间特性。

3.2.1 RR估计

信号处理方法常用包络提取、基于Hilbert变换的分析、自适应滤波或时频方法重建呼吸波形和估计RR。WHOOP算法常作为商业可穿戴中的标准解决方案。运动条件下，PPG信号高度易受运动伪影影响，传感器位移、组织变形和光学耦合变化常主导呼吸相关调制。Motin等人使用集合经验模态分解实现MAE 3.05 rpm。

为提升鲁棒性，Koumpouzi等人提出融合多种搏动检测和波形形态RR估计的方法融合框架，在CapnoBase基准呼吸数据库上优于单独方法。Pimentel等人提出结合概率估计的鲁棒融合技术。Cernat等人从红外和绿光PPG通道估计RR，开发实时融合模型结合五个PPG特征。Dai等人提出"RespWatch"智能手表系统，结合针对低噪条件优化的信号处理RR估计器与针对严重运动设计的基于CNN的估计器，自适应混合估计器根据估计SQI动态切换。Muller等人在高强度骑行中使用CardioWatch 287-2，以ECG贴片为参考，PPG算法在剧烈运动中也展示可接受精度。Eisenkraft等人临床验证基于BB-613P传感器平台的可穿戴RR监测设备，三项独立研究中偏差保持在0.1 rpm以下。Zhao等人提出"BreathAnalyzer"，集成频率、时间和非线性Poincaré域特征，采用轻量化树形学习模型，在RR高的活动中显著优于多种先进技术。

ML方法显著改善动态和运动损坏场景的鲁棒性。Stankoski等人使用XGB算法，MAE 1.38 rpm，皮尔逊相关系数0.86。Chin等人采用RR估计工具箱结合卷积和LSTM层，MAE 2 rpm。Baker等人结合信号质量量化与多种神经网络，MAE 0.638 rpm。Shuzan等人提出基于优化时间分割窗口和预处理的RR估计方法。Lee等人结合自相关光谱特征与非参数自助特征生成和高斯过程回归，同时提供不确定性估计。

最先进的端到端DL和信号重建方法包括：Ravichandran等人提出直接从PPG信号重建呼吸波形的ResNet模型；Bian等人证明训练增强合成数据可提升性能约34%；Aqajari等人应用CycleGAN从PPG重建清洁呼吸信号；Zargari等人展示不依赖加速度计输入的CycleGAN运动损坏PPG校正，伪影抑制改善9.5倍。Pham等人提出"CP-PPG"对抗生成模型校正可变皮肤-传感器接触压力引起的波形畸变，RR估计精度提高约6.85%。Rajendran等人提出启发式辅助集成学习框架结合MLP、AdaBoost和注意力LSTM架构，优化后达同时RR和SpO₂估计96%准确率。Shuzan等人开发"PPG2RespNet"U-Net启发架构，跨多个数据集皮尔逊相关系数0.94-0.96，MAE极低0.11-0.69 rpm。Miao等人引入"RespDiff"端到端多尺度循环神经网络扩散模型，BIDMC数据集MAE 1.18 rpm。Yang等人提出脉冲神经网络（spiking neural network, SNN）高能效替代方案，MAE 1.15-1.37 rpm。Lee等人提出不平衡功率谱生成（imbalanced power spectral generation, IPSG）框架结合高斯过程回归，生成人工光谱特征曲线，BIDMC数据集MAE 0.79-1.47 rpm。

3.2.2 VT估计

PPG-VT估计研究相对有限。Romero等人提出OptiBreathe可穿戴PPG系统估计RR、呼吸相位和VT，考虑呼吸诱发强度变化、AM和FM三种调制，静态测试中RR最佳MAE 1.96 rpm，VT最佳个体平均MAPE 17%，但未发现动态环境测试。

3.3 结论

ECG和PPG衍生呼吸方法主要用于RR估计而非完整呼吸波形重建。生理基础在于呼吸相关的心血管信号调制，最常见通过AM、FM和基线漂移（baseline wander, BW），与RSA、胸腔压力变化以及呼吸依赖性静脉回流和每搏量变化相关。由于这些信号仅间接反映呼吸，通常更适合较长分析窗口的平均RR估计，而非可靠的逐波波形重建或鲁棒VT估计。从简单基于规则和光谱方法到自适应滤波、ML和DL框架，算法复杂度倾向于改善鲁棒性，但以更大计算和能量需求为代价。ECG衍生呼吸通常比PPG方法实现更高准确性和生理一致性，特别是在受控条件下，但两种模态在动态场景中均有 distinct 性能上限。

4 混合和多传感器方法

4.1 IMU增强胸带

Wu等人实现数字RIP传感器于无线体域网中，结合胸腹纺织传感器与3轴加速度计，融合改善动态使用中RR估计鲁棒性。De Fazio等人设计低功耗胸带，集成定制压阻纺织传感器与MPU-6050 IMU，步行性能下降显示持续挑战。Fedotov等人开发基于生物电容积描记和3D加速度计的混合系统，RLS算法在高强度活动中显著改善SNR。Whitlock等人引入A-Spiro系统，结合呼吸传感器、IMU和肺滞后模型估计RR、呼吸流量、VT和每分通气量，六项活动验证中流量估计准确率93%，每分通气量94.4%，RR平均96%。Zabihi等人开发融合IMU与柔性电阻压力传感器的可穿戴贴片，FFT、STFT和惯性信号滤波后提取，多呼吸动作验证显示改善鲁棒性。

4.2 IMU增强EDR

Alam等人提出模块化和可推广框架，从ECG Holter和腕部运动信号估计呼吸参数，结合活动分类与回归模型。Leube等人发现腕加速度衍生呼吸代理与参考流信号相位同步性高于ECG衍生代理，但优势主要限于最小体力活动期。Alhaskir等人结合ECG-RSA特征与加速度计信号，使用自适应线路增强、LMS滤波和奇异谱分析。Chan等人开发级联框架从ECG和SCG信号进行RR估计，2D U-Net架构去噪前EDR和SDR信号计算转换至频谱时间域，多模态融合MAE 0.82 rpm。Soliman等人融合EDR和SDR信号训练ML模型进行VT估计，RMSE 181.45 mL，皮尔逊相关系数0.61。

4.3 IMU增强PPG

Jarchi等人使用加速度计信号作为归一化LMS自适应滤波输入抑制PPG波形中运动损坏频谱成分，Hilbert域重建后自回归光谱分析估计RR。Nabavi和Bhadra使用加速计谱信息结合带阻滤波方法过滤PPG衍生呼吸信号中的运动诱发失真。Kazemi等人使用DL框架从原始智能手表PPG和加速度计信号进行RR估计，结合扩张残差创始模块、多尺度卷积和预训练基础网络迁移学习，后续研究进一步融入陀螺仪数据。Liaqat等人开发WearBreathing智能手表框架，使用IMU数据拒绝运动损坏片段，CNN-R估计仅应用于足够清洁信号窗口。Semiz开发紧凑多模态贴片，集成双波长PPG、SCG和皮肤温度传感，Teager-Kaiser能量算子SCG处理改善呼吸提取鲁棒性，RR MAE=1.6%。Abdulsadig等人开发颈戴PPG和加速度计设备，递归FFT优势评分结合指数加权移动平均聚合，引入速率带估计改善临床解释性。

4.4 ECG和PPG融合

Lin等人提出实时时间融合框架，推导六种呼吸成分，使用呼吸质量指数选择最可靠成分，分量分析融合为单一呼吸信号，CapnoBase和BIDMC数据集MAE分别为1.39和3.29 rpm。John等人基于DWT开发实时RR估计框架，瞬时信号质量指数作为自适应融合权重动态优先选择较清洁模态，CapnoBase TBME RR数据集MAE 0.34 rpm，SNR范围-50至50 dB。Leet和Lee引入不确定性感知框架进行同时RR和置信区间估计，精确高斯过程回归与多级特征提取和自适应邻域成分分析集成。Chan等人解决步行和运动恢复期间RR估计，结合ECG、PPG和SCG的胸贴，基于频谱呼吸SQI的自适应通道选择实时识别最可靠信号源，模态注意力融合框架后U-Net去噪，步行MAE 2.21 rpm，排除低质量片段后降至1.59 rpm。Rathore等人提出"MRNet"多任务框架，步行MAE 2.93 rpm，爬楼梯3.32 rpm。Kumar等人评估多种DL架构，注意增强双向LSTM模型达很高精度（MAE=0.24±0.03 rpm）。Branan等人开发集成多波长PPG、单侧ECG、生物阻抗和IMU传感的设备，特征重要性分析揭示生物阻抗基线漂移为RR估计主导贡献者，ECG特征提供较小但互补贡献。Kurian在上臂多模态系统中系统比较单模态和多模态配置，确认即使稳定条件下传感器融合对RR估计的益处。reSPIRE系统结合SCG、PPG、阻抗容积描记、MMG、EMG和ECG，静态和动态条件下VT估计R²=0.91，呼吸肌力跟踪Spearman ρ=0.87。Feli等人提出深度多任务学习框架利用智能手表PPG、ECG和IMU信号，同时优化信号质量评估、HR和RR估计，自由生活条件下RR MAE 1.98 rpm。

4.5 声学信号整合

Moon和Lee开发紧凑皮肤粘贴设备整合肺声音和ECG进行实时呼吸事件检测。Lee等人结合IMU数据与智能耳机采集呼吸音频进行运动重复计数，30种运动类型中准确率高于仅IMU模型。Qiu等人提出轻量级多模态智能胸贴，集成柔性ECG、心音和呼吸传感器与多标准多模态融合ML模型，475名受试者5561次记录中心肺异常检测准确率87%。

4.6 结论

多模态系统代表实现真实世界条件下鲁棒呼吸监测的关键方向。惯性传感发挥核心作用，主要通过提供运动上下文进行伪影抑制和活动感知适应，而非作为独立模态。在特定配置如SCG中，惯性传感器也可直接贡献于呼吸信号估计。多模态系统效果强烈依赖于情境，稳定条件下简单融合策略常足够，动态场景中性能 increasingly 依赖于信号质量评估、自适应通道选择和ML支持的融合策略。向完全集成可穿戴平台的转变是重要趋势，包括胸贴和纺织系统，扩展至RR估计之外更广泛的生理监测。但这些改进以增加算法复杂性和能耗为代价，最优系统设计取决于预期应用。

5 讨论与结论

5.1 综述文章

Hussain等人强调先进原型与商业系统如Hexoskin和Zephyr之间的差异，提出基于频率的可穿戴传感器分类，强调从实验室创新到监管合规医疗产品的转变。Kim和Vicente等人将讨论扩展至多模态复杂生物标志物检测、物联网连接和ML集成。Jia和Karpiel等人概述能效、人体工学集成、信号稳定性和隐私问题。Chen和Yin等人详细阐述纳米材料、导电聚合物和机械软基材进展，Xu等人扩展自供电呼吸监测的AI驱动软生物电子学知识。

5.2 算法处理

从原始传感器数据到临床可操作呼吸指标的转换根本上依赖于硬件设计与算法处理的协同。滤波和信号调节是基础处理阶段，呼吸信号通常带通滤波以隔离呼吸相关频率范围。时间域方法通常依赖峰值检测，频率域方法基于FFT、Welch PSD或周期图分析识别基本呼吸频率。这些经典方法计算轻量，适合边缘设备集成，但在无约束动态环境中鲁棒性显著下降。小波去噪和自适应滤波方法因更有效地保持瞬态呼吸动态而日益受到关注。运动伪影处理中，自适应滤波驱动辅助IMU信号、PCA降维或四元数定向跟踪融合多轴数据。Madgwick算法在计算效率、低采样率操作和抗陀螺仪漂移方面提供高度有利的平衡。ML和DL架构实现自适应伪影抑制和非线性模态映射，SVM用于吸气/呼气相位检测，K均值聚类用于姿势变化引起的形态变异SCG事件分组，RNN和元学习方法改善多模态FBG和IMU系统呼吸流量估计，U-Net架构显著改善三轴加速度计信号RR估计。1D-CRNN、CNN-LSTM混合、ResNet和基于Transformer的模型日益主导近期文献。然而DL模型面临重大转化挑战，许多研究存在过拟合风险，连续矩阵乘法计算和内存需求高，限制微控制器可穿戴实时可行性。SQI、自适应通道选择和情境感知处理管道改善可靠性，Shipper等人结合递归PCA与SQI阈值，LoA低于1.45 rpm，80%时间覆盖。传感器-算法协同设计强调算法不应仅作为后处理滤波器，而应指导硬件操作方式。"ResPara-Net"展示CNN在日常活动中的有效性，归一化MAE低于4%，RMSE低至0.12-0.14。"PPG2RespNet"跨多个数据集实现高皮尔逊相关系数0.94-0.96，极低MAE 0.11-0.69 rpm。"RespDiff"多尺度RNN扩散模型BIDMC数据集MAE 1.18 rpm。SNN作为高能效替代MAE 1.15-1.37 rpm。IPSG框架结合GPR改善不平衡训练数据学习。算法选择是权衡准确性、鲁棒性和能耗的零和博弈，多模态融合如ECG/PPG与IMU上下文结合，持续优于复杂单传感器DL模型，错误率从11.9%降至7.3%。未来系统将演进为紧密集成的多模态传感器-算法生态系统，联合优化生理相关性、鲁棒性、能效和实时部署。

5.3 验证协议的局限性与计量标准化的需求

尽管可穿戴呼吸监测技术取得实质性进展，研究间的客观比较仍严重受限。根本计量问题在于研究常混淆统计误差与真实测量不确定性和自然生理变异性，许多系统的表观精度反映特定高度控制的实验设计而非鲁棒的真实世界性能。缺乏标准化验证协议，参考方法、呼吸任务、活动类型、评估窗口和报告指标差异显著，限制可重复性和元分析基准测试。当前验证方法三类：机械原型、节拍器引导呼吸和临床参考设备验证。机械原型消除人生理变异性但无法复制复杂形态变化；节拍器引导引入人类依从性误差；参考设备验证引入参考本身固有测量不确定性和同步延迟。呼吸模式本身是重要变异源，规律呼吸下许多算法自然实现优异表观精度，自发、不规则或交谈呼吸时信号高度易受干扰。计量角度的重要缺陷包括缺乏对ISO测量不确定度表示指南（Guide to the Expression of Uncertainty in Measurement, GUM）的遵循，大多数研究未定义测量不确定度、重复性或校准标准追溯性。报告指标高度不一致，Bland-Altman分析常仅报告平均偏倚而遗漏LoA。评估窗口长度是关键的未充分报告因素，较长窗口内在平滑随机变异性，精度通常随窗口持续时间增加，约30秒饱和。文献明显偏向短期实验室验证，长期行为评估严重匮乏。

5.4 比较性能分析

基于近似性能包络和比较方法矩阵进行综合，而非使用不兼容精度指标直接排名。静息控制条件下各模态差异相对较小，MAE通常在0.5-2.0 rpm，LoA通常低于3 rpm。中高强度动态条件下性能包络显著分化，腕部PPG传统处理退化最大，误差可达4-6 rpm或更多；胸部EDR一般维持较低误差约2-4 rpm；直接胸廓传感尤其胸带和生物阻抗系统通常保持约2-3 rpm误差。动态场景最佳性能由整合PPG或ECG与IMU和AI辅助处理的多模态融合系统实现，错误降至约1-2.5 rpm。可穿戴呼吸监测本质涉及可穿戴性与信号鲁棒性的权衡，腕部PPG设备舒适度和用户依从性最高但运动中鲁棒性有限；胸带和应变系统鲁棒性更高但舒适度降低。最 promising 折衷目前似乎是柔性感知器、人工智能和智能算法的结合。