基于NMF增强的对数梅尔频谱图与卷积循环神经网络的呼吸系统疾病分类

《Sensors》：Respiratory Disease Classification Using NMF-Enhanced Log-Mel Spectrograms and Convolutional Recurrent Neural Networks

　　

本研究提出了一种基于非负矩阵分解（Non-negative Matrix Factorization, NMF）增强的对数梅尔（log-mel）频谱图与深度神经分类器的呼吸系统疾病分类框架。研究人员将两个公开数据集的呼吸音记录整合为统一的标签空间，涵盖哮喘（Asthma）、支气管扩张（Bronchiectasis）、细支气管炎（Bronchiolitis）、慢性阻塞性肺疾病（Chronic Obstructive Pulmonary Disease, COPD）、健康（Healthy）、肺炎（Pneumonia）及上呼吸道感染（Upper Respiratory Tract Infection, URTI）七类。经信号标准化与固定长度分段后，采用NMF增强处理以提升呼吸成分的显著性，进而生成对数梅尔频谱图。所提出的分类器为卷积循环神经网络（Convolutional Recurrent Neural Network, CRNN），其结合了卷积特征提取、双向循环建模与基于注意力机制的时间聚合策略。为进行公平比较，研究人员在相同的预处理与训练框架下实现了RDLINet、传统卷积神经网络（Convolutional Neural Network, CNN）、残差网络（ResNet）及YOLO风格骨干网络。实验结果表明，所提出的CRNN取得了最优的整体性能，在统一七类队列上达到96.14 ± 0.50%的准确率和94.05 ± 1.21%的宏平均F1分数（Macro-F1）。逐类分析、混淆矩阵评估及输出空间可视化进一步显示，CRNN相较于竞争架构具有更均衡的跨疾病类别识别能力与更清晰的类别分离度。上述发现表明，NMF增强的谱时序建模与卷积循环学习相结合，为自动化多类别呼吸系统疾病分类提供了一种有效途径。

呼吸系统疾病是全球范围内导致疾病和死亡的主要原因之一，其影响因人口老龄化、环境因素及医疗资源获取差异而呈现地区和时序变化。全球疾病负担（Global Burden of Disease, GBD）研究表明，慢性呼吸系统疾病持续造成大量残疾和过早死亡，凸显了早期检测与长期监测的必要性。其中，慢性阻塞性肺疾病（COPD）在全球呼吸系统疾病负担中占据显著份额，仍是世界范围内的主要死因之一。此外，下呼吸道感染每年影响数百万人，尤其在资源匮乏地区造成沉重的疾病与死亡负担。这些挑战强调了开发便捷可靠的工具以支持呼吸系统疾病筛查、诊断和监测的迫切需求。

听诊作为评估呼吸健康最广泛应用的方法之一，具有无创、快速、经济的优势。通过聆听肺音，临床医师可在常规检查中识别气道阻塞及其他呼吸异常的体征。然而，肺音解读常具有主观性，且因临床经验不同而存在差异，这推动了计算机辅助分析方法的发展，以提供更客观一致的评估。肺音术语标准化及共享呼吸声音据库的建立工作，进一步凸显了需要可重复的计算方法来支持跨临床医师和医疗场景的一致解读。此外，数字听诊器及低成本传感设备的日益普及，加速了自动化呼吸系统疾病分析的研究，并依托于包含标注呼吸音记录和基准分类任务的公开数据集。

呼吸音分析面临的主要挑战在于肺音常与心音及其他背景噪声混合，尤其在平静呼吸期间，心音可与呼吸信号重叠，使临床重要的声学特征更难检测。早期研究表明，心脏干扰可显著影响呼吸音分析，促使研究者在特征提取和分类前开发信号增强与降噪技术。近期研究持续探索减少心脏干扰的方法，包括时频分析和自适应信号处理技术，旨在改善呼吸声音表示的质量并保留与疾病相关的声学信息。

现有研究在自动化呼吸系统疾病分析方面主要集中于三个领域：基于深度学习的呼吸音分类、减少心脏干扰的信号增强技术，以及用于呼吸音分离的频谱分解方法。尽管各领域均取得实质性进展，但由于异质性录音条件、呼吸系统疾病间重叠的声学特征以及非呼吸干扰的存在，可靠的疾病分类仍具挑战性。这些挑战促使研究者开发将信号增强与谱时序深度学习相结合的分类框架，以改善从呼吸音记录中区分疾病的能力。

深度学习已成为自动化呼吸系统疾病分类的主流方法，大多数研究将呼吸音记录转换为时频表示，如频谱图或对数梅尔频谱图。对数梅尔表示因其提供紧凑的频谱内容描述且保留重要呼吸声学模式而被广泛采用。在呼吸音分析中，CNN通过学习与呼吸异常（如喘鸣和啰音）相关的判别性频谱特征展现出强劲性能。然而，呼吸系统疾病特征常随时间演变并可能跨越多个呼吸相位，使时序信息对准确分类至关重要。为此，CRNN被引入以结合卷积特征提取与循环序列建模，从而同时捕获局部频谱模式和长期时序依赖性。

心脏干扰仍是自动化呼吸音分析的主要挑战，因为心音与低频呼吸成分重叠，可能掩盖疾病相关声学信息。早期研究采用基于小波的技术抑制呼吸记录中的心脏污染，近期则探索了数据自适应分解方法作为替代方案。其中，经验模态分解（Empirical Mode Decomposition, EMD）和变分模态分解（Variational Mode Decomposition, VMD）因其分离不同频率特征振荡模式的能力而被广泛应用于信号降噪和成分分离。尽管波形级增强可减少心脏干扰和背景噪声，残差伪影仍可能以重叠结构形式出现在时频表示中，因此频谱分解方法常被用作额外增强阶段。NMF因其将频谱图分解为可表示不同声源或声学模式的加性成分，在音频分析中受到广泛关注，其通过分离有意义的频谱结构实现源分离、降噪和信号增强的特性，使其特别适用于呼吸音分析。

此外，评估方法学在呼吸系统疾病分类中具有重要作用。呼吸音数据集通常以分段呼吸周期或固定时长片段形式呈现，这可能引入源自同一记录的样本间相关性，因此需谨慎进行数据划分以获得可靠的模型性能估计。近期研究还强调了预处理、模型调优和性能报告中信息泄露的风险，可能导致过于乐观的结果，这进一步强调了在评估呼吸系统疾病分类系统时采用严谨可重复方案的重要性。

本研究的主要贡献在于整合信号增强与谱时序深度学习用于呼吸系统疾病分类。通过结合波形去噪、基于NMF的呼吸增强、对数梅尔频谱图表示和卷积循环建模，该研究旨在改善从异质性听诊记录中区分临床相关呼吸系统疾病的能力，并开展全面的比较分析以探究时序序列建模对疾病识别性能和平衡分类的影响。

研究人员提出的框架通过顺序信号处理和深度学习管道实现多类别呼吸系统疾病分类，包含四个阶段：信号准备、呼吸音增强、对数梅尔频谱图生成和疾病分类。在信号准备阶段，所有录音转换为单声道格式并统一重采样至4 kHz，随后分割为5秒片段（50%重叠）。呼吸增强阶段首先应用波形级四阶巴特沃斯带通滤波器（截止频率50 Hz和1800 Hz）以去除主呼吸频带外的频率成分；继而采用NMF方法增强呼吸主导声学结构并抑制心脏干扰。NMF基于Kullback-Leibler散度目标函数，利用从HLS-CMDS辅助数据集离线学习的呼吸和干扰基字典（秩分别为r_R=40和r_I=20），通过固定词典推理策略对输入信号进行60次乘法更新迭代，计算软呼吸掩膜后应用于去噪波形的复短时傅里叶变换（Short-Time Fourier Transform, STFT），最终通过逆STFT重构增强波形。为应对类别不平衡问题，研究仅对训练样本施加数据增强，包括时域拉伸（因子α=0.9和1.1）和音高偏移（±2半音），并保持增强片段与原始片段一致预处理。

增强后的呼吸片段转换为对数梅尔频谱图：采用1024点分析窗、512样本跳步和64个梅尔滤波器，对数变换后重采样为固定尺寸，经最小-最大归一化后应用jet色彩映射生成三通道频谱图图像。

所提出的CRNN分类器设计为结合局部卷积谱时序特征提取与双向循环建模。网络接收64×38×3的对数梅尔频谱图输入，包含六个主要阶段：输入表示、三个CNN特征提取块（滤波器数分别为32、64、128）、序列重塑、两个堆叠双向门控循环单元（Bidirectional Gated Recurrent Unit, BiGRU）层、注意力池化和全连接分类头。卷积前端仅沿频率轴进行最大池化，保持38帧时序分辨率贯穿卷积阶段，频率维度从64逐层压缩至8。第三卷积块后，特征张量重塑为38×1024的时序序列，输入至隐藏单元分别为128和64（每方向）的两个堆叠BiGRU层。注意力池化模块计算各时间步的注意力分数并归一化，加权求和得到128维嵌入向量，最终经全连接层和softmax输出七类概率分布。模型采用类别加权交叉熵损失，AdamW优化器（初始学习率2×10^-4，权重衰减1×10^-4，批量大小128），训练至多220轮，采用早停策略和ReduceLROnPlateau调度器。

实验数据集方面，研究采用ICBHI 2017挑战数据集和Fraiwan等发布的胸壁肺音（Chest Wall Lung Sound, CWLS）数据集。ICBHI数据集包含920条呼吸音记录，CWLS数据集选取健康、哮喘、支气管扩张、COPD和肺炎五类。数据集首次按记录级别划分为训练（80%）、验证（10%）和测试（10%）子集，同原始记录的所有片段仅分配至单一子集。为构建更全面的队列，合并后的七类分类框架包含哮喘、支气管扩张、细支气管炎、COPD、健康、肺炎和URTI，较仅用ICBHI数据集的常规六类基准更全面地纳入哮喘作为独立疾病类别。

在ICBHI数据集六类分类消融研究中，基线CRNN（仅用原始波形）准确率88.65%、Macro-F1为78.78%；加入波形去噪后Macro-F1提升至84.98%；完整管道（含NMF增强）达到准确率96.84%和Macro-F1 90.23%，较基线分别提升8.19%和11.45个百分点，证实各处理阶段均正向贡献最终性能。与文献的指示性比较显示，完整管道在ICBHI六类任务上的性能与部分已发表研究可比或更优，但因实验协议差异需谨慎解读。

七类分类评估中，CRNN取得最优整体性能（准确率96.14 ± 0.50%，Macro-F1 94.05 ± 1.21%），较最强基线CNN提升1.72%准确率和1.60% Macro-F1。CNN次之（94.42 ± 0.47%，92.45 ± 1.40%），ResNet再次之（91.92 ± 0.51%，86.77 ± 1.81%），YOLO风格骨干（86.89 ± 0.54%，82.89 ± 2.16%）和RDLINet（82.66 ± 0.80%，75.73 ± 3.60%）性能显著较低。混淆矩阵分析显示CRNN具有最强的对角分布，基线模型呈现更高程度的类别混淆，尤其难以保持对少数类别的均衡识别。t-SNE可视化表明CRNN输出概率向量形成最紧凑、明确的聚类结构，少数类保持相对分离，与量化结果一致。

研究结论部分指出，该研究将ICBHI 2017和CWLS数据集合并为包含七类的呼吸系统疾病分类队列，在生成对数梅尔频谱图前应用波形级去噪和NMF呼吸增强以提升呼吸主导声学模式的显著性，继而采用融合卷积特征提取、双向循环建模和注意力时间聚合的CRNN进行分类。实验结果表明，所提出的CRNN持续优于CNN、ResNet、YOLO风格骨干和RDLINet等其他模型，实现了最高的整体分类准确率和Macro-F1分数，同时确保了不同疾病类别的均衡识别。混淆矩阵分析展示了更好的逐类区分能力，尤其针对少数类别；t-SNE可视化揭示了更清晰、分离度更高的输出空间；消融研究证实波形去噪和NMF均正向影响最终分类性能。上述发现表明，所提出的框架能有效分类多种呼吸系统疾病，为基于肺音记录的计算机辅助听诊和筛查提供了良好解决方案。

未来研究方向包括：第一，在独立外部数据集上进行额外验证，以评估框架在不同录音设备、采集环境和患者群体中的鲁棒性和泛化性；采用严格的主体独立数据划分以更严格地评估泛化性能。第二，研究自适应信号分解和基于深度学习的目标源分离等替代呼吸音增强技术，并系统研究不同频谱图配置和特征提取方法的影响。第三，引入不确定性估计和可解释人工智能（Explainable Artificial Intelligence, XAI）技术，如视觉解释方法和置信度感知决策系统，以提高模型预测的透明度和可靠性，为临床医师提供额外诊断支持。第四，探索模型压缩和部署策略，促进在数字听诊器和边缘计算平台等资源受限设备上的实现，以进一步支持自动化呼吸系统疾病分类系统向临床实践和社区医疗场景的转化。