呼吸模式參數是指呼吸運動的特征模式參數，包括幅度、周期、胸腹貢獻度、協調性等。呼吸模式參數的量化分析對于研究呼吸系統的生理病理變化和指導肺康復訓練具有重要價值。本文給出了呼吸模式參數量化方法，包括潮氣量、呼吸率、吸氣時間、呼氣時間、吸氣時間分數、胸呼吸貢獻比、胸腹相位差、峰值吸氣氣流等。本文引入呼吸信號質量指數來解決長時間記錄的胸腹呼吸運動信號質量評價和量化分析問題，并提出了呼吸模式參數變異性的分析方法。在此基礎上，使用穿戴式心肺生理參數監測系統采集了 23 名慢性阻塞性肺疾病（COPD）患者與 22 名肺功能正常者的 15 分鐘自主呼吸狀態下的胸腹呼吸運動信號，對呼吸模式參數及其變異性進行了量化分析。結果表明，COPD 患者和肺功能正常者在呼吸頻率、吸氣時間、呼氣時間、胸腹相位差、峰值吸氣氣流這五項參數上的差異有統計學意義，COPD 患者呼吸模式參數的變異性要大于肺功能正常者，部分患者出現明顯的胸腹不同步現象。基于穿戴式心肺生理參數監測系統的呼吸模式參數量化分析有望為呼吸系統疾病的診斷評估提供新的輔助決策支持信息，為心肺疾病患者健康狀態監測提供新的參數和指標。
引用本文： 王佳晨, 梁洪, 王雅靜, 王偉濤, 蘭珂, 曹璐, 張政波, 李玉柱, 劉志文, 曹德森. 基于可穿戴系統的呼吸模式參數量化分析研究. 生物醫學工程學雜志, 2021, 38(5): 893-902. doi: 10.7507/1001-5515.202004047 復制
引言
呼吸是人體重要的生命體征之一，呼吸運動中包含著豐富的生理信息、病理信息和心理信息。臨床常見的呼吸模式有胸式呼吸、腹式呼吸、抬肩式呼吸、點頭呼吸、比奧呼吸、潮式呼吸等。呼吸模式可以通過呼吸波形的特征參數進行表征，包括呼吸幅度、周期、胸腹貢獻度、協調性等，如腹式呼吸的腹部起伏變化更明顯，腹呼吸貢獻度更高，潮式呼吸表現出呼吸幅度（即潮氣量）的增強與減弱交替出現。對呼吸模式參數進行量化分析能夠為呼吸運動的生理/病理學研究提供技術手段，為呼吸模式的識別提供思路與方法。很多疾病的發生發展往往伴隨著呼吸模式參數的變化，如患者在發生低氧血癥和高碳酸血癥時，會導致潮氣量（tidal volume，VT）和呼吸速率的增加[1]，慢性阻塞性肺疾病（chronic obstructive pulmonary disease，COPD）患者在病情急性加重期會有明顯的呼吸率加快[2]，患者在病情惡化的時候淺快呼吸指數（呼吸頻率與潮氣量的比值）也增大[3]。呼吸系統疾病，如 COPD 或間質性肺病，或者不良的呼吸習慣也會帶來胸腹呼吸運動模式的改變，如臨床上常見的肩式呼吸、胸式呼吸等，呼吸淺而快，呼吸運動不穩定[4]。目前，肺功能檢查是檢測呼吸系統疾病的主要方法，具有廣泛的臨床應用價值。但是，現有的肺功能檢查的測量方法均需佩戴口鼻面罩或鼻夾，直接測量當前進出肺部的氣體，繼而計算相應參數，容易給患者造成生理和心理負荷，從而有可能改變患者當前的呼吸模式參數，且無法應用于日常生活中的連續監測。基于呼吸感應體積描記技術的穿戴式生理參數監測系統為監測和量化呼吸模式參數提供了技術手段[5-8]，它能夠準確地描記胸腹呼吸運動曲線，并且經過校準之后，能夠獲得潮氣量和呼吸氣流等信息，進而計算胸腹呼吸貢獻比、相位差等參數[9]，在呼吸系統慢病管理和康復評估與訓練中將發揮重要作用。
雖然呼吸是一個非常重要的生理參數，但是與心電和心率時間序列分析相比，呼吸模式參數的量化分析研究還相對較少[7-8,10]。究其原因，一是呼吸信號的準確獲取并不像心電那樣成熟和普及，目前出現的大多數穿戴式生理參數監測系統仍以心電監測為主；二是由于呼吸運動的自主性和隨意性，并且非常容易受體動、說話等運動偽跡干擾，無法獲得有效、干凈的呼吸信號，長時間監測的呼吸信號表現出極大的變異性，給后續的信號分析處理帶來極大的挑戰。基于上述原因，呼吸模式及其量化分析并沒有像心率變異性（heart rate variability，HRV）分析那樣形成公認的參數指標體系和方法[11]，例如，在心率變異性分析中將參數指標分為三類：時域參數［正常 RR 間隔（normal-normal interval，NNI）的平均值、標準差等］、頻域參數（低頻功率譜密度、高頻功率譜密度、低頻高頻功率譜密度比值等）以及非線性域參數（龐加萊圖等）。因此，如何分析和利用呼吸相關參數，為慢性呼吸系統疾病患者狀態監測和康復管理提供決策支持信息，還需要展開深入研究。
本文在呼吸模式量化分析領域開展了初步的探索性研究，根據在臨床上的實際應用價值，給出了呼吸模式參數量化分析常用的指標及其計算方法，此外，給出了一種量化呼吸信號質量的方法，用于輔助分析人體自主狀態下的呼吸信號，獲得準確可靠的呼吸模式參數量化分析結果。在此基礎上，本研究使用穿戴式心肺生理參數監測系統采集了 23 名 COPD 患者與 22 名肺功能正常者的自主呼吸狀態下的胸腹呼吸運動信號，開展了呼吸模式參數及其變異性的量化分析研究。
1 材料和方法
1.1 研究對象
本實驗在中國人民解放軍總醫院的肺功能檢查室進行，共納入了 45 名疑似 COPD 受試者的胸腹運動數據，其中包括 13 名女性受試者。這些受試者年齡在 45～75 歲之間，大部分為中老年男性且有長年吸煙史，所有受試者實驗前均知情并同意參與本次實驗（本項目的倫理編號為：S2018-095-01）。實驗以肺功能儀的檢查結果為金標準，基于受試者的“一秒用力呼氣量”（forced expiratory volume in 1s，FEV1）與“用力肺活量”（forced vital capacity，FVC）的比值，記作 FEV1/FVC，將其分為 COPD 組和肺功能正常組，其中 COPD 組為 FEV1/FVC < 70%，剔除了混合性通氣障礙的患者，只保留 COPD 患者。肺功能正常組為 FEV1/FVC > 70%，年齡與 COPD 組相仿，肺通氣功能基本正常，未見明顯的阻塞性或限制性通氣功能障礙。最終本次實驗的 COPD 組 23 名，肺功能正常組 22 名。
1.2 實驗裝置和數據采集
本實驗所使用的生理信號采集裝置為穿戴式隨行生理監測系統 SensEcho[12]。該系統由穿戴式生理信號采集系統（背心）、后臺處理服務器和中央監護站三部分構成，能夠實時監測受試者的心電、胸腹呼吸、體位/體動、血氧和血壓等信號，隨行監護系統整體結構圖如圖 1 所示。該系統的呼吸運動傳感器采用呼吸感應體積描記技術，由胸腹兩條彈性縛帶構成，分別檢測胸腹呼吸運動信號[13]。此外，本實驗使用朔茂科技有限公司的肺悅移動肺功能檢測裝置來標定胸腹呼吸運動信號，移動肺功能檢測裝置可與 SensEcho 通過藍牙連接，從而實現呼吸氣流信號與胸腹呼吸信號同步采集。
圖1
隨行生理參數監護系統結構
Figure1.
Structure of the ubiquitous and wearable physiological monitoring system
本實驗的數據采集流程如下：數據正式采集前首先與受試者溝通，獲得受試者知情同意，之后受試者按照要求穿戴背心。受試者穿戴設備后，實驗人員要為受試者調整背心胸部和腹部的兩條彈性縛帶，保證縛帶的松緊程度統一，避免胸衣松緊不適對受試者的呼吸結果造成影響。隨后，對受試者的基本信息進行詢問，記錄其以下基本信息：年齡、身高、體重、既往病史等基本信息。穿戴完畢并調整合適后，記錄盒會自動記錄受試者的心電信號和呼吸信號，人工記錄受試者是否發生體位或姿勢變化。待受試者的呼吸平穩后，在指定區域內放松靜坐，進行 15 min 的自主呼吸，且前 5 min 自主呼吸時需使用移動肺功能監測裝置進行呼吸氣流監測，由人工記錄自主呼吸開始和結束時間。采集結束后，實驗人員為受試者脫下設備，導出記錄盒內的數據并按照肺功能檢查結果對受試者進行分組管理。
1.3 數據預處理
數據采集完畢后，對記錄的數據進行離線處理。由于硬件產生的信號噪聲會對后續的信號處理造成一定的影響，因此首先需要對原始呼吸信號進行濾波預處理。首先，對胸腹呼吸信號進行小波變換，將分解后的低頻成分作為信號的基線，再將原始信號減去基線，去除信號中的基線漂移。其次，采用中值濾波算法來消除尖刺脈沖對信號質量的影響。最后對胸腹呼吸信號進行濾波處理（五階 2 Hz 低通 IIR 巴特沃斯濾波器），濾除一些高頻噪聲和干擾信號。
1.4 呼吸波特征點識別
呼吸模式參數量化指標包括最基本的呼吸幅度、周期、胸腹貢獻度、協調性等，其中基礎的步驟是呼吸波特征點識別，即呼吸波信號波峰和波谷點的識別。由于呼吸運動本身具有很大的隨意性和自主性，自主狀態下的呼吸波形會產生很多變異，比如吸氣相或者呼氣相會出現短暫停頓，吸氣/呼氣動作未結束又發生一次吸氣/呼氣運動，或者說話對呼吸波形產生的不確定性的影響等等，使用傳統的峰值檢查算法，會導致一些吸氣/呼氣過程中的偽峰（如當呼吸信號整體在下降階段時出現的小的峰值）被檢測出來，從而影響呼吸參數的正確識別。針對這一問題，Peng 等[9]提出了移動平均線法（moving average）：
 |
其中 X 為信號，t 為時間的索引，
為信號的移動平均線（窗口為 W），本文對呼吸信號都使用了兩個移動平均線：一個使用大窗口值 W1，一個使用小窗口值 W2。
代表了當前信號長期變化的趨勢，
反映了當前信號短期快速變化的趨勢。當
的大小開始超過
時，它表明信號呈上升趨勢，當它們的偏移值最大的時候，說明信號處于波峰位置。當信號向下變化時，兩個移動平均線逐漸接近，當 
的值小于 
，且偏移達到最大時，說明信號處于波谷位置。找到呼吸信號的波峰波谷之后，就可以計算出呼吸模式參數量化分析需要的其他指標。
1.5 呼吸信號質量指數
由于呼吸運動的自主性和隨意性，以及運動偽跡干擾，可穿戴設備長時間記錄的胸腹呼吸信號不可避免地存在信號質量不好的數據段，無法用于準確量化分析呼吸運動模式，因此需要發展呼吸信號質量評估算法，對長時間記錄的胸腹呼吸信號進行分析，從而識別和剔除信號質量不好的數據段，留取信號質量好的數據段。本研究用呼吸信號質量指數對實驗采集的呼吸信號進行掃描，自動識別信號質量差的數據段，輔助后續的呼吸模式參數量化分析。首先使用呼吸波特征點識別算法將呼吸波分割成各個周期，然后通過動態時間規整（dynamic time warping，DTW）算法來度量呼吸波形每一個周期與其他周期的相似度，相似程度高說明呼吸信號質量好，反之，則質量不好。
DTW 可以通過計算兩個序列的距離來比較兩段長度不等的時間序列的相似性（DTW 距離越小，相似度越高），是歐式距離的改進，最初被用于語音識別領域[14]。很多情況下，兩個時間序列整體上有十分相似的形狀，但這兩個序列在X軸上并不是對齊的，這時就需要用到 DTW 算法來比較兩個序列的相似性。DTW 算法就是要尋找一個最佳的時間規整函數，使得時間序列B的時間軸映射到參考模板A的時間軸上總的累計失真最小。如兩個長度分別為 14 和 13 的序列 a 和 b（如圖 2 所示），a = [1，1，1，2，3，4，3，2，1，1，2，3，2，1]，b = [1，2，3，4，3，2，1，1，1，2，3，2，1]，兩個序列相似度較高，但在時間上無法對齊，若使用歐氏距離比較兩個序列的相似性（見圖 2a），第 14 個點無法對應，且前 13 個點的歐式距離為 14，若使用 DTW 算法計算兩序列的距離（見圖 2b），則 DWT 距離為 0。本研究分別以測試周期的前后各 2 個周期的信號為參考時間序列，計算測試周期的信號與參考時間序列的累計失真，并根據設定的閾值來判斷信號質量。
圖2
歐式距離與 DTW 距離的區別
a. 歐式距離比較兩序列的相似性；b. DTW 距離比較兩序列的相似性
Figure2. Difference between Euclidean distance and DTW distancea. similarity comparison of two sequences by Euclidean distance; b. similarity comparison of two sequences by DTW distance
圖 3 所示的是一段經過呼吸信號質量算法識別和標注的呼吸信號。圖 4a 所示的是 24 小時記錄的呼吸信號，通過呼吸信號質量評估算法，自動識別出信號質量不好的數據段。經過統計分析，24 小時呼吸信號中可用信號占比為 80.38%，圖 4b 是從圖 4a 中選擇信號質量好的數據段進一步展開的結果。
圖3
呼吸信號質量分析結果
Figure3.
Results of respiratory signal quality analysis
圖4
經呼吸信號質量算法識別和標注的呼吸信號
a. 24 小時呼吸信號及呼吸信號質量算法的識別和標注情況；b. 圖 a 中的局部信號展開圖
Figure4. Respiratory signal recognized and labeled by respiratory signal quality algorithma. 24-hours respiratory signal recognized and labeled by respiratory signal quality algorithm; b. part view of figure a
1.6 潮氣量校準
呼吸感應體積描記技術是基于 Konno 等[15]提出的兩個自由度物理系統模型來計算潮氣量的。Konno 和 Mead 的研究認為，人體呼吸腔可以近似為胸腔（rib cage，RC）、腹部（abdomen，AB）運動這兩個運動自由度，胸腔容積和腹部容積的變化可以等價于在口鼻處進入肺部氣體容積的變化。因此，當得到胸腹呼吸信號的時候，就可以基于胸腹呼吸信號通過一些標定方法來估算潮氣量。本研究采用定性診斷性校準法（qualitative diagnostic calibration，QDC）來標定潮氣量。QDC 是一種應用廣泛的標定方法，需要受試者配合較少，只需要受試者平穩呼吸五分鐘就可以標定得到呼吸信號[16-17]。本研究使用預處理后前 5 分鐘胸腹呼吸信號數據進行標定。QDC 用公式表示如下：
 |
其中 K 是未校準的胸腔和腹腔信號之間的相對比例系數，M是將任意單位的相對潮氣量縮放到絕對容積單位潮氣量的比例系數。
是胸部潮氣量，
是腹部潮氣量。K 的計算公式如下：
 |
其中 
、
分別是腹、胸橫截面積變化的標準差，K 是胸腹貢獻比。求出 K 后代入公式（1），求出系數 M，從而實現胸腹呼吸運動估算潮氣量。前期研究證明通過該校準方法在體位沒有明顯變化的情況下能夠實現較準確的潮氣量測量[18]。
1.7 呼吸模式參數量化指標
通過 QDC 技術標定得到潮氣量之后，對呼吸模式參數進行量化分析，目前選取了八個基本指標：潮氣量、呼吸率、吸氣時間、呼氣時間、吸氣時間分數、胸呼吸貢獻比、胸腹相位差、峰值吸氣氣流。為便于理解，圖 5 給出了胸、腹呼吸運動曲線以及幾個關鍵呼吸參數的示意。具體參數定義描述見下文。
圖5
胸腹呼吸運動曲線以及關鍵呼吸參數示意
Figure5.
Thoracoabdominal respiratory movement curve and key respiratory parameters
（1）呼吸率（respiratory rate，RR）：即每分鐘的呼吸次數，通過計算每個呼吸波形波峰與波峰之間的時間間距，就可以求得每分鐘的呼吸次數。
（2）吸氣/呼氣時間：吸氣時間（inspiratory time，TI），即完成一次吸氣動作所用時間，為每個呼吸波形的波谷到下一個波峰之間的時間間距。呼氣時間（expiratory time，TE），指完成一次呼氣動作所用時間，為每個呼吸波形的波峰到下一個波谷之間的時間間距。
（3）吸氣時間分數（inspiratory time proportion）：吸氣時間與呼吸周期的比值。
（4）胸呼吸貢獻比（chest breath contribution ratio）：即胸腔的容積變化量占潮氣量的比值，由 K 表示。
（5）胸腹相位差（thoracoabdominal phase difference）：是衡量胸、腹呼吸運動協調性的重要參數，能夠反映患者的呼吸狀態，顯示是否有呼吸障礙、呼吸衰竭等。本研究通過互相關來計算相位差值[19]。
 |
其中 
為偏移值，RC 為胸呼吸信號，AB 為腹呼吸信號。當互相關達到最大時，此時對應的時間偏移量為信號周期的一部分，由此能夠確定相位角。通過偏移時間占呼吸周期內信號的比例，就可以計算得到胸腹呼吸的相位差。
（6）峰值吸氣氣流（peak inspiratory flow，PIF）：即吸氣相的最大氣流，為呼吸波形中（經過潮氣量校準）吸氣相導數最大的地方。
1.8 呼吸模式參數變異性分析
呼吸模式參數的變異性是指呼吸參數的變化情況，它有可能是預測呼吸疾病的一個有價值的指標。呼吸模式參數的變異性包括潮氣量、呼吸率、吸氣時間和呼氣時間、吸氣時間分數、胸呼吸貢獻比等參數的變異性。基于采集到的呼吸信號，通過逐個周期的計算，可以得到每次呼吸周期各個呼吸參數的瞬時值，然后計算得到每次呼吸的瞬時參數之間的變異系數。
1.9 統計分析
本研究使用t檢驗，對計算得到的呼吸模式參數進行組間比較，P ≤ 0.05 認為組間差異有統計學意義[20]。針對本研究提出的 8 個關鍵參數，對肺功能正常組和 COPD 組的各個參數的均值做了統計分析。此外，針對呼吸模式參數變異性，對肺功能正常組和 COPD 組的呼吸參數變異系數做了統計分析。
2 結果
COPD 組和肺功能正常組之間的呼吸模式參數以及人口統計學信息如表 1 所示。從中可以看出，兩組之間在年齡、身高、體重、身體質量指數（Body Mass Index，BMI）等人口統計學指標方面的差異無統計學意義。COPD 組和肺功能正常組之間的呼吸模式參數以及部分呼吸參數的變異性比較如表 2 所示，其中變異性以變異系數來表示。相比而言，兩組在呼吸率、吸氣時間、呼氣時間、胸腹相位差和峰值吸氣氣流的差異有統計學意義，但在潮氣量、吸氣時間分數、胸呼吸貢獻比的差異無統計學意義。在呼吸模式參數變異性方面，兩組在呼吸率、吸氣時間、呼氣時間和吸氣時間分數的變異性的差異有統計學意義，COPD 患者的呼吸模式參數變異性更大。
表1
人口統計學特征
Table1.
Demographic characteristics
表2
肺功能正常組和 COPD 組的呼吸模式參數對比
Table2.
Comparison of breathing pattern parameters between normal group and COPD groups
圖 6 的上圖為 COPD 患者的胸腹呼吸運動波形，圖 6 的下圖為肺功能正常者的胸腹呼吸運動波形，從這兩個圖能夠直觀看出，COPD 患者的呼吸波形更差，呼吸運動穩定性更差，無論是幅度、形態還是周期上都具有更大的變異性。
圖6
肺功能正常者和 COPD 患者的胸腹呼吸運動波形對比
Figure6.
Comparison of chest and abdomen respiratory movement waveform between subjects with normal lung function and patients with COPD
圖 7 的上圖為 COPD 患者的胸腹呼吸的相位差，圖 7 的下圖為肺功能正常者的胸腹呼吸的相位差，從圖中可以直觀地看出，肺功能正常者的胸呼吸與腹呼吸是同步的，而 COPD 患者的胸呼吸和腹呼吸之間存在明顯的相位差，反映了胸腹呼吸運動之間協調性較差。
圖7
肺功能正常者與 COPD 患者胸腹相位差
Figure7.
Thoracoabdominal phase difference between subjects with normal lung function and patients with COPD
3 討論及結論
本研究將呼吸感應體積描記技術與可穿戴設備相結合，使用便攜、無創、非侵入的方法采集了 45 名受試者的胸腹呼吸運動數據。通過濾波、標定、量化等步驟計算了潮氣量、呼吸率、吸氣時間、呼氣時間、吸氣時間分數、胸腹呼吸相位差、峰值吸氣氣流等量化指標及變異性。通過統計學方法進行假設檢驗，我們發現 COPD 患者和肺功能正常者在呼吸率、吸氣時間、呼氣時間、胸腹相位差和峰值吸氣氣流上的差異有統計學意義。在呼吸模式參數變異性方面，兩組在呼吸率、吸氣時間、呼氣時間和吸氣時間分數的變異性的差異有統計學意義。這與 COPD 患者的病理基礎相符，COPD 患者二氧化碳潴留，缺氧會興奮呼吸中樞，加快呼吸頻率，以至于促進二氧化碳的排除。而且 COPD 患者具有氣短的臨床表現，呼吸比正常人短促，呼吸更加微弱而喘促[10]。此外，呼吸中樞興奮會增大吸氣壓力，使得峰值吸氣氣流增大[21]，但由于 COPD 患者呼吸氣流受限，峰值吸氣氣流增大并不會明顯改善體內缺氧狀態，這些原因都會導致患者的呼吸率變高。氣短和呼吸困難是 COPD 的主要臨床表現，患者的肺組織彈性減弱及小支氣管狹窄，所以吸氣時間會減弱[11]。
呼吸是人體重要的生命體征之一，呼吸運動包括化學、神經、肌肉和機械過程的相互作用，受神經系統調節，與脈管系統、運動系統等也有聯系，所以呼吸參數與人體的狀態密切相關。但傳統的對呼吸運動的分析只包括潮氣量和呼吸頻率等[22]。本研究通過對呼吸模式參數的量化分析發現 COPD 患者與肺功能正常者在呼吸表現上的不同之處，該模式可以推廣到相關的呼吸道疾病甚至其他人體生理系統疾病上。例如，對于危急重癥患者來說，呼吸速率降低通常與意識水平降低有關[2]。除此之外，呼吸信號與心電之間具有極大的相關性，吸氣時心率加快，呼氣時心率減慢，這就是呼吸性竇性心律不齊[3-4]，另一方面呼吸對心率變異性產生影響，由于參與呼吸的組織的復雜性，以及呼吸對各種刺激響應的復雜性，使得呼吸對 HRV 的影響十分復雜，幾乎影響著它的每一個層次[23-24]。呼吸模式參數的量化能夠為健康狀態分析、疾病病情分析和治療效果量化評價提供輔助決策的支持信息，也可以為相關研究提供量化指標，為疾病的監控和診斷提供輔助信息，具有很高的臨床價值和應用價值。
呼吸模式參數量化分析的難點在于呼吸信號的獲取技術不成熟，呼吸信號極易受到體位體動、說話等活動的影響，使得獲取的信號質量不高。本研究使用的呼吸信號質量算法雖然能夠提取出信號質量較好的部分，初步實現了呼吸信號質量評估，但仍有需要改進的地方：① 該算法依賴特征點檢測的算法，如果特征點檢測不準確，就會影響該算法的準確性；② 當一個周期的時長太短時，該算法偏差較大；③ 閾值的選取主觀性較大，易影響信號質量的判斷；④ 該算法無法識別出信號異常的原因。此外，24 小時連續呼吸信號的采集也極易受到人體體位體動的影響，因此，在對 24 小時連續呼吸信號進行量化分析時，應結合 SensEcho 隨行生理監護系統集成的三軸加速度傳感器，分析受試者在不同時刻的體位體動狀態，根據不同的狀態對呼吸信號進行校準，從而得到準確可靠的呼吸信號。
本次實驗還存在以下不足：① 信號的濾波算法在一定程度上會造成幅值衰減，影響信號形態，在后續的研究中，我們會針對呼吸信號的特點，進行預處理算法的改進；② 呼吸信號質量指數可以判別出信號質量差的部分，但是無法判別信號質量差的部分是由于受試者運動等干擾所致還是受試者的生理病理學改變所致，這可能會遺漏患者重要的生理病理變化，在后續研究中，課題組將對信號質量評估方法進行優化；③ 由于呼吸信號采集時間較短，未對呼吸模式參數進行 24 小時長程的量化以及變異性分析，我們在后續的研究中，會進一步擴大樣本量，采集 COPD 患者的 24 小時連續動態呼吸信號，開展長程呼吸信號的呼吸模式參數及變異性研究。
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
引言
呼吸是人體重要的生命體征之一，呼吸運動中包含著豐富的生理信息、病理信息和心理信息。臨床常見的呼吸模式有胸式呼吸、腹式呼吸、抬肩式呼吸、點頭呼吸、比奧呼吸、潮式呼吸等。呼吸模式可以通過呼吸波形的特征參數進行表征，包括呼吸幅度、周期、胸腹貢獻度、協調性等，如腹式呼吸的腹部起伏變化更明顯，腹呼吸貢獻度更高，潮式呼吸表現出呼吸幅度（即潮氣量）的增強與減弱交替出現。對呼吸模式參數進行量化分析能夠為呼吸運動的生理/病理學研究提供技術手段，為呼吸模式的識別提供思路與方法。很多疾病的發生發展往往伴隨著呼吸模式參數的變化，如患者在發生低氧血癥和高碳酸血癥時，會導致潮氣量（tidal volume，VT）和呼吸速率的增加[1]，慢性阻塞性肺疾病（chronic obstructive pulmonary disease，COPD）患者在病情急性加重期會有明顯的呼吸率加快[2]，患者在病情惡化的時候淺快呼吸指數（呼吸頻率與潮氣量的比值）也增大[3]。呼吸系統疾病，如 COPD 或間質性肺病，或者不良的呼吸習慣也會帶來胸腹呼吸運動模式的改變，如臨床上常見的肩式呼吸、胸式呼吸等，呼吸淺而快，呼吸運動不穩定[4]。目前，肺功能檢查是檢測呼吸系統疾病的主要方法，具有廣泛的臨床應用價值。但是，現有的肺功能檢查的測量方法均需佩戴口鼻面罩或鼻夾，直接測量當前進出肺部的氣體，繼而計算相應參數，容易給患者造成生理和心理負荷，從而有可能改變患者當前的呼吸模式參數，且無法應用于日常生活中的連續監測。基于呼吸感應體積描記技術的穿戴式生理參數監測系統為監測和量化呼吸模式參數提供了技術手段[5-8]，它能夠準確地描記胸腹呼吸運動曲線，并且經過校準之后，能夠獲得潮氣量和呼吸氣流等信息，進而計算胸腹呼吸貢獻比、相位差等參數[9]，在呼吸系統慢病管理和康復評估與訓練中將發揮重要作用。
雖然呼吸是一個非常重要的生理參數，但是與心電和心率時間序列分析相比，呼吸模式參數的量化分析研究還相對較少[7-8,10]。究其原因，一是呼吸信號的準確獲取并不像心電那樣成熟和普及，目前出現的大多數穿戴式生理參數監測系統仍以心電監測為主；二是由于呼吸運動的自主性和隨意性，并且非常容易受體動、說話等運動偽跡干擾，無法獲得有效、干凈的呼吸信號，長時間監測的呼吸信號表現出極大的變異性，給后續的信號分析處理帶來極大的挑戰。基于上述原因，呼吸模式及其量化分析并沒有像心率變異性（heart rate variability，HRV）分析那樣形成公認的參數指標體系和方法[11]，例如，在心率變異性分析中將參數指標分為三類：時域參數［正常 RR 間隔（normal-normal interval，NNI）的平均值、標準差等］、頻域參數（低頻功率譜密度、高頻功率譜密度、低頻高頻功率譜密度比值等）以及非線性域參數（龐加萊圖等）。因此，如何分析和利用呼吸相關參數，為慢性呼吸系統疾病患者狀態監測和康復管理提供決策支持信息，還需要展開深入研究。
本文在呼吸模式量化分析領域開展了初步的探索性研究，根據在臨床上的實際應用價值，給出了呼吸模式參數量化分析常用的指標及其計算方法，此外，給出了一種量化呼吸信號質量的方法，用于輔助分析人體自主狀態下的呼吸信號，獲得準確可靠的呼吸模式參數量化分析結果。在此基礎上，本研究使用穿戴式心肺生理參數監測系統采集了 23 名 COPD 患者與 22 名肺功能正常者的自主呼吸狀態下的胸腹呼吸運動信號，開展了呼吸模式參數及其變異性的量化分析研究。
1 材料和方法
1.1 研究對象
本實驗在中國人民解放軍總醫院的肺功能檢查室進行，共納入了 45 名疑似 COPD 受試者的胸腹運動數據，其中包括 13 名女性受試者。這些受試者年齡在 45～75 歲之間，大部分為中老年男性且有長年吸煙史，所有受試者實驗前均知情并同意參與本次實驗（本項目的倫理編號為：S2018-095-01）。實驗以肺功能儀的檢查結果為金標準，基于受試者的“一秒用力呼氣量”（forced expiratory volume in 1s，FEV1）與“用力肺活量”（forced vital capacity，FVC）的比值，記作 FEV1/FVC，將其分為 COPD 組和肺功能正常組，其中 COPD 組為 FEV1/FVC < 70%，剔除了混合性通氣障礙的患者，只保留 COPD 患者。肺功能正常組為 FEV1/FVC > 70%，年齡與 COPD 組相仿，肺通氣功能基本正常，未見明顯的阻塞性或限制性通氣功能障礙。最終本次實驗的 COPD 組 23 名，肺功能正常組 22 名。
1.2 實驗裝置和數據采集
本實驗所使用的生理信號采集裝置為穿戴式隨行生理監測系統 SensEcho[12]。該系統由穿戴式生理信號采集系統（背心）、后臺處理服務器和中央監護站三部分構成，能夠實時監測受試者的心電、胸腹呼吸、體位/體動、血氧和血壓等信號，隨行監護系統整體結構圖如圖 1 所示。該系統的呼吸運動傳感器采用呼吸感應體積描記技術，由胸腹兩條彈性縛帶構成，分別檢測胸腹呼吸運動信號[13]。此外，本實驗使用朔茂科技有限公司的肺悅移動肺功能檢測裝置來標定胸腹呼吸運動信號，移動肺功能檢測裝置可與 SensEcho 通過藍牙連接，從而實現呼吸氣流信號與胸腹呼吸信號同步采集。
圖1
隨行生理參數監護系統結構
Figure1.
Structure of the ubiquitous and wearable physiological monitoring system
本實驗的數據采集流程如下：數據正式采集前首先與受試者溝通，獲得受試者知情同意，之后受試者按照要求穿戴背心。受試者穿戴設備后，實驗人員要為受試者調整背心胸部和腹部的兩條彈性縛帶，保證縛帶的松緊程度統一，避免胸衣松緊不適對受試者的呼吸結果造成影響。隨后，對受試者的基本信息進行詢問，記錄其以下基本信息：年齡、身高、體重、既往病史等基本信息。穿戴完畢并調整合適后，記錄盒會自動記錄受試者的心電信號和呼吸信號，人工記錄受試者是否發生體位或姿勢變化。待受試者的呼吸平穩后，在指定區域內放松靜坐，進行 15 min 的自主呼吸，且前 5 min 自主呼吸時需使用移動肺功能監測裝置進行呼吸氣流監測，由人工記錄自主呼吸開始和結束時間。采集結束后，實驗人員為受試者脫下設備，導出記錄盒內的數據并按照肺功能檢查結果對受試者進行分組管理。
1.3 數據預處理
數據采集完畢后，對記錄的數據進行離線處理。由于硬件產生的信號噪聲會對后續的信號處理造成一定的影響，因此首先需要對原始呼吸信號進行濾波預處理。首先，對胸腹呼吸信號進行小波變換，將分解后的低頻成分作為信號的基線，再將原始信號減去基線，去除信號中的基線漂移。其次，采用中值濾波算法來消除尖刺脈沖對信號質量的影響。最后對胸腹呼吸信號進行濾波處理（五階 2 Hz 低通 IIR 巴特沃斯濾波器），濾除一些高頻噪聲和干擾信號。
1.4 呼吸波特征點識別
呼吸模式參數量化指標包括最基本的呼吸幅度、周期、胸腹貢獻度、協調性等，其中基礎的步驟是呼吸波特征點識別，即呼吸波信號波峰和波谷點的識別。由于呼吸運動本身具有很大的隨意性和自主性，自主狀態下的呼吸波形會產生很多變異，比如吸氣相或者呼氣相會出現短暫停頓，吸氣/呼氣動作未結束又發生一次吸氣/呼氣運動，或者說話對呼吸波形產生的不確定性的影響等等，使用傳統的峰值檢查算法，會導致一些吸氣/呼氣過程中的偽峰（如當呼吸信號整體在下降階段時出現的小的峰值）被檢測出來，從而影響呼吸參數的正確識別。針對這一問題，Peng 等[9]提出了移動平均線法（moving average）：
|
其中 X 為信號，t 為時間的索引， 為信號的移動平均線（窗口為 W），本文對呼吸信號都使用了兩個移動平均線：一個使用大窗口值 W1，一個使用小窗口值 W2。 代表了當前信號長期變化的趨勢， 反映了當前信號短期快速變化的趨勢。當 的大小開始超過 時，它表明信號呈上升趨勢，當它們的偏移值最大的時候，說明信號處于波峰位置。當信號向下變化時，兩個移動平均線逐漸接近，當 的值小于 ，且偏移達到最大時，說明信號處于波谷位置。找到呼吸信號的波峰波谷之后，就可以計算出呼吸模式參數量化分析需要的其他指標。
1.5 呼吸信號質量指數
由于呼吸運動的自主性和隨意性，以及運動偽跡干擾，可穿戴設備長時間記錄的胸腹呼吸信號不可避免地存在信號質量不好的數據段，無法用于準確量化分析呼吸運動模式，因此需要發展呼吸信號質量評估算法，對長時間記錄的胸腹呼吸信號進行分析，從而識別和剔除信號質量不好的數據段，留取信號質量好的數據段。本研究用呼吸信號質量指數對實驗采集的呼吸信號進行掃描，自動識別信號質量差的數據段，輔助后續的呼吸模式參數量化分析。首先使用呼吸波特征點識別算法將呼吸波分割成各個周期，然后通過動態時間規整（dynamic time warping，DTW）算法來度量呼吸波形每一個周期與其他周期的相似度，相似程度高說明呼吸信號質量好，反之，則質量不好。
DTW 可以通過計算兩個序列的距離來比較兩段長度不等的時間序列的相似性（DTW 距離越小，相似度越高），是歐式距離的改進，最初被用于語音識別領域[14]。很多情況下，兩個時間序列整體上有十分相似的形狀，但這兩個序列在X軸上并不是對齊的，這時就需要用到 DTW 算法來比較兩個序列的相似性。DTW 算法就是要尋找一個最佳的時間規整函數，使得時間序列B的時間軸映射到參考模板A的時間軸上總的累計失真最小。如兩個長度分別為 14 和 13 的序列 a 和 b（如圖 2 所示），a = [1，1，1，2，3，4，3，2，1，1，2，3，2，1]，b = [1，2，3，4，3，2，1，1，1，2，3，2，1]，兩個序列相似度較高，但在時間上無法對齊，若使用歐氏距離比較兩個序列的相似性（見圖 2a），第 14 個點無法對應，且前 13 個點的歐式距離為 14，若使用 DTW 算法計算兩序列的距離（見圖 2b），則 DWT 距離為 0。本研究分別以測試周期的前后各 2 個周期的信號為參考時間序列，計算測試周期的信號與參考時間序列的累計失真，并根據設定的閾值來判斷信號質量。
圖2
歐式距離與 DTW 距離的區別
a. 歐式距離比較兩序列的相似性；b. DTW 距離比較兩序列的相似性
Figure2. Difference between Euclidean distance and DTW distancea. similarity comparison of two sequences by Euclidean distance; b. similarity comparison of two sequences by DTW distance
圖 3 所示的是一段經過呼吸信號質量算法識別和標注的呼吸信號。圖 4a 所示的是 24 小時記錄的呼吸信號，通過呼吸信號質量評估算法，自動識別出信號質量不好的數據段。經過統計分析，24 小時呼吸信號中可用信號占比為 80.38%，圖 4b 是從圖 4a 中選擇信號質量好的數據段進一步展開的結果。
圖3
呼吸信號質量分析結果
Figure3.
Results of respiratory signal quality analysis
圖4
經呼吸信號質量算法識別和標注的呼吸信號
a. 24 小時呼吸信號及呼吸信號質量算法的識別和標注情況；b. 圖 a 中的局部信號展開圖
Figure4. Respiratory signal recognized and labeled by respiratory signal quality algorithma. 24-hours respiratory signal recognized and labeled by respiratory signal quality algorithm; b. part view of figure a
1.6 潮氣量校準
呼吸感應體積描記技術是基于 Konno 等[15]提出的兩個自由度物理系統模型來計算潮氣量的。Konno 和 Mead 的研究認為，人體呼吸腔可以近似為胸腔（rib cage，RC）、腹部（abdomen，AB）運動這兩個運動自由度，胸腔容積和腹部容積的變化可以等價于在口鼻處進入肺部氣體容積的變化。因此，當得到胸腹呼吸信號的時候，就可以基于胸腹呼吸信號通過一些標定方法來估算潮氣量。本研究采用定性診斷性校準法（qualitative diagnostic calibration，QDC）來標定潮氣量。QDC 是一種應用廣泛的標定方法，需要受試者配合較少，只需要受試者平穩呼吸五分鐘就可以標定得到呼吸信號[16-17]。本研究使用預處理后前 5 分鐘胸腹呼吸信號數據進行標定。QDC 用公式表示如下：
|
其中 K 是未校準的胸腔和腹腔信號之間的相對比例系數，M是將任意單位的相對潮氣量縮放到絕對容積單位潮氣量的比例系數。 是胸部潮氣量， 是腹部潮氣量。K 的計算公式如下：
|
其中 、 分別是腹、胸橫截面積變化的標準差，K 是胸腹貢獻比。求出 K 后代入公式（1），求出系數 M，從而實現胸腹呼吸運動估算潮氣量。前期研究證明通過該校準方法在體位沒有明顯變化的情況下能夠實現較準確的潮氣量測量[18]。
1.7 呼吸模式參數量化指標
通過 QDC 技術標定得到潮氣量之后，對呼吸模式參數進行量化分析，目前選取了八個基本指標：潮氣量、呼吸率、吸氣時間、呼氣時間、吸氣時間分數、胸呼吸貢獻比、胸腹相位差、峰值吸氣氣流。為便于理解，圖 5 給出了胸、腹呼吸運動曲線以及幾個關鍵呼吸參數的示意。具體參數定義描述見下文。
圖5
胸腹呼吸運動曲線以及關鍵呼吸參數示意
Figure5.
Thoracoabdominal respiratory movement curve and key respiratory parameters
（1）呼吸率（respiratory rate，RR）：即每分鐘的呼吸次數，通過計算每個呼吸波形波峰與波峰之間的時間間距，就可以求得每分鐘的呼吸次數。
（2）吸氣/呼氣時間：吸氣時間（inspiratory time，TI），即完成一次吸氣動作所用時間，為每個呼吸波形的波谷到下一個波峰之間的時間間距。呼氣時間（expiratory time，TE），指完成一次呼氣動作所用時間，為每個呼吸波形的波峰到下一個波谷之間的時間間距。
（3）吸氣時間分數（inspiratory time proportion）：吸氣時間與呼吸周期的比值。
（4）胸呼吸貢獻比（chest breath contribution ratio）：即胸腔的容積變化量占潮氣量的比值，由 K 表示。
（5）胸腹相位差（thoracoabdominal phase difference）：是衡量胸、腹呼吸運動協調性的重要參數，能夠反映患者的呼吸狀態，顯示是否有呼吸障礙、呼吸衰竭等。本研究通過互相關來計算相位差值[19]。
|
其中 為偏移值，RC 為胸呼吸信號，AB 為腹呼吸信號。當互相關達到最大時，此時對應的時間偏移量為信號周期的一部分，由此能夠確定相位角。通過偏移時間占呼吸周期內信號的比例，就可以計算得到胸腹呼吸的相位差。
（6）峰值吸氣氣流（peak inspiratory flow，PIF）：即吸氣相的最大氣流，為呼吸波形中（經過潮氣量校準）吸氣相導數最大的地方。
1.8 呼吸模式參數變異性分析
呼吸模式參數的變異性是指呼吸參數的變化情況，它有可能是預測呼吸疾病的一個有價值的指標。呼吸模式參數的變異性包括潮氣量、呼吸率、吸氣時間和呼氣時間、吸氣時間分數、胸呼吸貢獻比等參數的變異性。基于采集到的呼吸信號，通過逐個周期的計算，可以得到每次呼吸周期各個呼吸參數的瞬時值，然后計算得到每次呼吸的瞬時參數之間的變異系數。
1.9 統計分析
本研究使用t檢驗，對計算得到的呼吸模式參數進行組間比較，P ≤ 0.05 認為組間差異有統計學意義[20]。針對本研究提出的 8 個關鍵參數，對肺功能正常組和 COPD 組的各個參數的均值做了統計分析。此外，針對呼吸模式參數變異性，對肺功能正常組和 COPD 組的呼吸參數變異系數做了統計分析。
2 結果
COPD 組和肺功能正常組之間的呼吸模式參數以及人口統計學信息如表 1 所示。從中可以看出，兩組之間在年齡、身高、體重、身體質量指數（Body Mass Index，BMI）等人口統計學指標方面的差異無統計學意義。COPD 組和肺功能正常組之間的呼吸模式參數以及部分呼吸參數的變異性比較如表 2 所示，其中變異性以變異系數來表示。相比而言，兩組在呼吸率、吸氣時間、呼氣時間、胸腹相位差和峰值吸氣氣流的差異有統計學意義，但在潮氣量、吸氣時間分數、胸呼吸貢獻比的差異無統計學意義。在呼吸模式參數變異性方面，兩組在呼吸率、吸氣時間、呼氣時間和吸氣時間分數的變異性的差異有統計學意義，COPD 患者的呼吸模式參數變異性更大。
表1
人口統計學特征
Table1.
Demographic characteristics
表2
肺功能正常組和 COPD 組的呼吸模式參數對比
Table2.
Comparison of breathing pattern parameters between normal group and COPD groups
圖 6 的上圖為 COPD 患者的胸腹呼吸運動波形，圖 6 的下圖為肺功能正常者的胸腹呼吸運動波形，從這兩個圖能夠直觀看出，COPD 患者的呼吸波形更差，呼吸運動穩定性更差，無論是幅度、形態還是周期上都具有更大的變異性。
圖6
肺功能正常者和 COPD 患者的胸腹呼吸運動波形對比
Figure6.
Comparison of chest and abdomen respiratory movement waveform between subjects with normal lung function and patients with COPD
圖 7 的上圖為 COPD 患者的胸腹呼吸的相位差，圖 7 的下圖為肺功能正常者的胸腹呼吸的相位差，從圖中可以直觀地看出，肺功能正常者的胸呼吸與腹呼吸是同步的，而 COPD 患者的胸呼吸和腹呼吸之間存在明顯的相位差，反映了胸腹呼吸運動之間協調性較差。
圖7
肺功能正常者與 COPD 患者胸腹相位差
Figure7.
Thoracoabdominal phase difference between subjects with normal lung function and patients with COPD
3 討論及結論
本研究將呼吸感應體積描記技術與可穿戴設備相結合，使用便攜、無創、非侵入的方法采集了 45 名受試者的胸腹呼吸運動數據。通過濾波、標定、量化等步驟計算了潮氣量、呼吸率、吸氣時間、呼氣時間、吸氣時間分數、胸腹呼吸相位差、峰值吸氣氣流等量化指標及變異性。通過統計學方法進行假設檢驗，我們發現 COPD 患者和肺功能正常者在呼吸率、吸氣時間、呼氣時間、胸腹相位差和峰值吸氣氣流上的差異有統計學意義。在呼吸模式參數變異性方面，兩組在呼吸率、吸氣時間、呼氣時間和吸氣時間分數的變異性的差異有統計學意義。這與 COPD 患者的病理基礎相符，COPD 患者二氧化碳潴留，缺氧會興奮呼吸中樞，加快呼吸頻率，以至于促進二氧化碳的排除。而且 COPD 患者具有氣短的臨床表現，呼吸比正常人短促，呼吸更加微弱而喘促[10]。此外，呼吸中樞興奮會增大吸氣壓力，使得峰值吸氣氣流增大[21]，但由于 COPD 患者呼吸氣流受限，峰值吸氣氣流增大并不會明顯改善體內缺氧狀態，這些原因都會導致患者的呼吸率變高。氣短和呼吸困難是 COPD 的主要臨床表現，患者的肺組織彈性減弱及小支氣管狹窄，所以吸氣時間會減弱[11]。
呼吸是人體重要的生命體征之一，呼吸運動包括化學、神經、肌肉和機械過程的相互作用，受神經系統調節，與脈管系統、運動系統等也有聯系，所以呼吸參數與人體的狀態密切相關。但傳統的對呼吸運動的分析只包括潮氣量和呼吸頻率等[22]。本研究通過對呼吸模式參數的量化分析發現 COPD 患者與肺功能正常者在呼吸表現上的不同之處，該模式可以推廣到相關的呼吸道疾病甚至其他人體生理系統疾病上。例如，對于危急重癥患者來說，呼吸速率降低通常與意識水平降低有關[2]。除此之外，呼吸信號與心電之間具有極大的相關性，吸氣時心率加快，呼氣時心率減慢，這就是呼吸性竇性心律不齊[3-4]，另一方面呼吸對心率變異性產生影響，由于參與呼吸的組織的復雜性，以及呼吸對各種刺激響應的復雜性，使得呼吸對 HRV 的影響十分復雜，幾乎影響著它的每一個層次[23-24]。呼吸模式參數的量化能夠為健康狀態分析、疾病病情分析和治療效果量化評價提供輔助決策的支持信息，也可以為相關研究提供量化指標，為疾病的監控和診斷提供輔助信息，具有很高的臨床價值和應用價值。
呼吸模式參數量化分析的難點在于呼吸信號的獲取技術不成熟，呼吸信號極易受到體位體動、說話等活動的影響，使得獲取的信號質量不高。本研究使用的呼吸信號質量算法雖然能夠提取出信號質量較好的部分，初步實現了呼吸信號質量評估，但仍有需要改進的地方：① 該算法依賴特征點檢測的算法，如果特征點檢測不準確，就會影響該算法的準確性；② 當一個周期的時長太短時，該算法偏差較大；③ 閾值的選取主觀性較大，易影響信號質量的判斷；④ 該算法無法識別出信號異常的原因。此外，24 小時連續呼吸信號的采集也極易受到人體體位體動的影響，因此，在對 24 小時連續呼吸信號進行量化分析時，應結合 SensEcho 隨行生理監護系統集成的三軸加速度傳感器，分析受試者在不同時刻的體位體動狀態，根據不同的狀態對呼吸信號進行校準，從而得到準確可靠的呼吸信號。
本次實驗還存在以下不足：① 信號的濾波算法在一定程度上會造成幅值衰減，影響信號形態，在后續的研究中，我們會針對呼吸信號的特點，進行預處理算法的改進；② 呼吸信號質量指數可以判別出信號質量差的部分，但是無法判別信號質量差的部分是由于受試者運動等干擾所致還是受試者的生理病理學改變所致，這可能會遺漏患者重要的生理病理變化，在后續研究中，課題組將對信號質量評估方法進行優化；③ 由于呼吸信號采集時間較短，未對呼吸模式參數進行 24 小時長程的量化以及變異性分析，我們在后續的研究中，會進一步擴大樣本量，采集 COPD 患者的 24 小時連續動態呼吸信號，開展長程呼吸信號的呼吸模式參數及變異性研究。
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
