基于呼吸音的呼吸率监测方法研究

李文宇，刘静，于璐

中国医科大学公共基础学院生物医学工程系，沈阳市，110122

0 引言

呼吸是机体与外界环境之间进行气体交换的过程，也是维持机体新陈代谢和进行其它基本生理活动的重要保障。假如呼吸功能遇到障碍，那么人体生命状况将可能受到威胁，因此监测呼吸功能对临床诊断及护理具有重要意义。呼吸率是反映呼吸状况的重要指标之一，因此对呼吸率进行监测是十分必要的。目前临床上监测呼吸率的常见方法有基于呼气末二氧化碳的监测方法和基于心电信号的监测方法，但在实时性和准确性方面仍有缺陷[1-3]。

呼吸音是人体在呼吸时气流进出气道引起气道管壁及周围软组织振荡而发出的声响，有相关研究证明呼吸音可用于呼吸气流速度的模拟，并以此反映人体的通气状况[4]。本研究首先对采集到的呼吸音信号使用带通滤波器进行去噪处理，提取平均功率作为特征值，之后对呼吸音特征值平均功率使用自相关算法计算呼吸周期。与此同时对鼻气流压力信号进行人工标定求呼吸周期，并将此结果作为参考标准，之后对呼吸音特征值求得的呼吸周期数据和此参考标准进行相关性分析以及Bland-Altman分析（即一致性分析）。因此本次实验的目的是讨论使用呼吸音监测人体呼吸率的可行性。

1 方法

1.1 数据的获取

两名成年健康志愿者（女性）为本研究受试者，参与了数据采集工作。将内置微型麦克风的听诊器拾音端放置在受试者的颈部，对颈部气管处的呼吸音进行采集，采样率为22 050 Hz；同时带上鼻氧管并使用睡眠呼吸暂停计对鼻气流压力信号进行采集，将其作为参考标准。在无明显噪声的环境中，按照前述数据采集方法，对每名受试者同时采集其呼吸音信号和鼻气流压力信号，每名受试者采集两次数据，时间分别为5 min，第一次要求在静息状态下正常呼吸5 min，第二次要求受试者按照要求改变呼吸速率（正常呼吸—快速呼吸—正常呼吸—慢速呼吸），将采集到的数据进行存储用于后续分析。

1.2 呼吸音的预处理

本研究中涉及的数据处理与分析工作全部在Matlab 2015a平台上完成。

为了最大限度抑制呼吸音采集过程中的心音、工频干扰和高频噪声，我们首先使用5阶巴特沃斯带通滤波器（通带截止频率为150～800 Hz[5]）对呼吸音进行滤波降噪预处理。图1为第一名受试者20 s内的呼吸音以及滤波后的呼吸音，从图1中可以看出，经5阶巴特沃斯带通滤波器滤波后的呼吸音噪声及毛刺明显减少，且波形明显，可较好地用于后续的特征提取。

图1 带通滤波前后的呼吸音Fig.1 Raw and bandpass filtered respiratory sounds

1.3 呼吸音特征提取

本次研究对呼吸音求取了平均功率[6]作为呼吸音特征值。为获取呼吸音的平均功率信号，我们首先对呼吸音分帧，每帧长100 ms（2 205个样本点），帧重叠率为50%，即连续两帧之间的重叠为50 ms，之后对分帧后的呼吸音信号进行加窗处理，为减少吉布斯效应故选取汉明窗，最后对每帧信号进行FFT，将幅值平方和均值作为呼吸音特征值平均功率，其采样率为20 Hz。

1.4 基于呼吸音特征值求呼吸周期

由于呼吸信号近似是周期信号，可以将信号划分成多个帧，对每帧数据处理后进行自相关，根据周期函数自相关的特点计算出呼吸周期[7-9]。

由于呼吸音数据量较大，直接对呼吸音信号采用自相关算法求呼吸周期会造成计算量大，耗时长等问题，因此不宜直接对呼吸音采用自相关算法求呼吸周期，通过上述对呼吸音特征值平均功率的研究可以看出：呼吸音是近周期信号，其对应的特征平均功率也是近周期信号（图2(a)），因此对呼吸音特征平均功率采用自相关算法求呼吸周期。为获取呼吸周期首先对呼吸音特征值平均功率进行分帧处理，每帧长20s，连续两帧之间的帧重叠为18s，即每次向后移动2s，之后对每帧数据进行自相关求呼吸周期，将求得的呼吸周期进行存储用于后续的分析。图2是基于图1(b) 求得的特征信号平均功率以及对其进行自相关后的结果。

图2 呼吸音的平均功率信号以及其自相关信号Fig.2 Average power of respiratory sounds and autocorrelation signal corresponding to average power

1.5 基于鼻气流压力信号求呼吸周期

本次研究中基于鼻气流压力信号求呼吸周期的方法如下：首先对鼻气流压力信号分帧，每帧长30 s，连续两帧之间的帧重叠为28 s，即每次向后移动2 s，之后对每帧数据使用人工标定的方法对鼻气流压力信号求呼吸周期，并将此结果作为参考标准。

2 结果

本次实验对2名受试者分别采集了两种呼吸情况下的呼吸音数据和鼻气流压力信号数据，使用上述方法分别对呼吸音和鼻气流压力信号求呼吸周期，之后分别对两组周期数据进行相关性分析和Bland-Altman分析，分析两种不同呼吸情况下基于呼吸音求取呼吸周期的可行性。

2.1 相关性分析

在呼吸速率相对稳定的情况下，图3是第一名受试者基于呼吸音特征值求取的呼吸周期数据和基于鼻气流压力信号求取的呼吸周期数据的线性拟合直线，横坐标是基于鼻气流压力信号求取的周期数据，纵坐标是基于呼吸音信号求取的周期数据，相关系数为0.966 4，可以认为两组数据高度相关。

图3 呼吸速率稳定时两组呼吸周期数据的线性拟合直线Fig.3 Linear fitting line of two groups of respiratory cycle data when the respiratory rate is relatively stable

在呼吸速率有明显变化的情况下，图4是第一名受试者两组周期数据的线性拟合直线，相关系数为0.633 1，可以认为两组数据中等程度相关。

图4 呼吸速率明显变化时两组呼吸周期数据的线性拟合直线Fig.4 Linear fitting line of two groups of respiratory cycle data when the respiratory rate changes obviously

2.2 Bland-Altman分析

Bland-Altman分析[10-12]方法由Bland J M和Altman D G提出，用来分析两种测量方法是否具有一致性。其基本思想首先要计算出两种方法的一致性界限（limits of agreement）。差值法的一致性界限：d-1.96Sd和d+1.96Sd之间，其中d是两种测量方法的差值的均数，是两种测量差值的标准差。对于Bland-Altman图，用图形的方法去表示一致性界限，最后要结合分析方法的临床实际应用去评价。

对鼻气流压力信号标定的周期数据和基于呼吸音特征值平均功率求取的周期数据进行Bland-Altman分析，检验两种方法的一致性，即讨论基于呼吸音特征值平均功率求呼吸周期的可行性。

图5是在呼吸速率相对稳定的情况下，分别基于鼻气流压力信号求取的周期数据和基于呼吸音求取的周期数据的结果展示以及两组数据的Bland-Altman分析结果。根据周期数据结果图（图5(a)），其中“o”代表鼻气流压力信号的周期数据， “.”代表呼吸音的周期数据，可以看出两组数据之间虽有波动，但变化趋势一致。根据Bland-Altman分析结果图（图5(b)），可以看出两组数据差值的均值线与均值为0的线相差不大，一致性界限的上下限之间范围很窄，同时只有个别点落在一致性界限之外，以上均可以说明两组数据相差不明显。综上在呼吸速率相对稳定时，基于呼吸音信号求呼吸周期的方法和基于鼻气流压力信号求呼吸周期的方法之间一致性好，说明基于呼吸音特征平均功率求呼吸率是可行的。

图5 基于鼻气流压力信号和呼吸音求取的周期数据以及Bland-Altman分析图（呼吸速率稳定时）Fig.5 The respiratory cycle data of the nasal airflow pressure signal and respiratory sounds, and the Bland-Altman analysis (the respiratory rate is relatively stable)

图6 是在呼吸速率明显改变的情况下，分别基于鼻气流压力信号求取的周期数据和基于呼吸音求取的周期数据的结果展示以及两组周期数据的Bland-Altman分析结果。根据周期数据结果图（图6(a)）可以看出基于呼吸音特征平均功率求取的周期数据只有一部分点符合基于鼻气流压力信号求取的周期数据的走向，其他点有偏离，甚至相差较大，数据点的效果并不符合实验设计时呼吸率发生改变的情况。根据Bland-Altman分析的结果图（图6(b)），可以看出两组数据的变化范围明显增加，与呼吸周期的改变有关，一致性界限的范围较大，说明两组数据差异明显，同时落在一致性界限外的数据点明显增加。综上在呼吸速率明显改变时，基于呼吸音特征平均功率进行自相关求呼吸周期的方法和基于鼻气流压力信号求呼吸周期的方法之间一致性较差，说明基于呼吸音特征平均功率求呼吸率的效果是不理想的，还需进一步研究。

图6 基于鼻气流压力信号和呼吸音求取的周期数据以及Bland-Altman分析图（呼吸速率明显变化时）Fig.6 The respiratory cycle data of the nasal airflow pressure signal and respiratory sounds, and the Bland-Altman analysis (the respiratory rate changes obviously)

3 讨论

以往已经有直接对呼吸音进行短时自相关求呼吸率（呼吸周期）的方法，但该方法适用于呼吸音数据较短时，因为自相关算法是对数据进行大量的乘法运算，大量的乘法运算会影响程序运行的时间。其次，根据自相关求周期使用的主要是前几个峰，其余的大多数峰值是由于声音的谐振特性引起的，这些信息是多余的，同样会造成程序运行时间过长的问题。因此本次实验改进了这种算法，采用对呼吸音特征值平均功率进行短时自相关求呼吸率的算法并取得理想的结果。

在实际情况下，呼吸率的改变是缓慢的，呼吸音数据的周期性也会更加明显，采用此种方法研究呼吸率是有实际临床应用价值的。虽然本次研究仅有2名受试者，但从结果可以看出在呼吸速率相对稳定的情况下，使用本研究方法即基于呼吸音特征值平均功率采用自相关算法求呼吸率是可行的，效果明显，符合实际呼吸情况，以此可以推断出使用本研究方法实际效果是可以接受的。尽管如此，本实验在后续研究中还是应该增加受试者数量，从而进一步增强本次研究结论的可靠性，并在此基础上将该研究方法在临床上进行应用并观察实际临床效果如何。

综上所述，在呼吸速率相对稳定的情况下，使用呼吸音求呼吸率的方法是可行的；在呼吸速率有明显改变的情况下，使用现有方法及算法暂时无法通过呼吸音准确地反映呼吸率变化的情况，还需要进一步的深入研究。