徐正麗，蔣盟珂，謝梅英，蔡 翔**

(1.桂林電子科技大學(xué)，廣西桂林 541004；2.南京信息工程大學(xué)，江蘇南京 210044)

人體的呼吸信號涵蓋多方面的信息特征，如速率、形態(tài)、強度等，這些信息可有效體現(xiàn)如心肺功能等人體多方面功能特征。呼吸數(shù)據(jù)相關(guān)文獻表明，人體呼吸信號確實能在一定程度上反映人的身體狀況，因此對人類呼吸病癥的有效預(yù)防與及時發(fā)現(xiàn)，可以通過分析人體呼吸信號來實現(xiàn)[1]。

相較于基礎(chǔ)的呼吸信號獲取，國外的研究人員更多著眼于獲取呼吸數(shù)據(jù)或者通過實時呼吸數(shù)據(jù)進行疾病預(yù)警[2,3]。Sebastijan等[4]提出利用光學(xué)干涉儀對外部干擾造成光纖長度變化的特性來檢測呼吸。Alexander等[5]選取33個呼吸關(guān)聯(lián)特征結(jié)合睡眠階段的啟發(fā)式知識進行特征分類，用于判斷呼吸數(shù)據(jù)來自健康人還是病人，準(zhǔn)確率達到80.38%。Agnel等[6]基于單片機設(shè)計了一個監(jiān)測系統(tǒng)，用于測量睡眠狀態(tài)下受試者呼吸出現(xiàn)暫停的狀況。Raji等[7]通過兩個LM35溫度傳感器間接獲取患者呼吸樣本信息，然后根據(jù)呼吸率的特殊波動狀況來判斷患者是否哮喘發(fā)作。研究人員的共同目標(biāo)是從簡單的長時程呼吸信號中提取精準(zhǔn)的呼吸信號，并將其應(yīng)用于呼氣功能檢測或疾病診斷等。但目前的研究多數(shù)僅是通過實時監(jiān)控呼吸數(shù)據(jù)來查看是否出現(xiàn)異常情況，并沒有對患者的呼吸系統(tǒng)進行全面評估。

此外，對呼吸信號的分析和研究仍然存在許多有待突破的關(guān)鍵技術(shù)和難點：①如何對最初采集到的呼吸信號進行預(yù)處理。因為剛采集的、最初始的呼吸信號中存在大量噪聲數(shù)據(jù)，如果直接用來進行后續(xù)研究，將影響最后的實驗結(jié)果，因此需要先去除信號中的噪聲，為后續(xù)研究的開展打下良好的基礎(chǔ)。②不同階段的呼吸信號數(shù)據(jù)與心電信號數(shù)據(jù)有明顯不同，這可能是說話、打噴嚏、咳嗽等行為所導(dǎo)致的數(shù)據(jù)采集不準(zhǔn)確，此外，還存在除了“吸氣”“呼氣”之外，無法更加細分呼吸信號程度的問題，這些問題都是開展進一步研究的巨大挑戰(zhàn)。③因為呼吸信號本身的屬性有一定程度的不確定因素，所以在對其做相關(guān)研究時，如何提高結(jié)果的精確度是個棘手的問題。相對于傳統(tǒng)的X光、核磁、呼吸機檢測儀器等測量手段，使用呼吸腰帶測量呼吸具有持續(xù)采集、對人體幾乎沒有傷害、方便、價格低、信號采集相對穩(wěn)定等優(yōu)點，且呼吸腰帶獲取的呼吸數(shù)據(jù)是具有時間序列特征的連續(xù)數(shù)據(jù)。因此，本研究使用呼吸腰帶獲取受試者呼吸信號數(shù)據(jù)，先對原始呼吸信號進行濾波處理，去除相應(yīng)的異常數(shù)值與基線漂移情況；然后分別使用適合處理時間序列的長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)、吸呼比結(jié)合LSTM，以及吸呼比結(jié)合在許多領(lǐng)域被廣泛應(yīng)用的支持向量機(Support Vector Machine,SVM)，對收集到的呼吸數(shù)據(jù)進行分類，判斷受試者的呼吸狀況是否異常。

1 數(shù)據(jù)來源與方法

1.1 數(shù)據(jù)來源

受試者呼吸信號數(shù)據(jù)均采用呼吸腰帶獲取。實驗數(shù)據(jù)集由中國中醫(yī)科學(xué)院采集，總樣本數(shù)量為342個，其中包含人體呼吸異常55個、正常287個，在全部的樣例中，單個樣例均為24 h左右的十進制數(shù)值。正常人的吸氣時間一般為0.8-1.2 s，呼氣時間一般為0.5-1.0 s[1]，加上1-2 s的呼吸間隔，一次呼吸的時間約3.5 s，吸氣與呼氣時間比為1∶(1.5-2.0)。由于呼氣時僅是胸腔回縮而沒有其他動能，所以需要的時間較長，但異常人群的呼吸比值會達到正常人的兩倍甚至更高。因此，針對有明顯差異的信息，可以收集對應(yīng)的呼吸數(shù)據(jù)進行深層次的分析。

1.2 呼吸數(shù)據(jù)處理

原始數(shù)據(jù)通常存在基線漂移等現(xiàn)象?；€漂移一般是由于人體呼吸、電極運動等引起的，在進行下一步的研究分析之前，需要先從原數(shù)據(jù)中去除基線漂移才能得到更體現(xiàn)原始呼吸特征的數(shù)據(jù)。常用的去除方法有中值濾波、小波變換法、形態(tài)學(xué)濾波法等[8]。本研究選用小波變換進行濾波處理。

小波變換廣泛應(yīng)用于信號處理、圖像處理、模式識別等領(lǐng)域。通過伸縮平移運算對信號(函數(shù))逐步進行多尺度細化，最終達到高頻處時間細分、低頻處頻率細分，能自動適應(yīng)時頻信號分析的要求，從而可聚焦到信號的任意細節(jié)。小波變換是一個平方可積分函數(shù)與一個在時頻域上均具有良好局部性質(zhì)的小波函數(shù)的內(nèi)積，如公式(1)所示。

Wf(a,b)==

(1)

式中，a>0，為尺度因子；b為位移因子；*表示復(fù)數(shù)共軛；ψa,b(t)為小波基函數(shù)。

采用濾波的方式對最初的數(shù)據(jù)進行處理，呼吸頻率一般為0.2-0.8 Hz，先用Butterworth低通濾波器消除高頻噪聲，其中將操作中的截止頻率和采樣頻率分別定為0.8 Hz和32 Hz。公式(2)為呼吸曲線基準(zhǔn)的計算方法，式子中樣例點的數(shù)量用m表示，第i個數(shù)據(jù)點的大小用xi表示。

(2)

單個樣例出現(xiàn)個體性差異的現(xiàn)象屬于正常范疇。本研究利用公式(3)的處理方法對沒有關(guān)系的差異性進行有效消除和分類。

(3)

(4)

式中，da為圖1中a點的數(shù)值，db為圖1中b點處的數(shù)值，L表示圖1中所有數(shù)值位于da和db間的關(guān)鍵點的個數(shù)。呼吸時會存在一些相對較小的波折(如圖1中紅色標(biāo)記處)，這些波折不可以當(dāng)作真正的拐點，因此，設(shè)定一個經(jīng)驗閾值的大小為σ=0.5，針對波峰波谷的垂直方向的距離大小進行相關(guān)的測量，如果測量值小于設(shè)定閾值的大小，那么該點將不會被當(dāng)作拐點。

圖1 拐點(波峰/波谷)示意圖Fig.1 Schematic diagram of inflection point (peak/trough)

1.3 吸呼比特征

呼吸數(shù)據(jù)的相關(guān)分析常用的指標(biāo)是吸呼比特征，吸呼比即一次呼吸周期中的吸氣時間與呼氣時間的比值。根據(jù)其特點可識別出數(shù)據(jù)中的峰值和谷值，呈上升趨勢的為“吸”，下降趨勢則為“呼”。圖2(a)為“吸”在呼吸帶上的壓力變化過程，體現(xiàn)了“吸”過程中肺部容積逐漸增大；圖2(b)為“呼”在呼吸帶上的壓力變化過程，體現(xiàn)了“呼”過程中肺部容積逐漸減小。各自的時間代表“呼”和“吸”維持的時長。

圖2 “吸”“呼”過程示意圖Fig.2 Schematic diagram of "inhaling" and "exhaling" process

得到“吸”與“呼”的時間后，則吸呼比特征可根據(jù)公式(5)計算得到，其中tx和th分別代表一次吸和呼的時間長度。

α=tx/th。

(5)

1.4 長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)

LSTM是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)。對于RNN， LSTM能夠更好地處理RNN面臨的梯度爆炸和梯度消失問題，這主要是因為LSTM摒棄了簡單RNN中“連乘”的計算方式，改為“累加”的方式[9]。LSTM引入了記憶單元，這樣網(wǎng)絡(luò)可以控制什么時候遺忘不需要的信息，什么時候用新的輸入信息更新記憶單元，通過遺忘門、輸入門、輸出門來實現(xiàn)信息的保護和控制。在t時刻LSTM更新方式如下：

ft=σ(Wf·[ht-1,xt]+bf)，

it=σ(Wi·[ht-1,xt]+bi)，

(6)

ot=σ(Wo·[ht-1,xt]+bo)，

ht=ot*tanh (Ct)，

式中，ht-1為上一時刻的輸出，xt為t時刻的輸入，σ是激活函數(shù)。遺忘門ft控制每一個單元需要遺忘多少信息，輸入門it控制新的信息，輸出門ot控制輸出的信息。

由于呼吸數(shù)據(jù)具有時間前后關(guān)聯(lián)性，因此可使用LSTM對呼吸數(shù)據(jù)進行分析，從而判斷呼吸是否異常，并將其看作序列分類任務(wù)。本研究使用的LSTM單元，接收的輸入?yún)?shù)為去噪歸一化的呼吸數(shù)據(jù)，輸入的數(shù)據(jù)是去除基線漂移后并歸一化的，吸呼比結(jié)合LSTM正常異常分類的LSTM接收的是每呼吸段的吸呼時間比。每個吸呼周期采樣32個點，時間窗取10，時間窗內(nèi)的LSTM提取的時序特征作為一維向量，再連接多層全連接網(wǎng)絡(luò)進行分類，輸出標(biāo)簽為長度為2的one-hot編碼形式，(0,1)表示呼吸異常，(1,0)表示呼吸正常。則LSTM的網(wǎng)絡(luò)結(jié)構(gòu)可表示為(320-h1-h2-…-2)，其中hi(1≤i≤n)表示第i個隱藏層單元的數(shù)量，n為LSTM隱藏層的層數(shù)。網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計如圖3所示。

圖3 LSTM結(jié)構(gòu)Fig.3 LSTM structure

1.5 支持向量機(Support Vector Machine,SVM)

SVM是一種主流的二分類模型，在許多領(lǐng)域都有廣泛的應(yīng)用[10]。SVM將原始數(shù)據(jù)線性不可分的問題，通過核函數(shù)映射到更高維的特征空間中，轉(zhuǎn)化為求解線性約束的二次規(guī)劃問題。給定訓(xùn)練樣本集D=((x1,y1),(x2,y2),…,(xm,ym))，yi∈{-1,1}，假設(shè)在某個空間能用一個超平面:w·x+b=0，其中w為超平面的法向量方向，b為超平面位移量，決定了超平面與原點之間的距離。該超平面將訓(xùn)練集分為兩類，最合適的超平面是最大邊距超平面(Maximum-margin hyperplane)[11]。通過求解判別式(7)，可得到最佳的w與b的值。

(7)

式中，K(x,xi)為核函數(shù)，對應(yīng)于在輸入空間構(gòu)造一個最優(yōu)的分割平面，ai和b通過SVM學(xué)習(xí)算法解得[12]。

將根據(jù)公式(5)計算出的每個吸呼周期的吸呼比進行可視化后(圖4)，直接將其歸一化為20×20的圖片，然后采樣為長度為400的一維向量輸入SVM中，同時所有的數(shù)據(jù)被歸一化到[0,1]。實驗中，SVM使用的是徑向基核函數(shù)，其中SVM單個樣本的影響范圍γ以及模型準(zhǔn)確率與模型復(fù)雜度平衡參數(shù)c均設(shè)置為2.0，訓(xùn)練過程采用5折交叉驗證。

圖4 正常、異常吸呼時間比示意圖Fig.4 Schematic diagram of normal and abnormal breathing time ratio

2 結(jié)果與分析

2.1 數(shù)據(jù)基線漂移去除處理結(jié)果

正常、異常呼吸情況下的單個樣例信息可視化如圖5所示?？梢钥吹?，僅憑借經(jīng)驗難以直接分辨出呼吸正常與異常樣本的差距。初始呼吸信號曲線有很多毛刺信息，見圖6(a)；進行濾波處理后，50 Hz工頻的干擾被濾除，濾波處理后的曲線較初始呼吸信號曲線光滑，見圖6(b)，但基線漂移情況仍存在。進一步去除基線漂移處理后，呼吸曲線變換結(jié)果如圖7所示，其中圖7(a)為一段沒有經(jīng)過基線漂移處理的呼吸曲線，圖7(b)為圖7(a)經(jīng)過基線漂移處理的呼吸曲線。對比圖7(a)和圖7(b)可以看到，經(jīng)過基線漂移處理的呼吸曲線在呼吸強度上的數(shù)值隨著時間變化更加平穩(wěn)。

圖5 呼吸正常與異常數(shù)據(jù)示例Fig.5 Examples of normal and abnormal breathing data

圖6 原始呼吸信號(a)和低通濾波處理后的呼吸信號(b)Fig.6 Original respiratory signal (a) and respiratory signal (b) after low-pass filtering

圖7 原始信號(a)及基線漂移去除結(jié)果(b)Fig.7 Original signal (a) and baseline drift removal result (b)

2.2 3種處理方法的分類精度、召回率以及F-值

對處理后的呼吸數(shù)據(jù)分別采用LSTM、吸呼比特征+LSTM、吸呼比特征+SVM進行正常呼吸和異常呼吸分類，其分類精度、召回率以及F-值如表1所示，其中LSTM隱藏層采用不同的神經(jīng)單元數(shù)?？梢钥吹剑瑔渭兪褂肔STM時分類精度不是很高，為62%左右，其中隱藏單元數(shù)為64的效果最好。相對于單純使用LSTM，吸呼比結(jié)合SVM的方法獲得的準(zhǔn)確度有所提高，達72.8%。吸呼比結(jié)合LSTM的方法獲得的準(zhǔn)確度提升最大，其中吸呼比結(jié)合LSTM(320-10-64-64-2)獲得的準(zhǔn)確度最高，達79.2%，即同時使用64-64兩層隱藏層節(jié)點時效果最好。

表1 3種處理方法的分類精度、召回率以及F-值Table 1 Classification accuracy,recall rate and F-value of three processing methods

同時可以看到，召回率以及F-值方面，吸呼比結(jié)合LSTM(320-10-64-64-2)獲得的數(shù)值也相對更好，分別達到98.9%和44.0%，比傳統(tǒng)的吸呼比inspiratory/expiratory ratio+SVM獲得更好的效果。

3 討論

3.1 方法

由上述實驗可以看到，采用吸呼比結(jié)合SVM的分類方法比單純采用LSTM的結(jié)果更好。一個可能的原因是LSTM完全依靠神經(jīng)網(wǎng)絡(luò)提取的特征，而吸呼比特征是目前在臨床廣泛認可的呼吸是否異常的標(biāo)準(zhǔn)，因此吸呼比特征結(jié)合SVM獲得了相對于單純使用LSTM更好的效果?；谶@個認識，進一步比較了吸呼比結(jié)合LSTM不同網(wǎng)絡(luò)結(jié)構(gòu)的實驗驗證，結(jié)果發(fā)現(xiàn)吸呼比結(jié)合LSTM總體獲得比吸呼比結(jié)合SVM更好的效果。因為LSTM結(jié)構(gòu)的一大特點在于遺忘門機制，并聯(lián)合上一時刻輸出、當(dāng)前時刻輸入、激活函數(shù)以及輸入門和輸出門形成單元狀態(tài)保持和更換[見公式(6)所描述]，其將上/下一個時間步長特征根據(jù)一定權(quán)值聯(lián)接到自身，拷貝自身狀態(tài)的真實值和累積的外部信號，學(xué)習(xí)到較長時程的吸呼數(shù)據(jù)的周期性特點。這使得LSTM擅長學(xué)習(xí)數(shù)據(jù)間的依賴性，能夠提高呼吸帶數(shù)據(jù)在正常、異常分類上的準(zhǔn)確率。從表1的第7行到第12行的數(shù)據(jù)對比可以看到，更寬和更深的網(wǎng)絡(luò)相能夠提升識別精度，如吸呼比+LSTM(320-10-64-128-2)獲得了75.5%的精度，而吸呼比+LSTM(320-10-32-2)以及吸呼比+LSTM(320-10-128-2)精度分別為73.5%和73.1%，相對提高了2.0%和2.4%的準(zhǔn)確度，同時在召回率和F-值上也獲得提升。然而，也可以看到，針對呼吸帶數(shù)據(jù)，持續(xù)地增加網(wǎng)絡(luò)的寬度和深度并不能一直提高準(zhǔn)確度。表1第12行的吸呼比+LSTM(320-10-64-128-2)相對于第11行的吸呼比+LSTM(320-10-64-64-2)在第3層網(wǎng)絡(luò)節(jié)點數(shù)更多，然而其準(zhǔn)確度反而比第11行的準(zhǔn)確度要低3.7個百分點(79.2%-75.5%)。相似的情況也發(fā)生在第12行和第10行的網(wǎng)絡(luò)結(jié)構(gòu)上。因此，采用合適的網(wǎng)絡(luò)結(jié)構(gòu)可以獲得更佳的判斷結(jié)果。

3.2 數(shù)據(jù)獲取方法

目前，針對呼吸測量的傳統(tǒng)方法主要有溫度式檢測[13]、阻抗式檢測、通過獲取心電信號然后推斷得出呼吸信號等。溫度式檢測可復(fù)用、構(gòu)成簡易，但因為用于測量的傳感儀器需要與人體的口鼻腔直接接觸，會給被檢測者帶來不適感[14]。阻抗式檢測法是當(dāng)下在臨床中使用較為頻繁的呼吸測量方式之一，具有測量穩(wěn)定、測量方式簡單易操作等特點。該方法雖然不會讓被檢測者產(chǎn)生任何身體不適，具有無創(chuàng)且安全的特性，但是在實施過程中對電極有一定要求，同時會由于血液流動的干擾造成相應(yīng)比值不易確定等問題[1]。通過獲取心電信號然后推斷得出呼吸信號，是一種較新穎的無創(chuàng)檢測方法，但該方法存在測量的精確度不高，過久地使用心電電極裝置可能會給患者的皮膚帶來不適等缺點。相對于這些方法而言，呼吸腰帶是一種能夠長時間使用、無創(chuàng)地對呼吸功能進行測量與評估的方法和工具。

與傳統(tǒng)方法相比，使用呼吸腰帶有諸多好處：①持續(xù)采集，對人體幾乎沒有傷害。呼吸腰帶能直接對患者的呼吸信號進行采集，具有持續(xù)性，能連續(xù)采集整個時間段里的數(shù)據(jù)并且不會給患者帶來任何創(chuàng)傷。②方便，價格親民。呼吸腰帶使用方便快捷，其中的核心部件包括拉力傳感器和數(shù)據(jù)存儲設(shè)備，設(shè)備大部分功能的實現(xiàn)是將核心部件放置于腰帶中，依靠核心部件來檢測患者的呼吸信號。目前傳感器和數(shù)據(jù)存儲設(shè)備的價格并不高，所以整條呼吸腰帶的價格比較親民，能夠讓大多數(shù)患者購置和使用。③信號采集相對穩(wěn)定。呼吸腰帶使用時綁定在患者腰上，有著不錯的穩(wěn)定性；同時患者可以帶著它進行大部分的日?；顒佣皇苡绊懀辛己玫氖孢m性；此外，長時間佩戴和直接檢測可提升呼吸數(shù)據(jù)的精準(zhǔn)度。盡管呼吸腰帶設(shè)備已經(jīng)面世，但目前尚屬于新興呼吸監(jiān)測設(shè)備，公開報道的文獻和研究相對較少[2,8]，且目前對呼吸相關(guān)數(shù)據(jù)的研究分析較少，尤其是對呼吸腰帶數(shù)據(jù)的分析更少。因此，本研究為呼吸腰帶長時間、無創(chuàng)地對呼吸功能進行測量與評估提供了一種新的手段和方法。

4 結(jié)論

為了有效區(qū)分呼吸正常與異常人群，本研究采用呼吸腰帶采集受試者呼吸數(shù)據(jù)，并對數(shù)據(jù)進行預(yù)處理后，分別使用LSTM、吸呼比結(jié)合LSTM和吸呼比結(jié)合SVM進行分類判斷，發(fā)現(xiàn)吸呼比結(jié)合LSTM方法獲得的呼吸正常、異常分類效果最好，準(zhǔn)確率接近80.0%，相比于單一使用LSTM，其準(zhǔn)確率提升15.0%左右，證明該方法的有效性，也為下一步呼吸臨床實驗、病理檢測等提供良好的數(shù)據(jù)支撐。下一步將考慮使用其他網(wǎng)絡(luò)結(jié)構(gòu)如遞歸神經(jīng)樹、隨機森林等進行分類判斷，并且與醫(yī)學(xué)相關(guān)人員進行探討，尋找吸呼比之外的其他特征，如每次呼吸周期的前斜率、后斜率等，以期得到更好的分類結(jié)果。

致謝

感謝中國醫(yī)學(xué)科學(xué)院張啟明研究員團隊提供呼吸腰帶實驗數(shù)據(jù)。