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(hào)涵蓋多方面的信息特征,如速率、形態(tài)、強(qiáng)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(xiàn)表明,人體呼吸信號(hào)確實(shí)能在一定程度上反映人的身體狀況,因此對(duì)人類呼吸病癥的有效預(yù)防與及時(shí)發(fā)現(xiàn),可以通過分析人體呼吸信號(hào)來實(shí)現(xiàn)[1]。
相較于基礎(chǔ)的呼吸信號(hào)獲取,國(guó)外的研究人員更多著眼于獲取呼吸數(shù)據(jù)或者通過實(shí)時(shí)呼吸數(shù)據(jù)進(jìn)行疾病預(yù)警[2,3]。Sebastijan等[4]提出利用光學(xué)干涉儀對(duì)外部干擾造成光纖長(zhǎng)度變化的特性來檢測(cè)呼吸。Alexander等[5]選取33個(gè)呼吸關(guān)聯(lián)特征結(jié)合睡眠階段的啟發(fā)式知識(shí)進(jìn)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(dá)到80.38%。Agnel等[6]基于單片機(jī)設(shè)計(jì)了一個(gè)監(jiān)測(cè)系統(tǒng),用于測(cè)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(gè)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(dòng)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(jiǎn)單的長(zhǎng)時(shí)程呼吸信號(hào)中提取精準(zhǔn)的呼吸信號(hào),并將其應(yīng)用于呼氣功能檢測(cè)或疾病診斷等。但目前的研究多數(shù)僅是通過實(shí)時(shí)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(duì)患者的呼吸系統(tǒng)進(jìn)行全面評(píng)估。
此外,對(duì)呼吸信號(hào)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(diǎn):①如何對(duì)最初采集到的呼吸信號(hào)進(jìn)行預(yù)處理。因?yàn)閯偛杉?、最初始的呼吸信?hào)中存在大量噪聲數(shù)據(jù),如果直接用來進(jìn)行后續(xù)研究,將影響最后的實(shí)驗(yàn)結(jié)果,因此需要先去除信號(hào)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(hào)數(shù)據(jù)與心電信號(hào)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(xì)分呼吸信號(hào)程度的問題,這些問題都是開展進(jìn)一步研究的巨大挑戰(zhàn)。③因?yàn)楹粑盘?hào)本身的屬性有一定程度的不確定因素,所以在對(duì)其做相關(guān)研究時(shí),如何提高結(jié)果的精確度是個(gè)棘手的問題。相對(duì)于傳統(tǒng)的X光、核磁、呼吸機(jī)檢測(cè)儀器等測(cè)量手段,使用呼吸腰帶測(cè)量呼吸具有持續(xù)采集、對(duì)人體幾乎沒有傷害、方便、價(jià)格低、信號(hào)采集相對(duì)穩(wěn)定等優(yōu)點(diǎn),且呼吸腰帶獲取的呼吸數(shù)據(jù)是具有時(shí)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(hào)數(shù)據(jù),先對(duì)原始呼吸信號(hào)進(jìn)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(shí)間序列的長(zhǎng)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(jī)(Support Vector Machine,SVM),對(duì)收集到的呼吸數(shù)據(jù)進(jìn)行分類,判斷受試者的呼吸狀況是否異常。
受試者呼吸信號(hào)數(shù)據(jù)均采用呼吸腰帶獲取。實(shí)驗(yàn)數(shù)據(jù)集由中國(guó)中醫(yī)科學(xué)院采集,總樣本數(shù)量為342個(gè),其中包含人體呼吸異常55個(gè)、正常287個(gè),在全部的樣例中,單個(gè)樣例均為24 h左右的十進(jìn)制數(shù)值。正常人的吸氣時(shí)間一般為0.8-1.2 s,呼氣時(shí)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(shí)間約3.5 s,吸氣與呼氣時(shí)間比為1∶(1.5-2.0)。由于呼氣時(shí)僅是胸腔回縮而沒有其他動(dòng)能,所以需要的時(shí)間較長(zhǎng),但異常人群的呼吸比值會(huì)達(dá)到正常人的兩倍甚至更高。因此,針對(duì)有明顯差異的信息,可以收集對(duì)應(yīng)的呼吸數(shù)據(jù)進(jìn)行深層次的分析。
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(yùn)動(dòng)等引起的,在進(jìn)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(jìn)行濾波處理。
小波變換廣泛應(yīng)用于信號(hào)處理、圖像處理、模式識(shí)別等領(lǐng)域。通過伸縮平移運(yùn)算對(duì)信號(hào)(函數(shù))逐步進(jìn)行多尺度細(xì)化,最終達(dá)到高頻處時(shí)間細(xì)分、低頻處頻率細(xì)分,能自動(dòng)適應(yīng)時(shí)頻信號(hào)分析的要求,從而可聚焦到信號(hào)的任意細(xì)節(jié)。小波變換是一個(gè)平方可積分函數(shù)與一個(gè)在時(shí)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(duì)最初的數(shù)據(jù)進(jìn)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(jì)算方法,式子中樣例點(diǎn)的數(shù)量用m表示,第i個(gè)數(shù)據(jù)點(diǎn)的大小用xi表示。
(2)
單個(gè)樣例出現(xiàn)個(gè)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(duì)沒有關(guān)系的差異性進(jìn)行有效消除和分類。
(3)
(4)
式中,da為圖1中a點(diǎn)的數(shù)值,db為圖1中b點(diǎn)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(diǎn)的個(gè)數(shù)。呼吸時(shí)會(huì)存在一些相對(duì)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(diǎn),因此,設(shè)定一個(gè)經(jīng)驗(yàn)閾值的大小為σ=0.5,針對(duì)波峰波谷的垂直方向的距離大小進(jìn)行相關(guān)的測(cè)量,如果測(cè)量值小于設(shè)定閾值的大小,那么該點(diǎn)將不會(huì)被當(dāng)作拐點(diǎn)。
圖1 拐點(diǎn)(波峰/波谷)示意圖Fig.1 Schematic diagram of inflection point (peak/trough)
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(shí)間與呼氣時(shí)間的比值。根據(jù)其特點(diǎn)可識(shí)別出數(shù)據(jù)中的峰值和谷值,呈上升趨勢(shì)的為“吸”,下降趨勢(shì)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(shí)間代表“呼”和“吸”維持的時(shí)長(zhǎng)。
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(shí)間后,則吸呼比特征可根據(jù)公式(5)計(jì)算得到,其中tx和th分別代表一次吸和呼的時(shí)間長(zhǎng)度。
α=tx/th。
(5)
LSTM是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)。對(duì)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?yàn)長(zhǎng)STM摒棄了簡(jiǎn)單RNN中“連乘”的計(jì)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(shí)候遺忘不需要的信息,什么時(shí)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(shí)現(xiàn)信息的保護(hù)和控制。在t時(shí)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(shí)刻的輸出,xt為t時(shí)刻的輸入,σ是激活函數(shù)。遺忘門ft控制每一個(gè)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(shí)間前后關(guān)聯(lián)性,因此可使用LSTM對(duì)呼吸數(shù)據(jù)進(jìn)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(shí)間比。每個(gè)吸呼周期采樣32個(gè)點(diǎn),時(shí)間窗取10,時(shí)間窗內(nèi)的LSTM提取的時(shí)序特征作為一維向量,再連接多層全連接網(wǎng)絡(luò)進(jìn)行分類,輸出標(biāo)簽為長(zhǎng)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(gè)隱藏層單元的數(shù)量,n為L(zhǎng)STM隱藏層的層數(shù)。網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)如圖3所示。
圖3 LSTM結(jié)構(gòu)Fig.3 LSTM structure
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(gè)空間能用一個(gè)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(diǎn)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(duì)應(yīng)于在輸入空間構(gòu)造一個(gè)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(jì)算出的每個(gè)吸呼周期的吸呼比進(jìn)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(zhǎng)度為400的一維向量輸入SVM中,同時(shí)所有的數(shù)據(jù)被歸一化到[0,1]。實(shí)驗(yàn)中,SVM使用的是徑向基核函數(shù),其中SVM單個(gè)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(yàn)證。
圖4 正常、異常吸呼時(shí)間比示意圖Fig.4 Schematic diagram of normal and abnormal breathing time ratio
正常、異常呼吸情況下的單個(gè)樣例信息可視化如圖5所示??梢钥吹?,僅憑借經(jīng)驗(yàn)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(hào)曲線有很多毛刺信息,見圖6(a);進(jìn)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(hào)曲線光滑,見圖6(b),但基線漂移情況仍存在。進(jìn)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(duì)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(qiáng)度上的數(shù)值隨著時(shí)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(hào)(a)和低通濾波處理后的呼吸信號(hào)(b)Fig.6 Original respiratory signal (a) and respiratory signal (b) after low-pass filtering
圖7 原始信號(hào)(a)及基線漂移去除結(jié)果(b)Fig.7 Original signal (a) and baseline drift removal result (b)
對(duì)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(jìn)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(shí)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(duì)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(dá)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(dá)79.2%,即同時(shí)使用64-64兩層隱藏層節(jié)點(diǎn)時(shí)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(shí)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(duì)更好,分別達(dá)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。
由上述實(shí)驗(yàn)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(gè)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(rèn)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(duì)于單純使用LSTM更好的效果。基于這個(gè)認(rèn)識(shí),進(jìn)一步比較了吸呼比結(jié)合LSTM不同網(wǎng)絡(luò)結(jié)構(gòu)的實(shí)驗(yàn)驗(yàn)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?yàn)長(zhǎng)STM結(jié)構(gòu)的一大特點(diǎn)在于遺忘門機(jī)制,并聯(lián)合上一時(shí)刻輸出、當(dāng)前時(shí)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(gè)時(shí)間步長(zhǎng)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(shí)值和累積的外部信號(hào),學(xué)習(xí)到較長(zhǎng)時(shí)程的吸呼數(shù)據(jù)的周期性特點(diǎn)。這使得LSTM擅長(zhǎng)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(duì)比可以看到,更寬和更深的網(wǎng)絡(luò)相能夠提升識(shí)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(duì)提高了2.0%和2.4%的準(zhǔn)確度,同時(shí)在召回率和F-值上也獲得提升。然而,也可以看到,針對(duì)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(duì)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(diǎn)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(gè)百分點(diǎn)(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。
目前,針對(duì)呼吸測(cè)量的傳統(tǒng)方法主要有溫度式檢測(cè)[13]、阻抗式檢測(cè)、通過獲取心電信號(hào)然后推斷得出呼吸信號(hào)等。溫度式檢測(cè)可復(fù)用、構(gòu)成簡(jiǎn)易,但因?yàn)橛糜跍y(cè)量的傳感儀器需要與人體的口鼻腔直接接觸,會(huì)給被檢測(cè)者帶來不適感[14]。阻抗式檢測(cè)法是當(dāng)下在臨床中使用較為頻繁的呼吸測(cè)量方式之一,具有測(cè)量穩(wěn)定、測(cè)量方式簡(jiǎn)單易操作等特點(diǎn)。該方法雖然不會(huì)讓被檢測(cè)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(shí)施過程中對(duì)電極有一定要求,同時(shí)會(huì)由于血液流動(dòng)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(hào)然后推斷得出呼吸信號(hào),是一種較新穎的無創(chuàng)檢測(cè)方法,但該方法存在測(cè)量的精確度不高,過久地使用心電電極裝置可能會(huì)給患者的皮膚帶來不適等缺點(diǎn)。相對(duì)于這些方法而言,呼吸腰帶是一種能夠長(zhǎng)時(shí)間使用、無創(chuàng)地對(duì)呼吸功能進(jìn)行測(cè)量與評(píng)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(duì)人體幾乎沒有傷害。呼吸腰帶能直接對(duì)患者的呼吸信號(hào)進(jìn)行采集,具有持續(xù)性,能連續(xù)采集整個(gè)時(shí)間段里的數(shù)據(jù)并且不會(huì)給患者帶來任何創(chuàng)傷。②方便,價(jià)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(chǔ)設(shè)備,設(shè)備大部分功能的實(shí)現(xiàn)是將核心部件放置于腰帶中,依靠核心部件來檢測(cè)患者的呼吸信號(hào)。目前傳感器和數(shù)據(jù)存儲(chǔ)設(shè)備的價(jià)格并不高,所以整條呼吸腰帶的價(jià)格比較親民,能夠讓大多數(shù)患者購(gòu)置和使用。③信號(hào)采集相對(duì)穩(wěn)定。呼吸腰帶使用時(shí)綁定在患者腰上,有著不錯(cuò)的穩(wěn)定性;同時(shí)患者可以帶著它進(jìn)行大部分的日常活動(dòng)而不受影響,有良好的舒適性;此外,長(zhǎng)時(shí)間佩戴和直接檢測(cè)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(cè)設(shè)備,公開報(bào)道的文獻(xiàn)和研究相對(duì)較少[2,8],且目前對(duì)呼吸相關(guān)數(shù)據(jù)的研究分析較少,尤其是對(duì)呼吸腰帶數(shù)據(jù)的分析更少。因此,本研究為呼吸腰帶長(zhǎng)時(shí)間、無創(chuàng)地對(duì)呼吸功能進(jìn)行測(cè)量與評(píng)估提供了一種新的手段和方法。
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(duì)數(shù)據(jù)進(jìn)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(jìn)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(shí)驗(yàn)、病理檢測(cè)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(jī)森林等進(jìn)行分類判斷,并且與醫(yī)學(xué)相關(guān)人員進(jìn)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(guó)醫(yī)學(xué)科學(xué)院張啟明研究員團(tuán)隊(duì)提供呼吸腰帶實(shí)驗(yàn)數(shù)據(jù)。