在临床监护领域，呼吸率（Respiratory Rate, RR）作为评估患者生理状态的关键参数，其连续监测对早期发现病情恶化具有重要意义。然而，传统的接触式监测方法（如胸带、鼻导管等）常因舒适度差、皮肤过敏等问题限制长期使用，尤其在睡眠监测或危重症患者监护中更显局限。这种技术瓶颈促使研究人员寻求更符合人体工程学的无接触监测方案。
近年来，基于心冲击图（Ballistocardiography, BCG）的技术为这一难题提供了新思路。BCG是一种通过检测心脏搏动引发身体微动信号来评估心血管功能的生物力学方法，而最新研究表明该技术同样能捕捉呼吸运动产生的周期性信号。尽管已有研究验证BCG在理想环境下的可行性，但其在真实临床场景中面对不同生理状态、疾病人群的普适性仍缺乏系统评估。
为攻克这一难题，研究团队开展了一项跨11项子研究的大规模临床验证，共纳入400名受试者，覆盖普通病房、重症监护室（ICU）、睡眠实验室及健康志愿者等多类场景。通过将BCG信号与金标准方法（二氧化碳波形图或多导睡眠监测）进行对比，研究人员开发了一套包含信号滤波、动态阈值处理和中值滤波的专用算法，并采用平均绝对误差（MAE）、检测率（DR）及布兰德-奥特曼（Bland-Altman）分析等统计方法进行全面验证。
研究结果显示，在总计68,342个参考数据点中，BCG算法展现出卓越的稳定性：整体MAE为1.29次/分钟（BrPM），检测率高达92.68%。值得注意的是，不同临床场景下性能差异可控——睡眠实验室等受控环境中MAE最低（0.96 BrPM），检测率达95.8%；普通病房环境稍复杂，MAE维持在1.6 BrPM左右，检测率仍达86-93%。特别在慢性阻塞性肺疾病（COPD）患者亚组中，虽检测率降至78%，但MAE（1.3 BrPM）仍保持临床可接受范围。统计一致性分析显示，BCG与参考方法间存在极小的系统误差（偏倚-0.39 BrPM），且德明（Deming）回归与皮尔逊（Pearson）相关系数（r=0.86）证实二者具有强相关性。
关键技术方法方面，研究团队通过置于床垫下的传感器采集BCG信号，经滤波去噪后采用动态阈值识别呼吸相关峰谷值，最后通过中值滤波优化RR估算。所有数据来源于多中心临床队列，包含不同地理区域、人口学特征和合并症患者，确保样本代表性。
算法性能验证
通过多维度统计表明，BCG算法在68,342个数据点中MAE为1.29 BrPM，DR达92.68%，且布兰德-奥特曼分析显示95%一致性界限（-3.07至2.29 BrPM）符合临床要求。
场景差异性分析
睡眠实验室受控环境下精度最高（MAE 0.96 BrPM），病房环境因活动干扰略有下降，但仍在临床允许误差范围内（≤2 BrPM）。
人群适应性评估
除COPD患者因病理呼吸模式导致检测率降低外，其他亚组（包括不同地域、年龄、体质指数）均保持稳定性能。
统计一致性检验
德明回归斜率0.86揭示方法间良好线性关系，结合皮尔逊r值0.86，证实BCG与参考方法高度协同。
本研究通过大规模临床验证确立了BCG技术无接触监测呼吸率的可靠性。其意义在于突破了传统监测对患者活动的限制，为家庭监护、长期睡眠评估及ICU危重患者管理提供了新技术路径。特别是在后疫情时代远程医疗需求激增的背景下，这种嵌入床垫的隐形监测方案，既避免穿戴设备的不适感，又能实现连续数据采集，对构建智能病房生态系统具有重要推动作用。未来研究可进一步优化算法在特殊呼吸模式（如COPD患者的呼吸）下的适应性，扩大在居家环境中的验证规模，最终实现呼吸衰竭的早期预警与个性化健康管理。
