摘要 (ABSTRACT)
评估呼吸容积对于慢性呼吸道疾病的长期管理至关重要。然而，肺量测定等标准方法需要患者的主动配合，不适合常规监测。本研究介绍了一种与信号处理算法集成的电容压力传感器，用于呼吸评估/监测。提出了两种使用聚癸二酸甘油酯（PGS）基底的传感器变体：CS1具有多孔结构，CS2包含金字塔表面图案。两种传感器都通过电容变化测量胸腔扩张。在38名健康成年参与者中，信号经过预处理并与商用气流传感器进行统计验证。尽管CS1表现出比CS2（0.015 kPa-1）更高的灵敏度（0.09 kPa-1），但两种传感器在志愿者中与参考设备均表现出强相关性（平均R2> 0.91）。跨呼吸周期的低平均绝对误差证实了测量准确性：CS1为0.122 L（95%置信区间±0.027 L），CS2为0.100 L（95%置信区间±0.018 L）。这些结果表明，所开发的电容传感器和信号处理算法能有效捕捉胸腔容积变化，在无创、连续的呼吸监测方面展现出潜力。
1. 引言 (Introduction)
慢性呼吸道疾病，包括慢性阻塞性肺病、间质性肺病、哮喘和肺癌，导致显著的死亡率和社会负担。肺量测定是最常见的肺功能测试，是诊断和监测CRDs进展的基础。但它不适合连续和长期监测，且高度依赖个人合作和努力，在儿童、老年人或有神经、认知或身体障碍的人群中难以执行和准确解释。可穿戴技术已成为长期无创生理监测的可行解决方案。用于呼吸健康跟踪的最新进展包括基于加速度计、光纤干涉仪、声学机制以及电容、摩擦电和压阻传感器的系统。电容传感器因其简单的架构而受到特别关注，支持开发利用各种材料和微结构以实现更高灵活性和灵敏度的湿度和压力传感器。尽管取得这些成就，但大多数现有的可穿戴监测解决方案仅限于呼吸频率估计，并且验证通常受限于小样本量，可能无法完全捕捉现实人群的变异性。另一个关键限制是缺乏标准化的呼吸信号预处理技术。本研究引入了一种新型可生物降解的电容压力传感器作为胸部贴片，以及信号处理和分析算法，旨在解释受控设置下的胸腔扩张和收缩数据，主要目标是在健康成年人中评估传感器与气流传感器数据之间的一致性。
2. 实验部分 (Experimental Section)
2.1 传感器设计与系统架构
所提出的电容压力传感器的操作基于平行板电容器模型。当贴附在胸部时，其操作由整个呼吸周期的胸腔运动驱动。在吸气过程中，胸腔扩张，压缩贴片并减少电极之间的距离，从而增加电容。在呼气过程中，胸腔收缩，允许电极之间的距离增加，导致相应的电容下降。选择聚癸二酸甘油酯（PGS）作为介电材料，因其生物相容性、可生物降解性、良好的介电常数以及与人类表皮匹配的杨氏模量。探索了两种聚合物构型：多孔结构（称为“CS1”）和无孔金字塔结构基底（“CS2”）。多孔PGS通过盐浸法制成，使用氯化钠作为致孔剂。所得支架样品被切割成矩形片，并将导电胶带应用于泡沫层的顶部和底部表面作为电极。随后，三层被封装在透明包装胶带中。为了制造CS2，将PGS预聚物倒入两个具有金字塔阵列的模具中，金字塔边长为1毫米，高度为1毫米，金字塔之间的间隙为1.2毫米。该过程产生两个聚合物层，每层具有一个光滑表面和一个图案化表面。导电胶带放置在两个聚合物层的光滑表面上，传感器也用包装胶带封装。对多孔和无孔样品进行了扫描电子显微镜形态学分析和通过比重测定法测定多孔样品的孔隙率。机械表征使用万能试验机进行。对于机电测试，数字阻抗分析仪/LCR仪表在机械刺激期间记录组装传感器的电容变化，应变速率为20%，采样率为100 Hz。
2.2 参与者招募与实验方案
数据收集方案根据《赫尔辛基宣言》进行，并获得了阿威罗大学伦理委员会的批准。采用便利抽样方法从阿威罗大学招募健康的成年非吸烟志愿者。参与者被要求采取直立姿势，同时佩戴鼻夹并通过气流传感器呼吸。开发的聚合物传感器的电容变化通过阻抗分析仪/LCR仪表同时采集。CS1贴在参与者胸部的右侧，以尽量减少心血管活动的影响。参与者从进行10次平静呼吸开始，避免突然运动，并被要求以一次强制吸气结束，以生成便于对齐记录信号的同步标记。休息5分钟后，用CS2替换CS1，并重复该过程。将电容传感器获取的数据与气流传感器设置同时记录的参考数据进行比较和校准。与CS1和CS2同步的记录分别称为“AT1”和“AT2”。
2.3 数据预处理
传感器和气流传感器记录只有在波形连续且基线漂移不超过信号幅度的两倍时才被认为适合处理和分析。在每位受试者采集的四次记录中，只要存在至少一次不合适的记录，就会导致该参与者数据被排除。由于呼吸频率通常在0.16至0.33 Hz之间，应用了截止频率为1.5 Hz的四阶巴特沃斯低通滤波器以去除高频噪声。所选截止频率考虑了生理差异并防止有意义信号分量的衰减。传感器数据被归一化以匹配气流传感器信号的y值范围。最后，通过线性去趋势减弱基线漂移。
2.4 统计分析
2.4.1 相关性（R2）和平均绝对误差（MAE）
平方相关系数用于量化开发的电容传感器和气流传感器信号之间的相关性。MAE计算为每个参与者的传感器和气流传感器信号点之间绝对差的平均值，反映了整体准确性。R2和MAE在整个呼吸周期以及分别针对吸气和呼气阶段进行计算，以识别潜在的相位特定性能变化。
2.4.2 异常值检测
对两个测量对（CS1/AT1和CS2/AT2）的R2和MAE应用四分位距方法，以识别其归一化传感器数据与气流传感器参考值显著偏离的参与者。如果参与者在至少一个测量对中的一个指标中表现出异常值，则被排除。
2.4.3 呼吸事件检测和呼吸频率验证
异常值去除后，对剩余信号应用峰值检测，以识别局部最大值和最小值。这些极值用于划分单个呼吸周期并提取时间呼吸参数，即吸气时间和呼气时间。通过平均每个参与者记录的10个呼吸周期的周期级误差来计算参与者水平的Ti和Te的MAE。随后，参与者水平的MAE在整个队列中取平均值。由于信号以100 Hz采样，并且健康个体的RR在每分钟10到20次呼吸之间，因此连续最大值或最小值之间的最小允许间隔设置为250个样本。完整的呼吸周期被定义为两个连续最小值之间的间隔，并使用公式在记录的10个周期上计算RR。皮尔逊相关系数和相应的p值评估了从传感器和相应参考得出的RR值之间的线性关系。高于0.7的相关性被认为是强的，p值低于0.05表示具有统计学显著性。
3. 结果 (Results)
3.1 材料表征
多孔PGS样品具有高孔隙率（89% ± 2%），具有约500微米长度的相互连接的孔。图案化的PGS样品显示出形状良好的金字塔结构，高度和底边长度为1毫米。多孔PGS样品的平均杨氏模量为5.9 ± 0.4 kPa，而无孔PGS样品显示出显著更高的值，为3,042 ± 296 kPa。在20%应变和5毫米每分钟速率下获得的灵敏度，即归一化电容变化与施加应力之比，CS1达到0.09 kPa-1，CS2达到0.015 kPa-1。
3.2 参与者人口统计学
共有38名健康的成年非吸烟个体参与了本研究。平均身高和体重分别为172.5 ± 8.9厘米和66.5 ± 14.5千克。参与者被分为两个年龄组：31人（81.6%）属于年龄组1（18-25岁），7人（18.4%）属于年龄组2（26-53岁）。在数据收集期间没有报告身体或心理不适。
3.3 信号质量和预处理结果
根据预定义的质量标准进行视觉检查后，所有38名参与者的四个时间序列均被认为适合进一步处理和分析。传感器信号显示出比气流传感器信号更高的噪声干扰。然而，气流传感器信号通常容易出现基线漂移。尽管如此，滤波、去趋势和归一化的结合通过降低噪声、最小化基线漂移和实现传感器与气流传感器信号之间更好的比较，提高了信号质量。对来自CS1和CS2的预处理信号进行了快速傅里叶变换分析，以表征频域中的信号特性。主要频率峰位于CS1的0.20 Hz和CS2的0.21 Hz，与标准RR值以及AT1和AT2上执行的FFT分析一致。为了更全面地分析，使用时频谱图进行了时频表示，确认在整个测量期间，两个信号的最高强度区域集中在0.1至0.3 Hz之间。
3.4 呼吸监测验证
在38名参与者中，有7名被识别为异常值，并从进一步分析步骤中排除。从其余31名参与者来看，CS1/AT1和CS2/AT2的体积验证指标显示，关于CS1/AT1，整个信号的平均MAE为0.122 L，吸气阶段为0.120 L，呼气阶段为0.110 L，而相应的平均R2值分别为0.911、0.927和0.932。对于CS2/AT2，整个信号的平均MAE为0.100 L，吸气阶段为0.096 L，呼气阶段为0.095 L，相应的平均R2值分别为0.928、0.946和0.941。对于CS1/AT1，参与者水平的Ti和Te平均MAE分别为0.229秒和0.227秒。对于CS2/AT2，相应的Ti和Te平均MAE分别为0.157秒和0.162秒。从CS1和CS2数据计算的所有受试者的RR与从各自的气流传感器测量值AT1和AT2计算出的RR高度相关。计算出的RR值之间的最大偏差对于AT1/CS1为0.09次呼吸每分钟，对于AT2/CS2为0.12次呼吸每分钟。
4. 讨论 (Discussion)
这项工作旨在评估电容传感器和定制信号处理/分析算法在呼吸监测中的性能。测试了两种介电层构型：多孔结构和金字塔阵列设计。与健康成年个体的气流传感器数据相比，两种传感器都能准确捕捉呼吸波形模式。在开发附着在身体上的可穿戴设备时，最大限度地减少用户不适至关重要。为了实现这一目标，基底材料的杨氏模量必须在人体皮肤的杨氏模量范围内或低于该范围。在本研究中，多孔PGS样品的E为5.9 ± 0.4 kPa，而无孔PGS样品显示出显著更高的值3042 ± 296 kPa。这两个值都与文献中先前报告的值一致，并且在预期应用的接受范围内。CS1记录的更高灵敏度落在文献报告的范围内。更高的灵敏度在呼吸监测中尤其有利，因为它能够检测到细微的胸腔扩张和收缩。尽管如此，CS2的灵敏度超过了一些用于健康监测的柔性压力传感器。招募的38名参与者是健康的非吸烟个体，主要来自18-25岁年龄组。虽然这种同质性有利于一致的数据采集和验证，但也限制了研究结果的普遍性。未来的研究应包括老年人和患有呼吸系统疾病的个体。这样的数据集将进一步支持跨人群的比较分析，并使得能够开发用于个性化呼吸监测的机器学习模型。传感器信号显示出比气流传感器信号更大的噪声干扰。在数据采集期间，传感器通过鳄鱼夹和电缆连接到数字阻抗分析仪/LCR仪表，增加了它们对外部电磁或非自愿身体运动干扰的敏感性。相比之下，气流传感器信号更平滑，并且通常不受影响传感器测量的运动伪影的影响。这种差异可归因于BIOPAC系统，该系统在采集过程中应用实时信号预处理。然而，这些信号并非不受基线漂移的影响，基线漂移可能受到呼吸强度的自然变化和姿势调整引起的低频伪影的影响。尽管如此，从38名参与者收集的所有原始信号都满足质量标准，突出了实验设置的可靠性。峰值检测参数针对本研究的受控条件进行了优化。然而，现实世界中的设置带来了额外的挑战，例如不规则的呼吸模式或外部噪声源，这可能会影响峰值检测的准确性。未来的工作应侧重于能够根据实时信号变化动态调整检测参数的自适应信号处理算法。被识别为异常值的七名参与者没有聚集在任何人口统计学模式中，这表明他们的排除不是由受试者特定特征驱动的，而是由采集相关因素驱动的。尽管无法回顾性地为每个排除的数据集分配明确的原因，但诸如次优的传感器放置、采集期间贴片的逐渐脱离或电磁干扰等因素已知会影响可穿戴传感系统。这些效应表现为基线漂移、幅度衰减、瞬态信号失真或增加的高频噪声，最终降低了峰值检测的准确性。这些信号失真导致误差度量增加，并偏离超出IQR，从而根据预定义标准触发排除。有线连接的使用可能由于电缆引起的运动伪影和机械应力而进一步加剧这些影响。因此，加入无线数据传输系统，例如蓝牙或Wi-Fi，可以显著提高信号质量并最小化由电缆和连接器引发的传感器脱离风险。对于其余31名参与者，在CS1和AT1以及CS2和AT2获得的信号之间观察到强线性关联。具体来说，在所有阶段，平均R2值均超过0.91。然而，CS2/AT2始终表现出比CS1/AT1更低的MAE值，表明与参考测量值的一致性更好。Ti和Te是呼吸力学中临床相关的描述符，并且可能在不同的呼吸疾病中发生改变。在本研究中，CS1/AT1的Ti和Te MAE始终高于CS2/AT2。尽管如此，这些误差对应于典型静息吸气和呼气持续时间的不到20%。CS2在呼吸监测验证中的优越性能可能归因于传感器形态的差异。虽然CS1在检测呼吸变化方面表现出更高的灵敏度，但它也更容易受到非呼吸性胸部运动的影响，例如姿势调整或心脏引起的胸壁运动，这会在其信号中引入噪声和伪影。这种对比强调了定制传感器形态以确保可靠数据采集的重要性，为准确的呼吸监测提供了基础。最后，观察到的RR之间的相关性反映了进行测量的优化条件。尽管在设备之间观察到了峰值检测的微小变化，但它们仅限于几分之一秒。传感器和气流传感器之间RR的最高偏差在实践意义上可以忽略不计，因为它们相对于静息RR的变化小于1%。之前的一项研究验证了一种非接触式RR监测器与胸带相比，在受控设置中报告了0.39次呼吸每分钟的MAE，反映了本研究中提出的设备在准确RR监测方面的潜力。本研究中采用的误差度量和验证方法与文献中报告的可穿戴呼吸监测系统一致，同时受益于相对更大的验证队列，并同时提供了RR、体积估计和时间参数的一致性。
5. 结论 (Conclusions)
本研究展示了用于无创呼吸跟踪的电容压力传感器和信号处理算法的开发与验证。两种传感器构型在健康成年个体中，在呼吸事件、频率和波形形状方面与参考气流传感器表现出强一致性。尽管由于有线连接而易受噪声影响，但所有传感器记录均满足质量标准，证实了实验设置的稳健性。这些发现为开发连续的呼吸监测解决方案奠定了基础。未来的进展，包括无线集成、基于机器学习的特征提取以及在多样化人群数据集上的验证，将增强该设备的实际适用性。
