基于强迫振荡技术(Impulse Oscillometry System, IOS)呼吸阻抗时频图(TFRIM)与原始时序信号双分支融合的肺部疾病深度学习辅助诊断模型
《Chemosensors》:Time–Frequency Respiratory Impedance Maps Enable Within-Breath Deep Learning for Small Airway Dysfunction Identification
Dongfang Zhao,
Sunxiaohe Li,
Peng Wang,
Pang Wu,
Zhenfeng Li,
Lidong Du,
Xianxiang Chen,
Ting Yang,
Jingen Xia and
Zhen Fang
编辑推荐:
摘要:本研究提出一种融合时频呼吸阻抗图(Time–Frequency Respiratory Impedance Map, TFRIM)与原始IOS时序信号的双分支深度学习方法,用于肺部疾病的计算机辅助诊断。首先,基于压力与气流信号的短时傅里叶变换(Short
摘要:本研究提出一种融合时频呼吸阻抗图(Time–Frequency Respiratory Impedance Map, TFRIM)与原始IOS时序信号的双分支深度学习方法,用于肺部疾病的计算机辅助诊断。首先,基于压力与气流信号的短时傅里叶变换(Short-Time Fourier Transform, STFT)计算各时间窗的阻抗谱,并利用相干函数(Coherence Function, γt2[k])以阈值γth=0.90筛选高信噪比(SNR)频率通道,构建经相干校正的TFRIM作为输入。时频分支采用带位置编码的多分支卷积模块与卷积块注意力模块(Convolutional Block Attention Module, CBAM)提取多尺度时频特征;时序分支以大核卷积初步降维后输入Mamba模块(Selective State Space Model, SSM)捕获长序列呼吸动态,并经注意力池化压缩。两分支特征拼接后通过全连接层分类。该方法在临床IOS数据集上验证了有效性,可抑制低相干噪声干扰并同时利用阻抗频谱形态与原始波形时序信息提升判别能力。
研究背景与意义
脉冲振荡法(Impulse Oscillometry System, IOS)可在受试者潮式呼吸状态下无创测量呼吸系统的阻抗—电阻R5、R20及电抗X5等参数,反映气道阻力与肺顺应性,对慢性阻塞性肺疾病(COPD)、哮喘等肺部疾病的早期筛查具有重要价值。传统IOS分析仅提取少数频点的集总参数,丢弃了完整的频谱与时域动态信息;且IOS外部激励为周期脉冲,能量集中于基频及其谐波,非激励频点信噪比(SNR)低,直接用全频段阻抗构建时频图会引入噪声。此外,单纯依赖手工提取的阻抗参数或单一模态信号难以充分表征病理特征。因此,有必要设计能同时利用阻抗时频分布模式与原始高采样率波形信息的融合模型,并通过相干函数剔除低SNR频点以提高数据质量。该文发表于《Bioengineering》(MDPI, 2024, 13(2): 280),提出了一种双分支深度融合网络架构解决上述问题。
主要关键技术方法
研究人员采集临床受试者的压力与气流(raw pressure & flow)双通道IOS信号。(1)对滑动时间窗内信号做STFT得Pt[k]、Ft[k],按Zt[k]=Pt*[k]·Ft[k]/SFF[k]计算复阻抗并分离为电阻Rt[k]与电抗Xt[k],沿时间轴堆叠形成原始TFRIM(维度CTF×HTF×WTF,CTF=2)。(2)以相干函数γt2[k]=|SPF[k]|2/(SPP[k]·SFF[k])筛选γt2[k]≥0.90的频点,低于阈值的置零后去除全零频通道,得到精炼高SNR的TFRIM。(3)TFRIM编码分支:构造与TFRIM同尺寸的时间/频率归一化坐标位置编码图,与TFRIM沿通道拼接;经7×7初始卷积后送入两个级联的多分支卷积模块(Multi-Branch Convolution Module)—四路并行为AvgPool、3×1与1×3串联不对称卷积、3×3标准卷积、1×1跨通道卷积,各分支输出通道拼接后经1×1残差卷积与输入加和;再经CBAM(Channel+Spatial Attention)及全局自适应平均池化(GAP)与128维线性投影得时频特征向量XTFRIM∈?128。(4)时序编码分支:原始双通道IOS时序信号经首层大核(7×1, stride=2)局部卷积降采样得Flocal∈?C×LP×D,输入Mamba模块(Selective SSM with Δ,A,B,C参数化)沿序列维度建模呼吸周期间动态变化,输出经注意力池化(Attention Pooling)压缩为时序特征向量。(5)双分支特征拼接后通过全连接层与Softmax输出疾病分类概率。模型以交叉熵损失训练,采用早停与Dropout正则化。
研究结果
2.2.1. Construction of the Time–Frequency Respiratory Impedance Map (TFRIM)
研究人员对每个时间窗t做压力P(t)与流量F(t)信号的STFT得Pt[k]、Ft[k],利用互功率谱密度SPF[k]与自功率谱密度SFF[k]按Zt[k]=Pt*[k]·Ft[k]/SFF[k]计算复阻抗谱,实部为阻力Rt[k]、虚部为电抗Xt[k]。所有时间窗堆叠形成raw-TFRIM(2通道×有效频点数×时间窗数)。因IOS基频2.5 Hz激励能量只分布于谐波处,非谐波频点SNR低,故计算相干函数γt2[k]=|SPF[k]|2/(SPP[k]·SFF[k])并以γth=0.90为阈值:γt2[k]≥γth保留Zt[k],否则置零;去除全零频通道得最终TFRIM(维度CTF×HTF×WTF,CTF=2)。结论:基于相干函数的频选策略可有效滤除低SNR频点噪声,保留具生理意义的高相干阻抗值,提高输入数据质量。
2.2.2. TFRIM Encoding Branch
为克服CNN平移不变性导致忽略频谱绝对位置的问题,研究人员构造归一化时间/频率二维坐标位置编码图与TFRIM拼接。经7×7卷积后进入两个级联多分支卷积模块:模块含四条并行路径—平均池化捕获局部背景、3×1接1×3非对称卷积解耦频率轴与时间轴感受野、3×3标准卷积捕获局部时频特征、1×1卷积促进跨通道融合;四路输出通道拼接后经1×1残差卷积(匹配维度)与原输入逐元素相加。随后接入CBAM依次计算通道与空间注意力权重以增强有效特征。最后经全局自适应平均池化(GAP)与带ReLU和Dropout的线性层映射为128维时频特征向量XTFRIM∈?128。结论:位置编码保留频谱物理位置信息,多分支卷积与残差连接捕获多尺度时频模式,CBAM进一步提升判别特征聚焦能力。
2.2.3. Temporal Encoding Branch
原始双通道IOS高采样率时序信号先经前端局部特征提取模块(首层卷积核7×1, stride=2)进行降采样与去噪,输出Flocal∈?C×LP×D(C=2为压/流双通道,LP为降采样后序列长度,D为嵌入维数)。Flocal视为D条独立一维序列输入Mamba模块—基于选择性状态空间模型(Selective State Space Model, SSM),连续形式h'(t)=A·h(t)+b·x(t), y(t)=c·h(t),通过可学习的Δ,A,B,C实现输入依赖的选择性扫描以捕获长程呼吸周期动态。Mamba输出经注意力池化(Attention Pooling)加权融合为固定长度时序特征向量。结论:Mamba较传统LTI-SSM具输入选择性,能有效建模IOS长序列中跨呼吸周期的生理动态变化,注意力池化突出关键时间步贡献。
Feature Fusion and Classification
时频分支特征XTFRIM与时序分支特征拼接(concatenate),经由全连接层、Softmax激活输出分类结果(如健康/COPD/哮喘等)。采用交叉熵损失函数,Adam优化器训练,辅以Dropout与Early Stopping防止过拟合。
讨论与结论
研究人员提出并验证了一种融合IOS阻抗时频图(TFRIM)与原始IOS时序信号的双分支深度学习框架用于肺部疾病辅助诊断。通过相干函数(γ2≥0.90)筛选高SNR频率通道构建精炼TFRIM,解决了IOS非全频段激励导致的低相干噪声问题;TFRIM编码分支结合位置编码、多分支卷积(含非对称核解耦时间与频率感受野)及CBAM注意力有效提取多尺度频谱时空特征;时序编码分支利用大核初卷积降采样后通过Mamba(选择性SSM)捕获长序列呼吸动态并经注意力池化压缩。双分支特征融合充分利用了阻抗频谱分布形态信息与原始波形时序动力学信息。实验结果表明该模型较单一模态及传统方法具有更优的判别性能,可为临床IOS数据的自动化、高精度肺部疾病筛查提供有效工具。