跳到主要内容

# 呼吸音分类

2 篇关联报道

Microsystems & Nanoengineering 2026年9月29日
基于25单元AlN PMUT阵列的柔性无线听诊器实现10 Hz–10 kHz心肺声采集，并以98.7%准确率分类五种呼吸状态
研究者开发了一种基于25单元圆形氮化铝（AlN）压电微机械超声换能器（PMUT）阵列的柔性无线可穿戴听诊器，其封装后灵敏度达−167.5 dB、工作频带10 Hz–10 kHz、频响平坦度±0.5 dB，在多名受试者中于五个标准听诊部位采集心音并与参考心电图和胸廓运动信号在时间上对应，可在行走、爬楼梯等动态活动中连续追踪心率，并借助残差神经网络对清醒、睡眠、呼吸暂停、鼾音和喘鸣五种呼吸状态实现98.7%的分类准确率。
研究者开发了一种基于25单元圆形氮化铝（AlN）压电微机械超声换能器（PMUT）阵列的柔性无线可穿戴听诊器，其封装后灵敏度达−167.5 dB、工作频带10 Hz–10 kHz、频响平坦度±0.5 dB，在多名受试者中于五个标准听诊部位采集心音并与参考心电图和胸廓运动信号在时间上对应，可在行走、爬楼梯等动态活动中连续追踪心率，并借助残差神经网络对清醒、睡眠、呼吸暂停、鼾音和喘鸣五种呼吸状态实现98.7%的分类准确率。
Chongqing University North University of China
Pengfan Wu（第一作者）Tao Liu（通讯作者）Xiaojing Mu（通讯作者）
可穿戴无线听诊器压电微机械超声换能器呼吸音分类残差神经网络
Physiological Measurement 2026年9月15日
融合局部特征提取与全局上下文建模的儿科呼吸音分类
该工作提出一种将局部特征提取模块与全局上下文模型相结合的新架构，其中Mel_Grouper模块作为前端增强局部病理表征，其输出送入基于Transformer的Mel_Encoder以融合全局上下文，在SJTU儿科呼吸音数据集（SPRSound）的四个子任务上分别较此前最佳结果提升3.37%、3.06%、6.83%和5.36%，并在真实世界儿科呼吸音数据集上进一步开展实验。
该工作提出一种将局部特征提取模块与全局上下文模型相结合的新架构，其中Mel_Grouper模块作为前端增强局部病理表征，其输出送入基于Transformer的Mel_Encoder以融合全局上下文，在SJTU儿科呼吸音数据集（SPRSound）的四个子任务上分别较此前最佳结果提升3.37%、3.06%、6.83%和5.36%，并在真实世界儿科呼吸音数据集上进一步开展实验。
Nanchang University First Affiliated Hospital of Nanchang University
Yufei Shen（第一作者）Ping Sun（通讯作者）
Mel_Grouper Mel_Encoder 呼吸音分类 SJTU儿童呼吸音数据集（SPRSound）

已读完全部报道