基于数字听诊器生物信号的呼吸系统疾病分类与生物特征分析

呼吸系统疾病仍是全球主要死因，凸显了对更快速、更准确诊断工具的需求。本工作提出一种利用数字听诊器技术进行自动呼吸系统疾病分类与生物特征分析的新方法。我们的方法有可能显著增强传统听诊实践。通过利用最大的公开呼吸音医学数据库之一，我们训练机器学习模型以分类多种呼吸健康状况。我们的方法不同于常规方法，其使用经验模态分解（EMD）与频谱分析技术，从数字听诊器采集的声学数据中提取临床相关的生物信号。该方法聚焦于与声学数据内心血管和呼吸模式紧密相关的信息。频谱分析与滤波技术分离出与这些生理现象强相关的本征模态函数（IMFs）。这些生物信号经过全面的特征提取过程以用于预测建模。这些特征随后作为训练多种机器学习模型进行分类与回归任务的输入。我们的方法在二分类（健康 vs. 患病平衡准确率 89%）与多分类（肺炎、COPD 等特定疾病平衡准确率 72%）中均达到高准确率。本工作首次引入仅基于声学数据估计年龄与身体质量指数（BMI）的回归模型，以及性别分类模型。我们的发现强调了智能数字听诊器在增强辅助与远程诊断能力方面的潜力，助力数字健康、远程医疗与远程患者监测的发展。