基于呼吸气流的亚呼吸分析的时间局部参数分解

呼吸气流信号为理解呼吸机制提供了关键信息，但常规分析方法在刻画单个呼吸内部结构方面仍受限。传统方法将气流视为准周期信号，依赖全局描述符（如潮气量或峰值流量），从而掩盖反映神经肌肉协调和补偿性呼吸策略的亚呼吸事件。本研究引入一种参数化框架，用于将鼻腔气流分解为少数具有显式�幅、起始时间和持续时间参数的时局部组件。与频谱或数据自适应方法不同，所提出的方法采用生理学依据的基函数（Half-Sine、Gaussian 和 Beta）通过受约束的非线性优化来表示呼吸内部分形。评估 8,276 次呼吸显示，四分量模型的均方误差小于 0.001，表明重构精度高，在适度噪声下参数精度稳健。组件派生的描述亚呼吸时序和协调的特征，较经典呼吸指标提高了最高可达 30.7% 的 Matthews相关系数，用于分类源于认知-呼吸竞争的认知疲劳状态。这些结果表明，将气流建模为由参数化时局部原始片段构成的和，为量化呼吸内部分布、补偿性呼吸动力学以及在认知-呼吸双任务需求下的呼吸运动控制适应提供了可解释且精确的基础。