引用论文
方续东, 邓武彬, 吴祖堂, 李进, 吴晨, 前田龙太郎, 田边, 赵立波, 林启敬, 张仲恺, 韩香广, 蒋庄德. 基于惯性传感器的呼吸测量技术综述[J]. 机械工程学报, 2024, 60(20): 1-23.
FANG Xudong, DENG Wubin, WU Zutang, LI Jin, WU Chen, MAEDA Ryutaro, TIAN Bian, ZHAO Libo, LIN Qijing, ZHANG Zhongkai, HAN Xiangguang, JIANG Zhuangde. Respiration Measurement Technology Based on Inertial Sensors：A Review[J]. Journal of Mechanical Engineering, 2024, 60(20): 1-23.
(戳链接，下载全文)
随着对疾病预测和诊断需求的不断增长，面向人民生命健康的科技创新成为迫切需求，监测生理信号的可穿戴装备越来越受到关注。呼吸是反映人体生理状态的重要参数，例如肺炎、睡眠呼吸暂停综合征、肺栓塞等重大疾病往往伴随着人体呼吸参数的变化，监测呼吸参数可以有效地预测和诊断相关疾病，但其可穿戴监测技术尚未取得显著进展。惯性传感器由于低侵入性、重量轻等优点，非常适合开发成监测呼吸信号的可穿戴装备。西安交通大学蒋庄德院士团队首先从惯性传感器监测呼吸的发展历程展开，详细论述了惯性传感器监测呼吸的四个发展阶段(呼吸波形的提取、呼吸暂停的识别、睡眠姿态识别以及走跑时的呼吸监测)、惯性传感器监测呼吸的方法以及惯性传感器的数据处理方式。其次，对惯性传感器监测呼吸的不同阶段进行了对比分析，详细地阐述了不同方法的优缺点。再次，对惯性传感器监测呼吸存在的挑战和未来发展方向进行了总结和展望。最后，对基于惯性传感器可穿戴呼吸监测装备的开发提出了一些建议和预测 。他们的研究成果以题为《基于惯性传感器的呼吸测量技术综述》发表在《机械工程学报》2024年第20期。
1
行业现状
呼吸行为作为人体重要的生命特征，在疾病预警和健康监测中具有关键作用，尤其是在监测如睡眠呼吸暂停综合征（SAS）等隐匿性疾病时更显重要。针对传统呼吸监测方法存在的不足，例如基于声音、气流、胸部运动及心电图等技术易受干扰或佩戴不适的问题，提出了一种基于惯性传感器的创新监测方法，展示了其在小尺寸、轻质量、低成本和便携性方面的优势，尤其适用于长期可穿戴设备。研究回顾了惯性传感器在呼吸监测中的发展历程，包括呼吸波形提取、呼吸暂停识别、睡眠姿势识别以及运动状态下的呼吸监测，分析了当前技术面临的挑战，如运动伪影的去除和呼吸特征量不足等问题，同时展望了未来的发展方向。在呼吸频率、潮气量和呼吸努力监测等方面，惯性传感器展现出广泛的应用潜力，为健康监测和疾病诊治提供了有效的技术支持，具有重要的实践意义和研究价值。
2
惯性传感器监测呼吸的发展
呼吸监测的发展阶段
呼吸波形提取：
单个加速度计实现基础呼吸波形提取，探索可靠测量方法。
多传感器布置改进精度，如多个加速度计在身体不同位置的应用。
引入惯性测量单元（IMU），通过角速度信号描述胸部运动，提升呼吸频率与波形识别能力。
呼吸暂停识别：
加速度计与深度学习结合（如CNN+LSTM）显著提高阻塞性睡眠呼吸暂停的识别能力。
多传感器结合（如加速度计与ECG、PPG）有效诊断复杂呼吸暂停问题。
睡眠姿态识别：
使用PCA融合传感器数据，解决睡眠过程中姿势变化对信号的干扰。
改进递归PCA算法降低测量误差，提高呼吸监测精度。
运动状态下的呼吸监测：
通过分类信号和运动幅度剔除伪影，确保呼吸监测不受干扰。
多传感器融合信号数据（如胸部与腹部的IMU结合），在复杂运动中保持测量精度。
使用参考坐标系减少大幅度运动的伪影影响，提升动态监测可靠性。
多传感器小型化与集成化是未来发展的趋势。
图1 使用加速度计监测呼吸的测量方式
图2 走、跑时的呼吸监测
呼吸测量的方法
数据处理方法：
数据处理分为信号提取、特征提取和结果分析三个阶段。
常用滤波技术（如低通、带通滤波）与高级算法（PCA、ICA）相结合，提升信号降噪能力。
信号融合应用广泛，如加速度计与ECG结合利用卡尔曼滤波器提升测量精度。
呼吸频率提取：
结合时域分析（峰值检测）与频域分析（功率谱分析），提高频率提取的准确性。
引入深度学习方法，从原始信号中直接提取呼吸频率，降低信号处理复杂性。
参考信号与评价方法：
多样化参考信号选择，如呼吸监测带、二氧化碳传感器等，为不同场景提供可靠支持。
评价标准包括误差分析、相关性分析和Bland-Altman图，确保测量数据的科学性和一致性。
惯性传感器数据处理方式
数据降维与融合：
PCA和ICA用于多轴传感器数据降维和融合，提高信号可靠性。
卡尔曼滤波、一阶互补滤波与Madgwick滤波在动态信号处理中表现优异，适合便携设备的小型化需求。
滤波与信号提取：
低通和带通滤波用于基础呼吸信号提取，适用于静态场景。
高级方法如小波变换和经验模态分解（EMD）可用于更复杂的呼吸信号提取。
场景适配：
针对不同应用场景灵活选择信号处理方法，如运动伪影多时使用融合算法，静态监测中注重单一信号处理。
图3 惯性传感器监测呼吸数据处理流程
图4 CESAREO 等提出的时域与频域结合方式提取呼吸频率
3
惯性传感器测量呼吸的不同阶段对比分析研究
静态测量与动态测量的对比分析
静态测量特点：
呼吸波形提取和呼吸暂停识别假设受试者保持单一姿势，姿态变化较小。
常用低通滤波（如2Hz阈值）处理信号，操作简单且有效。
主要采用PCA等降维方法，保留原始信号特征的同时去除冗余信息。
动态测量特点：
包括睡眠姿态识别和走跑时的呼吸监测，需要考虑姿态变化和运动伪影。
滤波器要求更高，带通滤波通过精确设定动态阈值，过滤运动噪声。
使用IMU数据融合（如卡尔曼滤波和Madgwick滤波），提高动态信号处理能力。
信号处理方法的差异
呼吸信号提取：
静态测量中低通滤波效果显著，动态测量则依赖带通滤波及IMU融合。
动态条件下常采用一阶互补滤波和卡尔曼滤波，解决运动干扰。
降维技术应用：
PCA、ICA等降维方法在静态和动态测量中均表现优异。
静态测量注重提取呼吸频率特征，动态测量则进一步融合加速度和角速度数据。
呼吸频率提取：
时域分析（如峰值检测）和频域分析（如功率谱密度）在动态和静态环境中均广泛应用。
深度学习在动态测量中用于信号选择和特征识别，有效降低频率误差。
深度学习的应用场景
静态测量中的应用：
深度学习用于模式识别和分类，例如结合混合层次分类（HHC）算法，监测日常活动中的呼吸参数。
动态测量中的应用：
主要用于选择可靠呼吸信号和提取特征。
深度学习算法分类后的呼吸频率误差低至0.48次/min，显著提升动态监测精度。
图5 动静态信号处理方法对比
4
基于惯性传感器监测呼吸的挑战和未来发展方向
惯性传感器监测呼吸的挑战
运动伪影去除：
三种方案（按活动幅度分类、传感器组合、参考坐标系）仍难彻底消除运动伪影。
运动期间信号监测不足，多传感器结合和优化参考坐标系是可能的解决途径，但需权衡舒适性。
呼吸特征监测：
当前研究主要集中于呼吸频率监测，缺乏对潮气量和呼吸努力的高精度监测。
呼吸波形的实际意义尚未建模，现有方法（加速度信号或角度信号表示）无法准确量化潮气量。
呼吸精确测量的影响因素：
呼吸模式（胸式或腹式呼吸）和传感器最佳放置位置对测量精度影响显著。
不同信号需求（如打鼾、呼吸频率）对应不同的传感器位置。
大量传感器的使用提升测量精度，但存在侵入性问题，需优化位置与数量。
打开网易新闻 查看更多图片图6 惯性传感器测量呼吸的精准测量影响因素
惯性传感器监测呼吸的未来方向
心震图监测：
SCG（心震图）信号结合惯性传感器，实现同时监测呼吸和心脏信息。
低侵入性特点适合仰卧位或坐姿，但需克服运动伪影带来的噪声干扰。
低侵入性呼吸监测：
可穿戴设备（如腕带式传感器）能显著降低侵入性，适用于静态场景，呼吸频率误差低至0.32次/min。
智能手机加速度计可用作便携式呼吸监测设备，监测结果与专业设备高度相关（相关系数达0.96）。
多样化设备设计：
无线测量贴片、可穿戴衣物、智能手表、智能床垫等成为低侵入性监测的研究重点。
使用VR设备进行呼吸信号估计也是未来的发展方向。
图7 无线贴片和柔性可穿戴织物设备
5
结论与展望
使用惯性传感器监测呼吸是一个不断被发掘的新领域，其监测装置也正在朝着高准确性、高可靠性、低侵入性发展。目前用于静态下呼吸监测的惯性传感器已经能够很好地实现呼吸频率监测。国内外研究人员对潮气量和呼吸努力的测量也进行了实验性探索，对于潮气量的计算，目前存在不同的计算方式，但是潮气量的计算误差较大，相关系数小于0.9。
对于动态环境下呼吸监测仍是一个具有挑战性的难题。动态下运动伪影的去除，虽然国内外学者已对此方面开展了很多研究和探索，但是受限于传感器自身条件（加速度计随机游走、零偏等误差，陀螺仪角度随机游走等误差）等问题，运动伪影的去除依旧存在障碍。而且呼吸测量存在着侵入性问题，较多的文献使用绑带式的监测装置，这对于长期监测是十分不利的。此外，呼吸特征参数的提取仍有待研究，目前的研究多集中于呼吸频率的测量，而对于潮气量和呼吸努力的探索较少，但是潮气量、呼吸努力等参数对于呼吸疾病诊断至关重要，比如潮气量反映了呼吸肌收缩的强度、胸和肺的机械特性以及机体的代谢水平。
总体来说，使用惯性传感器实现呼吸信号的监测是一个十分有发展潜力的研究方向，随着传感器技术和相关信号处理算法的发展，具有更高精度和可靠性的惯性传感器正在被开发并应用于呼吸监测中，同样不断发展的现代信号处理技术以及深度学习等算法正逐步应用于惯性传感器监测呼吸的信号处理和数据提取中。呼吸系统的健康状况反映着人体的生命健康，关系着大脑和心脏的器官功能，有效测量人体的呼吸特征对于人体健康监测及疾病诊断至关重要。然而目前的基于惯性传感器的便携式呼吸监测技术及装备远没有达到产业化的水平，使用惯性传感器的可穿戴呼吸监测装备研制还有很长一段路要走。
作者及团队介绍
方续东， 西安交通大学教授/博导，国家级青年人才，陕西省微型机械电子系统研究中心副主任，中国工程院旗舰期刊Engineering机械与运载工程学科秘书，教育部微纳制造与测试技术国际合作联合实验室主任助理。先后获得西安交通大学本科、硕士学位，美国佐治亚理工学院博士学位。《机械工程学报》、《Soft Science》、《Microsystems & NanoEngineering》青年编委。主要从事先进传感技术与微纳制造等方面的研究。主持国家自然科学基金、科技部重点研发计划项目课题、基础加强重点项目课题等国家级/省部级项目及企业/研究所委托项目多项。第一/通讯作者在领域高水平期刊Engineering、Microsystems & Nanoengineering、Nano Energy、机械工程学报等发表SCI/EI论文50余篇，ESI高被引1篇，授权中国发明专利25项、美国发明专利1项，编写团体标准4项，软著4项，获得中国发明协会发明创业人物奖、省级人才计划、陕西省机械工程学会科学技术一等奖等奖励。
6
主创作者团队主要研究方向
研究方向一、碳化硅高温压力传感器关键技术
传感器是信息获取的“源头”，“现代信息技术三大支柱”之一，在基础科学、尖端技术、以及航空航天、石油化工、国防军事等国家重大工程领域，发挥重要作用。敏感芯片是传感器的核心部件，对传感器性能起决定性作用。常规微型压力传感器芯片受限于材料/敏感原理/制造技术等，难以支撑面向航空航天、深空/深地/深海探测、爆炸毁伤等领域的极端环境测试需求（高精度、耐高温）。团队聚焦第三代半导体碳化硅压力传感器芯片、高精度硅微谐振压力传感器芯片及特种芯片微纳制造技术等方面开展了系列化研究。
在传感器欧姆接触耐高温关键技术方面，建立了芯片表面欧姆接触异质界面模型，阐明了欧姆接触形成机理及高温性能演化行为，提出了耐高温欧姆接触金属体系设计方法，解决了敏感芯片高温失效问题。
在传感器芯片加工方面，提出了一种多能场加工协同MEMS工艺的特种微纳传感器芯片制造技术，提升了芯片加工效率和性能稳定性，实现了耐高温、高精度微纳传感器芯片的批量化制造。
研究方向二、高精度谐振式压力传感器研究
针对我国高精度大量程压力监测的需求，开展MPa级硅谐振压力传感器关键技术研究。提出基于静电激励/电容检测的平行反向振动硅基谐振压力传感器结构。建立“梁膜一体化”硅谐振压力敏感元件多物理场耦合的压力-频率转化非线性动力学模型，研究挠曲变形、快速温变、加速度冲击等对敏感元件非线性输出的影响规律。利用多层硅键合方式实现全硅结构的敏感元件制造及低应力封装，实现了硅谐振压力传感器综合精度提升。
研究方向三、柔性电磁屏蔽器件设计与制造技术研究
面向人体健康保护和军事作战等领域对可穿戴电磁屏蔽器件的迫切需求，课题组开展了柔性电磁屏蔽器件设计与制造技术的研发工作，突破非对称梯度结构优化设计、基底-功能材料界面可靠结合等关键技术，研究屏蔽材料理化性质对屏蔽机制的影响规律，获得高性能反射/吸收主导电磁屏蔽器件。
7
团队相关文章推荐
[1] Wu, C., Fang, X.*, Kang, Q., Fang, Z., Wu, J., He, H., ... & Jiang, Z. (2023). Exploring the nonlinear piezoresistive effect of 4H-SiC and developing MEMS pressure sensors for extreme environments. Microsystems & Nanoengineering, 9(1), 41.
[2] Kang, Q., Fang, X.*., Wu, C., Sun, H., Tian, B., Zhao, L., ... & Lv, Y. (2021). Modification mechanism of collaborative ions implanted into 4H-SiC by atomic simulation and experiment. International Journal of Mechanical Sciences, 212, 106832.
[3] Sun, H.,Fang, X.*, Fang, Z., Zhao, L., Tian, B., Verma, P., ... & Jiang, Z. (2022). An ultrasensitive and stretchable strain sensor based on a microcrack structure for motion monitoring. Microsystems & nanoengineering, 8(1), 111.
[4] Wu, C., Fang, X. *, Liu, F., Guo, X., Maeda, R., & Jiang, Z. (2020). High speed and low roughness micromachining of silicon carbide by plasma etching aided femtosecond laser processing. Ceramics International, 46(11), 17896-17902.
[5] Wu, C., Fang, X.*, Fang, Z., Sun, H., Li, S., Zhao, L., ... & Jiang, Z. (2023). Fabrication of 4H-SiC piezoresistive pressure sensor for high temperature using an integrated femtosecond laser-assisted plasma etching method. Ceramics International, 49(18), 29467-29476.
[6] Fang Z, Wu X, Zhao H, Fang, X.*，... & Jiang, Z. Pt thin-film resistance thermo detectors with stable interfaces for potential integration in SiC high-temperature pressure sensors. Microsystems & Nanoengineering, 2024, 10(1): 133.
作 者：方续东
责任编辑：杜蔚杰
责任校对：张 强
审 核：张 强
JME学院简介
JME学院是由《机械工程学报》编辑部2018年创建，以关注、陪伴青年学者成长为宗旨，努力探索学术传播服务新模式。首任院长是中国机械工程学会监事会监事长、《机械工程学报》中英文两刊主编宋天虎。
欢迎各位老师扫码添加小助理-暖暖为好友，由小助理拉入JME学院官方群！
欢迎关注JME学院视频号~
寻觅合作伙伴
有一种合作叫做真诚，有一种发展可以无限，有一种伙伴可以互利共赢，愿我们合作起来流连忘返，发展起来前景可观。关于论文推荐、团队介绍、图书出版、学术直播、招聘信息、会议推广等，请与我们联系。
感谢关注我们！《机械工程学报》编辑部将努力为您打造一个有态度、有深度、有温度的学术媒体！
版权声明：
本文为《机械工程学报》编辑部原创内容，欢迎转载，请联系授权！
在公众号后台留言需要转载的文章题目及要转载的公众号ID以获取授权!
联系人：暖暖
电话：010-88379909
E-mail：jme@cmes.org
网 址：http://www.cjmenet.com.cn
官方微信号：jmewechat