原始论文
摘要
背景:2020年以来,新冠肺炎疫情在很大程度上改变了人们的生活方式。在医疗领域,尽管许多患者更喜欢远程医疗,但这阻止了医生直接检查患者;因此,患者准确地向医生传达病情是很重要的。因此,应实施远程医疗,并需要适应性强的家用医疗设备。然而,只有少数高度精确的家用医疗设备可用于自动检测喘息作为恶化迹象。
摘要目的:我们开发了一种新的便携式家用医疗设备,具有自动喘息识别算法,可用于儿科诊室或家庭等嘈杂环境的临床使用。此外,考试时间只有30秒,因为年幼的孩子无法忍受长时间的考试而不哭泣或移动。本研究的目的是验证所开发的自动喘息识别算法作为临床医疗设备在不同机构的儿童。
方法:本研究共纳入10家机构儿科诊室的374名4-107月龄儿童。所有年龄≥6岁的参与者都被诊断为支气管哮喘,≤5岁的患者报告至少有3次喘息发作。使用听诊器听诊检测喘息,并使用基于计算机呼吸声分析指南的喘息特征开发的喘息识别算法设备(HWZ-1000T)记录30秒,其中喘息的主要频率和持续时间分别>100 Hz和>100 ms。记录肺音的文件由每位专科医生进行评估,并分为两组:177份被指定为“喘息”文件,197份被指定为“无喘息”文件。将记录肺部声音的专科医生和使用喘息识别算法记录的专家之间的喘息识别进行比较。我们计算了所有录音文件的敏感性、特异性、阳性预测值和阴性预测值,并评估了年龄和性别对喘息检测灵敏度的影响。
结果:喘息的检测不受年龄和性别的影响。在所有文件中,使用喘息识别算法将喘息与噪声区分开来。该算法的灵敏度为96.6%,特异度为98.5%,阳性预测值为98.3%,阴性预测值为97.0%。自动检测到喘息声,通过喘息识别算法将心跳声、说话声、哭声自动识别为无喘息声。
结论:实验结果表明,该算法具有较高的喘息识别精度;因此,它可能在家庭哮喘管理的实际实施中有用。只有少数家用医疗设备可用于自动喘息检测。实验结果表明,该识别算法具有较高的识别准确率,可用于家庭和远程医疗的喘息管理。
doi: 10.2196/28865
关键字
介绍
自2020年以来,由于新冠肺炎大流行,全世界人民的生活方式发生了很大变化。在医疗领域,许多患者害怕在诊所感染病毒,更喜欢远程医疗。在远程医疗中,医生不能直接对患者进行检查,因此患者向医生准确地传达自己的病情是很重要的。因此,应该实施远程医疗,为此需要适应性强的家用医疗设备。
喘息是各年龄组各种呼吸系统疾病中最重要的加重症状[
- ]。支气管哮喘是一种需要家庭管理的典型疾病,医生通过听诊发现喘息是急性加重。因此,对于哮喘的家庭管理,护理人员应注意夜间幼儿和青少年在玩耍运动时的喘息。此外,医生大多依赖家庭成员和护理人员关于症状的报告,他们对喘息可能有不同的判断标准[ - ]。因此,一种高精度客观的方法来检测喘息将有利于医生和患者家属或护理人员。据我们所知,到目前为止,还没有合适的家用设备用于检测喘息作为轻度加重的迹象。计算机化肺音分析,特别是计算机化肺音检测,是一种更加客观和规范的方法,可以克服主观听诊的局限性[
, ]。在医疗领域,技术创新产生了远程医疗和家庭治疗;然而,这些技术的实际应用是有限的。对于呼吸系统疾病,肺音代表简单的物理数据,其本身没有价值,只有在医生以相同的判断标准进行评估时才具有临床意义[ - ]。对于远程医疗,我们开发了一种新的便携式家用医疗设备,具有自动喘息识别算法,可用于儿科诊室或家庭等嘈杂环境的临床使用。此外,考试时间只有30秒,因为小孩子无法忍受长时间的考试而不哭泣或移动[
]。在这项研究中,我们旨在验证基于喘息声音特征的自动喘息识别算法,并将这种新的小型便携设备用于不同机构的幼儿(包括婴儿)的临床应用。方法
参与者
10家拥有儿科呼吸和过敏专家的机构注册参加了这项研究。所有参与者都是2019年9月24日至2019年11月22日期间在日本(山形、神奈川、广岛、山口、福冈和歌山)的入门诊所和医院就诊的门诊儿童。所有的参与者都被带到医院治疗复发性喘息,咳嗽和呼吸困难。获得所有参与者或其法定监护人的书面知情同意。本研究方案经南和歌山医学中心伦理委员会批准[批准号2016-22(5)]。所有年龄≥6岁的受试者均被诊断为支气管哮喘,其哮喘严重程度根据《2017年日本儿童哮喘治疗和管理指南》分类为轻度哮喘[
]。根据指南,儿童接受白三烯受体拮抗剂和/或吸入皮质类固醇治疗[ ]。年龄≤5岁的参与者报告了至少3次喘息发作,并接受了白三烯受体拮抗剂治疗或未使用药物进行长期治疗。研究过程
一名专科医生使用听诊器对所有参与者进行检查,并同时在儿科诊室记录潮汐呼吸期间的肺音至少30秒。在胸壁锁骨中线第二肋间隙的右上胸前区进行记录。然后由记录肺音的同一名专科医生聆听记录的肺音(有或没有喘息声),然后根据先前的方法确认并分类[
]。共有177个录音被指定为“喘息”文件,197个录音被指定为“非喘息”文件。此外,每一位记录肺音的专科医生都从肺音样本中区分了喘息声,包括吸气和呼气肺音、鼻塞、哭泣和声音。
录音与分析
hwz t - 1000设备
使用带有自动喘息识别算法的小型便携设备记录肺音(HWZ-1000T, Omron Healthcare Corporation, Kyoto, Japan) (
一个)。传感器单元中安装了两个麦克风,一个用于记录肺部声音,另一个用于记录环境声音。记录肺部声音的麦克风通过皮肤接触来判断喘息。使用内部中央处理单元实现的喘息识别算法对录制的肺音进行处理,自动判断是否存在喘息,然后在30秒后将喘息判断结果显示在设备上。为了分析记录的肺音,并将医生记录的肺音与自动识别算法的判断结果进行比较,我们在hwz - 1000t设备上附加了一个micro-SD存储卡来确认记录的肺音。算法的概要描述如下。
肺音分析的喘息特征
根据电脑呼吸声音分析指引,喘息的主要频率和持续时间分别设定为>100赫兹和>100毫秒[
]。此外,先前的一份报告描述了典型的喘息频率范围在100至5000hz之间[ ]。喘息的最大持续时间在呼气持续时间之内。在此基础上,提出了一种喘息检测算法。(右面板)显示了一个典型的喘息频谱图,在水平和垂直轴上分别显示了时间(秒)和频率(赫兹)。声强(dB)表示为颜色和亮度。在肺音分析的基础上,建立了连续喘息谱。在左边的面板上,水平轴表示强度(dB),垂直轴表示频率(Hz)。喘息声以横条表示,其强度与功率谱显示的峰值相对应[ , - ]。呼哧声被分为两类。在左图中,一个喘息只显示了一个单音喘息的强度峰值,而在右图中,一个喘息显示了多个复音喘息的强度峰值。当只听到一个音调时,喘息被认为是单音,而当同时感知到多个频率时,喘息被认为是复音。复音喘息比单音喘息表明支气管收缩更严重[ , , ]。
喘息识别算法
在对喘息特征定义的基础上,构建了从声音采集到自动检测喘息生成结果的喘息识别算法流程图。有关喘息识别算法的详情载于我们上一份报告[
) ( b).我们用以下由五个阶段组成的总体方法描述喘息识别算法。在第1步中,使用高低带通滤波器对声音数据进行预处理。以11.025 kHz的采样率和16位的量化率对数据进行重采样。
在步骤2中,使用了最著名的声学分析方法快速傅里叶变换(FFT)。FFT分析声音数据的每个频率的强度。使用4096个点(372 ms)的汉明窗对声音数据进行预处理,每增加128个点(18 ms)重复处理一次[
- ]。由于每次肺声谱都有许多局部最大值点,在步骤3中,提取一些高于阈值的局部最大值点作为喘息声的候选点。黑色圈点表示提取的局部最大值点。橙色虚线表示用于确定局部最大值点的阈值。阈值是根据90至5000赫兹之间的总声压级确定的。
在步骤4中,根据对喘息特征的定义,确定步骤3中选取的局部最大值点是否持续>100 ms [
]。在步骤4中选择的连续的局部最大值仍然包括喘息声和其他噪音,包括人声、环境声、哭声和心跳声。在步骤5中,使用特征值确定阈值以消除噪声。为了最终确定喘息的存在,同时使用肺部和环境声音,计算在步骤4中选择的喘息候选者的特征值。最后,如果在文件中听到至少一个喘息声,则将其识别为喘息声文件,而如果在文件中没有听到喘息声,则将其识别为无喘息声文件。
为了验证,我们比较了使用该算法对喘息声音识别的判断,以评估每位记录肺音的专科医生所区分的所有文件。
统计分析
结果可分为以下四类:被正确预测为阳性的实际阳性(真阳性,TP);被错误预测为阴性的实际阳性(假阴性,FN);被正确预测为阴性的实际阴性(真阴性,TN);以及被错误预测为阳性的实际阴性(假阳性,FP)。我们利用所有数据文件的噪声识别算法结果,分析了灵敏度(TP/TP+FN)、特异性(TN/TN+FP)、阳性预测值(PPV= TP/TP+FP)和阴性预测值(NPV= TN/TN+FN) [
, ]。PPV定义为被专家识别为“wheeze”文件的文件也被算法识别为“wheeze”文件的概率。NPV是被专家识别为“无喘息”文件的文件也被算法识别为“无喘息”文件的概率。采用R软件3.4.1版本进行统计分析。患者特征以平均值和范围表示。喘息声特征以平均(SD)和范围表示。通过算法识别的每个声音的噪声比表示为所有噪声的百分比。采用Jonckheere-Terpstra测试分析年龄与喘息识别敏感性的关系[
, ]。一个P值<。05was considered statistically significant.结果
参与者的特征
显示参与者的特征。
特征 | 价值 | ||
年龄(月),平均(SD) | 44.3 (31.6) | ||
年龄组别(月),n (%) | |||
4 - | 54 (14.4) | ||
12-23 | 70 (18.7) | ||
巢族 | 52 (13.9) | ||
36-47 | 38 (10.2) | ||
48-59 | 48 (12.8) | ||
60 - 71 | 19日(5.1) | ||
72 - 83 | 18 (4.8) | ||
84 - 95 | 45 (12.0) | ||
96 - 107 | 30 (8.0) | ||
性别,n (%) | |||
男性 | 241 (64.4) | ||
女 | 133 (35.6) | ||
高度(cm),平均值(SD),范围 | 96.2 (28.5), 56.0-133.0 | ||
重量(kg),平均值(SD),范围 | 15.6 (6.8), 4.5-34.0 |
记录声音的分类和喘息特征
显示所有肺音样本中记录声音的分类和喘息声特征。如果呼哧声基本上只包含一个频率,则被归类为单音呼哧声,而如果包含多个频率,则被归类为复音呼哧声[ ]。
声音分类 | 价值 | |
喘息声的特征,平均(SD),范围 | ||
频率(赫兹) | 321 (178), 100-1600 | |
强度(dB) | 21.2 (7.0), 5.0-45.0 | |
持续时间(女士) | 331 (220), 100-2538 | |
喘息音类型,n (%) | ||
单声道的喘息 | 457 (38.1) | |
复调喘息 | 744 (61.9) | |
总计 | 1201 | |
噪声,n (%) | ||
鼻塞 | 108 (19.4) | |
医生的声音 | 155 (27.8) | |
周围的哭声或声音 | 294 (52.8) | |
总计 | 557 |
喘息声音的局部最大值点数
显示喘息声音的局部最大值点的数量,在所有记录的声音中总共为1201。其中457例(38.1%)有一个局部最大值点。此外,352个(29.3%)喘息有两个局部最大值点。总体而言,<3个局部最大值点占所有喘息声音的67.4%。
局部最大值点的个数 | 喘息声,n (%) |
1 | 457 (38.1) |
2 | 352 (29.3) |
3. | 187 (15.6) |
4 | 104 (8.7) |
5 | 58 (4.8) |
6 | 18 (1.5) |
7 | 16 (1.3) |
8 | 3 (0.2) |
9 | 5 (0.4) |
10 | 1 (0.1) |
喘息识别的准确性
显示使用啸叫检测算法的啸叫识别结果。所有数据文件对喘息识别的敏感性、特异性、PPV和NPV分别为96.6%(171/177)、98.5%(194/197)、98.3%(171/174)和97.0%(194/200)。
算法识别 | 专家听诊器诊断 | |
喘息声 | No-wheeze声音 | |
喘息声 | TP一个= 171 | 《外交政策》b= 3 |
No-wheeze声音 | FNc= 6 | TNd= 194 |
一个TP:真正的积极。
bFP:假阳性。
cFN:假阴性。
dTN:真正的否定。
年龄和性别对喘息检测灵敏度的影响
喘息检测的灵敏度和特异性见
.喘息检测的敏感性和特异性不受年龄和性别的影响。集团 | 喘息的数据 | No-wheeze数据 | |||||
N | TP一个 | 灵敏度(%)(95% CI) | N | TNb | 特异性(%)(95% CI) | ||
年龄(个月) | |||||||
0 | 24 | 23 | 95.8 (78.9 - -99.9) | 30. | 28 | 93.3 (77.9 - -99.2) | |
1 | 45 | 43 | 95.6 (84.9 - -99.5) | 25 | 25 | 100 (86.3 -100) | |
2 | 27 | 26 | 96.3 (81.0 - -99.9) | 25 | 25 | 100 (86.3 -100) | |
3 - 8 | 81 | 79 | 97.5 (91.4 - -99.7) | 117 | 116 | 99.1 (95.3 -100) | |
性 | |||||||
男性 | 110 | 106 | 96.4 (89.3 - -97.6) | 131 | 130 | 99.2 (92.2 - -98.6) | |
女 | 67 | 65 | 97.0 (90.3 - -99.3) | 66 | 64 | 97.0 (88.6 - -98.3) | |
总计 | 177 | 171 | 96.6 (92.8 - -98.7) | 197 | 194 | 98.5 (95.6 - -99.7) |
一个TP:真正的积极。
bTN:真正的否定。
使用喘息检测算法自动区分喘息与其他声音
A为吸气前有喘息的喘息识别结果。通过自动识别算法准确检测出Wheezes(白色方块)。 B为吸入后无喘息结果,包括哭声和声音(箭头)。其他噪声能有效地与喘息声区分开来;喘息声被自动检测到,而心跳声、说话声和哭声被喘息识别算法自动识别为非喘息声。
讨论
使用新开发的带有喘息识别算法的小型手持设备,成功检测到包括婴儿在内的儿童的喘息。该算法可以在不同的声音环境中准确地区分喘息声和其他噪声。此外,基于喘息特征,自动喘息识别算法可以检测到在儿科诊室记录30秒的哭泣婴儿即使是轻微的喘息。因此,我们成功地开发了一种具有更高鲁棒性的实时喘息检测系统,用于临床应用。
对各种临床条件进行了自动喘鸣检测的研究[
, ]。这些检测系统是在过去三十年中发展起来的。1995年,Gavriely [ ]公布了一种用于自动数字数据采集和呼吸声处理的技术方法的细节。这种商用设备PulmoTrack实现了自动和连续的喘息监测。Boner等[ []报告说,在治疗哮喘儿童时监测睡眠时的喘息是有用的,并且记录期间喘息的持续时间与呼气流速峰值变化相关。因此,自动喘息检测可能是有用的管理与喘息的儿童,特别是婴儿。一项荟萃分析发现,在少数研究中,计算机化肺音分析具有相对较高的敏感性和特异性[ , ]。虽然喘息检测系统已经成功实施,但由于在使用自动喘息检测系统时可能遇到的几个问题,它们尚未在儿童(包括婴儿)中临床使用[ - ]。一个重要的因素是孩子们不同的喘息强度。喘息是叠加在呼吸音上的连续的不确定的肺音。根据现行计算机呼吸声音分析指南的新定义,喘息的主要频率通常>100赫兹,持续时间>100毫秒[
]。检测喘息最常见的特征是在时频平面上使用不同的喘息峰值形状,如振幅谱、连续性、扩张性、稀疏性和峰度。分析了光谱中连续的局部最大强度点,这被认为是肺分析中与喘息相关的最常见特征。使用FFT时,喘息谱和谱图有许多局部极大值点。其他技术如PulmoTrack提供呼吸频率、吸气/呼气时间比、记录期间的喘息率和喘息持续时间。PulmoTrack检测到>3个局部最大值点。然而,在本研究和我们之前的研究中,<3个局部最大值点占所有喘息音的67.4%,我们的喘息识别算法可以检测到>1个局部最大值点。此外,我们的算法还可以检测轻微的喘息[ ]。Prodhan等[
在儿科重症监护室使用PulmoTrack,并报告说,与医院工作人员相比,它的喘息检测更准确。据报道,护士对喘息的判断与医生和护理人员的判断相差近60% [ ]。每个医生对喘息的判断也可能不同,这可能是由于喘息声音的多样性和少数微弱的局部最大值点的许多局部最大值点。在本验证性研究中,虽然10位专家对喘息进行了独立评估,但我们成功地获得了高度准确的喘息判断结果。换句话说,我们开发的喘息识别算法可以准确地检测出微弱和轻微的喘息,这可能会被专家判断不同。因此,我们的算法比其他喘息检测技术表现出更高的灵敏度。另一个需要克服的问题是,准确检测喘息需要较短的检查时间,临床应在幼儿中使用简单的程序。对于包括婴儿在内的幼儿来说,在没有哭闹、移动或被附带的粘垫或带分散注意力的情况下记录肺音是困难的。因此,我们选择了一种可以在30秒内记录的方法,即用手将麦克风贴在胸壁上。在之前对214名儿童(包括30名婴儿)的研究中,使用我们的算法检测喘息的灵敏度不受年龄的影响[
]。此外,这项包括374名儿童(包括54名婴儿)的研究表明,使用我们的算法检测喘息的灵敏度不受年龄或性别的影响。此外,这款小巧便携的设备对于儿童和他们的看护人来说非常有用。应该开发一种用于幼儿临床的高精度降噪技术。在嘈杂的诊所记录肺部声音比在安静的房间记录需要更严格的后处理,以补偿声信号中存在的噪音。因此,分类算法的效率可能会有所不同。这些不一致会导致解释和翻译研究结果的困难,并阻碍了计算机化肺音分析设备的临床应用,特别是在儿童中[
]。为了提高自动检测喘息算法的准确性,人们开发了各种方法来消除人声和各种环境声音的影响,但尚未投入实际应用[ - ]。神经网络、矢量量化、高斯混合模型分类系统和支持向量机等算法已被用于分析光谱特征。支持向量机是一种用于分类和回归的监督机器学习算法[
, ]。喘息的存在可以使用决策树和其他噪声的分类器来识别。决策树是一种根据声音特征的详细差异对声音进行分类的方法。心跳声音通常持续时间小于100毫秒。声音和其他声音在环境麦克风上产生的噪音比在肺音麦克风上产生的喘息声高。哭声在肺声麦克风上比在环境麦克风上更大,但与喘息声相比表现出不同的连续模式范围。因此,使用喘息检测算法可以自动区分非喘息音和喘息音。根据不同的喘息声特征,将喘息声与环境噪声区分开来。因此,在嘈杂的儿科咨询室中,无喘息声可以自动与其他噪音区分开来。这项研究有一些局限性。首先,该算法在国内的使用应该得到验证。二是严重气道阻塞时,未表现出任何听得见的肺音(称为“寂胸”);然而,病情严重的患者会出现脸色苍白或呼吸困难。因此,护理人员可以很容易地识别出这些恶化迹象。
喘息经常发生在没有医生的情况下,如夜间、在家或运动时,甚至可能在没有父母的情况下。我们的新型家庭医疗设备配备了高度精确的算法,不受环境噪音的影响,可以轻松检测喘息,并且可以在没有医生的情况下在家中正确检测哮喘发作,这将进一步有助于远程医疗护理。
我们成功开发了一种具有更高鲁棒性的实时喘息检测系统,用于儿童和婴儿肺声分析的临床应用。在嘈杂的儿科诊室中,我们使用喘息检测算法成功地将喘息与其他噪音(如心跳、声音和哭泣)区分开来。这种实际的实施可以为医生和儿童和婴儿的父母提供有益的信息。在未来,我们计划验证该设备的使用是否可以扩展到年龄较大的儿童和成人。我们希望使用配备这种算法的新型家庭医疗设备,这有助于提高哮喘和呼吸系统疾病儿童的安全性。
致谢
作者对同意参与本研究的儿童和家长表示衷心的感谢。本研究得到欧姆龙医疗保健有限公司的支持。
利益冲突
NO, KA, TS是欧姆龙医疗保健有限公司的员工。CH和KM得到了欧姆龙医疗保健公司的财政支持。其他作者没有需要声明的冲突。
参考文献
- 李建军,李建军,李建军。中华呼吸杂志1995;8(11):1942-1948 [J]免费全文] [CrossRef] [Medline]
- 墨菲·r,为听诊器辩护。中华呼吸病学杂志;2009;33 (3):355-369 [j]免费全文] [Medline]
- 肺音的功能基础。胸1978年3月;73(3):399-405。[CrossRef] [Medline]
- Cane RS, Ranganathan SC, McKenzie SA。喘息孩子的父母对“喘息”有什么理解?中华儿科杂志;2000;32 (4):327-332 [j]免费全文] [CrossRef] [Medline]
- Brand P, Baraldi E, Bisgaard H, Boner A, Castro-Rodriguez J, Custovic A,等。学龄前儿童喘息障碍的定义、评估和治疗:循证方法。中华呼吸杂志,2008;32(4):1096-1110 [J]免费全文] [CrossRef] [Medline]
- 李建军,李建军,李建军,等。临床婴儿肺功能检查方法调查。儿科肺科杂志2014年2月;49(2):126-131。[CrossRef] [Medline]
- Beck R, Elias N, Shoval S, Tov N, Talmon G, Godfrey S,等。雾化肾上腺素和沙丁胺醇治疗呼吸道合胞病毒细支气管炎疗效的计算机声学评价。中华儿科杂志2007年6月2日;7:22 [j]免费全文] [CrossRef] [Medline]
- 可穿戴技术:在呼吸系统健康和疾病中的作用。Breathe (Sheff) 2017 Jun;13(2):e27-e36 [j]免费全文] [CrossRef] [Medline]
- 张军,瑟伟,于军,张涛。一种新的可穿戴式监测系统喘振检测方法。2009年5月15日发表于:智能普适计算与教育国际研讨会;2009;成都,331-334页。[CrossRef]
- Taplidou S, Hadjileontiadis L, Kitsas I, Panoulas K, Penzel T, Gross V,等。连续小波变换在噪声分析中的应用。中国生物医学工程学报(英文版);2004;33(4):888 - 888。[CrossRef] [Medline]
- Habukawa C, Ohgami N, Matsumoto N, Hashino K, Asai K, Sato T,等。一种适合儿童实际应用的喘息识别算法。PLoS One 2020;15(10):e0240048 [j]免费全文] [CrossRef] [Medline]
- Arakawa H, Hamasaki Y, Kohno Y, Ebisawa M, Kondo N, Nishima S,日本儿科变态反应临床免疫学学会,日本变态反应学会。日本儿童哮喘指南2017。过敏性疾病杂志,2017;66(2):190-204 [j]免费全文] [CrossRef] [Medline]
- 张建军,张建军,张建军,等。呼吸声分析方法的研究进展。中华呼吸杂志2000;10:58 . 85 [j]免费全文]
- Elphick H, Ritson S, Rodgers H, Everard M.当“喘息”不是喘息时:婴儿呼吸音的声学分析。中国生物医学工程学报(英文版);2000;16(4):593-597 [J]免费全文] [CrossRef] [Medline]
- 李建军,李建军。基于时间谱优势特征的非定音识别方法研究。生物医学工程学报,2011,31(11):388 - 388。[CrossRef]
- 喘息与哮喘梗阻严重程度的关系。高级实习医师1983年5月1日;143(5):890-892。[CrossRef]
- 鲍曼R,劳敦R.急性哮喘喘息定量分析。1984年11月;86(5):718-722。[CrossRef] [Medline]
- 李建军,李建军,李建军,等。基于时频分析的呼吸声喘息检测方法。中国生物医学工程学报,2007;37(8):1073-1083。[CrossRef] [Medline]
- Yoshimasu T, Kawago M, Hirai Y, Ohashi T, Tanaka Y, Oura S,等。肺癌患者计算机断层图像肺结节的快速傅里叶变换分析。中华心血管外科杂志;2015;21(1):1-7 [j]免费全文] [CrossRef] [Medline]
- 张建军,张建军,张建军,等。儿童夜间哮喘的临床研究进展。中华呼吸杂志2003;21(4):621-626 [J]免费全文] [CrossRef] [Medline]
- Chicco D, Jurman G.马修斯相关系数(MCC)相对于F1分数和准确率在二分类评价中的优势。生物医学工程学报(英文版);21(1):6 [j]免费全文] [CrossRef] [Medline]
- 记住敏感性、特异性和预测值的含义。[J]中国农业大学学报(自然科学版);2009;31(1):393。[Medline]
- Wisniewski J, Agrawal R, Minnicozzi S, Xin W, Patrie J, Heymann P,等。特应性皮炎儿童对食物和吸入性过敏原的敏感性与年龄和喘息的关系。中国临床变态反应杂志;2013;43(10):1160-1170 [j]免费全文] [CrossRef] [Medline]
- 桥祖明,Konno S, Takeshita K, Fukui M, Takahashi K,千叶K,等。日本骨科协会背痛评估问卷(JOABPEQ)作为腰痛患者的结果测量:对健康志愿者的参考价值中华骨科杂志;2015;20(2):264-280 [J]免费全文] [CrossRef] [Medline]
- gofrey S, Uwyyed K, Springer C, Avital A.临床喘息作为学龄前儿童支气管疾病的终点可靠吗?儿科肺科杂志2004;37(3):193-200。[CrossRef] [Medline]
- 李建军,李建军,李建军,等。基于振动响应装置的肺音动态可视化研究。呼吸2008;75(1):60 - 72。[CrossRef] [Medline]
- andrires E, Reichert S, Gass R, Brandt C.一个法国国家级听诊学校的创建研究项目:ASAP项目。中华医学杂志;2009;20(3):323-327。[CrossRef] [Medline]
- 张建军,张建军,张建军,等。哮喘患者喘鸣自动检测系统的研究进展。基础医学杂志,2012;12(4):249-255。[CrossRef] [Medline]
- 张建军,张建军。支持向量网络。Mach Learn 1995 Sep;20(3):273-297。[CrossRef]
- Gurung A, Scrafford C, Tielsch J, Levine O, Checkley W.计算机肺音分析对异常肺音检测的诊断辅助:系统回顾和meta分析。中华呼吸医学杂志;2011;35 (4):391 - 391 [j]免费全文] [CrossRef] [Medline]
- Prodhan P, Dela Rosa RS, Shubina M, Haver K, Matthews B, Buck S,等。儿科重症监护病房的喘息检测:医生、护士、呼吸治疗师和计算机呼吸声监测仪的比较。中华呼吸病杂志;2008;33 (10):1304-1309 [j]免费全文] [Medline]
- 李松,林斌,蔡超,杨超,林斌。可穿戴式呼吸声实时检测系统设计。传感器(巴塞尔)2017 1月17日;17(1):171 [免费全文] [CrossRef] [Medline]
- 安德瑞斯,葛斯,夏洛,布兰特,等。循证医学时代呼吸声分析与医学世界2.0。中华医学杂志,2018;11(2):89-106 [J]免费全文] [Medline]
- 李建军,李建军,李建军,等。呼吸系统对新生儿呼吸系统的影响。物理学报,2016;37(12):2170-2180。[CrossRef] [Medline]
缩写
FFT:快速傅里叶变换 |
FN:假阴性 |
外交政策:假阳性 |
净现值:负预测值 |
PPV:阳性预测值 |
TN:真正的负 |
TP:真阳性 |
编辑:S Badawy, MD, MS, G Eysenbach;提交17.03.21;Y Nagasaka的同行评审;对作者09.04.21的评论;修订版本收到16.04.21;接受16.04.21;发表17.06.21
版权©滨川千津、大上直人、新井高彦、诚田春之、富川森光、藤野德彦、Manabe哲春、小原义仁、大谷清隆、白尾贤一郎、杉井和子、浅井庆、佐藤哲也、村上胜美。原发表于JMIR儿科与育儿(https://pediatrics.www.mybigtv.com), 2021年6月17日。
这是一篇在知识共享署名许可(https://creativecommons.org/licenses/by/4.0/)下发布的开放获取文章,该许可允许在任何媒体上不受限制地使用、分发和复制,前提是原始作品首次发表在JMIR儿科和育儿杂志上,并适当引用。必须包括完整的书目信息,到https://pediatrics.www.mybigtv.com上原始出版物的链接,以及版权和许可信息。