这是一种可穿戴式软听诊器，无需面对医生就可实时监测到心肺数据
文章来源：医疗器械创新网发布日期：2022-06-06浏览次数：62 与传统方法相比，数字听诊器可以提供更好的结果来记录和可视化现代听诊。目前的听诊器体积庞大，不符合要求，不适合远程使用，而运动伪影可能导致诊断不准确。在近发表在《科学进步》上的一份新报告中，李成勋（Sung Hoon Lee）和美国佐治亚理工学院（Georgia Institute of Technology）和韩国中南国立大学医院（Chungnam National University Hospital）的工程、纳米技术和医学研究团队描述了一类提供实时、无线、连续听诊的方法。这些设备是软穿戴系统的一部分，用于对各种疾病进行定量诊断。Lee等人使用该软设备，以小的噪声检测连续的心肺音，以实时描述信号异常。该团队对多名患者和对照受试者进行了一项临床研究，以了解可穿戴听诊方法的独特优势，该方法具有集成的机器学习功能，可自动诊断四种肺部疾病，从爆震到喘息、stridor和rhonchi，准确率达95%。该软件系统适用于睡眠研究，以检测呼吸紊乱和睡眠呼吸暂停。医学领域的听诊慢性阻塞性肺疾病（COPD）和心血管疾病（CVD）是全球死亡率的主要因素。这两种病理形成了心肺疾病的总称，导致呼吸时的功能障碍和血流受限。虽然由于无法获得医疗保健，大约80%的慢性阻塞性肺病死亡率发生在中低收入国家，但准确的听诊有助于早期诊断疾病并评估治疗效果。同样，心音也有助于诊断和识别血管性心脏病。听诊是医学中基本和重要的诊断方法，因为它具有无创性、快速、信息丰富和廉价的用途。由于大多数听诊器无法记录检测到的声音，因此通过传统听诊器，这一过程可能会受到限制，因此很难分享记录异常的结果。因此，一些严重的呼吸和心脏疾病可能会被误诊或诊断不足。帮助实时听诊的数字听诊器可以将声音转换为电信号，通过声学听诊器放大听不见的声音。在这项工作中，Lee等人介绍了一种软穿戴听诊器系统，用于通过一类基于先进电子技术、柔性力学和心血管疾病软包装以及呼吸监测的方法进行动态心肌病听诊。软佩戴听诊器（SWS）的装置设计该团队在日常活动中准确收集心肺数据，以诊断肺部异常。然后，他们改进了小波去噪声音采集的信噪比，以小化电路，并使设备更加紧凑，以训练机器学习模型来准确识别stridor、rhonchi、喘息和噼啪声。Lee等人还开发了一种用户友好的移动设备应用程序来记录心音和肺音，并远程安全地上传信息。他们为远程患者心肺听诊构建了小型化、柔软的可穿戴系统，配备了非常小且具有机械灵活性的设备，用于灵活的皮肤整合，以及自我辅助听诊，以便于远程连续监测，而无需患者与医生之间的物理交互。弹性外壳保持内部硅胶以协助皮肤接触，并包括薄的导电水凝胶耦合层以听诊心脏和呼吸活动。该装置包括多层软材料和电子元件，包括麦克风传感器、可充电电池和带有蓝牙低能量单元的薄膜电路，用于无线数据传输。该系统维护了一个用于录音的微电子机械系统麦克风，允许团队通过无线芯片简化的模数转换器将从麦克风收集的声音转换为数字信号，以进行数据处理。全便携式听诊器为远程监测数字健康提供了独特的机会。传统听诊器与数字听诊器的比较该团队试图保持可穿戴麦克风系统与皮肤的适当接触。与商用听诊器相比，薄而灵活的数字听诊器形成了一致的接触，可实现高质量的录音。Lee等人进行了一些实验，比较传统听诊器和数字听诊器的录音性能。在这些实验中，健康受试者行走或站立时，设备安装在胸部，每五分钟记录一次声音。该设备进一步证明了长期使用的防水能力和透气性。在日常生活中检测心音并引入用于自动疾病诊断的去噪算法由于日常活动有不同的噪声源，并且可能对使用传统听诊器记录声音产生负面影响，临床医生在患者处于静息状态时进行听诊。Lee等人通过探索一系列场景，展示了数字听诊器调节与皮肤接触质量相关的运动伪影的性能，在这些场景中，受试者模拟各种真实情况，以显示测量声音质量的影响。虽然这种软设备可以进行有效的录音，但传统的听诊器类设备会导致低质量的心音和肺音记录。研究小组对一级截止频率进行了额外滤波，以消除不必要的高频噪声。研究人员研究了心脏、肺部声音信号的小波变换和噪声过滤，以捕获身体和周围环境的声音。他们通过阈值算法来抑制数字信号中的噪声来实现这一点。这项工作通过检测各种疾病引起的肺部声音和异常，显示了软穿戴系统的优越性能。这种新型听诊器在连续实时记录高质量声音以及通过基于卷积神经网络（CNN）的机器学习获取定量数据以实现疾病自动分类方面具有重要优势。该团队将智能手机应用程序与机器学习结合起来，实时对疾病表型进行分类。展望通过这种方式，Sung Hoon Lee和同事开发了一种灵活的软材料降噪机制和相关算法，以充分利用可穿戴听诊器实现便携式、连续、实时听诊方法。研究小组对参与各种日常活动的多人进行了心肺监测。软穿戴系统具有生物相容性和皮肤友好性，具有集成的深度学习功能，适用于成功的临床研究和远程疾病分析，适用于下一代个性化生物特征安全系统。 
