Pulmonary function assessment techniques for chronic obstructive pulmonary disease based on acoustic and vibration signals: applications and research progress
-
摘要:
慢性阻塞性肺疾病（COPD）的肺功能评估日益依赖无创、可及性强的辅助技术。多通道呼吸音分析（MRSA）、肺部超声（慢性阻塞性肺疾病（COPD）的肺功能评估日益依赖无创、可及性强的辅助技术。多通道呼吸音分析（MRSA）、肺部超声（LUS）和脉冲振荡技术（IOS）作为三类具有潜力的工具，分别从呼吸音时空特征、肺结构影像学特征和气道力学参数3个维度提供肺功能评估信息。MRSA利用多通道传感器抑制噪声，定位局部通气异常；LUS通过超声实时成像识别肺泡通气状态与间质水肿；IOS基于呼吸阻抗量化气道阻力及肺弹性。临床研究表明，这三类技术在COPD严重程度分级、急性加重预警、病因鉴别及治疗监测中均显示出良好的应用价值。然而，各类技术仍存在标准化不足、设备普及率低、对操作者依赖性较大等挑战。引入人工智能辅助诊断、建立多中心标准化数据库、推动多模态技术融合是未来提升其实用性与可靠性的关键方向。本文围绕上述三类技术的基本原理、临床应用及局限性进行综述，旨在为优化COPD的无创评估体系提供参考。
Abstract:The assessment of pulmonary function in chronic obstructive pulmonary disease (COPD) increasingly relies on non-invasive and highly accessible auxiliary technologies. Multi-channel respiratory sound analysis (MRSA), lung ultrasound (LUS), and impulse oscillometry (IOS) are the 3 promising tools that provide evaluative information from 3 dimensions: spatiotemporal characteristics of respiratory sounds, imaging of lung structure, and airway mechanical parameters, respectively. MRSA uses multi-channel sensors to suppress noise and locate regional ventilation abnormalities; LUS identifies alveolar ventilation status and interstitial edema through real-time ultrasound imaging; and IOS quantifies airway resistance and lung elasticity based on respiratory impedance. Clinical studies have demonstrated considerable clinical value for these 3 technologies in COPD severity grading, early warning of acute exacerbations, etiological differentiation, and treatment monitoring. However, these technologies still face challenges such as insufficient standardization, low device penetration, and significant operator dependence. Introducing artificial intelligence-assisted diagnosis, establishing multi-center standardized databases, and promoting multi-modal technology integration are key directions to improve their practicality and reliability in the future. This review summarizes the principles, clinical applications, and limitations of the aforementioned 3 technologies, aiming to provide a clinical reference for optimizing the non-invasive assessment system for COPD.
-
慢性阻塞性肺疾病（chronic obstructive pulmonary disease，COPD）是一种以气流受限为特征的常见呼吸系统疾病，多由慢性支气管炎和肺气肿发展而来，可进一步引发肺心病和呼吸衰竭，因此早期诊断、病情监测和急性加重预警一直是其临床管理的重点[1]。传统肺功能检查虽为肺功能评估的金标准，但其操作依赖于患者的配合，且不宜持续监测，尤其不适用于危重及高龄人群。
近年来，无创、便携且易于实施的评估技术逐渐受到重视。COPD特征性的病理生理改变（如气道重塑、肺气肿等）可引起呼吸音异常、肺部结构破坏及气道力学性质变化[2]，这为采用声学与振动信号技术进行客观评估提供了理论依据[3]。多通道呼吸音分析（multi-channel respiratory sound analysis，MRSA）、肺部超声（lung ultrasound，LUS）和脉冲振荡技术（impulse oscillometry，IOS）是三类具有代表性的新兴COPD肺功能评估工具，其中MRSA利用传感器阵列采集并分析呼吸音信号，适用于长期监测及局部通气功能障碍的评估；LUS通过超声影像评估胸膜及浅层肺组织病变，在COPD合并肺水肿、肺实变和胸腔积液的识别方面具有优势；IOS则基于声波振荡原理测量呼吸阻抗，能够客观反映气道阻力和肺弹性变化，适用于无法配合完成用力呼气操作的患者。
本文围绕上述三类技术的基本原理、临床应用及局限展开综述，重点讨论其临床适用场景与协同应用价值，并探讨多模态融合与基层推广面临的现实障碍，旨在为优化COPD的无创评估体系提供临床参考。
1 MRSA
MRSA利用体表声学传感器阵列，无创、实时采集肺部区域通气的动态信号，反映气体流动与组织振动状态。其核心优势在于通过多通道空间信号处理，有效抑制环境噪声和心音干扰，提升信噪比，并捕捉呼吸音的空间分布特征，从而实现COPD局部病变定位与严重程度评估[4-7]。
临床实践表明，MRSA在疾病鉴别、病情监测及局部定位等方面优势凸显。在疾病鉴别与分类方面，Islam等[8]与Sen等[9]的研究提示，多通道系统结合神经网络有望实现COPD、哮喘与健康人群的高效准确鉴别（Sen等[9]研究中总体准确率达98%，并提示吸气中期可能为关键判别时段），表明该方法可能具有不依赖特定音标的通用性。Zhou等[10]在构建开放呼吸音数据集的研究中，基于4通道数据验证了混合深度学习模型，获得92.3%的COPD严重程度分类准确率，凸显了其标准化评估的潜力。在病情动态监测方面，Schwarz等[11]的研究证实，慢性阻塞性肺疾病急性加重（acute exacerbation of chronic obstructive pulmonary disease，AECOPD）患者的喘息次数显著多于稳定期，提示喘息音可能成为病情恶化的特异性指标；Boeselt等[12]利用3通道设备完成的长期夜间监测为客观量化AECOPD发作风险提供了可行依据。此外，MRSA的空间定位能力亦得到验证，Hsu等[13]借助4通道系统成功捕捉并定位肿瘤压迫所致喘鸣音的声源，其与影像学结果表现出较好的一致性，拓展了该技术在肺部疾病辅助诊断中的应用价值。
在实际临床或家庭监测中，MRSA的动态定量分析通常遵循规范的流程：首先通过3~14通道体表传感器阵列连续记录呼吸音信号，随后采用自适应滤波或独立成分分析去除心音与环境噪声以提取纯净信号，进而计算喘息指数、吸呼气时间比（inspiratory to expiratory ratio，I/E比）及呼吸音强度变异系数等时频域特征参数。基于上述参数，系统可绘制时间序列曲线以动态追踪病情波动（如喘息频率较基线升高或I/E比下降至一定水平即可触发预警），并可结合多通道能量分布图实现局部异常通气的精准定位，从而为AECOPD提供客观的预警依据。
MRSA技术也有其局限性，主要体现在通道数选择方面。3~4通道设备的便携性好，适用于基层医疗机构，但空间分辨率有限；12通道以上系统能够覆盖全肺、信息全面，但成本高昂、处理复杂，难以普及。此外，呼吸音特征受胸壁厚度、肺通气状态等因素影响，加之缺乏统一的采集标准（如传感器间距与采样频率），导致不同研究间可比性较差。当务之急是开发自适应降噪算法以提升信号质量，并推动采集流程标准化与多中心数据整合。Sfayyih等[4]指出，深度学习在特征自动提取中的应用有望突破当前技术瓶颈，如使用卷积神经网络（如ResNet-50、MobileNetV2）对呼吸音频谱图进行分类[14-15]，或采用Transformer模型（如Audio Spectrogram Transformer）捕捉长程时序依赖，此类方法已在ICBHI 2017等公开数据集上实现了特定呼吸音的高质量诊断，部分研究的AUC超过0.95[16-17]。此外，自监督学习（如CLIP-style预训练）可有效缓解标注数据匮乏问题[18-19]，值得在MRSA领域进一步探索。
2 LUS
LUS基于高频声波反射特性，可对肺泡通气状态、间质水肿及胸膜线异常进行定量评估，通过标准化图像采集与特征分析揭示肺结构变化[20-21]。该技术具有实时、无辐射的优势，目前广泛应用于肺炎和肺水肿等疾病的诊断[22-24]。
相较于传统影像学，LUS在病情评估、膈肌监测、康复指导及基层下沉等场景中更具独特优势。在肺实质病变评估方面，LUS评分可有效识别AECOPD合并肺炎。陈娟等[25]的早期单中心研究显示，LUS评分截断值为20.63分时，诊断AECOPD合并肺炎的灵敏度达90.8%，特异度为87.3%；一项系统评价与meta分析进一步证实LUS诊断成人肺炎的有效性（汇总后的灵敏度为92%、特异度为94%），但指出截断值因人群异质性而存在差异[26]。在膈肌功能与预后评估方面，LUS可实现无创动态监测。Esmaeel等[27]证实其可通过评估膈肌功能早期预警COPD患者肺功能恶化；Yegin等[28]还指出膈肌位移与厚度等参数在不同严重程度AECOPD患者中差异显著，可作为预后预测的客观指标。此外，LUS还可直接指导临床干预，王红霞和童楚恒[29]的研究表明，LUS指导下的肺部体疗较常规方法能显著改善患者动脉血气及第1秒用力呼气容积（forced expiratory volume in the first second，FEV1）占预计值百分比等指标。值得关注的是，针对LUS对操作者经验依赖性较强的瓶颈，人工智能辅助技术为其基层下沉提供了可能。Baloescu等[30]研究显示，人工智能辅助下的非LUS专业医护人员可完成具有诊断价值的LUS检查，且结果与LUS专家评估具有较好的一致性。
LUS与其他指标联合应用可显著提升诊断效能。曾昭墩等[31]报道LUS的B线数目与血浆氨基末端脑钠肽前体浓度呈正相关，两者联合检测可提高AECOPD合并心力衰竭的诊断效能。张晓霞和顾俊文[32]证实B线数量与血管外肺水指数显著相关，支持LUS作为肺水肿的无创评估工具。史为涛等[33]将LUS与下腔静脉扩张指数联合应用于AECOPD合并脓毒症机械通气患者的液体管理，结果显示该策略可有效改善氧合状态并缩短机械通气时间。
LUS肺部结构影像的定量评估已逐步形成标准化路径：扫查时常采用“超声解剖分区”方案（如12分区法）全面获取动态视频片段，并依据B线数量、胸膜线形态及肺实变范围等特征进行评分（如0~36分的LUS评分系统）。对于膈肌功能的评估，通常在肝脾窗测量膈肌位移及厚度变化率（增厚分数）。在AECOPD患者的动态监测中，连续监测LUS B线评分的短期变化能够反映肺水肿进展情况，有助于评估治疗反应，为液体管理和呼吸康复提供直观指导。
LUS的局限性体现在以下几方面：其对操作者依赖性较高，胸膜线识别与B线计数的主观性可能引入偏倚[21]；肺气肿患者由于肺内气体过多，超声信号衰减显著，深部肺组织评估受限[24]；膈肌测量尚未标准化（如测量位点与呼吸时相），影响了结果可比性[27]。破局的关键在于发展人工智能辅助诊断系统（实现自动B线计数与膈肌参数测量），并开发高频探头与造影技术以改善肺气肿患者的成像质量。Murali等[23]提出的“超声解剖分区”标准化方案为推动多中心研究提供了潜在方法学基础。在人工智能辅助LUS方面，已有研究采用轻量级U-Net架构实现胸膜线和B线的自动分割，平均Dice相似系数达0.74[34]；同时，利用YOLOv8等目标检测模型可实时定位并计数B线，其平均精度与召回率均在0.9以上，且与专家评估结果具有较高的一致性[35-36]。未来还可结合联邦机器学习技术，在多中心不共享原始数据的前提下协同训练模型，进一步提升算法的泛化能力。
3 IOS
IOS通过测定平静呼吸时的呼吸阻抗（R）和电抗（X）评估气道阻力与肺弹性。在其核心参数中，R5（5 Hz下呼吸系统阻力）反映总气道阻力，R20（20 Hz下呼吸系统阻力）反映中央气道阻力，两者之差（R5－R20）可反映外周气道阻力（数值增高提示阻力存在频率依赖性）；X5（5 Hz下呼吸系统电抗）在低频时主要反映肺和胸壁的弹性回缩力；共振频率（resonant frequency，Fres）和总呼吸阻抗则为气道阻力与肺弹性的综合指标。根据欧洲呼吸学会呼吸振荡技术标准，R5、R20、R5－R20、X5、Fres等参数的解读应在规范操作和质控前提下进行[37-40]。
在临床相关性方面，多项研究证实IOS与传统肺功能检查存在互补价值。Kleinhendler等[41]对61例不明原因呼吸困难患者的研究发现，IOS结果与传统肺功能检查参数之间存在关联，且在年龄＜70岁及BMI＜25 kg/m2人群中相关性更强，提示IOS可用于无法配合完成传统肺功能检查的住院患者。Sarkar等[42]在COPD与哮喘患者中也发现，肺活量测定虽在识别气道阻塞方面灵敏度更高，但IOS在外周气道评估中可能更具优势，联合应用有望提升诊断全面性。Huang等[43]通过比较传统肺功能检查、IOS和CT在小气道功能障碍评估中的作用，进一步支持了IOS对外周小气道病变的敏感性。近期系统评价和多中心研究已为IOS的整体诊断效能提供了稳健的大样本证据[39-40]。
IOS在COPD中的应用尤为广泛。Lu等[44]利用中国早期COPD队列提出了基于IOS的气流阻塞分期系统（staging of airflow obstruction by IOS，SAIO），并证实其与急性加重风险相关，提示IOS参数在监测COPD病情波动方面效能不逊于肺活量测定。Chen等[45]则提出，电抗面积（area of reactance，AX）和经BMI校正后的气道阻力（R5%预计值×Fres）是诊断COPD的良好指标，后者在FEV1/用力肺活量（forced vital capacity，FVC）＜0.6时诊断效能更优（AUC＝0.782），且在肥胖与非肥胖人群中其截断值不同。
基于大样本模型的研究印证了IOS的辅助诊断价值。Liu等[46]利用多中心数据建立了FEV1/FVC预测模型，在大规模内外部验证中表现出良好的判别能力（AUC为0.790~0.849）。Zhao等[47]基于528例临床数据，通过机器学习方法构建诊断模型，其准确率达0.920，表明IOS可降低对临床经验的依赖。
IOS力学指标的临床运用具有规范流程，需在患者平静潮气呼吸状态下重复测量以获取稳定数据。解读参数时，R5升高提示总气道阻力增加，R5－R20差值显著扩大则指向外周小气道病变，X5负值增大与Fres升高分别反映肺弹性下降与气道不均一性加重。虽然目前尚无统一的IOS-COPD分级标准，但多项研究提示可依据R5%预计值、X5和Fres等参数的异常幅度评估病情严重程度；此外，吸入支气管舒张剂后R5下降幅度可作为气道可逆性的评估指标。在联合诊断层面，结合IOS指标与人体学参数构建的回归方程（如Liu等[46]提出的预测模型）计算气流受限概率，能有效筛查需进一步接受传统肺功能检查的高危人群。
IOS仍存在一定局限性。重度肺气肿患者因肺实质破坏导致肺弹性回缩力显著下降，且肺过度充气及气道力学特性极度不均一，呼吸振荡信号的传导偏离了IOS所基于的线性集总参数模型假设，致使X5等参数易受信号衰减与模型拟合失真的影响，其准确反映肺弹性的可靠性可能降低。此外，不同设备间的算法差异导致数据可比性差。一项多中心研究显示，IOS在FEV1＜30%预计值的极重度COPD患者中与肺活量测定法的一致性下降[40]。未来研究需优化算法以降低测量偏差，并依据国内外技术规范与专家共识，建立涵盖不同严重程度COPD的IOS参数的参考值区间，从而推动其标准化临床应用。
4 小结与展望
MRSA、LUS和IOS从不同维度为COPD评估提供了相辅相成的信息。在评估维度上，MRSA侧重于呼吸音的时空分布，擅长定位局部通气异常；LUS通过影像特征反映肺结构变化；IOS则量化气道力学性能，评估整体气流受限程度。在操作方面，MRSA和IOS自动化程度较高，而LUS对操作者经验依赖较强；设备成本上，IOS依赖专用仪器，成本偏高；而LUS可依托普及的便携超声一机多用，MRSA仅需低成本拾音设备与算法结合，因此LUS和MRSA在基层推广与大规模筛查中成本效益更优。为更直观地展示上述三类技术在核心参数、操作特点及临床适用场景上的差异与协同性，本文对其关键参数进行了系统对比（表 1）。
表 1 COPD肺功能评估三类技术的关键参数对比技术 主要参数 采集方式 时间分辨率 空间分辨率 操作依赖性 适用场景 MRSA 喘息指数、I/E比、能量分布图 体表传感器阵列 连续 低-中(取决于通道数) 低(自动化分析) 家庭长期监测、AECOPD预 LUS B线计数、胸膜线形态、膈肌位移 手持探头扫查 实时 高(毫米级) 高(依赖操作者经验) 床旁快速评估、肺水肿/实变鉴别 IOS R5、R20、X5、Fres、A 口含咬嘴平静呼 实时 无(整体评估) 低(患者仅需平静呼吸) 无法配合完成肺功能检查者、小气道功能量化 COPD：慢性阻塞性肺疾病；MRSA：多通道呼吸音分析；LUS：肺部超声；IOS：脉冲振荡技术；I/E比：吸呼气时间比；R5：5 Hz下呼吸系统阻力；R20：20 Hz下呼吸系统阻力；X5：5 Hz下呼吸系统电抗；Fres：共振频率；AX：电抗面积；AECOPD：慢性阻塞性肺疾病急性加重. MRSA适用于家庭长期监测，有助于AECOPD的早期预警；LUS在床旁快速评估中优势明显，如AECOPD合并肺炎的鉴别及机械通气患者的肺水肿监测；IOS则为无法完成传统肺功能检查的患者提供气道阻力的客观量化指标。值得注意的是，LUS诊断截断值存在差异，可能源于人群病理异质性，需通过多中心研究建立分层标准；IOS与传统肺功能检查实为相辅相成——IOS对小气道功能更敏感，而肺活量测定法仍是诊断气流受限的金标准；MRSA的通道数需在精度与实用性间取得平衡，未来或可发展“可扩展通道”设计以灵活适配监测需求。
尽管上述技术各具优势，但在实际推广中仍面临共性挑战。首先是设备与人员的制约：《中国常规肺功能检查基层指南（2024年）》指出，我国40岁以上居民肺功能检查率仅约4.5%，客观反映出基层专用检查设备及专业操作人员的严重短缺[48]；在此背景下，LUS的推广受限于超声设备普及不足与专业影像医师的缺乏，IOS面临专用仪器成本偏高且基层开展尚不广泛的困境，而MRSA则依赖专业分析软件与算法支持，限制了其在非专科机构的常规应用。其次，标准化缺失是核心短板：三类技术在数据采集、特征提取与设备校准等环节均缺乏统一的操作与质控标准，导致结果解读存在差异。再者，患者特异性干扰不容忽视：不同体质（如肥胖）及病理状态（如重度肺气肿）均会改变信号传导特性，影响各类技术参数的测量准确性与可比性；老年人呼吸频率波动也会影响测量重复性。此外，数据互通障碍限制了规模化应用：不同厂商设备输出的参数（如IOS的R5单位、LUS评分版本）不统一，多中心数据难以直接合并。以上挑战需通过政策引导、技术标准化和人工智能辅助技术逐步破解。
MRSA、LUS和IOS为COPD肺功能评估提供了多维度技术支撑，分别适用于长时程监测、结构可视化及力学量化，三者协同增效潜力显著。当前研究仍受限于技术标准化不足与样本量偏小。后续亟需推进多模态数据的整合（如将MRSA的时空频域特征与IOS的力学参数对齐），并推动现有单中心经验向多中心前瞻性验证迈进。此外，设备成本的管控与基层专项培训的跟进，是适宜技术真正下沉的前提。
针对现存瓶颈，短期内需依托人工智能辅助技术（如自动B线计数）降低操作门槛，并结合远程会诊弥补基层经验不足；中长期则必须建立多中心标准化大数据库，以重构适用于不同病理分层的诊断阈值。随着技术迭代，声学与振动信号评估工具有望突破传统肺功能检查的场地与患者配合限制，真正嵌入COPD的全病程管理路径，在社区初筛与居家急性加重预警等薄弱环节发挥不可替代的关口前移作用。
-
表 1 COPD肺功能评估三类技术的关键参数对比
技术 主要参数 采集方式 时间分辨率 空间分辨率 操作依赖性 适用场景 MRSA 喘息指数、I/E比、能量分布图 体表传感器阵列 连续 低-中(取决于通道数) 低(自动化分析) 家庭长期监测、AECOPD预 LUS B线计数、胸膜线形态、膈肌位移 手持探头扫查 实时 高(毫米级) 高(依赖操作者经验) 床旁快速评估、肺水肿/实变鉴别 IOS R5、R20、X5、Fres、A 口含咬嘴平静呼 实时 无(整体评估) 低(患者仅需平静呼吸) 无法配合完成肺功能检查者、小气道功能量化 COPD：慢性阻塞性肺疾病；MRSA：多通道呼吸音分析；LUS：肺部超声；IOS：脉冲振荡技术；I/E比：吸呼气时间比；R5：5 Hz下呼吸系统阻力；R20：20 Hz下呼吸系统阻力；X5：5 Hz下呼吸系统电抗；Fres：共振频率；AX：电抗面积；AECOPD：慢性阻塞性肺疾病急性加重. -
[1] 陈典, 隆寰宇, 张丛溪, 等. 2025年GOLD慢性阻塞性肺疾病诊断、治疗、管理及预防全球策略更新要点解读[J]. 中国全科医学, 2025, 28(16): 1937-1949. DOI: 10.12114/j.issn.1007-9572.2024.0588. [2] Arslan S, Yildiz G, Özdemir L, et al. Association between blood pressure, inflammation and spirometry parameters in chronic obstructive pulmonary disease[J]. Korean J Intern Med, 2019, 34(1): 108-115. DOI: 10.3904/kjim.2017.284. [3] Cook J, Umar M, Khalili F, et al. Body acoustics for the non-invasive diagnosis of medical conditions[J]. Bioengineering (Basel), 2022, 9(4): 149. DOI: 10.3390/bioengineering9040149. [4] Sfayyih A H, Sulaiman N, Sabry A H. A review on lung disease recognition by acoustic signal analysis with deep learning networks[J]. J Big Data, 2023, 10(1): 101. DOI: 10.1186/s40537-023-00762-z. [5] 吴寅, 廖玺铭, 王琨, 等. 呼吸音数字化分析在体格检查及呼吸系统疾病诊断中的研究进展[J]. 同济大学学报(医学版), 2024, 45(2): 273-280. DOI: 10.12289/j.issn.2097-4345.23120. [6] Kim Y, Kim K B, Leem A Y, et al. Enhanced respiratory sound classification using deep learning and multi-channel auscultation[J]. J Clin Med, 2025, 14(15): 5437. DOI: 10.3390/jcm14155437. [7] Khanaghavalle G R, Rahul G, Senajith S R, et al. Chronic obstructive pulmonary disease severity classification using lung sound[C]//2024 10th International Conference on Communication and Signal Processing (ICCSP). April 12-14, 2024, Melmaruvathur, India. IEEE, 2024: 428-432. DOI: 10.1109/ICCSP60870.2024.10543344. [8] Islam M A, Bandyopadhyaya I, Bhattacharyya P, et al. Classification of normal, asthma and COPD subjects using multichannel lung sound signals[C]//2018 International Conference on Communication and Signal Processing (ICCSP). April 3-5, 2018, Chennai, India. IEEE, 2018: 290-294. DOI: 10.1109/ICCSP.2018.8524439. [9] Sen I, Saraclar M, Kahya Y P. Differential diagnosis of asthma and COPD based on multivariate pulmonary sounds analysis[J]. IEEE Trans Biomed Eng, 2021, 68(5): 1601-1610. DOI: 10.1109/TBME.2021.3049288. [10] Zhou G, Liu C, Li X, et al. An open auscultation dataset for machine learning-based respiratory diagnosis studies[J]. JASA Express Lett, 2024, 4(5): 052001. DOI: 10.1121/10.0025851. [11] Schwarz S B, Windisch W, Majorski D S, et al. Long-term auscultation in chronic obstructive pulmonary disease: renaissance of an ideograph of medical care[J]. Respiration, 2021, 100(3): 201-208. DOI: 10.1159/000513439. [12] Boeselt T, Kroenig J, Lueders T S, et al. Acoustic monitoring of night-time respiratory symptoms in 14 patients with exacerbated COPD over a 3-week period[J]. Int J Chron Obstruct Pulmon Dis, 2022, 17: 2977-2986. DOI: 10.2147/COPD.S377069. [13] Hsu F, How C H, Huang S R, et al. Locating stridor caused by tumor compression by using a multichannel electronic stethoscope: a case report[J]. J Clin Monit Comput, 2021, 35(3): 663-670. DOI: 10.1007/s10877-020-00517-8. [14] Zakaria N, Mohamed F, Abdelghani R, et al. VGG16, ResNet-50, and GoogLeNet deep learning architecture for breathing sound classification: a comparative study[C]//2021 International Conference on Artificial Intelligence for Cyber Security Systems and Privacy (AI-CSP). November 20-21, 2021, El Oued, Algeria. IEEE, 2022: 1-6. DOI: 10.1109/AI-CSP52968.2021.9671124. [15] Wanasinghe T, Bandara S, Madusanka S, et al. Lung sound classification with multi-feature integration utilizing lightweight CNN model[J]. IEEE Access, 2024, 12: 21262-21276. DOI: 10.1109/ACCESS.2024.3361943. [16] Bae S, Kim J W, Cho W Y, et al. Patch-mix contrastive learning with audio spectrogram transformer on respiratory sound classification[J/OL]. 2023: arXiv: 2305.14032 (2024-12-26)[2025-06-03]. https://arxiv.org/abs/2305.14032. [17] Aptekarev T, Sokolovsky V, Furman G. Transformer architectures for respiratory sound analysis and multimodal diagnosis[J/OL]. 2026: arXiv: 2601.14227 (2026-01-10)[2026-05-01]. https://arxiv.org/abs/2601.14227. [18] Moummad I, Farrugia N. Pretraining respiratory sound representations using metadata and contrastive learning[C]//2023 IEEE Workshop on Applications of Signal Processing to Audio and Acoustics (WASPAA). October 22-25, 2023, New Paltz, NY, USA. IEEE, 2023: 1-5. DOI: 10.1109/WASPAA58266.2023.10248130. [19] Chauhan J, Han J, Liu Y, et al. Towards open respiratory acoustic foundation models: pretraining and benchmarking[C]//Advances in Neural Information Processing Systems 37. December 10-15, 2024. Vancouver, BC, Canada. Neural Information Processing Systems Foundation, Inc. (NeurIPS), 2024: 27024-27055. DOI: 10.52202/079017-0849. [20] Beshara M, Bittner E A, Goffi A, et al. Nuts and bolts of lung ultrasound: utility, scanning techniques, protocols, and findings in common pathologies[J]. Crit Care, 2024, 28(1): 328. DOI: 10.1186/s13054-024-05102-y. [21] Chen Y, Li J, Zhu Z, et al. Lung ultrasound assessment of lung hyperinflation in patients with stable COPD: an effective diagnostic tool[J]. Int J Chronic Obstr Pulm Dis, 2024, 19: 319-330. DOI: 10.2147/copd.s441374. [22] Chidini G, Raimondi F. Lung ultrasound for the sick child: less harm and more information than a radiograph[J]. Eur J Pediatr, 2024, 183(3): 1079-1089. DOI: 10.1007/s00431-023-05377-3. [23] Murali A, Prakash A, Dixit R, et al. Lung ultrasound for evaluation of dyspnea: a pictorial review[J]. Acute Crit Care, 2022, 37(4): 502-515. DOI: 10.4266/acc.2022.00780. [24] Mento F, Perpenti M, Barcellona G, et al. Lung ultrasound spectroscopy applied to the differential diagnosis of pulmonary diseases: an in vivo multicenter clinical study[J]. IEEE Trans Ultrason Ferroelectr Freq Control, 2024, 71(10): 1217-1232. DOI: 10.1109/TUFFC.2024.3454956. [25] 陈娟, 张雪兰, 李琴, 等. 床旁肺超声评估慢性阻塞性肺疾病急性加重合并肺炎的价值[J]. 临床超声医学杂志, 2021, 23(6): 478-480. DOI: 10.3969/j.issn.1008-6978.2021.06.026. [26] Desai D, Shah A B, Dela J R C, et al. Lung ultrasonography accuracy for diagnosis of adult pneumonia: systematic review and meta-analysis[J]. Adv Respir Med, 2024, 92(3): 241-253. DOI: 10.3390/arm92030024. [27] Esmaeel H M, Atta K A, Khalaf S, et al. Clinical utility of chest sonography in chronic obstructive pulmonary disease patients focusing on diaphragmatic measurements[J]. Tuberc Respir Dis (Seoul), 2024, 87(1): 80-90. DOI: 10.4046/trd.2023.0030. [28] Yegin D, Oskay A, Oskay T, et al. Emergency ultrasound of respiratory muscles: a promising tool for determining the outcomes of COPD exacerbations[J]. Turk J Med Sci, 2023, 53(4): 1001-1011. DOI: 10.55730/1300-0144.5664. [29] 王红霞, 童楚恒. 肺部超声在慢性阻塞性肺疾病患者肺部体疗中的应用分析[J]. 当代医学, 2021, 27(4): 103-105. DOI: 10.3969/j.issn.1009-4393.2021.04.041. [30] Baloescu C, Bailitz J, Cheema B, et al. Artificial intelligence-guided lung ultrasound by nonexperts[J]. JAMA Cardiol, 2025, 10(3): 245-253. DOI: 10.1001/jamacardio.2024.4991. [31] 曾昭墩, 刘鹏飞, 韦明君. 肺部超声联合血浆氨基末端脑钠肽前体检查对慢性阻塞性肺疾病并发充血性心力衰竭的诊断价值[J]. 中国处方药, 2020, 18(12): 199-200. DOI: 10.3969/j.issn.1671-945X.2020.12.100. [32] 张晓霞, 顾俊文. 肺部超声在危重患者监测血管外肺水的初步研究[J]. 检验医学与临床, 2018, 15(10): 1411-1413, 1417. DOI: 10.3969/j.issn.1672-9455.2018.10.012. [33] 史为涛, 王旭东, 刘雅文, 等. 超声监测下腔静脉扩张指数联合肺部超声在AECOPD合并脓毒症机械通气治疗中的应用价值分析[J]. 中国实用医药, 2023, 18(24): 46-50. DOI: 10.14163/j.cnki.11-5547/r.2023.24.010. [34] Howell L, Ingram N, Lapham R, et al. Deep learning for real-time multi-class segmentation of artefacts in lung ultrasound[J]. Ultrasonics, 2024, 140: 107251. DOI: 10.1016/j.ultras.2024.107251. [35] Okila N, Katumba A, Nakatumba-Nabende J, et al. Deep learning for accurate B-line detection and localization in lung ultrasound imaging[J]. Front Artif Intell, 2025, 8: 1560523. DOI: 10.3389/frai.2025.1560523. [36] Bottino A, Botrugno C, Casciaro E, et al. Automatic approach for B-lines detection in lung ultrasound images using You Only Look Once algorithm[J]. J Ultrasound, 2025, 28(4): 985-992. DOI: 10.1007/s40477-025-01077-w. [37] King G G, Bates J, Berger K I, et al. Technical standards for respiratory oscillometry[J]. Eur Respir J, 2020, 55(2): 1900753. DOI: 10.1183/13993003.00753-2019. [38] Bednarek M, Grabicki M, Piorunek T, et al. Current place of impulse oscillometry in the assessment of pulmonary diseases[J]. Respir Med, 2020, 170: 105952. DOI: 10.1016/j.rmed.2020.105952. [39] Peng J, Li X, Zhou H, et al. Clinical value of impulse oscillometry in chronic obstructive pulmonary disease: a systematic review and meta-analysis[J]. Respiration, 2024: 1-10. DOI: 10.1159/000541633. [40] Gao L, Wang H, Wu Y, et al. Diagnostic value of impulse oscillometry in chronic obstructive pulmonary disease: a multicentre, retrospective, observational study[J]. BMJ Open, 2024, 14(10): e087687. DOI: 10.1136/bmjopen-2024-087687. [41] Kleinhendler E, Rosman M, Fireman E, et al. Impulse oscillometry as an alternative lung function test for hospitalized adults[J]. Respir Care, 2024, 69(4): 415-421. DOI: 10.4187/respcare.10963. [42] Sarkar S, Jadhav U, Ghewade B, et al. A comparative observational study of the diagnostic utility of impulse oscillometry versus spirometry in obstructive airway diseases[J]. Cureus, 2024, 16(10): e70589. DOI: 10.7759/cureus.70589. [43] Huang S, Wu F, Deng Z, et al. Comparing spirometry, impulse oscillometry with computed tomography for assessing small airway dysfunction in subjects with and without chronic obstructive pulmonary disease[J]. BMC Pulm Med, 2025, 25(1): 45. DOI: 10.1186/s12890-025-03507-1. [44] Lu L, Wan Q, Tang G, et al. New classifications of COPD severity based on impulse oscillometry: a SAIO grade base on ECOPD cohort in China[J]. Arch Bronconeumol, 2025, 61(6): 334-340. DOI: 10.1016/j.arbres.2024.10.005. [45] Chen K Y, Hung M H, Kao K C. Impulse oscillometry and its independent role in the diagnosis of chronic obstructive pulmonary disease[J]. Heliyon, 2024, 10(1): e23627. DOI: 10.1016/j.heliyon.2023.e23627. [46] Liu M, Yao X, Shi Y, et al. Impulse oscillometry-derived equation for prediction of abnormal FEV1/FVC ratio for COPD screening in Chinese population: a multicenter cross-sectional study[J]. Lancet Reg Health West Pac, 2025, 56: 101501. DOI: 10.1016/j.lanwpc.2025.101501. [47] Zhao D, Mou X, Li Y, et al. The application of impulse oscillometry system based on machine learning algorithm in the diagnosis of chronic obstructive pulmonary disease[J]. Physiol Meas, 2024, 45(5). DOI: 10.1088/1361-6579/ad3d24. [48] 中华医学会, 中华医学会杂志社, 中华医学会全科医学分会, 等. 中国常规肺功能检查基层指南(2024年)[J]. 中华全科医师杂志, 2025, 24(2): 121-137. DOI: 10.3760/cma.j.cn114798-20240618-00555.
