Abstract
急性心力衰竭（AHF）患者常伴呼吸困难，对患者的呼吸模式进行监测和量化分析可为病情和预后评估提供参考信息。本文纳入39例AHF患者和24例健康受试者，采用可穿戴设备收集其夜间胸腹呼吸信号，并量化分析两组人群夜间呼吸模式的差异。与健康组相比，AHF组的呼吸率（BR）均值更高［（21.03 ± 3.84）次/分 vs.（15.95 ± 3.08）次/分，P < 0.001］，相对浅快呼吸指数变异系数更大［70.96%（54.34%～104.28）% vs. 58.48%（45.34%～65.95）%，P = 0.005］，腹呼吸贡献比变异系数更大［（22.52 ± 7.14）% vs.（17.10 ± 6.83）%，P = 0.004］，呼吸率样本熵更小（0.67 ± 0.37 vs. 1.01 ± 0.29，P < 0.001）；此外，吸气（TI）和呼气（TE）时间均值更短、变异系数更大，劳累呼吸指数变异系数更大，庞加莱图SD1、SD2更大，以上指标的两组间差异均有统计学意义。使用Logistic回归校准发现TI均值降低是AHF的危险因素。BR均值区分两组人群的能力最强，曲线下面积（AUC）为0.846。结果表明呼吸周期、幅度、协调性和非线性参数等能够有效量化AHF患者的异常呼吸模式，其中TI均值降低是AHF的危险因素，呼吸率均值区分两组人群的能力最强。以上结果有望为心衰患者病情评估提供新的信息。
Keywords: 急性心力衰竭, 呼吸模式量化, 可穿戴设备
Abstract
Patients with acute heart failure (AHF) often experience dyspnea, and monitoring and quantifying their breathing patterns can provide reference information for disease and prognosis assessment. In this study, 39 AHF patients and 24 healthy subjects were included. Nighttime chest-abdominal respiratory signals were collected using wearable devices, and the differences in nocturnal breathing patterns between the two groups were quantitatively analyzed. Compared with the healthy group, the AHF group showed a higher mean breathing rate (BR_mean) [(21.03 ± 3.84) beat/min vs. (15.95 ± 3.08) beat/min, P < 0.001], and larger R_RSBI_cv [70.96% (54.34%–104.28)% vs. 58.48% (45.34%–65.95)%, P = 0.005], greater AB_ratio_cv [(22.52 ± 7.14)% vs. (17.10 ± 6.83)%, P = 0.004], and smaller SampEn (0.67 ± 0.37 vs. 1.01 ± 0.29, P < 0.001). Additionally, the mean inspiratory time (TI_mean) and expiration time (TE_mean) were shorter, TI_cv and TE_cv were greater. Furthermore, the LBI_cv was greater, while SD1 and SD2 on the Poincare plot were larger in the AHF group, all of which showed statistically significant differences. Logistic regression calibration revealed that the TI_mean reduction was a risk factor for AHF. The BR_ mean demonstrated the strongest ability to distinguish between the two groups, with an area under the curve (AUC) of 0.846. Parameters such as breathing period, amplitude, coordination, and nonlinear parameters effectively quantify abnormal breathing patterns in AHF patients. Specifically, the reduction in TI_mean serves as a risk factor for AHF, while the BR_mean distinguishes between the two groups. These findings have the potential to provide new information for the assessment of AHF patients.
Keywords: Acute heart failure, Breathing pattern quantification, Wearable devices
0. 引言
急性心力衰竭（acute heart failure，AHF）住院患者通常具有较高的死亡率和再入院率[1]，出院后6个月内有50%的患者发生再入院[2]。呼吸困难是AHF患者的常见症状，主观上感觉吸气不足、呼气费力，客观上表现为呼吸模式的改变[3]。呼吸模式的变化受到多个反馈回路的影响，疾病状态下的呼吸模式，如呼吸速率、呼吸幅度、协调性和气流分布等均会发生变异，以优化气体交换的效率[4]，该变化与病理状态密切相关[5]。
临床医生在不同场景用不同量表评估呼吸困难，目前还没有金标准，而且量表依赖于患者或医生的主观判断，通常只能对严重程度进行半定量评估[6]。近年来，众多传感器技术用于呼吸监测领域[7-12]。可穿戴技术具有无创、客观、可持续监测的突出特征，在疾病管理中发挥了积极作用。采用呼吸感应体积描记技术（respiratory inductive plethysmography，RIP）可以连续、动态监测长程呼吸信号，Harbour等[13]通过监测跑步过程中的呼吸模式变化，证实了RIP传感器的实用性。
呼吸动力学揭示了复杂的呼吸模式，对呼吸模式进行量化和分析有助于呼吸系统疾病的诊断和评估[14]。静息状态下心衰患者在凌晨4点易发生呼吸异常[15]，夜间卧位状态回心血量增多，增加心脏负担[16]。Bennett等[12]发现夜间呼吸率是心衰患者出院后发生再入院最重要的风险因素；Takagawa等[7]和Sakoda等[8]提出的夜间呼吸稳定时间（respiratory stability time，RST）、夜间呼吸稳定指数（respiratory stability index，RSI）等定量指标可以反映AHF患者失代偿恢复过程和预测不良预后。以上研究对心衰患者夜间呼吸信号仅进行了纵向分析，且只利用单一指标来反映患者症状，缺少对AHF患者和健康人群呼吸模式系统、全面的量化。
本研究旨在利用可穿戴系统监测AHF患者和健康人群夜间呼吸信号，通过不同维度指标体系量化两组人群呼吸模式，包括呼吸周期、呼吸幅度、胸腹协调性和呼吸率非线性参数等，探索呼吸模式中与AHF相关的危险因素，评估呼吸模式区分AHF和健康受试者的能力。
1. 材料和方法
1.1. 研究对象
前瞻性地纳入2021年5月至2022年5月在四川大学华西医院心内科因AHF住院的患者。纳入标准：① 年龄≥18岁；② 符合《中国心力衰竭诊断和治疗指南2018》心衰诊断标准；③ NYHA心功能≥Ⅲ级；④ 愿意参加本研究，并签署知情同意。排除标准：① 合并需要及时处理的急性病因或诱因，如急性冠脉综合征、肺栓塞、急性主动脉夹层、血流动力学不稳定的室性心律失常；② 合并心源性休克或呼吸衰竭，需要循环和呼吸支持治疗；③ 不能配合或无法沟通的患者；④ 同时参加其他临床试验者。同时，在课题组健康人群连续生理数据库中筛选年龄、性别、体重匹配的健康受试者作为对照组。该数据库排除标准：① 严重心律失常，佩戴心脏起搏器等辅助电子产品；② 呼吸衰竭和其他相关疾病；③ 不稳定的健康状况或精神障碍；④ 无法独立配合监测试验。
1.2. 数据采集与预处理
AHF患者入院当天收集年龄、性别、身高、体重、NYHA分级等资料，NYHA分级由临床医生评估，同日进行可穿戴生理数据监测24 h。使用的可穿戴设备为医疗级可穿戴SensEcho系统[17]，该背心采用RIP技术获取采样率为25 Hz的胸部和腹部呼吸信号、200 Hz心电信号和25 Hz的三轴加速度信号。佩戴设备时，试验人员为受试者调整胸部和腹部的两条弹性缚带，保证缚带松紧程度统一，避免松紧不适对呼吸结果造成影响。穿戴完毕后，设备终端自动记录受试者的生理数据。
选择夜间23:00-5:00数据段进行预处理和后续的分析计算。避免患者活动影响背心测量精度和患者调整舒适度抻拉背心带来的误差，通过三轴加速度信号识别出体位变换的时间，剔除该时间段及前后各1个呼吸周期的呼吸信号。可穿戴背心经胸、腹部两条弹性缚带监测到胸呼吸信号（chest respiration，Resp_ch）和腹呼吸信号（abdominal respiration，Resp_ab），两信号按时间戳对齐相加得到呼吸信号总和（sum of respiratory signals，Resp_sum）。Resp_sum先经过线性去趋势去除基线漂移或波动，使呼吸信号以零点为中心；然后利用五阶2 Hz低通IIR巴特沃斯滤波器进行滤波，使用Khodadad峰值检测算法识别出波峰波谷[18]。然后将呼吸信号以30 s长的窗口进行非重叠切分，通过设定阈值对该窗口内呼吸信号进行质量评估，阈值包括：呼吸周期的变异系数（阈值a）、该窗口内有效呼吸的比例（阈值b）、呼吸信号模板与逐呼吸信号之间的Pearson相关系数（阈值c）。其中，有效呼吸的比例为该窗口内第一个波峰到最后一个波峰的时间长度与窗宽的比值；呼吸信号模板为窗口内逐呼吸波形的均值。超出正常人体生理范围的呼吸周期信号则被认为是低质量的，正常范围内的为高质量。
本研究中阈值的设置参照Wang等[19]的前期研究，a、b、c分别为0.35、0.50、0.75。最终判定为质量高的呼吸信号共342.109 h，占总数据的90.5%，经合并后得到呼吸率的序列（BRi）和呼吸幅度序列（Hi）。信号质量评估效果如图1所示。图1上面部分为时间戳对齐的一段呼吸信号和三轴加速度信号，阴影部分为因身体活动引起的呼吸信号异常；图1下面部分是经信号质量评估为低质量和高质量的信号段。对照组的数据采集和预处理方案同AHF组。
图 1.
Respiratory signals affected by physical activity and results of quality assessment
受身体活动影响的呼吸信号和呼吸信号质量评估结果图
1.3. 呼吸模式量化
该研究共纳入4类18个指标，包括呼吸周期类、呼吸幅度类、胸腹协调性类和非线性参数。一名健康受试者和一名NYHA IV级的AHF患者的呼吸波形如图2所示，可见AHF患者腹胸呼吸波形同步性差且呼吸不稳定。
图 2.
Respiratory signal waveforms of different subjects and parts of breathing pattern indicators
不同受试者呼吸信号波形和部分呼吸模式指标
（1）呼吸周期参数
通过逐呼吸计算波峰与波峰之间的时间间距（intervals of breath-to-breath，BB）得到逐呼吸的呼吸率（breathing rate，BR）。
平均呼吸率（Mean of breathing rate，BR_mean，次/分）：
 |
1 |
呼吸率标准差（Standard deviation of breathing rate，BR_std，次/分）：
 |
2 |
呼吸率变异系数（Coefficient of variation of breathing rate，BR_cv）：
 |
3 |
以下呼吸周期参数和胸腹协调性参数均计算平均值（mean）和变异系数（cv）。
吸气时间（inspiratory time，TI，s）：波谷至下一个波峰的时间间距，即完成一次吸气所用时间。
呼气时间（expiration time，TE，s）：波峰至下一个波谷的时间间距，即完成一次呼气所用时间。
吸气时间分数（ratio of inspiratory time，TI_ratio）：为波谷至下一个波峰的时间间距与波谷至下一个波谷的时间间距的比值，即完成一次吸气所用时间与完成一次呼吸周期所用时间的比值：
 |
4 |
（2）呼吸幅度参数
呼吸幅度变异系数：呼吸幅度（H_sum）即波峰到下一个波谷的高度。该参数无单位，仅表示胸腹运动幅度相对值，故数值无意义。该研究只分析呼吸幅度的变异系数。
相对浅快呼吸指数（relative rapid-shallow-breathing index，R_RSBI）：呼吸率与呼吸幅度的比值，该研究只分析其变异系数：
 |
5 |
（3）胸腹协调性参数
腹呼吸贡献比（abdominal breathing contribution ratio，AB_ratio）：即腹呼吸信号幅值（H_ab）与腹、胸呼吸信号幅值（H_ch）相加之和的比值，AB_ratio越大腹呼吸占比越高：
 |
6 |
劳累呼吸指数（labored breathing index，LBI）：将H_ab与H_ch相加得到的和与总的呼吸信号幅度的比值，反映胸呼吸和腹呼吸运动的同步性[20]：
 |
7 |
（4）呼吸率的非线性参数
庞加莱图（Poincare plot，PP）是一种常用的非线性指标，假设给定一个呼吸间期时间序列，将第n个呼吸间隔作为横坐标，第n + 1个呼吸间隔作为纵坐标，在笛卡尔坐标系中可以得到一个近似为椭圆的散点分布图，椭圆的半长轴和半短轴分别为SD1和SD2[21]，提供了关于呼吸率变异性的整体调节能力和稳定性的信息。
PP图短轴参数SD1：
 |
8 |
PP图长轴参数SD2：
 |
9 |
其中：
 |
10 |
熵参数反映时间序列的复杂程度及不规则性。呼吸率的近似熵（approximate entropy，ApEn）用一个非负数来表示呼吸率时间序列的复杂性，反映了新信息发生的可能性，序列越复杂，对应的ApEn越大[22]。它通过比较序列中长度为m和m + 1的模式的差异程度来计算：
 |
11 |
给定时间序列
：
 |
12 |
其中嵌入维度m和容差r的单个值分别从推荐范围{2,3,4}、{[0.1 − 0.2]*SDX}中选择。
样本熵（sample entropy，SampEn）是基于ApEn的一种用于度量时间序列复杂性的改进方法，在评估生理时间序列的复杂性和诊断病理状态等方面均有应用，是一种基于概率的熵度量，用于衡量给定长度为m的时间序列中观测样本之间的不规则性和分布的预测能力[23]。SampEn从计算中避免了ApEn算法中向量之间的自匹配，并且在m和m + 1维中使用了相同数量的模板向量，对于长度为N的给定时间序列数据，SampEn计算为：
 |
13 |
其中：
 |
14 |
 |
15 |
是向量 
位于向量 
的距离r内的概率，
，
。类似地，
是向量 
位于向量 
的距离r内的概率，
，
。
以上参数间的相关系数如图3所示，结果显示不同类型参数之间无强相关性，该研究提出的参数可以量化呼吸模式不同维度的信息。
图 3.
Correlation heatmap between different breathing pattern parameters
不同呼吸模式参数间相关性热图
1.4. 统计分析
连续变量以均值±标准差或中位数（四分位间距）呈现，分类变量以n（%）呈现。正态方差齐的连续变量比较使用独立样本t检验，偏态的连续变量使用Mann-Whitney-U检验，分类变量使用χ2检验或Fisher确切概率法。使用Logistic回归分析与AHF相关的危险因素。通过单变量回归分析，将显著相关的呼吸模式指标（P < 0.01）纳入多变量模型；然后将年龄、性别、体重、身体质量指数（body mass index，BMI）逐步纳入模型进行调整，确定经校正后的AHF危险因素。使用受试者操作特征（receiver operating characteristic，ROC）曲线评估呼吸模式区分AHF和健康受试者的能力。P < 0.05被认为具有统计学意义。数据处理和统计分析使用Python 3.7和SPSS 25完成。
2. 结果
2.1. AHF和健康受试者的夜间呼吸模式
共有51例AHF患者接受可穿戴设备监测，过程中有8例因临床诊疗导致监测中断，4例传感器脱落无夜间监测数据；25例健康受试者中，1例传感器脱落。最终纳入39名AHF患者和24名健康受试者，两组之间年龄［（59.33 ± 13.80）岁vs.（52.29 ± 13.64）岁，P = 0.053］、女性占比［（14 ± 35.90）% vs.（9 ± 37.50）%，P = 1.000］、身高［（1.64 ± 0.07）m vs.（1.66 ± 0.07）m，P = 0.244］、体重［（64.37 ± 16.31）kg vs.（68.54 ± 12.03）kg，P = 0.062］、BMI［（23.95 ± 5.09）kg/m2 vs.（24.84 ± 3.32）kg/m2，P = 0.099］差异均没有统计学意义。
AHF组和对照组之间的呼吸模式量化结果如表1所示，与对照组相比，AHF患者的呼吸周期参数中BR_mean升高，TI_mean、TE_mean减小，TI_cv、TE_cv、TI_ratio_cv均增大；呼吸幅度参数R_RSBI_cv增大；胸腹协调性中AB_ratio_cv增大，LBI_cv增大；非线性参数中庞加莱图SD1、SD2均增大，呼吸率ApEn、SampEn减小。
表 1. Comparison of breathing patterns between AHF group and control group.
AHF组和对照组的呼吸模式比较
| 变量 | 对照组（n=24） | AHF组（n=39） | P值 |
| 呼吸周期参数 | |||
| BR_mean/（次/分） | 15.95 ± 3.08 | 21.03 ± 3.84 | < 0.001 |
| BR_cv（%) | 24.85（19.83～32.45） | 28.77（23.25～39.49） | 0.151 |
| TI_mean/s | 1.78 ± 0.33 | 1.39 ± 0.24 | < 0.001 |
| TI_cv（%） | 39.28（30.77～59.50） | 73.39（48.87～109.23） | 0.001 |
| TE_mean/s | 2.45 ± 0.52 | 2.07 ± 0.42 | 0.004 |
| TE_cv（%） | 48.22 ± 18.43 | 88.63 ± 49.15 | < 0.001 |
| TI_ratio_mean（%） | 42.80 ± 3.80 | 41.70 ± 3.42 | 0.250 |
| TI_ratio_cv（%） | 21.80 ± 5.35 | 25.44 ± 6.96 | 0.023 |
| 呼吸幅度参数 | |||
| H_sum_cv（%） | 64.74 ± 38.08 | 72.35 ± 24.92 | 0.390 |
| R_RSBI_cv（%） | 58.48（45.34～65.95） | 70.96（54.34～104.28） | 0.005 |
| 胸腹协调性参数 | |||
| AB_ratio_mean（%） | 62.86 ± 11.02 | 57.39 ± 10.78 | 0.060 |
| AB_ratio_cv（%） | 17.10 ± 6.83 | 22.52 ± 7.14 | 0.004 |
| LBI_mean | 1.08（1.04～1.13） | 1.06（1.04～1.13） | 1.000 |
| LBI_cv（%） | 12.55（8.42～15.97） | 16.53（10.94～27.06） | 0.030 |
| 呼吸率非线性参数 | |||
| SD1/ms | 1 454.73 ± 934.02 | 2 217.37 ± 1 541.64 | 0.017 |
| SD2/ms | 1 696.63 ± 864.95 | 2 514.39 ± 1 568.45 | 0.010 |
| ApEn | 1.29 ± 0.26 | 1.00 ± 0.33 | < 0.001 |
| SampEn | 1.01 ± 0.29 | 0.67 ± 0.37 | < 0.001 |
2.2. 呼吸模式中与AHF相关的危险因素
在单变量Logistic回归中，BR_mean、TI_mean、TI_cv、TE_mean、TE_cv、TI_ratio_cv、Ab_ratio_cv，以及非线性参数呼吸率的SD1、SD2、ApEn和SampEn都与AHF显著相关（P < 0.05）（如表2所示）。将单变量回归结果中P<0.01的BR_mean、TI_mean、TI_cv、TE_mean、TE_cv、Ab_ratio_cv、ApEn和SampEn纳入多变量回归模型，TI_mean保留在模型中［OR值 < 0.001，95%CI为（0，0.084），P = 0.012］，结果表明TI_mean降低可能是AHF的危险因素。经年龄、性别、体重、BMI逐步校正分析，结果表明TI_mean降低仍然是AHF的危险因素，如表3所示。
表 2. Results of univariate logistic regression analyses distinguishing the AHF group from the control group.
区分AHF组和对照组的单变量logistic回归分析结果
| 变量 | OR值（95% CI） | P值 |
| 呼吸周期参数 | ||
| BR_mean/（次/分） | 1.524（1.228，1.893） | < 0.001 |
| BR_cv（%） | 1.009（0.976，1.044） | 0.587 |
| TI_mean/s | 0.005（< 0.001，0.084） | < 0.001 |
| TI_cv（%） | 1.033（1.011，1.056） | 0.004 |
| TE_mean/s | 0.169（0.048，0.594） | 0.006 |
| TE_cv（%） | 1.035（1.012，1.058） | 0.002 |
| TI_ratio_mean（%） | 0.916（0.791，1.059） | 0.235 |
| TI_ratio_cv（%） | 1.099（1.005，1.201） | 0.038 |
| 呼吸幅度参数 | ||
| H_sum_cv（%） | 1.009（0.991，1.027） | 0.338 |
| R_RSBI_cv（%） | 1.016（0.995，1.038） | 0.126 |
| 胸腹协调性参数 | ||
| AB_ratio_mean（%） | 0.954（0.908，1.002） | 0.061 |
| AB_ratio_cv（%） | 1.133（1.032，1.244） | 0.009 |
| LBI_mean | 1.880（0.145，24.353） | 0.629 |
| LBI _cv/（%） | 1.024（0.978，1.071） | 0.318 |
| 呼吸率变异性参数 | ||
| SD1/ms | 1.001（1.000，1.001） | 0.043 |
| SD2/ms | 1.001（1.000，1.001） | 0.032 |
| ApEn | 0.037（0.005，0.299） | 0.002 |
| SampEn | 0.061（0.011，0.347） | 0.002 |
表 3. TI_mean in the adjusted logistic regression analysis results.
TI_mean在调整后的logistic回归分析结果
| 模型 | 系数（95% CI） | 标准误 | z值 | P值 |
| 注：模型 1：未调整；模型 2：年龄；模型 3：年龄、性别；模型 4：年龄、性别、体重；模型 5：年龄、性别、BMI | ||||
| 模型 1 | − 5.346（− 8.217，− 2.474） | 1.465 | − 3.649 | < 0.001 |
| 模型 2 | − 5.455（− 8.444，− 2.467） | 1.525 | − 3.578 | < 0.001 |
| 模型 3 | − 6.267（− 9.629，− 2.905） | 1.715 | − 3.654 | < 0.001 |
| 模型 4 | − 6.242（− 9.615，− 2.868） | 1.721 | − 3.627 | < 0.001 |
| 模型 5 | − 6.244（− 9.613，− 2.876） | 1.719 | − 3.634 | < 0.001 |
2.3. 呼吸模式对AHF和健康受试者的区分
通过ROC曲线比较所有呼吸模式指标区分AHF和健康受试者的能力，曲线下面积（area under the curve，AUC）大于0.750的参数分别是BR_mean、TI_mean、SampEn、TI_cv、TE_cv，AUC值分别为0.846、0.827、0.762、0.762、0.761，表4为所有呼吸模式的ROC曲线分析结果。
表 4. ROC curves of breathing parameters for distinguishing AHF.
呼吸模式区分AHF的ROC曲线分析结果
| 变量 | AUC | 95%CI | 敏感度 | 特异度 | 阈值 | P值 |
| 呼吸周期参数 | ||||||
| BR_mean/（次/分） | 0.846 | （0.748，0.944） | 0.821 | 0.792 | 18.124 | < 0.001 |
| BR_cv（%） | 0.609 | （0.460，0.758） | 0.846 | 0.375 | 21.058 | 0.149 |
| TI_mean/s | 0.827 | （0.725，0.929） | 0.542 | 0.974 | 1.747 | < 0.001 |
| TI_cv（%） | 0.762 | （0.643，0.880） | 0.744 | 0.708 | 53.757 | 0.001 |
| TE_mean/s | 0.707 | （0.578，0.837） | 0.708 | 0.615 | 2.174 | 0.006 |
| TE_cv（%） | 0.761 | （0.643，0.878） | 0.667 | 0.917 | 65.502 | 0.001 |
| TI_ratio_mean（%） | 0.619 | （0.472，0.765） | 0.417 | 0.846 | 43.833 | 0.116 |
| TI_ratio_cv（%） | 0.644 | （0.506，0.783） | 0.410 | 0.917 | 27.875 | 0.056 |
| 呼吸幅度参数 | ||||||
| H_sum_cv（%） | 0.649 | （0.494，0.803） | 0.846 | 0.500 | 49.475 | 0.049 |
| R_RSBI_cv（%） | 0.710 | （0.580，0.841） | 0.615 | 0.750 | 65.177 | 0.005 |
| 胸腹协调性参数 | ||||||
| AB_ratio_mean（%） | 0.644 | （0.501，0.788） | 0.792 | 0.538 | 55.763 | 0.056 |
| AB_ratio_cv（%） | 0.722 | （0.588，0.856） | 0.692 | 0.667 | 17.538 | 0.003 |
| LBI_mean | 0.500 | （0.353，0.647） | 0.667 | 0.458 | 1.044 | 1.000 |
| LBI_cv（%） | 0.665 | （0.524，0.805） | 0.462 | 0.875 | 19.216 | 0.029 |
| 呼吸率变异性参数 | ||||||
| SD1/ms | 0.641 | （0.504，0.778） | 0.487 | 0.792 | 1 851.398 | 0.062 |
| SD2/ms | 0.647 | （0.512，0.783） | 0.436 | 0.875 | 2 388.514 | 0.051 |
| ApEn | 0.748 | （0.629，0.867） | 0.833 | 0.564 | 1.076 | 0.001 |
| SampEn | 0.762 | （0.646，0.878） | 0.708 | 0.744 | 0.854 | 0.001 |
3. 讨论
本研究使用SensEcho可穿戴系统，利用RIP技术监测AHF患者和健康人群的呼吸信号，多维度地识别AHF患者的特征性呼吸模式。研究发现，与对照组相比，AHF患者呼吸率更快，呼气、吸气时间变异性更大，浅快呼吸变异性更大，胸腹协调性变异性更大，与对照组比较呈现出较高的区分度。
多个以往的呼吸模式研究均发现心衰患者呼吸率增加。Bennett等[12]发现发生再入院的心衰患者的平均心率和呼吸率更高，呼吸率变异性更大，夜间呼吸率是心衰患者再入院最重要的风险因素。本研究发现AHF患者呼气和吸气时间更短、变异性更大，与Corra等[24]的结果一致，呼吸周期变异性大的患者症状更差。AHF患者的呼吸周期变异系数可能携带了有关呼吸控制系统内在的病理生理机制的信息。Naughton等[25]表明这种呼吸异常是一种代偿机制，通过强弱不等的呼吸减少心衰患者呼吸肌做功，避免呼吸肌疲劳。以往研究发现心衰患者的呼吸模式常为“快而浅”[26]，本研究对R_RSBI_cv研究还发现AHF患者的这种浅快呼吸模式变异性也较大。心衰患者采用“快而浅”的呼吸模式，通过增加呼吸频率而不是呼吸幅度来满足通气需求，避免了胸内压力的大幅度波动[27]。
庞加莱图揭示了时序数据中非线性动态行为，本研究发现AHF患者的SD1和SD2更大，表明AHF患者的呼吸率存在更多的异常点和离群点，呼吸率变异程度更大。复杂性理论也揭示了非线性系统的特性，理论认为复杂性下降代表机体状态变差，复杂性上升预示着生理系统的适应性增强，对外界刺激的应激反应能力更强。众多学者将熵分析应用于预测呼吸时间序列的无序和随意性程度，在对睡眠呼吸暂停综合征的研究中发现，混合型阻塞呼吸暂停组的呼吸SampEn显著高于单纯型阻塞呼吸暂停组和对照组[28]，这种差异影响了持续正压通气的依从性。基于呼吸模式非线性指标对哮喘分类的研究表明，哮喘组受试者呼吸峰峰间期和呼吸幅度的SampEn较对照组更低[29]。在此之前，在心衰患者中没有类似研究。本研究通过熵参数研究了AHF患者呼吸率的复杂度，研究发现心衰患者的呼吸率ApEn和SampEn均低于对照组，表明心衰患者的呼吸率复杂性低、不确定性更小。
另一方面，本研究还发现吸气时间对AHF患者和健康受试者具有一定的区分能力。多变量回归模型在调整多个基线特征后，发现TI_mean仍然是AHF的重要相关因素。ROC曲线评估呼吸模式对AHF患者和健康受试者的区分能力，发现多个指标AUC大于0.750，BR_mean的AUC最高为0.846，与心率变异性参数有相似的识别能力（AUC为0.844）[30]。心衰患者常出现的异常呼吸与心衰状态下机体呼吸调控异常有关。呼吸循环一体化理念提出，呼吸和血液循环调控是一体化且相互依存的，正常呼吸调控信号经过功能衰竭的心脏变成了低信号，低信号对外周化学感受器刺激减弱形成了低通气，而中枢呼吸感受器感受的是半分钟之前的过度通气信号，进一步抑制导致呼吸暂停，当慢反应感受器逐渐感受到低通气信号时开始刺激呼吸，形成过度通气，即开始新一轮的循环[31]。心衰患者异常呼吸的核心机制“时相差异”可能比心率变异性更能区分AHF和健康受试者。
本研究存在样本数量相对较小的局限性，有限样本可能影响统计结果，这些结果需要在更大规模的临床研究中进行验证。其次，本研究使用的可穿戴设备测量的呼吸幅度为无量纲量，无法测算实际潮气量值，仅能比较组间相对差异。第三，该研究没有纳入临床检验、检查数据，两组之间可能存在一些基线特征差异，包括高血压、糖尿病和高脂血症等慢性病，以及药物使用情况。这些因素可能对心衰患者呼吸模式的量化产生影响。
4. 结论
本研究采用SensEcho可穿戴系统，使用RIP技术监测AHF和健康受试者的呼吸信号，对夜间呼吸模式进行了量化分析，发现AHF患者较健康人群的夜间呼吸周期更短、呼吸周期和呼吸幅度变异性更大、胸腹协调性变异性更大、呼吸率复杂度更低；吸气时间均值降低是AHF的危险因素，呼吸率均值区分两组人群的能力最强。后续将进一步探索呼吸模式量化分析在心衰严重程度和预后分析中的应用价值。
重要声明
利益冲突声明：本文全体作者均声明不存在利益冲突。
作者贡献声明：李梦伟主要负责数据处理与分析、算法程序以及文章撰写；亢玉、颜伟和喻鹏铭主要负责临床生理病理解释和论文审阅修订；寇宇晴、赵双琳和邱丽叡对实验流程、算法程序提供指导和校对；张秀负责实验数据收集与记录；张政波和张庆负责整体研究设计和论文审阅修订。
伦理声明：本研究通过了四川大学华西医院生物医学研究伦理委员会的审批（批文编号：No. 20211045）。
Funding Statement
国家自然科学基金面上项目（62171471）；保健专项科研课题面上项目（22BJZ42）
Contributor Information
庆 张 (Qing ZHANG), Email: qzhang2000cn@163.com.
政波 张 (Zhengbo ZHANG), Email: zhengbozhang@126.com.
References
- 1.Chioncel O, Mebazaa A, Harjola V P, et al Clinical phenotypes and outcome of patients hospitalized for acute heart failure: The esc heart failure long-term registry. Eur J Heart Fail. 2017;19(10):1242–1254. doi: 10.1002/ejhf.890. [DOI] [PubMed] [Google Scholar]
- 2.Stevenson L W, Ross H J, Rathman L D, et al Remote monitoring for heart failure management at home. J Am Coll Cardiol. 2023;81(23):2272–2291. doi: 10.1016/j.jacc.2023.04.010. [DOI] [PubMed] [Google Scholar]
- 3.Carel H Breathlessness: The rift between objective measurement and subjective experience. Lancet Respir Med. 2018;6(5):332–333. doi: 10.1016/S2213-2600(18)30106-1. [DOI] [PubMed] [Google Scholar]
- 4.Aderem A Systems biology: Its practice and challenges. Cell. 2005;121(4):511–513. doi: 10.1016/j.cell.2005.04.020. [DOI] [PubMed] [Google Scholar]
- 5.Van den Bosch O F C, Alvarez-Jimenez R, de Grooth H-J, et al Breathing variability—implications for anaesthesiology and intensive care. Crit Care. 2021;25(1):280. doi: 10.1186/s13054-021-03716-0. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 6.Greene S J, Mentz R J, Limkakeng A T, et al Comparison of dyspnea measurement instruments in acute heart failure: The DYSPNEA-AHF pilot study. J Card Fail. 2021;27(5):607–609. doi: 10.1016/j.cardfail.2020.10.004. [DOI] [PubMed] [Google Scholar]
- 7.Takagawa J, Asanoi H, Tobushi T, et al Multicenter, prospective study on respiratory stability during recovery from deterioration of chronic heart failure. Circ J. 2018;83(1):164–173. doi: 10.1253/circj.CJ-18-0519. [DOI] [PubMed] [Google Scholar]
- 8.Sakoda M, Asanoi H, Ohtani T, et al Early detection of worsening heart failure in patients at home using a new telemonitoring system of respiratory stability. Circ J. 2022;86(7):1081–1091. doi: 10.1253/circj.CJ-21-0590. [DOI] [PubMed] [Google Scholar]
- 9.Kumagai N, Dohi K, Fujimoto N, et al A novel method for the quantitative evaluation of diurnal respiratory instability in patients with heart failure: A pilot study. J Cardiol. 2018;71(2):159–167. doi: 10.1016/j.jjcc.2017.08.002. [DOI] [PubMed] [Google Scholar]
- 10.Kim J O, Lee D Detection of abnormal respiration from multiple-input respiratory signals. Sensors (Basel) 2020;20(10):2977. doi: 10.3390/s20102977. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 11.Harrington N, Bui Q M, Wei Z, et al Passive longitudinal weight and cardiopulmonary monitoring in the home bed. Sci Rep. 2021;11(1):24376. doi: 10.1038/s41598-021-03105-1. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 12.Bennett M K, Shao M, Gorodeski E Z Home monitoring of heart failure patients at risk for hospital readmission using a novel under-the-mattress piezoelectric sensor: A preliminary single centre experience. J Telemed Telecare. 2017;23(1):60–67. doi: 10.1177/1357633X15618810. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 13.Harbour E, Lasshofer M, Genitrini M, et al Enhanced breathing pattern detection during running using wearable sensors. Sensors. 2021;21(16):5606. doi: 10.3390/s21165606. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 14.王佳晨, 梁洪, 王雅静, 等 基于可穿戴系统的呼吸模式参数量化分析研究. 生物医学工程学杂志. 2021;38(5):893–902. doi: 10.7507/1001-5515.202004047. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 15.Brack T, Thuer I, Clarenbach C F, et al Daytime cheyne-stokes respiration in ambulatory patients with severe congestive heart failure is associated with increased mortality. Chest. 2007;132(5):1463–1471. doi: 10.1378/chest.07-0121. [DOI] [PubMed] [Google Scholar]
- 16.Dai Y M N, Redolfi S, Ruttanaumpawan P, et al Nocturnal rostral fluid shift a unifying concept for the pathogenesis of obstructive and central sleep apnea in men with heart failure. Circulation. 2010;121(14):1598–1605. doi: 10.1161/CIRCULATIONAHA.109.902452. [DOI] [PubMed] [Google Scholar]
- 17.Xu H, Yan W, Lan K, et al Assessing electrocardiogram and respiratory signal quality of a wearable device (SensEcho): Semisupervised machine learning-based validation study. JMIR Mhealth Uhealth. 2021;9(8):e25415. doi: 10.2196/25415. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 18.Khodadad D, Nordebo S, Müller B, et al Optimized breath detection algorithm in electrical impedance tomography. Physiol Meas. 2018;39(9):094001. doi: 10.1088/1361-6579/aad7e6. [DOI] [PubMed] [Google Scholar]
- 19.Wang J, Yang Z, Wang Y, et al. A quantitative approach and preliminary application in healthy subjects and patients with valvular heart disease for 24-h breathing patterns analysis using wearable devices// 2022 IEEE International Conference on E-health Networking, Application & Services (HealthCom). Genoa: IEEE, 2022: 100-106.
- 20.Beydon N, Davis S D, Lombardi E, et al An official American Thoracic Society/European Respiratory Society statement: Pulmonary function testing in preschool children. Am J Respir Crit Care Med. 2007;175(12):1304–1345. doi: 10.1164/rccm.200605-642ST. [DOI] [PubMed] [Google Scholar]
- 21.Kamen P W, Tonkin A M Application of the poincare plot to heart rate variability: A new measure of functional status in heart failure. Aust N Z J Med. 1995;25(1):18–26. doi: 10.1111/j.1445-5994.1995.tb00573.x. [DOI] [PubMed] [Google Scholar]
- 22.Veiga J, Faria R C P, Esteves G P, et al. Approximate entropy as a measure of the airflow pattern complexity in asthma// 2010 Annual International Conference of the IEEE Engineering in Medicine and Biology. Buenos Aires: IEEE, 2010, 2463-2466.
- 23.Richman J S, Moorman J R Physiological time-series analysis using approximate entropy and sample entropy. Am J Physiol-Heart C. 2000;278(6):H2039–H2049. doi: 10.1152/ajpheart.2000.278.6.H2039. [DOI] [PubMed] [Google Scholar]
- 24.Corra U, Giordano A, Bosimini E, et al Oscillatory ventilation during exercise in patients with chronic heart failure: Clinical correlates and prognostic implications. Chest. 2002;121(5):1572–1580. doi: 10.1378/chest.121.5.1572. [DOI] [PubMed] [Google Scholar]
- 25.Naughton M T. Cheyne-Stokes respiration: friend or foe? Thorax, 2012, 67(4): 357-360.
- 26.Troy J C, Surendan S, Kenneth C B, et al The resistive and elastic work of breathing during exercise in patients with chronic heart failure. Eur Respir J. 2012;39(6):1449–1457. doi: 10.1183/09031936.00125011. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 27.Cross T J, Kim C H, Johnson B D, et al The interactions between respiratory and cardiovascular systems in systolic heart failure. J Appl Physiol (1985) 2020;128(1):214–224. doi: 10.1152/japplphysiol.00113.2019. [DOI] [PubMed] [Google Scholar]
- 28.Yamauchi M, Tamaki S, Yoshikawa M, et al Differences in breathing patterning during wakefulness in patients with mixed apnea-dominant vs obstructive-dominant sleep apnea. Chest. 2011;140(1):54–61. doi: 10.1378/chest.10-1082. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 29.Raoufy M R, Ghafari T, Darooei R, et al Classification of asthma based on nonlinear analysis of breathing pattern. PLoS One. 2016;11(1):e0147976. doi: 10.1371/journal.pone.0147976. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 30.Tsai C H, Ma H P, Lin Y T, et al Usefulness of heart rhythm complexity in heart failure detection and diagnosis. Sci Rep. 2020;10(1):14916. doi: 10.1038/s41598-020-71909-8. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 31.陈志高, 孙兴国, 黄洁 心力衰竭相关异常呼吸的新机制、临床意义及治疗策略. 中国循环杂志. 2015;30(11):1128–1130. doi: 10.3969/j.issn.1000-3614.2015.11.023. [DOI] [Google Scholar]