文 / 张黔教授
研究团队最新研发的一套“耳机”，让你在家也能给自己的肺“听诊”。
慢性肺部疾病（如慢性阻塞性肺病，俗称慢阻肺）是影响人类生活质量的一大类疾病。据世界卫生组织统计，慢阻肺是人类的第三大死因。光是在美国，每年就有超过十五万人死于慢阻肺。因此，如何尽早发现慢性肺部疾病，以及如何进行日常化的慢病管理对于患者甚至整个医疗保健体系来说都是至关重要的。
01
呼吸测定法（spirometry）是检测肺功能的金标准，一般的慢性肺部疾病可以通过该项测试来进行评估。
02
在做该项测试时，患者需要通过肺功能测定仪来完成用力呼气、吸气的动作。
03
在患者完成测试动作后，肺功能测定仪通过测量患者肺部气体交换的体积和流速，计算出衡量肺功能的一系列指标，如用力肺活量（FVC），峰流速（PEF），一秒内呼气体积（FEV1）等。
然而，传统的肺功能仪非常昂贵，即使是家用的便携式肺功能仪都需要数万元人民币。这对普通家庭来说是不小的负担。针对这一个问题，团队提出了一套基于耳机的原型机及软件系统EarSpiro[1]，使得患者在近乎零成本的情况下也能对于自己肺功能进行评估。
EarSpiro操作示意图
团队发现有研究表明[2]气体流速在一定情况下跟气流声是呈正相关的。换句话说，气流速越大，气流声也会越大，一个例子如下图所示。
我们知道，商用耳机（如苹果AirPods）内置有麦克风，用于通话时收声以及主动降噪。
因此，如果能通过耳机内置麦克风获取耳道内经过骨传导的气流声，并进行恰当的建模。
就可以在不用肺功能仪的情况下计算出肺部气体交换的流速和体积，对测试者进行肺功能评估。
成本仅仅是一套商用耳机和一个塑料吹嘴。
然而，由于每个人的生理结构是不同的，且性别、年龄等因素都会对所能发出气流声造成影响，建立从气流声到气流速的转换模型是十分困难的。为此，研究团队寻求使用深度学习的方式来解决这一问题。
EarSpiro系统原型
60位不同年龄段、不同身体状况的被试者受邀参与实验提供数据。
被试者对着一台医用肺功能测试仪完成数组标准的肺功能呼吸测定。
与此同时，被试者戴上一副EarSpiro系统原型，用于同步采集气流声信号。
随后，研究团队用肺功能仪所测得的流速、流量数据为气流声信号作标定，以此来训练深度学习模型。
EarSpiro系统算法结构
由于数据类型是声音信号，具有采样率高的特点（48kHz），所以数据规模非常大。一次正常的肺功能测定大概十秒的数据就会产生48万个数据点，即使在经过了降采样操作后数据量仍然很大，普通的台式机或是一般的提供计算资源的服务器难以承担。
因此，研究团队通过广州超算南沙分中心提供的超算服务，借助“天河二号”强大的计算能力进行数据分析，这大大缩短了迭代设计模型结构的时间成本，使研究团队在一个月的时间内完成了初步的模型设计，也验证了想法的可行性。
“天河二号”超级计算机
跟专业的医学仪器相比较
EarSpiro在流速-流量曲线的预测上的平均绝对误差是0.7L/s
在预测关键肺功能参数方面
EarSpiro对FVC、FEV1、FEV1/FVC、PEF四种最常见参数的预测达到了7.3%的百分比误差
值得一提的是
就算是专业的肺功能测定仪也会有5%的测量误差[3]，证明了研究团队这一设计是十分有意义的。
一个可以预见的使用场景是，患者在家自行使用EarSpiro来监测自己的肺功能状况，如有发现异常，再去医院和诊所做详细的检查，可节省患者的开销和时间成本。
两个使用EarSpiro进行肺功能测试的结果的例子。黑色线表示用专业肺功能测试仪得到的结果，蓝色线表示用EarSpiro测得的结果。
对于肺功能参数的预测结果。其中，PEF表示最大吹气流速，FVC表示用力肺活量，FEV1表示一秒内吹气量，FEFx%代表肺容积处于x%时的吹气气流速，PIF代表最大吸气流速，FIVC代表用力吸气肺活量，FIFx%表示肺容积处于x%时的吸气气流速。
未来，研究团队还将继续深入沿着辅助肺功能障碍患者这一方向开展工作，例如，除检测肺功能之外，还可以辅助患者进行康复训练，如腹式呼吸训练等。基于“天河二号”超算，研究团队将通过深度学习的模型来对人的呼吸模式建模，实现深度学习模型的迭代设计。
参考文献
[1] W. Xie, Q. Hu, J. Zhang, and Q. Zhang, “EarSpiro: Earphone-based Spirometry for Lung Function Assessment,” Proc. ACM Interact. Mob. Wearable Ubiquitous Technol., vol. 6, no. 4, p. 188:1-188:27, Jan. 2023, doi: 10.1145/3569480.
[2] A. I. Dyachenko, G. A. Lyubimov, I. M. Skobeleva, and M. M. Strongin, “Generalization of the mathematical model of lungs for describing the intensity of the tracheal sounds during forced expiration,” Fluid Dyn, vol. 46, no. 1, pp. 16–23, Feb. 2011, doi: 10.1134/S0015462811010029.
[3] Mayank Goel, Elliot Saba, Maia Stiber, Eric Whitmire, Josh Fromm, Eric C Larson, Gaetano Borriello, and Shwetak N Patel. 2016. Spirocall:
Measuring lung function over a phone call. In Proceedings of the 2016 CHI conference on human factors in computing systems. 5675–5685.
*转载自广州市香港科大霍英东研究院官方公众号
张黔教授简介
张黔教授，香港科技大学计算机科学及工程学系讲席教授，腾讯工程学教授席，华为—香港科大联合实验室的联席主任和创办人，在武汉大学取得计算机科学理学学士、理学硕士及哲学博士学位。香港科技大学赛马会高级研究所高级研究员，数字生活研究中心主任。
香港工程科学院院士、IEEE Fellow。于1999年到2005年任微软亚洲研究院无线网络组主任研究员。并于2004年入选MIT TR100青年创新者。
由香港科技大学主理出品的【教授专栏】，汇集来自不同领域教授的学术成果、前沿论断及知识科普，用最新鲜的视角解读社会动态，以最前沿的角度解释科技奥秘。期待通过香港科技大学的平台，聚合更多新锐观点，打造出一期又一期生动又深刻的【教授专栏】！
-end-