摘 要：針對(duì)目前慢性阻塞性肺疾病（COPD）篩查方式成本高、普及度低等問題，設(shè)計(jì)了一款基于STM32的COPD氣流阻塞程度模擬監(jiān)測(cè)系統(tǒng)。利用流量傳感器實(shí)現(xiàn)重要肺功能參數(shù)第1秒呼氣容積（FEV1）、用力呼氣肺活量（FVC）、呼氣流量峰值（PEF）的測(cè)量；使用無線技術(shù)和APP實(shí)現(xiàn)數(shù)據(jù)的收集管理；通過3D打印模擬氣管裝置，產(chǎn)生不同呼吸阻塞程度數(shù)據(jù)；通過隨機(jī)森林算法對(duì)不同呼氣氣流阻塞狀態(tài)進(jìn)行分類識(shí)別，達(dá)到了91.11%的識(shí)別準(zhǔn)確率。結(jié)果表明，基于該模擬裝置產(chǎn)生肺功能呼吸阻礙數(shù)據(jù)的方式在呼氣氣流阻塞識(shí)別上具有一定的有效性，對(duì)COPD阻塞程度的監(jiān)測(cè)識(shí)別具有一定的參考價(jià)值。

關(guān)鍵詞：COPD氣流監(jiān)測(cè)系統(tǒng)；3D打印模擬管；模式識(shí)別；APP；肺功能參數(shù)；云平臺(tái)

中圖分類號(hào)：TP29；TN98 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2025）04-00-06

0 引 言

慢性阻塞性肺疾病（COPD）是一種異質(zhì)性的肺部疾病。其特征為由于呼吸道異常引起持續(xù)的、反復(fù)惡化的氣流阻塞[1]。據(jù)文獻(xiàn)[2]研究所知，截至目前我國(guó)COPD患者接近1億人，致死約100萬人，致殘約500萬人。目前，COPD篩查方式普及度低，而且受檢查場(chǎng)所的限制，只有醫(yī)院才有能力進(jìn)行該類疾病的檢測(cè)診斷。此外，由于檢測(cè)復(fù)雜昂貴，許多患者存在漏診和漏治的情況，甚至疾病發(fā)展到了中度或重度階段才被發(fā)現(xiàn)。因此，早診斷、早發(fā)現(xiàn)對(duì)于預(yù)防COPD的加重和惡化至關(guān)重要。

目前，評(píng)估COPD病情嚴(yán)重程度常用的方法是進(jìn)行肺功能檢測(cè)。這是一種有效判斷患者氣流受限情況的方法，具有良好的重復(fù)性和高度的特異性[3]。其檢測(cè)的重要指標(biāo)包括：FEV1、FVC、FEV1/FVC比值以及PEF，通過FEV1/FVC是否小于0.7來判斷氣流受限的情況，通過第1秒呼氣容積所占預(yù)計(jì)值的百分比（FEV1%pred）對(duì)患者COPD氣流阻塞嚴(yán)重程度進(jìn)行分級(jí)[1]，然后根據(jù)分級(jí)情況進(jìn)行病情診斷治療。所以，設(shè)計(jì)監(jiān)測(cè)患者氣流阻塞程度的系統(tǒng)具有非常重要的意義。文獻(xiàn)[4]設(shè)計(jì)了0、20%、60%阻塞率的三維氣管，并使用氣管對(duì)4名健康受試者進(jìn)行呼吸模擬，同時(shí)佩戴ECG傳感器進(jìn)行數(shù)據(jù)采集，然后通過C4.5分類集成方法對(duì)不同阻塞率氣管模擬的阻塞狀態(tài)進(jìn)行識(shí)別。該方法顯示出了人工智能在輔助病情診斷方面的優(yōu)勢(shì)。文獻(xiàn)[5]通過PVC管、三維打印部件和流量計(jì)裝置，使健康受試者產(chǎn)生阻塞性和限制性PPG波形，并使用CNN算法對(duì)健康呼吸波形和阻塞性PPG波形數(shù)據(jù)進(jìn)行訓(xùn)練建模，然后根據(jù)識(shí)別結(jié)果對(duì)疾病進(jìn)行輔助診斷。該研究涉及不同管徑模擬的阻塞性呼吸障礙數(shù)據(jù)，能夠涵蓋輕度、中度、重度和極重度的全部梗阻比值（FEV1/FVC）情況，能夠很大程度上為COPD阻塞嚴(yán)重程度識(shí)別研究提供數(shù)據(jù)來源。因此，通過不同管徑的人工管模擬裝置來生成呼吸障礙性波形數(shù)據(jù)，是一種簡(jiǎn)單且具有物理意義的途徑。以上研究使用ECG、PPG等生理傳感器，在不同阻塞率的裝置下，可以間接測(cè)量用于氣流阻塞狀態(tài)識(shí)別的數(shù)據(jù)波形。氣流阻塞狀態(tài)識(shí)別的結(jié)果容易受患者主動(dòng)意識(shí)行動(dòng)的影響，從而影響對(duì)COPD嚴(yán)重程度的判斷。而通過使用肺活量測(cè)定法對(duì)呼氣氣流進(jìn)行直接測(cè)試，可以直觀地觀察到氣流阻塞情況的變化，同時(shí)，肺活量測(cè)定法也是診斷COPD病情嚴(yán)重程度的黃金標(biāo)準(zhǔn)[6]。因此，本文在研究中設(shè)計(jì)了三維氣流阻塞模擬裝置，用以生成呼氣阻塞性波形數(shù)據(jù)；采用STM32搭載流量傳感器設(shè)計(jì)了便攜式肺功能數(shù)據(jù)采集終端，實(shí)現(xiàn)了對(duì)不同氣流阻塞數(shù)據(jù)的采集；通過APP監(jiān)測(cè)端、數(shù)據(jù)服務(wù)端及遠(yuǎn)程監(jiān)測(cè)服務(wù)器端，實(shí)現(xiàn)了數(shù)據(jù)的傳輸、存儲(chǔ)、顯示；利用上述各個(gè)部分構(gòu)成的系統(tǒng)產(chǎn)生呼吸氣流阻塞數(shù)據(jù)，通過隨機(jī)森林等分類算法，能夠有效識(shí)別呼氣氣流的不同阻塞狀態(tài)，對(duì)COPD疾病的監(jiān)測(cè)診斷研究產(chǎn)生了積極的影響。

1 系統(tǒng)總體設(shè)計(jì)

模擬阻塞裝置為基于3D打印的不同管徑的人工管。便攜式肺功能檢測(cè)終端主要由流量傳感器模塊實(shí)現(xiàn)人體呼氣流量數(shù)據(jù)采集，通過ESP8266無線傳輸模塊，將數(shù)據(jù)借助TCP/IP協(xié)議上傳至阿里云服務(wù)器的MongoDB數(shù)據(jù)庫(kù)中，用于數(shù)據(jù)處理、顯示。主控模塊使用STM32F103C8T6芯片作為微處理器，實(shí)現(xiàn)了傳感器模擬ADC采集、TIM定時(shí)采集等功能。APP移動(dòng)端通過HTML、CSS等技術(shù)實(shí)現(xiàn)了關(guān)鍵肺功能參數(shù)指標(biāo)FEV1/FVC、FEV1%pred、FVC、FEV1及呼氣時(shí)間-容量曲線和容積-流量曲線的顯示。云服務(wù)器后端完成數(shù)據(jù)庫(kù)的搭建，實(shí)現(xiàn)與肺功能儀終端的無線遠(yuǎn)程通信，以及與移動(dòng)APP前端的交互。數(shù)據(jù)服務(wù)端實(shí)現(xiàn)了氣流阻塞嚴(yán)重程度模型的識(shí)別預(yù)測(cè)。系統(tǒng)總體框架如圖1所示。

2 系統(tǒng)硬件設(shè)計(jì)

2.1 流量傳感器采集模塊

流量傳感器是實(shí)現(xiàn)肺功能檢測(cè)的重要組件。本研究選擇基于MEMS傳感單元、微控制單元（MCU）組成的醫(yī)用氣體質(zhì)量流量傳感器CAFS4000B。該傳感器對(duì)相對(duì)潮濕氣體的測(cè)量具有較高的穩(wěn)定性[7]，適用于用力呼氣肺活量的測(cè)量。

美國(guó)胸科協(xié)會(huì)（ATS）[8]對(duì)肺功能儀測(cè)量的要求：可測(cè)容量大于8.0 L，流速測(cè)量范圍為0～14 L/s，測(cè)量精度小于3.0%。文獻(xiàn)[9]根據(jù)測(cè)量要求設(shè)計(jì)的肺功能儀測(cè)量指標(biāo)PEF的范圍達(dá)到了10～600 SLPM，F(xiàn)EV1的范圍達(dá)到了0～10 L，而CAFS4000B的PEF測(cè)量范圍為-550～550 SLPM，F(xiàn)EV1的測(cè)量范圍為0～9.2 L，精度可達(dá)到1.5%，最大流速超過13.16 L/s，滿足了基本的肺功能指標(biāo)測(cè)量要求。

傳感器的模擬量信號(hào)輸出范圍為1～5 V，而STM32的ADC輸入電壓范圍為0～3.3 V。因此，選擇使用電阻R52和R53來調(diào)整傳感器的電壓輸出信號(hào)，使其適應(yīng)STM32的ADC采集范圍。同時(shí)，采用運(yùn)放AD620和濾波電路來減少噪聲信號(hào)的干擾[10]。最終，將信號(hào)輸入到STM32單片機(jī)的ADC引腳進(jìn)行采集分析。CAFS4000B流量傳感器采集調(diào)理電路的連接方式如圖2所示。

2.2 無線通信模塊

為了獲取更多的監(jiān)測(cè)數(shù)據(jù)，需要進(jìn)行日常肺功能測(cè)量。醫(yī)院的大型肺功能儀器便攜性差，費(fèi)用高，難以實(shí)時(shí)監(jiān)控[11]，所以無線通信方式是實(shí)現(xiàn)便攜式測(cè)量的重要技術(shù)手段。本文使用的無線通信模塊為ESP8266，該模塊功耗較低。ESP8266通過UART與STM32進(jìn)行數(shù)據(jù)傳輸，使用AT指令將IP地址與端口發(fā)送至云服務(wù)器端進(jìn)行入網(wǎng)操作；云端將數(shù)據(jù)實(shí)時(shí)存入數(shù)據(jù)庫(kù)中，經(jīng)處理后顯示到APP端，實(shí)現(xiàn)遠(yuǎn)程監(jiān)測(cè)，方便用戶實(shí)時(shí)查看個(gè)人測(cè)量數(shù)據(jù)，實(shí)現(xiàn)自我管理。

2.3 供電模塊和主控模塊

由于本文的肺功能檢測(cè)終端需要實(shí)現(xiàn)移動(dòng)測(cè)量，傳感器輸出模擬量，所以穩(wěn)定的電壓是正確采集數(shù)據(jù)的重要步驟。其中，流量傳感器需要的供電電壓為12 V，ESP8266無線模塊供電電壓為5.0 V，系統(tǒng)供電電壓為3.3 V。考慮系統(tǒng)功耗及肺功能儀體積大小，選擇使用2 000 mA·h/3.7 V鋰電池為設(shè)備供電。先通過LTC3204B芯片將3.7 V電壓轉(zhuǎn)換為5 V，再通過LM1117芯片將5 V電壓轉(zhuǎn)換為3.3 V，然后通過LMR62421芯片將5 V電壓轉(zhuǎn)換為12 V。電壓轉(zhuǎn)換電路如圖3所示。主控模塊使用STM32F103C8T6作為微處理器，搭載ADC、UART等系統(tǒng)外設(shè)實(shí)現(xiàn)基本控制功能。

2.4 氣流阻塞模擬裝置

COPD患者氣流阻塞的主要原因是呼吸道塌陷導(dǎo)致氣道阻塞，從而導(dǎo)致氣流受限。COPD患者會(huì)因?yàn)榧膊〉募又貙?dǎo)致氣道狹窄程度加重，呼氣氣道阻力增加，最大氣流量和氣道通過能力下降[12]。根據(jù)文獻(xiàn)[13]對(duì)患者氣道塌陷位置和形狀的模擬，氣流通過文丘里形狀氣管狹窄處時(shí)會(huì)導(dǎo)致最大流量降低，同時(shí)壓力變化會(huì)導(dǎo)致呼氣阻力增大。所以本系統(tǒng)設(shè)計(jì)了如圖4（a、b、c、d、e字母分別代表5 mm、8 mm、11 mm、16 mm、22 mm管徑的模擬氣道三維建模圖）所示的三維氣管模擬裝置進(jìn)行氣流阻塞模擬實(shí)驗(yàn)。采用該裝置可以對(duì)健康受試者進(jìn)行COPD氣流阻塞情況模擬。

FEV1/FVC比值是判斷氣流受限的黃金指標(biāo)，F(xiàn)EV1%pred是判斷氣流阻塞嚴(yán)重程度的重要指標(biāo)。GOLD指南針中使用FEV1/FVC和FEV1%pred對(duì)COPD患者的嚴(yán)重程度進(jìn)行分級(jí)[14]，見表1。在COPD篩查過程中，早期識(shí)別診斷對(duì)預(yù)防后期疾病惡化十分重要，所以根據(jù)指南分級(jí)標(biāo)準(zhǔn)主要使用5 mm、8 mm、11 mm、16 mm、22 mm的三維人工氣管對(duì)COPD的輕度（Ⅰ級(jí)）、中度（Ⅱ級(jí)）、重度（Ⅲ級(jí)）等情況進(jìn)行了模擬。

3 系統(tǒng)軟件設(shè)計(jì)

3.1 便攜式肺功能檢測(cè)終端程序設(shè)計(jì)

肺功能檢測(cè)終端程序的關(guān)鍵在于呼氣開始和停止時(shí)刻的判斷，其運(yùn)行流程如圖5所示。首先，完成串口、ADC等外設(shè)的初始化，然后以100 Hz的頻率對(duì)傳感器數(shù)據(jù)進(jìn)行ADC采集。判斷連續(xù)10次數(shù)據(jù)大于設(shè)定閾值，則確定為開始呼氣；連續(xù)10次數(shù)據(jù)小于設(shè)定閾值，則為結(jié)束呼氣。一旦檢測(cè)到開始呼氣，對(duì)采集的數(shù)據(jù)進(jìn)行封裝處理后，ESP8266會(huì)實(shí)時(shí)將數(shù)據(jù)透?jìng)髦涟⒗镌品?wù)器平臺(tái)，以進(jìn)行數(shù)據(jù)處理和存儲(chǔ)。

3.2 阿里云服務(wù)器平臺(tái)后端軟件功能設(shè)計(jì)

云服務(wù)器端在實(shí)現(xiàn)遠(yuǎn)程監(jiān)控方面起著至關(guān)重要的作用，是數(shù)據(jù)傳輸管理的樞紐。云服務(wù)器端的關(guān)鍵技術(shù)要點(diǎn)包括：通過Socket模塊實(shí)現(xiàn)與硬件用戶終端的通信；通過Mongoose模塊實(shí)現(xiàn)處理數(shù)據(jù)的存儲(chǔ)；通過Axios模塊實(shí)現(xiàn)與手機(jī)APP端的交互；通過HTTP實(shí)現(xiàn)與數(shù)據(jù)服務(wù)端的通信。云服務(wù)器后端功能架構(gòu)如圖6所示。

3.3 APP移動(dòng)終端功能的軟件設(shè)計(jì)

APP移動(dòng)終端的功能包括用戶注冊(cè)登錄，容積-時(shí)間、容積-流量呼氣曲線的顯示，PEF、FEV1、FVC、FEV1%pred等參數(shù)指標(biāo)的獲取，在線報(bào)告查詢。APP端通過Axios模塊獲取服務(wù)器后端數(shù)據(jù)庫(kù)中的數(shù)據(jù)實(shí)現(xiàn)上述功能。用戶根據(jù)APP提供的報(bào)告記錄、趨勢(shì)記錄查看監(jiān)測(cè)情況，實(shí)現(xiàn)自我管理。COPD模擬氣流阻塞監(jiān)測(cè)報(bào)告如圖7所示。

肺功能參數(shù)FVC為每10 ms采集的瞬時(shí)體積流量對(duì)時(shí)間的積分。計(jì)算公式為：

（1）

式中：flow為每次采集的流量數(shù)據(jù)，單位為L(zhǎng)/min；Δt為采樣數(shù)據(jù)的時(shí)間間隔，即10 ms。

FEV1指1 s內(nèi)呼氣瞬時(shí)流量值的積分。采樣時(shí)間間隔為10 ms，即1 s內(nèi)有100次數(shù)據(jù)，則n=100。計(jì)算公式為：

（2）

PEF為整個(gè)呼氣階段最大的瞬時(shí)體積流量。預(yù)計(jì)值指標(biāo)主要根據(jù)測(cè)試者的身高、體重、年齡、性別進(jìn)行計(jì)算[15]。計(jì)算公式為：

（3）

（4）

式中：S表示性別；A表示年齡；H表示身高。

3.4 數(shù)據(jù)服務(wù)端的軟件功能設(shè)計(jì)

使用HTTP協(xié)議獲取數(shù)據(jù)庫(kù)中存儲(chǔ)的阻塞裝置模擬數(shù)據(jù)，將數(shù)據(jù)預(yù)處理后按照8∶2的比例分割為訓(xùn)練集和測(cè)試集，并選擇合適算法對(duì)數(shù)據(jù)訓(xùn)練建模，最后通過訓(xùn)練模型實(shí)時(shí)預(yù)測(cè)模擬裝置的測(cè)量類別結(jié)果，并將結(jié)果顯示到基于PyQt 5設(shè)計(jì)的GUI界面上，便于進(jìn)行數(shù)據(jù)監(jiān)測(cè)與管理。數(shù)據(jù)服務(wù)端數(shù)據(jù)處理流程如圖8所示。

4 系統(tǒng)結(jié)果測(cè)試和驗(yàn)證

4.1 肺功能檢測(cè)終端測(cè)試結(jié)果

本文使用便攜式肺功能檢測(cè)終端對(duì)肺功能參數(shù)FEV1、FVC、PEF進(jìn)行多次測(cè)量，將測(cè)量數(shù)據(jù)和醫(yī)院的耶格肺功能儀測(cè)試數(shù)據(jù)（如圖9所示）進(jìn)行比較。由此可知，本系統(tǒng)的肺功能系統(tǒng)測(cè)量數(shù)據(jù)與耶格測(cè)量數(shù)據(jù)誤差均小于15%（見表2）。其中，F(xiàn)EV1和FVC的指標(biāo)誤差與耶格肺功能測(cè)量數(shù)據(jù)之間的誤差偏大，原因是耶格肺功能儀測(cè)試時(shí)間要求達(dá)到

6 s以上，而檢測(cè)終端通過用力肺活量方法測(cè)量數(shù)據(jù)時(shí)大部分人很難堅(jiān)持6 s以上，從而導(dǎo)致本肺功能儀檢測(cè)終端測(cè)量數(shù)據(jù)偏低，測(cè)量誤差偏大；PEF參數(shù)測(cè)量誤差相比FEV1和FVC較低。患者呼氣用力程度的不同會(huì)導(dǎo)致測(cè)試數(shù)據(jù)存在差異，盡管如此，這些誤差都在可允許誤差范圍內(nèi)。

4.2 氣流阻塞模擬裝置實(shí)驗(yàn)結(jié)果

本文邀請(qǐng)7名志愿者（4男3女）測(cè)量管徑分別為5 mm、8 mm、11 mm、16 mm、22 mm氣流阻塞模擬裝置的肺功能參數(shù)。每人在每個(gè)裝置中連續(xù)測(cè)量3次并取均值。APP根據(jù)各位測(cè)試者的身高、體重、年齡、性別計(jì)算出FEV1的預(yù)計(jì)值，與FEV1的實(shí)際測(cè)量值進(jìn)行計(jì)算得到FEV1%pred。根據(jù)GOLD指南分類標(biāo)準(zhǔn)，F(xiàn)EV1% pred測(cè)量情況與氣流阻塞嚴(yán)重程度對(duì)應(yīng)關(guān)系如圖10所示。由此可以看出，5 mm、8 mm處FEV1%pred集中在30%～50%，11 mm、16 mm處FEV1%pred集中在50%～80%，22 mm處受試者FEV1%pred約為80%。根據(jù)模擬裝置測(cè)量范圍，最終選擇5 mm管徑模擬仿真Ⅲ級(jí)氣流阻塞情況，11 mm管徑仿真Ⅱ級(jí)氣流阻塞情況，22 mm管徑仿真Ⅰ級(jí)氣流阻塞情況。

4.3 隨機(jī)森林算法模型預(yù)測(cè)結(jié)果

正常受試者通過選取的三維人工模擬氣管裝置測(cè)量不同阻塞情況的數(shù)據(jù)。不同人工氣管數(shù)據(jù)對(duì)應(yīng)不同的模型標(biāo)簽，然后通過分類識(shí)別算法對(duì)不同阻塞情況的數(shù)據(jù)進(jìn)行預(yù)測(cè)。

GUI界面通過設(shè)置的IP地址和云服務(wù)器端口號(hào)獲取云平臺(tái)監(jiān)測(cè)數(shù)據(jù)并進(jìn)行預(yù)測(cè)顯示。監(jiān)測(cè)結(jié)果顯示當(dāng)前測(cè)量肺功能參數(shù)以及氣流阻塞情況的預(yù)測(cè)結(jié)果。通過觀測(cè)曲線可以查看測(cè)試者30天內(nèi)FEV1和FVC測(cè)量數(shù)據(jù)的趨勢(shì)，便于測(cè)試者查看近期肺功能的檢查情況。

用于COPD疾病嚴(yán)重程度識(shí)別的算法通常有隨機(jī)森林、SVM、KNN等。使用7人共1 500組數(shù)據(jù)，按照8∶2的比例劃分為訓(xùn)練集和測(cè)試集，通過調(diào)用sklearn庫(kù)完成分類識(shí)別模型的搭建和參數(shù)的優(yōu)化，并通過準(zhǔn)確率、精確率、F1值評(píng)價(jià)指標(biāo)對(duì)模型的預(yù)測(cè)效果進(jìn)行評(píng)價(jià)。

通過比較評(píng)價(jià)指標(biāo)可知，隨機(jī)森林的預(yù)測(cè)準(zhǔn)確率達(dá)到了91.11%；KNN算法的準(zhǔn)確率相對(duì)較低，為83.89%。各分類預(yù)測(cè)算法評(píng)價(jià)指標(biāo)見表3。最后選用隨機(jī)森林算法作為COPD氣流阻塞嚴(yán)重程度的預(yù)測(cè)分類算法，并使用5 mm、11 mm、22 mm的管徑模擬裝置對(duì)隨機(jī)森林算法模型預(yù)測(cè)結(jié)果進(jìn)行測(cè)試驗(yàn)證。預(yù)測(cè)結(jié)果分別如圖11所示，其中22 mm管徑預(yù)測(cè)結(jié)果能夠?qū)?yīng)呼氣氣流輕度阻塞情況模擬，11 mm管徑預(yù)測(cè)結(jié)果能夠?qū)?yīng)呼氣氣流中度阻塞情況模擬，5 mm管徑預(yù)測(cè)結(jié)果能夠?qū)?yīng)呼氣氣流重度阻塞情況模擬，符合FEV1%pred所對(duì)應(yīng)的分級(jí)結(jié)果。從圖11中曲線的變化趨勢(shì)也可以觀測(cè)到，從輕度到中度再到重度的過程中，F(xiàn)EV1和FVC的測(cè)量數(shù)據(jù)中從大到小的趨勢(shì)也符合呼氣氣流阻塞程度逐漸增加的變化趨勢(shì)。

5 結(jié) 語

針對(duì)目前慢性阻塞性肺疾?。–OPD）篩查方式成本高、普及度低等問題，本文設(shè)計(jì)了一款基于STM32的COPD氣流阻塞程度模擬監(jiān)測(cè)系統(tǒng)。健康受試者通過人工模擬裝置，使系統(tǒng)可以模擬不同的阻塞情況，并對(duì)阻塞情況進(jìn)行有效識(shí)別。針對(duì)無法完成EOT測(cè)試的肺功能疾病患者，如何使用本系統(tǒng)肺功能檢測(cè)終端并完成測(cè)試是后續(xù)研究的重要方向。未來，本文將增加臨床數(shù)據(jù)來進(jìn)一步驗(yàn)證COPD氣流阻塞程度模擬監(jiān)測(cè)系統(tǒng)的有效性。

參考文獻(xiàn)

[1]王浩，文富強(qiáng). 2023年慢性阻塞性肺疾病全球倡議（GOLD）更新解讀[J].中華結(jié)核和呼吸雜志，2023，46（5）：543-546.

[2]李慶華.慢阻肺早發(fā)現(xiàn)肺功能檢測(cè)是關(guān)鍵[N].中國(guó)勞動(dòng)保障報(bào)，2019-05-22（005）.

[3]田建魁.肺功能檢測(cè)在慢性阻塞性肺疾病診斷中的應(yīng)用價(jià)值[J].吉林醫(yī)學(xué)，2014，35（33）：7405-7406.

[4] SINGER G， RATNOVSKY A， NAFTALI S. Classification of severity of trachea stenosis from EEG signals using ordinal decision-tree based algorithms and ensemble-based ordinal and non-ordinal algorithms [J]. Expert systems with application， 2021， 173： 114707.

[5] DAVIES H J， HAMMOUR G， MANDIC D P. An apparatus for the simulation of breathing disorders： physically meaningful generation of surrogate data [EB/OL]. （2022-10-06）. https：//doi.org/10.48550/arXiv.2109.06699.

[6]佚名. 《慢性阻塞性肺疾病診治指南（2021年修訂版）》診斷要點(diǎn)[J].實(shí)用心腦肺血管病雜志，2021，29（6）：134.

[7]無錫康森斯克電子科技有限公司. CAFS4000B Datashee下載[EB/OL]. http：//www.consensic.com/download.

[8]常虹.呼吸肌訓(xùn)練在慢性阻塞性肺疾病治療中的作用[J].中國(guó)醫(yī)藥導(dǎo)報(bào)，2013，10（10）：38-39.

[9]郭珊山.便攜式高精度哮喘病監(jiān)測(cè)系統(tǒng)的研究與設(shè)計(jì)[D].廣州：華南理工大學(xué)，2017.

[10]常國(guó)鋒，許利軍.基于阿里云的工業(yè)廢氣遠(yuǎn)程監(jiān)測(cè)系統(tǒng)設(shè)計(jì)[J].儀表技術(shù)與傳感器，2020（7）：90-93.

[11]柏玲，宋新，李晨霞，等.峰流速儀在支氣管哮喘的臨床研究現(xiàn)狀[J].世界最新醫(yī)學(xué)信息文摘，2019，19（74）：41.

[12] MUTUKU J K， HOU W C， CHEN W H. An overview of experiments and numerical simulations on airflow and aerosols deposition in human airways and the role of bioaerosol motion in COVID-19 transmission [J]. Aerosol and air quality research， 2020， 20（6）： 1172-1196.

[13] SUL B， WALLQVIST A， MORRIS M J， et al. A computational study of the respiratory airflow characteristics in normal and obstructed human airways [J]. Computers in biology amp; medicine， 2014， 52： 130-143.

[14] SINGH D， AGUSTI A， ANZUETO A， et al. Global strategy for the diagnosis， management， and prevention of chronic obstructive lung disease： the GOLD science committee report 2019 [J]. European respiratory journal， 2019， 53： 1900164.

[15]任為英，朱蕾，趙蓉雅，等.上海市成人肺功能醫(yī)學(xué)參考值范圍的初步研究[J].中國(guó)呼吸與危重監(jiān)護(hù)雜志，2012，11（3）：253-256.