可解释的多模态方法：从心电、肌电、血压和呼吸信号中发现中风风险的关键预测因子

为何呼吸与心脏信号对中风很重要

中风来得迅速，但通常在多年间悄然形成。临床已知高血压、心律问题和生活方式会提高风险，然而预测谁真正处于危险中仍然困难。本研究表明，我们的呼吸方式——尤其是体内如何处理二氧化碳——包含有关中风风险的隐性线索。通过在可解释的人工智能（AI）模型中结合呼吸、心脏、肌肉与血压信号，作者揭示了识别高风险患者的新途径，并帮助临床医生理解算法为何做出某个判断。

倾听身体的静默信号

研究者并未使用昂贵且不适合持续监测的脑部影像，而是转向对64名志愿者进行的简单电学与压力测量，其中部分人曾发生缺血性中风，部分未曾发生。他们在受试者坐立两种姿势下记录了七种信号：心脏活动（两通道心电图）、腿部肌电（两通道肌电图）、通过指套测得的血压，以及口部的两项呼吸信号——呼出气中的二氧化碳和气流速率。这些测量类似于医院床旁监护仪或先进可穿戴设备可收集的数据，使得该方法在常规体检中具备潜在可行性。

将原始波形转换为计算机可读的模式

团队将每名受试者的10分钟记录切成许多部分重叠的14秒片段，这段时间足以捕捉数次呼吸与反复的心跳。对每个片段，他们计算了广泛的简单数值描述符——均值、变异性、信号过零次数以及能量在不同频率上的分布等。这些特征总结了各信号的“风格”，而无需存储完整波形，从而降低计算成本并减少噪声。来自七种信号的所有特征随后被堆叠在一起，代表该人在该短时期内的生理表现样本。

一种胜过更深层网络的简单类脑模型

作者没有使用深层、复杂的神经网络，而是选择了非常简单的模型：单层感知器。该模型接收所有数值特征，为每个特征学习一个权重，相乘后求和，再通过压缩函数生成“中风”或“非中风”的概率。尽管结构简单，该模型达到了约85–88%的准确率，优于在相同数据上测试的更复杂方法（如循环与卷积神经网络、集成回声状态网络以及常用的机器学习分类器）。关键的是，当去除呼吸信号（二氧化碳和气流）后，准确率下降到约59%，这一统计学上显著的降低表明，呼吸数据提供了其他信号无法单独捕获的重要信息。

打开黑箱：哪些信号真正重要

临床医生对黑箱式AI持谨慎态度，因此团队使用了三种可解释性工具——SHAP、LIME与Anchors——来识别模型最依赖的特征。三种方法均指向了呼吸特征，尤其是来自二氧化碳的特征，作为预测的关键驱动因子。基于博弈论的解释器SHAP将呼出二氧化碳的平均水平、其变异性与平均血压列为决定样本是否像来自中风患者的前三大贡献因子。较高的平均二氧化碳与较高的血压倾向于推动模型判定为“中风”，而更不规则的二氧化碳模式则表明风险较低。为评估哪个解释器最可靠，作者进行了一个特别测试：移除每种方法列出的顶级特征，观察模型性能下降幅度。SHAP导致的性能下降最大，因此被评为最可靠的解释器。

对患者与临床工作的意义

对非专业人士而言，可得出的结论很直接：你的呼吸方式以及清除二氧化碳的能力，可能与血压或心跳一样能反映中风风险。这项工作表明，将呼吸气体、血压、心脏与肌肉信号的常规监测与简单透明的AI相结合，可在中风发生前很久标记出需要密切关注的人群。由于模型既准确又可解释，临床医生可以看到驱动风险估计的生理指标，从而增强信任并支持有针对性的干预。尽管仍需更大规模的研究，但结果突出了与二氧化碳相关的呼吸测量作为中风预防中有前景的新型标志物。

引用: Krayem, J., Wong, L., Tham, L.K. et al. Explainable multi-modal approach for uncovering key predictors of stroke-risk from ECG, EMG, blood pressure, and respiratory signals. Sci Rep 16, 6906 (2026). https://doi.org/10.1038/s41598-026-37777-4

关键词: 中风风险, 呼吸信号, 二氧化碳, 可解释人工智能, 心电与血压