CN115804585B - 一种基于机械通气波形检测气道高阻力的方法及系统 - Google Patents

Abstract

本发明提供了一种基于机械通气波形检测气道高阻力的方法及系统，本发明基于获取的患者的机械通气波形数据计算所需检测的单次呼吸的特征，再将单次呼吸的特征输入至训练好的气道高阻力检测模型，训练好的气道高阻力检测模型输出当前单次呼吸是否为气道高阻力的预测结果。本发明通过呼吸机数据实现对机械通气中患者气道阻力情况的实时评估，为临床医生在对患者的机械通气方案进行调整时提供一定的参考。

Description

一种基于机械通气波形检测气道高阻力的方法及系统

技术领域

本发明涉及一种基于机械通气波形检测气道高阻力的方法及系统，属于医学信号处理领域。

背景技术

在使用呼吸机对重症病人实施有创机械通气期间，呼吸系统的气道阻力是指导机械通气参数设置的重要指标。气道阻力的升高与一些呼吸系统疾病有关，包括：慢性支气管炎、肺气肿、支气管哮喘、间质性肺病等肺、呼吸道病变。通过人工床旁观测机械通气波形识别气道高阻力（高阻力和气道陷闭）需要较为丰富的临床经验，且难以持续监测，而常规的肺功能检查无法用于机械通气中的患者。

发明内容

本发明的目的是针对现有技术中常规的肺功能检查无法用于机械通气中的患者、医护人员较难获取机械通气患者的气道阻力情况的问题，提供一种机械通气下检测气道高阻力的方法及系统。

本发明解决其技术问题所采用的技术方案是：

一种基于机械通气波形检测气道高阻力的方法，该方法为：

获取患者的机械通气波形数据，基于获取的患者的机械通气波形数据计算所需检测的单次呼吸的特征；

将单次呼吸的特征输入至训练好的气道高阻力检测模型，训练好的气道高阻力检测模型输出当前单次呼吸是否为气道高阻力的预测结果；

其中，所述训练好的气道高阻力检测模型是基于收集的训练数据集训练获得的，所述训练数据集的每一样本包含单次呼吸的特征及对应的标签；

所述单次呼吸的特征包括：呼气峰流速PEF、呼气时间Te、呼气容积Ve、吸呼比I:E、呼气阻力Re、从呼气开始到呼出Xml气体容积所用的时间TV X ml、从呼气开始到呼出的气体容积占总呼气容积Ve的百分比为Y所用的时间TV Y %、从呼气开始到呼出Xml气体容积所用的时间占总呼气时间Te的百分比TRV X ml、从呼气开始到呼出的气体容积占总呼气容积Ve的百分比为Y所用的时间占总呼气时间Te的百分比TRV Y %、呼气开始到呼出Xml气体容积时的呼气流速FV X ml、呼气开始到呼出的气体容积占总呼气容积Ve的百分比为Y时的呼气流速FV Y %、呼气开始到呼出Xml气体容积时的呼气流速与呼气峰流速PEF的比值FRV Xml、呼气开始到呼出的气体容积占总呼气容积Ve的百分比为Y时的呼气流速与呼气峰流速PEF的比值FRV Y %、呼气开始经过M s所呼出的气体容积VT M s、呼气开始经过总呼气时间Te的百分之N时所呼出的气体容积VT N %、呼气开始经过M s所呼出的气体容积占总呼气容积Ve的百分比VRT M s、呼气开始经过总呼气时间Te的百分之N时所呼出的气体容积占总呼气容积Ve的百分比VRT N %、呼气开始经过M s时的呼气流速FT M s、呼气开始经过总呼气时间Te的百分之N时的呼气流速FT N %、呼气开始经过M s时的呼气流速与呼气峰流速PEF的比值FRT M s、呼气开始经过总呼气时间Te的百分之N时的呼气流速与呼气峰流速PEF的比值FRT N %、呼气开始到呼气流速下降了呼气峰流速PEF的百分之K时所呼出的气体容积VF K %、呼气开始到呼气流速下降了呼气峰流速PEF的百分之K时所呼出的气体容积占总呼气容积Ve的百分比VRF K %、呼气开始到呼气流速下降了呼气峰流速PEF的百分之K时所经过的时间TF K %、呼气开始到呼气流速下降了呼气峰流速PEF的百分之K时所经过的时间占总呼气时间Te的百分比TRF K %中的一种或多种。

进一步地，所述气道高阻力检测模型采用的结构为神经网络或逻辑回归模型。

进一步地，所述逻辑回归模型表示为：

其中，x是单次呼气的特征向量，w是权重系数向量，由训练获得。

进一步地，所述逻辑回归模型训练的损失函数为：

其中，m为样本数，σ²为使得w服从零均值正态分布时的方差，y_j是第j个样本的标签，x_j是第j个样本对应的单次呼气的特征向量。

进一步地，还包括特征降维步骤：

依据训练好的权重系数向量中各个特征对应的权重系数对特征重要性进行排序，丢弃重要性低的特征对特征降维。

进一步地，所述特征降维步骤具体为：

执行V组实验，每组实验从训练数据集中抽取部分样本作为子训练数据集进行多次训练，其中，每次训练完成后依据训练好的权重系数向量中各个特征对应的权重系数对特征重要性进行排序，丢弃重要性最低的特征，保留的特征作为下一次训练子训练数据集样本的单次呼吸的特征向量的构成；将保留至最后的Q个特征的计数加1，Q＜P，P为第一次训练的候选的特征数量；

当V组实验结束后，统计计数大于等于V-1的特征，入选最终筛选得到的特征子集。

一种基于机械通气波形检测气道高阻力的系统，用于实现上述基于机械通气波形检测气道高阻力的方法，系统包括：

数据预处理模块，用于获取患者的机械通气波形数据，并基于获取的患者的机械通气波形数据计算所需检测的单次呼吸的特征；

检测模块，用于将单次呼吸的特征输入至训练好的气道高阻力检测模型，训练好的气道高阻力检测模型输出当前单次呼吸是否为气道高阻力的预测结果；

其中，所述训练好的气道高阻力检测模型是基于收集的训练数据集训练获得的，所述训练数据集的每一样本包含单次呼吸的特征及对应的标签；

所述单次呼吸的特征包括：呼气峰流速PEF、呼气时间Te、呼气容积Ve、吸呼比I:E、呼气阻力Re、从呼气开始到呼出Xml气体容积所用的时间TV X ml、从呼气开始到呼出的气体容积占总呼气容积Ve的百分比为Y所用的时间TV Y %、从呼气开始到呼出Xml气体容积所用的时间占总呼气时间Te的百分比TRV X ml、从呼气开始到呼出的气体容积占总呼气容积Ve的百分比为Y所用的时间占总呼气时间Te的百分比TRV Y %、呼气开始到呼出Xml气体容积时的呼气流速FV X ml、呼气开始到呼出的气体容积占总呼气容积Ve的百分比为Y时的呼气流速FV Y %、呼气开始到呼出Xml气体容积时的呼气流速与呼气峰流速PEF的比值FRV Xml、呼气开始到呼出的气体容积占总呼气容积Ve的百分比为Y时的呼气流速与呼气峰流速PEF的比值FRV Y %、呼气开始经过M s所呼出的气体容积VT M s、呼气开始经过总呼气时间Te的百分之N时所呼出的气体容积VT N %、呼气开始经过M s所呼出的气体容积占总呼气容积Ve的百分比VRT M s、呼气开始经过总呼气时间Te的百分之N时所呼出的气体容积占总呼气容积Ve的百分比VRT N %、呼气开始经过M s时的呼气流速FT M s、呼气开始经过总呼气时间Te的百分之N时的呼气流速FT N %、呼气开始经过M s时的呼气流速与呼气峰流速PEF的比值FRT M s、呼气开始经过总呼气时间Te的百分之N时的呼气流速与呼气峰流速PEF的比值FRT N %、呼气开始到呼气流速下降了呼气峰流速PEF的百分之K时所呼出的气体容积VF K %、呼气开始到呼气流速下降了呼气峰流速PEF的百分之K时所呼出的气体容积占总呼气容积Ve的百分比VRF K %、呼气开始到呼气流速下降了呼气峰流速PEF的百分之K时所经过的时间TF K %、呼气开始到呼气流速下降了呼气峰流速PEF的百分之K时所经过的时间占总呼气时间Te的百分比TRF K %中的一种或多种。

本发明的有益效果是：本发明提供了一种基于机械通气波形检测气道高阻力的方法及系统，通过呼吸机数据实现对机械通气中患者气道阻力情况的实时评估，为临床医生在对患者的机械通气方案进行调整时提供一定的参考。同时可以一定程度上的降低临床医生的工作量，无需医生进行床旁监测，也能获取患者的气道阻力情况。可提供报警功能，提醒临床医生患者的气道阻力情况可能出现异常，有利于患者的治疗。

附图说明

图1 为气道高阻力检测模型训练流程示意图。

图2为气道阻力正常和气道高阻力机械通气波形的典型示意图。

图3为本发明就机器学习方法与各敏感参数单因素指标对气道阻力正常患者和气道高阻力患者的敏感性分析图。

图4 为机械通气波形检测气道高阻力的系统。

具体实施方式

为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。

本发明提供了一种基于机械通气波形检测气道高阻力的方法，该方法为：

获取患者的机械通气波形数据，基于获取的患者的机械通气波形数据计算所需检测的单次呼吸的特征；

将单次呼吸的特征输入至训练好的气道高阻力检测模型，训练好的气道高阻力检测模型输出当前单次呼吸是否为气道高阻力的预测结果。

本发明中的单次呼吸的特征是通过临床医生对压力、流速、潮气量波形在气道阻力正常和气道高阻力上的不同表现，从呼气时间、呼气容积、呼气流速等角度设计的，包括PEF 、Te 、Ve、I:E、Re、TV X ml、TV Y %、TRV X ml、TRV Y %、FV X ml、FV Y %、FRV X ml、FRV Y %、VT M s、VT N %、VRT M s、VRT N %、FT M s、FT N %、FRT M s、FRT N %、VF K %、VRF K %、TF K %、TRF K %，其中：

PEF为呼气峰流速。

Te为呼气时间。

Ve为呼气容积。

I:E为吸呼比，计算公式如下：

其中，Ti为吸气时间、Te为呼气时间。

Re为呼气阻力，计算公式如下：

其中，Pplat为平台压，PEEP为呼气末正压。

TV X ml为从呼气开始到呼出Xml气体容积所用的时间。

TV Y %为从呼气开始到呼出的气体容积占总呼气容积Ve的百分比为Y所用的时间。

TRV X ml为从呼气开始到呼出Xml气体容积所用的时间占总呼气时间Te的百分比。

TRV Y %为从呼气开始到呼出的气体容积占总呼气容积Ve的百分比为Y所用的时间占总呼气时间Te的百分比。

FV X ml为从呼气开始到呼出Xml气体容积时的呼气流速。

FV Y % 为从呼气开始到呼出的气体容积占总呼气容积Ve的百分比为Y时的呼气流速。

FRV X ml为从呼气开始到呼出Xml气体容积时的呼气流速与呼气峰流速PEF的比值。

FRV Y %为从呼气开始到呼出的气体容积占总呼气容积Ve的百分比为Y时的呼气流速与呼气峰流速PEF的比值。

VT M s为从呼气开始经过M s所呼出的气体容积。

VT N %为从呼气开始经过总呼气时间Te的百分之N时所呼出的气体容积。

VRT M s为从呼气开始经过M s所呼出的气体容积占总呼气容积Ve的百分比。

VRT N %为从呼气开始经过总呼气时间Te的百分之N时所呼出的气体容积占总呼气容积Ve的百分比。

FT M s为从呼气开始经过M s时的呼气流速。

FT N %为从呼气开始经过总呼气时间Te的百分之N时的呼气流速。

FRT M s为从呼气开始经过M s时的呼气流速与呼气峰流速PEF的比值。

FRT N %为从呼气开始经过总呼气时间Te的百分之N时的呼气流速与呼气峰流速PEF的比值。

VF K %为从呼气开始到呼气流速下降了呼气峰流速PEF的百分之K时所呼出的气体容积。

VRF K %为从呼气开始到呼气流速下降了呼气峰流速PEF的百分之K时所呼出的气体容积占总呼气容积Ve的百分比。

TF K %为从呼气开始到呼气流速下降了呼气峰流速PEF的百分之K时所经过的时间。

TRF K %为从呼气开始到呼气流速下降了呼气峰流速PEF的百分之K时所经过的时间占总呼气时间Te的百分比。

上述的单次呼吸的特征在气道阻力正常和气道高阻力上均具有不同表现，如图2所示，构成特征向量基于训练好的气道高阻力检测模型能够有效区分气道阻力正常和气道高阻力，如图3所示，单个特征或者特征组合（Re、PEF、Ve、TRF 75%、FT 25%、VF 75%）均具有良好的区分效果。本发明中的气道高阻力检测模型的结构可以采用通用的神经网络或者逻辑回归（Logistics Regression, LR）模型等，以下以逻辑回归模型作为气道高阻力检测模型，对本发明作进一步说明。

本发明的气道高阻力检测模型训练过程包括以下几个步骤：

（1）收集并标注气道阻力正常和气道高阻力的机械通气波形。

由专业的呼吸治疗师对机械通气患者的单次呼吸进行标注。标注类型包括高阻力、气道陷闭（阳性组，128714次呼吸）与气道阻力正常（阴性组，96650次呼吸）。

（2）基于机械通气波形，选择并提取单次呼吸的特征，构建训练数据集。

PEF 、Te 、Ve、I:E、Re、TV X ml、TV Y %、TRV X ml、TRV Y %、FV X ml、FV Y %、FRVX ml、 FRV Y %、VT M s、VT N %、VRT M s、VRT N %、FT M s、FT N %、FRT M s、FRT N %、VFK %、VRF K %、TF K %、TRF K %。

其中，X取100、200、300，Y取25、50，75，M取0.5、1、1.5，N取25、50、75，K取25、50、75。

（3）基于构建的训练数据集对构建的LR模型进行训练，得到训练好的气道高阻力检测模型。训练的具体过程如下：

a:构造LR模型

权重系数：

特征值：

标签：

其中，w₀为偏置系数、x₀为偏置系数对应的特征值，数值为1。

则LR模型的函数表示为：

b:构造损失函数（使用L2正则化）

损失函数：

其中，m为样本数，σ²为使得w服从零均值正态分布时的方差，n是特征数量。

c:将训练数据集的每一样本作为输入，最小化损失函数以求得权重系数（w）

通过随机梯度下降更新迭代权重系数w。

其中，α为学习率。

d：获取预测结果最佳分类阈值

通过预测函数h_w(x)计算每个样本的预测置信度，以y作为标签。通过ROC分析得到最佳分类置信度阈值T_value。

作为一优选方案，本发明还包括特征降维筛选步骤：依据训练好的权重系数向量中各个特征对应的权重系数对特征重要性进行排序，丢弃重要性低的特征对特征降维。包含特征降维步骤的模型训练流程如图1所示，使用筛选后的特征重训练以获得简单、性能又好的气道高阻力检测模型。

特征降维筛选步骤可以通过一次训练直接筛选，或者通过多次训练筛选，即：

初始总共有P个候选特征，所有特征被送入用于分类的逻辑回归模型中进行训练，根据各个特征的权重系数对特征重要性进行排序，丢弃重要性最低的特征。重复该过程，直到剩下Q个特征（Q＜P）。

进一步的，上述实验执行V组，每组都从总样本中随机抽取部分样本用于训练LR模型。在每组实验中，将保留至最后的Q个特征的计数加1。

当V组实验结束后，统计计数大于等于V-1的特征，入选最终筛选得到的特征子集。

本实施例中，初始总特征N在这一特例中为65，Q取10，V取5。最终经过特征降维筛选后的特征为：Re、PEF、Ve、TRF 75%、FT 25%、VF 75%。

最终使用降维后的特征子集构建训练最终用于分类的LR模型。如图3所示，性能指标：AUC为0.944±0.001、灵敏度为0.888±0.0016、特异性为0.891±0.0026。

利用基于上述所构建的气道高阻力检测模型，进行机械通气波形检测气道高阻力的检测，步骤如下：

a：获取患者的机械通气波形数据，基于获取的患者的机械通气波形数据计算所需检测的该次呼吸的特征，在这一具体实施例中即为Re、PEF、Ve、TRF 75%、FT 25%、VF 75%这六个特征值，与偏置值与偏置系数一同存入x和w，记作：

其中，w₀为模型的偏置系数，1为偏置系数的特征值。

b：将特征送入LR模型进行检测。

计算得到的预测结果h_w(x)大于T_value=0.455的检测为气道高阻力。

与前述一种基于机械通气波形检测气道高阻力的方法的实施例相对应，本发明还提供了一种基于机械通气波形检测气道高阻力的系统的实施例。

参见图4，本发明实施例提供的一种基于机械通气波形检测气道高阻力的系统，用于实现上述基于机械通气波形检测气道高阻力的方法，系统包括：

数据预处理模块，用于获取患者的机械通气波形数据，并基于获取的患者的机械通气波形数据计算所需检测的单次呼吸的特征；

检测模块，用于将单次呼吸的特征输入至训练好的气道高阻力检测模型，训练好的气道高阻力检测模型输出当前单次呼吸是否为气道高阻力的预测结果；

其中，所述训练好的气道高阻力检测模型是基于收集的训练数据集训练获得的，所述训练数据集的每一样本包含单次呼吸的特征及对应的标签；

对于系统实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

显然，上述实例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法把所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围。

Claims (7)

1.一种基于机械通气波形检测气道高阻力的方法，其特征在于，该方法为：

获取患者的机械通气波形数据，基于获取的患者的机械通气波形数据计算所需检测的单次呼吸的特征；

将单次呼吸的特征输入至训练好的气道高阻力检测模型，训练好的气道高阻力检测模型输出当前单次呼吸是否为气道高阻力的预测结果；

其中，所述训练好的气道高阻力检测模型是基于收集的训练数据集训练获得的，所述训练数据集的每一样本包含单次呼吸的特征及对应的标签；

所述单次呼吸的特征包括：呼气峰流速PEF、呼气时间Te、呼气容积Ve、呼气阻力Re、从呼气开始到呼出Xml气体容积所用的时间TV X ml、从呼气开始到呼出的气体容积占总呼气容积Ve的百分比为Y所用的时间TV Y %、从呼气开始到呼出Xml气体容积所用的时间占总呼气时间Te的百分比TRV X ml、从呼气开始到呼出的气体容积占总呼气容积Ve的百分比为Y所用的时间占总呼气时间Te的百分比TRV Y %、呼气开始到呼出Xml气体容积时的呼气流速FV X ml、呼气开始到呼出的气体容积占总呼气容积Ve的百分比为Y时的呼气流速FV Y %、呼气开始到呼出Xml气体容积时的呼气流速与呼气峰流速PEF的比值FRV X ml、呼气开始到呼出的气体容积占总呼气容积Ve的百分比为Y时的呼气流速与呼气峰流速PEF的比值FRV Y%、呼气开始经过M s所呼出的气体容积VT M s、呼气开始经过总呼气时间Te的百分之N时所呼出的气体容积VT N %、呼气开始经过M s所呼出的气体容积占总呼气容积Ve的百分比VRTM s、呼气开始经过总呼气时间Te的百分之N时所呼出的气体容积占总呼气容积Ve的百分比VRT N %、呼气开始经过M s时的呼气流速FT M s、呼气开始经过总呼气时间Te的百分之N时的呼气流速FT N %、呼气开始经过M s时的呼气流速与呼气峰流速PEF的比值FRT M s、呼气开始经过总呼气时间Te的百分之N时的呼气流速与呼气峰流速PEF的比值FRT N %、呼气开始到呼气流速下降了呼气峰流速PEF的百分之K时所呼出的气体容积VF K %、呼气开始到呼气流速下降了呼气峰流速PEF的百分之K时所呼出的气体容积占总呼气容积Ve的百分比VRFK %、呼气开始到呼气流速下降了呼气峰流速PEF的百分之K时所经过的时间TF K %、呼气开始到呼气流速下降了呼气峰流速PEF的百分之K时所经过的时间占总呼气时间Te的百分比TRF K %中的一种或多种。

2.根据权利要求1所述的方法，其特征在于，所述气道高阻力检测模型采用的结构为神经网络或逻辑回归模型。

3.根据权利要求2所述的方法，其特征在于，所述逻辑回归模型表示为：

；

其中，x是单次呼气的特征向量，w是权重系数向量，由训练获得。

4.根据权利要求3所述的方法，其特征在于，所述逻辑回归模型训练的损失函数为：

；

其中，m为样本数，σ²为使得w服从零均值正态分布时的方差，y_j是第j个样本的标签，x_j是第j个样本对应的单次呼气的特征向量。

5.根据权利要求3所述的方法，其特征在于，还包括特征降维步骤：

依据训练好的权重系数向量中各个特征对应的权重系数对特征重要性进行排序，丢弃重要性低的特征对特征降维。

6.根据权利要求5所述的方法，其特征在于，所述特征降维步骤具体为：

执行V组实验，每组实验从训练数据集中抽取部分样本作为子训练数据集进行多次训练，其中，每次训练完成后依据训练好的权重系数向量中各个特征对应的权重系数对特征重要性进行排序，丢弃重要性最低的特征，保留的特征作为下一次训练子训练数据集样本的单次呼吸的特征向量的构成；将保留至最后的Q个特征的计数加1，Q＜P，P为第一次训练的候选的特征数量；

当V组实验结束后，统计计数大于等于V-1的特征，入选最终筛选得到的特征子集。

7.一种基于机械通气波形检测气道高阻力的系统，其特征在于，用于实现权利要求1-6任一项所述基于机械通气波形检测气道高阻力的方法，系统包括：

数据预处理模块，用于获取患者的机械通气波形数据，并基于获取的患者的机械通气波形数据计算所需检测的单次呼吸的特征；

检测模块，用于将单次呼吸的特征输入至训练好的气道高阻力检测模型，训练好的气道高阻力检测模型输出当前单次呼吸是否为气道高阻力的预测结果；

其中，所述训练好的气道高阻力检测模型是基于收集的训练数据集训练获得的，所述训练数据集的每一样本包含单次呼吸的特征及对应的标签；

所述单次呼吸的特征包括：呼气峰流速PEF、呼气时间Te、呼气容积Ve、呼气阻力Re、从呼气开始到呼出Xml气体容积所用的时间TV X ml、从呼气开始到呼出的气体容积占总呼气容积Ve的百分比为Y所用的时间TV Y %、从呼气开始到呼出Xml气体容积所用的时间占总呼气时间Te的百分比TRV X ml、从呼气开始到呼出的气体容积占总呼气容积Ve的百分比为Y所用的时间占总呼气时间Te的百分比TRV Y %、呼气开始到呼出Xml气体容积时的呼气流速FV X ml、呼气开始到呼出的气体容积占总呼气容积Ve的百分比为Y时的呼气流速FV Y %、呼气开始到呼出Xml气体容积时的呼气流速与呼气峰流速PEF的比值FRV X ml、呼气开始到呼出的气体容积占总呼气容积Ve的百分比为Y时的呼气流速与呼气峰流速PEF的比值FRV Y%、呼气开始经过M s所呼出的气体容积VT M s、呼气开始经过总呼气时间Te的百分之N时所呼出的气体容积VT N %、呼气开始经过M s所呼出的气体容积占总呼气容积Ve的百分比VRTM s、呼气开始经过总呼气时间Te的百分之N时所呼出的气体容积占总呼气容积Ve的百分比VRT N %、呼气开始经过M s时的呼气流速FT M s、呼气开始经过总呼气时间Te的百分之N时的呼气流速FT N %、呼气开始经过M s时的呼气流速与呼气峰流速PEF的比值FRT M s、呼气开始经过总呼气时间Te的百分之N时的呼气流速与呼气峰流速PEF的比值FRT N %、呼气开始到呼气流速下降了呼气峰流速PEF的百分之K时所呼出的气体容积VF K %、呼气开始到呼气流速下降了呼气峰流速PEF的百分之K时所呼出的气体容积占总呼气容积Ve的百分比VRFK %、呼气开始到呼气流速下降了呼气峰流速PEF的百分之K时所经过的时间TF K %、呼气开始到呼气流速下降了呼气峰流速PEF的百分之K时所经过的时间占总呼气时间Te的百分比TRF K %中的一种或多种。

Images