基于R语言处理生理数据：确定VE曲线拐点并比较斜率差异

一、识别VE曲线的第一个拐点（VO2百分比临界值） #

通过分段线性回归模型精准定位拐点，推荐使用segmented包实现断点回归分析，步骤如下：

# 安装并加载依赖包
install.packages(c("ggplot2", "ggpubr", "segmented"))
library(ggplot2)
library(ggpubr)
library(segmented)

# 假设CAD组数据存储在data_cad数据框，包含percent_absVO2和VE两列
# 1. 拟合初始线性模型
base_lm <- lm(VE ~ percent_absVO2, data = data_cad)

# 2. 自动检测第一个断点（拐点）
seg_model <- segmented(base_lm, seg.Z = ~percent_absVO2)

# 3. 提取拐点对应的VO2百分比临界值
vo2_cutoff <- seg_model$psi[, "Est."]
cat("VE曲线第一个拐点对应的VO2百分比临界值：", round(vo2_cutoff, 2), "\n")

二、验证断点前后斜率的统计学差异 #

方法1：查看segmented模型自带检验结果 #

# 输出模型详情，包含两段斜率及差异检验
summary(seg_model)

输出结果的Estimated Break-Point(s)板块会显示两段斜率的估计值，以及检验斜率差异的p值，若p<0.05则说明两段斜率存在显著统计学差异。

方法2：手动分组方差分析验证 #

# 按临界值拆分数据为"拐点前"和"拐点后"两组
data_cad$phase <- ifelse(data_cad$percent_absVO2 < vo2_cutoff, "Before Breakpoint", "After Breakpoint")

# 拟合含交互项的模型，检验斜率差异
int_model <- lm(VE ~ percent_absVO2 * phase, data = data_cad)

# 方差分析对比交互模型与基础线性模型，判断斜率差异显著性
anova(base_lm, int_model)

若anova结果的p值<0.05，即可验证两段斜率存在显著差异。

三、绘制带拐点的目标图表 #

基于ggscatter绘制散点图+分段拟合曲线，标记拐点位置：

# 计算分段拟合线的预测值
data_cad$pred_ve <- predict(seg_model, data_cad)

# 生成目标图表
ggscatter(data_cad, x = "percent_absVO2", y = "VE", 
          color = "black", alpha = 0.6, size = 2) +
  # 添加分段拟合线
  geom_line(aes(y = pred_ve), color = "darkred", size = 1.2) +
  # 标记拐点
  geom_point(aes(x = vo2_cutoff, y = predict(seg_model, newdata = data.frame(percent_absVO2 = vo2_cutoff))),
             color = "forestgreen", size = 5, shape = 18) +
  # 标注临界值
  annotate("text", x = vo2_cutoff + 5, y = predict(seg_model, newdata = data.frame(percent_absVO2 = vo2_cutoff)) + 2,
           label = paste("VO2% =", round(vo2_cutoff, 2)), color = "forestgreen", size = 4) +
  labs(title = "CAD组VE与VO2百分比的分段拟合曲线",
       x = "Percentage of VO2",
       y = "每分通气量（VE）") +
  theme_pubr()

补充说明 #

• 若此前二次拟合曲线的拐点与分段线性模型的断点一致，说明该临界值的生物学意义更可靠；
• 若数据存在多个潜在断点，可通过segmented函数的knots参数指定初始断点位置，提升检测准确性。

内容的提问来源于stack exchange，提问作者MaxB