Machine Learning-Based Classification of Normal, Fast, and Sleep-Apnea-Related Respiratory Patterns Using Software-Defined Radio Sensing
Diese Arbeit präsentiert einen statistisch validierten Benchmark der Modelle Multilayer-Perzeptron, XGBoost und Random Forest für die kontaktlose Klassifizierung von Atemmustern mittels Software-Defined Radio, wobei nachgewiesen wird, dass MLP und Random Forest eine überlegene Genauigkeit gegenüber XGBoost erreichen, während gleichzeitig schnelle und Schlafapnoe-Muster als am schwierigsten zu unterscheiden identifiziert werden und der höhere Generalisierungsfehler von Random Forest aufgrund von Überanpassung hervorgehoben wird.