Machine Learning-Based Classification of Normal, Fast, and Sleep-Apnea-Related Respiratory Patterns Using Software-Defined Radio Sensing
यह शोध पत्र सॉफ्टवेयर-डिफ़ाइंड रेडियो का उपयोग करके संपर्क रहित श्वसन पैटर्न वर्गीकरण के लिए मल्टीलेयर पर्सेप्ट्रॉन, एक्सजीबूस्ट (XGBoost) और रैंडम फ़ॉरेस्ट मॉडलों के एक सांख्यिकीय रूप से मान्य बेंचमार्क को प्रस्तुत करता है, जो यह प्रदर्शित करता है कि एमएलपी (MLP) और रैंडम फ़ॉरेस्ट, एक्सजीबूस्ट की तुलना में बेहतर सटीकता प्राप्त करते हैं, जबकि तेज़ और स्लीप-एपनिया पैटर्न को पहचानने में सबसे चुनौतीपूर्ण के रूप में चिह्नित करते हैं और ओवरफिटिंग के कारण रैंडम फ़ॉरेस्ट के उच्च सामान्यीकरण अंतराल (generalization gap) को उजागर करते हैं।