Machine Learning-Based Classification of Normal, Fast, and Sleep-Apnea-Related Respiratory Patterns Using Software-Defined Radio Sensing

Sintesi Tecnica: Classificazione dei Pattern Respiratori tramite Machine Learning utilizzando la SDR

Problematica
Il monitoraggio respiratorio è fondamentale per la rilevazione precoce di condizioni quali l'apnea notturna, la BPCO e le malattie cardiache. Tuttavia, i metodi diagnostici convenzionali come la polisonnografia sono invasivi, richiedono apparecchiature specialistiche e non sono adatti per un uso continuo a domicilio. Sebbene il rilevamento a radiofrequenza (RF) non a contatto tramite Software-Defined Radio (S-DR) sia emerso come una valida alternativa per la cattura delle forme d'onda respiratorie, esiste una lacuna significativa nella letteratura riguardante la valutazione comparativa di diverse architetture di machine learning. Nello specifico, pochi studi forniscono un confronto diretto, sullo stesso dataset, tra i metodi ensemble classici e il deep learning sotto un rigoroso protocollo di valutazione con controllo delle perdite (leakage-controlled), con reporting completo per classe e validazione statistica. Questa mancanza di prove controllate ostacola i professionisti nel prendere decisioni informate riguardo alla selezione del modello per sistemi sanitari implementati su dispositivi edge, dove esistono compromessi tra interpretabza, accuratezza e costo computazionale.

Metodologia
Questo studio confronta tre distinte famiglie di modelli — Multilayer Perceptron (MLP), XGBoost e Random Forest (RF) — su un dataset SDR pubblicamente disponibile, raccolto utilizzando un dispositivo USRP X310. Il dataset comprende tre classi respiratorie: Respirazione Normale (NR), Respirazione Rapida (FR) e pattern correlati all'Apnea del Sonno (SAR), registrati a tre angoli sensore-soggetto (45°, 90° e 180°).

• Pre-elaborazione dei dati: Le registrazioni grezze sono state elaborate per estrarre vettori di caratteristiche a 2.000 dimensioni, combinando statistiche nel dominio del tempo (media, varianza, ampiezza picco-picco) e descrittori nel dominio della frequenza (frequenza dominante, potenza spettrale).
• Controllo della perdita (Leakage Control): Per prevenire la perdita di informazioni comune nei dati di serie temporali, il dataset è stato suddiviso a livello di file di registrazione (80% training, 20% test tenuto da parte). Ciò garantisce che nessun campione della stessa sessione di respirazione continua appaia sia nel set di addestramento che in quello di test, fornendo una stima conservativa della generalizzazione.
• Configurazioni dei Modelli:
  • Random Forest: 100 alberi con profondità non vincolata (nessuna regolarizzazione sulla complessità dell'albero).
  • XGBoost: 100 stimatori, learning rate 0.1, max depth 6, con regolarizzazione L2 ($\lambda=1$) ma senza vincolo di guadagno minimo di split ($\gamma=0$).
  • MLP: Una rete profonda con due strati nascosti (512 e 256 neuroni), attivazioni ReLU, dropout (0.2) e ottimizzazione Adam.
• Valutazione: Le prestazioni sono state valutate utilizzando accuratezza, precisione, recall, F1-score e matrici di confusione. La significatività statistica tra le accuratezze dei modelli è stata determinata tramite un test z a due proporzioni. È stato calcolato un gap di generalizzazione empirico ($\Delta = \text{Err}_{test} - \text{Err}_{train}$) per analizzare il comportamento di overfitting.

Risultati Chiave

• Prestazioni Complessive: Sul set di test tenuto da parte, MLP e Random Forest hanno raggiunto l'accuratezza più elevata (0.90) con punteggi macro-F1 di 0.89–0.90. XGBoost ha ottenuto un'accuratezza inferiore di 0.87.
• Significatività Statistica: La differenza tra XGBoost e gli altri due modelli è statisticamente significativa ($z=5.39, p < 0.001$). Non vi è alcuna differenza statisticamente significativa tra MLP e Random Forest ($z=0.00, p=1.00$).
• Prestazioni Specifiche per Classe:
  • Respirazione Normale (NR): La classe classificata più costantemente e affidabilmente in tutti i modelli (accuratezza di test 90–93%).
  • Respirazione Rapida (FR): La classe più difficile da classificare, con la recall più bassa in tutti i modelli.
  • Relativa all'Apnea del Sonno (SAR): Ben identificata da MLP e RF, ma soggetta a confusione con FR in XGBoost.
• Confini di Confusione: Il confine di misclassificazione dominante per XGBoost e Random Forest è stato tra FR e SAR. Per MLP, la principale confusione è avvenuta tra FR e NR.
• Gap di Generalizzazione:
  • Random Forest ha esibito il gap di generalizzazione più ampio ($\Delta \approx 0.10$), raggiungendo un'accuratezza di training perfetta (1.00) ma scendendo a 0.90 nel test. Ciò indica un significativo overfitting dovuto alla struttura non vincolata dell'ensemble di alberi.
  • XGBoost ha mostrato un gap moderato ($\Delta \approx 0.06$).
  • MLP ha mostrato il gap più piccolo ($\Delta \approx 0.02$), attribuito al dropout regularization.

Significato e Rivendicazioni
L'articolo sostiene di fornire il primo benchmark statisticamente validato e controllato di queste tre famiglie di modelli su un dataset respiratorio SDR comune sotto un protocollo gestito dal rischio di perdita (leakage-managed). Lo studio evidenzia che, sebbene la Random Forest possa raggiungere prestazioni paragonabili al deep learning (MLP) sui dati di test, la sua accuratezza di training quasi perfetta maschera un'alta sensibilità al campione di addestramento, un rischio che deve essere gestito tramite regolarizzazione per l'implementazione su dispositivi edge.

Gli autori identificano il confine di classificazione FR/SAR come la principale limitazione per gli attuali sistemi basati su SDR, suggerendo che la respirazione rapida e gli eventi di apnea del sonno condividano caratteristiche acustiche o spettrali difficili da separare utilizzando solo caratteristiche di ampiezza e spettrali. Di conseguenza, gli autori posizionano questi modelli come adatti per ruoli di triage o pre-screening (segnalazione di registrazioni per la revisione clinica) piuttosto che come strumenti diagnostici autonomi, date le attuali percentuali di misclassificazione (7–12%) tra classi critiche.

Limitazioni e Direzioni Future
Gli autori riconoscono che lo studio si basa su un singolo dataset e su una suddivisione a livello di file piuttosto che a livello di soggetto, il che potrebbe non garantire appieno l'indipendenza. Raccomandano che il lavoro futuro dia priorità a:

1. Cross-validazione consapevole del soggetto (subject-aware) per ottenere stime robuste del gap di generalizzazione.
2. Ottimizzazione degli iperparametri (hyperparameter tuning) per XGBoost e Random Forest per determinare se le configurazioni di base rappresentino le prestazioni ottimali.
3. Miglioramenti architettonici (ad esempio, ibridi CNN-LSTM) o caratteristiche temporali aggiuntive per risolvere la persistente confusione FR/SAR.
4. Valutazione dell'inferenza in tempo reale su hardware edge per validare la fattibilità dell'implementazione.