Machine Learning-Based Classification of Normal, Fast, and Sleep-Apnea-Related Respiratory Patterns Using Software-Defined Radio Sensing
본 논문은 소프트웨어 정의 라디오를 이용한 비접촉식 호흡 패턴 분류를 위해 다층 퍼셉트론(MLP), XGBoost, 그리고 랜덤 포레스트 모델에 대한 통계적으로 검증된 벤치마크를 제시하며, MLP와 랜덤 포레스트가 XGBoost보다 우수한 정확도를 달달성하는 동시에 빠른 호흡과 수면 무호흡 패턴이 구별하기 가장 어려운 패턴임을 식별하고 랜덤 포레스트의 과적합으로 인한 더 높은 일반화 격차를 강조한다.