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

기술 요약: SDR를 이용한 호흡 패턴의 머신러닝 기반 분류

문제 정의
호흡 모니터링은 수면 무호흡증, 만성 폐쇄성 폐질환(COPD), 심장 질환과 같은 질환의 조기 발견에 매우 중요하다. 그러나 다원 수면 검사와 같은 기존의 진단 방법은 침습적이고 전문 장비가 필요하며, 지속적인 가정 내 사용에는 부적합하다. 소프트웨어 정의 라디오(SDR)를 이용한 비접촉식 무선 주파수(RF) 센싱이 호흡 파형을 포착하는 유망한 대안으로 등장했음에도 불구하고, 서로 다른 머신러닝 아키텍처를 비교 평가하는 것에 관한 문헌 연구는 부족한 실정이다. 특히, 완전한 클래스별 보고와 통계적 검증을 포함한 엄격한 누출 제어 프로토콜 하에서 고전적 앙상블 방법과 딥러닝을 직접적으로 동일한 데이터셋 상에서 비교한 연구는 거의 없다. 이러한 통제된 근거의 부재는 해석 가능성, 정확도, 계산 비용 간의 트레이드오프가 존재하는 에지(edge) 배포형 헬스케어 시스템을 위한 모델 선택 시 실무자들이 정보에 입각한 결정을 내리는 것을 저해한다.

방법론
본 연구는 USRP X310 장치를 사용하여 수집된 공개 SDR 데이터셋을 바탕으로 세 가지 서로 다른 모델군인 다층 퍼셉트론(MLP), XGBoost, 랜덤 포레스트(RF)를 벤치마킹한다. 데이터셋은 세 가지 호흡 클래스인 정상 호흡(NR), 빠른 호흡(FR), 수면 무호흡 관련(SAR) 패턴으로 구성되며, 세 가지 센서-대상자 각도(45°, 90°, 180°)에서 기록되었다.

• 데이터 전처리: 원시 기록은 시간 영역 통계량(평균, 분산, 피크 투 피크 진폭)과 주파수 영역 기술자(주요 주파수, 스펙트럼 전력)를 결집한 2,000차원 특징 벡터를 추출하도록 처리되었다.
• 누출 제어(Leakage Control): 시계열 데이터에서 흔히 발생하는 정보 누출을 방지하기 위해, 데이터셋을 기록 파일 단위로 분할하였다(훈련 80%, 홀드아웃 테스트 20%). 이는 동일한 연속 호흡 세션의 샘플이 훈련 및 테스트 세트에 모두 나타나지 않도록 보장하여, 일반화 성능에 대한 보수적인 추정치를 제공한다.
• 모델 구성:
  • 랜덤 포레스트(Random Forest): 100개의 트리와 제한 없는 깊이(트리 복잡도에 대한 규제 없음).
  • XGBoost: 100개의 에스티메이터(estimator), 학습률 0.1, 최대 깊이 6, L2 규제($\lambda=1$) 적용, 최소 분할 이득 제약 없음($\gamma=0$).
  • MLP: 두 개의 은닉층(512 및 256 뉴런), ReLU 활성화 함수, 드롭아웃(0.2), Adam 최적화 기법을 사용하는 심층 신경망.
• 평가: 성능은 정확도, 정밀도, 재현율, F1-스코어 및 혼동 행렬을 사용하여 평가되었다. 모델 정확도 간의 통계적 유의성은 이-비율 z-검정(two-proportion z-test)을 통해 결정되었다. 일반화 격차($\Delta = \text{Err}_{test} - \text{Err}_{train}$)를 계산하여 과적합 동작을 분석하였다.

주요 결과

• 전반적 성능: 홀드아웃 테스트 세트에서 **MLP와 랜덤 포레스트가 가장 높은 정확도(0.90)**와 0.89–0.90의 매크로-F1 점수를 달성했다. XGBoost는 0.87의 더 낮은 정확도를 기록했다.
• 통계적 유의성: XGBoost와 나머지 두 모델 간의 차이는 통계적으로 유의미했다($z=5.39, p < 0.001$). MLP와 랜덤 포레스트 사이에는 통계적으로 유의미한 차이가 없었다($z=0.00, p=1.00$).
• 클래스별 성능:
  • 정상 호흡(NR): 모든 모델에서 일관되게 가장 안정적으로 분류되는 클래스였다(테스트 정확도 90–93%).
  • 빠른 호흡(FR): 가장 분류하기 어려운 클래스로, 모든 모델에서 가장 낮은 재현율을 보였다.
  • 수면 무호흡 관련(SAR): MLP와 RF에 의해 잘 식별되었으나, XGBoost에서는 FR과 혼동되는 경향이 있었다.
• 혼동 경계: XGBoost와 랜덤 포레스트의 주요 오분류 경계는 FR과 SAR 사이였다. MLP의 경우, 주요 혼동은 FR과 NR 사이에서 발생했다.
• 일반화 격차:
  • 랜덤 포레스트는 가장 큰 일반화 격차($\Delta \approx 0.10$)를 보였으며, 완벽한 훈련 정확도(1.00)를 달성했으나 테스트 세트에서는 0.90으로 떨어졌다. 이는 제한 없는 트리 앙상블 구조로 인한 심각한 과적합을 나타낸다.
  • XGBoost는 중간 정도의 격차($\Delta \approx 0.06$)를 보였다.
  • MLP는 드롭아웃 규제 덕분에 가장 작은 격차($\Delta \approx 0.02$)를 보였다.

의의 및 주장
본 논문은 누출 관리 프로토콜 하에서 공통의 SDR 호흡 데이터셋에 대해 이 세 가지 모델군에 대한 최초의 통계적으로 검증된 통제된 벤치마크를 제공한다고 주장한다. 본 연구는 랜덤 포레스트가 딥러닝(MLP)과 대등한 테스트 데이터 성능을 달성할 수 있지만, 그 완벽에 가까운 훈련 정확도는 훈련 샘플에 대한 높은 민감도를 숨기고 있으며, 이는 에지 배포 시 규제를 통해 관리되어야 할 위험 요소임을 강조한다.

저자들은 FR/SAR 분류 경계를 현재 SDR 기반 시스템의 주요 한계점으로 식별하였으며, 이는 빠른 호흡과 수면 무 apnea 이벤트가 진폭 및 스펙트럼 특징만으로는 구별하기 어려운 음향적 또는 스펙트럼적 특성을 공유하기 때문이라고 제안한다. 결과적으로, 저자들은 현재의 오분류율(중요 클래스 간 7~12%)을 고려할 때, 이 모델들을 독립적인 진단 도구보다는 트리아지(triage) 또는 사전 선별(임상의의 검토를 위한 기록 플래그 표시) 역할에 적합한 것으로 위치시킨다.

한계점 및 향후 방향
저자들은 본 연구가 단일 데이터셋과 대상자 단위가 아닌 파일 단위 분할에 의존하고 있어, 독립성을 완전히 보장하지 못할 수 있음을 인정한다. 저자들은 향-후 연구에서 다음 사항을 우선시할 것을 권고한다:

1. 강건한 일반화 격차 추정을 위한 대상자 인식 교차 검증(Subject-aware cross-validation).
2. XGBoost와 랜덤 포레스트의 최적 성능 여부를 판단하기 위한 하이퍼파라미터 튜닝.
3. 지속적인 FR/SAR 혼동 문제를 해결하기 위한 아키텍처 강화(예: 하이브리드 CNN-LSTM) 또는 추가적인 시간적 특징 추출.
4. 에지 하드웨어에서의 실시간 추론 능력 평가를 통한 배포 타당성 검증.