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

Technische Samenvatting: Machine Learning-gebaseerde Classificatie van Respiratoire Patronen via SDR

Probleemstelling
Monitoring van de ademhaling is cruciaal voor de vroege detectie van aandoeningen zoals slaapapneu, COPD en hartziekten. Conventionele diagnostische methoden zoals polysomnografie zijn echter intrusief, vereisen gespecialiseerde apparatuur en zijn ongeschikt voor continu gebruik in een thuissituatie. Hoewel niet-contact Radio Frequency (RF) sensing met behulp van Software-Defined Radio (SDR) een levensvatbaar alternatief is geworden voor het vastleggen van respiratoire waveforms, bestaat er een aanzienlijk gat in de literatuur met betrekking tot de vergelijkende evaluatie van verschillende machine learning-architecturen. Specifiek bieden weinig studies een directe vergelijking op dezelfde dataset van klassieke ensemble-methoden tegenover deep learning onder een rigoureus, op lekkage gecontroleerd evaluatieprotocol met volledige per-klasse rapportage en statistische validatie. Dit gebrek aan gecontroleerd bewijs belemmert beoefenaars bij het maken van geïnformeerde beslissingen over modelselectie voor edge-deployed gezondheidssystemen, waar afwegingen bestaan tussen interpreteerbaarheid, nauwkeurigheid en computationele kosten.

Methodologie
Deze studie benchmarkt drie verschillende modelfamilies—Multilayer Perceptron (MLP), XGBoost en Random Forest (RF)—op een publiekelijk beschikbare SDR-dataset verzameld met een USRP X310-apparaat. De dataset bestaat uit drie respiratoire klassen: Normale Respiratie (NR), Snelle Respiratie (FR) en Slaapapneu-gerelateerde (SAR) patronen, opgenomen bij drie sensor-naar-onderwerp hoeken (45°, 90° en 180°).

• Data Preprocessing: Ruwe opnames werden verwerkt om 2.000-dimensionale feature vectoren te extraheren, waarbij tijdreeksstatistieken (gemiddelde, variantie, piek-tot-piek amplitude) en frequentiedomein-beschrijvers (dominante frequentie, spectrale power) werden gecombineerd.
• Lekkagecontrole: Om informatielekkage te voorkomen die gebruikelijk is bij tijdreeksgegevens, werd de dataset gesplitst op opnamebestandsniveau (80% training, 20% gehouden testset). Dit zorgt ervoor dat geen monsters uit dezelfde continue ademhalingssessie zowel in de trainings- als in de testset voorkomen, wat een conservatieve schatting van de generalisatie biedt.
• Modelconfiguraties:
  • Random Forest: 100 bomen met onbeperkte diepte (geen regularisatie op boomcomplexiteit).
  • XGBoost: 100 estimators, learning rate 0.1, max depth 6, met L2-regularisatie ($\lambda=1$) maar zonder minimum split gain constraint ($\gamma=0$).
  • MLP: Een diep netwerk met twee verborgen lagen (512 en 256 neuronen), ReLU-activaties, dropout (0.2) en Adam-optimalisatie.
• Evaluatie: Prestaties werden beoordeeld met behulp van nauwkeurigheid (accuracy), precisie, recall, F1-score en confusion matrices. Statistische significantie tussen de nauwkeurigheid van de modellen werd bepaald met een twee-proportie z-test. Een empirische generalisatiekloof ($\Delta = \text{Err}_{test} - \text{Err}_{train}$) werd berekend om overfitting-gedrag te analyseren.

Belangrijkste Resultaten

• Algemene Prestaties: Op de gehouden testset behaalden MLP en Random Forest de hoogste nauwkeurigheid (0.90) met macro-F1 scores van 0.89–0.90. XGBoost behaalde een lagere nauwkeurigheid van 0.87.
• Statistische Significantie: Het verschil tussen XGBoost en de andere twee modellen was statistisch significant ($z=5.39, p < 0.001$). Er was geen statistisch significant verschil tussen MLP en Random Forest ($z=0.00, p=1.00$).
• Klasse-specifieke Prestaties:
  • Normale Respiratie (NR): Consistent de meest betrouwbaar geclassificeerde klasse over alle modellen (testnauwkeurigheid 90–93%).
  • Snelle Respiratie (FR): De moeilijkste klasse om te classificeren, met de laagste recall over alle modellen.
  • Slaapapneu-gerelateerd (SAR): Goed geïdentificeerd door MLP en RF, maar gevoelig voor verwarring met FR in XGBoost.
• Verwarringsgrenzen: De dominante misclassificatiegrens voor XGBoost en Random Forest was tussen FR en SAR. Voor MLP was de primaire verwarring tussen FR en NR.
• Generalisatiekloof:
  • Random Forest vertoonde de grootste generalisatiekloof ($\Delta \approx 0.10$), waarbij een perfecte trainingsnauwkeurigheid (1.00) werd bereikt, maar deze daalde naar 0.90 op de testset. Dit duidt op significante overfitting door de onbeperkte boom-ensemblestructuur.
  • XGBoost vertoonde een matige kloof ($\Delta \approx 0.06$).
  • MLP vertoonde de kleinste kloof ($\Delta \approx 0.02$), toegeschreven aan dropout-regularisatie.

Betekenis en Claims
Het artikel claimt de eerste statistisch gevalideerde, gecontroleerde benchmark van deze drie modelfamilies op een gemeenschappelijke SDR-respiratoire dataset onder een op lekkage beheerd protocol te bieden. De studie benadrukt dat hoewel Random Forest een prestatie kan leveren die vergelijkbaar is met deep learning (MLP) op de testdata, de bijna perfecte trainingsnauwkeurigheid een hoge gevoeligheid voor de trainingssteekproef maskeert, een risico dat beheerd moet worden via regularisatie voor edge-deployment.

De auteurs identificeren de FR/SAR classificatiegrens als de primaire beperking voor huidige SDR-gebaseerde systemen, en suggereren dat snelle ademhaling en slaapapneu-events vergelijkbare akoestische of spectrale kenmerken delen die moeilijk te scheiden zijn met enkel amplitude- en spectrale features. Bijgevolg positioneren de auteurs deze modellen als geschikt voor triage of pre-screening rollen (het signaleren van opnames voor klinische beoordeling) in plaats van als zelfstandige diagnostische instrumenten, gezien de huidige misclassificatiepercentages (7–12%) tussen kritieke klassen.

Beperkingen en Toekomstige Richtingen
De auteurs erkennen dat de studie steunt op een enkele dataset en een splitsing op bestandsniveau in plaats van een splitsing op subjectniveau, wat de onafhankelijkheid niet volledig kan garanderen. Zij bevelen aan dat toekomstig werk prioriteit geeft aan:

1. Subject-bewuste cross-validatie om robuuste schattingen van de generalisatiekloof te verkrijgen.
2. Hyperparameter tuning voor XGBoost en Random Forest om te bepalen of basistestconfiguraties de optimale prestaties vertegenwoordigen.
3. Architecturale verbeteringen (bijv. hybride CNN-LSTM) of aanvullende temporele features om de hardnekkige FR/SAR verwarring op te lossen.
4. Beoordeling van real-time inferentie op edge-hardware om de haalbaarheid van deployment te valideren.