💻 computer science

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

本文通过对基于软件定义无线电的非接触式呼吸模式分类中的多层感知机、XGBoost 和随机森林模型进行了统计验证基准测试，证明了 MLP 和随机森林在准确率上优于 XGBoost，同时指出快速呼吸和睡眠呼吸暂停模式是最难以区分的模式，并强调了随机森林由于过拟合而具有更高的泛化差距。

原作者： Taiwo Samuel Aina, Wisdom Okafor, Grace Okafor, Babatunde Iyaomolere

发布于 2026-06-24

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Taiwo Samuel Aina, Wisdom Okafor, Grace Okafor, Babatunde Iyaomolere

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图教会一台电脑在不接触人的情况下监听一个人的呼吸。这篇文章描述的不是使用听诊器或腰带，而是使用一种特殊的无线电设备（称为软件定义无线电，简称 SDR），它就像一只“超灵敏的耳朵”。它发出看不见的无线电波，这些电波从人的胸部反射回来。当人呼吸时，胸部会移动，从而轻微地改变无线电波。计算机通过分析这些细微的变化，来判断 person 是在正常呼吸、呼吸过快，还是正处于睡眠呼吸暂停事件（即呼吸停止又开始的状态）中。

研究人员想看看三种不同的“大脑”风格（机器学习模型）中，哪一种最擅长这场“听力游戏”。他们将无线电数据视为一个巨大的声音文件库，并要求三类不同的“学生”将它们分类到三个堆栈中：正常、快速和睡眠呼吸暂停。

以下是这三位“参赛者”的表现，通过简单的类比进行解释：

三位参赛者

多层感知器 (MLP)： 可以把这看作是一个深思熟虑的学生，他非常仔细地研究模式。他通过许多逻辑层来观察数据，试图寻找复杂的联系。他就像一名侦探，通过连接微小的线索来破解谜团。
随机森林 (RF)： 想象成一个由 100 位不同专家组成的委员会。每位专家观察数据并做出猜测，最终答案仅仅是多数票的结果。因为有这么多专家，他们通常能答对，但有时他们会对自己的观点过于自信。
XGBoost： 想象成一个连续学习者。他先做一个猜测，看看哪里错了，然后尝试针对那个特定的错误进行修正。他一遍又一遍地这样做，每一次尝试都会变得更进步一点。

大考

研究人员给了这三位学生同样的作业：一组从不同角度（比如站在传感器前、侧面或后面）采集的呼吸记录的大型数据集。他们将数据分为两部分，让学生学习 80% 的数据，并在剩下的 20% 从未见过的测试数据上进行测试。这至关重要，因为它能防止学生只是死记硬背答案。

结果：

获胜者： MLP（深思熟虑者）和 随机森林（委员会）并列第一。在面对新测试时，两者的准确率都达到了约 90%。
亚军： XGBoost（连续学习者）排名第三，准确率为 87%。研究人员使用统计学上的“尺子”证明了这种差异并非仅仅是运气不好；在这一特定数据集上，XGBoost 确实比其他两个模型稍逊一筹。

棘手之处：他们在哪里产生了混淆

即使是获胜者也会犯错，而且他们都遇到了相同的困惑：快速呼吸 vs. 睡眠呼吸暂停。

类比： 想象一下，要区分一个人是在原地小跑（快速呼吸）还是在冲刺后气喘吁吁（睡眠呼吸暂停）。对于无线电传感器来说，这两者听起来非常相似，因为在这两种情况下，胸部的运动都很快。
结果： “快速”呼吸是所有人识别起来最困难的类别。模型经常把“快速”呼吸与“睡眠呼吸暂停”下的呼吸混淆。
简单部分： “正常”呼吸对所有模型来说都是最容易识别的，因为它的节奏稳定且可预测，就像一个平静的节拍器。

“过度自信”的陷阱

关于随机森林，有一个最有趣的发现。

在实践中： 当学生们在学习（训练）阶段时，随机森林拿到了 100% 的正确率。它是完美的。
在测试中： 当面对新的、未见过的数据时，它的得分降到了 90%。
教训： 文章解释说，随机森林出现了“过拟合”现象。可以把它想象成一个死记硬背课本原文，却没理解概念的学生。当测试题目与书本内容略有不同时，这个学生就跌倒了。MLP 和 XGBoost 没有如此执着于死记硬背，因此它们的得分下降幅度较小，这表明它们在处理新情况时表现得更好。

这意味着什么（根据论文结论）

论文得出结论，对于通过无线电波监听呼吸这项特定的工作：

MLP 和随机森林 是目前最好的工具，两者都达到了约 90% 的准确率。
随机森林 是现实应用（如在家庭环境中使用）的一个有力候选者，因为它通常更容易在简单的计算机上运行，但是，它需要进行调整，以免对训练数据的记忆过于刻板。
“快速 vs. 暂停”的混淆 是一个真正的障碍。论文建议，在模型能够更清晰地分辨这两者之前，这项技术最好作为一种初步预警系统（标记出录音以供医生检查），而不是作为独立的最终诊断工具。

简而言之，研究人员构建了一个无线电“听诊器”，测试了三种不同的 AI 大脑，并发现虽然它们在识别正常呼吸方面表现出色，但在区分快速呼吸和呼吸暂停之间仍需要帮助。

技术摘要：基于软件定义无线电（SDR）的呼吸模式机器学习分类研究

问题陈述
呼吸监测对于睡眠呼吸暂停、慢性阻塞性肺疾病（COPD）及心脏病等疾病的早期检测至关重要。然而，传统的诊断方法（如多导睡眠图）具有侵入性，需要专业设备，且不适用于持续的居家使用。虽然利用软件定义无线电（Sside-Defined Radio, SDR）进行非接触式射频（RF）感知已成为获取呼吸波形的有效替代方案，但现有文献在不同机器学习架构的对比评估方面仍存在显著空白。具体而言，很少有研究在严格的、控制了信息泄漏的评估协议下，对经典集成学习方法与深度学习进行基于同一数据集的直接对比评估并提供完整的全类别报告。这种缺乏受控证据的情况阻碍了从业者在边缘部署的医疗系统中进行模型选择，因为这些系统需要在可解释性、准确性和计算成本之间进行权衡。

研究方法
本研究在公开的 SDR 数据集上对三种不同的模型族——多层感知器（MLP）、XGBoost 和随机森林（RF）进行了基准测试。该数据集使用 USRP X310 设备采集，包含三种呼吸类别：正常呼吸（NR）、快速呼吸（FR）和睡眠呼吸暂停相关（SAR）模式，并记录于三种传感器与受试者夹角（45°、90° 和 180°）。

数据预处理： 对原始录音进行处理，提取出 2,000 维特征向量，结合了时域统计量（均值、方差、峰峰值振幅）和频域描述符（主频率、频谱功率）。
泄漏控制： 为防止时间序列数据中常见的信息泄漏，研究在录音文件层面进行数据集划分（80% 训练集，20% 留存测试集）。这确保了来自同一连续呼吸阶段的样本不会同时出现在训练集和测试集中，从而提供了保守的泛化估计。
模型配置：
- 随机森林 (Random Forest)： 100 棵树，深度不受限（不对树复杂度进行正则化）。
- XGBoost： 100 个估计器，学习率为 0.1，最大深度为 6，带有 L2 正则化（ $\lambda=1$ ），但没有最小分裂增益约束（ $\gamma=0$ ）。
- MLP： 一个具有两个隐藏层（分别为 512 和 256 个神经元）的深层网络，采用 ReLU 激活函数、Dropout（0.2）和 Adam 优化器。
评估： 使用准确率、精确率、召回率、F1 分数和混淆矩阵评估性能。模型准确率之间的统计显著性通过两比例 z 检验确定。研究还计算了经验泛化间隙（ $\Delta = \text{Err}_{test} - \text{Err}_{train}$ ）以分析过拟合行为。

关键结果

整体性能： 在留存测试集上，MLP 和随机森林实现了最高的准确率（0.90），宏 F1 分数为 0.89–0.90。XGBoost 的准确率较低，为 0.87。
统计显著性： XGBoost 与其他两个模型之间的差异具有统计学意义（ $z=5.39, p < 0.001$ ）。MLP 与随机森林之间不存在统计学显著差异（ $z=0.00, p=1.00$ ）。
类别特定性能：
- 正常呼吸 (NR)： 在所有模型中均为分类最可靠的类别（测试准确率 90–93%）。
- 快速呼吸 (FR)： 最难分类的类别，在所有模型中召回率最低。
- 睡眠呼吸暂停相关 (SAR)： 被 MLP 和 RF 较好地识别，但在 XGBoost 中容易与 FR 混淆。
混淆边界： XGBoost 和随机森林的主要误分类边界在于 FR 与 SAR 之间。对于 MLP，主要的混淆发生在 FR 与 NR 之间。
泛化间隙：
- 随机森林表现出最大的泛化间隙（ $\Delta \approx 0.10$ ），其训练准确率达到完美（1.00），但在测试集上降至 0.90。这表明由于不受限的树集成结构，其对训练样本具有高度敏感性。
- XGBoost 显示出中等的间隙（ $\Delta \approx 0.06$ ）。
- MLP 显示出最小的间隙（ $\Delta \approx 0.02$ ），这归功于 Dropout 正则化。

意义与主张
本文声称提供了在受泄漏管理的协议下，针对通用 SDR 呼吸数据集对这三种模型族进行的首次经过统计验证的受控基准测试。研究强调，虽然随机森林在测试数据上的表现可以与深度学习（MLP）相媲美，但其近乎完美的训练准确率掩盖了对训练样本的高度敏感性，这是在边缘部署时必须通过正则化来管理的风险。

作者指出，FR/SAR 分类边界是当前基于 SDR 系统的主要局限性，这表明快速呼吸和睡眠呼吸暂停事件在幅度或频谱特征上具有难以区分的特性。因此，作者将这些模型定位为分诊或预筛查角色（即标记录音以供临床医生审查），而非作为独立的诊断工具，因为目前关键类别之间的误分类率（7–12%）仍然存在。

局限性与未来方向
作者承认，本研究依赖于单一数据集以及文件级划分，而非受试者级划分，这可能无法完全保证独立性。他们建议未来的工作应优先考虑：

受试者感知交叉验证，以获得更稳健的泛化间隙估计。
超参数调优，以确定 XGBoost 和随机森林的基准配置是否代表了最优性能。
架构增强（例如混合 CNN-LSTM）或增加时间特征，以解决持续存在的 FR/SAR 混淆问题。
实时推理评估，在边缘硬件上验证部署的可行性。

三位参赛者

大考

棘手之处：他们在哪里产生了混淆

“过度自信”的陷阱

这意味着什么（根据论文结论）

技术摘要：基于软件定义无线电（SDR）的呼吸模式机器学习分类研究

类似论文