Performance Comparison of Binary and Multi-Class Classification Models Based on Statistical Features for Sleep Apnea Detection

수면 무호흡은 수면 중 호흡이 반복적으로 중단되는 현상으로 혈중 산소 포화도가 감소되고 다양한 건강 문제를 야기한다. 본 연구는 수면 상태에서 수면 무호흡을 탐지하는 이진분류와 정상 호흡, 저호흡, 폐쇄성 수면 무호흡을 다중 분류하는 계층적 2단계 방법을 제안한다. Airflow, PTAF, snore 센서 데이터를 10초로 분할하고 시간/주파수 영역에서 통계적 특징을 추출한다. 기계학습 모델의 입력으로는 Fisher score, 상관관계, 특징 중요도 방법을 사용하여 선별된 특징들을 이용한다. 이진 분류는 XGBoost와 Random Forest의 정확도 평균이 0.95 이상으로 신뢰할 수 있는 결과를 보였다. 계층적 2단계의 다중 분류에서도 Random Forest와 XGBoost의 평균 정확도가 0.88로 우수했고, 클래스 별 정확도가 단일 단계 분류방식보다 향상되었다. 제안한 방법은 수면 무호흡을 정확하게 탐지하고, 저호흡과 폐쇄성 수면 무호흡으로 세분화하여 임상 적용 가능성을 보였다.