論文の概要: FMM-Head: Enhancing Autoencoder-based ECG anomaly detection with prior knowledge

• arxiv url: http://arxiv.org/abs/2310.05848v1
• Date: Fri, 6 Oct 2023 17:20:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-11 00:28:19.509576
• Title: FMM-Head: Enhancing Autoencoder-based ECG anomaly detection with prior knowledge
• Title（参考訳）: FMMヘッド:事前知識によるオートエンコーダによるECG異常検出の強化
• Authors: Giacomo Verardo, Magnus Boman, Samuel Bruchfeld, Marco Chiesa, Sabine Koch, Gerald Q. Maguire Jr., Dejan Kostic
• Abstract要約: AutoEncoder Model (AE) はMLによる異常検出タスクに取り組むために提案されている。 我々は、ECG形状の事前知識に基づいて、AEの復号部を再構成ヘッドに置き換える。 我々のモデルは、最先端モデルよりも高い異常検出能力を一貫して達成する。
• 参考スコア（独自算出の注目度）: 6.278174335563065
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Detecting anomalies in electrocardiogram data is crucial to identifying deviations from normal heartbeat patterns and providing timely intervention to at-risk patients. Various AutoEncoder models (AE) have been proposed to tackle the anomaly detection task with ML. However, these models do not consider the specific patterns of ECG leads and are unexplainable black boxes. In contrast, we replace the decoding part of the AE with a reconstruction head (namely, FMM-Head) based on prior knowledge of the ECG shape. Our model consistently achieves higher anomaly detection capabilities than state-of-the-art models, up to 0.31 increase in area under the ROC curve (AUROC), with as little as half the original model size and explainable extracted features. The processing time of our model is four orders of magnitude lower than solving an optimization problem to obtain the same parameters, thus making it suitable for real-time ECG parameters extraction and anomaly detection.
• Abstract（参考訳）: 心電図データの異常検出は、正常な心拍パターンからの逸脱を識別し、リスクの高い患者にタイムリーに介入するために重要である。 MLによる異常検出タスクに取り組むために,様々なオートエンコーダモデル (AE) が提案されている。 しかし、これらのモデルはECGリードの特定のパターンを考慮せず、説明不能なブラックボックスである。 対照的に、AEの復号部をECG形状の事前知識に基づいて再構成ヘッド(FMMヘッド)に置き換える。 提案モデルでは, 最先端モデルよりも高い異常検出能力を一貫して達成し, ROC曲線(AUROC)の面積を最大0.31増加させ, 元のモデルサイズと説明可能な特徴を半分に抑えることができた。 このモデルの処理時間は、同じパラメータを求める最適化問題を解くよりも4桁低いため、リアルタイムのecgパラメータ抽出や異常検出に適している。

関連論文リスト

• MIXAD: Memory-Induced Explainable Time Series Anomaly Detection [21.208134038200203]
  MIXAD(Memory Explainable Time Series Atemporally Detection)は,異常検出を解釈可能なモデルである。 また,異常時のメモリアクティベーションパターンの著しい変化を検出する新しい異常スコアリング手法を提案する。 我々のアプローチは、適切な検出性能を保証するだけでなく、解釈可能性指標の34.30%と34.51%で最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2024-10-30T06:46:23Z)
• MAPL: Memory Augmentation and Pseudo-Labeling for Semi-Supervised Anomaly Detection [0.0]
  メモリ拡張(Memory Augmentation)と擬似ラベル(Pseudo-Labeling, MAPL)と呼ばれる, 産業環境における表面欠陥検出のための新しいメソドロジーを導入する。 この手法は、まず異常シミュレーション戦略を導入し、希少または未知の異常型を認識するモデルの能力を著しく改善する。 入力データから直接異常領域を識別するために、MAPLによってエンドツーエンドの学習フレームワークが使用される。
  論文  参考訳（メタデータ） (2024-05-10T02:26:35Z)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
  製造業において異常検査が重要な役割を担っている。 既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。 本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
  論文  参考訳（メタデータ） (2023-12-10T05:13:40Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• Representing Timed Automata and Timing Anomalies of Cyber-Physical Production Systems in Knowledge Graphs [51.98400002538092]
  本稿では,学習されたタイムドオートマトンとシステムに関する公式知識グラフを組み合わせることで,CPPSのモデルベース異常検出を改善することを目的とする。 モデルと検出された異常の両方を知識グラフに記述し、モデルと検出された異常をより容易に解釈できるようにする。
  論文  参考訳（メタデータ） (2023-08-25T15:25:57Z)
• Two-stream Decoder Feature Normality Estimating Network for Industrial Anomaly Detection [4.772323272202286]
  正常な特徴と異常な特徴の両方を学習するための2ストリームデコーダネットワーク(TSDN)を提案する。 また、異常な特徴を排除し、異常領域の高品質な再構成を防止するための特徴正規度推定器(FNE)を提案する。
  論文  参考訳（メタデータ） (2023-02-20T06:46:09Z)
• Are we certain it's anomalous? [57.729669157989235]
  時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。 本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
  論文  参考訳（メタデータ） (2022-11-16T21:31:39Z)
• Explainable multiple abnormality classification of chest CT volumes with AxialNet and HiResCAM [89.2175350956813]
  本稿では,容積医用画像における多変量分類の課題について紹介する。 本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。 そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
  論文  参考訳（メタデータ） (2021-11-24T01:14:33Z)
• Anomaly Detection Based on Multiple-Hypothesis Autoencoder [0.0]
  正規データで訓練されたモデルは、異常データに対するより大きな復元誤差を生成する。 AEの入力データの復元領域は、潜時空間において制限される。 本稿では,複数のデコーダからなるマルチハイブリッドオートエンコーダ(MH-AE)モデルを提案する。
  論文  参考訳（メタデータ） (2021-07-07T05:09:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。