論文の概要: GAD: A Real-time Gait Anomaly Detection System with Online Adaptive Learning

• arxiv url: http://arxiv.org/abs/2405.09561v1
• Date: Sat, 4 May 2024 22:43:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-27 03:17:55.466551
• Title: GAD: A Real-time Gait Anomaly Detection System with Online Adaptive Learning
• Title（参考訳）: GAD:オンライン適応学習を用いたリアルタイム歩行異常検出システム
• Authors: Ming-Chang Lee, Jia-Chun Lin, Sokratis Katsikas,
• Abstract要約: 歩行異常検出は、人の通常の歩行パターンから逸脱を検出するタスクである。 本稿では,リアルタイム歩行異常検出システムであるGADを紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Gait anomaly detection is a task that involves detecting deviations from a person's normal gait pattern. These deviations can indicate health issues and medical conditions in the healthcare domain, or fraudulent impersonation and unauthorized identity access in the security domain. A number of gait anomaly detection approaches have been introduced, but many of them require offline data preprocessing, offline model learning, setting parameters, and so on, which might restrict their effectiveness and applicability in real-world scenarios. To address these issues, this paper introduces GAD, a real-time gait anomaly detection system. GAD focuses on detecting anomalies within an individual's three-dimensional accelerometer readings based on dimensionality reduction and Long Short-Term Memory (LSTM). Upon being launched, GAD begins collecting a gait segment from the user and training an anomaly detector to learn the user's walking pattern on the fly. If the subsequent model verification is successful, which involves validating the trained detector using the user's subsequent steps, the detector is employed to identify abnormalities in the user's subsequent gait readings at the user's request. The anomaly detector will be retained online to adapt to minor pattern changes and will undergo retraining as long as it cannot provide adequate prediction. We explored two methods for capturing users' gait segments: a personalized method tailored to each individual's step length, and a uniform method utilizing a fixed step length. Experimental results using an open-source gait dataset show that GAD achieves a higher detection accuracy ratio when combined with the personalized method.
• Abstract（参考訳）: 歩行異常検出は、人の通常の歩行パターンから逸脱を検出するタスクである。 これらの逸脱は、医療領域における健康問題や医療状況、またはセキュリティ領域における不正な偽造と不正なIDアクセスを示す可能性がある。 多くの歩行異常検出アプローチが導入されたが、その多くはオフラインデータ前処理、オフラインモデル学習、設定パラメータなどを必要とするため、現実のシナリオにおける有効性と適用性が制限される可能性がある。 本稿では,リアルタイム歩行異常検出システムであるGADを紹介する。 GADは、次元減少とLSTM(Long Short-Term Memory)に基づいて、個人の3次元加速度計の読み取りにおける異常を検出することに焦点を当てている。 起動後、GADはユーザーから歩行セグメントを収集し、異常検知器を訓練し、ユーザの歩行パターンをリアルタイムで学習する。 後続のモデル検証が成功し、ユーザのその後のステップを使用してトレーニングされた検出器を検証する場合、その検出装置は、ユーザの要求に応じて、ユーザのその後の歩行読みの異常を識別するために使用される。 異常検出装置は、小さなパターンの変化に適応するためにオンラインで保持され、適切な予測を提供することができない限り、再訓練が行われる。 本研究では,個々の歩幅に合わせたパーソナライズされた手法と,固定歩幅を利用した一様手法の2つを探索した。 オープンソースの歩行データセットを用いた実験結果から,GADはパーソナライズされた手法と組み合わせることで高い検出精度を達成できることがわかった。

関連論文リスト

• TeVAE: A Variational Autoencoder Approach for Discrete Online Anomaly Detection in Variable-state Multivariate Time-series Data [0.017476232824732776]
  本研究では,時間変動型オートエンコーダ(TeVAE)を提案する。 適切に設定された場合、TeVAEは異常を6%だけ間違ったタイミングでフラグし、65%の異常を検知する。
  論文  参考訳（メタデータ） (2024-07-09T13:32:33Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• 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)
• A2Log: Attentive Augmented Log Anomaly Detection [53.06341151551106]
  異常検出は、ITサービスの信頼性とサービス性にとってますます重要になる。 既存の教師なし手法は、適切な決定境界を得るために異常な例を必要とする。 我々は,異常判定と異常判定の2段階からなる教師なし異常検出手法であるA2Logを開発した。
  論文  参考訳（メタデータ） (2021-09-20T13:40:21Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• Time-Window Group-Correlation Support vs. Individual Features: A Detection of Abnormal Users [13.516999440962678]
  COmpound BEhaviorに基づく異常検出手法であるACOBEを提案する。 評価の結果,ACOBEは先行作業よりも精度とリコールの点で大きな差があることが示唆された。
  論文  参考訳（メタデータ） (2020-12-27T16:30:31Z)
• Real-Time Anomaly Detection in Edge Streams [49.26098240310257]
  マイクロクラスタ異常の検出に焦点を当てたMIDASを提案する。 さらに、アルゴリズムの内部状態に異常が組み込まれている問題を解くために、MIDAS-Fを提案する。 実験の結果,MIDAS-Fの精度はMIDASよりも有意に高かった。
  論文  参考訳（メタデータ） (2020-09-17T17:59:27Z)
• Sequential Anomaly Detection using Inverse Reinforcement Learning [23.554584457413483]
  逆強化学習(IRL)を用いた逐次異常検出のためのエンドツーエンドフレームワークを提案する。 我々はニューラルネットワークを用いて報酬関数を表現し、学習された報酬関数を用いて、ターゲットエージェントからの新しい観察が正常なパターンに従うかどうかを評価する。 公開されている実世界のデータに関する実証研究は,本手法が異常の同定に有効であることを示している。
  論文  参考訳（メタデータ） (2020-04-22T05:17:36Z)
• ReRe: A Lightweight Real-time Ready-to-Go Anomaly Detection Approach for Time Series [0.27528170226206433]
  本稿では,リアルタイム・レディ・トゥ・ゴー・プロアクティブ・異常検出アルゴリズムReReを紹介する。 ReReは2つの軽量Long Short-Term Memory (LSTM)モデルを使用して、次のデータポイントが異常であるか否かを予測し、共同で判断する。 実世界の時系列データセットに基づく実験は、リアルタイム異常検出におけるReReの優れた性能を示す。
  論文  参考訳（メタデータ） (2020-04-05T21:26:24Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)
• RePAD: Real-time Proactive Anomaly Detection for Time Series [0.27528170226206433]
  RePADはLong Short-Term Memory (LSTM)に基づくストリーミング時系列のリアルタイム能動異常検出アルゴリズムである 検出しきい値を時間とともに動的に調整することにより、RePADは時系列におけるマイナーパターンの変更を許容し、前向きまたは時間的に異常を検出することができる。
  論文  参考訳（メタデータ） (2020-01-24T09:13:33Z)

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。