論文の概要: Detection of Intelligent Tampering in Wireless Electrocardiogram Signals Using Hybrid Machine Learning
- arxiv url: http://arxiv.org/abs/2507.06402v1
- Date: Tue, 08 Jul 2025 21:10:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-10 17:37:43.392971
- Title: Detection of Intelligent Tampering in Wireless Electrocardiogram Signals Using Hybrid Machine Learning
- Title（参考訳）: ハイブリッド機械学習を用いた無線心電図信号のインテリジェントタンパ検出
- Authors: Siddhant Deshpande, Yalemzerf Getnet, Waltenegus Dargie,
- Abstract要約: 本稿では, タンパ検出のためのCNN, ResNet, およびハイブリッドトランスフォーマー-CNNモデルの性能解析を行う。
また、ECGに基づく身元認証のためのSiameseネットワークの性能を評価する。
- 参考スコア（独自算出の注目度）: 0.06428333375712122
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the proliferation of wireless electrocardiogram (ECG) systems for health monitoring and authentication, protecting signal integrity against tampering is becoming increasingly important. This paper analyzes the performance of CNN, ResNet, and hybrid Transformer-CNN models for tamper detection. It also evaluates the performance of a Siamese network for ECG based identity verification. Six tampering strategies, including structured segment substitutions and random insertions, are emulated to mimic real world attacks. The one-dimensional ECG signals are transformed into a two dimensional representation in the time frequency domain using the continuous wavelet transform (CWT). The models are trained and evaluated using ECG data from 54 subjects recorded in four sessions 2019 to 2025 outside of clinical settings while the subjects performed seven different daily activities. Experimental results show that in highly fragmented manipulation scenarios, CNN, FeatCNN-TranCNN, FeatCNN-Tran and ResNet models achieved an accuracy exceeding 99.5 percent . Similarly, for subtle manipulations (for example, 50 percent from A and 50 percent from B and, 75 percent from A and 25 percent from B substitutions) our FeatCNN-TranCNN model demonstrated consistently reliable performance, achieving an average accuracy of 98 percent . For identity verification, the pure Transformer-Siamese network achieved an average accuracy of 98.30 percent . In contrast, the hybrid CNN-Transformer Siamese model delivered perfect verification performance with 100 percent accuracy.
- Abstract（参考訳）: 健康モニタリングと認証のための無線心電図システム(ECG)の普及に伴い、改ざんに対する信号の整合性保護がますます重要になっている。
本稿では, タンパ検出のためのCNN, ResNet, およびハイブリッドトランスフォーマー-CNNモデルの性能解析を行う。
また、ECGに基づく身元認証のためのSiameseネットワークの性能を評価する。
構造化セグメント置換やランダム挿入を含む6つの改ざん戦略は、実世界の攻撃を模倣するためにエミュレートされる。
1次元ECG信号は、連続ウェーブレット変換(CWT)を用いて、時間周波数領域における2次元表現に変換する。
2019年から2025年までの4セッションで記録された54件の心電図データを用いて,臨床現場以外での心電図データをトレーニングし,評価した。
実験の結果、高度に断片化された操作シナリオでは、CNN、FeatCNN-TranCNN、FeatCNN-Tran、ResNetモデルは99.5%を超える精度を達成した。
同様に、微妙な操作(Aから50%、Bから50%、Aから75%、Bから25%)については、FeatCNN-TranCNNモデルが一貫して信頼性を示し、平均精度は98%でした。
身元確認のために、純粋なトランスフォーマー・シームズネットワークは98.30%の平均精度を達成した。
対照的に、ハイブリッドCNN-Transformer Siameseモデルは100%精度で完全な検証性能を実現した。
関連論文リスト
- Efficient Transformations in Deep Learning Convolutional Neural Networks [0.0]
本研究では、画像分類のためのResNet50畳み込みニューラルネットワーク(CNN)モデルにおける信号処理変換の統合について検討する。
実験の結果、WHTを組み込むことでエネルギー消費量が大幅に削減され、精度が向上した。
論文 参考訳（メタデータ） (2025-06-19T15:54:59Z) - Enhancing IoT Security with CNN and LSTM-Based Intrusion Detection Systems [0.23408308015481666]
提案モデルは,畳み込みニューラルネットワーク(CNN)と長短期記憶(LSTM)ディープラーニング(DL)モデルを組み合わせて構成する。
この融合により、IoTトラフィックをバイナリカテゴリ、良性、悪意のあるアクティビティに検出し、分類することが可能になる。
提案モデルの精度は98.42%,最小損失は0.0275である。
論文 参考訳（メタデータ） (2024-05-28T22:12:15Z) - OA-CNNs: Omni-Adaptive Sparse CNNs for 3D Semantic Segmentation [70.17681136234202]
設計上の違いを再検討し、スパースCNNが達成できることの限界をテストする。
本稿では,このギャップを埋めるために,適応受容場(親和性)と適応関係という2つの重要な要素を提案する。
この調査により、軽量モジュールを統合するネットワークのファミリーであるOmni-Adaptive 3D CNN(OA-CNN)が開発された。
論文 参考訳（メタデータ） (2024-03-21T14:06:38Z) - DT-DDNN: A Physical Layer Security Attack Detector in 5G RF Domain for CAVs [10.215216950059874]
妨害攻撃は5Gネットワークに重大なリスクをもたらす。
本研究は, CAVネットワークにおけるジャマー検出のための, 深層学習に基づく新しい手法を提案する。
提案手法は, 余剰低妨害電力の96.4%検出率を実現する。
論文 参考訳（メタデータ） (2024-03-05T04:29:31Z) - Analyzing the Impact of Varied Window Hyper-parameters on Deep CNN for
sEMG based Motion Intent Classification [0.0]
本研究は, ウィンドウ長と重なり合いの関係について検討し, CNNに応用するための強靭な生EMG2次元(2次元)信号の生成に影響を及ぼす可能性がある。
2次元EMG信号とより広いネットワークカーネルの75%の重なりが組み合わさることで、適切なEMG-CNNベースの補綴制御スキームのための理想的なモータインテント分類が得られることが示唆されている。
論文 参考訳（メタデータ） (2022-09-13T08:14:49Z) - From Environmental Sound Representation to Robustness of 2D CNN Models
Against Adversarial Attacks [82.21746840893658]
本稿では, 各種環境音響表現(スペクトログラム)が, 被害者残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。
DWTスペクトログラムでトレーニングしたResNet-18モデルでは高い認識精度が得られたが、このモデルに対する攻撃は敵にとって比較的コストがかかる。
論文 参考訳（メタデータ） (2022-04-14T15:14:08Z) - EEG-Inception: An Accurate and Robust End-to-End Neural Network for
EEG-based Motor Imagery Classification [123.93460670568554]
本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。
提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
論文 参考訳（メタデータ） (2021-01-24T19:03:10Z) - DENS-ECG: A Deep Learning Approach for ECG Signal Delineation [15.648061765081264]
本稿では,心拍のリアルタイムセグメンテーションのためのディープラーニングモデルを提案する。
提案アルゴリズムはDENS-ECGアルゴリズムと呼ばれ、畳み込みニューラルネットワーク(CNN)と長短期記憶(LSTM)モデルを組み合わせたものである。
論文 参考訳（メタデータ） (2020-05-18T13:13:41Z) - ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed
Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。
セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。
このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文 参考訳（メタデータ） (2020-05-11T16:29:12Z) - Towards a Competitive End-to-End Speech Recognition for CHiME-6 Dinner
Party Transcription [73.66530509749305]
本稿では,難しい場合であっても,ハイブリッドベースラインに近い性能を示すエンドツーエンドアプローチについて論じる。
CTC-Attention と RNN-Transducer のアプローチと RNN と Transformer のアーキテクチャを比較し,解析する。
RNN-Transducerをベースとしたベストエンド・ツー・エンドモデルでは、ビームサーチの改善とともに、LF-MMI TDNN-F CHiME-6 Challengeのベースラインよりも品質が3.8%向上した。
論文 参考訳（メタデータ） (2020-04-22T19:08:33Z) - End-to-End Multi-speaker Speech Recognition with Transformer [88.22355110349933]
音声認識モデルにおけるRNNベースのエンコーダデコーダをトランスフォーマーアーキテクチャに置き換える。
また、計算量を削減するために、シーケンス全体ではなくセグメントに制限されるセルフアテンションコンポーネントを変更します。
論文 参考訳（メタデータ） (2020-02-10T16:29:26Z)
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。