論文の概要: Unsupervised Identification and Replay-based Detection (UIRD) for New Category Anomaly Detection in ECG Signal

• arxiv url: http://arxiv.org/abs/2509.01512v1
• Date: Mon, 01 Sep 2025 14:32:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.73465
• Title: Unsupervised Identification and Replay-based Detection (UIRD) for New Category Anomaly Detection in ECG Signal
• Title（参考訳）: ECG信号における新しいカテゴリー異常検出のための教師なし同定とリプレイベース検出(UIRD)
• Authors: Zhangyue Shi, Zekai Wang, Yuxuan Li,
• Abstract要約: 臨床では心電図(ECG)の自動解析が、不規則な心臓リズムやその他の心臓の電気的異常の同定に広く応用されている。 ある種のECG信号のサンプルが限られているため、クラス不均衡の問題がECGに基づく検出の課題となっている。 疑似再生に基づく半教師付き連続学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 15.399692698838374
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In clinical practice, automatic analysis of electrocardiogram (ECG) is widely applied to identify irregular heart rhythms and other electrical anomalies of the heart, enabling timely intervention and potentially improving clinical outcomes. However, due to the limited samples in certain types of ECG signals, the class imbalance issues pose a challenge for ECG-based detection. In addition, as the volume of patient data grows, long-term storage of all historical data becomes increasingly burdensome as training samples to recognize new patterns and classify existing ECG signals accurately. Therefore, to enhance the performance of anomaly detection while addressing storage limitations, we propose a pseudo-replay based semi-supervised continual learning framework, which consists of two components: unsupervised identification and replay-based detection. For unsupervised identification, an unsupervised generative adversarial network (GAN)-based framework is integrated to detect novel patterns. Besides, instead of directly storing all historical data, a pseudo replay-based learning strategy is proposed which utilizes a generator to learn the data distribution for each individual task. When a new task arises, the generator synthesizes pseudo data representative of previous learnt classes, enabling the model to detect both the existed patterns and the newly presented anomalies. The effectiveness of the proposed framework is validated in four public ECG datasets, which leverages supervised classification problems for anomaly detection. The experimental results show that the developed approach is very promising in identifying novel anomalies while maintaining good performance on detecting existing ECG signals.
• Abstract（参考訳）: 臨床的には、心電図の自動解析は、不規則な心臓リズムやその他の心臓の電気的異常を識別するために広く応用され、タイムリーな介入を可能にし、臨床結果を改善する可能性がある。 しかし、特定のタイプのECG信号のサンプルが限られているため、クラス不均衡の問題がECGに基づく検出の課題となっている。 さらに,患者のデータ量が増加するにつれて,すべての履歴データの長期保存は,新たなパターンを認識し,既存のECG信号を正確に分類するためのトレーニングサンプルとして,ますます重荷となっていく。 そこで,ストレージ制限に対処しながら異常検出性能を向上させるため,疑似再生に基づく半教師付き連続学習フレームワークを提案する。 教師なし識別のために,GAN(unsupervised generative adversarial Network)ベースのフレームワークを統合し,新しいパターンを検出する。 また,すべての履歴データを直接記憶する代わりに,生成器を用いて各タスクのデータ分布を学習する擬似リプレイ学習戦略を提案する。 新しいタスクが発生すると、ジェネレータは以前の学習クラスの擬似データを合成し、既存のパターンと新たに提示された異常の両方を検出する。 提案手法の有効性を4つのパブリックECGデータセットで検証し,異常検出に教師付き分類問題を活用する。 実験結果から,既存の心電図信号の検出性能を維持しつつ,新規な異常の同定に極めて有望な手法であることが示唆された。

関連論文リスト

• Unlocking the Potential of Weakly Labeled Data: A Co-Evolutionary Learning Framework for Abnormality Detection and Report Generation [44.41011570487469]
  臨床における胸部X線(CXR)の解剖学的異常検出と報告生成は2つの重要な課題である。 既存の手法は、それぞれのタスクを別々に焦点を合わせ、相関を無視することが多い。 本研究は,共進化異常検出および報告生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-18T08:31:26Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• TSRNet: Simple Framework for Real-time ECG Anomaly Detection with Multimodal Time and Spectrogram Restoration Network [9.770923451320938]
  本稿では,異常検出を利用したトレーニング用心電図データのみを用いた不健康状態の同定手法を提案する。 本稿では,心電図信号の異常検出に特化して設計されたTSRNet(Multimodal Time and Spectrogram Restoration Network)を提案する。
  論文  参考訳（メタデータ） (2023-12-15T20:27:38Z)
• 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)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• ECG-Adv-GAN: Detecting ECG Adversarial Examples with Conditional Generative Adversarial Networks [4.250203361580781]
  ディープニューラルネットワークは、心電図信号を追跡するための一般的なテクニックとなり、人間の専門家より優れています。 GANアーキテクチャは、敵ECG信号を合成し、既存のトレーニングデータを増やすために近年研究されている。 本稿では,心電図信号を同時に生成し,心的異常を検出するための条件生成広告ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-16T02:53:14Z)
• A Graph-constrained Changepoint Detection Approach for ECG Segmentation [5.209323879611983]
  本稿では,前処理ステップを使わずにRピーク位置を確実に検出するための新しいグラフベース最適変化点検出法を提案する。 提案手法は,MIT-BIH不整脈データベース(MIT-BIH-AR)に基づいて,全体の感度 Sen = 99.76,正の予測率 PPR = 99.68,検出誤差率 DER = 0.55 を達成する。
  論文  参考訳（メタデータ） (2020-04-24T23:41:41Z)
• Regularized Cycle Consistent Generative Adversarial Network for Anomaly Detection [5.457279006229213]
  本稿では, ニューラルネットワークを逆向きに訓練し, 異常なサンプルをよりよく認識するRCGAN(Regularized Cycle Consistent Generative Adversarial Network)を提案する。 実世界のデータと合成データの両方に対する実験結果から,我々のモデルが過去の異常検出ベンチマークにおいて有意かつ一貫した改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-01-18T03:35:05Z)

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。