論文の概要: Enhancing ECG Classification Robustness with Lightweight Unsupervised Anomaly Detection Filters

• arxiv url: http://arxiv.org/abs/2510.26501v1
• Date: Thu, 30 Oct 2025 13:54:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.844487
• Title: Enhancing ECG Classification Robustness with Lightweight Unsupervised Anomaly Detection Filters
• Title（参考訳）: 軽量非教師付き異常検出フィルタによるECG分類ロバスト性向上
• Authors: Mustafa Fuad Rifet Ibrahim, Maurice Meijer, Alexander Schlaefer, Peer Stelldinger,
• Abstract要約: ウェアラブルを用いた連続心電図(ECG)モニタリングは、早期心血管疾患(CVD)検出に有意な可能性を秘めている。 リソース制約のある環境での自動分析のためのディープラーニングモデルをデプロイすることは、アウト・オブ・ディストリビューション(Out-of-Distribution)データによる信頼性上の課題に直面します。 本稿では,非教師付き異常検出(UAD)を,ロバスト性向上のための独立な上流フィルタリング機構として検討する。
• 参考スコア（独自算出の注目度）: 39.9470953186283
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continuous electrocardiogram (ECG) monitoring via wearables offers significant potential for early cardiovascular disease (CVD) detection. However, deploying deep learning models for automated analysis in resource-constrained environments faces reliability challenges due to inevitable Out-of-Distribution (OOD) data. OOD inputs, such as unseen pathologies or noisecorrupted signals, often cause erroneous, high-confidence predictions by standard classifiers, compromising patient safety. Existing OOD detection methods either neglect computational constraints or address noise and unseen classes separately. This paper explores Unsupervised Anomaly Detection (UAD) as an independent, upstream filtering mechanism to improve robustness. We benchmark six UAD approaches, including Deep SVDD, reconstruction-based models, Masked Anomaly Detection, normalizing flows, and diffusion models, optimized via Neural Architecture Search (NAS) under strict resource constraints (at most 512k parameters). Evaluation on PTB-XL and BUT QDB datasets assessed detection of OOD CVD classes and signals unsuitable for analysis due to noise. Results show Deep SVDD consistently achieves the best trade-off between detection and efficiency. In a realistic deployment simulation, integrating the optimized Deep SVDD filter with a diagnostic classifier improved accuracy by up to 21 percentage points over a classifier-only baseline. This study demonstrates that optimized UAD filters can safeguard automated ECG analysis, enabling safer, more reliable continuous cardiovascular monitoring on wearables.
• Abstract（参考訳）: ウェアラブルを用いた連続心電図(ECG)モニタリングは、早期心血管疾患(CVD)検出に有意な可能性を秘めている。 しかし、リソース制約のある環境での自動分析のためのディープラーニングモデルをデプロイすることは、避けられないアウト・オブ・ディストリビューション(OOD)データのために信頼性上の課題に直面している。 OOD入力は、目に見えない病態やノイズの破損した信号のように、しばしば標準分類器による誤った高信頼の予測を引き起こし、患者の安全性を損なう。 既存のOOD検出方法は、計算制約を無視したり、ノイズに対処したり、目に見えないクラスを別々に検出する。 本稿では,非教師付き異常検出(UAD)を,ロバスト性向上のための独立な上流フィルタリング機構として検討する。 我々は,Deep SVDD,Restruction-based Model,Masked Anomaly Detection,正規化フロー,拡散モデルを含む6つのUADアプローチを,厳しいリソース制約下でNAS(Neural Architecture Search)により最適化した。 PTB-XL と BUT QDB データセットによる OOD CVD クラスの検出とノイズによる解析に適さない信号の評価 結果は、ディープSVDDが検出と効率の最良のトレードオフを一貫して達成していることを示している。 現実的な展開シミュレーションでは、最適化されたディープSVDDフィルタと診断分類器の統合により、分類器のみのベースライン上で最大21ポイントの精度が向上した。 この研究は、最適化されたUADフィルタが自動心電図解析を安全にし、ウェアラブル上でより安全で信頼性の高い連続心血管モニタリングを可能にすることを実証している。

関連論文リスト

• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [46.36100528165335]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• Deep Learning for Network Anomaly Detection under Data Contamination: Evaluating Robustness and Mitigating Performance Degradation [0.0]
  ディープラーニング(DL)は、サイバーセキュリティのためのネットワーク異常検出(NAD)において重要なツールとして登場した。 異常検出のためのDLモデルはデータから特徴や学習パターンを抽出するのに優れているが、データ汚染には弱い。 本研究では,データ汚染に対する6つの教師なしDLアルゴリズムのロバスト性を評価する。
  論文  参考訳（メタデータ） (2024-07-11T19:47:37Z)
• SQUWA: Signal Quality Aware DNN Architecture for Enhanced Accuracy in Atrial Fibrillation Detection from Noisy PPG Signals [37.788535094404644]
  心房細動(AF)は脳卒中、心臓病、死亡のリスクを著しく増大させる。 光胸腺造影(PPG)信号は、運動人工物や、しばしば起立条件で遭遇する他の要因による腐敗に影響を受けやすい。 本研究では,一部劣化したPSGから正確な予測の維持方法を学習するための新しい深層学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-04-15T01:07:08Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• A Regularization Method to Improve Adversarial Robustness of Neural Networks for ECG Signal Classification [1.8579693774597703]
  心電図(Electrocardiogram、ECG)は、ヒトの心臓の状態をモニターする最も広く用いられる診断ツールである。 ECG信号のディープニューラルネットワーク(DNN)解釈は、患者の心臓の潜在的な異常を1秒で識別するために完全に自動化することができる。 DNNは、DNNの入力に微妙な変化をもたらす敵の雑音に対して非常に脆弱であり、間違ったクラスラベル予測をもたらす可能性がある。 本稿では,ECG信号分類の適用のために,ノイズ-信号比(NSR)の観点から頑健性を改善するための正規化手法を提案する。
  論文  参考訳（メタデータ） (2021-10-19T06:22:02Z)
• Improve robustness of DNN for ECG signal classification:a noise-to-signal ratio perspective [2.2977141788872366]
  深部ニューラルネットワーク(DNN)は、ECG信号の自動解釈のために開発された。 DNNは敵の攻撃に対して非常に脆弱である。 本研究では,雑音-信号比(NSR)の観点からDNNのロバスト性を改善することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T23:37:33Z)
• Robust Out-of-distribution Detection for Neural Networks [51.19164318924997]
  既存の検出機構は, 分布内およびOOD入力の評価において, 極めて脆弱であることを示す。 ALOE と呼ばれる実効性のあるアルゴリズムを提案する。このアルゴリズムは,逆向きに構築された逆数と外数の両方の例にモデルを公開することにより,堅牢なトレーニングを行う。
  論文  参考訳（メタデータ） (2020-03-21T17:46:28Z)
• 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)

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。