論文の概要: TinyML for Acoustic Anomaly Detection in IoT Sensor Networks
- arxiv url: http://arxiv.org/abs/2603.26135v1
- Date: Fri, 27 Mar 2026 07:37:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-30 21:49:48.387083
- Title: TinyML for Acoustic Anomaly Detection in IoT Sensor Networks
- Title（参考訳）: IoTセンサネットワークにおける音響異常検出のためのTinyML
- Authors: Amar Almaini, Jakob Folz, Ghadeer Ashour,
- Abstract要約: 本稿では,IoTセンサネットワーク内の環境音の異常を検出するための小型TinyMLパイプラインを提案する。
我々のパイプラインは、音響信号からMel Frequency Cepstral Coefficientsを抽出し、エッジデバイスへのデプロイメントに最適化された軽量ニューラルネットワークをトレーニングすることで、これらの問題に対処する。
- 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: Tiny Machine Learning enables real-time, energy-efficient data processing directly on microcontrollers, making it ideal for Internet of Things sensor networks. This paper presents a compact TinyML pipeline for detecting anomalies in environmental sound within IoT sensor networks. Acoustic monitoring in IoT systems can enhance safety and context awareness, yet cloud-based processing introduces challenges related to latency, power usage, and privacy. Our pipeline addresses these issues by extracting Mel Frequency Cepstral Coefficients from sound signals and training a lightweight neural network classifier optimized for deployment on edge devices. The model was trained and evaluated using the UrbanSound8K dataset, achieving a test accuracy of 91% and balanced F1-scores of 0.91 across both normal and anomalous sound classes. These results demonstrate the feasibility and reliability of embedded acoustic anomaly detection for scalable and responsive IoT deployments.
- Abstract（参考訳）: Tiny Machine Learningは、マイクロコントローラ上でリアルタイムでエネルギー効率のよいデータ処理を可能にする。
本稿では,IoTセンサネットワーク内の環境音の異常を検出するための小型TinyMLパイプラインを提案する。
IoTシステムのアコースティック監視は、安全性とコンテキストの認識を高めることができるが、クラウドベースの処理は、レイテンシ、電力使用量、プライバシに関する課題を導入する。
我々のパイプラインは、音信号からMel Frequency Cepstral Coefficientsを抽出し、エッジデバイスへの展開に最適化された軽量ニューラルネットワーク分類器を訓練することで、これらの問題に対処する。
モデルはUrbanSound8Kデータセットを用いて訓練・評価され、テスト精度は91%、F1スコアは0.91で、通常の音と異常音の両方で評価された。
これらの結果は、スケーラブルでレスポンシブなIoTデプロイメントのための組み込み音響異常検出の実現可能性と信頼性を示している。
関連論文リスト
- Neuromorphic Wireless Split Computing with Resonate-and-Fire Neurons [69.73249913506042]
本稿では、共振器(RF)ニューロンを用いて時間領域信号を直接処理する無線スプリットコンピューティングアーキテクチャについて検討する。
可変周波数で共鳴することにより、RFニューロンは低スパイク活性を維持しながら時間局在スペクトル特徴を抽出する。
実験の結果,提案したRF-SNNアーキテクチャは従来のLIF-SNNやANNと同等の精度を達成できることがわかった。
論文 参考訳（メタデータ） (2025-06-24T21:14:59Z) - Localization of Impacts on Thin-Walled Structures by Recurrent Neural Networks: End-to-end Learning from Real-World Data [45.9982965995401]
薄肉構造への影響は、圧電センサで測定できるラム波を励起する。
逐次センサデータから直接、衝撃位置をエンドツーエンドに推定するために、リカレントニューラルネットワーク(RNN)を提案する。
その結果,比較的小さなデータセットであっても,衝撃位置の推定精度は著しく向上した。
論文 参考訳（メタデータ） (2025-05-13T09:08:47Z) - Unsupervised CP-UNet Framework for Denoising DAS Data with Decay Noise [13.466125373185399]
分散音響センサ(DAS)技術は光ファイバーケーブルを利用して音響信号を検出する。
DASは、ジオフォンよりも低い信号対雑音比(S/N)を示す。
これにより、S/Nの低減は、反転と解釈を含むデータ解析に悪影響を及ぼす。
論文 参考訳（メタデータ） (2025-02-19T03:09:49Z) - sVAD: A Robust, Low-Power, and Light-Weight Voice Activity Detection
with Spiking Neural Networks [51.516451451719654]
スパイキングニューラルネットワーク(SNN)は生物学的に妥当で、電力効率が高いことが知られている。
本稿では sVAD と呼ばれる新しい SNN ベースの音声活動検出モデルを提案する。
SincNetと1D畳み込みによる効果的な聴覚特徴表現を提供し、アテンション機構による雑音の堅牢性を向上させる。
論文 参考訳（メタデータ） (2024-03-09T02:55:44Z) - Enhancing Lightweight Neural Networks for Small Object Detection in IoT
Applications [1.6932009464531739]
そこで本研究では,既存の物体検出装置上で使用可能な適応型タイリング手法を提案する。
実験の結果,提案手法はF1スコアを最大225%向上し,平均オブジェクト数誤差を最大76%削減できることがわかった。
論文 参考訳（メタデータ） (2023-11-13T08:58:34Z) - Signal Detection in MIMO Systems with Hardware Imperfections: Message
Passing on Neural Networks [101.59367762974371]
本稿では,Multi-Input-multiple-output (MIMO)通信システムにおける信号検出について検討する。
パイロット信号が限られているディープニューラルネットワーク(DNN)のトレーニングは困難であり、実用化を妨げている。
我々は、ユニタリ近似メッセージパッシング(UAMP)アルゴリズムを利用して、効率的なメッセージパッシングに基づくベイズ信号検出器を設計する。
論文 参考訳（メタデータ） (2022-10-08T04:32:58Z) - Addressing Gap between Training Data and Deployed Environment by
On-Device Learning [1.6258710071587594]
本稿では、オンデバイスラーニング(ODL)アプローチに基づくニューラルネットワークを導入し、デプロイされた環境で再トレーニングすることでこの問題に対処する。
我々のアプローチは、ローエンドエッジデバイスに適した複数のニューラルネットワークの半教師付きシーケンシャルトレーニングに依存している。
回転機械の振動パターンを用いた実験により、ODLによる再トレーニングはノイズの多い環境での予測専用ディープニューラルネットワークと比較して異常検出精度を向上させることが示された。
論文 参考訳（メタデータ） (2022-03-02T12:59:33Z) - A reconfigurable neural network ASIC for detector front-end data
compression at the HL-LHC [0.40690419770123604]
ニューラルネットワークのオートエンコーダモデルを放射線耐性ASICに実装して、損失のあるデータ圧縮を行うことができる。
これは、粒子物理学アプリケーション用に設計されたニューラルネットワークの耐放射線性オンディテクタASIC実装である。
論文 参考訳（メタデータ） (2021-05-04T18:06:23Z) - Multi-Tones' Phase Coding (MTPC) of Interaural Time Difference by
Spiking Neural Network [68.43026108936029]
雑音の多い実環境下での正確な音像定位のための純粋スパイクニューラルネットワーク(SNN)に基づく計算モデルを提案する。
このアルゴリズムを,マイクロホンアレイを用いたリアルタイムロボットシステムに実装する。
実験の結果, 平均誤差方位は13度であり, 音源定位に対する他の生物学的に妥当なニューロモルフィックアプローチの精度を上回っていることがわかった。
論文 参考訳（メタデータ） (2020-07-07T08:22:56Z) - Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。
本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。
提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文 参考訳（メタデータ） (2020-01-10T05:29:17Z) - Convolutional-Recurrent Neural Networks on Low-Power Wearable Platforms
for Cardiac Arrhythmia Detection [0.18459705687628122]
マイクロコントローラと低消費電力プロセッサで動作するニューラルネットワークの推論に焦点を当てる。
心不整脈を検出・分類するために既存の畳み込みリカレントニューラルネットワークを適用した。
メモリフットプリントは195.6KB、スループットは33.98MOps/sである。
論文 参考訳（メタデータ） (2020-01-08T10:35:48Z)
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。