論文の概要: ArrythML: An Autoencoder-Based TinyML Approach for On-Device Arrhythmia Detection on Resource-Constrained Embedded Systems

• arxiv url: http://arxiv.org/abs/2606.02256v1
• Date: Mon, 01 Jun 2026 13:43:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:32.182819
• Title: ArrythML: An Autoencoder-Based TinyML Approach for On-Device Arrhythmia Detection on Resource-Constrained Embedded Systems
• Title（参考訳）: ArrythML: リソース制約組込みシステム上でのオンデバイス不整脈検出のためのオートエンコーダに基づくTinyMLアプローチ
• Authors: Nagarajan S, Kurian Polachan,
• Abstract要約: 本稿では,Tiny Machine Learning(TinyML)モデルを用いたECGセグメンテーションと不整脈検出の手法を提案する。 これらのモデルは、MIT-BIH Arrhythmia Databaseから派生したカスタムデータセットを用いて評価され、PCベースのシミュレーションとオンデバイス環境の両方で検証される。
• 参考スコア（独自算出の注目度）: 0.14732811715354452
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Our work presents a method for ECG segmentation and arrhythmia detection using Tiny Machine Learning (TinyML) models for real-time, on-device inference on resource-constrained embedded systems. We develop INT8 quantized autoencoder-based TinyML models with minimal layers and parameters for embedded deployment. These models are evaluated using a custom dataset derived from the MIT-BIH Arrhythmia Database and validated in both PC-based simulations and on-device environments. For the evaluations, over 95,000 ECG segments are processed on an ESP32-S3 microcontroller running the TensorFlow Lite Micro runtime. Post-evaluation, detailed analysis, including annotation-wise and record-wise failure analysis, is conducted to characterize model behavior across diverse ECG morphologies and rhythm patterns and to explain missed detections. In several cases, apparent misclassifications may correspond to early or subtle anomaly patterns labeled as normal in the reference annotations, highlighting the model's sensitivity. A refined evaluation by filtering out ambiguous cases in the dataset shows that the best-performing DNN-based autoencoder achieves a recall of 84%, an F1-score of 79%, a model size of approximately 180 KB, and an inference latency of 9 ms on-device. These results demonstrate the feasibility of low-power, privacy-preserving embedded wearable systems capable of performing accurate arrhythmia detection entirely on-device.
• Abstract（参考訳）: 本稿では,Tiny Machine Learning(TinyML)モデルを用いたECGセグメンテーションと不整脈検出の手法を提案する。 組み込み配置のための最小層とパラメータを持つINT8量子化オートエンコーダベースのTinyMLモデルを開発した。 これらのモデルは、MIT-BIH Arrhythmia Databaseから派生したカスタムデータセットを用いて評価され、PCベースのシミュレーションとオンデバイス環境の両方で検証される。 評価では、TensorFlow Lite Microランタイムを実行するESP32-S3マイクロコントローラ上で、95,000以上のECGセグメントが処理される。 各種心電図形態およびリズムパターンのモデル挙動を特徴付けるために, アノテーションや記録的故障解析を含む詳細な分析を行い, 欠落検出を説明する。 いくつかのケースでは、明らかな誤分類は参照アノテーションで通常とラベル付けされた早期または微妙な異常パターンに対応し、モデルの感度を強調している。 データセットのあいまいなケースをフィルタリングすることにより、最高のDNNベースのオートエンコーダが84%のリコール、F1スコア79%、モデルサイズ約180KB、デバイス上での推論遅延9msを達成したことを示す。 これらの結果は、デバイス上で正確な不整脈検出を行うことができる低消費電力でプライバシー保護の組込みウェアラブルシステムの実現可能性を示している。

関連論文リスト

• Fully Autonomous Z-Score-Based TinyML Anomaly Detection on Resource-Constrained MCUs Using Power Side-Channel Data [0.13750624267664155]
  本稿では,低消費電力マイクロコントローラに実装した完全自律型Tiny Machine Learning (TinyML) Z-Scoreによる異常検出システムを提案する。 異常は軽量なZスコアしきい値を用いて検出され、組み込み配置に適した解釈可能かつ計算効率の良い推論が可能である。 結果は、精度1.00の精度とリコール、数十マイクロ秒の推論レイテンシ、メモリフットプリント全体の約3.3KBと63KBのフラッシュの完全な検出性能を示す。
  論文  参考訳（メタデータ） (2026-03-28T20:15:50Z)
• Beyond Raw Detection Scores: Markov-Informed Calibration for Boosting Machine-Generated Text Detection [105.14032334647932]
  機械生成テキスト(MGT)は偽情報やフィッシングなどのリスクを生じさせ、信頼性の高い検出の必要性を強調している。 MGTの統計的に区別可能な特徴を抽出するメトリックベース法は、オーバーフィットしがちな複雑なモデルベース法よりも実用的であることが多い。 本稿では,2つのコンテキスト検出スコアの関係をモデル化したマルコフ情報を用いたスコアキャリブレーション手法を提案する。
  論文  参考訳（メタデータ） (2026-02-08T16:06:12Z)
• CEReBrO: Compact Encoder for Representations of Brain Oscillations Using Efficient Alternating Attention [46.47343031985037]
  交互注意(CEReBrO)を用いた脳振動の表現のための圧縮法について紹介する。 トークン化方式は、チャネルごとのパッチで脳波信号を表現します。 本研究では,チャネル内時間的ダイナミックスとチャネル間空間的相関を共同でモデル化し,通常の自己アテンションに比べて6倍少ないメモリで2倍の速度向上を実現するための注意機構を提案する。
  論文  参考訳（メタデータ） (2025-01-18T21:44:38Z)
• MIXAD: Memory-Induced Explainable Time Series Anomaly Detection [21.208134038200203]
  MIXAD(Memory Explainable Time Series Atemporally Detection)は,異常検出を解釈可能なモデルである。 また,異常時のメモリアクティベーションパターンの著しい変化を検出する新しい異常スコアリング手法を提案する。 我々のアプローチは、適切な検出性能を保証するだけでなく、解釈可能性指標の34.30%と34.51%で最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2024-10-30T06:46:23Z)
• DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
  本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。 フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-06-05T06:18:03Z)
• MAPL: Memory Augmentation and Pseudo-Labeling for Semi-Supervised Anomaly Detection [0.0]
  メモリ拡張(Memory Augmentation)と擬似ラベル(Pseudo-Labeling, MAPL)と呼ばれる, 産業環境における表面欠陥検出のための新しいメソドロジーを導入する。 この手法は、まず異常シミュレーション戦略を導入し、希少または未知の異常型を認識するモデルの能力を著しく改善する。 入力データから直接異常領域を識別するために、MAPLによってエンドツーエンドの学習フレームワークが使用される。
  論文  参考訳（メタデータ） (2024-05-10T02:26:35Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)

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。