論文の概要: Robust Remote ECG Monitoring under Energy Constraints: Anomaly Filtering versus Predictive Uncertainty

• arxiv url: http://arxiv.org/abs/2611.01898v1
• Date: Sun, 01 Nov 2026 13:40:21 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:50:25.859112
• Title: Robust Remote ECG Monitoring under Energy Constraints: Anomaly Filtering versus Predictive Uncertainty
• Title（参考訳）: エネルギー制約下でのロバストな遠隔心電図モニタリング:異常フィルタリングと予測不確かさ
• Abstract要約: 遠隔心電図モニタリングのための機械学習は、トレーニングの欠如したノイズや疾患を扱う必要がある。 PTB-XLとBUT QDBの5つの検出器を評価し,2段階のフィルタ分類システムとモンテカルロ・ドロップアウトと深層アンサンブルを比較した。 深部SVDDは、試験された全ての有限CPUエネルギー予算において、受信機動作特性曲線の下で最も高い平均領域を達成する。
• 参考スコア（独自算出の注目度）: 39.9470953186283
• License:
• Abstract: Machine learning for remote electrocardiogram monitoring must handle noise and diseases absent from training under tight resource constraints. We investigate whether upstream unsupervised anomaly detection can improve monitoring decisions more efficiently than classifier-derived uncertainty. We evaluate five detectors on PTB-XL and BUT QDB and compare a two-stage filter-classifier system with Monte Carlo Dropout and deep ensembles under unseen-disease and noise conditions. Performance is averaged over five training seeds. We measure single-pass energy, latency, and graph memory on a microcontroller's central processing unit (CPU) and neural processing unit (NPU). Per-score neural network costs account for repeated evaluations but exclude scoring outside deployed graphs. Energy equations relate filtering and rejection to avoided classifier execution. Across four disease scenarios, Deep Support Vector Data Description (Deep SVDD) achieves the highest mean area under the receiver operating characteristic curve within all tested finite CPU energy budgets. On the NPU, it leads at 1 mJ, while Monte Carlo Dropout has slightly higher means at 10 and 100 mJ. With a narrow CPU classifier, the Deep SVDD two-stage system increases the fraction of correctly classified or correctly rejected inputs by 15.0-19.4 percentage points over classification without rejection. Estimated energy per input is 1.93-6.99 mJ, compared with 52.53 mJ for Monte Carlo Dropout and 8.76-17.51 mJ for deep ensembles, at each method's retrospectively selected test accuracy peak. These results support upstream filtering for efficient remote monitoring, while independent validation and complete-system measurements remain necessary.
• Abstract（参考訳）: 遠隔心電図モニタリングのための機械学習は、厳しいリソース制約の下でトレーニングを受けていないノイズや病気を処理しなければならない。 上流の教師なし異常検出が、分類器による不確実性よりも、より効率的に監視決定を改善できるかどうかを検討する。 PTB-XL と BUT QDB の5つの検出器を評価し,モンテカルロ・ドロップアウトと深いアンサンブルの2段階のフィルタ分類器システムとの比較を行った。 成績は5種以上である。 マイクロコントローラの中央処理ユニット (CPU) とニューラル処理ユニット (NPU) 上で, シングルパスエネルギー, レイテンシ, グラフメモリを測定する。 スコアごとのニューラルネットワークのコストは、繰り返し評価されるが、デプロイされたグラフの外でのスコア付けを除外する。 エネルギー方程式は、フィルタと拒絶を回避した分類器の実行に関連付ける。 4つの疾患シナリオにおいて、Deep Support Vector Data Description (Deep SVDD) は、テストされた全ての有限CPUエネルギー予算の中で受信機動作特性曲線の下で最も高い平均領域を達成する。 NPUでは1mJ、モンテカルロ・ドロップアウトは10mJと100mJでわずかに高い。 狭いCPU分類器により、ディープSVDDの2段階システムは、正しく分類されたまたは正しく拒否された入力の比率を、拒絶せずに分類するよりも15.0-19.4ポイント増加させる。 推定エネルギーは1.93-6.99 mJであり、モンテカルロ・ドロップアウトでは52.53 mJ、ディープアンサンブルでは8.76-17.51 mJである。 これらの結果は、効率的な遠隔監視のための上流フィルタリングをサポートし、独立した検証と完全システム計測は依然として必要である。

関連論文リスト

• O-RAN-Native Jamming Detection Under Network Heterogeneity [42.727584386619895]
  電波ジャミングは、競合環境におけるセルラーネットワークの動作を脅かす。 我々は,適応MADベースライン検出,カウントベース異常検出,急激な変化検出を組み合わせた統計的アンサンブル法(SEM)を提案する。 SEMは2つのモードで動作し、即時展開のためにラベル付きデータを必要としないコールドスタートモードと、パラメータをオフラインで洗練する教師付きモードである。
  論文  参考訳（メタデータ） (2026-10-14T19:00:48Z)
• QuPID: Quantum Parameter-Efficient Input-Dependent Retrieval Adaptation for Medical RAG [43.163742253145635]
  QuPIDは、量子パラメータ効率の入力依存型検索適応である。 凍結した画像の特徴を限られたデータでローカルアーカイブに適応させる。 凍った医療エンコーダよりも、ChestX-ray14とmuraでAT-5(P@5)の精度が高い。
  論文  参考訳（メタデータ） (2026-09-27T08:22:58Z)
• Robustness of Anomaly Detection Models for Industrial Control Systems under Training-Time Data Contamination [3.7391021139771325]
  本稿では, トレーニング時汚染下でのセキュア水処理ベンチマークにおいて, オフラインICS異常検出パイプラインのロバスト性を評価する。 ランダムインジェクション,類似性目標インジェクション,特徴ノイズインジェクションの3つの汚染手法により,11個の異種異常検出装置を評価した。 その結果、ロバスト性はモデルに依存しており、クリーンデータのパフォーマンスだけでは予測できないことがわかった。
  論文  参考訳（メタデータ） (2026-08-24T17:49:36Z)
• Batch-wise Adaptive Pruning: Periodic Neuron Activation-Aware Weight Pruning for Language Reasoning Model [41.842373153015586]
  LRMにおけるバッチ推論のための学習不要適応型プルーニング法を提案する。 閾値に基づく選択を、集約された重要度スコアよりも周期的なトップk選択に置き換える。 バッチサイズ4の平均精度は39.7ポイント向上した。
  論文  参考訳（メタデータ） (2026-08-14T06:46:02Z)
• Cloud-Native Evaluation-as-a-Service: A Microservices Architecture for Scalable AI Monitoring with Conformal Guarantees [4.262007271558123]
  我々は、AI評価手法を6つのステートレスメソッドとして運用する、クラウドネイティブな参照アーキテクチャであるEを紹介する。 Eは、有限サンプル補正適応予測セットによる共形予測、キャリブレーションアセスメント、RFF近似平均不一致によるドリフト検出、ブートストラップ信頼区間によるフェアネスモニタリング、DAGベースのパイプラインオーケストレータ、結果記憶APIを含む。
  論文  参考訳（メタデータ） (2026-07-04T01:39:59Z)
• Characterizing the Fault Response of the Intel Neural Compute Stick 2 Under Single-Pulse Electromagnetic Fault Injection [3.2913641623634913]
  ImageNetをトレーニングした3つのニューラルネットワークを動作させるNAS2の単一パルス電磁欠陥注入キャンペーンを報告した。 単一のパルスは、4つの再現可能な結果クラスを生成する。 本稿では,デバイスファームウェアやOpenVINOランタイムを変更することなく,アプリケーションレベルで実装可能な機構に焦点をあてて,クラスごとの緩和戦略について議論する。
  論文  参考訳（メタデータ） (2026-05-21T13:06:26Z)
• Enhancing ECG Classification Robustness with Lightweight Unsupervised Anomaly Detection Filters [39.9470953186283]
  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。
  論文  参考訳（メタデータ） (2025-10-30T13:54:37Z)
• Robust Peak Detection for Holter ECGs by Self-Organized Operational Neural Networks [12.773050144952593]
  ディープ畳み込みニューラルネットワーク(CNN)はホルターモニタで最先端のパフォーマンスレベルを達成した。 本研究では,生成ニューロンを有する1次元自己組織型ONN(Self-ONNs)を提案する。 その結果、CPSCデータセットでは99.10%のF1スコア、99.79%の感度、98.42%の正の予測性が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-30T19:45:06Z)
• AQD: Towards Accurate Fully-Quantized Object Detection [94.06347866374927]
  本稿では,浮動小数点演算を除去するために,AQDと呼ばれる高精度な量子化オブジェクト検出ソリューションを提案する。 我々のAQDは、非常に低ビットのスキームの下での完全精度と比較して、同等またはそれ以上の性能を実現しています。
  論文  参考訳（メタデータ） (2020-07-14T09:07:29Z)

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。