인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
피인용 0
초록·키워드
This study proposes a hybrid model, the Sparse Residual LSTM Autoencoder (SRL-AE), combining a Sparse Autoencoder and Residual LSTM to improve anomaly detection in electrocardiogram (ECG) data. Traditional LSTM Autoencoder models distinguish between normal and abnormal data based on recon struction error distributions, but the distance between these distributions is often minimal, leading to reduced confidence in model inference. To address this issue, a model that can robustly separate these distributions is required, particularly in the medical field, where the reliability of deep learning model inferences is critical. The proposed SRL-AE introduces a sparsity constraint in the encoder and residual connections in the decoder to increase the distance between the recon struction error distributions. Experimental results using the ECG5000 dataset demonstrate that SRL-AE reduces the reconstruction error of normal data by 0.908 and increases the distance between the error distributions of normal and abnormal data by 2.224, thereby improving the robustness of the model’s inference.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
