多变量时间序列医疗数据上的有效异常活动检测
Effective Abnormal Activity Detection on Multivariate Time Series Healthcare Data
AI总结：
针对多变量时间序列医疗数据中异常模式多样且难以察觉的挑战，提出基于残差的异常检测方法Rs-AD，在真实步态数据集上实现0.839的F1分数。
摘要：
从多个传感器收集的多变量时间序列（MTS）数据为智能医疗场景中的准确异常活动检测提供了潜力。然而，异常表现出多样的模式，并在MTS数据中变得难以察觉。因此，实现准确的异常检测具有挑战性，因为我们必须同时捕获时间序列的时间依赖性和变量之间的相互关系。为了解决这个问题，我们提出了一种基于残差的异常检测方法Rs-AD，用于有效的表示学习和异常活动检测。我们在一个真实世界的步态数据集上评估了我们的方案，实验结果表明F1分数为0.839。
英文摘要：
Multivariate time series (MTS) data collected from multiple sensors provide the potential for accurate abnormal activity detection in smart healthcare scenarios. However, anomalies exhibit diverse patterns and become unnoticeable in MTS data. Consequently, achieving accurate anomaly detection is challenging since we have to capture both temporal dependencies of time series and inter-relationships among variables. To address this problem, we propose a Residual-based Anomaly Detection approach, Rs-AD, for effective representation learning and abnormal activity detection. We evaluate our scheme on a real-world gait dataset and the experimental results demonstrate an F1 score of 0.839.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
