Detección de anomalías en señales de sensores utilizando redes neuronales basadas en autoencoders de aprendizaje profundo
Autores: Esmaeili, Fatemeh; Cassie, Erica; Nguyen, Hong Phan T.; Plank, Natalie O. V.; Unsworth, Charles P.; Wang, Alan
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
Categoría
Ingeniería y Tecnología
Subcategoría
Bioingeniería
Palabras clave
Detección de anomalías
Algoritmos de aprendizaje profundo
Redes autoencoder
LSTM
Modelos de predicción
Precisión
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 46
Citaciones: Sin citaciones
La detección de anomalías es una tarea significativa en el procesamiento de señales de sensores ya que interpretar una señal anormal puede llevar a tomar una decisión de alto riesgo en términos de aplicaciones de sensores. Los algoritmos de aprendizaje profundo son herramientas efectivas para la detección de anomalías debido a su capacidad para abordar conjuntos de datos desequilibrados. En este estudio, adoptamos un enfoque de aprendizaje semisupervisado, utilizando datos normales para entrenar las redes neuronales de aprendizaje profundo, con el fin de abordar las características diversas y desconocidas de las anomalías. Desarrollamos modelos de predicción basados en autoencoders para detectar automáticamente datos anómalos registrados por tres aptasensores electroquímicos, con variaciones en las longitudes de las señales para concentraciones particulares, analitos y bioreceptores. Los modelos de predicción emplearon redes de autoencoder y el método de estimación de densidad de núcleo (KDE) para encontrar el umbral para detectar anomalías. Además, las redes de autoencoder eran autoencoders vanilla, autoencoders LSTM unidireccionales (ULSTM) y autoencoders LSTM bidireccionales (BLSTM) para la etapa de entrenamiento de los modelos de predicción. Sin embargo, la toma de decisiones se basó en el resultado de estas tres redes y la integración de los resultados de las redes vanilla y LSTM. La precisión como métrica de rendimiento de los modelos de predicción de anomalías mostró que el rendimiento de los modelos vanilla e integrados eran comparables, mientras que los modelos de autoencoder basados en LSTM mostraron la menor precisión. Considerando el modelo integrado de autoencoder ULSTM y vanilla, la precisión para el conjunto de datos con las señales más largas fue aproximadamente del 80%, mientras que fue del 65% y 40% para los otros conjuntos de datos. La precisión más baja perteneció al conjunto de datos con menos datos normales en su conjunto de datos. Estos resultados demuestran que los modelos vanilla e integrados propuestos pueden detectar automáticamente datos anormales cuando hay suficientes datos normales para entrenar los modelos.
Descripción
La detección de anomalías es una tarea significativa en el procesamiento de señales de sensores ya que interpretar una señal anormal puede llevar a tomar una decisión de alto riesgo en términos de aplicaciones de sensores. Los algoritmos de aprendizaje profundo son herramientas efectivas para la detección de anomalías debido a su capacidad para abordar conjuntos de datos desequilibrados. En este estudio, adoptamos un enfoque de aprendizaje semisupervisado, utilizando datos normales para entrenar las redes neuronales de aprendizaje profundo, con el fin de abordar las características diversas y desconocidas de las anomalías. Desarrollamos modelos de predicción basados en autoencoders para detectar automáticamente datos anómalos registrados por tres aptasensores electroquímicos, con variaciones en las longitudes de las señales para concentraciones particulares, analitos y bioreceptores. Los modelos de predicción emplearon redes de autoencoder y el método de estimación de densidad de núcleo (KDE) para encontrar el umbral para detectar anomalías. Además, las redes de autoencoder eran autoencoders vanilla, autoencoders LSTM unidireccionales (ULSTM) y autoencoders LSTM bidireccionales (BLSTM) para la etapa de entrenamiento de los modelos de predicción. Sin embargo, la toma de decisiones se basó en el resultado de estas tres redes y la integración de los resultados de las redes vanilla y LSTM. La precisión como métrica de rendimiento de los modelos de predicción de anomalías mostró que el rendimiento de los modelos vanilla e integrados eran comparables, mientras que los modelos de autoencoder basados en LSTM mostraron la menor precisión. Considerando el modelo integrado de autoencoder ULSTM y vanilla, la precisión para el conjunto de datos con las señales más largas fue aproximadamente del 80%, mientras que fue del 65% y 40% para los otros conjuntos de datos. La precisión más baja perteneció al conjunto de datos con menos datos normales en su conjunto de datos. Estos resultados demuestran que los modelos vanilla e integrados propuestos pueden detectar automáticamente datos anormales cuando hay suficientes datos normales para entrenar los modelos.