深度学习实现自编码器Autoencoder神经网络异常检测心电图ECG时间序列

原文链接：http://tecdat.cn/?p=25410

通过训练具有小型中心层的多层神经网络重构高维输入向量，可以将高维数据转换为低维代码。这种神经网络被命名为自编码器_Autoencoder_。

自编码器是_非线性_降_维_ 技术用于特征的无监督学习，它们可以学习比主成分分析效果更好的低维代码，作为降低数据维数的工具。

异常心跳检测

如果提供了足够的类似于某种底层模式的训练数据，我们可以训练网络来学习数据中的模式。异常测试点是与典型数据模式不匹配的点。自编码器在重建这些数据时可能会有很高的错误率，这表明存在异常。

该框架用于使用深度自编码器开发异常检测演示。该数据集是心电图ECG 时间序列（查看文末了解数据获取方式），目标是确定哪些心跳是异常值。训练数据（20 个“好”心跳）和测试数据（为简单起见附加了 3 个“坏”心跳的训练数据），如下所示。每行代表一个心跳。

init()

PATH = os.path.expanduser("~/")

import_file(PATH + "train.csv")
import_file(PATH + "test.csv")

探索数据集。

tra.shape

# 将框架转置，将时间序列作为一个单独的列来绘制。
plot(legend=False); # 不显示图例

在训练数据中，我们有 20 个时间序列，每个序列有 210 个数据点。请注意，所有线条都很紧凑并且形状相似。重要的是要记住，在使用自编码器进行训练时，您只想使用 VALID 数据。应删除所有异常。

---

点击标题查阅往期内容

matlab使用分位数随机森林（QRF）回归树检测异常值

左右滑动查看更多

01

02

03

04

现在让我们训练我们的神经网络

Estimator( 
        activation="Tanh", 
        hidden=\[50\], 
       
)
 
model.train

model

我们的神经网络现在能够对 时间序列进行 _编码_。

现在我们尝试使用异常检测功能计算重建误差。这是输出层和输入层之间的均方误差。低误差意味着神经网络能够很好地对输入进行编码，这意味着是“已知”情况。高误差意味着神经网络以前没有见过该示例，因此是异常情况。

anomaly(test )

现在的问题是：哪个 test 时间序列最有可能是异常？

我们可以选择错误率最高的前 N 个

df\['Rank'\] = df\['MSE'\].rank

sorted

dfsorted\[MSE'\] > 1.0

datT.plot

daT\[anindex\].plot(color='red');

带监督微调的无监督预训练

有时，未标记的数据比标记的数据多得多。在这种情况下，在未标记数据上训练自编码器模型，然后使用可用标签微调学习模型是有意义的。

结论

在本教程中，您学习了如何使用自编码器快速检测时间序列异常。

数据获取

在下面公众号后台回复“心电图数据”，可获取完整数据。

---

本文摘选《python深度学习实现自编码器Autoencoder神经网络异常检测心电图ECG时间序列》，点击“阅读原文”获取全文完整资料。

---

点击标题查阅往期内容

R语言时间序列分解和异常检测方法应用案例

R语言指数平滑法holt-winters分析谷歌Google Analytics博客用户访问时间序列数据

R语言Outliers异常值检测方法比较

PYTHON中用PROPHET模型对天气时间序列进行预测与异常检测

R语言用LOESS(局部加权回归)季节趋势分解（STL）进行时间序列异常检测

matlab使用分位数随机森林（QRF）回归树检测异常值

(数据挖掘)如何用大数据做用户异常行为分析

R语言异常值检测方法比较

时间序列分解和异常检测方法应用案例

matlab使用hampel滤波,去除异常值

Matlab中的偏最小二乘法（PLS）回归模型，离群点检测和变量选择

R语言离群值处理分析

spss modeler用决策树神经网络预测ST的股票

Python中TensorFlow的长短期记忆神经网络(LSTM)、指数移动平均法预测股票市场和可视化

RNN循环神经网络 、LSTM长短期记忆网络实现时间序列长期利率预测

结合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络时间序列分析

深度学习：Keras使用神经网络进行简单文本分类分析新闻组数据

用PyTorch机器学习神经网络分类预测银行客户流失模型

PYTHON用LSTM长短期记忆神经网络的参数优化方法预测时间序列洗发水销售数据

Python用Keras神经网络序列模型回归拟合预测、准确度检查和结果可视化

R语言深度学习卷积神经网络 (CNN)对 CIFAR 图像进行分类：训练与结果评估可视化

深度学习：Keras使用神经网络进行简单文本分类分析新闻组数据

Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析

R语言深度学习Keras循环神经网络(RNN)模型预测多输出变量时间序列

R语言KERAS用RNN、双向RNNS递归神经网络、LSTM分析预测温度时间序列、 IMDB电影评分情感

Python用Keras神经网络序列模型回归拟合预测、准确度检查和结果可视化

Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析

R语言中的神经网络预测时间序列：多层感知器（MLP）和极限学习机（ELM）数据分析报告

R语言深度学习：用keras神经网络回归模型预测时间序列数据

Matlab用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类

R语言KERAS深度学习CNN卷积神经网络分类识别手写数字图像数据（MNIST）

MATLAB中用BP神经网络预测人体脂肪百分比数据

Python中用PyTorch机器学习神经网络分类预测银行客户流失模型

R语言实现CNN（卷积神经网络）模型进行回归数据分析

SAS使用鸢尾花(iris)数据集训练人工神经网络(ANN)模型

【视频】R语言实现CNN（卷积神经网络）模型进行回归数据分析

Python使用神经网络进行简单文本分类

R语言用神经网络改进Nelson-Siegel模型拟合收益率曲线分析

R语言基于递归神经网络RNN的温度时间序列预测

R语言神经网络模型预测车辆数量时间序列

R语言中的BP神经网络模型分析学生成绩

matlab使用长短期记忆（LSTM）神经网络对序列数据进行分类

R语言实现拟合神经网络预测和结果可视化

用R语言实现神经网络预测股票实例

使用PYTHON中KERAS的LSTM递归神经网络进行时间序列预测

python用于NLP的seq2seq模型实例:用Keras实现神经网络机器翻译

用于NLP的Python：使用Keras的多标签文本LSTM神经网络分类

欲获取全文文件，请点击左下角“阅读原文”。