13、基于心电图的新型变压器异常检测方法及物联网网络中基于MEC的无人机辅助上行NOMA保密卸载与优化

基于心电图的新型变压器异常检测方法及物联网网络中基于MEC的无人机辅助上行NOMA保密卸载与优化

心电图异常检测实验与结果

在测试所提出的心电图异常检测框架性能的实验中，首先构建了一个混合数据集。该数据集由PhysioNet的两个数据集合并而成，其中异常类别数据来自BIDMC充血性心力衰竭数据库，包含15名受试者（11名年龄在22 - 71岁的男性和4名年龄在54 - 63岁的女性）的严重充血性心力衰竭的扩展心电图记录；正常受试者数据集则来自麻省理工学院 - 贝斯以色列医院（MIT - BIH）正常窦性心律数据集，包含18名受试者（5名年龄在26 - 45岁的男性和13名年龄在20 - 50岁的女性）的长期心电图记录，且这些受试者均无明显心律失常。

从每个数据集中随机选取了总共5000个心跳（2919个正常样本和2081个异常样本），用于训练和测试框架。所有数据都通过插值进行了预处理，以提取等长的心跳。

实验设置方面，使用之前提到的心电图数据集来评估基于变压器的变分自编码器（VAE）与移动指数加权移动平均支持向量数据描述（MEWMA - SVDD）的有效性。从数据集中随机选择4000个样本用于训练模型，剩下的1000个样本用于测试。

在基于变压器的VAE训练过程中，仅使用正常数据集，通过重建损失来区分异常数据和正常数据。训练采用均方误差（MSE）作为损失函数，固定学习率为0.001，并应用了0.5的梯度阈值以确保训练稳定性。为确定EWMA - SVDD的最佳带宽，使用了scikit - learn的网格搜索模块，搜索带宽范围为(3, 0.2, 10)，并进行了30折交叉验证。MEWMA统计量的平滑参数配置为0.2，控制内平均运行长度$ARL_0$设置为100。