27、深度学习与机器学习在异常检测和乳腺癌诊断中的应用

深度学习与机器学习在异常检测和乳腺癌诊断中的应用

1. 深度学习在异常检测中的应用

1.1 异常检测方法概述

在无线传感器网络（WSN）中，对于异常观测的最大故障检测，ERLEM 具有较高的真阳性率（TPR）。当前的异常检测方法在活动监测网络性能、故障检测、结构缺陷检测、医疗状况监测和时间序列监测等方面都有应用。作者采用了三种方法：
- 无先验知识方法。
- 类似于有标签数据的监督学习方法。
- 根据数据的正常或异常条件进行判断的方法，新数据若在正常边界内则视为正常，否则视为异常，可通过为数据集选择合适的分类器来实现这些操作。作者还建议采用分类方法、聚类方法和新颖性方法。

1.2 应用前的条件检查

在应用深度学习方法之前，需要检查以下条件：
1. 数据采集应采用适合后续阶段的标准方式。
2. 对数据进行归一化和预处理，以用于深度学习应用。
3. 开发合适的安全模型和网络模型。
4. 利用专家知识进行泛化分类。

1.3 不同数据集的深度学习方法应用结果

以下是 20 篇关于适用于无线体域网（WBAN，医疗保健应用）的深度学习方法的论文结果总结，对比了不同数据集、应用、网络和准确率：
|序号|数据|应用|网络|准确率|
| ---- | ---- | ---- | ---- | ---- |
|1|电动机振动信号|异常检测、电动机想象|DBN, CNN, AUTOENCODER|75|
|2|肌电图（EMG）|肢体运动分类|DBN|77|
|3|心电图（ECG）|异常心电图识别、糖尿病检测|DN