Low Resource Algorithms for Abnormal Instances Detection in the Internet of Things Framework

Ragni, Caterina (2020) Low Resource Algorithms for Abnormal Instances Detection in the Internet of Things Framework. [Laurea magistrale], Università di Bologna, Corso di Studio in Ingegneria elettronica [LM-DM270], Documento ad accesso riservato.
Documenti full-text disponibili:
[img] Documento PDF (Thesis)
Full-text accessibile solo agli utenti istituzionali dell'Ateneo
Disponibile con Licenza: Salvo eventuali più ampie autorizzazioni dell'autore, la tesi può essere liberamente consultata e può essere effettuato il salvataggio e la stampa di una copia per fini strettamente personali di studio, di ricerca e di insegnamento, con espresso divieto di qualunque utilizzo direttamente o indirettamente commerciale. Ogni altro diritto sul materiale è riservato

Download (5MB) | Contatta l'autore


Electrocardiography (ECG) signals are widely used to appraise the health of the human heart. The resulting time series signal is visually analyzed by a cardiologist to detect any unusual beat, which could be referred to a series of abnormal behavior going from a motion artifact to arrhythmia that the patient may have suffered. In this dissertation, a low-complexity and low-resources method for anomaly detection based on principal component analysis is presented. The weightlessness of the proposed algorithm well- fits implementation at low resources devices, with a view to edge computing. In particular, energy of the signal is observed in a properly chosen subspace, and normal processes are discriminated from abnormal ones, based on their accordance with certain criteria. The evaluation of the method is firstly conducted on synthetic ECG, and performance are compared with Literature's related works. The efficacy of the algorithm is finally proved through a qualitative evaluation on ECG signals coming from real patients. Addressing the particular case of motion artifact detection, this dissertation proves how, despite the extremely low computations costs, the method would help in reducing diagnosis time, by reducing to the minimum false alarms.

Tipologia del documento
Tesi di laurea (Laurea magistrale)
Autore della tesi
Ragni, Caterina
Relatore della tesi
Correlatore della tesi
Corso di studio
Ordinamento Cds
Parole chiave
Anomaly Detection,Internet of Things,Edge Computing,Principal Component Analysis,biomedical
Data di discussione della Tesi
11 Marzo 2020

Altri metadati

Statistica sui download

Gestione del documento: Visualizza il documento