神经符号框架让ECG/EEG异常检测可解释，压缩局部检测为时间符号异常族
Signal2Symbol: Neuro-Symbolic Temporal Reasoning for Explainable Physiological Time-Series Anomaly Detection
📖 AI 总结
本文提出Signal2Symbol，一种面向生理时间序列异常检测的神经符号框架，旨在解决深度模型检测性能高但可解释性不足的问题。该方法首先通过VQ-VAE学习码本或SAX基线，将心电（ECG）与脑电（EEG）信号转化为符号序列，再构建二元组增强的令牌窗口事务，利用最小稀有项集挖掘得到的稀有证据对异常打分。检测到的异常窗口被合并为区间，并借助Allen区间代数建立时间关系，从而生成升级链、伪影重叠、跨通道同步等复合时序解释。研究进一步引入基于形式概念分析的稀有时间概念格，按共享稀有符号证据、Allen时序关系、通道上下文与鲁棒性属性对异常区间分组，将大量局部检测压缩为可解释的时序符号异常族。作者在MIT-BIH心律失常、PTB-XL和Bonn EEG三个公开基准上评估，并在加性噪声与基线漂移扰动下进行鲁棒性压力测试。结果表明，神经符号令牌化对时序异常分析具有价值，Allen与FCA推理能够为局部检测提供紧凑且可解释的总结。
🔑 关键词速览
| VQ-VAE | 向量量化变分自编码器，一种将连续信号离散化为码本符号的生成模型。 |
| SAX | 符号聚合近似，一种将时间序列转换为符号序列的经典离散化方法。 |
| Allen 区间代数 | 一种用于描述时间区间之间定性关系（如先于、重叠、包含）的形式化代数系统。 |
| 形式概念分析（FCA） | 一种从对象-属性关系中提取概念层次结构的数学理论，用于知识发现和聚类。 |
| 最小稀有项集挖掘 | 在事务数据中寻找出现频率低于阈值且无冗余子集的最小项集，用于异常证据提取。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅