ecg-anomaly-detection

Detecção de batimentos anômalos na base ECG5000 treinando apenas com exemplos normais (classe única). Atributos extraídos nos domínios do tempo e da frequência; detectores por distância euclidiana, distância de Mahalanobis e erro de reconstrução PCA, implementados em NumPy — sem scikit-learn.

Uso

pip install -r requirements.txt
cd codigo && python executar.py   # experimento completo
python -m pytest                  # testes (da raiz do repositório)

Roda o experimento completo — extração de atributos, posto, 100 rodadas Monte Carlo por configuração, redução PCA e curva ROC — e regrava resultados/ em cerca de 13 s. Semente fixa: duas execuções produzem os mesmos números.

Protocolo

Treino com 80% dos batimentos normais; teste com os 20% restantes mais todas as anomalias. Limiar de anomalia no percentil 95 do escore observado no treino. Normalização z-score ajustada só no treino. Métricas reportadas como média de 100 rodadas.

Resultados

Atributos do domínio do tempo (20 atributos, posto 15):

Detector	Acurácia	Sensibilidade	F1	Tempo
Euclidiano	0,719	0,654	0,784	0,36 ms
Mahalanobis	0,908	0,897	0,939	3,75 ms
PCA (reconstrução)	0,598	0,500	0,660	2,71 ms

Com redução PCA de 20 para 9 componentes (96,8% da variância) antes do detector:

Detector	Acurácia	F1	Tempo
Mahalanobis	0,916	0,944	1,67 ms

AUC do melhor detector: 0,962.

Atributos do domínio da frequência ficam em F1 ≤ 0,29 com qualquer detector: a anomalia do ECG5000 está na forma do batimento, e a densidade espectral de potência descarta a fase que carrega essa forma.

Notas

• Mahalanobis supera o euclidiano porque os atributos são correlacionados (posto 15 em 20 dimensões): a covariância pondera cada direção pela sua dispersão.
• Covariância mal-condicionada recebe regularização de Tikhonov com λ adaptativo: parte de 1e-6·tr(C)/p e multiplica por 10 até o número de condição permitir a inversão.
• Reduzir de 20 para 9 componentes subiu o F1 (0,939 → 0,944) e cortou 55% do tempo: as direções descartadas eram ruído e dependência linear.
• O mesmo PCA falha como detector (F1 0,660) e vence como redutor antes do Mahalanobis.
• Distâncias vetorizadas com np.einsum, sem laço por amostra.

Estrutura

codigo/deteccao_anomalias.py   atributos, detectores, métricas e protocolo
codigo/executar.py             experimento completo; salva tabelas e figuras
tests/                         pytest: detectores contra referências independentes
dados/ecg5000.csv              4998 batimentos × 140 amostras (2919 normais)
resultados/                    tabelas CSV, resumo JSON e figuras
relatorio/                     relatório em LaTeX e PDF
notebook.ipynb                 versão notebook, com a discussão passo a passo

Stack

Python, NumPy, SciPy, pandas, matplotlib.

---

Origem: projeto final da disciplina de Reconhecimento de Padrões (UFC).