本論文では、心電図（ECG）モニタリングにおける堅牢性を高めるために、軽量な教師なし異常検出（UAD）フィルターの利用が提案されています。特に、深層学習モデルがリソース制約のある環境で展開される場合、見えない病理やノイズの影響を受けた入力データが存在し、誤った高信頼度の予測を引き起こす問題があります。この研究では、Deep SVDDを含む6つのUADアプローチを検証し、PTB-XLおよびBUT QDBデータセットでの評価を行いました。結果として、最適化されたDeep SVDDフィルターを搭載した診断分類器は、従来の分類器のみと比較して最大21ポイントの精度向上を実現しました。この研究は、最適化されたUADフィルターが自動ECG分析を保護し、ウェアラブルデバイスでのより安全で信頼性の高い心血管モニタリングを可能にすることを示しています。