Diverse Techniken des maschinellen Lernens werden bereits genutzt, um automatisiert Anomalien in verschie­densten Daten, wie beispiels­weise Zeit­reihen, zu finden. Zeitreihen sind allgegen­wärtig, unter anderem in der Medizin. Hier könnten solche Modelle genutzt werden um frühzeitig lebens­rettende Maßnahmen einzuleiten. Um diesem Ziel näher zu kommen forscht eMundo nun gemeinsam mit einer Forschungs­gruppe der Ludwig-Maximilians-Universität München.

Gemeinsam mit der Forschungs­gruppe Data Mining in der Medizin der Ludwig-Maximilians-Universität München hat eMundo eine viel­ver­sprechende Art neuronaler Netze, sogenannte Generative Adversarial Networks, genutzt um nach Anomalien in Daten von Elektro­kardio­grammen zu suchen. Hierbei wurde ein bestehender Ansatz für Bilddaten (AnoGAN) adap­tiert und es wurden erste Möglich­keiten unter­sucht um das bestehende Modell an Zeit­reihen anzupassen. Die Ergeb­nisse wurden 2019 im Rahmen eines Work­shops der IEEE International Conference on Data Mining in Peking vorgestellt. Basierend auf den dort geschaffenen Grund­lagen wurde nun das gemein­same Projekt ECGAN gestartet. 

ECGAN wird durch die Bayerische Forschungsstiftung gefördert.