異常実行の検出は、支援操作における潜在的な危険を軽減するために重要です。多様なセンサ信号は、広範な異常を検出するのに役立ちます。しかし、高次元かつ異種のモダリティの融合は困難な問題となっています。本研究では、信号を融合し、その期待される分布を再構築するための長短期記憶（LSTM）に基づく変分オートエンコーダー（LSTM-VAE）を提案します。また、再構築に基づく異常スコアと状態ベースの閾値を使用したLSTM-VAEベースの検出器も導入します。1,555回のロボット支援給食実行（12種類の代表的な異常を含む）での評価において、我々の検出器は文献に報告されている他の5つの基準検出器よりも受信者動作特性曲線下面積（AUC）が高く、0.8710でした。さらに、17個の生センサ信号と4つの手動で設計された特徴量との比較を通じて、LSTM-VAEによる多様なモダリティの融合が効果的であることを示しています。