JP2019121376A - 機械学習タスクを容易にするための最適なマザーウェーブレットを得るためのシステムおよび方法 - Google Patents

Abstract

【課題】機械学習タスクを容易にするための最適なマザーウェーブレットを得るためのシステムおよび方法を開示する。【解決手段】本開示の実施形態は、ラベル付きデータセットおよびマザーウェーブレットの可能性のあるセットに基づいてエネルギー値およびエントロピー値を計算し、エネルギー値およびエントロピー値に基づいて重心の値および標準偏差の値を計算し、距離値のセットを計算し、距離値のセットを正規化し、距離値のセットに基づいて最適なマザーウェーブレットを得てウェーブレット変換を実行することによって、機械学習タスクを容易にする最適なマザーウェーブレットの取得を提供し、さらに信号の新しいセットに対応する信号のクラスの新しいセットの分類または回帰によって機械学習タスクを容易にする。【選択図】図２

Description

関連出願および優先権の相互参照
この特許出願は、２０１７年１２月２８日にインドで出願されたインド特許出願第２０１７２１０４７１２５号（名称：機械学習タスクを容易にするための最適なマザーウェーブレットを得るためのシステムおよび方法）の優先権を主張する。

本開示は、一般に、機械学習タスクを容易にするための最適なマザーウェーブレットを得ることに関する。より具体的には、本開示は、機械学習タスクを容易にするための最適なマザーウェーブレットを得るためのシステムおよび方法に関する。

一般に、ウェーブレットは、各成分をそのスケールと一致する解像度で解析するために本質的にデータを複数の周波数成分に分割する数学関数である。ウェーブレット解析手順は、解析ウェーブレットまたはマザーウェーブレットと呼ばれるウェーブレットプロトタイプ関数を採用するために実行される。理想的には、ウェーブレットは、複数のタイムシフトと周波数スケールを使用して、時間領域および周波数領域の両方で高解像度で信号を解析するために使用される。ウェーブレットが識別された信号の形態と一致するときはいつでも、離散ウェーブレット変換のようなウェーブレット変換の適用は、信号解析および信号からの特徴抽出を支援する。

マザーウェーブレットは、ウェーブレット変換において所与の信号を解析するための基礎を形成する。マザーウェーブレットは、信号クラスに対して実行される特定のタスクに基づいて、アプリケーションごとに異なる場合がある。ウェーブレット変換を適用することによって得られる結果が、選択されたマザーウェーブレットによって影響を受ける可能性があるので、最適なマザーウェーブレットの選択は重要である。したがって、信号とマザーウェーブレットとの間にはある程度の相関がなければならない。さらに、多くのマザーウェーブレット関数から選択することができる。したがって、ウェーブレット解析を適用する上での最大の課題は、所与のタスクに対して所望のマザーウェーブレットを選択する方法である。ウェーブレット変換の適用の成功は、タスクのための適切なウェーブレット関数の選択にかかっていると一般的に認められている。

従来のシステムおよび方法は、よく知られている技術、例えば連続ウェーブレット変換（ＣＷＴ）を使用するマザーウェーブレットの選択を提供するが、それらのうちで機械学習タスクに対して実行され得る最適または最良のマザーウェーブレットの選択を提供するものはない。

以下は、実施形態の基本的な理解を提供するために、本開示のいくつかの実施形態の簡略化された概要を提示する。この概要は、実施形態の広範な概要ではない。実施形態の基本的な／重要な要素を特定すること、または実施形態の範囲を描写することは意図されていない。その唯一の目的は、以下に提示するより詳細な説明の前置きとして、いくつかの実施形態を簡略化された形で提示することである。

本開示のシステムおよび方法は、機械学習タスクを容易にするための最適なマザーウェーブレットを得ることを可能にする。本開示の一実施形態では、機械学習タスクを容易にするための最適なマザーウェーブレットを得るための方法が提供され、方法は、複数の信号に基づいて、１つ以上のハードウェアプロセッサによって信号データの第１のセットを識別するステップであって、信号データの第１のセットが、１つ以上の信号クラスに対応するラベル付きデータセットを含む、ステップと、信号データの第１のセットおよびマザーウェーブレットの可能性のあるセットに基づいて、マザーウェーブレットの可能性のあるセットによるウェーブレット変換に対応する信号の第１のセットのエントロピー比およびマルチレベルウェーブレットエントロピーを含むエネルギー値およびエントロピー値を計算するステップと、エネルギー値およびエントロピー値に基づいて、１つ以上の信号クラスに対応する信号の第１のセットの重心の値および標準偏差の値を含む信号データの第２のセットを計算するステップと、信号データの第２のセットに基づいて、１つ以上の信号クラスに対応する重心間の距離を含む距離値のセットを計算するステップであって、距離値のセットが、信号データの第２のセットに対応する関数に基づいて計算される、ステップと、１つ以上の信号クラスに対応する距離値のセットおよび標準偏差の値に基づいて、信号の第１のセットのウェーブレット変換を実行するための１つ以上の最適なマザーウェーブレットを得るステップと、１つ以上の最適なマザーウェーブレットを得るために、エネルギー値およびエントロピー値に基づいて、Ｎノルム技法を使用して、距離値のセットを正規化することによって距離値のセットを計算するステップと、１つ以上の信号クラスを分類するために、ラベル付きデータセットに基づいて、マザーウェーブレットの可能性のあるセットを解析することによって１つ以上の最適なマザーウェーブレットを得るステップと、得られた１つ以上の最適なマザーウェーブレットによって、信号の第２のセットのウェーブレット変換を実行することによって、信号の第２のセットの分解を可能にするステップを含むステップであって、信号の第２のセットが、信号の第２のセットに対応する１つ以上の信号クラスの分類または回帰によって機械学習タスクを容易にするステップとを含む。

本開示の一実施形態では、機械学習タスクを容易にするための最適なマザーウェーブレットを得るためのシステムが提供され、システムは、１つ以上のプロセッサと、１つ以上のプロセッサに動作可能に結合され、１つ以上のプロセッサによる実行のために構成された命令を格納するように構成された１つ以上のデータ記憶装置とを含み、命令は、複数の信号に基づいて、１つ以上のハードウェアプロセッサによって、１つ以上の信号クラスに対応するラベル付きデータセットを含む信号データの第１のセットを識別することと、マザーウェーブレットの可能性のあるセットおよび信号データの第１のセットに基づいて、マザーウェーブレットの可能性のあるセットによるウェーブレット変換に対応する信号の第１のセットのエントロピー比およびマルチレベルウェーブレットエントロピーを含むエネルギー値およびエントロピー値を計算することと、エネルギー値およびエントロピー値に基づいて、１つ以上の信号クラスに対応する信号の第１のセットの重心の値および標準偏差の値を含む信号データの第２のセットを計算することと、信号データの第２のセットに基づいて、１つ以上の信号クラスに対応する重心間の距離を含む、信号データの第２のセットに対応する関数に基づいて計算される距離値のセットを計算することと、１つ以上の信号クラスに対応する距離値のセットおよび標準偏差の値に基づいて、信号の第１のセットのウェーブレット変換を実行するための１つ以上の最適なマザーウェーブレットを得ることと、１つ以上の最適なマザーウェーブレットを得るために、エネルギー値およびエントロピー値に基づいて、Ｎノルム技法を使用して、距離値のセットを正規化することと、１つ以上の信号クラスを分類するために、ラベル付きデータセットに基づいて、マザーウェーブレットの可能性のあるセットを解析することと、得られた１つ以上の最適なマザーウェーブレットによって、信号の第２のセットのウェーブレット変換を実行することによって、信号の第２のセットの分解を可能にすることを含むことであって、信号の第２のセットが、信号の第２のセットに対応する１つ以上の信号クラスの分類または回帰によって機械学習タスクを容易にする含むこととを含む。

本開示の一実施形態では、１つ以上のハードウェアプロセッサによって実行されたときに１つ以上のハードウェアプロセッサに機械学習タスクを容易にするための最適なマザーウェーブレットを得るための方法を実行させる１つ以上の命令を含む１つ以上の非一時的機械可読情報記憶媒体が提供され、方法は、複数の信号に基づいて、１つ以上のハードウェアプロセッサによって、１つ以上の信号クラスに対応するラベル付きデータセットを含む信号データの第１のセットを識別するステップと、信号データの第１のセットおよびマザーウェーブレットの可能性のあるセットに基づいて、マザーウェーブレットの可能性のあるセットによるウェーブレット変換に対応する信号の第１のセットのエントロピー比およびマルチレベルウェーブレットエントロピーを含むエネルギー値およびエントロピー値を計算するステップと、エネルギー値およびエントロピー値に基づいて、１つ以上の信号クラスに対応する信号の第１のセットの重心の値および標準偏差の値を含む信号データの第２のセットを計算するステップと、信号データの第２のセットに基づいて、１つ以上の信号クラスに対応する重心間の距離を含む、信号データの第２のセットに対応する関数に基づいて計算される距離値のセットを計算するステップと、１つ以上の信号クラスに対応する距離値のセットおよび標準偏差の値に基づいて、信号の第１のセットのウェーブレット変換を実行するための１つ以上の最適なマザーウェーブレットを得るステップと、１つ以上の最適なマザーウェーブレットを得るために、エネルギー値およびエントロピー値に基づいて、Ｎノルム技法を使用して、距離値のセットを正規化することによって距離値のセットを計算するステップと、１つ以上の信号クラスを分類するために、ラベル付きデータセットに基づいて、マザーウェーブレットの可能性のあるセットを解析することによって１つ以上の最適なマザーウェーブレットを得るステップと、得られた１つ以上の最適なマザーウェーブレットによって、信号の第２のセットのウェーブレット変換を実行することによって、信号の第２のセットの分解を可能にするステップを含むステップであって、信号の第２のセットが、信号の第２のセットに対応する１つ以上の信号クラスの分類または回帰によって機械学習タスクを容易にするステップとを含む。

前述の一般的な説明および以下の詳細な説明の両方は、例示的および説明的なものに過ぎず、本開示を請求するとおりに限定するものではないことを理解されたい。

本明細書における実施形態は、図面を参照する以下の詳細な説明からよりよく理解されるであろう。

本開示の一実施形態による、機械学習タスクを容易にするための最適なマザーウェーブレットを得るためのシステムのブロック図を示す。 本開示の一実施形態による、機械学習タスクを容易にするための最適なマザーウェーブレットの取得に含まれるステップを示すフローチャートである。 本開示の一実施形態による、最適なマザーウェーブレットを得るための１つ以上の信号クラスの中の１つのクラスに対応する複数の信号のグラフ表示を示す。 本開示の一実施形態による、最適なマザーウェーブレットを得るための１つ以上の信号クラスの中の別のクラスに対応する複数の信号のグラフ表示を示す。 本開示の一実施形態によって解析された各マザーウェーブレットに対応して正規化された距離値のセットのサンプル結果のセットのグラフ表示を示す。

本明細書の実施形態ならびにその様々な特徴および有利な詳細は、添付の図面に示され以下の説明に詳述される非限定的な実施形態を参照してより十分に説明される。本明細書で使用される例は、単に本明細書の実施形態を実施することができる方法の理解を容易にし、当業者が本明細書の実施形態を実施することをさらに可能にすることを意図している。したがって、例は、本明細書の実施形態の範囲を限定するものとして解釈されるべきではない。

本開示の実施形態は、機械学習タスクを容易にするための最適なマザーウェーブレットを得るためのシステムおよび方法を提供する。ウェーブレット解析は、一般的な時間周波数解析方法であり、例えば生物学的信号、振動信号、音響および超音波信号を含む広範囲の信号を解析するために様々な分野で適用されてきた。時間領域と周波数領域の両方の情報を提供する機能を備えたウェーブレット解析は、主に信号の時間周波数解析、信号圧縮、信号雑音除去、特異点解析、および特徴抽出のためのものである。同じ信号に異なるマザーウェーブレットを適用すると異なる結果が生じる可能性があるため、ウェーブレット変換を実行する際の主な課題は、所与のタスクに最適なマザーウェーブレットを選択することである。

機械学習技術は、訓練後に入力が正しく分類されるようにアルゴリズムのパラメータを自動的に調整することによって動作する。残念なことに、訓練は、アルゴリズムおよび他の複雑なタスクに対して何十万ものペア（入力、ターゲット）を提示することを含み得る。従来のシステムおよび方法は、履歴信号データを使用して特徴のセットを生成し、生成された特徴のセットに基づいて分類器を訓練し、分類器モデルを抽出し、最後に分類器モデルに基づいてクラスラベル予測を生成することによって信号分類を提供する。

したがって、ウェーブレット解析技術のいずれかを使用して信号のセットの分解を実行することができるマザーウェーブレットを推奨することを容易にする技術が必要であり、これにより異なるクラスの信号間の区別または分離が明らかになる。さらに、この技術は、信号とクラスラベルとの間のマッピングが自動的に学習され得る機械学習タスクの実行を容易にしなければならず、その結果、そのようなラベルが不明であると考えられる中で信号に対する試験または実世界展開中に予測を行うことができる。要するに、この技術は信号クラス間の明確な区別を提供し、機械学習タスクをさらに容易にしなければならない。

ここで同様の参照符号は図面全体を通して一貫して対応する特徴を示す図面、特に図１〜図５を参照すると、好ましい実施形態が示されており、これらの実施形態は以下の例示的なシステムおよび／または方法に関連して説明される。

図１は、本開示の一実施形態による、機械学習タスクを容易にするための最適なマザーウェーブレットを得るためのシステム１００の例示的なブロック図を示す。一実施形態では、システム１００は、１つ以上のプロセッサ１０４、通信インタフェースデバイスまたは入出力（Ｉ／Ｏ）インタフェース１０６、および１つ以上のプロセッサ１０４に動作可能に結合された１つ以上のデータ記憶装置またはメモリ１０２を含む。ハードウェアプロセッサである１つ以上のプロセッサ１０４は、１つ以上のマイクロプロセッサ、マイクロコンピュータ、マイクロコントローラ、デジタル信号プロセッサ、中央処理装置、ステートマシン、論理回路、および／または動作命令に基づいて信号を操作する任意のデバイスとして実装することができる。他の機能の中でも、プロセッサは、メモリに格納されているコンピュータ可読命令を取り出して実行するように構成されている。一実施形態では、システム１００は、ラップトップコンピュータ、ノートブック、携帯用デバイス、ワークステーション、メインフレームコンピュータ、サーバ、ネットワーククラウドなどの様々なコンピューティングシステムに実装することができる。

Ｉ／Ｏインタフェースデバイス１０６は、様々なソフトウェアおよびハードウェアインタフェース、例えばウェブインタフェース、グラフィカルユーザーインタフェースなどを含むことができ、ＬＡＮ、ケーブルなどのような有線ネットワーク、およびＷＬＡＮ、セルラー、または衛星などの無線ネットワークを含む広範囲のネットワークＮ／Ｗおよびプロトコルタイプ内での複数の通信を容易にすることができる。一実施形態では、Ｉ／Ｏインタフェースデバイスは、複数のデバイスを互いにまたは別のサーバに接続するための１つ以上のポートを含むことができる。

メモリ１０２は、例えば、スタティックランダムアクセスメモリ（ＳＲＡＭ）およびダイナミックランダムアクセスメモリ（ＤＲＡＭ）のような揮発性メモリ、および／または読出し専用メモリ（ＲＯＭ）、消去可能プログラマブルＲＯＭ、フラッシュメモリ、ハードディスク、光ディスク、磁気テープなどのような不揮発性メモリを含む当技術分野で既知の任意のコンピュータ可読媒体を含むことができる。

図１を参照して、図２は、本開示の一実施形態による、機械学習タスクを容易にするための最適なマザーウェーブレットを得るための方法の例示的なフロー図を示す。一実施形態では、システム１００は、１つ以上のハードウェアプロセッサ１０４に動作可能に結合されたメモリ１０２の１つ以上のデータ記憶装置を含み、１つ以上のプロセッサ１０４による方法のステップの実行のための命令を格納するように構成される。本開示の方法のステップは、図１およびフロー図に示されるようなシステム１００の構成要素を参照して説明される。本開示の実施形態では、ハードウェアプロセッサ１０４は、命令が構成されると、本明細書に記載の１つ以上の方法を実行する。

本開示の一実施形態によれば、ステップ２０１において、１つ以上のハードウェアプロセッサ１０４は、複数の信号に基づいて信号データの第１のセットを識別し、信号データの第１のセットは、１つ以上の信号クラスに対応するラベル付きデータセットを含む。一実施形態では、複数の信号は、１つ以上のセンサ（図示せず）を使用して得ることができる。一実施形態では、ラベル付きデータセットを得ることは、ラベルなしデータを入力として得ることと、ラベルなしデータの各部分を何らかの意味のあるまたは知るのが望ましい何らかの意味のある「タグ」、「ラベル」または「クラス」で増強することとを含む。図３および図４を参照して、１つ以上のセンサを通して得られた複数の信号（波形）が検討され、図３は、１つのクラス、例えば１つ以上のクラスの中のクラス１に対応する複数の信号を示し、図４は、別のクラス、例えば１つ以上の信号クラスの中のクラス２に対応する複数の信号を示す。以下の表１を参照すると、複数の信号に基づいてラベル付きデータセットを含む信号データの第１のセットが参照されてもよく、各行は１つ以上のセンサを通して得られた複数の信号の中のある信号に対応し、ここで、第１の列、すなわち列Ａは１つ以上の信号クラスを示し、列Ｂ、Ｃ、ＤおよびＥは記録の各時間ステップにおける振幅値のセットを示す。

本開示の一実施形態によれば、ステップ２０２において、信号データの第１のセットおよびマザーウェーブレットの可能性のあるセットに基づいて、エネルギー値およびエントロピー値が計算されてもよく、エネルギー値およびエントロピー値は、マザーウェーブレットの可能性のあるセットによるウェーブレット変換に対応する信号の第１のセットのエントロピー比およびマルチレベルウェーブレットエントロピーを含む。一実施形態では、マザーウェーブレットの可能性のあるセットの識別は、任意の従来の技法または方法を通じて実行され得る。例えば、１つ以上のハードウェアプロセッサ１０４は、ウェブおよび出版物をクロールしてウェーブレットキーワードのリストまたは表を抽出することによって、マザーウェーブレットの可能性のあるセットを得ることができる。さらに、識別は、ディープニューラルネットワーク技術（本明細書では説明されない）によって実行されてもよく、ここではマザーウェーブレットの可能性のあるセットを得るために、入力信号が様々なレベルのネットワークを通過する。

この実施形態では、識別されたマザーウェーブレットの可能性のあるセットを使用して、信号データの第１のセットにウェーブレット変換を適用することによって信号の第１のセットを分解することができる。信号の第１のセットの形態に一致する（マザーウェーブレットの可能性のあるセットの中からの）いずれかのマザーウェーブレットが識別されるときはいつでも、ウェーブレット変換の適用は（第１のセットの中からの）信号の解析およびそこからの特徴抽出を容易にする。これにより、ウェーブレット変換の全プロセスは、機械学習タスクを容易にするためまたはその他のユースケースの自動化のために、（第１の信号のセットに対応する）信号の１つ以上の係数（第１のレベルの係数および詳細な係数を含む）を得ること、特徴抽出および最終的にはこれらの特徴を使用することを目的とする。一実施形態では、ウェーブレット変換は、新しい関数を得るために以前の関数の値を変更することを可能にする基本関数、またはマザーウェーブレットの可能性のあるセットによって記述することができる。
例示的な実装形態では、１つ以上の係数は、ウェーブレット変換を実行することによって以下のように得ることができる。
近似係数＝−０．０００５９８９４８、−０．００２５８１４３５、−０．００３８３３８６２、および
詳細係数＝０．０００５９８９４８、０．０００４１９９５１、０．０００１６９３５２

一実施形態では、（マザーウェーブレットの可能性のあるセットの中からの）単一のマザーウェーブレットが、無限数の子ウェーブレットを表すための基礎を形成する。別の用語には、ウェーブレットファミリ、マザーウェーブレット、および子ウェーブレットが含まれる。ウェーブレット変換を実行する一般的な方法は、連続ウェーブレット変換（ＣＷＴ）、離散ウェーブレット変換（ＤＷＴ）、高速ウェーブレット変換（ＦＷＴ）、リフティングスキームおよび一般化リフティングスキーム、ウェーブレットパケット分解（ＷＰＤ）、定常ウェーブレット変換（ＳＷＴ）、分数フーリエ変換（ＦＲＦＴ）および分数ウェーブレット変換（ＦＲＷＴ）を含む。

本開示の一実施形態によれば、１つ以上の係数に基づいて、エネルギー値およびエントロピー値は、例えば、シャノンのエントロピー技術を使用して得ることができる。１つ以上の信号クラス→に対応する信号のエネルギー値およびエントロピー値は、値、例えばエネルギー／エントロピー比を測定する。信号ｉに対する比をｘ_ｉで表すこととする。したがって、信号データの第１のセットには、（複数の信号のうちの）各信号の１つの測定値がある。さらに、（複数の信号のうちの）信号をマザーウェーブレットの可能性のあるセットでウェーブレット変換を使用して得られたｎ個のウェーブレット係数のエネルギーは、以下の式（１）で表すことができる。

１つ以上の係数に対するシャノンのエントロピーは、以下の式（２）のように定義することができる。

ここで、ｐ_ｉは、各ウェーブレット係数に対するエネルギー確率の分布Ｃ_ｉである。
したがって、マザーウェーブレットの可能性のあるセットを使用した（複数の信号のうちの）信号についてのエネルギー対シャノンのエントロピー比（ｘ_ｉで表される）は、次のように定義することができる。

および

例示的な実装では、エネルギー対シャノンのエントロピー比に対応する１つ以上の係数ならびに式（３）および（４）に基づいて、信号の第１のセットのエントロピー比およびマルチレベルウェーブレットエントロピーを含むエネルギー値およびエントロピー値は、次のように得ることができる。
エネルギー値＝１１２．４８１８１０３、
エントロピー値＝−２４．０２９１１５、および
エントロピー比＝−４．６８１０６３３８
本開示の実施形態は、エネルギー値およびエントロピー値の計算を、エネルギー対シャノンのエントロピー比の使用のみに限定しないことに留意されたい。一実施形態では、エネルギー値およびエントロピー値を得るために、同様の他の計算、例えば、ｘ_ｉを得るためのマルチレベルウェーブレット時間エネルギーシャノンエントロピー（ＭＷＴＥＥ）を実行することができる。

本開示の一実施形態によれば、ステップ２０３において、エネルギー値およびエントロピー値に基づいて、１つ以上の信号クラスに対応する、信号の第１のセットの重心の値および標準偏差の値を含む信号データの第２のセットを計算することができる。一実施形態では、１つ以上の信号クラスに対応する（複数の信号のうちの）各信号に属するすべてのｘ_ｉを使用して、重心の値および標準偏差の値を計算することができる。
一実施形態では、重心の値は、

から得ることができ、
ここで、ベクトル空間Ｒ^ｎにおける有限点集合

の重心は、

である。
一実施形態では、有限点集合の標準偏差は、次のように計算することができる。

ここで

一実施例では、上記の式を使用して、１つ以上の信号クラスに対応する信号データの第２のセットを、以下の表３に示すように得ることができる。

本開示の一実施形態によれば、ステップ２０４において、信号データの第２のセットに基づいて、１つ以上の信号クラスに対応する重心間の距離を含む距離値のセットが計算され、ここで距離値のセットは、信号データの第２のセットに対応する関数に基づいて計算される。一実施形態では、距離値のセットは、重心の値および標準偏差の値に基づいて、任意の既知の技法および方法、例えばユークリッド距離技法を使用して計算することができる。ユークリッド距離技法では、ユークリッド距離またはユークリッド計量は、ユークリッド空間内の２点間の通常の直線距離を含む。この距離によって、ユークリッド空間は計量空間となる。当技術分野で既知のように、計量は、集合上の非負関数ｄ、すなわち

を含む。Ｘに属するｘ、ｙ、ｚについては、以下の条件が満たされる。



および

例示的な実装形態では、ユークリッド距離技法を使用して、（各マザーウェーブレットの可能性のあるセットについての）重心間の距離を含む距離値のセットは、以下の表４に示すように得ることができる。

本開示の一実施形態によれば、距離値のセットは、Ｎノルム技法または最大距離値技法を使用して正規化することができる。当技術分野で既知のように、ノルムは、ゼロベクトルを除いて、ベクトル空間内の各ベクトルに厳密に正の長さまたはサイズを割り当てる関数であり得る。例えば、ｎ−ｄｉｍｅｎｓｉｏｎユークリッド空間Ｒ^ｎでは、ベクトル

の長さの直感的な概念は、以下のように計算することができる。

例示的な実装形態では、正規化を実行した後に、以下の表５に示すように距離値のセットを得ることができる。

本開示の実施形態は、距離値のセットの計算を、ユークリッド距離技法のみの使用に限定しないことに留意されたい。実施形態は、その他の技法（例えば、性能計量技法またはｎボール八面体技法）またはそれらの組み合わせを使用して距離値のセットを計算することを提供する。適切な距離関数の選択は、ラベル付きデータセットの種類およびラベル付きデータセットの対応する特性に基づいてもよい。さらに、本開示の実施形態は、その他の技法またはそれらの組み合わせを使用して距離値のセットの正規化の実行をサポートする。

本開示の一実施形態によれば、ステップ２０５において、距離値のセットおよび１つ以上の信号クラスに対応する標準偏差の値に基づいて、信号の第１のセットのウェーブレット変換を実行するための１つ以上の最適なマザーウェーブレットを得ることができる。このようにして、（上記のステップ２０４で計算された距離値のセットから）最大距離値に対応する１つ以上のマザーウェーブレットが選択される。したがって、一実施形態では、複数のマザーウェーブレットが最大距離値に対応する場合、標準偏差の最小値を有するマザーウェーブレットを選択することができる。

図５を参照して、２つの信号クラスを有するＭＩＭＩＣ ＢＰデータセット（Ｊｏｈｎｓｏｎ ＡＥＷ、Ｐｏｌｌａｒｄ ＴＪ、Ｓｈｅｎ Ｌ、Ｌｅｈｍａｎ Ｌ、Ｆｅｎｇ Ｍ、Ｇｈａｓｓｅｍｉ Ｍ、Ｍｏｏｄｙ Ｂ、Ｓｚｏｌｏｖｉｔｓ Ｐ、Ｃｅｌｉ ＬＡ、およびＭａｒｋ ＲＧ、Ｓｃｉｅｎｔｉｆｉｃ Ｄａｔａ（２０１６）による自由にアクセス可能な救命救急データベース）に関するサンプル結果が検討される。上記で解析されたマザーウェーブレットのそれぞれに対応して、プロットされた重心間の計算された正規化距離が参照されてもよい。再び図５を参照すると、（マザーウェーブレットの可能性のあるセットの中から）「ｄｂ１０」マザーウェーブレットが（上記のステップ２０２〜２０４に示された計算例に基づいて）クラス間の最大の区別を与え、それゆえ最適なマザーウェーブレットとして選択されてもよいことに留意されたい。

本開示の一実施形態によれば、得られた１つ以上の最適なマザーウェーブレットは、信号の第２のセットの離散ウェーブレット変換を実行することによって信号の第２のセットの分解を可能にし、ここで信号の第２のセットは、信号の第２のセットに対応する１つ以上の信号クラスの分類または回帰によって機械学習実装を容易にする。例えば、上記のステップ２０５を参照すると、「ｄｂ１０」が最適なマザーウェーブレットとして得られる場合、「ｄｂ１０」は、信号の第２のセットの中から同じタイプの同様にラベル付けされた信号（新しいセットの信号）の分類のような機械学習タスクにおいて実装され得る。従来のシステムおよび方法は、履歴信号データを使用して特徴のセットを生成し、生成された特徴のセットに基づいて履歴信号データの訓練部分で分類器を訓練し、分類器モデルを抽出し、最後に分類器モデルに基づいてクラスラベル予測を生成することによって信号分類を提供する。

本開示の実施形態は、履歴信号データから特徴のセットを生成することを容易にする。ウェーブレット変換に基づいて特徴のセットを生成する間、マザーウェーブレットは最適でなければならない。最適なマザーウェーブレットの選択は、より高品質な特徴の生成を容易にする。選択された最適なマザーウェーブレットは、異なるクラスの信号間の区別を容易にする特徴のセットを提供する。これは学習を容易にし、良好な分類器または回帰モデルおよび第２の信号のセットに関する予測をもたらす。一実施形態では、得られた１つ以上の最適なマザーウェーブレットに基づいてウェーブレット変換を実行した後に計算することができるいくつかの特徴は、歪度、尖度、エネルギー、ゼロ交差率、平均、分散などを含む。ウェーブレット変換に基づくこれらすべての特徴の計算は、１つ以上の最適なマザーウェーブレットに依存する。

一実施形態では、メモリ１０２は、機械学習タスクを容易にするための最適なマザーウェーブレットを得ることに関連する任意のデータを格納するように構成することができる。一実施形態では、信号データの第１のセット、マザーウェーブレットの可能性のあるセット、重心の値および標準偏差の値、信号データの第２のセット、ならびに距離値のセットなどに関する情報は、メモリ１０２に格納される。さらに、機械学習タスクを容易にするための最適なマザーウェーブレットを得ることに関するすべての情報（入力、出力など）は、参照のために履歴データとしてデータベースにも格納することができる。

記述された説明は、当業者が実施形態を作成し使用することを可能にする本明細書の主題を説明する。主題の実施形態の範囲は、特許請求の範囲によって定義され、当業者が思いつく他の修正を含むことができる。そのような他の修正は、それらが特許請求の範囲の文字通りの言葉と異ならない類似の要素を有する場合、またはそれらが特許請求の範囲の文字通りの言葉との差異が薄弱である同等の要素を含む場合、特許請求の範囲内にあることが意図されている。

保護の範囲は、そのようなプログラム、さらにメッセージを有するコンピュータ可読手段に拡張されることが理解されるべきであり、そのようなコンピュータ可読記憶手段は、プログラムがサーバまたはモバイル装置または任意の適切なプログラマブル装置上で動作する場合、この方法の１つ以上のステップを実装するためのプログラムコード手段を含む。ハードウェア装置は、サーバまたはパーソナルコンピュータなどのような任意の種類のコンピュータ、あるいはそれらの任意の組み合わせなど、プログラム可能な任意の種類の装置とすることができる。装置はまた、例えば特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）などのハードウェア手段、または例えばＡＳＩＣとＦＰＧＡといったハードウェア手段とソフトウェア手段との組み合わせ、または少なくとも１つのマイクロプロセッサと中にソフトウェアモジュールが配置された少なくとも１つのメモリなどであり得る手段を含むことができる。したがって、手段は、ハードウェア手段およびソフトウェア手段の両方を含むことができる。本明細書に記載の方法の実施形態は、ハードウェアおよびソフトウェアで実装することができる。装置はソフトウェア手段も含むことができる。代替的に、実施形態は、複数のＣＰＵを使用して、異なるハードウェア装置上で実装されてもよい。

本明細書の実施形態は、ハードウェア要素およびソフトウェア要素を含むことができる。ソフトウェアで実装される実施形態は、ファームウェア、常駐ソフトウェア、マイクロコードなどを含むがこれらに限定されない。本明細書で説明される様々なモジュールによって実行される機能は、他のモジュールまたは他のモジュールの組み合わせで実装されてもよい。この説明の目的のために、コンピュータ使用可能またはコンピュータ可読媒体は、命令実行システム、機器、または装置によって使用するための、またはこれらに関係するプログラムを含み、格納し、通信し、伝播し、または移送することができる任意の機器とすることができる。

示されたステップは、示された例示的な実施形態を説明するために提示されており、進行中の技術開発によって特定の機能が実行される方法が変更されることが予期されるべきである。これらの例は、本発明を説明するためのものであって、限定するものではない。さらに、機能的成分の境界は、説明の便宜上、本明細書では任意に定義されている。指定された機能およびそれらの関係が適切に実行される限り、代替の境界を定義することができる。本明細書に含まれる教示に基づいて、当業者には代替物（本明細書に記載されているものの均等物、拡張物、変形物、逸脱物などを含む）が明らかであろう。そのような代替物は、開示された実施形態の範囲および精神の範囲内に入る。また、「含む」、「有する」、「包含する」、および「含有する」ならびに他の同様の形態の単語は、等価な意味を有するように意図され、これらの単語のいずれかに続く項目は、そのような項目の網羅的なリストであることを意味しない、またはリストされた項目のみに限定されることを意味する点で非限定的であることが意図されている。本明細書および添付の特許請求の範囲で使用する単数形「ａ」、「ａｎ」および「ｔｈｅ」は、文脈上他に明確に指示しない限り、複数形の参照を含むことにも留意されたい。

さらに、本開示に即した実施形態を実装する際に、１つ以上のコンピュータ可読記憶媒体を利用することができる。コンピュータ可読記憶媒体は、プロセッサによって読み取り可能な情報またはデータを格納することができる任意のタイプの物理メモリを指す。したがって、コンピュータ可読記憶媒体は、プロセッサに本明細書に記載の実施形態に即したステップまたはステージを実行させるための命令を含む、１つ以上のプロセッサによる実行のための命令を格納することができる。「コンピュータ可読媒体」という用語は、有形の品目を含み、搬送波および過渡信号、すなわち非一時的なものは除外されると理解すべきである。例として、ランダムアクセスメモリ（ＲＡＭ）、読出し専用メモリ（ＲＯＭ）、揮発性メモリ、不揮発性メモリ、ハードディスクドライブ、ＣＤ−ＲＯＭ、ＤＶＤ、ＢＬＵ−ＲＡＹ、フラッシュドライブ、ディスク、およびその他の既知の物理記憶媒体があげられる。

開示および例は、例示のみとして考えられ、開示された実施形態の真の範囲および精神は、添付の特許請求の範囲によって示されることが意図される。

Claims (12)

1. 機械学習タスクを容易にするための最適なマザーウェーブレットを得るための方法であって、プロセッサに実装された、
   複数の信号に基づいて、１つ以上のハードウェアプロセッサによって信号データの第１のセットを識別するステップであって、前記信号データの第１のセットが、１つ以上の信号クラスに対応するラベル付きデータセットを含む、ステップと、
   前記信号データの第１のセットおよびマザーウェーブレットの可能性のあるセットに基づいて、前記マザーウェーブレットの可能性のあるセットによるウェーブレット変換に対応する信号の第１のセットのエントロピー比およびマルチレベルウェーブレットエントロピーを含むエネルギー値およびエントロピー値を計算するステップと、
   前記エネルギー値およびエントロピー値に基づいて、前記１つ以上の信号クラスに対応する前記信号の第１のセットの重心の値および標準偏差の値を含む信号データの第２のセットを計算するステップと、
   前記信号データの第２のセットに基づいて、前記１つ以上の信号クラスに対応する前記重心間の距離を含む距離値のセットを計算するステップであって、前記距離値のセットが、前記信号データの第２のセットに対応する関数に基づいて計算される、ステップと、
   前記１つ以上の信号クラスに対応する前記距離値のセットおよび標準偏差の前記値に基づいて、前記信号の第１のセットの前記ウェーブレット変換を実行するための１つ以上の最適なマザーウェーブレットを得るステップと、
   を含む、方法。
2. 前記距離値のセットを計算するステップが、前記１つ以上の最適なマザーウェーブレットを得るために、前記エネルギー値およびエントロピー値に基づいて、Ｎノルム技法を使用して、前記距離値のセットを正規化するステップを含む、請求項１に記載の方法。
3. 前記１つ以上の最適なマザーウェーブレットを得るステップが、前記１つ以上の信号クラスを分類するために、前記ラベル付きデータセットに基づいて前記マザーウェーブレットの可能性のあるセットを解析するステップを含む、請求項１に記載の方法。
4. 前記得られた１つ以上の最適なマザーウェーブレットが、信号の第２のセットのウェーブレット変換を実行することによって前記信号の第２のセットの分解を可能にし、前記信号の第２のセットが、前記信号の第２のセットに対応する１つ以上の信号クラスの分類または回帰によって機械学習タスクを容易にする、請求項１に記載の方法。
5. 機械学習タスクを容易にするための最適なマザーウェーブレットを得るためのシステムであって、
   命令を記憶するメモリと、
   １つ以上の通信インタフェースと、
   前記１つ以上の通信インタフェースを介して前記メモリに結合された１つ以上のハードウェアプロセッサと、
   を含み、前記１つ以上のハードウェアプロセッサが、前記命令によって、
   複数の信号に基づいて、前記１つ以上のハードウェアプロセッサによって、１つ以上の信号クラスに対応するラベル付きデータセットを含む信号データの第１のセットを識別し、
   マザーウェーブレットの可能性のあるセットおよび前記信号データの第１のセットに基づいて、前記マザーウェーブレットの可能性のあるセットによるウェーブレット変換に対応する信号の第１のセットのエントロピー比およびマルチレベルウェーブレットエントロピーを含むエネルギー値およびエントロピー値を計算し、
   前記エネルギー値およびエントロピー値に基づいて、前記１つ以上の信号クラスに対応する前記信号の第１のセットの重心の値および標準偏差の値を含む信号データの第２のセットを計算し、
   前記信号データの第２のセットに基づいて、前記１つ以上の信号クラスに対応する前記重心間の距離を含む、前記信号データの第２のセットに対応する関数に基づいて計算される距離値のセットを計算し、
   前記１つ以上の信号クラスに対応する前記距離値のセットおよび前記標準偏差の値に基づいて、前記信号の第１のセットのウェーブレット変換を実行するための１つ以上の最適なマザーウェーブレットを得る、
   ように構成される、システム。
6. 前記距離値のセットが、前記１つ以上の最適なマザーウェーブレットを得るために、前記エネルギー値およびエントロピー値に基づいて、Ｎノルム技法を使用して、前記距離値のセットを正規化することによって計算される、請求項５に記載のシステム。
7. 前記１つ以上の最適なマザーウェーブレットが、前記１つ以上の信号クラスを分類するために、前記ラベル付きデータセットに基づいて前記マザーウェーブレットの可能性のあるセットを解析することによって得られる、請求項５に記載のシステム。
8. 前記得られた１つ以上の最適なマザーウェーブレットが、信号の第２のセットのウェーブレット変換を実行することによって前記信号の第２のセットの分解を可能にし、前記信号の第２のセットが、前記信号の第２のセットに対応する１つ以上の信号クラスの分類または回帰によって機械学習タスクを容易にする、請求項５に記載のシステム。
9. １つ以上のハードウェアプロセッサによって実行されると、前記１つ以上のハードウェアプロセッサに機械学習タスクを容易にするための最適なマザーウェーブレットを得るための方法を実行させる１つ以上の命令を含む１つ以上の非一時的機械可読情報記憶媒体であって、前記方法が、
   ＊ （ｉ）複数の信号に基づいて、前記１つ以上のハードウェアプロセッサによって、１つ以上の信号クラスに対応するラベル付きデータセットを含む信号データの第１のセットを識別するステップと、
   （ｉｉ）前記信号データの第１のセットおよびマザーウェーブレットの可能性のあるセットに基づいて、前記マザーウェーブレットの可能性のあるセットによるウェーブレット変換に対応する信号の第１のセットのエントロピー比およびマルチレベルウェーブレットエントロピーを含むエネルギー値およびエントロピー値を計算するステップと、
   （ｉｉｉ）前記エネルギー値およびエントロピー値に基づいて、前記１つ以上の信号クラスに対応する前記信号の第１のセットの重心の値および標準偏差の値を含む信号データの第２のセットを計算するステップと、
   （ｉｖ）前記信号データの第２のセットに基づいて、前記１つ以上の信号クラスに対応する前記重心間の距離を含む、前記信号データの第２のセットに対応する関数に基づいて計算される距離値のセットを計算するステップと、
   （ｖ）前記１つ以上の信号クラスに対応する前記距離値のセットおよび標準偏差の前記値に基づいて、前記信号の第１のセットのウェーブレット変換を実行するための１つ以上の最適なマザーウェーブレットを得るステップと、
   を含む、１つ以上の非一時的機械可読情報記憶媒体。
10. 前記距離値のセットを計算するステップが、前記１つ以上の最適なマザーウェーブレットを得るために、前記エネルギー値およびエントロピー値に基づいて、Ｎノルム技法を使用して、前記距離値のセットを正規化するステップを含む、請求項９に記載の１つ以上の非一時的機械可読情報記憶媒体。
11. 前記１つ以上の最適なマザーウェーブレットを得るステップが、前記１つ以上の信号クラスを分類するために、前記ラベル付きデータセットに基づいて前記マザーウェーブレットの可能性のあるセットを解析するステップを含む、請求項９に記載の１つ以上の非一時的機械可読情報記憶媒体。
12. 前記得られた１つ以上の最適なマザーウェーブレットが、信号の第２のセットのウェーブレット変換を実行することによって前記信号の第２のセットの分解を可能にし、前記信号の第２のセットが、前記信号の第２のセットに対応する１つ以上の信号クラスの分類または回帰によって機械学習タスクを容易にする、請求項９に記載の１つ以上の非一時的機械可読情報記憶媒体。