JP2020021292A - 情報処理装置、情報処理システム、及びプログラム - Google Patents
情報処理装置、情報処理システム、及びプログラム Download PDFInfo
- Publication number
- JP2020021292A JP2020021292A JP2018144706A JP2018144706A JP2020021292A JP 2020021292 A JP2020021292 A JP 2020021292A JP 2018144706 A JP2018144706 A JP 2018144706A JP 2018144706 A JP2018144706 A JP 2018144706A JP 2020021292 A JP2020021292 A JP 2020021292A
- Authority
- JP
- Japan
- Prior art keywords
- mode
- unit
- feature amount
- data
- information processing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Analysis (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
【課題】既存のモデルでは推定ができない新たな状態を推定するためのモデルを作成するためのデータを取得する。【解決手段】情報処理装置1は、推定種別毎の統計モデルを定義するモデル定義情報と、当該統計モデルを用いた推定のために必要とされる特徴量の取得条件とを記憶する記憶部2と、第1のモードにおいて、前記取得条件に従って、センサ信号から特徴量を取得し、第2のモードにおいて、前記取得条件とは異なる条件に従って、新たな統計モデルを生成するためのデータをセンサ信号から取得するデータ取得部3と、前記第1のモードにおいて前記データ取得部が取得した前記特徴量が、前記モデル定義情報により規定される要件を満たすか否かを判定する判定部4と、前記特徴量が前記要件を満たさないとの判定結果に応じて、前記第1のモードから前記第2のモードへとモードを変更するモード変更部5とを有する。【選択図】図1
Description
本発明は情報処理装置、情報処理システム、及びプログラムに関し、例えば状態の推定を行うための情報処理装置、情報処理システム、及びプログラムに関する。
モデルと、センサからの信号とを用いて、推定対象の状態を推定する技術が知られている。このような技術において、正しい推定を行うためには、適切なモデルを利用することが求められる。
これに関し、特許文献1では、機械設備に設置されたセンサによって測定されたセンサデータを取得するセンサデータ取得手段と、機械設備が正常に稼動しているときのセンサデータを用いた学習により生成される正常モデルと、センサデータとから異常予兆の有無を診断するデータマイニング部とを有する異常予兆診断装置について開示している。この異常予兆診断装置では、機械設備が設置された周囲の1日の平均気温が、前回に正常モデルの初期化を行ったときに比べて、予め定めた所定値以上に変化すると、初期化指示手段から初期化指示信号が出力され、正常モデルの再構築が行われる。
特許文献1に記載された技術によれば、機械設備の外部環境が大きく変動した場合、モデルの再構築を行うことができる。しかしながら、特許文献1に記載された技術では、外部環境が大きく変動した場合、状態の推定用のデータと同様に取得されたデータを用いて正常モデルの再構築が行われる。すなわち、この技術は、正常状態を判定するための新たなモデルを作り直す技術に過ぎない。このため、新規な状態を検出するためのモデルの作成は行われない。よって、既存のモデルでは推定ができない新たな状態を推定するためのモデルを作成するための技術が求められている。
その他の課題と新規な特徴は、本明細書の記述および添付図面から明らかになるであろう。
一実施の形態によれば、情報処理装置は、第1のモードにおいて、取得条件に従って、センサ信号から特徴量を取得し、第2のモードにおいて、前記取得条件とは異なる条件に従って、新たな統計モデルを生成するためのデータをセンサ信号から取得するデータ取得部と、前記第1のモードにおいて取得した前記特徴量が、モデル定義情報により規定される要件を満たさないとの判定結果に応じて、前記第1のモードから前記第2のモードへと、前記データ取得部のモードを変更するモード変更部とを有する。
前記一実施の形態によれば、既存のモデルでは推定ができない新たな状態を推定するためのモデルを作成するためのデータを取得することができる。
説明の明確化のため、以下の記載及び図面は、適宜、省略、及び簡略化がなされている。なお、各図面において、同一の要素には同一の符号が付されており、必要に応じて重複説明は省略されている。
<実施の形態の概要>
実施の形態の詳細な説明に先立って、まず、実施の形態の概要について説明する。図1は、実施の形態の概要にかかる情報処理装置1の構成の一例を示すブロック図である。図1に示すように、情報処理装置1は、記憶部2と、データ取得部3と、判定部4と、モード変更部5とを有する。
実施の形態の詳細な説明に先立って、まず、実施の形態の概要について説明する。図1は、実施の形態の概要にかかる情報処理装置1の構成の一例を示すブロック図である。図1に示すように、情報処理装置1は、記憶部2と、データ取得部3と、判定部4と、モード変更部5とを有する。
記憶部2は、推定種別毎の統計モデルを定義するモデル定義情報と、当該統計モデルを用いた推定のために必要とされる特徴量の取得条件とを記憶する。なお、推定種別とは、推定対象において発生しうる状態であって、統計モデルによる判定対象の状態についての種類である。例えば、推定対象が人などの生体である場合、推定種別は疾病の種類であってもよい。
推定対象は、人に限らず動物、植物などの他の生体であってもよいし、生体以外の物体であってもよい。例えば、推定対象は、装置、建築物などの人工構造物であってもよい。すなわち、推定対象は、状態が変化する任意の物体であればよい。
記憶部2は、1つの統計モデルについての情報を記憶していてもよいし、複数の統計モデルについての情報を記憶していてもよい。つまり、例えば、記憶部2は疾病Aを推定するための統計モデルについての情報だけを記憶していてもよいし、疾病Aを推定するための統計モデル及び疾病Bを推定するための統計モデルについての情報を記憶していてもよい。
モデル定義情報で表される統計モデルは、例えば隠れマルコフモデルであるが、必ずしもこれに限定されない。例えば、深層ニューラルネットなどの他の統計モデルであってもよい。
推定対象は、人に限らず動物、植物などの他の生体であってもよいし、生体以外の物体であってもよい。例えば、推定対象は、装置、建築物などの人工構造物であってもよい。すなわち、推定対象は、状態が変化する任意の物体であればよい。
記憶部2は、1つの統計モデルについての情報を記憶していてもよいし、複数の統計モデルについての情報を記憶していてもよい。つまり、例えば、記憶部2は疾病Aを推定するための統計モデルについての情報だけを記憶していてもよいし、疾病Aを推定するための統計モデル及び疾病Bを推定するための統計モデルについての情報を記憶していてもよい。
モデル定義情報で表される統計モデルは、例えば隠れマルコフモデルであるが、必ずしもこれに限定されない。例えば、深層ニューラルネットなどの他の統計モデルであってもよい。
特徴量の取得条件は、センサ信号から特徴量を取得するまでに実行される任意の処理の処理条件である。取得条件は、例えば、サンプリングレートであってもよいし、最低限必要な量子化精度であってもよい。また、特徴量の取得条件は、上記センサ信号を得るために用いられるセンサを特定する情報であってもよい。新たな統計モデルを生成するためのデータ、すなわち学習用データとして、フィルタ処理が行われたデータが用いられる場合には、この取得条件はフィルタ条件であってもよい。
データ取得部3は、2つのモードのいずれかで動作する。
データ取得部3は、第1のモードにおいて、記憶部2に記憶された取得条件に従って、センサ信号から特徴量を取得する。
また、データ取得部3は、第2のモードにおいて、第1のモードで使用された取得条件とは異なる条件に従って、新たな統計モデルを生成するためのデータ(すなわち、学習用データ)をセンサ信号から取得する。なお、第2のモードにおいて利用される条件は、第1のモードで使用された取得条件と少なくとも一部が異なっている。例えば、サンプリングレートだけが異なっていてもよいし、増幅率やフィルタ条件だけが異なっていてもよい。
データ取得部3は、第1のモードにおいて、記憶部2に記憶された取得条件に従って、センサ信号から特徴量を取得する。
また、データ取得部3は、第2のモードにおいて、第1のモードで使用された取得条件とは異なる条件に従って、新たな統計モデルを生成するためのデータ(すなわち、学習用データ)をセンサ信号から取得する。なお、第2のモードにおいて利用される条件は、第1のモードで使用された取得条件と少なくとも一部が異なっている。例えば、サンプリングレートだけが異なっていてもよいし、増幅率やフィルタ条件だけが異なっていてもよい。
判定部4は、第1のモードにおいてデータ取得部3が取得した特徴量が、記憶部2に記憶されているモデル定義情報により規定される要件を満たすか否かを判定する。これにより、判定部4は、取得した特徴量が、既存の統計モデルによる推定に対応した特徴量であるか否かを判定する。
モード変更部5は、特徴量が要件を満たさないとの判定部4による判定結果に応じて、第1のモードから第2のモードへと、データ取得部3のモードを変更する。すなわち、モード変更部5は、取得した特徴量が、既存の統計モデルによる推定に対応していない特徴量であるとの判定結果に応じて、第1のモードから第2のモードへと、データ取得部3のモードを変更する。
モード変更部5によるモードの変更により、学習用データの取得が開始される。ここで、学習用データの取得条件は、既存の統計モデルを用いた推定のために必要とされる特徴量の取得条件とは異なっている。
モード変更部5によるモードの変更により、学習用データの取得が開始される。ここで、学習用データの取得条件は、既存の統計モデルを用いた推定のために必要とされる特徴量の取得条件とは異なっている。
既存の統計モデルでは推定ができない新たな状態を推定するための新たな統計モデルは、既存の統計モデルで用いられるデータとは異なるデータを必要とする可能性がある。そのような場合であっても、上述した情報処理装置1によれば、既存の統計モデルを用いた推定のために必要とされる特徴量の取得条件とは異なる条件でデータを取得できるため、新たな状態を推定するための新たな統計モデルを作成することができる。
このように、情報処理装置1によれば、既存のモデルでは推定ができない新たな状態を推定するためのモデルを作成するためのデータを取得することができる。
このように、情報処理装置1によれば、既存のモデルでは推定ができない新たな状態を推定するためのモデルを作成するためのデータを取得することができる。
<実施の形態の詳細>
図2は、実施の形態にかかる情報処理システム10の構成の一例を示す模式図である。図2に示すように情報処理システム10は、推定装置100_1、100_2、100_3、・・・、100_Nとサーバ200とを有する。以下の説明では、推定装置100_1、100_2、100_3、・・・、100_Nについてこれらを特に区別せずに言及する場合、推定装置100と称す。図2に示した例では、N個の推定装置100が図示されているが、情報処理システム10は、1以上の推定装置100を有していればよく、その数は任意である。推定装置100及びサーバ200は、相互に通信可能に接続されている。なお、推定装置100及びサーバ200は、例えば無線通信により通信可能に接続されるが、有線通信により通信可能に接続されてもよい。また、伝送経路の途中に中継器があってもよい。
図2は、実施の形態にかかる情報処理システム10の構成の一例を示す模式図である。図2に示すように情報処理システム10は、推定装置100_1、100_2、100_3、・・・、100_Nとサーバ200とを有する。以下の説明では、推定装置100_1、100_2、100_3、・・・、100_Nについてこれらを特に区別せずに言及する場合、推定装置100と称す。図2に示した例では、N個の推定装置100が図示されているが、情報処理システム10は、1以上の推定装置100を有していればよく、その数は任意である。推定装置100及びサーバ200は、相互に通信可能に接続されている。なお、推定装置100及びサーバ200は、例えば無線通信により通信可能に接続されるが、有線通信により通信可能に接続されてもよい。また、伝送経路の途中に中継器があってもよい。
推定装置100は、図1の情報処理装置1に相当する装置である。なお、本実施の形態では、推定装置100は、人体に装着され、統計モデルを用いて人体における疾病の発病を推定する装置である。本実施の形態では、統計モデルの一例として隠れマルコフモデルが用いられる。このため、深層ニューラルネットなどの他の統計モデルを用いる場合に比べて、計算負荷を低減することができる。なお、推定装置100は例えばウェアラブル端末であるが、スマートフォンやタブレット端末などの他の可搬型の装置であってもよいし、非可搬型の装置であってもよい。
サーバ200は、推定装置100が推定のために用いるデータベースを更新するための装置であり、後述するとおり、推定装置100から送信された学習用データを用いて新たな統計モデルを生成する処理などを行う。
次に、推定装置100の詳細について説明する。図3は、推定装置100の構成の一例を示すブロック図である。推定装置100は、MCU(Micro Controller Unit)101とMCU101の外部の構成要素とを含む。具体的には、推定装置100は、MCU101の外部の構成要素として、RF回路102、フラッシュメモリ103、バッテリ104、スイッチ105、パワーコントローラ106、USBコネクタ107、デジタルセンサ108、温度センサ109、光センサ110、増幅アンプ111、LED112、電極113、電極114、計装アンプ115、オペアンプ116、及び電極117を含む。
MCU101は、図3に示すように、CPU120、レジスタRAM121、コードフラッシュ122、データフラッシュ123、RAM124、DMAC125、シリアルI/F126、127、128、GPIO・IRQ129、USB I/F130、RTC131、ADC132、133、134、タイマ135、及びDAC136を有する。
CPU(Central Processing Unit)120は、プログラムを実行するプロセッサの一例である。
レジスタRAM(Random Access Memory)121は、MCU101を制御するための設定値などを格納したレジスタ群である。
コードフラッシュ122は、プログラムを格納するフラッシュメモリである。
データフラッシュ123は、任意のデータを格納するフラッシュメモリである。本実施の形態では、データフラッシュ123は、図1の記憶部2に相当し、統計モデルを用いた処理のために参照されるデータベースが格納されている。
RAM124は、プログラム実行時の中間処理データなどであるワークデータを格納する。本実施の形態では、RAM124は、各種センサからのセンサ信号に関する時系列データなどが格納される。
DMAC(Direct Memory Access Controller)125は、CPU120を介さずに、データ転送を行うためのコントローラである。
レジスタRAM(Random Access Memory)121は、MCU101を制御するための設定値などを格納したレジスタ群である。
コードフラッシュ122は、プログラムを格納するフラッシュメモリである。
データフラッシュ123は、任意のデータを格納するフラッシュメモリである。本実施の形態では、データフラッシュ123は、図1の記憶部2に相当し、統計モデルを用いた処理のために参照されるデータベースが格納されている。
RAM124は、プログラム実行時の中間処理データなどであるワークデータを格納する。本実施の形態では、RAM124は、各種センサからのセンサ信号に関する時系列データなどが格納される。
DMAC(Direct Memory Access Controller)125は、CPU120を介さずに、データ転送を行うためのコントローラである。
シリアルI/F126は、RF回路102とMCU101との間の入出力用のインタフェースである。
RF(Radio Frequency)回路102は、推定装置100が他の装置と無線通信するための送受信回路である。推定装置100とサーバ200との通信に利用される。
シリアルI/F127は、フラッシュメモリ103とMCU101との間の入出力用のインタフェースである。
フラッシュメモリ103は、MCU101の外部のフラッシュメモリであり、MCU101から出力された任意のデータを格納する。
RF(Radio Frequency)回路102は、推定装置100が他の装置と無線通信するための送受信回路である。推定装置100とサーバ200との通信に利用される。
シリアルI/F127は、フラッシュメモリ103とMCU101との間の入出力用のインタフェースである。
フラッシュメモリ103は、MCU101の外部のフラッシュメモリであり、MCU101から出力された任意のデータを格納する。
GPIO(General Purpose Input/Output)・IRQ(Interrupt Request)129は、バッテリ104とMCU101との間の電力の入出力用、及びMCU101とパワーコントローラ106との通信用のインタフェースである。
バッテリ104は、推定装置100の各構成要素に供給するための電力を蓄えている。
スイッチ105は、バッテリ104からの電力の供給及び遮断を制御するスイッチである。例えばユーザ(推定対象者)がスイッチ105をオンにすることにより、電力の供給が開始され、推定装置100の動作が開始する。
パワーコントローラ106は、電源を管理するコントローラである。パワーコントローラ106は、例えば、バッテリ104の異常を検出すると、割り込み信号をMCU101に出力する。
USB I/F130は、USBコネクタ107とMCU101との間の入出力用のインタフェースである。
バッテリ104は、推定装置100の各構成要素に供給するための電力を蓄えている。
スイッチ105は、バッテリ104からの電力の供給及び遮断を制御するスイッチである。例えばユーザ(推定対象者)がスイッチ105をオンにすることにより、電力の供給が開始され、推定装置100の動作が開始する。
パワーコントローラ106は、電源を管理するコントローラである。パワーコントローラ106は、例えば、バッテリ104の異常を検出すると、割り込み信号をMCU101に出力する。
USB I/F130は、USBコネクタ107とMCU101との間の入出力用のインタフェースである。
USB(Universal Serial Bus)コネクタ107は、推定装置100にUSB機器(図示せず)を接続するためのコネクタである。
RTC(Real Time Clock)131は、時計機能を提供する回路である。本実施の形態では、RTC131は、同一時刻に測定された複数のセンサ信号をグルーピングするための時刻情報を提供する。
RTC(Real Time Clock)131は、時計機能を提供する回路である。本実施の形態では、RTC131は、同一時刻に測定された複数のセンサ信号をグルーピングするための時刻情報を提供する。
シリアルI/F128は、デジタルセンサ108とMCU101との間の入出力用のインタフェースである。
デジタルセンサ108は、例えば、推定対象の人体又は当該人体の周囲の環境についての測定を行うデジタルセンサである。デジタルセンサ108は、例えば、MEMS(Micro Electro Mechanical Systems)センサであり、加速度センサ、ジャイロセンサ、気圧センサなどを含む。例えば、加速度センサ及びジャイロセンサは、人体の動きを検出するための測定を行う。デジタルセンサ108は、後述する設定部161により指定されたサンプリングレートでサンプリングされたデジタル信号をMCU101に入力する。
デジタルセンサ108は、例えば、推定対象の人体又は当該人体の周囲の環境についての測定を行うデジタルセンサである。デジタルセンサ108は、例えば、MEMS(Micro Electro Mechanical Systems)センサであり、加速度センサ、ジャイロセンサ、気圧センサなどを含む。例えば、加速度センサ及びジャイロセンサは、人体の動きを検出するための測定を行う。デジタルセンサ108は、後述する設定部161により指定されたサンプリングレートでサンプリングされたデジタル信号をMCU101に入力する。
ADC(Analog−To−Digital Converter)132は、温度センサ109から出力されたセンサ信号(アナログ信号)を、後述する設定部161により指定されたサンプリングレートで、デジタル信号に変換する。
温度センサ109は、人体又は人体の周囲の環境の温度を測定するセンサであり、例えばサーミスタを用いて構成されている。
温度センサ109は、人体又は人体の周囲の環境の温度を測定するセンサであり、例えばサーミスタを用いて構成されている。
タイマ135は、LED112の点灯を制御するためのタイマである。
LED(Light Emitting Diode)112は、タイマ135の制御のもと、所定のタイミングで所定の時間だけ発光を行う。LED112は、例えば、人体の血管に対し発光する。
ADC133は、光センサ110から出力され増幅アンプ111により増幅されたセンサ信号(アナログ信号)を、後述する設定部161により指定されたサンプリングレートで、デジタル信号に変換する。
増幅アンプ111は、光センサ110から出力されたセンサ信号を増幅するアンプである。
光センサ110は、例えば、フォトトランジスタ又はフォトダイオードを用いて構成されており、ヘモグロビンが光を吸収する特性を利用し、血流などを測定することに用いる。例えば、光センサ110は、LED112が発した緑色光が体組織により反射された反射光を検出する。
血流に応じて光センサ110により検出される光の強度が変動する。このため、光センサ110からのセンサ信号により脈拍を計測することができる。
LED(Light Emitting Diode)112は、タイマ135の制御のもと、所定のタイミングで所定の時間だけ発光を行う。LED112は、例えば、人体の血管に対し発光する。
ADC133は、光センサ110から出力され増幅アンプ111により増幅されたセンサ信号(アナログ信号)を、後述する設定部161により指定されたサンプリングレートで、デジタル信号に変換する。
増幅アンプ111は、光センサ110から出力されたセンサ信号を増幅するアンプである。
光センサ110は、例えば、フォトトランジスタ又はフォトダイオードを用いて構成されており、ヘモグロビンが光を吸収する特性を利用し、血流などを測定することに用いる。例えば、光センサ110は、LED112が発した緑色光が体組織により反射された反射光を検出する。
血流に応じて光センサ110により検出される光の強度が変動する。このため、光センサ110からのセンサ信号により脈拍を計測することができる。
ADC134は、電極113から出力され計装アンプ115により増幅されたセンサ信号(アナログ信号)、及び電極114から出力され計装アンプ115により増幅されたセンサ信号(アナログ信号)を、後述する設定部161により指定されたサンプリングレートで、デジタル信号に変換する。
計装アンプ115は、電極113、114から出力されたセンサ信号を増幅するアンプである。
電極113、114は、人体に接触し、人体における電気信号を検出し、センサ信号として計装アンプ115に出力する。
DAC(Digital−To−Analog Converter)136は、電極117から出力する電気信号(アナログ信号)を生成するためのデジタル信号をアナログ信号に変換する。
オペアンプ116は、DAC136から出力されたアナログ信号を増幅するアンプである。
電極117は、人体に接触し、オペアンプ116から出力された電気信号を人体に出力する。
電極113、114、117、計装アンプ115、オペアンプ116、ADC132、及びDAC136は、例えば、心電波形を得るための構成として利用される。この場合、DAC136、オペアンプ116、及び電極117は、体内のインピーダンスを測定するための交流波形生成回路である。また、電極113、114、117、計装アンプ115、オペアンプ116、ADC132、及びDAC136は、例えば、体内のインピーダンスを測定するための構成として利用されてもよい。すなわち、これらの構成要素が体組成計として利用されてもよい。なお、この場合、DAC136、オペアンプ116、及び電極117は、所定の周波数の電流を人体に流すための構成として機能する。
計装アンプ115は、電極113、114から出力されたセンサ信号を増幅するアンプである。
電極113、114は、人体に接触し、人体における電気信号を検出し、センサ信号として計装アンプ115に出力する。
DAC(Digital−To−Analog Converter)136は、電極117から出力する電気信号(アナログ信号)を生成するためのデジタル信号をアナログ信号に変換する。
オペアンプ116は、DAC136から出力されたアナログ信号を増幅するアンプである。
電極117は、人体に接触し、オペアンプ116から出力された電気信号を人体に出力する。
電極113、114、117、計装アンプ115、オペアンプ116、ADC132、及びDAC136は、例えば、心電波形を得るための構成として利用される。この場合、DAC136、オペアンプ116、及び電極117は、体内のインピーダンスを測定するための交流波形生成回路である。また、電極113、114、117、計装アンプ115、オペアンプ116、ADC132、及びDAC136は、例えば、体内のインピーダンスを測定するための構成として利用されてもよい。すなわち、これらの構成要素が体組成計として利用されてもよい。なお、この場合、DAC136、オペアンプ116、及び電極117は、所定の周波数の電流を人体に流すための構成として機能する。
次に、データフラッシュ123に格納されるデータベースについて説明する。上述の通り、データフラッシュ123は、図1の記憶部2に相当し、推定種別毎の統計モデルを定義するモデル定義情報と、当該統計モデルを用いた推定のために必要とされる特徴量の取得条件とを記憶する。なお、データベースは、データフラッシュ123に限らず、フラッシュメモリ103などの他の記憶装置に記憶されてもよい。図4は、データベースの内容の一例を示す表である。本実施の形態では、データベースは、推定する疾病毎に、図4に示すような情報を管理している。具体的には、データベースは、推定する疾病毎に、「対象疾病名」、「利用するセンサ」、「センシング条件」、「フィルタ条件」、「特徴量算出方法」、及び「統計モデル」を管理している。また、データベースは、疾病が発病していない身体状態についても、これらの情報を管理している。すなわち、データベースは、推定種別毎にこれらの情報を管理している。
「対象疾病名」は、統計モデルにより推定が行われる疾病の名称を示す情報である。なお、疾病が発病していない身体状態については、例えば、「対象疾病名」は「異常なし」といった表現となる。
「利用するセンサ」は、当該疾病の推定のために、いずれのセンサのセンサ信号が必要とされるかを示す情報である。すなわち、当該疾病の推定のために必要とされる1つ以上のセンサを特定する情報である。本実施の形態では、センサ信号を生成するセンサである、デジタルセンサ108、温度センサ109、光センサ110、及び電極113、114が指定されうる。なお、「利用するセンサ」は、センサ特定情報とも称されうる。
「センシング条件」は、「利用するセンサ」において指定されたセンサにおいて測定する際の測定条件をセンサ毎に指定する情報である。「センシング条件」は、例えば、サンプリングレートであるが、量子化精度であってもよい。
「利用するセンサ」は、当該疾病の推定のために、いずれのセンサのセンサ信号が必要とされるかを示す情報である。すなわち、当該疾病の推定のために必要とされる1つ以上のセンサを特定する情報である。本実施の形態では、センサ信号を生成するセンサである、デジタルセンサ108、温度センサ109、光センサ110、及び電極113、114が指定されうる。なお、「利用するセンサ」は、センサ特定情報とも称されうる。
「センシング条件」は、「利用するセンサ」において指定されたセンサにおいて測定する際の測定条件をセンサ毎に指定する情報である。「センシング条件」は、例えば、サンプリングレートであるが、量子化精度であってもよい。
「フィルタ条件」は、「利用するセンサ」において指定されたセンサからのセンサ信号に基づいて得られたデータに対し行うフィルタ処理のフィルタ条件を指定する情報である。「フィルタ条件」は「対象疾病名」とセンサ毎に指定される。フィルタ条件は、例えば、フィルタ方式であってもよいし、フィルタの次数であってもよいし、フィルタの係数であってもよい。
「特徴量算出方法」は、当該疾病の推定のために必要とされる特徴量の算出方法を定義した情報である。
「特徴量算出方法」は、当該疾病の推定のために必要とされる特徴量の算出方法を定義した情報である。
「統計モデル」は、当該疾病の推定のための統計モデルを定義する情報であるモデル定義情報である。モデル定義情報は、推定種別に応じた特徴量の範囲を定義する情報を含む。ところで、本実施の形態では、推定装置100は統計モデルとして隠れマルコフモデルを用いて推定を行うため、統計モデルは1つ以上の内部状態(観察状態)を有する。したがって、本実施の形態では、モデル定義情報は、より詳細には、推定種別に応じた特徴量の範囲を定義する情報として、内部状態(観察状態)毎に特徴量の範囲を定義する情報を含む。また、モデル定義情報は、内部状態の遷移確率を定義する情報を含む。
ここで、推定装置100が用いる統計モデルの具体例を説明する。図5は、推定装置100が用いる統計モデルの具体例を示す模式図である。図5に示した模式図では、n個の統計モデルが示されている。統計モデル50_1は、身体が正常な状態を模した統計モデル(正常モデル)である。また、統計モデル50_2から統計モデル50_nは、身体にいずれかの疾病が発病した状態を模した統計モデル(疾病モデル)である。例えば、統計モデル50_2は、疾病Aが発病した状態を模した統計モデルであり、統計モデル50_nは、疾病Bが発病した状態を模した統計モデルである。
統計モデル50_i(ただし、iは1以上n以下の整数)は、潜在状態θiを有する。また、潜在状態θiは、観察状態Sikを有する。ただし、kは、1以上の整数である。また、図5で示した例では、統計モデル50_1、50_2、・・・、50_nは、いずれも観察状態の数が3つ(すなわち、k=3)であるが、これは図示の都合のためであり、実際には観察状態の数は統計モデル毎に適切な数となる。
δxy(ただし、x、yは、それぞれ1以上n以下の整数)は、潜在状態θxから潜在状態θyへの遷移確率を示す。
δxy(ただし、x、yは、それぞれ1以上n以下の整数)は、潜在状態θxから潜在状態θyへの遷移確率を示す。
観察状態Sikには、図6に示すように、1以上の特徴量の種類と、特徴量毎の範囲とが定義づけられている。図6に示した例では、観察状態Sikにはm種類の特徴量F1から特徴量Fmが対応づけられている。また、各特徴量に対し、値域が設定されている。このような定義にしたがい、例えば、特徴量F1、・・・、Fmが、f1a<F1<f1b、f2a<F2<f2b、・・・、fma<Fm<fmbを満たす場合、推定対象者の状態は観察状態Sikに属することとなる。ここで、観察状態Sikには、ある1つのセンサから得られた複数種類の特徴量が定義されてよい。例えば、同じセンサから異なるフィルタを通して得られる同時刻の特徴量が、同一の観察状態Sikに対応づけられていてもよい。より具体的に例を示すと、1つのセンサ(例えば光センサ)から、LPF(Low Pass Filter)で所定の周波数以下の信号を抽出して得られる特徴量(具体的には光強度)と、BPF(Band Pass Filter)で所定の周波数帯の信号を抽出して得られる特徴量(具体的には光強度)と、その2つの特徴量(光強度値)の比で表される特徴量とを用いて、疾病の推定が行なわれてもよい。なお、観察状態Sikに対応づけられる特徴量及びその値域は、観察状態毎に定義される。これらを定義する情報が、モデル定義情報における、観察状態毎に特徴量の範囲を定義する情報に相当する。
また、統計モデル50_iにおいては、同一の統計モデル内の観察状態Sikの状態遷移確率Piαβもモデル定義情報として定義されている。ここで、Piαβは、観察状態Siαから観察状態Siβへの遷移確率を示す。ただし、α、βは、それぞれ1以上の整数である(なお、図5に示した一例においては、α、βは、それぞれ1以上3以下の整数である)。例えば、統計モデル50_1を例に説明すると、観察状態S11から観察状態S11への状態遷移確率P111や観察状態S11から観察状態S12への状態遷移確率P112などが定義されている。
また、統計モデル50_iにおいては、同一の統計モデル内の観察状態Sikの状態遷移確率Piαβもモデル定義情報として定義されている。ここで、Piαβは、観察状態Siαから観察状態Siβへの遷移確率を示す。ただし、α、βは、それぞれ1以上の整数である(なお、図5に示した一例においては、α、βは、それぞれ1以上3以下の整数である)。例えば、統計モデル50_1を例に説明すると、観察状態S11から観察状態S11への状態遷移確率P111や観察状態S11から観察状態S12への状態遷移確率P112などが定義されている。
隠れマルコフモデルでは、観測された特徴量から観察状態Sikを特定することにより、現在の状態がいずれの潜在状態θiに属するかが推定される。これにより、推定装置100は、推定対象者が現在いずれの状態にあるかを推定する。すなわち、推定装置100は、推定対象者が正常状態であるのか、それともいずれかの疾病が発病した状態であるのかを推定する。
次に、推定装置100の機能構成について説明する。図7は、推定装置100の機能構成の一例を示すブロック図である。図7に示すように、推定装置100は、データベース150と、送受信制御部151と、データ取得部160と、判定部170と、推定部152と、センサ異常検出部153と、モード変更部154とを有する。図7に示した各構成要素は、例えば、CPU120が、1以上の命令を含むプログラムを実行することにより実現される。
データベース150は、統計モデルを用いた処理のために参照されるデータベースであり、図4に示したような情報を管理している。すなわち、推定種別毎の統計モデルのモデル定義情報及び特徴量の取得条件がデータベース150により管理されている。データベース150は、サーバ200から受信した更新データにより更新される。例えば、データベース150は、例えば、新たな疾病について推定するための情報を追加する更新を更新データに基づいて行う。
送受信制御部151は、推定装置100とサーバ200との間のデータの送受信を制御する。例えば、送受信制御部151は、サーバ200から送信された更新データをRF回路102を介して受信し、データベース150に登録する。すなわち、送受信制御部151は、データベース150についての更新データを登録する。送受信制御部151は、登録部とも称されうる。データベース150の更新により、新たなモデルによる推定が可能となる。受信した更新データが暗号化されている場合には、送受信制御部151は復号処理を行い、データベース150に登録する。送受信制御部151は、改ざんの検知処理を行ってもよく、改ざんが検出された場合にはデータベース150への登録をしないようにしてもよい。
また、送受信制御部151は、データ取得部160が取得した学習用データをRF回路102を介してサーバ200に送信するよう制御する。このため、サーバ200は、モデル生成のためのデータを取得することができる。なお、送受信制御部151は、学習用データの送信の際、AES(Advanced Encryption Standard)などの任意の暗号アルゴリズムにより暗号化して送信してもよい。
データ取得部160は、図1のデータ取得部3に相当し、設定部161と、取得制御部162と、グループ化部163と、フィルタ処理部164と、特徴量算出部165とを有する。データ取得部160は、推定モードにおいてはデータベース150で規定された条件にしたがってデータを取得する。これに対し、収集モードにおいては、新たな統計モデルを生成するためのデータ(すなわち、学習用データ)の収集のための予め規定された条件にしたがってデータを取得する。
設定部161は、データベース150に登録されている全ての「センシング条件」を満たすように各センサの測定条件を設定する。センシング条件として、推定種別毎の必要なサンプリングレートが規定されている場合、あるセンサ信号のサンプリングについて、各センシング条件で規定されているサンプリングレートの最小公倍数を実際の測定条件として設定する。すなわち、例えば、あるセンサ信号について、疾病Aの推定のために50Hzのサンプリングがセンシング条件で規定され、疾病Bの推定のために60Hzのサンプリングがセンシング条件で規定されている場合、設定部161は、当該センサ信号のサンプリングレートとしてこれらの最小公倍数である300Hzを設定する。
また、設定部161は、後述するモード変更部154からのモード変更の指示があった場合には、測定条件を学習用データ取得用の予め規定された測定条件へと変更する。
また、設定部161は、後述するモード変更部154からのモード変更の指示があった場合には、測定条件を学習用データ取得用の予め規定された測定条件へと変更する。
取得制御部162は、設定部161の設定に従い、センサ信号のサンプリング後のデジタルデータ(サンプリングデータ)であるセンサデータを取得するよう制御する。例えば、ユーザ(推定対象者)からの指示を受け付けると、取得制御部162は、センサデータの取得を開始するよう制御する。
グループ化部163は、同一時刻にサンプリング(測定)されたセンサデータ群をグルーピングする。センサデータは、継続的に順次取得されるため、グルーピングされたセンサデータ群が、順次蓄積されることとなる。すなわち、これらは時系列データをなす。グルーピングされたセンサデータ群は、順次、時系列データとしてRAM124に格納される。
フィルタ処理部164は、各々のセンサデータに対し、データベース150の「フィルタ条件」に従って、推定種別に応じたフィルタ処理を実施する。センサデータは、統計モデルでの推定において貴重な信号のみならず様々なノイズを含む場合がある。なお、ここでいうノイズとは、ある統計モデルにおける推定に注目した場合に、当該統計モデルでの推定を行う上で、適切な推定を妨げる信号をいう。すなわち、推定種別に応じて、ノイズとされる信号は異なる。このため、データベース150は、上述のように、推定種別に応じた「フィルタ条件」を保持している。これにより、推定種別に対応する統計モデルに適したフィルタ計算が可能となる。
例えば、ストレス等の判定において、心電波形の揺らぎに関する研究が知られており、そのような研究の結果によれば、身体の状態の判定には、R波の時間間隔の揺らぎを算出することが望ましいとされている。この場合、P波、Q波、S波、T波はノイズとして扱ってもよいため、R波のピークをしっかりとるためのフィルタをデータベース150に登録しておき、R波のピーク間隔を確実に算出することが望まれる。一方でR波の立ち上がり時間などは心臓の疾患に起因する傾向があるため、そのような疾病を推定するためには、微分係数を正しく得るためのフィルタがデータベース150に登録されることが望ましい。
例えば、ストレス等の判定において、心電波形の揺らぎに関する研究が知られており、そのような研究の結果によれば、身体の状態の判定には、R波の時間間隔の揺らぎを算出することが望ましいとされている。この場合、P波、Q波、S波、T波はノイズとして扱ってもよいため、R波のピークをしっかりとるためのフィルタをデータベース150に登録しておき、R波のピーク間隔を確実に算出することが望まれる。一方でR波の立ち上がり時間などは心臓の疾患に起因する傾向があるため、そのような疾病を推定するためには、微分係数を正しく得るためのフィルタがデータベース150に登録されることが望ましい。
特徴量算出部165は、データベース150の「特徴量算出方法」に従って、フィルタ処理後のセンサデータから、それぞれの統計モデルに必要とされる特徴量を算出する。センサデータは、例えば電圧値をアナログ・デジタル変換した数値である。このような数値は、生物学的又は物理的に意味のある値ではない。したがって、特徴量算出部165は、このセンサデータを生物学的又は物理的に意味のある値、すなわち特徴量に変換する。
例えば、センサデータの時系列データを周波数解析したい場合は、高速フーリエ変換やウェブレット変換などを行って特徴量を算出することが有効である。また、加速度センサのセンサデータについては、例えば、重力加速度を1Gとする正規化をセンサデータに行った上で、正規化後の値と体重との積を算出し、これを、活動量を示す特徴量とする。
例えば、センサデータの時系列データを周波数解析したい場合は、高速フーリエ変換やウェブレット変換などを行って特徴量を算出することが有効である。また、加速度センサのセンサデータについては、例えば、重力加速度を1Gとする正規化をセンサデータに行った上で、正規化後の値と体重との積を算出し、これを、活動量を示す特徴量とする。
なお、本実施の形態では、特徴量算出部165は、1つ以上のセンサ信号から1つ以上の特徴量を算出する。特徴量算出部165が複数の特徴量を算出する場合、1つの特徴量だけを用いた推定に比べ、より多彩な推定種別についての推定が可能となる。また、特徴量算出部165は、ある1つの特徴量を算出する際、グループ化部163によりグループ化された同一時刻に測定された複数のセンサ信号から特徴量を算出してもよい。この場合には、センサ信号間の相互関係を反映した特徴量を用いた推定が可能となる。また、特徴量算出部165は、1つのセンサ信号から1つの特徴量を算出してもよい。この場合、複数種類のセンサ信号の相互関係に着目して特徴量を算出する場合に比べて、計算量の削減及びフィルタ設計の簡略化ができる場合がある。すなわち、消費電流を抑えることが期待できる。
次に、判定部170について説明する。判定部170は、図1の判定部4に相当し、特徴量範囲判定部171と、遷移確率算出部172と、遷移確率判定部173と、を有する。判定部170は、これらの構成により、新たな統計モデルを生成するためのデータ(すなわち、学習用データ)の収集が必要であるか否かを判定する。
特徴量範囲判定部171は、データベース150のモデル定義情報に従って、特徴量算出部165により算出された特徴量が、いずれかの観察状態Sikの特徴量の範囲を満たすか否かを判定する。すなわち、特徴量範囲判定部171は、推定対象者から得られた最新の特徴量が、いずれかの観察状態Sikに属するか否かを判定する。このように、特徴量範囲判定部171は、データ取得部160が取得した特徴量が、モデル定義情報が規定する範囲内であるか否かを判定する機能を提供する。推定対象者の状態をデータベース150の既存の情報で推定可能な場合、特徴量はいずれかの観察状態Sikに属することとなる。
遷移確率判定部173は、推定対象者から得られた最新の特徴量がいずれかの観察状態Sikに属すると特徴量範囲判定部171により判定された場合に、観察状態間の遷移確率が妥当な値であるか否かを判定する。具体的には、遷移確率判定部173は、特徴量範囲判定部171による前回の判定タイミングにおいて特徴量が属していると判定された観察状態Sikから、今回の判定タイミングにおいて特徴量が属していると判定された観察状態Sikへの遷移確率と、データベース150のモデル定義情報で定義されている遷移確率とを比較し、両者のずれ量が所定の閾値未満である場合、遷移確率が妥当な値であると判定する。
以下の説明では、前回の判定タイミングにおいて特徴量が属していると判定された観察状態Sikから、今回の判定タイミングにおいて特徴量が属していると判定された観察状態Sikへの遷移確率を、観測遷移確率と称すこととする。また、データベース150のモデル定義情報で定義されている遷移確率を定義遷移確率と称すこととする。
より詳細には、遷移確率判定部173は、観測遷移確率と、定義遷移確率との一致度合いを判定する。つまり、遷移確率判定部173は、観測遷移確率と、定義遷移確率との差が所定の許容値以下であるか否かを判定する。推定対象者の状態をデータベース150の既存の情報で推定可能な場合、観測遷移確率と、定義遷移確率との差が所定の許容値以下となる。
観測遷移確率は、遷移確率算出部172により算出される。遷移確率算出部172は、データ取得部160が所定の期間Tの間に取得した特徴量の時系列データに基づいて観測遷移確率を算出する。所定の期間Tの間に取得した特徴量の時系列データとは、データ取得部160が取得した最新の特徴量を含む、特徴量の時系列データである。より詳細には、遷移確率算出部172は、この特徴量の時系列データに含まれる特徴量のそれぞれが属する観察状態Sikの時系列データから、最新の状態遷移と一致する遷移の所定の期間Tにおける発生頻度を算出する。そして、遷移確率算出部172は、算出した発生頻度を観測遷移確率とする。なお、遷移確率算出部172は、時系列データに含まれる各特徴量が属する観察状態Sikを、例えば、特徴量範囲判定部171による判定結果を利用して特定する。
観測遷移確率の算出について具体例により更に説明する。例えば、m種類の特徴量F1、F2、・・・、Fmからなる特徴量群の時刻tの値の集合をF(t)とする。また、上述の所定の期間Tを時刻t1から時刻t5であるとする。さらに、集合F(t1)が属する観察状態が図5に示した観察状態S11であり、集合F(t2)が属する観察状態がS12であり、集合F(t3)が属する観察状態がS12であり、集合F(t4)が属する観察状態がS11であり、集合F(t5)が属する観察状態がS12であるとする。なお、ここでは、説明を簡単にするために、所定の期間Tにおける遷移回数は合計4回としているが、所定の期間Tにおける遷移回数を大きくすることにより、より正確な観測遷移確率の算出が可能となる。この例において、集合F(t5)が最新の特徴量であり、観察状態がS11から観察状態S12への遷移確率が算出すべき観測遷移確率である。この場合、所定期間内の遷移の発生総数は4であり、そのうち、観察状態S11から観察状態S12への遷移は2回発生している。したがって、この場合、観測遷移確率は0.5となる。
なお、上述した算出方法は一例であり遷移確率判定部173は、他の算出方法を用いて観測遷移確率を算出してもよい。
なお、上述した算出方法は一例であり遷移確率判定部173は、他の算出方法を用いて観測遷移確率を算出してもよい。
推定部152は、データベース150で定義された統計モデルと、データ取得部160により取得された特徴量とに基づいて、推定を行う。推定部152は、特徴量範囲判定部171及び遷移確率判定部173による判定結果に基づいて、推定対象者の状態がいずれの潜在状態θiに属するかを推定することにより、推定対象者の状態を推定する。より詳細には、推定部152は、この推定結果の時系列データから算出される遷移確率δxyに基づいて、推定対象者の状態を推定する。図5を参照して説明すると、例えば、算出された遷移確率δnnが所定の閾値を超える場合、推定部152は、統計モデル50_nに対応する疾病Bが発病したと推定する。このような推定部152の処理により推定装置100は推定結果を提供することができる。
なお、このように、本実施の形態では、推定部152は、疾病の種類毎のモデルである統計モデル50_1〜50_nにより、人体の疾病の発病を推定するが、人体以外の他の生体における疾病の発病を推定してもよい。
なお、このように、本実施の形態では、推定部152は、疾病の種類毎のモデルである統計モデル50_1〜50_nにより、人体の疾病の発病を推定するが、人体以外の他の生体における疾病の発病を推定してもよい。
また、統計モデルには、グルーピングされていないセンサ信号に基づく特徴量が入力されてもよい。グルーピングを行うためには、グループ化対象のセンサ信号のそれぞれに特徴量算出のために要求されるサンプリングレートのうちの最大のサンプリングレートを基準として、各センサ信号のサンプリングデータを用意する必要がある。このため、グループ化されるセンサ信号のなかには、必要以上にサンプリングが求められるセンサ信号が存在しうる。もしくは、サンプリング数を増やすのではなく、データを補完することが求められる。よって、グルーピングを行わない場合には、このような冗長な処理を避けることできる。
一方で、グルーピングされたセンサ信号に基づく特徴量を統計モデルに入力する場合には、複数種類のセンサ信号を考慮した状態の推定が可能となるため、より複雑な状態を推定することができる。
一方で、グルーピングされたセンサ信号に基づく特徴量を統計モデルに入力する場合には、複数種類のセンサ信号を考慮した状態の推定が可能となるため、より複雑な状態を推定することができる。
センサ異常検出部153は、センサ(デジタルセンサ108、温度センサ109、光センサ110、及び電極113、114)の異常を検出する。例えば、センサ異常検出部153は、センサデータの時系列データに値の変動が全くない場合、当該センサデータを取得するためのセンサに異常が発生していると判定する。なお、異常の判定方法は、これに限られず、他の方法により異常が検出されてもよい。
モード変更部154は、図1のモード変更部5に相当し、新たな統計モデルを生成するためのデータの収集が必要である場合、データ取得部160の動作モードを推定モードから収集モードに変更する。
モード変更部154は、データ取得部160が取得した特徴量がいずれの観察状態Sikにも属さないと特徴量範囲判定部171に判定された場合、推定モードから収集モードに変更する。なお、モード変更部154は、データ取得部160が取得した特徴量がいずれの観察状態Sikにも属さないと特徴量範囲判定部171に判定されると直ちにモードを変更してもよいが、そのような判定結果が頻発する場合にモードの変更を行ってもよい。すなわち、モード変更部154は、所定の期間T’の特徴量の時系列データに対する特徴量範囲判定部171による全ての判定結果のうち、特徴量が範囲内ではないとの判定結果の割合が、所定の基準を満たす場合、推定モードから収集モードに変更してもよい。このような構成によれば、外乱などに起因して突発的に生じる判定結果に左右されることなく、モードの変更タイミングを適切に判定することができる。
モード変更部154は、データ取得部160が取得した特徴量がいずれの観察状態Sikにも属さないと特徴量範囲判定部171に判定された場合、推定モードから収集モードに変更する。なお、モード変更部154は、データ取得部160が取得した特徴量がいずれの観察状態Sikにも属さないと特徴量範囲判定部171に判定されると直ちにモードを変更してもよいが、そのような判定結果が頻発する場合にモードの変更を行ってもよい。すなわち、モード変更部154は、所定の期間T’の特徴量の時系列データに対する特徴量範囲判定部171による全ての判定結果のうち、特徴量が範囲内ではないとの判定結果の割合が、所定の基準を満たす場合、推定モードから収集モードに変更してもよい。このような構成によれば、外乱などに起因して突発的に生じる判定結果に左右されることなく、モードの変更タイミングを適切に判定することができる。
また、モード変更部154は、観測遷移確率が妥当な値ではないと遷移確率判定部173に判定された場合、すなわち、観測遷移確率と、定義遷移確率との差が所定の許容値を超える場合、推定モードから収集モードに変更する。なお、モード変更部154は、遷移確率判定部173による判定結果に基づくモードの変更においても、上述と同様に、突発的な判定結果に左右されないようにしてもよい。すなわち、モード変更部154は、遷移確率判定部173は定義遷移確率との差が所定の許容値を超える事態の発生頻度が所定の基準を満たす場合にモードを変更してもよい。
ただし、本実施の形態では、モード変更部154は、センサの異常が検出されていない場合に限り、判定部170の判定結果に応じて、推定モードから収集モードへの動作モードの変更を行う。既存の統計モデルに対応しない特徴量が得られた理由が、新たな疾病に対応する特徴量が得られたからではなく、センサの故障に起因する不適切な特徴量が得られたからである場合、学習用データの収集を行う必要がない。したがって、モード変更部154は、センサの異常が検出されている場合にはモードの変更を行わない。これにより、不必要なモードの変更が抑制される。なお、本実施の形態では、このように、センサの異常が検出されていない場合に限りモード変更を行うが、センサの異常の有無にかかわらずモードの変更が行われてもよい。
モード変更部154は、モードの変更をデータ取得部160に通知する。これにより、データ取得部160は、学習用データを取得するための予め規定された専用の条件に従って、既存の統計モデルでは推定ができない推定対象者の状態を推定可能な新たな統計モデルを生成するための学習用データを取得する。なお、収集モードのデータ取得部160が取得する学習用データは、サンプリングされたデジタルデータ(グループ化部163によるグループ化前のデジタルデータ)であってもよいし、グループ化後のデジタルデータあってもよいし、フィルタ処理部164による処理後のデジタルデータであってもよい。
上述の専用の条件は、例えば、推定モード時に設定されるセンサ信号のサンプリングレートとは異なるサンプリングレートでのサンプリングを指示する情報であってもよい。この場合、収集モード時のデータ取得部160は、この専用の条件で指定されたサンプリングレートでセンサ信号をサンプリングする。例えば、収集モード時のサンプリングレートは、設定可能な最大値である。なお、最大値ではなく、推定モードにおけるサンプリングレートよりも大きいサンプリングレートであってもよい。
モード変更部154の指示により、データ取得部160では推定モード時の取得条件とは異なる取得条件が設定されるが、この取得条件はサンプリングレートに限られない。例えば、モードの変更により変更される取得条件は、フィルタであってもよい。例えば、推定モード時に適用されたフィルタ処理の一部又は全てについて、収集モードでは適用しないようにしてもよい。このように、推定モードと収集モードでは、フィルタ処理の処理内容が異なってもよい。
このように、モード変更部154は、データ取得部160に対し取得条件の変更を指示する。これにより、推定対象者及びその周辺などから得られる生データ(ローデータ(rawデータ))を取得することができるため、統計モデルの新たな生成にむけて、より有用なデータを学習用データとして得ることができる。
収集モードのデータ取得部160は、予め設定された収集期間の間、継続して学習用データを取得する。送受信制御部151は、取得された学習用データをサーバ200に送信する。例えば、送受信制御部151は、RAM124に蓄積された学習用データを所定の送信タイミングでまとめてサーバ200に送信してもよいし、取得された学習用データを逐次サーバ200に送信してもよい。なお、無駄な通信待機を避けるべく、推定装置100の通信時期とサーバ200の通信時期をそろえておくことが好ましい。
サーバ200から指示がある場合には、データ取得部160は、予め設定された収集期間ではなく、サーバ200から指示された収集期間の間、継続して学習用データを取得してもよい。また、データ取得部160は、モード変更部154によって収集モードに設定されるだけでなく、サーバ200からの指示によって収集モードに設定されてもよい。また、データ取得部160は、サーバ200から指定された取得条件により学習用データを取得してもよい。
次に、推定装置100におけるモード変更についての動作の流れを説明する。図8は、推定装置100におけるモード変更についての動作の流れを示すフローチャートである。以下、図8に沿って動作の流れを説明する。
ステップ(S100)において、設定部161は、データベース150を参照し、センシング条件を満たすように各センサの測定条件を設定する。なお、推定装置100が備えるセンサの全てが測定に利用されるとは限らない。設定部161は、データベース150を参照し、測定に必要なセンサについてのみ、測定条件を設定すればよい。この場合、推定装置100が備えるセンサのうち、データベース150に従った測定に不要であるセンサへの電力の供給が制限されてもよい。すなわち、推定装置100は、不要であるセンサへの電力の供給を制限する機能を有してもよい。例えば、そのようなセンサに対し、電源を投入しないようにしてもよい。例えば、設定部161は、データベース150を参照し、不要なセンサを判定し、それらに供給する電力を制限するための制御信号を出力してもよい。このような構成によれば、電力の消費を低減することができる。
次に、ステップ101(S101)において、取得制御部162は、ステップ100における設定に従い、センサデータを取得するよう制御する。
次に、ステップ102(S102)において、グループ化部163は、同一時刻のセンサデータ群をグルーピングする。
次に、ステップ103(S103)において、フィルタ処理部164は、データベース150を参照し、各々のセンサデータに対し、推定種別に応じたフィルタ処理を実施する。
次に、ステップ104(S104)において、特徴量算出部165は、データベース150を参照し、フィルタ処理後のセンサデータから、各統計モデルに必要とされる特徴量を算出する。
次に、ステップ101(S101)において、取得制御部162は、ステップ100における設定に従い、センサデータを取得するよう制御する。
次に、ステップ102(S102)において、グループ化部163は、同一時刻のセンサデータ群をグルーピングする。
次に、ステップ103(S103)において、フィルタ処理部164は、データベース150を参照し、各々のセンサデータに対し、推定種別に応じたフィルタ処理を実施する。
次に、ステップ104(S104)において、特徴量算出部165は、データベース150を参照し、フィルタ処理後のセンサデータから、各統計モデルに必要とされる特徴量を算出する。
次に、ステップ105(S105)において、特徴量範囲判定部171は、データベース150のモデル定義情報を参照し、ステップ104で算出された特徴量が、いずれかの観察状態Sikに対して定義された特徴量の範囲を満たすか否かを判定する。算出された特徴量が定義された範囲を満たす場合、すなわち、算出された特徴量に対応する観察状態Sikが定義されている場合(ステップ105でYes)、処理はステップ106へ移行する。算出された特徴量に対応する観察状態Sikが定義されていない場合(ステップ105でNo)、処理はステップ107へ移行する。
ステップ106(S106)では、遷移確率判定部173は、データベース150のモデル定義情報を参照し、観察状態間の遷移確率が妥当な値であるか否かを判定する。遷移確率が妥当な値である場合(ステップ106でYes)、モードの変更は行われない。すなわち、推定モードが継続する。この場合、モードの変更の必要があるか否かの判定フロー(ステップ100〜ステップ106)が繰り替えされる。遷移確率が妥当な値ではない場合(ステップ106でNo)、処理はステップ107へ移行する。
ステップ107(S107)では、モード変更部154は、センサの異常が検出されていないことを確認し、データ取得部160の動作モードを推定モードから収集モードに変更する。なお、モード変更部154は、センサの異常が検出されているか否かを確認せずに、モードの変更を実施してもよい。
なお、上記フローチャートでは、ステップ105若しくはステップ106においてNoである場合、ただちにステップ107に処理が移行しているが、上述の通り、Noとなる事象の発生頻度が所定の基準を満たす場合に、ステップ107に処理が移行してもよい。
モードの変更が行われると、設定部161は、測定条件を学習用データ取得用の測定条件へと変更する。これにより学習用データの取得が開始される。
なお、上記フローチャートでは、ステップ105若しくはステップ106においてNoである場合、ただちにステップ107に処理が移行しているが、上述の通り、Noとなる事象の発生頻度が所定の基準を満たす場合に、ステップ107に処理が移行してもよい。
モードの変更が行われると、設定部161は、測定条件を学習用データ取得用の測定条件へと変更する。これにより学習用データの取得が開始される。
次に、サーバ200について説明する。図9は、サーバ200のハードウェア構成の一例を示すブロック図である。図9に示すように、サーバ200は、例えば、ネットワークインタフェース201と、メモリ202と、プロセッサ203とを有する。
ネットワークインタフェース201は、推定装置100との通信を行うために使用される。ネットワークインタフェース201は、例えば、ネットワークインタフェースカード(NIC)を含んでもよい。
メモリ202は、例えば揮発性メモリ又は不揮発性メモリによって構成される。メモリ202は、プロセッサ203により実行される、1以上の命令を含むプログラムなどを格納するため等に使用される。
プロセッサ203は、例えば、マイクロプロセッサ、MPU(Micro Processor Unit)、又はCPU(Central Processing Unit)などであってもよい。プロセッサ203は、複数のプロセッサを含んでもよい。プロセッサ203は、メモリ202からコンピュータプログラムを読み出して実行することで、図10に示すサーバ200の各構成要素の処理を行う。
図10は、サーバ200の機能構成の一例を示すブロック図である。図10に示すように、サーバ200は、送受信制御部210と、モデル生成部211と、テスト部212と、配信決定部213とを有する。
送受信制御部210は、サーバ200と推定装置100との間のデータの送受信を制御する。例えば、送受信制御部210は、推定装置100から送信された学習用データをネットワークインタフェース201を介して受信し、メモリ202に記憶する。なお、推定装置100から受信した学習用データが暗号化されている場合には、送受信制御部210は復号処理を行う。また、送受信制御部210は、推定装置100のデータベース150に登録する更新データをネットワークインタフェース201を介して推定装置100に送信するよう制御する。
モデル生成部211は、推定装置100から受信した学習用データ、すなわち、収集モードにおけるデータ取得部160が取得したデータを用いて、新たな統計モデルの生成処理を行う。モデル生成部211は、受信した学習用データに含まれる種々のセンサデータのうち予め指定されたセンサデータについて、予め指定されたセンシング条件、フィルタ条件、及び特徴量算出方法にしたがった前処理を行う。そして、モデル生成部211は、この前処理により得られたデータを用いて、新たな統計モデルを生成する。
モデル生成部211は、例えば、BaumWelchといった公知のアルゴリズムを用いて、隠れマルコフモデルを生成する。これらのアルゴリズムは、自動で状態変化点を見つける方法も含むため、時系列データの解析および隠れマルコフモデルの生成に有効である。なお、モデル生成部211は、これらのアルゴリズムに限らず、他の公知であるアルゴリズムを用いて統計モデルを生成してもよい。
なお、受信した学習用データに含まれる種々のセンサデータのうちモデル生成に利用するセンサデータの組み合わせ、並びにセンシング条件及びフィルタ条件は、様々なパターンが指定される。この指定は、人(モデル設計者)により指定されてもよいし、所定のルールに従って指定されてもよい。このため、モデル生成部211は、様々な指定にしたがい、様々な統計モデルを生成する。すなわち、仮に推定装置100が収集モードで取得したデータが疾病Xについてのデータである場合、モデル生成部211は、収集モードで取得されたデータから疾病Xの推定を行うための種々の統計モデル50を生成する。なお、モデル生成部211は、少なくとも1つの統計モデルを生成すればよく、必ずしも複数の統計モデルを生成しなくてもよい。
モデル生成部211が生成した統計モデルを推定装置100に実装するにあたり、メモリなどのリソースが枯渇してしまい推定装置100において演算しきれないと、推定装置100としての機能を適切に提供することができない。このため、テスト部212は、モデル生成部211が生成した統計モデルを、推定装置100のリソースを模した環境でテストする。すなわち、生成した統計モデルによる推定処理を推定装置100において実行できることを保障するために、テスト部212が統計モデルのテストを実施する。
具体的には、テスト部212は、推定装置100のMCU101による演算精度と同精度で演算を行う仮想環境上で、モデル生成部211が生成した統計モデルを用いた推定処理のシミュレーションを実施する。より詳細には、推定装置100における演算にかかるビット長と、仮想環境における演算におけるビット長を同じにして、推定装置100における演算と仮想環境における演算結果が同じになるようにする。
テスト部212は、例えば、モデル生成のために取得されたデータと生成された統計モデルとを用いた推定処理を行うシミュレーション、又は、予め検証用のデータとして用意されたデータと生成された統計モデルとを用いた推定処理を行うシミュレーションを実施する。なお、テスト部212は、これらのうち一方のシミュレーションを行ってもよいし、両方のシミュレーションを行ってもよい。そして、テスト部212は、例えば、新たに生成した統計モデルで推定すべき、推定対象者の状態(すなわち、当該統計モデルで推定すべき疾病)が発生したことを、当該新たな統計モデルにより適切に推定できることを確認する。また、テスト部212は、例えば、新たに生成した統計モデルで推定すべき推定対象者の状態が発生していないにもかかわらず、発生したと当該新たな統計モデルにより誤って推定しないことを確認する。
特に、テスト部212は、モデル生成部211が生成した新たな統計モデルのモデル定義情報及び当該新たな統計モデルを用いた推定のために必要とされる特徴量の取得条件のみを含むデータベースを用いたテストに限らず、推定装置100が既に有するデータベース150に新たな統計モデルについての情報を追加したデータベースを用いたテストも実行する。すなわち、テスト部212は、推定装置100のデータフラッシュ123が既に記憶しているモデル定義情報及び特徴量の取得条件に加え、モデル生成部211が生成した新たな統計モデルのモデル定義情報及び当該新たな統計モデルを用いた推定のために必要とされる特徴量の取得条件を含むデータベースを用いて、テストを実行する。なお、新たな統計モデルを用いた推定のために必要とされる特徴量の取得条件は、具体的には、モデルの生成のために予め指定されたセンサ、センシング条件、フィルタ条件、及び特徴量算出方法である。
このため、既存のデータベース150に新たな統計モデルについての情報を追加する更新を行った場合でも、推定装置100により適切な推定が可能であることを保障することができる。
このため、既存のデータベース150に新たな統計モデルについての情報を追加する更新を行った場合でも、推定装置100により適切な推定が可能であることを保障することができる。
テスト部212は、推定装置100の演算能力以下の演算能力の実行環境によりテストを実行してもよい。これにより、推定装置100の演算能力(例えば処理速度)による演算により、新たな統計モデルを用いた推定が可能であることを保障することができる。また、例えば、テスト部212は、推定装置100のメモリ容量以下のメモリ容量の実行環境によりテストを実行してもよい。これにより、推定装置100のメモリ容量においても、新たな統計モデルを用いた推定が可能であることを保障することができる。
なお、テスト部212は、推定処理の際の処理負荷や使用するメモリ容量を、生成された統計モデル毎に記録してもよい。なお、モデルの生成段階において、処理負荷及びメモリ容量などの計算コストの見積もりが可能である場合(例えば、Autoplaitなどのようにコストの算出が可能なアルゴリズムが用いられる場合)には、モデル生成部211が、生成された統計モデル毎に計算コストを記録してもよい。
配信決定部213は、推定装置100に送信する情報を選択するとともに、選択された情報の配信先の装置を決定する。上述の通り、モデル生成部211は新規なモデルとして生成条件の異なる複数の統計モデルを生成しうる。生成された統計モデルのうちテスト部212によるテストに合格した統計モデル、すなわち、推定装置100の環境でも適切に動作することが保証された統計モデルが配信対象の統計モデルの候補となる。配信決定部213は、この配信対象の統計モデルの候補のうち、いずれを配信するかを選択する。配信決定部213は、人(例えば、推定サービスを提供する事業者)による指定にしたがって、配信対象を選択してもよいし、予め定められたルールにしたがって、配信対象を選択してもよい。人による指定にしたがって配信対象を選択する場合、配信決定部213は、モデル生成部211により生成された統計モデル毎に、テスト部212のテスト結果、推定精度、計算コスト(例えば処理負荷、メモリ容量など)などをディスプレイ(図示せず)に表示出力してもよい。なお、サーバ200は、サーバ200とネットワークにより接続された他の装置にこれらの情報を送信してもよい。事業者は、例えば、サーバ200から出力された内容に基づいて、配信対象を選択し、サーバ200に指示する。
また、上述の通り、配信決定部213は、選択された配信対象の情報、すなわち、モデル生成部211が生成した統計モデルを定義するモデル定義情報と当該統計モデルを用いた推定のために必要とされる特徴量の取得条件の配信先の装置を決定する。配信決定部213は、当該統計モデルの生成のためのデータを送信した推定装置100に限らず、他の推定装置100を配信先として決定してもよい。配信決定部213は、ユーザによる指定にしたがって、配信先の推定装置100を決定してもよいし、予め定められたルールにしたがって、配信先の推定装置100を決定してもよい。
配信決定部213による配信対象及び配信先の決定により、推定サービスを提供する事業者は所望の配信を実現することができる。
送受信制御部210は、配信決定部213の決定にしたがい、選択された配信対象の情報を更新データとして、推定装置100へと送信する。
送受信制御部210は、配信決定部213の決定にしたがい、選択された配信対象の情報を更新データとして、推定装置100へと送信する。
次に、サーバ200の動作の流れを説明する。図11は、サーバ200の動作の流れを示すフローチャートである。以下、図11に沿って動作の流れを説明する。
ステップ200(S200)において、送受信制御部210は、推定装置100が送信した学習用データ(収集モードのデータ取得部160が取得したデータ)を取得する。
次に、ステップ201(S201)において、モデル生成部211は、は、ステップ200で取得した学習用データを用いて、新たな統計モデルの生成処理を行う。
次に、ステップ202(S202)において、テスト部212は、ステップ201で生成した統計モデルを、推定装置100のリソースを模した環境でテストする。
次に、ステップ203(S203)において、配信決定部213は、配信対象の更新データ(モデル定義情報及び特徴量の取得条件)を決定するとともに、更新データの配信先を決定する。
次に、ステップ204(S204)において、送受信制御部210は、ステップ203の決定にしたがって、更新データを推定装置100に送信する。
次に、ステップ201(S201)において、モデル生成部211は、は、ステップ200で取得した学習用データを用いて、新たな統計モデルの生成処理を行う。
次に、ステップ202(S202)において、テスト部212は、ステップ201で生成した統計モデルを、推定装置100のリソースを模した環境でテストする。
次に、ステップ203(S203)において、配信決定部213は、配信対象の更新データ(モデル定義情報及び特徴量の取得条件)を決定するとともに、更新データの配信先を決定する。
次に、ステップ204(S204)において、送受信制御部210は、ステップ203の決定にしたがって、更新データを推定装置100に送信する。
上述した通り、推定装置100では、算出した特徴量が既存の統計モデルに対応していない場合、推定モードから収集モードへとモードが切り替わり、推定モード時の取得条件とは異なる取得条件でデータを取得できる。このため、既存のモデルでは推定ができない新たな状態を推定するためのモデルを作成するためのデータを取得することができる。
また、サーバ200は、生成した統計モデルについて、推定装置100の実行環境を模した環境において、検証する。このため、推定装置100における動作を保証することができる。
また、サーバ200は、生成した統計モデルについて、推定装置100の実行環境を模した環境において、検証する。このため、推定装置100における動作を保証することができる。
なお、上記実施の形態では、図7に示した構成要素及び図10に示した構成要素がプログラムの実行により実現されるものとして説明した。しかしながら、これらの構成要素の一部又は全てがハードウェア回路の処理として実現されてもよい。
また、上述したプログラム及び後述するプログラムは、様々なタイプの非一時的なコンピュータ可読媒体を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体(例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ)、光磁気記録媒体(例えば光磁気ディスク)、CD−ROM(Read Only Memory)、CD−R、CD−R/W、半導体メモリ(例えば、マスクROM、PROM(Programmable ROM)、EPROM(Erasable PROM)、フラッシュROM、RAM(Random Access Memory))を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。
以上、本発明者によってなされた発明を実施の形態に基づき具体的に説明したが、本発明は既に述べた実施の形態に限定されるものではなく、その要旨を逸脱しない範囲において種々の変更が可能であることはいうまでもない。
例えば、上記の実施形態の一部又は全部は、以下の付記のようにも記載され得るが、以下には限られない。
(付記1)
推定種別毎の統計モデルを定義するモデル定義情報と、当該統計モデルを用いた推定のために必要とされる特徴量の取得条件とを記憶する記憶部と、
第1のモードにおいて、前記取得条件に従って、センサ信号から特徴量を取得し、第2のモードにおいて、前記取得条件とは異なる条件に従って、新たな統計モデルを生成するためのデータをセンサ信号から取得するデータ取得部と、
前記第1のモードにおいて前記データ取得部が取得した前記特徴量が、前記モデル定義情報により規定される要件を満たすか否かを判定する判定部と、
前記特徴量が前記要件を満たさないとの前記判定部による判定結果に応じて、前記第1のモードから前記第2のモードへと、前記データ取得部のモードを変更するモード変更部と
を有する情報処理装置。
(付記2)
前記モデル定義情報は、前記推定種別に応じた前記特徴量の範囲を定義する情報を含み、
前記判定部は、前記データ取得部が取得した前記特徴量が、前記モデル定義情報が規定する前記範囲内であるか否かを判定し、
前記モード変更部は、前記特徴量が前記範囲内ではないとの前記判定部による判定結果に応じて、前記第1のモードから前記第2のモードへと、前記データ取得部のモードを変更する
付記1に記載の情報処理装置。
(付記3)
前記統計モデルは、1つ以上の内部状態を有し、
前記推定種別に応じた前記特徴量の範囲を定義する情報は、前記内部状態毎に前記特徴量の範囲を定義する情報であり、
前記モデル定義情報は、さらに、前記内部状態の遷移確率を定義する情報を含み、
前記判定部は、第1の判定と第2の判定を行い、
前記第1の判定は、前記データ取得部が取得した前記特徴量が前記モデル定義情報が規定する前記範囲内であるか否かの判定であり、
前記第2の判定は、前記データ取得部が所定の期間の間に取得した前記特徴量の時系列データに基づいて算出される前記内部状態の遷移確率と、前記モデル定義情報が規定する前記内部状態の遷移確率との一致度合いの判定であり、
前記モード変更部は、前記第1の判定又は前記第2の判定の結果に応じて、前記第1のモードから前記第2のモードへと、前記データ取得部のモードを変更する
付記2に記載の情報処理装置。
(付記4)
前記モード変更部は、所定の期間の前記特徴量の時系列データに対する前記判定部による全ての判定結果のうち、前記特徴量が前記範囲内ではないとの前記判定部による判定結果の割合が、所定の基準を満たす場合、前記第1のモードから前記第2のモードへと、前記データ取得部のモードを変更する
付記2に記載の情報処理装置。
(付記5)
前記統計モデルは隠れマルコフモデルである
付記3に記載の情報処理装置。
(付記6)
前記記憶部は、前記推定種別毎の前記モデル定義情報及び前記取得条件を管理するデータベースを記憶し、
前記データベースが有する前記取得条件は、
前記センサ信号を得るために用いられるセンサを特定するセンサ特定情報と、
前記センサ特定情報により特定されたセンサの測定条件を指定するセンシング条件と、
前記特徴量を取得するためのフィルタ処理の条件を指定するフィルタ条件と
を含む付記1に記載の情報処理装置。
(付記7)
前記データベースについての更新データを登録する登録部
をさらに有する付記6に記載の情報処理装置。
(付記8)
センサの異常を検出するセンサ異常検出部をさらに有し、
前記モード変更部は、前記センサ異常検出部が前記センサの異常を検出していない場合に限り、前記特徴量が前記要件を満たさないとの前記判定部による判定結果に応じて、前記第1のモードから前記第2のモードへと、前記データ取得部のモードを変更する
付記1に記載の情報処理装置。
(付記9)
前記データ取得部は、前記センサ信号のサンプリングデータから前記特徴量を取得し、
前記第1のモードと前記第2のモードは、前記センサ信号のサンプリングレートが異なる
付記1に記載の情報処理装置。
(付記10)
前記第2のモードにおける前記サンプリングレートは、設定可能な最大値である
付記9に記載の情報処理装置。
(付記11)
前記第2のモードにおける前記サンプリングレートは、前記第1のモードにおけるサンプリングレートよりも大きい
付記9に記載の情報処理装置。
(付記12)
前記データ取得部は、前記特徴量を取得するためにフィルタ処理を行い、
前記第1のモードと前記第2のモードは、前記フィルタ処理の処理内容が異なる
付記1に記載の情報処理装置。
(付記13)
前記第2のモードにおける前記データ取得部が取得したデータを、新たな統計モデルの生成処理を行う他の装置に送信するよう制御する送信制御部をさらに有する
付記1に記載の情報処理装置。
(付記14)
前記統計モデルと、前記特徴量とに基づいて、推定を行う推定部をさらに有する
付記1に記載の情報処理装置。
(付記15)
前記統計モデルは疾病の種類毎のモデルであり、
前記推定部は、生体における疾病の発病を推定する
付記14に記載の情報処理装置。
(付記16)
前記センサ信号を生成するセンサをさらに有する
付記1に記載の情報処理装置。
(付記17)
前記データ取得部は、前記第1のモードにおいて、ある1つの特徴量を取得する際、同一時刻に測定された複数の前記センサ信号から当該特徴量を取得する
付記1に記載の情報処理装置。
(付記18)
前記データ取得部は、前記第1のモードにおいて、1つ以上のセンサ信号から複数の特徴量を取得する
付記1に記載の情報処理装置。
(付記19)
前記情報処理装置が備えるセンサのうち、前記取得条件に従った前記センサ信号の生成に不要であるセンサへの電力の供給を制限する機能を有する
付記16に記載の情報処理装置。
(付記20)
情報処理装置とサーバとを備え、
前記情報処理装置は、
推定種別毎の統計モデルを定義するモデル定義情報と、当該統計モデルを用いた推定のために必要とされる特徴量の取得条件とを記憶する記憶部と、
第1のモードにおいて、前記取得条件に従って、センサ信号から特徴量を取得し、第2のモードにおいて、前記取得条件とは異なる条件に従って、新たな統計モデルを生成するためのデータをセンサ信号から取得するデータ取得部と、
前記第1のモードにおいて前記データ取得部が取得した前記特徴量が、前記モデル定義情報により規定される要件を満たすか否かを判定する判定部と、
前記特徴量が前記要件を満たさないとの前記判定部による判定結果に応じて、前記第1のモードから前記第2のモードへと、前記データ取得部のモードを変更するモード変更部と、
を有し、
前記サーバは、
前記第2のモードにおける前記データ取得部が取得したデータを用いて、新たな統計モデルの生成処理を行うモデル生成部と、
前記モデル生成部が生成した統計モデルを、前記情報処理装置のリソースを模した環境でテストするテスト部と
を有する情報処理システム。
(付記21)
前記テスト部は、前記情報処理装置の演算能力以下の演算能力の実行環境によりテストを実行する
付記20に記載の情報処理システム。
(付記22)
前記テスト部は、前記情報処理装置のメモリ容量以下のメモリ容量の実行環境によりテストを実行する
付記20に記載の情報処理システム。
(付記23)
前記記憶部が記憶する推定種別毎の統計モデルのモデル定義情報及び特徴量の取得条件はデータベースにより管理され、
前記テスト部は、前記記憶部が既に記憶しているモデル定義情報及び特徴量の取得条件に加え、前記モデル生成部が生成した新たな統計モデルのモデル定義情報及び当該新たな統計モデルを用いた推定のために必要とされる特徴量の取得条件を含むデータベースを用いて、テストを実行する
付記20に記載の情報処理システム。
(付記24)
前記サーバは、
前記モデル生成部が生成した統計モデルを定義するモデル定義情報と当該統計モデルを用いた推定のために必要とされる特徴量の取得条件の配信先の装置を決定する配信決定部をさらに有する
付記20に記載の情報処理システム。
(付記25)
推定種別毎の統計モデルを定義するモデル定義情報と、当該統計モデルを用いた推定のために必要とされる特徴量の取得条件とを記憶する記憶部に記憶された前記取得条件に従って、第1のモードにおいて、センサ信号から特徴量を取得し、第2のモードにおいて、前記取得条件とは異なる条件に従って、新たな統計モデルを生成するためのデータをセンサ信号から取得するデータ取得ステップと、
前記第1のモードにおいて前記データ取得ステップで取得した前記特徴量が、前記モデル定義情報により規定される要件を満たすか否かを判定する判定ステップと、
前記特徴量が前記要件を満たさないとの前記判定ステップでの判定結果に応じて、前記第1のモードから前記第2のモードへと、モードを変更するモード変更ステップと
をコンピュータに実行させるプログラム。
推定種別毎の統計モデルを定義するモデル定義情報と、当該統計モデルを用いた推定のために必要とされる特徴量の取得条件とを記憶する記憶部と、
第1のモードにおいて、前記取得条件に従って、センサ信号から特徴量を取得し、第2のモードにおいて、前記取得条件とは異なる条件に従って、新たな統計モデルを生成するためのデータをセンサ信号から取得するデータ取得部と、
前記第1のモードにおいて前記データ取得部が取得した前記特徴量が、前記モデル定義情報により規定される要件を満たすか否かを判定する判定部と、
前記特徴量が前記要件を満たさないとの前記判定部による判定結果に応じて、前記第1のモードから前記第2のモードへと、前記データ取得部のモードを変更するモード変更部と
を有する情報処理装置。
(付記2)
前記モデル定義情報は、前記推定種別に応じた前記特徴量の範囲を定義する情報を含み、
前記判定部は、前記データ取得部が取得した前記特徴量が、前記モデル定義情報が規定する前記範囲内であるか否かを判定し、
前記モード変更部は、前記特徴量が前記範囲内ではないとの前記判定部による判定結果に応じて、前記第1のモードから前記第2のモードへと、前記データ取得部のモードを変更する
付記1に記載の情報処理装置。
(付記3)
前記統計モデルは、1つ以上の内部状態を有し、
前記推定種別に応じた前記特徴量の範囲を定義する情報は、前記内部状態毎に前記特徴量の範囲を定義する情報であり、
前記モデル定義情報は、さらに、前記内部状態の遷移確率を定義する情報を含み、
前記判定部は、第1の判定と第2の判定を行い、
前記第1の判定は、前記データ取得部が取得した前記特徴量が前記モデル定義情報が規定する前記範囲内であるか否かの判定であり、
前記第2の判定は、前記データ取得部が所定の期間の間に取得した前記特徴量の時系列データに基づいて算出される前記内部状態の遷移確率と、前記モデル定義情報が規定する前記内部状態の遷移確率との一致度合いの判定であり、
前記モード変更部は、前記第1の判定又は前記第2の判定の結果に応じて、前記第1のモードから前記第2のモードへと、前記データ取得部のモードを変更する
付記2に記載の情報処理装置。
(付記4)
前記モード変更部は、所定の期間の前記特徴量の時系列データに対する前記判定部による全ての判定結果のうち、前記特徴量が前記範囲内ではないとの前記判定部による判定結果の割合が、所定の基準を満たす場合、前記第1のモードから前記第2のモードへと、前記データ取得部のモードを変更する
付記2に記載の情報処理装置。
(付記5)
前記統計モデルは隠れマルコフモデルである
付記3に記載の情報処理装置。
(付記6)
前記記憶部は、前記推定種別毎の前記モデル定義情報及び前記取得条件を管理するデータベースを記憶し、
前記データベースが有する前記取得条件は、
前記センサ信号を得るために用いられるセンサを特定するセンサ特定情報と、
前記センサ特定情報により特定されたセンサの測定条件を指定するセンシング条件と、
前記特徴量を取得するためのフィルタ処理の条件を指定するフィルタ条件と
を含む付記1に記載の情報処理装置。
(付記7)
前記データベースについての更新データを登録する登録部
をさらに有する付記6に記載の情報処理装置。
(付記8)
センサの異常を検出するセンサ異常検出部をさらに有し、
前記モード変更部は、前記センサ異常検出部が前記センサの異常を検出していない場合に限り、前記特徴量が前記要件を満たさないとの前記判定部による判定結果に応じて、前記第1のモードから前記第2のモードへと、前記データ取得部のモードを変更する
付記1に記載の情報処理装置。
(付記9)
前記データ取得部は、前記センサ信号のサンプリングデータから前記特徴量を取得し、
前記第1のモードと前記第2のモードは、前記センサ信号のサンプリングレートが異なる
付記1に記載の情報処理装置。
(付記10)
前記第2のモードにおける前記サンプリングレートは、設定可能な最大値である
付記9に記載の情報処理装置。
(付記11)
前記第2のモードにおける前記サンプリングレートは、前記第1のモードにおけるサンプリングレートよりも大きい
付記9に記載の情報処理装置。
(付記12)
前記データ取得部は、前記特徴量を取得するためにフィルタ処理を行い、
前記第1のモードと前記第2のモードは、前記フィルタ処理の処理内容が異なる
付記1に記載の情報処理装置。
(付記13)
前記第2のモードにおける前記データ取得部が取得したデータを、新たな統計モデルの生成処理を行う他の装置に送信するよう制御する送信制御部をさらに有する
付記1に記載の情報処理装置。
(付記14)
前記統計モデルと、前記特徴量とに基づいて、推定を行う推定部をさらに有する
付記1に記載の情報処理装置。
(付記15)
前記統計モデルは疾病の種類毎のモデルであり、
前記推定部は、生体における疾病の発病を推定する
付記14に記載の情報処理装置。
(付記16)
前記センサ信号を生成するセンサをさらに有する
付記1に記載の情報処理装置。
(付記17)
前記データ取得部は、前記第1のモードにおいて、ある1つの特徴量を取得する際、同一時刻に測定された複数の前記センサ信号から当該特徴量を取得する
付記1に記載の情報処理装置。
(付記18)
前記データ取得部は、前記第1のモードにおいて、1つ以上のセンサ信号から複数の特徴量を取得する
付記1に記載の情報処理装置。
(付記19)
前記情報処理装置が備えるセンサのうち、前記取得条件に従った前記センサ信号の生成に不要であるセンサへの電力の供給を制限する機能を有する
付記16に記載の情報処理装置。
(付記20)
情報処理装置とサーバとを備え、
前記情報処理装置は、
推定種別毎の統計モデルを定義するモデル定義情報と、当該統計モデルを用いた推定のために必要とされる特徴量の取得条件とを記憶する記憶部と、
第1のモードにおいて、前記取得条件に従って、センサ信号から特徴量を取得し、第2のモードにおいて、前記取得条件とは異なる条件に従って、新たな統計モデルを生成するためのデータをセンサ信号から取得するデータ取得部と、
前記第1のモードにおいて前記データ取得部が取得した前記特徴量が、前記モデル定義情報により規定される要件を満たすか否かを判定する判定部と、
前記特徴量が前記要件を満たさないとの前記判定部による判定結果に応じて、前記第1のモードから前記第2のモードへと、前記データ取得部のモードを変更するモード変更部と、
を有し、
前記サーバは、
前記第2のモードにおける前記データ取得部が取得したデータを用いて、新たな統計モデルの生成処理を行うモデル生成部と、
前記モデル生成部が生成した統計モデルを、前記情報処理装置のリソースを模した環境でテストするテスト部と
を有する情報処理システム。
(付記21)
前記テスト部は、前記情報処理装置の演算能力以下の演算能力の実行環境によりテストを実行する
付記20に記載の情報処理システム。
(付記22)
前記テスト部は、前記情報処理装置のメモリ容量以下のメモリ容量の実行環境によりテストを実行する
付記20に記載の情報処理システム。
(付記23)
前記記憶部が記憶する推定種別毎の統計モデルのモデル定義情報及び特徴量の取得条件はデータベースにより管理され、
前記テスト部は、前記記憶部が既に記憶しているモデル定義情報及び特徴量の取得条件に加え、前記モデル生成部が生成した新たな統計モデルのモデル定義情報及び当該新たな統計モデルを用いた推定のために必要とされる特徴量の取得条件を含むデータベースを用いて、テストを実行する
付記20に記載の情報処理システム。
(付記24)
前記サーバは、
前記モデル生成部が生成した統計モデルを定義するモデル定義情報と当該統計モデルを用いた推定のために必要とされる特徴量の取得条件の配信先の装置を決定する配信決定部をさらに有する
付記20に記載の情報処理システム。
(付記25)
推定種別毎の統計モデルを定義するモデル定義情報と、当該統計モデルを用いた推定のために必要とされる特徴量の取得条件とを記憶する記憶部に記憶された前記取得条件に従って、第1のモードにおいて、センサ信号から特徴量を取得し、第2のモードにおいて、前記取得条件とは異なる条件に従って、新たな統計モデルを生成するためのデータをセンサ信号から取得するデータ取得ステップと、
前記第1のモードにおいて前記データ取得ステップで取得した前記特徴量が、前記モデル定義情報により規定される要件を満たすか否かを判定する判定ステップと、
前記特徴量が前記要件を満たさないとの前記判定ステップでの判定結果に応じて、前記第1のモードから前記第2のモードへと、モードを変更するモード変更ステップと
をコンピュータに実行させるプログラム。
1 情報処理装置
2 記憶部
3 データ取得部
4 判定部
5 モード変更部
10 情報処理システム
50 統計モデル
100 推定装置
150 データベース
151 送受信制御部
152 推定部
153 センサ異常検出部
154 モード変更部
160 データ取得部
161 設定部
162 取得制御部
163 グループ化部
164 フィルタ処理部
165 特徴量算出部
170 判定部
171 特徴量範囲判定部
172 遷移確率算出部
173 遷移確率判定部
200 サーバ
210 送受信制御部
211 モデル生成部
212 テスト部
213 配信決定部
2 記憶部
3 データ取得部
4 判定部
5 モード変更部
10 情報処理システム
50 統計モデル
100 推定装置
150 データベース
151 送受信制御部
152 推定部
153 センサ異常検出部
154 モード変更部
160 データ取得部
161 設定部
162 取得制御部
163 グループ化部
164 フィルタ処理部
165 特徴量算出部
170 判定部
171 特徴量範囲判定部
172 遷移確率算出部
173 遷移確率判定部
200 サーバ
210 送受信制御部
211 モデル生成部
212 テスト部
213 配信決定部
Claims (20)
- 推定種別毎の統計モデルを定義するモデル定義情報と、当該統計モデルを用いた推定のために必要とされる特徴量の取得条件とを記憶する記憶部と、
第1のモードにおいて、前記取得条件に従って、センサ信号から特徴量を取得し、第2のモードにおいて、前記取得条件とは異なる条件に従って、新たな統計モデルを生成するためのデータをセンサ信号から取得するデータ取得部と、
前記第1のモードにおいて前記データ取得部が取得した前記特徴量が、前記モデル定義情報により規定される要件を満たすか否かを判定する判定部と、
前記特徴量が前記要件を満たさないとの前記判定部による判定結果に応じて、前記第1のモードから前記第2のモードへと、前記データ取得部のモードを変更するモード変更部と
を有する情報処理装置。 - 前記モデル定義情報は、前記推定種別に応じた前記特徴量の範囲を定義する情報を含み、
前記判定部は、前記データ取得部が取得した前記特徴量が、前記モデル定義情報が規定する前記範囲内であるか否かを判定し、
前記モード変更部は、前記特徴量が前記範囲内ではないとの前記判定部による判定結果に応じて、前記第1のモードから前記第2のモードへと、前記データ取得部のモードを変更する
請求項1に記載の情報処理装置。 - 前記統計モデルは、1つ以上の内部状態を有し、
前記推定種別に応じた前記特徴量の範囲を定義する情報は、前記内部状態毎に前記特徴量の範囲を定義する情報であり、
前記モデル定義情報は、さらに、前記内部状態の遷移確率を定義する情報を含み、
前記判定部は、第1の判定と第2の判定を行い、
前記第1の判定は、前記データ取得部が取得した前記特徴量が前記モデル定義情報が規定する前記範囲内であるか否かの判定であり、
前記第2の判定は、前記データ取得部が所定の期間の間に取得した前記特徴量の時系列データに基づいて算出される前記内部状態の遷移確率と、前記モデル定義情報が規定する前記内部状態の遷移確率との一致度合いの判定であり、
前記モード変更部は、前記第1の判定又は前記第2の判定の結果に応じて、前記第1のモードから前記第2のモードへと、前記データ取得部のモードを変更する
請求項2に記載の情報処理装置。 - 前記モード変更部は、所定の期間の前記特徴量の時系列データに対する前記判定部による全ての判定結果のうち、前記特徴量が前記範囲内ではないとの前記判定部による判定結果の割合が、所定の基準を満たす場合、前記第1のモードから前記第2のモードへと、前記データ取得部のモードを変更する
請求項2に記載の情報処理装置。 - 前記統計モデルは隠れマルコフモデルである
請求項3に記載の情報処理装置。 - 前記記憶部は、前記推定種別毎の前記モデル定義情報及び前記取得条件を管理するデータベースを記憶し、
前記データベースが有する前記取得条件は、
前記センサ信号を得るために用いられるセンサを特定するセンサ特定情報と、
前記センサ特定情報により特定されたセンサの測定条件を指定するセンシング条件と、
前記特徴量を取得するためのフィルタ処理の条件を指定するフィルタ条件と
を含む請求項1に記載の情報処理装置。 - 前記データベースについての更新データを登録する登録部
をさらに有する請求項6に記載の情報処理装置。 - センサの異常を検出するセンサ異常検出部をさらに有し、
前記モード変更部は、前記センサ異常検出部が前記センサの異常を検出していない場合に限り、前記特徴量が前記要件を満たさないとの前記判定部による判定結果に応じて、前記第1のモードから前記第2のモードへと、前記データ取得部のモードを変更する
請求項1に記載の情報処理装置。 - 前記データ取得部は、前記センサ信号のサンプリングデータから前記特徴量を取得し、
前記第1のモードと前記第2のモードは、前記センサ信号のサンプリングレートが異なる
請求項1に記載の情報処理装置。 - 前記第2のモードにおける前記サンプリングレートは、設定可能な最大値である
請求項9に記載の情報処理装置。 - 前記第2のモードにおける前記サンプリングレートは、前記第1のモードにおけるサンプリングレートよりも大きい
請求項9に記載の情報処理装置。 - 前記データ取得部は、前記特徴量を取得するためにフィルタ処理を行い、
前記第1のモードと前記第2のモードは、前記フィルタ処理の処理内容が異なる
請求項1に記載の情報処理装置。 - 前記第2のモードにおける前記データ取得部が取得したデータを、新たな統計モデルの生成処理を行う他の装置に送信するよう制御する送信制御部をさらに有する
請求項1に記載の情報処理装置。 - 前記データ取得部は、前記第1のモードにおいて、ある1つの特徴量を取得する際、同一時刻に測定された複数の前記センサ信号から当該特徴量を取得する
請求項1に記載の情報処理装置。 - 前記データ取得部は、前記第1のモードにおいて、1つ以上のセンサ信号から複数の特徴量を取得する
請求項1に記載の情報処理装置。 - 情報処理装置とサーバとを備え、
前記情報処理装置は、
推定種別毎の統計モデルを定義するモデル定義情報と、当該統計モデルを用いた推定のために必要とされる特徴量の取得条件とを記憶する記憶部と、
第1のモードにおいて、前記取得条件に従って、センサ信号から特徴量を取得し、第2のモードにおいて、前記取得条件とは異なる条件に従って、新たな統計モデルを生成するためのデータをセンサ信号から取得するデータ取得部と、
前記第1のモードにおいて前記データ取得部が取得した前記特徴量が、前記モデル定義情報により規定される要件を満たすか否かを判定する判定部と、
前記特徴量が前記要件を満たさないとの前記判定部による判定結果に応じて、前記第1のモードから前記第2のモードへと、前記データ取得部のモードを変更するモード変更部と、
を有し、
前記サーバは、
前記第2のモードにおける前記データ取得部が取得したデータを用いて、新たな統計モデルの生成処理を行うモデル生成部と、
前記モデル生成部が生成した統計モデルを、前記情報処理装置のリソースを模した環境でテストするテスト部と
を有する情報処理システム。 - 前記テスト部は、前記情報処理装置の演算能力以下の演算能力の実行環境によりテストを実行する
請求項16に記載の情報処理システム。 - 前記テスト部は、前記情報処理装置のメモリ容量以下のメモリ容量の実行環境によりテストを実行する
請求項16に記載の情報処理システム。 - 前記記憶部が記憶する推定種別毎の統計モデルのモデル定義情報及び特徴量の取得条件はデータベースにより管理され、
前記テスト部は、前記記憶部が既に記憶しているモデル定義情報及び特徴量の取得条件に加え、前記モデル生成部が生成した新たな統計モデルのモデル定義情報及び当該新たな統計モデルを用いた推定のために必要とされる特徴量の取得条件を含むデータベースを用いて、テストを実行する
請求項16に記載の情報処理システム。 - 推定種別毎の統計モデルを定義するモデル定義情報と、当該統計モデルを用いた推定のために必要とされる特徴量の取得条件とを記憶する記憶部に記憶された前記取得条件に従って、第1のモードにおいて、センサ信号から特徴量を取得し、第2のモードにおいて、前記取得条件とは異なる条件に従って、新たな統計モデルを生成するためのデータをセンサ信号から取得するデータ取得ステップと、
前記第1のモードにおいて前記データ取得ステップで取得した前記特徴量が、前記モデル定義情報により規定される要件を満たすか否かを判定する判定ステップと、
前記特徴量が前記要件を満たさないとの前記判定ステップでの判定結果に応じて、前記第1のモードから前記第2のモードへと、モードを変更するモード変更ステップと
をコンピュータに実行させるプログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018144706A JP7016302B2 (ja) | 2018-08-01 | 2018-08-01 | 情報処理装置、情報処理システム、及びプログラム |
US16/518,356 US20200042836A1 (en) | 2018-08-01 | 2019-07-22 | Information processing device, information processing systems, and programs |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018144706A JP7016302B2 (ja) | 2018-08-01 | 2018-08-01 | 情報処理装置、情報処理システム、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020021292A true JP2020021292A (ja) | 2020-02-06 |
JP7016302B2 JP7016302B2 (ja) | 2022-02-04 |
Family
ID=69228122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018144706A Active JP7016302B2 (ja) | 2018-08-01 | 2018-08-01 | 情報処理装置、情報処理システム、及びプログラム |
Country Status (2)
Country | Link |
---|---|
US (1) | US20200042836A1 (ja) |
JP (1) | JP7016302B2 (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021241487A1 (ja) * | 2020-05-25 | 2021-12-02 | 国立大学法人東北大学 | タイミング予測方法、タイミング予測装置、タイミング予測システム、プログラム及び建設機械システム |
WO2022230532A1 (ja) * | 2021-04-26 | 2022-11-03 | ナブテスコ株式会社 | 診断システム |
WO2023218517A1 (ja) * | 2022-05-10 | 2023-11-16 | 日本電信電話株式会社 | サーバモニタリング装置、サーバモニタリングシステム、サーバモニタリング方法、およびプログラム |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6792043B1 (ja) * | 2019-10-18 | 2020-11-25 | 株式会社安川電機 | 事象推定システム及び事象推定方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015158421A (ja) * | 2014-02-24 | 2015-09-03 | 株式会社デンソー | 補正値生成装置、故障診断装置、補正値生成プログラム、および故障診断プログラム |
JP2016081355A (ja) * | 2014-10-17 | 2016-05-16 | キヤノン株式会社 | 異常検知方法、異常検知装置、及びプログラム |
JP2016157329A (ja) * | 2015-02-25 | 2016-09-01 | 三菱重工業株式会社 | プラント運転支援システム及びプラント運転支援方法 |
-
2018
- 2018-08-01 JP JP2018144706A patent/JP7016302B2/ja active Active
-
2019
- 2019-07-22 US US16/518,356 patent/US20200042836A1/en not_active Abandoned
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015158421A (ja) * | 2014-02-24 | 2015-09-03 | 株式会社デンソー | 補正値生成装置、故障診断装置、補正値生成プログラム、および故障診断プログラム |
JP2016081355A (ja) * | 2014-10-17 | 2016-05-16 | キヤノン株式会社 | 異常検知方法、異常検知装置、及びプログラム |
JP2016157329A (ja) * | 2015-02-25 | 2016-09-01 | 三菱重工業株式会社 | プラント運転支援システム及びプラント運転支援方法 |
EP3260942A1 (en) * | 2015-02-25 | 2017-12-27 | Mitsubishi Heavy Industries, Ltd. | Plant operation assistance system and plant operation assistance method |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021241487A1 (ja) * | 2020-05-25 | 2021-12-02 | 国立大学法人東北大学 | タイミング予測方法、タイミング予測装置、タイミング予測システム、プログラム及び建設機械システム |
WO2022230532A1 (ja) * | 2021-04-26 | 2022-11-03 | ナブテスコ株式会社 | 診断システム |
WO2023218517A1 (ja) * | 2022-05-10 | 2023-11-16 | 日本電信電話株式会社 | サーバモニタリング装置、サーバモニタリングシステム、サーバモニタリング方法、およびプログラム |
Also Published As
Publication number | Publication date |
---|---|
US20200042836A1 (en) | 2020-02-06 |
JP7016302B2 (ja) | 2022-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2020021292A (ja) | 情報処理装置、情報処理システム、及びプログラム | |
CN107647860B (zh) | 一种心率检测方法、装置、电子设备及存储介质 | |
US10390730B1 (en) | Methods, systems, and devices for determining a respiration rate | |
EP3076865B1 (en) | Heart rate monitor device | |
JP2016529606A (ja) | 習慣を用いた診断装置及び診断管理装置及び方法 | |
EP3361937A1 (en) | System and method for predicting heart failure decompensation | |
CN111919242A (zh) | 用于处理多个信号的***和方法 | |
JP2013148996A (ja) | 重症度判定装置、及び、重症度判定方法 | |
JP6869147B2 (ja) | 計算機及び計算機システム | |
CN105593860A (zh) | 患者健康状态复合评分分布和/或基于其的代表性复合评分 | |
US20170344893A1 (en) | Method for Complex Events Detection using Hidden Markov Models | |
CN107811610B (zh) | 一种呼吸率检测方法、装置、电子设备及存储介质 | |
KR20200042373A (ko) | 우울증 진단을 위한 뇌파 변이도 분석 장치 및 그 방법 | |
US20170367660A1 (en) | Output method, output device, and computer-readable recording medium | |
JP2017018176A (ja) | 出力装置、出力方法及び出力プログラム | |
JP2022124807A (ja) | 情報処理装置および検出方法 | |
US10172564B2 (en) | Apparatus, computer-readable medium, and method for detecting biological data of target patient from attachable sensor attached to target patient | |
JP5771238B2 (ja) | 同行判断装置、同行判断方法、およびプログラム | |
CN111163686B (zh) | 数据处理装置、数据处理方法以及数据处理程序 | |
KR20220158314A (ko) | 고위험 환자의 급작스러운 상태 악화를 예측하는 전자 장치 및 악화 예측 방법 | |
WO2018096630A1 (ja) | データ処理装置、コンピュータ読取可能媒体、データ処理方法、及びプログラム | |
EP4116991A1 (en) | A system and a method for predicting time of ovulation | |
KR102345646B1 (ko) | 가속도 정보를 처리하는 웨어러블 디바이스 및 방법 | |
US20180140193A1 (en) | Apparatus, computer-readable medium, and method for detecting biological data of target patient from attachable sensor attached to target patient | |
JP2016022165A (ja) | 心電図成分検出システム、心電図成分検出方法及びコンピュータプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210115 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20211228 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220111 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220125 |