JP5324743B2 - 心磁図の分類のための機械学習の使用 - Google Patents
心磁図の分類のための機械学習の使用 Download PDFInfo
- Publication number
- JP5324743B2 JP5324743B2 JP2006518791A JP2006518791A JP5324743B2 JP 5324743 B2 JP5324743 B2 JP 5324743B2 JP 2006518791 A JP2006518791 A JP 2006518791A JP 2006518791 A JP2006518791 A JP 2006518791A JP 5324743 B2 JP5324743 B2 JP 5324743B2
- Authority
- JP
- Japan
- Prior art keywords
- computer
- data
- controlled hardware
- kernel
- hardware means
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/242—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents
- A61B5/243—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents specially adapted for magnetocardiographic [MCG] signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
- A61B2560/04—Constructional details of apparatus
- A61B2560/0475—Special features of memory means, e.g. removable memory cards
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Fuzzy Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Data Mining & Analysis (AREA)
- Cardiology (AREA)
- Complex Calculations (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Image Analysis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Description
MCGデータは、互いに隣接する位置で4回の連続測定を行うことにより、胴体より上の36箇所で取得される。各位置において、結果的に36の別個の時系列となる1000Hzのサンプリング速度を用いて、9個のセンサが心臓磁界を90秒間測定する。虚血の診断においては、0.5Hz〜20Hzの帯域幅が必要であり、そのため6次ベッセル(Bessel)フィルタ特性を用いる100Hzでのハードウェアローパスフィルタが適用され、
同じ特性を用いるがより高次の、20Hzでの付加なデジタルローパスフィルタがそれに続いて適用される。残った確率的雑音成分を除去するために、心臓周期のRピークの最大値をトリガポイントとして用いて時系列全体が平均化される。自動分類に対しては、均等に間隔を空けた32のポイントに対するデータが測定データから補間される、心臓周期のJポイントとTピークとの間の時間窓からのデータ(非特許文献5)を使用した。トレーニングデータは、訓練を受けた熟練者ならば視覚的に分類することが容易な73の症例からなる。検査は、その心磁図が、訓練を受けた視覚的な分類を行う熟練者を惑わせたまたは混乱させた患者を含む、36の症例の組に対して行われた。
機械学習の目的は、知的意思決定の基本要素のいくつかをコンピュータに委ねることである。現在の形態では、機械学習の大部分は、ロバストな分類、回帰ツール、及び特徴選択方法の開発に基づいている。
1. 正規化:これは、データを比較できるようにするために必要である。これは通常、データをスケーリングして偏り(バイアス)を除くことを意味している。ただし、多くの選択肢がある;
2. 情報の局在化:ここで局在化とは、情報の大部分を含む係数(coefficient)が最初に示されるように、データを再構成する変換を適用することを意味する。1つの顕著な例が、情報の局所性も保持するウェーブレット変換である;
3. 特徴(feature)の選択:これは通常、既に変換されたデータに対して実行される。これは、情報をまったくまたはほとんど含まない係数を取り除いて、入力ドメインの次元の数を減少させることを意味する。これは学習の速度を上げるのに特に有用である;
4. カーネル変換:カーネル変換は、回帰モデルを非線形にする洗練された方法である。カーネルは、データセット自体のデータ間または他のデータ(例えば、サポートベクトル(非特許文献2))との間での、データセットにおける類似性指標を含む行列である。
上述の節で示した結果は、1152(36×32)個の記述子すべてを用いて取得したものであった。正確にどの時点でまたはどのウェーブレット信号で、及び各患者について異なる位置で測定された36の心磁図信号のどれに対して、良好なバイナリ分類に必要な最も重要な情報が位置付けられたかを識別できれば、このドメインの熟練者にとって最も情報が有益になるであろう。このような情報は特徴選択により導き出すことができる。
ここでは適用可能なすべての機械学習技術を概観するのではなく、最初に、線形問題及び非線形問題に対する最新の解決法であるサポートベクトルマシン(SVM)を単純には使用しない理由を説明する。上述したように、科学的には、安定した解を確実に得るために、所定の問題に対して等しく良好に実行される技術のクラスを見つけることが目標である。このクラスの中で、最適なモデルは、チューニングが容易で最速に実行されるものである。これらのモデルを標準としてのSVMと比較することが、あらゆる新しく開発された技術の性能を検証する助けとなる。
1. KFの階数の不足を主成分で修正する(特徴カーネルの固有ベクトルを算出する)ことによる(非特許文献18);
2. 正則化による。KFの代わりにKF+λIを使用する(リッジ回帰)(非特許文献17、20〜23);
3. 局所学習による。
MCGデータのバイナリ分類は困難な課題を提示しているが、MCGが実際の臨床において成功すべきものであるとすれば、その解決は重要である。SOM及びSVMなどの現存の機械学習技術をMCGデータに適用することにより、74%の予測精度という結果が得られた。データを最初にウェーブレットドメインに変換し、ウェーブレット係数に対してカーネル変換を付加的に適用することにより、またウェーブレット変換なしにカーネル変換のみを適用することによっても、非常に顕著な改善が達成された。これにより予測精度は83%まで向上した。
Claims (46)
- コンピュータ制御のハードウェアを用いた心磁図データ(magnetocardiography data)の自動的な分類のための方法であって、
前記コンピュータ制御のハードウェアが、患者の心臓に隣接し、胴体上の複数の位置において前記患者の心臓活動によって生じた磁界を感知する磁気センサから感知心磁図データを取得することと、
前記コンピュータ制御されたハードウェアが、前記磁気センサから取得した時系列の心磁図データである感知心磁図データに対してウェーブレット変換を適用して、ウェーブレットドメインデータを得ることと、
前記コンピュータ制御のハードウェアが、前記ウェーブレットドメインデータにカーネル変換を適用して、変換データを得ることと、
前記コンピュータ制御のハードウェアが、機械学習を用いて、前記変換されたデータの症例に基づく分類に関する熟練者の規準の定式化を行うことと、
を有し、
前記機械学習は、カーネル部分最小二乗(K−PLS)機械学習、直接カーネル部分最小二乗(DK−PLS)機械学習、最小二乗サポートベクトルマシン(LS−SVM)及びサポートベクトルマシン(SVM/SVMLib)の中の1つである、方法。 - 前記カーネル変換はMercer条件を満たす、請求項1に記載の方法。
- 前記カーネル変換はラジアル基底関数を有する、請求項1に記載の方法。
- 前記カーネル変換を適用することは、
前記コンピュータ制御のハードウェアが、前記変換データをニューラルネットワークの第1の隠れ層に割当てることと、
前記コンピュータ制御のハードウェアが、トレーニングデータ記述子(ディスクリプタ)を前記ニューラルネットワークの前記第1の隠れ層の重みとして適用することと、
前記コンピュータ制御のハードウェアが、前記ニューラルネットワークの第2の隠れ層の重みを数値的に算出することと、
を有する、請求項1に記載の方法。 - 前記第2の隠れ層の前記重みを数値的に算出することは、前記コンピュータ制御のハードウェアが、前記第2の隠れ層の前記重みをカーネルリッジ回帰を用いて算出することをさらに有する、請求項4に記載の方法。
- 前記カーネル変換を適用することは、前記コンピュータ制御のハードウェアが、直接カーネル変換を適用することを有する、請求項1に記載の方法。
- 前記サポートベクトルマシン(SVM/SVMLib)の場合に、前記コンピュータ制御のハードウェアは、n元のデータカーネルに対してSVMLib正則化(regularization)パラメータCをC=1/λに設定し、ここで前記λが前記nの(3/2)乗に比例する、請求項1に記載の方法。
- 前記ウェーブレットを適用することは、前記コンピュータ制御のハードウェアが、Daubechiesウェーブレット変換を前記感知心磁図データに適用することを有する、請求項1に記載の方法。
- 前記コンピュータ制御のハードウェアが、前記心磁図データの分類を改善する特徴(features)を前記ウェーブレットドメインデータから選択することをさらに有する、請求項1に記載の方法。
- 前記特徴を選択することは、前記コンピュータ制御のハードウェアが、前記ウェーブレットドメインデータから選択された望ましくない特徴を除去することをさらに有する、請求項10に記載の方法。
- 前記選択された望ましくない特徴を除去することは、前記コンピュータ制御のハードウェアが、前記ウェーブレットドメインデータから範囲外のデータを除去することを有する、請求項11に記載の方法。
- 前記選択された望ましくない特徴を除去することは、前記コンピュータ制御のハードウェアが、前記ウェーブレットドメインデータからカズン(cousin)記述子を除去することを有する、請求項11に記載の方法。
- 前記特徴を選択することは、前記コンピュータ制御のハードウェアが、前記ウェーブレットドメインデータから選択された望ましい特徴のみを保持することをさらに有する、請求項10に記載の方法。
- 前記選択された望ましい特徴のみを保持することは、
前記コンピュータ制御のハードウェアが、トレーニングデータセットを用いることと、
前記コンピュータ制御のハードウェアが、前記トレーニングセットのオーバートレーニングが存在しないことを確認するために妥当性検証データセット(validation data set)を用いることと、
をさらに有する、請求項14に記載の方法。 - 前記選択された望ましい特徴のみを保持することは、
前記コンピュータ制御のハードウェアが、遺伝的アルゴリズムを用いて前記トレーニングデータセットから最適な特徴のサブセットを取得することと、
前記コンピュータ制御のハードウェアが、前記妥当性検証データセットの性能を評価するために前記遺伝的アルゴリズムを用いることと、
をさらに有する、請求項15に記載の方法。 - 前記選択された望ましい特徴のみを保持することは、
前記コンピュータ制御のハードウェアが、前記特徴の予測される応答に関して、前記ウェーブレットドメインデータからの前記特徴の感度を測定することと、
前記コンピュータ制御のハードウェアが、前記特徴からの他の高感度の特徴と比較して相対的に低い感度を有する低感度の特徴を前記特徴から除去することと、
をさらに有する、請求項15に記載の方法。 - 前記特徴を選択することは、
前記コンピュータ制御のハードウェアが、前記ウェーブレットドメインデータから選択された望ましくない特徴を除去することと、
前記コンピュータ制御のハードウェアが、前記ウェーブレットドメインデータから選択された望ましい特徴のみを保持することと、
をさらに有する、請求項10に記載の方法。 - 前記コンピュータ制御のハードウェアが、前記感知心磁図データを正規化することをさらに有する、請求項1に記載の方法。
- 前記感知心磁図データを正規化することは、前記コンピュータ制御のハードウェアが、前記感知心磁図データをマハラノビス(Mahalanobis)スケーリングすることを有する、請求項19に記載の方法。
- 前記コンピュータ制御のハードウェアが、前記カーネル変換のカーネルをセンタリングすることをさらに有する、請求項1に記載の方法。
- 前記カーネルをセンタリングすることは、
前記コンピュータ制御のハードウェアが、トレーニングデータカーネルの各列から列平均を減算することと、
前記コンピュータ制御のハードウェアが、テストデータカーネルをセンタリングする際に、後のリコールのために前記列平均を保存することと、
前記コンピュータ制御のハードウェアが、前記トレーニングデータカーネルの各行から行平均を減算することと、
を有する、請求項21に記載の方法。 - 前記カーネルをセンタリングすることは、
前記コンピュータ制御のハードウェアが、前記保存された列平均を前記テストデータカ
ーネルの各列に加算することと、
前記コンピュータ制御のハードウェアが、各行に対して前記テストデータカーネルの平均を算出することと、
前記コンピュータ制御のハードウェアが、前記行平均を前記テストデータカーネルの各水平エントリから減算することと、
をさらに有する、請求項22に記載の方法。 - 心磁図データの自動的な分類のための装置であって、
患者の心臓に隣接し、胴体上の複数の位置において前記患者の心臓活動によって生じた磁界を感知する磁気センサから、感知心磁図データを取得する入力手段と、
前記磁気センサから取得した時系列の心磁図データである感知心磁図データに対してウェーブレット変換を適用して、ウェーブレットドメインデータを取得するコンピュータ制御のハードウェアの手段と、
前記ウェーブレットドメインデータにカーネル変換を適用して、変換データを取得するコンピュータ制御のハードウェアの手段と、
訓練を受けた機械学習を用いて前記変換データの症例に基づく分類に関する熟練者の基準の定式化を行う、コンピュータ制御のハードウェアの手段と、
を有し、
前記機械学習は、カーネル部分最小二乗(K−PLS)機械学習、直接カーネル部分最小二乗(DK−PLS)機械学習、最小二乗サポートベクトルマシン(LS−SVM)及びサポートベクトルマシン(SVM/SVMLib)の中の1つである、装置。 - カーネル変換がMercer条件を満たす、請求項24に記載の装置。
- 前記カーネル変換がラジアル基底関数を有する、請求項24に記載の装置。
- 前記カーネル変換を適用するコンピュータ制御のハードウェアの手段は、
前記変換データをニューラルネットワークの第1の隠れ層に割当てるコンピュータ制御のハードウェアの手段と、
トレーニングデータ記述子(ディスクリプタ)を前記ニューラルネットワークの前記第1の隠れ層の重みとして適用するコンピュータ制御のハードウェアの手段と、
前記ニューラルネットワークの第2の隠れ層の重みを数値的に算出するコンピュータ制御のハードウェアの手段と、
をさらに有する、請求項24に記載の装置。 - 前記第2の隠れ層の前記重みを数値的に算出する前記コンピュータ制御のハードウェアの手段は、前記第2の隠れ層の前記重みをカーネルリッジ回帰を用いて算出するコンピュータ制御のハードウェアの手段をさらに有する、請求項27に記載の装置。
- 前記カーネル変換を適用するコンピュータ制御のハードウェアの手段は、直接カーネル変換を適用するコンピュータ制御のハードウェアの手段をさらに有する、請求項24に記載の装置。
- 前記サポートベクトルマシン(SVM/SVMLib)の場合に、前記変換データを分類するコンピュータ制御のハードウェアの手段は、n元のデータカーネルに対してSVMLib正則化(regularization)パラメータCをC=1/λに設定するコンピュータ制御のハードウェアの手段をさらに含み、ここで前記λが前記nの(3/2)乗に比例する、請求項24に記載の装置。
- 前記感知心磁図データを前記ウェーブレットドメインに変換するコンピュータ制御のハードウェア手段は、Daubechiesウェーブレット変換を前記感知心磁図データに適用するコンピュータ制御のハードウェアの手段を有する、請求項24に記載の装置。
- 前記心磁図データの分類を改善する特徴(features)を前記ウェーブレットドメインデータから選択するコンピュータ制御のハードウェアの手段をさらに有する、請求項24に記載の装置。
- 前記特徴を選択するコンピュータ制御のハードウェアの手段は、前記ウェーブレットドメインデータから選択された望ましくない特徴を除去するコンピュータ制御のハードウェアの手段をさらに有する、請求項33に記載の装置。
- 前記選択された望ましくない特徴を除去するコンピュータ制御のハードウェアの手段は、前記ウェーブレットドメインデータから範囲外のデータを除去するコンピュータ制御のハードウェアの手段を有する、請求項34に記載の装置。
- 前記選択された望ましくない特徴を除去するコンピュータ制御のハードウェアの手段は、前記ウェーブレットドメインデータからカズン(cousin)記述子を除去するコンピュータ制御のハードウェアの手段を有する、請求項34に記載の装置。
- 前記特徴を選択するコンピュータ制御のハードウェアの手段は、前記ウェーブレットドメインデータから選択された望ましい特徴のみを保持するコンピュータ制御のハードウェアの手段をさらに有する、請求項33に記載の装置。
- 前記選択された望ましい特徴のみを保持するコンピュータ制御のハードウェアの手段は、
トレーニングデータセットを使用するコンピュータ制御のハードウェアの手段と、
前記トレーニングセットのオーバートレーニングが存在しないことを確認するために妥当性検証データセット(validation data set)を使用するコンピュータ制御のハードウェアの手段と、
をさらに有する、請求項37に記載の装置。 - 前記選択された望ましい特徴のみを保持するコンピュータ制御のハードウェアの手段は、
遺伝的アルゴリズムを用いて前記トレーニングデータセットから最適な特徴のサブセットを取得するコンピュータ制御のハードウェアの手段と、
前記妥当性検証データセットの性能を評価するために前記遺伝的アルゴリズムを用いるコンピュータ制御のハードウェアの手段と、
をさらに有する、請求項38に記載の装置。 - 前記選択された望ましい特徴のみを保持するコンピュータ制御のハードウェアの手段は、
前記特徴の予測される応答に関して、前記ウェーブレットドメインデータからの前記特徴の感度を測定するコンピュータ制御のハードウェアの手段と、
前記特徴からの他の高感度の特徴と比較して相対的に低い感度を有する低感度の特徴を前記特徴から除去するコンピュータ制御のハードウェアの手段と、
をさらに有する、請求項38に記載の装置。 - 前記特徴を選択するコンピュータ制御のハードウェアの手段は、
前記ウェーブレットドメインデータから選択された望ましくない特徴を除去するコンピュータ制御のハードウェアの手段と、
前記ウェーブレットドメインデータから選択された望ましい特徴のみを保持するコンピュータ制御のハードウェアの手段と、
をさらに有する、請求項33に記載の装置。 - 前記感知心磁図データを正規化するコンピュータ制御のハードウェアの手段をさらに有する、請求項24に記載の装置。
- 前記感知心磁図データを正規化するコンピュータ制御のハードウェアの手段は、前記感知心磁図データをマハラノビス(Mahalanobis)スケーリングするコンピュータ制御のハードウェアの手段を有する、請求項42に記載の装置。
- 前記カーネル変換のカーネルをセンタリングするコンピュータ制御のハードウェアの手段をさらに有する、請求項24に記載の装置。
- 前記カーネルをセンタリングするコンピュータ制御のハードウェアの手段は、
トレーニングデータカーネルの各列から列平均を減算するコンピュータ制御のハードウェアの手段と、
テストデータカーネルをセンタリングする際に後のリコールのために前記列平均を保存するコンピュータ制御のハードウェアの手段と、
前記トレーニングデータカーネルの各行から行平均を減算するコンピュータ制御のハードウェアの手段と、
を有する、請求項44に記載の装置。 - 前記カーネルをセンタリングするコンピュータ制御のハードウェアの手段は、
前記保存された列平均を前記テストデータカーネルの各列に加算するコンピュータ制御のハードウェアの手段と、
各行に対して前記テストデータカーネルの平均を算出するコンピュータ制御のハードウェアの手段と、
前記行平均を前記テストデータカーネルの各水平エントリから減算するコンピュータ制御のハードウェアの手段と、
をさらに有する、請求項45に記載の装置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US48396103P | 2003-07-01 | 2003-07-01 | |
US60/483,961 | 2003-07-01 | ||
PCT/US2004/021307 WO2005002313A2 (en) | 2003-07-01 | 2004-07-01 | Machine learning for classification of magneto cardiograms |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2007527266A JP2007527266A (ja) | 2007-09-27 |
JP5324743B2 true JP5324743B2 (ja) | 2013-10-23 |
Family
ID=33563955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2006518791A Expired - Fee Related JP5324743B2 (ja) | 2003-07-01 | 2004-07-01 | 心磁図の分類のための機械学習の使用 |
Country Status (7)
Country | Link |
---|---|
US (5) | US7742806B2 (ja) |
EP (1) | EP1638463A4 (ja) |
JP (1) | JP5324743B2 (ja) |
CN (2) | CN101926646B (ja) |
CA (1) | CA2542937A1 (ja) |
HK (2) | HK1095503A1 (ja) |
WO (1) | WO2005002313A2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015164833A1 (en) * | 2014-04-25 | 2015-10-29 | The Regents Of The University Of California | Methods for determining whether patient monitor alarms are true or false based on a multi resolution wavelet transform and inter-leads variability |
Families Citing this family (74)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8374974B2 (en) * | 2003-01-06 | 2013-02-12 | Halliburton Energy Services, Inc. | Neural network training data selection using memory reduced cluster analysis for field model development |
WO2005002313A2 (en) | 2003-07-01 | 2005-01-13 | Cardiomag Imaging, Inc. (Cmi) | Machine learning for classification of magneto cardiograms |
US8527435B1 (en) * | 2003-07-01 | 2013-09-03 | Cardiomag Imaging, Inc. | Sigma tuning of gaussian kernels: detection of ischemia from magnetocardiograms |
US7174205B2 (en) * | 2004-04-05 | 2007-02-06 | Hewlett-Packard Development Company, L.P. | Cardiac diagnostic system and method |
US20080027886A1 (en) * | 2004-07-16 | 2008-01-31 | Adam Kowalczyk | Data Mining Unlearnable Data Sets |
AU2005263171B2 (en) * | 2004-07-16 | 2011-11-17 | National Ict Australia Limited | Data mining unlearnable data sets |
US20060210133A1 (en) * | 2005-03-03 | 2006-09-21 | Sriram Krishnan | Performance adjustments in medical decision support systems |
WO2007041807A1 (en) * | 2005-10-13 | 2007-04-19 | National Ict Australia Limited | Method and apparatus for automated identification of signal characteristics |
WO2007053831A2 (en) * | 2005-10-31 | 2007-05-10 | University Of Florida Research Foundation, Inc. | Optimum nonlinear correntropy filter |
WO2007070247A2 (en) * | 2005-11-29 | 2007-06-21 | Venture Gain, L.L.C. | Residual-based monitoring of human health |
RU2435521C2 (ru) | 2005-12-15 | 2011-12-10 | Конинклейке Филипс Электроникс Н.В. | Способ детектирования и компенсации для контроля места активности на теле |
US8152731B2 (en) * | 2006-02-10 | 2012-04-10 | Inovise Medical, Inc. | Wavelet transform and pattern recognition method for heart sound analysis |
US8064722B1 (en) * | 2006-03-07 | 2011-11-22 | The United States Of America As Represented By The Secretary Of The Navy | Method and system for analyzing signal-vector data for pattern recognition from first order sensors |
US7769434B2 (en) * | 2006-11-30 | 2010-08-03 | General Electric Company | Method of physiological data analysis and measurement quality check using principal component analysis |
JP2008152619A (ja) * | 2006-12-19 | 2008-07-03 | Fuji Xerox Co Ltd | データ処理装置およびデータ処理プログラム |
WO2008112921A1 (en) * | 2007-03-14 | 2008-09-18 | Halliburton Energy Services, Inc. | Neural-network based surrogate model construction methods and applications thereof |
ES2334309B2 (es) * | 2008-04-15 | 2012-07-05 | Universidad Rey Juan Carlos | Sistema y metodo para la reconstruccion y visualizacion de la activacion electrica cardiaca. |
US8594772B2 (en) * | 2008-06-03 | 2013-11-26 | International Business Machines Corporation | Method for monitoring and communicating biomedical electromagnetic fields |
US9514388B2 (en) * | 2008-08-12 | 2016-12-06 | Halliburton Energy Services, Inc. | Systems and methods employing cooperative optimization-based dimensionality reduction |
EP2310880B1 (en) * | 2008-08-06 | 2017-08-02 | Halliburton Energy Services, Inc. | Systems and methods employing cooperative optimization-based dimensionality reduction |
JP2011107648A (ja) * | 2009-11-20 | 2011-06-02 | Fujifilm Corp | レンズユニット |
WO2011081950A1 (en) * | 2009-12-14 | 2011-07-07 | Massachussets Institute Of Technology | Methods, systems and media utilizing ranking techniques in machine learning |
US8595164B2 (en) * | 2011-01-27 | 2013-11-26 | Ming-Chui DONG | Wavelet modeling paradigms for cardiovascular physiological signal interpretation |
US9089274B2 (en) | 2011-01-31 | 2015-07-28 | Seiko Epson Corporation | Denoise MCG measurements |
WO2013036718A1 (en) * | 2011-09-08 | 2013-03-14 | Isis Innovation Ltd. | Determining acceptability of physiological signals |
KR20130114417A (ko) * | 2012-04-09 | 2013-10-17 | 한국전자통신연구원 | 훈련 함수 생성 장치, 훈련 함수 생성 방법 및 그것을 이용한 특징 벡터 분류 방법 |
UA104073C2 (uk) | 2012-07-13 | 2013-12-25 | Илья Анатольевич Чайковский | Спосіб оцінки ступеня ушкодження міокарда на основі аналізу змін у часі показників щільності струму |
US20140278235A1 (en) * | 2013-03-15 | 2014-09-18 | Board Of Trustees, Southern Illinois University | Scalable message passing for ridge regression signal processing |
US10198695B2 (en) | 2013-03-15 | 2019-02-05 | Sony Corporation | Manifold-aware ranking kernel for information retrieval |
JP6277818B2 (ja) * | 2014-03-26 | 2018-02-14 | 日本電気株式会社 | 機械学習装置、機械学習方法、及びプログラム |
US9798943B2 (en) * | 2014-06-09 | 2017-10-24 | I.R.I.S. | Optical character recognition method |
US11154212B2 (en) | 2014-09-11 | 2021-10-26 | The Medical College Of Wisconsin, Inc. | Systems and methods for estimating histological features from medical images using a trained model |
JP2018505705A (ja) * | 2014-12-10 | 2018-03-01 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 機械学習を用いた医用イメージングの変換のためのシステムおよび方法 |
CN104573709B (zh) * | 2014-12-24 | 2018-08-03 | 深圳信息职业技术学院 | 基于设置总的错分率的可控置信机器算法 |
CN104598923B (zh) * | 2015-01-08 | 2018-06-22 | 深圳信息职业技术学院 | 基于score输出值百分比的可控置信机器分类方法 |
US10542961B2 (en) | 2015-06-15 | 2020-01-28 | The Research Foundation For The State University Of New York | System and method for infrasonic cardiac monitoring |
US11964304B2 (en) | 2015-07-16 | 2024-04-23 | Sortera Technologies, Inc. | Sorting between metal alloys |
US11278937B2 (en) | 2015-07-16 | 2022-03-22 | Sortera Alloys, Inc. | Multiple stage sorting |
US11969764B2 (en) | 2016-07-18 | 2024-04-30 | Sortera Technologies, Inc. | Sorting of plastics |
US12017255B2 (en) | 2015-07-16 | 2024-06-25 | Sortera Technologies, Inc. | Sorting based on chemical composition |
CN107992495B (zh) * | 2016-10-26 | 2021-01-26 | 腾讯科技(深圳)有限公司 | 高维数据集的数据可视化分析方法及装置 |
WO2018152711A1 (zh) * | 2017-02-22 | 2018-08-30 | 清华大学深圳研究生院 | 一种基于心电认证的门禁***及其认证方法 |
CN110996785B (zh) * | 2017-05-22 | 2023-06-23 | 吉尼泰西斯有限责任公司 | 生物电磁场中异常的机器判别 |
US11062792B2 (en) | 2017-07-18 | 2021-07-13 | Analytics For Life Inc. | Discovering genomes to use in machine learning techniques |
US11139048B2 (en) | 2017-07-18 | 2021-10-05 | Analytics For Life Inc. | Discovering novel features to use in machine learning techniques, such as machine learning techniques for diagnosing medical conditions |
US11134877B2 (en) | 2017-08-09 | 2021-10-05 | Genetesis, Inc. | Biomagnetic detection |
US11335466B2 (en) * | 2019-02-15 | 2022-05-17 | Tencent America LLC | Method for determining disease symptom relations using acceptance and rejection of random samples |
CN107913062B (zh) * | 2017-10-18 | 2020-12-22 | 广州视源电子科技股份有限公司 | 一种心电信号的处理方法及*** |
US10984180B2 (en) | 2017-11-06 | 2021-04-20 | Microsoft Technology Licensing, Llc | Electronic document supplementation with online social networking information |
US10776760B2 (en) | 2017-11-17 | 2020-09-15 | The Boeing Company | Machine learning based repair forecasting |
CN107981858B (zh) | 2017-11-27 | 2020-12-01 | 上海优加利健康管理有限公司 | 基于人工智能的心电图心搏自动识别分类方法 |
US11574153B2 (en) * | 2017-12-01 | 2023-02-07 | Zymergen Inc. | Identifying organisms for production using unsupervised parameter learning for outlier detection |
CN108182453B (zh) * | 2018-01-17 | 2022-03-29 | 贵州电网有限责任公司 | 一种用户停电敏感度分类方法 |
CN108281184A (zh) * | 2018-02-01 | 2018-07-13 | 中国科学院上海微***与信息技术研究所 | 基于机器学习的心肌缺血预诊方法、存储介质及电子设备 |
CN108446741B (zh) * | 2018-03-29 | 2020-01-07 | 中国石油大学(华东) | 机器学习超参数重要性评估方法、***及存储介质 |
TWI682330B (zh) * | 2018-05-15 | 2020-01-11 | 美爾敦股份有限公司 | 自學式資料分類系統及方法 |
WO2020012061A1 (en) * | 2018-07-12 | 2020-01-16 | Nokia Technologies Oy | Watermark embedding techniques for neural networks and their use |
CN109242159A (zh) * | 2018-08-17 | 2019-01-18 | 华北电力大学 | 一种新型输电线路覆冰预测方法 |
US10602940B1 (en) | 2018-11-20 | 2020-03-31 | Genetesis, Inc. | Systems, devices, software, and methods for diagnosis of cardiac ischemia and coronary artery disease |
WO2020106284A1 (en) * | 2018-11-20 | 2020-05-28 | Genetesis, Inc. | Systems, devices, software, and methods for diagnosis of cardiac ischemia and coronary artery disease |
JP7309350B2 (ja) | 2018-12-03 | 2023-07-18 | 朝日インテック株式会社 | 治療システム、および、画像生成方法 |
JP7330521B2 (ja) | 2019-01-25 | 2023-08-22 | 国立大学法人東北大学 | 信号処理方法,信号処理装置および信号処理プログラム |
US11585869B2 (en) | 2019-02-08 | 2023-02-21 | Genetesis, Inc. | Biomagnetic field sensor systems and methods for diagnostic evaluation of cardiac conditions |
US11483370B2 (en) | 2019-03-14 | 2022-10-25 | Hewlett-Packard Development Company, L.P. | Preprocessing sensor data for machine learning |
EP3924845A4 (en) | 2019-03-14 | 2022-12-07 | Hewlett-Packard Development Company, L.P. | RESPONDING TO MACHINE LEARNING REQUESTS FROM MULTIPLE CUSTOMERS |
DE102019107666A1 (de) * | 2019-03-26 | 2020-10-01 | Universitätsmedizin Der Johannes Gutenberg-Universität Mainz | Verfahren zur Klassifizierung einer Polysomnographie-Aufnahme in definierte Schlafstadien |
CN110728331B (zh) * | 2019-10-28 | 2023-06-20 | 国网上海市电力公司 | 一种改进最小二乘支持向量机的谐波发射水平评估方法 |
US20220027762A1 (en) | 2020-07-22 | 2022-01-27 | The Boeing Company | Predictive maintenance model design system |
US11688506B2 (en) * | 2020-08-03 | 2023-06-27 | Kpn Innovations, Llc. | Methods and systems for calculating an edible score in a display interface |
CN112043260B (zh) * | 2020-09-16 | 2022-11-15 | 杭州师范大学 | 基于局部模式变换的心电图分类方法 |
WO2022221328A1 (en) * | 2021-04-12 | 2022-10-20 | Myka Labs, Inc. | Feedback controlled anastomosis devices |
MX2023009130A (es) * | 2021-08-05 | 2023-10-24 | Sortera Tech Inc | Extraccion de modulos de bolsa de aire de chatarra automotriz. |
CN114334169B (zh) * | 2022-03-07 | 2022-06-10 | 四川大学 | 医疗对象的类别决策方法、装置、电子设备及存储介质 |
CN117292243B (zh) * | 2023-11-24 | 2024-02-20 | 合肥工业大学 | 基于深度学习的心磁信号时空图像预测方法、设备及介质 |
Family Cites Families (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5092343A (en) * | 1988-02-17 | 1992-03-03 | Wayne State University | Waveform analysis apparatus and method using neural network techniques |
US4958638A (en) * | 1988-06-30 | 1990-09-25 | Georgia Tech Research Corporation | Non-contact vital signs monitor |
US5274714A (en) * | 1990-06-04 | 1993-12-28 | Neuristics, Inc. | Method and apparatus for determining and organizing feature vectors for neural network recognition |
US5280792A (en) * | 1991-09-20 | 1994-01-25 | The University Of Sydney | Method and system for automatically classifying intracardiac electrograms |
EP0582885A3 (en) * | 1992-08-05 | 1997-07-02 | Siemens Ag | Procedure to classify field patterns |
US5436447A (en) * | 1994-07-28 | 1995-07-25 | Waters Investments Limited | Method and apparatus for determining relative ion abundances in mass spectrometry utilizing wavelet transforms |
AU1837495A (en) * | 1994-10-13 | 1996-05-06 | Horus Therapeutics, Inc. | Computer assisted methods for diagnosing diseases |
US5603321A (en) * | 1995-08-07 | 1997-02-18 | Biomagnetic Technologies, Inc. | Artifact removal from physiological signals |
US5819007A (en) | 1996-03-15 | 1998-10-06 | Siemens Medical Systems, Inc. | Feature-based expert system classifier |
US5680866A (en) * | 1996-03-29 | 1997-10-28 | Battelle Memorial Institute | Artificial neural network cardiopulmonary modeling and diagnosis |
US6157921A (en) | 1998-05-01 | 2000-12-05 | Barnhill Technologies, Llc | Enhancing knowledge discovery using support vector machines in a distributed network environment |
US5827195A (en) * | 1997-05-09 | 1998-10-27 | Cambridge Heart, Inc. | Electrocardiogram noise reduction using multi-dimensional filtering |
US6882990B1 (en) | 1999-05-01 | 2005-04-19 | Biowulf Technologies, Llc | Methods of identifying biological patterns using multiple data sets |
US6996549B2 (en) * | 1998-05-01 | 2006-02-07 | Health Discovery Corporation | Computer-aided image analysis |
FR2778467B1 (fr) * | 1998-05-11 | 2000-06-16 | Christian Jeanguillaume | Perfectionnement du systeme de gamma camera a haute sensibilite |
US6192360B1 (en) * | 1998-06-23 | 2001-02-20 | Microsoft Corporation | Methods and apparatus for classifying text and for building a text classifier |
EP1145192B1 (de) | 1999-03-03 | 2003-05-14 | Siemens Aktiengesellschaft | Anordnung miteinander verbundener rechenelemente, verfahren zur rechnergestützten ermittlung einer dynamik, die einem dynamischen prozess zugrunde liegt und verfahren zum rechnergestützten trainieren einer anordnung miteinander verbundener rechenelemente |
US6210344B1 (en) * | 1999-03-24 | 2001-04-03 | Umm Electronics, Inc. | Method and apparatus for passive heart rate detection |
US6572560B1 (en) * | 1999-09-29 | 2003-06-03 | Zargis Medical Corp. | Multi-modal cardiac diagnostic decision support system and method |
US6443889B1 (en) | 2000-02-10 | 2002-09-03 | Torgny Groth | Provision of decision support for acute myocardial infarction |
JP4193382B2 (ja) * | 2001-07-19 | 2008-12-10 | 株式会社日立製作所 | 磁場計測装置 |
US7076473B2 (en) * | 2002-04-19 | 2006-07-11 | Mitsubishi Electric Research Labs, Inc. | Classification with boosted dyadic kernel discriminants |
US6827695B2 (en) * | 2002-10-25 | 2004-12-07 | Revivant Corporation | Method of determining depth of compressions during cardio-pulmonary resuscitation |
WO2005002313A2 (en) | 2003-07-01 | 2005-01-13 | Cardiomag Imaging, Inc. (Cmi) | Machine learning for classification of magneto cardiograms |
-
2004
- 2004-07-01 WO PCT/US2004/021307 patent/WO2005002313A2/en active Application Filing
- 2004-07-01 CN CN2010102249275A patent/CN101926646B/zh not_active Expired - Fee Related
- 2004-07-01 CA CA002542937A patent/CA2542937A1/en not_active Abandoned
- 2004-07-01 US US10/561,285 patent/US7742806B2/en not_active Expired - Fee Related
- 2004-07-01 CN CN2004800186838A patent/CN1816303B/zh not_active Expired - Fee Related
- 2004-07-01 JP JP2006518791A patent/JP5324743B2/ja not_active Expired - Fee Related
- 2004-07-01 EP EP04777442A patent/EP1638463A4/en not_active Withdrawn
-
2007
- 2007-02-08 HK HK07101456.8A patent/HK1095503A1/xx not_active IP Right Cessation
-
2010
- 2010-06-18 US US12/819,095 patent/US8391963B2/en active Active
-
2011
- 2011-06-28 HK HK11106657.8A patent/HK1152849A1/xx not_active IP Right Cessation
-
2013
- 2013-02-20 US US13/772,138 patent/US8744557B2/en not_active Expired - Fee Related
-
2014
- 2014-05-28 US US14/288,697 patent/US9173614B2/en not_active Expired - Lifetime
-
2015
- 2015-10-30 US US14/928,833 patent/US9655564B2/en not_active Expired - Lifetime
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015164833A1 (en) * | 2014-04-25 | 2015-10-29 | The Regents Of The University Of California | Methods for determining whether patient monitor alarms are true or false based on a multi resolution wavelet transform and inter-leads variability |
US10357169B2 (en) | 2014-04-25 | 2019-07-23 | The Regents Of The University Of California | Methods for determining whether patient monitor alarms are true or false based on a multi resolution wavelet transform and inter-leads variability |
Also Published As
Publication number | Publication date |
---|---|
US20110047105A1 (en) | 2011-02-24 |
CN1816303B (zh) | 2010-09-01 |
US8391963B2 (en) | 2013-03-05 |
US20070167846A1 (en) | 2007-07-19 |
EP1638463A4 (en) | 2007-11-21 |
HK1095503A1 (en) | 2007-05-11 |
CN1816303A (zh) | 2006-08-09 |
US9655564B2 (en) | 2017-05-23 |
HK1152849A1 (en) | 2012-03-16 |
US20130178730A1 (en) | 2013-07-11 |
US7742806B2 (en) | 2010-06-22 |
US20160066860A1 (en) | 2016-03-10 |
EP1638463A2 (en) | 2006-03-29 |
CN101926646B (zh) | 2012-11-28 |
CA2542937A1 (en) | 2005-01-13 |
US8744557B2 (en) | 2014-06-03 |
US9173614B2 (en) | 2015-11-03 |
JP2007527266A (ja) | 2007-09-27 |
WO2005002313A3 (en) | 2005-03-31 |
US20140343396A1 (en) | 2014-11-20 |
WO2005002313A2 (en) | 2005-01-13 |
CN101926646A (zh) | 2010-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5324743B2 (ja) | 心磁図の分類のための機械学習の使用 | |
Mastoi et al. | Automated diagnosis of coronary artery disease: a review and workflow | |
Doquire et al. | Feature selection for interpatient supervised heart beat classification | |
Kim et al. | Arrhythmia detection model using modified DenseNet for comprehensible Grad-CAM visualization | |
Güler et al. | A modified mixture of experts network structure for ECG beats classification with diverse features | |
Singh et al. | Interpretation and classification of arrhythmia using deep convolutional network | |
Li et al. | Signal processing and feature selection preprocessing for classification in noisy healthcare data | |
Jang et al. | Unsupervised feature learning for electrocardiogram data using the convolutional variational autoencoder | |
Zhao et al. | An explainable attention-based TCN heartbeats classification model for arrhythmia detection | |
Choudhury et al. | ECG-based heartbeat classification using exponential-political optimizer trained deep learning for arrhythmia detection | |
Neifar et al. | Deep Generative Models for Physiological Signals: A Systematic Literature Review | |
Embrechts et al. | Use of machine learning for classification of magnetocardiograms | |
Islam et al. | Monte carlo dropout for uncertainty analysis and ecg trace image classification | |
Kalgotra et al. | Sensor analytics for interpretation of EKG signals | |
Uslu et al. | Left atrial overload detection in ECG using frequency domain features with machine learning and deep learning algorithms | |
de Oliveira et al. | The use of Bayesian networks for heart beat classification | |
Li et al. | Effect of Dimensionality Reduction on Uncertainty Quantification in Trustworthy Machine Learning | |
Vadillo-Valderrama et al. | Exploring Cardiac Rhythms and Improving ECG Beat Classification through Latent Spaces | |
Übeyli | Features for analysis of electrocardiographic changes in partial epileptic patients | |
Khan et al. | A novel hybrid GRU-CNN and residual bias (RB) based RB-GRU-CNN models for prediction of PTB Diagnostic ECG time series data | |
Senyukova et al. | Universal multi-complexity measures for physiological state quantification in intelligent diagnostics and monitoring systems | |
Mathur | Detecting Myocardial Infarctions Using Machine Learning Methods | |
Fares et al. | Comparison of Feature Extraction Methods for Heart Disease Classification | |
Chowdhury et al. | Analysis of Psychiatric Disorders from EEG Signals Using Machine-Learning Techniques | |
Das et al. | Machine learning techniques for remote healthcare |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20070626 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20100616 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20100915 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20100924 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20101018 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20101025 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20101116 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20101124 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20101215 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20110824 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20111124 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20111201 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20111226 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20120904 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20130104 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20130111 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20130402 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20130604 |
|
RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20130604 |
|
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: 20130625 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20130719 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |