JP6704574B2 - 状態判定装置、プログラムおよび集積回路 - Google Patents
状態判定装置、プログラムおよび集積回路 Download PDFInfo
- Publication number
- JP6704574B2 JP6704574B2 JP2016089034A JP2016089034A JP6704574B2 JP 6704574 B2 JP6704574 B2 JP 6704574B2 JP 2016089034 A JP2016089034 A JP 2016089034A JP 2016089034 A JP2016089034 A JP 2016089034A JP 6704574 B2 JP6704574 B2 JP 6704574B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- state
- value
- unit
- acquired
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Image Analysis (AREA)
Description
(1)波形A+を示す画像領域
(2)波形Aを示す画像領域
(3)波形B+を示す画像領域
(4)波形Bを示す画像領域
(5)波形C+を示す画像領域
(6)波形Cを示す画像領域
(7)波形D+を示す画像領域
(8)波形Dを示す画像領域
そして、特許文献1の技術では、上記の波形マップを用いて、波形パターンの分類処理を行うことで、入力される波形データを、適切に分類する(所定の波形パターンと類似すると判定する)ことができる。
D_deci(k)=h1(D_f(k),D_act(k))
h1(x,y):x、yを変数とする関数
により取得する。
D_pf(k)=h2(D_deci(k),Pt(k))
h2(x,y):x、yを変数とする関数
により取得する。
h1(x,y)=x×y
である。
D_deci(k)=D_f(k)×D_act(k)
により、算出される。
h2(x,y)=x×y
である。
D_pf(k)=D_deci(k)×Pt(k)
により、算出される。
D_deci(k)=h1(F1(D_f(k)),D_act(k))
h1(x,y):x、yを変数とする関数
により取得する。
D_pf(k)=h2(D_deci(k),Pt(k))
h2(x,y):x、yを変数とする関数
により取得する。
h1(x,y)=x×y
である。
D_deci(k)=F1(D_f(k))×D_act(k)
により、算出される。
h2(x,y)=x×y
である。
D_pf(k)=D_deci(k)×Pt(k)
により、算出される。
sqrt(x):xの平方根を取得する関数
により取得された座標(i,j)の要素データの標準偏差をσijとすると、
abs(Dij(t)−AveDij)≦n1×σij(n1:正の実数、abs(x)はxの絶対値を取得する関数)を満たす場合、座標(i,j)のSOM出力の値Dij(t)の平均値を算出し、算出した平均値を座標(i,j)のテンプレートデータの値gijとし、
abs(Dij(t)−AveDij)≦n1×σijを満たさない場合、座標(i,j)のテンプレートデータの値gijを「0」にすることで、生成されたデータである。
第1実施形態について、図面を参照しながら、以下、説明する。
図1は、第1実施形態に係る状態判定装置1000の概略構成図である。
(1)学習フェーズ(入力層の各ノードと、出力層の各ニューロンとの結合係数を決定する処理を行うフェーズ)では、SOM処理部43は、正規化特徴ベクトルデータD3を用いて、SOM処理を実行し、入力層の各ノードと、出力層の各ニューロンとの結合係数を決定する。SOM処理部43は、上記処理が完了し、確定した入力層の各ノードと、出力層の各ニューロンとの結合係数のデータを、結合係数データwij_fixedとして、写像変換部6に出力する。
(2)テンプレート作成フェーズでは、SOM処理部43は、正規化特徴ベクトルデータD3を用いて、SOM処理を実行し、SOM出力データを、データD_som(t)(現時刻tのSOM出力データD_som(t))として、SOMデータ記憶部44に出力する。
以上のように構成された状態判定装置1000の動作について、以下、説明する。
(1)Sitting状態(座っている状態)
(2)Standing状態(立っている状態)
(3)Running状態(走っている状態)
(4)Walking状態(歩いている状態)
(5)UpStairs状態(階段を上っている状態)
(6)DownStairs状態(階段を下っている状態)
以下では、状態判定装置1000の動作について、(1)学習フェーズの動作、(2)テンプレート作成フェーズの動作、および、(3)状態判定処理フェーズの動作、に分けて説明する。
まず、状態判定装置1000の学習フェーズの動作について、説明する。
D2=(x1,x2,・・・、xn)
とすると、
Norm=sqrt(x1^2+x2^2+・・・+xn^2)
sqrt(x):xの平方根
に相当する処理により、ノルムデータNormを取得する。
SOM処理部43は、入力データベクトル数をn、繰返し数をT(>=n)とすると、時刻t=0において、vec_w11,vec_w12,・・・,vec_wmmの初期値をランダムに設定する(乱数を用いて設定する)。
SOM処理部43は、時刻tにおいて、次の操作を行う。
(2A):
SOM処理部43は、時刻tの入力データvec_x(t)と、時刻t−1の各参照ベクトルvec_wij(t−1)との間のユークリッド距離dis(vec_x(t),vec_wij(t−1))を求める。なお、dis(vec1,vec2)は、ベクトルvec1とベクトルvec2とのユークリッド距離を求める関数である。
(2B):
SOM処理部43は、ユークリッド距離が最小であるニューロンuIJを特定し、特定したニューロンを勝ちニューロンuIJとする。ニューロンuIJは、座標(I,J)のニューロンである。
(2C):
SOM処理部43は、時刻tの参照ベクトルvec_wij(t)を、次式により学習(取得)する。
vec_wij(t)=vec_wij(t−1)+h((i,j),(I,J),t)×(vec_x(t)−vec_wij(t−1))
ここで、hは近傍関数と呼ばれる関数であり、次の性質を持つ関数である。
(1)関数hは、tに関する単調減少関数であり、tが無限大で「0」に収束する。
(2)関数hは、格子点(i,j)と格子点(I,J)とのユークリッド距離dis(vec_uij,vec_uIJ)に関して、単調減少関数である。また、関数hの単調減少の程度は、tが増加するほど大きくなる。なお、vec_uijは、所定の点(例えば、原点)からニューロンuijの位置までのベクトルであり、vec_uIJは、所定の点(例えば、原点)からニューロンuIJの位置までのベクトルである。
(1)Sitting状態(状態1)
Ave(1)=0.082989
σ(1)=0.059778
(2)Standing状態(状態2)
Ave(2)=0.334777
σ(2)=0.224319
(3)Running状態(状態3)
Ave(3)=31.286555
σ(3)=2.630188
(4)Walking状態(状態4)
Ave(4)=12.395692
σ(4)=3.409114
(5)UpStairs状態(状態5)
Ave(5)=8.146392
σ(5)=1.912558
(6)DownStairs状態(状態6)
Ave(6)=25.002112
σ(6)=3.254508
以下では、上記のデータを処理する場合について、説明する。
次に、状態判定装置1000のテンプレート作成フェーズの動作について、説明する。
(1)Sitting状態(座っている状態)のテンプレートデータ、
(2)Standing状態(立っている状態)のテンプレートデータ、
(3)Running状態(走っている状態)のテンプレートデータ、
(4)Walking状態(歩いている状態)のテンプレートデータ、
(5)UpStairs状態(階段を上っている状態)のテンプレートデータ、および、
(6)DownStairs状態(階段を下っている状態)のテンプレートデータ
を作成する。
SOM処理部43は、正規化特徴ベクトルデータD3に対して、結合荷重ベクトル(参照ベクトル)vec_wij_fixedにより、SOM処理を実行し、現時刻tのSOMデータD_som(t)を取得する。そして、SOM処理部43は、取得した現時刻tのSOMデータD_som(t)をSOMデータ記憶部44に出力する。
vec_x(t)=(x1(t),x2(t),・・・,xN1(t))
N1=8
とし、学習フェーズを完了し、確定された結合荷重ベクトルf_vec_wijを、
f_vec_wij=(wij_1,wij_2,・・・,wij_N1)
N1=8
とし、時刻tの2次元SOM上の(i,j)の位置にあるニューロン(出力ノード)の出力値をDij(t)とすると、
である。
(1)処理1(出力値の閾値処理)
テンプレートデータ生成部45は、SOM出力データD_som(1)〜D_som(N)を用いて、2次元SOM上の同じ座標位置の出力値(同一の出力ノードの出力値)Dij(t)を所定の閾値Th1と比較し、Dij(t)≧Th1である出力値Dij(t)の平均値を算出し、算出した平均値を座標(i,j)のテンプレートデータの値gijとする。
gij=Sum/N1
により、座標(i,j)のテンプレートデータの値gijを取得する(ステップS8)。
(2)処理2(出力値の分散値の閾値処理)
テンプレートデータ生成部45は、SOM出力データD_som(1)〜D_som(N)を用いて、2次元SOM上の同じ座標位置の出力値(同一の出力ノードの出力値)Dij(t)の分散値vijを、以下の数式に相当する処理により、算出する。
(3)処理3(処理1と処理2の組み合わせ処理)
テンプレートデータ生成部45は、上記処理1と上記処理2とを組み合わせた処理により、座標(i,j)のテンプレートデータの値gijを取得するようにしてもよい。
(4)処理4(n1×σ以内のデータによる処理)
テンプレートデータ生成部45は、分散値vijから、
σij=sqrt(vij)
sqrt(x):xの平方根を取得する関数
に相当する処理より、座標(i,j)のSOMの出力値Dij(t)の標準偏差σijを取得する。
次に、状態判定装置1000の状態判定処理フェーズの動作について、説明する。
σ:標準偏差
なお、本実施形態では、状態1の特徴ベクトルデータD2のノルムデータの平均値Ave(1)、標準偏差値σ(1)は、
Ave(1)=0.082989
σ(1)=0.059778
であるので、上式において、
μ=Ave(1)=0.082989
σ=σ(1)=0.059778
として、アクティビティ値取得部5は、確率密度関数f(x)の値を算出し、算出した値を、アクティビティ値D_act(1)として取得する。
μ=Ave(2)=0.334777
σ=σ(2)=0.224319
として、上記確率密度関数f(x)の値を算出し、算出した値を、アクティビティ値D_act(2)として取得する。
μ=Ave(3)=31.286555
σ=σ(3)=2.630188
として、上記確率密度関数f(x)の値を算出し、算出した値を、アクティビティ値D_act(3)として取得する。
μ=Ave(4)=12.395692
σ=σ(4)=3.409114
として、上記確率密度関数f(x)の値を算出し、算出した値を、アクティビティ値D_act(4)として取得する。
μ=Ave(5)=8.146392
σ=σ(5)=1.912558
として、上記確率密度関数f(x)の値を算出し、算出した値を、アクティビティ値D_act(5)として取得する。
μ=Ave(6)=25.002112
σ=σ(6)=3.254508
として、上記確率密度関数f(x)の値を算出し、算出した値を、アクティビティ値D_act(6)として取得する。
(1)x=Norm=11.5の場合(図12の場合)
D_act(1)=0.00
D_act(2)=0.00
D_act(3)=0.00
D_act(4)=0.11
D_act(5)=0.04
D_act(4)=0.00
この場合、状態4(Walking)のアクティビティ値D_act(4)が大きな値となる。
(2)x=Norm=31.0の場合(図13の場合)
D_act(1)=0.00
D_act(2)=0.00
D_act(3)=0.15
D_act(4)=0.00
D_act(5)=0.00
D_act(4)=0.02
この場合、状態3(Running)のアクティビティ値D_act(3)が大きな値となる。
D_deci(k)=D_act(k)×D_f(k)
に相当する処理により、状態kの状態評価値D_deci(k)を取得する。
D_deci(1)=0.0
D_deci(2)=0.0
D_deci(3)=0.0
D_deci(4)=0.5
D_deci(5)=0.4
D_deci(6)=0.1
また、現時刻tのパーティクルフィルタ処理が実行される前の状態kに割り当てられているパーティクル数pre_Pt(k)は、以下の通りであるものとする。
pre_Pt(1)=250
pre_Pt(2)=250
pre_Pt(3)=3000
pre_Pt(4)=1000
pre_Pt(5)=250
pre_Pt(6)=250
なお、初期化処理、あるいは、リセット処理において、各状態に割り当てられるパーティクル数は、それぞれ等しい数とすることが好ましい。例えば、割り当てるパーティクル数の総数を、P_allとすると、初期化処理、あるいは、リセット処理において、状態1〜状態Mの各状態に割り当てられるパーティクル数は、「P_all/M」とすることが好ましい。
(状態S4から状態S1への遷移確率)=0.000
(状態S4から状態S2への遷移確率)=0.006
(状態S4から状態S3への遷移確率)=0.002
(状態S4から状態S4への遷移確率)=0.990
(状態S4から状態S5への遷移確率)=0.001
(状態S4から状態S6への遷移確率)=0.001
そして、PF処理部91は、上記遷移確率に基づいて、状態S4から各状態に移動させるパーティクル数を、以下の通り、算出する。なお、前時刻t−1において状態S4に割り当てられているパーティクル数は、「600」である。
(状態S4から状態S1へ移動させるパーティクル数)=0×3000=0
(状態S4から状態S2へ移動させるパーティクル数)=0.006×3000=18
(状態S4から状態S3へ移動させるパーティクル数)=0.002×3000=6
(状態S4に滞留させるパーティクル数)=0.990×3000=2970
(状態S4から状態S5へ移動させるパーティクル数)=0.001×3000=3
(状態S4から状態S6へ移動させるパーティクル数)=0.001×3000=3
PF処理部91は、上記に従い、パーティクル数を移動させることにより予測処理を行い、予測処理後の各状態のパーティクル数を、以下の通り、取得する。なお、予測処理後の状態kのパーティクル数をPt(k)と表記する。
Pt(1)=250+0=250
Pt(2)=250+18=268
Pt(3)=250+6=256
Pt(4)=2970
Pt(5)=1000+3=1003
Pt(6)=250+3=253
次に、PF処理部91は、重み付け算出処理(尤度算出処理)を行う。
D_pf(k)=D_deci(k)×Pt(k)
により取得することで、重み付け算出処理(尤度算出処理)を行う。
D_pf(1)=D_deci(1)×Pt(1)=0×250=0
D_pf(2)=D_deci(2)×Pt(2)=0×268=0
D_pf(3)=D_deci(3)×Pt(3)=0×256=0
D_pf(4)=D_deci(4)×Pt(4)=0.5×2970=1485
D_pf(5)=D_deci(5)×Pt(5)=0.4×1003=401.2
D_pf(6)=D_deci(6)×Pt(6)=0.1×253=25.3
PF処理部91は、上記のようにして取得した状態推定値D_pf(1)〜D_pf(6)を状態推定部92に出力する。
Pnum=5000
Sum=1911.5
post_Pt(1)=Pnum×0/Sum=0
post_Pt(2)=Pnum×0/Sum=0
post_Pt(3)=Pnum×0/Sum=0
post_Pt(4)=Pnum×1485/Sum=3884
post_Pt(5)=Pnum×401.2/Sum=1049
post_Pt(6)=Pnum×25.30/Sum=66
上記により取得された各状態に割り当てるパーティクル数は、次時刻t+1のパーティクルフィルタ処理が実行される前の状態kに割り当てられているパーティクル数に設定される。
(1)状態推定値D_pf(1)〜D_pf(6)のうち、D_pf(1)が最大値である場合、状態推定部92は、状態判定装置1000に入力されているデータが状態1、すなわち、「Sitting状態」のデータであることを示す信号Doutを外部に出力する。
(2)状態推定値D_pf(1)〜D_pf(6)のうち、D_pf(2)が最大値である場合、状態推定部92は、状態判定装置1000に入力されているデータが状態2、すなわち、「Standing状態」のデータであることを示す信号Doutを外部に出力する。
(3)状態推定値D_pf(1)〜D_pf(6)のうち、D_pf(3)が最大値である場合、状態推定部92は、状態判定装置1000に入力されているデータが状態3、すなわち、「Running状態」のデータであることを示す信号Doutを外部に出力する。
(4)状態推定値D_pf(1)〜D_pf(6)のうち、D_pf(4)が最大値である場合、状態推定部92は、状態判定装置1000に入力されているデータが状態4、すなわち、「Walking状態」のデータであることを示す信号Doutを外部に出力する。
(5)状態推定値D_pf(1)〜D_pf(6)のうち、D_pf(5)が最大値である場合、状態推定部92は、状態判定装置1000に入力されているデータが状態5、すなわち、「UpStairs状態」のデータであることを示す信号Doutを外部に出力する。
(6)状態推定値D_pf(1)〜D_pf(6)のうち、D_pf(6)が最大値である場合、状態推定部92は、状態判定装置1000に入力されているデータが状態6、すなわち、「DownStairs状態」のデータであることを示す信号Doutを外部に出力する。
次に、第1実施形態の第1変形例について、説明する。
D_deci(k)=D_act(k)×F1(D_f(k))
に相当する処理により、状態kの状態評価値D_deci(k)を取得する。
次に、第1実施形態の第2変形例について、説明する。
D_deci(k)=D_f(k)
として、状態kの状態評価値D_deci(k)を取得する。
D_deci(k)=F1(D_f(k))
に相当する処理により、状態kの状態評価値D_deci(k)を取得する。
上記実施形態および変形例を組み合わせて状態判定装置を構成するようにしてもよい。
1 データ入力部
2 特徴ベクトル取得部
3 正規化部
4 テンプレートデータ取得部
5 アクティビティ値取得部
6 写像変換部
7、7A マッチング処理部
8、8A、8B 状態判定部
9 時系列推定部
Claims (14)
- 未知の状態の事象を計測して得られる計測データから特徴ベクトルデータを取得する特徴ベクトル取得部と、
前記特徴ベクトルデータのノルムを取得するとともに、前記特徴ベクトルデータを正規化した正規化特徴ベクトルデータを取得する正規化部と、
前記正規化特徴ベクトルデータを、前記正規化特徴ベクトルデータの次元とは異なる次元の空間に射影することで、SOM出力データを取得する写像変換部と、
所定の状態を示すテンプレートデータと、前記写像変換部により取得された前記SOM出力データとの相関度を示す適合度データを取得するマッチング処理部と、
前記マッチング処理部により取得された前記適合度データに基づいて、状態評価値を取得する状態判定部と、
前記状態評価値と、所定の状態間の状態遷移確率とに基づいて、前記計測データが示す状態を推定する時系列推定部と、
を備える状態判定装置。 - 前記正規化部により取得された前記ノルムが、所定の状態において取得される前記特徴ベクトルデータのノルムに対応する確率を示す値であるアクティビティ値を取得するアクティビティ値取得部をさらに備え、
前記状態判定部は、前記マッチング処理部により取得された前記適合度データと、前記アクティビティ値取得部により取得されたアクティビティ値とに基づいて、状態評価値を取得し、
前記時系列推定部は、
前記状態判定部により取得された前記状態評価値と、所定の状態間の状態遷移確率とに基づいて、前記計測データが示す状態を推定する、
請求項1に記載の状態判定装置。 - 前記アクティビティ値取得部は、
状態k(k:自然数、1≦k≦M、M:自然数)において取得される前記特徴ベクトルデータのノルムの平均値をμとし、標準偏差値をσとし、変数xを前記特徴ベクトルデータのノルムの値とし、確率密度関数f(x)としたとき、
により算出される値f(x)を、状態kについての前記アクティビティ値として取得する、
請求項2に記載の状態判定装置。 - 前記マッチング処理部は、
M個(M:自然数)のテンプレートデータTmpl(1)〜Tmpl(M)のそれぞれと、前記SOM出力データとの相関度を示す前記適合度データD_f(1)〜D_f(M)を取得し、
前記アクティビティ値取得部は、
状態1から状態Mに、それぞれ、対応するアクティビティ値D_act(1)〜D_act(M)を取得し、
前記状態判定部は、
状態k(k:自然数、1≦k≦M)の適合度データD_f(k)およびアクティビティ値D_act(k)に基づいて、状態kの状態評価値D_deci(k)を取得し、
前記時系列推定部は、
状態間の状態遷移確率を示すデータである状態遷移確率データを用いて、パーティクルフィルタ処理を行い、前記状態遷移確率データに基づいて、パーティクルフィルタ処理の予測処理を行い、前記予測処理後の状態kのパーティクル数Pt(k)を取得し、
取得した前記予測処理後の状態kのパーティクル数Pt(k)と、前記状態kの状態評価値D_deci(k)と、状態kの状態推定値D_pf(k)を取得し、取得した前記状態kの状態推定値D_pf(k)に基づいて、前記計測データが示す状態を決定する、
請求項2または3に記載の状態判定装置。 - 前記マッチング処理部は、
M個(M:自然数)のテンプレートデータTmpl(1)〜Tmpl(M)のそれぞれと、前記SOM出力データとの内積を算出し、算出した内積の値を前記適合度データD_f(1)〜D_f(M)として取得し、
前記状態判定部は、
状態kの状態評価値D_deci(k)を、
D_deci(k)=h1(D_f(k),D_act(k))
h1(x,y):x、yを変数とする関数
により取得し、
前記時系列推定部は、
状態kの状態推定値D_pf(k)を、
D_pf(k)=h2(D_deci(k),Pt(k))
h2(x,y):x、yを変数とする関数
により取得し、
前記状態推定値D_pf(1)〜D_pf(M)のうち、最大値をとる前記状態推定値に対応する状態を、前記計測データが示す状態であると判定する、
請求項4に記載の状態判定装置。 - 前記マッチング処理部は、
M個(M:自然数)のテンプレートデータTmpl(1)〜Tmpl(M)のそれぞれと、前記SOM出力データとのユークリッド距離を算出し、算出したユークリッド距離の値を前記適合度データD_f(1)〜D_f(M)として取得し、
前記状態判定部は、
F1(x)を変数xについて単調減少する関数であって、常に、正の値(0を含む)をとる関数とするとき、
状態kの状態評価値D_deci(k)を、
D_deci(k)=h1(F1(D_f(k)),D_act(k))
h1(x,y):x、yを変数とする関数
により取得し、
前記時系列推定部は、
状態kの状態推定値D_pf(k)を、
D_pf(k)=h2(D_deci(k),Pt(k))
h2(x,y):x、yを変数とする関数
により取得し、
前記状態推定値D_pf(1)〜D_pf(M)のうち、最大値をとる前記状態推定値に対応する状態を、前記計測データが示す状態であると判定する、
請求項4に記載の状態判定装置。 - 前記テンプレートデータは、2次元の要素から構成されるデータであり、
前記テンプレートデータの各要素データの値の総和は、「1」である、
請求項2から6のいずれかに記載の状態判定装置。 - 前記テンプレートデータは、2次元の要素から構成されるデータであり、
前記テンプレートデータは、同一状態が継続する時刻t=1から時刻t=N(N:自然数)までの期間に取得されたN個のSOM出力データに基づいて、生成されたデータであり、
前記テンプレートデータが、m×n個(m、n:自然数)から構成されるデータである場合、
前記テンプレートデータの2次元の座標(i,j)(i,j:自然数、1≦i≦m、1≦j≦n)の要素データをgijとし、
時刻tの前記SOM出力データの2次元の座標(i,j)の要素データをDij(t)とすると、
前記テンプレートデータは、
により取得された値gijを、前記テンプレートの2次元の座標(i,j)(i,j:自然数、1≦i≦m、1≦j≦n)の要素データとすることで生成されたデータである、
請求項2から7のいずれかに記載の状態判定装置。 - 前記テンプレートデータは、2次元の要素から構成されるデータであり、
前記テンプレートデータは、同一状態が継続する時刻t=1から時刻t=N(N:自然数)までの期間に取得されたN個のSOM出力データに基づいて、生成されたデータであり、
前記テンプレートデータが、m×n個(m、n:自然数)から構成されるデータである場合、
前記テンプレートデータの2次元の座標(i,j)(i,j:自然数、1≦i≦m、1≦j≦n)の要素データをgijとし、
時刻tの前記SOM出力データの2次元の座標(i,j)の要素データをDij(t)とすると、
前記テンプレートデータは、要素データDij(t)を所定の閾値Th1と比較し、Dij(t)≧Th1である要素データDij(t)の平均値を算出し、算出した平均値を座標(i,j)のテンプレートデータの値gijとすることで、生成されたデータである、
請求項2から7のいずれかに記載の状態判定装置。 - 前記テンプレートデータは、2次元の要素から構成されるデータであり、
前記テンプレートデータは、同一状態が継続する時刻t=1から時刻t=N(N:自然数)までの期間に取得されたN個のSOM出力データに基づいて、生成されたデータであり、
前記テンプレートデータが、m×n個(m、n:自然数)から構成されるデータである場合、
前記テンプレートデータの2次元の座標(i,j)(i,j:自然数、1≦i≦m、1≦j≦n)の要素データをgijとし、
時刻tの前記SOM出力データの2次元の座標(i,j)の要素データをDij(t)とすると、
前記テンプレートデータは、
により取得された座標(i,j)の要素データの分散値vijを、所定の閾値Th2と比較し、vij≦Th2を満たす、座標(i,j)の前記SOM出力データの値Dij(t)の平均値を算出し、算出した平均値を座標(i,j)のテンプレートデータの値gijとすることで、生成されたデータである、
請求項2から7のいずれかに記載の状態判定装置。 - 前記テンプレートデータは、2次元の要素から構成されるデータであり、
前記テンプレートデータは、同一状態が継続する時刻t=1から時刻t=N(N:自然数)までの期間に取得されたN個のSOM出力データに基づいて、生成されたデータであり、
前記テンプレートデータが、m×n個(m、n:自然数)から構成されるデータである場合、
前記テンプレートデータの2次元の座標(i,j)(i,j:自然数、1≦i≦m、1≦j≦n)の要素データをgijとし、
時刻tの前記SOM出力データの2次元の座標(i,j)の要素データをDij(t)とすると、
前記テンプレートデータは、
により取得された座標(i,j)の要素データの分散値vijを、所定の閾値Th2と比較し、vij≦Th2を満たす、座標(i,j)の前記SOM出力データの値Dij(t)であって、かつ、前記SOM出力データの値Dij(t)が所定の閾値Th3よりも大きいもののみの平均値を算出し、算出した平均値を座標(i,j)のテンプレートデータの値gijとすることで、生成されたデータである、
請求項2から7のいずれかに記載の状態判定装置。 - 前記テンプレートデータは、2次元の要素から構成されるデータであり、
前記テンプレートデータは、同一状態が継続する時刻t=1から時刻t=N(N:自然数)までの期間に取得されたN個のSOM出力データに基づいて、生成されたデータであり、
前記テンプレートデータが、m×n個(m、n:自然数)から構成されるデータである場合、
前記テンプレートデータの2次元の座標(i,j)(i,j:自然数、1≦i≦m、1≦j≦n)の要素データをgijとし、
時刻tの前記SOM出力データの2次元の座標(i,j)の要素データをDij(t)とすると、
前記テンプレートデータは、
σij=sqrt(vij)
sqrt(x):xの平方根を取得する関数
により取得された座標(i,j)の要素データの標準偏差をσijとすると、
abs(Dij(t)−AveDij)≦n1×σij(n1:正の実数、abs(x)はxの絶対値を取得する関数)を満たす場合、座標(i,j)の前記SOM出力の値Dij(t)の平均値を算出し、算出した平均値を座標(i,j)のテンプレートデータの値gijとし、
abs(Dij(t)−AveDij)≦n1×σijを満たさない場合、座標(i,j)のテンプレートデータの値gijを「0」にすることで、生成されたデータである、
請求項2から7のいずれかに記載の状態判定装置。 - 未知の状態の事象を計測して得られる計測データから特徴ベクトルデータを取得する特徴ベクトル取得ステップと、
前記特徴ベクトルデータのノルムを取得するとともに、前記特徴ベクトルデータを正規化した正規化特徴ベクトルデータを取得する正規化ステップと、
前記正規化特徴ベクトルデータを、前記正規化特徴ベクトルデータの次元とは異なる次元の空間に射影することで、SOM出力データを取得する写像変換ステップと、
所定の状態を示すテンプレートデータと、前記写像変換ステップにより取得された前記SOM出力データとの相関度を示す適合度データを取得するマッチング処理ステップと、
前記正規化ステップにより取得された前記ノルムが、所定の状態において取得される前記特徴ベクトルデータのノルムに対応する確率を示す値であるアクティビティ値を取得するアクティビティ値取得ステップと、
前記マッチング処理ステップにより取得された前記適合度データ、および、前記アクティビティ値取得ステップにより取得されたアクティビティ値の少なくとも1つに基づいて、状態評価値を取得する状態判定ステップと、
前記状態評価値と、所定の状態間の状態遷移確率とに基づいて、前記計測データが示す状態を推定する時系列推定ステップと、
を備える状態判定方法をコンピュータに実行させるためのプログラム。 - 未知の状態の事象を計測して得られる計測データから特徴ベクトルデータを取得する特徴ベクトル取得部と、
前記特徴ベクトルデータのノルムを取得するとともに、前記特徴ベクトルデータを正規化した正規化特徴ベクトルデータを取得する正規化部と、
前記正規化特徴ベクトルデータを、前記正規化特徴ベクトルデータの次元とは異なる次元の空間に射影することで、SOM出力データを取得する写像変換部と、
所定の状態を示すテンプレートデータと、前記写像変換部により取得された前記SOM出力データとの相関度を示す適合度データを取得するマッチング処理部と、
前記正規化部により取得された前記ノルムが、所定の状態において取得される前記特徴ベクトルデータのノルムに対応する確率を示す値であるアクティビティ値を取得するアクティビティ値取得部と、
前記マッチング処理部により取得された前記適合度データ、および、前記アクティビティ値取得部により取得されたアクティビティ値の少なくとも1つに基づいて、状態評価値を取得する状態判定部と、
前記状態評価値と、所定の状態間の状態遷移確率とに基づいて、前記計測データが示す状態を推定する時系列推定部と、
を備える集積回路。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016089034A JP6704574B2 (ja) | 2016-04-27 | 2016-04-27 | 状態判定装置、プログラムおよび集積回路 |
US15/498,006 US11574221B2 (en) | 2016-04-27 | 2017-04-26 | State determination apparatus, state determination method, and integrated circuit |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016089034A JP6704574B2 (ja) | 2016-04-27 | 2016-04-27 | 状態判定装置、プログラムおよび集積回路 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017199184A JP2017199184A (ja) | 2017-11-02 |
JP6704574B2 true JP6704574B2 (ja) | 2020-06-03 |
Family
ID=60156899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016089034A Active JP6704574B2 (ja) | 2016-04-27 | 2016-04-27 | 状態判定装置、プログラムおよび集積回路 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11574221B2 (ja) |
JP (1) | JP6704574B2 (ja) |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3776500B2 (ja) * | 1996-03-26 | 2006-05-17 | オリンパス株式会社 | 多重化光学系及びそれを用いた特徴ベクトル変換装置、特徴ベクトル検出伝送装置、及び、それらを用いた認識分類装置 |
US7630757B2 (en) * | 1997-01-06 | 2009-12-08 | Flint Hills Scientific Llc | System for the prediction, rapid detection, warning, prevention, or control of changes in activity states in the brain of a subject |
US6522266B1 (en) * | 2000-05-17 | 2003-02-18 | Honeywell, Inc. | Navigation system, method and software for foot travel |
US20050135667A1 (en) * | 2003-12-22 | 2005-06-23 | Abb Oy. | Method and apparatus for labeling images and creating training material |
JP4697670B2 (ja) * | 2005-01-05 | 2011-06-08 | 日本電気株式会社 | 識別用データ学習システム、学習装置、識別装置及び学習方法 |
GB0505396D0 (en) * | 2005-03-16 | 2005-04-20 | Imp College Innovations Ltd | Spatio-temporal self organising map |
JP4945745B2 (ja) * | 2006-02-06 | 2012-06-06 | 国立大学法人鳥取大学 | 自己組織化マップを用いた波形解析システム、波形解析のための自己組織化マップの作成方法及び作成プログラム並びに脈波解析システム |
JP5009543B2 (ja) * | 2006-03-10 | 2012-08-22 | 株式会社エヌ・ティ・ティ・ドコモ | 複軸センサからの特定信号パターン検出システム、複軸センサからの特定信号パターン検出方法 |
US8924162B2 (en) * | 2010-05-13 | 2014-12-30 | University Of Cincinnati | Turbine-to-turbine prognostics technique for wind farms |
US8463721B2 (en) * | 2010-08-05 | 2013-06-11 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for recognizing events |
EP2737436A4 (en) * | 2011-07-28 | 2015-06-17 | Arb Labs Inc | SYSTEMS AND METHODS FOR DETECTING BODY MOVEMENTS BY USING MULTI-DIMENSIONAL GESTURE DATA GENERATED GLOBALLY |
JP5816385B2 (ja) * | 2015-01-07 | 2015-11-18 | 株式会社東芝 | 質問予測装置、質問予測方法および質問予測プログラム |
-
2016
- 2016-04-27 JP JP2016089034A patent/JP6704574B2/ja active Active
-
2017
- 2017-04-26 US US15/498,006 patent/US11574221B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
US11574221B2 (en) | 2023-02-07 |
US20170316332A1 (en) | 2017-11-02 |
JP2017199184A (ja) | 2017-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hartmann et al. | EEG-GAN: Generative adversarial networks for electroencephalograhic (EEG) brain signals | |
JP6962263B2 (ja) | 3次元点群ラベル学習装置、3次元点群ラベル推定装置、3次元点群ラベル学習方法、3次元点群ラベル推定方法、及びプログラム | |
Kinsner | Characterizing chaos through Lyapunov metrics | |
Lee et al. | A hybrid neural network model for noisy data regression | |
CN111860588A (zh) | 一种用于图神经网络的训练方法以及相关设备 | |
Przybył et al. | A new method to construct of interpretable models of dynamic systems | |
CN114943324B (zh) | 神经网络训练方法、人体运动识别方法及设备、存储介质 | |
JP7439004B2 (ja) | 行動認識装置、学習装置、および行動認識方法 | |
US20200302240A1 (en) | Learning method, learning device, and non-transitory computer-readable storage medium for storing learning program | |
Salinas-Gutiérrez et al. | Using gaussian copulas in supervised probabilistic classification | |
Ganesan et al. | Internet of medical things with cloud-based e-health services for brain tumour detection model using deep convolution neural network | |
Stergiopoulos | Gaussian mixtures and their applications to signal processing | |
EP3965007A1 (en) | Action recognition apparatus, learning apparatus, and action recognition method | |
JP6704574B2 (ja) | 状態判定装置、プログラムおよび集積回路 | |
JP2008289660A (ja) | 脳機能画像分析装置およびその方法並びに脳機能画像分析のためプログラム | |
US10586154B2 (en) | State estimation apparatus, state estimation method, and integrated circuit | |
JP6663780B2 (ja) | 状態判定装置、プログラムおよび集積回路 | |
Small et al. | Testing time series for nonlinearity | |
JP6663765B2 (ja) | 状態判定装置、プログラムおよび集積回路 | |
Abdulali et al. | Sample selection of multi-trial data for data-driven haptic texture modeling | |
CN107492101B (zh) | 基于自适应构造最优图的多模态鼻咽肿瘤分割算法 | |
Ghazali et al. | An application of Jordan Pi-sigma neural network for the prediction of temperature time series signal | |
Kumar et al. | Network dissensus via distributed ADMM | |
Malyshkin | Multiple--Instance Learning: Christoffel Function Approach to Distribution Regression Problem | |
JP7477859B2 (ja) | 計算機、計算方法及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190403 |
|
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: 20200303 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200228 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200316 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6704574 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |