JP7036272B1 - データ収集システム、データ収集方法及びデータ収集装置 - Google Patents
データ収集システム、データ収集方法及びデータ収集装置 Download PDFInfo
- Publication number
- JP7036272B1 JP7036272B1 JP2021164964A JP2021164964A JP7036272B1 JP 7036272 B1 JP7036272 B1 JP 7036272B1 JP 2021164964 A JP2021164964 A JP 2021164964A JP 2021164964 A JP2021164964 A JP 2021164964A JP 7036272 B1 JP7036272 B1 JP 7036272B1
- Authority
- JP
- Japan
- Prior art keywords
- data
- occurrence
- target transmission
- condition
- transmission amount
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Selective Calling Equipment (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
Description
前記機械学習モデルによって分類される全てのクラスのうち他のクラスに比べて相対的に発生確率の低い低発生クラスの発生確率を、前記データ取得装置によってデータが取得されたときの条件毎に特定する発生確率特定部と、
前記データ取得装置から前記データ収集装置への単位時間当たりの目標送信量を前記条件毎に設定する目標送信量設定部と、
前記データ取得装置によってデータが取得される現在の条件を特定する条件特定部と、
前記特定された現在の条件に対応する目標送信量に従って、前記データ取得装置から前記データ収集装置へデータを送信させる送信制御部と、を有し、
前記目標送信量設定部は、前記低発生クラスの発生確率が相対的に高い条件では、前記低発生クラスの発生確率が相対的に低い条件に比べて、前記データ取得装置から前記データ収集装置への単位時間当たりのデータ送信量が多くなるように、前記目標送信量を設定する、データ収集システム。
(2)前記目標送信量設定部は、前記低発生クラスの発生確率が高くなるほど、前記データ取得装置から前記データ収集装置への単位時間当たりのデータ送信量が多くなるように、単位時間当たりの目標送信量を設定する、上記(1)に記載のデータ収集システム。
(3)当該データ収集システムは、入力パラメータが少なくとも部分的に異なる複数の機械学習モデルの学習に必要なデータを収集し、
前記目標送信量設定部は、前記機械学習モデルのうち人間の健康に関する機械学習モデルについては、人間の健康に関しない機械学習モデルに比べて、低発生クラスの発生確率が同一の条件に対して前記単位時間当たりの目標送信量が多くなるように、前記単位時間当たりの目標送信量を設定する、上記(1)又は(2)に記載のデータ収集システム。
(4)前記機械学習モデルによって分類される全てのクラスのうち、他のクラスに比べて、相対的に発生確率の低い低発生クラスを特定する、クラス特定部を更に備える、上記(1)~(3)のいずれか1つに記載のデータ収集システム。
(5)前記データ収集装置が前記発生確率特定部と目標送信量設定部とを有し、前記データ取得装置が前記条件特定部と前記送信制御部とを有する、上記(1)~(4)のいずれか1つに記載のデータ収集システム。
(6)複数のクラスへの分類を行う機械学習モデルの学習に必要なデータをデータ取得装置からデータ収集装置へ収集するデータ収集方法であって、
前記機械学習モデルによって分類される全てのクラスのうち他のクラスに比べて相対的に発生確率の低い低発生クラスの発生確率を、前記データ取得装置によってデータが取得されたときの条件毎に特定することと、
前記低発生クラスの発生確率が相対的に高い条件では、前記低発生クラスの発生確率が相対的に低い条件に比べて、前記データ取得装置から前記データ収集装置への単位時間当たりのデータ送信量が多くなるように、前記データ取得装置から前記データ収集装置への単位時間当たりの目標送信量を前記条件毎に設定することと、
前記データ取得装置によってデータが取得される現在の条件を特定することと、
前記特定された現在の条件に対応する目標送信量に従って、前記データ取得装置から当該データ収集装置へデータを送信させることと、を有する、データ収集方法。
(7)複数のクラスへの分類を行う機械学習モデルの学習に必要なデータをデータ取得装置から収集するデータ収集装置であって、
前記機械学習モデルによって分類される全てのクラスのうち他のクラスに比べて相対的に発生確率の低い低発生クラスの発生確率を、前記データ取得装置によってデータが取得されたときの条件毎に特定する発生確率特定部と、
前記データ取得装置から前記データ収集装置への単位時間当たりの目標送信量を前記条件毎に設定する目標送信量設定部と、を有し、
前記目標送信量設定部は、前記低発生クラスの発生確率が相対的に高い条件では、前記低発生クラスの発生確率が相対的に低い条件に比べて、前記データ取得装置からの単位時間当たりのデータ送信量が多くなるように、前記目標送信量を設定し、
前記目標送信量設定部は、前記目標送信量設定部によって設定された前記条件毎の単位時間当たりの目標送信量を前記データ取得装置へ送信する、データ収集装置。
<機械学習システムの構成>
図1及び図2を参照して、第一実施形態に係る機械学習システム1の構成について説明する。図1は、機械学習システム1の概略的な構成図である。機械学習システム1は、サーバにおいて用いられる機械学習モデルを学習させる。また、機械学習システム1は、機械学習モデルの使用及び学習に必要なデータを収集するデータ収集システムとしても機能する。
本実施形態では、端末機器10において所定の処理を行うときに、機械学習された機械学習モデルが用いられる。本実施形態では、機械学習モデルは、端末機器10のセンサ12から取得されたデータに基づいて、複数のクラスへの分類を行うモデルである。以下では、端末機器10のセンサ12から取得されたデータに基づいて、端末機器10を保持している人が熱中症に罹患するか否かを推定する(すなわち、熱中症に罹患することを表すクラスと、熱中症に罹患しないことを表すクラスとを分類する)機械学習モデルを例にとって説明する。
次に、図3を参照して、端末機器10における機械学習モデルを使用した処理について説明する。本実施形態では、端末機器10は、端末機器10のセンサ12によって検出された各種パラメータの値に基づいて、端末機器10を保持するユーザが熱中症に罹患するか否かを推定する。加えて、端末機器10は、熱中症に罹患すると判定されたときには熱中症になる危険性がある旨をユーザに通知する。端末機器10のプロセッサ16は、熱中症に罹患するか否かを推定するにあたって、データ取得部161と、モデル実行部162と、通知部163と、を用いる。
次に、図3、図5~図8を参照して、各端末機器10のモデル実行部162において用いられる機械学習モデルの学習処理について説明する。本実施形態では、機械学習モデルの学習は、サーバ20において行われる。具体的には、端末機器10は、端末機器10において取得された学習用のデータをサーバ20へ送信する。サーバ20は、受信した学習用のデータを用いてサーバ20が機械学習モデルの学習を行うと共に学習済みの機械学習モデルを端末機器10へ送信する。そして、端末機器10は機械学習モデルを送信された学習済みのモデルに更新する。
本実施形態によれば、低発生クラスの発生確率が高い条件が成立している場合に、端末機器10から高い頻度でデータがサーバ20へ送信される。一方、低発生クラスの発生確率が高い条件が成立していない場合には、端末機器10から低い頻度でデータがサーバ20へ送信される。したがって、高い精度で学習するのに必要なデータについては高い頻度でサーバ20へ送信される。一方、高い精度で学習するのにそれほど必要でないデータについては低い頻度でサーバ20へ送信される。この結果、端末機器10からサーバ20への過剰なデータの送信を抑制しつつ、推定精度の高い機械学習モデルを作成することができるようになる。したがって、本実施形態によれば、端末機器10から効率的にデータを収集することができるようになる。
次に、図10~図11を参照して、第二実施形態に係る機械学習システム1について説明する。以下では、第一実施形態に係る機械学習システムと異なる点を中心に説明する。本実施形態では、サーバ20は、入力パラメータが少なくとも部分的に異なる複数の機械学習モデルの学習を行う。したがって、サーバは、斯かる複数の機械学習モデルの学習に必要なデータを収集する。サーバ20は、以下では、サーバ20が、熱中症に罹患するか否かを出力する第1機械学習モデルと、異常者が発生するか否かを出力する第2機械学習モデルとの学習を行う場合を例にとって説明する。
4 通信ネットワーク
5 無線基地局
10 端末機器
20 サーバ
Claims (7)
- 複数のクラスへの分類を行う機械学習モデルの学習に必要なデータをデータ取得装置からデータ収集装置へ収集するデータ収集システムであって、
前記機械学習モデルによって分類される全てのクラスのうち他のクラスに比べて相対的に発生確率の低い低発生クラスの発生確率を、前記データ取得装置によってデータが取得されたときの条件毎に特定する発生確率特定部と、
前記データ取得装置から前記データ収集装置への単位時間当たりの目標送信量を前記条件毎に設定する目標送信量設定部と、
前記データ取得装置によってデータが取得される現在の条件を特定する条件特定部と、
前記特定された現在の条件に対応する目標送信量に従って、前記データ取得装置から前記データ収集装置へデータを送信させる送信制御部と、を有し、
前記目標送信量設定部は、前記低発生クラスの発生確率が相対的に高い条件では、前記低発生クラスの発生確率が相対的に低い条件に比べて、前記データ取得装置から前記データ収集装置への単位時間当たりのデータ送信量が多くなるように、前記目標送信量を設定する、データ収集システム。 - 前記目標送信量設定部は、前記低発生クラスの発生確率が高くなるほど、前記データ取得装置から前記データ収集装置への単位時間当たりのデータ送信量が多くなるように、単位時間当たりの目標送信量を設定する、請求項1に記載のデータ収集システム。
- 当該データ収集システムは、入力パラメータが少なくとも部分的に異なる複数の機械学習モデルの学習に必要なデータを収集し、
前記目標送信量設定部は、前記機械学習モデルのうち人間の健康に関する機械学習モデルについては、人間の健康に関しない機械学習モデルに比べて、低発生クラスの発生確率が同一の条件に対して前記単位時間当たりの目標送信量が多くなるように、前記単位時間当たりの目標送信量を設定する、請求項1又は2に記載のデータ収集システム。 - 前記機械学習モデルによって分類される全てのクラスのうち、他のクラスに比べて、相対的に発生確率の低い低発生クラスを特定する、クラス特定部を更に備える、請求項1~3のいずれか1項に記載のデータ収集システム。
- 前記データ収集装置が前記発生確率特定部と目標送信量設定部とを有し、前記データ取得装置が前記条件特定部と前記送信制御部とを有する、請求項1~4のいずれか1項に記載のデータ収集システム。
- 複数のクラスへの分類を行う機械学習モデルの学習に必要なデータをデータ取得装置からデータ収集装置へ収集するデータ収集方法であって、
発生確率特定部が、前記機械学習モデルによって分類される全てのクラスのうち他のクラスに比べて相対的に発生確率の低い低発生クラスの発生確率を、前記データ取得装置によってデータが取得されたときの条件毎に特定することと、
目標送信量設定部が、前記低発生クラスの発生確率が相対的に高い条件では、前記低発生クラスの発生確率が相対的に低い条件に比べて、前記データ取得装置から前記データ収集装置への単位時間当たりのデータ送信量が多くなるように、前記データ取得装置から前記データ収集装置への単位時間当たりの目標送信量を前記条件毎に設定することと、
条件特定部が、前記データ取得装置によってデータが取得される現在の条件を特定することと、
送信制御部が、前記特定された現在の条件に対応する目標送信量に従って、前記データ取得装置から当該データ収集装置へデータを送信させることと、を有する、データ収集方法。 - 複数のクラスへの分類を行う機械学習モデルの学習に必要なデータをデータ取得装置から収集するデータ収集装置であって、
前記機械学習モデルによって分類される全てのクラスのうち他のクラスに比べて相対的に発生確率の低い低発生クラスの発生確率を、前記データ取得装置によってデータが取得されたときの条件毎に特定する発生確率特定部と、
前記データ取得装置から前記データ収集装置への単位時間当たりの目標送信量を前記条件毎に設定する目標送信量設定部と、を有し、
前記目標送信量設定部は、前記低発生クラスの発生確率が相対的に高い条件では、前記低発生クラスの発生確率が相対的に低い条件に比べて、前記データ取得装置からの単位時間当たりのデータ送信量が多くなるように、前記目標送信量を設定し、
前記目標送信量設定部は、前記目標送信量設定部によって設定された前記条件毎の単位時間当たりの目標送信量を前記データ取得装置へ送信する、データ収集装置。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021164964A JP7036272B1 (ja) | 2021-10-06 | 2021-10-06 | データ収集システム、データ収集方法及びデータ収集装置 |
CN202211206531.7A CN115952467A (zh) | 2021-10-06 | 2022-09-30 | 数据收集***、数据收集方法及数据收集装置 |
US17/959,840 US20230109079A1 (en) | 2021-10-06 | 2022-10-04 | Data collection system, data collection method. and data collection device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021164964A JP7036272B1 (ja) | 2021-10-06 | 2021-10-06 | データ収集システム、データ収集方法及びデータ収集装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP7036272B1 true JP7036272B1 (ja) | 2022-03-15 |
JP2023055518A JP2023055518A (ja) | 2023-04-18 |
Family
ID=81213528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021164964A Active JP7036272B1 (ja) | 2021-10-06 | 2021-10-06 | データ収集システム、データ収集方法及びデータ収集装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230109079A1 (ja) |
JP (1) | JP7036272B1 (ja) |
CN (1) | CN115952467A (ja) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020153170A1 (ja) * | 2019-01-22 | 2020-07-30 | 株式会社Nttドコモ | 情報処理装置 |
JP2020194994A (ja) * | 2019-05-24 | 2020-12-03 | 株式会社Screenホールディングス | データ収集方法、学習方法、データ収集システムおよび学習システム |
JP6885517B1 (ja) * | 2020-03-17 | 2021-06-16 | 株式会社村田製作所 | 診断支援装置及びモデル生成装置 |
-
2021
- 2021-10-06 JP JP2021164964A patent/JP7036272B1/ja active Active
-
2022
- 2022-09-30 CN CN202211206531.7A patent/CN115952467A/zh active Pending
- 2022-10-04 US US17/959,840 patent/US20230109079A1/en not_active Abandoned
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020153170A1 (ja) * | 2019-01-22 | 2020-07-30 | 株式会社Nttドコモ | 情報処理装置 |
JP2020194994A (ja) * | 2019-05-24 | 2020-12-03 | 株式会社Screenホールディングス | データ収集方法、学習方法、データ収集システムおよび学習システム |
JP6885517B1 (ja) * | 2020-03-17 | 2021-06-16 | 株式会社村田製作所 | 診断支援装置及びモデル生成装置 |
Also Published As
Publication number | Publication date |
---|---|
US20230109079A1 (en) | 2023-04-06 |
JP2023055518A (ja) | 2023-04-18 |
CN115952467A (zh) | 2023-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Deep et al. | A survey on anomalous behavior detection for elderly care using dense-sensing networks | |
Alvarez et al. | Behavior analysis through multimodal sensing for care of Parkinson’s and Alzheimer’s patients | |
US11504068B2 (en) | Methods, systems, and media for predicting sensor measurement quality | |
US20210401378A1 (en) | Health Monitoring Platform for Illness Detection | |
US10959645B2 (en) | Methods and systems for locating patients in a facility | |
CN109077710B (zh) | 自适应心率估计的方法、装置和*** | |
US20210092219A1 (en) | Apparatus and control method for recommending do-not-disturb mode based on context-awareness | |
CN112603327B (zh) | 一种心电信号的检测方法、装置、终端以及存储介质 | |
US20220013236A1 (en) | Systems and methods for detecting early indications of illnesses | |
JP7036272B1 (ja) | データ収集システム、データ収集方法及びデータ収集装置 | |
JP7088397B1 (ja) | データ収集システム、データ収集装置、データ取得装置及びデータ収集方法 | |
US20230123815A1 (en) | Stability scoring of individuals utilizing inertial sensor device | |
JP7040664B1 (ja) | データ収集装置、データ取得装置及びデータ収集方法 | |
JP2023077288A (ja) | データ収集装置、データ収集方法、端末機器 | |
JP7147942B1 (ja) | データ収集装置、データ収集システム、データ収集方法 | |
Petrović et al. | Cloud-based health monitoring system based on commercial off-the-shelf hardware | |
US20240013914A1 (en) | Determination apparatus | |
US20220409187A1 (en) | Illness detection with menstrual cycle pattern analysis | |
Gendy et al. | Future Prediction of Close Contacts in IoT-based Contact Tracing System using a New Real-Life Dataset | |
Mitra et al. | Automatic Detection of Situational Context Using AI from Minimal Sensor Modality | |
Nanjundan et al. | Edge Computing for Smart Disease Prediction Treatment Therapy | |
Wang et al. | Eating Speed Measurement Using Wrist-Worn IMU Sensors in Free-Living Environments | |
KR20220017295A (ko) | 행동 인지(activity recognition, AR)를 이용한 로케이션 히스토리 결정 장치 및 방법 | |
KR20230084695A (ko) | 스마트 밴드를 이용한 건강 상태 모니터링 시스템, 및 이를 이용한 모니터링 정보 제공 방법 | |
KR20180108532A (ko) | 응급 상태 탐지를 위한 이동 단말기 및 이의 제어 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211006 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20211006 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220111 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220124 |
|
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: 20220201 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220214 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7036272 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |