JP2019162408A - 対象者における軽度認知障害の検出のためのシステム及び方法 - Google Patents
対象者における軽度認知障害の検出のためのシステム及び方法 Download PDFInfo
- Publication number
- JP2019162408A JP2019162408A JP2018243748A JP2018243748A JP2019162408A JP 2019162408 A JP2019162408 A JP 2019162408A JP 2018243748 A JP2018243748 A JP 2018243748A JP 2018243748 A JP2018243748 A JP 2018243748A JP 2019162408 A JP2019162408 A JP 2019162408A
- Authority
- JP
- Japan
- Prior art keywords
- sensor data
- data
- subject
- vector representation
- semantic vector
- 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
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- 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
- A61B5/7232—Signal processing specially adapted for physiological signals or for diagnostic purposes involving compression of the physiological signal, e.g. to extend the signal recording period
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1118—Determining activity level
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Neurology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Data Mining & Analysis (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Neurosurgery (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Hospice & Palliative Care (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
Description
上記の表1から示され得るように、センサー・データは、スマート環境からの特定の時間間隔の間の対象者に関係するADLを示す。センサー・ステータスの値が「OK」に設定された場合、センサーは、ルーチン活動をモニタしており(センサーが電力供給されていることを示し)、他の場合、センサー・ステータスは「NOK」に設定され、これは、ルーチン活動がモニタされていないことを意味する。ルーチン活動は、バッテリー消耗、通信停止、故障などの様々な理由によりモニタされないことがある。さらに、「センサー複製」パラメータは、通常複製される温度センサー又は圧力センサーなどのセンサーの事例の数を示す。さらに、パラメータ「センサーのロケーション」は、センサーの物理的ロケーションに関する情報を与えることができる。収集されたセンサー・データは、センサー複製、センサー・ステータス及びセンサー位置」に基づいてラベリングされ、2017年1月1日の1:00:07にセンサー位置がベッドであり、センサー複製が1であり、センサー・ステータスがOKである場合、センサーのラベリングは、2017年1月1日の1:00:07、対象者がベッド上にいる、となり、活動は休息/睡眠としてラベリングされる。
一実施例では、RNNとともに数個の知られている技法の推定の精度の比較が、以下の表2に示されている。
RNNの予測精度技法が、他の既存の技術と比較してより良好であることが、表2から明白である。一実施例では、図4に示されているように、予想されるグラフとともにRNNを使用することが予測される。
ここで、
は、第iの対象者のための第xの長いベクトルであり、
(tj;S1;S2; ::SN)は、1日の第jの秒における単一の短いベクトルである。
一実施例では、図5に示されているパラメータs、n、tを使用する、1日(24時間)のための長いベクトル及び短いベクトルの表現。
上記の表3から示され得るように、表は、特定の時間の下でとられたそれぞれの対象者について個人化された動的しきい値パラメータ((φ))を含んでいる。
BSsensor=i*Tf〜(i+1)Tf分
Tf=20の場合のi=20の実例について考えると、アレイにおける第20のエントリは、時間インスタンス420分を除く、(400〜420)分に対応する。さらに、第iのエントリBSsensor(i)が1である場合、BSsensorにおける少なくとも1つのエントリは1であり、他の場合、BSsensor(i)は0である。
複数のセンサーのBSsensorが、任意の時間インスタンスのための全体的行動OB(Overall Behavior)を推定するために使用され、以下のように表される。
計算されたOBは、OBAverage又はN日を計算するためにさらに使用され、以下のように表される。
OBAverage=mean(OBN−Day)
さらに、行動逸脱が、各日について計算され、以下のように表される。
BDDay=OBN−Day−OBAverage
さらに、技術分野で知られている、主成分分析がBDDayに対して実施され、BDDayは、N個のベクトルの収集を含む。さらに、BDのための90%分散のために必要な固有ベクトル(m)が推定され、固有ベクトル(m)は、時間間隔NのためのpersonalVariationIndexを計算するためにさらに使用され、以下のように表される。
personalVariationIndexTimeInterval=m/N
以下の表4に、本開示のいくつかの実施例による、personalVariationIndexの計算の例示的な実例がある。
Claims (15)
- 対象者における軽度認知障害(MCI)の検出のためのプロセッサ実装方法であって、
複数のセンサーからセンサー・データを受信するステップであって、前記受信されたセンサー・データが、特定の時間間隔の間の対象者に関係する日常生活活動(ADL)を示す、受信するステップ(302)と、
補正されたセンサー・データを生成するために、長短期記憶(LSTM)を使用することによって、前記受信されたセンサー・データ中の壊れたセンサー・データを正しいセンサー・データで置換するステップであって、前記壊れたセンサー・データが、データベースに記憶された学習パターンと履歴データとに基づいて、前記正しいセンサー・データで置換される、置換するステップ(304)と、
前記補正されたセンサー・データの意味ベクトル表現を生成するステップであって、前記意味ベクトル表現が複数のサブベクトルを含み、前記複数のサブベクトルの各々が、所定の時間間隔の前記補正されたセンサー・データのサブセットのものを含む、生成するステップ(306)と、
最適化されたベクトル・データを生成するために、オート・エンコーダを使用することによって、前記補正されたセンサー・データの前記意味ベクトル表現のサイズを最適化するステップ(308)と、
(i)前記時間間隔の間の前記最適化されたベクトル・データの、(ii)データベースに記憶された対応する補正されたセンサー・データを含む隣接する最適化されたベクトル・データとの比較から取得された1つ又は複数の類似度値に基づいて、動的しきい値パラメータ(φ)を推定するステップ(310)と、
前記1つ又は複数の類似度値の、前記動的しきい値パラメータとの比較を実施するステップ(312)と、
前記比較に基づいて、前記対象者の行動逸脱を示す1つ又は複数の異常を検出するステップ(314)と
を含む、プロセッサ実装方法。 - 最適化されたベクトル・データを生成するために、オート・エンコーダを使用することによって、前記補正されたセンサー・データの前記意味ベクトル表現のサイズを前記最適化するステップが、前記補正されたセンサー・データの前記意味ベクトル表現に対して、次元削減ベース・ウィンドウ・サイジング技法を適用するステップを含む、請求項1に記載のプロセッサ実装方法。
- 前記対象者の行動逸脱を検出すると、前記最適化されたベクトル・データに対応する前記意味ベクトル表現を分析し、前記分析された意味ベクトル表現の、前の隣接する意味ベクトル表現との比較を実施するステップと、前記データベース中の前記対象者の前記行動逸脱に固有の開始時間及び終了時間を記憶するステップとをさらに含む、請求項1に記載のプロセッサ実装方法。
- 前記対象者の前記行動逸脱に固有の前記開始時間と前記終了時間とに基づいて、1つ又は複数の対応するサブベクトルを分析するステップと、前記分析された1つ又は複数の対応するサブベクトルを1つ又は複数の異常ベクトルとしてタグ付けするステップとをさらに含む、請求項3に記載のプロセッサ実装方法。
- 前記開始時間と前記終了時間との間の1つ又は複数のランダム活動を検出するステップと、1つ又は複数の反復ランダム活動の持続時間が、対応する特定の活動の実際の持続時間よりも少ない又は多いとき、異常行動を示すフラグを生成するステップとをさらに含む、請求項4に記載のプロセッサ実装方法。
- 前記行動逸脱についての分散に基づいて固有ベクトルのセットを取得するために、前記特定の時間間隔の間に検出された前記対象者の前記行動逸脱に対して主成分分析(PCA)を実施するステップと、固有ベクトルの前記セットに基づいて個人変動インデックスを計算するステップとをさらに含む、請求項1に記載のプロセッサ実装方法。
- 前記個人変動インデックスの、あらかじめ定義されたしきい値との比較を実施するステップと、前記比較に基づいて、異常行動として前記対象者の行動にフラグを付けるステップとをさらに含む、請求項6に記載のプロセッサ実装方法。
- 命令(102)と集中型データベース(110)とを記憶するメモリと、
1つ又は複数の通信インターフェース(106)と、
前記1つ又は複数の通信インターフェースを介して前記メモリに結合された1つ又は複数のハードウェア・プロセッサ(104)と
を備えるシステム(100)であって、前記1つ又は複数のハードウェア・プロセッサは、
複数のセンサーからセンサー・データを受信することであって、前記受信されたセンサー・データが、特定の時間間隔の間の対象者に関係する日常生活活動(ADL)を示す、受信することと、
前処理モジュール202において、補正されたセンサー・データを生成するために、長短期記憶(LSTM)を使用することによって、前記受信されたセンサー・データ中の壊れたセンサー・データを正しいセンサー・データで置換することであって、前記壊れたセンサー・データが、データベースに記憶された学習パターンと履歴データとに基づいて、前記正しいセンサー・データで置換される、置換することと、
前記補正されたセンサー・データの意味ベクトル表現を生成することであって、前記意味ベクトル表現が複数のサブベクトルを含み、前記複数のサブベクトルの各々が、所定の時間間隔の前記補正されたセンサー・データのサブセットのものを含む、生成することと、
最適化されたベクトル・データを生成するために、前記補正されたセンサー・データの前記意味ベクトル表現のサイズを最適化することと、
最適化モジュール204において、(i)前記時間間隔の間の前記最適化されたベクトル・データの、(ii)前記データベースに記憶された対応する補正されたセンサー・データを含む隣接する最適化されたベクトル・データとの比較から取得された1つ又は複数の類似度値に基づいて、動的しきい値パラメータ(φ)を推定することと、
前記1つ又は複数の類似度値の、前記動的しきい値パラメータとの比較を実施することと、
前記比較に基づいて、前記対象者の行動逸脱を示す1つ又は複数の異常を検出することと、
逸脱された圧縮されたベクトル・データを1つ又は複数の基準ベクトルと比較することによって、前記逸脱された圧縮されたベクトル・データ中の1つ又は複数の異常を検出することと
を行うための命令によって構成された、システム(100)。 - 前記補正されたセンサー・データの前記意味ベクトル表現の前記サイズを前記最適化するためのステップが、前記補正されたセンサー・データの前記意味ベクトル表現に対して、次元削減ベース・ウィンドウ・サイジング技法を適用することによって、前記最適化されたベクトル・データを生成するために最適化される、請求項8に記載のシステム。
- 前記1つ又は複数のハードウェア・プロセッサが、前記対象者の行動逸脱を検出すると、前記最適化されたベクトル・データに対応する前記意味ベクトル表現を分析し、前記分析された意味ベクトル表現の、前の隣接する意味ベクトル表現との比較を実施することと、前記データベース中の前記対象者の前記行動逸脱に固有の開始時間及び終了時間を記憶することとを行うようにさらに構成された、請求項8に記載のシステム。
- 前記1つ又は複数のハードウェア・プロセッサが、前記対象者の前記行動逸脱に固有の前記開始時間と前記終了時間とに基づいて、1つ又は複数の対応するサブベクトルを分析することと、前記分析された1つ又は複数の対応するサブベクトルを、実施される1つ又は複数の異常ベクトルとしてタグ付けすることとを行うようにさらに構成された、請求項10に記載のシステム。
- 前記1つ又は複数のハードウェア・プロセッサは、前記開始時間と前記終了時間との間の1つ又は複数のランダム活動を検出することと、1つ又は複数の反復ランダム活動の持続時間が、対応する特定の活動の実際の持続時間よりも少ない又は多いとき、異常行動を示すフラグを生成することとを行うようにさらに構成された、請求項11に記載のシステム。
- 前記1つ又は複数のハードウェア・プロセッサが、前記行動逸脱についての分散に基づいて固有ベクトルのセットを取得するために、前記特定の時間間隔の間に検出された前記対象者の前記行動逸脱に対して主成分分析(PCA)を実施することと、固有ベクトルの前記セットに基づいて個人変動インデックスを計算することとを行うようにさらに構成された、請求項8に記載のシステム。
- 前記1つ又は複数のハードウェア・プロセッサが、前記個人変動インデックスの、あらかじめ定義されたしきい値との比較を実施することと、前記比較に基づいて、異常行動として前記対象者の行動にフラグを付けることとを行うようにさらに構成された、請求項13に記載のシステム。
- 対象者における軽度認知障害(MCI)の検出のためのコンピュータ・プログラムをその上で具現した非一時的コンピュータ可読媒体であって、方法は、
複数のセンサーからセンサー・データを受信するステップであって、前記受信されたセンサー・データが、特定の時間間隔の間の対象者に関係する日常生活活動(ADL)を示す、受信するステップ(302)と、
補正されたセンサー・データを生成するために、長短期記憶(LSTM)を使用することによって、前記受信されたセンサー・データ中の壊れたセンサー・データを正しいセンサー・データで置換するステップであって、前記壊れたセンサー・データが、データベースに記憶された学習パターンと履歴データとに基づいて、前記正しいセンサー・データで置換される、置換するステップ(304)と、
前記補正されたセンサー・データの意味ベクトル表現を生成するステップであって、前記意味ベクトル表現が複数のサブベクトルを含み、前記複数のサブベクトルの各々が、所定の時間間隔の前記補正されたセンサー・データのサブセットのものを含む、生成するステップ(306)と、
最適化されたベクトル・データを生成するために、オート・エンコーダを使用することによって、前記補正されたセンサー・データの前記意味ベクトル表現のサイズを最適化するステップ(308)と、
(i)前記時間間隔の間の前記最適化されたベクトル・データの、(ii)データベースに記憶された対応する補正されたセンサー・データを含む隣接する最適化されたベクトル・データとの比較から取得された1つ又は複数の類似度値に基づいて、動的しきい値パラメータ(φ)を推定するステップ(310)と、
前記1つ又は複数の類似度値の、前記動的しきい値パラメータとの比較を実施するステップ(312)と、
前記比較に基づいて、前記対象者の行動逸脱を示す1つ又は複数の異常を検出するステップ(314)と
を含む、非一時的コンピュータ可読媒体。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IN201821007810 | 2018-03-01 | ||
IN201821007810 | 2018-03-01 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019162408A true JP2019162408A (ja) | 2019-09-26 |
JP6774483B2 JP6774483B2 (ja) | 2020-10-21 |
Family
ID=64023918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018243748A Active JP6774483B2 (ja) | 2018-03-01 | 2018-12-26 | 対象者における軽度認知障害を検出する方法、システム及びコンピュータ可読媒体 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11445973B2 (ja) |
EP (1) | EP3534374B1 (ja) |
JP (1) | JP6774483B2 (ja) |
SG (1) | SG10201811164SA (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020181256A (ja) * | 2019-04-23 | 2020-11-05 | Kddi株式会社 | 複数のセンサの時系列の計測値群における欠損値を補完するプログラム、装置及び方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112168142B (zh) * | 2020-09-28 | 2021-10-15 | 成都中医药大学 | 基于daela-lstm神经网络的痛经中医辨证系统 |
CN113297801B (zh) * | 2021-06-15 | 2022-10-14 | 哈尔滨工程大学 | 一种基于steof-lstm的海洋环境要素预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009254817A (ja) * | 2008-04-15 | 2009-11-05 | General Electric Co <Ge> | 人の認知能力を監視するシステム及び方法 |
US20120059282A1 (en) * | 2009-03-17 | 2012-03-08 | Emory University | Internet-based cognitive diagnostics using visual paired comparison task |
US20130218053A1 (en) * | 2010-07-09 | 2013-08-22 | The Regents Of The University Of California | System comprised of sensors, communications, processing and inference on servers and other devices |
US20160314255A1 (en) * | 2015-04-21 | 2016-10-27 | Diane J. Cook | Environmental sensor-based cognitive assessment |
JP2017117423A (ja) * | 2015-12-17 | 2017-06-29 | 日本ロジックス株式会社 | 見守りシステム及び見守り方法 |
JP2017200572A (ja) * | 2016-05-02 | 2017-11-09 | パナソニックIpマネジメント株式会社 | 認知症情報出力システム及び制御プログラム |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6313730B2 (ja) * | 2015-04-10 | 2018-04-18 | タタ コンサルタンシー サービシズ リミテッドTATA Consultancy Services Limited | 異常検出システムおよび方法 |
-
2018
- 2018-10-10 EP EP18199515.0A patent/EP3534374B1/en active Active
- 2018-10-10 US US16/156,971 patent/US11445973B2/en active Active
- 2018-12-13 SG SG10201811164S patent/SG10201811164SA/en unknown
- 2018-12-26 JP JP2018243748A patent/JP6774483B2/ja active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009254817A (ja) * | 2008-04-15 | 2009-11-05 | General Electric Co <Ge> | 人の認知能力を監視するシステム及び方法 |
US20120059282A1 (en) * | 2009-03-17 | 2012-03-08 | Emory University | Internet-based cognitive diagnostics using visual paired comparison task |
US20130218053A1 (en) * | 2010-07-09 | 2013-08-22 | The Regents Of The University Of California | System comprised of sensors, communications, processing and inference on servers and other devices |
US20160314255A1 (en) * | 2015-04-21 | 2016-10-27 | Diane J. Cook | Environmental sensor-based cognitive assessment |
JP2017117423A (ja) * | 2015-12-17 | 2017-06-29 | 日本ロジックス株式会社 | 見守りシステム及び見守り方法 |
JP2017200572A (ja) * | 2016-05-02 | 2017-11-09 | パナソニックIpマネジメント株式会社 | 認知症情報出力システム及び制御プログラム |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020181256A (ja) * | 2019-04-23 | 2020-11-05 | Kddi株式会社 | 複数のセンサの時系列の計測値群における欠損値を補完するプログラム、装置及び方法 |
JP6994812B2 (ja) | 2019-04-23 | 2022-01-14 | Kddi株式会社 | 複数のセンサの時系列の計測値群における欠損値を補完するプログラム、装置及び方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3534374B1 (en) | 2021-04-14 |
JP6774483B2 (ja) | 2020-10-21 |
EP3534374A1 (en) | 2019-09-04 |
US11445973B2 (en) | 2022-09-20 |
US20190269360A1 (en) | 2019-09-05 |
SG10201811164SA (en) | 2019-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210011791A1 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
US20210397501A1 (en) | System and method for unsupervised prediction of machine failures | |
AU2018203321B2 (en) | Anomaly detection system and method | |
US10467533B2 (en) | System and method for predicting response time of an enterprise system | |
US20180348747A1 (en) | System and method for unsupervised root cause analysis of machine failures | |
JP6774483B2 (ja) | 対象者における軽度認知障害を検出する方法、システム及びコンピュータ可読媒体 | |
US11442444B2 (en) | System and method for forecasting industrial machine failures | |
Ibargüengoytia et al. | A probabilistic model for information and sensor validation | |
Saneja et al. | An efficient approach for outlier detection in big sensor data of health care | |
US20140188778A1 (en) | Computer-Implemented System for Detecting Anomaly Conditions in a Fleet of Assets and Method of Using the Same | |
Sagha et al. | On-line anomaly detection and resilience in classifier ensembles | |
US11733688B2 (en) | System and method for recognizing and forecasting anomalous sensory behavioral patterns of a machine | |
CN114528934A (zh) | 时序数据异常检测方法、装置、设备及介质 | |
Patri et al. | Predicting failures from oilfield sensor data using time series shapelets | |
US11429467B2 (en) | Method and system for prediction of correct discrete sensor data based on temporal uncertainty | |
Kamat et al. | Deep learning-based anomaly-onset aware remaining useful life estimation of bearings | |
US20230289568A1 (en) | Providing an alarm relating to an accuracy of a trained function method and system | |
US20220058527A1 (en) | System and method for automated detection and prediction of machine failures using online machine learning | |
Kumar et al. | Intelligent framework for degradation monitoring, defect identification and estimation of remaining useful life (RUL) of bearing | |
Farhat et al. | Medical equipment efficient failure management in IoT environment | |
Aremu et al. | Kullback-leibler divergence constructed health indicator for data-driven predictive maintenance of multi-sensor systems | |
Ma et al. | Reconstruction‐based fault prognosis for flue gas turbines with independent component analysis | |
JP2007279887A (ja) | 特異パターン検出システム、モデル学習装置、特異パターン検出装置、特異パターン検出方法、及び、コンピュータプログラム | |
Fong et al. | Prognostics-Based Reliability Optimization for Consumer Healthcare Devices | |
Jain et al. | A Comprehensive Framework for Detecting Behavioural Anomalies in Elderly |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190327 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200214 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200212 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200508 |
|
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: 20200904 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20201002 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6774483 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |