JP2023077288A - Data collection device, data collection method, and terminal device - Google Patents
Data collection device, data collection method, and terminal device Download PDFInfo
- Publication number
- JP2023077288A JP2023077288A JP2021190549A JP2021190549A JP2023077288A JP 2023077288 A JP2023077288 A JP 2023077288A JP 2021190549 A JP2021190549 A JP 2021190549A JP 2021190549 A JP2021190549 A JP 2021190549A JP 2023077288 A JP2023077288 A JP 2023077288A
- Authority
- JP
- Japan
- Prior art keywords
- data
- terminal device
- parameter
- amount
- stored
- 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.)
- Pending
Links
Images
Landscapes
- Selective Calling Equipment (AREA)
Abstract
Description
本開示は、データ収集装置、データ収集方法、端末機器に関する。 The present disclosure relates to a data collection device, a data collection method, and a terminal device.
スマートシティにおいて、そのコミュニティ内の複数の主体からデータを収集することが提案されている。特に、特許文献1では、異なる事業主体の情報システムから得られるデータには不確かさがあることから、斯かる不確かさを解消すべく、得られたデータを補正したデータを収集することが提案されている。 In smart cities, it is proposed to collect data from multiple entities within the community. In particular, Patent Document 1 proposes to collect data obtained by correcting the obtained data, since there is uncertainty in the data obtained from the information systems of different business entities, in order to eliminate such uncertainty. ing.
ところで、一般に、機械学習モデルにおける算出精度を高めるためには、機械学習を行うための多くのデータが必要である。その一方で、スマートシティ内に位置する端末機器(携帯端末等)から機械学習モデルの学習に用いるためのデータを収集するデータ収集装置では、多数の端末機器からデータが送信される。このため、送信されたデータを全てデータ収集装置の記憶装置に記憶させると、記憶装置に記憶されるデータ量が多くなり過ぎてしまう。 By the way, in general, in order to improve the calculation accuracy of a machine learning model, a large amount of data for performing machine learning is required. On the other hand, in a data collection device that collects data for use in learning a machine learning model from terminal devices (mobile terminals, etc.) located in a smart city, data is transmitted from many terminal devices. Therefore, if all the transmitted data is stored in the storage device of the data collection device, the amount of data stored in the storage device becomes too large.
上記課題に鑑みて、本開示の目的は、機械学習モデルの学習精度の低下を抑えつつ、データ収集装置にデータが過剰に記憶されることを抑制することにある。 In view of the above problems, an object of the present disclosure is to suppress excessive storage of data in a data collection device while suppressing deterioration in learning accuracy of a machine learning model.
本開示の要旨は以下のとおりである。 The gist of the present disclosure is as follows.
(1)対象物についての特定の事象の発生に関する出力パラメータを出力する機械学習モデルの学習に用いられるパラメータのデータを端末機器から収集するデータ収集装置であって、
データを記憶する記憶装置と、
前記端末機器を保持する対象物に前記特定の事象が発生したことがあるか否かを判定する判定部と、
前記端末機器で取得されて前記記憶装置に単位時間当たりに記憶される各パラメータのデータ量を制御するデータ制御部と、を有し、
前記データ制御部は、前記特定の事象が発生したことがある対象物に保持された前記端末機器で取得されて前記記憶装置に記憶される各パラメータのデータ量が、前記特定の事象が発生したことがない対象物に保持された前記端末機器で取得されて前記記憶装置に記憶される各パラメータのデータ量よりも多くなるように、前記データ量を制御する、データ収集装置。
(2)前記データ制御部は、前記端末機器から当該データ収集装置に送信された各パラメータのデータのうち前記記憶装置に記憶させるデータを調整することによって、前記端末機器で取得されて前記記憶装置に記憶される各パラメータのデータ量を制御する、上記(1)に記載のデータ収集装置。
(3)前記データ制御部は、前記端末機器において検出された各パラメータのデータのうち当該データ収集装置に送信されるデータを調整することによって、前記端末機器で取得されて前記記憶装置に記憶される各パラメータのデータ量を制御する、上記(1)又は(2)に記載のデータ収集装置。
(4)前記データ制御部は、前記端末機器の検出器によって検出可能な各パラメータのデータのうち前記検出器から取得するデータを調整することによって、前記端末機器で取得されて前記記憶装置に記憶される各パラメータのデータ量を制御する、上記(1)~(3)のいずれか1つに記載のデータ収集装置。
(5)前記出力パラメータは前記特定の事象の発生する確率であり、
前記データ制御部は、過去に算出された前記確率が相対的に高い場合には、過去に算出された前記確率が相対的に低い場合よりも、前記端末機器で取得されて前記記憶装置に記憶される各パラメータのデータ量が多くなるように、前記データ量を制御する、上記(1)~(4)のいずれか1つに記載のデータ収集装置。
(6)対象物についての特定の事象の発生に関する出力パラメータを出力する機械学習モデルの学習に用いられるパラメータのデータを端末機器から収集するデータ収集方法であって、
前記端末機器を保持する対象物に前記特定の事象が発生したことがあるか否かを判定することと、
前記端末機器で取得されてデータ収集装置の記憶装置に単位時間当たりに記憶される各パラメータのデータ量を制御することと、を含み、
前記特定の事象が発生したことがある対象物に保持された前記端末機器で取得されて前記記憶装置に記憶される各パラメータのデータ量は、前記特定の事象が発生したことがない対象物に保持された前記端末機器で取得されて前記記憶装置に記憶される各パラメータのデータ量よりも多い、データ収集方法。
(7)対象物についての特定の事象の発生に関する出力パラメータを出力する機械学習モデルの学習に用いられるパラメータのデータをデータ収集装置へ送信する端末機器であって、
前記端末機器を保持する対象物に前記特定の事象が発生したことがあるか否かを判定する判定部と、
前記端末機器から前記データ収集装置へ単位時間当たりに送信する各パラメータのデータ量を制御するデータ制御部と、を有し、
前記データ制御部は、前記端末機器が前記特定の事象が発生したことがある対象物に保持されているときに取得して前記データ収集装置へ送信する各パラメータのデータ量が、前記端末機器が前記特定の事象が発生したことのない対象物に保持されているときに取得して前記データ収集装置へ送信する各パラメータのデータ量よりも多くなるように、前記データ量を制御する、端末機器。
(1) A data collection device that collects, from a terminal device, parameter data used for learning a machine learning model that outputs an output parameter related to the occurrence of a specific event about an object,
a storage device for storing data;
a determination unit that determines whether or not the specific event has occurred in the object holding the terminal device;
a data control unit that controls the amount of data of each parameter acquired by the terminal device and stored in the storage device per unit time;
The data control unit controls the amount of data of each parameter acquired by the terminal device held by the object in which the specific event has occurred and stored in the storage device so that the amount of data of each parameter obtained by the specific event has occurred. A data collection device that controls the amount of data so that the amount of data is greater than the amount of data of each parameter that is acquired by the terminal device held by the object and stored in the storage device.
(2) The data control unit adjusts the data to be stored in the storage device among the data of each parameter transmitted from the terminal device to the data collection device, thereby adjusting the data acquired by the terminal device and stored in the storage device. The data collection device according to (1) above, which controls the amount of data of each parameter stored in the .
(3) The data control unit adjusts the data transmitted to the data collection device among the data of each parameter detected by the terminal device, so that the data acquired by the terminal device and stored in the storage device is The data collection device according to (1) or (2) above, which controls the amount of data for each parameter.
(4) The data control unit adjusts the data acquired from the detector among the data of each parameter that can be detected by the detector of the terminal device, so that the data acquired by the terminal device and stored in the storage device The data collection device according to any one of (1) to (3) above, which controls the amount of data for each parameter to be collected.
(5) said output parameter is the probability of occurrence of said particular event;
When the probability calculated in the past is relatively high, the data control unit acquires by the terminal device and stores in the storage device more than when the probability calculated in the past is relatively low. The data collection device according to any one of (1) to (4) above, wherein the data amount is controlled so that the data amount of each parameter to be collected is increased.
(6) A data collection method for collecting, from a terminal device, parameter data used for learning a machine learning model that outputs output parameters relating to the occurrence of a specific event about an object,
Determining whether the specific event has occurred in an object holding the terminal device;
controlling the amount of data of each parameter acquired by the terminal device and stored in the storage device of the data collection device per unit time;
The amount of data of each parameter acquired by the terminal device held by the object in which the specific event has occurred and stored in the storage device is obtained by the object in which the specific event has never occurred A data collection method, wherein the amount of data of each parameter obtained by the held terminal device and stored in the storage device is larger.
(7) A terminal device that transmits parameter data used for learning a machine learning model that outputs output parameters related to the occurrence of a specific event about an object to a data collection device,
a determination unit that determines whether or not the specific event has occurred in the object holding the terminal device;
a data control unit that controls the amount of data of each parameter transmitted from the terminal device to the data collection device per unit time;
The data control unit controls the amount of data of each parameter to be acquired and transmitted to the data collection device when the terminal device is held by an object on which the specific event has occurred. A terminal device that controls the amount of data to be greater than the amount of data of each parameter acquired and transmitted to the data collection device when held by an object that has never experienced the specific event. .
本開示によれば、機械学習モデルの学習精度の低下を抑えつつ、データ収集装置にデータが過剰に記憶されることが抑制される。 According to the present disclosure, excessive storage of data in a data collection device is suppressed while suppressing a decrease in learning accuracy of a machine learning model.
以下、図面を参照して実施形態について詳細に説明する。なお、以下の説明では、同様な構成要素には同一の参照番号を付す。 Hereinafter, embodiments will be described in detail with reference to the drawings. In the following description, the same reference numerals are given to the same constituent elements.
・第一実施形態
<機械学習システムの構成>
図1~図5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では、サーバにおいて機械学習モデルの学習が行われる。また、機械学習システム1は、機械学習モデルの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。
・First embodiment <Configuration of machine learning system>
The configuration of a machine learning system 1 according to the first embodiment will be described with reference to FIGS. 1 to 5. FIG. FIG. 1 is a schematic configuration diagram of a machine learning system 1. As shown in FIG. In the machine learning system 1, machine learning models are learned in the server. The machine learning system 1 also functions as a data collection system that collects data necessary for learning a machine learning model.
図1に示したように、機械学習システム1は、複数の端末機器10と、端末機器10と通信可能なサーバ20とを有する。複数の端末機器10のそれぞれとサーバ20とは、光通信回線などで構成される通信ネットワーク4と、通信ネットワーク4にゲートウェイ(図示せず)を介して接続される無線基地局5とを介して、相互に通信可能に構成される。端末機器10と無線基地局5との通信としては、通信距離が長い種々の広域無線通信を用いることができ、例えば、3GPP、IEEEによって策定された4G、LTE、5G、WiMAX等の任意の通信規格に準拠した通信が用いられる。
As shown in FIG. 1 , the machine learning system 1 has a plurality of
特に、本実施形態では、サーバ20は、所定の対象エリア内に位置する端末機器10と通信する。対象エリアは、予め定められた境界によって囲まれた範囲であり、例えば、「ICT等の新技術を活用しつつ、マネジメント(計画、整備、管理・運営等)の高度化により、都市や地域の抱える諸課題の解決を行い、また新たな価値を創出し続ける、持続可能な都市や地域」として定義されるスマートシティである。サーバ20は、対象エリア外に位置する端末機器10と通信可能であってもよい。
In particular, in this embodiment, the
端末機器10は、後述する機械学習モデルを用いた処理及び機械学習モデルの学習に必要なデータを取得する。特に、本実施形態では、端末機器10は、それぞれ個人に保持されて、端末機器10を保持している個人のデータを取得する機器である。よって、本実施形態では、端末機器10は、所定の対象エリア内又はその周辺のエリア内の個人のデータを取得する移動型データ取得装置として機能する。したがって、本実施形態では、端末機器10は、端末機器10を保持する個人の移動に伴って移動する。
The
具体的には、本実施形態では、端末機器10は、例えば、時計型端末(スマートウォッチ)、リストバンド型端末、クリップ型端末、及びメガネ型端末(スマートグラス)などのウェアラブル端末、及び携帯端末を含む。斯かる端末機器10は、例えば、対象エリア内のそれぞれの個人の位置情報、及び端末機器10を装着しているユーザの状態に関する個人データを取得する。個人データは、例えば、バイタルサイン(心拍数、体温、血圧及び呼吸数)、血中酸素濃度、心電図、血糖値、歩数、カロリー消費量、疲労度、睡眠状態等の生体データを含む。
Specifically, in the present embodiment, the
また、本実施形態では、端末機器10は、特に、時計型端末、及び時計型端末と近距離無線通信によって通信する携帯端末を含む。近距離無線通信としては、例えば、IEEE、ISO、IEC等によって策定された任意の通信規格(例えば、Bluetooth(登録商標)、ZigBee(登録商標))に準拠した通信が用いられる。
In addition, in this embodiment, the
図2は、端末機器10のハードウェア構成を概略的に示す図である。図2に示したように、端末機器10は、通信モジュール11と、センサ12と、入力装置13、出力装置14と、メモリ15と、プロセッサ16と、を有する。通信モジュール11、センサ12、入力装置13、出力装置14及びメモリ15は信号線を介してプロセッサ16に接続されている。
FIG. 2 is a diagram schematically showing the hardware configuration of the
通信モジュール11は、他の機器と通信を行う通信装置の一例である。通信モジュール11は、例えば、サーバ20と通信を行うための機器である。特に、通信モジュール11は、上述した広域無線通信により無線基地局5と通信する機器である。
The
センサ12は、端末機器10を保持する個人に関する様々なパラメータを検出する検出器の一例である。また、センサ12は、端末機器10の状況及び端末機器10の周りの状況に関するパラメータ等、様々なパラメータを検出する。特に、センサ12は、異なるパラメータを検出する複数の個別のセンサを有する。センサ12によって検出された各種パラメータの値は、信号線を介してプロセッサ16又はメモリ15に送信される。
具体的には、センサ12は、端末機器10を保持しているユーザに関するパラメータを検出するセンサを含む。例えば、端末機器10が時計型端末(スマートウォッチ)である場合には、センサ12は、端末機器10を装着しているユーザの個人データ(生体データを含む)を検出するセンサを含む。加えて、センサ12は、端末機器10の状況を検出するセンサ、例えば端末機器10の現在位置を検出するGNSS受信機を含む。また、センサ12は、端末機器10の周りの環境データを検出するセンサを含んでもよい。
Specifically, the
入力装置13は、端末機器10のユーザが入力を行うための装置である。具体的には、入力装置13は、タッチパネル、マイク、ボタン、ダイヤルなどを含む。入力装置13を介して入力された情報は、信号線を介してプロセッサ16又はメモリ15に送信される。
The
出力装置14は、端末機器10が出力を行うための装置である。具体的には、出力装置14は、ディスプレイ、スピーカなどを含む。出力装置14は、信号線を介してプロセッサ16から送信された指令に基づいて、出力を行う。例えば、ディスプレイは、プロセッサ16からの指令に基づいて画面上に画像を表示させ、スピーカは、プロセッサ16からの指令に基づいて音を出力する。
The
メモリ15は、は、例えば、揮発性の半導体メモリ(例えば、RAM)、不揮発性の半導体メモリ(例えば、ROM)等を有する。メモリ15は、プロセッサ16において各種処理を実行するためのコンピュータプログラム、センサ12によって検出されたパラメータのデータ、機械学習モデルに関するデータ(例えば、機械学習モデルの構成及び学習パラメータ(例えば、重みやバイアスなど)のデータ)、プロセッサ16によって各種処理が実行されるときに使用される各種データ等を記憶する。
The
プロセッサ16は、一つ又は複数のCPU(Central Processing Unit)及びその周辺回路を有する。プロセッサ16は、論理演算ユニット又は数値演算ユニットのような演算回路を更に有していてもよい。プロセッサ16は、メモリ15に記憶されたコンピュータプログラムに基づいて、各種処理を実行する。端末機器10のプロセッサ16によって実行される具体的な処理については後述する。
The
図3は、端末機器10のプロセッサ16の機能ブロック図である。図3に示したように、端末機器10のプロセッサ16は、データ取得部161と、モデル実行部162と、通知部163と、データ送信部164と、モデル更新部165と、を有する。データ取得部161は、センサ12などから各種データを取得する。モデル実行部162は、機械学習モデルを用いて、出力パラメータの値を算出する。通知部163は、算出された出力パラメータの値に基づいて、ユーザへの通知を行う。データ送信部164は、端末機器10からサーバ20へデータを送信する。モデル更新部165は、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パラメータの値を更新する。端末機器10のプロセッサ16が有するこれら機能ブロックは、例えば、プロセッサ16上で動作するコンピュータプログラムにより実現される機能モジュールである。或いは、プロセッサ16が有するこれら機能ブロックは、プロセッサ16に設けられる専用の演算回路であってもよい。なお、これら各機能ブロックの詳細については、後述する。
FIG. 3 is a functional block diagram of the
サーバ20は、通信ネットワーク4を介して、複数の端末機器10と接続される。本実施形態では、サーバ20は、機械学習モデルを用いた処理を実行すると共に、機械学習モデルを学習させる。また、サーバ20は、機械学習モデルを用いた処理の実行及び機械学習モデルの学習に必要なデータを収集するデータ収集装置としても機能する。
The
図4は、サーバ20のハードウェア構成を概略的に示す図である。サーバ20は、図4に示したように、通信モジュール21と、ストレージ装置22と、プロセッサ23とを備える。また、サーバ20は、キーボード及びマウスといった入力装置、及び、ディスプレイ及びスピーカといった出力装置を有していてもよい。
FIG. 4 is a diagram schematically showing the hardware configuration of
通信モジュール21は、サーバ20外の機器と通信を行う通信装置の一例である。通信モジュール21は、サーバ20を通信ネットワーク4に接続するためのインターフェース回路を備える。通信モジュール21は、通信ネットワーク4及び無線基地局5を介して、複数の端末機器10それぞれと通信可能に構成される。
The
ストレージ装置22は、データを記憶する記憶装置の一例である。ストレージ装置22は、例えば、ハードディスクドライブ(HDD)、ソリッドステートドライブ(SSD)又は光記録媒体を有する。また、ストレージ装置22は、揮発性の半導体メモリ(例えば、RAM)、不揮発性の半導体メモリ(例えば、ROM)等を有していてもよい。ストレージ装置22は、プロセッサ23によって各種処理を実行するためのコンピュータプログラム、及びプロセッサ23によって各種処理が実行されるときに使用される各種データを記憶する。特に、ストレージ装置22は、端末機器10から受信したデータ、機械学習モデルに関するデータ、機械学習モデルの学習に使用されるデータを記憶する。
The
プロセッサ23は、一つ又は複数のCPU及びその周辺回路を有する。プロセッサ23は、更にGPU、又は論理演算ユニット若しくは数値演算ユニットのような演算回路を有していてもよい。プロセッサ23は、ストレージ装置22に記憶されたコンピュータプログラムに基づいて、各種処理を実行する。
The
図5は、サーバ20のプロセッサ23の機能ブロック図である。図5に示したように、プロセッサ23は、判定部231と、データ制御部232と、データ送信部233と、データセット作成部234、学習部235と、を有する。判定部231は、端末機器10を保持するユーザに特定の疾患が発生したことがあるか否かを判定する。データ制御部232は、端末機器10で取得されてストレージ装置22に記憶される各パラメータのデータ量を制御する。データ送信部233は、サーバ20から端末機器10へデータを送信する。データセット作成部234は、学習用データセットを作成する。学習部235は、作成されたデータセットを用いて、機械学習モデルを学習させる。サーバ20のプロセッサ23が有するこれら機能ブロックは、例えば、プロセッサ23上で動作するコンピュータプログラムにより実現される機能モジュールである。或いは、プロセッサ23が有するこれら機能ブロックは、プロセッサ23に設けられる専用の演算回路であってもよい。なお、これら各機能ブロックの詳細については、後述する。
FIG. 5 is a functional block diagram of the
<機械学習モデル>
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等に基づいて、対象物についての特定の事象の発生に関する出力パラメータを出力するモデルである。
<Machine learning model>
In this embodiment, a machine-learned model is used when performing predetermined processing in the
具体的には、本実施形態では、機械学習モデルには、端末機器10を保持しているユーザの個人データが入力される。また、機械学習モデルには、端末機器10の周りの環境データが入力されてもよい。端末機器10を保持しているユーザの個人データ及び環境データは、端末機器10のセンサ12から取得される。或いは、環境データは、センサ12からではなく、サーバ20から通信モジュール11を介して取得されてもよい。そして、機械学習モデルは、斯かる入力パラメータのデータが入力されると、その端末機器10を保持する人に特定の疾患(不整脈、熱中症、等)が発生する確率を出力する。
Specifically, in the present embodiment, personal data of the user holding the
機械学習モデルには、様々な機械学習アルゴリズムを用いることができる。本実施形態では、機械学習モデルは、例えば、ニューラルネットワーク(NN)、サポートベクトルマシン(SVM)、決定木(DT)といった、教師あり学習によって学習されるモデルである。特に、本実施形態では、機械学習モデルは、ユーザの個人データ及び環境データを時系列で入力パラメータとして入力する、リカレントニューラルネットワーク(RNN)モデルであるのが好ましい。 Various machine learning algorithms can be used for the machine learning model. In this embodiment, the machine learning model is a model learned by supervised learning, such as neural network (NN), support vector machine (SVM), decision tree (DT). In particular, in this embodiment, the machine learning model is preferably a recurrent neural network (RNN) model that inputs the user's personal data and environmental data in chronological order as input parameters.
なお、機械学習モデルとしては、様々な入力パラメータ及び出力パラメータを有するモデルを用いることができる。入力パラメータは、端末機器10のセンサ12によって検出することができる様々なパラメータを含む。具体的には、入力パラメータは、例えば、バイタルサイン(心拍数、体温、血圧及び呼吸数)、血中酸素濃度、心電図、血糖値、歩数、カロリー消費量、疲労度、睡眠状態、時刻、画像、動画等を含む。また、入力パラメータは、通信ネットワーク4を介してサーバ20から送信されるパラメータ(例えば、端末機器10の周りの気温、湿度、天気、風速等)を含んでもよい。加えて、出力パラメータは、端末機器10を保持するユーザについての特定の事象の発生に関する様々なパラメータを含む。
Note that models having various input parameters and output parameters can be used as machine learning models. Input parameters include various parameters that can be detected by the
本実施形態では、上述したような機械学習モデルの機械学習は、端末機器10ではなく、サーバ20で行われる。機械学習モデルは、学習用データセットを用いて学習される。学習用データセットは、入力パラメータとして使用されるデータと、このデータに対応する出力パラメータの値(正解値又は正解ラベル)とを含む。特に、本実施形態では、学習用データセットは、或る対象者についての端末機器10において取得された時系列のデータと、その対象者に特定の疾患が発生したか否かのデータとを含む。例えば、不整脈が発生する確率が出力パラメータである場合には、不整脈が発生した人について作成された学習用データセットでは出力パラメータである不整脈が発生する確率が1とされる。一方、不整脈が発生しなかった人について作成された学習用データセットでは出力パラメータである不整脈が発生する確率が0とされる。また、学習用データセットは、センサ12の出力値に前処理(欠損処理、正規化、標準化など)を行うことで生成されてもよい。
In this embodiment, the machine learning of the machine learning model as described above is performed by the
機械学習モデルの学習にあたっては、例えば、公知の任意の手法(例えば、誤差逆伝搬法)によって、機械学習モデルにおける学習パラメータ(NNの重みw及びバイアスbなど)が繰り返し更新される。学習パラメータは、例えば、機械学習モデルの出力値と学習用データセットに含まれる出力パラメータの正解値との差が小さくなるように、繰り返し更新される。この結果、機械学習モデルが学習され、学習済みの機械学習モデルが生成される。 In learning the machine learning model, for example, learning parameters (NN weight w, bias b, etc.) in the machine learning model are repeatedly updated by any known method (eg, error backpropagation method). The learning parameters are repeatedly updated, for example, so that the difference between the output values of the machine learning model and the correct values of the output parameters included in the learning data set is reduced. As a result, the machine learning model is learned and a learned machine learning model is generated.
<機械学習モデルを仕様した処理>
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等に基づいて、端末機器10を保持するユーザに特定の疾患が発生する確率を推定する。加えて、端末機器10は、特定の疾患が発生する確率が所定の基準値以上である場合には特定の疾患に罹患す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、特定の疾患が発生する確率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。
<Processing using a machine learning model>
Next, processing using a machine learning model in the
データ取得部161は、機械学習モデルの入力パラメータに関するデータを含むデータを取得する。具体的には、データ取得部161は、端末機器10のセンサ12によって検出された入力パラメータの値をメモリ15から取得する。本実施形態では、データ取得部161は、センサ12から、ユーザの個人データ及び環境データ等を取得する。また、データ取得部161は、通信モジュール11を介してサーバ20等の外部の装置から入力パラメータの値を取得してもよい。本実施形態では、サーバ20は、各端末機器10のセンサ12によって検出された現在位置を各端末機器10から受信すると、その位置の周りの現在の温度及び現在の湿度をその端末機器10に送信する。したがって、データ取得部161は、サーバ20から端末機器10の周りの気温及び湿度を取得する。データ取得部161によって取得されたデータは、メモリ15に記憶される。
The
データ取得部161によって機械学習モデルの入力パラメータの現在の値が取得されると、モデル実行部162は、取得した入力パラメータの値を機械学習モデルに入力して、出力パラメータの値を算出する。本実施形態では、モデル実行部162では、データ取得部161によって取得されたユーザの個人データ及び環境データ等が機械学習モデルに入力されると、ユーザに特定の疾患が発生する確率が出力される。
When the
ここで、機械学習モデルを実行するためのプログラム及び機械学習モデルにおいて用いられる学習パラメータの値はメモリ15に記憶されている。したがって、モデル実行部162は、メモリ15に記憶されているプログラム及び学習パラメータの値を用いて、出力パラメータの値を算出する。
Here, the program for executing the machine learning model and the values of the learning parameters used in the machine learning model are stored in the
通知部163は、モデル実行部162によって算出された出力パラメータの値に基づいて、出力装置14を介して、ユーザへの通知を行う。具体的には、本実施形態では、通知部163は、モデル実行部162によって算出されたユーザに特定の疾患が発生する確率が所定の基準値以上である場合には、出力装置14によってユーザへの通知を行う。この場合、通知部163は、例えば、ディスプレイ上に特定の疾患に関する警告を表示させてもよいし、スピーカから特定の疾患に関する警告音を発生させてもよい。
The
<学習用データの収集>
次に、図3、図5~図7を参照して、機械学習モデルの学習に用いるためのデータの収集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、端末機器10において取得されたデータ等に基づいて、サーバ20において行われる。したがって、本実施形態では、機械学習モデルの学習を行うにあたって、端末機器10において取得されたデータがサーバ20へ送信されて、サーバ20のストレージ装置22に記憶される。
<Collection of learning data>
Next, with reference to FIGS. 3 and 5 to 7, data collection processing for use in machine learning model learning will be described. In this embodiment, learning of the machine learning model is performed in the
端末機器10のプロセッサ16は、データの収集処理を行うにあたって、データ送信部164を用いる。また、サーバ20のプロセッサ23は、データの収集処理を行うにあたって、判定部231、データ制御部232、データ送信部233を用いる。
The
ところで、端末機器10から取得されたデータに基づいてユーザに特定の疾患が発生する確率を推定する機械学習モデルを学習させるにあたって、サーバ20には、端末機器10によって取得されたデータが送信される。しかしながら、全ての端末機器10によって取得されたデータ全てがサーバ20に送信されてサーバ20のストレージ装置22に記憶されると、ストレージ装置22には多量のデータが記憶されることになる。したがって、記憶容量の非常に大きなストレージ装置22が必要になる。
By the way, in learning a machine learning model for estimating the probability that a user will develop a specific disease based on the data acquired from the
一方、各端末機器10を保持するユーザに特定の疾患が発生する確率は低い。したがって、機械学習モデルを学習させるにあたって全ての端末機器10にて取得されたデータを用いると、ユーザに特定の疾患が発生しなかった場合のデータが過剰になる。そして、ユーザに特定の疾患が発生しなかった場合のデータが過剰になっても、機械学習モデルの推定精度を必ずしも高めることはできない。
On the other hand, the probability that a user holding each
一方、過去に特定の疾患が発生したことがあるユーザは、他のユーザに比べて、その特定の疾患が発生する可能性が高い。そこで、本実施形態では、過去に特定の疾患が発生したことのあるユーザに保持された端末機器10で取得されてサーバ20のストレージ装置22に記憶される各パラメータのデータ量が、過去に特定の疾患が発生したことのないユーザに保持された端末機器10で取得されてストレージ装置22に記憶される各パラメータのデータ量よりも多くされる。
On the other hand, users who have had a particular disease in the past are more likely to develop that particular disease than other users. Therefore, in the present embodiment, the amount of data of each parameter acquired by the
図6は、機械学習モデルの学習に用いるためのデータの収集処理の流れを示すシーケンス図である。図6に示した学習処理は、端末機器10のプロセッサ16及びサーバ20のプロセッサ23において実行される。
FIG. 6 is a sequence diagram showing the flow of data collection processing for use in machine learning model learning. The learning process shown in FIG. 6 is executed by the
本実施形態におけるデータの収集処理では、図6に示したように、まず、各端末機器10のプロセッサ16のデータ送信部164が、サーバ20に識別情報を送信する(ステップS11)。識別情報は、端末機器10を保持するユーザを識別するための情報であり、例えば、ユーザIDやメールアドレスなどである。識別情報は、入力装置13を介して予めユーザにより入力され、メモリ15に記憶されている。したがって、データ送信部164は、メモリ15に記憶されている識別情報をサーバ20へ送信する。データ送信部164は、例えば、新たな識別情報が入力されたときや、識別情報を前回送信してから一定期間が経過したときなどに識別情報を送信する。
In the data collection process in this embodiment, as shown in FIG. 6, first, the
サーバ20が端末機器10から識別情報を受信すると、サーバ20の判定部231は、その識別情報によって特定されるユーザに、特定の疾患が過去に発生したことがあるか否かを判定する(ステップS12)。サーバ20のストレージ装置22には、特定の疾患が過去に発生したことのあるユーザの識別情報のリストが記憶されている。また、ストレージ装置22には、各ユーザに特定の疾患が発生した回数等、関連する他の情報が記憶されていてもよい。したがって、判定部231は、端末機器10から受信した識別情報をリストと照合して、その端末機器10を保持するユーザに特定の疾患が過去に発生したことがあるか否かを判定する。加えて、判定部231は、特定の疾患が過去に発生したことがあるユーザについて、発生回数等、関連する他の情報を取得してもよい。
When the
なお、サーバ20には、特定の疾患が発生した人の識別情報が、様々な経路で送信されてくる。例えば、特定の疾患に罹患したユーザを診察した医療機関に設けられた端末装置(図示せず)にそのユーザの識別情報と罹患情報とが入力され、入力された情報がサーバ20に送信される。或いは、特定の疾患に罹患したユーザによりその端末機器10にその罹患情報が入力され、入力された情報がサーバ20に送信される。サーバ20は、このようにして医療機関の端末装置や端末機器10から受信した情報に基づいて、特定の疾患が過去に発生したことのあるユーザのリストを作成する。
The identification information of a person with a specific disease is transmitted to the
サーバ20のデータ制御部232は、ユーザに特定の疾患が発生したことがあるか否かが判定されると、その判定結果に基づいて、端末機器10からサーバ20へ単位時間当たりに送信する各パラメータの目標データ量を設定する(ステップS13)。データ制御部232は、パラメータ毎に目標データ量を設定してもよいし、全てのパラメータそれぞれについてまとめて目標データ量を設定してもよい。目標データ量は、端末機器10がセンサ12等によって取得可能なデータ量の最大値を上限として設定される。
When it is determined whether or not the user has developed a specific disease, the
本実施形態では、データ制御部232は、過去に特定の疾患が発生したことのあるユーザに保持された端末機器10からサーバ20に送信させるデータ量が、過去に特定の疾患が発生したことのないユーザに保持された端末機器10からサーバ20に送信させるデータ量よりも多くなるように、目標データ量を設定する。
In this embodiment, the
サーバ20のデータ送信部233は、目標データ量が設定されると、設定された目標データ量を端末機器10へ送信する(ステップS14)。端末機器10に受信された目標データ量は、端末機器10のメモリ15に記憶される。
When the target data amount is set, the
一方、端末機器10のセンサ12は、個人データ及び環境データを任意の時間間隔で検出している。端末機器10のプロセッサ16のデータ取得部161は、このようにしてセンサ12によって検出された個人データ及び環境データを、センサ12から取得する(ステップS15)。なお、データ取得部161は、センサ12によって検出されてその後にメモリ15に記憶されていたデータをメモリ15から取得してもよい。
On the other hand, the
端末機器10のデータ送信部164は、取得されたデータをサーバ20へ送信する(ステップS16)。特に、本実施形態では、データ送信部164は、ステップS14においてサーバ20から送信された目標データ量に応じてデータを送信する。特に、本実施形態では、データ送信部164は、端末機器10において検出された各パラメータのデータのうちサーバ20に送信されるデータを調整することによって、サーバ20へ送信されるデータ量を制御する。
The
したがって、データ送信部164は、目標データ量が多いときには、取得したデータの全てをサーバ20へ送信する。一方、データ送信部164は、目標データ量が少ないときには、取得したデータのうちの一部をサーバ20へ送信する。例えば、データ送信部164は、目標データ量が送付可能な最大データ量の半分であるときには、各パラメータについて時系列で取得したデータを、一つおきにサーバ20へ送信する。このようにしてサーバ20に送信されたデータは、サーバ20のストレージ装置22に記憶される(ステップS17)。
Therefore, the
本実施形態では、データ送信部164は、端末機器10において検出された各パラメータのデータのうちサーバ20に送信されるデータを調整することによって、サーバ20へ送信する各パラメータのデータ量を制御し、よってストレージ装置22に記憶されるデータ量を制御している。したがって、本実施形態では、データ制御部232は、サーバ20に送信されるデータを調整することによって、端末機器10で取得されてストレージ装置22に単位時間当たりに記憶される各パラメータのデータ量を制御しているといえる。
In this embodiment, the
なお、本実施形態では、ストレージ装置22に記憶される各パラメータのデータ量は、他の手法で制御されてもよい。具体的には、例えば、センサ12によって検出可能な各パラメータのデータのうちセンサ12から取得するデータを調整することによって、ストレージ装置22に記憶される各パラメータのデータ量が制御されてもよい。この場合、例えば、データ取得部161は、目標データ量が多いときには10ms毎にパラメータの値を検出可能なセンサ12から、センサ12によって検出されたデータを10ms毎に取得する。一方、データ取得部161は、目標データ量が少ないときには10ms毎にパラメータの値を検出可能なセンサ12から、センサ12によって検出されたデータを20ms毎に取得する。この場合、データ制御部232は、端末機器10のセンサ12によって検出可能な各パラメータのデータのうちセンサ12から取得するデータを調整することによって、端末機器10で取得されてストレージ装置22に単位時間当たりに記憶される各パラメータのデータ量を制御しているといえる。
Note that, in this embodiment, the data amount of each parameter stored in the
或いは、端末機器10からサーバ20に送信された各パラメータのデータのうちストレージ装置22に記憶させるデータを調整することによって、ストレージ装置22に記憶される各パラメータのデータ量が制御されてもよい。図7は、機械学習モデルの学習に用いるためのデータの収集処理の流れを示す、図6と同様なシーケンス図である。図7に示した例では、データ送信部233は、目標データ量が設定されても、目標データ量を端末機器10へ送信しない。このため、センサ12によって検出可能な各パラメータのデータの全てがデータ取得部161によって取得されて、データ送信部164によってサーバ20へ送信される(ステップS15、S16)。そして、サーバ20へ送信されたデータは、サーバ20のストレージ装置22に記憶される(ステップS18)。このとき、ステップS13で算出された目標データ量に基づいて、端末機器10からサーバ20に送信された各パラメータのデータのうちストレージ装置22に記憶させるデータが調整され、これによってストレージ装置22に記憶されるパラメータのデータ量が制御される。したがって、この場合、データ制御部232は、端末機器10からサーバ20に送信された各パラメータのデータのうちストレージ装置22に単位時間当たりに記憶させるデータを調整することによって、ストレージ装置22に記憶される各パラメータのデータ量を制御しているといえる。
Alternatively, the data amount of each parameter stored in the
<機械学習モデルの学習>
次に、図8を参照して、サーバ20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。図8は、サーバ20における機械学習モデルの学習処理の流れを示すシーケンス図である。学習処理にあたっては、サーバ20のデータセット作成部234及び学習部235と、端末機器10のモデル更新部165と、が用いられる。
<Learning machine learning model>
Next, the learning process of the machine learning model used in the
各端末機器10から送信されたデータ(個人データ、環境データ等)がストレージ装置22にある程度記憶されると、データセット作成部234は、学習用データセットを作成する(ステップS21)。学習用データセットは、機械学習モデルの入力パラメータの実測値と、出力パラメータの正解データ(正解値又は正解ラベル)とを含む。例えば、本実施形態では、学習用データセットは、各ユーザに保持された端末機器10によって取得されたデータと、そのユーザの疾患の発生に関する情報(正解データ)とを含む。
When the data (personal data, environmental data, etc.) transmitted from each
各ユーザに保持された端末機器10によって取得されたデータは、サーバ20のストレージ装置22に記憶されている。したがって、データセット作成部234は、学習用データセットを作成するにあたって、このようにしてストレージ装置22に記憶されているデータを用いる。
Data acquired by the
また、本実施形態では、各ユーザが特定の疾患に罹患した場合に、その情報が医療機関に設けられた端末装置に入力される。医療機関の端末装置に入力された罹患情報は、通信ネットワーク4を介してサーバ20へ送信される。データセット作成部234は、機械学習モデルの学習用データセットを作成するにあたって、正解データとして斯かる罹患情報を用いる。なお、データセット作成部234は、ユーザによって端末機器10に罹患情報が入力されている場合には、その罹患情報を正解データとして用いてもよい。
Further, in this embodiment, when each user suffers from a specific disease, the information is input to a terminal device provided in a medical institution. Disease information input to the terminal device of the medical institution is transmitted to the
ステップS31においてデータセット作成部234によってある程度の数の学習用データセットが作成されると、学習部235は、作成されたデータセットを用いて、機械学習モデルを学習させる(ステップS22)。具体的には、学習部235は、上述したように、公知の誤差逆伝播法等を用いて、機械学習モデルに用いられる学習パラメータを更新する。
When a certain number of learning data sets are created by the data
機械学習モデルの学習が完了すると、学習部235は、学習済みの機械学習モデルの学習パラメータを各端末機器10に送信する(ステップS23)。学習部235は、具体的には、学習済みの機械学習モデルの学習パラメータの値を各端末機器10に送信する。
When learning of the machine learning model is completed, the
端末機器10のモデル更新部165は、サーバ20から学習済みの機械学習モデルを受信すると、特定の疾患が発生する確率を推定する機械学習モデルの学習パラメータの値を更新する(ステップS33)。機械学習モデルの学習パラメータの値が更新された後は、更新後の学習パラメータを用いた機械学習モデルによって特定の疾患が発生する確率の推定が行われる。
When the
<効果・変形例>
上記実施形態では、過去に特定の疾患が発生したことがあるユーザに保持された端末機器10で取得されてストレージ装置22に記憶される各パラメータのデータ量が、過去に特定の疾患が発生したことがないユーザに保持された端末機器10で取得されてストレージ装置22に記憶される各パラメータのデータ量よりも多くされる。過去に特定の疾患が発生したことがあるユーザに保持された端末機器10で取得されてストレージ装置22に記憶される各パラメータのデータ量が多いため、このようにして記憶されたデータを用いて機械学習モデルの学習を行っても機械学習モデルの学習精度を比較的高いものとすることができる。その一方で、過去に特定の疾患が発生したことがないユーザに保持された端末機器10で取得されてストレージ装置22に記憶される各パラメータのデータ量が少なくされるため、ストレージ装置22に記憶されるデータ量を少なくすることができる。したがって、上記実施形態によれば、機械学習モデルの学習精度の低下を抑えつつ、データ収集装置にデータが過剰に記憶されることを抑制することができる。
<Effect/Modification>
In the above embodiment, the data amount of each parameter acquired by the
なお、上記実施形態では、機械学習モデルとして、ユーザについての特定の疾患に発生に関する出力パラメータを出力するモデルが用いられている。しかしながら、機械学習モデルは、人とは無関係の対象物に関するモデルであってもよいし、疾患とは無関係の事象の発生に関する出力パラメータを出力するモデルであってもよい。例えば、機械学習モデルは、車両の故障の発生に関する出力パラメータを出力するモデルであってもよい。この場合、車両の電子制御装置が、車両に保持された端末機器として機能する。 It should be noted that in the above embodiment, a model that outputs output parameters relating to the occurrence of a specific disease for a user is used as the machine learning model. However, the machine learning model may be a model relating to objects unrelated to humans, or a model that outputs output parameters relating to the occurrence of events unrelated to disease. For example, the machine learning model may be a model that outputs output parameters related to the occurrence of vehicle failures. In this case, the vehicle's electronic control unit functions as a terminal device held in the vehicle.
また、上記実施形態では、機械学習モデルを用いた処理(特定の疾患が発生する確率を推定する処理)は、端末機器10で行われている。しかしながら、斯かる処理は、サーバ20で行われてもよい。この場合、機械学習モデルの入力パラメータに関するデータは、全て端末機器10からサーバ20へ送信され、算出された特定の疾患が発生する確率がサーバ20から端末機器10へ送信される。
Further, in the above-described embodiment, the
さらに、上記実施形態では、過去に特定の疾患が発生したことがないユーザに保持された端末機器10で取得されてストレージ装置22に記憶される各パラメータのデータ量は、そのユーザに特定の疾患が発生する確率に無関係に一定とされている。しかしながら、過去に機械学習モデルを用いて算出されたそのユーザに特定の疾患が発生する確率に応じて、ストレージ装置22に記憶される各パラメータのデータ量を変更してもよい。この場合、具体的には、データ制御部232は、過去に算出された特定の疾患が発生する確率が相対的に高い場合には、過去に算出されたこの確率が相対的に低い場合よりも、端末機器10で取得されてストレージ装置22に記憶される各パラメータのデータ量が多くなるように、データ量を制御する。
Furthermore, in the above embodiment, the amount of data of each parameter acquired by the
・第二実施形態
次に、図9及び図10を参照して、第二実施形態に斯かる機械学習システム1について説明する。第二実施形態に係る機械学習システムにおける構成及び制御は、第一実施形態に係る機械学習システムにおける構成及び制御と同様であるため、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。
- Second embodiment Next, a machine learning system 1 according to a second embodiment will be described with reference to Figs. 9 and 10 . Since the configuration and control in the machine learning system according to the second embodiment are the same as the configuration and control in the machine learning system according to the first embodiment, the points different from the machine learning system according to the first embodiment will be described below. Mainly explained.
上記第一実施形態では、サーバ20の判定部231が、ユーザに特定の疾患が発生したことがあるか否かを判定し、サーバ20のデータ制御部232が目標データ量を設定している。これに対して、本実施形態では、端末機器10の判定部166がユーザに特定の疾患が発生したことがあるか否かを判定し、端末機器10のデータ制御部167が目標データ量を設定する。
In the first embodiment described above, the
図9は、第二実施形態に係る端末機器10のプロセッサ16の機能ブロック図である。図9に示したように、端末機器10のプロセッサ16は、第一実施形態における各部に加えて、判定部166及びデータ制御部167を有する。
FIG. 9 is a functional block diagram of the
図10は、機械学習モデルの学習に用いるためのデータの収集処理の流れを示すシーケンス図である。図10に示した学習処理は、端末機器10のプロセッサ16及びサーバ20のプロセッサ23において実行される。図10におけるステップS33~S35は、図6におけるステップS15~S17と同様であるため、説明を省略する。
FIG. 10 is a sequence diagram showing the flow of data collection processing for use in machine learning model learning. The learning process shown in FIG. 10 is executed by the
本実施形態におけるデータの収集処理では、図6に示したように、まず、端末機器10の判定部166が、その端末機器10を保持するユーザに、特定の疾患が過去に発生したことがあるか否かを判定する(ステップS31)。具体的には、特定の疾患に罹患したことがあるか否が入力装置13を介してユーザに入力され、判定部166は、ユーザに入力された情報に基づいてそのユーザが特定の疾患に罹患したことがあるか否かを判定する。
In the data collection process according to the present embodiment, as shown in FIG. It is determined whether or not (step S31). Specifically, whether or not the user has suffered from a specific disease is input by the user via the
端末機器10のデータ制御部167は、ユーザに特定の疾患が発生したことがあるか否かが判定されると、その判定結果に基づいて、図6のステップS13と同様に、端末機器10からサーバ20へ単位時間当たりに送信する各パラメータの目標データ量を設定する(ステップS32)。端末機器10のデータ制御部167は、パラメータ毎に目標データ量を設定してもよいし、全てのパラメータそれぞれについてまとめて目標データ量を設定してもよい。目標データ量は、端末機器10がセンサ12等によって取得可能なデータ量の最大値を上限として設定される。
When it is determined whether or not the user has a specific disease, the
特に、データ制御部167は、端末機器10が特定の疾患が発生したことがあるユーザに保持されているときに取得してサーバ20へ送信する各パラメータのデータ量が、端末機器10が特定の事象が発生したことのない対象物に保持されているときに取得してサーバ20へ送信する各パラメータのデータ量よりも多くなるように、データ量を制御する。
In particular, the
本実施形態では、ユーザに特定の疾患が発生したことがあるか否かの判定及び目標データ量の設定が端末機器10において行われる。このため、端末機器10とサーバ20とのデータの転送量を削減することができる。
In this embodiment, the
以上、本発明に係る好適な実施形態を説明したが、本発明はこれら実施形態に限定されるものではなく、特許請求の範囲の記載内で様々な修正及び変更を施すことができる。 Although preferred embodiments according to the present invention have been described above, the present invention is not limited to these embodiments, and various modifications and changes can be made within the scope of the claims.
1 機械学習システム
4 通信ネットワーク
5 無線基地局
10 端末機器
20 サーバ
1
Claims (7)
データを記憶する記憶装置と、
前記端末機器を保持する対象物に前記特定の事象が発生したことがあるか否かを判定する判定部と、
前記端末機器で取得されて前記記憶装置に単位時間当たりに記憶される各パラメータのデータ量を制御するデータ制御部と、を有し、
前記データ制御部は、前記特定の事象が発生したことがある対象物に保持された前記端末機器で取得されて前記記憶装置に記憶される各パラメータのデータ量が、前記特定の事象が発生したことがない対象物に保持された前記端末機器で取得されて前記記憶装置に記憶される各パラメータのデータ量よりも多くなるように、前記データ量を制御する、データ収集装置。 A data collection device for collecting, from a terminal device, parameter data used for learning a machine learning model that outputs output parameters relating to the occurrence of a specific event about an object,
a storage device for storing data;
a determination unit that determines whether or not the specific event has occurred in the object holding the terminal device;
a data control unit that controls the amount of data of each parameter acquired by the terminal device and stored in the storage device per unit time;
The data control unit controls the amount of data of each parameter acquired by the terminal device held by the object in which the specific event has occurred and stored in the storage device so that the amount of data of each parameter obtained by the specific event has occurred. A data collection device that controls the amount of data so that the amount of data is greater than the amount of data of each parameter that is acquired by the terminal device held by the object and stored in the storage device.
前記データ制御部は、過去に算出された前記確率が相対的に高い場合には、過去に算出された前記確率が相対的に低い場合よりも、前記端末機器で取得されて前記記憶装置に記憶される各パラメータのデータ量が多くなるように、前記データ量を制御する、請求項1~4のいずれか1項に記載のデータ収集装置。 said output parameter is the probability of occurrence of said particular event;
When the probability calculated in the past is relatively high, the data control unit acquires by the terminal device and stores in the storage device more than when the probability calculated in the past is relatively low. 5. The data collection device according to any one of claims 1 to 4, wherein said data amount is controlled so that the data amount of each parameter to be collected increases.
前記端末機器を保持する対象物に前記特定の事象が発生したことがあるか否かを判定することと、
前記端末機器で取得されてデータ収集装置の記憶装置に単位時間当たりに記憶される各パラメータのデータ量を制御することと、を含み、
前記特定の事象が発生したことがある対象物に保持された前記端末機器で取得されて前記記憶装置に記憶される各パラメータのデータ量は、前記特定の事象が発生したことがない対象物に保持された前記端末機器で取得されて前記記憶装置に記憶される各パラメータのデータ量よりも多い、データ収集方法。 A data collection method for collecting, from a terminal device, parameter data used for learning a machine learning model that outputs output parameters relating to the occurrence of a specific event about an object,
Determining whether the specific event has occurred in an object holding the terminal device;
controlling the amount of data of each parameter acquired by the terminal device and stored in the storage device of the data collection device per unit time;
The amount of data of each parameter acquired by the terminal device held by the object in which the specific event has occurred and stored in the storage device is obtained by the object in which the specific event has never occurred A data collection method in which the amount of data of each parameter obtained by the held terminal device is larger than the amount of data stored in the storage device.
前記端末機器を保持する対象物に前記特定の事象が発生したことがあるか否かを判定する判定部と、
前記端末機器から前記データ収集装置へ単位時間当たりに送信する各パラメータのデータ量を制御するデータ制御部と、を有し、
前記データ制御部は、前記端末機器が前記特定の事象が発生したことがある対象物に保持されているときに取得して前記データ収集装置へ送信する各パラメータのデータ量が、前記端末機器が前記特定の事象が発生したことのない対象物に保持されているときに取得して前記データ収集装置へ送信する各パラメータのデータ量よりも多くなるように、前記データ量を制御する、端末機器。 A terminal device that transmits parameter data used for learning a machine learning model that outputs output parameters related to the occurrence of a specific event about an object to a data collection device,
a determination unit that determines whether or not the specific event has occurred in the object holding the terminal device;
a data control unit that controls the amount of data of each parameter transmitted from the terminal device to the data collection device per unit time;
The data control unit controls the amount of data of each parameter to be acquired and transmitted to the data collection device when the terminal device is held by an object in which the specific event has occurred. A terminal device that controls the amount of data to be larger than the amount of data of each parameter acquired and transmitted to the data collection device when held by an object in which the specific event has never occurred. .
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021190549A JP2023077288A (en) | 2021-11-24 | 2021-11-24 | Data collection device, data collection method, and terminal device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021190549A JP2023077288A (en) | 2021-11-24 | 2021-11-24 | Data collection device, data collection method, and terminal device |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023077288A true JP2023077288A (en) | 2023-06-05 |
Family
ID=86610246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021190549A Pending JP2023077288A (en) | 2021-11-24 | 2021-11-24 | Data collection device, data collection method, and terminal device |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2023077288A (en) |
-
2021
- 2021-11-24 JP JP2021190549A patent/JP2023077288A/en active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6151815B2 (en) | User activity tracking system and apparatus | |
US11504068B2 (en) | Methods, systems, and media for predicting sensor measurement quality | |
US11270565B2 (en) | Electronic device and control method therefor | |
US20210295668A1 (en) | Alert system | |
Kwon et al. | Single activity sensor-based ensemble analysis for health monitoring of solitary elderly people | |
US11049382B2 (en) | Fall detection method and system | |
CN109077710B (en) | Method, device and system for adaptive heart rate estimation | |
WO2016151494A1 (en) | Environment-based pain prediction wearable | |
US20230389880A1 (en) | Non-obtrusive gait monitoring methods and systems for reducing risk of falling | |
JP2023077288A (en) | Data collection device, data collection method, and terminal device | |
JP7036272B1 (en) | Data collection system, data collection method and data collection device | |
US20230123815A1 (en) | Stability scoring of individuals utilizing inertial sensor device | |
KR101880273B1 (en) | Method and apparatus for monitoring posture of users | |
JP7088397B1 (en) | Data collection system, data collection device, data acquisition device and data collection method | |
JP7147942B1 (en) | Data collection device, data collection system, data collection method | |
JP7040664B1 (en) | Data collection device, data acquisition device and data collection method | |
WO2020168454A1 (en) | Behavior recommendation method and apparatus, storage medium, and electronic device | |
CN114402179A (en) | Runtime evaluation of sensors | |
KR20220017295A (en) | Apparatus and method for determining location history using activity recognition in wireless communication system | |
WO2019116255A1 (en) | System, apparatus and method for activity classification |