JP2018121567A - 機械学習装置、分類装置並びに方法及びプログラム - Google Patents
機械学習装置、分類装置並びに方法及びプログラム Download PDFInfo
- Publication number
- JP2018121567A JP2018121567A JP2017016301A JP2017016301A JP2018121567A JP 2018121567 A JP2018121567 A JP 2018121567A JP 2017016301 A JP2017016301 A JP 2017016301A JP 2017016301 A JP2017016301 A JP 2017016301A JP 2018121567 A JP2018121567 A JP 2018121567A
- Authority
- JP
- Japan
- Prior art keywords
- value
- potential
- machine learning
- feature amount
- firing
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims description 47
- 238000010304 firing Methods 0.000 claims abstract description 65
- 238000012545 processing Methods 0.000 claims abstract description 52
- 210000002569 neuron Anatomy 0.000 claims abstract description 37
- 238000004364 calculation method Methods 0.000 claims abstract description 35
- 230000006870 function Effects 0.000 claims abstract description 26
- 230000000306 recurrent effect Effects 0.000 claims description 37
- 238000013528 artificial neural network Methods 0.000 claims description 33
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 11
- 230000001537 neural effect Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 27
- 210000004027 cell Anatomy 0.000 description 19
- 238000005259 measurement Methods 0.000 description 19
- 238000013145 classification model Methods 0.000 description 18
- 230000008878 coupling Effects 0.000 description 11
- 238000010168 coupling process Methods 0.000 description 11
- 238000005859 coupling reaction Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 230000002123 temporal effect Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000013500 data storage Methods 0.000 description 7
- 230000002441 reversible effect Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000007774 longterm Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000015654 memory Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000036982 action potential Effects 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 210000004126 nerve fiber Anatomy 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004113 cell culture Methods 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003834 intracellular effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000000144 pharmacologic effect Effects 0.000 description 1
- 210000001778 pluripotent stem cell Anatomy 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Apparatus Associated With Microorganisms And Enzymes (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
Description
図1は、本実施形態に係る測定装置の一例を示す斜視図である。測定装置1は、チップホルダ11と、電位計測装置12と、モニタ13と、機械学習装置14とを備える。チップホルダ11には、神経細胞群から細胞外電位を測定するための複数の電極を備えるチップ111が載置される。電位計測装置12は、内蔵するアンプによってチップ111の電極を介して測定される電位を増幅し、増幅された電位と、所定の基準電位との差を計測する。また、電位計測装置12によって計測された電位の値は機械学習装置14へ出力され、機械学習装置14は測定された電位の値を記録する。このとき、複数の電極の各々で測定された電位は、同期をとって処理できるよう、例えば測定時刻と関連付けて記録される。また、機械学習装置14は、DCNN(Deep Convolutional Neural Network)を利用して測定データから発火の特徴を学習したり、学習したモデルを用いて測定データから発火を検出する。モニタ13は、測定データや検出された発火に関する情報等を適宜表示する。なお、発火には、神経細胞の単発の発火であり、短期間に生じる電位の急激な上昇及び下降として測定されるスパイクと、連続する発火が断続的に発生する状態であるバーストがある。
は、機械学習装置14からの出力に応じて電流刺激を行うこともできる。また、細胞群を載置する領域の周囲には、電位の基準値を測定するための参照電極1112が設けられている。測定電極1111及び参照電極1112は、配線1113を介して電位計測装置12へ接続される。チップホルダ11は、図2に示すようなチップ111を複数載置し、複数の細胞群から電位データを測定できるようにしてもよい。なお、電極の数は1以上備えていればよく、また、電極を複数有する場合の配置に係る形状等は図2の例には限定されない。
図5は、コンピュータの一例を示す装置構成図である。機械学習装置14は、例えば図5に示すようなコンピュータである。図5に示すコンピュータ1000は、CPU(Central Processing Unit)1001、主記憶装置1002、補助記憶装置1003、通信IF(Interface)1004、入出力IF(Interface)1005、ドライブ装置1006、通信バス1007を備えている。CPU1001は、プログラム(「ソフトウェア」又は「アプリケーション」とも呼ぶ)を実行することにより本実施の形態に係る処理等を行う。主記憶装置1002は、CPU1001が読み出したプログラムやデータをキャッシュしたり、CPUの作業領域を展開したりする。主記憶装置は、具体的には、RAM(Random Access Memory)やROM(Read Only Memory)等である。補助記憶装置1003は、CPU1001により実行されるプログラムや、本実施の形態で用いる設定情報などを記憶する。補助記憶装置1003は、具体的には、HDD(Hard-disk Drive)やSSD(Solid State Drive)、フラッシュメモリ等である。主記憶装置1002や補助記憶装置1003は、電位データ記憶部141、分類モデル記憶部143及び分類結果記憶部145として働く。なお、説明の便宜上、図3では複数の記憶部を示したが、物理的には1つの記憶装置でも複数の記憶装置でもよい。通信IF1004は、他のコンピュータとの間でデータを送受信する。機械学習装置14は、通信IF1004を介して接続された図示していないコンピュータから電位データ受信するようにしてもよい。通信IF1004は、具体的には、有線又は無線のネットワークカード等である。入出力IF1005は、入出力装置と接続され、ユーザから入力を受け付けたり、ユーザへ情報を出力したりする。入出力装置は、具体的には、キーボード、マウス、ディスプレイ、タッチパネル等である。ドライブ装置1006は、磁気ディスク、光磁気ディスク、光ディスク等の記憶媒体に記録されたデータを読み出したり、記憶媒体にデータを書き込んだりする。そして、以上のような構成要素が、通信バス1007で接続されている。なお、これらの構成要素はそれぞれ複数設けられていてもよいし、一部の構成要素(例えば、ドライブ装置1006)を設けないようにしてもよい。また、入出力装置がコンピュータと一体に構成されていてもよい。また、ドライブ装置1006で読み取り可能な可搬性の記憶媒体や、フラッシュメモリのような可搬性の補助記憶装置1003、通信IF1004などを介して、本実施の形態で実行されるプログラムが提供されるようにしてもよい。そして、CPU1001がプログラムを実行することにより、上記のようなコンピュータを図3に示した機械学習装置14として働かせる。
図6は、測定装置1が実行する機械学習処理の一例を示す処理フロー図である。測定装置1は、まず、電位データのうち訓練データを用いて学習段階の処理を行う(S1)。本ステップでは、後述する構成のNN及び所定の係数を用いて、電位データに対し所定区間ごとに発火が発生している確率を算出すると共に、教師値に基づいて係数を更新する処理を繰り返す。
図7は、複数の層(「レイヤ」とも呼ぶ)を含むNNの構成の一例を示す図である。図7のNNは、測定された電位の値が入力される入力層と分類結果を示す出力層との間で、複数の変換処理が行われる。入力層と出力層との間に存在するN1〜N5の構成及び処理を中間層と呼ぶ。また、図3に示した機械学習装置14の機械学習部142及び分類処理部144は、図6に示したS1〜S3の各々において、図7に示すNNを繰り返し利用し、処理を行う。
y=Wx+b ・・・(1)
ここで、Wは重み係数であり、xの要素数×yの要素数の行列で表される。また、bはバイアス項であり、xと同数のベクトルで表すことができる。N2によっても、各電極で検出される発火パターンの区間ごとの特徴量を算出することができる。
yt+1は、状態ztの値、入力値xt+1及び所定の関数に基づいて算出される。
yt+1=Wxt+1+Uzt+b ・・・(2)
この例では状態zt+1は、以下の式(3)を用いて算出することができる。
zt+1=Wxt+1+Uzt+b ・・・(3)
なお、W、Uは所定の重み係数、bは所定のバイアス項である。
以上のような実施形態の構成によれば、1つの電極で測定される神経細胞の発火又は複数の電極の一部又は全部で測定される神経細胞の発火の経時的特徴と、複数の電極の一部または全部で同時期に測定される発火の共時的特徴とを学習すると共に、学習した特徴に基づいて細胞外電位のデータに対し発火の発生の有無を分類できるようになる。
神経細胞の細胞外電位データについて、バースト区間をラベル付けしたデータを用意した。また、細胞外電位データを10ミリ秒ごとの区間で分割し、バーストの始点及び終点を含む連続区間をデータセットとして抽出した。そして出現する順に連続区間を訓練データとテストデータとに分けた。また、訓練データは、バーストと非バーストとの比が1:1になるように調整した。このようにして作成した110分の訓練データを一般的なコンピュータによって5日間学習させた(図6:S1)。そして、学習後のモデルを用いてテストデータの各区間についてバースト又は非バーストに分類させた(図6:S2)。
NNの構造は、図7に示した例には限定されない。上述したNNは、入力層と出力層との間に1層以上の中間層を備えているが、層の数や、各層に属するユニットの数等は、適宜変更することができる。また、図7に示したレイヤのうち、一部のレイヤによってNNを構成するようにしてもよいし、レイヤの順序を入れ替えるようにしてもよい。
また、図7に示した入力層、畳み込みレイヤ、全結合レイヤ、確率の算出、出力層からなる畳み込みNNを採用するようにしてもよい。この場合、例えば、同一の電極における同一の区間内において図8に示したような畳み込みレイヤの処理を行う。また、電極ごと且つ区間ごとに、畳み込みレイヤの出力値を入力値xとし、当該区間において発火が発生している確率、及び当該区間において発火が発生していない確率を出力値yとして全結合レイヤの処理を行う。なお、入力層の値、確率算出の処理及び出力層の値は、上述した実施形態と同様である。また、畳み込みレイヤ、全結合レイヤは、それぞれ図8、図9に示した構成を複数段階繰り返す構成としてもよい。また、畳み込みレイヤ、全結合レイヤは、異なる電極によって同時期に測定された複数の電位の値又はこれに基づく特徴量を用いて変換後の特徴量を算出するようにしてもよいし、同一の電極によって所定の期間内における異なる時点に測定された複数の電位の値又はこれに基づく特徴量を用いて変換後の特徴量を算出するようにしてもよく、またこれらのレイヤを複数段階繰り返すようにしてもよい。
また、図7に示した入力層、リカレントレイヤ、確率の算出、出力層からなるリカレントNNを採用するようにしてもよい。また、図10、11に示した構成において、例えば、電極ごとに、複数の電位データを入力値xとする。なお、入力層の値、分類レイヤの処理及び出力層の値は、上述した実施形態と同様である。また、リカレントレイヤは、図10、11に示した構成を複数段階繰り返す構成としてもよい。また、リカレントレイヤは、異なる電極によって同時期に測定された複数の電位の値又はこれに基づく特徴量を用いて変換後の特徴量を算出するようにしてもよいし、同一の電極によって所定の期間内における異なる時点に測定された複数の電位の値又はこれに基づく特徴量を用いて変換後の特徴量を算出するようにしてもよく、またこれらのレイヤを複数段階繰り返すようにしてもよい。
また、図7に示した入力層、畳み込みレイヤ、リカレントレイヤ、確率の算出、出力層
からなる畳み込みリカレントNNを採用するようにしてもよい。この場合、例えば、同一の電極における同一の区間内において図8に示したような畳み込みレイヤの処理を行う。また、図10、11に示した構成において、例えば、電極ごとに、複数の電位データを入力値xとする。なお、入力層の値、確立算出の処理及び出力層の値は、上述した実施形態と同様である。また、畳み込みレイヤ、リカレントレイヤは、それぞれ図8、図10及び11に示した構成を複数段階繰り返す構成としてもよい。また、畳み込みレイヤ、リカレントレイヤは、異なる電極によって同時期に測定された複数の電位の値又はこれに基づく特徴量を用いて変換後の特徴量を算出するようにしてもよいし、同一の電極によって所定の期間内における異なる時点に測定された複数の電位の値又はこれに基づく特徴量を用いて変換後の特徴量を算出するようにしてもよく、またこれらのレイヤを複数段階繰り返すようにしてもよい。
また、図7に示したNNよりもさらに多くのレイヤを有する構成としてもよい。例えば、図7のN4の後にリカレントレイヤN6(図示せず)及び全結合層N7(図示せず)をさらに有する構成としてもよい。
本発明は、上述した処理を実行するコンピュータプログラムや、当該プログラムを記録した、コンピュータ読み取り可能な記録媒体を含む。当該プログラムが記録された記録媒体は、プログラムをコンピュータに実行させることにより、上述の処理が可能となる。
11 :チップホルダ
111 :チップ
1111 :測定電極
1112 :参照電極
1113 :配線
12 :電位計測装置
13 :モニタ
14 :機械学習装置
141 :電位データ記憶部
142 :機械学習部
1421 :特徴量算出部
1422 :学習処理部
143 :分類モデル記憶部
144 :分類処理部
145 :分類結果記憶部
146 :検証処理部
Claims (11)
- 神経細胞の細胞外電位の経時変化を表すデータについて、所定の期間に測定された電位の値と、当該期間における発火の発生を表す教師値とを用いて、前記発火の有無と前記電位の値との関係を学習する機械学習装置であって、
前記電位の値と、所定の関数とに基づいて特徴量を算出する特徴量算出部と、
前記特徴量算出部が算出した特徴量に基づく値と、前記教師値とを用いて前記関数に用いられる係数を修正する学習処理部と、
を備える機械学習装置。 - 前記特徴量算出部は、前記電位の値又はこれに基づく特徴量を入力とし、入力側の全ノードが出力側の全ノードと結合された全結合層及び各結合に関連付けられた所定の係数に基づいて変換後の特徴量を算出する
請求項1に記載の機械学習装置。 - 前記特徴量算出部は、前記電位の値又はこれに基づく特徴量を入力として、入力側の一連のノードに対して前段のノードの処理結果に応じた値を後段のノードの処理に利用する関数に基づいて処理を行うリカレントニューラルネットワークにより変換後の特徴量を算出する
請求項1又は2に記載の機械学習装置。 - 前記特徴量算出部は、前記電位の値又はこれに基づく特徴量を入力として、所定の畳み込みニューラルネットワークにより変換後の特徴量を算出する
請求項1から3のいずれか一項に記載の機械学習装置。 - 前記細胞外電位の値は、神経細胞に接するように配置される複数の電極を介して測定され、前記特徴量算出部は異なる電極によって同時期に測定された複数の前記電位の値又はこれに基づく特徴量を用いて、変換後の特徴量を算出する
請求項1から4のいずれか一項に記載の機械学習装置。 - 前記細胞外電位の値は、神経細胞に接するように配置される1又は複数の電極を介して測定され、前記特徴量算出部は、同一の電極によって前記所定の期間内における異なる時点に測定された複数の前記電位の値又はこれに基づく特徴量を用いて、変換後の特徴量を算出する
請求項1から4のいずれか一項に記載の機械学習装置。 - 請求項1から6のいずれか一項に記載の機械学習装置が備える前記学習処理部が修正した係数と、前記電位の値とを用いて、前記発火が発生したか否かを分類する分類装置。
- 神経細胞の細胞外電位の経時変化を表すデータについて、所定の期間に測定された電位の値と、当該期間における発火の発生を表す教師値とを用いて、前記発火の有無と前記電位の値との関係をコンピュータによって学習する機械学習方法であって、
前記電位の値と、所定の関数とに基づいて特徴量を算出し、
算出された前記特徴量に基づく値と、前記教師値とを用いて前記関数に用いられる係数を修正する、
機械学習方法。 - 請求項8に記載の機械学習方法によって修正された係数と、前記電位の値とを用いて、前記発火が発生したか否かを分類する分類方法。
- 神経細胞の細胞外電位の経時変化を表すデータについて、所定の期間に測定された電位の値と、当該期間における発火の発生を表す教師値とを用いて、前記発火の有無と前記電位の値との関係をコンピュータに学習させる機械学習プログラムであって、
前記電位の値と、所定の関数とに基づいて特徴量を算出し、
算出された前記特徴量に基づく値と、前記教師値とを用いて前記関数に用いられる係数を修正する、
機械学習プログラム。 - 請求項10に記載の機械学習プログラムによって修正された係数と、前記電位の値とを用いて、前記発火が発生したか否かを分類する分類プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017016301A JP6825770B2 (ja) | 2017-01-31 | 2017-01-31 | 機械学習装置、分類装置並びに方法及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017016301A JP6825770B2 (ja) | 2017-01-31 | 2017-01-31 | 機械学習装置、分類装置並びに方法及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018121567A true JP2018121567A (ja) | 2018-08-09 |
JP6825770B2 JP6825770B2 (ja) | 2021-02-03 |
Family
ID=63108682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017016301A Active JP6825770B2 (ja) | 2017-01-31 | 2017-01-31 | 機械学習装置、分類装置並びに方法及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6825770B2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102019004495A1 (de) | 2018-06-27 | 2020-01-02 | Ngk Insulators, Ltd. | Gassensor |
WO2021045095A1 (ja) * | 2019-09-06 | 2021-03-11 | 株式会社幹細胞&デバイス研究所 | 細胞の選別方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004305704A (ja) * | 2003-03-24 | 2004-11-04 | National Institute Of Advanced Industrial & Technology | 神経細胞活動電位分類装置およびその分類プログラム |
JP2014124133A (ja) * | 2012-12-26 | 2014-07-07 | Lsi Medience Corp | 細胞外電位計測装置及び方法 |
US20140358512A1 (en) * | 2013-06-03 | 2014-12-04 | International Business Machines Corporation | Automated construction of ion-channel models in a multi-comparment models |
-
2017
- 2017-01-31 JP JP2017016301A patent/JP6825770B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004305704A (ja) * | 2003-03-24 | 2004-11-04 | National Institute Of Advanced Industrial & Technology | 神経細胞活動電位分類装置およびその分類プログラム |
JP2014124133A (ja) * | 2012-12-26 | 2014-07-07 | Lsi Medience Corp | 細胞外電位計測装置及び方法 |
US20140358512A1 (en) * | 2013-06-03 | 2014-12-04 | International Business Machines Corporation | Automated construction of ion-channel models in a multi-comparment models |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102019004495A1 (de) | 2018-06-27 | 2020-01-02 | Ngk Insulators, Ltd. | Gassensor |
WO2021045095A1 (ja) * | 2019-09-06 | 2021-03-11 | 株式会社幹細胞&デバイス研究所 | 細胞の選別方法 |
Also Published As
Publication number | Publication date |
---|---|
JP6825770B2 (ja) | 2021-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108304917A (zh) | 一种基于lstm网络的p300信号检测方法 | |
Camuñas-Mesa et al. | A detailed and fast model of extracellular recordings | |
CN101815466B (zh) | 用于对动脉nadi脉搏波形进行定量检测的非侵入式设备nadi tarangini | |
CN108960182A (zh) | 一种基于深度学习的p300事件相关电位分类识别方法 | |
Dickinson | Linear and nonlinear encoding properties of an identified mechanoreceptor on the fly wing measured with mechanical noise stimuli | |
JP6567153B1 (ja) | 対象化合物の特性の予測を行うための方法、コンピュータシステム、プログラム | |
CN115906002B (zh) | 一种基于多粒度数据融合的学习投入状态评估方法 | |
Teodorescu | Characterization of nonlinear dynamic systems for engineering purposes–a partial review | |
JP6825770B2 (ja) | 機械学習装置、分類装置並びに方法及びプログラム | |
Umematsu et al. | Forecasting stress, mood, and health from daytime physiology in office workers and students | |
Hathaliya et al. | Parkinson and essential tremor classification to identify the patient’s risk based on tremor severity | |
Merel et al. | Bayesian methods for event analysis of intracellular currents | |
KR20200005761A (ko) | 혈당 센싱 데이터 판별 방법 및 장치 | |
CN104133879B (zh) | 脑电信号与音乐进行匹配的方法及其系统 | |
JP6798905B2 (ja) | 異常指標算出装置、異常指標算出方法及び異常指標算出プログラム | |
Hiroyasu et al. | Gender classification of subjects from cerebral blood flow changes using Deep Learning | |
CN116473556A (zh) | 一种基于多位点皮肤生理响应的情感计算方法及系统 | |
Li et al. | Predicting Parkinson's Disease with Multimodal Irregularly Collected Longitudinal Smartphone Data | |
Wang et al. | Revealing the temporal dynamics in non-invasive electrophysiological recordings with topography-based analyses | |
CN113065595A (zh) | 一种用于在线视频学习的基于眼动信号的情感识别方法 | |
Xue et al. | Inferring monosynaptic connections from paired dendritic spine Ca2+ imaging and large-scale recording of extracellular spiking | |
CN115429293B (zh) | 一种基于脉冲神经网络的睡眠类型分类方法和装置 | |
Bandyopadhyay et al. | Associating unemployment with panic attack using stacked-RNN model during COVID-19 | |
Ghadimi et al. | Inferring deep brain stimulation induced short-term synaptic plasticity using novel dual optimization algorithm | |
CN113827256B (zh) | 基于脑电微状态的疲劳检测方法、装置、终端及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190220 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200331 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20200601 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200730 |
|
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: 20201215 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210107 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6825770 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |