JP2019087106A - 学習用データの生成装置、判定装置及びプログラム - Google Patents
学習用データの生成装置、判定装置及びプログラム Download PDFInfo
- Publication number
- JP2019087106A JP2019087106A JP2017215858A JP2017215858A JP2019087106A JP 2019087106 A JP2019087106 A JP 2019087106A JP 2017215858 A JP2017215858 A JP 2017215858A JP 2017215858 A JP2017215858 A JP 2017215858A JP 2019087106 A JP2019087106 A JP 2019087106A
- Authority
- JP
- Japan
- Prior art keywords
- data
- determination
- time
- unit
- series data
- 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
- 230000001537 neural Effects 0.000 claims abstract description 10
- 238000009826 distribution Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 description 40
- 238000000034 method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 238000007781 pre-processing Methods 0.000 description 7
- 230000000875 corresponding Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000001131 transforming Effects 0.000 description 2
- 210000000707 Wrist Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000002569 neurons Anatomy 0.000 description 1
- 230000000737 periodic Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Abstract
Description
図1は、本実施形態による判定装置の構成図である。本実施形態による判定装置は、例えば、人が保持する加速度センサが出力する時系列データ(時間サンプル値列)に基づき、当該人の行動を判定する。例えば、加速度センサは、ウェアラブルデバイスに組み込まれ、人の手首に腕時計の様に装着される。また、例えば、加速度センサは、スマートフォン等に組み込まれ、人のポケット等に入れられて保持され、或いは、保持部材を用いて人の腕等に装着されて当該人に保持される。なお、本発明は、人の行動判定に限定されず、時間と共にその値(振幅値)が変化する時系列データに基づき何らかの判定を行うアプリケーションに適用することができる。
精度のよい判定を行うためには、非常に多数の学習用データを収集して判定装置の学習を行うことが重要である。しかしながら、非常に多数の学習用データを収集することは非常に手間のかかる作業である。したがって、本実施形態においては、実際に人にセンサを装着して収集した収集データに基づき、多くの学習用データを生成する。図6は、学習用データの生成装置の構成図である。
本実施形態では、人に装着したセンサによりラベル無しの収集データと、ラベル付きの収集データを集める。そして、上述した学習用データの生成装置を使用して、ラベル無しの収集データと、ラベル付きの収集データそれぞれから、ラベル無しの学習用データと、ラベル付きの学習用データを生成する。なお、ラベル付きの収集データは、動作との関係を求める必要があるため、多くのラベル付き収集データを集めることは非常に手間がかかる作業である。したがって、本実施形態では、より簡易に収集でき、よって、多くのデータを収集できるラベル無しの収集データから生成したラベル無しの学習用データを使用してまず各パイプラインの学習を行う。この学習には、例えば、Shallow stacked denoising autoencoderを使用することができる。なお、正則化には、L2正則化を使用することができる。
図1の判定装置は、2つの処理部20及び30を有するものであったが、本実施形態の判定装置は、3つ以上の処理部を有する構成とすることができる。さらに、処理部を後から追加することもできる。例えば、図1の構成において、処理部20の変換部は、そのまま時系列データを処理対象データとして出力し、処理部30の変換部は、時系列データを離散フーリエ変換して処理対象データを出力するものとする。この場合において、行動判定に役に立つ時系列データの変換が後から見つかった場合、新たな処理部を設けて、事前処理部10の出力を入力させれば良い。本実施形態による判定装置はモジュール構成であるため、既存の処理部20及び30については再学習する必要はなく、新たな処理部の学習と、判定部40の再学習のみ行えばよい。
非特許文献1の構成では、学習用データを取得するために使用したセンサとは異なる新たなセンサが取得したデータに基づき行動判定を行うには、当該新たなセンサが取得した学習用データに基づきCNNの全体の再学習を行う必要がある。なお、学習用データを取得するために使用したセンサとは異なる新たなセンサとは、例えば、学習用データを取得するために使用したセンサとは異なる人体の位置に取り付けて使用するセンサや、学習用データを取得するために使用したセンサとは異なるメーカ又は種別のセンサを意味する。本実施形態による判定装置はモジュール構成であるため、新たなセンサを使用する場合、既存のパイプラインを再学習する必要はない。
Claims (16)
- 収集した時系列データに基づきニューラルネットワークを用いた判定装置の学習用データを生成する生成装置であって、
前記時系列データのデータ値を変更する値変更手段と、
前記時系列データの各データの時間間隔を変更する間隔変更手段と、
前記時系列データに歪を付加する歪付加手段と、
前記時系列データに雑音を付加する雑音付加手段と、
を備えていることを特徴とする生成装置。 - 前記時系列データを前記値変更手段による処理対象とするかをランダムに判定する第1判定手段をさらに備えており、
前記値変更手段は、前記第1判定手段により処理対象として選択された前記時系列データのデータ値を変更することを特徴とする請求項1に記載の生成装置。 - 前記時系列データを前記間隔変更手段による処理対象とするかをランダムに判定する第2判定手段をさらに備えており、
前記間隔変更手段は、前記第2判定手段により処理対象として選択された前記時系列データの各データの時間間隔を変更することを特徴とする請求項1又は2に記載の生成装置。 - 前記時系列データを前記歪付加手段による処理対象とするかをランダムに判定する第3判定手段をさらに備えており、
前記歪付加手段は、前記第3判定手段により処理対象として選択された前記時系列データに歪を付加することを特徴とする請求項1から3のいずれか1項に記載の生成装置。 - 前記値変更手段は、
第1分布に基づき選択した第1の値を、前記時系列データの各データ値に乗ずる第1手段と、
前記時系列データの各データ値それぞれについて、データ値に対して第2分布に基づき選択した第2の値を、当該データ値に乗ずる第2手段と、
を、備えていることを特徴とする請求項1から4のいずれか1項に記載の生成装置。 - 前記間隔変更手段は、
第3分布に基づき選択した第3の値に応じて、前記時系列データの各データの時間間隔を変更する第3手段と、
前記時系列データを複数の時間区間に分割し、前記複数の時間区間それぞれについて、時間区間に対して第4分布に基づき選択した第4の値に基づき、当該時間区間の各データの時間間隔を変更する第4手段と、
を、備えていることを特徴とする請求項1から5のいずれか1項に記載の生成装置。 - 前記歪付加手段は、
前記時系列データの2番目以降のデータから処理対象データを選択し、
選択した処理対象データのデータ値を、1つ前のデータ値と同じに変更することで、前記時系列データに歪を付加することを特徴とする請求項1から6のいずれか1項に記載の生成装置。 - ニューラルネットワークにより判定を行う判定装置であって、
請求項1から7のいずれか1項に記載の生成装置が生成した学習用データにより前記ニューラルネットワークの学習が行われていることを特徴とする判定装置。 - 請求項1から7のいずれか1項に記載の生成装置としてコンピュータを機能させることを特徴とするプログラム。
- 時系列データに基づき判定を行う判定装置であって、
1つ以上の処理手段と、
判定手段と、
を備えており、
前記処理手段は、
前記時系列データを入力とし、前記時系列データから処理対象データを生成する生成手段と、
前記処理対象データがそれぞれ入力される複数のパイプラインであって、前記複数のパイプラインのそれぞれは、第1出力データと、第2出力データと、を出力する前記複数のパイプラインと、
前記複数のパイプラインそれぞれが出力する前記第2出力データを入力とし、前記複数のパイプラインそれぞれが出力する前記第2出力データの合計データ数より少ないデータ数の第3出力データを出力するキャッピング手段と、
を備えており、
前記判定手段は、前記第1出力データ及び前記第3出力データに基づき判定を行い、
前記複数のパイプラインのそれぞれは、1つ以上の畳み込み層を有し、前記複数のパイプラインそれぞれの前記畳み込み層の数は互いに異なることを特徴とする判定装置。 - 前記複数のパイプラインのそれぞれは、直列に接続された複数のブロックを有し、
前記複数のブロックのそれぞれは、1つ以上の畳み込み層と、前記1つ以上の畳み込み層の下流側に接続され、ブロックの出力データを出力するプーリング層と、を有し、
前記第2出力データは、直列に接続された複数のブロックの最後のブロックの出力データであり、前記第1出力データは、直列に接続された複数のブロックの最後のブロック以外のブロックの出力データであることを特徴とする請求項10に記載の判定装置。 - 複数の前記処理手段を備えており、
異なる処理手段の前記生成手段が生成する前記処理対象データは互いに異なることを特徴とする請求項10又は11に記載の判定装置。 - 前記処理対象データは、前記時系列データと同じデータ、前記時系列データを離散フーリエ変換したデータ、又は、前記時系列データのスペクトログラムを示すデータであることを特徴とする請求項10から12のいずれか1項に記載の判定装置。
- 前記処理手段の前記複数のパイプラインは、複数の第1パイプラインと、複数の第2パイプラインと、を備えており、
前記複数の第1パイプラインには、第1センサで取得された前記時系列データから前記生成手段により生成された処理対象データがそれぞれ入力され、
前記複数の第2パイプラインには、前記第1センサとは、異なる第2センサで取得された前記時系列データから前記生成手段により生成された処理対象データがそれぞれ入力されることを特徴とする請求項10から13のいずれか1項に記載の判定装置。 - 前記時系列データは、人に装着される、或いは、人が保持する加速度センサにより取得されたデータであり、
前記判定手段は、前記人の行動内容を判定することを特徴とする請求項10から14のいずれか1項に記載の判定装置。 - 請求項10から15のいずれか1項に記載の判定装置としてコンピュータを機能させることを特徴とするプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017215858A JP6838259B2 (ja) | 2017-11-08 | 2017-11-08 | 学習用データの生成装置、判定装置及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017215858A JP6838259B2 (ja) | 2017-11-08 | 2017-11-08 | 学習用データの生成装置、判定装置及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019087106A true JP2019087106A (ja) | 2019-06-06 |
JP6838259B2 JP6838259B2 (ja) | 2021-03-03 |
Family
ID=66763137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017215858A Active JP6838259B2 (ja) | 2017-11-08 | 2017-11-08 | 学習用データの生成装置、判定装置及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6838259B2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021044626A1 (ja) * | 2019-09-06 | 2021-03-11 | 日本電気株式会社 | 特徴量抽出装置、時系列データ解析システム、方法およびプログラム |
-
2017
- 2017-11-08 JP JP2017215858A patent/JP6838259B2/ja active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021044626A1 (ja) * | 2019-09-06 | 2021-03-11 | 日本電気株式会社 | 特徴量抽出装置、時系列データ解析システム、方法およびプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP6838259B2 (ja) | 2021-03-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pan et al. | An improved bearing fault diagnosis method using one-dimensional CNN and LSTM. | |
Garcia-Ceja et al. | Classification of recurrence plots’ distance matrices with a convolutional neural network for activity recognition | |
Batool et al. | Sensors technologies for human activity analysis based on SVM optimized by PSO algorithm | |
Xie et al. | Fault diagnosis for rotating machinery based on convolutional neural network and empirical mode decomposition | |
Djemal et al. | Three-class EEG-based motor imagery classification using phase-space reconstruction technique | |
US10937438B2 (en) | Neural network generative modeling to transform speech utterances and augment training data | |
US20190138891A1 (en) | Apparatus and method with neural network | |
Zhang et al. | Rolling element bearings fault intelligent diagnosis based on convolutional neural networks using raw sensing signal | |
US9292789B2 (en) | Continuous-weight neural networks | |
Brown et al. | Nonlinear statistics of human speech data | |
JP5051746B2 (ja) | 特徴抽出装置及び方法並びにプログラム | |
Jukic et al. | Comparison of ensemble machine learning methods for automated classification of focal and non-focal epileptic EEG signals | |
Ke et al. | Underwater acoustic target recognition based on supervised feature-separation algorithm | |
JP2019075115A (ja) | アクティベーション演算とコンボリューション演算を同時に遂行するための方法及び装置、そしてこのための学習方法及び学習装置 | |
JP2019087106A (ja) | 学習用データの生成装置、判定装置及びプログラム | |
Wei et al. | A method of underwater acoustic signal classification based on deep neural network | |
Ragab et al. | Random search one dimensional CNN for human activity recognition | |
Young et al. | Pattern recognition for prosthetic hand user’s intentions using EMG data and machine learning techniques | |
KR20140073294A (ko) | 심장 박동수 변화를 이용한 실시간 감성 인식장치 및 그 방법 | |
Kilinc et al. | Inertia based recognition of daily activities with ANNs and spectrotemporal features | |
JP5705190B2 (ja) | 音響信号強調装置、音響信号強調方法、およびプログラム | |
CN111060316A (zh) | 基于卷积神经网络模型的滚动轴承状态监测方法和系统 | |
KR102292678B1 (ko) | 뇌 인지 부하 분류 시스템 및 방법 | |
Gjoreski | A method for combining classical and deep machine learning for mobile health and behavior monitoring | |
Purnamasari et al. | EEG Based emotion recognition system induced by video music using a wavelet feature vectors and an artificial neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20191128 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200916 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20201005 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201203 |
|
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: 20210112 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210121 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6838259 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |