JP2019168887A - 嗅覚嗜好とパーソナリティとの関係性解析装置 - Google Patents
嗅覚嗜好とパーソナリティとの関係性解析装置 Download PDFInfo
- Publication number
- JP2019168887A JP2019168887A JP2018055579A JP2018055579A JP2019168887A JP 2019168887 A JP2019168887 A JP 2019168887A JP 2018055579 A JP2018055579 A JP 2018055579A JP 2018055579 A JP2018055579 A JP 2018055579A JP 2019168887 A JP2019168887 A JP 2019168887A
- Authority
- JP
- Japan
- Prior art keywords
- learning
- prediction
- unit
- data
- personality
- 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
- 235000019640 taste Nutrition 0.000 title claims abstract description 20
- 230000013016 learning Effects 0.000 claims abstract description 526
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 239000003205 fragrance Substances 0.000 claims description 59
- 238000010276 construction Methods 0.000 claims description 53
- 238000004458 analytical method Methods 0.000 claims description 42
- 230000000295 complement effect Effects 0.000 claims description 31
- 230000001172 regenerating effect Effects 0.000 claims description 16
- 230000008929 regeneration Effects 0.000 claims description 16
- 238000011069 regeneration method Methods 0.000 claims description 16
- 239000013589 supplement Substances 0.000 claims description 5
- 238000012937 correction Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 16
- 235000013305 food Nutrition 0.000 description 15
- 238000000034 method Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 14
- 230000035945 sensitivity Effects 0.000 description 11
- 238000010801 machine learning Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 7
- 238000007637 random forest analysis Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 230000007547 defect Effects 0.000 description 5
- 239000000047 product Substances 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 4
- 230000006735 deficit Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 238000000556 factor analysis Methods 0.000 description 3
- 235000020803 food preference Nutrition 0.000 description 3
- 239000006210 lotion Substances 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000035807 sensation Effects 0.000 description 3
- 235000019615 sensations Nutrition 0.000 description 3
- 210000000577 adipose tissue Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000002537 cosmetic Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000007417 hierarchical cluster analysis Methods 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- 230000008786 sensory perception of smell Effects 0.000 description 2
- 230000004622 sleep time Effects 0.000 description 2
- 210000004243 sweat Anatomy 0.000 description 2
- 102000004127 Cytokines Human genes 0.000 description 1
- 108090000695 Cytokines Proteins 0.000 description 1
- 238000002965 ELISA Methods 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 108700011259 MicroRNAs Proteins 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 108010026552 Proteome Proteins 0.000 description 1
- 206010039897 Sedation Diseases 0.000 description 1
- 230000037007 arousal Effects 0.000 description 1
- 235000019658 bitter taste Nutrition 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008344 brain blood flow Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004070 electrodeposition Methods 0.000 description 1
- 238000001962 electrophoresis Methods 0.000 description 1
- 210000001808 exosome Anatomy 0.000 description 1
- 230000002550 fecal effect Effects 0.000 description 1
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000002679 microRNA Substances 0.000 description 1
- 238000002493 microarray Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 239000002858 neurotransmitter agent Substances 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012628 principal component regression Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000003753 real-time PCR Methods 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 238000004579 scanning voltage microscopy Methods 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 230000036280 sedation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002485 urinary effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000002618 waking effect Effects 0.000 description 1
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
以下、本発明の第1の実施形態を図面に基づいて説明する。図1は、第1の実施形態による関係性解析装置1Aの機能構成例を示すブロック図である。図1に示すように、第1の実施形態による関係性解析装置1Aは、学習器10A、予測器20Aおよび学習モデル記憶部30Aを備えて構成される。学習器10Aは、その機能構成として、学習用データ入力部11A、学習用変数生成部12Aおよびモデル構築部13Aを備えている。予測器20Aは、その機能構成として、予測用データ入力部21A、予測用変数生成部22Aおよびパーソナリティ予測部23Aを備えている。
年齢、性別、職種、飲酒、喫煙
<予備データ>
起床、就寝、その他生活習慣、趣味、購読雑誌、旅行の行き先及び回数、嗅覚検査、匂いへの関心や気づきやすさ、運動量、心拍数、呼吸数、脳波、脳血流、fMRI、脳形状、疾病既往歴、身長、体重、胸囲、胴囲、尻まわり、体脂肪率、筋力、汗の分泌量および成分、生体インピーダンス、唾液のメタボローム、尿中エクソソーム内microRNA、糞便や皮膚表面のメタボロームおよび菌叢解析、体内のいずれかの細胞のゲノム、メチローム、プロテオーム、メタボロームおよびトランスクリプトーム、体内の神経伝達物質やサイトカインの種類および量、ウエアラブルセンサ、体重計、身長計、体脂肪計、巻尺、筋力測定器、汗分析装置、生体インピーダンス測定器、質量分析機、各種クロマトグラフィ、PCRの後に行う電気泳動検出、リアルタイムPCR装置、次世代DNAシークエンサ、マイクロアレイ、ELISA、および各種化学センサ、食品や嗜好品の消費数、摂取頻度および種類、食品や嗜好品に対する五感の印象、食品や嗜好品に対する嗜好、栄養や健康への関心度、ボランティア活動への参加頻度、ゲームの過程および結果、対人対話の記録、AIロボットまたはチャットボットのやり取り、SNS、投稿作品(画像および文章)、ブログおよびメール、各種商品の購買履歴、旅行会社への申し込み履歴、生体情報から2次的に推定される感性情報
次に、本発明の第2の実施形態を図面に基づいて説明する。図2は、第2の実施形態による関係性解析装置1Bの機能構成例を示すブロック図である。なお、この図2において、図1に示した符号と同一の符号を付したものは同一の機能を有するものであるので、ここでは重複する説明を省略する。
次に、本発明の第3の実施形態を図面に基づいて説明する。図3は、第3の実施形態による関係性解析装置1Cの機能構成例を示すブロック図である。なお、この図3において、図1に示した符号と同一の符号を付したものは同一の機能を有するものであるので、ここでは重複する説明を省略する。
次に、本発明の第4の実施形態を図面に基づいて説明する。図4は、第4の実施形態による関係性解析装置1Dの機能構成例を示すブロック図である。なお、この図4において、図1〜図3に示した符号と同一の符号を付したものは同一の機能を有するものであるので、ここでは重複する説明を省略する。
次に、本発明の第5の実施形態を図面に基づいて説明する。図5は、第5の実施形態による関係性解析装置2Aの機能構成例を示すブロック図である。図5に示すように、第5の実施形態による関係性解析装置2Aは、学習器50A、予測器60Aおよび学習モデル記憶部70Aを備えて構成される。学習器50Aは、その機能構成として、学習用データ入力部51A、学習用変数生成部52Aおよびモデル構築部53Aを備えている。予測器60Aは、その機能構成として、予測用データ入力部61A、予測用変数生成部62Aおよび香り嗜好予測部63Aを備えている。
次に、本発明の第6の実施形態を図面に基づいて説明する。図6は、第6の実施形態による関係性解析装置2Bの機能構成例を示すブロック図である。なお、この図6において、図5に示した符号と同一の符号を付したものは同一の機能を有するものであるので、ここでは重複する説明を省略する。
次に、本発明の第7の実施形態を図面に基づいて説明する。図7は、第7の実施形態による関係性解析装置2Cの機能構成例を示すブロック図である。なお、この図7において、図5に示した符号と同一の符号を付したものは同一の機能を有するものであるので、ここでは重複する説明を省略する。
次に、本発明の第8の実施形態を図面に基づいて説明する。図8は、第8の実施形態による関係性解析装置2Dの機能構成例を示すブロック図である。なお、この図8において、図5〜図7に示した符号と同一の符号を付したものは同一の機能を有するものであるので、ここでは重複する説明を省略する。
2A,2B,2C,2D 関係性解析装置(香り嗜好予測用)
10A,10B,10C,10D 学習器
11A 学習用データ入力部
12A, 12C 学習用変数生成部
13A,13B, 13C, 13D モデル構築部
14B 学習対象者分類部
15C 学習用欠損値補完部
16D 学習用欠損値再補完部
17D 学習用変数再生成部
20A,20B,20C,20D 予測器
21A 予測用データ入力部
22A, 22C 予測用変数生成部
23A,23B, 23C, 23D パーソナリティ予測部
24B 予測対象者分類部
25C 予測用欠損値補完部
26D 予測用欠損値再補完部
27D 予測用変数再生成部
30A,30B学習モデル記憶部
50A,50B,50C,50D 学習器
51A 学習用データ入力部
52A, 52C 学習用変数生成部
53A,53B,53C, 53D モデル構築部
54B 学習対象者分類部
55C 学習用欠損値補完部
56D 学習用欠損値再補完部
57D 学習用変数再生成部
60A,60B,60C,60D 予測器
61A 予測用データ入力部
62A, 62C 予測用変数生成部
63A,63B,63C, 63D 香り嗜好予測部
64B 予測対象者分類部
65C 予測用欠損値補完部
66D 予測用欠損値再補完部
67D 予測用変数再生成部
70A,70B 学習モデル記憶部
Claims (14)
- 複数の学習対象者ごとに、複数の香りについてそれぞれ複数段階で定義される個人的な嗜好の程度を示す香り嗜好スコアデータ、および、所定の心理検査による結果として検出される個人の複数のパーソナリティを示すパーソナリティデータを、それぞれ学習用データとして入力する学習用データ入力部と、
上記学習用データ入力部により入力された学習用の上記香り嗜好スコアデータおよび上記パーソナリティデータを用いて、上記香り嗜好スコアデータを含む説明変数から上記パーソナリティデータを導くための学習モデルを構築するモデル構築部と、
予測対象者について、上記香り嗜好スコアデータを予測用データとして入力する予測用データ入力部と、
上記予測用データ入力部により入力された予測用の上記香り嗜好スコアデータを、上記モデル構築部により構築された上記学習モデルに適用することにより、上記予測対象者のパーソナリティを予測するパーソナリティ予測部とを備えたことを特徴とする嗅覚嗜好とパーソナリティとの関係性解析装置。 - 上記学習用データ入力部により入力された学習用の上記香り嗜好スコアデータから複数の学習用説明変数を生成する学習用変数生成部と、
上記予測用データ入力部により入力された予測用の上記香り嗜好スコアデータから複数の予測用説明変数を生成する予測用変数生成部とを更に備え、
上記モデル構築部は、上記学習用データ入力部により入力された学習用の上記香り嗜好スコアデータおよび上記学習用変数生成部により生成された上記複数の学習用説明変数の両方またはいずれか一方と、上記学習用データ入力部により入力された学習用の上記パーソナリティデータとを用いて、上記学習モデルを構築し、
上記パーソナリティ予測部は、上記予測用データ入力部により入力された予測用の上記香り嗜好スコアデータおよび上記予測用変数生成部により生成された上記複数の予測用説明変数の両方またはいずれか一方を、上記モデル構築部により構築された上記学習モデルに適用することにより、上記予測対象者のパーソナリティを予測することを特徴とする請求項1に記載の嗅覚嗜好とパーソナリティとの関係性解析装置。 - 上記学習用データ入力部により入力された学習用の上記香り嗜好スコアデータから複数の学習用説明変数を生成する学習用変数生成部と、
上記学習用データ入力部により入力された学習用の上記香り嗜好スコアデータおよび上記学習用変数生成部により生成された上記複数の学習用説明変数の両方またはいずれか一方を用いて、上記複数の学習対象者の分類を行う学習対象者分類部と、
上記予測用データ入力部により入力された予測用の上記香り嗜好スコアデータから複数の予測用説明変数を生成する予測用変数生成部と、
上記予測用データ入力部により入力された予測用の上記香り嗜好スコアデータおよび上記予測用変数生成部により生成された上記複数の予測用説明変数の両方またはいずれか一方を用いて、上記予測対象者の分類を行う予測対象者分類部とを更に備え、
上記モデル構築部は、上記学習対象者分類部により作成された分類ごとに上記学習モデルを構築し、
上記パーソナリティ予測部は、上記予測用データ入力部により入力された予測用の上記香り嗜好スコアデータおよび上記予測用変数生成部により生成された上記複数の予測用説明変数の両方またはいずれか一方を、上記モデル構築部により分類ごとに構築された上記学習モデルのうち、上記予測対象者分類部により上記予測対象者が割り当てられた分類に対応する学習モデルに適用することにより、上記予測対象者のパーソナリティを予測することを特徴とする請求項1に記載の嗅覚嗜好とパーソナリティとの関係性解析装置。 - 上記学習用データ入力部により入力された学習用の上記香り嗜好スコアデータについて、少なくとも1つの香りに関する香り嗜好スコアデータが欠損している場合に、存在する他の香り嗜好スコアデータから、欠損している香りの香り嗜好スコアデータを推定して補完する学習用欠損値補完部を更に備え、
上記学習用変数生成部は、上記学習用データ入力部により入力し欠損値を上記学習用欠損値補完部により補完された香り嗜好スコアデータから上記複数の学習用説明変数を生成し、
上記モデル構築部は、上記学習用データ入力部により入力し欠損値を上記学習用欠損値補完部により補完された学習用の上記香り嗜好スコアデータ、および、上記学習用変数再生成部により再生成された上記複数の学習用説明変数の両方またはいずれか一方と、上記学習用データ入力部により入力された上記パーソナリティデータとを用いて、上記学習モデルを構築することを特徴とする請求項2に記載の嗅覚嗜好とパーソナリティとの関係性解析装置。 - 上記学習用データ入力部により入力された学習用の上記香り嗜好スコアデータについて、少なくとも1つの香りに関する香り嗜好スコアデータが欠損している場合に、存在する他の香り嗜好スコアデータから、欠損している香りの香り嗜好スコアデータを推定して補完する学習用欠損値補完部と、
上記学習対象者分類部による分類の実施後に、上記学習用欠損値補完部により補完されていた香り嗜好スコアデータを削除し、上記学習対象者分類部により作成された分類ごとに、存在する他の香り嗜好スコアデータから、上記欠損している香りの香り嗜好スコアデータを推定して再補完する学習用欠損値再補完部と、
上記学習対象者分類部による分類の実施後に、上記学習用欠損値再補完部により再補完された香り嗜好スコアデータから上記学習用変数生成部により生成されていた学習用説明変数を削除し、上記学習対象者分類部により作成された分類ごとに、上記学習用データ入力部により入力された学習用の上記香り嗜好スコアデータおよび上記学習用欠損値再補完部により再補完された香り嗜好スコアデータから上記複数の学習用説明変数を再生成する学習用変数再生成部とを更に備え、
上記学習用変数生成部は、上記学習用データ入力部により入力し欠損値を上記学習用欠損値補完部により補完された香り嗜好スコアデータから上記複数の学習用説明変数を生成し、
上記モデル構築部は、上記学習用データ入力部により入力し欠損値を上記学習用欠損値再補完部により再補完された学習用の上記香り嗜好スコアデータおよび上記学習用変数再生成部により再生成された上記複数の学習用説明変数の両方またはいずれか一方と、上記学習用データ入力部により入力された上記パーソナリティデータとを用いて、上記学習モデルを構築することを特徴とする請求項2に記載の嗅覚嗜好とパーソナリティとの関係性解析装置。 - 上記予測用データ入力部により入力された予測用の上記香り嗜好スコアデータについて、少なくとも1つの香りに関する香り嗜好スコアデータが欠損している場合に、存在する他の香り嗜好スコアデータから、欠損している香りの香り嗜好スコアデータを推定して補完する予測用欠損値補完部を更に備え、
上記予測用変数生成部は、上記予測用データ入力部により入力し欠損値を上記予測用欠損値補完部により補完された香り嗜好スコアデータから上記複数の予測用説明変数を生成し、
上記パーソナリティ予測部は、上記予測用データ入力部により入力し欠損値を上記予測用欠損値補完部により補完された香り嗜好スコアデータおよび上記予測用変数生成部により生成された上記複数の予測用説明変数の両方またはいずれか一方を、上記モデル構築部により構築された上記学習モデルに適用することにより、上記予測対象者のパーソナリティを予測することを特徴とする請求項2または4に記載の嗅覚嗜好とパーソナリティとの関係性解析装置。 - 上記予測用データ入力部により入力された予測用の上記香り嗜好スコアデータについて、少なくとも1つの香りに関する香り嗜好スコアデータが欠損している場合に、存在する他の香り嗜好スコアデータから、欠損している香りの香り嗜好スコアデータを推定して補完する予測用欠損値補完部と、
上記予測対象者分類部による分類の実施後に、上記予測用欠損値補完部により補完されていた香り嗜好スコアデータを削除し、上記予測対象者分類部により上記予測対象者が割り当てられた分類について、存在する他の香り嗜好スコアデータから、上記欠損している香りの香り嗜好スコアデータを推定して再補完する予測用欠損値再補完部と、
上記予測対象者分類部による分類の実施後に、上記予測用欠損値再補完部により再補完された香り嗜好スコアデータから上記予測用変数生成部により生成されていた予測用説明変数を削除し、上記予測対象者分類部により上記予測対象者が割り当てられた分類について、上記予測用データ入力部により入力し欠損値を上記予測用欠損値再補完部により再補完された香り嗜好スコアデータから上記複数の予測用説明変数を再生成する予測用変数再生成部とを更に備え、
上記予測用変数生成部は、上記予測用データ入力部により入力し欠損値を上記予測用欠損値補完部により補完された香り嗜好スコアデータから上記複数の予測用説明変数を生成し、
上記パーソナリティ予測部は、上記予測用データ入力部により入力し欠損値を上記予測用欠損値再補完部により再補完された香り嗜好スコアデータおよび上記予測用変数再生成部により再生成された上記複数の予測用説明変数の両方またはいずれか一方を、上記モデル構築部により分類ごとに構築された上記学習モデルのうち、上記予測対象者分類部により上記予測対象者が割り当てられた分類に対応する学習モデルに適用することにより、上記予測対象者のパーソナリティを予測することを特徴とする請求項3または5に記載の嗅覚嗜好とパーソナリティとの関係性解析装置。 - 複数の学習対象者ごとに、複数の香りについてそれぞれ複数段階で定義される個人的な嗜好の程度を示す香り嗜好スコアデータ、および、所定の心理検査による結果として検出される個人の複数のパーソナリティを示すパーソナリティデータを、それぞれ学習用データとして入力する学習用データ入力部と、
上記学習用データ入力部により入力された学習用の上記香り嗜好スコアデータおよび上記パーソナリティデータを用いて、上記パーソナリティデータを含む説明変数から上記香り嗜好スコアデータを導くための学習モデルを構築するモデル構築部と、
予測対象者について、上記パーソナリティデータを予測用データとして入力する予測用データ入力部と、
上記予測用データ入力部により入力された予測用の上記パーソナリティデータを、上記モデル構築部により構築された上記学習モデルに適用することにより、上記予測対象者の香り嗜好を予測する香り嗜好予測部とを備えたことを特徴とする嗅覚嗜好とパーソナリティとの関係性解析装置。 - 上記学習用データ入力部により入力された学習用の上記パーソナリティデータから複数の学習用説明変数を生成する学習用変数生成部と、
上記予測用データ入力部により入力された予測用の上記パーソナリティデータから複数の予測用説明変数を生成する予測用変数生成部とを更に備え、
上記モデル構築部は、上記学習用データ入力部により入力された学習用の上記パーソナリティデータおよび上記学習用変数生成部により生成された上記複数の学習用説明変数の両方またはいずれか一方と、上記学習用データ入力部により入力された学習用の上記香り嗜好スコアデータとを用いて、上記学習モデルを構築し、
上記香り嗜好予測部は、上記予測用データ入力部により入力された予測用の上記パーソナリティデータおよび上記予測用変数生成部により生成された上記複数の予測用説明変数の両方またはいずれか一方を、上記モデル構築部により構築された上記学習モデルに適用することにより、上記予測対象者の香り嗜好を予測することを特徴とする請求項8に記載の嗅覚嗜好とパーソナリティとの関係性解析装置。 - 上記学習用データ入力部により入力された学習用の上記パーソナリティデータから複数の学習用説明変数を生成する学習用変数生成部と、
上記学習用データ入力部により入力された学習用の上記パーソナリティデータおよび上記学習用変数生成部により生成された上記複数の学習用説明変数の両方またはいずれか一方を用いて、上記複数の学習対象者の分類を行う学習対象者分類部と、
上記予測用データ入力部により入力された予測用の上記パーソナリティデータから複数の予測用説明変数を生成する予測用変数生成部と、
上記予測用データ入力部により入力された予測用の上記パーソナリティデータおよび上記予測用変数生成部により生成された上記複数の予測用説明変数の両方またはいずれか一方を用いて、上記予測対象者の分類を行う予測対象者分類部とを更に備え、
上記モデル構築部は、上記学習対象者分類部により作成された分類ごとに上記学習モデルを構築し、
上記香り嗜好予測部は、上記予測用データ入力部により入力された予測用の上記パーソナリティデータおよび上記予測用変数生成部により生成された上記複数の予測用説明変数の両方またはいずれか一方を、上記モデル構築部により分類ごとに構築された上記学習モデルのうち、上記予測対象者分類部により上記予測対象者が割り当てられた分類に対応する学習モデルに適用することにより、上記予測対象者の香り嗜好を予測することを特徴とする請求項9に記載の嗅覚嗜好とパーソナリティとの関係性解析装置。 - 上記学習用データ入力部により入力された学習用の上記パーソナリティデータについて、少なくとも1つのパーソナリティに関するパーソナリティデータが欠損している場合に、存在する他のパーソナリティデータから、欠損しているパーソナリティのパーソナリティデータを推定して補完する学習用欠損値補完部を更に備え、
上記学習用変数生成部は、上記学習用データ入力部により入力し欠損値を上記学習用欠損値補完部により補完されたパーソナリティデータから上記複数の学習用説明変数を生成し、
上記モデル構築部は、上記学習用データ入力部により入力し欠損値を上記学習用欠損値補完部により補完された学習用の上記パーソナリティデータ、および、上記学習用変数生成部により再生成された上記複数の学習用説明変数の両方またはいずれか一方と、上記学習用データ入力部により入力された学習用の上記香り嗜好スコアデータとを用いて、上記学習モデルを構築することを特徴とする請求項9に記載の嗅覚嗜好とパーソナリティとの関係性解析装置。 - 上記学習用データ入力部により入力された学習用の上記パーソナリティデータについて、少なくとも1つのパーソナリティに関するパーソナリティデータが欠損している場合に、存在する他のパーソナリティデータから、欠損しているパーソナリティのパーソナリティデータを推定して補完する学習用欠損値補完部と、
上記学習対象者分類部による分類の実施後に、上記学習用欠損値補完部により補完されていたパーソナリティデータを削除し、上記学習対象者分類部により作成された分類ごとに、存在する他のパーソナリティデータから、上記欠損しているパーソナリティのパーソナリティデータを推定して再補完する学習用欠損値再補完部と、
上記学習対象者分類部による分類の実施後に、上記学習用欠損値再補完部により再補完されたパーソナリティデータから上記学習用変数生成部により生成されていた学習用説明変数を削除し、上記学習対象者分類部により作成された分類ごとに、上記学習用データ入力部により入力された学習用の上記パーソナリティデータおよび上記学習用欠損値再補完部により再補完されたパーソナリティデータから上記複数の学習用説明変数を再生成する学習用変数再生成部とを更に備え、
上記学習用変数生成部は、上記学習用データ入力部により入力し欠損値を上記学習用欠損値補完部により補完されたパーソナリティデータから上記複数の学習用説明変数を生成し、
上記モデル構築部は、上記学習用データ入力部により入力し欠損値を上記学習用欠損値再補完部により再補完された学習用の上記パーソナリティデータおよび上記学習用変数再生成部により再生成された上記複数の学習用説明変数の両方またはいずれか一方と、上記学習用データ入力部により入力された学習用の上記香り嗜好スコアデータとを用いて、上記学習モデルを構築することを特徴とする請求項10に記載の嗅覚嗜好とパーソナリティとの関係性解析装置。 - 上記予測用データ入力部により入力された予測用の上記パーソナリティデータについて、少なくとも1つのパーソナリティに関するパーソナリティデータが欠損している場合に、存在する他のパーソナリティデータから、欠損しているパーソナリティのパーソナリティデータを推定して補完する予測用欠損値補完部を更に備え、
上記予測用変数生成部は、上記予測用データ入力部により入力し欠損値を上記予測用欠損値補完部により補完されたパーソナリティデータから上記複数の予測用説明変数を生成し、
上記香り嗜好予測部は、上記予測用データ入力部により入力し欠損値を上記予測用欠損値補完部により補完されたパーソナリティデータおよび上記予測用変数生成部により生成された上記複数の予測用説明変数の両方またはいずれか一方を、上記モデル構築部により構築された上記学習モデルに適用することにより、上記予測対象者の香り嗜好を予測することを特徴とする請求項9または11に記載の嗅覚嗜好とパーソナリティとの関係性解析装置。 - 上記予測用データ入力部により入力された予測用の上記パーソナリティデータについて、少なくとも1つのパーソナリティに関するパーソナリティデータが欠損している場合に、存在する他のパーソナリティデータから、欠損しているパーソナリティのパーソナリティデータを推定して補完する予測用欠損値補完部と、
上記予測対象者分類部による分類の実施後に、上記予測用欠損値補完部により補完されていたパーソナリティデータを削除し、上記予測対象者分類部により上記予測対象者が割り当てられた分類について、存在する他のパーソナリティデータから、上記欠損しているパーソナリティのパーソナリティデータを推定して再補完する予測用欠損値再補完部と、
上記予測対象者分類部による分類の実施後に、上記予測用欠損値再補完部により再補完されたパーソナリティデータから上記予測用変数生成部により生成されていた予測用説明変数を削除し、上記予測対象者分類部により上記予測対象者が割り当てられた分類について、上記予測用データ入力部により入力された予測用の上記パーソナリティデータおよび上記予測用欠損値再補完部により再補完されたパーソナリティデータから上記複数の予測用説明変数を再生成する予測用変数再生成部とを更に備え、
上記予測用変数生成部は、上記予測用データ入力部により入力し欠損値を上記予測用欠損値補完部により補完されたパーソナリティデータから上記複数の予測用説明変数を生成し、
上記香り嗜好予測部は、上記予測用データ入力部により入力し欠損値を上記予測用欠損値再補完部により再補完されたパーソナリティデータおよび上記予測用変数再生成部により再生成された上記複数の予測用説明変数の両方またはいずれか一方を、上記モデル構築部により分類ごとに構築された上記学習モデルのうち、上記予測対象者分類部により上記予測対象者が割り当てられた分類に対応する学習モデルに適用することにより、予測対象者の香り嗜好予測部を予測することを特徴とする請求項10または12に記載の嗅覚嗜好とパーソナリティとの関係性解析装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018055579A JP6875305B2 (ja) | 2018-03-23 | 2018-03-23 | 嗅覚嗜好とパーソナリティとの関係性解析装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018055579A JP6875305B2 (ja) | 2018-03-23 | 2018-03-23 | 嗅覚嗜好とパーソナリティとの関係性解析装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019168887A true JP2019168887A (ja) | 2019-10-03 |
JP6875305B2 JP6875305B2 (ja) | 2021-05-19 |
Family
ID=68106804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018055579A Active JP6875305B2 (ja) | 2018-03-23 | 2018-03-23 | 嗅覚嗜好とパーソナリティとの関係性解析装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6875305B2 (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230075086A1 (en) * | 2020-02-28 | 2023-03-09 | I-Pex Inc. | Information management system, information management method, and program |
WO2023175898A1 (ja) * | 2022-03-18 | 2023-09-21 | 日本電気株式会社 | 監視システム、モデル生成装置、モデル生成方法および記録媒体 |
JP7394023B2 (ja) | 2020-06-03 | 2023-12-07 | 日立Geニュークリア・エナジー株式会社 | 溶接作業評価装置、溶接作業評価方法およびプログラム |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002334339A (ja) * | 2001-05-08 | 2002-11-22 | Mitsubishi Electric Corp | 感性活性化システム |
US20080131858A1 (en) * | 2006-11-30 | 2008-06-05 | Gordon Mckenna | Method and apparatus for creating a custom blended fragrance |
JP2010104508A (ja) * | 2008-10-29 | 2010-05-13 | Aisin Seiki Co Ltd | パーソナリティ類推方法とこの方法を利用した外部環境影響推定方法、及び環境制御システム |
US20100191124A1 (en) * | 2007-04-17 | 2010-07-29 | Prokoski Francine J | System and method for using three dimensional infrared imaging to provide psychological profiles of individuals |
JP2012221162A (ja) * | 2011-04-07 | 2012-11-12 | Toyota Central R&D Labs Inc | 対象物検出装置及びプログラム |
-
2018
- 2018-03-23 JP JP2018055579A patent/JP6875305B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002334339A (ja) * | 2001-05-08 | 2002-11-22 | Mitsubishi Electric Corp | 感性活性化システム |
US20080131858A1 (en) * | 2006-11-30 | 2008-06-05 | Gordon Mckenna | Method and apparatus for creating a custom blended fragrance |
US20100191124A1 (en) * | 2007-04-17 | 2010-07-29 | Prokoski Francine J | System and method for using three dimensional infrared imaging to provide psychological profiles of individuals |
JP2010104508A (ja) * | 2008-10-29 | 2010-05-13 | Aisin Seiki Co Ltd | パーソナリティ類推方法とこの方法を利用した外部環境影響推定方法、及び環境制御システム |
JP2012221162A (ja) * | 2011-04-07 | 2012-11-12 | Toyota Central R&D Labs Inc | 対象物検出装置及びプログラム |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230075086A1 (en) * | 2020-02-28 | 2023-03-09 | I-Pex Inc. | Information management system, information management method, and program |
JP7394023B2 (ja) | 2020-06-03 | 2023-12-07 | 日立Geニュークリア・エナジー株式会社 | 溶接作業評価装置、溶接作業評価方法およびプログラム |
WO2023175898A1 (ja) * | 2022-03-18 | 2023-09-21 | 日本電気株式会社 | 監視システム、モデル生成装置、モデル生成方法および記録媒体 |
Also Published As
Publication number | Publication date |
---|---|
JP6875305B2 (ja) | 2021-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | EEG emotion recognition model based on the LIBSVM classifier | |
Orphanou et al. | DBN-extended: a dynamic Bayesian network model extended with temporal abstractions for coronary heart disease prognosis | |
JP6875305B2 (ja) | 嗅覚嗜好とパーソナリティとの関係性解析装置 | |
Yousefian Jazi et al. | An emotion-aware music recommender system: bridging the user’s interaction and music recommendation | |
Najdi et al. | Feature transformation based on stacked sparse autoencoders for sleep stage classification | |
US20180300794A1 (en) | Multidimensional profile matching | |
Mendoza-Palechor et al. | Affective recognition from EEG signals: an integrated data-mining approach | |
van den Beukel et al. | An adaptive temporal-causal network model for social networks based on the homophily and more-becomes-more principle | |
Chang et al. | Indirect disjunctive belief rule base modeling using limited conjunctive rules: Two possible means | |
Chang et al. | Detecting social anxiety with online social network data | |
Rajliwall et al. | Chronic disease risk monitoring based on an innovative predictive modelling framework | |
Saleh et al. | A fuzzy-based classification strategy (FBCS) based on brain–computer interface | |
Deva Priya et al. | Classification of COVID-19 tweets using deep learning classifiers | |
Sato et al. | Analysis of psychological stress factors by using bayesian network | |
Andreas et al. | CNN-Based Emotional Stress Classification using Smart Learning Dataset | |
JP6395261B2 (ja) | 予測モデル構築装置及びプログラム | |
Wang et al. | STRETCH: Stress and Behavior Modeling with Tensor Decomposition of Heterogeneous Data | |
Echtermeyer et al. | Causal pattern recovery from neural spike train data using the Snap Shot Score | |
Arya et al. | EEG Signals based Personality and Mood Recognition using Neural Network Approach | |
Srithaja et al. | Machine Learning Framework for Stagewise Classification of Alzheimer’s Disease | |
Selvi et al. | An Efficient Multimodal Emotion Identification Using FOX Optimized Double Deep Q-Learning | |
Muyama et al. | Extracting Diagnosis Pathways from Electronic Health Records Using Deep Reinforcement Learning | |
Sourkatti et al. | Investigation of different ML approaches in classification of emotions induced by acute stress | |
Thelagathoti et al. | A Correlation Network Model for Analyzing Mobility Data in Depression Related Studies. | |
Ovchinnik et al. | Monotonicity Detection and Enforcement in Longitudinal Classification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200106 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20201030 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20201117 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201130 |
|
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: 20210406 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210422 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6875305 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
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 |