JP2020009034A - 業務推定方法、情報処理装置、及び業務推定プログラム - Google Patents
業務推定方法、情報処理装置、及び業務推定プログラム Download PDFInfo
- Publication number
- JP2020009034A JP2020009034A JP2018127943A JP2018127943A JP2020009034A JP 2020009034 A JP2020009034 A JP 2020009034A JP 2018127943 A JP2018127943 A JP 2018127943A JP 2018127943 A JP2018127943 A JP 2018127943A JP 2020009034 A JP2020009034 A JP 2020009034A
- Authority
- JP
- Japan
- Prior art keywords
- task
- clusters
- measurement information
- business
- worker
- 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
- 238000000034 method Methods 0.000 title claims abstract description 157
- 230000010365 information processing Effects 0.000 title claims abstract description 33
- 238000005259 measurement Methods 0.000 claims abstract description 89
- 239000013598 vector Substances 0.000 claims abstract description 81
- 230000008569 process Effects 0.000 claims description 23
- 230000009471 action Effects 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 45
- 238000010586 diagram Methods 0.000 description 24
- 238000001514 detection method Methods 0.000 description 23
- 238000011156 evaluation Methods 0.000 description 20
- 230000001133 acceleration Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000012706 support-vector machine Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000005484 gravity Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0633—Workflow analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
Description
第1の実施形態では、制御部101は、業務内容の分かっている計測情報を教師データとして用いて、複数の分割方法でクラスタリングを実行し、得られた複数のクラスタの業務推定における有効性を評価する。
まず、所定時間当たりの要素動作A、要素動作B、及び要素動作Cの検出の割合の取得について述べる。図9は、実施形態に係る業務履歴情報900を例示する図である。業務履歴情報900には、実行した業務と、業務が実行された時間帯とが対応付けられたエントリが登録されている。なお、以下では業務推定モデルを生成する対象の業務を荷物整理とし、クラスタを要素動作A、要素動作B、及び要素動作Cとした場合の業務推定モデルの生成について例示する。
続いて、制御部101は、生成した業務推定モデルを、実行中の業務内容が分かっている別の計測情報を評価データとして用いて評価する。評価データは、例えば、教師データとして用いていない計測情報であってよい。例えば、荷物整理の業務推定を例とすると、制御部101は、例えば、評価データから、所定時間に検出されたクラスタの全要素動作に対して、各要素動作A〜要素動作Cが検出された割合を求め、荷物整理の業務推定モデルとして得られた識別関数に入力する。そして、制御部101は、識別関数を計算した結果が0以上であれば業務が荷物整理であり、0未満であれば業務が荷物整理ではないと判定する。そして、制御部101は、判定結果が、評価データをセンサでセンシングしている最中に実際に荷物整理が実行されていたか否かの情報と合致するかにより、業務推定モデルの推定精度を評価する。
第1の実施形態では、図11(a)に示す様に、分割方法を変えてクラスタ分けを実行し、それぞれの分割方法ごとに生成された業務推定モデルを評価する場合を例示している。しかしながら、実施形態は、これに限定されるものではない。例えば、図11(b)に示す様に、複数の分割方法で得られた全てのクラスタを並列して用い、教師データを用いて学習を行い、業務推定に有用なクラスタの重み付けを行うことも考えられる。
上述の実施形態では、例えば、1つのデバイス205が備える少なくとも1つのセンサで計測された計測情報をクラスタリングする例について述べている。しなしながら、実施形態はこれに限定されるものではない。例えば、胸のバッジ202と、腕のバンド203など、業務者201が装着した複数のデバイス205で計測情報が計測されることがあり、その際に複数のデバイス205間で時刻がズレていることがある。この場合、例えば、一方のデバイス205で所定の動作を検出して動作区間を特定し、その同じ時間帯の動作区間を他方のデバイス205から抽出しても、時刻のズレに起因して実際にユーザが所定の動作を行っていない時間帯のデータを取得してしまう恐れがある。その結果、業務判定の上で有用な特徴が抽出されにくくなることがある。別な例として、例えば、腕に装着したバンド203で腕先の動きを検出して動作区間を切り出したとしても、腕先の動きはバッジ202が装着された胸では動きとしてほとんど検出されないことがある。この様な場合、バッジ202とバンド203で同じ時間帯の情報を収集してもバッジ202からは業務推定に有用な情報が抽出されにくくなることがある。
(1)記憶装置1803に予めインストールされている。
(2)着脱可能記憶媒体1805により提供される。
(3)プログラムサーバなどのサーバから提供される。
(付記1)
情報処理装置により実行される業務推定方法であって、
前記情報処理装置が、
業務を実行する業務者が装着するデバイスで計測された計測情報において所定の動作が検出された動作区間から抽出された複数の特徴ベクトルを、複数の分割方法でクラスタリングして得られる複数のクラスタのそれぞれに対する重み付けを、前記計測情報の所定時間当たりに含まれる前記動作区間から抽出した特徴ベクトルから前記複数のクラスタに分類されるそれぞれの割合を入力として用い、前記割合が取得された前記所定時間において前記業務者が前記業務を実行していたか否かの情報を出力ラベルとして用いて学習により決定することで生成された業務推定モデルを用いて、前記業務者が前記業務の実行中であるか否かを推定する、
ことを含む、業務推定方法。
(付記2)
前記情報処理装置が、前記業務者が実行する複数の業務ごとに前記業務推定モデルを生成することで得られた複数の業務推定モデルに基づいて、前記計測情報から前記業務者が前記複数の業務のうちのいずれの業務を実行しているかを推定する、
ことを含む、付記1に記載の業務推定方法。
(付記3)
前記業務推定モデルは、前記業務者が装着する第2のデバイスで計測された第2の計測情報において所定の第2の動作が検出された第2の動作区間から抽出される複数の第2の特徴ベクトルを複数の第2の分割方法でクラスタリングして得られる複数の第2のクラスタのそれぞれに対する重み付けを、前記第2の計測情報の所定時間当たりに含まれる前記第2の動作区間から抽出した第2の特徴ベクトルが、前記複数の第2のクラスタのそれぞれに分類される割合を更に入力として用いて前記学習により決定することで生成される、
ことを特徴とする付記1に記載の業務推定方法。
(付記4)
情報処理装置により実行される業務推定方法であって、
前記情報処理装置が、
業務を実行する業務者が装着するデバイスで計測された計測情報において所定の動作が検出された動作区間から抽出される複数の特徴ベクトルを、複数の分割方法でクラスタリングすることで前記複数の分割方法ごとに得られる複数のクラスタのそれぞれに対する重み付けを、前記計測情報の所定時間当たりに含まれる前記動作区間から抽出した特徴ベクトルから前記複数のクラスタに分類されるそれぞれの割合を入力として用い、前記割合が取得された前記所定時間において前記業務者が前記業務を実行していたか否かの情報を出力ラベルとして用いて学習により決定することで生成された前記複数の分割方法ごとの業務推定モデルのうちから推定精度に基づいて選択された分割方法の業務推定モデルを用いて、前記業務者が前記業務の実行中であるか否かを推定する、
ことを含む、業務推定方法。
(付記5)
情報処理装置により実行される業務推定方法であって、
前記情報処理装置が、業務推定モデルに基づいて、業務者が業務の実行中であるか否かを推定する、
ことを含み、
前記業務推定モデルは、
前記業務を実行する前記業務者が装着する第1のデバイスで計測された第1の計測情報において所定の第1の動作が検出された第1の動作区間から複数の第1の特徴ベクトルを抽出し、
前記業務者が装着する第2のデバイスで計測された第2の計測情報において所定の第2の動作が検出された第2の動作区間から複数の第2の特徴ベクトルを抽出し、
前記複数の第1の特徴ベクトルを分割するための複数の第1の分割方法と、前記複数の第2の特徴ベクトルを分割するための複数の第2の分割方法とを組み合わせた複数の分割方法の組ごとに、分割方法の組の第1の分割方法で記複数の第1の特徴ベクトルを分割して複数の第1のクラスタを取得し、及び前記分割方法の組の第2の分割方法で前記複数の第2の特徴ベクトルをクラスタリングして複数の第2のクラスタを取得し、
前記第1の計測情報の所定時間当たりに含まれる前記第1の動作区間から抽出した第1の特徴ベクトルから前記複数の第1のクラスタに分類されるそれぞれの割合と、前記第2の計測情報の前記所定時間当たりに含まれる前記第2の動作区間から抽出した第2の特徴ベクトルから前記複数の第2のクラスタに分類されるそれぞれの割合を入力として用い、前記割合が取得された前記所定時間において前記業務者が前記業務を実行していたか否かの情報を出力ラベルとして用いて学習を行うことで、前記複数の第1のクラスタと前記複数の第2のクラスタのそれぞれに対する重み付けを決定することで、前記複数の分割方法ごとに業務推定モデルを生成し、
得られた前記複数の分割方法ごとの業務推定モデルのうちから推定精度に基づいて業務推定モデルを選択することで、
生成されることを特徴とする、業務推定方法。
(付記6)
業務を実行する業務者が装着するデバイスで計測された計測情報において所定の動作が検出された動作区間から抽出された複数の特徴ベクトルを複数の分割方法でクラスタリングして得られる複数のクラスタのそれぞれに対する重み付けを、前記計測情報の所定時間当たりに含まれる前記動作区間から抽出した特徴ベクトルから前記複数のクラスタに分類されるそれぞれの割合を入力として用い、前記割合が取得された前記所定時間において前記業務者が前記業務を実行していたか否かの情報を出力ラベルとして用いて学習により決定することで生成された業務推定モデルを用いて、前記業務者が前記業務の実行中であるか否かを推定する制御部、
を含む、情報処理装置。
(付記7)
業務を実行する業務者が装着するデバイスで計測された計測情報において所定の動作が検出された動作区間から抽出された複数の特徴ベクトルを複数の分割方法でクラスタリングして得られる複数のクラスタのそれぞれに対する重み付けを、前記計測情報の所定時間当たりに含まれる前記動作区間から抽出した特徴ベクトルから前記複数のクラスタに分類されるそれぞれの割合を入力として用い、前記割合が取得された前記所定時間において前記業務者が前記業務を実行していたか否かの情報を出力ラベルとして用いて学習により決定することで生成された業務推定モデルを用いて、前記業務者が前記業務の実行中であるか否かを推定する、
処理を、情報処理装置に実行させる業務推定プログラム。
101 制御部
102 記憶部
201 業務者
202 バッジ
203 バンド
205 デバイス
1800 コンピュータ
1801 プロセッサ
1802 メモリ
1803 記憶装置
1804 読取装置
1805 着脱可能記憶媒体
1806 通信インタフェース
1807 入出力インタフェース
1808 バス
Claims (6)
- 情報処理装置により実行される業務推定方法であって、
前記情報処理装置が、
業務を実行する業務者が装着するデバイスで計測された計測情報において所定の動作が検出された動作区間から抽出された複数の特徴ベクトルを、複数の分割方法でクラスタリングして得られる複数のクラスタのそれぞれに対する重み付けを、前記計測情報の所定時間当たりに含まれる前記動作区間から抽出した特徴ベクトルから前記複数のクラスタに分類されるそれぞれの割合を入力として用い、前記割合が取得された前記所定時間において前記業務者が前記業務を実行していたか否かの情報を出力ラベルとして用いて学習により決定することで生成された業務推定モデルを用いて、前記業務者が前記業務の実行中であるか否かを推定する、
ことを含む、業務推定方法。 - 前記業務推定モデルは、前記業務者が装着する第2のデバイスで計測された第2の計測情報において所定の第2の動作が検出された第2の動作区間から抽出される複数の第2の特徴ベクトルを複数の第2の分割方法でクラスタリングして得られる複数の第2のクラスタのそれぞれに対する重み付けを、前記第2の計測情報の所定時間当たりに含まれる前記第2の動作区間から抽出した第2の特徴ベクトルが、前記複数の第2のクラスタのそれぞれに分類される割合を更に入力として用いて前記学習により決定することで生成される、
ことを特徴とする請求項1に記載の業務推定方法。 - 情報処理装置により実行される業務推定方法であって、
前記情報処理装置が、
業務を実行する業務者が装着するデバイスで計測された計測情報において所定の動作が検出された動作区間から抽出される複数の特徴ベクトルを、複数の分割方法でクラスタリングすることで前記複数の分割方法ごとに得られる複数のクラスタのそれぞれに対する重み付けを、前記計測情報の所定時間当たりに含まれる前記動作区間から抽出した特徴ベクトルから前記複数のクラスタに分類されるそれぞれの割合を入力として用い、前記割合が取得された前記所定時間において前記業務者が前記業務を実行していたか否かの情報を出力ラベルとして用いて学習により決定することで生成された前記複数の分割方法ごとの業務推定モデルのうちから推定精度に基づいて選択された分割方法の業務推定モデルを用いて、前記業務者が前記業務の実行中であるか否かを推定する、
ことを含む、業務推定方法。 - 情報処理装置により実行される業務推定方法であって、
前記情報処理装置が、業務推定モデルに基づいて、業務者が業務の実行中であるか否かを推定する、
ことを含み、
前記業務推定モデルは、
前記業務を実行する前記業務者が装着する第1のデバイスで計測された第1の計測情報において所定の第1の動作が検出された第1の動作区間から複数の第1の特徴ベクトルを抽出し、
前記業務者が装着する第2のデバイスで計測された第2の計測情報において所定の第2の動作が検出された第2の動作区間から複数の第2の特徴ベクトルを抽出し、
前記複数の第1の特徴ベクトルを分割するための複数の第1の分割方法と、前記複数の第2の特徴ベクトルを分割するための複数の第2の分割方法とを組み合わせた複数の分割方法の組ごとに、分割方法の組の第1の分割方法で記複数の第1の特徴ベクトルを分割して複数の第1のクラスタを取得し、及び前記分割方法の組の第2の分割方法で前記複数の第2の特徴ベクトルをクラスタリングして複数の第2のクラスタを取得し、
前記第1の計測情報の所定時間当たりに含まれる前記第1の動作区間から抽出した第1の特徴ベクトルから前記複数の第1のクラスタに分類されるそれぞれの割合と、前記第2の計測情報の前記所定時間当たりに含まれる前記第2の動作区間から抽出した第2の特徴ベクトルから前記複数の第2のクラスタに分類されるそれぞれの割合を入力として用い、前記割合が取得された前記所定時間において前記業務者が前記業務を実行していたか否かの情報を出力ラベルとして用いて学習を行うことで、前記複数の第1のクラスタと前記複数の第2のクラスタのそれぞれに対する重み付けを決定することで、前記複数の分割方法ごとに業務推定モデルを生成し、
得られた前記複数の分割方法ごとの業務推定モデルのうちから推定精度に基づいて業務推定モデルを選択することで、
生成されることを特徴とする、業務推定方法。 - 業務を実行する業務者が装着するデバイスで計測された計測情報において所定の動作が検出された動作区間から抽出された複数の特徴ベクトルを複数の分割方法でクラスタリングして得られる複数のクラスタのそれぞれに対する重み付けを、前記計測情報の所定時間当たりに含まれる前記動作区間から抽出した特徴ベクトルから前記複数のクラスタに分類されるそれぞれの割合を入力として用い、前記割合が取得された前記所定時間において前記業務者が前記業務を実行していたか否かの情報を出力ラベルとして用いて学習により決定することで生成された業務推定モデルを用いて、前記業務者が前記業務の実行中であるか否かを推定する制御部、
を含む、情報処理装置。 - 業務を実行する業務者が装着するデバイスで計測された計測情報において所定の動作が検出された動作区間から抽出された複数の特徴ベクトルを複数の分割方法でクラスタリングして得られる複数のクラスタのそれぞれに対する重み付けを、前記計測情報の所定時間当たりに含まれる前記動作区間から抽出した特徴ベクトルから前記複数のクラスタに分類されるそれぞれの割合を入力として用い、前記割合が取得された前記所定時間において前記業務者が前記業務を実行していたか否かの情報を出力ラベルとして用いて学習により決定することで生成された業務推定モデルを用いて、前記業務者が前記業務の実行中であるか否かを推定する、
処理を、情報処理装置に実行させる業務推定プログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018127943A JP7052604B2 (ja) | 2018-07-05 | 2018-07-05 | 業務推定方法、情報処理装置、及び業務推定プログラム |
US16/437,787 US11494702B2 (en) | 2018-07-05 | 2019-06-11 | Task estimation method and information processing apparatus |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018127943A JP7052604B2 (ja) | 2018-07-05 | 2018-07-05 | 業務推定方法、情報処理装置、及び業務推定プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020009034A true JP2020009034A (ja) | 2020-01-16 |
JP7052604B2 JP7052604B2 (ja) | 2022-04-12 |
Family
ID=69101241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018127943A Active JP7052604B2 (ja) | 2018-07-05 | 2018-07-05 | 業務推定方法、情報処理装置、及び業務推定プログラム |
Country Status (2)
Country | Link |
---|---|
US (1) | US11494702B2 (ja) |
JP (1) | JP7052604B2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020135808A (ja) * | 2019-02-26 | 2020-08-31 | 東京エレクトロンデバイス株式会社 | 時系列データの分割方法及び分割装置、並びにプログラム |
WO2022215205A1 (ja) * | 2021-04-07 | 2022-10-13 | 日本電信電話株式会社 | 業務プロセス分類装置、業務プロセス分類方法及びプログラム |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115907444B (zh) * | 2022-11-23 | 2023-12-05 | 中国航空综合技术研究所 | 面向基于多通道人机交互技术的驾驶舱任务流程评估方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011177300A (ja) * | 2010-02-26 | 2011-09-15 | Emprie Technology Development LLC | 特徴量変換装置、および特徴量変換方法 |
JP2012118838A (ja) * | 2010-12-02 | 2012-06-21 | Hitachi Ltd | 監視対象者の行動を監視する装置及び方法 |
JP2016050868A (ja) * | 2014-09-01 | 2016-04-11 | カシオ計算機株式会社 | 行動推定装置、行動推定方法、および、行動推定プログラム |
US20160206206A1 (en) * | 2015-01-19 | 2016-07-21 | Samsung Electronics Company, Ltd. | Optical Detection and Analysis of Bone |
JP2017111659A (ja) * | 2015-12-17 | 2017-06-22 | 日本電信電話株式会社 | 路面状況理解方法、装置、及びプログラム |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8738136B2 (en) * | 2002-10-15 | 2014-05-27 | Medtronic, Inc. | Clustering of recorded patient neurological activity to determine length of a neurological event |
JP2006209468A (ja) | 2005-01-28 | 2006-08-10 | Yakahi Kikuko | 作業動作解析装置、作業動作解析方法および作業動作解析プログラム |
US9280386B1 (en) * | 2011-07-14 | 2016-03-08 | Google Inc. | Identifying task instance outliers based on metric data in a large scale parallel processing system |
JP2016090371A (ja) | 2014-11-04 | 2016-05-23 | 国立研究開発法人産業技術総合研究所 | センサ情報を処理する情報処理装置、情報管理システム、情報表示システム、情報処理方法、プログラム、記録媒体及びサーバ装置 |
US20180365697A1 (en) * | 2017-06-16 | 2018-12-20 | Nec Laboratories America, Inc. | Suspicious remittance detection through financial behavior analysis |
-
2018
- 2018-07-05 JP JP2018127943A patent/JP7052604B2/ja active Active
-
2019
- 2019-06-11 US US16/437,787 patent/US11494702B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011177300A (ja) * | 2010-02-26 | 2011-09-15 | Emprie Technology Development LLC | 特徴量変換装置、および特徴量変換方法 |
JP2012118838A (ja) * | 2010-12-02 | 2012-06-21 | Hitachi Ltd | 監視対象者の行動を監視する装置及び方法 |
JP2016050868A (ja) * | 2014-09-01 | 2016-04-11 | カシオ計算機株式会社 | 行動推定装置、行動推定方法、および、行動推定プログラム |
US20160206206A1 (en) * | 2015-01-19 | 2016-07-21 | Samsung Electronics Company, Ltd. | Optical Detection and Analysis of Bone |
JP2017111659A (ja) * | 2015-12-17 | 2017-06-22 | 日本電信電話株式会社 | 路面状況理解方法、装置、及びプログラム |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020135808A (ja) * | 2019-02-26 | 2020-08-31 | 東京エレクトロンデバイス株式会社 | 時系列データの分割方法及び分割装置、並びにプログラム |
JP7315339B2 (ja) | 2019-02-26 | 2023-07-26 | 東京エレクトロンデバイス株式会社 | 時系列データの分割方法及び分割装置、並びにプログラム |
WO2022215205A1 (ja) * | 2021-04-07 | 2022-10-13 | 日本電信電話株式会社 | 業務プロセス分類装置、業務プロセス分類方法及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
US20200012993A1 (en) | 2020-01-09 |
US11494702B2 (en) | 2022-11-08 |
JP7052604B2 (ja) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9700241B2 (en) | Gait analysis system and method | |
KR101872907B1 (ko) | 듀얼 스마트 밴드를 이용한 모션 분석 장치 및 방법 | |
JP7052604B2 (ja) | 業務推定方法、情報処理装置、及び業務推定プログラム | |
KR101157073B1 (ko) | 근전도 센서와 자이로 센서를 이용한 지화 인식 방법 및 장치 | |
JP6570786B2 (ja) | 動作学習装置、技能判別装置および技能判別システム | |
WO2012118998A2 (en) | Apparatus, system, and method for detecting activities and anomalies in time series data | |
CN107657277B (zh) | 一种基于大数据的人体异常行为检测与判定方法及系统 | |
KR20180058999A (ko) | 보행 분석 시스템, 방법 및 컴퓨터 판독 가능한 기록매체 | |
JP7439004B2 (ja) | 行動認識装置、学習装置、および行動認識方法 | |
US11410055B2 (en) | Learning of a feature based on betti sequences obtained from time series data | |
CN113326726A (zh) | 行为识别方法、行为识别设备和计算机可读记录介质 | |
Akhavian et al. | Construction activity recognition for simulation input modeling using machine learning classifiers | |
JP6590477B2 (ja) | 情報処理装置、情報処理方法、プログラム | |
CN111385813B (zh) | 用于重复活动序列中的循环持续时间测量的系统和方法 | |
CN111428690B (zh) | 一种基于步态信号拓扑分析的身份认证方法 | |
JP6786015B1 (ja) | 動作分析システムおよび動作分析プログラム | |
US11640553B2 (en) | Method for analyzing time-series data based on machine learning and information processing apparatus | |
JP2020203032A (ja) | 脳症判定プログラム、脳症判定方法および情報処理装置 | |
JP5936038B2 (ja) | 動作主識別方法、動作主識別システム、動作主識別プログラム及び情報記憶媒体 | |
US20190294523A1 (en) | Anomaly identification system, method, and storage medium | |
JP7279669B2 (ja) | 移動量推定装置、モデル生成装置、移動量推定方法及びプログラム | |
Safonov et al. | An approach for model assissment for activity recognition | |
JPWO2022024272A5 (ja) | ||
US20220138471A1 (en) | Load estimatation apparatus and method | |
JP7459679B2 (ja) | 行動認識方法、行動認識プログラム及び行動認識装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210408 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220225 |
|
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: 20220301 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220314 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7052604 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |