JP2020042645A - 時系列データ分析装置、時系列データ分析方法、および時系列データ分析プログラム - Google Patents
時系列データ分析装置、時系列データ分析方法、および時系列データ分析プログラム Download PDFInfo
- Publication number
- JP2020042645A JP2020042645A JP2018170769A JP2018170769A JP2020042645A JP 2020042645 A JP2020042645 A JP 2020042645A JP 2018170769 A JP2018170769 A JP 2018170769A JP 2018170769 A JP2018170769 A JP 2018170769A JP 2020042645 A JP2020042645 A JP 2020042645A
- Authority
- JP
- Japan
- Prior art keywords
- data
- time
- feature
- feature amount
- series
- 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
Images
Classifications
-
- 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
- G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
図1は、時系列特徴量ベクトルと識別境界の関係を示す説明図である。図1は時刻を表す次元を1つの軸とし、他の複数の特徴(たとえば、日々の血圧)を表す次元が張る特徴量空間に患者を図示している。境界面100は将来において再入院する患者101と、歳入院しない患者102を隔てる真の識別境界面である。RNNは境界面100を計算できうる能力を持つが、一般に境界面100は高次元の複雑な曲面となり、人の能力では理解することができない。
図2は、時系列データ分析システムのシステム構成例を示すブロック図である。図2では、サーバ−クライアント型の時系列データ分析システム2を例に挙げて説明するが、スタンドアロン型でもよい。(A)は、時系列データ分析システム2のハードウェア構成例を示すブロック図であり、(B)は、時系列データ分析システム2の機能的構成例を示すブロック図である。(A)および(B)において同一構成には同一符号を付す。
図3は、実施例1にかかるニューラルネットワーク300の構造例を示す説明図である。ニューラルネットワーク300は、学習部261および予測部262で用いられる。ニューラルネットワーク300は、時系列データ向けニューロン群302と、トランスフォームユニット群303と、リアロケーションユニット304と、ディシジョンユニット305と、インポータンスユニット306と、を有する。また、入力データとなる時系列特徴量ベクトルx(1)〜x(T)の集合を入力ユニット301として図示した。
図4は、時系列データ分析装置による学習および予測処理手順例を示すフローチャートである。ステップS401、S402が学習部261が実行する学習フェーズであり、ステップS403〜S407が予測部262が実行する予測フェーズである。まず、学習部261は、サーバDB263から訓練データ集合を読み込み(ステップS401)、学習パラメータ生成処理を実行する(ステップS402)。
図5は、ニューラルネットワークの設定画面例を示す説明図である。ニューラルネットワークの設定画面500は、モニタ205,225で表示可能である。設定画面500がモニタ205で表示される場合には、クライアント端末200でニューラルネットワークを設定可能であり、設定画面500がモニタ225で表示される場合には、時系列データ分析装置220でニューラルネットワークを設定可能である。
図6は、アウトプットパネル504の表示例を示す説明図である。表示画面600は、アウトプットパネル504において、予測結果253を表示する。図6中、「Probability」の「57%」が予測値y´(n)である。x1〜x9は、テストデータ集合252である時系列特徴量ベクトルx´(t、n)を構成するD=9次元の特徴量である。特徴量x1〜x9のパーセンテージは、重要度ベクトルξα,(t)(x´)の値を正規化して百分率であらわした数値である。
ここで、患者の日々の生化学的な検査値情報から翌日の検査値の状態を予測する例を想定する。模擬データを用いて実施例1にかかる時系列データ分析装置220の動作確認を行うこととする。模擬データとは、患者データの数NはN=384サンプル、次元数Dは、D=1129次元、患者データの取得時刻(たとえば、入院日からの週数)tの最大値TをT=10とする時系列特徴量ベクトルである。
2 時系列データ分析システム
100 境界面
200 クライアント端末
220 時系列データ分析装置
251 クライアントDB
252 テストデータ集合
253 予測結果
261 学習部
262 予測部
263 サーバDB
264 訓練データ集合
300 ニューラルネットワーク
301 入力ユニット
302 時系列データ向けニューロン群
303 トランスフォームユニット群
304 リアロケーションユニット
305 ディシジョンユニット
306 インポータンスユニット
Claims (9)
- プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有し、データベースにアクセス可能な時系列データ分析装置であって、
前記データベースは、複数の特徴量を含む第1特徴量データが時系列に存在する第1特徴量データ群と、第1特徴量データ群の各々の第1特徴量データに対応する目的変数と、を、それぞれ所定数有する訓練データ集合を記憶しており、
前記プロセッサは、
前記第1特徴量データ群と、前記第1特徴量データの時刻以前の時刻の他の第1特徴量データの少なくとも一部である第1内部パラメータと、第1学習パラメータと、に基づいて、前記第1特徴量データの時刻に基づく第1内部データを前記第1特徴量データごとに生成する第1生成処理と、
前記第1生成処理によって前記第1特徴量データごとに生成された複数の第1内部データと、第2学習パラメータと、に基づいて、前記第1特徴量データの特徴量空間上での位置を変換する第1変換処理と、
前記第1変換処理による前記第1内部データごとの時系列な第1変換結果と、前記第1特徴量データ群と、に基づいて、前記第1特徴量データの各々を、前記特徴量空間での変換先の位置に再配置する再配置処理と、
前記再配置処理による再配置結果と、第3学習パラメータと、に基づいて、前記第1特徴量データ群に対応する第1予測値を算出する第1算出処理と、
前記目的変数と、前記第1算出処理によって算出された前記第1予測値と、に基づいて、統計的勾配法により、前記第1学習パラメータ、前記第2学習パラメータ、および前記第3学習パラメータを最適化する最適化処理と、
複数の特徴量を含む第2特徴量データが時系列に存在する第2特徴量データ群と、前記第2特徴量データの時刻以前の時刻の特徴量データの少なくとも一部である第2内部パラメータと、前記最適化処理によって最適化された第1学習パラメータと、に基づいて、前記第2特徴量データの時刻に基づく第2内部データを前記第2特徴量データごとに生成する第2生成処理と、
前記第2生成処理によって前記第2特徴量データごとに生成された複数の第2内部データと、前記最適化処理によって最適化された第2学習パラメータと、に基づいて、前記第2特徴量データの前記特徴量空間上での位置を変換する第2変換処理と、
前記第2変換処理による前記第2内部データごとの時系列な第2変換結果と、前記最適化処理によって最適化された第3学習パラメータと、に基づいて、前記第2特徴量データの各々についての重要度を示す重要度データを算出する重要度算出処理と、
を実行することを特徴とする時系列データ分析装置。 - 請求項1に記載の時系列データ分析装置であって、
前記プロセッサは、リカレントニューラルネットワークを用いて、前記第1生成処理および前記第2生成処理を実行することを特徴とする時系列データ分析装置。 - 請求項1に記載の時系列データ分析装置であって、
前記プロセッサは、
畳み込みニューラルネットワークを用いて、前記第1生成処理および前記第2生成処理を実行することを特徴とする時系列データ分析装置。 - 請求項1に記載の時系列データ分析装置であって、
前記プロセッサは、
前記第1特徴量データ群の識別演算として、前記第1算出処理を実行することを特徴とする時系列データ分析装置。 - 請求項1に記載の時系列データ分析装置であって、
前記プロセッサは、
前記第1特徴量データ群の回帰演算として、前記第1算出処理を実行することを特徴とする時系列データ分析装置。 - 請求項1に記載の時系列データ分析装置であって、
前記プロセッサは、
前記重要度算出処理によって算出された重要度データと、前記第2特徴量データ群と、に基づいて、前記第2特徴量データ群に対応する第2予測値を算出する第2算出処理を実行することを特徴とする時系列データ分析装置。 - 請求項6に記載の時系列データ分析装置であって、
前記プロセッサは、
前記第2特徴量データと前記重要度データとを関連付けて出力する出力処理を実行することを特徴とする時系列データ分析装置。 - プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有し、データベースにアクセス可能な時系列データ分析装置による時系列データ分析方法であって、
前記データベースは、複数の特徴量を含む第1特徴量データが時系列に存在する第1特徴量データ群と、第1特徴量データ群の各々の第1特徴量データに対応する目的変数と、を、それぞれ所定数有する訓練データ集合を記憶しており、
前記プロセッサは、
前記第1特徴量データと、前記第1特徴量データの時刻以前の時刻の他の第1特徴量データの少なくとも一部である第1内部パラメータと、第1学習パラメータと、に基づいて、前記第1特徴量データの時刻に基づく第1内部データを前記第1特徴量データごとに生成する第1生成処理と、
前記第1生成処理によって前記第1特徴量データごとに生成された複数の第1内部データと、第2学習パラメータと、に基づいて、前記第1特徴量データの特徴量空間上での位置を変換する第1変換処理と、
前記第1変換処理による前記第1内部データごとの時系列な第1変換結果と、前記第1特徴量データ群と、に基づいて、前記第1特徴量データの各々を、前記特徴量空間での変換先の位置に再配置する再配置処理と、
前記再配置処理による再配置結果と、第3学習パラメータと、に基づいて、前記第1特徴量データ群に対応する第1予測値を算出する第1算出処理と、
前記目的変数と、前記第1算出処理によって算出された前記第1予測値と、に基づいて、統計的勾配法により、前記第1学習パラメータ、前記第2学習パラメータ、および前記第3学習パラメータを最適化する最適化処理と、
複数の特徴量を含む第2特徴量データが時系列に存在する第2特徴量データ群と、前記第2特徴量データの時刻以前の時刻の特徴量データの少なくとも一部である第2内部パラメータと、前記最適化処理によって最適化された第1学習パラメータと、に基づいて、前記第2特徴量データの時刻に基づく第2内部データを前記第2特徴量データごとに生成する第2生成処理と、
前記第2生成処理によって前記第2特徴量データごとに生成された複数の第2内部データと、前記最適化処理によって最適化された第2学習パラメータと、に基づいて、前記第2特徴量データの前記特徴量空間上での位置を変換する第2変換処理と、
前記第2変換処理による前記第2内部データごとの時系列な第2変換結果と、前記最適化処理によって最適化された第3学習パラメータと、に基づいて、前記第2特徴量データの各々についての重要度を示す重要度データを算出する重要度算出処理と、
を実行することを特徴とする時系列データ分析方法。 - データベースにアクセス可能なプロセッサに実行させる時系列データ分析プログラムであって、
前記データベースは、複数の特徴量を含む第1特徴量データが時系列に存在する第1特徴量データ群と、第1特徴量データ群の各々の第1特徴量データに対応する目的変数と、を、それぞれ所定数有する訓練データ集合を記憶しており、
前記プロセッサに、
前記第1特徴量データと、前記第1特徴量データの時刻以前の時刻の他の第1特徴量データの少なくとも一部である第1内部パラメータと、第1学習パラメータと、に基づいて、前記第1特徴量データの時刻に基づく第1内部データを前記第1特徴量データごとに生成する第1生成処理と、
前記第1生成処理によって前記第1特徴量データごとに生成された複数の第1内部データと、第2学習パラメータと、に基づいて、前記第1特徴量データの特徴量空間上での位置を変換する第1変換処理と、
前記第1変換処理による前記第1内部データごとの時系列な第1変換結果と、前記第1特徴量データ群と、に基づいて、前記第1特徴量データの各々を、前記特徴量空間での変換先の位置に再配置する再配置処理と、
前記再配置処理による再配置結果と、第3学習パラメータと、に基づいて、前記第1特徴量データ群に対応する第1予測値を算出する第1算出処理と、
前記目的変数と、前記第1算出処理によって算出された前記第1予測値と、に基づいて、統計的勾配法により、前記第1学習パラメータ、前記第2学習パラメータ、および前記第3学習パラメータを最適化する最適化処理と、
複数の特徴量を含む第2特徴量データが時系列に存在する第2特徴量データ群と、前記第2特徴量データの時刻以前の時刻の特徴量データの少なくとも一部である第2内部パラメータと、前記最適化処理によって最適化された第1学習パラメータと、に基づいて、前記第2特徴量データの時刻に基づく第2内部データを前記第2特徴量データごとに生成する第2生成処理と、
前記第2生成処理によって前記第2特徴量データごとに生成された複数の第2内部データと、前記最適化処理によって最適化された第2学習パラメータと、に基づいて、前記第2特徴量データの前記特徴量空間上での位置を変換する第2変換処理と、
前記第2変換処理による前記第2内部データごとの時系列な第2変換結果と、前記最適化処理によって最適化された第3学習パラメータと、に基づいて、前記第2特徴量データの各々についての重要度を示す重要度データを算出する重要度算出処理と、
を実行させることを特徴とする時系列データ分析プログラム。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018170769A JP7059151B2 (ja) | 2018-09-12 | 2018-09-12 | 時系列データ分析装置、時系列データ分析方法、および時系列データ分析プログラム |
US16/555,644 US20200082286A1 (en) | 2018-09-12 | 2019-08-29 | Time series data analysis apparatus, time series data analysis method and time series data analysis program |
EP19194591.4A EP3624017A1 (en) | 2018-09-12 | 2019-08-30 | Time series data analysis apparatus, time series data analysis method and time series data analysis program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018170769A JP7059151B2 (ja) | 2018-09-12 | 2018-09-12 | 時系列データ分析装置、時系列データ分析方法、および時系列データ分析プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020042645A true JP2020042645A (ja) | 2020-03-19 |
JP7059151B2 JP7059151B2 (ja) | 2022-04-25 |
Family
ID=67810457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018170769A Active JP7059151B2 (ja) | 2018-09-12 | 2018-09-12 | 時系列データ分析装置、時系列データ分析方法、および時系列データ分析プログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20200082286A1 (ja) |
EP (1) | EP3624017A1 (ja) |
JP (1) | JP7059151B2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020071517A (ja) * | 2018-10-29 | 2020-05-07 | 株式会社日立製作所 | 分析装置、分析方法、および分析プログラム |
JP2020149601A (ja) * | 2019-03-15 | 2020-09-17 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | データ処理装置、データ処理方法及びデータ処理プログラム |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115828758B (zh) * | 2022-12-13 | 2023-08-25 | 广东海洋大学 | 基于改进烟花算法优化网络的海水三维预测方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012027880A (ja) * | 2010-07-28 | 2012-02-09 | Hitachi Ltd | 情報分析方法、計算機システム及び情報分析プログラム |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6347274B2 (ja) | 2011-03-31 | 2018-06-27 | 株式会社リコー | 伝送システム及びプログラム |
US20170032241A1 (en) * | 2015-07-27 | 2017-02-02 | Google Inc. | Analyzing health events using recurrent neural networks |
US11144825B2 (en) * | 2016-12-01 | 2021-10-12 | University Of Southern California | Interpretable deep learning framework for mining and predictive modeling of health care data |
WO2018204371A1 (en) * | 2017-05-02 | 2018-11-08 | Kodak Alaris Inc. | System and method for batch-normalized recurrent highway networks |
-
2018
- 2018-09-12 JP JP2018170769A patent/JP7059151B2/ja active Active
-
2019
- 2019-08-29 US US16/555,644 patent/US20200082286A1/en not_active Abandoned
- 2019-08-30 EP EP19194591.4A patent/EP3624017A1/en active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012027880A (ja) * | 2010-07-28 | 2012-02-09 | Hitachi Ltd | 情報分析方法、計算機システム及び情報分析プログラム |
Non-Patent Citations (1)
Title |
---|
大北 剛 TSUYOSHI OKITA: "シークエンス推定における説明変数の重要度の計算 Computation of Importance of Random Variables for Se", 情報処理学会 研究報告 自然言語処理(NL) 2017−NL−232 [ONLINE], JPN6021047488, 12 July 2017 (2017-07-12), JP, pages 1 - 5, ISSN: 0004649228 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020071517A (ja) * | 2018-10-29 | 2020-05-07 | 株式会社日立製作所 | 分析装置、分析方法、および分析プログラム |
JP7059162B2 (ja) | 2018-10-29 | 2022-04-25 | 株式会社日立製作所 | 分析装置、分析方法、および分析プログラム |
JP2020149601A (ja) * | 2019-03-15 | 2020-09-17 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | データ処理装置、データ処理方法及びデータ処理プログラム |
JP7267044B2 (ja) | 2019-03-15 | 2023-05-01 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | データ処理装置、データ処理方法及びデータ処理プログラム |
Also Published As
Publication number | Publication date |
---|---|
EP3624017A1 (en) | 2020-03-18 |
JP7059151B2 (ja) | 2022-04-25 |
US20200082286A1 (en) | 2020-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11527325B2 (en) | Analysis apparatus and analysis method | |
JP6912998B2 (ja) | データ分析装置、データ分析方法、およびデータ分析プログラム | |
WO2012145616A2 (en) | Predictive modeling | |
US11429899B2 (en) | Data model processing in machine learning using a reduced set of features | |
JP7059151B2 (ja) | 時系列データ分析装置、時系列データ分析方法、および時系列データ分析プログラム | |
Hilbert et al. | Using decision trees to manage hospital readmission risk for acute myocardial infarction, heart failure, and pneumonia | |
JP2020126510A (ja) | 計算機システム及び情報の提示方法 | |
JP7059162B2 (ja) | 分析装置、分析方法、および分析プログラム | |
Chou et al. | Expert-augmented automated machine learning optimizes hemodynamic predictors of spinal cord injury outcome | |
Kasthurirathne et al. | Public health analytics and big data | |
Olivato et al. | Machine learning models for predicting short-long length of stay of COVID-19 patients | |
KR20200061968A (ko) | 시계열 데이터 처리 장치 및 이의 동작 방법 | |
Ebada et al. | Applying cloud based machine learning on biosensors streaming data for health status prediction | |
US11742081B2 (en) | Data model processing in machine learning employing feature selection using sub-population analysis | |
US20130218593A1 (en) | Usage of assigned treatment in clinical decision support systems | |
US11587647B2 (en) | Processing profiles using machine learning to evaluate candidates | |
Zhang et al. | Patient Recruitment Using Electronic Health Records Under Selection Bias: a Two-phase Sampling Framework | |
Mehrdad et al. | Deep learning for deterioration prediction of COVID-19 patients based on time-series of three vital signs | |
Dhamala et al. | Multivariate time-series similarity assessment via unsupervised representation learning and stratified locality sensitive hashing: Application to early acute hypotensive episode detection | |
Zisser et al. | Transformer-based time-to-event prediction for chronic kidney disease deterioration | |
Rahman et al. | Generalization in Healthcare AI: Evaluation of a Clinical Large Language Model | |
Covioli et al. | Workflow Characterization of a Big Data System Model for Healthcare Through Multiformalism | |
Bertolini et al. | Predicting Cancer Patients’ Survival Using Random Forests | |
Schmude | Feature selection in multiple linear regression problems with fewer samples than features | |
US20220359082A1 (en) | Health state prediction system including ensemble prediction model and operation method thereof |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201126 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20211125 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211130 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220106 |
|
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: 20220405 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220413 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7059151 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |