JP2020166440A - 特徴量抽出方法、特徴量抽出プログラムおよび特徴量抽出装置 - Google Patents
特徴量抽出方法、特徴量抽出プログラムおよび特徴量抽出装置 Download PDFInfo
- Publication number
- JP2020166440A JP2020166440A JP2019064972A JP2019064972A JP2020166440A JP 2020166440 A JP2020166440 A JP 2020166440A JP 2019064972 A JP2019064972 A JP 2019064972A JP 2019064972 A JP2019064972 A JP 2019064972A JP 2020166440 A JP2020166440 A JP 2020166440A
- Authority
- JP
- Japan
- Prior art keywords
- time
- data
- persistent
- feature amount
- diagram
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 88
- 238000010586 diagram Methods 0.000 claims abstract description 132
- 230000002085 persistent effect Effects 0.000 claims abstract description 89
- 230000000737 periodic effect Effects 0.000 claims abstract description 6
- 230000004083 survival effect Effects 0.000 claims description 62
- 238000000034 method Methods 0.000 claims description 49
- 230000008569 process Effects 0.000 claims description 28
- 241000219873 Vicia Species 0.000 claims description 26
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract description 9
- 238000012545 processing Methods 0.000 description 44
- 230000008034 disappearance Effects 0.000 description 18
- 230000033001 locomotion Effects 0.000 description 11
- 230000005856 abnormality Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000001133 acceleration Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000010937 topological data analysis Methods 0.000 description 4
- 230000008033 biological extinction Effects 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000007429 general method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Analysis (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Finance (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Technology Law (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
図1は、実施例1にかかる特徴量抽出装置10を説明する図である。図1に示すように、特徴量抽出装置10は、時系列データである入力データに対して、複数の擬似アトラクタを生成し、複数の疑似アトラクタそれぞれにパーシステントホモロジ変換(PH変換)を実行して、穴の発生と消滅とを特定する。そして、特徴量抽出装置10は、穴の発生時刻(Birth)と消滅時刻(Death)とをプロットしたパーシステントダイアグラム(以下では、単に「ダイアグラム」と記載する場合がある)を生成し、生存時間が0を示す対角線からの距離により各穴の生存時間を抽出する。
図3は、実施例1にかかる特徴量抽出装置10の機能構成を示す機能ブロック図である。図3に示すように、特徴量抽出装置10は、通信部11、記憶部12、制御部20を有する。
ここで、一般的なノイズ除去としては、生存時間が短いデータを一律に除去する手法が知られている。なぜなら、微小振動や高周波成分などのノイズ成分の影響があるとアトラクタとして孤立点となり、生存時間が短くなることが多いからである。図9は、一般的なノイズ除去を説明する図である。図9に示すように、一般的なノイズ除去では、パーシステントダイアグラムのプロット結果のうち対角線から一定距離以下にあるデータ、すなわち対角線付近に出現する生存時間が短い領域(a)に該当するデータを削除する手法である。
そこで、重み設定部23は、パーシステントダイアグラムに対して、生存時間が短いデータの影響を抑えられるように重み付けを行うとともに、発生時刻が早い部分についても影響が抑えられるように重み付けを行う。
図18は、処理の流れを示すフローチャートである。図18に示すように、処理開始が指示されると(S101:Yes)、PH処理部21は、入力データDB13から入力データを読み込み(S102)、疑似アトラクタを生成する(S103)。
上述したように、特徴量抽出装置10は、時系列データから疑似アトラクタを生成し、生成した疑似アトラクタからパーシステントダイアグラムを生成する際に、パーシステントダイアグラムのうち、生存時間が閾値以下のデータと発生時刻が閾値よりも早いデータの重みを軽くする。そして、特徴量抽出装置10は、重み付けしたパーシステントダイアグラムを用いて、時系列データの特徴量を抽出する。したがって、特徴量抽出装置10は、TDAを用いた特徴量の抽出において、生存時間が短いデータについても影響を残しつつ特徴を抽出できるので、特徴が弱いデータ間での比較も行えることができる。また、特徴量抽出装置10は、発生時刻が早いノイズ成分の影響を抑えることが出来るので、より精度の良い特徴抽出を実現することができる。
次に、実施例1による手法を人の動作分類に適用した例を説明する。図19は、人の動作分類に適用した学習時の例を説明する図であり、図20は、人の動作分類に適用した推論時の例を説明する図である。
上記実施例では、特徴量抽出装置10が特徴量を使用して学習等を利用する例を説明したが、これに限定されるものではなく、特徴量抽出装置10が特徴量を抽出して記憶したり、他の装置に提供したりすることもできる。また、実施例1による手法で抽出した特徴量を用いて、図23のような異常検知を行うこともできる。
上記実施例では、生存時間の長さに基づく重み設定と、発生時刻に基づく重み設定との両方を実行する例を説明したが、これに限定されるものではなく、いずれか一方のみを実行することもできる。また、重みの値も一例であり、図15に示す領域(a)や領域(b)に属するデータの重要度が低くなるような重みであれば、任意に設定変更することができる。
また、上記実施例で用いた数値、重みの設定値、疑似アトラクタの次元数等は、あくまで一例であり、任意に変更することができる。また、入力データや学習方法などもあくまで一例であり、任意に変更することができる。なお、特徴量も一例であり、ベッチ系列の特徴を示す情報であれば、他の情報を用いることもできる。また、学習モデルには、ニューラルネットワークなど様々な手法を採用することができる。
上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。
図24は、ハードウェア構成例を説明する図である。図24に示すように、特徴量抽出装置10は、通信装置10a、HDD(Hard Disk Drive)10b、メモリ10c、プロセッサ10dを有する。また、図24に示した各部は、バス等で相互に接続される。
11 通信部
12 記憶部
13 入力データDB
14 PH情報DB
15 重み設定DB
16 特徴量DB
20 制御部
21 PH処理部
22 ダイアグラム生成部
23 重み設定部
24 特徴量抽出部
25 特徴量処理部
Claims (7)
- コンピュータが、
周期的な性質を有する時系列データからアトラクタを生成し、
前記アトラクタをパーシステントホモロジ変換することにより、パーシステントダイアグラムを生成し、
前記パーシステントダイアグラムに対して、前記パーシステントホモロジ変換により生成される穴の生存時間または穴の発生時刻に基づき、前記パーシステントダイアグラムの各データの影響度を変更し、
前記影響度が変更された変更後のパーシステントダイアグラムから、前記時系列データの特徴量を抽出する
処理を実行することを特徴とする特徴量抽出方法。 - 前記変更する処理は、前記生存時間が一定値以下では徐々に0に近づくとともに、前記生存時間が前記一定値以上であれば所定値となる重みを、前記パーシステントダイアグラムの各データに設定して前記影響度を変更し、
前記抽出する処理は、前記影響度が変更された変更後のパーシステントダイアグラムからバーコードデータを生成し、前記バーコードデータに基づきベッチ系列を生成することを特徴とする請求項1に記載の特徴量抽出方法。 - 前記変更する処理は、前記発生時刻が閾値以下の穴に対応する、前記パーシステントダイアグラム上のデータに対して1未満の重みを設定して、前記影響度を変更し、
前記抽出する処理は、前記影響度が変更された変更後のパーシステントダイアグラムからバーコードデータを生成し、前記バーコードデータに基づきベッチ系列を生成することを特徴とする請求項1または2に記載の特徴量抽出方法。 - 前記変更する処理は、前記生存時間が一定値以下では徐々に0に近づくとともに、前記生存時間が前記一定値以上であれば所定値となる重みを、前記パーシステントダイアグラムの各データに設定して前記影響度を変更し、
前記抽出する処理は、前記影響度が変更された変更後のパーシステントダイアグラムから、前記変更後のパーシステントダイアグラムにおける各データの生存時間の和を、前記特徴量として抽出することを特徴とする請求項1に記載の特徴量抽出方法。 - ユーザに設定されたセンサから前記時系列データを随時取得し、
随時取得される前記時系列データの特徴量を表示し、
前記時系列データの特徴量の変化を検出する、処理を前記コンピュータがさらに実行することを特徴とする請求項1から4のいずれか一つに記載の特徴量抽出方法。 - コンピュータに、
周期的な性質を有する時系列データからアトラクタを生成し、
前記アトラクタをパーシステントホモロジ変換することにより、パーシステントダイアグラムを生成し、
前記パーシステントダイアグラムに対して、前記パーシステントホモロジ変換により生成される穴の生存時間または穴の発生時刻に基づき、前記パーシステントダイアグラムの各データの影響度を変更し、
前記影響度が変更された変更後のパーシステントダイアグラムから、前記時系列データの特徴量を抽出する
処理を実行させることを特徴とする特徴量抽出プログラム。 - 周期的な性質を有する時系列データからアトラクタを生成する生成部と、
前記アトラクタをパーシステントホモロジ変換することにより、パーシステントダイアグラムを生成する生成部と、
前記パーシステントダイアグラムに対して、前記パーシステントホモロジ変換により生成される穴の生存時間または穴の発生時刻に基づき、前記パーシステントダイアグラムの各データの影響度を変更する変更部と、
前記影響度が変更された変更後のパーシステントダイアグラムから、前記時系列データの特徴量を抽出する抽出部と
を有することを特徴とする特徴量抽出装置。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019064972A JP7234742B2 (ja) | 2019-03-28 | 2019-03-28 | 特徴量抽出方法、特徴量抽出プログラムおよび特徴量抽出装置 |
US16/827,877 US20200311587A1 (en) | 2019-03-28 | 2020-03-24 | Method for extracting features, storage medium, and apparatus for extracting features |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019064972A JP7234742B2 (ja) | 2019-03-28 | 2019-03-28 | 特徴量抽出方法、特徴量抽出プログラムおよび特徴量抽出装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020166440A true JP2020166440A (ja) | 2020-10-08 |
JP7234742B2 JP7234742B2 (ja) | 2023-03-08 |
Family
ID=72606034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019064972A Active JP7234742B2 (ja) | 2019-03-28 | 2019-03-28 | 特徴量抽出方法、特徴量抽出プログラムおよび特徴量抽出装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20200311587A1 (ja) |
JP (1) | JP7234742B2 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11769595B2 (en) * | 2020-10-01 | 2023-09-26 | Agama-X Co., Ltd. | Information processing apparatus and non-transitory computer readable medium |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017097643A (ja) * | 2015-11-25 | 2017-06-01 | 富士通株式会社 | 機械学習プログラム、機械学習方法及び情報処理装置 |
WO2017154844A1 (ja) * | 2016-03-07 | 2017-09-14 | 日本電信電話株式会社 | 分析装置、分析方法および分析プログラム |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9520054B2 (en) * | 2013-10-07 | 2016-12-13 | Google Inc. | Mobile user interface for smart-home hazard detector configuration |
US9430688B1 (en) * | 2015-03-25 | 2016-08-30 | The Boeing Company | Overlapping multi-signal classification |
-
2019
- 2019-03-28 JP JP2019064972A patent/JP7234742B2/ja active Active
-
2020
- 2020-03-24 US US16/827,877 patent/US20200311587A1/en active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017097643A (ja) * | 2015-11-25 | 2017-06-01 | 富士通株式会社 | 機械学習プログラム、機械学習方法及び情報処理装置 |
WO2017154844A1 (ja) * | 2016-03-07 | 2017-09-14 | 日本電信電話株式会社 | 分析装置、分析方法および分析プログラム |
Also Published As
Publication number | Publication date |
---|---|
JP7234742B2 (ja) | 2023-03-08 |
US20200311587A1 (en) | 2020-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7070255B2 (ja) | 異常判別プログラム、異常判別方法および異常判別装置 | |
Zheng et al. | Generalized composite multiscale permutation entropy and Laplacian score based rolling bearing fault diagnosis | |
JP6606997B2 (ja) | 機械学習プログラム、機械学習方法及び情報処理装置 | |
JP6439729B2 (ja) | 睡眠状態推定装置 | |
US11727279B2 (en) | Method and apparatus for performing anomaly detection using neural network | |
JP6362521B2 (ja) | 行動分類システム、行動分類装置及び行動分類方法 | |
JP2019084343A (ja) | ウェアラブルデバイスを用いた高い正確度の光電容積脈波基盤の心房細動検出のための方法及び装置 | |
JP6950504B2 (ja) | 異常候補抽出プログラム、異常候補抽出方法および異常候補抽出装置 | |
JP7131351B2 (ja) | 学習方法、学習プログラムおよび学習装置 | |
JP7234742B2 (ja) | 特徴量抽出方法、特徴量抽出プログラムおよび特徴量抽出装置 | |
JP7215350B2 (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 | |
Vijayvargiya et al. | PC-GNN: Pearson Correlation-Based Graph Neural Network for Recognition of Human Lower Limb Activity Using sEMG Signal | |
JP7293778B2 (ja) | ノイズ判定方法、ノイズ判定プログラムおよびノイズ判定装置 | |
JP7115247B2 (ja) | 機械学習方法、機械学習プログラムおよび機械学習装置 | |
Sharma et al. | Artificial neural network classification models for stress in reading | |
Gialelis et al. | Identifying chronic disease complications utilizing state of the art data fusion methodologies and signal processing algorithms | |
Kolhar et al. | AI-Driven Real-Time Classification of ECG Signals for Cardiac Monitoring Using i-AlexNet Architecture | |
KR101998114B1 (ko) | 심박변이도 파라미터 선택을 이용한 일상생활의 스트레스 모니터링 방법 | |
Moein et al. | Detection of heart disorders using an advanced intelligent swarm algorithm | |
KR102112699B1 (ko) | 시계열적 신호 시각화 방법 및 이를 이용한 장치 | |
JP2021179906A (ja) | 影響度算出プログラム、影響度算出装置、影響度算出方法 | |
Borghetti et al. | Introduction to real-time state assessment | |
Cheng et al. | The cognitive load evaluation based on EEG with k-nearest neighbor algorithm | |
JP7521609B2 (ja) | 情報処理装置、特徴量選択方法、教師データ生成方法、推定モデル生成方法、ストレス度の推定方法、およびプログラム | |
López et al. | Biomedical signal processing and artificial intelligence in EOG signals |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211208 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221011 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221018 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221216 |
|
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: 20230124 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230206 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7234742 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |