JP2022160769A - 情報処理システム - Google Patents
情報処理システム Download PDFInfo
- Publication number
- JP2022160769A JP2022160769A JP2021065169A JP2021065169A JP2022160769A JP 2022160769 A JP2022160769 A JP 2022160769A JP 2021065169 A JP2021065169 A JP 2021065169A JP 2021065169 A JP2021065169 A JP 2021065169A JP 2022160769 A JP2022160769 A JP 2022160769A
- Authority
- JP
- Japan
- Prior art keywords
- information
- machine learning
- processing system
- feature amount
- information processing
- 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.)
- Pending
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 67
- 238000010801 machine learning Methods 0.000 claims abstract description 134
- 206010062519 Poor quality sleep Diseases 0.000 claims abstract description 36
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000037007 arousal Effects 0.000 claims description 117
- 238000010606 normalization Methods 0.000 claims description 100
- 238000006243 chemical reaction Methods 0.000 claims description 78
- 230000009466 transformation Effects 0.000 claims description 14
- 230000006399 behavior Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 28
- 230000008451 emotion Effects 0.000 description 20
- 230000006870 function Effects 0.000 description 12
- 238000013507 mapping Methods 0.000 description 8
- 238000000034 method Methods 0.000 description 6
- 230000017531 blood circulation Effects 0.000 description 4
- 210000003296 saliva Anatomy 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002570 electrooculography Methods 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 210000001097 facial muscle Anatomy 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003183 myoelectrical effect Effects 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 208000027534 Emotional disease Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 230000006461 physiological response Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000035900 sweating Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Social Psychology (AREA)
- Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Educational Technology (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
【課題】精度良く覚醒度を推定することの可能な情報処理システムを提供する。【解決手段】本開示の一側面に係る情報処理システムは、入力情報生成部と、判定部とを備えている。入力情報生成部は、センサを用いて取得された対象生体の生体情報に対して所定の前処理を行うことにより、複数の機械学習モデルの各々に対する入力情報を生成する。判定部は、入力情報を各機械学習モデルに入力することにより各機械学習モデルから得られた推定結果に基づいて、対象生体の覚醒度を判定する。【選択図】図1
Description
本開示は、情報処理システムに関する。
人の情動が変化すると、脳波・心拍・発汗などの生理反応が体表に表出する。これらの生理反応をセンサデバイスによって生体信号として読み取ることで、人の情動を推定することが可能である。例えば、読み取った生体信号に対して所定の信号処理を行うことにより得られる、情動反応に寄与する生理指標などの特徴量を、機械学習で求めたモデル式に入力することにより、人の情動を推定することができる(例えば、特許文献1,2参照)。
ところで、モデル学習時に想定される覚醒度ベースラインが、ユーザの覚醒度ベースラインとは必ずしも一致する訳ではない。そのため、精度良く覚醒度を推定することができないという問題があった。従って、精度良く覚醒度を推定することの可能な情報処理システムを提供することが望ましい。
本開示の一側面に係る情報処理システムは、入力情報生成部と、判定部とを備えている。入力情報生成部は、センサを用いて取得された対象生体の生体情報に対して所定の前処理を行うことにより、複数の機械学習モデルの各々に対する入力情報を生成する。判定部は、入力情報を各機械学習モデルに入力することにより各機械学習モデルから得られた推定結果に基づいて、対象生体の覚醒度を判定する。
本開示の一側面に係る情報処理システムでは、センサを用いて取得された対象生体の生体情報に対応する入力情報が、複数の機械学習モデルの各々に対して生成される。これにより、各機械学習モデルにおける各種パラメータのレンジを考慮した入力情報が生成され得る。この情報処理システムでは、機械学習モデルごとに生成された複数の入力情報が、対応する機械学習モデルに入力され、それによって各機械学習モデルから得られた推定結果に基づいて、対象生体の覚醒度が判定される。これにより、例えば、各機械学習モデルからは、各機械学習モデルの覚醒度ベースラインと、ユーザの覚醒度ベースラインとの相違の内容・程度に応じた推定結果を取得することが可能となる。
以下、本開示を実施するための形態について、図面を参照して詳細に説明する。
<1.覚醒度について>
人の覚醒度は、人の集中力に大きく関係している。人は、集中しているとき、集中の対象に対して高い興味・関心を有している。そのため、人の覚醒度を知ることで、人の客観的な興味・関心の度合い(情動)を推定することが可能である。人の覚醒度は、例えば、オフィス環境下で仕事をしていたり、ヨガをしていたりする人(以下、「対象生体」と称する。)から得られた生体情報に基づいて導出することが可能である。対象生体の覚醒度を導出可能な生体情報としては、例えば、脳波、発汗、脈波、心電図、血流、皮膚温度、表情筋電位、眼電、もしくは唾液に含まれる特定成分についての情報が挙げられる。以下に、生体情報を用いて情動推定を行う情報処理システムの実施形態について説明する。
人の覚醒度は、人の集中力に大きく関係している。人は、集中しているとき、集中の対象に対して高い興味・関心を有している。そのため、人の覚醒度を知ることで、人の客観的な興味・関心の度合い(情動)を推定することが可能である。人の覚醒度は、例えば、オフィス環境下で仕事をしていたり、ヨガをしていたりする人(以下、「対象生体」と称する。)から得られた生体情報に基づいて導出することが可能である。対象生体の覚醒度を導出可能な生体情報としては、例えば、脳波、発汗、脈波、心電図、血流、皮膚温度、表情筋電位、眼電、もしくは唾液に含まれる特定成分についての情報が挙げられる。以下に、生体情報を用いて情動推定を行う情報処理システムの実施形態について説明する。
<2.第1の実施の形態>
[構成]
本開示の第1の実施の形態に係る情報処理システム1について説明する。図1は、情報処理システム1の概略構成例を表したものである。情報処理システム1は、対象生体から得られた生体情報に基づいて対象生体の情動を推定するシステムである。本実施の形態では、対象生体は人である。なお、情報処理システム1において、対象生体は人に限られるものではない。
[構成]
本開示の第1の実施の形態に係る情報処理システム1について説明する。図1は、情報処理システム1の概略構成例を表したものである。情報処理システム1は、対象生体から得られた生体情報に基づいて対象生体の情動を推定するシステムである。本実施の形態では、対象生体は人である。なお、情報処理システム1において、対象生体は人に限られるものではない。
情報処理システム1は、単体の電子機器によって実現されていてもよいし、通信ネットワークを介して互いにデータを受送信することの可能な複数の電子機器によって実現されていてもよい。情報処理システム1は、例えば、センサ部10、アプリ規範取得部20、正規化部30、覚醒度推定部40および判定部50を備えている。覚醒度推定部40は、覚醒度ベースラインが互いに異なる複数の機械学習モデル(例えば、3つの基準モデル41,42,43)を有している。機械学習モデルは、例えば、回帰モデル、または、識別モデルを含む。つまり、情報処理システム1は、覚醒度推定部40に設けられた複数の機械学習モデルを用いて、対象生体の覚醒度を推定する。
覚醒度ベースラインとは、各機械学習モデルの学習に用いる教示情報の正規化前の情報の平均値を指している。例えば、基準モデル41の覚醒度ベースラインは、基準モデル42,43の覚醒度ベースラインよりも低くなっており、基準モデル42の覚醒度ベースラインは、基準モデル43の覚醒度ベースラインよりも低くなっている。
「各機械学習モデルの学習に用いる教示情報の正規化前の情報」とは、例えば、センサ部10等で得られた生体情報の時系列データに基づいて生成された特徴量(正規化されていない特徴量)を指している。この特徴量には、覚醒度レベルの互いに異なる複数のクラスが含まれ得る。これは、例えば、対象生体がある環境下で所定の覚醒度レベルにある中で、時と場合によって、覚醒度レベルの変移があることを意味している。なお、教示情報を生成する際の対象生体は、情報処理システム1で情動推定がなされる対象生体とは、通常、異なっている。
例えば、図2(A)に示したように、対象生体の覚醒度レベルが相対的に低いときに得られた特徴量X_lowには、覚醒度レベルの互いに異なる2つのクラスPrl_low,Prl_highが含まれている。なお、図2(A)には、2つのクラスPrl_low,Prl_highからなるデータがPrlと表現されている。また、例えば、図2(C)に示したように、対象生体の覚醒度レベルが相対的に高いときに得られた特徴量X_highには、覚醒度レベルの互いに異なる2つのクラスPrh_low,Prh_highが含まれている。なお、図2(C)には、2つのクラスPrh_low,Prh_highからなるデータがPrhと表現されている。また、例えば、図2(B)に示したように、対象生体の覚醒度レベルが図2(A)のときの覚醒度レベルと図2(C)のときの覚醒度レベルとの間の大きさとなっているときに得られた特徴量X_midには、覚醒度レベルの互いに異なる2つのクラスPrm_low,Prm_highが含まれている。なお、図2(B)には、2つのクラスPrm_low,Prm_highからなるデータがPrmと表現されている。
図3(A)には、図2(A)に示したデータPrlを正規化することにより得られるデータPrl’(正規化情報)が例示されている。図3(A)において、横軸は、(Prl(i)-Prl(min))/(Prl(max)-Prl(min))である。Prl(min)は、Prlの特徴量の最小値である。Prl(max)は、Prlの特徴量の最大値である。iは、0≦i≦1の範囲内の値を取り得る変数である。図3(A)において、Prl_low’は、データPrlの正規化により得られた、Prl_lowに対応するデータ(正規化情報)である。図3(A)において、Prl_high’は、データPrlの正規化により得られた、Prl_highに対応するデータ(正規化情報)である。
図3(B)には、図2(B)に示したデータPrmを正規化することにより得られるデータPrm’(正規化情報)が例示されている。図3(B)において、横軸は、(Prm(i)-Prm(min))/(Prm(max)-Prm(min))である。Prm(min)は、Prmの特徴量の最小値である。Prm(max)は、Prmの特徴量の最大値である。図3(B)において、Prm_low’は、データPrmの正規化により得られた、Prm_lowに対応するデータ(正規化情報)である。図3(B)において、Prm_high’は、データPrmの正規化により得られた、Prm_highに対応するデータ(正規化情報)である。
図3(C)には、図2(C)に示したデータPrhを正規化することにより得られるデータPrh’(正規化情報)が例示されている。図3(C)において、横軸は、(Prh(i)-Prh(min))/(Prh(max)-Prh(min))である。Prh(min)は、Prhの特徴量の最小値である。Prh(max)は、Prhの特徴量の最大値である。図3(C)において、Prh_low’は、データPrhの正規化により得られた、Prh_lowに対応するデータ(正規化情報)である。図3(C)において、Prh_high’は、データPrhの正規化により得られた、Prh_highに対応するデータ(正規化情報)である。
基準モデル41,42,43は、覚醒度レベルの互いに異なる環境下で取得されたデータをそれぞれ用いて生成されたモデルである。基準モデル41は、相対的に低い覚醒度ベースラインにおいて得られたデータPrlの特徴量の正規化情報と、覚醒度情報Raとを用いて生成されたモデルである(図4参照)。この学習によって得られたモデルパラメータPaが覚醒度推定部40に格納される。基準モデル43は、相対的に高い覚醒度ベースラインにおいて得られたデータPrhの特徴量の正規化情報と、覚醒度情報Rcとを用いて生成されたモデルである(図6参照)。この学習によって得られたモデルパラメータPcが覚醒度推定部40に格納される。基準モデル42は、基準モデル41の覚醒度ベースラインと基準モデル43の覚醒度ベースラインとの間の覚醒度ベースラインにおいて得られたデータPrmの特徴量の正規化情報と、覚醒度情報Rbとを用いて生成されたモデルである(図5参照)。この学習によって得られたモデルパラメータPbが覚醒度推定部40に格納される。
センサ部10は、例えば、対象生体に接触するタイプのセンサであってもよいし、対象生体に非接触のセンサであってもよい。センサ部10は、例えば、脳波、発汗、脈波、心電図、血流、皮膚温度、表情筋電位、眼電、および唾液に含まれる特定成分のうち、少なくとも1つについての情報(生体情報)を取得するセンサである。センサ部10は、取得した生体情報を、アプリ規範取得部20および正規化部30に出力する。
アプリ規範取得部20は、対象生体の動作状態に応じて、正規化の条件を最適化する。アプリ規範取得部20は、正規化情報取得部21と、正規化係数変換部22とを有している。
正規化情報取得部21は、正規化部30から覚醒度推定部40に対して入力される情報の生成に用いられる生体情報(以下、「生体情報10B」)の時系列データを取得する前にセンサ部10を用いて取得した生体情報(以下、「生体情報10A」)の時系列データに基づいて特徴量X_testを取得する(図7、ステップS101)。正規化情報取得部21は、取得した特徴量X_testを、X_test(max),X_test(min)で正規化する(図7、ステップS102)。X_test(max)は、取得した特徴量X_testの最大値である。X_test(min)は、取得した特徴量X_testの最小値である。正規化情報取得部21は、正規化により得られた特徴量X_test’において、覚醒度レベルの互いに異なる複数のクラスを識別することにより、複数のクラスの特徴量を取得する。正規化情報取得部21は、例えば、正規化により得られた特徴量X_test’において、覚醒度レベルの互いに異なる2つのクラスPr_low’,Pr_high’を識別する(図7、ステップS103)。正規化情報取得部21は、例えば、識別の結果、得られたクラスPr_low’,Pr_high’に対応する正規化前のクラスPr_low,Pr_highを取得する(図7、ステップS104)。正規化情報取得部21は、取得した複数のクラスからなるデータの特徴量(例えば、2つのクラスPr_low,Pr_highからなるデータPrの特徴量)を正規化係数変換部22に出力する。
正規化係数変換部22は、覚醒度推定部40に含まる複数の機械学習モデルのうち、一の機械学習モデルを選択する(図8、ステップS201)。正規化係数変換部22は、例えば、基準モデル41を選択する。正規化係数変換部22は、例えば、覚醒度推定部40に含まる複数の機械学習モデルのうち、生体情報10Aに基づいて得られる特徴量X_testの覚醒度ベースラインに最も近い覚醒度ベースラインを持つ機械学習モデルを選択する。これは、後述の写像を精度よく行うためである。
正規化係数変換部22は、正規化情報取得部21から入力された特徴量と、選択した機械学習モデルの学習の際に用いた特徴量とに基づいて、この機械学習モデルの正規化係数を変換する。正規化係数変換部22は、例えば、選択した機械学習モデルの学習の際に用いた特徴量から、正規化情報取得部21から入力された特徴量への写像を行う変換ゲインを導出する(図8、ステップS202)。正規化係数変換部22は、例えば、選択した基準モデル41の学習の際に用いたデータPrlの特徴量から、正規化情報取得部21から入力されたデータPrの特徴量への写像を行う変換ゲインg1を導出する。
正規化係数変換部22は、各機械学習モデルの正規化係数を変換する(図8、ステップS203)正規化係数変換部22は、例えば、選択した基準モデル41の正規化係数Prl(max),Prl(min)を、変換ゲインg1を用いて正規化係数Prl’(max),Prl’(min)に変換する。
基準モデル41の学習の際に用いたデータPrlの特徴量と、基準モデル42の学習の際に用いたデータPrmの特徴量との相関関係を規定した関数αが正規化係数変換部22に格納されているとする。また、基準モデル42の学習の際に用いたデータPrmの特徴量と、基準モデル43の学習の際に用いたデータPrhの特徴量との相関関係を規定した関数βが正規化係数変換部22に格納されているとする。
正規化係数変換部22は、例えば、変換ゲインg1と、関数αとを用いて、正規化係数Prm(max),Prm(min)を、正規化係数Prm’(max),Prm’(min)に変換する。なお、図8には、変換ゲインg1および関数αが、変換ゲインg2と表現されている。正規化係数変換部22は、さらに、例えば、変換ゲインg1と、関数α,βとを用いて、正規化係数Prh(max),Prh(min)を、正規化係数Prh’(max),Prh’(min)に変換する。なお、図8には、変換ゲインg1および関数α,βが、変換ゲインg3と表現されている。
正規化係数変換部22は、導出した変換ゲインg1,g2,g3を正規化部30に出力する。
正規化部30は、覚醒度推定部40に含まれる機械学習モデル(例えば、基準モデル41,42,43)ごとに1つずつ設けられた複数の正規化部(例えば、3つの正規化部31,32,33)を有している。正規化部31は、基準モデル41に対応して設けられている。正規化部32は、基準モデル42に対応して設けられている。正規化部33は、基準モデル43に対応して設けられている。
正規化部30は、センサ部10を用いて得られた生体情報10Bに基づいて特徴量X_testを取得する。正規化部30は、取得した特徴量X_testを、X_test(max),X_test(min)で正規化する。正規化部30は、正規化した特徴量X_test’において、覚醒度レベルの互いに異なる2つのクラスPr_low’,Pr_high’を識別する。正規化部30は、識別の結果、得られたクラスPr_low’,Pr_high’に対応する正規化前のクラスPr_low,Pr_highを取得する。正規化部30は、2つのクラスPr_low,Pr_highからなるデータPrの特徴量を正規化部31,32,33に入力する。正規化部31,32,33は、入力されたデータPrの特徴量に対して所定の正規化を行う。
正規化部31は、正規化係数変換部22から入力された変換ゲインg1を用いて、生体情報10Bを用いて得られたデータPrの特徴量を変換することにより、データPraの特徴量を取得する。正規化部31は、取得したデータPraの特徴量を、Pra(max),Pra(min)で正規化し、それにより得られたデータPra’を、基準モデル41に出力する。Pra(max)は、Praの特徴量の最大値である。Pra(min)は、Praの特徴量の最小値である。
正規化部32は、正規化係数変換部22から入力された変換ゲインg2を用いて、生体情報10Bを用いて得られたデータPrの特徴量を変換することにより、データPrbの特徴量を取得する。正規化部32は、取得したデータPrbの特徴量を、Prb(max),Prb(min)で正規化し、それにより得られたデータPrb’を、基準モデル42に出力する。Prb(max)は、Prbの特徴量の最大値である。Prb(min)は、Prbの特徴量の最小値である。
正規化部33は、正規化係数変換部22から入力された変換ゲインg3を用いて、生体情報10Bを用いて得られたデータPrの特徴量を変換することにより、データPrcの特徴量を取得する。正規化部33は、取得したデータPrcの特徴量を、Prc(max),Prc(min)で正規化し、それにより得られたデータPrc’を、基準モデル43に出力する。Prc(max)は、Prcの特徴量の最大値である。Prc(min)は、Prcの特徴量の最小値である。
基準モデル41は、正規化部31から正規化されたデータ(データPra’)が入力されると、入力されたデータPra’の特徴量に応じた覚醒度情報41Aを出力する。基準モデル42は、正規化部32から正規化されたデータ(データPrb’)が入力されると、入力されたデータPrb’の特徴量に応じた覚醒度情報42Aを出力する。基準モデル43は、正規化部33から正規化されたデータ(データPrc’)が入力されると、入力されたデータPrc’の特徴量に応じた覚醒度情報43Aを出力する。
判定部50は、覚醒度推定部40から入力された推定結果(覚醒度情報41A,42A,43A)に基づいて、対象生体の覚醒度を判定する。判定部50は、例えば、推定結果(覚醒度情報41A,42A,43A)に基づく多数決で、対象生体の覚醒度を判定する。例えば、覚醒度情報41Aが、覚醒度が高いことを意味する情報となっており、覚醒度情報42Aが、覚醒度が低いことを意味する情報となっており、覚醒度情報43Aが、覚醒度が低いことを意味する情報となっていたとする。このとき、判定部50は、覚醒度=低が2票、覚醒度=高が1票であることから、多数決で、覚醒度が低いことを意味する判定結果を生成する。判定部50は、さらに、例えば、生成した判定結果に基づいて、対象生体の情動を推定してもよい。なお、判定部50は、多数決以外の方法を用いて、対象生体の覚醒度を判定してもよい。
[効果]
本実施の形態に係る情報処理システム1では、センサ部10によって得られた対象生体の生体情報10Bに対応する入力情報が、覚醒度ベースラインが互いに異なる複数の機械学習モデルの各々に対して生成される。例えば、入力情報として、データPra’の特徴量が基準モデル41に対して生成される。また、例えば、入力情報として、データPrb’の特徴量が基準モデル42に対して生成される。また、例えば、入力情報として、データPrc’の特徴量が基準モデル43に対して生成される。これにより、各機械学習モデルにおける各種パラメータのレンジを考慮した入力情報が生成され得る。この情報処理システム1では、機械学習モデルごとに生成された複数の入力情報が、対応する機械学習モデルに入力され、それによって各機械学習モデルから得られた推定結果に基づいて、対象生体の情動が判定される。これにより、各機械学習モデルからは、各機械学習モデルの覚醒度ベースラインと、ユーザの覚醒度ベースラインとの相違の内容・程度に応じた推定結果が得られる。その結果、モデル学習時に想定される覚醒度ベースラインが、ユーザの覚醒度ベースラインと一致していない場合であっても、対象生体の情動を精度よく判定することが可能である。
本実施の形態に係る情報処理システム1では、センサ部10によって得られた対象生体の生体情報10Bに対応する入力情報が、覚醒度ベースラインが互いに異なる複数の機械学習モデルの各々に対して生成される。例えば、入力情報として、データPra’の特徴量が基準モデル41に対して生成される。また、例えば、入力情報として、データPrb’の特徴量が基準モデル42に対して生成される。また、例えば、入力情報として、データPrc’の特徴量が基準モデル43に対して生成される。これにより、各機械学習モデルにおける各種パラメータのレンジを考慮した入力情報が生成され得る。この情報処理システム1では、機械学習モデルごとに生成された複数の入力情報が、対応する機械学習モデルに入力され、それによって各機械学習モデルから得られた推定結果に基づいて、対象生体の情動が判定される。これにより、各機械学習モデルからは、各機械学習モデルの覚醒度ベースラインと、ユーザの覚醒度ベースラインとの相違の内容・程度に応じた推定結果が得られる。その結果、モデル学習時に想定される覚醒度ベースラインが、ユーザの覚醒度ベースラインと一致していない場合であっても、対象生体の情動を精度よく判定することが可能である。
また、本実施の形態に係る情報処理システム1では、入力情報の生成に用いられる生体情報10Bを取得する前にセンサ部10を用いて取得した対象生体の生体情報10Aに基づいて特徴量が取得される。この情報処理システム1では、さらに、取得した特徴量と、複数の機械学習モデルにおける一の基準モデル(第1の機械学習モデル)の学習の際に用いた特徴量とに基づいて、第1の機械学習モデルの正規化係数が変換される。これにより、各機械学習モデルからは、各機械学習モデルの覚醒度ベースラインと、ユーザの覚醒度ベースラインとの相違の内容・程度に応じた推定結果が得られる。その結果、モデル学習時に想定される覚醒度ベースラインが、ユーザの覚醒度ベースラインと一致していない場合であっても、対象生体の情動を精度よく判定することが可能である。
また、本実施の形態に係る情報処理システム1では、複数の機械学習モデルにおける一の機械学習モデル(第1の機械学習モデル)の学習の際に用いた特徴量から、生体情報10Aに基づいて取得された特徴量への写像を行う変換ゲイン(第1の変換ゲイン)が導出される。そして、導出した変換ゲインを用いて、第1の機械学習モデルの正規化係数が変換される。これにより、モデル学習時に想定される覚醒度ベースラインが、ユーザの覚醒度ベースラインと一致していない場合であっても、対象生体の情動を精度よく判定することが可能である。
また、本実施の形態に係る情報処理システム1では、第1の機械学習モデルの学習の際に用いた特徴量と、複数の機械学習モデルにおける、第1の機械学習モデルとは異なる第2の機械学習モデルの学習の際に用いた特徴量との相関関係を記述した第2の変換ゲインと、第1の変換ゲインとを用いて、第2の機械学習モデルの正規化係数が変換される。これにより、モデル学習時に想定される覚醒度ベースラインが、ユーザの覚醒度ベースラインと一致していない場合であっても、対象生体の情動を精度よく判定することが可能である。
<3.第2の実施の形態>
[構成]
次に、本開示の第2の実施の形態に係る情報処理システム2について説明する。図9は、情報処理システム2の概略構成例を表したものである。情報処理システム2は、対象生体から得られた生体情報に基づいて対象生体の情動を推定するシステムである。本実施の形態では、対象生体は人である。なお、情報処理システム2において、対象生体は人に限られるものではない。
[構成]
次に、本開示の第2の実施の形態に係る情報処理システム2について説明する。図9は、情報処理システム2の概略構成例を表したものである。情報処理システム2は、対象生体から得られた生体情報に基づいて対象生体の情動を推定するシステムである。本実施の形態では、対象生体は人である。なお、情報処理システム2において、対象生体は人に限られるものではない。
情報処理システム2は、単体の電子機器によって実現されていてもよいし、通信ネットワークを介して互いにデータを受送信することの可能な複数の電子機器によって実現されていてもよい。情報処理システム2は、例えば、センサ部10、アプリ規範取得部60、標準化部70、覚醒度推定部80および判定部50を備えている。覚醒度推定部80は、覚醒度ベースラインが互いに異なる複数の機械学習モデル(例えば、3つの基準モデル81,82,83)を有している。機械学習モデルは、例えば、回帰モデル、または、識別モデルを含む。つまり、情報処理システム2は、覚醒度推定部80に設けられた複数の機械学習モデルを用いて、対象生体の覚醒度を推定する。
覚醒度ベースラインとは、各機械学習モデルの学習に用いる教示情報の標準化前の情報の平均値を指している。例えば、基準モデル81の覚醒度ベースラインは、基準モデル82,83の覚醒度ベースラインよりも低くなっており、基準モデル82の覚醒度ベースラインは、基準モデル83の覚醒度ベースラインよりも低くなっている。
図10(A)には、図2(A)に示したデータPrlを標準化することにより得られるデータPrl’(標準化情報)が例示されている。図10(A)において、横軸は、(Prl(j)-Prl_avg)/Prl_SDである。Prl_avgは、データPrlの特徴量の平均値である。Prl_SDは、データPrlの特徴量の分散である。図10(A)において、Prl_low’は、データPrlの標準化により得られた、Prl_lowに対応するデータ(標準化情報)である。図10(A)において、Prl_high’は、データPrlの標準化により得られた、Prl_highに対応するデータ(標準化情報)である。
図10(B)には、図2(B)に示したデータPrmを標準化することにより得られるデータPrm’(標準化情報)が例示されている。図10(B)において、横軸は、(Prm(j)_avg)/Prm_SDである。Prm_avgは、データPrmの特徴量の平均値である。Prm_SDは、データPrmの特徴量の分散である。図10(B)において、Prm_low’は、データPrmの標準化により得られた、Prm_lowに対応するデータ(標準化情報)である。図10(B)において、Prm_high’は、データPrmの標準化により得られた、Prm_highに対応するデータ(標準化情報)である。
図10(C)には、図2(C)に示したデータPrhを標準化することにより得られるデータPrh’(標準化情報)が例示されている。図10(C)において、横軸は、(Prh(j)-Prh_avg)/Prh_SDである。Prh_avgは、データPrhの特徴量の平均値である。Prh_SDは、データPrhの特徴量の分散である。図10(C)において、Prh_low’は、データPrhの標準化により得られた、Prh_lowに対応するデータ(標準化情報)である。図10(C)において、Prh_high’は、データPrhの標準化により得られた、Prh_highに対応するデータ(標準化情報)である。
基準モデル1,82,83は、覚醒度レベルの互いに異なる環境下で取得されたデータをそれぞれ用いて生成されたモデルである。基準モデル81は、相対的に低い覚醒度ベースラインにおいて得られたデータPrlの特徴量の標準化情報と、覚醒度情報Raとを教示情報として学習したモデルである(図11参照)。この学習によって得られたモデルパラメータPaが覚醒度推定部80に格納される。基準モデル83は、相対的に高い覚醒度ベースラインにおいて得られたデータPrhの特徴量の標準化情報と、覚醒度情報Rcとを教示情報として学習したモデルである(図12参照)。この学習によって得られたモデルパラメータPcが覚醒度推定部80に格納される。基準モデル82は、基準モデル81の覚醒度ベースラインと基準モデル83の覚醒度ベースラインとの間の覚醒度ベースラインにおいて得られたデータPrmの特徴量の標準化情報と、覚醒度情報Rbとを教示情報として学習したモデルである(図13参照)。この学習によって得られたモデルパラメータPbが覚醒度推定部80に格納される。
センサ部10は、例えば、対象生体に接触するタイプのセンサであってもよいし、対象生体に非接触のセンサであってもよい。センサ部10は、例えば、脳波、発汗、脈波、心電図、血流、皮膚温度、表情筋電位、眼電、および唾液に含まれる特定成分のうち、少なくとも1つについての情報(生体情報)を取得するセンサである。センサ部10は、取得した生体情報を、アプリ規範取得部80および標準化部70に出力する。
アプリ規範取得部80は、対象生体の動作状態に応じて、標準化の条件を最適化する。アプリ規範取得部80は、標準化情報取得部61と、標準化係数変換部62とを有している。
標準化情報取得部61は、標準化部70から覚醒度推定部80に対して入力される情報の生成に用いられる生体情報(以下、「生体情報10B」)を取得する前にセンサ部10を用いて取得した生体情報(以下、「生体情報10A」)に基づいて特徴量X_testを取得する(図14、ステップS301)。標準化情報取得部61は、取得した特徴量X_testを、X_test_avg,X_test_SDで標準化する(図14、ステップS302)。X_test_avgは、X_testの平均値である。X_test_SDは、X_testの分散である。標準化情報取得部61は、取得した特徴量X_testにおいて、覚醒度レベルの互いに異なる複数のクラスを識別することにより、複数のクラスの特徴量を取得する。標準化情報取得部61は、例えば、標準化した特徴量X_testにおいて、覚醒度レベルの互いに異なる2つのクラスPr_low’,Pr_high’を識別する(図14、ステップS303)。標準化情報取得部61は、例えば、識別の結果、得られたクラスPr_low’,Pr_high’ごとに、標準化前のクラスPr_low,Pr_highを取得する(図14、ステップS304)。標準化情報取得部61は、取得した複数のクラスからなるデータの特徴量(例えば、2つのクラスPr_low,Pr_highからなるデータPrの特徴量)を標準化係数変換部62に出力する。
標準化係数変換部62は、覚醒度推定部80に含まる複数の機械学習モデルのうち、一の機械学習モデルを選択する(図15、ステップS401)。標準化係数変換部62は、例えば、基準モデル81を選択する。標準化係数変換部62は、例えば、覚醒度推定部80に含まる複数の機械学習モデルのうち、生体情報10Aに基づいて得られる特徴量X_testの覚醒度ベースラインに最も近い覚醒度ベースラインを持つ機械学習モデルを選択する。これは、後述の写像を精度よく行うためである。
標準化係数変換部62は、標準化情報取得部61から入力された特徴量と、選択した機械学習モデルの学習の際に用いた特徴量とに基づいて、この機械学習モデルの標準化係数を変換する。標準化係数変換部62は、例えば、選択した機械学習モデルの学習の際に用いた特徴量から、標準化情報取得部61から入力された特徴量への写像を行う変換ゲインを導出する(図15、ステップS402)。標準化係数変換部62は、例えば、選択した基準モデル81の学習の際に用いたデータPrlの特徴量から、標準化情報取得部61から入力されたデータPrの特徴量への写像を行う変換ゲインg1を導出する。
標準化係数変換部62は、各機械学習モデルの標準化係数を変換する(図15、ステップS403)標準化係数変換部62は、例えば、選択した基準モデル81の標準化係数Prl_avg,Prl_SDを、変換ゲインg1を用いて標準化係数Prl_avg’,Prl_SD’に変換する。
基準モデル81の学習の際に用いたデータPrlの特徴量と、基準モデル82の学習の際に用いたデータPrmの特徴量との相関関係を規定した関数αが標準化係数変換部62に格納されているとする。また、基準モデル82の学習の際に用いたデータPrmの特徴量と、基準モデル83の学習の際に用いたデータPrhの特徴量との相関関係を規定した関数βが標準化係数変換部62に格納されているとする。
標準化係数変換部62は、例えば、変換ゲインg1と、関数αとを用いて、標準化係数Prm_avg,Prm_SDを、標準化係数Prm_avg’,Prm_SD’に変換する。なお、図15には、変換ゲインg1および関数αが、変換ゲインg2と表現されている。標準化係数変換部62は、さらに、例えば、変換ゲインg1と、関数α,βとを用いて、標準化係数Prh_avg,Prh_SDを、標準化係数Prh_avg’,Prh_SD’に変換する。なお、図15には、変換ゲインg1および関数α,βが、変換ゲインg3と表現されている。
標準化係数変換部62は、導出した変換ゲインg1,g2,g3を標準化部70に出力する。
標準化部70は、覚醒度推定部80に含まれる機械学習モデル(例えば、基準モデル81,82,83)ごとに1つずつ設けられた複数の標準化部(例えば、3つの標準化部71,72,73)を有している。標準化部71は、基準モデル81に対応して設けられている。標準化部72は、基準モデル82に対応して設けられている。標準化部73は、基準モデル83に対応して設けられている。
標準化部70は、センサ部10を用いて得られた生体情報10Bに基づいて特徴量X_testを取得する。標準化部70は、取得した特徴量X_testを、X_test_avg、X_test_SDで標準化する。標準化部70は、標準化した特徴量X_test’において、覚醒度レベルの互いに異なる2つのクラスPr_low’,Pr_high’を識別する。標準化部70は、識別の結果、得られたクラスPr_low’,Pr_high’ごとに、標準化前のクラスPr_low,Pr_highを取得する。標準化部70は、2つのクラスPr_low,Pr_highからなるデータPrの特徴量を標準化部71,72,73に入力する。標準化部71,72,73は、入力されたデータPrの特徴量に対して所定の標準化を行う。
標準化部71は、標準化係数変換部62から入力された変換ゲインg1を用いて、生体情報10Bを用いて得られたデータPrの特徴量を変換することにより、データPraの特徴量を取得する。標準化部71は、取得したデータPraの特徴量を、Pra_avg、Pra_SDで標準化し、それにより得られたデータPra’を、基準モデル81に出力する。Pra_avgは、データPraの特徴量の平均値である。Pra_SDは、データPraの特徴量の分散である。
標準化部72は、標準化係数変換部62から入力された変換ゲインg2を用いて、生体情報10Bを用いて得られたデータPrの特徴量を変換することにより、データPrbの特徴量を取得する。標準化部72は、取得したデータPrbの特徴量を、Prb_avg,Prb_SDで標準化し、それにより得られたデータPrb’の特徴量を、基準モデル82に出力する。Prb_avgは、データPrbの特徴量の平均値である。Prb_SDは、データPrbの特徴量の分散である。
標準化部73は、標準化係数変換部62から入力された変換ゲインg3を用いて、生体情報10Bを用いて得られたデータPrの特徴量を変換することにより、データPrcの特徴量を取得する。標準化部73は、取得したデータPrcの特徴量を、Prc_avg,Prc_SDで標準化し、それにより得られたデータPrc’の特徴量を、基準モデル82に出力する。Prc_avgは、データPrcの平均値である。Prc_SDは、データPrcの特徴量の分散である。
基準モデル81は、標準化部71から正規化されたデータ(データPra’)が入力されると、入力されたデータPra’の特徴量に応じた覚醒度情報81Aを出力する。基準モデル82は、標準化部72から正規化されたデータ(データPrb’)が入力されると、入力されたデータPrb’の特徴量に応じた覚醒度情報82Aを出力する。基準モデル83は、標準化部73から正規化されたデータ(データPrc’)が入力されると、入力されたデータPrc’の特徴量に応じた覚醒度情報83Aを出力する。
判定部50は、覚醒度推定部80から入力された推定結果(覚醒度情報81A,82A,83A)に基づいて、対象生体の覚醒度を判定する。判定部50は、例えば、推定結果(覚醒度情報81A,82A,83A)に基づく多数決で、対象生体の覚醒度を判定する。例えば、覚醒度情報81Aが、覚醒度が高いことを意味する情報となっており、覚醒度情報82Aが、覚醒度が低いことを意味する情報となっており、覚醒度情報83Aが、覚醒度が低いことを意味する情報となっていたとする。このとき、判定部50は、覚醒度=低が2票、覚醒度=高が1票であることから、多数決で、覚醒度が低いことを意味する判定結果を生成する。判定部50は、さらに、例えば、生成した判定結果に基づいて、対象生体の情動を推定してもよい。なお、判定部50は、多数決以外の方法を用いて、対象生体の覚醒度を判定してもよい。
[効果]
本実施の形態に係る情報処理システム2では、センサ部10を用いて得られた対象生体の生体情報10Bに対応する入力情報が、覚醒度ベースラインが互いに異なる複数の機械学習モデルの各々に対して生成される。例えば、入力情報として、データPra’の特徴量が基準モデル81に対して生成される。また、例えば、入力情報として、データPrb’の特徴量が基準モデル82に対して生成される。また、例えば、入力情報として、データPrc’の特徴量が基準モデル83に対して生成される。これにより、各機械学習モデルにおける各種パラメータのレンジを考慮した入力情報が生成され得る。この情報処理システム2では、機械学習モデルごとに生成された複数の入力情報が、対応する機械学習モデルに入力され、それによって各機械学習モデルから得られた推定結果に基づいて、対象生体の情動が判定される。これにより、各機械学習モデルからは、各機械学習モデルの覚醒度ベースラインと、ユーザの覚醒度ベースラインとの相違の内容・程度に応じた推定結果が得られる。その結果、モデル学習時に想定される覚醒度ベースラインが、ユーザの覚醒度ベースラインと一致していない場合であっても、対象生体の情動を精度よく判定することが可能である。
本実施の形態に係る情報処理システム2では、センサ部10を用いて得られた対象生体の生体情報10Bに対応する入力情報が、覚醒度ベースラインが互いに異なる複数の機械学習モデルの各々に対して生成される。例えば、入力情報として、データPra’の特徴量が基準モデル81に対して生成される。また、例えば、入力情報として、データPrb’の特徴量が基準モデル82に対して生成される。また、例えば、入力情報として、データPrc’の特徴量が基準モデル83に対して生成される。これにより、各機械学習モデルにおける各種パラメータのレンジを考慮した入力情報が生成され得る。この情報処理システム2では、機械学習モデルごとに生成された複数の入力情報が、対応する機械学習モデルに入力され、それによって各機械学習モデルから得られた推定結果に基づいて、対象生体の情動が判定される。これにより、各機械学習モデルからは、各機械学習モデルの覚醒度ベースラインと、ユーザの覚醒度ベースラインとの相違の内容・程度に応じた推定結果が得られる。その結果、モデル学習時に想定される覚醒度ベースラインが、ユーザの覚醒度ベースラインと一致していない場合であっても、対象生体の情動を精度よく判定することが可能である。
また、本実施の形態に係る情報処理システム2では、入力情報の生成に用いられる生体情報10Bを取得する前にセンサ部10を用いて取得した対象生体の生体情報10Aに基づいて特徴量が取得される。そして、取得された特徴量において、覚醒度レベルの互いに異なる複数のクラスを識別することにより、複数のクラスの特徴量が取得される。この情報処理システム2では、さらに、取得した複数のクラスの特徴量と、複数の機械学習モデルにおける一の基準モデル(第1の機械学習モデル)の学習の際に用いた、複数のクラスの特徴量とに基づいて、第1の機械学習モデルの標準化係数が変換される。これにより、各機械学習モデルからは、各機械学習モデルの覚醒度ベースラインと、ユーザの覚醒度ベースラインとの相違の内容・程度に応じた推定結果が得られる。その結果、モデル学習時に想定される覚醒度ベースラインが、ユーザの覚醒度ベースラインと一致していない場合であっても、対象生体の情動を精度よく判定することが可能である。
また、本実施の形態に係る情報処理システム2では、複数の機械学習モデルにおける一の機械学習モデル(第1の機械学習モデル)の学習の際に用いた複数のクラスの特徴量から、生体情報10Aに基づいて取得された複数のクラスの特徴量への写像を行う変換ゲイン(第1の変換ゲイン)が導出される。そして、導出した変換ゲインを用いて、第1の機械学習モデルの標準化係数が変換される。これにより、モデル学習時に想定される覚醒度ベースラインが、ユーザの覚醒度ベースラインと一致していない場合であっても、対象生体の情動を精度よく判定することが可能である。
また、本実施の形態に係る情報処理システム2では、第1の機械学習モデルの学習の際に用いた、複数のクラスの特徴量と、複数の機械学習モデルにおける、第1の機械学習モデルとは異なる第2の機械学習モデルの学習の際に用いた、複数のクラスの特徴量との相関関係を記述した第2の変換ゲインと、第1の変換ゲインとを用いて、第2の機械学習モデルの標準化係数が変換される。これにより、モデル学習時に想定される覚醒度ベースラインが、ユーザの覚醒度ベースラインと一致していない場合であっても、対象生体の情動を精度よく判定することが可能である。
<4.変形例>
上記各実施の形態において、情報処理システム1,2は、例えば、図16、図17に示したように、選択情報取得部90を更に備えていてもよい。選択情報取得部90は、対象生体の生体情報もしくは動作情報を取得する。正規化係数変換部22および標準化係数変換部62は、選択情報取得部90で取得された生体情報もしくは行動情報に基づいて、複数の機械学習モデルの中から、生体情報10Aに基づいて得られる特徴量X_testの覚醒度ベースラインに最も近い覚醒度ベースラインを持つ機械学習モデルを選択する。
上記各実施の形態において、情報処理システム1,2は、例えば、図16、図17に示したように、選択情報取得部90を更に備えていてもよい。選択情報取得部90は、対象生体の生体情報もしくは動作情報を取得する。正規化係数変換部22および標準化係数変換部62は、選択情報取得部90で取得された生体情報もしくは行動情報に基づいて、複数の機械学習モデルの中から、生体情報10Aに基づいて得られる特徴量X_testの覚醒度ベースラインに最も近い覚醒度ベースラインを持つ機械学習モデルを選択する。
選択情報取得部90は、例えば、生体情報として、例えば、脳波、発汗、脈波、心電図、血流、皮膚温度、表情筋電位、眼電、もしくは唾液に含まれる特定成分についての情報を取得するデバイスで構成されている。選択情報取得部90は、例えば、動作情報として、例えば、対象生体の顔の表情、音声、瞬き、呼吸、もしくは行動の反応時間についての情報を取得するデバイスで構成されている。
本変形例では、選択情報取得部90を用いて、複数の機械学習モデルの中から、生体情報10Aに基づいて得られる特徴量X_testの覚醒度ベースラインに最も近い覚醒度ベースラインを持つ機械学習モデルが選択される。これにより、写像を精度よく行うことができるので、対象生体の情動を精度よく判定することが可能である。
また、例えば、本開示は以下のような構成を取ることができる。
(1)
センサを用いて取得された対象生体の生体情報に対して所定の前処理を行うことにより、複数の機械学習モデルの各々に対する入力情報を生成する入力情報生成部と、
前記機械学習モデルごとに生成された複数の前記入力情報を、対応する前記学習モデルに入力することにより各前記学習モデルから得られた推定結果に基づいて、前記対象生体の覚醒度を判定する判定部と
を備えた
情報処理システム。
(2)
前記複数の機械学習モデルでは、覚醒度ベースラインが互いに異なる
(1)に記載の情報処理システム。
(3)
前記複数の機械学習モデルは、覚醒度レベルの互いに異なる環境下で取得されたデータをそれぞれ用いて生成された
(1)または(2)に記載の情報処理システム。
(4)
前記入力情報生成部は、前記対象生体の動作状態に応じて、前記前処理の条件を最適化する
(1)ないし(3)のいずれか1つに記載の情報処理システム。
(5)
前記前処理は、正規化もしくは標準化である
(1)ないし(4)のいずれか1つに記載の情報処理システム。
(6)
前記機械学習モデルは、回帰モデル、または、識別モデルを含む
(1)ないし(5)のいずれか1つに記載の情報処理システム。
(7)
前記複数の機械学習モデルを更に備えた
(1)ないし(6)のいずれか1つに記載の情報処理システム。
(8)
各前記機械学習モデルは、所定の前記覚醒度ベースラインにおいて得られた特徴量の正規化情報もしくは標準化情報と、覚醒度情報とを用いて生成されたモデルである
(7)に記載の情報処理システム。
(9)
前記入力情報の生成に用いられる前記生体情報を取得する前に前記センサから取得した前記対象生体の生体情報に基づいて特徴量を取得する取得部と、
前記取得部で取得した前記特徴量と、前記複数の機械学習モデルにおける一の前記機械学習モデルである第1の機械学習モデルの学習の際に用いた前記特徴量とに基づいて、前記第1の機械学習モデルの正規化係数もしくは標準化係数を変換する変換部と
を更に備え、
前記入力情報生成部は、前記変換部で得られた、前記第1の機械学習モデルの正規化係数もしくは標準化係数を用いて、前記第1の機械学習モデルに対する前記入力情報を生成する
(8)に記載の情報処理システム。
(10)
前記変換部は、前記複数の機械学習モデルにおける一の前記機械学習モデルである第1の機械学習モデルの学習の際に用いた前記特徴量から、前記取得部で取得した前記特徴量への写像を行う第1の変換ゲインを導出し、導出した前記第1の変換ゲインを用いて、前記第1の機械学習モデルの正規化係数もしくは標準化係数を変換する
(9)に記載の情報処理システム。
(11)
前記変換部は、第1の機械学習モデルの学習の際に用いた前記特徴量と、前記複数の機械学習モデルにおける、前記第1の機械学習モデルとは異なる第2の機械学習モデルの学習の際に用いた前記特徴量との相関関係を記述した第2の変換ゲインと、前記第1の変換ゲインとを用いて、前記第2の機械学習モデルの正規化係数もしくは標準化係数を変換し、
前記入力情報生成部は、前記変換部で得られた、前記第2の機械学習モデルの正規化係数もしくは標準化係数を用いて、前記第2の機械学習モデルに対する前記入力情報を生成する
(10)記載の情報処理システム。
(12)
前記対象生体の生体情報もしくは動作情報を取得する情報取得部を更に備え、
前記変換部は、前記情報取得部で取得した、前記対象生体の前記生体情報もしくは前記行動情報に基づいて、前記複数の機械学習モデルの中から、前記第1の機械学習モデルを選択する
(1)ないし(11)のいずれか1つに記載の情報処理システム。
(1)
センサを用いて取得された対象生体の生体情報に対して所定の前処理を行うことにより、複数の機械学習モデルの各々に対する入力情報を生成する入力情報生成部と、
前記機械学習モデルごとに生成された複数の前記入力情報を、対応する前記学習モデルに入力することにより各前記学習モデルから得られた推定結果に基づいて、前記対象生体の覚醒度を判定する判定部と
を備えた
情報処理システム。
(2)
前記複数の機械学習モデルでは、覚醒度ベースラインが互いに異なる
(1)に記載の情報処理システム。
(3)
前記複数の機械学習モデルは、覚醒度レベルの互いに異なる環境下で取得されたデータをそれぞれ用いて生成された
(1)または(2)に記載の情報処理システム。
(4)
前記入力情報生成部は、前記対象生体の動作状態に応じて、前記前処理の条件を最適化する
(1)ないし(3)のいずれか1つに記載の情報処理システム。
(5)
前記前処理は、正規化もしくは標準化である
(1)ないし(4)のいずれか1つに記載の情報処理システム。
(6)
前記機械学習モデルは、回帰モデル、または、識別モデルを含む
(1)ないし(5)のいずれか1つに記載の情報処理システム。
(7)
前記複数の機械学習モデルを更に備えた
(1)ないし(6)のいずれか1つに記載の情報処理システム。
(8)
各前記機械学習モデルは、所定の前記覚醒度ベースラインにおいて得られた特徴量の正規化情報もしくは標準化情報と、覚醒度情報とを用いて生成されたモデルである
(7)に記載の情報処理システム。
(9)
前記入力情報の生成に用いられる前記生体情報を取得する前に前記センサから取得した前記対象生体の生体情報に基づいて特徴量を取得する取得部と、
前記取得部で取得した前記特徴量と、前記複数の機械学習モデルにおける一の前記機械学習モデルである第1の機械学習モデルの学習の際に用いた前記特徴量とに基づいて、前記第1の機械学習モデルの正規化係数もしくは標準化係数を変換する変換部と
を更に備え、
前記入力情報生成部は、前記変換部で得られた、前記第1の機械学習モデルの正規化係数もしくは標準化係数を用いて、前記第1の機械学習モデルに対する前記入力情報を生成する
(8)に記載の情報処理システム。
(10)
前記変換部は、前記複数の機械学習モデルにおける一の前記機械学習モデルである第1の機械学習モデルの学習の際に用いた前記特徴量から、前記取得部で取得した前記特徴量への写像を行う第1の変換ゲインを導出し、導出した前記第1の変換ゲインを用いて、前記第1の機械学習モデルの正規化係数もしくは標準化係数を変換する
(9)に記載の情報処理システム。
(11)
前記変換部は、第1の機械学習モデルの学習の際に用いた前記特徴量と、前記複数の機械学習モデルにおける、前記第1の機械学習モデルとは異なる第2の機械学習モデルの学習の際に用いた前記特徴量との相関関係を記述した第2の変換ゲインと、前記第1の変換ゲインとを用いて、前記第2の機械学習モデルの正規化係数もしくは標準化係数を変換し、
前記入力情報生成部は、前記変換部で得られた、前記第2の機械学習モデルの正規化係数もしくは標準化係数を用いて、前記第2の機械学習モデルに対する前記入力情報を生成する
(10)記載の情報処理システム。
(12)
前記対象生体の生体情報もしくは動作情報を取得する情報取得部を更に備え、
前記変換部は、前記情報取得部で取得した、前記対象生体の前記生体情報もしくは前記行動情報に基づいて、前記複数の機械学習モデルの中から、前記第1の機械学習モデルを選択する
(1)ないし(11)のいずれか1つに記載の情報処理システム。
本開示の一側面に係る情報処理システムでは、センサを用いて取得された対象生体の生体情報に対応する入力情報が、複数の機械学習モデルの各々に対して生成される。これにより、各機械学習モデルにおける各種パラメータのレンジを考慮した入力情報が生成され得る。この情報処理システムでは、機械学習モデルごとに生成された複数の入力情報が、対応する機械学習モデルに入力され、それによって各機械学習モデルから得られた推定結果に基づいて、対象生体の覚醒度が判定される。これにより、例えば、各機械学習モデルからは、各機械学習モデルの覚醒度ベースラインと、ユーザの覚醒度ベースラインとの相違の内容・程度に応じた推定結果を取得することが可能となる。従って、モデル学習時に想定される覚醒度ベースラインが、ユーザの覚醒度ベースラインと一致していない場合であっても、対象生体の覚醒度を精度よく判定することが可能である。
1…情報処理システム、10…センサ部、20,60…アプリ規範取得部、21…正規化情報取得部、22…正規化係数変換部、30,31,32,33…正規化部、31A,32A,33A,81A,82A,83A…覚醒度情報、40,80…情動推定部、41,42,43,81,82,83…基準モデル、50…判定部、61…標準化情報取得部、62…標準化係数変換部、70,71,72,73…標準化部、90…選択情報取得部。
Claims (12)
- センサを用いて取得された対象生体の生体情報に対して所定の前処理を行うことにより、複数の機械学習モデルの各々に対する入力情報を生成する入力情報生成部と、
前記機械学習モデルごとに生成された複数の前記入力情報を、対応する前記学習モデルに入力することにより各前記学習モデルから得られた推定結果に基づいて、前記対象生体の覚醒度を判定する判定部と
を備えた
情報処理システム。 - 前記複数の機械学習モデルでは、覚醒度ベースラインが互いに異なる
請求項1記載の情報処理システム。 - 前記複数の機械学習モデルは、覚醒度レベルの互いに異なる環境下で取得されたデータをそれぞれ用いて生成された
請求項1記載の情報処理システム。 - 前記入力情報生成部は、前記対象生体の動作状態に応じて、前記前処理の条件を最適化する
請求項1記載の情報処理システム。 - 前記前処理は、正規化もしくは標準化である
請求項1記載の情報処理システム。 - 前記機械学習モデルは、回帰モデル、または、識別モデルを含む
請求項1記載の情報処理システム。 - 前記複数の機械学習モデルを更に備えた
請求項5記載の情報処理システム。 - 各前記機械学習モデルは、所定の覚醒度ベースラインにおいて得られた特徴量の正規化情報もしくは標準化情報と、覚醒度情報とを用いて生成されたモデルである
請求項7記載の情報処理システム。 - 前記入力情報の生成に用いられる前記生体情報を取得する前に前記センサから取得した前記対象生体の生体情報に基づいて特徴量を取得する取得部と、
前記取得部で取得した前記特徴量と、前記複数の機械学習モデルにおける一の前記機械学習モデルである第1の機械学習モデルの学習の際に用いた前記特徴量とに基づいて、前記第1の機械学習モデルの正規化係数もしくは標準化係数を変換する変換部と
を更に備え、
前記入力情報生成部は、前記変換部で得られた、前記第1の機械学習モデルの正規化係数もしくは標準化係数を用いて、前記第1の機械学習モデルに対する前記入力情報を生成する
請求項8記載の情報処理システム。 - 前記変換部は、前記複数の機械学習モデルにおける一の前記機械学習モデルである第1の機械学習モデルの学習の際に用いた前記特徴量から、前記取得部で取得した前記特徴量への写像を行う第1の変換ゲインを導出し、導出した前記第1の変換ゲインを用いて、前記第1の機械学習モデルの正規化係数もしくは標準化係数を変換する
請求項9記載の情報処理システム。 - 前記変換部は、第1の機械学習モデルの学習の際に用いた前記特徴量と、前記複数の機械学習モデルにおける、前記第1の機械学習モデルとは異なる第2の機械学習モデルの学習の際に用いた前記特徴量との相関関係を記述した第2の変換ゲインと、前記第1の変換ゲインとを用いて、前記第2の機械学習モデルの正規化係数もしくは標準化係数を変換し、
前記入力情報生成部は、前記変換部で得られた、前記第2の機械学習モデルの正規化係数もしくは標準化係数を用いて、前記第2の機械学習モデルに対する前記入力情報を生成する
請求項10記載の情報処理システム。 - 前記対象生体の生体情報もしくは動作情報を取得する情報取得部を更に備え、
前記変換部は、前記情報取得部で取得した、前記対象生体の前記生体情報もしくは前記行動情報に基づいて、前記複数の機械学習モデルの中から、前記第1の機械学習モデルを選択する
請求項1に記載の情報処理システム。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021065169A JP2022160769A (ja) | 2021-04-07 | 2021-04-07 | 情報処理システム |
PCT/JP2022/002932 WO2022215322A1 (ja) | 2021-04-07 | 2022-01-26 | 情報処理システム |
US18/551,681 US20240164676A1 (en) | 2021-04-07 | 2022-01-26 | Information processing system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021065169A JP2022160769A (ja) | 2021-04-07 | 2021-04-07 | 情報処理システム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022160769A true JP2022160769A (ja) | 2022-10-20 |
Family
ID=83546280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021065169A Pending JP2022160769A (ja) | 2021-04-07 | 2021-04-07 | 情報処理システム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240164676A1 (ja) |
JP (1) | JP2022160769A (ja) |
WO (1) | WO2022215322A1 (ja) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5045492B2 (ja) * | 2008-02-27 | 2012-10-10 | トヨタ自動車株式会社 | 覚醒度推定装置 |
JP5241598B2 (ja) * | 2009-05-14 | 2013-07-17 | パナソニック株式会社 | 心理状態評価装置 |
JP6291922B2 (ja) * | 2014-03-11 | 2018-03-14 | アイシン精機株式会社 | 睡眠深度判定装置 |
WO2018179292A1 (ja) * | 2017-03-30 | 2018-10-04 | 日本電気株式会社 | 情報処理装置と方法とプログラム |
JP7067389B2 (ja) * | 2018-09-24 | 2022-05-16 | トヨタ自動車株式会社 | 生体状態推定装置 |
JP7205433B2 (ja) * | 2019-09-24 | 2023-01-17 | カシオ計算機株式会社 | 状態推定装置、状態推定方法及びプログラム |
-
2021
- 2021-04-07 JP JP2021065169A patent/JP2022160769A/ja active Pending
-
2022
- 2022-01-26 US US18/551,681 patent/US20240164676A1/en active Pending
- 2022-01-26 WO PCT/JP2022/002932 patent/WO2022215322A1/ja active Application Filing
Also Published As
Publication number | Publication date |
---|---|
US20240164676A1 (en) | 2024-05-23 |
WO2022215322A1 (ja) | 2022-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kaur et al. | Age and gender classification using brain–computer interface | |
US11562222B2 (en) | Systems and methods of identity analysis of electrocardiograms | |
Shan et al. | Supervised machine learning of thermal comfort under different indoor temperatures using EEG measurements | |
Kolodyazhniy et al. | An affective computing approach to physiological emotion specificity: Toward subject‐independent and stimulus‐independent classification of film‐induced emotions | |
Ali et al. | A globally generalized emotion recognition system involving different physiological signals | |
US20100153470A1 (en) | Identifying and Generating Biometric Cohorts Based on Biometric Sensor Input | |
Krupa et al. | Recognition of emotions in autistic children using physiological signals | |
WO2007030869A1 (en) | Method and system for detecting and classifying mental states | |
KR20030034424A (ko) | 생리신호를 이용한 감성평가시스템 및 그 방법 | |
CN101331490A (zh) | 心理状态的检测和使用心理状态的互动 | |
van den Broek et al. | Unobtrusive sensing of emotions (USE) | |
US7363226B2 (en) | Psychosomatic diagnosis system | |
JP2023089729A (ja) | 計算機システム及び情動推定方法 | |
JP7466914B2 (ja) | 健康度ポジショニングマップおよび健康関数を作成する方法、システム、およびプログラム、ならびにそれらの使用方法 | |
WO2022215322A1 (ja) | 情報処理システム | |
JP7408132B2 (ja) | 認知症判定プログラム及び認知症判定装置 | |
JP5911840B2 (ja) | 診断データ生成装置および診断装置 | |
CN115034266A (zh) | 一种采集脑电信号去噪方法、系统、装置及介质 | |
Yahyaei | Fast EEG based biometrics via mean curve length | |
EP4250311A1 (en) | Ultrasound system with customization unit | |
JP2008306586A (ja) | 情況推定方法、情況推定プログラム及びネットワークシステム | |
JP7408103B2 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
Tavakkoli et al. | A spherical phase space partitioning based symbolic time series analysis (SPSP—STSA) for emotion recognition using EEG signals | |
WO2023053324A1 (ja) | 情報処理装置、生体情報推定装置、情報処理方法、及び、記録媒体 | |
JP7454163B2 (ja) | 対象の脳波の強度を推定するシステム、方法、およびプログラム |