JP6562121B1 - 学習用データ生成プログラムおよび学習用データ生成方法 - Google Patents
学習用データ生成プログラムおよび学習用データ生成方法 Download PDFInfo
- Publication number
- JP6562121B1 JP6562121B1 JP2018109392A JP2018109392A JP6562121B1 JP 6562121 B1 JP6562121 B1 JP 6562121B1 JP 2018109392 A JP2018109392 A JP 2018109392A JP 2018109392 A JP2018109392 A JP 2018109392A JP 6562121 B1 JP6562121 B1 JP 6562121B1
- Authority
- JP
- Japan
- Prior art keywords
- tensor
- learning
- data
- learning data
- attendance
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 37
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000013135 deep learning Methods 0.000 claims description 10
- 230000006866 deterioration Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 28
- 239000011159 matrix material Substances 0.000 description 24
- 230000008569 process Effects 0.000 description 17
- 238000000354 decomposition reaction Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 101100100125 Mus musculus Traip gene Proteins 0.000 description 10
- 238000004891 communication Methods 0.000 description 10
- 238000000605 extraction Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 208000020016 psychiatric disease Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009223 counseling Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000005195 poor health Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06N3/045—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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
近年、従業員の体調管理などは、企業にとっても取り組むべき重要な事項に位置づけられており、従業員の出勤簿データから、数か月先のメンタル不調を予測し、カウンセリング等の対応を早期に実施することが行われている。一般的には、専任スタッフが、膨大な人数の従業員の出勤簿データを閲覧し、頻繁な出張、長時間残業、連続する欠勤、無断欠勤、これらの組合せなどの特徴的なパターンの勤務状態に該当する従業員を目視で探している。このような特徴的なパターンは、各専任スタッフにより基準が異なることもあり、明確に定義することが難しい。
図6は、実施例1にかかる学習装置100の機能構成を示す機能ブロック図である。図6に示すように、学習装置100は、通信部101、記憶部102、制御部110を有する。
図12は、学習時の処理の流れを示すフローチャートである。図12に示すように、学習データ生成部111は、出勤簿データを出勤簿データDB103から読み込み(S101)、学習対象の従業員1人を選択する(S102)。
図13は、予測時の処理の流れを示すフローチャートである。なお、予測対象の出勤簿データについても、学習時と同様、期間6か月分を入力とし、その後3か月以内に療養する/しないを予測する。図13に示すように、予測部116は、予測対象DB107から出勤簿データを読み込み(S201)、予測対象の従業員1人を選択する(S202)。
上述したように、学習装置100は、ディープテンソルの「予測に寄与するグラフの部分構造(テンソルの部分パターン)をコアテンソルとして抽出することができる」という性質を利用し、少ない学習データ量でも精度良く予測が可能である。特に、既往者の療養明け期間のテンソルデータの重みを変えることにより、新規に療養に入る前の乱れた出勤状況と既往者の乱れた出勤状況が、出勤簿データ上、部分的に同じ出勤パターンを示していても、異なる状況として適切に学習することができるため、新規療養者予測の精度向上ができる。
上述した学習処理は、任意の回数だけ実行することもできる。例えば、すべての学習データを用いて実行することもでき、所定回数だけ実行することもできる。また、分類誤差の算出方法は、最小二乗法など公知の算出手法を採用することができ、NNで用いられる一般的な算出手法を採用することもできる。なお、学習データや出勤簿データは、外部の装置から取得することもできる。
実施例では、療養明けのテンソルに重みとして0を設定する例を説明したが、これに限定されるものではない。例えば、療養前期間に重み(1)、療養明けから1年以内は重み(0)、その後は重み(0.5)などのように、複数の重みを設定することもできる。また、療養明けのテンソルに重みとして0を設定し、療養明けから2年後は重みを(0)から元の重み(1)に戻すこともできる。また、学習対象のテンソルは、該当期間の前後に応じて、重みを変更することもできる。例えば、所定条件に該当する該当期間の前の期間の重みを該当期間の後ろの期間の重みよりも重くすることもできる。また、重みの数値は一例であり、療養前期間のデータの重要度を高く、復職後期間のデータの重要度を低くすることができれば、他の値を用いることもできる。なお、所定条件によっては、所定条件に該当する該当期間の前の期間の重みを該当期間の後ろの期間の重みよりもこともできる。
実施例1では、過去に療養経験のある既往者のテンソルデータの重みを変更する例を説明したが、これに限定されるものではない。たとえば、育児や介護をしている従業員など、本人の体調不良には起因しない勤務の乱れがあるような従業員のデータも、新規療養予測のノイズとなりうるため、これらの従業員を対象とするなど、テンソルデータの重みを変更する条件は、任意に変更できる。
上記実施例では、出勤簿データを学習して療養する可能性がある従業員を予測する例で説明したが、これに限定されるものではない。例えば、電子部品の動作データを用いた故障予測、通信データを用いた攻撃予測、道路の交通量データを用いた渋滞予測などにも適用することができる。
本実施例では、RNN(Recurrent Neural Networks)やCNN(Convolutional Neural Network)など様々なニューラルネットワークを用いることができる。また、学習の手法も、誤差逆伝播以外にも公知の様々な手法を採用することができる。また、ニューラルネットワークは、例えば入力層、中間層(隠れ層)、出力層から構成される多段構成であり、各層は複数のノードがエッジで結ばれる構造を有する。各層は、「活性化関数」と呼ばれる関数を持ち、エッジは「重み」を持ち、各ノードの値は、前の層のノードの値、接続エッジの重みの値(重み係数)、層が持つ活性化関数から計算される。なお、計算方法については、公知の様々な手法を採用できる。
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。また、実施例で説明した具体例、分布、数値などは、あくまで一例であり、任意に変更することができる。
図16は、ハードウェア構成例を説明する図である。図16に示すように、学習装置100は、通信装置100a、HDD(Hard Disk Drive)100b、メモリ100c、プロセッサ100dを有する。また、図16に示した各部は、バス等で相互に接続される。
101 通信部
102 記憶部
103 出勤簿データDB
104 学習データDB
105 テンソルDB
106 学習結果DB
107 予測対象DB
110 制御部
111 学習データ生成部
112 既往者判定部
113 重み設定部
114 テンソル生成部
115 学習部
116 予測部
Claims (2)
- コンピュータに、
対象毎に、予め設定された期間の対象者の特徴を多次元で示す複数の要素から成るテンソルの生成元となる、過去に療養期間を含む既往者の出勤簿データおよび前記既往者以外の前記対象者である通常者の出勤簿データを含む複数の学習データを入力し、
入力された学習データが前記既往者に該当するか否かを判定し、
前記入力された学習データが前記既往者に該当しない場合、当該学習データから生成されるテンソルを用いて、ニューラルネットワークの深層学習を実行し、
前記入力された学習データが前記既往者に該当する場合、当該学習データから生成されるテンソルにおける前記学習データに含まれる前記療養期間よりも後のテンソル部分に、他のテンソルよりも重要度を下げるための重みを設定し、重みが設定されたテンソルを用いて、前記ニューラルネットワークの深層学習を実行する、
処理を実行させる学習用データ生成プログラム。 - コンピュータが、
対象毎に、予め設定された期間の対象者の特徴を多次元で示す複数の要素から成るテンソルの生成元となる、過去に療養期間を含む既往者の出勤簿データおよび前記既往者以外の前記対象者である通常者の出勤簿データを含む複数の学習データを入力し、
入力された学習データが前記既往者に該当するか否かを判定し、
前記入力された学習データが前記既往者に該当しない場合、当該学習データから生成されるテンソルを用いて、ニューラルネットワークの深層学習を実行し、
前記入力された学習データが前記既往者に該当する場合、当該学習データから生成されるテンソルにおける前記学習データに含まれる前記療養期間よりも後のテンソル部分に、他のテンソルよりも重要度を下げるための重みを設定し、重みが設定されたテンソルを用いて、前記ニューラルネットワークの深層学習を実行する、
処理を実行する学習用データ生成方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018109392A JP6562121B1 (ja) | 2018-06-07 | 2018-06-07 | 学習用データ生成プログラムおよび学習用データ生成方法 |
US16/422,481 US11829867B2 (en) | 2018-06-07 | 2019-05-24 | Computer-readable recording medium and learning data generation method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018109392A JP6562121B1 (ja) | 2018-06-07 | 2018-06-07 | 学習用データ生成プログラムおよび学習用データ生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6562121B1 true JP6562121B1 (ja) | 2019-08-21 |
JP2019212155A JP2019212155A (ja) | 2019-12-12 |
Family
ID=67690495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018109392A Active JP6562121B1 (ja) | 2018-06-07 | 2018-06-07 | 学習用データ生成プログラムおよび学習用データ生成方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11829867B2 (ja) |
JP (1) | JP6562121B1 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021068163A (ja) * | 2019-10-23 | 2021-04-30 | 富士通株式会社 | 予測プログラム、予測方法及び予測装置 |
JPWO2021131754A1 (ja) * | 2019-12-24 | 2021-07-01 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11037330B2 (en) * | 2017-04-08 | 2021-06-15 | Intel Corporation | Low rank matrix compression |
JP2021096511A (ja) * | 2019-12-13 | 2021-06-24 | 富士通株式会社 | 学習データ生成方法、学習データ生成プログラムおよび情報処理装置 |
US20210192314A1 (en) * | 2019-12-18 | 2021-06-24 | Nvidia Corporation | Api for recurrent neural networks |
JP7409080B2 (ja) * | 2019-12-27 | 2024-01-09 | 富士通株式会社 | 学習データ生成方法、学習データ生成プログラムおよび情報処理装置 |
JP7392537B2 (ja) * | 2020-03-19 | 2023-12-06 | 富士通株式会社 | 学習プログラム、学習方法、および情報処理装置 |
US20220309361A1 (en) * | 2021-03-25 | 2022-09-29 | Capital One Services, Llc | Automated program access configuration based on interaction and timing data |
CN117196560B (zh) * | 2023-11-07 | 2024-02-13 | 深圳市慧云智跑网络科技有限公司 | 一种基于物联网的打卡设备数据采集方法及系统 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3469677B2 (ja) | 1995-05-31 | 2003-11-25 | 三洋電機株式会社 | 文字認識装置およびその学習方法 |
IL120136A0 (en) * | 1997-02-03 | 1997-06-10 | Yissum Res Dev Co | Synthesizing virtual two dimensional images of three dimensional space from a collection of real two dimensional images |
US20040030584A1 (en) * | 2002-08-12 | 2004-02-12 | Harris Jeffrey Saul | System and method for guideline-based, rules assisted medical and disability management |
US8560582B2 (en) * | 2002-08-12 | 2013-10-15 | Jeffrey Saul Harris | Method for analyzing records in a data base |
JP4499503B2 (ja) * | 2004-08-10 | 2010-07-07 | 株式会社エヌ・ティ・ティ・データ | 発症リスク算出システム及びプログラム |
US8818919B2 (en) * | 2011-08-05 | 2014-08-26 | International Business Machines Corporation | Multiple imputation of missing data in multi-dimensional retail sales data sets via tensor factorization |
US9645212B2 (en) * | 2014-10-21 | 2017-05-09 | The Regents Of The University Of California | Fiber tractography using entropy spectrum pathways |
CN107851295B (zh) * | 2015-07-16 | 2022-02-25 | 日本电气株式会社 | 数据分析设备、数据分析方法和存储数据分析程序的存储介质 |
JP2017204214A (ja) * | 2016-05-13 | 2017-11-16 | 株式会社リコー | 情報処理装置及びプログラム |
EP3579747A1 (en) * | 2017-02-10 | 2019-12-18 | Mynd Analytics, Inc. | Qeeg/genomic analysis for predicting therapeutic outcome of psychiatric disorders |
US11640526B2 (en) * | 2017-05-23 | 2023-05-02 | Intel Corporation | Methods and apparatus for enhancing a neural network using binary tensor and scale factor pairs |
US20190096525A1 (en) * | 2017-09-26 | 2019-03-28 | Owned Outcomes Inc. | Patient data management system |
US11147459B2 (en) * | 2018-01-05 | 2021-10-19 | CareBand Inc. | Wearable electronic device and system for tracking location and identifying changes in salient indicators of patient health |
-
2018
- 2018-06-07 JP JP2018109392A patent/JP6562121B1/ja active Active
-
2019
- 2019-05-24 US US16/422,481 patent/US11829867B2/en active Active
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021068163A (ja) * | 2019-10-23 | 2021-04-30 | 富士通株式会社 | 予測プログラム、予測方法及び予測装置 |
JP7451935B2 (ja) | 2019-10-23 | 2024-03-19 | 富士通株式会社 | 予測プログラム、予測方法及び予測装置 |
JPWO2021131754A1 (ja) * | 2019-12-24 | 2021-07-01 | ||
JP7377893B2 (ja) | 2019-12-24 | 2023-11-10 | 京セラ株式会社 | 通信機器及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
US20190378011A1 (en) | 2019-12-12 |
US11829867B2 (en) | 2023-11-28 |
JP2019212155A (ja) | 2019-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6562121B1 (ja) | 学習用データ生成プログラムおよび学習用データ生成方法 | |
JP6481794B1 (ja) | 学習用データ生成方法、学習用データ生成プログラム | |
JP2019191783A (ja) | 機械学習プログラム、機械学習方法および機械学習装置 | |
JP2019191777A (ja) | 機械学習プログラム、機械学習方法および機械学習装置 | |
US11347972B2 (en) | Training data generation method and information processing apparatus | |
Perelman et al. | An adaptive heuristic cross-entropy algorithm for optimal design of water distribution systems | |
JP7063079B2 (ja) | 機械学習プログラム、機械学習方法および機械学習装置 | |
De la Sen et al. | On an Sir Epidemic Model for the COVID‐19 Pandemic and the Logistic Equation | |
Rubinstein et al. | How to deal with the curse of dimensionality of likelihood ratios in Monte Carlo simulation | |
JP6832329B2 (ja) | データ構造 | |
JP7067236B2 (ja) | 機械学習用データ生成方法および機械学習用データ生成プログラム | |
Burghardt et al. | Unequal impact and spatial aggregation distort COVID-19 growth rates | |
JP2020047079A (ja) | 学習プログラム、学習方法および学習装置 | |
Das et al. | Functional regression-based monitoring of quality of service in hospital emergency departments | |
JP6843109B2 (ja) | 医療用のデータ構造 | |
Ayhar et al. | On the asymptotic properties of some kernel estimators for continuous-time semi-Markov processes | |
JP7451935B2 (ja) | 予測プログラム、予測方法及び予測装置 | |
Schoenberg et al. | Analytic computation of nonparametric Marsan–Lengliné estimates for Hawkes point processes | |
Song et al. | An ordinal optimization based evolution strategy to schedule complex make-to-order products | |
JP2021096511A (ja) | 学習データ生成方法、学習データ生成プログラムおよび情報処理装置 | |
JP2019057029A (ja) | 選択装置、選択方法、選択プログラム、モデルおよび学習データ | |
JP2018156332A (ja) | 生成装置、生成方法および生成プログラム | |
Mahdipour et al. | Performance evaluation of an importance sampling technique in a Jackson network | |
Liu et al. | On estimation of covariance function for functional data with detection limits | |
Treibert et al. | An Unsupervised Physics-Informed Neural Network to Model COVID-19 Infection and Hospitalization Scenarios |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180706 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20180720 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20180724 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20180911 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20181112 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20190129 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190411 |
|
C60 | Trial request (containing other claim documents, opposition documents) |
Free format text: JAPANESE INTERMEDIATE CODE: C60 Effective date: 20190411 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20190422 |
|
C21 | Notice of transfer of a case for reconsideration by examiners before appeal proceedings |
Free format text: JAPANESE INTERMEDIATE CODE: C21 Effective date: 20190423 |
|
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: 20190625 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190708 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6562121 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |