JP6775792B1 - 生体の計測値を予測するプログラム、装置及び方法 - Google Patents

生体の計測値を予測するプログラム、装置及び方法 Download PDF

Info

Publication number
JP6775792B1
JP6775792B1 JP2020119405A JP2020119405A JP6775792B1 JP 6775792 B1 JP6775792 B1 JP 6775792B1 JP 2020119405 A JP2020119405 A JP 2020119405A JP 2020119405 A JP2020119405 A JP 2020119405A JP 6775792 B1 JP6775792 B1 JP 6775792B1
Authority
JP
Japan
Prior art keywords
time point
measured value
time
measured values
learning engine
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
Application number
JP2020119405A
Other languages
English (en)
Other versions
JP2022016114A (ja
Inventor
裕樹 有光
裕樹 有光
茂和 大黒
茂和 大黒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Orbisbrain
Original Assignee
Orbisbrain
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Orbisbrain filed Critical Orbisbrain
Priority to JP2020119405A priority Critical patent/JP6775792B1/ja
Application granted granted Critical
Publication of JP6775792B1 publication Critical patent/JP6775792B1/ja
Publication of JP2022016114A publication Critical patent/JP2022016114A/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

【課題】生体の計測値を教師データとして学習し、現在時点の計測値から予測時点の計測値を予測するプログラム等を提供する。【解決手段】生体における現在時点の計測値から、予測時点の計測値を予測する。教師データは、複数生体について、第１時点及び当該第１時点の計測値と、第２時点及び当該第２時点の計測値とが対応付けられたものである。プログラムは、教師データ毎に、第１時点及び当該第１時点の計測値と、第２時点とを入力し、当該第２時点の計測値を出力するように学習モデルを構築した生体学習エンジンとして機能させる。生体学習エンジンは、予測対象の生体について、現在時点及び当該現在時点の計測値と、予測時点とを入力し、当該予測時点の計測値を出力する。生体は、例えば人体であり、過去時点、現在時点、未来時点及び予測時点は、当該人体の年齢である。【選択図】図２

Description

本発明は、機械学習エンジンを用いて、生体の計測値を予測する技術に関する。
人体の形状データを検知可能な３次元ボディスキャナの技術がある（例えば非特許文献１参照）。この技術によれば、非接触の光学測量によって、人体の３次元モデルを計測する。３次元モデルは、約150万点と超高密度で計測される。
従来、ユーザ自らの行動によって、当該ユーザの生体情報の計測値における将来の変化を予測する技術がある（例えば特許文献１参照）。この技術によれば、複数ユーザの所定行動の種類や量に対する計測値の変化値を予め記憶している。その上で、推定対象となる当該ユーザの計測値について、所定行動をした場合の変化値と、所定行動をしなかった場合の変化値とを予測する。計測値としては、具体的には身長、胸囲、腹囲のような採寸値や、体重、血圧のような生体情報などがある。但し、この技術は、機械学習エンジンを用いたものではない。
特開２０１９−０７９３９１号公報 特許６４２４３０９号公報
「smart&try」、株式会社ワコール、[online]、［令和２年７月１０日検索］、インターネット＜URL:https://www.wacoal.jp/smart_try/＞ 「人間工学」、[online]、［令和２年７月１０日検索］、インターネット＜URL:https://www.cc.miyazaki-u.ac.jp/mitarai/room707/ergo002.html＞
特許文献１に記載の技術に対して、例えば機械学習エンジンを用いて、ユーザの生体情報の計測値における将来の変化を予測することも想定できる。人間の生体情報は経年変化するために、時系列データとして扱われる。時系列データに対しては、一般的に、再帰型ニューラルネットワーク（ＲＮＮ(Recurrent Neural Network)）や、時系列ＣＮＮ(Convolutional Neural Network)のような機械学習エンジンが用いられる。これによって、当該ユーザの過去の計測値を時系列順に入力することによって、未来の計測値を推定することができる。
図１は、時系列の生体情報を、再帰型ニューラルネットワークの学習エンジンに適用した説明図である。
教師データとして、多数の人体について、人体毎に年齢及び計測値を用意する。また、各人体について、所定期間間隔で複数の年齢（時点）の計測値が記録されている。具体的には、例えば複数の人体について、３０歳、３５歳、４０歳、４５歳、５０歳の計測値が記録されている。
図１によれば、学習段階では、人体毎に、年齢の計測値を時系列順に、再帰型ニューラルネットワークへ入力して学習していく。これを、多数の人体について入力していくことによって、学習モデルを構築していく。
また、推定段階では、対象人体（ユーザｘ）について、過去の年齢に計測された計測値を時系列順に、再帰型ニューラルネットワークへ入力する。再帰型ニューラルネットワークは、過去の年齢に計測された計測値における時系列の変化によって、未来の年齢における計測値の変化を推定することができる。
しかしながら、教師データとして、多数の人体の計測値を、所定期間間隔で時系列に記録することは極めて難しい。例えば１８歳から８０歳までの計測値を、６２年間かけて記録することは現実的にできない。
前述した再帰型ニューラルネットワークは、本来、例えば株価予測のように所定期間間隔で確実に記録される時系列データに適する。そのために、人体のように、所定期間間隔で確実に計測できない生体の計測値のような時系列データは、再帰型ニューラルネットワークに対する教師データとしては適さない。また、現在高年齢のユーザについて、過去若年齢のときの計測値を知ることもできない。即ち、人体の計測値について、再帰型ニューラルネットワークに適した教師データを用意することは極めて難しい。
これに対し、本願の発明者らは、同一人体であっても、少なくとも２つの時点の計測値を取得することは可能である、と考えた。勿論、教師データとして、少なくとも異なる年齢で計測された計測値を、多数の人体で用意することは可能となる。そのような教師データを用いて、予測時点の計測値を予測可能な機械学習エンジンを構成することはできないか、と考えた。
また、本願の発明者らは、対象ユーザについて、現在年齢の計測値から予測年齢の計測値を統計的に推定することできれば、その予測年齢の計測値から人体の３次元モデルを再生することができないか、と考えた。それができれば、対象ユーザにとっては、現在年齢の自らの体型が、予測年齢ではどのような体型に変化しているかを、推定された３次元モデルを見ることによって、強く認識できるのではないか、と考えた。
そこで、本発明によれば、生体の計測値を教師データとして学習し、現在時点の計測値から予測時点の計測値を予測するプログラム、装置及び方法を提供することを目的とする。
本発明によれば、生体における基準時点の計測値から、予測時点の計測値を予測する装置に搭載されたコンピュータを機能させるプログラムであって、
教師データは、複数生体について、第１時点及び当該第１時点の計測値と、第２時点及び当該第２時点の計測値とが対応付けられたものであり、
学習段階として、教師データ毎に、第１時点及び当該第１時点の計測値と、第２時点とを入力し、当該第２時点の計測値を出力するように学習モデルを構築した生体学習エンジンとして機能させ、
推定段階として、生体学習エンジンは、予測対象の生体について、基準時点及び当該基準時点の計測値と、予測時点とを入力し、当該予測時点の計測値を出力する
ようにコンピュータを機能させることを特徴とする。
また、本発明のプログラムにおける他の実施形態によれば、
学習段階について、第２時点は、第１時点よりも未来の時点であり、
推定段階について、予測時点は、基準時点よりも未来の時点であるか、
又は、
学習段階について、第２時点は、第１時点よりも過去の時点であり、
推定段階について、予測時点は、基準時点よりも過去の時点である
ようにコンピュータを機能させることも好ましい。
本発明のプログラムにおける他の実施形態によれば、
生体は、人体であり、
第１時点、第２時点、基準時点及び予測時点は、当該人体の年齢である
ようにコンピュータを機能させることも好ましい。
本発明のプログラムにおける他の実施形態によれば、
計測値は、採寸値及び／又は体組成値からなる
ようにコンピュータを機能させることも好ましい。
本発明のプログラムにおける他の実施形態によれば、
生体学習エンジンは、多層パーセプトロン(Multilayer perceptron)である
ようにコンピュータを機能させることも好ましい。
本発明のプログラムにおける他の実施形態によれば、
教師データは、複数生体について、第１時点及び当該第１時点の計測値に３次元モデルを更に対応付け、第２時点及び当該第２時点の計測値に３次元モデルを更に対応付けたものであり、
各３次元モデルを入力し、次元圧縮された次元数ｍ（＞１）の成分変数を出力するように、統計学習モデルを構築した統計学習エンジンと、
各３次元モデルについて、次元数ｎ（＞１）の計測値と、次元数ｍの成分変数と関係を相互に学習するように、相関学習モデルを構築した相関学習エンジンと
してコンピュータを機能させることも好ましい。
本発明のプログラムにおける他の実施形態によれば、
生体学習エンジンから出力された予測時点の次元数ｎの計測値から、相関学習エンジンを用いて次元数ｍの成分変数を推定し、当該次元数ｍの成分変数から、統計学習エンジンを用いて３次元モデルを推定するデコーダと
してコンピュータを機能させることも好ましい。
本発明のプログラムにおける他の実施形態によれば、
予測対象のデータは、現在時点の３次元モデルからなり、
入力された現在時点の３次元モデルから、統計学習エンジンを用いて次元数ｍの成分変数を推定し、当該次元数ｍの成分変数から、相関学習エンジンを用いて次元数ｎの計測値を推定し、当該次元数ｎの計測値を生体学習エンジンに入力するエンコーダと
してコンピュータを機能させることも好ましい。
本発明のプログラムにおける他の実施形態によれば、
統計学習エンジンは、主成分分析(Principal Component Analysis)又はオートエンコーダ(AutoEncoder)に基づくものであり、
相関学習エンジンは、最小二乗法又は多層パーセプトロンに基づくものである
ようにコンピュータを機能させることも好ましい。
本発明によれば、生体における基準時点の計測値から、予測時点の計測値を予測する装置であって、
教師データは、複数生体について、第１時点及び当該第１時点の計測値と、第２時点及び当該第２時点の計測値とが対応付けられたものであり、
学習段階として、教師データ毎に、第１時点及び当該第１時点の計測値と、第２時点とを入力し、当該第２時点の計測値を出力するように学習モデルを構築した生体学習エンジンとして機能させ、
推定段階として、生体学習エンジンは、予測対象の生体について、基準時点及び当該基準時点の計測値と、予測時点とを入力し、当該予測時点の計測値を出力する
ことを特徴とする。
本発明によれば、生体における基準時点の計測値から、予測時点の計測値を予測する装置の予測方法であって、
教師データは、複数生体について、第１時点及び当該第１時点の計測値と、第２時点及び当該第２時点の計測値とが対応付けられたものであり、
装置は、
学習段階として、教師データ毎に、第１時点及び当該第１時点の計測値と、第２時点とを入力し、当該第２時点の計測値を出力するように学習モデルを構築し、
推定段階として、予測対象の生体について、基準時点及び当該基準時点の計測値と、予測時点とを入力し、当該予測時点の計測値を出力する
ように実行することを特徴とする。
本発明のプログラム、装置及び方法によれば、生体の計測値を教師データとして学習し、現在時点の計測値から予測時点の計測値を予測することができる。また、対象ユーザについて予測した計測値から、３次元モデルを生成することもできる。
時系列の生体情報を、再帰型ニューラルネットワークの学習エンジンに適用した説明図である。 本発明における生体学習エンジンの説明図である。 ３次元モデルから予測年齢の計測値を出力するエンコード側の機能構成図である。 予測年齢の計測値から３次元モデルを再生するデコード側の機能構成図である。 統計学習エンジン及び相関学習エンジンの学習段階を表す説明図である。 統計学習エンジンにおける３次元モデルのベクトル空間を表す説明図である。 統計学習エンジンにおける統計形状空間を表す説明図である。 統計学習エンジンにおける主成分分析を表す簡易なコードである。 計測値から導出した計測値空間を表す説明図である。 統計形状空間と計測値空間との線形変換を表す説明図である。 相関学習エンジンにおける統計形状空間と計測値空間との間の線形変換を表す簡易なコードである。
以下では、本発明の実施の形態について、図面を用いて詳細に説明する。
本発明によれば、以下の２つの実施形態に基づく。
＜第１の実施形態＞生体の計測値の予測
＜第２の実施形態＞予測された生体の計測値に基づく３次元モデルの再生
＜第１の実施形態＞生体の計測値の予測
本発明は、生体における現在時点の計測値から、予測時点の計測値を予測する。
本発明の実施形態によれば、以下のように定義する。
「生体」：経年変化する物体である。例えば「人体」であるとして説明する。
「時点」：経年に基づく時点である。例えば人体の場合、経年に基づく「年齢」であるとして説明する。
「現在時点」：必ずしも処理が実行される時点でなくてもよいが、説明変数となる計測値の基準時点を意味する。例えば対象ユーザの「現在年齢」であるとして説明する。
「予測時点」：目的変数となる計測値の時点を意味する。例えば対象ユーザが所望する「予測年齢」として説明する。
ここで、予測時点は、現在時点からみて未来時点であってもよいし、現在時点からみて過去時点であってもよい。尚、本発明の実施形態では、予測時点は、現在時点からみて未来時点であるとして説明する。
「計測値」：採寸値及び／又は体組成値
採寸値は、人体の場合、外観から計測可能な寸法を意味する。例えば身長、トップバスト（胸囲）、アンダーバスト、ウエスト（腹囲）、ヒップ（尻囲）などがある。ここで、採寸値は、例えばマルチン式人体計測法に基づくものであってもよい（例えば非特許文献２参照）。
体組成値は、人体の場合、体組成計や血液検査などの機器から計測可能な値を意味する。例えば生体情報のような、体重、体脂肪率、内臓脂肪レベル、皮下脂肪率、基礎代謝、骨格筋率、筋肉率、ＢＭＩ、活動量、歩数、血圧値、心拍（脈拍）数、体温、呼吸数、血液に関する指標値（血糖値、中性脂肪量、コレステロール量など）、消費カロリ、食事量、水分摂取量、排泄量、発汗量、肺活量、睡眠量などがある。
図２は、本発明における生体学習エンジンの説明図である。
図２によれば、学習エンジンとして、多層パーセプトロンを用いているが、勿論、他の深層学習エンジンであってもよい。
多層パーセプトロン(Multilayer perceptron)とは、順伝播型ニューラルネットワークであり、少なくとも入力層、隠れ層及び出力層の３つからなる。隠れ層及び出力層は、非線形活性化関数を使用するニューロンからなる。多層パーセプトロンは、誤差逆伝播法(backpropagation)と称される教師あり学習であり、非線形分類のデータも識別することができる。
生体学習エンジン１０は、多数の人体について過去時点の計測値と未来時点の計測値との関係を、教師データとして学習することによって、対象ユーザにおける現在時点及び当該現在時点の計測値と、予測時点とから、当該予測時点の計測値を予測する。
生体学習エンジン１０は、装置に搭載されたコンピュータを機能させるプログラムを実行することによって実現できる。また、これら処理の流れは、装置の予測方法としても理解できる。
＜教師データ＞
教師データは、多数の人体（生体）について、第１時点及び当該第１時点の計測値と、第２時点及び当該第２時点の計測値とが対応付けられたものである。
過去時点の計測値 <-> 未来時点の計測値
「過去時点」：過去に計測した時点（年齢）
「未来時点」：過去時点よりも未来に計測した時点（年齢）
即ち、人体毎に、少なくとも２つの時点の計測値が対応付けられていれば、教師データとして用いることができる。
例えば２人の人体について、３回と４回の計測記録があったとする。この場合、教師データとしては、以下のように過去時点の計測値と未来時点の計測値との関係に区分する。
（現在５２歳のユーザａ）３０歳、４０歳、５０歳と定期的に過去に３回計測
教師データａ１： ３０歳の計測値 <-> ４０歳の計測値
教師データａ２： ３０歳の計測値 <-> ５０歳の計測値
教師データａ３： ４０歳の計測値 <-> ５０歳の計測値
（現在３８歳のユーザｂ）２２歳、２５歳、２６歳、３８歳と不定期に過去に４回計測
教師データｂ１： ２２歳の計測値 <-> ２５歳の計測値
教師データｂ２： ２２歳の計測値 <-> ２６歳の計測値
教師データｂ３： ２２歳の計測値 <-> ３８歳の計測値
教師データｂ４： ２５歳の計測値 <-> ２６歳の計測値
教師データｂ５： ２５歳の計測値 <-> ３８歳の計測値
教師データｂ６： ２６歳の計測値 <-> ３８歳の計測値
このように３回計測のユーザａと、４回計測のユーザｂとが記録されている場合、９個の教師データとして表現できる。即ち、同一ユーザの中で、２つの計測時点間の総当たりを導出する。
本発明の特徴は、計測値が不定期に（異なる期間間隔で）計測されたものであっても、教師データとして用いることができる点にある。即ち、教師データとして、少なくとも２時点の計測値が取得されていればよく、時系列データとして連続している必要もない。
＜学習段階＞
生体学習エンジン１０は、教師データ毎に、第１時点及び当該第１時点の計測値と、第２時点とを入力し、当該第２時点の計測値を出力するように学習モデルを構築する。
（入力）第１時点・第１時点の計測値・第２時点
（出力） 第２時点の計測値
第１時点は、過去時点であり、第２時点は、未来時点であり、予測時点は、未来の予測時点であってもよい。この場合、生体学習エンジンは、過去時点から未来時点へ向かう計測値として学習する。
逆に、第１時点は、未来時点であり、第２時点は、過去時点であり、予測時点は、過去の予測時点であってもよい。この場合、生体学習エンジンは、未来時点から過去時点へ向かう計測値として学習する。
前述の教師データａ１〜ａ３、ｂ１〜ｂ６を、生体学習エンジンへの入出力によって学習モデルを構築する。
（現在５２歳のユーザａ）３０歳、４０歳、５０歳と定期的に過去に３回計測
教師データａ１：（入力）３０歳・３０歳の計測値・４０歳
（出力） ４０歳の計測値
教師データａ２：（入力）３０歳・３０歳の計測値・５０歳
（出力） ５０歳の計測値
教師データａ３：（入力）４０歳・４０歳の計測値・５０歳
（出力） ５０歳の計測値
（現在３８歳のユーザｂ）２２歳、２５歳、２６歳、３８歳と不定期に過去に４回計測
教師データｂ１：（入力）２２歳・２２歳の計測値・２５歳
（出力） ２５歳の計測値
教師データｂ２：（入力）２２歳・２２歳の計測値・２６歳
（出力） ２６歳の計測値
教師データｂ３：（入力）２２歳・２２歳の計測値・３８歳
（出力） ３８歳の計測値
教師データｂ４：（入力）２５歳・２５歳の計測値・２６歳
（出力） ２６歳の計測値
教師データｂ５：（入力）２５歳・２５歳の計測値・３８歳
（出力） ３８歳の計測値
教師データｂ６：（入力）２６歳・２６歳の計測値・３８歳
（出力） ３８歳の計測値
これによって、人体の経年に伴う計測値の変位を表現する学習モデルを構築する。
＜推定段階＞
生体学習エンジン１０は、予測対象の生体について、現在時点及び当該現在時点の計測値と、予測時点とを入力し、当該予測時点の計測値を出力する。
（入力）現在時点・現在時点の計測値・予測時点
（出力） 予測時点の計測値
第１時点は、過去時点であり、第２時点は、未来時点である場合、予測時点は、未来の予測時点となる。
逆に、第１時点は、未来時点であり、第２時点は、過去時点である場合、予測時点は、過去の予測時点となる。
図２によれば、例えば現在年齢３２歳のユーザｘが、年齢４８歳のときの計測値を予測したいとしている。
（入力）現在年齢３２歳・３２歳の計測値・予測年齢４８歳
（出力） ４８歳の計測値
学習段階で構築された学習モデルを用いて、ユーザｘが予測時点に最も推移するであろう計測値を予測することができる。
＜第２の実施形態＞予測された生体の計測値に基づく３次元モデルの再生
本発明は、第１の実施形態によって予測された人体の計測値から、３次元モデルを再生することができる。
図３は、３次元モデルから予測年齢の計測値を出力するエンコード側の機能構成図である。
予測装置１は、外部の光学スキャナに接続されている。光学スキャナは、ユーザの外形を光学的に計測し、３次元モデルを生成する（例えば非特許文献１参照）。その３次元モデルは、予測装置１へ入力される。
図３によれば、予測装置１は、生体学習エンジン１０と、エンコーダ１１とを有する。
エンコーダ１１は、光学スキャナによって生成された３次元モデルを入力し、その３次元モデルに基づく計測値を出力する。その計測値は、光学スキャナに入ったユーザｘの現在年齢の計測値を意味する。
また、予測装置１は、ユーザｘに対して、ユーザインタフェースを介して現在年齢及び予測年齢を入力させる。
そして、生体学習エンジン１０は、エンコーダ１１からの現在年齢の計測値と、ユーザインタフェースを介した現在年齢及び予測年齢とを入力する。
これによって、生体学習エンジン１０は、前述した図２のように、予測年齢の計測値を出力する。
図４は、予測年齢の計測値から３次元モデルを再生するデコード側の機能構成図である。
予測装置１は、デコーダ１２を更に有する。
図４によれば、デコーダ１２は、生体学習エンジン１０から予測年齢の計測値を入力し、その予測年齢の計測値に基づく３次元モデルを出力する。その３次元モデルは、ディスプレイのようなユーザインタフェースによって、ユーザに視認できるようになる。
前述した図３のエンコーダ及び図４のデコーダは、統計学習エンジン１０１と、相関学習エンジン１０２とを有する。これらは、学習段階と推定段階とからなり、教師データには、不特定多数の人体から光学スキャナによって予め取得された３次元モデルを用いる。
図５は、統計学習エンジン及び相関学習エンジンの学習段階を表す説明図である。
尚、図５に基づく機能構成は、本願の出願人によって特許が取得された、人体の採寸値のみから３次元モデルを簡易に生成する技術に基づくものである（例えば特許文献２参照）。
＜教師データ＞
教師データは、複数人体（生体）について、３次元モデルを更に対応付けている。
第１時点及び当該第１時点の計測値 <-> ３次元モデル
第２時点及び当該第２時点の計測値 <-> ３次元モデル
［統計学習エンジン１０１］
統計学習エンジン１０１は、各３次元モデルを入力し、次元圧縮された成分変数（次元数ｍ＞１）を出力するように、統計学習モデルを構築する。
統計学習エンジンは、主成分分析(Principal Component Analysis)又はオートエンコーダ(AutoEncoder)に基づくものであってもよい。
図６は、統計学習エンジンにおける３次元モデルのベクトル空間を表す説明図である。
図６によれば、教師データとしては、様々な体形を持つ例えば6000体の人体を想定している。３次元モデルは、人体（生体）の形状データであって、同一頂点数で表現される。
図６（ａ）によれば、３次元モデルは、人体毎に頂点数がN=150万あり、各頂点は３次元(x,y,z)で表現される。即ち、人体の３次元モデルは、3N（＝450万）次元のベクトルで表される。
図６（ｂ）によれば、３次元モデルの人体毎に、3N次元空間における１点で表される。
尚、一般的な機械学習エンジンによれば、膨大な数の教師データを必要とするのに対し、本発明によれば、教師データ群の複数体数は、３次元モデルの頂点数よりも少なくてもよい。即ち、教師データの人体数6,000は、３次元モデルのベクトル次元数450万よりも少ない。本発明によれば、教師データの複数体数は、３次元モデルのベクトル次元数以上に用意する必要がなく、そうであっても十分に精度を維持することができる。
図７は、統計学習エンジンにおける統計形状空間を表す説明図である。
図８は、統計学習エンジンにおける主成分分析を表す簡易なコードである。
統計学習エンジン１０１は、具体的には、主成分分析(Principal Component Analysis)に基づくものであってもよい。
「主成分分析」によって、相関のある3N次元空間の6000点から、互いに無相関で全体のばらつきを最もよく表す少数（例えば500次元）の主成分（成分変数）を導出する。第１主成分の分散を最大化し、続く主成分はそれまでに決定した主成分と無相関という拘束条件の下で、分散を最大化するようにして選択される。主成分の分散を最大化することによって、観測値の変化に対する説明能力を可能な限り主成分に持たせる。主成分を与える主軸は3N次空間における6000点の群の直交基底となっている。主軸の直交性は、主軸が共分散行列の固有ベクトルになっており、共分散行列が実対称行列であることから導かれる。
統計学習エンジン１０１は、3N次元空間に対して、主成分分析に基づく成分変数を次元数とする統計形状空間（例えば500次元）に射影させる統計学習モデルを構築する。
本発明によれば、3N(＝450万)次元空間における各３次元モデルを、例えば500次元（成分変数）空間に射影する。主成分を与える変換は、観測値の集合からなる行列の特異値分解で表され、3N次元空間の6000点の群からなる矩形行列Ｘの特異値分解は、以下の式で表される。
Ｘ＝Ｕ*Σ*ＶT
Ｘ：3N次元空間の6000点からなる行列（6000行×3N列）
Ｕ：n(6000)×n(6000)の正方行列（n次元単位ベクトルの直交行列）
Σ：n(6000)×p(3N)の矩形対角行列（対角成分は、Ｘの特異値）
Ｖ：p(3N)×p(3N)の正方行列（p次元単位ベクトルの直交行列）
ここで、Ｖの最初の30列からなる行列をＶと改める。そして、その行列Ｖによる線形変換はＸの主成分を与える。
Ｖ：3N次元空間->統計形状(500次元)空間への変換を表す行列
Ｖ-1：統計形状(500次元)空間->3N次元空間への変換を表す行列
尚、行列の上付き添え字-1は逆行列を示す記号ではなく、行列が定めるベクトルの変換に対して、その逆変換を意味する抽象的な記号として用いている。ここでは、Ｖ-1は、Ｖの転置ＶTと等しい。
図７からも明らかなとおり、行列Ｖ又はＶ-1による線形変換によって、3N次元空間と統計形状空間との間で、３次元モデルの人体毎に対応付けることができる。
ｓ＝ｘ*Ｖ
ｘ＝ｓ*Ｖ-1
ｓ：統計形状空間のベクトル
ｘ：3N次元空間のベクトル
Ｖ：統計学習モデル
また、統計学習エンジン１０１は、オートエンコーダ(AutoEncoder)に基づくものであってもよい。
オートエンコーダは、ニューラルネットワークの一種で、情報量を小さくした特徴表現を実現する。具体的には、入力データの次元数よりも、隠れ層の次元を圧縮したものである。入力データを、ニューラルネットワークを通して圧縮し、出力時には元のサイズに戻す。このとき、ニューラルネットワークは、入力データの抽象的概念（特徴量）を抽出する。
オートエンコーダも、主成分分析と同様に、相関のある3N次元空間の6000点から、互いに無相関で全体のばらつきを最もよく表す500次元の成分変数を導出する。
［相関学習エンジン１０２］
相関学習エンジン１０２は、各３次元モデルについて、次元数ｎの計測値と、次元数ｍの成分変数と関係を相互に学習するように、相関学習モデルを構築する。
図９は、計測値から導出した計測値空間を表す説明図である。
教師データにおける３次元モデルの人体毎に、次元数ｎの計測値が対応付けられている。
計測値は、３次元モデルと対応付けられているが、その３次元モデル自体から導出可能な１つ以上の計測値（採寸値及び／又は体組成値）を含むものであってもよい。但し、幾何学に基づく採寸箇所は、複数箇所であることが好ましい。身長だけでは難しく、身長＋腹囲や、身長＋腹囲＋胸囲のように複数の計測値であることが好ましい。
そして、複数の計測値から、計測値空間を導出することができる。例えば12個の計測値が付与されている場合、計測値空間は12次元となる。
相関学習エンジン１０２は、最小二乗法又は多層パーセプトロンに基づくものであってもよい。
図１０は、統計形状空間と計測値空間との線形変換を表す説明図である。
図１１は、相関学習エンジンにおける統計形状空間と計測値空間との間の線形変換を表す簡易なコードである。
＜最小二乗法＞
相関学習エンジン１０２は、最小二乗法に基づくものであってもよい。
「最小二乗法(least squares method)」とは、複数の多次元ベクトル（データの組）から線形モデルで近似する際に、残差の二乗和が最小となる最も確からしい線形モデルを決定することをいう。
図１０からも明らかなとおり、行列Ａ又はＡ-1による線形変換によって、統計形状空間と計測値空間との間で、３次元モデルの人体毎に対応付けることができる。
ｓ＝ｄ*Ａ
ｄ＝ｓ*Ａ-1
Ａ＝(ＤT*Ｄ)-1*ＤT*Ｓ （||Ｄ*Ａ−Ｓ||を最小化するＡを導出する）
ｓ：統計形状空間のベクトル
ｄ：計測値空間のベクトル
Ｓ：統計形状空間のベクトルの組
Ｄ：計測値空間のベクトルの組
Ａ：相関学習モデル
相関学習エンジン１０２は、多層パーセプトロンはに基づくものであってもよい。これは、線形パーセプトロンにおける最小二乗法アルゴリズムの一般化である。＊＊＊
＜エンコーダ１１の推定段階＞
前述した図３によれば、エンコーダ１１は、予測対象のデータとして、現在時点の３次元モデルを入力する。
エンコーダ１１は、以下のように実行される。
（Ｓ１）現在時点の３次元モデルを入力する。
（Ｓ２）統計学習エンジン１０１を用いて、現在時点の３次元モデルから、次元数ｍの成分変数を推定する。
（Ｓ３）相関学習エンジン１０２を用いて、当該次元数ｍの成分変数から、次元数ｎの計測値を推定する。
（Ｓ４）次元数ｎの計測値を生体学習エンジン１０へ出力する。
＜デコーダ１２の推定段階＞
前述した図４によれば、デコーダ１２は、予測時点の次元数ｎの計測値から、３次元モデルを再生する。
デコーダ１２は、以下のように実行される。
（Ｓ１）生体学習エンジン１０から、予測時点の次元数ｎの計測値を入力する。
（Ｓ２）相関学習エンジン１０２を用いて、予測時点の次元数ｎの計測値から、次元数ｍの成分変数を推定する。
（Ｓ３）統計学習エンジン１０１を用いて、当該次元数ｍの成分変数から、３次元モデルを推定する。
（Ｓ４）３次元モデルをユーザインタフェースへ出力する。
前述した実施形態によれば、計測値には、採寸値に加えて、体組成値も含まれてもよい。人体の体形は、その体組成値によっても大きく変化するであろう。複数のユーザで、例えば同じ身長、腹囲及び胸囲であっても、体組成値によってはその外観が異なる場合もある、と考えられる。そのために、採寸値のみならず、体組成計や血液検査によって取得可能な体組成値も、採寸値外観となる３次元モデルに対応付けている。
以上、詳細に説明したように、本発明のプログラム、装置及び方法によれば、生体の計測値を教師データとして学習し、現在時点の計測値から予測時点の計測値を予測することができる。また、対象ユーザについて予測した計測値から、３次元モデルを生成することもできる。
前述した本発明の種々の実施形態について、本発明の技術思想及び見地の範囲の種々の変更、修正及び省略は、当業者によれば容易に行うことができる。前述の説明はあくまで例であって、何ら制約しようとするものではない。本発明は、特許請求の範囲及びその均等物として限定するものにのみ制約される。
１ 予測装置
１０ 生体学習エンジン
１０１ 統計学習エンジン
１０２ 相関学習エンジン
１１ エンコーダ
１２ デコーダ

Claims (11)

  1. 生体における基準時点の計測値から、予測時点の計測値を予測する装置に搭載されたコンピュータを機能させるプログラムであって、
    教師データは、複数生体について、第１時点及び当該第１時点の計測値と、第２時点及び当該第２時点の計測値とが対応付けられたものであり、
    学習段階として、教師データ毎に、第１時点及び当該第１時点の計測値と、第２時点とを入力し、当該第２時点の計測値を出力するように学習モデルを構築した生体学習エンジンとして機能させ、
    推定段階として、生体学習エンジンは、予測対象の生体について、基準時点及び当該基準時点の計測値と、予測時点とを入力し、当該予測時点の計測値を出力する
    ようにコンピュータを機能させることを特徴とするプログラム。
  2. 学習段階について、第２時点は、第１時点よりも未来の時点であり、
    推定段階について、予測時点は、基準時点よりも未来の時点であるか、
    又は、
    学習段階について、第２時点は、第１時点よりも過去の時点であり、
    推定段階について、予測時点は、基準時点よりも過去の時点である
    ようにコンピュータを機能させることを特徴とする請求項１に記載のプログラム。
  3. 生体は、人体であり、
    第１時点、第２時点、基準時点及び予測時点は、当該人体の年齢である
    ようにコンピュータを機能させることを特徴とする請求項１又は２に記載のプログラム。
  4. 計測値は、採寸値及び／又は体組成値からなる
    ようにコンピュータを機能させることを特徴とする請求項３に記載のプログラム。
  5. 生体学習エンジンは、多層パーセプトロン(Multilayer perceptron)である
    ようにコンピュータを機能させることを特徴とする請求項１から４のいずれか１項に記載のプログラム。
  6. 教師データは、複数生体について、第１時点及び当該第１時点の計測値に３次元モデルを更に対応付け、第２時点及び当該第２時点の計測値に３次元モデルを更に対応付けたものであり、
    各３次元モデルを入力し、次元圧縮された次元数ｍ（＞１）の成分変数を出力するように、統計学習モデルを構築した統計学習エンジンと、
    各３次元モデルについて、次元数ｎ（＞１）の計測値と、次元数ｍの成分変数と関係を相互に学習するように、相関学習モデルを構築した相関学習エンジンと
    してコンピュータを機能させることを特徴とする請求項１から５のいずれか１項に記載のプログラム。
  7. 生体学習エンジンから出力された予測時点の次元数ｎの計測値から、相関学習エンジンを用いて次元数ｍの成分変数を推定し、当該次元数ｍの成分変数から、統計学習エンジンを用いて３次元モデルを推定するデコーダと
    してコンピュータを機能させることを特徴とする請求項６に記載のプログラム。
  8. 予測対象のデータは、基準時点の３次元モデルからなり、
    入力された基準時点の３次元モデルから、統計学習エンジンを用いて次元数ｍの成分変数を推定し、当該次元数ｍの成分変数から、相関学習エンジンを用いて次元数ｎの計測値を推定し、当該次元数ｎの計測値を生体学習エンジンに入力するエンコーダと
    してコンピュータを機能させることを特徴とする請求項６又は７に記載のプログラム。
  9. 統計学習エンジンは、主成分分析(Principal Component Analysis)又はオートエンコーダ(AutoEncoder)に基づくものであり、
    相関学習エンジンは、最小二乗法又は多層パーセプトロンに基づくものである
    ようにコンピュータを機能させることを特徴とする請求項６から８のいずれか１項に記載のプログラム。
  10. 生体における基準時点の計測値から、予測時点の計測値を予測する装置であって、
    教師データは、複数生体について、第１時点及び当該第１時点の計測値と、第２時点及び当該第２時点の計測値とが対応付けられたものであり、
    学習段階として、教師データ毎に、第１時点及び当該第１時点の計測値と、第２時点とを入力し、当該第２時点の計測値を出力するように学習モデルを構築した生体学習エンジンとして機能させ、
    推定段階として、生体学習エンジンは、予測対象の生体について、基準時点及び当該基準時点の計測値と、予測時点とを入力し、当該予測時点の計測値を出力する
    ことを特徴とする装置。
  11. 生体における基準時点の計測値から、予測時点の計測値を予測する装置の予測方法であって、
    教師データは、複数生体について、第１時点及び当該第１時点の計測値と、第２時点及び当該第２時点の計測値とが対応付けられたものであり、
    装置は、
    学習段階として、教師データ毎に、第１時点及び当該第１時点の計測値と、第２時点とを入力し、当該第２時点の計測値を出力するように学習モデルを構築し、
    推定段階として、予測対象の生体について、基準時点及び当該基準時点の計測値と、予測時点とを入力し、当該予測時点の計測値を出力する
    ように実行することを特徴とする予測方法。
JP2020119405A 2020-07-10 2020-07-10 生体の計測値を予測するプログラム、装置及び方法 Active JP6775792B1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2020119405A JP6775792B1 (ja) 2020-07-10 2020-07-10 生体の計測値を予測するプログラム、装置及び方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020119405A JP6775792B1 (ja) 2020-07-10 2020-07-10 生体の計測値を予測するプログラム、装置及び方法

Publications (2)

Publication Number Publication Date
JP6775792B1 true JP6775792B1 (ja) 2020-10-28
JP2022016114A JP2022016114A (ja) 2022-01-21

Family

ID=72916113

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020119405A Active JP6775792B1 (ja) 2020-07-10 2020-07-10 生体の計測値を予測するプログラム、装置及び方法

Country Status (1)

Country Link
JP (1) JP6775792B1 (ja)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8391639B2 (en) * 2007-07-23 2013-03-05 The Procter & Gamble Company Method and apparatus for realistic simulation of wrinkle aging and de-aging
JP2018019611A (ja) * 2016-08-01 2018-02-08 パナソニック インテレクチュアル プロパティ コーポレーション オブアメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ ペット向けリード型バイタル計測装置
JP6424309B1 (ja) * 2018-08-15 2018-11-14 裕樹 有光 採寸値に基づく３次元モデルを生成するプログラム及び装置

Also Published As

Publication number Publication date
JP2022016114A (ja) 2022-01-21

Similar Documents

Publication Publication Date Title
Murahari et al. On attention models for human activity recognition
Puchalsky et al. Agribusiness time series forecasting using Wavelet neural networks and metaheuristic optimization: An analysis of the soybean sack price and perishable products demand
Sun et al. Representative task self-selection for flexible clustered lifelong learning
Azadeh et al. A hybrid simulation-adaptive network based fuzzy inference system for improvement of electricity consumption estimation
Chernbumroong et al. Genetic algorithm-based classifiers fusion for multisensor activity recognition of elderly people
Diego-Mas et al. Single users' affective responses models for product form design
Shen et al. Multivariate time series forecasting based on elastic net and high-order fuzzy cognitive maps: a case study on human action prediction through EEG signals
CN110298303B (zh) 一种基于长短时记忆网络扫视路径学习的人群识别方法
Azadeh et al. An integrated simulation-based fuzzy regression-time series algorithm for electricity consumption estimation with non-stationary data
Ablameyko Neural networks for instrumentation, measurement, and related industrial applications
Jie et al. Establishing a Genetic Algorithm-Back Propagation model to predict the pressure of girdles and to determine the model function
CN116741411A (zh) 一种基于医疗大数据分析的智慧健康科普推荐方法、系统
Taherinezhad et al. Nations performance evaluation during SARS-CoV-2 outbreak handling via data envelopment analysis and machine learning methods
CN113298131B (zh) 一种基于注意力机制的时序数据缺失值插补方法
Chu et al. Compact broad learning system based on fused lasso and smooth lasso
JP6775792B1 (ja) 生体の計測値を予測するプログラム、装置及び方法
Xu Prediction and planning of sports competition based on deep neural network
Narasimhan et al. Time weaver: A conditional time series generation model
CN114742116B (zh) 一种模拟采集脑电信号的生成方法和系统
Jayne et al. Neural network methods for one-to-many multi-valued mapping problems
Ge et al. Functional fuzzy system: A nonlinear regression model and its learning algorithm for function-on-function regression
Wang et al. Toward Learning Joint Inference Tasks for IASS-MTS Using Dual Attention Memory With Stochastic Generative Imputation
Chen et al. Data envelopment analysis with missing data: a multiple imputation approach
Aswini et al. Exploratory Data Analysis for Social Big Data Using Regression and Recurrent Neural Networks.
Phoksawat et al. Forecasting smoked rubber sheets price based on a deep learning model with long short-term memory.

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200710

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20200710

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20200811

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200820

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200826

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: 20200909

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20200928

R150 Certificate of patent or registration of utility model

Ref document number: 6775792

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250