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 PDFInfo
- 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
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
Description
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
<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
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。
「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。
「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。
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。
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、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。
(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。
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
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。
(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。
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
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。
(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。
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。
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。
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(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。
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。
「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。
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。
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
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。
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。
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。
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。
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
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。
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。
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)
- 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。
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)
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 |
-
2020
- 2020-07-10 JP JP2020119405A patent/JP6775792B1/ja active Active
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 |