JP7106997B2 - データ分析システムおよびデータ分析方法 - Google Patents

データ分析システムおよびデータ分析方法 Download PDF

Info

Publication number
JP7106997B2
JP7106997B2 JP2018106704A JP2018106704A JP7106997B2 JP 7106997 B2 JP7106997 B2 JP 7106997B2 JP 2018106704 A JP2018106704 A JP 2018106704A JP 2018106704 A JP2018106704 A JP 2018106704A JP 7106997 B2 JP7106997 B2 JP 7106997B2
Authority
JP
Japan
Prior art keywords
data
sensor
classifier
analysis
server
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
JP2018106704A
Other languages
English (en)
Other versions
JP2019211942A (ja
Inventor
隆行 小笠原
修 税所
里江子 佐藤
信吾 塚田
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.)
Nippon Telegraph and Telephone Corp
Original Assignee
Nippon Telegraph and Telephone Corp
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 Nippon Telegraph and Telephone Corp filed Critical Nippon Telegraph and Telephone Corp
Priority to JP2018106704A priority Critical patent/JP7106997B2/ja
Priority to PCT/JP2019/019491 priority patent/WO2019235161A1/ja
Priority to US15/734,365 priority patent/US20210166082A1/en
Publication of JP2019211942A publication Critical patent/JP2019211942A/ja
Application granted granted Critical
Publication of JP7106997B2 publication Critical patent/JP7106997B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
    • G06F18/2185—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor the supervisor being an automated module, e.g. intelligent oracle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/24—Character recognition characterised by the processing or recognition method
    • G06V30/248—Character recognition characterised by the processing or recognition method involving plural approaches, e.g. verification by template match; Resolving confusion among similar patterns, e.g. "O" versus "Q"
    • G06V30/2528—Combination of methods, e.g. classifiers, working on the same input data

Description

本願発明は、取得したセンサデータを分析し、分析結果を提示するデータ分析システムおよびデータ分析方法に関する。
近年、バイタル情報、車両情報、環境情報等をクラウドに収集して、情報の可視化、分析、対処を統合的に行なうデータ分析システムが提案されている。（例えば、非特許文献１参照）。
図１２は、従来のデータ分析システムの概要を表す図である。データ分析システムは、バイタル情報、車両情報および環境情報等のセンサデータを測定するセンサ端末と、センサ端末から送信されたセンサデータを集約し、集約したデータを分析アルゴリズムを用いて分析するサーバ、およびデータを分析した分析結果を表示するビューワから構成されている。
"hitoeによるナチュラル・センシングとその活用に向けた取り組み"、ＮＴＴ技術ジャーナル ２９（７）、１３－１８、２０１７－０７、電気通信協会
ここで、センサ端末において測定されたセンサデータを、クラウドのようなサーバにＬＴＥ等の無線ネットワークを介して集約する場合、センサデータが長時間にわたって継続的にネットワーク上を行きかうことにより、常に一定量のパケットが流れた状態となるため、ネットワークの帯域を圧迫するという問題がある。また、センサデータの分析がクラウドで行われ、分析結果を取得する場合にもネットワークを経由しなければならないため、最新の分析結果が反映されるまでに遅延が生じるという問題があった。
本願発明は、このような課題に鑑みてなされたものであり、データ分析を行う際のセンサデータの送受信によるネットワークの帯域に対する圧迫とデータ分析結果を反映する際の遅延を低減できるデータ分析システムを提供することを目的とする。
上記課題を解決するために、本願発明のデータ分析システムは、センサデータを測定するセンサ端末、教師データを入力する教師データ入力端末、および前記センサデータと前記教師データを用いて学習を行うことにより分類器を生成するサーバを備えたデータ分析システムであって、前記センサ端末は、測定した前記センサデータを前記サーバに送信するセンサデータ送信部と、前記サーバで生成された前記分類器を受信する分類器受信部と、前記分類器を用いて前記センサデータの分析を行う分析実行部と、前記分析実行部の分析結果を前記サーバに送信する分析結果送信部を備え、前記教師データ入力端末は、入力された教師データを前記サーバに送信する教師データ送信部を備え、前記サーバは、前記センサ端末から受信したセンサデータと前記教師データ入力端末から受信した教師データを用いて学習を行うことにより分類器を生成する分類器生成部と、前記分類器を用いて前記センサデータの分析を行う分析実行部と、前記分類器を前記センサ端末に送信する分類器送信部と、前記センサ端末から前記分析結果を受信する分析結果受信部とを備え、前記分類器生成部は、複数の分析アルゴリズムを有し、前記センサデータおよび前記教師データの規模および種類、前記分類器の分析性能の少なくともいずれかに応じて、学習を行う分析アルゴリズムを選択することを特徴とする。
上記課題を解決するために、本願発明のデータ分析システムは、センサデータを測定するセンサ端末、教師データを入力する教師データ入力端末、および前記センサデータと前記教師データを用いて学習を行うことにより分類器を生成するサーバを備えたデータ分析システムであって、前記センサ端末は、測定した前記センサデータを前記サーバに送信するセンサデータ送信部と、前記サーバで生成された前記分類器を受信する分類器受信部と、前記分類器を用いて前記センサデータの分析を行う分析実行部と、前記分析実行部の分析結果を前記サーバに送信する分析結果送信部を備え、前記教師データ入力端末は、入力された教師データを前記サーバに送信する教師データ送信部を備え、前記サーバは、前記センサ端末から受信したセンサデータと前記教師データ入力端末から受信した教師データを用いて学習を行うことにより分類器を生成する分類器生成部と、前記分類器を用いて前記センサデータの分析を行う分析実行部と、前記分類器を前記センサ端末に送信する分類器送信部と、前記センサ端末から前記分析結果を受信する分析結果受信部とを備え、前記分類器生成部は、前記センサデータのカテゴリーに基づいて前記センサデータを分類し、分類された前記センサデータに応じて学習を行う分析アルゴリズムを選択することを特徴とする。
上記課題を解決するために、本願発明のデータ分析システムは、センサデータを測定するセンサ端末、教師データを入力する教師データ入力端末、および前記センサデータと前記教師データを用いて学習を行うことにより分類器を生成するサーバを備えたデータ分析システムであって、前記センサ端末は、測定した前記センサデータを前記サーバに送信するセンサデータ送信部と、前記サーバで生成された前記分類器を受信する分類器受信部と、前記分類器を用いて前記センサデータの分析を行う分析実行部と、前記分析実行部の分析結果を前記サーバに送信する分析結果送信部を備え、前記教師データ入力端末は、入力された教師データを前記サーバに送信する教師データ送信部を備え、前記サーバは、前記センサ端末から受信したセンサデータと前記教師データ入力端末から受信した教師データを用いて学習を行うことにより分類器を生成する分類器生成部と、前記分類器を用いて前記センサデータの分析を行う分析実行部と、前記分類器を前記センサ端末に送信する分類器送信部と、前記センサ端末から前記分析結果を受信する分析結果受信部とを備え、前記サーバの前記分析実行部は、前記センサデータの分析結果に基づいて、分析性能を向上させるために追加すべき前記センサデータおよび前記教師データの少なくともいずれかを抽出して、前記センサ端末および前記教師データ入力端末の少なくともいずれかに通知し、前記センサ端末および前記教師データ入力端末は、追加すべき前記センサデータおよび前記教師データの少なくともいずれかに相当するデータのみを前記サーバに送信することを特徴とする。
上記課題を解決するために、本願発明のデータ分析方法は、 センサデータを測定するセンサ端末、教師データを入力する教師データ入力端末、および前記センサデータと前記教師データを用いて学習を行うことにより分類器を生成するサーバを備えたデータ分析システムにおけるデータ分析方法であって、前記センサ端末は、測定した前記センサデータを前記サーバに送信し、前記サーバで生成された前記分類器を受信し、前記分類器を用いて前記センサデータの分析を行い、前記分析の分析結果を前記サーバに送信し、前記教師データ入力端末は、入力された教師データを前記サーバに送信し、前記サーバは、前記センサ端末から受信したセンサデータと前記教師データ入力端末から受信した教師データを用いて学習を行うことにより分類器を生成し、前記分類器を用いて前記センサデータの分析を行い、前記分類器を前記センサ端末に送信し、前記センサ端末から前記分析結果を受信し、前記サーバは、前記分類器を生成する際に、複数の分析アルゴリズムを有し、前記センサデータおよび前記教師データの規模および種類、前記分類器の分析性能の少なくともいずれかに応じて、学習を行う分析アルゴリズムを選択することを特徴とする。
上記課題を解決するために、本願発明のデータ分析方法は、 センサデータを測定するセンサ端末、教師データを入力する教師データ入力端末、および前記センサデータと前記教師データを用いて学習を行うことにより分類器を生成するサーバを備えたデータ分析システムにおけるデータ分析方法であって、前記センサ端末は、測定した前記センサデータを前記サーバに送信し、前記サーバで生成された前記分類器を受信し、前記分類器を用いて前記センサデータの分析を行い、前記分析の分析結果を前記サーバに送信し、前記教師データ入力端末は、入力された教師データを前記サーバに送信し、前記サーバは、前記センサ端末から受信したセンサデータと前記教師データ入力端末から受信した教師データを用いて学習を行うことにより分類器を生成し、前記分類器を用いて前記センサデータの分析を行い、前記分類器を前記センサ端末に送信し、前記センサ端末から前記分析結果を受信し、前記サーバは、前記分類器を生成する際に、前記センサデータのカテゴリーに基づいて前記センサデータを分類し、分類された前記センサデータに応じて学習を行う分析アルゴリズムを選択することを特徴とすることを特徴とする。
上記課題を解決するために、本願発明のデータ分析方法は、 センサデータを測定するセンサ端末、教師データを入力する教師データ入力端末、および前記センサデータと前記教師データを用いて学習を行うことにより分類器を生成するサーバを備えたデータ分析システムにおけるデータ分析方法であって、前記センサ端末は、測定した前記センサデータを前記サーバに送信し、前記サーバで生成された前記分類器を受信し、前記分類器を用いて前記センサデータの分析を行い、前記分析の分析結果を前記サーバに送信し、前記教師データ入力端末は、入力された教師データを前記サーバに送信し、前記サーバは、前記センサ端末から受信したセンサデータと前記教師データ入力端末から受信した教師データを用いて学習を行うことにより分類器を生成し、前記分類器を用いて前記センサデータの分析を行い、前記分類器を前記センサ端末に送信し、前記センサ端末から前記分析結果を受信し、前記サーバは、前記センサデータの分析を行う際に、前記センサデータの分析結果に基づいて、分析性能を向上させるために追加すべき前記センサデータおよび前記教師データの少なくともいずれかを抽出して、前記センサ端末および前記教師データ入力端末の少なくともいずれかに通知し、前記センサ端末および前記教師データ入力端末は、追加すべき前記センサデータおよび前記教師データの少なくともいずれかに相当するデータのみを前記サーバに送信することを特徴とする。
上記課題を解決するために、本願発明のデータ分析システムは、センサデータを測定するセンサ端末、教師データを入力する教師データ入力端末、および前記センサデータと前記教師データを用いて学習を行うことにより分類器を生成するサーバを備えたデータ分析システムであって、前記センサ端末は、測定した前記センサデータを前記サーバに送信するセンサデータ送信部と、前記サーバで生成された前記分類器を受信する分類器受信部と、前記分類器を用いて前記センサデータの分析を行う分析実行部と、前記分析実行部の分析結果を前記サーバに送信する分析結果送信部を備え、前記教師データ入力端末は、入力された教師データを前記サーバに送信する教師データ送信部を備え、前記サーバは、前記センサ端末から受信したセンサデータと前記教師データ入力端末から受信した教師データを用いて学習を行うことにより分類器を生成する分類器生成部と、前記分類器を用いて前記センサデータの分析を行う分析実行部と、前記分類器を前記センサ端末に送信する分類器送信部と、前記センサ端末から前記分析結果を受信する分析結果受信部とを備え、前記センサ端末に実装されるセンサは、生体電位センサ、加速度センサ、温度センサ、位置センサの少なくともいずれかであることを特徴とする。
また、上記課題を解決するために、本願発明のデータ分析方法は、センサデータを測定するセンサ端末、教師データを入力する教師データ入力端末、および前記センサデータと前記教師データを用いて学習を行うことにより分類器を生成するサーバを備えたデータ分析システムにおけるデータ分析方法であって、前記センサ端末は、測定した前記センサデータを前記サーバに送信し、前記サーバで生成された前記分類器を受信し、前記分類器を用いて前記センサデータの分析を行い、前記分析の分析結果を前記サーバに送信し、前記教師データ入力端末は、入力された教師データを前記サーバに送信し、前記サーバは、前記センサ端末から受信したセンサデータと前記教師データ入力端末から受信した教師データを用いて学習を行うことにより分類器を生成し、前記分類器を用いて前記センサデータの分析を行い、前記分類器を前記センサ端末に送信し、前記センサ端末から前記分析結果を受信し、前記センサ端末に実装されるセンサは、生体電位センサ、加速度センサ、温度センサ、位置センサの少なくともいずれかであることを特徴とする。
また、前記データ分析システムは、複数の前記センサ端末と複数の前記教師データ入力端末の少なくともいずれかを備え、前記分類器を生成した後に、一部の前記センサ端末および一部の前記教師データ入力端末は、前記センサデータあるいは前記教師データの送信を継続し、前記分類器生成部は、前記一部の前記センサ端末から受信した前記センサデータと、前記一部の前記教師データ入力端末から受信した前記教師データの少なくともいずれかを用いて再度学習を行うことにより分類器を更新し、前記分類器送信部は、更新された前記分類器を、少なくとも前記一部の前記センサ端末に送信してもよい。
また、前記分類器生成部の分析アルゴリズムは、前記センサデータまたは前記センサデータから得られる特徴量の幾何学的構造に基づいて分析を行う幾何モデルや、確率に基づいて分析を行う確率モデル、論理判定に基づいて分析を行う論理モデルの少なくともいずれかであってもよい。
本願発明によれば、データ分析を行う際のセンサデータの送受信によるネットワークの帯域に対する圧迫とデータ分析結果を反映する際の遅延を低減できるデータ分析システムを提供することができる。
図１は、本願発明の第１の実施形態に係るデータ分析システムの構成例を示す図である。 図２は、本願発明の第１の実施形態に係るデータ分析システムを構成するセンサ端末、サーバ、および教師データ入力端末の機能ブロックの構成例を示す図である。 図３は、本願発明の第１の実施形態に係るデータ分析システムにおけるデータ分析方法のシーケンスの一例を示す図である。 図４は、本願発明の第１の実施形態に係るデータ分析システムのサーバおよびセンサ端末における分析処理フローチャートの一例を示す図である。 図５は、本願発明の第２の実施形態に係るデータ分析システムにおけるデータ分析方法のシーケンスの一例を示す図である。 図６は、本願発明の第２の実施形態に係るデータ分析システムのサーバにおける分析処理フローチャートの一例を示す図である。 図７は、本願発明の第３の実施形態に係るデータ分析システムにおけるデータ分析方法のシーケンスの一例を示す図である。 図８は、本願発明の第３の実施形態に係るデータ分析システムのサーバにおける分析処理フローチャートの一例を示す図である。 図９は、本願発明の第４の実施形態に係るデータ分析システムの構成例を示す図である。 図１０は、本願発明の第４の実施形態に係るデータ分析システムを構成するカテゴリー信号入力端末およびサーバの機能ブロックの構成例を示す図である。 図１１は、本願発明の第４の実施形態に係るデータ分析システムにおけるデータ分析方法のシーケンスの一例を示す図である。 図１２は、従来のデータ分析システムの構成例を示す図である。
以下、本願発明の実施の形態について図面を用いて説明する。但し、本願発明は多くの異なる態様で実施することが可能であり、以下に説明する本願発明の実施の形態に限定して解釈すべきではない。
＜第１の実施の形態＞
＜データ分析システムの構成＞
図１は、本願発明の第１の実施形態に係るデータ分析システムの構成例を示す図である。本実施の形態におけるデータ分析システム１は、センサデータを測定し、双方向の通信が可能なセンサ端末２０、センサデータ、および教師データを用いて学習を行うサーバ１０、教師データを送信する教師データ入力端末３０、および分析結果を表示するビューワ４０により構成される。
これらの装置は、一般的なネットワーク規格であるＬＴＥ（登録商標）、３Ｇ、ＬＡＮ、Ｗｉ－Ｆｉ（登録商標）等を利用してネットワーク６０を介して通信を行い、分析結果は、ＰＣ、スマートフォン、タブレット等の一般的なビューワを用いて表示される。
従来の技術では、センサデータと教師データを用いてセンサデータの特徴を学習する機能、すなわち学習器と、学習によって得られた分析アルゴリズムによって分析を行う機能、すなわち分類器がともに一つの分析アルゴリズムとして、サーバに配置されており、データの学習と分析がサーバにおいて行われていた。
ここで、学習器では、逐次最適化などの反復演算を行うことが多いため、ハードウェアには高い計算能力が要求される。一方、分類器は軽微な演算で動作することが多い。そこで、本願発明のデータ分析システム１では、学習によって得られたサーバ上の分類器をセンサ端末２０に複製することにより、センサ端末２０においてセンサデータの分析を行うように構成している。
センサ端末２０から送信されたセンサデータをサーバ１０において集約し、サーバ１０において学習器による学習が行われ、分類器が生成される点は従来の技術と同様である。しかし、本願発明では、サーバ１０において学習器による学習が実行され分類器が生成されると、サーバ１０は、生成した分類器をセンサ端末２０に送信し、センサ端末２０内に同じ分類器を複製することより、センサデータをサーバ１０に転送することなく、センサ端末２０においてセンサデータの分析を行う。センサ端末２０は、分類器の受信後においては、センサ端末２０内で分類器によるセンサデータの分析を行うことができ、分析結果のみをサーバ１０に送信することができる。
一般にセンサデータの大半は、利用目的が定められていない余剰データ、いわゆる排気データであるため、センサデータの送信がネットワーク６０の帯域を圧迫することになる。一方、分類器によるセンサデータの分析結果のデータ量はセンサデータのデータ量と比較して非常に少量であるため、センサ端末２０内で分析を行うことでネットワーク６０の帯域に対する圧迫を低減することができる。
また、センサ端末２０内で分析が完了するため、センサ端末２０は、Ｂｌｕｅｔｏｏｔｈ（登録商標）通信などを用いて、サーバ１０やネットワーク６０を介さずにビューワ４０に直接分析結果を送信することができるので、分析結果を表示する際の遅延を低減することができる。
ここで、サーバ１０の学習器、分類器における分析アルゴリズムは、センサデータもしくはセンサデータから得られる特徴量に対して、直線、空間、平面といった幾何学的構造に基づいて分類を行う幾何モデルであってもよい。幾何モデルの代表例としてはサポートベクトルマシンがある。
サポートベクトルマシンでは、サーバ１０における学習器における学習とは、パラメータチューニングしたうえでサポートベクトルを求めて識別関数を得ることであり、分類器で行う分析とは、得られた識別関数を用いて、未知のデータもしくはその特徴量に対して分類を行うことである。また、サーバ１０の分類器を送信するというのは、識別関数とチューニングされたパラメータを送信することであり、分類器をセンサ端末２０内に複製するというのは、識別関数とチューニングされたパラメータを用いて学習済の識別関数を複製することである。
また、サーバ１０の学習器、分類器における分析アルゴリズムとしては、幾何モデルのみならず、他のモデルを用いることもできる。ニューラルネットワーク、ベイズ分類器に代表される確率に基づいて分析を行う確率モデルや、決定木などを用いてセンサデータやその特徴量の値がある条件を満たすかどうかの論理判定に基づいて分析を行う論理モデルを用いてもよい。
なお、特徴量は必ずしも用いる必要はないが、用いる場合にはあらかじめ設計者が特徴量を指定し、学習器による学習を行う前に演算を施す工程を設けてもよい。特徴量の演算は、学習および分類の両方に共通する前段の処理であり、学習器、分類器の一部とみなすことができる。自動で特徴量を生成する分析アルゴリズムであるディープニューラルネットワークはその一例である。
上述した分析アルゴリズムのモデルでは、基本的な演算として、学習器ではパラメータチューニングと識別関数の決定を行い、分類器では未知のセンサデータに対する分析を行う点では共通する。初回の学習が実施される以前においても分析が実施できるように、初期状態として予め事前学習された分類器をセンサ端末２０、サーバ１０にプレ・インストールしておいてもよい。
＜センサ端末、サーバおよび教師データ入力端末の機能ブロック＞
図２は、本願発明の第１の実施形態に係るデータ分析システムを構成するセンサ端末、サーバおよび教師データ入力端末の機能ブロックの構成例を示す図である。
センサ端末２０は、センサデータを測定するセンサデータ測定部２０１と、測定したセンサデータを一定期間格納するセンサデータ格納部２０２と、測定したセンサデータをサーバに送信するセンサデータ送信部２０３と、サーバが生成した分類器を受信する分類器受信部２０４と、受信した分類器を格納する分類器格納部２０５と、受信した分類器によりセンサデータの分析を行う分析実行部２０６と、分析結果を一定期間格納する分析結果格納部２０７と、分析結果をサーバやビューワに送信する分析結果送信部２０８を備える。
センサデータ測定部２０１には、測定するセンサデータに応じて、生体電位センサ、加速度センサ、温度センサ、位置センサ等の各種センサが実装される。分類器格納部２０５では、既存の分類器がある場合は、受信した分類器を既存の分類器と差し替えることにより分類器を更新する。
サーバ１０は、センサ端末２０からセンサデータを受信するセンサデータ受信部１０１と、センサデータを格納するセンサデータ格納部１０２と、学習に用いる教師データを受信する教師データ受信部１０３と、教師データを格納する教師データ格納部１０４と、センサデータならびに教師データを用いて学習を行うことにより分類器を生成する分類器生成部１０５と、生成された分類器をセンサ端末に送信する分類器送信部１０６と、分類器によりセンサデータの分析を行う分析実行部１０７と、分析結果を一定期間格納する分析結果格納部１０８と、格納された分析結果をビューワに送信する分析結果送信部１０９と、センサ端末２０で分析が行われた場合にその分析結果を受信する分析結果受信部１１０を備える。
教師データ入力端末３０は、利用者が教師データを入力する教師データ入力部３０１と、入力された教師データを格納する教師データ格納部３０２と、格納された教師データを送信する教師データ送信部３０３を備える。
なお、サーバ１０は、記憶部、Ｉ／Ｆ部および中央処理部を備えたコンピュータによって構成してもよく、中央処理部における処理をプログラムによって実施するように構成してもよい。その場合には、記憶部が、センサデータ格納部、教師データ格納部分析結果格納部として機能し、中央処理部が学習器、分類器として機能する。中央処理部には、予め分析アルゴリズムのプログラムを搭載しておいてもよく、あるいはプログラムを記憶部に記憶しておき、中央処理部にダウンロードするように構成してもよい。
＜データ分析方法のシーケンス＞
図３は、本願発明の第１の実施形態に係るデータ分析システムにおけるデータ分析方法のシーケンスの一例を示す図である。
センサ端末は、実装された各種センサにより所定のセンサデータを測定してセンサ端末において格納するとともに、測定したセンサデータをサーバに送信する。一方、教師データ入力端末では、入力された教師データを格納するとともに、サーバに送信する。
サーバでは、センサ端末から送信されたセンサデータと教師データ入力端末から送信された教師データを用いて学習を実行することにより分類器を生成し、生成した分類器をセンサセンサ端末に送信する。
センサ端末では、サーバから送信された分類器を用いてセンサデータの分析を行い、得られた分析結果をサーバに送信する。サーバでは、センサ端末から送信された分析結果を格納する。センサ端末では、必要に応じて、得られた分析結果をビューワに直接送信することにより表示することもできる。
＜分析処理フローチャート＞
図４は、本願発明の第１の実施形態に係るデータ分析システムのサーバおよびセンサ端末における分析処理フローチャートの一例を示す図である。（ａ）は、サーバにおける分析処理フローチャート、（ｂ）は、センサ端末における分析処理フローチャートである。
サーバでは、センサ端末から受信したセンサデータと教師データ入力端末から受信した教師データを格納し（Ｓ１－１～Ｓ１－４）、センサデータと教師データを用いて学習を実行することにより分類器を生成し、生成した分類器をセンサセンサ端末に送信する（Ｓ１－５～Ｓ１－７）。
センサ端末においてセンサデータの分析が行われた場合には、サーバは、センサデータの分析結果を受信し格納する（Ｓ１－８～Ｓ１－９）。
一方、センサ端末は、所定のセンサデータを測定、格納し、測定したセンサデータをサーバに送信する（Ｓ２－１～Ｓ２－３）。
センサ端末は、サーバから分類器を受信した場合には、受信した分類器を用いてセンサデータの分析を行い、得られた分析結果を格納するとともにサーバやビューワに送信する（Ｓ２－４～Ｓ２－８）。
このように、本実施の形態によれば、学習器、分類器のうち演算量が少ない分類器をセンサ端末に送信し複製することで、一定量のデータ送信後には、全センサ端末が全データをサーバに送ることなく、センサ端末内でセンサデータの分析やビューワでの表示を行うことができるので、センサデータによるネットワークの帯域に対する圧迫の低減と分析結果を反映する際の遅延の低減の両方を実現することができる。
＜第２の実施の形態＞
図５、６を用いて、本願発明の第２の実施の形態について説明する。図５は、本願発明の第２の実施形態に係るデータ分析システムにおけるデータ分析方法のシーケンスの一例を示す図であり、図６は、本願発明の第２の実施形態に係るデータ分析システムのサーバにおける分析処理フローチャートの一例を示す図である。図５、６では、図３、４と比較して、分類器を更新する処理を行うことが特徴である。
第２の実施の形態では、最初の分類器を生成した後も、複数のセンサ端末２０のうちの一部のセンサ端末２０は、センサデータの送信を停止せず、また複数の教師データ入力端末３０のうちの一部の教師データ入力端末３０も教師データをサーバ１０に引き続き送信する。これらの送信されたセンサデータと教師データはサーバ１０において継続的に蓄積され、これらが一定量蓄積されたのち、サーバ１０は再度学習を実施することにより分類器を更新する。更新された分類器は、ネットワーク６０を経由してセンサデータを送信したセンサ端末２０に送信され、センサ端末２０内の分類器は更新される。
なお、一部のセンサ端末２０と一部の教師データ入力端末３０の両方がデータの送信を継続してもよいし、いずれか一方がセンサデータや教師データの送信を継続し、分類器を更新するように構成してもよい。
このように、本実施の形態によれば、最初の分類器を生成した後においても、センサデータや教師データの一部のデータを送信し続けることにより、蓄積されたセンサデータのデータ規模の拡大後に再度学習を行うことが可能となり、分類器の信頼性を継続的に向上させることができ、ネットワークの帯域に対する圧迫の低減と分類器の信頼性の向上を両立することができる。
＜第３の実施の形態＞
図７、８を用いて、本願発明の第３の実施の形態について説明する。図７は、本願発明の第３の実施形態に係るデータ分析システムにおけるデータ分析方法のシーケンスの一例を示す図であり、図８は、本願発明の第３の実施形態に係るデータ分析システムのサーバにおける分析処理フローチャートの一例を示す図である。第３の実施の形態におけるデータ分析システムは、複数の分析アルゴリズム、すなわち複数の学習器と分類器を備え、サーバに蓄積されたデータの規模や種類、分類器の分析性能に応じて、複数の分析アルゴリズムの中から分析アルゴリズムを選択する。図７、８では、図３、４と比較して、アルゴリズムを選択する処理を行うことが特徴である。
データ分析システムにおいて学習を行う分析アルゴリズムは、センサデータや教師データの規模や種類によって信頼性が異なる。例えば、ディープニューラルネットワークでは、人間が発見できない疾病を発見することができ、将棋で圧倒的な強さを発揮することができること等が知られており、センサデータを分析する場合においても高い分析性能が期待されるが、学習には数千から数万を超えるデータと教師データのセットが必要である。一方で、サポートベクトルマシンでは、比較的少量のデータセットで高い分析性能を得ることができる。
第３の実施の形態では、センサデータの規模や種類に応じて、適切な学習を行う分析アルゴリズムを選択する。例えば、データセットが数十から数百の規模であればサポートベクトルマシンにより分類器を生成し、データセットが数千を超えた場合には、ディープニューラルネットワークによる分類器に更新するというように、データセットの規模に応じて分析アルゴリズムの選択をすることで、最適な分析性能を有する分類器を提供することができる。特徴量の少ないセンサデータを分析する場合等には、サポートベクトルマシンにより分類器を生成する等、センサデータの種類に応じて分析アルゴリズムを選択することもできる。
また、サポートベクトルマシンとディープニューラルネットワークをはじめとした複数の分析アルゴリズムの学習をサーバで並列計算させ、教師データに対する一致が最も高い分析アルゴリズムを選択する等、分析性能に応じて分析アルゴリズムを選択するようにしてもよい。
このように、本実施の形態ではセンサデータや教師データの規模や種類等に応じて分析アルゴリズムを選択するようにしたので、センサデータの規模や種類等に応じて適切な分析アルゴリズムを選択することが可能となり、さらに異なるセンサデータを測定するセンサ端末毎に適切な分析アルゴリズムを選択することが可能となる。
＜第４の実施の形態＞
図９は、本願発明の第４の実施形態に係るデータ分析システムの構成例を示す図である。第４の実施の形態におけるデータ分析システムでは、センサデータのカテゴリー等に応じてセンサデータと教師データのデータセットを分類して学習を行う。図９の構成例では、カテゴリー信号は、ネットワーク６０に接続されたカテゴリー信号入力端末５０から入力される。
大規模なセンサデータを分析した場合、センサデータの母集団全体に対して信頼性を確保することが重要となる。この場合、典型から外れた利用者に対しては信頼性が得られない場合が多い。例えば、生体電位センサのセンサデータから得られる心電図から心拍数を分析する分析アルゴリズムにおいて、大半の利用者が健常人である場合、不整脈を持つ少数利用者の分析の信頼性は低くなる。利用者の行動様態を分析する場合であれば、加速度センサのデータもしくはその特徴量から得られる健常人の歩容と、半身麻痺の患者の歩容についても同様のことが言える。さらに、位置センサや温度センサ、制御センサのデータから得られる自動車の操作や軌跡、異常検出の分析であれば、データの大半である普通車に対して信頼性が確保される結果となり、データの少ない大型バスに関する分析結果の信頼性は疑わしいものになる。
そこで、本実施の形態では、持病の有無や自動車の車種といったセンサデータのカテゴリー信号を入力し、入力されたカテゴリー信号に応じてセンサデータと教師データのデータセットを分類して学習を行う。これにより、全データを一律にひとつの分析アルゴリズムで分析を行うのではなく、母集団共通で学習できるものは全データを一つのアルゴリズムで分析を行い、それができない場合には、カテゴリーごとにデータを異なる母集団に分類し、異なる母集団として分析を行うことができるので、信頼性の高い分析を行うことができる。また、カテゴリーごとに分類した結果、母集団のデータ規模が少なくなる場合は、そのデータ規模に応じた分析アルゴリズムを選択することもできる。
また、カテゴリー信号を入力するカテゴリー信号入力端末５０では、利用者が、母集団の一部のデータとして同じ属性で分析されるか、別のカテゴリーとして個別の属性として分析されるかといったデータの属性に関わる利用者の要望をカテゴリー信号として入力させることもできる。
図１０は、本願発明の第４の実施形態に係るデータ分析システムを構成するカテゴリー信号入力端末およびサーバの機能ブロックの構成例を示す図である。センサ端末２０、教師データ入力端末３０の構成は、第１の実施の形態と同様である。サーバ１０は、第１の実施の形態の構成に加え、カテゴリー信号を受信するカテゴリー信号受信部１１１と、カテゴリー信号を格納するカテゴリー信号格納部１１２、学習をする際にカテゴリーに基づいてセンサデータと教師データのセットを分類するカテゴリー分類部１１３とを備える。
カテゴリー信号入力端末５０は、利用者がカテゴリー信号を入力するカテゴリー信号入力部５０１と、入力されたカテゴリー信号を格納するカテゴリー信号格納部５０２と、格納されたカテゴリー信号を送信するカテゴリー信号送信部５０３を備える。
図１１は、本願発明の第４の実施形態に係るデータ分析システムにおけるデータ分析方法のシーケンスの一例を示す図である。第３の実施の形態では、センサデータや教師データの規模等に応じて、分析アルゴリズムの選択を行ったが、本実施の形態では、センサデータのカテゴリーに応じて分析アルゴリズムを選択する。なお、第３の実施の形態におけるセンサデータや教師データの規模等に応じた分析アルゴリズムの選択と、センサデータのカテゴリーに応じた分析アルゴリズムの選択を組み合わせてもよい。
このように、本実施の形態によれば、センサデータのカテゴリーに応じて分析アルゴリズムを選択するように構成したので、センサデータのカテゴリーに応じて適切な分析アルゴリズムを選択し、信頼性の高い分析を行うことが可能となる。
＜第５の実施の形態＞
第５の実施の形態におけるデータ分析システムでは、教師あり学習による分析だけでなく、教師なし学習や半教師あり学習および協調学習による分析の使い分けを行う。
分析アルゴリズムには、教師データを必要とする教師あり学習と、教師データを必要としない教師なし学習が存在する。さらに、教師あり学習にも、一部のデータにしか教師データが対応しない、または、あるデータ群の中に正解データが少なくともひとつあるかないかのみがわかるといった不確定的な教師データしか得られない半教師あり学習がある。本実施の形態では、教師データの入力状態に応じて、教師あり学習、半教師あり学習、教師なし学習および協調学習による分析を使い分ける。
例えば、利用者がカテゴリーとして個別の属性として分析されることを選択したが、利用者が全く教師データを送信しない場合、教師あり学習は行うことができない。このような場合は、教師なし学習や、他カテゴリーのデータの学習結果を用いる協調学習による分類器の生成・更新が行われる。また、当初は教師データが送信されていたが、ある時点から教師データが送信されなくなったという場合も想定され、この場合には半教師あり学習を用いればよい。
例えば、教師あり学習、半教師あり学習、教師なし学習の使い分けは、全データの８割以上に教師データが紐付く場合、残りの２割のデータは学習に用いない教師あり学習を行い、８割以下２割以上の場合は、半教師あり学習を用いる。さらに、教師データが紐づくデータが全データの２割以下の場合は教師なし学習を用いる。
このように、本実施の形態によれば、教師あり学習による分析だけでなく、教師なし学習や半教師あり学習および協調学習による分析の使い分けを行うことにより、潤沢な教師データが得られない場合でも、学習による分類器の更新と信頼性向上を継続することができる。
＜第６の実施の形態＞
第６の形態に記載のデータ分析システムでは、能動学習等に基づいたデータ収集を行うことで予め教師データが必要なデータ、あるいは必要な教師データのクラスを抽出して、センサ端末や教師データ入力端末に通知しておき、センサ端末は、通知されたセンサデータが得られた場合にのみセンサデータを送信し、教師データ入力端末は必要な教師データに相当するデータが得られた場合のみデータをサーバに送信する。
上述した第２の実施の形態では、一部のセンサ端末や一部の教師データ入力端末がデータを継続的に送信することにより分類器の更新を行う。ここで、実際のデータ分析においては各データの出現頻度が大きく異なるため、多くの頻出データが分析性能の向上に寄与しないデータとなってしまう場合がある。そこで、本実施の形態では、サーバにおいて、能動学習、能動クラス選択やベイズ最適化に基づいたデータ収集を行うことで、学習を行う際の教師データが、分析性能を向上させるために必要とするセンサデータ、あるいは必要な教師データのクラスを抽出して、予めセンサ端末や教師データ入力端末に通知しておき、センサ端末、教師データ入力端末は、指定されたセンサデータや必要な教師データに相当するデータが得られた場合のみサーバにデータを送信する。
本実施の形態では、サーバに送信するデータを分析性能を向上させるためのデータのみに限定できるため、ネットワークの帯域に対する圧迫の低減と分析アルゴリズムの追加学習コストの軽減が可能となる。また、事後的に教師データを付与する場合であれば、教師データ付与に伴うコストを軽減することも可能となる。
さらに、専門家に質問しながら分類器を学習させる機械学習のフレームワークのひとつである能動学習を使うようにすれば、送信し続けるデータを分析アルゴリズムの性能向上に有効なもののみに絞り、ネットワークのトラフィック改善と分析アルゴリズムの信頼性向上のトレードオフの解消をより効果的に実現することができる。
１…データ分析システム、１０…サーバ、２０…センサ端末、３０…教師データ入力端末、４０…ビューワ、５０…カテゴリー信号入力端末、６０…ネットワーク。

Claims (10)

  1. センサデータを測定するセンサ端末、教師データを入力する教師データ入力端末、および前記センサデータと前記教師データを用いて学習を行うことにより分類器を生成するサーバを備えたデータ分析システムであって、
    前記センサ端末は、
    測定した前記センサデータを前記サーバに送信するセンサデータ送信部と、
    前記サーバで生成された前記分類器を受信する分類器受信部と、
    前記分類器を用いて前記センサデータの分析を行う分析実行部と、
    前記分析実行部の分析結果を前記サーバに送信する分析結果送信部を備え、
    前記教師データ入力端末は、
    入力された教師データを前記サーバに送信する教師データ送信部を備え、
    前記サーバは、
    前記センサ端末から受信したセンサデータと前記教師データ入力端末から受信した教師データを用いて学習を行うことにより分類器を生成する分類器生成部と、
    前記分類器を用いて前記センサデータの分析を行う分析実行部と、
    前記分類器を前記センサ端末に送信する分類器送信部と、
    前記センサ端末から前記分析結果を受信する分析結果受信部とを備え、
    前記分類器生成部は、複数の分析アルゴリズムを有し、前記センサデータおよび前記教師データの規模および種類、前記分類器の分析性能の少なくともいずれかに応じて、学習を行う分析アルゴリズムを選択する
    ことを特徴とするデータ分析システム。
  2. センサデータを測定するセンサ端末、教師データを入力する教師データ入力端末、および前記センサデータと前記教師データを用いて学習を行うことにより分類器を生成するサーバを備えたデータ分析システムであって、
    前記センサ端末は、
    測定した前記センサデータを前記サーバに送信するセンサデータ送信部と、
    前記サーバで生成された前記分類器を受信する分類器受信部と、
    前記分類器を用いて前記センサデータの分析を行う分析実行部と、
    前記分析実行部の分析結果を前記サーバに送信する分析結果送信部を備え、
    前記教師データ入力端末は、
    入力された教師データを前記サーバに送信する教師データ送信部を備え、
    前記サーバは、
    前記センサ端末から受信したセンサデータと前記教師データ入力端末から受信した教師データを用いて学習を行うことにより分類器を生成する分類器生成部と、
    前記分類器を用いて前記センサデータの分析を行う分析実行部と、
    前記分類器を前記センサ端末に送信する分類器送信部と、
    前記センサ端末から前記分析結果を受信する分析結果受信部とを備え、
    前記分類器生成部は、前記センサデータのカテゴリーに基づいて前記センサデータを分類し、分類された前記センサデータに応じて学習を行う分析アルゴリズムを選択する
    ことを特徴とするデータ分析システム。
  3. センサデータを測定するセンサ端末、教師データを入力する教師データ入力端末、および前記センサデータと前記教師データを用いて学習を行うことにより分類器を生成するサーバを備えたデータ分析システムであって、
    前記センサ端末は、
    測定した前記センサデータを前記サーバに送信するセンサデータ送信部と、
    前記サーバで生成された前記分類器を受信する分類器受信部と、
    前記分類器を用いて前記センサデータの分析を行う分析実行部と、
    前記分析実行部の分析結果を前記サーバに送信する分析結果送信部を備え、
    前記教師データ入力端末は、
    入力された教師データを前記サーバに送信する教師データ送信部を備え、
    前記サーバは、
    前記センサ端末から受信したセンサデータと前記教師データ入力端末から受信した教師データを用いて学習を行うことにより分類器を生成する分類器生成部と、
    前記分類器を用いて前記センサデータの分析を行う分析実行部と、
    前記分類器を前記センサ端末に送信する分類器送信部と、
    前記センサ端末から前記分析結果を受信する分析結果受信部とを備え
    前記サーバの前記分析実行部は、前記センサデータの分析結果に基づいて、分析性能を向上させるために追加すべき前記センサデータおよび前記教師データの少なくともいずれかを抽出して、前記センサ端末および前記教師データ入力端末の少なくともいずれかに通知し、
    前記センサ端末および前記教師データ入力端末は、追加すべき前記センサデータおよび前記教師データの少なくともいずれかに相当するデータのみを前記サーバに送信する
    ことを特徴とする記載のデータ分析システム。
  4. センサデータを測定するセンサ端末、教師データを入力する教師データ入力端末、および前記センサデータと前記教師データを用いて学習を行うことにより分類器を生成するサーバを備えたデータ分析システムであって、
    前記センサ端末は、
    測定した前記センサデータを前記サーバに送信するセンサデータ送信部と、
    前記サーバで生成された前記分類器を受信する分類器受信部と、
    前記分類器を用いて前記センサデータの分析を行う分析実行部と、
    前記分析実行部の分析結果を前記サーバに送信する分析結果送信部を備え、
    前記教師データ入力端末は、
    入力された教師データを前記サーバに送信する教師データ送信部を備え、
    前記サーバは、
    前記センサ端末から受信したセンサデータと前記教師データ入力端末から受信した教師データを用いて学習を行うことにより分類器を生成する分類器生成部と、
    前記分類器を用いて前記センサデータの分析を行う分析実行部と、
    前記分類器を前記センサ端末に送信する分類器送信部と、
    前記センサ端末から前記分析結果を受信する分析結果受信部とを備え
    前記センサ端末に実装されるセンサは、生体電位センサ、加速度センサ、温度センサ、位置センサの少なくともいずれかである
    ことを特徴とするデータ分析システム。
  5. 前記データ分析システムは、複数の前記センサ端末と複数の前記教師データ入力端末の少なくともいずれかを備え、
    前記分類器を生成した後に、一部の前記センサ端末および一部の前記教師データ入力端末は、前記センサデータあるいは前記教師データの送信を継続し、
    前記分類器生成部は、前記一部の前記センサ端末から受信した前記センサデータと、前記一部の前記教師データ入力端末から受信した前記教師データの少なくともいずれかを用いて再度学習を行うことにより分類器を更新し、
    前記分類器送信部は、更新された前記分類器を、少なくとも前記一部の前記センサ端末に送信する
    ことを特徴とする請求項１乃至４のいずれか１項に記載のデータ分析システム。
  6. 前記分類器生成部の分析アルゴリズムは、
    前記センサデータまたは前記センサデータから得られる特徴量の幾何学的構造に基づいて分析を行う幾何モデルや、確率に基づいて分析を行う確率モデル、論理判定に基づいて分析を行う論理モデルの少なくともいずれかである
    ことを特徴とする請求項１乃至５のいずれか１項に記載のデータ分析システム。
  7. センサデータを測定するセンサ端末、教師データを入力する教師データ入力端末、および前記センサデータと前記教師データを用いて学習を行うことにより分類器を生成するサーバを備えたデータ分析システムにおけるデータ分析方法であって、
    前記センサ端末は、
    測定した前記センサデータを前記サーバに送信し、
    前記サーバで生成された前記分類器を受信し、
    前記分類器を用いて前記センサデータの分析を行い、
    前記分析の分析結果を前記サーバに送信し、
    前記教師データ入力端末は、
    入力された教師データを前記サーバに送信し、
    前記サーバは、
    前記センサ端末から受信したセンサデータと前記教師データ入力端末から受信した教師データを用いて学習を行うことにより分類器を生成し、
    前記分類器を用いて前記センサデータの分析を行い、
    前記分類器を前記センサ端末に送信し、
    前記センサ端末から前記分析結果を受信 し、
    前記サーバは、前記分類器を生成する際に、複数の分析アルゴリズムを有し、前記センサデータおよび前記教師データの規模および種類、前記分類器の分析性能の少なくともいずれかに応じて、学習を行う分析アルゴリズムを選択する
    ことを特徴とするデータ分析方法。
  8. センサデータを測定するセンサ端末、教師データを入力する教師データ入力端末、および前記センサデータと前記教師データを用いて学習を行うことにより分類器を生成するサーバを備えたデータ分析システムにおけるデータ分析方法であって、
    前記センサ端末は、
    測定した前記センサデータを前記サーバに送信し、
    前記サーバで生成された前記分類器を受信し、
    前記分類器を用いて前記センサデータの分析を行い、
    前記分析の分析結果を前記サーバに送信し、
    前記教師データ入力端末は、
    入力された教師データを前記サーバに送信し、
    前記サーバは、
    前記センサ端末から受信したセンサデータと前記教師データ入力端末から受信した教師データを用いて学習を行うことにより分類器を生成し、
    前記分類器を用いて前記センサデータの分析を行い、
    前記分類器を前記センサ端末に送信し、
    前記センサ端末から前記分析結果を受信し、
    前記サーバは、前記分類器を生成する際に、前記センサデータのカテゴリーに基づいて前記センサデータを分類し、分類された前記センサデータに応じて学習を行う分析アルゴリズムを選択する
    ことを特徴とするデータ分析方法。
  9. センサデータを測定するセンサ端末、教師データを入力する教師データ入力端末、および前記センサデータと前記教師データを用いて学習を行うことにより分類器を生成するサーバを備えたデータ分析システムにおけるデータ分析方法であって、
    前記センサ端末は、
    測定した前記センサデータを前記サーバに送信し、
    前記サーバで生成された前記分類器を受信し、
    前記分類器を用いて前記センサデータの分析を行い、
    前記分析の分析結果を前記サーバに送信し、
    前記教師データ入力端末は、
    入力された教師データを前記サーバに送信し、
    前記サーバは、
    前記センサ端末から受信したセンサデータと前記教師データ入力端末から受信した教師データを用いて学習を行うことにより分類器を生成し、
    前記分類器を用いて前記センサデータの分析を行い、
    前記分類器を前記センサ端末に送信し、
    前記センサ端末から前記分析結果を受信し、
    前記サーバは、前記センサデータの分析を行う際に、前記センサデータの分析結果に基づいて、分析性能を向上させるために追加すべき前記センサデータおよび前記教師データの少なくともいずれかを抽出して、前記センサ端末および前記教師データ入力端末の少なくともいずれかに通知し、
    前記センサ端末および前記教師データ入力端末は、追加すべき前記センサデータおよび前記教師データの少なくともいずれかに相当するデータのみを前記サーバに送信する
    ことを特徴とするデータ分析方法。
  10. センサデータを測定するセンサ端末、教師データを入力する教師データ入力端末、および前記センサデータと前記教師データを用いて学習を行うことにより分類器を生成するサーバを備えたデータ分析システムにおけるデータ分析方法であって、
    前記センサ端末は、
    測定した前記センサデータを前記サーバに送信し、
    前記サーバで生成された前記分類器を受信し、
    前記分類器を用いて前記センサデータの分析を行い、
    前記分析の分析結果を前記サーバに送信し、
    前記教師データ入力端末は、
    入力された教師データを前記サーバに送信し、
    前記サーバは、
    前記センサ端末から受信したセンサデータと前記教師データ入力端末から受信した教師データを用いて学習を行うことにより分類器を生成し、
    前記分類器を用いて前記センサデータの分析を行い、
    前記分類器を前記センサ端末に送信し、
    前記センサ端末から前記分析結果を受信し、
    前記センサ端末に実装されるセンサは、生体電位センサ、加速度センサ、温度センサ、位置センサの少なくともいずれかである
    ことを特徴とするデータ分析方法。
JP2018106704A 2018-06-04 2018-06-04 データ分析システムおよびデータ分析方法 Active JP7106997B2 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2018106704A JP7106997B2 (ja) 2018-06-04 2018-06-04 データ分析システムおよびデータ分析方法
PCT/JP2019/019491 WO2019235161A1 (ja) 2018-06-04 2019-05-16 データ分析システムおよびデータ分析方法
US15/734,365 US20210166082A1 (en) 2018-06-04 2019-05-16 Data analysis system and data analysis method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018106704A JP7106997B2 (ja) 2018-06-04 2018-06-04 データ分析システムおよびデータ分析方法

Publications (2)

Publication Number Publication Date
JP2019211942A JP2019211942A (ja) 2019-12-12
JP7106997B2 true JP7106997B2 (ja) 2022-07-27

Family

ID=68770281

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018106704A Active JP7106997B2 (ja) 2018-06-04 2018-06-04 データ分析システムおよびデータ分析方法

Country Status (3)

Country Link
US (1) US20210166082A1 (ja)
JP (1) JP7106997B2 (ja)
WO (1) WO2019235161A1 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019212604A1 (de) * 2019-08-22 2021-02-25 Robert Bosch Gmbh Verfahren und Steuergerät zum Bestimmen eines Auswertealgorithmus aus einer Mehrzahl von verfügbaren Auswertealgorithmen zur Verarbeitung von Sensordaten eines Fahrzeugsensors eines Fahrzeugs
US20230118209A1 (en) * 2020-03-02 2023-04-20 Nippon Telegraph And Telephone Corporation Learning method, learning system, device, learning apparatus and program

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011036809A1 (ja) 2009-09-28 2011-03-31 株式会社 東芝 異常判定システムおよびその方法
JP2015135552A (ja) 2014-01-16 2015-07-27 株式会社デンソー 学習システム、車載装置、及び、サーバ
JP2016040650A (ja) 2014-08-12 2016-03-24 株式会社Ｓｃｒｅｅｎホールディングス 分類器構築方法、画像分類方法および画像分類装置
JP2017215898A (ja) 2016-06-02 2017-12-07 株式会社マーズスピリット 機械学習システム
JP2018073024A (ja) 2016-10-27 2018-05-10 ホーチキ株式会社 監視システム
JP2018088157A (ja) 2016-11-29 2018-06-07 マクセル株式会社 検知認識システム
JP2018173914A (ja) 2017-03-31 2018-11-08 綜合警備保障株式会社 画像処理システム、撮像装置、学習モデル作成方法、情報処理装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2895970B1 (en) * 2012-09-14 2018-11-07 InteraXon Inc. Systems and methods for collecting, analyzing, and sharing bio-signal and non-bio-signal data
US9792823B2 (en) * 2014-09-15 2017-10-17 Raytheon Bbn Technologies Corp. Multi-view learning in detection of psychological states
US9990587B2 (en) * 2015-01-22 2018-06-05 Preferred Networks, Inc. Machine learning heterogeneous edge device, method, and system
US10986994B2 (en) * 2017-01-05 2021-04-27 The Trustees Of Princeton University Stress detection and alleviation system and method
US11494693B2 (en) * 2018-06-01 2022-11-08 Nami Ml Inc. Machine learning model re-training based on distributed feedback
WO2021137849A1 (en) * 2019-12-30 2021-07-08 Google Llc Distributed machine-learned models across networks of interactive objects

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011036809A1 (ja) 2009-09-28 2011-03-31 株式会社 東芝 異常判定システムおよびその方法
JP2015135552A (ja) 2014-01-16 2015-07-27 株式会社デンソー 学習システム、車載装置、及び、サーバ
JP2016040650A (ja) 2014-08-12 2016-03-24 株式会社Ｓｃｒｅｅｎホールディングス 分類器構築方法、画像分類方法および画像分類装置
JP2017215898A (ja) 2016-06-02 2017-12-07 株式会社マーズスピリット 機械学習システム
JP2018073024A (ja) 2016-10-27 2018-05-10 ホーチキ株式会社 監視システム
JP2018088157A (ja) 2016-11-29 2018-06-07 マクセル株式会社 検知認識システム
JP2018173914A (ja) 2017-03-31 2018-11-08 綜合警備保障株式会社 画像処理システム、撮像装置、学習モデル作成方法、情報処理装置

Also Published As

Publication number Publication date
US20210166082A1 (en) 2021-06-03
WO2019235161A1 (ja) 2019-12-12
JP2019211942A (ja) 2019-12-12

Similar Documents

Publication Publication Date Title
US11138376B2 (en) Techniques for information ranking and retrieval
US10860950B2 (en) Automated computer-based model development, deployment, and management
Kulin et al. Data-driven design of intelligent wireless networks: An overview and tutorial
CN107945880B (zh) 一种面向边缘计算的类型化医疗资源处理系统设计方法
KR102252459B1 (ko) 지식 그래프 기반의 사용자 맞춤형 질의 응답 시스템
US20210042265A1 (en) Distributed columnar data set storage
US20180095632A1 (en) Interactive visualizations of a convolutional neural network
KR102362679B1 (ko) 심전도 신호 기반의 만성질환 예측 방법
US10635947B2 (en) Distributable classification system
US20200356462A1 (en) Systems and methods for determining performance metrics of remote relational databases
CN102414692A (zh) 副本数据的动态安置
CN104573630A (zh) 基于双支持向量机概率输出的多类脑电模式在线识别方法
JP7106997B2 (ja) データ分析システムおよびデータ分析方法
US20180239821A1 (en) Converting graphical data-visualizations into sonified output
US20210014124A1 (en) Feature-based network embedding
CN115358487A (zh) 面向电力数据共享的联邦学习聚合优化系统及方法
US20230281513A1 (en) Data model training method and apparatus
WO2023151277A1 (zh) 数据处理方法、装置、设备及存储介质
Yuan et al. A high accuracy integrated bagging-fuzzy-GBDT prediction algorithm for heart disease diagnosis
CN113162787B (zh) 电信网络中故障定位的方法、节点分类方法以及相关设备
KR20230065038A (ko) 쿼리 기반 데이터베이스 연동 딥러닝 분산 시스템 및 그 방법
CN106502842B (zh) 数据恢复方法及系统
US10902329B1 (en) Text random rule builder
CN113704008A (zh) 一种异常检测方法、问题诊断方法和相关产品
CN112765489B (zh) 一种社交网络链路预测方法及系统

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20201006

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20211221

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220126

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: 20220614

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220627

R150 Certificate of patent or registration of utility model

Ref document number: 7106997

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150