JP7147942B1 - データ収集装置、データ収集システム、データ収集方法 - Google Patents

データ収集装置、データ収集システム、データ収集方法 Download PDF

Info

Publication number
JP7147942B1
JP7147942B1 JP2021145710A JP2021145710A JP7147942B1 JP 7147942 B1 JP7147942 B1 JP 7147942B1 JP 2021145710 A JP2021145710 A JP 2021145710A JP 2021145710 A JP2021145710 A JP 2021145710A JP 7147942 B1 JP7147942 B1 JP 7147942B1
Authority
JP
Japan
Prior art keywords
data
terminal devices
terminal device
target area
terminal
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
JP2021145710A
Other languages
English (en)
Other versions
JP2023038803A (ja
Inventor
大樹 横山
智洋 金子
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.)
Toyota Motor Corp
Original Assignee
Toyota Motor 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 Toyota Motor Corp filed Critical Toyota Motor Corp
Priority to JP2021145710A priority Critical patent/JP7147942B1/ja
Priority to US17/902,304 priority patent/US20230071657A1/en
Application granted granted Critical
Publication of JP7147942B1 publication Critical patent/JP7147942B1/ja
Publication of JP2023038803A publication Critical patent/JP2023038803A/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/02—Details
    • H04L12/16—Arrangements for providing special services to substations
    • H04L12/18—Arrangements for providing special services to substations for broadcast or conference, e.g. multicast
    • H04L12/1845—Arrangements for providing special services to substations for broadcast or conference, e.g. multicast broadcast or multicast in a specific location, e.g. geocast
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/02—Details
    • H04L12/16—Arrangements for providing special services to substations
    • H04L12/18—Arrangements for providing special services to substations for broadcast or conference, e.g. multicast
    • H04L12/1863—Arrangements for providing special services to substations for broadcast or conference, e.g. multicast comprising mechanisms for improved reliability, e.g. status reports
    • H04L12/1877—Measures taken prior to transmission
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
    • H04L51/06—Message adaptation to terminal or network requirements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
    • H04L51/21—Monitoring or handling of messages

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Selective Calling Equipment (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Telephonic Communication Services (AREA)

Abstract

【課題】複数の端末機器からデータを収集するにあたってサーバの負荷が高くなり過ぎることを抑制する。【解決手段】データ収集装置は、所定の対象エリア内に位置し且つ個人にそれぞれ保持される複数の端末機器１０と通信可能であり、且つ端末機器からデータを収集する。データ収集装置は、端末機器からのデータの送信を制御する送信制御部２３２と、対象エリア内に位置する端末機器の数を算出する算出部２３１と、を有する。送信制御部は、対象エリア内に位置する端末機器の数が相対的に多い場合には、相対的に少ない場合に比べて、端末機器からのデータの送信速度が遅くなるように又は対象エリア内に位置する端末機器のうちデータの送信を停止する前記端末機器の数が多くなるように、端末機器からのデータの送信を制御する。【選択図】図７

Description

本開示は、データ収集装置、データ収集システム、データ収集方法に関する。
スマートシティにおいて、そのコミュニティ内の複数の主体からデータを収集することが提案されている。特に、特許文献１では、異なる事業主体の情報システムから得られるデータには不確かさがあることから、斯かる不確かさを解消すべく、得られたデータを補正した上でデータを収集することが提案されている。
特開２０１３－６９０８４号公報
ところで、スマートシティなどにおける情報源の一つとして、スマートシティ内の人がそれぞれ保持する端末機器（例えば、ウェアラブル端末）が挙げられる。このような端末機器からサーバがデータを取得する場合には、多くの人が集まっていると、サーバには多量のデータが収集されてしまい、サーバにおける処理負荷が高くなり過ぎる可能性がある。
上記課題に鑑みて、本開示の目的は、個人にそれぞれ保持される複数の端末機器からデータを収集するにあたってサーバの負荷が高くなり過ぎることを抑制することにある。
本開示の要旨は以下のとおりである。
（１）所定の対象エリア内に位置し且つ個人にそれぞれ保持される複数の端末機器と通信可能であり、且つ該端末機器からデータを収集するデータ収集装置であって、
前記端末機器からのデータの送信を制御する送信制御部と、
前記対象エリア内に位置する端末機器の数を算出する算出部と、を有し、
前記送信制御部は、前記対象エリア内に位置する前記端末機器の数が相対的に多い場合には、前記対象エリア内に位置する前記端末機器の数が相対的に少ない場合に比べて、前記端末機器からのデータの送信速度が遅くなるように又は前記対象エリア内に位置する前記端末機器のうちデータの送信を停止する前記端末機器の数が多くなるように、前記端末機器からのデータの送信を制御する、データ収集装置。
（２）前記送信制御部は、前記対象エリア内に位置する前記端末機器の数が多いほど前記端末機器からのデータの送信速度が遅くなるように、前記端末機器からのデータの送信を制御する、上記（１）に記載のデータ収集装置。
（３）前記送信制御部は、前記対象エリア内に位置する前記端末機器の数が多いほど前記対象エリア内に位置する前記端末機器のうちデータの送信を停止する前記端末機器の数が多くなるように、前記端末機器からのデータの送信を制御する、上記（１）に記載のデータ収集装置。
（４）前記端末機器は、該端末機器の周りの環境情報を取得するように構成され、
前記送信制御部は、前記端末機器からの環境情報に関するデータの送信を制御する、上記（１）～（３）のいずれか１つに記載のデータ収集装置。
（５）前記端末機器から送信されたデータを用いて機械学習モデルを機械学習させる学習部と、
前記学習部によって学習された機械学習モデルを前記端末機器に送信するモデル送信部と、を更に備える、上記（１）～（４）のいずれか１つに記載のデータ収集装置。
（６）データ収集システムであって、
該データ収集システムは、個人にそれぞれ保持される複数の端末機器と、所定の対象エリア内の複数の前記端末機器と通信し且つ該端末機器からデータを収集するサーバと、を有し、
前記サーバは、前記端末機器からのデータの送信を制御する送信制御部と、前記対象エリア内に位置する前記端末機器の数を算出する算出部と、を有し、
前記端末機器は、前記送信制御部からの指令に基づいて該端末機器において取得されたデータを前記サーバへ送信するデータ送信部を有し、
前記送信制御部は、前記対象エリア内に位置する端末機器の数が相対的に多い場合には、前記対象エリア内に位置する端末機器の数が相対的に少ない場合に比べて、前記端末機器からのデータの送信速度が遅くなるように又は前記対象エリア内に位置する前記端末機器のうちデータの送信を停止する前記端末機器の数が多くなるように、前記データ送信部によるデータの送信を制御する、データ収集システム。
（７）所定の対象エリア内に位置し且つ個人にそれぞれ保持される端末機器と通信し且つ該端末機器からデータを収集するデータ収集方法であって、
前記対象エリア内に位置する前記端末機器の数を算出することと、
算出された前記端末機器の数が相対的に多い場合には、算出された前記端末機器の数が相対的に少ない場合に比べて、前記端末機器からのデータの送信速度が遅くなるように又は前記対象エリア内に位置する前記端末機器のうちデータの送信を停止する前記端末機器の数が多くなるように、前記端末機器からのデータの送信を制御することと、を含むデータ収集方法。
本開示によれば、個人にそれぞれ保持される複数の端末機器からデータを収集するにあたってサーバの負荷が高くなり過ぎることが抑制される。
図１は、一つの実施形態に係る機械学習システムの概略的な構成図である。 図２は、端末機器のハードウェア構成を概略的に示す図である。 図３は、サーバのハードウェア構成を概略的に示す図である。 図４は、単純な構成を有するＮＮモデルの一例を示す図である。 図５は、端末機器のプロセッサの機能ブロック図である。 図６は、サーバのプロセッサの機能ブロック図である。 図７は、端末機器にて用いられる機械学習モデルの学習処理の流れを示す動作シーケンス図である。 図８は、対象エリア内に位置する端末機器の数と、各端末機器からサーバへのデータの上限送信速度との関係を示す図である。 図９は、対象エリア内に位置する端末機器の数と、サーバへのデータの送信を停止する端末機器の数との関係を示す図である。
以下、図面を参照して実施形態について詳細に説明する。なお、以下の説明では、同様な構成要素には同一の参照番号を付す。
＜機械学習システムの構成＞
図１～３を参照して、一つの実施形態に係る機械学習システム１の構成について説明する。図１は、一つの実施形態に係る機械学習システム１の概略的な構成図である。機械学習システム１は、各端末機器において用いられる機械学習モデルを学習させる。また、機械学習システムは、機械学習モデルの学習に必要なデータを端末機器から収集するデータ収集システムとしても機能する。
図１に示したように、機械学習システム１は、複数の端末機器１０と、端末機器１０と通信可能なサーバ２０とを有する。複数の端末機器１０のそれぞれとサーバ２０とは、光通信回線などで構成される通信ネットワーク４と、通信ネットワーク４にゲートウェイ（図示せず）を介して接続される無線基地局５とを介して、相互に通信可能に構成される。端末機器１０と無線基地局５との通信としては、通信距離が長い種々の広域無線通信を用いることができ、例えば、３ＧＰＰ、ＩＥＥＥによって策定された４Ｇ、ＬＴＥ、５Ｇ、ＷｉＭＡＸ等の任意の通信規格に準拠した通信が用いられる。
特に、本実施形態では、サーバ２０は、所定の対象エリア内に位置する端末機器１０と通信する。対象エリアは、予め定められた境界によって囲まれた範囲であり、例えば、「ＩＣＴ等の新技術を活用しつつ、マネジメント(計画、整備、管理・運営等）の高度化により、都市や地域の抱える諸課題の解決を行い、また新たな価値を創出し続ける、持続可能な都市や地域」として定義されるスマートシティである。サーバ２０は、対象エリア外に位置する端末機器１０と通信可能であってもよい。
端末機器１０は、それぞれ個人に保持される機器である。端末機器１０は、例えば、時計型端末（スマートウォッチ）、リストバンド型端末、クリップ型端末、及びメガネ型端末（スマートグラス）などのウェアラブル端末、及び携帯端末を含む。したがって、端末機器１０は、端末機器１０を保持する個人の移動に伴って移動する。このため端末機器１０を保持する個人が対象エリア内に移動すると、その個人によって保持された端末機器１０も対象エリア内に移動することなる。逆に、端末機器１０を保持する個人が対象エリア外へ移動すると、その個人によって保持された端末機器１０も対象エリア外に移動することなる。
本実施形態では、端末機器１０は、特に、時計型端末、及び時計型端末と近距離無線通信によって通信する携帯端末を含む。近距離無線通信としては、例えば、ＩＥＥＥ、ＩＳＯ、ＩＥＣ等によって策定された任意の通信規格（例えば、Bluetooth（登録商標）、ZigBee（登録商標））に準拠した通信が用いられる。
図２は、端末機器１０のハードウェア構成を概略的に示す図である。図２に示したように、通信モジュール１１と、センサ１２と、入力装置１３、出力装置１４と、メモリ１５と、プロセッサ１６と、を有する。通信モジュール１１、センサ１２、入力装置１３、出力装置１４及びメモリ１５は信号線を介してプロセッサ１６に接続されている。
通信モジュール１１は、他の機器と通信を行う通信部の一例である。通信モジュール１１は、例えば、サーバ２０と通信を行うための機器である。特に、通信モジュール１１は、上述した広域無線通信により無線基地局５と通信する機器であり、よって通信モジュール１１は無線基地局５及び通信ネットワーク４を介してサーバ２０と通信する。
センサ１２は、端末機器１０の状況及び端末機器１０の周りの状況に関する様々なパラメータを検出する検出器の一例である。特に、センサ１２は、異なるパラメータを検出する複数の個別のセンサを有する。センサ１２によって検出された各種パラメータの値は、信号線を介してプロセッサ１６又はメモリ１５に送信される。
具体的には、センサ１２は、端末機器１０の現在位置を検出するＧＮＳＳ受信機を含む。また、センサ１２は、端末機器１０を保持しているユーザに関するパラメータを検出するセンサを含んでもよい。例えば、端末機器１０が時計型端末（スマートウォッチ）である場合には、センサ１２は、端末機器１０を装着しているユーザの身体の状態に関するデータ（例えば、バイタルサイン（心拍数、体温、血圧及び呼吸数）、血中酸素濃度、心電図、血糖値、歩数、カロリー消費量、疲労度、睡眠状態等）を検出するセンサを含んでもよい。
また、センサ１２は、端末機器１０の周りの環境情報を検出するセンサを含んでもよい。例えば、端末機器１０がメガネ型端末（スマートグラス）である場合には、センサ１２は、これらユーザの状態に関するパラメータの値の他に、例えばメガネ型端末に設けられてユーザが見ているものを撮影するカメラや、ユーザが見ているものまでの距離を検出する距離センサ（ミリ波レーダやＬＩＤＡＲなど）を含む。
入力装置１３は、端末機器１０のユーザが入力を行うための装置である。具体的には、入力装置１３は、タッチパネル、マイク、ボタン、ダイヤルなどを含む。入力装置１３を介して入力された情報は、信号線を介してプロセッサ１６又はメモリ１５に送信される。
出力装置１４は、端末機器１０が出力を行うための装置である。具体的には、出力装置１４は、ディスプレイ、スピーカなどを含む。出力装置１４は、信号線を介してプロセッサ１６から送信された指令に基づいて、出力を行う。例えば、ディスプレイは、プロセッサ１６からの指令に基づいて画面上に画像を表示させ、スピーカは、プロセッサ１６からの指令に基づいて音を出力する。
メモリ１５は、は、例えば、揮発性の半導体メモリ（例えば、ＲＡＭ）、不揮発性の半導体メモリ（例えば、ＲＯＭ）等を有する。メモリ１５は、プロセッサ１６において各種処理を実行するためのコンピュータプログラムや、プロセッサ１６によって各種処理が実行されるときに使用される各種データ等を記憶する。メモリ１５は、例えば機械学習モデルを、具体的には機械学習モデルの構成及び学習パラメータ（例えば、後述する重みやバイアスなど）を記憶する。
プロセッサ１６は、一つ又は複数のＣＰＵ（Central Processing Unit）及びその周辺回路を有する。プロセッサ１６は、論理演算ユニット又は数値演算ユニットのような演算回路を更に有していてもよい。プロセッサ１６は、メモリ１５に記憶されたコンピュータプログラムに基づいて、各種処理を実行する。端末機器１０のプロセッサ１６によって実行される具体的な処理については後述する。
図３は、サーバ２０のハードウェア構成を概略的に示す図である。サーバ２０は、図３に示したように、通信モジュール２１と、ストレージ装置２２と、プロセッサ２３とを備える。また、サーバ２０は、キーボード及びマウスといった入力装置、及び、ディスプレイといった出力装置を有していてもよい。
通信モジュール２１は、サーバ２０外の機器と通信を行う通信部の一例である。通信モジュール２１は、サーバ２０を通信ネットワーク４に接続するためのインターフェース回路を備える。通信モジュール２１は、通信ネットワーク４及び無線基地局５を介して、複数の端末機器１０それぞれと通信可能に構成される。
ストレージ装置２２は、データを記憶する記憶部の一例である。ストレージ装置２２は、例えば、ハードディスクドライブ（ＨＤＤ）、ソリッドステートドライブ（ＳＳＤ）又は光記録媒体を有する。また、ストレージ装置２２は、揮発性の半導体メモリ（例えば、ＲＡＭ）、不揮発性の半導体メモリ（例えば、ＲＯＭ）等を有していてもよい。ストレージ装置２２は、プロセッサ２３によって各種処理を実行するためのコンピュータプログラムや、プロセッサ２３によって各種処理が実行されるときに使用される各種データを記憶する。また、ストレージ装置２２は、端末機器１０から送信された機械学習用のデータを記憶する。
プロセッサ２３は、一つ又は複数のＣＰＵ及びその周辺回路を有する。プロセッサ２３は、更にＧＰＵ、又は論理演算ユニット若しくは数値県債ユニットのような演算回路を有していてもよい。プロセッサ２３は、ストレージ装置２２に記憶されたコンピュータプログラムに基づいて、各種処理を実行する。サーバ２０のプロセッサ２３によって実行される具体的な処理については後述する。
＜機械学習モデル＞
本実施形態では、端末機器１０において、端末機器１０に備えられた機能を実行するときに、機械学習された機械学習モデルが用いられる。本実施形態では、機械学習モデルとして、例えば、ニューラルネットワークモデル（以下、「ＮＮモデル」という）が用いられる。以下、図４を参照して、ＮＮモデルの概要について説明する。図４は、単純な構成を有するＮＮモデルの一例を示す図である。
図４における丸印は人工ニューロンを表す。人工ニューロンは、通常、ノード又はユニットと称される（本明細書では、「ノード」と称す）。図４において、Ｌ＝１は入力層を示し、Ｌ＝２及びＬ＝３は隠れ層（又は中間層）を示し、Ｌ＝４は出力層を示している。
図４において、ｘ1及びｘ2は入力層（Ｌ＝１）の各ノード及びそのノードからの出力値を示しており、ｙは出力層（Ｌ＝４）のノード及びその出力値を示している。同様に、ｚ1 (L=2) 、ｚ2 (L=2)及びｚ3 (L=2)は隠れ層（Ｌ＝２）の各ノード及びそのノードからの出力値を示しており、ｚ1 (L=3)及びｚ2 (L=3)は隠れ層（Ｌ＝３）の各ノード及びそのノードからの出力値を示している。
入力層の各ノードでは入力がそのまま出力される。一方、隠れ層（Ｌ＝２）の各ノードには、入力層の各ノードの出力値ｘ1及びｘ2が入力され、隠れ層（Ｌ＝２）の各ノードでは、それぞれ対応する重みｗ及びバイアスｂを用いて総入力値ｕが算出される。例えば、図４において隠れ層（Ｌ＝２）のｚk (L=2)（ｋ＝１、２、３）で示される各ノードにおいて算出される総入力値ｕk (L=2)は、次式のようになる（Ｍは入力層のノードの数）。
Figure 0007147942000002
 次いで、この総入力値ｕk (L=2)は活性化関数ｆにより変換され、隠れ層（Ｌ＝２）のｚk (L=2)で示されるノードから、出力値ｚk (L=2)（＝ｆ（ｕk (L=2)））として出力される。一方、隠れ層（Ｌ＝３）の各ノードには、隠れ層（Ｌ＝２）の各ノードの出力値ｚ1 (L=2) 、ｚ2 (L=2)及びｚ3 (L=2)が入力され、隠れ層（Ｌ＝３）の各ノードでは、それぞれ対応する重みｗ及びバイアスｂを用いて総入力値ｕ（＝Σｚ・ｗ＋ｂ）が算出される。この総入力値ｕは同様に活性化関数により変換され、隠れ層（Ｌ＝３）の各ノードから、出力値ｚ1 (L=3)、ｚ2 (L=3)として出力される。活性化関数は例えばＲｅＬＵ関数σである。
また、出力層（Ｌ＝４）のノードには、隠れ層（Ｌ＝３）の各ノードの出力値ｚ1 (L=3)及びｚ2 (L=3)が入力され、出力層のノードでは、それぞれ対応する重みｗ及びバイアスｂを用いて総入力値ｕ（Σｚ・ｗ＋ｂ）が算出される。例えば、出力層のノードでは活性化関数としてシグモイド関数や恒等関数が用いられる。この場合、出力層のノードにおいて算出された総入力値ｕが、そのまま出力値ｙとして出力層のノードから出力される。
このようにＮＮモデルは、入力層と、隠れ層と、出力層とを備え、一又は複数の入力パラメータが入力層から入力されると、入力パラメータに対応する一又は複数の出力パラメータを出力層から出力する。なお、図４に示したＮＮモデルでは、隠れ層の層数は２層とされているが、隠れ層の層数は任意の層数とすることができる。また、図４に示したＮＮモデルでは、入力層のノードの数は２個、出力層のノードの数は１個、隠れ層のノードの数は３個又は２個とされているが、各層のノードの数は任意の数とすることができる。また、図４には機械学習モデルとして最も単純なＮＮモデルを示したが、機械学習モデルは、収集されたデータに基づいて機械学習させることができるモデルであれば、如何なるモデルであってもよい。したがって、機械学習モデルは、例えば再帰型ニューラルネットワーク（ＲＮＮ）、強化学習モデルなどであってもよい。
本実施形態では、このような機械学習モデルとして、例えば、端末機器１０を保持しているユーザの体温、心拍数、血圧及び呼吸数などのバイタルサイン、並びに端末機器１０の周りの気温及び湿度などの環境情報を入力パラメータとして入力すると、熱中症にかかる確率（以下、「熱中症罹患確率」という）を出力パラメータとして出力するモデルが用いられる。この場合、端末機器１０の周りの気温及び湿度は、端末機器１０のセンサ１２によって検出されてもよいし、通信ネットワーク４を介してサーバ２０から送信されてもよい。
なお、機械学習モデルとしては、様々な入力パラメータ及び出力パラメータを有するモデルを用いることができる。入力パラメータは、端末機器１０のセンサ１２によって検出することができる様々なパラメータを含む。具体的には、入力パラメータは、例えば、バイタルサイン（心拍数、体温、血圧及び呼吸数）、血中酸素濃度、心電図、血糖値、歩数、カロリー消費量、疲労度、睡眠状態、時刻、画像、動画等を含む。また、入力パラメータは、通信ネットワーク４を介してサーバ２０から送信されるパラメータ（例えば、端末機器１０の周りの気温、湿度、天気、風速等）を含んでもよい。
本実施形態では、上述したようなＮＮモデルの機械学習は、端末機器１０ではなく、サーバ２０で行われる。ＮＮモデルの機械学習にあたっては、端末機器１０のセンサ１２によって検出されたパラメータの値を含む学習用データセットが用いられる。加えて、学習用データセットは、ＮＮモデルの出力パラメータに関連するパラメータの値を正解値（正解ラベル）として含む。例えば、上述したような、熱中症罹患確率が出力パラメータである場合には、熱中症に罹患した人について作成された学習用データセットでは出力パラメータの値は１とされる。一方、熱中症に罹患しなかった人について作成された学習用データセットでは出力パラメータの値は０とされる。また、学習用データセットは、センサ１２の出力値に前処理（欠損処理、正規化、標準化など）を行うことで生成されてもよい。
ＮＮモデルの機械学習にあたっては、例えば、ＮＮモデルの出力値と学習用データセットに含まれる出力パラメータの正解値との差が小さくなるように、公知の誤差逆伝搬法によって、ＮＮモデルにおける重みｗ及びバイアスｂが繰り返し更新される。この結果、ＮＮモデルが学習され、学習済みのＮＮモデルが生成される。なお、機械学習モデルにおける機械学習は、公知の任意の手法を用いることができる。また、本明細書では、学習によって値が更新されるパラメータ（例えば、重みｗ及びバイアスｂ）を学習パラメータと称する。
＜機械学習モデルの使用＞
次に、図５を参照して、端末機器１０における機械学習モデルを使用した処理について説明する。本実施形態では、端末機器１０は、端末機器１０のセンサ１２によって検出された各種パラメータの値に基づいて、端末機器１０を保持するユーザが熱中症罹患確率を算出する。加えて、端末機器１０は、熱中症罹患確率が一定の基準値以上になったときには熱中症になる危険性がある旨をユーザに通知する。
図５は、端末機器１０のプロセッサ１６の機能ブロック図である。図５に示したように、端末機器１０のプロセッサ１６は、熱中症罹患確率を推定するにあたって、データ取得部１６１と、モデル実行部１６２と、通知部１６３と、を有する。端末機器１０のプロセッサ１６が有するこれら機能ブロックは、例えば、プロセッサ１６上で動作するコンピュータプログラムにより実現される機能モジュールである。或いは、プロセッサ１６が有するこれら機能ブロックは、プロセッサ１６に設けられる専用の演算回路であってもよい。
データ取得部１６１は、機械学習モデルの入力パラメータに関するデータを取得する。具体的には、データ取得部１６１は、端末機器１０のセンサ１２によって検出された入力パラメータの値を取得する。本実施形態では、データ取得部１６１は、センサ１２から、ユーザの体温、心拍数、血圧及び呼吸数を取得する。また、データ取得部１６１は、通信モジュール１１を介してサーバ２０等の外部の装置から入力パラメータの値を取得してもよい。本実施形態では、サーバ２０は、各端末機器１０のセンサ１２によって検出された現在位置を各端末機器１０から受信すると、その位置の周りの現在の温度及び現在の湿度をその端末機器１０に送信する。したがって、データ取得部１６１は、サーバ２０から端末機器１０の周りの気温及び湿度を取得する。データ取得部１６１によって取得されたデータは、メモリ１５に記憶される。
データ取得部１６１によって機械学習モデルの入力パラメータの現在の値が取得されると、モデル実行部１６２は、取得した入力パラメータの値を機械学習モデルに入力して、出力パラメータの値を算出する。本実施形態では、モデル実行部１６２では、データ取得部１６１によって取得されたユーザの体温、心拍数、血圧及び呼吸数並びに端末機器１０の周りの気温及び湿度が機械学習モデルに入力されると、ユーザの熱中症罹患確率が出力される。
ここで、機械学習モデルを実行するためのプログラム及び機械学習モデルにおいて用いられる学習パラメータの値はメモリ１５に記憶されている。したがって、モデル実行部１６２は、メモリ１５に記憶されているプログラム及び学習パラメータの値を用いて、出力パラメータの値を算出する。
通知部１６３は、モデル実行部１６２によって算出された出力パラメータの値に基づいて、ユーザへの通知を行う。通知部１６３は、出力装置１４によりユーザへの通知を行う。具体的には、本実施形態では、通知部１６３は、モデル実行部１６２によって算出された熱中症になる確率が所定の基準値（例えば、２５％）以上である場合には、出力装置１４によってユーザへの通知を行う。この場合、通知部１６３は、例えば、ディスプレイ上に熱中症に関する警告を表示させてもよいし、スピーカから熱中症に関する警告音を発生させてもよい。なお、通知部１６３は、熱中症罹患確率に関わらず、算出された熱中症罹患確率を常にディスプレイ上に表示させてもよい。
＜機械学習モデルの学習＞
次に、図５～図８を参照して、機械学習モデルの学習処理について説明する。本実施形態では、機械学習モデルの学習は、各端末機器１０のセンサ１２によって検出されたデータ等に基づいて、サーバ２０によって行われる。
図５に示したように、端末機器１０のプロセッサ１６は、機械学習モデルの学習を行うにあたって、データ送信部１６４と、モデル更新部１６５と、を有する。端末機器１０のプロセッサ１６が有するこれら機能ブロックは、例えば、プロセッサ１６上で動作するコンピュータプログラムにより実現される機能モジュールである。或いは、プロセッサ１６が有するこれら機能ブロックは、プロセッサ１６に設けられる専用の演算回路であってもよい。
データ送信部１６４は、データ取得部１６１によって端末機器１０のセンサ１２によって取得されたデータを、通信ネットワーク４を介してサーバ２０に送信する。サーバ２０に送信されるデータは、機械学習モデルを学習させるのに用いられるため、機械学習モデルの入力パラメータの値を含む。また、端末機器１０のセンサ１２によって出力パラメータの値が検出されている場合（例えば、機械学習モデルが入力パラメータの値から出力パラメータの将来の値を推定するようなモデルである場合）には、サーバ２０に送信されるデータは、出力パラメータの値を含んでもよい。
特に、本実施形態では、データ送信部１６４は、後述するサーバ２０の送信制御部２３２からの指令に従って、サーバ２０へデータを送信する。したがって、サーバ２０の送信制御部２３２からサーバ２０への上限送信速度が通知されている場合には、データ送信部１６４は、通知された上限送信速度以下でサーバ２０へデータを送信する。具体的には、例えば、データ取得部１６１が一定の周期でデータを取得している場合、データ送信部１６４は、データの取得周期よりも長い一定の周期で、取得したデータのうちの一部のみをサーバ２０へ送信する。
モデル更新部１６５は、モデル実行部１６２によって使用される機械学習モデルを更新する。本実施形態では、サーバ２０において機械学習モデルの学習が完了すると、学習済みの機械学習モデルがサーバ２０から各端末機器１０に送信される。モデル更新部１６５は、モデル実行部１６２によって使用される機械学習モデルをサーバ２０から送信されてきた機械学習モデルに更新する。具体的には、モデル更新部１６５は、モデル実行部１６２によって使用される機械学習モデルの学習パラメータの値を、サーバ２０から送信されてきた学習パラメータの値に更新する。この結果、モデル実行部１６２は、学習済みの機械学習モデルを用いて出力パラメータの値を算出するようになる。
次に、図６を参照して、サーバ２０における機械学習モデルの学習について説明する。機械学習モデルの学習を行うにあたって、サーバ２０には、所定の対象エリア内の端末機器１０から、機械学習モデルの入力パラメータを含むデータが送信される。特に、本実施形態では、対象エリア内の端末機器１０の数が相対的に多い場合には、対象エリア内の端末機器１０の数が相対的に少ない場合に比べて、各端末機器１０からのデータの送信速度が遅くなるように、端末機器１０からサーバ２０へのデータの送信が制御される。
図６は、サーバ２０のプロセッサ２３の機能ブロック図である。図６に示したように、サーバ２０のプロセッサ２３は、算出部２３１と、送信制御部２３２と、学習部２３３と、モデル送信部２３４と、を有する。
算出部２３１は、予め設定された対象エリア内に位置する端末機器１０の数を算出する。具体的には、算出部２３１は、各端末機器１０から送信されたデータに含まれる現在位置に基づいて、対象エリア内にその端末機器１０が位置するか否かを判断する。そして、算出部２３１は、対象エリア内に位置すると判断した端末機器１０の数を算出する。
なお、対象エリアは、通信ネットワーク４を介してサーバ２０と通信可能なエリアであってもよい。この場合、算出部２３１は、サーバ２０との通信によりサーバ２０にデータを送信してきた端末機器１０の数を、対象エリア内に位置する端末機器１０の数として算出する。
また、算出部２３１は、対象エリア内に位置する全ての端末機器１０の数ではなく、斯かる端末機器１０のうち対応のアプリケーションソフトがインストールされている端末機器１０の数を算出してもよい。本実施形態では、対応のアプリケーションソフトは、例えば、端末機器１０のセンサ１２の出力値等に基づいて熱中症罹患確率を算出するアプリケーションソフトである。
送信制御部２３２は、各端末機器１０からのデータの送信を制御する。送信制御部２３２は、例えば、各端末機器１０からのデータの送信速度を制御する。この場合、送信制御部２３２は、例えば、各端末機器１０へ、サーバ２０へのデータの上限送信速度を通知する。送信制御部２３２から上限送信速度の通知を受けた各端末機器１０のデータ送信部１６４は、送信制御部２３２から送信された上限送信速度以下でデータをサーバ２０へ送信する。
学習部２３３は、端末機器１０から送信されたデータに基づいて機械学習モデルを機械学習させる。本実施形態では、学習部２３３は、端末機器１０から送信されたデータに基づいて学習用データセットを作成し、作成した学習用データセットを用いて機械学習モデルを学習させる。
本実施形態では、ユーザが熱中症に罹患した場合に、その情報がユーザ自身により入力装置１３を介してその端末機器１０に入力される。端末機器１０に入力された熱中症罹患情報は、通信ネットワーク４を介してサーバ２０へ送信される。斯かる熱中症罹患情報は、そのユーザについて過去にサーバ２０に送信されたデータと紐づけられた正解値（すなわち、出力パラメータである熱中症罹患確率が１とされる）として用いられて、学習用データセットが作成される。
或いは、ユーザが熱中症に罹患した場合に、その情報がそのユーザを診断した医療機関により、通信ネットワーク４に接続された端末機器（図示せず）を介して入力される。医療機関の端末機器によって入力された熱中症罹患情報は、通信ネットワーク４を介してサーバ２０へ送信される。斯かる熱中症罹患情報は、そのユーザについて過去にサーバ２０に送信されたデータと紐づけられた正解値（すなわち、出力パラメータである熱中症罹患確率が１とされる）として用いられて、学習用データセットが作成される。一方、熱中症罹患情報と紐づけられなかった過去のデータは、熱中症に罹患しなかったという正解値（すなわち、出力パラメータである熱中症罹患確率が０とされる）と組み合わせて学習用データセットが作成される。したがって、作成された学習用データセットは、機械学習モデルの入力パラメータの実測値と、機械学習モデルの出力パラメータの正解値（正解ラベル）とを含んだデータセットである。
そして、学習部２３３は、このようにして作成された学習用データセットを用いて、上述したような誤差逆伝播法などの手法により機械学習モデルを学習させる。具体的には、学習部２３３は、学習用データセットを用いて、機械学習モデルの学習パラメータの値を更新する。
モデル送信部２３４は、学習部２３３によって機械学習された学習済みの機械学習モデルを、通信ネットワーク４を介して、各端末機器１０へ送信する。具体的には、学習部２３３による学習によって更新された学習パラメータの値を、各端末機器１０へ送信する。各端末機器１０のモデル更新部１６５は、上述したように、モデル実行部１６２によって使用される機械学習モデルを、モデル送信部２３４によって送信された機械学習モデルに更新する。
図７は、端末機器１０にて用いられる機械学習モデルの学習処理の流れを示す動作シーケンス図である。図７に示した学習処理は、端末機器１０のプロセッサ１６及びサーバ２０のプロセッサ２３において実行される。
本実施形態における学習処理では、図７に示したように、各端末機器１０のプロセッサ１６のデータ取得部１６１が、センサ１２から定期的に各種データを取得する（ステップＳ１１）。データ取得部１６１によって取得されるデータには、機械学習モデルの入力パラメータの値に加えて、端末機器１０の現在位置に関するデータを含む。
また、各端末機器１０のデータ送信部１６４は、データ取得部１６１によって取得された各端末機器１０の現在位置のデータを定期的にサーバ２０へ送信する（ステップＳ１２）。各端末機器１０が現在位置のデータをサーバ２０へ送信する周期は、データ取得部１６１かセンサ１２からデータを取得する周期と同じ周期であってもよいし、斯かる周期よりも長い周期であってもよい。
サーバ２０の算出部２３１は、多数の端末機器１０からその現在位置のデータを受信すると、端末機器１０から送信された各端末機器１０の現在位置のデータに基づいて、対象エリア内に位置する端末機器１０の数を算出する（ステップＳ１３）。具体的には、算出部２３１は、端末機器１０の現在位置が対象エリア内に位置するか否かを端末機器１０毎に判断し、対象エリア内に位置すると判断された端末機器１０の数をカウントする。
対象エリア内に位置する端末機器１０の数が算出されると、サーバ２０の送信制御部２３２は、算出部２３１によって算出された対象エリア内に位置する端末機器１０の数に基づいて、各端末機器１０からサーバ２０への上限送信速度を設定する（ステップＳ１４）。図８は、ステップＳ１３において算出部２３１によって算出された対象エリア内に位置する端末機器１０の数と、各端末機器１０からサーバ２０へのデータの上限送信速度との関係を示す図である。図８に示したように、本実施形態では、送信制御部２３２は、対象エリア内に位置する端末機器１０の数が多いほど各端末機器１０からのデータの上限送信速度が遅くなるように、上限送信速度を設定する。上限送信速度は、全ての端末機器１０について同一の速度に設定されてもよいし、情報量の多い端末機器１０ほど速く設定されてもよい。
このように各端末機器１０からのサーバ２０への上限送信速度が変わると、各端末機器１０からサーバ２０への実際の送信速度も変化する。基本的には、上限送信速度が遅くなると、実際の送信速度も遅くなる。したがって、本実施形態では、送信制御部２３２は、対象エリア内に位置する端末機器１０の数が多いほど、各端末機器１０からのデータの送信速度が遅くなるように、各端末機器１０からのデータの送信を制御しているといえる。
そして、送信制御部２３２は、各端末機器１０からの上限送信速度を設定すると、設定した上限送信速度の情報を、通信ネットワーク４を介して各端末機器１０に送信する（ステップＳ１５）。
端末機器１０のデータ送信部１６４は、サーバ２０から、上限送信速度の情報を受信すると、機械学習モデルの機械学習に必要なデータを送信する（ステップS１６）。このとき、データ送信部１６４は、サーバ２０への送信速度がステップＳ１５において送信制御部２３２から送信された上限送信速度以下になるように、サーバ２０へデータを送信する。具体的には、データ送信部１６４は、例えば、サーバ２０への送信速度が上限送信速度以下になるように、サーバ２０へデータを送信する周期を変更する。したがって、データ送信部１６４は、サーバ２０へデータを送信する周期が長いときには、データ取得部１６１によって取得されたデータのうちの一部をサーバ２０へ送信しない。
サーバ２０の学習部２３３は、各端末機器１０から機械学習モデルの機械学習に必要なデータを受信すると、これらデータに基づいて学習用データセットを作成する（ステップＳ１７）。学習部２３３は、各端末機器１０のセンサ１２によって検出された入力パラメータの値と、その端末機器１０又は他の端末機器から取得したその端末機器１０に対応する出力パラメータの値（正解値）とをまとめて、学習用データセットを作成する。学習部２３３は、これらに加えて、端末機器１０の位置情報に基づいて端末機器１０に関連するパラメータ（例えば、端末機器１０の周りの気温や湿度等）をまとめて、学習用データセットを作成してもよい。
加えて、学習部２３３は、学習用データセットの作成が完了して機械学習モデルの学習に必要な学習用データセットが揃うと、機械学習モデルの学習を行う（ステップＳ１８）。機械学習モデルの学習は、上述したように誤差逆伝播法等、公知の手法によって行われる。
学習部２３３による機械学習モデルの学習が完了すると、モデル送信部２３４は、学習済みの機械学習モデルを、端末機器１０へ送信する（ステップＳ１９）。そして、端末機器１０のモデル更新部１６５は、学習済みの機械学習モデルを受信すると、モデル実行部１６２によって使用される機械学習モデルを、サーバ２０から送信されてきた機械学習モデルに更新する（ステップＳ２０）。
＜効果及び変形例＞
本実施形態では、このようにして各端末機器からデータがサーバ２０へ送信されると共に、サーバ２０が斯かるデータに基づいて機械学習モデルを学習済みのモデルへ更新する。このように端末機器１０のセンサ１２の実測値に基づいて機械学習モデルを更新することにより、機械学習モデルによって精度の高い推定することができる（例えば、高い精度で熱中症罹患確率を推定することができる）。
また、本実施形態では、対象エリア内に位置する端末機器１０の数が多いほど、各端末機器１０からサーバ２０へのデータの上限送信速度が遅くされ、その結果、各端末機器１０からサーバ２０への送信速度が遅くなる。この結果、対象エリア内に位置する端末機器１０の数が多くなっても、サーバ２０へ送信されるデータの総量を抑制することができる。このため、端末機器１０からデータを収集するにあたって、サーバ２０が受信するデータ量が多くなり過ぎてサーバ２０の処理負荷が高くなり過ぎてしまうことが抑制される。
なお、上記実施形態では、図８に示したように、対象エリア内に位置する端末機器１０の数が多いほど端末機器１０からのデータの上限送信速度が遅くなるように、端末機器１０の数に応じて連続的に上限送信速度が設定される。しかしながら、対象エリア内に位置する端末機器１０の数が多いほど端末機器１０からのデータの上限送信速度が遅くなるように、端末機器１０の数に応じて段階的に上限送信速度が設定されてもよい。したがって、例えば、対象エリア内に位置する端末機器１０の数が所定数未満の場合には上限送信速度が第１速度に設定され、対象エリア内に位置する端末機器１０の数が所定数以上の場合には上限送信速度が第１速度よりも遅い第２速度に設定されてもよい。いずれにせよ、送信制御部２３２は、対象エリア内に位置する端末機器１０の数が相対的に多い場合には、対象エリア内に位置する端末機器１０の数が相対的に少ない場合に比べて、各端末機器１０からのデータの送信速度が遅くなるように各端末機器からのデータの送信を制御する。
また、上記実施形態では、送信制御部２３２は、対象エリア内に位置する端末機器１０の数に応じて、端末機器１０からのデータの送信速度を制御している。しかしながら、送信制御部２３２は、対象エリア内に位置する端末機器１０の数に応じて、対象エリア内に位置する端末機器１０のうちサーバ２０へのデータの送信を停止する端末機器１０の数を制御してもよい。
この場合、送信制御部２３２は、図９に示したように、対象エリア内に位置する端末機器１０の数が多いほど対象エリア内に位置する端末機器１０のうちサーバ２０へのデータの送信を停止する端末機器１０の数が多くなるように、端末機器１０の数に応じて連続的にデータの送信を停止する端末機器１０の数を制御する。或いは、送信制御部２３２は、対象エリア内に位置する端末機器１０の数が多いほどデータの送信を停止する端末機器１０の数が多くなるように、端末機器１０の数に応じて段階的にデータの送信を停止する端末機器１０の数を制御してもよい。いずれにせよ、送信制御部２３２は、対象エリア内に位置する端末機器１０の数が相対的に多い場合には、対象エリア内に位置する端末機器１０の数が相対的に少ない場合に比べて、対象エリア内に位置する端末機器１０のうちデータの送信を停止する端末機器１０の数が多くなるように各端末機器１０からのデータの送信を制御する。
具体的には、送信制御部２３２は、対象エリア内に位置する端末機器１０のうち一部の端末機器１０へサーバ２０へのデータの送信を停止するように通知する。この場合、サーバ２０は、サーバ２０へのデータの送信を許可する端末機器１０へは特に通知を行わず、サーバ２０へのデータの送信を停止する端末機器１０のみへその旨を通知する。送信制御部２３２からサーバ２０へのデータの送信を禁止する旨が通知された端末機器１０のデータ送信部１６４は、データ取得部１６１によってデータが取得されても取得されたデータをサーバ２０へ送信しない。
また、上記実施形態では、機械学習モデルとして、端末機器１０のセンサ１２によって検出されたユーザのバイタルサイン等から熱中症罹患確率を推定するモデルが用いられている。しかしながら、上述したように、端末機器１０のセンサ１２によって検出されたデータを入力パラメータとして用いるモデルであれば、機械学習モデルとして様々なモデルを用いることができる。
例えば、端末機器１０のセンサ１２がカメラ等の端末機器１０の周りの環境情報を検出するセンサを含む場合、端末機器１０のセンサ１２は、カメラによって撮影された端末機器１０の周りの画像又は動画等の環境情報に関するデータを取得する。この場合、サーバ２０の送信制御部２３２は、少なくとも各端末機器１０からの環境情報に関するデータの送信を制御する。
この場合、例えば、機械学習モデルは、端末機器１０のセンサ１２によって取得された画像又は動画を入力すると、この画像又は動画の中の検出すべき対象物（例えば、不審な行動を取っている者）を検出するモデルである。
このように端末機器１０の周りの環境情報を取得する場合、対象エリア内に多くの端末機器１０がある場合には、同じような環境について複数の端末機器１０が同様なデータを取得することになる。したがって、全ての端末機器１０からデータを受信すると、複数の端末機器１０から同様な重複したデータを受信することになる。これに対して、対象エリア内に多くの端末機器１０が位置する場合に、各端末機器１０からのサーバ２０へのデータの送信速度を遅くしたり、一部の端末機器１０からサーバ２０へのデータの送信を停止したりすることにより、サーバ２０に重複したデータが多量に送信されることを抑制することができる。
以上、本発明に係る好適な実施形態を説明したが、本発明はこれら実施形態に限定されるものではなく、特許請求の範囲の記載内で様々な修正及び変更を施すことができる。
１ 機械学習システム
４ 通信ネットワーク
１０ 端末機器
２０ サーバ

Claims (5)

  1. 所定の対象エリア内に位置し且つ個人にそれぞれ保持される複数の端末機器と通信可能であり、且つ該端末機器からデータを収集するデータ収集装置であって、
    前記端末機器からのデータの送信を制御する送信制御部と、
    前記対象エリア内に位置する端末機器の数を算出する算出部と、を有し、
    前記送信制御部は、前記対象エリア内に位置する前記端末機器の数が多いほど前記対象エリア内に位置する前記端末機器のうちデータの送信を停止する前記端末機器の数が多くなるように、前記端末機器からのデータの送信を制御する、データ収集装置。
  2. 前記端末機器は、該端末機器の周りの環境情報を取得するように構成され、
    前記送信制御部は、前記端末機器からの環境情報に関するデータの送信を制御する、請求項１に記載のデータ収集装置。
  3. 前記端末機器から送信されたデータを用いて機械学習モデルを機械学習させる学習部と、
    前記学習部によって学習された機械学習モデルを前記端末機器に送信するモデル送信部と、を更に備える、請求項１又は２に記載のデータ収集装置。
  4. データ収集システムであって、
    該データ収集システムは、個人にそれぞれ保持される複数の端末機器と、所定の対象エリア内の複数の前記端末機器と通信し且つ該端末機器からデータを収集するサーバと、を有し、
    前記サーバは、前記端末機器からのデータの送信を制御する送信制御部と、前記対象エリア内に位置する前記端末機器の数を算出する算出部と、を有し、
    前記端末機器は、前記送信制御部からの指令に基づいて該端末機器において取得されたデータを前記サーバへ送信するデータ送信部を有し、
    前記送信制御部は、前記対象エリア内に位置する前記端末機器の数が多いほど前記対象エリア内に位置する前記端末機器のうちデータの送信を停止する前記端末機器の数が多くなるように、前記端末機器からのデータの送信を制御する、データ収集システム。
  5. 所定の対象エリア内に位置し且つ個人にそれぞれ保持される端末機器と通信し且つ該端末機器からデータを収集するデータ収集方法であって、
    前記対象エリア内に位置する前記端末機器の数を算出することと、
    算出された前記端末機器の数が多いほど前記対象エリア内に位置する前記端末機器のうちデータの送信を停止する前記端末機器の数が多くなるように、前記端末機器からのデータの送信を制御することと、を含むデータ収集方法。
JP2021145710A 2021-09-07 2021-09-07 データ収集装置、データ収集システム、データ収集方法 Active JP7147942B1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2021145710A JP7147942B1 (ja) 2021-09-07 2021-09-07 データ収集装置、データ収集システム、データ収集方法
US17/902,304 US20230071657A1 (en) 2021-09-07 2022-09-02 Data collection apparatus, data collection sysytem, and data collection method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2021145710A JP7147942B1 (ja) 2021-09-07 2021-09-07 データ収集装置、データ収集システム、データ収集方法

Publications (2)

Publication Number Publication Date
JP7147942B1 true JP7147942B1 (ja) 2022-10-05
JP2023038803A JP2023038803A (ja) 2023-03-17

Family

ID=83507349

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021145710A Active JP7147942B1 (ja) 2021-09-07 2021-09-07 データ収集装置、データ収集システム、データ収集方法

Country Status (2)

Country Link
US (1) US20230071657A1 (ja)
JP (1) JP7147942B1 (ja)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019197373A (ja) 2018-05-09 2019-11-14 高砂熱学工業株式会社 通知装置、情報処理装置、情報処理システム、情報処理方法、及び情報処理プログラム
JP2020197688A (ja) 2019-06-05 2020-12-10 パナソニックＩｐマネジメント株式会社 画像伝送システム、伝送制御装置及び伝送制御方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019197373A (ja) 2018-05-09 2019-11-14 高砂熱学工業株式会社 通知装置、情報処理装置、情報処理システム、情報処理方法、及び情報処理プログラム
JP2020197688A (ja) 2019-06-05 2020-12-10 パナソニックＩｐマネジメント株式会社 画像伝送システム、伝送制御装置及び伝送制御方法

Also Published As

Publication number Publication date
US20230071657A1 (en) 2023-03-09
JP2023038803A (ja) 2023-03-17

Similar Documents

Publication Publication Date Title
Deep et al. A survey on anomalous behavior detection for elderly care using dense-sensing networks
US10667725B2 (en) Method for detecting and responding to falls by residents within a facility
Ortiz Smartphone-based human activity recognition
Lester et al. A practical approach to recognizing physical activities
US20160180222A1 (en) Intelligent Personal Agent Platform and System and Methods for Using Same
US11270565B2 (en) Electronic device and control method therefor
KR20200005987A (ko) 터치입력을 이용한 인지장애 진단 시스템 및 방법
Belapurkar et al. Building data-aware and energy-efficient smart spaces
JP2018161462A (ja) 情報処理方法、情報処理装置、及びプログラム
Zhang et al. Real-time human posture recognition using an adaptive hybrid classifier
JP7147942B1 (ja) データ収集装置、データ収集システム、データ収集方法
Cho et al. Hierarchical modular Bayesian networks for low-power context-aware smartphone
US20190066845A1 (en) Distributed analytics system for identification of diseases and injuries
US20230389880A1 (en) Non-obtrusive gait monitoring methods and systems for reducing risk of falling
CN113762585B (zh) 数据的处理方法、账号类型的识别方法及装置
US20230123815A1 (en) Stability scoring of individuals utilizing inertial sensor device
US20230109079A1 (en) Data collection system, data collection method. and data collection device
US20230108162A1 (en) Data collection system, data collection device, data acquisition device, and data collection method
JP7040664B1 (ja) データ収集装置、データ取得装置及びデータ収集方法
JP2023077288A (ja) データ収集装置、データ収集方法、端末機器
WO2017174789A1 (en) A system and method for generating one or more statements
Wilson et al. Domain Adaptation Under Behavioral and Temporal Shifts for Natural Time Series Mobile Activity Recognition
CN107203259A (zh) 用于使用单和/或多传感器数据融合确定移动设备使用者的概率性内容感知的方法和装置
Teixeira et al. AdaptO-Adaptive multimodal output
US11610675B1 (en) Dynamic and targeted allocation of resources for coaching service

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210907

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20210907

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: 20220120

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220412

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220520

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: 20220823

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220905

R151 Written notification of patent or utility model registration

Ref document number: 7147942

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151