TWI755782B - 資料分析裝置、資料分析方法及資料分析程式 - Google Patents
資料分析裝置、資料分析方法及資料分析程式 Download PDFInfo
- Publication number
- TWI755782B TWI755782B TW109122708A TW109122708A TWI755782B TW I755782 B TWI755782 B TW I755782B TW 109122708 A TW109122708 A TW 109122708A TW 109122708 A TW109122708 A TW 109122708A TW I755782 B TWI755782 B TW I755782B
- Authority
- TW
- Taiwan
- Prior art keywords
- model
- data
- analysis
- integrated
- data analysis
- Prior art date
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/112—Gait analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1121—Determining geometric values, e.g. centre of rotation or angular range of movement
- A61B5/1122—Determining geometric values, e.g. centre of rotation or angular range of movement of movement trajectories
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4842—Monitoring progression or stage of a disease
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physiology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Psychiatry (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
Abstract
[課題] 達成整合模型的預測精度與分析時間的調和。
[解決手段] 使用將藉由第1~第n模型所為的推論統合來進行推論的整合模型(300),進行資料分析時,構成整合模型(300)的第i模型(1≦i≦n)係由模型資料的第i模型群中作選擇,第1~第n模型群的至少1個模型群係包含有複數模型,分別由第1~第n模型群(301~303)中,選擇可構成滿足對資料分析的性能要件、與對資料分析所需時間的制約要件的整合模型的第1~第n模型。
Description
本發明係關於資料分析裝置、資料分析方法及資料分析程式。
人自由活動自己的身體時,由骨頭、關節、肌肉或神經所構成的運動器官必須正常發揮功能。運動障礙症候群(Locomotive Syndrome,「LOCOMO」)係指在運動器官的任一者或複數發生障礙,站立、步行、跑步、坐下等移動功能降低的狀態。若如上所示之移動功能不斷降低,在日常生活亦發生阻礙。如必須住院治療般的運動器官障礙經常發生在50歲以後,高齡下的運動器官障礙係造成必須要有支援或看護的風險。運動器官障礙逐漸進展,因此辨識到LOCOMO的預防、早期發現、適當應對的必要性。在專利文獻1中揭示一種步行態樣分析裝置,其係計測被計測者的步行狀態,且由該計測結果算出特徵量資料,使用所算出的特徵量資料及分析模型,進行被計測者的步行態樣的分析。
在專利文獻2中,在建構預測模型時,預先設定有關於對所被輸入的資料的前處理、根據超參數(hyperparameter)的資料的學習方法等的候補,由該等候補的組合(稱為管道(pipeline))之中,選擇可建構預測精度更高的預測模型的管道。使用由學習資料以預定比率所抽出的試樣資料來進行探索,只要未超過處理時間的限制時間,使試樣資料的抽出比率增大,探索預測模型的預測精度變高的組合,俾以即使候補增加,管道探索所需時間亦不會增加。
[先前技術文獻]
[專利文獻]
[專利文獻1] 日本專利第6509406號公報
[專利文獻2] 日本特開2018-190130號公報
(發明所欲解決之問題)
人的移動功能的降低係表現為步行障礙。因此,掌握LOCOMO的早期發現、增進改善的人的步行狀態,且容易瞭解地傳達給對象者,乃較為有效。此外,由運動器官障礙的預防或早期發現的觀點來看,較佳為將如專利文獻1所揭示的分析裝置,不僅醫療機構,亦設置在健身房等,即使為針對運動器官障礙無自覺的被計測者,亦可輕鬆地針對自己的步行狀態有所發覺。
但是,愈欲精密且正確地實施步行態樣的分析,分析所使用的特徵量資料數愈為龐大,特徵量資料的算出、使用特徵量資料的分析所需的時間亦愈為增大。若為了取得分析結果而發生久候的時間,很有可能被針對運動器官障礙無自覺的被計測者敬而遠之。尤其,若欲設置在對被計測者而言為身邊的場所,以藉由一般普及的PC(Personal Computer,個人電腦)等來進行特徵量資料的算出、步行狀態的分析為宜,並無法以使用運算能力特別高的計算機為前提。
專利文獻2係揭示縮短供建構預測模型用的管道選擇的探索時間者,惟並未提及使用預測模型的分析本身所需時間。
(解決問題之技術手段)
作為本發明之一實施態樣的資料分析裝置係使用將藉由第1~第n模型所為的推論統合來進行推論的整合模型,進行資料分析的資料分析裝置,其係具有:處理器;記憶體;儲存器;及資料分析程式,其係被讀入至記憶體,且藉由處理器予以執行,儲存器係儲存分別登錄有包含1以上的模型的第1~第n模型群的模型資料,構成整合模型的第i模型(1≦i≦n)係由模型資料的第i模型群中作選擇,第1~第n模型群的至少1個模型群係包含有複數模型,資料分析程式係具有:整合模型作成處理部,其係分別由第1~第n模型群,提示可構成滿足對資料分析的性能要件、與對資料分析所需時間的制約要件的整合模型的第1~第n模型的選擇項;及整合分析處理部,其係接受所被提示的第1~第n模型的選擇項的選擇,進行藉由使用所被選擇出的第1~第n模型的整合模型所為的推論。
(發明之效果)
在使用整合模型的分析中,達成整合模型的預測精度與分析時間的調和。
其他課題及新穎特徵係由本說明書的記述及所附圖示清楚可知。
在圖1中顯示分析步行者的步行態樣的資料分析系統110的硬體構成。資料分析系統110係具有:用以計測被計測者的步行的感測器111;及使用感測器111來計測被計測者的步行,且由該計測結果來進行步行態樣的分析的資料分析裝置100。
資料分析裝置100係具備:CPU(Central
Processing Unit,中央處理單元)101、輸入I/F(Interface,介面)102、輸出I/F103、記憶體104、儲存器105、I/O埠106,該等藉由內部匯流排107而相結合且可作為通用計算機來實現的資訊處理裝置。輸入I/F102係連接於鍵盤或滑鼠等輸入裝置,而且,輸出I/F103係連接於顯示器或印表機,實現對操作者的GUI(Graphical User Interface,圖形使用者介面)。儲存器105通常由HDD、SSD或ROM、快閃記憶體等非揮發性記憶體所構成,且記憶資料分析裝置100所執行的程式或程式作為處理對象的資料等。記憶體104係由RAM(Random Access Memory,隨機存取記憶體)所構成,藉由CPU101的命令,暫時記憶程式或程式執行所需資料等。CPU101係執行由儲存器105載入至記憶體104的程式。
資料分析裝置100係對感測器111發出感測資料的收集命令,感測器111係據此針對被計測者的步行進行感測,且將計測結果傳送至資料分析裝置100。以感測器111而言,係可使用藉由TOF(Time of Flight,飛行時間)方式所致之距離感測器。為了掌握被計測者的步行態樣,必須計測被計測者步行中的身體的計測點(關節等)的3次元空間中的動作(軌跡),距離感測器係具有可直接求取3次元空間中的計測點的座標的優點。其中,並非侷限於距離感測器,亦可將感測器111設為視訊攝影機,由藉由視訊攝影機對步行中的計測者進行攝影後的影像來進行畫像解析,亦可使用如加速度感測器、角度感測器、迴轉感測器的感測器。亦可使用複數種類的感測器。
圖2係資料分析系統110的軟體構成,顯示在資料分析裝置100中所執行的程式及其關係。資料分析程式200係具有計測步行,且由該計測結果來分析步行態樣的功能。使用者輸出入處理部201係操作者對各模組202~207輸入指示或資訊的介面程式。模組202~207係計測步行、或執行關於步行態樣的分析的功能的程式,關於其內容,容後敘述。資料庫程式210係具有將資料分析系統110所需計測資料或分析模型,儲存在儲存器105且進行管理的功能。
在本實施例中,係使用整合模型(Ensemble model)來進行步行態樣的分析。整合模型係將藉由複數模型(弱識別機)所為之推論統合來進行1個推論的模型。在圖3中顯示適用於本實施例的整合模型的概念圖。整合模型300係將判定被計測者的步行是否為健常步行的健常步行模型、判定被計測者的步行是否為異常步行1的第1異常步行模型、判定被計測者的步行是否為異常步行2的第2異常步行模型的3個模型(弱識別機)的判定結果統合,判定被計測者的步行是否為健常。異常步行1、2係分別被設為步行障礙的特定的步行狀態。整合模型300係將第1異常步行模型所輸出的異常度1(作為異常步行1的確率)與第2異常步行模型所輸出的異常度2(作為異常步行2的確率)相比較,將較大者設為最大異常度(作為某些異常步行的確率),將最大異常度與健常步行模型所輸出的健常度(作為健常步行的確率)統合,藉此輸出健常者步行度(作為健常步行的確率)。圖3所示之複數模型(弱識別機)、及其統合方法為一例。
在此,輸出構成整合模型300的健常度、異常度1、異常度2的模型係由各自的模型群中作選擇,模型群的至少一個係設為具有複數模型者。在圖3之例中,可由被登錄作為健常步行模型群301的模型1、2中選擇作為輸出健常度的模型,可由被登錄作為第1異常步行模型群302的模型3、4中選擇作為輸出異常度1的模型,且可由被登錄作為第2異常步行模型群303的模型5、6中選擇作為輸出異常度2的模型。本實施例的資料分析系統110係按照資料分析所圖求的性能或制約,由被登錄在模型群301~303之中選擇1個模型,藉此可實現對應被計測者的需求的分析。
如上所示,對於資料分析所圖求的性能、或所容許的制約不同的被計測者層,為了使其適合資料分析系統110,資料分析系統110的管理者係起動分析設定處理部206,且登錄分析設定資料213及領域知識資料217(參照圖2)。
在圖4中顯示分析設定資料213之例。分析設定資料213係定義依每個被計測者層所適用的整合模型的性能與制約者。分析對象2132係表示被計測者層,在此係依利用系統110的場所來定義被計測者層。其中,定義方法為任意,而非限定於本例。對各個的分析對象,定義整合模型的性能要件與制約要件。性能要件係依性能指標2133與性能臨限值2134予以定義。例如,若為被定義為設定ID1的被計測者層(看護設施),將性能指標MCC(馬修斯相關係數(Matthews correlation coefficient))為0.2以上作為性能要件。定義性能要件時,期待藉由使用由複數性能指標中所選擇出的性能指標,取得依每個被計測者層的需求為適合的結果。例如,依為較重視正確性的被計測者層、或為較重視重現性的被計測者層,設定反映所圖求的性能的指標與對該指標的臨限值。另一方面,制約要件係依表示資料分析所容許的時間的上限的時間制約2135予以定義。在該例中,健身房的被計測者(設定ID2)係針對分析時間設置嚴謹制約,醫療設施的被計測者(設定ID3)並未設有針對分析時間的制約(藉由將時間制約2135設為負值,來表示未設有制約)。
在圖5中顯示領域知識資料217之例。領域知識資料217係按每個被計測者層定義重要的特徵量者。在此的特徵量係指根據以感測器111所計測到的被計測者的步行中的身體的計測點(關節等)的3次元空間中的動作(軌跡)所算出的特徵量,為步行中的被計測者的關節或軸的動作、相關等。領域知識資料217係無關於預測模型中的加權,為分析所包含的特徵量資料,例如醫師或教練對被計測者說明分析結果時欲參照的特徵量資料等即相當於此。領域知識資料217亦按與分析設定資料213相同定義的每個被計測者層予以定義。在該例中,對在特徵量名2173所被登錄的特徵量,定義重要度2174。例如,在分析對象「看護設施」中,相對於特徵量B,特徵量A形成為較高的重要度(知識ID1、2),若限定所計測的特徵量,可由重要度的值較小者從算出對象中除外。在該例中,係定義各特徵量的重要度,惟亦可定義每個被計測者層的各特徵量的重要度的排序。
使用圖6,說明藉由作為資料分析裝置100的PC600,計測者610分析被計測者620的步行態樣的處理流程。PC600係被設置在被定義作為分析對象的特定場所(看護設施、健身房、醫療設施等),以滿足對上述分析設定資料213所定義的設置場所所設定的性能要件與制約要件的方式,建構整合模型,此外,處於被選擇出所建構的整合模型所需的特徵量資料的狀態。
若被計測者620對計測者610進行計測委託(S600),計測者610係對使用者輸出入處理部201進行計測開始操作(S601)。使用者輸出入處理部201係首先對資料計測處理部202發出計測開始要求(S602)。資料計測處理部202係使用感測器111來計測被計測者620的步行(S603),且將所得的計測資料儲存在儲存器105(S604)。在圖7中顯示計測資料211的資料構造。
計測資料211係儲存有被計測者的計測點的3次元空間的軌跡,且為時間戳記2113所示的每個時間的各計測點的(X, Y, Z)座標2114。以計測點而言,係設定影響步行態樣的關節等。資料ID2111係對應計測資料211所包含的各個的記錄所標註的ID,計測ID2112係對應被計測者620的計測委託的各個所標註的ID。
若被計測者620的步行的計測結束,使用者輸出入處理部201係對特徵量算出處理部203發出特徵量算出要求(S605)。特徵量算出處理部203係接受指定整合模型所使用的特徵量的選擇特徵量資料216、及被計測者620的計測資料211的輸入(S606、607),算出藉由選擇特徵量資料216所被指定的特徵量資料212,將所得的特徵量資料儲存在儲存器105(S608)。在圖8中顯示特徵量資料212的資料構造。在特徵量資料212係按每個計測ID2112,儲存有藉由選擇特徵量資料216所被指定的特徵量2122。
若藉由選擇特徵量資料216所被選擇出的特徵量的算出結束,使用者輸出入處理部201係對整合分析處理部205發出分析要求(S610)。整合分析處理部205係接受整合模型資料218及特徵量資料212的輸入(S611、S612),進行使用整合模型的分析,將預測結果資料214(例如,若為圖3之例,健常者步行度、或據此的步行是否為健常的判定結果)儲存在儲存器105(S613),並且藉由顯示在顯示器等而對被計測者620提示結果(S614)。在圖9中顯示預測結果資料214的資料構造。在預測結果資料214係蓄積按每個計測ID2112的預測結果2143。
其中,圖6係顯示PC600在預定的性能要件及制約要件下分析步行態樣的處理流程者,亦可預先設定例如營業時間外般不受制約的時段,針對在該時段未被選擇特徵量資料216所指定的特徵量,亦進行算出,且進行藉由使用不同模型(弱識別機)的整合模型所為之分析。或者,亦可對其他資料分析裝置100轉送計測資料211,且在無制約的狀態下進行步行態樣的分析。此外,在計測者610可診斷被計測者620的步行態樣的情形下,係將計測者610所診斷出之關於被計測者620的步行態樣的診斷結果作為教師資料,而在計測資料211或由計測資料211所算出的全特徵量資料標註標籤。藉此,可將被計測者的計測資料作為學習資料而使用在模型的再學習。
執行圖6的處理流程之前,以滿足分析設定資料213的定義的方式,進行整合模型的建構、所算出的特徵量的選擇。以下說明其順序。
圖10係構成整合模型的模型(弱識別機)的評估流程。若為圖3所示之整合模型300,對健常步行模型群301、第1異常步行模型群302、第2異常步行模型群303所包含的模型1~6的各個,執行圖10所示之評估流程。該評估流程係每逢實施對各模型的學習即進行。例如,以每逢資料分析裝置100進行模型的學習,即執行圖10的評估流程而連同模型一起儲存評估結果為宜。
分析者1000係對使用者輸出入處理部201進行模型評估開始操作(S1001)。使用者輸出入處理部201係首先對特徵量算出處理部203發出特徵量算出要求(S1002)。特徵量算出處理部203係接受被儲存在儲存器105的計測資料211的輸入(S1003),且算出全特徵量資料220(S1004)。以計測資料211而言,若使用任意計測資料即可,例如若使用模型的學習所使用的計測資料即可。全特徵量資料220係包含作為成為評估對象的整合模型的選擇項的模型(弱識別機)所使用的特徵量的全部。若全特徵量資料220被算出,使用者輸出入處理部201係對模型評估部204發出模型的評估要求(S1005)。模型評估部204係接受全特徵量資料220的輸入(S1006),且執行各模型的評估,將包含評估結果的模型資料215儲存在儲存器105 (S1007)。在圖11中顯示模型資料215的資料構造。
模型ID2151係特定構成整合模型的模型(弱識別機)的ID。在演算法2152係儲存有在各個的模型中所使用的演算法,在目的變數2153係儲存有模型的目的變數(例如,若為圖3之例,為健常步行、異常步行1、異常步行2),在模型資料2154係儲存有模型的二進制資料。模型評估部204所評估的結果係被儲存在處理速度2155、性能指標2156。處理速度2155係表示特徵量被輸入至各模型之後,至輸出識別結果為止的時間。此外,在性能指標2156係儲存有被使用在用以定義整合模型的性能要件的每個性能指標(分析設定資料213所表現的性能指標)的評估結果。
圖12係整合模型所使用的模型(弱識別機)的選擇及所算出的特徵量的選擇流程。圖12的流程係以在進行實際的分析的資訊處理裝置,亦即在本實施例中執行圖6的處理流程的PC600進行為宜。依資訊處理裝置的運算性能、狀態,特徵量的算出、依模型所為之識別所需時間為不同。因此,在進行實際的分析的資訊處理裝置進行整合模型的建構及所算出的特徵量的選擇,藉此可提高整合模型的性能、制約的事前評估結果的可靠性。
分析者1000係對使用者輸出入處理部201進行整合模型作成操作(S1201)。使用者輸出入處理部201係對整合模型作成處理部207發出整合模型作成要求(S1202)。整合模型作成處理部207係接受被儲存在儲存器105的分析設定資料213、計測資料211、模型資料215、領域知識資料217的輸入(S1203~S1206),作成特定構成滿足預定的性能要件及制約要件的整合模型的模型的整合模型資料218、與為了該整合模型而指定算出所需的特徵量的選擇特徵量資料216,且儲存在儲存器105(S1207~S1208)。
在圖13中顯示整合模型作成處理部207所執行的整合模型決定流程。首先,接受針對使用PC600的分析對象(被計測者層)的選擇(S1301)。藉由對照所被輸入的分析對象(被計測者層)與分析設定資料213,可得整合模型所圖求的性能要件與制約要件。
接著,選擇整合模型所使用的模型(弱識別機)候補(S1302)。在此係根據模型資料215所儲存的處理速度2155及性能指標2156,選擇整合模型所使用的成為候補的模型。選擇時,以被指定作為性能要件的性能指標成為最高的方式進行選擇。此時,亦可選擇複數候補。
接著,針對適用所選擇出的模型(弱識別機)候補的整合模型,評估藉由實機所得之性能與分析時間(S1303)。在性能評估係算出被指定作為性能要件的性能指標。在進行評估的分析時間係包含:由計測資料算出特徵量資料所需時間、與由特徵量資料藉由整合模型進行分析所需時間。在此的特徵量資料的算出時間係算出藉由作為候補的模型所構成的整合模型所為之分析所需的特徵量所需的時間。模型資料215所儲存的處理速度2155並不一定為藉由PC600所評估的處理速度,因此使PC600由實際的計測資料211進行分析,藉此可藉由更為正確的整合模型來推定分析所需的時間。分析時間評估所使用的計測資料亦可為使用在模型的學習的計測資料,亦可為PC600在過去進行計測的計測資料,可使用任意的計測資料。
若藉由實機所為之分析時間評估(S1303)滿足分析對象的時間制約2135(參照圖4)(S1304中為yes),將使用所選擇出的模型(弱識別機)的整合模型的性能資訊顯示在顯示器等(S1307)。若有複數候補,針對各個,連同性能資訊一起顯示。分析者1000係確認性能資訊,由所被提示的模型的候補,決定整合模型所使用的模型(弱識別機)(S1308)。
若藉由實機所為之分析時間評估(S1303)未滿足分析對象的時間制約2135(S1304中為no),根據被指定作為性能要件的性能指標、與在S1303中所評估的分析時間、與作為制約要件的時間制約的背離,以被指定作為性能要件的性能指標盡可能變高的方式選擇模型候補(S1305)。
此時,亦可以另外根據特徵量的重要度、與在S1303中所評估的分析時間、與作為制約要件的時間制約的背離,來限制所算出的特徵量的方式進行選擇(S1306)。以特徵量的重要度而言,係考慮分析演算法上的重要度、與分析結果對被計測者的說明中的重要度之雙方。前者係可由模型資料2154的二進制資料來判斷,後者係可由領域知識資料217來判斷。對於構成整合模型的至少1個模型,省去對分析結果或其說明的影響較小的特徵量的算出(將該狀態稱為「輸入限制狀態」),藉此可一邊盡量防止性能降低,一邊期待刪減特徵量算出所需時間。在S1305、S1306中亦可選擇複數候補。
根據所選擇出的模型候補及特徵量候補,再度進行藉由實機所為之性能及分析時間的評估(S1303),一邊改變構成整合模型的模型(弱識別機)的組合、或特徵量的選擇,一邊反覆選擇與藉由實機所為之整合模型評估,至取得符合時間制約的模型候補及特徵量候補為止。
圖14係整合模型作成處理部207所輸出的整合模型資料218的資料構造。關於被登錄作為模型資料215的模型(弱識別機)的各個,登錄對整合模型為採用/不採用。
圖15係整合模型作成處理部207所輸出的選擇特徵量資料216的資料構造。關於資料分析裝置100可算出的特徵量的各個,登錄對整合模型為採用/不採用。
以上係根據實施形態而具體說明本發明人所完成的發明,惟並非為限定於此者,可在未脫離其要旨的範圍內作各種變更者。在本實施例中,係以進行被計測者的步行態樣的分析的步行態樣分析裝置為例來作說明,但是可廣泛適用在使用整合模型進行資料分析的裝置、系統、方法、程式者。
100:資料分析裝置
101:CPU
102:輸入I/F
103:輸出I/F
104:記憶體
105:儲存器
106:I/O埠
107:內部匯流排
110:資料分析系統
111:感測器
200:資料分析程式
201:使用者輸出入處理部
202:資料計測處理部
203:特徵量算出處理部
204:模型評估部
205:整合分析處理部
206:分析設定處理部
207:整合模型作成處理部
210:資料庫程式
211:計測資料
2111:資料ID
2112:計測ID
2122:特徵量
2113:時間戳記
2114:(X, Y, Z)座標
212:特徵量資料
213:分析設定資料
2131:設定ID
2132:分析對象
2133:性能指標
2134:性能臨限值
2135:時間制約
214:預測結果資料
2141:結果ID
2143:預測結果
215:模型資料
2151:模型ID
2152:演算法
2153:目的變數
2154:模型資料
2155:處理速度
2156:性能指標
216:選擇特徵量資料
217:領域知識資料
2171:知識ID
2173:特徵量名
2174:重要度
218:整合模型資料
220:全特徵量資料
300:整合模型
301:健常步行模型群
302:第1異常步行模型群
303:第2異常步行模型群
600:PC
610:計測者
620:被計測者
1000:分析者
[圖1] 係資料分析系統的硬體構成。
[圖2] 係資料分析系統的軟體構成。
[圖3] 係整合模型的概念圖。
[圖4] 係分析設定資料之例。
[圖5] 係領域知識資料之例。
[圖6] 係分析被計測者的步行態樣的處理流程。
[圖7] 係計測資料的資料構造。
[圖8] 係特徵量資料的資料構造。
[圖9] 係預測結果資料的資料構造。
[圖10] 係模型(弱識別機)的評估流程。
[圖11] 係模型資料的資料構造。
[圖12] 係模型(弱識別機)的選擇、及所算出的特徵量的選擇流程。
[圖13] 係整合模型決定流程。
[圖14] 係整合模型資料的資料構造。
[圖15] 係選擇特徵量資料的資料構造。
300:整合模型
301:健常步行模型群
302:第1異常步行模型群
303:第2異常步行模型群
Claims (14)
- 一種資料分析裝置,其係使用將藉由第1~第n模型所為的推論統合來進行推論的整合模型,進行資料分析的資料分析裝置,其係具有:處理器;記憶體;儲存器;及資料分析程式,其係被讀入至前述記憶體,且藉由前述處理器予以執行,前述儲存器係儲存分別登錄有包含1以上的模型的第1~第n模型群的模型資料,構成整合模型的第i模型(1≦i≦n)係由前述模型資料的第i模型群中作選擇,前述第1~第n模型群的至少1個模型群係包含有複數模型,前述資料分析程式係具有:整合模型作成處理部,其係分別由前述第1~第n模型群,提示可構成滿足對前述資料分析的性能要件、與對前述資料分析所需時間的制約要件的整合模型的前述第1~第n模型的選擇項;及整合分析處理部,其係接受所被提示的前述第1~第n模型的選擇項的選擇,進行藉由使用所被選擇出的前述第1~第n模型的整合模型所為的推論。
- 如請求項1之資料分析裝置,其中,前述儲存器係儲存設定複數分析對象的各個的前述性能要件及前述制約要件的分析設定資料, 前述整合模型作成處理部係提示可構成滿足前述複數分析對象之中前述資料分析作為對象的分析對象的前述性能要件及前述制約要件的整合模型的前述第1~第n模型的選擇項。
- 如請求項2之資料分析裝置,其中,前述性能要件係藉由性能指標、與前述性能指標的臨限值予以定義,設定對應前述複數分析對象的指標,作為前述性能指標。
- 如請求項2之資料分析裝置,其中,前述制約要件係被設為包含由計測資料算出特徵量資料所需時間、與由特徵量資料使用整合模型來進行前述資料分析所需時間的分析時間的上限。
- 如請求項4之資料分析裝置,其中,前述整合模型作成處理部係在所提示的前述第1~第n模型的選擇項之中,在被選擇出輸入至至少1個模型的特徵量的輸入限制狀態下進行推論,提示可構成在前述輸入限制狀態下滿足前述性能要件及前述制約要件的整合模型的前述第1~第n模型的選擇項。
- 如請求項5之資料分析裝置,其中,前述儲存器係具有表示前述資料分析作為對象的分析對象中的特徵量的重要性的領域知識資料,前述整合模型作成處理部係根據前述領域知識資料及模型中的該特徵量的重要性,選擇輸入至在前述輸入限制 狀態下的整合模型的特徵量。
- 如請求項5之資料分析裝置,其中,前述整合模型作成處理部係在前述儲存器儲存:指定接受所被提示的前述第1~第n模型的選擇項的選擇,前述整合分析處理部所使用的整合模型中所使用的前述第1~第n模型的整合模型資料;及指定被選擇作為輸入至前述整合分析處理部所使用的整合模型的特徵量的特徵量的選擇特徵量資料。
- 如請求項7之資料分析裝置,其中,前述資料分析程式係具有:特徵量算出處理部,其係由計測資料算出特徵量資料,前述特徵量算出處理部係針對前述選擇特徵量資料所被指定的特徵量,由前述計測資料算出前述特徵量資料,前述整合分析處理部係對使用前述整合模型資料所被指定的前述第1~第n模型的整合模型,輸入前述特徵量算出處理部所算出的前述特徵量資料來進行推論。
- 如請求項8之資料分析裝置,其中,前述特徵量算出處理部係在預先設定的時段中,針對前述選擇特徵量資料未指定的特徵量,由前述計測資料算出前述特徵量資料。
- 一種資料分析方法,其係使用將藉由第1~第n模型所為的推論統合來進行推論的整合模型,進行資料分析的資料分析方法, 預先記憶分別登錄有包含1以上的模型的第1~第n模型群的模型資料,構成整合模型的第i模型(1≦i≦n)係由前述模型資料的第i模型群中作選擇,前述第1~第n模型群的至少1個模型群係包含有複數模型,分別由前述第1~第n模型群,提示可構成滿足對前述資料分析的性能要件、與對前述資料分析所需時間的制約要件的整合模型的前述第1~第n模型的選擇項,接受所被提示的前述第1~第n模型的選擇項的選擇,進行藉由使用所被選擇出的前述第1~第n模型的整合模型所為的推論。
- 如請求項10之資料分析方法,其中,在所提示的前述第1~第n模型的選擇項之中,在被選擇出輸入至至少1個模型的特徵量的輸入限制狀態下進行推論,提示可構成在前述輸入限制狀態下滿足前述性能要件及前述制約要件的整合模型的前述第1~第n模型的選擇項。
- 如請求項11之資料分析方法,其中,針對輸入至進行前述資料分析的整合模型的第1特徵量,由計測資料算出第1特徵量資料,對進行前述資料分析的整合模型,輸入所被算出的前述第1特徵量資料來進行推論。
- 如請求項12之資料分析方法,其中,在預先設定的時段中,針對前述第1特徵量以外的第2特徵量,由前述計測資料算出第2特徵量資料。
- 一種資料分析程式,其係在記憶有已被 登錄分別包含1以上的模型的第1~第n模型群的模型資料的資訊處理裝置上,使用將藉由第1~第n模型所為的推論統合來進行推論的整合模型,進行資料分析的資料分析程式,構成整合模型的第i模型(1≦i≦n)係由前述模型資料的第i模型群中作選擇,前述第1~第n模型群的至少1個模型群係包含有複數模型,其係具有:第1工程,其係分別由前述第1~第n模型群,提示可構成滿足對前述資料分析的性能要件、與對前述資料分析所需時間的制約要件的整合模型的前述第1~第n模型的選擇項;及第2工程,其係接受所被提示的前述第1~第n模型的選擇項的選擇,進行藉由使用所被選擇出的前述第1~第n模型的整合模型所為的推論。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019-132543 | 2019-07-18 | ||
JP2019132543A JP7269122B2 (ja) | 2019-07-18 | 2019-07-18 | データ分析装置、データ分析方法及びデータ分析プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202103635A TW202103635A (zh) | 2021-02-01 |
TWI755782B true TWI755782B (zh) | 2022-02-21 |
Family
ID=74209800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109122708A TWI755782B (zh) | 2019-07-18 | 2020-07-06 | 資料分析裝置、資料分析方法及資料分析程式 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20220246302A1 (zh) |
EP (1) | EP4002232A4 (zh) |
JP (1) | JP7269122B2 (zh) |
CN (1) | CN114041152A (zh) |
TW (1) | TWI755782B (zh) |
WO (1) | WO2021010093A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022139417A (ja) * | 2021-03-12 | 2022-09-26 | オムロン株式会社 | 統合モデルの生成方法、画像検査システム、画像検査用モデルの生成装置、画像検査用モデルの生成プログラム及び画像検査装置 |
EP4343620A1 (en) * | 2021-05-18 | 2024-03-27 | Resonac Corporation | Prediction device, learning device, prediction method, learning method, prediction program, and learning program |
TWI780735B (zh) * | 2021-05-28 | 2022-10-11 | 長庚大學 | 影像分析之方法 |
CN118313342B (zh) * | 2024-06-11 | 2024-08-06 | 鲁欧智造(山东)数字科技有限公司 | 一种用于电子器件的热仿真方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201333188A (zh) * | 2011-09-25 | 2013-08-16 | Theranos Inc | 用於多重分析的系統和方法 |
JP2019106112A (ja) * | 2017-12-14 | 2019-06-27 | オムロン株式会社 | 情報処理装置、識別システム、設定方法及びプログラム |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3224822A1 (de) | 1982-07-02 | 1984-01-05 | Siemens AG, 1000 Berlin und 8000 München | Schalter mit lichtbogenloeschung |
US20140188768A1 (en) * | 2012-12-28 | 2014-07-03 | General Electric Company | System and Method For Creating Customized Model Ensembles On Demand |
JP6208018B2 (ja) * | 2014-01-08 | 2017-10-04 | 株式会社東芝 | 画像認識アルゴリズム組合せ選択装置 |
GB2541625A (en) * | 2014-05-23 | 2017-02-22 | Datarobot | Systems and techniques for predictive data analytics |
JP5906556B1 (ja) * | 2014-10-17 | 2016-04-20 | パナソニックIpマネジメント株式会社 | モニタリング装置、モニタリングシステムおよびモニタリング方法 |
EP3238611B1 (en) * | 2016-04-29 | 2021-11-17 | Stichting IMEC Nederland | A method and device for estimating a condition of a person |
WO2019005098A1 (en) * | 2017-06-30 | 2019-01-03 | Go Logic Decision Time, Llc | METHODS AND SYSTEMS FOR PROJECTIVE ASSERTION SIMULATION |
CN111225612A (zh) * | 2017-10-17 | 2020-06-02 | 萨蒂什·拉奥 | 基于机器学习的神经障碍识别和监测系统 |
-
2019
- 2019-07-18 JP JP2019132543A patent/JP7269122B2/ja active Active
-
2020
- 2020-06-22 EP EP20841123.1A patent/EP4002232A4/en active Pending
- 2020-06-22 WO PCT/JP2020/024353 patent/WO2021010093A1/ja unknown
- 2020-06-22 US US17/621,884 patent/US20220246302A1/en active Pending
- 2020-06-22 CN CN202080048103.9A patent/CN114041152A/zh active Pending
- 2020-07-06 TW TW109122708A patent/TWI755782B/zh active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201333188A (zh) * | 2011-09-25 | 2013-08-16 | Theranos Inc | 用於多重分析的系統和方法 |
CN108490204A (zh) * | 2011-09-25 | 2018-09-04 | 赛拉诺斯知识产权有限责任公司 | 用于多重分析的系统和方法 |
JP2019106112A (ja) * | 2017-12-14 | 2019-06-27 | オムロン株式会社 | 情報処理装置、識別システム、設定方法及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
EP4002232A1 (en) | 2022-05-25 |
CN114041152A (zh) | 2022-02-11 |
JP7269122B2 (ja) | 2023-05-08 |
US20220246302A1 (en) | 2022-08-04 |
EP4002232A4 (en) | 2023-08-09 |
WO2021010093A1 (ja) | 2021-01-21 |
JP2021018508A (ja) | 2021-02-15 |
TW202103635A (zh) | 2021-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI755782B (zh) | 資料分析裝置、資料分析方法及資料分析程式 | |
US11883225B2 (en) | Systems and methods for estimating healthy lumen diameter and stenosis quantification in coronary arteries | |
Yuan et al. | Deep learning-based feature representation and its application for soft sensor modeling with variable-wise weighted SAE | |
KR101944536B1 (ko) | 뉴럴 네트워크를 이용한 질병의 진단 시스템 및 그 방법 | |
KR20200063364A (ko) | 시계열 의료 데이터를 통한 질병 예후 예측을 위한 딥 뉴럴 네트워크의 분류 결과 시각화 방법 및 시스템 | |
US9861308B2 (en) | Method and system for monitoring stress conditions | |
CN103177179B (zh) | 诊断因素集合确定设备和方法 | |
CN110310740B (zh) | 基于交叉注意神经网络的再就医信息预测方法及系统 | |
Zhao et al. | Applying incremental Deep Neural Networks-based posture recognition model for ergonomics risk assessment in construction | |
KR102460442B1 (ko) | 시계열 데이터 처리 장치, 이를 포함하는 건강 예측 시스템, 및 시계열 데이터 처리 장치의 동작 방법 | |
US11265232B2 (en) | IoT stream data quality measurement indicator and profiling method and system therefor | |
KR102394758B1 (ko) | 데이터의 특징점을 취합하여 기계 학습하는 방법 및 장치 | |
JP2020534622A (ja) | 対象者クラスタリング方法及び装置 | |
US20190006049A1 (en) | Method of modelling biomarkers | |
US20190221294A1 (en) | Time series data processing device, health prediction system including the same, and method for operating the time series data processing device | |
Woltmann et al. | Sensor-based jump detection and classification with machine learning in trampoline gymnastics | |
KR20220120345A (ko) | 시계열 데이터에 기반한 알츠하이머병 진행감지를 위한 멀티모드 멀티테스크 딥 러닝 모델 | |
US11742081B2 (en) | Data model processing in machine learning employing feature selection using sub-population analysis | |
Pateria et al. | A comprehensive review on detection and classification of dementia using neuroimaging and machine learning | |
Kortum et al. | Improving the decision support in diagnostic systems using classifier probability calibration | |
CN116052889B (zh) | 一种基于血液常规指标检测的sFLC预测系统 | |
Kapila et al. | Cardiovascular Disease Detection Using Sand Cat Swarm-driven AdaBoost Approach | |
US20240203595A1 (en) | Characteristics of patient influencing disease progession | |
CN115171906A (zh) | 一种基于机器学习的前列腺癌筛查和诊断方法 | |
Ellouze et al. | Combined CNN-LSTM Deep Learning Algorithms for Recognizing Human Physical Activities in Large and Distributed Manners: A Recommendation System |