WO2020003532A1 - 学習モデル作成支援装置、学習モデル作成支援方法、及びコンピュータ読み取り可能な記録媒体 - Google Patents

学習モデル作成支援装置、学習モデル作成支援方法、及びコンピュータ読み取り可能な記録媒体 Download PDF

Info

Publication number
WO2020003532A1
WO2020003532A1 PCT/JP2018/024931 JP2018024931W WO2020003532A1 WO 2020003532 A1 WO2020003532 A1 WO 2020003532A1 JP 2018024931 W JP2018024931 W JP 2018024931W WO 2020003532 A1 WO2020003532 A1 WO 2020003532A1
Authority
WO
WIPO (PCT)
Prior art keywords
learning model
data
model creation
learning
creation support
Prior art date
Application number
PCT/JP2018/024931
Other languages
English (en)
French (fr)
Inventor
江藤　力
Original Assignee
日本電気株式会社
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 日本電気株式会社 filed Critical 日本電気株式会社
Priority to US17/251,337 priority Critical patent/US20210255156A1/en
Priority to JP2020527161A priority patent/JP6940001B2/ja
Priority to PCT/JP2018/024931 priority patent/WO2020003532A1/ja
Publication of WO2020003532A1 publication Critical patent/WO2020003532A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
    • G01N33/0034—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array comprising neural networks or related mathematical techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N19/00—Investigating materials by mechanical methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Definitions

  • the present invention relates to a learning model creation support device and a learning model creation support method for supporting creation of a learning model, which are used for an odor sensor that detects odor from a substance in an atmosphere, and further realizes these.
  • an odor sensor has been used to detect a specific odor (for example, see Patent Documents 1 and 2).
  • the odor sensor detects a specific odor by detecting a chemical substance in the air that is a source of the specific odor with a sensor element.
  • the sensor element include a metal oxide and an organic semiconductor thin film. In such a sensor element, since the conductivity changes when a specific chemical substance is attached, it is possible to detect the specific chemical substance.
  • MSS is usually composed of two or more MSS elements.
  • Each MSS element includes a circular portion provided with a sensitive film, a frame surrounding the circular portion, and a plurality of bridges for connecting the circular portion to the frame.
  • a piezoresistive element is embedded in each bridge.
  • the material of the sensitive film is different for each MSS element, but the type of substance adsorbed on each MSS element is not always fixed.
  • the material of the sensitive film of each MSS element is set so that the output data pattern of the entire MSS obtained by synthesizing the output data of each MSS element is different according to the odor, that is, the set of various substances constituting the odor. Have been. Therefore, in the MSS, various types of odors can be detected by learning an output pattern and creating a learning model (analyzer) for each odor to be analyzed by machine learning in advance.
  • edge computing which has recently been attracting attention in the field of IoT (Internet of Things), in terms of sensor data processing efficiency.
  • sensor data can be collected by a small-scale computer system called an edge that is disposed relatively close to a plurality of sensors.
  • edge computing it is possible to cause the edge to perform pre-processing such as data amount reduction processing and feature amount extraction processing, and to cause the cloud to perform analysis processing using an analyzer.
  • the odor sensor has a characteristic that even if the analysis target is the same, the behavior of the sensor data changes when measurement conditions such as temperature and humidity change. For this reason, in order to increase the detection accuracy of the odor sensor, it is necessary to prepare as many variations as possible as measurement conditions for each analysis target and create a learning model.
  • One example of an object of the present invention is to solve the above problem, when creating a learning model for an odor sensor in which the object of odor analysis is not fixed, can support setting of measurement conditions, a learning model creation support device, An object of the present invention is to provide a learning model creation support method and a computer-readable recording medium.
  • a learning model creation support device is a device for supporting creation of a learning model, which is used in odor detection using an odor sensor that responds to a plurality of types of odors. So, The sensor data output by the odor sensor under specific measurement conditions, and condition data for specifying the measurement conditions are acquired, and the acquired sensor data and the condition data are acquired by a machine learning engine that creates the learning model. A data acquisition unit to be input as learning data, A prediction accuracy output by the machine learning engine corresponding to the input of the learning data is acquired, and a new odor sensor outputs new sensor data as the learning data based on the acquired prediction accuracy.
  • a learning model creation support method is used for odor detection using an odor sensor that responds to a plurality of types of odors.
  • the method (A) acquiring sensor data output by the odor sensor under specific measurement conditions, and condition data specifying the measurement conditions, and providing the machine data to the machine learning engine that creates the learning model; Inputting condition data as learning data; and (B) when obtaining the prediction accuracy output by the machine learning engine in response to the input of the learning data, and when the odor sensor newly outputs sensor data as the learning data based on the obtained prediction accuracy; Steps to set new measurement conditions for It is characterized by having.
  • a computer-readable recording medium is a computer-readable recording medium that can be used to create a learning model used in odor detection using a plurality of types of odor-responsive odor sensors.
  • a computer-readable recording medium recording a program for supporting, To the computer, (A) acquiring sensor data output by the odor sensor under specific measurement conditions, and condition data specifying the measurement conditions, and providing the acquired sensor data to the machine learning engine that creates the learning model; Inputting condition data as learning data; and (B) when obtaining the prediction accuracy output by the machine learning engine in response to the input of the learning data, and when the odor sensor newly outputs sensor data as the learning data based on the obtained prediction accuracy; Steps to set new measurement conditions for A program including an instruction to execute the program.
  • setting of measurement conditions can be supported when creating a learning model for an odor sensor in which an odor analysis target is not fixed.
  • FIG. 1 is a block diagram illustrating a schematic configuration of a learning model creation support device according to an embodiment of the present invention.
  • FIG. 2 is a block diagram illustrating a schematic configuration of the learning model creation support device according to the embodiment of the present invention.
  • FIG. 3 is a diagram illustrating an example of the detection device used in the embodiment of the present invention.
  • FIG. 4 is a flowchart showing the operation of the learning model creation support device according to the embodiment of the present invention.
  • FIGS. 5A to 5C show an example of information displayed on the screen of the detection device in the embodiment of the present invention.
  • FIG. 6 is a diagram showing another example of the detection device used in the embodiment of the present invention.
  • FIG. 7 is a block diagram illustrating an example of a computer that realizes the learning model creation support device according to the embodiment of the present invention.
  • FIG. 1 is a block diagram illustrating a schematic configuration of a learning model creation support device according to an embodiment of the present invention.
  • the learning model creation support device 10 is a device that supports creation of a learning model used in odor detection using an odor sensor.
  • the odor sensor used here is an odor sensor whose odor analysis target is not fixed, and outputs sensor data in response to a plurality of types of odors.
  • illustration of the odor sensor is omitted.
  • the learning model creation support device 10 includes a data acquisition unit 11 and a condition setting unit 12.
  • the data acquisition unit 11 first acquires sensor data output by the odor sensor under specific measurement conditions and condition data for specifying the measurement conditions.
  • the data acquisition unit 11 inputs the acquired sensor data and condition data as learning data to a machine learning engine 31 that creates a learning model.
  • condition setting unit 12 acquires the prediction accuracy output by the machine learning engine 31 in response to the input of the learning data. Further, the condition setting unit 12 sets a new measurement condition when the odor sensor newly outputs sensor data as learning data, based on the obtained prediction accuracy.
  • a new measurement condition is set based on the learning result. That is, according to the present embodiment, when creating a learning model for an odor sensor in which the odor analysis target is not fixed, it is possible to support setting of measurement conditions, and as a result, a learning model with high accuracy is constructed. Will be done.
  • FIG. 2 is a block diagram illustrating a schematic configuration of the learning model creation support device according to the embodiment of the present invention.
  • the learning model creation support device 10 is connected to a detection device 20 having an odor sensor 21 and a learning model creation device 30 having a machine learning engine 31 so that data communication is possible. Have been.
  • the detection device 20 includes an odor sensor 21, a measurement condition detection sensor 22, an information processing unit 23, a data communication unit 24, and a display unit 25. With such a configuration, the detection device 20 transmits the sensor data output by the odor sensor 21 and the condition data output by the measurement condition detection sensor 22 to the learning model creation support device 10.
  • the odor sensor 21 includes, for example, the above-described MSS. However, in the present embodiment, the odor sensor 21 is not limited to the MSS, and may be any sensor that outputs sensor data in response to a plurality of types of odors.
  • the measurement condition detection sensor 22 detects the measurement condition of the odor sensor 21 and outputs, as sensor data, condition data for specifying the detected measurement condition.
  • the measurement conditions include, for example, temperature and humidity around the odor sensor 21.
  • a temperature sensor and a humidity sensor are used as the measurement condition detection sensor 22.
  • the measurement condition may be only the temperature or only the humidity. In these cases, only one of the temperature sensor and the humidity sensor is used.
  • the measurement conditions include information on the ambient gas present around the odor sensor, such as information on odors other than the detected odor. This is because the atmosphere gas affects the accuracy of the odor sensor 21. Specifically, in addition to the information on the odor other than the odor to be detected, the component ratio of the atmospheric gas, the concentration of each component, and the like are also included. Further, other measurement conditions include the distance from the odor sensor 21 to the object, the illuminance around the odor sensor 21, the amount of ultraviolet light in the object, and the sampling period for measuring gas.
  • the information processing unit 23 performs digital processing such as conversion into a digital signal on the data. Further, the information processing unit 23 causes the data communication unit 24 to transmit the sensor data and the condition data after the digital processing to the learning model creation support device 10.
  • the data communication unit 24 is constituted by a communication device. Further, the display unit 25 is configured by a display device such as a liquid crystal display.
  • FIG. 3 is a diagram showing an example of the detection device used in the embodiment of the present invention.
  • a window 26 for guiding a gas to be measured to the odor sensor 21 and a window 27 for the measurement condition detection sensor 22 are provided in the housing of the detection device 20.
  • reference numeral 28 denotes an operation button of the detection device 20.
  • the learning model creation device 30 acquires sensor data output at the time of measurement and condition data for specifying measurement conditions, and inputs the acquired data to the machine learning engine 31 as learning data. Note that the learning model creation device 30 may acquire these data from the learning model creation support device 10 or directly from the detection device 20.
  • the machine learning engine 31 machine-learns the relationship between the characteristics of the sensor data and the measurement conditions using, for example, a deep learning or support vector machine, and updates the parameters of the learning model 32.
  • the machine learning engine 31 outputs the prediction accuracy together with the update of the parameter.
  • Specific examples of the prediction accuracy include an F value (F score), Accuracy (accuracy rate), Precision (accuracy rate), Recall (recall rate), ROC curve, and AUC.
  • the F value is an evaluation index of prediction accuracy, and is a harmonic mean of Precision and Recall.
  • Accuracy is a correct answer rate indicating a ratio of outputting correct answers in the entire prediction result.
  • Precision is a precision that indicates the ratio of correct answers when output is correct.
  • Recall is a recall indicating the ratio of correct answers in the entire prediction.
  • the ROC curve is a curve having the false positive rate as the horizontal axis and the true positive rate as the vertical axis.
  • AUC is the area of the region surrounded by the ROC curve and the horizontal and vertical axes.
  • the detection device 20 can execute odor detection by using the learning model 32.
  • the detection result is displayed on the screen of the display unit 25.
  • the learning model creation support device 10 includes a presentation unit 13 in addition to the above-described data acquisition unit 11 and condition setting unit 12.
  • the presentation unit 13 presents the new measurement condition set by the condition setting unit 12.
  • condition candidate data data specifying the new measurement condition
  • the data communication unit 24 receives the condition candidate data and passes it to the information processing unit 23.
  • the information processing unit 23 displays a new measurement condition specified thereby on the screen of the display unit 25.
  • condition setting unit 12 performs an SMBO (Sequential Model Based Based Optimization) such as a model-based sequential optimization using the prediction accuracy and the measurement condition as parameters so that the obtained prediction accuracy is higher than the obtained prediction accuracy.
  • SMBO Simple Model Based Based Optimization
  • condition setting unit 12 sets a new measurement condition by executing a grid search or Bayesian optimization (Bayesian optimization).
  • the condition setting unit 12 When executing the grid search, the condition setting unit 12 first sets a search space for parameters partitioned in a grid using the number of parameters to be searched (temperature, humidity, and the like as measurement conditions) as dimensions. Then, the condition setting unit 12 assigns a combination of parameters to each grid point, executes a simulation for each combination, and specifies a combination whose prediction accuracy is higher than the obtained prediction accuracy. The specified combination becomes a new measurement condition.
  • the condition setting unit 12 When executing the Bayesian optimization, the condition setting unit 12 first selects a combination of candidate parameters, and executes a simulation from the selected combination of parameters. Then, the condition setting unit 12 selects another combination of parameters based on the execution result, and executes the simulation again. In other words, in this case, the condition setting unit 12 executes a simulation while hitting a parameter that is likely to be appropriate, and specifies a combination serving as a new measurement condition.
  • FIG. 4 is a flowchart showing the operation of the learning model creation support device according to the embodiment of the present invention.
  • FIGS. 1 to 3 will be referred to as appropriate.
  • the learning model creation support method is performed by operating the learning model creation support device 10. Therefore, the description of the learning model creation support method in the present embodiment is replaced with the following description of the operation of the learning model creation support device 10.
  • the data acquisition unit 11 acquires, as learning data, sensor data output by the odor sensor 21 under a specific measurement condition, and condition data for specifying the measurement condition (step). A1).
  • the data acquisition unit 11 inputs the sensor data and the condition data acquired in step A1 to the machine learning engine 31 of the learning model creation device 30 as learning data (step A2).
  • the machine learning engine 31 executes machine learning using the input learning data.
  • the condition setting unit 12 acquires, from the learning model creation device 30, the prediction accuracy output by the machine learning engine 31 in response to the input of the learning data (step A3).
  • condition setting unit 12 sets new measurement conditions when the odor sensor newly outputs sensor data as learning data based on the prediction accuracy acquired in step A3 (step A4).
  • step A4 the condition setting unit 12 performs model-based sequential optimization using the prediction accuracy and the measurement condition as parameters so that the prediction accuracy is higher than the acquired prediction accuracy.
  • the presentation unit 13 presents the new measurement conditions set in step A4 on the screen of the detection device 20 (step A5).
  • step A5 when a new measurement condition is set, the presentation unit 13 transmits condition candidate data for specifying the new measurement condition to the detection device 20.
  • the data communication unit 24 receives the condition candidate data and passes it to the information processing unit 23.
  • the information processing unit 23 displays a new measurement condition specified thereby on the screen of the display unit 25.
  • 5 (a) to 5 (c) show an example of information displayed on the screen of the detection device according to the embodiment of the present invention.
  • Steps A1 to A5 information supporting the user's operation of creating the learning data is newly displayed on the screen of the detection device 20, as shown in FIGS. 5A to 5C.
  • various measurement conditions are displayed.
  • 5A to 5C show a case where the user's breath is a detection target.
  • FIG. 6 is a diagram showing another example of the detection device used in the embodiment of the present invention.
  • the detection device 20 includes a communication terminal 40 such as a smartphone and a sensor unit 41.
  • the sensor unit 41 houses an odor sensor and a measurement condition detection sensor in a housing.
  • the sensor unit 41 is connected to the communication terminal 40 via an external connection interface of the communication terminal 40.
  • the processor provided in the communication terminal 40 functions as the information processing unit 23.
  • the substance in the atmosphere can be detected by connecting the sensor unit 41 to the general-purpose communication terminal 40.
  • the sensor unit 41 is directly connected to the communication terminal 40 in the present modification, the connection between the two may be made as long as they can be communicated, and may be made wirelessly or by wire.
  • the program in the present embodiment may be any program that causes a computer to execute steps A1 to A5 shown in FIG.
  • the learning model creation support device 10 and the learning model creation support method according to the present embodiment can be realized.
  • the processor of the computer functions as the data acquisition unit 11, the condition setting unit 12, and the presentation unit 13 and performs processing.
  • the program according to the present embodiment may be executed by a computer system configured by a plurality of computers.
  • each computer may function as any one of the data acquisition unit 11, the condition setting unit 12, and the presentation unit 13.
  • FIG. 7 is a block diagram illustrating an example of a computer that realizes the learning model creation support device according to the embodiment of the present invention.
  • the computer 110 includes a CPU (Central Processing Unit) 111, a main memory 112, a storage device 113, an input interface 114, a display controller 115, a data reader / writer 116, and a communication interface 117. And these units are connected via a bus 121 so as to be able to perform data communication with each other.
  • the computer 110 may include a GPU (Graphics Processing Unit) or an FPGA (Field-Programmable Gate Array) in addition to or instead of the CPU 111.
  • the CPU 111 performs various operations by expanding the program (code) according to the present embodiment stored in the storage device 113 into the main memory 112 and executing them in a predetermined order.
  • the main memory 112 is typically a volatile storage device such as a DRAM (Dynamic Random Access Memory).
  • the program according to the present embodiment is provided in a state stored in computer-readable recording medium 120.
  • the program according to the present embodiment may be distributed on the Internet connected via the communication interface 117.
  • the storage device 113 includes a semiconductor storage device such as a flash memory in addition to a hard disk drive.
  • the input interface 114 mediates data transmission between the CPU 111 and an input device 118 such as a keyboard and a mouse.
  • the display controller 115 is connected to the display device 119 and controls display on the display device 119.
  • the data reader / writer 116 mediates data transmission between the CPU 111 and the recording medium 120, reads out a program from the recording medium 120, and writes a processing result in the computer 110 to the recording medium 120.
  • the communication interface 117 mediates data transmission between the CPU 111 and another computer.
  • the recording medium 120 include a general-purpose semiconductor storage device such as CF (Compact Flash) and SD (Secure Digital), a magnetic recording medium such as a flexible disk, or a CD-ROM.
  • CF Compact Flash
  • SD Secure Digital
  • An optical recording medium such as a ROM (Compact Disk Read Only Memory) may be used.
  • the learning model creation support device 10 can also be realized by using hardware corresponding to each unit instead of a computer in which a program is installed. Further, part of the learning model creation support device 10 may be realized by a program, and the remaining part may be realized by hardware.
  • An apparatus for supporting the creation of a learning model which is used in odor detection using an odor sensor that responds to a plurality of types of odors,
  • the sensor data output by the odor sensor under specific measurement conditions, and condition data for specifying the measurement conditions are acquired, and the acquired sensor data and the condition data are acquired by a machine learning engine that creates the learning model.
  • a prediction accuracy output by the machine learning engine corresponding to the input of the learning data is acquired, and a new odor sensor outputs new sensor data as the learning data based on the acquired prediction accuracy.
  • a learning model creation support device comprising:
  • a learning model creation support device (Appendix 3) A learning model creation support device according to supplementary note 2, wherein The condition setting unit sets the new measurement condition by executing Sequential Model Based Optimization using the prediction accuracy and the measurement condition as parameters.
  • a learning model creation support device characterized in that:
  • the learning model creation support device according to any one of supplementary notes 1 to 3,
  • the measurement conditions include at least the temperature and humidity around the odor sensor,
  • a learning model creation support device characterized in that:
  • a method for supporting the creation of a learning model which is used in odor detection using an odor sensor that responds to a plurality of types of odors, (A) acquiring sensor data output by the odor sensor under specific measurement conditions, and condition data specifying the measurement conditions, and providing the machine data to the machine learning engine that creates the learning model; Inputting condition data as learning data; and (B) when obtaining the prediction accuracy output by the machine learning engine in response to the input of the learning data, and when the odor sensor newly outputs sensor data as the learning data based on the obtained prediction accuracy; Steps to set new measurement conditions for A learning model creation support method, comprising:
  • a learning model creation support method according to supplementary note 7, wherein In the step (b), a new measurement condition is set so that the prediction accuracy is higher than the obtained prediction accuracy.
  • a learning model creation support method characterized in that:
  • a learning model creation support method according to supplementary note 8, wherein In the step (b), the new measurement condition is set by executing Sequential Model Based Optimization using the prediction accuracy and the measurement condition as parameters.
  • a learning model creation support method characterized in that:
  • a learning model creation support method according to supplementary note 10, wherein The measurement conditions further include information on odors other than the detected odor, around the odor sensor, A learning model creation support method characterized in that:
  • a computer used in odor detection using an odor sensor that responds to a plurality of types of odors, a computer-readable recording medium recorded with a program for supporting the creation of a learning model,
  • A acquiring sensor data output by the odor sensor under specific measurement conditions, and condition data specifying the measurement conditions, and providing the acquired sensor data to the machine learning engine that creates the learning model; Inputting condition data as learning data; and
  • B when obtaining the prediction accuracy output by the machine learning engine in response to the input of the learning data, and when the odor sensor newly outputs sensor data as the learning data based on the obtained prediction accuracy; Steps to set new measurement conditions for A computer-readable recording medium on which a program including instructions for executing the program is recorded.
  • Appendix 16 A computer-readable recording medium according to any one of supplementary notes 13 to 15, wherein The measurement conditions include at least the temperature and humidity around the odor sensor, A computer-readable recording medium characterized by the above-mentioned.
  • Appendix 17 A computer-readable recording medium according to supplementary note 16, wherein: The measurement conditions further include information on odors other than the detected odor, around the odor sensor, A computer-readable recording medium characterized by the above-mentioned.
  • setting of measurement conditions can be supported when creating a learning model for an odor sensor in which an odor analysis target is not fixed.
  • the present invention is useful in various fields in which an odor sensor is used.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • General Engineering & Computer Science (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Combustion & Propulsion (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Automation & Control Theory (AREA)
  • Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)

Abstract

学習モデル作成支援装置１０は、複数種類のニオイに反応するニオイセンサを用いたニオイ検出で利用される、学習モデルの作成を支援するための装置である。学習モデル作成支援装置１０は、特 定の計測条件下でニオイセンサが出力したセンサデータと、計測条件を特定する条件データとを取得し、学習モデルを作成する機械学習エンジン３１に、取得したセンサデータ及び条件データを学習データとして入力する、データ取得部１１と、学習データの入力に対応して機械学習エンジンが出力する予測精度を取得し、取得した予測精度に基づいて、ニオイセンサが新たに学習データとしてセンサデータを出力する際の新たな計測条件を設定する、条件設定部１２と、を備えている。

Description

学習モデル作成支援装置、学習モデル作成支援方法、及びコンピュータ読み取り可能な記録媒体
　本発明は、雰囲気中の物質からニオイを検出するニオイセンサに用いられる、学習モデルの作成を支援するための、学習モデル作成支援装置、及び学習モデル作成支援方法に関し、更には、これらを実現するためのプログラムを記録したコンピュータ読み取り可能な記録媒体に関する。
　従来から、特定のニオイを検出するためにニオイセンサが用いられている（例えば、特許文献１及び２参照。）。ニオイセンサは、センサ素子によって、特定のニオイの元となる空気中の化学物質を検出することによって、特定のニオイを検出する。また、センサ素子の例としては、金属酸化物、有機半導体薄膜等が挙げられる。このようなセンサ素子では、特定の化学物質が付着すると導電性が変化することから、特定の化学物質の検知が可能となる。
　ところで、従来からのニオイセンサでは、検出できる化学物質が固定されるため、検出されるニオイも固定され、汎用性に乏しいという問題がある。これに対して、近年においては、幅広い物質を検出できる膜型表面応力センサ（MSS: Membrane-type Surface stress Sensor）が新たに提案されている（非特許文献１参照）。
　ＭＳＳは、通常、２つ以上のＭＳＳ素子で構成されている。各ＭＳＳ素子は、感応膜が設けられた円形部分と、円形部分を囲むフレームと、円形部分をフレームに連結するための複数のブリッジとを備えている。そして、各ブリッジにはピエゾ抵抗素子が埋め込まれている。このような構成において、感応膜に物質が吸着すると、感応膜に応力が生じて円形部分が変形するため、各ブリッジに応力がかかる。この結果、ブリッジに埋め込まれたピエゾ抵抗素子の電気抵抗が大きく変化することから、抵抗値の値から吸着した物質の検出が可能となる。
　また、ＭＳＳにおいては、ＭＳＳ素子毎に、感応膜の材質が異なっているが、各ＭＳＳ素子に吸着する物質の種類は１種類に固定されているわけではない。各ＭＳＳ素子の感応膜の材質は、各ＭＳＳ素子の出力データを合成して得られるＭＳＳ全体の出力データのパターンが、ニオイ、即ち、ニオイを構成する各種物質の集合に応じて異なるように設定されている。このため、ＭＳＳでは、予め機械学習によって、解析対象となるニオイ毎に、出力パターンを学習して学習モデル（解析器）を作成することにより、多種類のニオイの検出が可能となる。
　また、このようなニオイセンサでは、近年、ＩｏＴ（Internet of Things）分野において注目されているエッジコンピューティングを適用することが、センサデータの処理効率の点で有効となる。具体的には、エッジコンピューティングでは、複数のセンサに比較的近い場所に配置されるエッジと呼ばれる小規模のコンピュータシステムによってセンサデータを収集できるからである。また、エッジコンピューティングでは、エッジに、データ量の削減処理及び特徴量抽出処理といった前処理を行わせ、クラウドに、解析器を用いた解析処理を行わせることができるからである。
特許第６１２１０１４号公報 特許第５５８２８０３号公報
「嗅覚センサーの業界標準を目指す「MSSアライアンス」発足～MSS技術実用化に向けた基礎的要素技術確立を目指して～」，［online］，２０１５年９月２９日，日本電気株式会社，［平成27年9月1日検索］，インターネット＜URL：http://jpn.nec.com/press/201509/20150929_01.html＞
　ところで、ニオイセンサには、解析対象が同一であっても、温度、湿度といった計測条件が変わると、センサデータの挙動が変化する特性がある。このため、ニオイセンサによる検出精度を高めるためには、解析対象毎に、計測条件として、できるだけ多くのバリエーションを用意して、学習モデルを作成する必要がある。
　しかしながら、計測条件として多くのバリエーションを用意することは現実には困難である。更に、多くのバリエーションを用意しても、結果的に不要となる計測条件も存在する。また、どの程度のバリエーションを用意すれば、検出精度が十分になるかを判断することも困難である。
　本発明の目的の一例は、上記問題を解消し、ニオイ解析の対象が固定されていないニオイセンサ用の学習モデルを作成する際において、計測条件の設定を支援し得る、学習モデル作成支援装置、学習モデル作成支援方法、及びコンピュータ読み取り可能な記録媒体を提供することにある。
　上記目的を達成するため、本発明の一側面における学習モデル作成支援装置は、複数種類のニオイに反応するニオイセンサを用いたニオイ検出で利用される、学習モデルの作成を支援するための装置であって、
　特定の計測条件下で前記ニオイセンサが出力したセンサデータと、前記計測条件を特定する条件データとを取得し、前記学習モデルを作成する機械学習エンジンに、取得した前記センサデータ及び前記条件データを学習データとして入力する、データ取得部と、
　前記学習データの入力に対応して前記機械学習エンジンが出力する予測精度を取得し、取得した前記予測精度に基づいて、前記ニオイセンサが新たに前記学習データとしてセンサデータを出力する際の新たな計測条件を設定する、条件設定部と、
を備えている、ことを特徴とする。
　また、上記目的を達成するため、本発明の一側面における学習モデル作成支援方法は、複数種類のニオイに反応するニオイセンサを用いたニオイ検出で利用される、学習モデルの作成を支援するための方法であって、
（ａ）特定の計測条件下で前記ニオイセンサが出力したセンサデータと、前記計測条件を特定する条件データとを取得し、前記学習モデルを作成する機械学習エンジンに、取得した前記センサデータ及び前記条件データを学習データとして入力する、ステップと、
（ｂ）前記学習データの入力に対応して前記機械学習エンジンが出力する予測精度を取得し、取得した前記予測精度に基づいて、前記ニオイセンサが新たに前記学習データとしてセンサデータを出力する際の新たな計測条件を設定する、ステップと、
を備えている、ことを特徴とする。
　更に、上記目的を達成するため、本発明の一側面におけるコンピュータ読み取り可能な記録媒体は、コンピュータによって、複数種類のニオイに反応するニオイセンサを用いたニオイ検出で利用される、学習モデルの作成を支援するためのプログラムを記録したコンピュータ読み取り可能な記録媒体であって、
前記コンピュータに、
（ａ）特定の計測条件下で前記ニオイセンサが出力したセンサデータと、前記計測条件を特定する条件データとを取得し、前記学習モデルを作成する機械学習エンジンに、取得した前記センサデータ及び前記条件データを学習データとして入力する、ステップと、
（ｂ）前記学習データの入力に対応して前記機械学習エンジンが出力する予測精度を取得し、取得した前記予測精度に基づいて、前記ニオイセンサが新たに前記学習データとしてセンサデータを出力する際の新たな計測条件を設定する、ステップと、
を実行させる命令を含む、プログラムを記録していることを特徴とする。
　以上のように、本発明によれば、ニオイ解析対象が固定されていないニオイセンサ用の学習モデルを作成する際において、計測条件の設定を支援することができる。
図１は、本発明の実施の形態における学習モデル作成支援装置の概略構成を示すブロック図である。 図２は、本発明の実施の形態における学習モデル作成支援装置の概略構成を示すブロック図である。 図３は、本発明の実施の形態で用いられる検出装置の一例を示す図である。 図４は、本発明の実施の形態における学習モデル作成支援装置の動作を示すフロー図である。 図５（ａ）～（ｃ）は、本発明の実施の形態において検出装置の画面に表示される情報の一例を示している。 図６は、本発明の実施の形態で用いられる検出装置の他の例を示す図である。 図７は、本発明の実施の形態における学習モデル作成支援装置を実現するコンピュータの一例を示すブロック図である。
（実施の形態）
　以下、本発明の実施の形態における、学習モデル作成支援装置、学習モデル作成支援方法、及びプログラムについて、図１～図６を参照しながら説明する。
［装置構成］
　最初に、図１を用いて、本実施の形態における学習モデル作成支援装置の概略構成を説明する。図１は、本発明の実施の形態における学習モデル作成支援装置の概略構成を示すブロック図である。
　図１に示す、本実施の形態における学習モデル作成支援装置１０は、ニオイセンサを用いたニオイ検出で利用される学習モデルの作成を支援する装置である。また、ここで用いられるニオイセンサは、ニオイ解析の対象が固定されていないニオイセンサであり、複数種類のニオイに反応してセンサデータを出力する。なお、図１において、ニオイセンサの図示は省略されている。
　図１に示すように、学習モデル作成支援装置１０は、データ取得部１１と、条件設定部１２とを備えている。このうち、データ取得部１１は、まず、特定の計測条件下でニオイセンサが出力したセンサデータと、この計測条件を特定する条件データとを取得する。また、データ取得部１１は、学習モデルを作成する機械学習エンジン３１に、取得したセンサデータ及び条件データを学習データとして入力する。
　条件設定部１２は、まず、学習データの入力に対応して機械学習エンジン３１が出力する予測精度を取得する。また、条件設定部１２は、取得した予測精度に基づいて、ニオイセンサが新たに学習データとしてセンサデータを出力する際の新たな計測条件を設定する。
　このように、本実施の形態では、機械学習エンジンによって、センサデータとそれに対応する計測条件とを用いた機械学習が行われると、学習結果に基づいて、新たな計測条件が設定される。つまり、本実施の形態によれば、ニオイ解析対象が固定されていないニオイセンサ用の学習モデルを作成する際において、計測条件の設定を支援することができ、結果、精度の高い学習モデルが構築されることになる。
　続いて、図２～図３を用いて、本実施の形態における学習モデル作成支援装置の構成及び機能についてより具体的に説明する。図２は、本発明の実施の形態における学習モデル作成支援装置の概略構成を示すブロック図である。
　図２に示すように、本実施の形態では、学習モデル作成支援装置１０は、ニオイセンサ２１を有する検出装置２０と、機械学習エンジン３１を有する学習モデル作成装置３０とに、データ通信可能に接続されている。
　検出装置２０は、ニオイセンサ２１と、計測条件検出センサ２２と、情報処理部２３と、データ通信部２４と、表示部２５とを備えている。検出装置２０は、このような構成により、ニオイセンサ２１が出力したセンサデータと、計測条件検出センサ２２が出力した条件データとを、学習モデル作成支援装置１０に送信する。
　ニオイセンサ２１としては、例えば、上述したＭＳＳが挙げられる。但し、本実施の形態において、ニオイセンサ２１は、ＭＳＳに限定されるものではなく、複数種類のニオイに反応してセンサデータを出力するセンサであれば良い。
　計測条件検出センサ２２は、ニオイセンサ２１の計測条件を検出し、センサデータとして、検出した計測条件を特定する条件データを出力する。計測条件としては、例えば、ニオイセンサ２１周辺の温度及び湿度が挙げられる。この場合、計測条件検出センサ２２としては、温度センサと湿度センサとが用いられる。なお、計測条件は、温度のみ、又は湿度のみであっても良い。これらの場合は、温度センサ及び湿度センサのうち、１つのみが用いられる。
　また、計測条件としては、検出されるニオイ以外のニオイに関する情報といった、ニオイセンサの周辺に存在する雰囲気ガスの情報も挙げられる。雰囲気ガスは、ニオイセンサ２１の精度に影響を与えるからである。具体的には、検出されるニオイ以外のニオイに関する情報の他に、雰囲気ガスの成分比、各成分の濃度等も挙げられる。更に、その他の計測条件として、ニオイセンサ２１から対象物までの距離、ニオイセンサ２１周辺の照度、対象物における紫外線量、気体を測定する際のサンプリング周期等も挙げられる。
　情報処理部２３は、ニオイセンサ２１からセンサデータが出力され、計測条件検出センサ２２から条件データが出力されると、これらのデータに対して、デジタル信号への変換等のデジタル処理を行う。また、情報処理部２３は、データ通信部２４に、デジタル処理後のセンサデータ及び条件データを、学習モデル作成支援装置１０に送信させる。
　データ通信部２４は、通信デバイスで構成されている。また、表示部２５は、液晶ディスプレイ等の表示装置で構成されている。
　図３は、本発明の実施の形態で用いられる検出装置の一例を示す図である。図３の例では、検出装置２０の筐体には、ニオイセンサ２１に測定対象となる気体を導くための窓２６と、計測条件検出センサ２２のための窓２７とが設けられている。また、図３において、２８は、検出装置２０の操作ボタンを示している。
　学習モデル作成装置３０は、計測時に出力されたセンサデータと、計測条件を特定する条件データを取得し、取得したこれらのデータを、学習データとして、機械学習エンジン３１に入力する。なお、学習モデル作成装置３０は、これらのデータを、学習モデル作成支援装置１０から取得しても良いし、検出装置２０から直接取得しても良い。
　機械学習エンジン３１は、学習データが入力されると、例えば、ディープラーニング、サポートベクトルマシンによって、センサデータの特徴と計測条件との関係を機械学習し、学習モデル３２のパラメータを更新する。
　また、機械学習エンジン３１は、パラメータの更新と共に、予測精度を出力する。予測精度の具体例としては、F値（F score）、Accuracy（正解率）、Precision（適合率）、Recall（再現率）、ROC曲線、AUCが挙げられる。
　このうち、F値は、予測精度の評価指標であり、PrecisionとRecallとの調和平均ある。Accuracyは、予測結果全体における正解が出力された割合を示す正解率である。Precisionは、正と出力された場合において正解であった割合を示す適合率である。Recallは、予測全体における正が正解であった割合を示す再現率である。ROC曲線は、偽陽性率を横軸とし真陽性率を縦軸とする曲線である。AUCは、ROC曲線と横軸及び縦軸とで囲まれた領域の面積である。
　機械学習エンジン３１によって、学習モデル３２が構築されると、検出装置２０は、この学習モデル３２を用いて、ニオイ検出を実行することができる。検出結果は、表示部２５の画面上に表示される。
　また、図２に示すように、学習モデル作成支援装置１０は、上述した、データ取得部１１及び条件設定部１２に加えて、提示部１３を備えている。提示部１３は、条件設定部１２によって設定された新たな計測条件を、提示する。
　具体的には、提示部１３は、新たな計測条件が設定されると、これを特定するデータ（以下「条件候補データ」と表記する）を、検出装置２０に送信する。この場合、検出装置２０において、データ通信部２４は、条件候補データを受信し、これを情報処理部２３に渡す。情報処理部２３は、条件候補データを受け取ると、それによって特定される新たな計測条件を、表示部２５の画面上に表示させる。
　本実施の形態では、条件設定部１２は、取得した予測精度よりも予測精度が高くなるように、予測精度と計測条件とをパラメータとするモデルベースド逐次最適化といった、ＳＭＢＯ（Sequential Model Based Optimization）を実行することによって、新たな計測条件を設定する。
　具体的には、条件設定部１２は、グリッドサーチ、又はベイズ的最適化（Bayesian Optimization）を実行して、新たな計測条件を設定する。
　グリッドサーチを実行する場合、条件設定部１２は、まず、探索対象となるパラメータ（計測条件となる温度、湿度等）の数を次元として、格子状に区切られたパラメータの探索空間を設定する。そして、条件設定部１２は、格子点毎に、パラメータの組合せを割当て、組合せ毎に、シミュレーションを実行し、取得した予測精度よりも予測精度が高くなる組合せを特定する。特定した組合せが新たな計測条件となる。
　また、ベイズ的最適化を実行する場合は、条件設定部１２は、まず、候補となるパラメータの組合せを選択し、選択したパラメータの組合せからシミュレーションを実行する。そして、条件設定部１２は、この実行結果に基づいて、別のパラメータの組み合わせを選択し、再度シミュレーションを実行する。つまり、この場合、条件設定部１２は、適切となる可能性が高いパラメータの当りをつけながら、シミュレーションを実行して、新たな計測条件となる組合せを特定する。
［装置動作］
　次に、本実施の形態における学習モデル作成支援装置１０の動作について図４を用いて説明する。図４は、本発明の実施の形態における学習モデル作成支援装置の動作を示すフロー図である。以下の説明においては、適宜図１～図３を参照する。また、本実施の形態１では、学習モデル作成支援装置１０を動作させることによって、学習モデル作成支援方法が実施される。よって、本実施の形態における学習モデル作成支援方法の説明は、以下の学習モデル作成支援装置１０の動作説明に代える。
　図４に示すように、最初に、データ取得部１１は、学習データとして、特定の計測条件下でニオイセンサ２１が出力したセンサデータと、この計測条件を特定する条件データとを取得する（ステップＡ１）。
　次に、データ取得部１１は、学習モデル作成装置３０の機械学習エンジン３１に、ステップＡ１で取得したセンサデータ及び条件データを学習データとして入力する（ステップＡ２）。ステップＡ２が実行されると、機械学習エンジン３１は入力された学習データを用いて機械学習を実行する。
　次に、条件設定部１２は、ステップＡ２の実行後に、学習モデル作成装置３０から、学習データの入力に対応して機械学習エンジン３１が出力する予測精度を取得する（ステップＡ３）。
　次に、条件設定部１２は、ステップＡ３で取得した予測精度に基づいて、ニオイセンサが新たに学習データとしてセンサデータを出力する際の新たな計測条件を設定する（ステップＡ４）。
　具体的には、ステップＡ４では、条件設定部１２は、取得した予測精度よりも予測精度が高くなるように、予測精度と計測条件とをパラメータとするモデルベースド逐次最適化を実行する。
　次に、提示部１３は、ステップＡ４で設定された新たな計測条件を検出装置２０の画面上に提示する（ステップＡ５）。
　具体的には、ステップＡ５では、提示部１３は、新たな計測条件が設定されると、これを特定する条件候補データを、検出装置２０に送信する。これにより、検出装置２０において、データ通信部２４は、条件候補データを受信し、これを情報処理部２３に渡す。情報処理部２３は、条件候補データを受け取ると、それによって特定される新たな計測条件を、表示部２５の画面上に表示させる。
　図５（ａ）～（ｃ）は、本発明の実施の形態において検出装置の画面に表示される情報の一例を示している。例えば、ステップＡ１～Ａ５が実行されると、検出装置２０の画面上には、図５（ａ）～（ｃ）に示すように、学習データを作成するユーザの操作を支援する情報と、新たな計測条件とが表示される。また、図５（ａ）～（ｃ）の例は、ユーザの息が検知対象である場合を示している。
［実施の形態における効果］
　以上のように、本実施の形態によれば、機械学習エンジン３１による機械学習の度に、より最適な計測条件が設定され、設定された計測条件が、検出装置２０のユーザに提示される。つまり、ユーザは、ニオイセンサ２１用の学習モデルを作成する際に、計測条件の設定について支援を受けることができる。この結果、精度の高い学習モデルの構築が容易となる。
［変形例］
　ここで、本実施の形態で用いられる検出装置２０の他の例について図６を用いて説明する。図６は、本発明の実施の形態で用いられる検出装置の他の例を示す図である。
　図６の例では、検出装置２０は、スマートフォン等の通信端末４０と、センサユニット４１とを備えている。センサユニット４１は、筐体内に、ニオイセンサ及び計測条件検出センサを収納している。また、センサユニット４１は、通信端末４０の外部接続用インターフェイスを介して、通信端末４０に接続される。そして、図６の例では、通信端末４０に備えられたプロセッサが、情報処理部２３として機能することになる。
　本変形例によれば、汎用の通信端末４０に、センサユニット４１を接続することによって、雰囲気中の物質の検出を実行できる。また、センサユニット４１は、本変形例では通信端末４０に直接接続されているが、両者の接続は通信可能に行われていれば良く、無線又は有線によって行われていても良い。
［プログラム］
　本実施の形態におけるプログラムは、コンピュータに、図４に示すステップＡ１～Ａ５を実行させるプログラムであれば良い。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態における学習モデル作成支援装置１０と学習モデル作成支援方法とを実現することができる。この場合、コンピュータのプロセッサは、データ取得部１１、条件設定部１２、及び提示部１３として機能し、処理を行なう。
　また、本実施の形態におけるプログラムは、複数のコンピュータによって構築されたコンピュータシステムによって実行されても良い。この場合は、例えば、各コンピュータが、それぞれ、データ取得部１１、条件設定部１２、及び提示部１３のいずれかとして機能しても良い。
　ここで、本実施の形態におけるプログラムを実行することによって、学習モデル作成支援装置を実現するコンピュータについて図７を用いて説明する。図７は、本発明の実施の形態における学習モデル作成支援装置を実現するコンピュータの一例を示すブロック図である。
　図７に示すように、コンピュータ１１０は、ＣＰＵ（Central Processing Unit）１１１と、メインメモリ１１２と、記憶装置１１３と、入力インターフェイス１１４と、表示コントローラ１１５と、データリーダ／ライタ１１６と、通信インターフェイス１１７とを備える。これらの各部は、バス１２１を介して、互いにデータ通信可能に接続される。なお、コンピュータ１１０は、ＣＰＵ１１１に加えて、又はＣＰＵ１１１に代えて、ＧＰＵ（Graphics Processing Unit）、又はＦＰＧＡ（Field-Programmable Gate Array）を備えていても良い。
　ＣＰＵ１１１は、記憶装置１１３に格納された、本実施の形態におけるプログラム（コード）をメインメモリ１１２に展開し、これらを所定順序で実行することにより、各種の演算を実施する。メインメモリ１１２は、典型的には、ＤＲＡＭ（Dynamic Random Access Memory）等の揮発性の記憶装置である。また、本実施の形態におけるプログラムは、コンピュータ読み取り可能な記録媒体１２０に格納された状態で提供される。なお、本実施の形態におけるプログラムは、通信インターフェイス１１７を介して接続されたインターネット上で流通するものであっても良い。
　また、記憶装置１１３の具体例としては、ハードディスクドライブの他、フラッシュメモリ等の半導体記憶装置が挙げられる。入力インターフェイス１１４は、ＣＰＵ１１１と、キーボード及びマウスといった入力機器１１８との間のデータ伝送を仲介する。表示コントローラ１１５は、ディスプレイ装置１１９と接続され、ディスプレイ装置１１９での表示を制御する。
　データリーダ／ライタ１１６は、ＣＰＵ１１１と記録媒体１２０との間のデータ伝送を仲介し、記録媒体１２０からのプログラムの読み出し、及びコンピュータ１１０における処理結果の記録媒体１２０への書き込みを実行する。通信インターフェイス１１７は、ＣＰＵ１１１と、他のコンピュータとの間のデータ伝送を仲介する。
　また、記録媒体１２０の具体例としては、ＣＦ（Compact Flash（登録商標））及びＳＤ（Secure Digital）等の汎用的な半導体記憶デバイス、フレキシブルディスク（Flexible Disk）等の磁気記録媒体、又はＣＤ－ＲＯＭ（Compact Disk Read Only Memory）などの光学記録媒体が挙げられる。
　なお、本実施の形態における学習モデル作成支援装置１０は、プログラムがインストールされたコンピュータではなく、各部に対応したハードウェアを用いることによっても実現可能である。更に、学習モデル作成支援装置１０は、一部がプログラムで実現され、残りの部分がハードウェアで実現されていてもよい。
　上述した実施の形態の一部又は全部は、以下に記載する（付記１）～（付記１８）によって表現することができるが、以下の記載に限定されるものではない。
（付記１）
　複数種類のニオイに反応するニオイセンサを用いたニオイ検出で利用される、学習モデルの作成を支援するための装置であって、
　特定の計測条件下で前記ニオイセンサが出力したセンサデータと、前記計測条件を特定する条件データとを取得し、前記学習モデルを作成する機械学習エンジンに、取得した前記センサデータ及び前記条件データを学習データとして入力する、データ取得部と、
　前記学習データの入力に対応して前記機械学習エンジンが出力する予測精度を取得し、取得した前記予測精度に基づいて、前記ニオイセンサが新たに前記学習データとしてセンサデータを出力する際の新たな計測条件を設定する、条件設定部と、
を備えている、ことを特徴とする学習モデル作成支援装置。
（付記２）
付記１に記載の学習モデル作成支援装置であって、
　前記条件設定部が、取得した前記予測精度よりも予測精度が高くなるように、新たな計測条件を設定する、
ことを特徴とする学習モデル作成支援装置。
（付記３）
付記２に記載の学習モデル作成支援装置であって、
　前記条件設定部が、予測精度と計測条件とをパラメータとする SequentialModel Based Optimizationを実行することによって、前記新たな計測条件を設定する、
ことを特徴とする学習モデル作成支援装置。
（付記４）
付記１～３のいずれかに記載の学習モデル作成支援装置であって、
　前記計測条件が、前記ニオイセンサの周辺の温度及び湿度を少なくとも含む、
ことを特徴とする学習モデル作成支援装置。
（付記５）
付記４に記載の学習モデル作成支援装置であって、
　前記計測条件が、更に、前記ニオイセンサの周辺における、検出されるニオイ以外のニオイに関する情報を含む、
ことを特徴とする学習モデル作成支援装置。
（付記６）
付記１から５のいずれかに記載の学習モデル作成支援装置であって、
　設定された前記計測条件を提示する、提示部を更に備えている、
ことを特徴とする学習モデル作成支援装置。
（付記７）
　複数種類のニオイに反応するニオイセンサを用いたニオイ検出で利用される、学習モデルの作成を支援するための方法であって、
（ａ）特定の計測条件下で前記ニオイセンサが出力したセンサデータと、前記計測条件を特定する条件データとを取得し、前記学習モデルを作成する機械学習エンジンに、取得した前記センサデータ及び前記条件データを学習データとして入力する、ステップと、
（ｂ）前記学習データの入力に対応して前記機械学習エンジンが出力する予測精度を取得し、取得した前記予測精度に基づいて、前記ニオイセンサが新たに前記学習データとしてセンサデータを出力する際の新たな計測条件を設定する、ステップと、
を備えている、ことを特徴とする学習モデル作成支援方法。
（付記８）
付記７に記載の学習モデル作成支援方法であって、
　前記（ｂ）のステップにおいて、取得した前記予測精度よりも予測精度が高くなるように、新たな計測条件を設定する、
ことを特徴とする学習モデル作成支援方法。
（付記９）
付記８に記載の学習モデル作成支援方法であって、
　前記（ｂ）のステップにおいて、予測精度と計測条件とをパラメータとする Sequential Model Based Optimizationを実行することによって、前記新たな計測条件を設定する、
ことを特徴とする学習モデル作成支援方法。
（付記１０）
付記７～９のいずれかに記載の学習モデル作成支援方法であって、
　前記計測条件が、前記ニオイセンサの周辺の温度及び湿度を少なくとも含む、
ことを特徴とする学習モデル作成支援方法。
（付記１１）
付記１０に記載の学習モデル作成支援方法であって、
　前記計測条件が、更に、前記ニオイセンサの周辺における、検出されるニオイ以外のニオイに関する情報を含む、
ことを特徴とする学習モデル作成支援方法。
（付記１２）
付記７から１１のいずれかに記載の学習モデル作成支援方法であって、
（ｃ）設定された前記計測条件を提示する、ステップを更に有している、
ことを特徴とする学習モデル作成支援方法。
（付記１３）
　コンピュータによって、複数種類のニオイに反応するニオイセンサを用いたニオイ検出で利用される、学習モデルの作成を支援するためのプログラムを記録したコンピュータ読み取り可能な記録媒体であって、
前記コンピュータに、
（ａ）特定の計測条件下で前記ニオイセンサが出力したセンサデータと、前記計測条件を特定する条件データとを取得し、前記学習モデルを作成する機械学習エンジンに、取得した前記センサデータ及び前記条件データを学習データとして入力する、ステップと、
（ｂ）前記学習データの入力に対応して前記機械学習エンジンが出力する予測精度を取得し、取得した前記予測精度に基づいて、前記ニオイセンサが新たに前記学習データとしてセンサデータを出力する際の新たな計測条件を設定する、ステップと、
を実行させる命令を含む、プログラムを記録していることを特徴とするコンピュータ読み取り可能な記録媒体。
（付記１４）
付記１３に記載のコンピュータ読み取り可能な記録媒体であって、
　前記（ｂ）のステップにおいて、取得した前記予測精度よりも予測精度が高くなるように、新たな計測条件を設定する、
ことを特徴とするコンピュータ読み取り可能な記録媒体。
（付記１５）
付記１４に記載のコンピュータ読み取り可能な記録媒体であって、
　前記（ｂ）のステップにおいて、予測精度と計測条件とをパラメータとするSequential Model Based Optimizationを実行することによって、前記新たな計測条件を設定する、
ことを特徴とするコンピュータ読み取り可能な記録媒体。
（付記１６）
付記１３～１５のいずれかに記載のコンピュータ読み取り可能な記録媒体であって、
　前記計測条件が、前記ニオイセンサの周辺の温度及び湿度を少なくとも含む、
ことを特徴とするコンピュータ読み取り可能な記録媒体。
（付記１７）
付記１６に記載のコンピュータ読み取り可能な記録媒体であって、
　前記計測条件が、更に、前記ニオイセンサの周辺における、検出されるニオイ以外のニオイに関する情報を含む、
ことを特徴とするコンピュータ読み取り可能な記録媒体。
（付記１８）
付記１３から１７のいずれかに記載のコンピュータ読み取り可能な記録媒体であって、
前記プログラムが、前記コンピュータに、
（ｃ）設定された前記計測条件を提示する、ステップを実行させる命令を更に含む、
ことを特徴とするコンピュータ読み取り可能な記録媒体。
　以上、実施の形態を参照して本願発明を説明したが、本願発明は上記実施の形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
　以上のように、本発明によれば、ニオイ解析対象が固定されていないニオイセンサ用の学習モデルを作成する際において、計測条件の設定を支援することができる。本発明は、ニオイセンサが利用される種々の分野において有用である。
　１０　学習モデル作成支援装置
　１１　データ取得部
　１２　条件設定部
　１３　提示部
　２０　検出装置
　２１　ニオイセンサ
　２２　計測条件検出センサ
　２４　データ通信部
　２５　表示部
　２６、２７　窓
　２８　操作ボタン
　３０　学習モデル作成装置
　３１　機械学習エンジン
　３２　学習モデル
　４０　通信端末
　４１　センサユニット
　１１０　コンピュータ
　１１１　ＣＰＵ
　１１２　メインメモリ
　１１３　記憶装置
　１１４　入力インターフェイス
　１１５　表示コントローラ
　１１６　データリーダ／ライタ
　１１７　通信インターフェイス
　１１８　入力機器
　１１９　ディスプレイ装置
　１２０　記録媒体
　１２１　バス

Claims (18)

  1. 　複数種類のニオイに反応するニオイセンサを用いたニオイ検出で利用される、学習モデルの作成を支援するための装置であって、
    　特定の計測条件下で前記ニオイセンサが出力したセンサデータと、前記計測条件を特定する条件データとを取得し、前記学習モデルを作成する機械学習エンジンに、取得した前記センサデータ及び前記条件データを学習データとして入力する、データ取得部と、
    　前記学習データの入力に対応して前記機械学習エンジンが出力する予測精度を取得し、取得した前記予測精度に基づいて、前記ニオイセンサが新たに前記学習データとしてセンサデータを出力する際の新たな計測条件を設定する、条件設定部と、
    を備えている、ことを特徴とする学習モデル作成支援装置。
  2. 請求項１に記載の学習モデル作成支援装置であって、
    　前記条件設定部が、取得した前記予測精度よりも予測精度が高くなるように、新たな計測条件を設定する、
    ことを特徴とする学習モデル作成支援装置。
  3. 請求項２に記載の学習モデル作成支援装置であって、
    　前記条件設定部が、予測精度と計測条件とをパラメータとする Sequential Model Based Optimizationを実行することによって、前記新たな計測条件を設定する、
    ことを特徴とする学習モデル作成支援装置。
  4. 請求項１～３のいずれかに記載の学習モデル作成支援装置であって、
    　前記計測条件が、前記ニオイセンサの周辺の温度及び湿度を少なくとも含む、
    ことを特徴とする学習モデル作成支援装置。
  5. 請求項４に記載の学習モデル作成支援装置であって、
    　前記計測条件が、更に、前記ニオイセンサの周辺における、検出されるニオイ以外のニオイに関する情報を含む、
    ことを特徴とする学習モデル作成支援装置。
  6. 請求項１から５のいずれかに記載の学習モデル作成支援装置であって、
    　設定された前記計測条件を提示する、提示部を更に備えている、
    ことを特徴とする学習モデル作成支援装置。
  7. 　複数種類のニオイに反応するニオイセンサを用いたニオイ検出で利用される、学習モデルの作成を支援するための方法であって、
    （ａ）特定の計測条件下で前記ニオイセンサが出力したセンサデータと、前記計測条件を特定する条件データとを取得し、前記学習モデルを作成する機械学習エンジンに、取得した前記センサデータ及び前記条件データを学習データとして入力する、ステップと、
    （ｂ）前記学習データの入力に対応して前記機械学習エンジンが出力する予測精度を取得し、取得した前記予測精度に基づいて、前記ニオイセンサが新たに前記学習データとしてセンサデータを出力する際の新たな計測条件を設定する、ステップと、
    を備えている、ことを特徴とする学習モデル作成支援方法。
  8. 請求項７に記載の学習モデル作成支援方法であって、
    　前記（ｂ）のステップにおいて、取得した前記予測精度よりも予測精度が高くなるように、新たな計測条件を設定する、
    ことを特徴とする学習モデル作成支援方法。
  9. 請求項８に記載の学習モデル作成支援方法であって、
    　前記（ｂ）のステップにおいて、予測精度と計測条件とをパラメータとする Sequential Model Based Optimizationを実行することによって、前記新たな計測条件を設定する、
    ことを特徴とする学習モデル作成支援方法。
  10. 請求項７～９のいずれかに記載の学習モデル作成支援方法であって、
    　前記計測条件が、前記ニオイセンサの周辺の温度及び湿度を少なくとも含む、
    ことを特徴とする学習モデル作成支援方法。
  11. 請求項１０に記載の学習モデル作成支援方法であって、
    　前記計測条件が、更に、前記ニオイセンサの周辺における、検出されるニオイ以外のニオイに関する情報を含む、
    ことを特徴とする学習モデル作成支援方法。
  12. 請求項７から１１のいずれかに記載の学習モデル作成支援方法であって、
    （ｃ）設定された前記計測条件を提示する、ステップを更に有している、
    ことを特徴とする学習モデル作成支援方法。
  13. 　コンピュータによって、複数種類のニオイに反応するニオイセンサを用いたニオイ検出で利用される、学習モデルの作成を支援するためのプログラムを記録したコンピュータ読み取り可能な記録媒体であって、
    前記コンピュータに、
    （ａ）特定の計測条件下で前記ニオイセンサが出力したセンサデータと、前記計測条件を特定する条件データとを取得し、前記学習モデルを作成する機械学習エンジンに、取得した前記センサデータ及び前記条件データを学習データとして入力する、ステップと、
    （ｂ）前記学習データの入力に対応して前記機械学習エンジンが出力する予測精度を取得し、取得した前記予測精度に基づいて、前記ニオイセンサが新たに前記学習データとしてセンサデータを出力する際の新たな計測条件を設定する、ステップと、
    を実行させる命令を含む、プログラムを記録していることを特徴とするコンピュータ読み取り可能な記録媒体。
  14. 請求項１３に記載のコンピュータ読み取り可能な記録媒体であって、
    　前記（ｂ）のステップにおいて、取得した前記予測精度よりも予測精度が高くなるように、新たな計測条件を設定する、
    ことを特徴とするコンピュータ読み取り可能な記録媒体。
  15. 請求項１４に記載のコンピュータ読み取り可能な記録媒体であって、
    　前記（ｂ）のステップにおいて、予測精度と計測条件とをパラメータとするSequential Model Based Optimizationを実行することによって、前記新たな計測条件を設定する、
    ことを特徴とするコンピュータ読み取り可能な記録媒体。
  16. 請求項１３～１５のいずれかに記載のコンピュータ読み取り可能な記録媒体であって、
    　前記計測条件が、前記ニオイセンサの周辺の温度及び湿度を少なくとも含む、
    ことを特徴とするコンピュータ読み取り可能な記録媒体。
  17. 請求項１６に記載のコンピュータ読み取り可能な記録媒体であって、
    　前記計測条件が、更に、前記ニオイセンサの周辺における、検出されるニオイ以外のニオイに関する情報を含む、
    ことを特徴とするコンピュータ読み取り可能な記録媒体。
  18. 請求項１３から１７のいずれかに記載のコンピュータ読み取り可能な記録媒体であって、
    前記プログラムが、前記コンピュータに、
    （ｃ）設定された前記計測条件を提示する、ステップを実行させる命令を更に含む、
    ことを特徴とするコンピュータ読み取り可能な記録媒体。
PCT/JP2018/024931 2018-06-29 2018-06-29 学習モデル作成支援装置、学習モデル作成支援方法、及びコンピュータ読み取り可能な記録媒体 WO2020003532A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US17/251,337 US20210255156A1 (en) 2018-06-29 2018-06-29 Learning model generation support apparatus, learning model generation support method, and computer-readable recording medium
JP2020527161A JP6940001B2 (ja) 2018-06-29 2018-06-29 学習モデル作成支援装置、学習モデル作成支援方法、及びプログラム
PCT/JP2018/024931 WO2020003532A1 (ja) 2018-06-29 2018-06-29 学習モデル作成支援装置、学習モデル作成支援方法、及びコンピュータ読み取り可能な記録媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/024931 WO2020003532A1 (ja) 2018-06-29 2018-06-29 学習モデル作成支援装置、学習モデル作成支援方法、及びコンピュータ読み取り可能な記録媒体

Publications (1)

Publication Number Publication Date
WO2020003532A1 true WO2020003532A1 (ja) 2020-01-02

Family

ID=68984816

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/024931 WO2020003532A1 (ja) 2018-06-29 2018-06-29 学習モデル作成支援装置、学習モデル作成支援方法、及びコンピュータ読み取り可能な記録媒体

Country Status (3)

Country Link
US (1) US20210255156A1 (ja)
JP (1) JP6940001B2 (ja)
WO (1) WO2020003532A1 (ja)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021186528A1 (ja) * 2020-03-17 2021-09-23 日本電気株式会社 データ生成装置、データ生成方法、及び、記録媒体
JP7006827B1 (ja) * 2021-08-12 2022-01-24 Ｉ－Ｐｅｘ株式会社 物質検出システム
US11636870B2 (en) 2020-08-20 2023-04-25 Denso International America, Inc. Smoking cessation systems and methods
US11760170B2 (en) 2020-08-20 2023-09-19 Denso International America, Inc. Olfaction sensor preservation systems and methods
US11760169B2 (en) 2020-08-20 2023-09-19 Denso International America, Inc. Particulate control systems and methods for olfaction sensors
US11813926B2 (en) 2020-08-20 2023-11-14 Denso International America, Inc. Binding agent and olfaction sensor
US11828210B2 (en) 2020-08-20 2023-11-28 Denso International America, Inc. Diagnostic systems and methods of vehicles using olfaction
US11881093B2 (en) 2020-08-20 2024-01-23 Denso International America, Inc. Systems and methods for identifying smoking in vehicles
US11932080B2 (en) 2020-08-20 2024-03-19 Denso International America, Inc. Diagnostic and recirculation control systems and methods

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10524461B1 (en) * 2018-09-25 2020-01-07 Jace W. Files Pest detector to identify a type of pest using machine learning
WO2020240556A1 (en) * 2019-05-27 2020-12-03 Nanoscent Ltd. Method and device for identifying volatile compounds

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10170422A (ja) * 1996-12-12 1998-06-26 Sanyo Electric Co Ltd 複合型匂いセンサ
JP2001305088A (ja) * 2000-04-25 2001-10-31 Shimadzu Corp におい識別装置
JP2005337816A (ja) * 2004-05-25 2005-12-08 Rikogaku Shinkokai 匂い測定方法および匂い測定装置
WO2009157187A1 (ja) * 2008-06-23 2009-12-30 Murthy Prakash Sreedhar 化学物質に関連した情報を取り扱うためのシステム
US20120143804A1 (en) * 2009-07-23 2012-06-07 Yada Research And Development Co., Ltd. Predicting odor pleasantness with an electronic nose
CN104914720A (zh) * 2015-04-16 2015-09-16 贵州省烟草公司遵义市公司 具有自动学习功能的电子鼻智能烘烤控制系统及控制方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080256008A1 (en) * 2007-03-31 2008-10-16 Mitchell Kwok Human Artificial Intelligence Machine
KR101689761B1 (ko) * 2016-03-04 2016-12-26 주식회사 퓨처플레이 방향물질 배출장치 및 그 제어방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10170422A (ja) * 1996-12-12 1998-06-26 Sanyo Electric Co Ltd 複合型匂いセンサ
JP2001305088A (ja) * 2000-04-25 2001-10-31 Shimadzu Corp におい識別装置
JP2005337816A (ja) * 2004-05-25 2005-12-08 Rikogaku Shinkokai 匂い測定方法および匂い測定装置
WO2009157187A1 (ja) * 2008-06-23 2009-12-30 Murthy Prakash Sreedhar 化学物質に関連した情報を取り扱うためのシステム
US20120143804A1 (en) * 2009-07-23 2012-06-07 Yada Research And Development Co., Ltd. Predicting odor pleasantness with an electronic nose
CN104914720A (zh) * 2015-04-16 2015-09-16 贵州省烟草公司遵义市公司 具有自动学习功能的电子鼻智能烘烤控制系统及控制方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021186528A1 (ja) * 2020-03-17 2021-09-23 日本電気株式会社 データ生成装置、データ生成方法、及び、記録媒体
JP7327648B2 (ja) 2020-03-17 2023-08-16 日本電気株式会社 データ生成装置、データ生成方法、及び、プログラム
US11636870B2 (en) 2020-08-20 2023-04-25 Denso International America, Inc. Smoking cessation systems and methods
US11760170B2 (en) 2020-08-20 2023-09-19 Denso International America, Inc. Olfaction sensor preservation systems and methods
US11760169B2 (en) 2020-08-20 2023-09-19 Denso International America, Inc. Particulate control systems and methods for olfaction sensors
US11813926B2 (en) 2020-08-20 2023-11-14 Denso International America, Inc. Binding agent and olfaction sensor
US11828210B2 (en) 2020-08-20 2023-11-28 Denso International America, Inc. Diagnostic systems and methods of vehicles using olfaction
US11881093B2 (en) 2020-08-20 2024-01-23 Denso International America, Inc. Systems and methods for identifying smoking in vehicles
US11932080B2 (en) 2020-08-20 2024-03-19 Denso International America, Inc. Diagnostic and recirculation control systems and methods
JP7006827B1 (ja) * 2021-08-12 2022-01-24 Ｉ－Ｐｅｘ株式会社 物質検出システム
WO2023017764A1 (ja) * 2021-08-12 2023-02-16 Ｉ－Ｐｅｘ株式会社 物質検出システム

Also Published As

Publication number Publication date
JPWO2020003532A1 (ja) 2021-08-02
US20210255156A1 (en) 2021-08-19
JP6940001B2 (ja) 2021-09-22

Similar Documents

Publication Publication Date Title
WO2020003532A1 (ja) 学習モデル作成支援装置、学習モデル作成支援方法、及びコンピュータ読み取り可能な記録媒体
JP7006699B2 (ja) サーバ装置、ニオイセンサデータ解析方法、及びプログラム
US20210018479A1 (en) Odor sensing apparatus, odor detection method, and computer-readable recording medium
JP7006701B2 (ja) サーバ装置、ニオイセンサデータ解析方法、及びプログラム
JP2007139548A (ja) 易動度の正規化装置、正規化方法、正規化プログラムおよび自己組織化マップ、並びに、物質の検出方法、検出プログラム、検出ルール生成方法およびデータ構造
EP3945290A1 (en) Apparatuses, computer-implemented methods, and computer program products for dynamic iterative baseline adjustment
JP7006700B2 (ja) サーバ装置、ニオイセンサデータ解析方法、及びプログラム
CN114638411A (zh) 二氧化碳浓度预测方法、装置、设备及介质
US11532382B2 (en) Information processing apparatus, information processing method, and storage medium
KR20180045510A (ko) 지자기 신호 처리 방법 및 장치
EP4123288A1 (en) Odor detection system, odor detection method, and program
KR20150070512A (ko) 앱 에뮬레이션 장치 및 방법
JP7205549B2 (ja) 臭気センサデータ補正装置、臭気センサデータ補正方法、及びプログラム
EP4141411A1 (en) Odor detection device, odor detection method, and program
JP7205548B2 (ja) 臭気センサ検査装置、臭気センサ検査方法、及びプログラム
JP7173354B2 (ja) 検出装置、検出方法およびプログラム
US20200025595A1 (en) System, method, and program for displaying sensor information on map
JP2009156769A (ja) におい測定装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18923872

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2020527161

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18923872

Country of ref document: EP

Kind code of ref document: A1