特許ウォッチ

公開番号2024137503
公報種別公開特許公報(A)
公開日2024-10-07
出願番号2023049040
出願日2023-03-24
発明の名称モデル生成方法及びモデル生成プログラム
出願人富士通株式会社
代理人弁理士法人酒井国際特許事務所
主分類G16H 10/00 20180101AFI20240927BHJP(特定の用途分野に特に適合した情報通信技術)
要約【課題】未知の異常の判定結果の根拠を提示するモデル生成方法およびモデル生成プログラムを提供する。
【解決手段】教師ありの機械学習により、生体情報が既知または未知の異常であるかを判定する症状判定モデルを生成するモデル生成機能を提供するサーバ装置において、生成部15Fは、生体情報の異常が検知済みである異常データまたは異常データの特徴が数値化された特徴量が加工された加工データのうち、異常クラスが既知である第1の異常クラスに対応するクラスタに分類されず、かつ、異常が検知される加工データを、異常クラスが未知である第2の異常クラスの異常データと特定し、特定した第2の異常クラスの異常データと、第1の異常クラスの異常データとに基づいて、生体情報を入力として第1の異常クラスまたは前記第2の異常クラスのラベルを出力する異常検知モデルM1を生成する。
【選択図】図2
特許請求の範囲【請求項１】
生体情報の異常が検知済みである異常データまたは前記異常データの特徴が数値化された特徴量が加工された加工データのうち、異常クラスが既知である第１の異常クラスに対応するクラスタに分類されず、かつ前記異常が検知される加工データを、前記異常クラスが未知である第２の異常クラスの異常データと特定し、
特定された前記第２の異常クラスの異常データと、前記第１の異常クラスの異常データとに基づいて、生体情報を入力として前記第１の異常クラスまたは前記第２の異常クラスのラベルを出力する機械学習モデルを生成する、
処理をコンピュータが実行することを特徴とするモデル生成方法。
続きを表示（約 1,000 文字）【請求項２】
前記生成する処理は、前記第２の異常クラスおよび前記第１の異常クラスの異常データの特徴量を含む特徴ベクトルを説明変数とし、前記異常クラスのラベルを目的変数とし、前記機械学習モデルのパラメータを訓練する処理を含む、
ことを特徴とする請求項１に記載のモデル生成方法。
【請求項３】
予測対象とする生体情報が入力された前記機械学習モデルが出力するラベルに基づいて前記予測対象とする生体情報が前記第１の異常クラスまたは前記第２の異常クラスであるのかを判定し、
前記予測対象とする生体情報の前記第１の異常クラスまたは前記第２の異常クラスの判定結果を出力する、
処理を前記コンピュータがさらに実行することを特徴とする請求項１または２に記載のモデル生成方法。
【請求項４】
前記機械学習モデルおよび前記予測対象とする生体情報を機械学習モデルの解釈ツールに適用する処理を前記コンピュータがさらに実行し、
前記出力する処理は、前記予測対象とする生体情報の前記第１の異常クラスまたは前記第２の異常クラスの判定結果と、前記解釈ツールの適用結果とを出力する処理を含む、
ことを特徴とする請求項３に記載のモデル生成方法。
【請求項５】
前記解釈ツールは、ＬＩＭＥ（Local Interpretable Model-agnostic Explanations）またはＳＨＡＰ（Shapley Additive exPlanations）であることを特徴とする請求項４に記載のモデル生成方法。
【請求項６】
生体情報の異常が検知済みである異常データまたは前記異常データの特徴が数値化された特徴量が加工された加工データのうち、異常クラスが既知である第１の異常クラスに対応するクラスタに分類されず、かつ前記異常が検知される加工データを、前記異常クラスが未知である第２の異常クラスの異常データと特定し、
特定された前記第２の異常クラスの異常データと、前記第１の異常クラスの異常データとに基づいて、生体情報を入力として前記第１の異常クラスまたは前記第２の異常クラスのラベルを出力する機械学習モデルを生成する、
処理をコンピュータに実行させることを特徴とするモデル生成プログラム。

発明の詳細な説明【技術分野】
【０００１】
本発明は、モデル生成方法及びモデル生成プログラムに関する。
続きを表示（約 1,500 文字）【背景技術】
【０００２】
介護や医療などの現場では、被介護者や患者の体調変化を検知することの重要性が高まっている。このような体調変化の検知には、各種の異常の予兆や兆候が症状として現れるバイタルデータなどの生体情報が用いられる。
【０００３】
さらに、新型コロナウイルス感染症などの未知の感染症の想定を実現する側面から、既知の症状と未知の症状とを切り分けるために、既知の異常データをクラスタリングするクラスタリングモデルが用いられる場合がある。このようなクラスタリングモデルにより、入力されたバイタルデータが既知の異常または未知の異常に分類される。
【先行技術文献】
【特許文献】
【０００４】
特開２０２１－９９８３４号公報
【発明の概要】
【発明が解決しようとする課題】
【０００５】
しかしながら、上記のクラスタリングモデルは、いわゆる教師なし学習で実現されるので、未知の異常の判定結果の根拠を提示することが困難である側面がある。
【０００６】
１つの側面では、本発明は、未知の異常の判定結果の根拠を提示できるモデル生成方法及びモデル生成プログラムを提供することを目的とする。
【課題を解決するための手段】
【０００７】
一態様では、モデル生成方法では、生体情報の異常が検知済みである異常データまたは前記異常データの特徴が数値化された特徴量が加工された加工データのうち、異常クラスが既知である第１の異常クラスに対応するクラスタに分類されず、かつ前記異常が検知される加工データを、前記異常クラスが未知である第２の異常クラスの異常データと特定し、特定された前記第２の異常クラスの異常データと、前記第１の異常クラスの異常データとに基づいて、生体情報を入力として前記第１の異常クラスまたは前記第２の異常クラスのラベルを出力する機械学習モデルを生成する、処理をコンピュータが実行する。
【発明の効果】
【０００８】
未知の異常の判定結果の根拠の提示を実現できる。
【図面の簡単な説明】
【０００９】
図１は、サーバ装置の機能構成例を示すブロック図である。
図２は、各モデルの訓練例を示す模式図である。
図３は、ランダムフォレストの一例を示す図である。
図４は、症状判定の処理例を示す模式図である。
図５は、レポートの表示例を示す図である。
図６は、レポートの表示例を示す図である。
図７は、クラスタリング結果の一側面を示す図である。
図８は、クラスタリング結果の一側面を示す図である。
図９は、第１及び第２の訓練処理の手順を示すフローチャートである。
図１０は、第３の訓練処理の手順を示すフローチャートである。
図１１は、症状判定処理の手順を示すフローチャートである。
図１２は、ハードウェア構成例を示す図である。
【発明を実施するための形態】
【００１０】
以下、添付図面を参照して本願に係るモデル生成方法及びモデル生成プログラムの実施例について説明する。各実施例には、あくまで１つの例や側面を示すに過ぎず、このような例示により数値や機能の範囲、利用シーンなどは限定されない。そして、各実施例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。
【実施例】
（【００１１】以降は省略されています）

関連特許