研究課題/領域番号 |
20K11955
|
研究種目 |
基盤研究(C)
|
配分区分 | 基金 |
応募区分 | 一般 |
審査区分 |
小区分61030:知能情報学関連
|
研究機関 | 岩手県立大学 |
研究代表者 |
藤田 ハミド 岩手県立大学, 公私立大学の部局等, 特命教授 (30244990)
|
研究期間 (年度) |
2020-04-01 – 2024-03-31
|
研究課題ステータス |
完了 (2023年度)
|
配分額 *注記 |
3,120千円 (直接経費: 2,400千円、間接経費: 720千円)
2022年度: 650千円 (直接経費: 500千円、間接経費: 150千円)
2021年度: 780千円 (直接経費: 600千円、間接経費: 180千円)
2020年度: 1,690千円 (直接経費: 1,300千円、間接経費: 390千円)
|
キーワード | 機械学習 / 知能システム / machine learnig / Health care prediction / 知能情報学関連 / Machine Learning / Health Care System / Deep Learning / Health care System |
研究開始時の研究の概要 |
Activity Recognition on Data Streams using Ensemble Learning for Health warning predictions is project to study several ensemble learning techniques to learn traceable and machine understanding representations and deep neural architectures to recognize entities and relations in data gathered from multi-sensing environment like ECG signals, hear beating and else. Successively, hybrid deep learning and ensemble techniques are to be examined to improve the health recognition on different extracted features. These are to be fused as aggregated prediction system for risk analysis in health care.
|
研究成果の概要 |
本研究の研究目的は、健康リスクを早期に予測できる機械学習システムを提供することである。その方法として、本研究では、2つのGPUをクロスレイヤー接続したアーキテクチャで、アセンブルされたCNNに基づくディープニューラルネットワーク(DNN)を構築することにより、アンサンブル深層学習技術を使用した。さらに、比較のための大規模データを用いた学習実験のバックアップとして、GPUを1台稼働させている。多変量データに対してゼロショット学習を行うこと、また、ディープラーニング・アーキテクチャを動的データや画像データで学習させることで、良い研究結果を得ることができた。本研究成果は、国際学術誌に掲載された。
|
研究成果の学術的意義や社会的意義 |
本研究の研究結果は、機械学習技術を用いた健康管理システムにおける早期予測、特に、心不全の早期予測に対して新たな知見を与えるものである。
|