富士通研究所は、振動が激しく人による判別が困難な時系列データに対して、高精度な解析を可能とするディープラーニング技術を開発した。既存手法と比較して、人の運動行動の分類においては25％、脳波からの状態推定では20％の精度向上を達成している。

機械学習の分野で、データから自動的に物事を解釈・判断するための特徴要素を取り出すディープラーニング技術は、画像、音声などで極めて高い認識精度を達成しているが、適用分野が限られているという課題がある。特にセンサーなどのIoT機器から得られる時系列データは、人の目でも判別が難しいほど振動が激しく、自動的に分類することは困難だった。

富士通研究所が開発した技術では、まず、カオス理論を用いて、時系列データを図形に変換する。センサーにより観測されるデータの時間変化をグラフ上にプロットすることで描かれる軌跡を「運動の仕組み」を表す図形（アトラクタ）として区別できるようになる。

次に、位相幾何学にもとづくデータ分析手法の一つであるトポロジカル・データ・アナリシスを用いて得られた図形の特徴を数値化し、ベクトル表現に変換する。最後に、得られたベクトル表現を学習する畳み込みニューラルネットワーク（ベクトルデータを入力データとして特徴を抽出できるニューラルネット）によって、複雑な時系列データの分類が可能となる。

▼本技術による時系列分類イメージ（報道発表資料より）

精度については、ウェアラブル機器に搭載されたジャイロセンサーの時系列データをもとに、人の運動行動の分類を行う「UC Irvine Machine Learning Repository」のベンチマークテストにおいて、既存手法に比べて約25％精度が向上し、約85％の精度を達成した。また、脳波の時系列データからの状態推定を行う分類においては、既存手法に比べて約20％精度が向上し、約77％の精度を達成した

振動が激しい時系列データもディープラーニングで扱えるようになったことで、例えば工場設備の異常検知や故障予測を高精度に予測したり、バイタルデータ分析による診断・治療支援などの、人工知能による高度化が期待される。

富士通研究所は、時系列データの分類技術のさらなる高精度化を進め、富士通のAI技術「Human Centric AI Zinrai」のコア技術として本技術の2016年度中の実用化を目指す。また、画像・音声・時系列以外のデータへのディープラーニング技術の適用拡大を進める。

【報道発表資料】
・時系列データを高精度に分析する新たなDeep Learning技術を開発（富士通研究所）