取得学位 【 表示 ／ 非表示 】

取得学位 【 表示 ／ 非表示 】

学内職務経歴 【 表示 ／ 非表示 】

学内職務経歴 【 表示 ／ 非表示 】

所属学会・委員会 【 表示 ／ 非表示 】

所属学会・委員会 【 表示 ／ 非表示 】

全件表示 >>

専門分野（科研費分類） 【 表示 ／ 非表示 】

専門分野（科研費分類） 【 表示 ／ 非表示 】

論文 【 表示 ／ 非表示 】

論文 【 表示 ／ 非表示 】

• Speaker verification from mixture of speech and non-speech audio signals via using pole distribution of piecewise linear predictive coding coefficients（共著）

  Toshiki Tagomori, Ryosuke Tsuruda, Kazuya Matsuo, Shuichi Kurogi

  Journal of Ambient Intelligence and Humanized Computing  ( Springer Berlin Heidelberg )    2020年01月  [査読有り]

  DOI

• Unconstrained detection of the respiratory motions of chest and abdomen in different lying positions using a flexible tactile sensor array

  Shijie Guo, Xingli Zhao, Kazuya Matsuo, Jinyue Liu, Toshiharu Mukai

  IEEE Sensors Journal      2019年06月  [査読有り]

  DOI

• Grading fruits and vegetables using RGB-D images and convolutional neural network

  Nishi T., Kurogi S., Matsuo K.

  2017 IEEE Symposium Series on Computational Intelligence, SSCI 2017 - Proceedings    2018-January   1 - 6   2018年02月  [査読有り]

   概要を見る

  © 2017 IEEE. This paper presents a method for grading fruits and vegetables by means of using RGB-D (RGB and depth) images and convolutional neural network (CNN). Here, we focus on grading according to the size of objects. First, the method transforms positions of pixels in RGB image so that the center of the object in 3D space is placed at the position equidistant from the focal point by means of using the corresponding depth image. Then, with the transformed RGB images involving equidistant objects, the method uses CNN for learning to classify the objects or fruits and vegetables in the images for grading according to the size, where the CNN is structured for achieving both size sensitivity for grading and shift invariance for reducing position error involved in images. By means of numerical experiments, we show the effectiveness and the analysis of the present method.

  DOI Scopus

• Hierarchical clustering of ensemble prediction using LOOCV predictable horizon for chaotic time series

  Kurogi S., Shimoda N., Matsuo K.

  2017 IEEE Symposium Series on Computational Intelligence, SSCI 2017 - Proceedings    2018-January   1 - 7   2018年02月  [査読有り]

   概要を見る

  © 2017 IEEE. Recently, we have presented a method of ensemble prediction of chaotic time series. The method employs strong learners capable of making predictions with small error, where usual ensemble mean does not work well owing to the long term unpredictability of chaotic time series. Thus, we have developed a method to select a representative prediction from a set of plausible predictions by means of using LOOCV (leave-one-out cross-validation) measure to estimate predictable horizon. Although we have shown the effectiveness of the method, it sometimes fails to select the representative prediction with long predictable horizon. In order to cope with this problem, this paper presents a method to select multiple candidates of representative prediction by means of employing hierarchical K-means clustering with K = 2. From numerical experiments, we show the effectiveness of the method and an analysis of the property of LOOCV predictable horizon.

  DOI Scopus

• Analysis and application of step size of RK4 for performance measure of predictability horizon of chaotic time series

  Matsuzaki S., Matsuo K., Kurogi S.

  Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics)    11306 LNCS   14 - 23   2018年01月  [査読有り]

   概要を見る

  © Springer Nature Switzerland AG 2018. So far, we have presented several methods for chaotic time series prediction, and shown performance improvement on predictability horizon. However, we could not have shown the comparison of the performance with other methods. In order to obtain general and absolute performance measure of predictability horizon, this paper analyzes to formulate the relationship between the mean predictability horizon and the step size of the fourth-order Runge-Kutta method, or RK4. By means of using the formula which we have obtained in this article, the step size of RK4 corresponding to the mean predictability horizon achieved by a learning machine can be obtained without executing RK4. We execute numerical experiment of the prediction by several learning machines, and compare the performance by means of the step size of RK4 corresponding to the mean horizon achieved by the learning machines, and we show the effectiveness of the present method.

  DOI Scopus

全件表示 >>

口頭発表・ポスター発表等 【 表示 ／ 非表示 】

口頭発表・ポスター発表等 【 表示 ／ 非表示 】

• 柔軟面状触覚センサを用いた呼吸停止の検知

  松尾一矢

  第33回日本ロボット学会学術講演会  2015年09月  -  2015年09月   

• Suitable Measurement Locations of Body Pressure for Measurement of Respiration

  Yo Kato

  第53回日本生体医工学会大会  2014年06月  -  2014年06月   

• 呼吸の計測に適した体圧の測定位置

  松尾一矢

  第53回日本生体医工学会大会  2014年06月  -  2014年06月   

• 柔軟面状触覚センサを用いた心拍の計測

  松尾一矢

  第14回計測自動制御学会システムインテグレーション部門講演会  2013年12月  -  2013年12月   

• 柔軟面状触覚センサを用いた呼吸と心拍の計測

  松尾一矢

  ロボティクス・メカトロニクス講演会2013  2013年05月  -  2013年05月   

全件表示 >>

工業所有権 【 表示 ／ 非表示 】

工業所有権 【 表示 ／ 非表示 】

• 就寝者の心拍測定方法および心拍測定装置

  特願 2014-070207  特開 2015-188698  日本国

  向井利春，松尾一矢，加藤陽，清水厚輝

学術関係受賞 【 表示 ／ 非表示 】

学術関係受賞 【 表示 ／ 非表示 】

• 電気学会 優秀論文発表A賞

  2014年03月   電気学会   日本国

  受賞者：  松尾一矢, 向井利春, 加藤陽, 清水厚輝, 郭士傑

• SI2013 優秀講演賞

  2013年12月   計測自動制御学会   日本国

  受賞者：  松尾一矢, 加藤陽, 清水厚輝, 郭士傑, 向井利春

• IEEE Robotics and Automation Society (RAS) Japan Chapter Young Award

  2008年05月   IEEE Robotics and Automation Society   日本国

  受賞者：  Kazuya Matsuo, Kouji Murakami, Tsutomu Hasegawa, and Ryo Kurazume

科研費獲得実績 【 表示 ／ 非表示 】

科研費獲得実績 【 表示 ／ 非表示 】

• 物体に対する拘束を基準とした把握分類

  特別研究員奨励費

  研究期間:  2009年04月  -  2011年03月

  研究課題番号:  09J01865

   概要を見る

  物体に対する拘束を基準とした把握分類

受託研究・共同研究実施実績 【 表示 ／ 非表示 】

受託研究・共同研究実施実績 【 表示 ／ 非表示 】

• ベッド上に敷いた面状圧力センサによる生体信号計測に関する共同研究

  共同研究

  研究期間:  2015年10月  -  2018年09月

その他競争的資金獲得実績 【 表示 ／ 非表示 】

その他競争的資金獲得実績 【 表示 ／ 非表示 】

• 国際交流助成(派遣)課題「The 7th IEEE International Conference on Sensors (IEEE Sensors 2008)」

  提供機関:  民間財団等 

  研究期間:  2008年06月  -  2008年12月

担当授業科目 【 表示 ／ 非表示 】

担当授業科目 【 表示 ／ 非表示 】

全件表示 >>

学会・委員会等活動 【 表示 ／ 非表示 】

学会・委員会等活動 【 表示 ／ 非表示 】