本研究では，COVID-19の症例数を予測した．この分野では，統計モデルが用いられてきた．しかし，近年では，機械学習の適用が行われている．国毎に感染症対策や国民性に違いがあり，予測に適切なモデルが異なる．従って，日本国内においても適したモデル選択を行う為に両者を比較する必要がある．そこで，RNNをMSEとAICの2つの損失関数を用いて学習しARIMAを元に評価・比較した．その結果，RNNはARIMAに比べ，RMSEが49.5%減少し，特にSeq2Seqでは，R2=0.92となり，最も良い結果を示した．本稿では，RNNとその他手法との比較結果を報告する．

This paper focuses on the analysis of the activity of immune cells for supporting medical workers. Recognition frequency space selects a region including neighboring multiple cells as a single cell is one of the major issues in activity analysis of immune cells. This study focuses on the locality of immune cell features and uses a high-velocity weighting method for the analysis while the Gaussian distribution is used in the literature. The analysis was conducted for a few well-known methods such as final feature maps, class activation mapping (CAM), gradient weighted class activation mapping (Grad-CAM), Grad-CAM++, and Eigen-CAM. The results show that the densely inhabited immune cells are correctly selected by CAM, Grad-CAM, Grad-CAM++, and Eigen-CAM. These algorithms also show stability with respect to the threshold used to select tracking targets. In addition, the higher threshold makes the selection robust, and the lower one is useful for analyzing tends of multiple cells in a whole frame efficiently.

脳活動を測定するために脳に関するデータを取得可能なMagnetic Resonance Imaging （MRI，核磁気共鳴画像法）などの計測機器が活用されている．これらの計測機器を活用して，学習に関する様々な研究が行われている．しかし，長期間の測定は参加者への負担も大きく，また短期間で複数回の連続計測は，身体的影響が指摘されている．その場合，オフラインで学習度合いを測ることで，参加者への身体的負担や精神的負担の軽減につながると考えられる．本稿では，人間の学習過程をMRI計測する場合を考え，事前の長期間の学習で，どのように学習が進んでいくのかを観測するパフォーマンス実験について結果を示す．それらのデータをもとにして，学習度合い予測モデルを提案する．これらのモデルから，生体計測を行うための適切なタイミングを学習度合いから議論し，モデルを検証する．

免疫細胞の活動解析にAIを適用し自動化する需要は近年高まっており，その理由の1つとして解析者の人材不足が挙げられる．培養撮影された動画をフレームごとに進めながら活動を確認し解析するため，多くの手間がかかる．そこで，AI識別器をもちいて細胞画像を自動的に切り出すことができれば作業時間の短縮につながる．本研究ではこれらの作業短縮を目指す．AI識別器にはCNNという深層学習手法を用い，まず細胞画像を学習させて識別器の性能評価を行った．その結果，CNNが良い認識性能を発揮することを確認した．次に認識度の高い領域の累積頻度を算出し免疫細胞を自動的に選択するための「認識頻度空間」を定義し，細胞として認識される詳細な位置情報を生成することができた．これらを用いて実際の動画像のフレーム画像から，10個の免疫細胞を正確に切り出すことができた．本報告では，複数免疫細胞を自動的に切り出すことができたことを示す．

畳み込みニューラルネットワーク（CNN）は画像認識分野において大きな注目を集めており，様々なアプリケーションへ適用され，近年では，IoTデバイスなどの組み込みシステムでの実用化が期待されている．しかし，CNNは計算コストが高く，高速化には一般的にGPUが必須で，小型の組み込み機器などの省電力システムへの実装は消費電力等の観点から困難である．また，近年FPGAは自動車やセキュリティシステム，工業製品の欠陥検査などの画像処理技術分野に応用されている．ハードウェアアクセラレーションは，処理速度を向上させる手法の1つであり，画像処理の分野でよく用いられる．そこで，本研究では，畳み込みニューラルネットワークのハードウェア化を目的とし，畳み込みニューラルネットワークの高速化を目指す．本稿ではハードウェアベースの畳み込み層の設計・実装を行い，リアルタイム性の検証を行った結果について報告する．

On immune cells' analysis, analyst has hard working such as manual cell tracking to analyze in cell's movies. The aim of this study was reducing the load of theirs with automated tracking cells using the classifier. Cell's initial positions in the video was picked up from points of high recognized frequency in "Recognized Frequency Space". Recognized Frequency Space was generated from the positions that was recognized cells by the classifier. The classifier was trained by CNN which is one of deep learning methods. Then, cell's next positions were picked up using the cell's positions in the previous frame to track cells. As the result of used "Recognized Frequency Space" made by the classifier, 8 single cells were picked up from the frame image. And 5 of 8 cells could be tracked for 100 frames. This indicates that isolated immune cells can be tracked automatically if it is followed the method, and the method can reduce the load of cell's analyst.