JP6354192B2 - 因果ネットワーク生成システム - Google Patents

因果ネットワーク生成システム Download PDF

Info

Publication number
JP6354192B2
JP6354192B2 JP2014026160A JP2014026160A JP6354192B2 JP 6354192 B2 JP6354192 B2 JP 6354192B2 JP 2014026160 A JP2014026160 A JP 2014026160A JP 2014026160 A JP2014026160 A JP 2014026160A JP 6354192 B2 JP6354192 B2 JP 6354192B2
Authority
JP
Japan
Prior art keywords
causal
index
causal relationship
indicators
cause
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2014026160A
Other languages
English (en)
Other versions
JP2015153133A (ja
Inventor
洋貴 和田
洋貴 和田
慶一 尾林
慶一 尾林
綾子 小久保
綾子 小久保
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Omron Corp
Original Assignee
Omron Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Omron Corp filed Critical Omron Corp
Priority to JP2014026160A priority Critical patent/JP6354192B2/ja
Priority to SG11201606221WA priority patent/SG11201606221WA/en
Priority to EP15749101.0A priority patent/EP3106998A4/en
Priority to PCT/JP2015/053336 priority patent/WO2015122362A1/ja
Priority to US15/115,105 priority patent/US10546239B2/en
Priority to CN201580005746.4A priority patent/CN105934754A/zh
Publication of JP2015153133A publication Critical patent/JP2015153133A/ja
Application granted granted Critical
Publication of JP6354192B2 publication Critical patent/JP6354192B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Operations Research (AREA)
  • Mathematical Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Marketing (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Economics (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)

Description

本発明は、因果ネットワークを生成する技術、および、因果関係のデータ構造に関するものである。
複数の事象（要素）のあいだの因果関係（因果ネットワークと呼ばれる）を表やグラフで表現し、これを複雑な系の挙動予測や問題発生時の原因推定などに利用する、という手法が従来より知られている。例えば、ベイジアンネットワークは個々の要素を確率変数ととらえ、要素間の因果関係を条件付き確率で表現したものである。また特許文献１には、因果ループ図（ＣＬＤ：Causal Loop Diagram）をソフトウェア開発プロジェクトのリス
ク評価に利用する例が開示されている。この因果ループ図では、因果関係をもつ要素間をアークで結び、正の相関がある場合はプラス符号、負の相関がある場合はマイナス符号、結果が現れるまでに時間遅延がある場合は二重線をアークに付加する、という表記法がとられる。また特許文献２には、大規模プラントで異常が発生した場合に、想定される異常原因と監視指標毎の徴候パターンとを対応付けた因果表を参照して、原因同定を行う例が開示されている。また特許文献３には、大規模プラントでの異常発生時にインターロックシステムにより発生する警報の順番とその発生間隔を定義した因果ネットワークを用意しておき、実際に警報が発生したときに、運転員が次に発生し得る警報やそれに対する対応処理を予測できるようにした例が開示されている。また特許文献４には、異常発生からの経過時間に伴う要素間の因果関係の変化を表現するために、経過時間ｔ１、ｔ２、・・・ごとの因果グラフ（正の相関をもつ要素間をプラスのアークで結び、負の相関をもつ要素間をマイナスのアークで結んだグラフ）を時系列に並べた多層構造因果ネットワークが示されている。
特開２０１２−１１３５３７号公報 特開平８−２３４８３２号公報 特開平５−３３３１８６号公報 特公昭６２−５３７６０号公報
対象の挙動（ふるまい）の分析や予測を正確に行うには、因果の伝播、すなわち、ある事象Ａが起きたときに他の事象Ｂについていつ頃どのような影響が現れるか、の理解が重要となる。しかし、従来の因果ネットワークでは、因果の伝播強度や伝播遅延（時間遅れ）をうまくモデル化できておらず、対象のもつ複雑な因果関係を十分に表現できないという課題があった。
本発明は上記実情に鑑みなされたものであり、時間遅れを伴った複雑な因果関係を有する対象の挙動を明確に表すための技術を提供することを目的とする。
請求項１に係る発明は、対象において生じる複数の事象のあいだの因果関係を表す因果ネットワークを生成する因果ネットワーク生成システムであって、前記複数の事象を定量的に記述するために用いられる複数個の指標それぞれの時系列データを取得するデータ取得部と、前記複数個の指標の中から選択した異なる２つの指標の組ごとに、当該２つの指標のあいだの因果関係を求める因果関係評価部と、前記因果関係評価部により求められた２つの指標の組ごとの因果関係を記述したデータを出力する出力部と、を有し、前記因果関係評価部は、前記２つの指標のうちの一方を原因指標、他方を結果指標と仮定し、前記原因指標の変化が遅延時間ｓ後の前記結果指標の変化に与える影響の強さである移動エントロピーを、遅延時間ｓの値を変えながら計算することによって、前記原因指標と前記結果指標のあいだの最大の移動エントロピー、及び、前記原因指標と前記結果指標のあいだの移動エントロピーが最大となる遅延時間を求め、前記出力部から出力される前記因果関係は、前記原因指標と前記結果指標のあいだの移動エントロピーが最大となる遅延時間の情報と、前記原因指標と前記結果指標のあいだの最大の移動エントロピーの情報を含むことを特徴とする因果ネットワーク生成システムである。請求項１に係る発明によれば、原因指標から結果指標への伝播遅延を考慮した移動エントロピーを表す因果ネットワークを生成することができる。
請求項２に係る発明は、前記因果関係評価部は、第１から第ｎのｎ個（ｎは２以上の整数）の遅延時間について前記原因指標と前記結果指標のあいだの移動エントロピーを求めるものであり、前記出力部から出力される前記因果関係は、第１から第ｎのｎ個の遅延時間の情報と、前記第１から第ｎの遅延時間それぞれに対応するｎ個の移動エントロピーの情報を含むことを特徴とする請求項１に記載の因果ネットワーク生成システムである。
請求項３に係る発明は、対象において生じる複数の事象のあいだの因果関係を表す因果ネットワークを生成する因果ネットワーク生成システムであって、前記複数の事象を定量
的に記述するために用いられる複数個の指標それぞれの時系列データを取得するデータ取得部と、前記複数個の指標の中から選択した異なる２つの指標の組ごとに、当該２つの指標のあいだの因果関係を求める因果関係評価部と、前記因果関係評価部により求められた２つの指標の組ごとの因果関係を記述したデータを出力する出力部と、を有し、前記因果関係評価部は、前記２つの指標のうちの一方を原因指標、他方を結果指標と仮定し、前記原因指標の変化が遅延時間ｓ後の前記結果指標の変化に与える影響の強さである移動エントロピーを、遅延時間ｓの値を変えながら計算することによって、第１から第ｎのｎ個（ｎは２以上の整数）の遅延時間について前記原因指標と前記結果指標のあいだの移動エントロピーを求めるものであり、前記出力部から出力される前記因果関係は、第１から第ｎのｎ個の遅延時間の情報と、前記第１から第ｎの遅延時間それぞれに対応するｎ個の移動エントロピーの情報を含むことを特徴とする因果ネットワーク生成システムである。
請求項２または３に係る発明によれば、原因指標から結果指標への伝播遅延を考慮した移動エントロピーを表す因果ネットワークを生成することができる。また、指標の組み合わせごとの移動エントロピーの違いや遅延時間の違いを明確に表す因果ネットワークを生成することができる。
請求項４に係る発明は、前記因果関係評価部は、前記原因指標の値と前記遅延時間後の前記結果指標の値とのあいだの相関係数を計算し、前記出力部から出力される前記因果関係は、前記相関係数の情報を含むことを特徴とする請求項１〜３のうちいずれか１項に記載の因果ネットワーク生成システムである。
請求項５に係る発明は、対象において生じる複数の事象のあいだの因果関係を表す因果ネットワークを生成する因果ネットワーク生成システムであって、前記複数の事象を定量的に記述するために用いられる複数個の指標それぞれの時系列データを取得するデータ取得部と、前記複数個の指標の中から選択した異なる２つの指標の組ごとに、当該２つの指標のあいだの因果関係を求める因果関係評価部と、前記因果関係評価部により求められた２つの指標の組ごとの因果関係を記述したデータを出力する出力部と、を有し、前記因果関係評価部は、前記２つの指標のうちの一方を原因指標、他方を結果指標と仮定し、前記原因指標の変化が遅延時間ｓ後の前記結果指標の変化に与える影響の強さである移動エントロピーを、遅延時間ｓの値を変えながら計算することによって、前記原因指標と前記結果指標のあいだの移動エントロピー、及び、前記原因指標の影響が前記結果指標に伝播するのにかかる遅延時間を求め、前記原因指標の値と前記遅延時間後の前記結果指標の値とのあいだの相関係数を計算し、前記出力部から出力される前記因果関係は、前記相関係数の情報を含むことを特徴とする因果ネットワーク生成システムである。
請求項４または５に係る発明によれば、原因指標の増加／減少と結果指標の変化の関係（正の相関か負の相関か）、及び、相関の強さも明確に表す因果ネットワークを生成することができる。
本発明によれば、時間遅れを伴った複雑な因果関係を有する対象の挙動を明確に表すことが可能となる。
因果ネットワーク生成システムの機能ブロック図。 因果ネットワーク生成処理の流れを示すフローチャート。 因果ネットワークの生成に用いる時系列データの一例。 因果関係データのデータ構造の一例。 因果ネットワークの表示例。 健康管理支援システムの機能ブロック図。 健康管理支援システムの構成例。 健康管理支援システムの構成例。 健康管理支援システムの処理の流れを示すフローチャート。 因果関係データ、因果ネットワーク、部分ネットワークの一例。 ユーザ支援用グラフの生成処理を説明するための図。 運動効果発現区間の検出処理の流れを示すフローチャート。 正の運動効果発現区間ＳＰ−ｐｏｓｉの検出例を示す図。 連続区間の結合例を示す図。 ユーザ支援用グラフの一例を示す図。 支援メッセージパターン記憶部に格納されたテンプレートの一例。 ユーザに提供する支援情報の表示例。
＜因果ネットワーク生成システム＞
本発明の実施形態に係る因果ネットワーク生成システムについて説明する。因果ネットワーク生成システムは、分析対象において発生する複数の事象のあいだの因果関係を表す因果ネットワークを自動で生成するためのシステムである。因果ネットワークは分析対象の挙動（ふるまい）を表現するためのものであり、例えば、生産ラインや大規模プラントの管理・保全、気象や災害の予測、株価や為替の予想、マーケティングなど、さまざまな対象の挙動の分析や予測に応用可能である。
図１に、因果ネットワーク生成システム１の機能構成例を示す。因果ネットワーク生成システム１は、時系列データ取得部１０、因果関係評価部１１、因果関係データ出力部１２などの機能ブロックを有する。このシステム１は、ＣＰＵ（中央演算処理装置）、主記憶装置（メモリ）、補助記憶装置（ハードディスク、半導体ディスクなど）、入力装置（キーボード、マウス、タッチパネルなど）、表示装置（液晶モニタなど）、通信ＩＦを有する汎用のコンピュータにより構成可能であり、図１に示した各機能は、ＣＰＵがプログラムを読み込み実行することで実現されるものである。なお、このシステム１は、一つの装置で構成することもできるし、有線又は無線で相互に通信可能な複数の装置で構成することもできる。
時系列データ取得部１０は、分析対象において生じる事象を定量的に記述するために用いられる指標の時系列データを取得する機能である。事象（指標）の種類及び数は分析の対象や目的に合わせて任意に設計できる。例えば、生産ラインの保全が目的であれば、製造装置に設けられたセンサの出力、製造条件、稼働時間、直行率や良品率、温度や湿度などの環境データを指標として選ぶことができる。複雑な系では、数十から数百種類の指標の時系列データを用いることもできる。
因果関係評価部１１は、各指標のあいだの因果関係を評価する機能である。前述したように、対象の挙動分析や予測を正確に行うには、２つの指標（原因指標と結果指標）のあいだの因果強度や、原因指標の影響が結果指標に伝播するのにかかる遅延時間の正しい理解が必要である。そこで本実施形態の因果関係評価部１１は、「移動エントロピー（Transfer Entropy：ＴＥ）」という情報理論の概念を用いて、２つの指標のあいだの因果関係を評価する。
移動エントロピーとは、二つの指標Ｘ、Ｙのあいだの伝播時間（遅延時間）を考慮した因果関係を評価する尺度ないし手法であり、指標Ｘから時間ｓ後の指標Ｙへと移動した平均情報量（エントロピー）を、原因指標Ｘが時間ｓ後に結果指標Ｙに与える影響の強さ（つまり因果強度）とみなす考え方である。なお、似た概念に相関係数があるが、相関係数は２つの指標ＸとＹの間の線形関係の度合いと線形関係の符号を評価するだけであり、因果の方向（どちらの指標が因でとちらが果か）および時間遅れを考慮していない点で、移動エントロピーとは異なる。
指標Ｘ、Ｙそれぞれの時系列データをｘ（ｔ）、ｙ（ｔ）とし、確率密度関数をＰ（ｘ（ｔ））、Ｐ（ｙ（ｔ））とすると、指標Ｘを因、指標Ｙを果とする、遅延時間ｓに関する移動エントロピーＴＥＸＹ（ｓ）は、次式で計算できる。
Figure 0006354192
ここで、Ｐ（ａ，ｂ）は、Ｐ（ａ）とＰ（ｂ）の結合確率密度変数を表し、［＊］は＊の時間平均を表す。
上式から分かるように、移動エントロピーは、二つの指標Ｘ、Ｙの時系列データと遅延時間ｓを与えることで計算できる。ここで、指標Ｘ、Ｙのあいだに、Ｘを因、Ｙを果とする因果関係が存在する場合には、ＴＥＸＹ（ｓ）の値と、因と果を入れ替えて計算したＴＥＹＸ（ｓ）の値とのあいだに、ＴＥＸＹ（ｓ）＞ＴＥＹＸ（ｓ）が成立する。よって、ＴＥＸＹ（ｓ）とＴＥＹＸ（ｓ）の値の大小関係を評価することにより、因果関係の存在および因果の方向を判断できる。また、ｓの値を変えながら移動エントロピーＴＥＸＹ（ｓ）を計算することで、原因指標Ｘと結果指標Ｙのあいだの因果強度の最大値、及び、因果強度が最大となる遅延時間ｓを求めることができる。
因果関係データ出力部１２は、因果関係評価部１１により求められた各指標のあいだの因果関係を記述したデータ（因果関係データと呼ぶ）を生成し、出力する機能である。因果関係データの出力先は、補助記憶装置、表示装置、プリンタ、外部の（ＬＡＮ又はインターネット上の）ストレージやコンピュータなどが想定される。
（因果ネットワークの生成処理）
図２のフローチャートに沿って、因果ネットワーク生成システム１による因果ネットワーク生成処理の流れを説明する。
ステップＳ２０では、時系列データ取得部１０が、分析対象にかかわる複数の指標の時系列データを取得する。ここではｍ個（ｍは２以上の整数）の指標Ｅ１〜Ｅｍの時系列データが取得されたとする。時系列データの取得先や取得方法はいかなるものでもよく、例えば、補助記憶装置に格納されているデータを読み込んでもよいし、ＬＡＮ又はインターネットを介して外部の記憶装置やコンピュータからデータを取得してもよい。図３は時系列データの一例を模式的に示している。各グラフの横軸が時間軸であり、縦軸が指標の値である。
続いて、因果関係評価部１１が、ｍ個の指標Ｅ１〜Ｅｍの中から選択される２つの指標の組（Ｅｉ，Ｅｊ）のそれぞれについて、以下に述べる処理を行う（ステップＳ２１）。ここで、Ｅｉが原因指標、Ｅｊが結果指標を表し、指標番号を表す添え字ｉ、ｊは、ｉ＝１〜ｍ、ｊ＝１〜ｍ、ｉ≠ｊを満たす。
まず因果関係評価部１１は、遅延時間ｓを最小値ｓｍｉｎに設定する（ステップＳ２２）。そして、因果関係評価部１１は、原因指標Ｅｉと時間ｓ後の結果指標Ｅｊのあいだの因果強度を求める（ステップＳ２３）。本実施形態では、前述した数式により計算される移動エントロピーＴＥｉｊを因果強度として用いる。なお、このときに、逆方向の移動エントロピー、すなわち、時間ｓ後の指標Ｅｊから指標Ｅｉへの移動エントロピーＴＥｊｉを計算し、もし逆方向の移動エントロピーの方が大きい場合（ＴＥｊｉ＞ＴＥｉｊ）には、２つの指標（Ｅｉ，Ｅｊ）のあいだには指標Ｅｉが原因、指標Ｅｊが結果となる因果関係はないと判断し、因果強度をゼロにするとよい。
原因指標Ｅｉと結果指標Ｅｊのあいだに因果関係が認められた場合（因果強度がゼロでない場合）は（ステップＳ２４；ＹＥＳ）、因果関係評価部１１は、原因指標Ｅｉと時間ｓ後の結果指標Ｅｊの相関係数を計算する（ステップＳ２５）。相関係数の計算方法は公知のため説明を省略する。
以上のステップＳ２３〜Ｓ２５の処理を、ｓの値を時間ステップ幅Δｓずつ増やしながら繰り返し実行し（ステップＳ２６）、遅延時間の最大値ｓｍａｘまで処理を終えたら（ステップＳ２７）、次の指標の組の処理へと移行する（ステップＳ２８；ＮＯ）。そして、２つの指標の全通りの組について因果関係の評価を終えたら（ステップＳ２８；ＹＥＳ
）、因果関係データ出力部１２が因果関係データを生成し（ステップＳ２９）、処理を終了する。
＜因果関係のデータ構造＞
図４は、因果関係データのデータ構造の一例を模式的に示している。因果関係データは、因果関係を表現する対象（分析対象）を特定するための対象識別情報と、ｍ個の指標それぞれの指標識別情報と、２つの指標の組ごとの因果関係情報とを含んでいる。
対象識別情報には、分析対象の名称、ＩＤなどが記述される。対象識別情報は、この因果関係データが何の因果関係を表しているのかを特定するために参照される情報ゆえ、他の分析対象との区別さえできればどのような内容を記述してもかまわない。指標識別情報は、指標又は事象を特定するための名称、ＩＤなどが記述される。指標識別情報は、各指標が何を表しているのかを特定するために参照される情報ゆえ、指標同士の区別さえできればどのような内容を記述してもかまわない。
因果関係情報はｍ×ｍの２次元配列で構成されており（図４は、ｍ＝６の例である）、要素番号（ｉ，ｊ）のセルに原因指標ｉと結果指標ｊのあいだの因果関係情報が格納される。要素番号(3,4)の因果関係情報Ark（3,4)のデータ記述例を以下に示す。
Ark(3,4) = {
Causality = 0.58;
Delay = 3;
Co_CoEf = -0.7
}
Causalityは、原因指標ｉと結果指標ｊのあいだの最大の因果強度（移動エントロピー
）を表す強度情報であり、Delayは、因果強度が最大となる遅延時間を表す時間情報であ
る。Co_CoEfは、原因指標ｉの増減に対する結果指標ｊの変化の方向（正の相関か負の相
関か）を表す相関情報である。この例では、Delayの単位として「日」を用い、相関情報
として、原因指標ｉとDelay後の結果指標ｊとのあいだの相関係数を用いている。すなわ
ち、上記例の因果関係情報Ark(3,4）からは、原因指標３と結果指標４とのあいだには因
果関係が存在し、その因果の方向は指標３→指標４であること、因果強度は０．５８であること、原因指標３の影響が結果指標４に伝播するのに３日かかる（遅れる）こと、原因指標３と結果指標４とのあいだには負の相関があり、その強さは０．７であることなどが分かる。
なお、前述したステップＳ２４において、指標ｉとｊのあいだに因果関係なしと判断された場合には、Ark(i,j)にはNULLが設定される。また、ｉ＝ｊとなるセルのArk(i,j)にもNULLが設定される。
因果関係情報として、因果強度の最大値とそのときの遅延時間及び相関係数だけを記述するのでなく、第１から第ｎのｎ個（ｎは２以上の整数）の遅延時間と、それぞれに対応する因果強度及び相関係数の情報を記述するようにしてもよい。要素番号(3,4)の因果関
係情報Ark(3,4)のデータ記述例を以下に示す。
Ark(3,4) = {
Causality[] = {0.02, 0.13, 3.2, ...};
Co_CoEf[] = {-0.2, -0.13, -0.7, ...}
}
この記述例では、強度情報（Causality[]）と相関情報（Co_CoEf[]）のデータを１次元配列で保持している。配列の要素番号が遅延時間（単位は「日」）に対応している。すなわち、Causality[0]=0.02が遅延０日（遅延なし）の場合の因果強度、Causality[1]=0.13が遅延１日の場合の因果強度、・・・を表し、Co_CoEf[0]=-0.2が遅延０日の場合の相関
係数、Co_CoEf[1]=-0.13が遅延１日の場合の相関係数、・・・を表している。なお、遅延時間の単位（時間ステップ幅）を任意に設定したい場合には、以下のデータ記述例のように遅延時間の配列Delay[]を保持してもよい。
Ark(3,4) = {
Causality[] = {0.02, 0.13, 3.2, ...};
Delay[] = {0, 2, 5, ...};
Co_CoEf[] = {-0.2, -0.13, -0.7, ...}
}
このようなデータ構造によれば、時間遅れを伴った複雑な因果関係を有する対象の挙動を明確に表すことが可能となる。また、複数の事象（指標）が絡む因果関係のなかから、強い因果関係をもつ事象（指標）の組を容易に発見することができる。しかも、因果の伝播遅延も考慮できるため、従来手法に比べてより適切な因果関係の把握が可能である。さらに、２つの事象（指標）のあいだの相関係数も保持しているので、相関の正負や相関の強さも表現可能である。このような情報があると、例えば、相関の正負や相関の強さを拘束条件とした因果関係の探索や絞り込みが容易に実施でき、対象の挙動の分析や予測に有用である。
図５は、因果関係データ出力部１２による因果ネットワークの表示例である。この有向グラフにおいて、各ノードが指標に対応しており、２つのノードのあいだをリンクするアークが２つのノードのあいだの因果関係及び因果の方向を示している（アークの基端側が原因ノード、矢印側が結果ノード）。各ノード上には指標識別情報が表示され、各アーク上には因果強度、遅延時間、相関係数が表示される。また、有向グラフの上部には対象識別情報が表示される。このような因果ネットワークをみれば、指標同士の因果関係の有無、因果の方向、因果強度、因果の伝播にかかる時間、相関の正負及び高さなどを容易に把握することができる。
なお、上記処理では一つの分析対象の時系列データから因果関係を求めたが、複数の分析対象それぞれの時系列データから因果関係を求めることもできる。例えば、複数の被験者のバイタルデータを分析したり、同じ設計の複数の生産ラインのデータを分析したりすることが想定される。同種の分析対象であれば基本的な挙動（ふるまい）は共通しているので、因果関係の有無、因果の方向、相関の正負などの関係はほぼ同じと考えられるが、因果強度と遅延時間については個体差が現れる可能性がある。そこで、複数の分析対象の時系列データから因果関係を求める場合には、分析対象ごとに因果強度、遅延時間、相関係数などを計算し、さらに、それらの値の最大値、最小値、平均値、分散、標準偏差などの統計情報を因果関係データの中に保持するとよい。その場合の因果関係情報のデータ記述例を以下に示す。
Ark(3,4) = {
Causality[] = {2.2, 3.5, 3.0, ...};
Causality_Max = 4.4;
Causality_Ave = 2.8;
Causality_Var = 0.89;
Delay[] = {3, 2, 4, ...};
Delay_Max = 5;
Delay_Ave = 3.1;
Delay_Var = 1.88;
Co_CoEf[] = {0.5, 0.32, 0.3, ...}
}
この記述例では、強度情報（Causality[]）、時間情報（Delay[]）、相関情報（Co_CoEf[]）のデータを１次元配列で保持している。配列の要素番号が分析対象の番号に対応し
ている。すなわち、０番目の分析対象の因果強度はCausality[0]=2.2、遅延時間はDelay[0]=3、相関係数はCo_CoEf[0]=0.5である。そして、統計情報として、すべての分析対象のなかでの因果強度の最大値（Causality_Max）、平均値（Causality_Ave）、分散（Causality_Var）と、遅延時間の最大値（Delay_Max）、平均値（Delay_Ave）、分散（Delay_Var）を保持している。
このようなデータ構造によれば、因果強度や因果の伝播遅延に個体差がある場合でも、対象（対象群）の挙動を明確に表すことが可能となる。また、複数の対象における統計情報を保持しているので、例えば、指標ＸとＹは強い因果関係があるが遅延時間の個体差が大きいとか、指標ＡとＢは因果強度のばらつきも遅延時間のばらつきも非常に大きいので指標ＡとＢのあいだの因果関係の信頼性は低いなどの新たな発見が得られる可能性がある。
＜因果ネットワークの応用例：健康管理支援システム＞
上述した因果ネットワーク（因果関係データ）は、さまざまな対象の挙動（ふるまい）の分析や予測に応用可能である。以下、一例として、ヒトの健康管理に関わる指標の因果分析への応用例を説明する。
近年、健康に対する関心が高まり、個人で食事や運動の記録をつけたり、血圧や体重等のバイタルデータの測定値を記録するなどして、健康管理に役立てる人が増えている。しかし、それらの情報を蓄積しても、医学や生理学の専門知識の無い人が、各々の数値のあいだの関係性（因果関係）を見出したり、健康管理に役立つ知見を得たりするのは容易でない。しかも、バイタルデータの変化の仕方や、食事や運動の影響がバイタルデータの変化に現れるまでのタイムラグは人によってさまざまであることも、健康管理の難しさの一因となっている。以下に述べる健康管理支援システムは、上述した因果ネットワークを作成し、ユーザに提示することで、ユーザ自身による健康管理を容易化するためのものである。
＜システム構成＞
図６は、本実施形態に係る健康管理支援システム６（以下、単に「本システム６」ともいう。）の全体構成を示す機能ブロック図である。
本システム６は、複数の指標記録部６０、データ送信部６１、データ蓄積部６２、因果ネットワーク生成部６３、データ取得部６４、グラフ描画部６５、支援メッセージ生成部６６、支援メッセージパターン記憶部６７、描画合成部６８、出力部６９などの機能ブロックを有している。これらの機能ブロックは、一つの装置で構成することもできるし、有線又は無線で相互に通信可能な複数の装置で構成することもできる（具体的な装置構成例については後述する。）。
指標記録部６０は、ユーザから計測あるいは入力された各種の指標を記録する機能ブロックである。健康に関わるものであればどのような指標を記録してもよい。一例を挙げると、ユーザが実施する活動（動き又は行為）のうち健康に対して影響を与え得る指標として、歩数、歩行距離、運動時間、運動量（消費カロリー）、活動量（運動強度と時間の積
）、睡眠時間、休養時間・回数、摂取カロリー、塩分摂取量、薬の用量、サプリメントの摂取量などがある。また、ユーザ又はユーザから採取されたものから計測される指標として、血圧、脈拍、体重、体脂肪率、体脂肪量、筋肉率、筋肉量、腹囲、ＢＭＩ、コレステロールレベル、血糖値、尿糖値、体温などがある。他にも医療や薬にかかる費用なども健康に間接的に関わるひとつの指標として捉えることもできる。各指標の値はユーザが手入力する構成でもよいし、歩数計や血圧計のような計測器により指標記録部６０を構成し、指標値を自動で計測・記録できるようにしてもよい。
データ送信部６１は、指標記録部６０によって記録された各指標のデータを、データ蓄積部６２に対して送信し登録する機能ブロックである。データ蓄積部６２は、データ送信部６１を介して受け付けた各指標のデータを時系列に記憶し管理するデータベースである。また、因果ネットワーク生成部６３によって生成された因果関係データもデータ蓄積部６２に保存される。なお、本システムが複数のユーザに利用される場合には、ユーザ毎にデータを収集し蓄積する必要があるため、ユーザを識別するためのユーザＩＤとともに各指標の時系列データ及び因果関係データを管理するとよい。
因果ネットワーク生成部６３は、図１に示した因果ネットワーク生成システム１と同じ機能をもつブロックである。因果ネットワーク生成部６３は、データ蓄積部６２から読み込んだ各指標の時系列データから因果関係データを生成する。生成した因果関係データはデータ蓄積部６２に格納される。
データ取得部６４は、データ蓄積部６２から因果関係データや指標の時系列データを取得する機能ブロックである。グラフ描画部６５、支援メッセージ生成部６６、支援メッセージパターン記憶部６７、描画合成部６８、および出力部６９は、健康管理に関する支援情報をユーザに提供する情報提供部を構成する機能ブロック群である。グラフ描画部６５は、因果関係データに基づき因果ネットワーク（有向グラフ）を生成したり、各指標の時系列データのグラフを生成する。また、支援メッセージ生成部６６は、因果関係データや各指標の時系列データに基づき、支援メッセージパターン記憶部６７に登録されたメッセージテンプレートを用いて、支援メッセージの生成を行う。生成されたグラフと支援メッセージは、描画合成部６８によって合成され、出力部６９によって表示装置や外部端末などに出力される。支援情報の具体的な生成処理およびグラフや支援メッセージの具体例については後述する。
＜装置構成の例＞
図６の健康管理支援システムは、さまざまな装置構成を採り得る。図７〜図８に装置構成の具体例を示す。
図７（ａ）は、一つの装置７０により健康管理支援システムを構成した例である。この装置７０は、ＣＰＵ（中央演算処理装置）、主記憶装置（メモリ）、補助記憶装置（ハードディスク、半導体ディスクなど）、入力装置（キーボード、マウス、タッチパネルなど）、表示装置（液晶モニタなど）、通信ＩＦを有する汎用のパーソナル・コンピュータにより構成可能である。あるいは、タブレット端末、スマートフォン、ＰＤＡ（携帯情報端末）のようにパーソナル・コンピュータと同等の機能を提供するデバイスにより装置７０を構成することもできるし、ボードコンピュータを内蔵する専用機にて装置７０を構成することもできる。図７（ａ）の構成の場合は、ユーザが入力装置を操作して各指標のデータ入力を行い、支援情報は表示装置に出力される。
図７（ｂ）は、装置７０に対し、歩数計７１、血圧計７２などの計測器を組み合わせた例である。歩数計７１や血圧計７２で計測されたデータは、有線（例えばＵＳＢ）又は無線（例えばＢｌｕｅｔｏｏｔｈ（登録商標）、ＷｉＦｉ）により装置７０に伝送される。
この構成の場合、歩数計７１及び血圧計７２は図６の指標記録部６０に該当し、歩数計７１及び血圧計７２に内蔵されたデータ通信機能が図６のデータ送信部６１に該当する。支援情報は、装置７０の表示装置に出力してもよいし、歩数計７１や血圧計７２に送信し、歩数計７１や血圧計７２の表示部に出力してもよい。
図８（ａ）は、クラウドコンピューティングの一例であり、オンラインストレージ８０により図６のデータ蓄積部６２を構成した例である。図８（ａ）の構成では、ユーザが操作する端末８１が、図６のデータ送信部６１、因果ネットワーク生成部６３、データ取得部６４、および情報提供部の機能を有しており、歩数計７１や血圧計７２で計測したデータのアップロード、時系列データのダウンロード、因果ネットワークの生成、支援情報の生成・表示などを実行する。端末８１は、図７に示した装置７０と同様、パーソナル・コンピュータ、タブレット端末、スマートフォン、専用機などで構成可能である。なお、歩数計７１や血圧計７２がインターネットアクセス可能な場合には、歩数計７１や血圧計７２からオンラインストレージ８０にデータを直接アップロードしてもよい。
図８（ｂ）もクラウドコンピューティングの一例である。図８（ａ）との違いは、クラウドサーバ８２が、図６のデータ蓄積部６２、因果ネットワーク生成部６３、データ取得部６４、および情報提供部の機能を担う点である。ユーザが操作する端末８３の側には、クラウドサーバ８２に対して支援情報の要求を行う要求部、クラウドサーバ８２から受信した支援情報を表示する表示部などの機能をもたせるだけでよい。ユーザの識別は、例えば、支援情報の要求のなかにユーザＩＤを含めるとか、ユーザＩＤによる認証を行えばよい。図８（ｂ）の構成によれば、端末側に必要なリソース（データ容量、演算能力など）を軽減し、端末８３の構成を簡易にできるため、特にタブレット端末やスマートフォンなどのアプリにより健康管理支援を行うサービスに好適である。
＜処理例１＞
健康管理支援システム６により実行される、因果ネットワークの分析処理の一例について説明する。前提として、ユーザがある程度の期間（例えば１月以上）にわたり、食事（摂取カロリー）、運動（消費カロリー）、塩分摂取量、体重、血圧、医療費の６項目の指標の記録を行い、その時系列データがデータ蓄積部６２にすでに蓄積されているものとする。また、この６項目の指標の時系列データに基づき因果ネットワーク生成部６３によって因果ネットワークが生成され（具体的な処理は図２を参照）、その因果関係データがすでにデータ蓄積部６２に蓄積されているものとする。
図９のフローチャートに沿って処理の流れを説明する。まず、データ取得部６４が、データ蓄積部６２から因果関係データを取得する（ステップＳ９０）。図１０（ａ）は、因果関係データの例であり、図１０（ｂ）は因果関係データを元に描画した因果ネットワーク（有向グラフ）の例である。図１０（ｂ）に示すように、すべての指標の因果関係を表そうとすると非常に複雑なネットワークが生成され、指標同士の関係や注目すべき個所がわかりにくい。
そこでグラフ描画部６５が、次に述べる部分ネットワークの作成機能を提供する。まず、グラフ描画部６５が、６項目の指標のなかから注目指標を選択する（ステップＳ９１）。注目指標はどれを選んでもよい。例えば、ユーザ自身が因果分析を行いたい指標を指定してもよいし、グラフ描画部６５が他の指標との因果関係が集中している指標を注目指標に選んでもよい。ここでは、「指標５：血圧」が注目指標に選ばれたものとする。次に、グラフ描画部６５は、因果強度と相関係数の閾値を設定する（ステップＳ９２）。閾値は、医学的エビデンスやユーザ自身の過去のデータなどから決めればよい。あるいは、注目指標と他の５つの指標との因果強度や相関係数のばらつきに基づき閾値を設定してもよい。続いて、グラフ描画部６５は、因果強度及び／又は相関係数の値がステップＳ９２で設
定した閾値に満たないアーク（因果関係）を切断し、注目指標である「指標５：血圧」に連結した指標のみ残し、他の指標のノードは削除する（ステップＳ９３）。
上記操作により、図１０（ｃ）に示すような、注目指標（血圧）に関連する部分ネットワークが生成される。この例では、血圧に影響を与える因子として「指標４：体重」と「指標２：運動」が検出され、血圧が影響を与える因子として「指標６：医療費」が検出されている。実線のアークは正の相関、破線のアークは負の相関を示している。また、各アークには付加情報として、因果強度、遅延時間、相関係数などの情報が示されている。
ステップＳ９４では、支援メッセージ生成部６６が、部分ネットワークで抽出された各指標の名称、因果強度、遅延時間、相関の正負などの情報を基に、健康管理に関わる支援メッセージを生成する。支援メッセージパターン記憶部６７に以下のようなテンプレートが用意されている。
テンプレート例：
Ｔ１：＜ＦＣ＞の＜Ｃ＞が、もっとも＜ＦＴ＞の＜Ｃ＞に影響を与えているようです。
Ｔ２：あなたは＜ＦＣ＞の＜Ｃ＞によって＜ＦＴ＞が＜Ｃ＞するようで、＜ＡＤ＞日後に＜ＦＣ＞の効果が現れるタイプのようです。
Ｔ３：＜ＦＴ＞が＜Ｃ＞すると、＜ＦＥ＞が＜Ｃ＞する傾向がありますね。気をつけましょう。
テンプレート内に埋め込まれている「＜」と「＞」で挟まれた文字列は、支援メッセージを生成する際に、以下の文字列で置き換えられる。
＜ＦＴ＞：注目指標の名称
＜ＦＥ＞：注目指標が影響を与える指標の名称
＜ＦＣ＞：注目指標に影響を与える指標の名称
＜Ｃ＞：正の相関の場合は「増加」、負の相関の場合は「減少」
＜ＡＤ＞：遅延時間Delayの値
図１０（ｃ）の例の場合であれば、テンプレートＴ１〜Ｔ３を用いて次のような支援メッセージが生成される。
「体重の増加が、もっとも血圧の増加に影響を与えているようです。」
「あなたは運動の増加によって血圧が減少するようで、３日後に運動の効果が現れるタイプのようです。」
「血圧が増加すると、医療費が増加する傾向がありますね。気をつけましょう。」
ステップＳ９５では、部分ネットワークのグラフ（図１０（ｃ））と支援メッセージが表示装置に表示される。このような支援情報をみることで、ユーザは指標同士がどのように関係しているのかを容易に把握でき、自身の健康管理に役立てることができる。
＜処理例２＞
次に、健康管理支援システム６により実行される、データ分析処理と支援情報の生成・表示処理の具体例について説明する。前提として、ユーザがある程度の期間（例えば１月以上）にわたり、食事、歩数、体重、血圧、脈拍などの複数の指標の記録を行い、その時系列データ及び因果関係データがすでにデータ蓄積部６２に蓄積されているものとする。以下、一例として、因果関係が見出された歩数と血圧の時系列データ及び因果関係データを用いて、ユーザの運動支援を行う処理を説明する。
（１）ユーザ支援用グラフの生成
まずグラフ描画部６５は、歩数の時系列データＳｔ（ｔ）および血圧の時系列データＢ
ｐ（ｔ）を用いて、横軸を時間［日」、縦軸を歩数［歩］および血圧［ｍｍＨｇ］とする折れ線グラフを作成する。図１１（ａ）はグラフの一例であり、符号１１０が歩数のグラフ、符号１１１が血圧のグラフである。
次に、グラフ描画部６５は、因果関係データから歩数と血圧のあいだの時間遅れ量（遅延時間）ｓｄを取得し、歩数のグラフ１１０を時間遅れ量ｓｄだけ右にシフトする（又は、血圧のグラフ１１１をｓｄだけ左にシフトしてもよい）。図１１（ｂ）はシフト後のグラフの一例であり、符号１１２がｓｄだけ右にシフトした歩数のグラフを示している。以降、図１１（ｂ）に示すように時間遅れ量ｓｄ分だけ一方のグラフをシフトしたものを、「時間合わせした歩数と血圧のグラフ」とよぶ。
続いて、グラフ描画部６５は、時間合わせした歩数と血圧のグラフから、正の運動効果発現区間ＳＰ−ｐｏｓｉおよび負の運動効果発現区間ＳＰ−ｎｅｇａを検出する。ここで、正の運動効果発現区間とは、時間合わせした歩数と血圧のグラフにおいて、歩数が増加し、血圧が減少している区間をいい、負の運動効果発現区間とは、同グラフにおいて、歩数が減少し、血圧が増加している区間をいう。正および負の運動効果発現区間の検出方法はさまざま考えられるが、図１２に一例を示す。
以降の説明において、Ｓｄａｙ、Ｅｄａｙはそれぞれ計算開始日、計算終了日を示す変数であり、Ｄｂ、Ｄｓはそれぞれ血圧変化量、歩数変化量を示す変数である。Ｂｐ（ｔ）、Ｓｔ（ｔ）はそれぞれ、ある日ｔにおける血圧と歩数を示す（ただし、歩数Ｓｔ（ｔ）は時間遅れ量ｓｄだけシフトしたデータである）。また、以下の閾値についてはあらかじめ適当な値を設定しておくものとする。
・ＴｈＳｐａｎ …変化量を算出するための最大期間（例えば７日）。
・ＴｈＤｉｆＢｐ …血圧が増加／減少したと判断する差分値（正の値、例えば３ｍｍＨｇ）。
・ＴｈＤｉｆＳｔ …歩数が増加／減少したと判断する差分値（正の値、例えば１０００歩）。
図１２の処理が開始すると、グラフ描画部６５は、計算開始日Ｓｄａｙに１を代入し（ステップＳ８００）、計算終了日ＥｄａｙにＳｄａｙ＋１を代入する（ステップＳ８０１）。計算終了日Ｅｄａｙの歩数・血圧のデータがあればステップＳ８０３に進み、歩数・血圧のデータが存在しなければステップＳ８１３に移行する（ステップＳ８０２）。
ステップＳ８０３、Ｓ８０４において、グラフ描画部６５は、下記式により、計算開始日Ｓｄａｙと計算終了日Ｅｄａｙのあいだの血圧変化量Ｄｂと歩数変化量Ｄｓを計算する。
Ｄｂ＝Ｂｐ（Ｅｄａｙ）−Ｂｐ（Ｓｄａｙ）
Ｄｓ＝Ｓｔ（Ｅｄａｙ）−Ｓｔ（Ｓｄａｙ）
続いて、正の運動効果発現区間ＳＰ−ｐｏｓｉの判定を行う（ステップＳ８０５）。具体的には、グラフ描画部６５は、血圧変化量Ｄｂが条件「Ｄｂ＜−１×ＴｈＤｉｆＢｐ」を満たし、かつ、歩数変化量Ｄｓが条件「Ｄｓ＞ＴｈＤｉｆＳｔ」を満たす場合に（ステップＳ８０５；ＹＥＳ）、ＳｄａｙからＥｄａｙまでの区間をＳＰ−ｐｏｓｉとして記録し（ステップＳ８０６）、ステップＳ８１１に進む。ＤｂとＤｓが上記条件を満たさない場合は（ステップＳ８０５；ＮＯ）、正の運動効果は発現していないと判定し、ステップＳ８０７に進む。
ステップＳ８０７では、負の運動効果発現区間ＳＰ−ｎｅｇａの判定を行う。具体的に
は、グラフ描画部６５は、血圧変化量Ｄｂが条件「Ｄｂ＞ＴｈＤｉｆＢｐ」を満たし、かつ、歩数変化量Ｄｓが条件「Ｄｓ＜−１×ＴｈＤｉｆＳｔ」を満たす場合に（ステップＳ８０７；ＹＥＳ）、ＳｄａｙからＥｄａｙまでの区間をＳＰ−ｎｅｇａとして記録し（ステップＳ８０８）、ステップＳ８１１に進む。ＤｂとＤｓが上記条件を満たさない場合は（ステップＳ８０７；ＮＯ）、負の運動効果は発現していないと判定し、ステップＳ８０９に進む。
その後、Ｅｄａｙを１だけインクリメントし（ステップＳ８０９）、ＥｄａｙがＴｈＳｐａｎに達するまでステップＳ８０２〜Ｓ８０９の処理を繰り返す（ステップＳ８１０）。すなわち、区間の長さを１日ずつ延ばしながら（最短で１日、最長でＴｈＳｐａｎ）、順次、運動効果発現区間に該当するかどうかの判定を行うのである。これにより、日ごとの歩数・血圧変化だけでなく、ある程度長い期間内でのマクロな変化傾向も評価できるため、運動効果発現区間の検出漏れを小さくできる。図１３を用いて、区間の長さを変えることで運動効果発現区間として検出される例を説明する。
図１３は、正の運動効果発現区間ＳＰ−ｐｏｓｉの検出例である。図１３をみると、歩数Ｓｔ（ｔ）は増加傾向にあり、血圧Ｂｐ（ｔ）は減少傾向にある。しかし、区間「Ｓｄａｙ〜（Ｅｄａｙ−１）」は、歩数変化量Ｄｓ＝Ｓｔ（Ｅｄａｙ−１）−Ｓｔ（Ｓｄａｙ）がＤｓ＞ＴｈＤｉｆＳｔという条件を満たさないため、ＳＰ−ｐｏｓｉとは判定されない。しかし、その後の区間「Ｓｄａｙ〜Ｅｄａｙ」の判定処理において、血圧変化量Ｄｂ＝Ｂｐ（Ｅｄａｙ−１）−Ｂｐ（Ｓｄａｙ）が条件「Ｄｂ＜−１×ＴｈＤｉｆＢｐ」を満たし、かつ、歩数変化量Ｄｓ＝Ｓｔ（Ｅｄａｙ）−Ｓｔ（Ｓｄａｙ）が条件「Ｄｓ＞ＴｈＤｉｆＳｔ」を満たすため、区間「Ｓｄａｙ〜Ｅｄａｙ」が正の運動効果発現区間ＳＰ−ｐｏｓｉとして検出されるのである。
以上のように、計算開始日Ｓｄａｙを起点とする区間について判定処理が終了したら、グラフ描画部６５は、Ｓｄａｙ＝Ｅｄａｙ＋１により計算開始日Ｓｄａｙを更新する（ステップＳ８１１）。更新後のＳｄａｙの歩数・血圧のデータが存在すれば、ステップＳ８０１に戻って処理を繰り返し、歩数・血圧のデータが存在しなければステップＳ８１３に移行する（ステップＳ８１２）。
ステップＳ８１３では、グラフ描画部６５は、検出された複数の運動効果発現区間のなかに連続するものがあれば、それら連続区間を結合する処理を行う。このとき、正の運動効果発現区間ＳＰ−ｐｏｓｉと負の運動効果発現区間ＳＰ−ｎｅｇａのあいだは結合しない。図１４に、連続区間の結合例を示す。図１４の左側のグラフは、検出されたＳＰ−ｐｏｓｉとＳＰ−ｎｅｇａを示し、右側のグラフは、連続区間が結合されたＳＰ−ｐｏｓｉとＳＰ−ｎｅｇａを示す。なお、間隔なく隣り合う区間同士のみを結合してもよいが、区間同士の間隔が極めて短い（例えば１日〜数日程度）場合には連続区間とみなしそれらを結合するようにしてもよい。
以上の処理を経て得られた情報を元に、グラフ描画部６５は、ユーザに提示するためのユーザ支援用グラフを生成する。図１５は、ユーザ支援用グラフの一例である。この例では、２つのグラフを表示する。左側のグラフは、歩数の時系列データをプロットした歩数グラフ１５０と血圧の時系列データをプロットした血圧グラフ１５１とともに、歩数グラフ１５０を時間遅れ量だけシフトしてプロットした運動効果グラフ１５２と、時間遅れ量（この例では３日）を示す情報１５３が描画されている。右側のグラフは、血圧グラフ１５１と運動効果グラフ１５２の上に、正の運動効果発現区間１５４と負の運動効果発現区間１５５を描画したものである。運動効果発現区間は複数存在する可能性があるが、そのすべてをグラフ上に描画してもよいし、代表的なもの（例えば区間の長さが最大のもの）だけをグラフ上に描画してもよい。なお、各要素のキャプションは任意に設定できる。
（２）ユーザ支援用メッセージの生成
本実施形態では、一例として、ユーザが実施した運動の評価結果及び／又は今後のアドバイスを含む第１メッセージと、当該ユーザの運動効果の遅延特性（時間遅れ量）を含む第２メッセージの２種類のユーザ支援用メッセージを提示することとする。
図１６は、支援メッセージパターン記憶部６７に格納されているテンプレートの一例を示す。支援メッセージパターン記憶部６７には、第１メッセージ用の複数のテンプレートが登録された第１テーブル１６０と、第２メッセージ用の複数のテンプレートが登録された第２テーブル１６１とが含まれる。これらのテンプレートは、本システムにあらかじめ登録されていてもよいし、システム管理者やユーザがテンプレートを追加・編集・削除できるようにしてもよい。各々のテンプレートは、テンプレートの選択条件と対応付けて登録されている。選択条件は、例えば、因果強度ＴＥｍａｘ、歩数Ｓｔ、血圧Ｂｐ、歩数変化量Ｄｓ、血圧変化量Ｄｂ、時間遅れ量ｓｄなどの値を用いて設定されるとよい。図１６の例では、第１メッセージ用のテンプレートには、因果強度ＴＥｍａｘの条件と血圧変化量Ｄｂ又は歩数変化量Ｄｓの条件とを組み合わせた選択条件が設定されており、第２メッセージ用のテンプレートには、因果強度ＴＥｍａｘによる選択条件が設定されている。テンプレート内に埋め込まれている「＜＄」と「＞」で挟まれた文字列は、ユーザ支援用メッセージを生成する際に実際の値に置換される部分である。
例えば、
ＳＰ−ｐｏｓｉ：２０１３年２月５日〜２０１３年２月１２日
ＴＥｍａｘ：０．５３
ｓｄ：３
Ｄｂ：１４
Ｄｓ：２０５０
が得られている場合、支援メッセージ生成部６６は、第１テーブル１２０から２番目のテンプレートを選択し、
「２０１３年２月５日〜２０１３年２月１２日の期間に注目してください。とても頑張った分、１４ｍｍＨｇも血圧が下がっていますね！お見事！」
という第１メッセージを生成するとともに、第２テーブル１２１から１番目のテンプレートを選択し、
「あなたは３日程度で運動効果が現れるタイプです」
という第２メッセージを生成する。
生成されたユーザ支援用メッセージは、描画合成部６８によって、ユーザ支援用グラフの所定の領域に合成され、出力部６９によって表示装置や外部端末などに出力される。図１７は、支援情報の表示例である。画面上部に第１メッセージが表示され、左のグラフの上部に第２メッセージが表示されている。ユーザは、このような支援情報を見ることで、自分自身の運動効果の遅延特性を知ることができるとともに、運動に因る効果を直観的かつ納得性をもって確認することができる。
以上述べた本システムによれば、運動に因る効果が現れるまでの時間遅れを考慮した健康管理支援が可能となる。特に、ユーザ本人の歩数及び血圧のデータから計算された因果強度や遅延時間を用いるので、ユーザが実施した運動とその効果との因果関係を分かりやすく提示し、運動継続に対するモチベーションを維持させることが可能となる。
また、図１７の画面を見れば、運動に因る効果が３日程度遅れて現れるという本人固有の生理学的特性を知ることができる。したがって、ユーザは、歩数の増減と血圧の変化のどこを見比べればよいかを理解でき、過去に行った運動の成果を確認したり、逆に怠けに
因る血圧の悪化に気づくことができる。また、自分自身の生理学的特性を考慮した健康管理（例えば、運動計画、歩数や血圧の目標設定など）が可能となる。
また、図１７の画面における運動効果グラフ（シフトした歩数グラフ）と血圧グラフを見比べることで、歩数の増減と血圧の変化の因果関係（負の相関）を直観的に理解できる。さらに、正の運動効果発現区間ＳＰ−ｐｏｓｉの表示により、歩数の増加（過去の努力）が血圧の正の変化（つまり血圧の降下）に直接結びついていることを容易に把握できるため、運動の実施及び継続に対するモチベーションを得ることができる。加えて、負の運動効果発現区間ＳＰ−ｎｅｇａの表示により、歩数の減少（過去の怠け）が血圧の負の変化（つまり血圧の上昇）に直接結びついていることも容易に把握できる。これは、ユーザに反省を促し、運動の継続的な実施の必要性を気づかせる効果がある。
上述した実施形態の構成は本発明の一具体例を示したものにすぎず、本発明の範囲を限定する趣旨のものではない。本発明はその技術思想を逸脱しない範囲において、種々の具体的構成を採り得るものである。上記実施形態では、原因指標と結果指標のあいだの相関情報として、線形回帰における相関係数を用いたが、他の手法により二つの指標のあいだの相関を評価することもできる。例えば、二つの指標ＸとＹが線形の関係には無いが、非線形の式でフィッティングできる関係にある場合には、いずれかの指標に変換を施すことで線形問題に帰着させ、同じように二つの指標の相関係数を評価することも可能である。例えば、ロジスティック回帰などの回帰分析手法を好ましく利用できる。
１：因果ネットワーク生成システム１、１０：時系列データ取得部、１１：因果関係評価部、１２：因果関係データ出力部
６：健康管理支援システム、６０：指標記録部、６１：データ送信部、６２：データ蓄積部、６３：因果ネットワーク生成部、６４：データ取得部、６５：グラフ描画部、６６：支援メッセージ生成部、６７：支援メッセージパターン記憶部、６８：描画合成部、６９：出力部
７０：装置、７１：歩数計、７２：血圧計
８０：オンラインストレージ、８１：端末、８２：クラウドサーバ、８３：端末

Claims (5)

  1. 対象において生じる複数の事象のあいだの因果関係を表す因果ネットワークを生成する因果ネットワーク生成システムであって、
    前記複数の事象を定量的に記述するために用いられる複数個の指標それぞれの時系列データを取得するデータ取得部と、
    前記複数個の指標の中から選択した異なる２つの指標の組ごとに、当該２つの指標のあいだの因果関係を求める因果関係評価部と、
    前記因果関係評価部により求められた２つの指標の組ごとの因果関係を記述したデータを出力する出力部と、を有し、
    前記因果関係評価部は、
    前記２つの指標のうちの一方を原因指標、他方を結果指標と仮定し、
    前記原因指標の変化が遅延時間ｓ後の前記結果指標の変化に与える影響の強さである移動エントロピーを、遅延時間ｓの値を変えながら計算することによって、前記原因指標と前記結果指標のあいだの最大の移動エントロピー、及び、前記原因指標と前記結果指標のあいだの移動エントロピーが最大となる遅延時間を求め、
    前記出力部から出力される前記因果関係は、前記原因指標と前記結果指標のあいだの移動エントロピーが最大となる遅延時間の情報と、前記原因指標と前記結果指標のあいだの最大の移動エントロピーの情報を含む
    ことを特徴とする因果ネットワーク生成システム。
  2. 前記因果関係評価部は、第１から第ｎのｎ個（ｎは２以上の整数）の遅延時間について前記原因指標と前記結果指標のあいだの移動エントロピーを求めるものであり、
    前記出力部から出力される前記因果関係は、第１から第ｎのｎ個の遅延時間の情報と、前記第１から第ｎの遅延時間それぞれに対応するｎ個の移動エントロピーの情報を含む
    ことを特徴とする請求項１に記載の因果ネットワーク生成システム。
  3. 対象において生じる複数の事象のあいだの因果関係を表す因果ネットワークを生成する因果ネットワーク生成システムであって、
    前記複数の事象を定量的に記述するために用いられる複数個の指標それぞれの時系列デ
    ータを取得するデータ取得部と、
    前記複数個の指標の中から選択した異なる２つの指標の組ごとに、当該２つの指標のあいだの因果関係を求める因果関係評価部と、
    前記因果関係評価部により求められた２つの指標の組ごとの因果関係を記述したデータを出力する出力部と、を有し、
    前記因果関係評価部は、
    前記２つの指標のうちの一方を原因指標、他方を結果指標と仮定し、
    前記原因指標の変化が遅延時間ｓ後の前記結果指標の変化に与える影響の強さである移動エントロピーを、遅延時間ｓの値を変えながら計算することによって、第１から第ｎのｎ個（ｎは２以上の整数）の遅延時間について前記原因指標と前記結果指標のあいだの移動エントロピーを求めるものであり、
    前記出力部から出力される前記因果関係は、第１から第ｎのｎ個の遅延時間の情報と、前記第１から第ｎの遅延時間それぞれに対応するｎ個の移動エントロピーの情報を含む
    ことを特徴とする因果ネットワーク生成システム。
  4. 前記因果関係評価部は、前記原因指標の値と前記遅延時間後の前記結果指標の値とのあいだの相関係数を計算し、
    前記出力部から出力される前記因果関係は、前記相関係数の情報を含む
    ことを特徴とする請求項１〜３のうちいずれか１項に記載の因果ネットワーク生成システム。
  5. 対象において生じる複数の事象のあいだの因果関係を表す因果ネットワークを生成する因果ネットワーク生成システムであって、
    前記複数の事象を定量的に記述するために用いられる複数個の指標それぞれの時系列データを取得するデータ取得部と、
    前記複数個の指標の中から選択した異なる２つの指標の組ごとに、当該２つの指標のあいだの因果関係を求める因果関係評価部と、
    前記因果関係評価部により求められた２つの指標の組ごとの因果関係を記述したデータを出力する出力部と、を有し、
    前記因果関係評価部は、
    前記２つの指標のうちの一方を原因指標、他方を結果指標と仮定し、
    前記原因指標の変化が遅延時間ｓ後の前記結果指標の変化に与える影響の強さである移動エントロピーを、遅延時間ｓの値を変えながら計算することによって、前記原因指標と前記結果指標のあいだの移動エントロピー、及び、前記原因指標の影響が前記結果指標に伝播するのにかかる遅延時間を求め、
    前記原因指標の値と前記遅延時間後の前記結果指標の値とのあいだの相関係数を計算し、
    前記出力部から出力される前記因果関係は、前記相関係数の情報を含む
    ことを特徴とする因果ネットワーク生成システム。
JP2014026160A 2014-02-14 2014-02-14 因果ネットワーク生成システム Active JP6354192B2 (ja)

Priority Applications (6)

Application Number Priority Date Filing Date Title
JP2014026160A JP6354192B2 (ja) 2014-02-14 2014-02-14 因果ネットワーク生成システム
SG11201606221WA SG11201606221WA (en) 2014-02-14 2015-02-06 Causal network generating system and causal relation data structure
EP15749101.0A EP3106998A4 (en) 2014-02-14 2015-02-06 Causal network generating system and causal relation data structure
PCT/JP2015/053336 WO2015122362A1 (ja) 2014-02-14 2015-02-06 因果ネットワーク生成システムおよび因果関係のデータ構造
US15/115,105 US10546239B2 (en) 2014-02-14 2015-02-06 Causal network generation system and data structure for causal relationship
CN201580005746.4A CN105934754A (zh) 2014-02-14 2015-02-06 因果网络生成系统和因果关系的数据结构

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2014026160A JP6354192B2 (ja) 2014-02-14 2014-02-14 因果ネットワーク生成システム

Publications (2)

Publication Number Publication Date
JP2015153133A JP2015153133A (ja) 2015-08-24
JP6354192B2 true JP6354192B2 (ja) 2018-07-11

Family

ID=53800109

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2014026160A Active JP6354192B2 (ja) 2014-02-14 2014-02-14 因果ネットワーク生成システム

Country Status (6)

Country Link
US (1) US10546239B2 (ja)
EP (1) EP3106998A4 (ja)
JP (1) JP6354192B2 (ja)
CN (1) CN105934754A (ja)
SG (1) SG11201606221WA (ja)
WO (1) WO2015122362A1 (ja)

Families Citing this family (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11543814B2 (en) * 2015-09-29 2023-01-03 Asml Netherlands B.V. Methods of modelling systems or performing predictive maintenance of lithographic systems
US11182680B2 (en) * 2015-11-13 2021-11-23 International Business Machines Corporation Using ontology for cause-effect analysis
CN105468703B (zh) * 2015-11-18 2019-05-21 章斌 一种原因追溯方法
WO2017126090A1 (ja) * 2016-01-21 2017-07-27 三菱電機株式会社 グラフ表示装置、グラフ表示方法及びグラフ表示プログラム
JP2017157109A (ja) * 2016-03-03 2017-09-07 富士通株式会社 推定装置、推定方法および推定プログラム
EP3223179A1 (en) * 2016-03-24 2017-09-27 Fujitsu Limited A healthcare risk extraction system and method
JP6852977B2 (ja) * 2016-03-30 2021-03-31 大和ハウス工業株式会社 運動支援システム
JP6112590B1 (ja) * 2016-10-04 2017-04-12 ジャパンモード株式会社 創作物供給装置、及び創作物供給システム
WO2018167826A1 (ja) * 2017-03-13 2018-09-20 三菱電機株式会社 因果関係評価装置、因果関係評価システムおよび因果関係評価方法
JP6847721B2 (ja) * 2017-03-14 2021-03-24 オムロン株式会社 情報処理装置、情報処理方法及びそのプログラム
EP3379356A1 (en) * 2017-03-23 2018-09-26 ASML Netherlands B.V. Method of modelling lithographic systems for performing predictive maintenance
JP7337484B2 (ja) * 2017-05-02 2023-09-04 ポーラ化成工業株式会社 画像表示装置、画像表示システム、画像表示プログラム及び画像表示方法
US10503791B2 (en) * 2017-09-04 2019-12-10 Borislav Agapiev System for creating a reasoning graph and for ranking of its nodes
US11195107B1 (en) * 2017-09-13 2021-12-07 Hrl Laboratories, Llc Method of malicious social activity prediction using spatial-temporal social network data
US10528600B1 (en) * 2017-09-13 2020-01-07 Hrl Laboratories, Llc System to identify unknown communication behavior relationships from time series
WO2019088084A1 (ja) * 2017-11-06 2019-05-09 昭和電工株式会社 因果文解析装置、因果文解析システム、プログラム、及び因果文解析方法
CN108171142B (zh) * 2017-12-26 2019-02-12 中南大学 一种确定复杂工业过程中关键变量因果关系的方法
WO2019131773A1 (ja) * 2017-12-27 2019-07-04 三菱電機株式会社 製造工程統計処理システム、製造工程統計処理方法およびプログラム
CN110555047B (zh) * 2018-03-29 2024-03-15 日本电气株式会社 数据处理方法和电子设备
CN110659399B (zh) * 2018-06-28 2022-02-01 中国标准化研究院 突发事件演化图显示方法和装置
US20210256406A1 (en) * 2018-07-06 2021-08-19 The Research Foundation For The State University Of New York System and Method Associated with Generating an Interactive Visualization of Structural Causal Models Used in Analytics of Data Associated with Static or Temporal Phenomena
JP2020024509A (ja) * 2018-08-06 2020-02-13 富士通株式会社 情報処理装置及び情報処理プログラム、並びに分散処理システム
US11354320B2 (en) * 2018-10-11 2022-06-07 International Business Machines Corporation Determining causes of events in data
CN109558436B (zh) * 2018-11-03 2023-03-14 北京交通大学 基于转移熵的机场航班延误因果关系挖掘方法
US20220122018A1 (en) * 2019-02-06 2022-04-21 Nec Corporation Information visualization apparatus, information visualization method, and computer-readable recording medium
JP7247021B2 (ja) * 2019-05-28 2023-03-28 株式会社日立製作所 情報処理装置、予測判別システム、および予測判別方法
JP7342942B2 (ja) * 2019-06-06 2023-09-12 日本電気株式会社 方法、デバイス、及びコンピュータプログラム製品
JP2022013409A (ja) * 2020-07-03 2022-01-18 国立大学法人京都大学 関係性推定システム
CN113157931B (zh) * 2021-01-20 2022-11-25 青岛海信网络科技股份有限公司 一种融合图谱构建方法及装置
CN113222207B (zh) * 2021-02-24 2024-02-02 广东省汇智项目管理咨询有限公司 基于社区结构的招投标公司网络关系预测方法及预测系统
CN113205257A (zh) * 2021-04-30 2021-08-03 平安科技（深圳）有限公司 房产指数数据分析方法、装置、设备及存储介质
GB2609904A (en) * 2021-08-05 2023-02-22 Impulse Innovations Ltd Systems and methods for generating a structural model architecture
KR102604575B1 (ko) 2021-09-08 2023-11-22 네이버 주식회사 전송 엔트로피를 이용하여 도로 정체의 전파 지연 시간을 예측하는 방법, 컴퓨터 장치, 및 컴퓨터 프로그램
CN114664452B (zh) * 2022-05-20 2022-09-23 之江实验室 一种基于因果校验数据生成的全科多疾病预测系统
CN114864099B (zh) * 2022-07-05 2022-11-01 浙江大学 一种基于因果关系挖掘的临床数据自动化生成方法及系统
CN115146746B (zh) * 2022-09-06 2022-11-22 武汉商学院 基于多源数据融合的区域滑坡灾害识别方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5894700A (ja) 1981-11-30 1983-06-04 Chiyoda Chem Eng & Constr Co Ltd プラントの異常診断方法
JP2845637B2 (ja) 1991-03-30 1999-01-13 株式会社東芝 警報処理システム
US5528516A (en) 1994-05-25 1996-06-18 System Management Arts, Inc. Apparatus and method for event correlation and problem reporting
JP3651693B2 (ja) 1995-02-24 2005-05-25 株式会社東芝 プラント監視診断装置および方法
US6063028A (en) * 1997-03-20 2000-05-16 Luciano; Joanne Sylvia Automated treatment selection method
EP1026615A1 (de) * 1999-02-05 2000-08-09 Franz-Peter Dr. Liebel Verfahren zur Berechnung von Wahrscheinlichkeiten pathophysiologischer Zustände als Zwischenergebnisse der Diagnosefindung
JP4381361B2 (ja) * 2005-08-31 2009-12-09 株式会社東芝 時系列データ分析装置、時系列データ分析方法、及び時系列データ分析プログラム
EP1967996A1 (en) * 2007-03-09 2008-09-10 Omron Corporation Factor estimating support device and method of controlling the same, and factor estimating support program
JP2008242887A (ja) * 2007-03-28 2008-10-09 Fukuoka Pref Gov Sangyo Kagaku Gijutsu Shinko Zaidan タイミングチャート分析支援システム、タイミングチャート分析支援装置、表示制御装置、タイミングチャート分析支援方法、プログラム、及び、記録媒体
JP5185785B2 (ja) * 2008-11-19 2013-04-17 オムロンヘルスケア株式会社 健康状態判断装置
JP5297272B2 (ja) * 2009-06-11 2013-09-25 株式会社日立製作所 装置異常監視方法及びシステム
JP2011008375A (ja) * 2009-06-24 2011-01-13 Hitachi Ltd 原因分析支援装置および原因分析支援方法
JP2012113537A (ja) 2010-11-25 2012-06-14 Hitachi Ltd 潜在リスク抽出方法およびシステム
US10597308B2 (en) * 2013-11-25 2020-03-24 Kurita Water Industries Ltd. Water treatment plant controlling method and controlling program, and water treatment system

Also Published As

Publication number Publication date
WO2015122362A1 (ja) 2015-08-20
US10546239B2 (en) 2020-01-28
EP3106998A4 (en) 2017-07-12
US20170220937A1 (en) 2017-08-03
JP2015153133A (ja) 2015-08-24
EP3106998A1 (en) 2016-12-21
CN105934754A (zh) 2016-09-07
SG11201606221WA (en) 2016-09-29

Similar Documents

Publication Publication Date Title
JP6354192B2 (ja) 因果ネットワーク生成システム
JP5185785B2 (ja) 健康状態判断装置
US10621491B2 (en) Method for predicting adverse events for home healthcare of remotely monitored patients
van der Heijden et al. An autonomous mobile system for the management of COPD
Bergmo How to measure costs and benefits of eHealth interventions: an overview of methods and frameworks
Yang et al. Accurate estimation of influenza epidemics using Google search data via ARGO
Yang et al. Age-period-cohort analysis: New models, methods, and empirical applications
Whyte et al. Bayesian calibration of a natural history model with application to a population model for colorectal cancer
Janssen et al. Issues related to measuring and interpreting objectively measured sedentary behavior data
JP5219700B2 (ja) 生体指標管理装置
Romero-Brufau et al. Using machine learning to improve the accuracy of patient deterioration predictions: Mayo Clinic Early Warning Score (MC-EWS)
Buekers et al. Oxygen saturation measurements in telemonitoring of patients with COPD: a systematic review
Lafta et al. An intelligent recommender system based on predictive analysis in telehealthcare environment
JP6343939B2 (ja) 健康管理支援システム
US20210193324A1 (en) Evaluating patient risk using an adjustable weighting parameter
WO2023042779A1 (ja) 生理周期予測装置、生理周期予測方法、生理周期予測プログラムおよび生理周期予測システム
Alhendawi Task-technology fit model: Modelling and assessing the nurses’ satisfaction with health information system using AI prediction models
CN111433859A (zh) 信息处理装置、方法以及程序
Artola et al. Behavioral anomaly detection system for the wellbeing assessment and lifestyle support of older people at home
KR20180053983A (ko) 치매환자 관리방법
Rakitzis et al. On the performance of two-sided EWMA charts in the monitoring of continuous proportions
Perez et al. Predicting use of Intensive Care Units during the COVID-19 Pandemic
WO2021171596A1 (ja) 推論システム、学習依頼装置、および学習依頼方法
WO2021152710A1 (ja) 情報伝達装置および情報伝達方法
Punnoose et al. Comparative evaluation of two systems for integrating biometric data from self-quantification

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20161209

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20170620

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20170810

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20180116

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20180410

A911 Transfer to examiner for re-examination before appeal (zenchi)

Free format text: JAPANESE INTERMEDIATE CODE: A911

Effective date: 20180417

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20180515

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20180528

R150 Certificate of patent or registration of utility model

Ref document number: 6354192

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250