JP7402140B2 - 登録装置、登録方法、および登録プログラム - Google Patents

登録装置、登録方法、および登録プログラム Download PDF

Info

Publication number
JP7402140B2
JP7402140B2 JP2020158316A JP2020158316A JP7402140B2 JP 7402140 B2 JP7402140 B2 JP 7402140B2 JP 2020158316 A JP2020158316 A JP 2020158316A JP 2020158316 A JP2020158316 A JP 2020158316A JP 7402140 B2 JP7402140 B2 JP 7402140B2
Authority
JP
Japan
Prior art keywords
node
feature vector
registration
network
feature
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
JP2020158316A
Other languages
English (en)
Other versions
JP2022052124A (ja
Inventor
ミャオメイ レイ
宝弘 中村
大介 鈴木
享史 竹本
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.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
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 Hitachi Ltd filed Critical Hitachi Ltd
Priority to JP2020158316A priority Critical patent/JP7402140B2/ja
Priority to US17/198,661 priority patent/US11875901B2/en
Publication of JP2022052124A publication Critical patent/JP2022052124A/ja
Application granted granted Critical
Publication of JP7402140B2 publication Critical patent/JP7402140B2/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
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computing Systems (AREA)
  • Social Psychology (AREA)
  • Child & Adolescent Psychology (AREA)
  • Nutrition Science (AREA)
  • Developmental Disabilities (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Description

本発明は、データを登録する登録装置、登録方法、および登録プログラムに関する。
特許文献１は、力学モデルを用いて、自然言語分析の対象となる学習データの相関関係を可視化する学習データ精度可視化システムを開示する。この学習データ精度可視化システムは、所定の表示を行う表示部と、力学モデルを用いて、自然言語分析の対象となる学習データについてノードの最適配置を算出するノード最適配置算出処理部と、ノード最適配置算出処理部による算出結果に基づいて上記学習データを可視化して表示部に表示するよう制御する表示制御部とを備える。
特開２０１９－２０９４６号公報
しかしながら、上述した特許文献１では、随時データを更新するという特徴を持つコホートデータに対して、クラスタリングする時に一から計算し直す必要があり、計算時間が長期化する。
本発明は、ネットワーク更新時の計算時間の短縮化を図ることを目的とする。
本願において開示される発明の一側面となる登録装置は、プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有する登録装置であって、各々複数の要素を有する第１特徴ベクトルを示す第１ノードの集合と、２つの第１特徴ベクトルに基づいて前記２つの第１特徴ベクトルを示す２つの第１ノード間を接続する第１エッジと、により構成されるネットワークにアクセス可能であり、前記プロセッサは、第２特徴ベクトルを取得する取得処理と、前記第１特徴ベクトルの集合内の前記第１特徴ベクトルよりも少ない第３特徴ベクトルの集合における前記第３特徴ベクトル同士の類似関係に基づいて、前記取得処理によって取得された第２特徴ベクトルを示す第２ノードを前記ネットワークに登録し、前記第２ノードと前記第３特徴ベクトルを示す第３ノードとを第２エッジで接続する登録処理と、を実行することを特徴とする。
本発明の代表的な実施の形態によれば、ネットワーク更新時の計算時間の短縮化を図ることができる。前述した以外の課題、構成及び効果は、以下の実施例の説明により明らかにされる。
図１は、登録装置による力学モデルに基づくネットワーク更新例を示す説明図である。 図２は、登録装置のハードウェア構成例を示すブロック図である。 図３は、生体ＤＢ（データベース）の一例を示す説明図である。 図４は、個人ＤＢの一例を示す説明図である。 図５は、特徴ベクトル集合の一例を示す説明図である。 図６は、相関行列の一例を示す説明図である。 図７は、登録装置の機能的構成例を示すブロック図である。 図８は、生成部による生成処理手順例を示すフローチャートである。 図９は、前処理部による前処理の詳細な処理手順例を示すフローチャートである。 図１０は、種類選択（ステップＳ９０１）における種類選択画面の一例を示す説明図である。 図１１は、前処理形式選択（ステップＳ９０２）における前処理形式選択画面の一例を示す説明図である。 図１２は、特徴ベクトル生成部による特徴ベクトル生成処理の詳細な処理手順例を示すフローチャートである。 図１３は、ネットワーク生成部によるネットワーク生成処理の詳細な処理手順例を示すフローチャートである。 図１４は、更新部による更新処理手順例を示すフローチャートである。 図１５は、図１４に示した登録処理（ステップＳ１４０３）の詳細な処理手順例を示すフローチャートである。 図１６は、上三角行列の抽出例１を示す説明図である。 図１７は、上三角行列の抽出例２を示す説明図である。 図１８は、図１４に示した予測処理（ステップＳ１４０４）の詳細な処理手順例を示すフローチャートである。 図１９は、出力属性選択画面の一例を示す説明図である。 図２０は、ステップＳ１８０５の結果画面の一例を示す説明図である。
＜ネットワーク更新例＞
図１は、登録装置による力学モデルに基づくネットワーク更新例を示す説明図である。力学モデルに基づくネットワーク１０１，１０２は、複数のノードと、ノード間を接続するエッジと、により構成される。ここで、ノードは、個人の属性、たとえば、当該個人が持つ腸内細菌叢を構成する腸内細菌の種類や数、当該個人の食事データ（たとえば、いつ何をどのくらい飲食したか）、基礎データ（たとえば、身長、体重、体脂肪率など）、生活習慣データ（たとえば、１週間当たりの飲酒量、喫煙量など）から得られる特徴量を要素とする特徴ベクトルを示す。
エッジは、その両端のノードとの類似度を示す。たとえば、エッジが短いほど両端のノードで特定される個人の属性は類似することを示す。なお、ノードには、当該ノードが有する個人の属性（ベクトルの要素）によって特定される多様性レベルが対応付けられてもよい。多様性レベルとは、腸内細菌の種類数を示す指標値である。腸内細菌の種類数が多いほど多様性レベルは高い。
（Ａ）は、既存ノードにより構成されるネットワーク１０１を示す。（Ｂ）は、ネットワーク１０１に新規ノード１１０を追加した更新後のネットワーク１０２を示す。登録装置は、ネットワーク１０１に新規ノード１１０を追加する際、ネットワーク１０２を生成せずに、ネットワーク１０１に新規ノード１１０を登録することにより、ネットワーク１０２に更新する。新規ノード１１０の登録位置は、新規ノード１１０の属性とネットワーク１０１を構成するノードの属性との相関性に依存する。これにより、ネットワーク１０２を一から生成する場合に比べて、計算負荷の低減を図ることができ、計算時間の短縮化を図ることができる。
また、円１２０は、新規ノード１１０を中心とする一定の範囲である。登録装置は、円１２０の範囲内の既存ノードの属性に基づいて、新規ノード１１０の個人について、様々な予測を行うことが可能になる。
＜ハードウェア構成例＞
図２は、登録装置のハードウェア構成例を示すブロック図である。登録装置２００は、プロセッサ２０１と、記憶デバイス２０２と、入力デバイス２０３と、出力デバイス２０４と、通信インターフェース（通信ＩＦ）２０５と、を有する。プロセッサ２０１、記憶デバイス２０２、入力デバイス２０３、出力デバイス２０４、および通信ＩＦ２０５は、バス２０６により接続される。プロセッサ２０１は、登録装置２００を制御する。記憶デバイス２０２は、プロセッサ２０１の作業エリアとなる。また、記憶デバイス２０２は、各種プログラムやデータを記憶する非一時的なまたは一時的な記録媒体である。記憶デバイス２０２としては、たとえば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、フラッシュメモリがある。入力デバイス２０３は、データを入力する。入力デバイス２０３としては、たとえば、キーボード、マウス、タッチパネル、テンキー、スキャナがある。出力デバイス２０４は、データを出力する。出力デバイス２０４としては、たとえば、ディスプレイ、プリンタ、スピーカがある。通信ＩＦ２０５は、ネットワークと接続し、データを送受信する。
なお、登録装置２００は、スタンドアロン型またはクライアントサーバ型のいずれでも実装可能である。クライアントサーバ型の場合、登録装置２００は、サーバとして機能し、クライアントからの各種入力を受け付け、クライアントにデータを出力することになる。
＜各種データ構成＞
つぎに、図３～図６を用いて、登録装置２００が用いる各種データ構成について説明する。図３～図６に示すデータ構成は、具体的には、たとえば、登録装置２００の記憶デバイス２０２または登録装置２００がアクセス可能なコンピュータの記憶デバイス２０２に記憶される。
図３は、生体ＤＢ（データベース）の一例を示す説明図である。生体ＤＢ３００は、記憶デバイス２０２に記憶される。生体ＤＢ３００は、フィールドとして、たとえば、個人ＩＤ３０１と、腸内細菌叢３０２と、食事データ３０３と、基礎データ３０４と、生活習慣データ３０５と、を有する。同一行における各フィールドの値の組み合わせは、各個人の生体データＯ１～Ｏｎ（これらを区別しない場合は、単に生体データＯと表記）を示すエントリとなる。生体データＯ１～Ｏｎは、たとえば、定期健診のようなあるタイミングで各個人Ｕ１～Ｕｎから取得されたコホートデータである。
個人ＩＤ３０１は、個人を一意に特定する識別情報である。腸内細菌叢３０２は、複数の腸内細菌３０２－１、３０２－２、…（これらを区別しない場合、腸内細菌３０２－ｘと表記）を含む。腸内細菌３０２－ｘの値は、その腸内細菌の菌数（または菌の有無でもよい）を示す。たとえば、個人ＩＤ３０１が「Ｕ１」の腸内細菌３０２－１（腸内細菌Ｂ１）の菌数は、「ｂ１（１）」であり、腸内細菌３０２－２（腸内細菌Ｂ２）の菌数は、「ｂ２（１）」である。
食事データ３０３は、たとえば、その個人がいつ何をどのくらい飲食したかを示すデータである。基礎データ３０４は、たとえば、その個人の身長、体重、体脂肪率などの基礎的なデータである。生活習慣データ３０５は、たとえば、その個人の１週間当たりの飲酒量、喫煙量などを示すデータである。
図４は、個人ＤＢの一例を示す説明図である。個人ＤＢ４００は、フィールドとして、個人ＩＤ３０１と、年齢４０１と、性別４０２と、腸内細菌叢情報４０３と、病歴情報４０４と、食事情報４０５と、を有する。同一行における各フィールドの値の組み合わせは、各個人の属性を示すエントリとなる。年齢４０１は、その個人が生誕してから現在までの年数である。性別４０２は、男女の区別を示す。
腸内細菌叢情報４０３は、その個人の腸内細菌叢を示す情報である。具体的には、たとえば、腸内細菌叢情報４０３は、生体ＤＢ３００から逐次取得された腸内細菌叢３０２の各腸内細菌３０２－ｘの菌数の累積値でもよく、最新の腸内細菌叢３０２でもよい。病歴情報４０４は、その個人の過去の疾病を示す情報である。食事情報４０５は、その個人が何をどの程度飲食するかを示すデータである。具体的には、たとえば、食事情報４０５は、生体ＤＢ３００から逐次取得された食事データに含まれている食材の摂取量の単位期間あたりの平均値である。
図５は、特徴ベクトル集合の一例を示す説明図である。特徴ベクトル集合５００は、各個人の特徴ベクトルＶ１～Ｖｎ（これらを区別しない場合は、単に特徴ベクトルＶと表記）の集合である。特徴ベクトルＶは、生体ＤＢ３００から得られた個人の属性の一部または全部を正則化した要素ｖ１～ｖｄからなるｄ（ｄは１以上の整数）次元の要素列である。たとえば、登録装置２００は、生体ＤＢ３００の全属性について特徴ベクトル集合５００を生成してもよく、生体ＤＢ３００のうち腸内細菌叢３０２について特徴ベクトル集合５００を生成してもよい。
図６は、相関行列の一例を示す説明図である。相関行列６００は、登録装置２００によって算出される２人の個人間の相関関係の集合であり、ｎ行ｎ列の行列になる。相関関係は、２人の個人の特徴ベクトルから得られる相関係数でもよく、ユークリッド距離でもよく、コサイン類似度でもよい。
＜登録装置２００の機能的構成例＞
図７は、登録装置２００の機能的構成例を示すブロック図である。登録装置２００は、生成部７０１と、更新部７０２と、により構成される。生成部７０１は、ネットワーク１０１を生成する。具体的には、たとえば、生成部７０１は、前処理部７１１と、特徴ベクトル生成部７１２と、ネットワーク生成部７１３と、を有する。更新部７０２は、前処理部７１１と、特徴ベクトル生成部７１２と、登録部７２１と、予測部７２２と、を有する。これらは、具体的には、たとえば、図２に示した記憶デバイス２０２に記憶されたプログラムをプロセッサ２０１に実行させることにより実現される。まず、生成部７０１について説明する。
前処理部７１１は、生成部７０１において、生体ＤＢ３００を入力し、前処理を実行する。前処理部７１１は、生体ＤＢ３００の生体データＯ１～Ｏｎをフィールドの属性で絞り込む。たとえば、前処理部７１１が、生体ＤＢ３００の生体データＯ１～Ｏｎから腸内細菌叢３０２の値を抽出すれば、腸内細菌叢３０２に関するネットワーク１０１が生成され、生活習慣データ３０５の値を抽出すれば、生活習慣に関するネットワーク１０１が生成され、腸内細菌叢３０２の値および生活習慣データ３０５の値を抽出すれば、腸内細菌叢および生活習慣に関するネットワーク１０１が生成され、腸内細菌叢の一部の腸内細菌群の各値を抽出すれば、当該一部の腸内細菌群に関するネットワーク１０１が生成される。どのフィールドの属性をいくつ適用するかは、ユーザが指定してもよく、あらかじめ登録装置２００に設定されていてもよい。
特徴ベクトル生成部７１２は、前処理部７１１から出力される前処理後の生体ＤＢ３００の生体データＯ１～Ｏｎから特徴ベクトルＶ１～Ｖｎを生成する。生体データＯ１～Ｏｎの各要素の単位は異なるため、特徴ベクトル生成部７１２は、これら要素を正則化して、特徴ベクトルＶ１～Ｖｎを生成する。
ネットワーク生成部７１３は、特徴ベクトル集合５００からネットワーク１０１を生成し、ネットワークＤＢ７２０に格納する。具体的には、たとえば、ネットワーク生成部７１３は、特徴ベクトル集合５００を用いて相関行列６００を算出し、保持しておく。また、ネットワーク生成部７１３は、下記式（１）により、特徴ベクトルＶｉごとに、特徴ベクトルＶｊ（ｉ≠ｊ）との類似度Ｓ（Ｖｉ，Ｖｊ）を算出する。
Figure 0007402140000001
上記式（１）中、ｍｉは、特徴ベクトルＶｉ内の要素の平均値であり、ｍｊは、特徴ベクトルＶｊ内の要素の平均値である。上記式（１）の場合、類似度Ｓ（Ｖｉ，Ｖｊ）の値が小さいほど、特徴ベクトルＶｉ，Ｖｊは類似する。そして、ネットワーク生成部７１３は、特徴空間において、登録装置２００で定義された既知の力学モデルにしたがい、類似度Ｓ（Ｖｉ，Ｖｊ）に基づいてノードを特徴空間に配置し、エッジで接続することで、ネットワーク１０１を生成する。
なお、ネットワーク１０１の各ノードには、個人ＩＤ３０１が含まれる。したがって、ネットワーク１０１が表示され、ノードが指定されると、指定されたノードの個人ＩＤ３０１に対応する個人ＤＢ４００のエントリが、個人ＤＢ４００から読み出され、表示される。この場合、登録装置２００は、図１に示したように、生体ＤＢ３００の腸内細菌叢３０２を参照して、ノードごとに多様性レベルが視認できるように多様性レベルごとに異なる色で表示してもよい。
なお、本実施例では、ネットワーク生成部７１３がネットワーク１０１を生成することとしたが、登録装置２００は、外部のコンピュータからネットワーク１０１を取得してもよい。つぎに、更新部７０２について説明する。
前処理部７１１は、更新部７０２において、新規の個人の生体データＯＡを入力し、前処理を実行する。生体データＯＡは、生体データＯ１～Ｏｎと同じフィールドの値の組み合わせとなる。前処理部７１１は、生体データＯＡをフィールドの属性で絞り込む。絞込み可能な属性は、すでに、生成部７０１において絞り込まれた属性となる。たとえば、腸内細菌叢について絞り込まれている場合、前処理部７１１は、生体データＯＡから腸内細菌叢３０２の値を抽出することが可能である。どのフィールドの属性を適用するかは、ユーザによって決定される。
特徴ベクトル生成部７１２は、前処理部７１１から出力される前処理後の生体データＯＡから特徴ベクトルＶａを生成する。前処理後の生体データＯＡの各要素の単位は異なるため、特徴ベクトル生成部７１２は、これら要素を正則化して、特徴ベクトルＶａを生成する。
登録部７２１は、相関行列６００を用いて、特徴ベクトル生成部７１２によって生成された新規の個人の特徴ベクトルＶａをネットワーク１０１に登録し、ネットワーク１０２に更新する。登録部７２１による登録処理の詳細は、図１３で後述する。この登録部７２１による登録処理により、従来技術で示したような、既存ノード群および新規ノードによるネットワーク１０２の再生成が回避される。したがって、計算負荷の低減を図ることができ、計算時間の短縮化を図ることができる。
予測部７２２は、更新後のネットワーク１０２について、個人ＤＢ４００を参照して、新規の個人の状態を予測する。具体的には、たとえば、予測部７２２は、図１の（Ｂ）に示したように、新規の個人の新規ノード１１０を中心とする円１２０の範囲内のノードに対応する個人のエントリを個人ＤＢ４００から読み出し、読み出した個人のエントリを統計処理することにより、新規の個人の状態を予測する。
＜生成処理手順＞
図８は、生成部７０１による生成処理手順例を示すフローチャートである。まず、生成部７０１は、前処理部７１１による前処理（ステップＳ８０１）と、特徴ベクトル生成部７１２による特徴ベクトル生成処理（ステップＳ８０２）と、を実行することにより、特徴ベクトルＶを取得する。また、生成部７０１は、ネットワーク生成部７１３によるネットワーク生成処理（ステップＳ８０３）を実行することにより、ネットワーク１０１を生成し、ネットワークＤＢ７２０に格納する。
図９は、前処理部７１１による前処理の詳細な処理手順例を示すフローチャートである。前処理部７１１は、前処理対象となるデータの種類を選択し（ステップＳ９０１）、種類が選択された生体データＯについての前処理形式を選択し（ステップＳ９０２）、ステップＳ９０１，Ｓ９０２で選択された内容で生体データＯの絞込みを実行する（ステップＳ９０３）。
図１０は、種類選択（ステップＳ９０１）における種類選択画面の一例を示す説明図である。種類選択画面１０００は、例として、種類選択ラジオボタン１００１～１００４と、実行ボタン１００５と、を有する。図１０では、種類選択ラジオボタン１００１で腸内細菌叢が選択されている。したがって、実行ボタン１００５の押下により、前処理部７１１は、生体ＤＢ３００の生体データＯ１～Ｏｎから腸内細菌叢３０２の値を抽出する。なお、ユーザは、種類選択ラジオボタン１００１～１００４のうち少なくとも１つを選択可能である。
図１１は、前処理形式選択（ステップＳ９０２）における前処理形式選択画面の一例を示す説明図である。図１１では、種類選択画面１０００で腸内細菌叢が選択された場合に表示される前処理形式選択画面１１００を示す。前処理形式選択画面１１００は、菌種選択領域１１０１と、データ形式選択領域１１０２と、実行ボタン１１０３と、を有する。
菌種選択領域１１０１は、第１菌種選択ラジオボタン１１１１と、第２菌種選択ラジオボタン１１１２と、第３菌種選択ラジオボタン１１１３と、を有する。第１菌種選択ラジオボタン１１１１は、すべての菌種（Ｂ１、Ｂ２、…）を選択するためのラジオボタンである。第２菌種選択ラジオボタン１１１２は、存在率上位Ｎ番目までの菌種を選択するためのラジオボタンである。存在率とは、各個人に菌種がどのくらい存在しているかを示す指標値であり、分母が菌種の総数で、分子が各個人が保有する菌種の数である。
第３菌種選択ラジオボタン１１１３は、特定の菌種を選択するためのラジオボタンである。特定の菌種は、あらかじめ設定されていてもよく、第３菌種選択ラジオボタン１１１３の選択時に、特定の菌種の一覧が表示された選択画面（不図示）から選択可能としてもよい。
データ形式選択領域１１０２は、第１データ形式選択ラジオボタン１１２１と、第２データ形式選択ラジオボタン１１２２と、を有する。第１データ形式選択ラジオボタン１１２１は、生体データＯを割合のログに変換するためのラジオボタンである。割合のログとは、各個人について、保有する菌種が選択菌種のうちどの程度かを示す指標値である。具体的には、たとえば、選択菌種数を腸内細菌Ｂ１～Ｂ１００の１００個とすると、ある個人について、保有している腸内細菌はそれぞれ１％、保有していない腸内細菌はそれぞれ０％となる。
第２データ形式選択ラジオボタン１１２２は、生体データを菌種同士の比のログに変換するためのラジオボタンである。菌種同士の比のログとは、菌種ごとの数量で比較した割合である。具体的には、たとえば、ある個人について、選択菌種数を腸内細菌Ｂ１～Ｂ１００の総菌数をＸとし、腸内細菌Ｂ１～Ｂ１００の各々の菌数をｘ１～ｘ１００とすると、菌種同士の比のログは、腸内細菌Ｂ１はｘ１／Ｘ、腸内細菌Ｂ２はｘ２／Ｘ、…、腸内細菌Ｂ１００はｘ１００／Ｘとなる。
実行ボタン１１０３は、押下により、図１０および図１１の選択結果にしたがって、生体データ０１～Ｏｎの絞り込みを実行するためのボタンである。
図１２は、特徴ベクトル生成部７１２による特徴ベクトル生成処理の詳細な処理手順例を示すフローチャートである。特徴ベクトル生成部７１２は、前処理（ステップＳ８０１）後の生体データＯを取得する（ステップＳ１２０１）。つぎに、特徴ベクトル生成部７１２は、取得した前処理（ステップＳ８０１）後の生体データＯを正則化する（ステップＳ１２０２）。これにより、特徴ベクトルＶ１～Ｖｎが生成される。
図１３は、ネットワーク生成部７１３によるネットワーク生成処理の詳細な処理手順例を示すフローチャートである。ネットワーク生成部７１３は、特徴ベクトル集合５００を取得し（ステップＳ１３０１）、未選択の特徴ベクトルがあるか否かを判断する（ステップＳ１３０２）。未選択の特徴ベクトルがある場合（ステップＳ１３０２：Ｙｅｓ）、ネットワーク生成部７１３は、未選択の特徴ベクトルを１つ選択する（ステップＳ１３０３）。
ネットワーク生成部７１３は、力学モデルに基づいて他の特徴ベクトルＶｊの各々から選択特徴ベクトルＶｉへの力の値を算出して（ステップＳ１３０４）、ステップＳ１３０２に戻る。力の値は、たとえば、選択特徴ベクトルＶｉと他の特徴ベクトルＶｊとの間に働く引力ｆａと斥力ｆｒとの和に相当する値である。引力ｆａは下記式（２）、斥力ｆｒは下記式（３）により算出される。
Figure 0007402140000002
式（２）、（３）において、｜｜Ｖｉ－Ｖｊ｜｜は、ＶｉとＶｊの２－ノルム（距離）である。また、Ｃ、ｋは調節できるパラメータであり、計算前に予め定められた定数である。
引力ｆａは、ＶｉとＶｊと間の類似度Ｓ（Ｖｉ、Ｖｊ）に基づき、それに比例するように定義されている。引力ｆａは、ＶｉとＶｊと間の距離に基づき、距離が大きい程強い。
ＶｉとＶｊと間の斥力ｆｒは、ＶｉとＶｊと間の距離に基づき、距離が小さい程強い。斥力ｆｒがＲｉとＲｊと間の距離の逆数に基づくことで、ＲｉとＲｊの衝突を避けることができる。特徴空間における一つの特徴ベクトルＶｉに対して、特徴空間に存在する他のすべての特徴ベクトルＶｊからの力が加えられる。特徴空間におけるすべての特徴ベクトルペアにおいて、引力ｆａおよび斥力ｆｒが働く。
また、ステップＳ１３０４において、ネットワーク生成部７１３は、特徴空間のエネルギを計算する。上述のように定義される引力ｆａおよび斥力ｆｒの合計によって、選択特徴ベクトルＶｉに働く力ｆ（Ｖｉ）は、式（４）によって表される。
Figure 0007402140000003
上記式（４）において、和は、Ｖｉ以外のすべてのＶｊについて計算される。またｖ（ｖｊ，Ｖｉ）、は、ＶｉからにＶｊに向かう単位ベクトルであり、下記式（５）によって定義される。
Figure 0007402140000004
合計の力ｆ（Ｖｉ）を用いて、特徴空間における全体のポテンシャルエネルギＥは、下記式（６）によって定義できる。
Figure 0007402140000005
式（６）において、和は、すべての特徴ベクトルＶについて計算され、｜｜ｆ（Ｖｉ）｜｜はベクトルｆ（Ｖｉ）の大きさを示す。上記式（６）が示すように、特徴ベクトルＶｉの合計の力ｆ（Ｖｉ）の絶対値からポテンシャルエネルギＥが決定され、力の絶対値の総和は、ポテンシャルエネルギＥを表す。
そして、未選択の特徴ベクトルがない場合（ステップＳ１３０２：Ｎｏ）、ネットワーク生成部７１３は、選択特徴ベクトルＶｉを修正して（ステップＳ１３０５）、ステップＳ１３０２に戻る。具体的には、たとえば、ネットワーク生成部７１３は、ネットワーク１０１を配置する特徴空間において選択特徴ベクトルＶｉを示すノードが他の特徴ベクトルＶｊを示すノードと重複しないように、選択特徴ベクトルＶｉを、その引力および斥力に応じて修正する。全特徴ベクトルＶに基づくエネルギーは、引力および斥力に比例するが、今回のエネルギーと直前のエネルギーとの差が大きいほど、選択特徴ベクトルＶｉが示すノードは特徴空間において大きく移動し、差が小さいほど小さく移動する。
具体的には、たとえば、ネットワーク生成部７１３は、選択特徴ベクトルＶｉの配置位置を下記式（７）を用いて修正する。
Figure 0007402140000006
上記式（７）において、ｓｔｅｐは修正の幅を調整するパラメータであり、本例において予め定められた定数である。特徴ベクトルＶは、特徴空間における位置（座標）を示すため、特徴ベクトルＶの修正は、特徴ベクトルＶの位置を修正することを意味する。上記式（７）は、特徴ベクトルＶの修正の一例であって、他の数式に従って特徴ベクトルが修正されてもよい。特徴ベクトルＶの修正量は、特徴ベクトルＶに加えられている力の絶対値に比例してもよい。
そして、ステップＳ１３０２において未選択の特徴ベクトルＶがない場合（ステップＳ１３０２：Ｎｏ）、ネットワーク生成部７１３は、各特徴ベクトルＶが収束したか否かを判断する（ステップＳ１３０６）。具体的には、たとえば、今回のループによる修正後のすべての特徴ベクトルＶを｛Ｖｉ｝とし、今回のループによる修正直前のすべての特徴ベクトルＶを｛Ｖｉ０｝とする。ネットワーク生成部７１３は、｛Ｖｉ０｝と｛Ｖｉ｝とを比較し、その修正量に基づき、収束を判定する。
たとえば、修正量は、Σ｜｜Ｖｉ－Ｖｉ０｜｜を用いて計算できる。修正量が所定の閾値より大きい場合、ネットワーク生成部７１３は、収束していないと判定し（ステップＳ１３０６：Ｎｏ）、ステップＳ１３０２に戻り、計算を続ける。一方、修正量が閾値以下である場合、ネットワーク生成部７１３は、特徴ベクトルＶが収束したと判定する（ステップＳ１３０６：Ｙｅｓ）。
このように、ネットワーク生成部７１３は、ポテンシャルエネルギＥが、最小値から所定範囲内にあるように、特徴ベクトルＶを再配置する。閾値は予め設定された０または正の数値であり、閾値０は、収束状態が最少ポテンシャルエネルギ（０）を有することを意味する。
なお、修正量は、ポテンシャルエネルギＥ（力の絶対値の総和）によって表わされてもよい。ネットワーク生成部７１３は、修正前のポテンシャルエネルギＥと修正後のポテンシャルエネルギＥとの差異と、閾値と、を比較して、収束判定してもよい。また、ネットワーク生成部７１３は、ポテンシャルエネルギＥが閾値以下となった場合に、収束と判定してもよい。
収束した場合（ステップＳ１３０６：Ｙｅｓ）、ネットワーク生成部７１３は、特徴ベクトル集合５００からなるネットワーク１０１を出力する（ステップＳ１３０７）。また、ネットワーク生成部７１３は、ｎ人の既存個人間の相関を示す相関行列６００（ＲＮとする）を算出する（ステップＳ１３０８）。相関行列ＲＮは、ｎ行ｎ列の行列で表現される。
＜更新処理手順＞
図１４は、更新部７０２による更新処理手順例を示すフローチャートである。まず、更新部７０２は、図８と同様、前処理部７１１による前処理（ステップＳ１４０１）および特徴ベクトル生成部７１２による特徴ベクトル生成処理（ステップＳ１４０２）を実行することにより、特徴ベクトルＶａを取得する。前処理（ステップＳ１４０１）は、前処理対象が新規の個人の生体データＯＡである点を除いて、前処理（ステップＳ８０１）と同じ処理である。特徴ベクトル生成処理（ステップＳ１４０２）も、生成対象が新規の個人の特徴ベクトルＶａである点を除いて、特徴ベクトル生成処理（ステップＳ８０２）と同じ処理である。
また、更新部７０２は、登録部７２１による新規ノードの登録処理（ステップＳ１４０３）を実行することによりネットワーク１０１に新規ノード１１０を追加する。また、更新部７０２は、予測部７２２による予測処理（ステップＳ１４０４）を実行することにより、新規ノード１１０の個人の状態を予測し、予測結果を出力する。
＜登録処理手順＞
図１５は、図１４に示した登録処理（ステップＳ１４０３）の詳細な処理手順例を示すフローチャートである。図１６は、上三角行列の抽出例１を示す説明図である。図１７は、上三角行列の抽出例２を示す説明図である。まず、登録部７２１は、Ｋ（≧１）回試行したか否かを判断する（ステップＳ１５０１）。Ｋ回試行していない場合（ステップＳ１５０１：Ｎｏ）、登録部７２１は、ランダムにｐ（＜ｎ）人の既存個人を選択する（ステップＳ１５０２）。これにより、ｎ人を用いて再クラスタリングする場合に比べて、計算量がｐ／ｎになる。
そして、新規の個人Ａおよびｐ人の既存個人の相関行列Ｒ（ＰＡ）を算出する（ステップＳ１５０３）。相関行列Ｒ（ＰＡ）は、（ｐ＋１）行（ｐ＋１）列の行列で表現される。なお、ステップＳ１５０３は、ステップＳ１５０４：Ｎｏの後でステップＳ１５０５の前に実行されてもよい。
つぎに、登録部７２１は、既存個人ｐ人のグループＧｐに、所定の類似条件を充足するｑ（≦ｐ）人のグループＧｑがあるか否かを判断する（ステップＳ１５０４）。ｐおよびｑはあらかじめ設定される値である。具体的には、たとえば、登録部７２１は、上記式（１）を用いてグループＧｑ内の既存個人間の類似度を総当たりで算出し、所定の類似条件として各類似度の差分の総和がしきい値以内であれば、グループＧｑの存在が確定する。
グループＧｑの存在が確定すれば（ステップＳ１５０４：Ｙｅｓ）、ステップＳ１５０９に移行する。グループＧｑの存在が確定しなければ（ステップＳ１５０４：Ｎｏ）、登録部７２１は、図１６に示したように、ステップＳ１５０３で算出した相関行列Ｒ（ＰＡ）から上三角行列ＵＴＭＡを抽出する（ステップＳ１５０５）。つぎに、登録部７２１は、図１７に示したように、ステップＳ１３０８で算出した相関行列ＲＮの上三角行列ＵＴＭＮから上三角行列ＵＴＭＡと同サイズの上三角行列ＵＴＭＢを１以上抽出する（ステップＳ１５０６）。
そして、登録部７２１は、上三角行列ＵＴＭＡと上三角行列ＵＴＭＢの各々との類似度を算出する（ステップＳ１５０７）。この類似度は、たとえば、上三角行列ＵＴＭＡと上三角行列ＵＴＭＢとのユークリッド距離の逆数により規定される。登録部７２１は、最大類似度となる上三角行列ＵＴＭＢの生成元のグループを特定し（ステップＳ１５０８）、ステップＳ１５０９に移行する。具体的には、たとえば、登録部７２１は、最大類似度となる上三角行列ＵＴＭＢ内の要素である相関値の元となる２人の個人を要素ごとに特定し、生成元のグループＧｒとする。
ステップＳ１５０９では、登録部７２１は、当該グループＧｑ、Ｇｒに基づいて新規の個人Ａの登録先候補を決定する（ステップＳ１５０９）。具体的には、たとえば、登録部７２１は、グループＧｑが１つ以上確定していれば、グループＧｑの各々を新規の個人Ａの登録先候補に決定し、グループＧｒが特定されれば、グループＧｒを新規の個人Ａの登録先候補に決定する。そして、ステップＳ１５０１に戻る。
ステップＳ１５０１において、Ｋ回試行した場合（ステップＳ１５０１：Ｙｅｓ）、登録部７２１は、登録先候補から登録先を決定する（ステップＳ１５１１）。具体的には、たとえば、Ｋ回の試行の各々の試行では、グループＧｐのメンバは異なる。したがって、登録部７２１は、メンバが同一となるグループＧｐについて、グループＧｑのグループ数とグループＧｒのグループ数を集計する。そして、多い方のグループ数のグループＧｑ、Ｇｒの中から登録先を決定する。
たとえば、グループＧｑのグループ数が「５」、グループＧｒのグループ数が「３」であれば、グループＧｑである５つのグループ（Ｇｑ１～Ｇｑ５とする。メンバ数はＧｑ１が最小でＧｑ５が最大とする。）から登録先が決まる。この場合、登録部７２１は、グループＧｑ１～Ｇｑ５からランダムに１つを登録先に決定してもよく、メンバ数ｑが最大であるグループＧｑ５を登録先に決定してもよい。
また、グループＧｒの場合、メンバ数はどのグループＧｒも同数であるため、登録部７２１は、類似度が最大となるグループＧｒを登録先に決定してもよい。たとえば、グループＧｑのグループ数が「２」、グループＧｒのグループ数が「６」であれば、グループＧｒである６つのグループ（Ｇｑ１～Ｇｑ６とする。類似度はＧｒ１が最小（最も類似しない）でＧｒ６が最大（最も類似する）とする。）から登録先が決まる。この場合、登録部７２１は、グループＧｒ１～Ｇｒ６からランダムに１つを登録先に決定してもよく、類似度が最大であるグループＧｒ６を登録先に決定してもよい。
なお、上述した登録先の決定のほか、登録部７２１は、登録先候補を表示し、ユーザに選択させ、当該選択された登録先候補を登録先に決定してもよい。
この後、登録部７２１は、新規の個人の特徴ベクトルを示すノードを、決定した登録先に登録する（ステップＳ１５１２）。具体的には、たとえば、登録部７２１は、新規ノードを、登録先のノード群のうち最も相関性のあるノードの近傍に配置する。たとえば、登録部７２１は、新規ノードと、登録先のノード群の各々のノードと、の相関係数に基づいて、最も相関係数が最大となるノードの近傍に新規ノードを配置し、登録先のノード群の各々のノードとエッジで接続する。
また、登録部７２１は、新規ノードと、登録先のノード群の各々のノードと、の類似度（たとえば、ユークリッド距離の逆数）に基づいて、最も類似度が最大となるノードの近傍（たとえば、当該ノードからユークリッド距離分離れた位置）に新規ノードを配置する。このあと、登録部７２１は、新規の個人の生体データＯＡを生体ＤＢ３００に登録し、新規の個人の特徴ベクトルＶａを特徴ベクトル集合５００に追加する（ステップＳ１５１３）。これにより、登録処理（ステップＳ１４０３）が終了し、予測処理（ステップＳ１４０４）に移行する。なお、図１５～図１７では、上三角行列を抽出する例について説明したが、下三角行列を抽出してもよい。
＜予測処理手順＞
図１８は、図１４に示した予測処理（ステップＳ１４０４）の詳細な処理手順例を示すフローチャートである。まず、予測部７２２は、参照ノード数を取得する（ステップＳ１８０１）。参照ノード数は、新規ノード１１０を中心とするノード数である。参照ノード数はあらかじめ設定されていてもよく、ユーザから入力された値でもよい。参照ノード数は、新規ノード１１０を中心とする円１２０に包含されるノード数である。換言すれば、参照ノード数により、円１２０の大きさが決まる。なお、参照ノード数ではなく、新規ノード１１０を中心とする類似範囲内（たとえば、所定のユークリッド距離以内）のノードを参照ノードとして取得してもよい。つぎに、予測部７２２は、出力属性を選択する（ステップＳ１８０２）。
図１９は、出力属性選択画面の一例を示す説明図である。出力属性選択画面１９００は、生活習慣ラジオボタン１９０１と、食習慣ラジオボタン１９０２と、生活環境・病歴ラジオボタン１９０３と、決定ボタン１９０４と、を有する。生活習慣ラジオボタン１９０１は、円１２０内の生体データＯと同一個人ＩＤ３０１で関連付けられている個人ＤＢ４００のエントリから生活習慣に関するフィールドの値を抽出するためのラジオボタンである。
食習慣ラジオボタン１９０２は、円１２０内の生体データＯと同一個人ＩＤ３０１で関連付けられている個人ＤＢ４００のエントリから食習慣に関するフィールドの値を抽出するためのラジオボタンである。生活環境・病歴ラジオボタン１９０３は、円１２０内の生体データＯと同一個人ＩＤ３０１で関連付けられている個人ＤＢ４００のエントリから生活環境および病歴に関するフィールドの値を抽出するためのラジオボタンである。生活習慣ラジオボタン１９０１～生活環境・病歴ラジオボタン１９０３は、複数選択可能である。決定ボタン１９０４は、押下により生活習慣ラジオボタン１９０１～生活環境・病歴ラジオボタン１９０３で選択された情報を送信するためのボタンである。
図１８に戻り、予測部７２２は、選択出力属性に基づいて参照ノード数を分類する（ステップＳ１８０３）。つぎに、予測部７２２は、ステップＳ１８３の分類結果とアドバイス情報ＤＢ７２３のアドバイス情報とに基づいて、アドバイス文を生成する（ステップＳ１８０４）。そして、予測部７２２は、分類結果および生成したアドバイス文を含む結果画面を出力し（ステップＳ１８０５）、予測処理（ステップＳ１４０４）を終了する。
図２０は、ステップＳ１８０５の結果画面の一例を示す説明図である。結果画面２０００は、分類結果２００１とアドバイス文２００２とを含む。分類結果２００１は、たとえば、人数の多さを示すヒストグラムである。たとえば、参照ノード数のうち２％の既存個人は、大腸の病歴（生活環境・病歴ラジオボタン１９０３で選択）があり、３％の既存個人は便秘（生活習慣ラジオボタン１９０１で選択）であり、５％の既存個人は花粉アレルギー（生活環境・病歴ラジオボタン１９０３で選択）を有し、１０％の既存個人は焼肉好き（食習慣ラジオボタン１９０２で選択）であり、８０％の既存個人は、ヨーグルトを飲む習慣（食習慣ラジオボタン１９０２で選択）がある。
また、アドバイス文２００２において、新規ノード１１０が示す新規の個人が、アドバイス文２００２の「あなた」に該当する。また、参照ノード数分のノードに対応する既存の個人が、アドバイス文２００２の「あなたの腸内細菌と似ている人」に該当する。また、残余の文章は、分類結果２００１を文章化した文字列である。
このように、本実施例によれば、ネットワーク１０２を一から生成する場合に比べて、計算負荷の低減を図ることができ、計算時間の短縮化を図ることができる。新規ノード１１０の個人について、様々な予測を行うことが可能になる。
また、上述した実施例にかかる登録装置２００は、下記（１）～（６）のように構成することもできる。
（１）プログラムを実行するプロセッサ２０１と、前記プログラムを記憶する記憶デバイス２０２と、を有する登録装置２００は、各々複数の要素を有する第１特徴ベクトル（Ｖ１～Ｖｎ）を示す第１ノードの集合と、２つの第１特徴ベクトルに基づいて前記２つの第１特徴ベクトルを示す２つの第１ノード間を接続する第１エッジと、により構成されるネットワーク１０１にアクセス可能である。前記プロセッサ２０１は、第２特徴ベクトルを取得する取得処理（ステップＳ１４０１，Ｓ１４０２）と、前記第１特徴ベクトルの集合内の前記第１特徴ベクトルよりも少ない第３特徴ベクトルの集合における前記第３特徴ベクトル同士の類似関係に基づいて、前記取得処理によって取得された第２特徴ベクトルＶａを示す第２ノード（新規ノード１１０）を前記ネットワーク１０１に登録し、前記第２ノードと前記第３特徴ベクトルを示す第３ノードとを第２エッジで接続する登録処理（ステップＳ１４０３）と、を実行する。
これにより、第１特徴ベクトルの集合内の第１特徴ベクトルよりも少ない第３特徴ベクトルの集合を用いることにより、計算負荷の低減化を図ることができる。したがって、ネットワーク１０１からネットワーク１０２への更新時の計算時間の短縮化を図ることができる。すなわち、第３特徴ベクトルの数ｐ（＜ｎ）が少ないほど、計算負荷が低減され、計算時間が短縮化する。また、第３特徴ベクトルの数ｐ（＜ｎ）が多いほど、第２ノード（新規ノード１１０）を適切な位置に配置することができる。
（２）また、上記（１）において、前記プロセッサ２０１は、前記第３特徴ベクトルの集合から所定の類似条件を充足する特定の第３特徴ベクトルからなる第１類似グループＧｑが存在するか否かを判定する判定処理（ステップＳ１５０４）と、前記判定処理によって前記第１類似グループＧｑが存在すると判定された場合、前記第１類似グループＧｑ内の前記特定の第３特徴ベクトルに基づく前記ネットワーク内の位置を、前記第２ノードの登録先に決定する決定処理（ステップＳ１５０９）と、を実行し、前記登録処理では、前記プロセッサ２０１は、前記決定処理によって決定された登録先に前記第２ノードを登録し、前記第２ノードと前記特定の第３特徴ベクトルを示す特定の第３ノードとを前記第２エッジで接続する。
これにより、第２ノード（新規ノード１１０）の登録先の決定の容易化を図ることができる。
（３）また、上記（２）において、登録装置２００は、前記ネットワーク１０１内の前記第１特徴ベクトル同士の相関関係を示す第１相関関係データ（相関行列ＲＮの上三角行列ＵＴＭＮ）にアクセス可能であり、前記プロセッサ２０１は、前記第２特徴ベクトルと前記第３特徴ベクトルの各々との相関関係および前記第３特徴ベクトル同士の相関関係を示す第２相関関係データ（上三角行列ＵＴＭＡ）を算出する相関関係データ算出処理（ステップＳ１５０３，Ｓ１５０５）を実行し、前記決定処理では、前記プロセッサ２０１は、前記判定処理によって前記第１類似グループＧｑが存在しないと判定された場合、前記相関関係データ算出処理によって算出された第２相関関係データ（上三角行列ＵＴＭＡ）と同サイズの第３相関関係データ（上三角行列ＵＴＭＢ）を前記第１相関関係データ（相関行列ＲＮの上三角行列ＵＴＭＮ）から抽出する抽出処理（ステップＳ１５０６）と、前記第２相関関係データ（上三角行列ＵＴＭＡ）と、前記抽出処理によって抽出された第３相関関係データ（上三角行列ＵＴＭＢ）と、の類似度を算出する類似度算出処理（ステップＳ１５０７）と、前記類似度算出処理によって算出された類似度に基づいて、前記第３相関関係データ（上三角行列ＵＴＭＢ）の算出元となる特定の第１特徴ベクトルからなる第２類似グループＧｒを前記第１相関関係データから特定する特定処理（ステップＳ１５０８）と、を実行し、前記決定処理では、前記プロセッサ２０１は、前記第２類似グループ内の前記特定の第１特徴ベクトルに基づく前記ネットワーク内の位置を、前記第２ノードの登録先に決定し、前記登録処理では、前記プロセッサ２０１は、前記決定処理によって決定された登録先に前記第２ノード（新規ノード１１０）を登録し、前記第２ノード（新規ノード１１０）と前記特定の第１特徴ベクトルを示す特定の第１ノードとを前記第２エッジで接続する。
これにより、第１類似グループＧｑが存在しない場合であっても、第２類似グループＧｒを探索することができ、登録先の決定漏れを抑制することができる。
（４）また、上記（１）において、登録装置２００は、前記第１特徴ベクトルＶごとに前記第１特徴ベクトルＶに対応する属性データ（個人ＩＤ３０１で関連付けられた個人ＤＢ４００のエントリ）にアクセス可能であり、前記プロセッサ２０１は、前記ネットワーク１０１内の前記第２ノード（新規ノード１１０）を含む範囲（円１２０）内に存在する前記第１ノードが示す前記第１特徴ベクトルに対応する属性データに基づいて、前記第２特徴ベクトルに対応する属性を予測する予測処理（ステップＳ１４０４）を実行する。
これにより、第２ノード（新規ノード１１０）が示す予測対象（たとえば、個人）の状態を、第２ノードの周囲の第１ノードに対応する属性データで予測することができる。
（５）また、上記（１）において、前記プロセッサ２０１は、前記ネットワーク１０１を生成する生成処理（ステップＳ８０３）を実行し、前記登録処理では、前記プロセッサ２０１は、前記第３特徴ベクトル同士の類似関係に基づいて、前記第２特徴ベクトルを示す第２ノード（新規ノード１１０）を前記生成処理によって生成されたネットワーク１０１に登録し、前記第２ノードと前記第３ノードとを第２エッジで接続する。
これにより、登録装置２００がネットワーク１０１を生成するため、ネットワーク１０１の生成元となる第１特徴ベクトルＶの秘匿化を図ることができる。
（６）また、上記（１）において、前記第１特徴ベクトルＶは、前記第１ノードとして前記ネットワーク１０１に登録された個人の生体の特徴を示すベクトルであり、前記第２特徴ベクトルは、前記ネットワーク１０１に未登録な個人の生体の特徴を示すベクトルである。
これにより、登録装置２００を、生体データＯに基づくネットワーク１０１に適用することができる。したがって、登録後のネットワーク１０２により、客観的かつ正確的に健康状態を予測できる。また、登録後のネットワーク１０２により、個人に適した健康支援アドバイスを提供することができる。
なお、本発明は前述した実施例に限定されるものではなく、添付した特許請求の範囲の趣旨内における様々な変形例及び同等の構成が含まれる。たとえば、前述した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに本発明は限定されない。また、ある実施例の構成の一部を他の実施例の構成に置き換えてもよい。また、ある実施例の構成に他の実施例の構成を加えてもよい。また、各実施例の構成の一部について、他の構成の追加、削除、または置換をしてもよい。
また、前述した各構成、機能、処理部、処理手段等は、それらの一部又は全部を、たとえば集積回路で設計する等により、ハードウェアで実現してもよく、プロセッサ２０１がそれぞれの機能を実現するプログラムを解釈し実行することにより、ソフトウェアで実現してもよい。
各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリ、ハードディスク、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記憶装置、又は、ＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）カード、ＳＤカード、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）の記録媒体に格納することができる。
また、制御線や情報線は説明上必要と考えられるものを示しており、実装上必要な全ての制御線や情報線を示しているとは限らない。実際には、ほとんど全ての構成が相互に接続されていると考えてよい。
１０１，１０２ ネットワーク
１１０ 新規ノード
２００ 登録装置
２０１ プロセッサ
２０２ 記憶デバイス
５００ 特徴ベクトル集合
６００ 相関行列
７０１ 生成部
７０２ 更新部
７１１ 前処理部
７１２ 特徴ベクトル生成部
７１３ ネットワーク生成部
７２１ 登録部
７２２ 予測部

Claims (8)

  1. プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有する登録装置であって、
    各々複数の要素を有する第１特徴ベクトルを示す第１ノードの集合と、２つの第１特徴ベクトルに基づいて前記２つの第１特徴ベクトルを示す２つの第１ノード間を接続する第１エッジと、により構成されるネットワークにアクセス可能であり、
    前記プロセッサは、
    第２特徴ベクトルを取得する取得処理と、
    前記第１特徴ベクトルの集合内の前記第１特徴ベクトルよりも少ない第３特徴ベクトルの集合における前記第３特徴ベクトル同士の類似関係に基づいて、前記取得処理によって取得された第２特徴ベクトルを示す第２ノードを前記ネットワークに登録し、前記第２ノードと前記第３特徴ベクトルを示す第３ノードとを第２エッジで接続する登録処理と、
    を実行することを特徴とする登録装置。
  2. 請求項１に記載の登録装置であって、
    前記プロセッサは、
    前記第３特徴ベクトルの集合から所定の類似条件を充足する特定の第３特徴ベクトルからなる第１類似グループが存在するか否かを判定する判定処理と、
    前記判定処理によって前記第１類似グループが存在すると判定された場合、前記第１類似グループ内の前記特定の第３特徴ベクトルに基づく前記ネットワーク内の位置を、前記第２ノードの登録先に決定する決定処理と、を実行し、
    前記登録処理では、前記プロセッサは、前記決定処理によって決定された登録先に前記第２ノードを登録し、前記第２ノードと前記特定の第３特徴ベクトルを示す特定の第３ノードとを前記第２エッジで接続する、
    ことを特徴とする登録装置。
  3. 請求項２に記載の登録装置であって、
    前記ネットワーク内の前記第１特徴ベクトル同士の相関関係を示す第１相関関係データにアクセス可能であり、
    前記プロセッサは、
    前記第２特徴ベクトルと前記第３特徴ベクトルの各々との相関関係および前記第３特徴ベクトル同士の相関関係を示す第２相関関係データを算出する相関関係データ算出処理を実行し、
    前記決定処理では、前記プロセッサは、前記判定処理によって前記第１類似グループが存在しないと判定された場合、前記相関関係データ算出処理によって算出された第２相関関係データと同サイズの第３相関関係データを前記第１相関関係データから抽出する抽出処理と、
    前記第２相関関係データと、前記抽出処理によって抽出された第３相関関係データと、の類似度を算出する類似度算出処理と、
    前記類似度算出処理によって算出された類似度に基づいて、前記第３相関関係データの算出元となる特定の第１特徴ベクトルからなる第２類似グループを前記第１相関関係データから特定する特定処理と、を実行し、
    前記決定処理では、前記プロセッサは、前記第２類似グループ内の前記特定の第１特徴ベクトルに基づく前記ネットワーク内の位置を、前記第２ノードの登録先に決定し、
    前記登録処理では、前記プロセッサは、前記決定処理によって決定された登録先に前記第２ノードを登録し、前記第２ノードと前記特定の第１特徴ベクトルを示す特定の第１ノードとを前記第２エッジで接続する、
    ことを特徴とする登録装置。
  4. 請求項１に記載の登録装置であって、
    前記第１特徴ベクトルごとに前記第１特徴ベクトルに対応する属性データにアクセス可能であり、
    前記プロセッサは、
    前記ネットワーク内の前記第２ノードを含む範囲内に存在する前記第１ノードが示す前記第１特徴ベクトルに対応する属性データに基づいて、前記第２特徴ベクトルに対応する属性を予測する予測処理を実行することを特徴とする登録装置。
  5. 請求項１に記載の登録装置であって、
    前記プロセッサは、
    前記ネットワークを生成する生成処理を実行し、
    前記登録処理では、前記プロセッサは、前記第３特徴ベクトル同士の類似関係に基づいて、前記第２特徴ベクトルを示す第２ノードを前記生成処理によって生成されたネットワークに登録し、前記第２ノードと前記第３ノードとを第２エッジで接続する、
    ことを特徴とする登録装置。
  6. 請求項１に記載の登録装置であって、
    前記第１特徴ベクトルは、前記第１ノードとして前記ネットワークに登録された個人の生体の特徴を示すベクトルであり、
    前記第２特徴ベクトルは、前記ネットワークに未登録な個人の生体の特徴を示すベクトルである、
    ことを特徴とする登録装置。
  7. プログラムを実行するプロセッサと、前記プログラムを記憶する記憶デバイスと、を有する登録装置が実行する登録方法であって、
    各々複数の要素を有する第１特徴ベクトルを示す第１ノードの集合と、２つの第１特徴ベクトルに基づいて前記２つの第１特徴ベクトルを示す２つの第１ノード間を接続する第１エッジと、により構成されるネットワークにアクセス可能であり、
    前記登録方法は、
    前記プロセッサが、
    第２特徴ベクトルを取得する取得処理と、
    前記第１特徴ベクトルの集合内の前記第１特徴ベクトルよりも少ない第３特徴ベクトルの集合における前記第３特徴ベクトル同士の類似関係に基づいて、前記取得処理によって取得された第２特徴ベクトルを示す第２ノードを前記ネットワークに登録し、前記第２ノードと前記第３特徴ベクトルを示す第３ノードとを第２エッジで接続する登録処理と、
    を実行することを特徴とする登録方法。
  8. 各々複数の要素を有する第１特徴ベクトルを示す第１ノードの集合と、２つの第１特徴ベクトルに基づいて前記２つの第１特徴ベクトルを示す２つの第１ノード間を接続する第１エッジと、により構成されるネットワークにアクセス可能なプロセッサに、
    第２特徴ベクトルを取得する取得処理と、
    前記第１特徴ベクトルの集合内の前記第１特徴ベクトルよりも少ない第３特徴ベクトルの集合における前記第３特徴ベクトル同士の類似関係に基づいて、前記取得処理によって取得された第２特徴ベクトルを示す第２ノードを前記ネットワークに登録し、前記第２ノードと前記第３特徴ベクトルを示す第３ノードとを第２エッジで接続する登録処理と、
    を実行させることを特徴とする登録プログラム。
JP2020158316A 2020-09-23 2020-09-23 登録装置、登録方法、および登録プログラム Active JP7402140B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2020158316A JP7402140B2 (ja) 2020-09-23 2020-09-23 登録装置、登録方法、および登録プログラム
US17/198,661 US11875901B2 (en) 2020-09-23 2021-03-11 Registration apparatus, registration method, and recording medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020158316A JP7402140B2 (ja) 2020-09-23 2020-09-23 登録装置、登録方法、および登録プログラム

Publications (2)

Publication Number Publication Date
JP2022052124A JP2022052124A (ja) 2022-04-04
JP7402140B2 true JP7402140B2 (ja) 2023-12-20

Family

ID=80740716

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020158316A Active JP7402140B2 (ja) 2020-09-23 2020-09-23 登録装置、登録方法、および登録プログラム

Country Status (2)

Country Link
US (1) US11875901B2 (ja)
JP (1) JP7402140B2 (ja)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002312803A (ja) 2001-04-06 2002-10-25 Internatl Business Mach Corp <Ibm> グラフデータ視覚化装置、グラフィックス作成方法、プログラム及び記憶媒体
JP2003016465A (ja) 2001-06-19 2003-01-17 Internatl Business Mach Corp <Ibm> グラフィックス・イメージ作成装置、及びその方法並びにプログラム
JP2013161455A (ja) 2012-02-08 2013-08-19 Nippon Telegr & Teleph Corp <Ntt> グラフデータ可視化表示装置及び方法及びプログラム
JP2019200737A (ja) 2018-05-18 2019-11-21 ヤフー株式会社 情報処理装置、情報処理方法、および情報処理プログラム
JP2020013413A (ja) 2018-07-19 2020-01-23 株式会社日立製作所 判断支援装置および判断支援方法
JP2020086662A (ja) 2018-11-19 2020-06-04 ヤフー株式会社 情報処理装置、情報処理方法、及び情報処理プログラム

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8793073B2 (en) * 2002-02-04 2014-07-29 Ingenuity Systems, Inc. Drug discovery methods
US8156056B2 (en) * 2007-04-03 2012-04-10 Fernando Luege Mateos Method and system of classifying, ranking and relating information based on weights of network links
WO2009037615A1 (en) * 2007-09-21 2009-03-26 International Business Machines Corporation System and method for analyzing electronic data records
US20140359422A1 (en) * 2011-11-07 2014-12-04 Ingenuity Systems, Inc. Methods and Systems for Identification of Causal Genomic Variants
US20130268290A1 (en) * 2012-04-02 2013-10-10 David Jackson Systems and methods for disease knowledge modeling
JP6069506B2 (ja) * 2013-07-30 2017-02-01 株式会社日立製作所 学業成績との相関因子特定方法
US10614912B2 (en) * 2014-08-17 2020-04-07 Hyperfine, Llc Systems and methods for comparing networks, determining underlying forces between the networks, and forming new metaclusters when saturation is met
US10546019B2 (en) * 2015-03-23 2020-01-28 International Business Machines Corporation Simplified visualization and relevancy assessment of biological pathways
US10360507B2 (en) * 2016-09-22 2019-07-23 nference, inc. Systems, methods, and computer readable media for visualization of semantic information and inference of temporal signals indicating salient associations between life science entities
US10810213B2 (en) * 2016-10-03 2020-10-20 Illumina, Inc. Phenotype/disease specific gene ranking using curated, gene library and network based data structures
EP3306617A1 (en) * 2016-10-06 2018-04-11 Fujitsu Limited Method and apparatus of context-based patient similarity
JP6268322B1 (ja) 2017-07-14 2018-01-24 Ｎｄｉソリューションズ株式会社 学習データ精度可視化システム、学習データ精度可視化方法、及びプログラム
EP3550568B1 (en) * 2018-04-07 2023-07-05 Tata Consultancy Services Limited Graph convolution based gene prioritization on heterogeneous networks
JP6975692B2 (ja) * 2018-07-27 2021-12-01 株式会社日立製作所 計算機システム及び予測器が出力した予測値の根拠に関連する情報の提示方法
JP7068106B2 (ja) * 2018-08-28 2022-05-16 株式会社日立製作所 試験計画策定支援装置、試験計画策定支援方法及びプログラム
WO2020170052A1 (en) * 2019-02-21 2020-08-27 King Abdullah University Of Science And Technology Disease-gene prioritization method and system
EP3859745A1 (en) * 2020-02-03 2021-08-04 National Centre for Scientific Research "Demokritos" System and method for identifying drug-drug interactions
US11574128B2 (en) * 2020-06-09 2023-02-07 Optum Services (Ireland) Limited Method, apparatus and computer program product for generating multi-paradigm feature representations

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002312803A (ja) 2001-04-06 2002-10-25 Internatl Business Mach Corp <Ibm> グラフデータ視覚化装置、グラフィックス作成方法、プログラム及び記憶媒体
JP2003016465A (ja) 2001-06-19 2003-01-17 Internatl Business Mach Corp <Ibm> グラフィックス・イメージ作成装置、及びその方法並びにプログラム
JP2013161455A (ja) 2012-02-08 2013-08-19 Nippon Telegr & Teleph Corp <Ntt> グラフデータ可視化表示装置及び方法及びプログラム
JP2019200737A (ja) 2018-05-18 2019-11-21 ヤフー株式会社 情報処理装置、情報処理方法、および情報処理プログラム
JP2020013413A (ja) 2018-07-19 2020-01-23 株式会社日立製作所 判断支援装置および判断支援方法
JP2020086662A (ja) 2018-11-19 2020-06-04 ヤフー株式会社 情報処理装置、情報処理方法、及び情報処理プログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
松林 達史、外３名，ＨＴＭＬ５を用いたストリーミングデータのグラフ可視化，電子情報通信学会技術研究報告，日本，一般社団法人電子情報通信学会，2012年06月14日，第１１２巻，第９４号，ｐ．１－６

Also Published As

Publication number Publication date
US11875901B2 (en) 2024-01-16
US20220093265A1 (en) 2022-03-24
JP2022052124A (ja) 2022-04-04

Similar Documents

Publication Publication Date Title
US11138899B2 (en) Cheating detection in remote assessment environments
Resche-Rigon et al. Multiple imputation by chained equations for systematically and sporadically missing multilevel data
CN108604227B (zh) 用于神经临床释义生成的系统和方法
Scherbaum et al. Exploring the proximity of ground-motion models using high-dimensional visualization techniques
JP2022020620A (ja) 類似するプロファイルを持つ患者を共に分類する分類モデルの性能を改善するための適合性フィードバック
Newman et al. Visualizing search results and document collections using topic maps
JP6975692B2 (ja) 計算機システム及び予測器が出力した予測値の根拠に関連する情報の提示方法
JP2012058972A (ja) 評価予測装置、評価予測方法、及びプログラム
KR102364533B1 (ko) 인공 지능 기반의 인테리어 서비스 방법 및 이러한 방법을 수행하는 장치
Denti et al. A common atoms model for the Bayesian nonparametric analysis of nested data
JP2021500692A (ja) 系図エンティティ解決システムおよび方法
Lee et al. Estimation of covariance matrix of multivariate longitudinal data using modified Choleksky and hypersphere decompositions
JP4957127B2 (ja) 属性間の部分関係抽出する装置、方法、及びプログラム
Dutta et al. Comparative analysis of various supervised machine learning techniques for diagnosis of COVID-19
Pargent et al. Predictive modeling with psychological panel data
Tan et al. Surrogate-guided sampling designs for classification of rare outcomes from electronic medical records data
JP7402140B2 (ja) 登録装置、登録方法、および登録プログラム
KR20200075068A (ko) 감성사전 구축 방법 및 시스템
JP2002342360A (ja) 情報提供装置、その方法、そのコンピュータ・プログラムおよびそのプログラムを記録した記録媒体
CN111816276B (zh) 患教教程推荐方法、装置、计算机设备和存储介质
JP2021135930A (ja) 分析装置、分析方法、および分析プログラム
JP7417164B2 (ja) 情報処理プログラム、提案方法、および情報処理装置
US20240212228A1 (en) Image generating and retrieving apparatus, image generating and retrieving system, and image generating and retrieving method
US20230229937A1 (en) Ai training data creation support system, ai training data creation support method, and ai training data creation support program
JP7326400B2 (ja) コンテンツ処理方法及びコンテンツ処理プログラム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230125

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20231031

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: 20231205

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20231208

R150 Certificate of patent or registration of utility model

Ref document number: 7402140

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150