WO2015122362A1 - 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 - Google Patents

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 Download PDF

Info

Publication number
WO2015122362A1
WO2015122362A1 PCT/JP2015/053336 JP2015053336W WO2015122362A1 WO 2015122362 A1 WO2015122362 A1 WO 2015122362A1 JP 2015053336 W JP2015053336 W JP 2015053336W WO 2015122362 A1 WO2015122362 A1 WO 2015122362A1
Authority
WO
WIPO (PCT)
Prior art keywords
causal
index
information
cause
intensity
Prior art date
Application number
PCT/JP2015/053336
Other languages
English (en)
French (fr)
Inventor
洋貴 和田
慶一 尾林
綾子 小久保
Original Assignee
オムロン株式会社
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 オムロン株式会社 filed Critical オムロン株式会社
Priority to SG11201606221WA priority Critical patent/SG11201606221WA/en
Priority to CN201580005746.4A priority patent/CN105934754A/zh
Priority to EP15749101.0A priority patent/EP3106998A4/en
Priority to US15/115,105 priority patent/US10546239B2/en
Publication of WO2015122362A1 publication Critical patent/WO2015122362A1/ja

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

Definitions

  • the present invention relates to a technique for generating a causal network and a causal data structure.
  • causal networks causal relationships between multiple events (elements) in tables and graphs and using them for predicting the behavior of complex systems and estimating the cause when problems occur
  • a Bayesian network treats each element as a random variable and expresses a causal relationship between elements with a conditional probability.
  • Patent Document 1 discloses an example in which a causal loop diagram (CLD: Causal Loop Diagram) is used for risk evaluation of a software development project.
  • CLD Causal Loop Diagram
  • elements that have a causal relationship are connected by an arc, and a positive sign if there is a positive correlation, a minus sign if there is a negative correlation, and a double sign if there is a time delay before the result appears.
  • Patent Document 2 discloses an example of performing cause identification with reference to a causal table in which an abnormal cause and a symptom pattern for each monitoring index are associated with each other when an abnormality occurs in a large-scale plant.
  • Patent Document 3 provides a causal network that defines the order of alarms generated by the interlock system when an abnormality occurs in a large-scale plant and the interval between the alarms. An example in which an alarm that can occur next and a response process for the alarm can be predicted is disclosed. Further, in Patent Document 4, in order to express a change in the causal relationship between elements with the elapsed time from occurrence of abnormality, a causal graph for each elapsed time t1, t2,. A multi-layered causal network is shown in which a graph in which elements having negative correlations are connected by negative arcs) is arranged in time series.
  • JP 2012-113537 A Japanese Patent Application Laid-Open No. 8-234432 JP-A-5-333186 Japanese Examined Patent Publication No. 62-53760
  • the present invention has been made in view of the above circumstances, and an object thereof is to provide a technique for clearly expressing the behavior of an object having a complicated causal relationship with a time delay.
  • the invention according to claim 1 includes object identification information for specifying a target expressing a causal relationship, and index identification information for each of a plurality of indices used to quantitatively describe an event that occurs in the target.
  • a correlation information representing a direction of change of the result index with respect to increase / decrease.
  • the invention according to claim 2 is characterized in that the intensity information represents a causal intensity between a change in the cause index and a change in the result index after a delay time represented by the time information.
  • the causal intensity considering the propagation delay from the cause index to the result index can be expressed.
  • the time information represents a delay time in which the causal intensity between the cause index and the result index is maximum, and the intensity information is a maximum between the cause index and the result index.
  • strength which considered the propagation delay from a cause parameter
  • the time information includes first to n-th n (n is an integer of 2 or more) delay time information, and the intensity information includes the first to n-th delay.
  • strength which considered the propagation delay from a cause parameter
  • the correlation information represents a correlation coefficient between the value of the cause index and the value of the result index after the delay time represented by the time information.
  • the causal data structure according to any one of claims 1 to 4, wherein the data structure is causal.
  • the strength of the correlation can be clearly expressed.
  • the invention according to claim 6 is a causal network generation system for generating a causal network representing a causal relationship between a plurality of events occurring in an object, and a plurality of the causal network generation systems used for quantitatively describing the plurality of events.
  • a data acquisition unit that acquires time-series data of each of the indicators, a causal relationship evaluation unit that obtains a causal relationship between the two indicators for each set of two different indicators selected from the plurality of indicators, And an output unit that outputs data describing the causal relationship for each set of two indicators obtained by the causal relationship evaluating unit, and the causal relationship evaluating unit outputs one of the two indicators
  • the causal intensity between the change in the cause index and the change in the result index after time s is calculated while changing the value of time s.
  • Te causal strength between the outcome measures and the causal index
  • a causal network generator system the influence of the cause indicator and obtaining the time delay required to propagate the result indicator.
  • the causal network which expresses clearly the behavior of the object which has a complicated causal relationship with a time delay can be produced
  • the causal relationship evaluation unit obtains a delay time in which the causal strength between the cause index and the result index is maximum, and the causal relationship output from the output unit is the cause
  • Network generation system According to the invention which concerns on Claim 7, the causal network showing the causal intensity
  • the causal relationship evaluation unit obtains a causal intensity between the cause index and the result index for first to n-th n (n is an integer of 2 or more) delay times.
  • the causal relationship output from the output unit includes information on n delay times from 1 to n and information on n causal strengths corresponding to the first to n delay times, respectively.
  • the causal relationship evaluation unit calculates a correlation coefficient between the value of the cause index and the value of the result index after the delay time, and is output from the output unit.
  • the causal network generation system according to any one of claims 6 to 8, wherein the causal relationship includes information on the correlation coefficient. According to the invention of claim 9, it is possible to generate a causal network that clearly expresses the relationship between the increase / decrease in the cause index and the change in the result index (positive correlation or negative correlation) and the strength of the correlation. it can.
  • the invention according to claim 10 is characterized in that the causal relationship evaluation unit obtains a causal intensity between the cause index and the result index using movement entropy.
  • strength can be calculated
  • the functional block diagram of a causal network generation system The flowchart which shows the flow of a causal network production
  • Functional block diagram of a health management support system A configuration example of a health management support system.
  • the flowchart which shows the flow of a detection process of an exercise effect expression area.
  • the causal network generation system is a system for automatically generating a causal network that represents a causal relationship between a plurality of events that occur in an analysis target.
  • the causal network is used to express the behavior (behavior) of the analysis target. For example, management and maintenance of production lines and large-scale plants, forecasts of weather and disasters, forecasts of stock prices and exchange rates, marketing, etc. It can be applied to the analysis and prediction of the behavior.
  • FIG. 1 shows a functional configuration example of the causal network generation system 1.
  • the causal network generation system 1 includes functional blocks such as a time-series data acquisition unit 10, a causal relationship evaluation unit 11, and a causal relationship data output unit 12.
  • the system 1 includes a CPU (central processing unit), a main storage device (memory), an auxiliary storage device (hard disk, semiconductor disk, etc.), an input device (keyboard, mouse, touch panel, etc.), a display device (liquid crystal monitor, etc.), 1 can be configured by a general-purpose computer having a communication IF, and each function shown in FIG. 1 is realized by a CPU reading and executing a program.
  • the system 1 can be composed of a single device, or can be composed of a plurality of devices that can communicate with each other in a wired or wireless manner.
  • the time series data acquisition unit 10 is a function for acquiring time series data of an index used for quantitatively describing an event that occurs in an analysis target.
  • the type and number of events (indicators) can be arbitrarily designed according to the object and purpose of analysis. For example, if the purpose is maintenance of the production line, environmental data such as the output of a sensor provided in the manufacturing apparatus, manufacturing conditions, operating time, direct rate, non-defective product rate, temperature and humidity can be selected as an index. In a complex system, time series data of several tens to several hundreds of indices can be used.
  • the causal relationship evaluation unit 11 is a function for evaluating the causal relationship between each index. As described above, in order to accurately analyze and predict the behavior of the target, the causal strength between the two indicators (cause indicator and result indicator) and the delay time required for the influence of the cause indicator to propagate to the result indicator A correct understanding of is needed. Therefore, the causal relationship evaluation unit 11 of the present embodiment evaluates the causal relationship between the two indexes using the concept of information theory called “transfer entropy (TE)”.
  • TE transfer entropy
  • Movement entropy is a measure or method for evaluating the causal relationship in consideration of the propagation time (delay time) between two indices X and Y, and the average amount of information moved from index X to index Y after time s.
  • (Entropy) is an idea that the cause index X is regarded as the strength of influence (that is, the causal strength) of the effect index Y after the time s.
  • the index X causes the index Y.
  • the movement entropy TE XY (s) related to the delay time s can be calculated by the following equation.
  • P (a, b) represents a joint probability density variable of P (a) and P (b)
  • [*] represents a time average of *.
  • the movement entropy can be calculated by giving time series data of two indices X and Y and a delay time s.
  • TE YX (s) is calculated by replacing the value of TE XY (s) with the cause and effect. )
  • TE XY (s)> TE YX (s) is established. Therefore, by evaluating the magnitude relationship between the values of TE XY (s) and TE YX (s), the existence of the causal relationship and the direction of the causality can be determined.
  • the causal relationship data output unit 12 is a function for generating and outputting data (referred to as causal relationship data) describing the causal relationship between each index obtained by the causal relationship evaluation unit 11.
  • the output destination of the causal relation data is assumed to be an auxiliary storage device, a display device, a printer, an external storage (on the LAN or the Internet), a computer, or the like.
  • step S20 the time series data acquisition unit 10 acquires time series data of a plurality of indices related to the analysis target.
  • time series data of m indices E1 to Em (m is an integer of 2 or more) is acquired.
  • the acquisition source and acquisition method of the time series data may be any, for example, the data stored in the auxiliary storage device may be read, or the data may be acquired from an external storage device or computer via the LAN or the Internet. Also good.
  • FIG. 3 schematically shows an example of time-series data. The horizontal axis of each graph is the time axis, and the vertical axis is the index value.
  • the causal relationship evaluation unit 11 performs the processing described below for each of the two index sets (Ei, Ej) selected from the m indices E1 to Em (step S21).
  • Ei represents a cause index
  • Ej represents a result index
  • the causal relationship evaluation unit 11 sets the delay time s to the minimum value smin (step S22). And the causal relationship evaluation part 11 calculates
  • the movement entropy TEij calculated by the above-described mathematical formula is used as the causal intensity.
  • the movement entropy in the reverse direction that is, the movement entropy TEji from the index Ej after time s to the index Ei is calculated.
  • the causal relationship evaluation unit 11 determines the result index after the cause index Ei and time s.
  • a correlation coefficient of Ej is calculated (step S25). Since the calculation method of the correlation coefficient is well known, the description thereof is omitted.
  • steps S23 to S25 are repeatedly executed while increasing the value of s by the time step width ⁇ s (step S26).
  • step S27 When the process is completed up to the maximum delay time value smax (step S27), the next set of indices is set. (Step S28; NO).
  • step S28; YES When the causal relationship evaluation is completed for all combinations of the two indexes (step S28; YES), the causal relationship data output unit 12 generates the causal relationship data (step S29), and the process is terminated.
  • FIG. 4 schematically shows an example of the data structure of the causal relationship data.
  • the causal relationship data includes target identification information for specifying a target (analysis target) expressing the causal relationship, index identification information for each of the m indexes, and causal relationship information for each set of two indexes. Yes.
  • the target identification information the name and ID of the analysis target are described. Since the target identification information is information that is referenced to identify what kind of causal relationship this causal relationship data represents, what kind of content can be described as long as it can be distinguished from other analysis targets .
  • the index identification information a name, ID, and the like for specifying an index or an event are described. Since the index identification information is information that is referred to in order to identify what each index represents, any content may be described as long as the indexes can be distinguished from each other.
  • Causal relationship information is stored.
  • a data description example of the causal relationship information Ark (3,4) of the element number (3,4) is shown below.
  • Causality is intensity information indicating the maximum causal intensity (movement entropy) between the cause index i and the result index j
  • Delay is time information indicating a delay time at which the causal intensity is maximum
  • Co_CoEf is correlation information indicating the direction of change of the result index j with respect to increase or decrease of the cause index i (positive correlation or negative correlation). In this example, “day” is used as the unit of Delay, and the correlation coefficient between the cause index i and the result index j after Delay is used as the correlation information.
  • causal relationship information not only the maximum value of the causal intensity and the delay time and the correlation coefficient at that time are described, but the first to n-th n (n is an integer of 2 or more) delay times, respectively. Corresponding causal intensity and correlation coefficient information may be described.
  • a data description example of the causal relationship information Ark (3,4) of the element number (3,4) is shown below.
  • data of intensity information (Causality []) and correlation information (Co_CoEf []) are held in a one-dimensional array.
  • the delay time array Delay [] may be held as in the following data description example.
  • Such a data structure makes it possible to clearly represent the behavior of an object having a complicated causal relationship with a time delay.
  • a causal relationship involving a plurality of events (indexes) a set of events (indexes) having a strong causal relationship can be easily found.
  • causal propagation delay can be taken into account, it is possible to grasp a more appropriate causal relationship than the conventional method.
  • the correlation coefficient between the two events (indicators) is also held, the positive / negative of the correlation and the strength of the correlation can be expressed. With such information, for example, it is possible to easily search for and narrow down the causal relationship with the sign of the correlation and the strength of the correlation as constraint conditions, and it is useful for analyzing and predicting the behavior of the target.
  • FIG. 5 is a display example of the causal network by the causal relation data output unit 12.
  • each node corresponds to an index
  • an arc that links between the two nodes indicates the causal relationship and the direction of the cause and effect between the two nodes (the base side of the arc is the cause node, the arrow Side is the result node).
  • Index identification information is displayed on each node, and causal intensity, delay time, and correlation coefficient are displayed on each arc.
  • target identification information is displayed at the top of the directed graph.
  • the causal relationship is obtained from the time series data of one analysis target.
  • the causal relationship can be obtained from the time series data of each of a plurality of analysis targets.
  • vital data of a plurality of subjects is analyzed or data of a plurality of production lines having the same design is analyzed. Since the basic behavior (behavior) is the same for the same type of analysis target, the relationship such as the presence or absence of causality, the direction of causality, the sign of the correlation is almost the same, but the causal strength and delay time Individual differences may appear. Therefore, when determining the causal relationship from time series data of multiple analysis targets, calculate the causal intensity, delay time, correlation coefficient, etc. for each analysis target, and further, the maximum value, minimum value, and average of those values. Statistical information such as values, variances, and standard deviations may be retained in the causal relationship data. A data description example of the causal relationship information in that case is shown below.
  • data of intensity information (Causality []), time information (Delay []), and correlation information (Co_CoEf []) are held in a one-dimensional array.
  • the maximum value (Causality_Max), average value (Causality_Ave), variance (Causality_Var), maximum delay time (Delay_Max), average value (Delay_Ave), The variance (Delay_Var) is retained.
  • the behavior of the target can be clearly expressed.
  • the indicators X and Y have a strong causal relationship, but there are large individual differences in delay time, and the indicators A and B have different causal strength variations in delay time. Since the variation is very large, there is a possibility that new discoveries such as low reliability of the causal relationship between the indices A and B may be obtained.
  • causal network health management support system
  • the above-described causal network can be applied to the analysis and prediction of the behavior (behavior) of various objects.
  • causal analysis of an index related to human health management will be described.
  • FIG. 6 is a functional block diagram showing the overall configuration of the health management support system 6 (hereinafter also simply referred to as “the present system 6”) according to the present embodiment.
  • the system 6 includes a plurality of index recording units 60, a data transmission unit 61, a data storage unit 62, a causal network generation unit 63, a data acquisition unit 64, a graph drawing unit 65, a support message generation unit 66, and a support message pattern storage unit 67. And a functional block such as a drawing synthesis unit 68 and an output unit 69.
  • These functional blocks can be configured by a single device, or can be configured by a plurality of devices that can communicate with each other in a wired or wireless manner (specific device configuration examples will be described later).
  • the index recording unit 60 is a functional block that records various indexes measured or input by the user. Any index may be recorded as long as it is related to health. For example, among the activities (movements or actions) performed by the user, the indexes that may affect health include the number of steps, walking distance, exercise time, exercise amount (calories burned), activity amount (exercise intensity and time). Product), sleep time, rest time / count, calorie intake, salt intake, drug dose, supplement intake, etc. In addition, blood pressure, pulse, body weight, body fat percentage, body fat mass, muscle fat percentage, muscle mass, abdominal circumference, BMI, cholesterol level, blood sugar level, urine sugar level as indices measured from the user or those collected from the user There is body temperature.
  • each index may be manually input by the user, or the index recording unit 60 may be configured by a measuring instrument such as a pedometer or a sphygmomanometer so that the index value can be automatically measured and recorded.
  • a measuring instrument such as a pedometer or a sphygmomanometer
  • the data transmission unit 61 is a functional block that transmits and registers the data of each index recorded by the index recording unit 60 to the data storage unit 62.
  • the data storage unit 62 is a database that stores and manages data of each index received via the data transmission unit 61 in time series.
  • the causal relationship data generated by the causal network generation unit 63 is also stored in the data storage unit 62.
  • the causal network generation unit 63 is a block having the same function as the causal network generation system 1 shown in FIG.
  • the causal network generation unit 63 generates causal relationship data from the time-series data of each index read from the data storage unit 62.
  • the generated causal relationship data is stored in the data storage unit 62.
  • the data acquisition unit 64 is a functional block that acquires causal relationship data and time-series data of indices from the data storage unit 62.
  • the graph drawing unit 65, the support message generation unit 66, the support message pattern storage unit 67, the drawing synthesis unit 68, and the output unit 69 are a functional block group constituting an information providing unit that provides support information related to health management to the user. .
  • the graph drawing unit 65 generates a causal network (directed graph) based on the causal relationship data, or generates a graph of time series data of each index.
  • the support message generation unit 66 generates a support message using the message template registered in the support message pattern storage unit 67 based on the causal relationship data and the time series data of each index.
  • the generated graph and the support message are combined by the drawing combining unit 68 and output to the display device or the external terminal by the output unit 69. Specific generation processing of support information and specific examples of graphs and support messages will be described later.
  • the health management support system of FIG. 6 can take various device configurations. 7 to 8 show specific examples of the device configuration.
  • FIG. 7A shows an example in which a health management support system is configured by a single device 70.
  • the device 70 includes a CPU (central processing unit), a main storage device (memory), an auxiliary storage device (hard disk, semiconductor disk, etc.), an input device (keyboard, mouse, touch panel, etc.), a display device (liquid crystal monitor, etc.), A general-purpose personal computer having a communication IF can be used.
  • the device 70 can be configured by a device that provides a function equivalent to a personal computer, such as a tablet terminal, a smartphone, or a PDA (personal digital assistant), or the device 70 can be configured by a dedicated machine incorporating a board computer. It can also be configured.
  • the user operates the input device to input data for each index, and the support information is output to the display device.
  • FIG. 7B shows an example in which measuring devices such as a pedometer 71 and a sphygmomanometer 72 are combined with the device 70.
  • Data measured by the pedometer 71 and the sphygmomanometer 72 is transmitted to the apparatus 70 by wire (for example, USB) or wireless (for example, Bluetooth (registered trademark), WiFi).
  • the pedometer 71 and the sphygmomanometer 72 correspond to the index recording unit 60 in FIG. 6, and the data communication function built in the pedometer 71 and the sphygmomanometer 72 corresponds to the data transmission unit 61 in FIG. 6.
  • the support information may be output to the display device of the device 70, or may be transmitted to the pedometer 71 or the sphygmomanometer 72 and output to the display unit of the pedometer 71 or the sphygmomanometer 72.
  • FIG. 8A is an example of cloud computing, and is an example in which the data storage unit 62 of FIG.
  • the terminal 81 operated by the user has the functions of the data transmission unit 61, the causal network generation unit 63, the data acquisition unit 64, and the information providing unit of FIG. 71, upload of data measured by the sphygmomanometer 72, download of time series data, generation of causal network, generation / display of support information, and the like are executed.
  • the terminal 81 can be configured by a personal computer, a tablet terminal, a smartphone, a dedicated machine, or the like, similarly to the device 70 shown in FIG.
  • the pedometer 71 and the sphygmomanometer 72 can access the Internet, data may be directly uploaded from the pedometer 71 or the sphygmomanometer 72 to the online storage 80.
  • FIG. 8B is also an example of cloud computing.
  • the difference from FIG. 8A is that the cloud server 82 functions as the data storage unit 62, the causal network generation unit 63, the data acquisition unit 64, and the information providing unit in FIG.
  • the terminal 83 operated by the user only needs to have functions such as a request unit that requests support information from the cloud server 82 and a display unit that displays support information received from the cloud server 82.
  • the user may be identified by, for example, including a user ID in the request for support information or performing authentication based on the user ID.
  • the resources (data capacity, calculation capability, etc.) required on the terminal side can be reduced, and the configuration of the terminal 83 can be simplified. It is suitable for services that provide support.
  • the data acquisition unit 64 acquires causal relationship data from the data storage unit 62 (step S90).
  • FIG. 10A is an example of causal relation data
  • FIG. 10B is an example of a causal network (directed graph) drawn based on the causal relation data. As shown in FIG. 10B, if an attempt is made to express the causal relationship of all the indexes, a very complicated network is generated, and it is difficult to understand the relationship between the indexes and the points to be noted.
  • the graph drawing unit 65 provides a partial network creation function described below.
  • the graph drawing unit 65 selects an attention index from among the six indices (step S91). Any attention index may be selected. For example, the user himself / herself may designate an index that he / she wants to perform causal analysis, or the graph drawing unit 65 may select an index in which causal relations with other indices are concentrated as the attention index. Here, it is assumed that “index 5: blood pressure” is selected as the attention index.
  • the graph drawing unit 65 sets threshold values for the causal intensity and the correlation coefficient (step S92). The threshold value may be determined from medical evidence, user's own past data, or the like.
  • the threshold value may be set based on the causal intensity and correlation coefficient variation between the attention index and the other five indices.
  • the graph drawing unit 65 cuts an arc (causal relationship) in which the value of the causal intensity and / or the correlation coefficient is less than the threshold value set in step S92, and is connected to “index 5: blood pressure” that is the attention index. Only the index that has been left is left, and the nodes of other indices are deleted (step S93).
  • a partial network related to the attention index blood pressure
  • “index 4: weight” and “index 2: exercise” are detected as factors affecting blood pressure
  • “index 6: medical expenses” is detected as factors affecting blood pressure.
  • a solid arc indicates a positive correlation
  • a broken arc indicates a negative correlation.
  • information such as causal intensity, delay time, correlation coefficient, etc. is shown as additional information in each arc.
  • step S94 the support message generation unit 66 generates a support message related to health management based on information such as the name of each index, causal strength, delay time, and positive / negative of the correlation extracted in the partial network.
  • the following template is prepared in the support message pattern storage unit 67.
  • Example template T1: ⁇ C> of ⁇ FC> seems to have an influence on ⁇ C> of ⁇ FT>.
  • T2 It seems that ⁇ FT> is ⁇ C> by ⁇ FC> ⁇ C>, and the effect of ⁇ FC> appears after ⁇ AD> days.
  • T3 When ⁇ FT> is ⁇ C>, ⁇ FE> tends to be ⁇ C>. be careful.
  • step S95 a partial network graph (FIG. 10C) and a support message are displayed on the display device.
  • a partial network graph FIG. 10C
  • a support message By looking at such support information, the user can easily grasp how the indexes are related to each other, and can use it for his own health management.
  • the user records a plurality of indices such as meals, number of steps, weight, blood pressure, and pulse for a certain period (for example, more than one month), and the time series data and the causal relation data are already accumulated in the data accumulation unit 62. It is assumed that Hereinafter, as an example, a process of supporting exercise of a user using time series data and causal relationship data of the number of steps and blood pressure where a causal relationship has been found will be described.
  • the graph drawing unit 65 uses the time series data St (t) of the number of steps and the time series data Bp (t) of the blood pressure, the horizontal axis is time [day], and the vertical axis is A line graph is created with the number of steps [steps] and blood pressure [mmHg].
  • FIG. 11A is an example of a graph, where reference numeral 110 is a step count graph and reference numeral 111 is a blood pressure graph.
  • the graph drawing unit 65 acquires a time delay amount (delay time) sd between the number of steps and the blood pressure from the causal relationship data, and shifts the step number graph 110 to the right by the time delay amount sd (or the blood pressure).
  • the graph 111 may be shifted to the left by sd).
  • FIG. 11B is an example of the graph after the shift, and shows a graph of the number of steps where the reference numeral 112 is shifted to the right by sd.
  • a graph obtained by shifting one graph by the time delay amount sd as shown in FIG. 11B is referred to as a “time-stepped step count and blood pressure graph”.
  • the graph drawing unit 65 detects a positive exercise effect expression section SP-posi and a negative exercise effect expression section SP-negative from the time-stepped graph of the number of steps and blood pressure.
  • the positive exercise effect expression interval refers to the interval in which the number of steps increases and the blood pressure decreases in the timed step count and blood pressure graph, and the negative exercise effect expression interval in the graph, A section where the number of steps decreases and blood pressure increases.
  • FIG. 12 shows an example.
  • Sday and Eday are variables indicating the calculation start date and the calculation end date, respectively
  • Db and Ds are variables indicating the blood pressure change amount and the step number change amount, respectively.
  • Bp (t) and St (t) indicate the blood pressure and the number of steps on a certain day t (however, the number of steps St (t) is data shifted by the time delay amount sd).
  • appropriate values are set in advance for the following threshold values.
  • ThSpan Maximum period for calculating the amount of change (for example, 7 days).
  • ThDifBp A difference value (positive value, for example, 3 mmHg) for determining that the blood pressure has increased / decreased.
  • ThDifSt a difference value for determining that the number of steps has increased / decreased (positive value, for example, 1000 steps).
  • step S800 the graph drawing unit 65 substitutes 1 for the calculation start date Sday (step S800), and substitutes Sday + 1 for the calculation end date Eday (step S801). If there is step count / blood pressure data for the calculation end date Eday, the process proceeds to step S803, and if there is no step count / blood pressure data, the process proceeds to step S813 (step S802).
  • the graph drawing unit 65 calculates the blood pressure change amount Db and the step number change amount Ds between the calculation start date Sday and the calculation end date Eday by the following formula.
  • Db Bp (Eday) ⁇ Bp (Sday)
  • Ds St (Eday) ⁇ St (Sday)
  • the positive exercise effect expression section SP-posi is determined (step S805). Specifically, the graph drawing unit 65, when the blood pressure change amount Db satisfies the condition “Db ⁇ 1 ⁇ ThDifBp” and the step count change amount Ds satisfies the condition “Ds> ThDifSt” (step S805; YES) ), The section from Sday to Eday is recorded as SP-posi (step S806), and the process proceeds to step S811. When Db and Ds do not satisfy the above conditions (step S805; NO), it is determined that no positive exercise effect is manifested, and the process proceeds to step S807.
  • step S807 the negative exercise effect expression interval SP-negative is determined. Specifically, the graph drawing unit 65, when the blood pressure change amount Db satisfies the condition “Db> ThDifBp” and the step count change amount Ds satisfies the condition “Ds ⁇ 1 ⁇ ThDifSt” (step S807; YES) ), The section from Sday to Eday is recorded as SP-negative (step S808), and the process proceeds to step S811.
  • Db and Ds do not satisfy the above conditions (step S807; NO)
  • it is determined that the negative exercise effect is not manifested, and the process proceeds to step S809.
  • step S810 Eday is incremented by 1 (step S809), and the processing of steps S802 to S809 is repeated until Eday reaches ThSpan (step S810). That is, while extending the length of each section by one day (the shortest is one day and the longest is ThSpan), it is sequentially determined whether or not it corresponds to the exercise effect expression section. Accordingly, not only the number of steps per day and the change in blood pressure but also a macro change tendency within a relatively long period can be evaluated, so that the detection omission of the exercise effect expression section can be reduced.
  • the example detected as an exercise effect expression area by changing the length of an area is demonstrated using FIG.
  • FIG. 13 is a detection example of the positive exercise effect expression section SP-posi.
  • the number of steps St (t) tends to increase and the blood pressure Bp (t) tends to decrease.
  • step S813 the graph drawing unit 65 performs a process of combining the continuous sections if there is a continuous one among the plurality of detected motion effect expression sections. At this time, there is no connection between the positive exercise effect expression interval SP-posi and the negative exercise effect expression interval SP-negative.
  • FIG. 14 shows an example of combining continuous sections. The left graph of FIG. 14 shows detected SP-posi and SP-negative, and the right graph shows SP-posi and SP-negative combined with continuous sections. Note that only adjacent sections may be combined without any interval, but if the interval between the sections is extremely short (for example, about 1 to several days), they may be regarded as continuous sections and combined.
  • FIG. 15 is an example of a user support graph.
  • two graphs are displayed.
  • the graph on the left shows a step effect graph 152 in which time-series data of steps is plotted, a blood pressure graph 151 in which time-series data of blood pressure are plotted, an exercise effect graph 152 in which the step count graph 150 is shifted by a time delay amount, and a time Information 153 indicating the delay amount (3 days in this example) is drawn.
  • the graph on the right side is a graph in which a positive exercise effect expression interval 154 and a negative exercise effect expression interval 155 are drawn on the blood pressure graph 151 and the exercise effect graph 152.
  • FIG. 16 shows an example of a template stored in the support message pattern storage unit 67.
  • the support message pattern storage unit 67 includes a first table 160 in which a plurality of templates for the first message are registered, and a second table 161 in which a plurality of templates for the second message are registered. These templates may be registered in advance in the present system, or may be added, edited, or deleted by a system administrator or user. Each template is registered in association with a template selection condition.
  • the selection condition may be set using values such as the causal strength TEmax, the number of steps St, the blood pressure Bp, the step number change amount Ds, the blood pressure change amount Db, and the time delay amount sd.
  • the causal strength TEmax the causal strength
  • the blood pressure Bp the blood pressure Bp
  • the step number change amount Ds the blood pressure change amount Db
  • the time delay amount sd In the example of FIG.
  • the template for the first message is set with a selection condition that combines the condition of the causal intensity TEmax and the condition of the blood pressure change amount Db or the step number change amount Ds. Is set with a selection condition based on the causal intensity TEmax.
  • a character string sandwiched between “ ⁇ $” and “>” embedded in the template is a portion that is replaced with an actual value when a user support message is generated.
  • the support message generation unit 66 selects the second template from the first table 120, “Please pay attention to the period from February 5, 2013 to February 12, 2013. Your blood pressure has dropped by 14mmHg because you worked so hard! And the first template is selected from the second table 121, "You are the type that exercise effect appears in about 3 days" The second message is generated.
  • the generated user support message is combined into a predetermined region of the user support graph by the drawing combining unit 68 and output to a display device, an external terminal, or the like by the output unit 69.
  • FIG. 17 is a display example of support information. A first message is displayed at the top of the screen, and a second message is displayed at the top of the left graph. By viewing such support information, the user can know the delay characteristics of his / her own exercise effect and can intuitively confirm the effect due to exercise.
  • the causal relationship (negative correlation) between the increase / decrease in the step count and the change in blood pressure can be intuitively understood.
  • the positive exercise effect expression interval SP-posi is displayed, it can be easily understood that the increase in the number of steps (past effort) is directly related to the positive change in blood pressure (that is, the decrease in blood pressure). Motivation for implementation and continuation can be obtained.
  • the display of the negative exercise effect expression interval SP-negative makes it easy to grasp that a decrease in the number of steps (past laziness) is directly linked to a negative change in blood pressure (that is, an increase in blood pressure). This has the effect of prompting the user to reflect and notifying the necessity of continuous exercise.
  • the correlation coefficient in the linear regression is used as the correlation information between the cause index and the result index.
  • the correlation between the two indices can be evaluated by other methods. For example, if two indices X and Y are not in a linear relationship, but are in a relationship that can be fitted with a nonlinear expression, conversion to one of the indices will result in a linear problem, and two in the same way. It is also possible to evaluate the correlation coefficient of two indicators. For example, a regression analysis method such as logistic regression can be preferably used.
  • causal network generation system 1 causal network generation system 1
  • 10 time series data acquisition unit
  • 11 causal relationship evaluation unit
  • 12 causal relationship data output unit
  • 6 health management support system
  • 60 index recording unit
  • 61 data transmission unit
  • 62 Data storage unit
  • 63 causal network generation unit
  • 64 data acquisition unit
  • 65 graph drawing unit
  • 66 support message generation unit
  • 67 support message pattern storage unit
  • 68 drawing composition unit
  • 70 Device
  • 71 Pedometer
  • Sphygmomanometer 80 Online storage
  • 81 Terminal
  • 82 Cloud server
  • 83 Terminal

Abstract

　因果関係を表現する対象を特定するための対象識別情報と、前記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るべき複数個の指標ごとの指標識別情報と、前記複数個の指標の中から選択した異なる２つの指標の組ごとの因果関係情報と、を含み、前記因果関係情報は、前記２つの指標のうちのどちらが原因指標でどちらが結果指標であるかを表す方向情報と、前記原因指標と前記結果指標のあいだの因果強度を表す強度情報と、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表す時間情報と、前記原因指標の増減に対する前記結果指標の変化の方向を表す相関情報と、を含むデータ構造により、因果関係を表現する。

Description

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
　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、因果関係を表現する対象を特定するための対象識別情報と、前記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複数個の指標それぞれの指標識別情報と、前記複数個の指標の中から選択した異なる２つの指標の組ごとの因果関係情報と、を含み、前記因果関係情報は、前記２つの指標のうちのどちらが原因指標でどちらが結果指標であるかを表す方向情報と、前記原因指標と前記結果指標のあいだの因果強度を表す強度情報と、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表す時間情報と、前記原因指標の増減に対する前記結果指標の変化の方向を表す相関情報と、を含むことを特徴とする因果関係のデータ構造である。請求項１に係る発明によれば、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できる。
　請求項２に係る発明は、前記強度情報は、前記原因指標の変化と、前記時間情報で表された遅延時間後の前記結果指標の変化とのあいだの因果強度を表すものであることを特徴とする請求項１に記載の因果関係のデータ構造である。請求項２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因果強度を表すことができる。
　請求項３に係る発明は、前記時間情報は、前記原因指標と前記結果指標のあいだの因果強度が最大となる遅延時間を表し、前記強度情報は、前記原因指標と前記結果指標のあいだの最大の因果強度を表すものであることを特徴とする請求項２に記載の因果関係のデータ構造である。請求項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因果強度を表すことができる。また、指標の組み合わせごとの因果強度の違いや遅延時間の違いを明確に表すことができる。
　請求項４に係る発明は、前記時間情報は、第１から第ｎのｎ個（ｎは２以上の整数）の遅延時間の情報を含み、前記強度情報は、前記第１から第ｎの遅延時間それぞれに対応するｎ個の因果強度の情報を含むことを特徴とする請求項２に記載の因果関係のデータ構造である。請求項４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因果強度を表すことができる。また、指標の組み合わせごとの因果強度の違いや遅延時間の違い、さらには遅延時間ごとの因果強度の変化も明確に表すことができる。
　請求項５に係る発明は、前記相関情報は、前記原因指標の値と、前記時間情報で表された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表すものであることを特徴とする請求項１～４のうちいずれか１項に記載の因果関係のデータ構造である。請求項５に係る発明によれば、原因指標の増加／減少に対する結果指標の変化の方向（正の相関か負の相関か）に加え、相関の強さも明確に表すことができる。
　請求項６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と時間ｓ後の前記結果指標の変化とのあいだの因果強度を、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因果強度、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る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６に係る発明によれば、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因果ネットワークを生成することができる。
　請求項７に係る発明は、前記因果関係評価部は、前記原因指標と前記結果指標のあいだの因果強度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因果強度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因果強度の情報を含むことを特徴とする請求項６に記載の因果ネットワーク生成システムである。請求項７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因果強度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８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因果強度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個の因果強度の情報を含むことを特徴とする請求項６又は７に記載の因果ネットワーク生成システムである。請求項８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因果強度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因果強度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９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６～８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９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。
　請求項１０に係る発明は、前記因果関係評価部は、移動エントロピーを用いて前記原因指標と前記結果指標のあいだの因果強度を求めることを特徴とする請求項６～９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１０に係る発明によれば、移動エントロピーを用いることで時間遅れを伴う因果関係及びその因果強度を適切に求めることができる。
　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 JPOXMLDOC01-appb-M000001
　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Ｂｐ（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 (10)

  1. 　因果関係を表現する対象を特定するための対象識別情報と、
    　前記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複数個の指標それぞれの指標識別情報と、
    　前記複数個の指標の中から選択した異なる２つの指標の組ごとの因果関係情報と、を含み、
    　前記因果関係情報は、
    　　前記２つの指標のうちのどちらが原因指標でどちらが結果指標であるかを表す方向情報と、
    　　前記原因指標と前記結果指標のあいだの因果強度を表す強度情報と、
    　　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表す時間情報と、
    　　前記原因指標の増減に対する前記結果指標の変化の方向を表す相関情報と、
    を含むことを特徴とする因果関係のデータ構造。
  2. 　前記強度情報は、前記原因指標の変化と、前記時間情報で表された遅延時間後の前記結果指標の変化とのあいだの因果強度を表すものである
    ことを特徴とする請求項１に記載の因果関係のデータ構造。
  3. 　前記時間情報は、前記原因指標と前記結果指標のあいだの因果強度が最大となる遅延時間を表し、
    　前記強度情報は、前記原因指標と前記結果指標のあいだの最大の因果強度を表すものである
    ことを特徴とする請求項２に記載の因果関係のデータ構造。
  4. 　前記時間情報は、第１から第ｎのｎ個（ｎは２以上の整数）の遅延時間の情報を含み、
    　前記強度情報は、前記第１から第ｎの遅延時間それぞれに対応するｎ個の因果強度の情報を含む
    ことを特徴とする請求項２に記載の因果関係のデータ構造。
  5. 　前記相関情報は、前記原因指標の値と、前記時間情報で表された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表すものである
    ことを特徴とする請求項１～４のうちいずれか１項に記載の因果関係のデータ構造。
  6. 　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と時間ｓ後の前記結果指標の変化とのあいだの因果強度を、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因果強度、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る
    ことを特徴とする因果ネットワーク生成システム。
  7. 　前記因果関係評価部は、前記原因指標と前記結果指標のあいだの因果強度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因果強度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因果強度の情報を含む
    ことを特徴とする請求項６に記載の因果ネットワーク生成システム。
  8. 　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因果強度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個の因果強度の情報を含む
    ことを特徴とする請求項６又は７に記載の因果ネットワーク生成システム。
  9. 　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６～８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。
  10. 　前記因果関係評価部は、移動エントロピーを用いて前記原因指標と前記結果指標のあいだの因果強度を求める
    ことを特徴とする請求項６～９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。
PCT/JP2015/053336 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 WO2015122362A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
SG11201606221WA SG11201606221WA (en) 2014-02-14 2015-02-06 Causal network generating system and causal relation data structure
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
EP15749101.0A EP3106998A4 (en) 2014-02-14 2015-02-06 Causal network generating system and causal relation data structure
US15/115,105 US10546239B2 (en) 2014-02-14 2015-02-06 Causal network generation system and data structure for causal relationship

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2014-026160 2014-02-14
JP2014026160A JP6354192B2 (ja) 2014-02-14 2014-02-14 因果ネットワーク生成システム

Publications (1)

Publication Number Publication Date
WO2015122362A1 true WO2015122362A1 (ja) 2015-08-20

Family

ID=53800109

Family Applications (1)

Application Number Title Priority Date Filing Date
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

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)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105468703A (zh) * 2015-11-18 2016-04-06 章斌 一种原因追溯方法
WO2017055073A1 (en) * 2015-09-29 2017-04-06 Asml Netherlands B.V. Methods of modelling systems or performing predictive maintenance of lithographic systems
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
WO2018168299A1 (ja) * 2017-03-14 2018-09-20 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
CN110659399A (zh) * 2018-06-28 2020-01-07 中国标准化研究院 突发事件演化图显示方法和装置
CN112016689A (zh) * 2019-05-28 2020-12-01 株式会社日立制作所 信息处理装置、预测判别系统以及预测判别方法
CN113222207A (zh) * 2021-02-24 2021-08-06 重庆邮电大学 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
CN114664452A (zh) * 2022-05-20 2022-06-24 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

Families Citing this family (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11182680B2 (en) * 2015-11-13 2021-11-23 International Business Machines Corporation Using ontology for cause-effect analysis
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
JP6545397B2 (ja) * 2017-03-13 2019-07-17 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
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
US11960839B2 (en) * 2017-11-06 2024-04-16 Resonac Corporation Cause-effect sentence analysis device, cause-effect sentence analysis system, program, and cause-effect sentence analysis method
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
JP7027022B2 (ja) * 2017-12-27 2022-03-01 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
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
WO2020243965A1 (en) * 2019-06-06 2020-12-10 Nec Corporation Causal analysis
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
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
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

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007066058A (ja) * 2005-08-31 2007-03-15 Toshiba Corp 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
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
JP2009116842A (ja) * 2007-03-09 2009-05-28 Omron Corp 要因推定支援装置およびその制御方法、ならびに要因推定支援プログラム

Family Cites Families (11)

* 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
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
WO2015075835A1 (ja) * 2013-11-25 2015-05-28 栗田工業株式会社 水処理設備の制御方法及び制御プログラム並びに水処理システム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007066058A (ja) * 2005-08-31 2007-03-15 Toshiba Corp 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
JP2009116842A (ja) * 2007-03-09 2009-05-28 Omron Corp 要因推定支援装置およびその制御方法、ならびに要因推定支援プログラム
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KAZUKI KOMURA ET AL.: "Ido Entropy o Mochiita Meigara-kan no Eikyodo Network no Bunseki", THE JAPANESE SOCIETY FOR ARTIFICIAL INTELLIGENCE KENKYUKAI SHIRYO, 22 January 2014 (2014-01-22), pages 22 - 27, XP008183287 *
See also references of EP3106998A4 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI689799B (zh) * 2015-09-29 2020-04-01 荷蘭商Ａｓｍｌ荷蘭公司 模型化系統或執行諸如微影系統之系統之預測維修的方法及相關聯微影系統
WO2017055073A1 (en) * 2015-09-29 2017-04-06 Asml Netherlands B.V. Methods of modelling systems or performing predictive maintenance of lithographic systems
KR20180059898A (ko) * 2015-09-29 2018-06-05 에이에스엠엘 네델란즈 비.브이. 리소그래피 시스템들과 같은 시스템들을 모델링하거나 시스템들의 예측 유지보수를 수행하는 방법들, 및 연계된 리소그래피 시스템들.
US11543814B2 (en) 2015-09-29 2023-01-03 Asml Netherlands B.V. Methods of modelling systems or performing predictive maintenance of lithographic systems
TWI649650B (zh) * 2015-09-29 2019-02-01 荷蘭商Ａｓｍｌ荷蘭公司 模型化系統或執行諸如微影系統之系統之預測維修的方法及相關聯微影系統
KR102149866B1 (ko) * 2015-09-29 2020-09-01 에이에스엠엘 네델란즈 비.브이. 리소그래피 시스템들과 같은 시스템들을 모델링하거나 시스템들의 예측 유지보수를 수행하는 방법들, 및 연계된 리소그래피 시스템들.
CN105468703A (zh) * 2015-11-18 2016-04-06 章斌 一种原因追溯方法
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
JP2018149190A (ja) * 2017-03-14 2018-09-27 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
CN110520039A (zh) * 2017-03-14 2019-11-29 欧姆龙株式会社 信息处理装置、信息处理方法及其程序
CN110520039B (zh) * 2017-03-14 2022-02-25 欧姆龙株式会社 信息处理装置、信息处理方法及其程序
WO2018168299A1 (ja) * 2017-03-14 2018-09-20 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
CN110659399A (zh) * 2018-06-28 2020-01-07 中国标准化研究院 突发事件演化图显示方法和装置
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
CN112016689A (zh) * 2019-05-28 2020-12-01 株式会社日立制作所 信息处理装置、预测判别系统以及预测判别方法
CN112016689B (zh) * 2019-05-28 2023-08-18 株式会社日立制作所 信息处理装置、预测判别系统以及预测判别方法
CN113222207A (zh) * 2021-02-24 2021-08-06 重庆邮电大学 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
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
CN114664452A (zh) * 2022-05-20 2022-06-24 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

Also Published As

Publication number Publication date
CN105934754A (zh) 2016-09-07
EP3106998A4 (en) 2017-07-12
US20170220937A1 (en) 2017-08-03
US10546239B2 (en) 2020-01-28
EP3106998A1 (en) 2016-12-21
SG11201606221WA (en) 2016-09-29
JP2015153133A (ja) 2015-08-24
JP6354192B2 (ja) 2018-07-11

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
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
van der Heijden et al. An autonomous mobile system for the management of COPD
Ridgers et al. Assessing free-living physical activity using accelerometry: Practical issues for researchers and practitioners
Janssen et al. Issues related to measuring and interpreting objectively measured sedentary behavior data
JP5219700B2 (ja) 生体指標管理装置
JP2010026855A (ja) 健康状態判断装置
Lafta et al. An intelligent recommender system based on predictive analysis in telehealthcare environment
Aranki et al. The feasibility and usability of runningcoach: A remote coaching system for long-distance runners
Park et al. Simple fixed-effects inference for complex functional models
JP6343939B2 (ja) 健康管理支援システム
Black et al. Assessing vaccine safety during a pandemic: Recent experience and lessons learned for the future
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
KR20180053983A (ko) 치매환자 관리방법
Habibi Classification of Pregnancy Apps in Medical Technology Despite the Coronavirus
Punnoose et al. Comparative evaluation of two systems for integrating biometric data from self-quantification
US20190320971A1 (en) User terminal, server, improvement proposal creation method, and state data generation method
US20220027686A1 (en) Data processing apparatus, data processing method, and program
Jia A Cox-based Risk Prediction Model for Early Detection of Cardiovascular Disease
Nielson Chronic obstructive pulmonary disease remote patient monitoring using spirometry: a systematic review

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15749101

Country of ref document: EP

Kind code of ref document: A1

REEP Request for entry into the european phase

Ref document number: 2015749101

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 15115105

Country of ref document: US

Ref document number: 2015749101

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE