WO2022004404A1 - 関係性推定システム - Google Patents

関係性推定システム Download PDF

Info

Publication number
WO2022004404A1
WO2022004404A1 PCT/JP2021/023005 JP2021023005W WO2022004404A1 WO 2022004404 A1 WO2022004404 A1 WO 2022004404A1 JP 2021023005 W JP2021023005 W JP 2021023005W WO 2022004404 A1 WO2022004404 A1 WO 2022004404A1
Authority
WO
WIPO (PCT)
Prior art keywords
time
relationship
series data
nodes
processing unit
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.)
Ceased
Application number
PCT/JP2021/023005
Other languages
English (en)
French (fr)
Inventor
亮一 新熊
仁 野々上
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.)
Veldt Inc
Kyoto University
Original Assignee
Veldt Inc
Kyoto University
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 Veldt Inc, Kyoto University filed Critical Veldt Inc
Priority to US18/014,279 priority Critical patent/US20230260646A1/en
Publication of WO2022004404A1 publication Critical patent/WO2022004404A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/904—Browsing; Visualisation therefor
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/288—Entity relationship models
    • 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

Definitions

  • the present invention relates to a relationship estimation system that estimates relationships of attributes that are meaningful to a person based on time-series data of attributes related to the person's body or activity.
  • various wearable devices such as eyeglasses, wristwatches, and wristbands that can be worn on the human body have appeared, and the devices are equipped with them just by wearing them in daily life.
  • a health management mechanism called “Google Fit (registered trademark)" for Android terminals and “health care” for iOS terminals is prepared. There is.
  • “Google Fit” can collectively store and refer to information related to fitness data provided by Google Inc. across devices and application users.
  • activity information, position information data, body measurement values, nutrition information, and sleep information can be recorded by using the position information and various sensors of the Android terminal.
  • “health care” can record activity information, vital information, body measurement values, reproductive health information, test results, nutrition information, mindfulness, sleep information, etc. from the position information of the terminal and various sensors, and is a third party. It is possible to read and save the information recorded in "Healthcare” from the app.
  • the present invention has been made in view of the above-mentioned problems, and is a relationship that can estimate the relationship of attributes that are meaningful to the person based on the time-series data of the attributes related to the person's body or activity.
  • the purpose is to provide an estimation system.
  • the present invention is a data acquisition unit that acquires time-series data of a plurality of attributes including at least time-series data of attributes related to a person's body or activity, and is acquired by the data acquisition unit.
  • a relationship graph is generated in which the time-series data processing unit that calculates the similarity between the time-series data of each attribute and the time-series data attributes acquired by the data acquisition unit are used as nodes and the nodes are connected by a link.
  • the relationship graph generation unit that uses the similarity between the time-series data of the attributes calculated by the time-series data processing unit to calculate the weight of the link between the nodes, and the relationship generated by the relationship graph generation unit.
  • a node data processing unit that extracts nodes with a large overall link weight and a relationship estimation unit that estimates the relationship between the corresponding attributes between the nodes extracted by the node data processing unit. It is characterized by being prepared.
  • the relationship graph generation unit may generate a relationship graph using the similarity between the time-series data of the attributes calculated by the time-series data processing unit as the weight of the link between the nodes.
  • the node data processing unit calculates a plurality of routes having a large link weight for each node in the relationship graph generated by the relationship graph generation unit, and based on the link weight of each route. It is preferable to extract between nodes with a large overall link weight.
  • the node data processing unit calculates the total link weight between the nodes by calculating the link weight for each route between the nodes.
  • the node data processing unit calculates the total weight of the link between the nodes by adding the reciprocal of the length of the link for each route between the nodes as the weight of the link.
  • the causal relationship processing unit calculates the positive / negative polarities of the correlation between the time-series data of the attributes and the time lag.
  • the node data processing unit directs the link between the nodes in the relationship graph based on the causal relationship between the nodes calculated by the causal relationship processing unit.
  • the relationship estimation unit estimates the relationship between the corresponding attributes between the nodes based on the causal relationship between the nodes calculated by the causal relationship processing unit.
  • the data acquisition unit is measured or input by the time-series data of the attributes measured by the sensor of the external Iot device, the time-series data of the attributes of the external Web service, and the information terminal device equipped with this system. It is preferable to acquire time series data including at least one of the attribute time series data.
  • time-series data processing unit normalizes the time-series data of each attribute acquired by the data acquisition unit.
  • the present invention is an information terminal device characterized in that the above-mentioned relationship estimation system is installed.
  • the present invention includes the above-mentioned plurality of information terminal devices and a server device connected to each information terminal device via a network, and the server device includes time-series data of attributes collected from each information terminal device. It is a relationship estimation system characterized by generating a relationship graph based on.
  • time-series data of an attribute related to a person's body or activity is collected, the similarity between the time-series data of the attribute is calculated, the attribute is a node, and the similarity is a link weight, and the node is linked.
  • the nodes having a large total link weight between the nodes in the relationship graph are extracted, and the relationship between the corresponding attributes between the nodes is estimated. Therefore, consider not only the direct link route for which the similarity is calculated between the nodes of the relationship graph, but also the comprehensive link route including the indirect link route via other nodes. However, by extracting the nodes with a large weight of the comprehensive link route, it is possible to accurately estimate the relationships between the attributes that are meaningful to humans.
  • FIG. 1 It is a flowchart which shows the operation of a relation estimation system. It is a figure which shows the outline of the relation estimation system which concerns on Example 2. FIG. It is a figure which shows the outline of the relation estimation system which concerns on Example 2. FIG. It is a figure which shows the outline of the relation estimation system which concerns on Example 3. FIG.
  • this system includes an information terminal device 1 of a user such as a smartphone or a robot, an IoT device 2 that measures time-series data of various attributes, and an external Web service that provides time-series data of various attributes. 3 and a server device 4 that collects time-series data of the attributes of each information terminal device 1, and the information terminal device 1 and the server device 4, the IoT device 2, or the external Web service 3 connect to a network such as the Internet. Connected via.
  • a network such as the Internet
  • the IoT device 2 measures time-series data (healthcare data, life log) of one or more types of attributes related to the body and activity of a user (person), and measures time-series data of each attribute. It includes a sensor unit 21 and a communication unit 22 that transmits time-series data of each attribute measured by the sensor unit 21 to the information terminal device 1.
  • the IoT device 2 includes, for example, wearable devices such as eyeglass-type, wristwatch-type, and wrist-type that the user can wear.
  • the sensor include a two-dimensional image sensor such as a camera, a three-dimensional image sensor such as LIDAR (Light Detection and Ringing), an acceleration sensor, and all other sensors that measure time-series data of various attributes.
  • LIDAR Light Detection and Ringing
  • an acceleration sensor and all other sensors that measure time-series data of various attributes.
  • the types of time-series data of attributes measured by the IoT device 2 will be described in the configuration of the information terminal device 1 described later.
  • the external Web service 3 collects and provides time-series data of one or more types of attributes mainly related to events such as nature, society, or economy such as climate, environment, and place, and each collected data is provided.
  • the time series data of the attribute is transmitted to the information terminal device 1.
  • Examples of the external Web service 3 include a meteorological database, an ocean database, a traffic database, a stock database, and the like.
  • the types of time-series data of attributes provided by the external Web service 3 will be described in the configuration of the information terminal device 1 described later.
  • the server device 4 receives time-series data of various attributes other than personal information from the information terminal device 1 of a large number of users, and generates an aggregate relationship graph (model), and various attributes of a large number of users.
  • a learning unit 41 that generates a relationship graph (model) based on the time-series data of the above, a storage unit 42 that stores a relationship graph (model) and time-series data, and a communication unit 43 that communicates with the information terminal device 1. And prepare.
  • a relationship graph is generated based on the average value of the time series data of each attribute of a large number of users. According to this, when the time series data of the attribute of a certain user is missing, the loss can be compensated by using the average relation graph. In addition, by comparing the average relationship graph and the individual relationship graph, it is possible to show the user how far they are from the general public.
  • the information terminal device 1 is a device such as a smartphone, a tablet terminal, or a robot, and as shown in FIG. 2, a user interface unit 11 that serves as an interface with a user and a data input / output unit that executes data input / output. 12, a data acquisition unit 13 that acquires time-series data of each attribute, an algorithm processing unit 14 that processes a predetermined algorithm, a storage unit 15 that stores time-series data of each attribute, a relationship graph, and the like, and an external device.
  • a communication unit 16 that executes communication via the network and a data extraction unit 17 that extracts various data are provided.
  • the information terminal device 1 stores and executes predetermined OS data and application data by an internal CPU or the like.
  • the user interface unit 11 is, for example, a display screen of a smartphone or the like, and has an input function for performing various operations by the user and an output function for presenting various information to the user.
  • the data input / output unit 12 transmits the input data input by the user interface unit 11 to the algorithm processing unit 14, and transmits the output data obtained from the algorithm processing unit 14 to the user interface unit 11.
  • the data acquisition unit 13 acquires time-series data of each attribute from outside the terminal or inside the terminal, and includes a first data acquisition unit 131, a second data acquisition unit 132, and a third data acquisition unit 133. Be prepared.
  • the first data acquisition unit 131 acquires time-series data of each attribute measured by the IoT device 2 such as a wearable device. Further, the second data acquisition unit 132 acquires time-series data of each attribute from the external Web service 3. Further, the third data acquisition unit 133 acquires time-series data of each attribute measured or input by the application of the information terminal device 1.
  • each attribute belonging to the climate time series, the environmental condition time series, the place categorical, the habit categorical, the habit time series, the vital data time series, and the physical condition categorical Time series data can be mentioned.
  • time-series data of attributes related to location categorical, habit categorical, habit time-series, vital data time-series, and physical condition categorical are often acquired from the IoT device 2 by the first acquisition unit.
  • the time-series data related to the attributes of the climate time-series and the environmental condition time-series are often acquired from the external Web service 3 by the second data acquisition unit 132.
  • time-series data of the attributes related to the vital data time-series may be acquired from the information terminal device 1 by the third data acquisition unit 133.
  • the acquisition of time-series data of each of these attributes is an example, and time-series data of various types of attributes may be acquired.
  • the third data acquisition unit 133 uses a data automatic input plug-in to specify each attribute in applications such as a health kit, calendar, external weather data, sleep application, and life log application installed in the information terminal device 1. It automatically acquires time-series data, and manually acquires time-series data of attributes related to physical condition, exercise, hygiene, diet, location, unique settings, memos, and so on. For example, as an example of manually acquiring time-series data of each attribute, as shown in FIG. 4, set the unit of one routine by yourself and input it in units of 0.5 routine, 1.5 routine, and the like. You can enter habitual times such as lunch, cleaning, and hand washing, or enter your daily physical condition (if you have any illness, its symptoms).
  • applications such as a health kit, calendar, external weather data, sleep application, and life log application installed in the information terminal device 1. It automatically acquires time-series data, and manually acquires time-series data of attributes related to physical condition, exercise, hygiene, diet, location, unique settings, memos, and so on.
  • time-series data of specific attributes acquired by the data acquisition unit 13 are listed as time-series data of specific attributes acquired by the data acquisition unit 13.
  • ⁇ Asleep Sleep time ⁇ temperature_min: Minimum temperature of the day ⁇ Efficiency: Sleep efficiency (sleep time / bedtime-wake-up time) ⁇ WakingBPM_diff: Daily change (difference) in heart rate (Beats per minute) when waking up ⁇ Quality: Sleep quality ⁇ dayBPM: Daytime heart rate (Beats per minute) ⁇ WakingBPM: Heart rate when waking up (Beats per minute) ⁇ Pressure_noon_diff: Daily change in barometric pressure (difference) ⁇ Hrv: Heart rate variability ⁇ deep: Deep sleep time ⁇ asleep_diff: Daily change in sleep time (difference)
  • the algorithm processing unit 14 has a time-series data processing unit 141 that calculates the similarity between time-series data of attributes, a relationship graph generation unit 142 that generates a relationship graph, and a comprehensive link in the relationship graph. It includes a node data processing unit 143 that extracts between nodes with a large weight, a causal relationship processing unit 144 that calculates a causal relationship between nodes, and a relationship estimation unit 145 that estimates the relationship between attributes.
  • the time-series data processing unit 141 calculates the degree of similarity between the time-series data of each attribute acquired by the data acquisition unit 13.
  • the time-series data processing unit 141 calculates the similarity between the time-series data of each attribute by using DTW (Dynamic Time Warping).
  • DTW Dynamic Time Warping
  • the path where the distance between the series is the shortest is found, and this is the distance of DTW. Therefore, even if the periodicity and length of the time series data of the two attributes are different, the distance of DTW can be defined, and the larger the degree of similarity, the shorter (closer) the distance.
  • the time-series data processing unit 141 normalizes the acquired time-series data of each attribute in advance. For example, in the case of time-series data of temperature, it is -5 degrees to 40 degrees, while in the case of time-series data of the number of steps per day, it is 0 to 20,000 steps. Is very different, so normalize to a certain range (eg, range from 0 to 1).
  • the relationship graph generation unit 142 uses each attribute of the time series data acquired by the data acquisition unit 13 as a node, and the time series data of each attribute calculated by the time series data processing unit 141. Using the similarity between nodes as the weight of the direct link between the nodes, an undirected relationship graph is generated in which each node is connected by a link.
  • G is a relation graph
  • l is a link
  • n is a node.
  • each node has a plurality of routes directly and indirectly connected by one or a plurality of links, and the total weight of each link on the route constitutes the weight of the link of the route.
  • the sum of the link weights for each route between the nodes constitutes the overall link weights between the nodes.
  • the length of the link is adopted as the weight of the link between the nodes, and the shorter the length of the link, the larger the weight of the link.
  • the link between each node of the relationship graph is oriented, and this direction is determined by the causal relationship processing unit 144 described later, after the causal relationship between the nodes is calculated, and then the node data processing unit. Since the orientation is given by 143, the orientation of the link is not given at the beginning when the relationship graph is generated.
  • the node data processing unit 143 is one or a plurality of routes (in the present embodiment, the first to the third) in which the weight of the link of the route is large for each node in the relationship graph generated by the relationship graph generation unit 142. Route to) is calculated.
  • FIG. 6 shows a table showing the weights of the route links between each node in a certain relationship graph.
  • source is the original node (attribute)
  • target is the target node (attribute) of “source”
  • dis is the weight of the direct link between the nodes (link length).
  • K1path is routes with a large weight of the first to third links between nodes (the shortest route from the first to the third)
  • i_k1dist “i_k2dist” and "i_k3dist” are.
  • the weights of the links of the 1st to 3rd routes between the nodes (reciprocal length of the link lengths of the routes), "i_ksum” is the sum of the weights of the links of the 1st to 3rd routes between the nodes (of the routes).
  • the reciprocal of the length of the link of the route (route length) is taken as the weight of the link of the route, because the shorter the route length is, the larger the total score is.
  • the larger the total score of the link weights of the routes the larger the number of routes (short routes) with the larger link weights between the nodes, and the larger the total link weights.
  • the node data processing unit 143 has one or a plurality of routes having a large overall link weight based on one or a plurality of routes having a large link weight calculated for each node by the node data processing unit 143. Extract between the nodes of.
  • the node data processing unit 143 uses the total sum "i_ksum" of the link weights of the first to third routes calculated for each node as the total link weight between the nodes. , Extract the nodes with the highest total link weight. For example, according to FIG. 6, since the total sum of the weights of the route links in the first column of FIG. 6 “i_ksum” is large, the nodes of “sleep” and “quality” in the first column. Extract the space between nodes with a large total link weight.
  • the causal relationship processing unit 144 calculates the causal relationship between the nodes of the relationship graph.
  • the causal relationship processing unit 144 calculates the correlation between the time-series data of each attribute (the positive / negative polarity of the correlation and the time lag), thereby corresponding to the relationship between the time-series data of each attribute. Calculate the causal relationship between the nodes of the sex graph.
  • FIG. 7 shows a table showing the causal relationship between the attribute of "source” and the attribute of "taget".
  • “Sign” is a numerical representation of the correlation between the time-series data of the "source” attribute and the time-series data of the "target” attribute.
  • “1” is a positive correlation and "-1” is a positive correlation. It is a negative correlation. If there is a positive correlation between attributes, the larger one attribute is, the larger the other attribute is. On the other hand, if there is a negative correlation between attributes, the larger one attribute is, the smaller the other attribute is. There is a relationship.
  • timing_delay represents a time lag between time-series data of each attribute, and if the attribute of "target” is delayed with respect to “source”, “source” is a factor. , If the attribute of "source” is delayed with respect to “taget”, “taget” becomes a factor.
  • the attribute of "sleep” has a positive correlation with the attribute of "quality”, and the time lag is 0.
  • the time-series data of the "source” attribute and the time-series data of the "target” attribute may be superimposed or expressed, or the time-series of any of the attributes.
  • There is a method of calculating the correlation by comparing the time-series data of the attributes with each other by inverting the data and expressing it in an overlapping manner or by staggering the notation in time.
  • FIG. 8A shows a time series of the attribute of "step_count” with respect to the time series data of the attribute of "step_count (step count)” and the time series data of the attribute of "dayBPM (heart rate during the day)". The data is shown one day off in the future. According to FIG. 8A, since the undulations of the time-series data of the attribute of "step_count (step count)" and the time-series data of the attribute of "dayBPM (daytime heart rate)" are generally similar, "step_count”.
  • step_count (step count)” attribute is the “dayBPM (daytime heart rate)” attribute one day later. It is understood that it becomes a factor of.
  • FIG. 8B shows the time-series data of the attribute of "step_count (step count)” and the time-series data of the attribute of "dayBPM (daytime heart rate)" of “step_count (step count)”.
  • step_count step count
  • dayBPM daytime heart rate
  • the causal relationship processing unit 144 does not necessarily have to calculate the causal relationship between all the nodes, for example, only the causal relationship between the nodes with a large total link weight extracted by the node data processing unit 143. You may calculate.
  • the node data processing unit 143 faces the link between each node based on the causal relationship between the nodes of the relationship graph calculated by the causal relationship processing unit 144 (arrow).
  • the element of is the factor / the tip of the arrow is the result).
  • the relationship estimation unit 145 estimates the relationship between the corresponding attributes between the nodes extracted by the node data processing unit 143. For example, when the node data processing unit 143 extracts between the nodes of "asleep (sleep time)" and “quality (sleep quality)", the relationship estimation unit 145 uses “asleep (sleep time)” and “quality (sleep time)”. It is presumed that there is a relationship or strong relationship between the attributes of "sleep quality)".
  • an arrow (“sleep time” is the source of the arrow, “quality (” When “sleep quality” is attached to the tip of the arrow), it is presumed that “sleep (sleep time)” affects “quality (sleep quality)”.
  • the causal relationship processing unit 144 calculates the "estimated_day” (time lag) of "sleep (sleep time)” and “quality (sleep quality)” to be one day, “sleep (sleep time)”. It is presumed that it affects "quality (quality of sleep)” after one day has passed.
  • the relationship estimation unit 145 estimates the relationship between the attributes, as shown in FIG. 9, the relationship between the attributes is output as a sentence (right side in FIG. 9) on the screen of the user interface unit 11. It can be output as an intuitive graph (in the screen on the left side of FIG. 9).
  • the data extraction unit 17 transmits time-series data of each attribute and a relationship graph to the server device 4 via the communication unit 16, and various information received from the server device 4 via the communication unit 16. Is extracted and transmitted to the algorithm processing unit 14.
  • the data acquisition units 13 are time-series data of a plurality of types of attributes from the IoT device 2 or the external Web service 3 outside the terminal or the application inside the terminal. (S1).
  • the time-series data processing unit 141 calculates the similarity between the time-series data of each attribute after pre-normalizing the time-series data of each attribute acquired by the data acquisition unit 13 (S2) (S2). S3).
  • the relationship graph generation unit 142 uses each attribute of the time series data as a node, and the similarity of the time series data of each attribute calculated by the time series data processing unit 141 as the weight of the link between the nodes. Generate an undirected relationship graph in which each node is connected by a link (S4).
  • the node data processing unit 143 calculates one or a plurality of routes (shortest routes) having a large link weight for each node in the relationship graph generated by the relationship graph generation unit 142 (S5).
  • the node data processing unit 143 extracts between one or a plurality of nodes having a large overall link weight based on one or a plurality of routes having a large link weight calculated for each node. (S6).
  • the causal relationship processing unit 144 calculates the causal relationship between each node of the relationship graph corresponding to each attribute by calculating the correlation between the time series data of each attribute (S7).
  • the node data processing unit 143 establishes a link between each node of the relationship graph based on the causal relationship between each node of the relationship graph calculated by the causal relationship processing unit 144.
  • the relationship estimation unit 145 estimates the relationship between the attributes corresponding to the nodes extracted by the node data processing unit 143. At this time, the relationship estimation unit 145 may estimate the relationship between the attributes based on the direction of the link attached to the relationship graph, or the causal relationship between the nodes calculated by the causal relationship processing unit 144. Relationships between attributes may be estimated directly based on (factors and results, time lag). Further, the relationship estimation unit 145 outputs the relationship between each attribute as a sentence (on the right side of FIG. 9) on the screen of the interface unit, or outputs it as an intuitive graph (in the screen on the left side of FIG. 9). (S9).
  • the causal relationship processing unit 144 for calculating the causal relationship between the nodes is provided, but the causal relationship processing unit 144 may not be provided.
  • the relationship estimation unit 145 estimates the relationship between the attributes extracted by the node data processing unit 143
  • the relationship estimation unit 145 estimates only that there is some relationship between the attributes.
  • the node data processing unit 143 directs the links between the nodes of the relationship graph based on the causal relationship between the nodes calculated by the causal relationship processing unit 144, but the nodes of the relationship graph. It is not necessary to add the direction of the link between them.
  • the relationship estimation unit 145 may directly estimate the relationship between the corresponding attributes between the nodes based on the causal relationship between the nodes calculated by the causal relationship processing unit 144.
  • the relationship graph generation unit 142 uses the similarity between the time-series data of the attributes calculated by the time-series data processing unit 141 as the weight of the link between the nodes, but the time-series data of the attributes is obtained by another method.
  • the similarity between the nodes may be used to calculate the weight of the link between the nodes.
  • the similarity between time-series data of attributes is used as the weight of the node itself, and the node itself defines the weight (distance) by a gravity model or the like.
  • Example 1 (Example 1) Next, Example 1 of the present invention will be described with reference to FIG.
  • the time-series data of the number of steps automatically acquired from the IoT device 2 the time-series data of the sleep efficiency, and the time-series data of the physical condition manually acquired from the information terminal device 1.
  • time series data of other attributes are also acquired.
  • the data acquisition units 13 are an IoT device 2 or an external Web service 3 outside the terminal, or an application inside the terminal. Acquires time-series data of a plurality of types of attributes, including time-series data of the above three types of attributes (step count, sleep efficiency, physical condition).
  • the time-series data processing unit 141 pre-normalizes the time-series data of each attribute acquired by the data acquisition unit 13, and then steps, sleep efficiency, physical condition, etc. Calculate the similarity between the time series data of each attribute of.
  • the relationship graph generation unit 142 is calculated by the time series data processing unit 141 with each attribute (step count, sleep efficiency, physical condition, etc.) of each time series data as a node. Using the similarity of time-series data of each attribute (step count, sleep efficiency, physical condition, etc.) as the weight of the link between each node, an undirected relationship graph in which each node is connected by a link is generated.
  • FIG. 11C shows a relationship graph in which three nodes of the number of steps, sleep efficiency, and physical condition are connected by a link, a relationship graph in which other nodes are also connected is actually generated.
  • the node data processing unit 143 calculates one or a plurality of routes between the nodes having a large link weight in the relationship graph generated by the relationship graph generation unit 142. do. For example, when the number of steps is a node (attribute) of "Source” and the physical condition is a node (attribute) of "Target", there are two routes, a route (number of steps-physical condition) and a route (number of steps-sleep efficiency-physical condition). Therefore, the weight of the two routes is calculated, and the total weight of the link between the number of steps and the node of the physical condition is calculated based on the weight of the link of the two routes.
  • the node data processing unit 143 is comprehensive among the steps and physical condition nodes as compared with the combination of other "Source” nodes and “Target” nodes. If the weight of the link is high, the number of steps and the node of physical condition are extracted.
  • the causal relationship processing unit 144 calculates the correlation (positive / negative polarity, time lag) between the time-series data of the attribute (step count, physical condition), and thereby the attribute. Calculate the causal relationship between the nodes of the relationship graph corresponding to the time-series data of (step count, physical condition) (step count is a factor, physical condition is the result, and a 12-hour shift).
  • the node data processing unit 143 is based on the causal relationship between the nodes of the relationship graph calculated by the causal relationship processing unit 144 (the number of steps is the factor and the physical condition is the result). , Add direction (steps ⁇ physical condition) to the link between the number of steps and the node of physical condition in the relationship graph.
  • the relationship estimation unit 145 has a strong relationship between the number of steps and the physical condition, the number of steps affects the physical condition after 12 hours, and the number of steps is between the physical condition. It is estimated that sleep efficiency is related to the above, and a predetermined sentence or graph is output on the screen of the user interface unit 11.
  • Example 2 Next, Example 2 of the present invention will be described with reference to FIG.
  • the time-series data of the pressure change automatically acquired from the IoT device 2 the time-series data of the heart rate automatically acquired from the information terminal device 1, and the information terminal device 1
  • the explanation is given for the time-series data of the physical condition manually acquired from, but in reality, the time-series data of other attributes are also acquired.
  • the data acquisition units 13 are an IoT device 2 or an external Web service 3 outside the terminal, or an application inside the terminal. Acquires time-series data of a plurality of types of attributes, including time-series data of the above three types of attributes (pressure change, heart rate, physical condition).
  • the time-series data processing unit 141 preliminarily normalizes the time-series data of each attribute acquired by the data acquisition unit 13, and then changes the pressure pressure, the heart rate, and the physical condition. Calculate the similarity between time series data of each attribute such as.
  • the relationship graph generation unit 142 uses each attribute (pressure change, heart rate, physical condition, etc.) of each time series data as a node, and calculates by the time series data processing unit 141. Using the similarity of the time-series data of each attribute (change in pressure, heart rate, physical condition, etc.) as the weight of the link between each node, an undirected relationship graph in which each node is connected by the link is generated. Note that FIG. 12 (c) shows a relationship graph in which three nodes of barometric pressure change, heart rate, and physical condition are connected by a link, but in reality, a relationship graph in which other nodes are also connected is generated. ..
  • the node data processing unit 143 calculates one or a plurality of routes between the nodes having a large link weight in the relationship graph generated by the relationship graph generation unit 142. do.
  • the barometric pressure change is a node (attribute) of "Source”
  • the physical condition is a node (attribute) of "Target”
  • the node data processing unit 143 comprehensively compares the barometric pressure change and the physical condition node with the combination of the other "Source” node and the "Target” node. If the weight of the link is high, the node between the barometric pressure change and the physical condition is extracted.
  • the causal relationship processing unit 144 calculates the correlation (positive / negative polarity, time lag) between the time-series data of the attributes (pressure change, physical condition). Calculate the causal relationship between the nodes of the relationship graph corresponding to the time-series data of the attributes (pressure change, physical condition) (the factor is the pressure change, the physical condition is the result, and the deviation is 1 hour).
  • the node data processing unit 143 is based on the causal relationship between the nodes of the relationship graph calculated by the causal relationship processing unit 144 (the factor is the change in atmospheric pressure and the result is the physical condition). Then, the direction (barometric pressure change ⁇ physical condition) is added to the link between the barometric pressure change and the physical condition node in the relationship graph.
  • the relationship estimation unit 145 has a strong relationship between the atmospheric pressure change and the physical condition, and the atmospheric pressure change affects the physical condition after one hour, and the atmospheric pressure change. It is estimated that the heart rate is related to the physical condition, and a predetermined sentence or graph is output on the screen of the user interface unit 11.
  • Example 3 of the present invention will be described with reference to FIG.
  • the temperature time-series data automatically acquired from the IoT device 2
  • the drinking time time-series data manually acquired from the information terminal device 1 and the physical condition time-series data.
  • time series data of other attributes are also acquired.
  • the data acquisition unit 13 (first to third data acquisition units 131 to 133) is an IoT device 2 or an external Web service 3 outside the terminal, or an application inside the terminal. Acquires time-series data of a plurality of types of attributes, including time-series data of the above three types of attributes (temperature, drinking time, physical condition).
  • the time-series data processing unit 141 pre-normalizes the time-series data of each attribute acquired by the data acquisition unit 13, and then the temperature, drinking time, physical condition, etc. Calculate the similarity between the time series data of each attribute of.
  • the relationship graph generation unit 142 is calculated by the time-series data processing unit 141 with each attribute (temperature, drinking time, physical condition, etc.) of each time-series data as a node. Using the similarity of time-series data of each attribute (temperature, drinking time, physical condition, etc.) as the weight of the link between each node, an undirected relationship graph connecting each node with a link is generated. Note that FIG. 13 (c) illustrates a relationship graph in which three nodes of temperature, drinking time, and physical condition are connected by a link, but in reality, a relationship graph in which other nodes are also connected is generated.
  • the node data processing unit 143 calculates one or a plurality of routes between the nodes having a large link weight in the relationship graph generated by the relationship graph generation unit 142. do.
  • the temperature is the node (attribute) of "Source”
  • the physical condition is the node (attribute) of "Target”
  • the route temperature-physical condition
  • the route temperature-drinking time-physical condition
  • the two routes are calculated, and the total weight of the link between the temperature and physical condition nodes is calculated based on the weight of the link of the two routes.
  • the weight of the link between the node (drinking time) and the node (physical condition) is small in the route (temperature-drinking time-physical condition).
  • the node data processing unit 143 is comprehensive among the temperature and physical condition nodes as compared with the combination of the other "Source” node and the “Target” node. If the weight of the link is high, extract between the nodes of temperature and physical condition.
  • the causal relationship processing unit 144 calculates the correlation (positive / negative polarity, time lag) between the time-series data of the attribute (temperature, physical condition), and thereby the attribute. Calculate the causal relationship between the nodes of the relationship graph corresponding to the time series data of (temperature, physical condition) (temperature is a factor, physical condition is a result, and a deviation of 3 hours).
  • the node data processing unit 143 is based on the causal relationship between the nodes of the relationship graph calculated by the causal relationship processing unit 144 (temperature is a factor, physical condition is the result). , Add the direction (temperature ⁇ physical condition) to the link between the temperature and physical condition nodes in the relationship graph.
  • the node data processing unit 143 extracts the node between the drinking time and the physical condition node as the node having a large total link weight, the node of the relationship graph calculated by the causal relationship processing unit 144 is used.
  • the direction (drinking time ⁇ physical condition) is added to the link between the drinking time and the physical condition node in the relationship graph.
  • the relationship estimation unit 145 estimates that the relationship between the air temperature and the physical condition is strong, and that the temperature affects the physical condition after 3 hours, and the drinking time. On the screen of the user interface unit 11, it is estimated that the relationship between the temperature and the drinking time is strong, and that the drinking time affects the physical condition after 6 hours, and that the temperature and the drinking time have a weak relationship. Output the specified sentences and graphs.

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本発明は、人の身体または活動に関する属性の時系列データに基づいて、該人にとって意味のある属性の関係性を推定することができる関係性推定システムを提供することを目的とする。本関係性推定システムは、人の身体または活動に関する属性の時系列データを収集して、属性の時系列データ間の類似度を計算し、属性をノード、類似度をリンクの重みとしてノードをリンクで接続した関係性グラフＧを生成する。そして、該関係性グラフＧにおけるノード間の総合的なリンクの重みが大きいノード間を抽出して、該ノード間に対応する属性間の関係性を推定する。

Description

関係性推定システム
　本発明は、人の身体または活動に関する属性の時系列データに基づいて、該人にとって意味のある属性の関係性を推定する関係性推定システムに関するものである。
　近年、パンデミック対策のための体調管理ニーズや健康ブームと相まって、人の体内の状態変化を収集して視覚化することにより、自分自身の体内の状態変化を意識しながら健康や美容の維持に役立てることが注目されている。
　特に最近では、人の身体に身に着ける眼鏡型、腕時計型、リストバンド型などの様々なウェアラブルデバイスが登場しており、日常生活においてそれらを着用しているだけで、デバイスが搭載しているセンサにより人の体内の状態変化を収集して、その状態変化をデバイス自身またはスマートフォンを通じて視覚化するアプリケーションも提供されている。
　ところが、このようにウェアラブルデバイスと連携し、スマートフォン上で健康情報や美容情報の管理ができるようになったが、スマートフォン上でデータ管理できるのは歩数のみの情報であったり、心拍数のみの情報であったり、あるいは血圧のみの情報であったりと、単体の情報ばかりであり、複合的に管理することが少なかった。
　そこで、複数のウェアラブルデバイスから取得できる身体の活動情報を一元管理する仕組みとして、Ａｎｄｒｏｉｄ端末には「Ｇｏｏｇｌｅ　Ｆｉｔ（登録商標）」、ｉＯＳ端末には「ヘルスケア」という健康管理の仕組みが用意されている。
　例えば、「Ｇｏｏｇｌｅ　Ｆｉｔ」は、Ｇｏｏｇｌｅ社が提供するフィットネスデータに関する情報をデバイスやアプリケーション利用者をまたいで、まとめて保存・参照することができる。また、「Ｇｏｏｇｌｅ　Ｆｉｔ」単体でもＡｎｄｒｏｉｄ端末の位置情報や各種センサを用いて、アクティビティ情報、位置情報データ、身体測定値、栄養情報、睡眠情報を記録することができる。一方、「ヘルスケア」は、端末の位置情報や各種センサからアクティビティ情報、バイタル情報、身体測定値、リプロダクティブヘルス情報、検査結果、栄養情報、マインドフルネス、睡眠情報などを記録でき、サードパーティのアプリから「ヘルスケア」に記録されている情報の読み出しや保存が可能である。
バイオフィードバック研究・２０１７年・４４巻・第２号「ウェアラブルデバイスを活用したシステムについての現状と問題点、今後の展望について」
　しかしながら、上述のようにウェアラブルデバイスや情報管理のシステムが数多く提供されているものの、それらが普及するには至っていないのが現状である。この普及しない原因としては、高額なウェアラブルデバイスを毎日身に着けてまで健康管理をする必然性を感じない人が多いことや、プライバシー保護などのセキュリティ面が十分に確保されていないことのほか、日々集積される膨大な数のデータからいかにして意味のあるデータを抽出するのかといった問題があるためである。特に人にとって意味のあるデータを抽出することができれば、その健康や美容に関するデータの活用の重要性は益々高まっていくものと考えられる。
　本発明は、上述の問題に鑑みてなされたものであって、人の身体または活動に関する属性の時系列データに基づいて、該人にとって意味のある属性の関係性を推定することができる関係性推定システムを提供することを目的とする。
　本発明は、上記目的を達成するために、人の身体または活動に関する属性の時系列データを少なくとも含む、複数の属性の時系列データを取得するデータ取得部と、前記データ取得部により取得された各属性の時系列データ間の類似度を計算する時系列データ処理部と、前記データ取得部により取得された時系列データの属性をノードとして該ノードをリンクで接続した関係性グラフを生成し、前記時系列データ処理部により計算された属性の時系列データ間の類似度をノード間のリンクの重みの計算に利用する関係性グラフ生成部と、前記関係性グラフ生成部により生成された関係性グラフにおいて、総合的なリンクの重みが大きいノード間を抽出するノードデータ処理部と、前記ノードデータ処理部により抽出されたノード間に対応する属性間の関係性を推定する関係性推定部とを備えることを特徴とする。
　前記関係性グラフ生成部は、前記時系列データ処理部により計算された属性の時系列データ間の類似度をノード間のリンクの重みとして関係性グラフを生成してもよい。
　また、前記ノードデータ処理部は、前記関係性グラフ生成部により生成された関係性グラフにおいて、ノード間ごとにリンクの重みが大きい複数の経路を算出して、各経路のリンクの重みに基づいて総合的なリンクの重みが大きいノード間を抽出するのが好ましい。
　また、前記ノードデータ処理部は、ノード間における経路ごとのリンクの重みを演算することにより、ノード間の総合的なリンクの重みを算出するのが好ましい。
　また、前記ノードデータ処理部は、ノード間における経路ごとのリンクの長さの逆数をリンクの重みとして加算することにより、ノード間の総合的なリンクの重みを算出するのが好ましい。
　また、属性の時系列データ間の相関を計算することにより、関係性グラフのノード間の因果関係を算定する因果関係処理部を備えるのが好ましい。
　また、前記因果関係処理部は、属性の時系列データ間の相関の正負の極性と時間のずれを計算するのが好ましい。
　また、前記ノードデータ処理部は、前記因果関係処理部により算出されたノード間の因果関係に基づいて、関係性グラフにおける当該ノード間のリンクに向きを付するのが好ましい。
　また、前記関係性推定部は、前記因果関係処理部により算定されたノード間の因果関係に基づいて、当該ノード間に対応する属性間の関係性を推定するのが好ましい。
　また、前記データ取得部は、外部のＩｏｔデバイスのセンサが計測した属性の時系列データ、外部のＷｅｂサービスの属性の時系列データ、および本システムが搭載された情報端末装置で計測または入力された属性の時系列データの少なくとも一つを含む時系列データを取得するのが好ましい。
　また、前記時系列データ処理部は、前記データ取得部により取得された各属性の時系列データを正規化するのが好ましい。
　また、本発明は、上記の関係性推定システムが搭載されたことを特徴とする情報端末装置である。
　また、本発明は、上記の複数の情報端末装置と、各情報端末装置とネットワークを介して接続されたサーバ装置とを備え、前記サーバ装置は、各情報端末装置から収集した属性の時系列データに基づいて関係性グラフを生成することを特徴とする関係性推定システムである。
　本発明によれば、人の身体または活動に関する属性の時系列データを収集して、属性の時系列データ間の類似度を計算し、属性をノード、類似度をリンクの重みとしてノードをリンクで接続した関係性グラフを生成したあと、該関係性グラフにおけるノード間の総合的なリンクの重みが大きいノード間を抽出して、該ノード間に対応する属性間の関係性を推定する。このため、関係性グラフのノード間において、類似度が計算された直接的なリンクの経路のみならず、他のノードを介した間接的なリンクの経路も含めた総合的なリンクの経路を考慮しながら、総合的なリンクの経路の重みが大きいノードを抽出することにより、人にとって意味のある属性間の関係性を精度良く推定することができる。
関係性推定システムの全体構成を示す図である。 図１の情報端末装置の構成を示すブロック図である。 属性の時系列データの種類を示す表である。 情報端末装置に入力される属性の時系列データの画面例を示す図である。 ノードをリンクで接続した関係性グラフの構成を示す図である。 関係性グラフのノード、ノード間の距離、経路を示す表である。 各種属性の時系列データの相関や時間のずれを示す表である。 ２つの属性の時系列データの相関や時間のずれを計算するときに使用するグラフである。 属性間の関係性を出力するときの画面例を示す図である。 関係性推定システムの動作を示すフローチャートである。 実施例２に係る関係性推定システムの概要を示す図である。 実施例２に係る関係性推定システムの概要を示す図である。 実施例３に係る関係性推定システムの概要を示す図である。
　次に、本発明に係る関係性推定システム（以下、本システムという）の実施形態について図面を参照しつつ説明する。
［本システムの全体構成］
　本システムは、図１に示すように、スマートフォンやロボットなどのユーザの情報端末装置１と、各種属性の時系列データを計測するＩｏＴデバイス２と、各種属性の時系列データを提供する外部Ｗｅｂサービス３と、各情報端末装置１の属性の時系列データを収集するサーバ装置４とを備え、情報端末装置１と、サーバ装置４、ＩｏＴデバイス２、あるいは外部Ｗｅｂサービス３とがインターネット等のネットワークを介して接続されている。
　前記ＩｏＴデバイス２は、ユーザ（人）の身体や活動に関する一ないし複数の種類の属性の時系列データ（ヘルスケアデータ、ライフログ）を計測するものであり、各属性の時系列データを計測するセンサ部２１と、センサ部２１により計測した各属性の時系列データを情報端末装置１に送信する通信部２２とを備える。
　このＩｏＴデバイス２は、例えば、ユーザが身に着ける、眼鏡型、腕時計型、リスト型などのウェアラブルデバイスが挙げられる。また、センサは、カメラなどの２次元イメージセンサや、ＬＩＤＡＲ（Light Detection and Ranging）などの３次元イメージセンサ、加速度センサの他、各種属性の時系列データを計測するあらゆるセンサが挙げられる。なお、ＩｏＴデバイス２で計測する属性の時系列データの種類については、後述の情報端末装置１の構成において説明する。
　前記外部Ｗｅｂサービス３は、気候、環境、場所など、主に自然、社会、あるいは経済などの事象に関する一ないし複数の種類の属性の時系列データを収集して提供するものであり、収集した各属性の時系列データを情報端末装置１に送信する。この外部Ｗｅｂサービス３としては、例えば、気象データベース、海洋データベース、交通データベース、株式データベースなどが挙げられる。なお、外部Ｗｅｂサービス３が提供する属性の時系列データの種類については、後述の情報端末装置１の構成において説明する。
　前記サーバ装置４は、多数のユーザの情報端末装置１から個人情報以外の各種属性の時系列データを受け取り、集約的な関係性グラフ（モデル）を生成するものであり、多数のユーザの各種属性の時系列データに基づいて関係性グラフ（モデル）を生成する学習部４１と、関係性グラフ（モデル）や時系列データを記憶する記憶部４２と、情報端末装置１と通信を行う通信部４３とを備える。
　例えば、各属性の時系列データに基づく関係性グラフを各個人で生成するのではなく、多数のユーザの各属性の時系列データの平均値に基づいて関係性グラフを生成する。これによれば、あるユーザの属性の時系列データが欠損している場合、平均的な関係性グラフを用いることで欠損を補償することができる。また、平均的な関係性グラフと個人の関係性グラフを比較することにより、一般とどれくらいかけ離れているかをユーザに提示することができる。
［情報端末装置１の構成］
　前記情報端末装置１は、スマートフォン、タブレット端末あるいはロボットなどのデバイスであって、図２に示すように、ユーザとのインターフェースとなるユーザインターフェース部１１と、データの入出力を実行するデータ入出力部１２と、各属性の時系列データを取得するデータ取得部１３と、所定のアルゴリズムを処理するアルゴリズム処理部１４と、各属性の時系列データや関係性グラフなどを記憶する記憶部１５と、外部とネットワークを介して通信を実行する通信部１６と、各種データを抽出するデータ抽出部１７とを備える。なお、情報端末装置１は、内部のＣＰＵ等により所定のＯＳデータやアプリケーションデータを保存・実行する。
　前記ユーザインターフェース部１１は、例えばスマートフォン等におけるディスプレイ画面であって、ユーザによる各種操作を行う入力機能と、ユーザに対して各種情報を提示する出力機能とを有する。
　前記データ入出力部１２は、前記ユーザインターフェース部１１により入力された入力データをアルゴリズム処理部１４に送信したり、アルゴリズム処理部１４から得られた出力データをユーザインターフェース部１１に送信したりする。
　前記データ取得部１３は、端末外部または端末内部から各属性の時系列データを取得するものであり、第１のデータ取得部１３１、第２のデータ取得部１３２および第３のデータ取得部１３３を備える。
　前記第１のデータ取得部１３１は、ウェアラブルデバイス等のＩｏＴデバイス２で計測した各属性の時系列データを取得する。また、前記第２のデータ取得部１３２は、外部Ｗｅｂサービス３から各属性の時系列データを取得する。また、前記第３のデータ取得部１３３は、情報端末装置１のアプリケーションで計測または入力した各属性の時系列データを取得する。
　これら属性の時系列データとしては、図３に示すように、気候時系列、環境条件時系列、場所カテゴリカル、習慣カテゴリカル、習慣時系列、バイタルデータ時系列、体調カテゴリカルに属する各属性の時系列データが挙げられる。このうち、場所カテゴリカル、習慣カテゴリカル、習慣時系列、バイタルデータ時系列、体調カテゴリカルに関する属性の時系列データは、第１の取得部によりＩｏＴデバイス２から取得される場合が多い。また、気候時系列、環境条件時系列の属性に関する時系列データは、第２のデータ取得部１３２により外部Ｗｅｂサービス３から取得される場合が多い。また、バイタルデータ時系列に関する属性の時系列データは、第３のデータ取得部１３３により情報端末装置１から取得される場合もある。但し、これらの各属性の時系列データの取得は一例であって、その他にも様々な種類の属性の時系列データを取得してもよい。
　また、特に前記第３のデータ取得部１３３は、情報端末装置１にインストールされたヘルスキット、カレンダ、外部天候データ、睡眠アプリ、ライフログアプリなどのアプリケーションにおいて、データ自動入力プラグインにより各属性の時系列データを自動的に取得したり、手入力により体調、運動、衛生、食事、場所、独自設定、メモなどに関する属性の時系列データを取得したりする。例えば、手入力により各属性の時系列データを取得する例として、図４に示すように、自分で１ルーチンの単位を設定して、０．５ルーチン、１．５ルーチンなどの単位で入力したり、ランチ、清掃、手洗いのように習慣の時間を入力したり、あるいは１日の体調（体調が悪い箇所がある場合には、その症状）を入力したりする。
　なお、本実施形態では、前記データ取得部１３により取得される具体的な属性の時系列データとして、下記のものが挙げられる。
・asleep：睡眠時間
・temperature_min：当日の最低気温
・Efficiency ：睡眠効率（睡眠時間／就寝～起床の時間）
・wakingBPM_diff：起床時の心拍数（Beats per minute）の日ごとの変化量（差分）
・quality ：睡眠の質
・dayBPM：日中の心拍数（Beats per minute）
・wakingBPM：起床時の心拍数（Beats per minute）
・pressure_noon_diff：気圧の日ごとの変化量（差分）
・hrv：心拍間隔の変動
・deep：深い睡眠の時間
・asleep_diff：睡眠時間の日ごとの変化量（差分）
　前記アルゴリズム処理部１４は、属性の時系列データ間の類似度を計算する時系列データ処理部１４１と、関係性グラフを生成する関係性グラフ生成部１４２と、関係性グラフにおいて総合的なリンクの重みが大きいノード間を抽出するノードデータ処理部１４３と、ノード間の因果関係を算定する因果関係処理部１４４と、属性間の関係性を推定する関係性推定部１４５とを備える。
　前記時系列データ処理部１４１は、データ取得部１３により取得された各属性の時系列データ間の類似度を計算する。本実施形態では、この時系列データ処理部１４１は、ＤＴＷ（Dynamic Time Warping）を用いて各属性の時系列データ間の類似度を計算する。ＤＴＷでは ２つの時系列の各点の距離を総当りで比較した上で、系列同士の距離が最短となるパスを見つけて、これがＤＴＷの距離になる。このため、２つの属性の時系列データの周期性や長さが違っても 、ＤＴＷの距離を定義することができ、類似度が大きいほど距離は短く（近く）なる。
　なお、本実施形態では、前記時系列データ処理部１４１は、取得した各属性の時系列データを事前に正規化する。例えば、気温の時系列データの場合、－５度から４０度である一方、１日の歩数の時系列データの場合、０歩から２万歩といったように時系列データによって絶対値のとり得る幅は大きく異なるため、一定範囲（例えば、０から１の範囲）に正規化する。
　前記関係性グラフ生成部１４２は、図５に示すように、データ取得部１３により取得された時系列データの各属性をノードとし、時系列データ処理部１４１により計算された各属性の時系列データ間の類似度をノード間の直接的なリンクの重みとして、各ノードをリンクで接続した無向性の関係性グラフを生成する。なお、図５において、Ｇが関係性グラフ、ｌがリンク、ｎがノードを示す。
　この関係性グラフは、属性の時系列データ間の類似度が高いほど、当該属性間に対応するノード間の直接的なリンクの重みが大きくなる。また、類似度が計算されたノード間は一のリンクで直接的に接続される一方、類似度が計算されていないノード間も他のノードを介して複数のリンクで間接的に接続される。このため、各ノード間は、一ないし複数のリンクで直接的および間接的に接続された複数の経路を有し、経路上の各リンクの重みの総計が当該経路のリンクの重みを構成し、ノード間の各経路のリンクの重みの総計が当該ノード間の総合的なリンクの重みを構成する。本実施形態では、ノード間のリンクの重みとしてリンクの長さを採用しており、リンクの長さが短いほどリンクの重みが大きいものとなされている。
　なお、図５では、関係性グラフの各ノード間のリンクに向きが付されているが、この向きは後述の因果関係処理部１４４によりノード間の因果関係が算定されたあと、ノードデータ処理部１４３により向きが付されるため、関係性グラフが生成された当初はリンクの向きは付されていない。
　前記ノードデータ処理部１４３は、関係性グラフ生成部１４２により生成された関係性グラフにおいて、ノード間ごとに経路のリンクの重みが大きい一ないし複数の経路（本実施形態では、１番目から３番目までの経路）を算出する。
　例えば、図６は、ある関係性グラフにおける各ノード間における経路のリンクの重みを表に示したものである。図６において、「ｓｏｕｒｃｅ」は元となるノード（属性）、「ｔａｒｇｅｔ」は「ｓｏｕｒｃｅ」の対象となるノード（属性）、「ｄｉｓｔ」はノード間の直接的なリンクの重み（リンクの長さ）、「ｋ１ｐａｔｈ」「ｋ２ｐａｔｈ」「ｋ３ｐａｔｈ」はノード間の１番目から３番目までのリンクの重みが大きい経路（１番目から３番目までの最短経路）、「ｉ_ｋ１ｄｉｓｔ」「ｉ_ｋ２ｄｉｓｔ」「ｉ_ｋ３ｄｉｓｔ」はノード間の１番目から３番目までの経路のリンクの重み（経路のリンクの長さの逆数）、「ｉ_ｋｓｕｍ」はノード間の１番目から３番目までの経路のリンクの重みの総和（経路のリンクの長さの逆数の総和：総合スコア）である。このように経路のリンクの重みとして、経路のリンクの長さ（経路長）の逆数をとるのは、逆数とすることにより経路長が短いものほど総合スコアが大きくなるためである。これにより、経路のリンクの重みの総合スコアが大きいほど、ノード間においてリンクの重みが大きい経路（短い経路）が多く、総合的なリンクの重みが大きいと評価することができる。
　また、前記ノードデータ処理部１４３は、ノードデータ処理部１４３によりノード間ごとに算出された経路のリンクの重みが大きい一ないし複数の経路に基づいて、総合的なリンクの重みが大きい一ないし複数のノード間を抽出する。本実施形態では、ノードデータ処理部１４３は、ノード間ごとに算出された１番目から３番目までの経路のリンクの重みの総和「ｉ_ｋｓｕｍ」を当該ノード間の総合的なリンクの重みとしているため、その総合的なリンクの重みが大きいノード間を抽出する。例えば、図６によると、図６の１列目における経路のリンクの重みの総和「ｉ_ｋｓｕｍ」が大きいため、１列目の「ａｓｌｅｅｐ（睡眠時間）」と「ｑｕａｌｉｔｙ（睡眠の質）」のノード間を総合的なリンクの重みが大きいノード間として抽出する。
　前記因果関係処理部１４４は、関係性グラフのノード間の因果関係を算定するものである。本実施形態では、因果関係処理部１４４は、各属性の時系列データ間の相関（相関の正負の極性と時間のずれ）を計算することにより、当該各属性の時系列データ間に対応する関係性グラフのノード間の因果関係を算定する。
　例えば、図７は、「ｓｏｕｒｃｅ」の属性と、「ｔａｒｇｅｔ」の属性との因果関係を表に示したものである。「ｓｉｇｎ」は、「ｓｏｕｒｃｅ」の属性の時系列データと、「ｔａｒｇｅｔ」の属性の時系列データとの相関を数値で表したものであり、「１」が正の相関、「－１」が負の相関である。仮に属性間が正の相関の場合、一方の属性が大きくなるほど、他方の属性も大きくなる関係にある一方、仮に属性間が負の相関の場合、一方の属性が大きくなるほど、他方の属性は小さくなる関係にある。
　また、同じく図７において、「ｅｓｔｉｍａｔｅｄ_ｄｅｌａｙ」は各属性の時系列データ間の時間のずれを表わしており、「ｓｏｕｒｃｅ」に対して「ｔａｒｇｅｔ」の属性が遅れれば、「ｓｏｕｒｃｅ」が要因となる一方、「ｔａｒｇｅｔ」に対して「ｓｏｕｒｃｅ」の属性が遅れれば、「ｔａｒｇｅｔ」が要因となる。例えば、図７の１列目によると、「ａｓｌｅｅｐ（睡眠時間）」の属性は「ｑｕａｌｉｔｙ（睡眠の質）」の属性と正の相関があり、時間のずれは０である。
　この各属性の時系列データの相関を計算するに際しては、「ｓｏｕｒｃｅ」の属性の時系列データと、「ｔａｒｇｅｔ」の属性の時系列データとを重ねて表記したり、いずれかの属性の時系列データを反転させて重ねて表記したり、あるいは時間的にずらして表記するなどして、属性の時系列データを互いに比較することにより相関を計算する方法が挙げられる。
　例えば、図８（ａ）は、「ｓｔｅｐ_ｃｏｕｎｔ（歩数）」の属性の時系列データと、「ｄａｙＢＰＭ（日中の心拍数）」の属性の時系列データとについて、「ｓｔｅｐ_ｃｏｕｎｔ」の属性の時系列データを未来に１日ずらして表記したものである。図８（ａ）によると、「ｓｔｅｐ_ｃｏｕｎｔ（歩数）」の属性の時系列データと、「ｄａｙＢＰＭ（日中の心拍数）」の属性の時系列データの起伏が概ね類似しているため、「ｓｔｅｐ_ｃｏｕｎｔ（歩数）」の属性と「ｄａｙＢＰＭ（日中の心拍数）」の属性は正の相関があり、「ｓｔｅｐ_ｃｏｕｎｔ（歩数）」の属性が１日後の「ｄａｙＢＰＭ（日中の心拍数）」の属性の要因となることが把握される。
　一方、図８（ｂ）は、同じく「ｓｔｅｐ_ｃｏｕｎｔ（歩数）」の属性の時系列データと、「ｄａｙＢＰＭ（日中の心拍数）」の属性の時系列データとについて、「ｓｔｅｐ_ｃｏｕｎｔ（歩数）」の属性の時系列データを反転させたあと、未来に２日ずらして表記したものである。図８（ｂ）によると、「ｓｔｅｐ_ｃｏｕｎｔ（歩数）」の属性の時系列データと、「ｄａｙＢＰＭ（日中の心拍数）」の属性の時系列データとの起伏が一致している部分もあるが、図８（ａ）に比べると、その相関は低いものと把握されるため、図８（ａ）による相関（正の相関、１日のずれ）を採用することになる。
　なお、前記因果関係処理部１４４は、必ずしも全てのノード間の因果関係を算定する必要はなく、例えばノードデータ処理部１４３により抽出された総合的なリンクの重みが大きいノード間の因果関係のみを算定してもよい。
　而して、前記ノードデータ処理部１４３は、図５に示すように、因果関係処理部１４４により算定された関係性グラフのノード間の因果関係に基づいて、各ノード間のリンクに向き（矢印の元が要因／矢印の先が結果）を付する。
　前記関係性推定部１４５は、ノードデータ処理部１４３により抽出されたノード間に対応する属性間の関係性を推定する。例えば、ノードデータ処理部１４３において「ａｓｌｅｅｐ（睡眠時間）」と「ｑｕａｌｉｔｙ（睡眠の質）」のノード間が抽出された場合、関係性推定部１４５は「ａｓｌｅｅｐ（睡眠時間）」と「ｑｕａｌｉｔｙ（睡眠の質）」の属性間の関係性があるまたは強いと推定する。この際、関係性グラフにおいて、「ａｓｌｅｅｐ（睡眠時間）」と「ｑｕａｌｉｔｙ（睡眠の質）」のノード間の直接的なリンクに矢印（「ａｓｌｅｅｐ（睡眠時間）」が矢印の元、「ｑｕａｌｉｔｙ（睡眠の質）」が矢印の先）が付されている場合、「ａｓｌｅｅｐ（睡眠時間）」が「ｑｕａｌｉｔｙ（睡眠の質）」に影響していると推定する。また、因果関係処理部１４４により「ａｓｌｅｅｐ（睡眠時間）」と「ｑｕａｌｉｔｙ（睡眠の質）」の「ｅｓｔｉｍａｔｅｄ_ｄａｙ」（時間のずれ）が１日と算出されている場合、「ａｓｌｅｅｐ（睡眠時間）」の１日経過後に「ｑｕａｌｉｔｙ（睡眠の質）」に影響していると推定する。
　また、前記関係性推定部１４５は、属性間の関係性を推定した際、図９に示すように、ユーザインターフェース部１１の画面において属性間の関係性を文章（図９の右側））として出力せしめたり、直観的なグラフ（図９の左側の画面内）として出力せしめたりする。
　なお、前記データ抽出部１７は、サーバ装置４に対して各属性の時系列データや関係性グラフを通信部１６を介して送信したり、サーバ装置４から通信部１６を介して受信した各種情報を抽出して、アルゴリズム処理部１４に送信したりする。
［本システムの動作］
　次に本システムの動作について、図１０のフローチャートを参照しつつ説明する。
　まず、前記データ取得部１３（第１～第３のデータ取得部１３１～１３３）は、端末外部のＩｏＴデバイス２または外部Ｗｅｂサービス３や、端末内部のアプリケーションから複数の種類の属性の時系列データを取得する（Ｓ１）。
　そして、前記時系列データ処理部１４１は、データ取得部１３により取得された各属性の時系列データを事前に正規化したあと（Ｓ２）、各属性の時系列データ間の類似度を計算する（Ｓ３）。
　そして、前記関係性グラフ生成部１４２は、時系列データの各属性をノードとし、時系列データ処理部１４１により計算された各属性の時系列データの類似度を各ノード間のリンクの重みとして、各ノードをリンクで接続した無向性の関係性グラフを生成する（Ｓ４）。
　そして、前記ノードデータ処理部１４３は、関係性グラフ生成部１４２により生成された関係性グラフにおいて、ノード間ごとにリンクの重みが大きい一ないし複数の経路（最短経路）を算出する（Ｓ５）。
　そして、前記ノードデータ処理部１４３は、ノード間ごとに算出された経路のリンクの重みが大きい一ないし複数の経路に基づいて、総合的なリンクの重みが大きい一ないし複数のノード間を抽出する（Ｓ６）。
　一方、前記因果関係処理部１４４は、各属性の時系列データ間の相関を計算することにより、当該各属性間に対応する関係性グラフの各ノード間の因果関係を算定する（Ｓ７）。
　そして、前記ノードデータ処理部１４３は、図５に示すように、因果関係処理部１４４により算定された関係性グラフの各ノード間の因果関係に基づいて、関係性グラフの各ノード間のリンクに向き（矢印の元が要因／矢印の先が結果）を付することにより有向性の関係性グラフにアップデートする（Ｓ８）。
　そして、前記関係性推定部１４５は、ノードデータ処理部１４３により抽出されたノード間に対応する属性間の関係性を推定する。このとき、関係性推定部１４５は、関係性グラフに付されたリンクの向きに基づいて属性間の関係性を推定してもよいし、因果関係処理部１４４により算定されたノード間の因果関係（要因と結果、時間のずれ）に基づいて属性間の関係性を直接推定してもよい。また、関係性推定部１４５は、インターフェース部の画面において各属性間の関係性を文章（図９の右側）として出力せしめたり、直観的なグラフ（図９の左側の画面内）として出力せしめたりする（Ｓ９）。
　なお、本実施形態では、ノード間の因果関係を算定する因果関係処理部１４４が設けられるものとしたが、因果関係処理部１４４が設けられなくてもよい。この場合、関係性推定部１４５は、ノードデータ処理部１４３により抽出されたノード間の属性間の関係性を推定する際、当該属性間に何らかの関係があることのみを推定する。
　また、前記ノードデータ処理部１４３は、因果関係処理部１４４により算定されたノード間の因果関係に基づいて関係性グラフのノード間のリンクに向きを付するものとしたが、関係性グラフのノード間にリンクの向きを付さなくてもよい。この場合、関係性推定部１４５は、因果関係処理部１４４により算定されたノード間の因果関係に基づいて、該ノード間に対応する属性間の関係性を直接推定するとよい。
　また、前記関係性グラフ生成部１４２は、時系列データ処理部１４１により計算された属性の時系列データ間の類似度をノード間のリンクの重みとしたが、その他の方法により属性の時系列データ間の類似度をノード間のリンクの重みの計算に利用してもよい。例えば、属性の時系列データ間の類似度をノードそのものの重みとして、ノードそのものは重力モデルなどで重み（距離）を定義することが挙げられる。
（実施例１）
　次に、本発明の実施例１について、図１１を参照しつつ説明する。
　本実施例１では、属性の時系列データとして、ＩｏＴデバイス２から自動で取得される歩数の時系列データ並びに睡眠効率の時系列データ、情報端末装置１から手動で取得される体調の時系列データを対象として説明するが、実際にはその他の属性の時系列データも取得される。
　まず、前記データ取得部１３（第１～第３のデータ取得部１３１～１３３）は、図１１（ａ）に示すように、端末外部のＩｏＴデバイス２または外部Ｗｅｂサービス３や、端末内部のアプリケーションから上記３種類の属性（歩数、睡眠効率、体調）の時系列データを含む、複数種類の属性の時系列データを取得する。
　そして、前記時系列データ処理部１４１は、図１１（ｂ）に示すように、データ取得部１３により取得された各属性の時系列データを事前に正規化したあと、歩数、睡眠効率、体調などの各属性の時系列データ間の類似度を計算する。
　そして、前記関係性グラフ生成部１４２は、図１１（ｃ）に示すように、各時系列データの各属性（歩数、睡眠効率、体調など）をノードとし、時系列データ処理部１４１により計算された各属性（歩数、睡眠効率、体調など）の時系列データの類似度を各ノード間のリンクの重みとして、各ノードをリンクで接続した無向性の関係性グラフを生成する。なお、図１１（ｃ）では、歩数、睡眠効率、体調の３つのノードをリンクで接続した関係性グラフを図示しているが、実際にはその他のノードも接続した関係性グラフを生成する。
　そして、前記ノードデータ処理部１４３は、図１１（ｄ）に示すように、関係性グラフ生成部１４２により生成された関係性グラフにおいて、リンクの重みが大きいノード間の一ないし複数の経路を算出する。例えば、歩数を「Ｓｏｕｒｃｅ」のノード（属性）、体調を「Ｔａｒｇｅｔ」のノード（属性）とした場合、経路（歩数－体調）と経路（歩数－睡眠効率－体調）の２つの経路が存在するため、当該２つの経路を算出するとともに、当該２つの経路のリンクの重みに基づいて歩数と体調のノード間の総合的なリンクの重みを算出する。
　そして、前記ノードデータ処理部１４３は、図１１（ｅ）に示すように、他の「Ｓｏｕｒｃｅ」のノードと「Ｔａｒｇｅｔ」のノードの組み合わせと比較して、歩数と体調のノード間における総合的なリンクの重みが上位である場合、歩数と体調のノード間を抽出する。
　そして、前記因果関係処理部１４４は、図１１（ｆ）に示すように、属性（歩数、体調）の時系列データ間の相関（正負の極性、時間のずれ）を計算することにより、当該属性（歩数、体調）の時系列データ間に対応する関係性グラフのノード間の因果関係（歩数が要因、体調が結果、１２時間のずれ）を算定する。
　そして、前記ノードデータ処理部１４３は、図１１（ｇ）に示すように、因果関係処理部１４４により算定された関係性グラフのノード間の因果関係（歩数が要因、体調が結果）に基づいて、関係性グラフの歩数と体調のノード間のリンクに向き（歩数→体調）を付する。
　また、前記関係性推定部１４５は、図１１（ｇ）に示すように、歩数と体調の関係性は強く、また歩数が１２時間後の体調に影響していることや、歩数と体調の間に睡眠効率が関係していることを推定して、ユーザインターフェース部１１の画面において所定の文章やグラフを出力せしめる。
（実施例２）
　次に、本発明の実施例２について、図１２を参照しつつ説明する。
　本実施例２では、属性の時系列データとして、ＩｏＴデバイス２から自動で取得される気圧変化の時系列データ、情報端末装置１から自動で取得される心拍数の時系列データ、情報端末装置１から手動で取得される体調の時系列データを対象として説明するが、実際にはその他の属性の時系列データも取得される。
　まず、前記データ取得部１３（第１～第３のデータ取得部１３１～１３３）は、図１２（ａ）に示すように、端末外部のＩｏＴデバイス２または外部Ｗｅｂサービス３や、端末内部のアプリケーションから上記３種類の属性（気圧変化、心拍数、体調）の時系列データを含む、複数種類の属性の時系列データを取得する。
　そして、前記時系列データ処理部１４１は、図１２（ｂ）に示すように、データ取得部１３により取得された各属性の時系列データを事前に正規化したあと、気圧変化、心拍数、体調などの各属性の時系列データ間の類似度を計算する。
　そして、前記関係性グラフ生成部１４２は、図１２（ｃ）に示すように、各時系列データの各属性（気圧変化、心拍数、体調など）をノードとし、時系列データ処理部１４１により計算された各属性（気圧変化、心拍数、体調など）の時系列データの類似度を各ノード間のリンクの重みとして、各ノードをリンクで接続した無向性の関係性グラフを生成する。なお、図１２（ｃ）では、気圧変化、心拍数、体調の３つのノードをリンクで接続した関係性グラフを図示しているが、実際にはその他のノードも接続した関係性グラフを生成する。
　そして、前記ノードデータ処理部１４３は、図１２（ｄ）に示すように、関係性グラフ生成部１４２により生成された関係性グラフにおいて、リンクの重みが大きいノード間の一ないし複数の経路を算出する。例えば、気圧変化を「Ｓｏｕｒｃｅ」のノード（属性）、体調を「Ｔａｒｇｅｔ」のノード（属性）とした場合、経路（気圧変化－体調）と経路（気圧変化－心拍数－体調）の２つの経路が存在するため、当該２つの経路を算出するとともに、当該２つの経路のリンクの重みに基づいて気圧変化と体調のノード間の総合的なリンクの重みを算出する。
　そして、前記ノードデータ処理部１４３は、図１２（ｅ）に示すように、他の「Ｓｏｕｒｃｅ」のノードと「Ｔａｒｇｅｔ」のノードの組み合わせと比較して、気圧変化と体調のノード間における総合的なリンクの重みが上位である場合、気圧変化と体調のノード間を抽出する。
　そして、前記因果関係処理部１４４は、図１２（ｆ）に示すように、属性（気圧変化、体調）の時系列データ間の相関（正負の極性、時間のずれ）を計算することにより、当該属性（気圧変化、体調）の時系列データ間に対応する関係性グラフのノード間の因果関係（気圧変化が要因、体調が結果、１時間のずれ）を算定する。
　そして、前記ノードデータ処理部１４３は、図１２（ｇ）に示すように、因果関係処理部１４４により算定された関係性グラフのノード間の因果関係（気圧変化が要因、体調が結果）に基づいて、関係性グラフの気圧変化と体調のノード間のリンクに向き（気圧変化→体調）を付する。
　また、前記関係性推定部１４５は、図１２（ｇ）に示すように、気圧変化と体調の関係性は強く、また気圧変化が１時間後の体調に影響していることや、気圧変化と体調の間に心拍数が関係していることを推定して、ユーザインターフェース部１１の画面において所定の文章やグラフを出力せしめる。
（実施例３）
　次に、本発明の実施例３について、図１３を参照しつつ説明する。
　本実施例３では、属性の時系列データとして、ＩｏＴデバイス２から自動で取得される気温の時系列データ、情報端末装置１から手動で取得される飲酒時間の時系列データ並びに体調の時系列データを対象として説明するが、実際にはその他の属性の時系列データも取得される。
　まず、前記データ取得部１３（第１～第３のデータ取得部１３１～１３３）は、図１３（ａ）に示すように、端末外部のＩｏＴデバイス２または外部Ｗｅｂサービス３や、端末内部のアプリケーションから上記３種類の属性（気温、飲酒時間、体調）の時系列データを含む、複数種類の属性の時系列データを取得する。
　そして、前記時系列データ処理部１４１は、図１３（ｂ）に示すように、データ取得部１３により取得された各属性の時系列データを事前に正規化したあと、気温、飲酒時間、体調などの各属性の時系列データ間の類似度を計算する。
　そして、前記関係性グラフ生成部１４２は、図１３（ｃ）に示すように、各時系列データの各属性（気温、飲酒時間、体調など）をノードとし、時系列データ処理部１４１により計算された各属性（気温、飲酒時間、体調など）の時系列データの類似度を各ノード間のリンクの重みとして、各ノードをリンクで接続した無向性の関係性グラフを生成する。なお、図１３（ｃ）では、気温、飲酒時間、体調の３つのノードをリンクで接続した関係性グラフを図示しているが、実際にはその他のノードも接続した関係性グラフを生成する。
　そして、前記ノードデータ処理部１４３は、図１３（ｄ）に示すように、関係性グラフ生成部１４２により生成された関係性グラフにおいて、リンクの重みが大きいノード間の一ないし複数の経路を算出する。例えば、気温を「Ｓｏｕｒｃｅ」のノード（属性）、体調を「Ｔａｒｇｅｔ」のノード（属性）とした場合、経路（気温－体調）と経路（気温－飲酒時間－体調）の２つの経路が存在するため、当該２つの経路を算出するとともに、当該２つの経路のリンクの重みに基づいて気温と体調のノード間の総合的なリンクの重みを算出する。但し、経路（気温－飲酒時間－体調）において、ノード（飲酒時間）とノード（体調）のリンクの重みが小さいものとする。
　そして、前記ノードデータ処理部１４３は、図１３（ｅ）に示すように、他の「Ｓｏｕｒｃｅ」のノードと「Ｔａｒｇｅｔ」のノードの組み合わせと比較して、気温と体調のノード間における総合的なリンクの重みが上位である場合、気温と体調のノード間を抽出する。
　そして、前記因果関係処理部１４４は、図１３（ｆ）に示すように、属性（気温、体調）の時系列データ間の相関（正負の極性、時間のずれ）を計算することにより、当該属性（気温、体調）の時系列データ間に対応する関係性グラフのノード間の因果関係（気温が要因、体調が結果、３時間のずれ）を算定する。
　そして、前記ノードデータ処理部１４３は、図１３（ｇ）に示すように、因果関係処理部１４４により算定された関係性グラフのノード間の因果関係（気温が要因、体調が結果）に基づいて、関係性グラフの気温と体調のノード間のリンクに向き（気温→体調）を付する。なお、前記ノードデータ処理部１４３が飲酒時間と体調のノード間を総合的なリンクの重みが大きいノード間として抽出している場合、因果関係処理部１４４により算定された関係性グラフのノード間の因果関係（飲酒時間が要因、体調が結果）に基づいて、関係性グラフの飲酒時間と体調のノード間のリンクに向き（飲酒時間→体調）を付する。
　また、前記関係性推定部１４５は、図１３（ｇ）に示すように、気温と体調の関係性は強く、また気温が３時間後の体調に影響していることを推定したり、飲酒時間と体調の関係性が強く、また飲酒時間が６時間後の体調に影響していることを推定するとともに、気温と飲酒時間は関係性が弱いことを推定して、ユーザインターフェース部１１の画面において所定の文章やグラフを出力せしめる。
　以上、図面を参照して本発明の実施形態を説明したが、本発明は、図示した実施形態のものに限定されない。図示された実施形態に対して、本発明と同一の範囲内において、あるいは均等の範囲内において、種々の修正や変形を加えることが可能である。
１…ユーザの情報端末装置
　１１…ユーザインターフェース部
　１２…データ入出力部
　１３…データ取得部
　　１３１…第１のデータ取得部
　　１３２…第２のデータ取得部
　　１３３…第３のデータ取得部
　１４…アルゴリズム処理部
　　１４１…時系列データ処理部
　　１４２…関係性グラフ生成部
　　１４３…ノードデータ処理部
　　１４４…因果関係処理部
　　１４５…関係性推定部
　１５…記憶部
　１６…通信部
　１７…データ抽出部
２…ＩｏＴデバイス
　２１…センサ部
　２２…通信部
３…外部Ｗｅｂサービス
４…サーバ装置
　４１…学習部
　４２…記憶部
　４３…通信部

Claims (13)

  1. 　人の身体または活動に関する属性の時系列データを少なくとも含む、複数の属性の時系列データを取得するデータ取得部と、
    　前記データ取得部により取得された各属性の時系列データ間の類似度を計算する時系列データ処理部と、
    　前記データ取得部により取得された時系列データの属性をノードとして該ノードをリンクで接続した関係性グラフを生成し、前記時系列データ処理部により計算された属性の時系列データ間の類似度をノード間のリンクの重みの計算に利用する関係性グラフ生成部と、
    　前記関係性グラフ生成部により生成された関係性グラフにおいて、総合的なリンクの重みが大きいノード間を抽出するノードデータ処理部と、
    　前記ノードデータ処理部により抽出されたノード間に対応する属性間の関係性を推定する関係性推定部とを備えることを特徴とする関係性推定システム。
  2. 　前記関係性グラフ生成部は、前記時系列データ処理部により計算された属性の時系列データ間の類似度をノード間のリンクの重みとして関係性グラフを生成する請求項１に記載の関係性推定システム。
  3. 　前記ノードデータ処理部は、前記関係性グラフ生成部により生成された関係性グラフにおいて、ノード間ごとにリンクの重みが大きい複数の経路を算出して、各経路のリンクの重みに基づいて総合的なリンクの重みが大きいノード間を抽出する請求項１に記載の関係性推定システム。
  4. 　前記ノードデータ処理部は、ノード間における経路ごとのリンクの重みを演算することにより、ノード間の総合的なリンクの重みを算出する請求項３に記載の関係性推定システム。
  5. 　前記ノードデータ処理部は、ノード間における経路ごとのリンクの長さの逆数をリンクの重みとして加算することにより、ノード間の総合的なリンクの重みを算出する請求項４に記載の関係性推定システム。
  6. 　属性の時系列データ間の相関を計算することにより、関係性グラフのノード間の因果関係を算定する因果関係処理部を備える請求項１に記載の関係性推定システム。
  7. 　前記因果関係処理部は、属性の時系列データ間の相関の正負の極性と時間のずれを計算する請求項６に記載の関係性推定システム。
  8. 　前記ノードデータ処理部は、前記因果関係処理部により算出されたノード間の因果関係に基づいて、関係性グラフにおける当該ノード間のリンクに向きを付する請求項５に記載の関係性推定システム。
  9. 　前記関係性推定部は、前記因果関係処理部により算定されたノード間の因果関係に基づいて、当該ノード間に対応する属性間の関係性を推定する請求項６に記載の関係性推定システム。
  10. 　前記データ取得部は、外部のＩｏｔデバイスのセンサが計測した属性の時系列データ、外部のＷｅｂサービスの属性の時系列データ、および本システムが搭載された情報端末装置で計測または入力された属性の時系列データの少なくとも一つを含む時系列データを取得する請求項１に記載の関係性推定システム。
  11. 　前記時系列データ処理部は、前記データ取得部により取得された各属性の時系列データを正規化する請求項１に記載の関係性推定システム。
  12. 　請求項１に記載の関係性推定システムが搭載されたことを特徴とする情報端末装置。
  13. 　請求項１２に記載の複数の情報端末装置と、各情報端末装置とネットワークを介して接続されたサーバ装置とを備え、
    　前記サーバ装置は、各情報端末装置から収集した属性の時系列データに基づいて関係性グラフを生成することを特徴とする関係性推定システム。
PCT/JP2021/023005 2020-07-03 2021-06-17 関係性推定システム Ceased WO2022004404A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US18/014,279 US20230260646A1 (en) 2020-07-03 2021-06-17 Relationship estimatation system

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020-115945 2020-07-03
JP2020115945A JP2022013409A (ja) 2020-07-03 2020-07-03 関係性推定システム

Publications (1)

Publication Number Publication Date
WO2022004404A1 true WO2022004404A1 (ja) 2022-01-06

Family

ID=79316052

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/023005 Ceased WO2022004404A1 (ja) 2020-07-03 2021-06-17 関係性推定システム

Country Status (3)

Country Link
US (1) US20230260646A1 (ja)
JP (1) JP2022013409A (ja)
WO (1) WO2022004404A1 (ja)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7903238B2 (ja) 2022-06-15 2026-08-12 オムロン株式会社 情報処理装置、情報処理方法及びコンピュータプログラム
EP4702837A1 (en) 2023-04-28 2026-03-04 Ajinomoto Co., Inc. Method for evaluating metabolic disease following calving
US12613958B2 (en) * 2024-07-02 2026-04-28 Wiz, Inc. Temporal cause analysis of cybersecurity events

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015153133A (ja) * 2014-02-14 2015-08-24 オムロン株式会社 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
JP2015204033A (ja) * 2014-04-15 2015-11-16 株式会社東芝 健康情報サービスシステム

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6063028A (en) * 1997-03-20 2000-05-16 Luciano; Joanne Sylvia Automated treatment selection method
US20070118054A1 (en) * 2005-11-01 2007-05-24 Earlysense Ltd. Methods and systems for monitoring patients for clinical episodes
US8684922B2 (en) * 2006-05-12 2014-04-01 Bao Tran Health monitoring system
JP5372487B2 (ja) * 2008-12-18 2013-12-18 株式会社日立製作所 行動記録入力支援システム、及びサーバ
JP2012217518A (ja) * 2011-04-05 2012-11-12 Hitachi Ltd 人間行動分析システム及び方法
US9721039B2 (en) * 2011-12-16 2017-08-01 Palo Alto Research Center Incorporated Generating a relationship visualization for nonhomogeneous entities
EP3865056B1 (en) * 2012-09-14 2025-11-05 InteraXon Inc. Systems and methods for collecting, analyzing, and sharing bio-signal and non-bio-signal data
US9865176B2 (en) * 2012-12-07 2018-01-09 Koninklijke Philips N.V. Health monitoring system
US10970635B1 (en) * 2015-10-21 2021-04-06 C/Hca, Inc. Data processing for making predictive determinations
JP6343939B2 (ja) * 2014-01-14 2018-06-20 オムロン株式会社 健康管理支援システム
CA3236086A1 (en) * 2015-01-06 2016-07-14 David Burton Mobile wearable monitoring systems
JP6615493B2 (ja) * 2015-05-26 2019-12-04 株式会社野村総合研究所 サーバ装置
JP6185145B2 (ja) * 2015-09-04 2017-08-23 株式会社日立システムズ 生活支援サービスシステム及び方法
US20210169417A1 (en) * 2016-01-06 2021-06-10 David Burton Mobile wearable monitoring systems
US20180036591A1 (en) * 2016-03-08 2018-02-08 Your Trainer Inc. Event-based prescription of fitness-related activities
WO2020178829A1 (en) * 2019-03-04 2020-09-10 Wis2Biz Ltd. A system and method for generating interaction responses for wellness program participants
US11355242B2 (en) * 2019-08-12 2022-06-07 International Business Machines Corporation Medical treatment management
JP6788943B2 (ja) * 2019-11-06 2020-11-25 株式会社野村総合研究所 サーバ装置
US12094582B1 (en) * 2020-08-11 2024-09-17 Health at Scale Corporation Intelligent healthcare data fabric system
WO2022130011A1 (en) * 2020-12-15 2022-06-23 Orcam Technologies Ltd. Wearable apparatus and methods

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015153133A (ja) * 2014-02-14 2015-08-24 オムロン株式会社 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
JP2015204033A (ja) * 2014-04-15 2015-11-16 株式会社東芝 健康情報サービスシステム

Also Published As

Publication number Publication date
US20230260646A1 (en) 2023-08-17
JP2022013409A (ja) 2022-01-18

Similar Documents

Publication Publication Date Title
JP7336549B2 (ja) ジェスチャベースの行動を監視し、それに影響を与える方法およびシステム
US20230004580A1 (en) Data tagging
Yang et al. Lifelogging data validation model for internet of things enabled personalized healthcare
US11328823B2 (en) Wearable device for reducing exposure to pathogens of possible contagion
US10226204B2 (en) Method for detecting and responding to falls by residents within a facility
US9750433B2 (en) Using health monitor data to detect macro and micro habits with a behavioral model
Kim et al. Prediction Model of User Physical Activity using Data Characteristics-based Long Short-term Memory Recurrent Neural Networks.
JP7250647B2 (ja) 仮眠補助システム、および、仮眠補助用プログラム
JP2022013409A (ja) 関係性推定システム
CN106126895A (zh) 基于移动终端的健康生活行为管理系统及方法
JP2023536038A (ja) ウェアラブルグルコースモニタリングデバイスを用いた集団疾病の識別
Peter et al. IoT in combating COVID-19 pandemics: lessons for developing countries
US20250149172A1 (en) System for forecasting a mental state of a subject and method
Khowaja et al. Internet of Everything enabled solution for COVID-19, its new variants and future pandemics: Framework, Challenges, and Research Directions
Khalid et al. Sleepnet: Attention-enhanced robust sleep prediction using dynamic social networks
Jalali et al. Building health persona from personal data streams.
Zhang et al. Toward a wearable crowdsource system to monitor respiratory symptoms for pandemic early warning
Jalali et al. Personicle: personal chronicle of life events
CN120690365A (zh) 一种睡眠报告生成方法、装置、电子设备及存储介质
Malott et al. Detecting self-harming activities with wearable devices
Sarkar et al. An approach to continuous pervasive care of remote patients based on priority based assignment of nurse
Huang et al. Implementation of a wireless sensor network for heart rate monitoring in a senior center
CN120878200A (zh) 一种居家健康管理方法、装置、计算机设备及存储介质
TWI756992B (zh) 計算活動期間及效率的方法
Amarasinghe et al. Stress analysis and care prediction system for online workers

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: 21834370

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21834370

Country of ref document: EP

Kind code of ref document: A1