JP6464811B2 - 相関判定プログラム、相関判定方法、及び相関判定装置 - Google Patents

相関判定プログラム、相関判定方法、及び相関判定装置 Download PDF

Info

Publication number
JP6464811B2
JP6464811B2 JP2015035389A JP2015035389A JP6464811B2 JP 6464811 B2 JP6464811 B2 JP 6464811B2 JP 2015035389 A JP2015035389 A JP 2015035389A JP 2015035389 A JP2015035389 A JP 2015035389A JP 6464811 B2 JP6464811 B2 JP 6464811B2
Authority
JP
Japan
Prior art keywords
event
range
time
correlation
ratio
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2015035389A
Other languages
English (en)
Other versions
JP2016157308A (ja
Inventor
真路 堀田
真路 堀田
明大 猪又
明大 猪又
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.)
Fujitsu Ltd
Original Assignee
Fujitsu Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fujitsu Ltd filed Critical Fujitsu Ltd
Priority to JP2015035389A priority Critical patent/JP6464811B2/ja
Priority to PCT/JP2015/082915 priority patent/WO2016136057A1/ja
Priority to EP15883347.5A priority patent/EP3264347A4/en
Publication of JP2016157308A publication Critical patent/JP2016157308A/ja
Priority to US15/684,116 priority patent/US20170347884A1/en
Application granted granted Critical
Publication of JP6464811B2 publication Critical patent/JP6464811B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Debugging And Monitoring (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Description

本発明は、相関判定プログラム、相関判定方法、及び相関判定装置に関する。
医療の現場では、治療に際して病院内で観察される情報に基づいて治療が行われるのが一般的である。
一方、ウェアラブルセンサ等の出現により、個人毎に日常生活中の活動に関するセンサデータ（加速度、各速度、心拍数、血圧等）が示す事象（以下、「イベント」という。）について、コンピュータへの収集が可能となっている。また、各個人又は医師等が、個人ごとに、日常生活中の活動に関するイベント（薬の服用、食事の摂取等）を、コンピュータに入力することも可能である。
そこで、患者の日常生活中の活動に関して上記のように収集又は入力されるイベントを観察することで、日常のどのような場面で、患者に関して機能異常が発生しているのかが把握可能となり、効果的な診療を期待することができる。たとえば、薬を飲んだ後に血圧が異常になることが把握可能となり、薬の投与を控えるといった診療が可能となる。
従来、医学的知見から、機能異常ごとに着目すべきイベント（以下、「着目イベント」という。）は特定されると想定されている。例えば、心臓の異常であれば、心電波形の異常に着目すればよいし、転倒のリスクを把握したい場合、歩行速度の低下やふらつきの発生等に着目すればよいと考えられる。
そうすると、着目イベントが発生する背景、すなわち、着目イベントと相関を有する別のイベント（以下、「関連イベント」という。）を抽出することができれば、機能異常の改善に有効な知見を得ることが可能であると考えられる。
従来、コンピュータシステムに関するイベントについて、着目イベントの直前における発生頻度が閾値以上であるイベントを、関連イベントとして抽出することが検討されている。
特開２００８−４１０４１号公報 特開２００４−１５７６１４号公報 特開２００７−４８２００号公報 特開２０１３−１３１１７０号公報 特願２００１−５４０７１０号公報 特開２０１１−２０９９０８号公報
しかしながら、特に、人の日常生活中の活動に関しては、関連イベントの発生のタイミングは、必ずしも着目イベントの直前であるとは限らない。例えば、食事をした後の５分後〜６０後の間で血圧が低下することが有る。また、運動後に通常の心拍数に戻るまでに、５分〜１５分要する場合が有る。また、食事後の３０分〜９０分後に、消化によるエネルギー消費のため、心拍数が上昇することが有る。
このように、着目イベントに対する発生間隔が長い関連イベントについては、着目イベントの直前の期間を観察するのみでは抽出されない可能性が高い。
そこで、発生間隔が長い関連イベントの抽出を可能とするため、着目イベントの発生時から、長期間の範囲における発生頻度が閾値以上であるイベントを、関連イベントとして抽出することが考えられる。しかしながら、この場合、日常生活中の活動として通常行われる行動に関するイベントまでもが関連イベントとして抽出されてしまう可能性が有る。例えば、夕食を摂ってから５時間以内に就寝することが生活習慣である人に関しては、就寝を着目イベントにした場合、夕食の摂取が関連イベントであると抽出されてしまう可能性が有る。
また、関連イベントの発生頻度のみに依存して関連イベントが抽出される場合、「呼吸」や「瞬き」等、常に発生しうるイベントが、或るイベントの関連イベントとして抽出される可能性が高い。
そこで、一側面では、或る事象に相関を有する事象の抽出精度を向上させることを目的とする。
一つの案では、相関判定プログラムは、コンピュータに、各事象の発生時期を示す情報に基づいて、第１の種別の事象ごとに、当該事象の発生時期と、当該発生時期から所定時間内に発生した第２の種別の各事象の発生時期との時間間隔を算出し、前記時間間隔に関する値の範囲であって、相互に最小値及び最大値の少なくともいずれか一方が異なる複数の範囲のそれぞれごとに、前記時間間隔の集合のうち当該範囲内に含まれる時間間隔の数の当該範囲の大きさに対する第１の割合と、前記時間間隔の集合のうち当該範囲に含まれない時間間隔の数の前記所定時間から当該範囲を除いた範囲の大きさに対する第２の割合とを比較して、前記第１の種別の事象と、前記第２の種別の事象との相関の有無を判定する、処理を実行させる。
一側面によれば、或る事象に相関を有する事象の抽出精度を向上させることができる。
本実施の形態において用いられる図面の見方を説明するための図である。 本発明の実施の形態において基本となる第１の考え方を説明するための図である。 本発明の実施の形態において基本となる第２の考え方を説明するための図である。 本発明の実施の形態において基本となる第３の考え方を説明するための図である。 本発明の実施の形態における関連イベントの判定方法の概要を説明するための第１の図である。 本発明の実施の形態における関連イベントの判定方法の概要を説明するための第２の図である。 本発明の実施の形態における相関判定装置のハードウェア構成例を示す図である。 本発明の実施の形態における相関判定装置の機能構成例を示す図である。 相関判定装置が実行する処理手順の一例を説明するためのフローチャートである。 着目イベント及び候補イベントのそれぞれの時系列データの一例を示す図である。 パラメータ記憶部の構成例を示す図である。 着目イベントと候補イベントとの時間間隔の算出結果の一例を示す図である。 判定窓の生成を説明するための図である。 判定窓の生成処理によって特定されるデータの一例を示す図である。 一つの判定窓に関する着目イベントと候補イベントとの相関の有無の判定処理の処理手順の一例を説明するためのフローチャートである。 事例ごとのＺ１ｉｎ及びＺ１ｏｕｔ並びに比率Ｒ１の算出例を示す図である。 判定窓の開始時点に応じた閾値T_THの求め方の一例を説明するための図である。 比率Ｒ２の算出方法の一例を説明するための図である。 関連イベント記憶部の構成例を示す図である。
以下、図面に基づいて本発明の実施の形態を説明する。まず、本実施の形態において用いられる図面の見方について説明する。図１は、本実施の形態において用いられる図面の見方を説明するための図である。
本実施の形態では、人の日常生活における活動に関して、人に取り付けられたセンサ若しくは人によって携帯されるセンサによって検知されるデータや、人によって入力されるデータが、コンピュータに収集されている状態を前提とする。このような状態において、或る事象（以下、「イベント」という。）と相関又は関連（以下、「相関」で統一する。）を有するイベントを抽出する方法について説明する。なお、ここでの「或る事象」を、以下「着目イベント」といい、着目イベントに相関を有するイベントを、「関連イベント」という。
関連イベントの抽出に際し、まず、着目イベントと、関連イベントに該当するか否かについて判定対象とされるイベント（以下、「候補イベント」という。）とが指定される。
図１の（１）には、収集されたデータに基づいて特定される、候補イベントの発生時点と着目イベントの発生時点とが時間軸上に配列に示されている。すなわち、（１）の水平方向は、時間軸を示し、左から右の方向に時間が進む。各行において、塗りつぶされた矩形が配置されている時点が、候補イベント又は着目イベントの発生時点を示す。なお、本実施の形態において、着目イベントの発生のそれぞれを「事例ｎ」という。ｎは、観察対象とする期間における、着目イベントの発生順を示す。図１の（１）では、事例１〜事例３までが示されており、事例４以降については、省略されている。
図１の（２）は、事例ｎごとに、事例ｎの発生時点から所定時間内に発生した候補イベントが、事例ｎの発生時点を基準としてプロットされた図である。すなわち、（２）では、各事例が垂直方向に配列されている。事例ｎごとの行では、事例ｎに係る着目イベントの発生時から所定時間内に発生した候補イベントの発生時点がプロットされている。例えば、（１）における破線の矩形によって示される範囲から明らかなように、事例２からの所定時間においては、候補イベントが２回発生している。したがって、（２）において、事例２に対応する行には、これら２回分の候補イベントの発生時点がプロットされている。
また、（２）において、符号Ｗによって示される矩形は、観察対象とする時間幅を示す窓（以下、「判定窓」という。）である。本実施の形態では、判定窓Ｗを水平方向にずらしながら、判定窓Ｗにおける、候補イベントの発生頻度（以下、単位「頻度」という。）が計測される。或るイベントの頻度の算出式は、たとえば以下の通りである。
頻度＝（判定窓Ｗ内においてイベントが１回以上発生した事例の数）÷全事例の数
例えば、（２）における候補イベントの頻度は、１÷８＝０．１２５である。なお、判定窓Ｗ内において、事例５に関して候補イベントが２回発生していたとしても、候補イベントの頻度は、０．１２５である。
次に、本実施の形態において基本となる考え方について説明する。図２は、本発明の実施の形態において基本となる第１の考え方を説明するための図である。
第１の考え方は、判定窓Ｗ内の頻度が小さくても、当該頻度が判定窓Ｗ外の頻度に比べて非常に大きければ、候補イベントと着目イベントとの相関は高いとする考え方である。すなわち、図２において、判定窓Ｗ内の頻度は、左側と右側とで同じであるが、判定窓Ｗ外の頻度に対する判定窓Ｗ内の頻度の比率は、右側の方が高い。したがって、図２では、右側の状態の方が、候補イベントと着目イベントとの相関が高いと考えられる。
例えば、着目イベントが睡眠の開始であり、候補イベントが食事の終了であるとすると、左側では、食事が終了してから３０分〜４５分後（判定窓Ｗの時間帯）に睡眠が開始される頻度が、４÷５＝０．８であり、他の時間帯においても、同様の頻度が観測される。一方、右側では、食事が終了してから３０分〜４５分後（判定窓Ｗの時間帯）に睡眠が開始される頻度が、４÷５＝０．８であるが、他の時間帯においては、同様の頻度は観測されない。このような場合、右側の方が、食事の終了と睡眠の開始との相関は高いものと考えられる。
但し、第１の考え方によれば、判定窓Ｗの時間幅が広くなればなるほど、判定窓Ｗ内の頻度が高くなる可能性が高い。そこで、第１の考え方を補完するために、本実施の形態では、第２の考え方が導入される。
図３は、本発明の実施の形態において基本となる第２の考え方を説明するための図である。第２の考え方は、時間幅が相対的に非常に狭い判定窓Ｗの頻度と時間幅が相対的に広い判定窓Ｗの頻度との違いが小さい場合、前者の頻度の方が小さくても、前者の方が相関が高いとする考え方である。
例えば、図３において、左側の判定窓Ｗ内の頻度は、右側の判定窓Ｗ内の頻度よりも高いが、右側の判定窓Ｗの幅は、左側の判定窓Ｗに比べて非常に狭い。したがって、この場合、右側の状態の方が相関が高いと考えられる。左側で言えることは、食事を終了した０〜３００分後に睡眠が開始される頻度が高いということである。一方、右側で言えることは、食事をしてから３０〜４５分後に睡眠が開始される可能性が高いということである。このような場合、右側の方が、食事の終了と睡眠の開始との相関は高いものと考えられる。
但し、関連イベントが発生する時点と着目イベントが発生する時点との間隔が大きくなればなるほど、各事例における、着目イベントに対する関連イベントの発生時点のばらつきは大きくなると考えられる。例えば、薬Ａを服用してから５分以内に副作用Ｘが発症する場合と、薬Ｂを服用してから３時間後に副作用Ｙが発症する場合とを比べると、後者の方が副作用が発症するタイミングがばらつく可能性が高いと考えられる。薬を飲む日によって体調等、人の生理特性が異なるためである。また、関連イベントと着目イベントとの間隔が長くなればなるほど、当該間隔において、別の行動が行われ、関連イベントと着目イベントとの間隔とが広げられる可能性が有るからである。例えば、薬の服用後、３０分以内に就寝する人と、薬の服用後、３時間後以降に就寝する人とでは、後者の人の方が、３時間の間における行動によって、就寝時間が前後する可能性が高い。
第１及び第２の考え方だけでは、例えば、上記の「薬Ａの服用」と「副作用Ｘの発症」との相関と、「薬Ｂの服用」と「副作用Ｙの発症」との相関が、本来、同程度であったとしても、前者の方が相関が高いと判定される可能性が有る。そこで、第２の考え方を補完するために、本実施の形態では、第３の考え方が導入される。
図４は、本発明の実施の形態において基本となる第３の考え方を説明するための図である。第３の考え方は、判定窓Ｗの時間幅が広くても着目イベントとの間隔が離れていれば、候補イベントは着目イベントと相関を有する可能性が有るとする考え方である。
図４の左側の場合、判定窓Ｗ内の候補イベントの頻度は、１÷５＝０．２となる。しかし、図４において、候補イベント群は、着目イベント群と約９０分も離れているため、図４の右側のように、候補イベント群のばらつきを許容して、判定窓Ｗの時間幅を広げることで、判定窓Ｗ内の候補イベントの頻度は、４÷５＝０．８となる。
本実施の形態では、上記の第１から第３の考え方に基づいて、候補イベントが関連イベントであるか否かの判定が行われる。続いて、本実施の形態における関連イベントの判定方法のポイントについて説明する。
図５は、本発明の実施の形態における関連イベントの判定方法の概要を説明するための第１の図である。
本実施の形態では、相互に時間幅及び位置の少なくともいずれか一方が異なる複数種類の判定窓Ｗが利用される。それぞれの判定窓Ｗごとに、判定窓Ｗ内における候補イベントの発生割合と、判定窓Ｗ外における候補イベントの発生割合とが算出される。いずれかの判定窓Ｗにおいて、後者の発生割合に対する前者の発生割合の比率が閾値R_TH以上であれば、候補イベントは関連イベントであると判定される。ここで、判定窓Ｗ内における候補イベントの発生割合は、判定窓Ｗ内における候補イベントの発生回数を、判定窓Ｗの時間幅で除することにより算出される。また、判定窓Ｗ外における候補イベントの発生割合は、判定窓Ｗ外における候補イベントの発生回数を、全体の期間（図５における水平方向の期間）から判定窓Ｗの時間幅を除いた期間で除することにより算出される。したがって、図５において、（１）よりも（２）の方が、候補イベントが関連イベントであると判定される可能性が高い。なお、図５において説明した処理を、「ポイント１」という。
但し、イベントの発生状況によっては、ポイント１が有効でない場合も有る。そこで、本実施の形態では、図６において説明される処理が実行される。
図６は、本発明の実施の形態における関連イベントの判定方法の概要を説明するための第２の図である。図６では、事例１に関して、候補イベントが１００回発生していることとする。一方、事例２〜４では、それぞれ１回ずつしか発生していないとする。このような場合、ポイント１によって算出される比率が、閾値R_TH未満となる可能性が高い。したがって、候補イベントは関連イベントでないと判定される可能性が高い。しかし、事例２〜４を観察すれば、候補イベントが関連イベントである可能性は非常に高いと考えられる。
そこで、本実施の形態では、ポイント１の実行前に、事例ごとに、判定窓Ｗ内の候補イベントの発生割合と、判定窓Ｗ外の候補イベントの発生割合とが算出される。その結果、後者の発生割合に対する前者の発生割合の比率が閾値α以上である事例の割合が、閾値β以上であれば、ポイント１が実行されずに、候補イベントは、関連イベントであると判定される。
なお、図６において説明した処理を、「ポイント２」という。ポイント１及びポイント２は、第１の考え方に基づく処理である。
また、本実施の形態では、相互に時間幅及び位置の少なくともいずれか一方が異なる複数種類の判定窓Ｗが利用されるところ、全ての時間幅の判定窓Ｗに関して、ポイント１は、有効ではない。すなわち、図３において説明したように、時間幅が狭い判定窓Ｗと時間幅が広い判定窓Ｗとに関して、ポイント１による比率が同じである場合であっても、時間幅が狭い判定窓Ｗに関する比率の方が、相関に関して高く評価されるべきである。
そこで、本実施の形態では、ポイント２において、候補イベントが関連イベントであると判定されなかった場合において、判定窓Ｗの時間幅が閾値T_TH以下である場合にのみ、ポイント１の処理を有効とする、ポイント３と呼ばれる処理が実行される。なお、ポイント３は、第３の考え方に対応する処理である。
更に、図４において説明したように、着目イベントとの間隔が大きくなればなるほど、各候補イベント間のずれに対する許容幅は大きくされるべきである。そこで、本実施の形態では、判定窓Ｗの位置に応じて、ポイント２に関して利用される閾値T_THが変更される。より詳しくは、判定窓Ｗの位置が、着目イベントから遠ければ遠いほど、閾値ＨＴ２は大きくなる。以下、閾値T_THの変更に関する処理を、ポイント４と呼ぶ。
以下、ポイント１〜４に基づいて、関連イベントの判定を行う相関判定装置１０について、具体的に説明する。
図７は、本発明の実施の形態における相関判定装置のハードウェア構成例を示す図である。図７の相関判定装置１０は、それぞれバスＢで相互に接続されているドライブ装置１００、補助記憶装置１０２、メモリ装置１０３、ＣＰＵ１０４、及びインタフェース装置１０５等を有する。
相関判定装置１０での処理を実現するプログラムは、記録媒体１０１によって提供される。プログラムを記録した記録媒体１０１がドライブ装置１００にセットされると、プログラムが記録媒体１０１からドライブ装置１００を介して補助記憶装置１０２にインストールされる。但し、プログラムのインストールは必ずしも記録媒体１０１より行う必要はなく、ネットワークを介して他のコンピュータよりダウンロードするようにしてもよい。補助記憶装置１０２は、インストールされたプログラムを格納すると共に、必要なファイルやデータ等を格納する。
メモリ装置１０３は、プログラムの起動指示があった場合に、補助記憶装置１０２からプログラムを読み出して格納する。ＣＰＵ１０４は、メモリ装置１０３に格納されたプログラムに従って相関判定装置１０に係る機能を実行する。インタフェース装置１０５は、ネットワークに接続するためのインタフェースとして用いられる。
なお、記録媒体１０１の一例としては、ＣＤ−ＲＯＭ、ＤＶＤディスク、又はＵＳＢメモリ等の可搬型の記録媒体が挙げられる。また、補助記憶装置１０２の一例としては、ＨＤＤ（Hard Disk Drive）又はフラッシュメモリ等が挙げられる。記録媒体１０１及び補助記憶装置１０２のいずれについても、コンピュータ読み取り可能な記録媒体に相当する。
図８は、本発明の実施の形態における相関判定装置の機能構成例を示す図である。図８において、相関判定装置１０は、イベント選択部１１、イベントデータ取得部１２、パラメータ取得部１３、時間間隔算出部１４、判定窓生成部１５、相関判定部１６、及び結果出力部１７等を有する。これら各部は、相関判定装置１０にインストールされる１以上のプログラムが、ＣＰＵ１０４に実行させる処理により実現される。相関判定装置１０は、また、イベントデータ記憶部１２１、パラメータ記憶部１２２、及び関連イベント記憶部１２３等を利用する。これら各記憶部は、例えば、補助記憶装置１０２、又は相関判定装置１０にネットワークを介して接続可能な記憶装置等を用いて実現可能である。
イベント選択部１１は、着目イベントとするイベントの種別と候補イベントとするイベントの種別とを選択する。
イベントデータ取得部１２は、着目イベントに関するイベントデータと、候補イベントに関するイベントデータとを、イベントデータ記憶部１２１から取得する。イベントデータ記憶部１２１には、各イベントに関するイベントデータが、時系列に記憶されている。各イベントデータには、例えば、イベントの種別、イベントの発生日時等が含まれている。
パラメータ取得部１３は、着目イベントと候補イベントとの相関の有無の判定処理に利用される判定窓Ｗに関するパラメータを、パラメータ記憶部１２２から取得する。時間間隔算出部１４は、イベントデータ取得部１２によって取得されたイベントデータ群に基づいて、着目イベントごとに、当該着目イベントの発生日時と、当該着目イベントの発生から所定時間内に発生した各候補イベントの発生日時との時間間隔を算出する。
判定窓生成部１５は、相互に時間幅及び位置の少なくともいずれか一方が異なる複数の判定窓Ｗを生成する。相関判定部１６は、複数の判定窓Ｗを利用して、上記したポイント１〜４に基づいて、着目イベントと候補イベントとの相関の有無を判定する。結果出力部１７は、相関判定部１６による判定結果を出力する。例えば、結果出力部１７は、着目イベントに対して相関が有ると判定された候補イベント（すなわち、関連イベント）に関する情報を、関連イベント記憶部１２３に記憶する。
以下、相関判定装置１０が実行する処理手順について説明する。図９は、相関判定装置が実行する処理手順の一例を説明するためのフローチャートである。
ステップＳ１０１において、イベント選択部１１は、複数のイベントの種別の中から、着目イベントとする１つの種別と候補イベントとする１以上の種別とを選択する。着目イベントの種別及び候補イベントの種別は、ユーザによって入力されてもよい。例えば、患者Ａに対して或る薬Ｘを処方した医師がユーザであるとする。当該ユーザは、薬Ｘの服用が、患者Ａに対してどのような影響を及ぼすのかを知りたいとする。この場合、例えば、「薬Ｘを服用」が着目イベントとされ、「ふらつく」、「心拍数が２０ｂｐｍ以上に上昇」、「体温が３８度以上に上昇」、「最高血圧が１４０ｍｍＨｇ以上に上昇」等の複数のイベントが候補イベントとして選択されてもよい。ステップＳ１０３以降は全ての候補イベントごとに実行されるが、本実施の形態では、便宜上、１つの候補イベントである「ふらつく」を例にして説明する。以下において、単に、「候補イベント」という場合、選択された候補イベントの中で、処理対象とされている１つの候補イベントを意味する。
続いて、イベントデータ取得部１２は、患者Ａに関するイベントデータであって、着目イベントに関するイベントデータと、候補イベントに関するイベントデータとのそれぞれをイベントデータ記憶部１２１に記憶されているイベントデータ群の中から抽出する。イベントデータ取得部１２は、着目イベント及び候補イベントのそれぞれに関して抽出されたイベントデータに基づいて、それぞれの時系列データを生成する（Ｓ１０２）。なお、本実施の形態において、イベントデータ記憶部１２１には、患者Ａに取り付けられたセンサによって収集されたデータや、患者Ａ又は医師（ユーザ）によって入力されたデータ等が、患者Ａに関するイベントデータとして、時系列に記憶されている。
図１０は、着目イベント及び候補イベントのそれぞれの時系列データの一例を示す図である。図１０において、（１）は、着目イベントの時系列データを示す。当該時系列データは、発生した着目イベントごとに、事例番号及び発生日時を含む。事例番号は、着目イベントの発生順序を示す番号であり、例えば、イベントデータ取得部１２によって割り当てられる。
また、（２）は、候補イベントの時系列データを示す。当該時系列データは、発生した候補イベントごとに、発生番号及び発生日時を含む。発生番号は、候補イベントの発生順序を示す番号であり、例えば、イベントデータ取得部１２によって割り当てられる。 なお、着目イベント及び候補イベントのそれぞれの時系列データは、図１の（１）に示した情報を示すデータである。
なお、事例番号と発生番号とは、着目イベントと候補イベントとの対応関係を示すものではない。事例番号及び発生番号のそれぞれは、それぞれのイベントの集合内における発生の順番を示すものだからである。
続いて、パラメータ取得部１３は、判定窓Ｗに関するパラメータをパラメータ記憶部１２２から取得する（Ｓ１０３）。
図１１は、パラメータ記憶部の構成例を示す図である。図１１に示されるように、パラメータ記憶部１２２には、時間幅の候補、ずらし幅の倍率、及び最大時間範囲等が記憶されている。
時間幅の候補は、判定窓Ｗの時間幅の候補である。ずらし幅の倍率は、判定窓Ｗのずらし幅を決定するためのパラメータである。判定窓Ｗの時間幅に対し、ずらし幅の倍率を乗じることにより得られる値が、判定窓Ｗのずらし幅となる。なお、判定窓Ｗのずらし幅とは、判定窓Ｗの位置をずらす前の判定窓Ｗの位置と、ずらした後の判定窓の位置との間隔である。最大時間範囲は、事例ごとに、当該事例に係る着目イベントに対する候補イベントの抽出範囲を示すパラメータである。例えば、最大時間範囲には、着目イベントによる影響が発生しうると考えられる最大の時間範囲が指定される。なお、本実施の形態において、時間幅及び最大時間範囲の単位は、秒である。
時間幅の候補や最大時間範囲は、ユーザ（医師）の経験的知識等、ある程度の事前知識（例えば、薬Ｘの効果は服用後の１〜２時間以内である等の知識）が有る場合には、当該事前知識が活用されて設定されてもよい。薬Ｘの効果が、服用後の１〜２時間以内であれば、例えば、最大時間幅には、２時間を示す値が設定されてもよい。
続いて、時間間隔算出部１４は、着目イベントごとに、当該着目イベントの発生日時から最大時間範囲内に発生した各候補イベントとの時間間隔（発生日時の差分の絶対値）を算出する（Ｓ１０４）。なお、本実施の形態では、着目イベント（薬Ｘの服用）が、候補イベント（ふらつく）よりも先に発生するイベントであるため、着目イベントの発生日時から最大時間範囲内とは、着目イベントの発生日時以降の時間範囲を意味する。仮に、着目イベントが、候補イベントよりも後に発生するイベントである場合、着目イベントの発生日時から最大時間範囲内とは、着目イベントの発生日時以前の時間範囲を意味する。また、算出される時間間隔は、必ずしも絶対値でなくてもよいが、本実施の形態では、時間間隔が負である場合を除外して説明を簡略化するために（すなわち、説明の便宜上）、時間間隔は絶対値とされる。
図１２は、着目イベントと候補イベントとの時間間隔の算出結果の一例を示す図である。図１２には、図１０の（１）に示した着目イベントごとに、当該着目イベントの発生日時から最大時間範囲内に発生した各候補イベントとの時間間隔の算出結果が示されている。本実施の形態において、時間間隔の単位は秒である。なお、図１２に示される情報は、図１の（２）に示した情報に相当する。
なお、通常、最大時間範囲は、各着目イベントの発生間隔に比べて非常に短い。例えば、薬Ｘの服用時期が就寝前（すなわち、１日に１回）である場合であって、薬Ｘの効果が３時間である場合、ステップＳ１０４では、当該３時間における候補イベントに関して、時間間隔が算出される。したがって、通常は、複数の着目イベントに関して、同じ候補イベントとの時間間隔が重複して算出される可能性は低い。なお、斯かる重複が発生しうる場合には、重複が除去されて時間間隔が算出されてもよい。
続いて、判定窓生成部１５は、判定窓Ｗに関するパラメータ（図１１）に基づいて、判定窓Ｗを生成する（Ｓ１０５）。具体的には、１０、２０、５０、１００である４通りの時間幅の判定窓Ｗのそれぞれごとに、例えば、０を開始時点（判定窓Ｗの範囲の最小値）の初期値とし、開始時点が最大時間範囲内においてずらし幅ずつずらされながら判定窓Ｗが生成される。各判定窓Ｗの終了時点（判定窓Ｗの範囲の最大値）は、当該判定窓Ｗの開始時点に対して当判定窓Ｗの時間幅（当該判定窓Ｗの大きさ）が加算された値となる。また、ずらし幅は、各判定窓Ｗの時間幅にずらし幅の倍率を乗じることで特定される。その結果、相互に開始時点（最小値）及び終了時点（最大値）の少なくともいずれか一方が異なる複数の判定窓Ｗが生成される。なお、開始時点の初期値は、必ずしも０でなくてもよい。例えば、０以上であって、ステップＳ１０４において算出された時間間隔の最小値以下の値であれば、開始時点の起点は、どのような値であってもよい。
図１３は、判定窓の生成を説明するための図である。図１３では、時間幅の候補ごとに、開始時点ついてずれを有する判定窓Ｗが列挙されている。なお、図１３に列挙された判定窓Ｗは、図１１に示したパラメータに基づいて生成される判定窓Ｗを厳密に表現するものではない。本実施の形態において、ずらし幅の倍率は０．５である（すなわち、１未満）であるため、相互に１回分のずれを有する判定窓Ｗは、相互に重複する範囲を有するからである。
なお、ステップＳ１０５においては、生成された判定窓Ｗごとに、当該判定窓Ｗの開始時点及び終了時点等が特定される。図１４は、判定窓の生成処理によって特定されるデータの一例を示す図である。図１４に示されるように、ステップＳ１０５では、判定窓Ｗごとに、判定窓番号、時間幅、ずらし幅、開始時点、及び終了時点等が特定される。
判定窓番号は、各判定窓Ｗの識別情報である。時間幅及びずらし幅は、当該判定窓Ｗの生成に用いられた時間幅及びずらし幅である。開始時点は、当該判定窓Ｗの範囲の最小値である。終了時点は、当該判定窓Ｗの範囲の最大値である。なお、時間幅及びずらし幅は、参考までに示した情報であり、ステップＳ１０５の処理結果として保持されなくてもよい。ずらし幅は、後段の処理においては必要とされず、時間幅は、開始時点及び終了時点に基づいて特定可能であるからである。
続いて、相関判定部１６は、変数ｋに１を代入し、変数Ｓに生成された判定窓の個数を代入する（Ｓ１０６）。変数ｋは、処理対象とする判定窓Ｗの判定窓番号を示す変数である。続いて、相関判定部１６は、判定窓番号がｋである判定窓Ｗ（以下、「判定窓Ｗｋ」という。）に関して、着目イベントと候補イベントとの相関の有無の判定処理を実行する（Ｓ１０７）。当該判定処理は、上記したポイント１〜４に基づいて実行される。なお、処理対象とされる判定窓Ｗの順番については、特段の制限は無い。
続いて、相関判定部１６は、変数ｋの値がＳ以上であるか否かを判定する（Ｓ１０８）。すなわち、全ての判定窓Ｗについて、ステップＳ１０７が実行されたか否かが判定される。変数ｋの値が、Ｓ未満である場合（Ｓ１０８でＮｏ）、相関判定部１６は、変数ｋに１を加算して（Ｓ１０９）、ステップＳ１０７を繰り返す。変数ｋの値が、Ｓ以上である場合（Ｓ１０８でＹｅｓ）、結果出力部１７は、ステップＳ１０７における判定結果を出力する（Ｓ１１０）。
続いて、ステップＳ１０７の詳細について説明する。図１５は、一つの判定窓に関する着目イベントと候補イベントとの相関の有無の判定処理の処理手順の一例を説明するためのフローチャートである。図１５の説明において、判定窓Ｗｋは、図９のステップＳ１０７が実行される時点における判定窓Ｗｋである。
ステップＳ２０１において、相関判定部１６は、ポイント２に係る処理を実行する。すなわち、相関判定部１６は、事例ごとに、判定窓Ｗｋ内の時間間隔の数の判定窓Ｗｋの時間幅に対する割合Ｚ１ｉｎと、判定窓Ｗｋ外の時間間隔の数の判定窓Ｗｋ外の時間幅に対する割合Ｚ１ｏｕｔとを算出する。なお、割合Ｚ１ｉｎは、判定窓Ｗｋ内の候補イベントの発生割合に相当する。また、割合Ｚ１ｏｕｔは、判定窓Ｗｋ外の候補イベントの発生割合に相当する。相関判定部１６は、比率Ｒ１＝Ｚ１ｉｎ／Ｚ１ｏｕｔが、閾値α以上である事例の割合Ｋ１が、閾値β以上であるか否かを判定する。より詳しくは、相関判定部１６は、ステップＳ２０１において、以下のような処理を実行する。
まず、相関判定部１６は、事例ごとに、当該事例に関して算出された時間間隔のうち、判定窓Ｗｋ内に含まれる時間間隔の個数Ｎ（ｉ）ｉｎと、判定窓Ｗｋに含まれない時間間隔の個数Ｎ（ｉ）ｏｕｔとを集計する。ここで、ｉは、事例番号である。続いて、相関判定部１６は、事例ごとに、Ｚ１（ｉ）ｉｎ＝Ｎ（ｉ）ｉｎ／Ｗと、Ｚ１（ｉ）ｏｕｔ＝Ｎ（ｉ）ｏｕｔ／（Ｗａｌｌ−Ｗ）を算出する。ここで、Ｗは、判定窓Ｗｋの時間幅である。Ｗａｌｌは、最大時間範囲である。続いて、相関判定部１６は、事例ごとに、比率Ｒ１（ｉ）＝Ｚ１（ｉ）ｉｎ／Ｚ１（ｉ）ｏｕｔを算出する。続いて、相関判定部１６は、Ｒ１（ｉ）が、閾値α以上である事例数について、全事例数に対する割合Ｋ１がβ以上であるか否かを判定する。
図１６は、事例ごとのＺ１ｉｎ及びＺ１ｏｕｔ並びに比率Ｒ１の算出例を示す図である。図１６において、Ｗａｌｌは、１０００秒であり、判定窓Ｗｋの時間幅は、１００秒である。また、全事例数は、２５である。更に、図１６において、閾値αは８であり、閾値βは０．５である。
例えば、事例番号が１である事例１については、Ｎ（１）ｉｎ＝３、Ｎ（１）ｏｕｔ＝３１である。したがって、Ｚ１（１）ｉｎ＝３／１００＝０．０３、Ｚ１（１）ｏｕｔ＝３１／（１０００−１００）＝０．０３４である。更に、Ｒ１（１）＝０．０３／０．０３４＝０．８８である。０．８８は、閾値α未満である。よって、事例１に関するＲ１（１）は、閾値α未満であると判定される。同様に、各事例について判定した結果が、図１６の右端の列に示されている。仮に、比率Ｒ１が閾値α以上であると判定された事例数が２である場合、当該事例数の全事例数に対する割合Ｋ１は、２／２５＝０．０８となる。この場合、割合Ｋ１は、閾値β未満である。したがって、ステップＳ２０２の判定は、否定的なものとなる。
ステップＳ２０２の判定結果が肯定的なものである場合（Ｓ２０１でＹｅｓ）、相関判定部１６は、候補イベントは、着目イベントと相関が有ると判定する。
一方、ステップＳ２０１の判定結果が否定的なものである場合（Ｓ２０１でＮｏ）、相関判定部１６は、ポイント４に対応する処理を実行する。具体的には、相関判定部１６は、判定窓Ｗｋの開始時点に応じた閾値T_THを求める（Ｓ２０３）。例えば、閾値T_THは、次のように求められてもよい。
図１７は、判定窓の開始時点に応じた閾値T_THの求め方の一例を説明するための図である。図１７のグラフｇ１において、横軸は、判定窓Ｗの開始時点に対応し、縦軸は、閾値T_THに対応する。
まず、相関判定部１６は、開始時点が０である場合に対して、判定窓Ｗの時間幅の候補のうちの最小値を、閾値ＨＴ２として割り当てる。本実施の形態において、判定窓Ｗの時間幅の候補は、図１１に示されるように、１０、２０、５０、１００である。したがって、判定窓Ｗの時間幅の最小値は、１０である。よって、開始時点が０の場合に対して、１０が割り当てられる。この場合、グラフｇ１において、点Ｐ１（０，１０）が配置されたことになる。
続いて、相関判定部１６は、開始時点が最大時間範囲である場合に対して、時間幅の候補のうちの最大値を、閾値T_THとして割り当てる。したがって、開始時点が１０００である場合に対して１００が割り当てられる。この場合、グラフｇ１において、点Ｐ２が配置されたことになる。
続いて、相関判定部１６は、点Ｐ１と点Ｐ２との間を線形補完して、直線Ｌ１を導出する。
最後に、相関判定部１６は、直線Ｌ１に基づいて、判定窓Ｗｋの開始時点に対応する閾値T_THを求める。
上記の方法によれば、判定窓Ｗの開始時点が大きければ大きいほど（すなわち、当該判定窓Ｗに含まれる候補イベントの発生時期が着目イベントの発生時期から離れていれば離れているほど）、閾値T_THを大きくすることができる。なお、点Ｐ１と点Ｐ２との間の補完方法は、線形補完に限定されない。例えば、点Ｐ１と点Ｐ２との間が、曲線によって結ばれてもよい。
続いて、相関判定部１６は、ポイント３に対応する処理を実行する。すなわち、相関判定部１６は、判定窓Ｗｋの時間幅が、閾値T_TH以下であるか否かを判定する（Ｓ２０４）。判定窓Ｗｋの時間幅が、閾値T_THを超える場合（Ｓ２０４でＮｏ）、相関判定部１６は、図１５の処理を終了する。この場合の判定結果は、判定不能となる。
一方、判定窓Ｗｋの時間幅が、閾値T_TH以下である場合（Ｓ２０４でＹｅｓ）、相関判定部１６は、ポイント１に対応する処理を実行する。すなわち、相関判定部１６は、図９のステップＳ１０４において算出された時間間隔の集合のうち、判定窓Ｗｋの範囲に含まれる時間間隔の発生割合の、判定窓Ｗｋの範囲に含まれない時間間隔の発生割合に対する比率Ｒ２を算出する（Ｓ２０５）。
図１８は、比率Ｒ２の算出方法の一例を説明するための図である。図１８において、最大時間範囲Ｗａｌｌは、１０００秒であり、判定窓Ｗｋの時間幅は、２０秒である。また、判定窓Ｗｋの位置（開始時点）は、図１８に示される通りである。また、各事例における、候補イベントと着目イベントとの時間間隔も、図１８において、事例ごとにプロットされている通りである。
まず、相関判定部１６は、図９のステップＳ１０４において算出された時間間隔の個数Ｎａｌｌを数える。図１８において、Ｎａｌｌ＝３３である。また、相関判定部１６は、Ｎａｌｌ個の時間間隔の集合のうち、判定窓Ｗｋの範囲に含まれる時間間隔の個数Ｎを数える。図１８において、Ｎ＝５である。
続いて、相関判定部１６は、Ｎについて、判定窓Ｗｋの範囲の大きさである時間幅Ｗに対する割合Ｚｉｎを算出する。図１８において、Ｚｉｎ＝５／２０＝０．２５である。続いて、相関判定部１６は、判定窓Ｗｋの外の時間間隔の個数について、Ｗａｌｌから判定窓Ｗｋの時間幅を除く時間に対する割合Ｚｏｕｔを算出する。図１８において、Ｚｏｕｔ＝（Ｎａｌｌ−Ｎ）／（Ｗａｌｌ−Ｗ）＝０．０２８である。続いて、相関判定部１６は、ＺｉｎについてＺｏｕｔに対する比率Ｒ２を算出する。図１８において、Ｒ２＝Ｚｉｎ／Ｚｏｕｔ＝８．９３である。
図１５に戻る。ステップＳ２０５に続いて、相関判定部１６は、ステップＳ２０５において算出された比率Ｒ２が、閾値R_TH以上であるか否かを判定する（Ｓ２０６）。閾値R_THは、予め設定されている。例えば、図１８に関して、閾値R_THが８である場合、比率Ｒ２は、閾値R_TH以上である。したがって、この場合（Ｓ２０６でＹｅｓ）、相関判定部１６は、候補イベントが着目イベントと相関を有すると判定する（Ｓ２０７）。一方、比率Ｒ２が、閾値R_TH未満である場合（Ｓ２０６でＮｏ）、相関判定部１６は、候補イベントが着目イベントと相関を有さないと判定する（Ｓ２０８）。
なお、図９のステップＳ１１０では、いずれかの判定窓Ｗｋに関して相関が有ると判定された場合に、着目イベントを示す情報、着目イベントに相関を有すると判定された候補イベント（関連イベント）を示す情報、並びに当該判定窓Ｗｋの開始時点及び終了時点が、関連イベント記憶部１２３に記憶されてもよい。
図１９は、関連イベント記憶部の構成例を示す図である。図１９において、関連イベント記憶部１２３は、着目イベントを示す情報、関連イベントを示す情報、及び相関が高い期間を対応付けて記憶する。相関が高い期間とは、当該着目イベント及び当該関連イベントに関して、相関が高いと判定された判定窓Ｗｋの開始時点及び終了時点を示す情報である。
なお、複数の判定窓Ｗｋに関して相関が有ると判定された場合には、比率Ｒ２が最高である判定窓Ｗｋの開始時点及び終了時点が出力されてもよい。又は、比率Ｒに基づいて、各判定窓Ｗｋの開始時点及び終了時点がソートされて出力されてもよい。一方、全ての判定窓Ｗｋに関して、相関が無いと判定された場合、着目イベントと候補イベントとの間には相関が無いことを示す情報が出力されてもよい。
なお、上記では、少なくとも一つの判定窓Ｗｋに関して、相関が有ると判定された場合に、着目イベントと候補イベントとの相関が認められる。但し、相関が有ると判定された判定窓Ｗｋの数の個数が、予め定められた閾値γを超えないことが、着目イベントと候補イベントとの相関が認められるための要件として追加されてもよい。この場合、相関が有ると判定された全ての判定窓Ｗｋに関する情報（開始時点及び終了時点等）が出力されてもよい。但し、範囲が重複する判定窓Ｗｋが複数有る場合、例えば、Ｒ２又はＫ１が最大であった判定窓Ｗｋに関する情報のみが出力されてもよい。
一方、相関が有ると判定された判定窓Ｗｋの数の個数が、閾値γを超える場合は、相関の有無を判定するための閾値であるR_TH、α、β等の値が見直されてもよい。例えば、以下において説明するような方法で、各閾値が設定されてもよい。閾値の見直し後に、図９のステップＳ１０６以降が実行されてもよい。
閾値R_TH及び閾値αの決定方法の一例について説明する。図１８の説明に関して、Ｚｉｎ／Ｚｏｕｔと閾値R_THとの関係について、以下の式（１）が成立する。
Figure 0006464811
なお、式（１）において、左辺は、Ｚｉｎに相当する。右辺の括弧内は、Ｚｏｕｔに相当する。
また、図１６の説明に関して、Ｚ１（ｉ）ｉｎ／Ｚ１（ｉ）ｏｕｔと閾値αとの関係について、以下の式（２）が成立する。
Figure 0006464811
式（１）と式（２）との関係より、基本的に、閾値αには、閾値R_THと同じ値が設定されてよい。そして、閾値R_THは、例えば、明らかに相関を有することが既知である二つのイベント種別を対象に、その既知データを使って算出される比率Ｒ２に基づいて決定されてもよい。
例えば、着目イベントＸと関連イベントＹとが相関を有することが既知であるとする。また、関連する時間範囲も既知であり、着目イベントが発生する前の１０〜２０分前に、関連イベントＹが発生する可能性が高いことが分かっているとする。
このような状況において、上記したように、着目イベントＸと関連イベントＹとの既知のイベントデータを使って、事例ごとに、当該事例に係る着目イベントＸと、当該着目イベントＸから最大時間範囲内の各関連イベントＹとの時間間隔を求める。
続いて、関連する時間範囲（１０〜２０分前）に係る判定窓Ｗを使って、判定窓Ｗ内の関連イベントの発生割合Ｚｉｎと、判定窓Ｗ外の関連イベントの発生割合Ｚｏｕｔを求め、比率Ｒ２＝Ｚｉｎ／Ｚｏｕｔを求める。
R_THの値は、最低閾値であるので、少なくとも比率Ｒ２以上の値に設定されればよい。なお、閾値R_THの決定において、複数人物の既知データを用い、人物ｐごとにＲ２（ｐ）を算出し、その最大値がＲ２とされてもよい。
上述したように、本実施の形態によれば、複数の判定窓Ｗのそれぞれごとに、当該判定窓Ｗ内の候補イベントの発生割合と、当該判定窓Ｗ外の候補イベントの発生割合とが比較されて、着目イベントと候補イベントとの相関の有無が判定される。したがって、単に、頻度等に基づいて、着目イベントと候補イベントとの相関の有無が判定される場合に比べて、或るイベントに相関を有する他のイベントの抽出精度を向上させることができる。
なお、本実施の形態は、人の日常生活に関するイベント以外のイベント（事象）に関して適用されてもよい。例えば、機器の状態を示すイベントに関して本実施の形態が適用されてもよい。また、コンピュータシステムから出力されるイベント（ログ情報）に関して本実施の形態が適用されてもよい。
なお、本実施の形態において、着目イベントは、第１の種別の事象の一例である。候補イベントは、第２の種別の事象の一例である。時間間隔算出部１４は、算出部の一例である。相関判定部１６は、判定部の一例である。
以上、本発明の実施例について詳述したが、本発明は斯かる特定の実施形態に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形・変更が可能である。閾値αは、第１の閾値の一例である。閾値βは、第２の閾値の一例である。閾値T_THは、第３の閾値の一例である。
以上の説明に関し、更に以下の項を開示する。
（付記１）
コンピュータに、
各事象の発生時期を示す情報に基づいて、第１の種別の事象ごとに、当該事象の発生時期と、当該発生時期から所定時間内に発生した第２の種別の各事象の発生時期との時間間隔を算出し、
前記時間間隔に関する値の範囲であって、相互に最小値及び最大値の少なくともいずれか一方が異なる複数の範囲のそれぞれごとに、前記時間間隔の集合のうち当該範囲内に含まれる時間間隔の数の当該範囲の大きさに対する第１の割合と、前記時間間隔の集合のうち当該範囲に含まれない時間間隔の数の前記所定時間から当該範囲を除いた範囲の大きさに対する第２の割合とを比較して、前記第１の種別の事象と、前記第２の種別の事象との相関の有無を判定する、
処理を実行させることを特徴とする相関判定プログラム。
（付記２）
前記判定する処理は、前記複数の範囲のそれぞれについて、前記第１の種別の事象ごとに、当該事象に関して算出された時間間隔の集合のうち当該範囲に含まれる時間間隔の数の当該範囲の大きさに対する第３の割合について、当該集合のうち当該範囲に含まれない時間間隔の数の前記所定時間から当該範囲を除いた範囲の大きさに対する第４の割合に対する比率を算出し、前記複数の範囲のうちのいずれかの範囲において、当該範囲に関して算出された前記比率の集合のうち第１の閾値以上である比率の数が第２の閾値以上となる場合には、前記第１の割合と前記第２の割合との比較に関わらず、前記第１の種別の事象と前記第２の種別の事象とは相関を有すると判定する、
ことを特徴とする付記１記載の相関判定プログラム。
（付記３）
前記判定する処理は、前記複数の範囲のうち、長さが第３の閾値以下である範囲について、前記第１の割合と前記第２の割合とを比較する、
ことを特徴とする付記１又は２記載の相関判定プログラム。
（付記４）
前記判定する処理は、最小値が相対的に大きい範囲に関して、前記第３の閾値を相対的に大きくする、
ことを特徴とする付記３記載の相関判定プログラム。
（付記５）
コンピュータが、
各事象の発生時期を示す情報に基づいて、第１の種別の事象ごとに、当該事象の発生時期と、当該発生時期から所定時間内に発生した第２の種別の各事象の発生時期との時間間隔を算出し、
前記時間間隔に関する値の範囲であって、相互に最小値及び最大値の少なくともいずれか一方が異なる複数の範囲のそれぞれごとに、前記時間間隔の集合のうち当該範囲内に含まれる時間間隔の数の当該範囲の大きさに対する第１の割合と、前記時間間隔の集合のうち当該範囲に含まれない時間間隔の数の前記所定時間から当該範囲を除いた範囲の大きさに対する第２の割合とを比較して、前記第１の種別の事象と、前記第２の種別の事象との相関の有無を判定する、
処理を実行することを特徴とする相関判定方法。
（付記６）
前記判定する処理は、前記複数の範囲のそれぞれについて、前記第１の種別の事象ごとに、当該事象に関して算出された時間間隔の集合のうち当該範囲に含まれる時間間隔の数の当該範囲の大きさに対する第３の割合について、当該集合のうち当該範囲に含まれない時間間隔の数の前記所定時間から当該範囲を除いた範囲の大きさに対する第４の割合に対する比率を算出し、前記複数の範囲のうちのいずれかの範囲において、当該範囲に関して算出された前記比率の集合のうち第１の閾値以上である比率の数が第２の閾値以上となる場合には、前記第１の割合と前記第２の割合との比較に関わらず、前記第１の種別の事象と前記第２の種別の事象とは相関を有すると判定する、
ことを特徴とする付記５記載の相関判定方法。
（付記７）
前記判定する処理は、前記複数の範囲のうち、長さが第３の閾値以下である範囲について、前記第１の割合と前記第２の割合とを比較する、
ことを特徴とする付記５又は６記載の相関判定方法。
（付記８）
前記判定する処理は、最小値が相対的に大きい範囲に関して、前記第３の閾値を相対的に大きくする、
ことを特徴とする付記７記載の相関判定方法。
（付記９）
各事象の発生時期を示す情報に基づいて、第１の種別の事象ごとに、当該事象の発生時期と、当該発生時期から所定時間内に発生した第２の種別の各事象の発生時期との時間間隔を算出する算出部と、
前記時間間隔に関する値の範囲であって、相互に最小値及び最大値の少なくともいずれか一方が異なる複数の範囲のそれぞれごとに、前記時間間隔の集合のうち当該範囲内に含まれる時間間隔の数の当該範囲の大きさに対する第１の割合と、前記時間間隔の集合のうち当該範囲に含まれない時間間隔の数の前記所定時間から当該範囲を除いた範囲の大きさに対する第２の割合とを比較して、前記第１の種別の事象と、前記第２の種別の事象との相関の有無を判定する判定部と、
を有することを特徴とする相関判定装置。
（付記１０）
前記判定部は、前記複数の範囲のそれぞれについて、前記第１の種別の事象ごとに、当該事象に関して算出された時間間隔の集合のうち当該範囲に含まれる時間間隔の数の当該範囲の大きさに対する第３の割合について、当該集合のうち当該範囲に含まれない時間間隔の数の前記所定時間から当該範囲を除いた範囲の大きさに対する第４の割合に対する比率を算出し、前記複数の範囲のうちのいずれかの範囲において、当該範囲に関して算出された前記比率の集合のうち第１の閾値以上である比率の数が第２の閾値以上となる場合には、前記第１の割合と前記第２の割合との比較に関わらず、前記第１の種別の事象と前記第２の種別の事象とは相関を有すると判定する、
ことを特徴とする付記９記載の相関判定装置。
（付記１１）
前記判定部は、前記複数の範囲のうち、長さが第３の閾値以下である範囲について、前記第１の割合と前記第２の割合とを比較する、
ことを特徴とする付記９又は１０記載の相関判定装置。
（付記１２）
前記判定部は、最小値が相対的に大きい範囲に関して、前記第３の閾値を相対的に大きくする、
ことを特徴とする付記１１記載の相関判定装置。
１０ 相関判定装置
１１ イベント選択部
１２ イベントデータ取得部
１３ パラメータ取得部
１４ 時間間隔算出部
１５ 判定窓生成部
１６ 相関判定部
１７ 結果出力部
１００ ドライブ装置
１０１ 記録媒体
１０２ 補助記憶装置
１０３ メモリ装置
１０４ ＣＰＵ
１０５ インタフェース装置
１２１ イベントデータ記憶部
１２２ パラメータ記憶部
１２３ 関連イベント記憶部
Ｂ バス

Claims (12)

  1. コンピュータに、
    各事象の発生時期を示す情報に基づいて、第１の種別の事象ごとに、当該事象の発生時期と、当該発生時期から所定時間内に発生した第２の種別の各事象の発生時期との時間間隔を算出し、
    前記時間間隔に関する値の範囲であって、相互に最小値及び最大値の少なくともいずれか一方が異なる複数の範囲のそれぞれごとに、前記時間間隔の集合のうち当該範囲内に含まれる時間間隔の数の当該範囲の大きさに対する第１の割合と、前記時間間隔の集合のうち当該範囲に含まれない時間間隔の数の前記所定時間から当該範囲を除いた範囲の大きさに対する第２の割合とを比較して、前記第１の種別の事象と、前記第２の種別の事象との相関の有無を判定する、
    処理を実行させることを特徴とする相関判定プログラム。
  2. 前記判定する処理は、前記複数の範囲のそれぞれについて、前記第１の種別の事象ごとに、当該事象に関して算出された時間間隔の集合のうち当該範囲に含まれる時間間隔の数の当該範囲の大きさに対する第３の割合について、当該集合のうち当該範囲に含まれない時間間隔の数の前記所定時間から当該範囲を除いた範囲の大きさに対する第４の割合に対する比率を算出し、前記複数の範囲のうちのいずれかの範囲において、当該範囲に関して算出された前記比率の集合のうち第１の閾値以上である比率の数が第２の閾値以上となる場合には、前記第１の割合と前記第２の割合との比較に関わらず、前記第１の種別の事象と前記第２の種別の事象とは相関を有すると判定する、
    ことを特徴とする請求項１記載の相関判定プログラム。
  3. 前記判定する処理は、前記複数の範囲のうち、長さが第３の閾値以下である範囲について、前記第１の割合と前記第２の割合とを比較する、
    ことを特徴とする請求項１又は２記載の相関判定プログラム。
  4. 前記判定する処理は、最小値が相対的に大きい範囲に関して、前記第３の閾値を相対的に大きくする、
    ことを特徴とする請求項３記載の相関判定プログラム。
  5. コンピュータが、
    各事象の発生時期を示す情報に基づいて、第１の種別の事象ごとに、当該事象の発生時期と、当該発生時期から所定時間内に発生した第２の種別の各事象の発生時期との時間間隔を算出し、
    前記時間間隔に関する値の範囲であって、相互に最小値及び最大値の少なくともいずれか一方が異なる複数の範囲のそれぞれごとに、前記時間間隔の集合のうち当該範囲内に含まれる時間間隔の数の当該範囲の大きさに対する第１の割合と、前記時間間隔の集合のうち当該範囲に含まれない時間間隔の数の前記所定時間から当該範囲を除いた範囲の大きさに対する第２の割合とを比較して、前記第１の種別の事象と、前記第２の種別の事象との相関の有無を判定する、
    処理を実行することを特徴とする相関判定方法。
  6. 前記判定する処理は、前記複数の範囲のそれぞれについて、前記第１の種別の事象ごとに、当該事象に関して算出された時間間隔の集合のうち当該範囲に含まれる時間間隔の数の当該範囲の大きさに対する第３の割合について、当該集合のうち当該範囲に含まれない時間間隔の数の前記所定時間から当該範囲を除いた範囲の大きさに対する第４の割合に対する比率を算出し、前記複数の範囲のうちのいずれかの範囲において、当該範囲に関して算出された前記比率の集合のうち第１の閾値以上である比率の数が第２の閾値以上となる場合には、前記第１の割合と前記第２の割合との比較に関わらず、前記第１の種別の事象と前記第２の種別の事象とは相関を有すると判定する、
    ことを特徴とする請求項５記載の相関判定方法。
  7. 前記判定する処理は、前記複数の範囲のうち、長さが第３の閾値以下である範囲について、前記第１の割合と前記第２の割合とを比較する、
    ことを特徴とする請求項５又は６記載の相関判定方法。
  8. 前記判定する処理は、最小値が相対的に大きい範囲に関して、前記第３の閾値を相対的に大きくする、
    ことを特徴とする請求項７記載の相関判定方法。
  9. 各事象の発生時期を示す情報に基づいて、第１の種別の事象ごとに、当該事象の発生時期と、当該発生時期から所定時間内に発生した第２の種別の各事象の発生時期との時間間隔を算出する算出部と、
    前記時間間隔に関する値の範囲であって、相互に最小値及び最大値の少なくともいずれか一方が異なる複数の範囲のそれぞれごとに、前記時間間隔の集合のうち当該範囲内に含まれる時間間隔の数の当該範囲の大きさに対する第１の割合と、前記時間間隔の集合のうち当該範囲に含まれない時間間隔の数の前記所定時間から当該範囲を除いた範囲の大きさに対する第２の割合とを比較して、前記第１の種別の事象と、前記第２の種別の事象との相関の有無を判定する判定部と、
    を有することを特徴とする相関判定装置。
  10. 前記判定部は、前記複数の範囲のそれぞれについて、前記第１の種別の事象ごとに、当該事象に関して算出された時間間隔の集合のうち当該範囲に含まれる時間間隔の数の当該範囲の大きさに対する第３の割合について、当該集合のうち当該範囲に含まれない時間間隔の数の前記所定時間から当該範囲を除いた範囲の大きさに対する第４の割合に対する比率を算出し、前記複数の範囲のうちのいずれかの範囲において、当該範囲に関して算出された前記比率の集合のうち第１の閾値以上である比率の数が第２の閾値以上となる場合には、前記第１の割合と前記第２の割合との比較に関わらず、前記第１の種別の事象と前記第２の種別の事象とは相関を有すると判定する、
    ことを特徴とする請求項９記載の相関判定装置。
  11. 前記判定部は、前記複数の範囲のうち、長さが第３の閾値以下である範囲について、前記第１の割合と前記第２の割合とを比較する、
    ことを特徴とする請求項９又は１０記載の相関判定装置。
  12. 前記判定部は、最小値が相対的に大きい範囲に関して、前記第３の閾値を相対的に大きくする、
    ことを特徴とする請求項１１記載の相関判定装置。
JP2015035389A 2015-02-25 2015-02-25 相関判定プログラム、相関判定方法、及び相関判定装置 Active JP6464811B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2015035389A JP6464811B2 (ja) 2015-02-25 2015-02-25 相関判定プログラム、相関判定方法、及び相関判定装置
PCT/JP2015/082915 WO2016136057A1 (ja) 2015-02-25 2015-11-24 相関判定プログラム、相関判定方法、及び相関判定装置
EP15883347.5A EP3264347A4 (en) 2015-02-25 2015-11-24 Correlation determination program, correlation determination method, and correlation determination device
US15/684,116 US20170347884A1 (en) 2015-02-25 2017-08-23 Correlation determination method and correlation determination apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2015035389A JP6464811B2 (ja) 2015-02-25 2015-02-25 相関判定プログラム、相関判定方法、及び相関判定装置

Publications (2)

Publication Number Publication Date
JP2016157308A JP2016157308A (ja) 2016-09-01
JP6464811B2 true JP6464811B2 (ja) 2019-02-06

Family

ID=56788416

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2015035389A Active JP6464811B2 (ja) 2015-02-25 2015-02-25 相関判定プログラム、相関判定方法、及び相関判定装置

Country Status (4)

Country Link
US (1) US20170347884A1 (ja)
EP (1) EP3264347A4 (ja)
JP (1) JP6464811B2 (ja)
WO (1) WO2016136057A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11894134B2 (en) * 2021-01-10 2024-02-06 Bardy Diagnostics, Inc. System and method for long-term patient monitoring of continuous ECG and physiological data

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7613619B1 (en) * 2004-03-30 2009-11-03 Harter Michael R Method for identifying allergens and other influencing agents that may cause a reaction
JP4698328B2 (ja) * 2005-08-12 2011-06-08 中国電力株式会社 データ分析方法、データ分析システム、およびプログラム
JP5107519B2 (ja) * 2005-12-27 2012-12-26 住友大阪セメント株式会社 状態解析装置及びソフトウエアプログラム
US20080269835A1 (en) * 2006-04-21 2008-10-30 Medtronic, Inc. Method and apparatus for detection of nervous system disorders
WO2009083839A1 (en) * 2007-12-28 2009-07-09 Koninklijke Philips Electronics, N.V. Method and apparatus for identifying relationships in data based on time-dependent relationships
US8041996B2 (en) * 2008-01-11 2011-10-18 Alcatel Lucent Method and apparatus for time-based event correlation
EP2262416A1 (en) * 2008-04-08 2010-12-22 Deepbreeze Ltd. Method and system for quantitation of respiratory tract sounds
US20100280336A1 (en) * 2009-04-30 2010-11-04 Medtronic, Inc. Anxiety disorder monitoring
AU2010273710B2 (en) * 2009-06-29 2016-05-26 Cameron Health, Inc. Adaptive confirmation of treatable arrhythmia in implantable cardiac stimulus devices
GB2521774A (en) * 2012-10-25 2015-07-01 Hewlett Packard Development Co Event correlation
US8647267B1 (en) * 2013-01-09 2014-02-11 Sarah Long Food and digestion correlative tracking

Also Published As

Publication number Publication date
WO2016136057A1 (ja) 2016-09-01
JP2016157308A (ja) 2016-09-01
EP3264347A1 (en) 2018-01-03
US20170347884A1 (en) 2017-12-07
EP3264347A4 (en) 2018-01-03

Similar Documents

Publication Publication Date Title
DK2696754T3 (en) Stress-measuring device and method
Castaldo et al. Fall prediction in hypertensive patients via short-term HRV analysis
US20170103174A1 (en) Diagnosis model generation system and method
CN106256316B (zh) 用于评估生理老化水平的方法和设备
JPWO2019044619A1 (ja) 生体情報処理システム、生体情報処理方法、及びコンピュータプログラム
JP2013524865A5 (ja)
CN111297329B (zh) 预测糖尿病患者心血管并发症动态发病风险的方法及***
Singh et al. Ectopic beats in approximate entropy and sample entropy-based HRV assessment
JP2010142273A (ja) 生体指標管理装置
JP2011115188A (ja) 睡眠状態モニタリング装置、モニタリングシステムおよびコンピュータプログラム
Marling et al. Machine learning experiments with noninvasive sensors for hypoglycemia detection
Iaboni et al. Wearable multimodal sensors for the detection of behavioral and psychological symptoms of dementia using personalized machine learning models
JP2019023790A (ja) 死亡予測装置及び死亡予測プログラム
Côté-Allard et al. Long–short ensemble network for bipolar manic-euthymic state recognition based on wrist-worn sensors
JP6464811B2 (ja) 相関判定プログラム、相関判定方法、及び相関判定装置
Ko et al. Predicting sarcopenia of female elderly from physical activity performance measurement using machine learning classifiers
EP3269300A1 (en) Meal time estimation method, meal time estimation program, and meal time estimation device
Simjanoska et al. ECG-derived Blood Pressure Classification using Complexity Analysis-based Machine Learning.
JP7420145B2 (ja) リスク予測装置、リスク予測方法、及びコンピュータプログラム
JPH119557A (ja) 健康促進装置
JP2019069044A (ja) 瞬時心拍の時系列データの補完装置、補完方法及びそのプログラム
WO2022147271A1 (en) Health monitoring and management system using ectopic beats as early cardiac health marker
Pietrzak et al. New indices for sleep apnea detection from long-time ECG recordings
KR102645586B1 (ko) 생체신호를 이용한 수면 호흡 상태 분류 장치 및 방법
WO2022215239A1 (ja) 情報処理装置、特徴量抽出方法、教師データ生成方法、推定モデル生成方法、ストレス度の推定方法、および、特徴量抽出プログラム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20171215

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

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20181211

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20181224

R150 Certificate of patent or registration of utility model

Ref document number: 6464811

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150