JP6881687B2 - ユーザの精神／感情状態をモデリングする方法およびシステム - Google Patents

Description

技術分野
本開示の主題は、ユーザの感情および／または精神状態を予測するためのコンピュータシステムおよび方法に関する。

背景
現在、医療およびヘルスケアの分野は、人体を監視する、より多くの技術および方法が、これまでよりも利用可能であるように発展してきた。特に、生理学的およびバイタルサインの監視システムは正確かつ信頼できるものとなり、したがって健康診断および治療のための確固とした根拠を提供する。例えば、スマートウォッチおよびフィットネスブレスレットのような既製の製品は、ユーザの身体の正確な継続的な測定を提供する。この種の監視は、医学的健康状態および良好な体調状態を改善しようとする広範囲の解決策を可能にする。

並行して、身体の生理学的状態とその精神状態および／または感情状態との間に強い相関があることが、学術文献において、および、公の知識の問題として公知である。しかしながら、感情および／または精神状態を測定ならびに監視するための最も一般的な方法は主観的であり、個人の視点および経験に依存する。最も一般的な方法は、専門家（セラピスト、心理学者等）との臨床セッション、アンケート、および他の方法である。現在の方法は、特に、感情および／もしくは精神状態を経時的に測定ならびに／または監視する場合、情報の整合性および信頼性に関して実質的な問題を伴う。別の解決策の群は、より正確かつ信頼できる検出結果（例えば、医療装置内に指を配置し、現在の精神状態を計算する）を目的としている。しかしながら、このような解決策は、（通常、診療所を訪問している間に）非常に特定の瞬間における１回の測定を提供するものである。

さらに、精神状態の誘発に対する身体の反応は、大きな分散を生じるように、個体によって異なることが広く認められている。そのような分散は、すべてのユーザが異なる生理学的反応を有するため、正確かつ信頼できる感情および／または精神状態監視を提供することにおいて、今後の技術にとって課題をもたらす。

現代社会のストレスが、人間の健康（ストレスに関連する疾患、心臓発作、脳卒中などのリスクの増加）、経済（国レベルから企業および個人に至るまで）および労働者の安全性（主にストレスに関連する事故）に及ぼす影響が、広く検討および研究されている。したがって、人間の感情状態および／または精神状態をモデリングすることは、ストレス状態および／または人体のストレス、および／またはストレスに対する人体の反応を予測するために用いることができる。

発明の概要
本発明の一態様によれば、処理回路を備えるコンピュータ制御システムが提供され、処理回路は、
ａ．ユーザの精神状態およびユーザの感情状態のうちの少なくとも１つの予測のための少なくとも１つの予測モデルを提供するよう構成され、上記少なくとも１つの予測モデルは、第１のユーザのグループから収集された非生理学的データに基づく少なくとも１つの第１のモデル、および第２のユーザのグループから収集された生理学的データに基づく少なくとも１つの第２のモデルのうちの少なくとも１つであり、上記少なくとも１つの予測モデルは、モデルのセットを構成し、上記処理回路はさらに、
ｂ．テストされたユーザのデータを受信し、
ｃ．上記モデルのセットの少なくとも１つのモデルを、上記テストされたユーザと関連付けて、関連付けられる予測モデルを、少なくとも、上記モデルのセットの他のモデルのユーザ状態予測可能性のランクと比較した、上記関連付けられる予測モデルのユーザ状態予測可能性の最高ランクに基づいて、構成するように構成され、上記関連付けられる予測モデルは、上記テストされたユーザの精神状態および上記テストされたユーザの感情状態のうちの少なくとも１つを予測するのを容易にするために使用可能である。

上記の特徴に加えて、本開示の主題のこの態様によるシステムは、以下に列挙される特徴（ｉ）〜（ｘｉｉ）のうちの１つ以上を、技術的に可能な任意の所望の組み合わせまたは置換において含むことができる。

（ｉ）テストされたユーザの受信データは生理学的データを含む。
（ｉｉ）テストされたユーザの受信データは、生理学的データの少なくとも一部に対応するラベルデータをさらに含む。

（ｉｉｉ）関連付けられる少なくとも１つのモデルのユーザ状態予測可能性の最高ランクおよび他のモデルのユーザ状態予測可能性のランクは、少なくとも第１のユーザのグループおよび第２のユーザのグループから収集された生理学的データに基づいて判断される。

（ｉｖ）関連付けられる予測モデルのユーザ状態予測可能性の最高ランクおよび他のモデルのユーザ状態予測可能性のランクは、テストされたユーザの精神状態およびテストされたユーザの感情状態のうちの少なくとも１つを示す。

（ｖ）モデルのセットのうちの少なくとも１つのモデルの、テストされたユーザへの関連付けは、少なくとも１つの関連付けモデルに少なくとも部分的に基づく。

（ｖｉ）処理回路は、以下をさらに行うように構成される。
ｄ．別の予測モデルのユーザ状態予測可能性のランクが、関連付けられる予測モデルのユーザ状態予測可能性のランクよりも高い、と判断されることに応じて、前記ステップ（ｃ）を動的に繰り返す。

ｅ．関連付けられる予測モデルを構成するように上記別の予測モデルを設定する。
（ｖｉｉ）修正されたモデルのユーザ状態予測可能性のランクが以前に関連付けられたモデルのユーザ状態予測可能性のランクよりも高い、と判断することは、テストされたユーザの生理学的データの監視に少なくとも部分的に基づく。

（ｖｉｉｉ）処理回路は、以下をさらに行うように構成される。
ｆ．個人モデルを生成する、および
ｇ．少なくとも、関連付けられる予測モデルのユーザ状態予測可能性のランクと比較した、個人モデルのユーザ状態予測可能性の最高ランクに基づいて、個人モデルをテストされたユーザに関連付ける。

（ｉｘ）個人モデルの生成、および個人モデルの関連付けは、少なくとも、モデルのセットのうち、閾値を満たさないモデルのユーザ状態予測可能性のランクに基づく。

（ｘ）閾値は６５％である。
（ｘｉ）処理回路は、以下をさらに行うように構成される。

ｈ．関連付けられるモデルを用いて、テストされたユーザの精神状態およびテストされたユーザの感情状態のうちの少なくとも１つを予測する。

（ｘｉｉ）テストされたユーザのデータは、テストされたユーザのデータの少なくとも一部分に対応する、ユーザの精神状態およびテストされたユーザの感情状態のうちの少なくとも１つを示すラベルを含み、関連付けは、ラベルに少なくとも部分的に基づく。

本発明の別の態様によれば、処理回路を備えるコンピュータ制御システムが提供され、処理回路は、
ａ．少なくとも１人のユーザの生理学的データを受信し、
ｂ．少なくとも上記生理学的データに基づいて少なくとも１つの予測モデルを生成するよう構成され、上記生成された少なくとも１つの予測モデルは、テストされたユーザの精神状態および上記テストされたユーザの感情状態のうちの少なくとも１つを予測することを容易にするために利用可能である。

上記の特徴に加えて、本開示の主題のこの態様によるシステムは、以下に列挙される特徴（ｘｉｉｉ）〜（ｘｉｘ）のうちの１つ以上を、技術的に可能な任意の所望の組み合わせまたは置換で含むことができる。

（ｘｉｉｉ）ステップ（ａ）は、少なくとも１人のユーザの生理学的データの少なくとも一部分に対応する、ユーザの精神状態およびユーザの感情状態のうちの少なくとも１つを示すラベルを受信するステップを含み、少なくとも１つの予測モデルの生成は、ラベルに少なくとも部分的に基づいている。

（ｘｉｖ）少なくとも１つの予測モデルを生成することは、ニューラルネットワークトレーニング方法に従って少なくとも１つの予測モデルをトレーニングすることを含む。

（ｘｖ）少なくとも１つの予測モデルを生成することは、少なくとも１つの関連付けモデルを利用する。

（ｘｖｉ）少なくとも１人のユーザの生理学的データは、複数のユーザの生理学的データを含み、複数のユーザの生理学的データは、類似性を共有し、予測のために少なくとも１つのモデルを生成することは、類似性に少なくとも部分的に基づく。

（ｘｖｉｉ）類似性は生理学的パターンにおける類似性を含む。
（ｘｖｉｉｉ）処理回路は、以下をさらに行うように構成される。

ｃ．少なくとも１つの予測モデルを再トレーニングし、少なくとも１人のユーザの更新された生理学的データの受信に応答して、前記ステップ（ｂ）を繰り返すことを含む。

（ｘｉｘ）少なくとも１つの予測モデルの生成は、
ｉ．生理学的データの第１の部分をトレーニングすること、
ｉｉ．生理学的データの第２のトレーニングされていない部分に基づいて少なくとも１つの予測モデルの正解率を評価すること、
ｉｉｉ．評価に基づいて少なくとも１つの予測モデルのランクを設定すること、および
ｉｖ．評価に基づいて、少なくとも１つの予測モデルをモデルデータベースに格納することを含む。

本発明の別の態様によれば、処理回路を備えるコンピュータ制御システムが提供され、処理回路は以下のように構成される。

ａ．第１のユーザのグループの非生理学的データおよび第２のユーザのグループの生理学的データのうちの少なくとも１つを受信し、非生理学的データおよび生理学的データのうちの少なくとも１つはユーザ入力データを構成し、
ｂ．少なくともユーザ入力データに基づいて少なくとも１つの関連付けモデルを生成し、生成された少なくとも１つの関連付けモデルは、ユーザの精神状態およびユーザの感情状態のうちの少なくとも１つの予測のための予測モデルのトレーニング、およびユーザを予測モデルに関連付けることのうちの少なくとも１つを容易にするために使用可能である。

上記の特徴に加えて、本開示の主題のこの態様によるシステムは、以下に列挙される特徴（ｘｘ）〜（ｘｘｖ）のうちの１つ以上を、技術的に可能な任意の所望の組み合わせまたは置換で含むことができる。

（ｘｘ）関連付けモデルのトレーニングは、少なくとも第２の生理学的データに基づく。

（ｘｘｉ）少なくとも１つの関連モデルは少なくとも１つの非生理学的関連モデルを含み、少なくとも１つの関連モデルの生成は、少なくともユーザ入力データの非生理学的データに基づく。

（ｘｘｉｉ）少なくとも１つの関連モデルは少なくとも１つの生理学的関連付けモデルを含み、少なくとも１つの関連付けモデルの生成は、少なくともユーザ入力データの生理学的データに基づく。

（ｘｘｉｉｉ）少なくとも１つの関連付けモデルを生成することは、ニューラルネットワークトレーニング方法に従って少なくとも１つの関連付けモデルをトレーニングすることを含む。

（ｘｘｉｖ）ユーザ入力データは、複数のユーザのユーザ入力データを含み、複数のユーザのユーザ入力データは、類似性を共有し、少なくとも１つの関連付けモデルの生成は、類似性に少なくとも部分的に基づく。

（ｘｘｖ）処理回路はさらに、以下のように構成される。
ｃ．少なくとも１つの関連付けモデルを再トレーニングし、再トレーニングすることは、第１のユーザのグループの更新された非生理学的データおよび第２のユーザのグループの更新された生理学的データのうちの少なくとも１つを受信することに応答して、前記ステップ（ｂ）を繰り返すことを含み、非生理学的データおよび生理学的データのうちの少なくとも１つは、更新されたユーザ入力データを構成する。

上記の特徴に加えて、本開示の主題の上記の態様のいずれかによるシステムは、以下に列挙される特徴（ｘｘｖｉ）を、技術的に可能な任意の所望の組み合わせまたは置換で含むことができる。

（ｘｘｖｉ）生理学的データは、心拍数、皮膚伝導度、体温、脈拍、血液灌流、および血流のうちの少なくとも１つを含む。

本開示の主題の別の態様によれば、上記の態様のいずれかのシステムによって実行される方法が提示される。

本開示の主題の別の態様によれば、上記方法のいずれかを実行するために機械によって実行可能な命令のプログラムを有形に具現化する、機械によって読み取り可能な非一時的なプログラム記憶装置が提示される。

様々な態様に従って本明細書で開示されるコンピュータ化された方法、および非一時的コンピュータ可読記憶媒体は、任意選択で、上記で列挙された特徴（ｉ）〜（ｘｘｖｉ）のうちの１つ以上を、必要な変更を加えて、任意の技術的に可能な組み合わせまたは置換においてさらに含むことができる。

本発明の一態様によれば、テストされたユーザの精神状態をモデリングするためのコンピュータ制御システムが提供され、コンピュータ制御システムは、プロセッサによって、時間枠にわたって取得されるユーザの１つ以上の生理学的測定値に従って上記ユーザの生理学的データを収集するように構成された生理学的データ収集モジュールと、ユーザの非生理学的データを収集するように構成された非生理学的データ収集モジュールと、ユーザ非生理学的データおよび上記ユーザの生理学的データのうちの少なくとも１つに基づいて、上記時間枠内の時間マークにおける上記ユーザの精神状態を示す１つ以上のラベルを提供するように構成されたラベル付けモジュールと、第１のユーザのグループから収集された非生理学的データに基づく第１のモデル、第２のユーザのグループから収集された１つ以上のラベルおよび生理学的データに基づく第２のモデル、ならびに個人ユーザの精神状態を予測するように構成された個人モデルを含む第３のモデルのうちの少なくとも１つを生成するように構成されたモデリングモジュールとを備え、上記第１のモデル、上記第２のモデルおよび上記第３のモデルの各々は、テストされたユーザの精神状態の予測を容易にするように構成されたユーザ精神状態予測可能性のランクに関連付けられる。

本発明の実施形態によれば、システムがさらに提供され、ユーザ精神状態予測可能性のランクは、時間枠にわたって集められた、テストされたユーザの生理学的データに従って判断される。

本発明の実施形態によれば、システムがさらに提供され、上記第１、第２、および第３のモデルのうちのあるモデルについて、上記モデリングモジュールは、上記収集されたデータの少なくとも一部に基づいて、上記テストされたユーザの精神状態を予測し、上記予測された精神状態を、上記ラベルのうちのあるラベルによって示される対応する精神状態と比較し、上記比較の１つ以上の性能メトリックに従って、上記モデルに関連付けられる上記ランクを判断するように構成される。

本発明の実施形態によれば、システムがさらに提供され、モデルは第１、第２、および第３のモデルの１つを含む。

本発明の一実施形態によれば、さらにシステムが提供され、上記モデリングモジュールは、上記第１、第２、および第３のモデルのうち、上記ユーザ精神状態予測可能性の最高ランクを有するモデルを上記テストされたユーザと関連付けるように構成される。

本発明の実施形態によれば、システムがさらに提供され、上記第１のモデルおよび上記第２のモデルは、１つ以上のクラスタにおいて配され、上記１つ以上のクラスタのうちのあるクラスタは、共通の生理学的データおよび共通の非生理学的データのうちの少なくとも１つを有する少なくとも２人のユーザを含む。

本発明の実施形態によれば、システムがさらに提供され、プロセッサは、上記ラベルによって示されるような上記精神状態データを利用することなく、上記第１のモデル、上記第２のモデルおよび上記第３のモデルのうちの少なくとも１つに基づいて上記ユーザの上記精神状態を予測するように構成される予測モジュールを含む。

本発明の実施形態によれば、システムがさらに提供され、上記予測モジュールは、上記第１のモデルを上記テストされたユーザの非生理学的データに用いることによって、上記ユーザの精神状態を予測するように構成される。

本発明の実施形態によれば、システムがさらに提供され、上記予測モジュールは、上記第２のモデルを上記ユーザ生理学的データに用いて、上記ユーザの精神状態を予測するように構成される。

本発明の実施形態によれば、システムがさらに提供され、上記予測モジュールは、上記第３のモデルを上記ユーザの生理学的データに用いて、ユーザの精神状態を予測するように構成される。

本発明の実施形態によれば、システムがさらに提供され、上記予測モジュールは、上記テストされたユーザの生理学的データの少なくとも一部を受信し、上記第１のモデル、上記第２のモデルおよび上記第３のモデルのうちの少なくとも１つに基づいて上記ユーザの精神状態を予測するように構成される。

本発明の実施形態によれば、１人以上のユーザの予測された精神状態に関連するデータを予測モジュールから受信し、１人以上のユーザの集約されたビジネスの見通しを生成するように構成された分析ユニットを備えるシステムが提供される。

本発明の実施形態によれば、システムがさらに提供され、モデリングモジュールは、上記ラベル付けモジュールからの上記１つ以上のラベルおよび上記生理学的データを受信し、上記生理学的データおよび上記１つ以上のラベルに基づいてデータセットを生成するように構成される前処理モジュールを含む。

本発明の実施形態によれば、システムがさらに提供され、モデリングモジュールは、上記生理学的データのうちのある選択された生理学的データおよび上記１つ以上のラベルのうちのある選択されたラベルのうちの少なくとも１つに基づいて上記データセットを生成するように上記前処理モジュールに命令するクラスタリングモジュールを含む。

本発明の実施形態によれば、システムがさらに提供され、モデリングモジュールは、前処理モジュールから上記データセットを受信し、上記クラスタリングモジュールからのトレーニングタスクに従って上記データセットをトレーニングすることによって上記第２のモデルを生成するように構成されたトレーニングモジュールを含む。

本発明の実施形態によれば、システムがさらに提供され、トレーニングモジュールは、ニューラルネットワークトレーニング方法に従って上記データセットおよび上記第３のモデルをトレーニングする１つ以上のグラフィック処理ユニット（ＧＰＵ）を含む。

本発明の実施形態によれば、システムがさらに提供され、システムは、モデルデータベースを備え、上記モデルデータベースは、上記第２のモデルおよび上記第３のモデルのうちの１つを上記ＧＰＵから受信し、ニューラルネットワークトレーニング方法を用いて、上記データセットの第１の部分をトレーニングすることによって上記ランクを設定し、上記データセットの第２のトレーニングされていない部分に基づいて上記第２のモデルの正解率を評価し、上記評価に基づいて上記第２のモデルを上記モデルデータベースに格納するように備えられる。

本発明の一態様によれば、以下のように構成されたプロセッサを備える、ユーザの精神状態を予測するためのコンピュータ制御システムが提供され、プロセッサは、第１のユーザのグループから収集された非生理学的データに基づいてユーザの精神状態の予測のための第１のモデルを提供し、第２のユーザのグループから収集された生理学的データに基づいてユーザの精神状態を予測するための第２のモデルを提供し、テストされたユーザのデータを受信し、少なくとも１つのモデルの他のモデルのユーザ精神状態予測可能性のランクと比較した、関連付けられるモデルのユーザ精神状態予測可能性の最高ランクに基づいて、前記モデルの少なくとも１つのモデルを、テストされたユーザに関連付け、関連付けられたモデルを用いてユーザの精神状態を予測し、修正されたモデルのユーザ精神状態予測可能性のランクが、以前に関連付けられたモデルのランクよりも高い場合には、関連付けられたモデルを動的に修正するよう構成される。

本発明を理解し、実際に実行できる方法を理解するために、添付の図面を参照して、非限定的な例として実施形態を説明する。

本開示の主題の特定の実施形態による、人間の感情状態および／または精神状態をモデリングする方法ならびにシステムの一般化された例示的なアーキテクチャおよびフローチャートを示す。 本開示の主題の特定の実施形態による、人間の感情状態および／または精神状態をモデリングする方法ならびにシステムのブロック図を示す。 本開示の主題の特定の実施形態による生理学的データ収集モジュールの非限定的な一般化されたフローチャート例を示す。 本開示の主題の特定の実施形態による、格納されたデータの非限定的な例を示す。 本開示の主題の特定の実施形態による、ラベル付けモジュールの非限定的な一般化されたフローチャート例を示す。 本開示の主題の特定の実施形態による、前処理モジュールの非限定的な一般化されたフローチャート例を示す。 本開示の主題の特定の実施形態による、データセットデータベースの非限定的な一般化された例示的な概略図を示す。 本開示の主題の特定の実施形態によるトレーニングモジュールの非限定的な一般化されたフローチャート例を示す。 本開示の主題のいくつかの実施形態による、モデルデータベースの非限定的な一般化されたスキーム例を示す。 本開示の主題の特定の実施形態による、モデル関連付けの非限定的な一般化された例示的なフローチャートを示す。 本開示の主題のいくつかの実施形態による、予測モジュールの非限定的な一般化されたフローチャート例を示す。 本開示の主題の特定の実施形態による、クラスタリングモジュールの非限定的な一般化されたフローチャート例を示す。 本開示の主題の特定の実施形態による、モデリングの非限定的な一般化されたフローチャート例を示す。 本開示の主題の特定の実施形態による、モデリングの非限定的な一般化されたフローチャート例を示す。 本開示の主題の特定の実施形態による、関連付けおよび予測の非限定的な一般化されたフローチャートを示す。 本開示の主題のある例示的な実施形態による、感情的精神状態の予測の例示的なグラフを示す。

詳細な説明
以下の詳細な説明では、本発明の完全な理解のために、多数の具体的な詳細が記載される。しかしながら、当業者であれば、本開示の主題は、これらの具体的な詳細がなくても実施され得ることを理解するであろう。他の例では、周知の方法、手順、構成要素、および回路は、本開示の主題を不明瞭にしないために詳細には説明されていない。

別段のことわりがなければ、以下の考察から明らかなように、明細書全体を通して、「処理」、「演算」、「表現」、「比較」、「生成」、「評価」、「一致」、「更新」などの用語を利用する考察は、データを操作および／または他のデータに変換するコンピュータの動作および／またはプロセスを指し、前記データは、物理量、たとえば電子量として表現されるか、および／または物体を表す。

例えば、「提供」、「受信」、「モデリング」、「関連付け」、「修正」、「判断」、「生成」、「予測」などの用語を利用する本明細書の考察は、コンピュータのレジスタおよび／またはメモリ内の物理（例えば電子）量として表されるデータを操作し、および／または同様にコンピュータのレジスタおよび／またはメモリまたは演算および／またはプロセスを実行するための命令を格納し得る他の情報記憶媒体内の物理量として表される他のデータに変換するコンピュータ、コンピューティングプラットフォーム、コンピューティングシステム、または他の電子コンピューティングデバイスの動作および／またはプロセスを指してもよい。

本明細書で用いられる「複数（plurality）」および「ある複数（a plurality）」という用語は、例えば、「複数（multiple）」または「２つ以上」を含む。例えば、「複数の項目」は、２つ以上の項目を含む。

「一実施形態」、「ある実施形態」、「例示的実施形態」、「様々な実施形態」などへの言及は、そのように記載される実施形態が特定の特徴、構造、または特性を含み得るが、すべての実施形態が必ずしもその特定の特徴、構造、または特性を含むわけではないことを示す。さらに、「一実施形態では」という表現の繰り返しの使用は、必ずしも同じ実施形態を指すわけではないが、そうであってもよい。

本明細書で用いられる場合、別段の指定がない限り、共通のオブジェクトを記述するための序数形容詞「第１」、「第２」、「第３」などの使用は、単に、同様のオブジェクトの異なるインスタンスが参照されていることを示し、そのように説明されるオブジェクトが、時間的、空間的、ランク付け、または任意の他の態様で、所与の順序でなければならないことを暗示することを意図していない。

本明細書で用いる「コンピュータ」および／または「計算システム」という用語は、例えば、非限定的な例として、パーソナルコンピュータ、サーバ、コンピューティングシステム、通信デバイス、プロセッサまたは処理ユニット（例えば、デジタル信号プロセッサ（ＤＳＰ）、マイクロコントローラ、マイクロプロセッサ、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、特定用途向け集積回路（ＡＳＩＣ）など）、および例えば、１２２、３０３など、本出願で開示される様々なハードウェア処理回路を非限定的な例として含む、非限定的な例として、処理回路を中に含む、任意の他の電子コンピューティングデバイスを含む、データ処理能力を有する任意の種類のハードウェアベースの電子デバイスを含む。

本明細書で用いられる「精神状態」および／または「感情状態」という用語は、例えば、本開示の主題に好適な人体の、精神的および／または生理学的な、任意の種類の心理状態および／または反応のいずれかを含む。

本明細書で用いられる「ストレス」という用語は、例えば、本開示の主題に好適な異なるイベントおよび／または課題および／または環境に対する任意の種類の人間の感情的および／または精神的および／または生理学的応答を含む。

本明細書で用いられる「非一時的メモリ」および「非一時的記憶媒体」という用語は、例えば、本開示の主題に好適な任意の揮発性または不揮発性コンピュータメモリを含む。

本明細書で用いられる「信号」という用語は、例えば、一時的伝播信号を除外し得るが、例えば、いくつかの例示的な実施形態に好適な任意の他の信号を含み得ることを理解されたい。

本明細書で用いられる「データ集約」という用語は、例えば、データ構造などの要約形式で情報を収集し、表現するプロセスを含む。

本明細書で用いられる「データベース（ＤＢ）」という用語は、例えば、ＤＢサーバのメモリに格納されるデータの編成された収集を含み、ＤＢサーバは、ＤＢを保持し、例えば、ＤＢのデータを収集し、格納し、管理するための専用のソフトウェアを実行するための専用のコンピュータであり得る。たとえば、ＤＢは、スキーマ、テーブル、クエリ、レポート、ビュー、および他の要素の集合を含む１つ以上のデータ構造を格納することができる。

用語「モジュール」は、本明細書で用いる場合、例えば、任意のハードウェアコンポーネント、ソフトウェア、および／またはソフトウェアとハードウェアとの任意の組み合わせを含み、これらは、例えば、プロセッサなどのコンピューティングシステム上に組み込まれてもよい。

いくつかの例示的な実施形態では、データベースは、例えば、クラウドＤＢ、ＤＢサーバ、インメモリＤＢ、アクティブＤＢ、分散ＤＢ、埋め込みＤＢ、エンドユーザＤＢ、ＳＱＬＤＢなどを含んでもよい。

ユーザの感情状態および／または精神状態をモデリングする、本開示の主題の特定の実施形態によるシステムの態様の１つは、デジタル的に定量的な方法で、ユーザ（例えば、人間）、彼／彼女の感情状態および／または精神状態の継続的な監視を提供することである。そのようなシステムを作成することによる１つの非限定的な例示的利益は、いくつかの例では、ユーザが、信頼できる一貫した方法で経時的に彼らの感情状態および／または精神状態を監視でき、したがって、ユーザの生理的状態と精神状態との間の繋がりのよりよい理解を可能にすることである。

そのようなシステムを有することは、いくつかの例では、例えばストレスおよび／もしくは不安および／もしくはうつおよび／もしくは他の状態などの感情ならびに／または精神状態の信頼できる監視を可能にすることができる。場合によっては、これは、広範囲の解決策が、例えば、ストレス問題と関わり合い、それらを識別し、潜在的にそれらにプラスに影響を及ぼすことを可能にし得る。

いくつかの場合において、ユーザの精神状態およびユーザの感情状態のうちの少なくとも１つをモデリングすることができる、例示的なコンピュータ制御システムが、本明細書で開示される。例示的なシステムは、ユーザの精神状態および／または感情状態の予測のための１つ以上のモデルを提供するように構成され得る処理回路を含む。これらのモデルは、第１のユーザのグループから収集された非生理学的データに基づく１つ以上の第１のモデル、および／または第２のユーザのグループから収集された生理学的データに基づく１つ以上の第２のモデル、および／またはこのユーザのみから収集された生理学的データに基づく第３のモデルを含む。これらのモデルは、モデルのセットと呼ばれ得る。システムの処理回路は、テストされたユーザのデータを受信しもする。次いで、いくつかの例におけるシステムの処理回路は、モデルのセットのうちの少なくとも１つのモデルを、テストされたユーザに関連付けることを、少なくとも、モデルのセットの他のモデルのユーザ状態予測可能性のランクと比較した、関連付けられるモデルのユーザ状態予測可能性の最高ランクに基づいて、行うことができる。ユーザ状態予測可能性のランクは、いくつかの例では、テストされたユーザの精神状態および／または感情状態を示す。いくつかの例では、テストされたユーザへのモデルの関連付けは、関連付けモデルに少なくとも部分的に基づくことができる。

いくつかの例では、処理回路はさらに、別の予測モデルのユーザ状態予測可能性のランクが、以前に関連付けられた予測モデルのユーザ状態予測可能性のランクよりも高い、と判断することに応答して、予測モデルへのユーザの関連付けを、自動化された態様で動的に修正するように構成される。この判断は、いくつかのモデルにおいては、テストされたユーザの生理学的データの監視に少なくとも部分的に基づく。当該別のモデルは、関連付けられた予測モデルを構成するように設定される。

いくつかの例では、処理回路は、さらに、個人モデルを生成するように構成される。処理回路は、個人モデルを、テストされたユーザに関連付けることを、少なくとも、以前に関連付けられた予測モデルのユーザ状態予測可能性のランクと比較した、個人モデルのユーザ状態予測可能性の最高ランクに基づいて行うこともできる。場合によっては、これは、少なくとも、モデルのセットのうち、閾値を満たさないモデルのユーザ状態予測可能性のランクに基づくことができる。いくつかの例では、ユーザと以前に関連付けられたモデルのユーザ状態予測可能性ランクが６５％の閾値未満であり、個人モデルがこの閾値を超えるランクを有する場合、ユーザは、以前に関連付けられたモデルと関連付けられる代わりに、個人モデルと関連付けられる。

いくつかの例では、処理回路は、さらに、関連付けられたモデルを用いて、テストされたユーザの精神状態および／または感情状態を予測するように構成される。

本開示の主題は、関連付けモデルおよび予測モデルをトレーニングおよび生成し、ならびにそれらを再トレーニングする例示的な方法を開示する。

以下の図１Ａは、人間の感情状態および／または精神状態をモデリングするための例示的なシステムの概要を、コンポーネント間のフローとともに示す。図１Ｂ〜図７は、コンポーネント間のフローを含む、図１Ａのコンポーネントの詳細を示す。これらの図の後、図１Ａから図７を参照して開示されるコンポーネントを利用しながら、新たなユーザを登録し、そのユーザのためにデータを収集することに基づく例示的なシナリオが説明される。例示的フローチャートが図８Ａ〜図９に示される。

まず図１Ａを参照すると、本開示の主題の特定の実施形態による、人間の感情状態および／または精神状態をモデリングする方法およびシステムの一般化された例示的なアーキテクチャならびにフローチャート図が示される。データフロー１９９は、機能およびシステムの例示的なアーキテクチャ、ならびにそれらの間の情報のフローを示すことに留意されたい。いくつかの例では、図１Ａのすべての要素は、ユーザを除き、人間の感情状態および／または精神状態をモデリングするシステム１９８と称され得る。

いくつかの例示的な実施形態では、システムへの入力は、システムに２つの主要な入力、つまり生理学的情報（本明細書では「データ」とも称される）１８２ならびに感情および／または精神状態時間マーカー（本明細書では「ラベル」とも称される）１８４を提供するユーザ１１１から来る。これらの２つの入力は、生理学的データ収集モジュール１００（本明細書では生理学的データ収集システムとも称される）によって、およびラベル付けモジュール２００（本明細書ではラベル付けシステムとも称される）によって、対応して処理される。システム１００および３００の機能のいくつかの例のさらなる詳細は、図１Ｃおよび図２を参照して本明細書でさらに開示される。いくつかの例では、ユーザ１１１はまた、メタデータ入力１８６を予測システム６００に提供することに留意されたい。いくつかの例では、入力１８２および１８４は、以下の機能のために並列に用いられるために処理される。

いくつかの例示的な実施形態では、人間の感情状態および／または精神状態をモデリングするシステムは、モデリングモジュール９００を含み得る。モデリングモジュール９００は、前処理モジュール３００、トレーニングモジュール４００、およびクラスタリングモジュール８００を含み得る。

いくつかの例示的実施形態では、モデリングモジュール９００は、第１のユーザのグループから収集された非生理学的データに基づく第１のモデル、第２のユーザのグループから収集された１つ以上のラベルおよび生理学的データに基づく第２のモデル、ならびに個人ユーザの精神状態および／または感情状態を予測するように構成された個人モデルを含む第３のモデルのうちの少なくとも１つを生成するように構成されてもよく、第１のモデル、第２のモデルおよび第３のモデルの各々は、例えば以下に記載されるように、テストされたユーザの精神状態の予測を容易にするように構成されたユーザ精神状態予測可能性のランクに関連付けられる。ユーザ状態予測可能性は、本明細書において、いくつかの例では、ユーザの精神状態および／または感情状態の予測可能性を指す。また、説明の簡潔さのために、本開示の主題において、「精神状態」という用語は、時として、精神状態および／または感情状態の両方を指す用語として用いられることに留意されたい。いくつかの例示的な実施形態では、ユーザ精神状態予測可能性のランクは、時間枠にわたって収集される、テストされたユーザの生理学的データに従って判断され得る。

例えば、第１、第２、および第３のモデルのモデルについて、モデリングモジュール９００は、前記収集されたデータの少なくとも一部に基づいて、テストされたユーザの精神状態を予測し、前記予測された精神状態を、前記ラベルのうちのあるラベルによって示される対応する精神状態と比較し、前記比較の１つ以上の性能メトリックに従って、モデルに関連付けられる前記ランクを判断するように構成されてもよい。

例えば、他の方法（例えば、制御された環境（実験など）からの演繹的知識）を用いてラベルを提供することも可能である。

いくつかの例示的な実施形態では、モデリングモジュール９００は、テストされたユーザを、第１、第２、および第３のモデルのうち、ユーザ精神状態予測可能性の最高ランクを有するモデルに関連付けるように構成され得る。

例えば、第１のモデルおよび第２のモデルは、１つ以上のクラスタに配されることができ、１つ以上のクラスタのうちのあるクラスタは、共通の生理学的データおよび共通の非生理学的データ（完全に共通であろうと、または場合によっては部分的に共通であろうと、（例えば、それらは、共通して少なくとも１つの特性を有する））のうちの少なくとも１つを有する少なくとも２人のユーザを含む。

フロー１９９を実行するシステムの第１の機能は、モデルの作成および／またはトレーニングおよび／または最適化を含んでもよい。例えば、データおよびラベルは、データセットの生成のための生データ入力１０３、１１２として、次の段階（例えば前処理システム３００）に供される。データセットは、モデル（事前構成されたワーカーと組み合わされる）をトレーニングするのに必要であり得る基本要素である。データセット作成およびワーカー構成に関するさらなる情報は、図３Ａおよび図４を参照して以下で説明される。前処理システム３００では、データおよび／またはラベルを正規化および／または操作および／または処理して、それらがトレーニングモジュールによってデータセットとして使用できるようにするために、計算が行われる。

上述したように、前処理モジュール３００は、データセットを生成するように構成される。データセットの生成は、クラスタリングモジュール８００によってオーケストレーションされ、クラスタリングモジュール８００は、前処理モジュール３００をガイドし（１０５）、例えば、データセットを生成するためにどのユーザのデータおよびラベルをモジュール３００が用いてもよいかを示す。例えば、モジュール３００は、データおよびラベルからなるデータセットを、例えば、３５歳以下のユーザのクラスタのみから生成するように指示されてもよい。オーケストレーション機能に関するさらなる情報を以下に示す。多くの種類のデータセットが、異なる種類のクラスタ（例えば、非生理学的（メタデータ）クラスタ、生理学的クラスタ、および／または任意の他のクラスタ）に基づいて作成され得る。いくつかの場合において非生理学的クラスタに基づくことを含む、関連付けモデルのトレーニングは、クラスタデータセットにおいて、本明細書では第２の生理学的データとも称される、ユーザの生理学的データを利用し得る。システム３００の機能のいくつかの例のさらなる詳細は、図３Ａおよび図３Ｂを参照して本明細書でさらに開示される。

クラスタの種類は、どの種類のモデルが後でトレーニングされるかを決定することになる。クラスタリングモジュール８００は、複数のクラスタを生成し、各クラスタに対して、対応するデータセットの作成を行う。したがって、データセットは、上記で説明したように、どの種類のモデルが生成されるかを決定し、したがって、多くの種類のモデルを生成するようモジュール４００の能力を指示する。

複数種類のモデルを有することは、システムが、例えば以下に記載するように、どのモデルが個人ユーザごとに最良の性能を有するか（どのモデルが、概して、および／または各ユーザについて個々に、最適なランクを有するか）を常に評価しているので、感情および／または精神状態（例えばストレス、不安、うつなど）の非常に正確な予測を可能にする。

データセットが準備されると、トレーニングモジュール４００に送信され（１１３）、トレーニングプロセスのための１つの入力として供される。データセット入力は、いくつかの実施形態では、事前構成されたタスクに基づいて、事前構成されたワーカー（トレーニングモジュール４００において独立して生成され得る）を伴ってもよい。他の実施形態では、データセット入力は、クラスタリングモジュール８００から送信されたタスク１０６に基づいて生成されてもよい。両方とも、例えば、１つ以上のモデルをトレーニングし、それに応じて各モデルのランクを評価するために、例えばニューラルネットワークトレーニング方法を実行する１つ以上のグラフィック処理ユニット（ＧＰＵ）サーバによって用いられる。ランクを用いて、どのモデルがシステムのユーザごとに個別に最適な予測性能を有するかを判断することができる。各ユーザについてのランク付けは、例えば、どのモデルが各ユーザについて関連付けられることになるかをカスタマイズすることに関して利益を有し（１つのモデルは、それがユーザＢで実行するよりも、ユーザＡでより良好に実行することができる等）、したがって、より個人化された予測および正解率を可能にする。いくつかの例では、この、より高い正解率は、ある利点を有し、たとえば、事故の防止、病気の防止を容易にし、および一般的な健康を改善し得る。

例えば、ニューラルネットワーク技術に基づいて、１つ以上のモデルがトレーニングされる。トレーニング関数は、データセットのあるパーセンテージ（通常、データセットの７０％〜８０％）を利用し、データセットの他の未使用パーセンテージ（通常、データセットの２０％〜３０％）に基づいて、その予測性能の評価を行ってもよい。このデータセットの未使用パーセンテージは、いくつかの例では、生理学的データのトレーニングされていない部分と呼ばれることがある。評価は、新たなトレーニングされたモデルが正解率の改善に寄与しているかどうか、したがって、それがモデルデータベース５００に送信される（１１４）かどうかを判断するための基礎として供される。さらに、評価は、各トレーニングされたモデルにランク（これは、時間性能、メモリ利用率なども含み得る。）を与えるための基礎として供される。システムが提供するランク付け方法は、本開示の主題の特定の実施形態に従って以下でさらに説明される。システム４００の機能のいくつかの例のさらなる詳細は、図４を参照して本明細書でさらに開示される。

モデルデータベース５００、および特に予測モデルフローおよび／または漸進的な正解率改善は、たとえば図５Ａおよび図５Ｂを参照して以下で説明するように、１つ以上の実施形態の要素であり得る。

フロー１９９を実行するシステムの第２の機能は、例えば以下で説明するように、人間の感情および／または精神状態を監視および／または予測することを含んでもよい。

生理学的データ（ラベルなし）は、予測モジュール６００に送信されてもよく（１０４Ａ、１０４Ｂ）、予測モジュール６００では、生理学的データは、予測モデルがユーザの感情および／または精神状態を監視および／または予測するために、監視ユニットによって入力として用いられ得る。

システムのこの部分は、ユーザに価値のあり得る出力を提供する。それは、ユーザの感情および／または精神状態の予測である。このモジュールは、例えば、入力ラベルを用いることなく、ユーザの生理学的データに基づいてユーザの精神状態の予測を提供してもよい。予測の結果は、例えば以下に記載するように、集約されたビジネスの見通しを生成するために分析ユニット７００に送信される（１１６）。

ユーザの観点から、生理学的データは、例えば、感知ユニット、および特定のフィードバック入力（例えば、ラベル）を用いて提供され、したがって、ユーザの感情および／または精神状態（例えば、ユーザのストレス状態）の継続的かつ正確な監視および／または予測を得る。

フロー１９９を実行するシステムの第３の機能は、例えば、図７を参照して以下に説明されるように、ユーザの類似性によってユーザをクラスタリングすることを含み得る。

生理学的データは、例えば、ラベルなしで、クラスタリングモジュール８００に送信され得て（１０２）、クラスタリングモジュール８００において、例えば、図７を参照して以下に説明されるように、ユーザの生理学的パターンにおける類似性に基づいて、ユーザのグループ（例えば、クラスタ）を作成するために用いられ得る。

上述したように、第１の機能出力は、異なる種類のモデルをトレーニングするために用いられてもよい。モデル（例えばすべてのモデル）は、モデルデータベース５００に格納される。このデータベースは、例えば、図５を参照して以下に説明されるように、異なる種類の複数のモデルを格納する。

システムは、ユーザの非生理学的データ（例えば：性別、年齢、国籍など）に基づいてクラスタリングモジュール８００においてクラスタリングされた当該ユーザからなる特定のグループ（クラスタ）からのデータセットに基づいてトレーニングされる第１の種類のモデルを含み得る。これは基本的な種類のモデルであり、その利点は、ユーザがシステムに登録されると（および、例えば、何らかの個人詳細を提供すると）、システムは、そのユーザをモデルに即座におよび／またはほぼ即座に関連付けることができることである。本明細書で開示される主題に従って、第１の種類のモデルは、本明細書ではメタデータモデルと称される。いくつかの例では、そのようなメタデータモデルの作成は、たとえば、図７を参照して開示されるように、新たに登録されたユーザのメタデータを予測システム６００からクラスタリングシステム８００に送信することを含む（１０９）。

システムは、ユーザの生理学的データの類似性に基づいてクラスタリングされた当該ユーザからなる特定のグループ（クラスタ）からのデータセットに基づいてトレーニングされる第２の種類のモデルを含み得る。これは、より進歩した種類のモデルであり、その利点は、ユーザがシステムを使用し、（例えば、１日または１週間の監視中に）生理学的情報を提供すると、それは、ユーザの生理学的パターンにより良く適合し得るモデルと関連付けられることができることである。いくつかの例では、これは、システムが、より良好な予測可能性（予測性能）を提供することを可能にする。本明細書で開示される主題に従って、第２の種類のモデルは、本明細書では生理学的モデルと称される。

システムは、１人の個人の生理学的データおよびラベル（データセット）からのデータセットに基づいてトレーニングされる第３の種類のモデルを含み得る。これは高度な種類のモデルである。１つの利点は、ユーザがシステムをある期間使用し、実質的な量の個人的フィードバック（例えばラベル）を提供すると、ユーザを個人モデルに関連付けることができることである。これは、カスタマイズされた、および適応型のモデルであり、それは特定のユーザに適合し、したがって、個人化されたおよび／またはより高い予測可能性（予測性能）を提供し得る。本明細書で開示される主題に従って、第３の種類のモデルは、本明細書では、個人モデルと称され得る。

いくつかの例示的な実施形態では、他のモデルをトレーニングすることもできる。１つの非限定的な例は、システム内に存在するすべてのユーザのデータおよびラベルのデータセットに基づいてトレーニングされたモデル（「グローバルモデル」）である。そのようなグローバルモデルの利点は、システムに登録しなかったユーザについて、および／またはシステムに登録したがメタデータおよび／または生理学的情報を提供しなかったユーザについて、予測を提供し得ることである。モデルデータベースに格納されるモデルについては、さらに、例えば、図５を参照して開示する。

第１、第２、第３、および／または任意の他の種類のモデルのトレーニングは、ある時間枠ごとに、たとえば１日に１回、実行されてもよい。各所与のトレーニングについて、モデルを評価し、ランク付けし、各個人の現在関連付けられているモデルの現在のランクと比較してもよい。新たにトレーニングおよび／または最適化されたモデルが、特定のユーザに現在関連付けられているモデルよりも、そのユーザに対して、より高いランク、例えば、より良い予測性能を有する場合、システムは、より高いランクのモデルを各ユーザに個々に関連付けることになる。モデルのトレーニングについては、さらに、例えば、図４を参照して開示される。

いくつかの例示的な実施形態では、人間の感情および／または精神状態をデジタル化するシステムは、経時的に複数の種類のモデル（および各種類のモデル内の多くのタイプのモデル）をトレーニングすることができる。複数のモデルの１つの目的は、異なるモデルを異なるユーザに動的に関連付けることを可能にし、その結果、例えば、以下に記載するように、各ユーザについて個々に経時的に漸進的な正解率の改善がもたらされることである。

予測モジュール６００は、ユーザごとに、関連付けられた予測モデルを常に評価している。これは、ユーザをモデルデータベースから、より正確なモデルに促すことを常に確認している。例えば、それは、あるユーザがメタデータモデル（例えば、ｘのランクを有する）から生理学的モデル（例えば、２ｘのランクを有する）に促され得るかどうか確認することができる。用語「より正確な種類のモデル」は、例えば、より高いランクを受け取ったモデルを含むと解釈されるべきであり、したがって、予測可能性に関して、各ユーザについて個別に、より良好に機能することが期待される。ランクに基づくモデルプロモーション処理の詳細については後述する。

いったん、より良い予測モデル（より高いランクを有する予測モデル）がモデルデータベース５００内において、あるユーザについて見つかると、予測モジュールは、それをその特定のユーザに関連付け、したがって、予測関数およびその性能の常なる改善および／または個人化を可能にする。モデルは、ユーザがモデルを用いる回数が多いほど、より多くのデータが収集され、より正確で個人化されたモデルがユーザについてトレーニングされ得るので、各ユーザについて個々に、より良くかつより正確な予測出力を提供する。システム６００の機能のいくつかの例のさらなる詳細は、図６を参照して本明細書でさらに開示される。

現在の既存の解決策と比較すると、提案されるシステムは、いくつかの例では、（モデルのプール、例えばモデルデータベースからの）モデルを各ユーザに個々に関連付けること（「ユーザ指向システム」）を可能にし、モデルの性能ができるだけ多くのユーザに一致するようにモデルの性能を改善すること（「モデル指向システム」）に焦点を当てないという点で、大きなパラダイムシフトを提供する。いくつかの例では、これは、感情状態および／または精神状態に対する個人の生理学的反応間に大きな分散および多様性があり得る実生活に準拠し、したがって、「モデル指向型」の既存の解決策の性能および能力に挑戦する。現在の解決策は、１種類のモデル（例えば、上述のグローバルモデル）を完成させることに焦点を当てるだけであり、および／またはそれに主に焦点を当てる傾向がある。対照的に、いくつかの例では、このシステムは、よりロバストな異なるヒューリスティックを有し、可能な限り多くの種類のモデルおよびタイプのモデルをトレーニングし、それらをランク付けし、次いでランク付けおよび性能に基づいて、各ユーザを最も適合するモデルと関連付ける。いくつかの例では、本開示のシステムおよび方法は、例えば、モデルのランクを判断し、このランクをユーザと現在関連付けられているモデルのランクと比較し、ユーザをより高いランクのモデルと関連付けることによって、ユーザのモデルへの関連付けを自動的に動的に変化させる技術的解決法を提供する。いくつかの例では、この技術的解決法は、ユーザをそのユーザにとってより最適なモデルに関連付けることを容易にすることができる。これは、次いで、いくつかの例では、ある時点における生理学的データに基づいて、その時点におけるユーザ感情的精神状態のより良い予測を可能にすることができる。

いくつかの例では、本開示の主題は、少なくともいくつかの他の技法と比較して、少なくともある例示的な利点を提供することができる。本開示の主題のいくつかの例では、１人の個人の生理学的データに基づく場合において、生理学的測定値に基づく感情／精神状態の正確な出力を受信することは、問題のあるイベントおよびパターンを早期に検出することを可能にすることができ、というのも、この方法は、様々な生理学的パラメータにおいて、個人レベルで、変化に敏感であるからである。いくつかの例では、これは比較的早期の検出を提供するのに重要である。対照的に、例えば、カメラに基づく感情感知の場合、顔の表情がある時点までに、問題のある感情状態の検出が遅すぎる可能性がある。さらに、いくつかの精神状態は、ユーザが認識していないレベル、またはユーザが特定の感情的／精神的経験を経ていることを必ずしも知らないレベルにある可能性がある。少なくともこの意味で、生理学的ベースの測定および分析は、より早期の、およびより正確な解決策を提供することができる。

また、生理学的データに基づく、場合によっては１人の個人の生理学的データに基づく、感情的精神状態の予測において、幾つかの例における分析は、文化的および地理的差異に対して断定的ではない。これは、場合によっては有利であり、この技術を大市場に、大域的レベルで、ならびに国内で異なる文化的／民族的混合および地域的バリエーションを有する様々な国において、展開することを可能にする。そのような市場では、各ユーザは互いに異なり得るが、正確な予測の性能がすべてのユーザに提供されることになる。

いくつかの例示的な実施形態では、人間の感情状態および／または精神状態をモデリングするシステムのクラスタリングシステム８００は、少なくとも２つの特徴を含むことができる。

第１の特徴または機能は、予測モデルのトレーニングのためのデータセット作成をオーケストレーションすることであり得、第２の特徴は、関連付けモデルのトレーニングのためのデータセット作成をオーケストレーションすることであり得る。予測モデルは、ユーザの感情および／または精神状態を予測するために用いられ得る。関連付けモデルは、ユーザをクラスタと関連付けるのに用いられてもよく、したがって、ユーザを、関連付けられたクラスタの最高実行予測モデルと関連付けるのに用いられてもよい。

例えば、上述したように、システムは、どのデータセットを前処理モジュール３００がトレーニングのために生成するべきかに関して前処理モジュール３００をオーケストレーションするために用いられる異なる基準（例えば非生理学的（メタデータ）、生理学的、個人的など）に基づく、異なるユーザのクラスタの作成を含むことができる。予測モデルのトレーニング、およびそのようなトレーニングのためのデータセットの作成をオーケストレーションするとき、クラスタリングシステム８００は、モデルデータベース５００から受信される（１０８）１つ以上の関連付けモデルを入力として用いることができる。

いくつかの例では、クラスタリングモジュール８００は、データセットの生成をオーケストレーションし、関連付けモデルをトレーニングするための対応するタスクをオーケストレーションする、第２の特徴または機能を有する。関連付けモデルは、以下の２つ以上の目的、つまり、（ａ）個人を異なる種類のクラスタ（クラスタは、例えば、前処理モジュールにおいて、データセットの生成をオーケストレーションするために用いられる）に関連付けるため、および（ｂ）人間の感情状態および／または精神状態をモデリングする既存の予測モデルをシステムの新たなユーザおよび既に存在するユーザに関連付けるために用いることができる。

上記のシステムは、図１Ａを参照して説明した構造および／またはアーキテクチャに拘束されない。

図１Ｂを参照すると、本開示の主題の特定の実施形態による、人間の感情状態および／または精神状態をモデリングする方法およびシステムのブロック図が示される。

いくつかの例示的な実施形態では、ブロック図は、テストされたユーザから非生理学的データおよび生理学的データを受信するための入力ブロック１９２と、例えば、図１Ａで上述したように、複数のモデルを生成するためのプロセッサ１９４と、例えば、後述するように、モデルを格納するためのストレージ１９６とを含む。

図１Ｃを参照すると、本開示の主題の特定の実施形態による、生理学的データ収集モジュールの非限定的な一般化されたフローチャートの例を示す。

いくつかの例示的な実施形態では、本方法は、本明細書では「データ」とも称される個人の異なる生理学的パラメータを測定してもよい。これらのパラメータの非限定的な例は、体温、心拍数、電気的皮膚抵抗および／または他の生理学的パラメータ、および／または電気信号（光子、電圧など）であり得る。パラメータは変更される。データは、センサを介してユーザ１１１から直接収集されてもよく、ならびに／またはセンサから収集された生データおよび／もしくは信号を用いることによって、および／もしくは任意の他の収集方法によって計算されてもよい。

いくつかの例では、パラメータの収集は、上記で収集されたパラメータを無線周波数（ＲＦ）（例えば、ＷｉＦｉ、ブルートゥース（登録商標）、および／または任意の他の有線／無線伝送方法）によってブリッジ１２０に送信する感知ユニット１１０を用いて実行される。ブリッジ１２０はコンピューティングデバイス（例えばルータおよび／またはゲートウェイおよび／またはコンピュータおよび／または他のデバイス）であり、それは、着信データを、例えばＴＣＰプロトコル（例えばＨＴＴＰおよび／またはＭＱＴＴおよび／または他のプロトコル）を用いて、感知ユニット１１０から（例えばクラウド環境において）ブローカーコンポーネント１３０に送信する。感知ユニット１１０は、データを、例えば、ＴＣＰプロトコル（例えばＨＴＴＰおよび／またはＭＱＴＴおよび／または他のプロトコル）を用いて、ブリッジ１３０を介さずに、ブローカー１３０に直接送信してもよい（１３２）。さらに、感知ユニットは、たとえば、図６を参照して以下で説明するように、データを予測モジュール６００の監視ユニット６３０に直接および／または間接的に送信することができ（１０４Ａ）、予測モジュール６００に対する入力として機能する。

ブローカー１３０は、感知ユニット１１０通信プロトコルからのデータを復号し、クラウド（図示せず）において一般に用いられる異なる通信プロトコルに符号化する役割を担う。通信プロトコルは同じままであり、復号／符号化プロセスを経ない可能性がある。

この計算を実行した後、ブローカー１３０は、いくつかの例ではソフトウェアであり得る公開／加入（Ｐｕｂ／Ｓｕｂ）モジュール１４０にデータを送信する。Ｐｕｂ／Ｓｕｂ１４０は、サーバ１５０の負荷のバランスをとるために、データ処理ユニット１５０へのデータ取り込みレートを絞り込み、および／または制御する。そこから、データは、基本的なデータ操作（例えば、データスキームの変更、無効なメッセージの除去など）および／または順序付けのために、データ処理ユニット１５０、サーバのクラスタに送信される。処理を実行した後、データは生理学的データデータベース（ＤＢ）１６０に送信される。

生理学的データデータベースは、例えば、以下で説明するように、予測システム６００のモデル関連付けユニット６１０にデータを送信し（１０４Ｂ）、クラスタリングシステム８００のクラスタリングユニット８１０にデータを送信し（１０２）、分析ユニット７００にデータを送信することもできる（１１６）。

いくつかの例示的な実施形態では、分析ユニット７００は、システムのユーザ（例えば、組織のエグゼクティブマネージャおよび／またはスーパーバイザなど）のためのビジネスインテリジェンスメトリック（ＢＩ）を計算することができる。ビジネスインテリジェンスは、例えば、事業から戦略にわたる広範囲のビジネス判断をサポートするために企業によって用いられ得る。基本的な動作判断は、作業方法論および事業プロトコル適合を含む。戦略的なビジネス判断は、提供されたビジネスインテリジェンスに従って、優先順位、ならびに目標および方向を最も広いレベルで設定することを含む。

生理学的データ収集システム１００は、いくつかの例では、コンピュータであり得る。それは、非限定的な例として、処理回路１２２および生理学的データデータベース１６０を備え得る。いくつかの例では、処理回路１２２は、プロセッサ１２４およびメモリ１２３を備える。図の例では、ユニット１１０、１２０、１３０、１４０、１５０はすべてプロセッサ１２４上で動作する。他の例では、それらのユニットの一部またはすべては、別個のハードウェアユニット、クラウドベースのコンポーネントなどであり得る。

図１Ｄを参照すると、本開示の主題の特定の実施形態による、格納されたデータの非限定的な例を示す。図は、サンプルフィールドおよびサンプル値を示す。このＤＢに格納されるデータの例は、コンポーネント１６０ａ「生理学的データ」（例えば、デバイスｉｄ、ユーザｉｄ、組織ｉｄ、生理学的データサンプル配列、およびより多くのまたは他のメタデータを含む）および１６０ｂ（生理学的データサンプル情報）に見出すことができる。

いくつかの例では、ユーザＩＤは、特定のユーザ／個人に関連付けられた番号または文字列であり得、組織ＩＤは、例えば、ユーザの雇用主／企業に対応するＩＤであり得る。「サンプル」フィールドは、データ構造１６０ｂにおける生理学的データサンプルの配列とすることができる。一例では、生理学的データレコード１６０ａは、１秒間のデータを含み、フィールド「サンプル」を含む。この例では、このフィールドは、複数の「サンプル」レコード１６０ｂの配列またはバッチである。例えば、サンプルは１０回／秒記録されてもよく、したがって、各レコード１６０ａにおけるサンプル配列は１０個のサンプルレコード１６０ｂを含む。

いくつかの非限定的な例では、サンプルデータ１６０ｂは、他のパラメータの中でも特に、ＳＰ０２、心拍数（ＨＲ）、血液速度（ＢＶＰ）、心拍数変動（ＨＲＶ）、皮膚温度または他の温度、血流１〜４、３つの座標（例えばｘ、ｙ、ｚ）における加速度計測定値（ａｃｃ１、ａｃｃ２、ａｃｃ３）、血液灌流、および脈拍関連パラメータを含み得る。いくつかの例では、パラメータ「動き値」は、加速度計測定値から計算することができる。図１Ｄにおける数字は、単に例示のためのものである。

上記のシステムは、図１Ｂ、１Ｃ、および１Ｄを参照して説明した構造および／またはアーキテクチャに拘束されない。

図２を参照すると、本発明で開示する主題の特定の実施形態によるラベル付けモジュール２００の非限定的な一般化されたフローチャート例が示される。

ラベル付けモジュールまたはシステム２００は、いくつかの例では、コンピュータとすることができる。それは、非限定的な例として、処理回路２１２およびラベルデータデータベース２２０を含み得る。処理回路２１２は、いくつかの例では、プロセッサ２１４およびメモリ２１６を含み得る。プロセッサ２１４は、ラベル付けユニット２１０を含み得る。いくつかの例では、ユニット２１０はソフトウェアモジュールまたはコンポーネントである。

いくつかの例示的な実施形態では、ラベル付けモジュールまたはシステム２００は、ある時間枠内の時間マーク、たとえば時点におけるある精神状態および／または感情状態を示す、時間におけるマーカー（時間マーカー）であるラベルを生成する。精神状態は、例えば、ストレス、リラックス、および／もしくは他の精神ならびに／または感情状態であり得る。例えば（２２０ａ）、ラベルデータベース２２０内のラベルサンプルレコードは、必要に応じて、ユーザｉｄ、開始および終了タイムスタンプ、精神状態の値（例えば、ストレス、うつ、リラックスなど）、および必要に応じて潜在的にさらなる情報を含む。２２０ａにおける数字は、単に例示のためのものである。いくつかの例では、ラベルは、ユーザの精神状態および／または感情状態を示す。いくつかの例では、ラベルは、ユーザの生理学的データの少なくとも一部に対応する。

いくつかの例では、ラベルは、少なくとも２つの方法、つまり、（１）演繹的知識、（２）ユーザから受信されたフィードバック、に基づいてラベル付けユニット２１０において生成される。

いくつかの例では、第１のラベル付け方法２０５は、ユーザ（例えば個人）の既知の演繹的な感情および／または精神状態とのセッション中において生理学的データを収集することに基づく。例えば、精神状態および／または感情状態は、求められる場合には、一般的な学術的および臨床的方法に基づいて誘導されてもよい。１つの非限定的な例では、ユーザは、ある確率で、特定の感情状態（軽い悲哀、深い悲哀、幸福感、ストレス、など）を誘発するよう各々が既知である、一連の書かれた節を読み取るように指示される。別の非限定的な例では、ユーザは、ある確率で特定の感情状態または精神状態（ストレス、欲求不満、満足感、自信など）を誘発すると各々が既知である一連のタスクを実行するように指示される。セッション中、時間マーカーがクラウドまたは他のストレージに保存され、それは、特定の時間枠について、ユーザ、たとえば個人の演繹的な精神および／または感情状態そのものを示す。

ラベル付けの第２の方法２０３は、ユーザから受信されたフィードバック１８４に基づく。いくつかの例では、システムは、テストされたユーザ（例えば参加者）に自分の現在の感情状態を知らせる通知を送信する。システムは、時には、感情状態が変わったと予測するため、通知を送信し、時には、通知をランダムに送信する。例えば、通知をランダムに送信することは、ユーザのフィードバック信頼性を確認するために用いられてもよい。ユーザは自分のフィードバックを入力する。モジュールは、フィードバック時間をフィードバック自体とともにラベルデータベースに保存する。フィードバック時間は、変化の対象であるが、設定された時間からデータがその時間の前Ｘ分の数および後Ｙ分の数でラベル付けされるという概念の対象であるタイムウィンドウに関連付けられ得る。

プロセスの後で、データベース２２０に格納されたラベルは、例えば以下に記載するように、モデルのトレーニングを可能にすることができる。

上記のモジュールは、図２を参照して説明した構造および／またはアーキテクチャに拘束されない。

図３Ａを参照すると、本開示の主題の特定の実施形態による、前処理モジュール３００の非限定的な一般化されたフローチャート例が示される。前処理モジュールまたはシステム３００は、いくつかの例では、コンピュータとすることができる。それは、非限定的な例として、処理回路３０３を含んでもよい。処理回路３０３は、いくつかの例では、プロセッサ３０７およびメモリ３０９を含み得る。モジュール３００は、データセットデータベース３６０を含んでもよい。図３Ａは、いくつかの例ではモジュール３００のプロセッサ３０７によって実行され得るステップ３１０，３２０，３３０，３４０および３５０のフローチャートをプロセッサ３０７内において示す。

いくつかの例では、（システム１００の）生理学的データデータベース１６０および（システム２００の）ラベルデータベース２２０の出力１０３、１１２は、前処理モジュール３００のための入力として供される。前処理モジュール３００は、生理学的データをその元の構造から、モデルに準拠し、かつそのトレーニングのための実行可能な入力（本明細書ではデータセットとも称される）として供されることができる構造に変換するように設計される。この機能を実行するために、いくつかの例では、以下の動作が、モジュールによって、たとえば、１日に１回の頻度で実行される。動作の順序は変更される。

モジュール３００は、データベース１６０内のオブジェクトストレージから生理学的データをフェッチし（１０３）、データベース１６０においては、各行が、生理学的データを、そのデータが属しているユーザＩＤとともに、およびいくつかの例ではタイムスタンプなどの他の情報とともに含む（ブロック３１０）。多くの行があり、各行は単一のサンプルを含み得る。例えば、（例えば、１６０ａおよび１６０ｂに記載されるような）データは、複数のファイルに分割されてもよく、各ファイルは、例えば、１時間の空間にわたって収集されたすべてのデータを格納する。明確にするために、上記プロセスは、簡略化された、拘束力のない例であり、したがって、異なる方法および／またはプロセスで実行されてもよい。

並行して、モジュール３００は、データベース２２０からラベルをフェッチし（１１２）、データベース２２０においては、各行は、ユーザＩＤ、ラベルの開始時間および終了時間、ならびにラベル自体（例えば、精神状態Ａまたは精神状態Ｂ）などのパラメータを含む（ブロック３２０）。多くの行があり、各行は単一のサンプルからなる。明確にするために、上記プロセスは、簡略化された、拘束力のない例であり、したがって、異なる方法および／またはプロセスで実行されてもよい。

いくつかの例では、この点から、モジュール３００は、Ｊｏｉｎ ｂｙ Ｕｓｅｒ ＩＤ（ユーザＩＤによる結合）と呼ばれるアクションを実行し（ブロック３３０）、それはブロック３１０および３２０の出力を使用し、ユーザのユーザＩＤに従ってそれらを組合せおよび／または結合する。出力は、例えば、３つ以上の列（例えば、ユーザＩＤ、データ、ラベル、および他のデータ）を伴うテーブルを含む。

データを組合せおよび／または結合した後、モジュール３００は、「スライディングタイムウィンドウ技術」として知られるアクションを実行する（ブロック３４０）。いくつかの例では、スライディングウィンドウ３４０は、「現在から時間的に後ろに伸びる期間」という定義によって記述され得る。例えば、２分間のスライディングウィンドウは、過去２分間に発生した任意のイベントを含む。イベントが（この例ではそれらが２分以上前に発生したため）スライディングタイムウィンドウから外れると、それらのイベントは（Red Hatのドキュメンテーションより）この特定のスライディングウィンドウを使用するルールにもはや一致しなくなる。したがって、いくつかの非限定的な例では、各データ項目が２分ウィンドウに対応する多数の多種多様なデータ項目が生成され得る。明確にするために、上記プロセスは、簡略化された、拘束力のない例であり、したがって、異なる方法および／またはプロセスで実行されてもよい。

ブロック３４０の後のいくつかの例では、モジュール３００は、各ユーザについて、たとえば、いくつかの例では、ウィンドウのアレイを、それらウィンドウのラベルに加えて含むデータベースに、ファイルを記憶する（ブロック３５０）。ウィンドウは、時間によってソートされる生の生理学的データのアレイを含む。ファイルは、データセットデータベース３６０に格納される。

このＤＢは、生理学的データセット３６１およびクラスタデータセット３６２を含む。いくつかの例では、生理学的データ１８２は、ユーザに対して記録されるが、そのデータに対するラベル１８４は捕捉されないことに留意されたい。そのような例では、生理学的データセット３６１は、生理学的データのみを含み得る。

このＤＢ３６０に格納されるデータセットの例は、図３Ｂのコンポーネント３６１ａおよび３６１ｂに見出すことができる。

前処理モジュール３００において実行され得るデータセット生成プロセスは、モジュールのいくつかの実施形態で説明されるように、いくつかの例では、クラスタリングモジュール８００によってオーケストレーションされる。クラスタリングモジュール８００は、クラスタデータセットを生成するために、どのユーザのデータおよびラベルを用いるかに関して前処理モジュール３００をガイドしてもよい（１０５）。例えば、モジュール８００は、データセットデータベース３６０に命令して、例えば、３５歳以下のユーザのクラスタのみから、データおよびラベルからなるデータセットを生成してもよい（１０５）。他の例では、システム８００は、データベース３６０を利用しながらこのデータセットを生成するようにモジュール３００のプロセッサ３０７に命令する。オーケストレーション機能性に関するさらなる情報は、例えば、図７を参照して以下で提供される。多くの種類のデータセットが、異なる種類のクラスタ（例えば、非生理学的（メタデータ）クラスタ、生理学的クラスタ、および／または任意の他のクラスタ）に基づいて作成され得る。

図３Ｂを参照すると、本開示の主題の特定の実施形態による、データセットデータベースの非限定的な一般化された例示的な概略図が示される。

データセットデータベース３６０は、生理学的データセット３６１およびクラスタデータセット３６２を含むことができる。クラスタデータセット３６２は、クラスタリングシステム８００のガイダンス１０５によって作成することができる。このＤＢ３６１に格納できるデータセットの例は、コンポーネント３６１ａおよび３６１ｂに見出すことができる。いくつかの例では、ユーザＩＤのフィールドおよび組織ＩＤのフィールドは、図１Ｄのフィールドと同様である。いくつかの例では、３６１ａの「バッチ」フィールドは、生理学的データの複数の個々のバッチ３６１ｂのアレイであり、いくつかの例ではラベルを伴う。いくつかの例では、３６１ｂの「ラベル」フィールドは、プロセッサ３０７によって受信および処理されるラベルフィールド１１２に対応する。いくつかの例では、３６１ｂの「サンプル」フィールドは、生理学的データサンプル１６０ｂのアレイを含む、生理学的データレコード１６０ａのサンプルフィールドに対応する。ＤＢ３６２のデータセットは、いくつかの例では、構造において３６１ａおよび３６１ｂと同様のレコードを有し得ることに留意されたい。

上記のモジュールは、図３Ａおよび図３Ｂを参照して説明した構造および／またはアーキテクチャに拘束されない。

図４を参照すると、本開示の主題のある実施形態に従って構成された、一般化されたニューラルネットワークトレーニング環境を含むトレーニングモジュール４００の非限定的な一般化されたフローチャート例が示される。トレーニングモジュールまたはシステム４００は、いくつかの例では、ジョブマネージャサーバ４００ａおよびグラフィック処理ユニット（ＧＰＵ）サーバ４００ｂを含み得る。いくつかの例では、システム４００はコンピュータであり得る。コンピュータは、非限定的な例として、処理回路４０３を含み得る。処理回路４０３は、いくつかの例では、プロセッサ４０７およびメモリ４０９を含み得る。図４の例では、２つのサーバ４００ａおよび４００ｂがプロセッサ４０７上で動作する。いくつかの他の例では、サーバ４００ａおよび４００ｂの各々は、別個のコンピュータであり得る（または各々が多種多様なコンピュータであり得る）。トレーニングシステム４００は、タスクデータベース４１０も含んでもよい。図４は、マネージャサーバ４００ａ内において、いくつかの例ではサーバ４００ａによって実行され得るステップ４２０，４３０，および４４０のフローチャートを示す。図４は、ＧＰＵサーバ４００ｂ内において、いくつかの例ではサーバ４００ｂによって実行され得るフローチャート、ステップ４５０も示す。

（前処理システム３００の）データセットデータベース３６０の出力１１３、およびタスクデータベース４１０の出力４１３は、トレーニングモジュール４００のための入力として供され得る。いくつかの例では、モデルの生成は、ニューラルネットワーク方法に従ってモデルをトレーニングすることを含む。いくつかの例では、トレーニングモジュール４００は、たとえばニューラルネットワークモデルをトレーニングするために、上記コンポーネントを入力として用いるように設計される。いくつかの例では、モデルは、たとえば３６１および３６１ｂに示されるように、ラベルに関連付けられる生理学的データセットを用いてのみトレーニングされ得ることに留意されたい。

例えば、ニューラルネットワークモデルをトレーニングするために、事前構成されたサーバ（例えば、ワーカー）が生成されてもよい。この生成プロセスは、いくつかの例では標準サーバのクラスタであるジョブマネージャサーバ４００ａにおいて行われてもよい。図の例では、１つのサーバが示されている。いくつかの例では、タスクデータベース４１０において、各行または他のレコードは、このセッションを実行するためのすべての関係のあるパラメータを含むタスク、たとえばトレーニングセッションを表す。そのようなパラメータの例は、ニューラルネットワークの層の数、ウィンドウサイズ、各ニューロンの活性化関数、各所与の層に対するニューロンの数などを含み得る。クラスタリングシステム８００は、トレーニングモジュール４００のサーバ４００ａに送信される、関係のあるタスク１０６を生成することができ、そのタスクは、例えば、データベース４１０に格納される。別の例では、タスク１０６は、データベース４１０に送信されてそこに格納され、その後、そのタスクは、ジョブマネージャサーバ４００ａに提供される。さらに他の例では、システム４００は、データベース４１０を利用せずにタスク１０６を実行する。

いくつかの例では、トレーニングセッションは、例えば以下で説明するように、後で、ＧＰＵサーバ４００ｂによって実行されるブロック４５０で実行される。たとえば、データベース４１０内のタスクは、データセットデータベース３６０におけるデータセットのＩＤ、モデルＤＢ５００における出力モデルへの経路、およびセッションを（性能最適化のために）複数のサーバにどのように分割するかを示すジョブ（マイクロタスク）などを含み得る。

事前構成されたサーバ（例えばワーカー）を生成するために、まず、タスクがジョブマネージャサーバ４００ａによって開始され、ジョブマネージャサーバ４００ａは、タスクデータベース４１０からそのタスクを引き出し、それを実行するために必要なコンピューティングリソースを推定する（ブロック４２０）。次に、ジョブマネージャサーバ４００ａは、ワーカー等のサーバを生成する（ステップ４３０）。ワーカーは、ブロック４５０においてトレーニングセッションを実行する役割を果たす。次いで、ジョブ（タスクに含まれるマイクロタスク）が、生成されたサーバ（例えばワーカー）に割り当てられるか、または送信される（ブロック４４０）。

ジョブマネージャサーバ４００ａでの処理が完了した後、事前構成されたサーバ（例えば、ワーカー）は、データセットデータベース３６０からの１つ以上のデータセットの送信１１３とともに、ＧＰＵサーバ４００ｂに送信される。いくつかの例では、これらは、トレーニングセッションにおいてモデルをトレーニングするために用いられる（ブロック４５０）。ブロック４５０では、モデルを並行してトレーニングすることができる。

トレーニングセッション４５０のプロセスは、例えば、（公開知識に基づいて、既知の技法を用いて）ニューラルネットワークモデルをトレーニングすることとすることができる。このプロセスのための出力はトレーニングされたモデルであり、それは次いでモデルデータベース５００に格納される（１１４）。

トレーニングされたモデルをモデルデータベース５００に格納する前に、いくつかの例では、ブロック４５０は、各モデルの評価プロセスを実行する。いくつかの例では、評価プロセスは、以下の２つの機能を果たす。

第１の評価機能は、トレーニングされたモデルが事前定義された客観的閾値をパスしたかどうかを評価することであってもよい（たとえば、９５％の正確度率、１時間未満のトレーニング時間など）。次いで、各モデルは、このモデルがモデルデータベース内の既存のモデルよりも優れているかどうかを評価するための基準として機能する客観的ランクを受信する。モデルがモデルデータベース５００内の既存のモデルより高いランクを受け取った場合、それは格納される（１１４）。いくつかの例では、モデルが十分に高いランクを受信しない場合、それは記憶されない。このランクは、新たなトレーニングされたモデルが予測可能性に寄与しているかどうか、したがって、それがモデルデータベース５００に送信されるかどうかを判断するための根拠となる。いくつかの例では、新たなトレーニングされたモデルは、そのランクとともにモデルデータベース５００に格納される。

例えば、トレーニング関数は、あるデータセットのあるパーセンテージ（いくつかの例ではデータセットの７０％〜８０％）を利用し、データセットの他の未使用パーセンテージ（トレーニングされていない部分）（いくつかの例ではデータセットの２０％〜３０％）に基づいてその予測性能の評価を行うことができる。他のパラメータ（例えば、メモリ利用率、コンピューティングリソースおよび／または他のパラメータ）とともに予測性能を用いて、各トレーニングされたモデルの客観的ランクを判断する。他の例では、機械学習方法を用いてトレーニングされたモデルは、例えば公知の技法を用いて、検証プロセスおよびテストプロセスの両方を受ける。そのような場合、データセットのうちトレーニングされていない部分の一部を検証に使用し、トレーニングされていない部分の残りをテストに用いることができる。

第２の評価機能は、予測モデルのクラスタに関連付けられる各所与のユーザに対する予測モデルの相対ランクを評価することであり得る。モデルの相対ランクは、所与のモデルのクラスタの異なるユーザ間で異なり得る。モデルの相対ランクは、新たなトレーニングされたモデルが各個人ユーザの感情および／または精神状態の予測可能性に寄与しているかどうかの判断を行うための基礎として機能する。新たにトレーニングされたモデルが、あるユーザの予測可能性に寄与する場合、その新たにトレーニングされたモデルは、より高い予測性能（本明細書において図６を参照してさらに説明する）をその特定のユーザに提供するために、そのユーザに関連付けられる。

モデルのランク付けは、例えば、（１）予測性能メトリック（例えば、正解率、適合率、および再現率）の正規化された（例えば、０〜１の値）組み合わせ、（２）少なくとも１つのコンピューティング性能メトリック（例えば、メモリ利用率、予測時間）の正規化された組み合わせ、（３）少なくとも１つの予測性能メトリックと少なくとも１つのコンピューティング性能メトリックとの正規化された組み合わせ、（４）少なくとも１つの予測性能メトリックおよび／または少なくとも１つのコンピューティング性能メトリックのいずれかの正規化されない組合せ、（５）別のランク付け方法、に従って算出することができる。

ここで、モデルのランクを判断し、ランクを比較する第１の非限定的な例を提示する。例えば、生理学的モデルＰ１００は、データセットＤ１００の７０％を用いてトレーニングされる。生理学的モデルＰ２００は、データセットＤ１００の７０％を用いてトレーニングされる。各データセットのトレーニングされていない部分、データの３０％は、感情的精神状態に関連付けられた１０，０００個のラベルを含む。ここで、Ｐ１００は、データセットＤ１００のうちトレーニングされていない３０％上で実行され、Ｐ２００は、データセットＤ１００のうちトレーニングされていない３０％上で実行される。各モデルについて、ユーザの感情状態の１０，０００個の予測が生成される。各モデルについて、１０，０００個の予測を１０，０００個のラベルと比較して、予測された感情（生理学的データに基づく）が実際のラベル付けされた感情と一致するかどうかを見る。

実施例の結果は以下のとおりである：Ｐ１００は、Ｄ１００のトレーニングされていない部分において１０，０００個のラベルのうち６，０００を正確に予測し、したがって、６０％のランクを得る。Ｐ２００は、Ｄ１００のトレーニングされていない部分において、１０，０００個のラベルのうち８，０００個を正確に予測し、したがって、８０％のランクを得る。Ｐ２００は、より高いランクを有するので、より良い適合として選択される。

第２の非限定的な例において、評価段階においてラベルをマッチングすることは、「一致／不一致」の基準のみに基づくものではなく、マッチングのグラデーションを可能にする。この第２の例では、実際のラベルが「中程度に幸福」であるとき、モデルによる「非常に幸福」の予測は、その個別の一致について７５％のスコアを与える。この例では、上記のモデルＰ１００、Ｐ２００およびデータセットＤ１００について、Ｐ１００は、７７％の改善されたランクを受け、Ｐ２００は、８７％の改善されたランクを受ける。この例では、Ｐ２００は依然としてより良好な適合の予測モデルである。

第３の非限定的な例では、予測およびラベル付けされた感情の正確なマッチングは、ランクの７０％を占める一方、性能（速度）は、３０％を占める。より低い正解率のＰ１００は、データのトレーニングされていない部分を５分で評価し、１００％の性能グレードを受け取る。より高い正解率のＰ２００は、Ｐ１００よりもゆっくりと、６分でデータのトレーニングされていない部分を評価し、したがって８３％のより低い性能グレードを受け取る。Ｐ１００は、７０％＊６０％＋３０％＊１００％＝７２％の全体的なグレードを受ける。Ｐ２００は、７０％＊８０％＋３０％＊８３％＝８０．９％の全体的なグレードを受ける。この例では、Ｐ２００は依然としてより高くランク付けされた予測モデルである。そのようなグレード付けの別の例においては、性能グレードは、ＣＰＵおよびメモリの相対的使用においても因子となり得る。

図４を参照して開示される方法は、いくつかの例では、関連付けモデルおよび予測モデルの両方のトレーニングのために用いられ得ることに留意されたい。これは、ランクの使用を含み得る。これらの方法は、関連付けモデルおよび予測モデルの両方を再トレーニングするためにも用いられ得る。いくつかの例では、これは、定期的に、ならびに／またはユーザの新たな生理学的データおよびラベルの到着に応答して行われる。

いくつかの例では、システム４００は、統計的に有意なモデリングおよび評価を可能にするのに十分な量の対応するラベルを有さないデータベース３６０内の生理学的データに基づいて予測モデルをトレーニングすることはできない。一例では、個人モデルを生成するために、１０，０００個のラベルが必要である。別の例では、１００人のユーザのクラスタに基づいて生理学的データ関連付けまたは予測モデルを生成するために、５０，０００個のラベルが必要である。いくつかの例では、システム４００は、十分な割合または量の対応するラベルを有さないデータベース３６０内の生理学的データに基づいて関連付けモデルをトレーニングすることはできない。対応するラベルを有さない生理学的データは、いくつかの例では、予測ユニット６００の監視ユニット６３０によって、および／または分析ユニット７００によって用いられ得ることに留意されたい。いくつかの例では、対応するラベルを有さない生理学的データは、予測ユニット６００のモデル関連付けユニット６１０によっても用いられ得る。いくつかの例では、対応するラベルを有さない生理学的データは、モデル関連付けユニット６１０によって用いられ、関連付けの正解率を改善することができる。

上記のモジュールは、図４を参照して説明した構造および／またはアーキテクチャに拘束されない。

図５Ａを参照すると、本開示の主題の特定の実施形態による、モデルデータベース５００の非限定的な一般化された例示的な概略図が示される。

モデルデータベース５００において、システムは、例えば、トレーニングシステム４００によって生成される２つのクラスのモデルとして、（ａ）ユーザをクラスタに関連付けるために用いられるモデル（例えば、関連付けモデル５４０）、ならびに（ｂ）精神状態および／または感情状態の予測に用いられる予測モデル（例えば、メタデータ（非生理学的）モデル５１０、生理学的モデル５２０、個人モデル５３０、および／または任意の他のモデル５５０）を記憶する。

いくつかの例示的な実施形態では、関連付けモデル５４０は、（例えば、データセットデータベース３６０から受信される）クラスタデータセットおよびクラスタリングシステム８００において生成される（例えば、データベース４１０に記憶される）関係のあるタスクに基づいて、例えば、図７を参照してここで説明されるように作成および／またはトレーニングされる。

これらの関連付けモデルは、少なくとも（ｉ）個人をクラスタに関連付けるため、（ｉ）予測モデルのトレーニングのため、および（ｉｉｉ）既存の予測モデルを新たなユーザおよび既に存在するユーザに関連付けるために用いることができる。

（ｉ）関連付けモデル５４０は、個人を少なくとも２種類のクラスタ、つまり例えば以下に記載するように、（ａ）メタデータ予測モデルのトレーニングのためにユーザ（例えば個人）を選択するために用いられる非生理学的（例えばメタデータ）クラスタ、および（ｂ）生理学的予測モデルのトレーニングのためにユーザ（例えば個人）を選択するために用いられる生理学的クラスタに関連付けるために、システム８００のクラスタリングユニット８１０によって用いられることができる（１０８）。

より具体的には、ユーザ（例えば個人）をクラスタに関連付けるために、少なくとも２つのタイプの関連付けモデルとして、（１）（ユーザ（例えば個人）を非生理的（たとえばメタデータ）クラスタに関連付けるための）非生理学的（例えばメタデータ）関連付けモデル、（２）（ユーザ（例えば個人）を生理学的データクラスタに関連付けるための）生理学的関連付けモデル、および／または（３）任意の他の関連付けモデル、がこのコンポーネントに格納される。

（ｉｉ）予測モデルのトレーニングは、例えば、図７を参照して開示される。
（ｉｉｉ）さらに、予測モデルをユーザと関連付けるために、関連付けモデルを用いることができる。いくつかの例では、そのような関連付けプロセスは、ユーザのシステムへの最初のエントリから、ユーザのシステムの使用に沿って連続的に、複数回実行され得る。この関連付けプロセスは、ユーザに関する各モデルのランク付けに基づいて、ＤＢ５００から関連付けモデル情報を受信する（１０７ｂ）モジュール６００のモデル関連付けユニット６１０によって行われてもよい。

モデルの予測クラスに関して、これらのモデルは、特定のユーザの精神状態および／または感情状態の予測に用いられる。いくつかの例では、予測自体は、予測モジュール６００（図６）の監視ユニット６３０によって実行され、これは、図６を参照して本明細書でさらに説明される。いくつかの例では、各予測モデル間の差異は、そのモデルをトレーニングするために一緒に関連付けられたユーザのクラスタである。

いくつかの例示的な実施形態では、第１の種類の予測モデル、非生理学的（例えば、メタデータ）モデル５１０は、例えば年齢、性別、国籍など、複数の個人の個人的（非生理学的）データにおける類似性に従ってクラスタに関連付けられたそれら複数の個人の生理学的データからなるデータセットを用いてシステム４００によってトレーニングされたモデルを含み得る。いくつかの例では、そのようなモデルをトレーニングするために用いられるクラスタデータセットは、クラスタデータセットデータベース３６２に格納されることに留意されたい。クラスタへのユーザ（例えば個人）の関連付けは、例えば、図６のモデル関連付けユニット６１０を参照して以下で説明するように、関連付けモデル５４０によって行うことができる。例えば、この種のモデルは、１つ以上が、個人からなる各クラスタに対する、複数のモデルを含むことができる。

例えば、各種類のモデルにおいて、この種類のモデルの複数のタイプがあるかもしれない（例えば、メタデータモデル種には、４０歳以上の男性用のモデルのタイプ、日本女性用のモデルのタイプなどがあるかもしれない）。

いくつかの例示的な実施形態では、第２の種類の予測モデル、生理学的モデル５２０は、複数のユーザの生理学的データ（例えば、心拍数、皮膚伝導度、体温など）における類似性（例えば、パターン）に従ってクラスタに関連付けられたそれら複数のユーザの生理学的データからなるデータセットを用いてシステム４００によってトレーニングされたモデルを含んでもよい。いくつかの例では、そのようなモデルをトレーニングするために用いられるクラスタデータセットは、クラスタデータセットデータベース３６２に格納されることに留意されたい。生理学的データに基づくクラスタの１つの非限定的な例として、システムは、全員が、皮膚温度が午前中に上昇し、脈拍が日中においてほぼある値であることを特徴とする、ある数のユーザをクラスタリングすることができる。クラスタへのユーザの関連付けは、例えば、図６のモデル関連付けユニット６１０を参照して以下で説明するように、関連付けモデル５４０によって行うことができる。例えば、この種のモデルは、１つ以上が、個人からなる各クラスタに対する、複数のモデルを含むことができる。

例えば、各種類のモデルにおいて、この種類のモデルの複数のタイプがあるかもしれない（例えば、生理学的モデル種には、特定の心拍数パターンを有する人々、皮膚温度において特定のパターンを有する人々などのためのモデルのタイプがあるかもしれない）。他の非限定的な例では、関連付けモデル５４０内に１つのメタデータ関連付けモデルおよび１つの生理学的データ関連付けモデルがある。

いくつかの例示的な実施形態では、第３の種類の予測モデル、ユーザ（例えば個人）モデル５３０は、１人の個人の生理学的データ（例えば心拍数、皮膚伝導度、体温など）からなるデータセットを用いてシステム４００によってトレーニングされたモデルを含み得る。いくつかの例では、そのようなモデルをトレーニングするために用いられるユーザデータセットは、生理学的データセットデータベース３６１に格納されることに留意されたい。いくつかの例において、この種のモデルは、各個人に１つずつ、複数のモデルを含むことができる。

また、いくつかの例では、（個人モデルであろうと別のタイプであろうと）新たな予測モデルが生成されると、１つ以上の関連付けモデル５４０が再トレーニングされ、その結果、それらは、新たに生成された予測モデルも考慮することができることに留意されたい。

また、個人モデル５３０がトレーニングされ、作成されると、いくつかの例では、そのモデルをトレーニングするためにデータが用いられた１人の個人以外のユーザに関連付けられ得ることにも留意されたい。例えば、カレンの生理学的データに基づいて以前にトレーニングされた個人モデル１２５０が、ジェーンの生理学的データに最良適合するモデルであることが後で見出された場合、ジェーンは、モデル１２５０に関連付けられ得る。いくつかの例では、次いで、個人モデル１２５０は、例えばジェーンおよびカレンの両方の生理学的データにおける類似性に対応する新たなクラスタに関連付けられる非個人生理学的モデル（参照符号５２０）となるように再定義または再分類され得る。換言すれば、個人モデルは、いくつかの例では、他のモデルのシードまたはベースとして役立つことができる。

例えば、各種類のモデルにおいて、この種類のモデルの複数のタイプがあるかもしれない（例えば、個人モデル種には、ユーザａ、ユーザｂ、ユーザｃなどに対するモデルの種類があるかもしれない）。

いくつかの例示的な実施形態では、他の予測モデル５５０は、たとえば、（ａ）すべての個人をクラスタに関連付けることなく、すべての個人に基づいてトレーニングされるモデル、（ｂ）メタデータと生理学的データとの混合に基づいてトレーニングされるモデル、（ｃ）システムに存在するすべてのユーザのデータおよびラベルのデータセットに基づいてトレーニングされるモデル（「グローバルモデル」）、ならびに／または（ｄ）任意の他のモデル、を含み得る。

例えば、予測モデルの一部またはすべては、例えば、図６を参照して本明細書に開示される方法を用いて、ユーザの精神状態および／または感情状態を予測するために監視ユニット６３０によって用いられる（１０７ａ）。

図５Ｂを参照すると、本開示の主題の特定の実施形態による、モデル関連付けの非限定的な一般化されたフローチャート例が示される。いくつかの例では、そのようなフローは、図６を参照して本明細書でさらに開示されるように、予測システム６００のモデル関連付けユニット６１０によって実行される。いくつかの例示的な実施形態では、予測モデルフロー５００ａは、特定のユーザに関連付けられるモデル間の１つの可能な遷移を記述することができる。この方法の基本的な仮定は、異なる時間枠において、特定のユーザに最良適合する異なるモデルが存在し得ることである。ユーザのための最良適合モデルは、時間とともに変化し得る。したがって、システムは、複数種類の予測モデルを生成し得る。システムは、モデルの正解率を向上させ、次いで、（例えば、上述のモデルランク付けに基づいて）各特定のユーザに最も正確なモデルを関連付けることを試みる。正解率の推移および向上は、ユーザ毎のデータ量の増加、ユーザ数の増加、および／または一般にデータ量の増加に左右され得る。いくつかの例では、６０％以上の適合が、ユーザを特定のモデルに関連付けるための基準であり得る。いくつかの例では、７０％以上の適合が、ユーザを特定のモデルに関連付けるための基準であり得る。

明確にするために、簡略化された、拘束力のないプロセスの例が続き、ユーザに即座またはほぼ即座に関連付けられ得るあるモデルは、例えば、特定のクラスタ（例えば、４０歳を超える男性）に関連付けられる既存のメタデータ（非生理学的）モデルである。いくつかの例では、このモデルはデータベース５１０内に存在する。この種のモデルをそれと関連付けるためにユーザからの必要なデータは、ユーザの個人情報である。生理学的データがあるユーザのために収集されたある期間（例えば、１週間の監視）の後、生理学的データにおける類似性に基づいて特定のクラスタに関連付けられた既存の生理学的モデルを、ここで、このユーザに関連付けてもよい（５１４）。いくつかの例では、このモデルはデータベース５２０内に存在する。通常、ユーザの、生理学的モデルと関連付けられることへの移行５１４の後には、改善されたモデル予測可能性および／または予測性能５１２（例えば、モデルのランク付けによって判断される）が続く。次いで、ユーザの追加の生理学的データが、ユーザの生理学的データに一致するラベルとともに収集された、より長い期間（例えば、２週間）の後、個人モデルをこの特定のユーザに関連付けてもよい（５１６）。いくつかの例では、このモデルはデータベース５３０内に存在する。

いくつかの例では、ユーザは、例えば５２０において、ラベルを伴わないユーザの生理学的データのみに基づいて、非生理学的モデルに関連付けられることができることに留意されたい。一方、いくつかの例では、たとえば５３０において、ユーザが生理学的モデルに関連付けられるために、ユーザの生理学的データは、十分な割合または数のラベルを伴わなければならない。１つの非限定的な例では、関連付けは、少なくとも１０００個のラベルを利用するべきである。

いくつかの例示的な実施形態では、最初に非生理学的（例えばメタデータ）モデルに関連付けられたユーザが、個人ユーザモデルに直接関連付けられてもよい（５１８）。このシナリオは、ユーザがクラスタに関連付けられたデータベース５２０内のどの既存の生理学的モデルにも適合しない場合に可能であり、したがって、このユーザは、一意の個人モデルに直接関連付けられてもよい。

上記のモジュールは、図５Ａおよび図５Ｂを参照して説明した構造および／またはアーキテクチャに拘束されない。

図６を参照すると、本開示の主題の特定の実施形態による、予測モジュールの非限定的な一般化されたフローチャート例が示される。予測モジュールまたはシステム６００は、いくつかの例では、コンピュータであり得る。それは、非限定的な例として、処理回路（図示せず）を含んでもよい。処理回路は、いくつかの例では、プロセッサおよびメモリ（両方とも図示せず）を含んでもよい。モジュール６００は、ユーザデータベース６４０およびユーザ対モデルインデックスデータベース６２０を含んでもよい。システム６００内のプロセッサは、いくつかの例では、少なくともモデル関連付けユニット６１０および監視ユニット６３０を実行することができる。他の例では、ユニットの一部またはすべては、別個のハードウェアユニット、クラウドベースのコンポーネントなどであり得る。

いくつかの例示的な実施形態では、新たなまたは既に存在するユーザが（ある個人情報を入力することによって、および／または感知ユニット１１０を用いることによって、）モジュールに関わると、それは個人情報（非生理学的、メタデータ）をユーザデータベース６４０に提供し（１８６）、生理学的データを生理学的データ収集モジュール１００に提供する（１８２）。ユーザデータベース６４０は、いくつかの例では、ユーザの個人情報の一部またはすべてからなる。いくつかの例では、データベース６４０は、本明細書では、非生理学的データが収集され、そこに記憶されるので、非生理学的データ収集モジュールとも称され得る。他の例では、非生理学的データモジュールは、例えば、端末またはインターネットを介したユーザ入力から、または雇用者の人事システムから、メタデータを受信するシステム１９８である。いくつかの例において、データベース６４０は、この情報を（例えば、図７を参照して本明細書でさらに開示されるように）クラスタリングモジュール８００に送信し（１０９）、それを例えば以下に説明されるように、モデル関連付けユニット６１０に送信しもする（６１３）。

いくつかの例では、モデル関連付けユニット６１０の機能は、予測モデルを任意の特定のユーザに関連付けることである。この予測モデルは、非生理学的（例えばメタデータ）モデル、生理学的モデル、個人モデル、および／または任意の他のモデルとすることができる。この機能を実行するために、モデル関連付けユニット６１０は、１つ以上の関連付けモデル１０７ｂを受信するようにモデルデータベース５００に要求する。ユニット６１０は、システム１００から特定のユーザの生理学的データを取得してもよい（１０４ｂ）。ユニット６１０は、この関連付けモデルを用いて、どの予測モデルがユーザに最も正確に適合するかを評価および判断することができる。いくつかの例では、関連付けモデルは、利用可能な予測モデルに関する情報をその中に含む。いくつかの例では、評価は、得られたユーザ生理学的データ（１０４ｂ）にも基づいて実行される。いくつかの例では、特定のユーザのための最良の予測モデルは、評価プロセスによる出力である。１つの非限定的な例では、関連付けモデルＡ３は、いくつかの生理学的モデルＰ５００（ランク８０）、Ｐ５１０（ランク７８）、Ｐ５２０（ランク９０）、Ｐ５３０（ランク８２）に対して、ビルというユーザの生理学的データを実行することができる。それは、モデルのいくつか、Ｐ５００およびＰＳ２０が、ビルのデータとの良好な適合を提供する、と判断する。９０は８０より高いランクであるので、ＰＳ２０がビルに関連付けられるように選択され、したがって、ビルの現在関連付けられるモデルは９０のランクを有する。

いくつかの例では、ユーザと特定のモデルとの間の最も正確な適合は、その特定のモデルが、精神状態および／または感情状態を予測する観点から、そのユーザのための最良かつ最も正確な結果を提供することを意味する。

例えば、それは、ＤＢ５４０における関連付けモデルを利用して、ユーザがクラスタに関連付けられていることであってもよい。このユーザは、ユニット６１０によって以前に関連付けられていてもよい。モデル関連付けユニット６１０は、後の時点において、現在関連付けられている予測モデルのランクをモデルデータベース５００内の他の利用可能な予測モデルのランクと比較してもよい（６１０ａ）。いくつかの例では、これは、再び、関連付けモデルを利用することによって実行されてもよい。したがって、モデル関連付けユニット６１０が、一般に、および／またはこのユーザのために、上述のランクに基づいて、より良い実行予測モデルを発見した場合、モデル関連付けユニット６１０は、そのより高くランク付けされた予測モデルをそのユーザに関連付ける。明確にするために、このようなプロセスは、例えば、各ユーザに別々に実行されてもよい。いくつかの例では、これは、各ユーザに対して最適な予測可能性を提供するカスタマイズおよび／または個人化されたモデル対ユーザ一致を可能または容易にする。いくつかの例では、ユーザを予測モデルに関連付けるために、ユーザの生理学的データの（たとえば）７０％を用いてトレーニングし、生理学的データのトレーニングされていない部分を用いて関連付けを評価する必要はない。

いくつかの例示的な実施形態では、モデル関連付けユニット６１０は、テストされたユーザの精神状態の予測を容易にするように構成された、精神状態予測可能性のランクを、予測モデルに添付するように構成され得る。１つの非限定的な例では、ユーザは、予測モデルＰ４２０に、８０のランクで関連付けられる。後日、ユニット６１０は、関連付けモデルおよび新たな生理学的データ１０４ｂを用いて新たな評価を実施し、その結果は、８８のランクを有する予測モデルＰ４４０である。

モデル関連付けユニット６１０は、モデルデータベース５００から、複数の関連付けモデル（例えば、非生理学的（例えば、メタデータ）関連付けモデル、生理学的関連付けモデル、および／または任意の他の関連付けモデル）を受信して（１０７ｂ）、広範な評価プロセスを実行することが可能である。モデル関連付けユニット６１０は、評価プロセスのために単一の関連付けモデルのみを受信することも可能である（１０７ｂ）。関連付けモデルを受信した後、いくつかの例では、ユニット６１０は、次いで、ユーザデータベース６４０からの非生理学的（たとえばメタデータ）６１３および／または生理学的データデータベース１６０からの生理学的データ１０４ｂに基づいて、特定のユーザについての最良適合予測モデルを評価する。

モデル関連付けを実行するために、ユニットがデータベース５００からモデルを取得するプロセス（１０７ｂ）は、いくつかの例では、ユーザごとに１回だけ生じなくてもよい。いくつかの例では、どの予測モデルが特定のユーザに対して最も正確に適合するかを評価および判断する進行中のプロセス６１０ａがある。進行中のプロセス６１０ａは、場合によっては、特定の所定のおよび／または手動で入力されたヒューリスティックに基づいて、定期的に、例えば、毎日１回、またはインターフェース１０４ｂを介してユーザについて生理学的データを１ヶ月収集した後に、行うことができる。

いくつかの例では、モデル関連付けユニット６１０によって実行される処理の結果は、特定のユーザに添付される予測モデルである。いくつかの例では、この出力は送信され（６１７）、ユーザ対モデルインデックスデータベース６２０に格納される。例えば、ユーザ対モデルインデックスデータベース６２０に格納される情報は、ユーザｉｄ、ユーザに関連付けられるモデル参照（例えば、モデルデータベース５００における予測モデルへの経路）などを含み得る。いくつかの例では、データベース６２０内のユーザレコードは、関連付けられた予測モデルについて判断されたランクも含む。

いくつかの例では、予測システム６００によって実行される、特定のユーザに対する次の動作は、監視ユニット６３０において実行されるユーザの精神状態および／または感情状態の予測である。予測アクションを実行するために、監視ユニット６３０は、ユーザ対モデルインデックスデータベース６２０からユーザ対モデル情報を取得し（６１５）、それを用いて、（例えば、上述のモデル参照を用いて）モデルデータベース５００に、関連付けられた予測モデル１０７ａを要求する。ユーザの生理学的データは、生理学的データ収集モジュール１００から監視ユニット６３０に送信されてもよい（１０４ａ）。この生理学的データは、場合によっては、ユーザの精神状態および／または感情状態を予測するためにユニット６３０において予測モデルによって用いられる。例えば、関係のある予測モデルが生理学的データに適用されることになる。明確にするために、ラベルを使用せずに監視アクションを実行することが可能である。ユニット６３０の使用の例示的な状況は、ビルというユーザが既に自分に関連付けられた予測モデルを有し、生理学的センサを装着しているという状況である。新たな生理学的データは、これらのセンサからシステム１００に到着し（１８２）、ユニット６４０に渡される（１０４ａ）。ユニット６３０は、現時点で、ビルがストレスを受けた感情状態にある可能性があると予測する。

ある精神状態および／または感情状態が予測されると、監視ユニット６３０は、何らかの種類のフィードバック、警告および／または通知をモジュール７００に、および／またはユーザ１１１に、および／または他のソフトウェアおよび／またはハードウェアモジュールに提供することが可能である。警告／フィードバック／通知を受信するモジュールは、感情／精神状態をモデル化するシステム内にあってもよく、またはその外部にあってもよい。

上記のモジュールは、図６を参照して説明される構造および／またはアーキテクチャに拘束されない。

図７を参照すると、本開示の主題の特定の実施形態によるクラスタリングモジュール８００の非限定的な一般化されたフローチャート例が示される。

いくつかの例示的な実施形態では、クラスタリングシステムまたはモジュール８００は、クラスタリングユニット８１０を含み得て、２つの主な機能として、（ａ）関連付けモデルのトレーニングのためのデータセットをデータセットデータベース３６０に作成することをオーケストレーションすること、および（ｂ）予測モデルをトレーニングするためのデータセットを生成するためにデータセットデータベース３６０をオーケストレーションすること、を有する。クラスタリングユニット８１０は、いくつかの例では、コンピュータであり得る。それは、非限定的な例として、処理回路８０３を含み得る。処理回路８０３は、いくつかの例では、プロセッサ８０７およびメモリ８０９を含み得る。

いくつかの例示的な実施形態では、クラスタリングモジュール８００は、関連付けモデルをトレーニングするためのデータセットを作成することができる。クラスタリングユニット８１０に対する１つの入力は、例えば、図４を参照して開示された方法に従ってメタデータ関連付けモデルをトレーニングする目的で、非生理的（例えばメタデータ）クラスタデータセット３６２を作成するために用いられるユーザデータベース６４０からのデータ１０９、およびタスクデータベース４１０内の一致するタスクである。１つの非限定的な例として、クラスタリングユニット８１０は、あるユーザがメタデータパラメータの同様の組み合わせ（例えば、４０歳を超える女性のフランス人の銀行員）を有することを識別してもよく、ユニット８１０は、彼女らに対応するクラスタデータセット３６２を生成し、そのクラスタデータセットに基づいてメタデータ関連付けモデルをトレーニングするように命令してもよい（１０５）。例えば、命令１０５は、前処理システム３００のプロセッサ３０７またはデータセットデータベース３６０に送信されてもよい。

第２の入力は、図４の生理学的関連付けモデルをトレーニングする目的で、いくつかの例では生理学的データクラスタデータセット３６２を作成するために用いられる生理学的データデータベース１６０からの生理学的データ１０２、および一致するタスクである。１つの非限定的な例として、クラスタリングユニット８１０は、特定のユーザが時間および曜日の関数として血圧の上昇の同様のパターンを有することを識別してもよく、ユニット８１０は、それらユーザに対応するクラスタデータセット３６２を生成し、そのクラスタデータセットに基づいて生理学的関連付けモデルをトレーニングするように指示してもよい。

いくつかの例では、このプロセスの出力は、関連付けモデルをトレーニングするようトレーニングモジュール４００のための入力として対応して供される、一致するタスクを伴うクラスタデータセット３６２である。関連付けモデルのトレーニングは、本明細書では、クラスタデータセットにおいて第２の生理学的データとも称されるユーザの生理学的データを利用してもよい。

いくつかの例示的な実施形態では、クラスタリングモジュール８００は、予測モデル（例えば５１０、５２０、５３０、５５０）のトレーニングのためにデータセット作成をオーケストレーションすることができる。１つの非限定的な例は、予測モデルをトレーニングするためにデータベース３６０において異なるデータセットを作成する方法に関して、図３Ａを参照して開示されるオーケストレーションである。（データセットはトレーニングモジュール４００の１つの入力である。）この機能のために、クラスタリングユニット８１０は、予測モデルがそのトレーニングにおいて基づいてもよいクラスタ（例えば、非生理学的（例えば、メタデータ）クラスタ、生理学的クラスタ、および／または別のクラスタ）に入れるべき関係のあるユーザ（例えば個人）を選択するために、モデルデータベース５００から関連付けモデル５４０を用いることができる（１０８）。

明確にするために、簡略化された、拘束力のないプロセスの例が続き、３０歳未満のアメリカ人女性用の非生理学的（例えばメタデータ）予測モデルを作成するために、前処理システム３００（図３Ａ）において、システム内に存在し、特定のメタデータ基準と一致する個人の生理学的データに基づいて、データセットを作成することができる。この場合、クラスタリングユニット８１０は、評価を実行するために、モデルデータベース５００の関連付けモデルデータベース５４０から非生理学的（例えば、メタデータ）関連モデルをアドレスし、ユニット８１０は、すべてのユーザ、例えば、個人から、上記の基準に一致するユーザのみを選択する。次いで、クラスタリングユニット８１０は、前処理モジュール３００（図３Ａ）に命令して、上記基準に一致するこれらの選択されたユーザ（例えば個人）のデータおよびラベルに基づいて、クラスタデータセット３６２を作成する。次いで、このクラスタデータセット３６２は、非生理学的（例えばメタデータ）予測モデルのシステム４００におけるトレーニングプロセスのための入力として用いられ得る。

上記のシナリオのすべてにおいて、クラスタリングシステム８００は、例えばデータベース４１０に格納される、関係のあるタスク１０６を生成することができる。タスク生成１０６のさらなる例が、図４を参照して開示される。

いくつかの例では、データベース１６０内の生理学的データのフォーマットは、データセットデータベース３６０の生理学的データセット３６１内の生理学的データよりも、クラスタシステム８００による使用に適していることに留意されたい。

上記のモジュールは、図７を参照して説明される構造および／またはアーキテクチャに拘束されない。

本開示の主題のいくつかの例をさらに説明するために、ここで、特定のユーザに対するモデリングシステムの機能の例が開示される。ビルは、システムに（例えば、彼の雇用主によって）登録され、彼の個人情報（例えば、年齢、性別、仕事、住所）が、ユーザデータベース６４０に入力される。データベース６４０は、この個人情報をモデル関連付けユニット６１０に送信することができ（６１３）、または代替的に、ユニット６１０は、例えば、ユーザについてデータベース６４０に定期的に問い合わせることができる。それは、ユニット６１０は、予測モデルがビルに関連付けられていないことを、ユーザ対モデルデータベース６２０に見ることであってもよい。ユニット６１０は、生理学的データ収集システム１００から、ビルを予測モデルと関連付けるのに役立つよう用いられるかもしれない、ビルに関連付けられる利用可能である生理学的データがまだないことを理解する。したがって、モデル関連付けユニット６１０は、関連付けモデル内に存在するメタデータ関連付けモデルのみをモデルデータベース５００に問い合わせる。ユニット６１０は、それに対して、メタデータ関連付けモデルＡ１を受信する（１０７ｂ）。ユニット６１０は、モデルＡ１を用いて予測モデルを評価し、モデルＭ４０を最良適合として選択する。次いで、ユニット６１０は、データベース６２０にデータのレコードを送信し（６１７）、それは、システムにおけるビルのＩＤ番号および非生理学的モデル５１０におけるメタデータ予測モデルＭ４０までの経路を含む。Ｍ４０のランクは、データベース６２０に記憶されてもよい。

ビルは、（例えば、心拍数、脈拍、皮膚温度を測定する）１つ以上の身体センサの装着を開始する。彼の生理学的データは生理学的データ収集システム１００に送信され（１８６）、生理学的データ収集システム１００はそれを生理学的データＤＢ１６０に格納し、それをモデル関連付けユニット６１０に送信し（１０４ｂ）ならびに監視ユニット６３０に送信し（１０４ａ）、およびクラスタリングユニット８１０に送信する（１０２）。１週間後、ユニット６１０は、ビルのモデル関連付けの周期的評価６１０ａを行う。それは、ユーザデータベース６４０から個人情報を取得するが（６１３）、この時、生理学的データ１０４ｂも考慮する。それは、次いで、両方とも関連付けモデル５４０内に存在する、メタデータ関連付けモデルおよび生理学的関連付けモデルについて、モデルデータベース５００に問い合わせる。ユニット６１０は、それに対して、メタデータ関連付けモデルＡ１および生理学的関連付けモデルＡ３を受信する（１０７ｂ）。ユニット６１０は、２つの関連付けモデルを用いて様々な予測モデルを評価し、モデルＰ６０が以前に関連付けられたモデルＭ４０（例えばランク８５）よりも高いランク付け（例えばランク９０）を有することを発見する。ユニット６３０は、ビルへの関連付けに対する最良適合としてモデルＰ６０を選択する。次いで、ユニット６１０は、データベース６２０にデータのレコードを送信し、それは、システムにおけるビルのＩＤ番号および非生理学的モデル５１０における生理学的予測モデルＰ６０までの経路を含む。ここで、ビルは、図５Ｂを参照して開示されるように、異なるモデルに関連付けられる。

上述したように、ビルの生理学的データは、感知ユニット１００から監視ユニット６３０にも送信された（１０４ａ）。この例では、説明の簡略化のために、ユニット６３０によるこの生理学的データの評価は、予測モデルＰ６０が既にビルに関連付けられた後に実行されるものとする。ユニット６３０は、ユーザ対モデルデータベース６２０にビルのＩＤを問い合わせ、彼の関連付けられたモデルがＰ６０であるという応答を受信する（６１５）（または、クエリモデルデータベース５００においてＰ６０への経路を受信する）。ユニット６３０は、モデルＰ６０を受信する（１０７ａ）ようデータベース５００に問い合わせる。ユニット６３０は、新たに受信された生理学的データ（１０４ａ）に対して予測モデルＰ６０を実行する。結果として生じる予測は、ビルがややうつ状態であるということであり、警告が、例えば、ビルの雇用主のシステムに送信される。

２週間後、ビルは実験に参加し、センサが彼の生理学的データを記録し、その一方で、図２を参照して本明細書に開示されるように、ラベル付けが、例えば方法２０３または２０５によって実施される。ここでも、このシナリオの第１の例では、ビルの新たに取得された生理学的データがモデル関連付けユニット６１０に転送される（１８２、１０４ｂ）。生理学的データは、前処理システム３００にも送信される（１０３）。ラベルはラベルデータベース２２０に格納され、前処理システム３００に送信される（１１２）。いくつかの例では、システム３００は、これらの２つの入力１０３、１１２を処理し、データセットＤＩ３８０を作成し、それはデータセットデータベース３６０に格納される。個人モデル１２８０が、本明細書でさらに例示されるように、このデータセットＤＩ３８０に基づいて作成される。場合によっては、個人モデルを作成する能力は、データセットＤＩ３８０における十分な数のラベルの利用可能性に依存することに留意されたい。

再び、モデル関連付けユニット６１０は、生理学的データ１０４ｂを取得し、次いで、メタデータおよび生理学的関連付けモデルについてモデルデータベース５００に問い合わせる。この時、様々な予測モデルを評価すると、ユニット６１０は、個人モデル１２８０が、評価された様々な非個人モデル（例えば８５、９０）よりも良いランク（例えば９４）を有することを見出す。次いで、ユニット６１０は、データベース６２０にデータのレコードを送信し、それは、システムにおけるビルのＩＤ番号および個人モデル５３０における個人予測モデル１２８０までの経路を含む。ここで、ビルは、図５Ｂを参照して開示されるように、別のモデルに再び関連付けられる。

このシナリオの第２の例では、個人モデル１２８０は、生理学的データ１０３および対応するラベル１１２が利用可能になるとすぐに作成されるというわけではない。この第２の例では、モデル関連付けユニット６１０は、受信された関連付けモデル１０７ｂを利用して様々な予測モデルを評価する。ユニット６１０が、非個人予測モデル（メタデータモデルまたは生理学的モデル）のいずれも、ビルの生理学的データ（新しく取得されたデータを含む）に関して十分に良好に適合しない、すなわち、それらのうちのいずれも、少なくとも閾値（例えば、６５％）を超えるランクを有していない場合には、その場合にのみ（この第２の例では）個人モデル１２８０が生成される。この例では、ユニット８１０は、ビルのモデルの適合が十分に良好ではないことを検出し、本明細書でさらに例示されるように、データセットＤＩ３８０に基づいてビルの個人モデル１２８０の生成をオーケストレーションする。一例では、ユニット８１０は、ユーザ対モデルインデックスデータベース６２０と接続しており（図示せず）、関連付けられた予測モデルが比較的低いランクのユーザを識別する。

ここでモデルトレーニングおよび生成のいくつかの例を見ると、システムにおける登録で、ビルの個人情報（メタデータ）は、いくつかの例では、ユーザデータベース６４０からクラスタリングシステム８００のクラスタリングユニット８１０にも送信される（１０９）。いくつかの例では、クラスタリングユニット８１０は、ビルのメタデータおよび場合によっては追加の新たな登録者に基づいて、新たなメタデータクラスタを作成することを判断する。ユニット８１０は、関連付けモデル５４０からのメタデータ関連付けモデル１０８を用いて、メタデータクラスタのメンバとなるユーザを選択する。クラスタデータセットは、ユニット８１０によって選択された特定のユーザのデータを有することになる。次いで、ユニット８１０は、データセットデータベース３６０が、３６２において、新たなメタデータクラスタについて、１つ以上の新たなメタデータクラスタデータセットを作成または生成することを要求してもよい（１０５）。次いで、ユニット８１０は、タスクに基づいて、および新たに作成されたメタデータクラスタデータセット１１３に基づいて、トレーニングシステム４００が１つ以上の新たなメタデータ予測モデルをトレーニングするために、タスクデータベース４１０に格納されるべき１つ以上のタスクを送信してもよい（１０６）。次いで、新たなトレーニングされたメタデータ予測モデルは、システム４００によって、モデルデータベース５００内の非生理学的モデル５１０に格納される。

他の例では、クラスタリングユニット８１０は、場合によっては、ビルおよび他の新たな登録者のメタデータを用いて、新たなモデルをトレーニングするのではなく、非生理学的モデル５１０に存在する既存のメタデータ予測モデル（例えば、ビルの性別、年齢および／または仕事などに対応する既存のメタデータモデル）を再トレーニングすることを選択することができる。

ビルの生理学的データは、例えば身体センサを用いて監視されてもよい。いくつかの例では、それは、生理学的データ収集システム１００の生理学的データデータベース１６０を介してクラスタリングユニット８１０に渡される（１８２、１０２）。クラスタリングユニット８１０は、ビルおよび場合によっては追加のユーザの生理学的データに基づく判断により、これらのユーザの生理学的データ間の特定の類似性に基づいて、新たな生理学的データクラスタを作成する。ユニット８１０は、関連付けモデル５４０からの生理学的データ関連付けモデル１０８を用いて、生理学的データクラスタのメンバーとなるユーザを選択する。クラスタデータセットは、ユニット８１０によって選択された特定のユーザのデータを有することになる。次いで、ユニット８１０は、データセットデータベース３６０が、３６２において、新たな生理学的データクラスタについて、１つ以上の新たな生理学的データクラスタデータセットを作成することを要求してもよい（１０５）。次いで、ユニット８１０は、トレーニングシステム４００が、タスクに基づいて、および新たに作成された生理学的データクラスタデータセット１１３に基づいて、トレーニングシステム４００が１つ以上の新たな生理学的データ予測モデルをトレーニングするために、タスクデータベース４１０に格納されるべき１つ以上のタスクを送信してもよい（１０６）。次いで、新たなトレーニングされた生理学的データ予測モデルは、システム４００によって、モデルデータベース５００内の生理学的モデル５２０に格納される。

他の例では、クラスタリングユニット８１０は、場合によっては、ビルおよび他のユーザの生理学的データを用いて、新たなモデルをトレーニングするのではなく、生理学的モデル５２０内に存在する既存の生理学的データ予測モデルを再トレーニングすることを選択することができる。

上記で開示したビルに関連付けられる個人モデル１２８０の例示的な生成に関して、プロセスは、いくつかの例では、以下の通りであり得る。このシナリオの第１の例では、クラスタリングユニットは、ビルに対応する個人モデルを作成することを判断する。例えば、それは、ビルの生理学的データ１０２が受信されたが、ビルのために個人モデルがまだ生成されていないことに気づいてもよい。このシナリオの第２の例では、クラスタリングユニット８１０は、モデル関連付けユニット６１０から、ビルに対応する個人予測モデルを作成する要求を受信する。上記で概説したように、いくつかの例では、ビルのこの生理学的データ１０２に対応するデータセットＤＩ３８０が生成され、データセットデータベース３６０、たとえば生理学的データセット３６１に格納されている。次いで、ユニット８１０は、タスクに基づいて、ならびに新たに作成されたデータセットＤＩ３８０、および場合によってはビルの生理学的データを含む以前のデータセットに基づいて、トレーニングシステム４００が１つ以上の新たな生理学的データ予測モデルをトレーニングするために、タスクデータベース４１０に格納されるべき１つ以上のタスクを送信してもよい（１０６）。次いで、新たなトレーニングされた個人予測モデル１２８０は、システム４００によって、モデルデータベース５００内の個人モデル５３０に格納される。場合によっては、個人モデルを作成する能力は、データセットＤＩ３８０における十分な数のラベルの利用可能性に依存することに留意されたい。また、いくつかの例では、新たなモデル１２８０の生成は、１つ以上の関連付けモデルの修正を引き起こし、それらが、１２８０を、ユーザが関連付けられ得る可能性のある予測モデルのうちの１つと見なすことになるようにしてもよい。

他の例では、クラスタリングユニット８１０は、場合によっては、より新しいビルの生理学的データを用いることを選択して、ビルに対応する新たな個人モデルをトレーニングするのではなく、個人モデル５３０内に存在する、ビルに対応する既存の個人予測モデル１２８０を再トレーニングすることができる。

いくつかの例では、クラスタリングユニット８００がユーザデータベース６４０からビルのメタデータ１０９を受信することは、ユニット８００による新たなメタデータ関連付けモデルの生成のオーケストレーションのきっかけとなることができる。いくつかの例では、クラスタリングユニット８００が生理学的データデータベース１６０からビルの生理学的データ１０２を受信することは、ユニット８００による新たな生理学的関連付けモデルの生成のオーケストレーションのきっかけとなることができる。ユニット８００は、データセットデータベース３６０に指示して、関係性に応じて、メタデータまたは生理学的データにおける類似性の故に選択されたユーザのクラスタに基づいて、新たなクラスタデータセットを生成してもよい（１０５）。次いで、ユニット８００は、トレーニングシステム４００にタスク１０６を送信して、関係性に応じて、この生成されたクラスタデータセットデータ１１３をセットデータベース３６０において用いて、新たなメタデータ関連付けモデル５４０または生理学的関連付けモデル５４０をトレーニングしてもよい。

他の例では、クラスタリングユニット８１０は、場合によっては、ビルのメタデータ１０９および／またはビルの生理学的データ１０２を用いて、ビルに対応する新たな関連付けモデルをトレーニングするのではなく、関係性に応じて、既存のメタデータ関連付けモデル５４０または生理学的関連付けモデル５４０を再トレーニングすることを選択することができる。

ここで図８Ａを参照すると、本開示の主題のある例示的実施形態による、モデリングの一般化されたフローチャートが示される。方法８００は、関連付けモデルをトレーニングおよび生成するための例示的な方法である。いくつかの例では、これはトレーニングシステム４００の処理回路４０７によって実行され得る。

いくつかの例によれば、トレーニングシステム４００は、第１のユーザのグループの非生理学的データおよび／または第２のユーザのグループの生理学的データを受信する（ブロック８１０）。非生理学的データおよび／または生理学的データは、ユーザ入力データを構成する。いくつかの例では、ユーザ入力データは、複数のユーザのデータを含み、複数ユーザのユーザ入力データは、類似性を共有する。

いくつかの例によれば、トレーニングシステム４００は、第２の生理学的データを受信する（ブロック８２０）。

いくつかの例によれば、トレーニングシステム４００は、ユーザのラベルを受信する（ブロック８２５）。

いくつかの例によれば、トレーニングシステム４００は、少なくともユーザ入力データに基づいて、１つ以上の関連付けモデルをトレーニングし、生成する（ブロック８３０）。トレーニングは、いくつかの例では、第２の生理学的データにも基づく。トレーニングは、いくつかの例では、少なくとも部分的にラベルにも基づく。いくつかの例では、関連付けモデルの生成は、少なくとも部分的にユーザ入力データの生理学的データに基づく。いくつかの例では、関連付けモデルの生成は、少なくとも部分的にユーザの生理学的データの類似性に基づく。いくつかの例では、関連付けモデルの生成は、少なくとも部分的にユーザ入力データの非生理学的データに基づく。いくつかの例では、関連付けモデルのトレーニングは、ニューラルネットワークトレーニング方法に従って行われる。

いくつかの例によれば、トレーニングシステム４００は、更新されたユーザ入力データを受信する（ブロック８３３）。この更新されたユーザ入力データは、いくつかの例では、第１のユーザのグループの更新された非生理学的データ、および／または第２のユーザのグループの更新された生理学的データを含む。

いくつかの例によれば、トレーニングシステム４００は、更新されたユーザ入力データの受信に応答して、関連付けモデルのうちの１つ以上を再トレーニングする（ブロック８３５）。この更新されたユーザ入力データは、いくつかの例では、第１のユーザのグループの更新された非生理学的データ、および／または第２のユーザのグループの更新された生理学的データを含む。これは、例えば、更新されたユーザ入力データを、トレーニングプロセスに対するユーザ入力データの一部として考慮しながら、再びブロック８２５〜８３０を実行することを含み得る。ステップ８３３および８３５は、継続的に実行されてもよいことに留意されたい。

ここで図８Ｂを参照すると、本開示の主題のある例示的な実施形態によるモデリングの一般化されたフローチャートが示される。方法８５０は、予測モデルをトレーニングおよび生成するための例示的な方法である。いくつかの例では、これはトレーニングシステム４００の処理回路４０７によって実行され得る。

いくつかの例によれば、トレーニングシステム４００は、１人以上のユーザの生理学的データを受信する（ブロック８６０）。いくつかの例では、生理学的データは、複数のユーザのデータを含み、複数ユーザの生理学的データは、類似性、たとえば生理学的パターンにおける類似性を共有する。

いくつかの例によれば、トレーニングシステム４００は、ユーザの生理学的データの少なくとも一部に対応するユーザのラベルを受信する（ブロック８６５）。

いくつかの例によれば、トレーニングシステム４００は、１つ以上の関連付けモデルを受信する（ブロック８６７）。

いくつかの例によれば、トレーニングシステム４００は、少なくとも生理学的データに基づいて、１つ以上の予測モデルをトレーニングし、生成する（ブロック８７０）。トレーニングは、いくつかの例では、少なくとも部分的にラベルにも基づく。いくつかの例では、予測モデルの生成は、１つ以上の関連付けモデルを利用する。いくつかの例では、関連付けモデルの生成は、少なくとも部分的にユーザの生理学的データの類似性に基づく。いくつかの例では、関連付けモデルのトレーニングは、ニューラルネットワークトレーニング方法に従って行われる。いくつかの例では、トレーニングは、受信された生理学的データの第１の部分に対して行われる。

いくつかの例によれば、トレーニングシステム４００は、トレーニングされた予測モデルの正解率を、受信された生理学的データの第２の、トレーニングされていない部分に基づいて、評価する（ブロック８７３）。

いくつかの例によれば、トレーニングシステム４００は、評価に基づいて予測モデルのランクを設定する（ブロック８７５）。

いくつかの例によれば、トレーニングシステム４００は、評価の結果に基づいて、予測モデルをモデルデータベースに格納する（ブロック８７７）。いくつかの例では、モデルが十分に高いランクを受信しない場合、モデルは格納されない。

いくつかの例によれば、トレーニングシステム４００は、更新された生理学的データを受信する（ブロック８８０）。

いくつかの例によれば、トレーニングシステム４００は、更新された生理学的データの受信に応答して、関連付けモデルのうちの１つ以上を再トレーニングする（ブロック８８５）。これは、例えば、更新されたユーザ入力データを、トレーニングプロセスに対するユーザ入力データの一部として考慮しながら、再びブロック８６５〜８７７を実行することを含み得る。ステップ８８０および８８５は、継続的に実行されてもよいことに留意されたい。

ここで図９を参照すると、本開示の主題のある例示的な実施形態による、関連付けおよび予測の一般化されたフローチャートが示される。いくつかの例では、方法９００は、予測システム６００の処理回路によって、たとえばモデル関連付けユニット６１０および監視ユニット６３０によって実行され得る。

いくつかの例によれば、１つ以上の関連付けモデルがシステム６００に提供される（ブロック９１０）。

いくつかの例によれば、１つ以上の予測モデルがシステム６００に提供される（ブロック９１５）。予測モデルは、場合によっては、ユーザの精神状態および／または感情状態の予測を容易にする。これらは、本明細書ではモデルのセットと呼ばれることがある。受信または提供される予測モデルのセットは、第１のユーザのグループから収集された非生理学的データに基づく１つ以上の第１のモデル、および／または第２のユーザのグループから収集された生理学的データに基づく１つ以上の第２のモデルを含む。

いくつかの例によれば、テストされたユーザのデータがシステム６００に提供される（ブロック９２０）。いくつかの例では、テストされたユーザのこの受信または提供されたデータは、生理学的データを含む。いくつかの例では、テストされたユーザの提供されたデータは、生理学的データの少なくとも一部に対応するラベルデータも含む。

いくつかの例によれば、モデルのセットのうちの少なくとも１つのモデルが、テストされたユーザに関連付けられる（ブロック９３０）。このモデルは、本明細書では関連付けられる予測モデルと呼ばれることがある。いくつかの例における関連付けは、少なくとも、モデルのセット内の他のモデルのユーザ状態予測可能性のランクと比較した、関連付けられる予測モデルのユーザ状態予測可能性の最高ランクに基づいている。いくつかの例では、関連付けは、少なくとも１つの関連付けモデルに少なくとも部分的に基づく。いくつかの例では、関連付けられるモデルのユーザ状態予測可能性の最高ランクおよび他のモデルのユーザ状態予測可能性のランクは、少なくとも、第１のユーザのグループおよび第２のユーザのグループから収集された生理学的データに基づいて判断される。いくつかの例では、関連付けられる予測モデルのユーザ状態予測可能性の最高ランクおよび他のモデルのユーザ状態予測可能性のランクは、テストされたユーザの精神的感情状態を示す。

いくつかの例によれば、テストされたユーザの生理学的データが監視される（ブロック９３５）。

いくつかの例によれば、別の予測モデルのユーザ精神状態予測可能性のランクが、関連付けられる予測モデルのユーザ状態予測可能性のランクよりも高い、と判断したことに応答して、ユーザに関連付けられた予測モデルが動的に修正される（ブロック９４０）。いくつかの例では、別のモデルのランクがより高いという判断は、ブロック９３５におけるテストされたユーザの生理学的データの監視に少なくとも部分的に基づく。いくつかの例では、このブロックは、ブロック９３０の繰り返しを含む。この別の予測モデルは、関連付けられる予測モデルを構成するように設定される。ステップ９３５および９４０は、継続的に実行されてもよいことに留意されたい。

いくつかの例によれば、個人モデルが生成される（ブロック９５０）。このブロックは、いくつかの例では、モデリングシステムまたはモジュール９００によって実行される。

いくつかの例によれば、個人モデルは、テストされたユーザに関連付けられる（ブロック９５５）。いくつかの例では、これは、少なくとも、以前に関連付けられた予測モデルのユーザ状態予測可能性のランクと比較した、個人モデルのユーザ状態予測可能性の最高ランクに基づいて行われる。いくつかの例では、ブロック９５０および９５５は、少なくとも、モデルのセットのうち、閾値を満たさないモデルのユーザ状態予測可能性のランクに基づいて実行される。非限定的な例では、この閾値は６５パーセントである。

いくつかの例によれば、テストされたユーザの精神状態および／または感情状態は、関連付けられたモデルユーザを用いて予測される（ブロック９５５）。いくつかの例では、監視される生理学的データが、この予測のための入力として利用される。いくつかの例では、ブロック９１０から９４０、および９５５は、モデル関連付けユニット６１０によって実行される。いくつかの例では、ブロック９６０は、監視ユニット６３０によって実行される。

ここで図１０を参照すると、本開示の主題の特定の例示的実施形態による、感情／精神状態の予測の例示的なグラフが示される。グラフ１００５は、ユーザの感情的精神状態を予測する際の予測モデルの非限定的な実際の使用を示す。このシナリオは、患者および精神科医を含む実際の臨床的精神療法セッションである。Ｘ軸は、セッションが、月の１２日目に１０：５４と１１：２４との間に３０分間にわたって行われたことを示す。実施例の精神療法セッションは、イメージ書き直し（ＩＲ）技法を使用した。この技法のいくつかの例では、第１の段階は「始まり」であり、最近の状況１０２０−０という、リラックスさせるディスカッションを行ない、その間、患者は（おそらく、セッションの状況に適応するある初期時間の後、）過度にストレスをかけられたり感情的に負荷をかけられる状況にはない。次いで、セッションは、多くの場合、患者に高い感情負荷を引き起こし、患者にストレスを与えると予想される３つの段階、フロートバック１０２０−１、履歴状況１０２０−１、およびイメージ書き直し１０２０−３に進む。最終段階は、ＩＲを終了させ、リラックスさせるセッション後トーク１０２０−４を行い、その間、患者に対する感情的負荷は、正常レベルに達するまで減少することが期待される。参照番号１０２０−０〜１０２０−４は、実際のセッション例において、ディスカッションの各段階がどこで始まったかを示す。

セッション中、患者および治療者の両方は、生理学的データ１８２（少なくともフォトプレチスモグラム（ＰＰＧ）が測定する心拍数、皮膚電気活動（ＥＤＡ）センサが測定する皮膚伝導度、皮膚温度、および手首バンド上の加速度計が感知する身体の動き）を捕捉するセンサまたは他のデバイスに接続された。生理学的データは、人間の感情状態および／または精神状態をモデリングするシステム１９８に供給され、それは、両方の参加者に、（非個人）生理学的予測モデル５２０を適用した。システムは、精神療法セッションの開催も開催時間も５段階のタイミングも知らなかった。セッションが進行するにつれて、監視ユニット６３０は、患者１０１０および治療者１０１５の両方について、継続的に入来する生理学的データ１８２に基づいて、感情的負荷およびストレスのレベルを予測した。グラフのＹ軸に見られるように、実施例で用いられる感情的負荷の尺度は、０のスコアを高い感情的負荷（例えば、ストレスを受けた）に割り当て、１０のスコアを低い感情的負荷（例えば、リラックスした）に割り当てる。

予測の結果に注目すると、プロット１０１０では、患者は、セッションの早期では様々なレベルのリラックス状態にあり、段階１０２０−１〜１０２０−３に対応する時間においては非常にストレスをかけられ、そして１０２０−４の間は、徐々に正常レベルのストレスおよび感情的負荷に戻ったことが分かる。治療セッションに知識なしに、生理学的データおよび生理学的予測モデルに基づいて、システムによって予測されるこれらのストレスのレベルは、治療ダイナミクス、すなわち、治療手順によるＩＲ技法の各段階に対して予想されるストレスレベルによく対応している。

プロット１０１５は、プロット１０１０のデータに対する対照となっている。プロット１０１５は、ユニット６３０がセッション全体を通して治療者に対して比較的低いレベルのストレスを予測したことを示す。これは、ＩＲ技法が治療者に感情的負荷を誘発するものではなく、患者にのみ感情的負荷を誘発することを意図しているという事実に十分に対応している。

本開示の主題を例示するために、必要に応じて、特定のコンポーネントだけが示されている。図示しない他のコンポーネントおよびサブコンポーネントが存在してもよい。図１Ａから図７の非限定的な例に関して記載されるようなシステムは、本明細書で開示される方法のすべて、あるもの、または一部を実行することができる。

上記で開示した処理回路のいずれかまたはすべては、非限定的な例において、非一時的なコンピュータ可読記憶媒体に格納されたコンピュータプログラムによって所望の目的のために特別に構成された汎用コンピュータとすることができる。それは、コンピュータ可読命令に従っていくつかの機能モジュールを実行するように構成され得る。

図１Ａ〜図７の各システムコンポーネントおよびモジュールは、好適な１つ以上のデバイス上で実行され、本明細書で規定および説明される機能を実行するソフトウェア、ハードウェア、および／またはファームウェアの任意の組み合わせから構成することができる。各システムコンポーネントおよびモジュールに関して記載したような、同等および／または修正された機能は、別の態様で統合または分割することができる。したがって、本開示の主題のいくつかの実施形態では、システムは、図１Ａ〜図７に示されるものよりも少ない、より多い、修正された、および／または異なるコンポーネント、モジュール、ならびに機能を含み得る。これの１つの非限定的な例を与えるために、図３Ａには、プロセスのいくつかのステップを実行する１つのプロセッサ３０７が示されている。他の例では、これらのステップのうちの１つ以上は、いくつかの例では異なる位置に配置された別個のプロセッサ上で各々実行され得る。同様に、図６の例では、１つのプロセッサ（図示せず）がユニット６１０および６３０の機能を実行し、図１Ｃの例では、１つのプロセッサ１２４がユニット１１０〜１５０の機能を実行する。他の例では、それらのユニットの各々は、各々別個のプロセッサ、またはいくつかの例では異なる位置に配置される別個のサーバもしくはラック内の完全に別個のコンピュータでさえあり得る。

同様に、図１Ａ〜図７の例では、システム１００、２００、３００、４００、８００、６００、７００の各々は、それ自体のプロセッサ（例えば、１２３、２１４、３０７、４０７、８０７）およびメモリ（例えば、１２３、２１６、３０９、４０９、８０９）を備えるものとして開示されている。いくつかの他の例では、図１Ａを参照して開示されるシステム１００、２００、９００、６００、７００の１つ以上は、同じプロセッサ上で実行され、いくつかの場合においては同じメモリを共有する、別個のソフトウェアモジュールであり得る。

また、本明細書に開示される各処理回路は、メモリを備えるものとして説明されたことにも留意されたい。いくつかの例では、これらのメモリは、様々な計算の実行中に一時的な態様で用いられるデータを保持する。また、様々な機能をサポートするデータベース、例えば、データベース１６０，２２０，３６０，４１０，５００，６２０，および６４０を含む、ある数のシステムが開示されており、データベース３６０および５００は、図３Ｂおよび図５Ｂでは、いくつかのデータベースを含むものとして開示されていることにも留意されたい。他の例では、これらのデータベースのいくつかまたはすべてを組み合わせることができ、またはそれらの内容を記載したものとは異なるように分割することができ、いくつかは、関係のあるシステム（例えば、１００、２００、３００、４００、６００）のいくつかまたはすべての外部に位置し得るが、それらに動作可能に結合され得る。また、本明細書に開示されるデータベースのすべては、ストレージ内に存在するデータストアの非限定的な例であることにも留意されたい。他の例では、メモリと開示されるデータベースなどの他のストレージとの間に異なる分割のストレージが存在し得る。１つの非限定的な例として、場合によっては、ユーザデータベース６４０は、予測システム６００の一部ではなく、むしろそれとは別個であってもよい。

図１Ａ〜図７の各コンポーネントは、おそらく分散アーキテクチャにおける特定のコンポーネントのうちの複数を表してもよく、これらは、様々なデータおよび電気的入力を処理するように独立しておよび／または協働して動作し、精神状態および／または感情状態のモデリングならびに予測に関連する動作を可能にするように適合されている。場合によっては、性能、冗長性および／または利用可能性の理由から、コンポーネントの複数インスタンスを利用することができる。同様に、場合によっては、コンポーネントの複数インスタンスが、機能性または用途の理由で利用されてもよい。例えば、特定の機能性の異なる部分が、コンポーネントの異なるインスタンスに配置され得る。これらのコンポーネントおよびモジュールのうちの１つ以上は、１つの場所に集中され得るか、または２つ以上の場所にわたって分散および分配され得る。

図１Ａ〜図７は、システムアーキテクチャおよびデータフローの一般的な概略図のみを図示し、非限定的な例として、本開示の主題の一態様を、説明を明瞭にするためだけに、情報を提供する態様においてのみ、記載している。本開示の主題の教示は、図１Ａ〜図７を参照して説明されるものによって拘束されないことが理解されるであろう。

いくつかの実施形態では、本明細書で例示される様々なフローの１つ以上のステップは、自動的に実行され得る。

本開示の主題の教示は、様々な図に示されるフローチャートおよびアーキテクチャによって拘束されないことに留意されたい。動作は、図示された順序から外れて生じ得る。同様に、動作またはステップのいくつかは、統合された動作に統合され得るか、またはいくつかの動作に分解され得るか、および／または他の動作が追加されてもよい。フローチャートは、例えば処理回路１２２、３０３など、それらを実現するシステム要素を参照して説明されるが、これは決して制限的ではなく、動作は、本明細書で説明されるもの以外の要素によって実行され得ることにも留意されたい。

本開示の主題の実施形態では、図に示される段階よりも少ない、多い、および／または異なる段階を実行することができる。本開示の主題の実施形態では、図に示す１つ以上の段階は、異なる順序で実行することができ、および／または１つ以上の段階のグループを同時に実行することができる。

特許請求の範囲では、請求項の要素を指定するために用いられる英数字およびローマ数字は、便宜のためだけに与えられ、要素を実行するいかなる特定の順序も意味しない。

特許請求の範囲全体にわたって用いられる「備える」という用語は、「含むが限定されない」を意味すると解釈されるべきであることに留意されたい。

上記の方法およびシステムは、その用途において、本明細書に含まれる記載に述べられる、または図面に示される詳細に限定されないことを理解されたい。本方法およびシステムは、他の実施形態が可能であり、様々な態様で実施および実行可能である。本開示の主題に従って例が示され、開示されているが、本開示の主題の精神から逸脱することなく、多くの変更が行われ得ることが理解されるであろう。したがって、本明細書で用いられる表現および用語は、説明を目的としており、限定と見なされるべきではないことを理解されたい。したがって、当業者は、本開示の基礎となる概念を、本開示の主題のいくつかの目的を実施するための他の構造、方法、およびシステムを設計するための基礎として容易に利用することができることを理解するであろう。

また、上述の例示的な実施形態によるシステムは、好適にプログラムされたコンピュータ上に少なくとも部分的に実装され得ることも理解されるであろう。同様に、例示的な実施形態は、本発明の方法を実行するためにコンピュータによって読み取り可能であるコンピュータプログラム製品を企図し得る。例示的な実施形態はさらに、たとえば上述のいくつかの例示的な実施形態またはその任意の部分によって実現され得る１つ以上の方法を実行するためのマシンまたはコンピュータによって実行可能な命令のプログラムを有形に具現化する非一時的な機械可読またはコンピュータ可読メモリを企図する。本開示の主題は、さらに、本明細書で開示される主題の方法を実行するように実行されるように構成された、コンピュータ可読プログラムコードが中に具現化された非一時的なコンピュータ可読記憶媒体を意図する。当業者は、様々な修正および変更を、特許請求の範囲において、および特許請求の範囲によって規定されるその範囲から逸脱することなく、上記で説明した実施形態に適用することができることを容易に理解するであろう。

Claims (30)

1. コンピュータ制御システムであって、処理回路を含み、前記処理回路は、
   ａ．ユーザの精神状態およびユーザの感情状態のうちの少なくとも１つの予測のための複数の予測モデルを提供するよう構成され、前記複数の予測モデルは、第１のユーザのグループから収集された非生理学的データに基づく少なくとも１つの第１のモデル、および第２のユーザのグループから収集された生理学的データに基づく少なくとも１つの第２のモデルのうちの少なくとも１つを含み、前記複数の予測モデルは、モデルのセットを構成し、前記処理回路はさらに、
   ｂ．テストされたユーザのデータを受信し、
   ｃ．前記モデルのセットの少なくとも１つのモデルを、前記テストされたユーザと関連付けて、関連付けられる予測モデルを、少なくとも、前記モデルのセットの他のモデルのユーザ状態予測可能性のランクと比較した、前記関連付けられる予測モデルのユーザ状態予測可能性の最高ランクに基づいて、構成し、
   ｄ．別の予測モデルのユーザ状態予測可能性のランクが、前記関連付けられる予測モデルのユーザ状態予測可能性のランクよりも高い、と判断することに応答して、前記ステップ（ｃ）を動的に繰り返し、
   ｅ．前記関連付けられる予測モデルを構成するように、前記別の予測モデルを設定するように構成され、
   前記関連付けられる予測モデルは、前記テストされたユーザの精神状態および前記テストされたユーザの感情状態のうちの少なくとも１つを予測するのを容易にするために使用可能である、コンピュータ制御システム。
2. 前記テストされたユーザの受信データは生理学的データを含む、請求項１に記載のシステム。
3. 前記テストされたユーザの受信データは、前記生理学的データの少なくとも一部に対応するラベルデータをさらに含む、請求項１または請求項２に記載のシステム。
4. 前記関連付けられる少なくとも１つのモデルのユーザ状態予測可能性の最高ランクおよび前記他のモデルのユーザ状態予測可能性のランクは、少なくとも前記第１のユーザのグループおよび前記第２のユーザのグループから収集された生理学的データに基づいて判断される、請求項１〜請求項３のいずれか一項に記載のシステム。
5. 前記関連付けられる予測モデルのユーザ状態予測可能性の最高ランクおよび前記他のモデルのユーザ状態予測可能性のランクは、前記テストされたユーザの精神状態および前記テストされたユーザの感情状態のうちの少なくとも１つを示す、請求項１〜請求項４のいずれか一項に記載のシステム。
6. 前記モデルのセットの前記少なくとも１つのモデルの前記テストされたユーザへの関連付けは、少なくとも１つの関連付けモデルに少なくとも部分的に基づく、請求項１〜請求項５のいずれか一項に記載のシステム。
7. 修正されたモデルのユーザ状態予測可能性のランクが以前に関連付けられたモデルのユーザ状態予測可能性のランクよりも高いと判断することは、前記テストされたユーザの生理学的データの監視に少なくとも部分的に基づく、請求項１〜請求項６のいずれか一項に記載のシステム。
8. 前記処理回路は、さらに、
   ｆ．個人モデルを生成し、
   ｇ．前記関連付けられる予測モデルのユーザ状態予測可能性のランクと比較した前記個人モデルのユーザ状態予測可能性の最高ランクに少なくとも基づいて、前記個人モデルを前記テストされたユーザに関連付けるように構成される、請求項４〜請求項７のいずれか一項に記載のシステム。
9. 前記個人モデルを生成すること、および前記個人モデルを関連付けることは、前記モデルのセットのうち閾値を満たさないモデルのユーザ状態予測可能性のランクに少なくとも基づく、請求項８に記載のシステム。
10. 前記閾値は６５％である、請求項９に記載のシステム。
11. 前記処理回路は、さらに、
    ｈ．前記関連付けられるモデルを用いて、前記テストされたユーザの精神状態および前記テストされたユーザの感情状態のうちの少なくとも１つを予測する含むように構成される、請求項１〜請求項１０のいずれか一項に記載のシステム。
12. 前記生理学的データは、心拍数、皮膚伝導度、体温、脈拍、血液灌流、および血流のうちの少なくとも１つを含む、請求項１〜請求項１１のいずれか一項に記載のシステム。
13. コンピュータで実施される方法であって、コンピュータシステムの処理回路を用いて、
    ａ．ユーザの精神状態および前記ユーザの感情状態のうちの少なくとも１つの予測のために複数の予測モデルを提供することを備え、前記複数の予測モデルは、第１のユーザのグループから収集された非生理学的データに基づく少なくとも１つの第１のモデル、および第２のユーザのグループから収集された生理学的データに基づく少なくとも１つの第２のモデルのうちの少なくとも１つを含み、前記複数の予測モデルは、モデルのセットを構成し、前記方法はさらに、
    ｂ．テストされたユーザのデータを受信することと、
    ｃ．前記モデルのセットの少なくとも１つのモデルを、前記テストされたユーザと関連付けて、関連付けられる予測モデルを、少なくとも、前記モデルのセットの他のモデルのユーザ状態予測可能性のランクと比較した、前記関連付けられる予測モデルのユーザ状態予測可能性の最高ランクに基づいて、構成することとと、
    ｄ．別の予測モデルのユーザ状態予測可能性のランクが、前記関連付けられる予測モデルのユーザ状態予測可能性のランクよりも高い、と判断することに応答して、前記ステップ（ｃ）を動的に繰り返すことと、
    ｅ．前記関連付けられる予測モデルを構成するように、前記別の予測モデルを設定することとを備え、
    前記関連付けられる予測モデルは、前記テストされたユーザの精神状態および前記テストされたユーザの感情状態のうちの少なくとも１つを予測するのを容易にするために使用可能である、コンピュータで実施される方法。
14. コンピュータによって実行されると、前記コンピュータに方法を実行させる命令のプログラムを有形に具現化する非一時的なコンピュータ可読記憶媒体であって、前記方法は、前記コンピュータの処理回路によって実行され、
    ａ．ユーザの精神状態および前記ユーザの感情状態のうちの少なくとも１つを予測するために複数の予測モデルを提供することを含み、前記複数の予測モデルは、第１のユーザのグループから収集された非生理学的データに基づく少なくとも１つの第１のモデル、および第２のユーザのグループから収集された生理学的データに基づく少なくとも１つの第２のモデルのうちの少なくとも１つを含み、前記複数の予測モデルはモデルのセットを構成し、前記方法はさらに、
    ｂ．テストされたユーザのデータを受信することと、
    ｃ．前記モデルのセットの少なくとも１つのモデルを、前記テストされたユーザと関連付けて、関連付けられる予測モデルを、少なくとも、前記モデルのセットの他のモデルのユーザ状態予測可能性のランクと比較した、前記関連付けられる予測モデルのユーザ状態予測可能性の最高ランクに基づいて、構成することと、
    ｄ．別の予測モデルのユーザ状態予測可能性のランクが、前記関連付けられる予測モデルのユーザ状態予測可能性のランクよりも高いと判断することに応答して、前記ステップ（ｃ）を動的に繰り返すことと、
    ｅ．前記関連付けられる予測モデルを構成するように、前記別の予測モデルを設定することとを含み、
    前記関連付けられる予測モデルは、前記テストされたユーザの精神状態および前記テストされたユーザの感情状態のうちの少なくとも１つを予測するのを容易にするために使用可能である、非一時的なコンピュータ可読記憶媒体。
15. コンピュータ制御システムであって、プロセッサによって、
    時間枠にわたって取得されるユーザの１つ以上の生理学的測定値に従って前記ユーザの生理学的データを収集するように構成された生理学的データ収集モジュールと、
    ユーザの非生理学的データを収集するように構成された非生理学的データ収集モジュールと、
    ユーザ非生理学的データおよび前記ユーザの生理学的データのうちの少なくとも１つに基づいて、前記時間枠内の時間マークにおける前記ユーザの精神状態および前記ユーザの感情状態の少なくとも１つを示す１つ以上のラベルを提供するように構成されたラベル付けモジュールと、
    ユーザの精神状態および前記ユーザの感情状態の少なくとも１つの予測のために複数のモデルを生成するように構成されたモデリングモジュールとを備え、前記複数の予測モデルはモデルのセットを構成し、前記複数の予測モデルは、第１のユーザのグループから収集された非生理学的データに基づく第１のモデル、第２のユーザのグループから収集された１つ以上のラベルおよび生理学的データに基づく第２のモデル、ならびに個人ユーザの精神状態または感情状態を予測するように構成された個人モデルを含む第３のモデルのうちの少なくとも１つを含み、前記第１のモデル、前記第２のモデルおよび前記第３のモデルの各々は、テストされたユーザの精神状態および感情状態の少なくとも１つの予測を容易にするように構成されたユーザ状態予測可能性のランクに関連付けられ、
    前記モデリングモジュールはさらに、
    ａ．前記テストされたユーザに前記モデルのセットの少なくとも１つのモデルを関連付けて、関連付けられる予測モデルを、少なくとも、前記テストされたユーザの受信データと、前記モデルのセットの他のモデルのユーザ状態予測可能性のランクと比較した、前記関連付けられる予測モデルのユーザ状態予測可能性の最高ランクとに基づいて、構成し、
    別の予測モデルのユーザ状態予測可能性のランクが、前記関連付けられる予測モデルのユーザ状態予測可能性のランクよりも高い、と判断することに応答して、前記ステップ（ａ）を動的に繰り返し、
    前記関連付けられる予測モデルを構成するように、前記別の予測モデルを設定するように構成され、
    前記関連付けられる予測モデルは、前記テストされたユーザの精神状態および前記テストされたユーザの感情状態のうちの少なくとも１つを予測するのを容易にするために使用可能である、コンピュータ制御システム。
16. 前記ユーザ精神状態予測可能性のランクは、前記時間枠にわたって収集される前記テストされたユーザの生理学的データに従って判断される、請求項１５に記載のシステム。
17. 前記第１、第２、および第３のモデルのうちのあるモデルについて、前記モデリングモジュールは、前記収集されたデータの少なくとも一部に基づいて、前記テストされたユーザの精神状態を予測し、前記予測された精神状態を、前記ラベルのうちのあるラベルによって示される対応する精神状態と比較し、前記比較の１つ以上の性能メトリックに従って、前記モデルに関連付けられる前記ランクを判断するように構成される、請求項１６に記載のシステム。
18. 前記モデリングモジュールは、前記第１、第２、および第３のモデルのうち、前記ユーザ精神状態予測可能性の最高ランクを有するモデルを、前記テストされたユーザと関連付けるように構成される、請求項１５〜請求項１７のいずれか一項に記載のシステム。
19. 前記第１のモデルおよび前記第２のモデルは、１つ以上のクラスタに配され、前記１つ以上のクラスタのうちのあるクラスタは、共通の生理学的データおよび共通の非生理学的データのうちの少なくとも１つを有する少なくとも２人のユーザを含む、請求項１５〜請求項１８のいずれか一項に記載のシステム。
20. 前記プロセッサは、前記ラベルによって示されるような前記精神状態データを利用することなく、前記第１のモデル、前記第２のモデルおよび前記第３のモデルのうちの少なくとも１つに基づいて前記ユーザの前記精神状態を予測するように構成される予測モジュールを含む、請求項１５〜請求項１９のいずれか一項に記載のシステム。
21. 前記予測モジュールは、前記第１のモデルを前記テストされたユーザの非生理学的データに適用することによって、前記ユーザの精神状態を予測するように構成される、請求項２０に記載のシステム。
22. 前記予測モジュールは、前記第２のモデルを前記ユーザ生理学的データに適用することによって、前記ユーザの精神状態を予測するように構成される、請求項２０または請求項２１に記載のシステム。
23. 前記予測モジュールは、前記第３のモデルを前記ユーザの生理学的データに適用することによってユーザの精神状態を予測するように構成される、請求項２０〜請求項２２のいずれか一項に記載のシステム。
24. 前記予測モジュールは、前記テストされたユーザの生理学的データの少なくとも一部を受信し、前記第１のモデル、前記第２のモデルおよび前記第３のモデルのうちの少なくとも１つに基づいて前記ユーザの精神状態を予測するように構成される、請求項２０〜請求項２３のいずれか一項に記載のシステム。
25. 前記予測モジュールから、１人以上のユーザの予測された精神状態に関連するデータを受信し、前記１人以上のユーザの集約されたビジネスの見通しを生成するように構成される分析ユニットを備える、請求項２０〜請求項２４のいずれか一項に記載のシステム。
26. 前記モデリングモジュールは、前記ラベル付けモジュールからの前記１つ以上のラベルおよび前記生理学的データを受信して、前記生理学的データおよび前記１つ以上のラベルに基づいてデータセットを生成するように構成される前処理モジュールを含む、請求項１５〜請求項２５のいずれか一項に記載のシステム。
27. 前記モデリングモジュールは、前記生理学的データのうちのある選択された生理学的データおよび前記１つ以上のラベルのうちのある選択されたラベルのうちの少なくとも１つに基づいて前記データセットを生成するように前記前処理モジュールに命令するクラスタリングモジュールを含む、請求項２６に記載のシステム。
28. 前記モデリングモジュールは、前記前処理モジュールから前記データセットを受信し、前記データセットを前記クラスタリングモジュールからのトレーニングタスクに従ってトレーニングすることによって前記第２のモデルを生成するように構成されたトレーニングモジュールを含む、請求項２７に記載のシステム。
29. 前記トレーニングモジュールは、ニューラルネットワークトレーニング方法に従って前記データセットおよび前記第３のモデルをトレーニングするよう１つ以上のグラフィック処理ユニット（ＧＰＵ）を含む、請求項２８に記載のシステム。
30. モデルデータベースを備え、前記モデルデータベースは、前記第２のモデルおよび前記第３のモデルのうちの１つを前記ＧＰＵから受信し、ニューラルネットワークトレーニング方法を用いて、前記データセットの第１の部分をトレーニングすることによって前記ランクを設定し、前記データセットの第２のトレーニングされていない部分に基づいて前記第２のモデルの正解率を評価し、前記評価に基づいて前記第２のモデルを前記モデルデータベースに格納するように備えられる、請求項２９に記載のシステム。

Images