CN113474789A - 确定对象的相对认知能力 - Google Patents
确定对象的相对认知能力 Download PDFInfo
- Publication number
- CN113474789A CN113474789A CN202080016573.7A CN202080016573A CN113474789A CN 113474789 A CN113474789 A CN 113474789A CN 202080016573 A CN202080016573 A CN 202080016573A CN 113474789 A CN113474789 A CN 113474789A
- Authority
- CN
- China
- Prior art keywords
- subject
- output
- machine learning
- relative
- processing
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
- G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/174—Facial expression recognition
-
- 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
- G16H40/63—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 local 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Biophysics (AREA)
- Cardiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
Abstract
一种用于确定对象的指标的方法和系统,所述指标对对象的相对认知能力的变化进行响应。至少两个单独的机器学习算法用于基于监测对象的一个或多个传感器的一个或多个输出来生成相应数量的中间指标。随后对所述中间指标进行处理,从而生成所述对象的相对认知能力的指标。
Description
技术领域
本发明涉及用于确定对象的相对认知能力的概念。
背景技术
确保对象能够尽其所能地执行智力任务越来越受到关注。这在临床环境中尤为重要,在临床环境中,认知受损的临床医师更可能对患者进行不准确的诊断或者分析,直接导致负面的患者结果。这可能是由于认知受损的临床医师在查看患者或医学图像时忽略或错误识别了潜在的重要发现。
因此,期望识别或量化认知能力的变化,从而识别何时可能不准确地执行智力任务。这将有助于避免执行智力任务(例如诊断)的对象犯下可避免的错误。
目前,对象被要求有意识地监测他们自己认知能力的变化,例如通过自我评估他们的疲劳程度,以提示对象修改他们的工作流程或休息一下以防止技术任务的不准确执行。然而,这些措施是主观的,因此可能不准确和/或不一致。这可能导致该对象执行的智力任务的结果不准确,例如对患者的不准确诊断。
因此,存在准确生成对象相对认知能力或其变化的非主观指标的技术需求,以评估对象执行认知任务的能力的可能损害,并因此预测认知任务的结果的准确性。
通过确保对象相对认知能力的准确指标增加,对象的错误未被注意到或对象将继续执行智力任务的可能性降低。此外,可以标记潜在的错误以供以后查看。
发明内容
本发明由权利要求所定义。
根据根据本发明一方面的示例,提供了一种生成被监测对象的相对认知能力的输出指标的方法。所述方法包括:从监测对象和/或所述对象的环境的至少一个传感器获得至少一个输出;使用第一机器学习算法处理所述至少一个输出,从而生成能够损害对象的相对认知能力的因素或者受对象的相对认知能力的损害影响的特性的第一中间指标;使用不同的第二机器学习算法处理所述至少一个输出,从而生成能够损害对象的相对认知能力的因素或者受对象的相对认知能力的损害影响的特性的不同的第二中间指标;并且处理所述第一中间指标和所述二中间指标,从而生成所述对象相对认知能力的输出指标。
因此,所提出的方法包括针对可能影响对象的相对认知能力或受其影响的各个因素生成至少两个中间指标,并且随后基于这些中间指标来成所述对象的相对认知能力的指标。不同的机器学习算法被使用以生成不同的中间指标。
因此,相对认知能力的主观量度被更准确的、生成相对认知能力指标的基于机器学习的方法所取代。所述对象的相对认知能力指标的准确生成对于评估所述对象的智力工作的准确性或有效性是重要的。
通过使用单独的机器学习算法来生成不同的中间指标,提高了由该方法提供的输出指标的准确性。识别认知能力的变化是一项艰巨而复杂的任务,并且发明人已经认识到分别确定贡献于相对认知能力的不同方面(中间指标)提高了确定相对认知能力的准确性,因为每个中间指标本身可以被准确识别,并且可以针对每个中间指标专门训练机器学习算法。
因此,所提出的概念提供了一种特别适用于确定对象的相对认知能力的方法,所述方法考虑了评估对象的认知能力的困难。
输出指标指示对象的相对认知能力的水平或量度。因此,输出指标的变化指示对象的相对认知能力水平的变化。相对认知能力可以是对象将准确或成功地执行智力任务的可能性的量度,例如相对于不存在影响他们的认知能力的因素的情景。中间指标是影响认知能力变化或受其影响的因素的指标。
优选地,处理第一和第二中间指标的步骤包括使用不同的第三机器学习算法处理第一和第二中间指标,以生成对象的相对认知能力水平的输出指标。机器学习算法的使用提高了指标的准确性。
在至少一个实施例中,例如经由用户接口将输出指标呈现给对象。输出指示器帮助对象执行智力技术任务(例如,诊断患者),因为对象将在执行任务时意识到他们的相对智力受损。通过持续监测所呈现的输出指标,对象可以跟踪他们的输出指标,从而确定他们将如何准确地执行任务(例如,响应于相对认知能力改变他们的行为或改变他们的环境)。监测对象的相对认知能力的能力可以用于防止由于认知能力下降(例如诊断任务)导致的智力任务执行不准确,并且由此提高智力任务执行的可信度和可靠性。因此,所呈现的输出指标使用户能够执行评估他们执行智力任务的能力的技术任务,并且由此提高智力任务的表现。
在实施例中,所述至少一个传感器包括至少两个传感器,并且所述至少一个输出包括来自每个传感器的至少一个输出。使用多个传感器提高了输出指示器的准确性,并在系统中提供了改进的冗余。由于认知能力是复杂的评估因素,因此已经认识到仅使用单个传感器或单个信号能够造成不良的准确性,因此在确定相对认知能力时使用多个传感器造成改进的准确性。
例如,基于脉搏(即心率)的检测器可能不适用于受过训练的运动员,因为脉搏没有变化或变化有限。因此,依赖单个(脉冲)传感器将不导致对相对认知能力变化的准确评估)。类似地,可以处理来自基于EEG的检测器的信号以准确确定相对认知能力,但只有当它们捕获良好的信号质量时才可靠和/或准确。如果电极与对象头皮之间的接触不良,则基于EEG的检测器的整体质量可能下降,并且因此传感器数据可能不可靠。作为另一个示例,对象可能会被一些外部事件或噪音分心(导致他们的相对认知能力下降),而基于物理的检测器(例如心率监测器)将错过这种分心。
换言之,依赖单个传感器意味着该传感器的任何噪声、损坏或不敏感(例如,对影响或受认知能力影响的特定对象或因素)显著降低确定对象的相对认知能力的准确性。因此,使用多于一个传感器提供了一种对噪声、损害和对象可变性更鲁棒的评估相对认知能力的方法。
所述两个或更多个传感器优选地包括两个或更多个不同的传感器,适于监测对象的不同参数。
在一些实施例中,使用第一机器学习算法处理所述至少一个输出的步骤包括使用第一机器学习算法处理第一传感器的输出以由此生成第一中间指标;并且使用第二机器学习算法处理所述至少一个输出的步骤包括使用第二机器学习算法处理不同的第二传感器的输出以由此生成第二中间指标。
因此,不同传感器的输出可以由不同的中间机器学习算法处理以生成不同的中间指标。因此,每个中间指示器可以独立于另一中间指示器,并且每个中间指示器都与不同的传感器相关联。在特定实施例中,第一机器学习算法不接收来自第二传感器的输入并且第二机器学习算法不接收来自第一传感器的输入。
第一和第二机器学习算法优选地彼此独立地训练。因此,可以在系统中实施现有的机器学习算法,从而能够高度准确地识别中间指标。特别是,可以利用不专用于使用该方法的环境的机器学习算法,从而增加机器学习算法的训练难度,并扩大用于训练生成中间指标的算法的数据的可用性。
所述输出指标可以包括对象的相对认知能力的量度。对象的相对认知能力的量度指示相对于该对象的“正常”或“基线”认知能力的认知能力。正常或基线认知能力可以表示对象在不受认知影响因素(例如情绪状态、压力水平或环境干扰)损害时的认知能力。
该方法还可以包括处理所述输出指标以确定所述对象的所述相对认知能力是否低于预定阈值;并且响应于确定所述对象的所述相对认知能力低于预定阈值,生成警报。通过生成警报,可以识别对象的不良的认知能力或将其吸引到实体的(例如对象的或其他人的)注意力。
生成警报的步骤可以包括经由用户接口生成用户可感知的输出。通过警告用户他们自己认知能力的恶化,可以提示用户休息一下,从而降低未来智力任务执行不准确的可能性。
还提出了一种操作用户终端的方法,所述用户终端适于接收表示由对象执行的智力任务的结果的用户输入,所述方法包括:执行任何描述的生成输出指标的方法;并且基于所述输出指标来标记由所述对象提供的所述用户输入。
提出了另一种操作用户终端的方法,所述用户终端适于接收表示由对象执行的智力任务的结果的用户输入,所述方法包括:执行任何描述的生成输出指标的方法;处理所述输出指标以确定所述对象的相对认知能力是否低于预定阈值;并且响应于确定所述对象的所述相对认知能力低于预定阈值,阻止所述对象提供用户输入。
可能存在多个预定阈值,每个阈值与执行不同的任务相关联(例如,生成警报、防止对象提供用户输入、提醒另一对象、防止对象的用户输入被另一设备保存或接收,更改用户输入上的标志等)。
优选地,被监测对象是临床医师,并且智力任务是评估或诊断对象的医学图像的任务。
还提出了一种计算机程序,所述计算机程序包括用于当所述程序在计算机上运行时实现任何所描述的方法的代码单元。
根据根据本发明一方面的示例,提供了一种用于确定被监测对象的相对认知能力的系统。所述系统包括适合于从监测对象的至少一个传感器和处理系统获得至少一个输出的输入接口。所述处理系统适于:使用第一机器学习算法处理所述至少一个输出,从而生成能够损害对象的相对认知能力的因素或者受对象的相对认知能力的损害影响的特性的第一中间指标;使用不同的第二机器学习算法处理所述至少一个输出,从而生成能够损害对象的相对认知能力的因素或者受对象的相对认知能力的损害影响的特性的不同的第二中间指标;处理所述第一中间指标和所述二中间指标,从而生成所述对象相对认知能力的输出指标。
还提出了一种用于计算系统的用户终端,所述用户终端包括:输入用户接口,其适于接收表示对象执行的智力任务的结果的用户输入;以及前面描述的系统,其中,所述系统还适于基于所述输出指标来标记由所述对象提供的所述用户输入。
提出另一种用于计算系统的用户终端,所述用户终端包括:输入用户接口,其适于接收表示对象执行的智力任务的结果的用户输入;以及前面描述的系统,所述系统还适于处理输出指标以确定对象的相对认知能力是否低于预定阈值;并且响应于确定所述对象的所述相对认知能力低于预定阈值,阻止所述对象提供用户输入。
参考下文描述的(一个或多个)实施例,本发明的这些和其他方面将变得显而易见并得以阐述。
附图说明
为了更好地理解本发明,并且更清楚地示出其如何被付诸实践,现在将仅通过示例的方式参考附图,其中,
图1概念性地图示了本发明的一个实施例;
图2图示了根据本发明实施例的系统;
图3图示了根据本发明实施例的方法;并且
图4图示了采用根据本发明实施例的系统的用户终端。
具体实施方式
将参考附图来描述本发明。
应当理解,详细说明和具体示例虽然指示了设备、系统和方法的示例性实施例,但是仅旨在用于说明的目的,而并不旨在限制本发明的范围。根据以下说明、所附权利要求书和附图,将更好地理解本发明的设备、系统和方法的这些和其他特征、方面和优点。应该理解,附图仅是示意性的,并且未按比例绘制。还应该理解,贯穿附图,使用相同的附图标记来表示相同或相似的部分。
根据本发明的概念,提出了用于确定对象的指标的概念,所述指标对对象的相对认知能力的变化进行响应。至少两个单独的机器学习算法用于基于监测对象的一个或多个传感器的一个或多个输出来生成相应数量的中间指标。随后对所述中间指标进行处理,从而生成所述对象的相对认知能力的指标。
实施例至少部分地基于以下认识:由于认知的复杂和难以预测的性质,使用传感器信息直接确定对象的相对认知能力是复杂且不可靠的任务。建议使用单独的机器学习算法来准确生成中间指标,其继而可以用来生成相对认知能力的指标。因此,可以专门训练机器学习算法来执行特定的、不太复杂的任务(例如生成疲劳或注意力的指标),其结果用于确定相对认知能力。
例如,说明性实施例可以在医学环境中使用以监测执行医学图像分析的临床医师(例如,以诊断患者)。这允许临床医师在他们的表现下降时收到警报,或者如果临床医师的分析可能需要额外审查,则允许对其进行标记。
为了上下文理解的目的,图1示意性地图示了实施例的高层轮廓。参考图1描述的概念可以适当地适用于任何设想的实施例并且对术语的澄清贯穿本说明的全文适用。
(一个或多个)传感器101、102、103、104的集合100适于监测对象(未示出)以生成输出101A、102A、103A、104A,所述输出包括对象的被监测的值和/或它们的环境。合适的传感器示例包括:相机、生命体征监测器(例如脉搏血氧仪、生命体征相机、血压袖带、对象温度监测器等);脑电图(EEG)系统(例如,包括电极的头戴套件);心电图(ECG)监测器(例如,包括胸部电极的阵列);工作站使用监测器;环境噪声监测器;环境温度监测器;环境光监测器等。
两个或多个机器学习算法111、112、113的集合110的中的每个都适于处理来自传感器的集合100的至少一个输出以生成相应的中间指标111A、112A、113A。机器学习算法111、112、113可以例如处理(一个或多个)传感器的至少一个输出的样本或样本的集合(例如在一段时间内),从而产生中间指标。因此,根据监测对象的至少一个传感器的至少一个输出生成多于一个中间指标。
每个机器学习算法111、112、113优选地独立于其他算法进行训练(例如,在单独的受控实验中),并且可以在使用整个系统的设置之外进行训练。这提高了方法的灵活性,以适应不同的专业机器学习训练算法。
中间指标111A、112A、113A指示可能影响对象准确或成功执行智力任务的能力的任何因素(即可能损害对象认知能力的任何因素)的水平或度量或受对象认知能力损害影响的任何特性的水平/度量。
可能影响/损害对象的认知能力的合适因素的示例包括:分心水平;注意力水平;压力水平;情绪状态;以及疲劳的程度;显著的环境噪音或温度。可能受对象的认知能力的损害影响/损害的合适特性的示例包括对象工作表现的异常、对象在智力任务的表现中的错误等。
因此,合适的中间指标的示例包括:对象的疲劳水平的量度;对象的注意力水平的量度;对象的压力水平的量度;对象的情绪;对象使用模式异常的指示;对象的环境中温度/噪音发生显著变化的指示。
中间指标可以指示对象的正常或“基线”水平的变化或差异,即“相对量度”。例如,中间指标可能包括:对象的疲劳水平与基线疲劳水平的偏差的量度;对象的疲劳水平与基线疲劳水平的偏差的量度,等等。作为另一示例,中间指标可以指示对象或其环境的度量何时在正常或预期范围之外。
基线水平可以通过监测处于受控的“正常”状态的对象来确定:例如在早上,在不累的时候,在回答基本测试问题之后,以及或者在医师对对象进行审查之后。在受控的监测期间,可以保证没有外部干扰事件发生,例如另一个人可以负责确认没有发生任何事情。每个人只需要进行一次该基线记录会话,或者每隔一段时间,例如每6个月或每12个月。监测系统的模型可以记住该对象的“正常”状态,并使用异常检测技术将偏离案例标记为异常值。
可以使用各种有监督和无监督的异常检测技术来识别与可以使用的基线水平的显著偏差。例如,可以使用基于密度的技术,例如k最近邻或局部异常值因子来识别远离正态分布的数据点。如果特定传感器提供时间序列,则ARIMA或指数平滑可能有助于检测异常数据点。
例如,第一机器学习算法111可以基于从监测对象面部的相机101获得的视频流或图像101A来确定对象111A的情绪。技术人员将容易地能够使用他们的公知常识来实施情绪识别方法,例如,采用在Ko,B.C.“A Brief Review of Facial Emotion RecognitionBased on Visual Information”,Sensors2018,18,401中提出的方法。
作为另一个示例,第二机器学习算法112可以生成对象的压力或注意力水平的量度112A。第二机器学习算法112可以处理生命体征监测器102和/或脑电图系统103的输出102A、103A以确定压力/注意力水平。因此,第二机器学习算法可以基于生理指标102A、103A,例如脉搏率、心率(变异性)、体温、呼吸率、脑活动等来确定对象的压力/注意力水平。可以采用和训练合适的机器学习算法来基于这样的输入参数确定压力/注意力水平。
作为又一示例,另一机器学习算法113可以检测对象的异常或异常使用模式113A(例如用户终端、计算机或其他输入机构的)。因此,使用模式检测器113可以从使用监测系统104接收输入,所述使用监测系统104适于监测对象的用户终端的使用特性104A。可以采用和训练合适的机器学习算法来基于所监测的使用104A确定异常使用113A。
使用监测系统可以监测例如鼠标点击、数据/文档的打开时间/延迟、设定时间段内查看的平均文档数、查看文档或数据集所花费的平均时间、从数据库上传/下载信息的次数或其所花费的时间以及与上述任何内容的偏差。例如,工作流程中的不规则暂停或在特定文档上花费的非常规时间可能指示对象的工作流程被某些因素中断。这类似于一些驾驶员的困倦检测系统,其中,操纵模式的变化或偏差被用于检测驾驶员是否睡着,例如,如deNaurois,Charlotte Jacobé等人的"Detection and prediction of driver drowsinessusing artificial neural network models."Accident Analysis&Prevention(2017)中所提出的。本领域技术人员将能够采用这样的系统来监测用户终端的使用,而不是操纵参数。当然,在车辆中采用的一些示例中,使用监测系统监测车辆的操作参数,例如,如deNaurois等人所提出的。
然后在步骤120中处理中间指标111A、112A、113A以生成对象的相对认知能力的输出指标130。在特定实施例中,步骤120可以包括使用第三(不同)机器学习算法来处理中间指标。
特别地,输出指示器130指示对象的相对认知能力的水平。因此,输出指标的变化指示对象的相对认知能力水平的变化。相对认知能力可以是对象将准确或成功地执行智力任务的可能性的量度,例如相对于不存在影响他们的认知能力的因素的情景。
因此,例如,输出指标可以是对象将错误地执行智力任务的预测概率(“人为错误概率”)或对象的相对认知能力的数值量度(例如,表示为百分比)。在其他示例中,指标是分类指标(例如代表“高度受损”、“轻微受损”或“未受损”的值)或二元指标(例如预测对象的认知能力是否已经受损的指标)。
换言之,多个中间指标111A、112A、113A(每个由相应的机器学习算法生成)由此在步骤120中被处理以生成单个输出指标130。例如,这可以通过使用通过sigmoid函数的加权和来执行,或者可以包括,如前所述,使用另一机器学习算法处理中间指标。
特别地,输出指标可以指示对象的正常或“基线”水平的变化或差异,即“相对量度”。
和以前一样,基线水平可以通过监测处于受控的“正常”状态的对象来确定:例如在早上,在不累的时候,在回答基本测试问题之后,以及或者在医师对对象进行审查之后。在受控的监测期间,可以保证没有外部干扰事件发生,例如另一个人可以负责确认没有发生任何事情。每个人只需要进行一次该基线记录会话,或者每隔一段时间,例如每6个月或每12个月。监测系统的模型可以记住该对象的“正常”状态,并使用异常检测技术将偏离案例标记为异常值。
因此,可以训练机器学习算法以识别对象的正常或基线水平(例如,基于基线中间指标),并识别与基线水平的显著偏差。可以使用各种有监督和无监督的异常检测技术来识别与可以使用的基线水平的显著偏差。例如,可以使用基于密度的技术,例如k最近邻或局部异常值因子来识别远离正态分布的数据点。其他合适的机器学习算法(例如神经网络)将在后面描述。
虽然上述系统使用三个单独的机器学习算法111、112、113来生成三个单独的中间指标111A、112A、113A,但应当理解,可以使用任意数量的(两个或更多)机器学习算法来生成相应的多个(两个或更多个)中间指标,用于在步骤120中确定输出指标使用。
当然,给定的机器学习算法111、112、113可以使用一个或多个传感器101A、101B、101C、101D的多于一个输出来生成中间指标。例如,如图所示,第二机器学习算法112可以使用传感器的两个输出102A、103A来生成第二中间指标112A。
优选地,存在多个传感器,每个传感器产生至少一个相应的输出,机器学习算法使用这些输出来生成相应的中间指标。这样,可以将来自多个传感器的信息组合起来以生成多个中间指标。在输出指标的生成期间使用多于一个传感器提高了输出指标的准确度,因为可以减轻给定传感器的潜在错误(例如给出错误读数),即有效地提供冗余。
当生成不同的中间指标时,传感器的输出可以在不同的机器学习算法之间共享。因此,不同的机器学习算法在生成不同的中间指标时可能使用相同传感器的相同输出。举例来说,可以将视频相机的输出提供给第二机器学习算法112,例如因为眨眼的次数和频率可以指示压力/注意力水平。
优选地,不同的机器学习算法使用由多个传感器生成的输出的不同选择或子集来生成相应的中间指标。因此,两个或更多个机器学习算法中的每个都可以使用来自(一个或多个)传感器的(一个或多个)输出的特有集合来生成相应的中间指标。
因此,例如,第一机器学习算法可以处理第一传感器的输出从而生成第一中间指标,并且第二机器学习算法可以处理不同的第二传感器的输出从而生成第二中间指标。在此示例中,所述第一机器学习算法可能不使用所述不同的第二传感器的输出(由第二机器学习算法使用),并且第二机器学习算法可能不使用第一传感器的输出(由第二机器学习算法使用)。
在优选的实施例中,生成中间指标的每个机器学习算法110不处理至少一个传感器的输出。这有助于减少故障或不灵敏传感器对输出指示器的影响,提高整个系统的可靠性。
传感器的一个或多个输出可以在作为输入提供给机器学习算法110之前进行预处理。例如,可以处理视频相机数据101A以确定要用作机器学习算法的输入的患者的特定特征(例如对象的颜色、对象的呼吸频率、眼睛的数量/频率)闪烁等。在其他实施例中,这种预处理形成机器学习算法110的一部分。
在一些实施例中,可以在步骤140中进一步处理输出指标130。步骤140可以处理输出指标以确定对象的相对认知能力是否低于预定阈值。
步骤140的精确操作可取决于输出指标的实施细节。例如,在输出指标是相对认知能力的量度的情况下,步骤140可以包括确定量度本身是否低于预定阈值。在另一个示例中,在输出指标是分类度量(例如“高度受损”、“轻微受损”或“未受损”)的情况下,特定类别(例如“高度受损”或“轻微受损”)可以与相对认知能力低于预定阈值相关联,因此步骤140包括确定输出指标是否属于这些类别中的一个。
响应于步骤140确定Y(其为对象的相对认知能力低于预定阈值),可以执行生成警报的步骤141。步骤141可以替代地或额外地包括执行特定动作。
响应于步骤140确定Y(其为对象的相对认知能力不低于预定阈值),可以执行不生成警报的步骤142。步骤142可替代地或额外地包括不执行特定动作。
警报可以是用于启动动作或任务的信号(例如电子信号),例如向对象显示诸如触觉、音频和/或视觉输出的用户可感知警报。
警报可以被提供给被监测对象(例如,通过在用户接口上提供的用户可感知的输出),用于标记被监测对象执行的活动(例如,用于以后审查),传递给另一个对象(例如,对象的主管)或者启动用于防止被监测对象进一步执行智力任务的过程(例如,停止对象为受监测的任务提供进一步的输入)。因此,生成警报可以启动任务或动作。换言之,确定相对认知能力是高于还是低于预定阈值可以确定是否执行特定任务。
在一些实施例中,可能存在多个与不同警报或动作相关联的预定阈值。例如,第一预定阈值可以向对象提供警报,例如通过用户可感知的输出,而第二预定阈值可以启动(例如,通过不同的警报或警报信号)防止被监测对象进一步执行智力任务的动作(例如阻止用户输入数据等)。在这样的实施例中,第一预定阈值可以表示相对认知能力的第一水平并且第二预定阈值可以表示相对认知能力的第二较低水平。不同的阈值可以与先前描述的警报的任何使用相关联。
在实施例中,警报/动作可以被分组,并且一个或多个警报/动作的不同组可以与不同的预定阈值相关联。
为了确定(一个或多个)预定阈值,可以存在校准步骤,其中在初始时间点(例如在工作日开始或对象受雇开始时)确定对象的认知能力。该信息可用于针对特定对象调整或定制机器学习算法110。
当然,可能存在反馈机制,其中对象例如经由输入用户接口对警报做出响应(例如,指示它是错误警报)。该信息可以被反馈到系统中并用于修改步骤120。这确保了系统随着时间的推移自动调整。
换句话说,对象可能能够忽略由所提出的方法发起的警报或动作。在一些实施例中,所述系统/方法适于生成指示已经发生超越控制的进一步警报(例如,触发对另一对象(例如对象的主管)的通知)。这有助于防止潜在危险的超越控制被忽视。
本领域技术人员将能够容易地实施用于实现参考图1描述的概念的系统和方法。尽管如此,为了完整起见,参考图2和图3描述了这种系统和方法的各个实施例。这些实施例可以适当地适于结合上述任何可选特征。
图2图示了根据本发明实施例的系统20。系统20至少包括输入接口201和处理系统202。
输入接口201适于从监测对象29的至少一个传感器25A、25B、25C获得至少一个输出。因此,传感器的集合25提供要由输入接口201接收的一个或多个输出。
当然,在一些实施例中,传感器25形成系统20的部分。优选地,一些(或甚至更优选地,所有)传感器是非侵入性、非阻碍和/或非接触式传感器(例如视频相机、生命体征相机、环境监测器等)。
处理系统202适于使用第一机器学习算法处理所述至少一个输出,从而生成能够损害对象的相对认知能力的因素或者受对象的相对认知能力的损害影响的特性的第一中间指标。
处理系统203还适于使用不同的第二机器学习算法处理所述至少一个输出,从而生成能够损害对象的相对认知能力的因素或者受对象的相对认知能力的损害影响的特性的不同的第二中间指标。
处理系统202还适于处理所述第一和第二中间指标,从而生成对象的相对认知能力的输出指标。
因此,如前所述,处理系统202使用两个或更多个单独的机器学习算法来生成相应的两个或更多个中间指标。处理系统202然后使用两个或更多个中间指标来生成被监测对象的相对认知能力的输出指标。这可以使用第三机器学习算法来执行。
系统20还可以包括用户接口203,其适于向对象提供输出指标。用户接口203可以适于提供视觉、音频或触觉(例如振动)输出,从而向对象提供输出指标。
处理系统还可以适于处理所述输出指标以确定是否生成警报。所述处理可以包括处理所述输出指标以确定对象的相对认知能力是否低于预定阈值。响应于确定所述对象的相对认知能力低于预定阈值,然后可以生成警报(或执行另一动作)。实施例可以使用多于一个预定阈值,每个阈值定义何时执行特定动作或生成特定警报。
在实施例中,用户接口可以提供关于警报的信息,例如通过提供指示已经发出警报的特定视觉、音频和/或触觉输出。这因此通过在对象的认知能力已经下降到阈值之下时(例如并且他们因此可能无法将技术智力任务执行到合适的水平)警告他们来帮助他们执行智力技术任务。
图3图示了根据本发明实施例的方法30。
该方法包括从监测对象的至少一个传感器获得至少一个输出的步骤301。
方法30然后执行使用第一机器学习算法来处理至少一个输出的步骤302,从而生成能够损害对象的相对认知能力的因素或者受对象的相对认知能力的损害影响的特性的第一中间指标。
方法还执行使用不同的第二机器学习算法来处理至少一个输出的步骤303,从而生成能够损害对象的相对认知能力的因素或者受对象的相对认知能力的损害影响的特性的不同的第二中间指标。
步骤302和303可以并行或顺序进行。
随后,方法30执行处理第一和第二中间指标的步骤304,从而生成对象的相对认知能力的输出指标。
图4图示了根据本发明实施例的用户终端40。用户终端40适用于对象,这里是临床医师(例如放射科医师),用于查看医学图像。
用户终端包括计算机系统401。计算机系统401被连接到显示器402(或其他输出用户接口)和输入用户接口403(例如鼠标和/或键盘)。计算机系统401控制显示器402以提供不同的医学图像以供临床医师查看。计算机系统401经由输入用户接口从临床医师接收输入,例如临床医师关于所显示的医学图像的符号、文本和/或图片评论。临床医师由此能够执行审查所显示的医学图像以提供评论的技术智力任务,例如指示与医学图像相关联的患者的诊断或标记区域以供进一步审查。
计算机系统401包括用于生成对象(临床医师)相对认知能力的输出指标的系统。系统401可以以先前描述的任何方式形成。
特别地,一个或多个传感器410可以提供传感器输出以由系统使用的两个或更多个单独的机器学习算法处理来生成中间指标,所述中间指标依次被处理以生成如前所述的输出指标。一个或多个传感器410可以包括相机(如图所示)和/或使用检测系统(例如并入计算机系统中)以检测临床医师的异常使用模式。
这样,用户终端40能够准确地监测使用用户终端的对象的相对认知能力。
如果所确定的临床医师的相对认知能力低于预定阈值,则用户终端还可以适于标记从临床医师接收的输入。这使得能够识别用户的潜在错误评论(例如,用于进一步审查)。
在其他实施例中,用户终端可以适于响应于指示临床医师的相对认知能力已经下降到预定阈值之下的输出指标来阻止临床医师提供进一步的用户输入(经由输入用户接口)。这可以通过例如锁定用户终端以防止用户提供进一步的输入或在一段时间内无视从临床医师接收的输入来执行。如果确定用户的相对认知能力低于预定阈值,这将阻止用户提供输入(即记录他们的智力任务的结果)。
在其他实施例中,用户终端可以适于基于输出指标为用户输入分配置信度水平。这可以使用户输入能够被标记以供进一步审查。
在又一示例中,如果所确定的对象的相对认知能力低于预定阈值,则消息或警报可被发送到另一对象或人,例如被监测对象的主管或值班的另一对象。
对象可能能够超越控制由用户终端执行的动作(例如锁定用户终端),例如使用适当的用户输入。在实施例中,用户终端适于生成并向另一个对象发送警报,例如被监测对象的主管。
已经描述了至少一个传感器410如何适于监测执行智力任务的对象。这里,传感器410包括用于监测执行智力任务的对象的面部的相机。传感器还可以形成在计算机系统401中,例如用于监测在输入用户接口403处接收的用户输入的特性。
虽然已经在临床医师查看医学图像的上下文中描述了用户终端,但是这些概念可以适用于其他环境,例如工厂、发电厂、仓库等。
例如,用户终端可以使对象能够控制发电厂的设置,并且如果输出指标指示用户的相对认知能力低于预定阈值,则用户终端可以适于防止他们修改这样的设置。这将有助于防止对象在太累或注意力不集中时对发电厂进行更改,从而提高了操作发电厂的安全性。
在又一个示例中,整个概念可以适用于车辆或汽车,例如,小轿车。用户接口可以是驾驶接口(例如踏板和方向盘)。监测系统可以适于响应于指示对象的相对认知能力低于预定阈值的输出指标而执行一个或多个动作。示例操作包括:使车辆减速,例如施加制动,限制车辆的最大速度;进入自动驾驶模式;打开危险灯/闪光灯等。如前所述,不同的动作可以与不同的预定阈值相关联。在实施例中,动作可以被分组,并且不同的动作组与不同的预定阈值相关联。
对于所设想的概念的其他修改对于技术人员来说将是显而易见的。
用于本发明的合适的机器学习算法对于技术人员来说将是显而易见的。合适的机器学习算法的示例包括决策树算法和人工神经网络。
人工神经网络或简称为神经网络,对本领域技术人员来说是熟悉的。简而言之,神经网络是一种机器学习模型,其可以用于处理输入数据以产生输出数据,例如根据输入数据预测特定场景发生的概率。
神经网络的结构受到人脑的启发。神经网络由层组成,每一层包含多个神经元。每个神经元包括数学运算。在处理输入数据的过程中,每个神经元对输入数据进行数学运算,产生数值输出,神经网络中每一层的输出顺序地馈入下一层。最后一层提供输出。
训练神经网络的方法是众所周知的。通常,提供训练数据集,由训练输入数据和相应的训练输出数据组成。训练输入数据由神经网络处理以生成示例输出数据。将示例输出数据与训练输出数据进行比较以确定神经网络的准确性(例如,通过使用损失函数)。神经网络,特别是神经元的数学运算,基于所确定的准确度被修改以努力提高神经网络的准确度(例如最小化损失函数)。已知的修改神经网络的方法包括梯度下降、反向传播算法等。
技术人员将能够容易地开发用于执行任何先前描述的方法的处理系统。因此,流程图的每个步骤可以表示由处理系统执行的不同动作,并且可以由处理系统的相应模块执行。
处理系统可以用软件和/或硬件以多种方式实现,以执行所需的各种功能。处理器是处理系统的一个示例,其采用可以使用软件(例如,微代码)编程的一个或多个微处理器来执行所需的功能。然而,处理系统可以在采用或不采用处理器的情况下实现,并且还可以被实现为用于执行一些功能的专用硬件与用于执行其他功能的处理器(例如,一个或多个编程的微处理器和相关联的电路)的组合。
可以在本公开的各种实施例中使用的处理系统部件的范例包括但不限于,常规微处理器,专用集成电路(ASIC)和现场可编程门阵列(FPGA)。
在各种实现方式中,处理器或处理系统可以与一个或多个存储介质相关联,诸如易失性和非易失性计算机存储器,诸如RAM,PROM,EPROM和EEPROM。存储介质可以编码有一个或多个程序,所述程序当在一个或多个处理器和/或处理系统上运行时执行所需的功能。各种存储介质可以固定在处理器或处理系统内,或者可以是可转移的,使得存储在其上的一个或多个程序可以加载到处理器或处理系统中。
应当理解,公开的方法优选地是计算机实施的方法。这样还提出了计算机程序的概念,所述计算机程序包括用于当所述程序在计算机上运行时实现任何所描述的方法的代码单元。因此,根据实施例的程序的不同部分、行或代码块可由处理器/计算机执行以执行本文中描述的任何方法。
本领域技术人员通过研究附图、公开内容以及权利要求书,在实践请求保护的本发明时能够理解并且实现对所公开的实施例的变型。在权利要求中,“包括”一词不排除其他元件或步骤,并且词语“一”或“一个”不排除多个。单个处理器或者其它单元可以实现权利要求书中记载的若干项的功能。尽管特定措施是在互不相同的从属权利要求中记载的,但是这并不指示不能有利地使用这些措施的组合。如果以上描述了计算机程序,其可以被存储/分布在与其它硬件一起提供或者作为其它硬件的部分提供的诸如光存储介质或者固态介质的合适介质上,但是还可以以诸如经因特网或者其它有线或无线电信系统的其它形式分布。在权利要求书或说明书中使用术语“适于”的情况下,术语“适于”旨在等同于术语“被配置为”。权利要求书中的任何附图标记不应被解释为对范围的限制。
Claims (15)
1.一种生成被监测对象的相对认知能力的输出指标的方法,所述方法包括:
从监测对象和/或所述对象的环境的至少一个传感器获得至少一个输出;
使用第一机器学习算法处理所述至少一个输出,以由此生成能够损害对象的相对认知能力的因素或者受对象的相对认知能力的损害影响的特性的第一中间指标;
使用不同的第二机器学习算法处理所述至少一个输出,以由此生成能够损害对象的相对认知能力的因素或者受对象的相对认知能力的损害影响的特性的不同的第二中间指标;并且
处理所述第一中间指标和所述二中间指标,以由此生成所述对象的相对认知能力的输出指标。
2.根据权利要求1所述的方法,其中,处理所述第一中间指标和所述第二中间指标的步骤包括使用不同的第三机器学习算法处理所述第一中间指标和所述第二中间指标,以生成所述对象的相对认知能力的水平的所述输出指标。
3.根据权利要求1或2所述的方法,其中,所述至少一个传感器包括至少两个传感器,并且所述至少一个输出包括来自每个传感器的至少一个输出。
4.根据权利要求3所述的方法,其中:
使用第一机器学习算法处理所述至少一个输出的步骤包括使用第一机器学习算法处理第一传感器的输出,以由此生成所述第一中间指标;并且
使用所述第二机器学习算法处理所述至少一个输出的步骤包括使用所述第二机器学习算法来处理不同的第二传感器的输出,以由此生成所述第二中间指标。
5.根据权利要求1至4中的任一项所述的方法,其中,所述第一机器学习算法和所述第二机器学习算法彼此独立地训练。
6.根据权利要求1至5中的任一项所述的方法,其中,所述输出指标包括对象的相对认知能力的量度。
7.根据权利要求1至6中的任一项所述的方法,还包括:
处理所述输出指标以确定所述对象的所述相对认知能力是否低于预定阈值;并且
响应于确定所述对象的所述相对认知能力低于所述预定阈值,生成警报。
8.根据权利要求7所述的方法,其中,生成警报的步骤包括经由用户接口生成用户可感知的输出。
9.一种操作用户终端的方法,所述用户终端适于接收表示由对象执行的智力任务的结果的用户输入,所述方法包括:
执行根据权利要求1至8中的任一项所述的方法,并且
基于所述输出指标来标记由所述对象提供的所述用户输入。
10.一种操作用户终端的方法,所述用户终端适于接收表示由对象执行的智力任务的结果的用户输入,所述方法包括:
执行根据权利要求1至8中的任一项所述的方法,
处理所述输出指标以确定所述对象的相对认知能力是否低于预定阈值;并且
响应于确定所述对象的所述相对认知能力低于所述预定阈值,阻止所述对象提供用户输入。
11.根据前述权利要求中的任一项所述的方法,其中,所述被监测对象是临床医师,并且所述智力任务是评估或诊断对象的医学图像的任务。
12.一种包括代码单元的计算机程序,当所述程序在计算机上运行时,所述代码单元用于实现根据权利要求1至11中的任一项所述的方法。
13.一种用于确定被监测对象的相对认知能力的系统,所述系统包括:
输入接口,其适于从监测对象和/或所述对象的环境的至少一个传感器获得至少一个输出;
处理系统,其适于:
使用第一机器学习算法处理所述至少一个输出,以由此生成能够损害对象的相对认知能力的因素或者受对象的相对认知能力的损害影响的特性的第一中间指标;
使用不同的第二机器学习算法处理所述至少一个输出,以由此生成能够损害对象的相对认知能力的因素或受对象的相对认知能力的损害影响的特性的不同的第二中间指标;
处理所述第一中间指标和所述二中间指标,以由此生成所述对象相对认知能力的输出指标。
14.一种用于计算系统的用户终端,所述用户终端包括:
输入用户接口,其适于接收表示由对象执行的智力任务的结果的用户输入;以及
根据权利要求13所述的系统,其中,所述系统还适于基于所述输出指标来标记由所述对象提供的所述用户输入。
15.一种用于计算系统的用户终端,所述用户终端包括:
输入用户接口,其适于接收表示由对象执行的智力任务的结果的用户输入;以及
根据权利要求13所述的系统,其中,所述系统还适于:
处理所述输出指标以确定所述对象的相对认知能力是否低于预定阈值;并且
响应于确定所述对象的所述相对认知能力低于所述预定阈值,阻止所述对象提供所述用户输入。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2019105162 | 2019-02-25 | ||
RU2019105162 | 2019-02-25 | ||
PCT/EP2020/054722 WO2020173847A1 (en) | 2019-02-25 | 2020-02-24 | Determining a relative cognitive capability of a subject |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113474789A true CN113474789A (zh) | 2021-10-01 |
Family
ID=69699877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080016573.7A Pending CN113474789A (zh) | 2019-02-25 | 2020-02-24 | 确定对象的相对认知能力 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220189181A1 (zh) |
EP (1) | EP3931740A1 (zh) |
JP (1) | JP2022542730A (zh) |
CN (1) | CN113474789A (zh) |
WO (1) | WO2020173847A1 (zh) |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200342979A1 (en) * | 2010-06-07 | 2020-10-29 | Affectiva, Inc. | Distributed analysis for cognitive state metrics |
US11914776B2 (en) * | 2012-08-31 | 2024-02-27 | Blue Goji Llc | System and method for evaluation, detection, conditioning, and treatment of neurological functioning and conditions |
US20150223743A1 (en) * | 2014-02-12 | 2015-08-13 | Wipro Limited | Method for monitoring a health condition of a subject |
US11122998B2 (en) * | 2015-03-12 | 2021-09-21 | Akili Interactive Labs, Inc. | Processor implemented systems and methods for measuring cognitive abilities |
WO2017191227A1 (en) * | 2016-05-04 | 2017-11-09 | Koninklijke Philips N.V. | Estimation and use of clinician assessment of patient acuity |
CA3035122A1 (en) * | 2016-08-26 | 2018-03-01 | Akili Interactive Labs, Inc. | Cognitive platform coupled with a physiological component |
US11249544B2 (en) * | 2016-11-21 | 2022-02-15 | TeleLingo | Methods and systems for using artificial intelligence to evaluate, correct, and monitor user attentiveness |
US10783801B1 (en) * | 2016-12-21 | 2020-09-22 | Aptima, Inc. | Simulation based training system for measurement of team cognitive load to automatically customize simulation content |
US11298062B2 (en) * | 2017-02-01 | 2022-04-12 | Conflu3Nce Ltd | Multi-purpose interactive cognitive platform |
US10765380B2 (en) * | 2017-04-20 | 2020-09-08 | Bradford R Everman | Systems and methods for measuring physiological parameters |
US10877444B1 (en) * | 2017-06-07 | 2020-12-29 | Hrl Laboratories, Llc | System and method for biofeedback including relevance assessment |
US10592785B2 (en) * | 2017-07-12 | 2020-03-17 | Futurewei Technologies, Inc. | Integrated system for detection of driver condition |
US10538259B2 (en) * | 2018-03-28 | 2020-01-21 | Deuta America Corp | Fit-for-duty detection and alerting system for rail and transit |
CA3097445A1 (en) * | 2018-04-16 | 2019-10-24 | Technologies Hop-Child, Inc. | Systems and methods for the determination of arousal states, calibrated communication signals and monitoring arousal states |
US11715564B2 (en) * | 2018-05-01 | 2023-08-01 | Neumora Therapeutics, Inc. | Machine learning-based diagnostic classifier |
US11602293B2 (en) * | 2018-07-05 | 2023-03-14 | Optios, Inc. | Identifying and strengthening physiological/neurophysiological states predictive of superior performance |
US11141088B2 (en) * | 2018-10-09 | 2021-10-12 | Sony Corporation | Electronic device for recognition of mental behavioral attributes based on deep neural networks |
WO2020152678A1 (en) * | 2019-01-22 | 2020-07-30 | Adam Cogtech Ltd. | Detection of cognitive state of a driver |
US20220230522A1 (en) * | 2021-01-18 | 2022-07-21 | Seeing Machines Limited | Flight Crew Fatigue And Controlled Rest Management System |
-
2020
- 2020-02-24 JP JP2021547209A patent/JP2022542730A/ja active Pending
- 2020-02-24 EP EP20707061.6A patent/EP3931740A1/en active Pending
- 2020-02-24 US US17/432,912 patent/US20220189181A1/en active Pending
- 2020-02-24 WO PCT/EP2020/054722 patent/WO2020173847A1/en unknown
- 2020-02-24 CN CN202080016573.7A patent/CN113474789A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
EP3931740A1 (en) | 2022-01-05 |
WO2020173847A1 (en) | 2020-09-03 |
US20220189181A1 (en) | 2022-06-16 |
JP2022542730A (ja) | 2022-10-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ahmed et al. | Artificial Intelligence, Machine Learning and Reasoning in Health Informatics—Case Studies | |
AU2022201530B2 (en) | Apparatus, systems and methods for predicting, screening and monitoring of encephalopathy/delirium | |
JP7449287B2 (ja) | クリティカルアラームの予測 | |
CA3164001A1 (en) | Dynamic user response data collection method | |
Panagopoulos et al. | Forecasting markers of habitual driving behaviors associated with crash risk | |
KR102494308B1 (ko) | 인공지능 기반의 이미지 분석 모델을 이용한 쇼크 발생 예측 방법, 장치 및 컴퓨터프로그램 | |
US20210186416A1 (en) | Arrhythmic heartbeat resilient sleep apnea detection | |
US20230000441A1 (en) | Method of Determining Fused Sensor Measurement and Vehicle Safety System Using the Fused Sensor Measurement | |
JP2024513618A (ja) | 感染症及び敗血症の個別化された予測のための方法及びシステム | |
US20220189181A1 (en) | Determining a relative cognitive capability of a subject | |
EP3991646A1 (en) | System and method for analyzing brain activity | |
US20220359092A1 (en) | A system and method for triggering an action based on a disease severity or affective state of a subject | |
US20240172990A1 (en) | Prepartum and postpartum monitoring and related recommended medical treatments | |
US20230309884A1 (en) | Physiological measurement data processing device and physiological measurement data processing method using same | |
WO2024112442A1 (en) | Human functional state detector | |
KR20210050424A (ko) | 딥러닝 컴퓨터 비전 기반 응급환자 쇼크 징후 발견 시스템 | |
Suriya et al. | An Efficient Driver Drowsiness Detection Using Deep Learning | |
WO2024074874A1 (en) | Time-series anomaly detection for healthcare | |
EP4182953A1 (en) | Predicting orthosomnia in an individual | |
CN110600130A (zh) | 触发针对对象的警报 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |