DE112018004401T5

DE112018004401T5 - Detektor einer neuronalen antwort

Info

Publication number: DE112018004401T5
Application number: DE112018004401.7T
Authority: DE
Inventors: Cesar Augusto Rodriguez Bravo; Erik Rueger
Original assignee: International Business Machines Corp
Current assignee: Kyndryl Inc
Priority date: 2017-11-08
Filing date: 2018-10-31
Publication date: 2020-05-20
Also published as: CN111295673A; GB2581455A; US20190138885A1; GB2581455B; CN111295673B; US11151440B2; GB202008075D0; WO2019092553A1; JP2021502135A; JP7179059B2

Abstract

Bei Aspekten werden Personendetektorgeräte auf der Grundlage einer neuronalen Antwort bereitgestellt, wobei die Geräte so konfiguriert sind, dass sie Elektroenzephalogrammsignale von einer Einheit erhalten, während der Einheit erste sensorische Informationen präsentiert werden, und die erhaltenen Elektroenzephalogrammsignale mit jedem aus einer Mehrzahl von als erste sensorische Informationen gekennzeichneten trainierten Profilanteilen von Elektroenzephalogrammsignalen vergleichen, die Elektroenzephalogrammsignale darstellen, die von verschiedenen Personen in Abhängigkeit davon erzeugt werden, dass den Personen sensorische Informationen präsentiert werden, die den ersten sensorischen Informationen entsprechen. Folglich ermittelt der konfigurierte Prozessor, ob es sich bei der Einheit um eine Person handelt, in Abhängigkeit von einer Stärke der Übereinstimmung der erhaltenen Elektroenzephalogrammsignale mit denjenigen der als erste sensorische Informationen gekennzeichneten trainierten Profilanteile von Elektroenzephalogrammsignalen, die höchste häufigste Gewichtungen haben.

Description

HINTERGRUND
„Bots“ sind Anwendungen, die in Computerprozessoren in Reaktion auf Ausführen von Skripten und anderen Programmiercodes und Anweisungen ablaufen, und die so gestaltet sind, dass sie menschliches oder „menschenähnliches“ Verhalten als Online- und andere Eingabeaktivität in Bezug auf vernetzte Ressourcen nachbilden. Bots werden häufig zum Zugreifen auf vernetzte Ressourcen durch Anschlüsse und Ingress-Mechanismen verwendet, die einen Zugang für reale Personen (Menschen) bereitstellen sollen, um den Personen oder aufgrund der von Personen bereitgestellten Eingaben Dienste zur Verfügung zu stellen. Bots verschaffen sich Zugang durch solche Mechanismen, indem sie menschliches Verhalten vortäuschen, wobei sie den Mechanismus dazu bringen, ihre Eingaben als die von Personen zu akzeptieren.
Bots können zum Erzeugen von Spam, Phantom-Accounts, verteilte Dienstblockade- (DDoS-) Angriffe (distributed denial-of-service (DDos) attacks), Dienstunterbrechungen, zum Manipulieren von Bewertungen, Beeinflussen von Wahlen sowie zum Erzeugen von betrügerischen Eingaben in Bezug auf vernetzte Ressourcen und Webseiten-Datenverkehr verwendet werden. Zum Beispiel findet ein DDoS-Angriff statt, wenn mehrere Systeme die Bandbreite oder Ressourcen eines Zielsystems fluten, normalerweise einen oder mehrere Web-Server. Ein solcher Angriff ist oftmals das Ergebnis von mehreren kompromittierten Systemen (zum Beispiel einem „Botnetz“), die das Zielsystem mit Datenverkehr fluten.
Es wird eine Vielfalt von Verfahren und Systemen eingesetzt, um zwischen Eingaben durch Personen und Zugriff sowie Eingaben durch Bots zu unterscheiden, um Netzwerk- und virtualisierte Dienstumgebungen vor Bots zu sichern. Zum Beispiel werden häufig CAPTCHA-(Completely Automated Public Turing Tests to Tell Computers and Humans Apart) Funktionen oder Hilfsprogramme verwendet, um sicherzustellen, dass eine Benutzereingabe nicht durch einen Computer erzeugt wurde, wobei es im Allgemeinen erforderlich ist, dass der Benutzer die Buchstaben eines verzerrten Bildes eintippt, manchmal mit der Ergänzung einer undeutlich gestalteten Folge von Buchstaben oder Ziffern, die auf dem Bildschirm erscheinen. CAPTCHAs sind im Allgemeinen so gestaltet, dass sie gleichzeitiges Verwenden von drei separaten Fähigkeiten erfordern - invariante Erkennung (invariant recognition), Segmentierung (segmentation) und Syntaxanalyse (parsing)-, um die Aufgabe korrekt und konsistent auszuführen. Invariante Erkennung bezieht sich auf die Fähigkeit, den großen Variationsumfang bei den Formen von Buchstaben zu erkennen. Zwar gibt es eine schier unendliche Anzahl von Versionen für jedes Schriftzeichen, das ein menschliches Gehirn erfolgreich identifizieren kann, für einen Computer gilt dies jedoch nicht, und CAPTCHA-Systeme versuchen im Allgemeinen, unterschiedliche Schriftformen darzustellen, die für einen computergesteuerten Bot schwer in zuverlässiger Weise zu decodieren sind.
Segmentierung oder die Fähigkeit, einen Buchstaben von einem anderen zu trennen, kann für einen Bot ebenfalls schwer zu leisten sein. Dementsprechend verarbeitet CAPTCHA vorhandene Schriftzeichen oftmals in dicht gedrängten Formaten ohne Zwischenraum. Bots können außerdem begrenzte Fähigkeiten haben, einzelne Schriftzeichen auf der Grundlage des von umgebenden Buchstaben erstellten Kontextes zu decodieren und dadurch jedes Schriftzeichen korrekt zu analysieren oder zu identifizieren. Zum Beispiel könnte in einem Segment eines CAPTCHA ein Buchstabe wie ein „m“ aussehen. Erst nach Erkennen eines den Buchstaben enthaltenden ganzen Wortes, um einen Kontext zu erstellen (zum Beispiel „fumble“), wird dem menschlichen Leser klar, dass der Buchstabe ein „u“ und kein „m“ sein muss.
Jedes einzelne dieser Probleme stellt für einen Computer-Bot eine Herausforderung dar, und CAPTCHA-Prozesse erfordern oftmals das Ausführen aller drei gleichzeitig, um die Wahrscheinlichkeit zu verringern, dass der Bot eine vorgegebene CAPTCHA-Herausforderung lösen kann. Im Gegensatz zu Computern lösen Menschen diese Art von Aufgabe hervorragend. Während Segmentierung und Erkennung für einen Computer zwei separate, zum Verstehen eines Bildes notwendige Prozesse sind, sind sie für eine Person Teil desselben Prozesses. Wenn eine Person zum Beispiel versteht, dass der erste Buchstabe eines CAPTCHA ein „a“ ist, versteht diese Person auch, wo die Konturen von diesem „a“ sind und wo es mit den Konturen des nächsten Buchstabens verschmilzt. Außerdem ist das menschliche Gehirn in der Lage, aufgrund eines Kontextes dynamisch zu denken, mehrere Erläuterungen bereitzuhalten und anschließend diejenige auszuwählen, die aufgrund kontextbezogener Anhaltspunkte die beste Erläuterung für die gesamte Eingabe ist. Dies bedeutet auch, es wird durch Buchstabenvariationen nicht getäuscht.
Einige automatisierte Prozesse können Hindernisse im Zusammenhang mit CAPTCHA-Herausforderungen jedoch überwinden oder umgehen und erlangen Zugang zu Ressourcen, die ausschließlich für direkten Zugriff durch Personen vorgesehen sind. CAPTCHA-Hilfsprogramme stellen auch Anforderungen an Benutzereingaben, die von Benutzern möglicherweise nicht leicht zugänglich oder ausführbar sind, wobei einige Benutzer einen CAPTCHA-Test möglicherweise nicht erfolgreich absolvieren und dadurch Zugang zu vernetzten Ressourcen erhalten. Zum Beispiel kann ein auf einem Bild beruhendes CAPTCHA für Benutzer mit eingeschränktem Sehvermögen (die beispielsweise blind oder farbenblind sind oder eine Makula-Degeneration oder andere Sehbehinderungen haben) sehr schwer oder unmöglich auszuführen sein. Zwar bieten einige CAPTCHA-Hilfsprogramme Audio-Alternativen für Benutzer mit Sehbehinderung, die Audio-Alternativen sind jedoch ohne Kenntnis des visuellen Kontextes des Originalbildes möglicherweise schwer zu interpretieren oder zu verstehen, wenn der Benutzer geringe Sprachkompetenzen hinsichtlich der verwendeten Sprache zum Wiedergeben der Audio-Alternative hat oder wenn der menschliche Benutzer andere kognitive Beeinträchtigungen hat. Schließlich kann ein erfolgreiches Ausführen eines CAPTCHA zeitaufwändig sein, was zum Verlust der Mitwirkung des Benutzers führt (und der damit verbundenen Verwendung der durch Dienstleisters angebotenen vernetzten Ressourcen), da der Benutzer nicht gewillt ist, Unannehmlichkeiten durch das CAPTCHA-Hilfsprogramm auf sich zu nehmen.
KURZDARSTELLUNG
Unter einem Aspekt der vorliegenden Erfindung umfasst ein computergesteuertes Verfahren für einen Personendetektor auf der Grundlage einer neuronalen Antwort Ausführen von Schritten in einem Computerprozessor. Dementsprechend ist ein Computerprozessor so konfiguriert, dass er Elektroenzephalogrammsignale von einer Einheit erhält, während der Einheit erste sensorische Informationen präsentiert werden. Der konfigurierte Prozessor vergleicht die erhaltenen Elektroenzephalogrammsignale mit jedem aus einer Mehrzahl von trainierten Profilanteilen von Elektroenzephalogrammsignalen, die als erste sensorische Informationen gekennzeichnet sind, wobei die als erste sensorische Informationen gekennzeichneten Profilanteile von Elektroenzephalogrammsignalen Elektroenzephalogrammsignale darstellen, die von einer Mehrzahl verschiedener Personen in Abhängigkeit von einer Präsentation sensorischer Informationen, die den ersten sensorischen Informationen entsprechen, am häufigsten erzeugt werden. Auf diese Weise ermittelt der konfigurierte Prozessor in Abhängigkeit von einer Stärke der Übereinstimmung der erhaltenen Elektroenzephalogrammsignale mit denjenigen aus der Mehrzahl von als erste sensorische Informationen gekennzeichneten trainierten Profilanteilen von Elektroenzephalogrammsignalen, die höchste häufigste Gewichtungen haben, ob es sich bei der Einheit um eine Person handelt.
Vorzugsweise stellt die vorliegende Erfindung ein Verfahren bereit, das außerdem aufweist: Erhalten von zweiten Elektroenzephalogrammsignalen von der Einheit in Reaktion darauf, dass der Einheit zweite sensorische Informationen präsentiert werden, die sich von den ersten sensorischen Informationen unterscheiden; Vergleichen der erhaltenen zweiten Elektroenzephalogrammsignale mit jedem aus einer Mehrzahl von als zweite sensorische Informationen gekennzeichneten trainierten Profilanteilen von Elektroenzephalogrammsignalen, wobei die Trainingssatzanteile der zweiten sensorischen Informationen, die als erste sensorische Informationen gekennzeichnet sind, Elektroenzephalogrammsignale darstellen, die in Abhängigkeit davon, dass den verschiedenen Personen sensorische Informationen präsentiert werden, die den zweiten sensorischen Informationen entsprechen, von der Mehrzahl verschiedener Personen am häufigsten erzeugt werden; und wobei das Ermitteln, ob es sich bei der Einheit um eine Person handelt, außerdem von einer Stärke der Übereinstimmung der erhaltenen zweiten Elektroenzephalogrammsignale mit am höchsten gewichteten aus der Mehrzahl von als zweite sensorische Informationen gekennzeichneten trainierten Profilanteilen von Elektroenzephalogrammsignalen abhängig ist.
Vorzugsweise stellt die vorliegende Erfindung ein Verfahren bereit, das außerdem aufweist: Feststellen, dass es sich bei der Einheit nicht um eine Person handelt, in Reaktion auf Feststellen, dass die erhaltenen ersten Elektroenzephalogrammsignale innerhalb eines angegebenen Genauigkeitswertes mit einem der trainierten Profilanteile von Elektroenzephalogrammsignalen, die als erste sensorische Informationen gekennzeichnet sind, übereinstimmen.
Vorzugsweise stellt die vorliegende Erfindung ein Verfahren bereit, das außerdem aufweist: Auswählen der ersten sensorischen Informationen, so dass sie mit einem Charakteristikum der Einheit übereinstimmen, das einem Charakteristikum der Mehrzahl verschiedener Personen gemein ist, wobei das Charakteristikum der Einheit aus der Gruppe ausgewählt wird, die aus demografischen Daten, Kundenkategorie, Stellenbeschreibung, Fähigkeiten und Arbeitgeberidentität besteht.
Vorzugsweise stellt die vorliegende Erfindung ein Verfahren bereit, das außerdem aufweist: Überprüfen, ob eine Eingabe der erhaltenen ersten Elektroenzephalogrammsignale der Einheit direkt von einem zugelassenen Gerät in Abhängigkeit von einem Prozess stammt, der aus der Gruppe bestehend aus Ausführen eines Skripts auf einem Endbenutzer-Gerät, das die Eingabe der Elektroenzephalogrammsignale der Einheit bereitstellt, und Ausführen einer Handshake-Routine im Endbenutzer-Gerät ausgewählt wird; und Feststellen, dass es sich bei der Einheit nicht um eine Person handelt, in Reaktion auf Feststellen eines Fehlschlagen des Überprüfens.
Vorzugsweise stellt die vorliegende Erfindung ein Verfahren bereit, das außerdem aufweist: Erhalten von Grundlinien-Elektroenzephalogrammsignalen der Einheit, während der Einheit sensorische Grundlinieninformationen präsentiert werden, die sich von den ersten sensorischen Informationen unterscheiden; Ermitteln eines Deltawertes als Differenz zwischen einem Wert eines Attributs der erhaltenen ersten Elektroenzephalogrammsignale und einem Wert des Attributs der erhaltenen Grundlinien-Elektroenzephalogrammsignale; wobei das Vergleichen der erhaltenen ersten Elektroenzephalogrammsignale mit jedem aus der Mehrzahl von trainierten Profilanteilen von Elektroenzephalogrammsignalen, die als erste sensorische Informationen gekennzeichnet sind, Vergleichen des ermittelten Deltawertes mit jedem aus einer Mehrzahl von als erste sensorische Informationen gekennzeichneten Delta-Profilanteilen von Elektroenzephalogrammsignalen aufweist, wobei die Mehrzahl von als erste sensorische Informationen gekennzeichneten Delta-Profilanteilen von Elektroenzephalogrammsignalen jeweils als Differenzen zwischen Elektroenzephalogrammsignalen ermittelt werden, die während eines Präsentierens der ersten sensorischen Informationen am häufigsten von denjenigen aus der Mehrzahl verschiedener Personen erhalten werden, im Verhältnis zu Grundlinien-Elektroenzephalogrammsignalen der Einheit, die am häufigsten von denjenigen aus der Mehrzahl verschiedener Personen während eines Präsentierens der sensorischen Grundlinieninformationen erhalten werden.
Vorzugsweise stellt die vorliegende Erfindung ein Verfahren bereit, wobei das Präsentieren der sensorischen Grundlinieninformationen eine Präsentationsphase „ohne Aktivität“ ist.
Vorzugsweise stellt die vorliegende Erfindung ein Verfahren bereit, das außerdem aufweist: Erhalten von ersten Trainings-Elektroenzephalogrammsignalen von einer ersten Person während eines ersten Trainingszeitraums, wobei die ersten Trainings-Elektroenzephalogrammsignale von der ersten Person in Reaktion darauf erzeugt werden, dass der ersten Person während des ersten Trainingszeitraums die ersten sensorischen Informationen präsentiert werden; Vergleichen der erhaltenen ersten Trainings-Elektroenzephalogrammsignale mit jedem aus der Mehrzahl von trainierten Profilanteilen von Elektroenzephalogrammsignalen, die als erste sensorische Informationen gekennzeichnet sind; und Gewichten von jedem aus der Mehrzahl von trainierten Profilanteilen von Elektroenzephalogrammsignalen, die als Trainingssatzanteile der ersten sensorischen Informationen gekennzeichnet sind, um häufigste Gewichtswerte in Reaktion auf Feststellen einer Ähnlichkeit mit Profilanteilen der erhaltenen ersten Trainings-Elektroenzephalogrammsignale zu erhöhen und um die häufigsten Gewichtswerte in Reaktion auf Feststellen einer Verschiedenheit zu den Profilanteilen der erhaltenen ersten Trainings-Elektroenzephalogrammsignale zu verringern.
Vorzugsweise stellt die vorliegende Erfindung ein Verfahren bereit, das außerdem aufweist: Trainieren der Mehrzahl von als erste sensorische Informationen gekennzeichneten trainierten Profilanteilen von Elektroenzephalogrammsignalen durch iteratives Wiederholen für jede aus einer Mehrzahl neuer Personen, bis festgestellt wird, dass eine Schwellenanzahl von denjenigen als erste sensorische Informationen gekennzeichneten Trainingssatzanteile, die höchste häufigste Gewichte haben, einen Schwellengewichtungswert haben: Erhalten von Trainings-Elektroenzephalogrammsignalen einer neuen Person in Reaktion darauf, dass jeder neuen Person während erster Trainingszeiträume die ersten sensorischen Informationen präsentiert werden; Vergleichen der erhaltenen Trainings-Elektroenzephalogrammsignale der neuen Person mit jedem aus der Mehrzahl von trainierten Profilanteilen von Elektroenzephalogrammsignalen, die als Trainingssatzanteile der ersten sensorischen Informationen gekennzeichnet sind; und Prüfen der Gewichtung von jedem aus der Mehrzahl von trainierten Profilanteilen von Elektroenzephalogrammsignalen, die als Trainingssatzanteile der ersten sensorischen Informationen gekennzeichnet sind, um häufigste Gewichtswerte in Reaktion auf Feststellen einer Ähnlichkeit mit Profilanteilen der erhaltenen Trainings-Elektroenzephalogrammsignale einer neuen Person zu erhöhen und um die häufigsten Gewichtswerte in Reaktion auf Feststellen einer Verschiedenheit zu den Profilanteilen der erhaltenen Trainings-Elektroenzephalogrammsignale einer neuen Person zu verringern.
Vorzugsweise stellt die vorliegende Erfindung ein Verfahren bereit, das außerdem aufweist: Integrieren eines durch einen Computer lesbaren Programmcodes in ein Computersystem, das einen Prozessor, einen durch einen Computer lesbaren Speicher in Schaltverbindung mit dem Prozessor und ein durch einen Computer lesbares Speichermedium in Schaltungsverbindung mit dem Prozessor aufweist; und wobei der Prozessor Programmcodeanweisungen, die auf dem durch einen Computer lesbaren Speichermedium gespeichert sind, über den durch einen Computer lesbaren Speicher ausführt und dabei ausführt: Erhalten der Elektroenzephalogrammsignale von der Einheit, während der Einheit erste sensorische Informationen präsentiert werden, Vergleichen der erhaltenen Elektroenzephalogrammsignale mit jedem aus der Mehrzahl von trainierten Profilanteilen von Elektroenzephalogrammsignalen, die als erste sensorische Informationen gekennzeichnet sind, und Ermitteln, ob es sich bei der Einheit um eine Person handelt, in Abhängigkeit von der Stärke der Übereinstimmung der erhaltenen Elektroenzephalogrammsignale mit solchen aus der Mehrzahl von als erste sensorische Informationen gekennzeichneten trainierten Profilanteilen von Elektroenzephalogrammsignalen, die die höchsten häufigsten Gewichtungen haben.
Vorzugsweise stellt die vorliegende Erfindung ein Verfahren bereit, wobei der durch einen Computer lesbare Programmcode als ein Dienst in einer Cloud-Umgebung bereitgestellt wird.
Unter einem anderen Aspekt hat ein System einen Hardware-Prozessor in Schaltungsverbindung mit einem durch einen Computer lesbaren Speicher und einem durch einen Computer lesbaren Speichermedium mit darauf gespeicherten Programmanweisungen. Der Prozessor führt die auf dem Speichermedium gespeicherten Programmanweisungen über den durch einen Computer lesbaren Speicher aus und ist dabei so konfiguriert, dass er Elektroenzephalogrammsignale aus einer Einheit erhält, während der Einheit erste sensorische Informationen präsentiert werden. Der konfigurierte Prozessor vergleicht die erhaltenen Elektroenzephalogrammsignale mit jedem aus einer Mehrzahl von trainierten Profilanteilen von Elektroenzephalogrammsignalen, die als erste sensorische Informationen gekennzeichnet sind, wobei die als erste sensorische Informationen gekennzeichneten Profilanteile von Elektroenzephalogrammsignalen Elektroenzephalogrammsignale darstellen, die von einer Mehrzahl verschiedener Personen in Abhängigkeit davon, dass den verschiedenen Personen sensorische Informationen präsentiert werden, die den ersten sensorischen Informationen entsprechen, am häufigsten erzeugt werden. Auf diese Weise ermittelt der Prozessor in Abhängigkeit von einer Stärke der Übereinstimmung der erhaltenen Elektroenzephalogrammsignale mit solchen aus der Mehrzahl von als erste sensorische Informationen gekennzeichneten trainierten Profilanteilen von Elektroenzephalogrammsignalen, die höchste häufigste Gewichtungen haben, ob es sich bei der Einheit um eine Person handelt.
Vorzugsweise stellt die vorliegende Erfindung ein System bereit, in dem der Prozessor die auf dem durch einen Computer lesbaren Speichermedium gespeicherten Programmanweisungen über den durch einen Computer lesbaren Speicher ausführt und dabei: zweite Elektroenzephalogrammsignale von der Einheit in Reaktion darauf erhält, dass der Einheit zweite sensorische Informationen präsentiert werden, die sich von den ersten sensorischen Informationen unterscheiden; die erhaltenen zweiten Elektroenzephalogrammsignale mit jedem aus einer Mehrzahl von als zweite sensorische Informationen gekennzeichneten trainierten Profilanteilen von Elektroenzephalogrammsignalen vergleicht, wobei die Trainingssatzanteile der zweiten sensorischen Informationen, die als erste sensorische Informationen gekennzeichnet sind, Elektroenzephalogrammsignale darstellen, die von der Mehrzahl verschiedener Personen in Abhängigkeit davon, dass den verschiedenen Personen sensorische Informationen präsentiert werden, die den zweiten sensorischen Informationen entsprechen, am häufigsten erzeugt werden; und ermittelt in Abhängigkeit von einer Stärke der Übereinstimmung der erhaltenen zweiten Elektroenzephalogrammsignale mit am höchsten gewichteten aus der Mehrzahl von als zweite sensorische Informationen gekennzeichneten trainierten Profilanteilen von Elektroenzephalogrammsignalen, ob es sich bei der Einheit um eine Person handelt.
Vorzugsweise stellt die vorliegende Erfindung ein System bereit, in dem der Prozessor die auf dem durch einen Computer lesbaren Speichermedium gespeicherten Programmanweisungen über den durch einen Computer lesbaren Speicher ausführt und dabei: Grundlinien-Elektroenzephalogrammsignale der Einheit von der Einheit erhält, während der Einheit sensorische Grundlinieninformationen präsentiert werden, die sich von den ersten sensorischen Informationen unterscheiden; einen Deltawert als Differenz zwischen einem Wert eines Attributs der erhaltenen ersten Elektroenzephalogrammsignale und einem Wert des Attributs der erhaltenen Grundlinien-Elektroenzephalogrammsignale ermittelt; und die erhaltenen ersten Elektroenzephalogrammsignale mit jedem aus der Mehrzahl von als erste sensorische Informationen gekennzeichneten trainierten Profilanteilen von Elektroenzephalogrammsignalen vergleicht, indem der ermittelte Deltawert mit jedem aus einer Mehrzahl von Delta-Profilanteilen von Elektroenzephalogrammsignalen verglichen wird, die als erste sensorische Informationen gekennzeichnet sind, wobei die Mehrzahl von Delta-Profilanteilen von Elektroenzephalogrammsignalen, die als erste sensorische Informationen gekennzeichnet sind, jeweils als Differenzen zwischen Elektroenzephalogrammsignalen, die während des Präsentierens der ersten sensorischen Informationen am häufigsten von denjenigen aus der Mehrzahl verschiedener Personen erhalten wurden, im Vergleich zu Grundlinien-Elektroenzephalogrammsignalen der Einheit ermittelt werden, die während des Präsentierens der sensorischen Grundlinieninformationen am häufigsten von denjenigen aus der Mehrzahl verschiedener Personen erhalten wurden.
Vorzugsweise stellt die vorliegende Erfindung ein System bereit, in dem der Prozessor die auf dem durch einen Computer lesbaren Speichermedium gespeicherten Programmanweisungen über den durch einen Computer lesbaren Speicher ausführt und dabei: erste Trainings-Elektroenzephalogrammsignale von einer ersten Person während eines ersten Trainingszeitraums erhält, wobei die ersten Trainings-Elektroenzephalogrammsignale von der ersten Person in Reaktion darauf erzeugt werden, dass der ersten Person während des ersten Trainingszeitraums die ersten sensorischen Informationen präsentiert werden; die erhaltenen ersten Trainings-Elektroenzephalogrammsignale mit jedem aus der Mehrzahl von trainierten Profilanteilen von Elektroenzephalogrammsignalen vergleicht, die als erste sensorische Informationen gekennzeichnet sind; und jeden aus der Mehrzahl von als Trainingssatzanteile der ersten sensorischen Informationen gekennzeichneten trainierten Profilanteilen von Elektroenzephalogrammsignalen gewichtet, um häufigste Gewichtswerte in Reaktion auf Feststellen einer Ähnlichkeit mit Profilanteilen der erhaltenen ersten Trainings-Elektroenzephalogrammsignale zu erhöhen und die häufigsten Gewichtswerte in Reaktion auf Feststellen einer Verschiedenheit zu den Profilanteilen der erhaltenen ersten Trainings-Elektroenzephalogrammsignale zu verringern.
Unter einem anderen Aspekt hat ein Computerprogrammprodukt für einen Personendetektor auf der Grundlage einer neuronalen Antwort ein durch einen Computer lesbares Speichermedium mit einem darin enthaltenen durch einen Computer lesbaren Programmcode. Das durch einen Computer lesbare Hardware-Medium ist kein flüchtiges Signal an sich. Der durch einen Computer lesbare Programmcode enthält Anweisungen zum Ausführen, die den Prozessor veranlassen, Elektroenzephalogrammsignale von einer Einheit zu erhalten, während der Einheit erste sensorische Informationen präsentiert werden. Der Prozessor wird veranlasst, die erhaltenen Elektroenzephalogrammsignale mit jedem aus einer Mehrzahl von trainierten Profilanteilen von Elektroenzephalogrammsignalen zu vergleichen, die als erste sensorische Informationen gekennzeichnet sind, wobei die als erste sensorische Informationen gekennzeichneten Profilanteile von Elektroenzephalogrammsignalen Elektroenzephalogrammsignale darstellen, die von einer Mehrzahl verschiedener Personen in Abhängigkeit davon am häufigsten erzeugt werden, dass den verschiedenen Personen sensorische Informationen präsentiert werden, die den ersten sensorischen Informationen entsprechen. Auf diese Weise wird der Prozessor veranlasst, in Abhängigkeit von einer Stärke der Übereinstimmung der erhaltenen Elektroenzephalogrammsignale mit denjenigen aus der Mehrzahl von als erste sensorische Informationen gekennzeichneten trainierten Profilanteilen von Elektroenzephalogrammsignalen, die die höchste häufigste Gewichtungen haben, zu ermitteln, ob es sich bei der Einheit um eine Person handelt.
Vorzugsweise stellt die vorliegende Erfindung ein Computerprogrammprodukt bereit, wobei die durch einen Computer lesbaren Programmcodeanweisungen zum Ausführen durch den Prozessor den Prozessor außerdem veranlassen zum: Erhalten von zweiten Elektroenzephalogrammsignalen von der Einheit in Reaktion darauf, dass der Einheit zweite sensorische Informationen präsentiert werden, die sich von den ersten sensorischen Informationen unterscheiden; Vergleichen der erhaltenen zweiten Elektroenzephalogrammsignale mit jedem aus einer Mehrzahl von als zweite sensorische Informationen gekennzeichneten trainierten Profilanteilen von Elektroenzephalogrammsignalen, wobei die Trainingssatzanteile der zweiten sensorischen Informationen, die als erste sensorische Informationen gekennzeichnet sind, Elektroenzephalogrammsignale darstellen, die von der Mehrzahl verschiedener Personen in Abhängigkeit davon am häufigsten erzeugt werden, dass den verschiedenen Personen sensorische Informationen präsentiert werden, die den zweiten sensorischen Informationen entsprechen; und Ermitteln, ob es sich bei der Einheit um eine Person handelt, in Abhängigkeit von einer Stärke der Übereinstimmung der erhaltenen zweiten Elektroenzephalogrammsignale mit am höchsten gewichteten aus der Mehrzahl von trainierten Profilanteilen von Elektroenzephalogrammsignalen, die als zweite sensorische Informationen gekennzeichnet sind.
Vorzugsweise stellt die vorliegende Erfindung ein Computerprogrammprodukt bereit, wobei die durch einen Computer lesbaren Programmcodeanweisungen zum Ausführen durch den Prozessor den Prozessor außerdem veranlassen zum: Erhalten von Grundlinien-Elektroenzephalogrammsignalen der Einheit von der Einheit, während der Einheit sensorische Grundlinieninformationen präsentiert werden, die sich von den ersten sensorischen Informationen unterscheiden; Ermitteln eines Deltawertes als Differenz zwischen einem Wert eines Attributs der erhaltenen ersten Elektroenzephalogrammsignale und einem Wert des Attributs der erhaltenen Grundlinien-Elektroenzephalogrammsignale; und Vergleichen der erhaltenen ersten Elektroenzephalogrammsignale mit jedem aus der Mehrzahl von als erste sensorische Informationen gekennzeichneten trainierten Profilanteilen von Elektroenzephalogrammsignalen durch Vergleichen des ermittelten Deltawertes mit jedem aus einer Mehrzahl von Delta-Profilanteilen von Elektroenzephalogrammsignalen, die als erste sensorische Informationen gekennzeichnet sind, wobei die Mehrzahl von Delta-Profilanteilen von Elektroenzephalogrammsignalen, die als erste sensorische Informationen gekennzeichnet sind, jeweils als Differenzen zwischen Elektroenzephalogrammsignalen ermittelt werden, die während des Präsentierens der ersten sensorischen Informationen am häufigsten von denjenigen aus der Mehrzahl verschiedener Personen erhalten wurden, im Verhältnis zu Grundlinien-Elektroenzephalogrammsignalen der Einheit, die während des Präsentierens der sensorischen Grundlinieninformationen am häufigsten von denjenigen aus der Mehrzahl verschiedener Personen erhalten wurden.
Vorzugsweise stellt die vorliegende Erfindung ein Computerprogrammprodukt bereit, wobei die durch einen Computer lesbaren Programmcodeanweisungen zum Ausführen durch den Prozessor den Prozessor außerdem veranlassen zum: Erhalten von ersten Trainings-Elektroenzephalogrammsignalen von einer ersten Person während eines ersten Trainingszeitraums, wobei die ersten Trainings-Elektroenzephalogrammsignale von der ersten Person in Reaktion darauf erzeugt werden, dass der ersten Person während des ersten Trainingszeitraums die ersten sensorischen Informationen präsentiert werden; Vergleichen der erhaltenen ersten Trainings-Elektroenzephalogrammsignale mit jedem aus der Mehrzahl von trainierten Profilanteilen von Elektroenzephalogrammsignalen, die als erste sensorische Informationen gekennzeichnet sind; und Gewichten von jedem aus der Mehrzahl von trainierten Profilanteilen von Elektroenzephalogrammsignalen, die als Trainingssatzanteile der ersten sensorischen Informationen gekennzeichnet sind, um häufigste Gewichtswerte in Reaktion auf Feststellen einer Ähnlichkeit mit Profilanteilen der erhaltenen ersten Trainings-Elektroenzephalogrammsignale zu erhöhen und um die häufigsten Gewichtswerte in Reaktion auf Feststellen einer Verschiedenheit zu den Profilanteilen der erhaltenen ersten Trainings-Elektroenzephalogrammsignale zu verringern.
Vorzugsweise stellt die vorliegende Erfindung ein Computerprogrammprodukt bereit, wobei die durch einen Computer lesbaren Programmcodeanweisungen zum Ausführen durch den Prozessor den Prozessor außerdem veranlassen zum: Trainieren der Mehrzahl von trainierten Profilanteilen von Elektroenzephalogrammsignalen, die als erste sensorische Informationen gekennzeichnet sind, durch iteratives Wiederholen für jede aus einer Mehrzahl neuer Personen, bis festgestellt wird, dass eine Schwellenanzahl von denjenigen aus den als erste sensorische Informationen gekennzeichneten Trainingssatzanteilen, die höchste häufigste Gewichte haben, einen Schwellengewichtswert hat: Erhalten von Trainings-Elektroenzephalogrammsignalen einer neuen Person, die in Reaktion darauf, dass jeder neuen Person während erster Trainingszeiträume die ersten sensorischen Informationen präsentiert werden, von jeder neuen Person erzeugt werden; Vergleichen der erhaltenen Trainings-Elektroenzephalogrammsignale einer neuen Person mit jedem aus einer Mehrzahl von trainierten Profilanteilen von Elektroenzephalogrammsignalen, die als Trainingssatzanteile der ersten sensorischen Informationen gekennzeichnet sind; und Prüfen der Gewichtung von jedem aus der Mehrzahl der trainierten Profilanteilen von Elektroenzephalogrammsignalen, die als Trainingssatzanteile der ersten sensorischen Informationen gekennzeichnet sind, um in Reaktion auf Feststellen einer Ähnlichkeit mit Profilanteilen der erhaltenen Trainings-Elektroenzephalogrammsignale einer neuen Person häufigste Gewichtswerte zu erhöhen und in Reaktion auf Feststellen einer Verschiedenheit zu den Profilanteilen der erhaltenen Trainings-Elektroenzephalogrammsignale einer neuen Person die häufigsten Gewichtswerte zu verringern.
Figurenliste
Diese und andere Merkmale von Ausführungsformen der vorliegenden Erfindung werden aus der folgenden ausführlichen Beschreibung der verschiedenen Aspekte der Erfindung besser verstanden, wenn sie in Verbindung mit den beigefügten Zeichnungen betrachtet werden, in denen:

1 eine Cloud-Computing-Umgebung gemäß einer Ausführungsform der vorliegenden Erfindung zeigt.
2 Abstraktionsmodellschichten gemäß einer Ausführungsform der vorliegenden Erfindung zeigt.
3 einen computergesteuerten Aspekt gemäß einer Ausführungsform der vorliegenden Erfindung zeigt.
4 eine Ablaufplandarstellung einer Ausführungsform der vorliegenden Erfindung ist.
5 eine grafische Darstellung eines Elektroenzephalogramm-Kurvenverlaufs ist.
6 eine Ablaufplandarstellung einer Ausführungsform der vorliegenden Erfindung ist.
7 eine Ablaufplandarstellung einer Ausführungsform der vorliegenden Erfindung ist.
8 eine Ablaufplandarstellung einer Ausführungsform der vorliegenden Erfindung ist.

AUSFÜHRLICHE BESCHREIBUNG
Bei der vorliegenden Erfindung kann es sich um ein System, ein Verfahren und/oder ein Computerprogrammprodukt mit jedem möglichen technischen Integrationsgrad handeln. Das Computerprogrammprodukt kann (ein) durch einen Computer lesbare(s) Speichermedium (oder -medien) enthalten, auf dem/denen durch einen Computer lesbare Programmanweisungen gespeichert ist/sind, um einen Prozessor dazu zu veranlassen, Aspekte der vorliegenden Erfindung auszuführen.
Bei dem durch einen Computer lesbaren Speichermedium kann es sich um eine physische Einheit handeln, die Anweisungen zur Verwendung durch eine Einheit zum Ausführen von Anweisungen behalten und speichern kann. Bei dem durch einen Computer lesbaren Speichermedium kann es sich zum Beispiel um eine elektronische Speichereinheit, eine magnetische Speichereinheit, eine optische Speichereinheit, eine elektromagnetische Speichereinheit, eine Halbleiterspeichereinheit oder jede geeignete Kombination daraus handeln, ohne auf diese beschränkt zu sein. Zu einer nicht erschöpfenden Liste spezifischerer Beispiele des durch einen Computer lesbaren Speichermediums gehören die Folgenden: eine tragbare Computerdiskette, eine Festplatte, ein Direktzugriffsspeicher (RAM), ein Nur-Lese-Speicher (ROM), ein löschbarer programmierbarer Nur-Lese-Speicher (EPROM bzw. Flash-Speicher), ein statischer Direktzugriffsspeicher (SRAM), ein tragbarer Kompaktspeicherplatte-Nur-Lese-Speicher (CD-ROM), eine DVD (digital versatile disc), ein Speicher-Stick, eine Diskette, eine mechanisch codierte Einheit wie zum Beispiel Lochkarten oder gehobene Strukturen in einer Rille, auf denen Anweisungen gespeichert sind, und jede geeignete Kombination daraus. Ein durch einen Computer lesbares Speichermedium soll in der Verwendung hierin nicht als flüchtige Signale an sich aufgefasst werden, wie zum Beispiel Funkwellen oder andere sich frei ausbreitende elektromagnetische Wellen, elektromagnetische Wellen, die sich durch einen Wellenleiter oder ein anderes Übertragungsmedium ausbreiten (z.B. ein Lichtwellenleiterkabel durchlaufende Lichtimpulse) oder durch einen Draht übertragene elektrische Signale.
Hierin beschriebene, durch einen Computer lesbare Programmanweisungen können von einem durch einen Computer lesbaren Speichermedium auf jeweilige Datenverarbeitungs/Verarbeitungs-Einheiten oder über ein Netzwerk wie zum Beispiel das Internet, ein lokales Netzwerk, ein Weitverkehrsnetz und/oder ein drahtloses Netzwerk auf einen externen Computer oder eine externe Speichereinheit heruntergeladen werden. Das Netzwerk kann Kupferübertragungskabel, Lichtwellenübertragungsleiter, drahtlose Übertragung, Leitwegrechner, Firewalls, Vermittlungseinheiten, Gateway-Computer und/oder Edge-Server aufweisen. Eine Netzwerkadapterkarte oder Netzwerkschnittstelle in jeder Datenverarbeitungs/Verarbeitungs-Einheit empfängt durch einen Computer lesbare Programmanweisungen aus dem Netzwerk und leitet die durch einen Computer lesbaren Programmanweisungen zum Speichern in einem durch einen Computer lesbaren Speichermedium innerhalb der entsprechenden Datenverarbeitungs/Verarbeitungs-Einheit weiter.
Bei durch einen Computer lesbaren Programmanweisungen zum Ausführen von Arbeitsschritten der vorliegenden Erfindung kann es sich um Assembler-Anweisungen, ISA-Anweisungen (Instruction-Set-Architecture), Maschinenanweisungen, maschinenabhängige Anweisungen, Mikrocode, Firmware-Anweisungen, zustandssetzende Daten oder entweder Quellcode oder Objektcode handeln, die in einer beliebigen Kombination aus einer oder mehreren Programmiersprachen geschrieben werden, darunter objektorientierte Programmiersprachen wie Smalltalk, C++ o.ä. sowie herkömmliche prozedurale Programmiersprachen wie die Programmiersprache „C“ oder ähnliche Programmiersprachen. Die durch einen Computer lesbaren Programmanweisungen können vollständig auf dem Computer des Benutzers, teilweise auf dem Computer des Benutzers, als eigenständiges Software-Paket, teilweise auf dem Computer des Benutzers und teilweise auf einem fernen Computer oder vollständig auf dem fernen Computer oder Server ausgeführt werden. In letzterem Fall kann der entfernt angeordnete Computer mit dem Computer des Benutzers durch eine beliebige Art Netzwerk verbunden sein, darunter ein lokales Netzwerk (LAN) oder ein Weitverkehrsnetz (WAN), oder die Verbindung kann mit einem externen Computer hergestellt werden (zum Beispiel über das Internet unter Verwenden eines Internet-Dienstanbieters). In einigen Ausführungsformen können elektronische Schaltungen, darunter zum Beispiel programmierbare Logikschaltungen, vor Ort programmierbare Gatter-Anordnungen (FPGA, field programmable gate arrays) oder programmierbare Logikanordnungen (PLA, programmable logic arrays) die durch einen Computer lesbaren Programmanweisungen ausführen, indem sie Zustandsinformationen der durch einen Computer lesbaren Programmanweisungen nutzen, um die elektronischen Schaltungen zu personalisieren, um Aspekte der vorliegenden Erfindung durchzuführen.
Aspekte der vorliegenden Erfindung sind hierin unter Bezugnahme auf Ablaufpläne und/oder Blockschaltbilder bzw. Schaubilder von Verfahren, Vorrichtungen (Systemen) und Computerprogrammprodukten gemäß Ausführungsformen der Erfindung beschrieben. Es versteht sich von selbst, dass jeder Block der Ablaufpläne und/oder der Blockschaltbilder bzw. Schaubilder sowie Kombinationen von Blöcken in den Ablaufplänen und/oder den Blockschaltbildern bzw. Schaubildern mittels durch einen Computer lesbaren Programmanweisungen ausgeführt werden können.
Diese durch einen Computer lesbaren Programmanweisungen können einem Prozessor eines Universalcomputers, eines Spezialcomputers oder einer anderen programmierbaren Datenverarbeitungsvorrichtung bereitgestellt werden, um eine Maschine zu erzeugen, so dass die über den Prozessor des Computers bzw. der anderen programmierbaren Datenverarbeitungsvorrichtung ausgeführten Anweisungen ein Mittel zur Umsetzung der in dem Block bzw. den Blöcken der Ablaufpläne und/oder der Blockschaltbilder bzw. Schaubilder festgelegten Funktionen/Schritte erzeugen. Diese durch einen Computer lesbaren Programmanweisungen können auch auf einem durch einen Computer lesbaren Speichermedium gespeichert sein, das einen Computer, eine programmierbare Datenverarbeitungsvorrichtung und/oder andere Einheiten so steuern kann, dass sie auf eine bestimmte Art funktionieren, so dass das durch einen Computer lesbare Speichermedium, auf dem Anweisungen gespeichert sind, ein Herstellungsprodukt aufweist, darunter Anweisungen, welche Aspekte der/des in dem Block bzw. den Blöcken des Ablaufplans und/oder der Blockschaltbilder bzw. Schaubilder angegebenen Funktion/Schritts umsetzen.
Die durch einen Computer lesbaren Programmanweisungen können auch auf einen Computer, eine andere programmierbare Datenverarbeitungsvorrichtung oder eine andere Einheit geladen werden, um das Ausführen einer Reihe von Prozessschritten auf dem Computer bzw. der anderen programmierbaren Vorrichtung oder anderen Einheit zu verursachen, um einen auf einem Computer ausgeführten Prozess zu erzeugen, so dass die auf dem Computer, einer anderen programmierbaren Vorrichtung oder einer anderen Einheit ausgeführten Anweisungen die in dem Block bzw. den Blöcken der Ablaufpläne und/oder der Blockschaltbilder bzw. Schaubilder festgelegten Funktionen/Schritte umsetzen.
Die Ablaufpläne und die Blockschaltbilder bzw. Schaubilder in den Figuren veranschaulichen die Architektur, die Funktionalität und den Betrieb möglicher Ausführungen von Systemen, Verfahren und Computerprogrammprodukten gemäß verschiedenen Ausführungsformen der vorliegenden Erfindung. In diesem Zusammenhang kann jeder Block in den Ablaufplänen oder Blockschaltbildern bzw. Schaubildern ein Modul, ein Segment oder einen Teil von Anweisungen darstellen, die eine oder mehrere ausführbare Anweisungen zum Ausführen der bestimmten logischen Funktion(en) aufweisen. In einigen alternativen Ausführungen können die in dem Block angegebenen Funktionen in einer anderen Reihenfolge als in den Figuren gezeigt stattfinden. Zwei nacheinander gezeigte Blöcke können zum Beispiel in Wirklichkeit im Wesentlichen gleichzeitig ausgeführt werden, oder die Blöcke können manchmal je nach entsprechender Funktionalität in umgekehrter Reihenfolge ausgeführt werden. Es ist ferner anzumerken, dass jeder Block der Blockschaltbilder bzw. Schaubilder und/oder der Ablaufpläne sowie Kombinationen aus Blöcken in den Blockschaltbildern bzw. Schaubildern und/oder den Ablaufplänen durch spezielle auf Hardware beruhende Systeme umgesetzt werden können, welche die festgelegten Funktionen oder Schritte durchführen, oder Kombinationen aus Spezial-Hardware und Computeranweisungen ausführen.
Zwar umfasst diese Beschreibung eine ausführliche Beschreibung von Cloud-Computing, es sollte jedoch von vornherein klar sein, dass Implementierungen der hierin wiedergegebenen Lehre nicht auf eine Cloud-Computing-Umgebung beschränkt sind. Vielmehr können Ausführungsformen der vorliegenden Erfindung in Verbindung mit einem beliebigen anderen Typ von gegenwärtig bekannter oder zu einem späteren Zeitpunkt entwickelter Datenverarbeitungsumgebung implementiert werden.
Cloud-Computing ist ein Dienstleistungsmodell, das einen komfortablen und bedarfsorientierten Netzwerkzugang zu einem gemeinsam genutzten Pool von konfigurierbaren Datenverarbeitungs-Ressourcen ermöglicht (z.B. Netzwerke, Netzwerk-Bandbreite, Server, Verarbeitung, Speicher, Speicherplatz, Anwendungen, virtuelle Maschinen und Dienste), die mit minimalem Verwaltungsaufwand bzw. minimaler Interaktion mit einem Anbieter des Dienstes schnell zur Verfügung gestellt und freigegeben werden können. Dieses Cloud-Modell kann mindestens fünf Charakteristika, mindestens drei Dienstmodelle und mindestens vier Bereitstellungsmodelle umfassen.
Bei den Charakteristika handelt es sich um die folgenden:

Bedarfsorientierte Selbstbedienung (on-demand self-service): Ein Cloud-Kunde kann je nach Bedarf einseitig Datenverarbeitungs-Ressourcen wie Server-Zeit und Netzspeicher automatisch in Anspruch nehmen, ohne dass eine menschengeführte Interaktion mit dem Anbieter des Dienstes erforderlich ist.

Allgemeiner Netzzugriff (broad network access): Ressourcen sind über ein Netzwerk verfügbar und über Standardmechanismen zugänglich, die eine Verwendung durch heterogene Thin- oder Thick-Client-Plattformen (z.B. Mobiltelefone, Laptops und PDAs) unterstützen.
Ressourcen-Bündelung (resource Pooling): Die Datenverarbeitungs-Ressourcen des Anbieters werden gebündelt, um mehreren Kunden zu dienen, wobei ein Multi-Tenant-Modells verwendet wird, bei dem verschiedene physische und virtuelle Ressourcen entsprechend dem Bedarf dynamisch zugewiesen und erneut zugewiesen werden. Es besteht insofern eine gewisse Unabhängigkeit vom Standort, als der Kunde im Allgemeinen keine Kontrolle über den bzw. Kenntnis vom genauen Standort der bereitgestellten Ressourcen hat, den Standort jedoch auf einer höheren Abstraktionsebene (z.B. Region, Staat oder Datenzentrum) festlegen kann.
Schnelle Anpassungsfähigkeit (rapid elasticity): Ressourcen können rasch und anpassungsfähig, in einigen Fällen automatisch, bereitgestellt werden, um schnell eine Erweiterungsmöglichkeit (scale out) zu bieten, und rasch wieder freigegeben werden, wodurch eine schnelle Reduzierung (scale in) geboten wird. Aus Sicht des Kunden scheinen die zur Bereitstellung verfügbaren Ressourcen oftmals unbegrenzt zu sein und können in beliebiger Menge zu einem beliebigen Zeitpunkt erworben werden.
Dienst für nutzungsabhängige Abrechnung (measured service): Cloud-Systeme steuern und optimieren die Ressourcen-Nutzung automatisch durch Einsatz einer Messfunktion auf einer Abstraktionsebene, die für den Typ des Dienstes (z.B. Speicherplatz, Verarbeitung, Bandbreite sowie aktive Benutzerkonten) geeignet ist. Die Ressourcen-Nutzung kann überwacht, gesteuert und aufgezeichnet werden, wobei sowohl für den Anbieter als auch für den Abnehmer des verwendeten Dienstes Transparenz gegeben ist.
Bei den Dienstmodellen handelt es sich um die Folgenden:

Software als Dienstleistung (Software as a Service, SaaS): Die für den Kunden bereitgestellte Funktionalität besteht in der Nutzung der in einer Cloud-Infrastruktur ausgeführten Anwendungen des Anbieters. Auf die Anwendungen kann von verschiedenen Client-Einheiten durch eine Thin-Client-Schnittstelle wie einen Web-Browser (z.B. auf dem Web beruhende eMail) zugegriffen werden. Der Kunde verwaltet bzw. steuert nicht die zugrunde liegende Cloud-Infrastruktur, darunter Netzwerk, Server, Betriebssysteme, Speicherplatz oder sogar einzelne Anwendungsmöglichkeiten, mit der möglichen Ausnahme begrenzter benutzerspezifischer Anwendungskonfigurationseinstellungen.

Plattform als Dienstleistung (Platform as a Service, PaaS): Die für den Kunden bereitgestellte Funktionalität besteht in der Verwendung von vom Kunden erstellten oder angeforderten Anwendungen, die unter Verwenden von vom Anbieter unterstützten Programmiersprachen und Hilfsprogrammen erzeugt werden, in der Cloud-Infrastruktur. Der Kunde verwaltet oder steuert nicht die zugrundeliegende Cloud-Infrastruktur, darunter Netze, Server, Betriebssysteme oder Speicherplatz, hat jedoch die Kontrolle über die eingesetzten Anwendungen und möglicherweise über Konfigurationen der Hosting-Umgebung der Anwendung.
Infrastruktur als Dienstleistung (Infrastructure as a Service, laaS): Die für den Kunden bereitgestellte Funktionalität besteht in der Bereitstellung von Datenverarbeitung, Speicherplatz, Netzwerken und anderen grundlegenden Datenverarbeitungs-Ressourcen, wobei der Kunde eine beliebige Software einsetzen und ausführen kann, die Betriebssysteme und Anwendungen umfassen kann. Der Kunde verwaltet oder steuert nicht die zugrunde liegende Cloud-Infrastruktur, hat jedoch die Kontrolle über Betriebssysteme, Speicherplatz, eingesetzte Anwendungen und möglicherweise eine begrenzte Kontrolle über die Auswahl von Netzwerkkomponenten (z.B. Host-Firewalls).
Bei den Einsatzmodellen handelt es sich um die folgenden:

Private Cloud: Die Cloud-Infrastruktur wird einzig und allein für eine Organisation betrieben. Sie kann durch die Organisation selbst oder einen Dritten verwaltet werden und kann sich in den eigenen Räumen oder in fremden Räumen befinden.

Gemeinschaftliche Cloud (community cloud): Die Cloud-Infrastruktur wird von mehreren Organisationen gemeinsam genutzt und unterstützt eine spezielle Benutzergemeinschaft mit gemeinsamen Interessen (z.B. Zielsetzung, Sicherheitsanforderungen, Strategie- und Konformitätsüberlegungen). Sie kann durch die Organisationen oder einen Dritten verwaltet werden und kann sich in den eigenen Räumen oder fremden Räumen befinden.
Öffentliche Cloud (public cloud): Die Cloud-Infrastruktur wird der Allgemeinheit oder einer großen Industriegruppe zur Verfügung gestellt und ist im Besitz einer Organisation, die Cloud-Dienste verkauft.
Kombinierte Cloud (hybrid cloud): Die Cloud-Infrastruktur setzt sich aus zwei oder mehreren Clouds (privat, gemeinschaftlich oder öffentlich) zusammen die eigenständige Einheiten bleiben, jedoch durch eine standardisierte oder firmeneigene Technologie, die die Übertragbarkeit von Daten und Anwendungen ermöglicht, miteinander verbunden sind (z.B. Cloud-Zielgruppenverteilung für eine Auslastungsverteilung zwischen Clouds).
Eine Cloud-Computing-Umgebung ist dienstleistungsorientiert mit Fokus auf Statusunabhängigkeit, loser Kopplung, Modularität und semantischer Interoperabilität. Den Kern des Cloud-Computing bildet eine Infrastruktur, die ein Netzwerk aus miteinander verbundenen Knoten aufweist.
Unter Bezugnahme auf 1 ist eine veranschaulichende Cloud-Computing-Umgebung 50 abgebildet. Wie gezeigt ist, weist die Cloud-Computing-Umgebung 50 einen oder mehrere Cloud-Computing-Knoten 10 auf, mit denen von Cloud-Nutzern verwendete lokale Datenverarbeitungseinheiten wie der elektronische Assistent (PDA, personal digital assistant) oder das Mobiltelefon 54A, der Desktop-Computer 54B, der Laptop-Computer 54C und/oder das Automobil-Computer-System 54N Daten austauschen können. Die Knoten 10 können miteinander Daten austauschen. Sie können physisch oder virtuell in ein oder mehrere Netzwerke wie private, gemeinschaftliche, öffentliche oder kombinierte Clouds gruppiert werden (nicht gezeigt), wie vorstehend beschrieben wurde, oder in eine Kombination daraus. Dies ermöglicht es der Cloud-Computing-Umgebung 50, Infrastruktur, Plattformen und/oder Software als Dienstleistung anzubieten, für die ein Cloud-Nutzer keine Ressourcen auf einer lokalen Datenverarbeitungseinheit vorhalten muss. Es sei darauf hingewiesen, dass die Arten von in 1 gezeigten Datenverarbeitungseinheiten 54A bis N lediglich veranschaulichend sein sollen und dass die Datenverarbeitungsknoten 10 und die Cloud-Computing-Umgebung 50 über eine beliebige Art Netzwerk und/oder über eine beliebige Art von über ein Netzwerk aufrufbarer Verbindung (z.B. unter Verwendung eines Web-Browsers) mit einer beliebigen Art von computergestützter Einheit Daten austauschen können.
Unter Bezugnahme auf 2 wird nun ein Satz von funktionalen Abstraktionsschichten gezeigt, die durch die Cloud-Computing-Umgebung 50 (1) bereitgestellt werden. Es sollte von vornherein klar sein, dass die in 2 gezeigten Komponenten, Schichten und Funktionen lediglich veranschaulichend sein sollen und Ausführungsformen der Erfindung nicht darauf beschränkt sind. Wie abgebildet ist, werden die folgenden Schichten und entsprechenden Funktionen bereitgestellt:

Eine Hardware- und Software-Schicht 60 enthält Hardware- und Software-Komponenten. Zu Beispielen für Hardware-Komponenten gehören: Mainframe-Computer 61; auf der RISC-(Reduced Instruction Set Computer) Architektur beruhende Server 62; Server 63; Blade-Server 64; Speichereinheiten 65; und Netzwerke sowie Netzwerkkomponenten 66. In einigen Ausführungsformen umfassen Software-Komponenten eine Netzwerk-Anwendungsserver-Software 67 und eine Datenbank-Software 68.

Eine Virtualisierungsschicht 70 stellt eine Abstraktionsschicht bereit, aus der die folgenden Beispiele für virtuelle Einheiten bereitgestellt werden können: virtuelle Server 71; virtueller Speicher 72; virtuelle Netzwerke 73, darunter virtuelle private Netzwerke; virtuelle Anwendungen und Betriebssysteme 74; und virtuelle Clients 75.
In einem Beispiel kann eine Verwaltungsschicht 80 die nachfolgend beschriebenen Funktionen bereitstellen. Die Ressourcen-Versorgung (resource provisioning) 81 stellt dynamisches Beschaffen von Datenverarbeitungs-Ressourcen sowie anderen Ressourcen bereit, die zum Durchführen von Aufgaben innerhalb der Cloud-Computing-Umgebung verwendet werden. Die Gebührenerfassung und Preisermittlung (metering and pricing) 82 stellt eine Kostenverfolgung beim Verwenden von Ressourcen innerhalb der Cloud-Computing-Umgebung sowie eine Abrechnung oder Rechnungsstellung für die Inanspruchnahme dieser Ressourcen bereit. In einem Beispiel können diese Ressourcen Anwendungssoftware-Lizenzen enthalten. Die Sicherheit (security) stellt eine Identitätsüberprüfung für Cloud-Kunden und Aufgaben sowie Schutz für Daten und andere Ressourcen bereit. Das Benutzerportal 83 stellt den Zugang zu der Cloud-Computing-Umgebung für Nutzer und für Systemadministratoren bereit. Die Dienstgüteverwaltung (service level management) 84 stellt eine Zuordnung und Verwaltung von Cloud-Computing-Ressourcen bereit, so dass die Anforderungen an die Dienstgüte erfüllt werden. Die Planung und Erfüllung der Dienstgütevereinbarung (SLA, Service Level Agreement planning and fulfillment) 85 stellt die Vorbereitung für und die Beschaffung von Cloud-Computing-Ressourcen bereit, für die gemäß einer SLA ein künftiger Bedarf vorausgesehen wird.
Eine Arbeitslastenschicht (workloads layer) 90 stellt Beispiele einer Funktionalität bereit, für welche die Cloud-Computing-Umgebung verwendet werden kann. Zu Beispielen für Arbeitslasten und Funktionen, die von dieser Schicht bereitgestellt werden können, gehören: Abbildung und Navigation 91; Software-Entwicklung und Lebenszyklusverwaltung 92; virtuelles Klassenzimmer 93 als Bildungsangebot; Datenanalyseverarbeitung 94; Transaktionsverarbeitung 95; und Verarbeiten für einen Personendetektor auf der Grundlage einer neuronalen Antwort gemäß Aspekten der vorliegenden Erfindung 96, wie im Folgenden ausführlicher erläutert wird.
3 ist ein Schaubild eines Beispiels einer programmierbaren Geräte-Implementierung 10 gemäß einem Aspekt der vorliegenden Erfindung, die als Cloud-Computing-Knoten in der Cloud-Computing-Umgebung von 2 fungieren kann. Die programmierbare Geräte-Implementierung 10 ist lediglich ein Beispiel einer geeigneten Implementierung und soll keinerlei Einschränkung hinsichtlich des Anwendungsbereichs oder der Funktionalität von hierin beschriebenen Ausführungsformen der Erfindung nahelegen. Ungeachtet dessen kann die programmierbare Geräte-Implementierung 10 implementiert werden und/oder eine der oben dargelegten Funktionalitäten ausführen.
Ein Computersystem/Server 12 kann mit zahlreichen anderen Universal- oder Spezial-Datenverarbeitungssystemumgebungen oder -konfigurationen betrieben werden. Zu Beispielen für bereits bekannte Datenverarbeitungssysteme, -umgebungen und/oder -konfigurationen, die zum Verwenden mit dem Computersystem/Server 12 geeignet sind, gehören, jedoch ohne auf diese beschränkt zu sein, Personal-ComputerSysteme, Server-Computersysteme, Thin Clients, Thick Clients, tragbare oder Laptop-Geräte, Multiprozessorsysteme, auf Mikroprozessoren beruhende Systeme, Set-Top-Boxen, programmierbare Unterhaltungselektronik, Netzwerk-PCs, Minicomputersysteme, Großrechnersysteme und verteilte Cloud-Computing-Umgebungen, die beliebige der oben genannten Systeme oder Geräte enthalten, und dergleichen.
Das Computersystem/der Server 12 kann im allgemeinen Kontext von durch ein Computersystem ausführbaren Anweisungen beschrieben werden, wie beispielsweise Programmmodulen, die durch ein Computersystem ausgeführt werden. Im Allgemeinen können Programmmodulen Routinen, Programme, Objekte, Komponenten, Logik, Datenstrukturen und so weiter umfassen, die bestimmte Aufgaben ausführen oder bestimmte abstrakte Datentypen implementieren. Das Computersystem/der Server 12 kann in verteilten Cloud-Computing-Umgebungen eingesetzt werden, wobei Aufgaben durch entfernt angeordnete Verarbeitungseinheiten ausgeführt werden, die durch ein Datenübertragungsnetz miteinander verbunden sind. In einer verteilten Cloud-Computing-Umgebung können sich Programmmodule sowohl in lokalen als auch in entfernt angeordneten Computersystem-Speichermedien befinden, die Speichereinheiten enthalten.
Das Computersystem/der Server 12 ist in Form einer Universal-Datenverarbeitungseinheit gezeigt. Zu den Komponenten des Computersystems/Servers 12 können gehören, jedoch ohne auf diese beschränkt zu sein: ein oder mehrere Prozessoren oder Verarbeitungseinheiten 16, ein Systemspeicher 28 und ein Bus 18, der verschiedene Systemkomponenten, unter anderem den Systemspeicher 28, mit dem Prozessor 16 verbindet.
Der Bus 18 steht für einen oder mehrere von verschiedenen Typen von Busstrukturen, darunter ein Speicherbus oder eine Speichersteuereinheit, ein peripherer Bus, ein beschleunigter Grafikanschluss und ein Prozessor oder lokaler Bus unter Verwenden einer beliebigen aus einer Vielfalt von Busarchitekturen. Beispielhaft und ohne Einschränkung gehören zu solchen Architekturen Industry Standard Architecture- (ISA-) Bus, Micro Channel Architecture- (MCA-) Bus, lokaler Enhanced ISA- (EISA-) Bus, Video Electronics Standards Association- (VESA-) Bus und Peripheral Component Interconnects- (PCI-) Bus.
Das Computersystem/der Server 12 enthält normalerweise eine Vielfalt von durch ein Computersystem lesbaren Medien. Bei solchen Medien kann es sich um beliebige verfügbare Medien handeln, auf die das Computersystem/der Server 12 zugreifen kann, und dazu gehören sowohl flüchtige als auch nichtflüchtige Medien, austauschbare und nichtaustauschbare Medien.
Der Systemspeicher 28 kann durch ein Computersystem lesbare Medien in Form eines flüchtigen Speichers wie etwa eines Direktzugriffsspeichers (RAM) 30 und/oder eines Cachespeichers 32 enthalten. Außerdem kann das Computersystem/der Server 12 andere austauschbare/nichtaustauschbare, flüchtige/nichtflüchtige Computersystem-Speichermedien enthalten. Lediglich beispielhaft kann ein Speichersystem 34 zum Lesen aus einem und Schreiben auf ein nichtaustauschbares, nichtflüchtiges magnetisches Medium (nicht gezeigt und normalerweise als „Festplattenlaufwerk“ gekennzeichnet) bereitgestellt werden. Obwohl nicht gezeigt, können ein Magnetplattenlaufwerk zum Lesen aus einer und Schreiben auf eine austauschbare, nichtflüchtige Magnetplatte (z.B. eine „Diskette“) und ein optisches Plattenlaufwerk zum Lesen aus und Schreiben auf eine austauschbare, nichtflüchtige optische Platte wie etwa eine CD-ROM, DVD-ROM oder andere typische Medien bereitgestellt werden. In solchen Fällen kann jedes durch eine oder mehrere Datenmedienschnittstellen mit dem Bus 18 verbunden sein. Wie im Folgenden außerdem gezeigt und beschrieben wird, kann der Speicher 28 mindestens ein Programmprodukt mit einem Satz (z.B. mindestens einem) von Programmmodulen enthalten, die so konfiguriert sind, dass sie die Funktionen von Ausführungsformen der Erfindung ausführen.
Ein Programm/Dienstprogramm 40 mit einem Satz (mindestens einem) von Programmmodulen 42 sowie ein Betriebssystem, ein oder mehrere Anwendungsprogramme, andere Programmmodule und Programmdaten können beispielhaft und ohne Einschränkung im Speicher 28 gespeichert sein. Das Betriebssystem, ein oder mehrere Anwendungsprogramme und Programmdaten oder eine Kombination aus diesen können jeweils eine Implementierung einer vernetzten Umgebung umfassen. Die Programmmodule 42 führen im Allgemeinen die Funktionen und/oder Methodiken von hierin beschriebenen Ausführungsformen der Erfindung aus.
Das Computersystem/der Server 12 kann außerdem mit einer oder mehreren externen Einheiten 14 Daten austauschen, beispielsweise mit einer Tastatur, einer Zeigereinheit, einer Anzeige 24 usw.; einer oder mehreren Einheiten, die einem Benutzer ermöglichen, mit dem Computersystem/Server 12 zu interagieren; und/oder beliebigen Einheiten (z.B. Netzwerkkarte, Modem usw.), die dem Computersystem/Server 12 ermöglichen, Daten mit einer oder mehreren anderen Datenverarbeitungseinheiten auszutauschen. Ein solcher Datenaustausch kann über Ein/Ausgabe- (E/A-) Schnittstellen 22 erfolgen. Das Computersystem/der Server 12 kann noch über einen Netzwerkadapter 20 Daten mit einem oder mehreren Netzwerken austauschen, beispielsweise mit einem lokalen Netz (LAN), einem allgemeinen Weitverkehrsnetz (WAN) und/oder einem öffentlichen Netz (z.B. das Internet). Wie gezeigt wird, tauscht der Netzwerkadapter 20 über den Bus 18 Daten mit den anderen Komponenten des Computersystems/Servers 12 aus. Es sollte klar sein, dass andere Hardware- und/oder Software-Komponenten in Verbindung mit dem Computersystem/Server 12 verwendet werden könnten, obwohl diese nicht gezeigt werden. Zu Beispielen gehören, jedoch ohne auf diese beschränkt zu sein: Mikrocode, Einheitentreiber, redundante Verarbeitungseinheiten, externe Plattenlaufwerkanordnungen, RAID-Systeme, Bandlaufwerke und Speichersysteme zur Datenarchivierung usw.
4 veranschaulicht Trainieren eines Personendetektors auf der Grundlage einer neuronalen Antwort gemäß der vorliegenden Erfindung. Aspekte sind so konfiguriert, dass sie Elektroenzephalogramm- (EEG-) Signale verwenden, die von einer Einheit erhalten wurden, die sich selbst als Person darstellt, wobei die Signale im Allgemeinen von einer Kopfhörereinheit oder einer anderen Einheit erhalten werden, die getragen oder auf andere Weise eingesetzt wird, um EEG-Signale von einer Person zu erfassen, wie Fachleute verstehen werden. Dementsprechend erhält bei 402 ein gemäß einem Aspekt der vorliegenden Erfindung konfigurierter Prozessor (der „konfigurierte“ Prozessor) Elektroenzephalogramm- (EEG-) Signale von einer Einheit, während der Einheit erste sensorische Informationen präsentiert werden.
Bei 404 vergleicht der konfigurierte Prozessor die Elektroenzephalogrammsignale, die während des Präsentierens der ersten sensorischen Informationen von der Einheit erhalten werden, mit jedem aus einer Mehrzahl von trainierten Profilanteilen von Elektroenzephalogrammsignalen, die als erste sensorische Informationen gekennzeichnet sind. Insbesondere stellen die als erste sensorische Informationen gekennzeichneten Profilanteile von Elektroenzephalogrammsignalen Elektroenzephalogrammsignale dar, die über einen Trainingsprozess als diejenigen Anteile ausgewählt werden, die am häufigsten repräsentativ für EEG-Signale sind (höchste häufige Gewichtswerte für diese haben), die von einer Mehrzahl verschiedener Personen in Reaktion darauf (in Abhängigkeit davon) erzeugt werden, dass den verschiedenen Personen die ersten sensorischen Informationen oder diesen entsprechende sensorische Informationen präsentiert werden.
Bei 406 ermittelt der konfigurierte Prozessor in Abhängigkeit von einer Stärke der Übereinstimmung der von der Einheit bereitgestellten Elektroenzephalogrammsignale, während der Einheit die ersten sensorischen Informationen präsentiert werden, mit am höchsten gewichteten aus der Mehrzahl von als erste sensorische Informationen gekennzeichneten trainierten Profilanteilen von Elektroenzephalogrammsignalen, ob es sich bei der Einheit (wahrscheinlich) um eine Person oder einen Bot (eine Computeranwendung, die das Vorhandensein einer Person simuliert) handelt. Insbesondere ermittelt der konfigurierte Prozessor bei 406, ob die erhaltenen Elektroenzephalogrammsignale der Einheit mit einer Schwellenanzahl oder Menge von denjenigen aus der Mehrzahl von als erste sensorische Informationen gekennzeichneten trainierten Profilanteilen von Elektroenzephalogrammsignalen übereinstimmen, die die höchsten häufigsten Gewichtungen haben. Wenn der Schwellenwertvergleich bei 406 positiv ausfällt, stellt der konfigurierte Prozessor bei 408 fest, dass es sich bei der Einheit, die bei 402 die EEG-Signale liefert, (wahrscheinlich) um eine Person handelt. Wenn der Schwellenwertvergleich bei 406 negativ ausfällt, stellt der konfigurierte Prozessor bei 410 fest, dass es sich bei der Einheit um einen Bot handelt.
5 ist eine grafische Veranschaulichung einer Darstellung eines EEG-Signalverlaufs 182, der von einer Person in Reaktion auf Präsentieren von sensorischen Informationen erhalten wurde, wobei Zeit eine horizontale Achse für den Signalverlauf 182 definiert, der sich im Zeitverlauf ändernde Amplitudenwerte (entlang einer vertikalen Achse, die senkrecht zur horizontalen Achse ist) zeigt, und wobei die sich im Zeitverlauf ändernden Amplitudenwerte ein Profilattribut des EEG-Signals definieren. In Reaktion auf Feststellen, dass ein Profilanteil 180 mit einem gekennzeichneten Profilanteil übereinstimmt, können Aspekte einen Hinweis oder eine Wahrscheinlichkeit feststellen, dass das Signal von einer Person erzeugt wurde, oder einen häufigsten Gewichtungswert des übereinstimmenden gekennzeichneten Anteils in einem Trainingsprozess erhöhen, wie im Folgenden erläutert wird.
6 veranschaulicht einen Trainingsprozess, der Anteile von EEG-Signalen, die von Personen erhalten wurden, ermittelt und gewichtet, um Gemeinsamkeiten mit von anderen Personen erhaltenen Signalen wiederzugeben. In Reaktion auf Ermitteln einer EEG-Signaleingabe 101 von einer Person erhält ein Prozessor, der gemäß einem Aspekt der vorliegenden Erfindung konfiguriert wurde (der „konfigurierte Prozessor“) dementsprechend bei 103 EEG-Signale aus der Eingabe 101 der Person während eines ersten Trainingszeitraums, wobei die Elektroenzephalogrammsignale von der Person in Reaktion darauf erzeugt werden, dass der Person während des ersten Trainingszeitraums bei 102 eine erste Menge an sensorischen Informationen präsentiert wird.
Bei 104 verwendet der konfigurierte Prozessor ein künstliches neuronales Netz (KNN), um die bei 103 erhaltenen EEG-Signale mit trainierten Profilanteilen von EEG-Signalen zu vergleichen, die von anderen Personen während Trainingszeiträumen erhalten wurden, wobei die Elektroenzephalogrammsignale von jeder der anderen Personen in Reaktion darauf erzeugt wurden, dass den Personen während (erster) Trainingszeiträume entsprechende (erste) sensorische präsentiert wurden, und wobei EEG-Signalanteile, die häufig von den anderen Personen erhalten wurden (wiederholt oder ähnlich in Amplitude und Profil über einen Anteil oder einen Zeitraum für eine Mehrzahl der anderen Personen), als Trainingssatzanteile der „ersten sensorischen Informationen/Daten“ gekennzeichnet werden.
Bei 106 erzeugt oder korrigiert der konfigurierte Prozessor häufigste Gewichte oder Gewichtungsfaktoren der gekennzeichneten Trainingssatzanteile im KNN in Reaktion auf das Vergleichen bei 104: Erhöhen der häufigsten Gewichte der als „erste sensorische Informationen“ gekennzeichneten Trainingssatzanteile, die mit bei 103 erhaltenen Profilanteilen von EEG-Signalen übereinstimmen, und/oder Verringern der häufigsten Gewichte der als „erste sensorische Informationen“ gekennzeichneten Trainingssatzanteile, die nicht mit den bei 103 erhaltenen Profilanteilen von EEG-Signalen übereinstimmen (von diesen verschieden sind oder keine große Ähnlichkeit mit diesen aufweisen).
Ein KNN ist ein Computermodell, das auf der Struktur und den Funktionen von biologischen neuronalen Netzen beruht, und kann als nichtlineares statistisches Datenmodellierungswerkzeug betrachtet werden, wobei die komplexen Beziehungen zwischen Eingaben und Ausgaben modelliert werden oder Muster gefunden werden. Informationen, die durch das Netzwerk fließen, beeinflussen die Struktur des KNN, da ein neuronales Netzwerk auf der Grundlage dieser Eingaben und Ausgaben Beziehungswerte ändert („lernt“). Das KNN-System lernt (verbessert zunehmend die Leistungsfähigkeit), um Aufgaben durch Betrachten von Beispielen auszuführen, im Allgemeinen ohne aufgabenspezifisches Programmieren. Dementsprechend werden die Profilanteile von EEG-Signalen des Trainingssatzes, die während entsprechender Aktivitätstrainingszeiträume von anderen Personen erhalten werden, im vorliegenden Beispiel als die „Aktivitäts“-Signalanteile in einem Trainingssatz gekennzeichnet, der durch den konfigurierten Prozessor mit den bei 103 erhaltenen Signalen verglichen wird, um bei 104 jene Anteile zu ermitteln, die mit den gekennzeichneten Trainingssatzanteilen übereinstimmen, und um diese ermittelten Anteile daraufhin als die gleichen „Aktivitäts“-Signalanteile zu kennzeichnen; und um außerdem das Gewicht der übereinstimmenden Signalanteile im Trainingssatz im Verhältnis zu den anderen Signalanteilen im Trainingssatz, die nicht mit bei 103 erhaltenen Profilanteilen von EEG-Signalen übereinstimmen, anzupassen (zu erhöhen).
Mit jedem neuen Satz von Signalen, die bei 101 von einer anderen Person erhalten werden, lernt das KNN und nimmt bei 106 eine Feinabstimmung der Gewichte der gekennzeichneten Anteile der Profilanteile von EEG-Signalen des Trainingssatzes vor, wobei Gewichte für jene erhöht werden, die mit der entsprechenden Aktivität gekennzeichnet sind, die mit den Aktivitätssignalen von der aktuellen Person übereinstimmen, im Verhältnis zu anderen Signalanteilen, die als die Aktivität gekennzeichnet sind, die nicht mit den Profilanteilen von bei 103 erhaltenen EEG-Signalen übereinstimmen, und wobei die Gewichte verwendet werden, um Anteile zum Anwenden auf EEG-Signale auszuwählen, die bei künftigen Wiederholungen von anderen erhalten werden.
Bei 108 präsentiert der konfigurierte Prozessor der Person einen anderen zweiten sensorischen Reiz oder sensorische Daten für einen weiteren (zweiten) Trainingszeitraum mit Präsentationsaktivität und erhält bei 110 EEG-Signale aus der Eingabe 101 der Person während dieses zweiten Trainingszeitraums mit Präsentationsaktivität.
Bei 112 verwendet der konfigurierte Prozessor das KNN, um die bei 110 erhaltenen EEG-Signale mit Profilanteilen von EEG-Signalen zu vergleichen, die von anderen Personen während des Präsentierens von sensorischen Informationen erhalten wurden, die den zweiten sensorischen Informationen entsprechen und als „zweite sensorische Informationen“ gekennzeichnet sind, um dadurch Profilanteile der bei 110 erhaltenen EEG-Signale zu ermitteln, die mit den als Anteile der zweiten sensorischen Informationen gekennzeichneten Trainingssatzanteilen übereinstimmen. Bei 114 erzeugt oder korrigiert der konfigurierte Prozessor häufigste Gewichtungsfaktoren der als zweite sensorische Informationen gekennzeichneten Trainingssatzanteile im KNN in Reaktion auf das Vergleichen: im Allgemeinen Erhöhen der häufigsten Gewichte von jenen, bei denen eine Ähnlichkeit im Profil mit Anteilen der bei 110 erhaltenen Profilanteile von EEG-Signalen festgestellt wird, und Verringern der häufigsten Gewichte von anderen, bei denen eine Ungleichheit festgestellt wurde.
Bei 116 ermittelt der konfigurierte Prozessor, ob die am höchsten gewichteten Trainingssatzanteile, die als „erste sensorische Informationen“ gekennzeichnet sind, mit einer Schwellenanzahl von Anteilen der EEG-Signale, die während des ersten Trainingszeitraums bei 103 von der Person erhalten wurden, übereinstimmen oder diesen entsprechen (und dadurch eine Schwellenanzahl vorhersagen); und ob die als „zweite sensorische Informationen“ gekennzeichneten, am höchsten gewichteten Trainingssatzanteile mit einer Schwellenanzahl von Anteilen der EEG-Signale, die während des zweiten Trainingszeitraums bei 110 von der Person erhalten wurden, übereinstimmen oder diesen entsprechen und dadurch eine Schwellenanzahl vorhersagen. Die Schwellenanzahl von Anteilen der EEG-Signale wird so gewählt, dass sie groß genug ist, um eine EEG-Signalsignatur einer Person darzustellen, wiedererkennbar und verschieden von anderen „Signaturen“ sind, die die EEG-Signale von anderen Personen wiedergeben.
Wenn beide Bedingungen erfüllt sind (eine logische UND-Bedingung erfüllt ist), werden der Trainingssatz und das zugehörige KNN als trainiert und bereit für ein Anwenden auf EEG-Signaleingaben angesehen, um zu überprüfen, ob die EEG-Signaleingaben von einer Person und nicht von einem Bot stammen. Folglich werden die Präsentationen des ersten und zweiten sensorischen Inhalts als zugehöriges Paar zum Verwenden beim Verifizieren realer Personen verknüpft, und der Prozess endet bei 118.
Wenn andererseits eine der Bedingungen bei 116 nicht erfüllt ist, wählt der konfigurierte Prozessor bei 120 wiederholt eine weitere andere Person zum Bereitstellen von EEG-Signalen aus und kehrt zu 101 zurück, um EEG-Signale von der neuen Person zu erhalten, um die Schritte von 102 bis 114 zu wiederholen, bis beide Bedingungen bei 116 erfüllt sind.
In einigen „Grundlinien“-Ausführungsformen ist der erste Aktivitätszeitraum ein Trainingszeitraum oder eine Trainingsphase „ohne Aktivität“, der/die ein Null- oder Grundlinien-EEG-Signalprofil für die die EEG-Signaleingabe bereitstellende Person erstellt im Vergleich zu EEG-Signalen, die in Reaktion auf Präsentationsaktivität des zweiten sensorischen Reizes oder der sensorischen Daten erzeugt wurden, die in Bezug auf einen erkennbaren Gegenstand, einen Sinneseindruck usw. während des zweiten Trainingszeitraums präsentiert wurden, wobei eine mentale Aktivität des Benutzers zum Identifizieren des Gegenstands, des Sinneseindrucks usw. ausgelöst wird. Dementsprechend werden die erhaltenen EEG-Signale von der Person während des ersten Trainingszeitraums erzeugt, wobei der konfigurierte Prozessor der Person keinen sensorischen (Bild-, Akustik-, Geschmacks-, Geruchs- oder körperliche Wahrnehmungs-) Reiz oder Daten zum Empfangen und Interpretieren präsentiert. Da der konfigurierte Prozessor keine sensorischen Daten präsentiert, reagiert die Person nicht mental auf sensorische Daten oder interpretiert diese, während die bei 103 erhaltenen EEG-Signale erzeugt werden.
Unter einigen der „Grundlinien“-Aspekte übermittelt der konfigurierte Prozessor der Person bei 102 Anweisungen, für den ersten Trainingszeitraum in eine „aktivitätslose“ Phase mentaler Aktivität einzutreten, beispielsweise durch aktives Lösen des Verstandes von allen Bildern oder Geräuschen oder Gedanken an Bilder oder Geräusche und Unterdrücken des Aufkommens neuer Gedanken, Bilder oder Geräusche, mit Ausnahme etwa von Gedanken oder Bildern, die mit Atmen und ruhigem Dasitzen usw. zusammenhängen. Dementsprechend wurde im vorliegenden Beispiel jede der anderen Personen, die zum Erzeugen der gekennzeichneten Trainingsdatenätze eingesetzt wurden, angewiesen, für entsprechende Trainingszeiträume in eine „aktivitätslose“ Phase mentaler Aktivität einzutreten, um die Trainingssatzanteile zu erzeugen, wobei der konfigurierte Prozessor bei 104 Profilanteile der bei 103 erhaltenen EEG-Signale ermittelt, die mit den gekennzeichneten Trainingssatzanteilen übereinstimmen.
In den „Grundlinien“-Ausführungsformen handelt es sich bei dem zweiten sensorischen Reiz oder den Daten um eine „Präsentationsaktivität“ in Bezug auf einen erkennbaren Gegenstand, Sinneseindruck usw., der eine mentale Aktivität des Benutzers zum Identifizieren des Gegenstands/Sinneseindrucks auslöst. Folglich erhält der Trainingszeitraum oder die Trainingsphase mit Präsentationsaktivität bei 110 EEG-Signale, während die Person aufgefordert wird, ein Bild zu verarbeiten (zum Beispiel einen Baum, einen Tisch, eine Person oder ein anderes Objekt oder eine im Bild dargestellte Aktivität (eine Person, die läuft, lächelt usw.) zu erkennen), ein mathematisches Problem zu lösen, ein fehlendes Element in einem Bild zu identifizieren usw.; akustische Daten zu erkennen (ein gesprochenes Wort oder eine gesprochene Zahl oder eine Anzahl verschiedener Noten oder Töne, die der Person über einen Lautsprecher präsentiert werden); einen Sinneseindruck zu beschreiben (zum Beispiel einen pulsierenden Druck an einem Finger, eine Wärmeempfindung usw.); und noch weitere Beispiele werden für Fachleute offensichtlich sein; um dabei bei 110 EEG-Signale zu erhalten, während die Person aktiv mit mentaler Aktivität beschäftigt ist, die für die Aufgabe des Erkennens, Zählens, Auswendiglernens und Abrufens usw. erforderlich ist. Folglich werden die Profilanteile von EEG-Signalen des Trainingssatzes, die während entsprechender Trainingszeiträume mit Präsentationsaktivität von anderen Personen erhalten werden als „Präsentationsaktivität“-Signalanteile im Trainingssatz gekennzeichnet, der durch den konfigurierten Prozessor mit den bei 110 erhaltenen Signalen verglichen wird, um bei 112 jene Anteile zu ermitteln, die mit den als Präsentationsaktivität gekennzeichneten Trainingssatzanteilen übereinstimmen, und diese ermittelten Anteile dementsprechend als „Präsentationsaktivität“-Signalanteile zu kennzeichnen; und um außerdem das Gewicht der im Trainingssatz als Präsentationsaktivität gekennzeichneten übereinstimmenden Signalanteile im Vergleich mit den anderen als Präsentationsaktivität gekennzeichneten Signalanteilen im Trainingssatz, die nicht mit bei 110 erhaltenen Profilanteilen von EEG-Signalen übereinstimmen, anzupassen (zu erhöhen).
Bei einigen Ausführungsformen werden die gekennzeichneten „zweiten sensorischen Informationen“ als Differenzen (Delta) zwischen Werten von Attributen (Amplitude, Stärke usw.) der jeweiligen EEG-Signale ermittelt und trainiert, die in Verbindung mit der jeweiligen Grundlinien- (ersten, ohne Aktivität) und zweiten (Aktivitäts-) Präsentationen erhalten wurden. Personen zeigen im Allgemeinen Unterschiede (Deltas) zwischen EEG-Signalen, die in Grundlinien-Zeiträumen ohne Aktivität erzeugt wurden, im Vergleich zu und zwischen dem Ausführen verschiedener Aktivitäten (Hören von Sprache, Erzeugen von Sprache, Lesen, Aufstehen usw.), Erkennen von oder Reagieren auf verschiedene Arten von Reiz (Verarbeiten eines plötzlichen Geräuschs beim Lesen, Betrachten und Verstehen eines Multimedia-Videos usw.) Diese Deltas können beim Trainieren des KNN mit den verschiedenen EEG-Signalen erfasst und von den Aspekten verwendet werden, um genau zu ermitteln, ob es sich bei einer Einheit, die eine EEG-Eingabe liefert, um eine reale Person und nicht um einen Bot handelt.
Bei anderen Ausführungsformen kann in jedem der ersten und zweiten Trainingszeiträume, die sich hinsichtlich der Datenattribute unterscheiden, ein sensorischer Reiz oder Daten präsentiert werden, um das Erzeugen von EEG-Signalen auszulösen, die eindeutig und voneinander verschieden sind in Folge von Unterschieden des sensorischen Reizes oder der Daten, die jeweils im ersten und zweiten Trainingszeitraum präsentiert werden: zum Beispiel kann die die Signale bereitstellende Einheit aufgefordert werden, eine Anzahl von Tönen zu zählen, die der Einheit während des ersten Trainingszeitraums vorgespielt werden, und aufgefordert werden, während des zweiten Trainingszeitraums ein Bild eines roten Apfels zu erkennen, und noch weitere Beispiele werden für Fachleute offensichtlich sein.
Bei Ausführungsformen der Erfindung wird ein EEG-Signalvergleich verwendet, um EEG-Signaleingaben von Personen von vorgetäuschten Signalen zu unterscheiden, indem EEG-Signale betrachtet werden, die von ein und derselben Person beim Verarbeiten von verschiedenen, zusammenhängenden (ersten und zweiten) sensorischen Daten erzeugt wurden. Folglich werden von ein und derselben Person verschiedene EEG-Signale mit unterschiedlichen Charakteristika erzeugt, wodurch die Wahrscheinlichkeit verringert wird, dass ein Bot jedes der verschiedenen EEG-Signale, die während des ersten und zweiten Trainingszeitraums zum Trainieren des KNN verwendet werden, erfolgreich vortäuschen kann oder ein Delta oder eine Differenz zwischen den jeweiligen gekennzeichneten EEG-Signalanteilen vortäuschen kann.
Neben Zusammenhängen der Grundlinien-Aktivität kann ein Verknüpfen der ersten und zweiten sensorischen Präsentationen auf einem Typus beruhen, wobei andere sensorische Präsentationen eines ähnlichen Typs eine Zusammenhangsbeziehung erfüllen können. Wenn die erste sensorische Präsentation zum Beispiel eine Grundlinie vom Typ „ohne Aktivität“ ist und eine zweite sensorische Präsentation ein „Bilderkennungstyp“ ist (zum Beispiel wird die Person aufgefordert, ein Bild eines Apfels zu identifizieren), kann die Grundlinie mit einer Mehrzahl von sensorischen Präsentationen desselben „Bilderkennungstyps“ verknüpft werden (zum Beispiel wird die Person aufgefordert, ein Bild eines Tisches mit vier Beinen oder eines roten Automobils usw. zu identifizieren). Folglich wird eine Differenz oder ein Delta bei einem Typ oder einem anderen Attribut der ersten und zweiten sensorischen Präsentationen verwendet, um eine entsprechende Differenz/ein Delta bei Qualitäten der betreffenden erzeugten EEG-Signale zu erzeugen (Energie, Amplitude, Wellenfrequenzen), wobei diese Differenz in den dem KNN zugehörigen Gewichten dargestellt wird und daher hilfreich ist, um beim Liefern entsprechender EEG-Signale Personen von Bots zu unterscheiden.
Aspekte der vorliegenden Erfindung stellen alternative Mechanismen für CAPTCHA und andere Prozesse nach dem Stand der Technik zum Erkennen von menschlichen Benutzern von Netzwerkverbindungen (und Aussortieren von Bots) bereit, indem sie sich charakteristische Profilanteile von menschlichen Gehirnwellen für das Erkennen zunutze machen, wobei Anteile, die bei einer großen Zahl von Personen häufig vorkommen, jedoch in Bezug auf Unterschiede bei den sensorischen Informationen, die den Personen zum Verarbeiten präsentiert wurden, voneinander unterscheidbar sind und dadurch die Profilanteile erzeugen, durch Trainieren eines künstlichen neuronalen Netzes (KNN) ermittelt werden: mit den verschiedenen EEG-Signalen, die von verschiedenen Personen in Bezug auf ähnliche oder häufige Reize erzeugt werden. Während einer Trainingsprozedur werden mehrere Personen eingesetzt, um das Netzwerk mit EEG-Signalen zu trainieren, die in Reaktion auf das Präsentieren von Paaren von verschiedenen visuellen akustischen oder anderen bereitgestellten sensorischen Eingabesignalen erzeugt werden. Die verschiedenen Signalgruppierungen (zum Beispiel Paare von positiven (Präsentation von Gegenständen) und negativen Präsentationen (keine Präsentation oder Aktivität)) trainieren das KNN, wobei das Netz mit einem Satz von Gewichtungsfaktoren trainiert wird, die den spezifischen sensorischen Informationen entsprechen, die den menschlichen Trainern präsentiert werden.
Die Kombination aus den trainierten Gewichtungsfaktoren und dem künstlichen neuronalen Netz (KNN) wird als ein Signaturverfahren oder -prozess verwendet, um Personen zu identifizieren und sie von Bots zu unterscheiden. Während des Trainierens oder Anwendens empfängt eine Person visuelle, akustische oder sonstige erkennbare Signale und erzeugt daraufhin EEG-Signale während der mentalen Aktivität, die zum Identifizieren des präsentierten sensorischen Informationssignals durch die Person erforderlich ist. Aspekte trainieren das KNN, so dass es EEG-Signale erkennt, die allen Benutzern gemeinsam sind, indem diese häufigen Signalprofilanteile am höchsten gewichtet werden, um zum Anwenden so ausgewählt zu werden, dass sie mit den EEG-Signalen übereinstimmen, die von anderen Personen in Reaktion auf einen ähnlichen sensorischen Reiz erzeugt werden. Erfasste einzelne Signale werden als Eingabe zum Vergleichen mit den am höchsten gewichteten gekennzeichneten Anteilen des KNN verwendet, um zu entscheiden, ob es sich bei einem eingehenden Signal um ein EEG-Signal von einer Person und nicht um ein fingiertes Signal von einem Bot handelt. Dementsprechend werden die Signale durch das trainierte KNN mit einer Sammlung von gekennzeichneten EEG-Signalen verglichen. Wenn das Ergebnis des KNN mit einem erwarteten Ergebnis (einem Satz von gekennzeichneten Signalanteilen, die bei einer Mehrzahl von Personen, die zum Trainieren des KNN eingesetzt wurden, häufig vorkommt) übereinstimmt, stellen Aspekte der vorliegenden Erfindung fest, dass der zugehörige Zugriff auf vernetzte Ressourcen, die Web-Aktivität usw. von einer Person und nicht von einem Bot erzeugt wurde.
Aspekte der vorliegenden Erfindung erzeugen Datenbanken oder andere Verwahrungsorte von EEG-Ergebnissen auf der Grundlage von (bzw. erzeugt aus) replizierbaren Präsentationen spezifischer und sensorischer Reize oder Daten. Die Ergebnisse werden aufgrund einer Ähnlichkeit von EEG-Ergebnissen bei allen zum Erzeugen des Datensatzes eingesetzten Personen über KNN-Prozesse kategorisiert (gewichtet), wobei eine Ähnlichkeit durch Prozente oder andere Messgrößen einer Ähnlichkeit zwischen den Ergebnissen definiert wird. Durch Verwenden von maschinellem Lernen erkennen die Aspekte Muster von Profilanteilen auf der Grundlage der kategorisierten Ergebnisse und gewichten diese unterschiedlich, wobei diese zum Verbessern der Kategorisierungen verwendet werden.
Grundsätzlich erkennen Aspekte häufige Profilanteile in EEG-Ergebnissen in Abhängigkeit von einer Vielfalt verschiedener Eigenschaften und Kategorien der präsentierten sensorischen Daten, die zu erkennbaren EEG-Signalanteilen führen, die bei den zum Trainieren des KNN eingesetzten Personen häufig oder ähnlich sind. Wenn es sich bei dem einer Person bereitgestellten Reiz zum Beispiel um ein Bild eines roten Autos eines bestimmten Fabrikats, Modells oder Typs handelt, können die EEG-Signale in Reaktion darauf erzeugt werden, dass die Person über das Auto (Objekterkennung), die Farbe (Eigenschaft), die Form (Merkmal), die Marke (Charakteristikum) usw. nachdenkt. Wenn die EEG-Signale aus einer Mehrzahl von Präsentationen für verschiedene Personen trainiert werden, die aus den gleichen Kategorien (Attribute, Charakteristika usw.) stammen, können die EEG-Ergebnisprofile mit jeder dieser Kategorien gekennzeichnet oder markiert werden. Dadurch werden die Chancen für eine positive Übereinstimmung erhöht, da, wenn das Aspektsystem einem anderen Benutzer dasselbe Bild zeigt, die bereitgestellte Antwort nicht nur mit den Ergebnissen anderer Autos übereinstimmen wird, sondern auch mit anderen Ergebnissen, die die gleiche Farbe, Marke oder das gleiche Merkmal usw. haben. Unterschiede zwischen EEG-Signalen, die aufgrund von Autobildern erzeugt werden, die sich hinsichtlich Farbe, Marke, Merkmal usw. unterscheiden, werden durch das KNN automatisch und selbständig ermittelt, wie in entsprechenden Ähnlichkeiten oder Unterschieden bei den durch das KNN ausgeführten jeweiligen Gewichtungen von gekennzeichneten EEG-Signalanteilen auf der Grundlage von Ähnlichkeiten oder Unterschieden bei Farbe, Form, Objekttyp oder Kategorie usw. in Bezug auf präsentierte Reize dargestellt wird.
Aspekte können Crowd-Sourcing verwenden, um große Datensätze aus großen Personenmengen zu erzeugen, die das Lernen eines Gewichtens von Profilanteilen im Laufe der Zeit entsprechend verbessern, wodurch die Genauigkeit und Leistungsfähigkeit des Prozesses gesteigert werden.
Bei Aspekten können auch präsentierte sensorische Informationen so ausgewählt werden, dass eine Eigenschaft der getesteten Person oder Einheit mit einer übereinstimmt, die bei den zum Trainieren der EEG-Signalvergleichsanteile eingesetzten Personen häufig vorkommt bzw. für die trainierenden Personen charakteristisch ist. Zu veranschaulichenden, jedoch nicht einschränkenden oder erschöpfenden Beispielen von betrachteten Eigenschaften gehören demografische Daten, Kundenkategorie, Tätigkeitsbeschreibung oder Fähigkeiten, Arbeitgeberidentität, und noch weitere werden für Fachleute offensichtlich sein. Aspekte können auf diese Weise das Erzeugen einer Trainingsdatenbank auf EEG-Signale von Benutzern eines gemeinsam genutzten Dienstes (shared service) beschränken, der beispielsweise durch einen Dienstleister für einen Kundenstamm von Benutzern verwaltet wird, wodurch Kunden ermöglicht wird, die Aspekte für ihre eigenen Systeme zu verwenden, und den Reiz sowie erzeugte gewichtete EEG-Profile so abstimmen, dass sie den Erfordernissen ihrer Kunden entsprechen. Bei einer Software-Firma können die sensorischen Reizobjekte und Konzepte zum Beispiel Anzeigen der Software-Industrie enthalten, die von den Benutzern beim Erzeugen der EEG-Signale häufiger erkannt und verarbeitet würden, wodurch die Fähigkeit verbesset wird, häufige EEG-Signalausgaben bei einem vorgegebenen Reiz für den Kundenstamm zu ermitteln. Ein Abstimmen auf einen geschlossenen Kreis von trainierenden Benutzern kann außerdem ein Erkennen von Gemeinsamkeiten bei EEG-Signalen verbessern, da sie möglicherweise eine gemeinsame Art, über bestimmte sensorische Reiz- oder Datenelemente zu denken, miteinander teilen.
7 veranschaulicht eine Ausführungsform der vorliegenden Erfindung, wobei die von einer Person erhaltenen trainierten Daten darauf geprüft werden, ob sie Mindestkriterien erfüllen, bevor sie zum Trainieren des KNN verwendet werden. Insbesondere präsentiert ein Prozessor, der gemäß einem Aspekt der vorliegenden Erfindung konfiguriert wurde (der „konfigurierte Prozessor“), bei 202 einer Person einen ausgewählten sensorischen Inhalt. Bei 204 erfasst der konfigurierte Prozessor während eines Trainingszeitraums EEG-Signale von einer Person, und 206 verwendet ein künstliches neuronales Netz (KNN), um Anteile von erfassten EEG-Signalen zu ermitteln, die mit als Anteile des „ausgewählten Inhalts“ gekennzeichneten Profilanteilen von EEG-Signalen des Trainingssatzes übereinstimmen.
Bei 208 ermittelt der konfigurierte Prozessor, ob die gekennzeichneten Trainingssatzanteile des KNN innerhalb eines Vertrauensschwellenwertes mit eingegebenen EEG-Signalen übereinstimmen. Ist dies nicht der Fall, wählt der konfigurierte Prozessor bei 210 iterativ einen anderen sensorischen Inhalt aus, präsentiert bei 204 der Person für die Dauer des Trainingszeitraums den anderen sensorischen Inhalt und wiederholt bei 206 und 208 die Vorgänge des Ermittelns, bis die Schwellenwertbedingung bei 208 erfüllt wird, wobei der konfigurierte Prozessor bei 212 Gewichte in den als „ausgewählter Inhalt“ gekennzeichneten Trainingssatzanteilen des KNN, die mit erfassten Profilanteilen von EEG-Signalen übereinstimmen, und beendet bei 214 das Trainieren in Bezug auf den ausgewählten Inhalt.
Gemäß dem in 7 veranschaulichten Aspekt kann Gewichten eines gekennzeichneten Datensatzes für jede Person, die erfasste EEG-Signale bereitstellt, personalisiert werden, wobei der Aspekt verschiedene Reize iterativ auswählt und präsentiert, bis annehmbare EEG-Signale von der die Trainingsdaten bereitstellenden Person erfasst werden. Da verschiedene Benutzer beim Erzeugen von zuverlässigen und konsistenten EEG-Signalausgaben möglicherweise starker oder verlässlicher auf unterschiedliche sensorische Reize reagieren, präsentieren die vorliegenden Aspekte iterativ unterschiedliche Reize, bis das erzeugte und erfasste EEG-Signal bei 208 eine erforderliche statistische Sicherheit (confidence level) oder einen Schwellenwert erreicht (zum Beispiel sind die Amplituden im Lauf der Zeit einheitlich und erfüllen Mindestschwellenwerte oder sie stimmten mit einer Mindestanzahl von geeigneten (übereinstimmenden) gekennzeichneten Profilen überein, die im KNN gewichtet/trainiert werden, usw.). Die statistische Sicherheit wird im Allgemeinen erhalten, sobald die erfassten EEG-Signale einen Grad an Ähnlichkeit mit den trainierten gekennzeichneten Anteilen oberhalb einem angegebenen Schwellenwert erreichen, die ausgewählt und von persönlichen Attributen oder Bedürfnissen des Benutzers abhängig sind.
8 veranschaulicht eine Ausführungsform der vorliegenden Erfindung, die das durch die Ausführungsformen der vorliegenden Erfindung trainierte KNN verwendet, um zu überprüfen, ob ein EEG-Signal, das als Eingabe zum Zugreifen auf eine vernetzte Ressource empfangen wird, von einer Person und nicht von einem Bot erzeugt wurde. Bei 302 erfasst ein Prozessor, der gemäß einem Aspekt der vorliegenden Erfindung konfiguriert wurde (der „konfigurierte Prozessor“), eine EEG-Signaleingabe in Reaktion auf (nach oder in Verbindung mit) dem Präsentieren eines ausgewählten sensorischen Datenelements in einem Portal vernetzter Ressourcen (zum Beispiel eine Anmelde-Webseite, ein Eingangs-Begrüßungsbildschirm usw.).
Bei 304 vergleicht der konfigurierte Prozessor das erfasste Eingangssignal mit den EEG-Signalen, die zum Trainieren der KNN-Einheit oder des KNN-Mechanismus verwendet wurden (mit Dateien, die in einem Speicher, einer Cloud-Einheit oder einem Dienst oder anderen Verwahrungsort des KNN gespeichert sind, der die EEG-Signale der zum Trainieren des KNN eingesetzten Personen aufweist). Im Allgemeinen zeigen EEG-Signale, die von verschiedenen Personen erfasst wurden, einen gewissen Grad an Varianz aufgrund von physiologischen Unterschieden zwischen verschiedenen Personen. Um zu überprüfen, ob die Eingabe eher durch eine Person erfolgte und nicht lediglich kopiert oder durch einen Bot erzeugt wurde, prüft der konfigurierte Prozessor bei 304, ob das EEG-Eingangssignal nicht exakt mit einem der gespeicherten EEG-Signale übereinstimmt, wobei der erwartete Grad an Varianz zwischen EEG-Signalen, die von verschiedenen Personen erfasst wurden, nicht gezeigt wird. In einem Beispiel, bei dem festgestellt wird, dass der angegebene Präzisionswert 1% beträgt (obgleich EEG-Signale im Vergleich mit einer anwendbaren Messgröße um mehr als 1% variieren sollten), ermittelt der konfigurierte Prozessor bei 304, ob der Prozentsatz an Übereinstimmung oder die Wahrscheinlichkeit einer Übereinstimmung mit einem der gespeicherten Signale nicht größer als 99,0% ist. Wenn die Übereinstimmung oder Wahrscheinlichkeit diesen Genauigkeitsfaktor überschreitet, weist der konfigurierte Prozessor das Eingangssignal bei 306 als wahrscheinlich von einem Bot stammend zurück, da es wahrscheinlich von einem vorhandenen EEG-Signal kopiert und verwendet wurde, um das Vorhandensein einer Person vorzutäuschen.
Wenn bei 302 festgestellt wird, dass zwischen dem Eingangssignal und einem der gespeicherten EEG-Signale keine exakte Übereinstimmung vorliegt (sich zumindest um den angegebenen Genauigkeitswert unterscheidet), prüft der konfigurierte Prozessor folglich bei 308, ob die vorliegende Eingangssignalsitzung keine zulässige Anzahl von Anmelde- oder anderen Verifizierungsversuchen überschritten hat. Wenn bei 308 festgestellt wird, dass die Sitzung eine zulässige Anzahl von Anmelde/Verifizierungs-Versuchen überschritten hat, weist der konfigurierte Prozessor das Eingangssignal bei 308 als wahrscheinlich von einem Bot stammend zurück; andernfalls (wenn bei 308 festgestellt wird, dass die Sitzung eine zulässige Anzahl von Anmelde/Verifizierungs-Versuchen nicht überschritten hat) ermittelt der konfigurierte Prozessor bei 310, ob die Trainingssatzanteile des KNN, die mit dem bei 302 präsentierten ausgewählten sensorischen Datenelement gekennzeichnet sind, mit Anteilen der EEG-Eingangssignale oder mit Deltas zwischen den Anteilen der EEG-Eingangssignale und Grundliniensignalen übereinstimmen, die für die Einheit (wie oben erläutert) innerhalb eines Vertrauensschwellenwertes ermittelt wurden.
Wenn der konfigurierte Prozessor bei 310 feststellt, dass die gekennzeichneten Trainingssatzanteile des KNN oder zugehörige Deltas nicht mit Anteilen der EEG-Eingangssignale innerhalb des Vertrauensschwellenwertes übereinstimmen, wählt der konfigurierte Prozessor bei 312 iterativ ein weiteres, unterschiedliches Datenelement für die Einheit aus, die versucht, sich bei 314 anzumelden, wobei der Prozess zu 302 zurückkehrt. Bei diesem Aspekt wird erkannt, dass eine fehlende Übereinstimmung mit einem der gekennzeichneten Signalanteile im KNN bei 310 physiologischen Attributen einer Personeneinheit oder Störungen im System geschuldet sein kann, und folglich wird bei dem Aspekt der Einheit eine weitere Chance gegeben, sich durch Verarbeiten von anderen sensorischen Elementen zu qualifizieren, darunter solche, die Verknüpfungsanforderungen erfüllen, bis sie bei 310 erfolgreich sind oder bei 308 zu viele Versuche unternommen werden.
Wenn der konfigurierte Prozessor bei 310 feststellt, dass die gekennzeichneten Trainingssatzanteile des KNN oder zugehörige Deltas innerhalb des Vertrauensschwellenwertes mit Anteilen der EEG-Eingangssignale übereinstimmen, stellt der konfigurierte Prozessor folglich bei 314 fest, dass die Eingabe nachweislich wahrscheinlich von einer Person und nicht von einem Bot stammt.
Überprüfen des Signals bei 304 kann außerdem Ermitteln hinsichtlich eines Ursprungs des erfassten Signals umfassen, wobei der konfigurierte Prozessor prüft, ob das EEG-Eingangssignal direkt von einer EEG-Einheit stammt (zum Beispiel durch Ausführen eines Skripts in einer Endbenutzer-Maschine oder durch Ausführen einer Handshake-Routine usw.). Dadurch wird vermieden, dass Bots oder Hacker bei 302 über Verwenden von fest codierten Stichproben von EEG-Signalen eine Signaleingabe einer Person vortäuschen. Zusätzliche Eingaben von einer Einheit oder einem Benutzer können verwendet werden, um zu überprüfen, ob EEG-Messungen von einem Benutzer stammen (und es sich nicht um eine Dateikopie oder eine Aufzeichnung handelt, die zu einem früheren Zeitpunkt erzeugt wurde). Zu Beispielen für Verifizierungseingaben gehören eindeutige Geräte- oder Sensorkennungen von persönlichen mobilen Benutzereinheiten wie etwa Smartwatches, Smartphones, Herzschlagsensoren, Beschleunigungsmesser usw. Vorangemeldete Internet-der-Dinge- (loT-) Einheiten wie Smart-House-Sensoren können ebenfalls verwendet werden, um zu überprüfen, ob der Benutzer zu Hause ist, einschließlich einer Gegenprobe von loT-Daten zu Internet-Protocol- (IP-) Adressen von Daten, die zum Bestätigen des Benutzerstandortes empfangen werden.
Aspekte der vorliegenden Erfindung können außerdem zusätzliche Verifizierungsroutinen und -prozesse umfassen: zum Beispiel kann der konfigurierte Prozessor eine ein EEG-Signal bereitstellende Einheit auffordern, einen Vorgang auszuführen (sprechen, sich bewegen, blinzeln usw.), wobei das EEG-Signal den ausgeführten physischen Vorgang darstellt. Solche Ausführungsformen können ein leistungsfähigeres Identifizieren ermöglichen und erfordern weniger Training, wobei die EEG-Signale, die sich aus dem Ausführen der geforderten Vorgänge ergeben, im Verhältnis zu mentalen Verarbeitungsroutinen eindeutiger und besser nachvollziehbar sind, da sie Eigenschaften haben, die für das System leichter als eindeutig zugehörige EEG-Signale zu erkennen sind.
Bei Aspekten können bekannte Bots protokolliert und eine schwarze Liste von Bots erstellt werden, die versucht haben, eine EEG-Antwort zu simulieren, indem sie Daten und Metadaten aufzeichnen, die bekannten Täuschungsversuchen zuzuordnen sind (Benutzername, Mailadresse, IP-Adresse, Server-Standorte usw.). Das Überprüfen bei 304 kann außerdem Ermitteln erfordern, ob Daten, die einen Ursprung des bei 320 erfassten EEG-Signals anzeigen, sich nicht auf der schwarzen Liste befinden.
Bei Aspekten der vorliegenden Erfindung werden Datenbanken mit EEG-Ergebnissen auf der Grundlage eines vorgegebenen Reizes trainiert, der aufgrund einer Ähnlichkeit des EEG-Signals kategorisiert werden kann, und wobei die Ähnlichkeit durch prozentuelle Ähnlichkeit zwischen den Ergebnissen definiert werden kann. Bei Aspekten wird maschinelles Lernen verwendet, um auf der Grundlage der kategorisierten Ergebnisse Muster zu erzeugen, die zum Verbessern des Kategorisierens verwendet werden. Jedes EEG-Ergebnis kann sich in mehreren Kategorien befinden. Wenn der dem Benutzer bereitgestellte Reiz zum Beispiel in Form eines Bildes eines roten Autos vorliegt, kann das Gehirn des Benutzers an ein Auto (Objekt) denken (ein Bild eines Autos verarbeiten), an die Farbe (Eigenschaft), die Form (Merkmal), die Marke (Charakteristikum) usw., und einige Aspekte können EEG-Signale in Bezug auf jede dieser verschiedenen Kategorien markieren, wodurch die Chancen für eine positive Übereinstimmung erhöht werden, wenn das System dasselbe Bild einem anderen Benutzer präsentiert (da die Antwort nicht nur mit den Ergebnissen anderer Autos, sondern auch mit anderen Lesevorgängen mit der gleichen Farbe, Marke, dem gleichen Merkmal usw. abgeglichen wird). Trainierte und gekennzeichnete EEG-Signalanteilsätze können gemeinsam genutzt werden (zum Beispiel als Dienst), um anderen Benutzern ein Verwenden in ihren eigenen Systemen zu ermöglichen.
Außerdem können bei Aspekten die für jeden Benutzer personalisierten trainierten und gekennzeichneten EEG-Signalanteilsätze personalisiert werden. Zum Beispiel können bei Aspekten eine Mehrzahl von zugehörigen EEG-Messungen für einen bestimmten Benutzer hochgeladen werden, wobei mehrere EEG-Messungen angefordert werden, bis das System eine statistische Sicherheit für diesen Benutzer erreicht, die aufgrund von Benutzereigenschaften und -erfordernissen variieren kann.
Bei Aspekten können aus einem EEG-Signal (einer Antwort) Eingaben mit mehreren Faktoren (oder mehreren Schichten) erzeugt werden. Anstatt ein EEG-Signal lediglich einem Reiz eines menschlichen Gedankens in einer Dimension zuzuordnen, werden bei Aspekten zusätzliche Abstraktionsschichten hinzugefügt, indem das Delta zwischen Aktivitäten und die verschiedenen Charakteristika zwischen verschiedenen durch eine Person ausgeführten Aktionen berücksichtigt wird.
Die hierin verwendete Terminologie dient lediglich zum Beschreiben von Aspekten und soll die Erfindung nicht einschränken. Wie hierin verwendet, sollen die Singularformen „ein(e)“ und „der/die/das“ auch die Pluralformen mit einschließen, sofern aus dem Kontext nicht eindeutig etwas anderes hervorgeht. Außerdem versteht es sich von selbst, dass die Begriffe „enthalten“ und „enthaltend“ bei Verwenden in dieser Beschreibung das Vorhandensein von dargelegten Merkmalen, ganzen Zahlen, Schritten, Arbeitsgängen, Elementen und/oder Komponenten angeben, jedoch das Vorhandensein oder Hinzufügen von einem oder mehreren anderen Merkmalen, ganzen Zahlen, Schritten, Arbeitsgängen, Elementen, Komponenten und/oder Gruppen aus diesen nicht ausschließen. Bestimmte in der vorliegenden Beschreibung beschriebene Beispiele und Elemente, die in den Ansprüchen enthalten sind und in den Figuren veranschaulicht werden, können durch eindeutige Adjektive von anderen unterschieden oder anderweitig erkannt werden (z.B. kann ein „erstes“ Element von einem weiteren „zweiten“ oder „dritten“ aus einer Mehrzahl von Elementen unterschieden werden, ein „primäres“ von einem „sekundären“ oder „weiteren“ Element usw.) Solche identifizierenden Adjektive werden im Allgemeinen verwendet, um Verwechslung oder Unsicherheit zu verringern und sollen nicht die Ansprüche auf ein spezifisches veranschaulichtes Element oder eine spezifische veranschaulichte Ausführungsform beschränken oder eine Rangordnung, Reihenfolge oder Reihung von Anspruchselementen, Einschränkungen oder Prozessschritten andeuten.
Die Beschreibungen der verschiedenen Ausführungsformen der vorliegenden Erfindung wurden zur Veranschaulichung dargelegt, sollen jedoch nicht erschöpfend oder auf die offenbarten Ausführungsformen beschränkt sein. Viele Modifikationen und Änderungen sind für Fachleute offensichtlich, ohne vom Schutzumfang der beschriebenen Ausführungsformen abzuweichen. Die hierin verwendete Terminologie wurde gewählt, um die Grundgedanken der Ausführungsformen, die praktische Anwendung oder technische Verbesserung gegenüber auf dem Markt erhältlichen Technologien bestmöglich zu erläutern, um anderen Fachleuten ein Verständnis der hierin offenbarten Ausführungsformen zu ermöglichen.

Claims

Durch einen Computer implementiertes Verfahren für einen Personendetektor auf der Grundlage einer neuronalen Antwort, wobei das Verfahren Ausführen auf einem Computerprozessor aufweist: Erhalten von ersten Elektroenzephalogrammsignalen von einer Einheit, während der Einheit erste sensorische Informationen präsentiert werden; Vergleichen der erhaltenen ersten Elektroenzephalogrammsignale mit jedem aus einer Mehrzahl von trainierten Profilanteilen von Elektroenzephalogrammsignalen, die als erste sensorische Informationen gekennzeichnet sind, wobei die als erste sensorische Informationen gekennzeichneten Profilanteile von Elektroenzephalogrammsignalen Elektroenzephalogrammsignale darstellen, die von einer Mehrzahl verschiedener Personen in Abhängigkeit davon, dass den verschiedenen Personen sensorische Informationen präsentiert werden, die den ersten sensorischen Informationen entsprechen, am häufigsten erzeugt werden; und Ermitteln, ob es sich bei der Einheit um eine Person handelt, in Abhängigkeit von einer Stärke der Übereinstimmung der erhaltenen ersten Elektroenzephalogrammsignale mitdenjenigen aus der Mehrzahl von als erste sensorische Informationen gekennzeichneten trainierten Profilanteilen von Elektroenzephalogrammsignalen, die höchste häufigste Gewichtungen haben.
Verfahren nach Anspruch 1, das außerdem aufweist: Erhalten von zweiten Elektroenzephalogrammsignalen von der Einheit in Reaktion darauf, dass der Einheit zweite sensorische Informationen präsentiert werden, die sich von den ersten sensorischen Informationen unterscheiden; Vergleichen der erhaltenen zweiten Elektroenzephalogrammsignalen mit jedem aus einer Mehrzahl von trainierten Profilanteilen von Elektroenzephalogrammsignalen, die als zweite sensorische Informationen gekennzeichnet sind, wobei die als erste sensorische Informationen gekennzeichneten Trainingssatzanteile der zweiten sensorischen Informationen Elektroenzephalogrammsignale darstellen, die von der Mehrzahl verschiedener Personen in Abhängigkeit davon, dass den verschiedenen Personen sensorische Informationen präsentiert werden, die den zweiten sensorischen Informationen entsprechen, am häufigsten erzeugt werden; und wobei das Ermitteln, ob es sich bei der Einheit um eine Person handelt, außerdem von einer Stärke der Übereinstimmung der erhaltenen zweiten Elektroenzephalogrammsignale mit am höchsten gewichteten aus der Mehrzahl von als zweite sensorische Informationen gekennzeichneten trainierten Profilanteilen von Elektroenzephalogrammsignalen abhängig ist.
Verfahren nach Anspruch 1, das außerdem aufweist: Feststellen, dass es sich bei der Einheit nicht um eine Person handelt, in Reaktion auf Feststellen, dass die erhaltenen ersten Elektroenzephalogrammsignale mit einem der als erste sensorische Informationen gekennzeichneten trainierten Profilanteile von Elektroenzephalogrammsignalen innerhalb eines angegebenen Genauigkeitswertes übereinstimmen.
Verfahren nach Anspruch 1, das außerdem aufweist: Auswählen der ersten sensorischen Informationen, so dass sie mit einem Charakteristikum der Einheit übereinstimmen, das mit einem Charakteristikum der Mehrzahl verschiedener Personen übereinstimmt, wobei das Charakteristikum der Einheit aus der Gruppe ausgewählt wird, die aus demografischen Daten, Kundenkategorie, Tätigkeitsbeschreibung, Fähigkeiten und Arbeitgeberidentität besteht.
Verfahren nach Anspruch 1, das außerdem aufweist: Überprüfen, ob eine Eingabe der Elektroenzephalogrammsignale der ersten Einheit direkt von einem zugelassenen Gerät stammen, in Abhängigkeit von einem Prozess, der aus der Gruppe ausgewählt wurde, die aus Ausführen eines Skripts in einer Endbenutzermaschine, die die Eingabe der Elektroenzephalogrammsignale der Einheit bereitstellt, und Ausführen einer Handshake-Routine in der Endbenutzermaschine besteht; und Feststellen, dass es sich bei der Einheit nicht um eine Person handelt, in Reaktion auf Feststellen eines Fehlers beim Überprüfen.
Verfahren nach Anspruch 1, das außerdem aufweist: Erhalten von Grundlinien-Elektroenzephalogrammsignalen der Einheit, während der Einheit sensorische Grundlinieninformationen präsentiert werden, die sich von den ersten sensorischen Informationen unterscheiden; Ermitteln eines Deltawerts als Differenz zwischen einem Wert eines Attributs der erhaltenen ersten Elektroenzephalogrammsignale und einem Wert des Attributs der erhaltenen Grundlinien-Elektroenzephalogrammsignale; wobei das Vergleichen der erhaltenen ersten Elektroenzephalogrammsignale mit jedem aus der Mehrzahl von als erste sensorische Informationen gekennzeichneten trainierten Profilanteilen von Elektroenzephalogrammsignalen Vergleichen des ermittelten Delta-Werts mit jedem aus einer Mehrzahl von als erste sensorische Informationen gekennzeichneten Delta-Profilanteilen von Elektroenzephalogrammsignalen aufweist, wobei die Mehrzahl von als erste sensorische Informationen gekennzeichneten Delta-Profilanteilen von Elektroenzephalogrammsignalen jeweils als Differenzen zwischen Elektroenzephalogrammsignalen ermittelt werden, die von denjenigen aus der Mehrzahl verschiedener Personen während eines Präsentierens der ersten sensorischen Informationen am häufigsten erhalten wurden im Verhältnis zu Grundlinien-Elektroenzephalogrammsignalen der Einheit, die von denjenigen aus der Mehrzahl verschiedener Personen während eines Präsentierens von sensorischen Grundlinieninformationen am häufigsten erhalten wurden.
Verfahren nach Anspruch 6, wobei es sich beim Präsentieren der sensorischen Grundlinieninformationen um eine Präsentationsphase „ohne Aktivität“ handelt.
Verfahren nach Anspruch 1, das außerdem aufweist: Erhalten von ersten Trainings-Elektroenzephalogrammsignalen von einer ersten Person während eines ersten Trainingszeitraums, wobei die ersten Trainings-Elektroenzephalogrammsignale von der ersten Person in Reaktion darauf erzeugt werden, dass der ersten Person während des ersten Trainingszeitraums die ersten sensorischen Informationen präsentiert werden; Vergleichen der erhaltenen ersten Trainings-Elektroenzephalogrammsignale mit jedem aus der Mehrzahl von trainierten Profilanteilen von Elektroenzephalogrammsignalen, die als erste sensorische Informationen gekennzeichnet sind; und Gewichten von jedem aus der Mehrzahl von als Trainingssatzanteile der ersten sensorischen Informationen gekennzeichneten trainierten Profilanteilen von Elektroenzephalogrammsignalen, um häufigste Gewichtswerte in Reaktion auf Feststellen einer Ähnlichkeit mit Profilanteilen der erhaltenen ersten Trainings-Elektroenzephalogrammsignale zu erhöhen und um die häufigsten Gewichtswerte in Reaktion auf Feststellen einer Verschiedenheit zu den Profilanteilen der erhaltenen ersten Trainings-Elektroenzephalogrammsignale zu verringern.
Verfahren nach Anspruch 8, das außerdem aufweist: Trainieren der Mehrzahl von trainierten Profilanteilen von Elektroenzephalogrammsignalen, die als erste sensorische Informationen gekennzeichnet sind, durch iteratives Wiederholen für eine Mehrzahl neuer Personen, bis festgestellt wird, dass eine Schwellenanzahl von denjenigen der als erste sensorische Informationen gekennzeichneten Trainingssatzanteile, die höchste häufigste Gewichte haben, einen Schwellengewichtungswert haben: Erhalten von Trainings-Elektroenzephalogrammsignalen neuer Personen, die von jeder Person in Reaktion darauf erzeugt werden, dass jeder neuen Person während erster Trainingszeiträume die ersten sensorischen Informationen präsentiert werden; Vergleichen der erhaltenen Trainings-Elektroenzephalogrammsignalen neuer Personen mit jedem aus der Mehrzahl von trainierten Profilanteilen von Elektroenzephalogrammsignalen, die als Trainingssatzanteile der ersten sensorischen Informationen gekennzeichnet sind; und Korrigieren des Gewichtens von jedem aus der Mehrzahl der trainierten Profilanteile von Elektroenzephalogrammsignalen, die als Trainingssatzanteile der ersten sensorischen Informationen gekennzeichnet sind, um in Reaktion auf Feststellen einer Ähnlichkeit mit Profilanteilen der erhaltenen Trainings-Elektroenzephalogrammsignale neuer Personen häufigste Gewichtswerte zu erhöhen und um in Reaktion auf Feststellen einer Verschiedenheit zu den Profilanteilen der erhaltenen Trainings-Elektroenzephalogrammsignale neuer Personen häufigste Gewichtswerte zu verringern.
Verfahren nach Anspruch 1, das außerdem aufweist: Integrieren eines durch einen Computer lesbaren Programmcodes in ein Computersystem, das einen Prozessor, einen durch einen Computer lesbaren Speicher in Schaltverbindung mit dem Prozessor und ein durch einen Computer lesbares Speichermedium in Schaltverbindung mit dem Prozessor aufweist; und wobei der Prozessor Programmcodeanweisungen, die auf dem durch einen Computer lesbaren Speichermedium gespeichert sind, über den durch einen Computer lesbaren Speicher ausführt und dabei ausführt: Erhalten der Elektroenzephalogrammsignale von der Einheit, während der Einheit die ersten sensorischen Informationen präsentiert werden, Vergleichen der erhaltenen Elektroenzephalogrammsignale mit jedem aus der Mehrzahl von trainierten Profilanteilen von Elektroenzephalogrammsignalen, die als erste sensorische Informationen gekennzeichnet sind, und Ermitteln, ob es sich bei der Einheit um eine Person handelt, in Abhängigkeit von der Stärke an Übereinstimmung der erhaltenen Elektroenzephalogrammsignale mit denjenigen aus der Mehrzahl von als erste sensorische Informationen gekennzeichneten trainierten Profilanteilen von Elektroenzephalogrammsignalen, die die höchsten häufigsten Gewichtungen haben.
Verfahren nach Anspruch 10, wobei der durch einen Computer lesbare Programmcode als Dienst in einer Cloud-Umgebung bereitgestellt wird.
System, das aufweist: einen Prozessor; einen durch einen Computer lesbaren Speicher in Schaltverbindung mit dem Prozessor; und ein durch einen Computer lesbares Speichermedium Schaltverbindung mit dem Prozessor; wobei der Prozessor Programmanweisungen, die auf dem durch einen Computer lesbaren Speichermedium gespeichert sind, über den durch einen Computer lesbaren Speicher ausführt und dabei: Elektroenzephalogrammsignale von einer Einheit erhält, während der Einheit erste sensorische Informationen präsentiert werden; die erhaltenen Elektroenzephalogrammsignale mit jedem aus einer Mehrzahl von trainierten Profilanteilen von Elektroenzephalogrammsignalen vergleicht, die als die ersten sensorischen Informationen gekennzeichnet sind, wobei die als die ersten sensorischen Informationen gekennzeichneten Profilanteile von Elektroenzephalogrammsignalen Elektroenzephalogrammsignale darstellen, die von einer Mehrzahl verschiedener Personen in Abhängigkeit davon, dass den verschiedenen Personen sensorische Informationen präsentiert werden, die den ersten sensorischen Informationen entsprechen, am häufigsten erzeugt werden; und ermittelt, ob es sich bei der Einheit um eine Person handelt, in Abhängigkeit von einer Stärke der Übereinstimmung der erhaltenen Elektroenzephalogrammsignale mit denjenigen aus der Mehrzahl von als erste sensorische Informationen gekennzeichneten trainierten Profilanteilen von Elektroenzephalogrammsignalen, die höchste häufigste Gewichtungen haben.
System nach Anspruch 12, wobei der Prozessor die Programmanweisungen, die auf dem durch einen Computer lesbaren Speichermedium gespeichert sind, über den durch einen Computer lesbaren Speicher ausführt und dabei: zweite Elektroenzephalogrammsignale von der Einheit in Reaktion darauf erhält, dass der Einheit zweite sensorische Informationen gezeigt werden, die sich von den ersten sensorischen Informationen unterscheiden; die erhaltenen zweiten Elektroenzephalogrammsignale mit jedem aus einer Mehrzahl von trainierten Profilanteilen von Elektroenzephalogrammsignalen vergleicht, die als zweite sensorische Informationen gekennzeichnet sind, wobei die als die ersten sensorischen Informationen gekennzeichneten Trainingssatzanteile der zweiten sensorischen Informationen Elektroenzephalogrammsignale darstellen, die von der Mehrzahl verschiedener Personen in Abhängigkeit davon am häufigsten erzeugt wurden, dass den verschiedenen Personen sensorische Informationen präsentiert wurden, die den zweiten sensorischen Informationen entsprechen; und ermittelt, ob es sich bei der Einheit um eine Person handelt, in Abhängigkeit von einer Stärke der Übereinstimmung der erhaltenen zweiten Elektroenzephalogrammsignale mit am höchsten gewichteten aus der Mehrzahl von trainierten Profilanteilen von Elektroenzephalogrammsignalen, die als die zweiten sensorischen Informationen gekennzeichnet sind.
System nach Anspruch 12, wobei der Prozessor die Programmanweisungen, die auf dem durch einen Computer lesbaren Speichermedium gespeichert sind, über den durch einen Computer lesbaren Speicher ausführt und dabei: Grundlinien-Elektroenzephalogrammsignale von der Einheit erhält, während der Einheit sensorische Grundlinieninformationen präsentiert werden, die sich von den ersten sensorischen Informationen unterscheiden; einen Deltawert als eine Differenz zwischen einem Wert eines Attributs der erhaltenen ersten Elektroenzephalogrammsignale und einem Wert des Attributs der erhaltenen Grundlinien-Elektroenzephalogrammsignale ermittelt; und die erhaltenen ersten Elektroenzephalogrammsignale mit jedem aus der Mehrzahl von als erste sensorische Informationen gekennzeichneten trainierten Profilanteilen von Elektroenzephalogrammsignalen vergleicht, indem er den ermittelten Deltawert mit jedem aus einer Mehrzahl von als erste sensorische Informationen gekennzeichneten Delta-Profilanteilen von Elektroenzephalogrammsignalen vergleicht, wobei die Mehrzahl von als erste sensorische Informationen gekennzeichneten Delta-Profilanteilen von Elektroenzephalogrammsignalen jeweils als Differenzen zwischen Elektroenzephalogrammsignalen, die von denjenigen aus der Mehrzahl verschiedener Personen während des Präsentierens der ersten sensorischen Informationen am häufigsten erhalten wurden, im Verhältnis zu Grundlinien-Elektroenzephalogrammsignalen der Einheit ermittelt werden, die von denjenigen aus der Mehrzahl verschiedener Personen während des Präsentierens der sensorischen Grundlinieninformationen am häufigsten erhalten wurden.
System nach Anspruch 12, wobei der Prozessor die Programmanweisungen, die auf dem durch einen Computer lesbaren Speichermedium gespeichert sind, über den durch einen Computer lesbaren Speicher ausführt und dabei: erste Trainings-Elektroenzephalogrammsignale von einer ersten Person während eines ersten Trainingszeitraums erhält, wobei die ersten Trainings-Elektroenzephalogrammsignale von der ersten Person erzeugt werden, während der ersten Person während des ersten Trainingszeitraums die ersten sensorischen Informationen präsentiert werden; die erhaltenen ersten Trainings-Elektroenzephalogrammsignale mit jedem aus einer Mehrzahl von trainierten Profilanteilen von Elektroenzephalogrammsignalen vergleicht, die als die ersten sensorischen Informationen gekennzeichnet sind; und jeden aus der Mehrzahl von trainierten Profilanteilen von Elektroenzephalogrammsignalen gewichtet, die als Trainingssatzanteile der ersten sensorischen Informationen gekennzeichnet sind, um häufigste Gewichtswerte in Reaktion auf Feststellen einer Ähnlichkeit mit Profilanteilen der erhaltenen ersten Trainings-Elektroenzephalogrammsignale zu erhöhen und um die häufigsten Gewichtswerte in Reaktion auf Feststellen einer Verschiedenheit zu den Profilanteilen der erhaltenen ersten Trainings-Elektroenzephalogrammsignale zu verringern.
Computerprogrammprodukt für einen Personendetektor auf der Grundlage einer neuronalen Antwort, wobei das Computerprogrammprodukt aufweist: ein durch einen Computer lesbares Speichermedium mit einem darin enthaltenen durch einen Computer lesbaren Programmcode, wobei das durch einen Computer lesbare Speichermedium kein flüchtiges Signal an sich ist, wobei der durch einen Computer lesbare Programmcode Anweisungen zum Ausführen durch einen Prozessor aufweist, die den Prozessor veranlassen zum: Erhalten von Elektroenzephalogrammsignalen von einer Einheit, während der Einheit erste sensorische Informationen präsentiert werden; Vergleichen der erhaltenen Elektroenzephalogrammsignale mit jedem aus einer Mehrzahl von trainierten Profilanteilen von Elektroenzephalogrammsignalen, die als erste sensorische Informationen gekennzeichnet sind, wobei die als erste sensorische Informationen gekennzeichneten Profilanteile von Elektroenzephalogrammsignalen Elektroenzephalogrammsignale darstellen, die von einer Mehrzahl verschiedener Personen in Abhängigkeit davon, dass den verschiedenen Personen sensorische Informationen präsentiert werden, die den ersten sensorischen Informationen entsprechen, am häufigsten erzeugt werden; und Ermitteln, ob es sich bei der Einheit um eine Person handelt, in Abhängigkeit von einer Stärke der Übereinstimmung der erhaltenen Elektroenzephalogrammsignale mit denjenigen aus der Mehrzahl von als erste sensorische Informationen gekennzeichneten trainierten Profilanteilen von Elektroenzephalogrammsignalen, die höchste häufigste Gewichtungen haben.
Computerprogrammprodukt nach Anspruch 16, wobei die durch einen Computer lesbaren Programmcodeanweisungen zum Ausführen durch den Prozessor den Prozessor außerdem veranlassen zum: Erhalten von zweiten Elektroenzephalogrammsignalen von der Einheit in Reaktion darauf, dass der Einheit zweite sensorische Informationen präsentiert werden, die sich von den ersten sensorischen Informationen unterscheiden; Vergleichen der erhaltenen zweiten Elektroenzephalogrammsignalen mit jedem aus einer Mehrzahl von trainierten Profilanteilen von Elektroenzephalogrammsignalen, die als zweite sensorische Informationen gekennzeichnet sind, wobei die als erste sensorische Informationen gekennzeichneten Trainingssatzanteile der zweiten sensorischen Informationen Elektroenzephalogrammsignale darstellen, die von der Mehrzahl verschiedener Personen in Abhängigkeit davon, dass den verschiedenen Personen sensorische Informationen präsentiert werden, die den zweiten sensorischen Informationen entsprechen, am häufigsten erzeugt werden; und Ermitteln, ob es sich bei der Einheit um eine Person handelt, in Abhängigkeit von einer Stärke der Übereinstimmung der erhaltenen zweiten Elektroenzephalogrammsignale mit am höchsten gewichteten aus der Mehrzahl von trainierten Profilanteilen von Elektroenzephalogrammsignalen, die als zweite sensorische Informationen gekennzeichnet sind.
Computerprogrammprodukt nach Anspruch 16, wobei die durch einen Computer lesbaren Programmcodeanweisungen zum Ausführen durch den Prozessor den Prozessor außerdem veranlassen zum: Erhalten von Grundlinien-Elektroenzephalogrammsignalen von der Einheit, während der Einheit sensorische Grundlinieninformationen präsentiert werden, die sich von den ersten sensorischen Informationen unterscheiden; Ermitteln eines Deltawerts als Differenz zwischen einem Wert eines Attributs der erhaltenen ersten Elektroenzephalogrammsignale und einem Wert des Attributs der erhaltenen Grundlinien-Elektroenzephalogrammsignale; und Vergleichen der erhaltenen ersten Elektroenzephalogrammsignale mit jedem aus der Mehrzahl von als erste sensorische Informationen gekennzeichneten trainierten Profilanteilen von Elektroenzephalogrammsignalen durch Vergleichen des ermittelten Deltawerts mit jedem aus einer Mehrzahl von als erste sensorische Informationen gekennzeichneten Delta-Profilanteilen von Elektroenzephalogrammsignalen, wobei die Mehrzahl von als erste sensorische Informationen gekennzeichneten Delta-Profilanteilen von Elektroenzephalogrammsignalen jeweils als Differenzen zwischen Elektroenzephalogrammsignalen ermittelt werden, die von denjenigen aus der Mehrzahl verschiedener Personen während eines Präsentierens der ersten sensorischen Informationen am häufigsten erhalten wurden, im Verhältnis zu Grundlinien-Elektroenzephalogrammsignalen der Einheit, die von denjenigen aus der Mehrzahl verschiedener Personen während eines Präsentierens von sensorischen Grundlinieninformationen am häufigsten erhalten wurden.
Computerprogrammprodukt nach Anspruch 16, wobei die durch einen Computer lesbaren Programmcodeanweisungen zum Ausführen durch den Prozessor den Prozessor außerdem veranlassen zum: Erhalten von ersten Trainings-Elektroenzephalogrammsignalen von einer ersten Person während eines ersten Trainingszeitraums, wobei die ersten Trainings-Elektroenzephalogrammsignale von der ersten Person in Reaktion darauf erzeugt werden, dass der ersten Person während des ersten Trainingszeitraums die ersten sensorischen Informationen präsentiert werden; Vergleichen der erhaltenen ersten Trainings-Elektroenzephalogrammsignale mit jedem aus der Mehrzahl von trainierten Profilanteilen von Elektroenzephalogrammsignalen, die als erste sensorische Informationen gekennzeichnet sind; und Gewichten von jedem aus der Mehrzahl von trainierten Profilanteilen von Elektroenzephalogrammsignalen die als Trainingssatzanteile der ersten sensorischen Informationen gekennzeichnet sind, um häufigste Gewichtswerte in Reaktion auf Feststellen einer Ähnlichkeit mit Profilanteilen der erhaltenen ersten Trainings-Elektroenzephalogrammsignale zu erhöhen und um die häufigsten Gewichtswerte in Reaktion auf Feststellen einer Verschiedenheit zu den Profilanteilen der erhaltenen ersten Trainings-Elektroenzephalogrammsignale zu verringern.
Computerprogrammprodukt nach Anspruch 19, wobei die durch einen Computer lesbaren Programmcodeanweisungen zum Ausführen durch den Prozessor den Prozessor außerdem veranlassen zum: Trainieren der Mehrzahl von als erste sensorische Informationen gekennzeichneten trainierten Profilanteilen von Elektroenzephalogrammsignalen durch iteratives Wiederholen für jede aus der Mehrzahl neuer Personen, bis festgestellt wird, dass eine Schwellenanzahl von denjenigen der als erste sensorische Informationen gekennzeichneten Trainingssatzanteile, die höchste häufigste Gewichte haben, einen Schwellengewichtungswert hat: Erhalten von Trainings-Elektroenzephalogrammsignalen neuer Personen, die von jeder neuen Person in Reaktion darauf erzeugt werden, dass jeder neuen Person während erster Trainingszeiträume die ersten sensorischen Informationen präsentiert werden; Vergleichen der erhaltenen Trainings-Elektroenzephalogrammsignale neuer Personen mit jedem aus der Mehrzahl von trainierten Profilanteilen von Elektroenzephalogrammsignalen, die als Trainingssatzanteile der ersten sensorischen Informationen gekennzeichnet sind; und Korrigieren des Gewichtens von jedem aus der Mehrzahl der als Trainingssatzanteile der ersten sensorischen Informationen gekennzeichneten trainierten Profilanteilen von Elektroenzephalogrammsignalen, um häufigste Gewichtswerte in Reaktion auf Feststellen einer Ähnlichkeit mit Profilanteilen der erhaltenen Trainings-Elektroenzephalogrammsignale neuer Personen zu erhöhen und um häufigste Gewichtswerte in Reaktion auf Feststellen einer Verschiedenheit zu den Profilanteilen der erhaltenen Trainings-Elektroenzephalogrammsignale neuer Personen zu verringern.