ES2905570T3 - Técnica para la recuperación eficiente de datos de personalidad - Google Patents

Técnica para la recuperación eficiente de datos de personalidad Download PDF

Info

Publication number
ES2905570T3
ES2905570T3 ES19163909T ES19163909T ES2905570T3 ES 2905570 T3 ES2905570 T3 ES 2905570T3 ES 19163909 T ES19163909 T ES 19163909T ES 19163909 T ES19163909 T ES 19163909T ES 2905570 T3 ES2905570 T3 ES 2905570T3
Authority
ES
Spain
Prior art keywords
user
questions
personality
personality data
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
ES19163909T
Other languages
English (en)
Inventor
Daniel Giersch
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
2HFutura SA
Original Assignee
2HFutura SA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 2HFutura SA filed Critical 2HFutura SA
Application granted granted Critical
Publication of ES2905570T3 publication Critical patent/ES2905570T3/es
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/167—Personality evaluation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/18—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state for vehicle drivers or machine operators
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W40/09—Driving style or behaviour
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/06—Improving the dynamic response of the control system, e.g. improving the speed of regulation or avoiding hunting or overshoot
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62D—MOTOR VEHICLES; TRAILERS
    • B62D65/00—Designing, manufacturing, e.g. assembling, facilitating disassembly, or structurally modifying motor vehicles or trailers, not otherwise provided for
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/01—Occupants other than the driver
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/22—Psychological state; Stress level or workload
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/229—Attention level, e.g. attentive to driving, reading or sleeping
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Transportation (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Hospice & Palliative Care (AREA)
  • Social Psychology (AREA)
  • Databases & Information Systems (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Educational Technology (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)

Abstract

Un método que incluye la recuperación de una representación digital de los datos de personalidad de un usuario (402) por un dispositivo de cliente (502; 406) desde un servidor (404), siendo procesada la representación digital de los datos de personalidad en el dispositivo de cliente (406) para adaptar la configuración de conducción de un vehículo al usuario (402), siendo realizado el procedimiento por el servidor (404) y que comprende: almacenar (S202) una red neuronal (602) entrenada para computar datos de personalidad de un usuario (402) sobre la base de la entrada obtenida del usuario (402); recibir (S204), del dispositivo de cliente (502; 406), una solicitud de una representación digital de datos de personalidad para un usuario (402); y enviar (S206), al dispositivo de cliente (502; 406), la representación digital solicitada de los datos de personalidad del usuario (402), siendo procesada la representación digital de los datos de personalidad del usuario (402) en el dispositivo de cliente (502; 406) para adaptar una configuración de conducción de un vehículo (406) a una personalidad del usuario (402), en donde los datos de personalidad del usuario (402) se computan utilizando la red neuronal (602) sobre la base de la entrada obtenida del usuario (402), en donde los datos de personalidad del usuario (402) son indicativos de las características psicológicas del usuario (402) y en donde la entrada obtenida del usuario (402) corresponde a puntuaciones digitales que reflejan respuestas a preguntas relacionadas con la personalidad del usuario (402), en donde cada puntuación digital se usa como entrada a un nodo de entrada separado de la red neuronal (602) cuando se computan los datos de personalidad del usuario (402) usando la red neuronal (602), y en donde las preguntas corresponden a preguntas seleccionadas de un conjunto de preguntas representativas de un resultado alcanzable óptimamente de la computación de datos de personalidad de un usuario (402), en donde el conjunto de preguntas corresponde a preguntas de al menos uno del Conjunto Internacional de Elementos de Personalidad (IPIP), HEXACO-60 y Big-Five-Inventory-10 (BFI-10), en donde las preguntas seleccionadas corresponden a preguntas del conjunto de preguntas que se determina que son más influyentes con respecto al resultado óptimo alcanzable, y en donde la red neuronal se entrena sobre la base de los datos recogidos en una encuesta realizada con una pluralidad de personas de test, en donde la encuesta se lleva a cabo utilizando el conjunto de preguntas.

Description

DESCRIPCIÓN
Técnica para la recuperación eficiente de datos de personalidad
Campo técnico
La presente divulgación generalmente se relaciona con el campo de la recuperación de datos. En particular, se presenta una técnica para permitir la recuperación eficiente de una representación digital de datos de personalidad de un usuario por parte de un dispositivo de cliente desde un servidor. La técnica puede materializarse en métodos, programas informáticos, aparatos y sistemas.
Antecedentes
Los tests de personalidad se han utilizado durante décadas para evaluar las características de personalidad de las personas y, por lo general, se realizan sobre la base de los datos de la encuesta de personalidad obtenidos de una persona que se someterá a la test, en donde un profesional, como un psicólogo, evalúa los datos de la encuesta para concluir sobre la personalidad de la persona. El llamado modelo "OCÉANO" es una taxonomía ampliamente aceptada para los rasgos de personalidad, también conocidos como los rasgos de personalidad de los "Cinco Grandes", e incluye la apertura a la experiencia, la escrupulosidad, la extraversión, la amabilidad y el neuroticismo como dimensiones de la personalidad. Los tests de personalidad ampliamente conocidas que utilizan el modelo OCEAN incluyen tests basadas en el llamado Grupo Internacional de Elementos de Personalidad (IPIP), el inventario HEXACO-60 y el Big-Five-Inventory-10 (BFI-10), por ejemplo, que comprenden conjuntos de preguntas para probar a una persona en cada una de las cinco dimensiones de la personalidad. Dado que los tests de personalidad convencionales generalmente requieren una revisión por parte de un profesional humano, como un psicólogo, para obtener una valoración cualificada de los rasgos de personalidad de una persona, sin embargo, es difícil integrar la realización de tests de personalidad y sus resultados en procesos realizados en sistemas técnicos, aunque dicha integración podría ser beneficiosa porque permitiría adaptar los procesos para que se ajusten mejor a la personalidad de un usuario y, por lo tanto, mejorar la experiencia del usuario, como por ejemplo, proporcionando al usuario servicios adaptados al usuario.
La solicitud de patente US 2014/0309790 A1 da a conocer sistemas que proporcionan a un individuo o grupo de individuos un entorno vehicular intuitivo y cómodo. Según una realización, la personalidad virtual de un usuario puede recuperarse y presentarse al usuario. Una o más características del vehículo se pueden alterar para cambiar un estado de ánimo asociado con la personalidad virtual. Por ejemplo, un módulo de personalidad puede comunicarse con un sistema de control de vehículo para cambiar la iluminación interna, la configuración de información y entretenimiento, la temperatura, el nivel de oxígeno, la composición del aire, la configuración de comodidad, la posición de asiento, la configuración de la transmisión y la salida de navegación.
La solicitud de patente EP 1 383 430 A1 divulga un método para analizar el comportamiento de un sujeto que comprende las etapas de realizar una o más mediciones u observaciones del sujeto, codificar las mediciones u observaciones en una pluralidad de canales y analizar los canales usando inteligencia artificial, para generar información relacionada a la psicología del sujeto.
El documento que no es de patente W. M. K. S. Ilmini et al: "Computational Personality Traits Assessment: A Review", 2017 IEEE International Conference on Industrial and Information Systems (ICIIS), IEEE, 15 de diciembre de 2017, páginas 1 -6, XP033324699, da a conocer métodos y teorías involucradas en la valoración de rasgos psicológicos y la evolución de la valoración de rasgos psicológicos computacionales con diferentes algoritmos de aprendizaje automático y diferentes conjuntos de características.
Compendio
En vista de lo anterior, existe la necesidad de una implementación técnica que haga prácticamente factible la integración de los tests de personalidad y sus resultados en procesos realizados sobre sistemas técnicos.
Según la presente invención, se proporcionan métodos para adaptar la configuración de conducción de un vehículo que incluyen una recuperación eficiente de una representación digital de datos de personalidad de un usuario por parte de un dispositivo de cliente desde un servidor y los correspondientes productos de programas informáticos, servidores, dispositivos de cliente y sistemas según reivindicaciones independientes. Las realizaciones preferidas se enumeran en las reivindicaciones dependientes.
Un primer método ejemplar para permitir la recuperación eficiente de una representación digital de datos de personalidad de un usuario por parte de un dispositivo de cliente desde un servidor, en donde la representación digital de los datos de personalidad se procesa en el dispositivo de cliente para proporcionar un servicio adaptado al usuario, lo realiza el servidor y comprende almacenar una red neuronal que se entrena para computar datos de personalidad de un usuario sobre la base de la entrada obtenida del usuario, recibir, del dispositivo de cliente, una solicitud de una representación digital de datos de personalidad para un usuario, y enviar, al dispositivo de cliente, la representación digital solicitada de los datos de personalidad del usuario, en donde los datos de personalidad del usuario se computan utilizando la red neuronal sobre la base de la entrada obtenida del usuario.
Al almacenar una red neuronal entrenada en el servidor y aplicarla para computar datos de personalidad de un usuario, la recuperación de una representación digital de los datos de personalidad del usuario puede hacerse automatizable (ya que es posible que ya no se necesiten las revisiones humanas convencionales) y, como tal, una integración de la recuperación y el uso de los datos de personalidad de los usuarios en los procesos (por ejemplo, automatizados) realizados en los sistemas técnicos puede llegar a ser factible. En particular, la red neuronal puede verse como una estructura de datos funcional y eficiente que permite computar los datos de personalidad solicitados en una sola ejecución computacional, es decir, introduciendo la entrada obtenida del usuario en los nodos de entrada de la red neuronal y leyendo los valores de salida resultantes representativos de los datos de personalidad de los nodos de salida de la red neuronal. Como tal, la red neuronal puede permitir una provisión eficiente de datos de personalidad en forma de representación digital al dispositivo de cliente, donde se puede usar para proporcionar un servicio adaptado a la personalidad particular del usuario, para así mejorar la experiencia del usuario en el lado del dispositivo de cliente. Debido a la provisión eficiente de datos, la integración de la recuperación y el uso de datos de personalidad puede volverse especialmente práctica ya que la representación digital de los datos de personalidad puede proporcionarse al dispositivo de cliente sin retraso significativo y se puede procesar en el dispositivo de cliente al instante. Por lo tanto, se puede lograr una implementación técnica que generalmente hace que la integración de la recuperación y el uso de datos de personalidad en procesos realizados en sistemas técnicos sea prácticamente factible.
Los datos de personalidad del usuario son indicativos de las características psicológicas (y, opcionalmente, de las preferencias) del usuario y, como tal, los datos de personalidad generalmente pueden incluir datos psicológicos además de datos médicos (por ejemplo, datos que indican una tendencia a la curiosidad, ansiedad, depresión, etc.), incluidos los datos de personalidad clásicos que pueden basarse en las dimensiones de personalidad de apertura a la experiencia, la escrupulosidad, la extraversión, la amabilidad y el neuroticismo (conocidos como los Cinco Grandes, como se ha descrito anteriormente), por ejemplo. La representación digital de los datos de personalidad del usuario puede comprender una representación digital de las características mencionadas, como una representación digital de al menos una de las dimensiones de personalidad de apertura a la experiencia, la escrupulosidad, la extraversión, la amabilidad y el neuroticismo, computada por la red neuronal para el usuario, por ejemplo.
El dispositivo de cliente se configura para procesar la representación digital de los datos de personalidad con la finalidad de permitir la prestación de un servicio adaptado al usuario. En una variante, el propio dispositivo de cliente puede ser configurable sobre la base de la representación digital de los datos de personalidad. Según la presente invención, el dispositivo que es configurable mediante la representación digital de los datos de personalidad es un vehículo. El vehículo puede ser el dispositivo de cliente. El vehículo puede procesar la representación digital recibida de los datos de personalidad del usuario (por ejemplo, un conductor del vehículo) y configurarse (por ejemplo, incluidos los subcomponentes del mismo) para adaptar la configuración de conducción del vehículo a la personalidad del conductor y para proporcionar así un servicio de conducción específicamente adaptado a la personalidad del usuario. Si los datos de personalidad indican que el conductor tiende a ser reacio al riesgo o ansioso, por ejemplo, la configuración de conducción del vehículo se puede configurar para estar más orientada a la seguridad, mientras que para los conductores que tienden a tener una personalidad más arriesgada, la configuración de conducción del vehículo se puede configurar para que sea más deportiva. Con este fin, entre otras configuraciones, el comportamiento de reacción de acelerador y freno del vehículo puede adaptarse en consecuencia. Los subcomponentes del vehículo que brindan servicios relacionados con vehículos también se pueden configurar sobre la base de los datos de personalidad, como un sistema de sonido del vehículo que incluye su configuración de sonido y volumen para adaptarse mejor a la personalidad del usuario, por ejemplo.
En otra variante, el dispositivo de cliente puede configurar al menos otro dispositivo sobre la base de la representación digital de los datos de personalidad, por ejemplo, cuando es al menos otro dispositivo el que proporciona el servicio al usuario. En tal variante, el dispositivo de cliente puede ser un terminal móvil (por ejemplo, un teléfono inteligente), por ejemplo, que puede interactuar (por ejemplo, usando Bluetooth) con el vehículo (es decir, en este caso, el vehículo corresponde al por lo menos un dispositivo) y, al recibir la representación digital de los datos de personalidad del servidor, el terminal móvil puede configurar el vehículo a través de la interfaz. Por lo tanto, se puede decir que la representación digital de los datos de personalidad del usuario se puede procesar en el dispositivo de cliente para configurar al menos un dispositivo que proporcione un servicio al usuario. Configurar el al menos un dispositivo puede comprender configurar al menos un ajuste del al menos un dispositivo y/o configurar al menos un ajuste de un servicio proporcionado por el al menos un dispositivo. Se entenderá que el vehículo es meramente un ejemplo de dispositivo que puede ser configurable sobre la base de datos de personalidad y que el dispositivo de cliente y/o el al menos otro dispositivo puede, en otras variantes que no forman parte de la presente invención, corresponder a otros tipos de dispositivos también.
En una implementación, el método realizado por el servidor puede comprender además recibir retroalimentación que caracteriza al usuario, actualizar la red neuronal sobre la base de la retroalimentación y enviar, al dispositivo de cliente, una representación digital de los datos de personalidad actualizados del usuario, en donde los datos actualizados los datos de personalidad del usuario se pueden computar utilizando la red neuronal actualizada. La representación digital de los datos de personalidad actualizados del usuario se puede procesar en el dispositivo de cliente para refinar una configuración del al menos un dispositivo que proporciona el servicio al usuario (por ejemplo, una de las configuraciones del vehículo mencionado anteriormente). La retroalimentación pueden recopilarse en el dispositivo de cliente y/o en al menos un dispositivo que proporciona el servicio al usuario y pueden ser indicativos de la personalidad del usuario. La retroalimentación puede incluir datos de comportamiento que reflejen el comportamiento del usuario monitorizado en al menos un dispositivo cuando usa el servicio proporcionado por al menos un dispositivo, por ejemplo, en donde, en una variante, los datos de comportamiento pueden monitorizarse usando mediciones (por ejemplo, basadas en sensor) realizadas por al menos un dispositivo que proporciona el servicio al usuario. En el ejemplo de vehículo, el comportamiento del usuario que se monitoriza puede ser el comportamiento de conducción del usuario y el comportamiento de conducción puede medirse mediante sensores en el vehículo, por ejemplo. Para medir el comportamiento de conducción, los sensores pueden detectar la reacción e intensidad de los frenos del usuario, por ejemplo, y dado que dichas medidas pueden ser indicativas de la personalidad de un usuario (por ejemplo, agresividad al conducir), esta información puede enviarse como retroalimentación al servidor para actualizar la red neuronal y, por lo tanto, refinar la capacidad de la red neuronal para computar datos de personalidad de los usuarios.
La actualización de la red neuronal puede incluir entrenar la red neuronal sobre la base de la retroalimentación recibida del dispositivo de cliente, en donde, si la retroalimentación representan un nuevo valor de aporte que aún no se ha introducido a la red neuronal, se puede añadir un nuevo nodo de entrada a la red neuronal y el nuevo valor de entrada puede asignarse al nuevo nodo de entrada al entrenar la red neuronal. Esto hace que el poder de la red neuronal como una estructura de datos funcional eficiente empleada en la implementación técnica presentada en esta memoria sea especialmente evidente: la red neuronal representa una estructura de datos actualizable de manera eficiente que puede actualizarse sobre la base de la retroalimentación arbitraria sobre la personalidad del usuario recibida del dispositivo de cliente para refinar su capacidad para computar datos de personalidad. La información transmitida por la retroalimentación se puede integrar directamente en la red neuronal y, una vez entrenada, se puede reflejar de inmediato en solicitudes posteriores enviadas al servidor que solicita representaciones digitales de datos de personalidad. Las técnicas convencionales de valoración de la personalidad son bastante fijas y es posible que no admitan dicha capacidad de actualización en absoluto.
La representación digital de la personalidad del usuario enviada desde el servidor al dispositivo de cliente puede corresponder a una representación digital de la personalidad del usuario que fue computada previamente por el servidor tras una solicitud previa para computar la personalidad del usuario (por ejemplo, al realizar un test de personalidad respondiendo a un conjunto de preguntas por parte del usuario). Los datos de personalidad del usuario pueden entonces ser computados antes de recibir la solicitud del dispositivo de cliente, en donde la solicitud puede incluir un código de acceso proporcionado previamente por el servidor al usuario al computar los datos de personalidad del usuario, en donde el código de acceso permite al usuario acceder a la representación digital de los datos de personalidad del usuario desde diferentes dispositivos de cliente. Tal implementación puede ahorrar recursos computacionales en el servidor ya que la representación digital de la personalidad del usuario puede no tener que ser computada nuevamente cada vez que la representación digital de los datos de personalidad para ese usuario en particular se solicita desde un dispositivo de cliente, pero puede devolverse sobre la base de los datos de personalidad computados previamente. El usuario, a su vez, puede usar el código de acceso para acceder a la representación digital de los datos de personalidad desde una pluralidad de diferentes dispositivos de cliente, como desde diferentes vehículos que el usuario puede conducir, por ejemplo, un automóvil y una motocicleta, u otros tipos de dispositivos.
La entrada obtenida del usuario corresponde a puntajes digitales que reflejan respuestas a preguntas en relación a la personalidad del usuario (tal como se obtiene en un esquema de preguntas y respuestas a la manera de un test de personalidad, por ejemplo), en donde cada puntuación digital se usa como entrada a un nodo de entrada separado de la red neuronal cuando se computan los datos de personalidad del usuario que utiliza la red neuronal. Las puntuaciones digitales pueden corresponder a una escala Likert de cinco niveles que tiene valores de 1 a 5, por ejemplo. La red neuronal puede corresponder a una red neuronal profunda que tiene al menos dos capas ocultas entre la capa de entrada que comprende los nodos de entrada y la capa de salida que comprende los nodos de salida de la red neuronal. Las preguntas relativas a la personalidad corresponden a preguntas de los pools convencionales IPIP, HEXACO-60 y/o BFI-10. Opcionalmente, también se pueden utilizar otras preguntas en relación a la personalidad del usuario, incluidas preguntas sobre características psicológicas y/o preferencias del usuario. Las preguntas específicamente relacionadas con los objetivos y motivaciones del usuario pueden definir dimensiones adicionales (por ejemplo, además de los Cinco Grandes) que pueden aumentar la precisión de los datos de personalidad computados sobre las técnicas convencionales IPIP, HEXACO-60 y BFI-10. La red se entrena sobre la base de los datos recogidos en una encuesta básica realizada con una pluralidad de personas de test (por ejemplo, 1000 o más), en donde la encuesta básica se lleva a cabo utilizando las preguntas mencionadas anteriormente.
Para reducir la complejidad computacional cuando se computan los datos de personalidad del usuario, la red neuronal puede diseñarse para tener una estructura de red específica. En vista del contexto de las preguntas anteriores, la estructura de la red neuronal generalmente se diseña de manera que el número de nodos de entrada se reduce en comparación con la cantidad de nodos de entrada disponibles cuando se usaron todas las preguntas anteriores. Por lo tanto, las preguntas corresponden a preguntas seleccionadas de un conjunto de preguntas representativas de un resultado óptimamente alcanzable de computar datos de personalidad de un usuario (es decir, si todas las preguntas del conjunto de preguntas fueron respondidas por el usuario), en donde las preguntas seleccionadas corresponden a preguntas del conjunto de preguntas que se determina que son más influyentes con respecto al resultado óptimo alcanzable. Como cada respuesta a una pregunta se introduce en un nodo de entrada separado de la red neuronal, como se ha descrito anteriormente, seleccionar un subconjunto del conjunto de preguntas reduce el número de nodos de entrada al computar los datos de personalidad para reducir así la complejidad computacional. Debido al hecho de que se seleccionan las preguntas que son más influyentes con respecto al resultado alcanzable, la precisión del resultado generado por la red neuronal puede mantenerse aproximadamente.
De hecho, los tests han demostrado que el número de preguntas puede reducirse drásticamente sin sacrificar significativamente la precisión de los resultados. Tomando como conjunto de preguntas que son representativas de un resultado alcanzable óptimamente de computar datos de personalidad, un conjunto de preguntas que comprende las preguntas estándar de IPIP, HEXACO-60 y BFI-10 (que suman un número total de 370 preguntas), opcionalmente complementado con más preguntas en relación con los objetivos y las motivaciones del usuario (lo que da como resultado un número de más de 370 preguntas en total), los tests han demostrado que, cuando solo se utilizan las 30 preguntas más influyentes, se puede lograr aproximadamente el 90 % de la precisión del resultado óptimamente alcanzable. Como tal, el número de preguntas seleccionadas puede ser menos del 10 % (preferiblemente menos del 5 %) del número de preguntas incluidas en el conjunto de preguntas que son representativas del resultado alcanzable óptimamente. Dado que, en este caso, el número de nodos de entrada de la red neuronal puede reducirse considerablemente, pueden ahorrarse significativamente recursos informáticos y los datos de personalidad se pueden computar de manera más eficiente.
Para determinar las preguntas del conjunto de preguntas que son más influyentes con respecto al resultado óptimamente alcanzable, en una variante, las preguntas se pueden seleccionar del conjunto de preguntas sobre la base de correlacionar resultados alcanzables por cada pregunta individual del conjunto de preguntas con el resultado óptimamente alcanzable y seleccionando preguntas del conjunto de preguntas que tienen la correlación más alta con el resultado óptimamente alcanzable. Por lo tanto, se puede determinar un subconjunto fijo del conjunto de preguntas que es representativo del resultado óptimamente alcanzable, que luego se puede usar para entrenar la red neuronal con un número reducido de nodos de entrada, como se ha descrito anteriormente.
En otra variante, las preguntas se pueden seleccionar iterativamente del conjunto de preguntas, en donde, en cada iteración, se puede seleccionar una siguiente pregunta dependiendo de una respuesta del usuario a una pregunta anterior, y en donde, en cada iteración, la siguiente pregunta se puede seleccionar como una pregunta del conjunto de preguntas que se determina que es la más influyente en un resultado alcanzable para computar los datos de personalidad del usuario. Esto puede verse como una selección adaptativa de las preguntas, en donde se determinan preguntas específicamente para el usuario de manera escalonada teniendo en cuenta las respuestas a las preguntas anteriores del usuario. En una variante particular, la red neuronal puede comprender una pluralidad de nodos de salida representativos de una curva de probabilidad de un resultado de los datos de personalidad del usuario, en donde determinar la pregunta más influyente del conjunto de preguntas como la siguiente pregunta de la iteración respectiva puede incluir determinar, para cada nodo de entrada de la red neuronal, un grado según el cual un cambio en la puntuación digital que se introduce al respectivo nodo de entrada de la red neuronal cambia la curva de probabilidad. La pregunta asociada con un nodo de entrada para el que se determina que el grado de cambio en la curva de probabilidad es el más alto se puede seleccionar como la pregunta más influyente para la iteración respectiva.
Para reducir aún más la complejidad computacional, la selección iterativa y adaptativa anterior se puede realizar bajo al menos una restricción, como al menos una de un número máximo de preguntas a seleccionar, una precisión de resultado mínima a lograr (la precisión de resultado puede aumentar con cada pregunta respondida por iteración y, cuando se alcanza la precisión de resultado mínima deseada, se puede detener la computación), y un tiempo máximo disponible (el test se puede detener una vez transcurrido el tiempo máximo disponible, o cada pregunta se puede asociar con un tiempo estimado para ser contestada por el usuario y el número de preguntas a seleccionar se puede determinar sobre la base de los tiempos estimados). Estas restricciones se pueden configurar para cada computación de datos de personalidad por separado.
Un segundo método ejemplar para permitir la recuperación eficiente de una representación digital de datos de personalidad de un usuario por parte de un dispositivo de cliente desde un servidor lo realiza el dispositivo de cliente y comprende enviar, al servidor, una solicitud de una representación digital de datos de personalidad para un usuario, recibir, del servidor, la representación digital solicitada de los datos de personalidad del usuario, siendo computados los datos de personalidad del usuario, sobre la base de la entrada obtenida del usuario, utilizando una red neuronal entrenada para computar datos de personalidad para un usuario basado en la entrada obtenida del usuario, y procesar la representación digital de los datos de personalidad para proporcionar al usuario un servicio adaptado al usuario.
El segundo método ejemplar define un método desde la perspectiva de un dispositivo de cliente que puede ser complementario al primer método ejemplar realizado por el servidor. El servidor y el dispositivo de cliente del segundo método ejemplar pueden corresponder al servidor y al dispositivo de cliente descritos anteriormente en relación con el primer método ejemplar. Como tal, aquellos aspectos descritos con respecto al primer método ejemplar que son aplicables al segundo método ejemplar también pueden estar comprendidos por el segundo método ejemplar, y viceversa. Las repeticiones innecesarias se omiten así en lo siguiente.
Como en el primer método ejemplar, la representación digital de los datos de personalidad del usuario se procesa en el dispositivo de cliente para configurar al menos un dispositivo que proporciona un servicio al usuario, en donde al menos un dispositivo puede comprender el dispositivo de cliente. El método realizado por el dispositivo de cliente puede comprender además enviar, al servidor, retroalimentación que caracteriza al usuario y recibir, del servidor, una representación digital de los datos de personalidad actualizados del usuario, en donde los datos de personalidad actualizados del usuario se pueden computar utilizando la red neuronal que se actualiza sobre la base de la retroalimentación. La representación digital de los datos de personalidad actualizados del usuario se puede procesar en el dispositivo de cliente para refinar una configuración del al menos un dispositivo que proporciona el servicio al usuario. La retroalimentación puede incluir datos de comportamiento que reflejen el comportamiento del usuario monitorizado en al menos un dispositivo cuando usa el servicio proporcionado por al menos un dispositivo, en donde los datos de comportamiento pueden ser monitorizados usando mediciones realizadas por al menos un dispositivo que proporciona el servicio al usuario. El al menos un dispositivo es un vehículo, en donde los datos de comportamiento pueden comprender datos que reflejan un comportamiento de conducción del usuario. Los datos de personalidad del usuario se pueden computar antes de enviar la solicitud al servidor, en donde la solicitud puede incluir un código de acceso proporcionado previamente por el servidor al usuario al computar los datos de personalidad del usuario, el código de acceso permite al usuario acceder a la representación digital de los datos de personalidad del usuario desde diferentes dispositivos de cliente. La entrada obtenida del usuario corresponde a puntuaciones digitales que reflejan respuestas a preguntas en relación a la personalidad del usuario.
Según un tercer ejemplo, se proporciona un producto de programa informático. El producto de programa informático comprende porciones de código de programa para realizar al menos uno del primer método ejemplar y el segundo método ejemplar cuando el producto de programa informático se ejecuta en uno o más dispositivos informáticos (por ejemplo, un procesador o un conjunto distribuido de procesadores). El producto de programa informático puede almacenarse en un medio de grabación legible por ordenador, tal como una memoria de semiconductores, DVD, CD-ROM, etc.
Según un cuarto ejemplo, se proporciona un servidor para permitir la recuperación eficiente de una representación digital de los datos de personalidad de un usuario por parte de un dispositivo de cliente desde el servidor, en donde la representación digital de los datos de personalidad se procesa en el dispositivo de cliente para proporcionar al usuario un servicio adaptado al usuario. El servidor comprende al menos un procesador y al menos una memoria, en donde la al menos una memoria contiene instrucciones ejecutables por al menos un procesador de manera que el servidor pueda funcionar para realizar cualquiera de las etapas de método presentados en esta memoria con respecto al primer método ejemplar.
Según un quinto ejemplo, se proporciona un dispositivo de cliente para permitir la recuperación eficiente de una representación digital de datos de personalidad de un usuario desde un servidor. El dispositivo de cliente comprende al menos un procesador y al menos una memoria, en donde al menos una memoria contiene instrucciones ejecutables por el al menos un procesador de manera que el dispositivo de cliente puede funcionar para realizar cualquiera de las etapas de método presentadas en esta memoria con respecto al segundo método ejemplar.
Según un sexto ejemplo, se proporciona un sistema que comprende un servidor según el cuarto ejemplo y al menos un dispositivo de cliente según el quinto ejemplo.
Breve descripción de los dibujos
Se describirán más detalles y ventajas de la técnica presentada en esta memoria con referencia a implementaciones ejemplares ilustradas en las figuras, en las que:
las Figuras 1a y 1b ilustran composiciones ejemplares de un servidor y un dispositivo de cliente según la presente divulgación;
la Figura 2 ilustra un método que puede ser realizado por el servidor según la presente divulgación;
la Figura 3 ilustra un método que puede ser realizado por el dispositivo de cliente según la presente divulgación;
la Figura 4 ilustra una interacción ejemplar entre un usuario, el servidor y un dispositivo de cliente (ejemplificado por un automóvil) según la presente divulgación;
la Figura 5 ilustra diferentes opciones de conectividad entre un terminal móvil del usuario, el automóvil y el servidor según la presente divulgación; y
las Figuras 6a y 6b ilustran estructuras ejemplares de la red neuronal según la presente divulgación.
Descripción detallada
En la siguiente descripción, con fines de explicación y no de limitación, se establecen detalles específicos para proporcionar una comprensión completa de la presente divulgación. Será evidente para un experto en la técnica que la presente divulgación puede practicarse en otras implementaciones que se aparten de estos detalles específicos.
Los expertos en la técnica apreciarán además que las etapas, servicios y funciones que se explican en adelante en esta memoria pueden implementarse utilizando circuitos de hardware individuales, utilizando un software que funcione junto con un microprocesador programado o un ordenador de uso general, utilizando uno o más circuitos integrados específicos de aplicación (ASIC) y/o utilizando uno o más procesadores de señal digital (DSP). También se apreciará que cuando la presente divulgación se describe en términos de un método, también puede incorporarse en uno o más procesadores y una o más memorias acopladas a uno o más procesadores, en donde una o más memorias se codifican con uno o más programas que realizan las etapas, servicios y funciones descritos en esta memoria cuando son ejecutados por uno o más procesadores.
La Figura 1a ilustra esquemáticamente una composición ejemplar de un servidor 100 para permitir la recuperación eficiente de una representación digital de los datos de personalidad de un usuario por parte de un dispositivo de cliente desde el servidor 100, en donde la representación digital de los datos de personalidad se procesará en el dispositivo de cliente para proporcionar al usuario un servicio adaptado al usuario. El servidor 100 comprende al menos un procesador 102 y al menos una memoria 104, en donde la al menos una memoria 104 contiene instrucciones ejecutables por el al menos un procesador 102 de manera que el servidor de solicitudes 100 puede funcionar para llevar a cabo las etapas de método descritas en esta memoria con referencia al "servidor".
Se entenderá que el servidor 100 puede implementarse en una unidad informática física o en una unidad informática virtualizada, como una máquina virtual, por ejemplo. Se apreciará además que el servidor 100 puede no implementarse necesariamente en una unidad informática independiente, sino que puede implementarse como componentes, realizados en software y/o hardware, que también residen en múltiples unidades informáticas distribuidas, como en un ambiente informático en la nube, por ejemplo.
La Figura 1b ilustra esquemáticamente una composición ejemplar de un dispositivo de cliente 110 para permitir la recuperación eficiente de una representación digital de datos de personalidad de un usuario por parte del dispositivo de cliente 110 desde un servidor. El dispositivo de cliente 110 comprende al menos un procesador 112 y al menos una memoria 114, en donde la al menos una memoria 114 contiene instrucciones ejecutables por el al menos un procesador 112 de modo que el dispositivo de cliente de solicitud 110 pueda funcionar para llevar a cabo las etapas de método descritas en esta memoria con referencia al "dispositivo de cliente".
La Figura 2 ilustra un método que puede ser realizado por el servidor 100 según la presente divulgación. El método está dedicado a permitir la recuperación eficiente de una representación digital de datos de personalidad de un usuario por parte de un dispositivo de cliente (por ejemplo, el dispositivo de cliente 110) desde el servidor 100. En el método, el servidor 100 puede realizar las etapas descritas en esta memoria con referencia al "servidor" y, según la descripción anterior, en la etapa S202, el servidor 100 puede almacenar una red neuronal que se entrena para computar los datos de personalidad de un usuario sobre la base de la entrada obtenida del usuario, en la etapa S204, el servidor 100 puede recibir, del dispositivo de cliente, una solicitud de una representación digital de los datos de personalidad de un usuario y, en la etapa S206, el servidor 100 puede enviar, al dispositivo de cliente, la representación digital solicitada de los datos de personalidad del usuario, en donde los datos de personalidad del usuario se computan utilizando la red neuronal sobre la base de la entrada obtenida del usuario.
La Figura 3 ilustra un método que puede ser realizado por el dispositivo de cliente 110 según la presente divulgación. El método está dedicado a permitir la recuperación eficiente de una representación digital de datos de personalidad de un usuario por parte del dispositivo de cliente 110 desde un servidor (por ejemplo, el servidor 100). En el método, el dispositivo de cliente 110 puede realizar las etapas descritas en esta memoria con referencia al "dispositivo de cliente" y, según la descripción anterior, en la etapa S302, el dispositivo de cliente 110 puede enviar, al servidor, una solicitud de representación digital de datos de personalidad para un usuario, en la etapa S304, el dispositivo de cliente 110 puede recibir, del servidor, la representación digital solicitada de los datos de personalidad del usuario, siendo computados los datos de personalidad del usuario, sobre la base de la entrada obtenida del usuario, utilizando una red neuronal entrenada para computar datos de personalidad para un usuario sobre la base de la entrada obtenida del usuario y, en la etapa S306, el dispositivo de cliente 110 puede procesar la representación digital de los datos de personalidad para proporcionar un servicio adaptado al usuario.
La Figura 4 ilustra una interacción ejemplar entre un usuario 402, un servidor 404 que almacena una red neuronal que se entrena para computar datos de personalidad de usuarios sobre la base de la entrada obtenida de los usuarios, y un dispositivo de cliente para recuperar una representación digital de datos de personalidad del usuario 402 para proporcionar al usuario 402 un servicio adaptado al usuario, en donde, en el ejemplo mostrado, el dispositivo de cliente es un automóvil 406 que puede ser conducido por el usuario 402. Como se muestra en la figura, el usuario 402 puede realizar un test de personalidad automatizado respondiendo preguntas, por ejemplo, usando una interfaz web o una aplicación (app) en su ordenador portátil o teléfono inteligente, para así proporcionar información a la red neuronal almacenada en el servidor 404 sobre cuya base la red neuronal puede computar datos de personalidad para el usuario 402. En lugar de enviar una representación digital de los datos de personalidad para el usuario 402, en el ejemplo mostrado, el servidor 404 proporciona un código de acceso al usuario 402 que puede ser utilizado por el usuario 402 para acceder a los datos de personalidad usando diferentes dispositivos de cliente, incluido el automóvil 406. El usuario 402 puede registrarse o iniciar sesión en el automóvil 406 (más específicamente, en su ordenador a bordo) con el código de acceso y el automóvil 406 puede luego solicitar, utilizando el código de acceso, la representación digital de los datos de personalidad del usuario del servidor 404 (en la figura, los datos de personalidad del usuario se indican como "MindDNA" del usuario).
Al recibir la solicitud del automóvil 406, el servidor 404 puede devolver los datos de personalidad del usuario al automóvil 406, que luego puede configurar su configuración de conducción (y, opcionalmente, los subcomponentes del automóvil 406) según los datos de personalidad del usuario 402, por ejemplo, adaptar el comportamiento de reacción del acelerador y el freno del automóvil 406, para proporcionar así una experiencia de conducción que se adapte específicamente a la personalidad del usuario (por ejemplo, aversión al riesgo, búsqueda de riesgos, etc.). Cuando el usuario 402 conduce el automóvil 406, el automóvil 406 puede monitorizar el comportamiento de conducción del usuario, por ejemplo, usando sensores que miden la reacción e intensidad de frenado del usuario, y el automóvil 406 puede proporcionar esta información como retroalimentación al servidor 404, donde la retroalimentación se puede procesar para actualizar (entrenando) la red neuronal para refinar su capacidad de computar los datos de personalidad del usuario 402. En respuesta, el servidor 404 puede enviar datos de personalidad actualizados correspondientemente del usuario 402 al automóvil 406 que luego puede usar la representación digital de los datos de personalidad actualizados para refinar la configuración del automóvil para una mejor alineación con la personalidad real del usuario 402. En resumen, por lo tanto, se proporciona un sistema que puede permitir la integración de la recuperación y el uso de los datos de personalidad del usuario en un proceso automatizado adaptar la configuración de los dispositivos o servicios proporcionados en los mismos según las preferencias del usuario derivadas de sus datos de personalidad, para mejorar así la experiencia del usuario.
La Figura 5 ilustra diferentes opciones de conectividad entre un terminal móvil 502 (por ejemplo, un teléfono inteligente) del usuario 402, el automóvil 406 y el servidor 404 según la presente divulgación. En una variante, el automóvil 406 puede comunicarse con el servidor 404 directamente a través de internet y, tras la autenticación del usuario 402 con el automóvil 406 (por ejemplo, usando una llave, tarjeta inteligente, NFC/RFID, un teléfono inteligente con NFC, huella digital o similar), el automóvil 406 puede solicitar los datos de personalidad del usuario (en la Figura 5 nuevamente indicado como el "MindDNA" del usuario) para mejorar la experiencia de conducción del usuario 402. En otra variante, cuando el usuario 402 lleva el terminal móvil 502, el terminal móvil 502 puede (por ejemplo, utilizando una aplicación dedicada instalada en el mismo) comunicarse con el servidor 404 a través de internet y solicitar los datos de personalidad del usuario 402. En esta variante, el automóvil 406 puede comunicarse localmente con el terminal móvil 502 (por ejemplo, mediante Bluetooth, WiFi o cable USB) y recuperar los datos de personalidad del usuario desde el terminal móvil 502. Además, se puede utilizar una conexión directa entre el automóvil 406 y el terminal móvil 502 para explotar los sensores instalados en el terminal móvil 502 (p. ej., giroscopio para detección de movimiento y aceleración, GPS para detección de movimiento y aceleración, así como detección de rutas de conducción, o sensores médicos que miden el pulso, la presión arterial o similares) para complementar la retroalimentación recopilada por el propio automóvil 406 (por ejemplo, en relación con el comportamiento de conducción del usuario) para proporcionar así una retroalimentación adicional detectada por el terminal móvil 502 al servidor 404 para actualizar la red neuronal sobre la base de la retroalimentación, como se ha descrito anteriormente.
La Figura 6a ilustra una estructura ejemplar de una red neuronal 602 según la presente divulgación. La red neuronal 602 comprende una capa de entrada, una capa de salida y dos capas ocultas. Se entenderá que la red neuronal 602 que se muestra en la Figura 6a simplemente ilustra la estructura de las redes neuronales profundas en general y que el número real de nodos (al menos en la capa de entrada y las capas ocultas) de la red neuronal 602 almacenados en el servidor 404 puede ser significativamente más alto que el que se muestra en la figura. Como se ha mencionado anteriormente, se ha realizado un test usando las 30 preguntas más influyentes de un total de 370 preguntas o más (tomadas de las preguntas estándar de IPIP, HEXACO-60 y BFI-10 y, opcionalmente, complementadas con más preguntas en relación con objetivos y motivaciones del usuario), dando como resultado 30 nodos de entrada en la capa de entrada de la red neuronal 602. En tal caso, cada una de las capas ocultas podría configurarse con 50 nodos, por ejemplo. Además, como se muestra en la figura, la red neuronal 602 puede comprender un solo nodo de salida en la capa de salida. En este caso, el valor del resultado en el nodo de salida de la capa de salida puede ser representativo del valor de una dimensión de personalidad (de los Cinco Grandes) en la que se ha entrenado la red neuronal 602. Se entenderá que dicha estructura de la red neuronal 602 es meramente ejemplar y que, en general, son concebibles otras estructuras.
Una estructura más avanzada de la red neuronal 602 comprende nodos de entrada según el número de un conjunto completo de preguntas disponibles, que se pueden tomar de las preguntas estándar de IPIP, HEXACO-60 y BFI-10, incluidas preguntas adicionales en relación con objetivos y motivaciones del usuario, así como otras preguntas sobre otras características psicológicas y/o preferencias del usuario que no están cubiertas por las preguntas anteriores, lo que podría sumar varios cientos de preguntas, por ejemplo, más de 600 preguntas. Tal red neuronal 602 puede tener así más de 600 nodos de entrada, cada uno correspondiente a una de las preguntas del conjunto completo de preguntas disponibles, y el número de nodos de las capas ocultas se puede seleccionar dependiendo del rendimiento de la red neuronal 602. Por ejemplo, la red neuronal 602 puede comprender dos capas ocultas con 100 nodos cada una. Además, en la capa de entrada, los más de 600 nodos de entrada mencionados anteriormente pueden duplicarse, en donde cada nodo de entrada duplicado se puede usar como un indicador de pregunta faltante. Los indicadores de pregunta faltante pueden ser dicotómicos, es decir, solo pueden tener dos valores (por ejemplo, 0 y 1) que indican si la pregunta del nodo de entrada (original) correspondiente ha sido respondida o no. Debido a los nodos de entrada duplicados, la capa de entrada puede comprender un total de más de 1200 nodos de entrada.
La capa de salida de la red neuronal más avanzada 602 puede tener una pluralidad de nodos de salida que juntos representan una curva de probabilidad para una dimensión de personalidad. Si la escala utilizada para la salida en esta dimensión de personalidad va de 0 a 10 y el número de nodos de salida es 50, por ejemplo, entonces cada nodo de salida puede ser representativo de una porción de la escala, es decir, correspondiente a las porciones 0-0.2, 0.2­ 0.4, 0.4-0.6,... 9.8.10 de la escala. En lugar de un único valor de salida, dicha capa de salida puede generar una curva de probabilidad completa para el valor de salida en esta dimensión de personalidad. La Figura 6b ilustra una capa de salida ejemplar junto con una curva de probabilidad 604 correspondiente. Dicha curva puede permitir determinar dónde es más probable que esté el valor de salida (es decir, indicado por el pico de la curva), así como determinar la precisión con la que la red neuronal 602 calcula el resultado (es decir, indicado por la anchura de la curva). Utilizando la red neuronal avanzada 602, puede ser posible calcular los datos de personalidad del usuario en forma de varias curvas de probabilidad (p. ej., cinco curvas de probabilidad correspondientes a los Cinco Grandes) para un número arbitrario de preguntas respondidas, siempre que la red neuronal 602 sea entrenada por separado para cada dimensión. En el estado inicial, en el que aún no se ha respondido ninguna pregunta, todos los indicadores de pregunta faltante pueden tener el valor de "falta" (por ejemplo, 0). Con cada pregunta que luego se responda, se puede calcular una actualización de los valores de salida para que la anchura de las curvas de probabilidad en la capa de salida sea menor con un número creciente de preguntas respondidas, de modo que aumenta constantemente la precisión con la que la red neuronal 602 calcula el resultado.
Tal estructura de la red neuronal 602 puede ser particularmente ventajosa porque puede permitir seleccionar de forma iterativa las siguientes preguntas a responder por el usuario del conjunto completo de preguntas, en donde, en cada iteración, se puede seleccionar una siguiente pregunta dependiendo de la respuesta del usuario a la pregunta anterior, en donde, en cada iteración, se puede seleccionar una siguiente pregunta como una pregunta del conjunto completo de preguntas que se determina que es la más influyente en un resultado alcanzable para computar los datos de personalidad del usuario. Con este fin, en cada pregunta respondida, se pueden recalcular las varias (por ejemplo, cinco) curvas de probabilidad y, entre las curvas de probabilidad recalculadas, se puede determinar la que tenga la mayor anchura (es decir, que represente la curva de probabilidad que actualmente tiene al menos precisión). Como siguiente pregunta para la iteración, se puede seleccionar una pregunta sobre esta dimensión para mejorar la precisión en esta dimensión. Para determinar la pregunta más influyente, para cada nodo de entrada de la red neuronal 602 para cada entrada se puede determinar un grado según el cual un cambio en la entrada de puntuación digital al nodo de entrada respectivo cambia la curva de probabilidad (por ejemplo, un grado en el que cambia la anchura de la curva). Sobre la base de esto, la pregunta asociada con el nodo de entrada para el que se determina que el grado de cambio en la curva de probabilidad es el más alto se puede seleccionar como la pregunta más influyente para la iteración respectiva.
La estructura avanzada de la red neuronal 602 también puede ser ventajosa porque puede permitir integrar la retroalimentación fácilmente en la red neuronal. Como se ha descrito anteriormente, si la retroalimentación representa un nuevo valor de entrada que aún no se ha introducido a la red neuronal 602, simplemente se puede añadir un nuevo nodo de entrada a la red neuronal 602 y el nuevo valor de entrada se puede asignar al nuevo nodo de entrada cuando se entrena la red neuronal 602. De esta manera, cualquier tipo de nueva retroalimentación puede integrarse fácilmente en la red para que la red neuronal 602 pueda refinar su capacidad para computar datos de personalidad. Como una implementación que reduce la complejidad computacional al añadir un nuevo nodo de entrada, puede ser concebible que, cuando la red se entrena para correlacionar el nuevo nodo de entrada con los otros nodos de la red, pueden incorporarse el cálculo solo aquellos nodos que se determina que son los más influyentes con respecto al resultado óptimo alcanzable, para así evitar incorporar todos los nodos en el cálculo. Además, puede ser concebible que, cuando la red se entrena para correlacionar el nuevo nodo de entrada con los otros nodos de la red, el número de capas que se calcula previamente se limita (por ejemplo, a 2 o 3) para evitar calcular todas las combinaciones posteriores de nodos, por ejemplo.
Se cree que las ventajas de la técnica presentada en esta memoria se entenderán completamente a partir de la descripción anterior, y será evidente que se pueden realizar diversos cambios en la forma, construcciones y disposición de los aspectos ejemplares de la misma sin apartarse del alcance de la divulgación o sin sacrificar todos sus efectos ventajosos. Debido a que la técnica presentada en esta memoria puede variar de muchas maneras, se reconocerá que la divulgación debe estar limitada únicamente por el alcance de las reivindicaciones que siguen.

Claims (14)

REIVINDICACIONES
1. Un método que incluye la recuperación de una representación digital de los datos de personalidad de un usuario (402) por un dispositivo de cliente (502; 406) desde un servidor (404), siendo procesada la representación digital de los datos de personalidad en el dispositivo de cliente (406) para adaptar la configuración de conducción de un vehículo al usuario (402), siendo realizado el procedimiento por el servidor (404) y que comprende:
almacenar (S202) una red neuronal (602) entrenada para computar datos de personalidad de un usuario (402) sobre la base de la entrada obtenida del usuario (402);
recibir (S204), del dispositivo de cliente (502; 406), una solicitud de una representación digital de datos de personalidad para un usuario (402); y
enviar (S206), al dispositivo de cliente (502; 406), la representación digital solicitada de los datos de personalidad del usuario (402), siendo procesada la representación digital de los datos de personalidad del usuario (402) en el dispositivo de cliente (502; 406) para adaptar una configuración de conducción de un vehículo (406) a una personalidad del usuario (402), en donde los datos de personalidad del usuario (402) se computan utilizando la red neuronal (602) sobre la base de la entrada obtenida del usuario (402),
en donde los datos de personalidad del usuario (402) son indicativos de las características psicológicas del usuario (402) y en donde la entrada obtenida del usuario (402) corresponde a puntuaciones digitales que reflejan respuestas a preguntas relacionadas con la personalidad del usuario (402), en donde cada puntuación digital se usa como entrada a un nodo de entrada separado de la red neuronal (602) cuando se computan los datos de personalidad del usuario (402) usando la red neuronal (602), y
en donde las preguntas corresponden a preguntas seleccionadas de un conjunto de preguntas representativas de un resultado alcanzable óptimamente de la computación de datos de personalidad de un usuario (402), en donde el conjunto de preguntas corresponde a preguntas de al menos uno del Conjunto Internacional de Elementos de Personalidad (IPIP), HEXACO-60 y Big-Five-Inventory-10 (BFI-10), en donde las preguntas seleccionadas corresponden a preguntas del conjunto de preguntas que se determina que son más influyentes con respecto al resultado óptimo alcanzable, y
en donde la red neuronal se entrena sobre la base de los datos recogidos en una encuesta realizada con una pluralidad de personas de test, en donde la encuesta se lleva a cabo utilizando el conjunto de preguntas.
2. El método de la reivindicación 1, en donde el vehículo (406) comprende el dispositivo de cliente (406).
3. El método de la reivindicación 1 o 2, que comprende además:
recibir retroalimentación que caracteriza al usuario (402);
actualizar la red neuronal (602) sobre la base de la retroalimentación; y
enviar, al dispositivo de cliente (502; 406), una representación digital de los datos de personalidad actualizados del usuario (402), en donde los datos de personalidad actualizados del usuario (402) se computan utilizando la red neuronal actualizada (602), y, opcionalmente:
en donde la representación digital de los datos de personalidad actualizados del usuario (402) se procesa en el dispositivo de cliente (502; 406) para refinar una configuración del vehículo (406) que proporciona un servicio al usuario (402).
4. El método de la reivindicación 3, en donde la retroalimentación incluye datos de comportamiento que reflejan el comportamiento del usuario (402) monitorizado en el vehículo (406) cuando se usa el servicio proporcionado por el vehículo (406) y, opcionalmente:
en donde los datos de comportamiento se monitorizan usando mediciones realizadas por el vehículo (406) que proporciona el servicio al usuario (402).
5. El método de la reivindicación 4, en donde los datos de comportamiento comprenden datos que reflejan un comportamiento de conducción del usuario (402).
6. El método de cualquiera de las reivindicaciones 1 a 5, en donde los datos de personalidad del usuario (402) se computan antes de recibir la solicitud del dispositivo de cliente (502; 406) y en donde la solicitud incluye un código de acceso proporcionado previamente por el servidor (404) al usuario (402) al computar los datos de personalidad del usuario (402), el código de acceso permite al usuario (402) acceder a la representación digital de los datos de personalidad del usuario (402) desde diferentes dispositivos de cliente (502; 406).
7. El método de una cualquiera de las reivindicaciones 1 a 6, en donde el número de preguntas seleccionadas es inferior al 10 % del número de preguntas incluidas en el conjunto de preguntas.
8. El método de cualquiera de las reivindicaciones 1 a 7, en donde las preguntas se seleccionan del conjunto de preguntas sobre la base de la correlación de los resultados alcanzables por cada pregunta individual del conjunto de preguntas con el resultado alcanzable óptimamente y la selección de preguntas del conjunto de preguntas que tienen una correlación más alta con el resultado óptimo alcanzable, o
en donde las preguntas se seleccionan iterativamente del conjunto de preguntas, en donde, en cada iteración, se selecciona una siguiente pregunta dependiendo de la respuesta del usuario a una pregunta anterior, en donde, en cada iteración, la siguiente pregunta se selecciona como una pregunta del conjunto de preguntas que se determina que es la más influyente en un resultado alcanzable para computar los datos de personalidad del usuario y, opcionalmente:
en donde la red neuronal (602) comprende una pluralidad de nodos de salida representativos de una curva de probabilidad (604) de un resultado de los datos de personalidad del usuario (402), en donde determinar la pregunta más influyente del conjunto de preguntas como la siguiente pregunta de la respectiva iteración incluye determinar, para cada nodo de entrada de la red neuronal (602), un grado según el cual un cambio en la puntuación digital introducida al respectivo nodo de entrada de la red neuronal (602) cambia la curva de probabilidad (604).
9. Un método que incluye la recuperación de una representación digital de los datos de personalidad de un usuario (402) por un dispositivo de cliente (502; 406) desde un servidor (404), siendo realizado el método por el dispositivo de cliente (502; 406) y que comprende:
enviar (S302), al servidor (404), una solicitud de una representación digital de datos de personalidad para un usuario (402);
recibir (S304), desde el servidor (404), la representación digital solicitada de los datos de personalidad del usuario (402), siendo computados los datos de personalidad del usuario (402), sobre la base de la entrada obtenida del usuario (402), usando una red neuronal (602) entrenada para computar datos de personalidad para un usuario (402) sobre la base de la entrada obtenida del usuario (402),
en donde los datos de personalidad del usuario (402) son indicativos de las características psicológicas del usuario (402) y en donde la entrada obtenida del usuario (402) corresponde a puntuaciones digitales que reflejan respuestas a preguntas relacionadas con la personalidad del usuario (402), en donde cada puntuación digital se usa como entrada a un nodo de entrada separado de la red neuronal (602) cuando se computan los datos de personalidad del usuario (402) usando la red neuronal (602), y
en donde las preguntas corresponden a preguntas seleccionadas de un conjunto de preguntas representativas de un resultado alcanzable óptimamente de la computación de datos de personalidad de un usuario (402), en donde el conjunto de preguntas corresponde a preguntas de al menos uno del Conjunto Internacional de Elementos de Personalidad (IPIP), HEXACO-60 y Big-Five-Inventory-10 (BFI-10), en donde las preguntas seleccionadas corresponden a preguntas del conjunto de preguntas que se determina que son más influyentes con respecto al resultado óptimo alcanzable, y
en donde la red neuronal se entrena sobre la base de los datos recogidos en una encuesta realizada con una pluralidad de personas de test, en donde la encuesta se lleva a cabo utilizando el conjunto de preguntas; y
procesar (S306) la representación digital de los datos de personalidad para adaptar una configuración de conducción de un vehículo (406) a una personalidad del usuario (402).
10. Un producto de programa informático que comprende porciones de código de programa para realizar el método de cualquiera de las reivindicaciones 1 a 9 cuando el producto de programa informático se ejecuta en una o más unidades informáticas.
11. Un medio de grabación legible por ordenador que tiene almacenado el producto de programa informático de la reivindicación 10.
12. Un servidor (100; 404) que permite la recuperación de una representación digital de datos de personalidad de un usuario (402) por un dispositivo de cliente (502; 406) desde el servidor (404), siendo procesada la representación digital de los datos de personalidad en el dispositivo de cliente (502; 406) para adaptar la configuración de conducción de un vehículo al usuario (402), comprendiendo el servidor (404) al menos un procesador (102) y al menos una memoria (104), conteniendo la al menos una memoria (104) instrucciones ejecutables por el al menos un procesador (102) de manera que el servidor (404) pueda funcionar para realizar el método de cualquiera de las reivindicaciones 1 a 8.
13. Un dispositivo de cliente (110; 502; 406) que permite la recuperación de una representación digital de datos de personalidad de un usuario (402) desde un servidor (404), comprendiendo el dispositivo de cliente (110; 502; 406) al menos un procesador (112) y al menos una memoria (114), conteniendo la al menos una memoria (114) instrucciones ejecutables por el al menos un procesador (112) de manera que el dispositivo de cliente (110; 502; 406) pueda funcionar para realizar el método de la reivindicación 9.
14. Un sistema que comprende un servidor (100; 404) según la reivindicación 12 y al menos un dispositivo de cliente (110; 502; 406) según la reivindicación 13.
ES19163909T 2019-03-19 2019-03-19 Técnica para la recuperación eficiente de datos de personalidad Active ES2905570T3 (es)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
EP19163909.5A EP3712896B1 (en) 2019-03-19 2019-03-19 Technique for efficient retrieval of personality data

Publications (1)

Publication Number Publication Date
ES2905570T3 true ES2905570T3 (es) 2022-04-11

Family

ID=65904033

Family Applications (1)

Application Number Title Priority Date Filing Date
ES19163909T Active ES2905570T3 (es) 2019-03-19 2019-03-19 Técnica para la recuperación eficiente de datos de personalidad

Country Status (7)

Country Link
US (4) US20220001880A1 (es)
EP (4) EP3712896B1 (es)
JP (4) JP7360534B2 (es)
CN (2) CN114282111A (es)
DE (1) DE212020000450U1 (es)
ES (1) ES2905570T3 (es)
WO (2) WO2020187984A1 (es)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220318822A1 (en) * 2021-03-30 2022-10-06 Toyota Motor Engineering & Manufacturing North America, Inc. Methods and systems for rideshare implicit needs and explicit needs personalization
US11646036B1 (en) * 2022-01-31 2023-05-09 Humancore Llc Team member identification based on psychographic categories

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6615123B2 (en) * 2000-12-01 2003-09-02 Hewlett-Packard Development Company, L.P. Personality module for configuring a vehicle
GB0110480D0 (en) * 2001-04-28 2001-06-20 Univ Manchester Metropolitan Methods and apparatus for analysing the behaviour of a subject
US20020169882A1 (en) 2001-05-11 2002-11-14 Wole Fayemi System and method of creating mass-customized multi-component articles
US20080033826A1 (en) * 2006-08-03 2008-02-07 Pudding Ltd. Personality-based and mood-base provisioning of advertisements
US10796176B2 (en) 2010-06-07 2020-10-06 Affectiva, Inc. Personal emotional profile generation for vehicle manipulation
DE102010056397A1 (de) * 2010-12-28 2012-06-28 GM Global Technology Operations LLC Fahrerassistenzsystem für ein Kraftfahrzeug, Kraftfahrzeug und Verfahren zum Betreiben eines Fahrerassistenzsystems
US9493130B2 (en) 2011-04-22 2016-11-15 Angel A. Penilla Methods and systems for communicating content to connected vehicle users based detected tone/mood in voice input
US20130179178A1 (en) * 2012-01-06 2013-07-11 Active Health Management System and method for patient care plan management
US20140309930A1 (en) * 2013-04-15 2014-10-16 Flextronics Ap, Llc Automatic camera image retrieval based on route traffic and conditions
US20170004260A1 (en) * 2012-08-16 2017-01-05 Ginger.io, Inc. Method for providing health therapeutic interventions to a user
US10068060B2 (en) * 2012-08-16 2018-09-04 Ginger.io, Inc. Method for modeling behavior and psychotic disorders
US11494390B2 (en) 2014-08-21 2022-11-08 Affectomatics Ltd. Crowd-based scores for hotels from measurements of affective response
CN109906461B (zh) * 2016-11-16 2022-10-14 本田技研工业株式会社 情感估计装置和情感估计系统
DE102017208159B4 (de) 2017-05-15 2024-05-29 Vitesco Technologies GmbH Verfahren zum Betreiben einer Fahrerassistenzvorrichtung eines Kraftfahrzeugs, Fahrerassistenzvorrichtung und Kraftfahrzeug
CN109844741B (zh) 2017-06-29 2023-09-01 微软技术许可有限责任公司 在自动聊天中生成响应
US11727794B2 (en) * 2018-03-14 2023-08-15 Micron Technology, Inc. Systems and methods for evaluating and sharing human driving style information with proximate vehicles
US11148658B2 (en) * 2018-03-21 2021-10-19 Micron Technology, Inc. Personalization of a vehicle based on user settings
CN108596722A (zh) 2018-04-24 2018-09-28 上汽通用五菱汽车股份有限公司 汽车客制化方法、设备及计算机可读存储介质
JP7035786B2 (ja) 2018-05-11 2022-03-15 トヨタ自動車株式会社 車両部品のカスタマイズ提案システム
WO2020006154A2 (en) * 2018-06-26 2020-01-02 Itay Katz Contextual driver monitoring system
EP3850549A4 (en) 2018-09-14 2022-06-15 Tesla, Inc. SYSTEM AND METHOD FOR OBTAINING WORKOUT DATA
WO2021046534A1 (en) * 2019-09-06 2021-03-11 Blue Note Therapeutics, Inc. Pre-therapeutic and therapeutic digital medical device and method

Also Published As

Publication number Publication date
EP4020488A1 (en) 2022-06-29
CN113646844A (zh) 2021-11-12
WO2020187984A1 (en) 2020-09-24
US20220000406A1 (en) 2022-01-06
EP3942561A1 (en) 2022-01-26
WO2021185468A1 (en) 2021-09-23
JP2023165979A (ja) 2023-11-17
DE212020000450U1 (de) 2021-06-15
JP2022084026A (ja) 2022-06-06
EP3712896B1 (en) 2022-01-12
EP4020487A1 (en) 2022-06-29
EP3712896A1 (en) 2020-09-23
JP2022526197A (ja) 2022-05-23
US20220001880A1 (en) 2022-01-06
JP7339995B2 (ja) 2023-09-06
JP7339996B2 (ja) 2023-09-06
CN114420293A (zh) 2022-04-29
JP7360534B2 (ja) 2023-10-12
CN114282111A (zh) 2022-04-05
JP2022084570A (ja) 2022-06-07
US11620531B2 (en) 2023-04-04
US20230237338A1 (en) 2023-07-27
US20220004877A1 (en) 2022-01-06

Similar Documents

Publication Publication Date Title
US20230088943A1 (en) Machine-led mood change
US20180172459A1 (en) Method and system for determining detoured trips
ES2905570T3 (es) Técnica para la recuperación eficiente de datos de personalidad
JP6533243B2 (ja) 提供装置、提供方法、及び提供プログラム
JP2014179103A (ja) 自動車又は携帯電子装置を使用した能動的且つ自動的なパーソナルアシスタンスを提供するコンピュータベースの方法及びシステム
Sysoev et al. Estimation of the driving style based on the users’ activity and environment influence
Larrue et al. Influence of body-centered information on the transfer of spatial learning from a virtual to a real environment
Montuwy et al. Helping older pedestrians navigate in the city: comparisons of visual, auditory and haptic guidance instructions in a virtual environment
Coral et al. Don't go there: a zero-permission geofencing app to alleviate gambling disorders
Wallace et al. Measurement of driving routes and correlation to optimal navigation paths
Shorten Reactionary rhetoric reconsidered
Wunderlich et al. Landmark information included in turn-by-turn instructions induce incidental acquisition of lasting route knowledge
CN105426476B (zh) 一种导航路线的生成方法及终端
US20230211744A1 (en) Technique for providing a user-adapted service to a user
JP2005202689A5 (es)
KR20200048316A (ko) 차량 및 그 제어 방법
US20230386619A1 (en) System for determining clinical trial participation
Hasan et al. Investigating Cardiovascular Activation of Young Adults in Routine Driving
Bayat Uncovering Outdoor Mobility Behaviours of Older Adults With and Without Dementia from GPS Data
Boyd et al. Using Estimations of Entropy to Optimize Complex Human Dynamic Networks under Stress Final Report
Bolton Attachment as an indicator of adolescent substance abuse treatment outcome: A study of autonomy and relatedness.