JP2019520619A - 機械学習を用いたウェアラブル装置設定の最適化 - Google Patents

Abstract

機械学習を使ってウェアラブル装置の設定を最適化するための技法が記載される。モバイル装置がウェアラブル装置（たとえば腕時計）から、該ウェアラブル装置を身につけているユーザーの、該ウェアラブル装置によって生成される出力モダリティーに対する反応に対応するセンサー・データを受領してもよい。モバイル装置は、ウェアラブル装置によって生成された出力モダリティーについてのユーザー・フィードバックを求めてもよい。モバイル装置は、前記出力モダリティーについてのユーザー・フィードバックに対応するユーザー・フィードバック・データを、センサー・セットを介して受領してもよい。モバイル装置は、前記センサー・データおよび前記ユーザー・フィードバック・データをクラウドベースのアプリケーションにアップロードしてもよい。モバイル装置は、前記センサー・データおよび前記ユーザー・フィードバック・データを使ってトレーニングされた分類アルゴリズムを含む知識パッケージを、前記クラウドベースのアプリケーションから受信してもよい。最後に、モバイル装置は、前記知識パッケージを前記ウェアラブル装置に送ってもよい。

Description

優先権主張
本国際出願は2016年6月27日に出願された米国特許出願第15/193,944号の優先権の利益を主張するものである。同出願の内容はここに参照によってその全体において組み込まれる。

技術分野
本開示は概括的にはウェアラブル装置に、詳細には機械学習を使ってウェアラブル装置設定を最適化することに関する。

人間の感覚は、人間が機能するために使うさまざまなモダリティー――視覚（見る）、聴覚（聞く）、触覚（触れる）、嗅覚（臭い）、味覚、自己受容感覚（身体の近傍部分の相対位置および動きにおいて用いられる努力の強さの感覚）および前庭系（これは、バランスをもった動きを協調させる目的でバランスおよび空間識の感覚に寄与する）――からの情報を提供する。ウェアラブル装置が、広い範囲の設定をもつさまざまなモダリティーの出力を生成しうる。

必ずしも同縮尺で描かれていない図面において、同様の符号は異なる図において同様の構成要素を記述することがある。異なる枝番文字をもつ同様の符号は同様の構成要素の異なるインスタンスを表わすことがある。図面は概して、限定ではなく例として、本稿で論じられるさまざまな実施形態または例を示す。

ある例示的実施形態に基づく、機械学習を使って設定が最適化されうるウェアラブル装置を示す図である。

ある例示的実施形態に基づく、機械学習を使ってウェアラブル装置設定を最適化するためのシステムを示す図である。

ある例示的実施形態に基づく、機械学習を使ってウェアラブル装置の設定を最適化するためのトレーニング・プロセスを示す図である。

ある例示的実施形態に基づく、機械学習を使ってウェアラブル装置の設定を最適化するトレーニング・プロセスのモダリティー対話セッションを示す図である。

ある例示的実施形態に基づく、機械学習を使って設定が最適化されうるウェアラブル装置の実装を示す図である。

ある例示的実施形態に基づく、機械学習を使ってウェアラブル装置設定を最適化するためのクラウドベースのアプリケーションの動作を示すデータおよび制御フロー図である。

ある例示的実施形態に基づく、機械学習を使ってウェアラブル装置設定を最適化するためのモバイル装置によって実行される方法を示す図である。

ある例示的実施形態に基づく、機械学習を使ってウェアラブル装置設定を最適化するためのウェアラブル装置によって実行される方法を示す図である。

いずれかの一つまたは複数の例示的実施形態が実装されうる機械の例を示すブロック図である。

本開示は、機械学習を使ってウェアラブル装置設定を最適化することを個々に容易にする方法、システムおよびコンピュータ・プログラム・プロダクトを記述する。以下の詳細な説明では、説明の目的のため、本願で開示される主題のさまざまな側面の十全な理解を提供するために数多くの個別的詳細が記載される。しかしながら、本願の主題を読み、理解した後には、当業者には、本願で開示される主題がこれらの個別的詳細なしで実施されてもよいことは明白であろう。他方、よく知られた方法、手順およびコンポーネントは、本願で開示される主題を埋没させないよう、詳細に記載されてはいない。

スマートウォッチのようなウェアラブル装置はますますどこにでもあるものになりつつある。ウェアラブル装置は、光、音、振動などといった多様な環境刺激を生成しうる。ウェアラブル装置は、該ウェアラブル装置によって生成される環境刺激の一つまたは複数を制御するためにユーザー構成可能な設定を有していてもよいが、ウェアラブル装置のユーザーは、どの設定構成が該ユーザーにとって最適であるか（あるいはそもそも受け入れ可能であるか）がわからないことがありうる。開示される実施形態は、機械学習技法を使ってウェアラブル装置の設定を最適化することにより、ウェアラブル装置のユーザーにとってのユーザー経験を改善する。

感覚処理障害（SPD: sensory processing disorder；「感覚統合障害（sensory integration dysfunction）」としても知られる）は、環境の要求に対して適切な反応を提供するために複数種感覚の統合が十分に処理されないときに存在する状態である（たとえば、一つまたは複数の感覚によって受領される情報を受け取って反応することに関して脳に問題がある）。SPDは自閉症に密接に関係している（そしてしばしば共存する）。SPDのある、一部の人は、環境刺激に対して過剰に敏感であり、SPDのある、他の人は、環境刺激に対して敏感さが足りない。

SPDは、身体および／または環境に由来する感覚（単数または複数）を整理することに関する著しい問題によって特徴付けられてもよく、生産、余暇、遊びまたは日常生活の活動といった生活の主要な領域の一つまたは複数の実行における困難として現われることがある。SPDのある人は、多様な感覚、特に触覚（たとえば他の人には何ともない繊維がくすぐったくて、身につけるのが困難に感じる）、前庭（たとえば、自動車に乗るときに乗り物酔いを経験する）および自己受容感覚（たとえば、適正に書くためにペンを保持する力を加減するのが困難）に由来する入力を処理するときに、広い範囲の困難を経験することがある。開示される技法は、SPDのある人が身につけるウェアラブル装置の設定を最適化するために有用でありうる。

図１は、ある例示的実施形態に基づく、機械学習を使って設定が最適化されうるウェアラブル装置１０２を示している。ウェアラブル装置１０２は、ユーザーの手首１０４に装着される腕時計であってもよい。図１はウェアラブル装置１０２を腕時計として図示しているが、他の実施形態では、ウェアラブル装置１０２はネックレス、ブレスレット、イヤリング、眼鏡またはユーザーが身につけることのできる電子装置のための他の任意の形状因子であってもよい。

図２は、ある例示的実施形態に基づく、機械学習を使ってウェアラブル装置設定を最適化するためのシステム２００を示している。システム２００は、ウェアラブル装置１０２と、ウェアラブル装置１０２を身につけているユーザー２０２と、クラウドベースのプラットフォーム（たとえば、マイクロソフト（登録商標）アジュール（商標）、アマゾン・ウェブ・サービスなど）において実行されるクラウドベースのアプリケーション２０６とを含む。任意的に、ある実施形態では、システム２００は、スマートフォンまたはタブレット・コンピュータのようなモバイル装置２０４を含む。図２のユーザー２０２がウェアラブル装置１０２と別個に示されているのは単に図示の簡単のためである。典型的な使用では、ウェアラブル装置１０２はユーザー２０２によって身につけられる。本稿での用法では、「出力モダリティー」は、人間のモダリティー（たとえば視覚、聴覚、触覚、嗅覚、味覚、自己受容感覚、前庭など）に対応し、人間のモダリティーを使って人間によって知覚されうる、装置によって出力される出力である。同様に、「入力モダリティー」は、人間のモダリティーに対応し、人間のモダリティーによって生成されうる、人間によって生成される入力である。

ユーザー２０２による典型的な使用に先立って、ウェアラブル装置１０２は、ユーザー２０２のためにウェアラブル装置のセンサーおよび出力モダリティーの設定を最適化するようトレーニング・プロセスを受けてもよい。このトレーニング・プロセスの間に、モバイル装置２０４上で実行されるアプリケーション（「アプリ」）はユーザー２０２に、ウェアラブル装置１０２と、一つまたは複数のモダリティーに対応する一つまたは複数の対話を実行するよう指示してもよい。対話は、ユーザー２０２がウェアラブル装置１０２によって生成された一つまたは複数の出力モダリティー２１０を感知することおよび／またはユーザー２０２がウェアラブル装置１０２に一つまたは複数の入力モダリティー２１２を実行することを含んでいてもよい。出力モダリティー２１０の例は、ウェアラブル装置１０２のディスプレイ上に表示される光を見ること、ウェアラブル装置１０２のスピーカーによって生成される音を聞くこと、ウェアラブル装置１０２によって生成される振動を感じることなどを含んでいてもよい。入力モダリティー２１２の例は、ウェアラブル装置１０２の一部を触れたり押したりすること、ウェアラブル装置１０２のマイクロフォンに向かって話すこと、ウェアラブル装置１０２を特定のパターンまたはジェスチャーで動かすことなどを含んでいてもよい。ウェアラブル装置１０２は、ウェアラブル装置１０２内の一つまたは複数のセンサーを使って前記一つまたは複数の対話に対するユーザーの反応（単数または複数）を収集してもよい。ウェアラブル装置１０２は、収集されたセンサー・データ２２０をモバイル装置２０４に提供してもよい。

多くのウェアラブル装置１０２は、スマートフォンおよび／またはタブレット・コンピュータに比べて限られたユーザー・インターフェースをもつ。よって、一部のユーザー・フィードバック２１６はウェアラブル装置１０２のみを使って収集されうるものの、ウェアラブル装置１０２だけを使って提供することがユーザー２０２にとって難しいであろうユーザー２０２からの前記対話（単数または複数）に関するフィードバックを求めるために、スマートフォンまたはタブレット・コンピュータ上で実行されるアプリが使用されうる。たとえば、モバイル装置２０４は、ウェアラブル装置１０２のディスプレイによって表示される光が暗すぎたまたは明るすぎたかどうか、ウェアラブル装置１０２のスピーカーによって生成された音が小さすぎたまたは大きすぎたかどうか、ウェアラブル装置１０２によって生成される振動が弱すぎたまたは強すぎたかどうかなどを尋ねてもよい。ユーザー２０２は、モバイル装置２０４の一つまたは複数の入力機構を通じてユーザー・フィードバック２１６を提供してもよい。入力機構は、モバイル装置２０４のタッチ・コントロール、モバイル装置２０４のマイクロフォンを介した音声入力、モバイル装置２０４上の自由形式のテキスト入力、モバイル装置２０４上の、ユーザーの反応を最もよく表わす絵文字の選択などを含む。ある実施形態では、モバイル装置２０４は、対話に応答してのユーザー２０２の表情（単数または複数）および／または振る舞い（単数または複数）をモニタリングするためにカメラを使ってもよい。

モバイル装置２０４は、クラウドベースのアプリケーション２０６にユーザー・フィードバックおよびセンサー・データ２２２を提供してもよい。クラウドベースのアプリケーション２０６は、データ２２２を解析し、ウェアラブル装置１０２上で実行される機械学習アルゴリズム（たとえばニューラル・ネットワーク）をトレーニングし、トレーニングされた機械学習アルゴリズム、プログラム命令および最適化された装置設定を含む知識パッケージ２２４を生成してもよい。クラウドベースのアプリケーション２０６は、モバイル装置２０４に知識パッケージ２２４を送ってもよく、次いでモバイル装置２０４は知識パッケージ２２４をウェアラブル装置１０２に送ってもよい。最後に、ウェアラブル装置１０２は、知識パッケージ２２４をインストールすることによって、自分を更新してもよい。

任意的なモバイル装置２０４を含まない実施形態では、ウェアラブル装置１０２が、フィードバック・プロンプト（単数または複数）２１４をユーザー２０２に提供してもよく、ユーザー２０２からユーザー・フィードバック２１６を受け取ってもよく、ユーザー・フィードバックおよびセンサー・データ２２２をクラウドベースのアプリケーション２０６に提供してもよく、クラウドベースのアプリケーション２０６から知識パッケージ２２４を受け取ってもよい。

図３は、ある例示的実施形態に基づく、機械学習を使ってウェアラブル装置１０２の設定を最適化するためのトレーニング・プロセス３００を示している。ユーザー２０２は、モバイル装置２０４に入力を与えることによって、トレーニング・プロセスを開始してもよい。トレーニング開始３０２入力は、モバイル装置２０４上でトレーニング・アプリを立ち上げ、トレーニング・アプリ内のボタンを押して、トレーニングを開始したいというユーザーの所望を示すなどであってもよい。

モバイル装置２０４がすでにウェアラブル装置１０２に接続されているのでなければ、モバイル装置２０４がトレーニングを開始する指示を受け取る際、モバイル装置２０４はウェアラブル装置１０２に接続してもよい。ある実施形態では、モバイル装置２０４とウェアラブル装置１０２との間の接続は、モバイル装置２０４が接続要求３０４をウェアラブル装置１０２に送り、ウェアラブル装置１０２が接続確認３０６をモバイル装置２０４に送ることを含んでいてもよい。

モバイル装置２０４およびウェアラブル装置１０２が接続され、対話を始める準備ができると、モバイル装置２０４はユーザー２０２に、モバイル装置２０４およびウェアラブル装置１０２が対話する準備ができていることを通知してもよい（３０８）。すると、ユーザー２０２はモバイル装置２０４に対して、モバイル装置２０４とウェアラブル装置１０２がユーザー２０２との対話を開始することを指示してもよい（３１０）。

ユーザー２０２は、モバイル装置２０４およびウェアラブル装置１０２と、一つまたは複数のモダリティー対話３２０の集合において対話してもよい。各モダリティー対話３２０は、ウェアラブル装置１０２の入力および／または出力のモダリティーに対応してもよく、ウェアラブル装置によって感知されるセンサー・データならびにモバイル装置２０４および／またはウェアラブル装置１０２によって受領されるユーザー・フィードバックを含む。モダリティー対話３２０の例は、図４においてより詳細に示され、記述される。

モバイル装置２０４は、一つまたは複数のモダリティー対話３２０の間に受領されたセンサー・データおよびユーザー・フィードバックを、クラウドベースのアプリケーション２０６にアップロードしてもよい（３３０）。次いで、クラウドベースのアプリケーション２０６は、ユーザー・フィードバック２１６およびセンサー・データ２２０に基づいて、ユーザー２０２のためにウェアラブル装置１０２の出力モダリティーを最適化するよう、機械学習アルゴリズム（たとえばニューラル・ネットワーク）３３２をトレーニングしてもよい。次いで、クラウドベースのアプリケーション２０６は、ウェアラブル装置１０２にインストールされるべき、トレーニングされた機械学習アルゴリズム、動作命令および最適化された装置設定を含んでいてもよい新たな知識パッケージ２２４を生成してもよい（３３４）。クラウドベースのアプリケーション２０６は、新たな知識パッケージ２２４をモバイル装置２０４に送ってもよい（３３６）。

モバイル装置２０４は、新たな知識パッケージ２２４をウェアラブル装置１０２に送ってもよい（３３８）。次いで、ウェアラブル装置１０２は、新たな知識パッケージ２２４をインストールしてもよい（３４０）。ある実施形態では、新たな知識パッケージ２２４をインストールすることは、モバイル装置２０４がウェアラブル装置に自らをリセットするよう命令することを含んでいてもよい。ある実施形態では、ウェアラブル装置のセンサーおよび出力モダリティーの設定の最適化は、トレーニング・プロセス３００の複数の対話を含んでいてもよい。

図４は、ある例示的実施形態に基づく、機械学習を使ってウェアラブル装置の設定を最適化するトレーニング・プロセスのモダリティー対話セッション３２０を示している。モダリティー対話セッション３２０は、ユーザーがウェアラブル装置１０２によって生成された一つまたは複数の出力モダリティー２１０を感知することおよび／またはユーザーがウェアラブル装置１０２に対して一つまたは複数の入力モダリティー２１２を実行することを含んでいてもよい。出力モダリティー２１０の例は、ウェアラブル装置１０２のディスプレイ上に表示される光を見ること、ウェアラブル装置１０２のスピーカーによって生成される音を聞くこと、ウェアラブル装置１０２によって生成される振動を感じることなどを含んでいてもよい。入力モダリティー２１２の例は、ウェアラブル装置１０２の一部を触れたり押したりすること、ウェアラブル装置１０２のマイクロフォンに向かって話すこと、ウェアラブル装置１０２を特定のパターンまたはジェスチャーで動かすことなどを含んでいてもよい。

モダリティー対話セッション３２０の間、ウェアラブル装置１０２はウェアラブル装置１０２内で一つまたは複数のセンサーを使ってデータを収集してもよい。ウェアラブル装置１０２は、収集されたセンサー・データ２２０をモバイル装置２０４に提供してもよい。

ウェアラブル装置１０２は、モバイル装置２０４上で実行されているアプリに、一つまたは複数の出力モダリティー２１０および／または入力モダリティー２１２に関するフィードバックをユーザー２０２に促すよう命令してもよい（４０２）。たとえば、モバイル装置２０４は、ウェアラブル装置１０２のディスプレイによって表示される光が暗すぎたまたは明るすぎたかどうか、ウェアラブル装置１０２のスピーカーによって生成された音が小さすぎたまたは大きすぎたかどうか、ウェアラブル装置１０２によって生成される振動が弱すぎたまたは強すぎたかどうかなどを尋ねてもよい。ユーザー２０２は、一つまたは複数の入力機構を通じてユーザー・フィードバック２１６を提供してもよい。入力機構は、モバイル装置２０４上のタッチ・コントロール、モバイル装置２０４のマイクロフォンを介した音声入力などを含む。ある実施形態では、モバイル装置２０４は、対話に応答してのユーザー２０２の表情（単数または複数）および／または振る舞い（単数または複数）をモニタリングするためにカメラを使ってもよい。

図５は、ある例示的実施形態に基づく、機械学習を使って設定が最適化されうるウェアラブル装置１０２の実装を示している。ウェアラブル装置１０２は、システムオンチップ５０２、一つまたは複数のセンサー５２０およびユーザー・インターフェース５３０を含んでいてもよい。

システムオンチップ５０２は、センサー・サブシステム５０４と、プロセッサ５０６と、メモリ５０８と、特定用途向け集積回路（ASIC）５１０と、ユーザー・インターフェース・コントロール５１２とを含んでいてもよい。センサー・サブシステム５０４は、汎用であって、一つまたは複数の使用事例のために構成可能であってもよい。ASIC ５１０は、クラウドベースのアプリケーション２０６によってトレーニングされたアルゴリズムを実行する、ハードウェア実装された非線形決定ネットワークであってもよい。

メモリ５０８は、知識パッケージ２２４を記憶してもよい。知識パッケージ２２４は、プロセッサ５０６によってアクセスされ、実行されてもよい。プロセッサ５０６による知識パッケージ２２４の実行は、プロセッサ５０６に、ASIC ５１０に命令を提供すること、ASIC ５１０の実行からの結果を受け取ること、メモリ５０８を更新することによって機械学習アルゴリズムの状態を更新することを行なわせてもよい。

センサー５２０は、光、音、圧力、湿度、加速度、慣性、空間的配向、心拍数などの一つまたは複数を検出するための一つまたは複数のセンサーを含んでいてもよい。一つまたは複数のセンサー５２０は、ウェアラブル装置１０２に入力を提供するための触覚（触れる）、聴覚（音）、ジェスチャー（身振り）、視覚などのような一つまたは複数の入力モダリティーを可能にしてもよい。センサー・サブシステム５０４は、一つまたは複数のセンサー５２０によって感知されたデータをASIC ５１０に提供してもよい。ASIC ５１０によって実行されるアルゴリズムは、センサー・サブシステム５０４によって提供されるデータを分類して、一つまたは複数の対応する出力モダリティーを決定して、提供されたデータに応答して出力にモダリティー値を出力してもよい。

ユーザー・インターフェース・コントロール５１２は、プロセッサ５０６および／またはASIC ５１０から入力を受け取って、受け取った入力を処理し、ユーザー出力を生成し、生成されたユーザー出力をユーザー・インターフェース５３０に提供してもよい。ユーザー・インターフェース５３０は、光学的情報を呈示するディスプレイ、聴覚的情報を生成するスピーカー、振動を生成するモーターなどの一つまたは複数を含んでいてもよい。

図６は、ある例示的実施形態に基づく、機械学習を使ってウェアラブル装置１０２の設定を最適化するためのクラウドベースのアプリケーション２０６の動作を示すデータおよび制御フロー図 ６００である。クラウドベースのアプリケーション２０６は、ウェアラブル装置１０２が使用される分野（たとえば医療診断／療法、運動競技、日常使用など）のためのドメイン知識を表わすエキスパート知識ベース６１０を含んでいてもよい。クラウドベースのアプリケーション２０６に送られたユーザー・フィードバック２１６は、エキスパート知識ベース６１０に提供されてもよい。

クラウドベースのアプリケーション２０６に送られたセンサー・データ２２０は、センサー信号プロセッサ６１２に与えられてもよい。センサー信号プロセッサ６１２は、信号処理技法を使って、センサー・データ２２０を解析してもよい。

センサー信号プロセッサ６１２は、解析されたセンサー・データを特徴抽出器６１４に与えてもよい。特徴抽出器６１４は、解析されたセンサー・データから、関連する特徴を抽出してもよい。

特徴抽出器６１４は、抽出された特徴をアルゴリズム・トレーニング器６１６に与えてもよい。アルゴリズム・トレーニング器６１６は、ユーザー・フィードバック２１６および／またはエキスパート知識をもエキスパート知識ベース６１０から受け取ってもよい。アルゴリズム・トレーニング器６１６は、ウェアラブル装置１０２上で実行される機械学習アルゴリズム（たとえばニューラル・ネットワークのモデル）をトレーニングしてもよい。機械学習アルゴリズムは、ウェアラブル装置１０２によって生成されるさまざまな出力モダリティー値に対する、ウェアラブル装置１０２を身につけるユーザー２０２の反応をシミュレートすることを試みてもよく、シミュレートされた反応に基づいて、将来の出力モダリティー値を調整することを試みてもよい。

アルゴリズム・トレーニング器６１６は、トレーニングされた機械学習アルゴリズムを、知識パッケージ・ビルダー６１８に与えてもよい。知識パッケージ・ビルダー６１８は、トレーニングされた機械学習アルゴリズムおよびエキスパート知識ベース６１０からの情報を組み込んで、新たな知識パッケージ２２４を構築してもよい。クラウドベースのアプリケーション２０６は、この新たな知識パッケージ２２４を、インストールのためにウェアラブル装置１０２に送ってもよい。

知識パッケージ２２４の初期のトレーニングおよびインストール後、ユーザー２０２は、ウェアラブル装置１０２を通常どおりに（たとえばその意図された目的（単数または複数）のために）使うことに進んでもよい。ユーザー２０２がウェアラブル装置１０２を使う際、ウェアラブル装置１０２は、ウェアラブル装置１０２の一つまたは複数の出力モダリティー２１０に応答してのユーザー２０２の反応に対応するセンサー・データを収集することを続けてもよい。ウェアラブル装置１０２は定期的にこの収集されたセンサー・データをクラウドベースのアプリケーション２０６に送ってもよい。収集されたセンサー・データを受け取って解析することに応答して、クラウドベースのアプリケーション２０６はウェアラブル装置１０２に、図３に示した初期のトレーニング・セッション３００と同様のその後のトレーニング・セッションを開始するようユーザー２０２に促すよう命令してもよい。ある実施形態では、クラウドベースのアプリケーション２０６は、図６に示される動作を使って、ウェアラブル装置１０２から受領された収集されたセンサー・データを使って、新たな知識パッケージ２２４を生成してもよい。そのような実施形態において、クラウドベースのアプリケーション２０６は、ウェアラブル装置１０２に、新たな知識パッケージ２２４をインストールするまたはダウンロードしてインストールするようユーザー２０２に促すよう命令してもよい。

図７は、ある例示的実施形態に基づく、機械学習を使ってウェアラブル装置設定を最適化するためのモバイル装置によって実行される方法７００を示している。方法７００では、ウェアラブル装置１０２に代わってユーザー・フィードバックを収集するためにモバイル装置２０４が使われる。

モバイル装置２０４がまだウェアラブル装置１０２に接続されていなければ、モバイル装置２０４はウェアラブル装置１０２に接続する（動作７０２）。

トレーニング・セッションを開始するユーザー入力が、モバイル装置２０４によって受領される（動作７０４）。

ウェアラブル装置によって生成された出力モダリティーに対するユーザーの反応に対応するセンサー・データが受領される（動作７０６）。

ウェアラブル装置によって生成された出力モダリティーについてのユーザー・フィードバックが求められる（動作７０８）。

該出力モダリティーについてのユーザー・フィードバックに対応するデータが、第一のセンサー・セットを介して受領される（動作７１０）。

動作７０６〜７１０は、複数のモダリティーがウェアラブル装置１０２によって出力される場合および／または単一の出力モダリティーの複数の逐次反復が実行される場合、繰り返されてもよい。

センサー・データおよびユーザー・フィードバック・データはクラウドベースのアプリケーションにアップロードされる（動作７１２）。

クラウドベースのアプリケーションから知識パッケージが受信される（動作７１４）。

知識パッケージがウェアラブル装置１０２に送られる（動作７１６）。

図８は、ある例示的実施形態に基づく、機械学習を使ってウェアラブル装置設定を最適化するためのウェアラブル装置によって実行される方法８００を示している。

トレーニング・セッションを開始するユーザー入力が、ウェアラブル装置１０２によって受領される（動作８０４）。

出力モダリティーがウェアラブル装置１０２によって生成される（動作８０４）。

出力モダリティーに対するユーザーの反応に対応するデータが、ウェアラブル装置１０２の第一のセンサー・セットを介して受領される（動作８０６）。

前記出力モダリティーについてのユーザー・フィードバックが、ウェアラブル装置１０２によってユーザーから求められる（動作８０８）。

該出力モダリティーについてのユーザー・フィードバックに対応するデータが、ウェアラブル装置１０２の第二のセンサー・セットを介して受領される（動作８１０）。

動作８０４〜８１０は、複数のモダリティーがウェアラブル装置１０２によって出力される場合および／または単一の出力モダリティーの複数の逐次反復が実行される場合、繰り返されてもよい。

センサー・データおよびユーザー・フィードバック・データはクラウドベースのアプリケーションにアップロードされる（動作８１２）。

クラウドベースのアプリケーションから知識パッケージが受信される（動作８１４）。

知識パッケージがウェアラブル装置１０２によってインストールされる（動作８１６）。

図９は、いずれかの一つまたは複数の例示的実施形態が実装されうる機械９００の例を示すブロック図である。代替的な実施形態では、機械９００はスタンドアローンの装置として動作してもよく、あるいは他の機械に接続（たとえばネットワーク接続）されてもよい。ネットワーク接続された展開では、機械９００は、クライアント‐サーバー・ネットワーク環境において、サーバー機械、クライアント機械または両方の役割で動作してもよい。一例では、機械９００は、ピアツーピア（P2P）（または他の分散式の）ネットワーク環境においてピア機械として機能してもよい。機械９００は、図１〜図８に示されるシステム、装置または方法の任意の部分を実装してもよく、あるいは含んでいてもよく、該機械によって行なわれるアクションを指定する命令（逐次的またはそれ以外）を実行することのできるコンピュータ、サーバーまたは任意の機械であってもよい。さらに、単一の機械が図示されているが、用語「機械」は、本稿で論じられる方法論の任意の一つまたは複数を実行するための命令の集合（または複数の集合）を個々にまたは合同して実行する機械の任意の集まり、たとえばクラウド・コンピューティング、サービスとしてのソフトウェア（SaaS）、他のコンピュータ・クラスター構成などを含むと解釈される。

本稿に記載される例は、論理またはいくつかのコンポーネント、モジュールまたは機構を含んでいてもよく、それによって動作してもよい。モジュールは、指定された動作を実行することができる有体のエンティティー（たとえばハードウェア）であり、ある種の仕方で構成または配置されてもよい。一例では、回路は、モジュールとして、指定された仕方で（たとえば内部的に、あるいは他の回路のような外部エンティティーに関して）構成されてもよい。一例では、一つまたは複数のコンピュータ・システム（たとえばスタンドアローン、クライアントまたはサーバー・コンピュータ・システム）または一つまたは複数のハードウェア・プロセッサの全体または一部は、ファームウェアまたはソフトウェア（たとえば命令、アプリケーションの一部またはアプリケーション）によって、指定された動作を実行するよう機能するモジュールとして構成されてもよい。一例では、ソフトウェアは、機械可読媒体上にあってもよい。一例では、ソフトウェアは、モジュールの根底にあるハードウェアによって実行されたときに、ハードウェアに、指定された動作を実行させる。

よって、用語「モジュール」は、指定された仕方で動作するまたは本稿に記載されるいずれかの動作の一部または全部を実行するよう物理的に構築された、具体的に構成された（たとえば固定的に結線された）または一時的に（たとえば一過的に）構成された（たとえばプログラムされた）エンティティーのいずれであれ、有体のエンティティーを包含するものと理解される。モジュールが一時的に構成される例を考えると、任意の所与の時点において各モジュールがインスタンス化されている必要はない。たとえば、モジュールがソフトウェアを使って構成される汎用ハードウェア・プロセッサを含む場合、その汎用ハードウェア・プロセッサは、異なる時点において異なるモジュールとして構成されてもよい。よって、たとえばある時点ではある特定のモジュールをなすよう、異なる時点では異なるモジュールをなすよう、ソフトウェアがハードウェア・プロセッサをしかるべく構成してもよい。

機械（たとえばコンピュータ・システム）９００は、ハードウェア・プロセッサ９０２（たとえば、中央処理ユニット（CPU）、グラフィック処理ユニット（GPU）、ハードウェア・プロセッサ・コアまたはそれらの任意の組み合わせ）、メイン・メモリ９０４および静的メモリ９０６を含んでいてもよく、それらの一部または全部は互いとインターリンク（たとえばバス）９０８を介して通信してもよい。機械９００はさらに、表示ユニット９１０、英数字入力装置９１２（たとえばキーボード）およびユーザー・インターフェース（UI）ナビゲーション装置９１４（たとえばマウス）を含んでいてもよい。一例では、表示ユニット９１０、入力装置９１２およびUIナビゲーション装置９１４はタッチスクリーン・ディスプレイであってもよい。機械９００はさらに、記憶装置（たとえばドライブ・ユニット）９１６、信号生成装置９１８（たとえばスピーカー）、ネットワーク・インターフェース装置９２０および一つまたは複数のセンサー９２１、たとえば全地球測位システム（GPS）センサー、コンパス、加速度計または他のセンサーを含んでいてもよい。機械９００は、一つまたは複数の周辺装置（たとえばプリンター、カード・リーダーなど）を通信または制御するために、出力コントローラ９２８、たとえばシリアル（たとえばUSB、パラレルまたは他の有線もしくは無線（たとえば赤外線（IR）、近距離場通信（NFC）など）の接続を含んでいてもよい。

記憶装置９１６は、本稿に記載される技法または機能の任意の一つまたは複数を具現するまたはそれによって利用されるデータ構造または命令９２４（たとえばソフトウェア）の一つまたは複数の集合が記憶されている機械可読媒体９２２を含んでいてもよい。命令９２４は、機械９００によるその実行の間、完全にまたは少なくとも部分的に、メイン・メモリ９０４内、静的メモリ内９０６またはハードウェア・プロセッサ９０２内に存在してもよい。一例では、ハードウェア・プロセッサ９０２、メイン・メモリ９０４、静的メモリ９０６または記憶装置９１６の一つまたは任意の組み合わせが、機械可読媒体を構成しうる。

機械可読媒体９２２は単一の媒体として図示されているが、用語「機械可読媒体」は、一つまたは複数の命令９２４を記憶するよう構成された単一の媒体または複数の媒体（たとえば、中央集中式のまたは分散式のデータベースおよび／または関連するキャッシュおよびサーバー）を含んでいてもよい。

用語「機械可読媒体」は、機械９００による実行のための命令を記憶、エンコードまたは担持することができ、機械９００に本開示の技法の任意の一つまたは複数を実行させる、あるいはそのような命令によって使用されるもしくはそのような命令に付随するデータ構造を記憶、エンコードまたは担持することのできる任意の媒体を含みうる。限定しない機械可読媒体の例は、半導体メモリおよび光学式および磁気式媒体を含んでいてもよい。よって、機械可読媒体は一時的な伝搬信号ではない。機械可読媒体の具体例は、不揮発性メモリ、たとえば半導体メモリ・デバイス（たとえば電気的にプログラム可能な読み出し専用メモリ（EPROM）、電気的に消去可能なプログラム可能な読み出し専用メモリ（EEPROM））およびフラッシュ・メモリ・デバイス；磁気ディスク、たとえば内蔵ハードディスクおよびリムーバブル・ディスク；光磁気ディスク；ランダムアクセスメモリ（RAM）；半導体ドライブ（SSD）；およびCD-ROMおよびDVD-ROMディスクを含んでいてもよい。

命令９２４はさらに、多数の転送プロトコル（たとえばフレームリレー、インターネット・プロトコル（IP）、伝送制御プロトコル（TCP）、ユーザー・データグラム・プロトコル（UDP）、ハイパーテキスト転送プロトコル（HTTP）、メッセージ・キューイング・テレメトリー・トランスポート（MQTT）など）の任意のものを利用してネットワーク・インターフェース装置９２０を介して伝送媒体を使って通信ネットワーク９２６を通じて送信または受信されてもよい。例示的な通信ネットワークは、ローカルエリアネットワーク（LAN）、広域ネットワーク（WAN）、パケットデータネットワーク（たとえばインターネット）、携帯電話ネットワーク（たとえばセルラー・ネットワーク）、普通の従来式電話（POTS）ネットワークおよび無線データ・ネットワーク（たとえばWi-Fi（登録商標）として知られている米国電気電子技術者協会（IEEE）802.11ファミリーの規格、WiMAX（登録商標）として知られているIEEE802.16ファミリーの規格）、IEEE802.15.4ファミリーの規格、ブルートゥース（登録商標）、ブルートゥース（登録商標）低エネルギー技術、ジグビー（登録商標）、ピアツーピア（P2P）ネットワークなどを含んでいてもよい。一例では、ネットワーク・インターフェース装置９２０は、一つまたは複数の物理的なジャック（たとえば、イーサネット（登録商標）、同軸または電話ジャック）または通信ネットワーク９２６に接続するための一つまたは複数のアンテナを含んでいてもよい。一例では、ネットワーク・インターフェース装置９２０は、単一入力複数出力（SIMO）、複数入力複数出力（MIMO）または複数入力単一出力（MISO）技法の少なくとも一つを使って無線で通信するための複数のアンテナを含んでいてもよい。用語「伝送媒体」は、機械９００による実行のための命令を記憶、エンコードまたは担持することができる任意の有体でない媒体を含むと解釈され、そのようなソフトウェアの通信を容易にするためのデジタルまたはアナログの通信信号または他の有体でない媒体を含む。

追加的な注記および実施例

実施例１は、機械学習を使ってウェアラブル装置設定を最適化するための装置であって：
ウェアラブル装置のセンサー・セットに結合されたプロセッサと； 前記ウェアラブル装置のユーザー・インターフェースを制御するためのユーザー・インターフェース・コントロールであって、前記ユーザー・インターフェースは、出力モダリティーを生成することのできる出力機構を含む、ユーザー・インターフェース・コントロールと； 前記プロセッサに結合された集積回路（IC）とを有しており、前記ICは機械学習アルゴリズムを使ってクラウドベースのアプリケーションによってトレーニングされた分類アルゴリズムを実行するものであり、前記分類アルゴリズムは： 前記センサー・セットのセンサーによって検出されたセンサー・データを分類し； 少なくとも部分的には分類されたセンサー・データに基づいて出力モダリティー値を決定するものである、装置である。

実施例２では、実施例１の主題は、任意的に、前記センサーが：加速度計、ジャイロメーター、傾斜計、気圧計、温度計、マイクロフォン、心拍数センサー、コンパスまたは湿度計のうちの一つであることを含む。

実施例３では、実施例１〜２のいずれか一つまたは複数の主題は任意的に、前記ユーザー・インターフェースが：光を生成する光ディスプレイ、音を生成するスピーカーおよび前記ウェアラブル装置を振動させるモーターのうちの少なくとも一つを含むことを含む。

実施例４では、実施例１〜３のいずれか一つまたは複数の主題は任意的に、前記ウェアラブル装置が腕時計であることを含む。

実施例５では、実施例１〜４のいずれか一つまたは複数の主題は任意的に、前記分類アルゴリズムが、トレーニング・セッションに応答して前記クラウドベースのアプリケーションによってトレーニングされ、前記トレーニング・セッションはモダリティー対話セッションを含み、前記モダリティー対話セッションは： 前記ウェアラブル装置が出力モダリティーに対応する出力を生成する段階と； 前記センサー・セットのセンサーが、生成された出力に応答して前記ウェアラブル装置のユーザーが生じるアクションに対応するセンサー・データを検出する段階と； 生成された出力に関するフィードバックを求めるユーザーへのプロンプトと； フィードバック・プロンプトに対する応答の受領とを含み、 前記クラウドベースのアプリケーションは、検出されたセンサー・データおよびフィードバック応答を受領し； 前記クラウドベースのアプリケーションは、トレーニングされた分類アルゴリズムを含む知識パッケージを生成することを含む。

実施例６では、実施例５の主題は任意的に、前記ウェアラブル装置とは別個で異なるモバイル装置の出力機構がユーザーに対してフィードバック・プロンプトを呈示し； 前記モバイル装置の入力機構が前記フィードバック・プロンプトに対する応答を受領することを含む。

実施例７では、実施例６の主題は任意的に、前記モバイル装置の前記入力機構が：触覚入力、聴覚入力、ジェスチャー入力、顔入力（facial input）、前記モバイル装置の動き、自由形式テキスト入力および絵文字の選択のうちの少なくとも一つであることを含む。

実施例８では、実施例５〜７のいずれか一つまたは複数の主題は任意的に、前記クラウドベースのアプリケーションが前記トレーニングされた分類アルゴリズムを前記モバイル装置に送信し； 前記モバイル装置が前記トレーニングされた分類アルゴリズムを前記ウェアラブル装置に送信することを含む。

実施例９では、実施例５〜８のいずれか一つまたは複数の主題は任意的に、当該装置が、前記トレーニングされた分類アルゴリズムを当該装置にインストールすることによって当該装置自身を更新するものであることを含む。

実施例１０では、実施例６〜９のいずれか一つまたは複数の主題は任意的に、前記モバイル装置がスマートフォンであることを含む。

実施例１１では、実施例６〜１０のいずれか一つまたは複数の主題は任意的に、前記モバイル装置がタブレット・コンピュータであることを含む。

実施例１２では、実施例６〜１１のいずれか一つまたは複数の主題は任意的に、前記モバイル装置がノートブック・コンピュータであることを含む。

実施例１３は、機械学習を使ってウェアラブル装置の設定を最適化するための方法であって： ウェアラブル装置から、該ウェアラブル装置を身につけているユーザーの、該ウェアラブル装置によって生成される出力モダリティーに対する反応に対応するセンサー・データを受領する段階と； 前記ウェアラブル装置によって生成された前記出力モダリティーについてのユーザー・フィードバックを求める段階と； 前記出力モダリティーについてのユーザー・フィードバックに対応するユーザー・フィードバック・データを受領する段階と； 前記センサー・データおよび前記ユーザー・フィードバック・データをクラウドベースのアプリケーションにアップロードする段階と； 前記センサー・データおよび前記ユーザー・フィードバック・データを使ってトレーニングされた分類アルゴリズムを含む知識パッケージを、前記クラウドベースのアプリケーションから受信する段階と； 前記知識パッケージを前記ウェアラブル装置に送信する段階とを含む、方法である。

実施例１４では、実施例１３の主題は任意的に、ユーザー・フィードバックを求める段階が、前記ウェアラブル装置とは別個で異なるモバイル装置の出力機構によって実行され； ユーザー・フィードバック・データを受領する段階は前記モバイル装置の入力機構によって実行されることを含む。

実施例１５では、実施例１３〜１４のいずれか一つまたは複数の主題は任意的に、前記ユーザー・フィードバック・データが：触覚入力、聴覚入力、ジェスチャー入力、顔入力（facial input）、前記モバイル装置の動き、自由形式テキスト入力および絵文字の選択のうちの少なくとも一つを含むことを含む。

実施例１６では、実施例１３〜１５のいずれか一つまたは複数の主題は任意的に、前記ウェアラブル装置が前記知識パッケージをインストールする段階をさらに含むことを含む。

実施例１７では、実施例１３〜１６のいずれか一つまたは複数の主題は任意的に、前記ウェアラブル装置によって生成される出力モダリティーが：光ディスプレイによって生成される光、スピーカーによって生成される音またはモーターによって生成される振動のうちの一つであることを含む。

実施例１８では、実施例１３〜１７のいずれか一つまたは複数の主題は任意的に、前記センサー・データは：加速度計、ジャイロメーター、傾斜計、気圧計、温度計、マイクロフォン、心拍数センサー、コンパスおよび湿度計のうちの少なくとも一つによって生成されることを含む。

実施例１９では、実施例１３〜１８のいずれか一つまたは複数の主題は任意的に、前記ウェアラブル装置が腕時計であることを含む。

実施例２０では、実施例１３〜１９のいずれか一つまたは複数の主題は任意的に、前記モバイル装置がスマートフォンであることを含む。

実施例２１では、実施例１３〜１９のいずれか一つまたは複数の主題は任意的に、前記モバイル装置がタブレット・コンピュータであることを含む。

実施例２２では、実施例１３〜２０のいずれか一つまたは複数の主題は任意的に、前記モバイル装置がノートブック・コンピュータであることを含む。

実施例２３は、機械学習を使ってウェアラブル装置の設定を最適化するための方法であって： 複数の出力モダリティー値のうちの一つをもつ出力モダリティーを生成する段階と； 前記出力モダリティーに対するユーザーの反応に対応するセンサー・データを、センサー・セットを介して受領する段階であって、前記ユーザーは前記ウェアラブル装置を身につけている、段階と； 前記出力モダリティーについてのユーザー・フィードバックを求める段階と； 前記出力モダリティーについてのユーザー・フィードバックに対応するユーザー・フィードバック・データを、前記ウェアラブル装置の入力機構を介して受領する段階と； 前記センサー・データおよび前記ユーザー・フィードバック・データをクラウドベースのアプリケーションにアップロードする段階と； 前記センサー・データおよび前記ユーザー・フィードバック・データを使ってトレーニングされた分類アルゴリズムを含む知識パッケージを、前記クラウドベースのアプリケーションから受信する段階とを含む、方法である。

実施例２４では、実施例２３の主題は任意的に、前記ウェアラブル装置によって生成される出力モダリティーが：光ディスプレイによって生成される光、スピーカーによって生成される音またはモーターによって生成される振動のうちの一つであることを含む。

実施例２５では、実施例２３〜２４のいずれか一つまたは複数の主題は任意的に、前記ユーザー・フィードバック・データが：触覚入力、聴覚入力、ジェスチャー入力、顔入力（facial input）、前記モバイル装置の動き、自由形式テキスト入力および絵文字の選択のうちの少なくとも一つを含むことを含む。

実施例２６では、実施例２３〜２５のいずれか一つまたは複数の主題は任意的に、前記ウェアラブル装置が前記知識パッケージをインストールする段階をさらに含むことを含む。

実施例２７では、実施例２３〜２６のいずれか一つまたは複数の主題は任意的に、前記センサー・セットは：加速度計、ジャイロメーター、傾斜計、気圧計、温度計、マイクロフォン、心拍数センサー、コンパスおよび湿度計のうちの少なくとも一つを含むことを含む。

実施例２８では、実施例２３〜２７のいずれか一つまたは複数の主題は任意的に、前記ウェアラブル装置が腕時計であることを含む。

実施例２９は、機械によって実行されたときに該機械に実施例１３ないし２８のうちいずれか一項記載の動作を実行させる命令を含む少なくとも一つの機械可読媒体である。

実施例３０は、実施例１３ないし２８のうちいずれか一項記載の方法を実行するための手段を有する装置である。

実施例３１は、機械学習を使ってウェアラブル装置の設定を最適化するための装置であって： ウェアラブル装置から、該ウェアラブル装置を身につけているユーザーの、該ウェアラブル装置によって生成される出力モダリティーに対する反応に対応するセンサー・データを受領する手段と； 前記ウェアラブル装置によって生成された前記出力モダリティーについてのユーザー・フィードバックを求める手段と； 前記出力モダリティーについてのユーザー・フィードバックに対応するユーザー・フィードバック・データを受領する手段と； 前記センサー・データおよび前記ユーザー・フィードバック・データをクラウドベースのアプリケーションにアップロードする手段と； 前記センサー・データおよび前記ユーザー・フィードバック・データを使ってトレーニングされた分類アルゴリズムを含む知識パッケージを、前記クラウドベースのアプリケーションから受信する手段と； 前記知識パッケージを前記ウェアラブル装置に送信する手段とを有する、装置である。

実施例３２では、実施例３１の主題は任意的に、ユーザー・フィードバックを求めることが、前記ウェアラブル装置とは別個で異なるモバイル装置の出力手段によって実行され； ユーザー・フィードバック・データを受領することは前記モバイル装置の入力手段によって実行されることを含む。

実施例３３では、実施例３１〜３２のいずれか一つまたは複数の主題は任意的に、前記ユーザー・フィードバック・データが：触覚入力、聴覚入力、ジェスチャー入力、顔入力（facial input）、前記モバイル装置の動き、自由形式テキスト入力および絵文字の選択のうちの少なくとも一つを含むことを含む。

実施例３４では、実施例３１〜３３のいずれか一つまたは複数の主題は任意的に、前記ウェアラブル装置が前記知識パッケージをインストールするものであることを含む。

実施例３５では、実施例３１〜３４のいずれか一つまたは複数の主題は任意的に、前記ウェアラブル装置によって生成される出力モダリティーが：光生成手段によって生成される光、音生成手段によって生成される音または振動手段によって生成される振動のうちの一つであることを含む。

実施例３６では、実施例３１〜３５のいずれか一つまたは複数の主題は任意的に、前記センサー・データは：加速度計、ジャイロメーター、傾斜計、気圧計、温度計、マイクロフォン、心拍数センサー、コンパスおよび湿度計のうちの少なくとも一つによって生成されることを含む。

実施例３７では、実施例３１〜３６のいずれか一つまたは複数の主題は任意的に、前記ウェアラブル装置が腕時計であることを含む。

実施例３８では、実施例３１〜３７のいずれか一つまたは複数の主題は任意的に、前記モバイル装置がスマートフォンであることを含む。

実施例３９では、実施例３１〜３８のいずれか一つまたは複数の主題は任意的に、前記モバイル装置がタブレット・コンピュータであることを含む。

実施例４０では、実施例３１〜３９のいずれか一つまたは複数の主題は任意的に、前記モバイル装置がノートブック・コンピュータであることを含む。

実施例４１は、機械学習を使ってウェアラブル装置の設定を最適化するための装置であって： 複数の出力モダリティー値のうちの一つをもつ出力モダリティーを生成する手段と； 前記出力モダリティーに対するユーザーの反応に対応するセンサー・データを受領する手段であって、前記ユーザーは前記ウェアラブル装置を身につけている、手段と； 前記出力モダリティーについてのユーザー・フィードバックを求める手段と； 前記出力モダリティーについてのユーザー・フィードバックに対応するユーザー・フィードバック・データを受領する手段と； 前記センサー・データおよび前記ユーザー・フィードバック・データをクラウドベースのアプリケーションにアップロードする手段と； 前記センサー・データおよび前記ユーザー・フィードバック・データを使ってトレーニングされた分類アルゴリズムを含む知識パッケージを、前記クラウドベースのアプリケーションから受信する手段とを有する、装置である。

実施例４２では、実施例４１の主題は任意的に、前記ウェアラブル装置によって生成される出力モダリティーが：光生成手段によって生成される光、音生成手段によって生成される音または振動手段によって生成される振動のうちの一つであることを含む。

実施例４３では、実施例４１〜４２のいずれか一つまたは複数の主題は任意的に、前記ユーザー・フィードバック・データが：触覚入力、聴覚入力、ジェスチャー入力、顔入力（facial input）、前記モバイル装置の動き、自由形式テキスト入力および絵文字の選択のうちの少なくとも一つを含むことを含む。

実施例４４では、実施例４１〜４３のいずれか一つまたは複数の主題は任意的に、前記ウェアラブル装置が前記知識パッケージをインストールすることを含むことを含む。

実施例４５では、実施例４１〜４４のいずれか一つまたは複数の主題は任意的に、前記センサー・データが：加速度計、ジャイロメーター、傾斜計、気圧計、温度計、マイクロフォン、心拍数センサー、コンパスおよび湿度計のうちの少なくとも一つによって生成されたものであることを含む。

実施例４６では、実施例４１〜４５のいずれか一つまたは複数の主題は任意的に、前記ウェアラブル装置が腕時計であることを含む。

これらの限定しない例のそれぞれは、単独であってもよく、あるいは他の実施例の一つまたは複数とさまざまな置換または組み合わせにおいて組み合わされてもよい。

コンピュータ・システムおよびウェアラブル装置の分野における慣用の用語が本稿で使われている。そうした用語は当技術分野において既知であり、便宜上、限定しない例としてのみ与えられている。よって、請求項における対応する用語の解釈は、特に断わりのない限り、いかなる特定の定義にも限定されない。

本稿では個別的な実施形態が示され、記述されてきたが、同じ目的を達成するよう計算された任意の構成が、示されている個別的な実施形態の代わりとされてもよいことは当業者によって理解されるであろう。当業者には、多くの適応が明白であろう。よって、本願は、任意の適応または変形をカバーすることが意図されている。

上記の詳細な説明は、付属の図面への言及を含む。付属の図面は詳細な説明の一部をなす。図面は、実施されうる個別的実施形態を、例として示している。こうした実施形態は、本稿では「例」とも称される。そのような例は、示されるまたは記載されるものに加えて要素を含んでいてもよい。しかしながら、本発明者らは、示されるまたは記載される要素のみが設けられる例も考えている。さらに、本発明者らは、特定の例（またはその一つまたは複数の側面）に関してまたは本稿で示されるまたは記載される他の例（またはその一つまたは複数の側面）に関して、示されるまたは記載される要素（またはその一つまたは複数の側面）の任意の組み合わせまたは置換を使う例も考えている。

本稿では、特許文書で一般的なように、単数表現が、一つまたは二つ以上を含むように使われる。これは、「少なくとも一つ」または「一つまたは複数」の他のいかなる生起または使用にも関わりない。本稿では、用語「または」は、非排他的な選言を指す。よって、「AまたはB」は、特に断わりのない限り、「AだがBではない」、「BだがAではない」、「AかつB」を含む。さらに、付属の請求項では、用語「第一」、「第二」、「第三」などは単にラベルとして使われており、その対象物にいかなる数値的な要件も課すことは意図されていない。本稿では、センサー・セットは、異なる型であってもよい一つまたは複数のセンサーを含んでいてもよい。さらに、二つの異なるセンサー・セットが、両方のセンサー・セットに属する一つまたは複数のセンサーを含んでいてもよい。

この詳細な説明では、開示の流れをよくするために、さまざまな特徴が一緒にまとめられていることがある。これは、請求項に記載されていない開示されている特徴がいずれかの請求項にとって本質的であることを意図していると解釈されるべきではない。むしろ、発明的な主題は、特定の開示される実施形態のすべての特徴よりも少ないものに存することがある。このように、付属の請求項は、ここに詳細な説明に組み込まれ、各請求項がそれ自身として別個の実施形態をなす。そのような実施形態が、さまざまな組み合わせまたは置換において互いと組み合わされてもよいことが考えられている。実施形態の範囲は、付属の請求項を、かかる請求項に認められる等価物の完全な範囲とともに、参照して、決定されるべきである。

上記の記述は制約するのではなく、例解することが意図されている。たとえば、上記の例（またはその一つまたは複数の側面）は、互いとの組み合わせにおいて使用されてもよい。上記の記述を吟味したときの当業者などによって、他の実施形態が使われてもよい。

Claims (26)

1. 機械学習を使ってウェアラブル装置設定を最適化するための装置であって：
   ウェアラブル装置のセンサー・セットに結合されたプロセッサと；
   前記ウェアラブル装置のユーザー・インターフェースを制御するためのユーザー・インターフェース・コントロールであって、前記ユーザー・インターフェースは、出力モダリティーを生成することのできる出力機構を含む、ユーザー・インターフェース・コントロールと；
   前記プロセッサに結合された集積回路（IC）とを有しており、前記ICは機械学習アルゴリズムを使ってクラウドベースのアプリケーションによってトレーニングされた分類アルゴリズムを実行するものであり、前記分類アルゴリズムは：
   前記センサー・セットのセンサーによって検出されたセンサー・データを分類し；
   少なくとも部分的には分類されたセンサー・データに基づいて出力モダリティー値を決定するものである、
   装置。
2. 前記センサーは：加速度計、ジャイロメーター、傾斜計、気圧計、温度計、マイクロフォン、心拍数センサー、コンパスまたは湿度計のうちの一つである、請求項１記載の装置。
3. 前記ユーザー・インターフェースが：光を生成する光ディスプレイ、音を生成するスピーカーおよび前記ウェアラブル装置を振動させるモーターのうちの少なくとも一つを含む、請求項１記載の装置。
4. 前記ウェアラブル装置が腕時計である、請求項１記載の装置。
5. 前記分類アルゴリズムが、トレーニング・セッションに応答して前記クラウドベースのアプリケーションによってトレーニングされ、前記トレーニング・セッションはモダリティー対話セッションを含み、前記モダリティー対話セッションは：
   前記ウェアラブル装置が出力モダリティーに対応する出力を生成する段階と；
   前記センサー・セットのセンサーが、生成された出力に応答して前記ウェアラブル装置のユーザーが生じるアクションに対応するセンサー・データを検出する段階と；
   生成された出力に関するフィードバックを求めるユーザーへのプロンプトと；
   フィードバック・プロンプトに対する応答の受領とを含み、
   前記クラウドベースのアプリケーションは、検出されたセンサー・データおよびフィードバック応答を受領し；
   前記クラウドベースのアプリケーションは、トレーニングされた分類アルゴリズムを含む知識パッケージを生成する、
   請求項１記載の装置。
6. 前記ウェアラブル装置とは別個で異なるモバイル装置の出力機構がユーザーに対してフィードバック・プロンプトを呈示し；
   前記モバイル装置の入力機構が前記フィードバック・プロンプトに対する応答を受領する、
   請求項５記載の装置。
7. 前記モバイル装置の前記入力機構が：触覚入力、聴覚入力、ジェスチャー入力、顔入力、前記モバイル装置の動き、自由形式テキスト入力および絵文字の選択のうちの少なくとも一つである、請求項６記載の装置。
8. 前記クラウドベースのアプリケーションが前記トレーニングされた分類アルゴリズムを前記モバイル装置に送信し；
   前記モバイル装置が前記トレーニングされた分類アルゴリズムを前記ウェアラブル装置に送信する、
   請求項５記載の装置。
9. 当該装置が、前記トレーニングされた分類アルゴリズムを当該装置にインストールすることによって当該装置自身を更新するものである、請求項５記載の装置。
10. 前記モバイル装置がスマートフォンである、請求項６記載の装置。
11. 機械学習を使ってウェアラブル装置の設定を最適化するための方法であって：
    ウェアラブル装置から、該ウェアラブル装置を身につけているユーザーの、該ウェアラブル装置によって生成される出力モダリティーに対する反応に対応するセンサー・データを受領する段階と；
    前記ウェアラブル装置によって生成された前記出力モダリティーについてのユーザー・フィードバックを求める段階と；
    前記出力モダリティーについてのユーザー・フィードバックに対応するユーザー・フィードバック・データを受領する段階と；
    前記センサー・データおよび前記ユーザー・フィードバック・データをクラウドベースのアプリケーションにアップロードする段階と；
    前記センサー・データおよび前記ユーザー・フィードバック・データを使ってトレーニングされた分類アルゴリズムを含む知識パッケージを、前記クラウドベースのアプリケーションから受信する段階と；
    前記知識パッケージを前記ウェアラブル装置に送信する段階とを含む、
    方法。
12. ユーザー・フィードバックを求める段階が、前記ウェアラブル装置とは別個で異なるモバイル装置の出力機構によって実行され；
    ユーザー・フィードバック・データを受領する段階は前記モバイル装置の入力機構によって実行される、
    請求項１１記載の方法。
13. 前記ユーザー・フィードバック・データが：触覚入力、聴覚入力、ジェスチャー入力、顔入力、前記モバイル装置の動き、自由形式テキスト入力および絵文字の選択のうちの少なくとも一つを含む、請求項１１記載の方法。
14. 前記ウェアラブル装置が前記知識パッケージをインストールする段階をさらに含む、請求項１１記載の方法。
15. 前記ウェアラブル装置によって生成される出力モダリティーが：光ディスプレイによって生成される光、スピーカーによって生成される音またはモーターによって生成される振動のうちの一つである、請求項１１記載の方法。
16. 前記センサー・データは：加速度計、ジャイロメーター、傾斜計、気圧計、温度計、マイクロフォン、心拍数センサー、コンパスおよび湿度計のうちの少なくとも一つによって生成される、請求項１１記載の方法。
17. 前記ウェアラブル装置が腕時計である、請求項１１記載の方法。
18. 機械学習を使ってウェアラブル装置の設定を最適化するための方法であって：
    複数の出力モダリティー値のうちの一つをもつ出力モダリティーを生成する段階と；
    前記出力モダリティーに対するユーザーの反応に対応するセンサー・データを、センサー・セットを介して受領する段階であって、前記ユーザーは前記ウェアラブル装置を身につけている、段階と；
    前記出力モダリティーについてのユーザー・フィードバックを求める段階と；
    前記出力モダリティーについてのユーザー・フィードバックに対応するユーザー・フィードバック・データを、前記ウェアラブル装置の入力機構を介して受領する段階と；
    前記センサー・データおよび前記ユーザー・フィードバック・データをクラウドベースのアプリケーションにアップロードする段階と；
    前記センサー・データおよび前記ユーザー・フィードバック・データを使ってトレーニングされた分類アルゴリズムを含む知識パッケージを、前記クラウドベースのアプリケーションから受信する段階とを含む、
    方法。
19. 前記ウェアラブル装置によって生成される出力モダリティーが：光ディスプレイによって生成される光、スピーカーによって生成される音またはモーターによって生成される振動のうちの一つである、請求項１８記載の方法。
20. 前記ユーザー・フィードバック・データが：触覚入力、聴覚入力、ジェスチャー入力、顔入力、前記モバイル装置の動き、自由形式テキスト入力および絵文字の選択のうちの少なくとも一つを含む、請求項１８記載の方法。
21. 前記ウェアラブル装置が前記知識パッケージをインストールする段階をさらに含む、請求項１８記載の方法。
22. 前記センサー・セットは：加速度計、ジャイロメーター、傾斜計、気圧計、温度計、マイクロフォン、心拍数センサー、コンパスおよび湿度計のうちの少なくとも一つを含む、請求項１８記載の方法。
23. 前記ウェアラブル装置が腕時計である、請求項１８記載の方法。
24. 機械によって実行されたときに該機械に請求項１１ないし２３のうちいずれか一項記載の方法を実行させるためのコンピュータ・プログラム。
25. 請求項１１ないし２３のうちいずれか一項記載の方法を実行するための手段を有する装置。
26. 請求項２４記載のコンピュータ・プログラムを記憶している少なくとも一つの機械可読記憶媒体。

Images