JP2021514221A - 可動式処置デバイスの運動を分類するための装置及び方法 - Google Patents

Abstract

本開示は、可動式処置デバイスの運動を分類するための装置であって、可動式処置デバイスが、少なくとも１つの慣性センサを有し、装置が、可動式処置デバイスの運動クラスのセットに含まれる２つ以上の運動クラス間を判別するように構成された運動パターン分類デバイスと、慣性センサからの少なくとも１つの慣性センサデータを運動パターン分類デバイスに提供するためのインターフェースであって、少なくとも１つの慣性センサデータが、可動式処置デバイスの運動を表す、インターフェースと、を備え、運動パターン分類デバイスが、少なくとも１つの慣性センサデータを受信し、かつ運動クラスのセットに含まれる運動クラスに対して少なくとも１つの慣性センサデータを分類するように構成された、少なくとも１つのニューラルネットワークを備え、上記運動クラスが各々、１つ以上のクラスの少なくとも１つのクラスメンバに関連付けられ、それにより、少なくとも１つのクラスメンバが、可動式処置デバイスの運動に基づいて選択される、装置に関する。

Description

本発明の更なる実施形態は、可動式処置デバイスの運動を分類するための装置、可動式処置デバイスの運動を分類するための方法、並びに装置及び可動式処置デバイスを備えるシステムに関する。

可動式処置デバイスは、表面などを処置するために使用され得る。例えば、可動式処置デバイスは、ヘアブラシ、かみそり、グルーマ、歯ブラシなどの個人用器具に関係し得る。これらの例では、処置される表面は、身体、又は上記身体の少なくとも特定の部分若しくはゾーンであり得る。

可動式処置デバイスの他の例としては、例えば、ほうき、モップ、スクラビングブラシなどの家庭用器具を挙げることができる。これらの例では、処置される表面は、床、又は上記床の少なくとも特定の部分若しくはゾーンであり得る。

いくつかの用途では、可動式処置デバイスの現在の場所を知ることが有用である場合がある。いくつかの用途では、追加的又は代替的に、特に個人用器具の場合に、可動式処置デバイスの運動を分類することが有用である場合がある。

現今では、撮像技法は、対象表面に対して可動式処置デバイスを位置特定するために、例えば、上記対象表面を捕捉するカメラによって、使用され得る。可動式処置デバイスを位置特定するために、ＧＰＳセンサなどのセンサを使用することが知られている場合もある。上述の撮像技法を、可動式処置デバイスの運動を撮像し、上記捕捉された運動を分類するために使用することもできる。

これらの一般的なデバイス及び方法は、大まかな位置特定及び分類のために好適に申し分なく作用し得る。しかしながら、いくつかの欠点が存在し得る。例えば、ＧＰＳセンサは、屋外条件でのみ十分に申し分なく作用し得る。対象表面を捕捉するカメラの視界は、時には可動式処置デバイス自体によっても妨害される場合がある。更に、異なるユーザが可動式処置デバイス、例えば、個人用器具を使用している場合であっても、上述のデバイス及び方法の出力は、各ユーザが、上記可動式処置デバイスをどのように使用するかの個別のスタイル及び嗜好を有し得るとしても、ユーザごとに常に同じである。

したがって、可動式処置デバイスの正確な位置特定、及び／又は上述の欠点を伴わない可動式処置デバイスの運動の正確な分類を可能にする、装置及び方法を提供することが望ましいであろう。更に、異なる人物に個別に訓練された技法を提供することによって、これらの装置及び方法を個人化することが望ましいであろう。

一態様によれば、可動式処置デバイスの運動を分類するための装置であって、可動式処置デバイスが、少なくとも１つの慣性センサを有し、装置が、可動式処置デバイスの運動クラスのセットに含まれる２つ以上の運動クラス間を判別するように構成された、運動パターン分類デバイスと、慣性センサからの少なくとも１つの慣性センサデータを運動パターン分類デバイスに提供するためのインターフェースであって、少なくとも１つの慣性センサデータが、可動式処置デバイスの運動を表す、インターフェースと、を備え、運動パターン分類デバイスが、少なくとも１つの慣性センサデータを受信し、かつ運動クラスのセットに含まれる運動クラスに対して少なくとも１つの慣性センサデータを分類するように構成された、少なくとも１つのニューラルネットワークを備え、上記運動クラスが各々、１つ以上のクラスの少なくとも１つのクラスメンバに関連付けられ、それにより、少なくとも１つのクラスメンバが、可動式処置デバイスの運動に基づいて選択される、装置が提供される。

一態様によれば、請求項１２に記載の主題によって方法が提供される。

一態様によれば、先に記載されるように、可動式処置デバイス及び装置を備えるシステムが提供される。

以下、本発明の実施形態は、図面を参照してより詳細に記載されている。
本開示による、例示的な装置の概略ブロック図を示している。 可動式処置デバイスで処置される対象表面の一例を示している。 可動式処置デバイスで処置される対象表面の更なる例を示している。 回帰型ニューラルネットワークで使用され得る、繰り返しモジュール（又はユニット若しくはブロック若しくはセル）の概略ブロック図を示している。 回帰型ニューラルネットワークで使用され得る、繰り返しゲート付き回帰型ユニット（gated recurrent unit、ＧＲＵ）モジュールの概略ブロック図を示している。 回帰型ニューラルネットワークで使用され得る、繰り返しＬＳＴＭモジュール（又はユニット）の概略ブロック図を示している。 異なる時間インスタンスにおける、ＬＳＴＭモジュールの１つの層を有する、アンロールされたＬＳＴＭモジュールベースの回帰型ニューラルネットワークの概略ブロック図を示している。 異なる時間インスタンスにおける、ＬＳＴＭモジュール（すなわち、深層ＬＳＴＭ）の２つの積重された層を有する、アンロールされたＬＳＴＭモジュールベースの回帰型ニューラルネットワークの概略ブロック図を示している。 一実施形態による、本発明の方法のブロック図を示している。 一実施形態による、本発明の装置の概略ブロック図を示している。 更なる実施形態による、本発明の装置の概略ブロック図を示している。 更なる実施形態による、本発明の装置の概略ブロック図を示している。 一実施形態による、本発明の方法のブロック図を示している。

均等又は等価の要素若しくは均等又は等価の機能を有する要素は、以下の記述で、均等又は等価の参照符合で示される。

以下では、可動式処置デバイスの非限定的な例として、個人用器具及び／又は家庭用器具への参照がなされる。しかしながら、これらの器具の種類は、本発明の実施形態及び例を記載するための非限定的な例としてのみ述べられている。したがって、本発明は、これらの述べられる種類の器具のみに限定されるものではない。

更に、方法の任意の方法工程の順序は、非限定的な例としてのみ記載され得る。したがって、本明細書に記載される任意の方法工程を、記載される以外の任意の他の順序で実行することもできる。

いくつかの態様は装置又はデバイスに関して説明されているが、これらの態様は、対応する方法の説明も表すことは明らかであり、ブロック又はデバイスは方法工程又は方法工程の特徴に対応する。同様に、方法又は方法工程に関して説明した態様は、対応する装置又はデバイスの対応するブロック又はアイテム又は特徴の説明も表す。

本発明の第１の態様は、可動式処置デバイスを位置特定するように、特に、可動式処置デバイスを、上記処置デバイスで処置される対象表面に対して、位置特定するように構成された装置に関する。

かかる可動式処置デバイスの例は、例えば、個人用器具であり得る。個人用器具は、例えば、ヘアブラシ、かみそり、シェーバ、脱毛器、美容デバイス、グルーマ、歯ブラシ（電動又は手動歯ブラシ）などであり得る。これらの例では、処置される表面は、身体、又は上記身体の少なくとも特定の部分若しくはゾーンであり得る。

可動式処置デバイスの他の例は、例えば、ほうき、モップ、スクラビングブラシなどの家庭用器具に関し得る。これらの例では、処置される表面は、床若しくは壁若しくは天井、又は上記床、壁、若しくは天井の少なくとも特定の部分若しくはゾーンであり得る。

図１は、本発明の一実施形態による装置１０を示している。更に、可動式処置デバイス１１が描写されている。可動式処置デバイス１１及び装置１０は一緒になってシステムを形成する。可動式処置デバイス１１は、少なくとも１つの慣性センサ１３を備え得る。慣性センサ１３の例は、可動式処置デバイス１１の場所、向き、速度、及び加速度が直接及び間接的に決定され得るような、運動センサ（線形加速度を提供する加速度計）、回転速度センサ（角速度を提供するジャイロスコープ）、及び向きセンサ（磁力計）である。限定するためのものではないが、慣性センサは、３軸慣性センサ、６軸慣性センサ、又は９軸慣性センサであり得る。慣性センサは、特に、ＭＥＭＳセンサとして実現され得る。更に、可動式処置デバイス１１は、対象表面１２を処置するように構成され得る。

見られ得るように、可動式処置デバイス１１は、対象表面１２に対して特定の場所又は位置、例えば、対象表面１２の中、上、又は隣で使用され得る。対象表面１２自体は、１つ以上のゾーン２１_１、２１_２、２１_３、…、２１_ｍに分割され得る。ゾーン２１_１、２１_２、２１_３、…、２１_ｍのうちの１つは、更に以下でより詳細に説明されるように、対象表面の外側の可動式処置デバイス１１の位置に関連し得る。可動式処置デバイス１１は、対象表面１２に対して移動され得る。可動式処置デバイス１１の運動は、可動式処置デバイスが使用されるゾーンに依存すること、ひいては、可動式処置デバイス１１が使用されるゾーンが、運動を分類することによって識別されてもよく、その運動が、少なくとも、更なるセンサデータ、例えば、圧力センサデータによって拡張され得る、慣性センサデータによって表されることが、本明細書に記載される装置及びシステムの背後にある基本概念である。

図１に描写される本発明の装置１０は、対象表面１２に対して可動式処置デバイス１１の位置特定を実施するように構成されている。

単純な言い方をすれば、本説明の基本概念は、回帰型ニューラルネットワーク（recurrent neural network、ＲＮＮ）、特に、ゲート付き回帰型ユニット（Gated Recurrent Unit、ＧＲＵ）ＲＮＮ、ＬＳＴＭ ＲＮＮ（短いＬＳＴＭ）、若しくは深層ＧＲＵ ＲＮＮ／ＬＳＴＭ、又は更には深層双方向ＧＲＵ ＲＮＮ／ＬＳＴＭなどのニューラルネットワーク（neural network、ＮＮ）を使用して、ＮＮの出力ベクトルの要素が運動クラスの各々に対する確率を表す、学習された運動クラスに対する入力ベクトルの時間的シーケンスを（少なくとも少なくとも１つの慣性センサからのデータに基づいて）分類し、次いで、可動式処置デバイスの使用に関連する複数のゾーンのうちの１つのゾーンにＮＮの出力ベクトルのシーケンスをマッピングし、このゾーンを出力することである。出力ベクトルのシーケンスをゾーンにマッピングする代わりに、出力ベクトルを、より一般的な出力、例えば、「良好な」運動対「不良な」運動、又は「正しい」運動対「正しくない」運動、又は「第１のユーザ」の運動対「第２のユーザ」の運動などのような出力にマッピングすることができ、これらは、これらの良好な又は不良な運動などを表す運動クラスに対して分類が生じることを意味する。これを以下により詳細に説明する。

装置１０は、運動パターン分類デバイス１４を備え得る。運動パターン分類デバイス１４は、可動式処置デバイス１１の運動クラスのセット１５に含まれる２つ以上の運動クラス１５_１、１５_２、１５_３、…、１５_ｋ間を判別するように構成され得る。換言すれば、可動式処置デバイス１１は、例えば、上記可動式処置デバイス１１を使用するユーザによって、異なる線形方向及び／又は回転方向に移動され得る。したがって、可動式処置デバイス１１の各運動は、それぞれ又は個別の運動パターンを表し得る。運動パターン分類デバイス１４は、異なる運動クラスのセット１５を含み得る。運動クラスのセット１５は、２つ以上の運動クラス１５_１、１５_２、１５_３、…、１５_ｋを含み得る。運動パターン分類デバイス１４は、これら２つ以上の運動クラス１５_１、１５_２、１５_３、…、１５_ｋ間を判別するように構成され得る。つまり、運動パターン分類デバイス１４は、第１の運動クラス１５_１を第２の運動クラス１５_２から区別するように構成され得る。ここで、運動パターン分類デバイスが運動クラス間を判別するように構成されていると言える場合、運動パターン分類デバイスは、少なくとも２つの運動クラスに対する入力運動パターンを分類するように訓練されたことを意味する。

可動式処置デバイス１１の運動は、可動式処置デバイス１１が備える少なくとも１つの慣性センサ１３によって検出され得る。慣性センサ１３は、慣性に基づくセンサであり、加速度計、ジャイロスコープ、及び磁力計のうちの少なくとも１つを含み得る。慣性センサ１３は、線形速度、角速度、線形加速度、角加速度、及び重力のうちの少なくとも１つを表すセンサデータを提供し得る。慣性センサ１３は、１つ以上の慣性センサを備える慣性測定ユニットの一部であり得る。

装置１０は、慣性センサ１３から少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを受信するため、並びに少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを運動パターン分類デバイス１４に提供するための、インターフェース１６を備え得る。少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎは、可動式処置デバイス１１の運動を表す。換言すれば、可動式処置デバイス１１が移動すると、慣性センサ１３は、この運動を検知し、少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを作成する。したがって、少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎは、移動した処置デバイス１１のそれぞれの運動を表す。慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎは、慣性センサ１３から時間的に連続してサンプリングされ得る。１つの所与の時間インスタントに関する慣性センサデータの単一のサンプルを運動パターン分類デバイスに入力して、少なくとも２つの運動クラス１５_１、１５_２、１５_３、…、１５_ｋに対して運動パターンを分類することを除外しないものとするが、インターフェースは、特に、慣性センサデータの時間的シーケンスを運動パターン分類デバイス１３に入力することができ、それにより、慣性センサデータの時間的な関係を分類処理で利用することができる。

本開示によれば、運動パターン分類デバイス１４は、ニューラルネットワーク１８を備え得る。ニューラルネットワーク１８は、回帰型ニューラルネットワーク又は深層ニューラルネットワークであり得る。ニューラルネットワーク１８は、少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを受信し、かつ運動クラスのセット１５に含まれる運動クラス１５_１、１５_２、１５_３、…、１５_ｋのうちの少なくとも１つに対して少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを分類するように構成され得る（慣性センサデータの数ｎは、運動クラスの数ｋとは無関係であり、すなわち、２５個の入力ベクトルを提供することができ、１２個の運動クラスが使用される）。この分類は、図１において、破線及び実線の矢印１９_１、１９_２、１９_３、…、１９_ｋによって概略的に示されている。実線で描画された矢印１９_３は、ニューラルネットワーク１８が、少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを第３の運動クラス１５_３にうまく分類したことを例示的に示し得る。ＮＮの出力は、典型的には、入力と同じシーケンス長さを有し、すなわち、１０個の入力ベクトルが入力シーケンスとして提供される場合、１０個の出力ベクトルが出力シーケンスとして提供され（すなわち、ＲＮＮユニットは常に、時間インスタントごとに出力ベクトルを生成する）、１つの入力ベクトルのみが提供される場合も、１つの出力ベクトルのみが提供されることが理解される。典型的には、ＮＮの各出力ベクトルは、ｋ個の運動クラスに関連するｋ個の要素を含み、出力ベクトルの各要素は、同じ時間インスタントの入力運動パターンがそれぞれの対応する運動クラスに関連する確率を提供する。

セット１５に含まれる異なる運動クラス１５_１、１５_２、１５_３、…、１５_ｋは、単に例示目的のために、異なる幾何学的形状（円、矩形、三角形、星形）によって例示的に記号化される。

基本原理によれば、運動クラス１５_１、１５_２、１５_３、…、１５_ｋは各々、対象表面１２の１つ以上の異なるゾーン２１_１、２１_２、２１_３、…、２１_ｍに関連付けられる。これは、破線及び実線の矢印２０_１、２０_２、２０_３、…、２０_ｋによって示されている。見られ得るように、第１の運動クラス１５_１は、破線の矢印２０_１によって示されるように、対象表面１２の第１のゾーン２１_１に関連付けられ得る。第２の運動クラス１５_２は、破線の矢印２０_２によって示されるように、対象表面１２の第２のゾーン２１_２に関連付けられ得る。第３の運動クラス１５_３は、実線で描画された矢印２０_３によって示されるように、対象表面１２の第３のゾーン２１_３に関連付けられ得る。第Ｋの運動クラス１５_ｋは、破線の矢印２０_ｋによって示されるように、対象表面１２の第ｍのゾーン２１_ｍに関連付けられ得る。これは、ニューラルネットワークの当業者には一般的に知られているが、ここでは、ニューラルネットワークが最初に、ラベル付けされた入力運動パターン、すなわち、特定の運動クラスに関連することが知られている運動パターンで訓練され、それにより、装置１０で使用されるニューラルネットワークは、当然ながら、特定の予測確率で、（訓練された）運動クラス１５のセットに含まれる運動クラス１５_１、１５_２、１５_３、…、１５_ｋに対して新しい入力運動パターンを分類し得る、訓練されたニューラルネットワークであることが述べられている。

実線で描画された矢印２０_３は、ニューラルネットワーク１８によって少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎをうまく分類した第３の運動クラス１５_３が、対象表面１２の第３のゾーン２１_３に関連付けられることを例示的に示し得る。対象表面１２の運動クラス１５_１、１５_２、１５_３、…、１５_ｎとゾーン２１_１、２１_２、２１_３、…、２１_ｍとの間で、本明細書において行われる差別化は、運動クラスとゾーンとが全単射（すなわち、１対１及び上への）関数によって互いに関連付けられる場合には、ある程度人工的であるが、この差別化は、ニューラルネットワークが、運動クラス１５_１、１５_２、１５_３、…、１５_ｋの第１の数に対して、仮にｋ＝２０だとして、入力（すなわち、運動パターン）を分類するように訓練されたこと、並びにニューラルネットワークの出力が、より低い（又はより高い）数のゾーン２１_１、２１_２、２１_３、…、２１_ｍの上に、仮にｍ＝６だとして、マッピングされることを可能にするように行われる。以下で更に説明されるように、運動クラスのうちの１つ又はいくつかを、２つ以上のゾーンに関連付けることができる（例えば、運動クラス５を、ゾーン３及び４に関連付けることができる）。このことは上記から明らかであるべきであるが、ＮＮは、ゾーンに対して入力運動パターンを分類しないが、運動クラスに対してのみ入力運動パターンを分類すること、並びにゾーンを識別する工程は、（以下で更に詳細に説明される）様々な追加の計算工程を伴う場合があり、特に、ゾーンの数ｍが、運動クラスの数ｋよりも低くてもよい（又はそれよも高くてもよく、これは、異なることを意味する）、追加の工程であること、をここで繰り返す。更に具体的には、装置は、入力ベクトルシーケンスごとにゾーンを出力することができ、例えば、装置は、現在の入力ベクトルシーケンスに関連する期間の間に装置が使用されたゾーンとしてゾーン６を出力することができる。以下で更に説明されるように、最大基準又は大基準を使用して、出力ベクトルシーケンスを単一のゾーン出力にマッピングすることができる。

したがって、少なくとも１つの運動クラス１５_１、１５_２、１５_３、…、１５_ｋに対する少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎの分類は、対象表面１２の１つ以上のゾーン２１_１、２１_２、２１_３、…、２１_ｍに対する可動式処置デバイス１１の位置の推定を示す。本例では、第３の運動クラス１５_３による少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎの分類は、対象表面１２の第３のゾーン２１_３に対する可動式処置デバイス１１の位置の推定を示す。以下でより詳細に説明されるように、本明細書に記載されるニューラルネットワークのニューラルユニットの出力ベクトルｙ_ｔは、典型的には、入力運動パターンが運動クラスの各々に関連する確率値を提供する。

換言すれば、ニューラルネットワーク１８は、受信した少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを第３の運動クラス１５_３にうまく分類した（運動クラス１５_３の出力ベクトルｙ_ｔの確率値は、最も高い確率値である）。この例によれば、第３の運動クラス１５_３は第３のゾーン２１_３に関連付けられるため、装置１０は、可動式処置デバイス１１が第３のゾーン２１_３に位置し得るか、又は少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎが作成された時点で、可動式処置デバイス１１が少なくとも第３のゾーン２１_３に位置していたとの情報を回収する。

したがって、装置１０は、可動式処置デバイス１１の実行された運動又は運動パターンによって、簡単に対象表面１２に対して可動式処置デバイス１１を位置特定するように構成され得る。

一実施形態によれば、可動式処置デバイス１１は、個人用器具であり得、対象表面１２は、可動式処置デバイス１１によって処置される身体部分であり得る。

例えば、可動式処置デバイス１１は、ユーザの身体の身体部分を剃毛又は毛づくろいするための、かみそり又はグルーマである。この場合、ユーザの身体が対象表面１２であり得る。ユーザの身体１２は、異なるゾーン、例えば、左頬ゾーン、右頬ゾーン、頤ゾーンなどに分離され得る。かみそり１１を用いて特定の運動パターンを実行することによって、装置１０は、訓練されたニューラルネットワークを使用して、ユーザの身体に対してかみそり１１を位置特定することができる。

更なる例として、可動式処置デバイス１１は、家庭用器具であり、対象表面１２は、床、壁、家具などの表面であり得る。例えば、可動式処置デバイス１１は、真空掃除機であり得、対象表面１２は、部屋の床であり得る。部屋１２は、異なるゾーン、例えば、部屋の左上隅、部屋の右下隅、部屋の中心、部屋の内側に位置するベッドの下などに分離され得る。真空掃除機１１を用いて特定の運動パターンを実行することにより、装置１０は、部屋の床に対して真空掃除機１１を位置特定することができる。例えば、真空掃除機１１が、真空掃除機１１のランスが地面近くまで下げられた状態で、単に前方及び後方に方向付けられた運動パターンを実行する場合、装置１０は、真空掃除機１１を、例えば、「ベッドの下」のゾーンに位置するように位置特定することができる。したがって、装置１０は、真空掃除機１１を、その実行された運動パターンによって、簡単に部屋の内側に位置特定することができる。

更なる実施形態によれば、可動式処置デバイス１１は、口腔ケアデバイスであり、対象表面１２は、口腔空洞であってもよく、口腔空洞１２は、異なるゾーン２１_１、２１_２、２１_３、…、２１_ｍに分離され、少なくとも１つの運動クラス１５_１、１５_２、１５_３、…、１５_ｋに対する少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎの分類は、口腔空洞１２の１つ以上の口腔空洞ゾーン２１_１、２１_２、２１_３、…、２１_ｍに対する口腔ケアデバイス１１の位置の推定を示す。口腔空洞は顕著に歯列を備え、歯列は、（以下で更により詳細に説明されるように）異なる歯科ゾーンに分離され得るが、口腔空洞はまた、舌（特に、舌は異なる舌セクションに分離され得る）と、歯肉及び頬セクションと、を備え、それらの面積も同様にゾーンであり得、運動クラスは、ニューラルネットワークが入力運動パターンを舌などに関連する運動クラスに分類することができるように、訓練され得る。

口腔ケアデバイスは、歯ブラシ、特に、電動歯ブラシであり得る。口腔ケアデバイスはまた、デンタルフロス、プラーク除去デバイス、超音波デバイス、及びウォータージェットデバイスのうちの少なくとも１つであり得る。

この例によれば、口腔ケアデバイス１１を用いて特定の運動パターンを実行することによって、装置１０は、口腔に対して、例えば、歯列に対して口腔ケアデバイス１１を位置特定することができる。例えば、口腔ケアデバイス１１が左に傾けられた状態で、口腔ケアデバイス１１が、単に上方及び下方に方向付けられた運動パターンを実行する場合、装置１０は、例えば、学習された運動クラスへの運動の分類により、及び識別された運動クラスを入力データの各時間インスタント又は全時間シーケンスのいずれかのゾーンの上に更にマッピングすることによって、上顎の左上歯科ゾーンに位置するように、口腔ケアデバイス１１を位置特定することができる。したがって、装置１０は、口腔ケアデバイス１１を、その実行された運動パターンによって、ユーザの歯列に対して簡単に位置特定することができる。例として本明細書に記載される入力運動パターンは、基本概念のみを例示するものとする。実際に、特定のゾーン（例えば、上前歯）に関連する運動パターンは、個人及び個人のブラッシング習慣に大きく依存する。例えば、個人が、右利きの人物である場合、又は左利きの人物である場合があり、個人が、ごしごし洗っている場合がある。ニューラルネットワークの訓練フェーズが、ニューラルネットワークの予測品質が全てのタイプの入力運動パターンに対して高くなり得るほどに多くの、ブラッシング習慣に影響を及ぼす異なる個人又はユーザのタイプ及び状況を含み得ることは明白である。

一実施形態によれば、歯列を、９つの歯科ゾーンに分離することができ、第１の歯科ゾーンは、歯列の上顎及び下顎の左頬側に対応し、第２の歯科ゾーンは、歯列の上顎の左側及び右側の咬合側に対応し、第３のゾーンは、歯列の下顎の左側及び右側の咬合側に対応し、第４の歯科ゾーンは、歯列の上顎及び下顎の左舌側に対応し、第５の歯科ゾーンは、歯列の上顎及び下顎の右頬側に対応し、第６の歯科ゾーンは、歯列の上顎及び下顎の右舌側に対応し、第７の歯科ゾーンは、歯列の上顎及び下顎の唇側に対応し、第８の歯科ゾーンは、歯列の上顎の口蓋側に対応し、第９の歯科ゾーンは、歯列の前部下顎の口腔側に対応する。

更なる実施形態によれば、運動クラスのセット１５に追加的に含まれ得る少なくとも１つの運動クラス１５_ＮＢは、対象表面１２の外側のゾーン２１_ＮＢに関連付けられても、対象表面１２に関連しなくてもよく、少なくとも１つの運動クラス１５_ＮＢとの少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎのマッピングは、可動式処置デバイス１１が、対象表面１２の外側にあるか、又は対象表面１２に関連しない上記ゾーン２１_ＮＢに位置することを示す。運動クラス１５_ＮＢは、ユーザが可動式処置デバイス１１を対象表面に向かって移動させる（例えば、口腔ケアデバイスを、浴室の洗面台の上に留置して、口腔空洞に向かって移動させる）か、又はユーザが可動式処置デバイス１１を１つのゾーンから別のゾーンに遷移させる（例えば、ユーザが口腔ケアデバイスを左下大臼歯から右下大臼歯に向かって移動させることができる）入力運動パターンに関連し得る。

換言すれば、対象表面１２の外側のゾーン２１_ＮＢは、対象表面１２に直接関連しないゾーンであってもよい。例えば、可動式処置デバイス１１が歯ブラシであり得る場合、対象表面１２の外側の上記ゾーン２１_ＮＢは、歯列の外側のゾーンであり得る。したがって、このゾーン２１_ＮＢは、ユーザが自身の歯をブラッシングしないことを示し得る。したがって、このゾーンは、「ＮＢ」と略される、「ブラッシングしない」ゾーンと称されることもある。このゾーン２１_ＮＢは、対象表面１２の少なくとも１つのゾーンであり得るか、又はこのゾーン２１_ＮＢは、対象表面の１つ以上のゾーン２１_１、２１_２、２１_３、…、２１_ｍに加えて、追加のゾーンであり得る。しかしながら、対象表面１２の外側のこの特定のゾーン２１_ＮＢは、上に記載される例示的な歯のブラッシングに限定されない。運動パターン分類デバイスが、運動クラスのセットを含み、運動クラスのうちの１つ以上が各々、対象表面の外側の１つ以上のゾーンに関連付けられることが排除されてはならず、例えば、少なくとも１つの運動クラスを、対象表面の外側のゾーンに関連付けることができ（例えば、装置が対象表面に向かって又は対象表面から離れる方向に移動されるとき）、及び／又は少なくとも１つの運動クラスを、対象表面のゾーン間の遷移に関連付けることができる（例えば、装置がゾーン３からゾーン４に移動されるとき）。

図２は、上に記載される例を例示するための歯列１２を示している。歯列１２は、対象表面であり得るか、又は例えば、舌も含み得る、対象表面の一部であり得る。歯列１２は、９つの歯科ゾーン１ａ〜９ａに分離され得る。任意選択で、第１０のゾーンＮＢが存在してもよい。この第１０のゾーンＮＢは、歯列１２の外側のゾーンである。したがって、この第１０のゾーンＮＢは、図２には明示的に例示されていない。この第１０のゾーンＮＢは歯列１２の歯科ゾーンのうちの１つに関連せず、ひいては、歯列１２の歯のブラッシングに関係しないため、この第１０のゾーンＮＢは、「ブラッシングしない」ゾーンと称されることもある。

図２に見られ得るように、第１の歯科ゾーン１ａは、歯列１２の上顎及び下顎の左頬側に対応し得る。第２の歯科ゾーン２ａは、歯列１２の上顎の左側及び右側の咬合側に対応し得る。第３のゾーン３ａは、歯列１２の下顎の左側及び右側の咬合側に対応し得る。第４の歯科ゾーン４ａは、歯列１２の上顎及び下顎の左舌側に対応し得る。第５の歯科ゾーン５ａは、歯列１２の上顎及び下顎の右頬側に対応し得る。第６の歯科ゾーン６ａは、歯列１２の上顎及び下顎の右舌側に対応し得る。第７の歯科ゾーン７ａは、歯列１２の上顎及び下顎の唇側に対応し得る。第８の歯科ゾーン８ａは、歯列１２の上顎の口蓋側に対応し得る。第９の歯科ゾーン９ａは、歯列１２の前部下顎の口腔側に対応し得る。更なるゾーンは、舌に対応し得る。

図３は、更なる例を例示するための歯列１２を示している。歯列１２は、対象表面であり得る。歯列１２は、１６個の歯科ゾーン１ｂ〜１６ｂに分離され得る。任意選択で、第１７のゾーンＮＢが存在してもよい。この第１７のゾーンＮＢは、歯列１２の外側のゾーンである。したがって、この第１７のゾーンＮＢは、図３には明示的に例示されていない。この第１７のゾーンＮＢは歯列１２の歯科ゾーンのうちの１つに関連せず、ひいては、歯列１２の歯のブラッシングに関係しないため、この第１７のゾーンＮＢは、「ブラッシングしない」ゾーンと称されることもある。

図３に見られ得るように、第１の歯科ゾーン１ｂは、歯列１２の上顎の左頬側に対応し得る。第２の歯科ゾーン２ｂは、歯列１２の上顎の左側の咬合側に対応し得る。第３の歯科ゾーン３ｂは、歯列１２の下顎の左側の咬合側に対応し得る。第４の歯科ゾーン４ｂは、歯列１２の上顎及び下顎の左舌側に対応し得る。第５の歯科ゾーン５ｂは、歯列１２の上顎及び下顎の右頬側に対応し得る。第６の歯科ゾーン６ｂは、歯列１２の上顎の右側の咬合側に対応し得る。第７の歯科ゾーン７ｂは、歯列１２の下顎の右側の咬合側に対応し得る。第８の歯科ゾーン８ｂは、歯列１２の上顎の口蓋側に対応し得る。第９の歯科ゾーン９ｂは、歯列１２の上顎の唇側に対応し得る。第１０の歯科ゾーン１０ｂは、歯列１２の下顎の唇側に対応し得る。第１１の歯科ゾーン１１ｂは、歯列１２の上顎の口蓋側に対応し得る。第１２の歯科ゾーン１２ｂは、歯列１２の前部下顎の口腔側に対応し得る。第１３の歯科ゾーン１３ｂは、歯列１２の下顎の左頬側に対応し得る。第１４の歯科ゾーン１４ｂは、歯列１２の下顎の左舌側に対応し得る。第１５の歯科ゾーン１５ｂは、歯列１２の下顎の右頬側に対応し得る。第１６の歯科ゾーン１６ｂは、歯列１２の下顎の右舌側に対応し得る。

この例では、１６個の運動クラスを訓練することができ（又は、ブラッシングしない運動クラスを含む１７個の運動クラス）、全単射関数を使用して、運動クラスとゾーンとを互いに関連付けることができる。口腔ケアの例を参照すると、更なる運動クラスが訓練され得る。例えば、ユーザは、左上大臼歯の頬側表面及び左下大臼歯の頬側表面を個別にブラッシングする代わりに、左大臼歯の外側（すなわち、左大臼歯の頬側表面）を一緒にブラッシングする傾向があることが知られている。したがって、ニューラルネットワークは、左大臼歯の頬側表面のこの組み合わせのブラッシングに関連する更なる運動クラスに対して入力運動パターンを分類するように訓練され得る。この運動クラスは、次いで、前述のゾーンのうちの２つ、つまり、第１の歯科ゾーン１ｂ及び第１３の歯科ゾーン１３ｂに関連付けられる。したがって、更なる訓練された運動クラスは、前歯の外側表面及び右大臼歯の頬側表面に関連し得る。かかる例では、２０個の運動クラスが使用され、１７個のゾーンに関連付けられる。

図２及び図３は、非限定的な例としてのみ記載されている。対象表面１２はまた、記載される９個又は１６個の歯科ゾーンよりも多い又は少ない歯科ゾーンを備えることができる。更に、対象表面１２の外側の第１０／第１７の歯科ゾーンＮＢは、任意選択である。歯列１２の１つ以上の歯科ゾーンの正確な分布は、上に記載される例とは異なる場合がある。

ニューラルネットワーク１８は、回帰型ニューラルネットワーク（ＲＮＮ）であり得る。例えば、ニューラルネットワークは、超短期メモリ（Long Short-Term Memory、ＬＳＴＭ）ネットワーク又はゲート付き回帰型ユニット（ＧＲＵ）ネットワークであり得る。ＲＮＮは、双方向性回帰型ニューラルネットワークであり得る。これは、入力ベクトルのシーケンスが、左から右（例えば、過去から将来）への出力を計算する第１の回帰型ニューラルネットワーク、及び右から左（例えば、将来から過去）への出力を計算する別個の第２の回帰型ニューラルネットワークに供給されることを意味する。このようにして、ＲＮＮは、入力シーケンスにおける過去及び将来の特徴を使用することができる。次いで、２つの別個のＲＮＮの前向き及び後ろ向きの隠れベクトルを一緒に出力層に供給して、出力ベクトルシーケンスを生成する。

代替的に、装置１０は、２つの異なるニューラルネットワークを使用することができる。歯列の例を参照すると、第１のニューラルネットワークは、入力運動パターンを左大臼歯、右大臼歯、及び前歯の運動クラスに分類することができ、第２のニューラルネットワークは、入力運動パターンを上顎及び下顎の運動クラスに分類することができる。このセグメント化を直交運動クラスと呼ぶ場合がある。次いで、第１及び第２のニューラルネットワークの出力を組み合わせて、歯列の６つのゾーン、つまり、左上大臼歯、右上大臼歯、左下大臼歯、右下臼歯、上前歯、又は下前歯のうちの１つを出力することができる。これは、少なくとも、述べられる６つの運動クラスの確率値を出力する単一のニューラルネットワークを直接使用するものの代替を表す。２つのニューラルネットワークの使用は、更なるニューラルネットワークによって拡張されてもよく、例えば、第３のニューラルネットワークは、入力運動パターンを歯の頬側並びに舌側（及び咬合側）表面の運動クラスに分類することができる。

既に述べたように、インターフェースを配置して、慣性センサデータのシーケンスを運動パターン分類デバイスに提供することができ、ここで、シーケンスは、時間的シーケンスに関連する。歯のブラッシングの場合、２０〜３０の慣性センサデータの範囲のシーケンス長さは、検知可能なシーケンス長さを表すこと、並びにこれらの慣性センサデータがサンプリングされた期間は、０．５秒〜５秒の範囲であり得ること、特に、約１秒であり得ることが見出された。

ＲＮＮは、いわゆる勾配消失問題という欠点を有することがあり、勾配は、より多くの数の層で急速に消失する。勾配消失は、より緩徐な訓練速度をもたらし得る。したがって、ＬＳＴＭネットワーク及び／又はＧＲＵネットワークを使用して、勾配消失問題を回避することができる。

ＬＳＴＭネットワークは、正規ネットワークユニット（例えば、完全に接続された出力層など）に加えて、ＬＳＴＭモジュール又はユニットを含む人工的なニューラルネットワークである。ここで、ＬＳＴＭモジュール、又はＬＳＴＭユニット、又はＬＳＴＭセル、又はＬＳＴＭブロックという用語は全て、図６ａに例示的に描写されるものと同じ、つまり、完全なＬＳＴＭユニットを意味するものとする。ＬＳＴＭモジュールは、ＬＳＴＭユニットに値を覚えさせるために、入力がいつ十分に大きくなるか、いつ値を覚え続けるべきか、又はいつ値を忘却するべきかを決定する、ゲートを含む。

図４は、単純な形態のＲＮＮモジュール４０の例を示している。モジュール４０（ニューラルユニットとも呼ばれることがある）に、特定の時間インスタントｔで入力４１を供給することができる。入力４１は、単一の値であっても、又は２つ以上の値を含むベクトルであってもよい。特定の時間インスタントｔにおける入力４１を、Ｘ_ｔで記号化することもできる。入力４１の値（複数可）は、慣性センサからの生データであり得る。６軸慣性センサ（例えば、３軸加速度計及び３軸ジャイロスコープ）を使用する場合、入力４１は、６つの値を有することができる。すなわち、ベクトルＸ_ｔは、６つのベクトル要素、又は換言すると、Ｘ_ｔ∈Ｒ^６を有する。

既に述べたように、可動式処置デバイスは、更なるセンサ、例えば、可動式処置デバイスが処置表面に対して押される圧力を測定する圧力センサを備え得る。かかる例では、圧力を同じ方法でサンプリングすることができ、その場合、入力４１は、例えば、第７の要素、つまり、圧力値を、単一の圧力値が想定される場合、Ｘ_ｔ∈Ｒ^７であるように得ることができる。圧力（又は力）センサは、代わりに多軸圧力（又は力）センサであってもよく、その場合、入力は、更により高い次元を有することができる。圧力値は、ニューラルネットワークの分類品質を改善することができる。ニューラルユニット４０はまた、更なる入力４２を含み得る。この更なる入力４２は、以前の時間インスタントｔ−１において、ニューラルユニット（ここでは描写せず）から提供され得る。回帰型ニューラルネットワークの計算方向は、正の時間方向（すなわち、過去から将来）で作動される必要はない。慣性センサデータのシーケンスがＲＮＮに入力される場合、回帰型ニューラルネットワークは、時間的に最後の慣性センサデータから時間的に最初の慣性センサデータに向かって（すなわち、将来から過去）又はその逆に計算することができる。既に述べたように、ＲＮＮは、過去から将来に計算される１つの分岐、及び将来から過去に計算される別の分岐を有する双方向性ＲＮＮであり得る。これは、「以前の時間インスタント」という用語が、計算方向に対して以前の時間インスタントのみを指すことを意味するが、必ずしも時間的により早い時間インスタントを意味しない。

ニューラルユニット４０は、数学的動作を提供し得る、少なくとも１つのニューラルネットワーク層４３を備え得る。この例では、ゲート４３は、単一のｔａｎｈ層である。ボックスとして示されるニューラルネットワーク層は、学習されたネットワーク層を示すことを理解されたい。

ニューラルユニット４０は、少なくとも１つの出力４６を含み得る。出力４６は、入力４１、及び任意選択で更なる入力４２を供給されたｔａｎｈニューラルネットワーク層４３の動作の結果を含み得る。出力４６は、後に説明される隠れ状態４５をもたらし得る。

ニューラルユニット４０は、任意選択で、入力４１、及び任意選択で更なる入力４２を供給されたｔａｎｈゲート４３の動作の上述の出力結果から分岐する、更なる出力分岐４６を含み得る。

図４では、各描写された線は、１つのノードの出力から他のノードの入力まで、ベクトル全体を搬送し得る。例えば、４７において線が合流することは、連結を示しているが、例えば、４８において線がフォーク状になることは、そのコンテンツがコピーされ、コピーが異なる位置に進むことを示している。これはまた、以下の図を参照して以下に記載される他のニューラルネットワークユニットについても当てはまる。

これは、ニューラルネットワークの当業者には一般的に知られているが、６つの値を含み得る入力ベクトルＸ_ｔを、モジュール４０の入力層内の遙かに高い次元を有するベクトル上にマッピングすることができ、例えば、ＮＮモジュール４０で使用されるベクトルは、Ｒ^２５６のベクトルであってもよく、ここでは、これは単に非限定的な例であることを理解されたい。ニューラルネットワーク内のベクトルの次元の典型的な値は、１２８、２５６、５１２、又は１０２４であり得るが、他の値を同様に選択することができる。したがって、このマッピングを実施するための入力重み付け行列は、Ｒ^６ｘＲ^２５６行列である。バイアスベクトルは、当該技術分野において既知のように使用されてもよく、その場合、このバイアスベクトルはまた、Ｒ^２５６のベクトルであり得る。モジュール４０の出力ベクトルｈ_ｔもまた、Ｒ^２５６のベクトルである。図４に示されるように、ＲＮＮがモジュールの単一の繰り返しチェーンのみを有すると想定すると、その場合、出力層は、出力ベクトルｈ_ｔの各々を、運動クラスの数、例えば、２０個の運動クラスの場合にはＲ^２０、による次元を有する出力ベクトル上にマッピングすることができる。その場合、出力重み付け行列は、Ｒ^２５６ｘＲ^２０行列である。前述したように、重み付け及びバイアスは、訓練フェーズで決定される。

図５は、ＲＮＮで使用され得る、ＧＲＵモジュール５０の例を示している。上に記載される単純なＲＮＮニューラルユニット４０に加えて、ＧＲＵニューラルユニット５０は、２つの更なるニューラルネットワーク層、つまり、第１のシグモイド層５３と、第２のシグモイド層５４と、を備え得る。更に、ＧＲＵニューラルユニット５０は、例えば、ベクトル加算５８のような点別動作５５、５６、５７、５８、５９を含み得る。

図６ａは、本発明による装置１０内のニューラルネットワーク１８で活用され得るＬＳＴＭモジュールとして一般的に知られている、繰り返しモジュール６０の例を示している。上に記載されるニューラルユニット４０、５０に加えて、ＬＳＴＭユニット６０は、ニューラルユニット６０の頂部を通って走る水平線６１であるセル状態を含み得る。ニューラルユニット６０は、セル状態入力６２を受信することができ、セル状態出力６６を作成することができる。

ニューラルユニット６０は、３つのゲート（又はゲート層）、つまり、入力ゲート５４と、出力ゲート６３と、忘却ゲート５３と、を備え得る。これらのゲート５３、５４、６３の各々は、フィードフォワード（又は多層）ニューラルネットワーク内の「標準」ニューロンとして考えることができる。つまり、それらは、重み付き合計の活性化（活性化機能を使用する）を計算する。情報は、これらのゲート５３、５４、６３によってセル状態（水平線６１）まで除去又は追加され得る。入力ゲート５４は、入力ゲートと一緒になってセル状態の更新を決定する候補状態を作成する、ｔａｎｈ層４３と組み合わされる。ＬＳＴＭユニット内の流れを説明する、以下で更に示され、論じられる等式のセットも参照されたい。

ニューラルユニット５０及び６０は、例示的なニューラルユニットとして単に示され、論じられていることを理解されたい。他のニューラルユニットは、のぞき穴接続、並びに／又は接続された忘却及び入力ゲート層を使用することができる。長期依存は、例えば、クロックワークＲＮＮ又は他のマルチスケールＲＮＮによってアプローチすることもできる。

図６ｂは、ニューラルユニットの（時間インスタントｔに対する）以前の状態及び後続の状態が描写されるＬＳＴＭモジュールを備える、アンロールされたＲＮＮの例を示している。具体的には、時間インスタントｔにおけるニューラルユニット６０_ｔが描写されている。更に、以前の時間インスタントｔ−１における更なるニューラルユニット６０_ｔ−１が描写されている。なお更に、後続の時間インスタントｔ＋１における更なるニューラルユニット６０_ｔ＋１が描写されている。描写されるニューラルユニット６０_ｔ−１、６０_ｔ、６０_ｔ＋１は、同じニューラルユニットであるが、異なる時点、つまり、時間インスタントｔにおける、以前の時間インスタントｔ−１及び後続の時間インスタントｔ＋１を表すことができる。図６ｂは、入力シーケンス内に入力ベクトルＸ_ｔが存在するときほどに多くの繰り返しニューラルユニットを有する、アンロールされたＬＳＴＭネットワークの一部分として理解され得る。前述したように、２０〜３０、例えば、約２５の範囲のシーケンス長さを使用することができる。

上に記載される入力４１はまた、文字Ｘによって記号化されてもよく、慣性センサ１３からの少なくとも１つのセンサデータ１７_１、１７_２、１７_３、…、１７_ｎを含んでもよい。入力Ｘは、時間依存性であってもよく、したがって、Ｘ＝Ｘ（ｔ）である。具体的には、描写される入力Ｘ_ｔは、考慮される時間インスタントｔの間に取得されたセンサデータ１７_２を含むことができ、描写される入力Ｘ_ｔ−１は、以前の時間インスタントｔ−１の間に取得されたセンサデータ１７_１を含むことができ、描写される入力Ｘ_ｔ＋１は、後続の時間インスタントｔ＋１の間に取得されたセンサデータ１７_３を含むことができる。前で説明されたように、入力Ｘは、ＲＮＮの入力層に供給される。

図６ｂに更に見られ得るように、ニューラルユニット６０_ｔ−１、６０_ｔ、６０_ｔ＋１は、各描写される時間インスタントｔ−１、ｔ、ｔ＋１において、それぞれの出力値ｙ_ｔ−１、ｙ_ｔ、ｙ_ｔ＋１を提供することができる。出力値ｙ（ｔ）は、単一の値（１つの単一の運動クラスのみが存在する場合）であっても、又は複数のベクトル要素を含むベクトルであってもよい。

出力値ｙ（ｔ）は、ＲＮＮの完全に接続された出力層において、以下のように計算することができ、
ｙ_ｔ＝ソフトマックス（Ｗ_ｈｙ・ｈ_ｔ＋ｂ）
式中、Ｗ_ｈｙは、それぞれの出力重み付け行列であり、ｂは、それぞれの出力バイアスベクトルである。出力ベクトルｙ（ｔ）は、図７に関してより詳細に説明されるように、０〜１の範囲の確率値を含む。出力ベクトルｙ（ｔ）は、１つ以上のベクトル要素を含み、各ベクトル要素は、入力ベクトルＸ_ｔ、すなわち、慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎが運動クラス１５_１、１５_２、１５_３、…、１５_ｋのうちの１つに関連する、確率値を提供する。ソフトマックス関数の適用は、単に任意選択であることを理解されたい。具体的には、出力ベクトルにおける最も高い確率を有する運動クラスの識別は、任意の正規化なしに行うことができる。

更に、描写されるニューラルユニット６０_ｔ−１、６０_ｔ、６０_ｔ＋１は、同じ層、つまり、第１の層に配置され得る。本発明のいくつかの例は、１つ以上の更なる積重された層を含み得、各層は、それ自体のニューラルユニット（複数可）を含み得る。かかる例は、例えば、図７を参照して後で記載され得る。しかしながら、少なくとも第１の層を有する例及び実施形態は、図６ｂを更に参照して記載される。

この実施形態によれば、ニューラルネットワーク１８は、ここではＬＳＴＭユニットの、ニューラルユニット６０_ｔ−１、６０_ｔ、６０_ｔ＋１の第１の層を備えることができ、上記第１の層は、ニューラルユニット６０_ｔを備え、第１の時間インスタントｔにおいて、少なくとも１つの慣性センサデータＸ_ｔは、第１の層のニューラルユニット６０_ｔに入力される。後続の第２の時間インスタントｔ＋１において、第２の慣性センサデータＸ_ｔ＋１、及び以前の第１の時間インスタントｔのニューラルユニット６０_ｔの少なくとも１つの出力ｈ_ｔは、第１の層のニューラルユニット６０_ｔ＋１に入力される。

図７は、ニューラルネットワーク１８が、ニューラルユニットの少なくとも２つの積重された層、つまり、第１の層７１及び第２の層７２を備える、更なる例を示している。第１の層７１は、少なくとも第１のニューラルユニット６０_ｔを備え、第２の層７２は、少なくとも第２のニューラルユニット７０_ｔを備える。示される積重された構造は、積重された複数のＲＮＮ隠れ層を備える深層ＲＮＮ構造であると理解され得る。

見られ得るように、異なる時間インスタンスｔ−１、ｔ、ｔ＋１で取得されたセンサデータ１７_１、１７_２、１７_３は、入力Ｘ_ｔ−１、Ｘ_ｔ、Ｘ_ｔ＋１として、第１の層７１のそれぞれのニューラルユニット６０_ｔ−１、６０_ｔ、６０_ｔ＋１に供給される。

第１の層７１の各ニューラルユニット６０_ｔ−１、６０_ｔ、６０_ｔ＋１の隠れ出力ベクトル４５_ｔ−１、４５_ｔ、４５_ｔ＋１は、入力として、第２の層７２のそれぞれのニューラルユニット７０_ｔ−１、７０_ｔ、７０_ｔ＋１に供給され得る。

第１の層７１のニューラルユニット６０_ｔ−１、６０_ｔ、６０_ｔ＋１及び第２の層７２のニューラルユニット７０_ｔ−１、７０_ｔ、７０_ｔ＋１は、同一であり得る。代替的に、第１の層７１のニューラルユニット６０_ｔ−１、６０_ｔ、６０_ｔ＋１及び第２の層７２のニューラルユニット７０_ｔ−１、７０_ｔ、７０_ｔ＋１の内部構造は、互いに異なり得る。

図７に示される実施形態によれば、ニューラルネットワーク１８は、少なくとも第１の層７１と、第２の層７２と、を備えることができ、第１の層７１は、第１のニューラルユニット６０_ｔを備えることができ、第２の層７２は、第２のニューラルユニット７０_ｔを備えることができ、第１の時間インスタントｔにおいて、少なくとも１つの慣性センサデータＸ_ｔが、第１の層７１の第１のニューラルユニット６０_ｔに入力され、第１のニューラルユニット６０_ｔの出力ｈ_ｔが、第２の層７２のニューラルユニット７０_ｔに入力される。双方向性ＲＮＮの場合、別個の層の各々の中間隠れ出力ベクトル４５_ｔは、次の層のニューラルユニットに供給され得る。

これまで、垂直方向、すなわち、底部の第１の層７１から頂部の第２の層７２への信号経路を記載してきた。しかしながら、図７の実施形態では、水平方向の信号経路も示されている。

見られ得るように、第１の時間インスタントｔにおける第１のニューラルユニット６０_ｔのセル状態出力Ｃ_ｔ、及び／又は第１の時間インスタントｔにおける第１のニューラルユニット６０_ｔの出力ｈ_ｔ４６は、入力として、再び第１のニューラルユニット６０に、つまり、後続の時間インスタントｔ＋１において第１のニューラルユニット６０_ｔ＋１に供給され得る。既に上述したように、ニューラルユニット６０自体は、同じニューラルユニットであり得るが、異なる時間インスタンスｔ−１、ｔ、ｔ＋１におけるニューラルユニット６０の状態の例示を容易にするために、ニューラルユニット６０_ｔ−１、６０_ｔ、６０_ｔ＋１のチェーンとしてのみ図に描写され得る。換言すれば、水平信号経路は、異なる後続の時間インスタンスｔ−１、ｔ、ｔ＋１におけるニューラルユニット６０の信号経路を説明し得る。同様に、第２の層７２及び任意の潜在的な更なる層についても当てはまる。

したがって、描写される後続の時間インスタンスｔ−１、ｔ、ｔ＋１は、ニューラルネットワーク１８が、取得されたセンサデータ１７_１、１７_２、１７_３、…、１７_ｎをサンプリングして処理し得る間の長さ７７を表し得る。したがって、上記長さ７７は、ランレングス、サンプル長さ、又はサンプル期間と称されることがある。例えば、サンプル長さ７７は、１秒に対応し得、時間インスタンスｔ−１、ｔ、ｔ＋１は、上記１秒の端数であり得る。例えば、サンプル期間７７は、５０個のサンプルの長さ、すなわち、５０個の時間インスタンスを有し得る。ニューラルネットワーク１８は、サンプル期間中に１回作動され得るか、又はニューラルネットワーク１８は、２つ以上のサンプル期間にわたって恒久的に作動され得る。

したがって、更なる実施形態によれば、ニューラルネットワーク１８は、少なくとも第１の層７１と、積重された第２の層７２と、を備えることができ、第１の層７１は、第１のニューラルユニット６０_ｔを備えることができ、第２の層７２は、第２のニューラルユニット７０_ｔを備えることができ、第１の時間インスタントｔにおいて、少なくとも１つの慣性センサデータＸ_ｔが、第１の層７１の第１のニューラルユニット６０_ｔに入力され得、第１のニューラルユニット６０_ｔの少なくとも１つの出力ｈ_ｔが、第２の層７２のニューラルユニット７０_ｔに入力され得る。これまで、上に記載されるものと同じであってもよい。しかしながら、追加的に、後続の第２の時間インスタントｔ＋１における第２の慣性センサデータＸ_ｔ＋１、及び第１の時間インスタントｔにおける第１のニューラルユニット６０_ｔの少なくとも１つの出力ｈ_ｔ４６は、後続の第２の時間インスタントｔ＋１における第１のニューラルユニット６０_ｔ＋１に入力される。

上述のように、いくつかの数学的動作は、例えば、ゲート４３、５３、５４、６３のニューラルネットワーク１８によって実行され得る。図７に示される例では、以下の数学的動作を異なる段階で実行することができ、

式中（時間ｔの代わりに、ここで選択された表記法はｊをランニング指標として使用する）、
ｘ_ｊは、入力ベクトルであり、
ｉ_ｊは、入力ゲートの活性化ベクトルであり、
ｆ_ｊｋは、忘却ゲートの活性化ベクトルであり、
ｏ_ｊは、出力ゲートの活性化ベクトルであり、
ｕ_ｊは、候補状態ベクトルであり、
ｃ_ｊは、セル状態ベクトルであり、
ｈ_ｊは、ＬＳＴＭモジュール又はニューラルユニット６０、７０の出力ベクトルであり、
この例では、入力センサデータＸ_ｔは、要素ベクトルＸ_ｔ∈Ｒ^６であり得る。例えば、入力テンソルＸ_ｔ∈Ｒ^６、［Ａ_ｘ、Ａ_ｙ、Ａ_ｚ、Ｇ_ｘ、Ｇ_ｙ、Ｇ_ｚ］^Ｔであり得る。

更に、重み付け行列Ｗ、Ｕ及びバイアスベクトルｂは、各ネットワーク層で使用され、この例では、
入力重み付けＷ_ｘｙ∈Ｒ^{６×２５６}、
隠れ層重み付けＵ_ｘｙ∈Ｒ^{２５６×２５６}、
隠れ層ｂ_ｘ∈Ｒ^２５６に使用されるバイアス、である。

隠れ状態ｈ_ｔはまた、２５６個の要素ｈ_ｔ∈Ｒ^２５６を含む、要素ベクトルである。

更に、セル状態ｃ_ｔはまた、２５６個の要素ｃ_ｔ∈Ｒ^２５６を含む、要素ベクトルである。

上述のように、入力慣性センサデータＸ_ｔは、６つのベクトル要素、例えば、入力テンソルＸ_ｔ∈Ｒ^６、［Ａ_ｘ、Ａ_ｙ、Ａ_ｚ、Ｇ_ｘ、Ｇ_ｙ、Ｇ_ｚ］^Ｔを含む、要素ベクトルＸ_ｔ∈Ｒ^６であり得る。これらのベクトル要素［Ａ_ｘ、Ａ_ｙ、Ａ_ｚ、Ｇ_ｘ、Ｇ_ｙ、Ｇ_ｚ］^Ｔはまた、慣性センサデータ部分と称されることもある。

一実施形態によれば、少なくとも１つの慣性センサデータ１７_１は、ｘ、ｙ、及びｚ方向の線形速度と、ｘ、ｙ、及びｚ軸に対する角速度と、ｘ、ｙ、及びｚ方向の線形加速度と、ｘ、ｙ、及びｚ軸に対する角加速度と、を含む群の少なくとも３つの慣性センサデータ部分を含み得る。

換言すれば、慣性センサ１３は、１つ以上の時間インスタンスｔ−１、ｔ、ｔ＋１において慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを提供することができ、慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎは、１つの観測された時間インスタンスｔ−１、ｔ、ｔ＋１における可動式処置デバイス１１の現在の向き及び運動に依存し得る。慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎの各々は、少なくとも３つ、又は他の例では、少なくとも６つのベクトル要素を含むベクトルであり得、上記ベクトル要素は、上述の慣性センサデータ部分を表し、上記慣性センサデータ部分のうちの少なくとも１つは、ゼロであり得る。

したがって、慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎ（ベクトル）、及び特に、センサデータ部分（ベクトル要素）は、１つ以上の後続の時間インスタンスｔ−１、ｔ、ｔ＋１を含むサンプル期間７７の間にサンプリングされた、可動式処置デバイス１１の現在の運動パターンを表すことができる。

図７に描写される一実施形態によれば、少なくとも１つの慣性センサデータ１７_２（ベクトル）は、１つ以上の慣性センサデータ部分（ベクトル要素）を含み得、第１の時間インスタントｔにおけるニューラルユニット６０_ｔへの入力は、上記第１の時間インスタントｔの間に回収された１つ以上の慣性センサデータ部分を含む、それぞれの慣性センサデータ１７_２である。少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎは、サンプル時間７７の間にサンプリングされ得る。

ニューラルネットワーク１８は、最初に図１を参照して記載されたように、運動クラスのセット１５に含まれる少なくとも１つの運動クラス１５_１、１５_２、１５_３、…、１５_ｋに対して、サンプル時間７７の間にサンプリングされた少なくとも１つのサンプリングされた慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを分類することができる。

記載されたように、ニューラルネットワークの出力ベクトルｙ_ｔは、各々が０〜１の範囲の値を有するベクトル要素を含み得、ベクトル要素は、任意選択のソフトマックス関数が適用される場合、最大１まで合計する。したがって、各ベクトル要素は、入力ベクトルＸ_ｔが運動クラス１５_１、１５_２、１５_３、…、１５_ｋのうちの１つに関連する、確率値である。運動パターン分類デバイス１４は、入力が関連する運動クラスとして最も高い確率値を受信した運動クラスを示し得る。いくつかの実施形態では、運動パターン分類デバイス１４は、最も高い確率値が特定の閾値を下回る、例えば、（正規化された出力の場合に）０．７を下回る場合、運動クラスを示し得ない。閾値を下回る値を見て、予測品質が低く、結果が信頼できないことを示すことができる。いくつかの実施形態では、運動パターン分類デバイス１４は、入力ベクトルの完全なシーケンスの動作クラスを示すことができ、示された運動クラスを、出力ベクトルのシーケンスに関する最大基準又は大基準を適用することによって識別した。

換言すれば、ニューラルネットワーク１８は、慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを入力ｘ（ｔ）として受信することができ、１つ以上の確率値を出力ｙ（ｔ）として出力することができる。上述のように、図７に示される例では、出力値ｙ（ｔ）はまた、例えば、少なくとも３個、又は少なくとも６個、又は少なくとも１２個のベクトル要素を含む、要素ベクトルであり得る。出力ベクトルｙ（ｔ）の各ベクトル要素は、ゾーン２１_１、２１_２、２１_３、…、２１_ｍに関連付けられ得る運動クラス１５_１、１５_２、１５_３、…、１５_ｋの確率値を表し得る。これは、運動パターン分類デバイス１４が、例えば、閾値を上回る最も高い確率値を有する運動クラスを選択することによって、単一の運動クラスを出力として提供する場合、内部で可動式処置デバイスがサンプリング期間の間に使用された、関連付けられた１つ以上のゾーンが、例えば、ディスプレイ上でユーザに示され得ることを意味する。

ニューラルネットワーク１８は、少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを受信し、少なくとも１つの運動クラス１５_１、１５_２、１５_３、…、１５_ｋに対して少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを分類することができ、上記運動クラス１５_１、１５_２、１５_３、…、１５_ｋは各々、対象表面１２の１つ以上の異なるゾーン２１_１、２１_２、２１_３、…、２１_ｍに関連付けられ得るため、確率値を見て、取得された少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎが対象表面１２の異なるゾーン２１_１、２１_２、２１_３、…、２１_ｍのうちの１つに対応する確率を示すことができる。

換言すれば、装置１０は、運動パターン分類デバイス１４から、単にセンサデータ１７_１、１７_２、１７_３、…、１７_ｎを受信し、各々が対象表面１２の１つ以上のゾーン２１_１、２１_２、２１_３、…、２１_ｍに関連付けられた運動クラス１５_１、１５_２、１５_３、…、１５_ｋに対して上記センサデータ１７_１、１７_２、１７_３、…、１７_ｎを分類することによって、対象表面１２のどのゾーン２１_１、２１_２、２１_３、…、２１_ｍに可動式処置デバイス１１が位置するかの推定を導き出すことができる。

図８は、対象表面１２に対する可動式処置デバイス１１の位置特定を実施するための本発明の方法の一例のブロック図を示しており、可動式処置デバイス１１は、慣性センサ１３を備え、可動式処置デバイス１１は、対象表面１２を処置するように構成されている。

ブロック８０１において、本方法は、可動式処置デバイス１１の運動クラスのセット１５に含まれる２つ以上の運動クラス１５_１、１５_２、１５_３、…、１５_ｋ間を判別する工程を含む。ここで、判別とは、運動パターン分類デバイス１４が、２つ以上の運動クラスに対する入力運動パターンを分類するように学習されることを意味するものとする。換言すれば、２つ以上の運動クラスを提供し、それにより、分類を行うことができる。

ブロック８０２では、本方法は、慣性センサ１３から少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを受信する工程を含み、少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎは、可動式処置デバイス１１の運動を表す。

ブロック８０３では、本方法は、ニューラルネットワーク１８によって、少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを受信して処理し、かつ運動クラスのセット１５に含まれる少なくとも１つの運動クラス１５_１、１５_２、１５_３、…、１５_ｋに対して少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを分類する工程を含み、運動クラスのセット１５に含まれる上記運動クラス１５_１、１５_２、１５_３、…、１５_ｋは各々、対象表面１２の１つ以上の異なるゾーン２１_１、２１_２、２１_３、…、２１_ｍに関連付けられ、それにより、少なくとも１つの運動クラス１５_１、１５_２、１５_３、…、１５_ｋによる少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎの分類が、対象表面１２の１つ以上のゾーン２１_１、２１_２、２１_３、…、２１_ｍに対する可動式処置デバイス１１の位置の推定を示す、方法。

図９は、本発明の第２の態様による装置１００を示している。第２の態様の装置１００は、第１の態様の上に記載される装置１０と同様であり得る。更に、第１の態様の装置１０に関して上に記載される特徴の全ては、以下に記載される第２の態様の装置１００と組み合わせ可能であり、逆もまた同様である。

第２の態様の装置１００は、運動クラス１５_１、１５_２、１５_３、…、１５_ｋが、対象表面１２の異なるゾーン２１_１、２１_２、２１_３、…、２１_ｍの代わりに、１つ又はいくつかの関連付けられたクラス１０１、１０２、１０３、１０４の１つ以上のクラスメンバ１０１Ａ、１０１Ｂ、…、ｍＡ、ｍＢに関連付けられ得るという点で、第１の態様の装置１０（図１参照）とは異なり得る。本質的に、これは、関連付けられたクラス１０１が適切なものであり得るため、装置１０に関して論じられる基本概念のより抽象的かつより広範な考察である。以下の説明では、ユーザに関連して関連付けられるクラス、特に、ユーザ群の異なるメンバ（例えば、家庭の異なるメンバ）に関連し得るか、又は可動式処置デバイス１１を使用する異なるスタイルを有するユーザに関連し得る、関連付けられるクラス１０１に焦点が置かれている。

したがって、第２の態様の装置１００は、慣性センサ１３を備える可動式処置デバイス１１の運動を分類するように構成されている。装置１００は、可動式処置デバイス１１の運動クラスのセット１５に含まれる２つ以上の運動クラス１５_１、１５_２、１５_３、…、１５_ｋ間を判別するように構成された、運動パターン分類デバイス１４を備える。

更に、装置１００は、慣性センサ１３からの少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを運動パターン分類デバイス１４に提供するためのインターフェース１６を備え、少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎは、可動式処置デバイス１１の運動を表す。

本発明の第２の態様によれば、運動パターン分類デバイス１４は、少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを受信し、かつ運動クラスのセット１５に含まれる少なくとも１つの運動クラス１５_１、１５_２、１５_３、…、１５_ｋに対して少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを分類するように構成された、ニューラルネットワーク１８を備え、少なくとも１つの分類された運動クラス１５_１、１５_２、１５_３、…、１５_ｋは、１つ以上の関連付けられるクラス１０１、１０２、１０３、１０４の少なくとも１つ以上のクラスメンバ１０１Ａ、１０１Ｂ、１０２Ａ、１０２Ｂ、１０３Ａ、１０３Ｂ、ｍＡ、ｍＢに関連付けられ、それにより、少なくとも１つのクラスメンバ１０１Ａ、１０１Ｂ、…、ｍＡ、ｍＢが、可動式処置デバイス１１の運動に基づいて選択される。

入力運動パターンの分類、すなわち、運動クラスのセット１５に含まれる運動クラス１５_１、１５_２、１５_３、…、１５_ｋに対する慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎに関して、前の説明を参照する。

図９の非限定的な例は、４つの関連付けられたクラス１０１、１０２、１０３、１０４を示しており、各関連付けられたクラスは、２つのクラスメンバ１０１Ａ、１０１Ｂ、…、ｍＡ、ｍＢを含む。しかしながら、少なくとも１つの関連付けられたクラスが存在してもよく、各関連付けられたクラスは、少なくとも２つのクラスメンバを含んでもよい。また、３つ以上の関連付けられたクラス、又は更には例示的に描写される４つの関連付けられたクラスよりも多くが存在してもよい。

図９の例に見られ得るように、第１の運動クラス１５_１は、第１の関連付けられたクラス１０１のクラスメンバ１０１Ａに関連付けられ得る。第Ｋの運動クラス１５_ｋは、第ｍのクラス１０４のクラスメンバｍＢに関連付けられ得る。第２の運動クラス１５_２は、関連付けられた異なるクラスの２つのクラスメンバ、例えば、第１の関連付けられたクラス１０１のクラスメンバ１０１Ｂ及び第２の関連付けられたクラス１０２のクラスメンバ１０２Ａに関連付けられ得る。第３の運動クラス１５_３は、関連付けられた同じクラスの２つのクラスメンバ、例えば、第３の関連付けられたクラスの２つのクラスメンバ１０３Ａ、１０３Ｂに関連付けられ得る。

以下では、関連付けられたクラス及びクラスメンバのいくつかの例が記載される。

一実施形態によれば、１つ以上の関連付けられたクラス１０１、１０２、１０３、１０４のうちの少なくとも１つの関連付けられたクラス１０１は、少なくとも１つのクラスメンバ１０１Ａを含み得、上記１つの関連付けられたクラス１０１は、ユーザ群を表すことができ、上記少なくとも１つのクラスメンバ１０１Ａは、上記ユーザ群の少なくとも１人のユーザを表すことができ、少なくとも１つの運動クラス１５_１、１５_２、１５_３、…、１５_ｋは、可動式処置デバイス１１の運動に基づいて、上記少なくとも１人のユーザを識別するための少なくとも１つのクラスメンバ１０１Ａに関連付けられ得る。

換言すれば、関連付けられたクラス１０１、１０２、１０３、１０４のうちの１つは、ユーザ群、すなわち、可動式処置デバイス１１を使用するユーザの群を表し得る。それぞれの関連付けられたクラスは、上記ユーザ群の１人の特定のユーザを表し得る少なくとも１つのクラスメンバを含み得る。例えば、第１のクラス１０１は、ユーザ群を表すことができ、上記ユーザ群は、単一の家庭の個人に関連し得る。この例では、ユーザ群１０１は、１つのクラスメンバ１０１Ａ、すなわち、１人の人物のみを含み得る。本発明の装置１００は、可動式処置デバイス１１の運動に基づいて、簡単に上記少なくとも１人のユーザ１０１Ａを識別するように構成され得る。したがって、装置１００は、後でいくつかの例で説明されるように、上記１人の識別されたユーザ１０１Ａとの任意の行為又は相互作用を個人化し得る。

更なる実施形態によれば、１つ以上の関連付けられたクラス１０１、１０２、１０３、１０４のうちの少なくとも１つの関連付けられたクラス１０１は、少なくとも２つのクラスメンバ１０１Ａ、１０１Ｂを含み得、上記１つの関連付けられたクラス１０１は、ユーザ群を表すことができ、上記少なくとも２つのクラスメンバ１０１Ａ、１０１Ｂは、上記ユーザ群の少なくとも２人のユーザを表すことができ、少なくとも１つの運動クラス１５_１、１５_２、１５_３、…、１５_ｋは、可動式処置デバイス１１の運動に基づいて、ユーザ群内の少なくとも１人のユーザを識別するための少なくとも２つのクラスメンバ１０１Ａ、１０１Ｂのうちの１つに関連付けられ得る。

換言すれば、関連付けられたクラス１０１、１０２、１０３、１０４のうちの１つは、ユーザ群、すなわち、可動式処置デバイス１１を使用するユーザの群を表し得る。それぞれの関連付けられたクラスは、上記ユーザ群の１人の特定のユーザを表し得る少なくとも１つのクラスメンバを含み得る。例えば、第１の関連付けられたクラス１０１は、ユーザ群を表すことができ、上記ユーザ群は、ある家族であり得る。上記関連付けられたクラス１０１のクラスメンバ１０１Ａ、１０１Ｂは、家族メンバを表し得る。例えば、ユーザ群１０１は、１つ以上の家族メンバを含むことができ、第１のクラスメンバ１０１Ａは、家族の母親を表すことができ、第２のクラスメンバ１０１Ｂは、家族の子供を表すことができる。

装置１００は、可動式処置デバイス１１の運動に基づいて、簡単に少なくとも１人のユーザを識別するように構成され得る。これは、全てのユーザが可動式処置デバイス１１を異なる又は個別の方法で使用することができる場合に達成され得る。

例えば、一実施形態では、可動式処置デバイス１１は、歯ブラシ、特に、電動歯ブラシなどの可動式口腔ケアデバイスである。可動式口腔ケアデバイスはまた、デンタルフロス、プラーク除去デバイス、超音波デバイス、及びウォータージェットデバイスのうちの少なくとも１つであり得る。

上の例を取り上げると、母親１０１Ａは、歯ブラシ１１を子供１０１Ｂとは異なる方法で使用し得る。歯ブラシ１１の慣性センサ１３は、その慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを、ニューラルネットワーク１８を含む運動パターン分類デバイス１４に提供することができる。ニューラルネットワーク１８は、既に記載したように、少なくとも１つの運動クラス１５_１、１５_２、１５_３、…、１５_ｋに対して慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを分類することができる。

例えば、図９に示されるように、母親は、第１の運動クラス１５_１に対応するブラッシングスタイルを有し得る。この運動クラス１５_１は、母親を表すクラスメンバ１０１Ａに関連付けられ得る。代わりに、子供は、母親とは異なるブラッシングスタイル、例えば、第２の運動クラス１５_２に対応するブラッシングスタイルを有し得る。この運動クラス１５_２は、子供を表すクラスメンバ１０１Ｂに関連付けられ得る。

したがって、本発明の装置１００は、可動式処置デバイス１１の異なる運動パターンに基づいて、簡単にユーザ群のユーザを識別することができる。上述のように、本発明の装置１００は、識別されたユーザとの任意の行為又は相互作用を個人化することができる。

一実施形態によれば、運動パターン分類デバイス１４は、上記少なくとも１人のユーザ１０１Ａを識別する工程に基づいて、上記識別された少なくとも１人のユーザ１０１Ａによって特徴がある、可動式処置デバイス１１の２つ以上のユーザ特有の運動クラス１１５_１、１１５_２、１１５_３、…、１１５_ｋを含むユーザ特有のセット１１５を選択するように構成され得る。

この２工程処理の例が、図１０に示されている。第１の工程１２１で、ユーザが識別される。識別されたユーザは、個別化されたラベル付き訓練データを使用してニューラルネットワーク１８によって個別に訓練されている運動クラス１１５_１、１１５_２、１１５_３、…、１１５_ｋのユーザ特有のセット１１５に関連付けられ得る。第２の工程１２２では、ニューラルネットワーク１８は、ユーザ特有のセット１１５からユーザ特有の運動クラス１１５_１、１１５_２、１１５_３、…、１１５_ｋを使用する。換言すれば、ニューラルネットワーク１８は、次いで、より広範な集団に有効である重み付け及びバイアスの代わりに、特定のユーザに関連付けられた重み付け及びバイアスを使用し得る。したがって、本発明の装置１００は、識別されたユーザごとに個別に行動及び相互作用し得る。

図１０では、ニューラルネットワーク１８が、少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを受信し、かつそれを、運動クラスのセット１５に含まれる運動クラス１５_１、１５_２、１５_３、…、１５_ｋのうちの少なくとも１つに対して分類する、第１の工程１２１が示されている。少なくとも１つの分類された運動クラス、例えば、第ｋの運動クラス１５_ｋは、第１の関連付けられたクラス１０１のクラスメンバ１０１Ｂに関連付けられ得る。この手順は、図９を参照して上に記載される手順に対応し得る。

関連付けられたクラス１０１は、ユーザ群に関連し得、クラスメンバ１０１Ｂは、上記ユーザ群の特定のユーザであり得る。上の例を取り上げると、識別されたユーザ１０１Ｂは、家族の子供であり得る。装置１００は、ユーザ特有の運動クラスを記憶している場合がある。つまり、識別されたユーザ、すなわち、子供１０１Ｂは、装置１００に記憶された運動クラス１１５_１、１１５_２、１１５_３、…、１１５_ｋの、ユーザ独自の個別のユーザ特有のセット１１５を有し得る。第１の工程１２１での識別に続く任意の更なる行為のために、運動パターン分類デバイス１４、かつ特に、ニューラルネットワーク１８は、以前に識別されたユーザに属する、これらのユーザ特有の運動クラス１１５_１、１１５_２、１１５_３、…、１１５_ｋを使用し得る。前に述べたように、運動クラスへの参照は、重み付け及びバイアスのユーザ特有のセットが、ユーザ特有のラベル付き入力データを使用して重み付け及びバイアスが訓練されたニューラルネットワーク１８によって使用されることを意味する。

したがって、ニューラルネットワーク１８は、上記少なくとも１人のユーザ１０１Ｂを識別する工程１２１の後に、上記識別された少なくとも１人のユーザ１０１Ｂによって特徴がある、可動式処置デバイス１１の２つ以上のユーザ特有の運動クラス１１５_１、１１５_２、１１５_３、…、１１５_ｋを含む少なくとも１つのユーザ特有のセット１１５を選択し得る。

したがって、ユーザを識別する第１の工程１２１に続く第２の工程１２２では、ニューラルネットワーク１８は、運動クラス１５_１、１５_２、１５_３、…、１５_ｋのセット１５の代わりに、ユーザ特有の運動クラス１１５_１、１１５_２、１１５_３、…、１１５_ｋのユーザ特有のセット１１５を使用し得る。つまり、運動パターン１５_１、１５_２、１５_３、…、１５_ｋのセット１５を活用することによって装置１０、１００により実行され得る、本明細書に記載される行為の全てを、運動パターン１５_１、１５_２、１５_３、…、１５_ｋのセット１５の代わりに、運動クラス１１５_１、１１５_２、１１５_３、…、１１５_ｋのユーザ特有のセット１１５を活用することによって装置１０、１００により、識別されたユーザごとに個別化又は個人化して実行することもできる。

したがって、一実施形態によれば、ニューラルネットワーク１８は、上記少なくとも１人のユーザ１０１Ｂを識別する第１の工程１２１の後に、運動クラスのセット１５を、選択されたユーザ特有のセット１１５に置き換え、かつ運動パターンのセット１５に含まれる２つ以上の運動クラス１５_１、１５_２、１５_３、…、１５_ｋを、ユーザ特有の運動パターンのプリセット１１５に含まれる２つ以上のユーザ特有の運動クラス１１５_１、１１５_２、１１５_３、…、１１５_ｋに置き換えるように構成され得る。運動クラス１５_１、１５_２、１５_３、…、１５_ｋは、可動式処置デバイスを移動させるユーザを予測するように選択されたが、運動クラス１１５_１、１１５_２、１１５_３、…、１１５_ｋは、可動式処置デバイス１１の位置特定などの異なるタスクのために選択されている場合もあることに留意されたい。

追加的又は代替的に、装置１００は、少なくとも第２のニューラルネットワークを備え得る。図１１は、かかる例を示している。

図１１の装置１００の例は、図１０に示される例の装置１００に実質的に対応し得る。図１１の装置は、図１１の装置が第２のニューラルネットワーク１８_２を備え得る点で、図１０の装置とは異なる。図１０を参照して説明したが、構造的に同じニューラルネットワーク１８が２つの異なる分類タスクに使用されること、並びに重み付け及びバイアスのみを変更することができ、本例は、構造が異なる２つの異なるニューラルネットワークを使用し、これにより、分類タスクごとに、最適化されたニューラルネットワーク構造を使用することを可能にすることを理解されたい。

図１１に見られ得るように、第１の工程１２１では、第１のニューラルネットワーク１８_１は、上に記載される行為、例えば、ユーザ群１０１のユーザ１０１Ｂを識別することを実行し得る。しかしながら、第２の工程１２２では、慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎは、上記第２のニューラルネットワーク１８_２に供給され得る。第２のニューラルネットワーク１８_２は、上に記載されるように、運動クラス１１５_１、１１５_２、１１５_３、…、１１５_ｎのユーザ特有のセット１１５を使用し得る。明らかに、運動クラス１１５_１、１１５_２、１１５_３、…、１１５_ｎの少なくとも２つの異なるセット１１５は、１人のユーザに対して最適化された１つの運動クラスのセット、及び別のユーザに対して最適化された別の運動クラスのセットを用いて、第２のニューラルネットワークを作動させるために、装置に記憶させる必要がある。

換言すれば、上記少なくとも１人のユーザ１０１Ｂを識別する第１の工程１２１の後に、運動パターン分類デバイス１４は、第２のニューラルネットワーク１８_２を使用することができ、第２のニューラルネットワーク１８_２は、少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを受信し、かつ運動クラスのユーザ特有のセット１１５に含まれる少なくとも１つのユーザ特有の運動クラス１１５_１、１１５_２、１１５_３、…、１１５_ｋに対して、少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを分類するように構成され得、上記ユーザ特有の運動クラス１１５_１、１１５_２、１１５_３、…、１１５_ｋは各々、関連付けられたクラス１０２の少なくとも１つのクラスメンバ１０２Ａ、１０２Ｂに関連付けられ得、それにより、少なくとも１つのクラスメンバ１０２Ａ、１０２Ｂは、可動式処置デバイス１１の運動に基づいて選択される。関連付けられたクラス１０２は、対象表面に関連し得、クラスメンバは、対象表面のゾーンである。

したがって、運動パターン分類デバイス１４は、少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎによって可動式処置デバイス１１の運動をユーザ特有に分類するために、ユーザ特有の運動クラス１１５_１、１１５_２、１１５_３、…、１１５_ｋのユーザ特有のセット１１５を使用するように構成され得る。

図１０及び図１１の例に示されるように、装置１００は、第２の工程１２２で目的を分類するための少なくとも１つの関連付けられたクラス１０２を含み得る。しかしながら、装置１００は、図９の例に示されるように、第２の工程１２２において、２つ以上の関連付けられたクラスを含み得る。

上記第２の工程１２２では、例えば、第１の工程１２１で特定のユーザが識別された後、異なる行為を可動式処置デバイス１１によって実施することができる。例えば、可動式処置デバイス１１は、その動作モードを、識別されたユーザに基づいて変更することができる。例えば、可動式処置デバイス１１は、電気的に駆動され得、かつモータを備えることができ、可動式処置デバイス１１は、識別されたユーザに基づいて、周波数、振幅、又は脈動などの１つ以上のモータ特有の特徴を変更することができる。追加的又は代替的に、可動式処置デバイス１１は、ユーザと通信するか、又はユーザにフィードバックを提供するための１つ以上の要素、例えば、光、例えば、ＬＥＤなどの視覚要素、又は振動モータなどの触覚要素を備え得る。例えば、可動式処置デバイス１１は、通信するための上記要素の動作モードを変更することによって、例えば、ＬＥＤ光を異なる色に変更することによって、又は識別されたユーザに基づいて、振動モータによる異なるパルスフィードバックを提供することによって、識別されたユーザに基づいてユーザエクスペリエンスを変更することができる。

ユーザ群の特定のユーザ、例えば、家族の家族メンバを識別することに加えて又は代替的に、装置１００は、特定のユーザタイプを識別するように構成され得る。例えば、可動式処置デバイス１１が歯ブラシである場合、一部の人々は自身の歯のブラッシングを自身の前歯又は切歯で開始するが、一部の他の人々は自身の歯のブラッシングを自身の後歯又は大臼歯で開始し得る。更なる例では、個人用器具がかみそりである場合、一部の人々は、ヒゲの生える向きに沿って剃る場合があり、一部の他の人々は、ヒゲの生える向きに逆らって剃る場合がある。要約すると、ユーザタイプは、特定の方法で可動式処置デバイス１１を使用するユーザのタイプであり得る。ユーザタイプの群にクラスタ化することができる２人以上のユーザが存在し得る。前で説明したユーザ識別の例は、代わりに、各ユーザを個別に識別する。

ユーザタイプを識別するための一実施形態によれば、１つ以上の関連付けられたクラス１０１、１０２、１０３、１０４のうちの少なくとも１つの関連付けられたクラス１０４は、少なくとも２つのクラスメンバｎＡ、ｎＢを含むことができ、上記１つの関連付けられたクラス１０４は、可動式処置デバイス１１のユーザタイプを表すことができ、第１のクラスメンバｎＡは、可動式処置デバイス１１の第１のユーザタイプを表すことができ、第２のクラスメンバｎＢは、可動式処置デバイス１１の第２のユーザタイプを表すことができ、少なくとも１つの運動クラス１５_１、１５_２、１５_３、…、１５_ｋは、可動式処置デバイス１１の運動に基づいて、可動式処置デバイス１１のユーザタイプを識別するための第１又は第２のクラスメンバｍＡ、ｍＢのいずれかに関連付けられ得る。

更なる実施形態によれば、運動パターン分類デバイス１４は、上記ユーザタイプを識別する工程の後に、上記識別されたユーザタイプによって特徴がある、可動式処置デバイス１１の２つ以上のユーザタイプ特有の運動クラス１１５_１、１１５_２、１１５_３、…、１１５_ｋを含むユーザタイプ特有のセット１１５を選択するように構成され得、ニューラルネットワーク１８は、上記ユーザタイプを識別する工程の後に、運動クラスのセット１５を、選択されたユーザタイプ特有のセット１１５に置き換え、かつ運動クラスのセット１５に含まれる２つ以上の運動クラス１５_１、１５_２、１５_３、…、１５_ｋを、２つ以上のユーザタイプ特有の運動クラス１１５_１、１１５_２、１１５_３、…、１１５_ｋに置き換えるように構成され得る。

ユーザ特有の運動クラス１１５_１、１１５_２、１１５_３、…、１１５_ｋのユーザ特有のセット１１５に関して上に説明されていることは全て、ユーザタイプ特有の運動クラス１１５_１、１１５_２、１１５_３、…、１１５_ｋのユーザタイプ特有のセット１１５についても当てはまる。

上述のように、識別されたユーザタイプは、クラスタ又はユーザタイプの群にクラスタ化され得る。したがって、装置１００は、ユーザが特定のユーザタイプ群にクラスタ化される前に、ユーザが可動式処置デバイス１１を既定の回数にわたって使用し得るクラスタ分析を実施し得る。例えば、ユーザは、自身のかみそりを５日間に５回使用する場合がある。５日のうち４日は、ユーザは、ヒゲの生える向きに逆らって剃る場合がある。したがって、５日目の後に、装置１００は、このユーザを、全てのユーザがヒゲの生える向きに逆らって剃るユーザタイプ群にクラスタ化することができる。

クラスタ分析を、より短い時間間隔で実施することもできる。すなわち、歯ブラシ１１のオンオフの切り替えを直接連続的に行うことができる。例えば、ユーザは、第１の時間で自身の電動歯ブラシ１１をオンオフに切り替え、歯ブラシ１１を再び再開させるために、それを第２の時間でオンに切り替えることができる。歯ブラシ１１を再開させる時間において、本発明の装置１００、特に、ニューラルネットワーク１８を再開させることもできる。歯ブラシ１１は、オンに切り替えられると、クラスタ分析のための情報を収集することができる。しかしながら、少なくともニューラルネットワーク１８は、クラスタ分析のための新たな情報が収集される前に、毎回再開されるものとする。要約すると、装置１００は、ユーザを特定のユーザタイプ群に最終的にクラスタ化する前に、クラスタ分析を繰り返し（例えば、５回）実施し得る。

ユーザが特定のユーザタイプ特有の群にクラスタ化された後、ニューラルネットワーク１８は、ユーザタイプ特有の運動パターン１１５_１、１１５_２、１１５_３、…、１１５_ｋの、関連付けられたユーザタイプ特有のプリセット１１５を使用し得る。

かかる実施形態によれば、運動パターン分類デバイス１４は、既定の回数にわたってクラスタ分析を繰り返し実施するように構成され得、上記クラスタ分析ごとに、ニューラルネットワーク１８は、再開され、かつ再開後に、少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを受信し、かつ少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを、運動パターンのセット１５に含まれる少なくとも１つの運動パターン１５_１、１５_２、１５_３、…、１５_ｋにマッピングする工程を実施するように構成され得、ニューラルネットワーク１８は、既定の回数にわたってクラスタ分析を実施した後に、ユーザタイプ特有の運動パターンのプリセット１１５を選択するように構成され得る。

装置１００は、可動式処置デバイス１１の運動を分類するための更により多くのシナリオを可能にし得る。したがって、再び図９への参照を行うものとする。

一実施形態によれば、１つ以上の関連付けられたクラス１０１、１０２、１０３、１０４のうちの少なくとも１つのクラス１０２は、少なくとも２つのクラスメンバ１０２Ａ、１０２Ｂを含み得、上記１つの関連付けられたクラス１０２は、可動式処置デバイス１１の取り扱い評価を表すことができ、第１のクラスメンバ１０２Ａは、可動式処置デバイス１１の正しい取り扱いを表すことができ、第２のクラスメンバ１０２Ｂは、可動式処置デバイス１１の誤った取り扱いを表すことができ、少なくとも１つの分類された運動クラス１５_１、１５_２、１５_３、…、１５_ｋは、可動式処置デバイス１１の運動に基づいて、可動式処置デバイス１１の取り扱いを評価するための第１又は第２のクラスメンバ１０２Ａ、１０２Ｂのいずれかに関連付けられ得る。一例によれば、２つ以上の運動クラス１５_１、１５_２、１５_３、…、１５_ｋは、デバイスの正しい取り扱いに関連し得、ひいては、これらの運動クラスは、第１のクラスメンバ１０２Ａに関連付けられ得、２つ以上の運動クラス１５_１、１５_２、１５_３、…、１５_ｋは、デバイスの正しくない取り扱いに関連し得、ひいては、これらの運動クラスは、第２のクラスメンバ１０２Ｂに関連付けられ得る。

換言すれば、装置１００は、可動式処置デバイス１１のユーザが可動式処置デバイス１１を正しく使用しているか否かを確認するように構成され得る。当然ながら、取り扱い評価を表す上記１つのクラス１０２を、例えば、ユーザ及び／又はユーザタイプを識別した後に、図１０及び図１１の上に記載される２工程手順の第２の工程１２２のクラスとして使用することもできる。

更なる実施形態によれば、１つ以上の関連付けられたクラス１０１、１０２、１０３、１０４のうちの少なくとも１つの関連付けられたクラス１０３は、少なくとも２つのクラスメンバ１０３Ａ、１０３Ｂを含み得、上記１つの関連付けられたクラス１０３は、可動式処置デバイス１１の運動実行の品質を表すことができ、第１のクラスメンバ１０３Ａは、可動式処置デバイス１１の良好な運動実行を表すことができ、第２のクラスメンバ１０３Ｂは、可動式処置デバイス１１の不良な運動実行を表すことができ、少なくとも１つの分類された運動クラス１５_１、１５_２、１５_３、…、１５_ｋは、可動式処置デバイス１１の運動に基づいて、可動式処置デバイス１１の運動実行の品質を評価するための第１又は第２のクラスメンバ１０３Ａ、１０３Ｂのいずれかに関連付けられ得る。

換言すれば、装置１００は、可動式処置デバイス１１のユーザが可動式処置デバイス１１を良好な方法で使用し得るか、又は不良な方法で使用し得るかを確認するように構成され得る。良好な方法が、意図される可動式処置デバイス１１の運動を実施する方法であり得る一方、不良な方法は、意図されていない可動式処置デバイス１１の運動を実施する方法であり得る。例えば、可動式処置デバイス１１が歯ブラシである場合、装置は、ユーザが良好なブラッシング技法を有し得るか、又は不良なブラッシング技法を有し得るかを確認することができる。

当然ながら、運動実行の品質を表す上記１つのクラス１０３を、例えば、ユーザ及び／又はユーザタイプを識別した後に、図１０及び図１１の上に記載される２工程手順の第２の工程１２２の関連付けられたクラスとして使用することもできる。

装置１００のニューラルネットワーク１８は、図４〜図７を参照して記載されている装置１０のニューラルネットワーク１８と同じ又は類似の特徴を含み得る。

図４〜図７に示される装置１０のニューラルネットワーク１８の任意の特徴に関して上に記載されていることは全て、図９〜図１１を参照して記載される装置１００のニューラルネットワーク１８にも当てはまる。

図１２は、慣性センサ１３を備える可動式処置デバイス１１の運動を分類するための本発明の方法のブロック図を示している。

ブロック１２０１において、本方法は、可動式処置デバイス１１の運動パターンのセット１５に含まれる２つ以上の運動クラス１５_１、１５_２、１５_３、…、１５_ｋ間を判別する工程を含む。

ブロック１２０２では、本方法は、慣性センサ１３からの少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを運動パターン分類デバイス１４に提供する工程を含み、少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎは、可動式処置デバイス１１の運動を表す。

ブロック１２０３において、本方法は、ニューラルネットワーク１８によって、少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを受信して処理し、かつ運動クラスのセット１５に含まれる少なくとも１つの運動クラス１５_１、１５_２、１５_３、…、１５_ｋに対して少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを分類する工程を含み、少なくとも１つの分類された運動クラス１５_１、１５_２、１５_３、…、１５_ｋは、少なくとも１つの関連付けられたクラス１０１、１０２、１０３、１０４の少なくとも１つのクラスメンバ１０１Ａ、１０１Ｂ、１０２Ａ、１０２Ｂ、…、ｍＡ、ｍＢに関連付けられ、それにより、少なくとも１つのクラスメンバ１０１Ａ、１０１Ｂ、１０２Ａ、１０２Ｂ、…、ｍＡ、ｍＢは、可動式処置デバイス１１の運動に基づいて選択される。

本発明の装置１０、１００のなお更なる例によれば、可動式処置デバイス１１は、個人用器具であり得、対象表面１２は、可動式処置デバイス１１によって処置される身体部分であり得る。

本発明の装置１０、１００のなお更なる例によれば、可動式処置デバイス１１又は可動式処置デバイス１１は、個人用器具によって対象ゾーンに加えられる圧力を検知するための圧力センサ、及び／又は個人用器具を駆動し得るモータのモータ負荷を検知するための負荷センサを備え得る。

圧力センサ及び／又は負荷センサのそれぞれのセンサデータは、少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎに加えて又は代替的に、ニューラルユニット１８に入力として供給され得る。

本発明の装置１０のなお更なる例によれば、装置１０は、可動式処置デバイス１１が位置する対象表面１２の１つ以上のゾーン２１_１、２１_２、２１_３、…、２１_ｍをユーザに出力するための出力インターフェースを備え得る。

本発明の装置１００のなお更なる例によれば、装置１００は、ユーザに情報を出力するための出力インターフェースを備えることができ、上記情報は、１つ以上の関連付けられたクラス１０１、１０２、１０３、１０４、及び／又は１つ以上の関連付けられたクラス１０１、１０２、１０３、１０４の１つ以上のクラスメンバ１０１Ａ、１０１Ｂ、…、ｍＡ、ｍＢに関連する。

本明細書に記載される実施形態の各々では、センサデータ１７_１、１７_２、１７_３、…、１７_ｎを、可動式処置デバイス又は処置デバイス１１に記憶することができ、その後、上に記載されるような方法で、装置１０、１００に供給することができる。異なるゾーン又は関連付けられたクラスに対する、この記憶されたセンサデータ１７_１、１７_２、１７_３、…、１７_ｎの任意の後処理を使用して、消費者又はユーザに対して、彼らがどの程度うまく及びどのゾーンをカバーしたか、何を忘却したか、対象の内と外に何が存在したかを、ダッシュボード上に示すことができる。このデータを、使用ごとに示すことができ、かつ／又は時間の経過とともに２回以上の使用で集計することができる（すなわち、消費者又はユーザに対して、彼らが週の間どのようにブラッシングしてきたかの単純なダッシュボードを示す）。

いくつかの態様は装置の文脈で説明されているものの、これらの態様はまた、対応する方法の説明を表すことは明らかであり、ブロック又はデバイスは、方法工程又は方法工程の特徴に対応する。同様に、方法工程の文脈で説明した態様はまた、対応する装置の対応するブロック又はアイテム又は特徴の説明を表す。方法工程のうちのいくつか又は全ては、例えば、マイクロプロセッサ、プログラマブルコンピュータ、又は電子回路のようなハードウェア装置により（又はそれを使用して）実行されてもよい。いくつかの実施形態では、最も重要な方法工程のうちの１つ以上は、このような装置により実行されてもよい。

特定の実装要件に応じて、本発明の実施形態は、ハードウェアに、又はソフトウェアに、又は少なくとも部分的にハードウェアに、又は少なくとも部分的にソフトウェアに実装することができる。この実装は、電子的可読制御信号が記憶され、それぞれの方法が実施されるようにプログラマブルコンピュータシステムと協働する（又は協働することができる）デジタル記憶媒体、例えばフロッピーディスク、ＤＶＤ、Ｂｌｕ−Ｒａｙ、ＣＤ、ＲＯＭ、ＰＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、又はＦＬＡＳＨメモリを使用して実施され得る。したがって、デジタル記憶媒体は、コンピュータ可読であってもよい。

本発明によるいくつかの実施形態は、電子的可読制御信号を有するデータキャリアを備え、データキャリアは、本明細書に記載の方法のうちの１つが実施されるように、プログラマブルコンピュータシステムと協働することができる。

概して、本発明の実施形態は、プログラムコードを有するコンピュータプログラム製品として実装することができ、プログラムコードは、コンピュータプログラム製品がコンピュータ上で作動するときに、これらの方法のうちの１つを実施するように動作可能である。プログラムコードは、例えば、機械可読キャリアに記憶されてもよい。

他の実施形態は、機械可読キャリアに記憶された、本明細書に記載の方法のうちの１つを実施するためのコンピュータプログラムを含む。

換言すれば、本発明の方法のある実施形態は、したがって、コンピュータプログラムがコンピュータ上で作動するときに、本明細書に記載の方法のうちの１つを実施するためのプログラムコードを有するコンピュータプログラムである。

本発明の方法の更なる実施形態は、したがって、本明細書に記載の方法のうちの１つを実施するためのコンピュータプログラムを含む、それが記録されたデータキャリア（又はデジタル記憶媒体、又はコンピュータ可読媒体）である。データキャリア、デジタル記憶媒体、又は記録媒体は、典型的には、有形及び／又は非一時的である。

本発明の方法の更なる実施形態は、したがって、本明細書に記載の方法のうちの１つを実施するためのコンピュータプログラムを表すデータストリーム又は信号のシーケンスである。データストリーム又は信号のシーケンスは、例えば、データ通信接続、例えば、インターネット、Ｂｌｕｅｔｏｏｔｈ低エネルギー（Bluetooth Low Energy、ＢＬＥ）、ＷｉＦｉ、又は任意の種類のネットワーク、例えば、メッシュネットワーク、を介して転送されるように構成され得る。

更なる実施形態は、本明細書に記載の方法のうちの１つを実施するように構成又は適合された処理手段、例えばコンピュータ又はプログラマブル論理デバイスを含む。

更なる実施形態は、本明細書に記載の方法のうちの１つを実施するためのコンピュータプログラムがインストールされたコンピュータを含む。

本発明による更なる実施形態は、本明細書に記載の方法のうちの１つを実施するためのコンピュータプログラムを受信器に（例えば、電子的又は光学的に）転送するように構成された装置又はシステムを備える。受信器は、例えば、コンピュータ、モバイル機器、メモリデバイスなどであってもよい。装置又はシステムは、例えば、コンピュータプログラムを受信器に転送するためのファイルサーバを備えてもよい。

いくつかの実施形態では、プログラマブル論理デバイス（例えば、フィールドプログラマブルゲートアレイ）を使用して、本明細書に記載の方法の機能のうちのいくつか又は全てを実施してもよい。いくつかの実施形態では、フィールドプログラマブルゲートアレイは、本明細書に記載の方法のうちの１つを実施するために、マイクロプロセッサと協働してもよい。一般に、方法は、できれば任意のハードウェア装置により実施されることが好ましい。

本明細書に記載の装置は、ハードウェア装置を使用して実装されても、コンピュータを使用して実装されても、又はハードウェア装置とコンピュータとの組み合わせを使用して実装されてもよい。

本明細書に記載の方法は、ハードウェア装置を使用して実施されても、コンピュータを使用して実施されても、又はハードウェア装置とコンピュータとの組み合わせを使用して実施されてもよい。

上に記載される実施形態は、単に本発明の原理の例示である。本明細書に記載の配置及び詳細に対する変更及び変形は当業者に明らかであろうことが理解される。したがって、すぐ次の特許請求の範囲によってのみ限定され、かつ本明細書に記載の実施形態の記載及び説明により提示された具体的な詳細によっては限定されないことが意図である。

更に、本明細書に開示される寸法及び値は、列挙した正確な数値に厳密に制限されると理解すべきではない。その代わりに、特に指示がない限り、このような寸法はそれぞれ、列挙された値とその値を囲む機能的に同等な範囲との両方を意味することが意図されている。例えば、「４０ｍｍ」と開示された寸法は、「約４０ｍｍ」を意味することが意図される。

Claims (13)

1. 可動式処置デバイス（１１）の運動を分類するための装置（１０、１００）であって、前記可動式処置デバイス（１１）が、少なくとも１つの慣性センサ（１３）を備え、前記装置（１０）が、
   前記可動式処置デバイス（１１）の運動クラスのセット（１５）に含まれる２つ以上の運動クラス（１５_１、１５_２、１５_３、…、１５_ｋ）間を判別するように構成された、運動パターン分類デバイス（１４）と、
   前記慣性センサ（１３）からの少なくとも１つの慣性センサデータ（１７_１、１７_２、１７_３、…、１７_ｎ）を前記運動パターン分類デバイス（１４）に提供するためのインターフェース（１６）であって、前記少なくとも１つの慣性センサデータ（１７_１、１７_２、１７_３、…、１７_ｎ）が、前記可動式処置デバイス（１１）の運動を表す、インターフェース（１６）と、を備え、
   前記運動パターン分類デバイス（１４）が、前記少なくとも１つの慣性センサデータ（１７_１、１７_２、１７_３、…、１７_ｎ）を受信し、かつ前記運動クラスのセット（１５）に含まれる前記運動クラス（１５_１、１５_２、１５_３、…、１５_ｋ）に対して前記少なくとも１つの慣性センサデータ（１７_１、１７_２、１７_３、…、１７_ｎ）を分類するように構成された、少なくとも１つのニューラルネットワーク（１８）を備え、前記運動クラス（１５_１、１５_２、１５_３、…、１５_ｋ）が各々、１つ以上のクラス（１０１、１０２、１０３、１０４）の少なくとも１つのクラスメンバ（１０１Ａ、１０１Ｂ、１０２Ａ、１０２Ｂ、…、ｎＡ、ｎＢ）に関連付けられており、それにより、前記少なくとも１つのクラスメンバ（１０１Ａ、１０１Ｂ、１０２Ａ、１０２Ｂ、…、ｎＡ、ｎＢ）が、前記可動式処置デバイス（１１）の運動に基づいて選択される、装置（１０、１００）。
2. 前記可動式処置デバイス（１１）が、可動式口腔ケアデバイスである、請求項１に記載の装置（１０、１００）。
3. 前記１つ以上のクラス（１０１、１０２、１０３、１０４）のうちの１つのクラス（１０１）が、少なくとも１つのクラスメンバ（１０１Ａ）を含み、前記１つのクラス（１０１）が、ユーザ群又はユーザタイプ群を表し、前記少なくとも１つのクラスメンバ（１０１Ａ）が、前記ユーザ群又はユーザタイプ群のうちの少なくとも１人のユーザ又は１つのユーザタイプをそれぞれ表し、前記運動クラス（１５_１、１５_２、１５_３、…、１５_ｎ）のうちの少なくとも１つが、前記可動式処置デバイス（１１）の運動に基づいて、前記少なくとも１つのユーザ又はユーザタイプを識別するために、前記少なくとも１つのクラスメンバ（１０１Ａ）に関連付けられている、請求項１又は２に記載の装置（１０、１００）。
4. 前記１つ以上のクラス（１０１、１０２、１０３、１０４）のうちの１つのクラス（１０１）が、少なくとも２つのクラスメンバ（１０１Ａ、１０１Ｂ）を含み、前記１つのクラス（１０１）が、ユーザ群又はユーザタイプ群を表し、前記少なくとも２つのクラスメンバ（１０１Ａ、１０１Ｂ）が、前記ユーザ群のうちの少なくとも２人のユーザ又は前記ユーザタイプ群のうちの２つのユーザタイプをそれぞれ表し、前記運動クラス（１５_１、１５_２、１５_３、…、１５_ｎ）のうちの少なくとも１つが、前記可動式処置デバイス（１１）の運動に基づいて、前記ユーザ群又はユーザタイプ群内の少なくとも１人のユーザ又は１つのユーザタイプをそれぞれ識別するために、前記少なくとも２つのクラスメンバ（１０１Ａ、１０１Ｂ）に関連付けられている、請求項１又は２に記載の装置（１０、１００）。
5. 前記運動パターン分類デバイス（１４）が、前記少なくとも１人のユーザ又は１つのユーザタイプ（１０１Ａ）を識別した後に、前記識別された少なくとも１つのユーザ又はユーザタイプに特徴的な、前記可動式処置デバイス（１１）の２つ以上のユーザ固有又はユーザタイプ固有の運動クラス（１１５_１、１１５_２、１１５_３、…、１１５_ｎ）を含む、ユーザ固有又はユーザタイプ固有の運動クラスプリセット（１１５）を選択するように構成されている、請求項３又は４に記載の装置（１００）。
6. 前記ニューラルネットワーク（１８）が、回帰型ニューラルネットワーク、具体的には、長短期メモリネットワーク又はゲート付き回帰型ユニットネットワークであり、更に具体的には、前記回帰型ニューラルネットワークが、双方向性回帰型ニューラルネットワークであり、なお更に具体的には、前記回帰型ニューラルネットワークが、少なくとも２層の双方向性回帰型ニューラルネットワークである、請求項１〜５のいずれか一項に記載の装置（１０、１００）。
7. 前記インターフェース（１６）が、前記慣性センサ（１３）からの慣性センサデータ（１７_１、１７_２、１７_３、…、１７_ｎ）のシーケンスを、前記運動パターン分類デバイス（１４）に入力（Ｘ_１、Ｘ_２、Ｘ_３、…、Ｘ_ｎ）として提供するように配置されている、請求項１〜６のいずれか一項に記載の装置（１０、１００）。
8. 前記可動式処置デバイス（１１）が、前記処置デバイス（１１）が対象表面に対して加える圧力を測定するように配置された圧力センサ、又は前記可動式処置デバイス（１１）を駆動するモータのモータ負荷を検知するための負荷センサなどの少なくとも１つの更なるセンサを備え、前記インターフェース（１６）が、前記少なくとも１つの慣性センサデータ（１７_１、１７_２、１７_３、…、１７_ｎ）に加えて、前記更なるセンサからの少なくとも１つの更なるセンサデータを前記運動パターン分類デバイス（１４）に提供するように配置されている、請求項１〜７のいずれか一項に記載の装置（１０）。
9. 前記運動パターン分類デバイス（１４）が、前記少なくとも１つの慣性センサデータ（１７_１、１７_２、１７_３、…、１７_ｎ）を受信するように各々が構成された、少なくとも第１及び第２のニューラルネットワーク（１８）を備え、前記第１のニューラルネットワークが、運動クラスの第１のセット（１５）に含まれる運動クラス（１５_１、１５_２、１５_３、…、１５_ｋ）に対して前記少なくとも１つの慣性センサデータ（１７_１、１７_２、１７_３、…、１７_ｎ）を分類するように構成され、前記第２のニューラルネットワークが、運動クラスの第２のセット（１５）に含まれる運動クラス（１５_１、１５_２、１５_３、…、１５_ｋ）に対して前記少なくとも１つの慣性センサデータ（１７_１、１７_２、１７_３、…、１７_ｎ）を分類するように構成され、前記運動クラスの第１及び第２のセットの前記運動クラス（１５_１、１５_２、１５_３、…、１５_ｋ）が各々、前記１つ以上のクラス（１０１、１０２、１０３、１０４）の前記クラスメンバ（１０１Ａ、１０１Ｂ、１０２Ａ、１０２Ｂ、…、ｎＡ、ｎＢ）のうちの少なくとも１つに関連付けられており、それにより、前記少なくとも１つのクラスメンバ（１０１Ａ、１０１Ｂ、１０２Ａ、１０２Ｂ、…、ｎＡ、ｎＢ）が、前記可動式処置デバイス（１１）の運動に基づいて選択される、請求項１〜８のいずれか一項に記載の装置（１０）。
10. 前記１つ以上のクラス（１０１、１０２、１０３、１０４）のうちの１つのクラス（１０２）が、少なくとも２つのクラスメンバ（１０２Ａ、１０２Ｂ）を含み、前記１つのクラス（１０２）が、前記可動式処置デバイス（１１）の取り扱い評価を表し、第１のクラスメンバ（１０２Ａ）が、前記可動式処置デバイス（１１）の正しい取り扱いを表し、第２のクラスメンバ（１０２Ｂ）が、前記可動式処置デバイス（１１）の誤った取り扱いを表し、前記運動クラス（１５_１、１５_２、１５_３、…、１５_ｎ）のうちの少なくとも１つが、前記可動式処置デバイス（１１）の運動に基づいて、前記可動式処置デバイス（１１）の前記取り扱いを評価するために、前記第１又は前記第２のクラスメンバ（１０２Ａ、１０２Ｂ）のいずれかに関連付けられている、請求項１〜９のいずれか一項に記載の装置（１００）。
11. 前記１つ以上のクラス（１０１、１０２、１０３、１０４）のうちの１つのクラス（１０３）が、少なくとも２つのクラスメンバ（１０３Ａ、１０３Ｂ）を含み、前記１つのクラス（１０３）が、前記可動式処置デバイス（１１）の運動実行の品質を表し、第１のクラスメンバ（１０３Ａ）が、前記可動式処置デバイス（１１）の良好な運動実行を表し、第２のクラスメンバ（１０３Ｂ）が、前記可動式処置デバイス（１１）の不良な運動実行を表し、前記運動クラス（１５_１、１５_２、１５_３、…、１５_ｎ）のうちの少なくとも１つが、前記可動式処置デバイス（１１）の運動に基づいて、前記可動式処置デバイス（１１）の運動実行の品質を評価するために、前記第１又は前記第２のクラスメンバ（１０３Ａ、１０３Ｂ）のいずれかに関連付けられている、請求項１〜１０のいずれか一項に記載の装置（１００）。
12. 可動式処置デバイス（１１）の運動の分類を実施するための方法であって、前記可動式処置デバイス（１１）が、少なくとも１つの慣性センサ（１３）を含み、前記対象表面（１２）を処置するように構成されており、前記方法が、
    前記可動式処置デバイス（１１）の運動クラスのセット（１５）に含まれる２つ以上の運動クラス（１５_１、１５_２、１５_３、…、１５_ｋ）を提供することと、
    前記慣性センサ（１３）から少なくとも１つの慣性センサデータ（１７_１、１７_２、１７_３、…、１７_ｎ）を受信することであって、前記少なくとも１つの慣性センサデータ（１７_１、１７_２、１７_３、…、１７_ｎ）が、前記可動式処置デバイス（１１）の運動を表す、受信することと、
    ニューラルネットワーク（１８）によって、前記少なくとも１つの慣性センサデータ（１７_１、１７_２、１７_３、…、１７_ｎ）を受信して処理することと、前記運動クラスのセット（１５）に含まれる少なくとも１つの運動クラス（１５_１、１５_２、１５_３、…、１５_ｋ）に対して前記少なくとも１つの慣性センサデータ（１７_１、１７_２、１７_３、…、１７_ｎ）を分類することと、を含み、前記運動クラス（１５_１、１５_２、１５_３、…、１５_ｋ）が各々、１つ以上のクラス（１０１、１０２、１０３、１０４）のうちの少なくとも１つのクラスメンバ（１０１Ａ、１０１Ｂ、１０２Ａ、１０２Ｂ、…、ｎＡ、ｎＢ）に関連付けられており、それにより、前記少なくとも１つのクラスメンバ（１０１Ａ、１０１Ｂ、１０２Ａ、１０２Ｂ、…、ｎＡ、ｎＢ）が、前記可動式処置デバイス（１１）の運動に基づいて選択される、方法。
13. 請求項１〜１１のいずれか一項に記載の装置（１０）と、前記少なくとも１つの慣性センサ（１３）を備える可動式処置デバイス（１１）と、を備えるシステム。

Images