JP2022515115A - 個別ユーザのために個人化された食事及び健康のアドバイス又は提案を生成するための自動化された方法及びシステム - Google Patents
個別ユーザのために個人化された食事及び健康のアドバイス又は提案を生成するための自動化された方法及びシステム Download PDFInfo
- Publication number
- JP2022515115A JP2022515115A JP2021535179A JP2021535179A JP2022515115A JP 2022515115 A JP2022515115 A JP 2022515115A JP 2021535179 A JP2021535179 A JP 2021535179A JP 2021535179 A JP2021535179 A JP 2021535179A JP 2022515115 A JP2022515115 A JP 2022515115A
- Authority
- JP
- Japan
- Prior art keywords
- data
- module
- platform
- health
- token
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
-
- 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
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/258—Data format conversion from or to a database
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- 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
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- 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
-
- 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
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/08—Key distribution or management, e.g. generation, sharing or updating, of cryptographic keys or passwords
- H04L9/0891—Revocation or update of secret information, e.g. encryption key update or rekeying
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/08—Key distribution or management, e.g. generation, sharing or updating, of cryptographic keys or passwords
- H04L9/0894—Escrow, recovery or storing of secret information, e.g. secret key escrow or cryptographic key storage
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
- H04L9/321—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials involving a third party or a trusted authority
- H04L9/3213—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials involving a third party or a trusted authority using tickets or tokens, e.g. Kerberos
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Pathology (AREA)
- Bioethics (AREA)
- Nutrition Science (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Physical Education & Sports Medicine (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
様々なソースからの栄養及び健康データを分析に適した構造化ファイル形式に標準化するための自律機能を備えたサーバレスアーキテクチャを利用することができる方法、システム、及びプラットフォームが提供されている。プラットフォームは、認証構成要素、データ取り出し構成要素、パイプライン構成要素、標準化構成要素、及びストレージ構成要素を含み得る。構成要素は、自律機能のセット、ストリーミングアプリケーション、通知メッセージ、及び互いに論理的に接続された他のオブジェクトを含み得る。構成要素は、直列に接続されることができ、データは、ストリームで順次に構成要素を通って流れることができる。開示されたアーキテクチャを使用することで、プラットフォームは、大量のデータを効率的で費用効果の高い様式で集約して処理し、標準化された構造化データを分析し、個別のエンドユーザへの個人化された食事及び健康のアドバイス又は提案を生成することができる。
Description
関連出願の相互参照
本出願は、2018年12月19日に出願された米国仮特許出願第62/782,275号の利益と優先権を主張し、及び2019年12月10日に出願された米国特許出願第16/709,721号の利益と優先権を主張し、これらの内容は、参照によりその全体が本明細書に組み込まれている。
本出願は、2018年12月19日に出願された米国仮特許出願第62/782,275号の利益と優先権を主張し、及び2019年12月10日に出願された米国特許出願第16/709,721号の利益と優先権を主張し、これらの内容は、参照によりその全体が本明細書に組み込まれている。
本明細書に記載の主題の実施形態は、一般に、個人化された食事及び健康のアドバイス又は提案、並びにそれを自動的に作成するための技法及び技術を提供することに関する。より具体的には、本主題の実施形態は、データを自動的に収集して処理し、個別ユーザのための個人化された食事及び健康のアドバイス又は提案を生成するサーバレスアーキテクチャに関する。
近年、健康に関するデータを顧客に提供するために、いくつかのデバイス及びソフトウェアアプリケーションが開発されている。これらのデバイス及びソフトウェアアプリケーションは、活動を監視することができ、人々が食料消費及び運動習慣を監視し、睡眠パターンを監視し、ユーザから健康情報を受動的に収集することを可能にしている。しかしながら、現在、このすべてのデータを標準化してまとめて処理するための業界標準は存在しない。特に、収集されたデータは、データが様々なソースから様々な異なる形式で取得されているため、統合することが困難である。このことが、ユーザが彼らの栄養ニーズについての完全な情報を有することを困難にしており、したがって、ユーザが、食品消費及び異なる食品の自身の健康に対する影響についてタイムリーで情報に基づいた判断をする能力を阻害している。
様々な食品関連、栄養、健康のデータを統合して処理することは、多くの課題を提示している。例えば、データは、異なるデータタイプ(例えば、構造化又は非構造化、時系列など)として提供されることができ、有用な情報を抽出及び伝達するために、異なる方法又はツールを使用して処理されることができる。加えて、これらのデバイス及びソフトウェアアプリケーションで収集されるデータの量は膨大になる可能性があり、定期的な、又はランダムな頻度で収集されている数千又は数百万のデータポイントのオーダになっている。収集されたデータの量は、デバイス及びソフトウェアアプリケーションがユーザの日常生活とますます相互接続されるようになるにつれて、時間経過とともに指数関数的に増加する傾向がある。場合によっては、アプリケーションプログラミングインターフェース(API)が更新されると、その変更によって特定のAPIが誤動作してデータが損失することがある。
したがって、様々な異なるソースからの食品関連、栄養、並びに健康のデータの統合、及び処理に関する課題を含む、そのような問題に対処するための技術、システム、方法、及び技法を提供することが望ましい。さらに、他の望ましい特徴及び特性は、添付の図面及び前述の技術分野及び背景と併せて、以下の詳細な説明及び添付の特許請求の範囲から明らかになるであろう。
大量の食品関連、栄養、及び健康のデータをスケーラブルな様式で処理し、データが生成されて処理される速度の予測不可能性を管理することができるプラットフォームが本明細書に開示されている。開示されたプラットフォームはまた、多くの異なるデータタイプを処理することができ、複数の異なるソースからデータを受信するように適合されることができる。プラットフォームはまた、データ処理やデータ損失に関する問題を生じることなく、基盤となるAPIに加えられた変更をサポートすることもできる。
本明細書に開示されるプラットフォームは、大量の食品関連、栄養及び健康のデータの処理、統合、及び構造化を可能にする1つ以上のモジュールを含み得る。モジュールは互いに切り離すことができ、それによって、各構成要素又はモジュールの保守及び再利用が容易になることを確実にしている。本明細書に開示されているプラットフォームは、サーバレスアーキテクチャを採用することにより、大量のデータを処理することができる。サーバレスアーキテクチャでは、AMAZON(登録商標)Lambdaなどのツールを利用して、データをプラットフォーム経由でストリーミングすることができ、コード処理は、ストリーミングデータによって処理機能がトリガーされた場合にのみ実施することができる。このような関数は「ラムダ関数」として広く知られている。このようにラムダ関数を使用することで、コンピューティングリソースを継続的に実行する必要がないことから、データを処理するためのコンピューティングリソースがより効率的に利用されることが可能になる。サーバレスアーキテクチャは、本明細書に開示されているプラットフォームが大量のデータを効率的に処理することを可能にすることができる。
プラットフォーム構成要素は、多くのデータタイプとインターフェースするように構成され得る。取り出しモジュールでは、ラムダ関数のセットが、接続されたアプリケーションからデータをプルして、定期的にデータを取り出す時間ベースのタスクスケジューラを実装するように構成され得る。ラムダ関数の別のセットは、接続されたアプリケーションから通知を受信し、プッシュされたデータを受信する準備をすることができる。ラムダ関数の別のセットは、プルされたデータとプッシュされたデータとを統合してプラットフォームを介してカスケードされるストリームにデータを送信することができる。追加のラムダ関数は、処理のためにストリームからデータを迂回することができ、これにより、データを標準化された構造化された形式に変換することができる。変換された構造化データは、栄養及び健康に関する見識又は提案をユーザに提供するために、さらに分析されることができる。
本開示の一実施形態では、データ収集及び処理方法が提供されている。本方法は、サーバレスアーキテクチャを使用して実装され得る。サーバレスアーキテクチャは、本方法がスケーリングされ、データの新しいタイプ若しくは形式、又はそれらが導入された新しいソースをサポートすることを可能にする。本明細書に開示される方法は、複数の異なるソースからデータを収集して集約することを含み得、このデータは、データの異なるタイプ又は形式で構成されている。異なるタイプ又は形式のデータには、構造化データ並びに非構造化データ、及び時系列センサデータが含まれ得る。データは、複数の個別ユーザに固有の食品、健康、又は栄養に関するデータを含み得る。本方法は、異なるタイプ又は形式のデータを健康及び栄養プラットフォームと互換性のある標準化された構造化形式に変換することにより、データのソースにとらわれない様式で異なるタイプ又は形式のデータの各々を継続的に処理することをさらに含み得る。本方法はまた、健康及び栄養プラットフォームからの情報を部分的に使用して、標準化された構造化形式に変換されたデータを分析することを含み得る。標準化された構造化データは、1つ以上の機械学習モデルを使用して分析され得る。この分析に基づいて、個人化された食事及び健康のアドバイス又は提案が、複数の個別ユーザの各々のために生成されることができる。
いくつかの実施形態では、複数の異なるソースは、モバイルデバイス、ウェアラブルデバイス、医療デバイス、家電製品、又はヘルスケアデータベースのうちの2つ以上を含み得る。モバイルデバイスは、スマートデバイス(スマートフォン、タブレットなど)を含み得、ウェアラブルデバイスは、以下の1つ以上を含み、それらは、アクティビティトラッカー、スマートウォッチ、スマートグラス、スマートリング、スマートパッチ、抗酸化モニタ、睡眠センサ、バイオマーカー血液モニタ、心拍変動(HRV)モニタ、ストレスモニタ、温度モニタ、自動スケール、体脂肪モニタ、又はスマートファブリックである。医療デバイスは、血糖モニタ、心拍数モニタ、血圧モニタ、汗センサ、インスリンポンプ、ケトンモニタ、乳酸モニタ、鉄分モニタ、又はガルバニック皮膚反応(GSR)センサのうちの1つ以上を含み得る。本明細書に記載の主題の例示的な実施形態は、携帯型電子医療デバイスなどの医療デバイスと併せて実装されることができる。多くの異なる用途が可能であるが、一実施形態は、注入システム展開の一部としてインスリン注入装置(又はインスリンポンプ)を組み込むことができる。簡潔にするために、注入システムの作動、インスリンポンプ及び/又は注入セットの作動、及びシステム(及びシステムの個々の作動構成要素)の他の機能的態様に関連する従来の技術は、ここでは詳細に説明されない場合がある。注入ポンプ(例えば、インスリンポンプ)の例は、限定するものではないが、米国特許番号第4,562,751号、同第4,685,903号、同第5,080,653号、同第5,505,709号、同第5,097,122号、同第6,485,465号、同第6,554,798号、同第6,558,320号、同第6,558,351号、同第6,641,533号、同第6,659,980号、同第6,752,787号、同第6,817,990号、同第6,932,584号、及び同第7,621,893号に説明されているタイプであり、これらの各々が参照により本明細書組み込まれている。ヘルスケアデータベースは、遺伝子データベース、血液検査データベース、バイオームデータベース、又は電子医療記録(EMR)を含み得る。
いくつかの実施形態では、複数の異なるソースからのデータは、少なくとも1日を通して不均一に分布される106のオーダの毎日のデータポイントを含み得る。データは、複数のアプリケーションプログラミングインターフェース(API)を介して、複数の異なるソースから収集されて集約され得る。いくつかの場合では、データの処理は、基盤となるAPIへの変更又は更新の影響を受けないため、データは、基盤となるAPIに変更又は更新が行われるときに、データを損失することなく処理され得るようになっている。
いくつかの実施形態では、データの収集及び集約は、データを複数のストリームに格納することを含み得る。データの処理は、様々な状態の発生時に、複数のストリームに格納されたデータに対してラムダ関数を実行することをさらに含み得る。ラムダ関数は、データが収集され、複数のストリームに格納されている場合にのみ実行され得る。格納されたデータに対するラムダ関数の実行は、データの各横列を複数のストリームから関連するストリームに流して送信するように構成されている。データは、複数のストリームのうち1つのストリームから別のストリームにカスケードすることにより、データパイプラインに沿って進めることができる。
いくつかの実施形態では、複数の異なるソースからデータを収集して集約することは、(1)データがプルされることを可能にするソースの第1のセットからデータをプルすること、及び(2)ソースの第2のセットからプッシュされるデータを受信することを含み得、複数のプルリクエスト及びプッシュリクエストからのデータが、一元化された場所にストリーミングされるようになっている。データは、タスクスケジューラを使用して、所定の時間間隔でソースの第1のセットからプルされ得る。データはまた、データがソースの第2のセットからプッシュされると、又はそのときに、ソースの第2のセットから受信され得る。場合によっては、ソースの第2のセットからのデータのプッシュは、データに関連付けられた1つ以上の通知によって進行され得る。他の場合、データが対応する通知とともに到着しない場合は、対応する通知に関連付けられているデータはプルされる。いくつかの事例では、ソースの第1のセット及びソースの第2のセットは、第1及び第2のセットの両方に共通の1つ以上のソースを含み得る。他の事例では、ソースの第1のセット及びソースの第2のセットは、互いに異なるソースを含み得る。
いくつかの実施形態では、複数のストリームの各々は、データが各ストリームに格納される時間枠を規定する保持ポリシーを有し得る。時間枠は、例えば、約24時間~約168時間の範囲になり得る。データは、各データのソース(複数可)についての事前知識を必要とせずに、分離された様式で複数のストリームに格納することができる。複数のストリームは、複数のシャードを含み得る。各シャードは、(1)キューに入り、(2)保持ポリシーの満了時にキューから出る、データレコードの文字列を含み得る。データレコードの文字列は、複数の個別ユーザに固有である食品消費、健康、又は栄養の記録を含み得る。複数のストリーム内のいくつかのシャードを制御することにより、データが処理される速度を制御することができる。
いくつかの実施形態では、本方法は、1つ以上の異なるエンティティに関連付けられたトークンモジュールを介して複数のAPIと通信することを含み得る。複数のAPIからのデータは、取り出しモジュールを使用して収集して集約されることができ、それにより、取り出しモジュールは、トークンモジュールから分離され、それから独立することができる。トークンモジュールは、既存のトークンをリフレッシュし、トークン変更に関する通知更新情報を提供するように構成され得る。新しいトークンが生成される度に、新しいトークンは、トークンモジュールに格納されることに加えて、取り出しモジュールで個別に複製され得る。場合によっては、取り出しモジュールは、データを収集して集約するだけのために構成され得、データを保持し、格納し、又は処理するように構成され得ない。
いくつかの実施形態では、収集されたデータの一部又はすべてが、健康及び栄養プラットフォームに提供され、利用され得る。追加的に、又は任意選択的に、収集されたデータの一部は、1つ以上のサードパーティに送信され得る。データは、健康及び栄養プラットフォームに提供されて利用される前に、標準化された構造化形式に変換され得る。
いくつかの実施形態では、複数のデータソースからのデータが収集され、ストレージモジュールに集約されることができる。ストレージモジュールは、重複データを検証、チェック、及び削除するように構成され得る。ストレージモジュールは、データをバッチで保持するように構成され得る。ストレージモジュールは、選択したタイプのデータを統合することによってデータを減少するように構成され得る。
場合によっては、格納されたデータの一部は、1つ以上の撮像デバイスを使用してキャプチャされた複数の画像を含み得る。選択されたラムダ関数は、保存されたデータの一部に対して実行され、複数の画像のいずれかが、それらの栄養成分について分析される1つ以上の食品画像を含むかどうかを検出することができる。1つ以上の食品画像は、タイムスタンプ及び地理的位置に関連付けられることができ、それにより、ユーザの食物摂取の時間的追跡及び空間的追跡を可能にしている。ユーザの食物摂取の時間的追跡及び空間的追跡は、食事の消費時間又は食事内容を予測することを含み得る。
本開示の別の実施形態では、サーバレスデータ収集及び処理システムが提供される。本システムは、複数の異なるソースからデータを収集して集約するように構成された取り出しモジュールを含み得、データは、異なるタイプ又は形式のデータを含んでいる。本システムはまた、異なるタイプ又は形式のデータを健康及び栄養プラットフォームに互換性がある標準化された構造化形式に変換することによって、異なるタイプ又は形式のデータの各々をデータのソースにとらわれない様式で継続的に処理するように構成された標準化モジュールを含み得る。
この概要は、詳細な説明で以下にさらに説明される、選択された概念を簡略化した形式で紹介するために提供されている。この概要は、特許請求される主題の主要な特徴又は本質的な特徴を識別することを意図しておらず、特許請求される主題の範囲を判定する際の補助として使用されることも意図していない。本開示の異なる実施形態は、個別に、集合的に、又は互いに組み合わせて理解され得ることが理解されるであろう。本明細書に記載の本開示の様々な実施形態は、以下に記載される特定の用途のいずれかに、又は他のタイプの健康、栄養、又は食品関連の監視/追跡/提案システム及び方法に適用され得る。
主題のより完全な理解は、以下の図と併せて考慮した場合に詳細な説明及び請求項を参照することによって導き出すことができ、同様の参照番号は図全体を通して同様の要素を指す。
以下の詳細な説明は、本質的に単なる例示であり、主題の実施形態又はそのような実施形態の用途及び使用を限定することを意図するものではない。本明細書で使用される場合、「例示的(exemplary)」という単語は、「例、事例、又は例証としての役割を果たす」ことを意味する。本明細書で例示として説明されている任意の実装は、必ずしも他の実装よりも好ましいか、又は有利であると解釈されるべきではない。さらに、前述の技術分野、背景、簡単な要約、又は以下の詳細な説明で提示されたいずれの明示的又は黙示的な理論に拘束される意図はない。加えて、本明細書に記載されているすべての刊行物、特許、及び特許出願は、個々の刊行物、特許、又は特許出願の各々が参照により組み込まれることが具体的かつ個別に示された場合と同程度に、参照により本明細書に組み込まれていることに留意すべきである。
ここで本開示の例示的な実施形態を詳細に参照すると、その例が添付の図面に示されている。可能な限り、同一の参照番号が、図面及び開示全体を通して同一又は類似の部品を参照するために使用されている。
今日、個人から健康、栄養、フィットネスのデータを収集する多くのアプリケーションが存在する。一部のアプリケーションは、携帯電話やウェアラブルデバイスに実装され、活動レベル、及び心拍数、血圧、並びにインスリンレベルなどの動態統計を受動的に追跡することができる。一部のアプリケーションは、ユーザが食事、運動ルーチン、及び睡眠習慣を記録することができるようにし、記録されたデータから健康指標を計算することができる。個人が複数のアプリケーションから取得した無数のデータを追跡し続けるのは困難になり得る。個別のデータセットは、特にユーザが異なるタイプ又はセットの健康及び栄養データ間の影響及び関係を完全に理解していない場合、ユーザに必要な見識を提供できないことが多い。その結果、ユーザは自身の健康や快適性を改善するための実行可能な措置を講じるために必要なツールを欠いていることがある。プラットフォーム(本明細書に開示)は、複数のアプリケーションから大量の健康、食品関連、及び栄養データを収集して統合して、より正確で有用な栄養及び/又は健康の情報をユーザに提供するためにデータを処理するように構成され得る。場合によっては、データを分析するために、ニューラルネットワークや他の機械学習アルゴリズムが使用されることができ、個別ユーザに個人化された健康に関する提案を提供することができる。
本明細書で開示されているプラットフォームは、(1)ユーザによって送信されたデータ、及び/又は様々なタイプのサードパーティアプリケーションから取り出されたデータを収集して集約し、(2)異なるタイプ又は形式のデータを健康と栄養のプラットフォームと互換性のある標準化された構造化形式に変換することにより、そのソースにとらわれない様式でデータを処理することができる。いくつかの実施形態では、本明細書に開示されるプラットフォームは、健康及び栄養プラットフォームと統合されるか、又はその一部として提供され得る。他の実施形態では、本明細書に開示されるプラットフォームは、健康及び栄養プラットフォームとは別に提供され得る。本明細書に開示されるプラットフォーム、又は本開示と整合性のある健康及び栄養プラットフォームへの任意の修正が企図され得る。健康及び栄養プラットフォームの例は、米国特許出願第13/784,845号及び同第15/981,832号に記載され、これらは両方とも、参照によりその全体が本明細書に組み込まれている。
本明細書に開示されるプラットフォームは、自律機能を備えたサーバレスアーキテクチャを使用して実装されることができ、データがプラットフォームを介してストリーミングされているときに大量の健康及び栄養データを処理する。サーバレスアーキテクチャを採用することで、プラットフォームが大量のデータを処理することを可能にし、例えば、1日あたり106データポイントのオーダで、1日を通して均等又は不均等に分散され得る。サーバレスアーキテクチャを使用することは、サーバリソースが、着信データフローに応じて必要に応じて利用されることから、データトラフィック中の大きな変動に関連する予測不可能性を軽減するのに有効である。自律機能は、データ項目が受信又は格納されたときなど、特定のイベントに応答してトリガーされ得る。サーバレスアーキテクチャを使用してプラットフォームを実装することで、特定の関数が呼び出された場合にのみ料金が発生する可能性があるため、コスト面での恩恵をもたらすこともできる。さらに、この機能は短期間で実行することができ、プロセッサの継続的な使用に関連するコストを削減している。データを受信していないときは、自律機能を起動する必要がないため、処理コストは発生しない。サーバレスアーキテクチャでプラットフォームを実装することの追加の利点は、そのようなアーキテクチャが、従来のサーバベースのシステムを使用することに関連するコスト負担をすることなく拡張性が可能になることである。サーバレスプラットフォームで処理されるデータが増えると、データを処理するための自律機能をトリガーする呼び出しの数が増加する。追加のコストは、関数呼び出しの数の増加に基づいている。サーバレスアーキテクチャを使用することで追加のサーバリソース、メンテナンス、又は人員への投資を回避できるため、開示されたプラットフォームを使用することで節約が実現され得る。
本明細書に記載のサーバレスアーキテクチャは、アプリケーションがサードパーティサービスによってホストされているソフトウェア設計開発であり得る。サードパーティサービスの例としては、AMAZON(登録商標)Web Services Lambda、TWILIO(登録商標)Functions、MICROSOFT(登録商標)Azure Functionsが含まれ得る。典型的に、インターネット上でサーバアプリケーションをホストするには、仮想サーバ又は物理サーバ、並びにアプリケーションを実行するために必要なオペレーティングシステム及び他のウェブサーバホスティングプロセスを管理する必要がある。サーバレスアーキテクチャにおいてサードパーティサービス上にアプリケーションをホストすると、サーバソフトウェア及びハードウェア管理の負担はサードパーティサービスに移行する。
サーバレスアーキテクチャ内で動作するように開発されたアプリケーションは、個別の自律機能によって分割されることができ、これらは個別に呼び出されスケーリングされることができる。本明細書に記載のいくつかのサードパーティサービスの例では、関数は、例えばLambda関数、Twilio関数、及びAzure関数として知られているものになり得る。これらの関数は、イベントに応答してトリガーされたときにコンピューティングオペレーションを実施するステートレスコンテナである。それらは一時的なものであり、これらが継続的に計算力を使用する代わりに、1回の呼び出し中に、又は限られた数の呼び出しを含む期間に計算力を使用することができるということを意味する。自律機能は、サードパーティサービスによって完全に管理されてもよい。自律機能を備えたサーバレスアーキテクチャは、「Functions as a Service(FaaS)」と呼ばれることもあり、自律機能は、どの言語が基盤となるサーバレスアーキテクチャでサポートされているかに応じて、様々なプログラミング言語を使用して実装され得る。言語の例には、JavaScript、Python、Go、Java、C、及びScalaが含まれる。
自律機能によって実施される計算タスクは、データの格納、通知のトリガー、ファイルの処理、タスクのスケジューリング、及びアプリケーションの拡張を含み得る。例えば、自律関数は、モバイルアプリケーションからのアプリケーションプログラミングインターフェース(API)呼び出しとして要求を受信し、要求内のパラメータに属する値を検査し、検査された値に基づいて出力を生成するオペレーションを実施し、データベース内のテーブルエントリを変更することによって出力データをデータベース内に格納することができる。自律機能によって実施される処理オペレーションの一例は、PDFファイル又は画像ファイル上の光学式文字認識(OCR)であり得、記号を編集可能なテキストに変換するものであり得る。スケジュールされたタスクの例は、データベースからの重複エントリの定期的な削除、接続されたアプリケーションからのデータ要求、アクセストークンの更新であり得る。自律機能は、アプリケーションの拡張機能として機能することができ、アプリケーションからデータを取り出し、処理のためにデータをサードパーティのサービスに送信する。例えば、サービスデスクチケットは、自律機能を使用して、スタッフに表示される別のヘルプデスクチャットプログラムに転送されることができる。
本明細書に記載されたようなサーバレスアーキテクチャを使用する利点は、それらが容易にスケーラブルになることである。水平スケーリング、又は追加のリソースの追加は、リソースが必要なときに実施することができる。例えば、処理されるリクエストの量が増えると、アーキテクチャは追加のコンピューティングリソースを自動的に調達することができる。一時的自律機能は、実行時のニーズに応じて作成及び破棄することができるため、スケーリングを容易にすることができる。サーバレスアーキテクチャは標準化されているため、問題が発生した場合の保守は、より容易になっている。
サーバレスアーキテクチャを使用する別の利点は、サーバレスアーキテクチャの費用効果が高いことである。自律機能は一時的なものであるため、計算能力は機能が呼び出されたときにのみ使用され得る。したがって、機能が呼び出されていないときは、計算能力に課金はされない。この支払い構造には、リクエストがたまにしか発生しない場合、又はトラフィックに一貫性がない場合に利点がある。サーバが継続的に稼働しているが、1分あたり1つの要求しか処理しない場合、サーバが稼働している時間と比較して要求を処理する時間が短いため、サーバは非効率的になり得る。対照的に、サーバレスアーキテクチャでは、一時的自律機能は計算能力を使用して要求を処理し、残りの時間は休止状態を維持する。トラフィックに一貫性がないとき、要求の頻度が低いと、計算能力はほとんど使用され得ない。トラフィックが急増すると、大量の計算能力が使用され得る。従来環境では、トラフィックの急増に対処するためにハードウェアの数を増やす必要があり得るが、トラフィックが停止するとハードウェアは無駄になることになる。しかしながら、サーバレス環境では、柔軟なスケーリングにより、トラフィックの急増時にのみ支払いを増やし、トラフィックの少ない期間にはコスト低減することが可能になっている。
本明細書に開示されるサーバレスアーキテクチャは、ストリーミングデータを統合及び処理することができる。ストリーミングデータは、複数のソースによって継続的に生成され、同時に処理されるデータである。サーバレスアーキテクチャは、データが生成されるときに、ストリーミングデータを迅速かつタイムリーに(例えば、実質的にリアルタイムで)収集して処理することができる。このことは、データを収集してデータベースに格納し、後で分析することとは対照的である。サーバレスアーキテクチャは、データをキャプチャして、変換して、分析するために特別に設計されたサービスを有し得る。これらのサービスは、ストリーミングデータを圧縮して、暗号化して、様々な種類のサードパーティアプリケーションと相互運用可能な形式に変換する自律機能を補完することができる。
自律機能は、プラットフォームが、例えば、認証、承認、データ統合、データ転送、データ処理、及び標準化などの多くのタスクを実施することができるようにすることが可能である。特定の自律機能は、外部アプリケーションプログラミングインターフェース(API)と通信し、アクセストークンを交換、保存、更新、及び削除して、アプリケーションの権限を管理する。自律機能の一部は、データをプラットフォームにプッシュ及びプルする接続アプリケーションからデータを取り出し、収集したすべてのデータをストリームに統合することができる。他の自律機能は、ストリーミングされたデータをプラットフォームの他の構成要素に転送することができる。他の自律機能の一部は、データを分類して、データを異なるファイル形式に変換し、冗長データを削除し、及び/又はデータを標準化することによってデータ処理することができる。他の自律機能の一部は、格納と分析のためにデータを前処理することができる。
プラットフォーム内のモジュールは、メンテナンスや更新を容易にするために切り離すことができる。本明細書に記載のモジュールは、互換的に構成要素と称され得る。逆に、本明細書に記載のモジュールは、1つ以上の構成要素を含み得、モジュールは、構成要素の群を備えるようになっている。モジュールを切り離すことにより、データはプラットフォーム構成要素を通過し、データ損失なく処理されることができる。例えば、トークンは1つの構成要素から別の構成要素にコピーされることができ、2つの構成要素は互いに依存しないように切り離され得る。場合によっては、1つの構成要素がストリームをリダイレクトするように構成され得、一方で別の構成要素が処理用に構成され得る。第3の構成要素はストレージ用に構成され得る。本明細書で開示されるプラットフォームは、モジュール式に設計されることができ、各モジュールは、1つ以上の他のモジュールへの相互運用上の依存を必要とせずに固有の機能を実施するように構成されている。
サーバレスアーキテクチャを有する本開示のプラットフォームは、ビッグデータ処理に最適であり、多くの異なるタイプ又は形式のデータを、健康及び栄養プラットフォーム又は他のサードパーティアプリケーションと互換性のある標準化された構造化形式に集約する柔軟性をプラットフォームにもたらしている。このプラットフォームは、ユーザからデータを収集することができ、また、様々なサードパーティアプリケーションからの複数のAPIと統合して、他のタイプのデータを収集することもできる。いくつかの実施形態では、プラットフォームは、食品オントロジーを作成することができ、これは様々なソース(例えば、インターネット、既存のデータベース、ユーザ入力など)から継続的に更新され、すべての食品タイプ(例えば、基本食品、パッケージ食品、レシピ、レストラン料理など)の情報のいずれかの取得可能情報を整理して分析する。いくつかの実施形態では、プラットフォームはまた、ユーザが、消費した食事、実施した運動又は活動、睡眠量、及び他の健康データに関する情報を手動で記録することを可能にすることができる。いくつかの実施形態では、プラットフォームのサードパーティアプリケーションとの統合は、プラットフォームが、多数のデータ収集デバイス及びサービス(例えば、モバイルデバイス、グルコースセンサ、ヘルスケアプロバイダデータベースなど)の間で個人化されたデータネットワークを生成することを可能にすることができ、代謝によって影響を受け得るか、又は代謝に影響を与え得る、あらゆるバイオマーカーの取得可能な情報(例えば、睡眠、運動、血液検査、ストレス、血糖値、DNAなど)を統合する。プラットフォームをMedtronic、Abbott、Dexcomなどの企業によって製造された医療デバイスと統合することで、デバイスの使用状況データや健康関連データなどのデータをプラットフォームに提供することができる。プラットフォームは、様々な食品が各個人にどのように影響するかについての洞察を引き出すために様々な情報を接続又は相互に関連付けることによって、食品オントロジー、手動ログ、及び個人化されたデータネットワークを合成することができ、各個人のために個人化された食品、及びウェルネス提案をさらに生成する。
プラットフォームの実施形態は、例えば、AMAZON(登録商標)Lambda、AMAZON(登録商標)S3、及びAMAZON(登録商標)Kinesisを含むAMAZON(登録商標)Web Service solutionsを利用することができる。他の実施形態は、GOOGLE(登録商標)Cloud Services又はMICROSOFT(登録商標)Azureなどのサービスからの類似のツールを利用することができる。
図面を参照した以下の説明は、プラットフォームが実装され得る環境の背景を提供し、プラットフォームの構造とともにプラットフォームを通るデータストリームについて詳しく説明する。図1は、いくつかの実施形態によるエコシステム100を示している。一態様では、エコシステム100は、システムアーキテクチャ又はプラットフォーム150を含むことができる。プラットフォームは、複数の異なるソース(例えば、デバイス110、インターネット120、及びデータベース(複数可)130)からデータを収集して集約することができる。図1に示されるように、エコシステム100は、デバイス110を含むことができる。デバイス110は、ウェアラブルデバイス112(例えば、スマートウォッチ、アクティビティトラッカー、スマートグラス、スマートリング、スマートパッチ、スマートファブリックなど)、モバイルデバイス114(例えば、携帯電話、スマートフォン、音声レコーダなど)、及び/又は医療デバイス116(例えば、グルコースモニタ、インスリンポンプ、血圧モニタ、心拍数モニタ、汗センサ、ガルバニック皮膚反応(GSR)モニタ、皮膚温度センサなど)を含むことができる。場合によっては、デバイス110は、家電製品(例えば、食物及び食習慣を追跡できるスマート冷蔵庫、消費されている食物の量及びタイプを追跡することができるスマート電子レンジなど)又はユーザの身体活動レベルを追跡できるゲーム機を含み得る。デバイス110は、互いに通信することができる。プラットフォーム150は、同時に、又は異なる時間インスタンスのいずれかで、1つ以上のデバイス110と通信することができる。
デバイス110は、1つ以上のセンサを備えることができる。センサは、信号を検出したり情報を取得したりするように構成されたデバイス、モジュール、ユニット、又はサブシステムのいずれかであり得る。センサの非限定的な例には、慣性センサ(例えば、加速度計、ジャイロスコープ、慣性測定ユニット(IMU)を形成し得る重力検出センサ)、位置センサ(例えば、グローバルポジショニングシステム(GPS)センサ、位置三角測量を可能にするモバイルデバイス送信機)、心拍数モニタ、温度センサ(例えば、外部温度センサ、皮膚温度センサ)、ユーザを取り巻く環境に関連するパラメータ(例えば、温度、湿度、輝度)を検出するように構成された環境センサ、容量性タッチセンサ、GSRセンサ、ビジョンセンサ(例えば、可視光、赤外線、又は紫外線を検出できるイメージングデバイス、カメラ)、熱イメージングセンサ、位置センサ、近接距離センサ(例えば、超音波センサ、光検出及び測距(LIDAR)、時刻飛行又は深度カメラ)、高度センサ、姿勢センサ(例えば、コンパス)、圧力センサ(例えば、バロメーター)、湿度センサ、振動センサ、オーディオセンサ(例えば、マイク)、フィールドセンサ(例えば、磁力計、電磁センサ、無線センサ)、HRVモニタで使用されるセンサ(例えば、心電図(ECG)センサ、心弾動図センサ、フォトプレチスモグラム(PPG)センサ)、血圧センサ、液体検出器、Wi-Fi、Bluetooth、セルラーネットワーク信号強度検出器、周囲光センサ、紫外線(UV)センサ、酸素飽和センサ、又はそれらの組み合わせ、又は本明細書の他の場所で説明されている他のセンサ又はセンシングデバイスが含まれ得る。センサは、ウェアラブルデバイス、モバイルデバイス、又は医療デバイスのうちの1つ以上に位置し得る。場合によっては、センサがユーザの体内に配置されることもある。
デバイス110はまた、プラットフォーム150と通信することができる任意のコンピューティングデバイスを含み得る。コンピューティングデバイスの非限定的な例は、モバイルデバイス、スマートフォン/携帯電話、タブレット、携帯情報端末(PDA)、ラップトップ若しくはノートブックコンピュータ、デスクトップコンピュータ、メディアコンテンツプレーヤー、テレビ、ビデオゲームステーション/システム、仮想現実システム、拡張現実システム、マイク、又は様々なタイプの健康、栄養、若しくは食品データを分析、受信、提供、又は表示することが可能な任意の電子デバイスを含み得る。デバイスはハンドヘルドオブジェクトであり得る。デバイスはポータブルであり得る。デバイスは、人間のユーザにより携帯され得る。場合によっては、デバイスは人間のユーザから遠隔で位置し得、ユーザは無線及び/又は有線通信を使用してデバイスを制御することができる。
プラットフォーム150は、インターネット120及びデータベース(複数可)130(例えば、他の食品、栄養、又はヘルスケアプロバイダ)と通信することができる。例えば、プラットフォームは、電子医療記録(EMR)を収容しているヘルスケアデータベースと通信し得る。いくつかの実施形態では、データベース(複数可)130は、Hadoop分散ファイルシステム(HDFS)のような非構造化データベース又は非構造化形式で格納されたデータを含み得る。HDFSデータストアは、非構造化データのストレージを提供することができる。HDFSは、スケーラブルで信頼性の高いデータストレージを提供するJavaベースのファイルシステムであり、コモディティサーバの大規模なクラスタにまたがるように設計されることができる。HDFSデータストアは、MapReduceなどの並列処理アルゴリズムに有用になり得る。
プラットフォーム150はまた、追加のデータベース(複数可)240と通信して、プラットフォーム150によって収集又は生成される任意のデータ又は情報を格納することができる。追加のデータベース(複数可)240は、安全なクラウドデータベースのコレクションであり得る。複数の異なるソースからのデータは、異なるタイプ又は形式のデータ(構造化データ及び/又は非構造化データ)を含み得る。場合によっては、データは、デバイス110、センサ、又は監視システムのうち1つ以上によって収集された時系列データを含み得る。時系列データは、定期的なセンサ読み取り値又は他のデータを含み得る。プラットフォームは、数十、数百、数千、数十万、又は数百万の範囲のデバイスに及ぶ、任意の数又はタイプのデバイスからデータを受信することができる。プラットフォーム150は、異なるタイプ又は形態のデータを標準化された構造化形式に変換することにより、データのソースにとらわれない様式で、異なるタイプ又は形態のデータの各々を継続的に処理することができる。標準化された構造化形式の変換されたデータは、健康及び栄養のプラットフォームと互換性があり得る。本明細書の他の場所で説明されるように、プラットフォーム150は、健康及び栄養プラットフォームの一部と統合されることができるか、又は健康及び栄養プラットフォームの一部として提供されることができる。いくつかの実施形態では、プラットフォーム150は、健康及び栄養プラットフォームとは別に提供され得る。
プラットフォーム150は、ストリーミングデータを相互に転送することができる一組の構成要素(又はモジュール)を含み得る。いくつかの実施形態では、データは、AMAZON(登録商標)Kinesisデータストリームを使用して保持キューに格納され得る。いくつかの実施形態では、データは、1人以上の個別ユーザに固有の食品、健康、又は栄養のデータを含み得る。プラットフォーム150は、健康及び栄養プラットフォームからの情報の一部を使用して、標準化された構造化形式に変換されたデータを分析することができる。いくつかの実施形態では、プラットフォーム150は、1つ以上の機械学習モデル又は自然言語処理(NLP)技術を使用して、標準化された構造化データを分析することができる。本開示で使用され得る機械学習モデル又はアルゴリズムは、教師あり(又は予測)学習、半教師あり学習、能動学習、教師なし機械学習、又は強化学習を含み得る。
人工知能はコンピュータサイエンスの分野であり、人間のように機能して反応するインテリジェントマシンの形成を強調している。人工知能を備えたコンピュータが設計されている活動のいくつかには、学習が含まれる。人工知能アルゴリズムの例には、キーラーニング、アクター批評方法、深層強化決定論的方策勾配法(DDPG)、マルチエージェント深層強化決定論的方策勾配法(MADDPG)などが含まれるが、これらに限定されない。機械学習とは、人間の知識の技術開発に向けた人工知能規律を指す。
機械学習は、新しいシナリオへの露出、テスト、適応を通じてコンピューティングの継続的な進歩を促進し、同時に、改善された意思決定とその後の同じではない状況のためのパターンと傾向の検出を採用している。機械学習(ML)アルゴリズム及び統計モデルは、明示的な指示を使用せずに、パターンと推論に依存して、特定のタスクを効果的に実施するためにコンピュータシステムによって使用されることができる。機械学習アルゴリズムは、タスクを実施するように明示的にプログラムされていなくても予測や決定を行うために、「トレーニングデータ」として知られるサンプルデータに基づいて数学モデルを構築する。機械学習アルゴリズムは、タスクを実施するための特定の命令のアルゴリズムを開発することが不可能なときに使用されることができる。
例えば、教師あり学習アルゴリズムは、入力と目的の出力の両方を含むデータセットの数学モデルを構築する。このデータはトレーニングデータとして知られ、一連のトレーニング例で構成されている。各トレーニング例は、1つ以上の入力、及び監視信号としても知られる所望の出力を有する。半教師あり学習アルゴリズムの場合、一部のトレーニング例は、所望の出力が欠如している。数学モデルでは、各トレーニング例は、配列又はベクトルで表され、トレーニングデータは行列で表されている。目的関数の反復最適化を通じて、教師あり学習アルゴリズムは、新しい入力に関連付けられた出力を予測するために使用できる関数を学習する。最適な関数は、アルゴリズムが、トレーニングデータの一部ではなかった入力の出力を正しく決定することを可能にする。経時的にその出力又は予測の精度を向上させるアルゴリズムは、そのタスクを実施することを学習したものである。教師あり学習アルゴリズムには、分類と回帰が含まれる。分類アルゴリズムは、出力が限られた値のセットに制限される場合に使用され、回帰アルゴリズムは、出力が範囲内の任意の数値を有し得る場合に使用される。類似性学習は、回帰及び分類に密接に関連する教師あり機械学習の領域であるが、目標は、2つのオブジェクトの類似性又は関連性を測定する類似性関数を使用して例から学習することである。
強化学習は、累積リワードの一部の概念を最大にするように、ソフトウェアエージェントが環境内でどのようにアクションを行うべきかに関する機械学習の分野である。その一般性により、本分野は、ゲーム理論、制御理論、オペレーションズリサーチ、情報理論、シミュレーションベースの最適化、マルチエージェントシステム、群知能、統計、及び遺伝的アルゴリズムなど、他の多くの分野で研究されている。機械学習では、環境は、典型的に、マルコフ決定過程(MDP)として表される。多くの強化学習アルゴリズムは、動的計画法を使用している。強化学習アルゴリズムは、MDPの正確な数学的モデルの知識を前提とせず、正確なモデルが実現不可能な場合に使用される。
予測モデリング及び他のタイプのデータ分析では、1つのデータサンプルに基づく単一モデルには偏り、高い変動性、又は完全な不正確さがあることがあり、分析結果の信頼性に影響を与えることがある。異なるモデルを組み合わせるか、又は複数のサンプルを分析することで、これらの制限の影響は低減されることができ、より良い情報を提供する。したがって、アンサンブル手法が、複数の機械学習アルゴリズムを使用して、構成要素の学習アルゴリズムのいずれかから得られるよりも優れた予測パフォーマンスを得ることができる。
アンサンブルは、トレーニングして予測に使用できることから、教師あり学習アルゴリズムである。したがって、トレーニングされたアンサンブルは、それが構築されたモデルの仮説空間内に必ずしも含まれているとは限らない単一の仮説を表す。したがって、アンサンブルは、それらが表すことができる関数においてより柔軟性を有するとして示され得る。アンサンブルモデルは、予測が組み合わされた、個別にトレーニングされた分類器(ニューラルネットワークや決定木など)のセットを含むことができる。
例えば、アンサンブルモデリングの一般的な例の1つは、ランダムフォレストモデルであり、これは複数の決定木を活用し、様々な変数とルールに基づいて結果を予測するように設計された分析モデルのタイプである。ランダムフォレストモデルは、異なるサンプルデータを分析するか、異なる要因を評価するか、又は共通変数に異なる重みを付け得る決定木をブレンドする。次に、様々な決定木の結果が単純な平均に変換されるか、又はさらに重み付けされて集計される。Hadoop及び他のビッグデータテクノロジーの出現により、より大容量データが保存及び分析されるようになり、このことが分析モデルが異なるデータサンプルで実行されることを可能にした。
実装に応じて、任意の数の機械学習モデルが、アンサンブルモデルを最適化するために組み合わせられることができる。機械学習モデルで実装できる機械学習アルゴリズム又はモデルの例は、限定されるものでないが、以下のものが含まれ、それらは、線形回帰、ロジスティック回帰、K-meansクラスタリングなどの回帰モデル、1つ以上の決定木モデル(例えば、ランダムフォレストモデル)、1つ以上のサポートベクターマシン、1つ以上の人工ニューラルネットワーク、1つ以上の深層学習ネットワーク(例えば、少なくとも1つのリカレントニューラルネットワーク、深層学習を使用したシーケンスからシーケンスへのマッピング、深層学習を使用したシーケンスエンコーディングなど)ファジー論理ベースのモデル、遺伝的プログラミングモデル、ベイジアンネットワーク又は他のベイジアン手法、確率的機械学習モデル、ガウス処理モデル、隠れマルコフモデル、自己回帰移動平均(ARMA)モデル、自己回帰和分移動平均(ARIMA)モデル、自己回帰条件付きヘテロスケダスティシティ(ARCH)モデルなどの時系列手法、一般化された自己回帰条件付き不均一分散(GARCH)モデル、移動平均(MA)モデル又は他のモデル、及び上記のいずれかからヒューリスティックに導出された組み合わせなどである。機械学習アルゴリズムのタイプは、それらの手法、入出力するデータのタイプ、及び解決しようとしているタスク又は問題のタイプが異なっている。
隠れマルコフモデル(HMM)は、統計的マルコフモデルであり、ここではモデル化されているシステムが観測されていない(隠れ)状態のマルコフ過程であると想定されている。HMMは、最も単純な動的ベイジアンネットワークと見なされることができる。ベイジアンネットワーク、信念ネットワーク、又は有向非巡回グラフィカルモデルは、確率的グラフィカルモデルであり、これは確率変数のセットと条件付き独立性を有向非巡回グラフ(DAG)とともに表す。変数のシーケンスをモデル化するベイジアンネットワークは、動的ベイジアンネットワークと称される。不確実性の下での決定問題を表現及び解決することができるベイジアンネットワークの一般化は、影響図と称される。
サポートベクターネットワークとしても知られているサポートベクターマシン(SVM)は、分類及び回帰に使用される関連する教師あり学習方法のセットである。各々が2つのカテゴリのうちの1つに属するとマークされた一連のトレーニング例が与えられると、SVMトレーニングアルゴリズムは、新しい例が一方のカテゴリに分類されるか、又は他方のカテゴリに分類されるかを予測するモデルを構築する。SVMトレーニングアルゴリズムは、非確率的、バイナリ、線形分類器である。線形分類の実施に加えて、SVMは、カーネルトリックと呼ばれるものを使用して非線形分類を効率的に実施し、入力を高次元の特徴空間に暗黙的にマッピングすることができる。
決定木学習は、決定木を予測モデルとして使用して、アイテムに関する観察(ブランチで表される)からアイテムのターゲット値に関する結論(リーフで表される)に移行する。ターゲット変数が離散的な値のセットを取ることができるツリーモデルは、分類ツリーと称され、これらのツリー構造では、リーフはクラスラベルを表し、ブランチはそれらのクラスラベルにつながる特徴の連結を表す。ターゲット変数が連続値(典型的には実数)を取ることができる決定木は、回帰木と称される。意思決定分析では、決定木が意思決定と意思決定プロセスを視覚的かつ明示的に表すために使用されることができる。
深層学習アルゴリズムは、機械学習で使用されるアルゴリズムのコレクションを参照することができ、これらのアルゴリズムは、複数の非線形変換で構成されるモデルアーキテクチャを使用して、高レベルの抽象化とデータをモデル化するために使用される。深層学習は、ニューラルネットワークの構築及びトレーニングに使用される特有のアプローチである。深層学習は、人工ニューラルネットワーク内の複数の隠れ層で構成されている。深層学習アルゴリズムの例には、例えば、シャムネットワーク、転移学習、リカレントニューラルネットワーク(RNN)、長短期記憶(LSTM)ネットワーク、畳み込みニューラルネットワーク(CNN)、トランスフォーマなどが含まれる。例えば、深層学習アプローチは、長短期記憶(LSTM)や¥及びゲート付き回帰ユニット(GRU)などの自動回帰リカレントニューラルネットワーク(RNN)を利用することができる。RNN(及びバリアント)を使用した時系列予測のためのニューラルネットワークアーキテクチャの1つは、自動エンコーダとして機能する自己回帰seq2seqニューラルネットワークアーキテクチャである。
いくつかの実施形態では、アンサンブルモデルは、1つ以上の深層学習アルゴリズムを含むことができる。任意の数の異なる機械学習技術も利用できることに留意されたい。実装に応じて、アンサンブルモデルは、ブートストラップ集約アンサンブルアルゴリズム(バギング分類器メソッドとも称される)として、ブースティングアンサンブルアルゴリズム又は分類器アルゴリズムとして、スタッキングアンサンブルアルゴリズム又は分類器アルゴリズムとして、モデルのバケットアンサンブルアルゴリズムとして、ベイズ最適分類アルゴリズムとして、ベイジアンパラメータ平均化アルゴリズムとして、ベイジアンモデル組み合わせアルゴリズムとしてなどで実装されることができる。
バギングと略されることが多いブートストラップ集約は、アンサンブル内の各モデルに同じ重みで投票させる必要がある。モデル分散を促進するために、バギングは、トレーニングセットのランダムに描かれたサブセットを使用して、アンサンブル内の各モデルをトレーニングする。一例として、ランダムフォレストアルゴリズムは、ランダム決定木とバギングとを組み合わせて、非常に高い分類精度を実現している。バギング分類器又はアンサンブル法は、トレーニングセットのランダムな再配布で各分類器をトレーニングすることにより、そのアンサンブルの個体を作成する。各分類器のトレーニングセットは、N個の例を置き換えてランダムに描画することで生成することができ、ここで、Nは元のトレーニングセットのサイズであり、元の例の多くは、結果のトレーニングセットで繰り返されることができ、一方で他の例は残され得る。アンサンブル内の各個別の分類器は、トレーニングセットの異なるランダムサンプリングで生成されている。バギングは、トレーニングセットの小さな変化が予測に大きな変化をもたらす「不安定な」学習アルゴリズム(例えば、ニューラルネットワークや決定木)において効果的である。
対照的に、ブーストでは、各新規モデルインスタンスをトレーニングして、以前のモデルが誤って分類したトレーニングインスタンスを強調することにより、アンサンブルを段階的に構築する。場合によっては、ブーストはバギングよりも精度が高いことが示されているが、トレーニングデータに適合しすぎる傾向もある。ブースティング分類器は、シリーズの分類器を生成するために使用することができる一連の方法を参照できる。シリーズの各メンバーに使用されるトレーニングセットは、シリーズの以前の分類器(複数可)のパフォーマンスに基づいて選択されている。ブースティングでは、シリーズ内の前の分類器によって誤って予測された例が、正しく予測された例よりも頻繁に選択されている。したがって、ブーストは、現在のアンサンブルのパフォーマンスが低い例を、より良好に予測することができる新しい分類器を生成する試みを後押しする。ブースティングの一般的な実装は、Adaboostであるが、より良好な結果を達成するために、いくつかのより新しいアルゴリズムが報告されている。
スタッキング(スタック一般化と呼ばれることもある)は、他のいくつかの学習アルゴリズムの予測を組み合わせるための学習アルゴリズムのトレーニングを伴う。スタッキングは2つのフェーズで機能し、複数の基本分類器が、クラスを予測するために使用され、次に、新規学習者が汎化誤差を低減する目的で、予測を組み合わせるために使用されている。最初に、他のアルゴリズムのすべてが、利用可能なデータを使用してトレーニングされ、次に、組み合わせアルゴリズムがトレーニングされて、他のアルゴリズムのすべての予測を追加の入力として使用して最終的な予測を行う。任意の組み合わせアルゴリズムが使用される場合、次にスタッキングは、理論的には本書に記載のアンサンブル手法のいずれかを表すことができるが、実際には、ロジスティック回帰モデルが多くの場合コンバイナーとして使用される。
「モデルのバケット」は、モデル選択アルゴリズムを使用して各問題に最良のモデルを選択するアンサンブル手法である。1つの問題のみでテストした場合、モデルのバケットはセット内の最良のモデルよりも優れた結果を生成することができないが、多くの問題にわたって評価した場合、典型的に、セット内のどのモデルよりも平均してはるかに良好な結果を生成する。モデル選択に使用される一般的なアプローチの1つは、相互検証選択(「ベイクオフコンテスト」と呼ばれることもある)である。相互検証の選択は、トレーニングセットですべてを試し、最も効果的な1つを選択することで要約することができる。ゲーティングは、相互検証選択の一般化である。これには、別の学習モデルをトレーニングして、バケット内のどのモデルが問題解決に最適かを判断することが含まれる。多くの場合、パーセプトロンはゲーティングモデルに使用される。「最良の」モデルを選択するために使用することもでき、バケット内の各モデルからの予測に線形の重みを与えるために使用することもできる。モデルのバケットが多数の問題で使用される場合、トレーニングに時間がかかる一部のモデルのトレーニングを回避することが望ましくなり得る。ランドマーク学習は、この問題を解決しようとするメタ学習アプローチである。これには、バケット内の高速(ただし不正確)アルゴリズムのみをトレーニングし、次いで、これらのアルゴリズムのパフォーマンスを使用して、どの低速(ただし正確)アルゴリズムが最も効果的であるかを判断することを補助することが含まれる。
ベイズの最適分類器は分類手法である。これは仮説空間内のすべての仮説のアンサンブルである。平均して、他のアンサンブルがそれを上回ることはできない。単純ベイズ最適分類器は、データが条件付きでクラスに依存しないことを前提とし、計算をより実現可能にするバージョンである。各仮説には、その仮説が真である場合にトレーニングデータセットがシステムからサンプリングされる可能性に比例した投票が与えられている。有限サイズのデータのトレーニングを容易にするために、各仮説の投票はまた、その仮説の事前確率が掛けられている。しかしながら、ベイズの最適分類器によって表される仮説は、アンサンブル空間(すべての可能なアンサンブルの空間)における最適な仮説である。
ベイズパラメータ平均化(BPA)は、仮説空間から仮説をサンプリングし、ベイズの法則を使用してそれらを組み合わせることにより、ベイズの最適分類器を近似させようとするアンサンブル手法である。ベイズの最適分類器とは異なり、ベイズモデル平均化(BMA)は実際的に実装することができる。仮説は、典型的に、MCMCなどのモンテカルロサンプリング手法を使用してサンプリングされる。例えば、分布を表す仮説を立てるためにはギブスサンプリングが使用され得る。特定の状況下では、仮説がこのように立てられベイズの法則に従って平均化されると、この手法には、ベイズ最適分類器の予想誤差の最大2倍に制限される予想誤差があることが示されている。
ベイジアンモデルの組み合わせ(BMC)は、ベイジアンモデルの平均化(BMA)に対するアルゴリズム修正である。アンサンブル内の各モデルを個別にサンプリングする代わりに、可能なアンサンブルの空間から(均一なパラメータを有するディリクレ分布からランダムに抽出されたモデルの重みを使用して)サンプリングする。この変更は、BMAが単一のモデルにすべての重みを与える方向に収束する傾向を克服する。BMCは、BMAよりも計算コストがいくらか高くなるが、はるかに優れた結果が得られる傾向がある。BMCの結果は、BMAやバギングよりも平均して(統計的に有意に)優れていることが示されている。モデルの重みを計算するためにベイズの法則を使用するには、各モデルに与えられたデータの確率を計算する必要がある。典型的に、アンサンブル内のどのモデルも、トレーニングデータが生成された正確な分布ではなく、そのため、すべてのモデルは、この項のゼロに近い値を正しく受け取ることになる。アンサンブルがモデル空間全体をサンプリングするのに十分な大きさである場合、これはうまく機能するが、そのようなことはまれである。その結果、トレーニングデータの各パターンにより、アンサンブルの重みが、トレーニングデータの分布に最も近いアンサンブルのモデルに向かってシフトするようになる。それは本質的に、モデル選択を行うための不必要に複雑な方法に減少する。アンサンブルのための可能な重み付けは、シンプレックス上にあるものとして視覚化され得る。シンプレックスの各頂点では、すべての重みがアンサンブル内の単一モデルに与えられている。BMAは、トレーニングデータの分布に最も近い頂点に向かって収束する。対照的に、BMCは、この分布がシンプレックスに投影されるポイントに向かって収束する。換言すると、生成分布に最も近いモデルを1つ選択する代わりに、生成分布に最も近いモデルの組み合わせを探す。BMAの結果は、多くの場合、相互検証を使用してモデルのバケットから最良のモデルを選択することで概算できる。同様に、BMCからの結果は、相互検証を使用して、可能な重み付けのランダムサンプリングから最適なアンサンブルの組み合わせを選択することで概算され得る。
再び図1を参照すると、標準化された構造化データの分析に基づいて、プラットフォーム150は、複数の個別ユーザの各々について、個人化された食事及び健康のアドバイス又は提案をさらに生成することができる。
APIゲートウェイを使用してプラットフォームに接続することにより、データをプラットフォーム150に入力することができる。したがって、データは、APIゲートウェイを介してプラットフォームに接続する複数のアプリケーションプログラミングインターフェース(API)を介して、複数の異なるソースから収集されて集約されることができる。データは、自律機能を使用してプラットフォームに集約、処理、及び格納され得、自律機能は、受信データがプラットフォーム内の様々なモジュール又は構成要素を介してストリーミングされるときにトリガーされている。プラットフォーム内の構成要素/モジュールは互いに切り離されることができ、それによりメンテナンス、更新、及び再利用が容易になることを確実にしている。プラットフォームによるデータの処理は、基盤となるAPIへの変更や更新の影響を受けない。プラットフォームでサーバレスアーキテクチャを使用すると、基盤となるAPIに変更や更新が行われたときに、データを失うことなくデータを処理することができるようにする。
プラットフォーム150は、リアルタイム又はニアリアルタイムで大量のストリーミングデータを処理するように構成されることができる。いくつかの実施形態では、プラットフォームは、複数の異なるソースからデータを収集、集約、及び処理することができる。データは、1日を通して均等又は不均等に分布する少なくとも106のオーダの毎日のデータポイントを含み得る。データの一部は、ミリ秒のオーダでAPIゲートウェイから取り出されることができる。場合によっては、プラットフォーム150は、リアルタイムで処理できないバルクデータを受信することができる。プラットフォームは、大量のデータの分析を可能にするように構成されたParquetのようなファイル形式でデータを出力することができる。
図2は、いくつかの実施形態によるプラットフォーム150のブロック図を示している。プラットフォームは、トークンモジュール210、取り出しモジュール230、パイプラインモジュール250、標準化モジュール270、及びストレージモジュール290を含み得る。モジュールは、機能、ストレージユニット、又はデータを認証し、向け、格納し、又は処理することができるアプリケーションのグループを表し得る。データは、モジュールを直列に流れることができるが、各構成要素内に設けられた自律機能は、直列又は並列様式で配置することができる。プラットフォームに接続されたAPIは、トークンモジュール210を使用して認証され、かつ承認されることができる。取り出しモジュール230は、接続されたアプリケーションからデータを取り出するように構成されることができる。パイプラインモジュール250は、さらなる処理又は格納のために、データをホストされたサードパーティアプリケーションに向けるように構成されることができる。標準化モジュール270は、データを処理してデータを標準化された構造化形式に変換することができる。標準化された構造化データは、例えば、本明細書に記載の1つ以上の機械学習モデルを使用して、プラットフォーム内でさらに分析されることができる。代替的に、標準化された構造化データは、分析のために1つ以上のサードパーティアプリケーションにエクスポートされることもできる。最後に、ストレージモジュール290は、処理されたデータを格納し、受動的データ収集を監視し、そして異なるタイプの分析に使用されるデータを準備することができる。
トークンモジュール210は、外部API及びデータサービスを統合することができ、これらの外部APIを承認及び認証する役割を担っている。トークンモジュール210は、サードパーティアプリケーションを認証するときに、それ自体をトークンモジュールとして表すか、又は表さない可能性がある。例えば、トークンモジュール210は、外部API及びデータサービスと通信するとき、それ自体をプラットフォーム150として、又はサードパーティアプリケーションからデータを収集する他のサービスとして表すことができる。このことは、トークンモジュール210が、それらのアイデンティティを変化させずにサードパーティアプリケーションによってサービスを匿名化することを可能にすることができる。したがって、異なるエンティティ(例えば、企業)によって提供される1つ以上のサードパーティアプリケーションへのアクセスを管理するためにトークンモジュールが使用され得る。
トークンモジュール210は、トークンを作成、更新、及び削除することができる。トークンモジュールは、既存のトークンをリフレッシュし、トークン変更に関する通知の更新情報を提供することができる。トークンモジュール210によって作成されたトークンは、複製され、トークンモジュールから切り離され、独立している取り出しモジュールに転送され得る。新しいトークンが生成される度に、新しいトークンは、トークンモジュールに格納されることに加えて、取り出しモジュールで個別に複製され得る。作成されたトークンには有効期限があることがある。許可を維持するために、トークンモジュール210は、スケジュールに基づいて取り出しモジュール230にトークンを発行することができる。いくつかの実施形態では、取り出しモジュール230は、必要なトークンを持たないとき、又はトークンが適切に機能していないとき、単純な通知サービスを使用して、トークンモジュール210にメッセージを送信することができる。
トークンモジュール210は、OAuthを使用して外部APIを統合することができる。ユーザは、プラットフォーム150を使用してアプリケーションにログインすることができる。プラットフォームのAPIを使用して、アプリケーションは、ユーザと1つ以上の追加のサードパーティアプリケーションとの間の認証プロセスの開始を要求することができる。ユーザが1つ以上のサードパーティアプリケーションによって認証されると、プラットフォームを使用するアプリケーションは、プラットフォーム150に格納されているアクセストークンを受信する。認証プロセスでは、OAuth1.0又はOAuth2.0を使用することができる。
取り出しモジュール230は、プラットフォーム150に接続されたAPIからデータを取り出すことができる。取り出しモジュール230は、とりわけ、多くのタイプのアプリケーション、ウェアラブルデバイス、モバイルデバイス、医療デバイス、データセット、データソースと統合するためのプラットフォームのハブとして機能することができる。取り出しモジュールは、様々なデバイスとインターフェースしてデータを受信することができる。データは、対応するアプリケーションによって通常エクスポートされる形式で受信されることができる。取り出しモジュール230は、多くの異なるアプリケーションからのデータをストリームに統合することができる一連の処理機能を備えることができる。データは非同期的に統合されることができ、所定の期間ストリームに保持される。データが受信されストリームに統合された後、データは、データパッケージとして処理のために他のモジュールに向けられることができる。取り出しモジュールは、他のモジュールから切り離され、独立していることができる。例えば、取り出しモジュールは、データを収集して集約するだけのために構成され得、データを保持するか、格納するか、又は処理するように構成され得ない。
取り出しモジュール230は、データをプルし、プッシュされたデータを受信するように構成されることができる。データは、接続されたAPIから直接収集され得るか、又はモバイルデバイスから受信され得る。これらの実施形態では、モバイルデバイスアプリケーションからのデータは、AMAZON(登録商標)S3バケットなどのバケットオブジェクトに格納され得る。プッシュ及びプルされたデータは、同時に、又は異なる時間に受信され得る。受信したプッシュ及びプルされたデータは、データストリームに移動され得る。データは、様々な段階で処理機能を使用して、プラットフォーム内の様々なモジュールに送信され得る。データストリームは、データレコードのキューであるデータシャードを含み得る。シャードの数を変更すると、データが処理される速度を変更することができる。したがって、プラットフォームは、ストリーム内のシャードの数を制御することによってデータが処理される速度を制御することができる。各データストリームは、データをストリームで保持する期間を指定する保持ポリシーを有し得る。いくつかの実施形態では、データは、24時間~168時間の範囲の期間で保持され得る。各シャードは、(1)キューに入り、(2)保持ポリシーの満了時にキューから出るデータレコードの文字列を備え得る。保持期間内の任意の時点で、キュー内の以前のデータレコードが見られることができ、ストリームは、以前の履歴状態へと繰り返されることができる。この期間が満了すると、データレコードがキューから出ることができる。個々のサービスは、1つのタイプからデータをプッシュすることができ、取り出しモジュール230によってプルされた別のタイプのデータを有することができる。いくつかの実施形態では、データレコードの文字列は、複数の個別ユーザに固有の食品消費、健康、又は栄養の記録を含み得る。アプリケーションからのデータのプルは、時間ベースのタスクスケジューラによって定期的に実施され得る。データがプラットフォーム150にプルされ得るアプリケーションの例は、Withingsなどのサードパーティアプリケーションを含み得る。
取り出しモジュール230はまた、データをプラットフォームにプッシュするアプリケーションからデータを取り出すことができる。データをプラットフォームにプッシュすることができるサービス及びデバイスの例は、Abbott FreeStyle Libre、Garmin、FitBitなどを含み得る。これらのデバイスは、プラットフォーム150に通知を送信することができ、この通知は、取り出しモジュール230によって受信されることができる。それに応答して、取り出しモジュール230は、これらのアプリケーションからデータをプルすることができ、データを1つのストリーム又は複数のストリームに統合/格納することができる。場合によっては、データは通知と同時にプラットフォームに送信されることができ、したがって、取り出しモジュール230がそれに応答してデータをプルする必要がなくなる。いくつかの実施形態では、取り出しモジュール230は、トークンモジュール210によって作成されたトークンを格納することもできる。トークンは、取り出しモジュールに設けられたサーバレスデータベースに格納され得る。
パイプラインモジュール250は、プラットフォーム150を通るデータの流れを制御することができる。パイプラインモジュール250は、サードパーティアプリケーションへのデータ転送を容易にすることができ、その例には、Welltok、Medtronicなどが含まれ得る。パイプラインモジュール250はまた、プラットフォーム内のストリーミングアプリケーションにデータを転送することもできる。データは、イベントに応答してトリガーされる自律機能を使用して転送されることができる。イベントには、オブジェクトの作成、及びSNSメッセージなどの通知メッセージの受信が含まれ得る。いくつかの実施形態では、パイプラインモジュール250は、AMAZON(登録商標)ラムダ関数及びAMAZON(登録商標)S3バケットを使用するAMAZON(登録商標)Kinesisストリームによって実装されることができる。Kinesisは、イベントに応答して、プラットフォーム内の様々なリソースにデータを向けるラムダ関数をトリガーすることができる。イベントは、ストリーム内のデータシャードの受信であり得る。
標準化モジュール270は、サードパーティアプリケーションによって読み取られるか、又は標準化されたデータファイルに対して実施された分析を有することができる、標準化されて、統合された構造化データファイルを作成することによって、プラットフォーム150を介したデータストリーミングを管理及び処理することができる。標準化モジュール270は、データストリーム上で異なる処理機能を実装することができる要素のセットを含み得る。処理機能は、データの分類、異なる形式への変換、及び冗長データの削除を含み得る。処理されたデータストリームは、保存されるか、キャッシュされるか、又は追加のデータストリームに向けられ得る。
ストレージモジュール290は、プラットフォームの受動的データ収集アクティビティを管理することができる。データ収集アクティビティの管理は、受動的データ収集SDKによってプルされたストリーミングデータのログを保持すること、及びストリーミングデータを分析し、分類し、格納することを含み得る。ストレージモジュール290は、モバイルデバイス上の接続されたアプリケーション又はネイティブアプリケーションからプルされたデータに対して自動的に分析を実施することができる。モバイルデバイスカメラは、画像データを受動的に収集することができ、画像データは、受動的データ収集ソフトウェア開発キット(SDK)によってストレージモジュール290にプッシュされ得る。ストレージモジュール290は、ニューラルネットワークで構築された二項分類器を使用して、画像が食品を含むものか、又は含まないものかのいずれかに分類することができる。このデータは、分析前に前処理又は暗号化されることがある。
以下の図の説明では、プラットフォーム150内の各モジュールは、1つ以上の構成要素を含むものとして説明することができる。これらの構成要素は各々、1つ以上の自律機能、データストリーム、ストリーミングアプリケーション、ストレージバケット、又は他の構成要素のグループを含み得、論理的に接続され、タスクを実施するためのグループとして構成されている。プラットフォーム150を介してストリーミングされたデータは、これらのグループ内の1つ以上の自律機能をトリガーすることができる。例えば、AMAZON(登録商標)Lambda関数は、AMAZON(登録商標)Kinesisデータストリーム又はAMAZON(登録商標)A3イベントを使用してトリガーすることができる。例えば、Kinesisは、ストリームに新規レコードを検出したときにLambda関数をトリガーすることができる。DynamoDBテーブルに書き込まれたレコードに応答して、関数がトリガーされることもできる。AMAZON(登録商標)Lambdaは、新しい記録がいつ利用可能になるかを判断するために、これらのソースをポーリングすることができる。
図3は、いくつかの実施形態によるトークンモジュール210の構成要素を示している。トークンモジュール210は、認証並びにトークン作成構成要素330、トークンリフレッシュ構成要素360、及びトークンストレージ構成要素390を含み得る。
認証及びトークン作成構成要素330は、外部APIと通信することができる。認証及びトークン作成構成要素は、URLで接続要求を受信し、要求を保存することができる。トークンは、ユーザアクセストークンであり得る。トークンは、有効期限、権限、及び識別子を含むことができる。いくつかの実施形態では、要求はテーブル内に格納され得る。認証及びトークン作成構成要素はまた、認証URLを維持することができる。ユーザが認証された後、コールバック関数はユーザを認証URLに戻ることができる。外部APIが認証及び承認されると、承認及びトークン作成構成要素は、トークンモジュール210に格納されているトークンを発行することができる。トークンはまた、テーブルに保存されることもできる。認証及びトークン作成構成要素はまた、トークンを複製し、複製されたトークンを取り出しモジュール230に転送することができる。トークンの有効期限などのトークン情報は、トークンとともに取り出しモジュール230にコピーすることができる。トークンはまた、有効期限が切れたときに構成要素330を使用して削除されることもできる。
トークンリフレッシュ構成要素360は、スケジューリング構成要素であり得、これは、定期的に実行し、既存のトークンの有効期限をチェックし、まもなく有効期限が切れるトークンをリフレッシュする。トークンリフレッシュ構成要素360は、トークンの加入者を更新することができる。通知は、トークンステータスの変更に関する更新情報を提供できる。トークンリフレッシュ構成要素は、例えば、単純な通知サービスを使用して構成要素を更新し得る。トークンストレージ構成要素390は、プラットフォーム内のトークンの記録を保持することができる。トークンが作成又はリフレッシュされると、これらはトークンストレージ構成要素390に格納されることができる。
図4は、いくつかの実施形態による、取り出しモジュール230の構成要素を示している。取り出しモジュール230は、トークンストレージ構成要素420、データプッシュ構成要素450、データプル構成要素480、及びデータ統合構成要素490を含み得る。
トークンストレージ構成要素420は、トークンモジュール210によって作成されたトークンを格納することができる。トークンストレージ構成要素はまた、トークンモジュール210からリフレッシュされたトークンを取り出すこともできる。トークンモジュール210がAPIを認証するとき、トークンモジュール210は、新しいトークンを作成するために取り出しモジュールにメッセージを送信することができる。メッセージはトークン情報を含み得る。作成されたトークンはテーブルに格納され得る。再発行されたトークンはまた、テーブルに格納され得る。トークンストレージ構成要素420は、トークンモジュール210からの通知を受信して、すでに格納されているトークンを更新することができる。例えば、トークンストレージ構成要素420は、トークンモジュール420からのトークンのタイムゾーンフィールドを更新するためのコマンドを受信することができる。トークンストレージ構成要素420は、既存のまもなく期限切れになるトークンを新しいトークンと交換するための通知を受信することができる。
データプッシュ構成要素450は、外部APIが取り出しモジュール230にデータをプッシュすることを可能にし得る。外部APIは、APIゲートウェイを用いて取り出しモジュール230と通信することができる。データプッシュ構成要素450は、外部APIからの通知をサブスクライブすることができる。データが利用可能である場合、データプッシュ構成要素450は、外部APIによってプッシュされているデータを取り出すように促され得る。このデータはローカルに格納され得る。取り出しモジュール230は、1つ以上のストレージバケットなどの1つ以上のオブジェクトに生の応答データを格納することができる。
データプル構成要素480は、外部APIからデータをプルすることができる。データは、取り出しモジュール480に格納された有効なトークンを有するAPIから、スケジュールに基づいてプルされ得る。データプル構成要素480は、ストリーミングに利用可能なすべてのデータを提供することができない。代わりに、データプル構成要素480は、このデータの部分サブセットをデータ統合構成要素490に提出することができる。
データ統合構成要素490は、(a)データプッシュ構成要素450からプッシュされたデータ、及び(b)データプル構成要素480からプルされたデータを、データストリームに配置することができる。本明細書で使用される「統合」という用語は、サードパーティアプリケーションから受信したデータを1つ以上のデータストリームに移動することを含み得る。データ統合構成要素は、データプッシュ構成要素450かデータプル構成要素480のいずれか、又はその両方からのプッシュ通知を介してデータをストリームに移動するように促され得る。データ統合構成要素490は、APIから履歴データ(例えば、前月から収集されたデータ)を取り出すための自律機能を含み得る。履歴データ関数は、例えば、新規ユーザがプラットフォームに登録されたときに1回だけ呼び出すことができる。1つ以上のデータストリームからのデータの一部は、ローカルに保存され得る。データ統合構成要素490は、1つ以上のデータストリームを、プラットフォーム内の他の接続されたモジュールに提供することができる。
図5は、いくつかの実施形態によるパイプラインモジュール250の構成要素を示している。パイプラインモジュール250は、データストリームからアプリケーションにデータを送信するための構成要素540、及びプラットフォーム内でデータを送信するための構成要素570を含み得る。パイプラインは、パイプライン設計パターンを活用することができ、直列に接続された要素のグループを含み得る。例示的な要素には、ストリーミングされたデータを転送するために使用されるラムダ関数が含まれ得る。ストリーミングされたデータで作動するラムダ関数は、どの外部API(複数可)がデータを提供しているか、その処理速度、及び/又はプラットフォーム内の他の条件によって異なり得る。プラットフォームの2つ以上の構成要素が同じデータを処理する必要がある場合、ストリームから転送されるデータは、複製され得る。
図6は、いくつかの実施形態による標準化モジュール270の構成要素を示している。標準化モジュール270は、生データストレージモジュール620、データ分類モジュール640、ダイアリー650、データ減少モジュール660、監視モジュール680、及び変換モジュール690を含み得る。他の実施形態では、標準化モジュール270は、異なる又は追加のデータ処理構成要素を含み得る。構成要素は、直列に配置され得、ストレージモジュール290によるデータ分析又は格納の準備中に、ストリームが複数の構成要素によって連続して段階的に処理され得るようになっている。データが更新され、受信モジュール210に提示されると、その更新が、標準化モジュール270のストリームに反映され得る。
生データストレージモジュール620は、サードパーティアプリケーションから収集されたデータを格納することができる。格納されているデータは、プラットフォーム構成要素による処理がまだ行われていない「生」データであり得る。このようなデータは、Apple Health Kitなどのモバイルデバイス上のアプリケーションから受動的に収集され得る。生データは、生ストレージモジュール620に直接格納されることができ、トークンモジュール210及び取り出しモジュール230をバイパスすることができる。
データ分類モジュール640は、パイプラインモジュール250から受信したデータを分類することができる。データは、ユーザID、データタイプ、又はアクティビティタイムスタンプで分類され得る。この分類は、関数によって呼び出され、プラットフォーム上でストリーミングするアプリケーションを使用して実施され得る。分類されたデータは、クイックアクセスのためにキャッシュされ得る。分類されたデータは、分析ツールへの容易なストレージ又はローディングのためにAMAZON(登録商標)Kinesis Firehoseストリームなどのストリームに配置されることができる。分類されたデータは、標準化モジュール270の他のツールを使用して処理され得る。データ分類モジュール640はまた、キャッシュをチェックすることによって、受信するデータが重複データではないことを検証することもできる。
ダイアリー650は、サードパーティアプリケーション又はエンドユーザによる消費のための標準化され、処理されたデータを格納することができる。ダイアリーは、手動で記録されたデータ、及び派生データを格納することができる。手動で記録されたデータには、食事、トレーニング、自己申告の感情、睡眠時間、自己申告の品質、身長、体重、投薬、及びインスリンレベルが含まれ得る。派生データは、記録されたデータから計算されることができ、体脂肪率や基礎代謝率(BMR)などの指標を含み得る。接続されたアプリケーションから受動的に収集されたデータは、このデータと統合されることができ、アプリケーション、及びFitbit、Apple Watch、Oura ring、及びRunkeeperのようなウェアラブルデバイスからの同期化された健康情報を含み得る。個別のダイアリーエントリは、標準化された構造化形式に変換された、この統合され、処理されたデータを含み得る。エントリは、一度に1つずつ、又は一括で追加され得る。ダイアリーエントリは、クイックアクセスのためにキャッシュされ得る。ダイアリーエントリは、要約情報と提案をユーザに提供するレポートを作成するためにプラットフォームによって使用されることができる。例えば、ダイアリーエントリは、要約的なグルコース情報、食事統計、及び食習慣を改善するためのヒント、及び血糖と身体活動との相関性、睡眠と気分との相関性を含むレポートを生成することができる。
データ減少モジュール660は、データストリームから冗長又は無関係なエントリを削除することができる。データ減少モジュール660は、冗長又は無関係なエントリを削除するために、Map-Redueアルゴリズムを使用することができる。例えば、サードパーティアプリケーションMyFitnessPalは、栄養素と食品を組み合わせることができる。MyFitnessPalは、栄養素ごとに食品内の各栄養素を一覧表示することができる。しかしながら、同じ食品に多くの栄養素が含まれ得ることから、このことは多くの重複エントリにつながることがある。データ減少モジュール660は、「食品」キーを作成し、食品の各栄養素を値として一覧表示することによってこれらのエントリを統合することができ、それにより、各食品がその栄養情報とともに一回で一覧表示される。
監視モジュール680は、標準化モジュール270の処理段階が正しく機能していることを確実にすることができる。これを行うために、監視モジュール680はダミーデータを生成することができる。ダミーデータは、ストリームに配置され得、データ標準化モジュール内の1つ以上の処理モジュールに向けられ得る。監視モジュール680によって生成されたダミーデータは、処理で使用される1つ以上のデータタイプからのものであり得る。監視モジュールは、ダミーデータのテストからレポートを作成することができ、そのレポートを外部分析サービス(DATADOG(登録商標)など)に提供することができる。
変換モジュール690は、ストリーミングデータを他のデータ形式に変換することができる。データが変換されるファイル形式は、標準化モジュール270内の後続の処理段階に依存し得る。例えば、変換モジュール690は、データをFoodPrintTMデータ形式に変換することができる。変換されたストリーミングデータは、クイックアクセスのためにキャッシュに格納され得るか、又は標準化モジュール270内の他の処理段階に送信され得る。
図7は、いくつかの実施形態によるストレージモジュール290の構成要素を示している。ストレージモジュール290は、データ監視モジュール720、データ分類モジュール750、及びデータストレージモジュール780を含み得る。ストレージモジュールの構成要素は、受動的に収集されたデータを操作することができる。受動的データは、ユーザモバイルデバイス上のアプリケーションから収集され得る。
データ監視モジュール720は、構成要素を監視するために、プラットフォーム内の異なる構成要素から報告されたデータを受信する1つ以上のラムダ関数を含み得る。データは、外部デバイスの構成要素によって収集され得る。ラムダ関数の1つは、収集されているデータに関する情報を出力できるアプリケーションを呼び出すことができる。監視プロセスは、データの取得、データの保存、データのパッケージ化、データの暗号化、データのアップロード、1つ以上のサーバへのデータの保存など、受動的に収集されたデータに対して実行される様々なアクションを分析できる。追加のラムダ関数は、監視プロセスを通じて収集された情報をログファイルに保存することができ、ログファイルはURLに保存され得る。
データ分類モジュール750は、受動的に収集されたデータを含む暗号化されたファイルを受信することができる。データ分類モジュール750は、収集されたデータが分類される前に、これらのファイルに対して前処理を実施する1つ以上のラムダ関数を含み得る。前処理アクティビティには、ファイルの解凍と復号化が含まれ得る。データ分類モジュールは、収集されたデータを分類するためにラムダ関数を使用することができる。分類は、機械学習、又は畳み込みニューラルネットワークやリカレントニューラルネットワークなどの深層学習手法の使用を含み得る。例えば、携帯電話のカメラで撮影された画像に対して画像認識分析が実施されることができ、それらの画像のどこかに食物が存在するかどうかを判断することができる。食物を含む画像はダイアリー650に保存され得、そこで栄養情報がこれらの画像から抽出され得る。分類が完了した後、分類器のトラブルシューティングを行うために、分類されたデータはデバッグバケットに保存され得る。データ分類モジュール750は、1つ以上のセキュリティポリシーを実装することができ、データが危険にさらされたり盗まれたりした場合にデータが匿名化されることを確実にする。例えば、画像内の人物の顔をぼやけさせることができる。データはまた、クラウドにアップロードする場合、暗号化されることもできる。
データストレージモジュール780は、分類された受動データを格納することができる。格納されたデータは、サードパーティアプリケーションによって分析されることができ、データ分析モデルを改善するために、分析(ジオロケーション、ファイル解像度、カメラモジュールデータなど)をユーザに提供することができる。格納される受動データは、ログ情報だけでなく画像データも含み得る。ログ情報は、手動入力されたか、又は自動で記録されたサードパーティアプリケーションからの睡眠及び活動情報を含み得る。分類されたデータは、データストレージモジュール290に一時的に格納され得、一定期間後に削除され得る。
図8~図12は、プラットフォーム150内のモジュールの例示的な実施形態を示す。例示的な実施形態は、AMAZON(登録商標)Web services及びAMAZON(登録商標)Lambda serverless computingを採用することができる。GOOGLE(登録商標)Cloud Functions及びMICROSOFT(登録商標)Azureなどの他のサーバレスアーキテクチャも、本明細書に開示されているインフラストラクチャを作成するために使用され得る。プラットフォームが同様のタイプのサーバレスアーキテクチャを使用して開発されている場合、プラットフォームの構成要素は、本明細書で説明されている実施形態に類似し得る。これらの図の要素は、Lambda関数、APIゲートウェイ、ウェブサーバ、Simple Notification Service(SNS)メッセージ、ストレージバケット、Kinesis Firehoseストリーム、及びストリーミングアプリケーションを含み得る。
ラムダ関数は、AMAZON(登録商標)Lambdaを使用して実装されているような自律機能であり得る。これらは、イベントに応答してトリガーされ、呼び出されたときにのみアクティブになる機能である。これらの機能は、サーバリソースをアクティブにする必要がある時間を短縮することができる。Lambda関数は、認証、承認、データ転送、処理、及びストレージ機能を実装するために使用され得る。前述の機能の1つ以上は、1つ以上のLambda関数を使用して実装され得る。例えば、Lambda関数は、APIゲートウェイを認証し、認証サーバからのトークンを要求するために使用され得る。認証されたAPIをURLにリダイレクトするためには、別のLambda関数が使用され得る。追加のLambda関数が、トークンを発行し、リフレッシュし、及び削除することができる。同様に、データをプル又はプッシュし、プル及びプッシュされたデータを統合し、様々なデータ項目をストリームから異なる場所に向けるために、様々なLambda関数が使用され得る。Lambda関数は、データストリーム、データストレージ、ストリーミングアプリケーションを含む、多くのタイプのAMAZON(登録商標)オブジェクトと統合できる。
APIゲートウェイは、外部アプリケーションからプラットフォームにデータを転送するために、プラットフォームを外部APIに接続できる。APIゲートウェイはまた、外部APIとデータサービスを統合するためのOAuthプロセス全体の外部エントリポイントとなり得る。プラットフォームはまた、APIゲートウェイを介してデータをプッシュするAPIにサブスクライブすることもできるため、データをプッシュする準備ができたときにゲートウェイを介して通知を受信する。APIゲートウェイはまた、外部APIがプラットフォーム自体からデータを受信することを可能にすることができる。
アプリケーションAPIは、HTTPコールを使用して、データの転送とデータとの対話を可能にすることができる。APIは、これらのAPIと対話するための一連のルールを定義するRESTに従うことができる。APIは、要求メッセージを送信することによって、リソースへのデータのPOST、リソースからのデータのGET、リソース内のデータの更新、又はリソースからのデータの削除を行うことができる。これらのメッセージは、メッセージ、ユーザ、資格情報、タイムスタンプ、及び他のメッセージ情報を有するテキストフィールドを含み得る。APIゲートウェイは、HTTPリクエストを使用してアプリケーションと通信することができる。
ウェブサーバは、HTTPリソースなどのリソースを格納することができ、ネットワークを介してプラットフォームに接続することができる。ウェブサーバは認証情報を格納することができ、プラットフォームが外部APIからユーザデータにアクセス可能にするためにプラットフォームにトークンを発行することができる。ウェブサーバは、処理された情報を格納することもできる。プラットフォーム150上で実行されるアプリケーションは、ウェブサーバに格納されたデータにアクセスすることができる。ストリーミングアプリケーションは、ウェブサーバでホストされ得る。
AMAZON(登録商標)S3バケットは、ユーザとアプリケーションとがデータを格納することを可能にすることができる。データオブジェクトは、バケットからアップロード及びダウンロードされることができる。バケットはまた、メタデータを含むことができ、これが格納されているフィールドに関する情報を提供する。バケットは、権限を変更することにより、ユーザ又はアプリケーションへのアクセスを制限又は許可することができる。プラットフォーム150は、取り出しモジュール230からのストリームとの処理及び統合のためにバケットからデータを取り出すことができる。
AMAZON(登録商標)Kinesisストリームは、ストリーミングデータを他のツールにロードすることができる。これらはまた、データを暗号化して変換することもできる。Firehoseストリームは、Lambda関数と組み合わせて使用されることができ、処理するためにデータをストレージ又はアプリケーションに送信する。Kinesisは、格納されるデータをバッチ処理して圧縮することができ、使用されるストレージの量を最小限に抑える。ストリーミングデータを暗号化することでセキュリティを強化することができる。
ストリーミングアプリケーションは、AMAZON(登録商標)Web Serviceでホストされることができ、安全かつ高性能で実行することができる。アプリケーションは、データが転送されるときに、必要に応じてオンデマンドで使用することができる。ストリーミングアプリケーションは、データが処理された後にデータを向けるLambda関数と組み合わせることができる。
図8は、いくつかの実施形態によるトークンモジュール210の実施形態800を示す。トークンモジュールは、プラットフォーム150を外部APIに接続するAPIゲートウェイ810を含み得る。ラムダ関数接続822は、外部APIからの接続要求をテーブルに保存できる。外部APIは、ラムダ関数によって確認及び認証され得る。認証に続いて、ラムダ関数はトークンを作成するために呼び出され得る。図示した実施形態では、リフレッシュ824と呼ばれるラムダは、トークンをリフレッシュするためにメッセージを送信することができる。別のラムダ826は、データベースで既存のトークンを検索することができる。トークンは、取り出しモジュール230に対して発行されることができる。取り出しモジュールに格納されている1つ以上のトークンを無効化するために、ラムダディスエーブル828も呼び出されることができる。別のラムダは、生成、読み取り、更新、及び削除(CRUD)操作のために使用され得る。
図9は、取り出しモジュール230の一実施形態900を示す。図9の例では、取り出しモジュールは、トークンモジュールの実施形態800からのメッセージを受信して、トークンを更新、生成、及び無効化することができる。メッセージは、シンプル通知サービス(SNS)メッセージ910であり得る。トークンは、トークンデータテーブル930で更新され得る。図9のデータプッシュ構成要素450を参照すると、取り出しモジュールは、接続された外部APIからプッシュされたデータを受信するために、APIゲートウェイに接続することができる。サブスクライブ922ラムダは、SNSメッセージを通知924関数に送信することができ、これは、取り出しモジュールの実施形態900にプッシュされるデータを示す。図9のデータプル構成要素480を参照すると、関数scheduled_poll926は、トークンデータテーブル930にリストされているように、接続された外部APIをポーリングすることができる。SNSメッセージgetdata928は、新しいデータが利用可能であることをアナウンスすることができ、プッシュ及びプルされたデータは、ラムダ関数get_data_sns929を使用して取り出されることができる。関数get_historic_data_sns927は、保持期間のより早い時点からデータを受信し、データストリームに追加することができる。バケット取り出しデータ940は、デバッグ又はバックアップのために、取り出しモジュールに送信されたデータを格納することができる。
図10は、パイプラインモジュール250の一実施形態1000を示している。この実施形態では、2つのストリーミングアプリケーション及び2つのラムダ関数が直列に接続され得る。取り出しモジュールの実施形態900からのデータは、データ分散1052と呼ばれるストリーミングアプリケーションに送信され得る。ラムダ関数data_distribution 1022は、このデータを標準化モジュールの実施形態1100に向けることができる。別のストリーミングアプリケーションthird_party_data1054及び対応するラムダ関数1024は、ストリームをサードパーティアプリケーションバケット1042に送信することができる。
図11は、標準化モジュール270の一実施形態1100を示す。この実施形態は、直列処理チェーン、並びに直列処理チェーンの様々な段階での複数のキャッシュ及びAMAZON(登録商標)Kinesisストリームを含み得る。データは、例えば、AMAZON(登録商標)Kinesis Firehoseを使用してAMAZON(登録商標)S3バケット内に格納され得る。ストリーミングデータは、ドロップオフ1142と呼ばれるストレージ領域から、及びパイプラインの実施形態900から受信することができる。データは、分類器lambda1152によって分類され得、対応するラムダ1122によって、sorter_cache1162と分類器未処理ストリーム1172との両方に保存されるように向けられ得る。データは、次いでコンバータ関数1154を使用して変換され得、コンバータラムダ関数1124を使用してダイアリーリソースに向けられ得る。変換されたデータは、diary_bulk1126関数によってダイアリーに保存され、キャッシュされ得る。単一のダイアリーエントリは、diary_single1128関数によって抽出され、ダイアリーに格納され得る。変換されたデータはまた、2つのfood_processor_caches1164に格納され得る。データは、lambda_function food_processor1156によって低減され、関数food_processor_diary1127によってダイアリーに向けられ得る。Coordination_cache関数は、関数が並行して実行されないようにするミューテックスとして機能する。
図12は、ストレージモジュール290の一実施形態1200を示している。データ監視モジュールは、関数data_collection1222を使用してシステム構成要素からのデータを監視することができる。ストリームは、アプリケーションmonitor_stream1224によって監視されることができる。追加のラムダ関数1226は、監視プロセスからesドメインにログを保存することができる。データ分類モジュールは、「ドロップオフ」1242からデータを収集し、ラムダ関数firestorm1228を使用してデータを前処理し、食品画像を分類することができる。ラムダ関数save_image1221は、食品として分類されていない項目をデバッグバケットとイメージデバッグバケットに配置することができる。食品として分類される画像は、ストレージモジュールによってfood_images1244、ダイアリー1282、及び分析バケット1246に保存されることができる。
図13~図18は、開示された実施形態による方法の実施例を示すフローチャートである。図13~図18に関して、示される各方法のステップは必ずしも限定的ではない。添付の特許請求の範囲から逸脱することなく、ステップは追加され、省略され、及び/又は同時に実施されることができる。各方法は、任意の数の追加的又は代替的タスクを含むことができ、示されているタスクは、示されている順序で実施される必要はない。各方法は、本明細書に詳細に記載されていない追加機能を有するより包括的な手順又はプロセスに組み込むことができる。さらに、意図した全体的な機能性がそのまま維持される限り、示した1つ以上のタスクは、各方法の一実施形態から省略されることができる。さらに、各方法に関連して実施される様々なタスク又はステップが、ソフトウェア、ハードウェア、ファームウェア、又はそれらの任意の組み合わせによって実施され得るという点において、各方法はコンピュータで実装される方法である。例示の目的で、各方法の以下の説明は、図1に関連して上述した要素を指し得る。特定の実施形態では、このプロセスのいくつか又はすべてのステップ、及び/又は実質的に同じステップは、非一時的であるか、又は非一時的になり得るプロセッサ可読メディアに格納又は含まれたプロセッサ可読命令の実行によって実施されている。例えば、以下の図13~図18の説明では、プラットフォーム150の様々な構成要素(例えば、トークンモジュール210、取り出しモジュール230、パイプラインモジュール250、標準化モジュール270、ストレージモジュール290、及びそれらの構成要素のいずれか)は、様々な行為、タスク又はステップを実施するものとして説明され得るが、これは、これらの様々な行為、タスク又はステップを実施するための命令を実行するこれらのエンティティの処理システム(複数可)を指すことを理解されたい。実装に応じて、一部の処理システム(複数可)が中央に配置するか、又は連携して動作するいくつかのサーバシステムに分散させるができる。
図13は、コンピュータ実装データ収集及び処理方法1300を示すフローチャートであり、これは、開示された実施形態によるハードウェアベースの処理システムを介して、個人化された食事及び健康のアドバイス又は提案を生成するための健康及び栄養プラットフォーム150を含むサーバレスアーキテクチャを使用して実装されている。方法1300は、1310において開始し、そこでは取り出しモジュール230が、データストレージモジュール290内の複数の異なるソースからのデータを収集して集約している。データは異なるタイプ又は形式のデータ(例えば、複数の個別ユーザに固有の食品、健康、又は栄養データを含む構造化データ及び非構造化データ)を含むことができる。
1320において、標準化モジュール270は、例えば、異なるタイプ又は形式のデータを健康及び栄養プラットフォーム150と互換性のある標準化された構造化形式に変換することによって、異なるタイプ又は形式のデータのソースにとらわれない様式で、異なるタイプ又は形式のデータの各々を継続的に処理することができる。
1330において、標準化された構造化形式に変換されたデータは、健康及び栄養プラットフォーム150からの情報(の少なくとも一部)を使用して分析することができる。例えば、標準化された構造化データは、1つ以上の人工ニューラルネットワーク、1つ以上の回帰モデル、1つ以上の決定木モデル、1つ以上のサポートベクターマシン、1つ以上のベイジアンネットワーク、1つ以上の確率的機械学習モデル、1つ以上のガウス処理モデル、1つ以上の隠れマルコフモデル、及び1つ以上の深層学習ネットワークを含むが、これらに限定されない1つ以上の機械学習モデルを使用して分析することができる。1340において、複数の個別ユーザの各々のために個人化された食事及び健康のアドバイス又は提案が生成され得る。
図14は、開示された実施形態による、複数の異なるソースからデータを収集して集約するための方法1310を示すフローチャートである。方法1300は、1410で開始し、ここではタスクスケジューラを使用して所定の時間間隔でデータがプルされることを可能にするソースの第1のセットからデータがプルされる。1420において、ソースの第2のセットからプッシュされているデータに関連する1つ以上の通知を受信することができる。1430において、各対応する通知のデータが、対応する通知とともに到着したかどうかが判断され得る。各対応する通知のデータが対応する通知とともに到着していないと(1430で)判断されると、方法1310は、次に1410に進み、そこでデータが対応する通知とともに到着しない場合、対応する通知に関連するデータがプルされる。(1430において)各対応する通知のデータが対応する通知とともに到着していないと判断されると、方法1310は1440に進み、そこでソースの第2のセットからプッシュされたデータが受信され得る。複数のプッシュ要求からのデータは、一元化された場所にストリーミングされることができる。
図15は、開示された実施形態による、ストレージモジュール290内の複数の異なるソースからデータを収集して集約するための方法1310を示すフローチャートである。方法1310は、1505において開始し、そこでは、1つ以上の異なるエンティティに関連付けられたトークンモジュール210が、1つ以上の異なるエンティティに関連付けられた複数のアプリケーションプログラミングインターフェース(API)と通信することができる。トークンモジュール210は、既存のトークンをリフレッシュし、トークン変更に関する通知の更新情報を提供することができる。新規トークンが生成される度に、新規のトークンは、トークンモジュール210に格納されることに加えて、取り出しモジュール230で別個に複製される。取り出しモジュール230は、トークンモジュール210から分離され、トークンモジュール210から独立している。
1510において、取り出しモジュール230は、複数の異なるソースからの複数の個別ユーザに固有の異なるタイプ又は形式のデータ(例えば、食品、健康、又は栄養データを含む構造化データ及び非構造化データ)を1つ以上の異なるエンティティに関連付けられた複数のAPIを介して収集して集約することができる。
1515において、ストレージモジュール290は、収集されて集約されたデータを検証してチェックし、収集されて集約されたデータから重複データを削除し、収集されて集約されたデータの選択されたタイプを統合し、収集されて集約されたデータを減少させ、統合されたデータをバッチで保持することができる。
図16は、開示された実施形態による、複数の異なるソースから収集されて集約されたデータを格納し、収集されて集約されたデータを処理するための方法1600を示すフローチャートである。方法1600は、1610において開始し、そこでは、取り出しモジュール230が、複数の異なるソースから収集されて集約されたデータをストレージモジュール290で複数のストリームに格納する。一実施形態では、複数のストリームは各々、データが各ストリームに格納される時間枠を規定する保持ポリシーを有する。1620において、異なる状況が発生すると、収集されて集約されたデータは、複数のストリームに格納されている収集されて集約されたデータに対してラムダ関数を実行することによって処理され得る。1620の一実施形態では、ラムダ関数は、データが収集されて複数のストリームに格納されたときにのみ実行される。例えば、1630において、ラムダ関数が1630で格納されたデータに対して実行され、データの各行を複数のストリームから関連するストリームに流して転送し、1640において、収集されて集約されたデータが、複数のストリームのうち1つのストリームから別のストリームにカスケードすることにより、データパイプラインに沿って進められる。
図17は、開示された実施形態による、複数の異なるソースから収集されて集約されたデータを複数のストリームに格納するための方法1610を示すフローチャートである。方法1610は、1710において開始し、取り出しモジュール230は、複数の異なるソースから収集されて集約されたデータをストレージモジュール290の複数のストリームに格納し、複数のストリームは、複数のシャードを含み得、各シャードは、(1)キューに入り、(2)保持ポリシーの満了時にキューから出るデータレコードの文字列を備えている。データレコードの文字列は、複数の個別ユーザに固有である食品消費、健康、又は栄養の記録を含み得る。1720において、データが処理される速度を制御するために複数のストリーム内のシャードの数が制御され得る。
図18は、開示された実施形態による、画像を分析してそれらの栄養成分を判断するための方法1800を示すフローチャートである。格納された収集されて集約されたデータの一部は、1つ以上のイメージングデバイスを使用してキャプチャされた画像を含むことができる。1810において、1つ以上の選択されたラムダ関数(複数可)が、格納されたデータのその部分に対して実行され、複数の画像のいずれかが、それらの栄養成分について分析される1つ以上の食品画像を含むかどうかを検出することができる。食品画像はタイムスタンプと地理的位置に関連付けられており、それによって、1820において、例えば食事の消費時間や食事の内容を予測することにより、ユーザの食品摂取を時間的及び空間的に追跡することができる。
コンピュータ可読格納メディアは、単一メディアであり得るが、「コンピュータ可読格納メディア」などの用語は、1つ以上の命令セットを格納する単一の媒体又は複数の媒体(例えば、集中型又は分散型データベース、及び/又は関連するキャッシュ及びサーバ)を含むと解釈されるべきである。「コンピュータ可読格納メディア」などの用語はまた、機械によって実行するための一連の命令を格納し、符号化し、又は搭載することができ、機械に本発明の方法論のいずれか1つ以上を実施させる任意のメディアを含むと解釈されるものとする。したがって、「コンピュータ可読格納メディア」などの用語は、これらに限定されないが、固体メモリ、光メディア、及び磁気メディアを含むと解釈されるものとする。
前述の説明は、本発明のいくつかの実施形態の十分な理解をもたらすために、特定のシステム、構成要素、方法などの例のような多数の特定的な詳細を示している。しかしながら、本発明の少なくともいくつかの実施形態は、これらの特定的な詳細を伴わずに実践され得ることが当業者には明らかであろう。他の例では、本発明を不必要に曖昧にすることを回避するために、周知の構成要素又は方法は、詳細に説明されていないか、又は単純なブロック図形式で提示されている。したがって、記載されている特定的な詳細は単なる例示にすぎない。特有な実装は、これらの例示的な詳細とは異なり得るが、依然として本発明の範囲内であると考えられる。
上述の説明では、多くの詳細が説明されている。しかしながら、本開示の恩恵を有する当業者には、本発明の実施形態がこれらの特定的な詳細を伴わずに実践され得ることが明らかであろう。場合によっては、説明を曖昧にすることを回避するために、周知の構造とデバイスが詳細ではなくブロック図の形式で示されている。
詳細な説明の一部は、コンピュータメモリ内のデータビットに対する操作のアルゴリズムと記号表現の観点から提示されている。これらのアルゴリズムの記述及び表現は、データ処理技術の当業者が彼らの仕事の実体を当業者に最も効果的に伝えるために使用する手段である。アルゴリズムはここにあり、一般に、望ましい結果につながる自己矛盾のない一連のステップであると考えられている。これらのステップは、物理量の物理的な操作を必要とするものである。通常、必須ではないが、これらの量は、格納され、転送され、組み合わせられ、比較され、及び他の方法で操作されることが可能な電気信号又は磁気信号の形式をとる。主に共通な使用法の理由から、これらの信号をビット、値、要素、記号、文字、用語、数値などと呼ぶと便利な場合がある。
しかしながら、これらの、及び類似の用語はすべて、適切な物理量に関連付けられており、これらの量に適用される便利なラベルにすぎないことに注意すべきである。上記の議論から明らかであるように、特に明記しない限り、説明全体を通して、「判断する」、「識別する」、「追加する」、「選択する」などの用語を利用する議論は、コンピュータシステムのレジスタ及びメモリ内の物理的(例えば、電子的)量として表されたデータを操作し、コンピュータシステムメモリ又はレジスタ又は他のそのような情報格納、送信、又はディスプレイデバイス内の物理的量として同様に表された他のデータに変換するコンピュータシステム又は類似の電子コンピューティングデバイスのアクション及びプロセスを指すことを理解されたい。
本発明の実施形態はまた、本明細書の操作を実施するための装置に関する。この装置は、必要な目的のために特別に構築され得るか、又はコンピュータに格納されたコンピュータプログラムによって選択的に起動又は再構成される汎用コンピュータを含み得る。そのようなコンピュータプログラムは、限定されるものでないが、フロッピーディスク、光ディスク、CD-ROM、及び磁気光学ディスクを含む任意タイプのディスク、読み取り専用メモリ(ROM)、ランダムアクセスメモリ(RAM)、EPROM、EEPROM、磁気カード又は光カード、又は電子命令の格納に好適な任意タイプのメディアなどのコンピュータ可読記憶メディアに格納され得る。
本明細書に提示されるアルゴリズム及び表示は、特定のコンピュータ又は他の装置に本質的に関連付けられていない。様々なシステムが、本明細書の教示に従ってプログラムとともに使用され得るか、又は必要な方法ステップを実施するためのより専用化した装置を構築することが便利であることを証明し得る。これらの様々なシステムに必要な構造は、本明細書に記載の説明から明らかになる。加えて、本発明は、特定のプログラミング言語に関しては説明されていない。本明細書に記載されているように本発明の教示を実装するために、様々なプログラミング言語が使用され得ることが理解されよう。
前述の詳細な説明では少なくとも1つの例示的な実施形態を提示したが、非常に多くの変形が存在することを理解されたい。また、本明細書に記載される例示的な実施形態(複数可)は、特許請求される主題の範囲、適用性、又は構成を決して限定することを意図するものではないことも理解されたい。むしろ、前述の詳細な説明は、説明された実施形態(複数可)を実装するための便利なロードマップを当業者に提供するであろう。本特許出願の時点で既知の均等物及び予測可能な均等物を含む請求項によって定義される範囲から逸脱することなく、要素の機能及び配設に様々な変更を加えることができることを理解されたい。
Claims (20)
- ハードウェアベースの処理システムを介し個人化された食事及び健康のアドバイス又は提案を生成するためのサーバレスアーキテクチャを使用して実装されたコンピュータ実装データ収集及び処理の方法であって、
ストレージモジュール内の複数の異なるソースからデータを収集して集約することであって、前記データが異なるタイプ又は形式のデータを含む、収集して集約するステップと、
前記異なるタイプ又は形式のデータを健康及び栄養プラットフォームと互換性のある標準化された構造化形式に変換することによって、前記異なるタイプ又は形式のデータのソースにとらわれない様式で前記異なるタイプ又は形式のデータの各々を継続的に処理するステップと、
前記標準化された構造化形式に変換されたデータを前記健康及び栄養プラットフォームからの情報の一部を使用して分析するステップと、
複数の個別ユーザの各々のために個人化された食事及び健康のアドバイス又は提案を生成するステップと、
を含むことを特徴とする方法。 - 前記異なるタイプ又は形式のデータが、構造化データ及び非構造化データを含む、
ことを特徴とする請求項1に記載の方法。 - 前記データが、複数の個別ユーザに固有の食品、健康、又は栄養データを含む、
ことを特徴とする請求項1に記載の方法。 - 前記標準化された構造化データが、
1つ以上の人工ニューラルネットワークと、
1つ以上の回帰モデルと、
1つ以上の決定木モデルと、
1つ以上のサポートベクターマシンと、
1つ以上のベイジアンネットワークと、
1つ以上の確率的機械学習モデルと、
1つ以上のガウス処理モデルと、
1つ以上の隠れマルコフモデルと、
1つ以上の深層学習ネットワークと、を含む1つ以上の機械学習モデルを使用して分析されている、
ことを特徴とする請求項1に記載の方法。 - 前記データが、前記複数の異なるソースから複数のアプリケーションプログラミングインターフェース(API)を介して収集されて集約されている、
ことを特徴とする請求項1に記載の方法。 - 1つ以上の異なるエンティティに関連付けられたトークンモジュールを介して前記複数のAPIと通信するステップと、
をさらに含み、
前記複数のAPIからの前記データが、取り出しモジュールを使用して収集されて集約され、
前記取り出しモジュールが、前記トークンモジュールから切り離れて独立している、
ことを特徴とする請求項5に記載の方法。 - 前記トークンモジュールが、既存のトークンをリフレッシュし、トークン変更に関する通知更新情報を提供するように構成され、
新しいトークンが生成される度に、前記新しいがトークンが、前記トークンモジュール内に格納されることに加え、前記取り出しモジュール内で別個に複製される、
ことを特徴とする請求項6に記載の方法。 - 前記ストレージモジュールが、複製データを検証し、チェックし、除去し、選択されたタイプのデータを統合することによって前記データをまとめ、前記データをバッチで保持するように構成されている、
ことを特徴とする請求項1に記載の方法。 - 前記データを前記収集して集約するステップが、前記データを複数のストリームに格納することを含む、
ことを特徴とする請求項1に記載の方法。 - 前記データの前記処理が、異なる条件の発生時に、前記複数のストリームに格納された前記データにラムダ関数を実行することをさらに含む、
ことを特徴とする請求項9に記載の方法。 - 前記ラムダ関数が、前記データが収集され前記複数のストリームに格納されたときにだけ実行され、
前記ラムダ関数の前記格納されたデータへの前記実行が、データの各行を前記複数のストリームからの関連するストリームに流して転送するように構成されている、
ことを特徴とする請求項10に記載の方法。 - 前記データが、前記複数のストリームの一方のストリームから別のストリームにカスケードすることによって、データパイプラインに沿って進められる、
ことを特徴とする請求項11に記載の方法。 - 前記複数のストリームの各々が、前記データが各ストリームに格納されているタイムフレームを規定する保持ポリシーを有する、
ことを特徴とする請求項9に記載の方法。 - 前記複数のストリームが複数のシャードを含み、
各シャードが(1)キューに入り、かつ(2)前記保持ポリシーの満了時に前記キューから出るデータレコードのストリングを含み、
前記データレコードのストリングが、複数の個別ユーザに固有の食品消費、健康、又は栄養の記録を含む、
ことを特徴とする請求項13に記載の方法。 - 前記複数のストリームのいくつかのシャードを制御することによって、前記データが処理される速度を制御するステップをさらに含む、
ことを特徴とする処理されている請求項14に記載の方法。 - 前記複数の異なるソースからの前記データの前記収集及び集約が、
(1)ソースの第1のセットからデータをプルすることであって、これがタスクスケジューラを使用して所定の時間間隔でデータがプルされることを可能にする、プルすることと、
(2)複数のプル要求及びプッシュ要求からの前記データが一元化された場所にストリーミングされるように、ソースの第2のセットからプッシュされたデータを受信することであって、前記ソースの第2のセットからの前記データの前記プッシュが前記データに関連付けられた1つ以上の通知によって優先されている、受信することと、
(3)データが対応する通知とともに到着しない場合、前記対応する通知に関連付けられた前記データをプルすることと、を含む、
ことを特徴とする請求項1に記載の方法。 - 格納された前記データの一部分が、1つ以上の画像化デバイスを使用してキャプチャされた複数の画像を含み、
選択されたラムダ関数が前記格納されたデータの前記一部分で実行されて、前記複数の画像のいずれかが、その栄養成分ついて分析される1つ以上の食品画像を含むかどうかを検出する、
ことを特徴とする請求項1に記載の方法。 - 前記1つ以上の食品画像が、タイムスタンプ及びジオロケーションに関連付けられ、それによってユーザの食品摂取の時間的及び空間的な追跡を可能にし、
前記ユーザの食品摂取の前記時間的及び空間的な追跡が、食事の摂取時間又は食事の内容を予測することを含む、
ことを特徴とする請求項17に記載の方法。 - ハードウェアベースの処理システムを介し個人化された食事及び健康のアドバイス又は提案を生成するためのサーバレスアーキテクチャを使用して実装されたデータ収集及び処理システムであって、
前記システムが、少なくとも1つのハードウェアベースのプロセッサ及びメモリを備え、前記メモリが、非一時的プロセッサ可読メディアにエンコードされたプロセッサで実行可能な命令を含み、
前記プロセッサで実行可能な命令は、前記プロセッサによって実行されるとき、
ストレージモジュール内の複数の異なるソースからデータを収集して集約することであって、前記データが異なるタイプ又は形式のデータを含む、収集して集約することと、
前記異なるタイプ又は形式のデータを健康及び栄養プラットフォームと互換性のある標準化された構造化形式に変換することによって、前記異なるタイプ又は形式のデータのソースにとらわれない様式で前記異なるタイプ又は形式のデータの各々を継続的に処理することと、
前記標準化された構造化形式に変換されたデータを前記健康及び栄養プラットフォームからの情報の一部を使用して分析することと、
複数の個別ユーザの各々のために個人化された食事及び健康のアドバイス又は提案を生成することと、
を生じさせるように構成される、
ことを特徴とするシステム。 - 個人化された食事及び健康のアドバイス又は提案を生成するためのサーバレスのデータ収集及び処理システムであって、前記システムが、
ハードウェアベースの処理システムによって実行されるとき、ストレージモジュール内の複数の異なるソースからデータを収集して集約することを生じさせるように構成可能である取り出しモジュールであって、前記データが異なるタイプ又は形式のデータを含んでいる、取り出しモジュールと、
前記ハードウェアベースの処理システムによって実行されるとき、前記異なるタイプ又は形式のデータを健康及び栄養プラットフォームと互換性のある標準化された構造化形式に変換することによって、前記異なるタイプ又は形式のデータのソースにとらわれない様式で前記異なるタイプ又は形式のデータの各々を継続的に処理することを生じさせるように構成可能である標準化モジュールと、
前記ハードウェアベースの処理システムによって実行されるとき、前記標準化された構造化形式に変換されたデータを前記健康及び栄養プラットフォームからの情報を部分的に使用して分析することと、前記複数の個別ユーザの各々のために個人化された食事及び健康のアドバイス又は提案を生成することと、を生じさせるように構成可能である1つ以上の機械学習モデルを有するプラットフォームと、
を備えることを特徴とするシステム。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862782275P | 2018-12-19 | 2018-12-19 | |
US62/782,275 | 2018-12-19 | ||
US16/709,721 US20200202997A1 (en) | 2018-12-19 | 2019-12-10 | Automated method and system for generating personalized dietary and health advice or recommendations for individual users |
US16/709,721 | 2019-12-10 | ||
PCT/US2019/065762 WO2020131527A1 (en) | 2018-12-19 | 2019-12-11 | Automated method and system for generating personalized dietary and health advice or recommendations for individual users |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022515115A true JP2022515115A (ja) | 2022-02-17 |
Family
ID=71098718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021535179A Pending JP2022515115A (ja) | 2018-12-19 | 2019-12-11 | 個別ユーザのために個人化された食事及び健康のアドバイス又は提案を生成するための自動化された方法及びシステム |
Country Status (8)
Country | Link |
---|---|
US (1) | US20200202997A1 (ja) |
EP (1) | EP3899961A1 (ja) |
JP (1) | JP2022515115A (ja) |
KR (1) | KR20210106444A (ja) |
CN (1) | CN113196407A (ja) |
AU (1) | AU2019401416A1 (ja) |
CA (1) | CA3120878A1 (ja) |
WO (1) | WO2020131527A1 (ja) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8932216B2 (en) | 2006-08-07 | 2015-01-13 | Abbott Diabetes Care Inc. | Method and system for providing data management in integrated analyte monitoring and infusion system |
US11636161B1 (en) * | 2019-07-16 | 2023-04-25 | Proofpoint, Inc. | Intelligent clustering systems and methods useful for domain protection |
US11392606B2 (en) * | 2019-10-30 | 2022-07-19 | Disney Enterprises, Inc. | System and method for converting user data from disparate sources to bitmap data |
US20210401295A1 (en) * | 2020-06-29 | 2021-12-30 | Aetna Inc. | System and methods utilizing artificial intelligence algorithms to analyze wearable activity tracker data |
CN116034436A (zh) * | 2020-09-08 | 2023-04-28 | 京瓷株式会社 | 信息处理装置、对象者终端、信息处理系统、信息处理系统的控制方法 |
US20220197898A1 (en) * | 2020-12-23 | 2022-06-23 | Cerner Innovation, Inc. | System and method for implementing intelligent service request remedy |
CN112783199B (zh) * | 2020-12-25 | 2022-05-13 | 北京航空航天大学 | 一种基于迁移学习的无人机自主导航方法 |
CN113133762B (zh) * | 2021-03-03 | 2022-09-30 | 刘欣刚 | 一种无创血糖预测方法及装置 |
US11500702B1 (en) * | 2021-04-26 | 2022-11-15 | Visa International Service Association | System and method for timed data transmission |
US20220392609A1 (en) * | 2021-06-04 | 2022-12-08 | Medtronic Minimed, Inc. | Personalized food recommendations based on sensed biomarker data |
WO2023111670A1 (zh) * | 2021-12-17 | 2023-06-22 | Evyd研究私人有限公司 | 周期行为报告的生成方法及装置、存储介质、电子设备 |
CN114358081A (zh) * | 2022-01-05 | 2022-04-15 | 河北工业大学 | 心冲击信号的波峰定位方法、装置和电子设备 |
CN114678106B (zh) * | 2022-03-25 | 2023-03-07 | 广州市乳白金贸易有限公司 | 一种智能优化儿童身高发育奶粉配方的方法 |
WO2023212738A1 (en) * | 2022-04-29 | 2023-11-02 | Oregon Health & Science University | Machine-learning-based meal detection and size estimation using continuous glucose monitoring (cgm) and insulin data |
US11695772B1 (en) * | 2022-05-03 | 2023-07-04 | Capital One Services, Llc | System and method for enabling multiple auxiliary use of an access token of a user by another entity to facilitate an action of the user |
WO2024055046A2 (en) * | 2022-09-09 | 2024-03-14 | Vektor Medical, Inc. | Integration of electrophysiological procedure systems |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4562751A (en) | 1984-01-06 | 1986-01-07 | Nason Clyde K | Solenoid drive apparatus for an external infusion pump |
US4685903A (en) | 1984-01-06 | 1987-08-11 | Pacesetter Infusion, Ltd. | External infusion pump apparatus |
US5080653A (en) | 1990-04-16 | 1992-01-14 | Pacesetter Infusion, Ltd. | Infusion pump with dual position syringe locator |
US5097122A (en) | 1990-04-16 | 1992-03-17 | Pacesetter Infusion, Ltd. | Medication infusion system having optical motion sensor to detect drive mechanism malfunction |
EP0756730B1 (en) * | 1994-04-21 | 1998-09-23 | BRITISH TELECOMMUNICATIONS public limited company | Data storage |
US5505709A (en) | 1994-09-15 | 1996-04-09 | Minimed, Inc., A Delaware Corporation | Mated infusion pump and syringe |
US6558351B1 (en) | 1999-06-03 | 2003-05-06 | Medtronic Minimed, Inc. | Closed loop system for controlling insulin infusion |
US6558320B1 (en) | 2000-01-20 | 2003-05-06 | Medtronic Minimed, Inc. | Handheld personal data assistant (PDA) with a medical device and method of using the same |
US6554798B1 (en) | 1998-08-18 | 2003-04-29 | Medtronic Minimed, Inc. | External infusion device with remote programming, bolus estimator and/or vibration alarm capabilities |
US7621893B2 (en) | 1998-10-29 | 2009-11-24 | Medtronic Minimed, Inc. | Methods and apparatuses for detecting occlusions in an ambulatory infusion pump |
US6817990B2 (en) | 1998-10-29 | 2004-11-16 | Medtronic Minimed, Inc. | Fluid reservoir piston |
US6752787B1 (en) | 1999-06-08 | 2004-06-22 | Medtronic Minimed, Inc., | Cost-sensitive application infusion device |
US6485465B2 (en) | 2000-03-29 | 2002-11-26 | Medtronic Minimed, Inc. | Methods, apparatuses, and uses for infusion pump fluid pressure and force detection |
US6932584B2 (en) | 2002-12-26 | 2005-08-23 | Medtronic Minimed, Inc. | Infusion device and driving mechanism and process for same with actuator for multiple infusion uses |
WO2013036677A1 (en) * | 2011-09-06 | 2013-03-14 | The Regents Of The University Of California | Medical informatics compute cluster |
WO2016138067A1 (en) * | 2015-02-24 | 2016-09-01 | Cloudlock, Inc. | System and method for securing an enterprise computing environment |
US20170093700A1 (en) * | 2015-09-30 | 2017-03-30 | WoT. io, Inc. | Device platform integrating disparate data sources |
US10770181B2 (en) * | 2015-12-16 | 2020-09-08 | Alegeus Technologies, Llc | Systems and methods for reducing resource consumption via information technology infrastructure |
WO2017187270A1 (en) * | 2016-04-25 | 2017-11-02 | Samsung Electronics Co., Ltd. | System and method for providing aggregation and continuous learning to improve health outcomes |
-
2019
- 2019-12-10 US US16/709,721 patent/US20200202997A1/en not_active Abandoned
- 2019-12-11 WO PCT/US2019/065762 patent/WO2020131527A1/en unknown
- 2019-12-11 KR KR1020217018870A patent/KR20210106444A/ko unknown
- 2019-12-11 AU AU2019401416A patent/AU2019401416A1/en not_active Abandoned
- 2019-12-11 CN CN201980082672.2A patent/CN113196407A/zh not_active Withdrawn
- 2019-12-11 CA CA3120878A patent/CA3120878A1/en active Pending
- 2019-12-11 JP JP2021535179A patent/JP2022515115A/ja active Pending
- 2019-12-11 EP EP19836296.4A patent/EP3899961A1/en not_active Withdrawn
Also Published As
Publication number | Publication date |
---|---|
CN113196407A (zh) | 2021-07-30 |
AU2019401416A1 (en) | 2021-08-12 |
EP3899961A1 (en) | 2021-10-27 |
US20200202997A1 (en) | 2020-06-25 |
KR20210106444A (ko) | 2021-08-30 |
CA3120878A1 (en) | 2020-06-25 |
WO2020131527A1 (en) | 2020-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2022515115A (ja) | 個別ユーザのために個人化された食事及び健康のアドバイス又は提案を生成するための自動化された方法及びシステム | |
US11263241B2 (en) | Systems and methods for predicting actionable tasks using contextual models | |
US11615876B2 (en) | Predictive model for substance monitoring and impact prediction | |
US11276011B2 (en) | Self-managed adaptable models for prediction systems | |
US11257009B2 (en) | System and method for automated detection of situational awareness | |
JP7335352B2 (ja) | アンサンブル・モデルの強化された多様性および学習 | |
US20230104757A1 (en) | Techniques for input classification and response using generative neural networks | |
US20200074052A1 (en) | Intelligent user identification | |
CN114662697A (zh) | 时间序列异常检测 | |
Katevas et al. | Practical processing of mobile sensor data for continual deep learning predictions | |
Fowdur et al. | Big data analytics with machine learning tools | |
US11694029B2 (en) | Neologism classification techniques with trigrams and longest common subsequences | |
US20230109260A1 (en) | Techniques for cursor trail capture using generative neural networks | |
US20210241040A1 (en) | Systems and Methods for Ground Truth Dataset Curation | |
Lawanont et al. | A development of classification model for smartphone addiction recognition system based on smartphone usage data | |
Sim | Exploration of edge machine learning-based stress detection using wearable devices | |
Lin | Neural networks as model selection with incremental MDL normalization | |
Callara | Machine learning algorithms for behavior prediction in cloud computing architectures | |
US20230244996A1 (en) | Auto adapting deep learning models on edge devices for audio and video | |
KR102374265B1 (ko) | 다단계 적시 중재 시스템을 통한 원격 헬스케어 사용자의 운동 처방 준수율 향상 방법 및 시스템 | |
Rghioui et al. | Predictive Analysis for Diabetes Using Big Data Classification | |
US20240144079A1 (en) | Systems and methods for digital image analysis | |
US20210397427A1 (en) | Training an agent-based healthcare assistant model | |
US20190037035A1 (en) | Distributed Automated Learning of User Personalization | |
Thomas Vattukalathil | Application of data analytics and machine learning on data collected by smartphones to understand human behavioural patterns |