JP2022545073A - 身体部位の特定 - Google Patents

Abstract

一態様によれば、ハンドヘルドデバイスが使用された対象者の身体部位を特定するコンピュータ実施方法が提供される。前記ハンドヘルドデバイスは前記対象者に対してパーソナルケア動作を実行するためのものであり、前記ハンドヘルドデバイスは前記パーソナルケア動作中に肌に接触するためのヘッド部を備える。前記ハンドヘルドデバイスは、それぞれのパラメータを測定し前記ハンドヘルドデバイスが前記対象者の肌に使用された時にそれぞれの測定信号を生成するための１つ又は複数のセンサをさらに備え、前記１つ又は複数のセンサは、（ａ）前記ヘッド部が肌に接触しているかを示すパラメータを測定する肌接触センサと、（ｂ）前記ヘッド部が接触している肌の肌色を示す、又は前記ヘッド部が接触している肌に隣接する肌の肌色を示すパラメータを測定する肌色センサと、（ｃ）近接センサから前記ヘッド部が接触している肌に隣接する肌までの距離を示すパラメータを測定する当該近接センサとのうちの少なくとも１つを備える。前記方法は、前記１つ又は複数のセンサのそれぞれから各測定信号を取得するステップであって、各測定信号は、前記ハンドヘルドデバイスが前記対象者の肌に使用された時、前記それぞれのパラメータの測定結果の時系列を含む、ステップと、前記ハンドヘルドデバイスが使用された前記対象者の身体部位を特定するために、学習済み機械学習モデル（ＭＬＭ）を使用して、取得された前記１つ又は複数の測定信号を解析するステップであって、前記学習済みＭＬＭは、前記身体部位を特定するために、取得された前記１つ又は複数の測定信号のそれぞれの時間ウィンドウにおける複数の測定結果を解析する、ステップと、特定された前記身体部位の標示を出力するステップとを有する。

Description

本開示は、対象者に対してパーソナルケア動作を実行するためのものであるハンドヘルドデバイスに関し、より詳しくは、ハンドヘルドデバイスが使用される対象者の身体部位を特定するための技術に関する。

対象者の身体にパーソナルケア動作を提供するために、身体部位上で使用可能な多くの種類のハンドヘルドデバイスが利用可能である。例えば、シェービング、電気分解処置、抜毛、レーザ及び光治療（光脱毛又はインテンスパルスライト（ＩＰＬ）として知られる）、及び治療的抗アンドロゲン注射などの様々な技法を使用して不要な毛髪を除去するためのハンドヘルドデバイスがある。毛髪成長減退、座瘡治療を含む他の種類の皮膚科手術も、光ベースの技術を使用可能である。さらに、対象者へのマッサージの提供、ネイルトリートメントの提供、物理療法の提供、対象者へのパッチ（例えば心電図電極など）の適用のためにも、ハンドヘルドデバイスが使用可能である。身体部位上で使用可能な他の種類のハンドヘルドデバイスは、超音波プローブである。

ＩＰＬ処置は、ＩＰＬデバイスのユーザが毛髪除去を目的として肌の比較的小領域を処置するという特徴を有する。ＩＰＬ処置は、強い光を使用して、毛髪及び毛根のメラミンを加熱し、毛嚢を静止期に移行させて、毛髪の再成長を防ぐ。この効果は限定された期間のみのものであり、したがって処置は定期的に、通常、処置が２週間に１度の頻度で実行される約２か月間の初期期間後に、維持段階で４から８週間に１度の頻度で反復される必要がある。

ＩＰＬ処置デバイスは、異なる肌の色と毛髪色の組み合わせを許容するために、異なる光強度設定を使用可能である。例えばＰｈｉｌｉｐｓ Ｌｕｍｅａなどのいくつかの既存のＩＰＬ処置デバイスは、肌の色を測定するための肌色センサを備えることが可能であり、測定された肌の色は、最も安全な光強度設定を設定／推奨するために使用可能である。さらに、身体の異なる部位は、異なる処置特性を必要とする場合がある。いくつかの場合では、これは、例えば、顔やビキニ領域などの異なる身体部位に対する使用のためにＩＰＬ処置デバイス用の異なるアタッチメントを提供して使用することによって対処できるが、ＩＰＬ処置デバイスが使用されている（及び／又は使用された）身体の部位が判断されることが望ましい。

身体部位に関するこの情報は、パーソナルケア動作を実行するためのハンドヘルドデバイスの一般的な場合においても有効であり、情報は、ハンドヘルドデバイスの動作を調節するためだけでなく、適切な身体部位又は身体部位の一部に対してパーソナルケア動作を実行するためにハンドヘルドデバイスのユーザを案内するために使用可能であり、対象者に対して実行されたパーソナルケア動作の概要又は報告を提供し、身体部位の再処置の予定を立て、ユーザ又は対象者に対して個別のコンテンツを提供する。

したがって、ハンドヘルドデバイスが使用されている身体部位の特定における改善が必要とされる。

第１の特定の態様よれば、ハンドヘルドデバイスが使用された対象者の身体部位を特定するコンピュータ実施方法が提供される。前記ハンドヘルドデバイスは前記対象者に対してパーソナルケア動作を実行するためのものであり、前記ハンドヘルドデバイスは前記パーソナルケア動作中に前記対象者の肌に接触するためのヘッド部を備える。前記ハンドヘルドデバイスは、それぞれのパラメータを測定し前記ハンドヘルドデバイスが前記対象者の前記肌に使用された時にそれぞれの測定信号を生成するための１つ又は複数のセンサをさらに備える。前記１つ又は複数のセンサは、（ａ）前記ヘッド部が肌に接触しているかを示すパラメータを測定する肌接触センサと、（ｂ）前記ヘッド部が接触している肌の肌色を示す、又は前記ヘッド部が接触している肌に隣接する肌の肌色を示すパラメータを測定する肌色センサと、（ｃ）近接センサから、前記ヘッド部が接触している肌に隣接する肌までの距離を示すパラメータを測定する当該近接センサとのうちの少なくとも１つを備える。前記方法は、前記１つ又は複数のセンサのそれぞれから各測定信号を取得するステップであって、各測定信号は、前記ハンドヘルドデバイスが前記対象者の肌に使用された時、前記それぞれのパラメータの測定結果の時系列を含む、ステップと、前記ハンドヘルドデバイスが使用された前記対象者の身体部位を特定するために、学習済み機械学習モデル（ＭＬＭ）を使用して、取得された前記１つ又は複数の測定信号を解析するステップであって、前記学習済みＭＬＭは、前記身体部位を特定するために、取得された前記１つ又は複数の測定信号のそれぞれの時間ウィンドウにおける複数の測定結果を解析する、ステップと、特定された前記身体部位の標示を出力するステップとを有する。それによって、第１の態様は、肌接触センサ、肌色センサ、及び近接センサのうちの１つ又は複数からの測定信号に基づいて身体部位を特定できる学習済みＭＬＭの使用によって身体部位の特定における改善を実現する。身体部位を特定するために取得された１つ又は複数の測定信号のそれぞれにおける時間ウィンドウ中の複数の測定結果を解析することによって、ＭＬＭは測定信号の時間的情報を考慮できる。

いくつかの実施形態では、前記学習済みＭＬＭは、ロジスティック回帰モデル、サポートベクターマシン、ランダムフォレスト、単純ベイズ分類器、最近傍分類器、決定木分類器、人工ニューラルネットワーク、又はこの組み合わせである。

いくつかの実施形態では、前記学習済みＭＬＭは、前記測定結果に対応する身体部位を特定するために、取得された前記１つ又は複数の測定信号のそれぞれにおける測定結果を解析する。これらの実施形態は、前記ＭＬＭが測定信号中の測定試料毎に身体部位の識別情報を提供することを実現する。

これらの実施形態では、前記方法は、後続の測定結果に対応する身体部位を特定するために、取得された前記１つ又は複数の測定信号のそれぞれにおける前記後続の測定結果に対して、前記解析するステップを反復するステップをさらに含み得る。これらの実施形態は、パーソナルケア動作の過程中に身体部位が継続的に特定可能であることを実現する。

一実施形態では、前記方法は、取得された前記１つ又は複数の測定信号のそれぞれにおける前記時間ウィンドウ中の前記複数の測定結果に対する１つ又は複数の特徴のそれぞれの値を決定するステップをさらに含むことが可能であり、前記学習済みＭＬＭは、前記身体部位を特定するために、決定された前記値を解析できる。

この実施形態では、前記方法は、後続の複数の測定結果を提供するために、取得された前記１つ又は複数の測定信号を横切って前記時間ウィンドウを移動するステップと、前記後続の複数の測定結果に対応する前記身体部位を特定するために、前記後続の複数の測定結果を使用して、前記解析するステップを反復するステップとをさらに含み得る。これらの実施形態は、パーソナルケア動作の過程中に身体部位が継続的に特定可能であることを実現する。

いくつかの実施形態では、前記方法は、特定された身体部位を示す一連の出力を提供するために、前記１つ又は複数の測定信号における後続の測定結果に対して、前記解析するステップを反復するステップと、前記ハンドヘルドデバイスが使用された身体部位を示す最終的な出力を決定するために、前記一連の出力に対してフィルタを適用するステップとをさらに含む。これらの実施形態は、スプリアス身体部位特定が前記ＭＬＭの出力から「取り除かれる」ことができるという利点を実現する。

いくつかの実施形態では、前記方法は、第１の時間において前記ハンドヘルドデバイスが使用された前記対象者の身体部位に関するユーザからの確認を受信するステップと、受信された前記確認と、前記第１の時間に対応する、取得された前記１つ又は複数の測定信号の一部とに基づいて前記学習済みＭＬＭを更新するステップとをさらに含む。これらの実施形態は、検出正確度を改善するために前記ＭＬＭが洗練され得ることを実現する。これらの実施形態は、さらに、前記ＭＬＭが対象者の身体部位の形状に合わせてカスタマイズ又は校正され得ることを実現する。

いくつかの実施形態では、前記ハンドヘルドデバイスの前記ヘッド部は、取り外し可能なヘッド部のセットから選択され、前記セットのうちの各ヘッド部は、それぞれの身体部位との使用のためのものであり、前記方法は、前記パーソナルケア動作中に前記ハンドヘルドデバイスで使用される前記取り外し可能なヘッド部の標示を取得するステップをさらに有し、前記学習済みＭＬＭは、前記ハンドヘルドデバイスが使用された前記対象者の身体部位を特定するために、取得された前記１つ又は複数の測定信号とともに、取得された前記標示をさらに解析する。これらの実施形態は、前記ＭＬＭがハンドヘルドデバイスで使用中の取り外し可能なヘッド部を使用して処置される身体部位に関する情報を利用することによって身体部位特定の正確度を改善する。

いくつかの実施形態では、前記１つ又は複数のセンサは、肌接触センサと、肌色センサ及び近接センサのうちの少なくとも１つとを備え、前記解析するステップは、前記ハンドヘルドデバイスが前記肌に接触している接触時間を特定するために、前記肌接触センサからの前記測定信号を解析するステップと、特定された前記接触時間に、前記ハンドヘルドデバイスが使用された前記対象者の身体部位を特定するために、前記学習済みＭＬＭを使用して特定された前記接触時間の、前記肌色センサ及び前記近接センサのうちの前記少なくとも１つからの取得された前記１つ又は複数の測定信号を解析するステップとを有する。これらの実施形態は、特定の身体部位に対しての動作中は前記ハンドヘルドデバイスが肌に接触している状態が維持され、前記ハンドヘルドデバイスが異なる身体部位に移ると、接触が途切れるという前提を利用する。

これらの実施形態では、前記肌接触センサからの前記測定信号を解析するステップは、前記接触時間を、前記ハンドヘルドデバイスが肌と継続的に接触している時間として特定することを含み得る。

若しくは、これらの実施形態では、前記肌接触センサからの前記測定信号を解析するステップは、前記接触時間を、それぞれにおいて前記ハンドヘルドデバイスが肌と継続的に接触している複数の時間にわたるとして特定することを含むことが可能であり、前記複数の時間は、個別に閾値時間量未満である。これらの実施形態は、肌接触が喪失される短時間が許容されるという利点を有する。

いくつかの実施形態では、前記１つ又は複数のセンサは、少なくとも１つの肌接触センサと、肌色センサとを備える。

代替の実施形態では、前記１つ又は複数のセンサは、少なくとも１つの肌接触センサと、肌色センサと、１つ又は複数の近接センサとを備える。

いくつかの実施形態では、前記１つ又は複数のセンサは、少なくとも複数の近接センサを備え、前記複数の近接センサは、各近接センサが、前記近接センサから、前記ヘッド部が接触している肌に隣接する肌のそれぞれの部位までの距離を示すパラメータを測定するように、前記ハンドヘルドデバイスに配置される。

いくつかの実施形態では、前記肌接触センサは容量センサであり、前記肌色センサは光学センサであり、前記近接センサは光及び／又は音に基づく近接センサである。

いくつかの実施形態では、前記近接センサは、垂直共振器型面発光レーザ（ＶＣＳＥＬ）センサを備える。

いくつかの実施形態では、前記対象者の前記身体部位は、足、脚、下腿、上腿、腹、胴、胸、背中、手、腕、前腕、上腕、腋窩、肩、首、顔、上唇、頭皮、又は頭のいずれかである。

第２の態様によれば、具現化されたコンピュータ可読コードを有するコンピュータ可読媒体を備えるコンピュータプログラムが提供され、前記コンピュータ可読コードは、適切なコンピュータ又はプロセッサによる実行時に、前記コンピュータ又はプロセッサに第１の態様又はそのいずれかの実施形態による方法を実行させるように構成される。

第３の特定の態様によれば、対象者に対してパーソナルケア動作を実行するためのハンドヘルドデバイスと、前記ハンドヘルドデバイスが使用された前記対象者の身体部位を特定するための装置とを備えるシステムが提供される。前記ハンドヘルドデバイスは前記パーソナルケア動作中に前記対象者の肌に接触するためのヘッド部を備える。前記ハンドヘルドデバイスは、それぞれのパラメータを測定し前記ハンドヘルドデバイスが前記対象者の前記肌に使用された時にそれぞれの測定信号を生成するための１つ又は複数のセンサをさらに備える。前記１つ又は複数のセンサは、（ａ）前記ヘッド部が肌に接触しているかを示すパラメータを測定する肌接触センサと、（ｂ）前記ヘッド部が接触している肌の肌色を示す、又は前記ヘッド部が接触している肌に隣接する肌の肌色を示すパラメータを測定する肌色センサと、（ｃ）前記近接センサから、前記ヘッド部が接触している肌に隣接する肌までの距離を示すパラメータを測定する近接センサとのうちの少なくとも１つを備える。前記装置は、前記１つ又は複数のセンサのそれぞれから各測定信号を取得し、各測定信号は、前記ハンドヘルドデバイスが前記対象者の肌に使用された時、前記それぞれのパラメータの測定結果の時系列を含み、前記ハンドヘルドデバイスが使用された前記対象者の身体部位を特定するために、学習済み機械学習モデル（ＭＬＭ）を使用して、取得された前記１つ又は複数の測定信号を解析し、前記学習済みＭＬＭは、前記身体部位を特定するために、取得された前記１つ又は複数の測定信号のそれぞれの時間ウィンドウにおける複数の測定結果を解析するように構成され、特定された前記身体部位の標示を出力するように構成された処理部を備える。それによって、第３の態様は、肌接触センサ、肌色センサ、及び近接センサのうちの１つ又は複数からの測定信号に基づいて身体部位を特定できる学習済みＭＬＭの使用によって身体部位の特定における改良を実現する。前記学習済みＭＬＭは、身体部位を特定するために取得された前記１つ又は複数の測定信号における時間ウィンドウ中の複数の測定結果を解析するように構成されるため、前記ＭＬＭは、前記測定信号の時間的情報を考慮できる。

いくつかの実施形態では、前記学習済みＭＬＭは、ロジスティック回帰モデル、サポートベクターマシン、ランダムフォレスト、単純ベイズ分類器、最近傍分類器、決定木分類器、人工ニューラルネットワーク、又はこの組み合わせである。

いくつかの実施形態では、前記処理部は、前記測定結果に対応する身体部位を特定するために、前記ＭＬＭを使用して、取得された前記１つ又は複数の測定信号のそれぞれにおける測定結果を解析するように構成される。これらの実施形態は、前記ＭＬＭが前記測定信号中の測定試料毎に身体部位の識別情報を提供することを実現する。

これらの実施形態では、前記処理部は、後続の測定結果に対応する身体部位を特定するために、取得された前記１つ又は複数の測定信号のそれぞれにおける前記後続の測定結果に対して前記解析を反復するようにさらに構成されることが可能である。これらの実施形態は、パーソナルケア動作の過程中に身体部位が継続的に特定可能であることを実現する。

一実施形態では、前記処理部は、取得された前記１つ又は複数の測定信号のそれぞれにおける前記時間ウィンドウ中の前記複数の測定結果に対する１つ又は複数の特徴のそれぞれの値を決定するようにさらに構成されることが可能であり、前記処理部は、前記身体部位を特定するために、前記ＭＬＭを使用して、決定された前記値を解析するように構成されることが可能である。

この実施形態では、前記処理部は、後続の複数の測定結果を提供するために、取得された前記１つ又は複数の測定信号を横切って前記時間ウィンドウを移動し、前記後続の複数の測定結果に対応する前記身体部位を特定するために、前記後続の複数の測定結果を使用して、前記解析を反復するようにさらに構成されることが可能である。これらの実施形態は、パーソナルケア動作の過程中に身体部位が継続的に特定可能であることを実現する。

いくつかの実施形態では、前記処理部は、特定された身体部位を示す一連の出力を提供するために、前記１つ又は複数の測定信号における後続の測定結果に対して前記解析を反復し、前記ハンドヘルドデバイスが使用された身体部位を示す最終的な出力を決定するために、前記一連の出力に対してフィルタを適用するようにさらに構成される。これらの実施形態は、スプリアス身体部位特定が前記ＭＬＭの出力から「取り除かれる」ことができるという利点を実現する。

いくつかの実施形態では、前記処理部は、第１の時間において前記ハンドヘルドデバイスが使用された前記対象者の身体部位に関するユーザからの確認を受信し、受信された前記確認と、前記第１の時間に対応する、取得された前記１つ又は複数の測定信号の一部とに基づいて前記学習済みＭＬＭを更新するようにさらに構成される。これらの実施形態は、検出正確度を改善するために前記ＭＬＭが洗練され得ることを実現する。これらの実施形態は、さらに、前記ＭＬＭが対象者の身体部位の形状に合わせてカスタマイズ又は校正され得ることを実現する。

いくつかの実施形態では、前記ハンドヘルドデバイスの前記ヘッド部は、取り外し可能なヘッド部のセットから選択され、前記セットのうちの各ヘッド部は、それぞれの身体部位との使用のためのものであり、前記処理部は、前記パーソナルケア動作中に前記ハンドヘルドデバイスで使用された前記取り外し可能なヘッド部の標示を取得するようにさらに構成され、前記処理部は、前記ハンドヘルドデバイスが使用された前記対象者の身体部位を特定するために、前記ＭＬＭを使用して、取得された前記１つ又は複数の測定信号とともに、取得された前記標示をさらに解析するように構成される。これらの実施形態は、ハンドヘルドデバイスで使用中の取り外し可能なヘッド部を使用して処置される身体部位に関する情報を利用して、前記ＭＬＭによって前記身体部位特定の正確度を改善する。

いくつかの実施形態では、前記１つ又は複数のセンサは、肌接触センサと、肌色センサ及び近接センサのうちの少なくとも１つとを備え、前記処理部は、前記ハンドヘルドデバイスが前記肌に接触している接触時間を特定するために、前記肌接触センサからの前記測定信号を解析し、特定された前記接触時間に、前記ハンドヘルドデバイスが使用された前記対象者の身体部位を特定するために、前記学習済みＭＬＭを使用して特定された前記接触時間の、前記肌色センサ及び前記近接センサのうちの前記少なくとも１つからの取得された前記１つ又は複数の測定信号を解析するように構成される。これらの実施形態は、特定の身体部位に対しての動作中はハンドヘルドデバイスが肌に接触している状態が維持され、ハンドヘルドデバイスが異なる身体部位に移ると、接触が途切れるという前提を利用する。

これらの実施形態では、前記処理部は、前記接触時間を、ハンドヘルドデバイスが肌と継続的に接触している時間として特定するために、前記肌接触センサからの前記測定信号を解析するように構成され得る。

若しくは、これらの実施形態では、前記処理部は、前記接触時間を、それぞれにおいて前記ハンドヘルドデバイスが肌と継続的に接触している複数の時間にわたるとして特定するために、前記肌接触センサからの前記測定信号を解析するように構成されることが可能であり、前記複数の時間は、個別に閾値時間量未満である。これらの実施形態は、肌接触が喪失される短時間が許容されるという利点を有する。

いくつかの実施形態では、前記１つ又は複数のセンサは、少なくとも１つの肌接触センサと、肌色センサとを備える。

代替の実施形態では、前記１つ又は複数のセンサは、少なくとも１つの肌接触センサと、肌色センサと、１つ又は複数の近接センサとを備える。

いくつかの実施形態では、前記１つ又は複数のセンサは、少なくとも複数の近接センサを備え、前記複数の近接センサは、各近接センサが、当該近接センサから、前記ヘッド部が接触している肌に隣接する肌のそれぞれの部位までの距離を示すパラメータを測定するように、前記ハンドヘルドデバイスに配置される。

いくつかの実施形態では、前記肌接触センサは容量センサであり、前記肌色センサは光学センサであり、前記近接センサは光及び／又は音に基づく近接センサである。

いくつかの実施形態では、前記近接センサは、垂直共振器型面発光レーザ（ＶＣＳＥＬ）センサを備える。

いくつかの実施形態では、前記対象者の前記身体部位は、足、脚、下腿、上腿、腹、胴、胸、背中、手、腕、前腕、上腕、腋窩、肩、首、顔、上唇、頭皮、又は頭のいずれかである。

いくつかの実施形態では、前記装置は、前記ハンドヘルドデバイスの一部であり、又は前記ハンドヘルドデバイスに他の方法で備えられる。代替の実施形態では、前記装置は前記ハンドヘルドデバイスから分離している。

上記及び他の態様は、以下に記載の実施形態から明らかであり、それを参照して説明される。

以下の図面を参照して、例示目的のみのために、例示の実施形態を説明する。

肌接触センサ及び肌色センサを備える例示のハンドヘルドデバイスの図である。 肌接触センサ、肌色センサ、及び近接センサを備える代替の例示のハンドヘルドデバイスの図である。 パーソナルケア動作を実行するためのハンドヘルドデバイスと、ハンドヘルドデバイスが使用される身体部位を特定するための装置とを備える例示のシステムのブロック図である。 使用された近接センサの数に対する分類正確度のプロットである。 メジアンフィルタの長さに応じた分類正確度のプロットである。 モードフィルタの長さに応じた分類正確度のプロットである。 学習データ収集段階で取得された肌接触センサからの例示の測定信号を示すプロットである。 測定信号を解析するための例示の技法を示す２つのフローチャートである。 ランダムフォレスト分類器の例示の構造を示す図である。 人工ニューラルネットワークの例示の構造を示す図である。 汎用及び個別のランダムフォレスト分類器及び人工ニューラルネットワークの分類結果を示す図である。 汎用及び個別のランダムフォレスト分類器及び人工ニューラルネットワークの分類結果を示す図である。 汎用及び個別のランダムフォレスト分類器及び人工ニューラルネットワークの分類結果を示す図である。 汎用及び個別のランダムフォレスト分類器及び人工ニューラルネットワークの分類結果を示す図である。 ランダムフォレストモデルの４つの異なる実施の正確度に対する出力モードフィルタリングの適用の効果を示す図である。 肌接触測定信号がアタッチメント間における変動に合わせて修正されない場合のランダムフォレスト分類に対して得られた正確度ボックスプロットである。 個別ランダムフォレストモデルのための決定木を視覚化した図である。 個別ランダムフォレストモデルのための決定木を視覚化した図である。 身体部位を特定する例示の方法を示すフローチャートである。

上述したように、本明細書に記載の技法は、パーソナルケア動作中にハンドヘルドデバイスが使用されている、及び／又は使用された身体部位を特定するために使用可能である。これらの技法は、ハンドヘルドデバイス（例えば、ハンドヘルドデバイスの処理部）によって実施されることが可能であり、又は分離した装置の処理部によって実施されることが可能である。ハンドヘルドデバイスは、それぞれのパラメータを測定してそれぞれの測定信号を生成する１つ又は複数のセンサを備え、それらの測定信号は、ハンドヘルドデバイスが使用されている身体部位を特定するために、機械学習モデル（ＭＬＭ）を使用して解析される。

図１は、肌接触センサ及び肌色センサを備える特定の実施形態による例示のハンドヘルドデバイス２の図である。ハンドヘルドデバイス２は対象者（例えば、人又は動物）の身体上での使用のためのものであり、使用中はユーザの片手又は両手で保持される。ハンドヘルドデバイス２が対象者の身体部位に接触している状態で、ハンドヘルドデバイス２は対象者の身体に何らかのパーソナルケア動作を実行する。いくつかの実施形態では、ハンドヘルドデバイス２は、対象者の肌に対して何らかのパーソナルケア動作を実行する。いくつかの例示のパーソナルケア動作は、シェービング、電気分解処置、抜毛、レーザ及び光治療（光脱毛又はインテンスパルスライト（ＩＰＬ）として知られる）、及び処置的抗アンドロゲン注射のいずれかによる不要な毛髪の除去、毛髪成長減退、座瘡治療、光線療法処置、肌の若返り、肌の引締め、又はポートワイン斑処置を含む皮膚科（肌）治療、鎮痛、マッサージの提供、ネイルトリートメントの提供、及び物理療法の提供を含むが、これに限定されない。若しくは、ハンドヘルドデバイス２は、対象者の身体に対してパッチ（例えば心電図（ＥＣＧ）電極など）を適用するためのものでもよく、又はハンドヘルドデバイス２は身体部位に対して超音波スキャンを実行するためのものでもよい。

本明細書で記載される場合、ハンドヘルドデバイス２は、「ユーザ」によって動作又は使用され、ハンドヘルドデバイス２は「対象者」の身体上で使用される。いくつかの場合では、ユーザ及び対象者は同一の人であり、すなわち、ハンドヘルドデバイス２はユーザによって手で保持されてユーザ自身に対して使用される（例えば、自分の脚の肌に対して使用される）。他の場合では、ユーザ及び対象者は異なる人であり、例えばハンドヘルドデバイス２はユーザによって手で保持され、他の人に対して使用される。

ハンドヘルドデバイス２は、少なくともハンドル部５とヘッド部６とを含む筐体４を備える。ハンドル部５は、ユーザが片手でハンドヘルドデバイス２を保持できるようにする形状を有する。ヘッド部６は、筐体４のヘッド端部８に存在し、ヘッド部６が身体又は肌と接触している位置において対象者の身体又は肌に対してパーソナルケア動作が実行されるように、ヘッド部６は対象者と接触するように配置される。

図１に図示する実施形態では、ハンドヘルドデバイス２は、エネルギ又はエネルギパルス（例えば光又は光パルス）を使用してパーソナルケア動作を実行するためのものである。そのため、図１では、ヘッド部６は、筐体４中又は筐体４上に配置されたアパーチャ１０を備え、アパーチャ１０は対象者の肌と隣り合って、又は肌上に（すなわち肌と接触して）配置され得る。ハンドヘルドデバイス２は、アパーチャ１０を介して対象者の肌に印加されてパーソナルケア動作を実現するエネルギパルスを生成するための１つ又は複数のエネルギ源１２を備える。１つ又は複数のエネルギ源１２は筐体４に配置され、それによってエネルギパルスが１つ又は複数のエネルギ源１２からアパーチャ１０を介して供給される。アパーチャ１０は、筐体４のヘッド端部８における開口部の形状を有してもよく、又はエネルギパルスにとって透過又は半透過であるウィンドウ（導波管を含む）の形状を有してもよい（すなわち、エネルギパルスはウィンドウを通過できる）。

図１に示す例示の実施形態では、アパーチャ１０は全体として矩形を有し、その結果として、肌上に全体的に矩形の肌処置領域が得られる。なお、アパーチャ１０はいずれかの他の所望の形状を有し得ることが理解されるであろう。例えば、アパーチャ１０は、正方形、楕円形、円形、又はいずれかの他の多角形であることが可能である。

１つ又は複数のエネルギ源１２は、例えば、光、音、無線周波数（ＲＦ）信号、マイクロ波放射、及びプラズマなど、パーソナルケア動作を実行するためのいずれかの適切な種類のエネルギを生成できる。光を生成するエネルギ源１２の場合、エネルギ源１２は、いずれかの適切又は所望の波長（又は波長範囲）及び／又は強度で光パルスを生成するように構成され得る。例えば、エネルギ源１２は、可視光、赤外線（ＩＲ）光及び／又は紫外線（ＵＶ）光を生成可能である。各エネルギ源１２は、１つ又は複数の発光ダイオード（ＬＥＤ）、（キセノン）フラッシュランプ、レーザなどのいずれかの適切な種類の光源を備えることが可能である。好適な実施形態では、ハンドヘルドデバイス２は光脱毛を実行するためのものであり、エネルギ源１２は強力な光パルスを供給する。例えば、エネルギ源１２は、およそ２．５ミリ秒（ｍｓ）の区間のための５６０から１２００ナノメートル（ｎｍ）範囲のスペクトル成分を有する光パルスを供給でき、それらの波長が吸収によって毛髪及び毛根のメラミンを加熱し、毛嚢を静止期に移行させ、毛髪の再成長を防ぐ。音を生成するエネルギ源１２の場合、エネルギ源１２は、いずれかの適切又は所望の波長（又は波長範囲）及び／又は強度で音パルスを生成するように構成され得る。例えば、エネルギ源１２は超音波トランスデューサでもよい。

１つ又は複数のエネルギ源１２は、エネルギのパルスを供給するように構成される。すなわち、エネルギ源１２は、短時間（例えば１秒未満）で高強度のエネルギを生成するように構成される。エネルギパルスの強度は、アパーチャ１０と隣接する肌又は身体部位上に処置動作を実現する程度に十分高い必要がある。

当然ながら、図１に図示する実施形態は、エネルギ又はエネルギパルスを使用して動作を実行するためのハンドヘルドデバイス２であるが、ヘッド部６が他の種類の動作を実現又は実行するように構成され得ることが理解されるであろう。例えば、ハンドヘルドデバイス２は、シェーバー又はヘアクリッパーでもよく、その場合、ヘッド部６は、ヘッド部６が肌に接触している状態の時に毛髪を切ることができるようにするための、１つ又は複数の切刃又は刃を備え得る。別の例として、ハンドヘルドデバイス２は、超音波画像を取得するために使用される超音波プローブでもよい。この例では、ヘッド部６は、超音波を生成するための超音波トランスデューサと、体内から反射されて返ってきた超音波を受信するための超音波受信器とを備え得る。

図示するハンドヘルドデバイス２は、ヘッド部６が肌と接触している時を判断するために使用されるヘッド部６の上又は内部に配置された２つの肌接触センサ１４、１６をさらに備える。肌接触センサ１４、１６は、ヘッド部６が肌と接触しているかを示すパラメータを測定し、パラメータの測定結果の時系列を含むそれぞれの測定信号（「肌接触測定信号」と呼ばれる）を生成する。通常、接触センサは、光パルスがユーザ又は対象者の目に向かうことを避けるために、光パルスが生成される前にハンドヘルドデバイス２が肌に正しく接触していることを確実にするために、ハンドヘルドデバイス２、特に光脱毛器中で使用される。上述したように、肌接触センサからの測定信号は、ハンドヘルドデバイス２が接触している身体部位を特定するために使用可能である。

いくつかの実施形態では、パラメータは容量でもよく、したがって肌接触センサ１４、１６はヘッド部６の表面上の電気接点又は電極のそれぞれの対を介して容量を測定でき、測定された容量は、肌接触があるかを示す。代替の実施形態では、パラメータは光強度又は光量でもよく、したがって肌接触センサ１４、１６は、光センサに入射した光の強度又は量を測定する光センサでもよく、測定された強度又は量は、肌接触があるかを示す（例えばわずかな光、又は光が全くない状態は、肌が光センサ１４、１６を覆った時の肌接触を示す場合があり、またその逆もあり得る）。他の代替の実施形態では、パラメータは肌圧力の測定値でもよく、したがって肌接触センサ１４、１６は、それぞれの圧力センサ又は機械的スイッチを介して肌圧力を測定でき、測定された肌圧力は、肌接触があるかを示す。

図示するハンドヘルドデバイス２は、ヘッド部６が接触している肌の肌色を判断するために使用される、ヘッド部６上、又はヘッド部６中に配置された肌色センサ１８をさらに備える。肌色センサ１８は、肌の肌色を示すパラメータを測定し、パラメータの測定結果の時系列を含む測定信号（「肌色測定信号」と呼ばれる）を生成する。通常、肌色センサは、処置対象の肌のタイプに適した強度を光パルスが有することを確実にするために、又は肌タイプ（例えば非常に多くのメラニン成分を有する暗めの肌）が光パルスに適さない場合に光パルスの生成を防ぐために、ハンドヘルドデバイス２、特に光脱毛器中で使用される。本明細書で説明したように、肌色センサからの測定信号は、ハンドヘルドデバイス２が接触している身体部位を特定するために使用可能である。

いくつかの実施形態では、肌色センサ１８は、光センサであることが可能であり、光センサによって測定されたパラメータは、肌から反射した特定の波長又は複数の波長における光の強度又は量であり得る。特定の波長における反射光の測定された強度又は量は、肌の色を示し得る。反射光の測定された強度又は量は、肌のメラニン濃度に基づいてもよく、それによって、測定された強度又は量はメラニン濃度を示し得る。メラニン濃度は、例えば、６６０ｎｍ（赤）及び８８０ｎｍ（赤外線）波長における光反射の測定結果から導出されることが可能である。

図示するハンドヘルドデバイス２は、ハンドヘルドデバイス２をアクティブ化するためにユーザによって動作可能なユーザコントロール２０をさらに備え、それによってヘッド部６は対象者の身体に対して要求されるパーソナルケア動作を実行する（例えば、１つ又は複数のエネルギ源１２によるエネルギパルスの生成）。若しくは、又は加えて、本明細書で説明された身体部位特定技法を開始するために、ユーザによってユーザコントロール１８が使用可能である。ユーザコントロール２０は、スイッチ、ボタン、タッチパッドなどの形状を有する。

図１では不図示であるが、ヘッド部６は、特定の身体部位に対する使用が意図された取り外し可能なアタッチメントとして形成されることが可能である。この取り外し可能なアタッチメントは、本明細書において取り外し可能なヘッド部とも呼ばれる。それぞれがそれぞれの形状及びそれぞれのアパーチャサイズを有する多数の取り外し可能なアタッチメントが設けられることが可能であり、アタッチメントは処置対象の身体部位に基づいてハンドヘルドデバイス２上での使用のために選択され得る。例えば、顔での使用、腋窩での使用、ビキニラインでの使用、身体全体での使用（例えば、大きい身体表面領域）のために、異なるアタッチメントが設けられることが可能である。

図２は、肌接触センサ、肌色センサ、及び近接センサを備える代替の例示のハンドヘルドデバイス３２のいくつかの図である。図２は、ハンドヘルドデバイス３２の（すなわちヘッド部６に対向する）正面図、ハンドヘルドデバイス３２の側部断面図、ハンドヘルドデバイス３２の上面図を示す。図２は、近接センサのための視野（ＦＯＶ）をさらに示す。

図２に示すハンドヘルドデバイス３２は、図１に示すハンドヘルドデバイス２と全体的に対応しており、ハンドヘルドデバイス２と同一のハンドヘルドデバイス３２の特徴及び要素に対して同一の参照番号が用いられる。

肌接触センサ１４、１６及び肌色センサ１８に加えて、図２のハンドヘルドデバイス３２は、ハンドヘルドデバイス３２中又はその上に配置されてヘッド部６と接触している肌の部位に近接した肌への近接又は距離を測定するために使用される８つの近接センサ３４を備える。実践上の実施例において、８よりも多い、又は８より少ない数の近接センサ３４がハンドヘルドデバイス３２中で使用可能であることが理解されるであろう。実際、いくつかの実施形態では、単一の近接センサ３４が使用可能である。ただし、より詳細に後述するように、近接センサ３４は、ヘッド部６が接触している肌の領域周辺の身体部位の形状（輪郭）を観察又は測定するために使用され、したがってハンドヘルドデバイス３２は複数の（すなわち少なくとも２つの）近接センサ３４を含むことが好ましい。使用される近接センサ３４の数が多いほど、観察又は測定される肌の形状（輪郭）の解像度が高くなる。図２に示す実施形態では、ヘッド端部８に８つの近接センサ３４が配置され、ヘッド部６の周囲に全体的に均一に構成される。図示する実施形態では、近接センサ３４の視野が改善し、ヘッド部６が肌と接触している時にゼロ以外の距離が測定されることを意味するため、各近接センサ３４は、その近接センサ３４がヘッド部６から下がって設置されるように（すなわち各近接センサ３４がヘッド部６の面からオフセットであるように）ヘッド端部８の中又は上に配置される。代替の実施形態では、各近接センサは、ヘッド部６と同一の平面に（すなわち同一平面内に）配置され得る。

各近接センサ３４は、近接センサ３４に対する肌の近接度を示すパラメータを測定し、特に、近接センサ３４から、ヘッド部６が接触している肌に隣合った肌への距離を示すパラメータを測定する。各近接センサ３４は、パラメータの測定結果の時系列を含むそれぞれの測定信号（「近接度測定信号’」と呼ばれる）を生成する。

いくつかの実施形態では、各近接センサ３４は、近接センサ３４のエネルギ源から、対向する表面（すなわち肌）からの反射後、近接センサ３４のエネルギセンサへのエネルギの飛行時間に基づいて距離を測定できる。例えば、近接センサ３４は、光源（例えばおよそ８５０ｎｍの赤外線（ＩＲ）光を出射するＩＲ光源又は可視光源）と、光源によって出射された光の少なくとも波長に反応する光センサとを備えることが可能であり、近接度／距離は、光の飛行時間の解析に基づいて判断され得る。他の例として、近接センサ３４は、１つ又は複数の周波数の音を放出する、スピーカーなどの音源（例えば放出される音は超音波でもよい）と、音源によって放出された音の少なくとも周波数に反応する音センサ（例えばマイク）とを備え得る。近接度／距離は、音の飛行時間の解析に基づいて判断され得る。

視野（ＦＯＶ）３６は、図２において近接センサ３４毎に図示され、ＦＯＶ３６は、関連する近接センサ３４が距離を測定できる領域を表す。例えば、ＦＯＶ３６は、光源／音源から光／音が放出され得る方向及び／又はセンサが入射光／音に反応する方向を表し得る。８つの近接センサ３４は、ヘッド部６の外周部の周りに配置され、それによって複数のＦＯＶ３６が重なり、外周部の周りの全網羅を実現することがわかる。

図３は、パーソナルケア動作を実行するためのハンドヘルドデバイス２、３２と、ハンドヘルドデバイス２、３２が使用される身体部位を特定するための装置４４とを備える例示のシステム４２のブロック図である。装置４４は、ハンドヘルドデバイス２、３２（例えば光脱毛デバイス、シェービングデバイス、ヘアクリッパーなど）を備えるシステム４２の一部として示される。図３に示す実施形態において、装置４４は、ハンドヘルドデバイス２、３２から分離された装置であり、それによって装置４４は、スマートフォン、スマートウォッチ、タブレット、パーソナルデジタルアシスタント（ＰＤＡ）、ラップトップ、デスクトップコンピュータ、スマートミラーなどの電子デバイスの形態を有する。他の実施形態では、装置４４、特に装置４４によって実現される本発明による機能は、ハンドヘルドデバイス２、３２の一部である。さらに他の実施形態では、以下に説明する本発明の様々な実施形態による機能は、ハンドヘルドデバイス２、３２と、分離した装置４４との間で分割され得る。

装置４４は、装置４４の動作を全体的に制御して装置４４が本明細書に記載される方法及び技法を実行できるようにする処理部４６を備える。簡潔に述べると、処理部４４は、パーソナルケア動作中に肌接触センサ１４、１６、肌色センサ１８、及び１つ又は複数の近接センサ３４のうちの１つ又は複数から測定信号を受信し、ハンドヘルドデバイス２、３２が使用されている身体部位を特定するために学習済み機械学習モデル（ＭＬＭ）を使用して測定信号を解析する。

それによって、処理部４６は、装置４４の別の構成要素から測定信号を受信するように構成されることが可能であり、したがって処理部４６は、その別の構成要素から測定信号を受信するための１つ又は複数の入力ポート又は他の構成要素を含む、又は備えることが可能である。処理部４６は、装置４４の他の構成要素と通信するための１つ又は複数の出力ポート又は他の構成要素をさらに含む、又は備えることが可能である。

処理部４６は、本明細書で説明される様々な機能を実行するために、ソフトウェア及び／又はハードウェアにより多くの手法で実施されることが可能である。処理部４６は、要求される機能を実行するために、及び／又は要求される機能を実現するように処理部４６の構成要素を制御するように、ソフトウェア又はコンピュータプログラムコードを使用してプログラムされる１つ又は複数のマイクロプロセッサ又はデジタル信号プロセッサ（ＤＳＰ）を備える。処理部４６は、ある機能を実行する専用ハードウェア（例えば増幅器、前置増幅器、アナログデジタル変換器（ＡＤＣ）及び／又はデジタルアナログ変換器（ＤＡＣ））と、他の機能を実行するプロセッサ（例えば１つ又は複数のプログラムされたマイクロプロセッサ、コントローラ、ＤＳＰ、及び関連サーキットリー）との組み合わせとして実施される。本開示の様々な実施形態で用いられる構成要素の例は、従来のマイクロプロセッサ、ＤＳＰ、特定用途向け集積回路（ＡＳＩＣ）、及びフィールドプログラマブルゲートアレイ（ＦＰＧＡ）を含むが、これに限定されない。

処理部４６は、メモリ部４８を備えることができ、又はそれと関連付けられることが可能である。メモリ部４８は、装置４４の動作を制御する際、及び／又は本明細書に記載の方法を実施又は実行する際に、処理部４６によって使用されるデータ、情報、及び／又は信号（測定信号及び／又は学習済みＭＬＭを定義する情報又はコンピュータコードを含む）を格納可能である。いくつかの実施例において、メモリ部４８は、処理部４６によって実行可能なコンピュータ可読コードを格納し、それによって処理部４６は本明細書に記載される方法を含む１つ又は複数の機能を実行する。特定の実施形態において、プログラムコードは、スマートフォン、タブレット、ラップトップ、又はコンピュータのためのアプリケーションの形態を有することが可能である。メモリ部４８は、ランダムアクセスメモリ（ＲＡＭ）、静的ＲＡＭ（ＳＲＡＭ）、動的ＲＡＭ（ＤＲＡＭ）、読出し専用メモリ（ＲＯＭ）、プログラマブルＲＯＭ（ＰＲＯＭ）、消去可能ＰＲＯＭ（ＥＰＲＯＭ）、及び電気消去可能ＰＲＯＭ（ＥＥＰＲＯＭ（登録商標））などの揮発性及び不揮発性コンピュータメモリを含むキャッシュ又はシステムメモリなどのいずれかの種類の非一時的機械可読媒体を備えることが可能であり、メモリ部は、メモリチップ、光学ディスク（コンパクトディスク（ＣＤ）、デジタル多用途ディスク（ＤＶＤ）又はブルーレイディスクなど）、ハードディスク、テープストレージソリューション、又はメモリスティック、ソリッドステートドライブ（ＳＳＤ）、メモリカードなどを含むソリッドステートデバイスの形態で実施されることが可能である。

図３に示す実施形態では、装置４４がハンドヘルドデバイス２、３２から分離しているため、装置４４は、装置４４が ハンドヘルドデバイス２、３２から測定信号を受信できるようにするインターフェースサーキットリー５０をさらに含む。装置４４のインターフェースサーキットリー５０は、ハンドヘルドデバイス２、３２、サーバ、データベース、ユーザデバイス、およびセンサのうちのいずれかの１つ又は複数を含む他のデバイスとのデータ接続及び／又はデータ交換を可能とする。ハンドヘルドデバイス２、３２（又はいずれかの他のデバイス）への接続は、直接的又は間接的（例えばインターネットを介する）でもよく、それによってインターフェースサーキットリー５０は、所望の有線又は無線通信プロトコルによる、装置４４とネットワークとの間での接続、又は装置４４と他のデバイス（ハンドヘルドデバイス２、３２など）との間での直接接続を実現できる。例えば、インターフェースサーキットリー５０は、ＷｉＦｉ（登録商標）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、Ｚｉｇｂｅｅ（登録商標）、又はいずれかのセルラ通信プロトコル（Ｇｌｏｂａｌ Ｓｙｓｔｅｍ ｆｏｒ Ｍｏｂｉｌｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ（ＧＳＭ）、ユニバーサルモバイルテレコミュニケーションシステム（ＵＭＴＳ）、ロングタームエボリューション（ＬＴＥ）、ＬＴＥ－Ａｄｖａｎｃｅｄなどを含むがこれに限定されない）を使用して動作可能である。無線接続の場合、インターフェースサーキットリー５０（したがって装置４４）は、伝達媒体（例えば空気）を介して送受信するための１つ又は複数の適切なアンテナを含む。若しくは、無線接続の場合、インターフェースサーキットリー５０は、インターフェースサーキットリー５０を、伝達媒体（例えば空気）を介して送受信するための装置４４の外部の１つ又は複数の適切なアンテナに接続可能とする手段（例えばコネクタ又はプラグ）を含む。インターフェースサーキットリー５０は、処理部４６に接続される。

図３には不図示であるが、装置４４は、装置４４のユーザが装置４４に対して情報、データ、及び／又はコマンドを入力できるようにし、及び／又は装置４４が装置４４のユーザに対して情報又はデータを出力できるようにする１つ又は複数の構成要素を含む１つ又は複数のユーザインターフェース構成要素を備えてもよい。ユーザインターフェースは、 キーボード、キーパッド、１つ又は複数のボタン、スイッチ又はダイヤル、マウス、トラックパッド、タッチスクリーン、スタイラス、カメラ、マイクなどを含むがこれに限定されないいずれかの適切な入力構成要素を備えることが可能であり、ユーザインターフェースは、ディスプレイユニット又はディスプレイ画面、１つ又は複数の照明又は光素子、１つ又は複数のスピーカー、振動子などを含むがこれに限定されないいずれかの適切な出力構成要素を備えることが可能である。

装置４４の実践上の実施は、図３に示すものに対する追加構成要素を含むことが理解されるであろう。例えば、装置４４は、電池などの電源、又は装置４４を主電源に接続可能とする構成要素をさらに含む。

図３に示すハンドヘルドデバイス２、３２は、それぞれのパラメータを測定しハンドヘルドデバイス２、３２が対象者の肌に対して使用された時にそれぞれの測定信号を生成するための１つ又は複数のセンサ５２を備える。

いくつかの実施形態では、１つ又は複数のセンサ５２は、肌接触センサ１４、１６又は複数の肌接触センサ１４、１６を備える。いくつかの実施形態では、１つ又は複数のセンサ５２は、肌色センサ１８又は複数の肌色センサ１８を備える。いくつかの実施形態では、１つ又は複数のセンサ５２は、近接センサ３４又は複数の近接センサ３４を備える。他の実施形態では、１つ又は複数のセンサ５２は、１つ又は複数の肌接触センサ１４、１６、１つ又は複数の肌色センサ１８、及び／又は１つ又は複数の近接センサ３４のいずれかの組み合わせを備える。

ハンドヘルドデバイス２、３２は、ハンドヘルドデバイス２、３２から装置４４へ、測定信号を含む信号を送信するためのインターフェースサーキットリー５４をさらに備える。インターフェースサーキットリー５４は、インターフェースサーキットリー５０と通信するために、装置４４のインターフェースサーキットリー５０に対して上記で概要を述べたオプションのいずれかにしたがって実施されることが可能である。

ハンドヘルドデバイス２、３２は、例えばパーソナルケア動作を実現するパーソナルケア部をアクティブ化及び非アクティブ化するなど、ハンドヘルドデバイス２、３２の動作を全体的に制御するデバイス処理部５６をさらに備える。デバイス処理部５６は、装置４４の処理部４６に関して上記で概要を述べたオプションのいずれかにしたがって数多くの手法で実施されることが可能である。

デバイス処理部５６は、１つ又は複数のセンサ５２と接続可能であり、１つ又は複数のセンサ５２から、例えば入力ポートを介してデバイス処理部５６への測定信号を受信する。いくつかの実施形態では、デバイス処理部５６は、後続の処理のために装置４４への送信のために、測定信号をインターフェースサーキットリー５４へ出力する。

図３のいくつかの実施例では、装置４４は、本発明による機能を実現するアプリケーションを実行しているスマートフォン、タブレット、又はスマートミラーである。

装置４４又は装置４４の機能がハンドヘルドデバイス２、３２の一部である実施形態では、デバイス処理部５６は、ハンドヘルドデバイス２、３２が使用された身体部位を特定する装置処理部４６の機能を実施できる。

ハンドヘルドデバイス２、３２の実践上の実施は、図３に示すものに対する追加構成要素を含むことが理解されるであろう。例えば、ハンドヘルドデバイス２、３２は、電池などの電源、又はハンドヘルドデバイス２、３２を主電源に接続可能とする構成要素をさらに含む。

１つ又は複数のセンサ５２を有するハンドヘルドデバイス２、３２の使用中、センサによって生成された測定信号は、その時にハンドヘルドデバイス２、３２が使用されている身体部位にしたがう一意の（又は少なくとも区別可能な）パターンを示す場合がある。したがって、パーソナルケア動作中にそれらのパターンが発生した場合にそのパターンを特定し、例えば、足、脚、下腿、上腿、腹、胴、胸、背中、手、腕、前腕、上腕、腋窩、肩、首、顔、上唇、頭皮、又は頭などの対応身体部位に照合するために機械学習技法が使用可能であることがわかる。パターンは、さらに、左側又は右側の身体部位（例えば左脚又は右脚）が互いに区別可能とする。

上位概念レベルにおいて、上述したセンサ５２に基づく身体部位特定は、異なる身体部位がそれらのセンサ５２のいくつかからの測定信号に対して有する数多くの効果を考慮することによって理解可能である。

第１に、ハンドヘルドデバイス２、３２と対象者の肌との間で肌接触が行われ得る範囲は、身体部位に依存することが可能である。例えば、上唇において、高い身体曲率に起因して、他の身体部位よりも肌接触が通常小さくなる。容量ベースの肌接触センサ１４、１６の場合、この小さい肌接触は、容量信号の信号強度に影響する場合がある。さらに、容量信号は、異なる身体部位間で異なる肌の電気（誘電）特性に依存する。特に、肌は、油道と汗管により穴があいた不均一組織の層から構成される。これらの管の集中と、組織のイオン透過性は、様々な身体部位間で異なり、例えば腋窩部位では汗腺の数が多く、したがって容量信号の応答が身体部位間で異なる。

第２に、一般に肌の色及び肌の光学的特性は、異なる身体部位間で異なる場合があり、光学ベースの肌色センサ１８からの測定信号に影響を及ぼし得る。さらに、肌接触の程度は、肌色測定信号の信号強度に影響を及ぼし得る。

第３に、光学ベースの近接センサ３４は、対象者の肌によって反射し返された光の量を測定する。受光量は、近接センサ３４と肌との間の距離、「フィルファクタ」（すなわちＦＯＶ３６のどの程度が身体／肌によって「埋められて」いるか）、肌と近接センサ３４のＦＯＶ３６との間の角度、肌の光学的特性のような因子に依存する。それによって、近接センサ３４のいずれかの所与の構成に対して、すなわちヘッド部６と互いに関する近接センサ３４の配置及び向きに関して、身体上のＩＰＬデバイスの配置及び向きがセンサからの信号の組み合わせに影響することがわかる。

これらのセンサ５２からの測定信号に対して異なる身体部位が有する影響は数多く存在するため、測定信号から身体部位を特定するようにＭＬＭは訓練される。このデータ駆動型のアプローチは、１つ又は複数のセンサ５２のための測定信号が数多くの異なる身体部位に対するパーソナルケア動作中に対象者の母集団に対して取得されることを意味し、ここでそれぞれの身体部位はパーソナルケア動作全体において既知である（すなわち注釈がつけられる）。その後、教師付きＭＬＭがこの取得された学習データに適用され得る。この結果、入力測定信号に基づいて特定された身体部位を出力するデプロイ可能な学習済み分類器アルゴリズムが得られる。機械学習モデルは、例えば、ロジスティック回帰モデル、サポートベクターマシン、ランダムフォレスト、単純ベイズ分類器、最近傍分類器、決定木分類器、人工ニューラルネットワーク、又はこの組み合わせのいずれかである。

身体部位特定アルゴリズムのいくつかの実施例では、身体部位は、１つ又は複数のセンサ５２からの新規測定信号毎に継続的に特定される。ただし、分類正確度は、ある時間にわたる測定信号を集約して特定の時間間隔に処置された身体部位を特定することによって改善される。これは、ユーザが次の身体部位に移動する前にある身体部位の処置を通常終了するため役立つ。測定信号が集約される上記時間間隔は、例えば数秒など固定長を有し得る。代替例として、測定信号が集約される時間間隔は、ハンドヘルドデバイス２、３２が対象者の肌に接触している時間長と一致するように可変でもよく（１つ又は複数のセンサ５２が肌接触センサ１４、１６を備える場合）、これは、異なる身体部位間での移行中にユーザがハンドヘルドデバイス２、３２を肌から持ち上げる可能性があるという前提に基づく。

測定試料がある時間にわたって集約された場合、測定信号の処理によって明示的に、又は、例えば、ＭＬＭが深層ニューラルネットワークの場合に暗示的に、のいずれかによってＭＬＭによって追加の特徴が判断可能である。そのような特徴の例は、センサ５２によって測定されたパラメータの平均値又はセンサ５２毎の測定パラメータの標準偏差でもよいが、パラメータの統計学的特性に関係する特徴を含む多くの他の特徴が判断され得る。

身体部位を特定することにおける上記技法の効果を表す結果が、光脱毛器の形態のハンドヘルドデバイス２、３２に関してここで提示される。ＭＬＭのための学習データは、２つの肌接触センサ１４、１６、肌色センサ１８、及び８つの近接センサ３４を有する光脱毛器を使用した１５人の女性参加者から集めてまとめられた。各参加者は、腕、脚、下腹、（いわゆる「腹－ビキニ」部位）、ビキニライン、顔、及び腋窩の身体部位が連続して処置される少なくとも２回のパーソナルケアセッションを実行した。測定試料は、１０Ｈｚのサンプリング周波数でパーソナルケア動作全体において取得されたものであり、その測定信号は関連身体部位で注釈が付けられた。

取得された測定信号を用いて、ランダムフォレスト分類器の形態のＭＬＭが身体部位検出のために訓練された。分類器は試料ベースであり、すなわち測定試料毎に、身体部位の瞬間推測が行われる。

下記の表１～３は、ランダムフォレスト分類器の３つの異なるバージョンの分類器パフォーマンスを表すコンフュージョンマトリックスである。これらのコンフュージョンマトリックスは、実際の（正しい）身体部位毎に、分類器によって行われた予測、すなわち腕、脚などとして分類器が出力した試料の割合を示す。コンフュージョンマトリックスに示される結果を取得するために、１人の対象者除外交差検証が使用された。これは、対象者毎に、分類器のパフォーマンスが評価され、分類器は他の対象者のすべてに対するデータを使用して訓練されることを意味する。コンフュージョンマトリックスは、全対象者における平均結果を示し、対角線は、異なる身体部位に対する分類正確度を提示する。

表１は、肌接触センサ１４、１６及び肌色センサ１８からの測定信号に基づく、ランダムフォレスト分類器に対するコンフュージョンマトリックスである。

表２は、近接センサ３４からの測定信号にのみ基づくランダムフォレスト分類器のためのコンフュージョンマトリックスである。

表３は、肌接触センサ１４、１６、肌色センサ１８、及び近接センサ３４からの測定信号に基づくランダムフォレスト分類器のためのコンフュージョンマトリックスである。

表に示すように、平均して、ランダムフォレスト分類器による正確な予測の比率は、分類器の３つのバージョンそれぞれに対して６１％、７０％、及び８２％である。予想できる通り、分類器のパフォーマンスは、分類器の一部として評価されたセンサの数に伴って増加する。

肌接触センサ１４、１６及び肌色センサ１８に加えて使用された近接センサ８の数に伴う分類正確度（すなわち正確な予測の比率）の増加を図４に示す。図４は、使用された近接センサ３４の数に対する分類正確度のプロットを示す。このプロットは、変数減少法によって生成され、すなわち全８つの近接センサ３４に対する測定信号から開始し、それぞれの次の繰り返しにおいて最下位の近接度測定信号を削除して、分類器訓練が反復的に実行される。それによって、近接センサ３４の数に伴って分類正確度が改善することがわかるが、より多くの近接センサ３４が使用されると、追加近接センサ毎の改善は減少する。

上述したように、身体部位の測定試料毎の特定は、より正確な結果を得るためにある時間にわたって集約される。一例は、分類器の出力に対するメジアンフィルタの適用である。一般に、メジアンフィルタリングは、信号処理の分野で知られており、この特定の場合において、メジアンフィルタは選択された時間ウィンドウにおける時折の身体部位の誤分類を抑制する。図５（ａ）のプロットは、肌接触センサ１４、１６、肌色センサ１８、及び８つの近接センサ３４のそれぞれが使用される状況における、メジアンフィルタの長さ（秒（ｓ）単位で測定）に応じた分類正確度を示す。正確度は、メジアンフィルタが全く使用されていない場合の８２％から６秒のメジアンフィルタ長が使用された場合の８８％へ増加する（６秒長のフィルタは、分類器出力が６秒の時間間隔において集約されることを意味する）ことがわかる。

より好適な実施例では、身体部位の測定試料毎の特定は、モードフィルタを分類器の出力に対して適用することによってある時間にわたって集約される。モードフィルタは、カテゴリ変数の値、すなわち身体部位を出力するために使用されているため、メジアンフィルタよりも好ましい場合がある。一般に、モードフィルタリングは、信号処理の分野で知られており、この特定の場合において、モードフィルタは、選択された時間ウィンドウの大部分の時間において特定された身体部位を出力することによって、その時間ウィンドウにおける身体部位の時折の誤分類を抑制する。図５（ｂ）のプロットは、肌接触センサ１４、１６、肌色センサ１８、及び８つの近接センサ３４のそれぞれが使用される状況における、モードフィルタの長さ（秒（ｓ）単位で測定）に応じた分類正確度を示す。正確度は、モードフィルタが全く使用されていない場合の８１．５％から９秒のモードフィルタ長が使用された場合の８８％へ増加する（９秒長のフィルタは、分類器出力が９秒の時間間隔において集約されることを意味する）ことがわかる。

上記の例では、ＭＬＭのための学習データは、制御された対象者テストにおいて取得された。若しくは、学習データは、パーソナルケア動作中に ハンドヘルドデバイス２、３２のセンサ５２から測定信号を取得して関連身体部位の注釈を受信することによって「当該分野の消費者」から取得される。測定信号は、スマートフォンなどの接続されたデバイス（例えば装置４４）が利用可能であり、ユーザ／対象者は、信号に関連身体部位の注釈をつけるためにアプリケーションをスマートフォン上で使用できる。

いくつかの場合では、分類器（又はより一般的には学習済みＭＬＭ）が一度でも訓練されて使用されると、分類正確度を改善するように（すなわち学習セットのサイズ増加のため）分類器を更新（再訓練）するために、ハンドヘルドデバイス２、３２の使用中に取得されたさらなる測定信号が使用されることが可能である。

同様に（又は加えて）、特定の対象者に対する測定信号に基づいてＭＬＭを訓練又は再訓練することによって、ＭＬＭをその対象者に対して個別化する（例えば対象者の身体形状に対して個別化する）ことができ、よってその対象者に対する正確度が増加する。したがって、ＭＬＭは、その対象者に対して実行された１つ又は複数の「校正」パーソナルケア動作中に取得された測定信号に基づいて訓練されることができる。これらの校正動作は、対象者の特定の身体部位に対してハンドヘルドデバイス２、３２を適用するようにユーザを案内することを含むことが可能であり、若しくは、ユーザ又は対象者が処置される／処置された身体部位をユーザインターフェースによって示してもよい。

表１～３に示す上記結果のコンテキストにおいて、特定の対象者に対するＭＬＭの個別化によって実現される正確度増加のためのサポートは、ランダムフォレスト分類器を訓練し対象者毎に個々に１セッション除外交差検証を用いてパフォーマンスの評価する際に見られる。平均して、取得される分類器正確度は、肌接触センサ１４、１６及び肌色センサ１８のみを使用した場合に７８％であり、近接センサ３４のみを使用した場合に７８％であり、肌接触センサ１４、１６、肌色センサ１８、及び８つの近接センサ３４を使用した場合に８９％である。これらの信頼度を、試験対象者の全母集団に対して訓練された場合の分類器に対して上記の報告されたもの（それぞれ６１％、７０％、及び８２％）と比較すると、正確度の増加は明らかである。加えて、異なる対象者において正確度が平均化された場合により高い正確度を実現するとともに、対象者間の分類器正確度における変動は、分類器が対象者向けに個別化された場合に小さくなる。

本明細書で提示された技法による２つの肌接触センサ１４、１６及び肌色センサ１８からの測定信号に基づくＭＬＭの構造、訓練及びパフォーマンスのより詳細な説明が、図６～図１７を参照して以下で行われる。

ＭＬＭのための学習データは、２つの肌接触センサ１４、１６及び肌色センサ１８を有する光脱毛器を使用した１５人の女性参加者から集めてまとめられた。各参加者は、前腕、下腿、下腹（いわゆる「腹－ビキニ」部位）、ビキニライン、顔（上唇）、及び腋窩の身体部位が連続して処置される複数のパーソナルケアセッションを実行した。これらの身体部位を処置する際に、光脱毛器において適切な取り外し可能なアタッチメントが使用された。それによって下腿、前腕、及び腹－ビキニに対して全身アタッチメントが使用され、ビキニラインに対してビキニラインアタッチメントが使用され、顔に対して顔アタッチメントが使用され、腋窩に対して腋窩アタッチメントが使用される。

測定信号を収集するために、参加者は自分の身体上でデバイスを動かして、各移動工程において確実に正しい肌接触となるようにした。測定信号を取得するために使用された光脱毛器において、光脱毛器上で点灯される光表示器によって正しい接触が示され、光表示器の動作は、肌接触センサ１４、１６からの測定信号が接触閾値を上回ることに依存する。他の試験の状況では、正しい接触はユーザに対して示されず、及び／又は適切な測定信号の収集には必須ではない。加えて、測定信号を取得するために使用された光脱毛器は、肌接触センサ１４、１６が正しい肌接触を示した時（すなわち肌接触測定信号が閾値を上回った時）にのみ肌色センサ１８からの測定信号が取得されるように構成された。各身体部位が可能な限り網羅されなければならないという命令が与えられ約４０秒から１分（身体領域に依存）の所望の最短処置時間量も示されるが、ハンドヘルドデバイス２、３２が各身体部位に使用される時間量は可変であり、参加者によって決定された。ハンドヘルドデバイス２、３２が使用された身体部位が参加者によって示され、したがって取得された測定信号は関連身体部位の名称で注釈が付けられる。

図６のプロットは、身体部位、すなわち腕、脚、腹－ビキニ、ビキニライン、顔、及び腋窩のための上記学習データ収集段階において取得された、肌接触センサ１４、１６からの例示の測定信号を示す。図示を容易にするため、表記された身体部位に関係しない測定信号の一部（例えばハンドヘルドデバイス２、３２が体から持ち上げられて異なる身体部位に移動された場合に対応する測定信号の一部）は、図６では省略されている。

以下の表４は、対象者（参加者）毎、セッション毎、及び身体部位毎に取得された使用可能な測定試料の数の概要を示す。使用可能な測定試料は、バイアスに対する修正後の肌接触センサ１４（ＳＤＳ１と呼ばれる）からの肌接触測定信号、バイアスに対する修正後の肌接触センサ１６（ＳＤＳ２と呼ばれる）からの肌接触測定信号、及び肌の色と相関し、背景の光に対して修正された、ＳＴＳＲｅｄと呼ばれる赤色（６６０ｎｍ）光に関連した測定反射強度と、背景の光に対して修正された、ＳＴＳＩＲと呼ばれる赤外線（８８０ｎｍ）光に関連した測定反射強度とから導出される、肌色センサ１８からの肌色測定信号（ＳＴＳＳと呼ばれる）から導出される。ハンドヘルドデバイス２、３２の温度を上昇させる光パルスの生成をパーソナルケア動作が含む実践的な実施例において、又はパーソナルケア動作中にハンドヘルドデバイス２、３２の温度が他の方法で変化する実施例において、ハンドヘルドデバイス２、３２の温度に対してＳＴＳＲｅｄ及びＳＴＳＩＲを修正することはさらに有効である。なお、表４において、試料が取得されなかった２回のセッションは、そのセッションにおけるデータ取得障害に起因するものである。

以下において、「試料毎」の身体部位分類は、測定信号における「時間的特徴」に基づく分類とともに評価される。図７のフローチャートは、測定信号が２つの場合においてどのように解析されるかを示し、図７（ａ）は試料毎の分類に関し、図７（ｂ）は時間的特徴分類に関する。両方の方法に共通するステップは、同一の参照番号で表記される。

両方の方法において、測定信号ＳＤＳ１、ＳＤＳ２、ＳＴＳＲｅｄ、ＳＴＳＩＲ、及びＳＴＳＳが取得され（ステップ１０１）、必要に応じてバイアス又は背景光に対して修正される。ステップ１０３において、肌接触センサ測定信号ＳＤＳ１及びＳＤＳ２は、光脱毛器で使用されたアタッチメントに対して修正される。特に、少なくとも肌接触センサ１４、１６の一部は取り外し可能なアタッチメント（例えば電極）上に配置され、したがって肌接触センサ１４、１６の感度は、異なるアタッチメント上の容量電極又はプレートの物理的違いに起因して、アタッチメントのタイプに依存し得る。いくつかの実施形態では、ハンドヘルドデバイス２、３２は、例えば、接続時に取り外し可能なアタッチメントから得られる情報（例えば信号）に基づいてハンドヘルドデバイス２、３２に接続されたアタッチメントのタイプを検出でき、適切な修正又は調整を行うことができる。このアタッチメントに起因する修正は、詳細に後述する。

その後、図７（ａ）に示す「試料毎の」分類に対して、ＳＤＳ１及びＳＤＳ２が肌接触閾値を上回る測定試料がフィルタリングされ（ステップ１０５）、分類器（学習済み機械学習アルゴリズム／モデル）に渡される（ステップ１０７）。

予想されるように、ＳＤＳ１及びＳＤＳ２が肌接触閾値未満の測定試料が上記分類において使用される場合、分類の正確度は下がる。これは、肌接触がない場合に肌接触測定信号が異なる身体部位に対してむしろ類似する（０に近い）ためである。

ステップ１０７において、分類器は１つの測定試料を取り込み、それに基づいて、同一のサンプリングレートで、身体部位を示す１つの試料を出力する（ステップ１０９）。図７（ａ）の方法において、処置された身体部位と相関する測定信号のいずれかの時間的挙動は、したがって考慮されない場合がある。

分類パフォーマンスは、モードフィルタリングを使用して出力試料を集約することによって増加させることができる。したがって、分類器によって特定された身体部位を示す試料は、その後、モードフィルタリングのステップ、すなわちステップ１１１に渡され、学習済み機械学習アルゴリズムの出力に対してスライディングウィンドウが適用される。最頻値（すなわちスライディングウィンドウで最も頻繁に発生する身体部位）が判断され、ステップ１１３で最終的な特定身体部位として出力される。なお、モードフィルタリングが「１試料毎」のスライディングウィンドウを使用する場合に、最終的な特定身体部位は、測定試料が入力されたレートと同一のレートで依然として出力されることが可能であることに留意されたい。モードフィルタリングを使用することによるパフォーマンスの増加は、実際に処置された身体部位が急激に変化しないことに起因する。したがって、分類器は大部分の時間において右側の身体部位のみを特定しなければならず、したがって時折の身体部位の誤分類がフィルタリングされて除去される。

図７（ｂ）に示す「時間的特徴」に基づく分類に関して、ステップ１０３の後、異なるフィルタリングプロセスが適用され（ブロック１１５）、肌接触フィルタリング／閾値は適用されない。ブロック１１５のステップ１１７において、測定試料のサブセットを選択するために入力測定試料に対してスライディングウィンドウが適用される。使用されている機械学習モデルに応じて、ブロック１１５のステップ１１９で、スライディング入力ウィンドウの測定試料がステップ１０７の機械学習アルゴリズムに直接渡されるか、ブロック１１５のステップ１２１で、スライディング入力ウィンドウの測定試料から特徴が計算されてステップ１０７の機械学習アルゴリズムに渡されるかのいずれかが行われる。以下の説明において、ＭＬＭは、ステップ１１９が該当する（したがって測定試料が直接ＭＬＭに渡される）場合の人工ニューラルネットワークでもよく、又はＭＬＭはステップ１２１が該当する場合のランダムフォレストでもよく、複数の特徴は、スライディング入力ウィンドウの測定試料から計算される。図７（ｂ）のステップ１０７～１１３は図７（ａ）の試料毎分類アプローチと同一である。したがって、最終的な出力身体部位を導出するために、学習済み機械学習アルゴリズムの出力に対して出力モードフィルタリングが適用される。

分類に関して上述したように、ランダムフォレスト及び（人工）ニューラルネットワークの２つの異なる教師付き機械学習モデルが用いられる。両方のモデルは、複合非線形伝達関数をモデル化できる。

図８に示すように、ランダムフォレスト分類器は決定木７０のアンサンブルである。各決定木７０は、入力特徴値（例えば最小）のうちの１つと数との間の単純比較が行われる決定ノード７２からなる。全決定ノード７２を通ることによって、エンドノード７４は、最終的に、決定木７０の出力分類（例えば、特定身体部位）への対応に到達するようになる。単一の決定木７０は、通常、データに「過適合」する傾向があるため、それを軽減するために、複数の決定木７０が学習及び使用される。ここで、単一の決定木７０の訓練のために、置き換え（いわゆるブートストラッピング）によって、測定試料が無作為にサンプリングされる。さらに、入力された特徴（例えば最小）の無作為サブセットは、各決定ノード７２で使用される。ランダムフォレストの出力７６は、決定木７０から出力された最頻値（すなわち最も多く発生する）として取得され得る。ランダムフォレスト分類器を使用する利点は、調整が可能な／調整が必要な特徴の数が比較的少なく、ランダムフォレストの出力がそれらの特徴の影響を比較的受けないことである。さらに、決定木を単純に視覚化することによって、学習済みランダムフォレスト分類器の「決定過程」に対する洞察が容易に得られ、それによって入力された特徴の相対的重要性が即座に推定可能である。以下でさらに説明される結果に関して、ランダムフォレストのＭａｔｌａｂ（ＴｒｅｅＢａｇｇｅｒクラス）及びＰｙｔｈｏｎ（ｓｋｌｅａｒｎ．ｅｎｓｅｍｂｌｅ．ＲａｎｄｏｍＦｏｒｅｓｔＣｌａｓｓｉｆｉｅｒクラス）実施の両方が使用された。

図９に示すような人工ニューラルネットワーク８０は、入力層８４、１つ又は複数の隠し層８６、及び出力層８８に配置されたノード８２（又はニューロン）からなる。入力層８４の各ノード８２は、この場合はＳＤＳ１、ＳＤＳ２、ＳＴＳＲｅｄ、ＳＴＳＩＲ、又はＳＴＳＳのそれぞれのウィンドウ表示された部分であるそれぞれの入力値を表し、出力層８８の各ノード８２は、この場合は身体部位である異なるクラスのうちのそれぞれのクラスを表す。全体が接続されたネットワークにおいて、図９に示すように、ある層の各ノード８２から出ている線は、近傍の層のノード８２のそれぞれに接続される。フォワードパスにおいて、隠し層８６の各ニューロン８２は、前の層８４／８６のノード８２の値の一次結合を取得し、これをアクティブ化機能に入力し、このアクティブ化を次の層のノード８２に出力する。アクティブ化は、出力層８８までこのようにして伝搬される。出力層８８において、最上位のアクティブ化を有するニューロン８２は、予測身体部位として選択される。人工ニューラルネットワークを訓練する際の目標は、各ノード８２における一次結合のための重みを学習することであり、その結果、予測身体部位と実際の身体部位との間の差異が最小となる。これを実現するために、出力層８８は期待値と比較されることが可能であり、重みは傾斜降下を使用して適応され得る。この適応は、各層を通って逆伝搬され、結果としてバックワードパスが得られる。フォワードパスおよびバックワードパスは、その後、重みがそれらの最終値に収束されるまで複数回反復されることが可能である。以下で詳細に説明する結果に対して、Ｐｙｔｈｏｎプログラミング環境におけるＴｅｎｓｏｒｆｌｏｗが人工ニューラルネットワークのために使用される。

以下で説明されるような適用ＭＬＭのパフォーマンスの推定のために、交差検証が適用される。これは、ＭＬＭが、上記表４に示す学習データの部分のみを用いて訓練されることを意味する。この学習データの部分は、「学習セット」と呼ばれる。学習済みＭＬＭの予測パフォーマンスは、その後、学習データの残り（すなわちモデルの訓練においては「見えない」）を使用して評価される。学習データのこの残りの部分は「テストセット」と呼ばれる。本解析において、１つ抜き交差検証が２つのスキームで使用される。

第１のスキームは、「１人の対象者除外」交差検証が用いられる汎用モデルである。これは、ＭＬＭが１５人の対象者のうちの１４人のデータを使用して訓練されることを意味する。学習済みＭＬＭは、その後、訓練において測定信号が使用されなかった対象者に対する予測を取得するために使用される。この手順は、対象者毎に個別に実行される（したがって１５回実行される）。このようにして、全対象者に対して、「テストモデル予測」が得られる。学習済みＭＬＭのパフォーマンスは、学習母集団全体において評価され得る。例えば、正しく分類された測定試料の割合は、全対象者の全測定試料を考慮して計算されることができる。対象者毎のパフォーマンスは、さらに、対象者間の変動を把握するために評価されることができる。単一の「フリーサイズ」の機械学習された分類器が身体部位検出のために用いられる場合、この第１のスキームは適切である。

第２のスキームは、対象者毎に「１セッション除外」交差検証が個別に用いられる個別モデルである。したがって、対象者のパーソナルケアセッション毎に、同一の対象者の他のパーソナルケアセッションのデータに関して訓練されたＭＬＭを使用して、「テスト予測」が得られる。予測パフォーマンスは、その後、対象者毎及び／又は全学習母集団に対して評価されることが可能である。このアプローチは、１人の特定の対象者専用に作成されたＭＬＭを用いることの実行可能性を調べる際に適切である。そのような実施の欠点は、校正手順を実行する必要があることである。すなわち、個々の対象者のために分類器を訓練する際に、処置された身体領域が既知である１つ又は複数のパーソナルケアセッションからのデータが取得されなければならない。ただし、分類パフォーマンスは、汎用実施よりも全体的に良好である。

なお、無作為に、ある割合の試料（対象者及び／又はセッション全体において）が学習セットとして使用され、残りがテストセットとして使用される交差検証である無作為試料交差検証が考慮されていないことに留意されたい。汎用ＭＬＭの場合、対象者毎の測定信号が部分的に学習セットに存在するため、パフォーマンスの推定が不正確となり、したがって、新規の「以前見られなかった」対象者に対するテストが行われない。個別分類器の場合、予測パフォーマンスに影響するパーソナルケアセッション間の潜在的な変動は、無作為試料交差検証を適用した際には扱われない。

以下の表５は、異なるＭＬＭに対して得られた分類正確度の概要を示す。ここで、対象者毎に、正しく分類された試料の比率として、分類正確度が計算される（したがって、全身体部位に対して計算される）。その後、これらの値全体における平均及び標準偏差が得られ、表５に示される。分類パフォーマンスのために最適化されたウィンドウの長さを有する出力モードフィルタリング（図７（ａ）及び図７（ｂ）のステップ１１１）を適用することによって結果が得られる。このウィンドウの長さは、適用された検証、機械学習モデル、及び処理方法に応じて、約５０個の測定試料と１００個の測定試料との間である。平均正確度に対する出力モードフィルタリングの効果は、すべての場合において５％である。時間的特徴処理の場合、約５０個の試料（ステップ１１７）の入力ウィンドウの長さが適用される。

表５から、個別モデルは、汎用モデルよりも１０から１５％高い平均正確度を有することがわかる。また、標準偏差値に基づくと、すべての場合に対しては明らかではないが、個別モデルは、通常、正確度において低い変動をもたらす。ただし、より詳細な結果は後述する。

主に汎用モデルでは、ニューラルネットワークがランダムフォレストよりも良好に動作する（５％良好）。ただし、これは、主に、後述するように腋窩の特定のより良好なパフォーマンスに起因する。汎用モデルの場合、ニューラルネットワーク及びランダムフォレストはより類似して動作し、ランダムフォレストは時間的特徴処理により、いくつかの利点を有する。

時間的特徴処理が高い正確度を実現する個別ランダムフォレストモデルを除いて、分類正確度は試料毎処理及び時間的特徴処理場合も同様に見える。

上記の分類のより詳細な結果を、汎用ランダムフォレスト（図１０）、汎用ニューラルネットワーク（図１１）、個別ランダムフォレスト（図１２）、及び個別ニューラルネットワーク（図１３）に関して図１０～図１３に示す。これらの図において、身体部位毎に、異なる対象者に対して得られた正確度の分散がボックスプロットで示される。加えて、対象者の「身体部位平均化」正確度における分散は、「平均」と表記されるボックスプロットによって示される。図１０～図１３のそれぞれにおけるボックスプロット（ａ）は、試料毎処理を使用した場合に得られた正確度に関し、図１０～図１３のそれぞれにおけるボックスプロット（ｂ）は、時間的特徴処理を使用した場合に得られた正確度に関する。

ビキニライン、顔、及び腋窩に関して正確度が通常最も高くなる一方、腕、脚、及び腹－ビキニに関して正確度は非常に低いことがわかる。これは、ニューラルネットワークモデルに関して最も明らかである。なお、ビキニライン、顔、及び腋窩は、ハンドヘルドデバイス２、３２に専用アタッチメントをつけて処置されることが可能である（訓練測定信号が得られた場合は、処置された）が、一方、腕、脚、及び腹－ビキニは全身アタッチメントを使用して処置されることに留意されたい。上述したように、肌接触センサ１４、１６の感度は、アタッチメントタイプに依存することが可能であり、これは、表示される結果に対して修正される。したがって、身体部位ではなくアタッチメントタイプに基づく分類は、可能な限り除外される。アタッチメントタイプに起因する分類正確度におけるバイアスの存在（すなわち、肌接触センサ感度に関して修正が全く行われない場合）について以下で説明する。

汎用モデルに関して、図１０～図１３では、特に腕、脚、及び腹－ビキニに対して正確度の変動が非常に大きいことがわかる。全体として、個別モデルに関して、正確度の変動は非常に小さく、ランダムフォレスト時間的特徴モデルを使用した場合、全身体部位／対象者に対して５０％の最小正確度が可能である（いくつかの外れ値を除く）。

ランダムフォレストモデルにおけるステップ１１１における出力モードフィルタリングの適用の効果（上述の結果に到達するために使用される）を図１４のプロットによって示す。各プロットは、出力モードフィルタリングウィンドウの長さに対する平均分類正確度を示す。図１４（ａ）は、試料毎処理を有する汎用モデルに関し、図１４（ｂ）は時間的特徴処理を有する汎用モデルに関する。図１４（ｃ）は、試料毎処理を有する個別モデルに関し、図１４（ｄ）は時間的特徴処理を有する個別モデルに関する。全体として、４から７％の正確度の増加は、ウィンドウの長さを５０個から１５０個の試料に増加することによって得ることができる。ニューラルネットワークモデルに関して、同様の結果が得られる。

表６～表１３は、試料毎処理及び時間的特徴処理の両方のための汎用ランダムフォレスト、汎用ニューラルネットワークモデル、個別ランダムフォレスト、及び個別ニューラルネットワークモデルに対する全１５人の対象者のコンフュージョンマトリックスを示す。このコンフュージョンマトリックスは、実際の身体部位毎に（表の行に沿って）、特定の身体部位が分類器によって出力される試料の割合を（表の列に沿って）示す。各表の対角線は、異なる身体部位に対する分類正確度を示す。

表６は、試料毎処理を有する汎用ランダムフォレスト分類器のコンフュージョンマトリックスを示す。

表７は、試料毎処理を有する汎用ニューラルネットワーク分類器のコンフュージョンマトリックスを示す。

表８は、試料毎処理を有する個別ランダムフォレスト分類器のコンフュージョンマトリックスを示す。

表９は、試料毎処理を有する個別ニューラルネットワーク分類器のコンフュージョンマトリックスを示す。

表１０は、時間的特徴処理を有する汎用ランダムフォレスト分類器のコンフュージョンマトリックスを示す。

表１１は、時間的特徴処理を有する汎用ニューラルネットワーク分類器のコンフュージョンマトリックスを示す。

表１２は、時間的特徴処理を有する個別ランダムフォレスト分類器のコンフュージョンマトリックスを示す。

表１３は、時間的特徴処理を有する汎用ランダムフォレスト分類器のコンフュージョンマトリックスを示す。

上述したように、何らかのハンドヘルドデバイス２、３２の場合、腕、脚、及び腹－ビキニなどの身体部位は、それらの身体部位に特化しないハンドヘルドデバイス２、３２に全身アタッチメントを付けて処置されることが可能である一方、ビキニライン、顔、及び腋窩など他の身体部位はそれ自体の専用アタッチメントを使用して処置されることが可能である。容量に基づく肌接触センサ１４、１６の場合、アタッチメント上に存在する肌接触センサの部分間の反応の系統的差異は、寸法及び／又は使用される金属量の差に起因して存在し得る。さらに、製造再現性に起因して、肌接触センサと肌色センサとの両方に対して不規則変動が予想される。

上述した結果を得る際に、異なるアタッチメント間の肌接触センサ感度の系統的差異が修正される。この修正は、銅と接触するように配置される際に異なるアタッチメントに対する肌接触センサの反応の検査に基づく。これらの結果を以下の表１４に示す。

表１４において、アタッチメントタイプ間の系統的差異に加えて、ＳＤＳ１とＳＤＳ２との間の系統的差異（すなわち反応ＳＤＳ１＞反応ＳＤＳ２）もさらに存在することがわかる。上記の分類結果において、肌接触測定信号は表１４で与えられている感度によって分割される。

以下の表１５に示すコンフュージョンマトリックス及び図１５の正確度ボックスプロットは、アタッチメントバイアスの潜在的影響を示すために、試料毎処理を有する個別ランダムフォレスト分類のアタッチメント依存の肌接触センサ感度に対する修正を行わない場合の影響を示す。したがって、ＭＬＭは、肌接触測定信号がアタッチメント間の肌接触センサ変動性に対して修正が行われない学習データを使用して訓練され、検証は、同様にして未修正の肌接触測定信号を用いて実行される。

表１５及び図１５に示す結果と表８及び図１２に示す結果（修正済み肌接触測定信号を使用）との比較は、全体的な分類パフォーマンスがあまり影響を受けないことを示す。

上述したように、決定木を視覚化することによってランダムフォレストモデルの作動原理に対する洞察を得ることが可能である。図１６及び図１７は、肌接触センサ１４、１６及び肌色センサ１８からの測定信号に基づく個別ランダムフォレストモデルのための決定木のうちの１つの上記のような視覚化を示す。図１６の例示の決定木は異なるアタッチメントの使用に起因するセンサ反応の変動が修正されない肌接触測定信号に基づく一方、図１７の例示の決定木は、異なるアタッチメントの使用に起因するセンサ反応の変動が修正された肌接触測定信号に基づく。各決定木は、決定ノードと、分類器決定を行うために使用される対応特徴及び特徴値とを含む。したがって、各ノードは、どの測定信号が決定ノードの一部として評価されるかを示すために測定信号（すなわち、ＳＤＳ１、ＳＤＳ２、ＳＴＳＲｅｄ、ＳＴＳＩＲ、又はＳＴＳＳ）と、次のノードに続く特定の分岐のための特徴値又は条件とが表記される。例えば、図１６の第１のノードの場合、ＳＤＳ１が評価され、値が７７.５０よりも大きい場合、右への分岐が行われ、値が７７.５０以下の場合、左への分岐が行われる。図１６及び図１７において、各身体部位クラス（すなわち、腕、脚、腹－ビキニなど）の決定木を通るフローは、それぞれの灰色のそれぞれの濃淡によって表される。

図１６に示すように、第１の決定（木の最上部）は、ＳＤＳ１信号に基づいて行われる。この決定は、主に、腕、脚、及び腹－ビキニのクラス（主に決定木の右手側を下方に進む）を、ビキニライン、顔、及び腋窩のクラス（主に決定木の左手側を下方に進む）から分離する。第１の決定ノードの後、さらなる分類はＳＴＳ信号に主に基づくことがわかる。

図１７の肌接触測定信号のアタッチメント修正を有する場合、決定ノードの第１の「層」から、分類が主に肌色測定信号（ＳＴＳＲｅｄ、ＳＴＳＩＲ、及びＳＴＳＳ）に基づくことがわかる。

したがって、両方の例において、ランダムフォレストモデルは、基本的に、肌接触測定信号に基づいて身体部位を特定することがわかる。

図１８のフローチャートは、ハンドヘルドデバイス２、３２が使用されている身体部位を特定するための、本明細書に記載の技法による例示の方法を示す。この方法のステップのうちの１つ又は複数のステップは、必要に応じて、装置４４のメモリ部４８及びインターフェースサーキットリー５０、及び／又は１つ又は複数のセンサ５２のいずれかとともに、装置４４の処理部４６によって実行されることが可能である。処理部４６は、例えば、メモリ部４８などのコンピュータ可読媒体上に格納され得るコンピュータプログラムコードの実行に応答して１つ又は複数のステップを実行する。

ステップ２０１において、処理部４４は、１つ又は複数のセンサ５２のそれぞれから各測定信号を取得する。上述したように、各センサ５２は、ハンドヘルドデバイスが対象者の肌上で使用される時のそれぞれのパラメータを測定し、センサ５２は、それぞれのパラメータの測定結果の時系列を含む測定信号を生成する。さらに上述したように、１つ又は複数のセンサは、肌接触センサ１４、１６、肌色センサ１８、及び近接センサ３４のうちの少なくとも１つを備える。

いくつかの実施形態では、１つ又は複数のセンサ５２は、少なくとも肌接触センサ１４、１６を備える。いくつかの実施形態では、１つ又は複数のセンサ５２は、少なくとも肌色センサ１８を備える。いくつかの実施形態では、１つ又は複数のセンサ５２は少なくとも近接センサ３４を備える。いくつかの実施形態では、１つ又は複数のセンサ５２は少なくとも１つの肌接触センサ１４、１６と、肌色センサ１８とを備える。いくつかの実施形態では、１つ又は複数のセンサ５２は、少なくとも１つの肌接触センサ １４、１６と、肌色センサ１８と、１つ又は複数の近接センサ３４とを備える。いくつかの実施形態では、１つ又は複数のセンサ５２は少なくとも複数の近接センサ３４を備える。複数の近接センサ５２は、各近接センサ３４が、当該近接センサ３４から、ヘッド部６が接触している肌と隣接する肌のそれぞれの部位までの距離を測定するように、ハンドヘルドデバイス２、３２中又はハンドヘルドデバイス２、３２上に配置され得る。

一例では、近接センサ３４は、垂直共振器型面発光レーザ（ＶＣＳＥＬ）センサを備える。ＶＣＳＥＬセンサは、知られており、特に、距離及び速度の測定のために使用される。ＶＣＳＥＬセンサは、例えば、スマートフォン、及び例えばハイエンド光学コンピュータマウスなどのコンピュータ入力デバイスにおいて適用される。距離測定は、パルスＶＣＳＥＬが光源として使用される飛行時間技法に基づくことが可能であり、距離はその光源による光パルス出射と、センサによる反射光の検出との間の時間から導出される。別の技法は、対象物から散乱して返ってくるコヒーレントなレーザ光子を有するＶＣＳＥＬレーザ共振器における干渉に依拠する自己混合干渉（ＳＭＩ）である。ＶＣＳＥＬ駆動電流の特定の変調によって、レーザのビーム方向における対象物の速度及び距離が判断可能である。上記で詳述したような身体部位検出のためのＶＣＳＥＬセンサによる距離測定の使用に加えて、ＶＣＳＥＬセンサの出力信号は、ユーザの肌に関するハンドヘルドデバイス２、３２の変位の測定のためにも使用されることが可能である。この変位測定は、処置の網羅範囲を改善し、処置スポットを見失うことを最小限にするために、処置中にユーザに対する案内を可能にする。変位測定の場合、ＶＣＳＥＬセンサは、通常、ハンドヘルドデバイス２、３２の処置ウィンドウに平行な平面における（準）２Ｄモーションが最適に検出されるようにされている必要がある。したがって、ＶＣＳＥＬセンサの使用は、身体部位検出と変位測定との両方を可能にするために単一の種類のセンサのみの使用を可能にする。

ステップ２０１で得られた各測定信号は、時間ウィンドウ中の対象者に関係する複数の測定結果を含む。ステップ２０１において、処理部４６は、それぞれのセンサ５２から直接的、又はそれぞれのセンサ５２から間接的に（例えばインターフェースサーキットリー５０及びインターフェースサーキットリー５４を介して）測定信号を取得することができる。これらの実施形態では、処理部４６は、リアルタイムでハンドヘルドデバイス２、３２が接触している身体部位を特定するために、受信時に（例えばリアルタイム又はほぼリアルタイムで）測定信号又は測定試料を処理することができる。若しくは、測定信号は、事前に取得されてメモリ部４８に格納しておいてもよく、その場合、ステップ２０１において、処理部４６はメモリ部４８から測定信号を取り出すことができる。

ステップ２０３において、処理部４６は、ハンドヘルドデバイス２、３２が使用された対象者の身体部位を特定するために、学習済みＭＬＭを使用してステップ２０１で取得された１つ又は複数の測定信号を解析する。この学習済みＭＬＭは、身体部位を特定するために、取得された１つ又は複数の測定信号のそれぞれの時間ウィンドウの複数の測定結果を解析するように構成される。

ステップ２０５において、処理部４６は特定された身体部位の標示を出力する。例えば、処理部４６は、特定された身体部位の識別情報を出力できる。特定された身体部位の標示は、処理部４６により、ユーザインターフェースを介して、例えばユーザ又は対象者に対して出力されることが可能であり、及び／又は特定された身体部位の標示は、信号の形態で、インターフェースサーキットリー５０を介して、コンピュータ、ラップトップコンピュータ、サーバなどの別の電子デバイス又は装置へ、又はハンドヘルドデバイス２、３２へも処理部４６によって出力されることが可能である。ハンドヘルドデバイス２、３２へ出力される場合、ハンドヘルドデバイス２、３２は、毛髪を切る長さ／剃る長さ、光パルス強度など、ハンドヘルドデバイス２、３２の動作パラメータを調節するために、身体部位の識別情報を使用する。

様々な実施形態では、学習済みＭＬＭは、ロジスティック回帰モデル、サポートベクターマシン、ランダムフォレスト、単純ベイズ分類器、最近傍分類器、決定木分類器、人工ニューラルネットワーク、又はこの組み合わせでもあり得る。

ＭＬＭによって特定可能な身体部位は、そのＭＬＭを訓練するために使用された情報（学習データ）に依存することが理解されるであろう。一例として、ＭＬＭは、対象者の身体部位を、足、脚、下腿、上腿、腹、胴、胸、背中、手、腕、前腕、上腕、腋窩、肩、首、顔、上唇、頭皮、又は頭のいずれかとして特定できる。別の例として、学習データが足、脚、腕、腹、頭に関する注釈を含む場合、ＭＬＭはそれらの身体部位のうちの１つを示す出力の提供のみ可能である。

ステップ２０３は、ハンドヘルドデバイス２、３２が接触している身体部位のさらなる標示を提供するために反復され得る。ステップ２０３の反復は、ステップ２０１（この場合、ステップ２０１は反復されない）で得られた測定信号のさらなる測定試料に基づくことができ、又はステップ２０３は新規の測定結果（例えば新規に取得された測定信号、又はステップ２０１の反復後に新規で取得された測定試料）に基づくことができる。

いくつかの実施形態では、ステップ２０３は、取得された測定信号の測定結果（測定試料）毎に反復されることが可能であり、それによってＭＬＭは測定結果（測定試料）毎の身体部位の標示を提供する。１つ又は複数のセンサ５２が少なくとも肌接触センサ１４、１６を備える実施形態では、学習済みＭＬＭは、肌接触があることを肌接触センサ１４、１６からの測定信号が示す場合、例えば肌接触センサ１４、１６によって測定されたパラメータの大きさが閾値を上回っている場合に、身体部位を特定するためにのみ使用される。その場合、ステップ２０３は、肌接触がある場合にのみ実行され、又は、肌接触がある場合に測定信号がＭＬＭに入力のみされる。

他の実施形態では、ステップ２０３（及びステップ２０３の反復）において、学習済みＭＬＭは、測定信号の時間的解析に基づいて対象者の身体部位を特定できる。これらの実施形態では、測定信号それぞれの一部（一部は、測定信号毎の１つの測定試料よりも多い）がＭＬＭに入力されることが可能であり、ＭＬＭはその一部における測定試料に対して動作する。その一部は、スライディングウィンドウを各測定信号に適用することによって決定されることが可能であり、そのウィンドウの測定結果（測定試料）はＭＬＭに入力される。ＭＬＭは、ＭＬＭに入力された測定結果のセット毎に特定された身体部位の標示を出力する。ステップ２０３の反復のため、ＭＬＭに入力される測定試料の新規セットを特定するために、スライディングウィンドウは測定信号を横切って移動される（例えば１つ又は複数の試料に沿って移動される）。

上記の実施形態において、各測定信号の一部は、ＭＬＭに直接入力され得る。代替の実施形態では、その一部は、１つ又は複数の特徴の値を決定するために解析されることが可能であり、それらの特徴値は、ステップ２０３でＭＬＭに入力される。特徴は、センサ５２によって測定されたパラメータの平均値、センサ５２毎の測定パラメータの標準偏差、及び／又はスライディングウィンドウ中の測定試料からそれぞれ決定されたパラメータの統計学的特性に関連する他の特徴であることが可能である。

ステップ２０３が特定された身体部位を示す一連の出力を提供するように反復される実施形態では、その出力は身体部位特定の正確度を改善するために「平滑化され」、すなわちスプリアス身体部位特定がフィルタリングされて除去されることが可能である。したがって、いくつかの実施形態では、出力のセットにおいて最も頻繁に発生する身体部位として、最終的な出力特定身体部位を決定するために、ＭＬＭから一連の出力に対してモードフィルタが適用可能である。いくつかの実施形態では、出力のセットに対してスライディングウィンドウが適用可能であり、ウィンドウの出力に対してモードフィルタが適用可能である。

いくつかの実施形態では、ＭＬＭは、１つ又は複数のセンサ５２からの測定信号と、ハンドヘルドデバイス２、３２が使用された身体部位を示す測定信号の注釈（確認）とを利用することによって、対象者に合わせてカスタマイズ又は校正されることが可能である。ＭＬＭは、注釈／確認及び測定信号の関連部分に基づいて更新（訓練）されることが可能である。

ハンドヘルドデバイス２、３２のヘッド部６が取り外し可能なヘッド部のセットから選択可能な実施形態では、上記方法は、パーソナルケア動作中にハンドヘルドデバイス２、３２で使用された取り外し可能なヘッド部の標示を取得することをさらに有することが可能であり、身体部位を特定するために測定信号を解析する際に、この標示が考慮されることが可能である。例えば、センサ５２のパフォーマンスが取り外し可能なヘッド部間で変動する場合、センサ５２からの測定信号が解析のためにＭＬＭに与えられる前に、その変動が修正可能である。若しくは、ＭＬＭは、入力として取り外し可能なヘッド部の識別情報を用いて訓練され、したがって、取り外し可能なヘッド部の識別情報の標示は、ステップ２０３において測定信号とともにＭＬＭに入力されることが可能である。別の代替例として、身体部位を示すＭＬＭの出力は、ハンドヘルドデバイス２、３２で使用されている取り外し可能なヘッド部のタイプと比較され得る。一致がある場合、これは特定された身体部位が正しいという高い信頼度を実現可能である。ただし、不一致がある場合（例えば、腋窩アタッチメントが使用されているが、ＭＬＭによって特定された身体部位が顔である場合）、これが示されることが可能である。いくつかの場合では、この不一致は、ユーザが誤ったアタッチメントをハンドヘルドデバイス２、３２に取り付けたことに起因し、正しいアタッチメントがユーザ又は対象者に示されることが可能である。

１つ又は複数のセンサ５２が肌接触センサ１４、１６と、肌色センサ１８及び近接センサ３４のうちの少なくとも１つとを備える実施形態では、ステップ２０３は、ハンドヘルドデバイス２、３２が肌に接触している接触時間を特定するために、肌接触センサ１４、１６からの測定信号を解析することを有することが可能である。ハンドヘルドデバイス２、３２が身体部位間で移動された時に、ハンドヘルドデバイス２、３２は身体から持ち上げられ、したがって、肌接触の連続的な喪失の間で、ハンドヘルドデバイス２、３２が同一の身体部位が使用されることが仮定され得る。その場合、ステップ２０３は、特定された接触時間における単一の身体部位を特定するために、ＭＬＭがその接触時間における肌色センサ１８及び／又は近接センサ３４からの測定信号を解析することを有することが可能である。いくつかの実施形態では、接触時間は、ハンドヘルドデバイス２、３２が肌と継続的に接触している時間として特定されることが可能である。若しくは、接触時間は、接触の短い喪失（例えば閾値時間量未満の喪失、例えば１秒又は２秒未満の喪失）があるものの、ハンドヘルドデバイス２、３２が肌と継続的に接触している時間として特定されることが可能である。具体的には、接触時間は、複数の時間にわたるとして特定されることが可能であり、その複数の時間のそれぞれにおいて、ハンドヘルドデバイス２、３２は肌と継続的に接触しており、時間の連続した各対の間の時間間隔は閾値時間量未満である。

光パルスを使用することによってハンドヘルドデバイス２、３２がパーソナルケア動作を実行する実施形態において、身体部位特定を改善するために、身体部位に印加された光パルスの数は、ＭＬＭによって記録及び使用されることが可能である。特に、脚、腋窩、上唇、腕、及びビキニラインなどの身体部位は異なる表面領域を有し、それによって処置するために異なる量の光パルスを必要とし、したがって光パルスの数は、身体部位の指標としてＭＬＭによって使用可能である。

特定された身体部位に関する情報は、多くの異なる手法で使用されることが可能である。いくつかの例を以下に示す。

パーソナルケア動作は定期的に反復される必要があり、処置された身体部位に関する情報は、特定の身体部位を再度処置する際にスケジュールを設定し、及び／又は対象者に思い出させるために使用されることが可能であり、後続して処置された身体部位に関する情報は、そのスケジュールを更新するために使用可能である。

例えばパーソナルケア動作中の身体部位の低網羅度に起因する最適以下の処置結果は、ハンドヘルドデバイス２、３２に対する対象者の満足度に悪影響を与え得る。特定された身体部位と、その身体部位に印加された光パルスの数または身体部位の処置のために費やされた時間などの他の情報とに基づいて、身体部位の網羅度に関して対象者及び／又はユーザにフィードバックを提供することが可能である。これは、ハンドヘルドデバイス２、３２が正しく使用されているという安心感を対象者に与え、又は身体部位がある程度の時間処置される必要があることを示す。

したがって、ハンドヘルドデバイスが使用されている身体部位の特定において改善が実現される。

図面、本開示、及び添付の特許請求の範囲の熟慮により、本明細書に記載の原理及び技法を実践する上で、本開示の実施形態の変形は当業者によって理解され、実現されることが可能である。請求項において、「備える」という語は、他の要素又はステップを排除せず、単数形は、複数性を排除しない。単一のプロセッサ又は他のユニットは、請求項に記載されるいくつかの要素の機能を果たす。特定の手段が互いに異なる従属項に記載されているという事実だけで、それらの手段の組み合わせが効果的に使用されることができないことを示すものではない。コンピュータプログラムは、他のハードウェアとともに、又はその一部として供給される光学格納媒体又はソリッドステート媒体などの適切な媒体上に格納又は分散されてもよいが、さらにインターネット又は他の有線又は無線通信システムを介するなど、他の形態で分散されてもよい。請求項におけるあらゆる参照番号は、範囲を限定すると解釈されるべきではない。

Claims (15)

1. 対象者に対してパーソナルケア動作を実行するハンドヘルドデバイスが使用された対象者の身体部位を特定するコンピュータ実施方法であって、前記ハンドヘルドデバイスは前記パーソナルケア動作中に前記対象者の肌に接触するヘッド部を備え、前記ハンドヘルドデバイスは、それぞれのパラメータを測定し前記ハンドヘルドデバイスが前記対象者の前記肌に使用された時にそれぞれの測定信号を生成するための１つ又は複数のセンサをさらに備え、前記１つ又は複数のセンサは、
   （ａ）前記ヘッド部が肌に接触しているかを示すパラメータを測定する肌接触センサと、
   （ｂ）前記ヘッド部が接触している肌の肌色を示す、又は前記ヘッド部が接触している肌に隣接する肌の肌色を示すパラメータを測定する肌色センサと、
   （ｃ）近接センサから前記ヘッド部が接触している肌に隣接する肌までの距離を示すパラメータを測定する当該近接センサと
   のうちの少なくとも１つを備え、
   前記方法は、
   前記１つ又は複数のセンサのそれぞれから各測定信号を取得するステップであって、各測定信号は、前記ハンドヘルドデバイスが前記対象者の肌に使用された時、前記それぞれのパラメータの測定結果の時系列を含む、ステップと、
   前記ハンドヘルドデバイスが使用された前記対象者の身体部位を特定するために、学習済み機械学習モデル（ＭＬＭ）を使用して、取得された前記１つ又は複数の測定信号を解析するステップであって、前記学習済みＭＬＭは、前記身体部位を特定するために、取得された前記１つ又は複数の測定信号のそれぞれの時間ウィンドウにおける複数の測定結果を解析する、ステップと、
   特定された前記身体部位の標示を出力するステップと
   を有する、方法。
2. 前記学習済みＭＬＭは、前記測定結果に対応する身体部位を特定するために、取得された前記１つ又は複数の測定信号のそれぞれにおける測定結果を解析する、請求項１に記載の方法。
3. 特定された身体部位を示す一連の出力を提供するために、前記１つ又は複数の測定信号における後続の測定結果に対して、前記解析するステップを反復するステップと、
   前記ハンドヘルドデバイスが使用された身体部位を示す最終的な出力を決定するために、前記一連の出力に対してフィルタを適用するステップと
   をさらに有する、請求項１又は２に記載の方法。
4. 第１の時間において前記ハンドヘルドデバイスが使用された前記対象者の身体部位に関するユーザからの確認を受信するステップと、
   受信された前記確認と、前記第１の時間に対応する、取得された前記１つ又は複数の測定信号の一部とに基づいて前記学習済みＭＬＭを更新するステップと
   をさらに有する、請求項１から３のいずれか一項に記載の方法。
5. 前記ハンドヘルドデバイスの前記ヘッド部は、取り外し可能なヘッド部のセットから選択され、前記セットの各ヘッド部は、それぞれの身体部位との使用のためのものであり、前記方法は、前記パーソナルケア動作中に前記ハンドヘルドデバイスで使用される前記取り外し可能なヘッド部の標示を取得するステップをさらに有し、前記学習済みＭＬＭは、前記ハンドヘルドデバイスが使用された前記対象者の身体部位を特定するために、取得された前記１つ又は複数の測定信号とともに、取得された前記標示をさらに解析する、請求項１から４のいずれか一項に記載の方法。
6. 前記１つ又は複数のセンサは、肌接触センサと、肌色センサ及び近接センサのうちの少なくとも１つとを備え、前記解析するステップは、
   前記ハンドヘルドデバイスが前記肌に接触している接触時間を特定するために、前記肌接触センサからの前記測定信号を解析するステップと、
   特定された前記接触時間に、前記ハンドヘルドデバイスが使用された前記対象者の身体部位を特定するために、前記学習済みＭＬＭを使用して特定された前記接触時間の、前記肌色センサ及び前記近接センサのうちの前記少なくとも１つからの取得された前記１つ又は複数の測定信号を解析するステップと
   を有する、請求項１から５のいずれか一項に記載の方法。
7. 具現化されたコンピュータ可読コードを有するコンピュータ可読媒体であって、前記コンピュータ可読コードは、適切なコンピュータ又は処理部による実行時に、前記コンピュータ又は処理部に請求項１から６のいずれか一項に記載の方法を実行させるように構成される、コンピュータ可読媒体。
8. 対象者に対してパーソナルケア動作を実行するためのハンドヘルドデバイスと、前記ハンドヘルドデバイスが使用された前記対象者の身体部位を特定するための装置とを備えるシステムであって、前記ハンドヘルドデバイスは前記パーソナルケア動作中に前記対象者の肌に接触するためのヘッド部を備え、前記ハンドヘルドデバイスは、それぞれのパラメータを測定し前記ハンドヘルドデバイスが前記対象者の前記肌に使用された時にそれぞれの測定信号を生成するための１つ又は複数のセンサをさらに備え、前記１つ又は複数のセンサは、
   （ａ）前記ヘッド部が肌に接触しているかを示すパラメータを測定する肌接触センサと、
   （ｂ）前記ヘッド部が接触している肌の肌色を示す、又は前記ヘッド部が接触している肌に隣接する肌の肌色を示すパラメータを測定する肌色センサと、
   （ｃ）近接センサから前記ヘッド部が接触している肌に隣接する肌までの距離を示すパラメータを測定する当該近接センサと
   のうちの少なくとも１つを備え、
   前記装置は、
   前記１つ又は複数のセンサのそれぞれから各測定信号を取得することであって、各測定信号は、前記ハンドヘルドデバイスが前記対象者の肌に使用された時、前記それぞれのパラメータの測定結果の時系列を含む、取得することと、
   前記ハンドヘルドデバイスが使用された前記対象者の身体部位を特定するために、学習済み機械学習モデル（ＭＬＭ）を使用して、取得された前記１つ又は複数の測定信号を解析することであって、前記学習済みＭＬＭは、前記身体部位を特定するために、取得された前記１つ又は複数の測定信号のそれぞれの時間ウィンドウにおける複数の測定結果を解析するように構成される、解析することと、
   特定された前記身体部位の標示を出力することと
   を行う処理部を備える、システム。
9. 前記学習済みＭＬＭは、前記測定結果に対応する身体部位を特定するために、取得された前記１つ又は複数の測定信号のそれぞれにおける測定結果を解析する、請求項８に記載のシステム。
10. 前記処理部は、
    前記特定された身体部位を示す一連の出力を提供するために、前記１つ又は複数の測定信号における後続の測定結果に対して前記解析を反復し、
    前記ハンドヘルドデバイスが使用された身体部位を示す最終的な出力を決定するために、前記一連の出力に対してフィルタを適用する、
    請求項８から９のいずれか一項に記載のシステム。
11. 前記処理部は、
    第１の時間において前記ハンドヘルドデバイスが使用された前記対象者の身体部位に関するユーザからの確認を受信し、
    受信された前記確認と、前記第１の時間に対応する、取得された前記１つ又は複数の測定信号の一部とに基づいて前記学習済みＭＬＭを更新する、
    請求項８から１０のいずれか一項に記載のシステム。
12. 前記ハンドヘルドデバイスの前記ヘッド部は、取り外し可能なヘッド部のセットから選択され、前記セットの各ヘッド部は、それぞれの身体部位との使用のためのものであり、前記処理部は、前記パーソナルケア動作中に前記ハンドヘルドデバイスで使用される前記取り外し可能なヘッド部の標示を取得し、前記処理部は、前記ハンドヘルドデバイスが使用された前記対象者の身体部位を特定するために、前記学習済みＭＬＭを使用して、取得された前記１つ又は複数の測定信号とともに、取得された前記標示を解析する、請求項８から１１のいずれか一項に記載のシステム。
13. 前記ハンドヘルドデバイスが、前記身体部位を特定するための前記装置を備える、請求項８から１２のいずれか一項に記載のシステム。
14. 前記身体部位を特定するための前記装置が前記ハンドヘルドデバイスから分離されている、請求項８から１２のいずれか一項に記載のシステム。
15. 前記近接センサが、垂直共振器型面発光レーザ（ＶＣＳＥＬ）センサを備える、請求項８から１４のいずれか一項に記載のシステム。

Images