JP2023106520A - モバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法 - Google Patents
モバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法 Download PDFInfo
- Publication number
- JP2023106520A JP2023106520A JP2023083790A JP2023083790A JP2023106520A JP 2023106520 A JP2023106520 A JP 2023106520A JP 2023083790 A JP2023083790 A JP 2023083790A JP 2023083790 A JP2023083790 A JP 2023083790A JP 2023106520 A JP2023106520 A JP 2023106520A
- Authority
- JP
- Japan
- Prior art keywords
- subject
- data
- computer
- implemented method
- cognitive decline
- 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
- 208000010877 cognitive disease Diseases 0.000 title claims abstract description 162
- 238000000034 method Methods 0.000 title claims abstract description 153
- 230000006999 cognitive decline Effects 0.000 title claims abstract description 143
- 239000000090 biomarker Substances 0.000 claims abstract description 145
- 238000012545 processing Methods 0.000 claims description 56
- 238000004458 analytical method Methods 0.000 claims description 45
- 230000033001 locomotion Effects 0.000 claims description 37
- 230000000694 effects Effects 0.000 claims description 19
- 238000001228 spectrum Methods 0.000 claims description 18
- 208000024827 Alzheimer disease Diseases 0.000 claims description 16
- 230000003595 spectral effect Effects 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000013480 data collection Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 4
- 230000009897 systematic effect Effects 0.000 claims 1
- 230000001747 exhibiting effect Effects 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 description 35
- 238000012549 training Methods 0.000 description 28
- 230000001953 sensory effect Effects 0.000 description 27
- 238000010586 diagram Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 17
- 238000012360 testing method Methods 0.000 description 12
- 208000027061 mild cognitive impairment Diseases 0.000 description 11
- 208000028698 Cognitive impairment Diseases 0.000 description 8
- 230000003416 augmentation Effects 0.000 description 7
- 206010012289 Dementia Diseases 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000006467 substitution reaction Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 230000003542 behavioural effect Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000037081 physical activity Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000010079 rubber tapping Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000003550 marker Substances 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- 230000002490 cerebral effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 230000003920 cognitive function Effects 0.000 description 2
- 238000013399 early diagnosis Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000010855 neuropsychological testing Methods 0.000 description 2
- 230000033764 rhythmic process Effects 0.000 description 2
- 230000003860 sleep quality Effects 0.000 description 2
- 230000000153 supplemental effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 241000238558 Eucarida Species 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009532 heart rate measurement Methods 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000007659 motor function Effects 0.000 description 1
- 230000003557 neuropsychological effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000003362 replicative effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
- A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02438—Detecting, measuring or recording pulse rate or heart rate with portable devices, e.g. worn by the patient
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/112—Gait analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
- A61B5/1127—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique using markers
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
- A61B5/6898—Portable consumer electronic devices, e.g. music players, telephones, tablet computers
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Neurology (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Cardiology (AREA)
- Neurosurgery (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Vascular Medicine (AREA)
- Social Psychology (AREA)
- Educational Technology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Nitrogen And Oxygen Or Sulfur-Condensed Heterocyclic Ring Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
【課題】少なくとも１つのモバイルデバイスから受動的に取得されたデータを使用して、被験者の認知機能低下を検出するためのシステムおよび方法を提供する。【解決手段】コンピュータ実装方法は、少なくとも１つのモバイルデバイスから受動的に取得されたデータを受信することと、受動的に取得されたデータからデジタルバイオマーカーデータを生成することと、デジタルバイオマーカーデータを分析して、被験者が認知機能低下の兆候を示しているかどうかを判定することと、を含む。【選択図】図６
Description
本開示は、１つ以上のモバイルデバイスを用いて認知機能低下を検出するためのシステ
ムおよび方法に関する。より具体的には、本開示は、１つ以上のモバイルデバイスによっ
て収集された、受動的に取得されたセンサ測定値を使用して認知機能低下を検出するため
のシステムおよび方法に関する。
ムおよび方法に関する。より具体的には、本開示は、１つ以上のモバイルデバイスによっ
て収集された、受動的に取得されたセンサ測定値を使用して認知機能低下を検出するため
のシステムおよび方法に関する。
世界中の何百万人もの人々が、認知症またはアルツハイマー病などの認知障害を抱えて
生活している。認知障害を抱えて生活している人々が蔓延しているにもかかわらず、初期
の症状は微妙であり、通常の加齢に起因することが多いため、認知機能低下の早期診断は
臨床上の課題である。そのため、認知機能低下を可能な限り早く検出するための改善され
たシステムおよび方法が必要である。
生活している。認知障害を抱えて生活している人々が蔓延しているにもかかわらず、初期
の症状は微妙であり、通常の加齢に起因することが多いため、認知機能低下の早期診断は
臨床上の課題である。そのため、認知機能低下を可能な限り早く検出するための改善され
たシステムおよび方法が必要である。
本開示の実施形態は、１つ以上のモバイルデバイスから受動的に収集されたセンサ測定
値を使用して認知機能低下を検出することに関する。例示的な実施形態は、以下の実施例
を含むが、これらに限定されない。
値を使用して認知機能低下を検出することに関する。例示的な実施形態は、以下の実施例
を含むが、これらに限定されない。
一態様によれば、本開示は、被験者の認知機能低下を検出するための、コンピュータが
実行する方法（a computer-implemented method、以下、「コンピュータ実装方法」とも
いう）を対象とし、この方法は、複数日の観察期間にわたって被験者の少なくとも１つの
モバイルデバイスによって記録された、受動的に取得されたデータを受信することであっ
て、受動的に取得されたデータは、（ｉ）モバイルデバイスによって受信された着信メッ
セージの数および（ｉｉ）モバイルデバイスによって送信された発信メッセージの数のう
ちの少なくとも１つに関するデータを含む、受信することと、受動的に取得されたデータ
を処理して、デジタルバイオマーカーデータを生成することと、デジタルバイオマーカー
データを分析して、被験者が認知機能低下を経験しているかどうかを判定することと、分
析の結果に関して、被験者および別のユーザのうちの少なくとも１人に対してユーザ通知
を生成することと、を含む。
実行する方法（a computer-implemented method、以下、「コンピュータ実装方法」とも
いう）を対象とし、この方法は、複数日の観察期間にわたって被験者の少なくとも１つの
モバイルデバイスによって記録された、受動的に取得されたデータを受信することであっ
て、受動的に取得されたデータは、（ｉ）モバイルデバイスによって受信された着信メッ
セージの数および（ｉｉ）モバイルデバイスによって送信された発信メッセージの数のう
ちの少なくとも１つに関するデータを含む、受信することと、受動的に取得されたデータ
を処理して、デジタルバイオマーカーデータを生成することと、デジタルバイオマーカー
データを分析して、被験者が認知機能低下を経験しているかどうかを判定することと、分
析の結果に関して、被験者および別のユーザのうちの少なくとも１人に対してユーザ通知
を生成することと、を含む。
別の態様によれば、本開示は、被験者の認知機能低下を検出するためのコンピュータ実
装方法を対象とし、この方法は、複数日の観察期間にわたって被験者の少なくとも１つの
モバイルデバイスによって記録された、受動的に取得されたデータを受信することであっ
て、受動的に取得されたデータが、（ｉ）観察期間中の各日の最初に観察された被験者の
動きの時刻（ＴｏＤ）、（ｉｉ）観察期間中の各日の最初に観察された被験者のペースの
ＴｏＤ、（ｉｉｉ）観察期間中の各日の最後に観察された被験者の動きのＴｏＤ、および
（ｉｖ）観察期間中の各日の最後に観察された被験者のペースのＴｏＤ、のうちの少なく
とも１つを含む、受信することと、受動的に取得されたデータを処理して、デジタルバイ
オマーカーデータを生成することと、デジタルバイオマーカーデータを分析して、被験者
が認知機能低下を経験しているかどうかを判定することと、判定の結果に関して、被験者
および別のユーザのうちの少なくとも１人に対してユーザ通知を生成することと、を含む
。
装方法を対象とし、この方法は、複数日の観察期間にわたって被験者の少なくとも１つの
モバイルデバイスによって記録された、受動的に取得されたデータを受信することであっ
て、受動的に取得されたデータが、（ｉ）観察期間中の各日の最初に観察された被験者の
動きの時刻（ＴｏＤ）、（ｉｉ）観察期間中の各日の最初に観察された被験者のペースの
ＴｏＤ、（ｉｉｉ）観察期間中の各日の最後に観察された被験者の動きのＴｏＤ、および
（ｉｖ）観察期間中の各日の最後に観察された被験者のペースのＴｏＤ、のうちの少なく
とも１つを含む、受信することと、受動的に取得されたデータを処理して、デジタルバイ
オマーカーデータを生成することと、デジタルバイオマーカーデータを分析して、被験者
が認知機能低下を経験しているかどうかを判定することと、判定の結果に関して、被験者
および別のユーザのうちの少なくとも１人に対してユーザ通知を生成することと、を含む
。
別の態様によれば、本開示は、被験者の認知機能低下を検出するためのコンピュータ実
装方法を対象とし、この方法は、複数日の観察期間にわたって被験者の少なくとも１つの
モバイルデバイスによって記録された、受動的に取得されたデータを受信することであっ
て、受動的に取得されたデータが、被験者の観察された歩幅に関するデータを含む、受信
することと、受動的に取得されたデータを処理して、デジタルバイオマーカーデータを生
成することと、デジタルバイオマーカーデータを分析して、被験者が認知機能低下を経験
しているかどうかを判定することと、分析の結果に関して、被験者および別のユーザのう
ちの少なくとも１人に対してユーザ通知を生成することと、を含む。
装方法を対象とし、この方法は、複数日の観察期間にわたって被験者の少なくとも１つの
モバイルデバイスによって記録された、受動的に取得されたデータを受信することであっ
て、受動的に取得されたデータが、被験者の観察された歩幅に関するデータを含む、受信
することと、受動的に取得されたデータを処理して、デジタルバイオマーカーデータを生
成することと、デジタルバイオマーカーデータを分析して、被験者が認知機能低下を経験
しているかどうかを判定することと、分析の結果に関して、被験者および別のユーザのう
ちの少なくとも１人に対してユーザ通知を生成することと、を含む。
別の態様によれば、本開示は、被験者の認知機能低下を検出するためのコンピュータ実
装方法を対象とし、この方法は、複数日の観察期間にわたって被験者の少なくとも１つの
モバイルデバイスによって記録された、受動的に取得されたデータを受信することであっ
て、受動的に取得されたデータが、観察期間中の運動動作の数に関するデータを含む、受
信することと、受動的に取得されたデータを分析して、被験者が認知機能低下を経験して
いるかどうかを判定することと、分析の結果に関して、被験者および別のユーザのうちの
少なくとも１人に対してユーザ通知を生成することと、を含む。
装方法を対象とし、この方法は、複数日の観察期間にわたって被験者の少なくとも１つの
モバイルデバイスによって記録された、受動的に取得されたデータを受信することであっ
て、受動的に取得されたデータが、観察期間中の運動動作の数に関するデータを含む、受
信することと、受動的に取得されたデータを分析して、被験者が認知機能低下を経験して
いるかどうかを判定することと、分析の結果に関して、被験者および別のユーザのうちの
少なくとも１人に対してユーザ通知を生成することと、を含む。
別の態様によれば、本開示は、被験者の認知機能低下を検出するためのコンピュータ実
装方法を対象とし、この方法は、複数日の観察期間にわたって被験者の少なくとも１つの
モバイルデバイスによって記録された、受動的に取得されたデータを受信することであっ
て、受動的に取得されたデータが、被験者が少なくとも１つのモバイルデバイス上の時間
を判断するためにモバイル時計アプリケーションを閲覧した回数に関するデータを含み、
被験者がモバイル時計アプリケーションを閲覧した各時間が、閲覧持続時間に関連付けら
れる、受信することと、受動的に取得されたデータを処理して、デジタルバイオマーカー
データを生成することと、受動的に取得されたデータを分析して、被験者が認知機能低下
を経験しているかどうかを判定することと、分析の結果に関して、被験者および別のユー
ザのうちの少なくとも１人に対してユーザ通知を生成することと、を含む。
装方法を対象とし、この方法は、複数日の観察期間にわたって被験者の少なくとも１つの
モバイルデバイスによって記録された、受動的に取得されたデータを受信することであっ
て、受動的に取得されたデータが、被験者が少なくとも１つのモバイルデバイス上の時間
を判断するためにモバイル時計アプリケーションを閲覧した回数に関するデータを含み、
被験者がモバイル時計アプリケーションを閲覧した各時間が、閲覧持続時間に関連付けら
れる、受信することと、受動的に取得されたデータを処理して、デジタルバイオマーカー
データを生成することと、受動的に取得されたデータを分析して、被験者が認知機能低下
を経験しているかどうかを判定することと、分析の結果に関して、被験者および別のユー
ザのうちの少なくとも１人に対してユーザ通知を生成することと、を含む。
別の態様によれば、本開示は、被験者の認知機能低下を検出するためのコンピュータ実
装方法を対象とし、この方法は、複数日の観察期間にわたって被験者の少なくとも１つの
モバイルデバイスによって記録された、受動的に取得されたデータを受信することであっ
て、受動的に取得されたデータが、通信デバイスによって送信される発信メッセージを構
成しながらユーザがタイプする方法を特徴付けるデータを含む、受信することと、受動的
に取得されたデータを処理して、デジタルバイオマーカーデータを生成することと、デジ
タルバイオマーカーデータを分析して、被験者が認知機能低下を経験しているかどうかを
判定することと、分析の結果に関して、被験者および別のユーザのうちの少なくとも１人
に対してユーザ通知を生成することと、を含む。
装方法を対象とし、この方法は、複数日の観察期間にわたって被験者の少なくとも１つの
モバイルデバイスによって記録された、受動的に取得されたデータを受信することであっ
て、受動的に取得されたデータが、通信デバイスによって送信される発信メッセージを構
成しながらユーザがタイプする方法を特徴付けるデータを含む、受信することと、受動的
に取得されたデータを処理して、デジタルバイオマーカーデータを生成することと、デジ
タルバイオマーカーデータを分析して、被験者が認知機能低下を経験しているかどうかを
判定することと、分析の結果に関して、被験者および別のユーザのうちの少なくとも１人
に対してユーザ通知を生成することと、を含む。
さらに別の態様によれば、本開示は、被験者の認知機能低下を検出するためのコンピュ
ータ実装方法を対象とし、この方法は、複数日の観察期間にわたって被験者の少なくとも
１つのモバイルデバイスによって記録された１つ以上のユーザ活動の受動的に取得された
時系列データを受信することと、周波数分析を使用して、受動的に取得された時系列デー
タを処理して、時系列データを周波数パワースペクトルに変換することと、第１の周波数
閾値と第２の周波数閾値との間の周波数パワースペクトル内のスペクトルエネルギー量を
計算することと、計算されたスペクトルエネルギー量に基づいてデジタルバイオマーカー
データを生成することと、デジタルバイオマーカーデータを分析して、被験者が認知機能
低下を経験しているかどうかを判定することと、分析の結果に関して、被験者および別の
ユーザのうちの少なくとも１人に対してユーザ通知を生成することと、を含む。
ータ実装方法を対象とし、この方法は、複数日の観察期間にわたって被験者の少なくとも
１つのモバイルデバイスによって記録された１つ以上のユーザ活動の受動的に取得された
時系列データを受信することと、周波数分析を使用して、受動的に取得された時系列デー
タを処理して、時系列データを周波数パワースペクトルに変換することと、第１の周波数
閾値と第２の周波数閾値との間の周波数パワースペクトル内のスペクトルエネルギー量を
計算することと、計算されたスペクトルエネルギー量に基づいてデジタルバイオマーカー
データを生成することと、デジタルバイオマーカーデータを分析して、被験者が認知機能
低下を経験しているかどうかを判定することと、分析の結果に関して、被験者および別の
ユーザのうちの少なくとも１人に対してユーザ通知を生成することと、を含む。
本開示の上述および他の特徴および利点、ならびにそれらを達成する方式は、本発明の
実施形態の以下の説明を添付の図面と併せて参照することによってより明らかになり、ま
たより良好に理解されよう。
実施形態の以下の説明を添付の図面と併せて参照することによってより明らかになり、ま
たより良好に理解されよう。
複数の図全体を通して、対応する参照符号は、対応する部品を示す。本明細書に記載さ
れる例示は、本発明の例示的な実施形態を例示し、そのような例示は、いかようにも本発
明の範囲を限定するものと解釈されるべきではない。
れる例示は、本発明の例示的な実施形態を例示し、そのような例示は、いかようにも本発
明の範囲を限定するものと解釈されるべきではない。
認知障害の一般的なスクリーニングツールは、認知機能低下の初期段階を一貫して検出
しない。より良好な結果を達成するより感度の高いテストには、高度に専門化され訓練さ
れた評価担当者および長いテスト持続時間が必要であるが、評価者のバイアス、文化的バ
イアス、教育的バイアス、および実践効果によっても制限される。また、現在の医療環境
の限られた可用性および／または容量は、広範囲にわたるスクリーニングを達成すること
を困難にしている。
しない。より良好な結果を達成するより感度の高いテストには、高度に専門化され訓練さ
れた評価担当者および長いテスト持続時間が必要であるが、評価者のバイアス、文化的バ
イアス、教育的バイアス、および実践効果によっても制限される。また、現在の医療環境
の限られた可用性および／または容量は、広範囲にわたるスクリーニングを達成すること
を困難にしている。
これらの制限を緩和するために、コンピュータ化された努力がなされてきた。例えば、
Ｃａｍｂｒｉｄｇｅ Ｎｅｕｒｏｐｓｙｃｈｏｌｏｇｉｃａｌ Ｔｅｓｔ Ａｕｔｏｍａ
ｔｅｄ Ｂａｔｔｅｒｙ（ＣＡＮＴＡＢ）などのコンピュータベースの認知評価テストは
、タッチスクリーンコンピュータを使用して被験者に実施される一連の神経心理学的テス
トで構成されている。ただし、このような神経心理学的テストでは、被験者の認知機能の
様々な領域を評価する一連のタスクで構成されるテストを完了するために、被験者が意図
的に時間および注意を向ける必要がある。その結果、被験者は一般に、認知機能低下の早
期診断を妨げる認知機能低下を病んでいる可能性があると自分がすでに疑っていない限り
、そのようなテストを探すこと、または完了することを行わない。さらに、そのようなテ
ストでは一般に、医療システムに対して直接的と間接的の両方で追加コストを負って、必
要なタスクを完了するために、被験者がかなりの時間および注意を払う必要がある。
Ｃａｍｂｒｉｄｇｅ Ｎｅｕｒｏｐｓｙｃｈｏｌｏｇｉｃａｌ Ｔｅｓｔ Ａｕｔｏｍａ
ｔｅｄ Ｂａｔｔｅｒｙ（ＣＡＮＴＡＢ）などのコンピュータベースの認知評価テストは
、タッチスクリーンコンピュータを使用して被験者に実施される一連の神経心理学的テス
トで構成されている。ただし、このような神経心理学的テストでは、被験者の認知機能の
様々な領域を評価する一連のタスクで構成されるテストを完了するために、被験者が意図
的に時間および注意を向ける必要がある。その結果、被験者は一般に、認知機能低下の早
期診断を妨げる認知機能低下を病んでいる可能性があると自分がすでに疑っていない限り
、そのようなテストを探すこと、または完了することを行わない。さらに、そのようなテ
ストでは一般に、医療システムに対して直接的と間接的の両方で追加コストを負って、必
要なタスクを完了するために、被験者がかなりの時間および注意を払う必要がある。
本明細書に開示される実施形態は、コンピュータ技術に根ざしたこれらの問題に対する
解決策を提供する。具体的には、本明細書に開示される実施形態は、被験者が日常生活中
に携帯かつ／または使用するモバイルデバイスを使用して、被験者が日常の活動を行うと
きに被験者に関する様々なパラメータデータを受動的に収集する。次に、この受動的に収
集されたパラメータデータを分析して、被験者が認知機能低下を経験している可能性があ
るかどうかを判定する。モバイルデバイス（例えば、スマートフォンおよび／またはスマ
ートウォッチ）は遍在しており、１日を通して多くの人が携帯するため、この解決策は、
従来の実施形態に勝る利点を提供する。例えば、被験者が認知機能低下を経験しているこ
とを最初に識別する必要性は、減少かつ／または排除される可能性がある。パラメータデ
ータは、ユーザが通常の活動を行っている間に受動的に収集されるため、ユーザの日常生
活および日課への侵入が減少する。併せて、データパラメータの受動的な収集、およびモ
バイルデバイスの相対的な遍在性は、アルツハイマー病などのより深刻な状態を示す可能
性のある認知機能低下の非常に早期の検出を可能にする。さらに、専門の評価者またはコ
ンピュータ化されたスクリーニングツールを積極的に利用する必要性が減少する。
解決策を提供する。具体的には、本明細書に開示される実施形態は、被験者が日常生活中
に携帯かつ／または使用するモバイルデバイスを使用して、被験者が日常の活動を行うと
きに被験者に関する様々なパラメータデータを受動的に収集する。次に、この受動的に収
集されたパラメータデータを分析して、被験者が認知機能低下を経験している可能性があ
るかどうかを判定する。モバイルデバイス（例えば、スマートフォンおよび／またはスマ
ートウォッチ）は遍在しており、１日を通して多くの人が携帯するため、この解決策は、
従来の実施形態に勝る利点を提供する。例えば、被験者が認知機能低下を経験しているこ
とを最初に識別する必要性は、減少かつ／または排除される可能性がある。パラメータデ
ータは、ユーザが通常の活動を行っている間に受動的に収集されるため、ユーザの日常生
活および日課への侵入が減少する。併せて、データパラメータの受動的な収集、およびモ
バイルデバイスの相対的な遍在性は、アルツハイマー病などのより深刻な状態を示す可能
性のある認知機能低下の非常に早期の検出を可能にする。さらに、専門の評価者またはコ
ンピュータ化されたスクリーニングツールを積極的に利用する必要性が減少する。
図１は、本開示の少なくとも１つの実施形態による、１つ以上のモバイルデバイス１０
２を使用して認知機能低下を検出するための例示的なシステム１００の概略図である。こ
の図は単なる例であり、特許請求の範囲の範囲を過度に制限するものではない。当業者は
、多くの変形、代替、および修正を認識するであろう。
２を使用して認知機能低下を検出するための例示的なシステム１００の概略図である。こ
の図は単なる例であり、特許請求の範囲の範囲を過度に制限するものではない。当業者は
、多くの変形、代替、および修正を認識するであろう。
システム１００は、１つ以上のモバイルデバイス１０２および被験者１０４を含む。モ
バイルデバイス１０２は、モバイルデバイス１０２に組み込まれた１つ以上のセンサを使
用して被験者１０４に関するデータを受動的に感知するために、被験者１０４が取り付け
、装着、携帯、かつ／または使用することができる任意のタイプの電子デバイスであり得
る。例示的なモバイルデバイス１０２には、スマートフォン、スマートウォッチ、スマー
トタブレット、スマートリング、スマートスーツ、歩数計、心拍数モニタ、睡眠センサな
どが含まれるが、これらに限定されない。
バイルデバイス１０２は、モバイルデバイス１０２に組み込まれた１つ以上のセンサを使
用して被験者１０４に関するデータを受動的に感知するために、被験者１０４が取り付け
、装着、携帯、かつ／または使用することができる任意のタイプの電子デバイスであり得
る。例示的なモバイルデバイス１０２には、スマートフォン、スマートウォッチ、スマー
トタブレット、スマートリング、スマートスーツ、歩数計、心拍数モニタ、睡眠センサな
どが含まれるが、これらに限定されない。
モバイルデバイス１０２によって受動的に感知データは、任意の数の様々な生理学的パ
ラメータ、行動パラメータ、および／または環境パラメータ（本明細書では、集合的に「
感知データ」と称される）に対応し得る。以下でより詳細に説明するように、感知データ
および／または他のデータ（図２を参照）は、認知機能低下を検出するために使用される
。いくつかの実施形態では、モバイルデバイス１０２は、被験者１０４による追加のステ
ップまたは入力を必要とせずに、被験者１０４によるモバイルデバイス１０２の通常の使
用中に、電気的、機械的、および／または化学的手段を使用して感知データを受動的に収
集する。言い換えれば、被験者１０４は、モバイルデバイス１０２との自分の日常的な相
互作用のいかなる態様も変更する必要はない。いくつかの実施形態では、モバイルデバイ
ス１０２は、要求（例えば、エネルギーを示す調査）に応じて収集データの一部を集める
。単一のモバイルデバイス１０２または複数のモバイルデバイス１０２が、収集データを
収集し得る。
ラメータ、行動パラメータ、および／または環境パラメータ（本明細書では、集合的に「
感知データ」と称される）に対応し得る。以下でより詳細に説明するように、感知データ
および／または他のデータ（図２を参照）は、認知機能低下を検出するために使用される
。いくつかの実施形態では、モバイルデバイス１０２は、被験者１０４による追加のステ
ップまたは入力を必要とせずに、被験者１０４によるモバイルデバイス１０２の通常の使
用中に、電気的、機械的、および／または化学的手段を使用して感知データを受動的に収
集する。言い換えれば、被験者１０４は、モバイルデバイス１０２との自分の日常的な相
互作用のいかなる態様も変更する必要はない。いくつかの実施形態では、モバイルデバイ
ス１０２は、要求（例えば、エネルギーを示す調査）に応じて収集データの一部を集める
。単一のモバイルデバイス１０２または複数のモバイルデバイス１０２が、収集データを
収集し得る。
いくつかの実施形態では、モバイルデバイス１０２は、感知データを分析し、感知デー
タに基づいて被験者１０４の認知機能低下を検出するように構成されたコンポーネント（
例えば、図２に示されるコンポーネント２００）を含む。追加的に、または代替的に、モ
バイルデバイス１０２は、ネットワーク１０８を介して、感知データをサーバ１０６に送
信し、サーバ１０６は、収集データに基づいて被験者１０４の認知機能低下を検出するよ
うに構成されたコンポーネント（例えば、図２に示されるコンポーネント２００）を含む
。
タに基づいて被験者１０４の認知機能低下を検出するように構成されたコンポーネント（
例えば、図２に示されるコンポーネント２００）を含む。追加的に、または代替的に、モ
バイルデバイス１０２は、ネットワーク１０８を介して、感知データをサーバ１０６に送
信し、サーバ１０６は、収集データに基づいて被験者１０４の認知機能低下を検出するよ
うに構成されたコンポーネント（例えば、図２に示されるコンポーネント２００）を含む
。
ネットワーク１０８は、例えば、バスネットワーク、ショートメッセージングサービス
（ＳＭＳ）、ローカルエリアネットワーク（ＬＡＮ）、ワイヤレスＬＡＮ（ＷＬＡＮ）、
ワイドエリアネットワーク（ＷＡＮ）、インターネット、Ｐ２Ｐネットワーク、カスタム
設計された通信またはメッセージングプロトコルなど、任意の数の異なるタイプの通信ネ
ットワークであり得るか、またはそれらを含み得る。ネットワーク１０８は、複数のネッ
トワークの組み合わせを含み得る。
（ＳＭＳ）、ローカルエリアネットワーク（ＬＡＮ）、ワイヤレスＬＡＮ（ＷＬＡＮ）、
ワイドエリアネットワーク（ＷＡＮ）、インターネット、Ｐ２Ｐネットワーク、カスタム
設計された通信またはメッセージングプロトコルなど、任意の数の異なるタイプの通信ネ
ットワークであり得るか、またはそれらを含み得る。ネットワーク１０８は、複数のネッ
トワークの組み合わせを含み得る。
図２は、本開示の少なくとも１つの実施形態による、１つ以上のモバイルデバイス１０
２を使用して認知機能低下を検出するための例示的なコンポーネント２００のブロック図
である。この図は単なる例であり、特許請求の範囲の範囲を過度に制限するものではない
。当業者は、多くの変形、代替、および修正を認識するであろう。コンポーネント２００
は、１つ以上のセンサ２０２、収集コンポーネント２０４、増強コンポーネント２０６、
訓練コンポーネント２０８、分析コンポーネント２１０、リポジトリアプリケーションプ
ログラミングインターフェース（ＡＰＩ）２１２、および／またはリポジトリ２１４を含
み得る。
２を使用して認知機能低下を検出するための例示的なコンポーネント２００のブロック図
である。この図は単なる例であり、特許請求の範囲の範囲を過度に制限するものではない
。当業者は、多くの変形、代替、および修正を認識するであろう。コンポーネント２００
は、１つ以上のセンサ２０２、収集コンポーネント２０４、増強コンポーネント２０６、
訓練コンポーネント２０８、分析コンポーネント２１０、リポジトリアプリケーションプ
ログラミングインターフェース（ＡＰＩ）２１２、および／またはリポジトリ２１４を含
み得る。
上記のように、１つ以上のモバイルデバイス１０２は、被験者１０４に関するデータを
受動的に感知するために使用される１つ以上のセンサを含み得る。例えば、センサ２０２
は、（例えば、加速度計を使用した）患者の身体活動レベルおよび／または活動タイプ、
人体に関係する代謝レベルおよび／または他のパラメータ、例えば、（例えば、フォトプ
レチスモグラムを使用した）心拍数、（例えば、温度計を使用した）体温、（例えば、血
圧計を使用した）血圧、血液特性（例えば、グルコースレベル）、食事、（例えば、グロ
ーバルポジショニングシステム（ＧＰＳ）を使用した）相対的な地理的位置などを示す１
つ以上の信号などの生理学的パラメータを感知するように構成され得る。別の例として、
センサ２０２はまた、被験者１０４を取り囲む外部環境に関する環境パラメータ（例えば
、温度、空気の質、湿度、一酸化炭素レベル、酸素レベル、気圧、光強度、音など）を感
知することが可能であり得る。さらに別の例として、センサ２０２はまた、被験者のタイ
ピング、モバイルデバイスのうちの１つ以上の上で実行されているモバイルアプリケーシ
ョンの使用、モバイルデバイスによって送受信されるメッセージ（例えば、ＳＭＳテキス
ト、電子メール、インスタントチャットメッセージ、電話通話、ビデオ通話など）、Ｓｉ
ｒｉなどの仮想アシスタントの使用などを要約するかまたは特徴付けるデータなど、被験
者に関する行動パラメータを感知かつ／または記録することが可能であり得る。生理学的
パラメータ、環境パラメータ、および行動パラメータは、本明細書では、集合的に感知デ
ータ２１６と称され得る。
受動的に感知するために使用される１つ以上のセンサを含み得る。例えば、センサ２０２
は、（例えば、加速度計を使用した）患者の身体活動レベルおよび／または活動タイプ、
人体に関係する代謝レベルおよび／または他のパラメータ、例えば、（例えば、フォトプ
レチスモグラムを使用した）心拍数、（例えば、温度計を使用した）体温、（例えば、血
圧計を使用した）血圧、血液特性（例えば、グルコースレベル）、食事、（例えば、グロ
ーバルポジショニングシステム（ＧＰＳ）を使用した）相対的な地理的位置などを示す１
つ以上の信号などの生理学的パラメータを感知するように構成され得る。別の例として、
センサ２０２はまた、被験者１０４を取り囲む外部環境に関する環境パラメータ（例えば
、温度、空気の質、湿度、一酸化炭素レベル、酸素レベル、気圧、光強度、音など）を感
知することが可能であり得る。さらに別の例として、センサ２０２はまた、被験者のタイ
ピング、モバイルデバイスのうちの１つ以上の上で実行されているモバイルアプリケーシ
ョンの使用、モバイルデバイスによって送受信されるメッセージ（例えば、ＳＭＳテキス
ト、電子メール、インスタントチャットメッセージ、電話通話、ビデオ通話など）、Ｓｉ
ｒｉなどの仮想アシスタントの使用などを要約するかまたは特徴付けるデータなど、被験
者に関する行動パラメータを感知かつ／または記録することが可能であり得る。生理学的
パラメータ、環境パラメータ、および行動パラメータは、本明細書では、集合的に感知デ
ータ２１６と称され得る。
いくつかの実施形態では、収集コンポーネント２０４は、図３（ブロック３０２）に示
されるように、センサ２０２から感知データ２１６を収集、受信、記憶、補足、かつ／ま
たは処理するように構成される。図３は、本開示の少なくとも１つの実施形態による、１
つ以上のモバイルデバイスから受動的に取得されたデータを使用して認知機能低下を判定
するための方法３００の流れ図である。この図は単なる例であり、特許請求の範囲の範囲
を過度に制限するものではない。当業者は、多くの変形、代替、および修正を認識するで
あろう。いくつかの実施形態では、収集コンポーネント２０４は、センサ２０２から感知
データ２１６を受信し、かつ／またはセンサを使用して感知データ２１６を収集する（ブ
ロック３０２）。
されるように、センサ２０２から感知データ２１６を収集、受信、記憶、補足、かつ／ま
たは処理するように構成される。図３は、本開示の少なくとも１つの実施形態による、１
つ以上のモバイルデバイスから受動的に取得されたデータを使用して認知機能低下を判定
するための方法３００の流れ図である。この図は単なる例であり、特許請求の範囲の範囲
を過度に制限するものではない。当業者は、多くの変形、代替、および修正を認識するで
あろう。いくつかの実施形態では、収集コンポーネント２０４は、センサ２０２から感知
データ２１６を受信し、かつ／またはセンサを使用して感知データ２１６を収集する（ブ
ロック３０２）。
図示されるように（ブロック３０２）、収集コンポーネント２０４は、追加的または代
替的に、任意の補足データ（本明細書では、集合的に収集データ２１８と称される、図２
を参照）とともに感知データ２１６を記憶し得る。収集データ２１８は、（図２の）リポ
ジトリ２１４に記憶され得る。感知データ２１６への補足データの例として、収集コンポ
ーネント２０４は、感知データ２１６のメタデータを収集し得る。より具体的な例として
、収集コンポーネント２０４は、感知データ２１６にタイムスタンプを付けて、感知デー
タ２１６の開始、感知データ２１６の持続時間、感知データ２１６の発生、および／また
は感知データ２１６の終了を判定し得る。追加的に、または代替的に、収集コンポーネン
ト２０４は、精神運動コンポーネントデータ（例えば、タッピング速度、タッピング規則
性、タイピング速度、文の複雑さ、ドラッグパス効率、読み取り速度など）、および／ま
たは精神運動コンポーネントに関するメタデータ、および／またはモバイルデバイス１０
２との被験者１０４の他の相互作用（例えば、ワードプロセッシング、検索など）を収集
し得る。上記のように、感知データ２１６、精神運動コンポーネントデータ、および／ま
たはメタデータは、収集コンポーネント２０４によって、収集データ２１８としてリポジ
トリ２１４に記憶され得る。以下でより詳細に説明するように、収集データ２１８は、認
知機能低下に関連する１つ以上のデジタルバイオマーカーを生成し、デジタルバイオマー
カーを分析して被験者１０４（図１）の認知機能低下を検出するために使用される。
替的に、任意の補足データ（本明細書では、集合的に収集データ２１８と称される、図２
を参照）とともに感知データ２１６を記憶し得る。収集データ２１８は、（図２の）リポ
ジトリ２１４に記憶され得る。感知データ２１６への補足データの例として、収集コンポ
ーネント２０４は、感知データ２１６のメタデータを収集し得る。より具体的な例として
、収集コンポーネント２０４は、感知データ２１６にタイムスタンプを付けて、感知デー
タ２１６の開始、感知データ２１６の持続時間、感知データ２１６の発生、および／また
は感知データ２１６の終了を判定し得る。追加的に、または代替的に、収集コンポーネン
ト２０４は、精神運動コンポーネントデータ（例えば、タッピング速度、タッピング規則
性、タイピング速度、文の複雑さ、ドラッグパス効率、読み取り速度など）、および／ま
たは精神運動コンポーネントに関するメタデータ、および／またはモバイルデバイス１０
２との被験者１０４の他の相互作用（例えば、ワードプロセッシング、検索など）を収集
し得る。上記のように、感知データ２１６、精神運動コンポーネントデータ、および／ま
たはメタデータは、収集コンポーネント２０４によって、収集データ２１８としてリポジ
トリ２１４に記憶され得る。以下でより詳細に説明するように、収集データ２１８は、認
知機能低下に関連する１つ以上のデジタルバイオマーカーを生成し、デジタルバイオマー
カーを分析して被験者１０４（図１）の認知機能低下を検出するために使用される。
いくつかの実施形態では、収集コンポーネント２０４は、センサ２０２がいつ、および
／またはどのくらいの頻度で感知データ２１６を感知するかを判定し得、センサ２０２か
ら感知データ２１６を受信し、かつ／または感知データ２１６を補足して、収集データ２
１８を生成する。いくつかの実施形態では、収集コンポーネント２０４は、被験者１０４
からの指示なしにこれらのタスクを実行する。一例として、収集コンポーネント２０４は
、異なるタイプの感知データ２１６を、１日ごとに（例えば、調査）、１時間ごとに、１
分ごとに（例えば、総身体活動）、１秒ごとに、１０分の１秒ごとに、１００分の１秒ご
とに（例えば、生の加速度計チャネル）などに１回サンプリングするようにセンサ２０２
に指示する。別の例として、収集コンポーネント２０４は、第１のタイプの感知データ２
１６（例えば、睡眠品質データ）を一定の頻度でサンプリングし、第２のタイプの感知デ
ータ２１６を、この感知データのコンテキストに適合した頻度でサンプリングするように
センサ２０２に指示する。特定の例として、収集コンポーネント２０４は、ステップおよ
び／または心拍数の頻度に基づいて、ステップおよび／または心拍数を示すバイオマーカ
ーに関連する感知データ２１６のサンプリング頻度を適合させるようにセンサ２０２に指
示し得る。すなわち、ステップおよび／または心拍数が増加するにつれて、収集コンポー
ネント２０４は、ステップおよび／または心拍数に関連する感知データ２１６をより高い
頻度でサンプリングするようにセンサ２０２に指示し得、逆もまた同様である。
／またはどのくらいの頻度で感知データ２１６を感知するかを判定し得、センサ２０２か
ら感知データ２１６を受信し、かつ／または感知データ２１６を補足して、収集データ２
１８を生成する。いくつかの実施形態では、収集コンポーネント２０４は、被験者１０４
からの指示なしにこれらのタスクを実行する。一例として、収集コンポーネント２０４は
、異なるタイプの感知データ２１６を、１日ごとに（例えば、調査）、１時間ごとに、１
分ごとに（例えば、総身体活動）、１秒ごとに、１０分の１秒ごとに、１００分の１秒ご
とに（例えば、生の加速度計チャネル）などに１回サンプリングするようにセンサ２０２
に指示する。別の例として、収集コンポーネント２０４は、第１のタイプの感知データ２
１６（例えば、睡眠品質データ）を一定の頻度でサンプリングし、第２のタイプの感知デ
ータ２１６を、この感知データのコンテキストに適合した頻度でサンプリングするように
センサ２０２に指示する。特定の例として、収集コンポーネント２０４は、ステップおよ
び／または心拍数の頻度に基づいて、ステップおよび／または心拍数を示すバイオマーカ
ーに関連する感知データ２１６のサンプリング頻度を適合させるようにセンサ２０２に指
示し得る。すなわち、ステップおよび／または心拍数が増加するにつれて、収集コンポー
ネント２０４は、ステップおよび／または心拍数に関連する感知データ２１６をより高い
頻度でサンプリングするようにセンサ２０２に指示し得、逆もまた同様である。
図３を参照すると、収集コンポーネント２０４は、何らかのセンサデータ２１６が欠落
しているかどうかを照会し得る（ブロック３０４）。例えば、被験者１０４がモバイルデ
バイス１０２を特定の期間使用または着用していないためにデータ収集がない期間につい
て、収集コンポーネント２０４は、欠落しているデータを埋め得る（ブロック３０６）。
例えば、イベントがトリガされたとき（例えば、アプリが開かれたとき、またはメッセー
ジが受信されたとき）、収集コンポーネント２０４は、値なしの分を、その分においてト
リガリングイベントがないことを表したゼロで埋め得る。別の例として、収集コンポーネ
ント２０４は、心拍数の短い持続時間のギャップ（例えば、１分、５分、１０分、１５分
など）を線形補間し得る。さらに別の例として、収集コンポーネント２０４は、残りのす
べての欠落データを、代入されないものとして保持し得る。欠落データ（例えば、行動の
ギャップ）は、人が認知機能低下を経験しているために引き起こされる可能性がある。こ
のように、データのギャップは、人が認知機能低下を経験しているかどうかを知らせるた
めに使用され得る。いくつかの実施形態では、収集コンポーネント２０４は、収集データ
２１８を、平均値、カウント、間隔、インパルス、および調査という、５つの異なるチャ
ネルタイプにグループ化し、１）すべての分と、２）様々なイベントの時刻と、３）各日
の集計と、４）活動の継続的な「島」の持続時間と、の集合からなる、４つの一般的なタ
イプの特徴を計算する。
しているかどうかを照会し得る（ブロック３０４）。例えば、被験者１０４がモバイルデ
バイス１０２を特定の期間使用または着用していないためにデータ収集がない期間につい
て、収集コンポーネント２０４は、欠落しているデータを埋め得る（ブロック３０６）。
例えば、イベントがトリガされたとき（例えば、アプリが開かれたとき、またはメッセー
ジが受信されたとき）、収集コンポーネント２０４は、値なしの分を、その分においてト
リガリングイベントがないことを表したゼロで埋め得る。別の例として、収集コンポーネ
ント２０４は、心拍数の短い持続時間のギャップ（例えば、１分、５分、１０分、１５分
など）を線形補間し得る。さらに別の例として、収集コンポーネント２０４は、残りのす
べての欠落データを、代入されないものとして保持し得る。欠落データ（例えば、行動の
ギャップ）は、人が認知機能低下を経験しているために引き起こされる可能性がある。こ
のように、データのギャップは、人が認知機能低下を経験しているかどうかを知らせるた
めに使用され得る。いくつかの実施形態では、収集コンポーネント２０４は、収集データ
２１８を、平均値、カウント、間隔、インパルス、および調査という、５つの異なるチャ
ネルタイプにグループ化し、１）すべての分と、２）様々なイベントの時刻と、３）各日
の集計と、４）活動の継続的な「島」の持続時間と、の集合からなる、４つの一般的なタ
イプの特徴を計算する。
追加的に、または代替的に、収集コンポーネント２０４は、感知データ２１６および／
または収集データ２１８のさらなる処理（ブロック３０２）を実行し得る。例えば、収集
コンポーネント２０４は、収集データ２１８をビヘイビアグラム４００にマッピングし得
、その例が図４に示されている。ビヘイビアグラム４００は、収集データ２１８の記録、
処理、および／または表示を容易にするデータ構造を含み得る。このデータ構造は、１分
の分解能、１秒の分解能、１秒未満の分解能、または他の時間分解能の値を有する、時間
調整された処理済みデータチャネルを含む場合がある。収集データ２１８をビヘイビアグ
ラム４００表現にマッピングするために、収集コンポーネント２０４は、チャネル間の時
間調整の実行、異なる時間スケールでのソースのリサンプリング、チャネル認識集約、お
よび欠落値の処理を含み得る。特定の例として、収集コンポーネント２０４は、タイムゾ
ーンを認識する方法で入力ソースのタイムスタンプを整列させ、イベントベースのソース
からそれらが発生する秒に値を再割り当てし得る。収集コンポーネント２０４は、値を合
計（ステップ、階段、不在着信、およびメッセージの場合）あるいは平均化（ペース、歩
幅、心拍数、および調査応答の場合）して、分レベルの分解能サンプリングを生成し得る
。収集コンポーネント２０４は、（例えば、ワークアウトセッション、呼吸セッション、
立ち時間、運動、電話通話、電話のロック解除、およびアプリの使用の）間隔を表す入力
ソースを、その間隔がカバーする分の分数を符号化することによって分に変換し得る。１
分未満（または１秒未満）の精度を必要とする収集データ２１８（例えば、微細運動機能
）の場合、収集コンポーネント２０４は、統計値を分レベルの分解能に集約する前に、よ
り高い時間分解能で統計値を計算し得る。例えば、収集コンポーネント２０４は、重力の
影響を低減するためにローパスフィルタまたはセンサフュージョン技術を適用した後、１
００分の１秒ごとに取られたＸ、Ｙ、およびＺ加速度のＬ２（ユークリッド）ノルムを平
均化することによって、１００Ｈｚにおける加速度計測定値を分レベル値に集約し得る。
または収集データ２１８のさらなる処理（ブロック３０２）を実行し得る。例えば、収集
コンポーネント２０４は、収集データ２１８をビヘイビアグラム４００にマッピングし得
、その例が図４に示されている。ビヘイビアグラム４００は、収集データ２１８の記録、
処理、および／または表示を容易にするデータ構造を含み得る。このデータ構造は、１分
の分解能、１秒の分解能、１秒未満の分解能、または他の時間分解能の値を有する、時間
調整された処理済みデータチャネルを含む場合がある。収集データ２１８をビヘイビアグ
ラム４００表現にマッピングするために、収集コンポーネント２０４は、チャネル間の時
間調整の実行、異なる時間スケールでのソースのリサンプリング、チャネル認識集約、お
よび欠落値の処理を含み得る。特定の例として、収集コンポーネント２０４は、タイムゾ
ーンを認識する方法で入力ソースのタイムスタンプを整列させ、イベントベースのソース
からそれらが発生する秒に値を再割り当てし得る。収集コンポーネント２０４は、値を合
計（ステップ、階段、不在着信、およびメッセージの場合）あるいは平均化（ペース、歩
幅、心拍数、および調査応答の場合）して、分レベルの分解能サンプリングを生成し得る
。収集コンポーネント２０４は、（例えば、ワークアウトセッション、呼吸セッション、
立ち時間、運動、電話通話、電話のロック解除、およびアプリの使用の）間隔を表す入力
ソースを、その間隔がカバーする分の分数を符号化することによって分に変換し得る。１
分未満（または１秒未満）の精度を必要とする収集データ２１８（例えば、微細運動機能
）の場合、収集コンポーネント２０４は、統計値を分レベルの分解能に集約する前に、よ
り高い時間分解能で統計値を計算し得る。例えば、収集コンポーネント２０４は、重力の
影響を低減するためにローパスフィルタまたはセンサフュージョン技術を適用した後、１
００分の１秒ごとに取られたＸ、Ｙ、およびＺ加速度のＬ２（ユークリッド）ノルムを平
均化することによって、１００Ｈｚにおける加速度計測定値を分レベル値に集約し得る。
ビヘイビアグラム４００は、異なるチャネル間の関連付けのパターンを分析することに
よって、被験者１０４の認知機能低下の検出を容易にし得る。例えば、ビヘイビアグラム
４００は、他のコンテキスト内の１つのチャネルにおける欠落データおよび外れ値を検査
することを可能にする。別の例として、データ表現フォーマットとして、ビヘイビアグラ
ム４００は、異なる入力データソース間の相互作用を容易にキャプチャすることを可能に
し、実験室または診療所において実施されるデュアルタスク実験を概念的に複製する手段
を提供し得る。より具体的には、認知機能低下がある被験者１０４は、被験者１０４が単
一のタスク（例えば、歩くことのみ）を実行することを試みるときよりも、その人が２つ
のタスク（例えば、歩くことと、会話をすること）を同時に行うことを試みるとき、より
大きい障害を示す場合がある。ビヘイビアグラム４００を用いると、電話通話および平均
歩行ペースを表すデータチャネルをマージすることによって、分レベルの分解能で「話し
ながら歩く」を表すチャネルを追加し、電話での会話中の平均ペースをキャプチャするこ
とが容易になる場合がある。
よって、被験者１０４の認知機能低下の検出を容易にし得る。例えば、ビヘイビアグラム
４００は、他のコンテキスト内の１つのチャネルにおける欠落データおよび外れ値を検査
することを可能にする。別の例として、データ表現フォーマットとして、ビヘイビアグラ
ム４００は、異なる入力データソース間の相互作用を容易にキャプチャすることを可能に
し、実験室または診療所において実施されるデュアルタスク実験を概念的に複製する手段
を提供し得る。より具体的には、認知機能低下がある被験者１０４は、被験者１０４が単
一のタスク（例えば、歩くことのみ）を実行することを試みるときよりも、その人が２つ
のタスク（例えば、歩くことと、会話をすること）を同時に行うことを試みるとき、より
大きい障害を示す場合がある。ビヘイビアグラム４００を用いると、電話通話および平均
歩行ペースを表すデータチャネルをマージすることによって、分レベルの分解能で「話し
ながら歩く」を表すチャネルを追加し、電話での会話中の平均ペースをキャプチャするこ
とが容易になる場合がある。
いくつかの実施形態では、収集コンポーネント２０４は、プログラマ、臨床医、または
他の者が、収集データ２１８、センサ２０２、および／または感知データ２１６と相互作
用するために、（図２の）フロントエンドユーザインターフェース（ＵＩ）コンポーネン
ト２２０を含む。収集コンポーネント２０４は、リポジトリＡＰＩ２１２とは別個のコン
ポーネントとして示されているが、収集コンポーネント２０４は、リポジトリＡＰＩ２１
２に組み込まれ得る。
他の者が、収集データ２１８、センサ２０２、および／または感知データ２１６と相互作
用するために、（図２の）フロントエンドユーザインターフェース（ＵＩ）コンポーネン
ト２２０を含む。収集コンポーネント２０４は、リポジトリＡＰＩ２１２とは別個のコン
ポーネントとして示されているが、収集コンポーネント２０４は、リポジトリＡＰＩ２１
２に組み込まれ得る。
いくつかの実施形態では、センサ２０２と収集コンポーネント２０４の両方は、デバイ
ス１０２などの１つ以上のモバイルデバイス上に実装され得る。コンポーネント２０２お
よび２０４は、そのようなモバイルデバイスに組み込まれるかまたはそれらと通信可能に
結合されたハードウェア、ならびに上記の機能を実装するように構成されたソフトウェア
および／またはファームウェア（例えば、モバイルアプリケーション）の両方を備え得る
。いくつかの実施形態では、収集コンポーネント２０４は、サーバ１０６などの１つ以上
のサーバに組み込まれるかもしくはそれらと通信可能に結合されたハードウェア、ソフト
ウェア、および／またはファームウェア上に実装され得る。いくつかの実施形態では、収
集コンポーネント２０４は、１つ以上のモバイルデバイス（例えば、デバイス１０２）と
１つ以上のサーバ（例えば、サーバ１０６）の両方に分散され得、これらは、一緒に動作
して、上記の機能を実装する。
ス１０２などの１つ以上のモバイルデバイス上に実装され得る。コンポーネント２０２お
よび２０４は、そのようなモバイルデバイスに組み込まれるかまたはそれらと通信可能に
結合されたハードウェア、ならびに上記の機能を実装するように構成されたソフトウェア
および／またはファームウェア（例えば、モバイルアプリケーション）の両方を備え得る
。いくつかの実施形態では、収集コンポーネント２０４は、サーバ１０６などの１つ以上
のサーバに組み込まれるかもしくはそれらと通信可能に結合されたハードウェア、ソフト
ウェア、および／またはファームウェア上に実装され得る。いくつかの実施形態では、収
集コンポーネント２０４は、１つ以上のモバイルデバイス（例えば、デバイス１０２）と
１つ以上のサーバ（例えば、サーバ１０６）の両方に分散され得、これらは、一緒に動作
して、上記の機能を実装する。
方法３００は、（図２の）認知機能低下検出アルゴリズム２２２が訓練されているかど
うかを照会することをさらに含み得る（ブロック３０８）。認知機能低下検出アルゴリズ
ム２２２が訓練されていない場合、方法３００は、収集データを分析して被験者１０４の
認知機能低下を検出することによって続行し得る（ブロック３１０）。収集データを分析
して認知機能低下を検出するための例示的な実施形態が、図５～９に提供される。
うかを照会することをさらに含み得る（ブロック３０８）。認知機能低下検出アルゴリズ
ム２２２が訓練されていない場合、方法３００は、収集データを分析して被験者１０４の
認知機能低下を検出することによって続行し得る（ブロック３１０）。収集データを分析
して認知機能低下を検出するための例示的な実施形態が、図５～９に提供される。
しかしながら、検出アルゴリズム２２２が訓練されている場合、方法３００は、検出ア
ルゴリズム２２２を訓練するために、収集データ２１８を増強すべきかどうかを照会し得
る（ブロック３１２）。収集データ２１８を増強すべきである場合、方法３００は、収集
データを増強することに進み得る（ブロック３１４）。
ルゴリズム２２２を訓練するために、収集データ２１８を増強すべきかどうかを照会し得
る（ブロック３１２）。収集データ２１８を増強すべきである場合、方法３００は、収集
データを増強することに進み得る（ブロック３１４）。
いくつかの実施形態では、増強コンポーネント２０６は、収集コンポーネント２０４か
ら収集データ２１８を受信して、収集データ２１８を増強する。検出アルゴリズム２２２
を訓練するために収集データ２１８を増強するために、増強コンポーネント２０６は、収
集データ２１８の重複しないサブセット上の特徴を使用し得る。重複しないサブセットは
、例えば、被験者１０４ごとに、合計ｎ（例えば、３～５０）個の隔週の２週間期間であ
り得る：被験者１０４ｉごとにＢＷｉ，１．．．ＢＷｉ，ｎ。また、増強コンポーネント
２０６は、各隔週ＢＷｉ，ｊに、被験者１０４ｉに割り当てられた同じラベル（例えば、
健康な対照または症候性）を割り当て得る。この場合、収集データ２１８は、（以下に説
明される）機械学習技術を使用して検出アルゴリズム２２２を訓練するために使用されて
いるため、被験者１０４が健康な対照被験者１０４である（例えば、認知機能低下を経験
していない）かどうか、あるいは被験者１０４が認知機能低下を経験しているかどうかが
分かり得る（そうである場合、ラベルは、任意選択的に、被験者１０４がどのタイプの認
知障害を経験しているか、かつ／または被験者１０４がどの程度の認知障害を経験してい
るかをさらに指定し得る）。したがって、被験者１０４に関連付けられた各隔週ＢＷｉ，
ｊには、被験者１０４の対応する認知機能低下または対照ラベルが割り当てられ得る。こ
の方法は、時系列分類におけるウィンドウスライシングと称され得る。増強コンポーネン
ト２０６は、ＢＷｉ，ｊを平均化して、被験者１０４ｉの最終スコアにし得る。増強コン
ポーネント２０６は、リポジトリＡＰＩ２１２とは別個のコンポーネントとして示されて
いるが、増強コンポーネント２０６は、リポジトリＡＰＩ２１２に組み込まれ得る。
ら収集データ２１８を受信して、収集データ２１８を増強する。検出アルゴリズム２２２
を訓練するために収集データ２１８を増強するために、増強コンポーネント２０６は、収
集データ２１８の重複しないサブセット上の特徴を使用し得る。重複しないサブセットは
、例えば、被験者１０４ごとに、合計ｎ（例えば、３～５０）個の隔週の２週間期間であ
り得る：被験者１０４ｉごとにＢＷｉ，１．．．ＢＷｉ，ｎ。また、増強コンポーネント
２０６は、各隔週ＢＷｉ，ｊに、被験者１０４ｉに割り当てられた同じラベル（例えば、
健康な対照または症候性）を割り当て得る。この場合、収集データ２１８は、（以下に説
明される）機械学習技術を使用して検出アルゴリズム２２２を訓練するために使用されて
いるため、被験者１０４が健康な対照被験者１０４である（例えば、認知機能低下を経験
していない）かどうか、あるいは被験者１０４が認知機能低下を経験しているかどうかが
分かり得る（そうである場合、ラベルは、任意選択的に、被験者１０４がどのタイプの認
知障害を経験しているか、かつ／または被験者１０４がどの程度の認知障害を経験してい
るかをさらに指定し得る）。したがって、被験者１０４に関連付けられた各隔週ＢＷｉ，
ｊには、被験者１０４の対応する認知機能低下または対照ラベルが割り当てられ得る。こ
の方法は、時系列分類におけるウィンドウスライシングと称され得る。増強コンポーネン
ト２０６は、ＢＷｉ，ｊを平均化して、被験者１０４ｉの最終スコアにし得る。増強コン
ポーネント２０６は、リポジトリＡＰＩ２１２とは別個のコンポーネントとして示されて
いるが、増強コンポーネント２０６は、リポジトリＡＰＩ２１２に組み込まれ得る。
実施形態では、２週間ウィンドウは、データサイズの実質的なブーストを提供すると同
時に、被験者１０４の毎日および毎週のパターンを依然として捕捉するので、有益であり
得る。いくつかの実施形態では、２週間ウィンドウは、精神運動タスクにおいて計算され
た特徴が２週間ごとに判定された場合にも有益であり得る。いくつかの実施形態では、よ
り長い時間ウィンドウ（例えば、３週間、４週間、または１ヶ月間の長さのウィンドウ）
も使用され得る。
時に、被験者１０４の毎日および毎週のパターンを依然として捕捉するので、有益であり
得る。いくつかの実施形態では、２週間ウィンドウは、精神運動タスクにおいて計算され
た特徴が２週間ごとに判定された場合にも有益であり得る。いくつかの実施形態では、よ
り長い時間ウィンドウ（例えば、３週間、４週間、または１ヶ月間の長さのウィンドウ）
も使用され得る。
収集データ２１８が増強されると、この方法は、認知機能低下を検出するように検出ア
ルゴリズム２２２を訓練することを含み得る（ブロック３１６）。代替的に、収集データ
２１８を増強する必要がない場合、方法３００は、検出アルゴリズム２２２を訓練するこ
とに進み得る（ブロック３１６）。
ルゴリズム２２２を訓練することを含み得る（ブロック３１６）。代替的に、収集データ
２１８を増強する必要がない場合、方法３００は、検出アルゴリズム２２２を訓練するこ
とに進み得る（ブロック３１６）。
いくつかの実施形態では、（図２の）訓練コンポーネント２０８を使用して、検出アル
ゴリズム２２２を訓練し得る。例えば、検出アルゴリズムは、畳み込みニューラルネット
ワーク（ＣＮＮ）を使用して実装され得る。収集データ２１８について、訓練コンポーネ
ント２０８は、ｎリピート（例えば、５０～５００）ホールドアウト手順（ここで、ｎは
データのサブセットの数）を使用して、各隔週を健康な対照または症候性の被験者１０４
に属するものとして分類する際のサンプル外の一般化性能を評価し得る。ｎ回の反復の各
々において、訓練コンポーネント２０８は、診断（症候性対健康な対照）によって層別化
され、かつ被験者１０４によってグループ化された（モデルが特定の被験者１０４のパタ
ーンを記憶するのを防止するために、同じ被験者１０４からの隔週はすべて、同じセット
内になる）７０／３０シャッフル分割を使用して、データセットを訓練セットおよびテス
トセットに分割し得る。実施形態では、訓練コンポーネント２０８は、グループ化された
３フォールド交差検証を使用して、訓練セットに対してハイパーパラメータ調整を実行す
る。実施形態では、訓練コンポーネント２０８は、Ｈｙｐｅｒｏｐｔを使用して、次のパ
ラメータを選択し得る：推定量の数、学習率、最大ツリー深度、およびガンマ。Ｈｙｐｅ
ｒｏｐｔは、Ｊａｍｅｓ Ｂｅｒｇｓｔｒａ、Ｄａｎ Ｙａｍｉｎｓ、およびＤａｖｉｄ
Ｄ Ｃｏｘによって、“Ｈｙｐｅｒｏｐｔ：Ａ ｐｙｔｈｏｎ ｌｉｂｒａｒｙ ｆｏ
ｒ ｏｐｔｉｍｉｚｉｎｇ ｔｈｅ ｈｙｐｅｒｐａｒａｍｅｔｅｒｓ ｏｆ ｍａｃｈ
ｉｎｅ ｌｅａｒｎｉｎｇ ａｌｇｏｒｉｔｈｍｓ”、Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ
ｔｈｅ １２ｔｈ Ｐｙｔｈｏｎ ｉｎ Ｓｃｉｅｎｃｅ Ｃｏｎｆｅｒｅｎｃｅ、Ｃｉ
ｔｅｓｅｅｒ、１３－２０に記載されており、この内容は、あらゆる目的のために本明細
書に組み込まれる。ｍ個の組み合わせ（例えば、１０～５０）までの、パラメータの各組
み合わせについて、訓練コンポーネント２０８は、検出アルゴリズム２２２の性能を評価
し得る。実施形態では、訓練コンポーネント２０８は、外側分割における完全な訓練セッ
ト上で、３つのフォールドにわたって最高の平均ＲＯＣ曲線下面積（ＡＵＲＯＣ）をもた
らしたモデルハイパーパラメータを訓練することを選択し得る。実施形態では、訓練コン
ポーネント２０８は、外側分割におけるホールドアウトテストセットに関する隔週モデル
性能メトリックを計算し得る。次に、被験者レベル１０４で判定を行うために、訓練コン
ポーネント２０８は、ソフト投票を介して被験者１０４の隔週スコアを集約して、テスト
セット内で各被験者１０４をランク付けし得る。訓練コンポーネント２０８は、これらの
スコアに関する検出アルゴリズム２２２の性能メトリックを計算し得る。最後に、訓練コ
ンポーネント２０８は、この手順をｘ回の反復だけ繰り返して、平均性能メトリックおよ
びそれらの関連する誤差を推定し得る。
ゴリズム２２２を訓練し得る。例えば、検出アルゴリズムは、畳み込みニューラルネット
ワーク（ＣＮＮ）を使用して実装され得る。収集データ２１８について、訓練コンポーネ
ント２０８は、ｎリピート（例えば、５０～５００）ホールドアウト手順（ここで、ｎは
データのサブセットの数）を使用して、各隔週を健康な対照または症候性の被験者１０４
に属するものとして分類する際のサンプル外の一般化性能を評価し得る。ｎ回の反復の各
々において、訓練コンポーネント２０８は、診断（症候性対健康な対照）によって層別化
され、かつ被験者１０４によってグループ化された（モデルが特定の被験者１０４のパタ
ーンを記憶するのを防止するために、同じ被験者１０４からの隔週はすべて、同じセット
内になる）７０／３０シャッフル分割を使用して、データセットを訓練セットおよびテス
トセットに分割し得る。実施形態では、訓練コンポーネント２０８は、グループ化された
３フォールド交差検証を使用して、訓練セットに対してハイパーパラメータ調整を実行す
る。実施形態では、訓練コンポーネント２０８は、Ｈｙｐｅｒｏｐｔを使用して、次のパ
ラメータを選択し得る：推定量の数、学習率、最大ツリー深度、およびガンマ。Ｈｙｐｅ
ｒｏｐｔは、Ｊａｍｅｓ Ｂｅｒｇｓｔｒａ、Ｄａｎ Ｙａｍｉｎｓ、およびＤａｖｉｄ
Ｄ Ｃｏｘによって、“Ｈｙｐｅｒｏｐｔ：Ａ ｐｙｔｈｏｎ ｌｉｂｒａｒｙ ｆｏ
ｒ ｏｐｔｉｍｉｚｉｎｇ ｔｈｅ ｈｙｐｅｒｐａｒａｍｅｔｅｒｓ ｏｆ ｍａｃｈ
ｉｎｅ ｌｅａｒｎｉｎｇ ａｌｇｏｒｉｔｈｍｓ”、Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ
ｔｈｅ １２ｔｈ Ｐｙｔｈｏｎ ｉｎ Ｓｃｉｅｎｃｅ Ｃｏｎｆｅｒｅｎｃｅ、Ｃｉ
ｔｅｓｅｅｒ、１３－２０に記載されており、この内容は、あらゆる目的のために本明細
書に組み込まれる。ｍ個の組み合わせ（例えば、１０～５０）までの、パラメータの各組
み合わせについて、訓練コンポーネント２０８は、検出アルゴリズム２２２の性能を評価
し得る。実施形態では、訓練コンポーネント２０８は、外側分割における完全な訓練セッ
ト上で、３つのフォールドにわたって最高の平均ＲＯＣ曲線下面積（ＡＵＲＯＣ）をもた
らしたモデルハイパーパラメータを訓練することを選択し得る。実施形態では、訓練コン
ポーネント２０８は、外側分割におけるホールドアウトテストセットに関する隔週モデル
性能メトリックを計算し得る。次に、被験者レベル１０４で判定を行うために、訓練コン
ポーネント２０８は、ソフト投票を介して被験者１０４の隔週スコアを集約して、テスト
セット内で各被験者１０４をランク付けし得る。訓練コンポーネント２０８は、これらの
スコアに関する検出アルゴリズム２２２の性能メトリックを計算し得る。最後に、訓練コ
ンポーネント２０８は、この手順をｘ回の反復だけ繰り返して、平均性能メトリックおよ
びそれらの関連する誤差を推定し得る。
検出アルゴリズム２２２が訓練された後、方法３００は、被験者１０４が認知機能低下
を経験しているかどうかを検出するために、複数日の観察期間にわたって記録された収集
データ２１８を分析することに進み得る（ブロック３１０）。そうするために、（サーバ
１０６の一部として、１つ以上のモバイルデバイス１０２の一部として、またはこれら２
つのタイプのシステムの組み合わせとして実装され得る）分析コンポーネント２１０は、
観察期間にわたって記録された収集データ２１８を処理してデジタルバイオマーカーデー
タを生成するバイオマーカーコンポーネント２２４を含み得る。本明細書で使用されると
き、デジタルバイオマーカーは、収集データ２１８の少なくとも一部を入力として受け取
り、健康な被験者と、認知障害または認知機能低下の兆候を示している可能性のある被験
者との間で区別するために検出アルゴリズム（例えば、検出アルゴリズム２２２）によっ
て使用され得る値を出力する数学的または統計的関数を指し得る。デジタルバイオマーカ
ーは、被験者の認知機能低下を検出するために、独立して、または他のデジタルバイオマ
ーカーと組み合わせて使用され得る。収集データ２１８から生成され得る例示的なデジタ
ルバイオマーカーデータは、被験者１０４の身体活動に関連するバイオマーカー、被験者
１０４の社会的相互作用に関連するバイオマーカー、被験者１０４のワードプロセッシン
グに関連するバイオマーカー、および／または被験者１０４のアプリケーション使用に関
連するバイオマーカーを含むが、これらに限定されない。
を経験しているかどうかを検出するために、複数日の観察期間にわたって記録された収集
データ２１８を分析することに進み得る（ブロック３１０）。そうするために、（サーバ
１０６の一部として、１つ以上のモバイルデバイス１０２の一部として、またはこれら２
つのタイプのシステムの組み合わせとして実装され得る）分析コンポーネント２１０は、
観察期間にわたって記録された収集データ２１８を処理してデジタルバイオマーカーデー
タを生成するバイオマーカーコンポーネント２２４を含み得る。本明細書で使用されると
き、デジタルバイオマーカーは、収集データ２１８の少なくとも一部を入力として受け取
り、健康な被験者と、認知障害または認知機能低下の兆候を示している可能性のある被験
者との間で区別するために検出アルゴリズム（例えば、検出アルゴリズム２２２）によっ
て使用され得る値を出力する数学的または統計的関数を指し得る。デジタルバイオマーカ
ーは、被験者の認知機能低下を検出するために、独立して、または他のデジタルバイオマ
ーカーと組み合わせて使用され得る。収集データ２１８から生成され得る例示的なデジタ
ルバイオマーカーデータは、被験者１０４の身体活動に関連するバイオマーカー、被験者
１０４の社会的相互作用に関連するバイオマーカー、被験者１０４のワードプロセッシン
グに関連するバイオマーカー、および／または被験者１０４のアプリケーション使用に関
連するバイオマーカーを含むが、これらに限定されない。
方法３００は、異なる実施形態に従って、そのステップのいくつかまたはすべてを追加
、削除、かつ／または修正することによって修正され得る。方法３００は、検出アルゴリ
ズム２２２を訓練することと、検出アルゴリズム２２２を使用することの両方に好適であ
るとして説明されているが、これら２つのタスクは、いくつかの実施形態では別々の方法
によって実行され得る。例えば、（例えば、大規模な研究によって作成された）訓練セッ
トを使用して検出アルゴリズム２２２を訓練するための第１の方法および／またはプロセ
スがあり得る。検出アルゴリズム２２２が訓練されると、第２の方法および／またはプロ
セスを採用して、検出アルゴリズム２２２を使用して新しいデータセットを処理し、デー
タセットが、１人以上の被験者が認知機能低下を経験していることを示すかどうかの指標
を出力し得る。訓練フェーズと分類フェーズが別々の方法に分割される場合、検出アルゴ
リズムが訓練されているかどうかを照会するためのステップ（例えば、上記のステップ３
０８）がない場合がある。
、削除、かつ／または修正することによって修正され得る。方法３００は、検出アルゴリ
ズム２２２を訓練することと、検出アルゴリズム２２２を使用することの両方に好適であ
るとして説明されているが、これら２つのタスクは、いくつかの実施形態では別々の方法
によって実行され得る。例えば、（例えば、大規模な研究によって作成された）訓練セッ
トを使用して検出アルゴリズム２２２を訓練するための第１の方法および／またはプロセ
スがあり得る。検出アルゴリズム２２２が訓練されると、第２の方法および／またはプロ
セスを採用して、検出アルゴリズム２２２を使用して新しいデータセットを処理し、デー
タセットが、１人以上の被験者が認知機能低下を経験していることを示すかどうかの指標
を出力し得る。訓練フェーズと分類フェーズが別々の方法に分割される場合、検出アルゴ
リズムが訓練されているかどうかを照会するためのステップ（例えば、上記のステップ３
０８）がない場合がある。
いくつかのデジタルバイオマーカーは、他のデジタルバイオマーカーよりも、被験者１
０４の認知機能低下を検出する際により重要または有用である可能性がある。このような
バイオマーカーは、本明細書では重要バイオマーカー２２６と称される。収集データ２１
８から生成する重要バイオマーカー２２６を判定するために、分析コンポーネント２１０
は、ゲーム理論コンポーネント２２８を含み得る。いくつかの実施形態では、ゲーム理論
コンポーネント２２８は、ゲーム理論を局所的な説明と組み合わせて機械学習モデル（す
なわち、検出アルゴリズム２２２）を説明するＳＨａｐｌｅｙ Ａｄｄｉｔｉｖｅ ｅｘ
Ｐｌａｎａｔｉｏｎｓ（ＳＨＡＰ）を使用し得る。実施形態では、ＳＨＡＰ値は、年齢が
一致するコホートについて収集データ２１８上で訓練されたペアワイズ目的関数（および
それ以外の場合はデフォルトパラメータ）を有するＸＧＢＲｅｇｒｅｓｓｏｒモデルにつ
いて報告される。
０４の認知機能低下を検出する際により重要または有用である可能性がある。このような
バイオマーカーは、本明細書では重要バイオマーカー２２６と称される。収集データ２１
８から生成する重要バイオマーカー２２６を判定するために、分析コンポーネント２１０
は、ゲーム理論コンポーネント２２８を含み得る。いくつかの実施形態では、ゲーム理論
コンポーネント２２８は、ゲーム理論を局所的な説明と組み合わせて機械学習モデル（す
なわち、検出アルゴリズム２２２）を説明するＳＨａｐｌｅｙ Ａｄｄｉｔｉｖｅ ｅｘ
Ｐｌａｎａｔｉｏｎｓ（ＳＨＡＰ）を使用し得る。実施形態では、ＳＨＡＰ値は、年齢が
一致するコホートについて収集データ２１８上で訓練されたペアワイズ目的関数（および
それ以外の場合はデフォルトパラメータ）を有するＸＧＢＲｅｇｒｅｓｓｏｒモデルにつ
いて報告される。
前述の方法およびシステムを使用して、Ｅｌｉ Ｌｉｌｌｙ ａｎｄ Ｃｏｍｐａｎｙ
およびＡｐｐｌｅ Ｉｎｃ．のためにＥｖｉｄａｔｉｏｎ Ｈｅａｌｔｈ，Ｉｎｃ．によ
って行われたマルチサイト１２週間試験から捕捉されたデータの分析から、２０個の重要
バイオマーカー５００のセットが識別された。この研究は、スマートデバイスを使用して
、軽度認知障害（ＭＣＩ）および初期アルツハイマー病（ＡＤ）認知症の個人を健康な対
照と区別することの実現可能性を評価することを目的とした。
およびＡｐｐｌｅ Ｉｎｃ．のためにＥｖｉｄａｔｉｏｎ Ｈｅａｌｔｈ，Ｉｎｃ．によ
って行われたマルチサイト１２週間試験から捕捉されたデータの分析から、２０個の重要
バイオマーカー５００のセットが識別された。この研究は、スマートデバイスを使用して
、軽度認知障害（ＭＣＩ）および初期アルツハイマー病（ＡＤ）認知症の個人を健康な対
照と区別することの実現可能性を評価することを目的とした。
この１２週間試験中に、１５４人の参加者が同意を提供し、米国中の１２個のセンター
から適格性についてスクリーニングされた。主な選択基準は、（１）年齢６０～７５歳、
（２）英語を読み、書き、かつ話すことが可能であり、（３）ｉＰｈｏｎｅを所有かつ使
用していることおよび自宅ＷｉＦｉネットワークを使用していることを含む、デジタルデ
バイスに精通していること、であった。
から適格性についてスクリーニングされた。主な選択基準は、（１）年齢６０～７５歳、
（２）英語を読み、書き、かつ話すことが可能であり、（３）ｉＰｈｏｎｅを所有かつ使
用していることおよび自宅ＷｉＦｉネットワークを使用していることを含む、デジタルデ
バイスに精通していること、であった。
ＭＣＩの参加者は、米国国立老化研究所／アルツハイマー協会（ＮＩＡ－ＡＡ）のＡＤ
によるＭＣＩのコア臨床基準を満たさなければならず、軽度ＡＤ認知症の参加者は、ＡＤ
による認知症のＮＩＡ－ＡＡコア臨床基準を満たさなければならなかった。症候性の参加
者については、研究パートナーが、研究手順のコンプライアンスを監視することに同意し
た。
によるＭＣＩのコア臨床基準を満たさなければならず、軽度ＡＤ認知症の参加者は、ＡＤ
による認知症のＮＩＡ－ＡＡコア臨床基準を満たさなければならなかった。症候性の参加
者については、研究パートナーが、研究手順のコンプライアンスを監視することに同意し
た。
登録時に、各参加者には、１２週間の調査期間中にすべてのセンサおよびアプリ使用イ
ベントを収集するアプリとともに、（彼らの主要な電話として使用される）ｉＰｈｏｎｅ
７ ｐｌｕｓ、Ａｐｐｌｅ Ｗａｔｃｈ Ｓｅｒｉｅｓ ２、スマートキーボードを備
えた１０．５インチｉＰａｄ ｐｒｏ、およびＢｅｄｄｉｔ睡眠監視デバイスが提供され
た。全部で、８４人の健康な対照、および３５人の症候性の参加者が選択基準を満たした
。参加者は、研究の過程で中枢神経系に影響を与える可能性のある認知症に対する治療法
または他の薬物療法を変更しないように求められたが、これは参加の要件ではなかった。
ベントを収集するアプリとともに、（彼らの主要な電話として使用される）ｉＰｈｏｎｅ
７ ｐｌｕｓ、Ａｐｐｌｅ Ｗａｔｃｈ Ｓｅｒｉｅｓ ２、スマートキーボードを備
えた１０．５インチｉＰａｄ ｐｒｏ、およびＢｅｄｄｉｔ睡眠監視デバイスが提供され
た。全部で、８４人の健康な対照、および３５人の症候性の参加者が選択基準を満たした
。参加者は、研究の過程で中枢神経系に影響を与える可能性のある認知症に対する治療法
または他の薬物療法を変更しないように求められたが、これは参加の要件ではなかった。
１２週間のデータ収集の過程で、参加者は、ｉＰｈｏｎｅおよびＡｐｐｌｅ Ｗａｔｃ
ｈを通常どおり使用し、充電されたままに保つように指示された。これらのデバイス内の
センサからのデータおよび、電話のロック／ロック解除、通話、メッセージ、アプリ履歴
を含むデバイス使用状況は、研究用モバイルアプリケーションによって受動的に収集され
、研究用サーバに毎晩送信された。着信データの中央レビューにより、デバイスからデー
タが受信されなかった場合のアウトリーチが可能になった。デバイスデータにギャップが
ある参加者には、デバイスの使用および問題のトラブルシューティングを思い起こさせる
ために、電子メールまたは電話を介して連絡した。
ｈを通常どおり使用し、充電されたままに保つように指示された。これらのデバイス内の
センサからのデータおよび、電話のロック／ロック解除、通話、メッセージ、アプリ履歴
を含むデバイス使用状況は、研究用モバイルアプリケーションによって受動的に収集され
、研究用サーバに毎晩送信された。着信データの中央レビューにより、デバイスからデー
タが受信されなかった場合のアウトリーチが可能になった。デバイスデータにギャップが
ある参加者には、デバイスの使用および問題のトラブルシューティングを思い起こさせる
ために、電子メールまたは電話を介して連絡した。
参加者はまた、毎日２つの１質問の調査（１つは気分に関するもの、もう１つはエネル
ギーに関するもの）に回答し、ならびにデジタル評価アプリ上で２週間ごとに簡単な活動
を実行するように求められた。このアプリは、参加者が１つの形状を別の形状にドラッグ
するドラッグタスク、参加者が円を可能な限り速くタップし、次に可能な限り規則的にタ
ップするタッピングタスク、参加者が簡単なまたは難しい文章を読む読書タスク、および
参加者が絵の説明をタイプするタイプ叙述タスクを含む、いくつかの低負荷の精神運動タ
スクで構成された。これらの活動は、それらが将来受動的に監視される可能性があるため
に選択された。研究手順は、デジタル評価アプリ上でタスクを完了している間、参加者の
ビデオおよびオーディオを記録および送信することを含んだ。
ギーに関するもの）に回答し、ならびにデジタル評価アプリ上で２週間ごとに簡単な活動
を実行するように求められた。このアプリは、参加者が１つの形状を別の形状にドラッグ
するドラッグタスク、参加者が円を可能な限り速くタップし、次に可能な限り規則的にタ
ップするタッピングタスク、参加者が簡単なまたは難しい文章を読む読書タスク、および
参加者が絵の説明をタイプするタイプ叙述タスクを含む、いくつかの低負荷の精神運動タ
スクで構成された。これらの活動は、それらが将来受動的に監視される可能性があるため
に選択された。研究手順は、デジタル評価アプリ上でタスクを完了している間、参加者の
ビデオおよびオーディオを記録および送信することを含んだ。
図１および２に関連して上記で説明したプラットフォームと同様の研究プラットフォー
ムを使用して、ｉＰｈｏｎｅ、Ａｐｐｌｅ Ｗａｔｃｈ、およびＢｅｄｄｉｔデバイスか
ら、ならびに１２週間の研究期間にわたってｉＰａｄ上で行われた活動テストから収集さ
れたデータを集約かつ分析した。プラットフォームによって取り込まれたデータには、タ
イムスタンプが付けられ、整合性がチェックされ、データ分析を容易にするために標準ス
キーマに正規化され、最適化された形式を使用して分散および複製されたデータストアに
保存された。
ムを使用して、ｉＰｈｏｎｅ、Ａｐｐｌｅ Ｗａｔｃｈ、およびＢｅｄｄｉｔデバイスか
ら、ならびに１２週間の研究期間にわたってｉＰａｄ上で行われた活動テストから収集さ
れたデータを集約かつ分析した。プラットフォームによって取り込まれたデータには、タ
イムスタンプが付けられ、整合性がチェックされ、データ分析を容易にするために標準ス
キーマに正規化され、最適化された形式を使用して分散および複製されたデータストアに
保存された。
いくつかの入力ソースは、一定の頻度でサンプリングされた（例えば、睡眠品質データ
）が、他の入力ソースは、関連するイベントが発生したとき（例えば、特定のアプリが開
かれたとき）にのみサンプリングされた。いくつかの入力ソースは、コンテキストに適合
した頻度でサンプリングされた（例えば、歩数計および心拍数の測定のサンプリングレー
トは、高活動期間およびワークアウト期間中に増加した）。均等にサンプリングされたデ
ータソースの中で、サンプリング時間は、１日以上（例えば、調査）から１分以上（例え
ば、総身体活動）～１秒未満（例えば、１００Ｈｚでサンプリングされた生の加速度計チ
ャネル）の間隔の範囲であった。
）が、他の入力ソースは、関連するイベントが発生したとき（例えば、特定のアプリが開
かれたとき）にのみサンプリングされた。いくつかの入力ソースは、コンテキストに適合
した頻度でサンプリングされた（例えば、歩数計および心拍数の測定のサンプリングレー
トは、高活動期間およびワークアウト期間中に増加した）。均等にサンプリングされたデ
ータソースの中で、サンプリング時間は、１日以上（例えば、調査）から１分以上（例え
ば、総身体活動）～１秒未満（例えば、１００Ｈｚでサンプリングされた生の加速度計チ
ャネル）の間隔の範囲であった。
すべてのイベントストリームおよび時系列の生データソースは、図４を参照しながら説
明されたビヘイビアグラム４００と同様に、共通の表現にマッピングされた。欠落データ
は、前述のように、ゼロで埋めるか、線形補間を使用して埋めるか、欠落した非代入デー
タとして保持することによって処理された。
明されたビヘイビアグラム４００と同様に、共通の表現にマッピングされた。欠落データ
は、前述のように、ゼロで埋めるか、線形補間を使用して埋めるか、欠落した非代入デー
タとして保持することによって処理された。
この研究からの生データを使用して、健康な対照とＭＣＩまたはＡＤを示す被験者との
間で区別する際の有効性をテストするためのデジタルバイオマーカーのセットを作成した
。合計で、９９６個のデジタルバイオマーカーが、生データの処理から生成された。これ
らの生成されたデジタルバイオマーカーを使用して、健康な対照とＭＣＩまたはＡＤを病
んでいる患者との間で区別するように畳み込みニューラルネットワーク（ＣＮＮ）を訓練
した。この訓練は、少なくとも部分的に、例えば、上記の増強コンポーネント２０６およ
び／または訓練コンポーネント２０８に関して説明した前述の技術を使用して実装された
。ＣＮＮを訓練するために使用された９９６個のデジタルバイオマーカーのうち、２０個
の最も重要なデジタルバイオマーカーが、図５にバイオマーカー５００として提示されて
いる。これらの２０個のデジタルバイオマーカーは、健康な対照とＭＣＩまたはＡＤを示
す被験者との間で区別する際に、ＣＮＮに最大の影響を与えることがわかった。被験者１
０４の認知機能低下を検出するために使用することができるこれらの上位２０個の重要バ
イオマーカー５００のＳＨＡＰ値が図５に示されている。
間で区別する際の有効性をテストするためのデジタルバイオマーカーのセットを作成した
。合計で、９９６個のデジタルバイオマーカーが、生データの処理から生成された。これ
らの生成されたデジタルバイオマーカーを使用して、健康な対照とＭＣＩまたはＡＤを病
んでいる患者との間で区別するように畳み込みニューラルネットワーク（ＣＮＮ）を訓練
した。この訓練は、少なくとも部分的に、例えば、上記の増強コンポーネント２０６およ
び／または訓練コンポーネント２０８に関して説明した前述の技術を使用して実装された
。ＣＮＮを訓練するために使用された９９６個のデジタルバイオマーカーのうち、２０個
の最も重要なデジタルバイオマーカーが、図５にバイオマーカー５００として提示されて
いる。これらの２０個のデジタルバイオマーカーは、健康な対照とＭＣＩまたはＡＤを示
す被験者との間で区別する際に、ＣＮＮに最大の影響を与えることがわかった。被験者１
０４の認知機能低下を検出するために使用することができるこれらの上位２０個の重要バ
イオマーカー５００のＳＨＡＰ値が図５に示されている。
具体的には、上位２０個の重要バイオマーカー５００は、休止なしのタイピング速度（
すなわち、休止を除く、タイピングタスクにおける平均タイピング速度）、観察期間中に
モバイルデバイス１０４によって感知された最初のアクティブペースの時刻の中央値、エ
ネルギー調査回答のない日（すなわち、被験者に毎日送出される調査に対する回答がない
観察期間中の日数の割合）、エネルギー調査回答の時刻の中央値（すなわち、毎日の調査
が完了した時刻の中央値）、着信メッセージの総数（すなわち、観察期間中のすべての日
にわたる着信メッセージの合計）、モバイルデバイス１０２によって感知された最後の加
速の時刻の四分位範囲（すなわち、観察期間中の最後の時間の間にモバイルデバイス１０
２が動かされる時刻の広がり）、観察期間中にモバイルデバイス１０２によって感知され
た最初のステップの時刻、運動動作の総数（すなわち、観察期間中に運動に費やされた期
間）、モバイルデバイス１０２（例えば、モバイルウォッチ）によって感知される歩幅の
スキュー（skew）、モバイルデバイス１０２によって感知された最初の加速の時刻の四分
位範囲（すなわち、観察期間中の最初の時間の間にモバイルデバイス１０２が動かされる
時刻の広がり）、時計アプリケーションセッション持続時間の９５パーセンタイル、時計
アプリケーションセッション持続時間の四分位範囲、スマートアシスタントアプリケーシ
ョン（Ｓｉｒｉなど）の提案カウント（すなわち、特定の期間中にスマートアシスタント
アプリケーションがアクセスされた総回数）、日々の発信メッセージのカウントの四分位
範囲（すなわち、観察期間中の１日当たりに送信される発信メッセージの数の四分位範囲
）、心拍数の日々の５パーセンタイルの５パーセンタイル、モバイルデバイス１０２によ
って感知された最後の加速の時刻の中央値、観察期間中のすべての日にわたって時計アプ
リケーションに費やされた総時間、１日当たりに時計アプリケーションに費やされた日々
の総時間の四分位範囲、日々の着信メッセージのカウントの中央値（すなわち、１日当た
りに受信された着信メッセージの数の中央値）、タイピングタスクにおける文当たりの平
均単語数（すなわち、タイピングタスクにおける文当たりの平均単語数）を含む。
すなわち、休止を除く、タイピングタスクにおける平均タイピング速度）、観察期間中に
モバイルデバイス１０４によって感知された最初のアクティブペースの時刻の中央値、エ
ネルギー調査回答のない日（すなわち、被験者に毎日送出される調査に対する回答がない
観察期間中の日数の割合）、エネルギー調査回答の時刻の中央値（すなわち、毎日の調査
が完了した時刻の中央値）、着信メッセージの総数（すなわち、観察期間中のすべての日
にわたる着信メッセージの合計）、モバイルデバイス１０２によって感知された最後の加
速の時刻の四分位範囲（すなわち、観察期間中の最後の時間の間にモバイルデバイス１０
２が動かされる時刻の広がり）、観察期間中にモバイルデバイス１０２によって感知され
た最初のステップの時刻、運動動作の総数（すなわち、観察期間中に運動に費やされた期
間）、モバイルデバイス１０２（例えば、モバイルウォッチ）によって感知される歩幅の
スキュー（skew）、モバイルデバイス１０２によって感知された最初の加速の時刻の四分
位範囲（すなわち、観察期間中の最初の時間の間にモバイルデバイス１０２が動かされる
時刻の広がり）、時計アプリケーションセッション持続時間の９５パーセンタイル、時計
アプリケーションセッション持続時間の四分位範囲、スマートアシスタントアプリケーシ
ョン（Ｓｉｒｉなど）の提案カウント（すなわち、特定の期間中にスマートアシスタント
アプリケーションがアクセスされた総回数）、日々の発信メッセージのカウントの四分位
範囲（すなわち、観察期間中の１日当たりに送信される発信メッセージの数の四分位範囲
）、心拍数の日々の５パーセンタイルの５パーセンタイル、モバイルデバイス１０２によ
って感知された最後の加速の時刻の中央値、観察期間中のすべての日にわたって時計アプ
リケーションに費やされた総時間、１日当たりに時計アプリケーションに費やされた日々
の総時間の四分位範囲、日々の着信メッセージのカウントの中央値（すなわち、１日当た
りに受信された着信メッセージの数の中央値）、タイピングタスクにおける文当たりの平
均単語数（すなわち、タイピングタスクにおける文当たりの平均単語数）を含む。
図６は、いくつかの実施形態による、受動的に取得されたデータから生成されたデジタ
ルバイオマーカーを使用して被験者の認知機能低下を検出するための例示的なコンピュー
タ実装プロセス６００を示す。プロセス６００は、例えば、収集コンポーネント２０４お
よび／または分析コンポーネント２１０によって、独立してまたは共同で実装され得る。
プロセス６００は、ステップ６０２において開始し、これは、複数日の観察期間にわたっ
て被験者の少なくとも１つのモバイルデバイスによって記録された、受動的に取得された
データ（例えば、感知データ２１６および／または収集データ２１８）を受信することを
含む。受動的に取得されたデータは、前述のタイプの生データのいずれかなど、少なくと
も１つのモバイルデバイス上のセンサによって記録された生データを含み得る。
ルバイオマーカーを使用して被験者の認知機能低下を検出するための例示的なコンピュー
タ実装プロセス６００を示す。プロセス６００は、例えば、収集コンポーネント２０４お
よび／または分析コンポーネント２１０によって、独立してまたは共同で実装され得る。
プロセス６００は、ステップ６０２において開始し、これは、複数日の観察期間にわたっ
て被験者の少なくとも１つのモバイルデバイスによって記録された、受動的に取得された
データ（例えば、感知データ２１６および／または収集データ２１８）を受信することを
含む。受動的に取得されたデータは、前述のタイプの生データのいずれかなど、少なくと
も１つのモバイルデバイス上のセンサによって記録された生データを含み得る。
ステップ６０４において、受動的に取得されたデータを処理して、デジタルバイオマー
カーデータを生成する。デジタルバイオマーカーデータは、受動的に取得されたデータの
いずれかから計算または導出された、あるいは受動的に取得されたデータのいずれかを要
約するかまたは特徴付ける、処理またはフォーマットされたデータを含み得る。
カーデータを生成する。デジタルバイオマーカーデータは、受動的に取得されたデータの
いずれかから計算または導出された、あるいは受動的に取得されたデータのいずれかを要
約するかまたは特徴付ける、処理またはフォーマットされたデータを含み得る。
例えば、重要バイオマーカーの１つの例示的なカテゴリは、（ｉ）モバイルデバイスに
よって受信された着信メッセージの数、および（ｉｉ）モバイルデバイスによって送信さ
れた発信メッセージの数のうちの少なくとも１つに関して受動的に取得されたデータから
生成されたデジタルバイオマーカーである。このカテゴリ内のデジタルバイオマーカーは
、観察期間中の着信メッセージの総数、および／または観察期間中の１日当たりに受信さ
れた着信メッセージの数の中央値を含む。総メッセージおよび／または１日当たりのメッ
セージのより低い数は、より低い社会的または社会関与に関連付けられ得、これは認知機
能低下を示している可能性がある。このカテゴリ内の別のデジタルバイオマーカーは、観
察期間中にユーザのモバイルデバイスによって１日当たりに送信された発信メッセージの
数の統計的変動性の測度である。使用され得る統計的変動性の例示的な測度は、範囲、四
分位範囲、標準偏差、および／または分散を含む。より高い統計的変動性は、認知機能低
下を示している可能性がある。
よって受信された着信メッセージの数、および（ｉｉ）モバイルデバイスによって送信さ
れた発信メッセージの数のうちの少なくとも１つに関して受動的に取得されたデータから
生成されたデジタルバイオマーカーである。このカテゴリ内のデジタルバイオマーカーは
、観察期間中の着信メッセージの総数、および／または観察期間中の１日当たりに受信さ
れた着信メッセージの数の中央値を含む。総メッセージおよび／または１日当たりのメッ
セージのより低い数は、より低い社会的または社会関与に関連付けられ得、これは認知機
能低下を示している可能性がある。このカテゴリ内の別のデジタルバイオマーカーは、観
察期間中にユーザのモバイルデバイスによって１日当たりに送信された発信メッセージの
数の統計的変動性の測度である。使用され得る統計的変動性の例示的な測度は、範囲、四
分位範囲、標準偏差、および／または分散を含む。より高い統計的変動性は、認知機能低
下を示している可能性がある。
重要バイオマーカーの別の例示的なカテゴリは、（ｉ）観察期間中の各日の最初に観察
された被験者の動きの時刻（ＴｏＤ）、（ｉｉ）観察期間中の各日の最初に観察された被
験者のペースのＴｏＤ、（ｉｉｉ）観察期間中の各日の最後に観察された被験者の動きの
ＴｏＤ、および（ｉｖ）観察期間中の各日の最後に観察された被験者のペースのＴｏＤ、
のうちの少なくとも１つに関して受動的に取得されたデータから生成されたデジタルバイ
オマーカーである。このカテゴリ内のデジタルバイオマーカーは、観察期間中の最初に観
察された被験者のペースの中央値ＴｏＤ、および／または観察期間中の最後に観察された
被験者の動きの中央値ＴｏＤを含む。最初に観察された被験者のペースおよび／または最
後に観察された被験者の動きの、後の中央値のＴｏＤは、認知機能低下を示している可能
性がある。このカテゴリ内の別のデジタルバイオマーカーは、観察期間中の最後に観察さ
れた被験者の動きのＴｏＤの統計的変動性の測度、および／または観察期間中の最初に観
察された被験者の動きのＴｏＤの統計的変動性の測度である。使用され得る統計的変動性
の例示的な測度は、範囲、四分位範囲、標準偏差、および／または分散を含む。より高い
統計的変動性は、認知機能低下を示している可能性がある。
された被験者の動きの時刻（ＴｏＤ）、（ｉｉ）観察期間中の各日の最初に観察された被
験者のペースのＴｏＤ、（ｉｉｉ）観察期間中の各日の最後に観察された被験者の動きの
ＴｏＤ、および（ｉｖ）観察期間中の各日の最後に観察された被験者のペースのＴｏＤ、
のうちの少なくとも１つに関して受動的に取得されたデータから生成されたデジタルバイ
オマーカーである。このカテゴリ内のデジタルバイオマーカーは、観察期間中の最初に観
察された被験者のペースの中央値ＴｏＤ、および／または観察期間中の最後に観察された
被験者の動きの中央値ＴｏＤを含む。最初に観察された被験者のペースおよび／または最
後に観察された被験者の動きの、後の中央値のＴｏＤは、認知機能低下を示している可能
性がある。このカテゴリ内の別のデジタルバイオマーカーは、観察期間中の最後に観察さ
れた被験者の動きのＴｏＤの統計的変動性の測度、および／または観察期間中の最初に観
察された被験者の動きのＴｏＤの統計的変動性の測度である。使用され得る統計的変動性
の例示的な測度は、範囲、四分位範囲、標準偏差、および／または分散を含む。より高い
統計的変動性は、認知機能低下を示している可能性がある。
重要バイオマーカーの別の例示的なカテゴリは、観察期間中に観察された被験者の歩幅
に関して受動的に取得されたデータから生成されたデジタルバイオマーカーである。この
カテゴリ内のデジタルバイオマーカーは、観察された歩幅の統計的スキュー（statistica
l skew）を含む。被験者の観察された歩幅の高い統計的スキューは、認知機能低下を示し
ている可能性がある。
に関して受動的に取得されたデータから生成されたデジタルバイオマーカーである。この
カテゴリ内のデジタルバイオマーカーは、観察された歩幅の統計的スキュー（statistica
l skew）を含む。被験者の観察された歩幅の高い統計的スキューは、認知機能低下を示し
ている可能性がある。
重要バイオマーカーの別の例示的なカテゴリは、観察期間中に被験者によって行われた
運動動作の数に関して受動的に取得されたデータから生成されたデジタルバイオマーカー
である。運動動作の低い数は、認知機能低下を示している可能性がある。
運動動作の数に関して受動的に取得されたデータから生成されたデジタルバイオマーカー
である。運動動作の低い数は、認知機能低下を示している可能性がある。
重要バイオマーカーの別の例示的なカテゴリは、被験者がモバイルデバイス上の時間を
閲覧するためにモバイル時計アプリケーションを閲覧した回数に関して受動的に取得され
たデータから生成されたデジタルバイオマーカーである。被験者がモバイル時計アプリケ
ーションを閲覧した時間を、閲覧持続時間に関連付けられ得る。このカテゴリ内のデジタ
ルバイオマーカーは、観察期間中にそのそれぞれの被験者について記録されたすべての閲
覧持続時間の目標パーセンテージ以上である閲覧持続時間を計算することを含む。いくつ
かの実施形態では、目標パーセンテージは、９０％～１００％である。いくつかの実施形
態では、目標パーセンテージは、９３％～９７％である。いくつかの実施形態では、目標
パーセンテージは、９５％である。計算された閲覧持続時間が長い場合は、認知機能低下
を示している可能性がある。このカテゴリ内のデジタルバイオマーカーの別の例は、観察
期間中に被験者がモバイル時計アプリケーションを閲覧した各時間に関連付けられた閲覧
持続時間の統計的変動性の測度である。より高い統計的変動性は、認知機能低下を示して
いる可能性がある。このカテゴリ内のデジタルバイオマーカーの別の例は、観察期間にわ
たる総閲覧持続時間であり、総閲覧持続時間がより長い場合は、認知機能低下を示してい
る可能性がある。このカテゴリ内のデジタルバイオマーカーのさらに別の例は、観察期間
中の各日にわたる日々の総閲覧持続時間の統計的変動性の測度であり、各日々の総閲覧持
続時間は、特定の日の間のすべての閲覧持続時間の合計に等しい。この場合も、より高い
統計的変動性は、認知機能低下を示している可能性がある。前と同じように、使用され得
る統計的変動性の例示的な測度は、範囲、四分位範囲、標準偏差、および／または分散を
含む。
閲覧するためにモバイル時計アプリケーションを閲覧した回数に関して受動的に取得され
たデータから生成されたデジタルバイオマーカーである。被験者がモバイル時計アプリケ
ーションを閲覧した時間を、閲覧持続時間に関連付けられ得る。このカテゴリ内のデジタ
ルバイオマーカーは、観察期間中にそのそれぞれの被験者について記録されたすべての閲
覧持続時間の目標パーセンテージ以上である閲覧持続時間を計算することを含む。いくつ
かの実施形態では、目標パーセンテージは、９０％～１００％である。いくつかの実施形
態では、目標パーセンテージは、９３％～９７％である。いくつかの実施形態では、目標
パーセンテージは、９５％である。計算された閲覧持続時間が長い場合は、認知機能低下
を示している可能性がある。このカテゴリ内のデジタルバイオマーカーの別の例は、観察
期間中に被験者がモバイル時計アプリケーションを閲覧した各時間に関連付けられた閲覧
持続時間の統計的変動性の測度である。より高い統計的変動性は、認知機能低下を示して
いる可能性がある。このカテゴリ内のデジタルバイオマーカーの別の例は、観察期間にわ
たる総閲覧持続時間であり、総閲覧持続時間がより長い場合は、認知機能低下を示してい
る可能性がある。このカテゴリ内のデジタルバイオマーカーのさらに別の例は、観察期間
中の各日にわたる日々の総閲覧持続時間の統計的変動性の測度であり、各日々の総閲覧持
続時間は、特定の日の間のすべての閲覧持続時間の合計に等しい。この場合も、より高い
統計的変動性は、認知機能低下を示している可能性がある。前と同じように、使用され得
る統計的変動性の例示的な測度は、範囲、四分位範囲、標準偏差、および／または分散を
含む。
重要バイオマーカーの別の例示的なカテゴリは、ユーザがモバイルデバイスにデータを
入力している間に、またはモバイルデバイスと相互作用している間にタイプする方法を特
徴付ける、受動的に取得されたデータから生成されたデジタルバイオマーカーである。例
えば、データは、通信デバイスによって送信される発信メッセージを構成している間にユ
ーザがタイプする方法を特徴付け得る。このカテゴリ内のデジタルバイオマーカーは、休
止を除くタイピング速度、および／または文当たりの平均単語数を含む。タイピング速度
がより遅い、かつ／または文当たりの平均単語数がより少ない場合は、認知機能低下を示
している可能性がある。
入力している間に、またはモバイルデバイスと相互作用している間にタイプする方法を特
徴付ける、受動的に取得されたデータから生成されたデジタルバイオマーカーである。例
えば、データは、通信デバイスによって送信される発信メッセージを構成している間にユ
ーザがタイプする方法を特徴付け得る。このカテゴリ内のデジタルバイオマーカーは、休
止を除くタイピング速度、および／または文当たりの平均単語数を含む。タイピング速度
がより遅い、かつ／または文当たりの平均単語数がより少ない場合は、認知機能低下を示
している可能性がある。
ステップ６０６において、デジタルバイオマーカーデータを分析して、被験者が認知障
害であるかどうかを判定し得る。本明細書に記載されるように、この分析は、健康な被験
者と、ＭＣＩおよび／またはＡＤを示す被験者との間で区別するように訓練されたＣＮＮ
を使用して実装され得る。
害であるかどうかを判定し得る。本明細書に記載されるように、この分析は、健康な被験
者と、ＭＣＩおよび／またはＡＤを示す被験者との間で区別するように訓練されたＣＮＮ
を使用して実装され得る。
ステップ６０８において、分析の結果に関して、被験者および別のユーザのうちの少な
くとも１人に対して、通知が送信され得る。この通知は、分析の結果に基づく通知または
要約を含む場合がある。例えば、通知は、分析の要約、認知機能低下の確率、認知機能低
下が検出されたかどうかの二元的表示、脳または神経精神医学的スコア、治療またはさら
なる診断を求める通知などを含み得る。
くとも１人に対して、通知が送信され得る。この通知は、分析の結果に基づく通知または
要約を含む場合がある。例えば、通知は、分析の要約、認知機能低下の確率、認知機能低
下が検出されたかどうかの二元的表示、脳または神経精神医学的スコア、治療またはさら
なる診断を求める通知などを含み得る。
図７は、いくつかの実施形態による、被験者の認知機能低下を検出するための別の例示
的なプロセス７００を示す。プロセス７００はまた、例えば、収集コンポーネント２０４
および／または分析コンポーネント２１０によって、独立してまたは共同で実装され得る
。プロセス７００は、ステップ７０２において開始し、これは、複数日の観察期間にわた
って被験者の少なくとも１つのモバイルデバイスによって記録された１つ以上のユーザ活
動の受動的に取得された時系列データを受信することを含む。タイムスタンプを有し、か
つ前述のモバイルデバイスのいずれかによって記録された任意のデータが使用され得る。
このような時系列データの例は、電話通話、発信メッセージ、着信メッセージ、モバイル
デバイスのロック解除、モバイルアプリケーションとの相互作用、心拍数、立ち動作、ス
テップ、移動、モバイルデバイスのロック解除されている間の移動、モバイルデバイスが
ロックされている間の移動などを含むが、これらに限定されない。
的なプロセス７００を示す。プロセス７００はまた、例えば、収集コンポーネント２０４
および／または分析コンポーネント２１０によって、独立してまたは共同で実装され得る
。プロセス７００は、ステップ７０２において開始し、これは、複数日の観察期間にわた
って被験者の少なくとも１つのモバイルデバイスによって記録された１つ以上のユーザ活
動の受動的に取得された時系列データを受信することを含む。タイムスタンプを有し、か
つ前述のモバイルデバイスのいずれかによって記録された任意のデータが使用され得る。
このような時系列データの例は、電話通話、発信メッセージ、着信メッセージ、モバイル
デバイスのロック解除、モバイルアプリケーションとの相互作用、心拍数、立ち動作、ス
テップ、移動、モバイルデバイスのロック解除されている間の移動、モバイルデバイスが
ロックされている間の移動などを含むが、これらに限定されない。
純粋に説明のために、図８のグラフ８０２は、被験者のモバイルデバイスがロックまた
はロック解除された時間を示す時系列データの１つの例示的なセットを示している。グラ
フ８０２の横軸は、秒、分、および／または時間などの好適な単位で時間の経過を示して
いる。グラフ８０２の縦軸は、被験者の電話がロックされていたかロック解除されていた
かを示しており、例えば、高（バイナリ１）は、デバイスがロック解除されていることを
示し得、低（バイナリ０）は、デバイスがロックされていることを示し得る。時系列デー
タは、好ましくは、複数日の期間（例えば、１週間、２週間、および／または１ヶ月間）
にわたって連続的に、または実質的に連続的に記録されたデータにまたがる。
はロック解除された時間を示す時系列データの１つの例示的なセットを示している。グラ
フ８０２の横軸は、秒、分、および／または時間などの好適な単位で時間の経過を示して
いる。グラフ８０２の縦軸は、被験者の電話がロックされていたかロック解除されていた
かを示しており、例えば、高（バイナリ１）は、デバイスがロック解除されていることを
示し得、低（バイナリ０）は、デバイスがロックされていることを示し得る。時系列デー
タは、好ましくは、複数日の期間（例えば、１週間、２週間、および／または１ヶ月間）
にわたって連続的に、または実質的に連続的に記録されたデータにまたがる。
ステップ７０４において、周波数分析を使用して、取得された時系列データを処理して
、時系列データを周波数パワースペクトルに変換する。時系列データを周波数パワースペ
クトルに変換する任意の既知の周波数分析、例えば、フーリエ変換、高速フーリエ変換（
ＦＦＴ）、離散フーリエ変換（ＤＦＴ）、ウェーブレット変換、および／またはＬｏｍｂ
－Ｓｃａｒｇｌｅピリオドグラムが使用され得るが、それらに含められない。
、時系列データを周波数パワースペクトルに変換する。時系列データを周波数パワースペ
クトルに変換する任意の既知の周波数分析、例えば、フーリエ変換、高速フーリエ変換（
ＦＦＴ）、離散フーリエ変換（ＤＦＴ）、ウェーブレット変換、および／またはＬｏｍｂ
－Ｓｃａｒｇｌｅピリオドグラムが使用され得るが、それらに含められない。
ステップ７０４の例示的な出力が、図８のグラフ８０４に示されている。グラフ８０４
は、グラフ８０２に示される時系列データの周波数パワースペクトルを示す。グラフ８０
４の横軸は、ヘルツなどの好適な単位で、周波数を示している。グラフ８０４の縦軸は、
その周波数における時系列データ内の周波数成分の大きさを示している。ほとんどの被験
者の活動は、規則的な２４時間の日々のサイクルで規則的に変動すると予想されるため、
ほとんどの被験者のグラフ８０４は、通常、２４時間の期間に対応する周波数Ｆ０、すな
わち、１／（２４時間）、または１．１５７＊１０－５Ｈｚにおいてまたはその周辺で最
も高い周波数成分を有する。
は、グラフ８０２に示される時系列データの周波数パワースペクトルを示す。グラフ８０
４の横軸は、ヘルツなどの好適な単位で、周波数を示している。グラフ８０４の縦軸は、
その周波数における時系列データ内の周波数成分の大きさを示している。ほとんどの被験
者の活動は、規則的な２４時間の日々のサイクルで規則的に変動すると予想されるため、
ほとんどの被験者のグラフ８０４は、通常、２４時間の期間に対応する周波数Ｆ０、すな
わち、１／（２４時間）、または１．１５７＊１０－５Ｈｚにおいてまたはその周辺で最
も高い周波数成分を有する。
ステップ７０６において、プロセス７００は、第１の周波数閾値（Ｆｍｉｎ）と第２の
周波数閾値（Ｆｍａｘ）との間の周波数パワースペクトル内の周波数成分量を計算し得る
。周波数閾値ＦｍｉｎおよびＦｍａｘは、不等式Ｆｍｉｎ＜Ｆ０＜Ｆｍａｘを満たす。具
体的には、図８のグラフ８０６に示されるように、Ｆｍｉｎは、Ｆ０－Δｆ１に等しくな
り得、一方、Ｆｍａｘは、Ｆ０＋Δｆ２に等しくなり得る。いくつかの実施形態では、Δ
ｆ１は、Δｆ２に等しくなり得るが、他の実施形態では、それらは等しくない場合がある
。
周波数閾値（Ｆｍａｘ）との間の周波数パワースペクトル内の周波数成分量を計算し得る
。周波数閾値ＦｍｉｎおよびＦｍａｘは、不等式Ｆｍｉｎ＜Ｆ０＜Ｆｍａｘを満たす。具
体的には、図８のグラフ８０６に示されるように、Ｆｍｉｎは、Ｆ０－Δｆ１に等しくな
り得、一方、Ｆｍａｘは、Ｆ０＋Δｆ２に等しくなり得る。いくつかの実施形態では、Δ
ｆ１は、Δｆ２に等しくなり得るが、他の実施形態では、それらは等しくない場合がある
。
ＦｍｉｎおよびＦｍａｘは、２４時間の期間に対応する、Ｆ０付近の比較的狭い範囲の
周波数を定義する。例えば、Ｆｍｉｎは、２４時間よりも半時間長い期間、すなわち、１
／（２４時間３０分）、または１．１３４＊１０－５Ｈｚに対応する周波数以上に設定さ
れ得る。または、Ｆｍｉｎは、２４時間よりも１時間長い期間、すなわち、１／（２５時
間）、または１．１１１＊１０－５Ｈｚに対応する周波数以上に設定され得る。同様に、
Ｆｍａｘは、２４時間よりも半時間短い期間、すなわち、１／（２３時間３０分）、また
は１．１８２＊１０－５Ｈｚに対応する周波数以下に設定され得る。または、Ｆｍａｘは
、２４時間よりも１時間短い期間、すなわち、１／（２３時間）、または１．２０８＊１
０－５Ｈｚに対応する周波数以下に設定され得る。
周波数を定義する。例えば、Ｆｍｉｎは、２４時間よりも半時間長い期間、すなわち、１
／（２４時間３０分）、または１．１３４＊１０－５Ｈｚに対応する周波数以上に設定さ
れ得る。または、Ｆｍｉｎは、２４時間よりも１時間長い期間、すなわち、１／（２５時
間）、または１．１１１＊１０－５Ｈｚに対応する周波数以上に設定され得る。同様に、
Ｆｍａｘは、２４時間よりも半時間短い期間、すなわち、１／（２３時間３０分）、また
は１．１８２＊１０－５Ｈｚに対応する周波数以下に設定され得る。または、Ｆｍａｘは
、２４時間よりも１時間短い期間、すなわち、１／（２３時間）、または１．２０８＊１
０－５Ｈｚに対応する周波数以下に設定され得る。
ＦｍｉｎとＦｍａｘとの間のスペクトルエネルギー量は、ＦｍｉｎとＦｍａｘとの間の
周波数スペクトル曲線下面積に基づいて計算され得る。いくつかの実施形態では、スペク
トルエネルギー量はまた、前述の面積の二乗に基づいて計算され得る。
周波数スペクトル曲線下面積に基づいて計算され得る。いくつかの実施形態では、スペク
トルエネルギー量はまた、前述の面積の二乗に基づいて計算され得る。
ステップ７０８において、プロセス７００は、計算されたスペクトルエネルギー量に基
づいてデジタルバイオマーカーデータを生成する。いくつかの実施形態では、このステッ
プは、計算されたスペクトルエネルギー量をデジタルバイオマーカーとして単に使用する
ことを含み得る。他の実施形態では、プロセス７００は、ステップ７０８において、（ｉ
）ＦｍｉｎとＦｍａｘとの間の周波数スペクトル曲線下面積、および（ｉｉ）Ｆｍｉｎ未
満でありかつＦｍａｘよりも大きい他のすべての周波数における周波数スペクトル曲線下
面積の比率を計算し得る。次いで、この比率は、デジタルバイオマーカーとして使用され
得る。
づいてデジタルバイオマーカーデータを生成する。いくつかの実施形態では、このステッ
プは、計算されたスペクトルエネルギー量をデジタルバイオマーカーとして単に使用する
ことを含み得る。他の実施形態では、プロセス７００は、ステップ７０８において、（ｉ
）ＦｍｉｎとＦｍａｘとの間の周波数スペクトル曲線下面積、および（ｉｉ）Ｆｍｉｎ未
満でありかつＦｍａｘよりも大きい他のすべての周波数における周波数スペクトル曲線下
面積の比率を計算し得る。次いで、この比率は、デジタルバイオマーカーとして使用され
得る。
ステップ７１０において、プロセス７００は、デジタルバイオマーカーデータを分析し
て、被験者が認知機能低下を経験しているかどうかを判定する。健康な被験者は、彼らの
活動においてより比較的高い規則性と２４時間のリズムへの順守とを示すため、Ｆｍｉｎ
とＦｍａｘとの間の比較的高い量のスペクトルエネルギー、および／または前の段落にお
いて説明した比率を計算したときの比較的高い結果は、被験者が認知機能低下の兆候を示
していないことを示す可能性がある。逆に、認知機能低下の兆候を示す被験者は、彼らの
活動においてより大きい不規則性を示す可能性があり、彼らのモバイルデバイスから記録
された時系列データは、規則的な２４時間のリズムに従わない可能性がある。結果として
、ＦｍｉｎとＦｍａｘとの間の比較的少量のスペクトルエネルギー、および／または前の
段落において説明した比率を計算したときの比較的小さい結果は、被験者が認知機能低下
の兆候を示していることを示す可能性がある。
て、被験者が認知機能低下を経験しているかどうかを判定する。健康な被験者は、彼らの
活動においてより比較的高い規則性と２４時間のリズムへの順守とを示すため、Ｆｍｉｎ
とＦｍａｘとの間の比較的高い量のスペクトルエネルギー、および／または前の段落にお
いて説明した比率を計算したときの比較的高い結果は、被験者が認知機能低下の兆候を示
していないことを示す可能性がある。逆に、認知機能低下の兆候を示す被験者は、彼らの
活動においてより大きい不規則性を示す可能性があり、彼らのモバイルデバイスから記録
された時系列データは、規則的な２４時間のリズムに従わない可能性がある。結果として
、ＦｍｉｎとＦｍａｘとの間の比較的少量のスペクトルエネルギー、および／または前の
段落において説明した比率を計算したときの比較的小さい結果は、被験者が認知機能低下
の兆候を示していることを示す可能性がある。
ステップ７１２において、分析の結果に関して、被験者および別のユーザのうちの少な
くとも１人に対して、通知が送信され得る。前と同様に、この通知は、分析の結果に基づ
く通知または要約を含む場合がある。例えば、通知は、分析の要約、認知機能低下の確率
、認知機能低下が検出されたかどうかの二元的表示、脳または神経精神医学的スコア、治
療またはさらなる診断を求める通知などを含み得る。
くとも１人に対して、通知が送信され得る。前と同様に、この通知は、分析の結果に基づ
く通知または要約を含む場合がある。例えば、通知は、分析の要約、認知機能低下の確率
、認知機能低下が検出されたかどうかの二元的表示、脳または神経精神医学的スコア、治
療またはさらなる診断を求める通知などを含み得る。
分析コンポーネント２１０は、前述のデジタルバイオマーカーのいずれか１つ以上を使
用して、被験者１０４が認知機能低下を経験しているかどうかを検出し得る。いくつかの
実施形態では、分析コンポーネント２１０は、上記デジタルバイオマーカーに基づいて、
被験者１０４が経験している認知障害のタイプを分類し得る。前述の複数のデジタルバイ
オマーカーの一部またはすべてを組み合わせると、認知機能低下を検出するための検出ア
ルゴリズムの精度および正確さが向上する可能性がある。
用して、被験者１０４が認知機能低下を経験しているかどうかを検出し得る。いくつかの
実施形態では、分析コンポーネント２１０は、上記デジタルバイオマーカーに基づいて、
被験者１０４が経験している認知障害のタイプを分類し得る。前述の複数のデジタルバイ
オマーカーの一部またはすべてを組み合わせると、認知機能低下を検出するための検出ア
ルゴリズムの精度および正確さが向上する可能性がある。
例えば、前述のデジタルバイオマーカーの一部またはすべてを一緒に使用して、（図２
の）検出アルゴリズム２２２を訓練し得る。検出アルゴリズムは、ノードの１つ以上の層
を有する畳み込みニューラルネットワーク（ＣＮＮ）の形態を採り得、各層は、１つ以上
のノードを有する。訓練フェーズ中に、ＣＮＮは、訓練被験者の母集団に対する前述のデ
ジタルバイオマーカー、ならびにデジタルバイオマーカーがそれについて生成された各被
験者が、健康な対照であったか、ＭＣＩおよび／またはＡＤの兆候を示す被験者であった
かを示すグラウンドトゥルースラベルの両方を含む訓練データを使用して訓練され得る。
機械学習アルゴリズムを適用して、デジタルバイオマーカーと第１のノード層内のノード
との間の接続の一部またはすべて、およびまた、ノード間の接続の一部またはすべてに対
する重みのセットを判定し得る。重みは、被験者が健康であるか、または認知機能低下を
経験しているかがわからない被験者用に生成されたデジタルバイオマーカーに適用される
とき、ＣＮＮを使用して被験者の状態を判定し得るように判定され得る。別の言い方をす
れば、ＣＮＮの重みは、分析コンポーネント２１０が、健康である被験者１０４について
収集データ２１８から生成されたデジタルバイオマーカーに重みを適用するときに、分析
コンポーネントがある程度の自信（例えば、パーセンテージの可能性）をもって被験者１
０４が健康であると判定するように、検出アルゴリズム２２２の訓練中に判定され得る。
逆に、分析コンポーネント２１０が、認知機能低下を経験している被験者１０４について
収集データ２１８から生成されたデジタルバイオマーカーに重みを適用するときに、分析
コンポーネント２１０は、ある程度の自信（例えば、パーセンテージの可能性）をもって
、被験者１０４が認知機能低下を経験していると判定する。ＣＮＮを採用するそのような
検出アルゴリズム２２２は、前述のデジタルバイオマーカーのいずれかまたはすべてを使
用して認知機能低下を検出するように訓練かつ／または使用され得る。
の）検出アルゴリズム２２２を訓練し得る。検出アルゴリズムは、ノードの１つ以上の層
を有する畳み込みニューラルネットワーク（ＣＮＮ）の形態を採り得、各層は、１つ以上
のノードを有する。訓練フェーズ中に、ＣＮＮは、訓練被験者の母集団に対する前述のデ
ジタルバイオマーカー、ならびにデジタルバイオマーカーがそれについて生成された各被
験者が、健康な対照であったか、ＭＣＩおよび／またはＡＤの兆候を示す被験者であった
かを示すグラウンドトゥルースラベルの両方を含む訓練データを使用して訓練され得る。
機械学習アルゴリズムを適用して、デジタルバイオマーカーと第１のノード層内のノード
との間の接続の一部またはすべて、およびまた、ノード間の接続の一部またはすべてに対
する重みのセットを判定し得る。重みは、被験者が健康であるか、または認知機能低下を
経験しているかがわからない被験者用に生成されたデジタルバイオマーカーに適用される
とき、ＣＮＮを使用して被験者の状態を判定し得るように判定され得る。別の言い方をす
れば、ＣＮＮの重みは、分析コンポーネント２１０が、健康である被験者１０４について
収集データ２１８から生成されたデジタルバイオマーカーに重みを適用するときに、分析
コンポーネントがある程度の自信（例えば、パーセンテージの可能性）をもって被験者１
０４が健康であると判定するように、検出アルゴリズム２２２の訓練中に判定され得る。
逆に、分析コンポーネント２１０が、認知機能低下を経験している被験者１０４について
収集データ２１８から生成されたデジタルバイオマーカーに重みを適用するときに、分析
コンポーネント２１０は、ある程度の自信（例えば、パーセンテージの可能性）をもって
、被験者１０４が認知機能低下を経験していると判定する。ＣＮＮを採用するそのような
検出アルゴリズム２２２は、前述のデジタルバイオマーカーのいずれかまたはすべてを使
用して認知機能低下を検出するように訓練かつ／または使用され得る。
いくつかの実施形態では、検出アルゴリズム２２２は、認知機能低下の異なる分類を有
する被験者１０４についての収集データ２１８上で訓練されている可能性がある。これら
の実施形態では、分析コンポーネント２１０は、被験者１０４について認知機能低下の特
定の分類を判定し得る。例えば、検出アルゴリズム２２２は、軽度認知障害および初期ア
ルツハイマー病を有する被験者１０４についての収集データ２１８上で訓練されている可
能性がある。したがって、分析コンポーネント２１０は、検出アルゴリズム２２２の訓練
中に判定された重みを適用することによって、被験者１０４が健康であるか、または認知
機能低下を経験しているかを判定するだけでなく、被験者１０４が認知機能低下を経験し
ているかどうか、認知障害のどの分類を被験者１０４が経験しているか、すなわち、軽度
認知障害および初期アルツハイマー病をも判定し得る（ブロック６０６）。
する被験者１０４についての収集データ２１８上で訓練されている可能性がある。これら
の実施形態では、分析コンポーネント２１０は、被験者１０４について認知機能低下の特
定の分類を判定し得る。例えば、検出アルゴリズム２２２は、軽度認知障害および初期ア
ルツハイマー病を有する被験者１０４についての収集データ２１８上で訓練されている可
能性がある。したがって、分析コンポーネント２１０は、検出アルゴリズム２２２の訓練
中に判定された重みを適用することによって、被験者１０４が健康であるか、または認知
機能低下を経験しているかを判定するだけでなく、被験者１０４が認知機能低下を経験し
ているかどうか、認知障害のどの分類を被験者１０４が経験しているか、すなわち、軽度
認知障害および初期アルツハイマー病をも判定し得る（ブロック６０６）。
いくつかの実施形態では、検出アルゴリズム２２２は、生の収集データ２１８から計算
されたデジタルバイオマーカーを使用して、被験者１０４が認知機能低下を経験している
かどうかを判定する決定木を含み得る。決定木は、生の収集データ２１８からデジタルバ
イオマーカーを計算するための、かつ／または処理されたデジタルバイオマーカーを閾値
もしくは予想される範囲と比較するための１つ以上の処理ステップを含み得る。そのよう
なステップ、閾値、および／または範囲は、本明細書に記載の機械学習技術を使用して導
出され得る。
されたデジタルバイオマーカーを使用して、被験者１０４が認知機能低下を経験している
かどうかを判定する決定木を含み得る。決定木は、生の収集データ２１８からデジタルバ
イオマーカーを計算するための、かつ／または処理されたデジタルバイオマーカーを閾値
もしくは予想される範囲と比較するための１つ以上の処理ステップを含み得る。そのよう
なステップ、閾値、および／または範囲は、本明細書に記載の機械学習技術を使用して導
出され得る。
図９は、本開示の少なくとも１つの実施形態による、モバイルデバイスから受動的に取
得されたデータを分析して認知機能低下を判定するための方法９００の別の流れ図である
。この図は単なる例であり、特許請求の範囲の範囲を過度に制限するものではない。当業
者は、多くの変形、代替、および修正を認識するであろう。
得されたデータを分析して認知機能低下を判定するための方法９００の別の流れ図である
。この図は単なる例であり、特許請求の範囲の範囲を過度に制限するものではない。当業
者は、多くの変形、代替、および修正を認識するであろう。
ステップ９０２において、前述のデジタルバイオマーカーの１つ以上（またはすべて）
に対応するベースラインデータが受信され得る。バイオマーカーのベースラインデータ２
３０は、検出アルゴリズム２２２の訓練中に判定され得、被験者１０４が健康であるとき
、および／または被験者が認知機能低下を経験しているとき、異なるベースラインに対応
し得る。より具体的には、各バイオマーカーについて、被験者１０４がいつ健康であり、
被験者がいつ認知機能低下を経験しているのかを示す、そのバイオマーカーのベースライ
ンデータ２３０が判定され得る。このベースラインデータは、評価されている被験者１０
４と同じまたは類似の母集団からの被験者から、評価されている被験者１０４と同じまた
は類似の人口統計学的および／または医学的特徴を有する被験者から生成され得る。いく
つかの実施形態では、このベースラインデータは、評価されている被験者１０４から取得
された過去の測定値から生成され得る。言い換えれば、受信されたベースラインデータは
、場合によっては、評価されている各個々の被験者１０４に対して一意であり得る、縦方
向のベースラインデータセットであり得る。次に、ベースラインデータ２３０を、収集デ
ータ２１８から生成されたデジタルバイオマーカーと比較して（ブロック９０４）、被験
者１０４が認知機能低下を経験しているかどうか（ブロック９０６）および／または認知
機能低下の分類（ブロック９０８）を判定し得る。例えば、バイオマーカーの収集データ
２１８が、ベースラインデータ２３０の特定のパーセンテージ（例えば、０～２０％）内
にある場合、ベースラインデータ２３０が、認知機能低下を経験している被験者１０４お
よび／または認知機能低下の特定の分類を経験している被験者１０４に関連付けられてい
る場合、収集データ２１８に関連付けられた被験者１０４は、それぞれ、認知機能低下を
経験している、かつ／または認知機能低下の特定の分類を経験していると判定され得る。
別の例として、バイオマーカーの収集データ２１８が、ベースラインデータ２３０の特定
のパーセンテージ（例えば、０～２０％）の外側にある場合、ベースラインデータ２３０
が、認知機能低下を経験している被験者１０４に関連付けられている場合、収集データ２
１８に関連付けられた被験者１０４は健康であると判定され得る。さらに別の例として、
バイオマーカーの収集データ２１８が、ベースラインデータ２３０の特定のパーセンテー
ジ（例えば、０～２０％）内にある場合、ベースラインデータ２３０が、健康である被験
者１０４に関連付けられている場合、収集データ２１８に関連付けられた被験者１０４は
健康であると判定され得る。別の例として、バイオマーカーの収集データ２１８が、ベー
スラインデータ２３０の特定のパーセンテージ（例えば、０～２０％）の外側にある場合
、ベースラインデータ２３０が、健康である被験者１０４に関連付けられている場合、収
集データ２１８に関連付けられた被験者１０４は、認知機能低下を経験していると判定さ
れ得る。さらに別の例として、特定の被験者１０４のためのバイオマーカーの収集データ
１１８が、時間とともにより高いまたはより低い認知機能に向かう傾向を示す場合、被験
者１０４は認知機能低下を経験しているまたは経験していないと判定され得る。認知機能
低下の判定（ブロック７１２）および／または認知機能低下の分類（ブロック７１４）は
、さらなる評価および／または治療を手配するために、被験者１０４（図１）に、または
家族および／もしくは医療提供者などの別の許可された当事者に伝達され得る。
に対応するベースラインデータが受信され得る。バイオマーカーのベースラインデータ２
３０は、検出アルゴリズム２２２の訓練中に判定され得、被験者１０４が健康であるとき
、および／または被験者が認知機能低下を経験しているとき、異なるベースラインに対応
し得る。より具体的には、各バイオマーカーについて、被験者１０４がいつ健康であり、
被験者がいつ認知機能低下を経験しているのかを示す、そのバイオマーカーのベースライ
ンデータ２３０が判定され得る。このベースラインデータは、評価されている被験者１０
４と同じまたは類似の母集団からの被験者から、評価されている被験者１０４と同じまた
は類似の人口統計学的および／または医学的特徴を有する被験者から生成され得る。いく
つかの実施形態では、このベースラインデータは、評価されている被験者１０４から取得
された過去の測定値から生成され得る。言い換えれば、受信されたベースラインデータは
、場合によっては、評価されている各個々の被験者１０４に対して一意であり得る、縦方
向のベースラインデータセットであり得る。次に、ベースラインデータ２３０を、収集デ
ータ２１８から生成されたデジタルバイオマーカーと比較して（ブロック９０４）、被験
者１０４が認知機能低下を経験しているかどうか（ブロック９０６）および／または認知
機能低下の分類（ブロック９０８）を判定し得る。例えば、バイオマーカーの収集データ
２１８が、ベースラインデータ２３０の特定のパーセンテージ（例えば、０～２０％）内
にある場合、ベースラインデータ２３０が、認知機能低下を経験している被験者１０４お
よび／または認知機能低下の特定の分類を経験している被験者１０４に関連付けられてい
る場合、収集データ２１８に関連付けられた被験者１０４は、それぞれ、認知機能低下を
経験している、かつ／または認知機能低下の特定の分類を経験していると判定され得る。
別の例として、バイオマーカーの収集データ２１８が、ベースラインデータ２３０の特定
のパーセンテージ（例えば、０～２０％）の外側にある場合、ベースラインデータ２３０
が、認知機能低下を経験している被験者１０４に関連付けられている場合、収集データ２
１８に関連付けられた被験者１０４は健康であると判定され得る。さらに別の例として、
バイオマーカーの収集データ２１８が、ベースラインデータ２３０の特定のパーセンテー
ジ（例えば、０～２０％）内にある場合、ベースラインデータ２３０が、健康である被験
者１０４に関連付けられている場合、収集データ２１８に関連付けられた被験者１０４は
健康であると判定され得る。別の例として、バイオマーカーの収集データ２１８が、ベー
スラインデータ２３０の特定のパーセンテージ（例えば、０～２０％）の外側にある場合
、ベースラインデータ２３０が、健康である被験者１０４に関連付けられている場合、収
集データ２１８に関連付けられた被験者１０４は、認知機能低下を経験していると判定さ
れ得る。さらに別の例として、特定の被験者１０４のためのバイオマーカーの収集データ
１１８が、時間とともにより高いまたはより低い認知機能に向かう傾向を示す場合、被験
者１０４は認知機能低下を経験しているまたは経験していないと判定され得る。認知機能
低下の判定（ブロック７１２）および／または認知機能低下の分類（ブロック７１４）は
、さらなる評価および／または治療を手配するために、被験者１０４（図１）に、または
家族および／もしくは医療提供者などの別の許可された当事者に伝達され得る。
図１０は、本開示の少なくとも１つの実施形態による、モバイルデバイスを使用して認
知機能低下を検出するためのシステムおよび／または方法を実装するためのコンピュータ
システム１０００の例示的なコンポーネントのブロック図である。例えば、コンポーネン
ト２００の機能、ならびに／あるいは方法３００、６００、７００、および／または９０
０のプロセス（例えば、ステップ）の一部またはすべては、コンピューティングシステム
１０００によって実行される。この図は単なる例であり、特許請求の範囲の範囲を過度に
制限するものではない。当業者は、多くの変形、代替、および修正を認識するであろう。
知機能低下を検出するためのシステムおよび／または方法を実装するためのコンピュータ
システム１０００の例示的なコンポーネントのブロック図である。例えば、コンポーネン
ト２００の機能、ならびに／あるいは方法３００、６００、７００、および／または９０
０のプロセス（例えば、ステップ）の一部またはすべては、コンピューティングシステム
１０００によって実行される。この図は単なる例であり、特許請求の範囲の範囲を過度に
制限するものではない。当業者は、多くの変形、代替、および修正を認識するであろう。
コンピューティングシステム１０００は、プロセッサ１００４、ディスプレイ１００６
、カーソル制御コンポーネント１００８、入力デバイス１０１０、メインメモリ１０１２
、読み取り専用メモリ（ＲＯＭ）１０１４、記憶ユニット１０１６、および／またはネッ
トワークインターフェース１０８８の間で情報を通信するためのバス１００２または他の
通信メカニズムを含む。いくつかの例では、バス１００２は、プロセッサ１００４、ディ
スプレイ１００６、カーソル制御コンポーネント１００８、入力デバイス１０１０、メイ
ンメモリ１０１２、読み取り専用メモリ（ＲＯＭ）１０１４、記憶ユニット１０１６、お
よび／またはネットワークインターフェース１０１８に結合されている。また、特定の例
では、ネットワークインターフェース１０１８は、ネットワーク１０２０（例えば、ネッ
トワーク１０８）に結合されている。
、カーソル制御コンポーネント１００８、入力デバイス１０１０、メインメモリ１０１２
、読み取り専用メモリ（ＲＯＭ）１０１４、記憶ユニット１０１６、および／またはネッ
トワークインターフェース１０８８の間で情報を通信するためのバス１００２または他の
通信メカニズムを含む。いくつかの例では、バス１００２は、プロセッサ１００４、ディ
スプレイ１００６、カーソル制御コンポーネント１００８、入力デバイス１０１０、メイ
ンメモリ１０１２、読み取り専用メモリ（ＲＯＭ）１０１４、記憶ユニット１０１６、お
よび／またはネットワークインターフェース１０１８に結合されている。また、特定の例
では、ネットワークインターフェース１０１８は、ネットワーク１０２０（例えば、ネッ
トワーク１０８）に結合されている。
いくつかの例では、プロセッサ１００４は、１つ以上の汎用マイクロプロセッサを含む
。いくつかの例では、メインメモリ１０１２（例えば、ランダムアクセスメモリ（ＲＡＭ
）、キャッシュ、および／または他の動的記憶デバイス）は、プロセッサ１００４によっ
て実行される情報および命令を記憶するように構成される。特定の例では、メインメモリ
１０１２は、プロセッサ１００４によって実行される命令の実行中に一時変数または他の
中間情報を記憶するように構成される。例えば、命令は、プロセッサ１００４にとってア
クセス可能な記憶ユニット８１６に記憶されるときに、コンピューティングシステム１０
００を、命令内で指定された操作（例えば、方法３００、方法６００、方法７００、およ
び／または方法９００）を実行するようにカスタマイズされた専用マシンになるようにす
る。いくつかの例では、ＲＯＭ１０１４は、プロセッサ１００４のための静的情報および
命令を記憶するように構成される。特定の例では、記憶ユニット１０１６（例えば、磁気
ディスク、光ディスク、またはフラッシュドライブ）は、情報および命令を記憶するよう
に構成される。
。いくつかの例では、メインメモリ１０１２（例えば、ランダムアクセスメモリ（ＲＡＭ
）、キャッシュ、および／または他の動的記憶デバイス）は、プロセッサ１００４によっ
て実行される情報および命令を記憶するように構成される。特定の例では、メインメモリ
１０１２は、プロセッサ１００４によって実行される命令の実行中に一時変数または他の
中間情報を記憶するように構成される。例えば、命令は、プロセッサ１００４にとってア
クセス可能な記憶ユニット８１６に記憶されるときに、コンピューティングシステム１０
００を、命令内で指定された操作（例えば、方法３００、方法６００、方法７００、およ
び／または方法９００）を実行するようにカスタマイズされた専用マシンになるようにす
る。いくつかの例では、ＲＯＭ１０１４は、プロセッサ１００４のための静的情報および
命令を記憶するように構成される。特定の例では、記憶ユニット１０１６（例えば、磁気
ディスク、光ディスク、またはフラッシュドライブ）は、情報および命令を記憶するよう
に構成される。
いくつかの実施形態では、ディスプレイ１００６（例えば、陰極線管（ＣＲＴ）、ＬＣ
Ｄディスプレイ、またはタッチスクリーン）は、コンピューティングシステム１０００の
ユーザに情報を表示するように構成される。いくつかの例では、入力デバイス１０１０（
例えば、英数字、および他のキー）は、情報およびコマンドをプロセッサ１００４に通信
するように構成される。例えば、カーソル制御１００８（例えば、マウス、トラックボー
ル、またはカーソル方向キー）は、（例えば、ディスプレイ１００６上のカーソルの動き
を制御するための）追加の情報およびコマンドをプロセッサ１００４に通信するように構
成される。
Ｄディスプレイ、またはタッチスクリーン）は、コンピューティングシステム１０００の
ユーザに情報を表示するように構成される。いくつかの例では、入力デバイス１０１０（
例えば、英数字、および他のキー）は、情報およびコマンドをプロセッサ１００４に通信
するように構成される。例えば、カーソル制御１００８（例えば、マウス、トラックボー
ル、またはカーソル方向キー）は、（例えば、ディスプレイ１００６上のカーソルの動き
を制御するための）追加の情報およびコマンドをプロセッサ１００４に通信するように構
成される。
本発明は例示的な設計を有するものとして記載されてきたが、本発明は、本開示の趣旨
および範囲内でさらに修正することができる。したがって、本出願は、本発明の一般的原
理を用いた本発明の任意の変形、使用、または適応を網羅することが意図される。さらに
、本出願は、本発明が関係し、添付の特許請求の範囲の制限内にある、当該技術分野で既
知のまたは慣習的な実施の範囲内に入るものとして、本開示からのそのような逸脱を網羅
することを意図する。
および範囲内でさらに修正することができる。したがって、本出願は、本発明の一般的原
理を用いた本発明の任意の変形、使用、または適応を網羅することが意図される。さらに
、本出願は、本発明が関係し、添付の特許請求の範囲の制限内にある、当該技術分野で既
知のまたは慣習的な実施の範囲内に入るものとして、本開示からのそのような逸脱を網羅
することを意図する。
以下の態様を含むがこれらに限定されない様々な態様が、この開示に記載されている。
１．被験者の認知機能低下を検出するためのコンピュータ実装方法であって、複数日の
観察期間にわたって被験者の少なくとも１つのモバイルデバイスによって記録された、受
動的に取得されたデータを受信することであって、受動的に取得されたデータが、（ｉ）
モバイルデバイスによって受信された着信メッセージの数および（ｉｉ）モバイルデバイ
スによって送信された発信メッセージの数のうちの少なくとも１つに関するデータを含む
、受信することと、受動的に取得されたデータを処理して、デジタルバイオマーカーデー
タを生成することと、デジタルバイオマーカーデータを分析して、被験者が認知機能低下
を経験しているかどうかを判定することと、分析の結果に関して、被験者および別のユー
ザのうちの少なくとも１人に対してユーザ通知を生成することと、を含む、方法。
観察期間にわたって被験者の少なくとも１つのモバイルデバイスによって記録された、受
動的に取得されたデータを受信することであって、受動的に取得されたデータが、（ｉ）
モバイルデバイスによって受信された着信メッセージの数および（ｉｉ）モバイルデバイ
スによって送信された発信メッセージの数のうちの少なくとも１つに関するデータを含む
、受信することと、受動的に取得されたデータを処理して、デジタルバイオマーカーデー
タを生成することと、デジタルバイオマーカーデータを分析して、被験者が認知機能低下
を経験しているかどうかを判定することと、分析の結果に関して、被験者および別のユー
ザのうちの少なくとも１人に対してユーザ通知を生成することと、を含む、方法。
２．各メッセージが、ＳＭＳテキストメッセージ、電子メール、チャットメッセージ、
音声通話、およびビデオ電話会議通話、のうちの少なくとも１つである、態様１に記載の
コンピュータ実装方法。
音声通話、およびビデオ電話会議通話、のうちの少なくとも１つである、態様１に記載の
コンピュータ実装方法。
３．受動的に取得されたデータを処理することが、観察期間の各日にわたって受信され
たすべての着信メッセージを合計して、着信メッセージの総数を生成することを含み、デ
ジタルバイオマーカーデータが、着信メッセージの総数を含む、態様１または２に記載の
コンピュータ実装方法。
たすべての着信メッセージを合計して、着信メッセージの総数を生成することを含み、デ
ジタルバイオマーカーデータが、着信メッセージの総数を含む、態様１または２に記載の
コンピュータ実装方法。
４．受動的に取得されたデータを処理することが、観察期間中の各日にわたってモバイ
ルデバイスによって送信された発信メッセージの数の変動性の統計的測度（a statistica
l measure）を計算することを含み、デジタルバイオマーカーデータが、発信メッセージ
の数の変動性の計算された統計的測度を含む、態様１～３のいずれか１つに記載のコンピ
ュータ実装方法。
ルデバイスによって送信された発信メッセージの数の変動性の統計的測度（a statistica
l measure）を計算することを含み、デジタルバイオマーカーデータが、発信メッセージ
の数の変動性の計算された統計的測度を含む、態様１～３のいずれか１つに記載のコンピ
ュータ実装方法。
５．計算された統計的測度が、四分位範囲（an inter-quartile range）である、態様
４に記載のコンピュータ実装方法。
４に記載のコンピュータ実装方法。
６．受動的に取得されたデータを処理することが、観察期間中に１日当たりに受信され
た着信メッセージの中央値を計算することを含み、デジタルバイオマーカーデータが、着
信メッセージの計算された中央値を含む、態様１～５のいずれか１つに記載のコンピュー
タ実装方法。
た着信メッセージの中央値を計算することを含み、デジタルバイオマーカーデータが、着
信メッセージの計算された中央値を含む、態様１～５のいずれか１つに記載のコンピュー
タ実装方法。
７．被験者の認知機能低下を検出するためのコンピュータ実装方法であって、複数日の
観察期間にわたって被験者の少なくとも１つのモバイルデバイスによって記録された、受
動的に取得されたデータを受信することであって、受動的に取得されたデータが、（ｉ）
観察期間中の各日の最初に観察された被験者の動きの時刻（ＴｏＤ）、（ｉｉ）観察期間
中の各日の最初に観察された被験者のペースのＴｏＤ、（ｉｉｉ）観察期間中の各日の最
後に観察された被験者の動きのＴｏＤ、および（ｉｖ）観察期間中の各日の最後に観察さ
れた被験者のペースのＴｏＤ、のうちの少なくとも１つを含む、受信することと、受動的
に取得されたデータを処理して、デジタルバイオマーカーデータを生成することと、デジ
タルバイオマーカーデータを分析して、被験者が認知機能低下を経験しているかどうかを
判定することと、判定の結果に関して、被験者および別のユーザのうちの少なくとも１人
に対してユーザ通知を生成することと、を含む、方法。
観察期間にわたって被験者の少なくとも１つのモバイルデバイスによって記録された、受
動的に取得されたデータを受信することであって、受動的に取得されたデータが、（ｉ）
観察期間中の各日の最初に観察された被験者の動きの時刻（ＴｏＤ）、（ｉｉ）観察期間
中の各日の最初に観察された被験者のペースのＴｏＤ、（ｉｉｉ）観察期間中の各日の最
後に観察された被験者の動きのＴｏＤ、および（ｉｖ）観察期間中の各日の最後に観察さ
れた被験者のペースのＴｏＤ、のうちの少なくとも１つを含む、受信することと、受動的
に取得されたデータを処理して、デジタルバイオマーカーデータを生成することと、デジ
タルバイオマーカーデータを分析して、被験者が認知機能低下を経験しているかどうかを
判定することと、判定の結果に関して、被験者および別のユーザのうちの少なくとも１人
に対してユーザ通知を生成することと、を含む、方法。
８．受動的に取得されたデータを処理することが、観察期間中に最初に観察された被験
者のペースの中央値ＴｏＤを計算することを含み、デジタルバイオマーカーデータが、最
初に観察された被験者のペースの計算された中央値ＴｏＤを含む、態様７に記載のコンピ
ュータ実装方法。
者のペースの中央値ＴｏＤを計算することを含み、デジタルバイオマーカーデータが、最
初に観察された被験者のペースの計算された中央値ＴｏＤを含む、態様７に記載のコンピ
ュータ実装方法。
９．受動的に取得されたデータを処理することが、観察期間中に最後に観察された被験
者の動きのＴｏＤの統計的変動性の測度を計算することを含み、デジタルバイオマーカー
データが、最後に観察された被験者の動きのＴｏＤの統計的変動性の計算された測度を含
む、態様７または８に記載のコンピュータ実装方法。
者の動きのＴｏＤの統計的変動性の測度を計算することを含み、デジタルバイオマーカー
データが、最後に観察された被験者の動きのＴｏＤの統計的変動性の計算された測度を含
む、態様７または８に記載のコンピュータ実装方法。
１０．統計的変動性の測度が、四分位範囲である、態様９に記載のコンピュータ実装方
法。
法。
１１．受動的に取得されたデータを処理することが、観察期間中に最初に観察された被
験者の動きのＴｏＤの統計的変動性の測度を計算することを含み、デジタルバイオマーカ
ーデータが、最初に観察された被験者の動きのＴｏＤの統計的変動性の計算された測度を
含む、態様７～１０のいずれか１つに記載のコンピュータ実装方法。
験者の動きのＴｏＤの統計的変動性の測度を計算することを含み、デジタルバイオマーカ
ーデータが、最初に観察された被験者の動きのＴｏＤの統計的変動性の計算された測度を
含む、態様７～１０のいずれか１つに記載のコンピュータ実装方法。
１２．統計的変動性の測度が、四分位範囲である、態様１１に記載のコンピュータ実装
方法。
方法。
１３．受動的に取得されたデータを処理することが、観察期間中に最後に観察された被
験者の動きの中央値ＴｏＤを計算することを含み、デジタルバイオマーカーデータが、最
後に観察された被験者の動きの計算された中央値ＴｏＤを含む、態様７～１１のいずれか
１つに記載のコンピュータ実装方法。
験者の動きの中央値ＴｏＤを計算することを含み、デジタルバイオマーカーデータが、最
後に観察された被験者の動きの計算された中央値ＴｏＤを含む、態様７～１１のいずれか
１つに記載のコンピュータ実装方法。
１４．被験者の認知機能低下を検出するためのコンピュータ実装方法であって、複数日
の観察期間にわたって被験者の少なくとも１つのモバイルデバイスによって記録された、
受動的に取得されたデータを受信することであって、受動的に取得されたデータが、被験
者の観察された歩幅に関するデータを含む、受信することと、受動的に取得されたデータ
を処理して、デジタルバイオマーカーデータを生成することと、デジタルバイオマーカー
データを分析して、被験者が認知機能低下を経験しているかどうかを判定することと、分
析の結果に関して、被験者および別のユーザのうちの少なくとも１人に対してユーザ通知
を生成することと、を含む、方法。
の観察期間にわたって被験者の少なくとも１つのモバイルデバイスによって記録された、
受動的に取得されたデータを受信することであって、受動的に取得されたデータが、被験
者の観察された歩幅に関するデータを含む、受信することと、受動的に取得されたデータ
を処理して、デジタルバイオマーカーデータを生成することと、デジタルバイオマーカー
データを分析して、被験者が認知機能低下を経験しているかどうかを判定することと、分
析の結果に関して、被験者および別のユーザのうちの少なくとも１人に対してユーザ通知
を生成することと、を含む、方法。
１５．受動的に取得されたデータを処理することが、観察期間中に被験者の観察された
歩幅の統計的スキューを計算することを含み、デジタルバイオマーカーデータが、計算さ
れた統計的スキューを含む、態様１４に記載のコンピュータ実装方法。
歩幅の統計的スキューを計算することを含み、デジタルバイオマーカーデータが、計算さ
れた統計的スキューを含む、態様１４に記載のコンピュータ実装方法。
１６．被験者の認知機能低下を検出するためのコンピュータ実装方法であって、複数日
の観察期間にわたって被験者の少なくとも１つのモバイルデバイスによって記録された、
受動的に取得されたデータを受信することであって、受動的に取得されたデータが、観察
期間中の運動動作の数に関するデータを含む、受信することと、受動的に取得されたデー
タを分析して、被験者が認知機能低下を経験しているかどうかを判定することと、分析の
結果に関して、被験者および別のユーザのうちの少なくとも１人に対してユーザ通知を生
成することと、を含む、方法。
の観察期間にわたって被験者の少なくとも１つのモバイルデバイスによって記録された、
受動的に取得されたデータを受信することであって、受動的に取得されたデータが、観察
期間中の運動動作の数に関するデータを含む、受信することと、受動的に取得されたデー
タを分析して、被験者が認知機能低下を経験しているかどうかを判定することと、分析の
結果に関して、被験者および別のユーザのうちの少なくとも１人に対してユーザ通知を生
成することと、を含む、方法。
１７．被験者の認知機能低下を検出するためのコンピュータ実装方法であって、複数日
の観察期間にわたって被験者の少なくとも１つのモバイルデバイスによって記録された、
受動的に取得されたデータを受信することであって、受動的に取得されたデータが、被験
者が少なくとも１つのモバイルデバイス上の時間を判断するためにモバイル時計アプリケ
ーションを閲覧した回数に関するデータを含み、被験者がモバイル時計アプリケーション
を閲覧した各時間が、閲覧持続時間に関連付けられる、受信することと、受動的に取得さ
れたデータを処理して、デジタルバイオマーカーデータを生成することと、受動的に取得
されたデータを分析して、被験者が認知機能低下を経験しているかどうかを判定すること
と、分析の結果に関して、被験者および別のユーザのうちの少なくとも１人に対してユー
ザ通知を生成することと、を含む、方法。
の観察期間にわたって被験者の少なくとも１つのモバイルデバイスによって記録された、
受動的に取得されたデータを受信することであって、受動的に取得されたデータが、被験
者が少なくとも１つのモバイルデバイス上の時間を判断するためにモバイル時計アプリケ
ーションを閲覧した回数に関するデータを含み、被験者がモバイル時計アプリケーション
を閲覧した各時間が、閲覧持続時間に関連付けられる、受信することと、受動的に取得さ
れたデータを処理して、デジタルバイオマーカーデータを生成することと、受動的に取得
されたデータを分析して、被験者が認知機能低下を経験しているかどうかを判定すること
と、分析の結果に関して、被験者および別のユーザのうちの少なくとも１人に対してユー
ザ通知を生成することと、を含む、方法。
１８．受動的に取得されたデータを処理することが、観察期間中に被験者がモバイル時
計アプリケーションを閲覧した各時間に関連付けられた閲覧持続時間の目標パーセンテー
ジ以上である閲覧持続時間を計算することを含み、デジタルバイオマーカーデータが、計
算された閲覧持続時間を含む、態様１７に記載のコンピュータ実装方法。
計アプリケーションを閲覧した各時間に関連付けられた閲覧持続時間の目標パーセンテー
ジ以上である閲覧持続時間を計算することを含み、デジタルバイオマーカーデータが、計
算された閲覧持続時間を含む、態様１７に記載のコンピュータ実装方法。
１９．目標パーセンテージが、９０％～１００％である、態様１８に記載のコンピュー
タ実装方法。
タ実装方法。
２０．目標パーセンテージが、９３％～９７％である、態様１８または１９に記載のコ
ンピュータ実装方法。
ンピュータ実装方法。
２１．目標パーセンテージが、９５％である、態様１８～２０のいずれか１つに記載の
コンピュータ実装方法。
コンピュータ実装方法。
２２．受動的に取得されたデータを処理することが、観察期間中に被験者がモバイル時
計アプリケーションを閲覧した各時間に関連付けられた閲覧持続時間の統計的変動性の測
度を計算することを含み、デジタルバイオマーカーデータが、閲覧持続時間の統計的変動
性の計算された測度を含む、態様１７～２１のいずれか１つに記載のコンピュータ実装方
法。
計アプリケーションを閲覧した各時間に関連付けられた閲覧持続時間の統計的変動性の測
度を計算することを含み、デジタルバイオマーカーデータが、閲覧持続時間の統計的変動
性の計算された測度を含む、態様１７～２１のいずれか１つに記載のコンピュータ実装方
法。
２３．統計的変動性の測度が、四分位範囲である、態様２２に記載のコンピュータ実装
方法。
方法。
２４．受動的に取得されたデータを処理することが、観察期間中に被験者がモバイル時
計アプリケーションを閲覧したすべての時間に関連付けられたすべての閲覧持続時間を合
計して、総閲覧持続時間を生成することを含み、デジタルバイオマーカーデータが、総閲
覧持続時間を含む、態様１７～２３のいずれか１つに記載のコンピュータ実装方法。
計アプリケーションを閲覧したすべての時間に関連付けられたすべての閲覧持続時間を合
計して、総閲覧持続時間を生成することを含み、デジタルバイオマーカーデータが、総閲
覧持続時間を含む、態様１７～２３のいずれか１つに記載のコンピュータ実装方法。
２５．受動的に取得されたデータを処理することが、観察期間中の各それぞれの日につ
いて、それぞれの日の間に被験者がモバイル時計アプリケーションを閲覧したすべての時
間に関連付けられたすべての閲覧持続時間の合計に等しい日々の総閲覧持続時間を計算し
、計算された日々の総閲覧持続時間の統計的変動性の測度を計算することを含み、デジタ
ルバイオマーカーデータが、計算された日々の総閲覧持続時間の統計的変動性の計算され
た測度を含む、態様１７～２４のいずれか１つに記載のコンピュータ実装方法。
いて、それぞれの日の間に被験者がモバイル時計アプリケーションを閲覧したすべての時
間に関連付けられたすべての閲覧持続時間の合計に等しい日々の総閲覧持続時間を計算し
、計算された日々の総閲覧持続時間の統計的変動性の測度を計算することを含み、デジタ
ルバイオマーカーデータが、計算された日々の総閲覧持続時間の統計的変動性の計算され
た測度を含む、態様１７～２４のいずれか１つに記載のコンピュータ実装方法。
２６．統計的変動性の測度が、四分位範囲である、態様２５に記載のコンピュータ実装
方法。
方法。
２７．被験者の認知機能低下を検出するためのコンピュータ実装方法であって、複数日
の観察期間にわたって被験者の少なくとも１つのモバイルデバイスによって記録された、
受動的に取得されたデータを受信することであって、受動的に取得されたデータが、通信
デバイスによって送信される発信メッセージを構成しながらユーザがタイプする方法を特
徴付けるデータを含む、受信することと、受動的に取得されたデータを処理して、デジタ
ルバイオマーカーデータを生成することと、デジタルバイオマーカーデータを分析して、
被験者が認知機能低下を経験しているかどうかを判定することと、分析の結果に関して、
被験者および別のユーザのうちの少なくとも１人に対してユーザ通知を生成することと、
を含む、方法。
の観察期間にわたって被験者の少なくとも１つのモバイルデバイスによって記録された、
受動的に取得されたデータを受信することであって、受動的に取得されたデータが、通信
デバイスによって送信される発信メッセージを構成しながらユーザがタイプする方法を特
徴付けるデータを含む、受信することと、受動的に取得されたデータを処理して、デジタ
ルバイオマーカーデータを生成することと、デジタルバイオマーカーデータを分析して、
被験者が認知機能低下を経験しているかどうかを判定することと、分析の結果に関して、
被験者および別のユーザのうちの少なくとも１人に対してユーザ通知を生成することと、
を含む、方法。
２８．受動的に取得されたデータを処理することが、休止を除くタイピング速度を計算
することを含み、デジタルバイオマーカーデータが、計算されたタイピング速度を含む、
態様２７に記載のコンピュータ実装方法。
することを含み、デジタルバイオマーカーデータが、計算されたタイピング速度を含む、
態様２７に記載のコンピュータ実装方法。
２９．受動的に取得されたデータを処理することが、文当たりの平均単語数を計算する
ことを含み、デジタルバイオマーカーデータが、計算された平均単語数を含む、態様２７
または２８に記載のコンピュータ実装方法。
ことを含み、デジタルバイオマーカーデータが、計算された平均単語数を含む、態様２７
または２８に記載のコンピュータ実装方法。
３０．被験者の認知機能低下を検出するためのコンピュータ実装方法であって、複数日
の観察期間にわたって被験者の少なくとも１つのモバイルデバイスによって記録された１
つ以上のユーザ活動の受動的に取得された時系列データを受信することと、周波数分析を
使用して、受動的に取得された時系列データを処理して、時系列データを周波数パワース
ペクトルに変換することと、第１の周波数閾値と第２の周波数閾値との間の周波数パワー
スペクトル内のスペクトルエネルギー量を計算することと、計算されたスペクトルエネル
ギー量に基づいてデジタルバイオマーカーデータを生成することと、デジタルバイオマー
カーデータを分析して、被験者が認知機能低下を経験しているかどうかを判定することと
、分析の結果に関して、被験者および別のユーザのうちの少なくとも１人に対してユーザ
通知を生成することと、を含む、方法。
の観察期間にわたって被験者の少なくとも１つのモバイルデバイスによって記録された１
つ以上のユーザ活動の受動的に取得された時系列データを受信することと、周波数分析を
使用して、受動的に取得された時系列データを処理して、時系列データを周波数パワース
ペクトルに変換することと、第１の周波数閾値と第２の周波数閾値との間の周波数パワー
スペクトル内のスペクトルエネルギー量を計算することと、計算されたスペクトルエネル
ギー量に基づいてデジタルバイオマーカーデータを生成することと、デジタルバイオマー
カーデータを分析して、被験者が認知機能低下を経験しているかどうかを判定することと
、分析の結果に関して、被験者および別のユーザのうちの少なくとも１人に対してユーザ
通知を生成することと、を含む、方法。
３１．第１の周波数閾値が、１／（２４時間）未満であり、第２の周波数閾値が、１／
（２４時間）よりも大きい、態様３０に記載のコンピュータ実装方法。
（２４時間）よりも大きい、態様３０に記載のコンピュータ実装方法。
３２．第１の周波数が、１／（２５時間）以上であり、第２の周波数閾値が、１／（２
３時間）以下である、態様３０または３１に記載のコンピュータ実装方法。
３時間）以下である、態様３０または３１に記載のコンピュータ実装方法。
３３．第１の周波数が、１／（２４時間３０分）以上であり、第２の周波数閾値が、１
／（２３時間３０分）以下である、態様３０～３２のいずれか１つに記載のコンピュータ
実装方法。
／（２３時間３０分）以下である、態様３０～３２のいずれか１つに記載のコンピュータ
実装方法。
３４．デジタルバイオマーカーデータが、（ｉ）第１の周波数閾値と第２の周波数閾値
との間の周波数パワースペクトル内のスペクトルエネルギーの計算された量、および（ｉ
ｉ）周波数パワースペクトル内の他のすべての周波数におけるスペクトルエネルギー量の
比率を含む、態様３０～３３のいずれか１つに記載のコンピュータ実装方法。
との間の周波数パワースペクトル内のスペクトルエネルギーの計算された量、および（ｉ
ｉ）周波数パワースペクトル内の他のすべての周波数におけるスペクトルエネルギー量の
比率を含む、態様３０～３３のいずれか１つに記載のコンピュータ実装方法。
３５．１つ以上のユーザ活動が、電話通話、発信メッセージ、着信メッセージ、モバイ
ルデバイスのロック解除、モバイルアプリケーションとの相互作用、心拍数、立ち動作、
ステップ、移動、モバイルデバイスのロック解除されている間の移動、およびモバイルデ
バイスがロックされている間の移動のうちの少なくとも１つを含む、態様３０～３４のい
ずれか１つに記載のコンピュータ実装方法。
ルデバイスのロック解除、モバイルアプリケーションとの相互作用、心拍数、立ち動作、
ステップ、移動、モバイルデバイスのロック解除されている間の移動、およびモバイルデ
バイスがロックされている間の移動のうちの少なくとも１つを含む、態様３０～３４のい
ずれか１つに記載のコンピュータ実装方法。
３６．被験者の少なくとも１つのモバイルデバイスが、スマートウォッチおよびスマー
トフォンのうちの少なくとも１つを含む、態様１～３５のいずれか１つに記載のコンピュ
ータ実装方法。
トフォンのうちの少なくとも１つを含む、態様１～３５のいずれか１つに記載のコンピュ
ータ実装方法。
３７．認知機能低下が、少なくとも部分的にアルツハイマー病によって引き起こされる
、態様１～３６のいずれか１つに記載のコンピュータ実装方法。
、態様１～３６のいずれか１つに記載のコンピュータ実装方法。
３８．被験者が認知機能低下を経験しているかどうかを判定するために、デジタルバイ
オマーカーデータの分析が、畳み込みニューラルネットワークを使用して実装される、態
様１～３７のいずれか１つに記載のコンピュータ実装方法。
オマーカーデータの分析が、畳み込みニューラルネットワークを使用して実装される、態
様１～３７のいずれか１つに記載のコンピュータ実装方法。
３９．被験者が認知機能低下を経験しているかどうかを判定するために、デジタルバイ
オマーカーデータの分析が、１つ以上の決定木を使用して実装される、態様１～３８のい
ずれか１つに記載のコンピュータ実装方法。
オマーカーデータの分析が、１つ以上の決定木を使用して実装される、態様１～３８のい
ずれか１つに記載のコンピュータ実装方法。
４０．受動的に取得されたデータが、少なくとも第１のカテゴリのデータおよび第２の
カテゴリのデータを含み、第１のカテゴリのデータが、第１のデータ収集頻度で記録され
、第２のカテゴリのデータが、第１のデータ収集頻度とは異なる第２のデータ収集頻度で
記録される、態様１～３９のいずれか１つに記載のコンピュータ実装方法。
カテゴリのデータを含み、第１のカテゴリのデータが、第１のデータ収集頻度で記録され
、第２のカテゴリのデータが、第１のデータ収集頻度とは異なる第２のデータ収集頻度で
記録される、態様１～３９のいずれか１つに記載のコンピュータ実装方法。
４１．認知機能低下を検出するための処理デバイスであって、１つ以上のプロセッサと
、実行されるときに、１つ以上のプロセッサに態様１～４０のいずれか１つに記載の方法
を実行させる命令を含むメモリと、を備える、処理デバイス。
、実行されるときに、１つ以上のプロセッサに態様１～４０のいずれか１つに記載の方法
を実行させる命令を含むメモリと、を備える、処理デバイス。
４２．１つ以上のプロセッサによって実行されるときに、１つ以上のプロセッサに態様
１～４０のいずれか１つに記載の方法を実行させるように構成されている、コンピュータ
実行可能命令を記憶する、非一時的なコンピュータ可読記憶媒体。
１～４０のいずれか１つに記載の方法を実行させるように構成されている、コンピュータ
実行可能命令を記憶する、非一時的なコンピュータ可読記憶媒体。
Claims (42)
- 被験者の認知機能低下を検出するためのコンピュータ実装方法であって、
複数日の観察期間にわたって前記被験者の少なくとも１つのモバイルデバイスによって記
録された、受動的に取得されたデータを受信することであって、前記受動的に取得された
データが、（ｉ）前記モバイルデバイスによって受信された着信メッセージの数および（
ｉｉ）前記モバイルデバイスによって送信された発信メッセージの数のうちの少なくとも
１つに関するデータを含む、受信することと、
前記受動的に取得されたデータを処理して、デジタルバイオマーカーデータを生成するこ
とと、
前記デジタルバイオマーカーデータを分析して、前記被験者が認知機能低下を経験してい
るかどうかを判定することと、
前記分析の前記結果に関して、前記被験者および別のユーザのうちの少なくとも１人に対
してユーザ通知を生成することと、を含む、方法。 - 各メッセージが、ＳＭＳテキストメッセージ、電子メール、チャットメッセージ、音声
通話、およびビデオ電話会議通話、のうちの少なくとも１つである、請求項１に記載のコ
ンピュータ実装方法。 - 前記受動的に取得されたデータを処理することが、前記観察期間の各日にわたって受信
されたすべての着信メッセージを合計して、着信メッセージの総数を生成することを含み
、前記デジタルバイオマーカーデータが、前記着信メッセージの総数を含む、請求項１ま
たは２に記載のコンピュータ実装方法。 - 前記受動的に取得されたデータを処理することが、前記観察期間中の各日にわたって前
記モバイルデバイスによって送信された前記発信メッセージの数の変動性の統計的測度を
計算することを含み、前記デジタルバイオマーカーデータが、前記発信メッセージの数の
変動性の前記計算された統計的測度を含む、請求項１～３のいずれか一項に記載のコンピ
ュータ実装方法。 - 前記計算された統計的測度が、四分位範囲である、請求項４に記載のコンピュータ実装
方法。 - 前記受動的に取得されたデータを処理することが、前記観察期間中に１日当たりに受信
された着信メッセージの中央値を計算することを含み、前記デジタルバイオマーカーデー
タが、前記着信メッセージの計算された中央値を含む、請求項１～５のいずれか一項に記
載のコンピュータ実装方法。 - 被験者の認知機能低下を検出するためのコンピュータ実装方法であって、
複数日の観察期間にわたって前記被験者の少なくとも１つのモバイルデバイスによって記
録された、受動的に取得されたデータを受信することであって、前記受動的に取得された
データが、（ｉ）前記観察期間中の各日の最初に観察された被験者の動きの時刻（ＴｏＤ
）、（ｉｉ）前記観察期間中の各日の最初に観察された被験者のペースのＴｏＤ、（ｉｉ
ｉ）前記観察期間中の各日の最後に観察された被験者の動きのＴｏＤ、および（ｉｖ）前
記観察期間中の各日の最後に観察された被験者のペースのＴｏＤ、のうちの少なくとも１
つを含む、受信することと、
前記受動的に取得されたデータを処理して、デジタルバイオマーカーデータを生成するこ
とと、
前記デジタルバイオマーカーデータを分析して、前記被験者が認知機能低下を経験してい
るかどうかを判定することと、
前記判定の前記結果に関して、被験者および別のユーザのうちの少なくとも１人に対して
ユーザ通知を生成することと、を含む、方法。 - 前記受動的に取得されたデータを処理することが、前記観察期間中に最初に観察された
被験者のペースの中央値ＴｏＤを計算することを含み、前記デジタルバイオマーカーデー
タが、最初に観察された被験者のペースの前記計算された中央値ＴｏＤを含む、請求項７
に記載のコンピュータ実装方法。 - 前記受動的に取得されたデータを処理することが、前記観察期間中に最後に観察された
被験者の動きの前記ＴｏＤの統計的変動性の測度を計算することを含み、前記デジタルバ
イオマーカーデータが、最後に観察された被験者の動きの前記ＴｏＤの統計的変動性の前
記計算された測度を含む、請求項７または８に記載のコンピュータ実装方法。 - 前記統計的変動性の測度が、四分位範囲である、請求項９に記載のコンピュータ実装方
法。 - 前記受動的に取得されたデータを処理することが、前記観察期間中に最初に観察された
被験者の動きの前記ＴｏＤの統計的変動性の測度を計算することを含み、前記デジタルバ
イオマーカーデータが、最初に観察された被験者の動きの前記ＴｏＤの統計的変動性の前
記計算された測度を含む、請求項７～１０のいずれか一項に記載のコンピュータ実装方法
。 - 前記統計的変動性の測度が、四分位範囲である、請求項１１に記載のコンピュータ実装
方法。 - 前記受動的に取得されたデータを処理することが、前記観察期間中に最後に観察された
被験者の動きの中央値ＴｏＤを計算することを含み、前記デジタルバイオマーカーデータ
が、最後に観察された被験者の動きの前記計算された中央値ＴｏＤを含む、請求項７～１
１のいずれか一項に記載のコンピュータ実装方法。 - 被験者の認知機能低下を検出するためのコンピュータ実装方法であって、
複数日の観察期間にわたって前記被験者の少なくとも１つのモバイルデバイスによって記
録された、受動的に取得されたデータを受信することであって、前記受動的に取得された
データが、前記被験者の観察された歩幅に関するデータを含む、受信することと、
前記受動的に取得されたデータを処理して、デジタルバイオマーカーデータを生成するこ
とと、
前記デジタルバイオマーカーデータを分析して、前記被験者が認知機能低下を経験してい
るかどうかを判定することと、
前記分析の前記結果に関して、前記被験者および別のユーザのうちの少なくとも１人に対
してユーザ通知を生成することと、を含む、方法。 - 前記受動的に取得されたデータを処理することが、前記観察期間中に前記被験者の前記
観察された歩幅の統計的スキューを計算することを含み、前記デジタルバイオマーカーデ
ータが、前記計算された統計的スキューを含む、請求項１４に記載のコンピュータ実装方
法。 - 被験者の認知機能低下を検出するためのコンピュータ実装方法であって、
複数日の観察期間にわたって前記被験者の少なくとも１つのモバイルデバイスによって記
録された、受動的に取得されたデータを受信することであって、前記受動的に取得された
データが、前記観察期間中の運動動作の数に関するデータを含む、受信することと、
前記受動的に取得されたデータを分析して、前記被験者が認知機能低下を経験しているか
どうかを判定することと、
前記分析の前記結果に関して、前記被験者および別のユーザのうちの少なくとも１人に対
してユーザ通知を生成することと、を含む、方法。 - 被験者の認知機能低下を検出するためのコンピュータ実装方法であって、
複数日の観察期間にわたって前記被験者の少なくとも１つのモバイルデバイスによって記
録された、受動的に取得されたデータを受信することであって、前記受動的に取得された
データが、前記被験者が前記少なくとも１つのモバイルデバイス上の時間を判断するため
にモバイル時計アプリケーションを閲覧した回数に関するデータを含み、前記被験者が前
記モバイル時計アプリケーションを閲覧した各時間が、閲覧持続時間に関連付けられる、
受信することと、
前記受動的に取得されたデータを処理して、デジタルバイオマーカーデータを生成するこ
とと、
前記受動的に取得されたデータを分析して、前記被験者が認知機能低下を経験しているか
どうかを判定することと、
前記分析の前記結果に関して、前記被験者および別のユーザのうちの少なくとも１人に対
してユーザ通知を生成することと、を含む、方法。 - 前記受動的に取得されたデータを処理することが、前記観察期間中に前記被験者が前記
モバイル時計アプリケーションを閲覧した各時間に関連付けられた前記閲覧持続時間の目
標パーセンテージ以上である閲覧持続時間を計算することを含み、前記デジタルバイオマ
ーカーデータが、前記計算された閲覧持続時間を含む、請求項１７に記載のコンピュータ
実装方法。 - 前記目標パーセンテージが、９０％～１００％である、請求項１８に記載のコンピュー
タ実装方法。 - 前記目標パーセンテージが、９３％～９７％である、請求項１８または１９に記載のコ
ンピュータ実装方法。 - 前記目標パーセンテージが、９５％である、請求項１８～２０のいずれか一項に記載の
コンピュータ実装方法。 - 前記受動的に取得されたデータを処理することが、前記観察期間中に前記被験者が前記
モバイル時計アプリケーションを閲覧した各時間に関連付けられた前記閲覧持続時間の統
計的変動性の測度を計算することを含み、前記デジタルバイオマーカーデータが、前記閲
覧持続時間の統計的変動性の前記計算された測度を含む、請求項１７～２１のいずれか一
項に記載のコンピュータ実装方法。 - 前記統計的変動性の測度が、四分位範囲である、請求項２２に記載のコンピュータ実装
方法。 - 前記受動的に取得されたデータを処理することが、前記観察期間中に前記被験者が前記
モバイル時計アプリケーションを閲覧したすべての前記時間に関連付けられたすべての閲
覧持続時間を合計して、総閲覧持続時間を生成することを含み、前記デジタルバイオマー
カーデータが、前記総閲覧持続時間を含む、請求項１７～２３のいずれか一項に記載のコ
ンピュータ実装方法。 - 前記受動的に取得されたデータを処理することが、前記観察期間中の各それぞれの日に
ついて、前記それぞれの日の間に前記被験者が前記モバイル時計アプリケーションを閲覧
したすべての前記時間に関連付けられたすべての閲覧持続時間の前記合計に等しい日々の
総閲覧持続時間を計算し、前記計算された日々の総閲覧持続時間の統計的変動性の測度を
計算することを含み、前記デジタルバイオマーカーデータが、前記計算された日々の総閲
覧持続時間の統計的変動性の前記計算された測度を含む、請求項１７～２４のいずれか一
項に記載のコンピュータ実装方法。 - 前記統計的変動性の測度が、四分位範囲である、請求項２５に記載のコンピュータ実装
方法。 - 被験者の認知機能低下を検出するためのコンピュータ実装方法であって、
複数日の観察期間にわたって前記被験者の少なくとも１つのモバイルデバイスによって記
録された、受動的に取得されたデータを受信することであって、前記受動的に取得された
データが、通信デバイスによって送信される発信メッセージを構成しながら前記ユーザが
タイプする方法を特徴付けるデータを含む、受信することと、
前記受動的に取得されたデータを処理して、デジタルバイオマーカーデータを生成するこ
とと、
前記デジタルバイオマーカーデータを分析して、前記被験者が認知機能低下を経験してい
るかどうかを判定することと、
前記分析の前記結果に関して、前記被験者および別のユーザのうちの少なくとも１人に対
してユーザ通知を生成することと、を含む、方法。 - 前記受動的に取得されたデータを処理することが、休止を除くタイピング速度を計算す
ることを含み、前記デジタルバイオマーカーデータが、前記計算されたタイピング速度を
含む、請求項２７に記載のコンピュータ実装方法。 - 前記受動的に取得されたデータを処理することが、文当たりの平均単語数を計算するこ
とを含み、前記デジタルバイオマーカーデータが、前記計算された平均単語数を含む、請
求項２７または２８に記載のコンピュータ実装方法。 - 被験者の認知機能低下を検出するためのコンピュータ実装方法であって、
複数日の観察期間にわたって前記被験者の少なくとも１つのモバイルデバイスによって記
録された１つ以上のユーザ活動の受動的に取得された時系列データを受信することと、
周波数分析を使用して、前記受動的に取得された時系列データを処理して、前記時系列デ
ータを周波数パワースペクトルに変換することと、
第１の周波数閾値と第２の周波数閾値との間の前記周波数パワースペクトル内のスペクト
ルエネルギー量を計算することと、
前記計算されたスペクトルエネルギー量に基づいてデジタルバイオマーカーデータを生成
することと、
前記デジタルバイオマーカーデータを分析して、前記被験者が認知機能低下を経験してい
るかどうかを判定することと、
前記分析の前記結果に関して、前記被験者および別のユーザのうちの少なくとも１人に対
してユーザ通知を生成することと、を含む、方法。 - 前記第１の周波数閾値が、１／（２４時間）未満であり、前記第２の周波数閾値が、１
／（２４時間）よりも大きい、請求項３０に記載のコンピュータ実装方法。 - 前記第１の周波数が、１／（２５時間）以上であり、前記第２の周波数閾値が、１／（
２３時間）以下である、請求項３０または３１に記載のコンピュータ実装方法。 - 前記第１の周波数が、１／（２４時間３０分）以上であり、前記第２の周波数閾値が、
１／（２３時間３０分）以下である、請求項３０～３２のいずれか一項に記載のコンピュ
ータ実装方法。 - 前記デジタルバイオマーカーデータが、（ｉ）前記第１の周波数閾値と前記第２の周波
数閾値との間の前記周波数パワースペクトル内のスペクトルエネルギーの前記計算された
量、および（ｉｉ）前記周波数パワースペクトル内の他のすべての周波数における前記ス
ペクトルエネルギー量の比率を含む、請求項３０～３３のいずれか一項に記載のコンピュ
ータ実装方法。 - 前記１つ以上のユーザ活動が、電話通話、発信メッセージ、着信メッセージ、モバイル
デバイスのロック解除、モバイルアプリケーションとの相互作用、心拍数、立ち動作、ス
テップ、移動、モバイルデバイスのロック解除されている間の移動、およびモバイルデバ
イスがロックされている間の移動のうちの少なくとも１つを含む、請求項３０～３４のい
ずれか一項に記載のコンピュータ実装方法。 - 前記被験者の前記少なくとも１つのモバイルデバイスが、スマートウォッチおよびスマ
ートフォンのうちの少なくとも１つを含む、請求項１～３５のいずれか一項に記載のコン
ピュータ実装方法。 - 前記認知機能低下が、少なくとも部分的にアルツハイマー病によって引き起こされる、
請求項１～３６のいずれか一項に記載のコンピュータ実装方法。 - 前記被験者が認知機能低下を経験しているかどうかを判定するために、前記デジタルバ
イオマーカーデータの前記分析が、畳み込みニューラルネットワークを使用して実装され
る、請求項１～３７のいずれか一項に記載のコンピュータ実装方法。 - 前記被験者が認知機能低下を経験しているかどうかを判定するために、前記デジタルバ
イオマーカーデータの前記分析が、１つ以上の決定木を使用して実装される、請求項１～
３８のいずれか一項に記載のコンピュータ実装方法。 - 前記受動的に取得されたデータが、少なくとも第１のカテゴリのデータおよび第２のカ
テゴリのデータを含み、前記第１のカテゴリのデータが、第１のデータ収集頻度で記録さ
れ、前記第２のカテゴリのデータが、前記第１のデータ収集頻度とは異なる第２のデータ
収集頻度で記録される、請求項１～３９のいずれか一項に記載のコンピュータ実装方法。 - 認知機能低下を検出するための処理デバイスであって、
１つ以上のプロセッサと、
実行されるときに、前記１つ以上のプロセッサに請求項１～４０のいずれか一項に記載の
方法を実行させる命令を含むメモリと、を備える、処理デバイス。 - １つ以上のプロセッサによって実行されるときに、前記１つ以上のプロセッサに請求項
１～４０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ている、コンピュータ
実行可能命令を記憶する、非一時的なコンピュータ可読記憶媒体。
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| GR20190100293 | 2019-07-10 | ||
| GR20190100293 | 2019-07-10 | ||
| US201962875623P | 2019-07-18 | 2019-07-18 | |
| US62/875,623 | 2019-07-18 | ||
| JP2022501048A JP2022543348A (ja) | 2019-07-10 | 2020-07-09 | モバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022501048A Division JP2022543348A (ja) | 2019-07-10 | 2020-07-09 | モバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2023106520A true JP2023106520A (ja) | 2023-08-01 |
Family
ID=72039653
Family Applications (6)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022501048A Pending JP2022543348A (ja) | 2019-07-10 | 2020-07-09 | モバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法 |
| JP2023083790A Pending JP2023106520A (ja) | 2019-07-10 | 2023-05-22 | モバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法 |
| JP2023083791A Pending JP2023106521A (ja) | 2019-07-10 | 2023-05-22 | モバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法 |
| JP2023083788A Pending JP2023106518A (ja) | 2019-07-10 | 2023-05-22 | モバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法 |
| JP2023083787A Withdrawn JP2023106517A (ja) | 2019-07-10 | 2023-05-22 | モバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法 |
| JP2023083789A Pending JP2023106519A (ja) | 2019-07-10 | 2023-05-22 | モバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022501048A Pending JP2022543348A (ja) | 2019-07-10 | 2020-07-09 | モバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法 |
Family Applications After (4)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2023083791A Pending JP2023106521A (ja) | 2019-07-10 | 2023-05-22 | モバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法 |
| JP2023083788A Pending JP2023106518A (ja) | 2019-07-10 | 2023-05-22 | モバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法 |
| JP2023083787A Withdrawn JP2023106517A (ja) | 2019-07-10 | 2023-05-22 | モバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法 |
| JP2023083789A Pending JP2023106519A (ja) | 2019-07-10 | 2023-05-22 | モバイルデバイスを用いて認知機能低下を検出するためのシステムおよび方法 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US20220273227A1 (ja) |
| EP (6) | EP4233714A3 (ja) |
| JP (6) | JP2022543348A (ja) |
| CN (1) | CN114096195A (ja) |
| AU (6) | AU2020310165B2 (ja) |
| CA (1) | CA3146160A1 (ja) |
| WO (1) | WO2021007394A1 (ja) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021158300A1 (en) * | 2020-02-03 | 2021-08-12 | nQ Medical, Inc. | Methods and apparatus for assessment of health condition or functional state from keystroke data |
| JP7450483B2 (ja) | 2020-07-21 | 2024-03-15 | 株式会社Ｎｔｔドコモ | 出力装置 |
| JP7450484B2 (ja) | 2020-07-21 | 2024-03-15 | 株式会社Ｎｔｔドコモ | 出力装置 |
| EP4355200A1 (en) * | 2021-06-17 | 2024-04-24 | Altoida Inc. | Method and system for obtaining measurement of cognitive performance |
Family Cites Families (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2003206411B2 (en) * | 2002-01-04 | 2008-10-23 | Covidien Lp | System and method of assessment of neurological conditions using EEG bispectrum |
| SG172846A1 (en) * | 2009-01-06 | 2011-08-29 | Proteus Biomedical Inc | Ingestion-related biofeedback and personalized medical therapy method and system |
| CA2765500C (en) * | 2009-06-15 | 2019-07-30 | Brain Computer Interface Llc | A brain-computer interface test battery for the physiological assessment of nervous system health. |
| CN103561651B (zh) * | 2010-11-24 | 2017-03-22 | 数字制品有限责任公司 | 评估认知功能的系统和方法 |
| US9208661B2 (en) * | 2012-01-06 | 2015-12-08 | Panasonic Corporation Of North America | Context dependent application/event activation for people with various cognitive ability levels |
| US10650920B2 (en) * | 2012-08-16 | 2020-05-12 | Ginger.io, Inc. | Method and system for improving care determination |
| US9474481B2 (en) * | 2013-10-22 | 2016-10-25 | Mindstrong, LLC | Method and system for assessment of cognitive function based on electronic device usage |
| US11122998B2 (en) * | 2015-03-12 | 2021-09-21 | Akili Interactive Labs, Inc. | Processor implemented systems and methods for measuring cognitive abilities |
| GB2538698B (en) * | 2015-04-02 | 2019-05-15 | Cambridge Cognition Ltd | Systems and methods for assessing cognitive function |
| WO2017196785A1 (en) * | 2016-05-09 | 2017-11-16 | Neurovision Imaging Llc | Apparatus and method for recording and analysing lapses in memory and function |
| EP3257437A1 (en) * | 2016-06-13 | 2017-12-20 | Friedrich-Alexander-Universität Erlangen-Nürnberg | Method and system for analyzing human gait |
| US20170354846A1 (en) * | 2016-06-13 | 2017-12-14 | Action Faction, Ltd. | Training and Rehabilitation Involving Physical Activity and Cognitive Exercises |
| CN109688926B (zh) * | 2016-09-14 | 2022-09-13 | 豪夫迈·罗氏有限公司 | 用于认知和运动疾病或障碍的数字生物标记 |
| CN109862831B (zh) * | 2016-10-07 | 2022-03-04 | 松下知识产权经营株式会社 | 认知功能评价装置、认知功能评价方法以及程序记录介质 |
| MY197393A (en) * | 2016-10-07 | 2023-06-15 | Panasonic Ip Man Co Ltd | Cognitive function evaluation device, cognitive function evaluation system, cognitive function evaluation method, and program |
| US20180338715A1 (en) * | 2017-05-24 | 2018-11-29 | Newton Howard | Technology and methods for detecting cognitive decline |
| JP6854747B2 (ja) * | 2017-12-20 | 2021-04-07 | 株式会社日立製作所 | 計算機システム、認知機能の評価方法、及びプログラム |
-
2020
- 2020-07-09 EP EP23176520.7A patent/EP4233714A3/en active Pending
- 2020-07-09 AU AU2020310165A patent/AU2020310165B2/en active Active
- 2020-07-09 CN CN202080050359.3A patent/CN114096195A/zh active Pending
- 2020-07-09 EP EP23176516.5A patent/EP4233695A1/en active Pending
- 2020-07-09 WO PCT/US2020/041333 patent/WO2021007394A1/en unknown
- 2020-07-09 EP EP23176528.0A patent/EP4233717A3/en active Pending
- 2020-07-09 EP EP20754063.4A patent/EP3996582A1/en active Pending
- 2020-07-09 EP EP23176526.4A patent/EP4233716A3/en active Pending
- 2020-07-09 JP JP2022501048A patent/JP2022543348A/ja active Pending
- 2020-07-09 CA CA3146160A patent/CA3146160A1/en active Pending
- 2020-07-09 US US17/625,907 patent/US20220273227A1/en active Pending
- 2020-07-09 EP EP23176523.1A patent/EP4233715A3/en active Pending
-
2023
- 2023-05-22 JP JP2023083790A patent/JP2023106520A/ja active Pending
- 2023-05-22 JP JP2023083791A patent/JP2023106521A/ja active Pending
- 2023-05-22 JP JP2023083788A patent/JP2023106518A/ja active Pending
- 2023-05-22 JP JP2023083787A patent/JP2023106517A/ja not_active Withdrawn
- 2023-05-22 JP JP2023083789A patent/JP2023106519A/ja active Pending
- 2023-08-31 AU AU2023222953A patent/AU2023222953A1/en active Pending
- 2023-08-31 AU AU2023222959A patent/AU2023222959A1/en active Pending
- 2023-08-31 AU AU2023222957A patent/AU2023222957A1/en active Pending
- 2023-08-31 AU AU2023222958A patent/AU2023222958A1/en active Pending
- 2023-08-31 AU AU2023222960A patent/AU2023222960A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| AU2020310165A1 (en) | 2022-02-03 |
| AU2023222960A1 (en) | 2023-09-21 |
| EP3996582A1 (en) | 2022-05-18 |
| EP4233717A2 (en) | 2023-08-30 |
| AU2023222959A1 (en) | 2023-09-21 |
| AU2023222953A1 (en) | 2023-09-21 |
| EP4233714A3 (en) | 2023-09-27 |
| EP4233716A2 (en) | 2023-08-30 |
| CA3146160A1 (en) | 2021-01-14 |
| EP4233714A2 (en) | 2023-08-30 |
| EP4233715A3 (en) | 2023-10-11 |
| JP2023106519A (ja) | 2023-08-01 |
| AU2023222958A1 (en) | 2023-09-21 |
| JP2022543348A (ja) | 2022-10-12 |
| EP4233717A3 (en) | 2023-10-25 |
| JP2023106521A (ja) | 2023-08-01 |
| JP2023106517A (ja) | 2023-08-01 |
| US20220273227A1 (en) | 2022-09-01 |
| WO2021007394A1 (en) | 2021-01-14 |
| JP2023106518A (ja) | 2023-08-01 |
| EP4233716A3 (en) | 2023-10-18 |
| AU2023222957A1 (en) | 2023-09-21 |
| CN114096195A (zh) | 2022-02-25 |
| AU2020310165B2 (en) | 2023-10-19 |
| EP4233695A1 (en) | 2023-08-30 |
| EP4233715A2 (en) | 2023-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200234823A1 (en) | Health monitoring using social rhythms stability | |
| AU2020310165B2 (en) | Systems and methods for detecting cognitive decline with mobile devices | |
| US11844626B2 (en) | Fitness systems and methods | |
| Chen et al. | Developing measures of cognitive impairment in the real world from consumer-grade multimodal sensor streams | |
| Low et al. | Estimation of symptom severity during chemotherapy from passively sensed data: exploratory study | |
| WangJulie et al. | Wearable sensor/device (Fitbit One) and SMS text-messaging prompts to increase physical activity in overweight and obese adults: a randomized controlled trial | |
| US20200135334A1 (en) | Devices and methods for remotely managing chronic medical conditions | |
| US20190228179A1 (en) | Context-based access to health information | |
| US20230157643A1 (en) | System, Device and Method of Dynamic Glucose Profile Response to Physiological Parameters | |
| US20210015415A1 (en) | Methods and systems for monitoring user well-being | |
| US11948682B2 (en) | Methods and systems for securely communicating over networks, in real time, and utilizing biometric data | |
| Konsolakis et al. | A novel framework for the holistic monitoring and analysis of human behaviour | |
| Xiong et al. | Forecasting seizure likelihood from cycles of self-reported events and heart rate: a prospective pilot study | |
| Connelly et al. | Feasibility of using “SMARTER” methodology for monitoring precipitating conditions of pediatric migraine episodes | |
| US10079074B1 (en) | System for monitoring disease progression | |
| WO2023244660A1 (en) | Determination of patient behavioral health state based on patient heart and brain waveforms metric analysis | |
| Klaas | Monitoring outpatients in palliative care through wearable devices | |
| Doherty et al. | Utilising contextual memory retrieval cues and the ubiquity of the cell phone to review lifelogged physiological activities | |
| Longstaff | Learning Individuals' Patterns and Contextual Events with Mobile Data Streams | |
| CN115867983A (zh) | 用于检测或预测重度抑郁症再发的系统和方法 | |
| Lee | K-EmoPhone: a Mobile and Wearable Dataset with In-Situ Emotion, Stress, and attention Labels |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230526 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230526 |