JP2023118913A - 認知トレーニング及び監視のためのシステム及び方法 - Google Patents

認知トレーニング及び監視のためのシステム及び方法 Download PDF

Info

Publication number
JP2023118913A
JP2023118913A JP2023111245A JP2023111245A JP2023118913A JP 2023118913 A JP2023118913 A JP 2023118913A JP 2023111245 A JP2023111245 A JP 2023111245A JP 2023111245 A JP2023111245 A JP 2023111245A JP 2023118913 A JP2023118913 A JP 2023118913A
Authority
JP
Japan
Prior art keywords
training
processor
user feedback
user
machine learning
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
Application number
JP2023111245A
Other languages
English (en)
Inventor
ヤエル ギルツ
Gilutz Yael
シャイ グラノット
Granot Shai
アンナ イゾウトチーヴ
Izoutcheev Anna
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Acerar Ltd
Original Assignee
Acerar Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Acerar Ltd filed Critical Acerar Ltd
Publication of JP2023118913A publication Critical patent/JP2023118913A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • 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
    • A61B5/163—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state by tracking eye movement, gaze, or pupil change
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • 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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/375—Electroencephalography [EEG] using biofeedback
    • 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
    • A61B5/486—Bio-feedback
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Psychiatry (AREA)
  • Pathology (AREA)
  • Psychology (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Epidemiology (AREA)
  • Computing Systems (AREA)
  • Hospice & Palliative Care (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Developmental Disabilities (AREA)
  • Primary Health Care (AREA)
  • Child & Adolescent Psychology (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Social Psychology (AREA)
  • Neurology (AREA)
  • Physiology (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Educational Technology (AREA)
  • Fuzzy Systems (AREA)

Abstract

【課題】本発明は、認知トレーニング計画に応答してユーザフィードバックを分析するシステム及び方法に関する。【解決手段】本発明の方法は、所定のデータセットを用いて少なくとも１つの機械学習アルゴリズムをトレーニングして、トレーニング成功率を予測するステップであって、所定のデータセットが、以前に受信された、既知の特性を有するユーザのユーザフィードバックを含むステップと、新たなユーザフィードバックを受信するステップと、受信された新たなユーザフィードバックに基づいて、少なくとも１つの機械学習アルゴリズムを用いて、トレーニング成功率の予測を決定するステップと、を含む。【選択図】図２Ａ

Description

本発明は、認知（ｃｏｇｎｉｔｉｖｅ）トレーニングに関する。より具体的には、本発明は、認知トレーニング計画（ｐｒｏｇｒａｍ）に応答してユーザフィードバックを監視し分析するシステム及び方法に関する。
認知障害（ｐｒｏｂｌｅｍ）に苦しんでいる人々、又は認知スキルを向上させたい人々は、ジムでの身体トレーニングと同様に、認知健康を改善し、記憶力をトレーニングするために、認知トレーニング計画を使用することがある。例えば、人々は、記憶カードを使用したり、クロスワードパズルを解いたり、コンピュータ画面の前に座ったりして認知能力（記憶、計算、語彙など）を向上させるように設計された様々なタスク（課題）を実行することができる。
自己管理型認知トレーニング計画（例えば、専門家の監督なしで）の主な問題は、トレーニング計画へのユーザの持続性及び／又は関与である。例えば、反復的な計画では、ユーザが計画への興味を徐々に失い、それに応じてトレーニング結果が減少する等により、毎週の使用量（ｗｅｅｋｌｙ ｕｓｅ）は、時間の経過と共に減少することがある。トレーニングを効果的に行うために、人々は、長期間トレーニングを続ける必要がある。多くの人々は、通常、認知能力を向上させるために高い意欲でトレーニングを開始するが、平均的なユーザは、トレーニングを完了せず、時間の経過とともにトレーニングセッションを停止するか又はトレーニングセッションの量を大幅に減らす可能性がある。通常、これは、トレーニングが単調なこと、これらのゲームが日常のニーズにどのように関連しているかを理解するのが難しいこと、及び／又は興味の喪失という原因で発生する可能性がある。したがって、現在のトレーニング計画は、自己管理された場合、優れた認知効果をもたらさない。
本発明のいくつかの実施形態において、認知トレーニング計画に応答してユーザフィードバックを分析する方法は、プロセッサによって、所定のデータセットを用いて少なくとも１つの機械学習アルゴリズムをトレーニングして、トレーニング成功率を予測するステップであって、所定のデータセットが、以前に受信された、既知の特性を有するユーザのユーザフィードバックを含む、ステップと、プロセッサによって、新たなユーザフィードバックを受信するステップと、プロセッサによって、受信された新たなユーザフィードバックに基づいて、少なくとも１つの機械学習アルゴリズムを用いて、トレーニング成功率の予測を決定するステップと、を含む。いくつかの実施形態において、少なくとも１つの機械学習アルゴリズムは、強化学習でトレーニングされてもよい。
いくつかの実施形態において、ユーザフィードバックから行動パターンを決定してもよい。いくつかの実施形態において、少なくとも１つの機械学習アルゴリズムは、長短期メモリユニットを備えた回帰型（ｒｅｃｕｒｒｅｎｔ）ニューラルネットワーク上に実装されてもよい。いくつかの実施形態において、トレーニングチャーン（ｃｈｕｒｎ）レート（解約率、不成功率）を予測してもよい。いくつかの実施形態において、タイミング、トレーニングセッションの長さ、トレーニングセッションの成功率、注意力安定性、フリーズ期間、場所、トレーニングプラットフォーム、及びトレーニングセッションの休憩（ｂｒｅａｋ）回数のうちの少なくとも１つについての、受信されたフィードバックを監視してもよい。
いくつかの実施形態において、ユーザフィードバックを分類して所定のプロファイルのリストからユーザプロファイルを決定してよく、決定されたトレーニング成功率の予測が、決定されたユーザプロファイルに基づいてもよい。いくつかの実施形態において、ユーザプロファイルは、性別、年齢、教育、場所（ｌｏｃａｔｉｏｎ）、言語、職業、現在の職業状態、医学的状態及び結婚状況からなる群から選択される少なくとも１つのユーザ特性に基づいて決定されてもよい。いくつかの実施形態において、ユーザプロファイルは、受信されたフィードバックのクラスタリング及び少なくとも１つのユーザ特性に基づいて決定されてもよい。
いくつかの実施形態において、少なくとも１つの脳波（ＥＥＧ）センサを用いてユーザを監視してよく、認知トレーニング計画が、測定されたＥＥＧ信号に基づいて変更されてもよい。いくつかの実施形態において、少なくとも１つのイメージャを用いてユーザの眼球運動を監視して、ユーザの注意力を決定してもよい。いくつかの実施形態において、ユーザフィードバックから行動パターンを決定してよく、決定された行動パターンが所定の閾値を超えたときに、警報（ａｌｅｒｔ）を発してもよい。
本発明のいくつかの実施形態において、認知トレーニング計画に応答してユーザフィードバックを認知分析するシステムは、以前に受信された、既知の特性を有するユーザのユーザフィードバックのデータセットを含むデータベースと、データベースに接続（結合）（ｃｏｕｐｌｅｄ ｔｏ）されたプロセッサと、を含み、該プロセッサは、データセットを用いて少なくとも１つの機械学習アルゴリズムをトレーニングして、トレーニング成功率を予測するステップと、新たなユーザフィードバックを受信するステップと、受信された新たなユーザフィードバックに基づいて、少なくとも１つの機械学習アルゴリズムを用いて、トレーニング成功率の予測を決定するステップと、を実行するように構成される。いくつかの実施形態において、少なくとも１つの機械学習アルゴリズムは、強化学習でトレーニングされてもよい。
いくつかの実施形態において、プロセッサは、ユーザフィードバックから行動パターンを決定してもよい。いくつかの実施形態において、プロセッサは、ユーザフィードバックを分類して所定のプロファイルのリストからユーザプロファイルを決定してよく、少なくとも１つの機械学習アルゴリズムを用いたトレーニング成功率の予測は、決定されたユーザプロファイルに基づいてもよい。いくつかの実施形態において、プロセッサは、少なくとも１つの機械学習アルゴリズムを用いてトレーニングチャーンレートを予測してもよい。いくつかの実施形態において、プロセッサは、タイミング、トレーニングセッションの長さ、トレーニングセッションの成功率、注意力安定性、フリーズ期間、及びトレーニングセッションの休憩回数のうちの少なくとも１つについての、受信されたフィードバックを監視してもよい。
いくつかの実施形態において、少なくとも１つの機械学習アルゴリズムは、長短期メモリユニットを備えた回帰型ニューラルネットワーク上に実装されてもよい。いくつかの実施形態において、ユーザプロファイルは、性別、年齢、教育、場所、言語、職業、現在の職業状態及び結婚状況からなる群から選択される少なくとも１つのユーザ特性に基づいて決定されてもよい。いくつかの実施形態において、ユーザプロファイルは、受信されたフィードバックのクラスタリングに基づいて決定されてもよい。いくつかの実施形態において、少なくとも１つの脳波（ＥＥＧ）センサは、プロセッサに接続されてもよく、該プロセッサは、少なくとも１つのＥＥＧセンサを用いてユーザを監視してよく、ユーザプロファイルは、測定されたＥＥＧ信号に基づいて決定されてもよい。
いくつかの実施形態において、少なくとも１つのイメージャは、プロセッサに接続されてよく、該プロセッサは、少なくとも１つのイメージャを用いてユーザの眼球運動を監視してもよい。いくつかの実施形態において、プロセッサは、ユーザフィードバックから行動パターンを決定し、決定された行動パターンが所定の閾値を超えたときに、警報（ａｌｅｒｔ）を発してもよい。
本発明のいくつかの実施形態において、認知トレーニングの方法は、プロセッサによって、認知トレーニング計画に応答して、受信されたユーザフィードバックから行動パターンを決定するステップと、認知トレーニングを改善するために、プロセッサによって、決定された行動パターンに基づいて、少なくとも１つの機械学習アルゴリズムを用いて認知トレーニング計画を修正するステップと、を含む。いくつかの実施形態において、少なくとも１つの機械学習アルゴリズムは、以前に受信された、既知の特性を有するユーザのユーザフィードバックを用いてトレーニングされてもよい。
本発明のいくつかの実施形態において、認知トレーニング計画に応答してユーザフィードバックを分析する方法は、プロセッサによって、所定のデータセットを用いて少なくとも１つの機械学習アルゴリズムをトレーニングして、トレーニング成功率を予測するステップであって、所定のデータセットが、以前に受信された、既知の特性を有するユーザのユーザフィードバックを含む、ステップと、少なくとも１つの機械学習アルゴリズムを用いたトレーニング成功率の予測に従って、プロセッサによって、トレーニング変数を更新するステップと、を含む。いくつかの実施形態において、新たなユーザフィードバックを受信してよく、受信された新たなユーザフィードバックに基づいて、トレーニング変数を再更新してもよい。
本発明のいくつかの実施形態において、認知トレーニング計画に応答してユーザフィードバックを分析する方法は、プロセッサによって、所定のデータセットを用いて少なくとも１つの機械学習アルゴリズムをトレーニングして、トレーニングチャーンレートを予測するステップであって、所定のデータセットが、以前に受信された、既知の特性を有するユーザのユーザフィードバックを含む、ステップと、プロセッサによって、新たなユーザフィードバックを受信するステップと、プロセッサによって、受信された新たなユーザフィードバックに基づいて、少なくとも１つの機械学習アルゴリズムを用いて、トレーニングチャーンレートの予測を決定するステップと、を含む。
本発明のいくつかの実施形態において、認知トレーニング計画に応答してユーザフィードバックを分析する方法は、プロセッサによって、所定のデータセットを用いて少なくとも１つの機械学習アルゴリズムをトレーニングして、認知低下を予測する（ｐｒｅｄｉｃｔ ｃｏｇｎｉｔｉｖｅ ｄｅｃｌｉｎｅ）ステップであって、所定のデータセットが、以前に受信された、既知の特性を有するユーザのユーザフィードバックを含む、ステップと、プロセッサによって、新たなユーザフィードバックを受信するステップと、プロセッサによって、受信された新たなユーザフィードバックに基づいて、少なくとも１つの機械学習アルゴリズムを用いて、認知低下の予測を決定するステップと、を含む。
本発明の主題は、明細書の結論部分において特に指摘され、かつ明らかに特許請求される。しかしながら、本発明の組み合わせ及び動作方法、並びにその目的、特徴及び利点について、図面を参照しながら、以下の詳細な説明に関連して理解され得る。
本発明のいくつかの実施形態に係る例示的なコンピューティングデバイスのブロック図を示す。 本発明のいくつかの実施形態に係る認知トレーニング計画に応答してユーザフィードバックを認知分析するシステムのブロック図を示す。 本発明のいくつかの実施形態に係る認知トレーニング計画に応答してユーザフィードバックを認知分析するシステムのブロック図を示す。 本発明のいくつかの実施形態に係る認知トレーニング計画に応答してユーザフィードバックを認知分析するシステムのブロック図を示す。 本発明のいくつかの実施形態に係る認知トレーニング計画に応答してユーザフィードバックを認知分析するシステムのブロック図を示す。 本発明のいくつかの実施形態に係る認知トレーニング計画に応答してユーザフィードバックを認知分析するシステムのブロック図を示す。 本発明のいくつかの実施形態に係る認知データ収集のためのシステムのブロック図を示す。 本発明のいくつかの実施形態に係る、認知トレーニング計画に応答してユーザフィードバックを認知分析する方法のフローチャートを示す。 本発明のいくつかの実施形態に係る、認知トレーニング計画に応答してユーザフィードバックを認知分析する方法のフローチャートを示す。 本発明のいくつかの実施形態に係る認知トレーニング計画に応答してユーザフィードバックを分析してトレーニングチャーンレートを決定する方法のフローチャートを示す。 本発明のいくつかの実施形態に係る認知トレーニング計画に応答してユーザフィードバックを分析して認知低下を決定する方法のフローチャートを示す。
図面を簡略かつ明確にするために、図面中の要素は必ずしも寸法通りに描かれていないことを理解されたい。例えば、明確にするために、一部の要素の寸法が他の要素に対して誇張される可能性がある。更に、適切と考えられる場合には、対応する要素又は類似の要素を示すために参照符号が図面間で繰り返し用いられていることがある。
以下の詳細な説明では、本発明の完全な理解を提供するために、多数の特定の詳細が示されている。しかしながら、当業者であれば、本発明がこれらの特定の詳細なしで実施され得ることを理解されたい。その他、本発明を不明瞭にしないように、公知の方法、手順、コンポーネント（構成要素）、モジュール、ユニット及び／又は回路については、詳細な説明を省略した。ある実施形態に関して説明されるいくつかの特徴又は要素を、他の実施形態に関して説明された特徴又は要素と組み合わせてもよい。説明を明確化にするために、同一又は類似の特徴又は要素の説明は、繰り返さないことがある。
本発明の実施形態がこれらに限定されないが、例えば、「処理」、「計算」、「算出」、「決定」、「確立」、「分析」、「チェック」（“ｐｒｏｃｅｓｓｉｎｇ”， “ｃｏｍｐｕｔｉｎｇ”， “ｃａｌｃｕｌａｔｉｎｇ”， “ｄｅｔｅｒｍｉｎｉｎｇ”， “ｅｓｔａｂｌｉｓｈｉｎｇ”， “ａｎａｌｙｚｉｎｇ”， “ｃｈｅｃｋｉｎｇ”）などの用語を利用して議論したものは、コンピュータ、計算プラットフォーム、計算システム又は他の電子コンピューティングデバイスの動作及び／又は処理を指して（参照して）（ｒｅｆｅｒ ｔｏ）もよい。これは、コンピュータのレジスタ及び／又はメモリ内の物理（例えば、電子）量として表されるデータを、コンピュータのレジスタ及び／又はメモリに或いは動作及び／又は処理を実行する命令を記憶してもよい他の非一時的な情報記憶媒体内に物理量として同様に表される他のデータに、操作及び／又は変換する。本発明の実施形態はこれらに限定されないが、本明細書において用いられる「複数」及び「複数の」という用語は、例えば、「多数」又は「２つ以上」を含んでもよい。本明細書において「複数」又は「複数の」という用語は、２つ以上のコンポーネント、装置、要素、ユニット、パラメータなどを記載するために用いられてもよい。本明細書において用いられる用語セットは、１つ以上の項目を含んでもよい。特に記載がない限り、本明細書に記載された方法の実施形態は、特定の順序又は順番に拘束されない。追加的に、記載されるいくつかの方法の実施形態又はその要素は、同時に、同じ時点で、又は並行して行われてもよい。
本発明のいくつかの実施形態に係る例示的なコンピューティングデバイスの概略ブロック図である図１を参照する。コンピューティングデバイス１００は、コントローラ又はプロセッサ１０５（例えば、中央処理装置プロセッサ（ＣＰＵ）、チップ又は任意の適切な計算又はコンピュテーショナル（ｃｏｍｐｕｔｉｎｇ ｏｒ ｃｏｍｐｕｔａｔｉｏｎａｌ）装置）、オペレーティングシステム１１５、メモリ１２０、実行可能コード１２５、ストレージ１３０、入力デバイス１３５（例えば、キーボード又はタッチスクリーン）、出力デバイス１４０（例えば、ディスプレイ）、及び、例えばインターネットなどの通信ネットワークを介して遠隔装置（リモートデバイス）と通信する通信ユニット１４５（例えば、セルラー送信機又はモデム、Ｗｉ－Ｆｉ通信ユニットなど）を含んでもよい。コントローラ１０５は、プログラムコードを実行して、本明細書で説明される動作を実行するように構成されてもよい。本明細書で説明されるシステムは、例えば、図２Ａに示される様々な装置及び／又はコンポーネントとして機能するために、１つ以上のコンピューティングデバイス１００を含んでもよい。例えば、システム２００は、コンピューティングデバイス１００又はそのコンポーネントであってもよいか、又はそれを含んでもよい。
オペレーティングシステム１１５は、コンピューティングデバイス１００の動作を調整し、スケジューリングし、調停し、監視し、制御するか、又は管理することを含むタスクを実行するように設計及び／又は構成された任意のコードセグメント（例えば、本明細書で説明される実行可能コード１２５に類似するもの）であってもよいか、又はそれを含んでもよい。その例は、ソフトウェアプログラムの実行をスケジューリングするか、又はソフトウェアプログラム若しくは他のモジュール若しくはユニットが通信できるようにすることである。
メモリ１２０は、例えば、ランダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、ダイナミックＲＡＭ（ＤＲＡＭ）、同期ＤＲＡＭ（ＳＤ－ＲＡＭ）、ダブルデータレート（ＤＤＲ）メモリチップ、フラッシュメモリ、揮発性メモリ、不揮発性メモリ、キャッシュメモリ、バッファ、短期メモリユニット、長期メモリユニット、又は他の適切なメモリユニット又はストレージユニットであってよいか、又はそれらを含んでよい。メモリ１２０は、複数の、おそらく異なるメモリユニットであってよいか、又はそれらを含んでよい。メモリ１２０は、コンピュータ若しくはプロセッサの非一時的可読媒体、又はコンピュータの非一時的な記憶媒体、例えば、ＲＡＭであってよい。
実行可能コード１２５は、任意の実行可能コード、例えば、アプリケーション、プログラム、プロセス、タスク、又はスクリプトであってよい。実行可能コード１２５は、おそらくオペレーティングシステム１１５の制御下でコントローラ１０５によって実行されてよい。例えば、実行可能コード１２５は、本明細書で更に説明されるような方法を実行するソフトウェアアプリケーションであってもよい。明確にするために、実行可能コード１２５の単一のアイテムが図１に示されるが、本発明の実施形態に係るシステムは、メモリ１２０に記憶され、かつコントローラ１０５に本明細書に記載の方法を実行させることができる実行可能コード１２５と同様の複数の実行可能コードセグメントを含んでよい。
ストレージ１３０は、例えば、ハードディスクドライブ、ユニバーサルシリアルバス（ＵＳＢ）デバイス、又は他の適切な取り外し可能及び／又は固定ストレージユニットであってよいか、又はそれらを含んでよい。いくつかの実施形態において、図１に示されるいくつかのコンポーネントを省略してよい。例えば、メモリ１２０は、ストレージ１３０の記憶容量を有する不揮発性メモリであってよい。したがって、ストレージ１３０は、別個のコンポーネントとして示されているが、メモリ１２０に埋め込まれるか、又は含まれてよい。
入力デバイス１３５は、キーボード、タッチスクリーン若しくはパッド、１つ以上のセンサ、又は他の若しくは追加の適切な入力デバイスであってよいか、又はそれらを含んでよい。任意の適切な数の入力デバイス１３５をコンピューティングデバイス１００に動作可能に接続してよい。出力デバイス１４０は、１つ以上のディスプレイ若しくはモニタ、及び／又は他の任意の適切な出力デバイスを含んでよい。任意の適切な数の出力デバイス１４０をコンピューティングデバイス１００に動作可能に接続してもよい。ブロック１３５及び１４０によって示されるように、任意の適用可能な入力／出力（Ｉ／Ｏ）装置をコンピューティングデバイス１００に接続してもよい。例えば、有線又は無線ネットワークインタフェースカード（ＮＩＣ）、ユニバーサルシリアルバス（ＵＳＢ）デバイス、又は外付けハードドライブは、入力デバイス１３５及び／又は出力デバイス１４０に含まれてよい。
本発明の実施形態は、プロセッサ又はコントローラによって実行されると、本明細書に開示される方法を実行する命令、例えば、コンピュータ実行可能命令を符号化し、含むか又は記憶するメモリ、ディスクドライブ、又はＵＳＢフラッシュメモリのようなコンピュータ若しくはプロセッサの非一時的可読媒体、又はコンピュータ若しくはプロセッサの非一時的な記憶媒体などの物品を含んでよい。例えば、物品は、メモリ１２０などの記憶媒体、実行可能コード１２５などのコンピュータ実行可能命令、及びコントローラ１０５などのコントローラを含んでよい。そのような非一時的なコンピュータ可読媒体は、例えば、プロセッサ又はコントローラによって実行されると、本明細書に開示される方法を実行する命令、例えば、コンピュータ実行可能命令を符号化し、含むか又は記憶するメモリ、ディスクドライブ、又はＵＳＢフラッシュメモリであってよい。記憶媒体は、読み取り専用メモリ（ＲＯＭ）及び／又はランダムアクセスメモリ（ＲＡＭ）、フラッシュメモリ、電気的消去可能プログラマブル読み取り専用メモリ（ＥＥＰＲＯＭ）などの半導体デバイスを含む任意のタイプのディスク、又はプログラマブル記憶装置を含む、電子命令の記憶に適した任意のタイプのメディアを含んでよいが、これらに限定されない。例えば、いくつかの実施形態において、メモリ１２０は、非一時的な機械可読媒体である。
本発明の実施形態に係るシステムは、複数の中央処理装置（ＣＰＵ）又は任意の他の適切な多目的若しくは専用プロセッサ又はコントローラ（例えば、コントローラ１０５と同様のコントローラ）、複数の入力ユニット、複数の出力ユニット、複数のメモリユニット、及び複数のストレージユニットなどのコンポーネントを含んでよいが、これらに限定されない。システムは、他の適切なハードウェアコンポーネント及び／又はソフトウェアコンポーネントを更に含んでもよい。いくつかの実施形態において、システムは、例えば、パーソナルコンピュータ、デスクトップコンピュータ、ラップトップコンピュータ、ワークステーション、サーバコンピュータ、ネットワークデバイス、又は任意の他の適切なコンピューティングデバイスであってもよいか、又はそれを含んでもよい。
いくつかの実施形態によれば、システム及び方法は、成人ユーザの認知健康、特に記憶機能をサポートするように構成された、個人化されコンピュータ化された認知トレーニング計画のために提供される。
いくつかの実施形態に係る認知トレーニング計画２１０に応答してユーザフィードバックを認知分析するシステム２００のブロック図を示す図２Ａを参照する。図２Ａでは、矢印の方向は、情報の流れの方向を示し、破線要素は、ソフトウェア及び／又はアルゴリズムを示す。
システム２００は、少なくとも１つのプロセッサ２０１（図１に示されるコントローラ１０５など）、例えば、認知トレーニング計画２１０を実施できるモバイル機器及び／又はＰＣ内のプロセッサを含んでもよい。プロセッサ２０１は、以前に受信された、既知の特性を有するユーザのユーザフィードバック２０３のデータセットを含むデータベース２０２（例えば、図１に示されるストレージシステム１３０）に接続されてよい。例えば、年齢、性別、医学的及び／又は精神的状態などの既知の特性を有するユーザは、（例えば、本明細書で詳細に説明されるような初期較正段階で）認知トレーニング計画２１０にフィードバック２０３を提供してもよい。
トレーニング中、プロセッサ２０１は、ユーザの将来のトレーニングのために認知トレーニング計画２１０を改善するために、１日のトレーニング時間、トレーニングセッションの長さ、ユーザによって使用されるプラットフォーム（例えば、ＰＣ、タブレット、スマートフォン）、及び／又はトレーニング場所（例えば、自宅又は公共の場所）のうちの１つ以上に関連する情報を収集してもよい。いくつかの実施形態において、プロセッサ２０１は、ユーザフィードバック２０３から、ユーザへ表示される様々なシナリオでのユーザ応答時間（例えば、ゲームにおいて）及び／又は回答のタイプ（例えば、正解／誤答／ミス回答）、及び／又はディスプレイ上のターゲット位置、及び／又は入力のタイプ（例えば、キーボード又はタッチスクリーンを使用）、及び／又はユーザが取る休憩回数などの情報を収集してもよい。回答のタイプに関連する情報を収集することに加えて、プロセッサ２０１は、成功率、注意力安定性、注意力不足、空間的注意力、最長連続成功（ｓｔｒｅａｋ）（例えば、ゲームにおける連続した正解の数）、学習曲線、睡眠の質、及び／又は気分（例えば、トレーニングセッションの質問に基づいて、又はスマートウォッチ又は他のセンサなどの専用装置から直接決定されるもの）のうちの少なくとも１つに関連する情報を収集してもよい。いくつかの実施形態において、プロセッサ２０１によって収集された情報は、ユーザフィードバック２０３としてデータベース２０２に記憶されてよい。
いくつかの実施形態において、認知トレーニング計画２１０は、低い成功率、及び／又は高い応答時間の標準偏差（例えば、ある所定の閾値を超えるもの）、及び／又は特定のタイプのミス（例えば、場所ｖｓ正しい確認（識別）（ｉｄｅｎｔｉｆｉｃａｔｉｏｎ））などで確認される認知機能（例えば、ゲーム、演習（ｅｘｅｒｃｉｓｅ）など）に基づいて修正されてよい。トレーニングされた認知機能は、視覚、特徴及び対象接続（ｏｂｊｅｃｔ ｂｉｎｄｉｎｇ）、情報の整理、意味ネットワーク、注意力（記憶プロセスにとって重要である）などの記憶力要素を含んでよい。
ユーザの注意力は、注意力集中、注意力の向き、選択的注意力、視空間的注意力、持続的注意力、実行注意力及び／又は注意力制御（例えば、注意力分散及び抑制を含む）などに対してトレーニングされてよい。いくつかの実施形態において、プロセッサ２０１は、ユーザフィードバック２０３を監視して、全体的な応答時間、注意力欠如の確認（例えば、応答時間の偏差）及び注意力安定性（例えば、応答時間の全体的な標準偏差の大きさ）に基づいて、トレーニング注意力を決定してもよい。
プロセッサ２０１は、少なくとも１つの機械学習アルゴリズム２０４（例えば、ディープニューラルネットワークを使用する深層学習を用いて）を実行して、ユーザフィードバック２０３のデータセットを用いてトレーニングし、ユーザのトレーニング成功率２０５を予測してもよい。少なくとも１つの機械学習アルゴリズム２０４は、所定のルールで実行しながら、以前に収集されたデータを用いてユーザに対してトレーニングされてよい。いくつかの実施形態において、少なくとも１つの機械学習アルゴリズム２０４は、機械学習を用いて（例えば、ニューラルネットワークを用いて）コンピュータネットワークの教師あり学習でトレーニングされてもよい。教師あり学習は、タグ付きデータセット（例えば、システムを用いた人間ユーザのトレーニングの例）を用いたトレーニングを含むか、又はサンプルにタグを付けてネットワークを教える人間オペレータの監督でのトレーニングを含んでよい。いくつかの実施形態において、所定の量の新たなデータが収集されると、少なくとも１つの機械学習アルゴリズム２０４は、アルゴリズムの再トレーニングのために所定の期間（例えば、半自動的に）アクティブ化されてもよい。いくつかの実施形態において、少なくとも１つの機械学習アルゴリズム２０４は、例えば、長短期メモリ（ＬＳＴＭ）ユニットを用いて、回帰型ニューラルネットワーク（ＲＮＮ）上に実装されてよい。ＲＮＮは、ノード間の接続が時間シーケンスに沿って有向グラフを形成する人工ニューラルネットワークのクラスである。フィードフォワードニューラルネットワークとは異なり、ＬＳＴＭアーキテクチャを備えたＲＮＮには、内部状態（メモリ）を使用して入力シーケンスを処理するためのフィードバック接続がある場合がある。
いくつかの実施形態において、プロセッサ２０１は、（例えば、教師あり学習を用いて）トレーニング成功率２０５を予測してもよく、ここで、同様のユーザは、例えば、類似コンテンツ（例えば、性別、場所、年齢、教育など）及び／又は類似行動（例えば、トレーニング履歴の成功に対するもの）に基づいて長期ユーザの継続的に更新されるデータセットから確認されてよい。したがって、いくつかの実施形態において、特定のユーザのトレーニング成功率２０５は、特定のトレーニングセッションに対する類似ユーザの成功に基づいて、プロセッサ２０１によって計算及び／又は予測されてよい。
いくつかの実施形態において、認知トレーニング計画２１０は、少なくとも１つの機械学習アルゴリズム２０４から（例えば、直接及び／又はプロセッサ２０１を介して）入力を受信してよく、入力は、例えば、所望のトレーニング成功率２０５を受信するために使用する演習及び／又はレベル及び／又は変数を含む。いくつかの実施形態において、プロセッサ２０１は、少なくとも１つの機械学習アルゴリズム２０４を絶えず改善し、かつトレーニング結果を予測されたトレーニング成功率２０５と比較するために、トレーニング中及び／又はトレーニング後に、提供された命令に従ってトレーニングの進行状況に関する情報とともにユーザフィードバック２０３を継続的に受信してもよい。
いくつかの実施形態において、プロセッサ２０１は、少なくとも１つの機械学習アルゴリズム２０４を用いて（例えば、結果を達成するためにアルゴリズムを実行して）、推奨事項を生成してトレーニング成功率２０５を増加（又は減少）してもよい。トレーニング中、プロセッサ２０１は、計算されたトレーニング成功率２０５に従って認知トレーニング計画２１０を修正してもよく、例えば、計算されたトレーニング成功率２０５が所定の閾値を下回る場合、認知トレーニング計画２１０は、ユーザにとってより容易になるように修正されてよい。いくつかの実施形態において、プロセッサ２０１は、トレーニング時間（例えば、時刻又は曜日）、睡眠の質（例えば、最大集中力のために最適化された睡眠時間）、及び／又はこれらの変数に関してトレーニングセッションに違いがあるかどうかなど、どの変数が認知能力に影響を与えるかを反映するためにユーザへ表示される統計（例えば、グラフ）を生成してもよい。いくつかの実施形態において、少なくともいくつかの特徴は、プロセッサ２０１によって決定されてよい（例えば、成功率又はトレーニングチャーンレートは、異なる機械学習アルゴリズムによって実行される）。
いくつかの実施形態に係る認知トレーニング計画２１０に応答して行動パターン２０６を決定する別のシステム２３０及び２４０のブロック図を示す図２Ｂ及び２Ｃを参照する。図２Ｂ及び２Ｃのいくつかの要素は、図２Ａに示される要素、例えば、プロセッサ２０１と同じであるか又は類似してよい。
いくつかの実施形態によれば、プロセッサ２０１は、例えば、機械学習アルゴリズム２０４を用いて、ユーザフィードバック２０３からユーザの行動パターン２０６（例えば、認知及び／又は運動能力を反映し得る反応時間及び／又は正解などの行動及び／又はフィードバックのパターン）を決定してもよい。いくつかの実施形態において、行動パターン２０６は、認知行動パターンであってよい。
プロセッサ２０１は、決定されたユーザの行動パターン２０６及び／又はユーザ特性に基づいて、少なくとも１つの機械学習アルゴリズム２０４を用いてトレーニング成功率２０５の予測を決定してもよい。いくつかの実施形態において、プロセッサ２０１は、決定されたユーザの行動パターン２０６が所定の閾値を超えたときに、警報を発してもよい。例えば、機械学習アルゴリズム２０４は、例えば、トレーニング成功率が４０％減少することを決定（判定）するなど、ユーザの行動パターン２０６が所定の閾値を満たすか又は超えるかを決定するために、（例えば、ユーザフィードバック２０３からの）トレーニング中のユーザの行動を、（例えば、ユーザプロファイル２０７からの）初期状態と比較してよい。いくつかの実施形態において、警報手順で収集された情報は、ユーザの行動パターン２０６アルゴリズムにフィードバックされてよい。例えば、スライディングウィンドウ技術は、教師あり学習（ＲＮＮなど）又は以前のウィンドウ間の違いを見つけることによる教師なし学習と共に使用されてよい。どちらの場合も、サブシーケンス間の距離関数を定義して、いくつかの異常検出方法への入力として前のウィンドウからの距離を計算するために使用してよい。
例えば、機械学習アルゴリズム２０４は、各ユーザに対する所定のトレーニング成功率２０５（例えば、８０％）を達成するように構成されてよい。トレーニング成功率２０５は、例えば、ユーザがかなりの期間にわたってトレーニングし続けるようにするトレーニングセッション中（例えば、成功率の低下がトレーニングの持続性の低下も示す場合）に測定され、及び／又はトレーニング成功率２０５は、（ゲーム内などで）新たなトレーニングレベルを完了することに成功して測定されてもよい。例えば、トレーニング時間の短縮のために成功率２０５の低下が確認された場合、機械学習アルゴリズム２０４は、より低いトレーニング成功率２０５を達成することにより、ユーザのトレーニングを維持するように構成されてよい。
いくつかの実施形態において、トレーニング成功率２０５を更に高めるために、及び／又はユーザの行動が大幅に変化した場合に、ユーザと直接対話するための一連のアクションは、特定のユーザの行動パターン２０６に基づいて定義されてよい。ユーザフィードバックデータ２０３は、異なるアクションがユーザのパフォーマンスに与える影響についての強化及び／又は教師あり学習によって収集されてよい。収集されたユーザフィードバックデータ２０３に基づいて、所定のルール及び／又は機械学習アルゴリズムは、それに応じて、トレーニング及び／又は提示されるパラメータを実施してよい。そのような各アクション（例えば、ユーザとの電話の開始、教育材料の提供など）について、どのアクションがトレーニング成功率２０５を改善するかを知るために、トレーニング成功率２０５への影響を測定してよい。いくつかの実施形態において、アクションへの応答がシステム２００及び／又はシステム２３０及び／又はシステム２４０によって学習されると、少なくとも１つの機械学習アルゴリズム２０４は、各ユーザに対して、どのアクションが必要とされ得るか、それに応じてトレーニング中のどの時間にこれらのアクションを適用するかを予測してもよい。
いくつかの実施形態において、プロセッサ２０１は、ユーザフィードバック２０３を分類して（及び／又はプロセッサ２０１は、アルゴリズムに分類を実行するように指示してよい）、例えば、所定のプロファイル（例えば、データベース２０２に記憶される）のリストから、年齢、性別などを含む少なくとも１つのユーザプロファイル２０７を決定してもよく、例えば、少なくとも１つのプロファイルは、少なくとも１つの機械学習アルゴリズム２０４によって決定されてよい。いくつかの実施形態において、決定された少なくとも１つのユーザプロファイルは、図２Ａ～２Ｅに示されるシステム２００、２３０、２４０、２６０及び２７０のうちの少なくとも１つによって使用されてよい。いくつかの実施形態において、ユーザの行動パターン２０６の決定された予測は、決定された少なくとも１つのユーザプロファイル２０７に基づいてもよい。いくつかの実施形態において、少なくとも１つのユーザプロファイル２０７は、更に、又はその代わりに、性別、年齢、教育、場所、言語、職業、現在の職業状態、医学的状態及び／又は結婚状況などの少なくとも１つのユーザ特性に基づいて、決定されてよい。少なくとも１つのユーザプロファイル２０７は、更に、又はその代わりに、受信されたフィードバックのクラスタリングに基づいて決定されてもよい。
いくつかの実施形態に係る認知トレーニング計画２１０に応答してトレーニングチャーンレート２６４を決定する別のシステム２６０のブロック図を示す図２Ｄを参照する。図２Ｄのいくつかの要素は、図２Ａに示される要素、例えば、プロセッサ２０１と同じであるか又は類似してもよい。
いくつかの実施形態によれば、プロセッサ２０１は、機械学習アルゴリズム２０４を用いてトレーニングチャーンレート２６４を予測してもよい。ユーザのトレーニングチャーンレートは、様々なレベルの継続的な関与（ｏｎｇｏｉｎｇ ｅｎｇａｇｅｍｅｎｔ）（例えば、トレーニング期間及び／又はトレーニングの時刻に基づいて）で定義されてよい。
いくつかの実施形態において、（例えば、ユーザがアカウントを閉じたか、又はトレーニングを停止した場合）継続的な使用及び／又はユーザ関与のデータを収集することにより、機械学習アルゴリズム２０４を用いてユーザのトレーニング習慣及び／又は所望のトレーニングチャーンレート２６４を予測してよい。いくつかの実施形態において、所望のトレーニングチャーンレート２６４を予測するために、機械学習アルゴリズム２０４は、例えば、更に、ユーザプロファイル２０７に基づいて、ユーザの収集された新たなトレーニングデータと比較する、関与の低下及び／又はトレーニングの停止として以前に確認された他のユーザのデータを入力として受信してもよい。
いくつかの実施形態によれば、プロセッサ２０１は、例えば、教師なし学習を用いて、ユーザの行動の変化及び／又は異常を検出してもよい。プロセッサ２０１は、ユーザのパフォーマンスを監視し、各プロファイルごとに期待される（ｅｘｐｅｃｔｅｄ）行動で、ユーザごとにプロファイルを定義してもよい。いくつかの実施形態において、新たなトレーニングセッションで検出された期待される行動からの普通ではない（ｎｏｎ－ｔｒｉｖｉａｌ）又は重要な偏差（例えば、トレーニングの前に事前に定義されたもの）は、例えば、ユーザとの接触を開始するために、フラグを立てて警報を発してもよい（例えば、異常の原因を理解するために、又は、医学的な問題又は悲しみなどの大きな変化がある場合など、ユーザに電話をかける）。
いくつかの実施形態において、認知能力に変化があるかどうかを確認するための客観的な測定又は評価として、ユーザの行動の測定を、所定の間隔で、例えば月に１回実行してもよい。
いくつかの実施形態において、行動の変化を決定するために、例えば、トレーニングチャーンレート２６４を決定するために、機械学習アルゴリズム２０４は、ユーザの行動パターン２０６（図２Ｃに示される）のデータを入力として受信してもよい。
いくつかの実施形態に係る認知トレーニング計画２１０に応答して認知低下２７４を決定する別のシステム２７０のブロック図を示す図２Ｅを参照する。図２Ｅのいくつかの要素は、図２Ａに示される要素、例えば、プロセッサ２０１と同じであるか又は類似してもよい。
いくつかの実施形態において、プロセッサ２０１は、機械学習アルゴリズム２０４を用いて、軽度認知障害（ＭＣＩ）に関連する認知低下２７４を予測及び／又は検出してもよい。ＭＣＩは、記憶力及び思考力（判断力、適切な意思決定など）を含む認知能力の顕著で測定可能な低下を引き起こす可能性がある。ＭＣＩのある人は、アルツハイマー病又は別のタイプの認知症を発症するリスクが高くなる。
いくつかの実施形態において、ＭＣＩの異なる段階にあるユーザが、例えば、外部の医療機関の診断によって最初にタグ付けされる場合、例えば、ＭＣＩのある段階でタグ付けされていないユーザの類似パターンを後に確認するために、少なくとも１つの機械学習アルゴリズム２０４は、そのようなユーザの行動パターンを学習してもよい。したがって、ＭＣＩの予測は、システム２００及び／又はシステム２７０によって利用可能であってよい。いくつかの実施形態において、マルチラベル時系列は、注意メカニズム又はＬＳＴＭなどのマイノリティクラス予測アルゴリズム（新たなユーザに対して）と共に使用されてよい。オーバーサンプリング又は敵対的生成ネットワーク（Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋｓ）（ＧＡＮｓ）メカニズムを使用して、例のセットを強化してもよい。いくつかの実施形態において、教師なし検出を、局所外れ値因子法（ＬＯＦ）、カーネル密度推定（ＫＤＥ）、Ｋ－Ｍｅａｎｓなどのクラスターベースのアルゴリズムと共に使用して、ユーザのＭＣＩレベルを確認してよい。
いくつかの実施形態において、例えば、所望の認知低下２７４を予測するために、機械学習アルゴリズム２０４は、例えば、ユーザプロファイル２０７にも基づいて、ユーザの収集された新たなトレーニングデータと比較する、認知低下（例えば、ＭＣＩ又は認知症のある）として以前に確認された他のユーザのデータを、入力として受信してもよい。
いくつかの実施形態において、行動の変化を決定するために、例えば、認知低下２７４を決定するために、機械学習アルゴリズム２０４は、ユーザの行動パターン２０６（図２Ｃに示される）のデータを、入力として受信してもよい。
いくつかの実施形態に係る認知データ収集のためのシステム３００のブロック図を示す図３を参照する。いくつかの実施形態において、システム３００は、ユーザ３０から認知データを収集するためにシステム３００の要素が追加されるとともに、システム２００のいくつか又は全ての要素（プロセッサ２０１及びデータベース２０２など）を更に含んでもよい。
いくつかの実施形態において、システム３００は、プロセッサ２０１に接続された、ＥＥＧ信号を測定する少なくとも１つの脳波（ＥＥＧ）センサ３０１を含んでもよい。プロセッサ２０１は、少なくとも１つのＥＥＧセンサ３０１を用いてユーザ３０の認知信号を監視するように構成される。いくつかの実施形態において、ユーザプロファイル２０７は、更に、測定されたＥＥＧ信号に基づいて決定されてもよい。例えば、ユーザ３０は、少なくとも１つのＥＥＧセンサ３０１を備えたヘッドセットを装着して、私的使用に応じて、又は臨床医によって許可された場合に、それぞれ商用ＥＥＧチャネル（１～１６）又は臨床ＥＥＧチャネル（１６～６４）を使用して脳波及び特定の活動に関する測定値を収集してよい。いくつかの実施形態において、決定されたトレーニング成功率２０５は、少なくとも１つのＥＥＧセンサ３０１によって収集されたデータに基づいて改善されてよい。
いくつかの実施形態において、ＥＥＧセンサ３０１は、同様に、異なる脳波（例えば、アルファ、ベータ、シータ）及びそれらの間の関係に従ってニューロフィードバックを提供し、例えば、認知トレーニング計画２１０に応答して脳波間の相関関係を見つけるために使用されてよい。いくつかの実施形態において、測定された信号は、測定された波及び／又は波の関係の閾値に対する特定の応答を伴って、トレーニングセッション（例えば、ゲーム）に統合されてよい。いくつかの実施形態において、トレーニングは、脳波活動（例えば、アルファレベル又はシータ／ベータレベルに基づく）と所定のレベル及び／又はトレーニング中に維持する手段に基づくニューロフィードバックを伴うデュアルタスクのオプションを含んでもよい。
いくつかの実施形態において、システム３００は、例えば、プロセッサ２０１に接続された少なくとも１つのイメージャ３０２を含んでもよい。プロセッサ２０１は、少なくとも１つのイメージャ３０２を用いて、ディスプレイ３１０に表示されたコンテンツについてユーザ３０の眼球運動を監視し、それに応じてトレーニング中のユーザ３０の集中力及び／又は注意力を決定するように構成される。いくつかの実施形態において、決定されたトレーニング成功率２０５は、例えば、少なくとも１つのイメージャ３０２によって収集されたデータに基づいて、改善されてもよい。
いくつかの実施形態において、少なくとも１つのイメージャ３０２は、タブレット、スマートフォンなどのコンピュータ化された装置（図１に示されるコンピューティングデバイス１００など）のカメラを用いて、又は臨床アイトラッカーによって、眼球運動及び／又は瞳孔サイズを追跡してもよい。視線追跡データは、トレーニング中に、トレーニングディスプレイ３１０に提示された状態に関連して、収集されてもよい。いくつかの実施形態において、プロセッサ２０１は、収集された視線追跡データを分析して、ディスプレイ３１０に提示されるコンテンツと相関するサッカード（ｓａｃｃａｄｅ）、凝視、瞳孔サイズなどを確認し、注意力の質、注意力の測定及び記憶力の測定を決定してもよい。
いくつかの実施形態において、少なくとも１つのトレーニングセッションは、仮想現実環境で実行されてよい。例えば、着用可能な単一装置（例えば、ヘッドセット）は、バイオフィードバックを脈拍数及び発汗監視と組み合わせるために、ＥＥＧセンサ３０１及び／又はイメージャ３０２及び／又はヘッドセットで表示される仮想現実イメージングを含んでよい。
いくつかの実施形態において、プロセッサ２０１は、外部デバイス（ＥＥＧセンサ３０１及び／又はイメージャ３０２など）並びに活動量計、スマートウォッチ、スマートフォンなどのユーザによって使用される他の外部デバイスから収集されたデータ、臨床データ、及びテスト結果の分析を実行し、認知トレーニング計画２１０を改善し、それに応じてトレーニング成功率２０５を増加させてもよい。収集された付加的なデータは、睡眠の質、毎日の活動、場所（例えば、ＧＰＳデータを使用）、安定性（例えば、装置を保持している間の手の安定性）、及び／又は感情的な状態（例えば、音声、音声認識及び／又は栄養、投薬などに基づく）に関連する可能性がある。いくつかの実施形態において、この収集されたデータは、少なくとも１つの機械学習アルゴリズム２０４を用いて計算されて、例えば、より正確な個人化されたトレーニング、個人的な推奨事項、及び／又は認知的フラグ付けを提供してもよい。
いくつかの実施形態によれば、プロセッサ２０１は、正解率及び／又は応答時間に基づいて、トレーニング成功率２０５及び／又は一般的なトレーニングの進行状況を計算してもよく、例えば、空間的注意力の検出に基づいて、ユーザが周囲空間でどのように注意力を分散させるかを測定してもよい。したがって、いくつかの実施形態において、トレーニングは、ディスプレイ３１０の異なる領域のターゲットを含んでよく、それらの領域間で受信された応答（例えば、ユーザフィードバック２０３として登録された）を比較して、例えば、空間的注意力マップを作成し、（表示領域内の）「無視（ｎｅｇｌｅｃｔ）」の領域を特定してよい。ユーザの空間的注意力を改善するために、これらの領域をマークしてトレーニングしてよい。
いくつかの実施形態に係る認知トレーニング計画２１０に応答してユーザフィードバック２０３を分析する方法のフローチャートを示す図４Ａを参照する。
ステップ４０１で（例えば、プロセッサ２０１によって）所定のデータセットを用いて少なくとも１つの機械学習アルゴリズム２０４をトレーニングして、トレーニング成功率２０５を予測してもよい。所定のデータセットは、以前に受信された、既知の特性を有するユーザのユーザフィードバックを含んでよい。ステップ４０２で新たなユーザフィードバックを受信してもよく、ステップ４０３で（例えば、プロセッサ２０１によって）受信された新たなユーザフィードバックに基づいて、少なくとも１つの機械学習アルゴリズム２０４を用いて、トレーニング成功率２０５の予測を決定してよい。いくつかの実施形態において、少なくとも１つの機械学習アルゴリズム２０４は、強化学習でトレーニングされてよい。いくつかの実施形態において、健康な人のデータを使用して、認知低下のある人々の予測モデルを構築するために、転移学習アルゴリズムを使用してよい。
いくつかの実施形態に係る認知トレーニング計画２１０に応答してユーザフィードバック２０３を分析する方法のフローチャートを示す４Ｂを参照する。いくつかの実施形態において、ステップ４０４で（例えば、プロセッサ２０１によって）所定のデータセットを用いて少なくとも１つの機械学習アルゴリズム２０４をトレーニングして、トレーニング成功率２０５を予測してもよい。所定のデータセットは、以前に受信された、既知の特性を有するユーザのユーザフィードバックを含んでもよい。トレーニングセット及び／又はトレーニング変数は、（例えば、所定の閾値を用いて）トレーニング成功率２０５の予測を満たすように決定されてもよい。ステップ４０５で、少なくとも１つの機械学習アルゴリズム２０４を用いたトレーニング成功率の予測に従って、トレーニング変数を更新してもよい。ステップ４０６で新たなユーザフィードバックを受信すると、ステップ４０５でトレーニング変数を再更新してもよい。
いくつかの実施形態によれば、（例えば、プロセッサ２０１によって）所定のデータセットを用いて少なくとも１つの機械学習アルゴリズム２０４をトレーニングして、例えば、ユーザの行動パターン２０６を決定してもよい。所定のデータセットは、以前に受信された、既知の特性を有するユーザのユーザフィードバックと、以前に計算された他のユーザの行動パターンとを含んでもよい。いくつかの実施形態において、新たなユーザフィードバックを受信してもよい。（例えば、プロセッサ２０１によって）少なくとも１つの機械学習アルゴリズム２０４を用いて、ユーザの行動パターン２０６と新たな受信データとの比較を実行して、動作パターン２０６の異常を確認してもよい。
いくつかの実施形態によれば、（例えば、プロセッサ２０１によって）所定のデータセットを用いて少なくとも１つの機械学習アルゴリズム２０４をトレーニングして、例えば、ユーザの行動パターン２０６を決定してもよい。所定のデータセットは、以前に受信された、既知の特性を有するユーザのユーザフィードバックと、以前に計算された他のユーザの行動パターンとを含んでもよい。少なくとも１つの機械学習アルゴリズム２０４は、特定のユーザのストレス条件下での行動の予測など、他の状況でのユーザの行動を適宜予測するようにトレーニングされてもよい。
いくつかの実施形態に係る認知トレーニング計画２１０に応答してユーザフィードバック２０３を分析してトレーニングチャーンレート２６４を決定する方法のフローチャートを示す５を参照する。
いくつかの実施形態において、ステップ５０１で（例えば、プロセッサ２０１によって）所定のデータセットを用いて少なくとも１つの機械学習アルゴリズム２０４をトレーニングして、トレーニングチャーンレート２６４を予測してよい。所定のデータセットは、以前に受信された、既知の特性（例えば、トレーニングセッションの数、トレーニングの頻度、トレーニングの時間／日付などに関するユーザフィードバック）を有するユーザのユーザフィードバックを含んでもよい。ステップ５０２で新たなユーザフィードバックを受信してよい。ステップ５０３で（例えば、プロセッサ２０１によって）受信された新たなユーザフィードバックに基づいて、少なくとも１つの機械学習アルゴリズム２０４を用いて、トレーニングチャーンレート２６４の予測を決定してもよい。
いくつかの実施形態に係る認知トレーニング計画２１０に応答してユーザフィードバック２０３を分析して認知低下２７４を決定する方法のフローチャートを示す図６を参照する。
いくつかの実施形態において、ステップ６０１で（例えば、プロセッサ２０１によって）所定のデータセットを用いて少なくとも１つの機械学習アルゴリズム２０４をトレーニングして、可能性のある認知低下にフラグを立て、及び／又は認知低下２７４を予測してよい。所定のデータセットは、以前に受信された、既知の特性を有するユーザのユーザフィードバックを含んでもよい。所定のデータセットは、例えば、認知臨床診断を含む、以前に受信された、既知の特性を有するユーザのユーザフィードバックに基づいて、異なる認知悪化状態を特徴付ける、以前に計算されたパターンを含んでもよい。ステップ６０２で新たなユーザフィードバックを受信してもよい。ステップ６０３で（例えば、プロセッサ２０１によって）受信された新たなユーザフィードバックに基づいて、少なくとも１つの機械学習アルゴリズム２０４を用いて、認知低下２７４の予測を決定してもよい。
本発明の特定の特徴は既に本明細書において図示されて記載されたが、当業者であれば、多くの変形、置換、変更、均等物化を行うことができる。したがって、添付された特許請求の範囲は、本発明の真の範囲に含まれるこのような全ての変形及び変更をカバーすることを意図するものであると理解されたい。
様々な実施形態について説明した。これらの実施形態の各々は、当然に、例示された他の実施形態の特徴を含む。詳細に説明されていない実施形態は、本明細書に記載されている様々な特徴を含み得る。

Claims (27)

  1. 認知トレーニング計画に応答してユーザフィードバックを分析する方法であって、
    プロセッサによって、所定のデータセットを用いて少なくとも１つの機械学習アルゴリズムをトレーニングして、トレーニング成功率を予測するステップであって、前記所定のデータセットが、以前に受信された、既知の特性を有するユーザのユーザフィードバックを含む、ステップと、
    前記プロセッサによって、新たなユーザフィードバックを受信するステップと、
    前記プロセッサによって、受信された前記新たなユーザフィードバックに基づいて、前記少なくとも１つの機械学習アルゴリズムを用いて、前記トレーニング成功率の予測を決定するステップであって、前記少なくとも１つの機械学習アルゴリズムが強化学習でトレーニングされる、ステップと、を含む、方法。
  2. 前記プロセッサによって、前記ユーザフィードバックから行動パターンを決定するステップを更に含む、請求項１に記載の方法。
  3. 前記少なくとも１つの機械学習アルゴリズムは、長短期メモリユニットを備えた回帰型ニューラルネットワーク上に実装される、請求項１に記載の方法。
  4. 前記プロセッサによって、トレーニングチャーンレートを予測するステップを更に含む、請求項１に記載の方法。
  5. 前記プロセッサによって、タイミング、トレーニングセッションの長さ、トレーニングセッションの成功率、注意力安定性、フリーズ期間、場所、トレーニングプラットフォーム、及びトレーニングセッションの休憩回数のうちの少なくとも１つについての、受信された前記ユーザフィードバックを監視するステップを更に含む、請求項１に記載の方法。
  6. 前記プロセッサによって、前記ユーザフィードバックを分類して所定のプロファイルのリストからユーザプロファイルを決定するステップであって、決定された前記トレーニング成功率の予測が、決定された前記ユーザプロファイルにも基づく、ステップを更に含む、請求項１に記載の方法。
  7. 前記ユーザプロファイルは、更に、性別、年齢、教育、場所、言語、職業、現在の職業状態、医学的状態及び結婚状況からなる群から選択される少なくとも１つのユーザ特性に基づいて決定される、請求項６に記載の方法。
  8. 前記ユーザプロファイルは、更に、受信された前記ユーザフィードバックのクラスタリング及び前記少なくとも１つのユーザ特性に基づいて決定される、請求項７に記載の方法。
  9. 前記プロセッサによって、少なくとも１つの脳波（ＥＥＧ）センサを用いてユーザを監視するステップであって、前記認知トレーニング計画が、測定されたＥＥＧ信号に基づいて変更される、ステップを更に含む、請求項１に記載の方法。
  10. 前記プロセッサによって、少なくとも１つのイメージャを用いて前記ユーザの眼球運動を監視して、前記ユーザの注意力を決定するステップを更に含む、請求項１に記載の方法。
  11. 前記プロセッサによって、前記ユーザフィードバックから行動パターンを決定するステップと、前記プロセッサによって、決定された前記行動パターンが所定の閾値を超えたときに、警報を発するステップと、を更に含む、請求項１に記載の方法。
  12. 認知トレーニング計画に応答してユーザフィードバックを認知分析するシステムであって、
    以前に受信された、既知の特性を有するユーザのユーザフィードバックのデータセットを含むデータベースと、
    前記データベースに接続されたプロセッサと、を含み、前記プロセッサは、
    前記データセットを用いて少なくとも１つの機械学習アルゴリズムをトレーニングして、トレーニング成功率を予測するステップと、
    新たなユーザフィードバックを受信するステップと、
    受信された前記新たなユーザフィードバックに基づいて、前記少なくとも１つの機械学習アルゴリズムを用いて、前記トレーニング成功率の予測を決定するステップであって、前記少なくとも１つの機械学習アルゴリズムが強化学習でトレーニングされる、ステップと、を実行するように構成される、システム。
  13. 前記プロセッサは、更に、前記ユーザフィードバックから行動パターンを決定するように構成される、請求項１２に記載のシステム。
  14. 前記プロセッサは、更に、前記ユーザフィードバックを分類して所定のプロファイルのリストからユーザプロファイルを決定するように構成され、前記少なくとも１つの機械学習アルゴリズムを用いたトレーニング成功率の予測も、決定された前記ユーザプロファイルに基づく、請求項１２に記載のシステム。
  15. 前記少なくとも１つの機械学習アルゴリズムは、長短期メモリユニットを備えた回帰型ニューラルネットワーク上に実装される、請求項１２に記載のシステム。
  16. 前記プロセッサは、更に、前記少なくとも１つの機械学習アルゴリズムを用いてトレーニングチャーンレートを予測するように構成される、請求項１２に記載のシステム。
  17. 前記プロセッサは、更に、タイミング、トレーニングセッションの長さ、トレーニングセッションの成功率、注意力安定性、フリーズ期間、及びトレーニングセッションの休憩回数のうちの少なくとも１つについての、受信された前記ユーザフィードバックを監視するように構成される、請求項１２に記載のシステム。
  18. 前記ユーザプロファイルは、更に、性別、年齢、教育、場所、言語、職業、現在の職業状態及び結婚状況からなる群から選択される少なくとも１つのユーザ特性に基づいて決定される、請求項１２に記載のシステム。
  19. 前記ユーザプロファイルは、更に、受信された前記ユーザフィードバックのクラスタリングに基づいて決定される、請求項１２に記載のシステム。
  20. 前記プロセッサに接続された少なくとも１つの脳波（ＥＥＧ）センサを更に含み、前記プロセッサは、更に、前記少なくとも１つのＥＥＧセンサを用いて前記ユーザを監視するように構成され、前記ユーザプロファイルは、測定されたＥＥＧ信号に基づいて決定される、請求項１２に記載のシステム。
  21. 前記プロセッサに接続された少なくとも１つのイメージャを更に含み、前記プロセッサは、更に、前記少なくとも１つのイメージャを用いて前記ユーザの眼球運動を監視するように構成される、請求項１２に記載のシステム。
  22. 前記プロセッサは、更に、前記ユーザフィードバックから行動パターンを決定し、決定された前記行動パターンが所定の閾値を超えたときに、警報を発するように構成される、請求項１２に記載のシステム。
  23. プロセッサによって、認知トレーニング計画に応答して、受信されたユーザフィードバックから行動パターンを決定するステップと、
    認知トレーニングを改善するために、前記プロセッサによって、決定された前記行動パターンに基づいて、少なくとも１つの機械学習アルゴリズムを用いて前記認知トレーニング計画を修正するステップと、を含み、
    前記少なくとも１つの機械学習アルゴリズムは、以前に受信された、既知の特性を有するユーザのユーザフィードバックを用いてトレーニングされる、認知トレーニングの方法。
  24. 認知トレーニング計画に応答してユーザフィードバックを分析する方法であって、
    プロセッサによって、所定のデータセットを用いて少なくとも１つの機械学習アルゴリズムをトレーニングして、トレーニング成功率を予測するステップであって、前記所定のデータセットが、以前に受信された、既知の特性を有するユーザのユーザフィードバックを含む、ステップと、
    前記少なくとも１つの機械学習アルゴリズムを用いたトレーニング成功率の予測に従って、前記プロセッサによって、トレーニング変数を更新するステップと、を含む、方法。
  25. 前記プロセッサによって、新たなユーザフィードバックを受信するステップと、
    前記プロセッサによって、受信された前記新たなユーザフィードバックに基づいて、トレーニング変数を再更新するステップと、を更に含む、請求項２４に記載の方法。
  26. 認知トレーニング計画に応答してユーザフィードバックを分析する方法であって、
    プロセッサによって、所定のデータセットを用いて少なくとも１つの機械学習アルゴリズムをトレーニングして、トレーニングチャーンレートを予測するステップであって、前記所定のデータセットが、以前に受信された、既知の特性を有するユーザのユーザフィードバックを含む、ステップと、
    前記プロセッサによって、新たなユーザフィードバックを受信するステップと、
    前記プロセッサによって、受信された前記新たなユーザフィードバックに基づいて、前記少なくとも１つの機械学習アルゴリズムを用いて、前記トレーニングチャーンレートの予測を決定するステップと、を含む、方法。
  27. 認知トレーニング計画に応答してユーザフィードバックを分析する方法であって、
    プロセッサによって、所定のデータセットを用いて少なくとも１つの機械学習アルゴリズムをトレーニングして、認知低下を予測するステップであって、前記所定のデータセットが、以前に受信された、既知の特性を有するユーザのユーザフィードバックを含む、ステップと、
    前記プロセッサによって、新たなユーザフィードバックを受信するステップと、
    前記プロセッサによって、受信された前記新たなユーザフィードバックに基づいて、前記少なくとも１つの機械学習アルゴリズムを用いて、前記認知低下の予測を決定するステップと、を含む、方法。
JP2023111245A 2019-05-30 2023-07-06 認知トレーニング及び監視のためのシステム及び方法 Pending JP2023118913A (ja)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201962854461P 2019-05-30 2019-05-30
US62/854,461 2019-05-30
JP2021571460A JP7311637B2 (ja) 2019-05-30 2020-05-04 認知トレーニング及び監視のためのシステム及び方法
PCT/IL2020/050493 WO2020240534A1 (en) 2019-05-30 2020-05-04 System and method for cognitive training and monitoring

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
JP2021571460A Division JP7311637B2 (ja) 2019-05-30 2020-05-04 認知トレーニング及び監視のためのシステム及び方法

Publications (1)

Publication Number Publication Date
JP2023118913A true JP2023118913A (ja) 2023-08-25

Family

ID=73552719

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2021571460A Active JP7311637B2 (ja) 2019-05-30 2020-05-04 認知トレーニング及び監視のためのシステム及び方法
JP2023111245A Pending JP2023118913A (ja) 2019-05-30 2023-07-06 認知トレーニング及び監視のためのシステム及び方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
JP2021571460A Active JP7311637B2 (ja) 2019-05-30 2020-05-04 認知トレーニング及び監視のためのシステム及び方法

Country Status (5)

Country Link
US (1) US20220230731A1 (ja)
EP (1) EP3975846A4 (ja)
JP (2) JP7311637B2 (ja)
CN (1) CN114096194A (ja)
WO (1) WO2020240534A1 (ja)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220054091A1 (en) * 2019-06-03 2022-02-24 Kpn Innovations, Llc. Methods and systems for self-fulfillment of an alimentary instruction set based on vibrant constitutional guidance
US20210335478A1 (en) * 2020-04-24 2021-10-28 The Joan and Irwin Jacobs Technion-Cornell Institute Methods and systems for providing digital therapeutics for treating mental health disorders using machine learning
US11651862B2 (en) * 2020-12-09 2023-05-16 MS Technologies System and method for diagnostics and prognostics of mild cognitive impairment using deep learning
JP2024537215A (ja) * 2021-10-06 2024-10-10 ジェネンテック， インコーポレイテッド 神経発達障害に対処するための訓練シナリオのクラスタ化分析
CN114864051B (zh) * 2022-07-06 2022-10-04 北京智精灵科技有限公司 一种基于神经网络的认知提升方法及系统
CN116451118B (zh) * 2023-04-19 2024-01-30 西安电子科技大学 基于深度学习的雷达光电异常值检测方法
CN117273130B (zh) * 2023-11-13 2024-02-23 南京信息工程大学 一种基于知识图谱与个体能力的认知诊断状态机实现方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
BR112012017226A8 (pt) 2010-01-15 2018-06-26 Apollo Group Inc métodos de recomendações dinâmicas de aprendizado e meio de armazenamento não transitório legível em computador
JP6591763B2 (ja) 2014-03-07 2019-10-16 国立大学法人鳥取大学 認知症予防システム
JP2016004525A (ja) 2014-06-19 2016-01-12 株式会社日立製作所 データ分析システム及びデータ分析方法
US20180286272A1 (en) * 2015-08-28 2018-10-04 Atentiv Llc System and program for cognitive skill training
AU2017314831C1 (en) 2016-08-26 2023-01-05 Akili Interactive Labs, Inc. Cognitive platform coupled with a physiological component
GB201705911D0 (en) 2017-04-12 2017-05-24 Kheiron Medical Tech Ltd Abstracts
US10507324B2 (en) * 2017-11-17 2019-12-17 Halo Neuro, Inc. System and method for individualizing modulation

Also Published As

Publication number Publication date
EP3975846A1 (en) 2022-04-06
JP7311637B2 (ja) 2023-07-19
JP2022535799A (ja) 2022-08-10
CN114096194A (zh) 2022-02-25
WO2020240534A1 (en) 2020-12-03
US20220230731A1 (en) 2022-07-21
EP3975846A4 (en) 2023-07-12

Similar Documents

Publication Publication Date Title
JP7311637B2 (ja) 認知トレーニング及び監視のためのシステム及び方法
CN108780663B (zh) 数字个性化医学平台和系统
Sharma et al. Predicting learners' effortful behaviour in adaptive assessment using multimodal data
CN104717921B (zh) 自学性认知训练装置及其方法
US9861308B2 (en) Method and system for monitoring stress conditions
WO2022086454A1 (en) System and method for delivering personalized cognitive intervention
US20200114115A1 (en) Cognitive platform for deriving effort metric for optimizing cognitive treatment
US11972336B2 (en) Machine learning platform and system for data analysis
WO2021165498A1 (en) Neurodevelopmental/cognitive assessment and cognitive training on a digital device and identification and measurement of digital cognitive biomarkers
US20230091240A1 (en) System and method of monitoring mental health conditions
US12026636B2 (en) Cognitive platform for deriving effort metric for optimizing cognitive treatment
KR20240050588A (ko) 행동 패턴 및 의료 영상을 이용한 정신 건강 질환 평가 방법 및 장치
US20220199220A1 (en) Systems and methods of digitally-delivered home exercise therapy
Liu et al. Improving Mental Health Support in Engineering Education using Machine Learning and Eye-Tracking
US20220230755A1 (en) Systems and Methods for Cognitive Diagnostics for Neurological Disorders: Parkinson's Disease and Comorbid Depression
KR20240050593A (ko) 사용자의 행동 패턴에 기초한 정신 질환 위험도 모니터링 방법 및 장치
KR20240151615A (ko) 스트레스 완화 프로그램 제공 및 스트레스 중증도 분류 장치, 방법 및 프로그램
Kumar et al. Automatic Grading System of Parkinson's Disease using Smart App for Remote Monitoring System
KR20240050580A (ko) 정신 건강 질환의 추적 관찰을 위한 행동 데이터 분석 방법 및 장치
KR20240052421A (ko) 정신 질환 평가 정보 제공 시스템 및 그 동작 방법
WO2024065052A1 (en) Functional neuroimaging biomarkers of brain injury recovery and uses thereof
Bondareva Eye-tracking as a source of information for automatically predicting user learning with MetaTutor, an intelligent tutoring system to support self-regulated learning

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230713

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230713

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240702

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20241002