JP7179059B2 - ニューロン応答に基づいた人間検出の方法、システム及びコンピュータ・プログラム - Google Patents

Description

本発明は、ニューロン応答に基づいた人間検出デバイスに関する。

「ボット（Ｂｏｔ）」は、スクリプト、並びに他のプログラミング・コード及び命令の実行に応答してコンピュータ・プロセッサ上で実行されるアプリケーションであり、ネットワーク化リソースへのオンライン及び他の入力活動として人間の（human）又は「人間のような」挙動をエミュレートするように設計される。ボットは、人間に対してサービスを提供するために、現実の人（人間）にアクセスできるように又は人間が提供する入力からアクセスできるように意図されたポート及び入口機構を通じて、ネットワーク化リソースにアクセスするために用いられることが多い。ボットは、人間の挙動をスプーフィングすることによりこうした機構に侵入し、機構をだましてボットの入力を人間の入力として受け入れさせる。

ボットは、スパム、ゴースト・アカウント、分散型サービス拒否（ｄｉｓｔｒｉｂｕｔｅｄ ｄｅｎｉａｌ－ｏｆ－ｓｅｒｖｉｃｅ、ＤＤｏＳ）攻撃、サービスの中断をもたらし、レーティングを操作し、選択に影響を与え、或いは、不正なネットワーク化リソースの入力及びウェブサイト・トラフィックを生成するために用いられ得る。例えば、ＤＤｏＳ攻撃は、複数のシステムが、ターゲット・システム、通常は１つ又は複数のウェブサーバの帯域幅又はリソースをあふれさせるときに行われる。こうした攻撃は、多くの場合、複数の感染したシステム（例えば、ボットネット）がターゲット・システムをトラフィックであふれさせる結果である。

種々の方法及びシステムが、人間の入力とボットのアクセス及び入力を区別し、ネットワーク及び仮想化サービス環境をボットからセキュア保護するためにデプロイされる。例えば、ユーザ入力がコンピュータにより生成されていないことを確実にするために一般的に用いられるＣＡＰＴＣＨＡ（Ｃｏｍｐｌｅｔｅｌｙ Ａｕｔｏｍａｔｅｄ Ｐｕｂｌｉｃ Ｔｕｒｉｎｇ Ｔｅｓｔｓ ｔｏ Ｔｅｌｌ Ｃｏｍｐｕｔｅｒｓ ａｎｄ Ｈｕｍａｎｓ Ａｐａｒｔ、コンピュータと人間を区別する完全に自動化された公開チューリング・テスト）フィーチャ又はツールは、一般に、時には不明瞭化された文字又は数字の列の付加を伴って画面上に現れる、歪んだ画像の文字をユーザがタイプ入力することを求める。ＣＡＰＴＣＨＡは、一般に、一貫性をもってタスクを正しく完了するために、３つの別個の能力、すなわち不変認識、セグメント化、及び解析（parse）を同時に使用することを要求するように設計される。不変認識は、文字の形状の多量の変化を認識する能力を言う。人間の脳が成功裡に識別できる各文字についてのバージョンはほぼ無数にあるが、それはコンピュータには当てはまらず、ＣＡＰＴＣＨＡシステムは、通常、コンピュータ化されたボットが確実にデコードするのが困難な異なる文字形成の提示を試みる。

セグメント化、すなわち、ある文字を別の文字と分離する能力も、ボットの実行を困難にし得る。従って、ＣＡＰＴＣＨＡプロセスは、間にホワイトスペースを有さない、互いに詰まったフォーマットで文字を提示することが多い。また、ボットは、周囲の文字により確立された文脈に基づいて個々の文字をデコードし、それによって各文字を正しく解析又は識別する能力に限界があり得る。例えば、ＣＡＰＴＣＨＡの１つのセグメントにおいて、ある文字が「ｍ」のように見えることがある。その文字を含む単語全体が認識されて文脈（例えば、「fumble」）を確立して初めて、その文字が「ｍ」ではなく「ｕ」に違いないことが、人間の読み手に明らかになる。

これらの問題の各々は、コンピュータ・ボットに対して分離してチャレンジを提起し、ＣＡＰＴＣＨＡプロセスは、ボットが所与のＣＡＰＴＣＨＡ問題を解決できる確率を低くするために、３つ全てを同時に実行することを要求することが多い。人間は、コンピュータとは異なり、この種のタスクに優れている。セグメント化及び認識は、コンピュータにとっては画像を理解するのに必要な２つの別個のプロセスであるが、これらは、人にとっては同じプロセスの一部分である。例えば、個人が、ａ ＣＡＰＴＣＨＡの最初の文字が「ａ」であることを理解するとき、その個人は、その「ａ」の輪郭がどこにあり、それが次の文字の輪郭とどこで併合するかも理解する。さらに、人間の脳は、文脈に基づいて動的に考えることができ、複数の説明を存続させ、次に、文脈上の手掛かりに基づいて入力全体にとって最良の説明であるものを選び出すことができる。これは、人間の脳が文字の変化にごまかされないことも意味する。

しかしながら、幾つかの自動化プロセスは、ＣＡＰＴＣＨＡ問題により提示される障害を打破し又はこれに対処し、直接人間のアクセスに対してのみ意図されたリソースにアクセスできる。ＣＡＰＴＣＨＡツールは、ユーザにより容易にアクセス可能又は実行可能でないことがあるユーザ入力に対しても要件を課し、一部のユーザが、ＣＡＰＴＣＨＡテストを成功裡に完了できず、それによりネットワーク化リソースにアクセスできないことがある。例えば、画像ベースのＣＡＰＴＣＨＡは、視力に障害がある（例えば、目が見えない、又は色覚異常の、又は黄斑変性若しくは他の視力低下能力を有する）ユーザにとって完了するのが非常に困難であるか又は不可能である。一部のＣＡＰＴＣＨＡツールは、視覚障害のあるユーザへの音声代替物を提供するが、音声代替物は、オリジナル画像の視覚背景の知識を有さずに正確に解釈すること、又は一連の読み上げられる文字を正確に覚えること、又はユーザが音声代替物を伝えるために使用される言語のユーザの言語スキルが低い場合、若しくは人間のユーザが他の認識障害を有する場合、理解するのが困難であり得る。最後に、ＣＡＰＴＣＨＡを成功裡に完了するのに、多大な時間がかかることがあり、ユーザは、ＣＡＰＴＣＨＡツールがユーザに課す不都合を受けることに同意するのに消極的であるため、人間の関与（及びサービス・プロバイダにより与えられるネットワーク化リソースの関連した使用）の損失を招く。

ニューロン応答に基づいた人間検出のためのコンピュータ実施方法、システム及びコンピュータ・プログラムを提供する。

本発明の１つの態様において、ニューラル応答に基づいた人間検出のためのコンピュータ化された方法が、コンピュータ・プロセッサ上でステップ実行することを含む。従って、コンピュータ・プロセッサは、第１の感覚情報のエンティティへの提示中、エンティティから脳波信号を取得するように構成される。構成されたプロセッサは、取得された脳波信号を、第１の感覚情報としてラベル付けされた複数の訓練された脳波信号プロファイル部分の各々と比較し、第１の感覚情報としてラベル付けされた脳波信号プロファイル部分は、第１の感覚情報に対応する感覚情報の異なる人への提示の関数として、複数の異なる人により最も多くに共通して生成される脳波信号を表す。従って、構成されたプロセッサは、最も高い最多共通重み付け（most-common weightings）を有する第１の感覚情報としてラベル付けされた複数の訓練された脳波信号プロファイル部分のものに対する取得された脳波信号のマッチの強度の関数として、エンティティが人間であるかどうかを判断する。

好ましくは、本発明は、第１の感覚情報とは異なる第２の感覚情報のエンティティへの提示に応答して、エンティティから第２の脳波信号を取得することと、取得された第２の脳波信号を、第２の感覚情報としてラベル付けされた複数の訓練された脳波信号プロファイル部分の各々と比較することであって、第２の感覚情報としてラベル付けされた第２の感覚情報訓練セット部分は、第２の感覚情報に対応する感覚情報の異なる人への提示の関数として、複数の異なる人により最も多くに共通して生成される脳波信号を表す、比較することとをさらに含み、エンティティが人間であるかどうかを判断することは、さらに、第２の感覚情報としてラベル付けされた複数の訓練された脳波信号プロファイル部分の最も高く重み付けされたものに対する取得された第２の脳波信号のマッチの強度の関数である、方法を提供する。

好ましくは、本発明は、取得された第１の脳波信号が、第１の感覚情報としてラベル付けされた訓練された脳波信号プロファイル部分のものに指定精度値内でマッチすると判断することに応答して、エンティティは人間ではないと判断することをさらに含む、方法を提供する。

好ましくは、本発明は、複数の異なる人の特性に共通しているエンティティの特性にマッチするように、第１の感覚情報を選択することをさらに含み、エンティティの特性は、人口統計データ、クライアント・カテゴリ、仕事内容、スキルセット、及び雇用主の識別から成る群から選択される、方法を提供する。

好ましくは、本発明は、取得された第１のエンティティの脳波信号の入力が、エンティティの脳波信号の入力を提供するエンドユーザ・マシン上のスクリプトの実行、及びエンドユーザ・マシン上のハンドシェイク・ルーチンの実行から成る群から選択されるプロセスの関数として、承認されたデバイスから直接もたらされることを検証することと、検証が失敗したとの判断に応答して、エンティティは人間ではないと判断することとをさらに含む、方法を提供する。

好ましくは、本発明は、第１の感覚情報とは異なるベースライン感覚情報のエンティティへの提示中、エンティティからベースライン・エンティティの脳波信号を取得することと、取得された第１の脳波信号の属性の値と取得されたベースライン脳波信号の属性の値との間の差としてデルタ値を求めることとをさらに含み、取得された第１の脳波信号を第１の感覚情報としてラベル付けされた複数の訓練された脳波信号プロファイル部分の各々と比較することは、求められたデルタ値を、第１の感覚情報としてラベル付けされた複数のデルタ脳波信号プロファイル部分の各々と比較することを含み、第１の感覚情報としてラベル付けされた複数のデルタ脳波信号プロファイル部分はそれぞれ、ベースライン感覚情報の提示中に複数の異なる人のものから最も多くに共通して取得されたベースライン・エンティティ脳波信号に対する、第１の感覚情報の提示中に複数の異なる人のものから最も多くに共通して取得された脳波信号の間の差として求められる、方法を提供する。

好ましくは、本発明は、ベースライン感覚情報の提示が「非活動（no activity）」提示段階である、方法を提供する。

好ましくは、本発明は、第１の訓練期間中、第１の人から第１の訓練脳波信号を取得することであって、第１の訓練脳波信号は、第１の訓練期間中、第１の感覚情報の第１の人への提示に応答して、第１の人により生成される、取得することと、取得された第１の訓練脳波信号を、第１の感覚情報としてラベル付けされた複数の訓練された脳波信号プロファイル部分の各々と比較することと、取得された第１の訓練脳波信号のプロファイル部分との類似点を判断することに応答して最多共通重み値を増大させ、かつ、取得された第１の訓練脳波信号のプロファイル部分との相違点を判断することに応答して最多共通重み値を減少させるように、第１の感覚情報訓練セット部分としてラベル付けされた複数の訓練された脳波信号プロファイル部分の各々を重み付けすることとをさらに含む、方法を提供する。

好ましくは、本発明は、最も高い最多共通重みを有する第１の感覚情報としてラベル付けされた訓練セット部分の閾値数のものが、閾値重み付け値を有すると判断するまで、複数の新しい人の各々について繰り返し反復することにより、第１の感覚情報としてラベル付けされた複数の訓練された脳波信号プロファイル部分を訓練することと、第１の訓練期間中、第１の感覚情報の各々の新しい人への提示に応答して、各々の新しい人により生成される新しい人の訓練脳波信号を取得することと、取得された新しい人の訓練脳波信号を、第１の感覚情報訓練セット部分としてラベル付けされた複数の訓練された脳波信号プロファイル部分と比較することと、取得された新しい人の訓練脳波信号のプロファイル部分との類似点を判断することに応答して最多共通重み値を増大させ、かつ、取得された新しい人の訓練脳波信号のプロファイル部分との相違点を判断することに応答して最多共通重み値を減少させるように、第１の感覚情報訓練セット部分としてラベル付けされた複数の訓練された脳波信号プロファイル部分の各々の重み付けを改訂することとをさらに含む、方法を提供する。

好ましくは、本発明は、プロセッサと、プロセッサと回路上通信するコンピュータ可読メモリと、プロセッサと回路上通信するコンピュータ可読ストレージ媒体とを含むコンピュータ・システム内にコンピュータ可読プログラム・コードを統合することをさらに含み、プロセッサは、コンピュータ可読メモリを介してコンピュータ可読ストレージ媒体上に格納されたプログラム・コード命令を実行し、それにより、エンティティへの第１の感覚情報の提示中、エンティティから脳波信号を取得することと、取得された脳波信号を、第１の感覚情報としてラベル付けされた複数の訓練された脳波信号プロファイル部分の各々と比較することと、最も高い最多共通重み付けを有する第１の感覚情報としてラベル付けされた複数の訓練された脳波信号プロファイル部分のものへの取得された脳波信号のマッチング強度の関数として、エンティティが人間であるかどうかを判断することと、を実行する方法を提供する。

好ましくは、本発明は、コンピュータ可読プログラム・コードが、クラウド環境におけるサービスとして提供される、方法を提供する。

別の態様において、システムは、コンピュータ可読メモリと回路上通信するハードウェア・プロセッサと、プログラム命令を格納したコンピュータ可読ストレージ媒体とを有する。プロセッサは、コンピュータ可読メモリを介してコンピュータ可読ストレージ媒体上に格納されたプログラム命令を実行し、それにより、第１の感覚情報のエンティティへの提示中、エンティティから脳波信号を取得するように構成される。構成されたプロセッサは、取得された脳波信号を、第１の感覚情報としてラベル付けされた複数の訓練された脳波信号プロファイル部分の各々と比較し、第１の感覚情報としてラベル付けされた脳波信号プロファイル部分は、第１の感覚情報に対応する感覚情報の異なる人への提示の関数として、複数の異なる人により最も多くに共通して生成される脳波信号を表す。従って、最も高い最多共通重み付けを有する第１の感覚情報としてラベル付けされた複数の訓練された脳波信号プロファイル部分のものに対する取得された脳波信号のマッチの強度の関数として、エンティティが人間であるかどうかを判断する。

好ましくは、本発明は、コンピュータ可読メモリを介してコンピュータ可読ストレージ媒体上に格納されたプログラム命令を実行し、それにより、第１の感覚情報とは異なる第２の感覚情報のエンティティへの提示に応答して、エンティティから第２の脳波信号を取得することと、取得された第２の脳波信号を、第２の感覚情報としてラベル付けされた複数の訓練された脳波信号プロファイル部分の各々と比較することであって、第２の感覚情報としてラベル付けされた第２の感覚情報訓練セット部分は、第２の感覚情報に対応する感覚情報の異なる人への提示の関数として、複数の異なる人により最も多くに共通して生成される脳波信号を表す、比較することと、第２の感覚情報としてラベル付けされた複数の訓練された脳波信号プロファイル部分の最も高く重み付けされたものに対する取得された第２の脳波信号のマッチの強度の関数として、エンティティが人間であるかどうかを判断することと、を行う。

好ましくは、本発明は、プロセッサが、コンピュータ可読メモリを介してコンピュータ可読ストレージ媒体上に格納されたプログラム命令を実行し、それにより、第１の感覚情報とは異なるベースライン感覚情報のエンティティへの提示中、エンティティからベースライン・エンティティの脳波信号を取得することと、取得された第１の脳波信号の属性の値と取得されたベースライン脳波信号の属性の値との間の差としてデルタ値を求めることと、求められたデルタ値を、第１の感覚情報としてラベル付けされた複数のデルタ脳波信号プロファイル部分の各々と比較することにより、取得された第１の脳波信号を、第１の感覚情報としてラベル付けされた複数の訓練された脳波信号プロファイル部分の各々と比較することとであって、第１の感覚情報としてラベル付けされた複数のデルタ脳波信号プロファイル部分はそれぞれ、ベースライン感覚情報の提示中に複数の異なる人のものから最も多くに共通して取得されたベースライン・エンティティの脳波信号に対する、第１の感覚情報の提示中に複数の異なる人のものから最も多くに共通して取得された脳波信号の間の差として求められる、比較することとを行う、システムを提供する。

好ましくは、本発明は、プロセッサが、コンピュータ可読メモリを介してコンピュータ可読ストレージ媒体上に格納されたプログラム命令を実行し、それにより、第１の訓練期間中、第１の人から第１の訓練脳波信号を取得することであって、第１の訓練脳波信号は、第１の訓練期間中、第１の感覚情報の第１の人への提示に応答して、第１の人により生成される、取得することと、取得された第１の訓練脳波信号を、第１の感覚情報としてラベル付けされた複数の訓練された脳波信号プロファイル部分の各々と比較することと、取得された第１の訓練脳波信号のプロファイル部分との類似点を判断することに応答して最多共通重み値を増大させ、かつ、取得された第１の訓練脳波信号のプロファイル部分との相違点を判断することに応答して最多共通重み値を減少させるように、第１の感覚情報訓練セット部分としてラベル付けされた複数の訓練された脳波信号プロファイル部分の各々を重み付けすることとを行う、システムを提供する。

別の態様において、ニューロン応答に基づいた人間検出のためのコンピュータ・プログラム製品が、そこに具体化されたコンピュータ可読プログラム・コードを有するコンピュータ可読ストレージ媒体を有する。コンピュータ可読ストレージ媒体は、それ自体一時的信号ではない。コンピュータ可読プログラム・コードは、プロセッサに、第１の感覚情報のエンティティへの提示中、エンティティから脳波信号を取得させる、実行のための命令を含む。プロセッサは、取得された脳波信号を、第１の感覚情報としてラベル付けされた複数の訓練された脳波信号プロファイル部分の各々と比較するようにされ、第１の感覚情報としてラベル付けされた脳波信号プロファイル部分は、第１の感覚情報に対応する感覚情報の異なる人への提示の関数として、複数の異なる人により最も多くに共通して生成される脳波信号を表す。従って、プロセッサは、最も高い最多共通重み付けを有する第１の感覚情報としてラベル付けされた複数の訓練された脳波信号プロファイル部分のものに対する取得された脳波信号のマッチの強度の関数として、エンティティが人間であるかどうかを判断するようにされる。

好ましくは、本発明は、プロセッサにより実行されるコンピュータ可読プログラム・コード命令がさらに、プロセッサに、第１の感覚情報とは異なる第２の感覚情報のエンティティへの提示に応答して、エンティティから第２の脳波信号を取得することと、取得された第２の脳波信号を、第２の感覚情報としてラベル付けされた複数の訓練された脳波信号プロファイル部分の各々と比較することであって、第２の感覚情報としてラベル付けされた第２の感覚情報訓練セット部分は、第２の感覚情報に対応する感覚情報の異なる人への提示の関数として、複数の異なる人により最も多くに共通して生成される脳波信号を表す、比較することと、第２の感覚情報としてラベル付けされた複数の訓練された脳波信号プロファイル部分の最も高く重み付けされたものに対する取得された第２の脳波信号のマッチの強度の関数として、エンティティが人間であるかどうかを判断することとを行わせる、コンピュータ・プログラム製品を提供する。

好ましくは、本発明は、プロセッサにより実行されるコンピュータ可読プログラム・コード命令がさらに、プロセッサに、第１の感覚情報とは異なるベースライン感覚情報のエンティティへの提示中、エンティティからベースライン・エンティティ脳波信号を取得することと、取得された第１の脳波信号の属性の値と取得されたベースライン脳波信号の属性の値との間の差としてデルタ値を求めることと、求められたデルタ値を、第１の感覚情報としてラベル付けされた複数のデルタ脳波信号プロファイル部分の各々と比較することにより、取得された第１の脳波信号を、第１の感覚情報としてラベル付けされた複数の訓練された脳波信号プロファイル部分の各々と比較することであって、第１の感覚情報としてラベル付けされた複数のデルタ脳波信号プロファイル部分はそれぞれ、ベースライン感覚情報の提示中に複数の異なる人のものから最も多くに共通して取得されたベースライン・エンティティの脳波信号に対する、第１の感覚情報の提示中に複数の異なる人のものから最も多くに共通して取得された脳波信号の間の差として求められる、比較することとを行わせる、コンピュータ・プログラム製品を提供する。

好ましくは、本発明は、プロセッサにより実行されるコンピュータ可読プログラム・コード命令がさらに、プロセッサに、第１の訓練期間中、第１の人から第１の訓練脳波信号を取得することであって、第１の訓練脳波信号は、第１の訓練期間中、第１の感覚情報の第１の人への提示に応答して、第１の人により生成される、取得することと、取得された第１の訓練脳波信号を、第１の感覚情報としてラベル付けされた複数の訓練された脳波信号プロファイル部分の各々と比較することと、取得された第１の訓練脳波信号のプロファイル部分との類似点を判断することに応答して最多共通重み値を増大させ、かつ、取得された第１の訓練脳波信号のプロファイル部分との相違点を判断することに応答して最多共通重み値を減少させるように、第１の感覚情報訓練セット部分としてラベル付けされた複数の訓練された脳波信号プロファイル部分の各々を重み付けすることとを行わせる、コンピュータ・プログラム製品を提供する。

好ましくは、本発明は、プロセッサにより実行されるコンピュータ可読プログラム・コード命令がさらに、プロセッサに、最も高い最多共通重みを有する第１の感覚情報としてラベル付けされた訓練セット部分のものの閾値数が、閾値重み付け値を有すると判断するまで、複数の新しい人の各々について繰り返し反復することにより、第１の感覚情報としてラベル付けされた複数の訓練された脳波信号プロファイル部分を訓練することと、第１の訓練期間中、第１の感覚情報の各々の新しい人への提示に応答して、各々の新しい人により生成される新しい人の訓練脳波信号を取得することと、取得された新しい人の訓練脳波信号を、第１の感覚情報訓練セット部分としてラベル付けされた複数の訓練された脳波信号プロファイル部分と比較することと、取得された新しい人の訓練脳波信号のプロファイル部分との類似点を判断することに応答して最多共通重み値を増大させ、かつ、取得された新しい人の訓練脳波信号のプロファイル部分との相違点を判断することに応答して最多共通重み値を減少させるように、第１の感覚情報訓練セット部分としてラベル付けされた複数の訓練された脳波信号プロファイル部分の各々の重み付けを改訂することとを行わせる、コンピュータ・プログラム製品を提供する。

本発明の実施形態のこれらの及び他の特徴は、添付図面と併用される本発明の種々の態様の以下の詳細な説明からより容易に理解されるであろう。

本発明の実施形態による、クラウド・コンピューティング環境を示す。 本発明の実施形態による、抽象化モデル層を示す。 本発明の実施形態による、コンピュータ化された態様を示す。 本発明の実施形態のフローチャート図である。 脳波波形のグラフ図である。 本発明の実施形態のフローチャート図である。 本発明の実施形態のフローチャート図である。 本発明の実施形態のフローチャート図である。

本発明は、コンピュータ・システム、方法、及び／又はコンピュータ・プログラム製品とすることができる。コンピュータ・プログラム製品は、プロセッサに本発明の態様を実行させるためのコンピュータ可読プログラム命令をその上に有するコンピュータ可読ストレージ媒体（単数又は複数）を含むことができる。

コンピュータ可読ストレージ媒体は、命令実行デバイスにより使用される命令を保持及び格納できる有形デバイスとすることができる。コンピュータ可読ストレージ媒体は、例えば、これらに限定されるものではないが、電子ストレージ・デバイス、磁気ストレージ・デバイス、光ストレージ・デバイス、電磁気ストレージ・デバイス、半導体ストレージ・デバイス、又は上記のいずれかの適切な組み合わせとすることができる。コンピュータ可読ストレージ媒体のより具体的な例の非網羅的なリストとして、以下のもの：すなわち、ポータブル・コンピュータ・ディスケット、ハードディスク、ランダム・アクセス・メモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）、消去可能プログラム可能読み出し専用メモリ（ＥＰＲＯＭ又はフラッシュ・メモリ）、スタティック・ランダム・アクセス・メモリ（ＳＲＡＭ）、ポータブル・コンパクト・ディスク読み出し専用メモリ（ＣＤ－ＲＯＭ）、デジタル多用途ディスク（ＤＶＤ）、メモリ・スティック、フロッピー・ディスク、パンチカード若しくは命令がそこに記録された溝内の隆起構造のような機械的にエンコードされたデバイス、及び上記のいずれかの適切な組み合わせが挙げられる。本明細書で使用される場合、コンピュータ可読ストレージ媒体は、電波、又は他の自由に伝搬する電磁波、導波管若しくは他の伝送媒体を通じて伝搬する電磁波（例えば、光ファイバ・ケーブルを通る光パルス）、又はワイヤを通って送られる電気信号などの、一時的信号自体として解釈されない。

本明細書で説明されるコンピュータ可読プログラム命令は、コンピュータ可読ストレージ媒体からそれぞれのコンピューティング／処理デバイスにダウンロードすることができ、又は、例えばインターネット、ローカル・エリア・ネットワーク、広域ネットワーク、及び／又は無線ネットワークなどのネットワークを介して外部コンピュータ又は外部ストレージ・デバイスにダウンロードすることができる。ネットワークは、銅伝送ケーブル、光伝送ファイバ、無線伝送、ルータ、ファイアウォール、スイッチ、ゲートウェイ・コンピュータ、及び／又はエッジ・サーバを含むことができる。各コンピューティング／処理デバイスにおけるネットワーク・アダプタ・カード又はネットワーク・インターフェースは、ネットワークからコンピュータ可読プログラム命令を受け取り、それぞれのコンピューティング／処理デバイス内のコンピュータ可読ストレージ媒体内に格納するためにコンピュータ可読プログラム命令を転送する。

本発明の動作を実行するためのコンピュータ可読プログラム命令は、アセンブラ命令、命令セットアーキテクチャ（ＩＳＡ）命令、マシン命令、マシン依存命令、マイクロコード、ファームウェア命令、状態設定データ、又は、Ｓｍａｌｌｔａｌｋ、Ｃ＋＋などのオブジェクト指向プログラミング言語、又は、「Ｃ」プログラミング言語若しくは類似のプログラミング言語などの通常の手続き型プログラミング言語を含む１つ又は複数のプログラミング言語の任意の組み合わせで記述することができるいずれかのソースコード若しくはオブジェクトコードとすることができる。コンピュータ可読プログラム命令は、完全にユーザのコンピュータ上で実行される場合もあり、一部がユーザのコンピュータ上で、独立型ソフトウェア・パッケージとして実行される場合もあり、一部がユーザのコンピュータ上で実行され、一部が遠隔コンピュータ上で実行される場合もあり、又は完全に遠隔コンピュータ若しくはサーバ上で実行される場合もある。最後のシナリオにおいて、遠隔コンピュータは、ローカル・エリア・ネットワーク（ＬＡＮ）若しくは広域ネットワーク（ＷＡＮ）を含むいずれかのタイプのネットワークを通じてユーザのコンピュータに接続される場合もあり、又は外部コンピュータへの接続がなされる場合もある（例えば、インターネットサービスプロバイダを用いたインターネットを通じて）。幾つかの実施形態において、例えば、プログラム可能論理回路、フィールド・プログラマブル・ゲート・アレイ（ＦＰＧＡ）、又はプログラム可能論理アレイ（ＰＬＡ）を含む電子回路は、コンピュータ可読プログラム命令の状態情報を用いて電子回路を個別化することによりコンピュータ可読プログラム命令を実行し、本発明の態様を実施することができる。

本発明の態様は、本発明の実施形態による方法、装置（システム）及びコンピュータ・プログラム製品のフローチャート図及び／又はブロック図を参照して説明される。フローチャート図及び／又はブロック図の各ブロック、並びにフローチャート図及び／又はブロック図内のブロックの組み合わせは、コンピュータ可読プログラム命令によって実装できることが理解されるであろう。

これらのコンピュータ可読プログラム命令を、汎用コンピュータ、専用コンピュータ、又は他のプログラム可能データ処理装置のプロセッサに与えてマシンを製造し、それにより、コンピュータ又は他のプログラム可能データ処理装置のプロセッサによって実行される命令が、フローチャート及び／又はブロック図の１つ又は複数のブロック内で指定された機能／動作を実装するための手段を作り出すようにすることができる。これらのコンピュータ可読プログラム命令を、コンピュータ、プログラム可能データ処理装置、及び／又は他のデバイスを特定の方式で機能させるように指示することができるコンピュータ可読媒体内に格納し、それにより、命令が内部に格納されたコンピュータ可読ストレージ媒体が、フローチャート及び／又はブロック図の１つ又は複数のブロックにおいて指定された機能／動作の態様を実装する命令を含む製品を含むようにすることもできる。

コンピュータ可読プログラム命令を、コンピュータ、他のプログラム可能データ処理装置、又は他のデバイス上にロードして、一連の動作ステップをコンピュータ、他のプログラム可能データ処理装置、又は他のデバイス上で行わせてコンピュータ実装プロセスを生成し、それにより、コンピュータ又は他のプログラム可能装置上で実行される命令が、フローチャート及び／又はブロック図の１つ又は複数のブロックにおいて指定された機能／動作を実装するようにすることもできる。

図面内のフローチャート及びブロック図は、本発明の種々の実施形態による、システム、方法、及びコンピュータ・プログラム製品の可能な実装の、アーキテクチャ、機能及び動作を示す。この点に関して、フローチャート内の各ブロックは、指定された論理機能を実装するための１つ又は複数の実行可能命令を含む、モジュール、セグメント、又はコードの一部を表すことができる。幾つかの代替的な実装において、ブロック内に示される機能は、図に示される順序とは異なる順序で生じることがある。例えば、連続して示される２つのブロックは、関与する機能に応じて、実際には実質的に同時に実行されることもあり、又はこれらのブロックはときとして逆順で実行されることもある。ブロック図及び／又はフローチャート図の各ブロック、及びブロック図及び／又はフローチャート図内のブロックの組み合わせは、指定された機能又は動作を実行する、又は専用のハードウェアとコンピュータ命令との組み合わせを実行する、専用ハードウェア・ベースのシステムによって実装できることにも留意されたい。

本開示はクラウド・コンピューティングについての詳細な説明を含むが、本明細書に記載される教示の実装は、クラウド・コンピューティング環境に限定されないことを理解されたい。むしろ、本発明の実施形態は、現在既知の又は後で開発される他のいずれかのタイプのコンピューティング環境と共に実施することができる。

クラウド・コンピューティングは、最小限の管理労力又はサービス・プロバイダとの対話で迅速にプロビジョニング及び解放することができる構成可能なコンピューティング・リソース（例えば、ネットワーク、ネットワーク帯域幅、サーバ、処理、メモリ、ストレージ、アプリケーション、仮想マシン、及びサービス）の共有プールへの、便利なオンデマンドのネットワーク・アクセスを可能にするためのサービス配信のモデルである。このクラウド・モデルは、少なくとも５つの特徴、少なくとも３つのサービス・モデル、及び少なくとも４つのデプロイメント・モデルを含むことができる。

特徴は、以下の通りである。
オンデマンド・セルフサービス：クラウド・コンシューマは、必要に応じて、サーバ時間及びネットワーク・ストレージ等のコンピューティング機能を、人間がサービスのプロバイダと対話する必要なく自動的に、一方的にプロビジョニングすることができる。
広範なネットワーク・アクセス：機能は、ネットワーク上で利用可能であり、異種のシン又はシック・クライアント・プラットフォーム（例えば、携帯電話、ラップトップ、及びＰＤＡ）による使用を促進する標準的な機構を通じてアクセスされる。
リソース・プール化：プロバイダのコンピューティング・リソースは、マルチ・テナント・モデルを用いて、異なる物理及び仮想リソースを要求に応じて動的に割り当て及び再割り当てすることにより、複数のコンシューマにサービスを提供するためにプールされる。コンシューマが、一般に、提供されるリソースの正確な位置についての制御又は知識を持たないという点で位置独立性があるといえるが、より高レベルの抽象化では位置（例えば、国、州、又はデータセンタ）を特定できる場合がある。
迅速な弾力性：機能は、迅速かつ弾力的に、場合によっては自動的に、プロビジョニングして素早くスケール・アウトし、迅速にリリースして素早くスケール・インさせることができる。コンシューマにとって、プロビジョニングに利用可能なこれらの機能は、多くの場合、無制限であり、いつでもどんな量でも購入できるように見える。
計測されるサービス：クラウド・システムは、サービスのタイプ（例えば、ストレージ、処理、帯域幅、及びアクティブなユーザ・アカウント）に適した何らかの抽象化レベルでの計量機能を用いることによって、リソースの使用を自動的に制御及び最適化する。リソース使用を監視し、制御し、報告し、利用されるサービスのプロバイダとコンシューマの両方に対して透明性をもたらすことができる。

サービス・モデルは以下の通りである。
Ｓｏｆｔｗａｒｅ ａｓ ａ Ｓｅｒｖｉｃｅ（ＳａａＳ）：クラウド・インフラストラクチャ上で動作しているプロバイダのアプリケーションを使用するために、コンシューマに提供される機能である。これらのアプリケーションは、ウェブ・ブラウザ（例えば、ウェブ・ベースの電子メール）などのシン・クライアント・インターフェースを通じて、種々のクライアント・デバイスからアクセス可能である。コンシューマは、限定されたユーザ固有のアプリケーション構成設定の考え得る例外として、ネットワーク、サーバ、オペレーティング・システム、ストレージ、又は個々のアプリケーション機能をも含めて、基礎をなすクラウド・インフラストラクチャを管理又は制御しない。
Ｐｌａｔｆｏｒｍ ａｓ ａ Ｓｅｒｖｉｃｅ（ＰａａＳ）：プロバイダによってサポートされるプログラミング言語及びツールを用いて生成された、コンシューマが生成した又は取得したアプリケーションを、クラウド・インフラストラクチャ上にデプロイするために、コンシューマに提供される機能である。コンシューマは、ネットワーク、サーバ、オペレーティング・システム、又はストレージなどの基礎をなすクラウド・インフラストラクチャを管理又は制御しないが、配備されたアプリケーション、及び場合によってはアプリケーション・ホスティング環境構成に対して制御を有する。
Ｉｎｆｒａｓｔｒｕｃｔｕｒｅ ａｓ ａ Ｓｅｒｖｉｃｅ（ＩａａＳ）：コンシューマが、オペレーティング・システム及びアプリケーションを含み得る任意のソフトウェアを配備及び動作させることができる、処理、ストレージ、ネットワーク、及び他のベースラインのコンピューティング・リソースをプロビジョニンングするために、コンシューマに提供される機能である。コンシューマは、基礎をなすクラウド・インフラストラクチャを管理又は制御しないが、オペレーティング・システム、ストレージ、配備されたアプリケーションに対する制御、及び場合によってはネットワーク・コンポーネント（例えば、ホストのファイアウォール）選択の限定された制御を有する。

デプロイメント・モデルは以下の通りである。
プライベート・クラウド：クラウド・インフラストラクチャは、ある組織のためだけに運営される。このクラウド・インフラストラクチャは、その組織又は第三者によって管理することができ、オンプレミス又はオフプレミスに存在することができる。
コミュニティ・クラウド：クラウド・インフラストラクチャは、幾つかの組織によって共有され、共通の関心事項（例えば、任務、セキュリティ要件、ポリシー、及びコンプライアンス上の考慮事項）を有する特定のコミュニティをサポートする。クラウド・インフラストラクチャは、その組織又は第三者によって管理することができ、オンプレミス又はオフプレミスに存在することができる。
パブリック・クラウド：クラウド・インフラストラクチャは、一般公衆又は大規模な業界グループに利用可能であり、クラウド・サービスを販売する組織によって所有される。
ハイブリッド・クラウド：クラウド・インフラストラクチャは、固有のエンティティのままであるが、データ及びアプリケーションの移行性を可能にする標準化された又は専用の技術（例えば、クラウド間の負荷分散のためのクラウド・バースティング）によって結び付けられる２つ以上のクラウド（プライベート、コミュニティ、又はパブリック）の混成物である。

クラウド・コンピューティング環境は、ステートレス性、低結合性、モジュール性、及びセマンティック相互運用性に焦点を置くことを指向するサービスである。クラウド・コンピューティングの中心は、相互接続されたノードのネットワークを含むインフラストラクチャである。

ここで図１を参照すると、例示的なクラウド・コンピューティング環境５０が示される。示されるように、クラウド・コンピューティング環境５０は、例えばパーソナル・デジタル・アシスタント（ＰＤＡ）又は携帯電話５４Ａ、デスクトップ・コンピュータ５４Ｂ、ラップトップ・コンピュータ５４Ｃ、及び／又は自動車コンピュータ・システム５４Ｎなどといった、クラウド・コンシューマによって用いられるローカル・コンピューティング・デバイスと通信することができる、１つ又は複数のクラウド・コンピューティング・ノード１０を含む。ノード１０は、互いに通信することができる。これらのノードは、上述のようなプライベート・クラウド、コミュニティ・クラウド、パブリック・クラウド、若しくはハイブリッド・クラウド、又はこれらの組み合わせなど、１つ又は複数のネットワークにおいて物理的又は仮想的にグループ化され得る（図示せず）。このことは、クラウド・コンシューマがローカル・コンピューティング・デバイス上にリソースを保持する必要のないサービスとして、クラウド・コンピューティング環境５０が、インフラストラクチャ、プラットフォーム、及び／又はソフトウェアを提供することを可能にする。図１に示されるコンピューティング・デバイス５４Ａ～Ｎのタイプは単に例示であることを意図し、コンピューティング・ノード１０及びクラウド・コンピューティング環境５０は、いずれのタイプのネットワーク及び／又はネットワーク・アドレス指定可能な接続上でも（例えば、ウェブ・ブラウザを用いて）、いずれのタイプのコンピュータ化された装置とも通信できることを理解されたい。

ここで図２を参照すると、クラウド・コンピューティング環境５０（図１）によって提供される機能抽象化層のセットが示される。図２に示されるコンポーネント、層、及び機能は単に例示であることを意図し、本発明の実施形態はそれらに限定されないことを予め理解されたい。図示されるように、以下の層及び対応する機能が提供される。

ハードウェア及びソフトウェア層６０は、ハードウェア及びソフトウェア・コンポーネントを含む。ハードウェア・コンポーネントの例として、メインフレーム６１、ＲＩＳＣ（Reduced Instruction Set Computer（縮小命令セット・コンピュータ））アーキテクチャ・ベースのサーバ６２、サーバ６３、ブレード・サーバ６４、ストレージ・デバイス６５、並びにネットワーク及びネットワーキング・コンポーネント６６が含まれる。幾つかの実施形態において、ソフトウェア・コンポーネントは、ネットワーク・アプリケーション・サーバ・ソフトウェア６７及びデータベース・ソフトウェア６８を含む。

仮想化層７０は、抽象化層を提供し、この層により、仮想エンティティの以下の例、すなわち、仮想サーバ７１、仮想ストレージ７２、仮想プライベート・ネットワークを含む仮想ネットワーク７３、仮想アプリケーション及びオペレーティング・システム７４、並びに仮想クライアント７５を提供することができる。

一例においては、管理層８０は、以下で説明される機能を提供することができる。リソース・プロビジョニング８１は、クラウド・コンピューティング環境内でタスクを実行するために利用されるコンピューティング・リソース及び他のリソースの動的な調達を提供する。計量及び価格決定８２は、クラウド・コンピューティング環境内でリソースが利用される際のコスト追跡と、これらのリソースの消費に対する課金又は請求とを提供する。一例においては、これらのリソースは、アプリケーション・ソフトウェア・ライセンスを含むことができる。セキュリティは、クラウド・コンシューマ及びタスクに対する識別情報の検証と、データ及び他のリソースに対する保護とを提供する。ユーザ・ポータル８３は、コンシューマ及びシステム管理者のために、クラウド・コンピューティング環境へのアクセスを提供する。サービス・レベル管理８４は、要求されるサービス・レベルが満たされるように、クラウド・コンピューティング・リソースの割り当て及び管理を提供する。サービス・レベル・アグリーメント（Service Level Agreement、ＳＬＡ）の計画及び履行８５は、ＳＬＡに従って将来の要件が予測されるクラウド・コンピューティング・リソースの事前配置及び調達を提供する。

ワークロード層９０は、クラウド・コンピューティング環境を利用することができる機能の例を提供する。この層から提供することができるワークロード及び機能の例として、マッピング及びナビゲーション９１、ソフトウェア開発及びライフサイクル管理９２、仮想教室教育配信９３、データ分析処理９４、トランザクション処理９５、及び本発明の態様によるニューロン応答に基づく人間検出のための処理９６が挙げられる。

図３は、本発明の態様による、図２のクラウド・コンピューティング環境内のクラウド・コンピューティング・ノードとして機能し得るプログラム可能デバイスの実装形態１０の例の概略である。プログラム可能デバイス実装形態１０は、好適な実装の一例に過ぎず、本明細書に記載される本発明の実施の使用範囲又は機能に関する何らかの制限を示唆することを意図するものではない。それにも関わらず、プログラム可能デバイス実装形態１０は、上述した機能のいずれかを実装及び／又は実行することができる。

コンピュータ・システム／サーバ１２は、多数の他の汎用又は専用コンピューティング・システム環境又は構成で動作する。コンピュータ・システム／サーバ１２と共に用いるのに好適であり得る周知のコンピューティング・システム、環境、及び／又は構成の例として、これらに限定されるものではないが、パーソナル・コンピュータ・システム、サーバ・コンピュータ・システム、シン・クライアント、シック・クライアント、手持ち式又はラップトップ型デバイス、車載デバイス、マルチプロセッサ・システム、マイクロプロセッサ・ベースのシステム、セット・トップ・ボックス、プログラム可能民生電子機器、ネットワークＰＣ、ミニコンピュータ・システム、メインフレーム・コンピュータ・システム、及び、上述のシステム若しくはデバイスのいずれかを含む分散型クラウド・コンピューティング環境等が含まれる。

コンピュータ・システム／サーバ１２は、コンピュータ・システムによって実行される、プログラム・モジュールなどのコンピュータ・システム実行可能命令の一般的な文脈で説明することができる。一般に、プログラム・モジュールは、特定のタスクを実行する又は特定の抽象データ型を実装する、ルーチン、プログラム、オブジェクト、コンポーネント、論理、データ構造などを含むことができる。コンピュータ・システム／サーバ１２は、通信ネットワークを通じてリンクされた遠隔処理デバイスによってタスクが実行される分散型クラウド・コンピューティング環境で実施することができる。分散型クラウド・コンピューティング環境において、プログラム・モジュールは、メモリ・ストレージ・デバイスを含む、ローカル及び遠隔両方のコンピュータ・システム・ストレージ媒体内に配置することができる。

コンピュータ・システム／サーバ１２は、汎用コンピューティング・デバイスの形で示される。コンピュータ・システム／サーバ１２のコンポーネントは、これらに限定されるものではないが、１つ又は複数のプロセッサ又は処理ユニット１６、システム・メモリ２８、及びシステム・メモリ２８を含む種々のシステム・コンポーネントをプロセッサ１６に結合するバス１８を含むことができる。

バス１８は、メモリ・バス又はメモリ・コントローラ、周辺バス、アクセラレーテッド・グラフィックス・ポート、及び種々のバス・アーキテクチャのいずれかを用いるプロセッサ又はローカル・バスを含む、幾つかのタイプのバス構造のうちのいずれかの１つ又は複数を表す。限定ではなく例としては、このようなアーキテクチャは、業界標準アーキテクチャ（Industry Standard Architecture、ＩＳＡ）バス、マイクロ・チャネル・アーキテクチャ（Micro Channel Architecture、ＭＣＡ）バス、Ｅｎｈａｎｃｅｄ ＩＳＡ（ＥＩＳＡ）バス、Ｖｉｄｅｏ Ｅｌｅｃｔｒｏｎｉｃｓ Ｓｔａｎｄａｒｄｓ Ａｓｓｏｃｉａｔｉｏｎ（ＶＥＳＡ）ローカル・バス、及びＰｅｒｉｐｈｅｒａｌ Ｃｏｍｐｏｎｅｎｔ Ｉｎｔｅｒｃｏｎｎｅｃｔｓ（ＰＣＩ）バスを含む。

コンピュータ・システム／サーバ１２は、典型的には、種々のコンピュータ・システム可読媒体を含む。このような媒体は、コンピュータ・システム／サーバ１２によりアクセス可能ないずれかの利用可能媒体とすることができ、揮発性媒体及び不揮発性媒体の両方と、取り外し可能媒体及び取り外し不能媒体の両方とを含む。

システム・メモリ２８は、ランダム・アクセス・メモリ（ＲＡＭ）３０及び／又はキャッシュ・メモリ３２など、揮発性メモリの形のコンピュータ・システム可読媒体を含むことができる。コンピュータ・システム／サーバ１２は、他の取り外し可能／取り外し不能、揮発性／不揮発性のコンピュータ・システム・ストレージ媒体をさらに含むことができる。単なる例として、取り外し不能の不揮発性磁気媒体（図示されておらず、典型的には「ハード・ドライブ」と呼ばれる）との間の読み出し及び書き込みのために、ストレージ・システム３４を設けることができる。図示されていないが、取り外し可能な不揮発性磁気ディスク（例えば、「フロッピー・ディスク」）との間の読み出し及び書き込みのための磁気ディスク・ドライブと、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ又は他の光媒体などの取り外し可能な不揮発性光ディスクとの間の読み出し及び書き込みのための光ディスク・ドライブとを設けることができる。このような例においては、それぞれを、１つ又は複数のデータ媒体インターフェースによってバス１８に接続することができる。以下でさらに示され説明されるように、メモリ２８は、本発明の実施形態の機能を実行するように構成されたプログラム・モジュールのセット（例えば、少なくとも１つ）を有する少なくとも１つのプログラム製品を含むことができる。

限定ではなく例として、メモリ２８内に、プログラム・モジュール４２のセット（少なくとも１つ）を有するプログラム／ユーティリティ４０、並びにオペレーティング・システム、１つ又は複数のアプリケーション・プログラム、他のプログラム・モジュール、及びプログラム・データを格納することができる。オペレーティング・システム、１つ又は複数のアプリケーション・プログラム、他のプログラム・モジュール、及びプログラム・データ、又はそれらの何らかの組み合わせの各々は、ネットワーキング環境の実装を含むことができる。プログラム・モジュール４２は、一般に、本明細書で説明される本発明の実施形態の機能及び／又は方法を実行する。

コンピュータ・システム／サーバ１２は、キーボード、ポインティング・デバイス、ディスプレイ２４等のような１つ又は複数の外部デバイス１４；ユーザがコンピュータ・システム／サーバ１２と対話することを可能にする１つ又は複数のデバイス；及び／又はコンピュータ・システム／サーバ１２が１つ又は複数の他のコンピューティング・デバイスと通信することを可能にするいずれかのデバイス（例えば、ネットワーク・カード、モデムなど）と通信することもできる。このような通信は、入力／出力（Ｉ／Ｏ）インターフェース２２を経由して行うことができる。さらにまた、コンピュータ・システム／サーバ１２は、ネットワーク・アダプタ２０を介して、ローカル・エリア・ネットワーク（ＬＡＮ）、汎用広域ネットワーク（ＷＡＮ）、及び／又はパブリック・ネットワーク（例えば、インターネット）などの１つ又は複数のネットワークと通信することもできる。示されるように、ネットワーク・アダプタ２０は、バス１８を介して、コンピュータ・システム／サーバ１２の他のコンポーネントと通信する。図示されていないが、コンピュータ・システム／サーバ１２と共に他のハードウェア及び／又はソフトウェア・コンポーネントを使用できることを理解されたい。例としては、これらに限定されるものではないが、マイクロコード、デバイス・ドライバ、冗長処理ユニット、外部ディスク・ドライブ・アレイ、ＲＡＩＤシステム、テープ・ドライブ、及びデータ・アーカイブ・ストレージ・システムなどが含まれる。

図４は、本発明による、ニューラル応答に基づいた人間検出の訓練を示す。態様は、人間と自称するエンティティから取得された脳波（ＥＥＧ）信号を用いるように構成され、当業者により理解されるように、それらの脳波（ＥＥＧ）信号は、通常、装着された、又は人からＥＥＧ信号をキャプチャするように他の方法でデプロイされたヘッドセット・デバイス若しくは他のデバイスから取得される。従って、４０２において、本発明の態様に従って構成されたプロセッサ（「構成されたプロセッサ」）は、第１の感覚情報のエンティティへの提示中、エンティティから脳波（ＥＥＧ）信号を取得する。

４０４において、構成されたプロセッサは、第１の感覚情報の提示中、エンティティから取得された脳波信号を、第１の感覚情報としてラベル付けされた複数の訓練された脳波信号のプロファイル部分の各々と比較する。より特定的には、第１の感覚情報としてラベル付けされた脳波信号プロファイル部分は、第１の感覚情報の又はこれに対応する感覚情報の異なる人への提示に応答して（その関数として）、複数の異なる人により最も多くに共通して生成されたＥＥＧ信号を表す（最も高い最多共通重み付け値を有する）部分となるように、訓練プロセスを介して選択される脳波信号を表す。

４０６において、構成されたプロセッサは、第１の感覚情報としてラベル付けされた複数の訓練された脳波信号プロファイル部分の最も高く重み付けされたものに対する、第１の感覚情報のエンティティへの提示中、エンティティにより提供される脳波信号のマッチの強度の関数として、エンティティが人間である（可能性が高い）か又はボット（人間の存在をシミュレートするコンピュータ・アプリケーション）である（可能性が高い）かを判断する。より特定的には、４０６において、構成されたプロセッサは、取得された脳波信号が、最も高い最多共通重み付けを有する第１の感覚情報としてラベル付けされた複数の訓練された脳波信号プロファイル部分のものの閾値数又は量とマッチするかどうかを判断する。４０６において、閾値の比較が満たされた場合、４０８において、構成されたプロセッサは、４０２においてＥＥＧ信号を提供するエンティティが人間である（可能性が高い）と判断する。他の場合には、４０６において、閾値の比較が満たされなかった場合、４１０において、構成されたプロセッサは、エンティティがボットであると判断する。

図５は、感覚情報の提示に応答して、人から獲得されたＥＥＧ信号波形１８２を表すグラフ図であり、ここで、時間は、波形１８２に対する横軸を定め、波形１８２は、時間経過に伴う（横軸に垂直な縦軸に沿った）振幅の変動値を示し、時間経過に伴う振幅の変動値は、ＥＥＧ信号のプロファイル属性を定める。プロファイル部分１８０がラベル付けされたプロファイル部分とマッチするとの判断に応答して、態様は、信号が人間により生成されたことを示すこと又はその可能性が高いと判断すること、又は以下に説明される訓練プロセスにおけるマッチするラベル付けされた部分の最多共通重み付け値を増大させることができる。

図６は、人から取得されたＥＥＧ信号の部分を識別及び重み付けし、他の人から取得された信号との共通性を反映する訓練プロセスを示す。従って、人からのＥＥＧ信号の入力１０１を識別することに応答して、１０３において、本発明の態様に従って構成されたプロセッサ（「構成されたプロセッサ」）は、第１の訓練期間中、人の入力１０１からＥＥＧ信号を取得し、脳波信号は、１０２における第１の訓練期間中、第１の量の感覚信号の人への提示に応答して、人により生成される。

１０４において、構成されたプロセッサは、人工ニューラル・ネットワーク（Artificial Neural Network、ＡＮＮ）を用いて、１０３で取得されたＥＥＧ信号を、訓練期間中、他の人から取得された訓練ＥＥＧ信号プロファイル部分と比較し、そこで、脳波信号は、対応する（第１の）訓練期間中、対応する（第１の）感覚情報の人への提示に応答して、他の人の各々により生成され、一般的に、他の人から取得されたＥＥＧ信号部分（複数の他の人について、部分又は時間にわたって複製された又は振幅及びプロファイルが類似した）が、「第１の感覚情報／データ」訓練セット部分としてラベル付けされる。

１０６において、構成されたプロセッサは、１０４における比較に応答して、ラベル付けされた訓練セット部分の、ＡＮＮ内での最多共通重み又は重み付け係数を生成又改訂し、１０３で取得されたＥＥＧ信号プロファイル部分と共通する「第１の感覚情報」としてラベル付けされた訓練セット部分の最多共通重みを増大させる、及び／又は１０３で取得されたＥＥＧ信号部分と共通していない（異なる、又はあまり類似していない）「第１の感覚情報」としてラベル付けされた訓練セット部分の最多共通重みを減少させる。

ＡＮＮは、生物学的ニューラル・ネットワークの構造及び機能に基づいた計算モデルであり、入力と出力との間の複雑な関係がモデル化される、又はパターンが見出される、非線形の統計データ・モデリング・ツールと考えることができる。ニューラル・ネットワークは、入力及び出力に基づいて関係の値を変える（「学習する」）ので、ネットワークを通じて流れる情報は、ＡＮＮの構造に影響を与える。ＡＮＮシステムは、通常、タスク固有のプログラミングを用いずに、例について検討することによりタスクを行うように学習する（性能を徐々に改善する）。従って、本例において、対応する活動訓練期間中、他の人から取得された訓練セットＥＥＧ信号プロファイル部分は、構成されたプロセッサによる、１０３で取得された信号と比較される訓練セット内の「活動」信号部分としてラベル付けされ、ラベル付けされた訓練セット部分とマッチする１０４における部分を識別し、これに応答して、これらの識別された部分を、同じ「活動」信号部分としてラベル付けし、さらに、１０３で取得されたＥＥＧ信号プロファイル部分とマッチしない訓練セット内の他の信号部分に対してより大きく、訓練セット内のマッチする信号部分の重みを調整する（増大させる）。

１０１における異なる人から取得された信号の新しいセットの各々を用いて、ＡＮＮは、それにより、１０６における訓練セットＥＥＧ信号プロファイル部分のラベル付けされた部分の重みを学習及び微調整し、１０３で取得されたＥＥＧ信号のプロファイル部分とマッチしない活動としてラベル付けされた他の信号部分に対して、現在の人からの活動信号にマッチする対応する活動でラベル付けされたものについての重みを増大させ、この重みを用いて、将来の反復における他の人から取得されたＥＥＧ信号に適用するための部分を選択する。

１０８において、構成されたプロセッサは、別の（第２の）提示活動訓練期間中、異なる第２の感覚刺激又はデータを人に提示し、１１０において、この第２の提示活動訓練期間中、人の入力１０１からＥＥＧ信号を取得する。

１１２において、構成されたプロセッサは、ＡＮＮを用いて、１１０で取得されたＥＥＧ信号を、第２の感覚情報に対応する感覚情報の提示中、他の人から取得され、「第２の感覚情報」部分としてラベル付けされたＥＥＧ信号プロファイル部分と比較し、これにより、第２の感覚情報部分としてラベル付けされた訓練セット部分と共通している、１１０で取得されたＥＥＧ信号のプロファイル部分を識別する。１１４において、構成されたプロセッサは、比較に応答して、第２の感覚情報としてラベル付けされた訓練セット部分の、ＡＮＮ内での最多共通重み付け係数を生成又改訂し、一般的に、１１０で取得されたＥＥＧ信号プロファイル部分の部分とプロファイルが類似していると判断されるものの最多共通重みを増大させ、異なると判断される他のものの最多共通重みを減少させる。

１１６において、構成されたプロセッサは、「第１の感覚情報」としてラベル付けされた最も高く重み付けされた訓練セット部分が、１０３における第１の訓練期間中、人から取得されたＥＥＧ信号の部分の閾値数にマッチ又は概ね対応する（及び、それによりこれを予測する）かどうか、そして、「第２の感覚情報」としてラベル付けされた最も高く重み付けされた訓練セット部分が、１１０における第２の訓練期間中、人から取得されたＥＥＧ信号の部分の閾値数にマッチ又は概ね対応し、その結果、これを予測するかどうかを判断する。ＥＥＧ信号の部分の閾値数は、人のＥＥＧ信号シグネチャを表すのに十分に大きく、認識可能であり、かつ他の人のＥＥＧ信号を表す他の「シグネチャ」とは異なるように選択される。

両方の条件が満たされる（論理積条件を満たす）場合、訓練セット及び関連したＡＮＮは、ＥＥＧ信号入力が人間によるものであり、ボットによるものではないことを検証するために、訓練され、ＥＥＧ信号入力への適用の準備ができたと考えられる。従って、第１及び第２の感覚コンテンツの提示は、人間のエンティティの検証で用いる関連した対として互いにリンクされ、１１８においてプロセスは終了する。

他の場合には、１１６においていずれの条件も満たされない場合、構成されたプロセッサは、１２０においてＥＥＧ信号を提供するための別の異なる人を繰り返し選択し、１０１に戻って、新しい人からＥＥＧ信号を取得し、１１６において両方の条件が満たされるまで、ステップ１０２乃至１１４を繰り返す。

幾つかの「ベースライン」の実施形態において、第１の活動期間は、項目又は感覚等を識別するためにユーザによる精神活動をトリガする第２の訓練期間中、識別可能な項目、感覚等に対して提示される第２の感覚刺激又はデータの提示活動に応答して生成されるＥＥＧ信号に対して、ＥＥＧ信号入力を提供する人についてのヌル又はベースラインＥＥＧ信号プロファイルを確立する「非活動（no activity）」訓練期間又は段階である。従って、取得されたＥＥＧ信号は、第１の訓練期間中、人により生成され、そこで、構成されたプロセッサは、感覚（画像、聴覚、味覚、臭覚又は身体的感覚）刺激又はデータを人に受け取って解釈するために提示しない。構成されたプロセッサが感覚データを提示しないので、人は、１０３で取得されたＥＥＧ信号を生成する間、感覚データに精神的に反応しない又はこれを解釈しない。

この「ベースライン」の態様の一部において、構成されたプロセッサは、１０２において、人に、全ての画像若しくは音を、又は画像若しくは音の思考を積極的に忘れることなどにより、第１の訓練期間中、精神活動の「非活動」段階に入るため、及び、恐らく、呼吸し、静かに座ること等と関連した考え又は画像を除き、新しい思考、画像、又は音が生じるのを抑制するための命令を伝える。従って、本例においては、ラベル付けされた訓練データセットを生成するために用いられる他の人の各々は、訓練セット部分を生成するために、対応する訓練期間中、精神活動の「非活動」段階に入るように命令され、１０４において、構成されたプロセッサは、ラベル付けされた訓練セット部分と共通している、１０３で取得されたＥＥＧ信号のプロファイル部分を識別する。

「ベースライン」の実施形態において、第２の感覚刺激又はデータは、ユーザによる項目／感覚を識別するための精神活動をトリガする、識別可能な項目、感覚等に関する「提示活動」である。従って、１１０における提示活動訓練期間又は段階は、人が画像を処理し（例えば、木、テーブル、人、又は他のオブジェクトを識別し）、又は画像内に示される活動（人が走っている、笑っている等）を識別し、数学問題を完了し、写真上の見つからない項目を識別し、聴覚データ（音声スピーカーを介して人に提示された話される語若しくは数、又は異なる音調若しくは音色の数）を識別し、感覚（例えば、指の脈圧、熱感等）を説明し、さらに他の例が当業者には明らかであることをするように要求されている間に、ＥＥＣ信号を取得し、それにより、人が識別、又はカウント、又は記憶及び想起などのタスクを行うために必要とされる精神活動に積極的に関わっている間に、１１０においてＥＥＧ信号を獲得する。従って、対応する提示活動訓練期間中、他の人から取得された訓練セットＥＥＧ信号プロファイル部分は、構成されたプロセッサにより、１１０で取得された信号と比較された訓練セット内の「提示活動」信号部分としてラベル付けされ、提示活動としてラベル付けされた訓練セット部分にマッチする部分を１１２において識別し、それに応じて、これらの識別された部分を「提示活動」信号部分としてラベル付けし、さらに、１１０で取得されたＥＥＧ信号プロファイル部分とマッチしない提示活動としてラベル付けされた訓練セット内の他の信号部分に対してより大きく、訓練セット内の提示活動としてラベル付けされたマッチする信号部分の重みを調整する（増大させる）。

幾つかの実施形態は、それぞれのベースラインの（第１の、非活動の）及び第２の（活動）提示と関連して取得されたそれぞれのＥＥＧ信号の属性（振幅、量等）の値の間の差（デルタ）として、ラベル付けされた「第２の感覚情報」部分を判断及び訓練する。人間は、通常、異なる活動（話を聞く、発話を行う、読む、立ち上がる等）の実行、異なるタイプの刺激（マルチメディア・ビデオを読み、見て、理解する間、突然の音を処理する）の識別又はこれへの応答等に対して、及びそれを実行する間、ベースライン非活動期間に生成されたＥＥＧ信号の間の差（デルタ）を提示する。これらのデルタは、異なるＥＥＧ信号でＡＮＮを訓練する際にキャプチャされ、ＥＥＧ入力を提出するエンティティであるユーザがボットではなく真の人であるかどうかを正確に識別するために、態様により使用され得る。

他の実施形態は、データ属性に関して異なる第１及び第２の訓練期間の各々において感覚刺激又はデータを提示して、第１及び第２の訓練期間の各々において提示される感覚刺激又はデータの差が結果として互いに区別でき、異なるＥＥＧ信号の生成をトリガすることができ、例えば、信号を提供するエンティティが、第１の訓練期間中、エンティティに演奏される音の数をカウントするように要求され、第２の訓練期間中、赤いリンゴの画像を識別するように要求されることがあり、当業者にはさらに他の例が明らかであろう。

本発明の実施形態は、ＥＥＧ信号の比較を利用して、異なるリンクされた（第１及び第２の）感覚データを処理する際に同じ人により生成されたＥＥＧ信号を考慮することにより、人間のＥＥＧ信号入力を、スプーフィングされた（spoofed）信号と区別する。従って、異なる特性を有する異なるＥＥＧ信号が同じ人により生成され、ボットが、第１及び第２の訓練期間中ＡＮＮを訓練するために用いられる異なるＥＥＧ信号の各々を成功裡にスプーフィングし又はそれぞれのラベル付けされたＥＥＧ信号部分の間のデルタ又は差をスプーフィングする可能性を減らす。

ベースライン活動の関連付けに加えて、第１及び第２の感覚提示のリンクは、タイプに基づくことができ、類似したタイプの他の感覚提示は、リンク関係を満たし得る。例えば、第１の感覚提示がベースライン「非活動」タイプであり、第２の感覚提示が「画像認識タイプ」である場合（例えば、人が、リンゴの画像を識別するよう求められる）、ベースラインを、同じ「画像認識タイプ」の複数の感覚提示にリンクすることができる（例えば、人が、４本の脚を有するテーブルの画像又は赤い自動車の画像を識別するよう求められる、等）。従って、第１及び第２の感覚提示のタイプ若しくは他の属性における差若しくはデルタは、生成されたそれぞれのＥＥＧ信号の品質（エネルギー、振幅、波形周波数）における対応する差／デルタを生成するために利用され、ここで、この差は、ＡＮＮ内で割り当てられる重みで表され、それにより、それぞれのＥＥＧ信号を提出する際に人間をボットと区別するのに有用である。

本発明の態様は、ＣＡＰＴＣＨＡの代替的機構、及び識別のために人間の脳波のプロファイル部分の区別を利用することにより、ネットワーク接続の人間のユーザを識別するための（そして、ボットを拒否するための）他の従来技術のプロセスを提供し、そこでは、類似した又は共通の刺激に関して異なる人により生成された異なるＥＥＧ信号を用いて、人工ニューラル・ネットワーク（ＡＮＮ）を訓練することにより、処理のために人に提示された感覚情報の差に関して互いにさらに異なる、多数の人の間で共通した部分が、識別される。訓練手順の間、多数の人が、異なる視覚、聴覚、又は信号を提供する他の感覚入力の対の提示に応答して生成されたＥＥＧ信号に関してネットワークを訓練するために用いられる。異なる信号のグループ化（例えば、正の（項目の提示）及び負の（非提示又は活動）提示の対）によりＡＮＮが訓練され、ネットワークは、人間の訓練者に提示される特定の感覚情報に対応する重み付け係数のセットで訓練される。

訓練された重み付け係数及び人工ニューラル・ネットワーク（ＡＮＮ）の組み合わせは、人間を識別し、人間をボットと区別するためのシグネチャ方法又はプロセスとして使用される。訓練又は適用の際、人は、識別可能な信号を視覚的、聴覚的、又は他の方法で受け取り、それに応答して、人により必要とされる精神活動中、ＥＥＧ信号を生成して、提示された感覚情報信号を識別する。態様は、類似した感覚刺激に応答して他の人から取得されたＥＥＧ信号にマッチするように適用する選択をするために、全てのユーザにわたって共通しているＥＥＧ信号を、これらの共通の信号プロファイル部分を最も高く重み付けすることにより認識するようにＡＮＮを訓練する。キャプチャされた個々の信号は、ＡＮＮの最も高い重みのラベル付けされた部分と比較するための入力として使用され、入ってくる信号がボットからの捏造された信号ではなく、人間からのＥＥＧ信号であるかどうかを判断する。従って、信号は、訓練されたＡＮＮにより、ラベル付けされたＥＥＧ信号のリポジトリと比較される。ＡＮＮの結果が予想される結果（ＡＮＮを訓練するために用いられる複数の人にわたって共通のラベル付けされた信号部分のセット）とマッチする場合、本発明の態様は、関連したネットワーク化リソースのアクセス、ウェブ活動等が、ボットではなく、人間により生成されると判断する。

本発明の態様は、特定の感覚刺激又はデータの複製可能な提示に基づいて（それから生成された）ＥＥＧ結果のデータベース又は他のリポジトリを作成する。結果は、データセットを生成するために用いられる全ての人間にわたるＥＥＧ結果の類似性により、ＡＮＮプロセスを介して分類（重み付け）され、類似性は、百分率又は結果間の類似性の他の測定基準により定められる。機械学習を用いることにより、態様は、分類結果に基づいて、プロファイル部分のパターンを認識し、異なるように重み付けし、それを用いて分類を改善する。

態様は、本質的に、ＡＮＮを訓練するのに用いられる人にわたって共通している又は類似した識別可能なＥＥＧ信号部分をもたらす、提示された感覚データの種々の異なる特性及びカテゴリの関数として、ＥＥＧ結果内の共通のプロファイル部分を識別する。例えば、人に与えられた刺激が、特定の種類、モデル又はタイプの赤い車の写真である場合、人が、車（オブジェクト識別）、色（性質）、形状（特徴）、ブランド（特性）等について考えることに応答して、ＥＥＧ信号が生成され得る。ＥＥＧ信号が同じカテゴリ（属性、特性等）を有する異なる人への複数の提示から訓練される場合、ＥＥＧ結果プロファイル部分は、これらのカテゴリの各々でラベル付けすること又はフラグを立てることができる。態様のシステムは同じ画像を別のユーザに提示するとき、与えられる応答は、他の車の結果と同じようにマッチするだけでなく、同じ色、ブランド、特徴等を有する他の結果ともマッチする。色、ブランド、特徴等に関して異なる車の画像から生成されるＥＥＧ信号間の差は、提示される刺激に関して、色、形状、オブジェクト・タイプ、又はカテゴリ等の類似性又は差に基づいて、ＡＮＮにより実行されるラベル付けされたＥＥＧ信号部分のそれぞれの重み付けの対応する類似性又は差で表されるように、ＡＮＮにより自動的かつ自律的に求められる。

態様は、クラウド・ソーシングを用いて、大勢の人から大量のデータセットを生成することができ、そのことは、それに対応して、時間の経過と共に重み付けプロファイル部分の学習を改善し、それにより、プロセスの精度及び有効性が向上する。

態様は、テストされる人又はエンティティの特性を、ＥＥＧ信号の比較部分、すなわち訓練する人の特性であるものを訓練するために用いられる人に共通のものとマッチするように、提示された感覚情報を選択することもできる。考慮される特性の限定又は網羅的ではなく説明に役立つ例として、人口統計データ、クライアント・カテゴリ、仕事内容、又はスキルセット、雇用主の識別が挙げられ、さらに他のものも当業者には明らかであろう。従って、態様は、訓練データベースの作成を、クライアント・ベースのユーザに対してサービス・プロバイダにより管理されるなど、共有サービスのユーザのＥＥＧ信号に制限することがあり、そのことは、クライアントが、それぞれのシステムに対して態様を使用し、そのクライアントのニーズを満たすために、刺激及び生成された重み付けされたＥＥＧプロファイルを調整することを可能にする。例えば、ソフトウェア会社の場合、感覚刺激オブジェクト及び概念は、ＥＥＧ信号の生成の際にユーザにより認識され、より一般的に処理されるソフトウェア産業プロンプトを含むことができ、それにより、クライアント・ベースにわたる所与の刺激について共通のＥＥＧ信号出力を求める能力が高められる。訓練するユーザの閉じた集合に適応させることは、ユーザが特定の感覚刺激又はデータ項目について共通の考え方を共有し得るので、ＥＥＧ信号における共通性の識別を改善することもできる。

図７は、ＡＮＮの訓練に用いる前に、人から獲得された訓練されたデータを、最小基準を満たすようにテストする本発明の一実施形態を示す。より具体的には、２０２において、本発明の態様に従って構成されたプロセッサ（「構成されたプロセッサ」）が、選択された感覚コンテンツを人に提示する。２０４において、構成されたプロセッサは、訓練期間中、人からＥＥＧ信号をキャプチャし、２０６において、人工ニューラル・ネットワーク（ＡＮＮ）を用いて、「選択されたコンテンツ」部分としてラベル付けされた訓練セットＥＥＧ信号プロファイル部分と共通している、キャプチャされたＥＥＧ信号の部分を識別する。

２０８において、構成されたプロセッサは、ＡＮＮによりラベル付けされた訓練セット部分が、入力ＥＥＧ信号と信頼閾値内でマッチするかどうかを判断する。マッチしない場合、２１０において、構成されたプロセッサは、異なる感覚コンテンツを繰り返し選択し、２０４における訓練期間中、異なる選択されたコンテンツを人に提示し、２０８において閾値条件が満たされるまで、２０６及び２０８における判断を繰り返し、構成されたプロセッサは、２１２におけるキャプチャされたＥＥＧ信号プロファイル部分にマッチする「選択されたコンテンツ」としてラベル付けされた訓練セット部分の、ＡＮＮ内での重みを増大させる。

図７に示される態様に従って、ラベル付けされたデータセットの重み付けを、キャプチャされたＥＥＧ信号を提供する各人について個人化することができ、態様は、受容可能なＥＥＧ信号が訓練データを提供する人からキャプチャされるまで、異なる刺激を繰り返し選択及び提示する。異なるユーザは、信頼できる一貫したＥＥＧ信号出力を生成する際に異なる感覚刺激により強く又は確実に応答し得るので、本態様は、２０８において生成され、キャプチャされたＥＥＧ信号が必要な信頼レベル又は閾値を満たす（例えば、振幅が時間の経過と共に一定であり最小閾値を満たす、又は、振幅が、ＡＮＮ内で重み付け／訓練される、適切に（マッチする）ラベル付けされたプロファイル部分の最小数とマッチする、など）まで、異なる刺激を繰り返し提示する。ひとたびキャプチャされたＥＥＧ信号が、個人の属性又はユーザのニーズに応じて選択される指定閾値より上の訓練及びラベル付けされた部分との類似性レベルを達成すると、通常、信頼性レベルが取得される。

図８は、ネットワーク化リソースにアクセスするための入力として受け取ったＥＥＧ信号が、ボットではなく、人間により生成されたことを検証するために、本発明の実施形態により訓練されるＡＮＮを用いる、本発明の実施形態を示す。３０２において、本発明の態様に従って構成されたプロセッサ（「構成されたプロセッサ」）は、ネットワーク化リソース・ポータル（例えば、ログイン・ウェブページ、初期グリーティング画面等）内の選択された感覚データ項目の提示に応答する（その後の、又はそれと関連する）ＥＥＧ信号入力を獲得する。

３０４において、構成されたプロセッサは、獲得された入力信号を、ＡＮＮデバイス又は機構を訓練するために用いられるＥＥＧ信号と（これを、ＡＮＮを訓練するために用いられる人のＥＥＧ信号を含む、メモリ、クラウド・デバイス若しくはサービス、又はＡＮＮの他のリポジトリと）比較する。異なる人からキャプチャされたＥＥＧ信号は、通常、異なる人の間の生理機能の差が原因で、ある程度の変動を示す。入力が、単にコピーされ、ボットにより生成されたために、異なる人からキャプチャされたＥＥＧ信号の間に予想される変動のレベルを示さないものではなく、人間によるものである可能性が高いことを検証するために、３０４において、構成されたプロセッサは、入力ＥＥＧ信号が、格納されたＥＥＧ信号のいずれとも完全にマッチするものでないことを検証する。従って、指定精度値が１％であると判断される１つの例において（適用可能な測定基準内で比較されるＥＥＧ信号は、１％より多く変動するはずなので）、構成されたプロセッサは、３０４において、格納される信号のいずれかにマッチする百分率、すなわちマッチの確率が、９９．０％より大きくないかどうかを判断する。マッチ又は確率がこの精度係数を上回る場合、３０６において、構成されたプロセッサは、入力信号が既存のＥＥＧ信号からコピーされ、人間の存在をスプーフィングするために用いられている可能性が高いので、ボットからのものである可能性が高いとしてこの入力信号を拒否する。

従って、３０４において、入力信号が格納されたＥＥＧ信号のいずれとも完全にマッチしないと判断される（少なくとも指定精度値より異なる）場合、３０８において、構成されたプロセッサは、本入力信号セッションが、許容可能なログイン数又は他の検証試行を上回っていないことを検証する。３０８において、セッションが許容可能なログイン数／検証試行を上回ったと判断した場合、３０６において、構成されたプロセッサは、ボットからのものである可能性が高いとして入力信号を拒否し、他の場合には（３０８において、セッションが許容可能なログイン数／検証試行を上回っていないと判断した場合）、３１０において、構成されたプロセッサは、３０２で提示された選択された感覚データ項目でラベル付けされたＡＮＮ訓練セット部分が、入力ＥＥＧ信号の部分、又は入力ＥＥＧ信号の部分とエンティティについて判断されるベースライン信号（上述のとおり）との間のデルタと、信頼閾値内でマッチするかどうかを判断する。

構成されたプロセッサが、３１０において、ラベル付けされたＡＮＮ訓練セット部分又は関連したデルタが、入力ＥＥＧ信号の部分と信頼閾値内でマッチしないと判断する場合、３１２において、構成されたプロセッサは、別の異なる感覚データ項目を繰り返し選択し、３１４においてログインを試みているエンティティに提示し、プロセスは３０２に戻る。この態様は、３１０におけるＡＮＮ内でラベル付けされた信号部分のいずれにもマッチしないことが、人のエンティティの生理的属性、又はシステム内のノイズに起因し得るものであり、従って、態様は、リンク要件を満たすものを含む異なる感覚項目を、３１０においてそれらがパスするまで、又は３０８において多過ぎる試行がなされるまで処理することにより、エンティティに、適格とするための別の機会を与える。

従って、構成されたプロセッサが、３１０において、ラベル付けされたＡＮＮ訓練セット部分又は関連したデルタが、入力ＥＥＧ信号の部分と信頼閾値内でマッチすると判断した場合、３１４において、構成されたプロセッサは、入力が、ボットではなく人間からのものである可能性が高いと検証されたと判断する。

３０４における信号の検証は、キャプチャされた信号の起点に関する判断を含むこともでき、構成されたプロセッサは、入力ＥＥＧ信号が、ＥＥＧデバイスから直接もたらされる（例えば、エンドユーザ・マシン上のスクリプトを実行することにより、又は実行中のハンドシェイク・ルーチンを通じて、等）ことを検証する。これは、ボット又はハッカーが、ＥＥＧ信号のハードコードされたサンプルを用いることにより、３０２における人間の信号入力をスプーフィングすることを回避する。デバイス又はユーザからの付加的な入力を用いて、ＥＥＧ読み取りがユーザからもたらされること（そして、代わりに以前に作成されたファイル・コピー、又は記録ではないこと）を検証できる。検証入力の例は、スマート・ウオッチ、スマートフォン、ハードビート・センサ、加速度計等のようなパーソナル・ユーザ・モバイル・デバイスからの一意のデバイス及びセンサ識別を含む。スマート・ハウス・センサなどの予め登録されたモノのインターネット（Internet-of-Things、ＩＯＴ）デバイスを使用し、ユーザの位置を確認するために受け取ったデータのインターネット・プロトコル（ＩＰ）アドレスを用いてＩｏＴデータを照合確認することなど、ユーザが家に居ることを検証することもできる。

本発明の態様は、付加的な検証ルーチン及びプロセスを組み込むこともでき、例えば、構成されたプロセッサは、アクション（話す、動く、瞬きする等）を実行するためにＥＥＧ信号を提供するエンティティを問題にすることができ、ＥＥＧ信号は、実行される物理的アクションを表す。こうした実施形態は、より効率的な識別を可能にし、必要とする訓練がより少なく、要求されるアクションを実行する結果得られるＥＥＧ信号は、精神処理ルーチンに対してより強く一意であり、複製可能であり、システムが一意に関連付けられたＥＥＧ信号として識別するのがより容易な特性を有する。

態様は既知のボットを追跡し、既知のスプーフィングの試みと関連したデータ及びメタデータ（ユーザ名、ｅメール、アドレス、ＩＰアドレス、サーバ位置等）を記録することにより、ＥＥＧ応答をシミュレートしようと試みたボットのブラックリストを生成することができる。３０４における検証はさらに、３０２において獲得されたＥＥＧ信号の起点を示すデータがブラックリスト上にないとの判断を必要とすることができる。

本発明の態様は、ＥＥＧ結果の類似性により分類することができ、類似性を結果間の類似性の百分率により定めることができる所与の刺激に基づいて、ＥＥＧ結果のデータベースを訓練する。態様は、機械学習を用いて、分類された結果に基づいてパターンを作成し、それを用いて分類を改善する。各ＥＥＧ結果は、幾つかのカテゴリにあるものとすることができ、例えば、ユーザに与えられる刺激が、赤い車の写真の形態である場合、ユーザの脳は、車（オブジェクト）、色（性質）、形状（特徴）、ブランド（特性）等を考えること（その画像を処理すること）ができ、幾つかの態様は、これらの異なるカテゴリの各々に対してＥＥＧ結果にフラグを立て、システムが同じ画像を別のユーザに提示するとき、ポジティブ・マッチの機会を増大させることができる（与えられる応答は、他の車の結果だけでなく、同じ色、ブランド、特徴等を有する他の読み取りともマッチするので）。訓練及びラベル付けされたＥＥＧ信号部分セットを共有し（例えば、サービスとして）、他のユーザがそれぞれのシステム内にデプロイすることを可能にすることができる。

態様は、各ユーザについて個人化された訓練及びラベル付けされたＥＥＧ信号部分セットを個人化することもできる。例えば、態様は、所与のユーザに対して複数の関連したＥＥＧ読み取りをアップロードし、システムが、ユーザ特性及びニーズに基づいて変化し得るそのユーザについての信頼レベルに達するまで、幾つかのＥＥＧ読み取りを要求することができる。

態様は、ＥＥＧ信号（応答）から多因子（多層）の入力を作成することができる。単にＥＥＧ信号を一次元の人間の思考の刺激に関連付けるだけではなく、態様は、活動間のデルタ、及び人間により実行される異なるアクション間の異なる特性を考慮することにより、付加的な抽象化層を加える。

本明細書で用いられる用語は、態様を説明するためだけのものであり、本発明を限定することを意図したものではない。本明細書内で用いられる場合、単数形「１つの（a）」、「１つの（an）」及び「その（the）」は、文脈がそうでないことを明確に示していない限り、複数形も含むことを意図している。さらに、用語「含む（include）」及び「含んでいる（including）」は、本明細書で用いられる場合、記述された特徴、整数、ステップ、動作、要素、及び／又はコンポーネントの存在を指定するが、１つ又は複数の他の特徴、整数、ステップ、動作、要素、コンポーネント、及び／又はその群の存在又は付加を除外するものではないことが理解されるであろう。特許請求の範囲及び図に示されるようなものを含む、本明細書において説明された特定の例及び要素は、一意の形容詞によって他のものと区別すること又は他の方法で識別することができる（例えば、「第１の」要素は、複数の要素のうちの別の「第２の」又は「第３の」のものと区別され、「一次」は「二次」と区別され、又はある項目は「別の」項目と区別されるなど）。そのような識別形容詞は、一般に、混乱又は不確実性を減らすために用いられるものであり、特許請求の範囲をいずれかの特定の示される要素又は実施形態に限定するもの、又はいずれかの特許請求された要素、制限又はプロセス・ステップの何らかの優先度、順序付け又はランク付けを意味するものと解釈されるべきではない。

本発明の種々の実施形態の説明は、例証の目的のために提示されたが、これらは、網羅的であること、又は本発明を開示した実施形態に限定することを意図するものではない。当業者には、説明される実施形態の範囲及び趣旨から逸脱することなく、多くの修正及び変形が明らかであろう。本明細書で用いられる用語は、実施形態の原理、実際の適用、又は市場に見られる技術に優る技術的改善を最もよく説明するため、又は、当業者が、本明細書に開示される実施形態を理解するのを可能にするために選択された。

１０：コンピューティング・ノード
１２：コンピュータ・システム／サーバ
１６：プロセッサ又は処理ユニット
１８：バス
２８：システム・メモリ
５０：クラウド・コンピューティング環境
６０：ハードウェア及びソフトウェア層
７０：仮想化層
８０：管理層
９０：ワークロード層
１８０：プロファイル部分
１８２：脳波（ＥＥＧ）信号波形

Claims (16)

1. コンピュータの情報処理による、ニューロン応答に基づいた人間検出の方法であって、前記方法は、
   第１の感覚情報のエンティティへの提示中、前記エンティティから第１の脳波信号を取得することと、
   取得された前記第１の脳波信号を、前記第１の感覚情報としてラベル付けされた複数の訓練された脳波信号プロファイル部分の各々と比較することであって、前記第１の感覚情報としてラベル付けされた前記複数の訓練された脳波信号プロファイル部分は、前記第１の感覚情報に対応する感覚情報の複数の異なる人への提示の関数として、前記複数の異なる人により最も多くに共通して生成される脳波信号を表す、比較することと、
   第１の訓練期間中に第１の人から第１の訓練脳波信号を取得することであって、前記第１の訓練脳波信号は、前記第１の訓練期間中に、前記第１の感覚情報の前記第１の人への提示に応答して、前記第１の人により生成される、取得することと、
   取得された前記第１の訓練脳波信号を、前記第１の感覚情報としてラベル付けされた前記複数の訓練された脳波信号プロファイル部分の各々と比較することと、
   取得された前記第１の訓練脳波信号のプロファイル部分との類似点を判断することに応答して最多共通重み値を増大させ、かつ、取得された前記第１の訓練脳波信号の前記プロファイル部分との相違点を判断することに応答して前記最多共通重み値を減少させるように、第１の感覚情報訓練セット部分としてラベル付けされた前記複数の訓練された脳波信号プロファイル部分の各々を重み付けすることと、
   前記第１の感覚情報としてラベル付けされた前記複数の訓練された脳波信号プロファイル部分のうち最も高い最多共通重み値を有するものに対する取得された前記第１の脳波信号のマッチの強度の関数として、前記エンティティが人間であるかどうかを判断することと、
   を含む、方法。
2. 前記第１の感覚情報とは異なる第２の感覚情報の前記エンティティへの提示に応答して、前記エンティティから第２の脳波信号を取得することと、
   取得された前記第２の脳波信号を、前記第２の感覚情報としてラベル付けされた複数の訓練された脳波信号プロファイル部分の各々と比較することであって、前記第２の感覚情報としてラベル付けされた前記複数の訓練された脳波信号プロファイル部分は、前記第２の感覚情報に対応する感覚情報の複数の異なる人への提示の関数として、前記複数の異なる人により最も多くに共通して生成される脳波信号を表す、比較することと、
   をさらに含み、
   前記エンティティが人間であるかどうかを判断することは、さらに、前記第２の感覚情報としてラベル付けされた前記複数の訓練された脳波信号プロファイル部分のうち最も高い最多共通重み値を有するものに対する取得された前記第２の脳波信号のマッチの強度の
   関数である、請求項１に記載の方法。
3. 取得された前記第１の脳波信号が、前記第１の感覚情報としてラベル付けされた前記複数の訓練された脳波信号プロファイル部分のものに指定精度値内でマッチすると判断することに応答して、前記エンティティは人間ではないと判断することをさらに含む、請求項１に記載の方法。
4. 前記複数の異なる人の特性に共通している前記エンティティの特性にマッチするように、前記第１の感覚情報を選択することをさらに含み、前記エンティティの前記特性は、人口統計データ、クライアント・カテゴリ、仕事内容、スキルセット、及び雇用主の識別から成る群から選択される、請求項１に記載の方法。
5. 取得された前記エンティティの脳波信号の入力が、前記エンティティの脳波信号の入力を提供するエンドユーザ・マシン上のスクリプトの実行、及び前記エンドユーザ・マシン上のハンドシェイク・ルーチンの実行から成る群から選択されるプロセスの関数として、承認されたデバイスから直接もたらされることを検証することと、
   前記検証が失敗したとの判断に応答して、前記エンティティは人間ではないと判断することと、
   をさらに含む、請求項１に記載の方法。
6. 前記第１の感覚情報とは異なるベースライン感覚情報の前記エンティティへの提示中、前記エンティティからベースライン脳波信号を取得することと、
   取得された前記第１の脳波信号の属性の値と取得された前記ベースライン脳波信号の前記属性の値との間の差としてデルタ値を求めることと、
   をさらに含み、
   取得された前記第１の脳波信号を前記第１の感覚情報としてラベル付けされた前記複数の訓練された脳波信号プロファイル部分の各々と比較することは、求められた前記デルタ値を、前記第１の感覚情報としてラベル付けされた複数のデルタ脳波信号プロファイル部分の各々と比較することを含み、前記第１の感覚情報としてラベル付けされた前記複数のデルタ脳波信号プロファイル部分はそれぞれ、前記ベースライン感覚情報の提示中に前記複数の異なる人から取得されたベースライン脳波信号のうち最も多くに共通するものに対する、前記第１の感覚情報の提示中に前記複数の異なる人から取得された脳波信号のうち最も多くに共通するものの差として求められる、請求項１に記載の方法。
7. 前記ベースライン感覚情報の前記提示は「非活動」提示段階である、請求項６に記載の方法。
8. 前記第１の感覚情報訓練セット部分としてラベル付けされた前記複数の訓練された脳波信号プロファイル部分のうち最も高い最多共通重み値を有する閾値数のものが、閾値重み付け値を有すると判断するまで、複数の新しい人の各々について繰り返し反復することにより、第１の感覚情報訓練セット部分としてラベル付けされた前記複数の訓練された脳波信号プロファイル部分を訓練することと、
   第１の訓練期間中、前記第１の感覚情報の各々の新しい人への提示に応答して、各々の新しい人により生成される新しい人の訓練脳波信号を取得することと、
   取得された前記新しい人の訓練脳波信号を、前記第１の感覚情報訓練セット部分としてラベル付けされた前記複数の訓練された脳波信号プロファイル部分と比較することと、
   取得された前記新しい人の訓練脳波信号のプロファイル部分との類似点を判断することに応答して最多共通重み値を増大させ、かつ、取得された前記新しい人の訓練脳波信号の前記プロファイル部分との相違点を判断することに応答して前記最多共通重み値を減少させるように、前記第１の感覚情報訓練セット部分としてラベル付けされた前記複数の訓練された脳波信号プロファイル部分の各々の前記重み付けを改訂することと、
   をさらに含む、請求項７に記載の方法。
9. プロセッサと、前記プロセッサと回路上通信するコンピュータ可読メモリと、前記プロセッサと回路上通信するコンピュータ可読ストレージ媒体とを含むコンピュータ・システム内にコンピュータ可読プログラム・コードを統合することをさらに含み、
   前記プロセッサは、前記コンピュータ可読メモリを介してコンピュータ可読ストレージ媒体上に格納されたプログラム・コード命令を実行し、それにより、前記第１の感覚情報の前記エンティティへの提示中に前記エンティティから前記脳波信号を取得することと、取得された前記脳波信号を前記第１の感覚情報としてラベル付けされた前記複数の訓練された脳波信号プロファイル部分の各々と比較することと、前記第１の感覚情報としてラベル付けされた前記複数の訓練された脳波信号プロファイル部分のうち前記最も高い最多共通重み値を有するものに対する取得された前記脳波信号のマッチの強度の関数として、前記エンティティが人間であるかどうかを判断することとを実行する、請求項１に記載の方法。
10. 前記コンピュータ可読プログラム・コードは、クラウド環境におけるサービスとして提供される、請求項９に記載の方法。
11. システムであって、
    プロセッサと、
    前記プロセッサと回路上通信するコンピュータ可読メモリと、
    前記プロセッサと回路上通信するコンピュータ可読ストレージ媒体と、
    を含み
    前記プロセッサは、前記コンピュータ可読メモリを介して前記コンピュータ可読ストレージ媒体上に格納されたプログラム命令を実行し、それにより、
    第１の感覚情報のエンティティへの提示中、前記エンティティから第１の脳波信号を取得することと、
    取得された前記第１の脳波信号を、第１の感覚情報としてラベル付けされた複数の訓練された脳波信号プロファイル部分の各々と比較することであって、前記第１の感覚情報としてラベル付けされた前記複数の訓練された脳波信号プロファイル部分は、前記第１の感覚情報に対応する感覚情報の複数の異なる人への提示の関数として、前記複数の異なる人により最も多くに共通して生成される脳波信号を表す、比較することと、
    第１の訓練期間中に第１の人から第１の訓練脳波信号を取得することであって、前記第１の訓練脳波信号は、前記第１の訓練期間中に、前記第１の感覚情報の前記第１の人への提示に応答して、前記第１の人により生成される、取得することと、
    取得された前記第１の訓練脳波信号を、前記第１の感覚情報としてラベル付けされた前記複数の訓練された脳波信号プロファイル部分の各々と比較することと、
    取得された前記第１の訓練脳波信号のプロファイル部分との類似点を判断することに応答して最多共通重み値を増大させ、かつ、取得された前記第１の訓練脳波信号の前記プロファイル部分との相違点を判断することに応答して前記最多共通重み値を減少させるように、第１の感覚情報訓練セット部分としてラベル付けされた前記複数の訓練された脳波信号プロファイル部分の各々を重み付けすることと、
    前記第１の感覚情報訓練セット部分としてラベル付けされた前記複数の訓練された脳波信号プロファイル部分のうち最も高い最多共通重み値を有する閾値数のものが、閾値重み付け値を有すると判断するまで、複数の新しい人の各々について繰り返し反復することにより、第１の感覚情報訓練セット部分としてラベル付けされた前記複数の訓練された脳波信号プロファイル部分を訓練することと、
    第１の感覚情報としてラベル付けされた前記複数の訓練された脳波信号プロファイル部分のうち最も高い最多共通重み値を有するものに対する取得された前記第１の脳波信号のマッチの強度の関数として、前記エンティティが人間であるかどうかを判断することと、
    を行う、システム。
12. 前記プロセッサは、前記コンピュータ可読メモリを介して、前記コンピュータ可読ストレージ媒体上に格納された前記プログラム命令を実行し、それにより、
    前記第１の感覚情報とは異なる第２の感覚情報の前記エンティティへの提示に応答して、前記エンティティから第２の脳波信号を取得することと、
    取得された前記第２の脳波信号を、前記第２の感覚情報としてラベル付けされた複数の訓練された脳波信号プロファイル部分の各々と比較することであって、前記第２の感覚情報としてラベル付けされた前記複数の訓練された脳波信号プロファイル部分は、前記第２の感覚情報に対応する感覚情報の複数の異なる人への提示の関数として、前記複数の異なる人により最も多くに共通して生成される脳波信号を表す、比較することと、
    前記第２の感覚情報としてラベル付けされた前記複数の訓練された脳波信号プロファイル部分うち最も高い最多共通重み値を有するものに対する取得された前記第２の脳波信号のマッチの強度の関数として、前記エンティティが人間であるかどうかを判断することと、
    を行う、請求項１１に記載のシステム。
13. 前記プロセッサは、前記コンピュータ可読メモリを介して前記コンピュータ可読ストレージ媒体上に格納された前記プログラム命令を実行し、それにより、
    前記第１の感覚情報とは異なるベースライン感覚情報の前記エンティティへの提示中、前記エンティティからベースライン脳波信号を取得することと、
    取得された第１の脳波信号の属性の値と取得された前記ベースライン脳波信号の前記属性の値との間の差としてデルタ値を求めることと、
    求められた前記デルタ値を、前記第１の感覚情報としてラベル付けされた複数のデルタ脳波信号プロファイル部分の各々と比較することにより、取得された前記第１の脳波信号を、前記第１の感覚情報としてラベル付けされた前記複数の訓練された脳波信号プロファイル部分の各々と比較することであって、前記第１の感覚情報としてラベル付けされた前記複数のデルタ脳波信号プロファイル部分はそれぞれ、前記ベースライン感覚情報の提示中に複数の異なる人から取得されたベースライン脳波信号のうち最も多くに共通するものに対する、前記第１の感覚情報の提示中に前記複数の異なる人から取得された脳波信号のうち最も多くに共通するものの差として求められる、比較することと、
    を行う、請求項１１に記載のシステム。
14. 前記プロセッサは、前記コンピュータ可読メモリを介して前記コンピュータ可読ストレージ媒体上に格納された前記プログラム命令を実行し、それにより、
    前記第１の訓練期間中、第１の人から第１の訓練脳波信号を取得することであって、前記第１の訓練脳波信号は、前記第１の訓練期間中、前記第１の感覚情報の前記第１の人への提示に応答して、前記第１の人により生成される、取得することと、
    取得された前記第１の訓練脳波信号を、前記第１の感覚情報としてラベル付けされた前記複数の訓練された脳波信号プロファイル部分の各々と比較することと、
    取得された前記第１の訓練脳波信号のプロファイル部分との類似点を判断することに応答して最多共通重み値を増大させ、かつ、取得された前記第１の訓練脳波信号の前記プロファイル部分との相違点を判断することに応答して前記最多共通重み値を減少させるように、第１の感覚情報訓練セット部分としてラベル付けされた前記複数の訓練された脳波信号プロファイル部分の各々を重み付けすることと、
    を行う、請求項１１に記載のシステム。
15. 請求項１から請求項１０までのいずれか１項に記載の方法をコンピュータに実行させるコンピュータ・プログラム。
16. 請求項１５に記載のコンピュータ・プログラムを格納したコンピュータ可読ストレージ媒体。

Images