JP7402165B2 - 可動式処置デバイスの位置特定を実施するための装置及び方法 - Google Patents

Description

本発明の実施形態は、可動式処置デバイスの位置特定を実施するための装置、可動式処置デバイスの位置特定を実施するための方法、並びにコンピュータ又は信号プロセッサ上で実行されているときに、可動式処置デバイスの位置特定を実施するための上記方法を実装するためのコンピュータプログラムに関する。

本発明の更なる実施形態は、可動式個人用器具の運動を分類するための装置、可動式個人用器具の運動を分類するための方法、並びにコンピュータ又は信号プロセッサ上で実行されているときに、可動式個人用器具の運動を分類するための上記方法を実装するためのコンピュータプログラムに関する。

可動式処置デバイスは、表面などを処置するために使用され得る。例えば、可動式処置デバイスは、ヘアブラシ、かみそり、グルーマ、歯ブラシなどの個人用器具に関係し得る。これらの例では、処置される表面は、身体、又は上記身体の少なくとも特定の部分若しくはゾーンであり得る。

可動式処置デバイスの他の例としては、例えば、ほうき、モップ、スクラビングブラシなどの家庭用器具を挙げることができる。これらの例では、処置される表面は、床、又は上記床の少なくとも特定の部分若しくはゾーンであり得る。

いくつかの用途では、可動式処置デバイスの現在の場所を知ることが有用である場合がある。いくつかの用途では、追加的又は代替的に、特に個人用器具の場合に、可動式処置デバイスの運動を分類することが有用である場合がある。

現今では、撮像技法は、対象表面に対して可動式処置デバイスを位置特定するために、例えば、上記対象表面を捕捉するカメラによって使用され得る。可動式処置デバイスを位置特定するために、ＧＰＳセンサなどのセンサを使用することが知られている場合もある。上述の撮像技法を、可動式処置デバイスの運動を撮像し、上記捕捉された運動を分類するために使用することもできる。

これらの一般的なデバイス及び方法は、大まかな位置特定及び分類のために好適に申し分なく作用し得る。しかしながら、いくつかの欠点が存在し得る。例えば、ＧＰＳセンサは、屋外条件でのみ十分に申し分なく作用し得る。対象表面を捕捉するカメラの視界は、時には可動式処置デバイス自体によっても妨害される場合がある。更に、異なるユーザが可動式処置デバイス、例えば、個人用器具を使用している場合であっても、上述のデバイス及び方法の出力は、各ユーザが、上記可動式処置デバイスをどのように使用するかの個別のスタイル及び嗜好を有し得るとしても、ユーザごとに常に同じである。

したがって、可動式処置デバイスの正確な位置特定、及び／又は上述の欠点を伴わない可動式処置デバイスの運動の正確な分類を可能にする、装置及び方法を提供することが望ましいであろう。更に、異なる人物に個別に訓練された技法を提供することによって、これらの装置及び方法を個人化することが望ましいであろう。

一態様によれば、対象表面に対する可動式処置デバイスの位置特定を実施するための装置であって、可動式処置デバイスが、慣性センサを備え、対象表面を処置するように構成されている、装置が提供される。装置は、可動式処置デバイスの運動パターンのセットに含まれる２つ以上の運動パターン間を判別するように構成され得る、運動パターン認識デバイスを備え得る。装置は、慣性センサからの少なくとも１つの慣性センサデータを運動パターン認識デバイスに提供するためのインターフェースを更に備えることができ、少なくとも１つの慣性センサデータは、可動式処置デバイスの運動を表す。運動パターン認識デバイスは、少なくとも１つの慣性センサデータを受信するように構成されたニューラルネットワークを備え得る。ニューラルネットワークは、運動パターンのセットに含まれる運動パターンのうちの少なくとも１つに少なくとも１つの慣性センサデータをマッピングするように更に構成され得る。上記運動パターンは各々、対象表面の１つ以上の異なるゾーンに関連付けられてもよく、それにより、少なくとも１つの運動パターンとの少なくとも１つの慣性センサデータのマッピングは、対象表面の１つ以上のゾーンに対する可動式処置デバイスの位置の推定を示す。

一態様によれば、対象表面に対する可動式処置デバイスの位置特定を実施するための方法であって、可動式処置デバイスが、慣性センサを備え、対象表面を処置するように構成されている、方法が提供される。本方法は、可動式処置デバイスの運動パターンのセットに含まれる２つ以上の運動パターン間を判別する工程を含み得る。本発明の方法は、慣性センサからの少なくとも１つの慣性センサデータを受信する工程を更に含むことができ、少なくとも１つの慣性センサデータは、可動式処置デバイスの運動を表す。更に、本発明の方法は、ニューラルネットワークによって、少なくとも１つの慣性センサデータを受信して処理する工程と、運動パターンのセットに含まれる運動パターンのうちの少なくとも１つに少なくとも１つの慣性センサデータをマッピングする工程と、を含み得る。運動パターンのセットに含まれる上記運動パターンは各々、対象表面の１つ以上の異なるゾーンに関連付けられ、それにより、少なくとも１つの運動パターンと少なくとも１つの慣性センサデータをマッピングする工程は、対象表面の１つ以上のゾーンに対する可動式処置デバイスの位置の推定を示す。

一態様によれば、コンピュータプログラムが記憶されたコンピュータ可読デジタル記憶媒体であって、コンピュータプログラムが、コンピュータ上で作動しているときに、対象表面に対する可動式処置デバイスの位置特定を実施するための上述の方法を実施するためのプログラムコードを有する、コンピュータ可読デジタル記憶媒体が提供される。

一態様によれば、慣性センサを備える可動式個人用器具の運動を分類するための装置であって、装置が、可動式個人用器具の運動パターンのセットに含まれる２つ以上の運動パターン間を判別するように構成された運動パターン認識デバイスを備える、装置が提供される。装置は、慣性センサからの少なくとも１つの慣性センサデータを運動パターン認識デバイスに提供するように構成されたインターフェースを更に備えることができ、少なくとも１つの慣性センサデータは、可動式個人用器具の運動を表す。運動パターン認識デバイスは、少なくとも１つの慣性センサデータを受信し、かつ運動パターンのセットに含まれる運動パターンのうちの少なくとも１つに少なくとも１つの慣性センサデータをマッピングするように構成されたニューラルネットワークを備え得る。少なくとも１つのマッピングされた運動パターンは、１つ以上のクラスの少なくとも１つのクラスメンバに関連付けられ、それにより、少なくとも１つのクラスメンバは、可動式個人用器具の運動に基づいて選択される。

一態様によれば、慣性センサを備える可動式個人用器具の運動を分類するための方法が提供される。本方法は、可動式個人用器具の運動パターンのセットに含まれる２つ以上の運動パターン間を判別する工程を含み得る。本方法は、慣性センサからの少なくとも１つの慣性センサデータを運動パターン認識デバイスに提供する工程を更に含むことができ、少なくとも１つの慣性センサデータは、可動式個人用器具の運動を表す。本方法は、ニューラルネットワークによって、少なくとも１つの慣性センサデータを受信して処理する工程と、運動パターンのセットに含まれる運動パターンのうちの少なくとも１つに少なくとも１つの慣性センサデータをマッピングする工程と、を更に含み得る。少なくとも１つのマッピングされた運動パターンは、少なくとも１つのクラスの少なくとも１つのクラスメンバに関連付けられ、それにより、少なくとも１つのクラスメンバは、可動式個人用器具の運動に基づいて選択される。

一態様によれば、コンピュータプログラムが記憶されたコンピュータ可読デジタル記憶媒体であって、コンピュータプログラムが、コンピュータ上で作動しているときに、可動式個人用器具の運動を分類するための上述の方法を実施するためのプログラムコードを有する、コンピュータ可読デジタル記憶媒体が提供される。

以下では、本発明の実施形態は、図面を参照してより詳細に記載されている。
一実施形態による、本発明の装置の概略ブロック図を示している。 可動式処置デバイスで処置される対象表面の一例を示している。 可動式処置デバイスで処置される対象表面の更なる例を示している。 本発明の装置で使用され得る回帰型ニューラルネットワークの概略ブロック図を示している。 本発明の装置で使用され得るＧＲＵニューラルネットワークの概略ブロック図を示している。 本発明の装置で使用され得るＬＳＴＭニューラルネットワークの概略ブロック図を示している。 異なる時間インスタンスにおける１つの層を有するＬＳＴＭニューラルネットワークの概略ブロック図を示している。 異なる時間インスタンスにおける２つの層を有するＬＳＴＭニューラルネットワークの概略ブロック図を示している。 一実施形態による、本発明の方法のブロック図を示している。 一実施形態による、本発明の装置の概略ブロック図を示している。 更なる実施形態による、本発明の装置の概略ブロック図を示している。 更なる実施形態による、本発明の装置の概略ブロック図を示している。 一実施形態による、本発明の方法のブロック図を示している。

均等又は等価の要素若しくは均等又は等価の機能を有する要素は、以下の記述で、均等又は等価の参照符合で示される。

以下では、個人用器具への参照がなされ、かつ／又は可動式処置デバイスの非限定的な例として、家庭用器具への参照がなされる。しかしながら、これらの器具の種類は、本発明の実施形態及び例を記載するための非限定的な例としてのみ記述されている。したがって、本発明は、これらの例示的に記述される種類の器具のみに限定されるものではない。

更に、方法の任意の方法工程の順序は、非限定的な例としてのみ記載され得る。したがって、本明細書に記載される任意の方法工程を、記載される以外の任意の他の順序で実行することもできる。

いくつかの態様は装置又はデバイスに関して説明されているが、これらの態様は、対応する方法の説明も表すことは明らかであり、ブロック又はデバイスは方法工程又は方法工程の特徴に対応する。同様に、方法又は方法工程に関して説明した態様は、対応する装置又はデバイスの対応するブロック又はアイテム又は特徴の説明も表す。

本発明の第１の態様は、可動式処置デバイスを位置特定するように、特に、可動式処置デバイスを、上記処置デバイスで処置される表面に対して、位置特定するように構成された装置に関する。

かかる可動式処置デバイスの例は、例えば、個人用器具であり得る。個人用器具は、例えば、ヘアブラシ、かみそり、グルーマ、歯ブラシなどであり得る。これらの例では、処置される表面は、身体、又は上記身体の少なくとも特定の部分若しくはゾーンであり得る。

可動式処置デバイスの他の例は、例えば、ほうき、モップ、スクラビングブラシなどの家庭用器具に関し得る。これらの例では、処置される表面は、床、又は上記床の少なくとも特定の部分若しくはゾーンであり得る。

図１は、本発明の一実施形態による装置１０を示している。更に、可動式処置デバイス１１が描写されている。可動式処置デバイス１１は、慣性センサ１３を備え得る。更に、可動式処置デバイス１１は、対象表面１２を処置するように構成され得る。

見られ得るように、可動式処置デバイス１１は、対象表面１２に対して特定の場所、例えば、対象表面１２の中に、そこにおいて、その上に、又はその隣に位置し得る。対象表面１２自体は、１つ以上のゾーン２１_１、２１_２、２１_３、…、２１_ｎに分割され得る。可動式処置デバイス１１は、上記ゾーン２１_１、２１_２、２１_３、…、２１_ｎのうちの少なくとも１つに対する場所に移動され得るか、又は位置し得る。

図１に描写される本発明の装置１０は、対象表面１２に対して可動式処置デバイス１１の位置特定を実施するように構成されている。

装置１０は、運動パターン認識デバイス１４を備え得る。運動パターン認識デバイス１４は、可動式処置デバイス１１の運動パターンのセット１５に含まれる２つ以上の運動パターン１５_１、１５_２、１５_３、…、１５_ｎ間を判別するように構成され得る。換言すれば、可動式処置デバイス１１は、例えば、上記可動式処置デバイス１１を使用するユーザによって、異なる線形方向及び／又は回転方向に移動され得る。したがって、可動式処置デバイス１１の各運動は、それぞれ又は個別の運動パターンを表し得る。運動パターン認識デバイス１４は、異なる運動パターンのセット１５を含み得る。運動パターンのセット１５は、前述のそれぞれ又は個別の運動パターン１５_１、１５_２、１５_３、…、１５_ｎのうちの２つ以上を含み得る。運動パターン認識デバイス１４は、これら２つ以上の運動パターン１５_１、１５_２、１５_３、…、１５_ｎ間を判別するように構成され得る。つまり、運動パターン認識デバイス１４は、第１の運動パターン１５_１を第２の運動パターン１５_２から区別するように構成され得る。

可動式処置デバイス１１の運動は、可動式処置デバイス１１が備える少なくとも１つの慣性センサ１３によって検出され得る。慣性センサ１３は、慣性に基づくセンサであり、加速度計、ジャイロスコープ、及び磁力計のうちの少なくとも１つを含み得る。慣性センサ１３は、線形速度、角速度、線形加速度、角加速度、及び重力のうちの少なくとも１つを表すセンサデータを提供し得る。慣性センサ１３は、１つ以上の慣性センサを備える慣性測定ユニットの一部であり得る。

装置１０は、慣性センサ１３からの少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを受信するための、並びに少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを運動パターン認識デバイス１４に提供するための、インターフェース１６を備え得る。少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎは、可動式処置デバイス１１の運動を表す。換言すれば、可動式処置デバイス１１が移動すると、慣性センサ１３は、この運動を検知し、少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを作成する。したがって、少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎは、移動した処置デバイス１１のそれぞれの運動を表す。

本開示によれば、運動パターン認識デバイス１４は、ニューラルネットワーク１８を備え得る。ニューラルネットワーク１８は、深層学習ネットワークであり得る。ニューラルネットワーク１８は、少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを受信し、かつ運動パターンのセット１５に含まれる運動パターン１５_１、１５_２、１５_３、…、１５_ｎのうちの少なくとも１つに少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎをマッピングするように構成され得る。このマッピングは、図１において、破線及び実線の矢印１９_１、１９_２、１９_３、１９_４によって示されている。実線で描画された矢印１９_３は、ニューラルネットワーク１８が、少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを第３の運動パターン１５_３にうまくマッピングしたことを例示的に示し得る。

セット１５に含まれる異なる運動パターン１５_１、１５_２、１５_３、…、１５_ｎは、単に例示目的のために、異なる幾何学的形状（円、矩形、三角形、星形）によって例示的に記号化される。可動式処置デバイス１１の運動パターンは、当然ながら、これらの特定の幾何学的形状に限定されない。

本発明の原理によれば、運動パターン１５_１、１５_２、１５_３、…、１５_ｎは各々、対象表面１２の１つ以上の異なるゾーン２１_１、２１_２、２１_３、…、２１_ｎに関連付けられる。これは、破線及び実線の矢印２０_１、２０_２、２０_３、…、２０_ｎによって示されている。見られ得るように、第１の運動パターン１５_１は、破線の矢印２０_１によって示されるように、対象表面１２の第１のゾーン２１_１に関連付けられ得る。第２の運動パターン１５_２は、破線の矢印２０_２によって示されるように、対象表面１２の第２のゾーン２１_２に関連付けられ得る。第３の運動パターン１５_３は、実線で描画された矢印２０_３によって示されるように、対象表面１２の第３のゾーン２１_３に関連付けられ得る。第４の運動パターン１５_４は、破線矢印２０_４によって示されるように、対象表面１２の第４のゾーン２１_４に関連付けられ得る。

実線で描画された矢印２０_３は、ニューラルネットワーク１８によって少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎをうまくマッピングした第３の運動パターン１５_３が、対象表面１２の第３のゾーン２１_３に関連付けられることを例示的に示し得る。

したがって、少なくとも１つの運動パターン１５_１、１５_２、１５_３、…、１５_ｎとの少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎのマッピングは、対象表面１２の１つ以上のゾーン２１_１、２１_２、２１_３、…、２１_ｎに対する可動式処置デバイス１１の位置の推定を示す。本例では、第３の運動パターン１５_３との少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎのマッピングは、対象表面１２の第３のゾーン２１_３に対する可動式処置デバイス１１の位置の推定を示す。

換言すれば、ニューラルネットワーク１８は、受信した少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを第３の運動パターン１５_３にうまくマッピングした。この例によれば、第３の運動パターン１５_３は第３のゾーン２１_３に関連付けられるため、装置１０は、可動式処置デバイス１１が第３のゾーン２１_３に位置するか、又は少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎが作成された時点で、可動式処置デバイス１１が少なくとも第３のゾーン２１_３に位置していたとの情報を回収する。

したがって、装置１０は、可動式処置デバイス１１の実行された運動又は運動パターンによって、簡単に対象表面１２に対して可動式処置デバイス１１を位置特定するように構成され得る。

一実施形態によれば、可動式処置デバイス１１は、個人用器具であり得、対象表面１２は、可動式処置デバイス１１によって処置される身体部分であり得る。

例えば、可動式処置デバイス１１は、ユーザの身体の身体部分を剃毛又は毛づくろいするための、かみそり又はグルーマであり得る。この場合、ユーザの身体が対象表面１２であり得る。ユーザの身体１２は、異なるゾーン、例えば、左頬ゾーン、右頬ゾーン、頤ゾーンなどに分離され得る。かみそり１１を用いて既定の運動パターンを実行することによって、装置１０は、ユーザの身体に対してかみそり１１を位置特定することができる。例えば、かみそり１１が左に傾けられた状態で、かみそり１１が、左上隅に方向付けられる運動パターンを実行する場合、装置１０は、かみそり１１を、例えば、左頬ゾーンに位置するように、位置特定することができる。したがって、装置１０は、かみそり１１を、その実行された運動パターンによって、簡単にユーザの顔に位置特定することができる。

更なる例として、可動式処置デバイス１１は、家庭用器具であり得、対象表面１２は、床、壁、家具などの表面であり得る。例えば、可動式処置デバイス１１は、真空掃除機であり得、対象表面１２は、部屋の床であり得る。部屋１２は、異なるゾーン、例えば、部屋の左上隅、部屋の右下隅、部屋の中心、部屋の内側に位置するベッドの下などに分離され得る。真空掃除機１１を用いて既定の運動パターンを実行することにより、装置１０は、部屋の床に対して真空掃除機１１を位置特定することができる。例えば、真空掃除機１１のランスが地面近くまで下げられた状態で、真空掃除機１１が、単に前方及び後方に方向付けられた運動パターンを実行する場合、装置１０は、真空掃除機１１を、例えば、「ベッドの下」のゾーンに位置するように位置特定することができる。したがって、装置１０は、真空掃除機１１を、その実行された運動パターンによって、簡単に部屋の内側に位置特定することができる。

更なる実施形態によれば、可動式処置デバイス１１は、口腔ケアデバイスであり得、対象表面１２は、歯列であってもよく、歯列１２は、異なる歯科ゾーン２１_１、２１_２、２１_３、…、２１_ｎに分離され、少なくとも１つの運動パターン１５_１、１５_２、１５_３、…、１５_ｎとの少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎのマッピングは、歯列１２の１つ以上の歯科ゾーン２１_１、２１_２、２１_３、…、２１_ｎに対する口腔ケアデバイス１１の位置の推定を示す。

口腔ケアデバイスは、歯ブラシ、特に、電動歯ブラシであり得る。口腔ケアデバイスはまた、デンタルフロス、プラーク除去デバイス、超音波デバイス、及びウォータージェットデバイスのうちの少なくとも１つであり得る。

この例によれば、口腔ケアデバイス１１を用いて既定の運動パターンを実行することによって、装置１０は、歯列に対して口腔ケアデバイス１１を位置特定することができる。例えば、口腔ケアデバイス１１が左に傾けられた状態で、口腔ケアデバイス１１が、単に上方及び下方に方向付けられた運動パターンを実行する場合、装置１０は、口腔ケアデバイス１１を、例えば、上顎の左上歯科ゾーンに位置するように、位置特定することができる。したがって、装置１０は、口腔ケアデバイス１１を、その実行された運動パターンによって、簡単にユーザの歯列に対して位置特定することができる。

一実施形態によれば、歯列を、９つの歯科ゾーンに分離することができ、第１の歯科ゾーンは、歯列の上顎及び下顎の左頬側に対応し、第２の歯科ゾーンは、歯列の上顎の左側及び右側の咬合側に対応し、第３のゾーンは、歯列の下顎の左側及び右側の咬合側に対応し、第４の歯科ゾーンは、歯列の上顎及び下顎の左舌側に対応し、第５の歯科ゾーンは、歯列の上顎及び下顎の右頬側に対応し、第６の歯科ゾーンは、歯列の上顎及び下顎の右舌側に対応し、第７の歯科ゾーンは、歯列の上顎及び下顎の唇側に対応し、第８の歯科ゾーンは、歯列の上顎の口蓋側に対応し、第９の歯科ゾーンは、歯列の前部下顎の口腔側に対応する。

更なる実施形態によれば、運動パターンのセット１５に追加的に含まれ得る少なくとも１つの既定の運動パターン１５_ＮＢは、対象表面１２の外側のゾーン２１_ＮＢに関連付けられても、対象表面１２に関連しなくてもよく、少なくとも１つの既定の運動パターン１５_ＮＢとの少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎのマッピングは、可動式処置デバイス１１が、対象表面１２の外側にあるか、又は対象表面１２に関連しない上記ゾーン２１_ＮＢに位置することを示す。

換言すれば、対象表面１２の外側のゾーン２１_ＮＢは、対象表面１２に直接関連しないゾーンであってもよい。例えば、可動式処置デバイス１１が歯ブラシであり得る場合、対象表面１２の外側の上記ゾーン２１_ＮＢは、歯列の外側のゾーンであり得る。したがって、このゾーン２１_ＮＢは、ユーザが自身の歯をブラッシングしないことを示し得る。そのため、このゾーンは、「ＮＢ」と略される、「ブラッシングしない」ゾーンと称されることもある。このゾーン２１_ＮＢは、対象表面１２の少なくとも１つのゾーンであり得るか、又はこのゾーン２１_ＮＢは、対象表面の１つ以上のゾーン２１_１、２１_２、２１_３、…、２１_ｎに加えて、追加のゾーンであり得る。しかしながら、対象表面１２の外側のこの特定のゾーン２１_ＮＢは、上に記載される例示的な歯のブラッシングに限定されない。

図２は、上に記載される例を例示するための歯列１２を例示している。歯列１２は、対象表面であり得る。歯列１２は、９つの歯科ゾーン１ａ～９ａに分離され得る。任意選択で、第１０のゾーンＮＢが存在してもよい。この第１０のゾーンＮＢは、歯列１２の外側のゾーンである。したがって、この第１０のゾーンＮＢは、図２には明示的に例示されていない。この第１０のゾーンＮＢは歯列１２の歯科ゾーンのうちの１つに関連せず、ひいては、歯列１２の歯のブラッシングに関係しないため、この第１０のゾーンＮＢは、「ブラッシングしない」ゾーンと称されることもある。

図２に見られ得るように、第１の歯科ゾーン１ａは、歯列１２の上顎及び下顎の左頬側に対応し得る。第２の歯科ゾーン２ａは、歯列１２の上顎の左側及び右側の咬合側に対応し得る。第３のゾーン３ａは、歯列１２の下顎の左側及び右側の咬合側に対応し得る。第４の歯科ゾーン４ａは、歯列１２の上顎及び下顎の左舌側に対応し得る。第５の歯科ゾーン５ａは、歯列１２の上顎及び下顎の右頬側に対応し得る。第６の歯科ゾーン６ａは、歯列１２の上顎及び下顎の右舌側に対応し得る。第７の歯科ゾーン７ａは、歯列１２の上顎及び下顎の唇側に対応し得る。第８の歯科ゾーン８ａは、歯列１２の上顎の口蓋側に対応し得る。第９の歯科ゾーン９ａは、歯列１２の前部下顎の口腔側に対応し得る。

図３は、更なる例を例示するための歯列１２を示している。歯列１２は、対象表面であり得る。歯列１２は、１６個の歯科ゾーン１ｂ～１６ｂに分離され得る。任意選択で、第１７のゾーンＮＢが存在してもよい。この第１７のゾーンＮＢは、歯列１２の外側のゾーンである。したがって、この第１７のゾーンＮＢは、図３には明示的に例示されていない。この第１７のゾーンＮＢは歯列１２の歯科ゾーンのうちの１つに関連せず、ひいては、歯列１２の歯のブラッシングに関係しないため、この第１７のゾーンＮＢは、「ブラッシングしない」ゾーンと称されることもある。

図３に見られ得るように、第１の歯科ゾーン１ｂは、歯列１２の上顎の左頬側に対応し得る。第２の歯科ゾーン２ｂは、歯列１２の上顎の左側の咬合側に対応し得る。第３の歯科ゾーン３ｂは、歯列１２の下顎の左側の咬合側に対応し得る。第４の歯科ゾーン４ｂは、歯列１２の上顎及び下顎の左舌側に対応し得る。第５の歯科ゾーン５ｂは、歯列１２の上顎及び下顎の右頬側に対応し得る。第６の歯科ゾーン６ｂは、歯列１２の上顎の右側の咬合側に対応し得る。第７の歯科ゾーン７ｂは、歯列１２の下顎の右側の咬合側に対応し得る。第８の歯科ゾーン８ｂは、歯列１２の上顎の口蓋側に対応し得る。第９の歯科ゾーン９ｂは、歯列１２の上顎の唇側に対応し得る。第１０の歯科ゾーン１０ｂは、歯列１２の下顎の唇側に対応し得る。第１１の歯科ゾーン１１ｂは、歯列１２の上顎の口蓋側に対応し得る。第１２の歯科ゾーン１２ｂは、歯列１２の前部下顎の口腔側に対応し得る。第１３の歯科ゾーン１３ｂは、歯列１２の下顎の左頬側に対応し得る。第１４の歯科ゾーン１４ｂは、歯列１２の下顎の左舌側に対応し得る。第１５の歯科ゾーン１５ｂは、歯列１２の下顎の右頬側に対応し得る。第１６の歯科ゾーン１６ｂは、歯列１２の下顎の右舌側に対応し得る。

図２及び図３は、非限定的な例としてのみ記載されている。対象表面１２はまた、例示的に記載される９つ又は１６個の歯科ゾーンよりも多い又は少ない歯科ゾーンを備えることができる。更に、対象表面１２の外側の第１０／第１７の歯科ゾーンＮＢは、任意選択である。歯列１２の１つ以上の歯科ゾーンの正確な分布は、上に記載される例とは異なる場合がある。

本発明のいくつかの利点のうちの１つは、装置１０が対象表面１２に対する可動式処置デバイスの位置特定に関して自己学習するという事実である。装置１０は、例えば、深層学習ネットワークを活用することによって人工知能を使用することができる。したがって、対象表面１２に対する可動式処置デバイス１１の位置特定を実施するための装置１０は、その性能を、ニューラルネットワーク１８を使用することによって、経時的に増強させることができる。

一実施形態によれば、ニューラルネットワーク１８は、回帰型ニューラルネットワーク（Recurrent Neural Network、ＲＮＮ）であり得る。例えば、ニューラルネットワークは、長短期メモリ（Long Short Term Memory、ＬＳＴＭ）ネットワーク又はゲート付き回帰型ユニット（Gated Recurrent Unit、ＧＲＵ）ネットワークであり得る。

ＲＮＮは、いわゆる勾配消失問題という欠点を有することがあり、勾配は、より多くの数の層で急速に消失する。勾配消失は、より緩徐な訓練速度をもたらし得る。したがって、ＬＳＴＭネットワーク及び／又はＧＲＵネットワークを使用して、勾配消失問題を回避することができる。

ＬＳＴＭネットワークは、正規ネットワークユニットに加えて、ＬＳＴＭブロックを含む人工的なニューラルネットワークである。ＬＳＴＭブロックは、入力が値を覚えるためにいつ十分に大きくなるか、いつ値を覚え続けるべきか、又はいつ値を忘却するべきか、及びいつ値を出力すべきかを決定する、ゲートを含む。

図４は、その最も一般的な形態のＲＮＮの例を示している。ニューラルユニット４０には、特定の時間インスタントｔで入力４１を供給することができる。入力４１は、単一の値であっても、２つ以上の値を含むベクトルであってもよい。特定の時間インスタントｔにおける入力４１を、Ｘ_ｔで記号化することもできる。

ニューラルユニット４０はまた、任意選択で、更なる入力４２を含み得る。この更なる入力４２は、以前の時間インスタントｔ－１において、ニューラルユニット（ここでは描写せず）から提供され得る。

ニューラルユニット４０は、数学的動作を提供し得る、少なくとも１つのゲート４３を備え得る。この例では、ゲート４３は、単一のｔａｎｈゲートである。

ニューラルユニット４０は、少なくとも１つの出力４６を含み得る。出力４６は、入力４１、及び任意選択で更なる入力４２を供給されたｔａｎｈゲート４３の動作の結果を含み得る。出力４６は、後に説明される隠れ状態４５をもたらし得る。

ニューラルユニット４０は、任意選択で、入力４１、及び任意選択で更なる入力４２を供給されたｔａｎｈゲート４３の動作の上述の出力結果から分岐する、更なる出力分岐４６を含み得る。

図４では、各描写された線は、１つのノードの出力から他のノードの入力まで、ベクトル全体を搬送し得る。例えば、４７において線が合流することは、連結を示しているが、例えば、４８において線がフォーク状になることは、そのコンテンツがコピーされ、コピーが異なる位置に進むことを示している。これはまた、以下の図を参照して以下に記載される他のニューラルネットワークについても当てはまる。

図５は、ＧＲＵネットワークの例を示している。ＧＲＵネットワークは、ニューラルユニット５０を備える。上に記載されるＲＮＮニューラルユニット４０に加えて、ＧＲＵニューラルユニット５０は、２つの更なるゲート、つまり、第１のシグモイドゲート５３と、第２のシグモイドゲート５４と、を備え得る。更に、ＧＲＵニューラルユニット５０は、例えば、ベクトル加算５８のような点別動作５５、５６、５７、５８、５９を含み得る。

図６Ａは、本発明による装置１０内のニューラルネットワーク１８として活用され得るＬＳＴＭネットワークの例を示している。ＬＳＴＭは、ＬＳＴＭネットワークの場合には、ＬＳＴＭブロックとも称され得る、ニューラルユニット６０を含み得る。上に記載されるニューラルユニット４０、５０に加えて、描写されるＬＳＴＭネットワークのニューラルユニット６０は、ニューラルユニット６０の頂部を通って走る水平線６１であるセル状態を含み得る。ニューラルユニット６０は、セル状態入力６２を受信することができ、セル状態出力６６を作成することができる。

ニューラルユニット６０は、４つのゲート４３、５３、５４、６３を更に備え得る。例えば、上に記載されるＧＲＵネットワークと比較して、更なるシグモイドゲート６３を備え得る。情報は、これらのゲート４３、５３、５４、６３によってセル状態（水平線６１）まで除去又は追加され得る。

図６Ｂは、ニューラルユニットの（時間インスタントｔに対する）以前の状態及び後続の状態が描写された更なる例を示している。特に、時間インスタントｔにおけるニューラルユニット６０_ｔが描写されている。更に、以前の時間インスタントｔ－１における更なるニューラルユニット６０_ｔ－１が描写されている。なお更に、後続の時間インスタントｔ＋１における更なるニューラルユニット６０_ｔ＋１が描写されている。描写されるニューラルユニット６０_ｔ－１、６０_ｔ、６０_ｔ＋１は、同じニューラルユニットであるが、異なる時点、つまり、時間インスタントｔにおける、以前の時間インスタントｔ－１及び後続の時間インスタントｔ＋１を表すことができる。

上に記載される入力４１はまた、文字Ｘによって記号化されてもよく、慣性センサ１３からの少なくとも１つのセンサデータ１７_１、１７_２、１７_３、…、１７_ｎを含んでもよい。入力Ｘは、時間依存性であってもよく、したがって、Ｘ＝Ｘ（ｔ）である。特に、描写される入力Ｘ_ｔは、考慮される時間インスタントｔの間に取得されたセンサデータ１７_２を含むことができ、描写される入力Ｘ_ｔ－１は、以前の時間インスタントｔ－１の間に取得されたセンサデータ１７_１を含むことができ、描写される入力Ｘ_ｔ＋１は、後続の時間インスタントｔ＋１の間に取得されたセンサデータ１７_３を含むことができる。

図６Ｂに更に見られ得るように、ニューラルユニット６０_ｔ－１、６０_ｔ、６０_ｔ＋１は、各描写される時間インスタントｔ－１、ｔ、ｔ＋１において、例えば、予測によって、それぞれの出力値ｙ_ｔ－１、ｙ_ｔ、ｙ_ｔ＋１を提供することができる。出力値ｙ（ｔ）は、単一の値であっても、１つ以上のベクトル要素を含むベクトルであってもよい。

出力値ｙ（ｔ）は、以下のように計算され得る。
ｙ_ｔ＝ソフトマックス（Ｗ_ｈｙ・ｈ_ｔ＋ｂ）

出力値ｙ（ｔ）は、例えば、図７に関してより詳細に説明されるように、確率値を含み得る。例えば、出力値ｙ（ｔ）は、１つ以上のベクトル要素を含むベクトルであり得、各ベクトル要素は、運動パターン１５_１、１５_２、１５_３、…、１５_ｎのうちの１つを表し得るか、又はより詳細には、各ベクトル要素は、入力Ｘ（ｔ）、すなわち、慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎが運動パターン１５_１、１５_２、１５_３、…、１５_ｎのうちの１つに対応し得る確率を示す、確率値を表し得る。

更に、描写されるニューラルユニット６０_ｔ－１、６０_ｔ、６０_ｔ＋１は、同じ層、つまり、第１の層に配置され得る。本発明のいくつかの例は、１つ以上の更なる層を含み得、各層は、それ自体のニューラルユニット（複数可）を含み得る。かかる例は、例えば、図７を参照して後で記載され得る。しかしながら、少なくとも第１の層を有する例及び実施形態は、図６Ｂを更に参照して記載される。

この実施形態によれば、ニューラルネットワーク１８は、第１の層を備えることができ、上記第１の層は、ニューラルユニット６０_ｔを備え、第１の時間インスタントｔにおいて、少なくとも１つの慣性センサデータＸ_ｔ １７_２は、第１の層のニューラルユニット６０_ｔに入力される。後続の第２の時間インスタントｔ＋１において、第２の慣性センサデータＸ_ｔ＋１ １７_３、及び以前の第１の時間インスタントｔのニューラルユニット６０_ｔの少なくとも１つの出力ｈ_ｔ ４６は、第１の層のニューラルユニット６０_ｔ＋１に入力される。

図７は、ニューラルネットワーク１８が、少なくとも２つの層、つまり、第１の層７１及び第２の層７２を備える、更なる例を示している。第１の層７１は、少なくとも第１のニューラルユニット６０_ｔを備え、第２の層７２は、少なくとも第２のニューラルユニット７０_ｔを備える。

見られ得るように、異なる時間インスタンスｔ－１、ｔ、ｔ＋１の間に取得されたセンサデータ１７_１、１７_２、１７_３は、入力Ｘ_ｔ－１、Ｘ_ｔ、Ｘ_ｔ＋１として、第１の層７１のそれぞれのニューラルユニット６０_ｔ－１、６０_ｔ、６０_ｔ＋１に供給され得る。

第１の層７１の各ニューラルユニット６０_ｔ－１、６０_ｔ、６０_ｔ＋１の出力４６_ｔ－１、４６_ｔ、４６_ｔ＋１は、入力として、第２の層７２のそれぞれのニューラルユニット７０_ｔ－１、７０_ｔ、７０_ｔ＋１に供給され得る。

第１の層７１のニューラルユニット６０_ｔ－１、６０_ｔ、６０_ｔ＋１及び第２の層７２のニューラルユニット７０_ｔ－１、７０_ｔ、７０_ｔ＋１は、同一であり得る。代替的に、第１の層７１のニューラルユニット６０_ｔ－１、６０_ｔ、６０_ｔ＋１及び第２の層７２のニューラルユニット７０_ｔ－１、７０_ｔ、７０_ｔ＋１の内部構造は、互いに異なり得る。

図７に示される実施形態によれば、ニューラルネットワーク１８は、少なくとも第１の層７１と、第２の層７２と、を備えることができ、第１の層７１は、第１のニューラルユニット６０_ｔを備えることができ、第２の層７２は、第２のニューラルユニット７０_ｔを備えることができ、第１の時間インスタントｔにおいて、少なくとも１つの慣性センサデータＸ_ｔ １７_２が、第１の層７１の第１のニューラルユニット６０_ｔに入力され、第１のニューラルユニット６０_ｔの出力ｈ_ｔ ４６が、第２の層７２のニューラルユニット７０_ｔに入力される。

これまで、垂直方向、すなわち、底部の第１の層７１から頂部の第２の層７２への信号経路を記載してきた。しかしながら、図７の実施形態では、水平方向の信号経路も示されている。

見られ得るように、第１の時間インスタントｔにおける第１のニューラルユニット６０_ｔのセル状態出力Ｃ_ｔ ６６、及び／又は第１の時間インスタントｔにおける第１のニューラルユニット６０_ｔの出力ｈ_ｔ ４６は、入力として、再び第１のニューラルユニット６０に、つまり、後続の時間インスタントｔ＋１において第１のニューラルユニット６０_ｔ＋１に供給され得る。既に上述したように、ニューラルユニット６０自体は、同じニューラルユニットであり得るが、異なる時間インスタンスｔ－１、ｔ、ｔ＋１におけるニューラルユニット６０の状態の例示を容易にするために、複数の連結されたニューラルユニット６０_ｔ－１、６０_ｔ、６０_ｔ＋１としてのみ図に描写され得る。換言すれば、水平信号経路は、異なる後続の時間インスタンスｔ－１、ｔ、ｔ＋１におけるニューラルユニット６０の信号経路を説明し得る。同様に、第２の層７２及び任意の更なる層についても当てはまる。

したがって、描写される後続の時間インスタンスｔ－１、ｔ、ｔ＋１は、ニューラルネットワーク１８が、取得されたセンサデータ１７_１、１７_２、１７_３、…、１７_ｎをサンプリングして処理し得る間の長さ７７を表し得る。したがって、上記長さ７７は、ランレングス、サンプル長さ、又はサンプル期間と称されることがある。例えば、サンプル長さ７７は、１秒に対応し得、時間インスタンスｔ－１、ｔ、ｔ＋１は、上記１秒の端数であり得る。例えば、サンプル期間７７は、５０個のサンプルの長さ、すなわち、５０個の時間インスタンスを有し得る。ニューラルネットワーク１８は、サンプル期間中に１回作動され得るか、又はニューラルネットワーク１８は、２つ以上のサンプル期間にわたって恒久的に作動され得る。

したがって、更なる実施形態によれば、ニューラルネットワーク１８は、少なくとも第１の層７１と、第２の層７２と、を備えることができ、第１の層７１は、第１のニューラルユニット６０_ｔを備えることができ、第２の層７２は、第２のニューラルユニット７０_ｔを備えることができ、第１の時間インスタントｔにおいて、少なくとも１つの慣性センサデータＸ_ｔ １７_２が、第１の層７１の第１のニューラルユニット６０_ｔに入力され得、第１のニューラルユニット６０_ｔの少なくとも１つの出力ｈ_ｔ ４６が、第２の層７２のニューラルユニット７０_ｔに入力され得る。これまでのところ、上に記載されるものと同じであってもよい。しかしながら、追加的に、後続の第２の時間インスタントｔ＋１における第２の慣性センサデータＸ_ｔ＋１ １７_３、及び第１の時間インスタントｔにおける第１のニューラルユニット６０_ｔの少なくとも１つの出力ｈ_ｔ ４６は、後続の第２の時間インスタントｔ＋１において第１のニューラルユニット６０_ｔ＋１に入力される。

上述のように、いくつかの数学的動作は、例えば、ゲート４３、５３、５４、６３のニューラルネットワーク１８によって実行され得る。図７に示される例では、以下の数学的動作を異なる段階で実行することができ、

式中、
・ｉ（ｔ）は、入力ゲートの活性化ベクトルであり、
・ｆ（ｔ）は、忘却ゲートの活性化ベクトルであり、
・ｏ（ｔ）は、出力ゲートの活性化ベクトルであり、
・ｃ（ｔ）は、セル状態ベクトルであり、
・ｈ（ｔ）は、ＬＳＴＭブロック又はニューラルユニット６０、７０の出力ベクトルである。

この例によれば、入力センサデータＸ_ｔ １７_２は、要素ベクトルＸ_ｔ ∈ Ｒ^６であり得る。例えば、入力テンソルＸ_ｔ ∈ Ｒ^６、［Ａ_ｘ、Ａ_ｙ、Ａ_ｚ、Ｇ_ｘ、Ｇ_ｙ、Ｇ_ｚ］^Ｔであり得る。

更に、重み付けＷ（ｔ）及びバイアス値ｂ（ｔ）が図７に描写されており、この例では、
・重み付けＷ_ｈｙ ∈ Ｒ^{１２×２５６}、
・バイアスｂ_ｔ ∈ Ｒ^１２。

更に、出力ベクトルｙ（ｔ）は、以下のように計算され得る。
ｙ_ｔ＝ソフトマックス（Ｗ_ｈｙ・ｈ_ｔ＋ｂ）

描写される隠れ状態ｈ（ｔ）はまた、要素ベクトル、例えば、２５６個の要素ｈ_ｔ ∈ Ｒ^２５６を含む要素ベクトルであり得る。

更に、描写される隠れ状態Ｃ（ｔ）はまた、要素ベクトル、例えば、２５６個の要素Ｃ_ｔ ∈ Ｒ^２５６を含む要素ベクトルであり得る。

上述のように、入力慣性センサデータＸ_ｔ １７_２は、６つのベクトル要素、例えば、入力テンソルＸ_ｔ ∈ Ｒ^６、［Ａ_ｘ、Ａ_ｙ、Ａ_ｚ、Ｇ_ｘ、Ｇ_ｙ、Ｇ_ｚ］^Ｔを含む、要素ベクトルＸ_ｔ ∈ Ｒ^６であり得る。これらのベクトル要素［Ａ_ｘ、Ａ_ｙ、Ａ_ｚ、Ｇ_ｘ、Ｇ_ｙ、Ｇ_ｚ］^Ｔは、慣性センサデータ部分と称されることもある。

一実施形態によれば、少なくとも１つの慣性センサデータ１７_１は、ｘ、ｙ、及びｚ方向の線形速度と、ｘ、ｙ、及びｚ軸に対する角速度と、ｘ、ｙ、及びｚ方向の線形加速度と、ｘ、ｙ、及びｚ軸に対する角加速度と、を含む群の少なくとも３つの慣性センサデータ部分を含み得る。

換言すれば、慣性センサ１３は、１つ以上の時間インスタンスｔ－１、ｔ、ｔ＋１において慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを提供することができ、慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎは、１つの観測された時間インスタンスｔ－１、ｔ、ｔ＋１における可動式処置デバイス１１の現在の向き及び運動に依存し得る。慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎの各々は、少なくとも３つ、又は他の例では、少なくとも６つのベクトル要素を含むベクトルであり得、上記ベクトル要素は、上述の慣性センサデータ部分を表し、上記慣性センサデータ部分のうちの少なくとも１つは、ゼロであり得る。

したがって、慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎ（ベクトル）、及び特に、センサデータ部分（ベクトル要素）は、１つ以上の後続の時間インスタンスｔ－１、ｔ、ｔ＋１を含むサンプル期間７７の間にサンプリングされた、可動式処置デバイス１１の現在の運動パターンを表すことができる。

図７に描写される一実施形態によれば、少なくとも１つの慣性センサデータ１７_２（ベクトル）は、１つ以上の慣性センサデータ部分（ベクトル要素）を含み得、第１の時間インスタントｔにおけるニューラルユニット６０_ｔへの入力は、上記第１の時間インスタントｔの間に回収された１つ以上の慣性センサデータ部分を含む、それぞれの慣性センサデータ１７_２である。少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎは、サンプル時間７７の間にサンプリングされ得る。

ニューラルネットワーク１８は、最初に図１を参照して記載されたように、運動パターンのセット１５に含まれる少なくとも１つの運動パターン１５_１、１５_２、１５_３、…、１５_ｎに、サンプル時間７７の間にサンプリングされた少なくとも１つのサンプリングされた慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎをマッピングすることができる。マッピング後、選択された１つの運動パターンは、マッピングされた運動パターンと称されることがある。

換言すれば、ニューラルネットワーク１８は、慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを入力ｘ（ｔ）として受信することができ、１つ以上の確率値を出力ｙ（ｔ）として出力することができる。上述のように、図７に示される例では、出力値ｙ（ｔ）はまた、例えば、少なくとも３つ、又は少なくとも６つ、又は少なくとも１２個のベクトル要素を含む、要素ベクトルであり得る。出力ベクトルｙ（ｔ）の各ベクトル要素は、クラス又はゾーン２１_１、２１_２、２１_３、…、２１_ｎに関連付けられ得る運動パターン１５_１、１５_２、１５_３、…、１５_ｎの確率値を表し得る。いくつかの実施形態では、出力値ｙ（ｔ）は、例えば、少なくとも２つ～必要な数のクラス又はゾーン、例えば、９つのゾーン、１２個のゾーン、又は１６個のゾーンを含む、要素ベクトルであり得る。

したがって、出力ベクトルｙ（ｔ）は、対象表面１２の異なるゾーン２１_１、２１_２、２１_３、…、２１_ｎを表し得る。例えば、対象表面１２が１２個のゾーン（例えば、１１個の歯科ゾーン及びブラッシングしない第１２のゾーン「ＮＢ」）を含み得る場合、要素出力ベクトルｙ（ｔ）は、図７の例に示されるような１２個のベクトル要素を含み得、ｙ（ｔ） ∈ Ｒ^１２である。したがって、各ベクトル要素は、対象表面１２の異なるゾーン２１_１、２１_２、２１_３、…、２１_ｎのうちの１つを表し得る。

前述のように、ベクトル要素は、確率値を表し得る。これらの確率値は、対象表面１２の異なるゾーン２１_１、２１_２、２１_３、…、２１_ｎの各々に対する確率値を表し得る。換言すれば、ニューラルネットワーク１８は、少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを受信し、少なくとも１つの運動パターン１５_１、１５_２、１５_３、…、１５_ｎに少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎをマッピングすることができ、上記運動パターン１５_１、１５_２、１５_３、…、１５_ｎは各々、対象表面１２の１つ以上の異なるゾーン２１_１、２１_２、２１_３、…、２１_ｎに関連付けられ得るため、確率値は、取得された少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎが対象表面１２の異なるゾーン２１_１、２１_２、２１_３、…、２１_ｎのうちの１つに対応し得る確率を示すことができる。

これは、運動パターン１５_１、１５_２、１５_３、…、１５_ｎのうちの少なくとも１つに少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎをマッピングすることと呼ばれる。

各運動パターン１５_１、１５_２、１５_３、…、１５_ｎは、対象表面１２の１つ以上の異なるゾーン２１_１、２１_２、２１_３、…、２１_ｎに関連付けられ得るため、少なくとも１つの運動パターン１５_１、１５_２、１５_３、…、１５_ｎとの少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎのマッピングは、対象表面１２の１つ以上のゾーン２１_１、２１_２、２１_３、…、２１_ｎに対する可動式処置デバイス１１の位置の推定を示す。本発明の位置検出は、例えば、ＧＰＳからの絶対値の地理データとは対照的に、上述の確率値に基づき得るため、処置デバイス１１の位置を推定することができる。

換言すれば、装置１０は、ニューラルネットワーク１８から、簡単にセンサデータ１７_１、１７_２、１７_３、…、１７_ｎを受信し、対象表面１２の１つ以上のゾーン２１_１、２１_２、２１_３、…、２１_ｎに関連付けられた運動パターン１５_１、１５_２、１５_３、…、１５_ｎに上記センサデータ１７_１、１７_２、１７_３、…、１７_ｎをマッピングすることによって、対象表面１２のどのゾーン２１_１、２１_２、２１_３、…、２１_ｎに可動式処置デバイス１１が位置するかの推定を導き出すことができる。

したがって、一実施形態によれば、ニューラルネットワーク１８の出力ｙ（ｔ）は、対象表面１２の１つ以上のゾーン２１_１、２１_２、２１_３、…、２１_ｎに対する可動式処置デバイス１１の位置の推定のための１つ以上の確率値を含み得る。

なお更なる実施形態によれば、運動パターン認識デバイス１４は、少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎから、可動式処置デバイス１１と対象表面１２との相互運動を決定し、かつ可動式処置デバイス１１の決定された運動から、対象表面１２の決定された運動を除去するように構成され得る。

例えば、可動式処置デバイス１１は、歯ブラシであり得、対象表面１２は、ユーザの歯列であり得る。ユーザは、自身の歯をブラッシングしながら自身の頭部を旋回することがある。この場合、慣性センサ１３は、歯ブラシが頭部と一緒に移動されるため、ユーザの頭部と歯ブラシとの相互運動を検知することになる。これは、誤った運動検出、したがって、誤ったマッピング、及び最終的にマッピングに基づいた誤った位置特定につながり得る。

しかしながら、上の実施形態によれば、ユーザの頭部（対象表面）１２の検知又は決定された運動は、頭部と歯ブラシとの検知された相互運動から除去され得る。結果として、歯ブラシ（処置デバイス）１１の所望の運動のみが残る。

図８は、対象表面１２に対する可動式処置デバイス１１の位置特定を実施するための本発明の方法の一例のブロック図を示しており、可動式処置デバイス１１は、慣性センサ１３を備え、かつ可動式処置デバイス１１は、対象表面１２を処置するように構成されている。

ブロック８０１において、本方法は、可動式処置デバイス１１の運動パターンのセット１５に含まれる２つ以上の運動パターン１５_１、１５_２、１５_３、…、１５_ｎ間を判別する工程を含む。

ブロック８０２では、本方法は、慣性センサ１３からの少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを受信する工程を含み、少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎは、可動式処置デバイス１１の運動を表す。

ブロック８０３では、本方法は、ニューラルネットワーク１８によって、少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを受信して処理し、かつ運動パターンのセット１５に含まれる少なくとも１つの運動パターン１５_１、１５_２、１５_３、…、１５_ｎに少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎをマッピングする工程を含み、運動パターンのセット１５に含まれる上記運動パターン１５_１、１５_２、１５_３、…、１５_ｎは各々、対象表面１２の１つ以上の異なるゾーン２１_１、２１_２、２１_３、…、２１_ｎに関連付けられ、それにより、少なくとも１つの運動パターン１５_１、１５_２、１５_３、…、１５_ｎとの少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎのマッピングは、対象表面１２の１つ以上のゾーン２１_１、２１_２、２１_３、…、２１_ｎに対する可動式処置デバイス１１の位置の推定を示す。

図９は、本発明の第２の態様による装置１００を示している。第２の態様の装置１００は、第１の態様の上に記載される装置１０と同様であり得る。更に、第１の態様の装置１０に関して上に記載される特徴の全ては、以下に記載される第２の態様の装置１００と組み合わせ可能であり、逆もまた同様である。

第２の態様の装置１００は、運動パターン１５_１、１５_２、１５_３、…、１５_ｎが、対象表面１２の異なるゾーン２１_１、２１_２、２１_３、…、２１_ｎの代わりに、異なるクラス１０１、１０２、１０３、１０４の１つ以上のクラスメンバ１０１Ａ、１０１Ｂ、…、１０４Ａ、１０４Ｂにマッピングされ得るという点で、第１の態様の装置１０（図１参照）とは異なり得る。

したがって、第２の態様の装置１００は、慣性センサ１３を備える可動式個人用器具１１の運動を分類するように構成されている。装置１００は、可動式個人用器具１１の運動パターンのセット１５に含まれる２つ以上の運動パターン１５_１、１５_２、１５_３、…、１５_ｎ間を判別するように構成された、運動パターン認識デバイス１４を備える。

更に、装置１００は、慣性センサ１３からの少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを運動パターン認識デバイス１４に提供するためのインターフェース１６を備え、少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎは、可動式個人用器具１１の運動を表す。

本発明の第２の態様によれば、運動パターン認識デバイス１４は、少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを受信し、かつ運動パターンのセット１５に含まれる少なくとも１つの運動パターン１５_１、１５_２、１５_３、…、１５_ｎに少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎをマッピングするように構成された、ニューラルネットワーク１８を備え、少なくとも１つのマッピングされた運動パターン１５_１、１５_２、１５_３、…、１５_ｎは、１つ以上のクラス１０１、１０２、１０３、１０４の少なくとも１つのクラスメンバ１０１Ａ、１０１Ｂ、１０２Ａ、１０２Ｂ、１０３Ａ、１０３Ｂ、１０４Ａ、１０４Ｂに関連付けられ、それにより、少なくとも１つのクラスメンバ１０１Ａ、１０１Ｂ、…、１０４Ａ、１０４Ｂが、可動式個人用器具１１の運動に基づいて選択される。

換言すれば、ニューラルネットワーク１８は、例えば、図１～図８を参照して上で先に記載されるような方法で、少なくとも１つの運動パターン１５_１、１５_２、１５_３、…、１５_ｎに少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎをマッピングすることができる。マッピングされた運動パターン１５_１、１５_２、１５_３、…、１５_ｎは各々、１つ以上のクラス１０１、１０２、１０３、１０４の少なくとも１つのクラスメンバ１０１Ａ、１０１Ｂ、…、１０４Ａ、１０４Ｂに関連付けられ得るため、少なくとも１つのクラスメンバ１０１Ａ、１０１Ｂ、…、１０４Ａ、１０４Ｂは、可動式個人用器具１１の少なくとも１つのマッピングされた運動パターン１５_１、１５_２、１５_３、…、１５_ｎに基づいて、すなわち、可動式個人用器具１１の運動に基づいて選択され得る。

図９の非限定的な例は、４つのクラス１０１、１０２、１０３、１０４を示しており、各クラスは、２つのクラスメンバ１０１Ａ、１０１Ｂ、…、ｎＡ、ｎＢを含む。しかしながら、少なくとも１つのクラスが存在してもよく、各クラスは、少なくとも２つのクラスメンバを含んでもよい。また、３つ以上のクラス、又は更には例示的に描写される４つのクラスよりも多くが存在してもよい。

図９の例に見られ得るように、第１のマッピングされた運動パターン１５_１は、第１のクラス１０１のクラスメンバ１０１Ａに関連付けられ得る。第ｎのマッピングされた運動パターン１５_４は、第４のクラス１０４のクラスメンバｎＢに関連付けられ得る。第２のマッピングされた運動パターン１５_２は、異なるクラスの２つのクラスメンバ、例えば、第１のクラス１０１のクラスメンバ１０１Ｂ及び第２のクラス１０２のクラスメンバ１０２Ａに関連付けられ得る。第３のマッピングされた運動パターン１５_３は、同じクラスの２つのクラスメンバ、例えば、第３のクラスの２つのクラスメンバ１０３Ａ、１０３Ｂに関連付けられ得る。

概して、少なくとも１つのマッピングされた運動パターン１５_１、１５_２、１５_３、…、１５_ｎは、１つ以上のクラス１０１、１０２、１０３、１０４の少なくとも１つのクラスメンバ１０１Ａ、１０１Ｂ、１０２Ａ、１０２Ｂ、１０３Ａ、１０３Ｂ、１０４Ａ、１０４Ｂに関連付けられ得る。

以下では、クラス及びクラスメンバのいくつかの例が記載される。

一実施形態によれば、１つ以上のクラス１０１、１０２、１０３、１０４のうちの少なくとも１つのクラス１０１は、少なくとも１つのクラスメンバ１０１Ａを含み得、上記１つのクラス１０１は、ユーザ群を表すことができ、上記少なくとも１つのクラスメンバ１０１Ａは、上記ユーザ群の少なくとも１人のユーザを表すことができ、少なくとも１つのマッピングされた運動パターン１５_１、１５_２、１５_３、…、１５_ｎは、可動式個人用器具１１の運動に基づいて、上記少なくとも１人のユーザを識別するための少なくとも１つのクラスメンバ１０１Ａに関連付けられ得る。

換言すれば、クラス１０１、１０２、１０３、１０４のうちの１つは、ユーザ群、すなわち、可動式個人用器具１１を使用するユーザの群を表し得る。それぞれのクラスは、上記ユーザ群の１人の特定のユーザを表し得る少なくとも１つのクラスメンバを含み得る。例えば、第１のクラス１０１は、ユーザ群を表すことができ、上記ユーザ群は、単一の家庭であり得る。この例では、ユーザ群１０１は、１つのクラスメンバ１０１Ａ、すなわち、１人の人物のみを含み得る。本発明の装置１００は、可動式個人用器具１１の運動に基づいて、簡単に上記少なくとも１人のユーザ１０１Ａを識別するように構成され得る。したがって、本発明の装置１００は、後でいくつかの例で説明されるように、上記１人の識別されたユーザ１０１Ａとの任意の行為又は相互作用を個人化し得る。

更なる実施形態によれば、１つ以上のクラス１０１、１０２、１０３、１０４のうちの少なくとも１つのクラス１０１は、少なくとも２つのクラスメンバ１０１Ａ、１０１Ｂを含み得、上記１つのクラス１０１は、ユーザ群を表すことができ、上記少なくとも２つのクラスメンバ１０１Ａ、１０１Ｂは、上記ユーザ群の少なくとも２人のユーザを表すことができ、少なくとも１つのマッピングされた運動パターン１５_１、１５_２、１５_３、…、１５_ｎは、可動式個人用器具１１の運動に基づいて、ユーザ群内の少なくとも１人のユーザを識別するための上記少なくとも２つのクラスメンバ１０１Ａ、１０１Ｂのうちの１つに関連付けられ得る。

換言すれば、クラス１０１、１０２、１０３、１０４のうちの１つは、ユーザ群、すなわち、可動式個人用器具１１を使用するユーザの群を表し得る。それぞれのクラスは、上記ユーザ群の１人の特定のユーザを表し得る少なくとも１つのクラスメンバを含み得る。例えば、第１のクラス１０１は、ユーザ群を表すことができ、上記ユーザ群は、ある家族であり得る。上記クラス１０１のクラス１０１Ａ、１０１Ｂは、家族メンバを表し得る。例えば、ユーザ群１０１は、１つ以上の家族メンバを含むことができ、例えば、第１のクラスメンバ１０１Ａは、家族の母親を表すことができ、第２のクラスメンバ１０１Ｂは、家族の子供を表すことができる。

本発明の装置１００は、可動式個人用器具１１の運動に基づいて、簡単に少なくとも１人のユーザを識別するように構成され得る。これは、全てのユーザが可動式個人用器具１１を異なる又は個別の方法で使用することができる場合に達成され得る。

例えば、一実施形態では、可動式個人用器具１１は、歯ブラシ、特に、電動歯ブラシなどの可動式口腔ケアデバイスであり得る。可動式口腔ケアデバイスはまた、デンタルフロス、プラーク除去デバイス、超音波デバイス、及びウォータージェットデバイスのうちの少なくとも１つであり得る。

上の例を取り上げると、母親１０１Ａは、歯ブラシ１１を子供１０１Ｂとは異なる方法で使用し得る。歯ブラシ１１の慣性センサ１３は、その慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを、ニューラルネットワーク１８を含む運動パターン認識デバイス１４に提供することができる。ニューラルネットワーク１８は、少なくとも１つの運動パターン１５_１、１５_２、１５_３、…、１５_ｎに慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎをマッピングすることができる。

例えば、図９に示されるように、母親は、第１の運動パターン１５_１に対応するブラッシングスタイルを有し得る。この運動パターン１５_１は、母親を表すクラスメンバ１０１Ａに関連付けられ得る。代わりに、子供は、母親とは異なるブラッシングスタイル、例えば、第２の運動パターン１５_２に対応するブラッシングスタイルを有し得る。この運動パターン１５_２は、子供を表すクラスメンバ１０１Ｂに関連付けられ得る。

したがって、本発明の装置１００は、可動式個人用器具１１の運動に基づいて、簡単にユーザ群のユーザを識別することができる。上述のように、本発明の装置１００は、識別されたユーザとの任意の行為又は相互作用を個人化することができる。

一実施形態によれば、運動パターン認識デバイス１４は、上記少なくとも１人のユーザ１０１Ａを識別する工程に基づいて、上記識別された少なくとも１人のユーザ１０１Ａによって特徴がある、可動式個人用器具１１の２つ以上のユーザ特有の運動パターン１１５_１、１１５_２、１１５_３、…、１１５_ｎを含むユーザ特有の運動パターンのプリセット１１５を選択するように構成され得る。

かかる例は図１０に示されている。この実施形態はまた、２工程処理と称されることもある。第１の工程１２１で、ユーザが識別される。識別されたユーザは、ニューラルネットワーク１８によって個別に訓練された、ユーザ特有の運動パターン１１５のプリセットを有し得る。第２の工程１２２では、ニューラルネットワーク１８は、ユーザ特有の運動パターンのプリセット１１５からユーザ特有の運動パターン１１５_１、１１５_２、１１５_３、…、１１５_ｎを使用する。したがって、本発明の装置１００は、識別されたユーザごとに個別に行動及び相互作用し得る。

図１０では、ニューラルネットワーク１８が、少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを受信し、かつそれを、運動パターンのセット１５に含まれる運動パターン１５_１、１５_２、１５_３、…、１５_ｎのうちの少なくとも１つにマッピングする、第１の工程１２１が示されている。少なくとも１つのマッピングされた運動パターン、例えば、第ｎの運動パターン１５_４は、第１のクラス１０１のクラスメンバ１０１Ｂに関連付けられ得る。この手順は、図９を参照して上に記載される手順に対応し得る。

クラス１０１は、ユーザ群であり得、クラスメンバ１０１Ｂは、上記ユーザ群のユーザであり得る。上の例を取り上げると、識別されたユーザ１０１Ｂは、家族の子供であり得る。装置１００は、ユーザ特有の運動パターンを記憶している場合がある。つまり、識別されたユーザ、すなわち、子供１０１Ｂは、装置１００に記憶された運動パターン１１５_１、１１５_２、１１５_３、…、１１５_ｎの、ユーザ独自の個別のユーザ特有のプリセット１１５を有し得る。第１の工程１２１での識別に続く任意の更なる行為のために、運動パターン認識デバイス１４、特に、ニューラルネットワーク１８は、以前に識別されたユーザに属する、これらのユーザ特有の運動パターン１１５_１、１１５_２、１１５_３、…、１１５_ｎを使用し得る。

したがって、ニューラルネットワーク１８は、上記少なくとも１人のユーザ１０１Ｂを識別する工程１２１の後に、上記識別された少なくとも１人のユーザ１０１Ｂによって特徴がある、可動式個人用器具１１の２つ以上のユーザ特有の運動パターン１１５_１、１１５_２、１１５_３、…、１１５_ｎを含む少なくとも１つのユーザ特有の運動パターンのプリセット１１５を選択し得る。

したがって、ユーザを識別する第１の工程１２１に続く第２の工程１２２では、ニューラルネットワーク１８は、運動パターン１５_１、１５_２、１５_３、…、１５_ｎのセット１５の代わりに、ユーザ特有の運動パターン１１５_１、１１５_２、１１５_３、…、１１５_ｎのユーザ特有のプリセット１１５を使用し得る。つまり、運動パターン１５_１、１５_２、１５_３、…、１５_ｎのセット１５を活用することによって装置１０、１００により実行され得る、本明細書に記載される行為の全てを、運動パターン１５_１、１５_２、１５_３、…、１５_ｎのセット１５の代わりに、運動パターン１１５_１、１１５_２、１１５_３、…、１１５_ｎのユーザ特有のプリセット１１５を活用することによって装置１０、１００により、識別されたユーザごとに個別化又は個人化して実行することもできる。

したがって、一実施形態によれば、ニューラルネットワーク１８は、上記少なくとも１人のユーザ１０１Ｂを識別する第１の工程１２１の後に、運動パターンのセット１５を、選択されたユーザ特有の運動パターンのプリセット１１５に置き換え、かつ運動パターンのセット１５に含まれる２つ以上の運動パターン１５_１、１５_２、１５_３、…、１５_ｎを、ユーザ特有の運動パターンのプリセット１１５に含まれる２つ以上のユーザ特有の運動パターン１１５_１、１１５_２、１１５_３、…、１１５_ｎに置き換えるように構成され得る。

追加的又は代替的に、装置１００は、少なくとも第２のニューラルネットワークを備え得る。図１１は、かかる例を示している。

図１１の装置１００の例は、図１０に示される例の装置１００に実質的に対応し得る。図１１の装置は、図１１の装置が第２のニューラルネットワーク１８_２を備え得る点で、図１０の装置とは異なる。

図１１に見られ得るように、第１の工程１２１では、第１のニューラルネットワーク１８_１は、上に記載される行為、例えば、ユーザ群１０１のユーザ１０１Ｂを識別することを実行し得る。しかしながら、第２の工程１２２では、慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎは、上記第２のニューラルネットワーク１８_２に供給され得る。第２のニューラルネットワーク１８_２は、上に記載されるように、運動パターン１１５_１、１１５_２、１１５_３、…、１１５_ｎのユーザ特有のプリセット１１５を使用し得る。

換言すれば、上記少なくとも１人のユーザ１０１Ｂを識別する第１の工程１２１の後に、運動パターン認識デバイス１４は、第２のニューラルネットワーク１８_２を使用することができ、第２のニューラルネットワーク１８_２は、少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを受信し、かつ運動パターンのユーザ特有のプリセット１１５に含まれる少なくとも１つのユーザ特有の運動パターン１１５_１、１１５_２、１１５_３、…、１１５_ｎに少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎをマッピングするように構成され得、上記ユーザ特有の運動パターン１１５_１、１１５_２、１１５_３、…、１１５_ｎは各々、１つ以上のクラス１０１、…、１０４の少なくとも１つのクラスメンバ１０２Ａ、１０２Ｂに関連付けられ、それにより、少なくとも１つのクラスメンバ１０２Ａ、１０２Ｂは、可動式個人用器具１１の運動に基づいて選択される。換言すれば、ニューラルネットワーク１８は、ユーザが特別に訓練したニューラルネットワークであり得る。

したがって、運動パターン認識デバイス１４は、少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎによって個人用器具デバイス１１の運動をユーザが特別に分類するために、ユーザ特有の運動パターン１１５_１、１１５_２、１１５_３、…、１１５_ｎのユーザ特有のプリセット１１５を使用するように構成され得る。

図１０及び図１１の例に示されるように、装置１００は、第２の工程１２２で目的を分類するための少なくとも１つのクラス１０２を含み得る。しかしながら、装置１００は、図９の例に示されるように、第２の工程１２２において、２つ以上のクラスを含み得る。

上記第２の工程１２２では、例えば、第１の工程１２１で特定のユーザが識別された後、異なる行為を個人用器具１１によって実施することができる。例えば、個人用器具１１は、その動作モードを、識別されたユーザに基づいて変更することができる。例えば、個人用器具１１は、電気的に駆動され得、かつモータを備えることができ、個人用器具１１は、識別されたユーザに基づいて、周波数、振幅、又は脈動などの１つ以上のモータ特有の特徴を変更することができる。追加的又は代替的に、個人用器具１１は、ユーザと通信するか、又はユーザにフィードバックを提供するための１つ以上の要素、例えば、光、例えば、ＬＥＤなどの視覚要素、又は振動モータなどの触覚要素を備え得る。例えば、個人用器具１１は、通信するための上記要素の動作モードを変更することによって、例えば、ＬＥＤ光を異なる色に変更することによって、又は識別されたユーザに基づいて、振動モータによる異なるパルスフィードバックを提供することによって、識別されたユーザに基づいてユーザエクスペリエンスを変更することができる。

ユーザ群の特定のユーザ、例えば、家族の家族メンバを識別することに加えて又は代替的に、装置１００は、特定のユーザタイプを識別するように構成され得る。例えば、個人用器具１１が歯ブラシである場合、一部の人々は自身の歯のブラッシングを自身の前歯又は切歯で開始するが、一部の他の人々は自身の歯のブラッシングを自身の後歯又は大臼歯で開始し得る。更なる例では、個人用器具がかみそりである場合、一部の人々は、ヒゲの生える向きに沿って剃る場合があり、一部の他の人々は、ヒゲの生える向きに逆らって剃る場合がある。要約すると、ユーザタイプは、特定の方法で個人用器具１１を使用するユーザのタイプであり得る。ユーザタイプの群にクラスタ化することができる２人以上のユーザが存在し得る。先に説明したユーザ識別の例は、代わりに、各ユーザを個別に識別する。

ユーザタイプを識別するための一実施形態によれば、１つ以上のクラス１０１、１０２、１０３、１０４のうちの少なくとも１つのクラス１０４は、少なくとも２つのクラスメンバｎＡ、ｎＢを含むことができ、上記１つのクラス１０４は、可動式個人用器具１１のユーザタイプを表すことができ、第１のクラスメンバｎＡは、可動式個人用器具１１の第１のユーザタイプを表すことができ、第２のクラスメンバｎＢは、可動式個人用器具１１の第２のユーザタイプを表すことができ、少なくとも１つのマッピングされた運動パターン１５_１、１５_２、１５_３、…、１５_ｎは、可動式個人用器具１１の運動に基づいて、可動式個人用器具１１のユーザタイプを識別するための第１又は第２のクラスメンバｎＡ、ｎＢのいずれかに関連付けられ得る。

更なる実施形態によれば、運動パターン認識デバイス１４は、上記ユーザタイプを識別する工程の後に、上記識別されたユーザタイプによって特徴がある、可動式個人用器具１１の２つ以上のユーザタイプ特有の運動パターン１１５_１、１１５_２、１１５_３、…、１１５_ｎを含むユーザタイプ特有の運動パターンのプリセット１１５を選択するように構成され得、ニューラルネットワーク１８は、上記ユーザタイプを識別する工程の後に、運動パターンのセット１５を、選択されたユーザタイプ特有の運動パターンのプリセット１１５に置き換え、かつ運動パターンのセット１５に含まれる２つ以上の運動パターン１５_１、１５_２、１５_３、…、１５_ｎを、２つ以上のユーザタイプ特有の運動パターン１１５_１、１１５_２、１１５_３、…、１１５_ｎに置き換えるように構成され得る。

ユーザ特有の運動パターン１１５_１、１１５_２、１１５_３、…、１１５_ｎのユーザ特有のプリセット１１５に関して上に説明されていることは全て、ユーザタイプ特有の運動パターン１１５_１、１１５_２、１１５_３、…、１１５_ｎのユーザタイプ特有のプリセット１１５についても当てはまる。

上述のように、識別されたユーザタイプは、クラスタ又はユーザタイプの群にクラスタ化され得る。したがって、装置１００は、ユーザが特定のユーザタイプ群にクラスタ化される前に、ユーザが個人用器具デバイス１１を既定の回数にわたって使用し得るクラスタ分析を実施し得る。例えば、ユーザは、自身のかみそりを５日間に５回使用する場合がある。５日のうち４日は、ユーザは、ヒゲの生える向きに逆らって剃る場合がある。したがって、５日目の後に、装置１００は、このユーザを、全てのユーザがヒゲの生える向きに逆らって剃るユーザタイプ群にクラスタ化することができる。

クラスタ分析を、より短い時間間隔で実施することもできる。すなわち、歯ブラシ１１のオンオフの切り替えを直接連続的に行うことができる。例えば、ユーザは、第１の時間で自身の電動歯ブラシ１１をオンオフに切り替え、歯ブラシ１１を再び再開させるために、それを第２の時間でオンに切り替えることができる。歯ブラシ１１を再開させる時間において、本発明の装置１００、特に、ニューラルネットワーク１８を再開させることもできる。歯ブラシ１１は、オンに切り替えられると、クラスタ分析のための情報を収集することができる。しかしながら、少なくともニューラルネットワーク１８は、クラスタ分析のための新たな情報が収集される前に、毎回再開されるものとする。要約すると、装置１００は、ユーザを特定のユーザタイプ群に最終的にクラスタ化する前に、クラスタ分析を繰り返し（例えば、５回）実施し得る。

ユーザが特定のユーザタイプ特有の群にクラスタ化された後、ニューラルネットワーク１８は、ユーザタイプ特有の運動パターン１１５_１、１１５_２、１１５_３、…、１１５_ｎの、関連付けられたユーザタイプ特有のプリセット１１５を使用し得る。

かかる実施形態によれば、運動パターン認識デバイス１４は、既定の回数にわたってクラスタ分析を繰り返し実施するように構成され得、上記クラスタ分析ごとに、ニューラルネットワーク１８は、再開され、かつ再開後に、少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを受信し、かつ少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを、運動パターンのセット１５に含まれる少なくとも１つの運動パターン１５_１、１５_２、１５_３、…、１５_ｎにマッピングする工程を実施するように構成され得、ニューラルネットワーク１８は、既定の回数にわたってクラスタ分析を実施した後に、ユーザタイプ特有の運動パターンのプリセット１１５を選択するように構成され得る。

本発明の装置１００は、可動式個人用器具１１の運動を分類するための更により多くのシナリオを提供し得る。したがって、再び図９への参照を行うものとする。

一実施形態によれば、１つ以上のクラス１０１、１０２、１０３、１０４のうちの少なくとも１つのクラス１０２は、少なくとも２つのクラスメンバ１０２Ａ、１０２Ｂを含み得、上記１つのクラス１０２は、可動式個人用器具１１の取り扱い評価を表すことができ、第１のクラスメンバ１０２Ａは、可動式個人用器具１１の正しい取り扱いを表すことができ、第２のクラスメンバ１０２Ｂは、可動式個人用器具１１の誤った取り扱いを表すことができ、少なくとも１つのマッピングされた運動パターン１５_１、１５_２、１５_３、…、１５_ｎは、可動式個人用器具１１の運動に基づいて、可動式個人用器具１１の取り扱いを評価するための第１又は第２のクラスメンバ１０２Ａ、１０２Ｂのいずれかに関連付けられ得る。

換言すれば、装置１００は、可動式個人用器具１１のユーザが可動式個人用器具１１を正しく使用しているか否かを確認するように構成され得る。当然ながら、取り扱い評価を表す上記１つのクラス１０２を、例えば、ユーザ及び／又はユーザタイプを識別した後に、図１０及び図１１の上に記載される２工程手順の第２の工程１２２のクラスとして使用することもできる。

更なる実施形態によれば、１つ以上のクラス１０１、１０２、１０３、１０４のうちの少なくとも１つのクラス１０３は、少なくとも２つのクラスメンバ１０３Ａ、１０３Ｂを含み得、上記１つのクラス１０３は、可動式個人用器具１１の運動実行の品質を表すことができ、第１のクラスメンバ１０３Ａは、可動式個人用器具１１の良好な運動実行を表すことができ、第２のクラスメンバ１０３Ｂは、可動式個人用器具１１の不良な運動実行を表すことができ、少なくとも１つのマッピングされた運動パターン１５_１、１５_２、１５_３、…、１５_ｎは、可動式個人用器具１１の運動に基づいて、可動式個人用器具１１の運動実行の品質を評価するための第１又は第２のクラスメンバ１０３Ａ、１０３Ｂのいずれかに関連付けられ得る。

換言すれば、装置１００は、可動式個人用器具１１のユーザが可動式個人用器具１１を良好な方法で使用し得るか、又は不良な方法で使用し得るかを確認するように構成され得る。良好な方法が、意図される可動式個人用器具の運動を実施する方法であり得る一方、不良な方法は、意図されていない可動式個人用器具１１の運動を実施する方法であり得る。例えば、個人用器具１１が歯ブラシである場合、装置は、ユーザが良好なブラッシング技法を有し得るか、又は不良なブラッシング技法を有し得るかを確認することができる。

当然ながら、運動実行の品質を表す上記１つのクラス１０３を、例えば、ユーザ及び／又はユーザタイプを識別した後に、図１０及び図１１の上に記載される２工程手順の第２の工程１２２のクラスとして使用することもできる。

装置１００のなお更なる実施形態は、図１～図８を参照して記載されるように、装置１０と同様であってもよい。

かかる実施形態によれば、１つ以上のクラス１０１、１０２、１０３、１０４のうちの少なくとも１つのクラス１０４は、少なくとも２つのクラスメンバｎＡ、ｎＢを含むことができ、上記１つのクラス１０４は、対象表面１２に対する可動式個人用器具１１の位置を表すことができ、第１のクラスメンバｎＡは、対象表面１２に対する可動式個人用器具１１の第１の位置ゾーン２１_１を表すことができ、第２のクラスメンバｎＢは、対象表面１２に対する可動式個人用器具１１の第２の位置ゾーン２１_２を表すことができ、少なくとも１つのマッピングされた運動パターン１５_１、１５_２、１５_３、…、１５_ｎは、可動式個人用器具１１の運動に基づいて、第１及び第２の位置ゾーン２１_１、２１_２のうちの少なくとも１つの中に可動式個人用器具１１を位置特定するための第１及び第２のクラスメンバｎＡ、ｎＢのうちの少なくとも１つに関連付けられ得る。

換言すれば、１つのクラス１０４は、対象表面１２を表し得る。上記１つのクラス１０４のクラスメンバｎＡ、ｎＢは、上記対象表面１２の異なるゾーン２１_１、２１_２を表し得る。したがって、対象表面１２に対する可動式個人用器具１１の位置特定は、図１～図８を参照して装置１０に関して上に記載されるものと同じ又は少なくとも類似の方法で装置１０によって実行され得る。

当然ながら、対象表面１２に対する可動式個人用器具１１の位置を表す上記１つのクラス１０４を、例えば、ユーザ及び／又はユーザタイプを識別した後に、図１０及び図１１の上に記載される２工程手順の第２の工程１２２のクラスとして使用することもできる。

装置１００のニューラルネットワーク１８は、図４～図７を参照して記載されている装置１０のニューラルネットワーク１８と同じ又は類似の特徴を含み得る。したがって、再び図７を簡潔に参照するものとする。

一実施形態によれば、ニューラルネットワーク１８は、少なくとも第１及び第２の層７１、７２を備えることができ、各層は、ニューラルユニット６０、７０を備えることができ、第１の時間インスタントｔにおいて、少なくとも１つの慣性センサデータＸ_ｔ １７_２は、第１の層７１のニューラルユニット６０に入力され得、後続の第２の時間インスタントｔ＋１において、第２の慣性センサデータＸ_ｔ＋１ １７_３、及び以前の第１の時間インスタントｔの少なくとも１つの出力ｈ_ｔ ４６は、第１の層７１のニューラルユニット６０に入力され得、並びに／又は、後続の第２の時間インスタントｔ＋１において、第１の時間インスタントｔの少なくとも１つの出力ｈ_ｔ ４６は、第２の層７２のニューラルユニット７１に入力され得る。

図４～図７に示される装置１０のニューラルネットワーク１８の任意の特徴に関して上に記載されていることは全て、図９～図１１を参照して記載される装置１００のニューラルネットワーク１８にも当てはまる。

図１２は、慣性センサ１３を備える可動式個人用器具１１の運動を分類するための本発明の方法のブロック図を示している。

ブロック１２０１において、本方法は、可動式個人用器具１１の運動パターンのセット１５に含まれる２つ以上の運動パターン１５_１、１５_２、１５_３、…、１５_ｎ間を判別する工程を含む。

ブロック１２０２では、本方法は、慣性センサ１３からの少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを運動パターン認識デバイス１４に提供する工程を含み、少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎは、可動式個人用器具１１の運動を表す。

ブロック１２０３において、本方法は、ニューラルネットワーク１８によって、少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎを受信して処理し、かつ運動パターンのセット１５に含まれる少なくとも１つの運動パターン１５_１、１５_２、１５_３、…、１５_ｎに少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎをマッピングし、少なくとも１つのマッピングされた運動パターン１５_１、１５_２、１５_３、…、１５_ｎは、少なくとも１つのクラス１０１、１０２、１０３、１０４の少なくとも１つのクラスメンバ１０１Ａ、１０１Ｂ、１０２Ａ、１０２Ｂ、…、ｎＡ、ｎＢに関連付けられ、それにより、少なくとも１つのクラスメンバ１０１Ａ、１０１Ｂ、１０２Ａ、１０２Ｂ、…、ｎＡ、ｎＢは、可動式個人用器具１１の運動に基づいて選択される。

本発明の装置１０、１００のなお更なる例によれば、可動式処置デバイス１１は、個人用器具であり得、対象表面１２は、可動式処置デバイス１１によって処置される身体部分であり得る。

本発明の装置１０、１００のなお更なる例によれば、可動式処置デバイス１１又は可動式個人用器具１１は、個人用器具によって対象ゾーンに加えられる圧力を検知するための圧力センサ、及び／又は個人用器具を駆動し得るモータのモータ負荷を検知するための負荷センサを備え得る。

圧力センサ及び／又は負荷センサのそれぞれのセンサデータは、少なくとも１つの慣性センサデータ１７_１、１７_２、１７_３、…、１７_ｎに加えて又は代替的に、ニューラルユニット１８に入力として供給され得る。

本発明の装置１０のなお更なる例によれば、装置１０は、可動式処置デバイス１１が位置する対象表面１２の１つ以上のゾーン２１_１、２１_２、２１_３、…、２１_ｎをユーザに出力するための出力インターフェースを備え得る。

本発明の装置１００のなお更なる例によれば、装置１００は、ユーザに情報を出力するための出力インターフェースを備えることができ、上記情報は、１つ以上のクラス１０１、１０２、１０３、１０４、及び／又は１つ以上のクラス１０１、１０２、１０３、１０４の１つ以上のクラスメンバ１０１Ａ、１０１Ｂ、…、ｎＡ、ｎＢに関連する。

本明細書に記載される実施形態の各々では、センサデータ１７_１、１７_２、１７_３、…、１７_ｎを、可動式個人用器具又は処置デバイス１１に記憶することができ、その後、上に記載されるような方法で、装置１０、１００に供給することができる。異なるゾーン又はクラスに対する、この記憶されたセンサデータ１７_１、１７_２、１７_３、…、１７_ｎの任意の後処理を使用して、消費者又はユーザに対して、彼らがどの程度うまく及びどのゾーンをカバーしたか、何を忘却したか、対象の内と外に何が存在したかを、ダッシュボード上に示すことができる。このデータは、１回の使用又は時間の経過に伴う集計使用として示され得る（すなわち、消費者又はユーザに対して、彼らが週の間どのようにブラッシングしてきたかの単純なダッシュボードを示す）。

本発明は、以下の特徴を更に含み得る。

・注意機構（ＲＮＮに追加）
・プレフィルタリング作業
・頭部位置依存の除去（線形ａｃｃｌを見る）
・ユーザＩＤの動的時間伸縮法（フィンガプリント）
・ローカルの高周波数サンプリング、並びに信号の減衰を（頬に基づいて）舌側と頬側とを差別化する８ビットＦＦＴ（これは、ＲＮＮへの生信号＋デバイス分類子が後に続く単純なデバイス分類子によって行われることになる）
・位置予測因子を訓練するだけでなく、「正しくブラッシングする対ブラッシングしない」も訓練する
・クラスタ分析（バケツに留置する前にユーザに１～５回ブラッシングさせる）を行うことにより、そのタイプのユーザに対してカスタム訓練されたＲＮＮを使用する定義された空間にユーザを置く

いくつかの態様は装置の文脈で説明されているものの、これらの態様はまた、対応する方法の説明を表すことは明らかであり、ブロック又はデバイスは、方法工程又は方法工程の特徴に対応する。同様に、方法工程の文脈で説明した態様はまた、対応する装置の対応するブロック又はアイテム又は特徴の説明を表す。方法工程のうちのいくつか又は全ては、例えば、マイクロプロセッサ、プログラマブルコンピュータ、又は電子回路のようなハードウェア装置により（又はそれを使用して）実行されてもよい。いくつかの実施形態では、最も重要な方法工程のうちの１つ以上は、このような装置により実行されてもよい。

特定の実装要件に応じて、本発明の実施形態は、ハードウェアに、又はソフトウェアに、又は少なくとも部分的にハードウェアに、又は少なくとも部分的にソフトウェアに実装することができる。この実装は、電子的可読制御信号が記憶され、それぞれの方法が実施されるようにプログラマブルコンピュータシステムと協働する（又は協働することができる）デジタル記憶媒体、例えばフロッピーディスク、ＤＶＤ、Ｂｌｕ－Ｒａｙ、ＣＤ、ＲＯＭ、ＰＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、又はＦＬＡＳＨメモリを使用して実施され得る。したがって、デジタル記憶媒体は、コンピュータ可読であってもよい。

本発明によるいくつかの実施形態は、電子的可読制御信号を有するデータキャリアを備え、データキャリアは、本明細書に記載の方法のうちの１つが実施されるように、プログラマブルコンピュータシステムと協働することができる。

概して、本発明の実施形態は、プログラムコードを有するコンピュータプログラム製品として実装することができ、プログラムコードは、コンピュータプログラム製品がコンピュータ上で動作するときに、これらの方法のうちの１つを実施するように動作可能である。プログラムコードは、例えば、機械可読キャリアに記憶されてもよい。

他の実施形態は、機械可読キャリアに記憶された、本明細書に記載の方法のうちの１つを実施するためのコンピュータプログラムを含む。

換言すれば、本発明の方法のある実施形態は、したがって、コンピュータプログラムがコンピュータ上で動作するときに、本明細書に記載の方法のうちの１つを実施するためのプログラムコードを有するコンピュータプログラムである。

本発明の方法の更なる実施形態は、したがって、本明細書に記載の方法のうちの１つを実施するためのコンピュータプログラムを含む、それが記録されたデータキャリア（又はデジタル記憶媒体、又はコンピュータ可読媒体）である。データキャリア、デジタル記憶媒体、又は記録媒体は、典型的には、有形及び／又は非一時的である。

本発明の方法の更なる実施形態は、したがって、本明細書に記載の方法のうちの１つを実施するためのコンピュータプログラムを表すデータストリーム又は信号のシーケンスである。データストリーム又は信号のシーケンスは、例えば、データ通信接続、例えば、インターネット、Ｂｌｕｅｔｏｏｔｈ低エネルギー（Bluetooth Low Energy、ＢＬＥ）、ＷｉＦｉ、又は任意の種類のネットワーク、例えば、メッシュネットワーク、を介して転送されるように構成され得る。

更なる実施形態は、本明細書に記載の方法のうちの１つを実施するように構成又は適合された処理手段、例えばコンピュータ又はプログラマブル論理デバイスを含む。

更なる実施形態は、本明細書に記載の方法のうちの１つを実施するためのコンピュータプログラムがインストールされたコンピュータを含む。

本発明による更なる実施形態は、本明細書に記載の方法のうちの１つを実施するためのコンピュータプログラムを受信器に（例えば、電子的又は光学的に）転送するように構成された装置又はシステムを備える。受信器は、例えば、コンピュータ、モバイル機器、メモリデバイスなどであってもよい。装置又はシステムは、例えば、コンピュータプログラムを受信器に転送するためのファイルサーバを備えてもよい。

いくつかの実施形態では、プログラマブル論理デバイス（例えば、フィールドプログラマブルゲートアレイ）を使用して、本明細書に記載の方法の機能のうちのいくつか又は全てを実施してもよい。いくつかの実施形態では、フィールドプログラマブルゲートアレイは、本明細書に記載の方法のうちの１つを実施するために、マイクロプロセッサと協働してもよい。概して、方法は、できれば任意のハードウェア装置により実施されることが好ましい。

本明細書に記載の装置は、ハードウェア装置を使用して実装されても、コンピュータを使用して実装されても、又はハードウェア装置とコンピュータとの組み合わせを使用して実装されてもよい。

本明細書に記載の方法は、ハードウェア装置を使用して実施されても、コンピュータを使用して実施されても、又はハードウェア装置とコンピュータとの組み合わせを使用して実施されてもよい。

上に記載される実施形態は、単に本発明の原理の例示である。本明細書に記載の配置及び詳細に対する変更及び変形は当業者に明らかであろうことが理解される。したがって、すぐ次の特許請求の範囲によってのみ限定され、かつ本明細書に記載の実施形態の記載及び説明により提示された具体的な詳細によっては限定されないことが意図である。

更に、本明細書に開示される寸法及び値は、列挙した正確な数値に厳密に制限されると理解すべきではない。その代わりに、特に指示がない限り、このような寸法はそれぞれ、列挙された値とその値を囲む機能的に同等な範囲との両方を意味することが意図されている。例えば、「４０ｍｍ」と開示された寸法は、「約４０ｍｍ」を意味することが意図される。

Claims (14)

1. 対象表面（１２）に対する可動式処置デバイス（１１）の位置特定を実施するための装置（１０）であって、前記可動式処置デバイス（１１）が、慣性センサ（１３）を備え、前記対象表面（１２）を処置するように構成されており、前記装置（１０）が、
   前記可動式処置デバイス（１１）の運動パターンのセット（１５）に含まれる２つ以上の運動パターン（１５_１、１５_２、１５_３、…、１５_ｎ）間を判別するように構成された、運動パターン認識デバイス（１４）と、
   前記慣性センサ（１３）からの複数の慣性センサデータ（１７_１、１７_２、１７_３、…、１７_ｎ）を前記運動パターン認識デバイス（１４）に提供するためのインターフェース（１６）であって、前記複数の慣性センサデータ（１７_１、１７_２、１７_３、…、１７_ｎ）が、前記可動式処置デバイス（１１）の運動を表す、インターフェース（１６）であって、前記複数の慣性センサデータ（１７_１、１７_２、１７_３、…、１７_ｎ）はサンプル時間の間にサンプリングされ、それぞれの前記複数の慣性センサデータ（１７_１、１７_２、１７_３、…、１７_ｎ）は、前記サンプル時間における異なる時間インスタンスにおいて取得される、インターフェース（１６）と、を備え、
   前記運動パターン認識デバイス（１４）が、前記複数の慣性センサデータ（１７_１、１７_２、１７_３、…、１７_ｎ）を受信し、かつ前記運動パターンのセット（１５）に含まれる少なくとも１つの運動パターン（１５_１、１５_２、１５_３、…、１５_ｎ）に前記複数の慣性センサデータ（１７_１、１７_２、１７_３、…、１７_ｎ）をマッピングするように構成された、ニューラルネットワーク（１８）を備え、前記運動パターン（１５_１、１５_２、１５_３、…、１５_ｎ）が各々、前記対象表面（１２）の１つ以上の異なるゾーン（２１_１、２１_２、２１_３、…、２１_ｎ）に関連付けられ（２０_１、２０_２、２０_３、…、２０_ｎ）、それにより、前記少なくとも１つの運動パターン（１５_１、１５_２、１５_３、…、１５_ｎ）との前記複数の慣性センサデータ（１７_１、１７_２，１７_３、…、１７_ｎ）の前記マッピングが、前記対象表面（１２）の前記１つ以上のゾーン（２１_１、２１_２、２１_３、…、２１_ｎ）に対する前記可動式処置デバイス（１１）の場所の推定を示すものであり、
   前記ニューラルネットワーク（１８）の出力ｙ（ｔ）が、前記対象表面（１２）の前記１つ以上のゾーン（２１ _１ 、２１ _２ 、２１ _３ 、…、２１ _ｎ ）に対する前記可動式処置デバイス（１１）の場所の前記推定のための１つ以上の確率値を含む、装置（１０）。
2. 前記可動式処置デバイス（１１）が、個人用器具であり、前記対象表面（１２）が、前記可動式処置デバイス（１１）によって処置される身体部分である、請求項１に記載の装置（１０）。
3. 前記可動式処置デバイス（１１）が、口腔ケアデバイスであり、前記対象表面（１２）が、歯列であり、前記歯列（１２）が、異なる歯科ゾーン（１ａ～９ａ）に分離され、前記少なくとも１つの運動パターン（１５_１、１５_２、１５_３、…、１５_ｎ）との前記複数の慣性センサデータ（１７_１、１７_２、１７_３、…、１７_ｎ）の前記マッピングが、前記歯列（１２）の前記１つ以上の歯科ゾーン（１ａ～９ａ）に対する前記口腔ケアデバイス（１１）の場所の推定を示す、請求項１又は２に記載の装置（１０）。
4. 前記歯列（１２）が、９つの歯科ゾーン（１ａ～９ａ）に分離され、第１の歯科ゾーン（１ａ）が、前記歯列（１２）の上顎及び下顎の左側の頬側に対応し、第２の歯科ゾーン（２ａ）が、前記歯列（１２）の上顎の左側及び右側の咬合側に対応し、第３の歯科ゾーン（３ａ）が、前記歯列（１２）の下顎の左側及び右側の咬合側に対応し、第４の歯科ゾーン（４ａ）が、前記歯列（１２）の上顎及び下顎の左側の舌側に対応し、第５の歯科ゾーン（５ａ）が、前記歯列（１２）の上顎及び下顎の右側の頬側に対応し、第６の歯科ゾーン（６ａ）が、前記歯列（１２）の上顎及び下顎の左側の舌側に対応し、第７の歯科ゾーン（７ａ）が、前記歯列（１２）の上顎及び下顎の唇側に対応し、第８の歯科ゾーン（８ａ）が、前記歯列（１２）の上顎の口蓋側に対応し、第９の歯科ゾーン（９ａ）が、前記歯列（１２）の前部下顎の口腔側に対応する、請求項３に記載の装置（１０）。
5. 前記運動パターンのセット（１５）に含まれる少なくとも１つの既定の運動パターン（１５_ＮＢ）が、前記対象表面（１２）の外側のゾーン（２１_ＮＢ）に関連付けられ、前記少なくとも１つの既定の運動パターン（１５_ＮＢ）との前記複数の慣性センサデータ（１７_１、１７_２、１７_３、…、１７_ｎ）の前記マッピングが、前記可動式処置デバイス（１１）が前記対象表面（１２）の外側の前記ゾーン（２１_ＮＢ）に位置することを示す、請求項３又は４に記載の装置（１０）。
6. 前記ニューラルネットワーク（１８）が、回帰型ニューラルネットワーク（ＲＮＮ）である、請求項１～５のいずれか一項に記載の装置（１０）。
7. 前記ニューラルネットワーク（１８）が、第１の層（７１）を備え、前記第１の層（７１）が、ニューラルユニット（６０）を備え、第１の瞬間ｔにおいて、前記複数の慣性センサデータのうちの１つの慣性センサデータ（１７_２）が、前記第１の層（７１）の前記ニューラルユニット（６０）に入力され、後続の第２の瞬間ｔ＋１において、第２の慣性センサデータ（１７_３）と、前の前記第１の瞬間ｔの少なくとも１つの出力ｈ_ｔ（４６）とが、前記第１の層（７１）の前記ニューラルユニット（６０）に入力される、請求項１～６のいずれか一項に記載の装置（１０）。
8. 前記ニューラルネットワーク（１８）が、少なくとも第１の層（７１）と、第２の層（７２）と、を備え、前記第１の層（７１）が、第１のニューラルユニット（６０）を備え、前記第２の層（７２）が、第２のニューラルユニット（７０）を備え、第１の瞬間ｔにおいて、前記複数の慣性センサデータのうちの１つの慣性センサデータ（１７_２）が、前記第１の層（７１）の前記第１のニューラルユニット（６０）に入力され、前記第１のニューラルユニット（６０）の少なくとも１つの出力ｈ_ｔ（４６）が、前記第２の層（７２）の前記第２のニューラルユニット（７０）に入力される、請求項１～６のいずれか一項に記載の装置（１０）。
9. 前記ニューラルネットワーク（１８）が、少なくとも第１の層（７１）と、第２の層（７２）と、を備え、前記第１の層（７１）が、第１のニューラルユニット（６０）を備え、前記第２の層（７２）が、第２のニューラルユニット（７０）を備え、第１の瞬間ｔにおいて、前記複数の慣性センサデータのうちの１つの慣性センサデータ（１７_２）が、前記第１の層（７１）の前記第１のニューラルユニット（６０）に入力され、前記第１のニューラルユニット（６０）の少なくとも１つの出力ｈ_ｔ（４６）が、前記第２の層（７２）の前記第２のニューラルユニット（７０）に入力され、後続の第２の瞬間ｔ＋１において、第２の慣性センサデータ（１７_３）と、前記第１の瞬間ｔにおける前記第１のニューラルユニット（６０）の少なくとも１つの出力ｈ_ｔ（４６）とが、前記後続の第２の瞬間ｔ＋１において前記第１のニューラルユニット（６０）に入力される、請求項１～６のいずれか一項に記載の装置（１０）。
10. それぞれの前記複数の慣性センサデータ（１７_１、１７_２、１７_３、…、１７_ｎ）が、１つ以上の慣性センサデータ部分を含み、第１の瞬間ｔにおける前記第１のニューラルユニット（６０）への入力が、前記第１の瞬間ｔの間に回収された前記１つ以上の慣性センサデータ部分を含む、それぞれの慣性センサデータ（１７_１、１７_２、１７_３、…、１７_ｎ）である、請求項７～９のいずれか一項に記載の装置（１０）。
11. それぞれの前記複数の慣性センサデータ（１７_１、１７_２、１７_３、…、１７_ｎ）が、ｘ、ｙ、及びｚ方向の線形速度と、ｘ、ｙ、及びｚ軸に対する角速度と、ｘ、ｙ、及びｚ方向の線形加速度と、ｘ、ｙ、及びｚ軸に対する角加速度と、を含む群の少なくとも３つの慣性センサデータ部分を含む、請求項１～１０のいずれか一項に記載の装置（１０）。
12. 前記運動パターン認識デバイス（１４）が、前記複数の慣性センサデータ（１７_１、１７_２、１７_３、…、１７_ｎ）から、前記可動式処置デバイス（１１）と前記対象表面（１２）との相互運動を決定し、かつ前記可動式処置デバイス（１１）の前記決定された運動から、前記対象表面（１２）の前記決定された運動を除去するように構成されている、請求項１～１１のいずれか一項に記載の装置（１０）。
13. 対象表面（１２）に対する可動式処置デバイス（１１）の位置特定を実施するための方法であって、前記可動式処置デバイス（１１）が、慣性センサ（１３）を備え、前記対象表面（１２）を処置するように構成されており、前記方法が、
    前記可動式処置デバイス（１１）の運動パターンのセット（１５）に含まれる２つ以上の運動パターン（１５_１、１５_２、１５_３、…、１５_ｎ）間を判別することと、 前記慣性センサ（１３）から複数の慣性センサデータ（１７_１、１７_２、１７_３、…、１７_ｎ）を受信することであって、前記複数の慣性センサデータ（１７_１、１７_２、１７_３、…、１７_ｎ）が、前記可動式処置デバイス（１１）の運動を表しており、前記複数の慣性センサデータ（１７_１、１７_２、１７_３、…、１７_ｎ）はサンプル時間の間にサンプリングされ、それぞれの前記複数の慣性センサデータ（１７_１、１７_２、１７_３、…、１７_ｎ）は、前記サンプル時間における異なる時間インスタンスにおいて取得されることと、
    ニューラルネットワーク（１８）によって、前記複数の慣性センサデータ（１７_１、１７_２、１７_３、…、１７_ｎ）を受信して処理することと、前記運動パターンのセット（１５）に含まれる少なくとも１つの運動パターン（１５_１、１５_２、１５_３、…、１５_ｎ）に前記複数の慣性センサデータ（１７_１、１７_２、１７_３、…、１７_ｎ）をマッピングすることと、を備え、
    前記運動パターンのセット（１５）に含まれる前記運動パターン（１５_１、１５_２、１５_３、…、１５_ｎ）が各々、前記対象表面（１２）の１つ以上の異なるゾーン（２１_１、２１_２、２１_３、…、２１_ｎ）に関連付けられ、それにより、前記少なくとも１つの運動パターン（１５_１、１５_２、１５_３、…、１５_ｎ）との前記複数の慣性センサデータ（１７_１、１７_２、１７_３、…、１７_ｎ）の前記マッピングが、前記対象表面（１２）の前記１つ以上のゾーン（２１_１、２１_２、２１_３、…、２１_ｎ）に対する前記可動式処置デバイス（１１）の場所の推定を示すものであり、
    前記ニューラルネットワーク（１８）の出力ｙ（ｔ）が、前記対象表面（１２）の前記１つ以上のゾーン（２１ _１ 、２１ _２ 、２１ _３ 、…、２１ _ｎ ）に対する前記可動式処置デバイス（１１）の場所の前記推定のための１つ以上の確率値を含む、方法。
14. コンピュータプログラムが記憶されたコンピュータ可読デジタル記憶媒体であって、前記コンピュータプログラムが、コンピュータ上で作動しているときに、請求項１３に記載の方法を実施するためのプログラムコードを有する、コンピュータ可読デジタル記憶媒体。

Images