KR20220051266A - 시뮬레이션된 동물 데이터 및 모델을 생성하기 위한 시스템 - Google Patents
시뮬레이션된 동물 데이터 및 모델을 생성하기 위한 시스템 Download PDFInfo
- Publication number
- KR20220051266A KR20220051266A KR1020227011035A KR20227011035A KR20220051266A KR 20220051266 A KR20220051266 A KR 20220051266A KR 1020227011035 A KR1020227011035 A KR 1020227011035A KR 20227011035 A KR20227011035 A KR 20227011035A KR 20220051266 A KR20220051266 A KR 20220051266A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- simulated
- animal data
- animal
- simulation
- Prior art date
Links
- 241001465754 Metazoa Species 0.000 title claims abstract description 471
- 238000000034 method Methods 0.000 claims abstract description 175
- 238000004088 simulation Methods 0.000 claims description 426
- 230000009471 action Effects 0.000 claims description 81
- 238000013528 artificial neural network Methods 0.000 claims description 77
- 239000000047 product Substances 0.000 claims description 55
- 230000036541 health Effects 0.000 claims description 54
- 230000000694 effects Effects 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 34
- 238000004891 communication Methods 0.000 claims description 30
- 230000006854 communication Effects 0.000 claims description 29
- 238000009826 distribution Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 19
- 239000013060 biological fluid Substances 0.000 claims description 18
- 230000007613 environmental effect Effects 0.000 claims description 17
- 230000003190 augmentative effect Effects 0.000 claims description 16
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 16
- 238000011282 treatment Methods 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 14
- 230000000306 recurrent effect Effects 0.000 claims description 13
- 230000002068 genetic effect Effects 0.000 claims description 9
- 239000013589 supplement Substances 0.000 claims description 9
- 210000004369 blood Anatomy 0.000 claims description 8
- 239000008280 blood Substances 0.000 claims description 8
- 230000036571 hydration Effects 0.000 claims description 8
- 238000006703 hydration reaction Methods 0.000 claims description 8
- 210000003205 muscle Anatomy 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 210000004243 sweat Anatomy 0.000 claims description 8
- 239000008358 core component Substances 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 7
- 230000036772 blood pressure Effects 0.000 claims description 6
- 239000004744 fabric Substances 0.000 claims description 6
- 210000004209 hair Anatomy 0.000 claims description 5
- 230000003155 kinesthetic effect Effects 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 5
- 210000001519 tissue Anatomy 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 4
- 230000017531 blood circulation Effects 0.000 claims description 3
- 210000000056 organ Anatomy 0.000 claims description 3
- 238000006213 oxygenation reaction Methods 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 210000003462 vein Anatomy 0.000 claims description 3
- 210000004204 blood vessel Anatomy 0.000 claims description 2
- 150000001875 compounds Chemical class 0.000 claims description 2
- 230000036757 core body temperature Effects 0.000 claims description 2
- 230000001815 facial effect Effects 0.000 claims description 2
- 239000007788 liquid Substances 0.000 claims description 2
- 230000000116 mitigating effect Effects 0.000 claims description 2
- 238000013139 quantization Methods 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 231100000430 skin reaction Toxicity 0.000 claims description 2
- 238000012421 spiking Methods 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 claims description 2
- 238000009827 uniform distribution Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 description 26
- 238000012549 training Methods 0.000 description 24
- 230000033001 locomotion Effects 0.000 description 21
- 238000012544 monitoring process Methods 0.000 description 21
- 230000008859 change Effects 0.000 description 20
- 239000003814 drug Substances 0.000 description 18
- 230000008901 benefit Effects 0.000 description 17
- 230000008827 biological function Effects 0.000 description 17
- 229940079593 drug Drugs 0.000 description 17
- 230000008569 process Effects 0.000 description 17
- 230000004044 response Effects 0.000 description 17
- 210000002569 neuron Anatomy 0.000 description 16
- 239000000306 component Substances 0.000 description 15
- 238000012360 testing method Methods 0.000 description 15
- 210000004027 cell Anatomy 0.000 description 14
- 230000000007 visual effect Effects 0.000 description 14
- 230000036387 respiratory rate Effects 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 11
- 241000283086 Equidae Species 0.000 description 10
- 210000004556 brain Anatomy 0.000 description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 9
- 208000010125 myocardial infarction Diseases 0.000 description 9
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 8
- 230000004913 activation Effects 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000013480 data collection Methods 0.000 description 8
- 201000010099 disease Diseases 0.000 description 8
- 239000008103 glucose Substances 0.000 description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 7
- 241000282412 Homo Species 0.000 description 7
- 101150049278 US20 gene Proteins 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 238000012986 modification Methods 0.000 description 7
- 238000011045 prefiltration Methods 0.000 description 7
- 208000027418 Wounds and injury Diseases 0.000 description 6
- 230000006378 damage Effects 0.000 description 6
- 230000007423 decrease Effects 0.000 description 6
- 230000001976 improved effect Effects 0.000 description 6
- 230000001965 increasing effect Effects 0.000 description 6
- 208000014674 injury Diseases 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 230000001131 transforming effect Effects 0.000 description 6
- 230000004071 biological effect Effects 0.000 description 5
- 238000009795 derivation Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- BPYKTIZUTYGOLE-IFADSCNNSA-N Bilirubin Chemical compound N1C(=O)C(C)=C(C=C)\C1=C\C1=C(C)C(CCC(O)=O)=C(CC2=C(C(C)=C(\C=C/3C(=C(C=C)C(=O)N\3)C)N2)CCC(O)=O)N1 BPYKTIZUTYGOLE-IFADSCNNSA-N 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 230000036760 body temperature Effects 0.000 description 4
- 230000001351 cycling effect Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- VYFYYTLLBUKUHU-UHFFFAOYSA-N dopamine Chemical compound NCCC1=CC=C(O)C(O)=C1 VYFYYTLLBUKUHU-UHFFFAOYSA-N 0.000 description 4
- 238000002567 electromyography Methods 0.000 description 4
- 230000002708 enhancing effect Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000013213 extrapolation Methods 0.000 description 4
- JYGXADMDTFJGBT-VWUMJDOOSA-N hydrocortisone Chemical compound O=C1CC[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 JYGXADMDTFJGBT-VWUMJDOOSA-N 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 235000016709 nutrition Nutrition 0.000 description 4
- 230000008520 organization Effects 0.000 description 4
- 230000037081 physical activity Effects 0.000 description 4
- 210000001747 pupil Anatomy 0.000 description 4
- 230000007958 sleep Effects 0.000 description 4
- 238000013179 statistical model Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000001755 vocal effect Effects 0.000 description 4
- 235000013361 beverage Nutrition 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000000747 cardiac effect Effects 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- OVBPIULPVIDEAO-LBPRGKRZSA-N folic acid Chemical compound C=1N=C2NC(N)=NC(=O)C2=NC=1CNC1=CC=C(C(=O)N[C@@H](CCC(O)=O)C(O)=O)C=C1 OVBPIULPVIDEAO-LBPRGKRZSA-N 0.000 description 3
- 230000003862 health status Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000035764 nutrition Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 235000018102 proteins Nutrition 0.000 description 3
- 102000004169 proteins and genes Human genes 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 210000003296 saliva Anatomy 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 210000002700 urine Anatomy 0.000 description 3
- SFLSHLFXELFNJZ-QMMMGPOBSA-N (-)-norepinephrine Chemical compound NC[C@H](O)C1=CC=C(O)C(O)=C1 SFLSHLFXELFNJZ-QMMMGPOBSA-N 0.000 description 2
- 102100036475 Alanine aminotransferase 1 Human genes 0.000 description 2
- 108010082126 Alanine transaminase Proteins 0.000 description 2
- 102000002260 Alkaline Phosphatase Human genes 0.000 description 2
- 108020004774 Alkaline Phosphatase Proteins 0.000 description 2
- 108010003415 Aspartate Aminotransferases Proteins 0.000 description 2
- 102000004625 Aspartate Aminotransferases Human genes 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000001712 DNA sequencing Methods 0.000 description 2
- 241001522296 Erithacus rubecula Species 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 206010049565 Muscle fatigue Diseases 0.000 description 2
- 241000288906 Primates Species 0.000 description 2
- 102000007066 Prostate-Specific Antigen Human genes 0.000 description 2
- 108010072866 Prostate-Specific Antigen Proteins 0.000 description 2
- 208000036142 Viral infection Diseases 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000000386 athletic effect Effects 0.000 description 2
- 238000005311 autocorrelation function Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000004820 blood count Methods 0.000 description 2
- 230000037396 body weight Effects 0.000 description 2
- 230000007177 brain activity Effects 0.000 description 2
- 210000004958 brain cell Anatomy 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000035487 diastolic blood pressure Effects 0.000 description 2
- 229960003638 dopamine Drugs 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 230000002996 emotional effect Effects 0.000 description 2
- 230000001747 exhibiting effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 235000019152 folic acid Nutrition 0.000 description 2
- 239000011724 folic acid Substances 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 210000002683 foot Anatomy 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 230000005802 health problem Effects 0.000 description 2
- 229960000890 hydrocortisone Drugs 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010348 incorporation Methods 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000926 neurological effect Effects 0.000 description 2
- 229960002748 norepinephrine Drugs 0.000 description 2
- SFLSHLFXELFNJZ-UHFFFAOYSA-N norepinephrine Natural products NCC(O)C1=CC=C(O)C(O)=C1 SFLSHLFXELFNJZ-UHFFFAOYSA-N 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000000718 qrs complex Methods 0.000 description 2
- 230000035484 reaction time Effects 0.000 description 2
- 238000013349 risk mitigation Methods 0.000 description 2
- QZAYGJVTTNCVMB-UHFFFAOYSA-N serotonin Chemical compound C1=C(O)C=C2C(CCN)=CNC2=C1 QZAYGJVTTNCVMB-UHFFFAOYSA-N 0.000 description 2
- 230000008093 supporting effect Effects 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 230000035900 sweating Effects 0.000 description 2
- 230000035488 systolic blood pressure Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000009385 viral infection Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 239000000275 Adrenocorticotropic Hormone Substances 0.000 description 1
- 108010088751 Albumins Proteins 0.000 description 1
- 102000009027 Albumins Human genes 0.000 description 1
- 208000007848 Alcoholism Diseases 0.000 description 1
- 108700028369 Alleles Proteins 0.000 description 1
- 239000004382 Amylase Substances 0.000 description 1
- 102000013142 Amylases Human genes 0.000 description 1
- 108010065511 Amylases Proteins 0.000 description 1
- 241000271566 Aves Species 0.000 description 1
- 208000035143 Bacterial infection Diseases 0.000 description 1
- BVKZGUZCCUSVTD-UHFFFAOYSA-M Bicarbonate Chemical compound OC([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-M 0.000 description 1
- 241000283690 Bos taurus Species 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 description 1
- 102400000739 Corticotropin Human genes 0.000 description 1
- 101800000414 Corticotropin Proteins 0.000 description 1
- 241000938605 Crocodylia Species 0.000 description 1
- 208000030453 Drug-Related Side Effects and Adverse reaction Diseases 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 208000001613 Gambling Diseases 0.000 description 1
- 102400000921 Gastrin Human genes 0.000 description 1
- 108010052343 Gastrins Proteins 0.000 description 1
- 206010019345 Heat stroke Diseases 0.000 description 1
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 208000013016 Hypoglycemia Diseases 0.000 description 1
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- 240000004759 Inga spectabilis Species 0.000 description 1
- WHUUTDBJXJRKMK-VKHMYHEASA-N L-glutamic acid Chemical compound OC(=O)[C@@H](N)CCC(O)=O WHUUTDBJXJRKMK-VKHMYHEASA-N 0.000 description 1
- JVTAAEKCZFNVCJ-UHFFFAOYSA-M Lactate Chemical compound CC(O)C([O-])=O JVTAAEKCZFNVCJ-UHFFFAOYSA-M 0.000 description 1
- 102000004882 Lipase Human genes 0.000 description 1
- 108090001060 Lipase Proteins 0.000 description 1
- 239000004367 Lipase Substances 0.000 description 1
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 1
- 241000124008 Mammalia Species 0.000 description 1
- 206010027525 Microalbuminuria Diseases 0.000 description 1
- OVBPIULPVIDEAO-UHFFFAOYSA-N N-Pteroyl-L-glutaminsaeure Natural products C=1N=C2NC(N)=NC(=O)C2=NC=1CNC1=CC=C(C(=O)NC(CCC(O)=O)C(O)=O)C=C1 OVBPIULPVIDEAO-UHFFFAOYSA-N 0.000 description 1
- 206010028813 Nausea Diseases 0.000 description 1
- 241000208125 Nicotiana Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 241000283973 Oryctolagus cuniculus Species 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 238000003559 RNA-seq method Methods 0.000 description 1
- 208000002200 Respiratory Hypersensitivity Diseases 0.000 description 1
- 241000283984 Rodentia Species 0.000 description 1
- 241000282887 Suidae Species 0.000 description 1
- 206010044565 Tremor Diseases 0.000 description 1
- LEHOTFFKMJEONL-UHFFFAOYSA-N Uric Acid Chemical compound N1C(=O)NC(=O)C2=C1NC(=O)N2 LEHOTFFKMJEONL-UHFFFAOYSA-N 0.000 description 1
- TVWHNULVHGKJHS-UHFFFAOYSA-N Uric acid Natural products N1C(=O)NC(=O)C2NC(=O)NC21 TVWHNULVHGKJHS-UHFFFAOYSA-N 0.000 description 1
- PNNCWTXUWKENPE-UHFFFAOYSA-N [N].NC(N)=O Chemical compound [N].NC(N)=O PNNCWTXUWKENPE-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- OIPILFWXSMYKGL-UHFFFAOYSA-N acetylcholine Chemical compound CC(=O)OCC[N+](C)(C)C OIPILFWXSMYKGL-UHFFFAOYSA-N 0.000 description 1
- 229960004373 acetylcholine Drugs 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 239000002390 adhesive tape Substances 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 206010001584 alcohol abuse Diseases 0.000 description 1
- 208000025746 alcohol use disease Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 150000001413 amino acids Chemical group 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 235000019418 amylase Nutrition 0.000 description 1
- 210000003423 ankle Anatomy 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002567 autonomic effect Effects 0.000 description 1
- 208000022362 bacterial infectious disease Diseases 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000011871 bio-impedance analysis Methods 0.000 description 1
- 230000031018 biological processes and functions Effects 0.000 description 1
- 230000008512 biological response Effects 0.000 description 1
- 210000000476 body water Anatomy 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 235000019577 caloric intake Nutrition 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- AOXOCDRNSPFDPE-UKEONUMOSA-N chembl413654 Chemical compound C([C@H](C(=O)NCC(=O)N[C@H](CC=1C2=CC=CC=C2NC=1)C(=O)N[C@H](CCSC)C(=O)N[C@H](CC(O)=O)C(=O)N[C@H](CC=1C=CC=CC=1)C(N)=O)NC(=O)[C@@H](C)NC(=O)[C@@H](CCC(O)=O)NC(=O)[C@@H](CCC(O)=O)NC(=O)[C@@H](CCC(O)=O)NC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CC=1C2=CC=CC=C2NC=1)NC(=O)[C@H]1N(CCC1)C(=O)CNC(=O)[C@@H](N)CCC(O)=O)C1=CC=C(O)C=C1 AOXOCDRNSPFDPE-UKEONUMOSA-N 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 230000004087 circulation Effects 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- FDJOLVPMNUYSCM-WZHZPDAFSA-L cobalt(3+);[(2r,3s,4r,5s)-5-(5,6-dimethylbenzimidazol-1-yl)-4-hydroxy-2-(hydroxymethyl)oxolan-3-yl] [(2r)-1-[3-[(1r,2r,3r,4z,7s,9z,12s,13s,14z,17s,18s,19r)-2,13,18-tris(2-amino-2-oxoethyl)-7,12,17-tris(3-amino-3-oxopropyl)-3,5,8,8,13,15,18,19-octamethyl-2 Chemical compound [Co+3].N#[C-].N([C@@H]([C@]1(C)[N-]\C([C@H]([C@@]1(CC(N)=O)C)CCC(N)=O)=C(\C)/C1=N/C([C@H]([C@@]1(CC(N)=O)C)CCC(N)=O)=C\C1=N\C([C@H](C1(C)C)CCC(N)=O)=C/1C)[C@@H]2CC(N)=O)=C\1[C@]2(C)CCC(=O)NC[C@@H](C)OP([O-])(=O)O[C@H]1[C@@H](O)[C@@H](N2C3=CC(C)=C(C)C=C3N=C2)O[C@@H]1CO FDJOLVPMNUYSCM-WZHZPDAFSA-L 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- IDLFZVILOHSSID-OVLDLUHVSA-N corticotropin Chemical compound C([C@@H](C(=O)N[C@@H](CO)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CC=1NC=NC=1)C(=O)N[C@@H](CC=1C=CC=CC=1)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CC=1C2=CC=CC=C2NC=1)C(=O)NCC(=O)N[C@@H](CCCCN)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](C(C)C)C(=O)NCC(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CC=1C=CC(O)=CC=1)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](CC(N)=O)C(=O)NCC(=O)N[C@@H](C)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CC(O)=O)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CO)C(=O)N[C@@H](C)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](C)C(=O)N[C@@H](CC=1C=CC=CC=1)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CC=1C=CC=CC=1)C(O)=O)NC(=O)[C@@H](N)CO)C1=CC=C(O)C=C1 IDLFZVILOHSSID-OVLDLUHVSA-N 0.000 description 1
- 229960000258 corticotropin Drugs 0.000 description 1
- 229940109239 creatinine Drugs 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 230000003205 diastolic effect Effects 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 210000003743 erythrocyte Anatomy 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000011985 exploratory data analysis Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 235000013861 fat-free Nutrition 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000009975 flexible effect Effects 0.000 description 1
- 238000009408 flooring Methods 0.000 description 1
- 229940014144 folate Drugs 0.000 description 1
- 229960000304 folic acid Drugs 0.000 description 1
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 229960003692 gamma aminobutyric acid Drugs 0.000 description 1
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000003862 glucocorticoid Substances 0.000 description 1
- 229930195712 glutamate Natural products 0.000 description 1
- 230000004886 head movement Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000009532 heart rate measurement Methods 0.000 description 1
- 238000005534 hematocrit Methods 0.000 description 1
- 230000003054 hormonal effect Effects 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 230000009610 hypersensitivity Effects 0.000 description 1
- 230000002218 hypoglycaemic effect Effects 0.000 description 1
- 229940099472 immunoglobulin a Drugs 0.000 description 1
- 238000011337 individualized treatment Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000001596 intra-abdominal fat Anatomy 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 210000000265 leukocyte Anatomy 0.000 description 1
- 235000019421 lipase Nutrition 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011777 magnesium Substances 0.000 description 1
- 229910052749 magnesium Inorganic materials 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 230000037323 metabolic rate Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000008693 nausea Effects 0.000 description 1
- 230000001722 neurochemical effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 230000003334 potential effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004439 pupillary reactions Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000003362 replicative effect Effects 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000000276 sedentary effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 229940076279 serotonin Drugs 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 210000002027 skeletal muscle Anatomy 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 230000037078 sports performance Effects 0.000 description 1
- 210000004003 subcutaneous fat Anatomy 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- UFTFJSFQGQCHQW-UHFFFAOYSA-N triformin Chemical compound O=COCC(OC=O)COC=O UFTFJSFQGQCHQW-UHFFFAOYSA-N 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 229940116269 uric acid Drugs 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
- 230000004580 weight loss Effects 0.000 description 1
- 230000036642 wellbeing Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/20—Input arrangements for video game devices
- A63F13/21—Input arrangements for video game devices characterised by their sensors, purposes or types
- A63F13/212—Input arrangements for video game devices characterised by their sensors, purposes or types using sensors worn by the player, e.g. for measuring heart beat or leg activity
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1118—Determining activity level
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/20—Input arrangements for video game devices
- A63F13/21—Input arrangements for video game devices characterised by their sensors, purposes or types
- A63F13/216—Input arrangements for video game devices characterised by their sensors, purposes or types using geographical information, e.g. location of the game device or player using GPS
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/20—Input arrangements for video game devices
- A63F13/21—Input arrangements for video game devices characterised by their sensors, purposes or types
- A63F13/217—Input arrangements for video game devices characterised by their sensors, purposes or types using environment-related information, i.e. information generated otherwise than by the player, e.g. ambient temperature or humidity
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/60—Generating or modifying game content before or while executing the game program, e.g. authoring tools specially adapted for game development or game-integrated level editor
- A63F13/65—Generating or modifying game content before or while executing the game program, e.g. authoring tools specially adapted for game development or game-integrated level editor automatically by game devices or servers from real world data, e.g. measurement in live racing competition
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/60—Generating or modifying game content before or while executing the game program, e.g. authoring tools specially adapted for game development or game-integrated level editor
- A63F13/67—Generating or modifying game content before or while executing the game program, e.g. authoring tools specially adapted for game development or game-integrated level editor adaptively or by learning from player actions, e.g. skill level adjustment or by storing successful combat sequences for re-use
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/90—Constructional details or arrangements of video game devices not provided for in groups A63F13/20 or A63F13/25, e.g. housing, wiring, connections or cabinets
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07F—COIN-FREED OR LIKE APPARATUS
- G07F17/00—Coin-freed apparatus for hiring articles; Coin-freed facilities or services
- G07F17/32—Coin-freed apparatus for hiring articles; Coin-freed facilities or services for games, toys, sports, or amusements
- G07F17/3244—Payment aspects of a gaming system, e.g. payment schemes, setting payout ratio, bonus or consolation prizes
- G07F17/3253—Payment aspects of a gaming system, e.g. payment schemes, setting payout ratio, bonus or consolation prizes involving articles, e.g. paying in bottles, paying out toys
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07F—COIN-FREED OR LIKE APPARATUS
- G07F17/00—Coin-freed apparatus for hiring articles; Coin-freed facilities or services
- G07F17/32—Coin-freed apparatus for hiring articles; Coin-freed facilities or services for games, toys, sports, or amusements
- G07F17/3244—Payment aspects of a gaming system, e.g. payment schemes, setting payout ratio, bonus or consolation prizes
- G07F17/3255—Incentive, loyalty and/or promotion schemes, e.g. comps, gaming associated with a purchase, gaming funded by advertisements
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07F—COIN-FREED OR LIKE APPARATUS
- G07F17/00—Coin-freed apparatus for hiring articles; Coin-freed facilities or services
- G07F17/32—Coin-freed apparatus for hiring articles; Coin-freed facilities or services for games, toys, sports, or amusements
- G07F17/326—Game play aspects of gaming 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F2300/00—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game
- A63F2300/80—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game specially adapted for executing a specific type of game
- A63F2300/8094—Unusual game types, e.g. virtual cooking
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Environmental & Geological Engineering (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Environmental Sciences (AREA)
- Ecology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Cardiology (AREA)
- Data Mining & Analysis (AREA)
- Radar, Positioning & Navigation (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Surgery (AREA)
- Psychiatry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Dentistry (AREA)
- Artificial Intelligence (AREA)
- Processing Or Creating Images (AREA)
- Radar Systems Or Details Thereof (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
시뮬레이션된 동물 데이터를 생성 및 배포하는 방법은 하나 이상의 표적 개체와 관련된 정보를 수신, 저장, 또는 전송하는 하나 이상의 센서로부터 적어도 부분적으로 획득된 실제 동물 데이터 세트를 수신하는 단계를 포함한다. 시뮬레이션된 동물 데이터는 실제 동물 데이터의 적어도 일부 또는 하나 이상의 파생물에서 생성된다. 마지막으로, 시뮬레이션된 동물 데이터가 컴퓨팅 디바이스에 제공된다. 특징적으로, 하나 이상의 표적 개체의 하나 이상의 매개변수 또는 변수가 수정될 수 있다.
Description
관련 출원에 대한 교차 출원
본 출원은 2019년 9월 6일에 출원된 미국 가출원 제 62/897,064호 및 2020년 5월 20일에 출원된 미국 가출원 제 63/027,491호의 이익을 주장하며, 그 개시 내용은 전체가 인용에 의해 본원에 포함된다.
기술 분야
적어도 하나의 양태에서, 본 발명은 실제 동물 데이터로부터 시뮬레이션된 동물 데이터를 생성하기 위한 시스템 및 방법에 관한 것이다.
인터넷을 통한 정보 가용성의 지속적인 발전으로 비즈니스 수행 방식이 크게 바뀌었다. 이러한 정보폭발과 동시에 센서 기술, 특히 바이오센서 기술도 발전하고 있다. 특히 심전도 신호, 혈류량, 체온, 발한량, 및 호흡수를 측정하는 소형 바이오센서가 이제 사용될 수 있다. 무선 및 인터넷을 통해 이러한 센서의 데이터를 전송할 수 있는 기능은 데이터 세트 수집을 위한 잠재적인 새로운 애플리케이션을 열었다.
센서 기술의 발전으로, 새로운 동물 데이터 세트가 생성되고 있다. 그러나 표적 대상, 센서, 활동, 조건 및 기타 변수 또는 매개변수와 관련된 특정 특성을 특징으로 하는 동물 데이터 세트를 원하는 사용자는 데이터 수집이 비용이 많이 들고 시간이 많이 걸리고 수집하기 어려울 수 있으므로 데이터 수집과 관련된 장애물에 직면할 수 있다. 종종 데이터 세트가 존재하지 않는다. 동시에, 의료, 보험, 건강 모니터링, 피트니스, 가상 스포츠, 게임, 스포츠 베팅 등과 같은 분야에서 이러한 표적 동물 데이터 세트에 대한 수요는 데이터가 다양한 시뮬레이션 및 모델에서 사용되어 사용자와 연관되고 하나 이상의 미래 발생과 관련된 결과를 평가할 수 있을 때 증가한다. 그러한 시뮬레이션에 통합하기 위해 원하는 동물 데이터 세트를 제공하는 시스템 및 방법이 존재하지 않는다.
따라서, 실제 동물 데이터로부터 사용자의 기호에 따라 주문 제작되고 맞춤(fit)화될 수 있는 인공 데이터를 생성할 필요가 있다.
적어도 하나의 양태에서, 본 발명은 시뮬레이션된 동물 데이터를 생성하고 배포하는 방법을 제공한다. 이 방법은 하나 이상의 표적 개체(targeted individual)와 관련된 정보를 수신, 저장, 또는 전송하는 하나 이상의 센서로부터 적어도 부분적으로 획득된 실제 동물 데이터의 하나 이상의 세트를 수신하는 단계를 포함한다. 시뮬레이션된 동물 데이터는 실제 동물 데이터의 적어도 일부 또는 하나 이상의 파생물(derivative)에서 생성된다. 마지막으로, 시뮬레이션된 동물 데이터가 컴퓨팅 디바이스(computing devic)에 제공된다. 특징적으로, 하나 이상의 표적 개체의 하나 이상의 매개변수 또는 변수가 수정될 수 있다.
다른 양태에서, 본 명세서의 방법을 실행함으로써 시뮬레이션된 동물 데이터를 생성 및 제공하기 위한 시스템이 제공된다. 컴퓨팅 디바이스를 포함하는 시스템은 하나 이상의 표적 개체와 관련된 정보를 수신, 저장 또는 전송하는 하나 이상의 센서로부터 적어도 부분적으로 획득된 실제 동물 데이터의 하나 이상의 세트를 수신하는 단계; 실제 동물 데이터의 적어도 일부 또는 그 하나 이상의 파생물로부터 시뮬레이션된 동물 데이터를 생성하는 단계; 및 시뮬레이션된 동물 데이터의 적어도 일부를 컴퓨팅 디바이스에 제공하는 단계를 포함한다. 특징적으로, 하나 이상의 표적 개체의 하나 이상의 매개변수 또는 변수가 수정될 수 있다.
다른 양태에서, 하나 이상의 센서로부터 적어도 부분적으로 획득된 실제 동물 데이터로부터 파생된 시뮬레이션된 동물 데이터는 하나 이상의 통찰력, 계산된 자산, 또는 예측 지표를 생성, 향상, 또는 수정하는 데 사용된다.
다른 양태에서, 시뮬레이션된 동물 데이터의 적어도 일부는 한 명 이상의 사용자와 연관되는 하나 이상의 시뮬레이션 시스템에서 사용되며, 이에 의해 시뮬레이션 시스템은 게임-기반 시스템, 증강 현실 시스템, 가상 현실 시스템, 혼합 현실 시스템 또는 확장 현실 시스템 중 적어도 하나이다.
다른 양태에서, 하나 이상의 센서로부터 적어도 부분적으로 획득된 실제 동물 데이터로부터 파생된 시뮬레이션된 동물 데이터는 시뮬레이션된 데이터를 생성하기 위해 하나 이상의 추가 시뮬레이션에서 하나 이상의 입력으로서 사용된다. 시뮬레이션된 데이터의 적어도 일부는 하나 이상의 통찰력, 계산된 자산 또는 예측 지표를 생성, 수정 또는 향상하는 데 사용된다.
다른 양태에서, 하나 이상의 센서로부터 적어도 부분적으로 획득된 실제 동물 데이터로부터 파생된 시뮬레이션된 동물 데이터는 시뮬레이션된 데이터를 생성하기 위해 하나 이상의 추가 시뮬레이션에서 하나 이상의 입력으로서 사용된다. 시뮬레이션된 데이터의 적어도 일부는 사용자와 연관되는 시뮬레이션 시스템에서 사용되며, 이에 의해 시뮬레이션 시스템은 게임 기반 시스템, 증강 현실 시스템, 가상 현실 시스템, 혼합 현실 시스템, 또는 확장 현실 시스템 중 적어도 하나이다.
다른 양태에서, 하나 이상의 센서로부터 적어도 부분적으로 획득된 실제 동물 데이터로부터 파생된 시뮬레이션 데이터는 직접 또는 간접적으로 (1) 하나 이상의 베팅이 수행되거나 수락되는 시장으로서; (2) 하나 이상의 제품을 생성, 수정, 향상, 획득, 제공, 또는 배포하기 위해; (3) 하나 이상의 예측, 확률, 또는 가능성을 평가, 계산, 유도, 수정, 향상, 또는 전달하기 위해; (4) 하나 이상의 전략을 수립하기 위해; (5) 하나 이상의 조치(action)를 취하기 위해; (6) 하나 이상의 위험을 완화하거나 방지하기 위해; (7) 하나 이상의 조치를 권장하기 위해; (8) 하나 이상의 시뮬레이션, 계산, 또는 분석에서 이용되는 하나 이상의 신호 또는 판독값(reading)으로서; (9) 하나 이상의 시뮬레이션의 일부로서, 그 출력이 한 명 이상의 사용자와 직접적 또는 간접적으로 연관되는, 하나 이상의 시뮬레이션의 일부; (10) 하나 이상의 핵심 구성 요소 또는 하나 이상의 소비 매체에 대한 보충물로서; (11) 하나 이상의 판촉에서; 또는 (12) 이들의 조합으로 사용된다.
다른 양태에서, 하나 이상의 센서로부터 적어도 부분적으로 획득된 실제 동물 데이터로부터 파생된 시뮬레이션 데이터는 하나 이상의 스포츠 베팅, 보험, 건강, 피트니스, 생물학적 성능, 또는 엔터테인먼트 애플리케이션에서 직접 또는 간접적으로 사용된다.
다른 양태에서, 인공 데이터는 하나 이상의 센서로부터 생성된 하나 이상의 특이값(outlier value) 또는 결측값(missing value)을 대체하기 위해 생성된다.
본 개시 내용의 특성, 목적, 및 이점에 대한 추가 이해를 위해, 하기의 상세한 설명을 참조해야 하며, 하기 도면과 함께 읽어야 하며, 여기서 유사한 참조 번호는 유사한 요소를 나타내고, 여기서:
도 1은 실제 동물 데이터로부터 시뮬레이션된 동물 데이터를 생성하기 위한 시스템의 개략도이다.
도 2는 데이터에 대한 다항식 적합(polynomial fit)과 함께 수집된 심박수 데이터의 플롯이다.
도 3a는 운동 경기에서 표적 대상으로부터 캡처된 분당 비트수(BPM) 값의 그래프를 제공한다.
도 3b는 도 3a의 데이터에 대한 자기상관 함수를 제공한다.
도 4는 시뮬레이션된 데이터를 생성하기 위해 신경망 아키텍처에서 사용될 수 있는 신경망의 개요를 제공한다.
도 5는 시뮬레이션된 동물 데이터 생성에 사용할 수 있는 순환(recurrent) 신경망의 세부 사항을 제공한다.
도 6은 시뮬레이션된 동물 데이터를 생성하는 데 사용할 수 있는 장기 기억(LSTM) 네트워크의 개략도를 제공한다.
도 7a는 동물 데이터 샘플의 적어도 일부를 포함하는 관찰을 예측할 때 발생하는 샘플 내 실제 동물 데이터로부터 생성된 인공 심박수 데이터의 플롯을 제공한다.
도 7b는 도 7a에 상응하는 샘플 외 실제 동물 데이터로부터 생성된 인공 심박수 데이터의 예를 제공한다.
도 8은 생성적 적대적 망(Generative Adversarial Network; GAN)로부터 시뮬레이션된 동물 데이터를 형성하기 위한 방법을 예시한다.
도 9는 생성적 적대적 망을 사용하여 실제 동물 데이터로부터 생성된 인공 심박수 데이터의 플롯이다.
도 10은 사용자가 동물 데이터의 파생물을 구매할 수 있는 게임 시스템(예를 들어, 비디오 게임 시스템)의 일례를 도시한다.
도 11은 LSTM 신경망을 사용하여 생성된 예측된 원시 데이터 값과 함께 생물학적 센서의 원시 데이터 측정의 샘플 외 테스트를 보여준다.
도 1은 실제 동물 데이터로부터 시뮬레이션된 동물 데이터를 생성하기 위한 시스템의 개략도이다.
도 2는 데이터에 대한 다항식 적합(polynomial fit)과 함께 수집된 심박수 데이터의 플롯이다.
도 3a는 운동 경기에서 표적 대상으로부터 캡처된 분당 비트수(BPM) 값의 그래프를 제공한다.
도 3b는 도 3a의 데이터에 대한 자기상관 함수를 제공한다.
도 4는 시뮬레이션된 데이터를 생성하기 위해 신경망 아키텍처에서 사용될 수 있는 신경망의 개요를 제공한다.
도 5는 시뮬레이션된 동물 데이터 생성에 사용할 수 있는 순환(recurrent) 신경망의 세부 사항을 제공한다.
도 6은 시뮬레이션된 동물 데이터를 생성하는 데 사용할 수 있는 장기 기억(LSTM) 네트워크의 개략도를 제공한다.
도 7a는 동물 데이터 샘플의 적어도 일부를 포함하는 관찰을 예측할 때 발생하는 샘플 내 실제 동물 데이터로부터 생성된 인공 심박수 데이터의 플롯을 제공한다.
도 7b는 도 7a에 상응하는 샘플 외 실제 동물 데이터로부터 생성된 인공 심박수 데이터의 예를 제공한다.
도 8은 생성적 적대적 망(Generative Adversarial Network; GAN)로부터 시뮬레이션된 동물 데이터를 형성하기 위한 방법을 예시한다.
도 9는 생성적 적대적 망을 사용하여 실제 동물 데이터로부터 생성된 인공 심박수 데이터의 플롯이다.
도 10은 사용자가 동물 데이터의 파생물을 구매할 수 있는 게임 시스템(예를 들어, 비디오 게임 시스템)의 일례를 도시한다.
도 11은 LSTM 신경망을 사용하여 생성된 예측된 원시 데이터 값과 함께 생물학적 센서의 원시 데이터 측정의 샘플 외 테스트를 보여준다.
이제 본 발명자들에게 현재 공지된 본 발명을 실시하는 최상의 모드를 구성하는 본 발명의 현재 바람직한 조성물, 실시예, 및 방법에 대해 상세하게 참조할 것이다. 도면은 반드시 비례하지는 않는다. 그러나, 개시된 실시예는 다양하고 대안적인 형태로 구현될 수 있는 본 발명의 예시일 뿐이라는 것을 이해해야 한다. 따라서, 본 명세서에 개시된 특정 세부사항은 제한하는 것으로 해석되어서는 안되며, 단지 본 발명의 임의의 양태에 대한 대표적인 근거로서 및/또는 본 발명이 속하는 기술분야의 통상의 지식을 가진 자에게 본 발명을 다양하게 채용하기 위한 대표적인 근거로서 해석되어야 한다.
또한, 본 발명은 특정 구성요소 및/또는 조건이 물론 변경될 수 있기 때문에 아래에 설명된 특정 실시예 및 방법으로 제한되지 않는다는 것을 이해해야 한다. 또한, 본 명세서에서 사용된 용어는 단지 본 발명의 특정한 실시예를 설명하기 위해 사용된 것으로, 어떠한 방식으로든 한정하려는 의도가 아니다.
명세서 및 첨부된 청구범위에 사용된 바와 같이 단수 형태 "a", "an" 및 "the"는 문맥이 명백하게 달리 나타내지 않는 한 복수 지시 대상을 포함한다는 점에 유의해야 한다. 예를 들어, 단수의 구성요소에 대한 언급은 복수의 구성요소를 포함하도록 의도된다.
"data is"라는 문구는 "datum is"와 "data are", 그리고 다른 모든 가능한 의미를 모두 포함하는 것이고, 어떤 식으로든 제한하려는 의도가 아니다.
"포함하는(comprising)"이라는 용어는 "포함하는(including)", "가지는(having)", "포함하는(containing)" 또는 "특징으로 하는(characterized by)"과 동의어이다. 이러한 용어는 포괄적이고 제한이 없으며 추가의 인용되지 않은 요소 또는 방법 단계를 배제하지 않는다.
"구성되는(consisting of)"이라는 문구는 청구범위에 명시되지 않은 모든 요소, 단계 또는 성분을 배제한다. 이 문구가 전제부 바로 다음에 오는 것이 아니라 청구항의 본문의 절에 나타날 때 해당 절에 명시된 요소만 제한하고, 다른 요소는 전체 청구에서 제외되지 않는다.
"필수 구성으로 하는(consisting essentially of)"이라는 문구는 청구 범위를 지정된 재료 또는 단계와 청구된 요지의 기본 및 신규 특성(들)에 실질적으로 영향을 미치지 않는 재료 및 단계로 제한한다.
"포함하는", "구성되는" 및 "필수 구성으로 하는"이라는 용어와 관련하여, 이 세 가지 용어 중 하나가 본 명세서에서 사용되는 경우, 현재 개시되고 청구된 요지는 다른 두 용어 중 하나의 사용을 포함할 수 있다.
용어 "하나 이상(one or more)"는 "적어도 하나(at least one)"를 의미하고 용어 "적어도 하나"는 "하나 이상(one or more)"를 의미한다. 용어 "하나 이상" 및 "적어도 하나"는 하위 집합으로서 "복수(plurality)" 및 "다수(multiple)"를 포함한다. 개선예에서, "하나 이상"는 "둘 이상(two or more)"를 포함한다.
본 출원 전반에 걸쳐, 간행물이 참조되는 경우, 이들 간행물의 개시 내용 전체가 본 발명이 속하는 기술 상태를 보다 완전하게 설명하기 위해 인용에 의해 본 출원에 포함된다.
"확률(probability)"과 "배당률(odds)"이라는 용어는 수학적으로 다르지만(예: 확률은 발생할 수 있는 모든 이벤트의 비율로 표현되는 특정 이벤트의 발생 횟수로 정의할 수 있는 반면, 배당률은 이벤트가 발생하지 않은 횟수의 비율로 표현되는 특정 이벤트의 비율의 발생 횟수로 정의할 수 있으며, 둘 다 이벤트가 발생할 가능성을 설명한다. 중복을 피하기 위해 상호 교환적으로 사용되며 한 용어에 대한 참조는 둘 다에 대한 참조를 의미하는 것으로 해석되어야 한다.
"베팅(bet)" 및 "내기(wager)"라는 용어와 관련하여, 두 용어 모두 미래 이벤트의 결과에 대해 위험(예: 돈, 비금전적 대가)을 감수하는 행위를 의미한다. 위험에는 재정적 위험(예: 금전적 위험)과 비재무적 위험(예: 건강, 생명)이 모두 포함된다. 위험은 미래 이벤트의 결과의 가능성 또는 결과를 기초로 하여, 다른 하나 이상의 당사자(예를 들어, 보험 제공 여부를 결정하는 보험 회사) 또는 자신(예를 들어, 보험 가입 여부를 결정하는 개체)에 대해 감수할 수 있다. 그 예로는 도박(예: 스포츠 베팅), 보험 등이 있다. 이 두 용어 중 하나가 여기에서 사용되는 경우, 현재 개시되고 청구된 요지는 다른 두 용어 중 하나를 상호 교환 가능하게 사용할 수 있다.
"서버(server)"라는 용어는 모든 컴퓨터 또는 컴퓨팅 디바이스(데스크톱 컴퓨터, 노트북 컴퓨터, 랩톱 컴퓨터, 메인프레임, 휴대폰, 스마트 시계/안경, 증강 현실 헤드셋, 가상 현실 헤드셋 등을 포함하되 이에 국한되지 않음), 분산 시스템, 블레이드, 게이트웨이, 스위치, 처리 디바이스, 또는 여기에 설명된 방법 및 기능을 수행하도록 구성된 이들의 조합을 의미한다.
컴퓨팅 디바이스가 조치 또는 방법 단계를 수행하는 것으로 설명될 때, 하나 이상의 컴퓨팅 디바이스는 일반적으로 소스 코드의 하나 이상의 라인을 실행함으로써 조치 또는 방법 단계를 수행하도록 동작할 수 있음이 이해된다. 조치 또는 방법 단계는 비일시적 메모리(예: 하드 드라이브, 광학 드라이브, 플래시 드라이브 등)에 인코딩될 수 있다.
"컴퓨팅 디바이스(computing device)"라는 용어는 일반적으로 다른 컴퓨팅 디바이스와 통신하는 것을 포함하여 적어도 하나의 기능을 수행할 수 있는 모든 장치를 의미한다. 개선예에서, 컴퓨팅 디바이스는 데이터 및 프로그램 코드를 저장하기 위한 메모리 및 프로그램 단계를 실행할 수 있는 중앙 처리 장치를 포함한다.
"전자 통신(electronic communication)"이라는 용어는 전기 신호가 발신 전자 장치에서 수신 전기 장치로 직간접적으로 송신되는 것을 의미한다. 간접 전자 통신에는 신호 필터링, 신호 증폭, 신호 정류, 신호 변조, 신호 감쇠, 다른 신호와 신호 추가, 다른 신호에서 신호를 빼는 것, 신호에서 다른 신호를 빼는 것 등을 포함하는(그러나, 이에 제한되지 않음) 전자 신호의 처리를 포함할 수 있다. 전자 통신은 유선 구성 요소, 무선으로 연결된 구성 요소, 또는 이들의 조합을 사용하여 수행할 수 있다.
여기에 개시된 프로세스, 방법, 또는 알고리즘은 컴퓨터, 컨트롤러, 또는 기존의 프로그래밍 가능한 전자 제어 유닛 또는 전용 전자 제어 유닛을 포함할 수 있는 다른 컴퓨팅 디바이스에 전달/구현될 수 있다. 유사하게, 프로세스, 방법 또는 알고리즘은 ROM 디바이스와 같은 쓰기 불가능한 저장 매체에 영구적으로 저장된 정보 및 플로피 디스크, 자기 테이프, CD, RAM 장치, 기타 자기 및 광학 매체, 공유 또는 전용 클라우드 컴퓨팅 리소스와 같은 쓰기 가능한 저장 매체에 변경 가능하게 저장된 정보(이에 제한되지 않음)를 포함한다. 프로세스, 방법 또는 알고리즘은 실행 가능한 소프트웨어 개체에서도 구현될 수 있다. 대안적으로, 프로세스, 방법 또는 알고리즘은 응용 주문형 집적 회로(ASIC), 필드 프로그램 가능 게이트 어레이(FPGA), 상태 머신, 컨트롤러 또는 기타 하드웨어 구성 요소와 같은 적절한 하드웨어 구성 요소 또는 장치 또는 하드웨어, 소프트웨어 및 펌웨어 구성 요소의 조합을 사용하여 전체적으로 또는 부분적으로 구현될 수 있다.
"대상(subject)"과 "개체(individual)"라는 용어는 동의어로 조류, 파충류, 양서류, 어류를 포함하는 인간 또는 기타 동물과 영장류(특히 고등 영장류), 말, 양, 개, 설치류, 돼지, 고양이, 토끼, 및 소를 포함한 모든 포유동물을 지칭한다. 하나 이상의 대상은 예를 들어 운동 훈련 또는 경쟁에 참여하는 인간, 경마장에서 경마하는 말, 비디오 게임을 하는 인간, 개체 건강을 모니터링하는 인간, 제3자에게 데이터를 제공하는 인간, 연구 또는 임상 연구에 참여하는 인간, 또는 피트니스 수업에 참여하는 인간일 수 있다. 대상 또는 개체는 또한 인간 또는 다른 동물의 파생물(예: 인간 또는 다른 동물로부터 적어도 부분적으로 유래된 실험실 생성 유기체), 하나 이상의 개체 구성요소, 요소, 또는 인간 또는 다른 동물을 구성하는 인간 또는 다른 동물(예: 세포, 단백질, 생물학적 유체, 아미노산 서열, 조직, 모발, 사지), 인간 또는 동물과 적어도 하나의 특성을 공유하는 하나 이상의 디지털 표현(예: 성별, 나이, 생물학적 기능과 같은 디지털 형식의 인간 표현과 적어도 하나의 특성을 공유하지만 물리적 세계에 존재하는 인간으로부터 생성되지 않은 인간을 나타내는 데이터 세트; 시뮬레이트된 개체) 또는 인간 또는 다른 동물과 하나 이상의 특성을 공유하는 하나 이상의 인공 창조물(예: 인간 뇌 세포와 유사한 전기 신호를 생성하는 실험실에서 배양한 인간 뇌 세포)일 수 있다. 개선예에서, 대상 또는 개체는 인간 또는 다른 동물과 적어도 하나의 생물학적 기능을 공유하는 기계(예: 로봇, 자율 차량, 기계 팔) 또는 기계 네트워크와 같은 하나 이상의 프로그래밍 가능한 컴퓨팅 디바이스일 수 있으며, 이는 인간 또는 다른 동물과 적어도 하나의 생물학적 기능을 공유하고 이로부터 하나 이상의 유형의 생물학적 데이터가 파생될 수 있으며, 이는 적어도 부분적으로는 본질적으로 인공적일 수 있다(예: 생물학적 뇌 활동을 모방하는 인공 지능 파생 활동의 데이터, 프로그래밍 가능한 기계에서 파생된 생체 역학 운동 데이터).
"동물 데이터(animal data)"라는 용어는 서버 또는 기타 컴퓨팅 디바이스로 전송할 수 있는 형태로 변환될 수 있는 대상으로부터 얻을 수 있거나 직접 또는 간접적으로 생성된 모든 데이터를 의미한다. 일반적으로 동물 데이터는 유선 또는 무선 연결을 통해 전자적으로 전송된다. 동물 데이터에는 하나 이상의 센서 또는 감지 장비/시스템, 특히 생물학적 센서(바이오센서)에서 얻을 수 있는 모든 신호 또는 판독값을 포함하여 대상에서 파생된 모든 데이터가 포함된다. 동물 데이터에는 대상과 관련된 설명 데이터, 대상과 관련된 청각 데이터, 대상과 관련된 시각적으로 캡처된 데이터, 신경학적으로 생성된 데이터(예: 뉴런의 뇌 신호), 대상과 관련된 평가 데이터(예: 대상의 기술), 대상과 관련하여 수동으로 입력할 수 있는 데이터(예: 병력, 사회적 습관, 대상의 감정), 실제 동물 데이터의 적어도 일부 또는 하나 이상의 파생물을 포함하는 데이터, 등을 포함할 수 있다. 개선예에서, "동물 데이터(animal data)"라는 용어에는 동물 데이터의 파생물이 포함된다. 또 다른 개선예에서, 동물 데이터는 동물 데이터와 관련되거나 수집된 모든 메타데이터를 포함한다. 다른 개선예에서, 동물 데이터는 시뮬레이션된 데이터의 적어도 일부를 포함한다. 또 다른 개선예에서, 동물 데이터에는 시뮬레이션 데이터가 포함된다.
일부 변형예에서 "실제 동물 데이터(real animal data)"라는 용어는 "동물 데이터"라는 용어와 같은 의미로 사용된다. 다른 변형예에서, "실제 동물 데이터"라는 용어는 하나 이상의 표적 개체 또는 표적 개체의 그룹과 관련된 정보를 수신, 저장 및/또는 송신하는 하나 이상의 센서로부터 적어도 부분적으로 획득된 동물 데이터를 지칭한다.
"인공 데이터(artificial data)"라는 용어는 실제 동물 데이터 또는 하나 이상의 파생물에서 적어도 부분적으로 파생되거나 이를 기반으로 하거나 이를 사용하여 생성된 인공적으로 생성된 데이터를 말한다. 하나 이상의 인공 지능 기술 또는 통계 모델을 이용하여 하나 이상의 시뮬레이션을 실행하여 생성할 수 있으며 하나 이상의 입력으로 하나 이상의 비동물 데이터(non-animal data) 소스의 하나 이상의 신호 또는 판독값을 포함할 수 있다. 인공 데이터에는 인간이나 다른 동물과 적어도 하나의 생물학적 기능을 공유하는 인공적으로 생성된 모든 데이터가 포함될 수 있다(예: 인공적으로 생성된 시각 데이터, 인공적으로 생성된 움직임 데이터). 여기에는 직접 측정으로 얻을 수 없는 주어진 상황에 응용할 수 있는 모든 생산 데이터가 될 수 있는 "합성 데이터(synthetic data)"가 포함된다. 합성 데이터는 원본 데이터를 통계적으로 모델링한 다음 이러한 모델을 사용하여 원본 데이터의 통계적 속성 중 적어도 하나를 재현하는 새로운 데이터 값을 생성함으로써 생성할 수 있다. 개선예에서, "인공 데이터(artificial data)"라는 용어에는 인공 데이터의 파생물이 포함된다. 현재 개시되고 청구된 요지의 목적을 위해, "시뮬레이션된 데이터(simulated data)" 및 "합성 데이터(synthetic data)"라는 용어는 동의어이며 "인공 데이터"와 상호교환적으로 사용되며, 용어 중 어느 하나에 대한 언급은 제한적인 것으로 해석되어서는 안 되지만 오히려 모든 용어의 가능한 모든 의미를 포괄한다. 개선예에서 "인공 데이터(artificial data)"라는 용어에는 "인공 동물 데이터(artificial animal data)"라는 용어가 포함된다.
"통찰력(insight)"이라는 용어는 동물 데이터의 적어도 일부를 이용하여 표적 개체의 상태 또는 상태를 설명하는 표적 개체에게 할당할 수 있는 하나 이상의 설명을 나타낸다. 예로는 스트레스 수준(예: 높은 스트레스, 낮은 스트레스), 에너지 수준, 피로 수준 등에 대한 설명 또는 기타 특성화가 포함된다. 통찰력은 하나 이상의 숫자 또는 복수의 숫자로 정량화될 수 있으며, 확률 또는 유사한 배당률 기반 지표로 표시될 수 있다. 통찰력은 또한 미리 결정된 하나 이상의 다른 메트릭 또는 성능 지표(예: 코드, 그래프, 차트, 플롯, 색상 또는 기타 시각적 표현, 플롯, 판독값, 수치 표현, 설명, 텍스트, 진동, 청각적 반응, 시각적 반응, 운동감각적 반응, 또는 언어적 설명과 같은 신체적 반응)로 정량화되거나 통신되거나 특성화될 수 있다. 통찰력은 또한 하나 이상의 표적 대상의 조건 또는 상태와 관련된 하나 이상의 시각적 표현을 포함할 수 있다(예: 아바타 또는 표적 대상의 묘사에서 미래의 중량 감량 목표를 시각화하는 표적 대상의 아바타 또는 현실적인 묘사). 개선예에서, 통찰력은 (1) 동물 데이터 기반 위험, 평가, 사정(assess), 예방 또는 완화하도록, (2) 동물 데이터 기반 성능(예: 생물학적 성능) 또는 이들의 조합을 평가, 사정, 및 최적화하도록 시뮬레이션된 데이터의 적어도 일부를 이용하여 하나 이상의 표적 개체 또는 표적 개체 그룹과 관련된 개체 점수 또는 기타 지표이다. 개체 지표 점수는 동물 데이터 또는 하나 이상의 파생물이 파생된 하나 이상의 표적 대상과 하나 이상의 제3자(예: 보험 기관, 의료 제공자 또는 전문가, 스포츠 경기력 코치, 의료 청구 기관, 피트니스 트레이너 등)에 의해 이용될 수 있다. 또 다른 개선예에서, 통찰력은 두 개 이상의 동물 데이터 유형에서 파생된다. 또 다른 개선예에서, 통찰력은 하나 이상의 계산, 계산, 유도, 통합, 시뮬레이션, 추출, 외삽, 수정, 향상, 생성, 유도, 연역, 추론, 결정, 프로세스, 통신 등에서 하나 이상의 입력으로서 하나 이상의 비-동물 데이터 소스로부터의 하나 이상의 신호 또는 판독값을 포함한다. 또 다른 개선예에서, 통찰력은 복수의 통찰력으로 구성된다. 또 다른 개선예에서, 통찰은 다수의 표적 개체 뿐만 아니라 표적 개체의 하나 이상의 그룹에 할당된다.
"계산된 자산(computed asset)"이라는 용어는 동물 데이터의 적어도 일부 또는 하나 이상의 파생물에서 파생된 하나 이상의 숫자, 복수의 숫자, 값, 메트릭, 판독값, 통찰력, 그래프, 차트 또는 플롯을 나타낸다(시뮬레이션된 데이터를 포함할 수 있음). 여기에서 사용된 하나 이상의 센서는 초기에 전자 신호를 제공한다. 계산된 자산은 하나 이상의 전자 신호 또는 그 하나 이상의 파생물로부터 적어도 부분적으로 추출되거나 파생된다. 계산된 자산은 하나 이상의 표적 개체 또는 표적 개체 그룹의 해석 가능한 속성을 설명하거나 정량화한다. 예를 들어, 심전도 판독값은 아날로그 프런트 엔드 신호(예: 센서의 전자 신호)에서 파생될 수 있고, 심박수 데이터(예: 분당 비트수)는 심전도 또는 PPG 센서에서 파생될 수 있으며, 체온 데이터는 온도 센서에서 파생될 수 있고, 땀 데이터는 땀 센서에서 파생되거나 추출될 수 있으며, 포도당 정보는 생물학적 유체 센서에서 파생될 수 있으며, DNA 및 RNA 시퀀싱 정보는 게놈 및 유전 데이터를 얻는 센서에서 파생될 수 있으며, 뇌 활동 데이터는 신경 센서에서 파생될 수 있으며, 수화 데이터는 구강 내 타액 또는 땀 분석 센서에서 파생될 수 있고, 로케이션 데이터(location data)는 GPS 또는 RFID-기반 센서에서 파생될 수 있고, 생체 역학 데이터는 광학 또는 병진 운동 센서(translation sensor)에서 파생될 수 있으며, 호흡수 데이터는 다음에서 호흡 센서 파생될 수 있다. 개선예에서, 계산된 자산은 하나 이상의 계산, 산출, 유도, 통합, 시뮬레이션, 추출, 외삽, 수정, 향상, 생성, 유도, 연역, 추론, 결정, 프로세스, 통신 등에 하나 이상의 입력으로서 하나 이상의 비-동물 데이터 소스로부터 하나 이상의 신호 또는 판독값을 포함한다. 다른 개선예에서 계산된 자산은 두 개 이상의 동물 데이터 유형에서 파생된다. 다른 개선예에서, 계산된 자산은 복수의 계산된 자산으로 구성된다.
"예측 지표(predictive indicator)"라는 용어는 메트릭 또는 기타 지표(예: 하나 이상의 색상, 코드, 숫자, 값, 그래프, 차트, 도표, 판독값, 수치 표현, 설명, 텍스트, 신체 반응, 청각 반응, 시각적 반응, 운동 감각 반응)를 지칭하고, 이로부터, 하나 이상의 표적 개체 또는 하나 이상의 표적 그룹을 포함하는 하나 이상의 미래 사건에 대한 하나 이상의 결과와 관련된 하나 이상의 예측, 예견, 확률, 평가, 가능성, 예상 또는 권장 사항은 산출, 계산, 유도, 추출, 외삽, 시뮬레이션, 생성, 수정, 할당, 향상, 추정, 평가, 추론, 확립, 결정, 변환, 연역, 관찰, 전달 또는 조치될 수 있다. 개선예에서, 예측 지표는 동물 데이터의 적어도 일부 또는 하나 이상의 파생물에서 파생된 계산된 계산 자산이다. 다른 개선예에서, 예측 지표는 하나 이상의 예측, 예견, 확률, 가능성, 평가, 예상 또는 권장 사항의 하나 이상의 산출, 계산, 유도, 추출, 외삽, 시뮬레이션, 생성, 수정, 할당, 향상, 추정, 평가, 추론, 설정, 결정, 변환, 연역, 관찰 또는 통신에서 하나 이상의 입력으로서 하나 이상의 비-동물 데이터 소스로부터 하나 이상의 신호 또는 판독값을 포함한다. 다른 개선예에서, 예측 지표는 시뮬레이션된 데이터의 적어도 일부를 하나 이상의 예측, 예견, 확률, 가능성, 평가, 예상 또는 권장 사항의 하나 이상의 산출, 계산, 추정, 추출, 외삽, 시뮬레이션, 생성, 수정, 할당, 향상, 추정, 평가, 추론 확립, 결정, 변환, 연역, 관찰 또는 통신에서 하나 이상의 입력으로 포함한다. 또 다른 개선예에서, 예측 지표는 두 개 이상의 유형의 동물 데이터에서 파생된다. 또 다른 개선예에서, 예측 지표는 복수의 예측 지표로 구성된다.
도 1을 참조하면, 시뮬레이션 데이터를 생성하기 위한 컴퓨터 구현 방법 및 시스템이 제공된다. 시뮬레이션 시스템(10)은 동물 데이터(14)를 수신하는 컴퓨팅 디바이스(12)를 포함한다. 일반적으로, 이러한 동물 데이터(14)를 생성하기 위한 방법 및 시스템은 하나 이상의 표적 개체(16)로부터 실제 동물 데이터를 수집하는 하나 이상의 센서(18)를 배치한다. 일부 변형예에서, 동물 데이터는 하나 이상의 센서(18), 특히 생물학적 센서(바이오센서)로부터 적어도 부분적으로 파생된 표적 개체(예를 들어, 그들의 신체)과 관련된 데이터를 지칭한다. 많은 유용한 애플리케이션에서, 표적 개체는 인간(예: 운동 선수, 군인, 의료 환자, 연구 대상, 피트니스 수업 참가자, 비디오 게이머)이고 동물 데이터는 인간 데이터이다. 동물 데이터는 표적 개체 또는 다중 표적 개체에서 파생될 수 있다(예: 다중 표적 개체의 표적화된 그룹, 다중 표적 개체의 다중 표적화된 그룹 포함). 동물 데이터는 각각의 표적 개체의 단일 센서 또는 각각의 표적 개체의 여러 센서에서 얻을 수 있다. 어떤 경우에는, 단일 센서가 여러 표적 개체, 여러 표적 개체의 대상 그룹, 또는 여러 표적 개체의 여러 표적 그룹에서 데이터를 캡처할 수 있다(예: 표적 개체의 표적 그룹을 찾고 달린 거리를 측정할 수 있는 광학 기반 카메라 센서). 각각의 소스 센서는 단일 유형의 동물 데이터 또는 여러 유형의 동물 데이터를 제공할 수 있다. 변형예에서, 센서(18)는 단일 센서 내의 하나 이상의 파라미터(예를 들어, 심박수 및 가속도계 데이터)를 측정하기 위한 다중 감지 요소를 포함할 수 있다. 개선예에서, 하나 이상의 센서(18)는 적어도 하나의 생물학적 센서(바이오센서)를 포함한다. 하나 이상의 센서(18)는 혈압, 심박수 또는 생물학적 유체 수준과 같은 표적 개체의 하나 이상의 생물학적 신호 또는 판독값을 변경할 수 있는 격렬한 활동을 포함하는 다양한 활동에 참여하는 표적 개체로부터 데이터를 수집할 수 있다. 활동에는 생물학적 신호 또는 판독값의 변화가 덜 변할 수 있는 수면 또는 착석과 같은 정착 활동도 포함될 수 있다. 변형예에서, 시뮬레이션 시스템(10)은 또한 센서로부터 획득되지 않은 동물 데이터(예를 들어, 수동으로 입력된 동물 데이터; 센서로부터 생성되지 않은 인공 데이터 값을 포함하는 센서 수집 동물 데이터 세트)를 수신(예를 들어, 수집)할 수 있다.
여전히 도 1을 참조하면, 하나 이상의 센서(18)는 직접 또는 클라우드(22)를 통해 또는 유선 연결(24)을 통해 컴퓨팅 디바이스(12)에 동물 데이터(14)를 무선으로 전송할 수 있다. 클라우드(22)는 인터넷, 공용 클라우드, 사설 클라우드, 또는 하이브리드 클라우드일 수 있다. 개선예에서, 컴퓨팅 디바이스(12)는 로컬 서버(예를 들어, 로컬 또는 네트워크화된 서버/저장부, 로컬 저장 디바이스, 컴퓨팅 디바이스의 분산 네트워크) 또는 동물 데이터(14)의 컴퓨팅 디바이스(12)로의 전송을 중재하는 다른 컴퓨팅 디바이스(19)를 통해 하나 이상의 센서(18)와 통신한다(예를 들어, 데이터를 수집하여 컴퓨팅 디바이스(12)로 전송하거나, 데이터를 수집하여 컴퓨팅 디바이스(12)가 액세스할 수 있는 클라우드에 전송한다). 예를 들어, 중간 컴퓨팅 디바이스는 스마트폰 또는 기타 컴퓨팅 디바이스일 수 있다. 시스템에 입력되는 동물 데이터는 원시 데이터이거나 하나 이상의 센서에서 얻은 변환(예: 조작, 처리) 데이터일 수 있다. 개선예에서, 변환된 데이터에는 하나 이상의 방식으로 정리, 편집, 수정 및/또는 조작된 데이터가 포함된다(예: 메타데이터가 첨부된 데이터, 심박수, 혈압, 발한 속도, 등과 관련된 하나 이상의 판독값으로 변환된 데이터). 또 다른 개선예에서, 데이터를 변환하는 조치는 하나 이상의 산출, 계산, 추정, 통합, 시뮬레이션, 추출, 추가, 빼기, 외삽, 수정, 향상, 생성, 추정, 연역, 추론, 결정, 변환, 프로세스, 통신, 등을 포함한다. 예를 들어, 심박수 측정과 관련하여, 생물학적 센서는 표적 대상의 신체에서 오는 전기 신호를 측정하고 아날로그 기반 측정을 디지털 판독값으로 변형(예: 변환)하고 디지털 판독값을 전송하도록 구성될 수 있다. 다른 예에서, 컴퓨팅 디바이스는 센서로부터 디지털 판독값을 수신하고 디지털 판독값을 하나 이상의 심박수 값으로 변환할 수 있다. 심박수 및 기타 생물학적 데이터를 측정하기 위한 시스템과 관련된 추가 세부사항은 2019년 1월 14일에 출원된 미국 출원 제 16/246,923호 및 2020년 1월 14일에 출원된 미국 특허 제 PCT/US20/13461호에 개시되고 그 전체 개시 내용은 인용에 의해 본원에 포함된다. 또 다른 개선예에서, 데이터를 변환하는 행위는 동물 데이터의 정규화, 타임스탬프, 집계, 태그 지정, 저장, 조작, 잡음 제거, 향상, 구성, 시각화, 분석, 익명화, 합성, 요약, 복제, 제품화 또는 동기화하는 하나 이상의 조치를 포함한다. 또 다른 개선예에서, 하나 이상의 신호 또는 비동물 데이터로부터 판독값을 이용(예를 들어, 통합)함으로써 하나 이상의 변환이 발생한다.
여전히 도 1을 참조하면, 컴퓨팅 디바이스(12)는 실제 동물 데이터의 적어도 일부 또는 그 하나 이상의 파생물을 이용하고 시뮬레이션 내로 입력될 형태로 변환된 데이터로 시뮬레이션 프로그램의 단계를 실행함으로써 시뮬레이션을 실행하거나, 실행될 시뮬레이션을 위해 다른 하나 이상의 컴퓨팅 디바이스(30)(예를 들어, 컴퓨팅 디바이스(12) 또는 제3자 컴퓨팅 디바이스와 연관되거나 네트워크에 있는 컴퓨팅 디바이스)에 데이터를 전송한다. 이와 관련하여, 컴퓨팅 디바이스(12) 및 하나 이상의 컴퓨팅 디바이스(30)는 시뮬레이션을 실행하도록 동작가능할 수 있다. 실행된 시뮬레이션은 하나 이상의 시뮬레이션된 표적 개체가 참여하는 시뮬레이션일 수 있고 시뮬레이션된 표적 개체의 하나 이상의 매개변수 또는 변수가 변경, 무작위화, 및/또는 수정될 수 있다. 변형예에서, 하나 이상의 표적 개체의 하나 이상의 매개변수 또는 변수는 하나 이상의 표적 개체와 관련되거나 관련된 임의의 입력(하나 이상의 표적 개체의 내부 및 외부 특성 포함)을 포함할 수 있고, 뿐만 아니라 시뮬레이션에 포함된 것을 기반으로 하나 이상의 시뮬레이션에서 하나 이상의 출력에 영향을 미치거나(예: 영향, 변경, 변경, 조정) 영향을 미칠 가능성이 있는 모든 입력을 포함할 수 있다. 개선예에서, 시뮬레이션된 데이터를 생성하기 위해 수정된 하나 이상의 매개변수 또는 변수는 비-동물 데이터로 구성된다. 시뮬레이션의 한 형태에서, 시뮬레이션은 컴퓨팅 디바이스에 국한된 하나 이상의 입력 및 출력에 대한 사용자 참여를 위한 매체를 제공한다. 이러한 경우, 시뮬레이션은 한 명 이상의 사용자와 상호 작용하는 다른 구성 요소(예: 하드웨어, 소프트웨어)와 통합될 수 있다. 예를 들어, 시뮬레이션을 수행하고 실제 동물 데이터의 적어도 일부 또는 그 하나 이상의 파생물을 통합하는 시뮬레이션 시스템은 게임 기반 시스템(예: 비디오 게임 시스템, 가상 도박 시스템, 피트니스 게임 시스템 등), 증강 현실 시스템, 가상 현실 시스템, 혼합 현실 시스템, 확장 현실 시스템, 또는 기타 형태의 대화식 시뮬레이션일 수 있다. 다른 형태의 시뮬레이션에서, 시뮬레이션은 하나 이상의 미래 발생을 예측하기 위해 일정 기간 동안 모델을 구현하는 방법이다. 시뮬레이션된 데이터는 하나 이상의 시뮬레이션된 이벤트, 개념, 객체 또는 시스템에서 파생될 수 있다. 하나 이상의 통계 모델 또는 인공 지능 기술을 사용하여 생성할 수 있다. 특징적으로, 동일한 하나 이상의 입력을 이용하여 복수의 시뮬레이션이 발생할 수 있고, 시뮬레이션은 복수의 시뮬레이션으로 구성될 수 있다. 개선예에서, 복수의 시뮬레이션 시스템이 함께 작업하도록 작동될 수 있다. 예를 들어, 시뮬레이션된 데이터는 컴퓨팅 디바이스에 의해 생성되고 시뮬레이션된 데이터가 입력되는 시뮬레이션 프로그램을 동작시키는 다른 컴퓨팅 디바이스에 제공될 수 있다. 다른 개선예에서, 하나 이상의 시뮬레이션은 하나 이상의 입력으로서 비동물 데이터로부터의 하나 이상의 데이터 세트를 포함할 수 있다.
컴퓨팅 디바이스(12) 및/또는 하나 이상의 컴퓨팅 디바이스(30)에 의한 시뮬레이션 프로그램의 실행시, 시뮬레이션된 데이터(28)가 생성되어 하나 이상의 컴퓨팅 디바이스에 제공된다. 특징적으로, 생성되는 시뮬레이션 데이터는 인공 동물 데이터(예: 인공 심박수 데이터, 인공 호흡수 데이터, 인공 포도당 데이터 등)일 수 있다. 예를 들어, 시뮬레이션된 동물 데이터는 시뮬레이션된 스포팅 이벤트 내에 임의의 주어진 지점에서 시뮬레이션된 표적 개체의 수준을 나타낼 수 있고, 하나 이상의 변수 또는 매개변수가 시뮬레이션(예: 달린 거리, 환경 데이터) 내에서 조정될 수 있으며, 이들 중 하나 이상는 비-동물 데이터(예: 시간)로부터의 신호 또는 판독값일 수 있다. 다른 예로, 시뮬레이션된 심박수 판독값과 같은 시뮬레이션된 동물 데이터는 시뮬레이션된 스포츠 이벤트 내에서 시뮬레이션된 표적 개체의 미래 생물학적 활동을 나타낼 수 있다. 유리하게는, 그러한 정보는 시뮬레이션된 동물 데이터와 관련된 하나 이상의 예측, 확률, 또는 가능성의 일부로 이용될 수 있다. 다른 예로서, 시뮬레이션된 동물 데이터는 또한 하나 이상의 시뮬레이션된 표적 대상이 시뮬레이션된 제약 연구 내에서 특정 약물에 반응하는 방법을 표시하거나 예측할 수 있으며, 하나 이상의 약물 및 하나 이상의 표적 개체의 하나 이상의 특성이 시뮬레이션에서 하나 이상의 변수이다. 많은 유용한 변형예에서, 시뮬레이션의 하나 이상의 시뮬레이션된 표적 대상은 하나 이상의 실제 표적 대상 또는 표적 대상 그룹을 대표(예: 유사)하며, 하나 이상의 실제 표적 대상 또는 표적 대상의 그룹과 관련된 하나 이상의 생물학적 및/또는 비생물학적 특성을 공유하여, 하나 이상의 시뮬레이션된 표적 대상 또는 표적 대상 그룹이 시뮬레이션에서 하나 이상의 실제 표적 대상 또는 표적 대상 그룹을 나타낼 수 있다. 시뮬레이션된 데이터에는 시뮬레이션에 입력할 형식으로 변환된 실제 동물 데이터도 포함될 수 있다(예: 비디오 게임 시스템과 같은 시뮬레이션 시스템에 통합된 대상의 실제 심박수 데이터). 개선예에서, 시뮬레이션된 데이터의 적어도 일부는 하나 이상의 통찰력, 계산된 자산 또는 예측 지표를 생성, 향상, 또는 수정하는 데 사용할 수 있다.
개선예에서, 시뮬레이션된 동물 데이터(28)의 적어도 일부 또는 그 하나 이상의 파생물은 하나 이상의 추가 시뮬레이션에서 하나 이상의 입력으로 사용된다. 하나 이상의 추가 시뮬레이션은 하나 이상의 미래 발생을 예측하기 위해 이전에 생성된 시뮬레이션된 동물 데이터를 이용하도록 맞춤화될 수 있다. 예를 들어, 시뮬레이션된 동물 데이터(28)는 스포츠 이벤트 시뮬레이션에서 하나 이상의 결과를 예측하는 데 사용될 수 있다(예를 들어, 프로 스포츠 경기와 같은 이벤트에 대한 표적 대상의 생성된 인공 "피로 수준"을 가짐으로써, 하나 이상의 결과-승/패, 표적 대상이 격렬한 열사병과 같은 생물학적 사건을 경험할 것인지 여부를 예측할 수 있다. 시뮬레이션된 동물 데이터(28)는 또한 다른 동물 데이터를 시뮬레이션하기 위해 하나 이상의 추가 시뮬레이션에서 사용될 수 있다(예: 대상의 시뮬레이션된 심박수 데이터는 시뮬레이션된 수화 또는 포도당 정보와 같은 다른 시뮬레이션된 생물학적 출력을 생성하기 위한 입력으로 사용될 수 있음). 다양한 시뮬레이션된 생물학적 기능 및 활동은 신체 활동 시뮬레이션(예: 스포츠 경기, 피트니스 활동), 건강 모니터링(예: 보험, 군대, 가정 모니터링/원격 의료 애플리케이션), 생물학적 분석(예를 들어, DNA 시퀀싱), 생물학적 반응 (예를 들어, 특정 유형의 약물에 대한 세포 또는 생물학적 유체 반응) 등을 포함하여 시뮬레이션된 동물 데이터를 생성 및 통합함으로써 이점을 얻을 수 있다. 개선예에서, 시뮬레이션은 피트니스 활동, 스포츠 이벤트(예: 프로 스포츠 경기), 건강 평가(예: 원격 환자 모니터링, 병원 내 환자 평가, 하나 이상의 센서로부터 피드백을 제공하는 일반 웰빙 플랫폼) 또는 보험 평가(예: 보험 견적 받기, 보험 가입, 보험료 조정 포함) 중 적어도 하나에 참여하는 하나 이상의 표적 개체를 기초로 하여 시뮬레이션한다. 또 다른 개선예에서, 하나 이상의 시뮬레이션된 데이터 세트의 적어도 일부는 하나 이상의 통찰력, 계산된 자산, 또는 예측 지표를 생성, 수정 또는 향상시키는 데 사용될 수 있다. 시뮬레이션된 동물 데이터(28)는 또한 한 명 이상의 사용자를 참여시키는 시뮬레이션 내에서 사용될 수 있다. 변형예에서, 시뮬레이션된 동물 데이터(28)는 하나 이상의 정의된 그룹을 나타내는 복수의 대상으로부터의 하나 이상의 동물 데이터 세트에 기초하여 생성될 수 있다. 예를 들어, 시스템은 정의된 상황/맥락 환경(예: 특정 기간 동안 특정 활동에 참여)에서 특정 생물학적 특성을 특징으로 하는 정의된 개체 그룹에 대해 시뮬레이션된 평균 심박수 데이터를 생성할 수 있다. 하나 이상의 표적 대상 또는 표적 대상의 표적 그룹의 신원은 공지되거나 공지되지 않을 수 있다. 다른 변형예에서, 시뮬레이션된 데이터는 하나 이상의 추가 시뮬레이션에서 특정 대상 그룹(하나 이상의 정의된 특성을 가짐)을 나타내는 기준 데이터 세트로 사용될 수 있다. 유리하게는, 하나 이상의 시뮬레이션은 조정된 하나 이상의 매개변수 또는 변수를 사용하여 실시간으로 또는 거의 실시간으로 구현될 수 있다. 이러한 맥락에서, 거의 실시간이란 센서와 컴퓨팅 디바이스에 의해 필요한 처리를 제외하고 전송이 의도적으로 지연되지 않는다는 것을 의미한다. 개선예에서, 실제 동물 데이터의 적어도 일부 또는 하나 이상의 파생물에서 파생된 시뮬레이션 데이터는 (1) 하나 이상의 베팅이 수행되거나 수락되는 시장으로서; (2) 하나 이상의 제품을 생성, 수정, 향상, 획득, 제공, 또는 배포하기 위하여; (3) 하나 이상의 예측, 확률, 또는 가능성을 평가, 계산, 추정, 수정, 향상, 또는 전달하기 위하여; (4) 하나 이상의 전략을 수립하기 위하여; (5) 하나 이상의 조치를 취하기 위하여; (6) 하나 이상의 위험을 완화하거나 방지하기 위하여; (7) 하나 이상의 조치를 권장하기 위하여; (8) 하나 이상의 시뮬레이션, 계산 또는 분석에서 이용되는 하나 이상의 신호 또는 판독값으로; (9) 하나 이상의 시뮬레이션의 일부로서, 그 출력이 한 명 이상의 사용자와 직간접적으로 참여하는 것으로서; (10) 하나 이상의 소비 매체에 대한 하나 이상의 구성 요소 또는 보충물로서; (11) 하나 이상의 판촉에서; 또는 (12) 이들의 조합을 직접 또는 간접적으로 사용될 수 있다.
애플리케이션(1)에 대한 변형예에서, 시장은 특정 이벤트(예: 스포츠 이벤트, 건강 또는 의료 이벤트, 시뮬레이션된 이벤트)에 대한 특정 유형 또는 범주의 베팅 또는 내기일 수 있다. 시장은 모든 이벤트에 대해 생성 및 제공되거나 추진할 수 있다. 종종, 하나 이상의 베팅을 수락하는 조직은 각각의 시장에 대해 나열된 배당률과 함께 각각의 이벤트에 대해 복수의 베팅 시장을 제공한다. 특정 유형 또는 범주에는 프로포지션 베팅("prop bet"), 스프레드 베팅, 라인 베팅, 퓨처 베팅, 팔레이 베팅, 라운드 로빈 베팅, 핸디캡 베팅, 오버/언더 베팅, 풀 커버 베팅, 또는 티저 베팅이 포함될 수 있다. 또한, 내기의 수락은 예를 들어 하나 이상의 출력(예: 시뮬레이션된 데이터에서 파생된 예측 지표를 이용하는 내기 유형)을 이용하는 내기 시스템에 의한 베팅의 수락, 하나 이상의 출력(예: 시뮬레이션된 데이터에서 파생된 예측 지표에 의해 예측된 주어진 생물학적 사건을 개체가 경험할 가능성에 기반하여, 개체에게 제공되는 보험 정책, 회사에 더 많은 비용이 들거나 들지 않을 수 있음)에 기반하여 보험 제공자가 감수한 위험과 상관관계가 있는 개체로부터의 지불의 보험 시스템(예: 보험 제공자)에 의한 수락, 주어진 개체에 대한 특정 진단과 관련된 하나 이상의 치료의 보험 시스템에 의한 수락으로서, 하나 이상의 치료와 관련된 지불 및 타임라인-개체의 동물 데이터 및 생성된 시뮬레이션 데이터 등의 적어도 일부를 이용하여 치료의 시뮬레이션된 효과를 기반으로 의료 제공자가 권장하는, 수락일 수 있다.
애플리케이션(2)에 대한 변형예에서, 하나 이상의 제품은 배포 또는 판매되도록 설계된 하나 이상의 제품 또는 서비스일 수 있다. 제품은 직접 또는 간접적으로 시뮬레이션된 데이터의 적어도 일부를 사용하는 한 생성, 수정, 향상, 제공, 또는 배포할 수 있는 모든 산업 또는 유사 산업(vertical)의 제품이 될 수 있다. 예를 들어, 제품은 하나 이상의 베팅을 수행하거나 수락하는 시장이 될 수 있다. 개선예에서, 시뮬레이션된 데이터의 적어도 일부 또는 하나 이상의 파생물은 프로포지션 베팅, 스프레드 베팅, 라인 베팅, 미래 베팅, 팔레이 베팅, 라운드 로빈 베팅, 핸디캡 베팅, 오버/언더 베팅, 풀 커버 베팅 또는 티저 베팅 중 적어도 하나를 생성, 수정, 향상, 제안, 획득, 수락 또는 배포하는 데 사용된다. 여기에는 시뮬레이션된 데이터 또는 제품 생성으로 이어지는(또는 결과적으로) 하나 이상의 파생물이 포함된다. 예를 들어, 제품은 시뮬레이션된 데이터 자체(예: 시뮬레이션의 하나 이상의 출력 구매), 보험 상품, 하나 이상의 시뮬레이션된 출력을 디스플레이하는 건강 애플리케이션, 대상과 관련된 특별히 시뮬레이션된 통찰력, 스포츠 베팅 애플리케이션, 시뮬레이션된 데이터를 사용하는 소비자 제품(예: 시뮬레이션된 데이터를 사용하여 대상의 생물학적 정보, 식품에 기초하여 성분을 개체화하는 등장성 음료와 같은 음료) 등일 수 있다. 명확히 하기 위해, "향상(enhance)"에는 강화가 가치를 추가해야 하는 제품의 "일부가 되는(to be part of)"이 포함될 수 있다. 또한 많은 경우, "생성(create)"은 "파생(derive)"을 포함할 수 있으며 그 반대의 경우도 마찬가지이다. 유사하게, "생성(create)"은 "발생(generate)"을 포함할 수 있으며 그 반대의 경우도 마찬가지이다. 또한, "수정하다(modify)"는 "개정하다(revise)", "보정하다(amend)", "조정하다(adjust)", "변경하다(change)" 및 "개선하다(refine)"를 포함할 수 있다. 또한 "제안(offer)"은 "제공(provide)"을 포함할 수 있다. 마지막으로, 제품의 "획득자(acquirer)"는 예를 들어 소비자, 조직, 다른 시스템, 제품을 소비하거나 받을 수 있는 다른 끝점 등이 될 수 있다.
애플리케이션(3)에 대한 변형예에서, 하나 이상의 예측, 확률 또는 가능성은 하나 이상의 예측, 확률, 또는 가능성이 연결된 미래의 결과 또는 발생과 관련될 수 있다. 예를 들어, 선수의 현재 심박수, 평균 심박수, 최대 심박수, 유사한 조건에 대한 과거 심박수, 생물학적 유체 수준, sEMG 데이터, 코트에서의 시간(분), 총 달린 거리, 시뮬레이션된 생물학적 데이터, 환경 데이터, 기타 상황/맥락 정보 등을 포함하는 다양한 유형의 데이터를 이용하는 임의의 주어진 농구 경기에서 심박수를 분당 200비트 초과로 상승하는 임의의 주어진 선수의 장래성을 결정하기 위해 또 다른 가능성이 계산될 수 있다. 이러한 확률을 이용함으로써, 또 다른 확률은 선수의 심박수가 200 bpm을 초과할 때, 선수가 n%를 초과하는 퍼센티지에서 n피트 밖에서 골을 얻을 가능성을 계산하도록 계산될 수 있다. 또한, "통신(communication)"은 하나 이상의 예측, 확률, 또는 가능성의 시각화(예: 애플리케이션을 통한 확률 표시, 증강 현실 또는 가상 현실 시스템 내에서 표적 개체에 대한 출력 기반 확률 표시), 하나 이상의 예측, 확률, 또는 가능성의 구두 통신(예: 표적 개체에게 시뮬레이션된 생물학적 데이터를 기반으로 이벤트가 발생할 가능성 또는 이벤트가 발생할 가능성을 알려주는 음성 활성화 가상 비서, 일 예는 특정 조치를 취하지 않을 경우 저혈당이 발생할 가능성, 수집된 생물학적 데이터를 기반으로 향후 n일 동안 뇌졸중이 발생할 가능성, 또는 시뮬레이션된 데이터를 기반으로 생물학적 관련 이벤트가 발생할 가능성), 등을 포함할 수 있다. 마지막으로 예측, 확률 또는 가능성의 수정은 이벤트에 대해 미리 결정된 예측, 확률, 또는 가능성을 수정하는 것을 포함할 수 있다.
애플리케이션(4)에 대한 변형예에서, 전략에는 시뮬레이션된 데이터의 적어도 일부를 직접 또는 간접적으로 사용하는 모든 전략이 포함될 수 있다. 예를 들어, 전략은 개체에 대한 보험 여부, 베팅 여부, 시뮬레이션 데이터와 관련된 특정 조치를 취할지 여부 등을 결정하기 위한 행동 계획일 수 있다. 전략에는 사전 정의된 규칙이 실행되는 잠재적 결과 및 임계값(threshold)을 예측하기 위해 시뮬레이션 및 시뮬레이션된 데이터를 완전히 기반으로 하는 완전한 거래/베팅 전략도 포함될 수 있다. 또한, 하나 이상의 시뮬레이션된 데이터 출력 또는 그 하나 이상의 파생물은 하나 이상의 전략 수립과 관련된 하나 이상의 추가 산출, 계산, 추정, 추출, 외삽, 시뮬레이션, 생성, 수정, 향상, 추정, 평가, 추론, 설정, 결정, 전환, 연역, 관찰 또는 커뮤니케이션에서 사용될 수 있다. 이러한 맥락에서, "제제(formulation)"라는 용어는 하나 이상의 수정, 개선 등을 포함할 수 있다.
애플리케이션(5)에 대한 변형예에서, 조치는 시뮬레이션된 데이터의 적어도 일부와 직접 또는 간접적으로 관련된 모든 조치일 수 있다. 작업에는 시뮬레이션된 데이터에서 파생된(또는 시뮬레이션 데이터에서 초래된) 조치가 포함된다. 예를 들어, 조치는 개체의 건강 상태를 확인하거나 인증하는 조치, 개체를 보장하기 위한 조치(예: 표적 대상이 향후 24개월 동안 심장 마비에 걸릴 확률은 x이므로 보험료는 y일 것이다), 대상의 의학적 사건 또는 필요에 대한 의료 제공자의 개체화된 치료 계획을 수락하거나 거부하는 조치(예를 들어, 하나 이상의 시뮬레이션에 기초하여, 의료 제공자가 권장하는 치료가 표적 대상을 재활시킬 확률은 n이어서, 보험사는 시뮬레이션된 데이터를 기반으로 p 가격으로 w주 치료 비용을 지불하는 데 동의한다), 표적 개체의 생물학과 관련된 조치(예: 자가 운전 자동차의 승객은 컴퓨팅 디바이스를 통해 더 많은 시뮬레이션이 발생하며, 그 출력은 자율 주행 자동차에 가장 가까운 병원으로 운전하도록 경고할 수 있음), 베팅을 하는 조치(예: 하나 이상의 시뮬레이션에서 파생된 운동 선수의 에너지 수준은 x%이므로 사용자가 베팅을 한다), 특정 조치를 취하기 위한 조치(예: "베팅을 하다", "오늘 20분 동안 뛰기", "오늘 n칼로리를 먹어라" 와 같은 특정 조치를 취하기 위한 조치를 전달하는 시스템), 아무 조치도 하지 않는 조치 등일 수 있다.
애플리케이션(6)에 대한 변형예에서, 위험 완화 또는 예방에는 위험 감소 또는 예방과 관련된 모든 조치, 비조치, 전략, 권장 사항, 위험 재분류, 위험 프로필 변경 등이 포함될 수 있다. 추가 위험을 감수하는 것도 포함될 수 있다.
애플리케이션(7)에 대한 변형예에서, 하나 이상의 조치를 권장하는 것은 시뮬레이션된 데이터에 의해 직접 또는 간접적으로 추론되는 권장 사항(예: 발생 확률을 제공하는 시뮬레이션된 데이터에서 파생된 예측 지표가 취해야 할 조치를 추론할 수 있음) 뿐만 아니라 하나 이상의 출력을 기반으로 직접 언급된 권장 사항(예: 일어나는 발생 확률 또는 예측을 제공하는 하나 이상의 시뮬레이션에서 파생된 예측 지표를 기반으로 조치를 취해야 한다는 권장 사항)을 모두 포함한다. 개선예에서, 추천은 복수의 추천으로 구성될 수 있다.
애플리케이션(8)에 대한 변형예에서, 신호 또는 판독값은 정보의 모든 형태 및 모든 형식(예: 하나 이상의 데이터 세트 포함)을 포함할 수 있다.
애플리케이션(9)에 대한 변형예에서, 시뮬레이션에는 하나 이상의 컴퓨터 모델의 생성과 하나 이상의 상황 또는 프로세스의 모방이 모두 포함된다. 시뮬레이션에는 출력의 어떠한 용도도 직접 또는 간접적 참여를 고려될 수 있는 하나 이상의 출력을 생성하는 데 사용되는 시뮬레이션 및 한 명 이상의 사용자가 참여할 수 있는(예를 들면, 비디오 게임 또는 기타 게임 기반 시스템, 증강 현실 또는 가상 현실 시스템) 하나 이상의 시뮬레이션 내에서 하나 이상의 출력의 포함을 포함하여 광범위한 참여 용도가 있다.
애플리케이션(10)에 대한 변형예에서, 사용자 소비의 하나 이상의 매체는 사용자가 하나 이상의 시뮬레이션으로부터의 하나 이상의 출력을 직접 또는 간접적으로 소비할 수 있는 임의의 매체일 수 있다. 매체는 예를 들어, 하나 이상의 출력을 통해 심장 상태 확인을 전달하는 건강 모니터링 애플리케이션(예를 들어, 원격 모니터링 플랫폼), 원격 의료 전문가 또는 재활 전문가가 통합 비디오 디스플레이를 통해 환자를 볼 수 있게 하면서, 활동(예: 원격 운동, 가상 의사 방문) 동안 플랫폼에 하나 이상의 출력을 전달하는 원격 재활 또는 원격 의료 플랫폼, 시뮬레이션된 데이터 출력으로부터 적어도 부분적으로 기초하여 보험 조정을 전달하는 보험 애플리케이션, 시뮬레이션된 데이터 출력을 사용한 스포츠 베팅 플랫폼 등을 포함할 수 있다. 또한 시뮬레이션된 데이터를 통합하는 미디어 방송(예: 스포츠 이벤트의 결과와 관련된 예측 제공), 시뮬레이션된 데이터를 시청되는 라이브 스포츠 이벤트에 대한 보충물로 통합하는 스포츠 스트리밍 콘텐츠 플랫폼(예: 비디오 플랫폼), 등을 포함할 수 있다. 또한 한 명 이상의 개체의 건강 상태와 관련된 정보를 하나 이상의 다른 시스템에 제공하는 비-디스플레이 매체(예: 열쇠 고리 또는 스캔 가능한 객체)를 포함할 수 있다.
애플리케이션(11)에 대한 변형예에서, 하나 이상의 판촉은 하나 이상의 제품의 수락 및/또는 획득(예: 판매, 배포)을 촉진하는 지원을 제공하는 임의의 판촉일 수 있다. 여기에는 하나 이상의 광고, 시뮬레이션된 데이터를 사용하는 제안(예: 표적 대상의 동물 데이터를 사용하여 하나 이상의 시뮬레이션을 수행하여 보험료를 낮출 수 있는 보험에 가입하도록 표적 대상에게 제안), 시뮬레이션된 데이터를 사용하는 할인 메커니즘(예: n번의 시뮬레이션은 플레이어 X가 플레이어 Y와 경기에서 질 것이라고 예측한다; 따라서 내기 시스템은 시뮬레이션 시스템에 의해 수집된 새로운 정보와 실행 중인 새로운 시뮬레이션을 기반으로 실시간 또는 거의 실시간으로 발생하는 확률에 대한 업데이트와 함께 사용자/베터에게 플레이어 X가 경기에서 이기기에 더 유리한 배당률을 제공한다) 등을 포함한다.
애플리케이션(12)에 대한 변형예에서, "이들의 조합(a combination thereof)"은 전술한 애플리케이션 모두 또는 전술한 애플리케이션의 서브세트를 포함하는 전술한 애플리케이션의 임의의 조합을 포함할 수 있다.
다른 개선예에서, 컴퓨팅 디바이스(12) 또는 컴퓨팅 디바이스(30)는 직접적으로 또는 간접적으로: (1) 하나 이상의 내기를 제안하거나 수락하고; (2) 하나 이상의 제품을 생성, 향상, 수정, 획득, 제공, 또는 배포하고; (3) 하나 이상의 예측, 확률, 또는 가능성을 평가, 계산, 추정, 수정, 향상, 또는 전달하고; (4) 하나 이상의 전략을 수립하고; (5) 하나 이상의 조치를 취하고; (6) 하나 이상의 위험을 완화하거나 방지하고; (7) 하나 이상의 조치를 권장하고; (8) 한 명 이상의 사용자가 참여하고; 또는 (9) 이들의 조합을 작동 가능하게 한다.
위에 설명된 바와 같이, 하나 이상의 센서(18)는 하나 이상의 생물학적 센서(바이오센서)를 포함할 수 있다. 바이오센서는 생체 신호를 수집하며, 본 실시예의 맥락에서 전기적 및 비전기적 신호, 측정, 및 인위적으로 생성된 정보 모두를 포함하여 지속적으로 또는 간헐적으로 측정, 모니터링, 관찰, 산출, 계산 또는 해석될 수 있는 동물에서 또는 동물에서 파생된 모든 신호 또는 특성이다. 바이오센서는 생리학적 데이터, 생체 인식 데이터, 화학 데이터, 생체 역학 데이터, 유전 데이터, 게놈 데이터, 로케이션 데이터, 또는 기타 생물학적 데이터와 같은 생물학적 데이터(판독값 및 신호 포함)를 하나 이상의 표적 개체로부터 수집할 수 있다. 예를 들어, 일부 바이오센서는 눈 추적 데이터(예: 동공 반응, 움직임, 동공 직경, EOG 관련 데이터), 혈류 데이터 및/또는 혈액량 데이터(예: PPG 데이터, 맥박 통과 시간, 맥박 도달 시간), 생물학적 유체 데이터(예: 혈액, 소변, 타액, 땀, 뇌척수액에서 파생된 분석), 체성분 데이터(예: 생체전기 임피던스 분석, 체중을 포함하는 체중-기반 데이터, 체질량지수, 체지방 데이터, 골량 데이터, 단백질 데이터, 기초 대사율, 무지방 체중, 피하지방 데이터, 내장 지방 데이터, 체수분 데이터, 대사 연령, 골격근 데이터, 근육량 데이터), 맥박 데이터, 산소화 데이터(예: SpO2), 코어 체온 데이터, 전기 피부 반응 데이터, 피부 온도 데이터, 발한 데이터(예: 속도, 구성), 혈압 데이터(예: 수축기, 이완기, MAP), 포도당 데이터(예: 체액 균형 I/O), 수화 데이터(예: 체액 균형 I/O), 심장 기반 데이터(예: 심박수, 평균 HR, HR 범위, 심박수 변동성, HRV 시간 영역, HRV 주파수 영역, 자율신경 긴장도, PR, QRS, QT, RR 간격을 포함하는 ECG-관련 데이터, 심초음파 데이터, 흉부 전기 생체 임피던스 데이터, 경흉부 전기 생체 임피던스 데이터), 신경 데이터 및 기타 신경 관련 데이터(예: EEG-관련 데이터), 유전 관련 데이터, 게놈-관련 데이터, 골격 데이터, 근육 데이터(예: 표면 EMG, 진폭을 포함하는 EMG-관련 데이터), 호흡 데이터(예: 호흡수, 호흡 패턴, 흡기/호기 비율, 일회 호흡량, 폐활량 측정 데이터)와 같은 생물학적 데이터로 변환되거나 이로부터 파생될 수 있는 정보를 측정 또는 제공할 수 있다. 일부 바이오센서는 예를 들어 각속도, 관절 경로, 운동학적 또는 운동학적 부하, 보행 설명, 걸음 수, 대상의 움직임이 특성화될 수 있는 다양한 방향의 위치 또는 가속도를 포함할 수 있는 생체역학 데이터와 같은 생물학적 데이터를 검출할 수 있다. 일부 바이오센서는 로케이션 및 로케이션 데이터(예: GPS, 초광대역 RFID 기반 데이터, 자세 데이터), 얼굴 인식 데이터, 오디오 데이터, 운동감각 데이터(예: 신발의 바닥에 위치된 센서로부터 캡처된 물리적 압력), 또는 하나 이상의 표적 개체와 관련된 청각 데이터와 같은 생물학적 데이터를 모을 수 있다. 일부 생물학적 센서는 이미지 또는 비디오 기반일 수 있으며 비디오 또는 기타 시각적 데이터(예: 비디오, MRI, 컴퓨터 단층 촬영 스캔, 초음파, 심장초음파, X선을 포함하는 정지 또는 동영상)를 수집, 제공 및/또는 분석할 수 있으며, 이 때 생물학적 데이터는 감지, 측정, 모니터링, 관찰, 외삽, 계산 또는 계산될 수 있다(예: 비디오 데이터에서 파생된 생체역학적 움직임 또는 로케이션-기반 정보, X-Ray를 기반으로 감지된 골절, 대상의 비디오 기반 또는 이미지 기반 시각적 분석으로 관측된 대상의 스트레스 또는 질병). 일부 바이오센서는 혈액(예: 정맥, 모세혈관), 타액, 소변, 땀 등과 같은 생물학적 유체로부터 중성지방 수치, 적혈구 수, 백혈구 수, 부신피질 자극 호르몬 수치, 헤마토크릿 수치, 혈소판 수, ABO/Rh 혈액형, 혈액 요소 질소 수치, 칼슘 수치, 이산화탄소 수치, 염화물 수치, 크레아티닌 수치, 포도당 수치, 헤모글로빈 A1c 수치, 젖산 수치, 나트륨 수치, 칼륨 수치, 빌리루빈 수치, 알칼리성 인산분해효소(ALP) 수준, 알라닌 트랜스아미나제(ALT) 수준, 및 아스파르테이트 아미노전이효소(AST) 수준, 알부민 수준, 총 단백질 수준, 전립선 특이 항원(PSA) 수준, 미세알부민뇨 수준, 면역글로불린 A 수준, 엽산 수준, 코티솔 수준, 아밀라제 수준, 리파제 수치, 가스트린 수치, 중탄산염 수치, 철 수치, 마그네슘 수치, 요산 수치, 엽산 수치, 비타민 B-12 수치 등과 같은 생물학적 유체로부터 정보를 파생할 수 있다. 변형예에서, 일부 바이오센서는 아세틸콜린 데이터, 도파민 데이터, 노르에피네프린 데이터, 세로토닌 데이터, GABA 데이터, 글루타메이트 데이터, 호르몬 데이터 등을 포함하는 생화학적 데이터를 수집할 수 있다. 하나 이상의 표적 개체와 관련된 생물학적 데이터 외에도, 일부 바이오센서는 주변 온도 데이터, 습도 데이터, 고도 데이터, 및 기압 데이터와 같은 비생물학적 데이터를 측정할 수 있다. 개선예에서, 하나 이상의 센서는 적어도 부분적으로 바이오센서 데이터로부터 파생되는 하나 이상의 산출, 계산, 예측, 확률, 가능성, 추정, 평가, 추론, 결정, 연역, 관찰 또는 예상을 포함하는 생물학적 데이터를 제공한다. 다른 개선예에서, 하나 이상의 바이오센서는 두 개 이상의 유형의 데이터를 제공할 수 있으며, 그 중 적어도 하나는 생물학적 데이터(예: 심박수 데이터 및 VO2 데이터, 근육 활동 데이터 및 가속도계 데이터, VO2 데이터 및 고도 데이터)이다.
또 다른 개선예에서, 적어도 하나의 센서(18) 및/또는 그것의 하나 이상의 부속물은 하나 이상의 표적 대상에 내장되고 하나 이상의 표적 대상에 장착되거나 이식되고, 하나 이상의 표적 대상에 의해 섭취되거나 하나 이상의 표적 대상의 적어도 일부분을 포함하도록 통합되는 하나 이상의 표적 대상의 피부, 안구, 중요 기관, 근육, 모발, 정맥, 생물학적 유체, 혈관, 조직 또는 골격계를 포함하는 하나 이상의 표적 대상과 관련하여 또는 이로부터 유도된 하나 이상의 전자 통신에 첨부되거나 접촉하거나 송신될 수 있다. 예를 들어, 치아에 부착된 타액 센서, 치아 세트 또는 하나 이상의 치아와 접촉하는 장치, 표적 대상의 생물학적 유체 또는 모발로부터 파생된 DNA 정보를 추출하는 센서, 착용할 수 있는 센서(예를 들어 인체에), 표적 개체의 위치 정보를 추적하는 전화기의 센서, 뉴런의 뇌 신호를 검출할 수 있는 표적 대상의 뇌에 부착되거나 이식된 센서, 하나 이상의 생물학적 기능을 추적하기 위해 표적 대상이 섭취하는 센서, 동물과 적어도 하나의 특성을 공유하는 기계(예: 로봇)에 부착되거나 통합된 센서(예: 인간의 작업과 유사한 하나 이상의 작업을 수행하는 능력을 갖는 로봇 팔 및 인간의 정보 처리 능력과 유사한 정보 처리 능력을 가진 로봇) 등이 있다. 유리하게는, 기계 자체는 하나 이상의 센서로 구성될 수 있고, 센서와 대상 모두로 분류될 수 있다. 또 다른 개선예에서, 하나 이상의 센서(18)는 표적 개체와 직접적으로 또는 하나 이상의 매개물 또는 세포 사이 아이템을 통해 접촉하거나 통신하는 직물, 패브릭(fabric), 천, 재료, 고정물, 물체 또는 장치에 통합되거나 그 일부로서, 부착되거나 내장된다. 예로는 접착제를 통해 피부에 부착된 센서, 시계 또는 헤드셋에 통합된 센서, 셔츠 또는 저지에 통합되거나 내장된 센서, 핸들에 통합된 센서, 비디오 게임 컨트롤러에 통합된 센서, 표적 대상의 손과 접촉하는 농구공에 통합된 센서, 표적 대상이 잡고 있는 매개물과 간헐적으로 접촉하는 하키 스틱 또는 하키 퍽에 통합된 센서(예: 하키 스틱), 피트니스 기계(예: 트레드밀, 자전거, 벤치 프레스)의 하나 이상의 핸들 또는 그립에 통합 또는 내장된 센서, 표적 개체에 의해 제어되는 로봇(예: 로봇 팔) 내에 통합된 센서, 표적 개체의 발목을 감싸는 중간 양말 및 접착 테이프를 통해 표적 개체와 접촉할 수 있는 신발에 통합되거나 내장된 센서 등을 포함한다. 또 다른 개선예에서, 하나 이상의 센서가 플로어링 또는 그라운드(예: 인조 잔디, 잔디, 농구장, 축구장, 제조/조립-라인 플로어), 좌석/의자, 헬멧, 침대, 표적 대상과 직접 또는 하나 이상의 매개물을 통해 접촉하는 물체(예: 옷 매개물을 통해 좌석의 센서와 접촉하는 대상), 등에 짜여지거나 내장되거나 통합되거나 부착될 수 있다. 또 다른 개선예에서, 센서 및/또는 그 하나 이상의 부속물은 대상의 신체(예: 장기의 조직, 대상의 머리카락)에서 파생된 하나 이상의 입자 또는 물체와 접촉할 수 있으며, 이로부터 하나 이상의 센서가 생물학적 데이터로 변환할 수 있는 정보를 파생하거나 제공한다. 또 다른 개선예에서, 하나 이상의 센서는 광학 기반(예: 카메라 기반)일 수 있고 생물학적 데이터가 검출, 측정, 모니터링, 관찰, 추출, 외삽, 추론, 연역, 추정, 결정, 산출, 또는 계산될 수 있는 출력을 제공할 수 있다. 또 다른 개선예에서, 하나 이상의 센서는 광 기반일 수 있고 적외선 기술(예: 온도 센서 또는 열 센서)을 사용하여 개체의 온도 또는 개체의 다른 부분의 상대 열을 산출할 수 있다.
하나의 변형예에서, 시뮬레이션된 동물 데이터는 실제 동물 데이터 세트의 적어도 일부를 무작위로 샘플링하여 생성된다. 다른 변형예에서, 실제 데이터는 실제 데이터 세트의 각각의 값에 작은 난수(random number)를 추가하여 시뮬레이션된 데이터로 변환된다. 이 문맥에서, 작다는 것은 난수가 더해진 수의 미리 결정된 백분율 내의 값을 가짐을 의미한다. 개선 예에서, 우선적으로 미리 결정된 값은 추가된 값의 1, 10, 20, 30, 40 또는 50퍼센트이다. 추가 개선예에서, 작은 난수는 평균이 0이다. 다른 변형예에서, 오프셋 값은 실제 동물 데이터의 각각의 값에 추가된다. 또 다른 개선예에서, 오프셋 값은 추가되는 값의 0.1, 0.5, 1, 2, 3, 5 또는 10퍼센트 우선 순위이다. 이를 위해, 랜덤 샘플링에 사용되는 난수는 균일하게 분포되거나 정규 분포(예: 가우스(Gaussian) 난수)가 될 수 있다.
다른 변형예에서, 과거 데이터 및 학습을 기반으로 하나 이상의 시뮬레이션을 즉석에서 생성할 수 있다. 이와 관련하여, 시뮬레이션된 동물 데이터는 다양한 방법에 의해 시뮬레이션(예: 비디오 게임, 시뮬레이션된 스포츠 이벤트, 의료보험료를 조정하는 것과 같은 목적을 위해 하나 이상의 생물학적 이벤트를 예측하거나 예상하기 위한 시뮬레이션된 이벤트)에 입력될 수 있는 형태로 변환될 수 있다. 하나의 개선예에서, 실제 동물 데이터는 실제 동물 데이터를 피팅을 제공하도록 최적화된 하나 이상의 독립 변수 또는 하나 이상의 조정 가능한 매개변수를 갖는 함수에 피팅함으로써 수치적으로 모델링된다. 이러한 맥락에서, 이러한 피팅된 함수를 모델이라고 한다. 이러한 데이터 모델에서, 하나 이상의 독립 변수 또는 매개변수는 시뮬레이션된 데이터 출력을 제공하기 위해 시뮬레이션에 의해 입력된다. 이와 관련하여, 시간(t)은 시뮬레이션된 개체가 시뮬레이션된 이벤트에 참여하는 시간의 함수로 시뮬레이션된 생물학적 출력(예: 생리학적 출력)을 출력하는 데 사용할 수 있는 유용한 독립 변수이다. 특히, 생물학적 매개변수는 시간의 함수로서 시뮬레이션의 가상 참가자와 연관될 수 있다.
다른 변형예에서, 하나 이상의 표적 대상으로부터 이전에 획득된 실제 동물 데이터에 대한 생물학적 매개변수는 확률 분포에 의해 근사화될 수 있다. 확률 분포의 예는 베르누이(Bernoulli) 분포, 균일 분포, 이항 분포, 정규 분포(즉, 가우시안), 포아송(Poisson) 분포, 지수 분포, 로렌츠(Lorentzian) 분포 등을 포함하지만 이에 국한되지 않는다. 일반적으로, 이러한 확률 분포는 시뮬레이션에서 하나 이상의 시뮬레이션된 참가자에게 하나 이상의 생물학적 매개변수(예: 생리학적 매개변수)를 할당하기 위해 무작위로 샘플링될 수 있다. 예를 들어, 하나 이상의 표적 대상에서 이전에 획득한 실제 동물 데이터에 대한 생물학적 매개변수는 조정 가능한 매개변수로 평균 및 표준 편차를 갖는 가우스 분포에 의해 근사화될 수 있다. 그런 다음 가우스 분포를 무작위로 샘플링하여 시뮬레이션 값을 제공할 수 있다. 대안적으로, 실제 동물 데이터는 시뮬레이션에 의해 응용되는 임의의 함수(예를 들어, 선, 다항식, 지수, 로렌츠, 조각별 선형(piecewise linear) 또는 실제 데이터 포인트 사이의 스플라인(spline) 등)에 적합할 수 있다. 개선예에서, 이전에 획득한 실제 동물 데이터는 온도, 습도, 고도, 시간, 및 기타 비생물학적 데이터와 같은 외부적으로 연관된 매개변수를 하나 이상 가질 수 있으며, 이는 하나 이상의 시뮬레이션에서 독립 변수 또는 매개변수로 응용될 수 있다. 또 다른 개선예에서, 특정 표적 개체에 대한 하나 이상의 생물학적 파라미터(예를 들어, 심박수, 확장기 혈압, 수축기 혈압, 발한 속도, 달린 거리, 등)는 활동에 참여하는 동안 시간의 함수로서 기능적으로 모델링될 수 있다(예: 다항식에 적합). 이 후자의 예에서, 시뮬레이션은 모델링된 기능을 사용하여 시간이 지남에 따라 시뮬레이션이 진행됨에 따라 표적 개체에 대한 값을 제공할 수 있다. 이와 관련하여, 시뮬레이션 데이터는 시뮬레이션 참가자의 생물학적 발생(예: 피로 수준)을 평가하는 데 사용할 수 있다. 예를 들어, 선수가 심박수, 이완기 혈압, 수축기 혈압, 발한 속도가 상승한 시간의 양에 대한 누적 합계가 피로의 척도로 사용할 수 있다. 도 2는 데이터에 대한 다항식 맞춤(다항식 차수 60)과 함께 수집된 심박수 데이터의 플롯을 제공한다.
변형예에서, 인공 데이터 세트는 사용자가 설정한 하나 이상의 시작 매개변수에 따라 무작위로 또는 다른 방식으로 생성될 수 있다. 이는 사용자가 원하는 실제 동물 데이터를 요청한 시간 프레임이나 방식으로 획득, 캡처 또는 생성할 수 없는 경우에 유용할 수 있다. 사용자가 실제 동물 데이터를 획득하는 것이 가능하지 않을 수 있는 요구사항이 있는 경우, 시뮬레이션 시스템(10)은 사용자에 의해 설정된 매개변수를 준수하는 실제 동물 데이터 또는 하나 이상의 파생물에서 파생된 인공 동물 데이터를 생성할 수 있으며, 이는 소비에 사용될 수 이다. 이와 관련하여, 데이터 수집자가 선택하는 하나 이상의 매개변수는 인공 데이터가 생성되는 하나 이상의 입력으로 사용될 수 있는 관련 실제 동물 데이터의 범위를 결정하고 및/또는 생성된 인공 출력이 획득자가 원하는 요구 사항을 충족하는지 확인한다. 예를 들어, 제약 회사 또는 연구 조직은 센서 C로부터 자고 있고 x의 속도 설정 샘플링하고, 사회적 흡연(주당 15 내지 20개의 담배), 주당 적어도 한번의 음주, 일주일에 2-3일 최소 한 잔의 알코올 음료를 포함하는 습관을 갖는 175 내지 185 파운드의 중량이 나가고, 생물학적 체액 유래 수준을 나타내는 특정 혈액형을 갖고 당뇨병 및 뇌졸중의 가족병력을 갖는 25 내지 34살의 적어도 10,000명의 고유한 남성으로부터 설정된 10,000개의 2시간 ECG 데이터 세트를 얻도록 원할 수 있다. 시뮬레이션 시스템은 예를 들어 요청자의 최소 요구 사항과 일치하는 500명의 고유한 남성으로부터 500개의 데이터 세트를 가질 수 있으므로 시뮬레이션 시스템은 제약 회사 또는 연구 기관의 요청을 이행하기 위해 9,500명의 고유한 시뮬레이션된 남성에 대한 다른 9,500개의 데이터 세트를 생성할 수 있다. 요청된 데이터 세트를 생성하기 위해, 시뮬레이션 시스템은 필요한 매개변수를 사용하고 500개의 실제 동물 데이터 세트를 기반으로 인공 데이터 세트(예: 인공 ECG 데이터 세트)를 무작위로 생성할 수 있다. 새로운 하나 이상의 인공 데이터 세트는 획득자가 요구하는 특성의 일부 또는 전부와 일치하는 이전에 캡처된 데이터 세트를 분석하는 하나 이상의 인공 지능 기술을 응용하여 생성될 수 있다. 하나 이상의 인공 지능 기술(예: 하나 이상의 훈련된 신경망, 머신 러닝 모델)은 실제 데이터 세트의 패턴을 인식할 수 있고, 수집된 데이터로 훈련되어 동물(예: 인간) 생물학 및 관련 프로필을 이해하고, 동물 생물학 및 관련 프로필에 대한 하나 이상의 매개변수 또는 변수의 영향을 이해하고 획득자의 최소 요구사항과 일치하거나 충족하기 위해 획득자가 선택한 하나 이상의 매개변수 또는 변수를 고려하는 인공 데이터를 생성하기 위해 수집된 데이터로 더 훈련될 수 있다. 개선예에서, 유사한 개체의 유사하지 않은 데이터 세트 또는 유사하지 않은 개체의 유사한 데이터 세트는 모델 훈련 및 데이터 생성 목적 모두를 위해 하나 이상의 인공 지능 모델에 의해 사용될 수도 있다. 다른 개선예에서, 사용자는 동물 데이터의 적어도 일부를 사용하는 하나 이상의 시뮬레이션에 대해 하나 이상의 매개변수 또는 변수를 선택하고, 하나 이상의 시뮬레이션이 발생하고, 한 명 이상의 사용자가 시뮬레이션된 데이터의 적어도 일부 또는 대가(예: 지불, 기타 비금전적 가치)에 대한 그의 하나 이상의 파생물을 획득한다. 예를 들어, 스포츠 베팅의 맥락에서, 시뮬레이션 시스템은 하나 이상의 결과를 예측하기 위하여 수집된 동물 데이터(예를 들어, 수집된 운동 선수 센서 데이터)의 적어도 일부분을 사용하는 하나 이상의 시뮬레이션을 획득(예를 들면, 구매)하기 위한 기회를 갖는 베터, 북메이커, 또는 다른 관련 대상자에게 제공하기 위하여 작동 가능하다. 유리하게는, 이러한 시뮬레이션은 실시간 또는 거의 실시간으로 발생할 수 있다. 다른 개선예에서, 비동물 데이터의 적어도 일부는 하나 이상의 시뮬레이션에서 하나 이상의 매개변수 또는 변수로서 사용된다. 하나 이상의 동물에서 파생된 시뮬레이션된 데이터를 생성하고 수익을 창출하기 위한 특정 애플리케이션이 있는 동물 데이터에 대한 수익 창출 시스템과 관련된 추가 세부 사항은 2019년 4월 15일에 출원된 미국 특허 제62/834,131호; 2019년 10월 8일자로 출원된 미국 특허 제 62/912,210호; 및 2020년 4월 15일에 출원된 미국 특허 제 PCT/US20/28355호에 개시되며, 이들의 전체 개시 내용은 인용에 의해 본원에 포함된다. 하나의 개선예에서, 위에 설명된 데이터 모델을 사용하여 시뮬레이션된 데이터를 생성할 수 있다. 다른 개선예에서, 시뮬레이션된 데이터는 획득자가 요구하는 특성 중 적어도 하나와 일치하는 예를 들어 하나 이상의 이전에 캡처되거나 생성된 데이터 세트를 분석하기 위해 하나 이상의 신경망을 사용할 수 있는 하나 이상의 인공 지능 기술(예: 머신 러닝, 딥 러닝)의 응용에 의해 생성될 수 있으며, 이의 자세한 내용은 여기에 설명된다. 이와 관련하여, 인공 지능-기반 엔진은 하나 이상의 실제 동물 데이터 세트에서 다양한 시나리오에서 가능한 하나 이상의 패턴 또는 상한 및 하한을 인식하고 사용자(예: 도박 주체, 베터, 특정 특성을 가진 대량의 데이터를 획득하려는 제약 또는 의료 제공자, 보험 제공자 등)의 최소 요구 사항과 일치하거나 충족하는 인공 데이터를 생성한다. 하나 이상의 데이터 세트는 단일 개체, 하나 이상의 유사한 특성을 가진 하나 이상의 개체의 그룹, 하나 이상의 특성의 정의된 그룹 내에서 하나 이상의 개체의 무작위 선택, 하나 또는 그 개체의 정의된 그룹 내의 하나 이상의 특성의 무작위 선택, 하나 이상의 특성의 정의된 그룹 내의 하나 이상의 개체의 정의된 선택, 또는 하나 이상의 개체의 정의된 그룹 내의 하나 이상의 특성의 정의된 선택을 기초로 하여 생성될 수 있다. 개선예에서, 그룹은 복수의 그룹을 포함할 수 있다. 사용자 요구 사항에 따라, 시뮬레이션 시스템은 데이터를 적절하고 무작위로 유지하기 위해 하나 이상의 인공 데이터 세트를 생성할 때 반복성을 위해 단일 변수/매개변수 또는 여러 변수/매개변수를 분리할 수 있다.
변형예에서, 시뮬레이션된 동물 데이터를 생성하기 위해 하나 이상의 신경망이 사용된다. 일반적으로 신경망은 실제 동물 데이터로 훈련된 후 시뮬레이션된 동물 데이터를 생성한다. 동물 데이터(예: ECG 신호, 심박수, 생물학적 유체 판독값)는 일반적으로 관찰의 시계열(time series)로 하나 이상의 표적 개체로부터 하나 이상의 센서로부터 수집된다. 시퀀스 예측 머신 러닝 알고리즘을 응용하여 수집된 데이터를 기반으로 가능한 동물 데이터 값을 예측할 수 있다. 수집된 동물 데이터 값은 신경망의 훈련 단계에서 하나 이상의 모델로 전달된다. 이 비선형 데이터 세트를 모델링하는 데 사용되는 신경망은 하나 이상의 신경망의 확립된 원칙에 따라 스스로 훈련한다. 하나 이상의 훈련된 신경망 사용에 기초하여 실제 동물 데이터로부터 인공 동물 데이터를 생성하기 위해 적어도 2개의 별개의 방법론이 여기에서 설명된다. 그러나, 본 발명은 실제 동물 데이터로부터 인공 동물 데이터를 생성하기 위해 사용되는 신경망의 방법론 또는 유형에 제한되지 않는다. 제 1 방법에서는, 장단기 기억(Long Short-Term Memory; LSTM)을 사용하여 시뮬레이션된 동물 데이터를 생성한다. 장단기 기억(LSTM)은 순환 신경망(RNN)의 단점(즉, 폭발/소실 기울기)을 겪지 않는 신경망 유형이다. 제 2 방법에서는, 생성적 대립쌍 네트워크(GAN)를 사용하여 시뮬레이션된 동물 데이터를 생성한다. 생성적 대립쌍 네트워크(GAN)는 두 개의 신경망으로 구성된 심층 신경망 아키텍처로, 하나를 다른 신경망(적대적)과 맞춘다. GAN을 사용하여, 생성기는 하나 이상의 새로운 데이터 세트를 포함할 수 있는 하나 이상의 새로운 데이터 값을 생성하는 반면, 판별자는 한 명 이상의 사용자 정의 기준을 기반으로 하나 이상의 새로운 값을 평가하여 새로 생성된 값을 증명, 검증 또는 인증한다.
모델을 정의하거나 설계하고 하나 이상의 신경망을 연결하기 전에, 제 1 단계는 데이터를 평가하고 데이터 내에서 어떤 관련 특성이 나타나는지 결정하는 것이다. 하나 이상의 신경망을 훈련시키기 위해 입력할 수 있는 수많은 관련 동물 데이터 특성이 있다. 예를 들어, ECG 기반 데이터의 경우, 시계열, 비선형 함수, 자동 회귀 동작, 및 임계값을 포함하여 관련될 수 있는 여러 특성이 있다. 임계값에는 일반적으로 허용되는 값 또는 원칙이 포함된다(예: 90세 초과의 남성은 심박수가 분당 200회 이상에 도달하거나 33세 남성에 대한 연령 기반 최대 심박수가 분당 n비트라는 것이 설정될 수 있다). 도 3a는 프로 운동선수로부터 캡처한 분당 비트수(BPM) 그래프를 제공하는 반면, 도 3b는 도 3a의 데이터에 대한 자기상관 함수를 제공한다.
도 4는 시뮬레이션된 데이터를 생성하기 위해 신경망 아키텍처에서 사용할 수 있는 신경망의 개요를 제공한다. 신경망은 범용 함수 근사기로 입증되었다(즉, 모든 비선형 함수를 모델링할 수 있음). 신경망은 여러 레이어의 디지털 뉴런을 통해 이미지와 같은 입력을 전달한다. 각각의 레이어는 입력의 추가 기능을 나타낸다. 네트워크의 아키텍처, 즉 얼마나 많은 뉴런과 레이어가 있고 어떻게 연결되어 있는지에 따라 네트워크가 잘할 수 있는 작업의 종류가 결정된다. 데이터가 네트워크에 공급되면, 흥분하는(fire) 각각의 인공 뉴런은 다음 레이어의 특정 뉴런에 신호를 전송하며, 복수의 신호가 수신되면 흥분될 가능성이 높다. 이 프로세스는 입력에 대한 추상적인 정보를 드러낸다. 얕은 네트워크는 레이어 수가 적지만 레이어당 많은 뉴런이 있다. 이러한 유형의 네트워크는 계산적 관점에서 집약적이다. 심층 네트워크에는 많은 레이어와 레이어당 상대적으로 적은 수의 뉴런이 있다. 상대적으로 적은 수의 뉴런을 사용하여 높은 수준의 개념(abstraction)을 달성할 수 있다. 각각의 뉴런은 다음 규칙에 따라 활성화된다.
여기서:
f는 활성화 함수이고,
W는 가중치 행렬이고,
x는 입력 벡터이고,
b는 바이어스이고,
Y는 출력 벡터이다.
신경망 기술에서 알려진 바와 같이, 가중치 행렬은 가중치에 대한 예측 출력과 예상 출력 간의 오차 기울기가 감소하는 구배의 방향으로 학습율을 기반으로 각각의 뉴런의 가중치를 업데이트하는 데 사용하는 역전파(backpropagation)라는 프로세스에 의해 업데이트된다.
도 5는 동물 데이터 생성에 사용할 수 있는 순환 신경망의 세부 정보를 제공한다. 순환 신경망(RNN)은 노드 간의 연결이 시간적 시퀀스를 따라 방향성 그래프를 형성하는 신경망의 클래스이다. 이를 통해 신경망은 시간적 동적 동작을 나타낼 수 있다. 피드포워드 신경망(feedforward neural network)과 달리, RNN은 내부 상태(메모리)를 사용하여 입력 시퀀스를 처리할 수 있다. RNN은 시퀀스 예측 문제를 처리하도록 설계되었다. RNN은 입력 시퀀스에서 임의의 장기 종속성을 추적할 수 있다. 도 5에 도시된 바와 같이, 순환 신경망(40)은 i를 여러 번 반복하는 기본 네트워크(42)를 포함한다. 일반적으로 i는 계산 복잡성을 추가하지 않고 필요한 양의 기록을 최적으로 보존하도록 RNN 모델의 훈련 단계에서 선택된다. 이것은 일반적으로 데이터에서 관찰된 패턴, 자기상관 통계, 휴리스틱 및 모델러의 도메인 특정 지식을 기반으로 선택된 몇 가지 가능한 값으로 모델을 훈련하고 테스트함으로써 달성된다. 이 도면에서, 입력은 가중치 행렬 U에 의해 가중치가 부여되고 숨겨진 레이어 S에 제공되는 X로 라벨이 지정된다. W는 적절한 활성화 함수(f)를 사용하여 숨겨진 뉴런 레어어(S)의 출력이다. 여러 개의 은닉 레이어가 있는 경우 적어도 제 1 은닉 레이어에 대한 단일 은닉 레이어의 경우, 
여기서 b는 바이어스이다. 개선예에서, 은닉 레이어 컴포넌트는 복수의 은닉 뉴런 레이어를 포함할 수 있다. 은닉 레이어(j)의 출력(Wj)은 다음 시간 단계에서 해당 은닉 레이어(j)에 제공된다. 적합한 활성화 함수의 예는 시그모이드 함수, tanh 함수, ReLU, 누출(Leaky) ReLU, 및 당업자에게 공지된 다른 활성화 함수를 포함하지만 이에 제한되지는 않는다. 이 네트워크에서, 출력(O)은 숨겨진 뉴런 레이어(들)(S)에서 생성된다(예: 
). RNN이 훈련된 후, 제 1 셀에 입력을 제공하여 시뮬레이션된 데이터가 생성된다(예: 무작위로 생성됨). 이 셀의 출력은 입력으로 다음 셀에 제공되며, 이 프로세스는 각각의 후속 셀에 대해 반복되어 완전한 데이터 세트를 생성한다.
표준 RNN의 문제는 본질적으로 계산적(또는 실용적)이고; 역전파를 사용하여 표준 RNN을 훈련할 때 역전파되는 구배는 유한 정밀도 숫자를 사용하는 프로세스에 관련된 계산 때문에 사라지거나(즉, 0이 되는 경향이 있을 수 있음) 폭발할 수 있다(즉, 무한대가 될 수 있음). LSTM 단위를 사용하는 RNN은 LSTM 단위가 구배가 변경되지 않은 상태로 흐르도록 허용하기 때문에 구배 소실 문제를 해결한다. 일반적인 아키텍처는 셀(LSTM 유닛의 메모리 부분)과 LSTM 유닛 내부의 정보 흐름의 세 가지 조절기(일반적으로 게이트라고 함): 즉, 입력 게이트, 출력 게이트 및 망각 게이트, 로 구성된다. 도 6은 시뮬레이션된 동물 데이터를 생성하는 데 사용할 수 있는 LSTM의 개략도를 제공한다. LSTM(50)은 순환 셀(52)을 포함한다. 순환 셀은 망각 게이트 레이어(54), 입력 게이트 레이어(56), 출력 게이트 레이어(58) 및 tanh 게이트 레이어(60)를 포함한다. 이러한 레이어의 출력은 다음 방정식에 의해 제공된다.
여기서:
i는 입력 게이트 레이어의 출력이고;
f는 망각 게이트 레이어의 출력이고,
o는 출력 게이트 레이어의 출력이고,
t는 현재 시간 단계이고,
t-1은 이전 시간 단계이고,
t+1은 다음 시간 단계이고,
g는 tanh 게이트 레이어의 출력이고,
W는 가중치 행렬이고,
xt는 t 시간 단계에서 입력 벡터(또는 값)이고,
ht는 t-1 시간 단계에서 숨겨진 상태 벡터이고,
tanh는 tanh 활성화 함수이다.
메모리 셀 값(ct)에 대한 방정식은 다음과 같다:
LSTM이 훈련된 후 시뮬레이션된 데이터를 생성하기 위해, 제 1 LSTM 셀에 입력(예: 무작위로 생성됨)을 제공하여 시뮬레이션된 데이터가 생성되고, 다음 셀에 대한 입력 값을 생성하기 위해 이 셀에서 생성된 은닉 상태가 훈련된 뉴런 레이어(예: LSTM 셀과 함께 훈련됨)가 제공된다. 이 프로세스는 시뮬레이션된 데이터의 전체 세트를 생성하기 위해 반복된다. 표 1은 하나 이상의 매개변수를 조정할 수 있는 LSTM 방법을 사용하여 시뮬레이션된 동물 데이터를 생성하기 위한 의사 코드의 예를 제공한다.
표 1. LSTM 방법에 대한 의사 코드
.......................................................................
단계 1. 네트워크 구성
* 단계 1a. 시간 단계 설정 = nt {=10}
* 단계 1b. 옵티마이저 설정 = ADAM(학습률 = lr, 베타 = b) {lr = 0.002; b=0.5}
* 단계 1c. 에퍼크(epoch) 설정 = ne {=100}
* 단계 1d. 훈련을 위한 배치 크기 설정 = bs {=30}
* 단계 1e. 테스트에 대한 입력 행 설정 = rc {=1000}
단계 2. 사용 가능한 동물 데이터(예: ECG 데이터) 로드
* 단계 2a. 파일에서 데이터 프레임(테이블)으로 사용 가능한 동물 데이터 읽기
단계 3. LSTM 모델 생성
* 단계 3a. 입력 시퀀스 = 시간 단계, nu 단위 {nu=50}로 순차 LSTM 모델 생성
* 단계 3b. 실제 값의 동물 데이터 출력을 위해 선형 활성화로 출력 레이어 추가
* 단계 3c. 모델을 컴파일링하고 손실 함수 및 ADAM 옵티마이저로 평균 제곱 오차 (MSE) 설정
단계 4. 모델 학습
* 단계 4a. 위에서 만든 데이터 프레임 읽기
* 단계 4b. 데이터 재구성
* 단계 4c. 시간 단계와 길이가 같은 입력 시퀀스의 튜플과 1개의 실수 값 출력(동물 데이터 읽기)을 생성
* 단계 4d. 값을 [-1,1]로 정규화하기 위해 데이터((X-평균)/표준 편차(std dev))에 표준화를 응용한다.
* 단계 4e. 모델에 데이터 맞추기
단계 5. 테스트 모델
* 단계 5a. 실제 동물 데이터 판독값의 정규화된 입력을 길이 시간 단계의 시퀀스로 전달하여 다음 동물 데이터 판독값을 예측한다.
* 단계 5b. 이전 시퀀스에서 제 1 동물 데이터를 삭제하고 예측을 추가하여 다음 입력 생성
* 단계 5c. 모델에 다음 입력을 전달하여 다음 판독값 예측
* 단계 5d. 출력 관찰 및 반복
.............................................................................
RNN 방법(LSTM 변형 포함)을 응용할 때, 여러 이벤트(예: 여러 스포츠 이벤트, 수면, 운동, 작업 등을 포함할 수 있는 개체의 일상 활동에서 여러 생물학적 모니터링 세션)로부터의 동물 데이터가 샘플로 사용되어 신경망을 훈련시킨다. 동물 데이터 판독값은 타임스탬프가 찍혀 있고 미리 결정된 기간(예: 대략 1초마다)에 발생한다. 처음에 모델은 N개의 이러한 관찰(LSTM 시퀀스의 길이)을 사용하여 훈련되며, 이는 몇 개(예: 20), 몇 백, 수천, 수백만, 등이 될 수 있다. 네트워크는 오류 메트릭으로 평균 제곱 오차 (MSE)를 사용하고 역전파(가중치 업데이트)를 구현하기 위해 ADAM 옵티마이저를 사용하여 N epoch(예: 100)에 대해 훈련된다. 참조 목적으로, ADAM은 훈련 데이터를 기반으로 반복적인 네트워크 가중치를 업데이트하기 위해 기존 확률적 구배 하강 절차 대신 사용할 수 있는 최적화 알고리즘이다. 데이터별 모델을 훈련한(그리고 모델을 지능적으로 만든) 후 모델을 응용하여 동물 데이터에 대한 예측을 생성한다. ECG 기반 데이터를 사용하는 이 예에서, 모델은 심박수 데이터를 예측한 다음 모델이 이 데이터를 생성한다. 모델에 의해 생성된 예측 동물 데이터(예: 심박수)는 먼저 샘플 내에서 테스트한 다음 샘플 외에서 테스트한다. 샘플은 모델을 맞추는 데 사용되는 데이터 샘플을 나타낸다. 사용자가 샘플을 갖고 샘플에 모델을 맞추면 사용자는 예측을 위해 모델을 사용할 수 있다. 표본 내 예측은 사용 가능한 데이터의 하위 집합을 사용하여 추정 기간 이외의 값을 예측하고 해당하는 공지된 또는 실제 결과와 비교한다. 샘플 내 예측을 사용하여, 신경망에서 생성된 모든 인공 동물 데이터는 이전에 모델에서 볼 수 있었다. 따라서 사용자가 데이터 샘플의 일부인 관찰에 대해 예측하는 경우 샘플 내 예측이다. 샘플 외 예측을 사용하면 신경망에서 생성된 데이터가 이전에는 모델에서 볼 수 없었다. 따라서 사용자가 데이터 샘플의 일부가 아닌 관찰에 대해 예측하는 경우, 이는 샘플 외 예측이다.
도 7a 및 7b는 LSTM 방법을 사용하여 생성된 시뮬레이션된 동물 데이터를 보여주는 플롯을 제공한다. 도 7a 및 7b의 시뮬레이션된 동물 데이터는 모의 심박수 데이터이다. 두 도면 모두 실제 동물 데이터(즉, "원래 심박수(Original Heart Rate)"로 표시됨)를 기반으로 생성된 인공적으로 생성된 동물 데이터(예: "예상 심박수(Predicted Heart Rate)"로 표시됨)를 포함한다. 도 7a는 관찰에 대한 예측이 동물 데이터 샘플의 적어도 일부를 포함할 때 발생하는 샘플 내를 제공한다. 위에서 언급했듯이, 샘플 내 예측을 사용하여 신경망에서 생성된 모든 인공 동물 데이터는 이전에 모델에서 본 적이 있다. 예를 들어, 사용자가 비디오 게임의 일부로 통합하기 위해 선수 X의 진정한 심박수 특성(또는 실제 심박수 데이터의 적어도 일부)을 기반으로 선수 X에 대한 인공 심박수 데이터를 생성하려는 경우, 시스템은 먼저 선수 X의 이전에 캡처한 실제 심박수 데이터를 사용하여 모델을 훈련한 다음 방금 훈련된 모델을 사용하여 선수 X의 인공 심박수 데이터(샘플 내)를 생성한다. 생성된 인공 심박수 데이터는 이전에 본 값으로 구성된다. 도 7b는 샘플을 제공하지 않는다. 샘플 외 예측에서, 모델은 실제 동물 데이터의 적어도 일부로도 훈련된다. 그러나, 샘플 내와 달리, 신경망에서 생성된 인공 동물 데이터는 이전에 모델에서 본 적이 없다. 이렇게 생성된 인공 동물 데이터는 완전히 새로운 데이터이며 실제 동물 데이터의 적어도 일부를 기반으로 한다. 샘플 외 예측에는 (1) 대상의 하나 이상의 특성을 기반으로 모델이 해당 특정 대상의 데이터를 본 적이 없는 표적 대상 및 (2) 모델이 동물 데이터를 보았지만 새로운 인공 데이터 세트를 생성하는 하나 이상의 매개변수 또는 변수에 하나 이상의 변형(예: 변경, 조정)이 도입된 표적 대상에 대한 새로운 동물 데이터를 생성하는 것을 포함한다. 특징적으로, 샘플 외 데이터 세트는 예측 사용 사례에 사용할 수 있다. 예를 들어, 선수 X가 실제 스포츠 경기(예: 경기, 게임)에서 플레이하고 있고 사용자가 선수 X의 다음 5분 동안의 심박수를 예측하기를 원하는 경우, 사용자는 이전의 경기/게임으로부터의 선수 X의 이전에 수집된 심박수 데이터 세트 및 하나 이상의 심박수 데이터 세트에 맥락을 제공하는 각각의 심박수 데이터 세트와 연관된 보조 데이터 세트를 사용할 수 있고, 시스템은 수집된 심박수 데이터 및 보조 데이터를 사용하여 모델을 훈련하여 선수 X에 대한 "다음 5분"의 심박수 데이터를 인위적으로 생성한다. 또 다른 예에서, 모델이 경기장 온도가 화씨 90도일 때만 선수 X의 심박수 데이터를 보았지만, 시스템이 모델에 요청하는 경우 경기장 온도가 화씨 110도일 때 선수 X에 대한 심박수 데이터를 생성하기 위해 샘플 외 예측을 사용하여 조정 가능한 온도 입력(예: 110도)을 기반으로 선수 X의 인공 심박수 데이터를 생성한다.
도 8은 생성적 적대적 망(GAN)에서 시뮬레이션된 동물 데이터를 생성하는 방법을 보여준다. GAN은 두 개의 신경망으로 구성된 심층 신경망 아키텍처로, 하나가 다른 하나(적대적)와 맞물려 있다. GAN(60)은 하나 이상의 새로운 데이터 세트를 포함할 수 있는 하나 이상의 새로운 데이터 값(64)을 생성하는 생성기 구성요소(62)를 포함하는 반면, 판별기 구성요소(68)는 한 명 이상의 사용자 정의 기준에 기초하여 하나 이상의 새로운 값을 평가하여 하나 이상의 새로운 값을 증명, 검증, 또는 인증한다. 예를 들어, 판별기 구성요소(68)는 검토하는 데이터의 각각의 경우가 실제 훈련 데이터세트에 속하는지 여부를 결정한다. 판별 알고리즘은 입력 데이터를 분류하려고 시도한다(즉, 데이터 관찰의 특징이 주어지면, 해당 데이터가 속하는 라벨을 예측한다). 수학적으로 라벨을 y라고 하고 기능을 x라고 한다. 판별자는 주어진 y, 즉 p(y＼x) 또는 데이터가 주어진 특성이 있는 라벨에 속할 확률을 예측하려고 한다. 생성 알고리즘은 기능 또는 x를 얻으려고 한다. 그들은 p(x＼y) 또는 라벨이 주어진 특정 기능의 확률을 캡처한다.
이러한 방법에서, 하나 이상의 동물 데이터 세트를 샘플로 사용하여 판별기를 훈련한다. 판별기는 대체 데이터 세트(예: 가짜 데이터 또는 나쁜 데이터)를 제공하여 한 데이터 세트와 다른 데이터 세트 간의 차이(예: 실제 데이터 대 가짜 데이터, 좋은 데이터 대 나쁜 데이터)를 등록할 수 있다. 예를 들어, 애플리케이션은 GAN을 사용하여 개체가 특정 유형의 음식인지 여부를 구별하도록 신경망을 훈련할 수 있다. 다른 예에서, GAN은 80% 습도 및 95도 환경 온도에서 진행되는 경기에서 선수 Y의 땀 패턴이 명백히 발생된 데이터 세트이거나 80 퍼센트 습도 및 95도 환경 온도에서 선수 Y의 땀 패턴과 관련된 데이터로 훈련되는 것에 의한 것이 아닌 것을 결정하도록 사용될 수 있다. 사용자는 신경망을 훈련시키기 위해 제공하고자 하는 하나 이상의 대체 데이터 세트(예: 가짜 데이터, 불량 데이터)의 하나 이상의 특성(예: 수량, 품질)을 결정할 수 있다. 특징적으로, 신경망은 더 많은 데이터를 얻을수록 자신을 훈련하는 데 필요한 적절한 특성(들)을 결정할 수 있는 능력을 가질 수 있다. 일반적으로 시스템의 데이터 품질이 높을수록 네트워크가 더 좋아진다. 판별기는 좋은 데이터 대 나쁜 데이터의 평가 프로세스를 수행한다. 판별기는 좋은 데이터와 나쁜 데이터의 특성을 학습하는 피드백 루프를 만들어 좋은 데이터가 좋은 이유와 나쁜 데이터가 나쁜 이유를 평가할 수 있다. 이를 통해 판별기는 생성된 동물 데이터가 사실이든 아니든 훈련된 모델이 설정한 임계값을 충족하는지 여부를 평가할 수 있다(이 예에서는 ECG 기반 판독값). 생성기는 하나 이상의 입력(예: 난수, 제한된 숫자 집합)을 받아 판별기에 의해 평가되는 단일 값(예: 후보 ECG 판독값)을 생성한다. 그런 다음 판별기는 학습 피드백 루프를 생성하는 생성기 내로 결과를 피드백한다. 예를 들어, 생성기가 초당 1x로 세(3) 개의 연속적인 심박수 값: 분당 비트 수(bpm) 43회, 분당 비트 수 45회, 분당 비트 수 300회를 생성하는 경우, 판별기는 이 패턴을 검사하고 심박수가 1초에 45 내지 300 bpm으로 증가할 수 없는 것을 인식하도록 신경 망이 훈련된 경우 이러한 심박수 패턴이 유효하지 않다는 것을 결정한다. 이 경우 생서기는 판별기가 생성기에서 생성한 값을 "승인(approve)"할 때까지 새 값을 다시 생성한다. 개선예에서, 알고리즘은 스트리밍 동물 데이터에 대한 시계열 회귀 스타일 문제에 응용되지만 GAN의 기본 아이디어는 인공 동물 데이터를 생성하거나 동물 데이터 값을 예측하는 데 응용할 수 있다.
도 8은 GAN 방법을 사용하여 생성된 심박수 데이터를 보여주는 플롯을 제공한다. 표 2는 시뮬레이션된 동물 데이터를 생성하기 위한 GAN 방법을 구현하기 위한 의사 코드의 예를 제공하며 이의 하나 이상의 매개변수는 조정 가능할 수 있다.
표 2. GAN 방법에 대한 의사 코드
......................................................................
단계 1. 네트워크 구성
* 단계 1a. 시간 단계 설정 = nt {=10}
* 단계 1b. 옵티마이저 설정 = ADAM(학습률 = lr, 베타 = b) {lr = 0.002; b=0.5}
* 단계 1c. 에퍼크 설정 = ne {=100}
* 단계 1d. 훈련을 위한 배치 크기 설정 = bs {=30}
* 단계 1e. 테스트에 대한 입력 행 설정 = rc {=1000}
단계 2. 사용 가능한 동물 데이터(예: ECG 데이터) 로드
* 단계 2a. 파일에서 데이터 프레임(테이블)으로 사용 가능한 동물 데이터 읽기
단계 3. 결합 모델(GAN) 생성
단계 3a. 판별기 구축:
* 단계 3a.1. 양방향 장기 기억(LSTM) 순환 신경망 구축
* 단계 3a.2. 시퀀스 길이 설정 = 시간 단계
* 단계 3a.3. 은닉 레이어 생성, 누출 ReLU 활성화
* 단계 3a.4. 출력 레이어 활성화를 'sigmoid'로 설정
단계 3b. 생성기 구축:
* 단계 3b.1. 양방향 장기 기억(LSTM) 순환 신경망 구축
* 단계 3b.2. 시퀀스 길이 = 시간 단계 설정
* 단계 3b.3. 은닉 레이어 생성, ReLU 활성화
* 단계 3b.4. 출력 레이어 활성화를 '선형(linear)'으로 설정
단계 3c. 손실 함수를 이진 교차 엔트로피로 컴파일 및 설정, 두 클래스 분류 오류에 대한 손실 측정
단계 3d. 결합된 모델에 대한 유효성 벤치마크에 대한 생성기의 생성기 샘플 시퀀스
단계 3e. 유효한 입력을 전달하여 판별자 설정
단계 3f. Combined_model을 컴파일하고 손실 함수를 이진 교차 엔트로피로 설정
단계 4. 모델 학습
* 단계 4a. 위에서 만든 데이터 프레임 읽기
* 단계 4b. 여러 에퍼크에 대해 반복
* 단계 4c. 표준 법선의 배치 크기 입력 시퀀스, 즉 평균=0, 분산=1 가져오기
* 단계 4d. 샘플 생성
* 단계 4e. 입력, 실제 관찰에서 무작위로 batch_size 샘플 선택
* 단계 4f. 판별기 훈련
* 단계 4g. 판별기의 가중치 고정(학습 가능을 오류(false)로 설정)
* 단계 4h. 표준 법선의 배치 크기 입력 시퀀스, 즉 평균=0, 분산=1 가져오기
* 단계 4i. 데이터에 노이즈 추가
* 단계 4j. 배치에서 결합된 모델 학습
* 단계 4k. 판별기 손실 및 생성기 손실 메트릭 저장
* 단계 4l. 시간 단계와 길이가 동일한 입력 시퀀스의 튜플과 1개의 실수 값 출력(동물 판독)을 생성
* 단계 4m. 값을 [-1,1]로 정규화하기 위해 데이터((X-평균)/표준 편차)에 표준화를 적용
* 단계 4n. 모델에 데이터 맞추기
단계 5. 테스트 모델
* 단계 5a. 노이즈를 포함한 표준 정규 랜덤 변수의 시퀀스 생성
* 단계 5b. 결합된 모델을 사용하여 값 예측
* 단계 5c. 표준화된 예측을 확장된 동물 출력으로 역변환
.......................................................................
개선예에서, 시뮬레이션된 동물 데이터를 생성하는 데 사용되는 하나 이상의 훈련된 신경망은 다음 유형의 신경망 중 하나 이상으로 구성된다: 피드포워드(Feedforward), 퍼셉트론(Perceptron), 디프 피드포워드(Deep Feedforward), 레이디얼 베이시스 네트워크(Radial Basis Network), 게이티드 리커런트 유닛(Gated Recurrent Unit), 오토엔코더(Autoencoder; AE), 베리에이셔널 AE(Variational AE), 디노이징 AE(Denoising AE), 스파스 AE(Sparse AE), 마르코프 체인(Markov Chain), 홉필드 네트워크(Hopfield Network), 볼츠만 머신(Boltzmann Machine), 리스릭티드 BM(Restricted BM), 디프 빌리프 네트워크(Deep Belief Network), 디프 컨벌루셔널 네트워크(Deep Convolutional Network), 디컨벌루셔널 네트워크(Deconvolutional Network), 디프 컨벌루셔널 인버스 그래픽스 네트워크(Deep Convolutional Inverse Graphics Network), 리퀴드 스테이트 머신(Liquid State Machine), 익스트림 러닝 머신(Extreme Learning Machine), 에코 스테이트 네트워크(Echo State Network), 디프 레지듀얼 네트워크(Deep Residual Network), 코헤넨 네트워크(Kohenen Network), 서포트 벡터 머신(Support Vector Machine), 신경 튜링 기계(Neural Turing Machine), 데이터 핸들링의 그룹 방법(Group Method of Data Handling), 확률적, 시간 지연, 컨볼루션, 디프 스테이킹 네트워크(Probabilistic, Time delay, Convolutional, Deep Stacking Network), 일반 회귀 신경망(General Regression Neural Network), 자기 조직화 지도(Self-Organizing Map), 벡터 양자화 학습(Learning Vector Quantization), 심플 리커런트(Simple Recurrent), 저장소 컴퓨팅(Reservoir Computing), 에코 스테이트(Echo State), 바이-디렉셔널(Bi-Directional), 하이어라컬(Hierarchal), 스터캐스틱(Stochastic), 제네틱 스케일(Genetic Scale), 모듈라(Modular), 커미티 오브 머신(Committee of Machines), 어소시에이티브(Associative), 피지컬(Physical), 인스턴테이니오슬리 트레인드(Instantaneously Trained), 스파이킹 레귤러토리 피드백(Spiking, Regulatory Feedback), 네오코그니트론(Neocognitron), 컴파운드 하이어라키클-디프 모델(Compound Hierarchical-Deep Models), 디프 프레딕티브 코딩 네트워크(Deep Predictive Coding Network), 멀티레이어 커널 머신(Multilayer Kernel Machine), 다이나믹(Dynamic), 캐스케이딩(Cascading), 뉴로퍼지(Neuro-Fuzzy), 컴포지셔널 패턴-프로듀싱(Compositional Pattern-Producing), 메모리 네트워크(Memory Networks), 원-샷 어소시에이티브 메모리(One-shot Associative Memory), 하이어라키클 템포럴 메모리(Hierarchical Temporal Memory), 홀로그래픽 오소시에이티브 메모리(Holographic Associative Memory), 시맨틱 해싱(Semantic Hashing), 포인터 네트워크(Pointer Networks), 또는 엔코더-디코더 네트워크(Encoder-Decoder Network). 변형예에서, 복수의 신경망은 시뮬레이션된 데이터를 생성하기 위해 동일한 동물 데이터의 적어도 일부 또는 그 파생물 중 하나 이상에 사용된다.
각각의 신경망 방법에서, 모델에 의해 사용되는 데이터는 사용자의 선호도에 기초하여 보다 표적화된 인공 데이터 세트를 생성할 수 있는 하나 이상의 조정 가능한 매개변수 또는 변수를 포함할 수 있다. 예를 들어, 프로 스포츠의 맥락에서, 표적 대상의 인공 심박수 데이터(예: 농구 경기에서)의 데이터 세트를 생성할 때 사용자가 통합하고자 할 수 있는 매개변수 또는 변수에는 체온, 환경 온도, 달린 거리, 생물학적 유체 판독값, 수화 수준, 근육 피로, 호흡율 등과 같은 입력을 포함할 수 있다. 여기에는 전통적인 통계(예: 득점, 리바운드, 어시스트, 경기 시간), 게임 내 데이터(예: 플레이어가 코트 안에 있는지 코트 밖에 있는지, 플레이어가 공격 대 수비를 하는지, 플레이어가 농구공을 가지고 있는지, 농구공이 없는지 여부, 주어진 시간에 코트에 있는 선수의 위치, 주어진 시간에 코트 위의 특정 움직임, 플레이어가 수비하는 사람, 플레이어가 공격하는 사람), 과거 데이터(예: 과거 심박수 데이터, 과거 체온/달린 거리/생체 체액 측정값/수화 수준/근육 피로/호흡수 데이터, 주어진 팀에 대한 플레이어의 생물학적 데이터 세트, 주어진 게임에서 플레이어가 가드하는 사람, 주어진 게임에서 플레이어를 가드하는 사람, 주어진 플레이어를 가드하는 플레이어의 생물학적 판독값, 주어진 플레이어가 가드하는 플레이어의 생물학적 판독값, 경기 시간, 임의의 주어진 공격 또는 수비에 대해 플레이하는 플레이어의 생물학적 판독값, 경기 시간, 임의의 주어진 게임에 대한 온-코트 로케이션 및 이동, 기존 통계, 기타 게임 내 데이터), 유사하거나 유사하지 않은 상황에서 유사하고 비유사한 플레이어에 대한 비교 데이터(예: 가이드하고 특정 팀에 대해 플레이하고 있는 특정 플레이어에 의해 가이드되고 있을 때 다른 플레이어 통계), 부상 데이터, 회복 데이터(예: 수면 데이터, 재활 데이터), 훈련 데이터(예: 게임까지 이어지는 날짜 또는 주에서 훈련에서 플레이어가 수행하는 방법), 영양 데이터, 플레이어의 자체-평가 데이터(예: 플레이어가 물리적으로, 정신적으로, 정서적으로 어떻게 느끼는가)를 포함하는 생물학적 데이터에 맥락을 제공하는 데이터를 포함할 수 있다. 다른 변수는 또한 나이, 체중, 키, 생년월일, 인종, 국적, 습관, 활동, 게놈 정보, 유전 정보, 병력, 가족력, 약물 병력 등을 포함할 수 있다. 그러한 매개변수/변수는 단지 예시일 뿐이며 완전하지 않다는 것을 이해해야 한다.
특징적으로, 동물 데이터는 하나 이상의 결과가 발생하는 이유와 미래에 하나 이상의 결과가 발생할 수 있는 것과 관련된 정보를 제공할 수 있다. 예를 들어, 많은 경우에, 어떤 동물 데이터가 과거 결과를 가져왔는지 모른 채 제한된 맥락과 과거 수행(예: 생물학적 수행, 작업 수행)을 기반으로 예측이 이루어진다. 스포츠 베팅의 맥락에서, 분석은 과거 통계적 성과(예: 개체 통계, 팀 통계), 성과에 대한 상황적 맥락(예: 경기장, 조건, 경기 시간, 과거 결과 대 상대) 및 파생된 추세(예: 플레이어 C는 베이스가 채워진 상태에서 .274의 타율을 기록했다 대 X 팀의 오른손잡이). 많은 경우, 캡처된 데이터와 관련된 누락된 맥락은 과거 결과를 파생(예: 영향)하기 위해 하나 이상의 표적 표적 개체 또는 표적 개체 그룹에서 (종종 생물학적으로) 발생한 것이다. 이와 관련하여, 동물 데이터는 누락된 맥락을 제공할 수 있고 시뮬레이션된 데이터는 동물 데이터 및 기타 변수 또는 매개변수를 기반으로 다음에 발생할 수 있거나 발생할 것과 관련된 정보를 제공할 수 있다. 보다 구체적으로 시뮬레이션된 데이터는 미래 결과에 대한 맥락을 제공할 수 있다. 예를 들어, 시뮬레이션 시스템은 과거 통계적 성과, 성과에 대한 상황적 맥락, 및 파생된 경향 정보와 관련하여 캡처된 정보를 사용하고 이 정보를 동물 데이터와 연관시켜 이러한 결과를 파생한 요인을 결정하고 주어진 개체 또는 개체 그룹에 대한 기준선을 설정할 수 있다. 변형예에서, 시뮬레이션 시스템은 하나 이상의 표적 개체의 과거 동물 데이터(예: 심박수, 수화 데이터, 생체역학 데이터, 로케이션 데이터), 동물 데이터와 관련된 상황적 맥락 정보(예: 플레이어가 결과가 발생하였을 때 스트레스를 받았는가? 플레이어가 결과가 발생하였을 때 탈수되었거나 긴장하였는가?), 및 과거 동물 데이터 상태 내에서 하나 이상의 경향(예: 플레이어 A가 피로 수준이 z% 아래에 있을 때 y%의 시간 n피트 외측 슛을 놓쳤다.)를 이용할 수 있고 성능과 관련된 비-생물학적 정보와 이러한 정보를 연관시킨다. 과거 결과를 초래한 요인에 대한 기준선이 설정되면, 시뮬레이션 시스템은 기준선 데이터를 사용하여 수집된 동물 데이터 판독값을 해석하여 주어진 결과가 발생한 이유를 더 잘 이해할 수 있다. 유리하게는, 데이터 수집 및 분석이 실시간 또는 거의 실시간으로 발생할 수 있다. 변형예에서, 시뮬레이션 시스템은 기준 데이터 및 수집된 동물 데이터(예: 과거 데이터, 실시간 또는 거의 실시간 동물 데이터)를 기반으로 하나 이상의 시뮬레이션을 실행하여 하나 이상의 표적 개체(예: 주어진 스포츠 대회의 4쿼터에 대한 선수의 미래 심박수 데이터)와 관련된 미래의 동물 데이터를 예측하는 시뮬레이션된 데이터를 생성할 수 있다. 일부 변형예에서, 시뮬레이션에 의해 생성된 시뮬레이션된 동물 데이터(예: 미래의 시뮬레이션된 심박수 데이터)는 결과를 예측하기 위해 하나 이상의 추가 시뮬레이션에서 하나 이상의 입력으로 사용될 수 있다(예: 운동선수의 미래의 심박수 판독값에 기초, 선수는 다음 샷을 하거나/다음 샷을 놓치고, 경기에서 승/패한다.) 개선예에서, 하나 이상의 인공 지능 기술은 하나 이상의 표적 개체 또는 표적 개체의 그룹으로부터 알려진 생물학적 관련 문제를 식별하고 하나 이상의 데이터 세트 내의 숨겨진 패턴을 식별하도록 데이터 세트를 상관하도록 이용될 수 있어 수집된 데이터를 기반으로 생물학적 관련 문제를 식별한다. 여기에는 이전에 알려진 문제와 상관 관계가 없었던 데이터 내에서 완전히 새로운 패턴을 찾거나 새로운 문제를 식별할 수 있는 하나 이상의 데이터 세트에서 새로운 패턴을 찾는 것이 포함될 수 있다. 예를 들어, 동물 데이터, 동물 데이터와 관련된 상황적 맥락 정보, 실시간 또는 거의 실시간 동물 데이터를 기반으로 하는 경향이 마이크로 트렌드(예: 몇 초 또는 몇 분 이내)와 매크로 트렌드(예: 전체 게임)의 평가를 가능하게 하면서 실시간 또는 거의 실시간 데이터를 상황적 등가물에서 과거 데이터와 비교할 수 있다. 유리하게는, 하나 이상의 표적 개체 또는 표적 개체의 그룹의 하나 이상의 미래 동물 데이터 판독값과 관련된 하나 이상의 발생을 예측하기 위해 및/또는 하나 이상의 결과를 예측하기 위해 실시간 또는 거의 실시간 및/또는 과거 동물 데이터 정보를 사용하여 하나 이상의 시뮬레이션이 발생할 수 있다.
이전에 설명된 방법 중 하나 이상를 사용할 때, 이전에 수집된 또는 현재 실제 데이터 세트의 수집 기간은 시뮬레이션된 데이터로 확장될 수 있다. 예를 들어, 선수 A에 대한 주어진 양의 인-플레이 데이터(예를 들어, 10시간, 100시간, 1000시간 또는 그 초과) 및 선수 A와 관련된 하나 이상의 다른 데이터 타입 및 선수 A가 플레이한 경기에 액세스할 수 있는 시뮬레이션 시스템(10) (예: 테니스와 같은 스포츠의 맥락에서, 고도, 온-코트 온도, 습도, 심박수, 달린 마일, 스윙 속도, 에너지 수준, 호흡수, 근육 활동, 수화 수준, 생물학적 유체 유래 데이터, 슛 파워, 포인트 길이, 코트 포지셔닝, 상대, 특정 환경 조건에서 상대의 성능, 상대에 대한 승리 퍼센티지, 유사한 환경 조건에서 상대에 대한 승리 퍼센티지, 현재 경기 통계, 경기의 성능 추세를 기반으로 한 기록 경기 통계)이 하나 또는 그 초고의 인공 지능-기반 모델을 이용하여 주어진 데이터 세트를 연장할 수 있어 주어진 선수가 플레이하지 않았거나 플레이해 본적 없는 경기로부터 데이??를 재생성한다(예: 플레이어 A는 2시간, 3세트 경기에서 심박수를 캡처했지만 사용자가 이벤트가 발생하기 전에 4세트에 대한 플레이어 A의 심박수 데이터를 알고 싶어 한다. 따라서 시뮬레이션 시스템은 시뮬레이션된 동물 데이터를 생성하기 위해 하나 이상의 시뮬레이션을 실행한다.) 보다 구체적으로, 하나 이상의 신경망은 선수 A의 생물학적 기능과 하나 이상의 변수가 주어진 생물학적 기능에 어떻게 영향을 미칠 수 있는지 이해하기 위해 선수 A와 관련된 하나 이상의 생물학적 및 비생물학적 데이터 세트로 훈련될 수 있다. 신경망은 하나 이상의 생물학적 기능과 하나 이상의 변수의 영향을 기반으로 어떤 결과(또는 결과들)가 발생했는지 이해하도록 추가로 훈련될 수 있다. 예를 들어, 현재 시나리오를 포함하는 주어진 시나리오 내에서 선수 A의 하나 이상의 생물학적 기능, 현재 시나리오를 포함하는 주어진 시나리오 내에서 선수 A의 하나 이상의 생물학적 기능에 영향을 미칠 수 있는 하나 이상의 변수, 선수 A가 나타내는 하나 이상의 생물학적 기능을 기반으로 현재 시나리오를 포함하는 임의의 주어진 시나리오에서 이전에 발생한 하나 이상의 결과, 및/또는 존재하는 하나 이상의 변수, 현재 시나리오와 유사한 시나리오를 포함하는 임의의 주어진 시나리오에서 선수 A와 유사하거나 유사하지 않은 선수의 하나 이상의 생물학적 기능, 현재 시나리오와 유사한 시나리오를 포함하는 임의의 주어진 시나리오에서 선수 A의 하나 이상의 생물학적 기능에 영향을 미칠 수 있는 하나 이상의 변수, 본 시나리오에 유사한 시나리오를 포함하는 임의의 주어진 시나리오에서 선수 A와 유사하고 유사하지 않은 다른 선수의 하나 이상의 생물학적 기능에 영향을 미칠 수 있는 하나 이상의 변수, 및 선수 A와 유사하거나 유사하지 않은 선수에 의해 보여지는 하나 이상의 생물학적 기능에 기초하여 본 시나리오와 유사한 시나리오를 포함하는 임의의 주어진 시나리오에서 이전에 발생된 하나 이상의 출력, 및/또는 관련된 하나 이상의 변수와 같은 정보를 이해하도록 훈련될 때, 데이터의 획득자는 인공적으로 생성된 데이터로 현재 수집된 데이터 세트를 확장하기 위해 하나 이상의 시뮬레이션 실행을 요청할 수 있거나(예: 선수 A가 캡처된 로케이션-기반 데이터를 포함하는 다양한 생물학적 데이터로 2시간 플레이하였다. 획득자는 경기 3시간 전에 동일한 경기 조건에서 경기 3시간 동안 선수 A에 대한 위치 기반 데이터를 원하므로, 시스템은 이전에 수집된 데이터를 기반으로 데이터를 생성하기 위해 하나 이상의 시뮬레이션을 실행할 수 있다) 주어진 활동에 대해 발생하는 결과를 예측할 수 있다(예: 선수 A의 데이터만을 기준으로 하여 선수 A가 경기에서 승리하거나 세트 #4에서 승리할 가능성, 또는 선수 B에 대한 기타 결과). 변형예에서, 하나 이상의 신경망은 팀, 그룹 또는 서로 경쟁할 수 있는 여러 동물(예: 선수)과 함께 훈련될 수 있으며, 하나 이상의 신경망은 하나 이상의 결과를 예측하기 위한 예측 지표가 도출될 수 있는 시뮬레이션 데이터를 보다 정확하게 생성하기 위해 각각의 동물로부터의 하나 이상의 데이터 세트로 훈련될 수 있다(예: 선수 A가 선수 B와의 경기에서 승리할지 여부). 이 예에서, 하나 이상의 시뮬레이션이 실행되어 먼저 각각의 선수에 대한 실제 동물 데이터에 기초한 인공 동물 데이터를 생성한 다음, 생성된 인공 동물 데이터의 적어도 일부를 하나 이상의 추가 시뮬레이션에서 사용하여 임의의 주어진 결과의 가능성을 결정할 수 있고 및/또는 예측을 할 수 있다.
변형예에서, 여기에 설명된 임의의 방법에 의해 생성된 시뮬레이션된 동물 데이터는 시뮬레이션에서 사용할 순람표(lookup table)로 변환될 수 있다. 다른 변형예에서, 하나 이상의 입력은 사용자에 의해 제공되거나 한 명 이상의 사용자 요구 사항 또는 인공 지능 기반 모델이 선택하는 것에 따라 인공 지능 기반 모델에 의해 인위적으로 생성될 수 있다.
다른 변형예에서, 시뮬레이션 시스템(10)은 동물로부터 생성된 데이터 세트에 대한 대안으로서 하나 이상의 시뮬레이션된 데이터 세트를 제공한다. 개선예에서, 하나 이상의 컴퓨팅 디바이스(12 및/또는 30)는 시뮬레이션된 데이터의 적어도 일부 또는 그 하나 이상의 파생물로부터 하나 이상의 통찰력, 계산된 자산, 또는 예측 지표를 생성한다. 유리하게는, 시뮬레이션된 데이터는 의료, 원격 의료, 보험, 피트니스, 건강/웰니스 모니터링 등과 관련된 확률 평가 시스템뿐만 아니라 베팅 애플리케이션에 특히 중점을 둔 동물 데이터 예측 시스템에서 사용될 수 있다. 보다 구체적으로, 생성된 시뮬레이션 동물 데이터는 직접 또는 간접적으로 (1) 하나 이상의 베팅이 수행되거나 수락되는 시장으로서; (2) 하나 이상의 제품을 생성, 수정, 향상, 획득, 제공, 또는 배포하기 위해; (3) 하나 이상의 예측, 확률, 또는 가능성을 평가, 계산, 추정, 수정, 향상, 또는 전달하기 위해; (4) 하나 이상의 전략을 수립하기 위해; (5) 하나 이상의 조치를 취하기 위해; (6) 하나 이상의 위험을 완화하거나 방지하기 위해; (7) 하나 이상의 시뮬레이션, 계산, 또는 분석에서 사용되는 하나 이상의 신호 또는 판독값으로서; (8) 하나 이상의 시뮬레이션의 일부로서, 그 출력이 한 명 이상의 사용자와 직간접적으로 참여하도록; (9) 하나 이상의 조치를 권장하도록; (10) 하나 이상의 핵심 구성 요소 또는 하나 이상의 소비 매체에 대한 보충물로서; (11) 하나 이상의 판촉에서; 또는 (12) 이들의 조합으로 사용된다. 개선예에서, 시뮬레이션 시스템은 동물 데이터의 적어도 일부를 사용하여 하나 이상의 시뮬레이션을 실행하고, 하나 이상의 시뮬레이션이 발생하며, 하나 이상의 제품 또는 서비스가 시뮬레이션 시스템 또는 다른 컴퓨팅 디바이스에 의해 생성, 수정, 향상, 획득, 제공, 또는 배포되는 시뮬레이션 데이터가 생성된다. 예를 들어, 시뮬레이션 시스템은 또한 생성된 시뮬레이션 데이터(예를 들어, 적어도 부분적을 동물 데이터를 기반으로 하여 스포츠 이벤트의 결과에 대한 예측)에 기초로 한 하나 이상의 베트 시뮬레이션 제품을 제공하는 스포츠 베팅 플랫폼으로서 기능할 수 있어 베터가 하나 이상의 베팅을 하도록 획득(구입)및 이용할 수 있다(예: 시뮬레이션 시스템이 북메이커 역할을 할 수 있으며 유리한 배당률을 나타내는 하나 이상의 시뮬레이션에서 생성된 동물 데이터 기반 예측 제품을 제공하고 사용자가 제품을 획득하고 동일한 플랫폼 내에서 베팅할 수 있도록 한다). 다른 예에서, 시뮬레이션 시스템은 생성된 시뮬레이션된 데이터의 적어도 일부를 사용하는 하나 이상의 베팅을 수락할 수 있다(예를 들어, 북메이커 역할을 하는 시뮬레이션 시스템은 시뮬레이션 시스템에 의해 운영 중인 가상 경마를 기반으로 하나 이상의 베팅을 제안하거나 수락할 수 있고; 북메이커 역할을 하는 시뮬레이션 시스템은 하나 이상의 시뮬레이션 결과를 사용하여 조정한 배당률을 기반으로 실제 이벤트에 대한 하나 이상의 베팅을 제안하거나 수락할 수 있다. 다른 예에서, 작동하는 시뮬레이션 시스템은 하나 이상의 시뮬레이션의 하나 이상의 결과에 기초하여 임의의 주어진 베팅에 대해 제공하는 실시간 또는 거의 실시간 확률을 조정할 수 있다. 시뮬레이션된 데이터를 사용하는 동물 데이터 예측 시스템과 관련된 추가 세부사항은 2019년 4월 15일에 출원된 미국 특허 제62/833,970호; 2019년 10월 9일에 출원된 미국 특허 제62/912,822호; 및 2020년 4월 15일자로 출원된 미국 특허 제 PCT/US20/28313호에 개시되며, 이들의 전체 개시 내용이 인용에 의해 본원에 포함된다. 이러한 시뮬레이션된 데이터 세트는 동물 데이터 및 하나 이상의 입력으로 사용될 수 있는 기타 데이터에서 파생될 수 있다. 개선예에서, 하나 이상의 입력은 사용자 행동을 포함한다(예: 스포츠 베팅의 맥락에서, 여기에는 하나 이상의 이전 베팅 또는 데이터와의 상호 작용이 포함될 수 있고; 보험과 같은 다른 시나리오의 맥락에서, 시뮬레이션에 입력할 수 있는 형식으로 기록할 수 있는 모든 행동을 포함할 수 있다). 유리하게는, 잠재적인 사용자에게 하나 이상의 결과를 제공하기 위해 하나 이상의 매개변수 또는 변수가 무작위화된 하나 이상의 시뮬레이션 내에서 하나 이상의 매개변수 또는 변수를 변경하거나 수정하는 능력이 실시간 또는 거의 실시간으로 발생할 수 있다. 이러한 매개변수의 예에는 실제 동물 데이터를 위에 설명된 기능에 맞추는 데 사용되는 조정 가능한 매개변수가 포함된다. 스포츠 베팅의 맥락에서, 실시간 또는 거의 실시간으로 실제 동물 데이터를 기반으로 하는 데이터 세트를 사용하여 시뮬레이션을 한 번 더 실행하는 기능은 새로운 데이터 세트를 완전히 생성할 수 있으며, 이로부터 시뮬레이션 시스템이나 제3자 시스템이 직접 또는 간접적으로: (1) 하나 이상의 내기를 제안하거나 수락하고, (2) 하나 이상의 제품을 생성, 향상, 수정, 획득, 제공, 또는 배포하고, (3) 하나 이상의 예측, 확률, 또는 가능성을 평가, 산출, 유도, 수정, 향상, 또는 전달하고 (4) 하나 이상의 전략을 수립하고, (5) 하나 이상의 조치를 취하고, (6) 하나 이상의 위험을 완화하거나 방지하고, (7) 하나 이상의 조치를 권장하고, (8) 한 명 이상의 사용자를 참여할 수 있고, 또는 (9) 이들의 조합을 실행할 수 있다.
개선예에서, 동물 데이터의 적어도 일부를 통합하는 시뮬레이션된 데이터는 하나 이상의 통찰력, 계산된 자산 또는 예측 지표를 향상시키기 위해 사용될 수 있다. 예를 들어, 시뮬레이션 시스템(10)은 시스템에 의해 수집된 이력 데이터를 기반으로 발생하는 특정 결과와 관련된 확률을 도출하거나 예측을 생성할 수 있다(이력 데이터는 임의의 현재 데이터 세트, 예를 들어 실시간 또는 거의 실시간 데이터에 수집된 데이터를 포함한다). 동물 데이터의 적어도 일부를 통합하는 시뮬레이션된 데이터를 사용하여 하나 이상의 시뮬레이션을 실행함으로써, 시스템은 시뮬레이션된 데이터의 다른 버전을 기반으로 결과가 발생할 가능성이 더 높은 확률을 결정하기 위해 예측 지표를 생성, 수정 또는 향상할 수 있다. 유리하게는, 하나 이상의 시뮬레이션은 실시간 또는 거의 실시간 출력을 제공하기 위해 실시간 또는 거의 실시간으로 발생할 수 있다. 시뮬레이션된 데이터의 다른 버전은 실제 동물 데이터를 피팅하여 결정된 위에 설명된 대로 다른 조정 가능한 매개변수를 가질 수 있다. 예를 들어, 테니스 경기의 맥락에서, 플레이어가 다른 상대와 경기에서 이기거나 지는지를 결정하기 위해 전통적인 통계에 기초하여 하나 이상의 시뮬레이션이 실행될 수 있다. 여기에는 일대일 승/패 비율, 이전 승/패 기록, 순위, 이전 몇 년 동안 토너먼트에서 플레이어의 성과, 코트 표면에서 플레이어의 성과(예: 잔디, 하드 코트, 클레이) 및 플레이어의 이전 경기의 길이가 포함될 수 있다. 플레이어의 이전 경기 중 분석은 테니스 플레이어의 현재 경기 상태(예: 플레이어 A가 세트 2의 게임 4에서 6-4, 3-2로 지고 있음), 과거 데이터(예: 모든 플레이어 A가 세트 2의 게임 4에 있고 6-4, 3-2로 지고 있을 때의 경기 결과, n분 동안 플레이한 후 제 2 세트에서 제 1 서브 퍼센티지, 3연속 탑스핀 백핸드를 친 후 백핸드 측의 강제되지 않은 실책 퍼센티지). 동물에서 파생된 센서 데이터(예: 달린 거리, 생리적 특성, 생물학적 유체 데이터, 생체역학적 움직임과 같은 로케이션 데이터 계산)를 통합하고 다른 센서 데이터(예: 현재 조건에 대한 습도, 고도 및 온도; 습도, 고도 및 이전 경기 조건의 온도)를 고려함으로써, 완전히 새로운 인공 데이터 세트를 생성할 수 있다. 예를 들어, (1) 선수의 심박수가 190 초과이고, (2) 경기에서 2.1마일 초과를 달렸고, (3) 코트 내 온도가 95도 초과일 때, 플레이어의 심박수가 세트 2의 게임 4에서 190bpm 초과일 때 또는 플레이어가 세트 2의 게임 4에서 수행하는 방법을 예측하는 특정 시나리오와 관련된 데이터가 생성될 수 있다. 결과 분석은 더욱 세분화되어 시뮬레이션된 데이터를 기반으로 한 플레이어가 특정 세트, 게임 또는 심지어 포인트를 다른 상대와 이기거나 지는 여부를 결정할 수 있다. 동물 데이터는 주어진 시나리오에서 결과가 발생하는 이유에 대한 맥락을 제공하고, 하나 이상의 시뮬레이션은 추가된 맥락을 기반으로 하나 이상의 예측을 가능하게 하는 인공 데이터를 생성한다. 이 예에서, 경기 중 플레이어 A에 대한 생물학적 출력(예: 그들의 미래 심박수 및 호흡수 데이터)을 예측하기 위해 하나 이상의 시뮬레이션이 발생할 수 있으며, 이는 추가로 하나 이상의 시뮬레이션에서 사용될 수 있어 통찰력, 계산된 자산 또는 예측 지표를 미세하게 조정한다.
개선예에서, 시뮬레이션 시스템은 하나 이상의 대상에 의해 최적 성능을 달성하는 데 필요한 하나 이상의 매개변수, 조건 또는 요구사항을 예측하기 위해 시뮬레이션된 데이터를 생성하기 위해 하나 이상의 대상의 생물학적 데이터의 적어도 일부를 사용하여 하나 이상의 시뮬레이션을 실행하도록 작동 가능한다. 최적의 수행(예: 주어진 작업, 생물학적 기능)에는 신체적 수행과 신경학적 수행이 모두 포함될 수 있다. 예를 들어, "영역에(in the zone)" 있는 대상의 정신 상태(예: 흐름 상태)는 하나 이상의 표적 개체(예: 심박수 데이터, ECG 데이터, RR 간격 데이터, 심박수 변동성 데이터(LF/HF 비율), 동공 직경 데이터, 호흡수 데이터, EEG 데이터, EMG 데이터, 기능적 MRI 데이터, 동작 데이터, 포도당 데이터, FFA 대사 데이터, 동작 패턴 데이터, 글루코코르티코이드 또는 HGH 데이터와 같은 호르몬 데이터, 노르에피네프린, 코티솔 수치 및/또는 도파민 수치와 같은 기타 생화학적 데이터 등)으로부터 파생된 하나 이상의 타입의 동물 데이터를 사용함으로써 에측될 수 있다. 이러한 생물학적 정보는 하나 이상의 변수 또는 매개변수(예: 상황적 맥락, 환경 데이터, 시간, 대상의 감정, 대상의 기술, 대상이 수행하는 작업, 수면, 대상의 기술에 대해 작업의 어려움 등의 출력 정보, 목표의 명확성, 위험, 개체가 인지하는 통제 수준 등)와 결합될 수 있다. 이 중 하나 이상는 설문지나 정보 전달을 가능하게 하는 기타 매체에 의해 결정될 수 있으며, 이들 중 하나 이상는 최적 성능 상태에 대한 매개변수를 결정하기 위해, 하나 이상의 개체에 의해 정보의 통신을 가능하게 하는 질문 또는 다른 매체에 의해 결정될 수 있다. 예를 들어, 하나 이상의 생물학적 매개변수, 관련 변수, 및 이러한 매개변수 및 변수와 관련된 하나 이상의 결과를 살펴봄으로써, 생물학적 발생, 변수, 및 결과 간에 상관관계가 생성될 수 있다. 생물학적 데이터 및 최적의 수행 상태가 달성되는 조건 모두와 관련된 개체의 기준선이 되면, 시스템은 생물학적 데이터에서 파생된 시뮬레이션 데이터를 생성하여 주어진 변수/매개변수 세트 내에서 미래의 최적 성능 상태를 예측하여 개체를 최적의 수행 상태로 유지하기 위한 하나 이상의 조정을 하도록 한다. 이러한 최적화는 스포츠, 의료, 피트니스/웰니스, 군사, 일반 비즈니스(예: 직원 건강) 등을 포함한 모든 요지 기반 성능에 대해 발생할 수 있다. 변형예에서, 시스템은 원하는 생물학적 상태(및 해당 동물 데이터 판독값)가 달성되는 최적의 하나 이상의 변수/매개변수를 결정하기 위해 하나 이상의 인공 지능 기술을 사용할 수 있다. 예를 들어, 표적 동물 데이터 판독값을 포함하는 최적의 수행 상태와 관련된 표적 개체의 기준선이 결정되면 시스템은 수집된 동물 데이터로부터 시뮬레이션된 데이터를 생성하여 최적 성능 상태를 달성하기 위해 하나 이상의 표적 대상에 요구된 변수/매개변수의 최적 세트를 예측할 수 있다.
다른 예에서, 노인 요양 시설은 표적 개체로부터 수집된 동물 데이터의 적어도 일부를 사용하여 표적 개체에 대한 가능한 건강 결과를 결정하기 위해 하나 이상의 시뮬레이션을 실행하고 이에 따라 표적 개체를 위해 요구된 앞으로의 간호의 양을 결정할 수 있다. 향후 필요할 가능성이 있는 간호의 양에 따라, 시설은 개체의 프로필을 기반으로 각각의 개체에 대한 가격 책정(예: 개체화된 가격 책정)을 생성, 수정 또는 향상할 수 있다. 그러한 시나리오에서, 하나 이상의 유형의 인공 동물 데이터 세트가 먼저 표적 개체에 대해 생성될 수 있으며(예: 다음 n년 동안 표적 대상의 미래 ECG 판독값으로 구성된 데이터 세트), 이로부터 하나 이상의 생물학적 사건이 예측될 수 있다. 또한, 시뮬레이션된 데이터를 기반으로, 시설은 직원 수준과 기술을 조정하여 하나 이상의 표적 개체를 돌보는 데 필요한 예상 작업량과 요구 사항을 반영할 수 있다. 일부 변형예에서, 생성된 인공 동물 데이터는 예측 지표를 생성 및/또는 미세 조정하기 위해 하나 이상의 추가 시뮬레이션에서 사용될 수 있다(예: 시뮬레이션 시스템에 의해 생성된 표적 대상의 미래 ECG 판독값으로, 시뮬레이션 시스템은 하나 이상의 시뮬레이션을 실행할 수 있어 향후 m개월 이내에 심장마비 또는 뇌졸중의 가능성을 결정하기 위한 더 많은 시뮬레이션을 작동할 수 있다). 다른 예에서, 자동차 또는 항공기 제조업체는 위험을 완화하거나 방지하기 위해 차량 또는 항공기 내의 표적 대상과 관련된 하나 이상의 응답을 제공하기 위해 예측 지표를 미세 조정하기 위해 시뮬레이션을 실행하기를 원할 수 있다. 보다 구체적으로, 자동차 제조업체는 차량을 운전하는 동안 특정 생물학적 특성(예: 생리학적 또는 생체역학적 특성)을 나타내는 사람이 사고를 일으킬 위험이 있는지 여부를 확인하기를 원할 수 있다. 하나 이상의 파생물을 포함할 수 있는 동물 데이터를 사용함으로써, 위험을 완화하거나 방지하기 위해 차량은 하나 이상의 시뮬레이션에서 파생된 예측 지표를 기반으로 하나 이상의 조치(예: 정지, 차를 길 한쪽에 갖다대고 병원으로 자가 운전)를 수행할 수 있다(예: 수집된 센서 데이터를 기반으로 사람이 심장마비를 앓고 있다고 판단되는 경우 차량이 스스로 병원으로 주행할 수 있고, 특정 연령, 체중 범위, 신장 범위, 심장 상태, 심박수 증가, 혈압 상승, 스트레스 수준 상승, 불규칙한 생체 역학적 움직임과 같은 특정 프로필과 특성을 가진 심장 마비가 있는 사람은 운전대를 잡고 운전을 하는 동안 미리 결정된 임계값보다 큰 것, 또는 예측 지표를 통한 보다 절대적인 예측으로 대상이 이러한 주어진 특성 및 매개변수 세트로 심장마비를 겪을 것이라는 예측). 다른 예에서, 항공사는 동물 데이터의 적어도 일부와 관련하여 발생할 확률을 기반으로 비행하는 동안 하나 이상의 소스 센서를 통해 하나 이상의 조종사의 실시간 생물학적 특성을 모니터링하고 하나 이상의 조치를 취할 수 있다(예: 항공사에 알리고, 조종사로부터 제어권을 빼앗고, 비행기를 자동 조종 장치에 놓고, 비행기를 원격으로 항공사 또는 항공사 제조업체에 제어할 수 있다).
다른 예에서, 보험 회사는 하나 이상의 특성(예: 키, 체중, 건강 상태)을 공유하는 하나 이상의 사람에 대한 결과와 관련된 가설을 가질 수 있다. 결과는 예를 들어 사람이 다음 n개월 안에 질병이나 바이러스 감염에 걸릴 가능성, 주어진 부상이 주어진 회복률을 달성할 가능성, 개체가 의료 에피소드를 경험할 가능성(예: 발작, 심장마비) 등이 있다. 그 가설을 테스트하기 위해, 보험 회사는 동물 데이터의 적어도 일부를 사용하여 시뮬레이션 시스템(10)을 통해 하나 이상의 시뮬레이션을 실행하여 발생하는 하나 이상의 발생과 관련된 확률을 계산하고 해당 개체에 대한 가능한 결과를 결정할 수 있다. 하나 이상의 시뮬레이션을 기반으로 주어진 결과에 대한 확률이 생성, 조정 또는 향상될 수 있다. 보험의 예에서, 보험료가 조정되거나 결과가 발생할 가능성에 따라 요율(rate)이 설정될 수 있다. 변형예에서, 동물 데이터 및 시뮬레이션 데이터를 포함하는 하나 이상의 파생물을 통해 보험 회사는 잠재적인 미래 발생뿐만 아니라 주어진 표적 대상 또는 표적 대상 그룹의 생물학적 상태를 더 잘 이해할 수 있다. 시뮬레이션된 데이터를 포함한 동물 데이터는 하나 이상의 제품 또는 제품 범주의 생성 및 이러한 제품의 개별 제품(맞춤형 가격 포함)의 수정, 향상, 획득, 제공, 또는 배포와 관련된 보험 업계의 광범위한 기회와 개체화에 사용할 수 있다. 최소한 일부의 시뮬레이션된 데이터를 사용하여, 보험 회사는 훨씬 더 정확하고 세분화된 방식으로 개체화된 위험과 그룹 위험을 식별할 수 있으므로 보다 미세한(예: 활동 또는 활동 그룹에 특정한) 상품을 생성하거나 수정할 수 있고 액세스 가능하다(예: 이러한 보험 상품의 실시간 또는 거의 실시간 획득). 또한 시뮬레이션 데이터가 포함된 동물 데이터를 사용하면 지정된 표적 개체, 표적 개체 그룹 또는 표적 개체 그룹에 대해 하나 이상의 위험 프로필을 생성할 수 있으므로 주어진 개체 또는 그룹과 관련된 주어진 위험에 따라 추가 제품 세분화 및 가격 유연성이 가능한다. 시뮬레이션된 데이터는 또한 보험 모델이 대상의 생물학적 판독값 및 해당 파생물(예: 예측된 미래 생물학적 판독값)을 기반으로 제공되는 제품으로 (고정된 것이 아니라) 더 연속적일 수 있도록 하며, 제품은 하나 이상의 대상 또는 대상의 그룹, 등의 특정 요구 사항에 따라 맞춤화된다.
보험과 관련된 시스템의 경우, 대상은 동물 데이터를 수집하는 하나 이상의 센서를 가질 수 있다. 하나 이상의 장치는 보험 회사가 대상의 생물학적 판독값을 모니터링할 수 있도록 하는 하나 이상의 신호 또는 판독값을 생성할 수 있다. 유리하게는, 시뮬레이션된 데이터는 수집된 동물 데이터의 적어도 일부에서 생성되어 보험 회사가 하나 이상의 조치(예: 프리미엄 조정)를 취할 수 있는 추가의 발생(또는 발생 가능성)과 관련된 하나 이상의 통찰력 또는 예측 지표를 제공한다. 생성된 시뮬레이션 데이터는 보험 회사에 대상의 위험 프로필(예: 개체 위험 프로필)을 제공할 수 있는 예측 지표를 생성, 수정 또는 향상시키는 데 사용될 수 있다. 그러한 시뮬레이션된 데이터는 하나 이상의 시뮬레이션(예: 사람이 참여하는 활동)에서 하나 이상의 입력으로서 하나 이상의 비동물 데이터 소스로부터의 하나 이상의 신호 또는 판독값을 포함할 수 있다. 대안적으로, 대상의 개인적 위험(예를 들어, 표적 대상이 주어진 의료 사건을 경험할 가능성)과 관련된 예측 지표 출력을 생성하기 위해 표적 대상의 시뮬레이션된 동물 데이터(예: 미래 동물 데이터 판독값)를 통합하는 하나 이상의 시뮬레이션이 실행될 수 있다. 개인적 위험은 보험 회사가 주어진 요지를 평가하는 데 사용할 수 있는 숫자 또는 다수의 숫자(예: 점수 또는 기타 지표)와 같은 다양한 방식으로 표시될 수 있다.
하나 이상의 시뮬레이션을 실행하면 보험 회사에 하나 이상의 표적 개체 또는 하나 이상의 표적 개체의 그룹을 포함하는 하나 이상의 미래 이벤트에 대한 하나 이상의 결과와 관련된 하나 이상의 예측, 예상, 확률, 가능성, 예견, 또는 권장 사항을 제공할 수 있다. 예를 들어, 하나 이상의 센서는 심박수 데이터, ECG 판독값, 산소화 데이터, 혈압 데이터, 체중 데이터, 체성분 데이터, 맥박 데이터, 생물학적 유체 데이터(예: 혈액 또는 소변에서 파생된 데이터 판독값), 유전자 데이터, 등을 포함한 동물 데이터 정보를 수집할 수 있다. 하나 이상의 센서에서 파생된 하나 이상의 판독값은 표적 개체 또는 표적 개체와 하나 이상의 비교 가능한 특성을 공유하는 다른 개체의 유사 및 이전 판독값과 비교하여 비정상일 수 있다(예: 연령, 체중, 키, 사회적 습관, 병력 및 표적 개체와 비교되는 기타 생리적 특성이 유사한 기본 그룹). 보조 정보는 센서 데이터(예: 특정 습관 또는 라이프스타일 선택)에서 파생되거나 하나 이상의 판독값을 기반으로 메타데이터(예: 활동)의 일부로 포함될 수 있다. 이것은 하나 이상의 건강 문제(예: 병, 질병, 감염, 비만 문제, 유전적 돌연변이 또는 파생), 생활 방식 문제(예: 약물 사용, 담배 사용, 알코올 남용), 활동 문제(예: 충분한 운동 부족), 등을 나타낼 수 있다. 데이터를 수집하면, 시뮬레이션된 데이터를 생성하기 위해 하나 이상의 시뮬레이션이 실행될 수 있다. 시뮬레이션된 데이터는 예측 지표(예: 주어진 의학적 사건, 질병, 장애, 사망, 주어진 질병으로부터의 회복률, 바이러스 감염, 박테리아 감염, 부상 등의 가능성)의 형태에 있거나 예측 지표를 생성하기 위해 자체적으로 또는 추가 시뮬레이션 또는 모델에서 사용할 수 있는 미리 결정된 조건 세트에서 미래 동물 데이터를 대표할 수 있다. 수집된 동물 데이터와 하나 이상의 시뮬레이션 결과를 기반으로, 보험사는 하나 이상의 조치를 취할 수 있으며, 이 조치는 주어진 정책에 대한 하나 이상의 보험료 조정하고(예: 실시간으로 그리고 실시간 또는 거의 실시간 정보가 수집 및/또는 생성될 때 빈번히 발생할 수 있음), 모든 당사자의 미래 비용을 낮추기 위해 주어진 건강 결과를 개선할 수 있는 방법에 대해 대상을 교육하고(예: 운동, 영양, 습관 변화와 관련된 하나 이상의 특정 권장 사항 포함) 등을 포함한다. 보험사는 동물 데이터를 기반으로 추가 인센티브를 제공할 수도 있다(예: 주어진 동물 데이터 관련 건강 목표 또는 센서 관련 데이터 목표 달성 여부에 대한 보너스 또는 패널티, 동물 데이터 공유 빈도에 따른 대체 가격 책정 옵션, 등). 유리하게는 실시간 또는 거의 실시간으로 발생할 수 있는 동물 데이터를 수집 및/또는 시뮬레이션된 데이터를 제공하는 시뮬레이션 시스템의 능력은 실시간 또는 실시간에 가까운 보험 적용을 가능하게 한다.
변형예에서, 동물 데이터 및 파생물(예: 시뮬레이션 동물 데이터)은 보다 효율적이고 자동화된 보험 인수 프로세스를 가능하게 할 수 있다. 청구는 적어도 부분적으로 하나 이상의 센서에서 캡처한 동물 데이터와 파생된 시뮬레이션 데이터를 기반으로 할 수 있다(예: 하나 이상의 센서에서 발생했거나 미래에 발생할 가능성이 있는 생물학적 사건과 관련된 정보를 얻을 수 있는 불규칙한 생물학적 활동을 캡처할 수 있음). 하나 이상의 시뮬레이션을 실행하여 표적 대상 내에서 하나 이상의 다른 생물학적 과정 또는 요소의 가능한 효과를 결정할 수 있다. 건강 및 웰빙 애플리케이션 및 기타 생물학적 추적 사용 사례에도 응용될 수 있는 이러한 건강 모니터링 시나리오에서, 하나 이상의 통신 중개물이 사용될 수 있어(예: 드론, 높은 고도 의사 위성과 같은 하나 이상의 무인 항공기; 센서에 대한 수집 및 통신 허브 역할을 하는 온바디 전송 허브(on-body transmission hub))센서 데이터를 모니터링하고 하나 이상의 시뮬레이션, 하나 이상의 대상 또는 대상의 그룹을 통해 수집된 데이터를 평가하기 위하여 연속적 또는 간헐적으로 하나 이상의 센서와 통신한다. 그러한 통신 중개물은 또한 하나 이상의 표적 대상과 관련된 추가 정보를 제공하기 위해 하나 이상의 센서를 포함할 수 있다(예를 들어, 표적 대상에 위치한 센서에서 데이터를 수집하는 동안 표적 대상 및 사고 장면의 비디오를 기록하는 통합 카메라로 사고 현장에 배치되는 드론). 센서로부터의 연속적 또는 간헐적 데이터 수집을 통해 하나 이상의 시뮬레이션이 발생하여 청구와 관련된 중요한 정보(예: 대상에게 발생한 것, 이 발생에 따라 발생할 가능성이 있는 것, 청구 비용, 청구를 커버하기 위해 요구되는 것, 현재의 생물학적 데이터를 기반으로 임의의 추가의 잠재적인 청구를 커버하기 위해 필요한 것)를 제공하고 해석할 수 있다.
개선예에서, 시뮬레이션된 데이터의 적어도 일부 또는 그 하나 이상의 파생물은 하나 이상의 보험 서비스, 식별, 분류, 요율, 상환 또는 이들의 조합을 생성하거나 수정하는 데 사용된다. 또 다른 개선예에서, 하나 이상의 건강 분류, 치료, 절차, 식별, 요율, 상환 또는 서비스가 생성, 수정 또는 시뮬레이션된 데이터 또는 그 하나 이상의 파생물의 적어도 일부를 기반으로 직접 또는 간접적으로 할당된다. 변형예에서, 시뮬레이션된 데이터의 적어도 일부 또는 하나 이상의 파생물은 하나 이상의 건강 절차, 서비스, 치료, 코드, 식별, 분류, 요율, 상환 또는 이의 조합을 생성, 수정 또는 할당하는 데 사용된다.
다른 변형예에서, 하나 이상의 시뮬레이션은 질병 및 관련 건강 문제의 국제 통계 분류(ICD), 기능, 장애 및 건강에 대한 국제 분류(ICF), 건강 중재에 대한 국제 분류(ICHI), 보험 및 건강 애플리케이션에 대한 최신 절차 용어(CPT)(예: 원격 환자 모니터링, 만성 치료 관리, 전환 치료 관리, 등), 의료 공통 절차 코딩 시스템(HCPCS) 및 기타 유사한 시스템과 관련된 하나 이상의 코드와 관련된 절차, 서비스, 식별, 분류 또는 요율(예: 비용)을 생성하거나 수정하는 데 사용될 수 있다. 예를 들어, 일부 변형예에서, 환자는 주어진 의료 치료를 받기 위해 의학적 필요가 있어야 한다. 의학적 필요는 하나 이상의 개체와 관련된 모든 진단이 될 수 있다. 이러한 상황에서 진단은 ICD 코드를 받을 수 있다. ICD 코드는 질병, 장애, 증상, 약물 및 화학 물질의 부작용, 부상 등을 그룹화하고 식별하는 데 사용되는 진단 코드이다. CPT 코드는 진단과 일치하는 하나 이상의 치료를 정의한다. 진단에 기반한 치료를 받기 전에 하나 이상의 결과를 평가하기 위해 하나 이상의 시뮬레이션이 실행될 수 있다(예: 치료의 효과와 관련된 확률을 결정하기 위해). 보험 제공자와 의료 제공자는 실행할 시뮬레이션 수, 사용할 관련 데이터, CPT 코드와 관련된 시뮬레이션에 대해 상환할 금액과 관련된 요율, 시뮬레이션 데이터를 기반으로 한 새로운 CPT 코드 생성 및 제공하는 가치 등을 결정하기 위해 하나 이상의 협정에 가압할 수 있다. 레이트는 실행된 시뮬레이션의 수(예: 1개의 시뮬레이션 대 10,000), 표적 대상의 수, 센서 데이터의 품질 등을 포함하는 하나 이상의 매개변수에 의해 영향을 받을 수 있다. 개선예에서, 동물 데이터의 적어도 일부를 사용하는 하나 이상의 시뮬레이션의 출력은 권장되거나 처방된 치료 유형, 치료 기간, 치료 중(예를 들어, 표적 개체의 하나 이상의 판독값과 관련된 표적 또는 목표) 동물 데이터 표적(예: 목표, 임계값 포함)등을 포함할 수 있다.
개선예에서, 시뮬레이션 시스템은 원격 건강 모니터링 시스템이다. 특징적으로, 이러한 시스템은 환자와 의료 전문가 간의 가상 의료 체크인(예: 환자의 오디오, 비디오 및 센서 데이터를 포함할 수 있는 시스템)을 가능하게 할 수 있다. 의료 서비스 및 특히 원격 의료 서비스(예: 초기 설정, 환자 교육, 원격으로 환자가 생성한 건강 데이터 수집 및 해석에 소요된 시간)에 대해 하나 이상의 상환이 제공될 수 있다는 점을 감안할 때 시뮬레이션 시스템은 의료 생태계에 완전히 새로운 가치를 제공한다. 환자가 시스템이 하나 이상의 시뮬레이션을 실행하기 위해 동물 데이터에 액세스할 수 있도록 함으로써, 시뮬레이션 시스템은 의료 전문가에게 동물 데이터에서 파생된 주어진 증상과 관련된 맥락 및 하나 이상의 증상을 기반으로 한 잠재적인 미래 결과를 제공할 수 있다. 그러한 정보는 시간과 비용을 절약할 수 있다(현재와 미래의 의료 관점에서 모두). 개선예에서, 시뮬레이션된 데이터의 적어도 일부는 하나 이상의 의료 서비스 또는 절차와 관련된 하나 이상의 비용 또는 상환을 생성하거나 수정하는 데 사용할 수 있다. 예를 들어, 가상 체크인에 대한 상환을 조직에 제공하는 미국의 HCPCS 코드 G2012와 같은 상환 코드는 하나 이상의 시뮬레이션 실행과 하나 이상의 시뮬레이션의 결과에 따라 비용 구조가 수정되거나 조정될 수 있다(예: 심박수와 같은 한 가지 유형의 동물 데이터에 대한 예측 지표를 제공하는 것에 대한 상환은 여러 유형의 동물 데이터 또는 여러 유형의 동물 데이터를 고려하는 예측 지표를 제공하는 것과 다를 수 있다). 이 예에서 완전히 새로운 비용 구조, 코드, 절차, 서비스, 식별, 분류 및/또는 레이트가 시뮬레이션된 데이터를 기반으로 생성될 수도 있다.
또 다른 개선예에서, 시뮬레이션된 데이터는 생성하기 위해 하나 이상의 인간 연결 애플리케이션 또는 플랫폼(예를 들어, 데이트 애플리케이션, 페이스북, 인스타그램, 또는 가상 기반 소셜 플랫폼과 같은 소셜 상호작용 애플리케이션, 등)의 일부로 사용될 수 있어, 하나 이상의 인간 관계와 관련된 하나 이상의 예측, 확률, 또는 가능성을 조정하거나 수정한다. 인간의 연결은 낭만적인 연결, 육체적인 연결, 사랑의 연결, 우정의 연결, 비즈니스 연결 등일 수 있다. 예를 들어, 데이팅 애플리케이션은 서로의 프로필(예: 사진, 비디오, 프로필 정보 또는 기타 형태의 참여)과 상호 작용한 두 명 이상의 표적 개체로부터 캡처된 동물 데이터를 사용하여 하나 이상의 시뮬레이션을 실행하여 두 개 이상의 표적 개체가 잠재적인 낭만적 매치인지를 예측할 수 있다. 시뮬레이션 시스템은 시각적 참여 시점에 두 명 이상의 표적 개체로부터 하나 이상의 생물학적 판독값을 평가할 수 있고(예: 상승된 심박수, 신경화학적 데이터, 동공 반응 또는 동공 직경 등과 같은 센서에서 캡처한 생리학적 지표), 연결할 매력을 나타내는 하나 이상의 동물 데이터 판독값에서 하나 이상의 변형을 감지한다. 연결의 강도는 하나 이상의 다른 시각적 참여와 비교하여 하나 이상의 동물 데이터 유형 각각의 변동 정도와 결합된 각각의 표적 개체에 대한 기준선을 설정함으로써 결정될 수 있다. 하나 이상의 동물 데이터 판독값의 변동을 기반으로, 시뮬레이션 시스템은 둘 이상의 당사자 간의 연결 강도를 기반으로 통찰력(예: 점수)을 생성할 수 있는 시뮬레이션 데이터를 생성할 수 있다. 개선예에서, 사용자는 연결의 강도를 결정하기 위해 하나 이상의 시뮬레이션을 구매할 수 있다. 또 다른 개선예에서, 하나 이상의 시뮬레이션에 대한 데이터에 대한 액세스를 허용하는 사용자(예: 여성 대상)는 시뮬레이션 시스템이 데이터에 액세스할 수 있도록 하기 위해 대가 사항의 일부를 받을 수 있다(예: 한 명 이상의 남성 대상이 생물학적 기반 연결이 있는지 여부를 아는 데 흥미가 있는 경우).
또 다른 개선예에서, 동물 데이터의 적어도 일부를 통합하는 시뮬레이션된 데이터는 하나 이상의 시뮬레이션된 이벤트에 대한 하나 이상의 제품(예를 들어, 스포츠 베팅을 위한 프로포지션 베팅 또는 시장)을 생성하는 데 사용될 수 있다. 예를 들어, 스포츠 경기의 맥락에서, 시스템이 실제 스포츠 경기에서 팀 B와 경기할 때 팀 A의 심박수 데이터와 기타 "팀 A 대 팀 B" 기반 데이터(예: 이전에 플레이한 팀 A 대 팀 B 경기의 비동물 데이터 기반 결과)가 수집될 때, 시스템은 동물 데이터의 적어도 일부를 포함하여 이전에 수집된 데이터의 적어도 일부를 사용하는 하나 이상의 새로운 베팅을 생성하도록 작동할 수 있으며, 하나 이상의 시뮬레이션의 일부로 통합될 수 있다(예: 베팅은 하나 이상의 시뮬레이션된 경기의 일부로 팀 A 및/또는 팀 B에 대한 동물 데이터의 적어도 일부를 사용할 때 "10,000개의 시뮬레이션된 경기에서 팀 B 대 경기 기간 동안 A 팀의 평균 최대 심박수가 분당 170회를 초과할 것인가?" 또는 "팀 A는 10,000번의 시뮬레이션된 경기에서 팀 B와 시간의 80% 이상을 이기는가?"). 현재 개시되고 청구된 요지의 목적을 위해, "이전에 수집된 데이터"는 또한 현재 시나리오 또는 데이터 세트에서 현재 수집되고 있는 데이터를 포함하는 "현재 데이터"를 포함할 수 있다(예: 현재 시나리오에서 수집된 실시간 또는 거의 실시간 데이터 포함). 다른 개선예에서, 동물 데이터의 적어도 일부를 통합하는 시뮬레이션 데이터는 하나 이상의 가상/시뮬레이션된 이벤트에 대한 하나 이상의 신제품을 생성하기 위해 사용될 수 있다. 현재 개시되고 청구된 요지의 목적을 위해, 가상 이벤트(및 대상)는 시뮬레이션 데이터에 대한 애플리케이션을 설명하기 위해 시뮬레이션 이벤트(및 대상)와 상호 교환 가능하게 사용될 수 있으며 그 반대도 마찬가지이다. 가상 이벤트 또는 시뮬레이션 이벤트에 대한 언급은 예시를 위한 것이며 인공 동물 데이터를 사용할 수 있는 모든 가능한 시스템을 포함한다. 제품에는 가상 베팅에 대한 베팅 또는 위험 완화 전략의 일부로 사용되는 프로포지션 베팅 또는 상품화된 정보가 포함될 수 있다. 예를 들어, 시스템이 하나 이상의 실제 경주에서 하나 이상의 실제 대상(예: 실제 말)에 대한 호흡수를 수집했다면, 시스템은 (적어도 모델링 목적으로) 실제 말의 호흡수를 나타내는 수집된 실제 호흡수 데이터에 따라 하나 이상의 시뮬레이션된 경주에 대해 시뮬레이션된 데이터(예를 들어, 시뮬레이션된 호흡수)를 생성할 수 있어, 시스템이 하나 이상의 가상 경주에서 생성된 시뮬레이션된 동물 데이터의 적어도 일부분을 사용하는 하나 이상의 가상 대상(예: 가상 말)에 대한 하나 이상의 프로포지션 베팅 또는 베팅 제품을 생성할 수 있다(예를 들어, 베팅은 동물 데이터 또는 이의 하나 이상의 파생물의 적어도 일부분이 가상 경주의 부분으로서 사용되거나 시뮬레이션된 데이터 지표가 사용되고 동물 데이터로부터 파생될 때, "가상 경주에서 가상 말의 최대 호흡수가 지표 X 초과로 도달하는가?"; "가상 말 Y이 가상 말 Z보다 더 높은 최대 호흡수를 갖는가?"; 가상 말 Z이 경주에서 이길 것인가?이다). 변형예에서, 시뮬레이션 시스템에 의해 생성된 시뮬레이션 데이터는 데이터가 파생된 것과 동일한 하나 이상의 특성을 공유하지 않을 수 있다. 예를 들어, 가상 대상(예: 가상 말)에 대한 인공 데이터(예: 인공 호흡 수)를 생성하는 경우, 시뮬레이션은 생성된 인공 호흡 수를 특성화하여 다른 지표(예: 색상, "피로"와 같은 다른 이름, 등)로 표시할 수 있다. 추가 개선예에서, 하나 이상의 가상 대상은 하나 이상의 실제 대상과 적어도 하나의 공통 특성을 공유하고 가상 이벤트는 실제 동물 데이터가 수집된 이벤트에 대한 적어도 하나의 공통 특성을 공유한다(예: 말 Z는 실제 경주에서 달렸고, 가상의 말 Z는 가상 경주에서 달리고 있으며, 실제 말과 시스템의 이벤트 중 적어도 하나의 특성을 갖는다. 이러한 특성은 예를 들어 호흡수일 수 있고 이벤트는 경마일 수 있다. 베팅: "가상 경주에서 가상 말 Z의 최대 호흡수는 지표 X 초과에 도달할 것이다"). 대상 특성은 하나 이상의 생물학적 특성, 신체적 특성, 프로필 특성(예: 같은 이름, 등번호, 팀 이름, 팀 색상) 등을 포함할 수 있다. 다른 예에서, 하나 이상의 대상이 참여할 수 있는 시뮬레이션(예: 비디오 게임, 가상 세계 비디오 게임)은 게임을 하는 한 명 이상의 사용자의 실제 동물 데이터와 관련된 하나 이상의 베팅 또는 제품(예: 구매를 위한 게임 내 가상 제품)을 생성할 수 있다(예: 가상 비디오 게임의 일부로 통합된 사용자의 실제 동물 데이터 사용, 게임 내의 동물 데이터 또는 다른 동물 데이터의 적어도 일부분을 통합하는 시뮬레이션된 데이터를 사용하는 목적에 도달하는 사용자에 대한 게임 내에서의 보답을 생성; 동물 데이터로부터 적어도 부분적으로 생성되는 인공 데이터-기반 가상 제품을 사용자가 구입 가능하게 함; 비디오 게임을 사용하는 인공 동물 데이터에 기초한 베팅 타입 또는 제품을 생성). 또 다른 개선예에서, 동물 데이터의 적어도 일부에 기초하여 시뮬레이션(예를 들어, 가상 이벤트, 비디오 게임)을 위해 시뮬레이션된 데이터가 생성되고, 이는 하나 이상의 새로운 값을 생성할 수 있다. 예를 들어, 위의 시나리오에서, 사용자는 시뮬레이션된 호흡률이 지표 X보다 높을 때 시뮬레이션된 이벤트에서 말 Z가 경주에서 이길 확률과 주어진 시뮬레이션된 경주에서 이것이 얼마나 자주 발생하는지 알고 싶어할 수 있다. 시스템은 시뮬레이션된 데이터를 생성하기 위해 동물 데이터의 적어도 일부를 포함하는 다양한 데이터를 사용할 수 있다(예: 모든 이용 가능한 경주에 대해 하나 이상의 소스 센서에서 수집된 실제 말 Z의 호흡수; 사용 가능한 경우 하나 이상의 소스 센서로부터 유사한 조건에서 경주하는 다른 유사한 말의 호흡수; 사용 가능한 경우 하나 이상의 소스 센서로부터 유사하지 않은 조건에서 경주하는 다른 유사한 말의 호흡 수; 사용 가능한 경우 하나 이상의 소스 센서로부터 유사한 조건으로 경주하는 다른 유사하지 않은 말의 호흡수; 사용 가능한 경우 하나 이상의 소스 센서로부터 유사한 조건에서 경주하는 다른 유사하지 않은 말의 호흡수; 유사하고 유사하지 않은 조건에서 유사한 그리고 유사하지 않은 말의 하나 이상의 소스 센서로부터 수집된 기타 비교 동물 데이터(예, 심박수); 하나 이상의 시뮬레이션된 경주로부터 생성된 시뮬레이션된 호흡 수 데이터; 시뮬레이션된 경주를 위한 입력으로서 이용될 수 있는 실제에서 수집된 다른 인자-날씨 또는 온도와 같은 환경 조건, 부상, 생물학적 유체 데이터, 속도 및 가속도 데이터와 같은 로케이션-기반 데이터, 훈련 데이터, 등). 시뮬레이션된 동물 데이터는 가상 경주에서 우승한 말 Z의 가상 표현과 관련된 하나 이상의 확률 또는 예측을 생성하기 위해 추가의 하나 이상의 시뮬레이션에서 사용될 수 있다. 이 정보를 기반으로, 사용자는 가상 경마에 베팅할 수 있다.
또 다른 개선예에서, 시뮬레이션 시스템 내 시뮬레이션 대상의 데이터는 여러 실제 동물의 데이터로 구성될 수 있다. 예를 들어, 경마의 맥락에서, 시뮬레이션 시스템이 가상 말에 대한 심박수를 특징으로 하는 경우, 심박수는 집합적으로 가상 말을 포함하는 여러 실제 말에서 파생될 수 있다.
또 다른 개선예에서, 적어도 하나의 유형의 동물 데이터를 통합하는 시뮬레이션된 데이터는 더 정확하게 배당율(예를 들어, 베팅 라인)을 생성하거나 조정하기 위해 이용될 수 있다. 예를 들어, 특정 실제 경기에 대해 플레이어 A 대 플레이어 B에 대한 라인이 설정되면, 컴퓨팅 디바이스는 다양한 유사한 경기 조건(예: 코트 내 환경 데이터, 현재 점수, 현재 통계, 이전 승패 기록, 이전 일대일 통계) 및 하나 이상의 동물 데이터 입력(예: 현재 경기 데이터를 포함한 모든 플레이어 A 동물 데이터 대 플레이어 B 동물 데이터, 과거 플레이어 A 대 플레이어 B의 일대일 동물 데이터, 유사한 환경 조건의 플레이어 A와 플레이어 B의 모든 동물 데이터, 플레이어 A와 플레이어 B의 경기 전 훈련 데이터, 부상 데이터 등) 및 시뮬레이션 데이터 입력(예: 나머지 경기에 대한 플레이어 A의 시뮬레이션된 심박수 및 관련 생리학적 지표, 나머지 경기에 대한 플레이어 B의 시뮬레이션된 심장 및 관련 생리학적 지표)을 실행할 수 있어, 시스템이 결과의 확률을 더 정확하게 결정할 수 있도록 한다. 변형예에서, 머신 러닝 기술과 같은 하나 이상의 인공 지능 기술을 사용함으로써, 시스템은 이전에 수집된 현재 데이터 세트를 분석하여 하나 이상의 확률, 가능성 또는 예측을 생성, 수정 또는 향상시킬 수 있다. 하나 이상의 데이터 세트는 시뮬레이션된 데이터의 적어도 일부를 포함할 수 있다. 머신 러닝 기반 시스템이 명시적으로 프로그래밍된 지침을 요구하지 않고 수집된 데이터로부터 학습하도록 설정되어 있다는 점을 감안할 때, 하나 이상의 데이터 세트 내에 숨겨져 있을 수 있는 패턴을 검색하고 인식하는 기능을 통해 머신 러닝 기반 시스템은 예측을 가능하게 하는 수집된 데이터로부터 통찰력을 커버할 수 없다. 유리하게는, 머신 러닝-기반 시스템은 학습을 위해 데이터를 사용하기 때문에, 새로운 데이터가 시스템에 입력될 때 모델 예측 및 정확도를 개선하기 위해 반복적인 접근 및 시스템에 의해 이루어진 이전의 계산으로부터 제공된 피드백으로부터 파생된 모델 예측 및 정밀도에 대한 개선이 종종 이루어진다(이는 또한 신뢰할 수 있고 반복 가능한 결과 생산을 가능하게 함). 이러한 시나리오에서, 주어진 시간에 주어진 대상으로부터 시스템에 입력되는 새로운 생물학적 센서 데이터와 같은 새로운 동물 데이터는 새로운 시뮬레이션을 실행하고 더 광범위한 데이터 세트를 기반으로 새로운 상관 관계를 만들 수 있다. 예를 들어, 플레이어 A와 플레이어 B 사이의 경기를 위해 포인트 단위로(또는 더 짧은 기간 동안) 시스템에 입력되는 데이터를 사용하여, 시뮬레이션 시스템은 미래의 동물 데이터 판독값을 보다 정확하게 예측하고 결과를 보다 정확하게 예측하기 위해 시스템의 다른 데이터와 함께 해당 판독값을 상관시킬 수 있다. 변형예에서, 확률 또는 예측은 실시간으로 또는 거의 실시간으로 발생할 수 있는 하나 이상의 배당률을 생성하거나 조정하기 위해 파생되고 사용될 수 있다.
또 다른 개선예에서, 동물 데이터의 적어도 일부에 기초하여 시뮬레이션(예를 들어, 가상 이벤트)을 위해 시뮬레이션된 데이터가 생성되며, 이는 베팅 시스템에 대한 새로운 가치를 생성할 수 있다. 예를 들어, 가상 호흡률이 지표 X보다 높을 때 사용자는 가상 대상(예: 가상 말 #3)이 시뮬레이션에서 가상 경주에서 승리할 확률을 알고 싶어할 수 있다(다수의 말로부터 총 실제 말 데이터는 가상 말 #3을 포함할 수 있는 실제에서 말 #3의 하나 이상의 등가물에 의해 달린 경주로부터 실제 데이터를 특징으로 한다). 확률-기반 또는 예측 데이터 세트를 패키징하여 하나 이상의 새로운 베팅 제품을 생성할 수 있어 사용자가 전략을 수립하거나 가상 경마에 베팅하기 위해 획득할 수 있다. 유사하게, 보험 회사는 특정 표적 개체 그룹(예: 특정 심장 질환이 있는 표적 개체 또는 동물 데이터 판독값에 영향을 미치는 하나 이상의 긍정적/부정적 사회적 습관을 가진 표적 개체)에게 발생 확률을 알고 싶어할 수 있고 보험료를 낮추기 위해 해당 표적 개체에게 특별히 맞춤화된 제품을 만들 수 있다. 다른 예에서, 표적 대상의 실제 동물 데이터(일부 변형예에서는 다른 대상의 실제 동물 데이터)를 기반으로 생성된 하나 이상의 인공 데이터 세트는 시뮬레이션 시스템(10)을 사용하여 수정되어 표적 대상의 임의의 주어진 특성(예: 피로, 빠른 심박수 변화)에 해당하는 데이터의 편차를 도입할 수 있다. 수정된 데이터 세트를 생성하기 위해 하나 이상의 매개변수 또는 변수를 변화, 변경 또는 조정하는 기능을 사용하여, 하나 이상의 시뮬레이션을 실행하여 표적 대상이 하나 이상의 매개변수 또는 변수(예를 들어, 높은 스트레스 상황, 높은 고도 환경, 극도로 높은 온도, 극단적인 움직임 또는 움직임)에 따라 수행되는 방법을 알 수 있고, 시뮬레이션 시스템(10)이 신체 메트릭(예를 들어, 심박수, 호흡 등) 사이의 패턴을 설정하여, 하나 이상의 매개변수/ 변수 및 발생 가능성(예: 특정 경기에서 승리)은 시뮬레이션 시스템이 주어진 매개변수/변수에 대한 변경을 기반으로 특정 조건부 시나리오(예: 가상 시나리오)와 관련된 하나 이상의 확률을 계산 가능하다. 변형예에서, 하나 이상의 제품(예: 내기, 보험 상품, 건강 모니터링 플랫폼용 분석 패키지) 및/또는 배당률의 생성, 조정 또는 향상은 이벤트가 발생할 때 시뮬레이션된 데이터에서 조정에 따라 실시간 또는 거의 실시간으로 발생할 수 있다. 예를 들어, 스포츠의 맥락에서, 시뮬레이션 시스템은 실시간 또는 거의 실시간으로 시스템에 새로운 데이터가 입력되는 플레이어 A와 B 사이의 현재 경기에 대한 하나 이상의 시뮬레이션을 실행할 수 있으며, 주어진 결과 발생 또는 원하는 결과와 관련된 하나 이상의 확률, 가능성 또는 예측이 할당될 수 있는 값 또는 일련의 값을 제공할 수 있다. 예를 들어, 분석 중인 결과가 "현재 경기에서 플레이어 A의 심장 박동수가 분당 200회에 도달할 것인가" 또는 "플레이어 A가 플레이어 B와 경기에서 승리할 것인가"인 경우, 시스템은 적어도 발생하는 결과와 관련된 확률 또는 예측을 생성하기 위해 수집된 동물 데이터의 일부를 이용하여 하나 이상의 시뮬레이션을 실행할 수 있다. 시스템이 실행할 수 있는 시뮬레이션의 예는 (a) 플레이어 B가 예상보다 더 긴 기간에서 제 1 세트를 이기고, 플레이어 A는 심장 파생 데이터에 따라 감정 스트레스를 시작하고: 사용자가 수집된 데이터(현재 및 이전에 수집된 동물 및 비동물 데이터)를 기반으로 세트 #2에서 플레이어 A에 대한 잠재적인 출력을 보는데 흥미가 있을 수 있음), (b) 환경 온도는 경기의 제 1 세트의 시작부터 제 1 세트의 때까지 15도 증가하고 열은 플레이어 A의 피로 데이터가 플레이어 A가 피곤함을 나타내기 때문에 커버되는 플레이어 A의 거리에 영향을 미치기 시작하고: 사용자가 플레이어 A가 이들의 현재 피로 수준, 가능한 경기 결과, 현재 환경 온도, 경기의 과정 동안 예상된 환경 온도를 기초로 하여 예상된 피로 수준을 기초로 하여 얼마나 멀리 달리기를 예상되는지를 확인하는데 관심이 있다. 이러한 시뮬레이션 시나리오는 n개일 수 있으며, 추가적으로 과거의 유사한 경기를 기반으로 시스템의 인공 지능 엔진이 즉석에서 생성한 시뮬레이션 시나리오가 하나 이상 있을 수 있다. 이러한 모든 시뮬레이션이 실행되면 출력이 수집 및 분석되어 연구 중인 결과의 확률 또는 예측을 제공한다.
하나 이상의 시뮬레이션된 데이터 세트를 생성하기 위한 다른 방법에서, 이전에 캡처된 데이터 또는 이전에 생성된 시뮬레이션된 데이터는 하나 이상의 새로운 데이터 세트를 생성하기 위해 하나 이상의 시뮬레이션을 통해 재실행된다. 이 예에서, 기존 데이터(예: 실제 동물 데이터 및 시뮬레이션 데이터)는 하나 이상의 시뮬레이션(예: 시뮬레이션이 n번-예를 들어, 10,000번-실행됨, 발생 가능성을 결정하기 위해 동일한 하나 이상의 데이터 입력으로)을 통해 특정 결과와 관련된 확률, 가능성 또는 예측을 결정하기 위한 기준선으로 사용할 수 있다. 시뮬레이션된 데이터를 생성하기 위한 또 다른 방법에서, 하나 이상의 새로운 변수 또는 매개변수를 기존 데이터에 응용하여 새로운 데이터 세트를 생성할 수 있다. 보다 구체적으로, 하나 이상의 무작위 변수가 있는 기존 데이터는 시스템에서 이전에 볼 수 없었던 새로운 데이터 세트를 생성하기 위해 하나 이상의 시뮬레이션을 통해 다시 실행된다. 예를 들어, 시뮬레이션 시스템이 표적 개체(예: 운동선수) 및 표적화된 이벤트(예: 표적 개체가 플레이한 경기)에 대한 데이터 세트를 가질 때, 시스템은 하나 이상의 데이터 세트 내의 매개변수 또는 변수(예: 고도, 코트 내 온도, 습도) 및 하나 이상의 시뮬레이션을 통해 하나 이상의 이벤트를 재실행하여 목표로 시뮬레이션된 데이터 출력을 생성한다. 예를 들어, 테니스와 관련하여 획득자는 2시간 경기 전체 동안 온도가 화씨 95도 이상일 때 플레이어 A의 심박수 데이터 1시간을 원할 수 있다. 시스템은 다른 온도(예: 85°F, 91°F, 78°F)에서 하나 이상의 심박수 데이터 세트와 유사한 조건의 플레이어 A 뿐만 아니라 유사하거나 유사하지 않은 조건에 있는 기타 유사하거나 유사하지 않은 운동 선수와 같은 표적 개체에 대해 이 애플리케이션에서 이전에 설명된 입력을 가질 수 있다. 95도 이상의 플레이어 A에 대한 심박수 데이터는 수집된 적이 없으므로 시스템은 하나 이상의 시뮬레이션을 실행하여 인공 데이터를 생성한 다음 해당 데이터를 하나 이상의 추가 시뮬레이션에서 사용할 수 있다. 개선예에서, 시스템은 하나 이상의 새로운 데이터 세트를 생성하거나 재생성하기 위해 서로 다른 데이터 세트를 결합하도록 작동될 수 있다. 예를 들어, 사용자는 특정 토너먼트의 2시간 경기 전체에서 온도가 95도 이상일 때 선수 A의 심박수 데이터 1시간을 원할 수 있으며, 여기서 고도 또는 습도와 같은 하나 이상의 기능이 성능에 영향을 미칠 수 있다. 이 데이터가 완전히 수집된 적은 없지만 요청된 데이터의 적어도 일부를 구성하고 하나 이상의 원하는 매개변수/변수를 특징으로 하는 다양한 데이터 세트(예: 심박수를 특징으로 하는 플레이어 A의 하나 이상의 데이터 세트, 95도 이상의 온도에서 테니스를 치는 것을 특징으로 하는 플레이어 A의 하나 이상의 데이터 세트, 고도와 같은 요청된 기능이 있는 필수 토너먼트에서 하나 이상의 데이터 세트)는 시뮬레이션 시스템에 의해 식별될 수 있다. 데이터 세트 내 및 데이터 세트 전반에 걸쳐 이러한 요청된 매개변수를 식별하고 수집된 동물 데이터 및 관련 결과에 대한 하나 이상의 매개변수/변수의 영향을 이해하도록 훈련될 수 있는 시뮬레이션 시스템을 사용하여, 시뮬레이션 시스템은 하나 이상의 시뮬레이션을 실행할 수 있어 이러한 서로 다른 데이터 세트를 기반으로 사용자의 요청을 충족하는 하나 이상의 새로운 인공 데이터 세트(예: 예측 지표, 계산 자산 또는 인공 동물 데이터일 수 있음)를 생성한다. 변형예에서, 하나 이상의 새로운 데이터 세트를 생성하거나 재생성하는 데 사용되는 유사하지 않은 데이터 세트는 표적 대상과 적어도 하나의 공통 특성을 공유하는 하나 이상의 다른 대상을 특징으로 할 수 있다(예: 연령 범위, 체중 범위, 키 범위, 성별, 유사하거나 유사하지 않은 생물학적 특성, 습관, 센서 판독값 등). 위의 예를 사용하여, 심박수 데이터가 플레이이어 A에 대해 사용될 수 있지만 시스템은 원하는 데이터 세트(예: 일부 또는 모든 플레이어가 플레이어 A와 유사한 심박수 패턴을 보였을 수 있고; 일부 또는 모든 플레이어가 플레이어 A와 유사한 생체액 유래 판독값을 가지고; 일부 또는 모두가 플레이어 A와 매우 유사한 플레이 스타일을 가지고; 일부 또는 모든 플레이어가 95도 초과의 온도에서 테니스를 치는 것을 특징으로 하는 시스템에 의해 수집된 데이터 세트를 가질 수 있다). 이러한 하나 이상의 데이터 세트는 원하는 조건에서 플레이어 A의 미래 생물학적 판독값(예: 심박수)을 보다 정확하게 생성하기 위해 하나 이상의 시뮬레이션 내에서 하나 이상의 입력으로 작용할 수 있다.
시뮬레이션된 데이터를 위한 또 다른 방법에서, 본질적으로 일반적인 인공 데이터 세트(예를 들어, 하나 이상의 원하는 생물학적 특성의 미리 결정된 선택이 결여된 데이터 세트)가 생성된다. 변형예에서, 하나 이상의 무작위 데이터 세트가 생성되며 하나 이상의 변수는 획득자가 아닌 시스템에서 선택된다. 이것은 예를 들어 보험 회사가 무작위 샘플(예: 시스템에서 무작위로 선택할 수 있는 정의된 연령 또는 병력 없음) 중에서 특정 데이터 세트(예: 1,000,000명의 흡연자)를 찾고 있는 경우, 또는 내기 회사가 존재하지 않은 이벤트(예: 비디오 게임 시뮬레이션 결과에 대한 프로포지션 베팅)에 대해 하나 이상의 새로운 시장(예: 프로포지션 베팅)을 만들려는 경우, 특히 유용할 수 있다. 개선예에서, 시스템의 주어진 사용자에 의해 선택된 미리 결정된 수의 개체에 기초하여 하나 이상의 인공 데이터 세트가 생성된다. 또 다른 개선예에서, 시스템에 의해 무작위로 선택된 미리 결정된 수의 개체로부터 하나 이상의 인공 데이터 세트가 생성된다.
개선예에서 인공 데이터에는 관련 동물 데이터의 하나 이상의 특성을 기반으로 하나 이상의 태그가 할당된다. 특성은 동물 데이터의 하나 이상의 소스, 동물 데이터가 파생된 하나 이상의 개체 또는 개체 그룹의 특정 개체 속성(예: 이름, 체중, 키, 해당 식별 또는 참조 번호), 사용된 센서 유형, 센서 속성, 분류, 특정 센서 구성, 위치, 활동, 데이터 형식, 데이터 유형, 사용된 알고리즘, 데이터 품질, 데이터 수집 시기, 관련 조직, 관련 이벤트(예: 시뮬레이션, 실제), 레이턴시 정보(예를 들어, 데이터가 제공되는 속도) 등을 포함하고, 이로부터 시뮬레이션된 데이터가 파생된 동물 데이터와 관련된 단일 특성(예: 데이터, 하나 이상의 센서 및 하나 이상의 대상 개체와 관련된 특성 포함)이 할당되거나 하나 이상의 태그와 연관될 수 있음을 이해해야 한다. 특징적으로, 동물 데이터와 관련된 하나 이상의 태그는 인공 데이터에 대한 관련 값을 생성하거나 조정하는 데 기여할 수 있다. 개선예에서, 하나 이상의 신경망은 시뮬레이션된 데이터 세트뿐만 아니라 하나 이상의 유형의 시뮬레이션된 데이터에 하나 이상의 태그를 할당하도록 훈련될 수 있다.
다른 개선예에서, 시뮬레이션된 데이터는 하나 이상의 분류에 할당될 수 있다. 분류(예: 그룹 포함)는 데이터 수집자에 대한 검색 프로세스를 단순화하기 위해 생성될 수 있으며(예: 하나 이상의 검색 가능한 태그로) 데이터 수집 프로세스, 관행, 품질 또는 연관 및 표적 개체 및 시뮬레이션 표적 개체 특성을 기반으로 할 수 있다. 분류는 데이터의 식별자가 될 수 있다. 예를 들어, 하나 이상의 분류가 ECG 데이터에서 파생되고 및/또는 ECG 데이터를 나타내는 인공 데이터 세트에 할당될 수 있다("시뮬레이트된 ECG 데이터", "표적 개체 Z의 시뮬레이션된 ECG 데이터", " 남성 연령 25-34세 시뮬레이션된 ECG 데이터", "센서 C의 시뮬레이션된 ECG 데이터", "n개의 시뮬레이션에서 시뮬레이션된 ECG 데이터", "팀 Y의 표적 개체로부터 시뮬레이션된 ECG 데이터", "게임 X의 시뮬레이션된 ECG 데이터" , "게임 X에서 팀 Y의 표적 개체로부터 시뮬레이션된 ECG 데이터" 등). 특정 설정을 갖고 특정 데이터 수집 방법론을 따르는 특정 센서의 ECG 데이터를 나타내는 인공 데이터 세트에 또 다른 분류가 할당될 수 있다. 다른 예에서, 이전에 뇌졸중을 경험한 표적 개체를 나타내는 데이터 세트, 또는 실제의 표적 개체에 적어도 부분적으로 기초하는 시뮬레이션된 표적 개체를 나타내는 시뮬레이션된 데이터 세트에 대한 분류가 생성될 수 있다. 분류 또는 태그의 예에는 메트릭 분류(예: 심박수, 수분 등의 수치 값을 할당할 수 있는 하나 이상의 센서에 의해 캡처된 시뮬레이션 대상의 속성), 시뮬레이션된 표적 개체의 개체 분류(예: 나이, 체중, 키, 병력), 시뮬레이션 표적 개체의 통찰력 분류(예: "스트레스", "에너지 수준", 하나 이상의 결과가 발생할 가능성을 나타내는 점수), 센서 분류(예: 센서 유형, 센서 브랜드, 샘플링 속도, 기타 센서 설정), 시뮬레이션된 데이터 속성 분류(예: 원시 데이터 또는 처리된 데이터), 시뮬레이션된 데이터 품질 분류(예: 정의된 기준에 따라 좋은 데이터와 나쁜 데이터), 시뮬레이션된 데이터 적시 분류(예: 밀리초 대 시간 이내의 데이터 제공), 시뮬레이션된 데이터 맥락 분류(예: NBA 결승전 경기 대 NBA 프리시즌 게임), 시뮬레이션된 데이터 범위 분류(데이터에 대한 범위 제공, 예를 들어 0.2-1.2mg/dL 사이의 빌리루빈 수준), 시뮬레이션 시스템과 관련된 분류(예: 하나 이상의 신경망이 훈련된 데이터 세트의 수, 시뮬레이션된 데이터를 생성하는 데 사용된 신경망의 유형 ) 등을 포함한다. 변형예에서, 하나 이상의 조직, 센서 유형, 센서 매개변수, 데이터 유형, 데이터 품질, 타임스탬프, 위치, 활동, 표적 개체, 표적 개체, 데이터 판독값 등의 그룹화를 포함할 수 있는 인공 데이터가 나타내는 것을 기반으로 하나 이상의 분류가 할당될 수 있다. 특징적으로, 동물 데이터 및/또는 시뮬레이션 시스템과 관련된 하나 이상의 분류는 인공 데이터에 대한 관련 값을 생성하거나 조정하는 데 기여할 수 있다. 개선예에서, 하나 이상의 신경망은 하나 이상의 시뮬레이션된 데이터 세트에 하나 이상의 분류를 할당하도록 훈련될 수 있다.
변형예에서, 시뮬레이션된 데이터의 일부 분류는 다른 분류보다 더 큰 가치를 가질 수 있다. 예를 들어, 25-34세 사람들의 시뮬레이션된 심박수 데이터는 25-34세 사람들의 시뮬레이션된 포도당 데이터보다 가치가 낮을 수 있다. 값의 차이는 하나 이상의 시뮬레이션에 사용된 데이터 유형의 희소성(예: 평균적으로 실제 포도당 데이터는 실제 심박수 데이터보다 수집하기 더 어려울 수 있으므로 쉽게 사용할 수 없거나 수집 가능하지 않을 수 있다), 하나 이상의 시뮬레이션에 사용하기 위해 임의의 주어진 센서에서 오는 실제 데이터의 품질(예: 한 센서가 다른 센서보다 더 나은 품질의 데이터를 제공할 수 있음), 임의의 주어진 개체에 비해 실제 데이터가 제공되는 개체 또는 개체들(예: 개체의 데이터는 본질적으로 생물학적일 수도 있고 아닐 수도 있는 개체의 하나 이상의 고유한 특성을 기반으로 한 다른 개체의 데이터보다 더 가치가 있을 수 있음), 실제 데이터의 유형(예: 센서 X의 특정 생물학적 특성을 가진 개체 그룹의 ECG 데이터가 파생될 수 있는 원시 AFE 데이터는 동일한 개체 그룹의 파생 ECG 데이터보다 더 가치가 있을 수 있으며, AFE 데이터가 표면 근전도 데이터를 포함하여 추가적인 비-ECG 통찰력을 파생할 수 있는 기회를 제공할 수 있다는 점에서 동일한 센서 X의 동일한 생물학적 특성), 데이터와 관련된 파생된 사용 사례(예: 포도당 데이터는 수화 파생에도 사용될 수 있으며 이는 심박수 기반 데이터보다 수집하기 더 어려운 데이터 유형일 수 있으므로 더 가치 있는 정보), 데이터의 양 또는 볼륨(예: 1년에 걸친 45-54세 사이 100명의 일일 심박수 데이터는 1개월에 걸친 45-54세 사이의 동일한 100명의 일일 심박수 데이터보다 더 가치가 있을 수 있음), 데이터가 수집될 수 있는 맥락(프리미어 스포츠 경기에서 훈련 세션과 비교한 개체 또는 생명을 위협하는 전염성 호흡기 질환이 있는 표적 개체로부터 수집한 호흡수 데이터와 표적 개체가 아무런 반응이 없을 때 과민성 질환)를 포함하는 다양한 이유에 기인할 수 있다.
추가 개선예에서, 하나 이상의 분류는 시뮬레이션 시스템에 의해 생성, 할당, 수정 및/또는 향상되는 하나 이상의 대응하는 값을 갖는다. 하나 이상의 분류는 미리 결정된 값, 진화 또는 동적 값, 또는 이들의 조합을 가질 수 있음을 이해해야 한다. 예를 들어, 시뮬레이션된 데이터의 주어진 유형과 관련된 분류는 시뮬레이션 시스템에 더 많은 관련 데이터가 추가되거나 분류 내에서 더 많은 데이터를 사용할 수 있게 되거나 하나 이상의 특정 분류와 관련된 데이터 세트에서 시뮬레이션된 데이터에 대한 수요가 증가함에 따라 가치가 증가할 수 있다. 반대로, 시뮬레이션된 데이터 값은 데이터가 생성된 시점부터 시간이 지남에 따라 가치가 감소할 수 있고(예: 결과와 관련된 예측 지표를 생성하기 위한 시뮬레이션된 데이터의 값은 결과가 이미 발생한 후보다 발생하기 전에 훨씬 더 많은 가치를 가질 것이다), 데이터의 관련성이 떨어지거나(예: 보다 정확하고 정확한 정보를 캡처하는 새로운 센서를 사용할 수 있기 때문에) 해당 특정 분류의 데이터에 대한 수요가 감소한다. 사용 사례에 따라 동일한 분류와 관련하여 다중 값이 생성, 할당, 수정 및/또는 향상될 수도 있다(예: 스포츠 베팅의 경우 한 시장의 분류는 다른 시장에서 동일한 분류보다 더 많거나 더 적은 가치를 가질 수 있다). 또 다른 개선예에서, 하나 이상의 분류는 하나 이상의 요구 사항 또는 시스템에 대한 새로운 정보 또는 소스의 입력을 기반으로 생성 또는 수정되는 하나 이상의 새로운 범주로 동적으로 변경될 수 있다. 예를 들어, 새로운 유형의 센서가 개발될 수 있고, 센서에 새로운 설정 및 기능을 제공하는 새로운 펌웨어로 센서가 업데이트될 수 있거나, 하나 이상의 새로운 데이터 유형(예: 생물학적 유체 유래 데이터 유형)이 시스템에 도입될 수 있다. 개선예에서, 하나 이상의 신경망은 하나 이상의 시뮬레이션된 데이터 세트를 포함하는 하나 이상의 동물 데이터 세트에 대한 하나 이상의 화폐 기반 및 비금전적 기반 값을 생성, 할당, 수정 및/또는 향상시키도록 훈련될 수 있다. 또 다른 개선예에서, 하나 이상의 인공 지능 기술(예를 들어, 머신 러닝, 딥 러닝 기술)을 사용하여 하나 이상의 데이터 세트에 하나 이상의 분류 및/또는 값을 동적으로 할당할 수 있다.
시뮬레이션된 데이터를 생성하고 동물 데이터의 적어도 일부를 사용하여 하나 이상의 시뮬레이션을 수행하기 위한 시스템은 다양한 산업 분야에 응용된다. 예를 들어, 개인별/그룹 피트니스 수업(예: 사이클링, 크로스핏, 원격 홈 피트니스 플랫폼)을 포함한 실제 피트니스 또는 웰빙 시스템의 맥락에서 시뮬레이션 데이터를 사용하여 자신과 관련된 한 명 이상의 사용자에게 알릴 수 있고 실시간 또는 거의 실시간에 가까운 생물학적 상태(예: 현재 또는 예상 "에너지 수준"과 같은 물리적 상태)는 물론 하나 이상의 행동(예: 현재 동물 데이터 판독값, 과거 동물 데이터 및 시간당 p 마일로 달리기의 현재 활동에 기반하여, 목표 피트니스 개체 X는 n분 s초 내에 원하는 에너지 소비에 도달할 것으로 예상된다)에 따라 발생할 수 있는 미래 결과에 대한 통찰력을 제공한다. 또한, 시뮬레이션 시스템을 사용하여 피트니스/웰니스 클래스를 게임화하여 생물학적 데이터를 시뮬레이션 게임에 통합할 수 있을 뿐만 아니라 시뮬레이션된 데이터를 게임 내에서 사용할 수 있다. 일 예에서, 한 명 이상의 사용자는 클래스 내의 다른 사용자와 비교하여 경쟁 우위 또는 다른 대가 사항을 얻기 위해 시뮬레이션 시스템에 동물 데이터(예: 심박수 데이터)의 적어도 일부를 제공하기 위해 하나 이상의 센서를 사용할 수 있다(예: 센서 데이터가 시뮬레이션에 입력될 형태로 변환되고, 사용자가 시뮬레이션에 참여하여 시뮬레이션이 발생하고, 시뮬레이션에 통합된 동물 데이터는 다음과 같은 이점(예: 금전적 또는 비금전적 가치)을 가능하게 한다. 더 많은 휴식 시간, 시뮬레이션 내 생리학적 기반 성공 메트릭에 기반한 무료 수업 또는 수업에서 가장 많은 "에너지"에 기반한 무료 상품). 유리하게는, 동물 데이터의 적어도 일부는 시뮬레이션된 데이터이다. 시뮬레이션된 메트릭을 포함할 수 있는 비교 생물학적 메트릭은 주어진 클래스에서 누가 가장 잘 수행하는지 결정하기 위해 각 사용자에 대해 시각적으로 표시될 수 있다. 다른 예에서, 피트니스 기계(예를 들어, 트레드밀, 사이클링 기계) 또는 피트니스 디스플레이(예를 들어, 텔레비전 또는 대화형 거울과 같은 피트니스 콘텐츠를 표시하는 컴퓨팅 디바이스)의 하나 이상의 하드웨어 구성요소는 대상의 하나 이상의 센서와 통신할 수 있어 모든 센서 데이트를 단일 어플리케이션 내로 모이고 이로부터 대상의 현재 및 미래 생물학적 상태와 관련된 정보를 전달하고 관련된 하나 이상의 예측 또는 확률을 생성하기 위해 시뮬레이션된 데이터를 생성하기 위해 하나 이상의 시뮬레이션을 실행할 수 있다. 다른 예에서, 피트니스 콘텐츠를 스트리밍하는 통합 디스플레이 또는 대화형 컴퓨팅 디바이스가 있는 피트니스 머신은 생물학적 센서 데이터를 수집하고 운동 전에 시뮬레이션된 데이터에서 파생된 하나 이상의 생물학적 통찰력을 한 명 이상의 사용자에게 제공할 수 있다(예: 예측된 " 피로" 수준 또는 현재 생물학적 판독값, 이전에 수집된 동물 데이터, 주어진 운동의 예상 기간 및 강도를 기반으로 한 예상 칼로리 소비). 개선예에서, 피트니스 강사(예: 실제 가상 AI 기반) 또는 "스마트" 피트니스 장비(예: 하나 이상의 컴퓨팅 디바이스가 있는 장비 또는 맞춤형 AI 생성 피트니스 콘텐츠를 특징으로 하는 디스플레이가 있는 컴퓨팅 디바이스)는 수집된 동물 데이터에서 파생된 시뮬레이션된 데이터를 기반으로 운동을 조정할 수 있는 하나 이상의 조치를 취할 수 있다(예: 강사 또는 "스마트" 장비가 표적 대상이 종료 시 충분한 에너지를 발휘하지 못할 것으로 예상하는 경우 현재 매개변수 및 예상 출력을 기반으로 하는 운동 또는 심박수 또는 성과 영역, 강사 또는 "스마트" 장비는 사용자의 운동 난이도를 높이거나 낮추기 위해 난이도 또는 속도를 조정할 수 있다). 하나 이상의 조치는 하나 이상의 인공 지능 기술을 통해 추정, 생성, 수정 또는 조정할 수 있다. 개선예에서, 한 명 이상의 사용자는 제3자가 동물 데이터 또는 하나 이상의 그 파생물(예: 동물 데이터의 적어도 일부분을 이용하는 시뮬레이션된 동물 데이터의 포함)에 접근하는 것을 허용하기 위해 대가를 수용한다. 사용자는 운동 전, 도중 또는 후에 옵트-인(opt-in) 또는 옵트-아웃(opt-out)할 수 있다.
개선예에서, 사용자를 참여시키기 위한 하나 이상의 시뮬레이션 시스템(예: 가상/시뮬레이션 이벤트, 비디오 게임, 시뮬레이터)을 위한 인공 동물 데이터가 생성된다. 한 변형예에서, 컴퓨터 소프트웨어는 인종, 경연, 연구 등을 포함하는 이벤트 또는 사건을 수행한다. 고급 알고리즘은 일반적으로 난수 생성기를 사용하여 결과를 결정한다. 개선예에서, 신경망 또는 복수의 신경망을 이용하여 결과를 결정할 수 있다. 어떤 경우에는 참가자의 기술과 참가자의 조건뿐만 아니라 실제 이벤트(예: 스포츠 이벤트)에 내재된 행운 요소를 설명한다. 인공 동물 데이터는 실제 동물 데이터를 적어도 부분적으로 기반으로 하는 하나 이상의 시뮬레이션을 실행하여 생성할 수 있다. 다른 변형예에서, 컴퓨터 소프트웨어는 시뮬레이션 시스템 내의 실제 동물 데이터의 적어도 일부로부터 파생된 데이터를 사용하여 시뮬레이션에 직접 또는 간접적인 형태의 사용자 참여(예: 참여)를 가능하게 한다. 하나 이상의 시뮬레이션 시스템은 게임-기반 시뮬레이션 시스템(예: 스포츠를 하는 것과 같은 이벤트를 시뮬레이션하고 사용자 또는 다중 사용자 참여를 가능하게 하는 비디오 게임 시스템, 사용자가 가상 이벤트에 하나 이상의 베팅을 할 수 있게 하는 스포츠 내기 시뮬레이터, 가상 경마에 대한 베팅과 같은 이벤트, 시뮬레이션 내에서 시뮬레이션된 데이터 관련 제품을 획득할 수 있는 비디오 게임 시스템(예: 구매 가능한 시뮬레이션 데이터 기반 가상 제품), 시뮬레이터 및 기타 시스템(예: 가상 현실 시스템, 증강 현실 시스템, 혼합 현실 시스템, 확장 현실 시스템을 사용한 군사 시뮬레이터, 항공 시뮬레이터 및 의료 시뮬레이터) 등을 포함한다. 개선예에서, 게임 기반 시스템은 가상 현실 시스템, 증강 현실 시스템, 혼합 현실 시스템 또는 확장 현실 시스템(예: 가상 현실 시스템을 사용하는 게임 기반 군사 시뮬레이터) 중 적어도 하나를 통해 한 명 이상의 사용자를 참여시킨다. 한 명 이상의 사용자는 전통적인 비디오 게임 콘솔, 개체용 컴퓨터, 휴대폰, 태블릿, 단말기, 가상 현실 시스템, 증강 현실 시스템 등을 포함하는 다양한 컴퓨팅 디바이스를 사용하는 시뮬레이션에 참여할 수 있다. 사용자가 시뮬레이션 시스템에 참여하는 환경은 전통적인 비디오 게임 환경(예: PC 게임, 핸드헬드 게임, 모바일 게임, 온라인 콘솔 게임, 웹 브라우저 기반 게임을 포함한 온라인 게임), 가상 현실 시스템, 증강 현실 시스템, 혼합 현실 시스템, 확장 현실 시스템 등을 포함할 수 있다. 사용자를 참여시키는 시뮬레이션 시스템은 시뮬레이션 시스템과 관련된 하나 이상의 하드웨어 구성요소(예: 게임 컨트롤러, 게임 키보드, 게임 헤드셋)뿐만 아니라 시뮬레이션 시스템과 관련된 하드웨어(예: 게임 컨트롤러, 게임 헤드셋, 게임 키보드, 좌석 센서, 카메라 센서, 기타 게임 센서)내에 매립된 하나 이상의 생물학적 센서를 가질 수 있거나, 또는 시뮬레이션 시스템과 통신하고 시뮬레이션의 부분과 통합되는 한 명 이상의 사용자(예: 스마트워치 또는 생체적(biometric) 데이터를 캡처하는 신체 센서)의 하나 이상의 센서를 사용할 수 있다. 예를 들어 시뮬레이션 게임 컨트롤러 내에 있는 손 및 손가락 압력 센서(예: 컨트롤러가 얼마나 단단히 고정되어 있는지 확인), 시뮬레이션 게임에 참여하는 플레이어의 심박수를 모니터링하는 ECG/심박수 센서, 헤드셋 내에 위치한 EEG 센서, 시뮬레이션 게임의 일부로 사용되는 헤드셋, 시뮬레이션 게임에 참여하는 플레이어의 좌석 또는 컨트롤러에 내장된 모션 센서, 시뮬레이션 게임의 일부로 행상 노력을 기반으로 전력 출력 또는 전력량을 측정하기 위해 자전거에 내장된 센서, 시뮬레이션 게임에 참여하는 플레이어의 반응 시간을 측정하는 센서를 포함한다. 유리하게는, 하나 이상의 센서와 시뮬레이션(예를 들어, 비디오 게임) 사이의 직접 통신은 웹 브라우저를 통해 발생할 수 있다. 웹 브라우저를 통해 직접 센서와 통신할 수 있는 시스템과 관련된 추가 세부사항은 2019년 2월 13일에 출원된 미국 특허 제 16/274,701호 및 2020년 2월 13일자로 출원된 미국 특허 제 PCT/US20/18063호에 개시되고 이의 전체 개시 내용이 인용에 의해 본원에 포함된다. 개선예에서, 시뮬레이션 시스템은 한 명 이상의 사용자로부터 정보를 수집하는 하나 이상의 센서의 적어도 일부로부터 파생된 하나 이상의 시뮬레이션된 판독값을 통합하고 표시할 수 있다. 예를 들어, 그룹 피트니스 클래스의 참가자는 시뮬레이션 게임에서 서로 경쟁할 수 있으며, 게임 내에 통합되는 동물 데이터의 적어도 일부에서 파생된 하나 이상의 시뮬레이션된 판독값을 사용한다. 다른 예에서, 의료 전문가는 환자가 하나 이상의 절차를 받는 동안 의료 사건을 경험할 실시간 확률을 제공하는 시뮬레이션된 데이터를 포함할 수 있는 증강 현실 시스템에서 환자의 실시간 센서 데이터의 디스플레이를 볼 수 있다. 변형예에서, 시뮬레이션 시스템은 시뮬레이션된 데이터(예를 들어, 의료 전문가의 경우, 의료 전문가 자신의 파생 시뮬레이션 데이터, 또는 하나 이상의 가상 환자로부터 파생된 시뮬레이션 데이터)를 사용하여 기술 또는 다수의 기술을 미세 조정하기 위해 한 명 이상의 의료 전문가를 훈련한다. 또 다른 예에서, 보험 회사는 시뮬레이션된 데이터를 허용하는 시뮬레이션 게임(예를 들어, 시뮬레이션된 데이터에 기초한 개체 위험 점수와 같은 예측 지표를 제공하는 시뮬레이션 내에서 하나 이상의 센서를 사용)에 사용자가 참여할 수 있게 하여 하나 이상의 프리미엄이 생성, 수정 또는 향상될 수 있는 사용자 센서 데이터의 적어도 일부에서 시뮬레이션된 데이터가 파생된다. 또 다른 예에서, 의료 플랫폼(예: 원격 의료 애플리케이션)은 가상 검진 또는 검사를 가능하게 하기 위해 환자의 하나 이상의 센서 판독값에서 파생된 시뮬레이션 데이터를 사용하는 시뮬레이션 시스템을 사용할 수 있으며, 이로부터 시뮬레이션의 결과가 발생할 수 있다(예: 환자는 동물 데이터의 적어도 일부에서 생성된 시뮬레이션 데이터를 기반으로 점수 또는 기타 지표를 수신할 수 있다). 특징적으로, 하나 이상의 시뮬레이션된 판독값은 하나 이상의 입력으로서 하나 이상의 비동물 데이터 판독값을 포함할 수 있다. 다른 개선예에서, 비디오 게임 또는 게임-기반 시스템은 실제 센서 데이터의 적어도 일부 또는 사용자에 의해 제공되는 이의 하나 이상의 파생물에 기초하여 게임 내의 캐릭터 또는 요지에 대한 하나 이상의 새로운 데이터 유형을 생성할 수 있다. 예를 들어, 시뮬레이션 게임은 캡처된 실제 센서 데이터 또는 피로 수준, 심박수, 반응 시간 또는 실제 대상의 컨트롤러 압력과 같은 동물 데이터의 적어도 일부에서 파생된 통찰력을 기반으로 게임 내 대상에 대한 새로운 지표를 생성할 수 있다. 게임 내에서 사용되는 시뮬레이션된 데이터는 시뮬레이션에 입력할 형태로 변환된 동물 데이터이거나 실제 센서 데이터의 적어도 일부 또는 하나 이상의 파생물을 사용하여 하나 이상의 시뮬레이션을 실행하여 인공 데이터를 생성할 수 있다. 시뮬레이션 시스템(예: 비디오 게임 또는 게임-기반 시스템)에 하나 이상의 판독값을 제공하고 인공 데이터를 생성하는 것은 모두 실시간 또는 거의 실시간으로 발생할 수 있다.
변형예에서, 하나 이상의 시뮬레이션으로부터 파생될 수 있고 및/또는 동물 데이터의 적어도 일부에 기초하여 인위적으로 생성될 수 있는 시뮬레이션 시스템 기반 데이터는 시뮬레이션(예: 게임)의 일부로 제공되는 하나 이상의 캐릭터(예: 동물)에 관련될 수 있거나 연관될 수 있다. 캐릭터는 실생활에 존재하는 동물을 기반으로 하거나(예: 실제의 프로 축구 플레이어는 축구 비디오 게임에서 특정 프로 축구 플레이어를 묘사하는 캐릭터를 가질 수 있음) 또는 하나 이상의 실제 동물의 하나 이상의 특성을 공유한다(예: 게임 내에서 시뮬레이션된 축구 플레이어는 저지 번호, 유니폼 색상 또는 인간 축구 플레이어로 인식 가능한 생물학적 특징을 공유할 수 있음). 시스템은 게임-기반 시스템(예를 들어, 비디오 게임 시스템)의 사용자가 게임 내의 실제 데이터의 적어도 일부를 사용하는 인공 데이터를 구매할 수 있게 할 수 있다. 개선예에서, 게임 내에서 구매한 동물 데이터는 실제 동물 데이터에 적어도 부분적으로 기초하고 하나 이상의 시뮬레이션을 통해 생성될 수 있는 인공 동물 데이터, 또는 시뮬레이션(예: 게임) 내로 입력 가능한 형태의 변환된 동물 데이터일 수 있다. 이 데이터는 예를 들어 게임에서 발생하는 인덱스로 사용될 수 있다. 예를 들어, 게임을 하는 사용자는 선수의 실제 생체 데이터 또는 시뮬레이션에 입력할 수 있는 형태로 변형된 하나 이상의 파생물을 포함할 수 있는 선수의 "실제 데이터"를 이용하는 게임에서 실제 선수의 시뮬레이션된 버전에 대해 플레이하는 능력을 가질 수 있다. 이는 예를 들어, 시간이 지남에 따라 수집된 실제 선수의 "에너지 수준" 데이터가 게임에 통합된다는 의미일 수 있다. 하나의 특정 예에서, 비디오 게임 내에서 경기의 길이가 계속되거나 비디오 게임 내에서 시뮬레이션된 운동 선수가 달린 거리에 따라 비디오 게임 내의 "에너지 수준"이 조정되고 실제 운동 선수의 실제 데이터를 수집하였다. 실제 데이터는 장거리 달리기 또는 주어진 경기의 길이를 기반으로 한 선수의 피로 범위를 나타낼 수 있다. 그런 다음 이 정보를 시뮬레이션 시스템에서 사용하여 게임 내에서 "에너지 수준"을 조정할 수 있다. 이 데이터는 예를 들어 게임 내에서 이점을 얻기 위해 사용될 수 있다. 스포츠 비디오 게임의 맥락에서, 게임 내에서 구매할 수 있는 동물 데이터 유형에는 더 빨리 달리고, 더 높이 뛰고, 더 긴 에너지 수명을 갖고, 더 멀리 공을 치는 능력 등이 포함될 수 있다. 도 10은 비디오 게임의 일 예를 예시하고, 이에 의해 사용자가 실제 동물 데이터에 부분적으로 기반하여 동물 데이터의 파생물(예: "에너지 레벨"과 같은 인공적으로 생성된 동물 데이터)을 구매할 수 있어 는 비디오 게임의 사용자에게 이점(예: 증가 에너지 수준에서 게임에서 승리할 가능성이 더 높음)을 제공한다. 또 다른 예에서, 동물 데이터에서 파생되고 동물 데이터와 적어도 하나의 특성을 공유하는 게임 내 인공 데이터는 또한 하나 이상의 시뮬레이션에서 파생될 수 있는 게임 내의 하나 이상의 대상에 하나 이상의 특수 권한을 제공할 수 있다. 다른 개선예에서, 사용자는 시뮬레이션에 입력되고 시뮬레이션에 통합될 수 있는 형태로 변환되는 실제 동물 데이터를 구매할 수 있는 능력을 가질 수 있다.
개선예에서, 시뮬레이션 시스템은 실제 동물 데이터(예: 생리학적 데이터)의 적어도 일부를 게임 내에서 사용되는 하나 이상의 통찰력, 계산된 자산 또는 예측 지표를 나타내는 인공 데이터로 변환한다. 통찰력, 계산된 자산, 또는 예측 지표는 시뮬레이션 내로 입력될 수 있는 형태로 변환된 인공 데이터로 동물 데이터의 게임의 전환뿐만 아니라 시뮬레이션(예를 들어, 게임)이 한 명 이상의 사용자에 대한 이점 또는 단점을 제공할 수 있는 방식으로 데이터의 시뮬레이션 시스템의 해석에 기초로 한다(예: 인간과 같은 동물의 피로를 보다 정확하게 투영하기 위해 실제 센서 데이터를 사용하는 격투 스포츠 게임에서 제공되는 "에너지 바"). 변환 및 해석을 수행하기 위해, 게임은 제공된 적절한 장점 또는 단점을 결정하기 위해 하나 이상의 시뮬레이션을 실행한다.
또 다른 개선예에서, 실제 동물 데이터의 적어도 일부를 포함하는 인공 동물 데이터는 사람들이 하나 이상의 베팅(가상 베팅 포함)을 할 수 있는 하나 이상의 새로운 시장(예: 프로포지션 베팅/내기)을 생성하기 위해 또는 하나 이상의 베팅과 관련된 추가 정보로서, 제공된다. 예를 들어, 하나 이상의 베팅은 생물학적 데이터를 기반으로 할 수 있고(예: 라이브 테니스 경기에서 플레이어 A의 심박수는 매치 X의 제 1 세트에서 180bpm을 초과할 것이며, 이는 임의의 주어진 베팅 시스템 내에서 제공되는 프로포지션 베팅일 수 있다.) 인공 데이터는 하나 이상의 실제 베팅에 대한 지원 정보로 사용될 수 있다(예: 플레이어 A의 심박수가 n번의 시뮬레이션에서 X 매치의 제 1 세트에서 180bpm 이상으로 올라갈 가능성을 예측하기 위해 하나 이상의 시뮬레이션을 수행할 수 있다). 또 다른 예에서, 라이브 실제 경기에서 "선수 A가 경기에서 승리할 것인가"가 선수 B인 경우, 동물 데이터의 적어도 일부를 사용하는 하나 이상의 시뮬레이션을 실행하여 하나 이상의 결과와 관련된 하나 이상의 확률 또는 예측을 생성할 수 있다. 변형예에서, 인공 데이터는 하나 이상의 실제 이벤트에 베팅하는 정보일 수 있다(예: 라이브 매치 X의 제 1 세트에서 플레이어 A의 "에너지 수준"이 n% 미만에 도달할 것인지). 또 다른 변형예에서, 인공 데이터는 시뮬레이션에서 하나 이상의 베팅에 대한 지원 정보로 사용될 수 있다(예: "시뮬레이트된 경기에서 플레이어 A가 플레이어 B와의 경기에서 승리할 것인지의 베팅이 시뮬레이션된 경기의 결과와 관련된 확률-기반 정보를 제공하도록 생성된 인공 데이터에 의해 지원될 수 있다). 또 다른 변형예에서, 인공 데이터는 시뮬레이션에서 하나 이상의 베팅일 수 있다(예: 플레이어 A의 시뮬레이션된 심박수는 시뮬레이션된 경기 X의 제 1 세트에서 180bpm을 초과할 것이다). 유리하게는, 인공 데이터에 대한 하나 이상의 베팅은 하나 이상의 시뮬레이션 시스템(예를 들어, 가상 현실, 혼합 현실 등) 내에서 발생할 수 있다. 하나 이상의 베팅은 생물학적 데이터 (예를 들어, 가상 현실 또는 증강 현실 시스템 내에서 볼 수 있는 라이브 테니스 경기에서 플레이어 A의 심박수는 경기 X의 제 1 세트에서 180bpm 이상이 될 것이며, 주어진 내기 시스템 내에서 제공되는 프로포지션 베팅일 수 있음) 또는 파생물(예: 축구 비디오 게임에서 가상 대상의 시뮬레이션된 "에너지 수준"이 전반부에 40% 미만으로 떨어질 것이며 시뮬레이션된 "에너지 수준"은 실제 플레이어 또는 대상의 생물학적 센서 데이터의 적어도 일부에서 파생되고 하나 이상의 시뮬레이션에서 생성됨)을 기반으로 할 수 있다. 시스템에 직접 제공된 생물학적 센서 데이터의 적어도 일부에서 생성된 시뮬레이션된 데이터는 주어진 결과에 대한 발생 확률을 이해하고 하나 이상의 시뮬레이션을 통해 하나 이상의 예측 지표를 제공하는 데 사용될 수도 있다. 예를 들어, 베터는 실제 경기 또는 시뮬레이션 게임(예: 비디오 게임)에서 경기의 마지막 10분 동안 플레이어 A의 시뮬레이션된 "에너지 수준"을 구매하여 플레이어 A가 경기에 이길지 (또는 비디오 게임 내에서 승리할지) 여부를 결정할 기회를 가질 수 있으며, 하나 이상의 시뮬레이션이 실행되고 데이터의 패턴을 인식하는 데 사용되는 하나 이상의 인공 지능 기술(예: 머신 러닝 기술)을 사용하여 결과를 예측한다. 생물학적 센서 데이터의 적어도 일부에서 생성된 인공 데이터는 특정 베팅의 결과(예: 게임 내에서 한 명 이상의 사용자에게 장점 또는 단점을 제공함으로써) 또는 시뮬레이션 게임 내에서의 발생에 영향을 미치기 위해 사용될 수도 있다. 예를 들어, 베터는 비디오 게임 내에서 가상 플레이어 A에 대해 더 많은 가상 "에너지"를 구매하여 플레이어 A가 시뮬레이션 게임에서 이길 가능성을 높일 수 있다.
개선예에서, 시뮬레이션된 데이터는 시스템 내 시뮬레이션의 일부뿐만 아니라 시뮬레이션 시스템(예: 가상 현실 시스템, 확장 현실 시스템) 내에서 사용될 수 있다. 예를 들어, 의료의 맥락에서 가상 현실("VR") 시스템은 실제 의료 절차를 복제하는 데 사용될 수 있다. 보다 구체적으로, VR 시스템과 같은 시뮬레이션 시스템은 실습, 평가, 학습, 테스트를 포함한 다양한 사용 사례에 대한 실제 의료 시나리오의 표현을 제공하거나 생물학적 시스템, 프로세스 또는 인간 행동에 대한 이해를 얻을 수 있다. 이러한 맥락에서, 시뮬레이션된 동물 데이터는 시스템에 의해 생성 및 통합될 수 있으며(예를 들어, 가상 현실 시스템 내에서 하나 이상의 생물학적 판독값 또는 환자의 활력을 나타내기 위해, 여기에는 시뮬레이션된 ECG, 호흡수 또는 생물학적 유체 데이터가 포함될 수 있다) 이는 시스템 사용자의 하나 이상의 작업(예: 의사가 가상 환자에게 약을 주사하고 가상 환자의 심박수 판독값과 같은 하나 이상의 생물학적 판독값을 변경한다)에 따라 변경 또는 수정될 수 있다. 그러나 시뮬레이션된 데이터는 사용자에 의해 파생되는 생물학적 데이터를 나타내기 위해 통합될 수도 있다(예: 사용자의 동물 데이터를 시뮬레이션에 입력하여 사용자의 센서 데이터 판독값을 표시할 수 있는 형식으로 변환한다. 예를 들어, 이 시나리오에서 사용자/의사는 가상 현실 시스템 내에서 수술을 수행하고 수술 중 한 명 이상의 의사가 들고 있는 객체에 통합될 수 있는 하나 이상의 센서에서 파생된 머리 움직임 또는 손 떨림과 같은 비정상적인 생체역학적 움직임을 기반으로 의사의 "스트레스", "긴장"과 같은 지표를 표시한다, 등). 다른 VR 예에서, 시뮬레이션된 데이터는 미래의 결과를 보여주기 위해 통합될 수 있다. 예를 들어, 의료 시뮬레이터 내의 사용자(예: 의사)는 자신의 동물 데이터 또는 가상 대상(예: 환자)의 동물 데이터에서 파생된 예측 동물 데이터 관련 결과를 가질 수 있으며, 이는 시스템 내에서 취해진 주어진 조치 또는 잠재적 조치를 기반으로 하는 하나 이상의 실제 대상에서 얻은 실제 동물 데이터에 기초한다. 경우에 따라 VR 시스템과 같은 시스템에는 가상 현실 시스템 내의 시나리오가 변경되거나 수정될 수 있는 시뮬레이션된 시스템을 운영하는 라이브 운영자가 포함될 수 있다. 그러한 경우에, 시뮬레이션 시스템 내에서 사용되는 시뮬레이션된 동물 데이터는 또한 한 명 이상의 작업자가 수행한 변경 또는 수정을 기반으로 변경 또는 수정될 수 있다. 개선예에서, 시뮬레이션 시스템의 하나 이상의 오퍼레이터는 건설적인 시뮬레이션의 경우와 같이 시뮬레이션된 오퍼레이터일 수 있다.
다른 변형예에서, 동물 데이터는 시뮬레이션(예: 게임) 시스템 내에서 결과에 영향을 미치거나 경쟁 우위를 확보하기 위해 사용될 수 있다. 이 변형예에서 시스템은 시뮬레이션 시스템(예: 비디오 게임 플레이)과 사용자의 동물 데이터(예: 생리학적 데이터)를 게임 자체에 통합한다. 보다 구체적으로, 게임 시스템이 실제의 사람 또는 한 명 이상의 실제 사람들의 하나 이상의 특성을 공유하는 캐릭터를 사용하는 경우 시스템은 실제 동물 데이터에 부분적으로 영향을 미치거나 플레이한 시뮬레이션 게임(예: 스포츠 비디오 게임, 온라인 가상 세계 게임, 그룹 피트니스 대회)의 게임 내 구매, 획득 또는 성취를 통해 결과에 영향을 미칠 수 있는 능력을 제공한다. 예를 들어, 사용자가 유사한 게임을 하고 있는 다른 사용자와 비교하여 또는 사용자의 기준 생물학적 판독에 비해 높은 실제 생물학적 판독값(예: 스트레스 수준 또는 높은 심박수)을 갖는 경우, 하나 이상의 가상 게임 내의 대상은 또한 사용자 및/또는 게임의 하나 이상의 대상에게 이점, 단점 또는 기타 표시를 제공할 수 있는 유사한 데이터 관련 응답(예: 높은 스트레스 수준, 높은 심박수)을 경험할 수 있다. 유리하게는, 이것은 실시간으로 또는 거의 실시간으로 발생할 수 있다. 장점, 단점 또는 기타 표시는 즉시 및/또는 특정 기간 동안 나타날 수 있다. 게임에 따라, 이점에는 보너스 포인트, 추가 강도, 사용 중인 피트니스 장비에 대한 더 쉬운 저항 수준에 대한 액세스(예: 다른 대상과 경쟁하는 사이클링 클래스) 등이 포함될 수 있다. 게임 내 단점으로는 점수 손실, 에너지 수준 감소, 대상이 사용하는 피트니스 장비에 더 많은 저항(예: 다른 대상과 경쟁하는 사이클링 클래스, 자전거 페달), 등을 포함할 수 있다. 유사하게, 사용자의 다양한 생물학적 기반 동물 데이터 판독값의 표시는 게임 내에서 사용자의 다양한 생물학적 기반 동물 데이터 판독값을 제공하는 보기 가능한 포털을 포함할 수 있다. 사용 사례에는 비행 시뮬레이션, 군사 시뮬레이터, 의료 시뮬레이터, 금융 시장과 관련된 주어진 상황에서 거래자가 어떻게 반응하는지 모니터링하는 고주파 거래 시뮬레이션 프로그램, 스포츠 비디오 게임, 피트니스 수업, 건강 시뮬레이터(행동 건강 포함), 등을 포함한다. 예를 들어, 사용자가 웹 브라우저 기반 슈팅 게임을 하는 경우, 실제 스트레스를 나타내거나 심박수가 높아지면 게임 내에서 슈터 줌 렌즈가 불안정해질 수 있다. 다른 예에서, 의사의 심박수, 스트레스 수준, 또는 생체역학적 움직임(예: 손)이 외과의사가 가진 이상(예: 외과의사가 스트레스를 받거나 손이 불안정함)을 나타내는 경우, 의사가 수술을 연습하는 가상 신체는 지표(예: 하나의 색상으로부터 다른 색상으로 변함)를 제공할 수 있다. 다른 한편으로, 최고의 생물학적 활동(예를 들어, 안정된 손과 일정한 심박수)을 보여주는 것은 게임 내에서 사용자와 게임(예를 들어, 슈터)의 해당 가상 캐릭터 또는 대상에게 이점을 제공할 수 있다. 이러한 생물학적 데이터 기반 동물 판독값(예: 실시간 심박수)은 한 명 이상의 상대방 또는 제3자가 볼 수 있으며, 이에 따라 상대방을 불리한 위치에 놓도록 전술이 생성될 수 있고(예: 게임 내 상대방의 실시간 심박수를 높이고 어떤 식으로든 상대방을 약화시킴), 피드백이 제공될 수 있으며, 보상 또는 기타 대가 사항(예: 금전적)이 제공될 수 있다. 하나의 개선예에서, 컨트롤러 또는 비컨트롤러 기반 동물 데이터 센서(예: 스마트워치, 온바디 또는 이식된 센서 등) 내에 내장된 센서가 있는 컨트롤러는 게임 자체와 통신한다. 추가 개선예에서, 센서와 시스템 간의 통신은 웹 브라우저를 통해 발생한다. 다른 개선예에서, 시뮬레이션된 데이터는 비디오 게임 또는 게임 기반 시스템에 의해 수집된 센서 데이터의 적어도 일부에 기초하여 구매될 수 있다. 이전에 설명된 바와 같이, 이 데이터는 예를 들어 게임 내에서 이점을 얻기 위해 사용될 수 있다. 스포츠 비디오 게임의 맥락에서, 게임 내에서 구매할 수 있는 실제 센서 데이터를 기반으로 하는 인공 데이터 유형에는 더 빨리 달리거나, 더 높이 뛰거나, 더 긴 에너지 수명을 갖거나, 더 멀리 공을 치거나, 에너지 수준에서 게임에서 승리할 가능성을 높일 수 있다. 제공되는 시뮬레이션된 생물학적 데이터의 유형에는 게임 내 하나 이상의 대상에 대한 하나 이상의 특수 권한이 포함될 수 있으며, 하나 이상의 특수 권한은 하나 또는 더 많은 시뮬레이션에서 파생되거나 또는 하나 이상의 통계 모델 또는 인공 지능 기술에서 생성될 수 있은 생물학적 데이터에 대한 적어도 하나의 관련된 특성을 이용한다. 게임 내에서 시뮬레이션된 데이터에 대한 업데이트는 시뮬레이션 시스템에서 데이터를 수집할 때 실시간 또는 거의 실시간으로 제공되거나 파생될 수 있다. 이 변형예에서, 위의 방법에 의해 생성된 자극 동물 데이터는 시뮬레이션 시스템에 제공될 수 있다.
변형예에서, 표적 대상의 생물학적 데이터에서 파생된 시뮬레이션 데이터는 시뮬레이션 내에서 사용되어 하나 이상의 다른 데이터 유형을 변경, 수정 또는 향상하여 하나 이상의 대상에게 정보를 제공할 수 있다. 예를 들어, 건강 시뮬레이터에서 시스템은 지정된 활동에 대한 미래의 생물학적 판독값을 예측하기 위해 표적 대상에서 파생된 시뮬레이션된 데이터를 사용할 수 있으며, 이로부터 다른 데이터(예: 표적 대상의 시각적 표현)를 생성, 수정 또는 향상될 수 있다. 파생된 시뮬레이션 데이터에는 운동 계획, 영양 계획 등과 같은 입력은 물론 표적 대상의 동물 데이터(표적 대상이 사용하는 하나 이상의 바이오센서를 통해 수집된 데이터 세트 포함) 및 현재 및/또는 또는 대상의 신체를 포함할 수 있는 표적 대상의 변경된 시각적 표현(예: 표적 대상이 조정할 수 있는 아바타 또는 기타 시각적 표현을 통해 대상의 "표적화된(targeted)" 미래 신체의 변경된 렌더링)을 포함할 수 있다. 하나 이상의 시뮬레이션의 출력은 생성된 시뮬레이션된 동물 데이터의 적어도 일부 또는 또는 하나 이상의 파생물, 대상의 신체를 포함할 수 있는 표적 대상의 변경된 시각적 표현(예: 시뮬레이션된 데이터의 적어도 일부를 사용하는 특정 운동 및 다이어트 계획 후 n일 후 아바타 또는 기타 시각적 표현을 통한 대상의 미래 신체의 변경된 렌더링) 등을 기초로 하는 최적 운동, 영양, 및 일상 생활 계획(예를 들면, 하루 수면 시간, 사회적 습관, 등)을 포함할 수 있다.
다른 변형예에서, 시뮬레이션(예: 비디오 게임 또는 게임 기반 시스템)의 한 명 이상의 사용자는 게임의 일부로 자신의 동물 데이터를 포함하고 (1) 다른 실제 대상(예: 프로 스포츠 선수, 피트니스 강사, 피트니스 챌린지에서와 같이 다른 소비자와 자신을 비교하려는 소비자, 게이머 등) 또는 (2) 하나 이상의 대상과 적어도 하나의 특성을 공유할 수 있는 가상 참가자(예: 아바타)와 경쟁할 수 있다. 시스템은 하나 이상의 시뮬레이션을 실행하여 실제 동물 데이터를 시뮬레이션 게임에서 사용되는 시뮬레이션 데이터로 변환하고, 및/또는 동물 데이터를 시뮬레이션 시스템에 입력될 수 있는 형태로 변환할 수 있다. 예를 들어, 사용자는 한 명 이상의 사용자 및 선수 X로부터 실제 동물 데이터의 적어도 일부를 기반으로 하는 시뮬레이션된 동물 데이터를 포함하는 시뮬레이션 게임(예: 가상 현실 게임) 내에서 선수 X와 일대일 테니스 경기에서 경쟁하기를 원할 수 있다. 사용자와 선수 X 모두는 다양한 생물학적 데이터(예: ECG, 심박수, 라켓 스윙 데이터와 같은 생체역학 데이터, 로케이션 데이터)를 전송하는 하나 이상의 센서를 사용할 수 있고, 이는 하나 이상의 추가 판독값(예: 스트레스 수준, 스윙 속도)으로 추가 계산되거나 게임 기반 메트릭(예: "에너지 수준" 막대, "스윙 파워" 막대)으로 변환되거나 통합될 수 있는 시스템 시뮬레이션된 데이터 출력을 생성하기 위해 하나 이상의 시뮬레이션으로 변환한다. 개선예에서, 게임에 참여하거나 시청하는 하나 이상의 시뮬레이션 게임 사용자 또는 관중은 게임/경쟁(예: 게임 시스템 내에서 선수 X에 대해 진행되는 경기)에 기초하여 내기를 걸거나 하나 이상의 제품을 생성하거나 수정할 수 있고, 이벤트 결과의 발생 확률 또는 배당률을 결정하고, 이벤트에 대해 이전에 결정된 확률 또는 배당률을 수정하거나 전략을 수립할 수 있다. 동물 데이터의 적어도 일부를 제공하는 대가로, 게임 또는 대회의 한 명 이상의 참가자(예: 선수 X 및/또는 한 명 이상의 게임 플레이어)는 이들의 데이터를 직접적으로 또는 간접적으로 이용하는 경쟁 내에서 수행된 내기(예를 들면, 승리하는 베팅으로부터) 또는 이루어진 구매로부터 대가의 일부분을 수용할 수 있다. 예를 들어, 스타 테니스 플레이어는 자신의 생물학적 데이터를 비디오 게임 시뮬레이션에 제공하여 게임 사용자가 스타 테니스 플레이어의 가상 표현으로서 또는 그에 대항하여 플레이할 수 있도록 할 수 있다. 이러한 상황에서, 사용자는 데이터 또는 그 파생물(예: 실제 동물 데이터의 적어도 일부를 기반으로 생성된 인공 데이터)에 대한 액세스에 대해 시뮬레이션 운영자(예: 비디오 게임 회사)에 요금을 지불할 수 있으며, 그 중 일부는 스타 테니스 플레이어에게 갈 수 있다. 대안적으로, 시뮬레이션 운영자는 시뮬레이션 게임 내에서 데이터 사용에 대해 선수에게 라이센스 요금을 지불하거나 기타 대가(예: 게임 판매 또는 판매된 데이터 관련 제품의 비율)를 제공할 수 있다. 다른 예에서, 시뮬레이션 오퍼레이터는 게임 자체에 (예를 들어, 사용자와 스타 테니스 플레이어 사이) 하나 이상의 베팅/내기를 수행하거나 게임 내의 프로포지션 베팅(예를 들어, 게임 내의 다양한 측면에 기초한 마이크로 베팅)을 가능하게 할 수 있다. 개선예에서, 하나 이상의 프로포지션 베팅은 동물 데이터 및/또는 그 하나 이상의 파생물(시뮬레이션된 데이터 포함)의 적어도 일부를 기반으로 한다. 이 상황에서, 사용자 및/또는 스타 테니스 플레이어는 각 베팅, 총 베팅 수 및/또는 적어도 데이터의 일부를 기초하여 생성되고, 제공되고, 및/또는 판매된 하나 이상의 제품으로부터 대가의 일부분을 받을 수 있다. 다른 예에서, 피트니스 수업에서, 강사는 강사와 사용자(예: 10분 동안 가장 많이 페달을 밟을 수 있는 사람) 사이에 이루어진 모든 내기에 대해 보상을 받을 수 있거나 게이머가 생물학적 데이터의 적어도 일부를 통합하는 프로포지션 베팅을 위한 보상을 받을 수 있다. 개선예에서, 하나 이상의 시뮬레이션의 일부로 동물 데이터의 적어도 일부를 하나 이상의 제3자에게 제공하는 하나 이상의 대상은 데이터에 대한 액세스 제공에 대한 대가를 받을 수 있다.
개선예에서, 시뮬레이션 시스템은 사용자 또는 사용자 그룹에 바람직한 하나 이상의 특성을 특징으로 하는 하나 이상의 시뮬레이션된 대상(하나 이상의 실제 요지를 나타낼 수 있음)에 대한 인공 데이터를 생성한다. 생성된 인공 데이터는 산출, 계산, 추정, 추출, 외삽, 시뮬레이션, 생성, 수정, 할당, 향상, 추정, 평가, 추론, 설정, 결정, 변환, 연역, 관찰, 의사 소통 또는 하나 이상의 예측 또는 확률에 대한 조치를 위해 이용될 수 있는 하나 이상의 인공 데이터 세트를 생성하도록 하나 이상의 인공 데이터에서 사용될 수 있다(예를 들어, 베이스라인의 일부로서). 예를 들어, 의료 제공자가 특정 특성(예: 연령, 체중, 키, 병력, 사회적 습관, 특정 의학적 상태)을 특징으로 하는 표적 환자에게 특정 용량의 약물의 효과를 결정하고자 하는 경우, 의료 제공자는 약물이 표적 환자에게 미칠 영향을 결정하기 위해 특정 용량의 약물 또는 약물이 제공된 환자를 포함하여 표적 환자와 하나 이상의 공통 특성을 공유하는 다른 환자 데이터를 사용하여 하나 이상의 시뮬레이션을 실행할 수 있으며, 의료 제공자는 또한 시뮬레이션된 데이터를 사용하여 하나 이상의 다른 잠재적 결과(예: 약물 투여가 심장마비로 이어질 확률, 약물이 심한 메스꺼움을 유발할 확률 등)를 평가한다. 의료 제공자가 원하는 특정 특성을 가진 대상에 대한 약물 영향을 결정하기 위해 하나 이상의 시뮬레이션을 실행하기 위해 충분히 큰 데이터 세트가 없거나 추가 데이터가 필요한 경우, 의료 제공자는 하나 이상의 시뮬레이션을 실행하거나 확률 평가의 일부로서 의료 제공자가 원하는 하나 이상의 변수(예를 들어, 약물의 양)를 갖는 표적 환자의 특정 특성을 특징으로 하는 본원에 기재된 다른 방법에 의해 인공 데이터 세트를 생성할 수 있다. 그런 다음 의료 제공자는 하나 이상의 추가 시뮬레이션에서 기준선의 일부로 하나 이상의 인공 데이터 세트를 사용하여 발생 확률을 결정할 수 있다. 개선예에서, 의료 제공자는 각각의 시뮬레이션 실행에 대해 보험 회사에(또는 그 반대로) 비용을 청구할 수 있으며, 이는 하나 이상의 당사자에게 혜택을 제공할 수 있다(예를 들어, 하나 이상의 시뮬레이션은 의료 제공자에게 일어날 확률을 제공할 수 있다). 변형예에서, 표적 환자, 보험 제공자, 의료 제공자 또는 이들의 조합은 주어진 조치가 취해진 하나 이상의 효과를 결정하기 위해 입원 치료를 받기 전에 하나 이상의 시뮬레이션을 수행하도록 선택할 수 있거나 의료 제공자가 사용하는 방법이 환자에게 응용될 수 있다.
개선예에서, 하나 이상의 인공 지능 기술은 하나 이상의 생물학적 센서 출력을 평가하고 하나 이상의 데이터 품질 평가를 수행하여 수집된 센서 데이터와 생성된 인공 데이터 값 모두에 사용될 수 있다. 또 다른 개선예에서, 하나 이상의 신경망은 하나 이상의 생물학적 센서 출력(예: 신호, 판독값)을 테스트하는 데 사용될 수 있는 하나 이상의 데이터 값은 물론 하나 이상의 센서 출력을 생산하기 위해 이용된 알고리즘을 생성하도록 훈련될 수 있다.
다른 개선예에서, 하나 이상의 생물학적 센서로부터 생성된 하나 이상의 값(예를 들어, 특이값, 결측값)을 검출하고 대체할 때 하나 이상의 인공 데이터 값이 생성된다. 많은 경우에 하나 이상의 센서는 데이터를 필터링하고 하나 이상의 값(예: 심박수 값)을 생성하기 위한 서버 적용 방법 또는 기술이 서버에 제공되는 측정값(예를 들어, 원시 AFE 데이터와 같은 아날로그 파생 측정값)을 새성한다. 그러나 데이터의 신호 대 잡음비가 매우 낮거나 하나 이상의 값이 누락된 경우 인공 데이터 값을 생성하기 위해 사전 필터 논리가 필요할 수 있다. 일 양태에서, 생성된 하나 이상의 데이터 값이 깨끗하고 미리 결정된 범위 내에 맞는 것을 보장하기 위해 시스템이 센서로부터 생성된 데이터를 "고정(fix)"하는 여러 단계를 수행하는 사전 필터 방법이 제안된다. 사전 필터 논리는 센서에서 데이터를 수집하고, 특이값 또는 "나쁜(bad)" 값을 감지하고, 이러한 값을 예상 또는 "양호한(good)" 인공 값으로 바꾸고, 하나 이상의 동물 데이터 값(예: 심박수 값) 계산으로 "양호한" 인공 값을 전달한다. "고정"이라는 용어는 하나 이상의 대체 데이터 값(즉, "양호한" 값)을 생성하여 미리 설정된 임계값을 벗어날 수 있는 값으로 대체하는 능력을 지칭하고, 상기 하나 이상의 "양호한" 데이터 값은 생성된 값의 시계열로 정렬되고 미리 설정된 임계값 내 고정한다. 이러한 단계는 하나 이상의 생물학적 데이터 값(예: 심박수 값)을 계산하기 위해 수신된 생물학적 데이터에 대해 조치를 취하는 임의의 논리 이전에 발생한다.
유리하게는, 하나 이상의 데이터 값의 식별 및 교체를 위한 사전 필터 논리 및 방법론은 원시 및 처리된 출력을 포함하여 수집된 임의의 유형의 센서 데이터에 응용될 수 있다. 설명을 위해, 그리고 아날로그 프런트 엔드 측정(AFE)과 같은 원시 데이터가 표면 근전도(sEMG) 신호와 같은 다른 파형으로 변환될 수 있지만, 현재 공개되고 청구된 요지는 ECG 및 심박수(HR) 값으로의 변환에 초점을 맞춘다. 그러나, 현재 개시되고 청구된 요지는 수집된 센서 데이터의 유형으로 제한되지 않는다. 이전에 설명된 바와 같이, 사전 필터 로직은 하나 이상의 센서에서 생성된 AFE 값의 시계열에서 신호 대 잡음비가 0이거나 0에 가까우거나 수치적으로 작은 시나리오에서 중요해진다. 이 경우, 하나 이상의 심박수 값을 생성하는 하나 이상의 시스템 또는 방법은 하나 이상의 이러한 값을 무시할 수 있으며, 일부 경우에는 생성된 심박수 값이 생성되지 않거나 사전 확립된 매개변수, 패턴 및/또는 임계값을 벗어날 수 있는 생성된 심박수 값이 발생할 수 있다. 이러한 AFE 값은 대상이 하나 이상의 다른 생리적 매개변수(예: 근육 활동)를 증가시키는 행동을 취하거나 동일한 센서가 도입되거나 연결을 악화시키거나 다른 변수에서 파생된 경쟁 신호에서 발생할 수 있다. 이것은 차례로 일관성 없는 HR 시리즈를 만들 수 있다.
이를 해결하기 위해 기존에 생성된 값이 아닌 미래의 값을 보고 하나 이상의 데이터 값을 생성하는 방법이 확립되어 있다. 보다 구체적으로, 시스템은 하나 이상의 이상치 신호 값을 감지하고 이상치 값을 예상 범위(예: 설정된 상한 및 하한) 내에 속하는 하나 이상의 신호 값으로 대체할 수 있으므로, 동시에 각 값 사이의 분산을 줄이면서 시리이즈를 유연하게 하는 효과를 갖는다. 설정된 예상 범위는 개체, 센서 유형, 하나 이상의 센서 매개변수, 하나 이상의 센서 특성, 하나 이상의 환경 요인, 개체의 하나 이상의 특성, 개체의 활동 등이 있다. 예상 범위는 또한 이전에 수집된 센서 데이터의 적어도 일부 및/또는 그 하나 이상의 파생물, 그리고 가능하게는 전술한 변수 중 하나 이상를 사용하여 예상 범위가 될 수 있다. 예상 범위는 또한 일정 기간 동안 변경될 수 있으며 본질적으로 동적이며 하나 이상의 변수(예: 사람이 종사하는 활동 또는 환경 조건)에 따라 조정된다. 변형예에서, 하나 이상의 인공 지능 기술은 수집된 센서 데이터의 적어도 일부 및/또는 하나 이상의 센서로부터의 하나 이상의 파생물을 적어도 부분적으로 생성하도록 이용될 수 있다.
미래 값을 기반으로 하나 이상의 값을 생성하는 원하는 결과를 달성하기 위해, 시스템은 먼저 센서의 "정상(normal)" 또는 "예상(expected)" AFE 값 중 하나 이상를 샘플링하고 통계 테스트 및 탐색적 데이터 분석을 응용하여 센서에 의해 생성된 각각의 AFE 값의 허용 가능한 상한 및 하한을 결정하고 이는 사분위수 범위(IQR), 분포 및 백분위수 컷오프, 첨도 등과 같은 특이값 감지 기술을 포함할 수 있다. 정상 또는 예상 AFE 값은 이전에 수집된 센서 데이터의 적어도 일부를 사용하여 결정될 수 있다. 정상 또는 예상 AFE 값으로 간주되는 값은 센서, 센서 매개변수 또는 정상 또는 예상되는 것으로 판단되는 요인으로 고려될 수 있는 기타 매개변수/특성(예: 대상, 대상이 참여하는 활동)에 의해 변화할 수 있다.
특이값이 식별되면, 사전 필터 논리는 백워드 필(backward fill) 방법을 사용하여 하나 이상의 특이값(즉, 허용되는 하한 및 상한을 벗어나는 AFE 값)을 샘플의 현재 윈도우에서 정상 범위 내에 있는 사용 가능한 다음 값으로 채운다. 그 결과 처리할 수 없는 노이즈가 없는 더 깨끗하고 예측 가능한 시계열 값이 생성된다. 개선예에서, 하나 이상의 값은 모델이 AFE 값의 과거 시퀀스가 주어지면 다음 AFE 값을 예측하도록 훈련된 하나 이상의 인공 지능 기술을 사용하고 및/또는 하나 이상의 특이값을 대체하여 생성하여 값의 시퀀스가 정상 범위 내에 있도록 한다. 변형예에서, 사용자는 센서에서 생성된 AFE 신호와 유사한 파형을 설명하는 경험적 또는 수학적 공식 기반 방법을 사용할 수 있다.
심박수 값의 경우, 시스템은 n초 분량의 AFE 데이터를 포함하도록 원시 데이터를 처리하는 사전 필터 로직에 의해 사용되는 데이터의 양을 늘릴 수 있다. 시스템에서 수집하고 사용하는 데이터의 양이 증가하면 QRS 컴플렉스를 식별하는 데 사용되는 간격의 수가 증가함에 따라 시스템에서 HR 생성 값의 더 예측 가능한 패턴을 생성할 수 있다. 이는 HR이 1초 하위 간격에 대해 계산된 HR 값의 평균이기 때문에 발생한다. n초는 미리 결정되거나 동적일 수 있는 조정 가능한 매개변수이다. 개선예에서, 하나 이상의 이전에 수집된 데이터 세트에 기초하여 주어진 범위 내에 속하는 하나 이상의 값을 생성하는 데 필요한 AFE 데이터의 n초 수를 예측하기 위해 하나 이상의 인공 지능 기술이 사용될 수 있다.
표 3은 하나 이상의 매개변수가 조정 가능(조화 가능)할 수 있는 잡음 입력에서 AFE 예측의 훈련 및 테스트를 위해 LSTM 방법을 사용하여 인공 동물 데이터(예: 인공 센서 값)를 생성하기 위한 의사 코드의 예를 제공한다.
표 3. 잡음이 있는 입력에서 AFE 예측의 훈련 및 테스트를 위한 의사 코드
......................................................................
단계 1. 네트워크 구성
* 단계 1a. 시간 단계 설정 = nt {=20}
* 단계 1b. 옵토마이저 설정 = ADAM(학습률 = lr, 베타 = b) {lr = 0.002; b=0.5}
* 단계 1c. 에퍼크 설정 = ne {=100}
* 단계 1d. 훈련을 위한 배치 크기 설정 = bs {=512}
* 단계1e. 테스트에 대한 입력 행 설정 = rc {=1000}
단계 2. 사용 가능한 동물 데이터(예: ECG 데이터) 로드
* 단계 2a. 파일에서 데이터 프레임(테이블)으로 사용 가능한 동물 데이터 읽기
단계 3. LSTM 모델 생성
* 단계 3a. 입력 시퀀스 = 시간 단계, nu 단위 {nu=20}로 순차 LSTM 모델 생성
* 단계 3b. alpha=0.3인 누출 정류 선형 장치(LeakyReLU) 출력과 0.3의 드롭아웃을 사용하여 유닛 수가 10{nu=10}인 숨겨진 레이어를 추가
* 단계 3c. 실수 값 동물 데이터 출력을 위해 LeakyReLU로 출력 레이어 추가
* 단계 3d. 모델을 컴파일하고 손실 함수 및 ADAM 옵티마이저로 평균 제곱 오차(MSE) 설정
단계 4. 모델 학습
* 단계 4a. 위에서 만든 데이터 프레임 읽기
* 단계 4b. 데이터 재구성
* 단계 4c. 시간 단계와 길이가 같은 입력 시퀀스의 튜플과 1개의 실수 값 출력(동물 데이터 읽기)을 만든다.
* 단계 4d. 값을 [-1,1]로 정규화하기 위해 데이터((X-평균)/표준편차)에 표준화를 적용.
* 단계 4e. 모델에 데이터 맞추기
단계 5. 테스트 모델
* 단계 5a. 실제 동물 데이터 판독값의 정규화된 입력을 길이 시간 단계의 시퀀스로 전달하여 다음 동물 데이터 판독값을 예측한다.
* 단계 5b. 이전 시퀀스에서 첫 번째 동물 데이터를 삭제하고 예측을 추가하여 다음 입력 생성
* 단계 5c. 모델에 다음 입력을 전달하여 다음 판독값 예측
* 단계 5d. 출력 관찰 및 반복
......................................................................
도 11은 15개의 노드가 있는 입력 레이어와 10개의 노드가 있는 은닉 레이어가 있는 LSTM 신경망(도면에서 "PRED. AFE"로 표시됨)을 사용하여 생성된 예측 AFE 값이 있는 바이오센서에서 파생된 AFE 데이터(도면에서 "AFE"로 표시됨)의 샘플 외 테스트를 보여준다. 노드 수는 조정 가능한 매개변수일 수 있다. 이 예측을 수행하는 데 사용된 AFE 값의 기록은 20이다(즉, 20개의 타임스탬프 검색). 기록 값의 수는 조정 가능한 매개변수일 수 있다. 이러한 예시에서, 모델은 실제 AFE 값이 아닌 신호를 유발할 수 있는 신체 활동 중 발생하는 잡음이나 교란이 없는 AFE 데이터에 대해 훈련되었다. 이를 통해 시스템은 정상적인 AFE 값의 과거 시퀀스가 제공되는 정상적인 AFE 값을 예측할 수 있다. 기준선 정상 AFE 값에 대해 모델을 훈련하는 것 외에도, 시스템은 동물 데이터와 비동물 데이터 세트를 모두 포함할 수 있는 다른 수집된 데이터로 훈련할 수도 있다. 이러한 훈련은 시스템이 데이터를 수신할 때 과거 데이터와 현재(예: 활성) 데이터 세트(예: 실시간 또는 실시간 스포츠 경기와 같이 거의 실시간으로 수집된 데이터)를 사용하여 발생할 수 있다. 시스템은 이러한 수집된 데이터를 사용하여 더 정확한 예측, 확률, 또는 가능성을 생성할 뿐만 아니라 이전에 수집된 데이터 속성에 기초하여 하나 이상의 표적 개체에 대해 하나 이상의 예측, 확률, 또는 가능성을 조정할 수 있다.
데이터의 전처리가 QRS 컴플렉스에서 가능한 R-피크를 복제하지 않을 수 있지만 하나 이상의 잡음이 있는 값을 정상 또는 예상 신호 범위로 가져오면 다운스트림 필터와 시스템에서 HR 값을 생성할 수 있어. 품질 신호가 없을 때 예상 범위에 속하는 하나 이상의 HR 값을 생성한다. 심박수 및 기타 생물학적 데이터를 측정하기 위한 시스템과 관련된 추가 세부사항은 2019년 1월 14일에 출원된 미국 특허 출원 번호 제 16/246,923호 및 2020년 1월 14일에 출원된 미국 특허 제 PCT/US20/13461호에 개시되고; 그 전체 개시 내용은 인용에 의해 본원에 포함된다.
개선예에서, 시뮬레이션 시스템은 데이터 세트를 완성하기 위해 인공 데이터 값을 생성한다. 예를 들어, 임의의 주어진 생물학적 데이터(예: 심박수)를 수집하는 센서는 센서가 데이터를 수집, 분석 및/또는 시뮬레이션에 배포하는 것을 방지하는 발생을 가질 수 있다(예: 하나 이상의 센서가 대상에서 떨어지고, 센서 전원이 부족하여 데이터 수집을 중지한다). 이 예에서, 시뮬레이션 시스템은 데이터 세트를 완성하기 위해 하나 이상의 인공 데이터 세트를 생성할 수 있다(예: 대상이 40분 동안 달리고 있고 심박수 센서의 배터리가 30분 후에 소진되면 시뮬레이션 시스템은 인공적으로 심박수 데이터의 마지막 10분을 생성할 수 있고, 이는 이전에 수집된 데이터 및 데이터 세트, 속도, 거리, 환경 조건 등을 포함하는 하나 이상의 변수를 고려할 수 있음).
다른 개선예에서, 사용자는 하나 이상의 명령을 제공하고, 하나 이상의 컴퓨팅 디바이스(예: 시뮬레이션 시스템, 컴퓨팅 디바이스, 또는 제3자)는 시뮬레이션된 데이터 또는 그 파생물의 적어도 일부를 사용하여 하나 이상의 명령의 적어도 일부를 충족하는 하나 이상의 조치를 수행한다. 명령은 물리적 신호(예: 애플리케이션의 아이콘 클릭) 또는 구두 신호(예: 음성 활성화 가상 비서 또는 기타 통신 매체와 말하기)를 포함하는 다양한 방법을 통해 시작될 수 있다. 하나 이상의 명령은 또한 신경학적으로 시작될 수 있다. 예를 들어, 컴퓨팅 디바이스(예: 뇌-컴퓨터 인터페이스)는 뉴런으로부터 대상의 뇌 신호 중 하나 이상를 획득하고, 하나 이상의 뇌 신호를 분석하고, 하나 이상의 뇌 신호를 원하는 작업을 수행하는 출력 장치로 릴레이되는 명령으로 하나 이상의 뇌 신호를 변환한다. 뇌 신호의 획득은 대상의 뇌에 이식될 수 있는 하나 이상의 센서를 포함하여 다양한 메커니즘을 통해 발생할 수 있다. 하나 이상의 명령에 기초하여, 하나 이상의 컴퓨팅 디바이스에 의해 취해진 하나 이상의 조치는: (1) 하나 이상의 내기를 할 것인지 여부를 추천하는 것; (2) 하나 이상의 제품을 생성, 향상, 수정, 획득, 제공, 또는 배포하는 것; (3) 하나 이상의 예측, 확률, 또는 가능성을 평가, 계산, 추정, 수정, 향상, 또는 전달하는 것; (4) 하나 이상의 전략을 수립하는 것; (5) 하나 이상의 베팅을 포함하여 하나 이상의 조치를 취하는 것; (6) 하나 이상의 위험을 완화하거나 방지하는 것; (7) 하나 이상의 조치를 권장하는 것; 또는 (8) 이들의 조합 중 적어도 하나를 포함한다. 예를 들어, 사용자는 사용자가 특정 내기를 하기를 원한다는 것을 음성 인식 비서에게 구두로 전달할 수 있다. 음성 인식 비서는 시뮬레이션된 동물 데이터의 적어도 일부에 부분적으로 기초하여 확률 또는 승산을 평가함으로써 내기를 할 것인지 여부를 사용자에게 알릴 수 있다. 그런 다음 내기를 할 수 있다. 다른 예에서, 사용자는 사용자가 심장 상태를 가질 때 사용자가 신체 활동에 참여하기를 원한다는 것을 그들의 음성 인식 비서에게 구두로 전달할 수 있다. 음성 인식 비서는 신체 활동과 관련된 심장 및 기타 건강 위험을 결정하기 위해 사용자의 시뮬레이션된 동물 데이터의 적어도 일부에 부분적으로 기초하여 확률 또는 배당률을 평가함으로써 활동에 참여할지 여부를 사용자에게 알릴 수 있다.
개선예에서, 하나 이상의 컴퓨팅 디바이스는 사용자에 의해 제공되는 명령에 대한 응답을 얻기 위해 하나 이상의 일련의 단계를 수행할 수 있다. 예를 들어, 사용자는 하나 이상의 시뮬레이션을 통해 정보를 생성하도록 컴퓨팅 디바이스의 프로그램을 요청할 수 있으며, 그로부터 응답이 사용자에게 제공될 수 있다(예: 목표 칼로리를 태우기 위해, 시간, 활동, 목표로 하는 생물학적 판독값을 순서대로 포함하는 최적의 운동 계획). 다른 예에서, 사용자가 내기를 걸 것인지 여부를 결정하기 위해 컴퓨팅 디바이스 또는 제3자 시스템에 구두 명령을 제공하는 경우, 음성 인식 비서는 사용자에게 베팅할지 여부를 알려주기 위해 적어도 하나의 시뮬레이션을 실행할 수 있다. 변형예에서, 컴퓨팅 디바이스는 사용자가 설정한 하나 이상의 임계값에 기초하여 사용자를 대신하여 하나 이상의 조치를 수행할 것이며, 하나 이상의 조치는 시뮬레이션된 데이터 또는 그 하나 이상의 파생물의 결과로서 직접적으로 또는 간접적으로 시작된다. 예를 들어, 컴퓨팅 시스템 또는 제3자는 발생 확률을 변경할 수 있는 다양한 입력 및 변수를 실시간 또는 거의 실시간으로 모니터링하는 능력을 가질 수 있다. 주어진 시간에 동물 데이터의 적어도 일부를 사용하여 하나 이상의 시뮬레이션을 실행함으로써 시스템은 내기가 발생하도록 할 수 있는 발생의 수정된 배당률을 제공할 수 있다. 이 시나리오 및 스포츠 베팅의 맥락에서, 사용자는 확률 임계값에 도달할 때 베팅을 하도록 시스템을 설정할 수 있거나(예: 플레이어 A의 심박수의 가능성이 경기 X의 제 3 세트의 제 4 게임에서 200 bpm 위로 가는 경우, 사용자는 시스템을 플레이어 A의 심박수가 경기 X의 제 3 세트의 제 4 게임에서 200 bpm 위에 도달하도록 베팅을 하도록 설정될 수 있다) 또는 사용자에게 베팅을 하여야 한다는 확인을 제공할 수 있다(예: 구두 알림, 스마트 워치의 진동과 같은 운동 감각 알림, 가상 현실 또는 증강 현실 시스템 내의 팝업과 같은 시각적 알림, 전화의 문자 메시지, 앱의 경고 등). 파생물에는 하나 이상의 계산된 자산, 통찰력 및/또는 예측 지표가 포함될 수 있다. 변형예에서, 시뮬레이션된 데이터의 적어도 일부는 하나 이상의 통찰력, 계산된 자산 또는 예측 지표를 생성하는 데 사용된다. 이 시나리오에서, 컴퓨팅 시스템 또는 제3자는 하나 이상의 시뮬레이션을 실행하여 생성된 시뮬레이션된 데이터에 적어도 부분적으로 기초하여 발생 확률을 생성할 수 있다.
또 다른 개선 사항에서, 시뮬레이션된 데이터를 건강 모니터링 시스템의 일부로 사용할 수 있다. 예를 들어, 건강 플랫폼 또는 애플리케이션과 같은 건강 모니터링 시스템은 하나 이상의 표적 개체 또는 표적 개체의 그룹으로부터 알려진 생물학적 관련 문제를 식별하기 위해 데이터 세트를 상호 연관시키기 위해 하나 이상의 인공 지능 기술을 사용하도록 그리고 수집된 데이터를 기반으로 생물학적 관련 문제를 식별하기 위해 하나 이상의 데이터 세트 내 숨겨진 패턴을 식별하도록 작동 가능할 수 있다. 여기에는 이전에 알려진 문제와 상관 관계가 없었던 데이터 내에서 완전히 새로운 패턴을 찾거나 새로운 문제를 식별할 수 있는 하나 이상의 데이터 세트에서 새로운 패턴을 찾는 것이 포함될 수 있다. 애플리케이션은 사용자가 (i) 하나 이상의 예측 확률, 또는 가능성을 평가, 계산, 도출, 수정, 향상, 또는 전달하고; (ii) 하나 이상의 전략을 수립하고; (iii) 하나 이상의 조치를 취하고; (iv) 하나 이상의 위험을 완화하거나 방지하고; (v) 하나 이상의 조치를 권장하거나; 또는 (vi) 이들의 조합 중 적어도 하나에 사용자가 할 수 있는 하나 이상의 인공 데이터 세트를 생성하기 위해 하나 이상의 시뮬레이션을 추가로 실행하도록 작동할 수 있다. 하나 이상의 시뮬레이션에서 생성된 인공 데이터는 하나 이상의 통찰력, 계산된 자산 또는 예측 지표를 생성, 수정 또는 향상하는 데 사용되거나 하나 또는 더 많은 통찰력, 계산된 자산 또는 예측 지표를 추가로 생성, 향상, 또는 수정할 수 있는 하나 이상의 시뮬레이션에서 사용될 수 있다. 모니터링 시스템의 한 명 이상의 사용자에게 동물 데이터 및 하나 이상의 파생물(예: 시뮬레이션 데이터, 예측 지표, 계산 자산)의 통신은 실시간 또는 거의 실시간으로 발생하여 표적 대상 및 시뮬레이션된 데이터에서 파생된 잠재적인 미래 위험의 전체론적 관점을 제공할 수 있다. 이는 애플리케이션 내의 디스플레이를 통해 발생할 수 있거나(예: 심박수, 호흡수, 생물학적 유체 수준 등과 같은 생물학적 데이터, 및 "에너지 수준", 생물학적 사건을 경험할 확률, 하나 이상의 시뮬레이션 실행을 기반으로 한 하나 이상의 생물학적 판독값과 관련된 즉각적인 위험 위협과 같은 통찰력) 다른 형태(예: 가상 비서를 통한 구두, 증강 현실 디스플레이의 일부로 시각적)로 전달된다. 이러한 건강 모니터링 제품은 피트니스, 원격 의료/의료(원격 환자 모니터링 포함), 보험, 일반 비즈니스(예: 직원 건강), 항공, 자동차 등을 포함한 다양한 산업에 사용될 수 있다. 변형예에서, 건강 모니터링 시스템은 수집된 센서 데이터의 적어도 일부를 사용하는 실행 중인 하나 이상의 시뮬레이션에 기초하여 건강 또는 의학적 상태를 검출할 수 있으며, 이는 경보가 다른 하나 이상의 컴퓨팅 디바이스(예: 병원, 의료 전문가)로 전송되도록 촉발할 수 있다.
유리하게는, 그러한 정보는 웹 브라우저와의 직접적인 센서 통신을 통해 실시간 또는 거의 실시간으로 전달될 수 있다. 개선예에서, 시뮬레이션된 데이터는 데이터 추적 시스템, 특히 연결 애플리케이션 및 서버를 포함하는 생물학적(동물) 데이터 추적 시스템에서 생성되거나 그 일부로 사용될 수 있다. 연결 애플리케이션은 복수의 무선 통신 가능 데이터 센서(예: 웨어러블 생물학적 센서 및/또는 기타 무선 통신 가능 데이터 센서) 각각과 무선 통신을 설정하고, 센서로부터 하나 이상의 데이터 스트림을 수신하고, 브라우저 애플리케이션을 통해 스트리밍된 데이터의 적어도 일부에서 파생된 하나 이상의 판독값을 디스플레이한다. 서버는 사용자가 웹 페이지에 접근하는 것에 응답하여 연결 어플리케이션을 브라우저로 전송할 수 있다. 연결 애플리케이션은 하나 이상의 데이터 스트림을 서버에 전송할 수 있으며 서버는 하나 이상의 판독값을 계산한다. 복수의 무선 통신 가능 센서는 상이한 통신 인터페이스를 사용하여 연결 애플리케이션과 통신하는 센서를 포함하는 적어도 2개의 상이한 유형의 센서를 포함할 수 있다. 시뮬레이션된 데이터 또는 그 하나 이상의 파생물을 포함하는 판독값 중 적어도 하나는 2개의 상이한 센서로부터의 데이터 스트림의 적어도 일부로부터 파생될 수 있다. 하나 이상의 데이터 스트림은 또한 시뮬레이션된 데이터가 생성될 수 있는 하나 이상의 시뮬레이션의 입력일 수 있다. 변형예에서, 하나 이상의 판독값은 또한 2개 이상의 상이한 센서로부터의 하나 이상의 데이터 스트림의 적어도 일부를 이용하는 하나 이상의 시뮬레이션으로부터 파생될 수 있다. 연결 애플리케이션은 순차적으로 또는 동시에 발생할 수 있는 하나 이상의 센서 설정을 변경하기 위해 원격 제어 장치 및/또는 복수의 센서의 하위 집합에 하나 이상의 명령을 전송하도록 동작할 수 있다.
또 다른 개선예에서, 시뮬레이션된 데이터는 하나 이상의 무선 통신 가능 데이터 센서(예: 생물학적 데이터 센서), 컴퓨팅 디바이스, 및 연결 애플리케이션을 포함하는, 데이터 추적 시스템, 특히 생물학적 (동물) 데이터 추적 시스템으로부터 생성될 수 있거나 이의 부분으로서 사용될 수 있다. 하나 이상의 무선 통신 가능 데이터 센서는 상이한 통신 인터페이스를 사용하여 연결 애플리케이션과 통신할 수 있는 적어도 2개의 상이한 유형의 센서를 포함할 수 있다. 컴퓨팅 디바이스는 네트워크 연결(예: 인터넷) 및 브라우저 애플리케이션(예: 브라우저 소프트웨어 실행)을 포함한다. 브라우저 내에서 실행되는 연결 애플리케이션은 하나 이상의 센서 각각과 하나 이상의 무선 통신 링크를 설정하고, 하나 이상의 센서로부터 하나 이상의 데이터 스트림을 수신하고, 브라우저 애플리케이션을 통해 스트리밍된 데이터의 적어도 일부에서 파생된 하나 이상의 판독값을 디스플레이한다. 연결 애플리케이션은 또한 하나 이상의 센서 설정을 변경, 조정 및/또는 수정하기 위해 하나 이상의 명령을 하나 이상의 무선 통신 가능 데이터 센서에 전송할 수 있다. 시뮬레이션된 데이터를 포함할 수 있는 판독값 중 적어도 하나는 2개 이상의 상이한 센서로부터의 하나 이상의 데이터 스트림의 적어도 일부로부터 파생될 수 있다. 하나 이상의 데이터 스트림은 또한 시뮬레이션된 데이터가 생성될 수 있는 하나 이상의 시뮬레이션의 입력일 수 있다. 변형예에서, 하나 이상의 판독값은 또한 2개 이상의 상이한 센서로부터의 하나 이상의 데이터 스트림의 적어도 일부를 이용하는 하나 이상의 시뮬레이션으로부터 파생될 수 있다. 시스템은 또한 네트워크 연결(예: 인터넷)을 통해 하나 이상의 데이터 스트림을 수신하고 판독값을 계산하도록 구성된 서버를 포함할 수 있다. 서버는 또한 사용자가 웹 페이지에 액세스하는 것에 응답하여 연결 애플리케이션을 브라우저에 전송하도록 동작할 수 있다.
또 다른 개선예에서, 시뮬레이션된 데이터는 서버에서 브라우저로 연결 애플리케이션을 전송하는 단계, 적어도 하나의 무선 통신 가능 센서를 감지하는 단계, 적어도 하나의 센서로부터 하나 이상의 데이터 스트림을 무선으로 수신하는 단계, 하나 이상의 판독값을 디스플레이하는 단계를 포함하는 생물학적 (동물) 데이터를 추적하기 위한 방법으로부터 발생될 수 있거나 이의 부분으로서 사용된다. 서버는 웹 페이지에 액세스하는 사용자에 대한 응답으로 애플리케이션을 브라우저에 전송한다. 연결 애플리케이션은 하나 이상의 센서를 감지하고 하나 이상의 데이터 스트림의 적어도 일부를 직접 수신한다. 하나 이상의 판독값은 하나 이상의 데이터 스트림의 적어도 일부에서 파생되고 브라우저에 적어도 부분적으로 표시된다. 하나 이상의 판독값에는 시뮬레이션된 데이터가 포함될 수 있다. 특징적으로, 하나 이상의 데이터 스트림은 시뮬레이션된 데이터가 생성될 수 있는 하나 이상의 시뮬레이션의 입력일 수도 있다. 방법은 또한 브라우저로부터 서버로 하나 이상의 데이터 스트림의 적어도 일부를 전송하는 단계 및 서버로부터 브라우저로 하나 이상의 판독값을 전송하는 단계를 포함할 수 있다. 연결 애플리케이션은 하나 이상의 센서 설정을 변경하기 위해 하나 이상의 명령을 하나 이상의 센서에 전송하도록 동작할 수 있다. 하나 이상의 센서는 2개의 상이한 통신 인터페이스를 사용하여 연결 애플리케이션에 하나 이상의 데이터 스트림을 전송할 수 있는 적어도 2개의 유형의 센서를 포함할 수 있다. 시뮬레이션된 데이터를 사용하는 데이터 추적 시스템과 관련된 추가 세부사항은 2019년 2월 13일에 출원된 미국 특허 제16/274,701호 및 2020년 2월 13일자로 출원된 미국 특허 제 PCT/US20/18063호에 개시되고, 이의 전체 개시 내용이 인용에 의해 본원에 포함된다.
유리하게는, 시뮬레이션된 데이터는 무인 항공기 기반 센서 데이터 수집 및 배포 시스템의 일부로 사용될 수 있다. 무인 항공기 기반 데이터 수집 및 배포 시스템에는 전자적으로 전송할 수 있는 동물 데이터 소스가 포함될 수 있다. 동물 데이터의 소스는 적어도 하나의 생물학적 센서를 포함할 수 있다. 동물 데이터는 적어도 한 명의 표적 개체 또는 표적 개체 그룹에서 수집할 수 있다. 시스템은 또한 하나 이상의 센서로부터 동물 데이터를 수신하고 하나 이상의 다른 컴퓨팅 디바이스(예: 홈 스테이션, 기타 컴퓨팅 시스템)와 통신하는 하나 이상의 무인 항공기(예: 무인 항공기, 고고도 장기 내구성 항공기, 고고도 유사 위성, 대기 위성, 풍선, 다중 로터 무인 항공기, 비행선, 고정익 항공기, 저고도 시스템)를 포함할 수 있다. 특징적으로, 하나 이상의 무인 항공기는 동물 데이터의 소스로부터 하나 이상의 신호 또는 판독값을 수신하고 UAV의 일부인 하나 이상의 센서(예: 하나 이상의 UAV에 부착되고, 일체화되고, 연결되고, 또는 연관된 광학 센서, 온도 센서, 등) 및/또는 데이터를 다른 컴퓨팅 디바이스에 제공(예: 전송)하거나 클라우드를 통해 데이터에 액세스할 수 있게 한다. 하나 이상의 UAV는 UAV 네트워크(예를 들어, 하나 이상의 데이터 관련 기능을 위해 드론 네트워크를 사용하는 셀룰러 네트워크), 하나 이상의 UAV 및 비 UAV로 구성된 네트워크(예: 지상국), 또는 복수의 네트워크의 부분으로서 작동할 수 있다.
개선예에서, 수집된 센서 데이터를 통합하는 하나 이상의 시뮬레이션을 실행하여 표적 개체의 하나 이상의 동물 데이터 판독값(예: 위치, 움직임)을 예측하고 하나 이상의 UAV를 최적화할 수 있다. 하나 이상의 시뮬레이션은 수집된 센서 데이터, 하나 이상의 표적 개체의 하나 이상의 특성(예: 하나 이상의 표적 개체가 참여하는 활동), 하나 이상의 유형의 비동물 데이터(예: 날씨, 검색 결과 또는 하나 이상의 모바일 장치의 콘텐츠) 등을 포함할 수 있다. 예를 들어, 하나 이상의 시뮬레이션을 통해 하나 이상의 움직임을 예측하기 위해 하나 이상의 표적 개체로부터 로케이션 데이터를 수집하는 것은 하나 이상의 표적 개체와 함께 최적의 시선을 보장하기 위해 UAV 구성(예: 3차원 구성)을 최적화하고 UAV를 매핑하고, UAV를 라우팅하고(예: 에너지 소비를 최소화하기 위해 주어진 경로의 효율성을 최대화하고), UAV 및 기타 컴퓨팅 디바이스에서 데이터를 공유하고(예: 데이터 결정은 다른 UAV 또는 컴퓨팅 디바이스에 공유되거나 이용가능하게 되는 것 대 하나 이상의 표적 개체의 하나 이상의 예측된 운동을 기초로 하여 저장되는 것, 예측된 움직임을 기반으로 원활한 핸드오프를 보장하기 위해 UAV 간에 복제해야 하는 정보 등), 시스템 간 통신(예: 하나 이상의 UAV와 하나 이상의 센서 사이의 표적 탐지 또는 연결 가능성 최대화 표적 개체의 위치 기반), 안테나 포지셔닝, 하나 이상의 센서 또는 시스템과 통신하는 데 사용되는 안테나 유형, 안테나 어레이 포지셔닝, 예측 표적 개체 위치를 기반으로 한 빔 패턴 및 방향 최적화, 예측된 표적 개별 로케이션을 기초로 한 하나 이상의 UAV의 배치/형성(예: 고도, 고도의 예상 변경 포함) 등을 포함하여 하나 이상의 UAV에 걸쳐 효율성을 가능하게 할 수 있다. 시뮬레이션된 데이터에 대해 하나 이상의 UAV에 의해 취해진 하나 이상의 조치는 대역폭의 최적화(예: 더 많은 가용 대역폭), 하나 이상의 UAV에 대한 에너지 보존 증가(예: 추가 기능 또는 비행 시간 증가를 위해 UAV가 에너지를 사용할 수 있게 함), 센서와 UAV 간의 보다 안정적인 통신(예: 더 강한 신호 강도, 감소된 데이터 패킷 손실), 응용 범위 최대화 등을 초래할 수 있다.
다른 개선예에서, 인공 데이터는 하나 이상의 통계 모델 또는 인공 지능 기술을 이용하여 생성될 수 있으며, 여기서 하나 이상의 시뮬레이션이 실행되어 하나 이상의 UAV가 하나 이상의 조치를 취할 수 있게 하는 정보를 제공할 수 있다. 하나 이상의 표적 개체로부터 수신된 센서 데이터의 적어도 일부에 기초하여, 하나 이상의 UAV는 하나 이상의 시뮬레이션을 실행하거나 하나 이상의 UAV에 대한 하나 이상의 시뮬레이션을 실행하기 위해 하나 이상의 컴퓨팅 디바이스에 데이터를 제공(예를 들어, 전송)하도록 동작가능할 수 있다. 하나 이상의 시뮬레이션 결과에 따라, 하나 이상의 UAV가 하나 이상의 작업을 수행할 수 있다. 예를 들어, 하나 이상의 표적 개체로부터 수집된 생물학적 센서 데이터는 하나 이상의 표적 개체와 관련된 하나 이상의 시뮬레이션을 실행하기 위해 하나 이상의 UAV 또는 하나 이상의 UAV를 제어하는 홈 스테이션을 트리거할 수 있으며, 그 중 하나는 또는 그 이상의 예측, 확률, 또는 가능성이 산출, 계산, 추정, 추출, 외삽, 시뮬레이션, 생성, 수정, 향상, 추정, 평가, 추론, 확립, 결정, 연역, 관찰, 전달 또는 조치될 수 있다. 보다 구체적으로, 하나 이상의 UAV는 하나 이상의 센서를 기반으로 생물학적 기반 정보를 감지하는 정보를 감지하거나 캡처할 수 있거나(예: 표적 대상이 심장 마비 또는 뇌졸중과 같은 의료 이벤트를 경험하고 있음), 수집된 센서 데이터를 분석할 수 있거나(예: 예측 또는 확률 기반 정보를 생성하기 위해 데이터 내에서 패턴을 찾기 위해 하나 이상의 머신 러닝 기술 사용) 또는 데이터에 액세스하는 다른 컴퓨팅 디바이스를 통해(예: 클라우드를 통해) 분석용 데이터 제공 하나 이상의 조치를 취한다(예를 들어, 그러한 경고를 시스템에 알리는 병원 시스템과 같은 다른 시스템에 경고를 보내고, 하나 이상의 신호 또는 판독값에 대한 UAV의 분석 결과로 하나 이상의 약물 또는 약물을 전달하고, 분석을 제공하는 컴퓨팅 디바이스로부터 분석된 정보를 수신하고 제3자에게 경고를 보낸다. 경보에는 하나 이상의 UAV와 관련된 정보와 함께 하나 이상의 생물학적 판독값(예: 판독값 요약, 생물학적 판독값이 캡처된 표적 개체의 위치) 및/또는 기타 데이터(예: 의료 이벤트가 발생할 가능성을 알려주는 예측 지표 수집된 정보를 기반으로 발생)를 포함할 수 있다. 추가 개선예에서, 하나 이상의 UAV는 하나 이상의 UAV가 하나 이상의 시뮬레이션을 실행하도록 트리거하거나, 하나 이상의 UAV를 실행하도록 하나 이상의 UAV로부터 데이터를 수신하거나 획득하는 다른 컴퓨팅 디바이스를 트리거하는 생물학적 기반 정보를 검출할 수 있으며, 이로부터 하나 이상의 예측, 확률, 또는 가능성이 파생되고(예: 수집된 생물학적 센서 데이터는 특정 의학적 에피소드와 관련된 데이터 내 이상을 나타내는 판독값을 제공하므로 시스템은 하나 이상의 시뮬레이션을 실행하여 표적 개체가 n 기간 내에 의료 에피소드를 경험할 가능성을 결정한다) 및 하나 이상의 조치가 취해진다(예: UAV는 의료 에피소드를 처리하는 데 도움이 되는 구급 상자 또는 기타 의료 기기를 전달할 수 있거나, 병원 시스템 또는 의료 응급 시스템과 같은 다른 시스템에 경고를 보내거나 의료 에피소드가 발생하려고 하는 표적 개체에게 경고를 보낸다). 또 다른 개선예에서, 하나 이상의 UAV는 동물 데이터를 감지할 수 있고 다른 하나 이상의 UAV는 작업을 수행할 수 있다(예: 하나의 UAV는 생물학적 데이터를 감지하고, 다른 UAV는 하나 이상의 시뮬레이션을 실행하고, 다른 UAV는 캡처된 센서 데이터를 해석하고, 의료 사건이 발생할 가능성을 예측하기 위해 인공 정보를 생성하고, 다른 UAV가 의료 에피소드를 해결하고 위험을 완화/예방하기 위해 하나 이상의 약물, 처방전 또는 감지/의료 장비를 전달한다). 다른 개선예에서, 하나 이상의 UAV는 동물 데이터를 감지할 수 있고 다른 하나 이상의 컴퓨팅 디바이스는 조치를 수행할 수 있다(예: UAV는 센서 데이터를 캡처하고 데이터를 제3자에게 전송하여 시뮬레이션을 실행하고 적절한 출력에 기반한 약물/처방전/장비를 전달한다).
UAV에서 수집한 센서 데이터의 적어도 일부 또는 하나 이상의 파생물에서 파생된 시뮬레이션 데이터는 직접 또는 간접적으로 (1) 하나 이상의 내기가 수행되거나 수락되는 시장으로서; (2) 하나 이상의 제품을 생성, 수정, 향상, 획득, 제공, 또는 배포하기 위해; (3) 하나 이상의 예측, 확률 또는 가능을 평가, 계산, 추정, 수정, 향상, 또는 전달하기 위해; (4) 하나 이상의 전략을 수립하기 위해; (5) 하나 이상의 조치를 취하기 위해; (6) 하나 이상의 위험을 완화하거나 방지하기 위해; (7) 하나 이상의 조치를 권장하도록; (8) 하나 이상의 시뮬레이션, 계산, 또는 분석에서 사용되는 하나 이상의 신호 또는 판독값으로서; (9) 하나 이상의 시뮬레이션의 일부로서, 그 출력이 한 명 이상의 사용자와 직간접적으로 참여하도록; (10) 하나 이상의 핵심 구성 요소 또는 하나 이상의 소비 매체에 대한 보충물로서; (11) 하나 이상의 판촉에서; 또는 (12) 이들의 조합으로 사용된다. 예를 들어, 최적의 배치를 보장하기 위해 하나 이상의 UAV 또는 UAV 네트워크의 위치를 지정하기 위해 표적 개체 그룹의 개별 위치와 관련하여 하나 이상의 시뮬레이션이 실행되어 예상되는 개별 위치를 예측할 수 있다. 시뮬레이션 시스템을 통합할 수 있는 센서 데이터를 위한 무인 항공기 기반 데이터 수집 및 배포 시스템의 추가 세부사항은 2019년 7월 19일에 출원된 미국 특허 제16/517,012호 및 2020년 7월 20일에 출원된 미국 특허 제 PCT/US20/42705호에 개시될 수 있고 그 전체 개시 내용이 인용에 의해 본원에 포함된다.
시뮬레이션된 데이터를 사용하여 하나 이상의 센서 설정을 변경, 조정 또는 수정할 수도 있다. 개선예에서, 하나 이상의 센서 설정을 변경, 조정 또는 수정하는 하나 이상의 시뮬레이션이 실행된다. 변형예에서, 시뮬레이션된 데이터 또는 그 하나 이상의 파생물(예: 시뮬레이션된 데이터에 기반한 경보)을 수신하는 시뮬레이션 시스템 또는 컴퓨팅 디바이스는 하나 이상의 인공 지능 기술을 사용하여 발생할 수 있는 하나 이상의 시뮬레이션의 결과에 따라 하나 이상의 센서 설정을 자동으로 변경, 조정 또는 수정한다. 예를 들어, 시뮬레이션이 표적 대상의 하나 이상의 센서 판독값을 기반으로 표적 대상의 하나 이상의 센서 판독값이 정상 판독값에서 불규칙 판독값으로 이동할 가능성이 높다는 것을 보여주는 시뮬레이션 데이터를 생성하는 경우(예: 시뮬레이션의 경우 표적 대상이 심장마비를 일으킬 것으로 예측), 시뮬레이션 시스템 또는 기타 컴퓨팅 디바이스는 하나 이상의 센서 설정을 자동으로 변경할 수 있다(예: 센서의 샘플링 속도 증가, 하나 이상의 신호 또는 판독값이 제공되는 주파수 증가, 센서 데이터를 수신하는 하나 이상의 컴퓨팅 디바이스를 변경/조정/수정. 이 예에서 데이터 판독값이 불규칙해질 것으로 예상되는 경우, 하나 이상의 판독값이 자동으로 의료 관련 시스템 또는 의료 전문가에게 전송될 수 있다). 다른 예에서, 시뮬레이션이 표적 대상이 정상적인 ECG 판독값을 가질 것으로 예측되는 시뮬레이션된 데이터를 생성하는 경우, 시뮬레이션된 데이터 또는 그 하나 이상의 파생물을 수신하는 컴퓨팅 디바이스의 시뮬레이션 시스템은 센서의 샘플링 속도를 수정하거나(예: 속도 감소), 또는 센서에 의해 하나 이상의 컴퓨팅 디바이스에 제공되는 데이터의 빈도를 감소한다(예를 들어, 배터리 수명을 보존하기 위해 데이터 스트리밍 속도를 연속에서 간헐적으로 변경). 또 다른 예에서, 시뮬레이션된 데이터는 시뮬레이션 시스템(예를 들어, 원격 건강 모니터링/원격 의료 플랫폼일 수 있음) 또는 다른 컴퓨팅 디바이스를 통해 의료 전문가와 가상 상담을 하도록 표적 대상을 트리거할 수 있다. 시뮬레이션된 데이터를 기반으로, 의료 전문가는 표적 대상(예: 카메라)이 사용하는 하나 이상의 센서를 변경, 수정 또는 조정할 수 있으므로 의료 전문가가 특정 요구에 맞게 하나 이상의 센서를 맞춤화할 수 있다(카메라 예에서, 신체의 하나 이상의 특정 부분을 검사). 변형예에서, 그리고 시뮬레이션된 데이터에 기초하여, 의료 전문가는 하나 이상의 대상이 되는 대상이 사용하는 하나 이상의 센서의 하나 이상의 센서 설정을 변경, 수정 또는 조정할 수 있으므로 하나 이상의 센서가 하나 이상의 센서를 사용하여 하나 이상의 표적 대상의 모니터링, 감독 또는 관리와 더 관련된 데이터를 캡처한다. 예를 들어, 임상의는 환자의 모니터링, 치료, 입원, 검토 또는 후속 조치에 대한 결정을 내리는 데 필요한 관련 동물 데이터를 보다 정확하게 캡처하기 위해 센서 설정을 변경(예: 설정을 수동으로 무시)하거나 조정할 수 있다.
예시적인 실시예가 위에서 설명되었지만, 이들 실시예가 본 발명의 모든 가능한 형태를 설명하는 것은 아니다. 오히려, 본 명세서에서 사용된 용어는 한정이 아니라 설명을 위한 것이며, 본 발명의 사상 및 범위를 벗어나지 않고 다양한 변경이 이루어질 수 있음을 이해해야 한다. 추가적으로, 다양한 구현 실시예의 특징은 본 발명의 추가 실시예를 형성하기 위해 결합될 수 있다.
Claims (58)
- 하나 이상의 표적 개체(targeted individual)와 관련된 정보를 수신, 저장, 또는 전송하는 하나 이상의 센서로부터 적어도 부분적으로 획득된 실제 동물 데이터의 하나 이상의 세트를 수신하는 단계;
실제 동물 데이터의 적어도 일부 또는 이의 하나 이상의 파생물(derivative)로부터 시뮬레이션된 동물 데이터를 생성하는 단계로서, 하나 이상의 표적 개체의 하나 이상의 매개변수 또는 변수가 수정되는, 단계; 및
상기 시뮬레이션된 동물 데이터를 컴퓨팅 디바이스(computing devic)에 제공하는 단계를 포함하는, 방법. - 제 1 항에 있어서,
시뮬레이션된 동물 데이터를 생성하기 위해 하나 이상의 시뮬레이션이 실행되는, 방법. - 제 2 항에 있어서,
상기 생성된 시뮬레이션된 동물 데이터 또는 이의 하나 이상의 파생물의 적어도 일부가 하나 이상의 통찰력, 계산된 자산 또는 예측 지표를 생성, 향상, 또는 수정하는데 사용되는, 방법. - 제 2 항에 있어서,
상기 생성된 시뮬레이션된 동물 데이터의 적어도 일부 또는 이의 하나 이상의 파생물이 하나 이상의 시뮬레이션 시스템에서 사용되며, 이에 의해 하나 이상의 시뮬레이션 시스템은: 게임-기반 시스템, 증강 현실 시스템, 가상 현실 시스템, 혼합 현실 시스템, 또는 확장 현실 시스템 중 적어도 하나인, 방법. - 제 4 항에 있어서,
하나 이상의 시뮬레이션 시스템의 일부로서 이용되는 하나 이상의 컴퓨팅 디바이스는 직접 또는 간접적으로: (1) 하나 이상의 내기(wager)를 제안하거나 수락하고; (2) 하나 이상의 제품을 생성, 향상, 수정, 획득, 제공, 또는 배포하고; (3) 하나 이상의 예측, 확률, 또는 가능성을 평가, 계산, 유도, 수정, 향상, 또는 전달하고; (4) 하나 이상의 전략을 수립하고; (5) 하나 이상의 조치(action)를 취하고; (6) 하나 이상의 위험을 완화하거나 방지하고; (7) 하나 이상의 조치를 권장하고; (8) 한 명 이상의 사용자가 참여하고; (9) 또는 이들의 조합으로 작동 가능한, 방법. - 제 2 항에 있어서,
상기 생성된 시뮬레이션된 동물 데이터의 적어도 일부는 시뮬레이션된 동물 데이터를 생성하기 위한 하나 이상의 시뮬레이션에서 하나 이상의 입력으로서 사용되는, 방법. - 제 6 항에 있어서,
상기 생성된 시뮬레이션된 동물 데이터 또는 이의 하나 이상의 파생물의 적어도 일부가 하나 이상의 통찰력, 계산된 자산, 또는 예측 지표를 생성, 향상, 또는 수정하는데 사용되는, 방법. - 제 6 항에 있어서,
상기 생성된 시뮬레이션된 동물 데이터의 적어도 일부 또는 이의 하나 이상의 파생물은 하나 이상의 시뮬레이션 시스템에서 사용되며, 이에 의해 상기 하나 이상의 시뮬레이션 시스템은: 게임-기반 시스템, 증강 현실 시스템, 가상 현실 시스템, 혼합 현실 시스템, 또는 확장 현실 시스템 중 적어도 하나인, 방법. - 제 8 항에 있어서,
하나 이상의 시뮬레이션 시스템의 일부로서 이용되는 하나 이상의 컴퓨팅 디바이스는 직접 또는 간접적으로: (1) 하나 이상의 내기를 제안하거나 수락하고; (2) 하나 이상의 제품을 생성, 향상, 수정, 획득, 제공, 또는 배포하고; (3) 하나 이상의 예측, 확률, 또는 가능성을 평가, 계산, 유도, 수정, 향상, 또는 전달하고; (4) 하나 이상의 전략을 수립하고; (5) 하나 이상의 조치를 취하고; (6) 하나 이상의 위험을 완화하거나 방지하고; (7) 하나 이상의 조치를 권장하고; (8) 한 명 이상의 사용자가 참여하고; (9) 또는 이들의 조합으로 작동 가능한 방법. - 제 1 항에 있어서,
시뮬레이션된 데이터를 생성하도록 수정된 하나 이상의 매개변수 또는 변수는 비동물 데이터(non-animal data)로 구성되는, 방법. - 제 1 항에 있어서,
상기 시뮬레이션된 동물 데이터는 상기 실제 동물 데이터의 적어도 일부를 무작위로 샘플링함으로써 생성되는, 방법. - 제 1 항에 있어서,
상기 시뮬레이션된 동물 데이터는 실제 동물 데이터에 대한 맞춤(fit)을 제공하도록 최적화된 하나 이상의 독립 변수 또는 하나 이상의 조정 가능한 매개변수를 갖는 함수에 실제 동물 데이터를 맞춤으로써 생성되는, 방법. - 제 12 항에 있어서,
상기 함수는 라인, 다항식, 지수, 가우스(Gaussian), 로렌츠(Lorentzian), 조각별 선형(piecewise linear), 또는 실수 데이터 포인트 사이의 스플라인(spline)인, 방법. - 제 12 항에 있어서,
하나 이상의 독립 변수 또는 조정 가능한 매개변수는 하나 이상의 생물학적 매개변수가 시간의 함수로서 시뮬레이션에서 하나 이상의 가상 참가자와 연관되도록 하는 시간을 포함하는, 방법. - 제 1 항에 있어서,
상기 시뮬레이션된 동물 데이터는 실제 동물 데이터의 각각의 값에 하나 이상의 오프셋 값을 추가함으로써 생성되는, 방법. - 제 1 항에 있어서,
상기 실제 동물 데이터의 적어도 일부는 실제 데이터 세트의 각각의 값에 하나 이상의 난수(random number)를 추가함으로써 시뮬레이션된 데이터로 변환되는, 방법. - 제 1 항에 있어서,
상기 시뮬레이션된 동물 데이터의 적어도 일부는 시뮬레이션에 의해 사용되는 순람표(lookup table)로 변환되는, 방법. - 제 1 항에 있어서,
상기 시뮬레이션된 동물 데이터의 적어도 일부는 실제 동물 데이터를 확률 분포에 맞춘 다음 확률 분포를 무작위로 샘플링하여 하나 이상의 생물학적 파라미터를 하나 이상의 가상 대상에 할당함으로써 생성되는, 방법. - 제 18 항에 있어서,
상기 확률 분포는 베르누이(Bernoulli) 분포, 균일 분포, 이항 분포, 정규 분포, 포아송(Poisson) 분포, 지수 분포, 및 로렌츠 분포로 이루어진 군으로부터 선택되는, 방법. - 제 18 항에 있어서,
실제 동물 데이터의 하나 이상의 세트는 시뮬레이션에서 하나 이상의 매개변수 또는 변수로서 적용되는 하나 이상의 비동물 데이터 변수 또는 매개변수를 포함하는, 방법. - 제 1 항에 있어서,
훈련된 신경망은 시뮬레이션된 동물 데이터를 생성하고, 상기 훈련된 신경망은 실제 동물 데이터의 적어도 일부 또는 이의 하나 이상의 파생물로 훈련되는, 방법. - 제 21 항에 있어서,
상기 훈련된 신경망은 시뮬레이션된 데이터의 적어도 일부로 훈련되는, 방법. - 제 21 항에 있어서,
시뮬레이션된 데이터를 생성하도록 수정된 상기 하나 이상의 매개변수 또는 변수는 비동물 데이터로 구성되는, 방법. - 제 21 항에 있어서,
상기 훈련된 신경망은 순환(recurrent) 신경망인, 방법. - 제 21 항에 있어서,
상기 훈련된 신경망은 장단기 기억(Long Short-Term Memory) 순환 신경망인, 방법. - 제 21 항에 있어서,
상기 훈련된 신경망은 생성적 적대적 망(Generative Adversarial Network)인, 방법. - 제 21 항에 있어서,
시뮬레이션된 동물 데이터를 생성하는 데 이용되는 상기 훈련된 신경망은: 상기 신경망은 피드포워드(Feedforward), 퍼셉트론(Perceptron), 디프 피드포워드(Deep Feedforward), 레이디얼 베이시스 네트워크(Radial Basis Network), 게이티드 리커런트 유닛(Gated Recurrent Unit), 오토엔코더(Autoencoder; AE), 베리에이셔널 AE(Variational AE), 디노이징 AE(Denoising AE), 스파스 AE(Sparse AE), 마르코프 체인(Markov Chain), 홉필드 네트워크(Hopfield Network), 볼츠만 머신(Boltzmann Machine), 리스릭티드 BM(Restricted BM), 디프 빌리프 네트워크(Deep Belief Network), 디프 컨벌루셔널 네트워크(Deep Convolutional Network), 디컨벌루셔널 네트워크(Deconvolutional Network), 디프 컨벌루셔널 인버스 그래픽스 네트워크(Deep Convolutional Inverse Graphics Network), 리퀴드 스테이트 머신(Liquid State Machine), 익스트림 러닝 머신(Extreme Learning Machine), 에코 스테이트 네트워크(Echo State Network), 디프 레지듀얼 네트워크(Deep Residual Network), 코헤넨 네트워크(Kohenen Network), 서포트 벡터 머신(Support Vector Machine), 신경 튜링 기계(Neural Turing Machine), 데이터 핸들링의 그룹 방법(Group Method of Data Handling), 확률적, 시간 지연, 컨볼루션, 디프 스테이킹 네트워크(Probabilistic, Time delay, Convolutional, Deep Stacking Network), 일반 회귀 신경망(General Regression Neural Network), 자기 조직화 지도(Self-Organizing Map), 벡터 양자화 학습(Learning Vector Quantization), 심플 리커런트(Simple Recurrent), 저장소 컴퓨팅(Reservoir Computing), 에코 스테이트(Echo State), 바이-디렉셔널(Bi-Directional), 하이어라컬(Hierarchal), 스터캐스틱(Stochastic), 제네틱 스케일(Genetic Scale), 모듈라(Modular), 커미티 오브 머신(Committee of Machines), 어소시에이티브(Associative), 피지컬(Physical), 인스턴테이니오슬리 트레인드(Instantaneously Trained), 스파이킹 레귤러토리 피드백(Spiking, Regulatory Feedback), 네오코그니트론(Neocognitron), 컴파운드 하이어라키클-디프 모델(Compound Hierarchical-Deep Models), 디프 프레딕티브 코딩 네트워크(Deep Predictive Coding Network), 멀티레이어 커널 머신(Multilayer Kernel Machine), 다이나믹(Dynamic), 캐스케이딩(Cascading), 뉴로퍼지(Neuro-Fuzzy), 컴포지셔널 패턴-프로듀싱(Compositional Pattern-Producing), 메모리 네트워크(Memory Networks), 원-샷 어소시에이티브 메모리(One-shot Associative Memory), 하이어라키클 템포럴 메모리(Hierarchical Temporal Memory), 홀로그래픽 오소시에이티브 메모리(Holographic Associative Memory), 시맨틱 해싱(Semantic Hashing), 포인터 네트워크(Pointer Networks), 또는 엔코더-디코더 네트워크(Encoder-Decoder Network)의 유형의 신경망 중 하나 이상으로 구성되는, 방법. - 제 21 항에 있어서,
복수의 신경망은 시뮬레이션된 데이터를 생성하기 위해 상기 동일한 동물 데이터 또는 이의 하나 이상의 파생물 중 적어도 일부에서 이용되는, 방법. - 제 21 항에 있어서,
상기 시뮬레이션된 동물 데이터의 적어도 일부가 직접 또는 간접적으로: (1) 하나 이상의 내기가 수행되거나 수락되는 시장으로서; (2) 하나 이상의 제품을 생성, 수정, 향상, 획득, 제공, 또는 배포하기 위해; (3) 하나 이상의 예측, 확률, 또는 가능성을 평가, 계산, 유도, 수정, 향상, 또는 전달하기 위해; (4) 하나 이상의 전략을 수립하기 위해; (5) 하나 이상의 조치를 취하기 위해; (6) 하나 이상의 위험을 완화하거나 방지하기 위해; (7) 하나 이상의 조치를 권장하기 위해; (8) 하나 이상의 시뮬레이션, 계산, 또는 분석에서 이용되는 하나 이상의 신호 또는 판독값(reading)으로서; (9) 하나 이상의 시뮬레이션의 일부로서, 그 출력이 한 명 이상의 사용자와 직접적 또는 간접적으로 연관되는, 시뮬레이션의 일부; (10) 하나 이상의 핵심 구성 요소 또는 하나 이상의 소비 매체에 대한 보충물로서; (11) 하나 이상의 판촉에서; 또는 (12) 이들의 조합으로 사용되는, 방법. - 제 21 항에 있어서,
하나 이상의 시뮬레이션은 시뮬레이션 데이터를 생성하기 위해 상기 실제 동물 데이터의 적어도 일부분 또는 이의 하나 이상의 파생물을 이용하여 발생되고, 상기 시뮬레이션 데이터는 직접 또는 간접적으로: (1) 하나 이상의 내기가 수행되거나 수락되는 시장으로서; (2) 하나 이상의 제품을 생성, 수정, 향상, 획득, 제공, 또는 배포하기 위해; (3) 하나 이상의 예측, 확률, 또는 가능성을 평가, 계산, 유도, 수정, 향상, 또는 전달하기 위해; (4) 하나 이상의 전략을 수립하기 위해; (5) 하나 이상의 조치를 취하기 위해; (6) 하나 이상의 위험을 완화하거나 방지하기 위해; (7) 하나 이상의 조치를 권장하기 위해; (8) 하나 이상의 시뮬레이션, 계산, 또는 분석에서 이용되는 하나 이상의 신호 또는 판독값으로서; (9) 하나 이상의 시뮬레이션의 일부로서, 그 출력이 한 명 이상의 사용자와 직접적 또는 간접적으로 연관되는, 시뮬레이션의 일부; (10) 하나 이상의 핵심 구성 요소 또는 하나 이상의 소비 매체에 대한 보충물로서; (11) 하나 이상의 판촉에서; 또는 (12) 이들의 조합으로 이용되는, 방법. - 제 1 항에 있어서,
시뮬레이션은: 피트니스 활동, 스포츠 이벤트, 건강 평가, 또는 보험 평가 중 적어도 하나에 참여하는 하나 이상의 표적 개체에 기초하여 시뮬레이션하는, 방법. - 제 31 항에 있어서,
싱기 시뮬레이션된 동물 데이터의 적어도 일부는 하나 이상의 컴퓨팅 디바이스에 의해 직접 또는 간접적으로: (1) 하나 이상의 내기가 수행되거나 수락되는 시장으로서; (2) 하나 이상의 제품을 생성, 수정, 향상, 획득, 제공, 또는 배포하기 위해; (3) 하나 이상의 예측, 확률, 또는 가능성을 평가, 계산, 유도, 수정, 향상, 또는 전달하기 위해; (4) 하나 이상의 전략을 수립하기 위해; (5) 하나 이상의 조치를 취하기 위해; (6) 하나 이상의 위험을 완화하거나 방지하기 위해; (7) 하나 이상의 조치를 권장하기 위해; (8) 하나 이상의 시뮬레이션, 계산, 또는 분석에서 이용되는 하나 이상의 신호 또는 판독값으로서; (9) 하나 이상의 시뮬레이션의 일부로서, 그 출력이 한 명 이상의 사용자와 직접적 또는 간접적으로 연관되는, 하나 이상의 시뮬레이션의 일부; (10) 하나 이상의 핵심 구성 요소 또는 하나 이상의 소비 매체에 대한 보충물로서; (11) 하나 이상의 판촉에서; 또는 (12) 이들의 조합으로 이용되는, 방법. - 제 1 항에 있어서,
상기 시뮬레이션된 동물 데이터의 적어도 일부 또는 이의 하나 이상의 파생물이 하나 이상의 보험 서비스, 식별, 분류, 요율(rate), 상환 또는 이들의 조합을 생성하거나 수정하는 데 사용되는, 방법. - 제 1 항에 있어서,
상기 시뮬레이션된 동물 데이터의 적어도 일부 또는 이의 하나 이상의 파생물이 하나 이상의 시뮬레이션 시스템에서 사용되며, 이에 의해 하나 이상의 시뮬레이션 시스템은: 게임-기반 시스템, 증강 현실 시스템, 가상 현실 시스템, 혼합 현실 시스템 또는 확장 현실 시스템 중 적어도 하나인, 방법. - 제 34 항에 있어서,
하나 이상의 시뮬레이션 시스템의 일부로서 이용되는 하나 이상의 컴퓨팅 디바이스는 직접 또는 간접적으로: (1) 하나 이상의 내기를 제안하거나 수락하고; (2) 하나 이상의 제품을 생성, 향상, 수정, 획득, 제공, 또는 배포하고; (3) 하나 이상의 예측, 확률, 또는 가능성을 평가, 계산, 유도, 수정, 향상, 또는 전달하고; (4) 하나 이상의 전략을 수립하고; (5) 하나 이상의 조치를 취하고; (6) 하나 이상의 위험을 완화하거나 방지하고; (7) 하나 이상의 조치를 권장하고; (8) 한 명 이상의 사용자와 연관되고; 또는 (9) 이들의 조합으로 작동 가능한, 방법. - 제 34 항에 있어서,
시뮬레이션 사용자의 동물 데이터의 적어도 일부 또는 이의 하나 이상의 파생물은 하나 이상의 시뮬레이션의 일부로서 이용되고, 상기 시뮬레이션 사용자의 동물 데이터는 하나 이상의 센서로부터 적어도 부분적으로 획득되는, 방법. - 제 36 항에 있어서,
하나 이상의 시뮬레이션 시스템과 통신하는 장치는 장치와 접촉, 내장, 부착, 장착, 또는 통합되는 하나 이상의 센서를 갖고, 사용자의 동물 데이터의 적어도 일부 또는 이의 하나 이상의 파생물을 포함하는 상기 시뮬레이션 사용자의 데이터의 적어도 일부를 컴퓨팅 디바이스에 제공하는, 방법. - 제 1 항에 있어서,
상기 하나 이상의 센서 및/또는 이의 하나 이상의 부속물은 하나 이상의 표적 개체의 신체, 안구, 중요 기관, 근육, 모발, 정맥, 생물학적 유체, 혈관, 조직 또는 골격계를 포함하는 하나 이상의 표적 개체에 부착되고, 접촉하고, 또는 이와 관련하여 하나 이상의 전자 통신을 송신하거나 이로부터 유래되고, 하나 이상의 표적 개체에 내장되고, 하나 이상의 표적 개체에 장착되거나 이식되고, 하나 이상의 표적 개체에 의해 섭취되고, 하나 이상의 표적 개체의 적어도 일 부분을 포함하도록 통합되거나, 또는 하나 이상의 표적 개체와 직접적으로 또는 하나 이상의 매개물을 통해 접촉 또는 통신하는 패브릭(fabric), 직물, 옷감, 재료, 고정물, 객체, 또는 장치 내로 또는 부분으로서 통합되거나 부착되거나 내장되는, 방법. - 제 1 항에 있어서,
상기 하나 이상의 센서는: 하나 이상의 표적 개체로부터 생리학적, 생체적(biometric), 화학적, 생체역학적, 로케이션(location), 환경, 유전, 게놈, 또는 다른 생물학적 데이터 중 적어도 하나를 수집하는 적어도 하나의 바이오센서를 포함하는, 방법. - 제 1 항에 있어서,
상기 하나 이상의 센서는: 얼굴 인식 데이터, 시선 추적 데이터, 혈류 데이터, 혈액량 데이터, 혈압 데이터, 생체액 데이터, 체성분 데이터, 생화학 데이터, 펄스 데이터, 산소화 데이터, 코어 체온 데이터, 피부 온도 데이터, 전기 피부 반응 데이터, 땀 데이터, 로케이션 데이터, 위치 데이터, 오디오 데이터, 생체 역학 데이터, 수화 데이터, 심장-기반 데이터, 신경 데이터, 유전 데이터, 게놈 데이터, 골격 데이터, 근육 데이터, 호흡 데이터, 운동 감각 데이터, 주변 온도 데이터, 습도 데이터, 기압 데이터, 또는 고도 데이터의 데이터 유형 중 적어도 하나로 변환될 수 있는 정보를 모으거나 제공하는, 방법. - 제 40 항에 있어서,
상기 시뮬레이션된 동물 데이터는 하나 이상의 센서로부터 수집되거나 유래된 하나 이상의 통찰력, 계산된 자산, 또는 예측 지표와 관련된 정보를 제공하는 하나 이상의 컴퓨팅 디바이스에 의해 직접 또는 간접적으로 이용되는, 방법. - 제 1 항에 있어서,
사용자가 하나 이상의 시뮬레이션에 대해 하나 이상의 매개변수 또는 변수를 선택하고, 하나 이상의 시뮬레이션이 발생하고, 한 명 이상의 사용자가 고려를 위해 상기 시뮬레이션된 동물 데이터의 적어도 일부 또는 그의 하나 이상의 파생물을 획득하는, 방법. - 제 1 항에 있어서,
사용자가 하나 이상의 명령을 제공하고, 하나 이상의 컴퓨팅 디바이스가, 상기 시뮬레이션된 동물 데이터의 적어도 일부 또는 이의 하나 이상의 파생물을 이용하여 하나 이상의 명령의 적어도 일부를 충족하는, 하나 이상의 조치를 취하는, 방법. - 제 1 항에 있어서,
상기 시뮬레이션된 동물 데이터의 적어도 일부가 하나 이상의 통찰력, 계산된 자산 또는 예측 지표를 생성, 향상, 또는 수정하는 데 이용되는, 방법. - 제 44 항에 있어서,
하나 이상의 통찰력은 (1) 동물 데이터-기반 위험을 평가, 사정(assess), 예방, 또는 완화하기 위하여, (2) 동물 데이터-기반 성능을 평가, 결정 및 최적화하기 위하여, 또는 (3) 이들의 조합을 위해 시뮬레이션된 데이터의 적어도 일부를 이용하는 하나 이상의 표적 개체 또는 표적 개체의 그룹과 관련된 개인 점수 또는 다른 지표인, 방법. - 제 1 항에 있어서,
하나 이상의 컴퓨팅 디바이스는 사용자에 의해 설정된 하나 이상의 임계값(threshold)에 기초하여 사용자를 대신하여 하나 이상의 조치를 수행하고, 하나 이상의 조치는 상기 시뮬레이션된 동물 데이터의 적어도 일부 또는 하나 이상의 파생물의 결과로서 직접적으로 또는 간접적으로 시작되는, 방법. - 제 1 항에 있어서,
상기 시스템은: 하나 이상의 센서로부터 생성된 하나 이상의 특이값(outlier value), 또는 하나 이상의 센서로부터 생성된 데이터와 관련된 하나 이상의 결측값(missing value) 중 적어도 하나를 검출하고, 하나 이상의 특이값 또는 결측값을 하나 이상의 인공 데이터 값으로 대체하는, 방법. - 제 47 항에 있어서,
상기 하나 이상의 인공 데이터 값은 생성된 값의 시계열(time series)로 정렬되고 미리 설정된 임계값 또는 범위 내에 맞추어지는, 방법. - 제 47 항에 있어서,
상기 하나 이상의 인공 데이터 값은 동물 데이터를 유도하기 위한 하나 이상의 입력으로서 적어도 부분적으로 사용되는, 방법. - 제 1 항에 있어서,
하나 이상의 건강 분류, 치료, 절차, 식별, 요율, 상환 또는 서비스가 상기 시뮬레이션된 동물 데이터의 적어도 일부 또는 이의 하나 이상의 파생물을 기초로 하여 직접적 또는 간접적으로 생성, 수정, 또는 할당되는, 방법. - 시뮬레이션된 동물 데이터를 생성 및 배포하기 위한 시스템으로서,
하나 이상의 표적 개체와 관련된 정보를 수신, 저장 또는 전송하는 하나 이상의 센서로부터 적어도 부분적으로 획득된 하나 이상의 실제 동물 데이터의 세트를 수신하는 단계;
실제 동물 데이터의 적어도 일부 또는 이의 하나 이상의 파생물로부터 시뮬레이션된 동물 데이터를 생성하는 단계로서, 하나 이상의 표적 개체의 하나 이상의 매개변수 또는 변수가 수정되는, 단계; 및
상기 시뮬레이션된 동물 데이터를 상기 컴퓨팅 디바이스에 제공하는 단계를 실행하도록 작동 가능한 컴퓨팅 디바이스를 포함하는, 시스템. - 제 51 항에 있어서,
시뮬레이션된 동물 데이터를 생성하기 위해 하나 이상의 시뮬레이션이 실행되는, 시스템. - 제 51 항에 있어서,
훈련된 신경망은 시뮬레이션된 동물 데이터를 생성하고, 상기 훈련된 신경망은 상기 실제 동물 데이터 또는 이의 하나 이상의 파생물의 적어도 일부로 훈련되는, 시스템. - 제 53 항에 있어서,
상기 훈련된 신경망은 시뮬레이션된 데이터의 적어도 일부로 훈련되는, 시스템. - 제51항에 있어서,
상기 시뮬레이션된 동물 데이터는 직접 또는 간접적으로: (1) 하나 이상의 내기가 수행되거나 수락되는 시장으로서; (2) 하나 이상의 제품을 생성, 수정, 향상, 획득, 제공, 또는 배포하기 위해; (3) 하나 이상의 예측, 확률, 또는 가능성을 평가, 계산, 유도, 수정, 향상, 또는 전달하기 위해; (4) 하나 이상의 전략을 수립하기 위해; (5) 하나 이상의 조치를 취하기 위해; (6) 하나 이상의 위험을 완화하거나 방지하기 위해; (7) 하나 이상의 조치를 권장하기 위해; (8) 하나 이상의 시뮬레이션, 계산, 또는 분석에서 이용되는 하나 이상의 신호 또는 판독값으로서; (9) 하나 이상의 시뮬레이션의 일부로서, 그 출력이 한 명 이상의 사용자가 직접 또는 간접적으로 연관되는, 하나 이상의 시뮬레이션의 일부; (10) 하나 이상의 핵심 구성 요소 또는 하나 이상의 소비 매체에 대한 보충물로서; (11) 하나 이상의 판촉에서; 또는 (12) 이들의 조합으로 사용되는, 시스템. - 제 51 항에 있어서,
시뮬레이션은: 피트니스 활동, 스포츠 이벤트, 건강 평가, 또는 보험 평가 중 적어도 하나와 연관되는 하나 이상의 표적 개체에 기초하여 시뮬레이션하는, 시스템. - 제 51 항에 있어서,
상기 시뮬레이션된 동물 데이터의 적어도 일부 또는 이의 하나 이상의 파생물은 하나 이상의 건강 절차, 서비스, 치료, 코드(code), 식별, 분류, 요율, 상환 또는 이들의 조합을 생성, 수정, 또는 할당하는데 사용되는, 시스템. - 제 51 항에 있어서,
사용자가 하나 이상의 시뮬레이션에 대해 하나 이상의 매개변수 또는 변수를 선택하고, 하나 이상의 시뮬레이션이 발생하고, 한 명 이상의 사용자가 고려를 위해 상기 시뮬레이션된 동물 데이터의 적어도 일부 또는 이들의 하나 이상의 파생물을 획득하는, 시스템.
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201962897064P | 2019-09-06 | 2019-09-06 | |
| US62/897,064 | 2019-09-06 | ||
| US202063027491P | 2020-05-20 | 2020-05-20 | |
| US63/027,491 | 2020-05-20 | ||
| PCT/US2020/049678 WO2021046519A1 (en) | 2019-09-06 | 2020-09-08 | System for generating simulated animal data and models |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220051266A true KR20220051266A (ko) | 2022-04-26 |
Family
ID=74852613
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020227011035A KR20220051266A (ko) | 2019-09-06 | 2020-09-08 | 시뮬레이션된 동물 데이터 및 모델을 생성하기 위한 시스템 |
Country Status (10)
| Country | Link |
|---|---|
| US (1) | US20220323855A1 (ko) |
| EP (2) | EP4299148A3 (ko) |
| JP (1) | JP2022547461A (ko) |
| KR (1) | KR20220051266A (ko) |
| CN (1) | CN114728199A (ko) |
| AU (1) | AU2020343699A1 (ko) |
| BR (1) | BR112022004040A2 (ko) |
| CA (1) | CA3150004A1 (ko) |
| MX (1) | MX2022002692A (ko) |
| WO (1) | WO2021046519A1 (ko) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220051106A1 (en) * | 2020-08-12 | 2022-02-17 | Inventec (Pudong) Technology Corporation | Method for training virtual animal to move based on control parameters |
| US20220147867A1 (en) * | 2020-11-12 | 2022-05-12 | International Business Machines Corporation | Validation of gaming simulation for ai training based on real world activities |
| JP7121893B1 (ja) * | 2021-02-16 | 2022-08-19 | ヘルスセンシング株式会社 | 信号処理装置、信号処理システムおよび信号処理プログラム |
| US11779282B2 (en) * | 2021-05-10 | 2023-10-10 | bOMDIC, Inc. | Method for determining degree of response to physical activity |
| CN114052693B (zh) * | 2021-10-26 | 2023-08-08 | 珠海脉动时代健康科技有限公司 | 心率分析方法、装置及设备 |
| JP7152093B1 (ja) * | 2021-12-14 | 2022-10-12 | キーコム株式会社 | 情報処理装置、情報処理方法、およびプログラム |
| CN114403878B (zh) * | 2022-01-20 | 2023-05-02 | 南通理工学院 | 一种基于深度学习的语音检测疲劳度方法 |
| WO2024081813A1 (en) * | 2022-10-12 | 2024-04-18 | Rosenberg Leon I | Methods, systems, and apparatuses for a game influenced by spectator activity |
| CN116158374A (zh) * | 2022-12-07 | 2023-05-26 | 杭州慧牧科技有限公司 | 家禽智能养殖方法、装置、计算机设备及存储介质 |
| CN117172280B (zh) * | 2023-11-01 | 2024-02-02 | 四川酷盼科技有限公司 | 一种应用于仿生动物中的多源数据处理方法 |
| CN117854012B (zh) * | 2024-03-07 | 2024-05-14 | 成都智慧城市信息技术有限公司 | 一种基于大数据的农作物环境监测方法及系统 |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090029769A1 (en) * | 2007-07-27 | 2009-01-29 | Empire Of Sports Developments Ltd. | Controlling avatar performance and simulating metabolism using virtual metabolism parameters |
| US8360835B2 (en) * | 2007-10-23 | 2013-01-29 | I-Race, Ltd. | Virtual world of sports competition events with integrated betting system |
| JP5560845B2 (ja) * | 2010-03-30 | 2014-07-30 | ソニー株式会社 | 情報処理装置、画像出力方法及びプログラム |
| US10632366B2 (en) * | 2012-06-27 | 2020-04-28 | Vincent John Macri | Digital anatomical virtual extremities for pre-training physical movement |
| US11185241B2 (en) * | 2014-03-05 | 2021-11-30 | Whoop, Inc. | Continuous heart rate monitoring and interpretation |
| RU2568957C1 (ru) * | 2014-06-05 | 2015-11-20 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Оренбургский государственный аграрный университет" | Способ контроля живого веса и физиологического состояния животного |
| US10755466B2 (en) * | 2015-09-21 | 2020-08-25 | TuringSense Inc. | Method and apparatus for comparing two motions |
| US20180036591A1 (en) * | 2016-03-08 | 2018-02-08 | Your Trainer Inc. | Event-based prescription of fitness-related activities |
| US10242443B2 (en) * | 2016-11-23 | 2019-03-26 | General Electric Company | Deep learning medical systems and methods for medical procedures |
| CA3045908A1 (en) * | 2016-12-13 | 2018-06-21 | DeepMotion, Inc. | Improved virtual reality system using multiple force arrays for a solver |
| US20200188732A1 (en) * | 2017-03-29 | 2020-06-18 | Benjamin Douglas Kruger | Wearable Body Monitors and System for Analyzing Data and Predicting the Trajectory of an Object |
| US20190148010A1 (en) * | 2017-11-14 | 2019-05-16 | Samsung Electronics Co., Ltd. | System and method for controlling sensing device |
| US10861170B1 (en) * | 2018-11-30 | 2020-12-08 | Snap Inc. | Efficient human pose tracking in videos |
| US11508087B2 (en) * | 2020-04-27 | 2022-11-22 | Snap Inc. | Texture-based pose validation |
-
2020
- 2020-09-08 EP EP23210085.9A patent/EP4299148A3/en active Pending
- 2020-09-08 MX MX2022002692A patent/MX2022002692A/es unknown
- 2020-09-08 KR KR1020227011035A patent/KR20220051266A/ko unknown
- 2020-09-08 US US17/251,092 patent/US20220323855A1/en active Pending
- 2020-09-08 WO PCT/US2020/049678 patent/WO2021046519A1/en unknown
- 2020-09-08 JP JP2022514191A patent/JP2022547461A/ja active Pending
- 2020-09-08 EP EP20861548.4A patent/EP4025311A4/en active Pending
- 2020-09-08 CA CA3150004A patent/CA3150004A1/en active Pending
- 2020-09-08 CN CN202080076862.6A patent/CN114728199A/zh active Pending
- 2020-09-08 AU AU2020343699A patent/AU2020343699A1/en active Pending
- 2020-09-08 BR BR112022004040A patent/BR112022004040A2/pt unknown
Also Published As
| Publication number | Publication date |
|---|---|
| BR112022004040A2 (pt) | 2022-05-24 |
| US20220323855A1 (en) | 2022-10-13 |
| AU2020343699A1 (en) | 2022-04-14 |
| CA3150004A1 (en) | 2021-03-11 |
| EP4025311A4 (en) | 2024-01-03 |
| MX2022002692A (es) | 2022-04-11 |
| WO2021046519A1 (en) | 2021-03-11 |
| JP2022547461A (ja) | 2022-11-14 |
| EP4299148A2 (en) | 2024-01-03 |
| EP4299148A3 (en) | 2024-03-27 |
| CN114728199A (zh) | 2022-07-08 |
| EP4025311A1 (en) | 2022-07-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220323855A1 (en) | System for generating simulated animal data and models | |
| US20230034337A1 (en) | Animal data prediction system | |
| JP2022095887A (ja) | 自動健康データ取得、処理および通信システムならびに方法 | |
| RU2520404C1 (ru) | Система автоматизированного сбора, обработки и передачи медицинских данных | |
| US20230033102A1 (en) | Monetization of animal data | |
| WO2023039247A1 (en) | System and method for collecting. evaluating, and transforming animal data for use as digital currency or collateral | |
| CA3220063A1 (en) | Method and system for generating dynamic real-time predictions using heart rate variability | |
| KR20210139252A (ko) | 생물학적 데이터 추적 시스템 및 방법 | |
| US20230404038A1 (en) | Animal data compliance system and method | |
| US20240212845A1 (en) | Animal data-based identification and recognition system and method | |
| AU2022387582A1 (en) | A system and method for intelligently selecting sensors and their associated operating parameters | |
| WO2022232268A1 (en) | Animal data-based identification and recognition system and method |