KR20230012620A - 사용자 피드백 시스템 및 방법 - Google Patents

Abstract

전달 에코시스템 내의 전달 디바이스의 사용자를 위한, 사용자 피드백 시스템은, 사용자의 상태를 나타내는 하나 이상의 사용자 인자들을 획득하도록 구성된 획득 프로세서(obtaining processor); 및 사용자 상태를 나타내는 획득된 하나 이상의 사용자 인자들과 적어도 제1 피드백 액션 사이의 1단계 또는 2단계 대응관계를 식별하도록 구성된 추정 프로세서(estimation processor)를 포함하며, 피드백 액션은 하나 이상의 사용자 인자들에 의해 적어도 부분적으로 나타내는 바와 같이 사용자의 상태를 변경할 것으로 예상된다.

Description

사용자 피드백 시스템 및 방법

본 발명은 전달 디바이스(delivery device)의 사용자를 위한 사용자 피드백(feedback) 시스템 및 방법에 관한 것이다.

본 명세서에 제공된 "배경기술" 설명은 일반적으로 본 개시내용의 콘텍스트(context)를 제시하기 위한 목적이다. 본 지명된 발명자들의 작업은, 이 배경기술 섹션에 설명된 범위뿐만 아니라, 출원 당시 선행 기술로 달리 자격이 없을 수 있는 설명의 양태들까지도, 명시적으로 또는 암시적으로 본 개시내용에 대한 선행 기술로 인정되지 않는다.

에어로졸(aerosol) 제공 시스템들은 활성 성분들(예를 들어, 니코틴(nicotine))을 편리한 방식으로 그리고 필요에 따라 사용자에게 전달할 수 있기 때문에 사용자들에게 인기가 있다.

에어로졸 제공 시스템의 예로서, 전자 시가렛(cigarette)들(e-시가렛들)은 일반적으로 예를 들어 열 기화를 통해, 에어로졸을 생성하는 전형적으로 니코틴을 포함하는 제형을 함유하는 소스(source) 액체의 저장소를 포함한다. 따라서 에어로졸 제공 시스템을 위한 에어로졸 소스는 예를 들어 위킹(wicking)/모세관 액션(action)을 통해 저장소로부터 소스 액체를 수용하도록 배열된 가열 요소를 갖는 가열기(heater)를 포함할 수 있다. 다른 소스 재료들은 유사하게 가열되어 식물성 물질 또는 활성 성분 및/또는 향미를 포함하는 겔(gel)과 같은 에어로졸을 생성할 수 있다. 따라서 보다 일반적으로, e-시가렛은 열 기화를 위한 페이로드(payload)를 포함하거나 또는 수용하는 것으로 생각될 수 있다.

사용자가 디바이스 상을 흡입하는 동안, 가열 요소에 전기 전력이 공급되어, 가열 요소 부근의 에어로졸 소스(페이로드의 일부)를 기화시켜, 사용자가 흡입하기 위한 에어로졸을 생성한다. 이러한 디바이스에는 일반적으로 시스템의 마우스피스(mouthpiece) 단부로부터 떨어져 위치(locate)된 하나 이상의 공기 입구 구멍들이 제공된다. 사용자가 시스템의 마우스피스 단부에 연결된 마우스피스 상을 빨면, 공기가 입구 구멍들을 통해 그리고 에어로졸 소스를 지나 흡인된다. 에어로졸 소스와 마우스피스의 개구 사이를 연결하는 유동 경로가 있어, 에어로졸 소스를 지나 흡인된 공기가 유동 경로를 따라 마우스피스 개구로 계속 이동하여, 에어로졸 소스로부터의 에어로졸의 일부를 이와 함께 운반한다. 에어로졸 운반 공기는 사용자가 흡입하도록 마우스피스 개구를 통해 에어로졸 제공 시스템을 빠져나간다.

일반적으로 사용자가 디바이스 상을 흡인/퍼핑(puffing)할 때 가열기에 전기 전류가 공급된다. 전형적으로, 사용자가 흡입/흡인/퍼핑할 때 유동 경로를 따른 공기 유동 센서의 활성화에 응답하여 또는 사용자에 의한 버튼 활성화에 응답하여, 가열기, 예를 들어 저항 가열 요소에 전기 전류가 공급된다. 가열 요소에 의해 생성되는 열은 제형을 기화시키기 위해 사용된다. 방출된 증기는 퍼핑 소비자에 의해 디바이스를 통해 흡인된 공기와 혼합되어 에어로졸을 형성한다. 대안적으로 또는 추가로, 가열 요소는 증기/에어로졸로서 그의 활성 성분들을 방출하기 위해, 담배와 같은 식물을 가열하지만 그러나 일반적으로 태우지 않도록 사용된다.

사용자가 e-시가렛과 상호작용하는 방식(예를 들어, 사용자가 소비하는 기화된/에어로졸화된 페이로드의 양, 및/또는 이들의 사용 패턴), 및 상호작용으로부터의 이들의 실제 또는 인지된 유용성은 사용자의 상태에 의해 영향을 받을 수 있으며, 이 사용자의 상태는 적어도 부분적으로 이들의 기분(들) 및/또는 주관적 필요성(들)으로 구어체로 표현될 수 있다.

결과적으로, 사용자의 상태에 더 잘 반응하는 전달 메커니즘(mechanism)을 제공하는 것이 유용할 것이다.

제1 양태에서, 청구항 제1 항에 따라 전달 에코시스템(ecosystem) 내의 전달 디바이스의 사용자를 위한 사용자 피드백 시스템이 제공된다.

다른 양태에서, 청구항 제29 항에 따라 전달 에코시스템 내의 전달 디바이스의 사용자를 위한 사용자 피드백 방법이 제공된다.

본 발명의 추가의 개개의 양태들 및 특징들은 첨부된 청구항들에서 정의된다.

본 개시내용의 위의 일반적인 요약 및 다음의 상세한 설명은 본 개시내용을 나타내지만 그러나 제한적이지 않다는 것을 이해해야 한다.

첨부된 도면들과 관련하여 고려될 때 다음의 상세한 설명을 참조하여 더 잘 이해되는 바와 같이, 본 개시내용의 더 완전한 이해 및 그에 수반되는 이점들 중 많은 것이 쉽게 얻어질 것이다:
도 1은 본 설명의 실시예들에 따른 전달 디바이스의 개략도이다.
도 2는 본 설명의 실시예들에 따른 전달 디바이스의 본체의 개략도이다.
도 3은 본 설명의 실시예들에 따른 전달 디바이스의 카토마이저(cartomiser)의 개략도이다.
도 4는 본 설명의 실시예들에 따른 전달 디바이스의 본체의 개략도이다.
도 5는 본 설명의 실시예들에 따른 전달 에코시스템의 개략도이다.
도 6은 본 설명의 실시예들에 따른 사용자 피드백 시스템의 개략도이다.
도 7은 본 설명의 실시예들에 따른 전달 에코시스템 내의 전달 디바이스의 사용자를 위한 사용자 피드백 방법의 흐름도이다.

사용자 피드백 시스템 및 방법이 개시된다. 이하의 설명에서, 본 개시내용의 실시예들의 철저한 이해를 제공하기 위해 다수의 특정 세부사항들이 제시된다. 그러나, 이들 특정 세부사항들이 본 개시내용의 실시예들을 실시하기 위해 채용될 필요가 없다는 것이 당업자에게 명백할 것이다. 반대로, 당업자에게 공지된 특정 세부사항들은 명확성의 목적들을 위해 적절할 경우 생략된다.

위에서 설명된 바와 같이, 본 개시내용은 사용자 피드백 시스템에 관한 것이다. 이러한 사용자 피드백 시스템은 사용자에 대한 전달 디바이스의 응답성을 향상시키기 위한 것이다.

'전달 디바이스'라는 용어는 사용자에게 적어도 하나의 물질을 전달하는 시스템을 포함할 수 있고, 예를 들어, 전자 시가렛들, 담배 가열 제품들, 및 에어로졸 생성 재료들의 조합을 사용하여 에어로졸을 생성시키는 하이브리드(bybrid) 시스템들과 같은, 에어로졸 생성 재료를 연소시키지 않고 에어로졸 생성 재료로부터 화합물들을 방출하는 비가연성 에어로졸 제공 시스템들; 및 로젠지(lozenge)들, 껌(gum)들, 패치(patch)들, 흡입 가능한 분말들을 포함하는 물품들, 및 스누스(snus) 또는 촉촉한 스너프(snuff)를 포함하는 구강 담배와 같은 구강 제품들을 포함하여(그러나 이에 제한되지 않음), 에어로졸을 형성하지 않고 적어도 하나의 물질을 구강, 비강, 경피 또는 다른 방식으로 사용자에게 전달하는 에어로졸 없는 전달 시스템들 ― 여기서 적어도 하나의 물질은 니코틴을 포함할 수 있거나 또는 포함하지 않을 수 있음 ― 을 포함한다.

전달되는 물질은 에어로졸 생성 재료이거나 또는 에어로졸화되도록 의도되지 않는 재료일 수 있다. 적절한 경우, 재료는 하나 이상의 활성 성분들, 하나 이상의 향미들, 하나 이상의 에어로졸-포머(former) 재료들, 및/또는 하나 이상의 다른 기능성 재료들을 포함할 수 있다.

현재, 이러한 전달 디바이스의 가장 일반적인 예는 에어로졸 제공 시스템(예를 들어, 비가연성 에어로졸 제공 시스템) 또는 e-시가렛과 같은 전자 증기 제공 시스템(EVPS)이다. 다음 설명 전체에서, "e-시가렛"이라는 용어가 때때로 사용되지만, 그러나 이 용어는 달리 언급되는 경우 또는 문맥상 달리 지시되지 경우를 제외하고는 전달 디바이스와 상호 교환적으로 사용될 수 있다. 유사하게, '증기' 및 '에어로졸'이라는 용어들은 본 명세서에서 동등하게 언급된다.

일반적으로, 전자 증기/에어로졸 제공 시스템은 베이핑(vaping) 디바이스 또는 전자 니코틴 전달 디바이스(END)로도 알려진 전자 시가렛일 수 있지만, 에어로졸 생성(예를 들어, 에어로졸화 가능한) 재료에 니코틴의 존재는 요구 사항이 아니라는 점에 유의해야 한다. 일부 실시예들에서, 비가연성 에어로졸 제공 시스템은 비연소식 가열 시스템(heat-not-burn system)으로도 알려진 담배 가열 시스템이다. 이러한 시스템의 예는 담배 가열 시스템이다. 일부 실시예들에서, 비가연성 에어로졸 제공 시스템은 에어로졸 생성 재료들 ― 이 중 하나 또는 복수가 가열될 수 있음 ― 의 조합을 사용하여 에어로졸을 생성하는 하이브리드 시스템이다. 에어로졸 생성 재료들 각각은 예를 들어 고체, 액체 또는 겔 형태일 수 있고, 니코틴을 함유할 수도 있고 또는 함유하지 않을 수도 있다. 일부 실시예들에서, 하이브리드 시스템은 액체 또는 겔 에어로졸 생성 재료 및 고체 에어로졸 생성 재료를 포함한다. 고체 에어로졸 생성 재료는 예를 들어 담배 또는 비-담배 제품을 포함할 수도 있다. 한편, 일부 실시예들에서, 비가연성 에어로졸 제공 시스템은 하나 이상의 이러한 에어로졸 생성 재료들로부터 증기/에어로졸을 생성한다.

전형적으로, 비가연성 에어로졸 제공 시스템은 비가연성 에어로졸 제공 시스템과 함께 사용하기 위한 비가연성 에어로졸 제공 디바이스 및 물품(소모품이라고도 함)을 포함할 수 있다. 그러나, 에어로졸 생성 구성요소(예를 들어, 가열기, 진동 메쉬(mesh) 등과 같은 에어로졸 생성기)에 전력을 공급하기 위한 수단을 자체적으로 포함하는 물품들 자체가 비가연성 에어로졸 제공 시스템을 형성할 수 있다고 생각된다. 일 실시예에서, 비가연성 에어로졸 제공 디바이스는 전력 소스 및 제어기를 포함할 수 있다. 전력 소스는 전기 전력 소스 또는 발열 전력 소스일 수 있다. 일 실시예에서, 발열 전력 소스는 발열 전력 소스에 근접한 에어로졸화 가능한 재료 또는 열 전달 재료에 열의 형태로 전력을 분배하도록 에너지가 공급될 수 있는 탄소 기판을 포함한다. 일 실시예에서, 발열 전력 소스와 같은 전력 소스는 비가연성 에어로졸 제공을 형성하도록 물품에 제공된다. 일 실시예에서, 비가연성 에어로졸 제공 디바이스와 함께 사용하기 위한 물품은 에어로졸화 가능한 재료를 포함할 수 있다.

일부 실시예들에서, 에어로졸 생성 구성요소는 에어로졸을 형성하기 위해 에어로졸화 가능한 재료로부터 하나 이상의 휘발성 물질들을 방출하도록 에어로졸화 가능한 재료와 상호작용할 수 있는 가열기다. 일 실시예에서, 에어로졸 생성 구성요소는 가열 없이 에어로졸화 가능한 재료로부터 에어로졸을 생성할 수 있다. 예를 들어, 에어로졸 생성 구성요소는 에어로졸화 가능한 재료에 열을 가하지 않고, 예를 들어 진동, 기계적, 가압 또는 정전기 수단 중 하나 이상을 통해 에어로졸화 가능한 재료로부터 에어로졸을 생성할 수 있다.

일부 실시예들에서, 에어로졸화 가능한 재료는 활성 재료, 에어로졸 형성 재료 및 선택적으로 하나 이상의 기능성 재료들을 포함할 수 있다. 활성 재료는 니코틴(선택적으로 담배 또는 담배 파생물에 함유됨) 또는 하나 이상의 다른 비-후각 생리학적 활성 재료들을 포함할 수 있다. 비-후각 생리학적 활성 재료는 후각 지각 이외의 다른 생리학적 반응을 달성하기 위해 에어로졸화 가능한 재료에 포함되는 재료이다. 에어로졸 형성 재료는 글리세린(glycerine), 글리세롤(glycerol), 프로필렌 글리콜(propylene glycol), 디에틸렌 글리콜(diethylene glycol), 트리에틸렌 글리콜(triethylene glycol), 테트라에틸렌 글리콜(tetraethylene glycol), 1,3-부틸렌 글리콜(1,3-butylene glycol), 에리트리톨(erythritol), 메조-에리트리톨(meso-Erythritol), 에틸 바닐레이트(ethyl vanillate), 에틸 라우레이트(ethyl laurate), 디에틸 수베레이트(diethyl suberate), 트리에틸 시트레이트(triethyl citrate), 트리아세틴(triacetin), 디아세틴 혼합물(diacetin mixture), 벤질 벤조에이트(benzyl benzoate), 벤질 페닐 아세테이트(benzyl phenyl acetate), 트리부티린(tributyrin), 라우릴 아세테이트(lauryl acetate), 라우르산(lauric acid), 미리스트산(myristic acid), 및 프로필렌 카보네이트(propylene carbonate) 중 하나 이상을 포함할 수 있다. 하나 이상의 기능성 재료들은 향미들, 캐리어들, pH 조절제들, 안정화제들, 및/또는 항산화제들 중 하나 이상을 포함할 수 있다.

일부 실시예들에서, 비가연성 에어로졸 제공 디바이스와 함께 사용하기 위한 물품은 에어로졸화 가능한 재료 또는 에어로졸화 가능한 재료를 수용하기 위한 영역을 포함할 수 있다. 일 실시예에서, 비가연성 에어로졸 제공 디바이스와 함께 사용하기 위한 물품은 마우스피스를 포함할 수 있다. 에어로졸화 가능한 재료를 수용하기 위한 영역은 에어로졸화 가능한 재료를 저장하기 위한 저장 영역일 수 있다. 예를 들어, 저장 영역은 저장소일 수 있다. 일 실시예에서, 에어로졸화 가능한 재료를 수용하기 위한 영역은 에어로졸 생성 영역과 분리되거나, 또는 에어로졸 생성 영역과 결합될 수 있다.

에어로졸 제공 시스템들에 대안적으로 또는 추가로, 전달 디바이스는 활성 성분이 효과를 발휘할 수 있게 하는 방식으로 사용자의 신체 내로 활성 성분의 도입을 야기/가능하게 하는 임의의 디바이스를 포함할 수 있다.

따라서 예시적인 전달 디바이스들은 예를 들어 리셉터클(receptacle) 내로 에어로졸을 분산시키는 디바이스를 포함할 수 있으며, 그 이후에 사용자는 디바이스로부터 리셉터클을 꺼내 에어로졸을 흡입하거나 또는 시핑(sip)할 수 있다. 따라서 전달 디바이스는 반드시 소비 지점에서 사용자에 의해 직접 맞물릴 필요는 없다.

이와 관련하여, 전달 디바이스는 대안적으로 또는 추가로 사용자를 위한 리마인더(reminder) 또는 사용 체제를 제공할 수 있으며, 예를 들어 스누스 파우치(pouch) 또는 알약과 같은 다른 활성 전달물을 사용해야 할 때를 사용자에게 리마인더시킬 수 있다. 전달 디바이스는 리마인더 또는 사용 체제에 따라 이러한 소모품을 선택적으로 저장 및 분배할 수 있다.

유사하게, 예시적인 전달 디바이스는 사용자를 위해 e-액체 성분들을 혼합하고 혼합물을 사용하여 이들의 e-시가렛의 저장소를 채우고, 이로써 사용자가 소비할 활성 성분들의 유형, 블렌드(blend), 및/또는 농도를 결정하고, 다른 모든 것은 동일한 가정용 리필 스테이션(station)일 수 있다. 이러한 가정용 리필 스테이션은 전력 충전 스테이션 또는 두 기능들을 결합한 디바이스와 같이 '도크(dock)'라고 지칭될 수 있다.

이와 관련하여, 자판기(vending machine)로서 작동하는 전달 디바이스는 요구에 따라 혼합되거나 또는 미리 준비된 혼합물들의 범위로부터 등가로 선택되는 e-액체 성분들의 혼합들 및/또는 선택들에 기초하여 소모성 리필들 또는 일회용 디바이스들을 유사하게 제공할 수 있다. 유사하게, 다른 구현들에서, 자판기는 (예를 들어, 스누스, 스너프, 껌들, 겔들, 스프레이(spray)들, 및 패치들과 같은 다른 전달 시스템들과 같은) 구강 제품들 또는 예를 들어 활성 성분들 및/또는 향미제들을 함유하는 다른 소모성 제품들을 분배할 수 있다.

각각의 경우에, 전달 디바이스는 사용자가 소비하는 활성 성분의 양, 시기, 유형, 블렌드, 및/또는 농도 중 하나 이상에 영향을 미치도록 작동할 수 있다.

따라서 보다 일반적으로 전달 디바이스는 사용자가 소비하는 활성 성분의 특성에 영향을 미치도록 작동할 수 있다.

여러 개의 전달 디바이스들이 이러한 영향을 제공하기 위해 협력하여 작동할 수 있음을 알 수 있을 것이다. 예를 들어 가정용 리필 스테이션 또는 자판기는 e-시가렛과 함께 작동하여 활성 성분의 수정 또는 다른 피드백을 사용자에게 실제로 전달할 수 있다. 유사하게, 휴대폰이 e-시가렛과 병렬로 작동하여, 수정 또는 다른 피드백과 관련된 정보 또는 분석을 제공할 수 있다.

이러한 의미에서 전달 디바이스는 실제로 원하는 영향/피드백에 영향을 미치기 위해 순차적으로 및/또는 병렬로 작동하는 다수의 디바이스들을 포함하는 전달 시스템일 수 있다. 따라서, 본 명세서에서 전달 디바이스 또는 전달 시스템에 대한 언급들은 달리 언급되지 않는 한 상호 교환 가능한 것으로 간주될 수 있다.

이제 도면들을 참조하면, 유사한 참조 번호들은 여러 도면들에 걸쳐 동일한 또는 대응하는 부품들을 지정하고, 도 1은 e-시가렛(10)과 같은 증기/에어로졸 제공 시스템의 개략도로서, 본 개시내용의 일부 실시예들에 따른 전달 디바이스의 비-제한적 예를 제공한다.

e-시가렛은 일반적으로 점선(LA)으로 표시된 종축을 따라 연장되는 원통형 형상을 가지며, 2 개의 주요 구성요소들, 즉, 본체(20) 및 카토마이저(30)를 포함한다. 카토마이저는 예를 들어 니코틴을 포함하는 액체와 같은 페이로드의 저장소, (가열기와 같은) 기화기, 및 마우스피스(35)를 포함하는 내부 챔버(chamber)를 포함한다. 이후 '니코틴'에 대한 언급들은 단지 예일 뿐이며 임의의 적합한 활성 성분으로 치환될 수 있는 것으로 이해될 것이다. 이하에서 페이로드로서 '액체'에 대한 언급들은 단지 예로서 이해될 것이며, 식물성 물질(예를 들어, 태워지기 보다는 가열되는 담배) 또는 활성 성분 및/또는 향미를 포함하는 겔과 같은 임의의 적합한 페이로드로 치환될 수 있다. 저장소는 기화기로 전달되어야 하는 시간까지 액체를 보유하기 위한 발포 매트릭스(foam matrix) 또는 임의의 다른 구조일 수 있다. 액체/유동 페이로드의 경우에, 기화기는 액체를 기화시키기 위한 것이며, 카토마이저(30)는 소량의 액체를 저장소로부터 기화기 상의 또는 이에 인접한 기화 위치(location)로 수송하기 위한 심지(wick) 또는 유사한 설비를 더 포함할 수 있다. 이하에서는, 기화기의 구체적인 예로서 가열기가 사용된다. 그러나, 다른 형태들의 기화기(예를 들어, 초음파들을 사용하는 것들)가 또한 사용될 수 있음이 이해될 것이고, 사용되는 기화기의 유형이 또한 기화될 페이로드의 유형에 따라 달라질 수 있음이 또한 이해될 것이다.

본체(20)는 e-시가렛(10)에 전력을 제공하기 위한 재충전 가능한 셀(cell) 또는 배터리(battery) 및 e-시가렛을 전반적으로 제어하기 위한 회로 기판을 포함한다. 회로 기판에 의해 제어되는 바와 같이 가열기가 배터리로부터 전력을 수신할 때, 가열기는 액체를 기화시키고, 이 증기는 그 후 마우스피스(35)를 통해 사용자에 의해 흡입된다. 일부 특정 실시예들에서, 본체에는 예를 들어 본체의 외부에 위치된 버튼, 스위치, 또는 터치 센서와 같은 수동 활성화 디바이스(265)가 추가로 제공된다.

본체(20) 및 카토마이저(30)는 도 1에 도시된 바와 같이 종축(LA)에 평행한 방향으로 분리됨으로써 서로 분리 가능할 수 있지만, 그러나 본체(20)와 카토마이저(30) 사이에 기계적 및 전기적 연결을 제공하기 위해, 도 1에서 25A 및 25B로 개략적으로 표시된 연결에 의해 디바이스(10)가 사용될 때 함께 결합된다. 카토마이저(30)에 연결하기 위해 사용되는 본체(20) 상의 전기 커넥터(25B)는 본체(20)가 카토마이저(30)에서 분리될 때 충전 디바이스(도시되지 않음)를 연결하기 위한 소켓으로서 역할도 한다. 충전 디바이스의 다른 단부는 USB 소켓 내로 플러그결합(plug)되어 e-시가렛(10)의 본체(20)에 있는 셀을 재충전할 수 있다. 다른 구현들에서, 본체(20) 상의 전기 커넥터(25B)와 USB 소켓 사이의 직접 연결을 위해 케이블이 제공될 수 있다.

e-시가렛(10)에는 공기 입구들을 위한 하나 이상의 구멍들(도 1에 도시되지 않음)이 제공된다. 이들 구멍들은 e-시가렛(10)을 통해 마우스피스(35)까지의 공기 통로에 연결된다. 사용자가 마우스피스(35)를 통해 흡입할 때, 공기는 e-시가렛의 외부에 적절하게 위치된 하나 이상의 공기 입구 구멍들을 통해 이 공기 통로 내로 흡인된다. 카트리지(cartridge)로부터 니코틴을 기화시키기 위해 가열기가 활성화될 때, 공기 유동은 생성된 증기를 통과하여 이와 조합되고, 이러한 공기 유동과 생성된 증기의 조합은 그 후 마우스피스(35) 밖으로 통과되어 사용자가 흡입하게 된다. 일회용 디바이스들을 제외하고, 카토마이저(30)는 본체(20)로부터 분리되어 액체의 공급이 소진되면 폐기될 수 있다(원하는 경우 다른 카토마이저로 교체됨).

도 1에 도시된 e-시가렛(10)이 예로서 제시되고, 다양한 다른 구현들이 채택될 수 있다는 것이 이해될 것이다. 예를 들어, 일부 실시예들에서, 카토마이저(30)는 2 개의 분리 가능한 구성요소들, 즉, 액체 저장소 및 마우스피스를 포함하는 카트리지(저장소로부터의 액체가 소진될 때 교체될 수 있음), 및 가열기(일반적으로 유지됨)를 포함하는 기화기로서 제공된다. 다른 예로서, 충전 설비는 자동차 시가렛 라이터(lighter)와 같은 추가적인 또는 대안적인 전력 소스에 연결될 수 있다.

도 2는 본 개시내용의 일부 실시예들에 따른 도 1의 e-시가렛(10)의 본체(20)의 개략적인 (단순화된) 다이어그램이다. 도 2는 일반적으로 e-시가렛(10)의 종축(LA)을 통한 평면의 단면으로 간주될 수 있다. 예를 들어 배선 및 더 복잡한 성형과 같은 본체의 다양한 구성요소들 및 세부사항들은 명확성을 위해 도 2에서 생략되었다는 점에 유의해야 한다.

본체(20)는 디바이스의 사용자 활성화에 응답하여 e-시가렛(10)에 전력을 공급하기 위한 배터리 또는 셀(210)을 포함한다. 추가로, 본체(20)는 제어 유닛(도 2에 도시되지 않음), 예를 들어 e-시가렛(10)을 제어하기 위한 주문형 집적 회로(ASIC) 또는 마이크로제어기와 같은 칩(chip)을 포함한다. 마이크로제어기 또는 ASIC는 CPU 또는 마이크로 프로세서를 포함한다. CPU 및 다른 전자 구성요소들의 동작들은 일반적으로 CPU(또는 다른 구성요소)에서 실행되는 소프트웨어 프로그램들에 의해 적어도 부분적으로 제어된다. 이러한 소프트웨어 프로그램들은 ROM과 같은 비휘발성 메모리에 저장될 수 있으며, 이는 마이크로제어기 자체 내에 통합되거나 또는 별도의 구성요소로 제공될 수 있다. CPU는 필요할 때 그리고 필요에 따라 개별 소프트웨어 프로그램들을 로딩(load)하고 실행하기 위해 ROM에 액세스(access)할 수 있다. 마이크로제어기는 또한 본체(10)의 다른 디바이스들과 적절하게 통신하기 위한 적절한 통신들 인터페이스(interface)들(및 제어 소프트웨어)을 포함한다.

본체(20)는 e-시가렛(10)의 먼 (원위) 단부를 밀봉하고 보호하기 위한 캡(cap)(225)을 더 포함한다. 전형적으로, 사용자가 마우스피스(35) 상을 흡입할 때 공기가 본체(20)로 들어갈 수 있게 하도록 캡(225)에 또는 그에 인접하여 공기 입구 구멍이 제공된다. 제어 유닛 또는 ASIC는 배터리(210)의 일 단부를 따라 또는 일 단부에 포지셔닝(position)될 수 있다. 일부 실시예들에서, ASIC는 마우스피스(35) 상의 흡입을 검출하기 위해 센서 유닛(215)에 부착된다(또는 대안적으로 센서 유닛(215)은 ASIC 자체에 제공될 수 있다). 공기 경로는 e-시가렛을 통해 공기 입구로부터, 공기 유동 센서(215) 및 (기화기 또는 카토마이저(30) 내의) 가열기를 지나, 마우스피스(35)로 제공된다. 따라서 사용자가 e-시가렛의 마우스피스 상을 흡입할 때, CPU는 공기 유동 센서(215)로부터의 정보에 기초하여 이러한 흡입을 검출한다.

캡(225)으로부터 본체(20)의 대향 단부에는, 본체(20)를 카토마이저(30)에 결합하기 위한 커넥터(25B)가 있다. 커넥터(25B)는 본체(20)와 카토마이저(30) 사이의 기계적 및 전기적 연결을 제공한다. 커넥터(25B)는 카토마이저(30)에 대한 전기적 연결(양극 또는 음극)을 위한 하나의 단자로서 역할을 하는 금속성(일부 실시예들에서는 은-도금됨)인 본체 커넥터(240)를 포함한다. 커넥터(25B)는 제1 단자, 즉, 본체 커넥터(240)에 대해 반대 극성의 카토마이저(30)에 대한 전기적 연결을 위한 제2 단자를 제공하기 위한 전기 접촉부(250)를 더 포함한다. 전기 접촉부(250)는 코일 스프링(coil spring)(255) 상에 장착된다. 카토마이저(30)에 본체(20)가 부착되면, 카토마이저(30) 상의 커넥터(25A)는 코일 스프링을 축방향으로, 즉, 종축(LA)에 평행한(동일하게 정렬된) 방향으로 압축하는 방식으로 전기 접촉부(250)에 대해 푸시(push)된다. 스프링(255)의 탄성 특성을 고려하여, 이 압축은 스프링(255)을 편향시켜 팽창시키며, 이는 카토마이저(30)의 커넥터(25A)에 대해 전기 접촉부(250)을 단단히 푸시하는 효과를 갖고, 이로써 본체(20)와 카토마이저(30) 사이의 우수한 전기적 연결을 보장하는 데 도움이 된다. 본체 커넥터(240) 및 전기 접촉부(250)은 2 개의 전기 단자들 사이에 양호한 절연을 제공하기 위해 (플라스틱과 같은) 부도체로 제조된 트레슬(trestle)(260)에 의해 분리된다. 트레슬(260)은 커넥터들(25A, 25B)의 상호 기계적 맞물림을 보조하도록 형상화된다.

위에서 설명된 바와 같이, 본체(20)의 외부 하우징에는, 수동 활성화 디바이스(265)의 형태를 나타내는 버튼(265)이 위치될 수 있다. 버튼(265)은 ― 예를 들어 기계식 버튼 또는 스위치, 정전식 또는 저항식 터치 센서 등과 같이 ― 사용자에 의해 수동으로 활성화되도록 작동 가능한 임의의 적절한 메커니즘을 사용하여 구현될 수 있다. 또한, 수동 활성화 디바이스(265)는 본체(20)의 외부 하우징이 아닌, 카토마이저(30)의 외부 하우징 상에 위치될 수 있으며, 이 경우에, 수동 활성화 디바이스(265)는 연결부들(25A, 25B)을 통해 ASIC에 부착될 수 있다는 것이 이해될 것이다. 버튼(265)은 또한 캡(225) 대신에(또는 캡에 추가로) 본체(20)의 단부에 위치될 수도 있다.

도 3은 본 개시내용의 일부 실시예들에 따른 도 1의 e-시가렛(10)의 카토마이저(30)의 개략도이다. 도 3는 일반적으로 e-시가렛(10)의 종축(LA)을 통한 평면의 단면으로 간주될 수 있다. 배선 및 더 복잡한 성형과 같은 카토마이저(30)의 다양한 구성요소들 및 세부사항들은 명료성을 이유로 도 3에서 생략되었음을 유의해야 한다.

카토마이저(30)는 카토마이저(30)를 본체(20)에 결합하기 위해 마우스피스(35)로부터 커넥터(25A)까지 카토마이저(30)의 중심 (종방향) 축을 따라 연장되는 공기 통로(355)를 포함한다. 액체 저장소(360)는 공기 통로(335) 주위에 제공된다. 이러한 저장소(360)는 예를 들어 액체에 적셔진 코튼(cotton) 또는 폼(foam)을 제공함으로써 구현될 수 있다. 카토마이저(30)는 또한 사용자가 e-시가렛(10) 상을 흡입하는 것에 응답하여 공기 통로(355)를 통해 그리고 마우스피스(35)를 통해 흐르도록 증기를 생성하기 위해 저장소(360)로부터의 액체를 가열하기 위한 가열기(365)를 포함한다. 가열기(365)는 커넥터(25A)를 통해 메인 본체(20)의 배터리(210)의 반대 극성들(양극 및 음극 또는 그 반대)에 차례로 연결되는 라인(line)들(366 및 367)을 통해 전력을 공급받는다(전력 라인들(366, 367)과 커넥터(25A) 사이의 배선의 세부사항들은 도 3에서 생략됨).

커넥터(25A)는 내부 전극(375)을 포함하며, 이는 은-도금되거나 또는 일부 다른 적절한 금속 또는 전도성 재료로 제조될 수 있다. 카토마이저(30)가 본체(20)에 연결되면, 내부 전극(375)이 본체(20)의 전기 접촉부(250)와 접촉하여 카토마이저(30)와 본체(20) 사이에 제1 전기 경로를 제공한다. 특히, 커넥터들(25A, 25B)이 맞물리면, 내부 전극(375)이 전기 접촉부(250)에 대해 푸시되어 코일 스프링(255)을 압축함으로써, 이에 따라 내부 전극(375)과 전기 접촉부(250) 사이의 양호한 전기 접촉을 보장하는 데 도움을 준다.

내부 전극(375)은 플라스틱, 고무, 실리콘, 또는 임의의 다른 적합한 재료로 제조될 수 있는 절연 링(372)에 의해 둘러싸여 있다. 절연 링은 카토마이저 커넥터(370)에 의해 둘러싸여 있으며, 이 카토마이저 커넥터는 은-도금되거나 또는 일부 다른 적절한 금속 또는 전도성 재료로 제조될 수 있다. 카토마이저(30)가 본체(20)에 연결될 때, 카토마이저 커넥터(370)는 본체(20)의 본체 커넥터(240)와 접촉하여 카토마이저(30)와 본체(20) 사이에 제2 전기 경로를 제공한다. 다시 말해, 내부 전극(375) 및 카토마이저 커넥터(370)는 적절하게 본체(20)의 배터리(210)로부터 적절한 공급 라인들(366 및 367)을 통해 카토마이저(30)의 가열기(365)로 전력을 공급하기 위한 양극 및 음극 단자들(또는 그 반대)로서의 역할을 한다.

카토마이저 커넥터(370)에는 e-시가렛(10)의 종축으로부터 멀리 반대 방향들로 연장되는 2 개의 러그(lug)들 또는 탭(tab)들(380A, 380B)이 제공된다. 이들 탭들은 카토마이저(30)를 본체(20)에 연결하기 위해 본체 커넥터(240)와 함께 베이어닛 피팅(bayonet fitting)을 제공하기 위해 사용된다. 이 베이어닛 피팅은 카토마이저(30)와 본체(20) 사이에 안전하고 견고한 연결을 제공하여, 카토마이저 및 본체는 흔들림 또는 구부러짐을 최소화하면서 서로에 대해 고정된 포지션(position)에 유지되며, 임의의 우발적인 연결 해제 가능성이 매우 적다. 동시에, 베이어닛 피팅은 삽입 후 회전하여 연결되고, (역방향으로) 회전 후 회수되어 분리함으로써 간단하고 신속한 연결 및 분리를 제공한다. 다른 실시예들은 본체(20)와 카토마이저(30) 사이에 스냅핏(snap fit) 또는 나사 연결과 같은 상이한 형태의 연결을 사용할 수 있음이 이해될 것이다.

도 4는 본 개시내용의 일부 실시예들에 따른 본체(20)의 단부에 있는 커넥터(25B)의 특정 세부사항들의 개략도이다(그러나 트레슬(260)과 같이 도 2에 도시된 바와 같이 커넥터의 내부 구조의 대부분을 명확성을 위해 생략함). 특히, 도 4는 일반적으로 원통형 튜브(tube)의 형태를 갖는 본체(20)의 외부 하우징(201)을 도시한다. 이러한 외부 하우징(201)은 예를 들어 종이 등의 외부 커버링(covering)을 갖는 금속 내부 튜브를 포함할 수 있다. 외부 하우징(201)은 또한 수동 활성화 디바이스(265)(도 4에 도시되지 않음)를 포함할 수 있어서, 수동 활성화 디바이스(265)는 사용자가 쉽게 액세스할 수 있다.

본체 커넥터(240)는 본체(20)의 이러한 외부 하우징(201)으로부터 연장된다. 도 4에 도시된 바와 같은 본체 커넥터(240)는 2 개의 주요 부분들, 즉, 본체(20)의 외부 하우징(201) 내부에 꼭 맞는 크기의 중공 원통형 튜브 형상의 샤프트 부분(241), 및 e-시가렛의 주 종축(LA)으로부터 멀리 반경방향 외측 방향으로 지향되는 립(lip) 부분(242)을 포함한다. 샤프트 부분이 외부 하우징(201)과 중첩되지 않는 본체 커넥터(240)의 샤프트 부분(241)을 둘러싸는 칼라(collar) 또는 슬리브(sleeve)(290)는 또한 원통형 튜브의 형상이다. 칼라(290)는 본체 커넥터(240)의 립 부분(242)과 본체의 외부 하우징(201) 사이에 보유되며, 이들은 함께 축 방향으로(즉, 축(LA)에 평행하게) 칼라(290)의 이동을 방지한다. 그러나, 칼라(290)는 샤프트 부분(241)(따라서 또한 축(LA)) 주위에서 자유롭게 회전한다.

위에서 언급된 바와 같이, 캡(225)에는 사용자가 마우스피스(35) 상을 흡입할 때 공기가 유입될 수 있게 하도록 공기 입구 구멍이 형성된다. 그러나, 일부 실시예들에서, 사용자가 흡입할 때 디바이스에 들어가는 대부분의 공기는 도 4에서 2 개의 화살표들로 표시된 바와 같이 칼라(290) 및 본체 커넥터(240)를 통해 흐른다.

이제 도 5를 참조하면, e-시가렛(10)(또는 보다 일반적으로 본원의 다른 곳에서 설명된 임의의 전달 디바이스)은 더 넓은 전달 에코시스템(1) 내에서 작동할 수 있다. 더 넓은 전달 에코시스템 내에서, 다수의 디바이스들이 직접(실선 화살표들로 도시됨) 또는 간접적으로(점선 화살표들로 도시됨) 서로 통신할 수 있다.

도 5에서, 전달 디바이스의 예로서 e-시가렛(10)은 스마트폰(100), 도크(200)(예를 들어, 가정용 리필 및/또는 충전 스테이션), 자판기(300), 또는 웨어러블(wearable)(400)을 포함하는(그러나 이에 제한되지 않음) 하나 이상의 다른 클래스들의 디바이스(예를 들어 Bluetooth®또는 Wifi Direct®를 사용함)와 직접 통신할 수 있다. 위에서 언급한 바와 같이, 이러한 디바이스들은 전달 시스템을 형성하기 위해 임의의 적절한 구성으로 협력할 수 있다.

대안적으로 또는 추가로, 예를 들어 e-시가렛(10)과 같은 전달 디바이스는 예를 들어 Wifi®근거리 통신, 유선 링크 또는 일체형 모바일 데이터 방식을 사용하는 인터넷(500)과 같은 네트워크(network)를 통해 이러한 디바이스 클래스들 중 하나 이상과 간접적으로 통신할 수 있다. 다시, 위에서 언급한 바와 같이, 이러한 방식으로 이러한 디바이스들은 전달 시스템을 형성하기 위해 임의의 적절한 구성으로 협력할 수 있다.

대안적으로 또는 추가로, 예를 들어 e-시가렛(10)과 같은 전달 디바이스는 인터넷(500)과 같은 네트워크를 통해 서버(1000)와 간접적으로, 예를 들어 Wifi를 사용함으로써 자체적으로, 또는 전달 에코시스템 내의 다른 디바이스를 통해, 예를 들어 Bluetooth®또는 Wifi Direct®를 사용하여 통신하여, 스마트폰(100), 도크(200), 자판기(300), 또는 웨어러블(400)과 통신하고 그 후 서버와 통신하여 e-시가렛의 통신들을 중계하거나, 또는 e-시가렛(10)과의 통신들에 대해 보고할 수 있다. 스마트폰, 도크, 또는 POS 시스템/자판기와 같은 전달 에코시스템 내의 다른 디바이스는 따라서 선택적으로 단거리 전송 기능들만을 갖는 하나 이상의 전달 디바이스들에 대한 허브(hub)로서의 역할을 할 수 있다. 따라서, 이러한 허브는 진행 중인 WiFi®또는 모바일 데이터 링크(link)를 유지할 필요가 없는 전달 디바이스의 배터리 수명을 연장할 수 있다. 또한, 상이한 유형들의 데이터는 상이한 수준들의 우선순위로 전송될 수 있다는 것이 이해될 것이다; 예를 들어 사용자 피드백 시스템에 관련된 데이터(본 명세서에서 논의된 바와 같은 사용자 인자 데이터 또는 피드백 액션 데이터와 같음)는 보다 일반적인 사용 통계들보다 더 높은 우선순위로 전송될 수 있거나, 또는 유사하게 보다 단기적인 변수들(예를 들어, 현재 생리학적 데이터)과 관련된 일부 사용자 인자 데이터는 장기 변수들(예를 들어, 현재 날씨, 또는 요일)과 관련된 사용자 인자 데이터보다 높은 우선순위로 전송될 수 있다. 더 높은 또는 더 낮은 우선순위 전송을 허용하는 비-제한적 예시적인 전송 방식은 LoRaWAN이다.

한편, 스마트폰, 도크, 자판기(또는 임의의 다른 POS 시스템) 및/또는 웨어러블과 같은 에코시스템의 다른 클래스들의 디바이스는 또한 이들 자신의 기능성의 양태를 수행하기 위해, 또는 (예를 들어, 릴레이(relay) 또는 공동-프로세싱 유닛으로서) 전달 시스템을 대신하여 인터넷(500)과 같은 네트워크를 통해 서버(1000)와 간접적으로 통신할 수 있다. 이러한 디바이스들은 직접 또는 간접적으로 서로 통신할 수도 있다.

본 설명의 실시예에서, 본 명세서에서 이후에 설명되는 바와 같이 사용자 피드백 시스템을 형성하기 위해, 서버(1000), 예를 들어 e-시가렛(10)과 같은 전달 디바이스, 및/또는 전달 에코시스템 내의 임의의 다른 디바이스는 사용자의 상태에 더 정확하게 반응하기 위해 전달 에코시스템 내의 하나 이상의 정보 소스들을 활용할 수 있거나 또는 그 내의 하나 이상의 디바이스들에 의해 액세스 가능할 수 있다. 이들은 웨어러블 또는 휴대폰(또는 도크 또는 자판기와 같은 임의의 다른 소스), 또는 서버의 저장 시스템(1012)과 같은 소스들을 포함할 수 있다. 전달 디바이스는 또한 역시 웨어러블, 휴대폰, 도크, 또는 자판기, 또는 서버 중 하나 이상을 포함할 수 있는 에코시스템 내의 하나 이상의 데이터 수신기들에 정보(예를 들어, e-시가렛과의 상호작용에 관련된 데이터)를 제공할 수 있다.

본 명세서에서 이후에 설명되는 바와 같이 사용자 피드백 시스템을 형성하기 위해, 전달 디바이스(10)와 같은 전달 에코시스템 내의 디바이스는 예를 들어 전달 에코시스템에서 전달 디바이스 또는 다른 디바이스의 하나 이상의 동작들의 수정을 야기함으로써, 사용자의 상태를 추정하기 위해 및/또는 사용자(일반적인/디폴트(default) 사용자, 또는 현재 사용자와 유사한 인구 통계의 사용자, 또는 구체적으로 현재 사용자에 상관없이)의 추정된 상태를 변경하기 위해 결정된 피드백 액션의 형태를 추정하기 위해, 하나 이상의 프로세서들을 활용하여 이 정보를 분석하거나 또는 달리 프로세싱할 수 있다.

전달 에코시스템은 예를 들어 사용자가 (예를 들어 상이한 활성 성분들 또는 향미들 사이를 쉽게 전환하기 위해) 다수의 디바이스들을 소유하기 때문에, 또는 다수의 사용자들이 적어도 부분적으로 동일한 전달 에코시스템을 공유하기 때문에(예를 들어 동거하는 사용자들은 충전 도크를 공유하지만, 그러나 그들 자신의 휴대폰들 또는 웨어러블들을 가질 수 있음), 다수의 전달 디바이스들(10)을 포함할 수 있음이 이해될 것이다. 선택적으로, 이러한 디바이스들은 유사하게 직접 또는 간접적으로 서로, 및/또는 공유 전달 에코시스템 및/또는 서버 내의 디바이스들과 통신할 수 있다. 이러한 경우들에서, 특히 다수의 사용자들이 동일한 전달 에코시스템을 공유하는 경우, 디바이스들이 올바른 사용자와 연관될 수 있도록, PIN, ID 또는 계정이 각각의 전달 디바이스와 연관될 수 있다.

'사용자의 상태'에 대한 언급들은 사용자의 많은 상태들 중 하나, 또는 동등하게 사용자의 전체 상태의 한 양태를 포함한다는 것이 이해될 것이다. 따라서 예를 들어 비-제한적 예로서 사회적 상황과 코르티솔(cortisol) 수치들의 조합일 수 있는 사용자의 스트레스(stress) 수준은 '사용자의 상태'의 예이지만, 그러나 사용자를 완전히 정의하지는 않는다. 다시 말해, 사용자의 상태는 본원의 다른 곳에서 설명되는 바와 같이 하나 이상의 피드백 액션들의 잠재적인 개입과 관련된 상태이다.

사용자 피드백 시스템

이제 도 6을 참조하면, 본 설명의 실시예에서, 전달 에코시스템(1) 내의 전달 디바이스의 사용자를 위한 사용자 피드백 시스템(2)은 사용자 상태를 나타내는 하나 이상의 사용자 인자들을 획득하도록 작동 가능한 획득 프로세서(1010), 획득된 사용자 인자들 중 하나 이상에 기초하여 사용자 상태의 추정치를 계산하도록 작동 가능한 추정 프로세서(1020), 및 추정된 사용자 상태를 변경할 것으로 예상되는 방식으로 사용자 상태의 추정에 응답하여 전달 에코시스템 내의 적어도 제1 디바이스에 대한 피드백 액션을 선택하도록 작동 가능한 피드백 프로세서(1030)를 포함한다.

도 6은 비-제한적 예로서 이러한 사용자 피드백 시스템의 가능한 일 실시예를 예시한다.

이 실시예에서, 획득 프로세서(1010), 추정 프로세서(1020), 및 피드백 프로세서(1030)는 서버(1000) 내에 위치된다. 그러나, 이러한 프로세서들 중 임의의 하나 이상이 에코시스템(1) 내의 다른 곳에 위치될 수 있거나, 또는 그 역할이 서버 및/또는 에코시스템에서 2 개 이상의 프로세서들 간에 공유될 수 있음이 이해될 것이다. 예를 들어, 획득 프로세서는 e-시가렛 또는 휴대폰에 위치될 수 있거나, 또는 피드백 프로세서는 자판기 또는 e-시가렛에 위치될 수 있거나, 또는 이러한 프로세스들의 기능성은 서버와 이러한 디바이스들 간에 공유될 수 있다. 다른 예들에서, 이러한 프로세서들은 전달 디바이스(예를 들어, e-시가렛), 또는 전달 디바이스 및 휴대폰을 포함하는 전달 시스템에 로컬일 수 있다.

획득 프로세서

획득 프로세서(1010)는 하나 이상의 소스들로부터 하나 이상의 사용자 인자들을 획득하거나 또는 수신하며, 사용자 인자들은 하나 이상의 데이터 클래스들에 있다.

이러한 사용자 인자들은 사용자의 상태와 인과 관계 및/또는 상관 관계를 갖거나, 또는 이와 일부 다른 예측 가능한 관계를 가질 수 있다. 이러한 상태는 구어체로 사용자의 '기분'이라고 지칭되는 것과 연관될 수 있지만, 사용자의 주관적인 기분 자체는 피드백 시스템의 주요 고려 사항이 아니다; 오히려, 피드백 시스템은 획득된 사용자 인자(들)와 사용자 상태들 간의 대응관계, 및 일반적으로 사용자에게 유익한 미리 정해진 방식으로, 사용자의 이러한 상태를 변경할 수 있는 사용자 상태들 및 피드백 액션의 형태에 관련된다.

또한, 사용자 인자(들)와 상태들, 상태들과 피드백 사이에 대응관계가 있는 경우, 원칙적으로, 개입 상태가 반드시 명시적으로 추정될 필요 없이, 사용자 인자(들)와 피드백 사이에 대응관계가 있다는 것이 이해될 것이다.

획득 프로세서에 의해 또는 획득 프로세서를 위해 획득된 데이터의 클래스들은 다음을 포함한다(그러나 이에 제한되지 않음): 간접 또는 과거 데이터; 신경학적 또는 생리학적 데이터; 콘텍스트(contextual) 데이터; 환경 또는 결정론적 데이터; 및 사용 기반 데이터.

간접 또는 이력 데이터

간접 또는 이력 데이터는 이들의 즉각적인 상황들과 반드시 관련되지는 않지만(예를 들어, 이들의 즉각적인 환경 또는 콘텍스트에 관련되는 것이 아님) 그럼에도 불구하고 사용자의 상태에 영향을 미칠 수 있는 사용자에 대한 배경 정보를 제공한다.

간접 또는 이력 데이터의 예들은 사용자의 구매 이력, 이전에 입력된 사용자 선호도 데이터, 또는 일반적인 행동 패턴들을 포함한다(그러나 이에 제한되지 않음). 따라서 보다 일반적으로, 사용자 선택들 또는 액션들은 일반적으로 전달 디바이스와 관련되지만 일반적으로 전달 디바이스 자체의 사용에서 직접 파생되지는 않는다.

선택적으로, 이러한 정보(또는 선호하는 사용자 설정들, 또는 사용자 상태에 대한 모델 데이터 및/또는 본 명세서의 다른 부분에 설명된 바와 같은 피드백 액션, 계정 세부사항들, 또는 다른 저장된 사용자 인자 데이터와 같은 실제로 임의의 지속적인 정보)는, 주어진 사용자가 상이한 전달 디바이스들을 구매하거나 또는 사용하는 경우 디바이스들 간에 이송될 수 있으므로, 이러한 정보는 새로운 또는 개개의 디바이스들에 대해 다시 획득될 필요가 없다. 이러한 정보는 예를 들어 기존 디바이스와 새로운 디바이스 간에 Bluetooth®링크를 통한 직접 데이터 이송을 통해 이송되거나 또는 공유될 수 있다. 그러나, 새로운 디바이스를 구입하는 잠재적인 이유가 이전 디바이스를 잃어버렸기 때문이므로, 대안적으로 또는 추가로 정보는 사용자의 상이한 전달 디바이스들/시스템들이 이 경우 또한 연관되는 계정/사용자 ID와 연관되어 정보를 원격으로 (또한) 유지함으로써 이송되거나 또는 공유될 수 있다. 따라서 이전 디바이스에서 학습된/획득된 간접 또는 이력 데이터를 갖는 시스템은 디바이스들 간에 직접 또는 중앙 집중식 사용자 계정을 통해 새로운 디바이스로 이송되거나 또는 공유될 수 있다.

과거 정보의 예로서, 구매 이력은 사용자의 상태를 나타낼 수 있으며, (예를 들어 중요한 또는 반복적인 구매들의 측면에서) 사용자의 장기적인 일반적인 상태, 및/또는 (예를 들어, 최근 구매들, 또는 여전히 사용자에게 영향을 미칠 가능성이 있는 구매들의 측면에서) 사용자의 최근 상태를 나타낼 수 있다.

따라서 사용자의 상태를 나타낼 수 있는 구매 이력은, 구매된 제품들의 유형(들), 구매 빈도 등(반드시 전달 디바이스 또는 그 소모품들과 직접 관련된 제품들에 국한되지 않음), 이들이 구매된 방법(예를 들어, 온라인(online) 대 상점), 및 일정 기간 또는 단일 구매 이벤트 동안의 구매들의 양을 포함한다. 구매들(및 구매된 제품 또는 서비스)이 사용자 상태에 영향을 미치는 방식 간의 대응관계는 (예를 들어, 설문지를 통해 통계적으로 상당한 양의 데이터가 수집될 수 있게 하기 위해) 초기에 모집단 기반으로, 또는 사용자와 유사한 인구통계를 갖는 이러한 모집단의 서브세트, 및/또는 개별 사용자를 기반으로 결정될 수 있다. 구매들은 예를 들어 사람이 읽을 수 있거나(그리고 이후에 예를 들어 사용자가 전화로 입력) 또는 기계가 읽을 수 있는 표시들(이를테면, 예를 들어, 상요자가 휴대폰으로 스캔하는 QR 코드들)을 사용하는지 여부에 관계없이, 특정 상태들과 연관된 것으로 표시됨으로써 이 프로세스에 도움이 될 수 있다; 소모품 또는 다른 구매에 기계 판독가능 표시가 포함된 경우, 이는 기분의 표시자로 등록될 수 있다.

유사하게, 소모품은 전달 디바이스에 삽입되거나 또는 다른 방식으로 로딩될 때 기분을 나타내는 것으로 인식되는 수단을 포함할 수 있다; 예를 들어 코드가 있는 마이크로칩, 또는 페이로드 유형을 전자적으로 검출하는 고유하게 식별 가능한 다른 수단(예를 들어, 전달 디바이스 상의 해당 접촉부들에 의해 검출될 수 있는 소모품의 표면 상의 전도성 점들의 이진 패턴)이 사용될 수 있다. 이러한 식별 가능한 유형들은 조성(예를 들어, 향미들, 활성 성분들 또는 둘 중 어느 하나의 농도들) 또는 디폴트 투여량에 따라 다를 수 있다(예를 들어, 상이한 흡입 효과를 생성시키는 상이한 가열 프로파일을 디바이스에 표시하는 것을 제외하고 2 개의 유형들은 동일할 수 있음).

획득 프로세서는 예를 들어 이전에 입력된 사용자 선호도 데이터, 및/또는 유사하게 상호작용들 및/또는 사용 패턴들의 로그(log)들; 벤더들 또는 다른 파트너들로부터 받은 구매 기록들과 같은 웹(web) 또는 인터넷 기반 데이터(110); 입력된 사용자 선호도 데이터, 온라인 구매들, 상호작용/사용 데이터(예를 들어 전화가 e-시가렛 또는 다른 전달 디바이스와 협력하여 사용자에게 로컬인 전달 시스템으로서 작동하는 경우), 사용자 설문지들 등과 다양하게 관련된, 사용자의 휴대폰(100)에 의해 동의를 받아 수집된 정보를 포함하는, 서버의 스토리지(storage)(1012)에 유지된 사용자 프로파일 데이터를 포함하는, 다수의 소스들로부터의 간접적인 또는 이력 데이터를 획득할 수 있다. 유사하게, 대안적으로 또는 추가로, 획득 프로세서는 전달 디바이스 자체로부터 이러한 데이터를 획득할 수 있다.

신경학적 및/또는 생리학적 데이터

신경학적 및/또는 생리학적 데이터는 정신 및/또는 신체 측면에서 사용자의 신체적 상태를 설명한다. 데이터는 (예를 들어, 심박수와 같은) 즉각적인 상태 또는 상태의 변화들, 장기 상태 또는 상태의 변화들(예를 들어, 호르몬 주기들), 또는 만성 상태, 예를 들어, 피트니스 수준들을 포함하여, 다양한 시간 척도들에서 사용자의 상태를 설명할 수 있다.

예를 들어 수 개월들 내지 수 년들 정도의 장기 데이터의 비-제한적 예들은 사용자의 신진대사의 지표들, 체형(예를 들어, 외배엽형, 중배엽형, 내배엽형) 또는 체질량 지수; 만성질환; 임신과 같은 다른 장기 상태; 및 활동/피트니스 수준을 포함한다.

이러한 데이터는 하나 이상의 사용자 설문지들(예를 들어 사용자 피드백 시스템을 지원하기 위해 구체적으로 작성된 설문지, 및/또는 예를 들어 피트니스 웨어러블 디바이스 또는 소셜 미디어 제공자와 같은 제3자 파트너를 위해 작성된 설문지); 동의에 의한 의료 또는 보험 기록들; 또는 적어도 부분적으로 피트니스 웨어러블(400)과 같은 다른 디바이스들 및/또는 스마트 스케일들과 같은 더 넓은 에코시스템(1)의 다른 디바이스들로부터 획득 프로세서에 의해 획득되거나 획득 프로세서를 위해 획득될 수 있다. 그러한 설문지의 선택적 타이밍은 본원의 다른 곳에 설명되어 있다

예를 들어 몇 주들 내지 몇 달들 정도의 중장기 데이터의 비-제한적 예들은 사용자의 호르몬 수치들 또는 에스트로겐, 테스토스테론, 도파민 및 코르티솔과 같은 호르몬들에 대한 호르몬 주기들; 임의의 급성 상태 또는 질병; 및 활동/피트니스 수준을 포함한다.

예를 들어 수 일들 내지 수 주들 정도의 중기 데이터의 비-제한적 예들은 사용자의 수면 주기; 임의의 급성 상태 또는 질병; 및 에스트로겐, 테스토스테론, 도파민 및 코르티솔과 같은 호르몬들에 대한 사용자의 호르몬 수치들 또는 호르몬 주기들을 포함한다.

예를 들어 몇 시간들 내지 수 일들 정도의 중기 내지 단기 데이터의 비-제한적 예들은 사용자의 각성 정도; 그들의 활동 정도; 식욕 또는 포만감; 혈압; 온도; 및 다시 임의의 급성 상태 또는 질병 및/또는 호르몬들을 포함한다.

다시 이러한 중기 데이터(더 길든 더 짧든 상관없음)는 설문지들, 의료 또는 다른 기록들, 또는 피트니스 또는 다른 스마트 디바이스들로부터 획득 프로세서에 의해 또는 획득 프로세서를 위해 획득될 수 있다. 따라서, 예를 들어 호르몬 수치들은 설문지들, 의료 또는 다른 기록들, 동의가 있는 일기 또는 달력 항목들, 및/또는 예를 들어 바늘로 찌르는 혈액 검사를 포함하는 피트니스 또는 다른 스마트 디바이스들로부터 획득되거나 또는 추론될 수 있다. 유사하게, 혈압, 온도, 활동 정도 등은 스마트 디바이스들(일반적으로 웨어러블) 또는 사용자 입력으로부터 획득될 수 있다.

예를 들어 몇 분들 내지 몇 시간들 정도의 단기 데이터의 비-제한적 예들은 사용자의 땀 반응; 전기적 피부 반응(위상 및/또는 긴장); 이들의 활동 정도; 식욕 또는 포만감; 혈압; 호흡율; 온도; 근육 긴장; 심박수 및/또는 심박수 변동성; 및 다시 임의의 급성 상태 또는 질병, 및/또는 호르몬들을 포함한다.

추가로, 전달 디바이스에 특유한 신경학적 및/또는 생리학적 정보는 또한 획득 프로세서에 의해 단기간 내에(예를 들어, 사용자 신체 내 활성 성분의 약리학적 반감기의 1 배, 2 배 또는 그 초과에 해당하는 이전 기간 내에) 생성된 증기의 누적량과 같이 획득될 수도 있다.

예를 들어 초들 내지 분들 정도의 즉각적인 데이터의 비-제한적 예들은 사용자의 신체 포지션; 깜박임 속도; 호흡율; 심박수; 심박수 변동성; 뇌파 패턴; 전기적 피부 반응(예를 들어, 위상); 근육 긴장; 피부 온도; 음성(예를 들어, 볼륨, 피치, 호흡과 같은 특성들); 및 이들의 활동 정도를 포함한다.

다시 단기적이고 즉각적인 데이터는 예를 들어 스마트 디바이스들을 사용하여, 또는 본 명세서에 설명된 임의의 적합한 접근법을 사용하여, 일반적으로 생체 인식 감지로부터 획득 프로세서에 의해 또는 획득 프로세서를 위해 획득될 수 있다. 예를 들어 전기적 피부 반응은 전달 디바이스의 전극들에 의해 측정될 수 있다; 심박수는 웨어러블 디바이스에 의해 손목의 혈관을 광학 스캐닝함으로써 또는 심전도(ECG) 또는 다른 전용 스트랩-온(strap-on) 디바이스를 사용함으로써 획득될 수 있다. 유사하게, 뇌파 패턴들은 뇌파도(EEG)에 의해 검출될 수 있으며, 근육 긴장도는 근전도(EMG)에 의해 검출될 수 있다. 한편 신체 포지션, 깜박임 등은 예를 들어 전화기 또는 자판기의 카메라에 의해 캡처(capture)될 수 있다.

단기적이고 즉각적인 생리학적 데이터를 얻기 어려울 수 있는데; 예를 들어 스마트워치는 사용자의 심박수를 단지 10분마다 확인할 수 있으며, 주어진 퍼프에 대해 입수 가능한 데이터가 너무 오래되어 직접 관련이 없다는 것을 의미한다. 유사하게, 사용자는 장갑을 착용하여 갈바닉 피부 반응을 사용할 수 없게 만들 수 있다. 다른 데이터는 사용자가 적절한 센서를 착용할 것을 선택하도록 요구할 수 있으며, 이는 사용자들이 지속적으로 수행하지 않을 수 있다. 유사하게, 일부 단기적이고 즉각적인 데이터는 여러 원인들을 갖는 값들을 나타낼 수 있으므로, 사용자의 여러 상태들을 나타낼 수 있다. 예를 들어, 상승된 심박수는 사용자가 스트레스를 받고 있음을 시사하거나 사용자가 운동을 즐기고 있음을 나타낼 수 있다. 결과적으로, 선택적으로 이러한 단기적이고 즉각적인 생리학적 데이터는 단지, 판독들을 명확하게 하는 역할을 하는 다른 콘텍스트 데이터와 함께 사용될 수 있다. 예를 들어, 사용자가 직장에 있고 상당한 거리를 이동하지 않는 근무 시간 동안 높은 심박수는, 사용자가 자신의 집 근처에서 달리기 속도로 이동하는 것으로 검출되는 토요일 아침의 동일한 심박수보다 스트레스의 징후일 가능성이 훨씬 더 높다.

따라서, 단기적이고 즉각적인 생리학적 데이터(및 적절하게는, 상황에 맞는 명확성(contextual disambiguation)이 요구될 수 있는 임의의 신경학적 또는 생리학적 데이터)는 데이터 획득 및 패키징 및/또는 사용자 상태의 평가에서 할인되거나 가중치가 감소될 수 있으며, 또는 선택적으로, 데이터가 관련될 가능성이 있는 상태의 유형을 나타내는 콘텍스트 데이터를 명확하게 하는 것이 또한 획득될 때 사용되거나 보다 완전히 가중될 수 있다.

동일한 예들이 위의 설명에서 상이한 시간 프레임들에 걸쳐 있는 한, 예를 들어, 상이한 호르몬들, 호르몬 주기들, 피트니스 수준들 등이 단기 및 장기 특성들을 가질 수 있다는 것이 이해될 것이다. 또한, 데이터의 예가 하나의 목록에는 포함되지만 다른 목록에는 포함되지 않는 경우, 이는 데이터가 상이한 시간 프레임에 걸쳐 수집/사용되는 것을 배제하지 않는다는 것이 이해될 것이다; 예를 들어 혈압은 단기 데이터의 예로 나열될 수 있지만, 그러나 분명히 예를 들어 지속적인 고혈압으로 인해 장기 데이터의 일부일 수도 있다.

간접 또는 이력 데이터와 마찬가지로, 복수의 이러한 유형들의 데이터 및/또는 다수의 소스들로부터의 데이터는 임의의 적절한 조합으로 사용될 수 있다.

직접 측정된 신경학적 또는 생리학적 데이터 외에도, 사용자의 상태와 관련하여 전달 디바이스와 특히 관련된 데이터를 획득하기 위해 임의의 적절한 분석 또는 데이터 융합이 구현될 수 있다.

예를 들어, 피드백 시스템은 사용자 내의 (활성 성분의 비-제한적 예로서) 현재 니코틴 농도, 또는 소비된 성분으로부터 분해되는 활성 또는 비활성 화합물들의 농도를 추정하도록(그리고 후속적으로 그에 따라 니코틴/활성 성분을 전달하도록) 작동 가능할 수 있다.

따라서 원칙적으로 (예를 들어 획득 프로세서의 사전-프로세서 또는 서브시스템의) 피드백 시스템은 소비된 니코틴, 소비된 시간을 모니터링한 것, 및 니코틴의 체내 반감기(약 2 시간, 이 값은 신장, 체중 등과 같은 개인에 관한 정보를 기반으로 정제될 수 있음)에 대한 값을 저장한 것을 기반으로 사용자의 니코틴 농도를 추정할 수 있다. 이러한 모니터링은 전달 디바이스로부터의 사용 데이터에 기초하여 수행될 수 있다. 따라서 예를 들어 원래 활성 성분 농도, 및 가열/에어로졸 생성기 전력과 에어로졸 질량 출력 사이의 미리 정해진 관계에 기초하여, 흡입된 단위 부피당 활성 성분의 질량이 추정될 수 있다; 이로부터, 미리 정해진 흡수 관계를 사용하여(선택적으로 공기 유동 데이터를 사용하여, 흡입의 깊이/기간의 분석을 기초로 하여), 흡수된 활성의 양이 결정될 수 있다; 마지막으로 사용자의 체질량, 및 연령, 성별 등과 같은 잠재적인 다른 인자들을 사용하여, 시간 경과에 따른 사용자의 활성 성분 및/또는 분해 생성물들의 농도를 결정할 수 있다. 다시, 여기서 니코틴은 활성 성분의 비-제한적 예이다.

사용자는 일반적으로 집합적으로 '기준선' 수준을 정의하는 것으로 간주될 수 있는 상한 임계값과 하한 임계값 사이에 있는 니코틴 수치(사용자들 간에 상이할 수 있음)를 가지려고 노력하는 것으로 밝혀졌다. 피드백 시스템은 (예를 들어, 시간 경과에 따른 사용 모니터링에 의해) 이러한 기준선을 확립할 수 있고, 본 명세서에서 나중에 더 상세히 설명되는 바와 같이, 피드백 시스템은 기준선과 일치하도록 니코틴을 전달하기 위해 전달 디바이스의 하나 이상의 동작들의 수정을 선택하고 선택적으로 야기할 수 있다. 기준선은 일정한 값일 수 있거나 또는 예를 들어 시간 또는 요일에 따라 변할 수 있다. 이것은 예를 들어 설문지로부터 획득된 사용자의 프로파일에 기초하여 초기에 추정될 수 있고 및/또는 사용자로부터의 정보(측정 및/또는 자가 보고됨)에 의해 구축되거나 또는 정제될 수 있다.

이러한 수정은 사용자의 추정된 상태를 긍정적인 방식으로 변경할 것으로 예상될 수 있는데, 사용자의 니코틴 수치들이 개인 기준선 또는 임계값 범위에 가까울 때 사용자가 긍정적인 기분에 있을 가능성이 증가한다고 이전에 결정되었기 때문이다.

사용자가 여러 가지 상이한 활성 성분들을 소비하는 경우, 각각은 그의 고유한 기준선 임계값들을 가질 수 있다. 선택적으로, 피드백 시스템은 하나의 활성 성분이 다른 활성 성분의 기준선에 영향을 미칠 수 있는 정도로 하나의 활성 성분의 소비가 다른 활성 성분과 중복되는지 여부를 모니터링할 수 있고, 만약 그렇다면, 예를 들어 이러한 중복들과 관련된 저장된 파모키네틱(pharmokinetic) 데이터를 기반으로 이들을 적절히 수정할 수 있다.

이전에 언급된 바와 같이, 이러한 상황들에서, 사용자는 상이한 활성 성분들을 소비하기 위해 다수의 전달 디바이스들과 상호작용할 가능성이 있고, 각각의 디바이스로부터의 사용은 연관된 사용자를 위해 조합될 수 있다. 대안적으로, 단일 디바이스가 페이로드들 사이를 전환할 수 있거나(예를 들어, 상이한 겔들을 싫어함), 또는 활성 재료들의 혼합된 페이로드를 갖는 경우, 현재 가열된 페이로드 또는 페이로드 혼합물은 소비를 추적하기 위한 목적들로 피드백 시스템에 전달될 수 있다.

콘텍스트 데이터

콘텍스트 데이터는 사용자의 상태에 영향을 미칠 수 있는 환경적 인자들(본 명세서의 다른 부분 참조) 이외의 다른 상황적 인자들에 관련된다. 일반적으로 이러한 상황적 인자들은 사용자의 심리적 상태 또는 스트레스, 평온, 행복, 슬픔, 또는 특정 행동 패턴들에 대한 성향에 영향을 미치고, 따라서 또한 본원의 다른 곳에서 설명되는 바와 같이 도파민 또는 코티손 수치들, 혈압, 심박수 등과 같은 신경학적 및 생리학적 사용자 인자들에 영향을 미치고 및/또는 이들과 상관관계를 가질 수도 있다.

콘텍스트 데이터의 예들은 넓은 범위에서는 이들이 사는 곳, 종교가 있는 경우 이들의 종교, 및 좁은 범위에서는 이들의 직업 및/또는 고용 상태, 교육 수준 등을 포함하여 사용자의 문화, 및 성별 및 관계 상태와 같은 이것들과 상호작용할 수 있는 사회적 경제적 인자들을 포함한다.

이러한 정보는 사용자 설문지들, 소셜 미디어 데이터 등으로부터 획득 프로세서에 의해 또는 획득 프로세서를 위해 획득될 수 있다. 그러한 설문지의 선택적 타이밍은 본원의 다른 곳에 설명되어 있다.

다른 콘텍스트들은 계절(예를 들어, 겨울, 봄, 여름, 가을) 또는 월, 및 사순절, 부활절, 라마단, 크리스마스 등과 같은 해당 계절 또는 월 내의 임의의 특정 이벤트들 또는 기간들을 포함한다. 예를 들어, 사용자들은 사순절 또는 1월의 첫 몇 주 동안 이들의 개인 기준선 이하의 소비를 긍정적인 것으로 볼 가능성이 더 크다.

이러한 정보는 이전에 설명한 바와 같이 국가, 종교, 고용, 성별 등과 같은 다른 콘텍스트들에 따라 적절한 경우 적절하게 필터링된 캘린더(calendar) 및 이벤트들의 데이터베이스로부터 획득 프로세서에 의해 또는 획득 프로세서를 위해 획득될 수 있다.

다른 콘텍스트들은 스트레스 또는 휴식의 소스들을 나타낼 수 있는 사용자의 아젠다(agenda) 또는 캘린더, 및 주어진 시간에 사용자가 얼마나 바쁜지 등을 포함한다. 따라서 예를 들어 사교 이벤트는 사용자 상태에 대한 긍정적인 영향, 예를 들어, 도파민 수치들 상승과 연관될 수 있는 반면, 의료 약속 또는 운전 시험은 코르티솔 및 심박수 증가와 같은 스트레스 요인들과 연관될 수 있다. 유사하게, 빠르게 연속되는 이벤트들, 약속들, 및/또는 리마인더들은 사용자의 상태에 대한 부정적인 영향을 나타낼 수 있다. 사용자의 아젠다 또는 캘린더에 있는 이벤트들의 특성은 본원의 다른 곳에서 설명되는 바와 같이, 키워드 분석에 의해 결정될 수 있고, 충돌 횟수 또는 회의에 참석할 가능성이 있는 개인과 같은 캘린더와 관련된 빈도 또는 기타 메트릭은 캘린더 자체에 의해 제공하는 데이터에서 결정될 수 있다.

사용자의 아젠다 또는 캘린더는 또한 사용자의 가능한 위치의 표시를 제공할 수 있으며, 이는 사용자의 상태 또는 해당 상태를 수정할 수 있는 방식으로 전달 디바이스를 사용할 수 있는 능력에 영향을 미칠 수 있다. 예를 들어, 사용자는 그들이 집에 있는지, 직장에 있는지, 야외 또는 실내 공공 장소들에 있는지, 도시 또는 시골 환경에 있는지, 또는 출퇴근 중인지에 따라 상이한 일반적인 상태들, 및 그들의 전달 디바이스를 사용할 수 있는 상이한 능력들을 가질 수 있다.

사용자 상태와 위치 사이의 관계는 적어도 처음에는 사용자들의 코퍼스(corpus)로부터의 데이터를 기초로 할 수 있다. 대안으로 또는 추가로, 이 관계는 사용자로부터의 데이터(예를 들어, 측정되거나 또는 자가 보고됨)를 기초로 구축되거나 정제될 수 있으며, 그에 따라 사용자 피드백 시스템은 사용자가 명시적으로 언급했는지 여부에 관계없이 사용자가 주어진 위치에 있을 가능성이 있는 상태를 학습한다.

사용자의 위치는 전달 디바이스 또는 스마트폰과 같은 연관된 디바이스에 의해 획득된 GPS 신호, 또는 자판기 또는 POS 유닛의 등록된 위치로부터 결정될 수 있음을 알 수 있을 것이다. 선택적으로, 사용자의 휴대폰과 같은 디바이스는 예를 들어, 사용자의 집과 직장의 위치를 기록하는 오프라인 지도 또는 위치 데이터베이스를 포함할 수 있으며,

선택적으로 자판기, 공공 충전 유닛들 등과 같은 사용자 전달 에코시스템에 일시적으로 통합될 수 있는 장치의 위치를 포함할 수 있다. 이를 통해 디바이스는 사용자의 현재 위치를 공개되지 않았거나(사용자의 개인 정보의 경우) 이와 달리 사용자에게 알려지지 않은 위치(추가 전달 에코시스템의 인프라의 경우)와 비교할 수 있다. 다른 한편으로, 어떤 이유로든 사용자의 위치가 백엔드 서버로 피드백되는 경우(예를 들어, 데이터 획득, 결합 또는 패키징, 사용자 상태 추정 또는 피드백 프로세싱의 일부), 선택적으로 위치, 예컨대, '직장', '집', '체육관', '통근' 또는 다른 위치 클래스 또는 알 수 없는 경우 '기타'로 분류함으로써, 사용자의 실제 위치를 부분적으로 가릴 수 있다(즉, 부분적으로 익명으로 만들 수 있음). 예를 들어, 분류와 연관된 분류된 GPS 포지션 주변의 사전 결정된 허용오차를 사용하여 사용자의 전화에서 이러한 작업을 수행할 수 있다.

대안적으로 또는 추가로, 무선 환경은 위치와 연관될 수 있는데; 예를 들어 차량 내 블루투스 또는 열차 내 Wi-Fi는 '통근'과 관련될 수 있지만, 집, 사무실 또는 체육관 Wi-Fi는 이러한 위치들과 연관될 수 있다.

사용자는 자신의 휴대폰에서 이러한 위치들/무선 환경들을 식별/분류하도록 요청받을 수 있지만, 선택적으로 GPS 또는 무선 데이터는 위치들 및/또는 무선 액세스 포인트들의 데이터베이스와 비교하여 자동 분류를 위해 보안 서버로 전송될 수 있으며, 예를 들어 제3자에 의해 관리될 수 있다.

따라서, 어떤 경우에도 위치 자체가 아닌 위치 분류가 획득 프로세서에 의해 또는 획득 프로세서를 위해 제공될 수 있다.

통근 또는 다른 이동 모드들과 관련하여, 이동의 유형은 사용자의 상태에 영향을 미칠 수 있다. 예를 들어, 걷는 것은 예를 들어 심박수, 혈압 등의 측면에서 운전보다 사용자의 상태에 더 긍정적인 영향을 미칠 수 있다. 보다 일반적으로, 활동 수준은 사용자의 상태에 영향을 미칠 수 있으며, 일반적으로, 증가된 활동은 전형적으로 활동 중에 사용자에게 긍정적인 영향을 주지만 잠재적으로 그날의 나머지 시간과 그 다음날에도 영향을 미칠 수 있다. 태양 아래서 걷는 것 대 빗속에서 걷는 것이 사용자의 상태에 상이한 영향들을 미칠 수 있기 때문에, 이 콘텍스트는 콘텍스트들의 조합이 중요할 가능성을 예시한다는 것이 이해될 것이다. 이동의 유형은 예를 들어 사용자의 전화로부터의 GPS 데이터, 또는 전화 또는 전달 디바이스와 차량의 페어링(pairing), 또는 대중 교통 티켓들의 구매, 또는 이동 습관들/시간들을 나타내는 설문지에서 추론될 수 있다.

이러한 정보는 예를 들어 사용자의 전화에서 작업 또는 개인 디지털 캘린더들에서 획득 프로세서에 의해 또는 획득 프로세서를 위해 획득될 수 있다. 또한, 사용자의 전화, 또는 다른 스마트 웨어러블은 사용자의 위치의 표시, 및/또는 예를 들어 사용자의 집 및 직장 위치들 및 평균 통근 시간들에 대응하는 위치의 과거 패턴들을 직접 제공할 수 있다는 것이 이해될 것이다.

다른 콘텍스트들은 사용자의 위치의 날씨 또는 사용자의 위치 또는 향후 위치의 예정된 날씨를 포함한다. 사용자에 따라, 화창한 날씨는 사용자의 기분 및 사교성을 향상시킬 가능성이 있는 반면, 나쁜 날씨는 사용자의 기분을 저하시키고 잠재적으로 그들의 사교성을 감소시키거나 또는 그들의 사교 능력에 영향을 미칠 가능성이 있다. 예를 들어, 일부 사용자들은 선택적으로 여기에 설명된 다른 콘텍스트 인자들 및 추가 사용자 인자들과 함께, 날씨에 의해 제안되는 기분에 대한 그들의 기대치들을 반영하는 정도로 활성 성분들을 소비하도록 행동할 가능성이 있다.

이러한 정보는 사용자의 스마트폰(100)에 위치되거나, 또는 예를 들어 서버(1000)에 의해 직접 액세스될 수 있는 날씨 앱으로부터 획득 프로세서에 의해 또는 획득 프로세서를 위해 획득될 수 있다. 보다 일반적으로 날씨 데이터는 GPS 데이터에 응답하여(예를 들어 스마트폰에 의해) 또는 사용자의 캘린더/약속들에 표시된 위치들, 및/또는 기압계와 같은 로컬 날씨 측정 센서를 사용하여 획득될 수 있다.

다른 콘텍스트들은 일반적으로 군중들 또는 사회적 환경 측면에서, 또는 구체적으로 원칙적으로 사용자 행동과 측정 가능한 상관관계가 있는 다른 개인들 측면에서 다른 사람에 대한 사용자의 근접성을 포함한다. 예를 들어, 사용자는 그들의 상사, 그들의 직장 동료들, 친구들, 그들의 파트너, 그들의 자녀, 또는 그들의 부모와 가까이 있는지 여부에 따라 상이한 상태를 가질 수 있다. 따라서 예를 들어 사용자는 붐비는 또는 사교적인 환경에 있을 때 그리고 혼자 있을 때 또는 파트너 또는 가족 구성원들과 함께 있을 때 상이한 상태를 가질 수 있다. 또는 성인만 있을 때보다 어린이가 있을 때 다르게 행동할 수 있다.

이러한 근접성은 사용자의 아젠다 또는 캘린더, 그들의 휴대폰, 그들의 전달 디바이스, 또는 그들의 위치으로부터 추론될 수 있다. 사용자는 구체적으로 본 명세서의 사용자 피드백 시스템의 목적을 위해 또는 일반적으로 예를 들어 소셜 미디어에서 그들의 사회적 상태를 자가 보고할 수 있다; 한편, 예를 들어 전화 및/또는 전달 디바이스는 미리 정해진 시간 기간보다 더 오래 동안 다른 전화들 및/또는 전달 디바이스들로부터 신호들을 검출하여, 이들이 서로의 존재 하에 유지되고 있음을 나타낼 수 있다. 선택적으로 전화기의 카메라를 사용하여 다른 것들을 검출할 수 있지만, 그러나 이것은 전화기가 주머니 또는 가방에 있는 경우에는 사용하지 못할 수 있다. 피드백 시스템은 또한 그러한 전달 디바이스 ― 예를 들어, 다른 전달 디바이스가 피드백 시스템 자체의 일부인지 여부에 관계없이, (예를 들어, 직접적으로 또는 연관된 휴대폰을 통해) 피드백 시스템에 의해 위치이 결정될 수 있는 임의의 적절한 전달 디바이스 ― 의 다른 사용자들과 전달 디바이스의 사용자들의 근접성을 결정할 수 있다. 유사하게 피드백 시스템은 사용자가 권한을 가지고 피드백 시스템에 식별된 특정 사람들의 근접성을 결정할 수 있다; 예를 들어 피드백 시스템에 그들의 전화 번호를 제공하거나 또는 검출된 Bluetooth®또는 다른 ID를 해당 사용자와 연관시키는 시스템을 제공함으로써 이루어진다.

사용자는 또한, '내향적' 또는 '외향적'과 같은 광범위한 수준에서 또는 더 구체적인 것과 상관없이, 상이한 사회적 상황들, 그룹들 또는 개인들에 대한 응답으로 자신의 일반적인 상태를 (예를 들어, 설문지를 통해) 나타낼 수 있다.

사용자의 사회적 상황과 관련된 기타 콘텍스트 정보는 마이크로폰들 또는 카메라들과 같은 센서들을 사용하여 직접 측정될 수 있다.

예를 들어, 전달 디바이스의 마이크로폰 또는 사용자의 휴대폰 또는 전달 에코 시스템 또는 이에 연결 가능한 임의의 다른 디바이스를 사용하여 사용자의 음성을 검출할 수 있다(예를 들어, 디바이스, 또는 근처에 있는 다른 사람에게 구체적으로 말할 때, 전화 통화 중일 때, 또는 선택적으로 음성 활성화 개인 디지털 어시스턴트(assistant)와 유사한 방식으로 진행 중인 백그라운드 활동으로). 볼륨, 단어 속도, 음색, 음조, 피치, 및/또는 비-조화 콘텐츠와 같은 사용자 음성의 특성들을 분석하여, 선택적으로 예를 들어 사용자의 중립적인 목소리로 교정한 후, 사용자가 침착한 방식으로 또는 스트레스를 받는 방식으로 발성하는지 여부를 결정할 수 있다. 유사하게 선택적으로 전달 에코시스템의 이러한 디바이스는 사용자의 상이한 상태들(긍정적이든 및/또는 부정적이든)을 나타내는 키워드들을 모니터링할 수 있다.

이러한 마이크로폰은 배경 소음/음악을 검출하는 데에도 사용할 수 있으며; 높은 수준의 임의적이거나 음악이 아닌 소음은 통근과 같은 스트레스가 많은 상황을 나타낼 수 있는 반면, 조용한 배경은 집이나 정원에 있는 것과 같은 차분한 상황을 나타낼 수 있다. 마찬가지로 듣고 있는 음악의 유형은, 알려진 기술을 사용하여 구체적으로 식별되거나 비트 및 임의의 템포의 존재를 결정하기 위해 분석되는지 여부에 관계없이, 사용자의 상태를 나타낼 수 있으며 긍정적 또는 부정적인 감정과 관련된 특정 트랙들은 사용자의 해당 감정 상태를 나타내는 한편, 예를 들어 경쾌한 댄스 음악은 높은 도파민 수치를 나타낼 수 있지만 느린 음악이나 단조의 음악은 처진 기분이나 우울증을 나타낼 수 있다.

다른 분석들을 제공하기 위해 적절한 센서(이 경우에, 마이크로폰)가 이미 존재하는 본원에 설명된 기능 이후의 다른 기능과 마찬가지로, 이 추가 기능은 관련 디바이스 또는 디바이스들의 소프트웨어를 업데이트함으로써 제공될 수 있다.

유사하게, 배달 에코시스템의 디바이스 또는 이에 연결 가능한 디바이스는 카메라를 포함할 수 있다. 이러한 카메라들의 이미지들로부터의 데이터는 예를 들어, 전형적으로 사용자의 주관적인 기분과 강한 상관 관계가 있는 사용자의 전반적인 얼굴 표정을 포함하여 사용자의 상태와 관련하여 획득될 수 있지만, 그러나 또한 본원의 이전에 설명된 바와 같이, 사용자가 혼자일 때 또는 군중 속에 있을 때, 또는 사용자의 상태와 강한 상관관계를 가질 수 있는 특정 개인과 함께 있을 때를 검출하는 것과 관련하여 획득될 수 있다.

대안적으로 또는 추가적으로, 이러한 카메라는 본원에서 이전에 설명된 바와 같은 생리학적 데이터와 같은 다른 유형의 데이터에 사용될 수 있음이 이해될 것이다. 예를 들어, 근육 긴장은 얼굴에서 검출 가능할 수 있으며 이는 스트레스, 긴장 또는 통증과 관련이 있는 경향이 있다. 한편 눈의 움직임들은 사용자의 집중력 정도 및/또는 사용자가 수행하는 일부 활동들의 특성을 나타낼 수 있다(예를 들어, 안구 움직임 및/또는 깜박임의 패턴들은 운전, 독서, 또는 사교 활동을 할 때 상이할 수 있으며, 사람이 깨어 있거나 또는 졸릴 때 상이한 경향이 있다). 유사하게, 카메라로 확인할 수 있는 경우, 얼굴 또는 목의 미세한 움직임들이 심박수를 나타낼 수 있다.

최근에 소비된 정보와 같이 사용자의 상태에 영향을 미칠 수 있는 다른 콘텍스트들이 존재한다는 것이 이해될 것이다; 소셜 미디어 콘텐츠, 웹사이트들, 인터넷 검색들, 온라인 광고들, 뉴스 기사들, 스트리밍 비디오, 전자책들, 전자 잡지들, 사진들 및 획득 프로세서에 의해 또는 획득 프로세서를 위해 획득될 수 있는 다른 유사한 콘텐츠. 일부 콘텐츠는 예를 들어 자연 재해 뉴스와 같이 사용자들의 상태에 보편적으로 일관된 영향을 미치는 것으로 가정될 수 있는 반면, 다른 콘텐츠는 사용자가 선호하는 스포츠 팀에 대한 결과들과 같이 개인들에게 상이하게 영향을 미칠 수 있고, 예를 들어 사용자 설문지의 결과들을 기초로 하여, 개별적으로 평가될 수 있다.

소비된 정보의 콘텐츠는 예를 들어 키워드들에 대해 평가되어, 사용자의 상태에 대한 긍정적 또는 부정적인 영향에 대한 등급을 생성할 수 있다. 선택적으로 획득 프로세서에 의해 또는 획득 프로세서를 위해 등급만이 획득될 수 있거나, 또는 키워드 선택과 같은 임의의 적합한 다이제스트(digest)가 획득될 수 있다. 보다 일반적으로, 획득 프로세서는, 특히 소스 재료 자체가 일부 사용자 인자 특성을 열거하지 않는 경우, 적절하게 사용자 인자들의 다이제스트만을 수신할 수 있다.

획득 프로세서 또는 위에서 설명한 것과 같은 콘텐츠를 관리하는 프로세서는 이러한 평가들을 수행할 수 있다. 후자의 경우, 프로세서는 그 결과를 획득 프로세서에게 직접 제공하거나 콘텐츠가 소비되는 전달 에코시스템 내의 장치에 제공할 수 있으며, 이로부터 이후에, 선택적으로 예를 들어 배달 에코시스템 내에서 측정된 하나 이상의 다른 메트릭을 통합하기 위해 추가 처리 후, 획득 프로세서에 릴레이될 수 있다.

구체적인 예로, 사용자가 예를 들어 휴대폰을 통해 소셜 미디어를 사용할 때, 소셜 미디어 플랫폼, 휴대폰 또는 다른 소비 디바이스 및/또는 획득 프로세서(휴대폰과 별도로 동작하거나 휴대폰 또는 다른 소비 디바이스에서 적어도 부분적으로 구현되든지)는, 사용자가 읽은 게시물의 텍스트를 선택적으로 분석할 수 있고, 그리고 특히 키워드에 대해 사용자가 작성한 게시물의 텍스트를 선택적으로 분석할 수 있다. 일부 키워드는 사용자 상태를 간접적으로만 나타낼 수 있는데; 예를 들어, 문장에서 사용자가 선택한 형용사 또는 동사는 사용자가 긍정적인지 부정적인지 또는 차분한지 스트레스를 받는지 여부를 나타낼 수 있다. 유사하게, 욕설이 있으면 스트레스를 나타낼 수 있다. 한편 키워드는 예를 들어 '느낌[느끼고 있는]...긴장 [치과의사 방문]'과 같은 사용자 상태를 명시적으로 나타낼 수 있다. 이 경우에, '느낌'이라는 단어는 사용자가 자신에 대해 이야기하고 있음을 나타내고, 키워드 '긴장' 및 '치과의사'는 전형적으로 부정적인 의미를 갖는 미리 정해진 키워드 세트의 일부이거나 스트레스 수준의 결정 가능한 상관 관계 또는 대응 관계일 수 있다. 사용자의 소비 또는 발생된 소셜 커뮤니케이션의 분석은 위에서 설명한 바와 같이, 사용자의 단어 선택, 욕설 또는 명시적 표시 중 하나 이상을 선택적으로 분석할 수 있다.

대안적으로 또는 소셜 미디어 사용에 추가하여, 선택적으로 위의 접근 방식은 사용자의 텍스트 및/또는 캘린더 항목에 적용될 수 있으며, 음성 인식, 이들의 전화 대화 또는 다른 사람과의 실제 대화와 함께 적용될 수 있다.

유사한 접근법이 뉴스 기사, 전자책, 전자잡지 등 및 스트리밍 비디오, 사진 및/또는 음악과 관련된 메타 데이터에 적용될 수 있다.

따라서 예를 들어, 본원에서 이전에 언급한 바와 같이, 사용자 주변의 배경 소음이나 음악을 평가하기 위해 마이크로폰이 사용될 수 있지만, 대조적으로 사용자가 음악을 선택하거나 특히 음악을 듣고 있는 경우, 아티스트, 제목, 장르 및 가사 중 하나 이상을 포함하는 음악과 관련된 메타 데이터를 얻을 수 있다. 이들 중 임의의 것은 예를 들어, 서버에 의해 유지되는 데이터베이스 또는 마이크로폰의 사용과 관련하여 위에서 설명한 것과 유사한 휴리스틱을 기반으로 하지만, 제공된 메타데이터를 기반으로 해당 사용자 상태의 표시에 대해 평가될 수 있다.

음악을 평가하는 것과 유사한 방식으로, 웹사이트들과 같은 다른 콘텐츠가 유사한 방식으로 평가될 수 있는데; 일부 웹사이트들은 오락을 위해 제공되는 반면, 다른 웹사이트들은 정보를 제공하기 위해 제공되므로, 장르 또는 더 일반적으로 상이한 사용자 상태와 상관관계 또는 대응관계가 있는 분류에 따라 분류될 수 있다. 본원의 다른 곳에서 언급된 바와 같이, 웹사이트들의 콘텐츠는 키워드에 대해 유사하게 분석될 수 있다.

마찬가지로, 전달 디바이스 이외의 디바이스들을 사용하면 사용자의 상태에 영향을 줄 수 있다. 특히 사용자의 전화에 있는 앱들의 선택, 및 상호작용, 상호작용의 유형, 및/또는 이들과의 상호작용 기간은 사용자의 상태와 상관관계들을 가질 수 있다; 예를 들어 소셜 미디어 또는 게임 앱을 플레이하는 것은 도파민 및/또는 코르티솔 수치들, 심박수 등을 높일 수 있다; 반면 음악 앱을 들으면 심박수 및/또는 코르티솔 수치들이 변할 수 있다. 상호작용 기간은 이러한 상태 변화들과 선형 또는 비선형 관계를 가질 수 있거나, 또는 시간이 지남에 따라 상이한 상태를 나타낼 수 있다; 예를 들어 오랫동안 게임을 플레이하는 것은 지루함을 나타낼 수 있다.

콘텍스트 인자들뿐만 아니라 다른 유형들의 인자들과 같은 많은 사용자 인자들에 대해, 상황적 반응(예를 들어, 예상된 상태)은 초기에 적어도 사용자들의 코호트(cohort)(예를 들어, 이전의 사용자들의 테스트 모집단)의 데이터를 기반으로 할 수 있지만, 대안적으로 또는 추가로 (측정된, 수신된 또는 자가 보고된 것인지에 상관없이) 사용자로부터 획득된 정보로부터 구축되거나 또는 정제될 수 있다는 것이 이해될 것이다.

환경 및 결정론적 데이터

환경 및 결정론적 데이터는 사용자의 선택 또는 영향을 벗어난 장기 콘텍스트 데이터와 효과적으로 관련된다. 문화와 같은 장기적인 콘텍스트 영향들과 중복되는 부분이 있다; 따라서 예를 들어 사용자의 양육, 그들의 유전학, 성별, 내부 생물 군계(예를 들어, 내장 생물 군계) 및/또는 외부 생물 군계(예를 들어, 건조한 또는 푸르른 환경에 거주하는지 여부), 및 나이.

여기에 설명된 다른 데이터와 마찬가지로, 이러한 환경 및 결정론적 데이터는 하나 이상의 사용자 설문지들(예를 들어 사용자 피드백 시스템을 지원하기 위해 구체적으로 작성된 설문지, 및/또는 예를 들어 피트니스 웨어러블 디바이스 또는 소셜 미디어 제공자와 같은 임의의 제3자 파트너를 위해 작성된 설문지)로부터 획득 프로세서에 의해 또는 획득 프로세서를 위해 획득될 수 있다. 무엇보다도, 이러한 설문지는 성/성별, 신장, 체중, 인종, 연령 등과 같은 세부사항들을 요구할 수 있다. 이러한 설문지는 또한 사용자의 정신적 소인 및/또는 이력을 추정하기 위한 정신 측정 테스트 질문들을 포함할 수 있다(예를 들어, 외향적/내향적, 능동적/수동적, 낙관적/비관적, 침착/불안, 독립적/의존적, 만족/우울 등 중 하나 이상). 이러한 설문지는 또한 사용자의 문화 및 신념들과 관련된 질문들을 할 수도 있다(예를 들어, 자신 또는 부모의 출신 국가; 있는 경우, 종교; 있는 경우, 정치적 설득; 있는 경우, 신문들 또는 뉴스 웹사이트들 읽기; 있는 경우, 다른 미디어 소비; 등 중 하나 이상). 다시 여기에 설명된 다른 데이터와 마찬가지로, 일부 이러한 환경 및 결정론적 데이터는 동의를 통해 의료 또는 보험 기록들로부터 획득 프로세서에 의해 또는 프로세서를 위해 획득될 수 있다; 및/또는 사용자의 위치으로부터 적절하게 추론될 수 있다. 그러한 설문지의 선택적 타이밍은 본원의 다른 곳에 설명되어 있다.

모든 환경 및 결정론적 데이터가 장기적일 필요는 없다; 따라서 예를 들어 하루 중 시간, 주중 요일 및 연중 월은 환경 및 결정론적 데이터로 간주될 수 있다. 따라서 예를 들어 사용자 상태는 하루 또는 한 주 동안 변할 수 있는데, 예를 들어 주중 및 주말 동안, 및/또는 주중의 작업 시간들 대 저녁 시간들 동안, 그리고 또한 잠재적으로 하루 중 특정 시간들에 상이할 수 있다. 유사하게 예를 들어 날씨와 같은 다른 콘텍스트 데이터와 중복될 수도 있다. 다시 상이한 사용자 인자들 간에 시너지 효과가 또한 있을 수 있다; 예를 들어 연중 시간은 (길이 및 잠재적으로 또한 날씨 패턴들 측면에서) 일광의 양에 영향을 줄 수 있다. 일광의 수준 및/또는 지속 시간은, (예를 들어, 전달 에코시스템 내의 디바이스 상의 광 센서/카메라를 사용하여) 측정될 때 또는 날짜로부터 추론될 때, 사용자의 상태와 검출 가능한 관계가 있을 수도 있다. 광의 품질(예컨대, 색 온도, 실내/깜박임 또는 실외)도 또한 예를 들어 전달 에코시스템 내에서 카메라로 캡처하는 것과 같은 사용자 인자로 취급될 수 있다.

하루 중 시간, 주 중 요일 및 년 중 월은 특히 작업 시간 또는 작업 루틴, 통근 시간, 개인 시간, 양질의 시간 등으로 기능적으로 정의될 때 또는 며칠, 몇 주 또는 몇 달 동안의 행동의 패턴들이 확립되는 경우 콘텍스트 데이터로 간주될 수 있음이 이해될 것이다. 이는 일, 주 또는 월의 함수로서의 사용자 인자 데이터의 변화들 또는 이러한 사용자 인자 데이터와 사용자 상태 또는 식별된 피드백 액션들 사이의 관계들과 관련된다. 따라서 본원의 다른 곳에서 설명된 바와 같이, 사용자 인자 데이터를 피드백 액션들과 관련시키는 1단계 또는 2단계 모델들은 시간을 입력으로 사용하거나 상이한 모델들 및 상이한 시간들을 사용할 수 있다.

사용 기반 데이터

사용 기반 데이터는 사용자와 전달 디바이스 및/또는 선택적으로 전달 에코시스템 내의 임의의 다른 디바이스와의 직접적인 상호작용과 관련되거나 또는 피드백 시스템에 대한(예를 들어, 획득 프로세서에 대한) 이것의 상호작용들에 대해 보고할 수 있다. 이들 상호작용들은 베이핑/소비 및/또는 디바이스 조작/취급 및/또는 설정과 관련될 수 있다.

베이핑/소비 기반 상호작용들은 횟수, 빈도, 및/또는 하나 이상의 선택된 기간들 내의 퍼프들/소비 액트들의 분포/패턴과 관련될 수 있다. 그러한 기간들은 매일, 매시간, 위치의 함수로서, 파모키네시스(pharmokinesis)의 함수로서(예를 들어, 하나 이상의 전달된 활성 성분들에 대한 체내 활성 성분 반감기), 또는 사용자의 상태와 관련될 수 있고, 및/또는 퍼프/소비의 횟수, 빈도 및/또는 분포/패턴과 사용자의 상태 사이의 명백한 상관관계를 증가시키도록 선택될 수 있는 임의의 다른 기간을 포함할 수 있다. 따라서, 비제한적인 예로서, 페이로드/소모품 리필 이후, 월/주/일/시간 및/또는 특정 세션 그리고 하나 이상의 해당 누적 사용 시간에서 디바이스 수명의 총 퍼프 수는, 전달 디바이스, 스마트폰과 같은 컴패니언 디바이스 및/또는 원격 서버에 의해 분석에 사용되는 임의의 퍼프 데이터와 함께 메타데이터로 포함될 수 있다. 이러한 퍼프 데이터 또는 퍼프 메타데이터는 예를 들어, 퍼프 데이터의 이러한 조합이 예를 들어 전화 또는 원격 서버에서, 그리고/또는 타임스탬프 및/또는 본원의 다른 곳에서 설명되는 바와 같이 상이한 (퍼프가 아닌) 데이터 조각과의 연관 링크를 통해 연속적으로 수행될 수 있도록 타임 스탬프와 연관될 수도 있다.

베이핑 기반 상호작용들은 또한 지속 부피, 평균 공기 유동, 공기 유동 프로파일, 활성 성분 비율, 가열기 온도 등과 같은 개별 베이핑 액션들 또는 그의 코호트의 통계적 설명들(예를 들어, 위에 설명된 선택된 기간들 중 하나 내의 코호트로 제한되지 않음)과 관련될 수 있다.

위에 설명된 바와 같은 베이프들 및 베이핑 행동(또는 보다 일반적으로 소비)과 관련된 데이터는 예를 들어 서버(1000)에 대한 Wi-Fi®연결을 통해, 또는 전달 시스템을 형성하기 위해 예를 들어 Bluetooth®연결을 통해 전달 디바이스(10)와 쌍을 이루는 컴패니언 휴대폰(100) 또는 다른 로컬 컴퓨팅 디바이스와의 통신을 통해, 전달 디바이스 자체로부터 획득 프로세서에 의해 또는 획득 프로세서를 위해 획득될 수 있다.

전달 디바이스는 예를 들어 위에 특성화된 바와 같이 사용자가 베이핑하는 시기 및/또는 사용자가 베이핑하는 방법을 결정하기 위해 본 명세서에서 이전에 설명된 바와 같이 하나 이상의 공기 유동 센서들을 포함할 수 있으며, 베이핑/소비 이벤트들과 관련된 미가공 데이터는 전달 디바이스의 메모리에 저장되거나 또는 컴패니언 휴대폰으로 전송될 수 있다. 그런 다음 데이터는 전달 디바이스 및/또는 휴대폰의 프로세서를 사용하여, 하나 이상의 선택된 기간들 내의 퍼프들/소비 액트들의 횟수, 빈도, 및/또는 분포/패턴, 및/또는 하나 이상의 베이핑/소비 이벤트들에 대한 지속 시간, 부피, 평균 공기 유동, 공기 유동 프로파일, 평균 성분 비율, 및/또는 가열기 온도 값들과 같은 특징들을 결정하기 위해 사용될 수 있다.

선택적으로 적어도 하나의 센서는 퍼프 프로파일, 퍼프 빈도, 퍼프 지속 시간, 퍼프들의 횟수, 세션(session) 길이, 피크 퍼프 압력 중 적어도 2 개를 감지하고 감지된 정보로부터 사용자의 기분을 결정하도록 구성될 수 있다.

사용자의 퍼핑 행동은 스트레스 상태와 스트레스를 받지 않는 상태의 유용한 지표를 제공한다. 특히, 사용자의 퍼프의 강도와 빈도는 스트레스 상황들 동안 정상적인 수준에서 (예컨대, 더 강하고 더 짧은 퍼프들, 더욱 빈번한 퍼프들로) 변화하는 것으로 발견되었다. 따라서, 선택적으로 전달 디바이스 또는 전달 에코시스템 내의 다른 디바이스(이를테면, 사용자의 모바일 폰) 또는 백엔드 서버는 본원의 다른 곳에서 설명된 바와 같이, 기준선 프로필들, 빈도들, 패턴들, 퍼프 수들, 최대 압력들 등을 설정할 수 있으며, 후속하여 스트레스를 나타내는 이 기준선(예컨대, 미리 정해진 임계값 초과)으로부터의 편차들을 검출할 수 있다. 추가로 선택적으로 하루 중 주중 요일 및 위치와 같은 상이한 상황들 및 콘텍스트들에 대해 상이한 기준선들이 설정될 수 있으며; 예를 들어 사용자는 집에서보다 직장에서 더 스트레스를 받을 수 있지만, 이 부분적인 스트레스 상승은 작업 콘텍스트에 대한 기준선으로 간주될 수 있으며 추가 스트레스만 응답을 유도할 수 있는 사용자 스트레스의 변화를 나타내는 편차로 간주될 수 있다.

예를 들어, 퍼프 프로파일은 흡입 지속 기간 동안 흡입 강도의 변화를 특징으로 한다. 따라서 예를 들어 퍼프의 공기 유동 속도는 퍼프 프로파일을 특성화하기 위해 사용될 수 있으며, 짧고 날카로운 흡입들과 연관된 더 높은 공기 유동 속도들은 낮은 공기 유동 속도들보다 높은 스트레스를 나타낼 가능성이 있다. 퍼프 빈도는 유사하게 스트레스와 상관관계가 있을 수 있으므로, 스트레스를 받는 조건들에서 퍼프 빈도는 사용자가 침착할 때보다 높을 수 있다. 퍼프 지속기간은 퍼프 프로파일의 서브세트를 고려할 수 있으며; 제1 근사치에서, 지속 시간은 일반적으로 스트레스가 많은 상황들에서 더 짧은 퍼프들과 사용자가 침착한 더 긴 퍼프들 사이의 상관관계와 함께, 수행되는 흡입의 유형을 나타낸다. 피크 퍼프 압력은 또한 퍼프 프로파일의 서브세트로 간주될 수 있으며, 사용자가 얼마나 날카롭게 흡입하는지를 나타낸다.

세션 내의 퍼프들의 횟수는 또한 사용자의 상태를 나타낼 수도 있다. 세션은 고정된 시간 기간으로 이해되거나 기능적으로 세션이 종료되었음을 나타내는 데 걸리는 미리 정해진 시간 기간보다 짧은 시간 기간으로 구분되는 흡입들을 포함하는 기간으로 정의될 수 있다는 것이 이해될 것이다. 임의의 주어진 세션에 대해, 다른 모든 것이 동일하다면 사용자가 취한 퍼프들의 횟수는 사용자가 침착할 때보다 스트레스 상태에 있을 때 더 높을 가능성이 있다. 유사하게, 세션이 기능적으로 정의된 경우, 사용자가 침착할 때보다 스트레스를 받은 상태일 때 세션들은 더 짧을 가능성이 있다.

위에서 언급한 바와 같이 어떠한 경우에도, 이러한 정보는 그 후 패키징되어 획득 프로세서에 하나 이상의 사용자 인자들로 보내질 수 있다.

조작/취급 기반 상호작용들은 사용자가 전달 디바이스 상에서 능동적으로 베이핑하지 않을 때 전달 디바이스와 상호작용하는 방법과 관련될 수 있다; 예를 들어 전달 디바이스가 사용 직전까지 가방에 보관되는지 여부, 또는 사용자가 사용들 사이에 전달 디바이스를 가지고 놀거나 또는 만지작거리는지 여부를 특성화한다.

특히 3Hz 내지 9Hz 범위의 미세한 움직임(micro-movements) 또는 떨림(tremors)은 스트레스 또는 각성이 높아진 것을 나타내는 것으로 간주되므로 이러한 움직임의 검출는 스트레스를 나타내는 입력으로서 사용될 수 있다. 반대로, 예컨대, 더 낮은 주파수인 선택적인 조작들이 더 낮은 스트레스를 나타내는 것으로 간주될 수 있다. 마찬가지로 '미세한' 움직임들이 아닌 움직임들(즉, 떨리는 손으로 디바이스를 잡는 것과는 반대로 의도적으로 디바이스를 흔드는 것)은 위의 목적에 대해 무시되거나 다른 의미로 분석될 수 있다(예컨대, 임박한 사용의 모션 특성 또는 사용자 상태가 명확한 상관 관계가 있는 더 넓은 콘텍스트와 연관됨).

예를 들어, 미세 움직임과는 별개로, 주어진 사용자는 긴장을 풀거나 차분한 시나리오보다 스트레스를 받는 시간에 더 자주 및/또는 더 오랫동안 전달 디바이스를 유지하는(hold) 경향이 있다. 이것은, 사용자가 디바이스와 디바이스를 베이핑함으로써 야기되는 스트레스 감소 사이에 의식적 또는 무의식적 링크를 만들었기 때문일 수 있다. 그러한 유지는, 본원의 다른 곳에서 언급된 바와 같이 하나 이상의 가속도계들 및/또는 터치 센서들을 사용하여 검출될 수 있다.

선택적으로, 전달 디바이스 또는 전달 에코시스템 내의 다른 디바이스(이를테면, 사용자의 핸드폰) 또는 백엔드 서버(back end server)는 증가된 유지 및/또는 물리적 상호 작용이 발생할 때를 검출하기 위해 전달 디바이스와의 유지 및/또는 물리적 상호 작용의 기준 수준을 설정할 수 있으며(예컨대, 미리 정해진 임계값 초과), 유사하게, 선택적으로 이러한 정상 또는 상승된 수준을 다른 지표와 연관시키거나 사용자 상태 및/또는 사용자 상태와 직접 연관시킬 수 있으므로, 유지 및/또는 물리적 상호 작용이 사용자 상태의 (추가) 표시를 제공하고 그리고/또는 일반적으로 사용/선호되지만 현재 사용할 수 없는 경우 이러한 표시들의 다른 소스에 대한 프록시(proxy)로서 작용할 수 있다. 퍼핑 행동과 마찬가지로, 추가로 선택적으로 하루 중 시간, 주중 요일 및 위치와 같은 상이한 상황들 및 콘텍스트들에 대해 상이한 기준선들이 설정될 수 있으며; 예를 들어 사용자는 집에서보다 직장에서 더 스트레스를 받을 수 있지만, 이 부분적인 스트레스 상승은 작업 콘텍스트에 대한 기준선으로 간주될 수 있으며 추가 스트레스만 응답을 유도할 수 있는 사용자 스트레스의 변화를 나타내는 편차로 간주될 수 있다.

전달 디바이스는 이러한 상호작용들을 결정하기 위해 센서들 또는 모션 센서들(예컨대, 가속도계들)에 의한 하나 이상의 터치를 포함할 수 있다. 유사하게, 디바이스는 사용자 상호작용들이 기록될 수 있는 버튼들 및 다른 설정들을 포함할 수 있다. 컴패니언 휴대폰 상의 전달 디바이스와 관련된 버튼들 및 다른 설정들과의 상호작용들도 또한 기록될 수 있다. 이러한 상호작용 데이터는 그 후 패키징되어 하나 이상의 사용자 인자들을 획득 프로세서로 보낼 수 있다.

따라서 예를 들어, 전달 디바이스 내의 하나 이상의 그러한 모션 센서들로부터의 원격 측정(telemetry)을 사용하여, 사용자 피드백 시스템은 회전, 뒤집기, 흔들림 등과 같은 배향의 특징적인 변화들에 기초하여 디바이스의 부수적이거나 무의식적인 조작을 검출할 수 있을 것이며, 이는 디바이스 또는 사용자의 심한 움직임과 관련이 없다. 이러한 장난은 사용자의 상태를 나타낼 수 있다; 예를 들어, 이것은 디바이스를 사용하거나, 또는 현재보다 디바이스를 더 많이 사용하려는 잠재의식적 소망을 나타낼 수 있으므로, 따라서 스트레스 증가, 집중력 부족, 및/또는 이들의 신체 내의 활성 성분의 바람직한 기준선 양으로부터의 사용자의 편차와 상관관계가 있다.

유사하게, 예를 들어, 활성화가 버튼 누르기 또는 다른 UI 인터페이스를 사용하는 전달 디바이스에서, 전달 디바이스는 그러한 활성화와 생성하는 흡입 사이의 시간을 측정할 수 있다. 이 시간 기간은 사용자 스트레스, 사용자 피로, 사용자 집중력, 및 이들의 신체 내의 활성 성분의 바람직한 기준선 양으로부터의 사용자의 편차 중 하나 이상과 상관관계 또는 대응관계를 가질 가능성이 있다. 따라서, 예를 들어 이 시간 기간은 사용자가 침착한 경우보다 사용자가 스트레스를 받는 경우 더 짧아질 가능성이 있다.

전달 에코시스템 내의 전달 디바이스 또는 다른 디바이스들은 마이크로폰 또는 카메라를 포함하여 행동의 사용과 관련된 측정들을 획득하도록 동작 가능한 다른 센서들을 포함할 수 있다. 이들은 흡입 및/또는 호기, 흡기 액션들 또는 다른 행동들 및 용도들과 관련된 상대적인 타이밍들 및 캐릭터 행동들을 기록할 수 있으며, 이는 획득 프로세서에 대한 입력들로서 오디오 및/또는 이미지 분석으로부터 결정될 수 있다.

사용자가 다수의 전달 디바이스들(10)을 갖는 경우, 사용량은 각각의 디바이스로부터 사용자 인자 데이터를 획득함으로써, 이들 디바이스들에 걸쳐 집계될 수 있거나, 또는 전화 앱 또는 이러한 목적을 위한 허브로서 작용하는 전달 디바이스들 중 하나와 같은 중개자를 통해 이미 집계될 수 있음이 이해될 것이다. 상이한 디바이스들이 (유형 또는 농도와 상관없이) 상이한 활성 성분들을 전달하는 경우, 이것은 또한 파모키네시스와 관련된 비-제한적 예로서 모델링 사용에서 설명될 수 있다.

다수의 데이터 소스들

위에서 언급한 바와 같이, 그리고 도 6에 도시된 바와 같이, 획득 프로세서는 전달 에코시스템(1), 인터넷(110) 내의 것들, 및 예를 들어 서버(1000)에서 피드백 시스템(1012)에 의해 보유된 기록들과 같은 하나 이상의 소스들로부터 본 명세서에 설명된 유형들의 다수의 사용자 인자들을 수신할 수 있다.

위에서 언급한 바와 같이, 이들 사용자 인자들은 간접 또는 이력 데이터; 신경학적 또는 생리학적 데이터; 콘텍스트 데이터; 환경 또는 결정론적 데이터; 및/또는 사용 기반 데이터로 다양하게 분류될 수 있다.

사용 기반 데이터의 경우, 이러한 사용 기반 데이터의 일부 또는 전부를 획득하기 위해 다수의 센서들, 및/또는 다수의 검출 기능들을 갖는 센서가 센서 플랫폼에서 사용될 수 있음이 이해될 것이다.

위의 설명은 피드백 시스템 제공과 관련하여 센서 플랫폼을 인용하지만, 에어로졸 제공 디바이스와 같은 전달 디바이스는 예를 들어, 사용자 또는 일부 다른 디바이스에 정보를 제공하기 위해 임의의 피드백 시스템과 독립적으로 이러한 센서 플랫폼을 포함할 수 있음을 이해할 것이다. 따라서, 임의의 적합한 에어로졸 제공 디바이스는 갈바닉 피부 반응 검출기, 심박수 검출기, 접촉 검출기, 및 본원에 설명된 임의의 다른 적합한 검출기(예를 들어, 코르티솔 검출기)로 구성된 목록에서 선택된 하나 이상을 포함하는 센서 플랫폼을 가질 수 있으며, 상기 또는 각각의 검출기는 적절하게, 전달 디바이스의 그립 부분, 전달 디바이스의 마우스피스 및 전달 디바이스의 활성화 버튼으로 구성된 목록에서 선택된 하나 이상에 위치될 수 있다. 하나 이상의 센서들을 위한 센서 플랫폼의 추가 위치는 예를 들어, 카토마이저와 전달 디바이스의 본체 사이, 디바이스의 본체와 마우스피스 사이, 또는

전달 디바이스의 임의의 2개의 사용자가 분리할 수 있는 구성요소 사이에 끼워맞춤되도록 배열된 선택적인 칼라 부착물(collar attachment) 상에 있다. 칼라는 사용자가 부착할 수 있거나, 사용자가 분리할 수 있거나, 장치에 일체형일 수 있다. 따라서, 칼라는 예를 들어, 전달 디바이스 내의 공기유동 경로의 일부를 둘러싸서 형성할 수 있고, 예를 들어 퍼프 강도 또는 프로필을 검출하기 위해 상기(또는 추가의) 공기유동 센서를 포함하거나 또는 디바이스 방향, 가속도, 속도, 또는 포지션 또는 임의의 다른 적절한 센서들(예컨대, 터치 센서) 중 하나 이상을 검출하기 위한 하나 이상의 가속도계들 또는 자이로스코프들을 포함할 수 있다. 칼라는 예를 들어, 카토마이저에 전력을 전달하는 동안 전달 디바이스에서 전력을 끌어올 수 있다. 칼라는 Bluetooth®링크와 안테나(예컨대, 환형 안테나)를 포함할 수 있다. 따라서, 칼라는 그렇지 않으면 부적절할 수 있는 전달 디바이스에 대한 본원의 기술과 관련된 능력들의 개조를 가능하게 하거나 보다 제한된 정보만 제공할 수 있다.

상이한 데이터 소스들이 상이한 시간 기간에 걸쳐 있는 데이터와 관련되어 있음을 알 수 있는데; 예를 들어, 한 번의 퍼프는 1 내지 3초가 걸릴 수 있지만, 직장에 있다는 콘텍스트는 이 이벤트의 양쪽에서 몇 시간 동안 참(true)일 수 있다. 따라서, 획득 프로세서는 데이터 소스들을 사용할 수 있으며, 이 데이터 소스들은

이들의 특성에 의해, 다른 데이터 소스들의 발생을 선행, 일치 그리고/또는 뒤따르며, 특정 시점(예를 들어, 퍼프와 같이 보다 일시적인 것으로 표시됨)에서의 사용자 상태와의 상관관계들은 임의의 주목할만한 상관 관계를 고려하여 더 광범위할 수 있다.

그러나, 본질적으로 오래 지속되는 소스들뿐만 아니라 본원의 기술들은 다른 센서들에 의한 판독 전, 판독 동안 및/또는 판독 후에 데이터를 기록함으로써 다른 센서들로부터의 판독을 보완하는 데이터를 획득하기 위해 하나 이상의 센서들을 사용할 수 있음을 인식할 것이다. 예를 들어, 심박수 모니터는 퍼프 또는 일련의 퍼프들 전, 동안 및/또는 후에 심박수를 측정할 수 있다. 따라서, 사용자의 상태에 관한 데이터는 디바이스에서 실제 흡입(또는 다른 측정 가능한 상호 작용) 직전 및 직후 기간과 흡입 동안 유용하게 얻을 수 있다.

특히 퍼프 동작의 한쪽 또는 양쪽에서 그러한 파라미터들을 측정하는 것이 유익할 수 있지만, 임의의 측정 가능한 관심 파라미터가 다른 임의의 측정들을 위한 시간-국소화된 콘텍스트를 제공하기 위해 기록될 수 있음이 이해될 것이다.

하나 이상의 이러한 센서들의 데이터를 지속적으로 분석할 수 있지만, 이는 전달 디바이스의 배터리 수명에 악영향을 미칠 높은 프로세싱 리소스들 및 전력 소비를 요구할 수 있다. 결과적으로, 선택적으로 전달 디바이스는 이 방식에 사용된 상기 또는 각각의 센서로부터의 값들로 업데이트되는 순환 메모리 버퍼를 포함하며, 이에 따라 최소한의 프로세싱을 사용한다. 버퍼는 예컨대, 센서 판독의 5초, 10초, 15초, 30초 또는 60초 동안의 저장을 포함할 수 있으며, 순환 방식으로 사용 중에 덮어쓰여진다(overwritten).

퍼프가 검출되면, 버퍼의 데이터는 전달 디바이스에서의 프로세싱을 위해 수집되거나, 휴대폰과 같은 컴패니언 디바이스로 또는 원격 서버로 본원의 다른 곳에서 설명된 바와 같이 데이터 전송을 통해 또는 직접적인 데이터 전송을 통해 또는 컴패니언 디바이스를 통해 수집된다.

퍼프가 검출되면, 선택적으로 버퍼의 데이터는 대략 버퍼의 순환 메모리 지속기간의 절반에 해당하는 추가 시간 기간 동안 수집되며, 그에 따라 퍼프 이벤트는 결과적인 버퍼 레코드의 중간 부분과 일치하며 퍼프 이벤트 전후의 데이터도 기록된다. 퍼프 이벤트의 검출 동안 및 그 후에 기록된 버퍼 데이터의 양은, 버퍼에 기록된 선행 데이터 및 후속 데이터의 균형을 제어하는 데 사용될 수 있으며; 이것은 기록 중인 센서 데이터가 퍼프 이전 또는 퍼프 이후에 특정 관련성이 있는지 여부 또는 둘의 균형에 따라 유용할 수 있다.

기록 후속 데이터는, 검출된 퍼프의 시작 또는 검출된 퍼프의 종료와 관련될 수 있다. 따라서, 예를 들어, 2초 퍼프와 5초 버퍼의 경우, 공기유동 센서 이외의 하나 이상의 센서들에 대한 센서 데이터는 이전 5초 동안; 또는 이전 4초 및 퍼프 1초; 또는 이전 3초 및 퍼프 2초; 또는 이전 2초, 퍼프 2초, 및 이후 1초; 또는 이전 1초, 퍼프 2초, 및 이후 2초; 또는 퍼프 2초 및 이후 3초; 또는 퍼프의 후반 1초 및 이후 4초; 또는 이후 5초동안 분석을 위해 송신될 수 있다. 1초보다 큰 간격으로 나누는 것과 같이, 버퍼에서 사용되는 센서 샘플 속도에 따라 분수 초(fractional seconds)로 나누는 것도 가능하다는 것을 인식할 것이다.

따라서, 보다 일반적으로 전달 디바이스는 공기유동/퍼프 센서 이외의 하나 이상의 센서들에 대한 센서 데이터를 주기적으로 기록하는 순환 버퍼를 포함할 수 있으며, 그에 따라 퍼프가 발생하는 것으로 검출되면, 퍼프 이벤트 이전, 동안 및/또는 이후에 센서 데이터가 분석을 위해 제공될 수 있으며, 이에 의해 전력-효율적인 방식으로 시간에 국한된 콘텍스트 센서 데이터를 제공할 수 있다.

보다 일반적으로, 전달 에코시스템 내의 임의의 디바이스는 공기유동/퍼프 센서 이외의 하나 이상의 센서들에 대한 센서 데이터를 주기적으로 기록하는 순환 버퍼를 포함할 수 있으며, 그에 따라 퍼프가 발생하는 것으로 검출되면, 퍼프 이벤트 이전, 동안 및/또는 이후에 센서 데이터가 또한 분석을 위해 제공될 수 있다는 것을 또한 인식할 것이다. 이 경우에, 퍼프 이벤트는 예를 들어, 블루투스를 통해 직접 또는 전화와 같은 컴패니언 디바이스를 통해 간접적으로 상기 또는 각각의 다른 디바이스에 신호를 보낼 수 있다. 이 경우에, 선택적으로 컴패니언 디바이스는 전달 디바이스, 전화 자체, 전달 에코시스템 내의 다른 디바이스 또는 원격 서버에 의한 분석을 위해 잠재적으로 자신을 포함하는 하나 이상의 디바이스들로부터 센서 데이터를 수집할 수 있다.

획득 프로세서 동작

다시 도 6으로 돌아가서, 획득 프로세서(1010)는 전형적으로 원격 서버(1000)의 일부이고, 서버의 자체의 스토리지/데이터베이스(1012), 온라인 소스들(110), 및 사용자의 전달 에코시스템(1) 내의 디바이스들, 예를 들어, 전달 디바이스(10) 자체, 휴대폰(100), 피트니스 웨어러블(400), 도킹 유닛(200), 자판기(300), 및 음성 활성화 홈 어시스턴트, 스마트 온도 조절 장치, 스마트 도어벨 또는 다른 사물 인터넷(IOT) 디바이스와 같이 사용자의 상태와 관련된 정보를 제공할 수 있는 임의의 다른 적절한 디바이스와 같은 다양한 소스들로부터 사용자 인자들을 수신할 수 있다.

획득 프로세서(1010)는 하나 이상의 물리적 및/또는 가상 프로세서들을 포함할 수 있고, 원격 서버 내에 위치될 수 있고, 및/또는 사용자의 휴대폰(100), 도킹 유닛(200), 자판기(300), 및 전달 디바이스(10) 자체를 포함하는(그러나 이에 제한되지 않음) 그의 기능성이 다수의 디바이스들에 걸쳐 분산되거나 또는 추가로 분산될 수 있다. 획득 프로세서는 예를 들어 네트워크 연결들을 통해, 및/또는 로컬 스토리지에 대한 로컬 연결들을 통해 하나 이상의 통신 입력들을 포함할 수 있다. 획득 프로세서는 또한 예를 들어 네트워크 연결들을 통해, 및/또는 예를 들어 추정 프로세서(1020)에 대한 로컬 연결들을 통해 하나 이상의 통신 출력들을 포함할 수 있다.

획득 프로세서는 획득된 정보를 사용자 인자들로 파싱(parse) 및/또는 변환하도록 구성된 사전-프로세서들 또는 하위 프로세서들(도시되지 않음)을 포함할 수 있고, 여기서 이 정보는 그 자체로는 즉시 사용될 수 없다; 예들은 예를 들어 사용자 상태의 양태에 대한 순 긍정적 또는 부정적 영향을 사용자 인자로서 결정하기 위한 소비된 매체들의 키워드 또는 감정 분석, 또는 유사하게 위치들 및 이벤트들을 결정하기 위한, 예를 들어 다시 사용자 상태의 양태에 대한 순 긍정적 또는 부정적 영향을 사용자 인자로서 결정하기 위한 사용자의 캘린더의 키워드 분석을 포함할 수 있다. 주변 온도 또는 강우 확률과 같은 다른 입력들은 유사하게 예를 들어 사용자 상태에 대한 영향에 따라 정규화되거나 또는 분류되는 사용자 인자들에 적합한 척도로 변환될 수 있다.

획득 프로세서는 따라서 원본 소스 재료로부터 다양한 추상화 정도에서 추정 프로세서에 대한 입력을 위한 사용자 인자들을 생성 및/또는 중계하도록 작동 가능할 수 있다.

따라서 선택적으로 원본 소스 데이터는 열거되거나, 코드화되거나, 분류되거나, 형식화되거나, 또는 달리 프로세싱되거나, 또는 단순히 전달되어 추정 프로세서에 대한 입력으로 제공될 수 있으므로, 원본 데이터 소스들이 존재하는 만큼의 또는 더 많은 입력들이 잠재적으로 있을 수 있다. 위의 설명으로부터 알 수 있는 바와 같이, 이것은 많은 수의 입력들을 생성시킬 수 있다.

따라서 선택적으로 원본 소스 데이터 중 하나, 일부 또는 전부는 임의로 평가되거나, 코드화되거나, 분류되거나, 형식화되거나, 또는 달리 프로세싱되거나, 또는 획득 프로세서의 선택적인 중간 사용자 인자 생성 스테이지로 적절하게 간단히 전달될 수 있다; 이는 도파민 및/또는 코르티솔, 심박수, 포만감 등에 대한 효과들과 같은, 사용자 상태와 관련이 있지만 직접적으로 또는 쉽게 측정될 수 없는 사용자 인자들의 특정 서브세트에 대한 제출된 입력들로부터의 긍정적 또는 부정적 영향들을 결정할 수 있다.

유사하게, 획득 프로세서의 이러한 중간 사용자 인자 생성 스테이지는 유사한 클래스들로부터의 입력들을 조합하여, 본 명세서에 설명된 데이터 클래스들 중 하나 이상에 대한 클래스-레벨 사용자 인자를 생성할 수 있다.

따라서 비-제한적인 예들로서, 간접 또는 이력 데이터는 사용자가 이들의 디바이스를 얼마나 적극적으로 수정 또는 업데이트하는지, 또는 주어진 척도에서 이러한 수정들에 대해 얼마나 수용하는지로 요약될 수 있다. 신경학적 또는 생리학적 데이터는 주어진 척도에서 사용자가 얼마나 스트레스를 받는 것처럼 보이는지, 및/또는 해당 척도에서 이들의 궤적으로 요약될 수 있다. 콘텍스트 데이터는 전달 디바이스의 사용이 주어진 척도에서 현재 얼마나 사회적으로 바람직한지로 요약될 수 있다. 환경 또는 결정론적 데이터는 사용자가 주어진 시간 프레임 내에 전달 디바이스를 사용하기를 원할 가능성이 있는 정도에 의해 요약될 수 있다; 사용 기반 데이터는 사용자가 전달 디바이스를 얼마나 자주 또는 깊이 사용했거나 또는 최근에 사용했는지로 요약될 수 있다.

실제로 클래스들 중 일부 또는 하나로부터의 소스 데이터만이 이용 가능할 수 있고, 하나의 클래스로부터의 데이터가 이용 가능할 수 있는 경우에도, 위의 예들에서와 같은 클래스-레벨 사용자 인자가 생성되지 않을 수 있고, 또는 해당 클래스 내에서 수신되는 데이터 유형에 따라 상이한 유형들의 클래스 레벨 사용자 인자(예를 들어, 개별 사용자 인자들의 상이한 서브세트들)가 생성될 수 있다는 것이 이해될 것이다; 유사하게, 클래스 레벨 사용자 인자들은 개별 사용자 인자들과 병렬로 추정 프로세서에 대한 입력을 위해 생성될 수 있다.

상이한 개인, 서브세트 및/또는 클래스 레벨 사용자 인자들로부터의 기여 값들 및/또는 영향들은 그 후 추정 프로세서에 대한 입력들로서 제시될 수 있고, 클래스, 서브세트 및/또는 개별 사용자 인자들을 선택하여 상이한 사용자 상태들 간에 양호한 구분을 제공할 수 있다.

예를 들어, 전기적 피부 반응은 사용자의 상태에 대한 양호한 표시자를 제공할 수 있으며, 반응을 감소시킴으로써 활성 성분인 니코틴에 반응한다; 따라서 이것은 선택적으로 추정 프로세서에 대한 입력으로 사용될 데이터의 개별 소스에 대한 후보가 될 수 있다. 양호한 식별력을 제공하는 다른 생리학적 조치들에는 근육 긴장도(EMG), 심박수, 피부 온도, 뇌파들(EEG) 및 호흡율이 포함된다. 이용 가능한 경우, 이들 중 임의의 것은 선택적으로 임의의 평가, 코드화, 분류, 형식화 또는 달리 프로세싱된 후, 대안적으로 또는 추가로 본 명세서에서 다른 곳에서 설명된 이러한 사용자 인자들 또는 다른 사용자 인자들과 임의로 조합하여 조합된 후, 개별 데이터 소스로 포함되는 것으로 간주될 수 있다.

유사하게 위치, 사회적 환경, 시간, 및 호르몬 수준들은 모두 사용자 상태의 양호한 표시자들이고, 추정 프로세서에 대한 입력으로 데이터의 개별 소스들로 사용하기 위한 후보가 될 수 있다.

따라서 보다 일반적으로 사용자 인자들은 획득 프로세서에 의해 또는 획득 프로세서를 위해 획득될 수 있으며, 임의의 적절한 파싱 또는 프로세싱 후에, 개별적으로 및/또는 하나 이상의 다른 것들과 조합된 서브세트 또는 클래스 값들로서, (예를 들어, 가중 기여도들, 통계 함수들, 훈련된 기계 학습 출력들, 획득된 데이터의 값들과 타겟 사용자 인자의 값들 사이의 미리 계산된 대응관계들의 룩업 테이블들 등에 기반하여), 예를 들어 개별적으로, 서브세트 및/또는 클래스 레벨 사용자 인자들로서 추정 프로세서에 제공될 수 있다.

추정 프로세서

추정 프로세서(1020)는 획득된 사용자 인자들을 포함하거나 또는 이들에 기초하여 획득 프로세서로부터 수신된 입력들 중 하나 이상에 기초하여 사용자 상태의 추정을 계산하도록 작동 가능하다. 사용자 상태의 추정의 계산은 제안된 피드백 액션을 생성하기 전에 사용자의 상태를 반영하는 출력을 생성하도록 명시적일 수 있거나(2-단계 프로세스로 간주될 수 있음), 또는 사용자의 상태를 변경할 것으로 예상되는 제안된 피드백 액션을 생성하기 위해 암시적일 수 있다(단일 단계 프로세스로 간주될 수 있음).

획득 프로세서와 마찬가지로, 추정 프로세서는 하나 이상의 물리적 및/또는 가상 프로세서들을 포함할 수 있고, 원격 서버 내에 위치될 수 있고, 및/또는 사용자의 휴대폰(100), 도킹 유닛(200), 자판기(300), 및 전달 디바이스(10) 자체를 포함하는(그러나 이에 제한되지 않음) 그의 기능성이 다수의 디바이스들에 걸쳐 분산되거나 또는 추가로 분산될 수 있다. 추정 프로세서는 예를 들어 획득 프로세서(1010)로부터 데이터를 수신하기 위해 하나 이상의 통신 입력들을 포함할 수 있다. 추정 프로세서는 또한 예를 들어 제안된 피드백 액션을 피드백 프로세서(1030)에 제공하기 위해 하나 이상의 통신 출력들을 포함할 수 있다.

명시적 상태 추정

본 설명의 실시예에서, 2-단계 프로세스에서 추정 프로세서는 제2 단계에서 추정된 상태에 응답하여 제안된 피드백 액션을 생성하기 전에 먼저 제1 단계에서 사용자의 상태를 명시적으로 추정한다. 이 추정된 상태는 자체적으로 단일 값 또는 카테고리(category)의 형태를 취하거나, 또는 사용자의 상태에 대한 다변량 설명일 수 있다.

단일 값 상태의 비-제한적 예들로서, 추정된 상태는 다음을 설명할 수 있다:

i. 사용자의 스트레스 수준;

ii. 제안된 활성 성분의 단위 소비에 응답하여 사용자가 주관적으로 경험할 것으로 예상되는 이점의 정도; 및

iii. 사용자가 현재 얼마나 쉽게 전달 디바이스를 사용할 수 있고 따라서 전달의 수정을 통해 자신의 상태를 변경할 수 있는지를 나타내는 사회적 유연성 점수;

상태 카테고리의 비-제한적 예들로서, 추정된 상태는 다음과 같을 수 있다:

i. 복수의 상태 분류들 ― 이 복수의 상태 분류들 중 하나, 모두, 일부, 또는 어느 것도 구어적으로 기분이라고 지칭되는 것에 해당하지 않을 수 있다; 따라서 예를 들어 행복, 슬픔, 낮은 코르티솔, 중간 코르티솔, 높은 코르티솔, 침착함, 스트레스 받음, 변화에 대한 수용적(예를 들어 그들의 전달 디바이스를 사용하여 그들의 상태를 기꺼이 변경하려는 경우), 또는 변화에 대한 비-수용적임.

ii. 획득 프로세서로부터의 입력들 및/또는 이용 가능한 피드백 액션과의 후속 명확한 상관관계를 갖도록 선택된 복수의 상태 분류들 중 하나 ― 분류들은 '행복' 또는 '높은 코르티솔'과 같은 개념적 카테고리에 반드시 맞을 필요는 없지만, 그러나 획득 프로세서로부터의 사용 가능한 입력들 또는 피드백 프로세서에 대한 출력들에 대한 이들의 대응관계에 의해 적어도 부분적으로 구동되는 분류 경계들을 갖는다.

사용자의 상태의 다변량 설명의 비-제한적 예들로서, 추정된 상태는 다음을 포함할 수 있다:

i. 시간, 위치, 및/또는 특정 개인들과의 근접성에 기초하여 그들의 현재 사회적 유연성의 표시와 함께, 생리학적 표시자들에 따른 그리고 개별적으로 콘텍스트 표시자들에 따른 사용자의 스트레스 수준;

ii. 호르몬 주기의 현재 포지션과 함께, 전기적 피부 반응 및 심박수를 기초로 한 사용자의 생리학적 상태의 표시자, 및 설문지 및/또는 소셜 미디어 분석으로부터 파생된 정신 상태의 표시자들.

이러한 예들은 다음과 같이 추정 프로세서의 동작에 대한 비-제한적 예시들을 제공하기 위해 사용될 수 있다.

추정 프로세서는 획득 프로세서로부터의 입력 데이터를 추정된 상태들로 변환하기 위해 미리 정해진 규칙들, 알고리즘들 및/또는 휴리스틱스(heuristics)를 사용할 수 있다.

- 예를 들어, 사용자의 스트레스 수준과 같은 단일 값 상태는 가중 합과 같은 복수의 사용자 인자들에 미리 정해진 조합을 적용함으로써 도출될 수 있으며, 그 결과는 합에 기여하는 현재 사용 가능한 입력들의 개수에 따라 정규화된다.

- 유사하게, 사용자에 대해 기대되는 이익의 정도와 같은 단일 값 상태는 최근에 소비되거나 또는 생성된 온라인 미디어에서 긍정적 또는 부정적 키워드들 또는 정서들에 대한 표시자 값들, 및 사용자의 위치의 분류와 연관된 양수 또는 음수 값을 합산하는 것에 기초하여 사용자의 긍정적 또는 부정적 감정 상태를 추정함으로써 도출될 수 있다.

- 유사하게, 추정된 상태 카테고리는 주어진 카테고리를 나타내는 미리 정해진 값들에 사용자 인자 값들을 매칭시키거나, 또는 유사하게 각각의 후보 카테고리에 대한 사용자 인자 값들의 템플릿과 사용자 인자들 사이의 최소 평균 제곱 오차를 식별하는 템플릿(template)에 의해 선택될 수 있고, 선택적으로 상이한 카테고리들 및 더 큰 오류는 상이한 선형 또는 비선형 가중치들을 가지며, 카테고리를 식별할 때 그들의 상대적인 현저성을 반영한다.

- 마지막으로, 예로서, 다변량 상태는 위의 예들 중 임의의 것에 따라 상태의 개별적 표시들을 도출하는 것을 포함할 수 있다; 따라서 생리학적 및 콘텍스트 표시자들 각각에 대해 위에서 논의한 바와 같이 단일 값 스트레스 수준이 생성될 수 있고, 사회적 유연성 값은 이전에 특정 개인(예를 들어, 파트너 대 자녀)의 상이한 시간들, 위치 및 클래스와 연관된 점수들을 기초로 결정될 수 있다; 또는 사회적 유연성 분류는 기본 입력 데이터에 대한 이러한 점수들 및/또는 값들에 대한 매칭 템플릿들을 기초로 할 수 있다.

따라서, 설명의 실시예에서, 사용자가 스트레스를 받거나 높은 각성 상태에 있는지를 검출하기 위해 복수의 기준이 평가될 수 있다. 예를 들어, N개의 기준이 고려될 수 있다(예를 들어, N=5, 그러나 대안적으로 N=2, 3, 4, 6 또는 임의의 적절한 수). 그 다음, 이러한 기준의 임계 수를 초과하는 것이 충족되면 사용자는 스트레스를 받거나 높은 각성 상태에 있는 것으로 간주된다. 선택적으로, 사용자가 스트레스를 받거나 높은 각성 상태에 있을 가능성의 다른 정도에 대한 여러 임계값이 있을 수 있으며, 이는 결국 후속 피드백 액션의 선택 또는 정도에 영향을 미칠 수 있다. 선택적으로, 기계 학습 시스템을 사용하여 상이한 기준의 조합들에 대한 이러한 임계값을 모델링할 수 있다(예컨대, 사용자가 스트레스를 받거나 높은 각성 상태에 있음을 나타내거나 그 확률을 나타내기 위해, 기준의 상이한 조합들에 대해 상이한 임계값들을 학습하고, 그리고 선택적으로 이들이 각각 충족되는 정도를 학습함). 이러한 기계 학습 시스템은, 전형적인 사용자들(또는 사용자와 가장 일치하는 훈련된 사용자 프로필)에 대해 사전 훈련된 다음 (본원의 다른 곳에서 설명된 바와 같이) 다양한 사용자 피드백을 기반으로 임계값이 업데이트되는 연속적인 튜닝/지속적인 학습 모드에 있는 것이 제공될 수 있다.

예시적 기준은 하나 이상의 데이터 소스들과 관련된다(예컨대, 간접적, 이력, 신경학적, 생리학적, 콘텍스트, 환경적, 결정적 그리고 사용 기반됨). 예를 들어, 기준은 사용자가 직장에 있는지, 사용자의 심박수가 상승하는지, 사용자가 떨림을 보이는지, 사용자가 전달 디바이스를 특유의 방식으로 잡거나 취급하는지, 근무일인지, 사용자가 평소보다 더 자주 (예컨대, 임계값만큼) 버핑하는지, 사용자가 평소보다 더 강하게 (예컨대, 임계값만큼) 버핑하는지, 사용자가 스트레스 관련 키워드를 포함하는 항목을 입력했거나, 가까운 일기 항목에 스트레스가 많은 이벤트를 포함하는지, 날씨가 좋지 않은지, 또는 사용자가 일반적으로 현재 시간을 벗어난 위치에 있는지(예컨대, 늦은 작업 또는 러닝)일 수 있다. 기준은 이러한 기준 및/또는 다른 기준의 서브세트일 수 있으며 그리고 일부 기준이 고려 대상에서 제외(예를 들어 사용자에게 심장 모니터가 없거나 텍스트, 일기의 평가를 허용하는 데 동의하지 않았는지, 또는 사용자의 특정 전달 디바이스가 처리 방법을 검출하지 못하는지 등)될 수 있다는 것이 인식될 것이다.

어쨌든, 이러한 기준 중 M/N이 충족되면, 사용자는 스트레스를 받거나 높은 각성 상태에 있는 것으로 간주될 수 있다. 그 다음, 이 추정치는 피드백 프로세서로 전달될 수 있다. 선택적으로, 충족된 기준 또는 그 표현이 피드백 프로세서로 전달될 수도 있으며, 그에 따라, 충족된 기준의 특정 서브세트에 응답하여 피드백 액션이 선택될 수 있다.

대안적으로 또는 추가로, 기준은 스트레스를 받거나 높은 각성 상태에 있는 것으로 사용자의 추정을 초래하는 트리의 가지(branches of the tree)를 따라 일련의 기준을 충족하는 결정 트리(decision tree)로 구조화될 수 있다. 이 경우에, 동일한 기준이 트리의 다른 경로들에 나타날 수 있지만, 각각의 경로는 전형적으로 충족된 기준의 고유한 조건부 시퀀스를 나타낸다. 경로들은 길이들이 다를 수 있으며 사용자가 스트레스를 받거나 높은 각성 상태에 있다는 확실성의 정도가 다를 수 있다.

대안적으로 또는 추가로, 추정 프로세서는 획득 프로세서로부터의 입력 데이터를 추정된 상태들로 변환하기 위해 룩업 테이블들을 사용할 수 있다.

하나의 예에서, 이들 룩업 테이블들은 위의 미리 정해진 규칙들, 알고리즘들 및/또는 휴리스틱스의 미리 계산된 구현을 단순히 제공할 수 있으므로, 전달 디바이스(10) 또는 도크(200), 자판기(300), 웨어러블 디바이스(400), 또는 연관된 전화기(100)와 같은, 제한된 프로세싱 능력을 갖지만 추정 프로세서로서 역할을 하거나 또는 그 역할을 공유하는 전달 에코시스템 내의 디바이스 상에서 또는 서버에서 이들 계산들의 반복을 회피할 수 있다.

다른 예에서, 이러한 룩업 테이블들은 예를 들어 광범위한 사용자 테스트로부터의 피드백, 또는 본 명세서에서 나중에 설명되는 바와 같이, 기계 학습 시스템의 출력과 같은, 임의의 적합한 메커니즘에 따라 이전에 도출된 사용자 상태들, 상태 분류들 및/또는 다변량 상태들의 출력 값들과 획득 프로세서로부터의 입력 값들 사이의 연관들을 제공할 수 있다; 다시 이 후자의 경우, 룩업 테이블은 상대적으로 적은 계산 능력을 갖는 전달 에코시스템 내의 디바이스들 상에서 구현하기 더 쉬울 수 있는 공통 값들에 대한 입력들 및 출력들의 쌍들을 기록함으로써 그러한 기계 학습 시스템의 계산적으로 더 단순한 팩시밀리(facsimile)를 잠재적으로 제공할 수 있다.

대안적으로 또는 추가로, 추정 프로세서는 입력 데이터와 사용자의 추정된 상태들 사이의 상관관계들을 모델링할 수 있다. 이러한 상관관계들은 사용자 인자와 사용자 상태 사이의 인과 관계들, 또는 사용자 인자가 사용자 상태의 원인을 수반하는 경향으로 인한 것일 수 있으므로, 일반적으로 특정 확률로 프록시(proxy)로서 역할을 할 수 있다. 유사하게, 이러한 상관관계들은 상관관계를 형성하기에 충분히 반복 가능한 방식으로 별도의 원인 또는 상황에 모두 응답하는 사용자 인자 및 사용자 상태로 인한 것일 수 있다. 유사하게, 이러한 상관관계들은 사용자 인자를 생성시키는 사용자 상태로 인한 것일 수 있다. 따라서 보다 일반적으로 상관관계들은 일반적으로 인과 관계(사용자 인자와 상태 사이의 어느 방향으로든), 적어도 통계적 수준에서 반복 가능한 관계로 사용자 인자 및 사용자 상태에서 응답을 생성시키는 공통 원인, 및/또는 직접 또는 간접 인과 관계가 알려져 있는지 여부에 관계없이 측정 가능한 대응관계로 인해, 하나 이상의 사용자 인자들(획득 프로세서에 의한 출력으로서 개별적인, 서브세트들 또는 클래스 레벨 사용자 인자들인지 여부와 상관없음)과 사용자 상태(단일 값, 분류 또는 다변량인지 여부에 상관없음) 사이의 측정 가능하게 예측 가능한 대응관계들과 관련된다.

추정 프로세서가 상관관계들을 모델링하는 경우, 이것은 예를 들어 사용자의 상태에 대한 직접적인 측정 및/또는 이들의 상태에 대한 사용자 자가 보고를 기초로 하여, 획득 프로세서의 위에서 설명된 출력들에 대응하는 입력 데이터로서, 그리고 타겟 출력들로서, 단일 값, 분류, 또는 다변량이든 상관없이, 사용자의 상태의 설명자들을 포함하는 데이터 세트를 사용하여 훈련될 수 있다.

이러한 상관관계들을 도출할 수 있는 특정 수단들은 입력들과 출력들 사이의 상관관계 맵을 포함하여 이러한 상관관계들을 추정하기 위한 임의의 적절한 기술을 포함하고, 여기서 입력과 출력을 동시에 (또는 시간적 인자가 포함된 경우, 미리 정해진 시간 창 내에서) 제시하면 (예를 들어 연결 가중치의 증분에 의해) 특정 입력들과 출력들 사이의 링크가 강화된다. 일단 데이터 세트에 대해 훈련되면, 연결 가중치들 덕분에, 새로운 입력이 해당 입력과 상관관계가 있는 하나 이상의 후보 상태들을 어느 정도 활성화시킬 것이다; 활성화가 가장 강한 후보 상태는 그 후 사용자 상태로 선택되거나, 또는 이러한 상태들이 활성화 강도에 따라 순위가 매겨질 수 있다. 이러한 시스템에서, 본원의 다른 곳에서 설명된 바와 같이 클래스 레벨 사용자 인자들의 개별, 서브세트에 대응하는 다수의 입력 값들이 동시에 제공될 수 있고, 생성된 출력들은 본원의 다른 곳에서 설명된 바와 같이 다수의 값들이 사용자 상태의 상이한 양태들을 나타내는 단일 값 상태, 분류, 또는 다변량 상태에 대응할 수 있다는 것이 이해될 것이다.

상관관계 맵의 구체적인 예로서 신경망이 있고, 임의의 적합한 형태가 고려될 수 있다.

보다 일반적으로, 하나 이상의 입력들과 하나 이상의 출력들 사이의 상관관계 또는 다른 예측 가능한 대응관계를 결정할 수 있는 임의의 적절한 기계 학습 시스템이 고려될 수 있다.

위에서 설명한 데이터 세트가 주어지면, 이러한 기계 학습 시스템들은 일반적으로 감독되고, 예를 들어 사용자 상태가 분류인 경우 감독된 분류 학습 알고리즘일 수 있고; 또는 예를 들어 사용자 상태가 단일 값 또는 다변량인 경우, 감독 회귀 학습 알고리즘일 수 있다. 강화 학습 또는 적대적 학습, 또는 준-감독 학습과 같은 다른 형태들의 기계 학습도 또한 적합하다. 또한, 획득 프로세서의 상이한 또는 부분적으로 중복된 개별, 서브세트 또는 클래스 레벨 출력들에 대해 개별적으로 훈련된 다수의 독립적 기계 학습 시스템들이 앙상블(ensemble)되어 모델링 결과들을 개선할 수 있는데, 예를 들어 상이한 사용자들의 전달 에코시스템에서 디바이스들의 소유권의 상이한 패턴들, 및 온라인 정보 소스들의 이용 가능성에 영향을 미치는 상이한 권한들 및 습관들로 인해 소스 데이터의 상이한 구성들을 수용할 수 있다. 또한, 예를 들어 사용자의 다변수 상태를 생성하기 위해 상이한 기계 학습 시스템들의 혼합이 병렬로 사용될 수 있으며, 예를 들어 다변량 설명의 하나 이상의 상이한 요소들이 상이한 개개의 기계 학습 시스템들에 의해 생성되었다는 것이 이해될 수 있다. 이들 개개의 기계 학습 시스템들은 (예를 들어, 전용 신경 프로세서들 기반) 별도의 하드웨어에 있을 수 있지만, 그러나 더 일반적으로 동일한 하드웨어(예를 들어, 필요에 따라 로딩되고 실행되는 소프트웨어 기반 기계 학습 시스템들)에 있을 수 있다.

한편 비-감독 학습 알고리즘들도 또한 고려될 수 있다; 따라서 예를 들어 연관 학습은 하나의 입력 또는 입력 패턴이 존재하는 경우 사용자가 주어진 상태에 있을 확률을 결정할 수 있다.

알고리즘들 및/또는 신경망들의 형태들의 상기 기계 학습 시스템의 예들(예를 들어, 로지스틱 회귀, 신경망들, 지원 벡터 머신들 등)은 당업자에게 알려져 있을 것이다. 한편 기계 학습은 또한 추정 프로세서 및/또는 획득 프로세서에서 데이터를 준비(예를 들어, 사전-프로세싱)하기 위해 선택적으로 사용될 수 있다; 따라서 예를 들어 클러스터링(clustering)(예를 들어 k-평균 클러스터링)이 다양한 입력들 세트를 여기에서 이전에 설명된 유형의 클래스 레벨 사용자 인자로 분류하기 위해 사용될 수 있다. 이러한 접근 방식은 획득 프로세서로부터의 입력들 또는 피드백 프로세서의 이용 가능한 피드백 액션들에 응답하여, 본 명세서에서 이전에 설명된 상태 카테고리 분류의 제2 예에 따라, 예를 들어 사용자 상태들에 대한 분류들을 도출하기 위해 사용되거나 또는 또한 사용될 수도 있다.

추정 프로세서 및/또는 획득 프로세서에서의 준비 단계와 유사하게, 주 성분 분석과 같은 차원 감소는 사용자 상태와 상당한 대응관계를 갖는 정보를 유지하면서 입력들의 개수를 감소시키기 위해 사용될 수 있다.

선택적으로, 이러한 기계 학습 시스템은, 필요한 경우, 사용자 상태를 모델링하고 그리고/또는 입력/기준 사이의 상관관계/대응관계를 유도하고 그리고/또는 단일 또는 다변량 임계값들을 (예컨대, 선택적으로 결정 트리에 대해) 결정하는 데 사용될 수 있음을 이해할 것다.

따라서 요약하면 추정 프로세서는, 사용자 상태의 명시적 추정들을 생성하는 경우, 획득 프로세서로부터의 사용 가능한 입력들과 추정된 상태들 사이의 대응관계를 위해 저장소를 사용하고, 여기서 대응관계를 위한 해당 저장소는 알고리즘들, 규칙들 또는 휴리스틱스, 및/또는 하나 이상의 룩업 테이블들, 및/또는 하나 이상의 훈련된 기계 학습 시스템들에 구현될 수 있다.

각각의 경우에, 그 결과는 사용자 상태의 추정이며, 이는 단일 값, 카테고리, 또는 본 명세서에서 이전에 설명된 바와 같이 사용자 상태의 다변량 설명/표현의 형태를 취할 수 있다.

한편, 사용자 상태의 암시적 추정들을 생성하는 경우 추정 프로세서의 동작은 여기에서 나중에 설명된다.

추정된 상태의 피드백 제안들

본 명세서에서 이전에 언급한 바와 같이, 추정 프로세서는 2-단계 프로세스로 작동할 수 있다; 제1 단계에서, 여기에서 위에서 설명된 바와 같이, 하나 이상의 사용자 인자 또는 획득 프로세서에 의해 이러한 사용자 인자들로부터 도출된 데이터를 포함하는 입력들로부터 사용자 상태를 추정하는 단계, 및 제2 단계에서, 아래에서 설명되는 바와 같이, 사용자의 상태를 변경할 것으로 예상되는 제안된 피드백 액션을 생성하는 단계.

원칙적으로, 제2 단계는 추정 프로세서가 아닌 피드백 프로세서에 의해 구현되거나, 또는 피드백 프로세서와 추정 프로세서 간에 공유될 수 있다. 대안적으로, 피드백 프로세서는 단순히 제안된 피드백 액션을 수신할 수 있다. 어떤 경우든, 피드백 프로세서는 그 후 피드백 액션을 선택하거나(하나만이 제안된 경우 디폴트로, 또는 복수가 제안된 경우 하나 이상을 선택함), 또는 선택적으로 추정 프로세서에 의해 제안된 하나 이상의 피드백 액션들이 전달 에코시스템 내에서 적절한 방식으로 생성하게 하도록 작용할 수 있다.

설명의 목적들을 위해, 제2 단계는 여기에서 추정 프로세서 내에서 생성하는 것으로 설명된다.

실제적인 이유들로 2-단계 프로세스가 선택될 수 있다; 예를 들어, 획득 프로세서 및 사용자 상태에 의한 사용자 인자들 또는 그 파생물들 사이의 대응관계/상관관계를 모델링하는 데 사용하기 위한 훈련 세트들은 사용자 인자 기반 입력들과 제안된 피드백 액션들 사이의 대응관계/상관관계를 직접 모델링할 때 사용하기 위한 훈련 세들트보다 생성 또는 획득하기가 더 쉬울 수 있는데, 왜냐하면 사용자의 상태는 직접 측정 가능하거나, 또는 사용자가 보고하기에 간단할 수 있기 때문이다.

유사하게, 예를 들어 주어진 상태들에 대한 피드백 액션들의 순위를 매기는 사용자 설문지들, 및/또는 사용자에 의해 측정 및/또는 보고되는 바와 같이, 사용자의 상태를 보다 바람직한 상태로 변경하는 데 구현된 피드백 액션의 후속 유효성에 기초하여, 측정 가능한 및/또는 자가 보고된 사용자 상태와 제안된 피드백 액션 사이의 대응관계/상관관계를 결정하는 훈련 세트를 생성하는 것이 더 쉬울 수 있다. 그러한 설문지의 선택적 타이밍은 본원의 다른 곳에 설명되어 있다. 일반적으로 더 바람직한 상태는, 사용자의 주관적인 웰빙 감각을 향상시키고 및/또는 사용자 상태의 생리학적 또는 신경학적 표시자들을 선호하는 표준으로 이동시키는 (예를 들어, 상승된 심박수, 전기적 피부 반응, 상승된 피부 온도, 및/또는 호흡율 등을 감소시키는) 상태이다.

제2 단계에 대한 입력은 일반적으로 단일 값, 카테고리, 또는 본 명세서에서 이전에 설명된 다변량 설명, 또는 (예를 들어, 제1 단계의 입력들에 대한 반응으로 다양한 활성화 정도/상관관계 강도로) 다수의 상태들이 추정되는 경우 이들 중 복수에 의해 나타내어지는 사용자 상태의 추정일 것이다. 선택적으로, 제2 단계에 대한 입력들은 또한 획득 프로세서에 의해 제공되는 하나 이상의 사용자 인자들 및/또는 입력들을 포함할 수 있다; 예를 들어, 본원의 다른 곳에서 설명된 바와 같이, 특정 생리학적 측정들은 전기적 피부 반응, 심박수, 호흡율, 피부 온도 등과 같은 사용자 상태에 대한 유용한 표시자들/프록시들일 수 있다. 따라서 선택적으로 제1 스테이지에 대한 이들 또는 임의의 다른 입력들 중 하나 이상은 또한 추정된 상태 또는 각각의 추정된 상태와 함께 제2 스테이지에 대해 제공될 수 있다.

어떤 경우에도, 사용자 상태의 추정에서와 마찬가지로, 제안된 피드백 액션의 생성은 추정된 사용자 상태와 제안된 피드백 액션 사이의 대응관계/상관관계를 구현하는 임의의 적합한 메커니즘을 사용할 수 있다.

이전에 언급된 바와 같이, 이것은 추정된 상태들을 제안된 피드백 액션으로 변환하기 위한 미리 정해진 규칙들, 알고리즘들 및/또는 휴리스틱스를 포함할 수 있다.

- 예를 들어, 단일 값 상태(예를 들어, 스트레스 정도)는 생성된 에어로졸의 흡입된 단위 부피 내에서 활성 성분의 비율을 증가시키는 것과 같이, 해당 제안된 피드백 액션을 구동할 수 있고, 이는 차례로 가열기, 공기 유동, 저장소 및/또는 다른 페이로드 저장 설정들 등을 수정함으로써 달성될 수 있으며, 이는 여기에서 나중에 설명되는 바와 같이 피드백 프로세서에 의해 관리될 수 있다. 스트레스 정도와 활성 성분의 변화 사이의 관계는 선형적이거나 또는 비선형적일 수 있고, 또는 상이한 값들에 대해 질적으로 변경될 수 있고, 예를 들어 낮은 스트레스 수준들에 대해서는 전혀 변경되지 않으며, 중간 수준들의 스트레스에 대해 선형 관계를 가지며, 활성 성분의 최대 비율까지 높은 수준들의 스트레스에 대해 점근적 관계를 가지며, 예를 들어 이 최대값에서 또는 그 근처에서 사용자의 전화에 경고 또는 진정 메시지를 발행하는 것과 같이, 전달 디바이스 또는 에코시스템 내의 다른 디바이스의 사용자 인터페이스의 행동을 수정한다.

- 한편, 예를 들어 단일 카테고리 상태는 대응하는 제안된 피드백 액션을 가질 수 있다.

- 마지막으로 예를 들어 다변량 상태는 상태 설명의 상이한 요소들로부터 가중 또는 비-가중 기여들을 기초로 하는 해당 제안된 피드백 액션을 생성시킬 수 있고, 및/또는 상태 설명의 요소들의 중복 또는 비-중복 서브세트들에 기초하여 상이한 피드백 액션들이 제안될 수 있다. 따라서 예를 들어 상태 설명이 사용자가 스트레스를 받고 작업 환경에 있다고 제안하는 경우, 그 다음 피드백 액션은 이들이 작업 환경에 있기 때문에 암시적으로 스트레스를 받고 있다고 가정할 수 있지만, 그러나 현재 활성 성분의 섭취를 증가시킬 수 없고, 따라서 전달 디바이스 또는 사용자의 전화와 같은 에코시스템 내의 다른 디바이스들의 UI에 메시지를 발행하여, 사용자에게 휴식을 취할 것을 제안한다. 한편, 사용자가 스트레스를 받지만 그들의 작업 환경에 있지 않는 경우, 그 다음 피드백 액션은 위의 스트레스 정도의 예와 유사하여, 사용자에게 전달되는 활성 성분의 비율이 증가할 수 있다.

- 위에서 언급한 바와 같이, 이들 중 임의의 하나는 또한 제1 단계에 대한 하나 이상의 입력들을 수반할 수도 있다.

따라서, 설명의 실시예에서, 사용자가 추정 프로세서의 제1 단계와 관련하여 본원에서 이미 설명된 바와 같이 스트레스를 받거나 높은 각성 상태에 있는지를 검출하기 위해 복수의 기준이 평가될 수 있다.

이 경우에, 단일 값 상태는 사용자가 스트레스를 받거나 높은 각성 상태에 있다는 추정(예컨대, 충족되는 기준의 임계값 수로 인해) 또는, 사용자가 스트레스를 받거나 높은 각성 상태에 있을 가능성의 추정(예컨대, 충족되는 기준의 수로 인해)일 것이다.

한편, 다변량 상태는 충족된 기준의 일부 또는 전부 또는 이를 나타내는 데이터이거나 이를 포함할 것이다. 따라서, 예를 들어, 충족된 기준은 사용자가 직장에 있고, 사용자가 평소보다 늦게 출근하며, 그리고 사용자가 심박수가 높아졌다는 것일 수 있다. 본원의 다른 곳에서 설명된 바와 같이, 이 조합은 일련의 충족된 기준 또는 결정 트리의 충족된 기준 시퀀스로부터 결정될 수 있다.

이러한 기준의 조합은 특정 피드백 액션에 해당할 수 있다. 이 경우에, 이는 직장에서 베이핑이 불가능한 경우 논-베이핑 액션과 관련될 수 있다. 충족된 기준의 상이한 조합들은 상이한 피드백 액션들에 해당할 수 있다. 아래에 언급된 바와 같이, 이러한 대응관계는 규칙들, 룩업 테이블들 또는 기계 학습으로 구체화될 수 있다.

다시 사용자 상태의 추정과 유사하게, 추정 프로세서는 대안적으로 또는 추가로 상태 추정 데이터를 제안된 피드백 액션들로 변환하기 위해 룩업 테이블들을 사용할 수 있다.

대안적으로 또는 추가로, 다시 사용자 상태의 추정과 유사하게, 추정 프로세서는 추정된 사용자 상태들과 제안된 피드백 액션들 사이의 상관관계를 모델링할 수 있으며, 그렇게 하기 위해 유사한 기술들을 사용할 수 있다.

추정 프로세서가 대응관계들/상관관계들을 모델링하는 경우, 이는 추정된 사용자 상태에 대응하는 데이터(예를 들어, 단일 값들, 분류들, 또는 다변량 설명들, 또는 이들의 조합의 형태임) 및 선택적으로 또한 이전에 여기에서 설명된 바와 같은 획득 프로세서로부터의 입력들을 입력들로서, 그리고 타겟 출력들로서 제안된 피드백 액션들을 포함하는 데이터 세트를 사용하여 훈련될 수 있다.

제안된 피드백 액션들은 여기에서 나중에 더 자세히 논의되지만, 그러나 일반적으로 적어도 하나의 유형의 액션 및 선택적으로 해당 액션의 성능을 특성화화는 하나 이상의 변수들을 포함할 수 있다. 따라서 예를 들어 기화 온도의 변화는 액션의 일 유형이며, 증가 또는 감소, 또는 증가 또는 감소량은 해당 액션의 성능을 특성화화는 변수를 나타낼 것이다. 유사하게, 에어로졸의 활성 성분 농도를 수정하는 것은 액션의 일 유형이고, 농도의 증가 또는 감소, 또는 증가 또는 감소량은 해당 액션의 성능을 특성화하는 변수를 나타낼 것이다.

따라서 기계 학습 시스템의 콘텍스트에서 비-제한적인 예로서, 상이한 출력 노드(node)들은 상이한 유형들의 액션을 나타낼 수 있으며, 이러한 노드들의 값들은, 시스템이 훈련된 방식에 따라, 해당 피드백 액션의 선택을 나타내는 플래그(flag), 또는 해당 피드백 액션의 변수와 관련된 값을 나타낼 수 있다. 또한, 훈련 체제에 따라, 기계 학습 시스템에서 다수의 출력 노드들이 하나 이상의 유형들의 액션과 연관될 수 있다는 것도 이해될 것이다.

추정된 사용자 상태에 응답하여 잠재적으로 복수의 피드백 액션들이 표시될 수 있음을 인식할 것이다. 그러한 상황들에서, 피드백 프로세서는 예를 들어 그의 연관된 변수 또는 변수들에 의해 암시되는 바와 같이 액션에 의해 야기된 변화의 정도에 기초하여 단 하나의 피드백 액션을 선택할지, 또는 다수의 피드백 액션들을 병렬로 또는 순차적으로 구현할지 여부를 후속적으로 결정할 수 있고, 후자의 경우 선택적으로 시퀀스는 미리 정해진 순서에 의해 결정되거나, 또는 다시 각각의 피드백 액션에 대한 플래그 출력 노드의 활성화 강도, 및/또는 각각의 액션의 연관된 변수 또는 변수들에 의해 암시된 변경 정도에 응답한다.

또한, 이러한 기계 학습 시스템들을 훈련하기 위해, 측정된 및/또는 보고된 사용자 상태들이 입력들로서 제공될 수 있으며, 개개의 제안된 피드백 액션들이 타겟들로서 제공될 수 있으며, 상응하는 사용자 상태를 갖는 사용자들에 대한 사용자 시험들 중 그들의 보고된 효능에 따라 액션들 및 값들이 선택된다; 다시 이 경우 효능 또는 효과는 일반적으로 사용자가 인식하는 상태 개선, 및/또는 신경학적 및/또는 생리학적 상태에서 미리 정해진 표준 또는 선호되는 상태로의 변화와 관련된다.

선택적으로 제1 훈련 단계로서, 시뮬레이션된 상태들 및 해당 피드백 액션들을 사용하여, 초기 훈련(예를 들어, 이전에 설명된 바와 같은 설문 결과들에 기초함)을 제공하고, 비례적으로 더 작은 실제 훈련 데이터의 코호트가 그 후 모델을 정제하기 위해 사용된다.

선택적으로, 임의의 피드백 액션들의 효능 및/또는 적합성, 바람직함, 실용성 등에 대한 사용자 자신으로부터의 피드백을 추가로 사용하여 모델을 정제하고 이것을 사용자에게 효과적으로 개인화할 수 있다. 다시 이 피드백은 예를 들어 전달 디바이스 또는 그들의 전화와 같은 전달 에코시스템 내의 디바이스 상의 사용자 인터페이스를 통해, 및/또는 신경학적 및/또는 생리학적 반응의 측정들에 기초하여 사용자에 의해 보고될 수 있다. 복수의 피드백 액션들이 구현되거나 또는 표시되는 경우, 선택적으로 사용자는 선호도의 순으로 이들의 순위를 매길 수 있다.

요약하면, 제1 또는 중간 단계로서 사용자 상태의 명시적 추정을 포함하는 2-단계 프로세스는, 이것이 규칙 기반 기술들 또는 기계 학습에 의해 수행되는지 여부에 관계없이, 이들 단계들이 대응관계들/상관관계들을 모델링하기 위해 사용되는 사용 가능한 기본 경험적 데이터 세트들에 더 잘 맞는 경우에 유용할 수 있다.

따라서 객관적으로, 이 모드에서 추정 프로세서의 동작은 획득 프로세서로부터 전형적으로 상이한 개별, 서브세트 및/또는 클래스 레벨 사용자 인자들의 형태로 입력들을 취하고, 단순히 플래그와 유사한 방식으로 액션을 식별하고, 및/또는 제안된 피드백 액션에 해당하는 활성화 수준 및 출력을 기초로 하여 추정된 상태에 대한 해당 액션의 관련성 정도 식별하고, 및/또는 제안된 피드백 액션을 적어도 부분적으로 특성화하는 하나 이상의 변수들의 변경 또는 변경량을 나타내는 하나 이상의 제안된 피드백 액션들을 출력하는 것이다

따라서 사용자 상태의 명시적 추정은 일반적으로 내부 중간 단계이다. 그러나, 이 추정은 이들의 정보를 위해 사용자에게 중계될 수 있고, 선택적으로, 특히 다변량 설명에서 추정 또는 추정의 성분이 주관적 척도 또는 사용자의 스트레스 감각과 같은 주관적 척도의 프록시와 관련된 경우에, 사용자는 추정을 수정할 수 있다는 것이 이해될 것이다. 따라서 예를 들어 추정은 사용자 휴대폰의 사용자 인터페이스 상에 디스플레이(display)될 수 있으며, 사용자는 이 정보를 사용하여 자체 평가하고, 결과적으로 추정에 대해 변경들을 수행할 수 있다. 사용자의 상태에 대한 수정된 추정은 그 후 제2 단계에서 원래 생성된 추정과 함께 또는 그 대신에 사용되어, 사용자의 상태의 원래 추정에 기초한 제안보다 더 정확할 수 있는 제안된 피드백 액션을 생성할 수 있다.

또한, 사용자의 상태에 대한 추정에 대해 수행된 임의의 변경들은 제1 단계의 모델을 업데이트하고 정제하기 위해 사용될 수 있고, 실제로 특정 기계 학습 기술들의 경우, 사용자에 의한 보정의 부족은 훈련의 목적들을 위한 추정의 긍정적 강화로 유사하게 간주될 수 있다.

이전에 언급된 바와 같이, 추가 훈련이 바람직하지 않은 경우, 그 다음 선택적으로 기계 학습 프로세스에 의해 파생된 입력 값과 출력 값 사이의 관계들은 하나 이상의 룩업 테이블들에서 캡처될 수 있으며, 이는 (더 많은 메모리를 차지할 수 있지만) 계산적으로 사용하기에 더 간단할 수 있다.

암시적 상태 추정

본 설명의 실시예에서는, 위에서 설명된 2-단계 프로세스를 사용하기 보다는, 추정 프로세서는 획득 프로세서에 의해 입력으로 제공된 개별, 서브세트 및/또는 클래스 레벨 사용자 인자들과, 출력으로 생성되어 일반적으로 사용자의 상태를 변경할 것으로 예상되는 제안된 피드백 액션들 사이의 관계의 일부로서 사용자의 상태를 암시적으로 추정하는 단일 단계 프로세스를 수행한다.

따라서 획득된 사용자 인자들 중 하나 이상에 기초하여 사용자 상태의 추정을 계산하도록 구성된 추정 프로세서(1020)는 동등하게 획득된 사용자 인자들 중 하나 이상에 기초하여 제안된 피드백 액션 상태를 생성하도록 구성된 추정 프로세서(1020)일 수 있다; 이 경우 사용자 상태는 사용자 인자들과 사용자의 암시적으로 추정된 상태를 변경할 것으로 예상되는 제안된 피드백 액션 사이의 관계에 암시되어 있다.

본 명세서에서 이전에 설명된 2-단계 프로세스와 유사한 방식으로, 추정 프로세서는 획득 프로세서로부터의 입력 데이터를 추정된 상태들로 변환하기 위해 미리 정해진 규칙들, 알고리즘들 및/또는 휴리스틱스를 사용할 수 있다. 이들은 예를 들어 명시적 상태 추정 실시예들의 2 개의 개별 단계들에 대한 프로세스들을 조합하고, 및/또는 암시적 상태 추정 접근 방식의 단일 단계 특성에 응답하여 규칙들, 다이어그램들 및/또는 휴리스틱스의 일부 또는 전부를 정제할 수 있거나, 또는 단일 단계 프로세스를 위해 처음부터 파생될 수 있다.

따라서, 본 설명의 실시예에서, 결정 트리(예를 들어, 추정 프로세서의 제1 단계와 관련하여 지칭되는 결정 트리)는 이전에 설명된 것과 유사한 방식으로 사용될 수 있다. 이 경우에, 결정 트리의 각각의 경로는 다시 충족된 기준의 (전형적으로 고유하거나 고유한 순서)를 나타내므로, 트리의 각각의 경로는 가능한 스트레스 또는 높은 각성을 나타내는 충족된 기준의 임계 수(또는 선택된 기준 또는 기준 순서에 따라 잠재적으로 다른 상태)를 나타낸다. 기준의 수는 경로에 따라 적절하게 상이할 수 있다. 결과적으로, 각각의 경로의 엔드 노드(end node)는 충족된 기준의 세트/시퀀스에 적합한 특정 피드백 액션(또는 추가로 선택할 수 있는 적절한 피드백 액션들의 최종 목록)에 해당할 수 있다. 이 형태에서, 결정 트리는 기준을 충족하고 피드백을 제공하는 단일 단계 접근방식을 구체화할 수 있으며, 사용자의 상태는 각각의 엔드 노드에서 선택된 피드백 액션들 및 결정 트리의 구조에 내포되어 있다.

다시 2-단계 프로세스와 유사하게, 추정 프로세서는 입력 데이터를 제안된 피드백 액션들로 변환하기 위해 룩업 테이블들을 대안적으로 또는 추가로 사용할 수 있다. 다시 이들은 2-단계 접근 방식으로부터 룩업 테이블들의 연속들일 수 있고, 및/또는 단일 단계 룩업 테이블들을 제공하기 위해 추가로 프로세싱될 수 있거나, 또는 단일 단계 프로세스를 위해 처음부터 파생될 수 있다.

다시 2-단계 프로세스와 같이, 추정 프로세서는 기계 학습을 대안적으로 또는 추가로 사용할 수 있다. 이 경우 예를 들어, 명시적 상태 추정의 제1 단계에서 사용되는 입력들, 및 추정된 단계들로부터 제안된 피드백 액션들을 생성하는 제2 단계에서 사용되는 타겟들은 그들 사이의 측정 가능한 대응관계들을 식별하는 기계 학습 시스템을 훈련하기 위해 사용될 수 있다.

훈련 목적들을 위해 대응하는 입력들 및 타겟들을 제시하기 위해, 훈련 세트는 이 대응관계를 캡처해야 한다는 것을 이해할 것이다; 본 명세서에서 이전에 언급한 바와 같이, 데이터 세트들은 입력들 및 사용자 상태, 사용자 상태들 및 효과적인 피드백 액션들에 대해 존재할 수 있다; 결과적으로 입력들 및 피드백 액션들은 적절하게 공통 사용자 상태 값, 클래스 또는 다변량 설명자들을 기초로 하여 훈련 목적들을 위해 결합될 수 있다; 명확하게는 또한 사용자 인자들이 측정되고 및/또는 자가 보고된 사용자들에 의해 훈련 데이터 세트들이 수집되고, 사용자 상태들이 측정 및/또는 자가 보고되고, 피드백 액션들의 후속 효능 및/또는 적합성, 바람직함, 실용성 등이 측정 및/또는 자가 보고된 경우에도, 그 다음 (획득 프로세서에서 제공된 바와 같은) 이러한 자기 부합적 입력 사용자 인자들 세트들 및 타겟 피드백 액션들이 훈련을 위해 사용될 수 있다.

대안적으로 또는 추가로, 별도의 데이터 세트들에 대해 훈련되고, 및/또는 2 개의 단계들로부터의 개개의 규칙들, 알고리즘들 및/또는 휴리스틱스를 사용하고, 및/또는 2 개의 단계들로부터의 룩업 테이블들을 사용하는 명시적 상태 추정을 갖는 2-단계 시스템이, 데이터 소스로서 사용될 수 있다.

예를 들어, 룩업 테이블들 또는 규칙들, 알고리즘들 및/또는 휴리스틱스, 및/또는 획득 프로세서에 의해 제공되는 바와 같은 입력들과, 이러한 입력들을 사용하여 2-단계 프로세스를 통해 실행함으로써 생성된 제안된 피드백 액션들 사이의 룩업 링크들을 제공하기 위한 2-단계 추정을 위한 기계 학습 시스템들의 제1 및 제2 단계들을 통해 실행함으로써 단일 단계 룩업 테이블이 생성될 수 있다.

대안적으로 또는 추가로, 단일 단계 기계 학습 시스템은 룩업 테이블들 또는 규칙들, 알고리즘들 및/또는 휴리스틱스, 및/또는 획득 프로세서에 의해 제공되는 바와 같은 입력들을 제공하기 위해, 그리고 이러한 입력들을 사용하여 2-단계 프로세스를 통해 실행함으로써 생성된 제안된 피드백 액션들을 훈련하기 위한 타겟들로서 제공하기 위해 2-스테이지 추정을 위한 기계 학습 시스템들의 제1 및 제2 단계를 통해 실행함으로써 훈련될 수 있다.

선택적으로, 이러한 방식으로 훈련된 단일 단계 기계 학습 시스템은 그 후 위에서 설명된 바와 같이 조합된 훈련 세트와 같은 추가 데이터 및/또는, 단계 체계에 대해 여기에서 이전에 설명된 것과 유사한 방식으로, 사용자 피드백 시스템을 사용하는 동안 한 명 이상의 사용자들로부터 수신된 데이터를 사용하여 그의 훈련을 정제할 수 있다.

또한, 예를 들어 훈련 세트는 데이터 세트들 또는 프로세스들의 혼합물을 사용하기보다는 원하는 입력 및 타겟 값들을 캡처하는 것에 직접 기초할 수 있음을 알 수 있다.

2-단계 접근 방식 또는 단일 단계 접근 방식의 경우, 예를 들어 사용자 인자들 및 사용자 상태들에 관련된 훈련 세트를 구축하기 위해 전달 에코시스템에서 하나 이상의 디바이스들을 사용하여 훈련 데이터를 수집할 수 있음을 알 수 있다. 이러한 훈련 세트는 제안된 피드백 액션을 생성하지 않고 단순히 사용자 인자들 및 사용자 상태 정보를 수집하는 버전의 사용자 피드백 시스템을 사용하여 생성될 수 있다. 유사하게, 사용자 상태들을 제안된 피드백 액션들과 관련시키는 훈련 세트는 초기에 자신의 상태가 알려진(예를 들어, 측정/보고된) 사용자들에게, 예를 들어 사용자 테스트 체제의 일부로서 그들의 전화 상의 사용자 인터페이스를 통해, 피드백 액션들에 대한 제안들을 평가하도록 요청하는 것을 기초로 할 수 있다. 따라서 이 경우 피드백 시스템은 피드백 액션들을 제안하고, 제안된 액션들 중 하나 이상을 선택할 수 있지만, 상이한 버전들 또는 모드들에서는, (예를 들어, 여기의 다른 곳에서 개시된 바와 같이 응답들이 더 잘 조정될 수 있는 하위 그룹 내에서 사용자를 특성화하기 위해) 예를 들어 훈련 데이터 수집 단계 또는 교정 단계 동안 (예를 들어, 사용자 인터페이스(들)를 통해) 평가를 위해 선택된 제안된 피드백 액션(들)을 사용자에게 제시할 수 있고, 그리고/또는 사용자의 추정된 상태를 변경할 것으로 예상되는 방식으로, 사용자 상태의 추정(명시적으로 또는 암시적으로 모델링되는지 여부에 상관없이)에 응답하여, 전달 에코시스템 내의 적어도 제1 디바이스의 하나 이상의 동작들을 수정하거나 사용자가 그렇게 하게 프롬프팅하여, 선택된 제안된 피드백 액션(들)이 구현되게 할 수 있다. 사용자 인자들을 제안된 피드백 액션들에 관련시키는 훈련 데이터는 유사한 방식으로 획득될 수 있다.

따라서 이러한 데이터 세트들은 (선택적으로 예를 들어, 훈련 데이터 목적들을 위해, 사용자로부터 응답을 유도하는 경우를 제외하고) 위에서 언급한 바와 같이 에코시스템에서 디바이스의 하나 이상의 동작들에 대한 수정을 실제로 야기하지 않는 사용자 피드백 시스템의 버전 또는 모드를 사용하여 획득될 수 있다.

사용자 피드백 시스템의 이러한 선행하는 생성, 또는 사용자 피드백 시스템의 훈련/정제 모드는 따라서 사용자 상태를 나타내는 하나 이상의 사용자 인자들을 획득하도록 작동 가능하고 (예를 들어, 사용자 인자들의 것들과 유사한 측정들, 및/또는 사용자들의 자기 보고를 기초로 하여) 사용자 상태 데이터, 및/또는 피드백 액션 선호도/효능 데이터를 획득하도록 작동 가능한 획득 프로세서(1010)를 포함할 수 있다; 그러면 추정 프로세서는 훈련 또는 개발 단계를 포함할 것이고, 여기서 이전에 설명된 바와 같이 사용자 인자들에 기초한 입력들과, 사용자 상태들(2-단계 체제) 또는 제안된 피드백 액션들(1-단계 체제)에 기초한 타겟들 간의 대응관계들/관계들/상관관계들이, 예를 들어 충분한 데이터 코퍼스가 축적된 경우, 이전에 설명된 바와 같이 모델링된다.

대안적으로 또는 추가로, 이러한 선행하는 생성에서 및/또는 피드백 시스템의 훈련 모드에서, 전달 디바이스 및/또는 전달 에코시스템의 다른 참여 디바이스들은 결과적으로 단지 데이터를 획득 프로세서에 업로드할 수 있지만, 피드백 시스템으로부터 피드백 액션들(또는 선택적으로 다른 데이터)을 다운로드할 수는 없다.

유사하게, 이러한 선행하는 생성 및/또는 피드백 시스템의 훈련 모드에서, 및/또는 정상 사용시에 피드백 시스템에 대한 개선된 또는 보완적인 입력을 제공함에 있어서, 이 경우 여기의 다른 곳에서 언급된 바와 같이 예를 들어 (예를 들어, 생체 인식 검출로부터의) 신경학적/생리학적 데이터, (예를 들어, 터치, 가속도계 또는 GPS 센서로부터의) 모션 및/또는 위치 사용자 인자들, 콘텍스트 사용자 인자들, 및/또는 여기에 개시된 다른 사용자 인자들 중 임의의 사용자 인자와 같은 사용자 인자들은 사용자에 의해 보고된 바와 같은 사용자 상태에 대한 직접적인 입력을 수반할 수 있다. 이것은 위에서 언급된 바와 같이 훈련 세트의 생성을 위해 사용될 수 있지만, 그러나 대안적으로 또는 추가로 사용자의 보고된 상태는 획득 프로세서에 의해 또는 추정 프로세서에 의해 직접 사용자 인자로 취급될 수 있다.

사용자의 보고된 상태는 예를 들어, 사용자의 휴대폰 또는 전달 디바이스와 같은 전달 에코시스템 내의 디바이스의 사용자 인터페이스를 통해 사용자에게 제시된 설문 결과들을 기반으로 획득될 수 있다. 그러한 설문은 예를 들어 메뉴 또는 드롭다운 상자(drop-down box)에서 자신의 상태에 대한 주관적인 이해에 가장 근접한 상태를 선택하도록 사용자에게 간단히 요청할 수 있으며, 그리고/또는 사용자의 답변 선택이 사용자의 상태를 나타낼 수 있는 질문들을 할 수 있다. 이러한 설문은 주기적으로 제공되거나, 예를 들어 검출된 사용자 인자 또는 특정 임계값에 도달하는 사용자 인자와 관련된 값과 관련된 일부 이벤트에 응답하여 제공될 수 있다. 따라서 예를 들어, 특정 캘린더 이벤트들에 응답하거나 사용자가 특정 위치를 방문하거나 사용자의 심박수가 미리 정해진 임계값을 초과하는 것에 응답하여 설문이 제공될 수 있습니다. 선택적으로, 설문이 사용자에게 제공되는 빈도가 제한될 수 있으므로, 사용자는 설문 프로세스에 짜증을 내지 않는다. 유사하게, 선택적으로 설문의 범위는 직접적인 자기 평가가 위에서 설명된 바와 같은 질문에 대한 응답을 기반으로 한 평가보다 더 빈번하도록 변경될 수 있다.

더 일반적으로, 또한 본원에 설명된 다른 설문과 관련하여, 사용자에게 설문의 제공, 제시 제안 또는 작성 요청은 선택적으로 여러 인자들에 따라 달라질 수 있다. 예를 들어, 사용자의 문화적 배경에 대한 설문은 한 번만, 예컨대, 초기 셋업 프로세스의 일부로 수행될 필요가 있고 그리고 선택적으로 예컨대, 매년 확인될 수 있다. 한편, 다른 설문은 주기적, 예컨대, 매월 또는 매주, 또는 사용자의 현재 체중과 같은 사용자로부터의 업데이트를 수동적으로 기다릴 수 있다. 추가 설문들은 예를 들어 퍼프 빈도 또는 행동의 검출된 편차에 대한 응답으로 또는 피드백 개입에 대한 응답으로 이벤트 기반일 수 있다. 이러한 경우, 선택적으로, 사용자에게 부담을 주지 않도록 사전 결정된 기간(예컨대, 1-N 시간 또는 하루) 내에 동일하거나 다른 설문이 요청되지 않는 타임아웃(time-out)도 있다. 선택적으로, 사용자가 보다 집중적인 질문(예컨대, 시스템 훈련 프로그램의 일부)에 동의한 경우, 설문지는 보다 정기적으로, 예컨대, 사용자가 깨어있을 때 몇 시간마다 질문을 받을 수 있다.

원칙적으로 사용자의 보고된 상태는 추정 프로세서에 의한 명시적인 상태 추정 대신에 선택적으로 사용될 수 있지만, 그러나 적어도 일부 경우들에는 사용자의 보고된 상태가 파생될 수 있는 것과 대략적으로 비교되거나, 또는 일부 측정들(사용 가능한 경우)로부터 추정되거나, 또는 사용자는 피드백 시스템에 사용 가능할 수 있는 모든 사실들에 의해 정보를 얻지 못할 수 있다. 또한, 일부 사용자는 특히 우울증과 같은 병리학적 상태들에 대해 편향된 방식으로 자신의 상태 및 자기 보고를 정상화할 수 있다. 따라서 선택적으로 그들의 상태에 대한 사용자의 직접적인 입력은 위에서 설명된 제1(또는 유일한) 단계에서, 추정 프로세서에 대한 입력으로서 위에서 설명된 획득 프로세서로부터의 하나 이상의 다른 사용자 인자들과 함께 사용될 수 있다. 선택적으로, 대안적으로 또는 추가로 그들의 상태에 대한 사용자의 직접 입력은 2-단계 기술이 사용되는 경우 추정 프로세서의 제2 단계에 대한 입력으로서 그들의 상태의 추정과 함께 사용될 수 있다.

훈련 및 입력의 다른 변형들도 또한 고려될 수 있다. 예를 들어, 본 명세서에서 이전에 언급된 바와 같이, 상이한 사용자 인자들이 상이한 시간 척도들에 걸쳐 동작하거나 또는 변한다는 것을 알 것이다. 결과적으로 본 명세서에 설명된 바와 같이 추정 프로세서에 대한 2-단계 접근 방식 또는 단일 단계 접근 방식에 대해, 추정 프로세서의 연속 동작들 사이의 간격 내에서 변경되지 않을 것으로 예상되는 사용자 인자들은 다시 획득되기보다는 (예를 들어, 저장 디바이스(1012)에) 저장되어 재사용될 수 있다.

또한, 이러한 장기 인자들과 관련된 추정 모델의 일부 부분들은 해당 인자들에 대한 결과들이 동일하게 유지될 것으로 예상되는 경우 다시 실행될 필요가 없을 수 있다. 이는 규칙, 알고리즘 및/또는 휴리스틱 방법들, 및/또는 룩업 테이블들에 대해 간단할 수 있지만, 그러나 기계 학습 시스템의 경우 수정된 아키텍처가 필요할 수 있다; 예를 들어 2-스테이지 ML 또는 다층 시스템은 모든 입력들에 대해 훈련될 수 있지만, 그러나 이후에 장기 사용자 인자들과 관련된 입력들 또는 출력들이 클램핑(clamp)된 상태로 실행되고, ML 시스템의 해당 부분에서 이전에 계산된 중간 결과들은 짧은 시간 프레임들로 사용자 인자들로부터 새로 생성된 중간 결과들과 함께 ML 시스템의 나머지 부분에 공급된다.

또한, 본 명세서에서 이전에 언급한 바와 같이, 상이한 사용자들은 그들의 전달 에코시스템 내에서 상이한 디바이스들 조합들을 가질 수 있고, 및/또는 이들 디바이스들의 상이한 조합들이 임의의 시간에 활성화될 수 있음을 알 것이다; 유사하게, 상이한 사용자들은 소셜 미디어에서 더 많은 또는 더 적은 존재를 가질 수 있거나, 또는 그들의 디지털 캘린더를 더 많이 또는 더 적게 사용할 수 있다. 결과적으로 획득 프로세서에 이용 가능한 사용자 인자들 및 따라서 또한 추정 프로세서에 이용 가능한 입력들은 사용자마다 및/또는 때때로 다를 수 있다. 따라서, 추정 프로세서는 사용 가능한 입력들에 따라, 피드백 액션들을 제안하기 위해 상이한 모델들(위에서 논의한 바와 같이 명시적 또는 암시적)을 사용할 수 있다. 대안적으로 또는 추가로, 모델에 대한 입력이 누락된 경우, 제안된 피드백 액션에 대한 해당 누락된 입력의 영향을 감소하거나 또는 제거하기 위해 중립 입력 값이 제공될 수 있다. 따라서 추정 프로세서에 의해/에 대해 제공되는 상이한 모델들의 개수는 모델에 대해 가정된 데이터 소스들의 개수(더 많은 소스들 또는 더 다양한 소스들로 인해 모델이 잠재적으로 더 취약해짐), 및 현재 입력이 이용 가능하지 않은 플라시보(placebo)/중립 값들로 입력들을 대체하는 것에 대한 모델의 견고성에 따라 달라질 수 있다; 후자의 경우 일부 입력들이 다른 입력들보다 더 중요할 수 있으므로, 모델을 실행하려면 적어도 일부 개별 입력들이 필요할 수 있다. 따라서 모델의 복잡도 및 견고성에 따라, 하나의 모델만이 필요할 수도 있고, 또는 상이한 시나리오들을 예상하는 일련의 모델들이 필요할 수도 있다. 선택적으로, 그들의 전달 에코시스템에 존재하는 것으로 알려진 디바이스들에 따라 사용자를 위해 사용 가능한 모든 모델들의 서브세트가 선택된다; 한편, 예를 들어 사용자가 새로운 도크(200)를 구매하는 경우 영구적이든, 또는 예를 들어 사용자가 자판기 또는 POS 디바이스와 상호작용하는 경우 일시적이든, 새로운 디바이스들이 전달 에코시스템에 합류할 때 새로운 모델들이 추가될 수 있다.

추정 프로세서 출력

단일 단계 또는 2-단계 프로세스가 사용되는지 여부, 및 임의의 단계에 대한 추정이 규칙들, 알고리즘들, 및/또는 휴리스틱스, 룩업 테이블들, 및/또는 기계 학습을 기초로 하는지 여부에 관계없이, 추정 프로세서의 출력은 제안된 피드백 액션이다.

가능한 피드백 액션들은 질적으로 및/또는 양적으로 상이하다.

따라서 예를 들어 이것들은 (현재 상황들에 대한 응답인지 선제적인지 여부에 상관없이) 사용자를 위해 에어로졸의 생성을 수정하는 것; 흡입 중 또는 흡입들 사이에 전달 디바이스 또는 시스템과 사용자의 상호작용을 수정하는 것; 전달 디바이스 또는 시스템의 사용자 인터페이스를 수정하는 것; 사용자에게 전달 디바이스 또는 시스템을 사용하거나 또는 이들의 사용을 변경하도록 리마인드하는 것; 전달 디바이스 또는 전달 디바이스 소모품의 작동 또는 선택을 추천하는 단계; 및/또는 활성 성분의 전달과 직접적으로 관련이 없지만 그럼에도 불구하고 직접적으로(예를 들어, 바이오피드백을 통해) 또는 간접적으로(예를 들어 사용자의 헤드폰들에서 노이즈 제거를 활성화함으로써) 사용자의 상태를 변경할 수 있는 디바이스의 작동을 추천/활성화/수정하는 것과 관련되는지 여부에 기초하여 질적으로 달라질 수 있다.

따라서 보다 일반적으로 피드백 액션들은 그들의 상태를 변경하기 위해 사용자의 액션들 및/또는 습관들을 변경하는 데 중점을 둔 행동; 사용자에게 전달되는 하나 이상의 활성 성분들이 그들의 상태를 변경할 수 있는 방법에 중점을 둔 약학; 및 그들의 상태를 변경하기 위해 대안적인 제1자 또는 제3자 옵션들(즉, 전달 디바이스 또는 전달 에코시스템 또는 다른 곳의 다른 디바이스들과 관련됨)에 중점을 둔 비-소비 개입들인 카테고리들에 속할 수 있다.

한편 제안된 피드백 액션들은 피드백 액션의 효과가 사용자의 상태에서 긍정적인 변화를 만들기 위해 원하는 정도에 따라 질적으로 달라질 수 있다; 따라서 예를 들어 전달 디바이스에서 가열기 온도, 페이로드 에어로졸화, 페이로드 조성 등에 대한 변경은 적절한 경우 변경 정도 또는 변경 클래스를 나타내는 정량적 값을 포함할 수 있다. 유사하게, 전달 디바이스 또는 전달 에코시스템의 다른 디바이스의 사용자 인터페이스에 대한 수정들은 전달 시스템에서 요구되거나 또는 프롬프트(prompt)된 사용자 상호작용들의 개수, 및 이러한 사용자 상호작용들의 특성과 관련된 증분 단계들을 포함할 수 있다; 예를 들어 5 개 카테고리들을 실행하는데, 사용자의 방해를 최소화하기 위해 알림들을 갖지 않는 제1 카테고리, 배터리 부족 또는 페이로드 부족과 같은 중요한 알림들만을 갖는 제2 카테고리, 중요한 알림 및 중요하지 않은 알림이 제공되는 디폴트에 해당하는 제3 카테고리, 사용자 인터페이스의 다른 특징들에 사용자를 참여시키기 위한 추천들 및/또는 프롬프트들을 더 포함하는 제4 카테고리, 및 가청 톤을 더 포함하는 제5 카테고리가 있다. 이들 5 개의 카테고리들은 그들이 얼마나 스트레스를 받았는지(예를 들어, 높은 스트레스에 대한 최소한의 알림들), 및/또는 그들이 얼마나 지루한지(예를 들어, 높은 지루함에 대해 높은 알림)의 척도에서 사용자 상태에 따라 선택될 수 있다.

이전에 언급된 바와 같이, 피드백 액션의 유형, 및/또는 변화의 양 또는 클래스는, 적절한 경우, 규칙들, 알고리즘들, 및/또는 휴리스틱스, 룩업 테이블들, 및/또는 기계 학습에 따라 적절하게 식별될 수 있다.

이전에 언급된 바와 같이 유사하게, 피드백 액션의 하나 초과의 유형, 및/또는 변화의 하나 초과의 양 또는 클래스가 사용자 인자들/사용자 상태에 대한 적절한 응답인 것으로 계산/추정되는 경우, 선택적으로 그에 따라 다수의 피드백 액션들이 제안될 수 있거나, 또는 상위 N 개의 피드백 액션들이 예를 들어 활성화의 강도에 기초하여 선택될 수 있으며, 여기서 N은 하나 이상일 수 있다.

피드백 프로세서

피드백 프로세서(1030)는 하나 이상의 제안된 피드백 액션들을 구현하도록 작동 가능하며, 그에 따라 사용자 상태의 추정에 응답하여, 전달 에코시스템 내의 디바이스의 하나 이상의 동작들의 수정을 야기한다.

따라서 피드백 프로세서는 전달 에코시스템 내에서 적절한 방식으로 생성하도록 추정 프로세서에 의해 제안된 피드백 액션 또는 액션들을 야기하도록 작용할 수 있다.

피드백 액션 또는 액션들은 일반적으로 사용자의 추정된 상태를 변경할 것으로 예상되는 방식으로 구현된다. 이 사용자는 일반적이고 평균적인 명목상의 사용자로 간주될 수 있다; 제안된 피드백 액션(들)의 생성의 기초가 되는 모델 또는 모델들은 일반적으로 사용자들의 코퍼스로부터의 데이터를 사용하여 개발되거나 또는 훈련되므로, 일반적인, 평균적인, 또는 명목적인 사용자의 상태 변경과 관련된다는 것이 이해될 것이다.

그러나, 일반적으로 이것은 그럼에도 불구하고 대부분의 사용자들이 이러한 변화들에 유사한 방식으로 응답할 가능성이 있다는 근거로, 개개의 전달 디바이스의 특정 사용자의 상태를 유사하게 변경할 것이다.

그러나 본원의 다른 곳에서 설명된 바와 같이, 피드백 시스템이 제안된 피드백 액션들의 효능에 대해 (예를 들어, 측정 또는 자가 보고에 의해) 개별 사용자로부터 추가 피드백을 수신할 수 있는 경우, 그 다음 선택적으로 시스템은 예를 들어 파라미터들의 보완적인 훈련 및/또는 정제를 통해 특정 사용자에 대해 점점 더 맞춤화될 수 있으므로, 따라서 특정 사용자의 추정된 상태를 변경할 것으로 예상되는 방식으로 사용자 상태의 추정에 응답하는 피드백 액션들을 구현한다. 유사하게, 별도의 규칙들, 알고리즘들, 및/또는 휴리스틱스, 룩업 테이블들, 또는 기계 학습 시스템들은 예를 들어 인구 통계들 및/또는 피드백 액션들에 대한 응답 패턴들을 기초로 상이한 사용자 그룹들에 대해 생성될 수 있으므로, 피드백 효능에 대한 측정된 또는 보고된 평가들이 특정 사용자로부터 이용 가능하지 않거나, 또는 기계 학습 시스템의 훈련을 효과적으로 정제하거나 또는 알고리즘 등의 파라미터들을 변경하여 이들에 대한 그의 응답을 개인화하기에는 너무 희소한 경우에도, 제안된 피드백 액션들은 이러한 그룹들 중 하나에 속하는 특정 사용자에게 더 잘 맞춰진다.

획득 프로세서 및 추정 프로세서와 같이, 피드백 프로세서(1030)는 하나 이상의 물리적 및/또는 가상 프로세서들을 포함할 수 있고, 원격 서버(1000) 내에 위치될 수 있으며, 및/또는 그 기능성은 사용자의 휴대폰(100), 도킹 유닛(200), 자판기(300), 및 전달 디바이스(10) 자체를 포함하는(그러나 이에 제한되지 않음), 전달 에코시스템 내의 다수의 디바이스들에 분산되거나 또는 추가로 분산될 수 있다. 피드백 프로세서는 예를 들어 추정 프로세서(1010)로부터 데이터를 수신하기 위한 하나 이상의 통신 입력들, 및 예를 들어 전달 디바이스(10) 및/또는 위에 나열된 것들, 또는 피드백 액션에 참여할 수 있는 임의의 다른 디바이스와 같은 전달 에코시스템(1) 내의 다른 디바이스와 통신하기 위한 하나 이상의 통신 출력들을 포함할 수 있다.

특히, 피드백 프로세서는 선택적으로 하나 이상의 피드백 액션들을 선택하고 하나 이상의 피드백 액션들을 구현하기 위해 에코시스템 내에서 하나 이상의 개개의 디바이스들을 선택하기 위해, 자판기 또는 휴대폰과 같은, 적절한 계산 능력을 가지고 서버 및/또는 전달 에코시스템 내의 디바이스에 위치될 수 있는 선택 및 알림 하위 프로세서(도시되지 않음); 및 선택적으로 피드백 액션의 구현을 관리하기 위해 에코시스템 내의 하나 이상의 개개의 디바이스들에 있는 액션 구현 하위 프로세서(도시되지 않음)를 선택적으로 포함할 수 있다. 선택적으로, 액션 구현 하위 프로세서는 피드백 프로세서와 별도의 프로세서로 간주될 수 있다.

여기에서, 선택 및 알림 하위 프로세서 및 피드백 프로세서, 또는 액션 구현 하위 프로세서 및 피드백 프로세서에 대한 언급들은 각각 상호 교환 가능한 것으로 간주될 수 있다; 이러한 하위 프로세서들이 피드백 프로세서에 대한 보완적 하드웨어이고, 및/또는 피드백 프로세서의 역할을 효과적으로 공유할 수 있지만, 이들은 동등하게 적절한 소프트웨어 명령어 하에서 동작하는 피드백 프로세서의 기능들일 수도 있음이 이해될 것이다. 한편, 위에서 언급된 바와 같이, 선택적으로 적어도 액션 구현 하위 프로세서는 예를 들어 인터넷을 통해 피드백 프로세서와 통신하는 피드백 프로세서에 대한 별도의 프로세서일 수 있다.

선택 및 알림

선택적으로, 선택 알림 하위 프로세서는 추정 프로세서가 하나 초과의 피드백 액션이 적절할 수 있다고 표시하는 경우(예를 들어, 충족된 기준 세트가 피드백 동작의 최종 목록과 연관되거나, 결정 트리 노드가 피드백 액션들의 최종 목록과 연관되거나, 기계 학습 시스템이 활성화 강도들이 다양한 복수의 피드백 액션들을 나타내는 경우, 또는 규칙 또는 휴리스틱이 옵션 등으로 여러 피드백 액션들을 허용하는 경우), 본원에서 이전에 설명된 방식으로 추정 프로세서에 의해 생성된 하나 이상의 피드백 액션들을 선택할 수 있다. 명확하게는, 하나의 피드백 액션만이 제안된 경우에는, 그 다음 기본적으로 이것이 선택될 것이다.

선택된 피드백 액션의 경우, 그 다음 선택 알림 하위 프로세서는 피드백 액션을 구현해야 하는 전달 에코시스템 내의 디바이스 또는 디바이스들을 선택하고, 피드백 액션의 유형 및/또는 양을 특성화하는 디바이스 또는 각각의 디바이스에 대한 명령/알림/명령어를 정할 수 있다. 디바이스가 하나의 피드백 액션만 가능하다면, 이 경우 유형은 알림 액트에 암시되어 있을 수 있으며, 유사하게 디바이스가 하나의 양 피드백 액션만 가능하다면, 이 경우 양은 알림 액트에 암시되어 있을 수 있다는 것이 이해될 것이다. 전달 에코시스템 내의 임의의 디바이스는 잠재적으로 피드백 수단을 포함할 수 있다. 따라서, 잠재적으로 전달 에코시스템 내에서 획득 프로세서에게 또는 획득 프로세서를 위해 사용자 인자 데이터를 제공하는 디바이스 또는 디바이스들은 피드백 액션 또는 각각의 피드백 액션을 구현하는 디바이스 또는 디바이스들과 다르다는 것이 이해될 것이다.

선택적으로, 선택 알림 하위 프로세서는 피드백 액션을 제공하기 위한 목적들로 그들의 사용 가능성을 결정하기 위해 전달 에코시스템 내의 디바이스들을 폴링(poll)할 수 있다. 프로세서에 의해, 예를 들어 인터넷에 의해 액세스될 수 있는 디바이스들의 경우, (예를 들어 전달 디바이스(10), 휴대폰(100), 웨어러블 디바이스(400), 도킹 디바이스(200)와 같은) 사용자 또는 사용자의 전달 디바이스와 연관되어 등록된 디바이스들은 직접 폴링될 수 있다.

예를 들어, 액세스 가능한 디바이스에 대한 Bluetooth ®연결을 통해, 중간 디바이스를 통해서만 액세스할 수 있는 디바이스들의 경우, 액세스 가능한 디바이스는 이러한 간접 디바이스들을 폴링하도록 요청받을 수 있다. 따라서 예를 들어 선택 알림 하위 프로세서는 이들이 로컬 유선 또는 무선 연결을 통해서만 액세스할 수 있는 경우, 사용자의 휴대폰(100)이 전달 디바이스(10), 웨어러블 디바이스(400) 또는 도킹 디바이스(200)를 폴링하도록 야기/요구할 수 있다.

자판기(300) 또는 다른 POS 시스템과 같이 사용자와 공식적으로 연관되지 않거나 또는 사용자와 간헐적으로만 연관되는 디바이스들의 경우, 선택 알림 하위 프로세서는 그들의 휴대폰(100) 또는 전달 디바이스(10)와 같은 사용자와 연관된 전달 에코시스템 내의 디바이스로부터 위치 데이터를 수신할 수 있고, 이것을 자판기(300)의 등록 또는 보고된 위치과 비교하고; 위치들이 서로 임계 거리 내에 있는 경우, 자판기는 해당 조건이 유지되는 동안 전달 에코시스템의 일부로 간주될 수 있다. 대안적으로 또는 추가로, 선택 알림 하위 프로세서는 임의의 양립 가능한 자판기들에 대해 폴링하거나, 또는 사용자 또는 이들의 연관된 디바이스들의 세부사항들을 노출하지 않고 액세스 가능한 디바이스가 식별될 수 있도록 예를 들어 일회용 ID를 사용하여 액세스 가능한 디바이스를 식별하는 블루투스 비콘을 브로드캐스팅하도록 액세스 가능한 디바이스에 지시할 수 있다; 이러한 ID는 자판기에 의한 검출을 가능하게 하기 위한 ID의 목적을 식별하는 구성요소를 포함할 수 있고, 그 뒤에 사용자 또는 이들의 연관된 디바이스에 고유한 일회용 구성요소가 뒤따른다; 본 발명의 실시예들에 따른 양립 가능한 자판기는 일회용 ID를 선택적으로 인식하고, 이를 선택 알림 하위 프로세서로 다시 중계하여, 사용자가 자판기의 로컬 무선 범위 내에 액세스 가능한 디바이스들을 갖는다는 것을 알릴 수 있다. 위의 내용은 자판기를 참조하지만, 이것은 설명의 목적들을 위한 예이며, 이러한 기술들은 자동차 또는 기차, 상점의 WiFi®또는 Bluetooth®핫스팟(hotspot), 스마트 TV 등과 같이 사용자와 공식적으로 연관되지 않거나 또는 이들과 간헐적으로만 연관되는 임의의 디바이스에 적용될 수 있다는 것이 이해될 것이다.

선택적으로, 사용자 자신의 전달 에코시스템 외부에 있는 디바이스들이 선택될 수 있다. 예를 들어, 전달 디바이스 및/또는 전화 또는 사용자와 연관된 친구 또는 가족 구성원의 다른 디바이스(예를 들어, 사용자가 이러한 사람들을 등록한 후)는 친구 또는 가족 구성원이 개입할 수 있도록 해당 친구 또는 가족 구성원에게 사용자의 상태를 알리는 데 사용될 수 있다. 선택적으로, 사용자는 이것이 생성하는 조건들, 및/또는 친구들 또는 가족 구성원들에게 알림이 제공되는 조건들을 설정할 수 있다. 유사하게, 사용자의 미리 정해진 근접성 내의 디바이스들이 선택될 수 있다. 예를 들어, 사용자의 기분이 좋은 경우, 사용자의 미리 정해진 반경 내에 있는 양립 가능한 디바이스들은 모두 빛의 색상과 같은 특징을 동기화하여, 이러한 사용자들에게 즐거운 사회적 조우를 위한 기회가 있음을 시그널링할 수 있다.

이러한 기술들 중 하나 이상을 사용하여, 선택 알림 하위 프로세서는 따라서 어떤 디바이스들이 피드백 액션을 전달하기 위해 현재 이용 가능한지를 결정할 수 있다.

일반적으로, 피드백 액션은 전달 에코시스템 내의 특정 디바이스 또는 기능을 수행하기 위해 협력하는 한 쌍의 디바이스들에 대해 특이성이 있을 것이다; 결과적으로, 제안된 피드백 액션 또는 선택된 피드백 액션에 대해, 선택적으로 선택 알림 하위 프로세서는 해당 피드백 액션과 관련된 전달 에코시스템 내의 디바이스 또는 디바이스들만을 폴링할 수 있다.

유사하게, 전달 에코시스템 내의 특정 디바이스들은 제안된 피드백 액션을 생성하기 위해 사용되는 피드백 시스템에 입력 데이터를 제공할 수 있음을 알 수 있다; 결과적으로, 디바이스들로부터의 이러한 입력 활동은 이들의 액세스 가능성을 나타내는 것으로 기록될 수 있고, 및/또는 특정 디바이스들이 현재 피드백 시스템에 액세스할 수 있다는 것이 제안된 피드백 액션으로부터 암시적일 수 있다; 두 경우 모두, 디바이스들의 폴링이 필요하지 않거나, 또는 폴링 체제가 위치에 있는 경우 입력 데이터의 수신이 효과적인 폴링 결과로 처리될 수 있다.

해당 피드백 액션과 관련된 디바이스 또는 디바이스들이 이용 가능하지 않은 경우(예를 들어, 폴링에 응답하지 않음), 그 다음 선택적으로 피드백 프로세서/선택 알림 하위 프로세서는 추정 프로세서에 의해 다수의 피드백 액션들이 제안된 경우 상위 N 피드백 액션들에서 다음 제안된 피드백 액션을 선택할 수 있다. 피드백 액션에 이용 가능한 관련 디바이스가 없는 경우, 그 후 피드백 프로세서는 임의의 피드백 액션도 구현하지 않을 수 있고, 및/또는 예를 들어 사용자 전화의 사용자 인터페이스를 통해, 해당 효과에 대해 사용자에게 알림을 보낼 수 있고, 또는 에코시스템 내의 다른 디바이스들과 링크하기 위한 액세스 가능한 디바이스로서의 사용자의 전화가 이용 가능하지 않은 경우, 그 다음 다시 컨택할 수 있게 되면 사용자에게 도달할 텍스트 또는 유사한 다른 메커니즘을 통해 사용자에게 알린다.

피드백 액션과 관련된 디바이스 또는 디바이스들이 이용 가능한 경우(즉, 폴링에 응답하거나, 또는 디바이스가 여전히 액세스할 수 있다고 가정할 수 있는 미리 정해진 선행하는 시간 기간 내에 폴링에 응답했거나, 또는 미리 정해진 선행하는 시간 기간 내에 입력 데이터를 제공함), 그러면 피드백 프로세서는 추정 프로세서에 의해 제안된 바와 같이 피드백 액션을 구현하기 위해 하나 이상의 명령들을 디바이스 또는 디바이스들에 전송할 것이다.

위에서 언급된 바와 같이, 명령들의 특성은 제안된 액션 및 타겟 디바이스 또는 디바이스들에 따라 달라질 수 있다. 일부 경우들에서, 명령의 단순한 존재만으로도 제안된 액션을 지정하기 위해, 예를 들어 디바이스가 꺼져 있을 때 디바이스를 켜기 위해 충분할 것이다. 다른 경우들에서, 명령은 예를 들어 전달 시스템 내에서 가열기 기능, 페이로드 유형, 사용자 인터페이스 동작 등의 변경과 관련하여 피드백 액션의 유형을 지정할 필요가 있을 것이다. 이들 경우들 중 어느 하나에서, 명령은 피드백 액션의 양을 지정해야 할 필요가 있을 수 있는데, 예를 들어 온도의 변화, 활성 성분의 농도 또는 페이로드 내의 향미, 또는 사용자 인터페이스에 대한 선택된 파라미터들을 지정해야 할 필요가 있을 수 있다.

위에서 언급한 바와 같이, 명령은 액세스 가능한 디바이스에 직접 전달되거나, 또는 액세스 가능한 디바이스가 에코시스템 내의 다른 디바이스에 명령을 중계하도록 요청하거나, 또는 자체적으로 그러한 디바이스에 명령을 발행하도록 요청하는 것일 수 있다; 예를 들어, 피드백 프로세서는 전달 디바이스(10)에 명령들을 발행하도록 사용자의 휴대폰(100)에 지시할 수 있다. 사용자의 휴대폰이 도크(200)에 명령들을 발행하는 것과 같은 추가 정도들의 간접화가 예상될 수 있으며, 이는 차례로 (예를 들어, 전력 또는 페이로드 충전을 위해) 도킹될 때 전달 디바이스의 설정들을 수정할 수 있다. 유사하게, 피드백 프로세서가 상이한 종류들의 명령들을 상이한 디바이스들에 발행할 수 있음을 인식할 것이다; 따라서 예를 들어 그의 사용자 인터페이스의 양태들을 변경하기 위해 휴대폰에 그리고 도크(200)에(가능한 경우 직접, 또는 전화기를 통해) 직접 명령이 발행될 수 있어, 전달 디바이스에 제공되도록 페이로드의 구성을 변경하고, 또한 도킹될 때 전달 디바이스에 대한 하나 이상의 설정들을 변경하게 한다. 직접, 간접, 또는 둘의 혼합 여부에 관계없이, 이들과 같은 명령들의 다른 순열들이 전달 에코시스템 내에서 구상될 수 있음이 이해될 것이다.

본원의 다른 곳에서 설명된 바와 같이, 상이한 피드백 액션들이 전달 에코시스템의 행동, 약학 및/또는 비-소비 양태들과 관련될 수 있음이 이해될 것이다.

행동 피드백 액션들은 일반적으로 전달 디바이스 자체에 의해 전달되는 활성 성분의 양 또는 특성과 관련된 동작들이 아닌 전달 에코시스템 내의 디바이스의 동작들 및/또는 디바이스와의 상호작용들과 관련된 사용자의 액션들 및 습관들을 변경하는 데 중점을 두며, 이것은 병렬로 생성할 수 있다. 예들은 향미 또는 향미 농도의 변화들의 사용, 흡입 행동을 수정하기 위한 증기 질량 전달 변경; 전달 디바이스 사용과 관련되거나 또는 전달 디바이스 사용과 상관된 스케줄링 계획들 또는 리마인더들에 대한 수정; 제공되는 정보, 피드백 모드(예를 들어, 색상 표시등들, 그래픽 테마들, 및/또는 메시지들과 같은 가시적 및/또는 햅틱) 측면에서, 전달 디바이스 상에 전달 에코시스템의 다른 디바이스 상에 있는지 여부에 상관없이, 사용자 인터페이스들에 대한 변경들; 예를 들어 LED와 같은 전달 디바이스 상에 교통 신호등 UI 디스플레이를 제공하여, 사용자가 디바이스를 사용하는 방법을 사용자에게 경고하는 것 등과 관련될 수 있다.

약학 피드백 액션들은 사용자의 상태를 변경하기 위한 약학 개입들에 초점을 맞추고 있으며, 일반적으로 양 또는 유형과 같은 활성 성분들에 기초한 개입들, 및 (예를 들어 현재 사용자 인자들과 미래 사용자 상태들 또는 피드백 액션들 사이의 상관관계들에 기초하여 들어 반응적으로 또는 선제적으로) 이것들이 변경되는 경우 등에 관련된다. 이러한 액트들은 또한 예를 들어 베이핑에서 스누스로 또는 그 반대로 전환하는 것과 같이, 대안적인 소비 모드들을 선택하는 것과 관련될 수도 있다.

비-소비 피드백 액션들은 일반적으로 아로마테라피(aromatherapy) 시스템들/스티머(steamer)들, 바이오피드백 디바이스들, 헤드폰들(예를 들어, 노이즈 제거 활성화, 또는 볼륨 또는 음악 선택 수정), 차량 사용(예를 들어, 스트레스 경고들, 또는 경로 선택/길지만 덜 혼잡한 또는 더 느린 경로들로의 재-선택), 등과 같은, 활성 성분의 소비와 구체적으로 관련되지 않은 디바이스들의 사용을 활성화/제어하거나 또는 단순히 추천하는 것과 관련이 있다.

선택 알림 하위 프로세서는 하나 이상의 실제 또는 가상 프로세서들로 구성될 수 있으며, 그의 기능성은 서버 및/또는 전달 에코시스템 내의 하나 이상의 디바이스들 내에 적절하게 위치되거나 또는 분산될 수 있다.

액션 구현

액션 구현 하위 프로세서는 선택 사항일 수 있다; 예를 들어 일부 디바이스들은 추가 해석 또는 프로세싱이 요구되지 않고 직접 명령들을 수락할 수 있다. 이 경우 액션 구현 하위 프로세서는 필요하지 않은 것으로 생각되거나, 또는 피드백 프로세서/선택 및 알림 하위 프로세서에 의해 그의 역할이 구현되도록 생각될 수 있다.

한편, 일부 경우들에서 액션 구현 하위 프로세서의 역할은, 예를 들어 사용자 인터페이스 명령들을 해석하여 디바이스의 동작에 대한 변경들을 구현할 수 있는 디바이스 내에 실제로 이미 존재할 수 있다; 이 경우에, 피드백 프로세서로부터의 명령들은 선택적으로 이러한 사용자 인터페이스 명령들을 복제할 수 있다.

다른 경우들에서, 액션 구현 하위 프로세서는 예를 들어 적절한 소프트웨어 명령어들에 따라 종래의 프로세서를 적응시킴으로써 별도로 제공될 수 있다. 이러한 예는 명령들을 수신하고 휴대폰 및/또는 휴대폰 상의 앱, 전달 디바이스, 및/또는 전달 에코시스템 내의 하나 이상의 다른 디바이스들의 양태들 중 하나 이상을 수정하도록 동작할 수 있는 사용자의 휴대폰 상의 앱일 수 있다. 유사하게, 전달 디바이스를 위한 도크(200)는 일부 종류들의 전달 디바이스와 같이 이러한 액션 구현 하위 프로세서를 포함할 수 있다.

액션 구현 하위 프로세서는 관련 디바이스 또는 각각의 관련 디바이스 상에서 피드백 액션을 구현하도록 작동한다. 따라서 예를 들어 피드백 액션과 관련된 명령이 전달 디바이스의 가열기 온도 변화를 설명하는 경우, 그 다음 액션 구현 하위 프로세서는 지정된 변경을 구현하기 위해 가열기에 대한 전력 공급, 및/또는 가열기의 듀티 사이클(duty cycle)을 변경할 수 있다.

유사하게, 예를 들어 피드백 액션과 관련된 명령이 사용자를 위해 주변 노이즈 수준들을 감소시키는 것을 설명하는 경우, 그러면 한 쌍의 노이즈 제거 헤드폰들에 대한 액션 구현 하위 프로세서는 노이즈 제거 기능을 활성화할 수 있다; 사용자의 휴대폰에 대한 액션 구현 하위 프로세서는 해당 헤드폰들에서 재생되는 음악의 볼륨 수준을 감소시키고, 사용자에게 그들의 환경에서 노이즈의 소스를 피하도록 제안하는 메시지를 디스플레이할 수 있다.

따라서 개개의 하위 프로세서들에 의해 구현되는 특정 액션들은 제안된 피드백 액션의 특성 및 전달 에코시스템 내의 디바이스의 특성에 따라 달라질 수 있지만, 그러나 일반적으로 디바이스 내에서 실행될 수 있는 메커니즘으로 제안된 피드백 액션의 직접적인 변환을 나타낼 것이다.

본원에서 이전에 언급된 바와 같이, 피드백 액션들은 사용자가 그들의 효능에 대해 보고할 수 있는 요청들 또는 기회들이 동반되거나 또는 뒤따를 수 있다. 대안적으로 또는 추가로, 피드백 액션들은 예를 들어 UI 상의 메시지 또는 인터페이스 색상의 변화, 햅틱 반응 등을 통해 예상되는 상태 변화의 긍정적인 강화, 또는 예를 들어 웨어러블을 위한 앱에서 충족되는 긍정적인 목표가 동반되거나 또는 뒤따를 수 있다. 강화는 피드백이 생성했음을 나타내는 간단한 메시지일 수도 있고, 또는 예를 들어 사용자의 심박수가 낮아졌다고 보고하거나, 또는 (전형적으로 하나 이상의 사용자 인자들에 대한 변경에 의해 입증되거나 또는 사용자에 의해 자기 보고된 바와 같이 사용자의 상태를 변경함으로써) 액션이 잘 수행되었는지 확인하기 위해 측정들을 기초로 할 수도 있다. 그러한 긍정적 강화에 의해 야기된 상태 변화에 대한 인식 및/또는 기대는 적어도 일부 피드백 액션들의 효과를 증가시킬 수 있다.

액션 구현 하위 프로세서는 하나 이상의 실제 또는 가상 프로세서들로 구성될 수 있으며, 해당 기능성은 서버 및/또는 전달 에코시스템 내의 하나 이상의 디바이스들 내에 적절하게 위치되거나 또는 분산될 수 있다.

프로세서들

이전에 언급된 바와 같이, 획득 프로세서, 추정 프로세서, 및 피드백 프로세서(및 임의의 하위 프로세서들)는 하나 이상의 서버들 내에 및/또는 전달 에코시스템 내에 위치된 하나 이상의 실제 또는 가상 프로세서들을 포함할 수 있다. 또한, 여기에 설명된 역할들의 경계는 고정되어 있지 않음이 이해될 수 있다; 예를 들어 획득 프로세서는 (예를 들어 사용자 자기 보고에 의해) 사용자 상태를 직접적으로 나타내는 정보를 수신할 수 있으므로, 추정 프로세서에 의한 2-단계 프로세스의 제1 단계는 획득 프로세서에 의해 우회되거나 도는 보완될 수 있다; 이 경우 유사하게, 피드백 프로세서는 예를 들어 대응하는 제안된 피드백 액션을 찾을 수 있다. 따라서 이 예에서, 추정 프로세서의 역할은 획득 프로세서 및 피드백 프로세서에 의해 수행된다. 따라서 더 일반적으로 이들 프로세서들은 적절한 소프트웨어 명령어에 따라 임의의 프로세서에 의해 구현될 수 있는 작업들을 나타내고, 동등하게 데이터 수집 작업, 피드백 제안 작업(사용자의 상태의 명시적 추정에 기초하는지 여부에 관계없음), 및 피드백 훈련 작업 또는 피드백 전달 작업을 포함하는 것으로 간주될 수 있다.

설명의 실시예에서, 본원의 다른 곳에서 언급된 바와 같이, 데이터는 전달 디바이스의 센서로부터 수집될 수 있고 그리고 사용자의 전화와 같은 전달 에코시스템 내의 컴패니언 디바이스로 전송될 수 있다. 데이터는 선택적으로, 전송 전에 전달 디바이스에 의해 적어도 일부 사전-처리를 거칠 수 있다. 그 다음, 본원의 다른 곳에서 언급된 바와 같이, 전달 디바이스로부터의 이러한 센서 데이터는 다른 소스들(예컨대, 이전에 언급한 환경, 결정적, 콘텍스트, 신경학적, 생리학적, 간접적 및 이력 데이터와 같은 센서 데이터의 기록 전, 기록 동안 및/또는 기록 후 사용자의 상태와 관련된 정보)로부터의 데이터와 연관되어 여러 소스 관련 데이터를 생성할 수 있다. 이 데이터는 백엔드 서버로 송신될 수 있다(예컨대, 획득 서버 기능의 적어도 일부는 그러한 서버에서 발생함). 대안적으로 획득 프로세서로 작동하는 스마트폰으로 데이터를 처리할 수 있으며 추정 프로세서의 기능은 전화기, 백엔드 서버 또는 둘의 혼합 중 하나에서 구현될 수 있다. 이 경우에, 피드백 서버의 기능은 전화기, 백엔드 서버 또는 둘의 혼합 중 하나에서 유사하게 구현될 수 있다(예를 들어, 피드백 또는 후속 활동의 특성에 따라; 알림 송신(sending notifications) 또는 제품 요청과 같은 액션들은 일 실시예에서 백엔드 서버에 의해 또는 다른 실시예에서 전화에 의해 수행될 수 있다). 3개의 프로세서들이 모두 스마트폰으로 구현되는 조합은, 데이터가 백엔드 서버로 송신되지 않기 때문에, 사용자의 개인 정보 보호의 이점이 있다. 대안적으로 예를 들어, 추정 프로세서의 기능은 계산상 복잡할 가능성이 있으므로 서버에 의해 수행될 수 있으며; 한편 추정 프로세서에 대한 입력들은 기계 판독만 가능하고 선택적으로 익명화된 요청(예컨대, 단일 사용 요청 번호)과 연관될 수 있으며, 그에 따라 백엔드 서버의 사용자가 특정 사용자의 입력들 또는 예상 상태를 결정할 수 없는 상태에서 데이터를 처리할 수 있다.

요약 실시예들

본 설명의 요약 실시예에서, 전달 에코시스템(1) 내의 전달 디바이스(10)의 사용자를 위한 사용자 피드백 시스템은 다음을 포함한다. 첫번째로, 본원의 다른 곳에서 설명되는 바와 같이, 사용자의 상태를 나타내는 하나 이상의 사용자 인자들을 획득하도록 구성된 획득 프로세서(1010). 둘째로, 본원의 다른 곳에서 설명되는 바와 같이, 사용자 상태를 나타내는 획득된 하나 이상의 사용자 인자들과 적어도 제1 피드백 액션 사이의 1단계 또는 2단계 대응관계 또는 상관관계를 식별하도록 구성된 추정 프로세서(1020) - 여기에서, 피드백 액션은, 본원의 다른 곳에서 설명되는 바와 같이, 하나 이상의 사용자 인자들에 의해 적어도 부분적으로 나타내는 바와 같이 사용자의 상태를 변경할 것으로 예상됨(예컨대, 사용자 인자들이 상태를 적어도 암시적으로 나타내는 경우, 이것이 사용자 인자들 사이의 상관관계가 도출될 수 있는 이유임) -.

이 요약 실시예의 예에서, 본원의 다른 곳에서 설명되는 바와 같이, 2단계 상관관계는 사용자 상태를 나타내는 획득된 하나 이상의 사용자 인자들과 적어도 사용자의 제1 상태 사이의 제1 대응관계 또는 상관관계; 및 본원의 다른 곳에서 설명되는 바와 같이, 사용자의 적어도 제1 상태와 적어도 제1 피드백 액션 사이의 제2 대응관계 또는 상관관계를 포함한다.

이 경우에, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 추정 프로세서는 하나 이상의 사용자 인자들과 하나 이상의 사용자 상태들 사이의 대응관계 또는 상관관계 데이터를 포함하는 모델을 사용하여, 획득된 하나 이상의 사용자 인자들에 기초하여 사용자의 적어도 제1 상태의 추정을 계산하도록 동작 가능하다.

이 경우에, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 모델은 하나 이상의 사용자 인자들과 하나 이상의 사용자 상태들을 관련시키는 하나 이상의 룩업 테이블(look up table)들 및 본원의 다른 곳에서 설명되는 바와 같이, 하나 이상의 사용자 인자들을 입력들로 사용하여 하나 이상의 사용자 상태들을 출력들로 생성하는 하나 이상의 휴리스틱(heuristic)들(예컨대, 알고리즘들)로 구성된 목록에서 선택된 하나 이상의 대응관계 데이터를 구체화한다.

이 경우에 마찬가지로, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 모델은 하나 이상의 사용자 상태들을 출력들로 생성하기 위해 하나 이상의 사용자 인자들을 입력들로 사용하여 하나 이상의 기계 학습 모델들에서 상관 데이터를 구체화한다.

여기에서, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 기계 학습 모델은 하나 이상의 개개의 사용자 인자들에 기초하여 하나 이상의 개별 값들, 둘 이상의 개개의 사용자 인자들에 기초하여 하나 이상의 조합된 값들; 및 단일 데이터 클래스로부터의 개개의 사용자 인자들에 기초하여 하나 이상의 값들로 구성된 목록에서 선택된 하나 이상을 포함하는 입력들에 기초하여 훈련된다.

여기에서 또한, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 기계 학습 모델은 사용자로부터 획득된 사용자 상태의 자체 보고 추정을 포함하는 입력들에 기초하여 훈련된다.

여기에서 또한, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 기계 학습 모델은 사용자로부터 획득된 사용자 상태의 자체 보고 추정, 사용자 인자들의 별도 분석에서 획득된 사용자 상태의 추정, 및 식별된 적어도 제1 피드백 액션의 효능의, 사용자로부터 획득된, 자체 보고된 추정에서 도출된 사용자 상태의 추정으로 구성된 목록에서 선택된 하나 이상을 포함하는 타겟 출력 사용자 상태들에 기초하여 훈련된다.

여기에서 또한, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 기계 학습 모델은 단일 대표 값, 대표 카테고리 및 다변량 표현으로 구성된 목록에서 선택된 하나 이상으로 형식화된 타겟 출력 사용자 상태들에 기초하여 훈련된다.

한편, 이 예에서, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 추정 프로세서는, 사용자의 제1 상태를 나타내는 사용자 인자들의 임계 수가 개개의 미리 정해진 기준을 충족하는지 여부에 기초하여 사용자의 적어도 제1 상태의 추정을 계산하도록 구성된다.

본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 개개의 미리 정해진 기준을 충족하는 사용자의 제1 상태를 나타내는 사용자 인자들의 수는 사용자가 제1 상태에 있을 가능성을 나타낸다.

이 경우에 마찬가지로, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 사용자의 제1 상태를 나타내는 사용자 인자들의 서브세트가 선택되고, 임계 수는 그 서브세트의 비율이다.

여기에서, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 사용자 인자들의 서브세트는 현재 가용성에 적어도 부분적으로 기반하여 선택된다.

한편, 이 예에서, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 추정 프로세서는 개개의 미리 정해진 기준을 충족하는 사용자의 제1 상태를 나타내는 사용자 인자들의 세트들 또는 서브세트들에 대응하는 가지(branch)들을 포함하는 하나 이상의 결정 트리들을 사용하여 사용자의 적어도 제1 상태의 추정을 계산하도록 구성되고, 상기 또는 각각의 결정 트리의 잎(leaf)들은, 사용자가 적어도 제1 상태에 있는지의 표시에 대응하는 상기 또는 각각의 결정 트리의 입들, 사용자가 적어도 제1 상태에 있는지의 표시에 대응한다.

이 경우에, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 사용자가 제1 상태에 있음을 나타내는 잎들의 경우, 결정 트리의 개개의 가지의 길이는 사용자가 제1 상태에 있을 가능성을 나타낸다.

한편, 이 경우에, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 추정 프로세서는 하나 이상의 사용자 상태들과 하나 이상의 피드백 액션들 사이의 대응관계 또는 상관관계 데이터를 포함하는 모델을 사용하여(예컨대, 피드백 액션들에 대응하는 출력들을 계산/생성하는) 사용자 상태의 계산된 추정에 기초하여 적어도 제1 피드백 액션을 식별하도록 동작 가능하다.

이 경우에, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 모델은 하나 이상의 사용자 상태들을 하나 이상의 피드백 액션들과 관련시키는 하나 이상의 룩업 테이블들, 및 하나 이상의 사용자 상태들을 입력들로 사용하여 하나 이상의 피드백 액션들을 출력들로 식별하는 하나 이상의 휴리스틱들로 구성된 목록에서 선택된 하나 이상의 대응관계 또는 상관관계 데이터를 구체화한다.

이 경우에 마찬가지로, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 추정 프로세서는, 개개의 미리 정해진 기준을 충족하는 사용자의 제1 상태를 나타내는 사용자 인자들의 임계 수를 포함하는 세트와 연관된 하나 이상의 피드백 액션들을 식별하도록 구성된다.

이 경우에 마찬가지로, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 추정 프로세서는, 개개의 미리 정해진 기준을 충족하는 사용자의 제1 상태를 나타내는 사용자 인자들의 세트들 또는 서브세트들에 대응하는 가지들을 포함하는 하나 이상의 결정 트리들의 잎 노드(leaf node)들과 연관된 하나 이상의 피드백 액션들을 식별하도록 구성된다.

이 경우에 마찬가지로, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 모델은 하나 이상의 피드백 액션들을 출력들로 인식하기 위해 하나 이상의 사용자 상태들을 입력들로 사용하여 하나 이상의 기계 학습 모델들에서 상관관계 데이터를 구체화한다.

여기에서, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 기계 학습 모델은 단일 대표 값, 대표 카테고리 및 다변량 표현으로 구성된 목록에서 선택된 하나 이상으로 형식화된 사용자 상태들을 포함하는 입력들에 기초하여 훈련된다.

여기에서 또한, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 기계 학습 모델은 사용자로부터 획득된 사용자 상태의 자체 보고 추정을 포함하는 입력들에 기초하여 훈련된다.

여기에서 또한, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 기계 학습 모델은 적어도 사용자 인자들의 서브세트를 포함하는 입력들에 기초하여 훈련된다.

이 경우에 마찬가지로, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 추정 프로세서는 사용자의 적어도 제1 행동에 영향을 미치는 행동 피드백 액션; 사용자에 의한 활성 성분의 소비에 영향을 미치는 약제학적 피드백 액션; 전달 에코시스템의 하나 이상의 비소비 동작들에 영향을 미치는 비소비 피드백 액션으로 구성된 목록에서 선택된 하나 이상과 관련된 하나 이상의 제안된 피드백 액션들을 식별하도록 동작 가능하다.

요약 실시예의 예에서, 본원의 다른 곳에서 설명되는 바와 같이, 단일 단계 대응관계 또는 상관관계는 사용자 상태를 나타내는 획득된 하나 이상의 사용자 인자들과 적어도 제1 피드백 액션 사이에 제1 대응관계 또는 상관관계를 포함한다.

이 경우에, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 추정 프로세서는 하나 이상의 피드백 액션들과 획득된 하나 이상의 사용자 인자들 사이의 대응관계 또는 상관관계 데이터를 포함하는 모델을 사용하여(예컨대, 피드백 액션들에 해당하는 출력들을 생성/계산함으로써), 획득된 하나 이상의 사용자 인자들에 기초하여 적어도 제1 피드백 액션을 식별하도록 동작 가능하다.

이 경우에, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 모델은 하나 이상의 사용자 인자들과 하나 이상의 피드백 액션들을 관련시키는 하나 이상의 룩업 테이블들, 및 하나 이상의 사용자 인자들을 입력들로 사용하여 하나 이상의 피드백 액션들을 출력들로 식별하는 하나 이상의 휴리스틱들로 구성된 목록에서 선택된 하나 이상의 대응관계 또는 상관관계 데이터를 구체화한다.

이 경우에 마찬가지로, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 모델은 하나 이상의 사용자 인자들을 입력들로 사용하여 하나 이상의 피드백 액션들을 출력들로 식별하는 하나 이상의 기계 학습 모델들에서 대응관계 또는 상관관계 데이터를 구체화한다.

여기에서, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 기계 학습 모델은 하나 이상의 개개의 사용자 인자들에 기초하여 하나 이상의 개별 값들, 둘 이상의 개개의 사용자 인자들에 기초하여 하나 이상의 조합된 값들; 및 단일 데이터 클래스로부터의 개개의 사용자 인자들에 기초하여 하나 이상의 값들로 구성된 목록에서 선택된 하나 이상을 포함하는 입력들에 기초하여 훈련된다.

여기에서 또한, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 기계 학습 모델은 사용자로부터 획득된 사용자 상태의 자체 보고 추정을 포함하는 입력들에 기초하여 훈련된다.

여기에서 또한, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 기계 학습 모델은 사용자의 적어도 제1 행동에 영향을 미치는 행동 피드백 액션; 사용자에 의한 활성 성분의 소비에 영향을 미치는 약제학적 피드백 액션; 및 전달 에코시스템의 하나 이상의 비소비 동작들에 영향을 미치는 비소비 피드백 액션으로 구성된 목록에서 선택된 하나 이상을 포함하는 타겟 출력 피드백 액션들에 기초하여 훈련된다.

한편, 이 예에서, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 추정 프로세서는 사용자의 제1 상태를 나타내는 사용자 인자들의 임계 수가 개개의 미리 정해진 기준을 충족하는지 여부에 응답하여 사용자의 제1 상태에 대한 하나 이상의 피드백 액션들을 식별하고 그리고 개개의 미리 정해진 기준을 충족하는 임계 수의 사용자 인자들을 포함하는 세트와 연관된 하나 이상의 피드백 액션들을 식별하도록 구성된다.

이 예에서 마찬가지로, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 추정 프로세서는, 개개의 미리 정해진 기준을 충족하는 사용자의 제1 상태를 나타내는 사용자 인자들의 세트들 또는 서브세트들에 대응하는 가지(branch)들을 포함하는 하나 이상의 결정 트리들을 사용하여, 사용자의 제1 상태를 위한 하나 이상의 피드백 액션들을 식별하도록 구성되고, 상기 또는 각각의 결정 트리의 잎(leaf)들은, 각각, 하나 이상의 피드백 액션들과 연관된다.

요약 실시예의 예에서, 본원의 다른 곳에서 설명되는 바와 같이, 하나 이상의 사용자 인자들 중 개개의 인자는 적어도 제1 사용자의 흡입 액션(inhalation action)과 연관된 적어도 제1 물리적 특징, 흡입 이외의 사용자 행동과 연관된 적어도 제1 물리적 특징, 흡입과 관련된 것 이외의 사용자 생리학과 연관된 적어도 제1 물리적 특징, 및 적어도 전달 디바이스의 조작 또는 동작과 별개인 사용자 상황의 제1 양태로 구성된 목록에서 선택된 것에 기초한다.

요약 실시예의 예에서, 본원의 다른 곳에서 설명되는 바와 같이, 하나 이상의 사용자 인자들은 각각, 사용자와 관련된 배경 정보를 제공하는 이력 데이터, 사용자와 관련된 신경학적 데이터, 사용자와 관련된 생리학적 데이터, 사용자와 관련된 콘텍스트 데이터, 및 사용자와 관련된 환경 데이터로 구성된 목록에서 선택된 적어도 하나의 클래스와 관련된다.

요약 실시예의 예에서, 본원의 다른 곳에서 설명되는 바와 같이, 사용자 피드백 시스템은 전달 에코시스템 내의 적어도 제1 디바이스에 대해 추정 프로세서에 의해 식별된 적어도 제1 피드백 액션을 선택하도록 구성된 피드백 프로세서(1030)를 포함한다.

이 경우에, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 피드백 프로세서는 상기 또는 각각 선택된 피드백 액션에 따라 전달 에코시스템 내의 적어도 제1 디바이스의 하나 이상의 동작들의 수정을 야기하도록 구성된다.

이 경우에, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 하나 이상의 동작들이 수정되는 전달 에코시스템 내의 디바이스는 전달 디바이스(10)이다.

요약 실시예의 예에서, 본원의 다른 곳에서 설명되는 바와 같이, 선택된 피드백 액션은 추정된 사용자 상태와 관련하여 사용자 피드백 시스템에 피드백을 제공하도록 사용자의 프롬프팅(prompting)을 야기하는 것을 포함한다.

요약 실시예의 예에서, 본원의 다른 곳에서 설명되는 바와 같이, 선택된 피드백 액션은 또한 선택된 피드백 액션과 관련하여 사용자 피드백 시스템에 피드백을 제공하도록 사용자의 프롬프팅을 야기하는 것을 포함한다.

요약 실시예의 예에서, 본원의 다른 곳에서 설명되는 바와 같이, 피드백 프로세서(1030)는 전달 에코시스템 내에서 피드백 액션들을 구현하기 위해 개개의 디바이스들의 현재 가용성에 응답하여 적어도 제1 식별된 피드백 액션을 선택하도록 구성된다.

요약 실시예의 예에서, 본원의 다른 곳에서 설명되는 바와 같이, 피드백 프로세서는 적어도 제1 식별된 피드백 액션의 구현을 자동으로 야기하도록 구성된다.

요약 실시예의 예에서, 본원의 다른 곳에서 설명되는 바와 같이, 피드백 프로세서는 적어도 제1 식별된 피드백 액션의 적어도 일부의 구현을 야기하고 그리고 동의(consent)가 결정되는 경우 적어도 제1 식별된 피드백 액션의 적어도 일부의 구현만을 야기하도록 사용자의 동의를 프롬프팅하도록 구성된다. 이러한 동의 자체는, 피드백 액션이 그 순간에 사용자에게 얼마나 환영받거나 적절한지를 나타내기 때문에, 기계 학습 시스템을 훈련하기 위한 입력으로 사용될 수 있다.

요약 실시예의 예에서, 본원의 다른 곳에서 설명되는 바와 같이, 전달 에코시스템은 하나 이상의 전달 디바이스들(10), 하나 이상의 모바일 단말기들(100), 하나 이상의 웨어러블 디바이스들(400) 및 상기 또는 각각의 전달 디바이스를 위한 하나 이상의 도킹 유닛들(200)로 구성된 목록에서 선택된 하나 이상을 포함한다.

요약 실시예의 예에서, 본원의 다른 곳에서 설명되는 바와 같이, 획득 프로세서, 추정 프로세서 및 피드백 프로세서 중 하나 이상의 기능은 원격 서버(1000)에 의해 적어도 부분적으로 제공된다.

요약 실시예의 예에서, 본원의 다른 곳에서 설명되는 바와 같이, 획득 프로세서, 추정 프로세서 및 피드백 프로세서 중 하나 이상의 기능은 전달 에코시스템(1)의 하나 이상의 디바이스들(10, 100, 200, 300, 400) 내에 위치된 하나 이상의 프로세서들에 의해 적어도 부분적으로 제공된다.

이제 도 7을 참조하면, 본 설명의 요약 실시예에서, 전달 에코시스템(1) 내의 전달 디바이스(10)의 사용자를 위한 사용자 피드백 방법은 다음 단계들을 포함한다.

본원의 다른 곳에서 설명되는 바와 같이, 제1 획득 단계(s710)는 사용자의 상태를 나타내는 하나 이상의 사용자 인자들을 획득하는 것을 포함한다.

본원의 다른 곳에서 설명되는 바와 같이, 제2 추정 단계(s720)는 사용자 상태를 나타내는 획득된 하나 이상의 사용자 인자들과 적어도 제1 피드백 액션 사이의 1단계 또는 2단계 대응관계 또는 상관관계를 식별하는 것을 포함하며, 여기에서, 피드백 액션은, 하나 이상의 사용자 인자들에 의해 적어도 부분적으로 나타내는 바와 같이 사용자의 상태를 변경할 것으로 예상된다(예컨대, 사용자 인자들이 상태를 적어도 암시적으로 나타내는 경우, 이것이 사용자 인자들 사이의 상관관계가 도출될 수 있는 이유임).

다음을 포함하는(그러나 이에 제한되지 않음), 본 명세서에서 설명되고 청구된 바와 같은 방법 및/또는 장치의 다양한 실시예들의 동작에 대응하는 위의 방법의 변형들이 본 개시내용의 범위 내에서 고려된다는 것은 당업자에게 명백할 것이다:

- 2단계 대응관계 또는 상관관계는 본원의 다른 곳에서 설명되는 바와 같이, 사용자 상태를 나타내는 획득된 하나 이상의 사용자 인자들과 적어도 사용자의 제1 상태 사이의 제1 대응관계 또는 상관관계; 및 본원의 다른 곳에서 또한 설명되는 바와 같이, 사용자의 적어도 제1 상태와 적어도 제1 피드백 액션 사이의 제2 대응관계 또는 상관관계를 포함하고;

○ 이 경우에, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 추정 프로세서는, 하나 이상의 사용자 인자들과 하나 이상의 사용자 상태들 사이의 대응관계 또는 상관관계 데이터를 포함하는 모델을 사용하여, 획득된 하나 이상의 사용자 인자들에 기초하여 사용자의 적어도 제1 상태의 추정을 계산하는 것을 포함하며;

■ 이 경우에, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 모델은, 하나 이상의 사용자 인자들과 하나 이상의 사용자 상태들을 관련시키는 하나 이상의 룩업 테이블들(look up tables); 및 본원의 다른 곳에서 설명되는 바와 같이, 하나 이상의 사용자 인자들을 입력들로 사용하여 하나 이상의 사용자 상태들을 출력들로 생성하는 하나 이상의 휴리스틱들(heuristics)(예컨대, 알고리즘들)로 구성된 목록에서 선택된 하나 이상의 대응관계 또는 상관관계 데이터를 구체화하고;

■ 이 경우에 마찬가지로, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 모델은 하나 이상의 사용자 상태들을 출력들로 생성하기 위해 하나 이상의 사용자 인자들을 입력들로 사용하여 하나 이상의 기계 학습 모델들에서 대응관계 또는 상관관계 데이터를 구체화하며;

● 여기에서, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 기계 학습 모델은 하나 이상의 개개의 사용자 인자들에 기초하여 하나 이상의 개별 값들; 둘 이상의 개개의 사용자 인자들에 기초하여 하나 이상의 조합된 값들; 및 단일 데이터 클래스로부터의 개개의 사용자 인자들에 기초하여 하나 이상의 값들로 구성된 목록에서 선택된 하나 이상을 포함하는 입력들에 기초하여 훈련되고;

● 여기에서 또한, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 기계 학습 모델은 사용자로부터 획득된 사용자 상태의 자체 보고 추정을 포함하는 입력들에 기초하여 훈련되며;

● 여기에서 또한, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 기계 학습 모델은 사용자로부터 획득된 사용자 상태의 자체 보고 추정, 사용자 인자들의 별도 분석에서 획득된 사용자 상태의 추정, 및 식별된 적어도 제1 피드백 액션의 효능의, 사용자로부터 획득된, 자체 보고된 추정에서 도출된 사용자 상태의 추정으로 구성된 목록에서 선택된 하나 이상을 포함하는 타겟 출력 사용자 상태들에 기초하여 훈련되고;

● 여기에서 또한, 본원의 다른 곳에서 설명되는 바와 같이,선택적으로, 기계 학습 모델은 단일 대표 값, 대표 카테고리 및 다변량 표현으로 구성된 목록에서 선택된 하나 이상으로 형식화된 타겟 출력 사용자 상태들에 기초하여 훈련되며;

○ 한편, 이 예에서, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 추정 단계는, 사용자의 제1 상태를 나타내는 사용자 인자들의 임계 수가 개개의 미리 정해진 기준을 충족하는지 여부에 기초하여 사용자의 적어도 제1 상태의 추정을 계산하는 단계를 포함하고;

○ 유사하게, 이 예에서, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 추정 단계는 개개의 미리 정해진 기준을 충족하는 사용자의 제1 상태를 나타내는 사용자 인자들의 세트들 또는 서브세트들에 대응하는 가지(branch)들을 포함하는 하나 이상의 결정 트리들을 사용하여 사용자의 적어도 제1 상태의 추정을 계산하는 단계 - 상기 또는 각각의 결정 트리의 잎(leaf)들은, 사용자가 적어도 제1 상태에 있는지의 표시에 대응하는 상기 또는 각각의 결정 트리의 입들, 사용자가 적어도 제1 상태에 있는지의 표시에 대응함 -를 포함하며;

○ 유사하게, 이 예에서, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 추정 단계는 하나 이상의 사용자 상태들과 하나 이상의 피드백 액션들 사이의 대응관계 또는 상관관계 데이터를 포함하는 모델을 사용하여, 사용자 상태의 계산된 추정에 기초하여 적어도 제1 피드백 액션의 추정을 계산하는 단계를 포함하고;

■ 이 경우에, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 추정 단계는, 개개의 미리 정해진 기준을 충족하는 사용자의 제1 상태를 나타내는 사용자 인자들의 임계 수를 포함하는 세트와 연관된 하나 이상의 피드백 액션들을 식별하는 단계를 포함하며;

■ 이 경우에 마찬가지로, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 추정 단계는, 개개의 미리 정해진 기준을 충족하는 사용자의 제1 상태를 나타내는 사용자 인자들의 세트들 또는 서브세트들에 대응하는 가지들을 포함하는 하나 이상의 결정 트리들의 잎 노드(leaf node)들과 연관된 하나 이상의 피드백 액션들을 식별하는 단계를 포함하고;

■ 이 경우에 마찬가지로, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 모델은 하나 이상의 사용자 상태들을 하나 이상의 피드백 액션들과 관련시키는 하나 이상의 룩업 테이블들, 및 하나 이상의 사용자 상태들을 입력들로 사용하여 하나 이상의 피드백 액션들을 출력들로 식별하는 하나 이상의 휴리스틱들로 구성된 목록에서 선택된 하나 이상의 대응관계 또는 상관관계 데이터를 구체화하며;

■ 이 경우에 마찬가지로, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 모델은 하나 이상의 사용자 상태들을 입력들로 사용하여 하나 이상의 피드백 액션들을 출력들로 식별하는 하나 이상의 기계 학습 모델들에서 대응관계 또는 상관관계 데이터를 구체화하고;

● 여기에서, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 기계 학습 모델은 단일 대표 값, 대표 카테고리 및 다변량 표현으로 구성된 목록에서 선택된 하나 이상으로 형식화된 사용자 상태들을 포함하는 입력들에 기초하여 훈련되며;

● 여기에서 또한, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 기계 학습 모델은 사용자로부터 획득된 사용자 상태의 자체 보고 추정을 포함하는 입력들에 기초하여 훈련되며;

● 여기에서 또한, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 기계 학습 모델은 적어도 사용자 인자들의 서브세트를 포함하는 입력들에 기초하여 훈련되고;

■ 이 경우에 마찬가지로, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 추정 단계는 사용자의 적어도 제1 행동에 영향을 미치는 행동 피드백 액션; 사용자에 의한 활성 성분의 소비에 영향을 미치는 약제학적 피드백 액션; 전달 에코시스템의 하나 이상의 비소비 동작들에 영향을 미치는 비소비 피드백 액션으로 구성된 목록에서 선택된 하나 이상과 관련된 하나 이상의 제안된 피드백 액션들을 식별하는 것을 포함하며;

- 요약 실시예의 예에서, 본원의 다른 곳에서 설명되는 바와 같이, 단일 단계 대응관계 또는 상관관계는 사용자 상태를 나타내는 획득된 하나 이상의 사용자 인자들과 적어도 제1 피드백 액션 사이에 제1 상관관계를 포함하고;

○ 이 예에서, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 추정 단계는, 개개의 미리 정해진 기준을 충족하는 사용자의 제1 상태를 나타내는 사용자 인자들의 임계 수의 사용자 인자들을 포함하는 세트와 연관된 하나 이상의 피드백 액션들을 식별하는 단계를 포함하며;

○ 이 예에서 마찬가지로, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 추정 단계는, 하나 이상의 결정 트리들의 잎(leaf)들과 연관된 하나 이상의 피드백 액션들을 식별하는 단계를 포함하고; 상기 또는 각각의 트리는 각각, 개개의 미리 정해진 기준을 충족하는 사용자의 제1 상태를 나타내는 사용자 인자들의 세트들 또는 서브세트들에 대응하고;

○ 이 예에서 마찬가지로, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 추정 단계는, 하나 이상의 피드백 액션들과 획득된 하나 이상의 사용자 인자들 사이의 대응관계 또는 상관관계 데이터를 포함하는 모델을 사용하여, 획득된 하나 이상의 사용자 인자들에 기초하여 적어도 제1 피드백 액션의 추정을 계산하는 단계를 포함하며;

■ 이 경우에, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 모델은 하나 이상의 사용자 인자들과 하나 이상의 피드백 액션들을 관련시키는 하나 이상의 룩업 테이블들(look up tables), 및 하나 이상의 사용자 인자들을 입력들로 사용하여 하나 이상의 피드백 액션들을 출력들로 식별하는 하나 이상의 휴리스틱들(heuristics)로 구성된 목록에서 선택된 하나 이상의 대응관계 또는 상관관계 데이터를 구체화하고;

■ 이 경우에 마찬가지로, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 모델은 하나 이상의 사용자 인자들을 입력들로 사용하여 하나 이상의 피드백 액션들을 출력들로 식별하는 하나 이상의 기계 학습 모델들에서 대응관계 또는 상관관계 데이터를 구체화하며;

● 여기에서, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 기계 학습 모델은 하나 이상의 개개의 사용자 인자들에 기초하여 하나 이상의 개별 값들; 둘 이상의 개개의 사용자 인자들에 기초하여 하나 이상의 조합된 값들; 및 단일 데이터 클래스로부터의 개개의 사용자 인자들에 기초하여 하나 이상의 값들로 구성된 목록에서 선택된 하나 이상을 포함하는 입력들에 기초하여 훈련되고;

● 여기에서 또한, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 기계 학습 모델은 사용자로부터 획득된 사용자 상태의 자체 보고 추정을 포함하는 입력들에 기초하여 훈련되며;

● 여기에서 또한, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로 기계 학습 모델은 사용자의 적어도 제1 행동에 영향을 미치는 행동 피드백 액션; 사용자에 의한 활성 성분의 소비에 영향을 미치는 약제학적 피드백 액션; 및 전달 에코시스템의 하나 이상의 비소비 동작들에 영향을 미치는 비소비 피드백 액션으로 구성된 목록에서 선택된 하나 이상을 포함하는 타겟 출력 피드백 액션들에 기초하여 훈련되고;

- 요약 실시예의 예에서, 본원의 다른 곳에서 설명되는 바와 같이, 하나 이상의 사용자 인자들 중 개개의 인자는 적어도 제1 사용자의 흡입 액션(inhalation action)과 연관된 적어도 제1 물리적 특징, 흡입 이외의 사용자 행동과 연관된 적어도 제1 물리적 특징, 흡입과 관련된 것 이외의 사용자 생리학과 연관된 적어도 제1 물리적 특징, 및 적어도 전달 디바이스의 조작 또는 동작과 별개인 사용자 상황의 제1 양태로 구성된 목록에서 선택된 것에 기초하며;

- 요약 실시예의 예에서, 본원의 다른 곳에서 설명되는 바와 같이, 하나 이상의 사용자 인자들은 각각, 사용자와 관련된 배경 정보를 제공하는 이력 데이터, 사용자와 관련된 신경학적 데이터, 사용자와 관련된 생리학적 데이터, 사용자와 관련된 콘텍스트 데이터, 및 사용자와 관련된 환경 데이터로 구성된 목록에서 선택된 적어도 하나의 클래스와 관련되고;

- 요약 실시예의 예에서, 본원의 다른 곳에서 설명되는 바와 같이, 사용자 피드백 방법은 피드백 단계를 포함하며, 피드백 단계는 전달 에코시스템 내의 적어도 제1 디바이스에 대해 추정 단계에 의해 식별된 적어도 제1 피드백 액션을 선택하는 것을 포함하며;

- 이 경우에, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 피드백 단계는 상기 또는 각각의 선택된 피드백 액션에 따라 전달 에코시스템 내의 적어도 제1 디바이스의 하나 이상의 동작들의 수정을 야기하는 것을 포함하고;

- 이 경우에, 본원의 다른 곳에서 설명되는 바와 같이, 선택적으로, 하나 이상의 동작들이 수정되는 전달 에코시스템 내의 디바이스는 전달 디바이스(10)이며;

- 요약 실시예의 예에서, 본원의 다른 곳에서 설명되는 바와 같이, 선택된 피드백 액션은 추정된 사용자 상태와 관련하여 사용자 피드백 시스템에 피드백을 제공하도록 사용자의 프롬프팅(prompting)을 야기하는 것을 포함하고;

- 요약 실시예의 예에서, 본원의 다른 곳에서 설명되는 바와 같이, 선택된 피드백 액션은 또한 선택된 피드백 액션과 관련하여 사용자 피드백 시스템에 피드백을 제공하도록 사용자의 프롬프팅을 야기하는 것을 포함하며;

- 요약 실시예의 예에서, 본원의 다른 곳에서 설명되는 바와 같이, 피드백 단계는 전달 에코시스템 내에서 피드백 액션들을 구현하기 위해 개개의 디바이스들의 현재 가용성에 응답하여 적어도 제1 식별된 피드백 액션을 선택하는 것을 포함하고;

- 요약 실시예의 예에서, 본원의 다른 곳에서 설명되는 바와 같이, 피드백 단계는 적어도 제1 식별된 피드백 액션을 자동으로 구현하는 것을 포함하며;

- 요약 실시예의 예에서, 본원의 다른 곳에서 설명되는 바와 같이, 피드백 단계는 적어도 제1 식별된 피드백 액션의 적어도 일부를 구현하고 그리고 동의(consent)가 결정되는 경우 적어도 제1 식별된 피드백 액션의 적어도 일부만을 구현하도록 사용자 동의를 프롬프팅하는 것을 포함한다. 이러한 동의 자체는, 피드백 액션이 그 순간에 사용자에게 얼마나 환영받거나 적절한지를 나타내기 때문에, 기계 학습 시스템을 훈련하기 위한 입력으로 사용될 수 있다는 것을 인식하며;

- 요약 실시예의 예에서, 본원의 다른 곳에서 설명되는 바와 같이, 전달 에코시스템은 하나 이상의 전달 디바이스들(10); 하나 이상의 모바일 단말기들(100); 하나 이상의 웨어러블 디바이스들(400), 및 상기 또는 각각의 전달 디바이스를 위한 하나 이상의 도킹 유닛들(200)로 구성된 목록에서 선택된 하나 이상을 포함하고;

- 요약 실시예의 예에서, 본원의 다른 곳에서 설명되는 바와 같이, 획득 단계, 추정 단계 및 피드백 단계 중 하나 이상의 기능은 원격 서버(1000)에 의해 적어도 부분적으로 제공되며; 그리고

- 요약 실시예의 예에서, 본원의 다른 곳에서 설명되는 바와 같이, 획득 단계, 추정 단계 및 피드백 단계 중 하나 이상의 기능은 전달 에코시스템(1)의 하나 이상의 디바이스들(10, 100, 200, 300, 400) 내에 위치된 하나 이상의 프로세서들에 의해 적어도 부분적으로 제공된다.

상기 방법들은 소프트웨어 명령 또는 전용 하드웨어의 포함 또는 대체에 의해 적용 가능한 것으로 적합하게 구성된 종래의 하드웨어에서 수행될 수 있음을 이해할 것이다. 이러한 하드웨어의 예들은 예를 들어, 서버(1000) 및 전달 에코시스템(1)의 디바이스들과 관련하여 본원에서 이전에 설명되었다.

따라서, 종래의 등가 디바이스의 기존 부품들에 대한 요구되는 적응은, 플로피 디스크, 광학 디스크, 하드 디스크, 솔리드 스테이트 디스크, PROM, RAM, 플래시 메모리 또는 이들 또는 기타 저장 매체의 임의의 조합과 같은, 비일시적 기계 판독 가능 매체에 저장된 프로세서 구현 가능(컴퓨터 실행 가능) 명령들을 포함하는 컴퓨터 프로그램 제품의 형태로 구현될 수 있고 또는 하드웨어에서 ASIC(Application Specific Integrated Circuit) 또는 FPGA(Field Programmable Gate Array)로서 또는 기존의 동등한 디바이스를 적응시키는데 사용하기에 적합한 다른 구성 가능한 회로의 형태로 실현될 수 있다. 별도로, 이러한 컴퓨터 프로그램은 이더넷, 무선 네트워크, 인터넷 또는 이들 또는 다른 네트워크들의 임의의 조합과 같은 네트워크에서 데이터 신호들을 통해 전송될 수 있다.

Claims (49)

1. 전달 에코시스템 내의 전달 디바이스의 사용자를 위한, 사용자 피드백 시스템으로서,
   사용자의 상태를 나타내는 하나 이상의 사용자 인자들을 획득하도록 구성된 획득 프로세서(obtaining processor); 및
   사용자 상태를 나타내는 획득된 하나 이상의 사용자 인자들과 적어도 제1 피드백 액션 사이의 1단계 또는 2단계 대응관계를 식별하도록 구성된 추정 프로세서(estimation processor)를 포함하고,
   상기 피드백 액션은 하나 이상의 사용자 인자들에 의해 적어도 부분적으로 나타내는 바와 같이 사용자의 상태를 변경할 것으로 예상되는,
   사용자 피드백 시스템.
2. 제1 항에 있어서,
   상기 2단계 대응관계는,
   사용자 상태를 나타내는 상기 획득된 하나 이상의 사용자 인자들과 상기 사용자의 적어도 제1 상태 사이의 제1 대응관계; 및
   상기 사용자의 적어도 제1 상태와, 적어도 제1 피드백 액션 사이의 제2 대응관계를 포함하는,
   사용자 피드백 시스템.
3. 제2 항에 있어서,
   상기 추정 프로세서는 하나 이상의 사용자 인자들과 하나 이상의 사용자 상태들 사이의 대응관계 데이터를 포함하는 모델을 사용하여, 상기 획득된 하나 이상의 사용자 인자들에 기초하여 상기 사용자의 적어도 제1 상태의 추정치를 계산하도록 작동 가능한,
   사용자 피드백 시스템.
4. 제3 항에 있어서,
   상기 모델은,
   i. 하나 이상의 사용자 인자들을 하나 이상의 사용자 상태들과 관련시키는 하나 이상의 룩업 테이블들; 및
   ii. 하나 이상의 사용자 상태들을 출력들로 생성하기 위해 하나 이상의 사용자 인자들을 입력들로 사용하는 하나 이상의 휴리스틱들(heuristics)로
   구성된 목록에서 선택된 하나 이상의 대응관계 데이터를 구체화하는,
   사용자 피드백 시스템.
5. 제2 항 내지 제4 항 중 어느 한 항에 있어서,
   상기 추정 프로세서는, 사용자의 제1 상태를 나타내는 사용자 인자들의 임계 수가 개개의 미리 정해진 기준을 충족하는지 여부에 기초하여 사용자의 적어도 제1 상태의 추정을 계산하도록 구성되는,
   사용자 피드백 시스템.
6. 제5 항에 있어서,
   개개의 미리 정해진 기준을 충족하는 사용자의 제1 상태를 나타내는 사용자 인자들의 수는 사용자가 제1 상태에 있을 가능성을 나타내는,
   사용자 피드백 시스템.
7. 제5 항 또는 제6 항에 있어서,
   사용자의 제1 상태를 나타내는 사용자 인자들의 서브세트가 선택되고, 상기 임계 수는 그 서브세트의 비율인,
   사용자 피드백 시스템.
8. 제7 항에 있어서,
   상기 사용자 인자들의 서브세트는 현재 가용성에 적어도 부분적으로 기초하여 선택되는,
   사용자 피드백 시스템.
9. 제2 항 내지 제8 항 중 어느 한 항에 있어서,
   상기 추정 프로세서는, 개개의 미리 정해진 기준을 충족하는 사용자의 제1 상태를 나타내는 사용자 인자들의 세트들 또는 서브세트들에 대응하는 가지(branch)들을 포함하는 하나 이상의 결정 트리(decision tree)들을 사용하여, 사용자의 적어도 제1 상태의 추정을 계산하도록 구성되고, 상기 또는 각각의 결정 트리의 잎(leaf)들은, 사용자가 적어도 제1 상태에 있는지의 표시에 대응하는,
   사용자 피드백 시스템.
10. 제9 항에 있어서,
    상기 사용자가 제1 상태에 있음을 나타내는 잎들의 경우, 상기 결정 트리의 개개의 가지의 길이는 상기 사용자가 제1 상태에 있을 가능성을 나타내는,
    사용자 피드백 시스템.
11. 제3 항 또는 제4 항에 있어서,
    상기 모델은 하나 이상의 사용자 상태들을 출력들로 생성하기 위해 하나 이상의 사용자 인자들을 입력들로 사용하여 하나 이상의 기계 학습 모델들에서 상관 데이터를 구체화하는,
    사용자 피드백 시스템.
12. 제11 항에 있어서,
    상기 기계 학습 모델은,
    i. 사용자로부터 획득한 사용자 상태의 자체 보고 추정;
    ii. 사용자 인자들의 별도 분석에서 획득된 사용자 상태의 추정;
    iii. 식별된 적어도 제1 피드백 액션의 측정된 효능으로부터 도출된 사용자 상태의 추정; 및
    iv. 식별된 적어도 제1 피드백 액션의 효능의, 사용자로부터 획득된, 자체 보고 추정으로부터 도출된 사용자 상태의 추정으로
    구성된 목록에서 선택된 하나 이상을 포함하는 타겟 출력 사용자 상태들에 기초하여 훈련되는,
    사용자 피드백 시스템.
13. 제2 항 내지 제12 항 중 어느 한 항에 있어서,
    상기 추정 프로세서는, 하나 이상의 사용자 상태들과 하나 이상의 피드백 액션들 사이의 대응관계 데이터를 포함하는 모델을 사용하여, 계산된 사용자 상태의 추정에 기초하여 적어도 제1 피드백 액션을 식별하도록 동작 가능한,
    사용자 피드백 시스템.
14. 제13 항에 있어서,
    상기 모델은,
    i. 하나 이상의 사용자 상태들을 하나 이상의 피드백 액션들과 관련시키는 하나 이상의 룩업 테이블들; 및
    ii. 하나 이상의 피드백 액션들을 출력들로 식별하기 위해 하나 이상의 사용자 상태들을 입력들로 사용하는 하나 이상의 휴리스틱들로
    구성된 목록에서 선택된 하나 이상의 대응관계 데이터를 구체화하는,
    사용자 피드백 시스템.
15. 제13 항 또는 제14 항에 있어서,
    상기 추정 프로세서는, 개개의 미리 정해진 기준을 충족하는 사용자의 제1 상태를 나타내는 사용자 인자들의 임계 수를 포함하는 세트와 연관된 하나 이상의 피드백 액션들을 식별하도록 구성되는,
    사용자 피드백 시스템.
16. 제13 항 내지 제15 항 중 어느 한 항에 있어서,
    상기 추정 프로세서는, 개개의 미리 정해진 기준을 충족하는 사용자의 제1 상태를 나타내는 사용자 인자들의 세트들 또는 서브세트들에 대응하는 가지들을 포함하는 하나 이상의 결정 트리들의 잎 노드(leaf node)들과 연관된 하나 이상의 피드백 액션들을 식별하도록 구성되는,
    사용자 피드백 시스템.
17. 제13 항 또는 제14 항에 있어서,
    상기 모델은 하나 이상의 피드백 액션들을 출력들로 식별하기 위해 하나 이상의 사용자 상태들을 입력들로 사용하여 하나 이상의 기계 학습 모델들에서 대응관계 데이터를 구체화하는,
    사용자 피드백 시스템.
18. 제13 항 내지 제17 항 중 어느 한 항에 있어서,
    상기 추정 프로세서는,
    i. 사용자의 적어도 제1 행동에 영향을 미치기 위한 행동 피드백 액션;
    ii. 사용자에 의한 활성 성분의 소비에 영향을 미치는 약제학적 피드백 액션; 및
    iii. 전달 에코시스템의 하나 이상의 비소비 동작들에 영향을 미치는 비소비 피드백 액션으로
    구성된 목록에서 선택된 하나 이상과 관련된 하나 이상의 제안된 피드백 액션들을 식별하도록 동작 가능한,
    사용자 피드백 시스템.
19. 제1 항에 있어서,
    상기 1단계 대응관계는, 사용자 상태를 나타내는 상기 획득된 하나 이상의 사용자 인자들과, 적어도 제1 피드백 액션 사이의 제1 대응관계를 포함하는,
    사용자 피드백 시스템.
20. 제19 항에 있어서,
    상기 추정 프로세서는 하나 이상의 피드백 액션들과 상기 획득된 하나 이상의 사용자 인자들 사이의 대응관계 데이터를 포함하는 모델(model)을 사용하여, 상기 획득된 하나 이상의 사용자 인자들에 기초하여 적어도 제1 피드백 액션을 식별하도록 작동 가능한,
    사용자 피드백 시스템.
21. 제20 항에 있어서,
    상기 모델은,
    i. 하나 이상의 사용자 인자들을 하나 이상의 피드백 액션들과 관련시키는 하나 이상의 룩업 테이블들; 및
    ii. 하나 이상의 피드백 액션들을 출력들로 식별하기 위해 하나 이상의 사용자 인자들을 입력들로 사용하는 하나 이상의 휴리스틱들로
    구성된 목록에서 선택된 하나 이상의 상관관계 데이터를 구체화하는,
    사용자 피드백 시스템.
22. 제19 항 내지 제21 항 중 어느 한 항에 있어서,
    상기 추정 프로세서는, 개개의 미리 정해진 기준을 충족하는 사용자의 제1 상태를 나타내는 사용자 인자들의 임계 수의 사용자 인자들을 포함하는 세트와 연관된 하나 이상의 피드백 액션들을 식별하도록 구성되는,
    사용자 피드백 시스템.
23. 제19 항 내지 제22 항 중 어느 한 항에 있어서,
    상기 추정 프로세서는, 하나 이상의 결정 트리들의 잎(leaf)들과 연관된 하나 이상의 피드백 액션들을 식별하도록 구성되고, 상기 또는 각각의 트리는 각각, 개개의 미리 정해진 기준을 충족하는 사용자의 제1 상태를 나타내는 사용자 인자들의 세트들 또는 서브세트들에 대응하는 가지들을 포함하는,
    사용자 피드백 시스템.
24. 제18 항 또는 제19 항에 있어서,
    상기 모델은 하나 이상의 피드백 액션들을 출력들로 식별하기 위해 하나 이상의 사용자 인자들을 입력들로 사용하여 하나의 또는 기계 학습 모델들에서 대응관계 데이터를 구체화하는,
    사용자 피드백 시스템.
25. 제1 항 내지 제24 항 중 어느 한 항에 있어서,
    상기 하나 이상의 사용자 인자들 중 개개의 인자는,
    i. 적어도 제1 사용자 흡입 액션과 연관된 적어도 제1 물리적 특징;
    ii. 흡입 이외의 사용자 행동과 연관 적어도 제1 물리적 특징;
    iii. 흡입과 관련된 것 이외의 사용자 생리학과 연관된 적어도 제1 물리적 특징; 및
    iv. 전달 디바이스의 취급 또는 동작과 별개인 사용자의 상황의 적어도 제1 양태로
    구성된 목록에서 선택된 하나에 기초하는,
    사용자 피드백 시스템.
26. 제1 항 내지 제25 항 중 어느 한 항에 있어서,
    상기 하나 이상의 사용자 인자들은 각각,
    i. 사용자와 관련된 배경 정보를 제공하는 이력 데이터;
    ii. 사용자와 관련된 신경학적 데이터;
    iii. 사용자와 관련된 생리학적 데이터;
    iv. 사용자와 관련된 콘텍스트 데이터; 및
    v. 사용자와 관련된 환경 데이터로
    구성된 목록에서 선택된 적어도 하나의 클래스와 관련되는,
    사용자 피드백 시스템.
27. 제1 항 내지 제26 항 중 어느 한 항에 있어서,
    전달 에코시스템 내의 적어도 제1 디바이스에 대해 추정 프로세서에 의해 식별된 적어도 제1 피드백 액션을 선택하도록 구성된 피드백 프로세서를 포함하는,
    사용자 피드백 시스템.
28. 제27 항에 있어서,
    상기 피드백 프로세서는, 상기 또는 각각의 선택된 피드백 액션에 따라 상기 전달 에코시스템 내의 적어도 제1 디바이스의 하나 이상의 동작들의 수정을 야기하도록 구성되는,
    사용자 피드백 시스템.
29. 제28 항에 있어서,
    하나 이상의 동작들이 수정되는 전달 에코시스템 내의 디바이스는, 전달 디바이스인,
    사용자 피드백 시스템.
30. 제1 항 내지 제29 항 중 어느 한 항에 있어서,
    상기 선택된 피드백 액션은 또한, 선택된 피드백 액션과 관련하여 상기 사용자 피드백 시스템에 피드백을 제공하도록 사용자의 프롬프팅을 야기하는 것을 포함하는,
    사용자 피드백 시스템.
31. 제1 항 내지 제30 항 중 어느 한 항에 있어서,
    상기 피드백 프로세서(1030)는 상기 전달 에코시스템 내에서 피드백 액션들을 구현하기 위해 개개의 디바이스들의 현재 가용성에 응답하여 적어도 제1 식별된 피드백 액션을 선택하도록 구성되는,
    사용자 피드백 시스템.
32. 제1 항 내지 제31 항 중 어느 한 항에 있어서,
    상기 피드백 프로세서는 상기 적어도 제1 식별된 피드백 액션의 자동 구현을 야기하도록 구성되는,
    사용자 피드백 시스템.
33. 제1 항 내지 제32 항 중 어느 한 항에 있어서,
    상기 피드백 프로세서는 상기 적어도 제1 식별된 피드백 액션의 적어도 일부의 구현을 야기하고 그리고 동의(consent)가 결정되는 경우 적어도 제1 식별된 피드백 액션의 적어도 일부의 구현만을 야기하도록 사용자의 동의를 프롬프팅하도록 구성되는,
    사용자 피드백 시스템.
34. 제1 항 내지 제33 항 중 어느 한 항에 있어서,
    상기 전달 에코시스템은,
    i. 하나 이상의 전달 디바이스들;
    ii. 하나 이상의 모바일 단말기들;
    iii. 하나 이상의 웨어러블 디바이스들; 및
    iv. 상기 또는 각각의 전달 디바이스를 위한 하나 이상의 도킹 유닛들로
    구성된 목록에서 선택된 하나 이상을 포함하는,
    사용자 피드백 시스템.
35. 제1 항 내지 제34 항 중 어느 한 항에 있어서,
    상기 획득 프로세서, 상기 추정 프로세서, 및 상기 피드백 프로세서 중 하나 이상의 기능은 원격 서버에 의해 적어도 부분적으로 제공되는,
    사용자 피드백 시스템.
36. 제1 항 내지 제35 항 중 어느 한 항에 있어서,
    상기 획득 프로세서, 상기 추정 프로세서, 및 상기 피드백 프로세서 중 하나 이상의 기능은 상기 전달 에코시스템의 하나 이상의 디바이스들 내에 위치된 하나 이상의 프로세서들에 의해 적어도 부분적으로 제공되는,
    사용자 피드백 시스템.
37. 전달 에코시스템 내의 전달 디바이스(10)의 사용자를 위한, 사용자 피드백 방법으로서,
    사용자의 상태를 나타내는 하나 이상의 사용자 인자들을 획득하는 획득 단계; 및
    사용자 상태를 나타내는 획득된 하나 이상의 사용자 인자들과 적어도 제1 피드백 액션 사이의 1단계 또는 2단계 대응관계를 식별하는 추정 단계를 포함하고,
    상기 피드백 액션은 하나 이상의 사용자 인자들에 의해 적어도 부분적으로 나타내는 바와 같이 사용자의 상태를 변경할 것으로 예상되는,
    사용자 피드백 방법.
38. 제37 항에 있어서,
    상기 2단계 대응관계는,
    사용자 상태를 나타내는 상기 획득된 하나 이상의 사용자 인자들과 상기 사용자의 적어도 제1 상태 사이의 제1 대응관계; 및
    상기 사용자의 적어도 제1 상태와, 적어도 제1 피드백 액션 사이의 제2 대응관계를 포함하는,
    사용자 피드백 방법.
39. 제38 항에 있어서,
    상기 추정 단계는, 하나 이상의 사용자 인자들과 하나 이상의 사용자 상태들 사이의 대응관계 데이터를 포함하는 모델을 사용하여, 획득된 하나 이상의 사용자 인자들에 기초하여 사용자의 적어도 제1 상태의 추정을 계산하는 단계를 포함하는,
    사용자 피드백 방법.
40. 제38 항 또는 제39 항에 있어서,
    상기 추정 단계는, 사용자의 제1 상태를 나타내는 사용자 인자들의 임계 수가 개개의 미리 정해진 기준을 충족하는지 여부에 기초하여 사용자의 적어도 제1 상태의 추정을 계산하는 단계를 포함하는,
    사용자 피드백 방법.
41. 제38 항 또는 제39 항에 있어서,
    상기 추정 단계는, 개개의 미리 정해진 기준을 충족하는 사용자의 제1 상태를 나타내는 사용자 인자들의 세트들 또는 서브세트들에 대응하는 가지들을 포함하는 하나 이상의 결정 트리들을 사용하여, 사용자의 적어도 제1 상태의 추정을 계산하는 단계를 포함하고, 상기 또는 각각의 결정 트리의 잎(leaf)들은, 사용자가 적어도 제1 상태에 있는지의 여부의 표시에 대응하는,
    사용자 피드백 방법.
42. 제37 항 내지 제41 항 중 어느 한 항에 있어서,
    상기 추정 단계는, 하나 이상의 사용자 상태들과 하나 이상의 피드백 액션들 사이의 대응관계 데이터를 포함하는 모델을 사용하여, 계산된 사용자 상태의 추정에 기초하여 적어도 제1 피드백 액션을 식별하는 단계를 포함하는,
    사용자 피드백 방법.
43. 제37 항에 있어서,
    상기 1단계 대응관계는, 사용자 상태를 나타내는 상기 획득된 하나 이상의 사용자 인자들과, 적어도 제1 피드백 액션 사이의 제1 대응관계를 포함하는,
    사용자 피드백 방법.
44. 제43 항에 있어서,
    상기 추정 단계는, 하나 이상의 피드백 액션들과 획득된 하나 이상의 사용자 인자들 사이의 대응관계 데이터를 포함하는 모델을 사용하여, 획득된 하나 이상의 사용자 인자들에 기초하여 적어도 제1 피드백 액션의 추정을 계산하는 단계를 포함하는,
    사용자 피드백 방법.
45. 제43 항 또는 제44 항에 있어서,
    상기 추정 단계는, 개개의 미리 정해진 기준을 충족하는 사용자의 제1 상태를 나타내는 사용자 인자들의 임계 수의 사용자 인자들을 포함하는 세트와 연관된 하나 이상의 피드백 액션들을 식별하는 단계를 포함하는,
    사용자 피드백 방법.
46. 제43 항 내지 제46 항 중 어느 한 항에 있어서,
    상기 추정 단계는, 하나 이상의 결정 트리들의 잎들과 연관된 하나 이상의 피드백 액션들을 식별하는 단계를 포함하고; 상기 또는 각각의 트리는 각각, 개개의 미리 정해진 기준을 충족하는 사용자의 제1 상태를 나타내는 사용자 인자들의 세트들 또는 서브세트들에 대응하는 가지들을 포함하는,
    사용자 피드백 방법.
47. 제43 항 내지 제46 항 중 어느 한 항에 있어서,
    상기 모델은 하나 이상의 피드백 액션들을 출력들로 식별하기 위해 하나 이상의 사용자 인자들을 입력들로 사용하여 하나의 또는 기계 학습 모델들에서 상관관계 데이터를 구체화하는,
    사용자 피드백 시스템.
48. 컴퓨터 프로그램으로서,
    컴퓨터 시스템이 제37 항 내지 제47 항 중 어느 한 항의 방법을 수행하도록 구성된 컴퓨터 실행 가능 명령들을 포함하는,
    컴퓨터 프로그램.
49. 컴퓨터 프로그램 제품으로서,
    비일시적 기계 판독 가능 매체에 저장된 제48 항의 컴퓨터 프로그램을 포함하는,
    컴퓨터 프로그램 제품.

Images