WO2021255289A1 - Verfahren zur bestimmung individueller pflegemittelformulierungen - Google Patents

Verfahren zur bestimmung individueller pflegemittelformulierungen Download PDF

Info

Publication number
WO2021255289A1
WO2021255289A1 PCT/EP2021/066721 EP2021066721W WO2021255289A1 WO 2021255289 A1 WO2021255289 A1 WO 2021255289A1 EP 2021066721 W EP2021066721 W EP 2021066721W WO 2021255289 A1 WO2021255289 A1 WO 2021255289A1
Authority
WO
WIPO (PCT)
Prior art keywords
user
care product
formulation
vector
basis
Prior art date
Application number
PCT/EP2021/066721
Other languages
English (en)
French (fr)
Inventor
Franziska LEONHARDT
Dominik MICHELS
Original Assignee
MetricsCosmetics GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by MetricsCosmetics GmbH filed Critical MetricsCosmetics GmbH
Priority to US18/011,452 priority Critical patent/US20230268046A1/en
Priority to EP21739267.9A priority patent/EP4168970A1/de
Priority to CN202180043561.8A priority patent/CN115885305A/zh
Priority to CA3183167A priority patent/CA3183167A1/en
Publication of WO2021255289A1 publication Critical patent/WO2021255289A1/de

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0621—Item configuration or customization
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61K—PREPARATIONS FOR MEDICAL, DENTAL OR TOILETRY PURPOSES
    • A61K8/00—Cosmetics or similar toiletry preparations
    • A61K8/18—Cosmetics or similar toiletry preparations characterised by the composition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61Q—SPECIFIC USE OF COSMETICS OR SIMILAR TOILETRY PREPARATIONS
    • A61Q19/00—Preparations for care of the skin
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0409—Adaptive resonance theory [ART] networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0623—Item investigation
    • G06Q30/0625—Directed, with specific intent or strategy
    • G06Q30/0627—Directed, with specific intent or strategy using item specifications
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
    • A61B5/441—Skin evaluation, e.g. for skin disorder diagnosis

Definitions

  • the invention relates to a method and a device for the automated determination of an individual care product formulation for a user.
  • Cosmetic care products are playing an increasingly important role in the aesthetic well-being of the population. While in the past consumers were essentially limited to the possibility of making a selection from existing care products in an effort to find a care product that was suitable for their own needs by means of trial-and-error. Consumers could always have individual care products put together by pharmaceutically trained people. However, the formulation was then based on the pharmacist's normally rather limited personal experience.
  • a generic method is also known from WO 2019/148116 A1, by means of which an individual care product formulation is generated for a user using a neural network, likewise on the basis of image material and survey results.
  • the invention is based on the object of providing a method for the automated determination of an individual care product formulation for a user, which method provides a care product formulation that is as suitable as possible.
  • a feature input routine for determining individual skin features of the user
  • the neural network is formed in a first formulation run for the user with a learning vector set from parameterized expert knowledge
  • the set of learning vectors is adapted during further formulation runs by recording changes in the individual skin characteristics after the use of a previously determined care product formulation
  • a feature change routine for entering changes in skin features of the user after using a care product in accordance with the care product formulation, for adapting the set of learning vectors.
  • the method according to the invention represents a hybrid approach which initially includes background knowledge from domain experts (ie from dermatologists) who specify an initial mapping. This is enhanced by a structured analysis of user feedback, which increases the accuracy.
  • This feedback loop is designed in such a way that the user can give continuous feedback in two ways, both explicitly by naming and weighting positive and negative results and implicitly, for example, through sensory input such as image material of skin areas, which can be automatically and comparatively analyzed.
  • the mapping of the user vector to the corresponding feature vector is handled as a machine learning problem: the mapping is defined by means of a multi-layer neural network, the edge weights of which are set in such a way that a maximum correspondence quantifying objective function is maximized.
  • this functional also penalizes correspondences of user and feature vectors which, according to the information obtained through the feedback loop, have turned out to be insufficiently compatible.
  • This is based on the knowledge that the user information is always subject to his individual, subjectively colored assessment, so that a combination of parameterized expert knowledge and customer feedback is always included in the final weighting.
  • the interaction of the technical expertise required to implement this model and the professional assessment and objectivity of the domain experts from dermatology is a particular advantage of the invention. Due to the hybrid setup of user feedback and domain expertise, the role of the latter changes in successive formulation runs. If at the beginning, i.e. during the initial formulation run, it is still the experts who specify the mapping, this shifts towards the user with each subsequent formulation run, i.e.
  • the formulation of the personalized care product begins. This is done automatically by executing an optimization process specified on the basis of an ingredient and constraint model, which preferably includes one or more of the following constraints: minimum dosage, maximum dosage, compatibility restrictions with other ingredients.
  • the active ingredient model systematically records potential ingredients with their quantitative degrees of effectiveness in relation to specific effects.
  • the effects recorded in this way correspond in their entirety to the features explained above, so that the optimal combination of active ingredients that corresponds to the respective user can be determined algorithmically by means of optimization.
  • the addition of other ingredients is necessary to ensure product stability or a desired consistency.
  • the amount of active ingredients to be covered in the model can be adjusted over time.
  • no potentially health-endangering or paraffin-containing substances are used, so that a manageable amount of substances to be initially recorded is initially included in the model according to their availability and costs for prioritization.
  • this model can grow organically by adding further ingredients, e.g. on the basis of market trends and customer requirements.
  • a constraint model is added in which precisely that set of all constraint conditions to be met for the care product is recorded that lead to valid formulations.
  • these preferably also include compatibility restrictions in pairs and the use of sufficient amounts of basic combinations.
  • the feature input routine provides questions to the user to enable the input of individual skin features of the user in order to record several of the following data of the user: skin type, degree of sensitivity, tendency to irritation, formation of small veins or veins, pigment spots, redness, Impurities, moisture loss, firmness, elasticity, tendency to flaky spots, wrinkles, pore structure.
  • the user vector is generated from as many of these skin features as possible. The input takes place via the answering of questions by the user as well as via image evaluation through photographic recordings of skin areas in preferred areas.
  • the feature input routine enables the input of further non-skin-related data of the user: gender, living environment, stress level, sleeping habits, diet, water consumption, smoking habits, travel habits, sporting activities, UV radiation exposure, which are input via questions and answers.
  • the feature input routine enables the user to enter target specifications for the care product, preferably a care product sensor system, a care product color and / or a care product fragrance.
  • Photographic recordings are preferably made under different lighting spectra (infrared, red, blue, UV) in order to better identify individual features.
  • the learning vector set includes feature vectors from other users, whereby the accuracy of the formulations is improved with an increasing number of users based on the empirical values of these users.
  • the loss function optimization method determines a global minimum by means of a gradient method or the Monte Carlo algorithm.
  • the preferred Monte Carlo algorithm has the following sequence step n ⁇ n + 1:
  • F 0.995, for example, is stable in the application according to the invention. The algorithm converges after several hundred thousand steps.
  • a step n ⁇ n + 1 looks like this:
  • the object is achieved by a method for the automated determination of an individual care product formulation P user for a user, consisting of a number of ingredients I j , in respective amounts ⁇ j ,
  • ingredients I j can be determined from a total of M (1 ⁇ j ⁇ M) of available ingredients I M ,
  • a target composition P z for the user which has a number of properties F i from a total number of properties N, each property F i being given a degree ⁇ i and a priority ⁇ i (1 i N);
  • the priority ⁇ i with [0,1] c R can be specified, in particular, by prior input by the user via an input device, possibly taking into account generically stored values.
  • the quality is weighted by choosing a corresponding coefficient gi.
  • the price is weighted in the same way using the coefficient g 2 .
  • the solution of the optimization problem corresponds to argmin ( ⁇ 1 , ⁇ 2 ... ⁇ M ) ⁇ F ( ⁇ 1 , ⁇ 2 ... ⁇ M ) ⁇ .
  • ⁇ max must be specified.
  • the maximum dosage ⁇ 1 max , ⁇ 2 max , ..., ⁇ m max then corresponds to the relative proportions of the corresponding ingredients in the interval [0.1] in relation to the total formulation.
  • the values ⁇ i max are subject to both chemical and regulatory restrictions.
  • C nc ⁇ (AQUAXYL TM, salicylic acid), (AQUAXYL TM, bio-placenta), (bio-placenta, salicylic acid), (salicylic acid, AQUAXYL TM), (bio-placenta, AQUAXYL TM), (salicylic acid, bio-placenta ) ⁇ .
  • the global minimum is determined using a gradient method or a Monte Carlo method.
  • the output of the product composition P user to a care product generation unit can take place indirectly by outputting a corresponding data record that can be used to control the care product generation unit or can take place directly by initiating the production of the care product directly on the basis of the product composition P user.
  • the neural network trained by means of the set of learning vectors generates a user-specific feature vector F user from the user vector, which defines the features or properties of the care product formulation.
  • F user the following feature vector (right column) is given as an example.
  • the features corresponding to the respective quantitative values of the components of the feature vector are listed in the left column in addition to the feature vector.
  • the individual components of the feature vector are always real numbers in the closed interval [0,1] where 0 is not to be equated with any value of the respective feature and 1 with the maximum value.
  • This reduced active ingredient model here includes, for example, only the ingredient Arctalis TM, the effect of which is quantified here analogously to the feature vector with regard to the respective features. Its components are "Aqua, Propanediol, Xanthan Gum, Glyceryl Caprylate, Pseudoalteromonas Ferment Extract”.
  • Arctalis TM should not be combined with salicylic acid, as covered below.
  • the Monte Carlo algorithm converges after around 15,000 iterations.
  • the algorithm determines a formulation based on a product for normal skin which contains 4 components Arctalis TM, B-Circadin®, Neurophroline TM and HySilk®.
  • Figure 1 a block diagram of a device for performing the method
  • FIG. 2 a block diagram of the method according to the invention.
  • FIG. 1 shows a block diagram of a device 10 for carrying out the method, comprising a feature input unit 12, which comprises an interaction unit 14 for interactive data input by a user.
  • the interaction unit 14 preferably comprises a screen for visually outputting questions to the user, which questions can be entered by the user by actuating keys or an interactive screen or acoustically.
  • the feature input unit 12 further includes a Photo input unit 16 for generating photographic recordings of areas of skin, for example the nose, forehead or chin area of the user or the back of the hand.
  • a data processing unit 18 evaluates the user data entered via the feature input unit 12 and generates a user vector which is stored in a storage unit 20.
  • the user vector can have a large number of components, which are determined by answering questions to the user.
  • the user vector can have a large number of components, which are determined by answering questions to the user.
  • the user is preferably prompted to take a so-called "selfie", i.e. a photographic face photograph, and this is preferably evaluated and weighted according to the following criteria (0-100%):
  • the user vector is then automatically generated on the basis of the data entered.
  • the data processing unit 18 comprises a multilayer neural network 22. At least one learning vector set is stored in the memory unit 20 for teaching the network 22.
  • the neural network 22 trained by means of the set of learning vectors generates a feature vector from the user vector which contains the features of the care product formulation.
  • a learning vector set contains correlations between properties of the available substances that can be part of the care product formulation, as well as interactions with other substances.
  • the learning vector set was generated on the basis of dermatological expert knowledge and preferably on the basis of the knowledge gained from other users.
  • the learning vector set is also updated in a feedback loop through empirical knowledge based on previous treatments by the user with previously determined care product formulations and the effects resulting therefrom.
  • the interaction unit 14 can output questions about improvements or deterioration of certain skin characteristics to the user after a treatment with a certain care product formulation, the answers flowing into the learning vector set.
  • the data processing unit 18 is connected to a data output unit 24 which outputs the care product formulations determined in this way.
  • the data output unit 24 may comprise a visual display device.
  • the data output unit 24 can be coupled to a care product generation unit 26 which mixes the care product on the basis of the formulation located in the data output unit 24.
  • the care product generation unit 26 contains a number of containers 28 for holding substances that are potentially or necessarily part of the care product to be produced, as well as a mixing device 30 which mixes the care product from the substances in the containers 28 based on the specific care product formulation and places it in a suitable container issues.
  • an interactive data entry step 100 the user enters data on his skin profile by answering questions.
  • an optical data input step 102 a number of photographs of one or more skin sections are made by means of a camera.
  • data is evaluated, in particular by means of data processing algorithms, in order to extract certain skin features from the photographic recordings.
  • a plausibility check is also carried out on the image information obtained in order to check whether the skin properties entered by the user match the optically recorded skin properties. In the event of deviations, additional questions can be asked of the user or additional photos can be made and evaluated, e.g. under different lighting angles or different lighting spectra.
  • a user vector 106 is determined which contains all user information that is more or less relevant for the formulation.
  • a multi-layer neural network generates a feature vector 112 on the basis of the user vector 106 and a set of learning vectors stored in a knowledge database 110, which contains the features of the care product formulation to be determined.
  • step 114 the care product formulation 118 is determined from the feature vector 112 by means of an optimization method on the basis of an ingredient constraint database 116 using a loss function optimization method.
  • step 120 the care product is generated from available substances from the care product formulation 118 and filled into a suitable container for the user.
  • step 122 which is largely similar to the interactive data input step 100, enter his experiences and observations, which are stored in a user database 124 and in a subsequent formulation run become part of the learning vector set for teaching the neural network 22 in step 108.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Public Health (AREA)
  • General Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • Veterinary Medicine (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Chemical & Material Sciences (AREA)
  • Software Systems (AREA)
  • Medicinal Chemistry (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Dermatology (AREA)
  • Birds (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Cosmetics (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zur automatisierten Bestimmung einer individuellen Pflegemittelformulierung für einen Benutzer, umfassend: - eine Merkmalseingaberoutine zur Ermittlung von individuellen Hautmerkmalen des Benutzers; - die Erstellung eines Benutzervektors auf der Grundlage dieser Daten; - mittels eines mehrschichtigen neuronalen Netzwerkes Erstellung eines Merkmalsvektors, der die Eigenschaften und Funktionalitäten der zu bestimmenden Pflegemittelformulierung enthält, auf der Grundlage des Benutzervektors, - wobei das neuronale Netzwerk in einem ersten Formulierungsdurchlauf für den Benutzer mit einem Lernvektorensatz aus parametrisiertem Expertenwissen gebildet ist, - wobei der Lernvektorensatz bei weiteren Formulierungsdurchläufen durch Erfassung von Veränderungen der individuellen Hautmerkmale nach Anwendung einer früher bestimmten Pflegemittelformulierung angepasst wird, - Erstellung der individuellen Pflegemittelformulierung auf der Grundlage des Merkmalsvektors sowie einer Inhaltsstoff-Zwangsbedingungsdatenbasis unter Verwendung eines Verlustfunktion-Optimierungsverfahrens, - eine Merkmalsänderungsroutine zur Eingabe von Veränderungen von Hautmerkmalen des Benutzers nach Anwendung eines Pflegemittels gemäß der Pflegemittelformulierung, zur Anpassung des Lernvektorensatzes. Das erfindungsgemäße Verfahren stellt einen hybriden Ansatz dar, der zunächst Hintergrundwissen von Domänenexperten (d.h. von Dermatologen), die ein initiales Mapping spezifizieren, inkludiert. Dieses wird durch eine strukturierte Analyse von Benutzerfeedback erweitert, wodurch die Genauigkeit erhöht wird.

Description

Verfahren zur Bestimmung individueller Pflegemittelformulierungen
Die Erfindung betrifft ein Verfahren sowie eine Vorrichtung zur automatisierten Bestimmung einer individuellen Pflegemittelformulierung für einen Benutzer.
Kosmetische Pflegemittel spielen eine immer größere Rolle für das ästhetische Wohlbefinden der Bevölkerung. Während Verbraucher in der Vergangenheit im Wesentlichen auf die Möglichkeit beschränkt waren, aus bestehenden Pflegemitteln eine Auswahl zu treffen in dem Bemühen, mittels „Trial-And-Error“ ein für die eigenen Bedürfnisse geeignetes Pflegemittel zu finden. Zwar konnten sich die Verbraucher stets auch durch pharmazeutisch ausgebildete Personen individuelle Pflegemittel zusammenstellen lassen. Allerdings beruhte die Formulierung dann auf dem normalerweise eher beschränkten persönlichen Erfahrungsschatz des Pharmazeuten.
Aus der US 2006/0229912 A1 ist ein automatisiertes Verfahren bekannt, bei dem auf der Grundlage von Bildmaterial eines Benutzers sowie Antworten auf Fragen zu den Hauteigenschaften ein Hautbehandlungsprogramm, wie Massage, ermittelt wird.
Aus der US 2017/0281526 A1 ist ferner ein gattungsgemäßes Verfahren bekannt, welches auf der Grundlage von Bildmaterial und Befragungsresultaten eine individuelle Pflegemittelformulierung für einen Benutzer generiert.
Aus der WO 2019/148116 A1 ist ferner ein gattungsgemäßes Verfahren bekannt, mittels dessen ebenfalls auf der Grundlage von Bildmaterial und Befragungsresultaten unter Verwendung eines neuronalen Netzwerkes eine individuelle Pflegemittelformulierung für einen Benutzer generiert wird.
Der Erfindung liegt die Aufgabe zugrunde, ein Verfahren zur automatisierten Bestimmung einer individuellen Pflegemittelformulierung für einen Benutzer bereitzustellen, welches eine möglichst geeignete Pflegemittelformulierung bereitstellt.
Diese Aufgabe wird durch das Verfahren gemäß Anspruch 1 und 4 gelöst.
Eine Ausbildung der Erfindung umfasst:
- eine Merkmalseingaberoutine zur Ermittlung von individuellen Hautmerkmalen des Benutzers;
- die Erstellung eines Benutzervektors auf der Grundlage dieser Daten; - mittels eines mehrschichtigen neuronalen Netzwerkes Erstellung eines Merkmalsvektors, der die Eigenschaften und Funktionalitäten der zu bestimmenden Pflegemittelformulierung enthält, auf der Grundlage des Benutzervektors,
- wobei das neuronale Netzwerk in einem ersten Formulierungsdurchlauf für den Benutzer mit einem Lernvektorensatz aus parametrisiertem Expertenwissen gebildet ist,
- wobei der Lernvektorensatz bei weiteren Formulierungsdurchläufen durch Erfassung von Veränderungen der individuellen Hautmerkmale nach Anwendung einer früher bestimmten Pflegemittelformulierung angepasst wird,
- Erstellung der individuellen Pflegemittelformulierung auf der Grundlage des Merkmalsvektors sowie einer Inhaltsstoff-Zwangsbedingungsdatenbasis unter Verwendung eines Verlustfunktion-Optimierungsverfahrens,
- eine Merkmalsänderungsroutine zur Eingabe von Veränderungen von Hautmerkmalen des Benutzers nach Anwendung eines Pflegemittels gemäß der Pflegemittelformulierung, zur Anpassung des Lernvektorensatzes.
Das erfindungsgemäße Verfahren stellt einen hybriden Ansatz dar, der zunächst Hintergrundwissen von Domänenexperten (d.h. von Dermatologen), die ein initiales Mapping spezifizieren, inkludiert. Dieses wird durch eine strukturierte Analyse von Benutzerfeedback erweitert, wodurch die Genauigkeit erhöht wird. Diese Feedback-Schleife ist derart gestaltet, dass der Benutzer vorzugsweise auf zwei Arten kontinuierlich Feedback geben kann, sowohl explizit durch Benennung und Gewichtung von positiven und negativen Resultaten als auch implizit etwa durch sensorischen Input wie Bildmaterial von Hautpartien, welches sich automatisiert vergleichend analysieren lässt. Auf Basis des gewonnenen Feedbacks wird das Mapping des Benutzervektors auf den dazu korrespondierenden Merkmalsvektor als maschinelles Lernproblem gehandhabt: das Mapping wird mittels eines mehrschichtigen neuronalen Netzwerks definiert, dessen Kantengewichte derart gesetzt sind, dass ein maximale Korrespondenz quantifizierendes Zielfunktional maximiert wird. Gemäß einer bevorzugten Ausbildung pönalisiert dieses Funktional darüber hinaus Entsprechungen von Benutzer- und Merkmalsvektoren, die sich gemäß der durch die Feedback-Schleife gewonnenen Angaben als nicht hinreichend kompatibel herausgestellt haben. Das beruht auf der Erkenntnis, dass die Nutzerangaben stets seiner individuellen subjektiv gefärbten Einschätzung unterliegen, sodass hier stets eine Kombination aus parametrisiertem Expertenwissen und Kundenfeedback in die finale Gewichtung eingeht. Das Zusammenspiel der zur Umsetzung dieses Modells notwendigen technischen Expertise und der fachlichen Einschätzung und Objektivität der Domänenexperten aus der Dermatologie ist hier ein besonderer Vorteil der Erfindung. Durch das hybride Setup aus Benutzer-Feedback und Domänenexpertise verändert sich die Rolle letzterer bei aufeinanderfolgenden Formulierungsdurchläufen. Sind es zu Beginn, also beim initialen Formulierungsdurchlauf noch die Experten, welche das Mapping spezifizieren, so verschiebt sich dies mit jedem darauffolgenden Formulierungsdurchlauf, also nach Anwendung einer in einem früheren Formulierungsdurchlauf gewonnenen Pflegemittelformulierung in Richtung des Benutzers und damit auch die Rolle der Experten von wissensbasierten Definitoren hin zu Kontrollinstanzen. Daher kann erfindungsgemäß initial auch mit relativ geringen Datenmengen seitens der Benutzer gearbeitet werden und der Datenpool und damit das Modell organisch mit der Anzahl der Benutzer wachsen. Dies ermöglicht es auch, in Bezug auf die Qualität der Daten wählerisch zu agieren und etwa potentiell inkonsistente Datensätze rigoros auszuschließen.
Die direkte Inkorporierung von strukturiertem Benutzerfeedback in die Quantifizierung der Ausprägungsgrade einzelner Produktmerkmale bewirken, dass Benutzer in den Formulierungsprozess unmittelbar mit einbezogen und die Entwicklung der Benutzerprioritäten bei gleichzeitigem Wissen über deren Profil verfolgt werden können.
Ist die Zuordnung des Merkmalsvektors zum jeweiligen Benutzer erfolgt, beginnt die Formulierung des personalisierten Pflegemittels. Dies erfolgt automatisiert durch Ausführung eines auf Basis eines Inhaltsstoff- und Constraint-Modell- spezifizierten Optimierungsverfahrens, das vorzugsweise eine oder mehrere der folgenden Zwangsbedingungen: Mindestdosierung, Höchstdosierung, Kompatibilitätsbeschränkungen zu anderen Inhaltsstoffen, umfasst.
Das Wirkstoffmodell erfasst dabei systematisch potentielle Inhaltsstoffe mit ihren quantitativen Wirkungsgraden in Bezug auf spezifische Effekte. Die dabei erfassten Effekte entsprechen in ihrer Gesamtheit den oben erläuterten Merkmalen, sodass mittels Optimierung algorithmisch diejenige optimale Kombination an Wirkstoffen bestimmt werden kann, die zu dem jeweiligen Benutzer korrespondiert. Die Hinzunahme weiterer Inhaltsstoffe ist notwendig, um Produktstabilität oder etwa eine gewünschte Konsistenz zu gewährleisten. Die Menge der im Modell abzudeckenden Wirkstoffe kann im Laufe der Zeit anpasst werden. Es werden vorzugsweise keine potentiell gesundheitsgefährdeten oder paraffinhaltigen Stoffe verwendet, sodass mit entsprechend ihrer Verfügbarkeit und ihren Kosten zur erfolgenden Priorisierung zunächst eine handhabbare Menge initial zu erfassender Stoffe in das Modell aufgenommen wird. Im weiteren zeitlichen Verlauf kann dieses Modell organisch durch Hinzunahme weiterer Inhaltsstoffe, etwa auch auf Basis von Markttrends und Kundenwünschen, wachsen. Dabei wurde erfindungsgemäß festgestellt, dass eine einfache Optimierung mit der Zielsetzung maximaler Überdeckung des eingegebenen Merkmalsvektors und der Merkmale der algorithmisch zu bestimmenden Formulierung nicht zu einer optimalen Formulierung führt, denn es gibt keine entsprechenden Einschränkungen der einzelnen Aktionen des Algorithmus die sicherstellen, dass diese finale Formulierung die notwendigen Kompatibilitäten- und Stabilitätskriterien gewährleistet.
Daher erfolgt erfindungsgemäß die Hinzunahme eines Constraint-Modells, in welchem genau diejenige Menge aller zu erfüllenden Zwangsbedingungen an das Pflegemittel erfasst ist, die zu validen Formulierungen führen. Diese beinhalten vorzugsweise neben Dosierungsbeschränkungen auch paarweise Kompatibilitätseinschränkungen sowie die Verwendung hinreichender Mengen von Basiskombinationen.
Die Wirkstoff- und Constraint-Modelle sind von Chemikern und Pharmazeuten in enger Zusammenarbeit mit Modellbildungs- und algorithmischen Experten entworfen worden.
Die algorithmische Lösung der Suche nach maximaler Korrespondenz des Merkmalsvektors und der Merkmale der algorithmisch zu bestimmenden Formulierung zwecks Konzeption des für den Benutzer optimalen Pflegemittels erfolgt durch ein Optimierungsverfahren (constrained optimization), wobei das genannte Problem typischerweise schlecht gestellt (ill- posed) ist und daher entsprechend zu regularisieren ist. Sowohl für die Konzeption von Wrkstoff- und Constraint-Modell als auch für die adäquate Regularisierung ist Domänenexpertise im Zusammenspiel mit Modellbildungs- und algorithmischen Experten notwendig.
Gemäß einer vorteilhaften Weiterbildung der Erfindung stellt die Merkmalseingaberoutine Fragen an den Benutzer zur Ermöglichung der Eingaben von individuellen Hautmerkmalen des Benutzers bereit, um mehrere der folgenden Daten des Benutzers zu erfassen: Hauttyp, Empfindlichkeitsgrad, Irritationsneigung, Bildung von Äderchen oder Venen, Pigmentflecken, Rötungen, Unreinheiten, Feuchtigkeitsverlust, Festigkeit, Elastizität, Neigung zu schuppigen Stellen, Falten, Porenbild. Aus möglichst vielen dieser Hautmerkmale wird erfindungsgemäß der Benutzervektor generiert. Die Eingabe erfolgt über die Beantwortung von Fragen durch den Benutzer sowie über Bildauswertung durch fotografische Aufnahmen von Hautpartien an bevorzugten Stellen. Gemäß einer vorteilhaften Weiterbildung ermöglicht die Merkmalseingaberoutine eine Eingabe weiterer nicht-hautbezogener Daten des Benutzers: Geschlecht, Lebensumfeld, Stresslevel, Schlafgewohnheit, Ernährung, Wasserkonsum, Rauchgewohnheiten, Reisegewohnheiten, sportliche Aktivitäten, UV-Strahlungsexposition, die über Fragen- Antworten eingegeben werden.
Gemäß einer vorteilhaften Weiterbildung ermöglicht die Merkmalseingaberoutine die Eingabe von Zielvorgaben des Benutzers für das Pflegemittel, vorzugsweise eine Pflegemittel-Sensorik, eine Pflegemittel-Farbe und/oder einen Pflegemittel-Duft.
Vorzugsweise werden die Antworten und die Bildauswertungen miteinander verglichen, um die Merkmale zu gewinnen. Fotografische Aufnahmen werden vorzugsweise unter verschiedenen Beleuchtungsspektren (Infrarot, rot, blau, UV) angefertigt, um einzelne Merkmale besser zu bestimmen.
Gemäß einer vorteilhaften Weiterbildung umfasst der Lernvektorensatz Merkmalsvektoren von anderen Benutzern, wodurch mit einer zunehmenden Anzahl an Benutzern die Genauigkeit der Formulierungen aufgrund der Erfahrungswerte dieser Benutzer verbessert wird.
Gemäß einer vorteilhaften Weiterbildung ermittelt das Verlustfunktion-Optimierungsverfahren (Loss-Funktion) ein globales Minimum mittels eines Gradientenverfahrens oder dem Monte- Carlo-Algorithmus.
Das Verlustfunktion-Optimierungsverfahren verwendet die Verlustfunktion (Loss-Funktion)
Figure imgf000007_0001
mit Zielmerkmalsvektor FVCustomer und Pflegemittel-Merkmalsvektor FVProduct sowie
Figure imgf000007_0003
und b = 0.01 .
Es wird die folgende Indikatorfunktion verwendet:
Figure imgf000007_0002
Der bevorzugte Monte-Carlo-Algorithmus hat folgenden Ablauf Schritt n → n+1:
• für einen zufälligen Wirkstoff j wird im IV Vektor Vorhandensein (=1) oder Nichtvorhandensein (=0) vertauscht,
• Loss-Wert L(n+ 1) wird berechnet,
• L(n+ 1) wird mit dem vorherigen Wert von L(n) verglichen,
• wenn L(n+ 1) ≤ L(n), dann wird der Schritt akzeptiert,
• wenn L(n+ 1) > L(n) wird der Schritt mit der üblichen Boltzmann-Wahrscheinlichkeit exp((L(n)- L(n+ 1))/T) akzeptiert oder verworfen.
• 7 ist dabei ein Normalisierungsparameter, den man mit jedem Schritt um einen Faktor T(n+1) = F · T(n) mit 0<F<1 verkleinert. Stabil ist bei der erfindungsgemäßen Anwendung beispielswese F = 0.995. Der Algorithmus konvergiert nach mehreren hunderttausend Schritten.
Beim Gradidentenverfahren sieht ein Schritt n → n+1 folgendermaßen aus:
• Für jedes j in IVj wird ausgehend vom aktuellen IV Vektor das Vorhandensein oder Nichtvorhandensein getauscht.
• L wird für jeden neuen Vektor IV berechnet
• Die Änderung mit dem niedrigsten L wird akzeptiert Der Algorithmus konvergiert nach mehreren tausend Schritten.
Gemäß einer Ausbildung der Erfindung wird die Aufgabe gelöst durch ein Verfahren zur automatisierten Bestimmung einer individuellen Pflegemittelformulierung PNutzer für einen Benutzer, bestehend aus einer Anzahl an Inhaltsstoffen Ij, in jeweiligen Mengen λj,
- wobei die Inhaltsstoffe Ij aus einer Gesamtheit M (1≤ j ≤ M) an verfügbaren Inhaltsstoffen IM bestimmbar sind,
- ausgehend von einer Zielzusammensetzung Pz für den Benutzer, die eine Anzahl Eigenschaften Fi aus einer Gesamtzahl an Eigenschaften N aufweist, wobei jede Eigenschaft Fi mit einem Grad αi und einer Priorität βi vorgegeben ist (1≤ i ≤ N);
- wobei der Grad αi mit [0,1] ⊂ R die vom Benutzer gewünschte Intensität dieser Eigenschaft angibt;
- wobei die Priorität βi mit [0,1] ⊂ R die Priorität für den Nutzer angibt;
- und eine nutzerspezifische Inhaltsstoff-Matrix INutzer bestimmt wird als I = (Δi,j) ∈ [-1,1]NxM , die angibt, wie der Grad αi der Eigenschaft Fi innerhalb einer Produktzusammensetzung sich durch Verwendung einer Menge λj =1 des Inhaltsstoffes Ij ändert;
- wobei für jeden Inhaltsstoff Ij ein spezifischer Preis pj pro Gewichts- oder Volumeneinheit vorgegeben ist und daraus ein nutzerspezifischer Preis pNutzer = (p1, P2,..pM) bestimmt wird; und die Produktzusammensetzung PNutzer bestimmt wird unter Verwendung eines Verlustfunktion-Optimierungsverfahrens argmin(λ1 , λ2 ... AM) {F(λ1 , λ2 ... λM)} mit
Figure imgf000009_0001
wobei γ1, γ2 ∈[0,1] Gewichtungen sind, welche die Qualität bzw. den Preis priorisieren; und PNutzer, Nutzer und pNutzer bestimmt werden unter Einhaltung der folgenden drei Zwangsbedingungen:
1: Quantität: Cquant= {λ1 + λ2 +...+ λm = λmax}
2: Maximaldosierung: Cmax = {λ1 ≤ λi max , λ2 λ2 ,... , λm ≤ λm max} ≤
3: Nichtkompatibilität: Cnc = {(k,l) ∈ {1,2, · · · ,m}2 | Ik und Il können nicht kombiniert werden}. und Ausgabe der bestimmten Produktzusammensetzung PNutzer an eine Pflegemittelerzeugungseinheit zur Erzeugung eines Pflegemittels mit dieser Produktzusammensetzung PNutzer.
Die Priorität βi mit [0,1] c R ist vorgebbar insbesondere durch vorherige Eingabe des Benutzers über ein Eingabemittel, gegebenenfalls unter Berücksichtigung generisch hinterlegter Werte.
Die Gewichtung der Qualität erfolgt durch die Wahl eines entsprechenden Koeffizienten gi. Die Gewichtung des Preises erfolgt analog durch den Koeffizienten g2. Typischerweise sind diese Koeffizienten γ1, γ2 ∈ [0,1] derart zu wählen, dass γ1 + γ2 = 1 gilt. Eine Gleichgewichtung von Qualität und Preis erfolgt dann durch die Koeffizientenwahl γ1 = γ2 = 0.5.
Die Lösung des Optimierungsproblems entspricht argmin(λ1 ,λ2... λM ) {F(λ1 ,λ2... λM )}. Bezüglich der Zwangsbedingung 1 ist λmax festzulegen. Hier bietet es sich an, mit relativen Werten zu arbeiten und entsprechend λmax = 1 zu setzen. Bezüglich der Zwangsbedingung 2 entspricht die Maximaldosierung λ1 max, λ2 max, ... , λm max dann den im Intervall [0,1] liegenden relativen Anteilen der entsprechenden Inhaltsstoffe im Verhältnis zur gesamten Formulierung. Die Werte λi max unterliegen dabei in der Praxis sowohl chemischen als auch regulatorischen Einschränkungen. Wird etwa potentiell Azelainsäure in einer Formulierung verwendet, so darf diese nicht überdosiert werden: darf etwa maximal 25% der gesamten Formulierung aus Azelainsäure bestehen, so ist der korrespondierende Wert λi max= 0.25 zu setzen.
Bezüglich der Zwangsbedingung 3 sind Nichtkompatibilitäten entsprechend vollständig zu erfassen. Beispielsweise darf AQUAXYL™ nicht mit Salicylsäure und nicht mit Bio-Placenta kombiniert werden. Ferner dürften auch Salicylsäure und Bio-Placenta nicht kombiniert werden. Die entsprechende Zwangsbedingung würde lauten:
Cnc = {(AQUAXYL™, Salicylsäure), (AQUAXYL™, Bio-Placenta), (Bio-Placenta, Salicylsäure), (Salicylsäure, AQUAXYL™), (Bio-Placenta, AQUAXYL™), (Salicylsäure, Bio- Placenta)}.
Dabei erfolgt die Ermittlung des globalen Minimums mittels eines Gradientenverfahrens oder einer Monte-Carlo-Methode.
Die Ausgabe der Produktzusammensetzung PNutzer an eine Pflegemittelerzeugungseinheit kann mittelbar erfolgen, indem ein entsprechender Datensatz ausgegeben wird, der zur Ansteuerung der Pflegemittelerzeugungseinheit verwendbar ist oder kann unmittelbar erfolgen, indem auf der Grundlage der Produktzusammensetzung PNutzer die Erzeugung des Pflegemittels direkt veranlasst wird.
Der Ablauf des Monte-Carlo-Algorithmus wird im Folgenden anhand eines konkreten Beispiels illustriert.
Zunächst erzeugt das mittels des Lernvektorensatzes trainierte neuronale Netzwerk aus dem Benutzervektor einen benutzerspezifischen Merkmalsvektor FNutzer, welcher die Merkmale bzw. Eigenschaften der Pflegemittelformulierung definiert. Als Resultat ist beispielhaft der folgende Merkmalsvektor (rechte Spalte) gegeben. Die zu den jeweiligen quantitativen Werten der Komponenten des Merkmalsvektors korrespondierenden Merkmale sind in der linken Spalte ergänzend zum Merkmalsvektor aufgeführt.
Figure imgf000010_0001
Figure imgf000011_0001
Die einzelnen Komponenten des Merkmalsvektors sind stets reelle Zahlen im geschlossenen Intervall [0,1] wobei 0 mit keinerlei Ausprägung des jeweiligen Merkmals gleichzusetzen ist und 1 mit maximaler Ausprägung.
Beispielhaft sei ferner das folgende Wirkstoffmodell zwecks Demonstration des algorithmischen Vorgehens gegeben.
Dieses reduzierte Wirkstoffmodell umfasst hier beispielhaft ausschließlich den Inhaltsstoff Arctalis™, dessen Wirkung hier analog zum Merkmalsvektor bezüglich der jeweiligen Merkmale quantifiziert ist. Dessen Bestandteile sind „Aqua, Propanediol, Xanthan Gum, Glyceryl Caprylate, Pseudoalteromonas Ferment Extract“.
Die Elemente dieser Quantifizierung sind stets reelle Zahlen im geschlossenen Intervall [-1,1] wobei 0 mit keinerlei Wirksamkeit des jeweiligen Merkmals gleichzusetzen ist und 1 mit maximaler Wirksamkeit. Anders als im Merkmalsvektor sind hier explizit auch negative Werte zugelassen, falls der Inhaltsstoff die jeweilige Wirkung negativ beeinflusst. Dies ist exemplarisch der Quantifizierung des Inhaltsstoffs Arctalis™ zu entnehmen.
Figure imgf000011_0002
Figure imgf000012_0001
Analog sind weitere Wirkstoffe (beispielsweise Handelsnamen „B-Circadin“, „Neurophroline“ oder „HySilk“) im Wirkstoffmodell zu erfassen sowie die als Basen der Pflegeprodukte verwendeten chemischen Komplexe.
Ferner ist im Rahmen des Constraint-Modells zu spezifizieren, welche Kombinationen von Inhaltsstoffen unzulässig sind. Beispielsweise sollte Arctalis™ nicht mit Salicylsäure kombiniert werden, wie im Folgenden erfasst ist.
Arctalis Inkompatibilität mit Salicylsäure
Im vorliegenden Beispiel konvergiert der Monte-Carlo-Algorithmus bereits nach rund 15.000 Iterationen. Als Resultat bestimmt der Algorithmus eine auf einer Produktbasis für normale Haut basierende Formulierung welche 4 Bestandteile Arctalis™, B-Circadin®, Neurophroline™ und HySilk® enthält.
Die Erfindung wird nachfolgend anhand eines bevorzugten Ausführungsbeispiels unter
Bezugnahme auf die Zeichnungen weiter erläutert. Dabei zeigt
Figur 1 : ein Blockschaltbild einer Vorrichtung zur Durchführung des Verfahrens,
Figur 2: ein Blockdiagramm des erfindungsgemäßen Verfahrens.
Figur 1 zeigt ein Blockschaltbild einer Vorrichtung 10 zur Durchführung des Verfahrens, umfassend eine Merkmalseingabeeinheit 12, die eine Interaktionseinheit 14 zur interaktiven Dateneingabe durch einen Benutzer umfasst. Vorzugsweise umfasst die Interaktionseinheit 14 einen Bildschirm zur optischen Ausgabe von Fragen an den Benutzer, die von diesem durch Betätigung von Tasten oder eines interaktiven Bildschirmes oder akustisch eingegeben werden können. Die Merkmalseingabeeinheit 12 umfasst ferner eine Fotoeingabeeinheit 16 zur Erzeugung von fotografischen Aufnahmen von Hautpartien, beispielsweise dem Nasen-, Stirn- oder Kinnbereich des Benutzers oder des Handrückens. Eine Datenverarbeitungseinheit 18 wertet die über die Merkmalseingabeeinheit 12 eingegebenen Benutzerdaten aus und erzeugt einen Benutzervektor, der in einer Speichereinheit 20 abgelegt wird.
Der Benutzervektor kann eine große Anzahl an Komponenten aufweisen, die durch die Beantwortung von Fragen an den Nutzer bestimmt werden. Insbesondere:
- Alter,
- Geschlecht,
- Generelles Hautgefühl mit Antwortalternativen „sehr trocken“, „trocken“, „fettig“, „Mischhaut“, „normal“,
- Empfindlichkeit der Haut mit Antwortalternativen „unempfindlich“, „empfindlich“, „überempfindlich“
- Eigenschätzung des Hauttyps mit Antwortalternativen Typen I bis VI, z.B. „Hauttyp III bräunt im Sommer leicht. Die Eigenschutzzeit beträgt ca. 30 min. Dieser Typ bekommt selten Sommersprossen, gelegentlich Sonnenbrand und hat mittelblonde bis braune Haare.“
- Anfühlen der Haut am Morgen vor der Reinigung oder Anwendung von Produkten mit Antwortalternativen „trocken und spannend“, „trocken in bestimmten Zonen“, „fettig“, „fettig nur in der T-Zone“, „normal“, „weiß nicht“.
- Haut-Irritationen nach dem Rasieren mit Antwortalternativen „niemals“, „manchmal“, „häufig“, „immer“.
- Hautallergien mit binären Antwortalternativen „ja“ und „nein“,
- Venensichtbarkeit mit binären Antwortalternativen „ja“ und „nein“,
- Hautzustand am Abend mit Antwortalternativen „generell trocken“, „teilweise trocken“, „fettig“, „normal“, „weiß nicht“,
- Schwangerschaft mit binären Antwortalternativen „ja“ und „nein“,
- Sonneneinstrahlung mit subjektiver Einschätzung durch Benutzer 0 bis 4.
Bei einer Bildeingaberoutine zur Eingabe von Abbildungsdaten mindestens eines Hautabschnitts des Benutzers wird der Benutzer vorzugsweise zur Aufnahme eines sog. „Selfies“, also einer fotographischen Gesichtsaufnahme, aufgefordert und diese wird vorzugsweise nach folgenden Kriterien ausgewertet und gewichtet (0-100%):
- Hauttyp,
- Empfindlichkeitsgrad,
- Irritationsneigung,
- Bildung von Äderchen oder Venen, - Pigmentflecken,
- Rötungen,
- Unreinheiten,
- Feuchtigkeitsverlust,
- Festigkeit,
- Elastizität,
- Neigung zu schuppigen Stellen,
- Falten,
- Porenbild,
- Augenringe,
- Tränensäcke,
- Reflexionseigenschaften der Haut.
Auf der Grundlage der eingegebenen Daten wird dann der Benutzervektor automatisiert erstellt.
Die Datenverarbeitungseinheit 18 umfasst ein mehrschichtiges neuronales Netzwerk 22. In der Speichereinheit 20 ist zum Anlernen des Netzwerkes 22 mindestens ein Lernvektorensatz abgelegt. Das mittels des Lernvektorensatzes trainierte neuronale Netzwerk 22 erzeugt aus dem Benutzervektor einen Merkmalsvektor, welches die Merkmale der Pflegemittelformulierung enthält.
Ein Lernvektorensatz enthält Korrelationen zwischen Eigenschaften der verfügbaren Substanzen, die Bestandteil der Pflegemittelformulierung sein können, sowie Wechselwirkungen mit anderen Substanzen. Der Lernvektorensatz wurde aufgrund dermatologischen Expertenwissens und vorzugsweise aufgrund der von anderen Benutzern gewonnenen Erkenntnisse erzeugt.
Der Lernvektorensatz wird ferner durch Erfahrungswissen aufgrund vorheriger Behandlungen des Benutzers mit früher bestimmten Pflegemittelformulierungen und den daraus resultierenden Auswirkungen in einer Feedback-Schleife aktualisiert. Dazu kann die Interaktionseinheit 14 Fragen nach Verbesserungen oder Verschlechterungen bestimmter Hautmerkmale an den Benutzer nach einer Behandlung mit einer bestimmten Pflegemittelformulierung ausgeben, wobei die Antworten in den Lernvektorensatz einfließen.
Die Datenverarbeitungseinheit 18 ist mit einer Datenausgabeeinheit 24 verbunden, welche die auf diese Weise bestimmte Pflegemittelformulierungen ausgibt. Die Datenausgabeeinheit 24 kann eine optische Anzeigeeinrichtung umfassen. Die Datenausgabeeinheit 24 kann mit einer Pflegemittelerzeugungseinheit 26 gekoppelt sein, die auf der Grundlage der in der Datenausgabeeinheit 24 befindlichen Formulierung das Pflegemittel mischt. Dazu enthält die Pflegemittelerzeugungseinheit 26 eine Anzahl Behälter 28 zur Aufnahme von Substanzen, die potentiell oder zwingend Bestandteil des zu erzeugenden Pflegemittels sind sowie eine Mischeinrichtung 30, die aus den in den Behältern 28 befindlichen Substanzen anhand der bestimmten Pflegemittelformulierung das Pflegemittel mischt und in einen geeigneten Behälter ausgibt.
In Figur 2 ist der Formulierungsprozess nochmals dargestellt. In einem interaktiven Dateneingabeschritt 100 gibt der Benutzer durch Beantwortung von Fragen Daten zu seinem Hautprofil ein. In einem optischen Dateneingabeschritt 102 werden mittels einer Kamera mehrere Fotoaufnahmen eines oder mehrerer Hautabschnitte gemacht. Bei diesem Schritt 104 erfolgt eine Datenauswertung, insbesondere mittels Datenverarbeitungsalgorithmen, um aus den fotografischen Aufnahmen bestimmte Hautmerkmale zu extrahieren. Im Schritt 104 wird ferner über die gewonnenen Bildinformationen eine Plausibilitätsprüfung vorgenommen um zu prüfen, ob die vom Benutzer eingegebenen mit den optisch erfassten Hauteigenschaften übereinstimmen. Bei Abweichungen können an den Benutzer Ergänzungsfragen gestellt werden oder es können weitere Fotoaufnahmen, z.B. unter anderen Beleuchtungswinkeln oder anderen Beleuchtungsspektren, angefertigt und ausgewertet werden. Im Ergebnis wird im Schritt 104 ein Benutzervektor 106 bestimmt, der alle für die Formulierung mehr oder weniger relevanten Benutzerinformationen enthält.
Im Schritt 108 erzeugt ein mehrschichtiges neuronales Netzwerk auf der Grundlage des Benutzervektors 106 sowie in einer Wissensdatenbank 110 abgelegtem Lernvektorensatz einen Merkmalsvektor 112, der die Merkmale der zu bestimmenden Pflegemittelformulierung enthält.
Im Schritt 114 wird aus dem Merkmalsvektor 112 mittels eines Optimierungsverfahrens aufgrund einer Inhaltsstoff-Zwangsbedingungsdatenbank 116 unter Verwendung eines Verlustfunktion-Optimierungsverfahrens die Pflegemittelformulierung 118 bestimmt.
Im Schritt 120 wird aus der Pflegemittelformulierung 118 das Pflegemittel aus verfügbaren Substanzen erzeugt und für den Benutzer in ein geeignetes Behältnis eingefüllt.
Anschließend wird der Benutzer das Pflegemittel über einen geeigneten Zeitraum von 1-3 Wochen auf die Haut auftragen. Dieser kann die Wirkungen beobachten und danach in einem Schritt 122, der dem interaktiven Dateneingabeschritt 100 weitgehend ähnelt, seine Erfahrungen und Beobachtungen eingeben, die in einer Benutzerdatenbank 124 gespeichert werden und in einem darauffolgenden Formulierungsdurchlauf Bestandteil des Lernvektorensatzes zum Anlernen des neuronalen Netzwerkes 22 im Schritt 108 werden.
Bezugszeichenliste
10 Vorrichtung
12 Merkmalseingabeeinheit
14 Interaktionseinheit
16 Fotoeingabeeinheit
18 Datenverarbeitungseinheit
20 Speichereinheit
22 neuronales Netzwerk
24 Datenausgabeeinheit
26 Pflegemittelerzeugungseinheit
28 Behälter
30 Mischeinrichtung
100 interaktiver Dateneingabeschritt
102 optischer Dateneingabeschritt
104 Schritt der Erzeugung eines Benutzervektors
106 Benutzervektor
108 Schritt der Erzeugung eines Merkmalsvektors 110 Wissensdatenbank
112 Merkmalsvektor
114 Schritt der Erzeugung einer Pflegemittelformulierung
116 Inhaltsstoff-Zwangsbedingungsdatenbank
118 Pflegemittelformulierung
120 Schritt der Erzeugung des Pflegemittels
122 Schritt der Eingabe von Erfahrungen
124 Benutzerdatenbank

Claims

Patentansprüche
1. Verfahren zur automatisierten Bestimmung einer individuellen Pflegemittelformulierung PNutzer für einen Benutzer, bestehend aus einer Anzahl an Inhaltsstoffen Ij, in jeweiligen Mengen λj,
- wobei die Inhaltsstoffe Ij aus einer Gesamtheit M (1≤ j ≤ M) an verfügbaren Inhaltsstoffen IM bestimmbar sind,
- ausgehend von einer Zielzusammensetzung Pz für den Benutzer, die eine Anzahl Eigenschaften Fi aus einer Gesamtzahl N an Eigenschaften aufweist, wobei jede Eigenschaft Fi mit einem Grad αi und einer Priorität βi vorgegeben ist (1≤ i ≤ N);
- wobei der Grad a, mit [0,1] ⊂ R die vom Benutzer gewünschte Intensität dieser Eigenschaft angibt;
- wobei die Priorität βi mit [0,1] ⊂ R die Priorität für den Nutzer angibt;
- und eine nutzerspezifische Inhaltsstoff-Matrix Nutzer bestimmt wird als I = (Aj) ∈ [- 1 1]NxM die angibt wie der Grad αi der Eigenschaft Fi innerhalb einer Produktzusammensetzung sich durch Verwendung einer Menge λj =1 des Inhaltsstoffes Ij ändert;
- wobei für jeden Inhaltsstoff Ij ein spezifischer Preis pj pro Gewichts- oder Volumeneinheit vorgegeben ist und daraus ein nutzerspezifischer Preis pNutzer = (p1, P2,...,PM) bestimmt wird; und die Produktzusammensetzung PNutzer bestimmt wird unter Verwendung eines Verlustfunktion-Optimierungsverfahrens argmin (λ1 ,λ2... λM ) {F( λ1 ,λ2... λM)} mit
Figure imgf000018_0001
wobei γ 1, γ2 ∈ [0,1] Gewichtungen sind, welche die Qualität bzw. den Preis priorisieren; und PNutzer, INutzer und pNutzer bestimmt werden unter Einhaltung der folgenden drei Zwangsbedingungen:
1: Quantität: Cquant= {λ1 + λ2 +...+ λm = λmax}
2: Maximaldosierung: Cmax = {λ1 ≤ λ1 max, λ2 ≤ λ2 max, ... , λm ≤λm max}
3: Nichtkompatibilität: Cnc = {(k,l) ∈ {1 ,2, · · · ,m}2 | Ik und Il können nicht kombiniert werden }; und
Ausgabe der bestimmten Produktzusammensetzung PNutzer an eine Pflegemittelerzeugungseinheit zur Erzeugung eines Pflegemittels mit dieser Produktzusammensetzung PNutzer.
2. Verfahren nach Anspruch 1, wobei das Verlustfunktion-Optimierungsverfahren ein globales Minimum mittels der Monte-Carlo-Methode ermittelt.
3. Verfahren nach Anspruch 1 oder 2, umfassend eine Merkmalseingaberoutine für den Benutzer zur Ermittlung von individuellen Hautmerkmalen des Benutzers.
4. Verfahren zur automatisierten Bestimmung einer individuellen Pflegemittelformulierung für einen Benutzer, umfassend:
- eine Merkmalseingaberoutine zur Ermittlung von individuellen Hautmerkmalen des Benutzers;
- die Erstellung eines Benutzervektors auf der Grundlage dieser Daten;
- mittels eines mehrschichtigen neuronalen Netzwerkes Erstellung eines Merkmalsvektors, der die Eigenschaften und Funktionalitäten der zu bestimmenden Pflegemittelformulierung enthält, auf der Grundlage des Benutzervektors,
- wobei das neuronale Netzwerk in einem ersten Formulierungsdurchlauf für den Benutzer mit einem Lernvektorensatz aus parametrisiertem Expertenwissen gebildet ist,
- wobei der Lernvektorensatz bei weiteren Formulierungsdurchläufen durch Erfassung von Veränderungen der individuellen Hautmerkmale nach Anwendung einer früher bestimmten Pflegemittelformulierung angepasst wird,
- Erstellung der individuellen Pflegemittelformulierung auf der Grundlage des Merkmalsvektors sowie einer Inhaltsstoff-Zwangsbedingungsdatenbasis unter Verwendung eines Verlustfunktion-Optimierungsverfahrens,
- eine Merkmalsänderungsroutine zur Eingabe von Veränderungen von Hautmerkmalen des Benutzers nach Anwendung eines Pflegemittels gemäß der Pflegemittelformulierung, zur Anpassung des Lernvektorensatzes.
5. Verfahren nach Anspruch 3 oder 4, wobei die Merkmalseingaberoutine Fragen an den Benutzer zur Ermöglichung der Eingaben von individuellen Hautmerkmalen des Benutzers bereitstellt, um mehrere der folgenden Daten des Benutzers zu erfassen: Hauttyp, Empfindlichkeitsgrad, Irritationsneigung, Bildung von Äderchen oder Venen, Pigmentflecken, Rötungen, Unreinheiten, Feuchtigkeitsverlust, Festigkeit, Elastizität, Neigung zu schuppigen Stellen, Falten, Porenbild.
6. Verfahren nach Anspruch 1 oder 4, umfassend eine Bildeingaberoutine zur Eingabe von Abbildungsdaten mindestens eines Hautabschnitts des Benutzers.
7. Verfahren nach Anspruch 6, umfassend einen Bildanalyseschritt zur Bestimmung eines oder mehrerer der folgenden Daten des Benutzers auf der Grundlage der eingegebenen Abbildungsdaten: Hauttyp, Empfindlichkeitsgrad, Irritationsneigung, Bildung von Äderchen oder Venen, Pigmentflecken, Rötungen, Unreinheiten, Feuchtigkeitsverlust, Festigkeit, Elastizität, Neigung zu schuppigen Stellen, Falten, Porenbild.
8. Verfahren nach einem der Ansprüche 4 bis 7, wobei die Merkmalseingaberoutine eine Eingabe weiterer nicht-hautbezogener Daten, vorzugsweise mindestens eine der folgenden Daten des Benutzers umfasst: Geschlecht, Lebensumfeld, Stresslevel, Schlafgewohnheit, Ernährung, Wasserkonsum, Rauchgewohnheiten, Reisegewohnheiten, sportliche Aktivitäten, UV-Strahlungsexposition.
9. Verfahren nach einem der Ansprüche 4 bis 8, wobei die Merkmalseingaberoutine eine Eingabe von Pflegemittel-Zielvorgaben des Benutzers, vorzugsweise eine oder mehrere der folgenden Zielvorgaben umfasst: Pflegemittel-Sensorik, Pflegemittel-Farbe, Pflegemittel- Duft.
10. Verfahren nach einem der Ansprüche 4 bis 9, wobei der Lernvektorensatz Merkmalsvektoren von anderen Benutzern umfasst.
11. Verfahren nach einem der Ansprüche 4 bis 10, wobei die Inhaltsstoff- Zwangsbedingungsdatenbasis zu den Inhaltsstoffen oder Kombinationen davon Zwangsbedingungen umfasst, vorzugsweise eine oder mehrere der folgenden Bedingungen: Mindestdosierung, Höchstdosierung, Kompatibilitätsbeschränkungen zu anderen Inhaltsstoffen.
12. Verfahren nach Anspruch 4, wobei das Verlustfunktion-Optimierungsverfahren ein globales Minimum mittels eines Gradientenverfahrens oder einer Monte-Carlo-Methode ermittelt.
13. Vorrichtung zur Ausführung des Verfahrens nach Anspruch 4, umfassend
- eine Merkmalseingabeeinheit zur interaktiven Dateneingabe durch Eingabe von Antworten auf ausgegebene Fragen sowie zur Anfertigung von fotografischen Aufnahmen,
- eine Speichereinheit zur Speicherung der eingegebenen Daten sowie von mindestens einem Lernvektorensatz,
- eine Datenverarbeitungseinheit, die auf der Grundlage der eingegebenen Daten des Benutzers einen Benutzervektor ermittelt, die ferner auf der Grundlage des Benutzervektors sowie Eigenschaften und Funktionalitäten von Pflegemittelbestandteilen einen Merkmalsvektor bestimmt, - ein mehrschichtiges neuronales Netzwerk, das auf der Grundlage des Merkmalsvektors sowie eines Lernvektorensatzes sowie einer Inhaltsstoff-Zwangsbedingungsdatenbasis unter Verwendung eines Verlustfunktion-Optimierungsverfahrens eine individuelle Pflegemittelformulierung erzeugt,
- eine Ausgabeeinheit (24) zur Ausgabe der Pflegemittelformulierung.
14. Vorrichtung zur Ausführung des Verfahrens nach Anspruch 1, umfassend
- eine Datenverarbeitungseinheit (18), die auf der Grundlage einer vorgegebenen Zielzusammensetzung PD für einen Benutzer, die eine Anzahl Eigenschaften Fi aus einer Gesamtzahl N an Eigenschaften aufweist unter Verwendung des Verlustfunktion- Optimierungsverfahrens eine individuelle Produktzusammensetzung PNutzer erzeugt,
- eine Ausgabeeinheit (24) zur Ausgabe der Pflegemittelformulierung.
15. Vorrichtung nach Anspruch 13 oder 14, dadurch gekennzeichnet, dass diese eine Pflegemittelerzeugungseinheit umfasst, die Behältnisse mit möglichen Pflegemittelbestandteilen sowie eine Mischeinheit enthält, und auf der Grundlage der Pflegemittelformulierung ein Pflegemittel aus Pflegemittelbestandteilen erzeugt.
PCT/EP2021/066721 2020-06-19 2021-06-18 Verfahren zur bestimmung individueller pflegemittelformulierungen WO2021255289A1 (de)

Priority Applications (4)

Application Number Priority Date Filing Date Title
US18/011,452 US20230268046A1 (en) 2020-06-19 2021-06-18 Method for Determining Individual Care-Product Formulations
EP21739267.9A EP4168970A1 (de) 2020-06-19 2021-06-18 Verfahren zur bestimmung individueller pflegemittelformulierungen
CN202180043561.8A CN115885305A (zh) 2020-06-19 2021-06-18 用于确定个人护理产品配方的方法
CA3183167A CA3183167A1 (en) 2020-06-19 2021-06-18 Method for determining individual care product formulations

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102020116304.5A DE102020116304A1 (de) 2020-06-19 2020-06-19 Verfahren zur Bestimmung individueller Pflegemittelformulierungen
DE102020116304.5 2020-06-19

Publications (1)

Publication Number Publication Date
WO2021255289A1 true WO2021255289A1 (de) 2021-12-23

Family

ID=76829499

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2021/066721 WO2021255289A1 (de) 2020-06-19 2021-06-18 Verfahren zur bestimmung individueller pflegemittelformulierungen

Country Status (6)

Country Link
US (1) US20230268046A1 (de)
EP (1) EP4168970A1 (de)
CN (1) CN115885305A (de)
CA (1) CA3183167A1 (de)
DE (1) DE102020116304A1 (de)
WO (1) WO2021255289A1 (de)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040202685A1 (en) * 1981-12-10 2004-10-14 Manzo Robert P. Process for measuring the skin surface of an examined person
US20060229912A1 (en) 2005-04-07 2006-10-12 Pola Chemical Industries Inc. Beauty information providing system
US20170281526A1 (en) 2016-03-31 2017-10-05 L'oreal Method for providing a customized skin care product to a customer
US20180240175A1 (en) * 2017-02-23 2018-08-23 DrSignal BioTechnology co., Ltd System for customizing an ingredient composition
WO2019148116A1 (en) 2018-01-29 2019-08-01 Atolla Skin Health, Inc. Systems and methods for formulating personalized skincare products
US20200170564A1 (en) * 2018-12-04 2020-06-04 Ruowei JIANG Automatic image-based skin diagnostics using deep learning
KR102167185B1 (ko) * 2020-03-18 2020-10-19 이승락 피부 테스트 방법 및 이를 이용한 화장료 조성물 제조방법

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040202685A1 (en) * 1981-12-10 2004-10-14 Manzo Robert P. Process for measuring the skin surface of an examined person
US20060229912A1 (en) 2005-04-07 2006-10-12 Pola Chemical Industries Inc. Beauty information providing system
US20170281526A1 (en) 2016-03-31 2017-10-05 L'oreal Method for providing a customized skin care product to a customer
US20180240175A1 (en) * 2017-02-23 2018-08-23 DrSignal BioTechnology co., Ltd System for customizing an ingredient composition
WO2019148116A1 (en) 2018-01-29 2019-08-01 Atolla Skin Health, Inc. Systems and methods for formulating personalized skincare products
US20200170564A1 (en) * 2018-12-04 2020-06-04 Ruowei JIANG Automatic image-based skin diagnostics using deep learning
KR102167185B1 (ko) * 2020-03-18 2020-10-19 이승락 피부 테스트 방법 및 이를 이용한 화장료 조성물 제조방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
EITNER JANIS ET AL: "Personalisierte Hautcreme aus der Beauty-Minifabrik", FORSCHUNG KOMPAKT, 1 April 2019 (2019-04-01), pages 1 - 4, XP055861338, Retrieved from the Internet <URL:https://www.fraunhofer.de/content/dam/zv/de/presse-medien/2019/April/ForschungKompakt/ipa-personalisierte-hautcremeus-der-beauty-minifabrik.pdf> [retrieved on 20211115] *

Also Published As

Publication number Publication date
EP4168970A1 (de) 2023-04-26
US20230268046A1 (en) 2023-08-24
CA3183167A1 (en) 2021-12-23
DE102020116304A1 (de) 2021-12-23
CN115885305A (zh) 2023-03-31

Similar Documents

Publication Publication Date Title
DE112018004946T5 (de) Kognitive datenanonymisierung
WO2017153354A1 (de) Verfahren und vorrichtung zum bewerten von blickabbildungen
DE212020000467U1 (de) Vorrichtung, um ein Video mit einer computermodifizierten Abbildung eines erwünschten Gesichts einer Person bereitzustellen
DE10227542A1 (de) Verfahren und System zum Erfassen und Analysieren von Krankheitsbildern und deren Ursachen sowie zum Ermitteln passender Therapievorschläge
Poliseli et al. Philosophy of science in practice in ecological model building
EP4168970A1 (de) Verfahren zur bestimmung individueller pflegemittelformulierungen
WO2019219355A1 (de) Ermitteln von äusseren schäden von haaren
WO2020178009A1 (de) Training neuronaler netzwerke für effizientes implementieren auf hardware
WO2019138103A1 (de) Verfahren und system zur individualisierten patientendatenanalyse
Mellmann biologische ansätze zum Verhältnis von literatur und emotionen
DE10160270A1 (de) Computersystem und Verfahren zur Berechnung von ADME-Eigenschaften
DE212020000466U1 (de) System, um eine computermodifizierte Visualisierung des erwünschten Gesichts einer Person bereitzustellen
DE102020120752A1 (de) Arbeitsunterstützungsvorrichtung, arbeits-unterstützungssystem und arbeitsunterstützungsverfahren
DE102020111584A1 (de) Verfahren zum Gewinnen von Daten mithilfe von Operationsmikroskopiesystemen
WO2015188964A1 (de) Ganzkörperbildaufnahme- und bildverarbeitungssystem sowie verfahren zu dessen betrieb
DE202023104503U1 (de) System zur Beauftragung eines Kunstwerkes
EP3798989B1 (de) Computerimplementiertes verfahren zur bereitstellung von ausgangsdaten, die zum training und/oder zur validierung eines algorithmus dienen
EP3595526A1 (de) Verfahren und vorrichtung zum ermitteln eines hautzustands
Harms et al. Sustainable Financial Service Management–Eine empirische Analyse des Kaufverhaltens gegenüber nachhaltigen Investmentfonds auf Basis des Push-Pull-Mooring-Modells
WO2023180558A1 (de) System, vorrichtung und verfahren zur erstellung von planungsdatensätzen für die gewebebehandlung der netzhaut eines patienten
DE102008012187A1 (de) Darstellung von Bildschirminhalten in Abhängigkeit von Kompetenzfunktionen
EP4211629A1 (de) Prüfung eines filmvorprodukts
Forster-Heinzer et al. Impression management in the classroom: about the development of an instrument measuring students’ self-presentation strategies
Paetz et al. Die Berücksichtigung von Abhängigkeiten zwischen Alternativen in Finite Mixture Conjoint Choice Modellen: Eine Simulationsstudie
WO2019052737A1 (de) Anordnung zum ermitteln von körperoberflächeneigenschaften

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21739267

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 3183167

Country of ref document: CA

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2021739267

Country of ref document: EP

Effective date: 20230119