知財求人 - 知財ポータルサイト「IP Force」
特許7316358生物物理学的モデル化および応答予測のためのシステム、方法、およびデバイス
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B2)
(11)【特許番号】
(24)【登録日】2023-07-19
(45)【発行日】2023-07-27
(54)【発明の名称】生物物理学的モデル化および応答予測のためのシステム、方法、およびデバイス
(51)【国際特許分類】
G16H 50/00 20180101AFI20230720BHJP
【ＦＩ】
G16H50/00
【請求項の数】
6
(21)【出願番号】P 2021531360
(86)(22)【出願日】2019-11-27
(65)【公表番号】
(43)【公表日】2022-01-28
(86)【国際出願番号】 US2019063788
(87)【国際公開番号】W WO2020113128
(87)【国際公開日】2020-06-04
【審査請求日】2021-08-03
(31)【優先権主張番号】62/773,117
(32)【優先日】2018-11-29
(33)【優先権主張国・地域又は機関】US
(31)【優先権主張番号】62/773,125
(32)【優先日】2018-11-29
(33)【優先権主張国・地域又は機関】US
(31)【優先権主張番号】62/773,134
(32)【優先日】2018-11-29
(33)【優先権主張国・地域又は機関】US
(73)【特許権者】
【識別番号】521234766
【氏名又は名称】ジャニュアリー， インコーポレイテッド
(74)【代理人】
【識別番号】100078282
【弁理士】
【氏名又は名称】山本 秀策
(74)【代理人】
【識別番号】100113413
【弁理士】
【氏名又は名称】森下 夏樹
(74)【代理人】
【識別番号】100181674
【弁理士】
【氏名又は名称】飯田 貴敏
(74)【代理人】
【識別番号】100181641
【弁理士】
【氏名又は名称】石川 大輔
(74)【代理人】
【識別番号】230113332
【弁護士】
【氏名又は名称】山本 健策
(72)【発明者】
【氏名】ダラル， パーリン バドリック
(72)【発明者】
【氏名】ラヒリ， サラー
(72)【発明者】
【氏名】トルバガン， ソルマズ シャリアト
(72)【発明者】
【氏名】アガルワル， サランシュ
(72)【発明者】
【氏名】ヤズダニ， メヘルダッド
【審査官】佐伯 憲太郎
(56)【参考文献】
【文献】国際公開第２０１７／１７５６０８（ＷＯ，Ａ１）
【文献】米国特許出願公開第２０１８／０３３０８２４（ＵＳ，Ａ１）
【文献】特開２０１８－１２４７６６（ＪＰ，Ａ）
【文献】特開２０１８－０６７２６６（ＪＰ，Ａ）
【文献】米国特許出願公開第２００５／０１３７４７０（ＵＳ，Ａ１）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ１６Ｈ １０／００－８０／００
(57)【特許請求の範囲】
【請求項1】
プロセッサを備えるコンピュータによって実行される方法であって、前記方法は、
前記プロセッサが、第１の生物物理学的センサから、対象の少なくとも１つの生物物理学的応答を表す基準値を経時的に受信することであって、時間は、第２の時間周期が後に続く、第１の時間周期を含む、ことと、
前記プロセッサが、第２の生物物理学的センサから第１のデータ値を受信することと、
前記プロセッサが、少なくとも前記基準値および前記第１のデータ値を含むデータに応答して、前記対象のシミュレートされた生物物理学的応答を出力するように第２の対象機械学習モデルを訓練することであって、前記訓練することは、前記第２の対象機械学習モデルのネットワークパラメータを導出することと、パラメータ推定器の動作によって、前記シミュレートされた生物物理学的応答および基準値に応答して、前記第２の対象機械学習モデルの前記ネットワークパラメータを更新することとを含む、ことと、
前記プロセッサが、前記第２の時間周期からの少なくとも第１のデータを使用する第１の対象機械学習モデルを用いて、前記少なくとも１つの生物物理学的応答に関する第１の予測値を推論することと、
前記プロセッサが、前記第１の時間周期からの少なくとも第１のデータを使用する前記第２の対象機械学習モデルを用いて、前記少なくとも１つの生物物理学的応答に関する第２の予測値を推論することと、
前記プロセッサが、前記第１および第２の予測値を前記基準値と比較し、前記第１の対象機械学習モデルおよび前記第２の対象機械学習モデルの正確度を判定することと
を含み、前記第１の生物物理学的センサは、持続的グルコースモニタを含み、
前記第２の生物物理学的センサは、心拍数モニタを含む、方法。
【請求項2】
前記プロセッサが、第２の予測値を推論することは、前記プロセッサが、前記第１の時間周期の第１のデータ値から前記第２の時間周期に関する予測される第１のデータ値を推論することと、
前記プロセッサが、前記第２の時間周期に関する前記第１の予測されるデータ値を前記第２の対象機械学習モデルに適用することと
を含む、請求項１に記載の方法。
【請求項3】
前記プロセッサが、第２のデータ値を受信することをさらに含み、前記プロセッサが、前記少なくとも１つの生物物理学的応答に関する第１の予測値を推論することはさらに、前記第２の時間周期からの第２のデータを使用することを含み、
前記プロセッサが、前記少なくとも１つの生物物理学的応答に関する第２の予測値を推論することはさらに、前記第１の時間周期からの第２のデータを使用することを含む、請求項１に記載の方法。
【請求項4】
少なくとも前記基準値および前記第１の時間周期からの第１のデータ値に応答して、前記プロセッサが、前記第２の対象機械学習モデルにおいてパラメータを調節することをさらに含む、請求項１に記載の方法。
【請求項5】
前記プロセッサが、前記少なくとも１つの生物物理学的応答に関する前記第１の予測値を第１の敵対的生成ネットワークに適用し、第１の調節された予測値を生成することと、前記プロセッサが、前記少なくとも１つの生物物理学的応答に関する前記第２の予測値を第２の敵対的生成ネットワークに適用し、第２の調節された予測値を生成することと、
前記プロセッサが、前記第１および第２の調節された予測値を前記基準値と比較し、前記敵対的生成ネットワークの正確度を判定することと
をさらに含む、請求項１に記載の方法。
【請求項6】
前記プロセッサが、前記第１および第２の予測値を前記基準値と比較することに応答して、前記プロセッサが、少なくとも前記第１の対象機械学習モデルおよび第２の対象機械学習モデルを更新することをさらに含む、請求項１に記載の方法。
【発明の詳細な説明】
【背景技術】
【0001】
（相互参照）
本願は、それぞれが、参照することによってその全体として本明細書に組み込まれる、２０１８年１１月２９日に出願された米国仮特許出願第６２／７７３，１１７号、２０１８年１１月２９日に出願された米国仮特許出願第６２／７７３，１２５号、および２０１８年１１月２９日に出願された米国仮特許出願第６２／７７３，１３４号の優先権を主張する。
本願は、それぞれが、参照することによってその全体として本明細書に組み込まれる、２０１８年１１月２９日に出願された米国仮特許出願第６２／７７３，１１７号、２０１８年１１月２９日に出願された米国仮特許出願第６２／７７３，１２５号、および２０１８年１１月２９日に出願された米国仮特許出願第６２／７７３，１３４号の優先権を主張する。
【0002】
（背景）
人体を含む、多くの生物系は、高度な複雑性を伴って機能することができる。さらに、単一の種が、全体的な一般的類似性を有し得る一方、個人の間に有意な変動性が存在し得る。その結果として、個人基準で種々の生物学的応答を予測することはもちろん、それを理解することは困難であり得る。
人体を含む、多くの生物系は、高度な複雑性を伴って機能することができる。さらに、単一の種が、全体的な一般的類似性を有し得る一方、個人の間に有意な変動性が存在し得る。その結果として、個人基準で種々の生物学的応答を予測することはもちろん、それを理解することは困難であり得る。
【0003】
個人基準でヒトの生物学的応答を理解することは、種々の健康および生活の質の利益を提供することができる。そのような理解は、個人がその健康を改良するためにより良好な選定を行うことを可能にすることができる。そのような選定が、集団によって行われるとき、社会の全体的健康が、利益を得ることができる。加えて、そのような理解は、個人の目標の追求において、その生活様式をより良好に改変する権限を個人に与えることができる。
【0004】
ますます関心が高まっている１つのヒトの生物学的応答は、栄養、特に、摂食に起因する血糖レベルである。経時的に許容レベルで血糖レベルを維持することができないことは、前糖尿病または２型糖尿病を含む、有害な結果をもたらし得る。しかしながら、個人は、血糖応答、食事、挙動、および多数の他の因子において変動し得る。故に、従来のモデル（例えば、線形血糖応答モデル）は、個人の個人化された血糖応答を理解するために不十分であり得る。
【発明の概要】
【発明が解決しようとする課題】
【0005】
（要約）
本開示は、対象アクションを記録するセンサおよび他のデータを入手し得、強化学習を利用して対象応答を予測し、次いで、対象の応答を修正し、目標を達成する、システムおよび方法を提供する。予測は、生物物理学的応答および／または挙動応答の予測であり得る。実施形態は、カスタム変分エンコーディングを利用して、対象アクションおよび応答をモデル化することができる。いくつかの実施形態では、本明細書に説明されるシステムは、報酬関数および対象の履歴アクションに基づいて、対象のための推奨を発生させることができる。
本開示は、対象アクションを記録するセンサおよび他のデータを入手し得、強化学習を利用して対象応答を予測し、次いで、対象の応答を修正し、目標を達成する、システムおよび方法を提供する。予測は、生物物理学的応答および／または挙動応答の予測であり得る。実施形態は、カスタム変分エンコーディングを利用して、対象アクションおよび応答をモデル化することができる。いくつかの実施形態では、本明細書に説明されるシステムは、報酬関数および対象の履歴アクションに基づいて、対象のための推奨を発生させることができる。
【課題を解決するための手段】
【0006】
一側面では、本開示は、強化学習アルゴリズムを訓練および使用し、報酬関数に対して対象のグルコースレベルを維持または調節もしくは最適化する際に対象を支援する推奨を発生させるためのコンピュータ実装方法を提供する。本方法は、収束条件が達成されるまで、反復して、（ｉ）強化学習アルゴリズムを使用して推奨を発生させることであって、その推奨は、推奨される食事または身体活動を含む、ことと、（ｉｉ）生物物理学的反応モデルを使用して推奨を処理し、推奨に従うことへの対象の予測されるグルコース応答を発生させることと、（ｉｉｉ）報酬関数を予測されるグルコース応答に適用し、第１の報酬を発生させ、第１の報酬に基づいて強化学習アルゴリズムを更新することとを含むことができる。本方法はさらに、推奨を対象に提供することと、推奨に従うことへの対象のグルコース応答を測定することと、第２の報酬関数を測定されたグルコース応答に適用し、第２の報酬を発生させ、第２の報酬に基づいて強化学習アルゴリズムを更新することとを含むことができる。いくつかの実施形態では、本方法は、対象のグルコース応答を使用し、生物物理学的反応モデルを訓練することを含む。いくつかの実施形態では、本方法は、対象のグルコース応答を、生物物理学的反応モデルおよび第２の報酬関数に提供するための低次元潜在空間にエンコードすることを含む。いくつかの実施形態では、第１の報酬関数は、第２の報酬関数と同一である。いくつかの実施形態では、生物物理学的反応モデルは、複数の入力に応答して対象のシミュレートされた生物物理学的応答を発生させるように構成される、少なくとも１つの身体モデルを含む。いくつかの実施形態では、対象の予測されるグルコース応答を発生させることは、対象のグルコース応答を、将来のグルコース応答を推論するように訓練される予測器に適用することと、推奨を、対象が厳密に推奨に従うであろう程度を評価するように構成される順守モデルに適用することと、予測器および順守モデルの出力を身体モデルへの複数の入力として選択的に適用することとを含む。いくつかの実施形態では、予測されるグルコース応答を発生させることはさらに、シミュレートされた生物物理学的応答をオートエンコーダおよび敵対的生成ネットワークに適用し、予測されるグルコース応答を発生させることを含む。いくつかの実施形態では、収束条件は、少なくとも部分的に第１の報酬の規模に基づく。
【0007】
別の側面では、本開示は、複数の異なるデータソースのうちの１つからの履歴時系列データ上で、複数の異なるオートエンコーダ（ＡＥ）時間的畳み込みニューラルネットワーク（ＣＮＮ）のそれぞれを訓練することであって、複数の異なるデータソースは、持続的グルコースモニタと、心拍数モニタと、食品データのソースとを備える、ことと、複数の異なるデータソースからの現在のデータに応答して、複数のＡＥ時間的ＣＮＮを使用して複数のシード値を発生させることと、対応するＡＥ時間的ＣＮＮからの複数のシード値のうちの１つを伴って複数の異なるＣＮＮエンコーダのそれぞれを構成することと、対応するデータソースからの過去の履歴時系列データを時間的ＣＮＮエンコーダに適用し、エンコードされたデータ値を発生させることと、エンコードされたデータ値を、データソースのうちの１つに対応する予測されるデータ値を発生させるように構成される予想に適用することとを含み得る、方法を提供する。いくつかの実施形態では、複数のＡＥ時間的ＣＮＮを訓練することは、第１の生物物理学的応答を読み取る第１のタイプのセンサからのデータを用いて、第１のＡＥ時間的ＣＮＮを訓練することと、第２の生物物理学的応答を読み取る第２のタイプのセンサからのデータを用いて、第２のＡＥ時間的ＣＮＮを訓練することと、エンコードされたデータ値を適用し、予測される第１の生物物理学的応答を発生させることとを含む。
【0008】
別の側面では、本開示は、第１の生物物理学的センサから、対象の少なくとも１つの生物物理学的応答を表す基準値を経時的に受信することであって、時間は、第２の時間周期が後に続く、第１の時間周期を含む、ことと、第２の生物物理学的センサから第１のデータ値を受信することと、第２の時間周期からの少なくとも第１のデータを使用する第１の対象モデルを用いて、少なくとも１つの生物物理学的応答に関する第１の予測値を推論することと、第１の時間周期からの少なくとも第１のデータを使用する第２の対象モデルを用いて、少なくとも１つの生物物理学的応答に関する第２の予測値を推論することと、第１および第２の予測値を基準値と比較し、対象モデルの正確度を判定することとを含み得る、方法を提供する。いくつかの実施形態では、第２の予測値を推論することは、第１の時間周期の第１のデータ値から第２の時間周期に関する予測される第１のデータ値を推論することと、第２の時間周期に関する第１の予測されるデータ値を第２の対象モデルに適用することとを含む。いくつかの実施形態では、本方法はさらに、第２のデータ値を受信することを含み、少なくとも１つの生物物理学的応答に関する第１の予測値を推論することはさらに、第２の時間周期からの第２のデータを使用することを含み、少なくとも１つの生物物理学的応答に関する第２の予測値を推論することはさらに、第１の時間周期からの第２のデータを使用することを含む。いくつかの実施形態では、本方法はさらに、少なくとも基準値および第１の時間周期からの第１のデータ値に応答して、第２の対象モデルにおいてパラメータを調節することを含む。いくつかの実施形態では、本方法はさらに、少なくとも１つの生物物理学的応答に関する第１の予測値を第１の敵対的生成ネットワークに適用し、第１の調節された予測値を発生させることと、少なくとも１つの生物物理学的応答に関する第２の予測値を第２の敵対的生成ネットワークに適用し、第２の調節された予測値を発生させることと、第１および第２の調節された予測値を基準値と比較し、敵対的生成ネットワークの正確度を判定することとを含む。いくつかの実施形態では、本方法はさらに、第１および第２の予測値を基準値と比較することに応答して、少なくとも第１および第２の身体モデルを更新することを含む。別の側面では、本開示は、第２の時間周期に先行する第１の時間周期に関する第１のデータ値から、第２の時間周期に関する予測される第１のデータ値を発生させるように構成される、第１のデータ予測モデルと、第１の時間周期に関する第２のデータ値から、第２の時間周期に関する予測される第２のデータ値を発生させるように構成される、第２のデータ予測モデルと、第２の時間周期からの第１および第２のデータ値から、第１の予測される生物物理学的応答を推論するように構成される、人工ニューラルネットワーク（ＡＮＮ）を少なくとも部分的に備える、第１の対象モデルと、第２の時間周期に関する予測される第１および第２のデータ値から、第２の予測される生物物理学的応答を推論するように構成される、第１の身体モデルと同一の構造を有する第２の対象モデルと、第２の時間周期に関する基準生物物理学的応答を第１および第２の予測される生物物理学的応答と比較するように構成される、比較システムとを備え得る、システムを提供する。いくつかの実施形態では、第１および第２のデータ予測モデルは、長・短期記憶ネットワークを備える。いくつかの実施形態では、本システムはさらに、第１の時間周期に関する基準生物物理学的応答から、第２の時間周期に関する予測される基準生物物理学的応答を発生させるように構成される、第３のデータ予測モデルを備える。いくつかの実施形態では、本システムはさらに、基準生物物理学的応答ならびに第１の時間周期からの第１および第２のデータ値に応答して、少なくとも第２の対象モデルを更新するように構成される、パラメータ推定器を備える。いくつかの実施形態では、本システムはさらに、比較システムからの比較結果に応答して、第１のデータ予測モデル、第２のデータ予測モデル、第１の対象モデル、第２の対象モデルのうちのいずれかを選択的に調節するように構成される、フィードバック発生器を備える。
【0009】
別の側面では、本開示は、第１の時間間隔の間に、人工ニューラルネットワーク（ＡＮＮ）を備える生物物理学的モデルを訓練し、少なくとも第１のセンサデータおよび第２のセンサデータから対象のシミュレートされた生物物理学的応答を発生させることであって、第１のセンサデータは、持続的グルコース監視データを備え、第２のセンサデータは、心拍数監視データを備え、その訓練は、生物物理学的モデルの個人化された時変パラメータを推定することを含む、ことと、第２の時間間隔の間に、訓練された生物物理学的モデルを使用して、リアルタイムで対象のシミュレートされた生物物理学的応答を発生させることであって、リアルタイムデータは、第２のセンサデータを含むが、第１のセンサデータを含まない、こととを含み得る、方法を提供する。いくつかの実施形態では、生物物理学的モデルを訓練することは、少なくとも第１のセンサデータを生物物理学的モデルに適用することと、対象の実際の第１の生物物理学的応答に対してシミュレートされた第１の生物物理学的応答を評価する、パラメータ推定器を使用して、生物物理学的モデルを更新することとを含む。いくつかの実施形態では、生物物理学的モデルを訓練することは、第１のセンサデータおよび第２のデータを第１の生物物理学的モデルに適用することを含み、第２のデータは、第１の生物物理学的応答と異なる。いくつかの実施形態では、第２のデータは、対象によって記録されるデータを備える。
【0010】
別の側面では、本開示は、少なくとも１つのタイプのセンサからのデータを訓練し、シミュレートされた第１のタイプの生物物理学的応答を出力することに応答して、ネットワークパラメータを導出するように構成される、人工ニューラルネットワーク（ＡＮＮ）を備える第１の生物物理学的モデルと、シミュレートされた第１のタイプの生物物理学的応答および対象の実際の第１のタイプの生物物理学的応答に応答して、第１の生物物理学的モデルのパラメータを更新するように構成される、パラメータ推定器と、リアルタイムで少なくとも１つのタイプのセンサから受信されるセンサデータに応答して、対象に関してリアルタイムで予測される第１のタイプの生物物理学的応答を推論するように動作可能である、ネットワークパラメータを伴って構成される、ＡＮＮを備える第２の生物物理学的モデルとを備え得る、システムを提供する。いくつかの実施形態では、実際の第１のタイプの生物物理学的応答は、第１のタイプのセンサを用いて記録され、少なくとも１つのタイプのセンサは、第１のタイプのセンサと異なる。いくつかの実施形態では、少なくとも１つのタイプのセンサは、第１のタイプの生物物理学的応答と異なる第２のタイプの生物物理学的応答を記録する。いくつかの実施形態では、実際の第１のタイプの生物物理学的応答は、第１のタイプのセンサを用いて記録され、少なくとも１つのタイプのセンサは、第１のタイプのセンサと異なる。いくつかの実施形態では、第１の生物物理学的モデルは、少なくとも１つのタイプのセンサからのデータおよび第２のソースからのデータを用いた訓練に応答して、ネットワークパラメータを導出し、第２の生物物理学的モデルは、リアルタイムで少なくとも１つのタイプのセンサから受信されるセンサデータおよびリアルタイムで受信される第２のソースからのデータに応答して、予測される第１のタイプの生物物理学的応答を推論する。いくつかの実施形態では、第２のソースは、対象によって個人的に記録されるデータを備える。別の側面では、本開示は、アクションを実施する少なくとも１人の対象に関する異なるタイプのデータをそれぞれ記録する、複数の異なるソースから時系列データを受信することであって、異なるソースは、少なくとも１人の対象のグルコース応答を記録する、グルコースセンサを含む、ことと、少なくとも１つのエンコーディング人工ニューラルネットワーク（ＡＮＮ）を用いて、時系列データに教師なし学習を実行し、相互からの所定の距離を有する、結果として生じる潜在空間内でエンコードされた値を生成することと、潜在空間に基づいて直交値を選択することと、エンコーディングＡＮＮへの対応するデコーディング構造を有するＡＮＮを用いて、直交値をデコードし、デコードされた値を発生させることと、デコードされた値を対象アクションにマッピングすることとを含み得る、方法を提供する。いくつかの実施形態では、教師なし学習を実行することは、時系列データをオートエンコードすることを含む。いくつかの実施形態では、時系列データをオートエンコードすることは、時間的畳み込みニューラルネットワーク（ＮＮ）変分オートエンコーダを用いてオートエンコードすることを含む。いくつかの実施形態では、本方法はさらに、特定の対象に関する関連性基準に基づいて、デコードされた値をフィルタ処理することを含む。いくつかの実施形態では、異なるソースはさらに、少なくとも１人の対象の第２のタイプの生物物理学的応答を記録する、第２のタイプのセンサを含む。いくつかの実施形態では、少なくとも１つの対象アクションは、対象の身体活動および対象による食品の摂取から選択される。いくつかの実施形態では、異なるソースのうちの少なくとも１つは、加速度計データ、対象のカレンダデータ、および対象の睡眠状態の群から選択される。
【0011】
別の側面では、本開示は、時系列データ値を、相互からの所定のメトリック距離を有する潜在空間内でエンコードされた値にエンコードするように構成される、エンコーダであって、時系列データは、少なくとも１人の対象の特徴を記録する複数の異なるデータソースからのものであり、少なくとも１つの時系列データは、少なくとも１人の対象の第１のタイプの生物物理学的応答に関するものである、エンコーダと、エンコードされた値から直交値を判定するように構成される、値セレクタモジュールと、エンコーダに対応するデコーディング構造を有し、直交値からデコードされた値を発生させるように構成される、デコーダと、デコードされた値を少なくとも１人の対象のアクションにマッピングするように構成される、アクションマッピングモジュールとを備え得る、システムを提供する。いくつかの実施形態では、オートエンコーダは、時間的畳み込みＮＮ変分オートエンコーダを備える。いくつかの実施形態では、本システムはさらに、特定の対象に関する関連性基準に基づいて、デコードされた値のうちのいくつかを選択的に破棄するように構成される、フィルタリングモジュールを備える。いくつかの実施形態では、時系列データのうちの少なくとももう１つは、少なくとも１人の対象の第２のタイプの生物物理学的応答に関するものである。いくつかの実施形態では、データソースは、持続的グルコース計、心拍数モニタ、および少なくとも１人の対象によって記録される食品データを含む。
【0012】
別の側面では、本開示は、コンピューティングシステムのシステムメモリ内にデータオブジェクトを生成することと、データをデータオブジェクトにコピーすることと、デコレータ関数の実行によって、データオブジェクトを、エグレスメッセージング関数を有するデータ処理オブジェクトに変換することと、複数の異なる機械学習プロセスのうちの１つを用いて、データ処理オブジェクトのデータを処理することと、データの処理を完了することに応じて、処理結果を返し、エグレスメッセージング関数を実行することとを含み得る、方法を提供する。いくつかの実施形態では、複数の異なるプロセスは、非同期プロセスであり、本方法はさらに、エグレスメッセージング関数に関してメッセージを受信することに応じて、システムメモリ内に次のデータオブジェクトを生成することと、次のデータをデータオブジェクトにコピーすることと、デコレータ関数の実行によって、次のデータオブジェクトを、エグレスメッセージング関数を有する次のデータ処理オブジェクトに変換することと、機械学習プロセスのうちの１つを用いて、次のデータ処理オブジェクトのデータを処理することとを含む。いくつかの実施形態では、処理結果は、キーを値にマッピングする辞書オブジェクトを備える。いくつかの実施形態では、データは、人工ニューラルネットワーク（ＡＮＮ）上の学習動作のためのＡＮＮへの入力データを備える。いくつかの実施形態では、データは、人工ニューラルネットワーク（ＡＮＮ）上の推論動作のためのＡＮＮへの入力データを備える。
【0013】
別の側面では、本開示は、処理のためにデータを記憶するように構成される、データ記憶部と、システムメモリと、並行して複数の機械学習プロセスを実行するように構成される、多重処理モジュールと、多重処理モジュールによって実行可能であり、システムメモリ内にデータオブジェクトを生成し、データをデータ記憶部からのデータオブジェクトにコピーし、データオブジェクトを、エグレスメッセージング関数を有するデータ処理オブジェクトに変換し、機械学習プロセスのうちの１つをインスタンス化し、データ処理オブジェクトのデータを処理し、処理結果を返し、メッセージング関数を実行してメッセージを返すように構成される、命令を備える、データオブジェクト装飾関数とを備え得る、システムを提供する。いくつかの実施形態では、多重処理モジュールは、サーバ上に常駐する。いくつかの実施形態では、多重処理モジュールは、複数のサーバにわたって分散される。いくつかの実施形態では、機械学習プロセスは、人工ニューラルネットワーク（ＡＮＮ）を含む。いくつかの実施形態では、ＡＮＮは、オートエンコーダ（ＡＥ）、敵対的生成ネットワーク（ＧＡＮ）、長・短期記憶ネットワーク（ＬＳＴＭ）、畳み込みニューラルネットワーク（ＣＮＮ）、および強化学習（ＲＬ）アルゴリズムから成る群から選択される。
【0014】
別の側面では、本開示は、少なくとも１つの機械学習アーキテクチャを伴う生物物理学的モデルを生成し、第１の生物物理学的応答を予測することであって、生物物理学的モデルは、少なくとも一次センサデータおよび二次センサデータを用いて訓練されており、一次センサデータは、第１の生物物理学的応答を捕捉し、二次センサデータは、第２の生物物理学的応答を捕捉する、ことと、一次センサデータではなく、少なくとも二次センサデータに応答して、生物物理学的モデルを用いて、対象の第１の生物物理学的応答を予測することと、予測される第１の生物物理学的応答が所定の限界外であるかどうかを判定することと、予測される第１の生物物理学的応答が、所定の限界外である場合、少なくとも１つの推奨を対象に伝送することであって、少なくとも１つの推奨は、所定の限界内であるように対象の実際の生物物理学的応答を調節するために選択される、こととを含み得る、方法を提供する。いくつかの実施形態では、本方法はさらに、対象の健康ステータスに従って、所定の限界を設定することを含む。いくつかの実施形態では、本方法はさらに、対象の健康目標に従って、所定の限界を設定することを含む。いくつかの実施形態では、第１の生物物理学的応答は、対象のグルコース応答を含む。いくつかの実施形態では、第２の生物物理学的応答は、対象の心拍数を含む。いくつかの実施形態では、生物物理学的モデルはまた、対象によって記録されるデータを用いて訓練される。いくつかの実施形態では、一次センサデータは、持続的グルコースモニタから発生され、二次センサデータは、心拍数モニタから発生され、対象によって記録されるデータは、対象によって摂食される食品である。
いくつかの実施形態では、少なくとも１つの推奨は、身体活動推奨および食品推奨から選択される。いくつかの実施形態では、生物物理学的モデルは、オートエンコーダとして構成される人工ニューラルネットワークを備える。いくつかの実施形態では、生物物理学的モデルは、少なくとも、推奨から第１の生物物理学的応答を予測するように構成される長・短期記憶（ＬＳＴＭ）として構成される、人工ニューラルネットワークを備える。いくつかの実施形態では、生物物理学的モデルは、対象の第１の生物物理学的応答を予測するように構成される、少なくとも１つの時間的畳み込みニューラルネットワークとして構成される、人工ニューラルネットワークを備える。いくつかの実施形態では、少なくとも１つの推奨は、異種センサデータをオートエンコードすることによって導出される正準アクションを含む、推奨セットから選択される。いくつかの実施形態では、本方法はさらに、予測される第１の生物物理学的応答が所定の限界外ではない場合、所定のメッセージを伝送することを含む。いくつかの実施形態では、所定のメッセージは、奨励メッセージおよび報酬の群から選択される。いくつかの実施形態では、本方法はさらに、対象デバイス上に少なくとも１つの推奨を表示することを含む。いくつかの実施形態では、本方法はさらに、対象デバイス上で実行可能なアプリケーションを用いて、少なくとも二次センサデータを捕捉することを含む。いくつかの実施形態では、本方法はさらに、アプリケーションを用いて、一次データを捕捉することを含む。
いくつかの実施形態では、少なくとも１つの推奨は、身体活動推奨および食品推奨から選択される。いくつかの実施形態では、生物物理学的モデルは、オートエンコーダとして構成される人工ニューラルネットワークを備える。いくつかの実施形態では、生物物理学的モデルは、少なくとも、推奨から第１の生物物理学的応答を予測するように構成される長・短期記憶（ＬＳＴＭ）として構成される、人工ニューラルネットワークを備える。いくつかの実施形態では、生物物理学的モデルは、対象の第１の生物物理学的応答を予測するように構成される、少なくとも１つの時間的畳み込みニューラルネットワークとして構成される、人工ニューラルネットワークを備える。いくつかの実施形態では、少なくとも１つの推奨は、異種センサデータをオートエンコードすることによって導出される正準アクションを含む、推奨セットから選択される。いくつかの実施形態では、本方法はさらに、予測される第１の生物物理学的応答が所定の限界外ではない場合、所定のメッセージを伝送することを含む。いくつかの実施形態では、所定のメッセージは、奨励メッセージおよび報酬の群から選択される。いくつかの実施形態では、本方法はさらに、対象デバイス上に少なくとも１つの推奨を表示することを含む。いくつかの実施形態では、本方法はさらに、対象デバイス上で実行可能なアプリケーションを用いて、少なくとも二次センサデータを捕捉することを含む。いくつかの実施形態では、本方法はさらに、アプリケーションを用いて、一次データを捕捉することを含む。
【0015】
別の側面では、本開示は、少なくとも１つの第１のパラメータを有するグルコース調整モデルを訓練し、少なくとも食品源データに応答してグルコースレベルを予測することと、対象についての情報に応答して、少なくとも１つの第１のパラメータをグルコース調整モデルにおいて少なくとも１つの個人化されたパラメータと代用し、個人化されたグルコース調整モデルを生成することと、対象からの食品源データを個人化されたグルコース調整モデルに適用し、対象のグルコースレベルを予測することとを含み得る、方法を提供する。いくつかの実施形態では、グルコース調整モデルは、少なくとも１つのニューラルネットワークを含む。いくつかの実施形態では、グルコース調整モデルは、長・短期記憶ニューラルネットワークおよびリカレントニューラルネットワークから成る群から選択される、少なくとも１つの統計モデルを含む。いくつかの実施形態では、グルコース調整モデルは、所定の集団のデータを用いて訓練される、少なくとも１つのニューラルネットワークを含む。いくつかの実施形態では、少なくとも１つの第１のパラメータは、インスリン抵抗パラメータを備える。いくつかの実施形態では、グルコース調整モデルは、グルコース調整の微分方程式モデルおよび結合方程式のセットを備えるグルコースモデルから成る群から選択される、少なくとも１つのグルコースモデルを含む。いくつかの実施形態では、グルコース調整の少なくとも１つの微分方程式モデルは、食品源関数を含む。いくつかの実施形態では、本方法はさらに、所定の食品への集団の血糖応答、および所定の食品に関するデータから計算される血糖応答から成る群から選択される、少なくとも訓練データを用いて、食品源関数を訓練することを含む。いくつかの実施形態では、本方法はさらに、グルコース計を用いて対象のグルコース応答を記録することによって、対象の個人化されたパラメータを発生させることを含む。いくつかの実施形態では、本方法はさらに、対象の特性データに基づいて、対象を人口統計同等群に分類することによって、対象の個人化されたパラメータを発生させることを含む。
【0016】
別の側面では、本開示は、少なくとも食品源データに応答して、グルコースレベルを予測するように動作可能である、少なくとも１つのモデルパラメータを備える、グルコース予測モデルを備える、コンピューティングシステムと、少なくとも１つの個人化されたパラメータを少なくとも１つのモデルパラメータとして受信するように構成される、モデルパラメータ入力と、少なくとも１つの個人化されたパラメータは、対象のデータに応答して発生される、モデルパラメータ入力と、食品源データを少なくとも１つの個人化されたパラメータを伴うグルコース予測モデルに適用し、対象のグルコースレベルを予測するように構成される、食品源データ入力とを備え得る、システムを提供する。いくつかの実施形態では、グルコース調整モデルは、ニューラルネットワークを備える。いくつかの実施形態では、グルコース調整モデルは、長・短期記憶ニューラルネットワークおよびリカレントニューラルネットワークから成る群から選択される、統計モデルを備える。いくつかの実施形態では、グルコース調整モデルは、所定の集団からのデータを用いて訓練される、少なくとも１つのニューラルネットワークを備える。いくつかの実施形態では、少なくとも１つのモデルパラメータは、インスリン抵抗パラメータを含む。いくつかの実施形態では、グルコース調整モデルは、グルコース調整の微分方程式モデルおよび結合方程式のセットを備えるグルコースモデルから成る群から選択される、グルコース調整の少なくとも１つのモデルに基づいて、教師あり訓練を用いて導出される。いくつかの実施形態では、グルコース調整の少なくとも１つの微分方程式モデルは、食品源関数を含む。いくつかの実施形態では、食品源関数は、所定の食品への集団の血糖応答、および所定の食品に関するデータから計算される血糖応答から成る群から選択される、訓練データを用いて訓練される、少なくとも１つのニューラルネットワークを備える。いくつかの実施形態では、本システムはさらに、食品源データを発生させるように構成される、電子デバイスを備える。いくつかの実施形態では、本システムはさらに、モデルパラメータ入力に結合され、個人化されたパラメータを記憶するように構成される、メモリを備える。
【0017】
別の側面では、本開示は、複数の属性上で、第１のニューラルネットワーク（ＮＮ）を訓練し、複数の属性の第２のサブセットから複数の属性の第１のサブセットを補定することと、第２のＮＮを訓練し、属性の第１のサブセットおよび属性の第２のサブセットから標的値を予測することと、対象から複数の入力属性のうちの入力属性のサブセットを受信することと、第１のＮＮを使用し、複数の入力属性の中の残りの入力属性を補定することと、第２のＮＮを用いて、入力属性の第１のサブセットおよび残りの入力属性を処理し、標的値を予測することとを含み得る、方法を提供する。いくつかの実施形態では、第１のＮＮは、オートエンコーダを備える。いくつかの実施形態では、第２のＮＮは、双方向リカレントＮＮを備える。いくつかの実施形態では、リカレントＮＮは、長・短期記憶ＮＮである。いくつかの実施形態では、複数の属性の第２のサブセットおよび入力属性のサブセットは、食品に関する栄養データを備え、予測される標的値は、血糖値である。
【0018】
別の側面では、本開示は、対象から入力属性を受信するように構成される、対象データ入力と、関連付けられる標的値を有する属性のセットから属性を無作為に選択することによって、入力属性から関連属性を補定するように訓練され、入力属性を連続的に受信するように構成される、第１のニューラルネットワーク（ＮＮ）と、関連属性および入力属性から標的値を予測するように訓練され、第１のＮＮによって発生される入力属性および関連属性を受信するように構成される、第２のＮＮと、第１および第２のＮＮへの各入力属性の適用に応答して、第２のＮＮから予測される標的値を出力し、更新するように構成される、対象データ出力とを備え得る、システムを提供する。いくつかの実施形態では、本システムはさらに、第１および第２のＮＮを訓練するための訓練入力属性ならびに対応する訓練標的値を記憶するように構成される、データ記憶部を備える。いくつかの実施形態では、第１のＮＮは、オートエンコーダを備える。いくつかの実施形態では、第２のＮＮは、双方向リカレントＮＮを備える。いくつかの実施形態では、リカレントＮＮは、長・短期記憶ＮＮである。
【0019】
別の側面では、本開示は、対象に関する生物物理学的読取値を発生させる少なくとも１つのセンサからセンサデータを受信することと、第１のニューラルネットワーク（ＮＮ）の動作によって、センサデータを埋め込み、埋め込まれた値を発生させることと、第２のＮＮの動作によって、埋め込まれた値に応答して、補定される埋め込まれた値を発生させることであって、補定される埋め込まれた値は、センサデータの１つ以上の領域に対応する補定値を含む、ことと、埋め込まれた補定値を正規化し、補定値を発生させることとを含み得る、方法を提供する。いくつかの実施形態では、領域は、使用可能であるデータを含まない。いくつかの実施形態では、センサデータを受信することは、第１のセンサおよび第１のセンサと異なる第２のセンサからデータを受信することを含み、センサデータを埋め込むことは、第１および第２のセンサからのデータを連結させることを含む。いくつかの実施形態では、第１のセンサは、グルコースモニタである。いくつかの実施形態では、第２のセンサは、心拍数モニタである。いくつかの実施形態では、第２のＮＮは、オートエンコーダを備える。
【0020】
別の側面では、本開示は、生物物理学的読取値が、無効である、または欠落していると判定される、欠落領域を有する、センサデータを発生させる、少なくとも１つの生物物理学的センサと、少なくとも１つのセンサからのデータ値を埋め込み、埋め込まれた値を発生させるように構成される、第１のニューラルネットワーク（ＮＮ）と、埋め込まれた値に応答して、補定される埋め込まれた値を発生させるように構成される、第２のＮＮであって、補定される埋め込まれた値は、センサデータの欠落領域に対応する補定値を含む、第２のＮＮと、埋め込まれた補定値を正規化し、補定値を発生させるように構成される、正規化システムとを備え得る、システムを提供する。いくつかの実施形態では、少なくとも１つのセンサは、第１のセンサと、第１のセンサと異なる第２のセンサとを含み、第１のＮＮは、同一の時間周期内に第１および第２のセンサからのセンサデータを単一の値に埋め込むように構成される。いくつかの実施形態では、第１のセンサは、グルコースセンサである。いくつかの実施形態では、第２のセンサは、心拍数モニタである。いくつかの実施形態では、第２のＮＮは、オートエンコーダを備える。
【0021】
別の側面では、本開示は、有効データセットおよびクエリデータセットを受信することであって、各データセットは、標識を伴うデータ値を含む、ことと、ニューラルネットワーク（ＮＮ）の動作によって、データセット値および標的標識が条件とされる確率的分類子を用いて、有効データセットおよびクエリデータセットを分類することと、１つのデータセットの全てのデータ値に関する分類結果に基づいて、品質スコアを発生させることとを含み得る、方法を提供する。いくつかの実施形態では、本方法はさらに、標識として対応するアクションを伴うバイオメトリックセンサ読取値を取り込むことを含む、クエリデータセットを発生させることを含む。いくつかの実施形態では、バイオメトリックセンサは、グルコース計を備える。いくつかの実施形態では、標識は、食品ログデータを備える。いくつかの実施形態では、データ値の分布は、形態ｐ（Ｘ，Ｙ，Ｚ）を有し、Ｘは、入力分布であり、Ｙは、確率的分類子のカテゴリ標的であり、Ｚは、値が属するデータセットに従って変動する。いくつかの実施形態では、確率的分類子の分類は、ｈ（ｘ）＝ｐ（ｚ＝１｜ｘ，Ｙ＝１）の形態をとり、ｚは、ｘが有効標識を伴うデータセットからのものである場合、０に等しく、Ｚは、ｘがクエリデータセットからのものである場合、１に等しい。
【0022】
別の側面では、本開示は、標識を伴うデータ値を含む、データセットを記憶するように構成される、データ記憶システムであって、データセットは、少なくとも、有効データセットと、クエリデータセットとを含む、データ記憶システムと、データセット値および標的標識が条件とされる、有効データセットならびにクエリデータセットを分類するように構成される、確率的分類子として構成される、少なくとも１つのニューラルネットワークと、クエリまたは有効データセットの中の全てのデータ値に関する分類値を調査し、それに応答して品質値を発生させるように構成される、品質セクションとを含む、データ記憶システムと通信する電子システム電子システムとを備え得る、システムを提供する。いくつかの実施形態では、本システムはさらに、クエリデータセットに関するデータ値を発生させるように構成される、少なくとも１つのバイオメトリックセンサを備える。いくつかの実施形態では、バイオメトリックセンサは、グルコース計を備える。いくつかの実施形態では、有効およびクエリデータセットは、標識として食品ログを伴う血糖レベルを含む。いくつかの実施形態では、データ値の分布は、形態ｐ（Ｘ，Ｙ，Ｚ）を有し、Ｘは、入力分布であり、Ｙは、確率的分類子のカテゴリ標的であり、Ｚは、値が属するデータセットに従って変動する。いくつかの実施形態では、確率的分類子の分類は、ｈ（ｘ）＝ｐ（Ｘ＝１｜ｘ，Ｙ＝１）の形態をとり、Ｚは、ｘが有効データセットまたはクエリデータセットからのものであるかどうかに応じて、０または１に等しい。
【0023】
別の側面では、本開示は、データ記憶デバイス内に、生物物理学的センサ信号および生物物理学的センサ信号に対応する記録された挙動を記憶することであって、記憶されたデータは、訓練データを備える、ことと、訓練データ上でニューラルネットワークを訓練し、標的挙動をもたらすものとして生物物理学的センサ信号を分類することと、入力生物物理学的センサデータを受信することと、ニューラルネットワークを使用して、入力生物物理学的センサデータを処理し、入力生物物理学的センサデータに起因する標的挙動を分類することとを含み得る、方法を提供する。いくつかの実施形態では、生物物理学的センサ信号は、グルコースセンサ信号を含み、記録された挙動は、記録された食品データを含む。いくつかの実施形態では、生物物理学的センサ信号は、心拍数モニタ信号を含み、記録された挙動は、記録された食品データを含む。いくつかの実施形態では、標的挙動は、予測される食品消費である。いくつかの実施形態では、本方法は、対象のための少なくとも１つのセンサを用いて、入力生物物理学的センサ信号を入手することと、入力生物物理学的センサ信号をニューラルネットワークに伝送することと、標的挙動を対象のデバイスに伝送することとを含む。
【0024】
別の側面では、本開示は、訓練センサデータと、対応する挙動データとを備える、訓練データを記憶するように構成される、記憶システムと、対象センサデータを発生させ、伝送するように構成される、少なくとも１つの生物物理学的センサと、対象センサデータを受信するように構成され、対象センサデータを標的挙動に分類する分類子として訓練される、ニューラルネットワークを備える、少なくとも１つの電子システムを備える、挙動予測システムであって、分類子は、訓練データを用いて訓練される、挙動予測システムと備え得る、システムを提供する。いくつかの実施形態では、訓練データは、複数の異なる生物物理学的センサからの訓練センサデータを備え、少なくとも１つの生物物理学的センサは、複数の異なる生物物理学的センサを含む。いくつかの実施形態では、訓練センサデータは、グルコースレベルを含み、挙動データは、グルコースレベルに対応する記録された食品を含み、少なくとも１つの生物物理学的センサは、グルコース計を含み、標的挙動は、予測される食品摂取である。いくつかの実施形態では、訓練センサデータは、心拍数データを含み、挙動データは、心拍数データに対応する記録された食品を含み、少なくとも１つの生物物理学的センサは、心拍数モニタを含み、標的挙動は、予測される食品摂取である。いくつかの実施形態では、本システムは、挙動予測システムはさらに、標的挙動を伝送するように構成され、標的挙動を受信するように構成される、対象デバイスをさらに含む。
【0025】
別の側面では、本開示は、食品アイテムの説明に対応する文字列データを受信および記憶することと、文字列データを、文字列データから主格語および非主格語を判定するように構成される言語プロセッサに適用することと、主格語に応答して、主格語を伴うアイテムデータベースにクエリを行うことと、非主格語に応答して、非主格語を伴うアイテムデータベースにクエリを行うことと、クエリを行うことに応答して、クエリ結果のリストを発生させ、クエリ結果のリストは、食品アイテムのためのレシピを備える、こととを含み得る、方法を提供する。いくつかの実施形態では、本方法はさらに、言語プロセッサはさらに、明示的成分として主格語を判定するように構成され、明示的成分を用いたクエリへの応答をフィルタ処理し、クエリ結果のリストを発生させることとを含む。
【0026】
別の側面では、本開示は、食品アイテムの説明を備える、データベースを記憶するように構成される、記憶デバイスと、テキスト文字列を処理し、主格および非主格語を判定するように構成される、少なくとも１つのコンピューティングデバイスを備える、言語処理システムと、言語処理システムによって発生される主格語に応答して、第１のクエリをデータベースに適用するように、かつ非主格語に応答して、第２のクエリをデータベースに適用し、クエリに応答して、クエリ結果のリストを発生させるように構成される、少なくとも１つのコンピューティングデバイスを備える、クエリシステムであって、クエリ結果のリストは、食品アイテムのためのレシピを備える、クエリシステムとを備え得る、システムを提供する。いくつかの実施形態では、言語処理システムはさらに、明示的成分として主格語を判定するように構成され、クエリシステムはさらに、第１のまたは第２のクエリへの応答をフィルタ処理するように構成される。
【0027】
別の側面では、本開示は、アイテムの性質を備える、第１のデータを受信および記憶することと、アイテム内の普及度の順序でランク付けされるアイテムの構成要素を備える、第２のデータを受信および記憶することと、データベース内のランク付けされた構成要素のうちの少なくとも１つに関して性質を判定し、ルックアップデータを発生させることと、ルックアップデータに応答して、アイテム内の少なくとも１つの構成要素の少なくとも１つの量を判定することと、出力データとして、少なくとも１つの構成要素の少なくとも１つの量を記憶することとを含み得る、方法を提供する。いくつかの実施形態では、第１のデータを受信および記憶することは、食品アイテムに関する栄養情報を受信することを含み、第２のデータを受信および記憶することは、食品アイテムに関するランク付けされた成分データを受信することを含む。いくつかの実施形態では、第１および第２のデータを受信ならびに記憶することは、食品アイテムの食品ラベルの画像データを捕捉および処理することを含む。いくつかの実施形態では、第１のデータは、ｎ個の性質を含み、第２のデータは、ｍ個の構成要素を含み、構成要素毎に性質を判定することは、構成要素およびそれらの性質のｎ×ｍ行列を生成ならびに記憶することを含み、アイテム内の各構成要素の量を判定することは、ｙ＝Ａｘに対応する連立方程式を解法することを含み、ｙは、成分の量であり、ｘは、構成要素であり、Ａは、行列である。いくつかの実施形態では、各構成要素の量を判定することは、行列Ａを線形回帰分析のために構成されるニューラルネットワークに適用することを含む。
【0028】
別の側面では、本開示は、アイテムの性質を備える第１のデータおよびアイテム内の普及度の順序にランク付けされたアイテムの構成要素を備える第２のデータを受信するように結合され、構成要素毎に性質を表すデータ構造を生成するように構成される、処理デバイスを含む、データ前処理セクションと、データ構造を受信するように結合され、アイテム内の各構成要素の量を判定するように構成される、処理デバイスを含む、分析セクションとを備え得る、システムを提供する。いくつかの実施形態では、本システムはさらに、アイテムに関する第１および第２のデータを捕捉するように構成される、入力デバイスを備える。いくつかの実施形態では、入力デバイスは、アイテムに関するラベルの画像を捕捉するように構成される、画像捕捉デバイスを備える。いくつかの実施形態では、第１のデータは、食品アイテムの栄養情報を備え、第２のデータは、食品アイテム成分を備える。いくつかの実施形態では、第１のデータは、ｎ個の性質を含み、第２のデータは、ｍ個の構成要素を含み、データ構造は、構成要素およびそれらの性質のトポロジーマッピングを備え、分析セクションは、ｙ＝Ａｘに対応する連立方程式を解法するように構成され、ｙは、成分の量であり、ｘは、構成要素であり、Ａは、トポロジーマッピングである。いくつかの実施形態では、トポロジーマップは、行列であり、分析セクションは、線形回帰分析のために構成されるニューラルネットワークを備える。
【0029】
別の側面では、本開示は、アイテムの性質を備える、第１のデータを受信および記憶することと、アイテム内の普及度の順序でランク付けされるアイテムの構成要素を備える、第２のデータを受信および記憶することと、データベース内のランク付けされた構成要素のうちの少なくとも１つに関して性質を判定し、ルックアップデータを発生させることと、ルックアップデータに応答して、アイテム内の少なくとも１つの構成要素の少なくとも１つの量を判定することと、出力データとして、各構成要素の少なくとも１つの量を記憶することとを含み得る、方法を提供する。
【0030】
別の側面では、本開示は、アイテムの文字列説明と、アイテムの性質とを備える、訓練データを用いて、加重行列を有する単語埋め込みシステムを訓練し、アイテムの文字列説明を、アイテムの性質に従って加重される埋め込まれた空間の中に埋め込むことと、アイテムの入力文字列説明を訓練された単語埋め込みシステムに適用し、アイテムの性質に従って加重される出力単語埋め込みを推論することとを含み得る、方法を提供する。いくつかの実施形態では、単語埋め込みシステムを訓練することは、性質として栄養情報を伴う食品文字列説明を用いて訓練することを含む。いくつかの実施形態では、入力文字列を適用することは、食品アイテムの文字列説明を適用することを含む。
【0031】
別の側面では、本開示は、アイテムの文字列説明と、アイテムの性質とを含む、訓練データを記憶するように構成される、記憶システムと、訓練データを用いて訓練されるニューラルネットワークを使用して、文字列の単語を、文字列説明のうちの１つに対応するアイテムの性質から導出される加重を伴う埋め込まれた空間の中に埋め込む、単語埋め込みシステムと、入力文字列を受信し、それを単語埋め込みシステムに適用し、性質に従って加重される単語埋め込みを発生させるように構成される、入力とを備え得る、システムを提供する。いくつかの実施形態では、訓練データは、食品アイテムの単語の説明と、食品アイテムに関する栄養情報とを含む。いくつかの実施形態では、入力文字列は、食品アイテムの説明を含み、発生された単語埋め込みは、栄養情報に従って加重される。
【0032】
別の側面では、本開示は、アイテムの文字列説明と、アイテムの性質とを備える、訓練データを用いて、加重行列を有する単語埋め込みシステムを訓練し、単語の列のアイテムを、対応するアイテムの性質に従って加重される埋め込まれた空間の中に埋め込むことと、アイテムの入力文字列説明を訓練された単語埋め込みシステムに適用し、性質加重を伴う出力単語埋め込みを推論することとを含み得る、方法を提供する。
【0033】
別の側面では、本開示は、アイテムの文字列説明と、アイテムの性質とを含む、訓練データを記憶するように構成される、記憶システムと、文字列説明の単語を、文字列説明に対応するアイテムの性質から導出される加重を伴う埋め込まれた空間の中に埋め込むように、訓練データを用いて訓練される単語埋め込みシステムとして構成される、ニューラルネットワークと、入力文字列を受信し、それを訓練された単語埋め込みシステムに適用し、性質に従って加重される単語埋め込みを発生させるように構成される、入力とを備え得る、システムを提供する。
【0034】
別の側面では、本開示は、（ａ）複数の食品アイテムのテキストベースの説明、ならびに複数の食品アイテム毎に、（ｉ）栄養データおよび血糖値、または（ｉｉ）栄養データもしくは血糖値を取得することと、（ｂ）複数の食品アイテムのテキストベースの説明の埋め込みを発生させることと、（ｃ）少なくとも埋め込みに基づいて、血糖値が取得されなかった複数の食品アイテムの中の食品アイテム毎の血糖値、および栄養データが取得されなかった複数の食品アイテムの中の食品アイテム毎の栄養データを推論することと、（ｄ）複数の食品アイテムの栄養データおよび血糖値上で教師あり機械学習アルゴリズムを訓練し、所与の食品アイテムの栄養データから所与の食品アイテムの血糖値を予測することとを含み得る、方法を提供する。いくつかの実施形態では、本方法は、所与の食品アイテムの血糖値を教師あり機械学習アルゴリズムに提供し、所与の食品アイテムの血糖値を予測することを含む。いくつかの実施形態では、血糖値は、血糖指数または血糖負荷である。いくつかの実施形態では、（ｂ）は、教師なし学習アルゴリズムを複数の食品アイテムのテキストベースの説明に適用することを含む。いくつかの実施形態では、教師なし学習アルゴリズムは、次元縮小アルゴリズムである。いくつかの実施形態では、教師なし学習アルゴリズムは、ｎ－グラムまたはバッグオブワードモデルである。いくつかの実施形態では、教師あり機械学習アルゴリズムは、ディープニューラルネットワークである。
【0035】
別の側面では、本開示は、少なくとも第１のデータベースおよび第２のデータベースを記憶するように構成される、データ記憶システムであって、第１のデータベースは、対応する属性を伴う第１のアイテムの説明を含み、第２のデータベースは、対応する標的値を伴う第２のアイテムの説明を含み、第１のアイテムのうちの少なくともいくつかは、第２のアイテムと異なる、データ記憶システムと、第１および第２のデータベースをマージし、対応する属性ならびに標的値を伴うマージされたアイテム説明を含む、訓練データを発生させるように構成される、少なくとも第１のコンピューティングデバイスを備える、埋め込みシステムと、属性から標的値を推論するように、訓練データを用いて訓練される機械学習システムを備える、少なくとも第１の推論システムとを備え得る、システムを提供する。いくつかの実施形態では、アイテムの説明は、単語の説明を備える。いくつかの実施形態では、アイテムは、食品アイテムであり、属性は、食品アイテムの栄養データであり、標的値は、血糖応答値である。いくつかの実施形態では、血糖応答値は、血糖指数および血糖負荷の群から選択される。いくつかの実施形態では、本システムはさらに、少なくとも対象デバイスを用いて栄養データを入手するように構成される、データ捕捉セクションを備えることができ、少なくとも第１の推論システムは、少なくとも入手された栄養データから血糖指数値を推論するように構成される。いくつかの実施形態では、本システムはさらに、少なくとも、対象によって摂取されるものとして示される食品の血糖応答値に応答して、対象の血糖値を判定するように構成される、少なくとも第２の推論システムを備えることができる。いくつかの実施形態では、埋め込みシステムは、第１および第２のアイテムの説明を埋め込まれた空間の中に埋め込むように構成される、少なくとも１つのニューラルネットワークを備える。
【0036】
別の側面では、本開示は、アイテムに関する属性値を入手するように構成される、データ入手システムと、入手された属性値から標的値を推論するように構成される、少なくとも第１の推論システムであって、少なくとも第１のデータセットおよび第２のデータセットを埋め込むことによって発生される訓練データを用いて訓練される、少なくとも１つのニューラルネットワークであって、第１のデータセットは、対応する属性を伴うアイテムの説明を含み、第２のデータセットは、対応する標的値を伴うアイテムの説明を含む、ニューラルネットワークを含む、第１の推論システムとを備え得る、システムを提供する。いくつかの実施形態では、本システムはさらに、訓練データを用いて少なくとも１つのニューラルネットワークを訓練するように構成される、訓練エージェントを備える。いくつかの実施形態では、本システムはさらに、少なくとも推論された標的値から対象に関する応答を推論するように構成される、少なくとも第２の推論システムを備える。いくつかの実施形態では、標的値は、食品アイテムに関する血糖応答値であり、属性値は、食品アイテムの栄養値である。いくつかの実施形態では、少なくとも属性値は、ベクトル空間の中に埋め込まれるテキスト値である。いくつかの実施形態では、本システムはさらに、少なくとも推論された標的値に応答して、データを対象デバイス上で実行されるアプリケーションに伝送するように構成される、アプリケーションサーバを備える。
【0037】
別の側面では、本開示は、第１のモダリティの時系列訓練データおよび第２のモダリティの時系列訓練データを用いてニューラルネットワークを訓練し、第１のモダリティの時系列データから第２のモダリティの時系列データを発生させる第１のモデルを生成することと、第２のモダリティの発生された時系列、第３のモダリティの時系列訓練データ、および第４のモダリティの時系列データを用いて、第２のモデルを訓練し、第４のモダリティの時系列データを発生させることと、収束条件に到達されるまで、反復して、第１のモダリティの時系列データおよび第３のモダリティの時系列データ上で第２のモデルを試験することと、収束条件に到達することに応答して、第１のモダリティのデータを用いて第２のモデルを試験することによって、第２のモダリティデータを予測することとを含み得る、方法を提供する。いくつかの実施形態では、本方法は、第１のタイプのセンサを用いて、第１のモダリティの時系列訓練データを入手することと、第２のタイプのセンサを用いて、第２のモダリティの時系列訓練データを入手することとを含む。いくつかの実施形態では、第２のタイプのセンサは、グルコース計であり、第２のモダリティの時系列データは、経時的なグルコースレベルを含む。いくつかの実施形態では、ニューラルネットワークを訓練し、第１のモデルを生成することは、時系列訓練データのＮ個のセットを用いて訓練することを含み、第１のモダリティの推定される時系列訓練データおよび少なくとも第３のモダリティの時系列訓練データを用いて、第１のモデルを訓練することは、時系列データのＭ個のセットを用いて訓練することを含む。いくつかの実施形態では、本方法は、時系列データのＮ個のセットおよび時系列データのＭ個のセットを用いて、第１のモデルを試験し、試験のエラー値に応答して、第１のモデルを更新することを含み、訓練された第１のモデルは、最も小さいエラーを伴う第１のモデルである。いくつかの実施形態では、収束条件に到達することは、閾値を上回らないエラー値を計算することを含む。
【0038】
別の側面では、本開示は、訓練データのＭ個のセットを伴う第１のモダリティの時系列データから第２のモダリティの時系列データを発生させるように訓練される、第１のモデルを含む、初期モデルセクションと、第１のモデルから導出され、訓練データのＮ個のセットを伴う第４のモダリティの少なくとも時系列データから、少なくとも第３のモダリティの時系列データを発生させるように構成される、第２のモデルと、訓練データのＭおよびＮ個のセットを用いて第２のモデルを試験し、試験エラー値に応答して第２のモデルを更新するように構成される、試験セクションとを含む、訓練セクションと、第１のモダリティの時系列データから第２のモダリティの時系列データを推論するように構成される、最低試験エラー値を伴う第２のモデルである、推論モデルとを備え得る、システムを提供する。いくつかの実施形態では、第１のモデル、第２のモデル、および推論モデルは、ニューラルネットワークを備える。いくつかの実施形態では、第１および第２のモダリティの時系列データは、生物物理学的センサデータである。いくつかの実施形態では、第１および第２のモダリティの少なくとも時系列データは、グルコース計に対応するグルコースレベルである。いくつかの実施形態では、第３および第４のモダリティは、グルコースレベルである。いくつかの実施形態では、訓練セクションは、第１のモデルの逆であり、第３および第４のモダリティの時系列データから第１のモダリティの推定される時系列データを発生させるように構成される、逆モデルと、第１のモダリティの推定される時系列データおよび第３のモダリティの時系列データから線形パラメータを発生させるように構成される、推定器セクションと、線形パラメータを使用して、第３のモダリティの時系列データから第１のモダリティのマッピングされた時系列データを発生させるように構成される、セクションとを備え、第２のモデルは、第１のモダリティのマッピングされた時系列データを用いて訓練される。
【0039】
別の側面では、本開示は、第１のモダリティの時系列訓練データおよび第２のモダリティの時系列訓練データを用いて、ニューラルネットワークを訓練し、第１のモダリティの時系列データから第２のモダリティの時系列データを発生させる第１のモデルを生成することと、収束条件に到達されるまで、第２のモデルを使用して、第３のモダリティおよび第４のモダリティからの時系列データの混合物から、第１のモダリティの推定される時系列データを発生させることであって、第２のモデルは、第１のモデルの逆モデルとして開始される、ことと、第１のモダリティの推定される時系列データおよび第３のモダリティの時系列データを使用して、第２のモデルを訓練し、線形フィッティングパラメータを推定することと、推定される線形フィッティングパラメータを使用して、第３のモダリティの時系列データから第１のモダリティの類似時系列データを発生させることと、第１のモダリティの類似時系列データを第３のモダリティの時系列データに直線的にマッピングすることと、第３のモダリティの時系列データおよび第４のモダリティの時系列データの第１のモダリティ混合物からの直線的にマッピングされた類似時系列データを使用して、第３のモデルを訓練し、第３のモダリティからの時系列データおよび第４のモダリティからの時系列データの混合物を発生させることであって、第３のモデルは、第２のモデルの逆である、ことと、第３のモデルの逆モデルであるように第２のモデルを修正することと、収束条件に到達されたかどうかを評価することとを含み得る、方法を提供する。いくつかの実施形態では、第３のモデルを訓練することは、第１のモデルとして第３のモデルを初期化することを含む。
【0040】
別の側面では、本開示は、ニューラルネットワークを訓練し、時系列データを較正するための方法を提供する。本方法は、生物物理学的応答に関する較正された時系列データおよび生物物理学的応答に関する対応する未加工時系列データを受信することと、生物物理学的応答に関する較正された時系列データおよび対応する未加工時系列データ上で、ニューラルネットワークを訓練し、較正された時系列データを発生させることであって、その訓練は、（ｉ）所与の未加工時系列に関するニューラルネットワークの出力と（ｉｉ）対応する較正された時系列との間の差異に基づいて、ニューラルネットワークのパラメータを更新することを含む、ことと、生物物理学的センサによって発生される、未加工入力時系列データを受信することと、未加工入力時系列データをニューラルネットワークに適用することによって、較正された時系列データを発生させることとを含むことができる。いくつかの実施形態では、未加工入力時系列データは、グルコース計によって発生される。いくつかの実施形態では、ニューラルネットワークは、未加工入力時系列データに存在するドリフトを取り消すように訓練される。いくつかの実施形態では、未加工時系列データおよび未加工入力時系列データは、グルコース計によって発生される。いくつかの実施形態では、ニューラルネットワークを訓練することはさらに、ドメイン特有の特徴エンジニアリングを含む。いくつかの実施形態では、ニューラルネットワークを訓練することは、教師なし訓練を含む。
【0041】
別の側面では、本開示は、順序付けを有する複数のデータセットからデータ構造を構築することであって、データ構造は、順序付けに基づくインターバル木を含む、ことと、任意の構造がインターバル木に欠落したインターバルを有するかどうかを判定することと、データ構造が欠落したインターバルを有する場合、欠落したインターバルに関するデータ値を補定することによって、欠落したインターバルに関するデータを生成することと、クエリデータに応答して、少なくともインターバル木を検索することによって、データ構造にアクセスすることと、順序付けを反映する列を含む、アクセスされたデータ値から表形式データ構造を形成することとを含み得る、方法を提供する。いくつかの実施形態では、データセットは、時間で順序付けられるアクションを備える。いくつかの実施形態では、データ構造のうちのいずれかが欠落したインターバルを有するかどうかを判定することは、データ構造を、欠落したインターバルを有していない場合、第１のクラスに、欠落したインターバルを有する場合、第２のクラスに分類することを含む。いくつかの実施形態では、データ構造からのデータ値にアクセスすることは、クエリ動作のためのデータ構造を選択すること、順序付けによって決定付けられるデータ構造の領域にクエリを行うこと、クエリ結果を継合すること、および異なるデータ構造の重複領域をマージすることから成る群から選択される、動作を含む。いくつかの実施形態では、表形式データ構造を形成することは、アクセスされたデータ値からデータフレームを形成することを含む。いくつかの実施形態では、表形式データ構造を形成することは、アクセスされたデータ値からデータフレームを形成することを含む。いくつかの実施形態では、データセットは、順序付けを有する異なる対象事象を備え、表形式データ構造を形成することは、クエリが行われた時間周期にわたって異なる対象事象を含む、表形式データ構造を形成することを含む。いくつかの実施形態では、対象事象のうちの少なくとも１つは、対象の生物物理学的応答である。いくつかの実施形態では、生物物理学的応答は、対象のグルコースレベルである。
【0042】
別の側面では、本開示は、順序付けを伴うデータ値をそれぞれ有する、表形式データセットを記憶するように構成される、データ記憶部と、プロセッサによって実行されると、プロセッサに、順序付けに基づくインターバル木を含む、データ構造を生成することと、インターバル木のうちのいずれかが欠落したインターバルを含むかどうかを判定することと、インターバル木が欠落したインターバルを有する場合、欠落したインターバルに関するデータを補定することと、クエリデータに応答して、少なくともデータ構造のインターバル木を検索することによって、データ構造からのデータ値にアクセスすることと、順序付けを反映する列を含む、アクセスされたデータ値から表形式データ構造を形成することとを含む、動作を実施させる、機械実行可能命令を備える、メモリとを備え得る、システムを提供する。いくつかの実施形態では、データ記憶部は、対象アクションに対応する時間または日付列を有する、表形式データセットを記憶するように構成される。いくつかの実施形態では、処理セクションは、クエリ動作のためのデータ構造を選択すること、順序付けによって決定付けられるデータ構造の領域にクエリを行うこと、クエリ結果を継合すること、および構造の重複領域をマージすることから成る群から選択される、動作を実行するように構成される。いくつかの実施形態では、データ記憶部は、順序付けを有する異なる対象事象を備える、表形式データセットを記憶するように構成され、処理セクションは、クエリが行われた時間周期にわたって異なる対象事象を含む、表形式データ構造を形成するように構成される。いくつかの実施形態では、対象事象のうちの少なくとも１つは、対象の生物物理学的応答である。いくつかの実施形態では、生物物理学的応答は、対象のグルコースレベルである。
【0043】
本開示の別の側面は、１つ以上のコンピュータプロセッサによる実行に応じて、上記または本明細書の別の場所の方法のうちのいずれかを実装する、機械実行可能コードを備える、非一過性コンピュータ可読媒体を提供する。
【0044】
本開示の別の側面は、１つ以上のコンピュータプロセッサと、それに結合されるコンピュータメモリとを備える、システムを提供する。コンピュータメモリは、１つ以上のコンピュータプロセッサによる実行に応じて、上記または本明細書の別の場所の方法のうちのいずれかを実装する、機械実行可能コードを備える。
【0045】
本開示の付加的側面および利点が、本開示の例証的実施形態のみが、示され、説明される、以下の詳細な説明から当業者に容易に明白となるであろう。認識されるであろうように、本開示は、他の異なる実施形態が可能であり、そのいくつかの詳細は、全て本開示から逸脱することなく、種々の明白な点において修正が可能である。故に、図面および説明は、本質的に例証的と見なされ、制限的と見なされるものではない。
本願明細書は、例えば、以下の項目も提供する。
（項目１）
強化学習アルゴリズムを訓練および使用し、報酬関数に対して対象のグルコースレベルを維持または調節もしくは最適化する際に前記対象を支援する推奨を発生させるためのコンピュータ実装方法であって、
収束条件が達成されるまで、反復して、
前記強化学習アルゴリズムを使用して前記推奨を発生させることであって、その推奨は、推奨される食事または身体活動を含む、ことと、
生物物理学的反応モデルを使用して前記推奨を処理し、前記推奨に従うことへの前記対象の予測されるグルコース応答を発生させることと、
報酬関数を前記予測されるグルコース応答に適用し、第１の報酬を発生させ、前記第１の報酬に基づいて前記強化学習アルゴリズムを更新することと、
前記推奨を前記対象に提供することと、
前記推奨に従うことへの前記対象のグルコース応答を測定することと、
第２の報酬関数を前記測定されたグルコース応答に適用し、第２の報酬を発生させ、前記第２の報酬に基づいて前記強化学習アルゴリズムを更新することと
を含む、方法。
（項目２）
前記対象のグルコース応答を使用し、前記生物物理学的反応モデルを訓練することをさらに含む、項目１に記載の方法。
（項目３）
前記対象のグルコース応答を、前記生物物理学的反応モデルおよび前記第２の報酬関数に提供するための低次元潜在空間にエンコードすることをさらに含む、項目１に記載の方法。
（項目４）
前記第１の報酬関数は、前記第２の報酬関数と同一である、項目１に記載の方法。
（項目５）
前記生物物理学的反応モデルは、複数の入力に応答して前記対象のシミュレートされた生物物理学的応答を発生させるように構成される、少なくとも１つの身体モデルを含む、項目１に記載の方法。
（項目６）
前記対象の予測されるグルコース応答を発生させることは、
前記対象のグルコース応答を、将来のグルコース応答を推論するように訓練される予測器に適用することと、
前記推奨を、前記対象が厳密に前記推奨に従うであろう程度を評価するように構成される順守モデルに適用することと、
前記予測器および前記順守モデルの出力を前記身体モデルへの前記複数の入力として選択的に適用することと
を含む、項目５に記載の方法。
（項目７）
前記予測されるグルコース応答を発生させることはさらに、前記シミュレートされた生物物理学的応答をオートエンコーダおよび敵対的生成ネットワークに適用し、前記予測されるグルコース応答を発生させることを含む、項目６に記載の方法。
（項目８）
前記収束条件は、少なくとも部分的に前記第１の報酬の規模に基づく、項目１に記載の方法。
（項目９）
方法であって、
複数の異なるデータソースのうちの１つからの履歴時系列データ上で、複数の異なるオートエンコーダ（ＡＥ）時間的畳み込みニューラルネットワーク（ＣＮＮ）のそれぞれを訓練することであって、前記複数の異なるデータソースは、持続的グルコースモニタと、心拍数モニタと、食品データのソースとを備える、ことと、
前記複数の異なるデータソースからの現在のデータに応答して、前記複数のＡＥ時間的ＣＮＮを使用して複数のシード値を発生させることと、
対応するＡＥ時間的ＣＮＮからの前記複数のシード値のうちの１つを伴って複数の異なるＣＮＮエンコーダのそれぞれを構成することと、
前記対応するデータソースからの過去の履歴時系列データを前記時間的ＣＮＮエンコーダに適用し、エンコードされたデータ値を発生させることと、
前記エンコードされたデータ値を、前記データソースのうちの１つに対応する予測されるデータ値を発生させるように構成される予想に適用することと
を含む、方法。
（項目１０）
前記複数のＡＥ時間的ＣＮＮを訓練することは、
第１の生物物理学的応答を読み取る第１のタイプのセンサからのデータを用いて、第１のＡＥ時間的ＣＮＮを訓練することと、
第２の生物物理学的応答を読み取る第２のタイプのセンサからのデータを用いて、第２のＡＥ時間的ＣＮＮを訓練することと、
前記エンコードされたデータ値を適用し、予測される第１の生物物理学的応答を発生させることと
を含む、項目９に記載の方法。
（項目１１）
方法であって、
第１の生物物理学的センサから、対象の少なくとも１つの生物物理学的応答を表す基準値を経時的に受信することであって、時間は、第２の時間周期が後に続く、第１の時間周期を含む、ことと、
第２の生物物理学的センサから第１のデータ値を受信することと、
前記第２の時間周期からの少なくとも第１のデータを使用する第１の対象モデルを用いて、前記少なくとも１つの生物物理学的応答に関する第１の予測値を推論することと、
前記第１の時間周期からの少なくとも第１のデータを使用する第２の対象モデルを用いて、前記少なくとも１つの生物物理学的応答に関する第２の予測値を推論することと、
前記第１および第２の予測値を前記基準値と比較し、前記対象モデルの正確度を判定することと
を含む、方法。
（項目１２）
第２の予測値を推論することは、
前記第１の時間周期の第１のデータ値から前記第２の時間周期に関する予測される第１のデータ値を推論することと、
前記第２の時間周期に関する前記第１の予測されるデータ値を前記第２の対象モデルに適用することと
を含む、項目１１に記載の方法。
（項目１３）
第２のデータ値を受信することをさらに含み、
前記少なくとも１つの生物物理学的応答に関する第１の予測値を推論することはさらに、前記第２の時間周期からの第２のデータを使用することを含み、
前記少なくとも１つの生物物理学的応答に関する第２の予測値を推論することはさらに、前記第１の時間周期からの第２のデータを使用することを含む、項目１１に記載の方法。
（項目１４）
少なくとも前記基準値および前記第１の時間周期からの第１のデータ値に応答して、前記第２の対象モデルにおいてパラメータを調節することをさらに含む、項目１１に記載の方法。
（項目１５）
前記少なくとも１つの生物物理学的応答に関する前記第１の予測値を第１の敵対的生成ネットワークに適用し、第１の調節された予測値を発生させることと、
前記少なくとも１つの生物物理学的応答に関する前記第２の予測値を第２の敵対的生成ネットワークに適用し、第２の調節された予測値を発生させることと、
前記第１および第２の調節された予測値を前記基準値と比較し、前記敵対的生成ネットワークの正確度を判定することと
をさらに含む、項目１１に記載の方法。
（項目１６）
前記第１および第２の予測値を前記基準値と比較することに応答して、少なくとも前記第１および第２の身体モデルを更新することをさらに含む、項目１１に記載の方法。
（項目１７）
システムであって、
第２の時間周期に先行する第１の時間周期に関する第１のデータ値から、前記第２の時間周期に関する予測される第１のデータ値を発生させるように構成される、第１のデータ予測モデルと、
前記第１の時間周期に関する第２のデータ値から、前記第２の時間周期に関する予測される第２のデータ値を発生させるように構成される、第２のデータ予測モデルと、
前記第２の時間周期からの第１および第２のデータ値から、第１の予測される生物物理学的応答を推論するように構成される、人工ニューラルネットワーク（ＡＮＮ）を少なくとも部分的に備える、第１の対象モデルと、
前記第２の時間周期に関する予測される第１および第２のデータ値から、第２の予測される生物物理学的応答を推論するように構成される、第１の身体モデルと同一の構造を有する第２の対象モデルと、
前記第２の時間周期に関する基準生物物理学的応答を前記第１および第２の予測される生物物理学的応答と比較するように構成される、比較システムと
を備える、システム。
（項目１８）
前記第１および第２のデータ予測モデルは、長・短期記憶ネットワークを備える、項目１７に記載のシステム。
（項目１９）
前記第１の時間周期に関する前記基準生物物理学的応答から、前記第２の時間周期に関する予測される基準生物物理学的応答を発生させるように構成される、第３のデータ予測モデルをさらに含む、項目１７に記載のシステム。
（項目２０）
基準生物物理学的応答ならびに前記第１の時間周期からの前記第１および第２のデータ値に応答して、少なくとも前記第２の対象モデルを更新するように構成される、パラメータ推定器をさらに含む、項目１７に記載のシステム。
（項目２１）
前記比較システムからの比較結果に応答して、前記第１のデータ予測モデル、第２のデータ予測モデル、前記第１の対象モデル、前記第２の対象モデルのうちのいずれかを選択的に調節するように構成される、フィードバック発生器をさらに含む、項目１７に記載のシステム。
（項目２２）
方法であって、
第１の時間間隔の間に、人工ニューラルネットワーク（ＡＮＮ）を備える生物物理学的モデルを訓練し、少なくとも第１のセンサデータおよび第２のセンサデータから対象のシミュレートされた生物物理学的応答を発生させることであって、前記第１のセンサデータは、持続的グルコース監視データを備え、前記第２のセンサデータは、心拍数監視データを備え、その訓練は、前記生物物理学的モデルの個人化された時変パラメータを推定することを含む、ことと、
第２の時間間隔の間に、前記訓練された生物物理学的モデルを使用して、リアルタイムで前記対象のシミュレートされた生物物理学的応答を発生させることであって、前記リアルタイムデータは、前記第２のセンサデータを含むが、前記第１のセンサデータを含まない、ことと
を含む、方法。
（項目２３）
前記生物物理学的モデルを訓練することは、
少なくとも前記第１のセンサデータを前記生物物理学的モデルに適用することと、
対象の実際の第１の生物物理学的応答に対して前記シミュレートされた第１の生物物理学的応答を評価する、パラメータ推定器を使用して、前記生物物理学的モデルを更新することと
を含む、項目２２に記載の方法。
（項目２４）
前記生物物理学的モデルを訓練することは、前記第１のセンサデータおよび前記第２のデータを前記第１の生物物理学的モデルに適用することを含み、前記第２のデータは、前記第１の生物物理学的応答と異なる、項目２２に記載の方法。
（項目２５）
前記第２のデータは、前記対象によって記録されるデータを備える、項目２４に記載の方法。
（項目２６）
システムであって、
少なくとも１つのタイプのセンサからのデータを訓練し、シミュレートされた第１のタイプの生物物理学的応答を出力することに応答して、ネットワークパラメータを導出するように構成される、人工ニューラルネットワーク（ＡＮＮ）を備える第１の生物物理学的モデルと、
前記シミュレートされた第１のタイプの生物物理学的応答および対象の実際の第１のタイプの生物物理学的応答に応答して、前記第１の生物物理学的モデルのパラメータを更新するように構成される、パラメータ推定器と、
リアルタイムで前記少なくとも１つのタイプのセンサから受信されるセンサデータに応答して、前記対象に関してリアルタイムで予測される第１のタイプの生物物理学的応答を推論するように動作可能である、前記ネットワークパラメータを伴って構成される、ＡＮＮを備える第２の生物物理学的モデルと
を備える、システム。
（項目２７）
前記実際の第１のタイプの生物物理学的応答は、第１のタイプのセンサを用いて記録され、前記少なくとも１つのタイプのセンサは、前記第１のタイプのセンサと異なる、項目２６に記載のシステム。
（項目２８）
前記少なくとも１つのタイプのセンサは、前記第１のタイプの生物物理学的応答と異なる第２のタイプの生物物理学的応答を記録する、項目２７に記載のシステム。
（項目２９）
前記実際の第１のタイプの生物物理学的応答は、第１のタイプのセンサを用いて記録され、前記少なくとも１つのタイプのセンサは、前記第１のタイプのセンサと異なる、項目２６に記載のシステム。
（項目３０）
前記第１の生物物理学的モデルは、少なくとも１つのタイプのセンサからのデータおよび第２のソースからのデータを用いた訓練に応答して、前記ネットワークパラメータを導出し、
前記第２の生物物理学的モデルは、リアルタイムで前記少なくとも１つのタイプのセンサから受信されるセンサデータおよびリアルタイムで受信される前記第２のソースからのデータに応答して、予測される第１のタイプの生物物理学的応答を推論する、項目２６に記載のシステム。
（項目３１）
前記第２のソースは、前記対象によって個人的に記録されるデータを備える、項目３０に記載のシステム。
（項目３２）
方法であって、
アクションを実施する少なくとも１人の対象に関する異なるタイプのデータをそれぞれ記録する、複数の異なるソースから時系列データを受信することであって、前記異なるソースは、前記少なくとも１人の対象のグルコース応答を記録する、グルコースセンサを含む、ことと、
少なくとも１つのエンコーディング人工ニューラルネットワーク（ＡＮＮ）を用いて、前記時系列データに教師なし学習を実行し、相互からの所定の距離を有する、結果として生じる潜在空間内でエンコードされた値を生成することと、
前記潜在空間に基づいて直交値を選択することと、
前記エンコーディングＡＮＮへの対応するデコーディング構造を有するＡＮＮを用いて、前記直交値をデコードし、デコードされた値を発生させることと、
前記デコードされた値を対象アクションにマッピングすることと
を含む、方法。
（項目３３）
教師なし学習を実行することは、前記時系列データをオートエンコードすることを含む、項目３２に記載の方法。
（項目３４）
前記時系列データをオートエンコードすることは、時間的畳み込みニューラルネットワーク（ＮＮ）変分オートエンコーダを用いてオートエンコードすることを含む、項目３３に記載の方法。
（項目３５）
特定の対象に関する関連性基準に基づいて、前記デコードされた値をフィルタ処理することをさらに含む、項目３２に記載の方法。
（項目３６）
前記異なるソースはさらに、前記少なくとも１人の対象の第２のタイプの生物物理学的応答を記録する、第２のタイプのセンサを含む、項目３２に記載の方法。
（項目３７）
少なくとも１つの対象アクションは、前記対象の身体活動および前記対象による食品の摂取から選択される、項目３２に記載の方法。
（項目３８）
前記異なるソースのうちの少なくとも１つは、加速度計データ、前記対象のカレンダデータ、および前記対象の睡眠状態の群から選択される、項目３２に記載の方法。
（項目３９）
システムであって、
時系列データ値を、相互からの所定のメトリック距離を有する潜在空間内でエンコードされた値にエンコードするように構成される、エンコーダであって、前記時系列データは、少なくとも１人の対象の特徴を記録する複数の異なるデータソースからのものであり、少なくとも１つの時系列データは、前記少なくとも１人の対象の第１のタイプの生物物理学的応答に関するものである、エンコーダと、
前記エンコードされた値から直交値を判定するように構成される、値セレクタモジュールと、
前記エンコーダに対応するデコーディング構造を有し、前記直交値からデコードされた値を発生させるように構成される、デコーダと、
前記デコードされた値を前記少なくとも１人の対象のアクションにマッピングするように構成される、アクションマッピングモジュールと
を備える、システム。
（項目４０）
前記オートエンコーダは、時間的畳み込みＮＮ変分オートエンコーダを備える、項目３９に記載のシステム。
（項目４１）
特定の対象に関する関連性基準に基づいて、前記デコードされた値のうちのいくつかを選択的に破棄するように構成される、フィルタリングモジュールをさらに含む、項目３９に記載のシステム。
（項目４２）
前記時系列データのうちの少なくとももう１つは、前記少なくとも１人の対象の第２のタイプの生物物理学的応答に関するものである、項目３９に記載のシステム。
（項目４３）
前記データソースは、持続的グルコース計、心拍数モニタ、および前記少なくとも１人の対象によって記録される食品データを含む、項目３９に記載のシステム。
（項目４４）
方法であって、
コンピューティングシステムのシステムメモリ内にデータオブジェクトを生成することと、
データを前記データオブジェクトにコピーすることと、
デコレータ関数の実行によって、前記データオブジェクトを、エグレスメッセージング関数を有するデータ処理オブジェクトに変換することと、
複数の異なる機械学習プロセスのうちの１つを用いて、前記データ処理オブジェクトのデータを処理することと、
前記データの処理を完了することに応じて、処理結果を返し、前記エグレスメッセージング関数を実行することと
を含む、方法。
（項目４５）
前記複数の異なるプロセスは、非同期プロセスであり、前記方法はさらに、前記エグレスメッセージング関数に関してメッセージを受信することに応じて、
前記システムメモリ内に次のデータオブジェクトを生成することと、
次のデータをデータオブジェクトにコピーすることと、
前記デコレータ関数の実行によって、前記次のデータオブジェクトを、前記エグレスメッセージング関数を有する次のデータ処理オブジェクトに変換することと、
前記機械学習プロセスのうちの１つを用いて、前記次のデータ処理オブジェクトのデータを処理することと
を含む、項目４４に記載の方法。
（項目４６）
前記処理結果は、キーを値にマッピングする辞書オブジェクトを備える、項目４４に記載の方法。
（項目４７）
前記データは、人工ニューラルネットワーク（ＡＮＮ）上の学習動作のための前記ＡＮＮへの入力データを備える、項目４４に記載の方法。
（項目４８）
前記データは、人工ニューラルネットワーク（ＡＮＮ）上の推論動作のための前記ＡＮＮへの入力データを備える、項目４４に記載の方法。
（項目４９）
システムであって、
処理のためにデータを記憶するように構成される、データ記憶部と、
システムメモリと、
並行して複数の機械学習プロセスを実行するように構成される、多重処理モジュールと、
前記多重処理モジュールによって実行可能な命令を備える、データオブジェクト装飾関数であって、前記命令は、
前記システムメモリ内にデータオブジェクトを生成することと、
データを前記データ記憶部からの前記データオブジェクトにコピーすることと、
前記データオブジェクトを、エグレスメッセージング関数を有するデータ処理オブジェクトに変換することと、
前記機械学習プロセスのうちの１つをインスタンス化し、前記データ処理オブジェクトのデータを処理し、処理結果を返し、前記メッセージング関数を実行してメッセージを返すことと
を行うように構成される、データオブジェクト装飾関数と
を備える、システム。
（項目５０）
前記多重処理モジュールは、サーバ上に常駐する、項目４９に記載のシステム。
（項目５１）
前記多重処理モジュールは、複数のサーバにわたって分散される、項目４９に記載のシステム。
（項目５２）
前記機械学習プロセスは、人工ニューラルネットワーク（ＡＮＮ）を含む、項目４９に記載のシステム。
（項目５３）
前記ＡＮＮは、オートエンコーダ（ＡＥ）、敵対的生成ネットワーク（ＧＡＮ）、長・短期記憶ネットワーク（ＬＳＴＭ）、畳み込みニューラルネットワーク（ＣＮＮ）、および強化学習（ＲＬ）アルゴリズムから成る群から選択される、項目４９に記載のシステム。
（項目５４）
方法であって、
少なくとも１つの機械学習アーキテクチャを伴う生物物理学的モデルを生成し、第１の生物物理学的応答を予測することであって、前記生物物理学的モデルは、少なくとも一次センサデータおよび二次センサデータを用いて訓練されており、前記一次センサデータは、第１の生物物理学的応答を捕捉し、前記二次センサデータは、第２の生物物理学的応答を捕捉する、ことと、
前記一次センサデータではなく、少なくとも前記二次センサデータに応答して、前記生物物理学的モデルを用いて、前記対象の第１の生物物理学的応答を予測することと、
前記予測される第１の生物物理学的応答が所定の限界外であるかどうかを判定することと、
前記予測される第１の生物物理学的応答が、所定の限界外である場合、少なくとも１つの推奨を前記対象に伝送することであって、前記少なくとも１つの推奨は、前記所定の限界内であるように前記対象の実際の生物物理学的応答を調節するために選択される、ことと
を含む、方法。
（項目５５）
前記対象の健康ステータスに従って、前記所定の限界を設定することをさらに含む、項目５４に記載の方法。
（項目５６）
対象の健康目標に従って、前記所定の限界を設定することをさらに含む、項目５４に記載の方法。
（項目５７）
前記第１の生物物理学的応答は、前記対象のグルコース応答を含む、項目５４に記載の方法。
（項目５８）
前記第２の生物物理学的応答は、前記対象の心拍数を含む、項目５４に記載の方法。
（項目５９）
前記生物物理学的モデルはまた、前記対象によって記録されるデータを用いて訓練される、項目５４に記載の方法。
（項目６０）
前記一次センサデータは、持続的グルコースモニタから発生され、前記二次センサデータは、心拍数モニタから発生され、前記対象によって記録される前記データは、前記対象によって摂食される食品である、項目５９に記載の方法。
（項目６１）
前記少なくとも１つの推奨は、身体活動推奨および食品推奨から選択される、項目５４に記載の方法。
（項目６２）
前記生物物理学的モデルは、オートエンコーダとして構成される人工ニューラルネットワークを備える、項目５４に記載の方法。
（項目６３）
前記生物物理学的モデルは、少なくとも、推奨から第１の生物物理学的応答を予測するように構成される長・短期記憶（ＬＳＴＭ）として構成される、人工ニューラルネットワークを備える、項目５４に記載の方法。
（項目６４）
前記生物物理学的モデルは、前記対象の第１の生物物理学的応答を予測するように構成される、少なくとも１つの時間的畳み込みニューラルネットワークとして構成される、人工ニューラルネットワークを備える、項目５４に記載の方法。
（項目６５）
前記少なくとも１つの推奨は、異種センサデータをオートエンコードすることによって導出される正準アクションを含む、推奨セットから選択される、項目５４に記載の方法。
（項目６６）
前記予測される第１の生物物理学的応答が所定の限界外ではない場合、所定のメッセージを伝送することをさらに含む、項目５４に記載の方法。
（項目６７）
前記所定のメッセージは、奨励メッセージおよび報酬の群から選択される、項目６６に記載の方法。
（項目６８）
対象デバイス上に前記少なくとも１つの推奨を表示することをさらに含む、項目５４に記載の方法。
（項目６９）
対象デバイス上で実行可能なアプリケーションを用いて、少なくとも前記二次センサデータを捕捉することをさらに含む、項目６８に記載の方法。
（項目７０）
前記アプリケーションを用いて、前記一次データを捕捉することをさらに含む、項目６９に記載の方法。
（項目７１）
方法であって、
少なくとも１つの第１のパラメータを有するグルコース調整モデルを訓練し、少なくとも食品源データに応答してグルコースレベルを予測することと、
対象についての情報に応答して、前記少なくとも１つの第１のパラメータを前記グルコース調整モデルにおいて少なくとも１つの個人化されたパラメータと代用し、個人化されたグルコース調整モデルを生成することと、
前記対象からの食品源データを前記個人化されたグルコース調整モデルに適用し、前記対象のグルコースレベルを予測することと
を含む、方法。
（項目７２）
前記グルコース調整モデルは、少なくとも１つのニューラルネットワークを含む、項目７１に記載の方法。
（項目７３）
前記グルコース調整モデルは、長・短期記憶ニューラルネットワークおよびリカレントニューラルネットワークから成る群から選択される、少なくとも１つの統計モデルを含む、項目７２に記載の方法。
（項目７４）
前記グルコース調整モデルは、所定の集団のデータを用いて訓練される、少なくとも１つのニューラルネットワークを含む、項目７１に記載の方法。
（項目７５）
前記少なくとも１つの第１のパラメータは、インスリン抵抗パラメータを備える、項目７１に記載の方法。
（項目７６）
前記グルコース調整モデルは、グルコース調整の微分方程式モデルおよび結合方程式のセットを備えるグルコースモデルから成る群から選択される、少なくとも１つのグルコースモデルを含む、項目７１に記載の方法。
（項目７７）
前記グルコース調整の少なくとも１つの微分方程式モデルは、食品源関数を含む、項目７６に記載の方法。
（項目７８）
所定の食品への集団の血糖応答、および所定の食品に関するデータから計算される血糖応答から成る群から選択される、少なくとも訓練データを用いて、前記食品源関数を訓練することをさらに含む、項目７７に記載の方法。
（項目７９）
グルコース計を用いて前記対象のグルコース応答を記録することによって、前記対象の個人化されたパラメータを発生させることをさらに含む、項目７１に記載の方法。
（項目８０）
前記対象の特性データに基づいて、前記対象を人口統計同等群に分類することによって、前記対象の個人化されたパラメータを発生させることをさらに含む、項目７１に記載の方法。
（項目８１）
システムであって、
少なくとも食品源データに応答して、グルコースレベルを予測するように動作可能である、少なくとも１つのモデルパラメータを備える、グルコース予測モデルを備える、コンピューティングシステムと、
少なくとも１つの個人化されたパラメータを前記少なくとも１つのモデルパラメータとして受信するように構成される、モデルパラメータ入力と、前記少なくとも１つの個人化されたパラメータは、対象のデータに応答して発生される、モデルパラメータ入力と、
食品源データを前記少なくとも１つの個人化されたパラメータを伴う前記グルコース予測モデルに適用し、前記対象のグルコースレベルを予測するように構成される、食品源データ入力と
を備える、システム。
（項目８２）
前記グルコース調整モデルは、ニューラルネットワークを備える、項目８１に記載のシステム。
（項目８３）
前記グルコース調整モデルは、長・短期記憶ニューラルネットワークおよびリカレントニューラルネットワークから成る群から選択される、統計モデルを備える、項目８２に記載のシステム。
（項目８４）
前記グルコース調整モデルは、所定の集団からのデータを用いて訓練される、少なくとも１つのニューラルネットワークを備える、項目８１に記載のシステム。
（項目８５）
前記少なくとも１つのモデルパラメータは、インスリン抵抗パラメータを含む、項目８１に記載のシステム。
（項目８６）
前記グルコース調整モデルは、グルコース調整の微分方程式モデルおよび結合方程式のセットを備えるグルコースモデルから成る群から選択される、グルコース調整の少なくとも１つのモデルに基づいて、教師あり訓練を用いて導出される、項目８１に記載のシステム。
（項目８７）
前記グルコース調整の少なくとも１つの微分方程式モデルは、食品源関数を含む、項目８６に記載のシステム。
（項目８８）
前記食品源関数は、所定の食品への集団の血糖応答、および所定の食品に関するデータから計算される血糖応答から成る群から選択される、訓練データを用いて訓練される、少なくとも１つのニューラルネットワークを備える、項目８７に記載のシステム。
（項目８９）
前記食品源データを発生させるように構成される、電子デバイスをさらに含む、項目８１に記載のシステム。
（項目９０）
前記モデルパラメータ入力に結合され、前記個人化されたパラメータを記憶するように構成される、メモリをさらに含む、項目８１に記載のシステム。
（項目９１）
方法であって、
複数の属性上で、第１のニューラルネットワーク（ＮＮ）を訓練し、前記複数の属性の第２のサブセットから前記複数の属性の第１のサブセットを補定することと、
第２のＮＮを訓練し、前記属性の第１のサブセットおよび前記属性の第２のサブセットから標的値を予測することと、
対象から複数の入力属性のうちの入力属性のサブセットを受信することと、
前記第１のＮＮを使用し、前記複数の入力属性の中の残りの入力属性を補定することと、
前記第２のＮＮを用いて、前記入力属性の第１のサブセットおよび前記残りの入力属性を処理し、標的値を予測することと
を含む、方法。
（項目９２）
前記第１のＮＮは、オートエンコーダを備える、項目９１に記載の方法。
（項目９３）
前記第２のＮＮは、双方向リカレントＮＮを備える、項目９１に記載の方法。
（項目９４）
前記リカレントＮＮは、長・短期記憶ＮＮである、項目９３に記載の方法。
（項目９５）
前記複数の属性の第２のサブセットおよび前記入力属性のサブセットは、食品に関する栄養データを備え、
前記予測される標的値は、血糖値である、項目９１に記載の方法。
（項目９６）
システムであって、
対象から入力属性を受信するように構成される、対象データ入力と、
関連付けられる標的値を有する属性のセットから属性を無作為に選択することによって、入力属性から関連属性を補定するように訓練され、前記入力属性を連続的に受信するように構成される、第１のニューラルネットワーク（ＮＮ）と、
関連属性および前記入力属性から標的値を予測するように訓練され、前記第１のＮＮによって発生される前記入力属性および前記関連属性を受信するように構成される、第２のＮＮと、
前記第１および第２のＮＮへの各入力属性の適用に応答して、前記第２のＮＮから予測される標的値を出力し、更新するように構成される、対象データ出力と
を備える、システム。
（項目９７）
前記第１および第２のＮＮを訓練するための訓練入力属性ならびに対応する訓練標的値を記憶するように構成される、データ記憶部をさらに含む、項目９６に記載のシステム。
（項目９８）
前記第１のＮＮは、オートエンコーダを備える、項目９６に記載のシステム。
（項目９９）
前記第２のＮＮは、双方向リカレントＮＮを備える、項目９６に記載のシステム。
（項目１００）
前記リカレントＮＮは、長・短期記憶ＮＮである、項目９９に記載のシステム。
（項目１０１）
方法であって、
対象に関する生物物理学的読取値を発生させる少なくとも１つのセンサからセンサデータを受信することと、
第１のニューラルネットワーク（ＮＮ）の動作によって、前記センサデータを埋め込み、埋め込まれた値を発生させることと、
第２のＮＮの動作によって、前記埋め込まれた値に応答して、補定される埋め込まれた値を発生させることであって、前記補定される埋め込まれた値は、前記センサデータの１つ以上の領域に対応する補定値を含む、ことと、
前記埋め込まれた補定値を正規化し、補定値を発生させることと
を含む、方法。
（項目１０２）
前記領域は、使用可能であるデータを含まない、項目１０１に記載の方法。
（項目１０３）
センサデータを受信することは、第１のセンサおよび前記第１のセンサと異なる第２のセンサからデータを受信することを含み、
前記センサデータを埋め込むことは、前記第１および第２のセンサからのデータを連結させることを含む、項目１０１に記載の方法。
（項目１０４）
前記第１のセンサは、グルコースモニタである、項目１０３に記載の方法。
（項目１０５）
前記第２のセンサは、心拍数モニタである、項目１０４に記載の方法。
（項目１０６）
前記第２のＮＮは、オートエンコーダを備える、項目１０１に記載の方法。
（項目１０７）
システムであって、
生物物理学的読取値が、無効である、または欠落していると判定される、欠落領域を有する、センサデータを発生させる、少なくとも１つの生物物理学的センサと、
前記少なくとも１つのセンサからのデータ値を埋め込み、埋め込まれた値を発生させるように構成される、第１のニューラルネットワーク（ＮＮ）と、
前記埋め込まれた値に応答して、補定される埋め込まれた値を発生させるように構成される、第２のＮＮであって、前記補定される埋め込まれた値は、前記センサデータの欠落領域に対応する補定値を含む、第２のＮＮと、
前記埋め込まれた補定値を正規化し、補定値を発生させるように構成される、正規化システムと
を備える、システム。
（項目１０８）
前記少なくとも１つのセンサは、第１のセンサと、前記第１のセンサと異なる第２のセンサとを含み、
前記第１のＮＮは、同一の時間周期内に前記第１および第２のセンサからのセンサデータを単一の値に埋め込むように構成される、項目１０７に記載のシステム。
（項目１０９）
前記第１のセンサは、グルコースセンサである、項目１０８に記載のシステム。
（項目１１０）
前記第２のセンサは、心拍数モニタである、項目１０９に記載のシステム。
（項目１１１）
前記第２のＮＮは、オートエンコーダを備える、項目１０７に記載のシステム。
（項目１１２）
方法であって、
有効データセットおよびクエリデータセットを受信することであって、各データセットは、標識を伴うデータ値を含む、ことと、
ニューラルネットワーク（ＮＮ）の動作によって、前記データセット値および標的標識が条件とされる確率的分類子を用いて、前記有効データセットおよびクエリデータセットを分類することと、
１つのデータセットの全てのデータ値に関する分類結果に基づいて、品質スコアを発生させることと
を含む、方法。
（項目１１３）
標識として対応するアクションを伴うバイオメトリックセンサ読取値を取り込むことを含む、前記クエリデータセットを発生させることをさらに含む、項目１１２に記載の方法。
（項目１１４）
前記バイオメトリックセンサは、グルコース計を備える、項目１１３に記載の方法。
（項目１１５）
前記標識は、食品ログデータを備える、項目１１３に記載の方法。
（項目１１６）
前記データ値の分布は、形態ｐ（Ｘ，Ｙ，Ｚ）を有し、Ｘは、入力分布であり、Ｙは、前記確率的分類子のカテゴリ標的であり、Ｚは、前記値が属するデータセットに従って変動する、項目１１２に記載の方法。
（項目１１７）
前記確率的分類子の分類は、ｈ（ｘ）＝ｐ（ｚ＝１｜ｘ，Ｙ＝１）の形態をとり、ｚは、ｘが有効標識を伴う前記データセットからのものである場合、０に等しく、Ｚは、ｘが前記クエリデータセットからのものである場合、１に等しい、項目１１６に記載の方法。
（項目１１８）
システムであって、
標識を伴うデータ値を含む、データセットを記憶するように構成される、データ記憶システムであって、前記データセットは、少なくとも、有効データセットと、クエリデータセットとを含む、データ記憶システムと、
前記データ記憶システムと通信する電子システムであって、前記電子システムは、
前記データセット値および標的標識が条件とされる、前記有効データセットおよびクエリデータセットを分類するように構成される、確率的分類子として構成される、少なくとも１つのニューラルネットワークと、
前記クエリまたは有効データセットの中の全てのデータ値に関する分類値を調査し、それに応答して品質値を発生させるように構成される、品質セクションと
を含む、電子システムと
を備える、システム。
（項目１１９）
前記クエリデータセットに関するデータ値を発生させるように構成される、少なくとも１つのバイオメトリックセンサをさらに含む、項目１１８に記載のシステム。
（項目１２０）
前記バイオメトリックセンサは、グルコース計を備える、項目１１３に記載の方法。
（項目１２１）
前記有効およびクエリデータセットは、標識として食品ログを伴う血糖レベルを含む、項目１１８に記載のシステム。
（項目１２２）
前記データ値の分布は、形態ｐ（Ｘ，Ｙ，Ｚ）を有し、Ｘは、入力分布であり、Ｙは、前記確率的分類子のカテゴリ標的であり、Ｚは、前記値が属するデータセットに従って変動する、項目１１８に記載のシステム。
（項目１２３）
前記確率的分類子の分類は、ｈ（ｘ）＝ｐ（Ｘ＝１｜ｘ，Ｙ＝１）の形態をとり、Ｚは、ｘが前記有効データセットまたはクエリデータセットからのものであるかどうかに応じて、０または１に等しい、項目１２２に記載の方法。
（項目１２４）
方法であって、
データ記憶デバイス内に、生物物理学的センサ信号および前記生物物理学的センサ信号に対応する記録された挙動を記憶することであって、前記記憶されたデータは、訓練データを備える、ことと、
前記訓練データ上でニューラルネットワークを訓練し、標的挙動をもたらすものとして生物物理学的センサ信号を分類することと、
入力生物物理学的センサデータを受信することと、
前記ニューラルネットワークを使用して、前記入力生物物理学的センサデータを処理し、前記入力生物物理学的センサデータに起因する標的挙動を分類することと
を含む、方法。
（項目１２５）
前記生物物理学的センサ信号は、グルコースセンサ信号を含み、前記記録された挙動は、記録された食品データを含む、項目１２４に記載の方法。
（項目１２６）
前記生物物理学的センサ信号は、心拍数モニタ信号を含み、前記記録された挙動は、記録された食品データを含む、項目１２４に記載の方法。
（項目１２７）
前記標的挙動は、予測される食品消費である、項目１２４に記載の方法。
（項目１２８）
対象のための少なくとも１つのセンサを用いて、前記入力生物物理学的センサ信号を入手することと、
前記入力生物物理学的センサ信号を前記ニューラルネットワークに伝送することと、
前記標的挙動を前記対象のデバイスに伝送することと
をさらに含む、項目１２４に記載の方法。
（項目１２９）
システムであって、
訓練センサデータと、対応する挙動データとを備える、訓練データを記憶するように構成される、記憶システムと、
対象センサデータを発生させ、伝送するように構成される、少なくとも１つの生物物理学的センサと、
前記対象センサデータを受信するように構成され、前記対象センサデータを標的挙動に分類する分類子として訓練される、ニューラルネットワークを備える、少なくとも１つの電子システムを備える、挙動予測システムであって、前記分類子は、前記訓練データを用いて訓練される、挙動予測システムと
を備える、システム。
（項目１３０）
前記訓練データは、複数の異なる生物物理学的センサからの訓練センサデータを備え、
前記少なくとも１つの生物物理学的センサは、前記複数の異なる生物物理学的センサを含む、項目１２９に記載のシステム。
（項目１３１）
前記訓練センサデータは、グルコースレベルを含み、前記挙動データは、前記グルコースレベルに対応する記録された食品を含み、
前記少なくとも１つの生物物理学的センサは、グルコース計を含み、
前記標的挙動は、予測される食品摂取である、項目１２９に記載のシステム。
（項目１３２）
前記訓練センサデータは、心拍数データを含み、前記挙動データは、前記心拍数データに対応する記録された食品を含み、
前記少なくとも１つの生物物理学的センサは、心拍数モニタを含み、
前記標的挙動は、予測される食品摂取である、項目１２９に記載のシステム。
（項目１３３）
前記挙動予測システムはさらに、前記標的挙動を伝送するように構成され、
前記標的挙動を受信するように構成される、対象デバイスをさらに含む、項目１２９に記載のシステム。
（項目１３４）
方法であって、
食品アイテムの説明に対応する文字列データを受信および記憶することと、
前記文字列データを、前記文字列データから主格語および非主格語を判定するように構成される言語プロセッサに適用することと、
前記主格語に応答して、前記主格語を伴うアイテムデータベースにクエリを行うことと、
非主格語に応答して、前記非主格語を伴う前記アイテムデータベースにクエリを行うことと、
前記クエリを行うことに応答して、クエリ結果のリストを発生させ、前記クエリ結果のリストは、前記食品アイテムのためのレシピを備える、ことと
を含む、方法。
（項目１３５）
前記言語プロセッサがさらに、明示的成分として主格語を判定するように構成されることと、
前記明示的成分を用いた前記クエリへの前記応答をフィルタ処理し、前記クエリ結果のリストを発生させることと
をさらに含む、項目１３４に記載の方法。
（項目１３６）
システムであって、
食品アイテムの説明を備える、データベースを記憶するように構成される、記憶デバイスと、
テキスト文字列を処理し、主格および非主格語を判定するように構成される、少なくとも１つのコンピューティングデバイスを備える、言語処理システムと、
前記言語処理システムによって発生される前記主格語に応答して、第１のクエリを前記データベースに適用するように、かつ前記非主格語に応答して、第２のクエリを前記データベースに適用し、前記クエリに応答して、クエリ結果のリストを発生させるように構成される、少なくとも１つのコンピューティングデバイスを備える、クエリシステムであって、前記クエリ結果のリストは、前記食品アイテムのためのレシピを備える、クエリシステムと
を備える、システム。
（項目１３７）
前記言語処理システムはさらに、明示的成分として主格語を判定するように構成され、
前記クエリシステムはさらに、前記第１のまたは第２のクエリへの応答をフィルタ処理するように構成される、項目１３６に記載のシステム。
（項目１３８）
方法であって、
アイテムの性質を備える、第１のデータを受信および記憶することと、
前記アイテム内の普及度の順序でランク付けされる前記アイテムの構成要素を備える、第２のデータを受信および記憶することと、
データベース内の前記ランク付けされた構成要素のうちの少なくとも１つに関して前記性質を判定し、ルックアップデータを発生させることと、
前記ルックアップデータに応答して、前記アイテム内の前記少なくとも１つの構成要素の少なくとも１つの量を判定することと、
出力データとして、前記少なくとも１つの構成要素の少なくとも１つの量を記憶することと
を含む、方法。
（項目１３９）
第１のデータを受信および記憶することは、食品アイテムに関する栄養情報を受信することを含み、
第２のデータを受信および記憶することは、前記食品アイテムに関するランク付けされた成分データを受信することを含む、項目１３８に記載の方法。
（項目１４０）
第１および第２のデータを受信および記憶することは、前記食品アイテムの食品ラベルの画像データを捕捉および処理することを含む、項目１３８に記載の方法。
（項目１４１）
前記第１のデータは、ｎ個の性質を含み、
第２のデータは、ｍ個の構成要素を含み、
構成要素毎に前記性質を判定することは、構成要素およびそれらの性質のｎ×ｍ行列を生成および記憶することを含み、
前記アイテム内の各構成要素の量を判定することは、ｙ＝Ａｘに対応する連立方程式を解法することを含み、ｙは、成分の量であり、ｘは、構成要素であり、Ａは、前記行列である、項目１３８に記載の方法。
（項目１４２）
各構成要素の量を判定することは、前記行列Ａを線形回帰分析のために構成されるニューラルネットワークに適用することを含む、項目１４１に記載の方法。
（項目１４３）
システムであって、
アイテムの性質を備える第１のデータおよび前記アイテム内の普及度の順序にランク付けされた前記アイテムの構成要素を備える第２のデータを受信するように結合され、構成要素毎に性質を表すデータ構造を生成するように構成される、処理デバイスを含む、データ前処理セクションと、
前記データ構造を受信するように結合され、前記アイテム内の各構成要素の量を判定することを判定するように構成される、処理デバイスを含む、分析セクションと
を備える、システム。
（項目１４４）
前記アイテムに関する前記第１および第２のデータを捕捉するように構成される、入力デバイスをさらに含む、項目１４３に記載のシステム。
（項目１４５）
前記入力デバイスは、前記アイテムに関するラベルの画像を捕捉するように構成される、画像捕捉デバイスを備える、項目１４４に記載のシステム。
（項目１４６）
前記第１のデータは、食品アイテムの栄養情報を備え、前記第２のデータは、前記食品アイテムの成分を備える、項目１４３に記載のシステム。
（項目１４７）
前記第１のデータは、ｎ個の性質を含み、
第２のデータは、ｍ個の構成要素を含み、
前記データ構造は、構成要素およびそれらの性質のトポロジーマッピングを備え、
前記分析セクションは、ｙ＝Ａｘに対応する連立方程式を解法するように構成され、ｙは、成分の量であり、ｘは、構成要素であり、Ａは、前記トポロジーマッピングである、項目１４３に記載のシステム。
（項目１４８）
前記トポロジーマップは、行列であり、前記分析セクションは、線形回帰分析のために構成されるニューラルネットワークを備える、項目１４７に記載のシステム。
（項目１４９）
方法であって、
アイテムの性質を備える、第１のデータを受信および記憶することと、
前記アイテム内の普及度の順序でランク付けされる前記アイテムの構成要素を備える、第２のデータを受信および記憶することと、
データベース内の前記ランク付けされた構成要素のうちの少なくとも１つに関して前記性質を判定し、ルックアップデータを発生させることと、
前記ルックアップデータに応答して、前記アイテム内の前記少なくとも１つの構成要素の少なくとも１つの量を判定することと、
出力データとして、各構成要素の少なくとも１つの量を記憶することと
を含む、方法。
（項目１５０）
方法であって、
アイテムの文字列説明と、前記アイテムの性質とを備える、訓練データを用いて、加重行列を有する単語埋め込みシステムを訓練し、前記アイテムの文字列説明を、前記アイテムの性質に従って加重される埋め込まれた空間の中に埋め込むことと、
前記アイテムの入力文字列説明を前記訓練された単語埋め込みシステムに適用し、前記アイテムの性質に従って加重される出力単語埋め込みを推論することと
を含む、方法。
（項目１５１）
前記単語埋め込みシステムを訓練することは、前記性質として栄養情報を伴う食品文字列説明を用いて訓練することを含む、項目１５０に記載の方法。
（項目１５２）
前記入力文字列を適用することは、食品アイテムの文字列説明を適用することを含む、項目１５０に記載の方法。
（項目１５３）
システムであって、
アイテムの文字列説明と、前記アイテムの性質とを含む、訓練データを記憶するように構成される、記憶システムと、
訓練データを用いて訓練されるニューラルネットワークを使用して、前記文字列の単語を、前記文字列説明のうちの１つに対応するアイテムの性質から導出される加重を伴う埋め込まれた空間の中に埋め込む、単語埋め込みシステムと、
入力文字列を受信し、それを前記単語埋め込みシステムに適用し、前記性質に従って加重される単語埋め込みを発生させるように構成される、入力と
を備える、システム。
（項目１５４）
前記訓練データは、食品アイテムの単語の説明と、前記食品アイテムに関する栄養情報とを含む、項目１５３に記載のシステム。
（項目１５５）
入力文字列は、前記食品アイテムの説明を含み、前記発生された単語埋め込みは、前記栄養情報に従って加重される、項目１５４に記載の方法。
（項目１５６）
方法であって、
アイテムの文字列説明と、前記アイテムの性質とを備える、訓練データを用いて、加重行列を有する単語埋め込みシステムを訓練し、前記単語の列のアイテムを、前記対応するアイテムの性質に従って加重される埋め込まれた空間の中に埋め込むことと、
前記アイテムの入力文字列説明を前記訓練された単語埋め込みシステムに適用し、前記性質加重を伴う出力単語埋め込みを推論することと
を含む、方法。
（項目１５７）
システムであって、
アイテムの文字列説明と、前記アイテムの性質とを含む、訓練データを記憶するように構成される、記憶システムと、
前記文字列説明の単語を、前記文字列説明に対応する前記アイテムの性質から導出される加重を伴う埋め込まれた空間の中に埋め込むように、訓前記練データを用いて訓練される単語埋め込みシステムとして構成される、ニューラルネットワークと、
入力文字列を受信し、それを前記訓練された単語埋め込みシステムに適用し、前記性質に従って加重される単語埋め込みを発生させるように構成される、入力と
を備える、システム。
（項目１５８）
方法であって、
（ａ）複数の食品アイテムのテキストベースの説明、ならびに前記複数の食品アイテム毎に、（ｉ）栄養データおよび血糖値、または（ｉｉ）栄養データもしくは血糖値を取得することと、
（ｂ）前記複数の食品アイテムのテキストベースの説明の埋め込みを発生させることと、
（ｃ）少なくとも前記埋め込みに基づいて、血糖値が取得されなかった前記複数の食品アイテムの中の食品アイテム毎の血糖値、および栄養データが取得されなかった前記複数の食品アイテムの中の食品アイテム毎の栄養データを推論することと、
（ｄ）前記複数の食品アイテムの栄養データおよび血糖値上で教師あり機械学習アルゴリズムを訓練し、所与の食品アイテムの栄養データから前記所与の食品アイテムの血糖値を予測することと
を含む、方法。
（項目１５９）
前記所与の食品アイテムの血糖値を前記教師あり機械学習アルゴリズムに提供し、前記所与の食品アイテムの血糖値を予測することをさらに含む、項目１５８に記載の方法。
（項目１６０）
前記血糖値は、血糖指数または血糖負荷である、項目１５８に記載の方法。
（項目１６１）
（ｂ）は、教師なし学習アルゴリズムを前記複数の食品アイテムのテキストベースの説明に適用することを含む、項目１５８に記載の方法。
（項目１６２）
前記教師なし学習アルゴリズムは、次元縮小アルゴリズムである、項目１６１に記載の方法。
（項目１６３）
前記教師なし学習アルゴリズムは、ｎ－グラムまたはバッグオブワードモデルである、項目１６１に記載の方法。
（項目１６４）
前記教師あり機械学習アルゴリズムは、ディープニューラルネットワークである、項目１５８に記載の方法。
（項目１６５）
システムであって、
少なくとも第１のデータベースおよび第２のデータベースを記憶するように構成される、データ記憶システムであって、前記第１のデータベースは、対応する属性を伴う第１のアイテムの説明を含み、前記第２のデータベースは、対応する標的値を伴う第２のアイテムの説明を含み、前記第１のアイテムのうちの少なくともいくつかは、前記第２のアイテムと異なる、データ記憶システムと、
前記第１および第２のデータベースをマージし、対応する属性および標的値を伴うマージされたアイテム説明を含む、訓練データを発生させるように構成される、少なくとも第１のコンピューティングデバイスを備える、埋め込みシステムと、
属性から標的値を推論するように、前記訓練データを用いて訓練される機械学習システムを備える、少なくとも第１の推論システムと
を備える、システム。
（項目１６６）
前記アイテムの説明は、単語の説明を備える、項目１６５に記載のシステム。
（項目１６７）
前記アイテムは、食品アイテムであり、前記属性は、前記食品アイテムの栄養データであり、前記標的値は、血糖応答値である、項目１６５に記載のシステム。
（項目１６８）
前記血糖応答値は、血糖指数および血糖負荷の群から選択される、項目１６７に記載のシステム。
（項目１６９）
少なくとも対象デバイスを用いて栄養データを入手するように構成される、データ捕捉セクションをさらに備え、前記少なくとも第１の推論システムは、少なくとも前記入手された栄養データから血糖指数値を推論するように構成される、項目１６７に記載のシステム。
（項目１７０）
少なくとも、対象によって摂取されるものとして示される食品の血糖応答値に応答して、前記対象の血糖値を判定するように構成される、少なくとも第２の推論システムをさらに備える、項目１６７に記載のシステム。
（項目１７１）
前記埋め込みシステムは、第１および第２のアイテムの説明を埋め込まれた空間の中に埋め込むように構成される、少なくとも１つのニューラルネットワークを備える、項目１６５に記載のシステム。
（項目１７２）
システムであって、
アイテムに関する属性値を入手するように構成される、データ入手システムと、
前記入手された属性値から標的値を推論するように構成される、少なくとも第１の推論システムと
を備え、
前記第１の推論システムは、少なくとも第１のデータセットおよび第２のデータセットを埋め込むことによって発生される訓練データを用いて訓練される、少なくとも１つのニューラルネットワークを含み、前記第１のデータセットは、対応する属性を伴うアイテムの説明を含み、前記第２のデータセットは、対応する標的値を伴うアイテムの説明を含む、ニューラルネットワークを含む、システム。
（項目１７３）
前記訓練データを用いて前記少なくとも１つのニューラルネットワークを訓練するように構成される、訓練エージェントをさらに含む、項目１７２に記載のシステム。
（項目１７４）
少なくとも推論された標的値から対象に関する応答を推論するように構成される、少なくとも第２の推論システムをさらに含む、項目１７２に記載のシステム。
（項目１７５）
前記標的値は、食品アイテムに関する血糖応答値であり、前記属性値は、前記食品アイテムに関する栄養値である、項目１７２に記載のシステム。
（項目１７６）
少なくとも前記属性値は、ベクトル空間の中に埋め込まれるテキスト値である、項目１７２に記載のシステム。
（項目１７７）
少なくとも前記推論された標的値に応答して、データを対象デバイス上で実行されるアプリケーションに伝送するように構成される、アプリケーションサーバをさらに含む、項目１７２に記載のシステム。
（項目１７８）
方法であって、
第１のモダリティの時系列訓練データおよび第２のモダリティの時系列訓練データを用いてニューラルネットワークを訓練し、前記第１のモダリティの時系列データから前記第２のモダリティの時系列データを発生させる第１のモデルを生成することと、
前記第２のモダリティの発生された時系列、第３のモダリティの時系列訓練データ、および第４のモダリティの時系列データを用いて、第２のモデルを訓練し、前記第４のモダリティの時系列データを発生させることと、
収束条件に到達されるまで、反復して、前記第１のモダリティの時系列データおよび前記第３のモダリティの時系列データ上で前記第２のモデルを試験することと、
前記収束条件に到達することに応答して、前記第１のモダリティのデータを用いて前記第２のモデルを試験することによって、第２のモダリティデータを予測することと
を含む、方法。
（項目１７９）
第１のタイプのセンサを用いて、前記第１のモダリティの時系列訓練データを入手することと、
第２のタイプのセンサを用いて、前記第２のモダリティの時系列訓練データを入手することと
をさらに含む、項目１７８に記載の方法。
（項目１８０）
前記第２のタイプのセンサは、グルコース計であり、前記第２のモダリティの時系列データは、経時的なグルコースレベルを含む、項目１７９に記載の方法。
（項目１８１）
前記ニューラルネットワークを訓練し、前記第１のモデルを生成することは、時系列訓練データのＮ個のセットを用いて訓練することを含み、前記第１のモダリティの推定される時系列訓練データおよび少なくとも前記第３のモダリティの時系列訓練データを用いて、前記第１のモデルを訓練することは、時系列データのＭ個のセットを用いて訓練することを含む、項目１７８に記載の方法。
（項目１８２）
前記時系列データのＮ個のセットおよび前記時系列データのＭ個のセットを用いて、前記第１のモデルを試験し、前記試験のエラー値に応答して、前記第１のモデルを更新することをさらに含み、前記訓練された第１のモデルは、最も小さいエラーを伴う前記第１のモデルである、項目１８１に記載の方法。
（項目１８３）
収束条件に到達することは、閾値を上回らないエラー値を計算することを含む、項目１７８に記載の方法。
（項目１８４）
システムであって、
訓練データのＭ個のセットを伴う第１のモダリティの時系列データから第２のモダリティの時系列データを発生させるように訓練される、第１のモデルを含む、初期モデルセクションと、
訓練セクションであって、
前記第１のモデルから導出され、訓練データのＮ個のセットを伴う第４のモダリティの少なくとも時系列データから、少なくとも第３のモダリティの時系列データを発生させるように構成される、第２のモデルと、
前記訓練データのＭおよびＮ個のセットを用いて前記第２のモデルを試験し、試験エラー値に応答して前記第２のモデルを更新するように構成される、試験セクションと
を含む、訓練セクションと、
前記第１のモダリティの時系列データから前記第２のモダリティの時系列データを推論するように構成される、最低試験エラー値を伴う前記第２のモデルである、推論モデルと
を備える、システム。
（項目１８５）
前記第１のモデル、前記第２のモデル、および前記推論モデルは、ニューラルネットワークを備える、項目１８４に記載のシステム。
（項目１８６）
前記第１および第２のモダリティの時系列データは、生物物理学的センサデータである、項目１８４に記載のシステム。
（項目１８７）
前記第１および第２のモダリティの少なくとも時系列データは、グルコース計に対応するグルコースレベルである、項目１８６に記載のシステム。
（項目１８８）
前記第３および第４のモダリティは、グルコースレベルである、項目１８７に記載のシステム。
（項目１８９）
前記訓練セクションは、
前記第１のモデルの逆であり、前記第３および第４のモダリティの時系列データから前記第１のモダリティの推定される時系列データを発生させるように構成される、逆モデルと、
前記第１のモダリティの推定される時系列データおよび前記第３のモダリティの時系列データから線形パラメータを発生させるように構成される、推定器セクションと、
前記線形パラメータを使用して、前記第３のモダリティの時系列データから前記第１のモダリティのマッピングされた時系列データを発生させるように構成される、セクションと
を備え、
前記第２のモデルは、前記第１のモダリティのマッピングされた時系列データを用いて訓練される、項目１８４に記載のシステム。
（項目１９０）
方法であって、
第１のモダリティの時系列訓練データおよび第２のモダリティの時系列訓練データを用いて、ニューラルネットワークを訓練し、前記第１のモダリティの時系列データから前記第２のモダリティの時系列データを発生させる第１のモデルを生成することと、
収束条件に到達されるまで、
第２のモデルを使用して、第３のモダリティおよび第４のモダリティからの時系列データの混合物から、前記第１のモダリティの推定される時系列データを発生させることであって、前記第２のモデルは、前記第１のモデルの逆モデルとして開始される、ことと、
前記第１のモダリティの推定される時系列データおよび前記第３のモダリティの時系列データを使用して、前記第２のモデルを訓練し、線形フィッティングパラメータを推定することと、
前記推定される線形フィッティングパラメータを使用して、前記第３のモダリティの時系列データから前記第１のモダリティの類似時系列データを発生させることと、
前記第１のモダリティの類似時系列データを前記第３のモダリティの時系列データに直線的にマッピングすることと、
前記第３のモダリティの時系列データおよび前記第４のモダリティの時系列データの第１のモダリティ混合物からの前記直線的にマッピングされた類似時系列データを使用して、第３のモデルを訓練し、前記第３のモダリティからの時系列データおよび前記第４のモダリティからの時系列データの混合物を発生させることであって、前記第３のモデルは、前記第２のモデルの逆である、ことと、
前記第３のモデルの逆モデルであるように前記第２のモデルを修正することと、
前記収束条件に到達されたかどうかを評価することと
を含む、方法。
（項目１９１）
前記第３のモデルを訓練することは、前記第１のモデルとして前記第３のモデルを初期化することを含む、項目１９０に記載の方法。
（項目１９２）
ニューラルネットワークを訓練し、時系列データを較正するための方法であって、
生物物理学的応答に関する較正された時系列データおよび前記生物物理学的応答に関する対応する未加工時系列データを受信することと、
前記生物物理学的応答に関する前記較正された時系列データおよび前記対応する未加工時系列データ上で、ニューラルネットワークを訓練し、較正された時系列データを発生させることであって、その訓練は、（ｉ）所与の未加工時系列に関する前記ニューラルネットワークの出力と（ｉｉ）対応する較正された時系列との間の差異に基づいて、前記ニューラルネットワークのパラメータを更新することを含む、ことと、
生物物理学的センサによって発生される、未加工入力時系列データを受信することと、
前記未加工入力時系列データを前記ニューラルネットワークに適用することによって、較正された時系列データを発生させることと
を含む、方法。
（項目１９３）
前記未加工入力時系列データは、グルコース計によって発生される、項目１９２に記載の方法。
（項目１９４）
前記ニューラルネットワークは、前記未加工入力時系列データに存在するドリフトを取り消すように訓練される、項目１９２に記載の方法。
（項目１９５）
前記未加工時系列データおよび未加工入力時系列データは、グルコース計によって発生される、項目１９４に記載の方法。
（項目１９６）
前記ニューラルネットワークを訓練することはさらに、ドメイン特有の特徴エンジニアリングを含む、項目１９２に記載の方法。
（項目１９７）
前記ニューラルネットワークを訓練することは、教師なし訓練を含む、項目１９２に記載の方法。
（項目１９８）
方法であって、
順序付けを有する複数のデータセットからデータ構造を構築することであって、前記データ構造は、前記順序付けに基づくインターバル木を含む、ことと、
任意の構造が前記インターバル木に欠落したインターバルを有するかどうかを判定することと、
データ構造が欠落したインターバルを有する場合、前記欠落したインターバルに関するデータ値を補定することによって、前記欠落したインターバルに関するデータを生成することと、
クエリデータに応答して、少なくとも前記インターバル木を検索することによって、前記データ構造にアクセスすることと、
前記順序付けを反映する列を含む、前記アクセスされたデータ値から表形式データ構造を形成することと
を含む、方法。
（項目１９９）
前記データセットは、時間で順序付けられるアクションを備える、項目１９８に記載の方法。
（項目２００）
前記データ構造のうちのいずれかが欠落したインターバルを有するかどうかを判定することは、データ構造を、欠落したインターバルを有していない場合、第１のクラスに、欠落したインターバルを有する場合、第２のクラスに分類することを含む、項目１９８に記載の方法。
（項目２０１）
前記データ構造からのデータ値にアクセスすることは、クエリ動作のためのデータ構造を選択すること、前記順序付けによって決定付けられるデータ構造の領域にクエリを行うこと、クエリ結果を継合すること、および異なるデータ構造の重複領域をマージすることから成る群から選択される、動作を含む、項目１９８に記載の方法。
（項目２０２）
前記表形式データ構造を形成することは、前記アクセスされたデータ値からデータフレームを形成することを含む、項目１９８に記載の方法。
（項目２０３）
前記表形式データ構造を形成することは、前記アクセスされたデータ値からデータフレームを形成することを含む、項目１９８に記載の方法。
（項目２０４）
前記データセットは、順序付けを有する異なる対象事象を備え、前記表形式データ構造を形成することは、クエリが行われた時間周期にわたって異なる対象事象を含む、表形式データ構造を形成することを含む、項目１９８に記載の方法。
（項目２０５）
前記対象事象のうちの少なくとも１つは、前記対象の生物物理学的応答である、項目２０４に記載の方法。
（項目２０６）
前記生物物理学的応答は、前記対象のグルコースレベルである、項目２０５に記載の方法。
（項目２０７）
システムであって、
順序付けを伴うデータ値をそれぞれ有する、表形式データセットを記憶するように構成される、データ記憶部と、
機械実行可能命令を備えるメモリであって、前記命令は、プロセッサによって実行されると、前記プロセッサに、
前記順序付けに基づくインターバル木を含む、データ構造を生成することと、
前記インターバル木のうちのいずれかが欠落したインターバルを含むかどうかを判定することと、
インターバル木が欠落したインターバルを有する場合、前記欠落したインターバルに関するデータを補定することと、
クエリデータに応答して、少なくとも前記データ構造のインターバル木を検索することによって、前記データ構造からのデータ値にアクセスすることと、
前記順序付けを反映する列を含む、前記アクセスされたデータ値から表形式データ構造を形成することと、
を含む動作を実施させる、メモリと
を備える、システム。
（項目２０８）
前記データ記憶部は、対象アクションに対応する時間または日付列を有する、表形式データセットを記憶するように構成される、項目２０７に記載のシステム。
（項目２０９）
前記処理セクションは、クエリ動作のためのデータ構造を選択すること、前記順序付けによって決定付けられるデータ構造の領域にクエリを行うこと、クエリ結果を継合すること、および構造の重複領域をマージすることから成る群から選択される、動作を実行するように構成される、項目２０７に記載のシステム。
（項目２１０）
前記データ記憶部は、順序付けを有する異なる対象事象を備える、表形式データセットを記憶するように構成され、前記処理セクションは、クエリが行われた時間周期にわたって異なる対象事象を含む、表形式データ構造を形成するように構成される、項目２０７に記載のシステム。
（項目２１１）
前記対象事象のうちの少なくとも１つは、前記対象の生物物理学的応答である、項目２１０に記載のシステム。
（項目２１２）
前記生物物理学的応答は、前記対象のグルコースレベルである、項目２１１に記載のシステム。
本願明細書は、例えば、以下の項目も提供する。
（項目１）
強化学習アルゴリズムを訓練および使用し、報酬関数に対して対象のグルコースレベルを維持または調節もしくは最適化する際に前記対象を支援する推奨を発生させるためのコンピュータ実装方法であって、
収束条件が達成されるまで、反復して、
前記強化学習アルゴリズムを使用して前記推奨を発生させることであって、その推奨は、推奨される食事または身体活動を含む、ことと、
生物物理学的反応モデルを使用して前記推奨を処理し、前記推奨に従うことへの前記対象の予測されるグルコース応答を発生させることと、
報酬関数を前記予測されるグルコース応答に適用し、第１の報酬を発生させ、前記第１の報酬に基づいて前記強化学習アルゴリズムを更新することと、
前記推奨を前記対象に提供することと、
前記推奨に従うことへの前記対象のグルコース応答を測定することと、
第２の報酬関数を前記測定されたグルコース応答に適用し、第２の報酬を発生させ、前記第２の報酬に基づいて前記強化学習アルゴリズムを更新することと
を含む、方法。
（項目２）
前記対象のグルコース応答を使用し、前記生物物理学的反応モデルを訓練することをさらに含む、項目１に記載の方法。
（項目３）
前記対象のグルコース応答を、前記生物物理学的反応モデルおよび前記第２の報酬関数に提供するための低次元潜在空間にエンコードすることをさらに含む、項目１に記載の方法。
（項目４）
前記第１の報酬関数は、前記第２の報酬関数と同一である、項目１に記載の方法。
（項目５）
前記生物物理学的反応モデルは、複数の入力に応答して前記対象のシミュレートされた生物物理学的応答を発生させるように構成される、少なくとも１つの身体モデルを含む、項目１に記載の方法。
（項目６）
前記対象の予測されるグルコース応答を発生させることは、
前記対象のグルコース応答を、将来のグルコース応答を推論するように訓練される予測器に適用することと、
前記推奨を、前記対象が厳密に前記推奨に従うであろう程度を評価するように構成される順守モデルに適用することと、
前記予測器および前記順守モデルの出力を前記身体モデルへの前記複数の入力として選択的に適用することと
を含む、項目５に記載の方法。
（項目７）
前記予測されるグルコース応答を発生させることはさらに、前記シミュレートされた生物物理学的応答をオートエンコーダおよび敵対的生成ネットワークに適用し、前記予測されるグルコース応答を発生させることを含む、項目６に記載の方法。
（項目８）
前記収束条件は、少なくとも部分的に前記第１の報酬の規模に基づく、項目１に記載の方法。
（項目９）
方法であって、
複数の異なるデータソースのうちの１つからの履歴時系列データ上で、複数の異なるオートエンコーダ（ＡＥ）時間的畳み込みニューラルネットワーク（ＣＮＮ）のそれぞれを訓練することであって、前記複数の異なるデータソースは、持続的グルコースモニタと、心拍数モニタと、食品データのソースとを備える、ことと、
前記複数の異なるデータソースからの現在のデータに応答して、前記複数のＡＥ時間的ＣＮＮを使用して複数のシード値を発生させることと、
対応するＡＥ時間的ＣＮＮからの前記複数のシード値のうちの１つを伴って複数の異なるＣＮＮエンコーダのそれぞれを構成することと、
前記対応するデータソースからの過去の履歴時系列データを前記時間的ＣＮＮエンコーダに適用し、エンコードされたデータ値を発生させることと、
前記エンコードされたデータ値を、前記データソースのうちの１つに対応する予測されるデータ値を発生させるように構成される予想に適用することと
を含む、方法。
（項目１０）
前記複数のＡＥ時間的ＣＮＮを訓練することは、
第１の生物物理学的応答を読み取る第１のタイプのセンサからのデータを用いて、第１のＡＥ時間的ＣＮＮを訓練することと、
第２の生物物理学的応答を読み取る第２のタイプのセンサからのデータを用いて、第２のＡＥ時間的ＣＮＮを訓練することと、
前記エンコードされたデータ値を適用し、予測される第１の生物物理学的応答を発生させることと
を含む、項目９に記載の方法。
（項目１１）
方法であって、
第１の生物物理学的センサから、対象の少なくとも１つの生物物理学的応答を表す基準値を経時的に受信することであって、時間は、第２の時間周期が後に続く、第１の時間周期を含む、ことと、
第２の生物物理学的センサから第１のデータ値を受信することと、
前記第２の時間周期からの少なくとも第１のデータを使用する第１の対象モデルを用いて、前記少なくとも１つの生物物理学的応答に関する第１の予測値を推論することと、
前記第１の時間周期からの少なくとも第１のデータを使用する第２の対象モデルを用いて、前記少なくとも１つの生物物理学的応答に関する第２の予測値を推論することと、
前記第１および第２の予測値を前記基準値と比較し、前記対象モデルの正確度を判定することと
を含む、方法。
（項目１２）
第２の予測値を推論することは、
前記第１の時間周期の第１のデータ値から前記第２の時間周期に関する予測される第１のデータ値を推論することと、
前記第２の時間周期に関する前記第１の予測されるデータ値を前記第２の対象モデルに適用することと
を含む、項目１１に記載の方法。
（項目１３）
第２のデータ値を受信することをさらに含み、
前記少なくとも１つの生物物理学的応答に関する第１の予測値を推論することはさらに、前記第２の時間周期からの第２のデータを使用することを含み、
前記少なくとも１つの生物物理学的応答に関する第２の予測値を推論することはさらに、前記第１の時間周期からの第２のデータを使用することを含む、項目１１に記載の方法。
（項目１４）
少なくとも前記基準値および前記第１の時間周期からの第１のデータ値に応答して、前記第２の対象モデルにおいてパラメータを調節することをさらに含む、項目１１に記載の方法。
（項目１５）
前記少なくとも１つの生物物理学的応答に関する前記第１の予測値を第１の敵対的生成ネットワークに適用し、第１の調節された予測値を発生させることと、
前記少なくとも１つの生物物理学的応答に関する前記第２の予測値を第２の敵対的生成ネットワークに適用し、第２の調節された予測値を発生させることと、
前記第１および第２の調節された予測値を前記基準値と比較し、前記敵対的生成ネットワークの正確度を判定することと
をさらに含む、項目１１に記載の方法。
（項目１６）
前記第１および第２の予測値を前記基準値と比較することに応答して、少なくとも前記第１および第２の身体モデルを更新することをさらに含む、項目１１に記載の方法。
（項目１７）
システムであって、
第２の時間周期に先行する第１の時間周期に関する第１のデータ値から、前記第２の時間周期に関する予測される第１のデータ値を発生させるように構成される、第１のデータ予測モデルと、
前記第１の時間周期に関する第２のデータ値から、前記第２の時間周期に関する予測される第２のデータ値を発生させるように構成される、第２のデータ予測モデルと、
前記第２の時間周期からの第１および第２のデータ値から、第１の予測される生物物理学的応答を推論するように構成される、人工ニューラルネットワーク（ＡＮＮ）を少なくとも部分的に備える、第１の対象モデルと、
前記第２の時間周期に関する予測される第１および第２のデータ値から、第２の予測される生物物理学的応答を推論するように構成される、第１の身体モデルと同一の構造を有する第２の対象モデルと、
前記第２の時間周期に関する基準生物物理学的応答を前記第１および第２の予測される生物物理学的応答と比較するように構成される、比較システムと
を備える、システム。
（項目１８）
前記第１および第２のデータ予測モデルは、長・短期記憶ネットワークを備える、項目１７に記載のシステム。
（項目１９）
前記第１の時間周期に関する前記基準生物物理学的応答から、前記第２の時間周期に関する予測される基準生物物理学的応答を発生させるように構成される、第３のデータ予測モデルをさらに含む、項目１７に記載のシステム。
（項目２０）
基準生物物理学的応答ならびに前記第１の時間周期からの前記第１および第２のデータ値に応答して、少なくとも前記第２の対象モデルを更新するように構成される、パラメータ推定器をさらに含む、項目１７に記載のシステム。
（項目２１）
前記比較システムからの比較結果に応答して、前記第１のデータ予測モデル、第２のデータ予測モデル、前記第１の対象モデル、前記第２の対象モデルのうちのいずれかを選択的に調節するように構成される、フィードバック発生器をさらに含む、項目１７に記載のシステム。
（項目２２）
方法であって、
第１の時間間隔の間に、人工ニューラルネットワーク（ＡＮＮ）を備える生物物理学的モデルを訓練し、少なくとも第１のセンサデータおよび第２のセンサデータから対象のシミュレートされた生物物理学的応答を発生させることであって、前記第１のセンサデータは、持続的グルコース監視データを備え、前記第２のセンサデータは、心拍数監視データを備え、その訓練は、前記生物物理学的モデルの個人化された時変パラメータを推定することを含む、ことと、
第２の時間間隔の間に、前記訓練された生物物理学的モデルを使用して、リアルタイムで前記対象のシミュレートされた生物物理学的応答を発生させることであって、前記リアルタイムデータは、前記第２のセンサデータを含むが、前記第１のセンサデータを含まない、ことと
を含む、方法。
（項目２３）
前記生物物理学的モデルを訓練することは、
少なくとも前記第１のセンサデータを前記生物物理学的モデルに適用することと、
対象の実際の第１の生物物理学的応答に対して前記シミュレートされた第１の生物物理学的応答を評価する、パラメータ推定器を使用して、前記生物物理学的モデルを更新することと
を含む、項目２２に記載の方法。
（項目２４）
前記生物物理学的モデルを訓練することは、前記第１のセンサデータおよび前記第２のデータを前記第１の生物物理学的モデルに適用することを含み、前記第２のデータは、前記第１の生物物理学的応答と異なる、項目２２に記載の方法。
（項目２５）
前記第２のデータは、前記対象によって記録されるデータを備える、項目２４に記載の方法。
（項目２６）
システムであって、
少なくとも１つのタイプのセンサからのデータを訓練し、シミュレートされた第１のタイプの生物物理学的応答を出力することに応答して、ネットワークパラメータを導出するように構成される、人工ニューラルネットワーク（ＡＮＮ）を備える第１の生物物理学的モデルと、
前記シミュレートされた第１のタイプの生物物理学的応答および対象の実際の第１のタイプの生物物理学的応答に応答して、前記第１の生物物理学的モデルのパラメータを更新するように構成される、パラメータ推定器と、
リアルタイムで前記少なくとも１つのタイプのセンサから受信されるセンサデータに応答して、前記対象に関してリアルタイムで予測される第１のタイプの生物物理学的応答を推論するように動作可能である、前記ネットワークパラメータを伴って構成される、ＡＮＮを備える第２の生物物理学的モデルと
を備える、システム。
（項目２７）
前記実際の第１のタイプの生物物理学的応答は、第１のタイプのセンサを用いて記録され、前記少なくとも１つのタイプのセンサは、前記第１のタイプのセンサと異なる、項目２６に記載のシステム。
（項目２８）
前記少なくとも１つのタイプのセンサは、前記第１のタイプの生物物理学的応答と異なる第２のタイプの生物物理学的応答を記録する、項目２７に記載のシステム。
（項目２９）
前記実際の第１のタイプの生物物理学的応答は、第１のタイプのセンサを用いて記録され、前記少なくとも１つのタイプのセンサは、前記第１のタイプのセンサと異なる、項目２６に記載のシステム。
（項目３０）
前記第１の生物物理学的モデルは、少なくとも１つのタイプのセンサからのデータおよび第２のソースからのデータを用いた訓練に応答して、前記ネットワークパラメータを導出し、
前記第２の生物物理学的モデルは、リアルタイムで前記少なくとも１つのタイプのセンサから受信されるセンサデータおよびリアルタイムで受信される前記第２のソースからのデータに応答して、予測される第１のタイプの生物物理学的応答を推論する、項目２６に記載のシステム。
（項目３１）
前記第２のソースは、前記対象によって個人的に記録されるデータを備える、項目３０に記載のシステム。
（項目３２）
方法であって、
アクションを実施する少なくとも１人の対象に関する異なるタイプのデータをそれぞれ記録する、複数の異なるソースから時系列データを受信することであって、前記異なるソースは、前記少なくとも１人の対象のグルコース応答を記録する、グルコースセンサを含む、ことと、
少なくとも１つのエンコーディング人工ニューラルネットワーク（ＡＮＮ）を用いて、前記時系列データに教師なし学習を実行し、相互からの所定の距離を有する、結果として生じる潜在空間内でエンコードされた値を生成することと、
前記潜在空間に基づいて直交値を選択することと、
前記エンコーディングＡＮＮへの対応するデコーディング構造を有するＡＮＮを用いて、前記直交値をデコードし、デコードされた値を発生させることと、
前記デコードされた値を対象アクションにマッピングすることと
を含む、方法。
（項目３３）
教師なし学習を実行することは、前記時系列データをオートエンコードすることを含む、項目３２に記載の方法。
（項目３４）
前記時系列データをオートエンコードすることは、時間的畳み込みニューラルネットワーク（ＮＮ）変分オートエンコーダを用いてオートエンコードすることを含む、項目３３に記載の方法。
（項目３５）
特定の対象に関する関連性基準に基づいて、前記デコードされた値をフィルタ処理することをさらに含む、項目３２に記載の方法。
（項目３６）
前記異なるソースはさらに、前記少なくとも１人の対象の第２のタイプの生物物理学的応答を記録する、第２のタイプのセンサを含む、項目３２に記載の方法。
（項目３７）
少なくとも１つの対象アクションは、前記対象の身体活動および前記対象による食品の摂取から選択される、項目３２に記載の方法。
（項目３８）
前記異なるソースのうちの少なくとも１つは、加速度計データ、前記対象のカレンダデータ、および前記対象の睡眠状態の群から選択される、項目３２に記載の方法。
（項目３９）
システムであって、
時系列データ値を、相互からの所定のメトリック距離を有する潜在空間内でエンコードされた値にエンコードするように構成される、エンコーダであって、前記時系列データは、少なくとも１人の対象の特徴を記録する複数の異なるデータソースからのものであり、少なくとも１つの時系列データは、前記少なくとも１人の対象の第１のタイプの生物物理学的応答に関するものである、エンコーダと、
前記エンコードされた値から直交値を判定するように構成される、値セレクタモジュールと、
前記エンコーダに対応するデコーディング構造を有し、前記直交値からデコードされた値を発生させるように構成される、デコーダと、
前記デコードされた値を前記少なくとも１人の対象のアクションにマッピングするように構成される、アクションマッピングモジュールと
を備える、システム。
（項目４０）
前記オートエンコーダは、時間的畳み込みＮＮ変分オートエンコーダを備える、項目３９に記載のシステム。
（項目４１）
特定の対象に関する関連性基準に基づいて、前記デコードされた値のうちのいくつかを選択的に破棄するように構成される、フィルタリングモジュールをさらに含む、項目３９に記載のシステム。
（項目４２）
前記時系列データのうちの少なくとももう１つは、前記少なくとも１人の対象の第２のタイプの生物物理学的応答に関するものである、項目３９に記載のシステム。
（項目４３）
前記データソースは、持続的グルコース計、心拍数モニタ、および前記少なくとも１人の対象によって記録される食品データを含む、項目３９に記載のシステム。
（項目４４）
方法であって、
コンピューティングシステムのシステムメモリ内にデータオブジェクトを生成することと、
データを前記データオブジェクトにコピーすることと、
デコレータ関数の実行によって、前記データオブジェクトを、エグレスメッセージング関数を有するデータ処理オブジェクトに変換することと、
複数の異なる機械学習プロセスのうちの１つを用いて、前記データ処理オブジェクトのデータを処理することと、
前記データの処理を完了することに応じて、処理結果を返し、前記エグレスメッセージング関数を実行することと
を含む、方法。
（項目４５）
前記複数の異なるプロセスは、非同期プロセスであり、前記方法はさらに、前記エグレスメッセージング関数に関してメッセージを受信することに応じて、
前記システムメモリ内に次のデータオブジェクトを生成することと、
次のデータをデータオブジェクトにコピーすることと、
前記デコレータ関数の実行によって、前記次のデータオブジェクトを、前記エグレスメッセージング関数を有する次のデータ処理オブジェクトに変換することと、
前記機械学習プロセスのうちの１つを用いて、前記次のデータ処理オブジェクトのデータを処理することと
を含む、項目４４に記載の方法。
（項目４６）
前記処理結果は、キーを値にマッピングする辞書オブジェクトを備える、項目４４に記載の方法。
（項目４７）
前記データは、人工ニューラルネットワーク（ＡＮＮ）上の学習動作のための前記ＡＮＮへの入力データを備える、項目４４に記載の方法。
（項目４８）
前記データは、人工ニューラルネットワーク（ＡＮＮ）上の推論動作のための前記ＡＮＮへの入力データを備える、項目４４に記載の方法。
（項目４９）
システムであって、
処理のためにデータを記憶するように構成される、データ記憶部と、
システムメモリと、
並行して複数の機械学習プロセスを実行するように構成される、多重処理モジュールと、
前記多重処理モジュールによって実行可能な命令を備える、データオブジェクト装飾関数であって、前記命令は、
前記システムメモリ内にデータオブジェクトを生成することと、
データを前記データ記憶部からの前記データオブジェクトにコピーすることと、
前記データオブジェクトを、エグレスメッセージング関数を有するデータ処理オブジェクトに変換することと、
前記機械学習プロセスのうちの１つをインスタンス化し、前記データ処理オブジェクトのデータを処理し、処理結果を返し、前記メッセージング関数を実行してメッセージを返すことと
を行うように構成される、データオブジェクト装飾関数と
を備える、システム。
（項目５０）
前記多重処理モジュールは、サーバ上に常駐する、項目４９に記載のシステム。
（項目５１）
前記多重処理モジュールは、複数のサーバにわたって分散される、項目４９に記載のシステム。
（項目５２）
前記機械学習プロセスは、人工ニューラルネットワーク（ＡＮＮ）を含む、項目４９に記載のシステム。
（項目５３）
前記ＡＮＮは、オートエンコーダ（ＡＥ）、敵対的生成ネットワーク（ＧＡＮ）、長・短期記憶ネットワーク（ＬＳＴＭ）、畳み込みニューラルネットワーク（ＣＮＮ）、および強化学習（ＲＬ）アルゴリズムから成る群から選択される、項目４９に記載のシステム。
（項目５４）
方法であって、
少なくとも１つの機械学習アーキテクチャを伴う生物物理学的モデルを生成し、第１の生物物理学的応答を予測することであって、前記生物物理学的モデルは、少なくとも一次センサデータおよび二次センサデータを用いて訓練されており、前記一次センサデータは、第１の生物物理学的応答を捕捉し、前記二次センサデータは、第２の生物物理学的応答を捕捉する、ことと、
前記一次センサデータではなく、少なくとも前記二次センサデータに応答して、前記生物物理学的モデルを用いて、前記対象の第１の生物物理学的応答を予測することと、
前記予測される第１の生物物理学的応答が所定の限界外であるかどうかを判定することと、
前記予測される第１の生物物理学的応答が、所定の限界外である場合、少なくとも１つの推奨を前記対象に伝送することであって、前記少なくとも１つの推奨は、前記所定の限界内であるように前記対象の実際の生物物理学的応答を調節するために選択される、ことと
を含む、方法。
（項目５５）
前記対象の健康ステータスに従って、前記所定の限界を設定することをさらに含む、項目５４に記載の方法。
（項目５６）
対象の健康目標に従って、前記所定の限界を設定することをさらに含む、項目５４に記載の方法。
（項目５７）
前記第１の生物物理学的応答は、前記対象のグルコース応答を含む、項目５４に記載の方法。
（項目５８）
前記第２の生物物理学的応答は、前記対象の心拍数を含む、項目５４に記載の方法。
（項目５９）
前記生物物理学的モデルはまた、前記対象によって記録されるデータを用いて訓練される、項目５４に記載の方法。
（項目６０）
前記一次センサデータは、持続的グルコースモニタから発生され、前記二次センサデータは、心拍数モニタから発生され、前記対象によって記録される前記データは、前記対象によって摂食される食品である、項目５９に記載の方法。
（項目６１）
前記少なくとも１つの推奨は、身体活動推奨および食品推奨から選択される、項目５４に記載の方法。
（項目６２）
前記生物物理学的モデルは、オートエンコーダとして構成される人工ニューラルネットワークを備える、項目５４に記載の方法。
（項目６３）
前記生物物理学的モデルは、少なくとも、推奨から第１の生物物理学的応答を予測するように構成される長・短期記憶（ＬＳＴＭ）として構成される、人工ニューラルネットワークを備える、項目５４に記載の方法。
（項目６４）
前記生物物理学的モデルは、前記対象の第１の生物物理学的応答を予測するように構成される、少なくとも１つの時間的畳み込みニューラルネットワークとして構成される、人工ニューラルネットワークを備える、項目５４に記載の方法。
（項目６５）
前記少なくとも１つの推奨は、異種センサデータをオートエンコードすることによって導出される正準アクションを含む、推奨セットから選択される、項目５４に記載の方法。
（項目６６）
前記予測される第１の生物物理学的応答が所定の限界外ではない場合、所定のメッセージを伝送することをさらに含む、項目５４に記載の方法。
（項目６７）
前記所定のメッセージは、奨励メッセージおよび報酬の群から選択される、項目６６に記載の方法。
（項目６８）
対象デバイス上に前記少なくとも１つの推奨を表示することをさらに含む、項目５４に記載の方法。
（項目６９）
対象デバイス上で実行可能なアプリケーションを用いて、少なくとも前記二次センサデータを捕捉することをさらに含む、項目６８に記載の方法。
（項目７０）
前記アプリケーションを用いて、前記一次データを捕捉することをさらに含む、項目６９に記載の方法。
（項目７１）
方法であって、
少なくとも１つの第１のパラメータを有するグルコース調整モデルを訓練し、少なくとも食品源データに応答してグルコースレベルを予測することと、
対象についての情報に応答して、前記少なくとも１つの第１のパラメータを前記グルコース調整モデルにおいて少なくとも１つの個人化されたパラメータと代用し、個人化されたグルコース調整モデルを生成することと、
前記対象からの食品源データを前記個人化されたグルコース調整モデルに適用し、前記対象のグルコースレベルを予測することと
を含む、方法。
（項目７２）
前記グルコース調整モデルは、少なくとも１つのニューラルネットワークを含む、項目７１に記載の方法。
（項目７３）
前記グルコース調整モデルは、長・短期記憶ニューラルネットワークおよびリカレントニューラルネットワークから成る群から選択される、少なくとも１つの統計モデルを含む、項目７２に記載の方法。
（項目７４）
前記グルコース調整モデルは、所定の集団のデータを用いて訓練される、少なくとも１つのニューラルネットワークを含む、項目７１に記載の方法。
（項目７５）
前記少なくとも１つの第１のパラメータは、インスリン抵抗パラメータを備える、項目７１に記載の方法。
（項目７６）
前記グルコース調整モデルは、グルコース調整の微分方程式モデルおよび結合方程式のセットを備えるグルコースモデルから成る群から選択される、少なくとも１つのグルコースモデルを含む、項目７１に記載の方法。
（項目７７）
前記グルコース調整の少なくとも１つの微分方程式モデルは、食品源関数を含む、項目７６に記載の方法。
（項目７８）
所定の食品への集団の血糖応答、および所定の食品に関するデータから計算される血糖応答から成る群から選択される、少なくとも訓練データを用いて、前記食品源関数を訓練することをさらに含む、項目７７に記載の方法。
（項目７９）
グルコース計を用いて前記対象のグルコース応答を記録することによって、前記対象の個人化されたパラメータを発生させることをさらに含む、項目７１に記載の方法。
（項目８０）
前記対象の特性データに基づいて、前記対象を人口統計同等群に分類することによって、前記対象の個人化されたパラメータを発生させることをさらに含む、項目７１に記載の方法。
（項目８１）
システムであって、
少なくとも食品源データに応答して、グルコースレベルを予測するように動作可能である、少なくとも１つのモデルパラメータを備える、グルコース予測モデルを備える、コンピューティングシステムと、
少なくとも１つの個人化されたパラメータを前記少なくとも１つのモデルパラメータとして受信するように構成される、モデルパラメータ入力と、前記少なくとも１つの個人化されたパラメータは、対象のデータに応答して発生される、モデルパラメータ入力と、
食品源データを前記少なくとも１つの個人化されたパラメータを伴う前記グルコース予測モデルに適用し、前記対象のグルコースレベルを予測するように構成される、食品源データ入力と
を備える、システム。
（項目８２）
前記グルコース調整モデルは、ニューラルネットワークを備える、項目８１に記載のシステム。
（項目８３）
前記グルコース調整モデルは、長・短期記憶ニューラルネットワークおよびリカレントニューラルネットワークから成る群から選択される、統計モデルを備える、項目８２に記載のシステム。
（項目８４）
前記グルコース調整モデルは、所定の集団からのデータを用いて訓練される、少なくとも１つのニューラルネットワークを備える、項目８１に記載のシステム。
（項目８５）
前記少なくとも１つのモデルパラメータは、インスリン抵抗パラメータを含む、項目８１に記載のシステム。
（項目８６）
前記グルコース調整モデルは、グルコース調整の微分方程式モデルおよび結合方程式のセットを備えるグルコースモデルから成る群から選択される、グルコース調整の少なくとも１つのモデルに基づいて、教師あり訓練を用いて導出される、項目８１に記載のシステム。
（項目８７）
前記グルコース調整の少なくとも１つの微分方程式モデルは、食品源関数を含む、項目８６に記載のシステム。
（項目８８）
前記食品源関数は、所定の食品への集団の血糖応答、および所定の食品に関するデータから計算される血糖応答から成る群から選択される、訓練データを用いて訓練される、少なくとも１つのニューラルネットワークを備える、項目８７に記載のシステム。
（項目８９）
前記食品源データを発生させるように構成される、電子デバイスをさらに含む、項目８１に記載のシステム。
（項目９０）
前記モデルパラメータ入力に結合され、前記個人化されたパラメータを記憶するように構成される、メモリをさらに含む、項目８１に記載のシステム。
（項目９１）
方法であって、
複数の属性上で、第１のニューラルネットワーク（ＮＮ）を訓練し、前記複数の属性の第２のサブセットから前記複数の属性の第１のサブセットを補定することと、
第２のＮＮを訓練し、前記属性の第１のサブセットおよび前記属性の第２のサブセットから標的値を予測することと、
対象から複数の入力属性のうちの入力属性のサブセットを受信することと、
前記第１のＮＮを使用し、前記複数の入力属性の中の残りの入力属性を補定することと、
前記第２のＮＮを用いて、前記入力属性の第１のサブセットおよび前記残りの入力属性を処理し、標的値を予測することと
を含む、方法。
（項目９２）
前記第１のＮＮは、オートエンコーダを備える、項目９１に記載の方法。
（項目９３）
前記第２のＮＮは、双方向リカレントＮＮを備える、項目９１に記載の方法。
（項目９４）
前記リカレントＮＮは、長・短期記憶ＮＮである、項目９３に記載の方法。
（項目９５）
前記複数の属性の第２のサブセットおよび前記入力属性のサブセットは、食品に関する栄養データを備え、
前記予測される標的値は、血糖値である、項目９１に記載の方法。
（項目９６）
システムであって、
対象から入力属性を受信するように構成される、対象データ入力と、
関連付けられる標的値を有する属性のセットから属性を無作為に選択することによって、入力属性から関連属性を補定するように訓練され、前記入力属性を連続的に受信するように構成される、第１のニューラルネットワーク（ＮＮ）と、
関連属性および前記入力属性から標的値を予測するように訓練され、前記第１のＮＮによって発生される前記入力属性および前記関連属性を受信するように構成される、第２のＮＮと、
前記第１および第２のＮＮへの各入力属性の適用に応答して、前記第２のＮＮから予測される標的値を出力し、更新するように構成される、対象データ出力と
を備える、システム。
（項目９７）
前記第１および第２のＮＮを訓練するための訓練入力属性ならびに対応する訓練標的値を記憶するように構成される、データ記憶部をさらに含む、項目９６に記載のシステム。
（項目９８）
前記第１のＮＮは、オートエンコーダを備える、項目９６に記載のシステム。
（項目９９）
前記第２のＮＮは、双方向リカレントＮＮを備える、項目９６に記載のシステム。
（項目１００）
前記リカレントＮＮは、長・短期記憶ＮＮである、項目９９に記載のシステム。
（項目１０１）
方法であって、
対象に関する生物物理学的読取値を発生させる少なくとも１つのセンサからセンサデータを受信することと、
第１のニューラルネットワーク（ＮＮ）の動作によって、前記センサデータを埋め込み、埋め込まれた値を発生させることと、
第２のＮＮの動作によって、前記埋め込まれた値に応答して、補定される埋め込まれた値を発生させることであって、前記補定される埋め込まれた値は、前記センサデータの１つ以上の領域に対応する補定値を含む、ことと、
前記埋め込まれた補定値を正規化し、補定値を発生させることと
を含む、方法。
（項目１０２）
前記領域は、使用可能であるデータを含まない、項目１０１に記載の方法。
（項目１０３）
センサデータを受信することは、第１のセンサおよび前記第１のセンサと異なる第２のセンサからデータを受信することを含み、
前記センサデータを埋め込むことは、前記第１および第２のセンサからのデータを連結させることを含む、項目１０１に記載の方法。
（項目１０４）
前記第１のセンサは、グルコースモニタである、項目１０３に記載の方法。
（項目１０５）
前記第２のセンサは、心拍数モニタである、項目１０４に記載の方法。
（項目１０６）
前記第２のＮＮは、オートエンコーダを備える、項目１０１に記載の方法。
（項目１０７）
システムであって、
生物物理学的読取値が、無効である、または欠落していると判定される、欠落領域を有する、センサデータを発生させる、少なくとも１つの生物物理学的センサと、
前記少なくとも１つのセンサからのデータ値を埋め込み、埋め込まれた値を発生させるように構成される、第１のニューラルネットワーク（ＮＮ）と、
前記埋め込まれた値に応答して、補定される埋め込まれた値を発生させるように構成される、第２のＮＮであって、前記補定される埋め込まれた値は、前記センサデータの欠落領域に対応する補定値を含む、第２のＮＮと、
前記埋め込まれた補定値を正規化し、補定値を発生させるように構成される、正規化システムと
を備える、システム。
（項目１０８）
前記少なくとも１つのセンサは、第１のセンサと、前記第１のセンサと異なる第２のセンサとを含み、
前記第１のＮＮは、同一の時間周期内に前記第１および第２のセンサからのセンサデータを単一の値に埋め込むように構成される、項目１０７に記載のシステム。
（項目１０９）
前記第１のセンサは、グルコースセンサである、項目１０８に記載のシステム。
（項目１１０）
前記第２のセンサは、心拍数モニタである、項目１０９に記載のシステム。
（項目１１１）
前記第２のＮＮは、オートエンコーダを備える、項目１０７に記載のシステム。
（項目１１２）
方法であって、
有効データセットおよびクエリデータセットを受信することであって、各データセットは、標識を伴うデータ値を含む、ことと、
ニューラルネットワーク（ＮＮ）の動作によって、前記データセット値および標的標識が条件とされる確率的分類子を用いて、前記有効データセットおよびクエリデータセットを分類することと、
１つのデータセットの全てのデータ値に関する分類結果に基づいて、品質スコアを発生させることと
を含む、方法。
（項目１１３）
標識として対応するアクションを伴うバイオメトリックセンサ読取値を取り込むことを含む、前記クエリデータセットを発生させることをさらに含む、項目１１２に記載の方法。
（項目１１４）
前記バイオメトリックセンサは、グルコース計を備える、項目１１３に記載の方法。
（項目１１５）
前記標識は、食品ログデータを備える、項目１１３に記載の方法。
（項目１１６）
前記データ値の分布は、形態ｐ（Ｘ，Ｙ，Ｚ）を有し、Ｘは、入力分布であり、Ｙは、前記確率的分類子のカテゴリ標的であり、Ｚは、前記値が属するデータセットに従って変動する、項目１１２に記載の方法。
（項目１１７）
前記確率的分類子の分類は、ｈ（ｘ）＝ｐ（ｚ＝１｜ｘ，Ｙ＝１）の形態をとり、ｚは、ｘが有効標識を伴う前記データセットからのものである場合、０に等しく、Ｚは、ｘが前記クエリデータセットからのものである場合、１に等しい、項目１１６に記載の方法。
（項目１１８）
システムであって、
標識を伴うデータ値を含む、データセットを記憶するように構成される、データ記憶システムであって、前記データセットは、少なくとも、有効データセットと、クエリデータセットとを含む、データ記憶システムと、
前記データ記憶システムと通信する電子システムであって、前記電子システムは、
前記データセット値および標的標識が条件とされる、前記有効データセットおよびクエリデータセットを分類するように構成される、確率的分類子として構成される、少なくとも１つのニューラルネットワークと、
前記クエリまたは有効データセットの中の全てのデータ値に関する分類値を調査し、それに応答して品質値を発生させるように構成される、品質セクションと
を含む、電子システムと
を備える、システム。
（項目１１９）
前記クエリデータセットに関するデータ値を発生させるように構成される、少なくとも１つのバイオメトリックセンサをさらに含む、項目１１８に記載のシステム。
（項目１２０）
前記バイオメトリックセンサは、グルコース計を備える、項目１１３に記載の方法。
（項目１２１）
前記有効およびクエリデータセットは、標識として食品ログを伴う血糖レベルを含む、項目１１８に記載のシステム。
（項目１２２）
前記データ値の分布は、形態ｐ（Ｘ，Ｙ，Ｚ）を有し、Ｘは、入力分布であり、Ｙは、前記確率的分類子のカテゴリ標的であり、Ｚは、前記値が属するデータセットに従って変動する、項目１１８に記載のシステム。
（項目１２３）
前記確率的分類子の分類は、ｈ（ｘ）＝ｐ（Ｘ＝１｜ｘ，Ｙ＝１）の形態をとり、Ｚは、ｘが前記有効データセットまたはクエリデータセットからのものであるかどうかに応じて、０または１に等しい、項目１２２に記載の方法。
（項目１２４）
方法であって、
データ記憶デバイス内に、生物物理学的センサ信号および前記生物物理学的センサ信号に対応する記録された挙動を記憶することであって、前記記憶されたデータは、訓練データを備える、ことと、
前記訓練データ上でニューラルネットワークを訓練し、標的挙動をもたらすものとして生物物理学的センサ信号を分類することと、
入力生物物理学的センサデータを受信することと、
前記ニューラルネットワークを使用して、前記入力生物物理学的センサデータを処理し、前記入力生物物理学的センサデータに起因する標的挙動を分類することと
を含む、方法。
（項目１２５）
前記生物物理学的センサ信号は、グルコースセンサ信号を含み、前記記録された挙動は、記録された食品データを含む、項目１２４に記載の方法。
（項目１２６）
前記生物物理学的センサ信号は、心拍数モニタ信号を含み、前記記録された挙動は、記録された食品データを含む、項目１２４に記載の方法。
（項目１２７）
前記標的挙動は、予測される食品消費である、項目１２４に記載の方法。
（項目１２８）
対象のための少なくとも１つのセンサを用いて、前記入力生物物理学的センサ信号を入手することと、
前記入力生物物理学的センサ信号を前記ニューラルネットワークに伝送することと、
前記標的挙動を前記対象のデバイスに伝送することと
をさらに含む、項目１２４に記載の方法。
（項目１２９）
システムであって、
訓練センサデータと、対応する挙動データとを備える、訓練データを記憶するように構成される、記憶システムと、
対象センサデータを発生させ、伝送するように構成される、少なくとも１つの生物物理学的センサと、
前記対象センサデータを受信するように構成され、前記対象センサデータを標的挙動に分類する分類子として訓練される、ニューラルネットワークを備える、少なくとも１つの電子システムを備える、挙動予測システムであって、前記分類子は、前記訓練データを用いて訓練される、挙動予測システムと
を備える、システム。
（項目１３０）
前記訓練データは、複数の異なる生物物理学的センサからの訓練センサデータを備え、
前記少なくとも１つの生物物理学的センサは、前記複数の異なる生物物理学的センサを含む、項目１２９に記載のシステム。
（項目１３１）
前記訓練センサデータは、グルコースレベルを含み、前記挙動データは、前記グルコースレベルに対応する記録された食品を含み、
前記少なくとも１つの生物物理学的センサは、グルコース計を含み、
前記標的挙動は、予測される食品摂取である、項目１２９に記載のシステム。
（項目１３２）
前記訓練センサデータは、心拍数データを含み、前記挙動データは、前記心拍数データに対応する記録された食品を含み、
前記少なくとも１つの生物物理学的センサは、心拍数モニタを含み、
前記標的挙動は、予測される食品摂取である、項目１２９に記載のシステム。
（項目１３３）
前記挙動予測システムはさらに、前記標的挙動を伝送するように構成され、
前記標的挙動を受信するように構成される、対象デバイスをさらに含む、項目１２９に記載のシステム。
（項目１３４）
方法であって、
食品アイテムの説明に対応する文字列データを受信および記憶することと、
前記文字列データを、前記文字列データから主格語および非主格語を判定するように構成される言語プロセッサに適用することと、
前記主格語に応答して、前記主格語を伴うアイテムデータベースにクエリを行うことと、
非主格語に応答して、前記非主格語を伴う前記アイテムデータベースにクエリを行うことと、
前記クエリを行うことに応答して、クエリ結果のリストを発生させ、前記クエリ結果のリストは、前記食品アイテムのためのレシピを備える、ことと
を含む、方法。
（項目１３５）
前記言語プロセッサがさらに、明示的成分として主格語を判定するように構成されることと、
前記明示的成分を用いた前記クエリへの前記応答をフィルタ処理し、前記クエリ結果のリストを発生させることと
をさらに含む、項目１３４に記載の方法。
（項目１３６）
システムであって、
食品アイテムの説明を備える、データベースを記憶するように構成される、記憶デバイスと、
テキスト文字列を処理し、主格および非主格語を判定するように構成される、少なくとも１つのコンピューティングデバイスを備える、言語処理システムと、
前記言語処理システムによって発生される前記主格語に応答して、第１のクエリを前記データベースに適用するように、かつ前記非主格語に応答して、第２のクエリを前記データベースに適用し、前記クエリに応答して、クエリ結果のリストを発生させるように構成される、少なくとも１つのコンピューティングデバイスを備える、クエリシステムであって、前記クエリ結果のリストは、前記食品アイテムのためのレシピを備える、クエリシステムと
を備える、システム。
（項目１３７）
前記言語処理システムはさらに、明示的成分として主格語を判定するように構成され、
前記クエリシステムはさらに、前記第１のまたは第２のクエリへの応答をフィルタ処理するように構成される、項目１３６に記載のシステム。
（項目１３８）
方法であって、
アイテムの性質を備える、第１のデータを受信および記憶することと、
前記アイテム内の普及度の順序でランク付けされる前記アイテムの構成要素を備える、第２のデータを受信および記憶することと、
データベース内の前記ランク付けされた構成要素のうちの少なくとも１つに関して前記性質を判定し、ルックアップデータを発生させることと、
前記ルックアップデータに応答して、前記アイテム内の前記少なくとも１つの構成要素の少なくとも１つの量を判定することと、
出力データとして、前記少なくとも１つの構成要素の少なくとも１つの量を記憶することと
を含む、方法。
（項目１３９）
第１のデータを受信および記憶することは、食品アイテムに関する栄養情報を受信することを含み、
第２のデータを受信および記憶することは、前記食品アイテムに関するランク付けされた成分データを受信することを含む、項目１３８に記載の方法。
（項目１４０）
第１および第２のデータを受信および記憶することは、前記食品アイテムの食品ラベルの画像データを捕捉および処理することを含む、項目１３８に記載の方法。
（項目１４１）
前記第１のデータは、ｎ個の性質を含み、
第２のデータは、ｍ個の構成要素を含み、
構成要素毎に前記性質を判定することは、構成要素およびそれらの性質のｎ×ｍ行列を生成および記憶することを含み、
前記アイテム内の各構成要素の量を判定することは、ｙ＝Ａｘに対応する連立方程式を解法することを含み、ｙは、成分の量であり、ｘは、構成要素であり、Ａは、前記行列である、項目１３８に記載の方法。
（項目１４２）
各構成要素の量を判定することは、前記行列Ａを線形回帰分析のために構成されるニューラルネットワークに適用することを含む、項目１４１に記載の方法。
（項目１４３）
システムであって、
アイテムの性質を備える第１のデータおよび前記アイテム内の普及度の順序にランク付けされた前記アイテムの構成要素を備える第２のデータを受信するように結合され、構成要素毎に性質を表すデータ構造を生成するように構成される、処理デバイスを含む、データ前処理セクションと、
前記データ構造を受信するように結合され、前記アイテム内の各構成要素の量を判定することを判定するように構成される、処理デバイスを含む、分析セクションと
を備える、システム。
（項目１４４）
前記アイテムに関する前記第１および第２のデータを捕捉するように構成される、入力デバイスをさらに含む、項目１４３に記載のシステム。
（項目１４５）
前記入力デバイスは、前記アイテムに関するラベルの画像を捕捉するように構成される、画像捕捉デバイスを備える、項目１４４に記載のシステム。
（項目１４６）
前記第１のデータは、食品アイテムの栄養情報を備え、前記第２のデータは、前記食品アイテムの成分を備える、項目１４３に記載のシステム。
（項目１４７）
前記第１のデータは、ｎ個の性質を含み、
第２のデータは、ｍ個の構成要素を含み、
前記データ構造は、構成要素およびそれらの性質のトポロジーマッピングを備え、
前記分析セクションは、ｙ＝Ａｘに対応する連立方程式を解法するように構成され、ｙは、成分の量であり、ｘは、構成要素であり、Ａは、前記トポロジーマッピングである、項目１４３に記載のシステム。
（項目１４８）
前記トポロジーマップは、行列であり、前記分析セクションは、線形回帰分析のために構成されるニューラルネットワークを備える、項目１４７に記載のシステム。
（項目１４９）
方法であって、
アイテムの性質を備える、第１のデータを受信および記憶することと、
前記アイテム内の普及度の順序でランク付けされる前記アイテムの構成要素を備える、第２のデータを受信および記憶することと、
データベース内の前記ランク付けされた構成要素のうちの少なくとも１つに関して前記性質を判定し、ルックアップデータを発生させることと、
前記ルックアップデータに応答して、前記アイテム内の前記少なくとも１つの構成要素の少なくとも１つの量を判定することと、
出力データとして、各構成要素の少なくとも１つの量を記憶することと
を含む、方法。
（項目１５０）
方法であって、
アイテムの文字列説明と、前記アイテムの性質とを備える、訓練データを用いて、加重行列を有する単語埋め込みシステムを訓練し、前記アイテムの文字列説明を、前記アイテムの性質に従って加重される埋め込まれた空間の中に埋め込むことと、
前記アイテムの入力文字列説明を前記訓練された単語埋め込みシステムに適用し、前記アイテムの性質に従って加重される出力単語埋め込みを推論することと
を含む、方法。
（項目１５１）
前記単語埋め込みシステムを訓練することは、前記性質として栄養情報を伴う食品文字列説明を用いて訓練することを含む、項目１５０に記載の方法。
（項目１５２）
前記入力文字列を適用することは、食品アイテムの文字列説明を適用することを含む、項目１５０に記載の方法。
（項目１５３）
システムであって、
アイテムの文字列説明と、前記アイテムの性質とを含む、訓練データを記憶するように構成される、記憶システムと、
訓練データを用いて訓練されるニューラルネットワークを使用して、前記文字列の単語を、前記文字列説明のうちの１つに対応するアイテムの性質から導出される加重を伴う埋め込まれた空間の中に埋め込む、単語埋め込みシステムと、
入力文字列を受信し、それを前記単語埋め込みシステムに適用し、前記性質に従って加重される単語埋め込みを発生させるように構成される、入力と
を備える、システム。
（項目１５４）
前記訓練データは、食品アイテムの単語の説明と、前記食品アイテムに関する栄養情報とを含む、項目１５３に記載のシステム。
（項目１５５）
入力文字列は、前記食品アイテムの説明を含み、前記発生された単語埋め込みは、前記栄養情報に従って加重される、項目１５４に記載の方法。
（項目１５６）
方法であって、
アイテムの文字列説明と、前記アイテムの性質とを備える、訓練データを用いて、加重行列を有する単語埋め込みシステムを訓練し、前記単語の列のアイテムを、前記対応するアイテムの性質に従って加重される埋め込まれた空間の中に埋め込むことと、
前記アイテムの入力文字列説明を前記訓練された単語埋め込みシステムに適用し、前記性質加重を伴う出力単語埋め込みを推論することと
を含む、方法。
（項目１５７）
システムであって、
アイテムの文字列説明と、前記アイテムの性質とを含む、訓練データを記憶するように構成される、記憶システムと、
前記文字列説明の単語を、前記文字列説明に対応する前記アイテムの性質から導出される加重を伴う埋め込まれた空間の中に埋め込むように、訓前記練データを用いて訓練される単語埋め込みシステムとして構成される、ニューラルネットワークと、
入力文字列を受信し、それを前記訓練された単語埋め込みシステムに適用し、前記性質に従って加重される単語埋め込みを発生させるように構成される、入力と
を備える、システム。
（項目１５８）
方法であって、
（ａ）複数の食品アイテムのテキストベースの説明、ならびに前記複数の食品アイテム毎に、（ｉ）栄養データおよび血糖値、または（ｉｉ）栄養データもしくは血糖値を取得することと、
（ｂ）前記複数の食品アイテムのテキストベースの説明の埋め込みを発生させることと、
（ｃ）少なくとも前記埋め込みに基づいて、血糖値が取得されなかった前記複数の食品アイテムの中の食品アイテム毎の血糖値、および栄養データが取得されなかった前記複数の食品アイテムの中の食品アイテム毎の栄養データを推論することと、
（ｄ）前記複数の食品アイテムの栄養データおよび血糖値上で教師あり機械学習アルゴリズムを訓練し、所与の食品アイテムの栄養データから前記所与の食品アイテムの血糖値を予測することと
を含む、方法。
（項目１５９）
前記所与の食品アイテムの血糖値を前記教師あり機械学習アルゴリズムに提供し、前記所与の食品アイテムの血糖値を予測することをさらに含む、項目１５８に記載の方法。
（項目１６０）
前記血糖値は、血糖指数または血糖負荷である、項目１５８に記載の方法。
（項目１６１）
（ｂ）は、教師なし学習アルゴリズムを前記複数の食品アイテムのテキストベースの説明に適用することを含む、項目１５８に記載の方法。
（項目１６２）
前記教師なし学習アルゴリズムは、次元縮小アルゴリズムである、項目１６１に記載の方法。
（項目１６３）
前記教師なし学習アルゴリズムは、ｎ－グラムまたはバッグオブワードモデルである、項目１６１に記載の方法。
（項目１６４）
前記教師あり機械学習アルゴリズムは、ディープニューラルネットワークである、項目１５８に記載の方法。
（項目１６５）
システムであって、
少なくとも第１のデータベースおよび第２のデータベースを記憶するように構成される、データ記憶システムであって、前記第１のデータベースは、対応する属性を伴う第１のアイテムの説明を含み、前記第２のデータベースは、対応する標的値を伴う第２のアイテムの説明を含み、前記第１のアイテムのうちの少なくともいくつかは、前記第２のアイテムと異なる、データ記憶システムと、
前記第１および第２のデータベースをマージし、対応する属性および標的値を伴うマージされたアイテム説明を含む、訓練データを発生させるように構成される、少なくとも第１のコンピューティングデバイスを備える、埋め込みシステムと、
属性から標的値を推論するように、前記訓練データを用いて訓練される機械学習システムを備える、少なくとも第１の推論システムと
を備える、システム。
（項目１６６）
前記アイテムの説明は、単語の説明を備える、項目１６５に記載のシステム。
（項目１６７）
前記アイテムは、食品アイテムであり、前記属性は、前記食品アイテムの栄養データであり、前記標的値は、血糖応答値である、項目１６５に記載のシステム。
（項目１６８）
前記血糖応答値は、血糖指数および血糖負荷の群から選択される、項目１６７に記載のシステム。
（項目１６９）
少なくとも対象デバイスを用いて栄養データを入手するように構成される、データ捕捉セクションをさらに備え、前記少なくとも第１の推論システムは、少なくとも前記入手された栄養データから血糖指数値を推論するように構成される、項目１６７に記載のシステム。
（項目１７０）
少なくとも、対象によって摂取されるものとして示される食品の血糖応答値に応答して、前記対象の血糖値を判定するように構成される、少なくとも第２の推論システムをさらに備える、項目１６７に記載のシステム。
（項目１７１）
前記埋め込みシステムは、第１および第２のアイテムの説明を埋め込まれた空間の中に埋め込むように構成される、少なくとも１つのニューラルネットワークを備える、項目１６５に記載のシステム。
（項目１７２）
システムであって、
アイテムに関する属性値を入手するように構成される、データ入手システムと、
前記入手された属性値から標的値を推論するように構成される、少なくとも第１の推論システムと
を備え、
前記第１の推論システムは、少なくとも第１のデータセットおよび第２のデータセットを埋め込むことによって発生される訓練データを用いて訓練される、少なくとも１つのニューラルネットワークを含み、前記第１のデータセットは、対応する属性を伴うアイテムの説明を含み、前記第２のデータセットは、対応する標的値を伴うアイテムの説明を含む、ニューラルネットワークを含む、システム。
（項目１７３）
前記訓練データを用いて前記少なくとも１つのニューラルネットワークを訓練するように構成される、訓練エージェントをさらに含む、項目１７２に記載のシステム。
（項目１７４）
少なくとも推論された標的値から対象に関する応答を推論するように構成される、少なくとも第２の推論システムをさらに含む、項目１７２に記載のシステム。
（項目１７５）
前記標的値は、食品アイテムに関する血糖応答値であり、前記属性値は、前記食品アイテムに関する栄養値である、項目１７２に記載のシステム。
（項目１７６）
少なくとも前記属性値は、ベクトル空間の中に埋め込まれるテキスト値である、項目１７２に記載のシステム。
（項目１７７）
少なくとも前記推論された標的値に応答して、データを対象デバイス上で実行されるアプリケーションに伝送するように構成される、アプリケーションサーバをさらに含む、項目１７２に記載のシステム。
（項目１７８）
方法であって、
第１のモダリティの時系列訓練データおよび第２のモダリティの時系列訓練データを用いてニューラルネットワークを訓練し、前記第１のモダリティの時系列データから前記第２のモダリティの時系列データを発生させる第１のモデルを生成することと、
前記第２のモダリティの発生された時系列、第３のモダリティの時系列訓練データ、および第４のモダリティの時系列データを用いて、第２のモデルを訓練し、前記第４のモダリティの時系列データを発生させることと、
収束条件に到達されるまで、反復して、前記第１のモダリティの時系列データおよび前記第３のモダリティの時系列データ上で前記第２のモデルを試験することと、
前記収束条件に到達することに応答して、前記第１のモダリティのデータを用いて前記第２のモデルを試験することによって、第２のモダリティデータを予測することと
を含む、方法。
（項目１７９）
第１のタイプのセンサを用いて、前記第１のモダリティの時系列訓練データを入手することと、
第２のタイプのセンサを用いて、前記第２のモダリティの時系列訓練データを入手することと
をさらに含む、項目１７８に記載の方法。
（項目１８０）
前記第２のタイプのセンサは、グルコース計であり、前記第２のモダリティの時系列データは、経時的なグルコースレベルを含む、項目１７９に記載の方法。
（項目１８１）
前記ニューラルネットワークを訓練し、前記第１のモデルを生成することは、時系列訓練データのＮ個のセットを用いて訓練することを含み、前記第１のモダリティの推定される時系列訓練データおよび少なくとも前記第３のモダリティの時系列訓練データを用いて、前記第１のモデルを訓練することは、時系列データのＭ個のセットを用いて訓練することを含む、項目１７８に記載の方法。
（項目１８２）
前記時系列データのＮ個のセットおよび前記時系列データのＭ個のセットを用いて、前記第１のモデルを試験し、前記試験のエラー値に応答して、前記第１のモデルを更新することをさらに含み、前記訓練された第１のモデルは、最も小さいエラーを伴う前記第１のモデルである、項目１８１に記載の方法。
（項目１８３）
収束条件に到達することは、閾値を上回らないエラー値を計算することを含む、項目１７８に記載の方法。
（項目１８４）
システムであって、
訓練データのＭ個のセットを伴う第１のモダリティの時系列データから第２のモダリティの時系列データを発生させるように訓練される、第１のモデルを含む、初期モデルセクションと、
訓練セクションであって、
前記第１のモデルから導出され、訓練データのＮ個のセットを伴う第４のモダリティの少なくとも時系列データから、少なくとも第３のモダリティの時系列データを発生させるように構成される、第２のモデルと、
前記訓練データのＭおよびＮ個のセットを用いて前記第２のモデルを試験し、試験エラー値に応答して前記第２のモデルを更新するように構成される、試験セクションと
を含む、訓練セクションと、
前記第１のモダリティの時系列データから前記第２のモダリティの時系列データを推論するように構成される、最低試験エラー値を伴う前記第２のモデルである、推論モデルと
を備える、システム。
（項目１８５）
前記第１のモデル、前記第２のモデル、および前記推論モデルは、ニューラルネットワークを備える、項目１８４に記載のシステム。
（項目１８６）
前記第１および第２のモダリティの時系列データは、生物物理学的センサデータである、項目１８４に記載のシステム。
（項目１８７）
前記第１および第２のモダリティの少なくとも時系列データは、グルコース計に対応するグルコースレベルである、項目１８６に記載のシステム。
（項目１８８）
前記第３および第４のモダリティは、グルコースレベルである、項目１８７に記載のシステム。
（項目１８９）
前記訓練セクションは、
前記第１のモデルの逆であり、前記第３および第４のモダリティの時系列データから前記第１のモダリティの推定される時系列データを発生させるように構成される、逆モデルと、
前記第１のモダリティの推定される時系列データおよび前記第３のモダリティの時系列データから線形パラメータを発生させるように構成される、推定器セクションと、
前記線形パラメータを使用して、前記第３のモダリティの時系列データから前記第１のモダリティのマッピングされた時系列データを発生させるように構成される、セクションと
を備え、
前記第２のモデルは、前記第１のモダリティのマッピングされた時系列データを用いて訓練される、項目１８４に記載のシステム。
（項目１９０）
方法であって、
第１のモダリティの時系列訓練データおよび第２のモダリティの時系列訓練データを用いて、ニューラルネットワークを訓練し、前記第１のモダリティの時系列データから前記第２のモダリティの時系列データを発生させる第１のモデルを生成することと、
収束条件に到達されるまで、
第２のモデルを使用して、第３のモダリティおよび第４のモダリティからの時系列データの混合物から、前記第１のモダリティの推定される時系列データを発生させることであって、前記第２のモデルは、前記第１のモデルの逆モデルとして開始される、ことと、
前記第１のモダリティの推定される時系列データおよび前記第３のモダリティの時系列データを使用して、前記第２のモデルを訓練し、線形フィッティングパラメータを推定することと、
前記推定される線形フィッティングパラメータを使用して、前記第３のモダリティの時系列データから前記第１のモダリティの類似時系列データを発生させることと、
前記第１のモダリティの類似時系列データを前記第３のモダリティの時系列データに直線的にマッピングすることと、
前記第３のモダリティの時系列データおよび前記第４のモダリティの時系列データの第１のモダリティ混合物からの前記直線的にマッピングされた類似時系列データを使用して、第３のモデルを訓練し、前記第３のモダリティからの時系列データおよび前記第４のモダリティからの時系列データの混合物を発生させることであって、前記第３のモデルは、前記第２のモデルの逆である、ことと、
前記第３のモデルの逆モデルであるように前記第２のモデルを修正することと、
前記収束条件に到達されたかどうかを評価することと
を含む、方法。
（項目１９１）
前記第３のモデルを訓練することは、前記第１のモデルとして前記第３のモデルを初期化することを含む、項目１９０に記載の方法。
（項目１９２）
ニューラルネットワークを訓練し、時系列データを較正するための方法であって、
生物物理学的応答に関する較正された時系列データおよび前記生物物理学的応答に関する対応する未加工時系列データを受信することと、
前記生物物理学的応答に関する前記較正された時系列データおよび前記対応する未加工時系列データ上で、ニューラルネットワークを訓練し、較正された時系列データを発生させることであって、その訓練は、（ｉ）所与の未加工時系列に関する前記ニューラルネットワークの出力と（ｉｉ）対応する較正された時系列との間の差異に基づいて、前記ニューラルネットワークのパラメータを更新することを含む、ことと、
生物物理学的センサによって発生される、未加工入力時系列データを受信することと、
前記未加工入力時系列データを前記ニューラルネットワークに適用することによって、較正された時系列データを発生させることと
を含む、方法。
（項目１９３）
前記未加工入力時系列データは、グルコース計によって発生される、項目１９２に記載の方法。
（項目１９４）
前記ニューラルネットワークは、前記未加工入力時系列データに存在するドリフトを取り消すように訓練される、項目１９２に記載の方法。
（項目１９５）
前記未加工時系列データおよび未加工入力時系列データは、グルコース計によって発生される、項目１９４に記載の方法。
（項目１９６）
前記ニューラルネットワークを訓練することはさらに、ドメイン特有の特徴エンジニアリングを含む、項目１９２に記載の方法。
（項目１９７）
前記ニューラルネットワークを訓練することは、教師なし訓練を含む、項目１９２に記載の方法。
（項目１９８）
方法であって、
順序付けを有する複数のデータセットからデータ構造を構築することであって、前記データ構造は、前記順序付けに基づくインターバル木を含む、ことと、
任意の構造が前記インターバル木に欠落したインターバルを有するかどうかを判定することと、
データ構造が欠落したインターバルを有する場合、前記欠落したインターバルに関するデータ値を補定することによって、前記欠落したインターバルに関するデータを生成することと、
クエリデータに応答して、少なくとも前記インターバル木を検索することによって、前記データ構造にアクセスすることと、
前記順序付けを反映する列を含む、前記アクセスされたデータ値から表形式データ構造を形成することと
を含む、方法。
（項目１９９）
前記データセットは、時間で順序付けられるアクションを備える、項目１９８に記載の方法。
（項目２００）
前記データ構造のうちのいずれかが欠落したインターバルを有するかどうかを判定することは、データ構造を、欠落したインターバルを有していない場合、第１のクラスに、欠落したインターバルを有する場合、第２のクラスに分類することを含む、項目１９８に記載の方法。
（項目２０１）
前記データ構造からのデータ値にアクセスすることは、クエリ動作のためのデータ構造を選択すること、前記順序付けによって決定付けられるデータ構造の領域にクエリを行うこと、クエリ結果を継合すること、および異なるデータ構造の重複領域をマージすることから成る群から選択される、動作を含む、項目１９８に記載の方法。
（項目２０２）
前記表形式データ構造を形成することは、前記アクセスされたデータ値からデータフレームを形成することを含む、項目１９８に記載の方法。
（項目２０３）
前記表形式データ構造を形成することは、前記アクセスされたデータ値からデータフレームを形成することを含む、項目１９８に記載の方法。
（項目２０４）
前記データセットは、順序付けを有する異なる対象事象を備え、前記表形式データ構造を形成することは、クエリが行われた時間周期にわたって異なる対象事象を含む、表形式データ構造を形成することを含む、項目１９８に記載の方法。
（項目２０５）
前記対象事象のうちの少なくとも１つは、前記対象の生物物理学的応答である、項目２０４に記載の方法。
（項目２０６）
前記生物物理学的応答は、前記対象のグルコースレベルである、項目２０５に記載の方法。
（項目２０７）
システムであって、
順序付けを伴うデータ値をそれぞれ有する、表形式データセットを記憶するように構成される、データ記憶部と、
機械実行可能命令を備えるメモリであって、前記命令は、プロセッサによって実行されると、前記プロセッサに、
前記順序付けに基づくインターバル木を含む、データ構造を生成することと、
前記インターバル木のうちのいずれかが欠落したインターバルを含むかどうかを判定することと、
インターバル木が欠落したインターバルを有する場合、前記欠落したインターバルに関するデータを補定することと、
クエリデータに応答して、少なくとも前記データ構造のインターバル木を検索することによって、前記データ構造からのデータ値にアクセスすることと、
前記順序付けを反映する列を含む、前記アクセスされたデータ値から表形式データ構造を形成することと、
を含む動作を実施させる、メモリと
を備える、システム。
（項目２０８）
前記データ記憶部は、対象アクションに対応する時間または日付列を有する、表形式データセットを記憶するように構成される、項目２０７に記載のシステム。
（項目２０９）
前記処理セクションは、クエリ動作のためのデータ構造を選択すること、前記順序付けによって決定付けられるデータ構造の領域にクエリを行うこと、クエリ結果を継合すること、および構造の重複領域をマージすることから成る群から選択される、動作を実行するように構成される、項目２０７に記載のシステム。
（項目２１０）
前記データ記憶部は、順序付けを有する異なる対象事象を備える、表形式データセットを記憶するように構成され、前記処理セクションは、クエリが行われた時間周期にわたって異なる対象事象を含む、表形式データ構造を形成するように構成される、項目２０７に記載のシステム。
（項目２１１）
前記対象事象のうちの少なくとも１つは、前記対象の生物物理学的応答である、項目２１０に記載のシステム。
（項目２１２）
前記生物物理学的応答は、前記対象のグルコースレベルである、項目２１１に記載のシステム。
【0046】
（参照による組み込み）
本明細書に言及される全ての刊行物、特許、および特許出願は、各個々の刊行物、特許、または特許出願が具体的かつ個々に参照することによって組み込まれることが示される場合と同程度に、参照することによって本明細書に組み込まれる。参照することによって組み込まれる刊行物および特許または特許出願が、本明細書に含有される開示と矛盾する範囲について、本明細書は、任意のそのような矛盾する資料に対して優先および／または先行することを意図している。
本明細書に言及される全ての刊行物、特許、および特許出願は、各個々の刊行物、特許、または特許出願が具体的かつ個々に参照することによって組み込まれることが示される場合と同程度に、参照することによって本明細書に組み込まれる。参照することによって組み込まれる刊行物および特許または特許出願が、本明細書に含有される開示と矛盾する範囲について、本明細書は、任意のそのような矛盾する資料に対して優先および／または先行することを意図している。
【0047】
本発明の新規の特徴は、添付される請求項に具体的に記載される。本発明の特徴および利点のより深い理解が、本発明の原理が利用される例証的実施形態を記載する、以下の詳細な説明および付随の図面（また、本明細書では「図（ＦｉｇｕｒｅおよびＦＩＧ．）」）を参照することによって取得されるであろう。
【図面の簡単な説明】
【0048】
【0049】
【0050】
【0051】
【0052】
【0053】
【0054】
【0055】
【0056】
【0057】
【0058】
【0059】
【0060】
【0061】
【0062】
【0063】
【0064】
【0065】
【0066】
【0067】
【0068】
【0069】
【0070】
【0071】
【0072】
【0073】
【0074】
【0075】
【0076】
【0077】
【0078】
【0079】
【0080】
【0081】
【0082】
【0083】
【0084】
【0085】
【0086】
【0087】
【0088】
【0089】
【0090】
【0091】
【0092】
【0093】
【0094】
【0095】
【0096】
【0097】
【発明を実施するための形態】
【0098】
（詳細な説明）
本発明の種々の実施形態が、本明細書に示され、説明されているが、そのような実施形態は、実施例としてのみ提供されることが当業者に明白であろう。多数の変形例、変更、および代用が、本発明から逸脱することなく、当業者に想起され得る。本明細書に説明される本発明の実施形態の種々の代替が、採用され得ることを理解されたい。
本発明の種々の実施形態が、本明細書に示され、説明されているが、そのような実施形態は、実施例としてのみ提供されることが当業者に明白であろう。多数の変形例、変更、および代用が、本発明から逸脱することなく、当業者に想起され得る。本明細書に説明される本発明の実施形態の種々の代替が、採用され得ることを理解されたい。
【0099】
用語「少なくとも」、「～を上回る」、もしくは「～を上回るまたはそれと等しい」が、一連の２つ以上の数値の中の第１の数値に先行する度に、用語「少なくとも」、「～を上回る」、もしくは「～を上回るまたはそれと等しい」は、その一連の数値の中の数値のそれぞれに適用される。例えば、「１、２、もしくはまたは３を上回るまたはそれと等しい」は、「１を上回るまたはそれと等しい」、「２を上回るまたはそれと等しい」、もしくは「３を上回るまたはそれと等しい」と同等である。
【0100】
用語「以下」、「未満」、もしくは「未満またはそれと等しい」が、一連の２つ以上の数値の中の第１の数値に先行する度に、用語「以下」、「未満」、もしくは「未満またはそれと等しい」は、その一連の数値の中の数値のそれぞれに適用される。例えば、「２、３、もしくは１未満またはそれと等しい」は、「３未満またはそれと等しい」、「２未満またはそれと等しい」、もしくは「１未満またはそれと等しい」と同等である。
【0101】
本開示は、対象アクションを記録するセンサおよび他のデータを入手し、強化学習を利用して対象応答を予測し得る、システムおよび方法を提供する。予測は、生物物理学的応答および／または挙動応答の予測であり得る。実施形態は、カスタム変分エンコーディングを利用して、対象アクションおよび応答をモデル化することができる。いくつかの実施形態では、本明細書に説明されるシステムは、報酬関数および対象の履歴アクションに基づいて、対象のための推奨を発生させることができる。
【0102】
図１は、ある実施形態による、システム１００を示す。システム１００は、以下のうちのいずれかの１つ以上、すなわち、機械学習（ＭＬ）サーバ１０２、アプリケーションサーバ１０４、データ記憶部１０６、データソース１０８－０から１０８－２、および対象デバイス１１０を含むことができる。データソース１０８から０－１０８－２、ＭＬおよびアプリケーションサーバ（１０２、１０４）、ならびに対象デバイス１１０は、通信ネットワーク１１２を通して相互と通信することができる。通信ネットワーク１１２は、有線または無線であり得る。例えば、通信ネットワーク１１２は、Ｂｌｕｅｔｏｏｔｈ（登録商標）ネットワーク、Ｗｉ－Ｆｉネットワーク、ローカルエリアネットワーク、広域ネットワーク、セルラーネットワーク、または同等物であり得る。ある場合には、通信ネットワーク１１２は、インターネットであり得る。
【0103】
ＭＬサーバ１０２は、本明細書に説明される種々のＭＬシステムおよび機能を実装するための適切にプログラムされたハードウェアを含むことができる。ハードウェアは、いくつか例を挙げると、汎用プロセッサ、グラフィック処理ユニット（ＧＰＵ）、特定用途向け回路（ＡＳＩＣ）、または機械学習アクセラレータであり得る。ＭＬサーバ１０２は、本明細書に説明されるであろうように、種々のアーキテクチャの人工ニューラルネットワーク（ＡＮＮ）を実装することができる。そのようなＡＮＮは、データソース１１６、１１８、および１２０から受信されるデータ、ならびにデータ記憶部１２２上に常駐する他のデータに、学習および推論動作を含む種々の機能を実施することができる。ＡＮＮは、オートエンコーダ（ＡＥ）、敵対的生成ネットワーク（ＧＡＮ）、長・短期記憶ネットワーク（ＬＳＴＭ）、畳み込みニューラルネットワーク（ＣＮＮ）、強化学習（ＲＬ）アルゴリズム、および本明細書に説明されるシステムならびに方法のために好適な任意の他の人工ニューラルネットワーク（ＡＮＮ）または関連アーキテクチャであり得る。
【0104】
一般に、ＭＬサーバ１０２上に実装されるＭＬアルゴリズムは、対象の生物物理学的応答（例えば、グルコース応答）を予測する、または対象の健康の側面（例えば、グルコースレベル）を改変もしくは維持するように構成される推奨（例えば、食事または身体活動推奨）を行うために、使用されることができる。ＭＬアルゴリズムは、教師あり学習アルゴリズム、半教師あり学習アルゴリズム、教師なし学習アルゴリズム、強化学習アルゴリズム、または同等物であり得る。
【0105】
教師ありＭＬアルゴリズムは、標識訓練入力、すなわち、既知の出力を伴う訓練入力を使用して、訓練されることができる。訓練入力は、予測される出力を発生させるように、ＭＬアルゴリズムの訓練されていないまたは部分的に訓練されたバージョンに提供されることができる。予測される出力は、既知の出力と比較されることができ、差異が存在する場合、ＭＬアルゴリズムのパラメータは、更新されることができる。半教師ありＭＬアルゴリズムは、多数の非標識訓練入力および少数の標識訓練入力を使用して、訓練されることができる。教師なしＭＬアルゴリズム、例えば、クラスタリングまたは次元縮小アルゴリズムは、既存の標識を伴わないデータセットの中で以前は未知であったパターンを見出すことができる。
【0106】
強化学習アルゴリズムは、現在の知識の活用により、未知の領域の探査の平衡を保つことによって、問題への最適な解決策を求め得る。強化学習では、標識入出力対は、使用される必要がない。代わりに、エージェント（例えば、ＭＬアルゴリズム）が、利用可能なアクションのセットからアクションを選定することができる。アクションは、新しい環境状態をもたらし得る。新しい環境状態は、それと関連付けられる報酬を有し得、報酬は、新しい状態が前の状態よりもよいか、または悪いかどうかに応じて、正もしくは負であり得る。エージェントの目標は、可能な限り多くの報酬を収集する、例えば、対象のグルコースレベルを最適化することであり得る。エージェントが選定し得る、利用可能なアクションのセットは、アクションの確率分布であり得る。確率分布は、エージェントが報酬を受信するにつれて調節され得る。すなわち、負の報酬をもたらすアクションが、確率分布からゆっくりと除外され得る一方、正の報酬をもたらすアクションは、確率分布において強調され得る。生物物理学的応答との関連で、状態は、対象のグルコースレベルであり得、報酬関数は、正常なグルコースレベルを維持または達成する、報酬推奨（例えば、医療、食事、または身体活動推奨）であり得る。
【0107】
本明細書で使用されるＭＬアルゴリズムは、ニューラルネットワークであってもよい。ニューラルネットワークは、動作の複数の層を採用し、１つ以上の出力、例えば、対象のグルコースレベルを予測することができる。ニューラルネットワークは、入力層と出力層との間に位置する、１つ以上の隠れ層を含むことができる。各層の出力は、別の層、例えば、次の隠れ層または出力層への入力として使用されることができる。ニューラルネットワークの各層は、層への入力に実施されるべき１つ以上の変換動作を規定することができる。そのような変換動作は、ニューロンと称され得る。特定のューロンの出力は、バイアスを用いて調節され、アクティブ化関数、例えば、正規化線形ユニット（ＲｅＬＵ）またはシグモイド関数によって乗算される、ニューロンへの入力の加重和であり得る。
【0108】
ニューラルネットワークを訓練することは、入力を訓練されていないニューラルネットワークに提供し、予測される出力を発生させることと、予測される出力を予期される出力と比較することと、予測される出力と予測される出力との間の差異を考慮するようにアルゴリズムの加重およびバイアスを更新することとを伴うことができる。具体的には、費用関数が、予測される出力と予測される出力との間の差異を計算するために使用されることができる。ネットワークの加重およびバイアスに関して費用関数の導関数を算出することによって、加重およびバイアスは、費用関数を最小限にするように複数のサイクルにわたって反復して調節されることができる。訓練は、予測される出力が、収束条件、例えば、費用関数によって判定されるような小規模の計算される費用を満たすときに、完了し得る。
【0109】
ニューラルネットワークの実施例は、ＣＮＮ、リカレントニューラルネットワーク、（ＲＮＮ）（例えば、ＬＳＴＭ）、およびその他を含む。ＣＮＮは、畳み込み層と呼ばれる、いくつかの層内のニューロンが、入力データセットの小さい部分のみからピクセルを受信する、ニューラルネットワークである。これらの小さい部分は、ニューロンの受容野と称され得る。そのような畳み込み層内の各ニューロンは、同一の加重を有することができる。このように、畳み込み層は、入力データセットの任意の部分において特徴を検出することができる。ＣＮＮはまた、フィードフォワードニューラルネットワーク内の従来的な層に類似する、畳み込み層および完全に接続された層内のニューロンクラスタの出力を組み合わせる、プーリング層を有してもよい。ある場合には、ＣＮＮは、画像またはビデオの任意の部分においてオブジェクトを検出するために使用されてもよい。
【0110】
ＲＮＮは、その一方で、時系列データ、例えば、持続的グルコース監視データにおける依存性をエンコードし得る、循環接続を伴うニューラルネットワークである。ＲＮＮは、一連の時系列入力を受信するように構成される、入力層を含むことができる。ＲＮＮはまた、状態を維持する、１つ以上の隠れリカレント層を含むこともできる。各時間ステップでは、各隠れリカレント層は、層に関して出力および次の状態を算出することができる。次の状態は、前の状態および現在の入力に依存し得る。状態は、時間ステップを横断して維持されることができ、入力シーケンスにおける依存性を捕捉することができる。そのようなＲＮＮは、例えば、対象のグルコースレベルの時系列特徴をエンコードするために使用されることができる。
【0111】
ＲＮＮの一実施例は、ＬＳＴＭユニットから作製され得る、ＬＳＴＭである。ＬＳＴＭユニットは、セル、入力ゲート、出力ゲート、および忘却ゲートから作製されることができる。セルは、入力シーケンス内の要素の間の依存性を追跡することに関与し得る。入力ゲートは、新しい値がセルに流入する程度を制御することができ、忘却ゲートは、値がセル内に留まる程度を制御することができ、出力ゲートは、セル内の値がＬＳＴＭユニットの出力アクティブ化を算出するために使用される程度を制御することができる。ＬＳＴＭゲートのアクティブ化関数は、ロジスティック関数であり得る。
【0112】
ここで使用されるＭＬアルゴリズムは、代替として、または加えて、ＧＡＮであってもよい。ＧＡＮは、生成ネットワークと、弁別ネットワークとを含むことができる。生成ネットワークが、候補シミュレーションを発生させることができる一方、弁別ネットワークは、候補シミュレーションを評価することができる。弁別ネットワークの目標が、シミュレーションと真のデータ分布とを区別することであり得る一方、生成ネットワークの目標は、弁別ネットワークのエラー率を増加させることであり得る。逆伝搬が、生成ネットワークがより良好なシミュレーションを生成するように、両方のネットワークに適用されることができる一方、弁別ネットワークは、シミュレーションにフラグを付けることにより長けた状態になる。
【0113】
本明細書で使用されるＭＬアルゴリズムは、代替として、または加えて、ＡＥであってもよい。ＡＥは、入力の縮小次元表現を発生させるように構成されるエンコーダと、縮小次元表現からの入力を再構築するように構成されるデコーダとを有することができる。ＡＥは、入力を出力と比較し、それに応じて、エンコーダおよびデコーダの加重を調節することによって、訓練されることができる。ＡＥの主要な目的のうちの１つは、データから特徴を抽出することである。ＡＥが、異常データ、例えば、訓練データと異なるデータを検出するために使用されることができる。
【0114】
いくつかの実施形態では、ＭＬサーバ１０２は、データソース１０８－０から－２からの入力に応答して動作し、所望の報酬関数に基づいて、提案されるアクションを発生させ得る、強化学習（ＲＬ）エージェント１１４を含むことができる。そのような提案されるアクションは、ＭＬまたはアプリケーションサーバ（１０２、１０４）の動作によってユーザデバイス１１０に提供されることができる。データソース（１０８－０から－２）によって記録されるような対象応答および挙動は、対象応答をモデル化ならびに予測するように、カスタム変分エンコーディング１１６を用いて潜在空間にエンコードされることができる。特定の実施形態では、ＭＬサーバ１０２は、対象血糖レベルを予測するための個人化された血糖予測器１１８を含むことができ、ＲＬエージェント１１４によって発生される推奨は、血糖レベルを所定のレベルで維持することに役立つためのアクションであり得る。
【0115】
他の実施形態では、ＭＬサーバ１０２は、訓練データ発生システムと、特徴予測システムとを含むことができる。訓練データ発生システムは、ＭＬプロセスを使用して、訓練データを発生させ、同様にＭＬプロセスを使用し得る特徴予測システムを訓練することができる。いくつかの実施形態では、訓練データ発生システムは、記述データを埋め込み、標的特徴がそのような記述データから推論されることを可能にすることができる。本開示では、用語「埋め込む」または「埋め込み」は、単語または語句、例えば、食品アイテムのテキストベースの説明が、実数のベクトルにマッピングされる、プロセスを指し得る。結果として生じるベクトル空間は、入力（すなわち、単語および語句）よりも低い次元を有し得る。したがって、埋め込みは、次元縮小技法と見なされ得る。特徴推論システムは、埋め込みから、標的特徴、例えば、食品アイテムの血糖指数を推論するように訓練されることができる。
【0116】
アプリケーションサーバ１０４は、対象デバイス１１０上で起動する、１つ以上のアプリケーションと相互作用することができる。いくつかの実施形態では、データソース（１０８－０から－２）からのデータが、対象デバイス１１０上の１つ以上のアプリケーションを介して入手され、アプリケーションサーバ１０４に提供されることができる。アプリケーションサーバ１０４は、任意の好適なセキュアなネットワークプロトコルに従って、対象デバイス１１０と通信することができる。アプリケーションサーバ１０４は、ＭＬサーバ１０２と同一または異なる物理的サーバ上に常駐することができる。プリケーションサーバ１０４は、対象デバイス１１０からの対象データをＭＬサーバ１０２に中継することができる。
【0117】
データ記憶部１０６は、システム１００のためのデータを記憶することができる。いくつかの実施形態では、データ記憶部１０６は、データソース（１０８－０から－２）から受信されるデータ（例えば、１人以上の対象からのデータ）、ならびに第三者によって入手される他のデータセットを記憶することができる。データ記憶部１０６はまた、ＭＬサーバ１０２のための動作を構成するための構成データを含む、種々の他のタイプのデータを記憶することもできる。データ記憶部１０６は、１つ以上のネットワーク接続型記憶システムを含む、任意の好適な形態をとることができる。いくつかの実施形態では、データ記憶部１０６の全てまたは一部は、ＭＬもしくはアプリケーションサーバ（１０２、１０４）のうちのいずれかと統合されることができる。
【0118】
いくつかの実施形態では、データソース（１０８－０から－２）のためのデータは、センサによって発生されることができる、または対象によって提供される記録されたデータであり得る。図１では、データソース１０８－０は、第１のタイプのセンサ１２０－０（例えば、心拍数モニタ）に対応することができ、データソース１０８－１は、第２のタイプのセンサ１２０－１（例えば、持続的グルコースモニタ）に対応することができ、データソース１０８－２は、対象によって提供される記録されたデータ１２２に対応することができる。記録されたデータ１２２は、テキストデータまたは画像データ（例えば、食品の栄養情報を説明もしくは定義する、テキストデータまたは画像データ）を含むことができる。
【0119】
第２のタイプのセンサ１２０－１および記録されたデータ１２２は、そのようなソースからのデータが他のデータを推論するために使用され得るという点で、「間接」データソースであり得る。例えば、第２のタイプのセンサ１２０－１からのデータおよび記録されたデータ１２２は、「直接」データソースと見なされ得る、第１のタイプのセンサ１２０－０からデータを推論するために使用されることができる。いくつかの実施形態では、記録されたデータ１２２は、第２のタイプのセンサ１２０－１が記録または検出する応答と異なる生物物理学的応答を推論するように処理されることができる。いくつかの実施形態では、直接および間接データは両方とも、生物物理学的モデルを訓練ならびに較正するために使用されることができるが、しかしながら、直接データは、そのような実施形態では推論動作で使用されなくてもよい。代わりに、間接データソースのみが、推論の間に使用されてもよい。いくつかの実施形態では、第１のタイプのセンサ１２０－０は、第２のタイプのセンサ１２０－１よりも採用することが困難であるセンサであり得る。センサは、データを記録し、ローカルネットワーク（例えば、Ｂｌｕｅｔｏｏｔｈ（登録商標）ネットワーク）を経由してデータを対象デバイス１１０に伝送することができる。対象デバイス１１０は、次いで、データを１つ以上のサーバ（例えば、ＭＬサーバ１０２もしくはアプリケーションサーバ１０４）に伝送することができる。加えて、または代替として、そのようなセンサはまた、対象デバイスを伴わずに（例えば、直接、もしくは１つ以上の中間デバイスを介して）そのようなデータを１つ以上のサーバ（１０２、１０４）に伝送することもできる。
【0120】
いくつかの実施形態では、第１のタイプのセンサ１２０－０は、対象のグルコースレベルを追跡し得る、持続的グルコースモニタ（ＣＧＭ）であり得る。第２のタイプのセンサ１２０－１は、対象の心拍数を追跡し得る、心拍数モニタ（ＨＲＭ）であり得る。記録されたデータ１２２は、対象栄養データであり得る。いくつかの実施形態では、対象デバイス１１０上で起動するアプリケーションが、記録されたデータ１２２を入手することができる。いくつかの実施形態では、アプリケーションは、画像を捕捉することができる。画像は、例えば、事前包装された食品アイテム上の栄養ラベルの画像、特定の食品、１つ以上の実際の食品アイテム（例えば、一切れの果物または完全な食事）、もしくは同等物に関する栄養情報をエンコードするバーコードの画像であり得る。ＭＬサーバ１０２上のＭＬアルゴリズムは、画像から栄養値を推論し、そのような栄養値を使用して、対象のグルコース応答を推論することができる。画像は、コンピュータ可読テキストを発生させるように光学文字認識を受け得る、テキスト（例えば、ラベル１２２－１）の画像であり得、そのようなテキストは、推論エンジンに適用されることができる。
【0121】
図１は、特定の生物物理学的モデル化および予測のための特定のデータソースを示すが、実施形態は、任意の他の好適なセンサアプリケーション、特に、１つ以上の他の「容易な」センサおよび／または対象データロギングよりも実装することが困難、複雑、もしくは高価である、「困難な」センサ（例えば、直接センサ）を有する、それらのアプリケーションを含むことができる。困難なセンサからのデータは、入力としての容易なセンサおよび／または対象データロギングからのデータから対象応答を推論し得る、ＭＬモデルを訓練するために使用されることができる。
【0122】
対象デバイス１１０は、限定ではないが、スマートフォン、パーソナルコンピュータ、ウェアラブルデバイス、またはタブレットコンピューティングデバイスを含む、任意の好適なデバイスであり得る。対象デバイス１１０は、アプリケーションサーバ１０４と通信し、データをＭＬサーバ１０２上に常駐する生物物理学的モデルに提供し、かつそこからデータを受信し得る、１つ以上のアプリケーションを含むことができる。いくつかの実施形態では、対象デバイス１１０は、データソース（１０８－０から－２）のうちのいずれかのための中間体であり得る。通信ネットワーク１１２は、例えば、ローカルエリアネットワーク、広域ネットワーク、またはインターネットを含む、任意の好適なネットワークであり得る。
【0123】
図２を参照すると、別の実施形態によるシステム２００が、ブロック図に示される。システム２００は、データソース入力２０８－０、２０８－１、２０８－２と、対象データ捕捉部分２２４と、記憶部分２０６と、データ前処理部分２２６と、ＭＬサービス部分２０２と、アプリケーションサービス部分２０４とを含むことができる。データソース入力（２０８－０、２０８－１、２０８－２）は、対象のための生物物理学的モデルを生成するＭＬサービス部分２０２における学習動作のためのデータを提供することができる。データソース入力（２０８－０、２０８－１、２０８－２）のうちのいずれかまたは全ては、ＭＬサービス部分２０４に常駐するモデルに実行される推論動作のためのデータを提供することができる。非常に特定の実施形態では、データソース入力（２０８－０、２０８－１、２０８－２）は、本明細書に説明されるセンサおよび／または対象データロギングもしくは均等物のうちのいずれかを含むことができる。
【0124】
データ記憶部分２０６は、対象データ記憶装置２０６－０ならびに非対象データ記憶装置２０６－１を含むことができる。対象データ記憶装置２０６－０は、ＭＬモデルが生成された、または生成されている、特定の対象のためのデータであり得る。非対象データ記憶装置２０６－１は、モデルを訓練および生成すること等の他の目的のために使用され得る、他のソースから導出されるデータを含むことができる。そのようなデータは、限定ではないが、第三者研究への参加者等の非対象からのデータを含むことができる。
【0125】
データ前処理部分２２６は、データ記憶部分２０６からのデータを処理することができる。データ前処理部分２２６は、データをＭＬサービス部分２０２による処理のために特定のフォーマットにするようにプロセッサによって実行可能な命令を含むことができる。
【0126】
ＭＬサービス部分２０２は、データソース入力２０８－０、２０８－１、２０８－２のうちのいずれかを用いて、教師ありおよび／または教師なし学習を通してＭＬモデルならびにアーキテクチャを生成するように構成される、コンピューティングシステムを含むことができる。加えて、ＭＬサービス部分２０２は、データソース入力２０８－０、２０８－１、２０８－２のうちのいずれかに基づいて推論結果を発生させる、ＭＬモデルおよび／またはアーキテクチャを含むことができる。ＭＬサービス部分２０２は、本明細書に説明される種々のアーキテクチャのＡＮＮ、ならびにネットワークにわたって分散されるＡＮＮを含む、単一コンピューティングデバイスを含むことができる。図１の場合のように、ＭＬサービス部分２０２は、ＡＥと、ＧＡＮと、ＬＳＴＭと、ＣＮＮと、ＲＬアルゴリズムと、任意の他の好適なＡＮＮまたは他の統計学習エージェントと、関連アーキテクチャとを含むことができる。いくつかの実施形態では、ＭＬサービス部分２０２は、強化学習エージェント２１４と、カスタム可変エンコーダ２１６と、データソース入力（２０８－０から－２）のうちのいずれかに基づいてユーザにカスタマイズされる反応２１８を予測するように構成される、１つ以上のネットワークとを含むことができる。
【0127】
アプリケーションサービス２０４は、ＭＬサービス部分２０２に常駐するモデルまたは他のネットワークにアクセスし、対象デバイス２１０上に常駐する１つ以上の対象アプリケーション２２８のためのデータを提供することができる。アプリケーション２２８は、モデル／ネットワーク出力を利用し、情報を対象に提供することができる。いくつかの実施形態では、アプリケーションサービス部分２２８は、ＭＬサービス部分２０２におけるモデル／ネットワークによって予測される対象応答に基づいて、対象のための推奨されるアクションを提供することができる。いくつかの実施形態では、アプリケーションサービス部分２２８は、対象の予測されるグルコースレベルおよび対象の記録された活動に基づいて、対象アクションを推奨することができる。推奨されるアクションは、食事関連、身体活動関連、または同等物であり得る。アプリケーションサービス部分２０４は、対象デバイス１１０上で起動するサービスアプリケーション２２８であり得るが、他の実施形態では、アプリケーションサービス２０４は、アプリケーションを実行し、データを他のサービス（例えば、Ｅメール、テキスト、ソーシャルネットワーク等）に提供する（例えば、プッシュする）ことができる。
【0128】
依然として、図２を参照すると、システム２００によって実施される例示的動作が、ここで説明されるであろう。センサ２０８は、２つ以上の異なるタイプのデータを入手することができる。ある場合には、１つのタイプのデータは、入力特徴または属性であってもよく、別のタイプのデータは、標的出力（例えば、ＭＬアルゴリズムによって予測されるべき出力）であってもよい。両方のタイプのデータが、テキストベースの説明と関連付けられてもよい。ＭＬサービス部分２０２は、埋め込み関数を使用して、テキストベースの説明の埋め込みを発生させることができる。そのような埋め込みは、入力特徴または属性もしくは標的出力を推論するために使用されることができる。推論された値は、システム２００を訓練し、入力特徴または属性から標的出力を予測するために使用されることができる。
【0129】
例えば、埋め込み関数は、食品アイテムの説明の埋め込みを発生させることができる。その後、そのような食品アイテムに関する埋め込みおよび対応する血糖値（標識としての役割を果たす）が、推論システム（例えば、ＡＮＮ等の教師あり機械学習アルゴリズム）を訓練し、血糖値よりも容易に利用可能であり得る、食品アイテムの標準栄養データのみを使用して、血糖値を予測するために使用されることができる。
【0130】
実施形態は、対象応答をモデル化および予測するための多数のシステムならびに方法を含むことができるが、いくつかの実施形態は、対象の予測される反応に基づいて対象のための個人化された推奨を行うためのシステムおよび方法を含むことができる。
【0131】
図３は、ある実施形態による、推奨システム３００のブロック図である。システム３００は、対象３３０のための推奨を発生させることができる。システム３００は、対象反応モデル３１８と、報酬関数３３２－０／１と、ＲＬセクション３１４とを含むことができる。対象反応モデル３１８は、対象３３０のための個人化されたモデルであり得る。システム３００は、高頻度ループ３３６と、低頻度ループ３３８とを含むことができる。
【0132】
高頻度ループ３３６は、ＲＬセクション３１４と、対象反応モデル３１８と、報酬関数３３２－０とを含むことができる。ＲＬセクション３１４は、ＭＬモデルであり得る。例えば、ＲＬセクション３１４は、ニューラルネットワークであり得る。ＲＬセクション３１４は、最初にランダム加重またはパラメータを伴って構成されることができる。ＲＬセクション３１４は、対象３３０のための推奨３４０－０を発生させるように構成されることができる。推奨３４０－０は、例えば、食事、身体活動、睡眠、水和、または応力解放推奨であり得る。推奨３４０－０および対象反応３３４に基づいて、対象反応モデル３１８は、予測される対象反応３４４を発生させることができる。予測される対象反応３４４は、推奨３４０－０への対象の予測される反応であり得る。報酬関数３３２－０は、予測される対象反応３４０－０を処理し、ＲＬセクション３１４のための報酬を発生させることができる。報酬関数３３２－０は、予測される対象反応３４０－０が特定の着目健康測定値（例えば、対象のグルコースレベル）に有益である場合、正の報酬を、予測される対象反応が着目健康測定値に有害である場合、負の報酬を発生させることができる。ＲＬセクション３１４の加重またはパラメータは、報酬を考慮するように調節されることができる。一般に、ＲＬセクション３１４は、反復して、その加重またはパラメータを調節し、それが受信する報酬を最大限にしてもよい。そのようなアクションは、高頻度ループ３３６が、対象３３０に発行され得る特定の対象推奨３４０－１（例えば、最適な推奨）に到達するまで、継続することができる。対象推奨３４０－１は、種々の基準に従って発生されることができる。例えば、いくつかだけを挙げると、報酬関数値、反復の数、または経過した時間量である。
【0133】
低頻度ループ３３８は、推奨への対象の実際の応答を使用し、新しい推奨を発生させることができる。低頻度ループ３３８は、推奨３４０－１（所定の基準に従ってＲＬセクション３１４によって到達される）と、報酬関数３３２－１と、ＲＬセクション３１４とを含むことができる。低頻度（例えば、最適な）推奨３３４－１への対象実際の応答３３４は、ＲＬセクション３１４への入力を発生させるように、報酬関数３３２－１によって評価されることができる。ＲＬセクション３１４は、報酬を最大限にし、推奨３４０－０（高頻度ループ３３６に含まれ得る）を発生させようとすることができる。
【0134】
本明細書に説明されるような推奨システムは、種々のアプリケーションで実装されることができるが、いくつかの実施形態は、対象の生物物理学的応答をモデル化し、改良された健康等の目標を達成するための推奨を提供することができる。そのような実施形態は、図４に示される。
【0135】
図４Ａは、別の実施形態による、推奨システム４００を示す。推奨システム４００は、図３のシステム３００の実装であり得る。推奨システム４００は、生物物理学的応答に基づいて、対象のための健康関連推奨を提供することができる。生物物理学的応答は、本明細書に説明される任意の応答（例えば、グルコース応答、インスリン、加重）を含むことができる。いくつかの実施形態では、推奨は、生物物理学的センサ読取値および／または対象によって記録される他のデータに基づく、身体活動ならびに／もしくは栄養提案を含むことができる。特定の実施形態では、エンコードされた生物物理学的応答４３４は、潜在空間にエンコードされる心拍数モニタデータおよび記録された食品データを含むことができる。
【0136】
図４Ａでは、対象センサおよび／またはデータロギング４３０は、エンコードされた対象応答４３４ならびに対象４４２のための履歴データをシステム４００に提供することができる。応答して、システム４００は、エンコードされた推奨４４０－１を提供することができる。
【0137】
システム４００は、高頻度ループ４３６を有することができる。高頻度ループ４３６は、ＲＬセクション４１４と、対象生物物理学的反応モデル４１８と、報酬関数４３２－０とを有することができる。ＲＬセクション４１４は、推奨４４０－０を発生させることができる。推奨４４０－０は、特定の食品を摂食する、身体活動に参加する、または同等物の推奨であり得る。対象生物物理学的反応モード４１８は、推奨４４０－０、ならびに対象履歴データ４４２および対象のためのエンコードされた対象生物物理学的応答４３４を受信することができる。応答して、対象生物物理学的反応モード４１８は、予測される対象反応４４４を発生させることができる。予測される対象反応４４４は、報酬関数４３２－０によって評価されることができる。報酬関数４３２－０は、その評価を健康関連転帰に基づかせることができる。いくつかの実施形態では、健康関連転帰は、対象の血糖レベルの関数であり得る。報酬関数４３２－０出力の結果として生じる出力は、ＲＬセクション４１４に提供されることができる。ＲＬセクション４１４の加重は、報酬関数４３２－０の出力に基づいて調節されることができる。高頻度ループ４３６は、ＲＬセクション４１４が現在の低頻度推奨４３８を対象に発行し得る、所定の点まで継続することができる。そのような所定の点は、いくつか例を挙げると、報酬関数のある定量値（例えば、収束、最適性）、または反復の数、もしくは時間ベースの周期性、またはそれらの組み合わせに基づくことができる。
【0138】
低頻度ループ４３８は、報酬関数４３２－１と、ＲＬセクション４１４とを含むことができる。エンコードされた対象生物物理学的応答４３４は、報酬関数４３２－１に適用されることができる。報酬関数４３２－０の場合のように、報酬関数４３２－１は、健康関連転帰上の応答４３４を評価することができる。いくつかの実施形態では、報酬関数４３２－１は、報酬関数４３２－０と同一または類似の報酬状態を有することができる。報酬関数４３２－０の結果として生じる出力は、ＲＬセクション４１４に提供されることができる。上記のように、ＲＬセクション４１４は、高頻度ループ４３６からより頻繁な報酬関数評価を受信することができる。
【0139】
図４Ｂは、ある実施形態による、対象センサおよび／またはデータロギング４３０を示す略図であり、図４Ａに示されるものの一実装であり得る。対象センサおよび他のデータ４４６が、本明細書に説明されるような任意の好適なソースおよび均等物から受信されることができる。そのようなデータ４４６は、エンコードされた形態を含む、処理された形態で受信されることができるが、しかしながら、図４Ｂでは、データ４４６は、エンコードされていない形態で受信される。
【0140】
対象センサおよび他のデータ４３０は、報酬関数および／または対象生物物理学的反応モデルによる使用のためにエンコードされた対象生物物理学的応答４３４を発生させるように、エンコーダ４４８によってエンコードされることができる。エンコードされたデータ４３０はまた、対象履歴データ４４２を入手するようにアクセスされ得る、データ履歴４５０に記憶またはさらにエンコードされることができる。示される実施形態では、ＲＬセクションから受信され得る、低頻度のエンコードされた推奨４４０－１が、対象のために提示され得る、エンコードされていない推奨４４０－３を発生させるように、デコーダ４５２によってデコードされることができる。
【0141】
図４Ｃは、ある実施形態による、対象生物物理学的反応モデル４１８を示す。対象生物物理学的反応モデル４１８は、予測器４５４と、順守モデル４５６と、デコーダ４５８と、スイッチ関数４６０と、身体モデル４６２と、パラメータ推定器４６４と、ＡＥおよびＧＡＮ４６６とを含むことができる。エンコードされた対象履歴データ４４２を使用して、予測器４５４は、（エンコードされた形態で）予測される対象反応４６８を発生させることができる。予測器４５４はまた、対象のアクションに関する潜在データ４７０を身体モデル４６２および順守モデル４５６に提供することもできる。
【0142】
高頻度推奨４４０－０に応答して、順守モデル４５６は、（例えば、対象が推奨される食品を摂食する、または推奨される身体活動に参加する場合）対象のアクションが推奨４４０－０に従う程度を示す、順守出力４７２を提供することができる。順守出力４７２は、エンコードされた形態であり得る。
【0143】
スイッチ関数４６０は、推奨が身体モデル４６２への入力としてシミュレートされるときに、予測される対象反応４６８または順守出力４７２を選択的に適用することができる。示される実施形態では、身体モデル４６２が、エンコードされていないデータに応答して動作することができるため、デコーダ４５８が、スイッチ関数４６０からの入力を潜在空間からエンコードされていない反応データ４７４に変換することができる。
【0144】
エンコードされていない反応データ４７４（予測される対象反応または順守モデル評価から導出され得る）は、シミュレートされた対象生物物理学的反応４７６を発生させるように、身体モデル４６２に適用されることができる。身体モデルは、具体的対象のための個人化された学習モデルであり得る。推論の間に、ユーザの入力（例えば、食品消費および心拍数）ならびにユーザの潜在状態が、ユーザの物理的可観測量（例えば、グルコース値）を予測するために使用されることができる。シミュレートされた対象生物物理学的反応４７６は、より向上した予測される対象生物物理学的反応４４４を生成するように、ＡＥおよびＧＡＮ４６６に適用されることができる。ＡＥおよびＧＡＮ４６６は、シミュレートされたグルコース曲線であり得る、身体モデル４６２の出力を受信し、シミュレートされたグルコース曲線を修正し、それが実際のグルコース値に類似することを確実にすることができる。換言すると、ＡＥおよびＧＡＮ４６６は、シミュレートされた可観測量の上に深層学習を追加し、シミュレートされたおよび実際のグルコース値が区別可能ではないであろうことを保証することができる。
【0145】
依然として、図４Ｃを参照すると、予測される対象生物物理学的反応４７６が、上記に説明されるように発生される一方、身体モデル４６２は、エンコードされた対象生物物理学的応答４３４によって表される、対象の実際の生物物理学的応答に応答して更新されることができる。示される実施形態では、対象の生物物理学的応答４３４に応答して、モデルパラメータ推定器４６４は、身体モデル４６２内のパラメータを更新し、シミュレートされた対象生物物理学的反応４７６と実際の対象生物物理学的応答（例えば、４３４）との間の収束を求めることができる。例えば、身体モデルのパラメータは、教師あり学習プロセスを介して更新されてもよく、その間に、エンコードされた対象生物物理学的応答４３４は、訓練データ標識として使用される。
【0146】
図４Ｄは、図４Ｃのものを含む、実施形態に含まれ得る予測器４５４を示す。予測器４５４は、エンコーダ４４８と、デコーダ４５８とを含むことができる。いくつかの実施形態では、エンコーダ４４８は、オートエンコーダであり得る。特定の実施形態では、エンコーダ４４８は、本明細書に説明されるようなカスタム変分エンコーダまたは均等物であり得る。エンコーダ４４８は、履歴データを潜在空間４７８の中にマッピングすることによって、対象履歴データから対象反応を予測するように訓練されることができる。対象履歴データ４４２に応答して、エンコーダ４４８は、予測される対象反応を推論することができる。そのような反応は、予測される対象反応４６８を発生させるように、デコーダ４５８によってデコードされることができる。いくつかの実施形態では、エンコーダ４４８は、（１）デコーダ４５８によってデコードされたときに再構築損失を最小限にし、（２）潜在空間４７８内で所定の最小距離メトリックを留保するという前提条件を満たす、入力をマッピングするように訓練されることができる。
【0147】
図４Ｅは、図４Ｃのものを含む、実施形態に含まれ得るＡＥおよびＧＡＮ４６６を示す。ＡＥおよびＧＡＮ４６６は、エンコーダ４４８と、発生器４８２と、弁別器４８４とを含むことができる。エンコーダ４４８は、シミュレートされた対象生物物理学的反応４７６を潜在空間４８０の中にマッピングすることができる。エンコーダ４４８からの出力は、発生器４８２に適用されることができる。発生器４８２は、弁別器４８４と組み合わせて、ＧＡＮを形成することができる。発生器４８２は、予測される対象生物物理学的反応４４４を出力することができる。弁別器４８４は、実際の生物物理学的反応を用いて訓練され、予測される生物物理学的反応４４４が、実際の対象のものにより密接に従い得るように、フィードバックを発生器４８２に提供することができる。
【0148】
実施形態はまた、過去の異種データソースからデータ系列を予測するためのシステムおよび方法を含むこともできる。図５は、ある実施形態による、データ予測システムおよび方法５００のブロック図である。データ予測システム５００は、種々の異なるデータソース５０８－０から５０８－ｎ（例えば、食品、心拍数、睡眠、カレンダ等）と、ＡＥ時間的畳み込みニューラルネットワーク（ＣＮＮ）５４８－０から５４８－ｎと、対応する過去のデータソース５０８－０’から５０８－ｎ’と、時間的ＣＮＮエンコーダ５８８－０から５８８－ｎと、連結／予想セクション５９０とを含むことができる。任意のＣＮＮが、一実施例のみとしてＬＳＴＭ等のＲＮＮタイプネットワークによって置換されることができる。
【0149】
ＡＥ時間的ＣＮＮ（５４８－０から５４８－ｎ）はそれぞれ、異なるデータソース（５０８－０から５０８－ｎ）からデータを受信し、それを用いて訓練されることができる。そのような訓練に応答して、ＡＥ時間的ＣＮＮ（５４８－０から５４８－ｎ）は、以前および初期の状態のセット（５８６－０から５８６－ｎ）であるシード値を時間的ＣＮＮエンコーディング（５８８－０から５８８－ｎ）に提供することができる。シード値（５８６－０から５８６－ｎ）は、ＡＥ時間的ＣＮＮ（５４８－０から５４８－ｎ）と同一のエンコーディングアーキテクチャを有し得る、それらの対応する時間的ＣＮＮエンコーディング（５８８－０から５８８－ｎ）を構成することができる。時間的ＣＮＮエンコーディング（５８８－０から５８８－ｎ）は、次いで、シード値（５８６－０から５９６－ｎ）を発生させるために使用される同一のタイプである、過去のデータソース値（５０８－０’から５０８－ｎ’）を受信することができる。そのような過去のデータソース値（５０８－０’から５０８－ｎ’）は、次いで、エンコードされた値５９２－０から５９２－ｎを発生させるようにエンコードされることができる。
【0150】
エンコードされた値５９２－０から５９２－ｎは、データ予想５９４として予測値を発生させ得る、連結／予想セクション５９０内のＡＮＮに適用されることができる。予想５９４は、データソース５０８－０から－ｎによって表される値のうちのいずれかまたは全てに関する予測を表すことができる。
【0151】
図６は、複数の異なる生物物理学的応答から１つのタイプの生物物理学的応答を予測するためのシステム６００のブロック図を示す。システム６００は、図５に示されるものの１つの特定の実装であり得る。示される特定の実施形態では、システム６００は、ＣＧＭ、ＨＲＭ、および食品ロギングの異種データソースから将来のグルコースレベルを予測することができる。
【0152】
システム６００は、ＣＧＭソース６０８－０、ＨＲソース６０８－１、および食品ロギングソース６０８－２からデータを受信することができる。ＣＧＭソース６０８－０からのデータは、以前および初期の状態のセットであるシード値６８６－０を発生させ得る、ＡＥ時間的ＣＮＮ６４８－０によって受信されることができる。ＨＲソース６０８－１からのデータは、シード値６８６－１を発生させ得る、ＡＥ時間的ＣＮＮ６４８－１によって受信されることができる。食品ロギングソース６０８－２からのデータは、シード値６８６－２を発生させ得る、ＡＥ時間的ＣＮＮ６４８－２によって受信されることができる。
【0153】
時間的ＣＮＮエンコーディング６８８－０は、シード値６８６－０をシードされ、ＣＧＭソース６０８－０’から過去のデータをエンコードし、エンコードされたＣＧＭ値６９２－０を発生させることができる。同様に、時間的ＣＮＮエンコーディング６８８－１は、シード値６８６－１をシードされ、ＨＲソース６０８－１’から過去のデータをエンコードし、エンコードされたＨＲ値６９２－１を発生させることができ、時間的ＣＮＮエンコーディング６８８－２は、シード値６８６－２をシードされ、食品ロギング６０８－２’から過去のデータをエンコードし、エンコードされた食品ロギング値６９２－２を発生させることができる。
【0154】
エンコードされたＣＧＭ値６９２－０、エンコードされたＨＲ値６９２－１、およびエンコードされた食品ロギング値６９２－２は、予測されるＣＧＭデータ（ＣＧＭ予想６９４）を発生させるように構成され得る、連結／予想セクション６９０に適用されることができる。連結／予想セクション６９０は、エンコードされたＣＧＭ、ＨＲ、および食品ロギング値（６９２－０から－２）からＣＧＭ値を予想するように構成および／または訓練される、任意の好適なアーキテクチャであり得る。例えば、連結／予想セクション６９０は、機械学習層と、出力層（例えば、ソフトマックス層）とを有することができる。
【0155】
実施形態は、センサデータに基づいて、推奨を発生させる、または応答を予想するためのシステムおよび方法を含むことができるが、他の実施形態は、ヒト挙動を離散アクションに分類し得る、システムおよび方法を含むことができる。そのような離散アクションは、推奨または他の動作に到達し、対象挙動を生じさせるために使用されることができる。
【0156】
図７は、ある実施形態による、対象の挙動（例えば、摂食、身体活動、睡眠等）を分類するためのシステム７００のブロック図である。システム７００は、エンコーダ７４８と、直交信号選択７９６と、デコーダ７８２と、マッピングセクション７９５と、随意に、個人化フィルタ７９３とを含むことができる。
【0157】
エンコーダ７４８は、７０８－０から７０８－ｎとして示される異なるデータソースから時系列データを受信することができる。データソース（７０８－０から－ｎ）はそれぞれ、１人以上の対象からのデータを提供することができる。いくつかの実施形態によると、データソース（７０８－０から－ｎ）は、１人または複数の対象の生理学的応答に関するデータを提供し得る、センサを含むことができる。データソース（７０８－０から－ｎ）は、限定ではないが、グルコースモニタ（例えば、ＣＧＭ）、ＨＲモニタ、食品消費データ（例えば、食品ロギング）、睡眠状態、加速度計読取値、カレンダデータ、ＩＲ地理データ（例えば、ＧＰＳ）を含むことができる。時系列データは、所望のエンコーディング結果のための任意の好適な時間枠でエンコードされることができるが、いくつかの実施形態では、時系列データは、約１時間以下、約３０分以下、または約１５分以下のインクリメントでエンコードされることができる。ある場合には、インクリメントは、１時間よりも長くあり得る。
【0158】
エンコーダ７４８は、結果として生じる潜在空間７８０内で所定のメトリック距離を維持するように訓練されることができる。これは、クラスタの間の分離を維持しながら、潜在空間内でクラスタ値を求め得る、距離メトリック７９９を実装することを含むことができる。いくつかの実施形態では、エンコーダ７４８は、時間的ＣＮＮ変分ＡＥであり得る。センサ（７０８－０から－ｎ）の時系列データは、任意の好適な形態をとることができるが、いくつかの実施形態では、センサデータの連続的な１５分セクションを含むことができる。
【0159】
直交ベクトル選択７９６は、特定のタイプのエンコーダ７４８に好適な直交ベクトルのセットを選択することができる。ベクトルは、結果として生じる潜在空間７８０に基づいて選択されることができる。
【0160】
デコーダ７８２は、デコーディングＡＮＮまたはエンコーダ７４８に対応する他のネットワークを含むことができる。デコーダ７８２は、直交信号選択７９６から入力を受信し、統計的に一般的な挙動のセットを表す出力を発生させることができる。随意に、そのような挙動は、個人化フィルタ７９７によってフィルタ処理されることができる。例えば、一般的挙動は、対象への関連性に基づいて選択または排除されることができる。
【0161】
マッピングセクション７９５は、センサ空間結果を対象の近似アクションにマッピングすることができる。そのようなアクションは、推奨、制御提案等で使用するための「正準」離散アクション７９３を提示することができる。
【0162】
実施形態は、対象モデルを用いて対象応答を予測するためのシステムおよび方法を含むことができるが、実施形態はまた、そのようなモデルを監視および診断するためのシステムならびに方法を含むこともできる。システムは、対象応答を推論する種々のモデルと通信することができる。そのようなモデルの結果は、基準値としての役割を果たす実際の対象応答と比較されることができる。
【0163】
図８は、ある実施形態による、評価システム８００を示す。システム８００は、自己無撞着モデルを実装し、種々の機械学習ブロックから成る複雑なモデルを評価および訓練することができる。複雑なモデルの正確度は、その中の機械学習ブロックのうちのそれぞれによる影響を受ける。これらのブロックのうちのそれぞれを評価するために、システム８００は、出力を比較し、エラーの主要な原因を導入し、次いで、モデルの調節は、損失の多いものを更新することができる。システム８００は、センサ８１８（データソースとしての役割を果たし得る）と、他のデータソース８０８－１および８０８－２と、データソースモデル（８９１－０／１／２）と、パラメータ推定器８８９と、対象モデル８８７－０／１と、比較セクション８８５と、評価セクション８８３とを含むことができる。データソースは、少なくとも１つの一次または直接データソース（センサ８１８）と、１つ以上の二次データソース（示される実施例では、８０８－１および８０８－２）とを含むことができる。一次データソース８１８は、二次データソース８０８－１／８０８－２から推論される値に関するデータを提供することができ、基準値としての役割を果たすことができる。データソース（８１８、８０８－１、８０８－２）は、現在のデータならびに過去のデータの両方を提供することができる。示される実施形態では、一次データソース８１８は、センサであり得る。いくつかの実施形態では、一次データソース８１８は、対象の生物物理学的測定を行うセンサであり得る。
【0164】
データソースモデル（８９１－０／１／２）は、過去のデータ値に基づいて将来のデータ値を予測し得る、任意の好適な予測統計学習エージェントを含むことができる。したがって、データソースモデル８９１－０、８９１－１、８９１－２は、それぞれ、それらの対応するデータソース８１８、８０８－１、８０８－２の過去のデータ値から推論されたデータ値を発生させる。
【0165】
パラメータ推定器８８９は、二次データソース８０８－１、８０８－２から過去のデータ値を受信し、対象モデル８８７－０および８８７－１と通信することができる。受信されたデータ値に基づいて、パラメータ推定器８８９は、対象モデル８８７－０および８８７－１のパラメータを更新することができる。すなわち、パラメータ推定器８８９は、対象モデル８８７－０、８８７－１を訓練するために使用されることができる。
【0166】
対象モデル８８７－０は、データソースモデル８９１－１／２からの予測されるデータ値（すなわち、予測される二次データ値）に基づいて、生物物理学的応答の予測値を推論することができる。対象モデル８８７－１は、データソース８０８－１、８０８－２からの実際のデータ値（すなわち、実際の二次データ値）に基づいて、予測値（例えば、グルコース応答等の生物物理学的応答）を推論することができる。対象モデル８８７－０／１によって予測される値は、一次データソース８１８によって測定される同一の特徴に関するものであり得ることを理解されたい。
【0167】
比較セクション８８５は、一次データソース８１８によって提供される基準値と比較を行うことができる。示される実施形態では、比較セクション８８５は、いくつかの比較動作８８５－０から－２を含むことができる。比較動作８８５－０は、（センサ８１８からの）基準値をデータソースモード８８１－０からの予測値と比較することができる。比較動作８８５－１は、基準値を第１の対象モデル８８７－０からの予測値と比較することができる。比較動作８８５－１は、基準値を第２の対象モデル８８７－１からの予測値と比較することができる。
【0168】
評価セクション８８３は、比較セクション８８５から種々の比較を受信し、応答して、モデル調節８８１を用いて、それに応じてモデルのうちのいずれかおよび／またはパラメータ推定器８８９を更新することができる。
【0169】
図９は、別の実施形態による、評価システム９００を示す。システム９００は、図８に示されるものの１つの特定の実装であり得る。システム９００は、データソース９０８－０から９０８－２’と、データソースＬＳＴＭ９９１－０／１／２と、パラメータ推定器９８９と、対象身体モデル９８７－０／１と、ＧＡＮ９７９－０／１と、信号比較セクション９８５と、ブロック評価器９８３と、フィードバック発生器９７７とを含む。
【0170】
データソース（９０８－０から９０８－２’）は、３つの異なるタイプ、すなわち、タイプＸ、タイプＹ、およびタイプＺの信号に関するデータを含むことができる。タイプＸの信号は、システムによってシミュレートされるべき応答であり得る。タイプＹおよびタイプＺの信号は、予測されるタイプＸの信号を推論するために使用されることができる。示される実施形態では、データソース（９０８－０から９０８－２’）は、異なる時間周期（Ｔ０、Ｔ１）および（０、Ｔ０）に関して信号を提供することができ、時間周期（Ｔ０、Ｔ１）は、時間周期（０、Ｔ０）に続き、いくつかの実施形態では、それに重複する。データソース９０８－０’は、時間周期Ｔ０、Ｔ１に関してタイプＸの信号を提供する、第１のタイプのセンサであり得る。データソース９０８－０は、時間周期０、Ｔ０に関するタイプＸの信号に関するセンサデータであり得る。データソース９０８－１’は、時間周期Ｔ０、Ｔ１に関してタイプＹの信号を提供する、第２のタイプのセンサであり得る。データソース９０８－１は、時間周期０、Ｔ０に関するタイプＹの信号に関するセンサデータであり得る。データソース９０８－２’は、時間周期Ｔ０、Ｔ１に関してタイプＺの信号を提供する、対象によって記録されるデータであり得る。データソース９０８－２は、時間周期０、Ｔ０に関するタイプＺの信号に関する記録されたデータであり得る。
【0171】
いくつかの実施形態では、データソース９０８－０／０’は、対象のＣＧＭによって発生されるデータを提供することができ、データソース９０８－１／１’は、対象のＨＲＭによって発生されるデータであり得、データソース９０８－２／２’は、対象からの記録された食品データであり得る。
【0172】
ＬＳＴＭ９９１－０／１／２は、前の時間周期０、Ｔ０からの実際の信号データから、時間周期Ｔ０、Ｔ１に関して、それぞれ、予測されるタイプＸ、タイプＹ、およびタイプＺの信号を発生させることができる。
【0173】
対象身体モデル９８７－０／１は、タイプＹおよびタイプＺの信号から予測されるタイプＸの信号を発生させる、対象生物物理学的応答のＡＮＮまたは他のＭＬモデルであり得る。第１の対象身体モデル９８７－０は、それぞれ、ＬＳＴＭ９９１－１および－２から提供される、予測されるタイプＹの信号９７５－０ならびに予測されるタイプＺの信号９７５－１から、時間周期（Ｔ０、Ｔ１）に関して予測されるタイプＸの信号を発生させることができる。第１の対象身体モデル９８７－０のコピーであり得る、第２の対象身体モデル９８７－１は、時間周期（Ｔ０、Ｔ１）に関するタイプＹおよびタイプＺの信号から、時間（Ｔ０、Ｔ１）に関して予測されるタイプＸの信号を発生させることができる。パラメータ推定器９８９は、時間周期（０、Ｔ０）に関するタイプＸ、Ｙ、およびＺ信号に基づいて、対象身体モデル９８７－０／１のパラメータを更新することができる。換言すると、対象身体モデル９８７－０が、予測されるタイプＹおよびタイプＺの信号に基づいて、タイプＸの信号を予測することができる一方、対象モデル９８７－１は、実際のタイプＹおよびタイプＺの信号に基づいて、タイプＸの信号を予測することができる。
【0174】
ＧＡＮ９７９－０／１は、対象身体モデル９８７－０／１によって提供される予測されるタイプＸの信号を取り込み、それらを調節し、より現実的な形態をとることができる。例えば、ＧＡＮ（９７９－０／１）は、実際のタイプＸの信号を用いて訓練された可能性がある。
【0175】
信号比較部分９８５は、データソース９０８－０’からの参照タイプＸの信号９７３を、システム９００’から提供される種々の出力と比較し、そのようなブロックの正確度を判定することができる。いくつかの実施例のみとして、比較部分９８５は、参照信号９７３を、ＬＳＴＭ９９１－０からの予測されるタイプＸの信号９７１－０と比較し、ＬＳＴＭ９９１－０の正確度を判定することができる。参照信号９７３は、ＧＡＮ９７９－０を伴わないが、パラメータ推定器９８９およびＬＳＴＭ９９１－１／２とともに動作するときに、対象身体モデル９８７－０の正確度を判定するように、対象身体モデル９８７－０からの予測されるタイプＸの信号９７１－１と比較されることができる。参照信号９７３は、ＧＡＮ９７９－０を用いて対象身体モデル９８７－０の正確度を判定するように、ＧＡＮ９７９－０からの予測されるタイプＸの信号９７１－２と比較されることができる。参照信号９７３は、ＬＳＴＭ９９１－１／２またはＧＡＮ９７９－１を伴わずに対象身体モデル９８７－１の正確度を判定するように、対象身体モデル９８７－１からの予測されるタイプＸの信号９７１－３と比較されることができる。参照信号９７３は、パラメータＬＳＴＭ９９１－１／２を伴わないが、ＧＡＮ９７９－１を用いて対象身体モデル９８７－１の正確度を判定するように、ＧＡＮ９７９－１からの予測されるタイプＸの信号９７１－４と比較されることができる。
【0176】
信号比較部分９８５は、システムの動作ブロックの中から種々の他の比較動作を実施することができる。例えば、信号比較部分は、データソース９０８－１’からの時間（Ｔ０、Ｔ１）に関するタイプＹの信号を、ＬＳＴＭ９９１－２からの予測されるタイプＹの信号出力と、および／またはデータソース９０８－２からの時間（Ｔ０、Ｔ１）に関するタイプＺの信号を、ＬＳＴＭ９９１－１からの予測されるタイプＺの信号出力と比較し得る。
【0177】
ブロック評価器９８３は、信号比較部分９８５によって提供される比較結果から、任意のシステムブロック（例えば、ＬＳＴＭ９９１－０／１／２、パラメータ推定器９８９、対象身体モデル９８７－０／１、またはＧＡＮ９７９－０／１）が所望の正確度レベルを下回って動作しているかどうかを判定することができる。ブロックが、所望の正確度レベルを下回って機能している場合、フィードバック発生器９７７は、ブロックに関してフィードバック信号９８１を発生させることができる。一実施例のみとして、ブロックに関するエラー測定値が、エラーを最小限にする目的でブロックモデルを通して逆伝搬されることができる。
【0178】
本明細書に説明されるような「信号」は、好適なフォーマット（例えば、ベクトル、行列、テンソル等）で測定値の時系列表現を表す、機械学習信号であり得ることを理解されたい。
【0179】
実施形態はまた、限定された時間にわたって生物物理学的応答を観測し、予測生理学的モデルを生成することによって、生物物理学的応答（すなわち、予測される可観測量）を予測するためのシステムおよび方法を含むこともできる。図１０は、そのような実施形態による、システムおよび方法１０００のブロック図である。
【0180】
システム／方法１０００は、訓練部分１０６９と、予測部分１０６７とを含むものとして概念化されることができる。訓練部分１０６９は、生物物理学的モデル１０６５と、パラメータ推定器１０８９とを含むことができ、対象１０３０から訓練のためのデータを受信することができる。図１０では、訓練のためのデータは、第１のデータソース１００８－０と、第２のデータソース１００８－１と、随意に、第３のデータソース１００８－２とを含むことができる。第１のデータソース１００８－０は、第１のタイプのセンサであり得、第２のデータソース１００８－１は、第２のタイプのセンサであり得る。いくつかの実施形態によると、第２のタイプのセンサ１００８－１よりも限定された様式で第１のタイプのセンサ１００８－０を使用することが望ましい。多くの可能性として考えられる実施例のうちのいくつかのみとして、第１のタイプのセンサ１００８－０は、第２のタイプのセンサ１００８－１よりも高価である、採用することが困難である、またはアクセスすることが困難であり得る。例えば、第１のタイプのセンサ１００８－０は、ＣＲＭであり得る。いくつかの実施形態では、第１のタイプのセンサ１００８－０は、第２のタイプのセンサ１００８－１よりも正確なデータを所望の予測される可観測量に関して提供することができる。
【0181】
生物物理学的モデル１０６５は、最初に未知であったパラメータとともに、ＡＮＮまたは任意の他の好適な統計学習エージェントを含むことができる。生物物理学的モデル１０６５は、ある時間周期にわたる訓練データとして、データソース１００８－１（第２のセンサ）、随意に、第３のデータソース１００８－２を受信することができる。そのようなデータに応答して、生物物理学的モデル１０６５は、シミュレートされた将来の可観測量１０５７を発生させることができる。パラメータ推定器１０８９は、シミュレートされた将来の可観測量１０５７、ならびに対象の現在の状態を反映し得る第１のデータソース１００８－０（第１のタイプのセンサ）からのデータを受信することができる。そのような入力に基づいて、パラメータ推定器１０８９は、生物物理学的モデル１０６５を通して逆伝搬する１０５５ために使用され得る、エラー値を発生させることができる。そのような訓練を通して、パラメータ推定器１０８９および生物物理学的モデル１０６５は、対象１０３０に対して個人化されるシミュレートされた将来の可観測量１０５７を発生させるための時変パラメータ１０６３に到達することができる。
【0182】
予測部分１０６７は、訓練部分１０６９によって開発される個人化された時変パラメータ１０６３を使用する、対象のための生理学的モデル１０１８を含むことができる。いくつかの実施形態では、生理学的モデル１０１８は、生物物理学的モデル１０６５と同一の一般的構造を有する、ＡＮＮまたは任意の他の好適な統計学習エージェントを含むことができる。生理学的モデル１０１８は、第２のデータソース１００８－１、随意に、第３のデータソース１００８－２から、データを受信することができる。そのようなデータに応答して、生理学的モデル１０１８は、予測される可観測量１０６１を推論することができる。したがって、予測される可観測量１０６１は、第１のデータソース１００８－０（例えば、使用することがより高価／困難な第１のタイプのセンサ）を使用することなく、発生されることができる。
【0183】
図１１は、間接データソースのみを使用して、個人化されたモデルを使用する対象のグルコースレベルをリアルタイムで予測するためのシステムのブロック図である。「間接」データソースは、グルコースレベルを直接測定しないデータソースである。システム１１００は、図１０に示されるものの一実装であり得る。
【0184】
１１００は、グルコース－インスリン規制モデル１１６５と、パラメータ推定器１１８９とを含むことができる。モデル１１６５は、最初に、未知のパラメータ（例えば、対象に特有ではないデフォルトパラメータまたは無作為化されたパラメータ）を含むことができる。モデル１１６５は、ＨＲＭ１１０８－１からの訓練データおよび対象１１０８－２によって記録される食品データを受信し、シミュレートされたグルコースレベル１１５７を発生させることができる。パラメータ推定器１１８９は、対象１１３０のＣＧＭセンサ１１０８－０からの現在のＣＧＭデータ１１５９およびシミュレートされたグルコースレベル１１５７を利用し、モデル１１６５を通して逆伝搬し１１５５、モデル１１６５の時変パラメータを調節することができる。いったんモデル１１６５が、十分に正確なシミュレートされたグルコースレベル１１５７を発生させると、時変パラメータ１１６３（モデル１１６５が対象データを用いて訓練されるにつれて、対象１１３０に対して個人化されると見なされ得る）が、リアルタイム予測部分１１６７に提供されることができる。
【0185】
リアルタイム予測部分１１６７は、訓練部分１１６９によって開発される個人化された時変パラメータ１１６３を受信し得る、生理学的モデル１１１８を含むことができる。ＨＲＭ１１０８－１および食品ロギング１１０８－２の間接データソースを使用して（すなわち、ＣＧＭセンサ１１０８－０からのグルコースレベルの直接測定値を使用することなく）、生理学的モデル１１１８は、予測されるグルコースレベル１１６１を発生させることができる。このように、グルコースレベルは、より安価でよりアクセス可能なセンサを用いて、対象に関して予測されることができる。
【0186】
実施形態は、対象挙動を予測および分類するためのＭＬアーキテクチャを利用する、種々のシステムならびに方法を含むことができるが、実施形態はまた、データをそのようなＭＬアーキテクチャに提供するための方法を含むこともできる。
【0187】
図１２Ａは、ある実施形態による、データオブジェクトを処理するための方法１２０１のフロー図である。方法１２０１は、１つ以上の場所で１つ以上の適切にプログラムされたコンピュータのシステムによって実施されることができる。本システムは、メモリ内に１つ以上のデータ処理オブジェクトを生成することができる（１２０１－０）。そのようなアクションは、不揮発性記憶ユニット上に記憶されたデータを転送すること、またはユーザから受信されるデータをＭＬコンピューティングシステムのシステムメモリ内に蓄積することを含むことができる。本システムは、データ処理オブジェクトを装飾し、それがＭＬプロセスによって処理された後にメッセージを発生させることができる（１２０１－２）。そのようなアクションは、データ処理オブジェクトを、メッセージング関数を含む、より複雑なオブジェクトに変換することを含むことができる。
【0188】
本システムは、ＭＬプロセスが利用可能であるかどうかを判定することができる（１２０１－４）。プロセスが利用可能である場合（１２０１－４からの「はい」）、本システムは、装飾されたデータ処理オブジェクトを処理することができる（１２０１－６）。そのようなアクションは、訓練、推論、または他の動作のために、データをＡＮＮもしくは任意の他の好適な統計学習エージェントに適用することを含むことができる。本システムは、次いで、データ処理オブジェクトのための後処理メッセージが受信されたかどうかを判定することができる（１２０１－８）。いったん後処理メッセージが受信されると（１２０１－８からの「はい」）、本システムは、最後のデータ処理オブジェクトが処理されたかどうかを判定することができる（１２０１－１０）。処理されるべきさらなるデータ処理オブジェクトが存在する場合（１２０１－１０からの「いいえ」）、本システムは、次のデータ処理オブジェクトに進むことができ（１２０１－１２）、１２０１－２に戻ることができる。
【0189】
図１２Ｂは、一実施形態による、データオブジェクトを装飾するためのコード１２５３の一実施例である。そのようなコードは、コンピューティングシステムの１つ以上のプロセッサによって実行可能であり得る。コード１２５３は、データ処理オブジェクトを装飾し、いったんそれが処理されるとメッセージを発生させ得る、（１）（「ｒｕｎ＿ｓｅｒｖｉｃｅ」）に示される関数１２５１を含むことができる。（２）では、関数は、処理されるべきデータを受信するためにメモリ内にオブジェクトを生成することができる。（３）では、メモリ内のデータオブジェクトは、処理されるべきデータを受信することができる。（４）では、プロセス標的が、所望のメッセージを発生させるように装飾されることができる。（５）では、複数の分岐プロセスのうちの１つのプロセスが、装飾されたオブジェクト上で動作するようにインスタンス化されることができる。（６）では、本プロセスが、開始されることができる。
【0190】
図１２Ｂはまた、装飾されたデータ処理オブジェクトによって発生されるエグレスメッセージをカプセル化するための関数１２４９－０「ｓｅｒｖｉｃｅ＿ｅｎｃｏｄｅ」、ならびにメッセージエンコーディング関数１２５１－０を呼び出す、装飾関数「ｐｏｓｔ＿ｐｒｏｃｅｓｓ＿ｄｅｃｏｒａｔｏｒ」１２４９－１も示す。
【0191】
図１２Ｃおよび１２Ｄは、ある実施形態による、データ処理動作を示すシステム１２００のブロック図である。図１２Ｃを参照すると、システム１２００は、システムメモリ１２４７と、機械学習サービス１２４１と、前および後処理関数１２３３とを含むことができる。データ処理オブジェクトは、システムメモリ１２４７内に生成されることができる。１２４５’として示されるデータ処理オブジェクトは、結果１２３５を発生させるように処理されている。１２４５として示されるデータ処理オブジェクトは、まだ処理されていない。
【0192】
データ処理オブジェクト内のデータが処理される前に、装飾関数の動作によって、データ処理オブジェクト１２４５が、メッセージング関数を含むオブジェクト１２４３に変換されることができる。オブジェクト１２４３は、ＭＬサービス１２４１の利用可能なプロセス１２３９によって処理されることができる。いくつかの実施形態では、ＭＬサービス１２４１のプロセスは、非同期プロセスであり得る。ビジープロセスが、１２３９’として示される。終了しつつある（すなわち、空くべき次のプロセスである）ビジープロセスが、１２３９”として示される。いったんデータ処理オブジェクトの処理が完了すると、結果（例えば、１２３５）が、システムメモリ１２４７に返されることができる。加えて、装飾の動作によって、エグレスメッセージが、発生されることができる１２３７。
【0193】
図１２Ｄを参照すると、エグレスメッセージ１２３７の発生が、プロセスが利用可能である１２３９というインジケーションとして使用されることができる。次のデータ処理オブジェクトが、装飾され１２４３、利用可能なプロセス１２３９に提供されることができる。
【0194】
上記の実施形態は、種々の方法を説明するが、明示的および暗示的に付加的な方法の両方が、ここで、フロー図を参照して説明されるであろう。
【0195】
図１３は、ある実施形態による、方法１３０１のフロー図である。方法１３０１は、１つ以上の場所で、１つ以上の適切にプログラムされたコンピュータのシステム、例えば、本開示に前述で説明されたシステムのうちの１つによって実施されることができる。動作時、本システムは、一次センサデータおよび二次データソースを用いて訓練することによって、機械学習を用いて対象のための生物物理学的モデルを生成することができる（１３０１－０）。本動作は、本明細書の実施形態のうちのいずれかまたは均等物による、モデルを生成することを含むことができる。いくつかの実施形態では、一次センサデータソースは、予測されるものと同一である対象応答に関するデータを提供することができる。二次データソースは、予測されるものと同一ではないデータを提供することができる。いくつかの実施形態では、一次センサデータは、二次データソースからのデータよりも入手することが困難であり得る。さらに、一次センサデータソースおよび二次データソースは、特定の対象からのものであり得る。したがって、生物物理学的モデルは、特定の対象に対して個人化されたモデルであり得る。
【0196】
本システムは、二次データソースから現在のデータを受信することができる（１３０１－２）。そのようなアクションは、対象からセンサデータを受信することを含むことができる。対象応答が、次いで、少なくとも現在の二次センサデータを伴う生物物理学的モデルを用いて予測されることができる（１３０１－４）。本システムは、予測される対象応答が１つ以上の所定の限界外であるかどうかを判定することができる（１３０１－６）。そのようなアクションは、予測される応答を、対象によって確立される限界または目標と比較することを含むことができる。そのような目標は、個人的目標、または健康の必要性によって決定付けられる目標であり得る。予測される応答が、限界外ではない（１３０１－６からの「いいえ」）場合、本システムは、１つのタイプの所定の出力を発生させることができる（１３０１－１０）。示される特定の実施形態では、これは、対象が「軌道に乗っている」ことを示す、対象のためのメッセージを含むことができる。予測される応答が、限界外である（１３０１－６からの「はい」）場合、本システムは、別のタイプの所定の出力を発生させることができる（１３０１－８）。示される特定の実施形態では、これは、講じられるべき可能性として考えられるアクションを示す、対象のためのメッセージを含むことができる。アクション１３０１－０８および／または１３０１－１０からの出力は、第三者もしくは中間関係者（例えば、医療専門家）、ならびに対象に対するものであり得ることを理解されたい。
【0197】
いくつかの実施形態では、本システムは、対象のグルコースレベルを予測することができる。一次センサは、グルコースレベルを直接測定するセンサ（例えば、ＣＧＭ）であり得る。二次センサは、直接予測されるべき応答ではなく、対象活動を追跡するセンサ（例えば、ＨＲＭおよび／または食品ロギング）であり得る。
【0198】
図１４は、ある実施形態による、健康管理１４０１の方法のフロー図である。方法１４０１は、１つ以上の場所で、１つ以上の適切にプログラムされたコンピュータのシステム、例えば、本開示に前述で説明されたシステムのうちの１つによって実施されることができる。動作時、本システムは、直接データおよび間接データを用いて対象のための１つ以上のＭＬ生物物理学的モデルを生成することができる（１４０１－０）。いくつかの実施形態では、直接データソースは、方法１４０１で予測されるものと同一である、生物物理学的応答に関するデータを提供することができる。間接データソースは、予測されるべきものと同一ではないデータを提供することができる。いくつかの実施形態では、直接データソースおよび／または間接データソースからのデータの全てもしくは一部は、個人化された生物物理学的モデルを形成するように特定の対象からのものであり得る。
【0199】
本システムは、対象の健康に基づいて、生物物理学的応答への限界を設定することができる（１４０１－２）。そのような限界は、静的限界または動的限界であり得、変化率を含むことができる。本システムは、対象に関する現在の間接データを受信することができる（１４０１－４）。本システムは、動作１４０１－０において生成されるモデルを使用して、間接データから対象の１つ以上の将来の応答を推論することができる（１４０１－６）。本システムは、予測される応答が１つ以上の応答限界外であるかどうかを判定することができる（１４０１－８）。予測される応答が、限界外ではない（１４０１－８からの「いいえ」）場合、本システムは、１４０１－４に戻ることができる。
【0200】
予測される応答が、限界外である（１４０１－８からの「はい」）場合、予測される応答と限界との間の偏差が、判定されることができる（１４０１－１０）。そのような定量化された偏差に基づいて、１つ以上の是正アクションが、判定されることができる（１４０１－１２）。メッセージが、次いで、１つ以上の提案される是正アクションとともに、予期される偏差を対象に通知して、対象に送信されることができる（１４０１－１４）。
【0201】
随意に、予測される応答が、限界外である（Ｈ７０－８からの「はい」）場合、反復率（例えば、間接データが受信またはサンプリングされる率）が、増加されることができる（１４０１－１６）、および／または第三者が、通知されることができる（１４０１－１８）。
【0202】
図１５は、ある実施形態による、対象１５０１を指導する方法のフロー図である。方法１５０１は、１つ以上の場所で、１つ以上の適切にプログラムされたコンピュータのシステム、例えば、本開示に前述で説明されたシステムのうちの１つによって実施されることができる。本システムは、第１のセンサデータおよび対象データを用いて、対象のための１つ以上のＭＬ生物物理学的モデルを生成することができる（１５０１－０）。そのようなアクションは、本明細書の実施形態のうちのいずれかまたは均等物による、モデルを生成することを含むことができる。いくつかの実施形態では、第１のセンサデータは、人体から直接、生物物理学的読取値を取り込む、センサからのデータであり得る。対象データは、対象によって提供されるデータであり得る。
【0203】
本システムは、対象から目標関連限界を受信する（１５０１－２）。そのようなアクションは、対象から健康、挙動、または他の目標を受信することと、そのような限界が予測される対象応答を用いて感知され得る方法を判定することとを含むことができる。対象のための可能性として考えられる報酬が、受信されることができる（１５０１－４）。そのようなアクションは、対象の個人的選好に基づいて、報酬を判定することを含むことができる。
【0204】
本システムはまた、対象目標に関連する対象のための可能性として考えられるアクションを受信／推論することもできる（１５０１－６）。そのようなアクションは、対象が好む活動を判定することを含むことができるが、そのようなアクションはまた、本明細書に説明されるように推論される「正準」アクションならびに均等物を使用すること、および／または選択のためにそれを提示することを含むこともできる。
【0205】
依然として、図１５を参照すると、対象データが、受信されることができる（１５０１－８）。そのような受信されたデータを使用して、対象の将来の応答が、ＭＬモデルから推論されることができる（１５０１－１０）。本システムは、予測される対象応答が目標関連限界のうちの１つ以上の外であるかどうかを判定することができる（１５０１－１２）。予測される応答が、限界外ではない（１５０１－１２からの「いいえ」）場合、本システムは、報酬を対象に送信することができる（１５０１－２０）。予測される応答が、限界外である（１５０１－１２からの「はい」）場合、本システムは、目標を満たすためのアクションを奨励するメッセージを対象に送信することができる（１５０１－１４）。加えて、目標を満たすように講じられ得る特定のアクションを提案するメッセージが、送信されることができる（１５０１－１６）。そのような特定のアクションは、１５０１－６からのアクションを含むことができる。示される特定の実施形態では、本システムは、目標を満たすための報酬を提供する、または示すことができる（１５０１－１８）。
【0206】
ここで図１６Ａ－１６Ｃを参照すると、データ入手のための対象デバイスアプリケーションおよび方法が、一連の略図に示される。図１６Ａを参照すると、ユーザデバイス１６１０は、ユーザデバイス１６１０の１つ以上のプロセッサによる実行のために、不揮発性メモリ等のメモリ内に、その上に記憶されたアプリケーション１６２８を含むことができる。ユーザデバイス１６１０は、スマートフォンとして示されるが、ユーザデバイスは、本明細書に示されるもののうちのいずれかまたは均等物の形態をとることができる。
【0207】
図１６Ｂを参照すると、アプリケーションが、アクティブであるとき、ユーザデバイスは、１つ以上のセンサデバイス１６２０－０、１６２０－１に接続する、もしくは接続されることができる。センサデバイス（１６２０－０、１６２０－１）は、対象の生物物理学的応答を感知することができる。示される特定の実施例では、センサデバイスは、ＨＲＭと、ＣＧＭとを含むことができる。しかしながら、代替実施形態は、所望のモデル化された応答のために好適なセンサを含むことができる。センサデバイス（１６２０－０、１６２０－１）からのデータが、直接、もしくは１つ以上の他のデバイスを介して、学習動作のためにＭＬサービス１６０２に提供されることができる。そのような学習動作は、本明細書に説明されるもののうちのいずれかまたは均等物を含むことができる。いくつかの実施形態では、ＨＲＭおよびＣＧＭデータは、グルコースレベルを予測し得る、個人化されたグルコースレベル応答モデルを生成するように、ＭＬサービスに提供されることができる。
【0208】
図１６Ｃを参照すると、アクティブなアプリケーションはまた、対象が予測される生物物理学的応答に関連するデータを記録することを可能にすることもできる。そのような記録されたデータは、直接、もしくは１つ以上の他のデバイスを介して、学習動作のためにＭＬサービス１６０２に提供されることができる。いくつかの実施形態では、アプリケーションが、データ値を記録するための種々の方法を提供することができる。いくつかの実施形態では、アプリケーションは、食品データ（例えば、消費された食品）が、画像捕捉１６２２－０、音声入力１６２２－１によって、または手動で（例えば、テキストを入力する）１６２２－２、記録されることを可能にすることができる。しかしながら、そのようなデータ入力方法は、限定的と解釈されるべきではない。本明細書に記述されるように、そのようなＭＬモデルは、そのような記録されたデータから栄養情報を推論することができる。すなわち、そのようなデータはまた、学習動作のための栄養データを生じさせ得る、初期推論動作のために使用されることもできる。
【0209】
ここで図１７Ａ－１７Ｆを参照すると、推奨を発生させるための対象デバイスアプリケーションが、一連の略図に示される。図１７Ａを参照すると、ユーザデバイス１７１０は、ユーザデバイス１７１０の１つ以上のプロセッサによる実行のために、不揮発性メモリ等のメモリ内に、その上に記憶されたアプリケーション１７２８を含むことができる。ユーザデバイス１７１０は、スマートフォンとして示されるが、ユーザデバイスは、本明細書に示されるもののうちのいずれかまたは均等物の形態をとることができる。アプリケーション１７２８は、図１６Ａ－１６Ｃに示されるものと同一である、または異なり得る。
【0210】
図１７Ｂを参照すると、アプリケーションが、アクティブであるとき、ユーザデバイスは、１つ以上のセンサデバイス１７２０－１に接続する、もしくは接続されることができる。センサデバイス１７２０－１は、対象の１つ以上の生物物理学的応答を感知することができる。いくつかの実施形態では、センサデバイス１７２０－１は、対象アクションを予測し、推奨を行うために利用される生物物理学的応答と生物物理学的応答を感知する、間接データソース内にあり得る。示される特定の実施例では、センサデバイス１７２０－１は、対象のグルコースレベルを予測するためのデータを提供し得る、ＨＲＭであり得る。センサデバイス１７２０－１からのデータが、直接、もしくは１つ以上の他のデバイスを介して、推論動作のためにＭＬサービス１７０２に提供されることができる。そのような推論動作は、本明細書に説明されるもののうちのいずれかまたは均等物を含むことができる。いくつかの実施形態では、ＨＲＭおよび他のデータは、対象のグルコースレベルを予測するように、ＭＬサービスに提供されることができる。
【0211】
図１７Ｃを参照すると、アクティブなアプリケーションはまた、対象が予測される生物物理学的応答に関連するデータを記録することを可能にすることもできる。データロギングは、図１６Ｃに関して記述されるものと同一の様式（例えば、画像１７２２－０、音声１７２２－１、手動入力１７２２－２）で起こり得る。しかしながら、記録されたデータは、推論動作のためにＭＬサービス１７０２に提供されることができる。特定の実施形態では、記録された食品データおよびＨＲＭデータが、対象グルコースレベルを予想するために使用されることができる。
【0212】
図１７Ｄおよび１７Ｅを参照すると、センサ１７２０－１からのデータおよび／または記録されたデータに応答して、アプリケーション１７２８は、ＭＬサービス１７０２から推奨を受信することができる。推奨は、推論動作から、および／または対象によって提供される選好もしくは選択から導出されることができる。示される実施形態では、図１７Ｄは、活動推奨１７３１－０を示す。図１７Ｅは、栄養推奨１７３１－１を示す。
【0213】
図１７Ｆを参照すると、対象の予測される生物物理学的応答が所望の限界内である場合において、アプリケーションは、報酬１７２９を提供することができる。いくつかの実施形態では、報酬が、アプリケーションサーバ１７０４によって提供されることができる。
【0214】
図１８Ａは、ある実施形態による、個人化された応答モデル生成システム１８４０のブロック図である。システム１８４０は、個人化されていないモデルセクション１８４０－０と、個人化されたデータセクション１８４０－１と、結果として生じる個人化されたモデル１８５４とを含むことができる。個人化されていないモデルセクション１８４０－０は、個人化されていないバイオメトリックデータ１８４６と、開始バイオメトリックモデル１８４８と、導関数１８５０と、個人化されていないバイオメトリックモデル１８５２とを含むことができる。個人化されていないバイオメトリックデータ１８４６は、１つ以上の物質が身体もしくは血流に進入する、またはそこから除去される率等の一般集団に関する経時的な生物物理学的応答に関するデータであり得る。開始バイオメトリックモデル１８４８は、生物物理学的応答を予測するためのモデルであり得、いくつかの実施形態では、微分方程式の形態であり得る。開始バイオメトリックモデル１８４８は、いくつかの関数を含むことができ、そのうちの少なくとも１つは、個人化されていないバイオメトリックデータ１８４６から導出され得る。いくつかの実施形態では、モデルを導出することは、機械学習動作（例えば、回帰）を使用し、個人化されていないデータを関数にフィッティングすることを伴うことができる。導関数を伴うバイオメトリックモデルが、生成されることができる。そのようなモデルが、個人化されていないバイオメトリックデータに基づく、１つ以上の関数を含むため、個人化されていないパラメータを含むことができる。
【0215】
個人化されたデータセクション１８４０－１は、対象バイオメトリックセンサデータ１８４２を含むことができる。個人化されたバイオメトリックパラメータが、個人化されたデータ１８４０－１から抽出されることができる。バイオメトリックセンサデータ１８４２は、個人化された応答が予測されるであろう、対象に関するセンサデータであり得る。抽出される個人化されたパラメータ１８４４は、モデル１８５２の個人化されていないパラメータと同一のパラメータを表すことができる。個人化されたパラメータ１８４４の抽出は、バイオメトリックセンサデータ１８４２を予期される応答にフィッティングしようとする、機械学習を用いて遂行されることができる。しかしながら、他の実施形態では、個人化されたパラメータ１８４４は、一実施例のみとして、臨床試験等の他の手段によって判定されることができる。
【0216】
１８５２の個人化されていないバイオメトリックパラメータは、導関数および個人化されたパラメータ１８５４を伴うバイオメトリックモデルを生成するように、１８４４の抽出される個人化されたパラメータと代用されることができる。
【0217】
図１８Ａはまた、バイオメトリック応答予測システム１８６０も示す。システム１８６０は、１８５４からのモデルを利用し、１８４０－１の対象に関する個人化されたバイオメトリック応答を提供することができる。導関数１８５６に関する個人データが、モデル１８５４に提供されることができ、モデルは、個人化されたバイオメトリック応答１８５８を発生させることができる。いくつかの実施形態では、システム１８６０は、入力データとして個人データ１８５６を用いて、推論動作を実行することができる。
【0218】
本明細書に説明されるようなシステムは、任意の好適な個人化された予測されるバイオメトリック応答を提供するために利用されることができるが、いくつかの実施形態では、モデルが、経時的なグルコース（血糖）応答を予測することができる。そのような実施形態は、図１８Ｂに示される。
【0219】
図１８Ｂは、ある実施形態による、血糖応答モデル生成システム１８４０’のブロック図を示す。システム１８４０’は、個人化されていないモデルセクション１８４０－０’と、個人化されたデータセクション１８４０－１’と、個人化された血糖予測モデル１８５４’とを含むことができる。個人化されていないモデルセクション１８４０－０’は、個人化されていない応答データ１８４６’と、グルコース調整モデル１８４８’と、食品導関数１８５０’と、個人化されていない血糖予測モデル１８５２’とを含むことができる。個人化されていないバイオメトリックデータ１８４６’は、一般集団からの食品データ１８４６－０’および／または他の血糖応答データ１８４６－１’への個人化されていない血糖応答であり得る。他の血糖応答データ１８４６－１’は、多くの可能性として考えられる実施例のうちの１つのみとして、食品に関して血糖指数データから統計的に計算されるデータであり得る。
【0220】
グルコース調整モデル１８４８’は、経時的にグルコース率をもたらす、微分方程式の形態であり得る。多くの可能性として考えられる実施例のうちの１つのみとして、グルコース調整モデル１８４８’は、グルコース産生部分と、グルコース更新部分とを含むことができる。食品源関数１８５０’は、個人化されていない応答データ１８４６’から導出されることができる。いくつかの実施形態では、食品源関数１８５０’は、消費された食品に応答して、グルコースの発生を表す関数であり得る。いくつかの実施形態では、そのような関数は、個人化されていないデータを関数にフィッティングする機械学習動作（例えば、回帰モデル）を使用して、導出されることができる。
【0221】
１つ以上のグルコース調整モデル１８５２’は、導関数を使用して生成されることができる。そのようなモデルは、食品源関数１８５０’、ならびに個人化されていない血糖応答パラメータを含むことができる。いくつかの実施形態では、そのようなパラメータは、人口統計同等データセットを用いてモデルを導出する（例えば、訓練する）ことによる、人口統計同等パラメータであり得る。しかしながら、他の実施形態では、人口統計同等パラメータは、教師なしまたは教師あり訓練から生じる、「隠れた」もしくは埋め込まれた群であり得る。特定の実施形態では、そのようなパラメータは、１つ以上のインスリン抵抗パラメータを含むことができる。
【0222】
個人化されたデータセクション１８４０－１’は、個人化されたグルコース応答データ１８４２’と、個人化された血糖応答パラメータ１８４４’の抽出とを含むことができる。個人化されたグルコース応答データ１８４２’は、個人食品刺激データ１８４２－０’と、対応する個人グルコースデータ１８４２－１’とを含むことができる。いくつかの実施形態では、個人食品刺激データ１８４２－０’が、対象によって摂食される食品を表すデータ（例えば、食品ロギング）であり得る一方、個人グルコースデータ１８４２－１’は、持続的グルコース監視（ＣＧＭ）デバイスまたはある他のグルコース計等の感知システムによって読み取られるグルコースレベルであり得る。そのようなデータは、対象が摂食した食品への経時的な対象の個人血糖応答を表すことができる。抽出される個人化された血糖応答パラメータ１８４４’は、１８５２’の個人化されていない血糖応答パラメータに対応することができる。特定の実施形態では、そのようなパラメータは、１つ以上の個人インスリン抵抗パラメータを含むことができる。パラメータは、個人食品刺激データ２２－０’および個人グルコースデータ１８４２－１’から導出されることができる。
【0223】
１８５２’の個人化されていない血糖応答パラメータは、個人化されたグルコース調整モデル１８５４’を生成するように、１８４４’の抽出される個人化された血糖応答パラメータと代用されることができる。いくつかの実施形態では、個人化されたグルコース調整モデル１８５４’は、以下の形態をとることができ、
ｄＧ／ｄｔ＝Ｆｆｏｏｄ（ｆｏｏｄ，ｔ…）＋Ｆｐｒｏｄｕｃｅ（Ｇ（ｔ）…）＋Ｆｕｐｔａｋｅ（Ｇ（ｔ）…）
式中、ｄＧ／ｄｔは、経時的な体内のグルコースレベル（例えば、血糖レベル）の変化率であり、Ｆｆｏｏｄは、摂食された食品（食品）の特性および時間に依存し得る食品源関数であり、Ｆｐｒｏｄｕｃｅは、身体のグルコース産生を表すことができ、Ｆｕｐｔａｋｅは、身体のグルコース取り込みを表すことができる。関数のうちのいずれかは、本明細書に記述されるようなパラメータを含むことができる。例えば、インスリン抵抗パラメータが、関数Ｆｕｐｔａｋｅに含まれることができる。
ｄＧ／ｄｔ＝Ｆｆｏｏｄ（ｆｏｏｄ，ｔ…）＋Ｆｐｒｏｄｕｃｅ（Ｇ（ｔ）…）＋Ｆｕｐｔａｋｅ（Ｇ（ｔ）…）
式中、ｄＧ／ｄｔは、経時的な体内のグルコースレベル（例えば、血糖レベル）の変化率であり、Ｆｆｏｏｄは、摂食された食品（食品）の特性および時間に依存し得る食品源関数であり、Ｆｐｒｏｄｕｃｅは、身体のグルコース産生を表すことができ、Ｆｕｐｔａｋｅは、身体のグルコース取り込みを表すことができる。関数のうちのいずれかは、本明細書に記述されるようなパラメータを含むことができる。例えば、インスリン抵抗パラメータが、関数Ｆｕｐｔａｋｅに含まれることができる。
【0224】
図１８Ｂは、結果として生じる血糖応答予測システム１８６０’を示す。システム１８６０’は、モデル１８５４’を利用し、個人化されたデータ１８４２’を提供した対象に関する個人化された血糖応答を提供することができる。食品源データ１８５６’は、モデル１８５４’に提供されることができ、モデルは、個人化された血糖応答１８５８’を発生させることができる。いくつかの実施形態では、システム１８６０’は、リアルタイムで入力データとして食品源データ１８５６’を用いて推論動作を実施することができる。
【0225】
このように、実施形態は、従来のアプローチよりも個人化され得る、予測されるグルコースレベルを発生させることができる。いくつかの従来のアプローチでは、対象データは、本明細書に説明されるように、機械学習ソリューションの様式でグルコース調整システムの複雑性を捕捉しない場合がある、線形モデルから推定されることができる。
【0226】
さらに、本明細書の実施形態は、個人に容易かつ即座に適用可能である、方法およびシステムを提示する。いったんグルコース調整モデルが個人化されていないデータから構築されると、対象に関する個人化されたパラメータが、その対象のグルコースレベルを予測するためのグルコース調整モデルに組み込まれることができる。これは、対象によって発生される訓練データ（例えば、食事日記、血糖レベル、活動）を使用し、その同一の対象のためのモデルを生成し得る、従来のアプローチと対照的である。次いで、同一のデータが、モデルへの推論動作のために要求される。これは、個人化されたパラメータを導出し、それらを既存のモデル（個人化されていないデータを用いて構築される）に組み込むことと著しく対照的である。
【0227】
本明細書で記述されるように、いくつかの実施形態では、対象に関する個人化されたパラメータは、人口統計同等パラメータであり得る。すなわち、対象の特徴は、対象を検査する必要なく、対象に関する個人化されたパラメータを導出するように、大規模データセットを用いて生成されるモデルに従って分類されることができる。多くの実施例のうちの１つのみとして、インスリン抵抗パラメータが、個人が血液検査または同等物を受ける必要なく、人口統計同等インスリンパラメータを発生させるように、種々の因子（例えば、年齢、性別、身体サイズ／タイプ、生活様式、場所、家系の位置付け、既知の親戚、好ましい食事、および多数のその他）のうちのいずれかに従って、個人を分類することによって、導出され得る。
【0228】
実施形態は、対象バイオメトリック応答をモデル化および予測するためのシステムならびに方法を含むことができるが、実施形態はまた、アイテムの全ての属性を必ずしも有することなく、アイテムの標的特徴を予測するためのシステムおよび方法を含むこともできる。
【0229】
図１９Ａは、ある実施形態による、アイテムの特徴を予測するためのシステムおよび方法のブロック図である。図１９Ａは、予測モデルを生成するための訓練セクション１９７０、および標的値を予測するための推論セクション１９７２を示す。訓練セクション１９７０は、訓練データ１９２２と、属性１９６２の無作為選択と、補定ＡＥ１９６４と、双方向リカレントニューラルネットワーク（ＲＮＮ）および／またはＬＳＴＭ１９６６（以降ではＬＳＴＭ）とを含むことができる。訓練データ１９２２は、複数のデータアイテムのための属性のセットおよび対応する標的を含むことができる。すなわち、各データアイテムは、アイテムのための標的（特徴）を生じさせる、複数の属性から成ってもよい。標的は、訓練動作のための標識としての役割を果たすことができる。アイテムのための属性が、訓練データから無作為に選択されることができる。ＡＥ１９６４は、属性１９２２のサブセットから、または属性１９２２の破損したセットから、欠落した属性を補定するように訓練されることができる。訓練プロセスは、属性のサブセットまたは破損した属性を訓練されていないモデルに提供することと、そのような属性を隠れた表現にマッピングすることと、隠れた表現から完全または破損していない属性を再構築しようとすることとを伴うことができる。再構築は、実際の属性と比較されることができ、モデルのパラメータは、それに応じて更新されることができる。本プロセスは、収束まで、すなわち、再構築エラーが基準を満たすまで、繰り返されることができる。ある場合には、訓練属性が、無作為に選択されることができる（１９６２）。双方向ＬＳＴＭ１９６６は、選択される属性からアイテムのための標的を予測するように、現在選択されている属性とともに、ＡＥ１９６４からの補定される属性上で訓練されることができる。
【0230】
推論セクション１９７２は、訓練されたＡＥ１９６４と、訓練された双方向ＬＳＴＭ１９６６とを含むことができる。対象は、補定ＡＥ１９６４および双方向ＬＳＴＭ１９６６へのアイテム１９６８の入力属性であり得る。各属性が入力されるにつれて、補定ＡＥ１９６４は、欠落した属性を補定することができる。各入力属性および補定される属性に応答して、双方向ＬＳＴＭ１９６６は、標的特徴１９６９を発生させることができる。このように、双方向ＬＳＴＭ１９６６は、属性の不完全なセットから標的を予測することができる。
【0231】
本明細書に説明されるようなシステムは、複数の属性を有する任意の好適なアイテムに関して標的特徴を予測するために利用されることができるが、いくつかの実施形態では、システムおよび方法は、食品アイテムに関する血糖値を予測することができる。そのような実施形態は、図Ｃ２ＡおよびＣ２Ｂに示される。
【0232】
図１９Ｂは、血糖応答モデルを生成するための訓練セクション１９７０’を示す。訓練セクション１９７０’は、訓練栄養データ１９２２’と、無作為栄養素選択１９６２’と、雑音除去補定ＡＥ１９６４’と、双方向ＬＳＴＭ１９６６’とを含むことができる。訓練栄養データ１９２２’は、種々の食品アイテムに関する栄養素および対応する血糖値を含むことができる。血糖値は、人物のグルコース応答に関連する任意の好適な値（例えば、血糖）であり得、いくつかの実施形態では、血糖指数（ＧＩ）、血糖負荷（ＧＬ）、または両方を含むことができる。雑音除去および補定ＡＥ１９６４’は、無作為に選択された栄養素に基づいて、アイテムに関する栄養素値を補定するように訓練されることができる。双方向ＬＳＴＭ１９６６’は、血糖値を予測するように、雑音除去補定ＡＥ１９６４’からの補定される栄養素および現在選択されている栄養素を用いて訓練されることができる。
【0233】
図１９Ｃを参照すると、血糖値予測方法およびシステム１９７２’は、図１９Ｂにおいて上記に記述されるように訓練される、雑音除去補定ＡＥ１９６４’および双方向ＬＳＴＭ１９６６’を含むことができる。動作時、対象は、食品アイテム１９６８’の栄養素を雑音除去補定ＡＥ１９６４’および双方向ＬＳＴＭ１９６６’に入力することができる。各栄養素が入力されるにつれて、雑音除去補定ＡＥ１９６４’は、付加的栄養素を補定することができる。各入力された栄養素および補定された栄養素に応答して、双方向ＬＳＴＭ１９６６’は、予測される血糖値を発生させることができる。いくつかの実施形態では、血糖値（ＧＩ／ＧＬ）が、各栄養素が入力されるにつれてリアルタイムで対象に提供されることができる。
【0234】
実施形態は、属性を補定し、アイテムの標的特徴を予測し得るシステムを含むことができるが、実施形態はまた、複数のセンサを使用して、対象に関する欠落したセンサデータを補定するためのシステムおよび方法を含むこともできる。
【0235】
図２０Ａは、ある実施形態による、欠落したセンサデータを補定するためのシステムおよび方法２０７６のブロック図である。システム２０７６は、１つ以上のセンサ２０７８と、ＭＬ埋め込みシステム２０８０と、ＭＬ補定システム２０８２と、正規化システム２０８４とを含むことができる。センサ２０７８は、経時的に人物の生物物理学的応答を検出する、１つ以上のセンサを含むことができる。ある場合には、生物物理学的応答データは、欠落している、破損している、または別様に利用可能もしくは有効ではないと判定され得る。ＭＬ埋め込みシステム２０８０は、ＡＮＮを使用して、センサ２０７８からのデータを埋め込むことができる。本開示では、用語「埋め込む」または「埋め込み」は、データが実数のベクトルにマッピングされる、プロセスを指し得る。結果として生じるベクトル空間は、入力よりも低い次元を有し得る。したがって、埋め込みは、次元縮小技法と見なされ得る。複数のセンサ２０７８が存在するとき、異なるセンサ値が、埋め込み動作の間にともに群化される（例えば、連結される）ことができる。
【0236】
ＭＬ補定システム２０８２は、ＭＬ埋め込みシステム２０８０から埋め込まれた値を受信し、任意の欠落したセンサ読取値に関する値を補定することができる。いくつかの実施形態では、ＭＬ補定システム２０８２は、図１９のＡＥに類似するＡＥを含むことができる。ＭＬ補定システム２０８２の出力は、正規化システム２０８４を用いて正規化されることができる。結果として生じる出力は、システム２０７６に提供されるセンサデータに存在しなかった値を含み得る、補定されたデータ２０８６であり得る。
【0237】
本明細書に説明されるようなシステムは、任意の好適なタイプのセンサデータに関するデータ値を補定するために利用されることができるが、いくつかの実施形態では、本システムおよび方法は、グルコースおよび／または心拍数監視に関するデータを補定することができる。
【0238】
図２０Ｂは、ある実施形態による、欠落したセンサデータを補定するためのシステムおよび方法２０７６’のブロック図である。システム２０７６’は、複数の異なるセンサタイプ２０１６、２０１８からデータを受信することができる。一実施形態では、センサ２０１６は、ＣＧＭであり得、センサ２０１８は、ＨＲＭであり得る。ＭＬ埋め込みシステム２０８０’は、センサ２０１６／２０１８からのデータを連結し、ニューラルネットワークを使用して、それらを単一値に埋め込むことができる。いくつかの実施形態では、ＭＬ補定システム２０８２’は、スタック式雑音除去ＡＥを含むことができる。正規化システム２０８４’は、ＭＬ補定システム２０８２’の出力を正規化し、補定されたデータ２０８６’を発生させることができる。
【0239】
図２０Ｃは、システム２０７６’による処理に先立ったセンサデータ２０１８および２０１６を示す。示されるように、センサデータ２０１６は、欠落した部分４１７を有する。図２０Ｄは、システム２０７６’の動作によって提供された、補定されたデータ４１９を含み得る、センサデータ２０１６’を示す。
【0240】
実施形態は、センサデータセットから欠落したデータ値を補定し得る、システムを含むことができるが、実施形態はまた、データセットの品質を判定するためのシステムおよび方法を含むこともできる。図２１Ａは、そのような実施形態による、方法およびシステム２１８８のブロック図である。
【0241】
システム２１８８は、データベースシステム２１９０と、電子データ処理システム２１９２とを含むことができる。データベースシステム２１８８は、１つ以上の良好データセット２１９４（ｐ）と、クエリデータセット２１９３（ｑ）とを含むことができる。良好データセット２１９４は、高品質データセットであり得る。クエリデータセット２１９３は、評価のためのデータセットであり得る。いくつかの実施形態では、データセット２１９３／２１９４は、標識データセットであり得る。
【0242】
電子データ処理システム２１９２は、品質スコア２１９８をもたらす、分類子セクション２１９６を含むことができる。分類子セクション２１９６は、分類子として構成されるニューラルネットワークを含むことができる。分類子は、データ値およびデータ値のための対応する標識の両方を条件とすることができる。分類子の分布は、ｐ（Ｘ，Ｙ，Ｚ）であり得、Ｘは、入力特徴分布を表し得、Ｙは、カテゴリ標的であり得、Ｚは、データセットに従って変動し得る。いくつかの実施形態では、Ｚは、サンプル（ｘ，ｙ）がクエリデータセット（ｑ）からのものである場合、Ｚ＝１であり、サンプルが有効データセット（ｐ）からのものである場合、Ｚ＝０である、２値分散であり得る。したがって、２値の場合、分類子は、ｈ（ｘ）＝ｐ（ｚ＝１｜ｘ，Ｙ＝１）をもたらすように構築されることができる。これは、良好およびクエリデータセットからの分布が同一である（すなわち、ｐ（Ｘ，Ｙ｜Ｚ＝０）＝ｐ（Ｘ，Ｙ｜Ｚ＝１））と仮定し得る、従来の分類子と対照的であり、ｈ（ｘ）’＝ｐ（ｙ＝１｜ｘ）に関して構築される。品質スコア２１９８は、分類子セクション２１９６によって判定される品質値であり得る。例えば、上記の２値の場合、クエリデータセット（ｑ）または良好データセット（ｇ）のいずれかの中の全てのｘに関して、ｈ（ｘ）＝０．５である場合、分布は、区別不可能と判定されることができ、したがって、クエリデータセット（ｑ）は、高品質と見なされることができる。
【0243】
ソフトウェアエージェント２１９９は、次いで、発生された品質スコアに基づいて、クエリデータセット（ｑ）を容認または拒否することができる。そのようなアクションはさらに、クエリデータセットを、訓練、推論、または他の動作で使用するためのデータベースにコピーすることを含むことができる。
【0244】
本明細書に説明されるようなシステムは、種々のタイプのデータセットの品質を判定するために利用されることができるが、いくつかの実施形態では、システムおよび方法は、生物物理学的センサデータを含むデータセットの品質を判定することができる。
【0245】
図２１Ｂは、対応する食品ログ標識を伴うグルコースレベルデータの品質を判定するためのシステムおよび方法２１８８’のブロック図である。システム２１８８’は、データベースシステム２１９０’と、電子データ処理システム２１９２’とを含むことができる。データベースシステム２１９０’は、センサ２１１６からのデータ値および記録されたデータ２１２０を受信し、良好データセット２１９４’（ｐ）と、クエリデータセット２１９３’（ｑ）とを含むことができる。いくつかの実施形態では、データセット２１９４’／２１９３’は、食品ログデータに対応するＣＧＭデータであり得る。
【0246】
電子データ処理システム２１９２’は、品質スコア２１９８’を発生させる線形分類子２１９６’を含むことができる。線形分類子２１９６’は、図２１Ａに説明されるものに類似する分類子として構成されるニューラルネットワークを含むことができる。品質スコア２１９８’は、データセットが線形分類子２１９６’に従って区別可能であった程度を示すことができる。品質スコア２１９８’は、データセットのタイプに従って変動し得、本明細書に説明されるものまたは均等物の形態をとることができる。エージェント２１９９’が、クエリデータセット２１９８’が容認または拒否されるかどうかを判定することができる。
【0247】
実施形態はさらに、センサ信号に基づいて対象の挙動を予測し得る、方法およびシステムを含むことができる。図２２Ａは、そのような実施形態による、方法およびシステム２２０１のブロック図である。
【0248】
方法／システム２２０１は、センサ２２１６と、対象ロギングデータ２２２０と、予測システム２２０５とを含むことができる。センサ２２１６は、対象２２０３の生物物理学的応答を記録する、１つ以上のセンサを含むことができる。対象ロギングデータ２２２０は、対象２２０３の挙動を記録することができる。
【0249】
システム２２０５は、分類子２２０７を訓練し、生物物理学的応答２２１６から挙動２２１３を予測することができる。訓練データは、結果として生じる前の挙動２２２０を用いて標識される、前の生物物理学的応答２２１６であり得る。
【0250】
本明細書に説明されるようなシステムは、センサデータに応答して種々の挙動のうちのいずれかを判定するために利用されることができるが、いくつかの実施形態では、システムおよび方法が、対象からのグルコースならびに心拍数データに応答して食品ロギングデータを予測することができる。
【0251】
図２２Ｂは、対象２２０３’からセンサデータおよび食品ロギングデータ２２２０’を受信する、予測システム２２０５’を含み得る、システムおよび方法２２０１’のブロック図である。センサデータは、グルコース計２２１６’およびＨＲＭ２２１８からのものであり得る。
【0252】
予測システム２２０５’は、分類子２２０７’を訓練し、対応する食品摂取周期２２０９’に関するシグネチャグルコースおよび心拍数信号を導出することができる。予測器システム２２０７’は、同一の時間周期に関するグルコースセンサデータおよびＨＲＭデータを受信し、応答して、時間周期に関連する摂取された食品２２１３’を予測することができる。
【0253】
実施形態はさらに、アイテムのテキスト説明からアイテムの組成を判定するための機械学習モデルを有する、システムおよび方法を含むことができる。図２３Ａは、そのような実施形態による、システム２３１５のブロック図である。
【0254】
システム２３１５は、データ入力セクション２３１７と、処理セクション７１９と、式データベース２３２１とを含むことができる。データ入力セクション２３１７は、オブジェクトに関するテキスト関連データを入手することができる。いくつかの実施形態では、データ入力セクション２３１７は、対象からの音声データ２３２３、画像データ２３２５、またはテキストデータ２３２７を含むことができる。いくつかの実施形態では、そのようなデータは、対象デバイス（例えば、スマートフォン）によって入手されることができる。
【0255】
処理セクション２３１９は、非テキストデータをテキストデータに変換することができる。そのような処理は、音声入力データからテキストデータを導出するための音声処理２３２９、または画像データからテキストデータを導出するための光学文字認識２３３１を含むことができる。そのような処理は、遠隔システムによって実施されることができるが、そのような処理の全てまたは一部はまた、対象デバイスによって実施されることもできる。
【0256】
処理セクション７１９はまた、機械学習自然言語処理（ＮＬ）解析器２３３３と、クエリエンジン２３３５とを含むことができる。ＮＬＰ解析器２３３３は、入力テキストの構造を判定することができる。いくつかの実施形態では、ＮＬＰ解析器２３３３は、テキストを解析し、その構成語を判定することができ、応答して、そのような単語を特定の順序またはフォーマットで配列することができる。クエリエンジン２３３５は、配列された単語を式データベース２３２１に提供し、テキストに対応するオブジェクトを判定することができる。いくつかの実施形態では、クエリエンジン２３３５は、可能性として考えられるオブジェクトのリスト２３３９（例えば、優先リスト）を発生させることができる。
【0257】
本明細書に説明されるようなシステムは、アイテムのテキスト説明に基づいてアイテムの組成を判定するために利用されることができるが、いくつかの実施形態では、食品の組成が、メニュー説明等の食品のテキスト説明から判定されることができる。図２３Ｂは、そのような実施形態による、方法／システム２３１５’の実施例を示す。
【0258】
方法／システム２３１５’は、食品２３２７のテキスト文字列説明を受信することができる。いくつかの実施形態では、そのようなテキスト文字列は、メニューアイテム説明であり得る。機械学習ＮＬＰシステム２３３３’は、テキスト文字列を解析することができる。そのような解析は、主格語２３４３－０および非主格語２３４３－１を判定し、優先順位を付けることを含むことができる。そのような処理はまた、題名主格、成分主格、およびそのような単語に関する確実性を判定することを含むこともできる。そのような解析に基づいて、ＮＬＰシステム２３３３’は、主格語の存在および確実性を判定し、該当する場合、確実性を伴う題名主格２３４５－０および確実性を伴う明示的成分２３４５－１を含む、そのような単語に優先順位を付けることができる。
【0259】
クエリエンジン２３３５’は、解析されたテキストデータを使用して、レシピデータベース２３２１’への一連のクエリ動作を実行することができる。示される実施形態では、クエリ動作は、確実性を伴う題名主格２３３５－０から開始して、優先順位を付けられることができる。クエリ動作は、次いで、非主格優先語２３３５－１に基づく二次クエリを含むことができる。クエリ結果は、確実性を伴う明示的成分を使用してフィルタ処理されることができる。各クエリに応答して、対応するレシピのリスト２３３９’が、次第に精緻化されることができる。
【0260】
本システムは、リスト２３３９’からレシピ２３４７を選択することができる。いくつかの実施形態では、これは、リストから最良合致を有するレシピを選択することを含むことができる。しかしながら、他の実施形態では、そのようなアクションは、対象がリストからレシピを確認または選択することを含むことができる。選択されたレシピは、選択されたレシピに関する栄養情報（例えば、ＧＩ、ＧＬ）を発生させ得る、栄養推論システム２３４９に適用されることができる。
【0261】
実施形態はさらに、そのようなアイテムの特徴に基づいて、アイテム内の構成要素の割合を判定するためのシステムおよび方法を含むことができる。図２４Ａは、そのような実施形態による、方法およびシステム２４５１のブロック図である。
【0262】
方法／システム２４５１は、複数の構成要素から成るアイテムに関するデータを受信することができる。そのようなデータは、全体的アイテム２４５３およびランク付けされた構成要素データ２４５５に関する費用および／または報酬値を含むことができる。アイテムの構成要素毎にデータ２４５３／２４５５を与えられる、推論セクション２４５７内で、アイテムに関する種々の費用／報酬が、行列２４５７－０を生成するように参照されることができる。示される実施形態では、アイテムは、ｍ個の構成要素を含むことができ、アイテムに関するｎ個の費用／報酬が存在し得、したがって、参照動作が、ｎ×ｍ行列Ａを発生させることができる。発生された行列を使用して、方法／システム２４５１は、成分（例えば、ｘ１＞ｘ２…＞ｘｍ）の既知のランクによって課せられる制約を伴って、費用／報酬（例えば、ｙ＝Ａｘ）毎に連立方程式２４５７－１を解法することができる。そのようなアクションは、任意の好適な技法に従って連立方程式を解法するコンピューティングマシンによって実行される、命令を含むことができる。いくつかの実施形態では、ニューラルネットワークは、機械学習を使用して方程式係数を導出するために使用されることができる。連立方程式を解法することは、アイテム２４５９内の各構成要素の量を生じさせることができる。
【0263】
本明細書に説明されるようなシステムおよび方法が、好適な費用／報酬データを与えられる、任意のアイテムのランク付けされた構成要素の量を判定するために利用されることができるが、いくつかの実施形態では、食品アイテムの組成は、そのような食品アイテムに関する栄養データおよび食品ラベルに存在するもの等の食品アイテム中の成分のリストに基づいて、判定されることができる。１つのそのようなシステムが、図２４Ｂに示される。
【0264】
システム／方法２４５１’は、データ入手セクション２４６１と、処理セクション２４５７’とを含むことができる。データ入手セクション２４６１は、画像捕捉デバイス２４６１－０と、画像処理セクション２４６１－１とを含むことができる。画像捕捉デバイス２４６１－０は、食品アイテムラベルの画像を捕捉するために使用されることができる。画像処理セクション２４６１－１は、ｎ個の食品アイテム栄養成分表（ｙ１，ｙ２…ｙｎ）２４５３’と、ｍ個の食品アイテムのランク付けされた成分（ｘ１，ｘ２…ｘｍ）２４５５’とを含む、捕捉されたラベルから食品アイテムデータを導出することができる。
【0265】
推論セクション２４５７’は、成分毎に栄養素情報を参照し、全ての成分２４５７－０’に関してｎ×ｍ行列Ａを生成することができる。図２４Ａの場合のように、成分（例えば、ｙ＝Ａｘ）毎の結果として生じる連立方程式が、制約として成分のランク（例えば、ｘ１＞ｘ２…＞ｘｍ）を伴って、解法されることができる。結果として生じる解法された方程式は、食品アイテム（すなわち、そのレシピ）中の各成分の量をもたらすことができる。導出されたレシピは、選択されたレシピに関する栄養情報（例えば、ＧＩ、ＧＬ）を発生させ得る、栄養推論システム２４４９に提供されることができる。
【0266】
図２４Ｃは、実施形態による、処理され得る食品アイテムデータの実施例を示す。食品アイテム２４６３は、ランク付けされた成分リスト２４５５”ならびに栄養成分表２４５３”を含むことができる。しかしながら、成分リスト２４５５”内の各成分の量は、把握されていない。そのようなデータは、各成分の量を推論するように、方法／システム２４５１’によって捕捉および処理されることができる。
【0267】
実施形態はさらに、食品に関連する単語の列を処理するための栄養学的に感知性の単語の埋め込みを生成するためのシステムおよび方法を含むことができる。
【0268】
図２５Ａは、ある実施形態による、訓練動作２５６５のための方法およびシステムのブロック図である。図２５Ｂは、ある実施形態による、推論動作２５６７のための方法およびシステムのブロック図である。図２５Ａを参照すると、訓練方法／システム２５６５は、食品データ入力２５６９と、単語埋め込みシステム２５７１と、結果として生じる栄養学的に感知性の食品の文字列埋め込み２５７３とを含むことができる。単語埋め込みシステム２５７１は、埋め込みセクション２５７１－０と、加重行列２５７１－１とを含むことができる。食品データ入力２５６９は、食品に関する単語の文字列および栄養成分表を含むことができる。
【0269】
埋め込みシステム２５７１内で、埋め込みセクション２５７１－０は、一実施例のみとして、ｗｏｒｄ２ｖｅｃを含む、任意の好適な技法に従って、食品の文字列値を埋め込むことができる。加重行列２５７１－１は、食品の文字列に対応する栄養成分表が、単語埋め込み空間内で加重されるように、訓練動作に含まれることができる。いったん訓練されると、埋め込みシステム２５７１は、栄養学的に感知性の食品の文字列埋め込み２５７３を提供することができる。
【0270】
図２５Ｂを参照すると、推論動作では、クエリ食品文字列２５７７が、栄養学的に敏感である９８３、単語埋め込みを発生させるように、訓練された埋め込みシステム２５７１に適用されることができる。
【0271】
上記の実施形態は、明示的および暗示的の両方で種々の方法を説明するが、付加的方法が、フロー図を参照して、ここで説明されるであろう。
【0272】
図２６は、ある実施形態による、データセット２６８５を完成させるための方法のフロー図である。本方法は、１つ以上の場所で１つ以上のコンピュータのシステムによって実施されることができる。本システムは、バイオメトリックまたは食品データセットを受信することができる（２６８５－０）。そのようなアクションは、限定ではないが、ＣＧＭデータセット、ＨＲＭデータセット、および／または食品ログを含む、本明細書に説明されるデータセットタイプのうちのいずれかを受信することを含むことができる。本システムは、そのようなデータセットを評価することができる（２６８５－２）。そのようなアクションは、データセットにギャップが存在する、またはデータセットが別様に低品質を呈するかどうかを判定することを含むことができる。いくつかの実施形態では、これは、本明細書に説明されるような品質判定方法または均等物を含むことができる。
【0273】
データセットが、完全ではないと判定される（２６８５－２からの「いいえ」）場合、値が、完全なデータセットを形成するように推論および／または補定されることができる２６８５－４。完全なデータセット（２６８５－２または２６８５－４からの「はい」）は、次いで、バイオメトリック応答を予測するために使用されることができる２６８５－６。いくつかの実施形態では、バイオメトリック応答は、本明細書に説明されるような個人化されたグルコース応答または均等物を含む、対象の血糖レベルを含むことができる。
【0274】
図２７は、食品アイテム２７８７に関する栄養データを導出するための方法のフロー図である。本方法は、１つ以上の場所で１つ以上のコンピュータのシステムによって実施されることができる。本システムは、食品データを受信することができる（２７８７－０）。そのようなアクションは、本明細書に説明される実施形態のうちのいずれかまたは均等物による、対象が食品アイテムに関連するデータを入力または別様に入手することを含むことができる。本システムは、食品アイテムに関する栄養データがデータベースに存在する（または別様にすでに既知もしくは利用可能である）かどうかを判定することができる（２７８７－２）。栄養データが把握されていない（２７８７－２からの「いいえ」）場合、本システムは、食品データ２７８７－４を使用して、食品アイテムに関する栄養値を発生させる、または推論することができる。栄養データ（２７８７－２または２７８７－４からの「はい」）は、次いで、バイオメトリック応答を予測するために使用されることができる２７８７－６。いくつかの実施形態では、バイオメトリック応答は、本明細書に説明されるような個人化されたグルコース応答または均等物を含む、対象の血糖レベルを含むことができる。
【0275】
図２８は、不一致データから標的値「Ｙ」を予測するための推論システムに関して訓練データを生成するためのシステム、ならびに推論システム自体のブロック図である。不一致データは、アイテム（例えば、食品アイテム）の１つ以上の属性（例えば、テキストベースの説明）を定義する第１のデータと、そのようなアイテムまたは類似アイテムに関して予測されるべき標的値（例えば、血糖値）を定義する第２のデータとを含むことができる。いくつかの実施形態では、属性は、標的値よりも取得することが容易である。
【0276】
システム２８００は、入力データセクション２８０６と、埋め込みセクション２８１８と、訓練データ２８０６－２と、学習エージェント（例えば、ＮＮ）２８２０Ａとを含むことができる。入力データセクション２８０６は、属性「Ｘ」を伴うアイテムを含む、第１のデータセット２８０６－０と、標的「Ｙ」を伴う同一のタイプのアイテムを含む、第２のデータセット２８０６－１とを含む、不一致データセットを含むことができる。本開示では、用語「不一致」は、特定のアイテムに関する属性Ｘが把握されているが、特定のアイテムに関する標的Ｙが把握されていないことを意味し得る。代替として、または加えて、用語「不一致」は、特定のアイテムに関する標的Ｙが把握されているが、特定のアイテムに関する属性Ｘが把握されていないことを意味し得る。ある場合には、ＸおよびＹが両方とも、特定のアイテムに関して、または類似説明を伴うアイテムに関して把握され得る。データセット２８０６－０および２８０６－１のアイテムは、異なり得、異なる識別値を有することができる。いくつかの実施形態では、データセット２８０６－０／１は、テキスト値または数値としてエンコードされたテキスト値を含むことができる。
【0277】
埋め込みセクション２８１８は、識別値を埋め込むことによって、データセット２８０６－０および２８０６－１からのアイテムを合致させることができる。いくつかの実施形態では、そのようなアクションは、ニューラルネットワークを利用し、属性および標的に対応するであろう埋め込まれた値を発生させることを含むことができる。埋め込みセクション２８１８を用いて発生されるデータは、訓練データ２８０６－２として記憶されることができる。訓練データ２８０６－２は、ニューラルネットワーク２８２０Ａ上で教師あり訓練を行い、属性値Ｘから標的値Ｙを予測するために、訓練エージェント２８３２によって使用されることができる。訓練されたニューラルネットワーク２８２０Ｂが、次いで、アイテムを識別する必要なく、むしろ、アイテムの属性を入力して、属性Ｘから標的Ｙを予測するために使用されることができる。
【0278】
いくつかの実施形態では、システム２３３００は、図２９により詳細に示されるように、栄養素データから血糖値を予測することができる。
【0279】
システム２８００は、入力データセクション２９０６と、埋め込みセクション２９１８と、訓練データ２９０６と、学習エージェント２９３２とを含むことができる。入力データセクション２９０６は、栄養情報を伴う食品アイテムの説明を備える、少なくとも１つのデータセット２９０６－０と、そのような食品アイテム、類似食品アイテム、または異なる食品アイテムに関する血糖データを備える、少なくとも別のデータセット２９０６－１とを含むことができる。血糖データは、血糖指数（ＧＩ）および／または血糖負荷（ＧＬ）を含むことができる。データセット２９０６－０および２９０６－１は、同一または異なる食品アイテムを含むことができる。
【0280】
埋め込みセクション２９１８は、栄養情報を伴う食品アイテムの単語の説明および血糖値を伴う食品アイテムの単語の説明を、高次元ベクトル空間内の実数のベクトルにマッピングすることができる。埋め込みセクション２９１８は、例えば、教師なし学習アルゴリズム（例えば、クラスタリングもしくは次元縮小アルゴリズム）またはニューラルネットワークモデルを使用することによって、そうすることができる。そのような教師なし学習アルゴリズムの実施例は、バッグオブワードモデルおよびｎ－グラムモデルである。そのようなニューラルネットワークの実施例は、ディープニューラルネットワーク、オートエンコーダ、または同等物である。
【0281】
２つのベクトルの間の距離は、２つのベクトルによって表される食品アイテムの説明の類似性を表し得る。そのような距離は、血糖値が別様に把握されていない食品アイテムの血糖値、または栄養情報が別様に把握されていない食品アイテムの栄養情報を推論するために使用されることができる。ある場合には、特定の食品アイテムに関する栄養情報および血糖値は両方とも、把握され得、推論される必要がない。本開示では埋め込みと称され得る、実数のベクトルは、教師あり学習エージェント２９３２によって訓練データ２９０６－２として使用されることができる。そのような埋め込みのための標識は、推論された、または既知の血糖値であり得る。学習エージェント２９３２は、ニューラルネットワーク２９２０Ａを訓練し、栄養素データからＧＩまたはＧＬ値を推論することができる。結果として生じる訓練されたニューラルネットワーク２９２０Ｂは、入力として栄養成分表を有し、血糖値を推論することができる。
【0282】
図３０は、ある実施形態による、モデル生成システムおよび方法３０００のブロック図である。システム／方法３０００は、初期モデル生成セクション３０３６と、データ値を予測するためのモデル３０４２を生成し得る、モデル修正セクション３０３８とを含むことができる。システム／方法３０００は、４つの異なる時系列データセット、すなわち、Ａ、Ｂ、Ｃ、およびＤに基づいて、モデルを生成することができる。データセットＡおよびＢは、訓練データセット３０３４－０に関連し得、データセットＣおよびＤは、訓練データセット３０３４－１に関連し得る。
いくつかの実施形態では、任意または全てのそのようなデータセットは、１つ以上の生物物理学的センサによって発生される時系列データであり得る。いくつかの実施形態では、データセットＡおよびＢのみのためのデータは、満足できる予測モデルを生成するために十分ではない場合がある。多くの可能性として考えられる実施例のうちの１つのみとして、データセットＡおよびＢのいずれか一方または両方は、データが不完全である、もしくは別様に誤っている、ギャップを有し得る。
いくつかの実施形態では、任意または全てのそのようなデータセットは、１つ以上の生物物理学的センサによって発生される時系列データであり得る。いくつかの実施形態では、データセットＡおよびＢのみのためのデータは、満足できる予測モデルを生成するために十分ではない場合がある。多くの可能性として考えられる実施例のうちの１つのみとして、データセットＡおよびＢのいずれか一方または両方は、データが不完全である、もしくは別様に誤っている、ギャップを有し得る。
【0283】
初期モデル生成セクション３０３６は、データセットＡおよびＢを伴う初期モデル（Ｇ０）を生成することができる。特に、訓練データのＭ個のセットを使用して、モデルが、値Ａを与えられる値Ｂを予測するように訓練されることができる。いくつかの実施形態では、そのようなアクションは、ニューラルネットワークモデルの教師あり訓練を含むことができる。
【0284】
モデル修正セクション３０３８は、初期モデルを使用し、異なるデータセットを使用する別のモデルを生成することができる。示される実施形態では、これは、ベースラインとして初期モデルＧ０を使用することと、データセットＣおよびＤを用いてモデルＧ０を再訓練または訓練し続け、新しいモデル３０３８－０を生成することとを含むことができる。これは、ＣおよびＤのＮ－１データセットを使用し、新しいモデル（Ｇ）を訓練し、値Ｃを与えられる値Ｄに到達または接近することを含むことができる。いくつかの実施形態では、そのようなアクションは、ニューラルネットワークモデルの教師あり訓練を含むことができる。モデル修正セクション３０３８はさらに、異なる訓練セット３０３８－１からの新しいモデルＧデータ値を試験することができる。示される実施形態では、そのようなアクションは、ＡおよびＣのＮ＋Ｍデータセット上でモデルを試験することを含むことができる。そのような試験は、セクション３０３８－０および３０３８－１を用いて収束まで反復することを含むことができる。反復および収束を通して、最良モデル（例えば、最低エラーモデル）が、３０４２において到達されることができる。
【0285】
時系列入力データセットＡ’３００６は、予測されるデータセットＢ（３０４４）に到達するように、最良モデル３０４２に適用されることができる。いくつかの実施形態では、入力データセットＡ’３００６は、対象のセンサデータであり得、予測されるデータセットＢは、対象に関する予測される生物物理学的応答であり得る。
【0286】
本明細書に説明されるようなシステムは、異なるデータセットタイプを使用するモデルを生成するために利用されることができるが、いくつかの実施形態では、モデルは、異なるモダリティタイプのセンサからの訓練データを使用して、１つのモダリティタイプのセンサに関して時系列データを予測することができる。そのような実施形態は、図３１に示される。
【0287】
図３１は、ある実施形態による、モデル生成システムおよび方法３１００のブロック図を示す。システム／方法３１００は、モダリティＡの時系列センサデータからモダリティＢの時系列センサデータを予測することができる。異なるモダリティの時系列センサデータは、異なるセンサタイプを用いて入手されるセンサデータおよび／または異なる手順を使用して入手されるセンサデータであり得る。
【0288】
方法／システム３１００は、初期ＭＬモデルセクション３１３６と、ＭＬモデル修正セクション３１３８とを含むことができる。そのようなセクションは、異なるモダリティＡ、Ｂ、Ｃ、およびＤの訓練時系列センサデータセットを使用し、モダリティＡのセンサデータセットからモダリティＢのセンサデータセットを予測するためのモデルを生成することができる。初期ＭＬモデルセクション３１３６は、モダリティＢ３１３４－０およびモダリティＡ３１３４－１の訓練時系列センサデータを受信することができる。モデル（Ｇ０）は、モダリティＡからモダリティＢを予測するように、データのＭ個のセット上で訓練されることができる。いくつかの実施形態では、訓練データセットＡおよびＢは、所望の結果のための十分な正確度のモデルの生成を確実にするために十分ではない。結果として生じるモデル（Ｇ０）が、ベースラインモデル３１３６－１として使用されることができる。
【0289】
ＭＬモデル修正セクション３１３８内で、逆モデル「／Ｇ」と称される、モデルＧ０の逆が、異なるモダリティデータからモダリティＡに類似する時系列データ３１３８－０を推定するために、使用されることができる。示される実施形態では、モダリティＣおよびＤの時系列データの混合物３１３４－２が、逆モデル／Ｇ上で使用されることができる。逆モデル／Ｇを用いて発生される類似モダリティＡデータ３１３８－１およびモダリティＣの時系列データ３１３４－３を使用して、逆モデル／Ｇは、線形フィッティングパラメータ３１３８－２を推定し、モダリティＣデータ３１３４－３から類似モダリティＡデータを発生させるように、訓練されることができる。推定された線形フィットパラメータを使用して、モダリティＣデータ３１３８－５にマッピングされる類似モダリティＡデータが、発生されることができる。
【0290】
モデルＧ（その／Ｇが逆である）が、次いで、混合モダリティＣおよびＤ３１３４－２の時系列ならびに類似モダリティＡデータ３１３８－５を使用して、訓練されることができる。特に、モデルＧは、３１３８－４からの類似モダリティＡデータから、混合モダリティＣおよびＤの時系列を発生させるように訓練されることができる。
【0291】
エラーが、Ｍ＋Ｎデータセット上のモデルＧに関して計算されることができ、そのようなエラーに基づいて、モデルＧが、更新されることができる３１３８－６。更新されたモデルに基づいて、方法／システムは、３１３８－０に戻り、改正された逆モデル／Ｇを発生させることができる。そのようなプロセスは、最小エラーのモデルが発生される３１４２まで、反復３１４６し続けることができる。
【0292】
モダリティＡの時系列センサデータ３１０６が、モダリティＢの時系列センサデータ３１４４を発生させるように、最小エラーモデルＧ３１４２に適用されることができる。
【0293】
いくつかの実施形態では、２つ以上の時系列センサデータは、グルコースレベルを発生させる、異なるタイプのグルコース計を含むことができる。
【0294】
実施形態は、時系列データをモデル化および予測するためのシステムならびに方法を含むことができるが、実施形態はまた、経時的にエラーを受け得る時系列データセットを補正するためのシステムおよび方法を含むこともできる。
【0295】
図３２は、ある実施形態による、時系列データを補正するためのシステム３２００のブロック図である。システム３２００は、正しい（または補正された）時系列データ３２４８－０、および固有または導入されたエラーを有し得る、未加工時系列データ３２４８－１を訓練することによって、補正モデルを生成し得る、モデルセクション３２５２を含むことができる。
【0296】
モデルセクション３２５２は、較正モデル３２５２－１を訓練し、時系列センサ未加工データ３２０８－０から補正または較正された時系列データ３２５４を発生させることができる。モデルは、未加工（３２４８－１）および補正された（３２４８－０）時系列データの訓練セット上で訓練されることができる。未加工時系列データ３２４８－１の訓練セットは、入力として、訓練されていないまたは部分的に訓練された較正モデル３２５２－１に提供されることができ、補正された時系列データ３２４８－０の訓練セットは、標識としての役割を果たすことができる。訓練されていないまたは部分的に訓練された較正モデル３２５２－１によって生成される出力は、標識と比較されることができ、「エラー」または「損失」と称され得る、差異に基づいて、較正モデル３２５２－１のパラメータが、更新されることができる。本プロセスは、エラーまたは損失が一貫して小さくなるまで繰り返されることができる。ある場合には、較正モデル３２５２－１は、深層学習ニューラルネットワークであり得る。
【0297】
訓練された較正モデル３２５２－１は、次いで、時系列データを較正し、エラーを補償するように展開されることができる。特に、時系列センサ未加工データ３２０８－０が、較正された時系列データ３２５４を発生させるようにモデルに適用されることができる。いくつかの実施形態では、そのようなアクションは、ニューラルネットワークベースの較正モデル上の推論動作において入力データとして時系列センサ未加工データ３２０８－０を適用することを含むことができる。
【0298】
本明細書に説明されるようなシステムおよび方法は、時系列データの任意の好適なセットを補正するために利用されることができるが、いくつかの実施形態では、システムおよび方法は、グルコース計によって発生されるグルコースレベルデータのドリフトを補正することができる。そのような実施形態は、図８Ａ－８Ｃに示される。
【0299】
図３３Ａは、ある実施形態による、未加工時系列グルコースデータを較正するためのシステム３３００のブロック図である。システム３３００は、補正された時系列グルコースデータ３３４８－０および未加工時系列グルコースデータ３３４８－１のセットを用いて訓練することによって、モデルを作成するためのモデルセクション３３５２を含むことができる。いくつかの実施形態では、未加工時系列グルコースデータ３３４８－１は、経時的にドリフトし得るグルコース計によって、発生されることができる。そのようなドリフトは、動的エラーをセンサ読取値に導入し得る、グルコース計におけるヒステリシス効果から生じ得る。補正された時系列グルコースデータは、正当性が立証されたデータであり得るため、正確であることが把握されている。
【0300】
モデルセクション３３５２は、補正された時系列グルコースデータ３３４８－０および未加工時系列グルコースデータ３３４８－１の訓練セットを用いて統計的ＭＬモデルを訓練し、時変ドリフト解消パラメータ３３５２－０を推論することができる。随意に、モデルセクション３３５２は、ドメイン特有エンジニアリング３３５６を含むことができる。しかしながら、他の実施形態は、自動特徴抽出を含むことができる。３３５２－０において導出されるパラメータは、ドリフト解消モデル３３５２－１を生成するために使用されることができる。
【0301】
ドリフト解消モデル３３５２－１は、次いで、未加工時系列グルコースデータ３３０８－０から時系列グルコースデータ３３５４を較正するように展開されることができる。特定の実施形態では、未加工時系列グルコースデータ３３０８－０は、推論動作において入力データとしてドリフト解消モデル３３５２－１に適用されることができる。
【0302】
図３３Ｂは、訓練されたドリフト解消モデル３３５２－１に適用され得る、未加工時系列グルコースデータ３３０８－０を示す。図３３Ｃは、未加工時系列グルコースデータ３３０８－０上の訓練されたドリフト解消モデル３３５２－１の動作によって発生される、対応する較正された時系列グルコースデータ３３５４を示す。
【0303】
実施形態は、固有エラーを考慮するように時系列データを較正し得る、システムおよび方法を含むことができるが、実施形態はまた、データセットを編成し、懸念される事象に関してそのようなデータセットの識別／検索を可能にするためのシステムおよび方法を含むこともできる。
【0304】
図３４は、ある実施形態による、データセットを編成するためのシステムおよび方法３４００のブロック図である。システム３４００は、動作セクション３４５８と、データセットソース３４６０とを含むことができ、複数のデータセットを横断して事象を抽出することができる。データセットソース３４６０は、順序付けられたインデックス化とともにいくつかのデータセットを記憶するように構成される、データ記憶システムを含むことができる。いくつかの実施形態では、データセットは、順序付けられたインデックスに従って生じる事象を表すことができる。いくつかの実施形態では、データセットは、表形式データセットであり得る。
【0305】
動作セクション３４５８は、データセットにアクセスし、インターバル木状構造およびメタデータを用いてデータ構造を構築することができる３４５８－０。いくつかの実施形態では、そのようなアクションは、木状構造を順序付けられたインデックス化に基づかせ、インデックス化された場所に対応するデータ値への高速アクセスおよびデータ値の評価を可能にすることを含むことができる。メタデータは、特定のデータセットに関する情報を提供する、および／または特定のデータセットを他のデータセットに関連させることができる。動作セクション３４５８はまた、データ構造に関して任意の欠落したインターバルを見出し、欠落したインターバルに関するデータを補定し３４５８－１、（順序付けに対して）完全に投入されたデータ構造を形成することができる。
【0306】
インターバル木状データ構造の形成により、動作セクション３４５８は、複数のデータ構造３４５８－２の合間に動作を実行することができる。いくつかの実施形態では、そのような動作は、限定ではないが、データ構造の間で選択すること、複数のデータ構造にわたって特定のインターバルを検索すること、データ構造の部分を組み合わせること、またはデータ構造の部分をマージすることを含むことができる。補定値（３４５８－１）または動作結果（３４５８－２）を有するデータ構造から、データ構造は、表形式データフォーマット３４５８－３に変換されることができる。そのような表形式データフォーマット３４５８－３は、インデックス化された順序におけるデータセット３４６２を横断する事象の表現であり得る。
【0307】
本明細書に説明されるようなシステムは、任意の好適なデータセットを編成するために利用されることができるが、いくつかの実施形態では、システムおよび方法は、時系列データを編成し、選択された時間間隔にわたる懸念される事象を表す、表形式データセットの発生を可能にすることができる。
【0308】
図３５は、別の実施形態による、表形式形態でデータセットを表すためのシステムおよび方法３５００のブロック図である。システム３５００は、時間および／または日付列３５６０を伴う表形式データセットを記憶する、記憶システムにアクセスすることができる。いくつかの実施形態では、１つ以上のそのようなデータセットは、対象の生物物理学的センサ読取値であり得る。
【0309】
動作セクション３５５８は、データセット３５６０のデータ値を編成し、データセットのデータ値の高速検索およびアクセスを可能にすることができる。動作セクション３５５８は、時間列および所望のサンプルレートを使用して、インターバル木を含むデータ構造を生成することができる３５５８－０。いくつかの実施形態では、そのようなデータ構造は、データフレームとして含有されることができる。データカプセル化およびオリジナルデータセットからの継承が、（例えば、データセットのメタデータを伴って）維持されることができる。
【0310】
いったんデータ構造が生成されると、いずれのデータ構造も所望の範囲の時／日付点を含まない場合において、動作セクション３５５８が、そのような時点を自動的に生成することができる。いくつかの実施形態では、欠落した時点は、サンプリングレートに基づくことができるが、しかしながら、任意の他の好適な基準も、使用されることができる（例えば、全てのデータセットに同一または同等の時／日付点を有することを強制する）。２つのクラス要素、すなわち、時／日付点が欠落したそれらのデータ構造に関する無効、および全ての所望の時／日付点を有するそれらのデータ構造に関する有効が、生成されることができる。無効データ構造に関して、データ値が、欠落した時／日付点に関して補定されることができる３５５８－４。
【0311】
動作セクション３５５８は、限定ではないが、別のインターバルにクエリを行うこと、時間範囲にクエリを行うこと、合併のような動作、および重複インターバルをマージすることを含む、種々のアクセス可能要素関数３５５８－２のうちのいずれかを可能にすることができる。
【0312】
生成されたデータ構造から、動作セクション３５５８は、データフレームを生成することができる３５５８－３。データフレームから、データセットを横断する懸念される事象が、時間間隔列３５６２を伴う表形式フォーマットで表されることができる。
【0313】
図３６Ａ－３６Ｅは、ある実施形態による、データ動作を示す。データ動作は、一例として提供され、限定的と解釈されるべきではないことを理解されたい。
【0314】
図３６Ａは、有効データ構造３６６４を示す。データ構造３６６４は、２４サンプリング時間周期に対応するインターバル木を含むことができる。データ構造３６６４は、各時間周期に対応するデータ値データ１を有する、表形式データセットから生成されることができる。図３６Ｂは、無効データ構造３６６６を示す。データ構造３６６６は、サンプリング時間周期に関する欠落したデータであり得る。データ構造３６６６は、全てではないがいくつかの時間周期に関するデータ値データ２を有する、表形式データセットから生成されることができる。結果として、欠落した時間周期（鎖線によって示される）が存在する。
【0315】
図３６Ｃは、図３６Ｂに示されるデータ構造３６６６から生成される、統合データ構造３６６６’を示す。欠落したデータ２インターバルが、生成されている。加えて、欠落したインターバルに関するデータ値が、補定されている。図３６Ｄは、データ値データ３から成る別のデータセットに関して生成される、別の統合データ構造３６６８を示す。
【0316】
【0317】
（コンピュータシステム）
本開示は、本開示の方法を実装するようにプログラムされる、コンピュータシステムを提供する。図３７は、本明細書に説明される機械学習モデルおよび方法を実装するようにプログラムまたは別様に構成される、コンピュータシステム３７０１を示す。コンピュータシステム３７０１は、ユーザの電子デバイスまたは電子デバイスに対して遠隔で位置するコンピュータシステムであり得る。電子デバイスは、モバイル電子デバイスであり得る。
本開示は、本開示の方法を実装するようにプログラムされる、コンピュータシステムを提供する。図３７は、本明細書に説明される機械学習モデルおよび方法を実装するようにプログラムまたは別様に構成される、コンピュータシステム３７０１を示す。コンピュータシステム３７０１は、ユーザの電子デバイスまたは電子デバイスに対して遠隔で位置するコンピュータシステムであり得る。電子デバイスは、モバイル電子デバイスであり得る。
【0318】
コンピュータシステム３７０１は、シングルコアまたはマルチコアプロセッサ、もしくは並列処理のための複数のプロセッサであり得る、中央処理ユニット（ＣＰＵ、また、本明細書では、「プロセッサ」および「コンピュータプロセッサ」）３７０５を含む。コンピュータシステム３７０１はまた、メモリまたはメモリ場所３７１０（例えば、ランダムアクセスメモリ、読取専用メモリ、フラッシュメモリ）と、電子記憶ユニット３７１５（例えば、ハードディスク）と、１つ以上の他のシステムと通信するための通信インターフェース３７２０（例えば、ネットワークアダプタ）と、キャッシュ、他のメモリ、データ記憶装置、および／または電子ディスプレイアダプタ等の周辺デバイス３７２５とを含む。メモリ３７１０、記憶ユニット３７１５、インターフェース３７２０、および周辺デバイス３７２５は、マザーボード等の通信バス（実線）を通してＣＰＵ３７０５と通信する。記憶ユニット３７１５は、データを記憶するためのデータ記憶ユニット（またはデータリポジトリ）であり得る。コンピュータシステム３７０１は、通信インターフェース３７２０を用いてコンピュータネットワーク（「ネットワーク」）３７３０に動作的に結合されることができる。ネットワーク３７３０は、インターネット、イントラネットおよび／またはエクストラネット、もしくはインターネットと通信するイントラネットおよび／またはエクストラネットであり得る。ネットワーク３７３０は、ある場合には、電気通信および／またはデータネットワークである。ネットワーク３７３０は、クラウドコンピューティング等の分散コンピューティングを可能にし得る、１つ以上のコンピュータサーバを含むことができる。ネットワーク３７３０は、ある場合には、コンピュータシステム３７０１を用いて、コンピュータシステム３７０１に結合されるデバイスが、クライアントまたはサーバとして挙動することを可能にし得る、ピアツーピアネットワークを実装することができる。
【0319】
ＣＰＵ３７０５は、プログラムまたはソフトウェアで具現化され得る、機械可読命令のシーケンスを実行することができる。命令は、メモリ３７１０等のメモリ場所内に記憶されてもよい。命令は、ＣＰＵ３７０５にダイレクトされることができ、これは、続けて、本開示の方法を実装するようにＣＰＵ３７０５をプログラムまたは別様に構成することができる。ＣＰＵ３７０５によって実施される動作の実施例は、フェッチ、デコード、実行、およびライトバックを含むことができる。
【0320】
ＣＰＵ３７０５は、集積回路等の回路の一部であり得る。システム３７０１の１つ以上の他のコンポーネントが、回路内に含まれることができる。ある場合には、回路は、特定用途向け集積回路（ＡＳＩＣ）である。
【0321】
記憶ユニット３７１５は、ドライバ、ライブラリ、および保存されたプログラム等のファイルを記憶することができる。記憶ユニット３７１５は、ユーザデータ、例えば、ユーザ選好およびユーザプログラムを記憶することができる。コンピュータシステム３７０１は、ある場合には、イントラネットまたはインターネットを通してコンピュータシステム３７０１と通信する遠隔サーバ上に位置する等、コンピュータシステム３７０１の外部にある１つ以上の付加的データ記憶ユニットを含むことができる。
【0322】
コンピュータシステム３７０１は、ネットワーク３７３０を通して１つ以上の遠隔コンピュータシステムと通信することができる。例えば、コンピュータシステム３７０１は、ユーザの遠隔コンピュータシステム（例えば、本明細書に説明される推奨アプリケーションのうちの１つを起動するように構成されるモバイルデバイス）と通信することができる。遠隔コンピュータシステムの実施例は、パーソナルコンピュータ（例えば、ポータブルＰＣ）、スレートまたはタブレットＰＣ（例えば、Ａｐｐｌｅ（登録商標） ｉＰａｄ（登録商標）、Ｓａｍｓｕｎｇ（登録商標） Ｇａｌａｘｙ Ｔａｂ）、電話、スマートフォン（例えば、Ａｐｐｌｅ（登録商標） ｉＰｈｏｎｅ（登録商標）、Ａｎｄｒｏｉｄ対応デバイス、Ｂｌａｃｋｂｅｒｒｙ（登録商標））、もしくは携帯情報端末を含む。ユーザは、ネットワーク３７３０を介してコンピュータシステム３７０１にアクセスすることができる。
【0323】
本明細書に説明されるような方法は、例えば、メモリ３７１０または電子記憶ユニット３７１５上等、コンピュータシステム３７０１の電子記憶場所上に記憶される機械（例えば、コンピュータプロセッサ）実行可能コードを用いて実装されることができる。機械実行可能または機械可読コードは、ソフトウェアの形態において提供されることができる。使用の間、コードは、プロセッサ３７０５によって実行されることができる。ある場合には、コードは、記憶ユニット３７１５から読み出され、プロセッサ３７０５による迅速なアクセスのためにメモリ３７１０上に記憶されることができる。いくつかの状況では、電子記憶ユニット３７１５は、除外されることができ、機械実行可能命令は、メモリ３７１０上に記憶される。
【0324】
コードは、事前コンパイルされ、コードを実行するように適合されるプロセッサを有する機械との併用のために構成されることができる、またはランタイムの間にコンパイルされることができる。コードは、コードが事前コンパイルまたはアズコンパイルされた方式で実行されることを可能にするように選択され得る、プログラミング言語で供給されることができる。
【0325】
コンピュータシステム３７０１等の本明細書に提供されるシステムおよび方法の側面は、プログラミングにおいて具現化されることができる。本技術の種々の側面は、典型的には、あるタイプの機械可読媒体上で搬送される、またはそれにおいて具現化される機械（またはプロセッサ）実行可能コードならびに／もしくは関連付けられるデータの形態における「製品」または「製造品」と考えられ得る。機械実行可能コードは、メモリ（例えば、読取専用メモリ、ランダムアクセスメモリ、フラッシュメモリ）またはハードディスク等の電子記憶ユニット上に記憶されることができる。「記憶」タイプ媒体は、ソフトウェアプログラミングのために任意の時点で非一過性記憶を提供し得る、コンピュータ、プロセッサ、または同等物の有形メモリ、もしくは種々の半導体メモリ、テープドライブ、ディスクドライブ、および同等物等のその関連付けられるモジュールのうちのいずれかまたは全てを含むことができる。ソフトウェアの全てまたは一部は、随時、インターネットもしくは種々の他の電気通信ネットワークを通して通信されてもよい。そのような通信は、例えば、１つのコンピュータまたはプロセッサから別のものへの、例えば、管理サーバまたはホストコンピュータからアプリケーションサーバのコンピュータプラットフォームへのソフトウェアのロードを可能にし得る。したがって、ソフトウェア要素を搭載し得る別のタイプの媒体は、ローカルデバイスの間の物理的インターフェースを横断して、有線および光学固定ネットワークを通して、ならびに種々のエアリンクを経由して使用される等、光学、電気、および電磁波を含む。有線または無線リンク、光学リンク、もしくは同等物等のそのような波を搬送する物理的要素はまた、ソフトウェアを搭載する媒体と見なされてもよい。本明細書に使用されるように、非一過性有形「記憶」媒体に制限されない限り、コンピュータまたは機械「可読媒体」等の用語は、実行のためにプロセッサに命令を提供することに関与する任意の媒体を指す。
【0326】
したがって、コンピュータ実行可能コード等の機械可読媒体は、限定ではないが、有形記憶媒体、搬送波媒体、または物理的伝送媒体を含む、多くの形態をとってもよい。不揮発性記憶媒体は、例えば、図面に示されるデータベース等を実装するために使用され得る等、任意のコンピュータまたは同等物内の記憶デバイスのうちのいずれか等の光学もしくは磁気ディスクを含む。揮発性記憶媒体は、そのようなコンピュータプラットフォームの主要メモリ等のダイナミックメモリを含む。有形伝送媒体は、同軸ケーブル、すなわち、コンピュータシステム内のバスを備えるワイヤを含む、銅ワイヤおよび光ファイバを含む。搬送波伝送媒体は、電気または電磁信号、もしくは無線周波数（ＲＦ）および赤外線（ＩＲ）データ通信の間に発生されるもの等の音響または光波の形態をとってもよい。コンピュータ可読媒体の一般的な形態は、したがって、例えば、フロッピーディスク、フレキシブルディスク、ハードディスク、磁気テープ、任意の他の磁気媒体、ＣＤ－ＲＯＭ、ＤＶＤまたはＤＶＤ－ＲＯＭ、任意の他の光学媒体、パンチカード、紙テープ、孔のパターンを伴う任意の他の物理的記憶媒体、ＲＡＭ、ＲＯＭ、ＰＲＯＭおよびＥＰＲＯＭ、ＦＬＡＳＨ（登録商標）－ＥＰＲＯＭ、任意の他のメモリチップまたはカートリッジ、データまたは命令を転送する搬送波、そのような搬送波を転送するケーブルまたはリンク、もしくはそれからコンピュータがプログラミングコードおよび／またはデータを読み取り得る任意の他の媒体を含む。コンピュータ可読媒体のこれらの形態のうちの多くは、１つ以上の命令の１つ以上のシーケンスを実行のためにプロセッサに搬送することに関与してもよい。
【0327】
コンピュータシステム３７０１は、例えば、対象が血糖レベルを改変または維持することを支援し得る、推奨（例えば、食事もしくは身体活動推奨）を対象に提供するためのユーザインターフェース（ＵＩ）３７４０を備える電子ディスプレイ３７３５を含む、またはそれと通信することができる。ＵＩの実施例は、限定ではないが、グラフィカルユーザインターフェース（ＧＵＩ）およびウェブベースのユーザインターフェースを含む。
【0328】
本開示の方法およびシステムは、１つ以上のアルゴリズムを用いて実装されることができる。アルゴリズムは、中央処理ユニット３７０５による実行に応じて、ソフトウェアを用いて実装されることができる。アルゴリズムは、例えば、本明細書に説明される機械学習アルゴリズムまたはモデルのうちのいずれかであり得る。
【0329】
本発明の好ましい実施形態が、本明細書に示され、説明されているが、そのような実施形態は、実施例としてのみ提供されることが当業者に明白であろう。本発明は、本明細書内に提供される具体的実施例によって限定されることを意図していない。本発明は、前述の本明細書を参照して説明されているが、本明細書の実施形態の説明および例証は、限定的意味で解釈されることを意味していない。多数の変形例、変更、および代用が、ここで、本発明から逸脱することなく、当業者に想起されるであろう。さらに、本発明の全ての側面は、種々の条件および変数に依存する、本明細書に記載される具体的描写、構成、または相対的割合に限定されないことを理解されたい。本明細書に説明される本発明の実施形態の種々の代替が、本発明を実践する際に採用され得ることを理解されたい。したがって、本発明はまた、任意のそのような代替、修正、変形例、または均等物を網羅することとすることが想定される。以下の請求項は、本発明の範囲を定義し、これらの請求項の範囲内の方法および構造ならびにその均等物が、それによって網羅されることを意図している。
【図1】
【図2】
【図3】
【図4A】
【図4B】
【図4C】
【図4D】
【図4E】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12A】
【図12B】
【図12C】
【図12D】
【図13】
【図14】
【図15】
【図16A】
【図16B】
【図16C】
【図17A】
【図17B】
【図17C】
【図17D】
【図17E】
【図17F】
【図18A】
【図18B】
【図19A】
【図19B】
【図19C】
【図20A】
【図20B】
【図20C】
【図20D】
【図21A】
【図21B】
【図22A】
【図22B】
【図23A】
【図23B】
【図24A】
【図24B】
【図24C】
【図25A】
【図25B】
【図26】
【図27】
【図28】
【図29】
【図30】
【図31】
【図32】
【図33A】
【図33B】
【図33C】
【図34】
【図35】
【図36A】
【図36B】
【図36C】
【図36D】
【図36E】
【図37】