特表 2023-531352 パーソナルケアデバイスのための機械学習

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公表特許公報(A)

(11)【公表番号】

(43)【公表日】2023-07-24

(54)【発明の名称】パーソナルケアデバイスのための機械学習

(51)【国際特許分類】

   G06Q 10/20 20230101AFI20230714BHJP

   G06Q 30/016 20230101ALI20230714BHJP

【ＦＩ】

G06Q10/20

G06Q30/016

【審査請求】未請求

【予備審査請求】未請求

(21)【出願番号】P 2022558092

(86)(22)【出願日】2021-06-24

(85)【翻訳文提出日】2022-09-26

(86)【国際出願番号】 US2021038856

(87)【国際公開番号】W WO2021262955

(87)【国際公開日】2021-12-30

(31)【優先権主張番号】63/043,451

(32)【優先日】2020-06-24

(33)【優先権主張国・地域又は機関】US

(81)【指定国・地域】

(71)【出願人】

【識別番号】315017030

【氏名又は名称】エッジウェル パーソナル ケア ブランズ リミテッド ライアビリティ カンパニー

【氏名又は名称原語表記】Ｅｄｇｅｗｅｌｌ Ｐｅｒｓｏｎａｌ Ｃａｒｅ Ｂｒａｎｄｓ， ＬＬＣ

【住所又は居所原語表記】１３５０ Ｔｉｍｂｅｒｌａｋｅ Ｍａｎｏｒ Ｐａｒｋｗａｙ， Ｃｈｅｓｔｅｒｆｉｅｌｄ， ＭＯ ６３０１７ Ｕ．Ｓ．Ａ．

(74)【代理人】

【識別番号】100094569

【弁理士】

【氏名又は名称】田中 伸一郎

(74)【代理人】

【識別番号】100103610

【弁理士】

【氏名又は名称】▲吉▼田 和彦

(74)【代理人】

【識別番号】100109070

【弁理士】

【氏名又は名称】須田 洋之

(74)【代理人】

【識別番号】100067013

【弁理士】

【氏名又は名称】大塚 文昭

(74)【代理人】

【識別番号】100086771

【弁理士】

【氏名又は名称】西島 孝喜

(74)【代理人】

【識別番号】100109335

【弁理士】

【氏名又は名称】上杉 浩

(74)【代理人】

【識別番号】100120525

【弁理士】

【氏名又は名称】近藤 直樹

(74)【代理人】

【識別番号】100139712

【弁理士】

【氏名又は名称】那須 威夫

(74)【代理人】

【識別番号】100228337

【弁理士】

【氏名又は名称】大橋 綾

(72)【発明者】

【氏名】ブラッター アラン

(72)【発明者】

【氏名】チェーセン ジェームズ

(72)【発明者】

【氏名】スウィーニー グレゴリー

(72)【発明者】

【氏名】グリフィン エイヴリー

【テーマコード（参考）】

5L049

【Ｆターム（参考）】

5L049BB05

5L049CC15

(57)【要約】

パーソナルケアデバイスに関連するフィードバックを提供するために機械学習を適用するシステム、デバイス、及び方法が記載される。システム、デバイス、及び方法の実施形態は、カミソリ上に複数のセンサを含むカミソリなどのデバイスからのデータを識別し、複数のセンサからのデータを使用してトレーニングされた機械学習モデルを使用して、データに基づいてシェービング特徴などの１又は２以上の特徴を予測し、シェービング特徴などの１又は２以上の特徴に基づくシェービングフィードバックを提供することができる。システム、デバイス、及び方法の実施形態は、機械学習モデルをトレーニングし、トレーニングされた機械学習モデルを実行し、機械学習モデルのためのデータを取り込み及び／又は処理し、トレーニングされた機械学習モデルの出力に基づくフィードバックを提供し、又はこれらの組み合わせを実施することができる。
【選択図】 図１

【特許請求の範囲】

【請求項1】

システムであって、
複数のセンサを含むパーソナルケアデバイスと、
前記複数のセンサに結合されたプロセッサであって、前記プロセッサは、前記複数のセンサからのデータに基づいて前記パーソナルケアデバイスに関連する使用特徴を予測するようにトレーニングされている機械学習モデルを実行するように構成された、プロセッサと、を備える、システム。

【請求項2】

前記複数のセンサは、前記パーソナルケアデバイスの慣性測定ユニット（ＩＭＵ）上に配置された加速度計及びジャイロスコープを含む、請求項１に記載のシステム。

【請求項3】

磁力計からのデータが、トレーニングされる機械学習モデル又はトレーニングされている機械学習モデルのうちの１又は２以上に到達することを防止するフィルタを更に備える、請求項２に記載のシステム。

【請求項4】

前記プロセッサは、前記ＩＭＵ上に配置され、前記ＩＭＵ上の接続部を介して前記加速度計及び前記ジャイロスコープに物理的に結合される、請求項２に記載のシステム。

【請求項5】

前記プロセッサは、前記パーソナルケアデバイスのコントローラ上に配置され、前記コントローラと前記ＩＭＵとの間の接続部を介して前記複数のセンサに物理的に結合される、請求項２に記載のシステム。

【請求項6】

前記プロセッサは、前記パーソナルケアデバイスに近接するハブ上に配置され、前記ハブと前記パーソナルケアデバイスとの間の接続部を介して前記複数のセンサに通信可能に結合される、請求項１に記載のシステム。

【請求項7】

前記プロセッサは、前記パーソナルケアデバイス又は前記パーソナルケアデバイスに近接するハブのうちの１又は２以上に通信可能に結合されたサーバ上に配置され、前記プロセッサは、前記サーバと前記パーソナルケアデバイス又は前記ハブのうちの１又は２以上との間の接続部を介して前記複数のセンサに通信可能に結合される、請求項１に記載のシステム。

【請求項8】

前記パーソナルケアデバイスは、短距離無線接続部を介して前記複数のセンサからのデータを前記ハブに提供し、前記ハブは、長距離接続部を介してクラウドコンピュータネットワークに配置された前記サーバに前記データを提供するようになっている、請求項７に記載のシステム。

【請求項9】

前記機械学習モデルは、トレーニングされているスタック型長・短期記憶再帰型ニューラルネットワーク（ＬＳＴＭ－ＲＮＮ）である、請求項１に記載のシステム。

【請求項10】

前記使用特徴は、前記パーソナルケアデバイスによって加えられた力、前記パーソナルケアデバイスによって移動した距離、前記パーソナルケアデバイスによって行われた作業、又はこれらの組み合わせを含む、請求項１に記載のシステム。

【請求項11】

前記プロセッサは、
トレーニングされる機械学習モデルに入力された加速度計データ及びジャイロスコープデータのみに基づいて、前記パーソナルケアデバイスに関連する第１の使用特徴を予測する第１の機械学習モデルであって、前記第１の使用特徴が力を含む、第１の機械学習モデル、
トレーニングされる機械学習モデルに入力される前記加速度計データ及び前記ジャイロスコープデータのみに基づいて、前記パーソナルケアデバイスに関連する第２の使用特徴を予測する第２の機械学習モデルであって、前記第２の使用特徴が移動距離を含む、第２の機械学習モデル、
又はトレーニングされる機械学習モデルに入力される加速度計データとジャイロスコープデータのみに基づいて、前記パーソナルケアデバイスに関連する第３の使用特徴を予測する第３の機械学習モデルであって、前記第３の使用特徴が、前記パーソナルケアデバイスによって行われる前記作業を含む、第３の機械学習モデルと、のうちの１又は２以上を実行するように構成される、請求項１０に記載のシステム。

【請求項12】

前記プロセッサは、前記使用特徴に基づいて、前記パーソナルケアデバイスに関連するストローク数、ストローク力、ストローク距離、リンスイベント、又は寿命終わりのうちの１又は２以上を予測するように構成される、請求項１に記載のシステム。

【請求項13】

プロセッサは、
前記使用特徴に基づいて前記ストローク数、前記ストローク力、前記ストローク距離、前記リンスイベント、又は前記寿命終わりのうちの１又は２以上を予測する関数を利用すること、
又は、前記使用特徴に基づいて前記ストローク数、前記ストローク力、前記ストローク距離、前記リンスイベント、又は前記寿命終わりのうちの１又は２以上を決定するようにトレーニングされた追加の機械学習モデルを実行すること、のうちの１又は２以上を行うように構成される、請求項１２に記載のシステム。

【請求項14】

前記パーソナルケアデバイスは、カミソリデバイスを含む、請求項１に記載のシステム。

【請求項15】

前記カミソリデバイスは、モノのインターネット（ＩｏＴ）デバイスに近接し且つ通信可能に結合される、請求項１４に記載のシステム。

【請求項16】

無線周波数インタフェース、メモリ、ストレージ、センサコントローラ、入力／出力デバイス、又はこれらの組み合わせを更に備える、請求項１に記載のシステム。

【請求項17】

前記プロセッサは、：
前記複数のセンサからの前記データに基づいて前記パーソナルケアデバイスに関連する前記使用特徴を予測するために前記機械学習モデルをトレーニングすること、
前記複数のセンサからデータを収集すること、又は
前記使用特徴に基づくフィードバックを提供すること、のうちの１又は２以上を行うように構成される、請求項１に記載のシステム。

【請求項18】

プロセッサによって実行されたときに、複数のセンサからのデータに基づいてパーソナルケアデバイスに関連する使用特徴を予測するようにトレーニングされている機械学習モデルを前記プロセッサに実行させる命令のセットを含む少なくとも１つのコンピュータ可読記憶媒体。

【請求項19】

複数のセンサからのデータに基づいてパーソナルケアデバイスに関連する使用特徴を予測するようにトレーニングされている機械学習モデルを実行することを含む方法。

【発明の詳細な説明】

【技術分野】

【0001】

（関連出願に対する相互参照）
本出願は、２０２０年６月２４日に出願された米国仮特許出願第６３／０４３，４５１号対する優先権を主張する、２０２１年６月２４日に出願された国際特許出願ＰＣＴ／ＵＳ２０２１／０３８８５６に対する優先権を主張し、これらの内容は、引用により全体として本明細書に組み込まれる。

【0002】

以下は、一般に、パーソナルケアに関し、より具体的には、パーソナルケアデバイスのための機械学習に関する。

【背景技術】

【0003】

多くの人が、パーソナルケア及び身だしなみのために様々な器具及びデバイスを使用している。このような何れかの器具又はデバイスの有効性は、それがどのように使用されるか、器具又はデバイスが十分な状態にあるか、或いは（その構成要素の何れか又は全ての）補修又は交換が必要であるかなどの要因に依存する。このため、かかる器具又はデバイスの有効寿命（又はその構成部品の少なくとも１又は２以上）が制限されている場合が多く、かかる有効寿命の終了間際にその有効性が低下する可能性がある。

【0004】

ユーザが、その有効寿命を超えて或いはその製品が一般に部品の交換又は改修を必要とした後で製品を使用し続ける限り、ユーザは、不満足な体験をし、潜在的に負傷する結果となる可能性がある。従って、このようなパーソナルケア及び身だしなみ製品の使用及び技術並びにこのような器具及び／又はデバイスのステータスに関するユーザフィードバックを得て提供するシステム及び方法に対する必要性が存在する。

【0005】

パーソナルケア及び身だしなみデバイス又は器具の非限定的な例として、カミソリがある。多くの人が、パーソナルケア及び身だしなみのためにカミソリを使用している。カミソリの有効性は、カミソリの使用方法、カミソリ刃が十分に鋭利であるかどうかなどの要因に依存することができる。すなわち、カミソリ刃の有効寿命には限度があり、有効寿命の終わり近くで、その有効性が低下する可能性がある。

【0006】

ユーザが適用するシェービング技術が不十分であった場合、又はカミソリが有効寿命の終わりに近づいている場合、ユーザは、劣悪なユーザ経験を有するか、又は自分自身を傷つけることさえ起こる可能性がある。従って、シェービング技術及びカミソリのステータスに関するユーザフィードバックの取得及び提供をするシステム及び方法に対する当該技術分野における要求が存在する。

【発明の概要】

【0007】

パーソナルケアデバイスは、カミソリ、トリマー、ダーマプレーニング器具、フェイシャルボディーブラシ及びスクラバー、ウォーターピック、歯清掃ツール、及び歯ブラシなど、身だしなみ又はクリーニングに用いられるものを含むことができる。パーソナルケアデバイスは、交換がパーソナルケアデバイスの全体であるか、パーソナルケアデバイスの構成要素であるかに関わらず、有効寿命を有するので交換を必要とするものを含むことができる。

【0008】

パーソナルケアデバイスの機械学習のための方法、装置、非一時的コンピュータ可読媒体、及びシステムが記載される。方法、装置、非一時的なコンピュータ可読媒体、及びシステムの実施形態は、パーソナルケアデバイス上に複数のセンサを含むパーソナルケアデバイスからのデータを識別し、複数のセンサからのデータを使用してトレーニングされた機械学習モデルを使用して、データに基づいて１又は２以上の使用特徴を予測し、１又は２以上の使用特徴に基づいてフィードバックを提供することができる。

【0009】

本装置は、プロセッサと、プロセッサと電子的に通信するメモリと、メモリに格納された命令とを含むことができる。命令は、プロセッサが、複数のセンサを含むパーソナルケアデバイスからのデータを識別し、複数のセンサからのデータを使用してトレーニングされた機械学習モデルを使用して、データに基づいて１又は２以上の使用特徴を予測し、１又は２以上の使用特徴に基づいてフィードバックを提供するように動作可能とすることができる。

【0010】

非一時的なコンピュータ可読媒体は、パーソナルケア用のコードを格納することができる。幾つかの例では、コードは、複数のセンサを含むパーソナルケアデバイスからのデータを識別し、複数のセンサからのデータを使用してトレーニングされた機械学習モデルを使用して、データに基づいて１又は２以上の使用特徴を予測し、１又は２以上の使用特徴に基づいてフィードバックを提供するように、プロセッサによって実行可能な命令を含む。

【0011】

幾つかの例では、複数のセンサは、慣性測定ユニット（ＩＭＵ）、キャパシタンス－デジタル変換器、力センサ、リンスセンサ、把持センサ、温度センサ、加速度計、ジャイロスコープ、磁力計、抵抗接触、圧電接触マイク、ホール効果センサ、外部カメラ、歪みゲージ、ロードセル、リードスイッチ、線形可変差動変圧器又はこれらの何れかの組み合わせを含む。

【0012】

幾つかの例では、機械学習モデルは、パーソナルケアデバイスに含まれていない少なくとも１つの追加センサに対する追加のデータを使用してトレーニングされる。幾つかの例では、少なくとも１つの追加のセンサは、力センサを含む。

【0013】

方法、装置、非一時的コンピュータ可読媒体、及びシステムの幾つかの例は、パーソナルケアデバイスへの無線通信接続を介してデータを受信するステップを更に含むことができる。幾つかの例では、機械学習モデルは、ユーザから収集された調査データを使用してトレーニングされ、調査データは、使用品質情報、デバイスの寿命終わり情報、又はその両方を含む。

【0014】

幾つかの例では、１又は２以上の特徴は、シェービングストローク数などのシェービング特徴、シェービング品質情報、カミソリ寿命終わり情報、又はこれらの何れかの組み合わせを含むことができる。幾つかの例では、フィードバックは、シェービング品質を改善する命令のようなシェービングフィードバックを含むことができる。幾つかの例では、シェービングフィードバックは、カミソリ交換フィードバックを含む。

【0015】

パーソナルケアデバイスのための機械学習のための方法、装置、非一時的コンピュータ可読媒体、及びシステムが記載される。方法、装置、非一時的コンピュータ可読媒体、及びシステムの実施形態は、パーソナルケアデバイス上の複数のセンサからデータを収集し、データに基づいて１又は２以上の使用特徴を識別し、センサの少なくとも１つが含まれないセンサのサブセットを識別し、機械学習モデルをトレーニングして、センサのサブセットからのデータを使用して１又は２以上の特徴を予測することができる。

【0016】

本装置は、プロセッサと、プロセッサと電子的に通信するメモリと、メモリに格納された命令とを含むことができる。命令は、プロセッサに、パーソナルケアデバイス上の複数のセンサからデータを収集し、データに基づいて１又は２以上の使用特徴を識別し、センサの少なくとも１つが含まれないセンサのサブセットを識別し、機械学習モデルをトレーニングして、センサのサブセットからのデータを使用して１又は２以上の特徴を予測するように動作可能とすることができる。

【0017】

非一時的なコンピュータ可読媒体は、パーソナルケア用のコードを格納することができる。幾つかの例では、コードは、パーソナルケアデバイス上の複数のセンサからデータを収集し、データに基づいて１又は２以上の使用特徴を識別し、センサの少なくとも１つが含まれないセンサのサブセットを識別し、機械学習モデルをトレーニングして、センサのサブセットからのデータを使用して１又は２以上の特徴を予測するようにプロセッサによって実行可能な命令を含む。

【0018】

幾つかの例では、センサのうちの少なくとも１つは、力センサを含む。幾つかの例では、１又は２以上の特徴は、ストローク数、ストローク方向、又はその両方を含むシェービング特徴とすることができる。

【0019】

上述した方法、装置、非一時的コンピュータ可読媒体、及びシステムの幾つかの例は、センサのサブセットからのデータを使用して、トレーニングされた機械学習モデルに少なくとも部分的に基づいてフィードバックを提供することを更に含むことができる。

【0020】

パーソナルケアデバイスのための方法、装置、及びシステムが記載される。方法、装置、及びシステムの実施形態は、ハブ及びパーソナルケアデバイスを含むことができる。パーソナルケアデバイスは、ハブに直接データを提供することができ、ハブはサーバにデータを提供することができる。データは生データとすることができ、サーバはクラウドに配置することができる。サーバは、上述した機械学習法の一つを実装して、データに基づいてフィードバックを生成することができる。サーバはまた、パーソナルケアデバイスの構成要素の交換オーダーを生成するために機械学習方法のうちの１つを実装することができる。フィードバックは、ハブ及び／又はパーソナルケアデバイスにリンクされたコンピュータデバイスに提供することができる。

【0021】

幾つかの例では、データは、パーソナルケアデバイスからハブに無線で提供することができる。データは、パーソナルケアデバイス内に配置された複数のセンサのうちの少なくとも１つによって生成することができる。フィードバックは、ハブ及び／又はパーソナルケアデバイスにリンクされたコンピュータデバイスに無線で提供することができる。

【0022】

幾つかの例では、ハブとサーバとの間のリンクはセキュアにすることができる。実施形態では、生データは、ハブからサーバの専用ＩＰアドレスに送信することができる。

【図面の簡単な説明】

【0023】

【図1】本開示の態様による、パーソナルケア及び／又は身だしなみのためのシステムの一例を示す図である。

【図2】本開示の態様による、カミソリの一例を示す図である。

【図3】本開示の態様による、対話型カミソリハードウェアの一例を示す図である。

【図4】本発明の概念の例示的な実施形態による、モノのインターネット（ＩｏＴ）カミソリシステムのアーキテクチャを示す図である。

【図5】本発明の概念の例示的な実施形態による、ハブを示す図である。

【図6】本開示の態様による、パーソナルケアシステムのためのフィードバックサーバの一例を示す図である。

【図7】本開示の態様による、パーソナルケアデバイスのためのフィードバック機械学習プロセスの一例を示す図である。

【図8】本開示の態様による、パーソナルケアシステムのためのセンサ削減サーバの一例を示す図である。

【図9】本開示の態様による、パーソナルケアデバイスのためのセンサ削減機械学習プロセスの一例を示す図である。

【発明を実施するための形態】

【0024】

本開示は、一般に、パーソナルケア、ウェルネス、衛生、及び身だしなみに関し、より具体的には、機械学習方法を使用して、パーソナルケアデバイスに関連する情報を取得しフィードバックを提供することに関する。

【0025】

本開示の非限定的な実施形態は、カミソリデータを識別し、カミソリデータに基づいてシェービング特徴を予測して、シェービングフィードバックを提供するために機械学習技術を使用する。場合によっては、カミソリデータは、カートリッジの寿命の終わりを予測するための寿命情報を含むことができる。従って、例示的な一実施形態では、カミソリデータを使用することで、カートリッジの寿命の終わりを予測することができる。カミソリデータは、エンドユーザがカートリッジを交換すべきことを示す何れかのタイプの信号を含むことができる。データ駆動型カートリッジ交換推奨は、エンドユーザにとって全体的により良いシェービング体験をもたらすことができる。このため、ユーザ及び任意選択的に特定のエンドユーザからデータを取得することで、カートリッジの寿命の終わりの予測をもたらすことができる。幾つかの例では、機械学習を利用してフィードバックを予測することなく、カミソリ又は他のパーソナルケアデバイスからのセンサデータを収集し、分析することができる。

【0026】

本開示の実施形態は、深層機械学習モデルを使用することができる。このようなモデルは、対話型カミソリなどの対話型パーソナルケア又は身だしなみ器具、ツール又はデバイスを含むことができる。学習モデルはまた、限定的なセンサ後処理ソフトウェア開発と呼ぶことができる。一実施形態は、カミソリカートリッジの寿命の終わりなどの交換可能な構成要素の寿命の終わりなど、エンドユーザにとって有用な情報を予測するのに使用できる十分なデータを維持しながら、不必要なセンサを排除することができ、ユーザにとって関心のある可能性のある追加のフィードバックもまた、デバイス、ツール又は器具によって生成されるデータを通じて調達することができる。更に、より少ないセンサで機械学習アルゴリズムをトレーニングすることによって回避されるセンサの少なくとも一部を除去することによるカミソリ設計などのデバイス設計の簡素化は、カミソリなどのデバイスの製造コストを低下させ、競争力のある経済生産を可能にすることができる。

【0027】

本明細書に記載された発明概念の例示的な実施形態は、ユーザの行動に基づいて交換刃及び／又はフィードバックをユーザに自動的に提供できるモノのインターネット（ＩｏＴ）カミソリシステムを説明する。簡潔には、ＩｏＴカミソリシステムは、ユーザが髭をシェービングするときに生データを生成する複数のセンサと、生データを出力する短距離無線通信デバイスとを備えたカミソリを含む。ＩｏＴカミソリシステムは、更に、カミソリから生データを受信し、クラウドを介してサーバに生データを提供するように構成されたハブを含む。次いで、サーバは、生データを処理して、例えば、カミソリカートリッジの寿命の終わりを予測し、予測されたシェービング特徴（例えば、予測された寿命の終わりなど）に基づいて、新しいカミソリカートリッジに対して自動的に送出される交換オーダーを生成する。

【0028】

更に、予測されたシェービング特徴に基づく通知がユーザに提供することができる。通知は、限定されないが、診断フィードバック（例えば、代替のシェービング手順、現在の寿命／使用レベルなどに関する指示）、様々な消費者製品の推奨（例えば、予測されたシェービング特徴に基づく別のタイプのカートリッジ、予測されたシェービング特徴に基づくシェービング助剤準備などの使用前又は使用後のスキンケア製品など）、交換オーダーに対する確認（例えば、オーダーステータス、配送ステータス、オーダーに対する承認又は受容など）、メッセージ（例えば、視覚、聴覚、触感など）及び同様のものを含むことができる。一実施形態では、通知は、ＩｏＴカミソリシステムの何れか又は全ての構成要素と地理的位置に同一場所にあるＩｏＴデバイスを介して、カミソリのユーザに伝達することができる。例えば、通知は、スマートミラー、スマート蛇口又はスマートシャワーヘッド、ユーザコンピュータプラットフォーム（例えば、スマートフォン、スマートウォッチなど）、カミソリ及び／又はハブのダイオード、その他と共にあることができる。

【0029】

本開示の実施形態は、１又は２以上の人工ニューラルネットワーク（ＡＮＮ）を使用する。場合によっては、ＡＮＮは、多数の入力パラメータ又は特徴を含む能力を向上させることができる。ＡＮＮは、全ての入力パラメータ及び特徴から学習することができ、従って、関係がより高い次元を有することができる。ＡＮＮは、依存変数と独立変数の間の複雑な非線形関係を暗黙のうちに検出する能力を向上させることができる。また、ＡＮＮは、入力パラメータと特徴との間の全ての実施可能な対話を検出する能力を向上させることができる。

【0030】

本開示の幾つかの実施形態は、深層ニューラルネットワーク及びシャローニューラルネットワークを含むＡＮＮの変形形態を使用することができる。場合によっては、深層ニューラルネットワークは、２次（例えば、派生）特徴の生成に依存せず、生のデータ特徴から暗黙的に学習することができる。深層ニューラルネットワークは、ユーザにとって解釈しにくいが、実施可能なインタラクションを考慮することができる。一方、浅いニューラルネットワークは、ドメイン知識によって事前に決定された２次特徴を含むことができる。浅いニューラルネットワークは、より解釈可能とすることができるが、より単純なモデルである代償として、対話が少ない。

【0031】

本明細書で使用される場合、用語「デバイス」、「パーソナルケアデバイス」、「器具」、「用具」及び「ツール」は、互換的に使用することができる。「ストローク数」は、１回の使用におけるシェービングストロークなどのストローク数を指すことができる。「方向」は、カミソリなどの器具、ツール、又は用具の垂直及び水平位置の変化及び持続時間、並びに使用中（シェービング中など）のハンドルグリップの観測傾向を指すことができる。「温度」は、使用中のカミソリなどの器具、ツール、又は用具及びその構成要素の温度を指すことができる。「持続時間」は、消費者が器具、ツール、又は用具を使用して費やす典型的な時間量を指すことができる。「シェービング持続時間」は、消費者が１回のシェービングに費やす典型的な時間量を指すことができる。「力」は、身だしなみ又はシェービングの間など、器具、ツール、又は用具を使用している間に顔又は身体に加えられる圧力量、及び表面を横切るドラッグ量を指すことができる。「ピボット測定」は、シェービング中のハンドルに対するカミソリヘッドのように、パーソナルケア又は身だしなみ中のハンドル（ユーザによって保持される）に対する用具のヘッド（顔又は身体に係合する）の角度を指すことができる。「リンス持続時間」は、シンク、バス、又はシャワーからの水流の下で費やす時間の長さを指すことができる。「身だしなみの日時」は、身だしなみ器具、ツール又は用具の使用日時及び時間履歴を指すことができる。「シェービングの日時」は、シェービングの日時履歴、すなわち、シェービングがユーザにとって通常起こった曜日及び時間帯の傾向の記録を指すことができる。「回数」は、毎日、毎週、毎月などの特定の期間にわたって器具、ツール、又はデバイスが使用された回数を指すことができる。「シェービング回数」は、特定の期間にわたるシェービングの回数、例として、毎月又は毎週の何れかを指すことができる。「地理的位置」は、自宅及び旅行中のシェービングなど、消費者のパーソナルケア又は身だしなみの「ジオタグ付き」履歴を指すことができる。

【0032】

本明細書で使用される場合、処理データは、日付、持続時間、ストローク数（力及び／又はＩＭＵセンサから得られる）、リンス回数（ヘッドキャパシタンスセンサから得られる）、総リンス時間、周囲温度、最小、最大、及び／又は平均力、各方向（例えば、垂直上方、垂直下方、水平）のストローク数、及び／又はストロークの力ヒストグラムを含むことができる。処理データは、更に、ストローク（例えば、開始インデックス、終了インデックス、最大力、重力軸）、分析グラフ及び／又はフィルタリングデータを含むことができる。

【0033】

本明細書で使用される場合、処理されたシェービングデータは、シェービング日付、シェービング持続時間、ストローク数（力及び／又はＩＭＵセンサから得られる）、リンス数（ヘッドキャパシタンスセンサから得られる）、総リンス時間、周囲温度、最小、最大及び平均力、各方向（例えば、垂直上方、垂直下方、水平）のストローク数及び／又はストロークの力ヒストグラムを含むことができる。処理されたシェービングデータは更に、ストローク（例えば、開始インデックス、終了インデックス、最大力、重力軸）、分析グラフ及び／又はフィルタリングデータを含むことができる。

【0034】

図１は、本開示の態様による、パーソナルケア及び／又は身だしなみのためのシステムの一例を示す図である。図示の実施例は、ユーザ１００、デバイス１０５、通信ネットワーク１１０、ストレージ１１５、サーバ１２０、及び人工ニューラルネットワーク（ＡＮＮ）１２５を含む。

【0035】

ユーザは、デバイス１０５のようなパーソナルケアデバイス及び／又は身だしなみデバイス（器具、用具、又はツール）を使用することができる。図示の例では、デバイス１０５は、シェービング又は他の身だしなみ活動を行うように構成されたカミソリであるが、例えば、トリマー、ダーマプレーニング器具、フェイシャルボディーブラシ及びスクラバー、ウォーターピック、歯清掃ツール、歯ブラシ等を含むことができる。デバイス１０５は、通信ネットワーク１１０を介してサーバ１２０と通信することができる。通信ネットワーク１１０は、モバイルネットワーク、無線ネットワーク、インターネットなどの通信ネットワークを含むことができる。サーバ１２０は、ＡＮＮ１２５を含むことができる。本開示の幾つかの実施形態では、ＡＮＮ１２５は、複数のセンサからのデータを用いてトレーニングすることができる。

【0036】

例えば、デバイス１０５は、機械学習アルゴリズムをトレーニングして１又は２以上のシェービング特性を決定するために、その（ｎ）個のセンサ（ｎは整数）からデータ（ｄ）を提供するトレーニングデバイスとすることができる。しかしながら、デバイス１０５は、機械学習アルゴリズム（例えば、トレーニングされた）が生産カミソリのために１又は２以上のシェービング特性を具体的に予測することを可能にするために、ｎ個のセンサから及び／又はより少ないセンサ（例えば、ｎ－１）から少ないデータ（例えば、ｄ－１）を提供する生産デバイスとすることができる。従って、例えば、ＡＮＮ１２５は、例えば、デバイス１０５の寿命の終わり情報を示すための入力データに基づいて１又は２以上のシェービング特性を予測することができる。別の例では、ＡＮＮ１２５は、利用されるデバイスのタイプ（例えば、歯ブラシなど）、入力データ、その他に基づいて、歯磨き、髪の乾燥、又は他の何れかの身だしなみプロセスに関連するフィードバック情報を予測することができる。

【0037】

デバイス１０５は、図２を参照して説明した対応する１又は複数の要素の一例、又はその態様を含むことができる。

【0038】

通信ネットワーク１１０は、モバイルネットワーク、無線ネットワーク、インターネット、又はこれらの何れかの組み合わせなどのネットワークを含むことができる。本開示の幾つかの実施形態によれば、デバイス１０５に関する情報（例えば、センサデータ）は、通信ネットワーク１１０を介することができ、サーバ１２０のＡＮＮ１２５によって収集することができる。

【0039】

本開示の一実施形態は、ハブと、慣性測定ユニット（ＩＭＵ）（又は判定に必要な情報を収集するのに十分なセンサ群）又は生の使用データを生成するように構成された用具を有するカミソリなどの既製のパーソナルケア又は身だしなみデバイスとの間で通信リンクを確立する。通信リンクは、ＢＴリンクとすることができる。他の通信インタフェースも実施可能である。通信リンクは、暗号化することができる（例えば、一方向、双方向、その他）。

【0040】

ストレージ１１５は、図３、７、及び９を参照して説明した対応する１又は複数の要素の一例、又はその態様を含むことができる。

【0041】

サーバ１２０は、図６及び図８を参照して説明した対応する１又は複数の要素の一例、又はその態様を含むことができる。サーバ１２０は、ＡＮＮ１２５などの機械学習技術を使用して、ソース（例えば、センサデータ）からの入力データを識別し、入力データに基づいてシェービング特徴などの１又は２以上の特徴を予測して、フィードバック及び例えば、カートリッジ交換及び／又は通知、デバイス１０５の寿命の終わり情報、その他などのシェービングフィードバックを提供することができる。本開示の一実施形態は、図６によって示されるように、フィードバックサーバ６００である。フィードバックサーバ６００は、シェービング特徴などの１又は２以上の特徴に基づいて、シェービングフィードバックなどのフィードバックを提供する機械学習モデルをトレーニングすることができる。別の実施形態では、センサ削減サーバ８００は、センサのサブセットからのデータを使用して１又は２以上のシェービング特徴を予測する機械学習モデルをトレーニングすることができる。

【0042】

ＡＮＮ１２５は、図６及び８のトレーニング構成要素６３０、８３５を参照して説明した対応する１又は複数の要素の一例、又はその態様を含むことができる。人工ニューラルネットワーク（ＡＮＮ）は、人間の脳のニューロンに大まかに対応することができる複数の接続ノード（別名、人工ニューロン）を含むハードウェア又はソフトウェア構成要素とすることができる。各接続部又はエッジは、１つのノードから別のノードに信号を伝達する（脳の物理的シナプスのように）ことができる。ノードは、信号を受信すると、その信号を処理し、処理した信号を他の接続ノードに送信することができる。場合によっては、ノード間の信号は実数を含み、各ノードの出力は、その入力の合計の関数で計算することができる。各ノード及びエッジは、信号がどのように処理され送信されるかを決定する１又は２以上のノード重みに関連付けることができる。

【0043】

トレーニングプロセスの間、これらの重みは、結果の精度を向上させるために（すなわち、現在の結果と目標結果との間の差に何らかの方法で対応する損失関数を最小化することによって）調整することができる。エッジの重みは、ノード間で伝送される信号の強度を増加又は減少させることができる。場合によっては、ノードは、それを下回ると信号が全く送信されない閾値を有することができる。また、ノードは、レイヤーに集約することができる。様々なレイヤーは、それらの入力に対して異なる変換を行うことができる。最初のレイヤーは入力レイヤーとして知られており、最後のレイヤーは、出力レイヤーとして知られることができる。場合によっては、信号は、特定のレイヤーを複数回通過することができる。

【0044】

ＡＮＮ１２５は、全ての生センサデータ特徴を含む一次特徴を考慮することができる。ＡＮＮはまた、２次（例えば、派生）特徴を考慮することができる。第２次特徴（例えば、派生された）は、生のセンサデータからより解釈可能な特徴を含むことができる。ＡＮＮ１２５は、深層学習モデル及び浅い学習モデルを含むことができる。ＡＮＮ１２５は、ＩＭＵセンサデータからシェービング長さを決定することができる。例えば、ＡＮＮ１２５は、加速度及び時間データを使用して、シェービングの長さなど、パーソナルケア又は身だしなみルーチンの使用長さを算出することができる。

【0045】

場合によっては、ＡＮＮ１２５によって予測されるフィードバックは、身体の特定の領域（すなわち、顔、脚、又は他の身体部分）のシェービングに基づくことができる。シェービングの長さは、デバイス１０５の寿命終わりの予測子として使用することができる。機械学習モデル、方法及びシステムは、寿命の終わりを示す入力データ及び特徴、並びに最も価値のあるデータを生成するセンサを使用することができる。

【0046】

幾つかの実施形態は、深層ニューラルネットワーク（ＤＮＮ）及び再帰型ニューラルネットワーク（ＲＮＮ）を含むディープラーニングアーキテクチャを使用することができる。本開示の一実施形態では、力予測再帰型ニューラルネットワーク（ＲＮＮ）を使用することができる。ＲＮＮは、時間の経過とともにデータを処理する方法を学習するマルチレイヤーパーセプトロンである。ＲＮＮは、時系列データのメモリを管理する方法を学習するように設計することができる。フィルタリングされたセンサデータは、ＲＮＮの入力データとして処理することができる。場合によっては、ＲＮＮは、固定長の時系列センサデータを処理することができる。固定長の時系列センサデータは、ＩＭＵデータ及び容量センサデータから来ることができ、或いは、ＩＭＵデータのみから来ることができる。ＲＮＮは、固定長入力に対して知覚された力を出力することができる。ＩＭＵデータは、平均絶対誤差（予測値と目標値の平均差）の計算で示される最も重要な力の指標とすることができることに留意されたい。ＩＭＵデータ及び容量センサデータを用いた第１のモデルと、ＩＭＵデータのみを用いた第２のモデルは、トレーニングの複数エポック（例えば、５０など）にわたって改善することができる（例えば、誤差が小さくなる）。従って、例えば、センサ構成において、力センサが不要となる場合がある。

【0047】

一実施形態によれば、高密ニューラルネットワークは、ロジスティック回帰モデルと同様に機能するマルチレイヤーパーセプトロンとすることができる。ＤＮＮは、入力特徴の意味のある組み合わせを学習するように設計することができる。二次特徴は、ＤＮＮへの入力として処理することができる。

【0048】

本開示の一実施形態は、学習のためのネットワークアーキテクチャを記載する。アーキテクチャは、スタック型長・短期記憶ＲＮＮとすることができる。長・短期記憶（ＬＳＴＭ）ネットワークは、シーケンス予測問題において順序依存性を学習することができる再帰型ニューラルネットワークの一種である。ＬＳＴＭは、各データポイントにどれだけの時間留まるかを学習するように設計することができる。幅（ノードの数）と深さ（レイヤーの数）を大きくして、速度と精度をトレードオフすることができる。ニューラルネットワークの幅及び深さは、通常、データセットのサイズ及び複雑さに合わせて調整される。例えば、デバイス１０５のような身だしなみ器具、ツール又は用具に関連するデータセットに対して実験が実施される。このデータセットでは、２レイヤー×２４ノードを超えると、精度のリターン逓減が発生する可能性がある。幾つかの実施形態は、２×５０スタックＬＳＴＭ－ＲＮＮを使用することができる。

【0049】

従って、ＬＳＴＭ－ＲＮＮは、Ｙ＝Ｆ（Ｘ，Ｗ，Ｂ）のような重み及びバイアスとともに入力データの関数として近似することができる。入力データは、例えば、特定の幅及び深さで初期化されたニューラルネットワークからなるＬＳＴＭ－ＲＮＮを通過させることができる。一実施例では、ネットワークがＬＳＴＭ－ＲＮＮの入力から出力に通過するにつれて、ノードの数及び／又はレイヤー間のノードを接続するリンクの数が減少する。例えば、初期又は入力レイヤーでの各ノードは、直後に続くレイヤーの各ノードへのリンクを有することができるが、他方、最終又は出力レイヤーでの単一ノードは、直前のレイヤーの２つのそれぞれのノードから２つの入力リンクのみを有することができる。

【0050】

更に、入力データの各ポイント又はチャネルは、同じ又は異なる重みで重み付けされ、同じ又は異なるバイアスでバイアスすることができる。例えば、入力データ（Ｘ）がモデル（Ｆ）を通過して、モデル出力（Ｙ）が任意選択的に期待出力データ（Ｙｇｔ）と比較される場合、時間０における重み（Ｗ）とバイアス（Ｂ）は、Ｇｌｏｒｏｔ Ｕｎｉｆｏｒｍ初期化アルゴリズムによって選択された、０．０に近いランダムに初期化された数値とすることができる。追加的又は代替的に、時間１におけるＩＭＵ ｘ加速度データは、重み（Ｗ１）で重み付けされ、バイアス（Ｂ）でバイアスすることができ、また、時間１におけるＩＭＵ ｚジャイロデータは、重み（Ｗ６）で重み付けされて、同じ又は異なるバイアス（Ｂ（ｎ））でバイアスすることができ、以下同様であり、ここで各バイアス値は、独立して維持されトレーニング中に更新することができる。幅、深さ、リンク、重み及び／又はバイアスなどの初期及び更新パラメータは、予測される使用特徴に基づくことができる（例えば、使用される重み及び／又はバイアスは、移動距離のモデルと比べて力のモデルをトレーニングするために異なってもよい）。更に、データの前処理（例えば、フィルタリングなど）及び処理（例えば、トレーニングなど）は、単一のデータポイント（又はチャネル）で発生する可能性があるが、同じステップは、連続又は重複することができるデータのウィンドウ又は集合で達成することができる。例えば、時間１でのＩＭＵ ｘ－加速度データを使用することができ、又は時間１－５のＩＭＵ ｘ－加速度データの５つのポイントを使用することができる。参照データは、入力データと同じ時間ウィンドウに対応することになる。

【0051】

トレーニング中、モデルの出力データを参照データと比較し、モデル出力データ（Ｙ）と参照データ（Ｙｇｔ）の比較から、％誤差及び／又は信頼度を決定することができる。％誤差又は信頼度が許容できない場合（例えば、閾値に基づいて）、重み及びバイアスを調整し、入力データを再び更新されたＬＳＴＭ－ＲＮＮに通して、許容できる％誤差及び／又は信頼度に達したかどうかを決定することができる。プロセスは、最低又は許容誤差を生成するトレーニング済み機械学習モデルで許容誤差及び／又は信頼レベルが達成されるまで反復して実行することができる。従って、一例では、変数Ｙ、Ｘ、Ｗ、Ｂは、数値データのＮ次元集合（例えば、［０，１］又は［－１，１］の間で正規化及びスケーリング）を参照することができる、コンピュータメモリ又はストレージ内のテンソルとして表すことができる。一方、誤差（例えば損失）は、モデル出力データ（Ｙ）と参照データ（Ｙｇｔ）との間の平均計算された平均二乗差を指すことができる。従って、学習アルゴリズム（例えば、アダム・オプティマイザ）は、計算された損失を入力としてとり、トレーニングモデルの各重み及びバイアスを調整する対象である方向及び大きさを決定することができる。

【0052】

最小又は許容誤差をもたらすモデルアーキテクチャが選択される前に、トレーニングされたモデルの評価も実行し、再現性を確認することができる。例えば、トレーニングデータの全セットは、トレーニングデータの比較的小さな部分が評価に使用され、トレーニングに使用されないように分割することができる。トレーニングデータの比較的小さな部分は、トレーニングされたＬＳＴＭ－ＲＮＮの候補に通され、参照データと比較されて、特定の使用特徴（例えば、全てのシェービングにわたる累積力の平均誤差、全てのシェービングにわたる総走行距離からの平均誤差など）の誤差又は信頼度を評価する。トレーニングされた機械学習モデルは、次に、生産入力データを使用して使用特徴を予測及び／又は機能性を強化するように展開することができる（例えば、デバイスを使用している間に実質的にリアルタイムに）。この点に関して、使用特徴は、センサのサブセットから予測することができ（例えば、ＩＭＵデータのみを使用して）、例えば、デバイス１０５などのパーソナルケアデバイスは、使用特徴を識別、導出、又は予測するために従来のセンサを除外、無効化、及び／又は不要とすることができる。

【0053】

力の予測のためのモデルをトレーニングするための一例では、ＬＳＴＭ－ＲＮＮを通過する入力トレーニングデータは、例えば、デバイス１０５などのパーソナルケアデバイスからの時系列ＩＭＵデータのみ（例えば、加速度（ｘ，ｙ，ｚ）及びジャイロスコープ（ｘ，ｙ，ｚ））からなり、参照データは、限定されないがパーソナルケアデバイスの力センサから頭部に加えられる力などの時系列力データなどのセンサデータからなる。ＩＭＵデータのみを使用して力について許容可能な％誤差及び／又は信頼レベルが達成される場合、例えばデバイス１０５などのパーソナルケアデバイスは、使用特徴（例えば累積力など）を提供するために力センサを除外、無効化、及び／又は不要とすることができる。次に、力の予測された使用特徴を用いて、展開されたトレーニング済みの機械学習モデルに生産入力データを通すことによって、他の使用特徴を予測する、及び／又は推奨、制御機能、補充などの提供を含むユーザ体験を強化することができる。

【0054】

移動距離の予測のためのモデルをトレーニングする別の例では、ＬＳＴＭ－ＲＮＮを通過する入力トレーニングデータは、例えばデバイス１０５などのパーソナルケアデバイスからの時系列ＩＭＵデータのみ（例えば、加速度（ｘ，ｙ，ｚ）及びジャイロスコープ（ｘ，ｙ，ｚ））からなり、参照データは、パーソナルケアデバイスと（例えば、シリアル接続部を介して）結合された６自由度（６ＤｏＦ）追跡ソリューションを用いて得られた対応する時系列データからなる。トラッキングソリューションからのデータは、移動した実際の距離の測定値に変換することができる。１４６秒の時系列データの一例では、真の距離は４１７８．２２ｃｍであり、予測された距離は４２５２．３３ｃｍで、誤差は１．７７％をもたらした。注目すべきは、トレーニングされた機械学習モデルは、パーソナルケアデバイスによって移動した総距離の予測に対して、２．７９％の平均誤差を提供することができる。次に、移動距離の予測された使用特徴を用いて、展開されたトレーニングされた機械学習モデルを介して生産入力データを渡すことによって、他の使用特徴を予測及び／又は推奨、制御機能、補充などの提供を含むユーザ体験を強化することができる。

【0055】

パーソナルケアデバイスによって実行される作業の予測モデルをトレーニングするための更に別の例では、ＬＳＴＭ－ＲＮＮを通過した入力トレーニングデータは、例えばデバイス１０５などのパーソナルケアデバイスからの時系列ＩＭＵデータのみ（例えば、加速度（ｘ，ｙ，ｚ）及びジャイロスコープ（ｘ，ｙ，ｚ））からなり、参照データは、限定されないが、パーソナルケアデバイスの力センサから頭部に加えられる力などの時系列力データ及びパーソナルケアデバイスに（例えば、シリアル接続部を介して）結合された６ＤｏＦトラッキングソリューションを使用して得られた対応する時系列データなどのセンサデータの組み合わせからなる。しかしながら、パーソナルケアデバイスによって行われる作業は、独立して予測された力と予測された移動距離とを乗算するように構成された算術論理演算ユニット（ＡＬＵ）又は他のプロセッサを使用して決定することができる。次に、仕事の予測された使用特徴を用いて、展開されたトレーニング済み機械学習モデルに生産入力データを通すことによって、他の使用特徴を予測及び／又は推奨、制御機能、補充などの提供を含むユーザ体験を強化することができる。

【0056】

注目すべきは、データ準備に、データの各チャネル（例えば、ＩＭＵ ｚ－加速度データ及び追跡デバイスからの対応する参照ｚ－位置データ等）についての２つのデータストリームにおける対応する信号を使用して、センサデータと参照データとの間のクロック同期を含むことができる。例えば、ＩＭＵデータの信号を参照データの信号とマッチングさせ、時間的オフセットを排除し、２つのデータセットの一致させることができる。一例として、１つのチャネルを同期させるのに使用される同じ時間オフセットが、同じデータセットの全てのデータチャネルに適用される。このように、クロックは、データセット間のオフセットを排除することによって、データセット間（例えば、１００のシェービングの各々について）同期させることができる。しかしながら、各センサプラットフォームは、同じ外部コンピュータプラットフォームのオペレーティングシステムに同期した固有の内部時間クロックを利用することができる。このタイプの同期は、生産入力データを展開されたトレーニングされた機械学習モデルを介して渡すことにより、移動距離の予測（例えば、シェービング中、その他）のための入力としてＩＭＵデータを使用するように構成されたモデルからの移動距離の予測の比較的高いが許容可能な誤差率をレンダリングすることができる。追加的又は代替的に、参照データにおける所定の期間（例えば、５秒、その他）よりも長い非アクティブの期間を除去し、残りのアクティビティ期間をサブセットに分割することができる。クロック同期と同様に、除去及び分割は、同じデータセットからの全てのデータチャネルに適用することができる。

【0057】

従って、何れかの使用特徴を予測するアルゴリズムは一般に、予測される特定の使用特徴に基づく差異と実質的に類似することができる。例えば、何れかの使用特徴を予測する一般的アルゴリズムは、要件定義、データ収集、データ準備、モデル開発（例えば、モデル選択、モデルトレーニング、モデル最適化）、モデル評価、及び／又はモデル展開を備えることができる。一方、一般的アルゴリズムの相違は、データ収集の相違（例えば、力測定モデルをトレーニングするのに必要とされない６ＤｏＦ動作データなどのトレーニングに使用されるデータの異なるサブセット）、データ準備の相違（例えば、力は、単一の時間ステップ（１０ｍｓ）にわたって計算することができるのに対し、距離は、１２８時間ステップ（１２８０ｍｓ）の各重なりウィンドウにて計算することができる）、モデルの相違（例えば、選択されたハイパーパラメータ（モデルアーキテクチャ）及び学習パラメータ（重み及びバイアス）の値は各モデルに固有とすることができる）及び同様のものを含むことができる。

【0058】

ここで、カミソリシステムなどのシステムの構成要素について説明し、続いてシステムの例示的な応用について説明する。カミソリシステムは、説明の目的で示されており、カミソリシステムの１又は２以上の態様は、実施形態による何れかのシステム（例えば、歯ブラシシステムなど）、装置（例えば、パーソナルケアデバイス、ハブ、サーバ、ＩｏＴデバイスなど）、及び／又は方法（例えば、特徴予測など）によって実施することができることは理解される。

【0059】

図２は、本開示の態様による、デバイス１０５の一例を示す。デバイス１０５は、図１を参照して説明した対応する１又は複数の要素の一例、又はその態様を含むことができる。

【0060】

デバイス１０５は、カートリッジ２０５、カートリッジ保持組立体２１０、リンスセンサラグ２１５、連接ヘッド２２０、指ガード２２５、カミソリ本体２３０、ヘッドヒンジ２３５、力センサ２４０、シリコーンパッド２４５、ロゴインサート２５０、バッテリ２５５、マイクロコントローラユニット（ＭＣＵ）２６０、Ｂｌｕｅｔｏｏｔｈ（登録商標）又はＷｉＦｉ２６５、ＵＳＢ又はＵＳＢ Ｃポート２７０などの充電及び／又はデータ転送ポート、電源２７５、及びエンドキャップ２８０を含むことができる。力センサ２４０、バッテリ２５５、及びＭＣＵ２６０は、図３を参照して説明した対応する１又は複数の要素の例又はその態様を含むことができる。

【0061】

一実施形態において、図１のデバイス１０５のような対話型カミソリは、複数のセンサを有することができ、センサの幾つかは取り除くことができる。例えば、力センサ２４０は取り除くことができ、デバイス１０５は、ストローク数を正確に予測し、ストローク方向（例えば、水平、垂直上方、垂直下方、その他）を分類するのに依然として用いることができる。一実施例では、トレーニングされたモデルアーキテクチャは、力を正確に予測するためＬＳＴＭ－ＲＮＮを通過する入力生産データ（例えば、ユーザがシェービングしている間）が時系列ＩＭＵデータのみ（例えば、加速度（ｘ，ｙ，ｚ）及びジャイロスコープ（ｘ，ｙ，ｚ））からなるように力の予測ように選択することができる。図２及び図３に示されるように、一実施形態において、容量センサ３２５は取り除くことができ、デバイス１０５は、リンスを正確に分類するために取り除かれたままとすることができる。別の実施形態では、シェービング長さは、ＩＭＵセンサ３２０データから決定することができる。例えば、ＩＭＵセンサ３２０は、シェービング長さを算出するために加速度及び時間データを取り込み及び／又は提供することができる。一例では、トレーニングされたモデルアーキテクチャは、移動距離を正確に予測するためにＬＳＴＭ－ＲＮＮを通過する入力生産データ（例えば、ユーザが剃る間）が時系列ＩＭＵデータのみ（例えば、加速度（ｘ，ｙ，ｚ）及びジャイロスコープ（ｘ，ｙ，ｚ））からなるように移動距離の予測用に選択することができる。幾つかの実施形態では、シェービング長さは、寿命終わりの予測子として使用することができる。更に別の例では、トレーニングされたモデルアーキテクチャは、作業を正確に予測するためにＬＳＴＭ－ＲＮＮを通過する入力生産データ（例えば、ユーザのシェービング中）が時系列ＩＭＵデータのみ（例えば、加速度（ｘ，ｙ，ｚ）及びジャイロスコープ（ｘ，ｙ，ｚ））からなるように作業の予測用に選択することができる。しかしながら、実行された作業は、独立して予測された力と予測された移動距離とを乗算するように構成されたＡＬＵ又は他のプロセッサを使用して決定することができる。

【0062】

従って、図２は、本発明の概念の例示的な実施形態によるカミソリの構成要素を示す。図２のカミソリは、例示的な実施構成である。言い換えれば、カミソリは、図２に示されるものよりも多い又は少ない構成要素を含むことができる。

【0063】

図３は、本開示の態様による、対話型カミソリハードウェア３１０の一例を示す。図示の例は、プログラマ３００、対話型カミソリ分析ソフトウェア３０５、及び対話型カミソリハードウェア３１０を含む。カミソリは、例示の目的で示されており、カミソリハードウェアの１又は２以上の態様は、実施形態による何れかのシステム（例えば、歯ブラシシステムなど）、装置（例えば、パーソナルケアデバイス、ハブ、サーバ、ＩｏＴデバイスなど）、及び／又は方法（例えば、特徴予測など）によって実装できることが理解される。

【0064】

対話型カミソリハードウェア３１０は、センサ入力３１５、コントローラ３５０、電源マネージャ３７５、外部フラッシュ３９２、及びＲＧＢ ＬＥＤ３９４を含むことができる。センサ入力３１５は、慣性測定ユニット（ＩＭＵ）３２０、容量センサ３２５、力３３０、リンス３３５、把持３４０、及びＮＴＣサーミスタ３４５を含むことができる。コントローラ３５０は、ＭＣＵ３５５、ＲＴＣ３６０、ＢＬＥ無線機３６５、及び内部フラッシュ３７０を含むことができる。ＭＣＵ３５５は、図２を参照して説明した対応する１又は複数の要素の一例又はその態様を含むことができる。

【0065】

電源マネージャ３７５は、ＵＳＢ３８０、バッテリマネージャ３８２、バッテリ３８４、ソースセレクト３８６、レギュレータ３８８、及びシステムパワーバス３９０を含むことができる。バッテリ３８４は、図２を参照して説明した対応する１又は複数の要素の一例又はその態様を含むことができる。

【0066】

図２及び図３に示されるように、幾つかの実施形態によれば、力センサ２４０は取り除くことができ、図１のデバイス１０５は、例えば、ストローク数の予測、ストローク方向の分類（例えば、水平、垂直上方、垂直下方、など）に依然として使用することができる。容量センサ３２５は取り除くことができ、図１のデバイス１０５は、例えば、依然として、リンスを分類するのに使用することができる。別の実施形態では、シェービング長さは、ＩＭＵセンサ３２０のデータから決定することができる。例えば、加速度及び時間データを取り込み及び／又は提供し、ＩＭＵセンサ３２０は、シェービング長を算出することができる。幾つかの実施形態において、シェービング長さは、寿命終わりの予測子として使用することができる。

【0067】

従って、図３は、本発明の概念の例示的な実施形態によるカミソリのハードウェアを例示する。図３に示すように、カミソリハードウェアは、とりわけ、センサ入力３１５と、ＢＬＥをサポートする２．４ＧＨｚ無線マイクロコントローラ（例えば、ＣＣ２６４０Ｒ２）とすることができるコントローラ３５０と、電源マネージャ３７５とを含む。

【0068】

図示されるように、センサ入力３１５は、限定されるものではないが、慣性測定ユニット（ＩＭＵ）３２０、キャパシタンス－デジタル変換器、力センサ３３０、リンスセンサ３３５、把持センサ３４０及び温度センサ（例えば、ＮＴＣサーミスタ３４５）を含むことができる。ＩＭＵ３２０は、例えば、加速度計、ジャイロスコープ及び／又は磁力計を含むことができる。ＩＭＵ３２０などのＩＭＵは、３軸において１軸あたり少なくとも１つの加速度計及び／又は３軸において１軸あたり少なくとも１つのジャイロスコープを含むことができる。例えば、ＩＭＵ３２０は、６つの微小電気機械システム（ＭＥＭＳ）モジュールを含むことができ、ここでＭＥＭＳの１つが軸（例えば、ｘ，ｙ，ｚ軸、垂直軸、直交軸、その他）ごとに１つの加速度計又はジャイロスコープに対応する。

【0069】

好ましくは、ＩＭＵは、磁力計を欠いており、無効にされている磁力計を含み、及び／又は、そのデータがアナログ／デジタル変換器、ハードウェアレジスタ、メモリ、ストレージ、プロセッサ、トレーニングされる又はトレーニングされた機械学習モデル、又はこれらの組み合わせに到達しないように無視され又は他の方法でフィルタリングされている磁力計を含む。一例では、フィルタは、バンドパスフィルタを含むことができる。更に、ＩＭＵは、加速度計、ジャイロスコープ及び／又は磁力計に物理的に結合されたプロセッサを含むことができる。例えば、ＩＭＵ３２０は、加速度計及びジャイロスコープに物理的に結合されたプロセッサを有するモジュールとすることができる（例えば、データ接続部を介して、アナログ－デジタル変換器を介して、など）。本発明の概念の例示的な実施形態によるカミソリと共に使用するための追加のセンサは、抵抗接触、ピエゾ接触マイク、ホール効果センサ、外部カメラ、歪みゲージ、ロードセル、リードスイッチ、線形可変差動変圧器等を含むことができる。

【0070】

無線マイクロコントローラは、主中央処理ユニット（例えば、ＭＣＵ３５５）、ＢＬＥ無線機３６５、内蔵フラッシュメモリ３７０のほか、その他の周辺機器やモジュール（例えば、リアルタイムクロック（ＲＴＣ３６０））を含むことができる。例えば、ＣＣ２６４０Ｒ２ ＳｉｍｐｌｅＬｉｎｋ（商標） ＢＴマイクロコントローラは、とりわけ、マイクロコントローラ（例えば、中央処理ユニット、不揮発性メモリ、ランダムアクセスメモリ（ＲＡＭ）、キャッシュメモリを有する）、超低電力センサコントローラ（例えば、センサコントローラエンジン、アナログ－デジタル変換器、ＲＡＭなど）、及び無線周波数（ＲＦ）部（例えば、トランシーバ、ＲＦインタフェースなど）を含む。一例では、ＭＣＵ３５５は、コントローラ３５０とＩＭＵ３２０との間の接続部を介してＩＭＵ３２０の加速度計及びジャイロスコープに物理的に結合することができる。無線マイクロコントローラは、外部フラッシュデバイス３９２及び発光素子（例えば、ステータスＲＧＢ ＬＥＤ ３９４）に接続することができる。また、無線マイクロコントローラは、プログラマ３００及び分析ソフトウェア３０５に接続することができる。

【0071】

上述したカミソリを使用して髭を剃るとき、生のセンサデータを収集することができる。生データは、カミソリ上の不揮発性メモリに格納することができる。図３に示す実施態様では、生データは、シリアル接続部を介してデスクトップアプリケーションにダウンロードすることができる。しかしながら、上記で説明したように、生データを直接ハブに送信することも可能である。カミソリとハブの間で通信される生データは、暗号化することができる。センサによって取り込まれた生データは、限定ではないが、秒単位の時間（例えば、ＵＴＣ－０）、ＩＭＵデータ（例えば、加速度（ｘ，ｙ，ｚ）及びジャイロスコープ（ｘ，ｙ，ｚ））、ヘッドに加えられた力、ヘッド内の金属インサートのキャパシタンス、ケース温度、重力軸（例えば、カミソリの大まかな向き）及び力検知レジスタ（ＦＳＲ）校正値を含むことができる。

【0072】

上述のカミソリが生産時にシェービングするために使用される場合、又はより一般的にはパーソナルケアデバイスがトレーニングプロセス以外でその機能を果たすために使用される場合、プロセッサ（例えば、１又は２以上のコア、中央処理ユニット、グラフィックス処理ユニット、これらの組み合わせなど）は、使用特徴を予測するためにトレーニングされた機械学習モデルを実行するように構成することができる。例えば、ＩＭＵ３２０及び／又はＭＣＵ３５５のプロセッサは、ＬＳＴＭ－ＲＮＮを通過する入力生産データ（例えば、ユーザがシェービングしている間）が時系列ＩＭＵデータのみ（例えば、加速度（ｘ，ｙ，ｚ）及びジャイロスコープ（ｘ，ｙ，ｚ））からなるように力を正確に予測するように選択されているトレーニングされたＬＳＴＭ－ＲＮＮを実行するよう構成することができる。追加的又は代替的に、ＩＭＵ３２０及び／又はＭＣＵ３５５のプロセッサは、ＬＳＴＭ－ＲＮＮを通過する入力生産データ（例えば、ユーザがシェービングしている間）が、移動距離を正確に予測するための時系列ＩＭＵデータ（例えば、加速度（ｘ，ｙ，ｚ）及びジャイロスコープ（ｘ，ｙ，ｚ））だけからなるように移動距離を予測するように選択されているトレーニングされたＬＳＴＭ－ＲＮＮを実行するよう構成することができる。追加的又は代替的に、ＩＭＵ３２０及び／又はＭＣＵ３５５のプロセッサは、ＬＳＴＭ－ＲＮＮを通過する入力生産データ（例えば、ユーザが髭をシェービングする間）が、作業を正確に予測するための時系列ＩＭＵデータ（例えば、加速度（ｘ，ｙ，ｚ）及びジャイロスコープ（ｘ，ｙ，ｚ））だけからなるようにカミソリによって行われる作業を選択したトレーニング済みのＬＳＴＭ－ＲＮＮを実行するよう構成することができる。ＩＭＵ３２０及び／又はＭＣＵ３５５のプロセッサは、しかしながら、独立して予測された力及び移動距離に基づいて作業を計算するように構成されてもよい（例えば、作業＝力×距離）。

【0073】

同様に、ＩＭＵ３２０及び／又はＭＣＵ３５５のプロセッサは、予測された使用特徴（例えば、予測された力、予測された移動距離など）を使用して、限定されないが、ストローク力（例えば、個々のストロークに発生する力、シェービング中の総ストロークに発生する力など）、ストローク距離（例えば、ストローク距離（例えば、個々のストロークの移動距離、シェービング中の全ストロークの移動距離など）、ストローク数（例えば、シェービング中のストローク数、動作中の全ストローク数など）、リンスイベント（例えば、デバイスの個々のリンス、全ストローク数など。デバイスの個々のリンス、シェービング中のリンスイベントの数、動作中の上昇イベントの総数など）、寿命の終わり（例えば、１又は２以上の構成要素が動作可能なままであるときの予測、閾値に基づいて交換が推奨されるときの予測など）、又はその組み合わせなど、パーソナル ケア デバイスに関連する別の使用特徴を予測する変換を実施するように構成することができる。変換は、予測された使用特徴を、ストローク数又は寿命値などの予測される他の使用特徴と関連付ける関数（例えば、データベース、行列、ポインタ、数学関数など）を使用して達成することができる。ＩＭＵ３２０及び／又はＭＣＵ３５５のプロセッサは、限定されないが、（トレーニングされたモデルからの）予測力、（トレーニングされたモデルからの）予測移動距離、又はこれらの組み合わせに基づいてストロークカウント又は寿命を予測するようにトレーニングされたモデルが実行される場合など、１又は２以上の予測使用特徴に基づいて、他の使用特徴を予測するようにトレーニングされた追加の機械学習モデルを実行することができる。ＩＭＵ３２０及び／又はＭＣＵ３５５のプロセッサは、しかしながら、時系列ＩＭＵデータのみ（例えば、加速度（ｘ，ｙ，ｚ）及びジャイロスコープ（ｘ，ｙ，ｚ））からなるトレーニングされたＬＳＴＭ－ＲＮＮを通過した入力生産データ（例えば、ユーザが髭をシェービングする間）に基づいて１又は複数の他の使用特徴（例えばストロークカウント、寿命切れなど）を予測し、他の使用特徴を正確に予測するためにトレーニングされた追加機械学習モデルを実行するよう構成することができる。

【0074】

次いで、予測された使用特徴は、パーソナルケアデバイス上の制御機能（例えば、流体供給、パルスなど）、使用推奨（例えば、ユーザガイダンスなど）、パーソナルケアデバイスに近接するＩｏＴデバイス上の制御機能（例えば、蛇口、器具からの照明など）、補充機能（例えば、自動オーダーなど）、交換情報（例えば、カートリッジ使用レベルなど）、又はこれらの組み合わせなどのフィードバックを提供するために使用することができる。例えば、予測使用機能は、ＩｏＴ蛇口を介して蛇口からの水の流量又は温度を変化させるために、パーソナルケアデバイスの使用に関連する推奨をユーザに伝達させるのに使用されてもよい（例えば。パーソナルケアデバイスを介して、スマートミラーなどのＩｏＴデバイスを介して、モバイルデバイスを介して、ストローク推奨を行う、パーソナルケアデバイスの使い捨て構成要素の自動補充を行わせる（例えば、交換カートリッジをオーダーする、など）、使い捨て構成要素の予測寿命がユーザに通知され、ユーザが使い捨て構成要素を交換することを可能にする、などである。

【0075】

従って、例えば、ＩＭＵ３２０及び／又はＭＣＵ３５５のプロセッサは、パーソナルケアデバイスの要素を制御するための制御命令を開始するように構成することができる。一例では、制御命令は、要素の動作を変調させるための割り込み、要素の動作を可能にするためのイネーブル信号、要素の動作を無効にするためのディスエーブル信号、又はこれらの組み合わせを含む。例えば、カミソリデバイスは、カミソリの刃と、任意選択的にシェービング補助組成物を有するカートリッジを含むことができる。更に、カミソリデバイスは、シェービング体験を向上させるために選択的に放出することができるパーソナルケア組成物（例えば、シェービング液など）を収容するディスペンサーを含むことができる。この点に関して、ＩＭＵ３２０及び／又はＭＣＵ３５５のプロセッサは、カートリッジに結合されたコントローラに対して制御命令（例えば、命令の生成、命令の転送、命令を生成又は転送するための呼び出しなど）を開始し、予測される使用特徴（例えば、刃の接触など）に基づいてカートリッジの１又は複数の構成要素がユーザに触れる方法（例．力、移動距離、ストローク、ストローク数など）に基づいて、シェービング中にパーソナルケア組成物を選択的に適用するために、ディスペンサーに結合されたコントローラへの制御命令を開始することによって、ＩＭＵ３２０及び／又はＭＣＵ３５５のプロセッサは、ディスペンサーを制御するようにも構成できる。

【0076】

１又は２以上のセンサ（例えば、加速度計、ジャイロスコープなど）に結合されたプロセッサ（例えば、１又は２以上のコア、中央処理ユニット、グラフィック処理ユニットなど、これらの組み合わせ）は、任意選択的に、生データ、予測及び／又はフィードバックを伝達するＲＦインタフェース、生データ、予測及び／又はフィードバックを格納するメモリ又はストレージ、入力／出力デバイス（例えば、ディスプレイ、スピーカー、触覚デバイス、スイッチなど）、或いはこれらの組み合わせを介して予測に基づくフィードバックを制御するセンサ制御デバイスに結合することができる。この点に関して、従来の通信接続には、回路基板上の接続、ハードウェアモジュール間のシリアル接続、ローカルエリアネットワーク接続、ワイドエリアネットワーク接続、又はこれらの組み合わせが含まれるが、これらに限定されるものではない。一方、フィードバック信号には、割り込み、イネーブル信号、ディスエーブル信号、マシンコード命令（組立体コードなど）、入出力デバイス命令、又はこれらの組み合わせが含まれるが、これらに限定されるものではない。

【0077】

更に、加速度計及び／又はジャイロスコープ（又はＩＭＵ）に結合されたプロセッサは、パーソナルケアデバイスにおいて通信接続部を介して物理的に結合されるものとして説明されてきたが、実施形態の１又は２以上の態様（例えば、パーソナルケアデバイスに関する使用特徴を予測するようにトレーニングされている機械学習モデル、データ収集、モデルトレーニング、フィードバック等、又はこれらの組み合わせ）を実行するように構成されたプロセッサは、ハブ、サーバ、ＩｏＴデバイス、モバイルコンピュータプラットフォーム、又はこれらの組み合わせ等の１又は２以上の他のデバイスに配置されていてよい。従って、例えば、プロセッサは、ハブとパーソナルケアデバイスとの間の接続部を介して、パーソナルケアデバイス上のセンサのセット（例えば、加速度計、ジャイロスコープなど）に通信可能に結合することができる。別の例では、プロセッサは、パーソナルケアデバイス及び／又はパーソナルケアデバイスに近接してハブに通信可能に結合されたサーバ上にも配置することができる。

【0078】

図４は、本発明の概念の例示的な実施形態によるＩｏＴカミソリシステムのアーキテクチャを示す図である。図４に示されるアーキテクチャは、例として提供されるが、本発明の概念の実施形態は、これに限定されない。

【0079】

図４に示すように、ＩｏＴカミソリシステムは、消費者構成要素４１０と、ハブ４２０と、クラウド構成要素４３０とを含む。消費者構成要素４１０は、スマートカミソリとモバイルデバイスを含む。消費者構成要素４１０は、スマートミラー、スマート蛇口又はシャワーヘッドなどの無線通信技術を備えた追加のデバイスを含むことができることが理解される。スマートカミソリ及びモバイルデバイス（例えば、スマートフォン）は、Ｂｌｕｅｔｏｏｔｈ（登録商標）又はＢｌｕｅｔｏｏｔｈ（登録商標） Ｌｏｗ Ｅｎｅｒｇｙ（ＢＬＥ）を介してそれぞれと無線通信することができる。ＺｉｇＢｅｅ（登録商標）、近距離通信（ＮＦＣ）、Ｌｉ－Ｆｉ、超広帯域（ＵＷＢ）、無線周波数識別（ＲＦＩＤ）などを含むがこれに限定されない様々な他の短距離無線通信技術をスマートカミソリ及びモバイルデバイスが採用することができることが理解されよう。スマートカミソリは、図１～３を参照して上述したカミソリのうちの１つに対応することができる。

【0080】

スマートカミソリは、例えば、Ｂｌｕｅｔｏｏｔｈ（登録商標）又はＢＬＥを介してハブ４２０に生データを無線で提供する。上述したように、生データは、多数の他の短距離無線通信技術を介して提供することができる。カミソリからハブ４２０に送信される生データは、カミソリ内のセンサによって収集されたデータであるカミソリからハブ４２０に送信される生データは、カミソリ内のセンサによって収集されたデータである。センサと生データについては、後で詳しく説明する。ハブ４２０は、生データを保存し、生データをクラウド構成要素４３０に送信する。例えば、ハブ４２０は、専用且つセキュアなＩＰプロトコルを介して生データをクラウド構成要素４３０に送信することができる。より具体的には、生データは、長距離接続（例えば、セルラー接続、光ファイバー接続、銅線接続など）を介して、クラウド（例えば、クラウドコンピュータネットワーク）内のサーバの専用ＩＰアドレスに送信することができる。

【0081】

より具体的には、一実施形態では、生データは、スマートカミソリからハブ４２０に直接提供され、その後、ハブ４２０は、生データをクラウド内のサーバに直接提供する。この実施形態では、ハブ４２０とサーバとの間で生データを通信するための仲介役として、モバイルデバイスは使用されない。また、スマートカミソリとハブ４２０の間で生データを通信するための仲介役として、モバイルデバイスは使用されない。後述するように、このような実施形態では、モバイルデバイスは、サーバから情報を受信するためにのみ使用される。モバイルデバイスは、生のカミソリデータを受信しない。

【0082】

クラウド４３０では、プラットフォーム・アズ・ア・サービス（ＰａａＳ）がアプリケーションゲートウェイ、例えば図４のクラウドゲートウェイ／ＩｏＴハブを提供し、生データを受信し、生データはニューラルネットワークモデル、例えば図１のＡＮＮ１２５などのモデルに入力される前に前処理を行う。使用されるモデルは、本明細書に記載される機械学習モデルのうちの１又は２以上に対応することができる。ストリーム前処理において、力及び容量センサデータは、周波数応答を平坦化するためにバターワースフィルタに通すことができる。更に、ニューラルネットワークへの入力は、ニューラルネットワークを高速化するために正規化することができる。更に、フィルタリングされた力センサ値は、トレーニング中の爆発的な勾配を緩和するためにスケールダウンすることができる。

【0083】

モデルは、生データ（前処理データとすることができる）を使用して、シェービング特徴を予測する。一実施例では、ニューラルネットワークモデルは、カミソリカートリッジの有効寿命の終わりを予測するために前処理データを使用する。例えば、フィルタリングされた時系列センサデータを入力として、ニューラルネットワークモデルは、カミソリの寿命が尽きる確率を示す出力を生成する。ニューラルネットワークモデルの一例については、後で詳しく説明する。

【0084】

ニューラルネットワークモデルの出力は、データベース、例えば、図４のデータストアに格納され、このデータベースは、ハイリチャイルデータベース、リレーショナルデータベース、オブジェクト指向データベースなどを含むことができる。一実施形態では、データストアは、Ａｚｕｒｅ ＳＱＬデータベースを含む。モデルからのデータ出力は、新しいカミソリカートリッジの交換オーダーを提供するためのアプリケーションを生成、展開、及び／又は使用するために、図示のアプリケーションサービス（Ａｐｐ Ｓｅｒｖｉｃｅｓ）により使用することができる。モデルの出力はまた、アプリケーションサービスによって、ユーザに他のフィードバックを提供するためのアプリケーションを生成、配備、及び／又は使用するために使用することができる。図示しないが、データストア及び／又はアプリケーションデータ（Ａｐｐ Ｄａｔａ）にアクセスする他のサービスプラットフォーム又はコンピュータデバイスは、予測された特徴に基づくサービス（例えば、交換サービス）及び／又は情報（例えば、フィードバック）を提供することができる。更に、ビジネス分析及び／又はサブスクリプションサービスプラットフォーム（例えば、Ｍｉｃｒｏｓｏｆｔ ３６５）内のビジネスインテリジェンス及び／又はアプリケーションツール（例えば、Ｐｏｗｅｒ Ａｐｐｓ／ＢＩ）は、モデルからのデータ出力を利用して、アプリケーションを構築及び／又は使用し、ビジネスインテリジェンス及び／又はデータマイニングツールを用いてデータから洞察を得て、決定を行い、レポートを生成するなどすることができる。

【0085】

アプリケーションサービスは、例えば、消費者構成要素４１０との通信を促進し、ユーザにインフォマティンを提供することができる。カミソリなどのパーソナルケア又は身だしなみ器具、器具又はツールのユーザは、例えば、モバイルデバイス上のソフトウェアアプリケーションを介して、その新しいカートリッジが途中にあることを通知することができる。例えば、ディスプレイは、１又は２以上の推奨（複数可）、交換オーダー確認（複数可）及び／又は承諾（複数可）、オーダー状況、使用終了メッセージ（複数可）（例えば、予測終了日、使用レベルなど）、又はデバイスもしくはユーザに関する他の使用情報などの通知をユーザが見ることができるグラフィカルユーザインタフェース（ＧＵＩ）を提供することができる。何れかの他の消費者構成要素及び／又はハブ４２０は、しかしながら、補充、フィードバック等に関連する情報を提供するように構成されたＧＵＩ、ダイオード、及び／又は触覚デバイスを介してフィードバックを受信するために何れかのサービスプラットフォームと通信することができる。

【0086】

従って、また、このモデルは、カミソリカートリッジの交換オーダーを生成するために使用されるものとして説明されてきたが、このモデルは、他の様々な用途に使用できることが理解される。例えば、ニューラルネットワークモデルは、カスタマイズされた推奨につながることができる使用習慣（シェービング習慣など）を識別するために、そこに提供されたデータを利用することができる。より具体的には、ニューラルネットワークは、製品の推奨、製品使用の調整、品質使用（シェービングなど）の推定残り表示数などを生成するために使用することができる。このように、提供されるサービス及び／又はフィードバックは、利用されるデバイスのタイプ（例えば、歯ブラシなど）、トレーニング、センサ構成、入力データ、使用パラメータ／機能／メタデータなど、又はこれらの組み合わせに基づいて、例えば、歯を磨く、髪を乾かす、及び／又は他の何れかのパーソナル身だしなみ処理に関連することができる。図４のこれらの追加の特徴及び他の態様については、後で更に詳しく説明する。更に、図示されたＰａａＳは、クラウドインフラストラクチャの１つの非限定的な実施形態である。従って、例えば、インフラストラクチャ・アズ・ア・サービス（ＩａａＳ）、ソフトウェア・アズ・ア・サービス（ＳａａＳ）などの１又は２以上の他のインフラストラクチャが、追加的又は代替的に実施できる。同様に、クラウド４３０の１又は２以上の態様は、例えばオンプレミス又は社内コンピュータネットワークなどの非クラウドコンピュータネットワークにおいて追加的又は代替的に実装することができる。

【0087】

図５は、本発明の概念の例示的な実施形態によるハブ５１０を示す図である。図５に示すように、ハブ５１０は、短距離無線通信モジュール５１２、Ｗｉ－Ｆｉモジュール５１４、マイクロコントローラ５１６、メモリ５１８、及び電源５２０を含む。

【0088】

短距離無線通信モジュール５１２は、Ｂｌｕｅｔｏｏｔｈ（登録商標）又はＢＬＥを採用することができる。ＺｉｇＢｅｅ（登録商標）、ＮＦＣ、ＵＷＢ、ＲＦＩＤなどを含むがこれらに限定されない様々な他の短距離無線通信技術がハブ５１０によって採用されてもよいことが理解される。短距離無線通信モジュール５１２は、ハブ５１０が、スマートカミソリ５０２、モバイルデバイス５０４、又はスマートミラー、スマート蛇口もしくはシャワーヘッド、照明、サーモスタットなどの他の無線通信デバイス５０６などの他の近くのデバイスと通信することを可能にする。本発明の概念の例示的な実施形態に従って、スマートデバイス（カミソリ５０２など）及びハブ５１０を介した通信は、暗号化することができる。例えば、スマートデバイス（カミソリ５０２など）とハブ５１０は、ＢＬＥリンクを確立するためにセキュア・シンプル・ペアリング（ＳＳＰ）を使用してペアリングすることができ、ペアリングされると、ＢＬＥリンクを介して暗号化された生データが送信することができる。

【0089】

デバイス（カミソリ５０２など）からハブ５１０に送信されたデータは、ハブのメモリ５１８に格納することができる。ハブ５１０は、ユーザがシェービングしている間、デバイス（カミソリ５０２など）からリアルタイムでデータを受信することができる。データの転送は、ハブ５１０からの要求に応答して行われてもよい。例えば、ハブ５１０のマイクロコントローラ５１６は、デバイス（カミソリ５０２など）に対して、そのオンボードメモリに格納された生データを送信するように定期的に要求するように構成することができる。定期的なデータ要求は、１日の時間（ＴＯＤ）などに基づくことができる。

【0090】

Ｗｉ－Ｆｉモジュール５１４は、ハブ５１０が、例えば、無線ホームネットワーク５３０と通信することを可能にする。ハブ５１０は、ネットワークとの通信を可能にする他の何れかの通信インタフェースを含むことができることが理解されよう。例えば、ハブ５１０は、電力線通信（ＰＬＣ）を可能にするモジュールを含むことができる。

【0091】

ハブ５１０は、無線ルータ５３２を介して、クラウド５３４内のサーバに生データを送信することができる。データは、デバイス（カミソリ５０２など）から受信されたときに、リアルタイムでクラウド５３４に送信することができる。また、ハブ５１０は、データをキューに入れ、所定期間後、所定量のデータが収集された後、特定の時間帯などにクラウド５３４に転送することができる。これらの転送時間は、ユーザがモバイルデバイス上のアプリケーションを介して設定することができる。また、データの転送は、クラウドサーバからのデータ要求に応じて行われることもある。これらのデータ要求は、所定期間後、所定量のデータが収集された後、特定の時間帯などに送信することができる。

【0092】

ハブ５１０とクラウドサーバとの間の通信はセキュアである。例えば、ハブ５１０からサーバに提供される全ての生データは、暗号化することができる。更に、サーバからハブ５１０への通信は、全て暗号化することができる。より具体的には、生データは、ハブ５１０とクラウドサーバとの間に存在するセキュアチャネルを介して送信することができる。セキュアチャネルは、例えば、Ａｄｖａｎｃｅｄ Ｍｅｓｓａｇｅ Ｑｕｅｕｉｎｇ Ｐｒｏｔｏｃｏｌ（ＡＭＱＰ）、Ｍｅｓｓａｇｅ Ｑｕｅｕｉｎｇ Ｔｅｌｅｍｅｔｒｙ Ｔｒａｎｓｐｏｒｔ（ＭＱＴＴ）、Ｈｙｐｅｒｔｅｘｔ Ｔｒａｎｓｆｅｒ Ｐｒｏｔｏｃｏｌ Ｓｅｃｕｒｅ（ＨＴＴＰＳ）等のプロトコルの何れかを採用することができる。ハブ５１０とクラウドサーバ間の認証とデータセキュリティのために、ＳＡＳＬ（Ｓｉｍｐｌｅ Ａｕｔｈｅｎｔｉｃａｔｉｏｎ ａｎｄ Ｓｅｃｕｒｉｔｙ Ｌａｙｅｒ）を使用することができる。

【0093】

ハブ５１０は、充電式又は非充電式のバッテリなどの独自の電源を含むことができる。また、ハブ５１０は、電源用のＵＳＢコネクタを含むことができるし、ハブが誘導充電を利用することができる。ＵＳＢコネクタは、データストアを兼ねてもよい。また、ハブ５１０は、電源レセプタクルに差し込むプラグを含むことができる。図５に示すように、ハブ５１０は、イーサネットブリッジに類似したスタンドアロンデバイスである。ハブ５１０は、例えば、ユーザがハブ５１０を旅行に持っていくことができるように、電源レセプタクルに差し込むことができる。一実施例では、ハブ５１０は、電源プロングを内蔵した実質的に立方体形状の壁アダプタのフォームファクタを有することができる。ハブ５１０は、シェービング器具などの器具のためのレセプタクルデバイスとして構成することができる。例えば、ハブ５１０は、ドック、スタンド、又はクレードルとすることができる。この場合、ハブ５１０は、デバイス（カミソリ５０２など）の充電、デバイス（カミソリ５０２など）の洗浄又は滅菌、並びにデバイスの故障及び／又は劣化の評価に使用できる。

【0094】

図６は、本開示の態様による、パーソナルケアシステムのためのフィードバックサーバ６００の一例を示す図である。

【0095】

サーバ６００は、図１及び８を参照しながら説明した対応する１又は複数の要素の一例とすることができる。サーバ６００は、プロセッサ構成要素６０５、メモリ構成要素６１０、データ収集構成要素６１５、フィードバック予測構成要素６２０、フィードバック構成要素６２５、及びトレーニング構成要素６３０を含むことができる。

【0096】

プロセッサ構成要素６０５は、図８を参照して説明した対応する１又は複数の要素の一例とすることができ、又はその態様を含むことができる。プロセッサは、インテリジェントなハードウェアデバイス、（例えば、汎用処理構成要素、デジタル信号プロセッサ（ＤＳＰ）、中央処理ユニット（ＣＰＵ）、グラフィックス処理ユニット（ＧＰＵ）、マイクロコントローラ、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、プログラマブル論理デバイス、離散ゲート又はトランジスタ論理構成要素、離散ハードウェア構成要素、又はその何れかの組み合わせ）を含むことができる。場合によっては、プロセッサは、メモリコントローラを使用してメモリアレイを動作させるように構成することができる。他の場合、メモリコントローラはプロセッサに統合することができる。プロセッサは、メモリに格納されたコンピュータ読み取り可能な命令を実行して様々な機能を実行するように構成することができる。幾つかの例では、プロセッサは、モデム処理、ベースバンド処理、デジタル信号処理、又は伝送処理のための特定用途の構成要素を含むことができる。幾つかの例では、プロセッサは、システムオンチップから構成することができる。

【0097】

メモリ構成要素６１０は、図８を参照して説明した対応する１又は複数の要素の一例とすることができ、又はその態様を含むことができる。コンピュータメモリは、コンピュータデバイス上の様々なプログラム及びアプリケーションのための情報を格納することができる。例えば、ストレージは、オペレーティングシステムを実行するためのデータを含むことができる。メモリは、揮発性メモリと不揮発性メモリの両方を含むことができる。揮発性メモリは、ランダムアクセスメモリ（ＲＡＭ）を含むことができ、不揮発性メモリは、リードオンリーメモリ（ＲＯＭ）、フラッシュメモリ、電気的消去可能プログラマブルリードオンリーメモリ（ＥＥＰＲＯＭ）、デジタルテープ、ハードディスクドライブ（ＨＤＤ）、及びソリッドステートドライブ（ＳＳＤ）を含むことができる。メモリは、他の可能な記憶デバイスとともに、読み取り及び／又は書き込み可能な揮発性メモリ及び／又は不揮発性メモリの何れかの組み合わせを含むことができる。

【0098】

データ収集構成要素６１５は、センサのセットを含むカミソリ（例えば、図１のデバイス１０５の一例）からのデータを識別することができる。データ収集構成要素６１５は、図８を参照して説明した対応する１又は複数の要素の一例であるか、又はその態様を含むことができる。従って、幾つかの例では、センサのセットは、ＩＭＵ３２０、キャパシタンス－デジタル変換器、力センサ２４０、リンスセンサ３３５、把持センサ３４０、温度センサ、加速度計、ジャイロスコープ、磁力計、抵抗接触、ピエゾ接触マイク、ホール効果センサ、外部カメラ、歪ゲージ、ロードセル、リードスイッチ、線形可変差動変換器、又はこれらの何れかの組み合わせを含むことができる。データ収集構成要素６１５は、カミソリへの無線通信接続部を介してデータを受信することもできる。

【0099】

一実施形態では、データ収集構成要素６１５は、図１のデバイス１０５のようなデバイス（例えば、カミソリ）上のセンサのセットからデータを収集する。幾つかの実施形態では、データ収集構成要素６１５は、ユーザ参加、調査、個人の主観的意見などの手段を通じて他のデータを識別し、収集することができる。一例では、参加者は、カートリッジがもはや効果的なシェービング体験を提供しないことを示すまで、カミソリ（例えば、図１のデバイス１０５の一例）を使用して同じカートリッジで定期的にシェービングを行う。参加者は、各シェービング後に、彼らのシェービング経験に関する主観的な意見に関する調査質問に回答することができる。従って、データ収集構成要素６１５によって収集されたデータは、図１に例示されたデバイス１０５からのセンサデータ（例えば、６０Ｈｚ、１２０Ｈｚなど）及び／又はシェービング経験に関するヘドニック調査データ（ＳＩＭＳデータとも呼ばれる場合がある）を含むことができる。更に、長寿シェービングテストは、２つの別々の試行（例えば、Ａ及びＢ）を実行することを含むことができる。試験Ａは３０日間に限定され、試験Ｂは期間限定でなくてもよい。両試験とも、２６名のユニークな参加者を含み、各試験に同じ参加者が存在することができる。

【0100】

一実施形態では、データ収集構成要素６１５は、カミソリ以外のパーソナルケアデバイス（例えば、図１のデバイス１０５）上のセンサのセットからデータを収集する。例えば、参加者は、デバイスがもはや効果的な経験を提供しないことを示すまで、歯を磨くか、又は他の何れかのパーソナル身だしなみ活動を行うことができる。参加者は、各セッションの後に、経験に対する主観的な意見に関する調査質問に回答することができる。

【0101】

一例では、グランドトゥルースデータは、図１のデバイス１０５のような複数のセンサ（例えば、加速度計、ジャイロスコープ、磁力計、画像キャプチャデバイス、ホール効果センサ、圧電センサ等）を有するカミソリ（又は他のシェービング器具）から収集することができる。図１のユーザ１００などのユーザがシェービング器具を利用する際に、カミソリのセンサによってグランドトゥルースデータが取り込むことができる。グランドトゥルースデータは、センサからコンパイルされたデータとすることができる。このように、グランドトゥルースデータは、人間の目には気づかない、又は検出できない情報（例えば、わずかな動き、各種動きのわずかな変動、各種動きの複数の組み合わせ、リアルタイムで同時にキャプチャされた各種動き、など）を含むことができる。別の実施形態では、グランドトゥルースデータは、加速度計、ジャイロ、ホール効果センサなどからのデータを有するデータセットを含むことができる。

【0102】

本開示の実施形態において、データ収集構成要素６１５は、データクリーンアップ、完全性チェック（例えば、ガベージイン／ガベージアウト）、特徴エンジニアリング及び抽出を含むことができる。入力データは、フィルタリングされた、時系列センサデータの複数のサブセットとすることができる。別の実施形態では、学習モデルは、ニューラルネットワークを作成することによって開発することができ、入力データは、派生するセンサデータ特徴（例えば、累積力、移動距離、力を受けた時間）であり、出力データは、カミソリ寿命の終了の確率である。

【0103】

幾つかの実施形態では、処理データは、シェービング日、シェービング時間、ストローク数（力及びＩＭＵセンサから）、リンス回数（ヘッド容量センサ）、総リンス時間、周囲温度、最小、最大、及び平均力、各方向（例えば、垂直上方、垂直下方、水平）におけるストローク数、並びにストロークの力ヒストグラムを含むことができる。
追加処理データには、ストローク（例えば、開始インデックス、終了インデックス、最大力、重力軸）、解析グラフ、フィルタリングデータが含まれる場合がある。

【0104】

幾つかの実施形態では、処理データは、日付、時間、ストローク数（力及びＩＭＵセンサから）、リンス回数（ヘッド容量センサ）、総リンス時間、周囲温度、最小、最大、及び平均力、各方向（例えば、垂直上方、垂直下方、水平）におけるストローク数、及びシェービングストローク以外のストロークに対する力ヒストグラム（例えば、歯ブラシのブラシストローク）などのシェービング以外の個人の身だしなみ活動に関する情報を含むことができる。

【0105】

特徴工学を参照すると、潜在的な２次（派生）特徴は、ストローク又はリンスイベントの開始及び終了、シェービング特性、ストローク当たりの平均力、カミソリの寿命のために適用される累積力、カミソリの寿命のための累積持続時間使用、シェービング間の壁時間、調査回答デルタ（すなわち、調査データの正規化のための回答者間の差異）、シェービング長又は移動距離、及びカミソリの寿命のための作業量を決定することを含みうる。

【0106】

本開示の一実施形態において、ストローク又はリンスイベントの開始及び終了を決定することは、より良い測定基準のためにこの期間に限定されたデータを使用することができる。場合によっては、シェービング特性などの使用特性は、ストローク数、ストローク方向（例えば、水平、垂直上、垂直下）、及びリンス回数を含むことができる。実施形態では、回答者調査回答デルタは、エンドユーザ経験の分析から、カミソリの状態などのデバイス状態を示すことができる。例えば、デバイスの使用品質（例えば、シェービング）が２回連続で１ポイント減少した場合、次の使用（例えば、シェービング）は最後の使用である。更に、シェービング品質が突然３ポイント減少した場合、カミソリは死んでいる。一実施形態では、カミソリの寿命に対する作業量は、作業＝力×距離として算出することができる。

【0107】

幾つかの実施形態において、統計的相関結果は、記載されたデータセットから抽出された２次特徴を含むことができる。例えば、抽出された２次特徴は、シェービングごとなどの使用ごとの全センサにわたる平均値、パネリスト典型なセンサデータからの偏差、累積シェービング時間などの累積時間、及び累積力を含むことができる。

【0108】

フィードバック予測構成要素６２０は、カミソリ（例えば、図１のデバイス１０５の一例）からのセンサのセットからの少なくともデータを使用してトレーニングされた機械学習モデルを使用して、カミソリ（例えば、図１のデバイス１０５の一例）からの入力データに少なくとも部分的に基づいて、一つ以上のシェービング特徴を予測することができる。例えば、入力データは、利用可能なセンサのサブセットからセンサデータを提供するように構成されたカミソリ、利用可能なセンサデータからセンサデータのサブセットを提供するように構成されたカミソリ、及び／又はカミソリのＩＭＵのみにより提供することができる。機械学習モデルをトレーニングするために使用されるデータは、例えば、入力データではない少なくとも１つの追加のセンサデータ（例えば、利用可能なセンサのサブセットよりも多くのセンサからのデータ、センサデータのより大きなサブセット、及び／又はトレーニング済みＩＭＵよりも多くのデータを提供するＩＭＵから、等）を含むことができる。市販のカミソリのＩＭＵは、シェービング機能を予測するための全ての生のセンサデータを提供することもできる。幾つかの実施形態では、サーバ６００は、シェービングストローク数、シェービング品質情報、カミソリ寿命の終わり情報、又はこれらの何れかの組み合わせを含むシェービング特徴を予測することができる。

【0109】

フィードバック予測構成要素６２０は、複数のセンサからの少なくともデータを使用してトレーニングされた機械学習モデルを使用して、デバイスからの入力データに少なくとも部分的に基づいて、シェービング以外の身だしなみ活動に関連する１又は２以上の特徴を予測することもできる。例えば、入力データは、利用可能なセンサのサブセットからセンサデータを提供するように構成されたデバイス、利用可能なセンサデータからセンサデータのサブセットを提供するように構成されたデバイス、及び／又はＩＭＵのみからのデータとすることができる。機械学習モデルをトレーニングするために使用されるデータは、例えば、入力データよりも少なくとも１つの追加のセンサデータを含むことができる。幾つかの実施形態では、サーバ６００は、ストローク数、品質情報、寿命の終わり情報、又はこれらの何れかの組み合わせを含む特徴を予測することができる。

【0110】

フィードバック構成要素６２５は、シェービングフィードバックなどの使用フィードバックを、シェービング特徴などのデバイス又は使用の１又は２以上の特徴に基づき提供することができる。幾つかの例では、シェービングフィードバックなどのフィードバックは、シェービング品質などの品質を向上させるための指示を含む。幾つかの例では、シェービングフィードバックなどのフィードバックは、カミソリ（又はカミソリカートリッジ）交換フィードバックなど、デバイスの少なくとも限定寿命構成要素の交換フィードバックを含む。

【0111】

フィードバック構成要素６２５は、例えば、デバイス（例えば、カミソリ）のセンサのサブセットからのデータを使用して、トレーニングされた機械学習モデルに基づいて、シェービングフィードバックなどのフィードバックを提供することができる。本開示の一実施形態において、フィードバック構成要素６２５は、図１のユーザ１００によって定期的にシェービングするために使用されるデバイス１０５の寿命の終わりなどのデバイスの寿命の終わりを示す確率を示す出力データを含むことができる。

【0112】

トレーニング構成要素６３０は、図８を参照して説明した対応する１又は複数の要素の一例とすることができ、又はその態様を含むことができる。幾つかの例では、機械学習モデルは、ユーザから収集された調査データを使用してトレーニングされ、調査データは、シェービング品質情報、カミソリ有効寿命情報、又はその両方を含む。実施形態において、トレーニング構成要素６３０は、図１に例示されるようなＡＮＮ１２５のような機械学習モデルを含むことができる。ＡＮＮ１２５は、デバイスの有効寿命情報を予測することができる。別の実施形態では、ＡＮＮ１２５の作成を通じて学習モデルが開発することができ、入力データは派生されたセンサデータ特徴（例えば、累積力、移動距離、力下の時間）であり、出力データはカミソリ寿命終了の可能性である。

【0113】

幾つかの例では、機械学習モデルは、ユーザから収集された調査データを用いてトレーニングされ、調査データは、シェービング以外の身だしなみ活動のための品質情報、寿命の終わり情報、又はその両方を含む。ＡＮＮ１２５は、デバイスの寿命終わり情報を予測することができる。別の実施形態では、ＡＮＮ１２５の作成を通じて学習モデルを開発することができ、入力データは派生するセンサデータ特徴（例えば、累積力、移動距離、力下の時間）であり、出力データは寿命終了の可能性である。

【0114】

別の実施形態において、学習モデルは、図１に示されるように、ＡＮＮ１２５を作成することを通じて開発することができ、入力データは、派生されたセンサデータ特徴（例えば、累積力、移動距離、力下の時間）であり、出力データは、寿命が尽きる可能性（例えば、カミソリ寿命が尽きること）である。

【0115】

実施形態において、グランドトゥルースデータは、シェービング実装メタデータを生成するために機械学習（ＭＬ）アルゴリズムに入力することができる。ＭＬアルゴリズムは、実装使用パラメータ（例えば、シェービング特徴）のメタデータを正確に決定するために、グランドトゥルースデータのどの部分が特定の信頼区間（ＣＩ）を提供するかを決定することができる。これは、事前に決定されたＣＩに到達するまで、反復プロセスとすることができる。このため、ＭＬアルゴリズムでは、各反復処理において、実装使用パラメータについてＣＩが満たされたかどうかを判断することができる。その結果、ＣＩを満たしている場合は、ＭＬアルゴリズムが進行することができ、ＣＩを満たしていない場合は、ＭＬアルゴリズムが入力ステップを繰り返することができる。一実施形態では、ストロークを正確に決定するために、複数のセンサからのデータが使用することができる。一実施形態では、複数のセンサからのデータを用いてストロークを正確に判断する。一例として、出力データをＭＬアルゴリズムによる予測データと比較し、データセット（センサのセット）がストロークを正確に判断できるかどうかを検証する。データセットがストロークを正確に決定できない場合、ＭＬアルゴリズムは、ｎ％より大きい（例えば、９０％より大きい）ＣＩに達するまで、繰り返することができる。ＭＬアルゴリズムは、より多くのデータを使用することができる。ＣＩを満たしたＭＬアルゴリズムの出力データをシェービング実装メタデータとする。場合によっては、カミソリに含まれていない少なくとも１つの追加センサの追加データを用いて機械学習モデルを学習することができる。

【0116】

実施形態において、グランドトゥルースデータは、カミソリ以外のデバイスのための用具メタデータを生成するためにＭＬアルゴリズムに入力することができる。ＭＬアルゴリズムは、グランドトゥルースデータのどの部分が、用具使用パラメータのメタデータを正確に決定するためのＣＩを提供するかを決定することができる。また、ＭＬアルゴリズムでは、どの部分のデータが、用具の使用パラメータのメタデータを正確に決定するためのＣＩを提供するかを決定する。このため、ＭＬアルゴリズムは、各反復において、実装使用パラメータについてＣＩが満たされたかどうかを判断することができる。その結果がＣＩを満たす場合、ＭＬアルゴリズムは先に進み、その結果がＣＩを満たさない場合、ＭＬアルゴリズムは入力ステップを繰り返することができる。

【0117】

図７は、本開示の態様による、パーソナルケアデバイスのためのフィードバック機械学習のためのプロセスの一例を示す図である。幾つかの例では、これらの動作は、装置の機能的要素を制御するためにコードのセットを実行するプロセッサを含むシステムによって実行することができる。追加的又は代替的に、プロセスは、特定用途のハードウェアを使用して実行することができる。一般に、これらの動作は、本開示の態様に従って記載される方法及びプロセスに従って実行することができる。例えば、動作は、様々なサブステップで構成することができ、又は本明細書に記載された他の動作と組み合わせて実行することができる。

【0118】

動作７００において、サーバ６００は、図１のデバイス１０５（例えば、カミソリ）のような、デバイス上のセンサのセットを含むデバイスからのデータを識別することができる。場合によっては、このステップの動作は、図６及び８を参照して説明したようなデータ収集構成要素６１５又は８１５を参照するか、又はこれらによって実行することができる。

【0119】

本開示の実施形態によれば、データ収集構成要素６１５は、データ準備、クリーンアップ及び完全性チェック（例えば、ガベージイン／ガベージアウト）、特徴エンジニアリング及び抽出を含むことができる。図１のＡＮＮ１２５のような機械学習モデルは、力センサ出力を予測するための深層ニューラルネットワークモデルを作成することを含むことができる。入力データにはＩＭＵセンサデータや容量センサデータが含まれ、出力データにはフォースセンサデータが含まれる場合がある。記録される生データは、秒単位の時間（ＵＴＣ－０）、ＩＭＵデータ（例えば、加速度（Ｘ、Ｙ、Ｚ）、ジャイロスコープ（Ｘ、Ｙ、Ｚ））、ヘッドに加えられる力、ヘッド内の金属インサートのキャパシタンス、ケース温度、重力軸（カミソリなどのデバイスの大まかな方向）、及びＦＳＲ校正値を含むことができる。生データは、パーソナルケアデバイス上の１又は２以上のセンサから取り込まれたデータ（例えば、ユーザグループからの追跡データなど）とパーソナルケアデバイスのデータを同時的に取り込むことができる、パーソナルケアデバイスに結合された６自由度（６ＤｏＦ）追跡デバイスからのデータを含むことができる。

【0120】

幾つかの実施形態では、センサのセットは、ＩＭＵ３２０、キャパシタンス－デジタル変換器、力センサ２４０、リンスセンサ３３５、把持センサ３４０、温度センサ、加速度計、ジャイロスコープ、磁力計、抵抗接触、ピエゾ接触マイク、ホール効果センサ、外部カメラ、歪ゲージ、ロードセル、リードスイッチ、線形可変差動変換器又はこれらの何れかの組み合わせを含むことができる。

【0121】

幾つかの実施形態では、処理データは、シェービング日、シェービング期間、ストローク数（力及びＩＭＵセンサから）、リンス数（ヘッド容量センサ）、総リンス時間、周囲温度、最小、最大、及び平均力、各方向（例えば、垂直上方、垂直下方、水平）におけるストローク数、並びにストロークの力ヒストグラムを含むこともできる。追加の処理データとして、ストローク（例えば、開始インデックス、終了インデックス、最大力、重力軸）、解析グラフ、フィルタリングデータを含むことができる。

【0122】

幾つかの実施形態では、処理データは、セッションの日付、時間、ストローク数（力及びＩＭＵセンサから）、リンス回数（ヘッド容量センサ）、総リンス時間、周囲温度、最小、最大、及び平均力、各方向（例えば、垂直上方、垂直下方、水平）におけるストローク数、及びストロークに対する力ヒストグラムなどのシェービング以外の身だしなみ活動に対する情報を含むこともできる。追加の処理データとして、ストローク（例えば、開始インデックス、終了インデックス、最大力、重力軸）、解析グラフ、フィルタリングデータを含むことができる。

【0123】

実施形態において、力及び容量センサデータは、周波数応答を平坦化するために、バターワースフィルタなどの信号処理フィルタに通すことができる。ニューラルネットワーク（例えば、ＡＮＮ１２５）への入力データは、０という平均値の周りで正規化することができる。このようにすることで、ニューラルネットワークを高速に進行させることができる場合がある。例えば、フィルタリングされた力センサの値は、学習中の爆発的な勾配を緩和するために１００倍にスケールダウンすることができる。

【0124】

動作７０５において、図６のサーバ６００などのサーバは、センサのセットからのデータを使用してトレーニングされた機械学習モデルを使用して、データに基づいて１又は２以上の特徴（例えば、シェービング特徴）を予測することができる。場合によっては、このステップの動作は、図６を参照して説明したようなフィードバック予測構成要素を参照するか、又はこれによって実行することができる。幾つかの実施形態では、１又は２以上の特徴は、ストローク数、品質情報、寿命の終わり情報、又はこれらの何れかの組み合わせを含むことができる。

【0125】

動作７１０で、図１のサーバ６００などのサーバは、１又は２以上の特徴に基づいてフィードバックを提供することができる。場合によっては、このステップの動作は、図６を参照して説明したようなフィードバック構成要素６２５を参照することができ、又はこれによって実行することができる。

【0126】

実施形態において、図１のサーバ６００などのサーバは、１又は２以上の特徴に基づいてフィードバックを提供することができる。幾つかの例では、フィードバックは、身だしなみセッションの質を向上させるための指示を含むことができる。フィードバックはまた、交換フィードバックを含むことができる。フィードバックは、センサのサブセットからのデータを使用して、トレーニングされた機械学習モデルに基づくことができる。本開示の一実施形態において、シェービングフィードバックは、デバイス１０５の寿命が尽きる確率を示す出力データを含むことができる。

【0127】

場合によっては、図１のサーバ６００のようなサーバは、シェービング以外のフィードバックを提供することができる。例えば、安全カミソリは、電源、（単方向）近距離通信デバイス（例えば、ＢｌｕｅＴｏｏｔｈ（登録商標））、及びＩＭＵ（例えば、多軸加速度計又はジャイロスコープ）を有することができる。カミソリの動きに関する生データ（例えば、速度、方向、加速度）は、ハブに送信することができる。ハブは、これらの生データを記載されたネットワーク内のプロセッサに転送することができる。プロセッサは、データを処理して運動の種類を決定するアルゴリズム（例えば、機械学習又は深層学習を適用する）を有する。動作には、通常のストローク（例えば、シェービングストローク）、偶発的な落下、ユーザが使用と使用の間にデバイス（例えば、カミソリ）を保管位置に置くこと、又はユーザがリンスのためにデバイス（例えば、カミソリ）を蛇口又はシャワーヘッドの下に位置付けることが含まれ得る。最後の例では、ネットワークからハブにリターン信号が送信され、デバイス（例：カミソリ）が「リンス」姿勢であると認識されている間、スマート蛇口又はシャワーヘッドが作動する。水道の蛇口やシャワーヘッドのオンタイムデータや流量データをユーザのスマートデバイス（例えば、電話、タブレットなど）上のアプリケーションに送信して、水の消費についてユーザを教育し、これを削減する方法を提案することができる。一部の実施形態では、モノのインターネット（ＩｏＴ）通信ネットワークの追加の機能を使用することができる。

【0128】

独立したブロック及び／又は特定の順序が説明のために示されているが、図７の方法のブロック又は図６の装置の構成要素の１又は２以上が、何れかの順序で組み合わせられ、省略され、バイパスされ、再配置され、及び／又は流れてもよく、何れかのデバイス又は単一のデバイス上に配置されてもよいことが理解されよう。例えば、図６に示される１又は２以上の構成要素及び／又は図７に示される１又は２以上のブロックは、追加的又は代替的に、パーソナルケアデバイス、ハブ、サーバ、ＩｏＴデバイス、又はこれらの組み合わせに存在するか又は実装することができる。

【0129】

図８は、本開示の態様による、パーソナルケアシステムのためのセンサ削減サーバ８００の一例を示す図である。サーバ８００は、図１を参照して説明した対応する１又は複数の要素の一例とすることができ、又はその態様を含むことができる。及び６を参照されたい。

【0130】

サーバ８００は、プロセッサ構成要素８０５、メモリ構成要素８１０、データ収集構成要素８１５、特徴選択構成要素８２０、センサ選択構成要素８２５、特徴予測構成要素８３０、及びトレーニング構成要素８３５を含むことができる。

【0131】

サーバ８００は、デバイス（例えば、図１のデバイス１０５）上のセンサの数を制限しながら特性（例えば、シェービング特性）を予測する対話型デバイス（例えば、カミソリ）深層学習モデルを含むことができる。本開示の実施形態によれば、サーバ８００は、幾つかのセンサを排除しても、デバイス又はその構成要素（例えば、カートリッジの）寿命の終わりを予測することができる。例えば、カミソリ（例えば、図１のデバイス１０５の一例）は、複数のセンサを有していてもよく、センサの幾つかが除去することができる。

【0132】

一実施形態において、図２の力センサ２４０のような力センサが取り除かれても、ストローク数を予測し、ストローク方向（例えば、水平、垂直アップ、垂直ダウンなど）を分類することができる。実施形態において、図３の容量センサ３２５のような容量センサは、除去することができ、なお且つリンスを分類することができる。別の実施形態では、シェービングの持続時間又はシェービングの長さなどの使用の持続時間又は長さは、ＩＭＵセンサデータから決定することができる。例えば、ユーザ又は学習モデルは、加速度及び時間データを使用して、シェービングの長さなどの長さを計算することができる。幾つかの実施形態では、シェービングの長さなどの長さは、寿命終わりの予測子として使用することができる。

【0133】

プロセッサ構成要素８０５は、図６を参照して説明した対応する１又は複数の要素の一例とすることができ、又はその態様を含むことができる。プロセッサ構成要素８０５は、図８を参照して説明した対応する１又は複数の要素の一例であるか、又はその様相を含むことができる。プロセッサは、インテリジェントなハードウェアデバイス、（例えば、汎用処理構成要素、デジタル信号プロセッサ（ＤＳＰ）、中央処理ユニット（ＣＰＵ）、グラフィックス処理ユニット（ＧＰＵ）、マイクロコントローラ、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、プログラマブル論理デバイス、離散ゲート又はトランジスタ論理構成要素、離散ハードウェア構成要素、又はこれらの何れかの組み合わせ）を含むことができる。場合によっては、プロセッサは、メモリコントローラを使用してメモリアレイを動作させるように構成することができる。他の場合、メモリコントローラはプロセッサに統合することができる。プロセッサは、メモリに格納されたコンピュータ読み取り可能な命令を実行して様々な機能を実行するように構成することができる。幾つかの例では、プロセッサは、モデム処理、ベースバンド処理、デジタル信号処理、又は伝送処理のための特定用途の構成要素を含むことができる。幾つかの例では、プロセッサは、システムオンチップから構成することができる。

【0134】

メモリ構成要素８１０は、図６を参照して説明した対応する１又は複数の要素の一例とすることができ、又はその態様を含むことができる。メモリ構成要素８１０は、図８を参照して説明した対応する１又は複数の要素の一例であるか、又はその態様を含むことができる。コンピュータメモリは、コンピュータデバイス上の様々なプログラム及びアプリケーションのための情報を格納することができる。例えば、ストレージは、オペレーティングシステムを実行するためのデータを含むことができる。メモリは、揮発性メモリと不揮発性メモリの両方を含むことができる。揮発性メモリは、ランダムアクセスメモリ（ＲＡＭ）を含むことができ、不揮発性メモリは、リードオンリーメモリ（ＲＯＭ）、フラッシュメモリ、電気的消去可能プログラマブルリードオンリーメモリ（ＥＥＰＲＯＭ）、デジタルテープ、ハードディスクドライブ（ＨＤＤ）、及びソリッドステートドライブ（ＳＳＤ）を含むことができる。メモリは、他の可能な記憶デバイスとともに、読み取り及び／又は書き込み可能な揮発性メモリ及び／又は不揮発性メモリの何れかの組み合わせを含むことができる。

【0135】

データ収集構成要素８１５は、図６を参照して説明した対応する１又は複数の要素の一例とすることができ、又はその態様を含むことができる。

【0136】

本開示の幾つかの実施形態は、実装構成データに基づいて構成された１又は２以上のセンサが、生の使用データを生成することを可能にすることができる。このプロセスは、インプリメンテーションの構成に依存することができる。例えば、構成が、インプルメント使用パラメータのためのシェービングインプルメントメタデータを正確に決定するために必要な最小数のセンサのみを備えたシェービングインプルメントなどのインプルメントを製造することを含む場合、図１のユーザ１００などのユーザは、物理的にインストールされた特定用途センサ（最小数であってよい）に電源を供給するデバイスに電源を入れるであろう。構成が、シェービング器具のメタデータを正確に決定するために必要な最小数のセンサに対して、シェービング器具上のセンサの総数を選択的に有効化又は無効化することを含む場合、図１のユーザ１００などのユーザは、最小数のセンサに対して選択的に電源オン又は電源オフすることになるだろう。構成が、これが取り込むことができるデータのサブセットのみ（例えば、加速度計データのサブセットのみ、軸データのサブセットなどのジャイロデータのサブセットのみ）を取り込むように１又は２以上のセンサを選択的にプログラムすることを含む場合、図１のユーザ１００などのユーザは、これが取り込むことができるデータのサブセットのみ（すなわち、それが従来取り込むことができるデータ（サブセットでもよい）を取り込み）を選択的にプログラムすることになるであろう。しかしながら、前述の例では、デバイスは、追加的又は代替的に、そのプロセッサによって実行される命令セット及び／又はそのメモリに格納される命令セットに基づいて、それ自体を自動的に有効化、無効化、及び／又はプログラムするように構成できる。

【0137】

ＭＬアルゴリズムから生成される実装メタデータは、プロセスのフロントエンドではなく、バックエンドで決定され、使用することができる。例えば、図３のＩＭＵ３２０のようなＩＭＵを有する市販のカミソリ、又は判定に必要な情報を収集するのに十分なセンサ・スイートは、可能な限り多くの生データを収集するために使用することができる。生データは、ハブに送られ、その後、図１の通信ネットワーク１１０のような通信ネットワークに送信することができる。通信ネットワークでは、出力（例えば、ストロークが発生したときに正確に判断できるデータのサブセットのシグネチャ）を使用して、生のセンサデータを評価し、シェービング器具が使用（例えば、ストローク）されているか又はどのように使用されているかを判断して、推奨（例えば、補充、製品の変更など）及び／又は商品の自動送信を行うことができる。

【0138】

特徴選択構成要素８２０は、データに基づいて、シェービング特徴などの１又は２以上の特徴を識別することができる。幾つかの例では、シェービング特徴などの１又は２以上の特徴は、ストローク数、ストローク方向、又はその両方を含む。

【0139】

センサ選択構成要素８２５は、センサのサブセットを識別することができ、ここで、センサの少なくとも１つは、センサのサブセットに含まれない。幾つかの例では、センサの少なくとも１つは、力センサを含む。

【0140】

本開示の実施形態は、シェービング実装を構成するためのシェービング実装メタデータを含み得る。構成は、ソフトウェア、ハードウェア、又はその両方の組み合わせで起こり得る。場合によっては、シェービング用具などの用具を構成することは、１又は２以上の特定用途のセンサを物理的に設置することを含むことができる。例えば、マイクロコードを使用してセンサを再設定する、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）などの設定可能なハードウェアを使用する、電圧レールを使用して構成要素を選択的にパワーオン又はパワーオフする、などである。幾つかの例では、シェービング器具などの器具の構成は、器具使用パラメータのためのシェービング器具メタデータを正確に決定するために必要な最小数のセンサのみを備えたシェービング器具を製造することを含むことができる。この構成は、シェービング用具などの用具のセンサの総数を、シェービング用具メタデータなどの用具メタデータを正確に決定するために必要な最小限のセンサの数に選択的に有効化又は無効化することを含むことができる。構成はまた、１又は２以上のセンサが、これが取り込むことができるデータのサブセットのみ（例えば、加速度計データのサブセットのみ、軸データのサブセットなどのジャイロデータのサブセットのみ）を取り込むように選択的にプログラミングすることを含むことができる。上記の構成の利点は、ハードウェアスタックの簡素化、より少ない電力の利用、より少ない処理の利用などを含み得る。本開示の一実施形態では、ＩＭＵは、シェービング器具に物理的に設置することができる。ＩＭＵは、機械学習モデル（例えば、深層ニューラルネットワーク）によってトレーニングされ、ストロークを正確に決定するために使用できる情報を提供することができる。

【0141】

特徴予測構成要素８３０は、カミソリからのようなデバイス（例えば、図１のデバイス１０５の一例）からのセンサのサブセットからのデータを使用して、シェービング特徴などの１又は２以上の特徴を予測するために機械学習モデルをトレーニングすることができる。幾つかの例では、機械学習モデルは、ストローク数、ストローク方向、又はその両方を含むシェービング特徴などの１又は２以上の特徴を予測することができる。

【0142】

トレーニング構成要素８３５は、図６を参照して説明した対応する１又は複数の要素の一例とすることができ、又はその態様を含むことができる。幾つかの実施形態では、機械学習モデルは、カミソリに含まれていない少なくとも１つの追加のセンサの追加のデータを使用してトレーニングされる。幾つかの例では、少なくとも１つの追加のセンサは、力センサを含む。更なる例では、最後の１つの追加センサは、パーソナルケアデバイス上の１又は２以上のセンサから取り込まれたデータ（例えば、ユーザのグループからの追跡データなど）とパーソナルケアデバイスのデータを同時的に取り込むことができるパーソナルケアデバイスに結合された６自由度（６ＤｏＦ）追跡デバイス上に配置される。

【0143】

実施形態において、グランドトゥルースデータは、ＭＬアルゴリズムに入力され、ストロークが発生したときに正確に判断できるデータのサブセット（従って、センサのサブセット）を決定することができる。一例では、出力データをＭＬアルゴリズムからの予測データと比較し、データのサブセット（センサのサブセット）が正確にストロークを決定できるかどうかを検証する。このような場合、ＭＬアルゴリズムは、ｎ％以上（例えば、９０％以上）のＣＩに到達するまで繰り返すことができる。ＭＬアルゴリズムは、より多くのデータを使用することができる。ＣＩを満たしたＭＬアルゴリズムの出力データをシェービング実装メタデータとする。

【0144】

実験は、センサ削減サーバ８００で行われる。幾つかの例では、参加者は、図１のデバイス１０５のようなカミソリを使用してシェービング、一方、観測者は、シェービング特性を記録する。生成されたデータは、図１のデバイス１０５のようなカミソリからのセンサデータ（例えば、１００Ｈｚ）、及びシェービング特性（例えば、ストローク数、ストローク方向、リンス回数）のグランドトゥルースデータを含むことができる。１００Ｈｚのグランドトゥルースデータセットは、９８に等しいシェイブデータセットカウントを有することができる。シェービングデータセットは、９７人のユニークな参加者又は他の統計的に有意な母集団を含むことができる。別の例では、１００Ｈｚのグランドトゥルースデータセットは、シェイブデータセットカウントが３０に等しいとすることができる。シェービングデータセットは、１５人のユニークな参加者を含むことができる。また、ＲＮＮ（例えば、ＬＳＴＭ－ＲＮＮ）が１００Ｈｚのセンサデータでトレーニングされる場合、力予測ニューラルネットワークからの結果は、センサデータ収集頻度が増加するにつれて著しく改善し、正確な特徴予測を提供する。一例では、予測された力曲線は、実質的なピークアライメントを伴う真の力曲線のパターンに従う。

【0145】

一実施形態は、生の使用データをサーバに保存する方法を説明する。この場合、生の使用データは、実装の構成、又は実装の構成データに基づいて構成された１又は２以上のセンサに依存することができる。例えば、構成が、用具使用パラメータのためのシェービング用具メタデータを正確に決定するために必要な最小数のセンサのみを有するシェービング用具を製造することを含む場合がある場合、データは、特定のデータ（例えば、全ての加速度計データのみ、全てのジャイロデータのみ、など）を収集するように提供されたＩＭＵからの全ての生データとすることができる。例えば、ユーザは物理的に設置された特定用途センサ（最小限の数でよい）に電力を供給するために、デバイスの電源を入れることができる。

【0146】

幾つかの実施形態によれば、構成が、シェービング用具のメタデータを正確に決定するために必要な最小数のセンサに、シェービング用具のセンサの総数を選択的に有効又は無効にすることを含む場合、ユーザは、データを収集するセンサに選択的に電源を入れたり切ったりすることになる。構成が、１又は２以上のセンサを選択的にプログラミングして、これが取り込むことができるデータのサブセットのみ（例えば、加速度計データのサブセットのみ、軸データのサブセットなどのジャイロデータのサブセットのみ）を取り込むことを含む場合、データは選択的にプログラミングされたセンサから収集することができる。或いは、市販のカミソリは、その能力で全ての生データを提供することができる。

【0147】

図９は、本開示の態様による、パーソナルケアデバイスのためのセンサ削減機械学習のためのプロセスの一例を示す図である。幾つかの例では、これらの動作は、装置の機能的要素を制御するためにコードのセットを実行するプロセッサを含むシステムによって実行することができる。追加的又は代替的に、処理は、特定用途のハードウェアを使用して実行することができる。一般に、これらの動作は、本開示の態様に従って説明される方法及びプロセスに従って実行することができる。例えば、動作は、様々なサブステップで構成することができ、又は本明細書に記載された他の動作と組み合わせて実行することができる。

【0148】

動作９００において、システムは、カミソリなどのデバイス（例えば、図１のデバイスの一例）上のセンサのセットからデータを収集する。場合によっては、このステップの動作は、図６及び８を参照して説明したようなデータ収集構成要素を参照するか、又はこれによって実行することができる。

【0149】

動作９０５において、システムは、データに基づいて、シェービング特徴などの１又は２以上の特徴を識別する。場合によっては、このステップの動作は、図８を参照して説明したような特徴選択構成要素を参照するか、これによって実行することができる。

【0150】

動作９１０において、システムは、センサのサブセットを識別し、センサの少なくとも１つがセンサのサブセットに含まれない。場合によっては、このステップの動作は、図８を参照して説明したようなセンサ選択構成要素を参照するか、又はこれによって実行することができる。

【0151】

幾つかの例では、シェービング器具の構成は、器具使用パラメータのためのシェービング器具メタデータを正確に決定するために必要な最小数のセンサのみを有するシェービング器具を製造することを含むことができる。また、この構成は、シェービング用具のセンサの総数を、シェービング用具メタデータを正確に決定するために必要な最小限のセンサの数まで選択的に有効化又は無効化することを含むことができる。構成はまた、１又は２以上のセンサが、これが取り込むことができるデータのサブセットのみ（例えば、加速度計データのサブセットのみ、ジャイロデータのサブセット、例えば軸データのサブセットなど）を取り込むように選択的にプログラミングすることを含むことができる。本開示の一実施形態では、ＩＭＵは、シェービング器具に物理的に設置することができる。
ＩＭＵは、機械学習モデル（例えば、深層ニューラルネットワーク）によってトレーニングされ、ストロークを正確に決定するために使用できる情報を提供することができる。

【0152】

幾つかの例では、カミソリ以外のパーソナルケアデバイスの構成は、インプルメント使用パラメータのインプルメントメタデータを正確に決定するために必要な最小数のセンサを有するデバイスを製造することを含むことができる。構成は、関連する実装メタデータを正確に決定するために必要な最小数のセンサに、実装上のセンサの合計数を選択的に有効化又は無効化することを含むことができる。構成はまた、それが取り込むことができるデータのサブセットのみ（例えば、加速度計データのサブセットのみ、軸データのサブセットなどのジャイロデータのサブセットのみ）を取り込むように１又は２以上のセンサを選択的にプログラミングすることを含むことができる。

【0153】

実施形態において、グランドトゥルースデータは、ストロークが発生したときに正確に決定することができるデータのサブセット（従って、センサのサブセット）を決定するためにＭＬアルゴリズムに入力することができる。一例では、出力データをＭＬアルゴリズムからの予測データと比較し、データのサブセット（センサのサブセット）がストロークを正確に決定することができるかどうかを検証する。このような場合、ＭＬアルゴリズムは、ｎ％以上（例えば、９０％以上）のＣＩに達するまで繰り返すことができる。ＭＬアルゴリズムは、より多くのデータを使用することができる。ＣＩを満たしたＭＬアルゴリズムの出力データは、シェービングインプレメタデータなどのインプレデータである。

【0154】

動作９１５で、システムは、センサのサブセットからのデータを使用して１又は２以上の特徴を予測するために機械学習モデルをトレーニングする。場合によっては、このステップの動作は、図８を参照して説明したような特徴予測構成要素を参照するか、又はこれによって実行することができる。

【0155】

本開示の一実施形態は、実装使用データを生成するために、生の使用データをアルゴリズムに入力することを説明する。生の使用データを参照データ（例えば、シェービング実装メタデータ）と比較する段階があってもよい。例えば、生データは、市販のカミソリ（特定の使用パラメータに対して十分な数のセンサを有する）又は構成されたシェービング器具から収集することができる。生の使用データは、メタデータ出力（グランドトゥルースデータのサブセットの署名は、ストロークが発生したときに正確に決定することができます）と比較器に入力され、シェービング器具が使用されているかどうか、又はどのように（例えば、ストローク）決定することができる。器具使用データは、使用を追跡するためのカウンタ（例えば、ストロークカウンタなど）に転送することができる。

【0156】

本開示の実施形態は、銀行から既存のデータを引き出すこと、ユーザからのライブデータ、ユーザのグループからのライブデータ、ユーザからの経時追跡データ、ユーザのグループからの追跡データ、又はこれらの何れかの組み合わせの組成を含む。データを組み合わせて（すなわち、ユーザによって入力されたデータとユーザから収集されたデータ）、終末予測を育成することができる。

【0157】

本開示の一実施形態は、データを使用する方法が記載される。本明細書で説明したものと同じ又は異なるクラウドサーバは、データを別のネットワークに送信することができ、データをメモリ（例えば、ストレージ、キャッシュなど）に送信することができる。一実施例では、データを使用するプロセスは、ユーザ情報又は一般参照情報にアクセスして、交換商品をユーザに自動的に発送することが適切かどうかを判断し、推奨事項を提供すること等を含むことができる。一実施形態では、ＳＱＬサーバがユーザからの情報を処理するために使用することができる。これは、企業サーバからのユーザプロファイルから、又はパーソナルコンピュータデバイスを介して（例えば、アプリケーションを介して）ユーザから直接、又はこれらの組み合わせから、ユーザの好み、支払い情報、カレンダー評価、確認などを受信することを含むことができる。

【0158】

一実施形態では、生の使用データは、カミソリカートリッジなどのデバイス又はその構成要素の％寿命終わりを正確に決定するために、記載されたシステム又はネットワークに入力できる。例えば、実施使用データ（例えば、ストローク数を示す）は、ユーザプロファイル、リアルタイム統計、又はアプリケーションを介したユーザ入力から収集されるユーザデータ（例えば、オーダーパターン、旅行パターン、カートリッジの好み、実際のストローク／カートリッジ、ストローク／カートリッジを用いる好み、等）とともに利用される。追加的又は代替的に、器具使用データは、一般的な参照データ（例えば、器具（例えば、カートリッジ）ごとの一般的なストローク、特定の年齢レイヤー、特定の地理的地域など）と比較することができる。ストローク、例えば、寿命のパーセント計算（例えば、残りの寿命の９０％）のために使用可能な寿命を決定するために使用することができ、これは次に推奨（他の製品、他のタイプのカートリッジ、コンパニオン製品など）又は補充に使用される。

【0159】

独立したブロック及び／又は特定の順序が説明のために示されているが、図９の方法の何れかのブロック又は図８の装置の構成要素の１又は２以上が、組み合わせられ、省略され、バイパスされ、再配置され、及び／又は何れかの順序で流れ、又は何れかのデバイス又は単一のデバイス上に配置できることが理解される。例えば、図８に示される１又は２以上の構成要素及び／又は図９に示される１又は２以上のブロックは、追加的又は代替的に、パーソナルケアデバイス、ハブ、サーバ、ＩｏＴデバイス、又はこれらの組み合わせに常駐するか又は実装することができる。

【0160】

追加の注記及び実施例

【0161】

追加の実施例は、機械学習モデルをトレーニングし、機械学習モデルを実行し、機械学習モデルのためのデータを取り込み及び／又は処理し、トレーニングされた機械学習モデルの出力に基づくフィードバックを提供し、又はこれらの組み合わせを行うシステム、装置、非一時的コンピュータ可読媒体、及び方法を含む。

【0162】

実施例１は、複数のセンサを含むパーソナルケアデバイスと、複数のセンサに結合されたプロセッサとを備え、プロセッサは、複数のセンサからのデータに基づいてパーソナルケアデバイスに関連する使用特徴を予測するようにトレーニングされた機械学習モデルを実行するように構成されるシステムを含むことができる。

【0163】

実施例２は、実施例１のシステムを含むことができ、複数のセンサが、パーソナルケアデバイスの慣性測定ユニット（ＩＭＵ）上に配置された加速度計及びジャイロスコープを含む。

【0164】

実施例３は、ＩＭＵは、３軸について軸ごとに少なくとも１つの加速度計及び３軸について軸ごとに少なくとも１つのジャイロスコープを含む、実施例１から実施例２の何れかのシステムを含むことができる。

【0165】

実施例４は、少なくとも１つの加速度計及び少なくとも１つのジャイロスコープの各々は、それぞれの微小電気機械システム（ＭＥＭＳ）を含む、実施例１から３の何れかに記載のシステムを含むことができる。

【0166】

実施例５は、ＩＭＵは、磁力計を欠いている、実施例１から４の何れかに記載のシステムを含むことができる。

【0167】

実施例６は、トレーニングされる機械学習モデル又はトレーニングされた機械学習モデルのうちの１又は２以上に磁力計からのデータが到達することを防止するためのフィルタを更に含む、実施例１から５の何れかに記載のシステムを含むことができる。

【0168】

実施例７は、プロセッサがＩＭＵ上に位置し、ＩＭＵ上の接続部を介して加速度計及びジャイロスコープに物理的に結合される、実施例１から６の何れかに記載のシステムを含むことができる。

【0169】

実施例８は、プロセッサは、パーソナルケアデバイスのコントローラ上に位置し、コントローラとＩＭＵとの間の接続部を介して複数のセンサに物理的に結合される、実施例１から７の何れかのシステムを含むことができる。実施例９は、プロセッサは、パーソナルケアデバイスに近接するハブ上に位置し、ハブとパーソナルケアデバイスとの間の接続部を介して複数のセンサに通信可能に結合される、実施例１から８の何れかのシステムを含むことができる。

【0170】

実施例１０は、プロセッサが、パーソナルケアデバイス又はパーソナルケアデバイスに近接するハブのうちの１又は２以上に通信可能に結合されたサーバ上に位置し、プロセッサが、サーバとパーソナルケアデバイス又はハブのうちの１又は２以上との間の接続部を介して複数のセンサに通信可能に結合されている、実施例１から９の何れかのシステムを含むことができる。

【0171】

実施例１１は、パーソナルケアデバイスが、短距離無線接続部を介して複数のセンサからのデータをハブに提供し、ハブが、長距離接続部を介してクラウドコンピュータネットワークに位置するサーバにデータを提供することになっている、実施例１～１０の何れかに記載のシステムを含むことができる。

【0172】

実施例１２は、機械学習モデルが、トレーニングされたスタック型長・短期記憶再帰型ニューラルネットワーク（ＬＳＴＭ－ＲＮＮ）である、実施例１～例１１の何れかに記載のシステムを含むことができる。

【0173】

実施例１３は、使用特徴が、パーソナルケアデバイスによって加えられた力、パーソナルケアデバイスによって移動した距離、パーソナルケアデバイスによって行われた作業、又はこれらの組み合わせを含む、実施例１から１２の何れかに記載のシステムを含むことができる。

【0174】

実施例１４は、プロセッサは、トレーニングされる機械学習モデルに入力される加速度計データ及びジャイロスコープデータのみに基づいて、パーソナルケアデバイスに関連する第１の使用特徴を予測する第１の機械学習モデルであって、第１の使用特徴が力を含む、第１の機械学習モデル、
トレーニングされる機械学習モデルに入力される加速度計データ及びジャイロスコープデータのみに基づいて、パーソナルケアデバイスに関連する第２の使用特徴を予測する第２の機械学習モデルであって、第２の使用特徴が移動距離を含む、第２の機械学習モデル、
又はトレーニングされる機械学習モデルに入力される加速度計データとジャイロスコープデータのみに基づいて、パーソナルケアデバイスに関連する第３の使用特徴を予測する第３の機械学習モデルであって、第３の使用特徴が、パーソナルケアデバイスによって行われる作業を含む、第３の機械学習モデルと、のうちの１又は２以上を実行するように構成される、実施例１から１３の何れかに記載のシステムを含むことができる。

【0175】

実施例１５は、プロセッサは、使用特徴に基づいて、パーソナルケアデバイスに関連するストローク数、ストローク力、ストローク距離、リンスイベント、又は寿命終わりの１又は２以上を予測するように構成される。実施例１～例１４の何れかに記載のシステムを含むことができる。

【0176】

実施例１６は、プロセッサが、使用特徴に基づいてストローク数、ストローク力、ストローク距離、リンスイベント、又は寿命終わりのうちの１又は２以上を予測する関数を利用すること、又は使用特徴に基づいてストローク数、ストローク力、ストローク距離、リンスイベント、又は寿命終わりのうちの１又は２以上を決定するためにトレーニングされた追加の機械学習モデルを実行すること、のうちの１又は２以上を行うように構成される、実施例１～１５の何れかのシステムを含むことができる。

【0177】

実施例１７は、パーソナルケアデバイスがカミソリデバイスを備える、実施例１～１６の何れかに記載のシステムを含むことができる。

【0178】

実施例１８は、カミソリデバイスが、モノのインターネット（ＩｏＴ）デバイスに近接し且つ通信可能に結合される、例１から１７の何れかに記載のシステムを含むことができる。実施例１９は、無線周波数インタフェース、メモリ、ストレージ、センサコントローラ、入力／出力デバイス、又はこれらの組み合わせを更に含む、実施例１から１８の何れかに記載のシステムを含むことができる。

【0179】

実施例２０は、プロセッサが、複数のセンサからのデータに基づいてパーソナルケアデバイスに関連する使用特徴を予測するために機械学習モデルをトレーニングする、複数のセンサからデータを収集する、又は使用特徴に基づいてフィードバックを提供する、のうちの１又は２以上を行うように構成される、実施例１から１９の何れかに記載のシステムを含むことができる。

【0180】

実施例２１は、プロセッサによって実行されたときに、プロセッサに実施例１～例２０の何れかのシステムを実装させる、命令のセットを含む少なくとも１つのコンピュータ可読記憶媒体を含むことができる。
例えば、少なくとも１つのコンピュータ可読記憶媒体は、実行されると、プロセッサに、複数のセンサからのデータに基づいてパーソナルケアデバイスに関連する使用特徴を予測するようにトレーニングされた機械学習モデルを実行させる、命令のセットを含む。

【0181】

実施例２２は、実施例１～２０の何れかに記載のシステムの動作を実行する方法を含むことができる。例えば、本方法は、パーソナルケアデバイスの複数のセンサを介してデータをキャプチャすることと、データに基づいてパーソナルケアデバイスに関連する使用特徴を予測するようにトレーニングされた機械学習モデルを実行することとを含むことができる。

【0182】

実施例２３は、実施例１～２０の何れかに記載のシステムの動作を実行する手段を含む方法を含むことができる。例えば、本方法は、パーソナルケアデバイスの複数のセンサを介してデータを取り込むための手段と、データに基づいてパーソナルケアデバイスに関連する使用特徴を予測するためにトレーニングされた機械学習モデルを実行するための手段とを含むことができる。

【0183】

実施例２４は、センサのセットのサブセットからのデータを使用してパーソナルケアデバイスに関連する使用特徴を予測するために機械学習モデルをトレーニングするように構成された特徴予測構成要素を含む特徴予測デバイスであって、特徴予測構成要素は、初期モデルパラメータのセットで機械学習モデルを初期化し、センサのセットのサブセットからのデータを機械学習モデルへ入力し、使用特徴に対応する出力データを生成するために機械学習モデルを実行し、機械学習モデルが使用特徴を予測するかどうかを決定するために出力データを参照データと比較し、機械学習モデルがパーソナルケアデバイスに関連する使用特徴を予測するまで、少なくとも１つのモデルパラメータを反復して更新し、センサのセットのサブセットからのデータを反復して入力し、出力データを参照データと反復して比較する、ように構成される、特徴予測デバイスを含むことができる。

【0184】

実施例２５は、初期モデルパラメータは、モデル幅、モデル長、モデルノード間のモデルリンク接続、入力データに適用される重み、入力データに適用されるバイアス、又はこれらの組み合わせを含む、実施例２４の特徴予測デバイスを含むことができる。

【0185】

実施例２６は、センサのセットのサブセットは、パーソナルケアデバイス上に配置された加速度計及びジャイロスコープを含み、特徴予測構成要素は、初期モデルパラメータのセットで機械学習モデルを初期化し、加速度計及びジャイロスコープからのデータを機械学習モデルへ入力するように構成される、例２４から２５の何れかに記載の特徴予測デバイスである。使用特徴に対応する出力データを生成するために機械学習モデルを実行し、機械学習モデルが使用特徴を予測するかどうかを決定するために出力データを参照データと比較し、機械学習モデルがパーソナルケアデバイスに関連する使用特徴を予測するまで、少なくとも１つのモデルパラメータを反復して更新し、加速度計及びジャイロスコープからのデータを反復して入力し、出力データを参照データと反復して比較する、ことを含む、実施例２４から２５の何れかに記載の特徴予測デバイスを含むことができる。

【0186】

実施例２７は、加速度計及びジャイロスコープが、パーソナルケアデバイスの慣性測定ユニット（ＩＭＵ）上に配置される、実施例２４から２６の何れかに記載の特徴予測デバイスを含むことができる。

【0187】

実施例２８は、特徴予測デバイスは、パーソナルケアデバイス又はパーソナルケアデバイスに近接するハブのうちの１又は２以上と通信可能に結合されたサーバ上に位置し、特徴予測構成要素は、サーバとパーソナルケアデバイス又はハブのうちの１又は２以上の間の接続部を介してセンサのセットのサブセットと通信可能に結合される、実施例２４から２７の何れかの特徴予測デバイスを含むことができる。

【0188】

実施例２９は、パーソナルケアデバイスは、短距離無線接続部を介して複数のセンサからのデータをハブに提供し、ハブは、長距離接続部を介してクラウドコンピュータネットワークに位置するサーバにデータを提供することになっている、実施例２４から２８の何れかに記載の特徴予測デバイスを含むことができる。

【0189】

実施例３０は、特徴予測構成要素は、パーソナルケアデバイス又はパーソナルケアデバイスに近接するハブのうちの１又は２以上に配置される、実施例２４から２９の何れかに記載の特徴予測デバイスを含むことができる。

【0190】

実施例３１は、機械学習モデルは、スタック型長・短期記憶再帰型ニューラルネットワーク（ＬＳＴＭ－ＲＮＮ）である、実施例２４から３０の何れかに記載の特徴予測デバイスを含むことができる。

【0191】

実施例３２は、使用特徴が、パーソナルケアデバイスによって加えられた力、パーソナルケアデバイスによって移動した距離、パーソナルケアデバイスによって行われた作業、又はこれらの組み合わせを含む、実施例２４から３１の何れかの特徴予測デバイスを含むことができる。

【0192】

実施例３３は、特徴予測構成要素は、
トレーニングされる機械学習モデルに入力される加速度計データ及びジャイロスコープデータのみに基づいてパーソナルケアデバイスに関連する第１の使用特徴を予測する第１の機械学習モデルを初期化及び実行し、第１の使用特徴が力を含み、参照データが、パーソナルケアデバイス上の力センサからのデータ、パーソナルケアデバイス上の容量センサからのデータ、又はこれらの組み合わせを含むこと、
トレーニングされる機械学習モデルに入力された加速度計データ及びジャイロスコープデータのみに基づいてパーソナルケアデバイスに関する第２の使用特徴を予測する第２の機械学習モデルを初期化し実行し、第２の使用特徴が移動距離を含み、参照データは、パーソナルケアデバイスに結合された６自由度（６ＤｏＦ）トラッキングデバイスからのデータを含むこと、
又は、トレーニングされる機械学習モデルに入力される加速度計データ及びジャイロスコープデータのみに基づいて、パーソナルケアデバイスに関連する第３の使用特徴を予測するために第３の機械学習モデルを初期化し実行し、第３の使用特徴は、パーソナルケアデバイスによって行われる作業を含み、参照データは、パーソナルケアデバイス上の力センサからのデータ、パーソナルケアデバイス上の容量センサからのデータ、６ＤｏＦトラッキングデバイスからのデータ、又はこれらの組み合わせを含むこと、のうちの１又は２以上を行うように構成される、実施例２４から３２の何れかに記載の特徴予測デバイスを含むことができる。

【0193】

実施例３４は、特徴予測構成要素は、使用特徴に基づいてパーソナルケアデバイスに関連するストローク数、ストローク力、ストローク距離、リンスイベント、又は寿命終わりのうちの１又は２以上を予測するように構成される、実施例２４から例３３の何れかの特徴予測デバイスを含むことができる。

【0194】

実施例３５は、特徴予測構成要素は、使用特徴に基づいてストローク数、ストローク力、ストローク距離、リンスイベント、又は寿命終わりのうちの１又は２以上を予測する関数を利用すること、或いは使用特徴に基づいてストローク数、ストローク力、ストローク距離、リンスイベント、又は寿命終わりのうちの１又は２以上を決定するようにトレーニングされた追加の機械学習モデルを実行すること、のうちの１又は２以上を行うよう構成されている、実施例２４から３４の何れかに記載の特徴予測デバイスを含むことができる。

【0195】

実施例３６は、パーソナルケアデバイスがカミソリデバイスを備える、実施例２４から３５の何れかに記載の特徴予測デバイスを含むことができる。

【0196】

実施例３７は、センサのセットからデータを収集し、センサのセットは、パーソナルケアデバイスの加速度計と、パーソナルケアデバイスのジャイロスコープと、パーソナルケアデバイス上に配置された追加のセンサと、又はこれらの組み合わせとを含むこと、又は機械学習モデルに到達する前にデータを準備すること、又は機械学習モデルをトレーニングするために使用されるべきユーザプロファイルデータを収集することのうちの１又は２以上を行うように構成されたデータ収集構成要素を含むデータ収集デバイスと、パーソナルケアデバイスに関連する使用特徴に基づくフィードバックを提供するように構成されたフィードバック構成要素を含むフィードバックデバイスとのうちの１又は２以上を更に備える、実施例２４から３６の何れかの特徴予測デバイスを含むことができる。

【0197】

実施例３８は、プロセッサによって実行されたときに、プロセッサに実施例２４から実施例３７の何れかの特徴予測デバイスを実装させる、命令のセットを含む少なくとも１つのコンピュータ可読記憶媒体を含むことができる。例えば、少なくとも１つのコンピュータ可読記憶媒体は、実行されると、プロセッサに、センサのセットのサブセットからのデータを使用してパーソナルケアデバイスに関連する使用特徴を予測するために機械学習モデルをトレーニングする特徴予測構成要素を実装させる命令のセットを含む。

【0198】

実施例３９は、実施例２４から実施例３７の何れかの特徴予測デバイスの動作を実装するための方法を含むことができる。例えば、本方法は、センサのセットのサブセットからのデータを使用してパーソナルケアデバイスに関連する使用特徴を予測するために機械学習モデルをトレーニングすることを含むことができる。

【0199】

実施例４０は、実施例２４から３７の何れかに記載の特徴予測デバイスの動作を実施する手段を含む方法を含むことができる。例えば、本方法は、センサのセットのサブセットからのデータを使用してパーソナルケアデバイスに関連する使用特徴を予測するために機械学習モデルをトレーニングするための手段を含むことができる。

【0200】

実施例４１は、センサのセットからデータを収集するように構成されたデータ収集構成要素を含むデータ収集デバイスを含むことができ、センサのセットは、パーソナルケアデバイス上の加速度計、パーソナルケアデバイス上のジャイロスコープ、及びパーソナルケアデバイス上に配置された追加のセンサ、パーソナルケアデバイスに結合された追跡デバイス上に配置された追加のセンサ、又はこれらの組み合わせを含む。

【0201】

実施例４２は、データ収集構成要素は、データへのアクセスを提供するようになっており、データは、センサのセットのサブセットからデータを受け取るようになっているトレーニングされる機械学習モデルからの出力データを受け取り、センサのセットから参照データを受け取り、出力データを参照データと比較するように構成された比較器と、センサのサブセットのセットからのデータに基づいてパーソナルケアデバイスに関連する使用特徴を予測するようにトレーニングされた機械学習モデルとの１又は２以上に提供されるべきである、実施例４１のデータ収集デバイスを含むことができる。

【0202】

実施例４３は、センサのセットは、ＩＭＵ、キャパシタンス－デジタル変換器、力センサ、リンスセンサ、把持センサ、温度センサ、加速度計、ジャイロスコープ、磁力計、抵抗接触、圧電接触マイク、ホール効果センサ、外部カメラ、歪ゲージ、ロードセル、リードスイッチ、線形可変差動変換器又はこれらの組み合わせを含む、実施例４１から実施例４２の何れかのデータ収集デバイスを含むことができる。

【0203】

実施例４４は、データ収集構成要素は、機械学習モデルに到達する前にデータを準備するように構成される、実施例４１から実施例４３の何れかのデータ収集デバイスを含むことができる。

【0204】

実施例４５は、データ収集構成要素は、平坦化、正規化、再スケーリング、クロック同期、除去及び分割、又はこれらの組み合わせを実施するように構成される、実施例４１から実施例４４の何れかのデータ収集デバイスを含むことができる。

【0205】

実施例４６は、平坦化は、入力データをバターワースフィルタに通して周波数応答を平坦化することを含み、正規化は、入力データを平均値の周りで正規化することを含み、再スケーリングは、入力データを縮小してトレーニング中の爆発勾配を最小化することを含む、実施例４１から実施例４５の何れかのデータ収集デバイスを含むことができる。

【0206】

実施例４７は、クロック同期化は、入力データと参照データとの間のオフセットを排除するために、入力データ及び参照データにおいて対応する信号を使用することを含む、実施例４１から実施例４６の何れかのデータ収集デバイスを含むことができる。

【0207】

実施例４８は、除去及び分割は、参照データにおける所定の期間より長い非活動期間を除去すること、及び残りの活動期間を活動のサブセット期間に分割することを含む、実施例４１から実施例４７の何れかのデータ収集デバイスを含むことができる。

【0208】

実施例４９は、データ収集構成要素は、機械学習モデルをトレーニングするために使用されるユーザプロファイルデータを収集するように構成される、実施例４１から実施例４８の何れかに記載のデータ収集デバイスを含むことができる。

【0209】

実施例５０は、ユーザプロファイルデータは、アンケートデータを含む、実施例４１から実施例４９の何れかのデータ収集デバイスを含むことができる。

【0210】

実施例５１は、データ収集構成要素が、パーソナルケアデバイス、パーソナルケアデバイスに近接して結合されたハブ、又はパーソナルケアデバイスもしくはハブのうちの１又は２以上に結合されたサーバのうちの１又は２以上に配置されている、実施例４１から５０の何れかのデータ収集デバイスを含むことができる。

【0211】

実施例５２は、プロセッサによって実行されたときに、プロセッサに実施例４１から実施例５１の何れかのデータ収集デバイスを実装させる、命令のセットを含む少なくとも１つのコンピュータ可読記憶媒体を含むことができる。例えば、少なくとも１つのコンピュータ可読記憶媒体は、実行されると、プロセッサに、センサのセットからデータを収集するデータ収集構成要素を実装させる命令のセットを含み、センサのセットは、パーソナルケアデバイス上の加速度計、パーソナルケアデバイス上のジャイロスコープ、及びパーソナルケアデバイス上に配置された追加のセンサ、パーソナルケアデバイスに結合した追跡デバイスに位置する追加のセンサ又はこれらの組み合わせを含む。

【0212】

実施例５３は、実施例４１から実施例５１の何れかのデータ収集デバイスの動作を実施する方法を含むことができる。例えば、本方法は、センサのセットからデータを収集することを含むことができ、センサのセットは、パーソナルケアデバイス上の加速度計、パーソナルケアデバイス上のジャイロスコープ、及びパーソナルケアデバイス上に配置された追加のセンサ、パーソナルケアデバイスに結合されたトラッキングデバイス上に配置された追加のセンサ、又はこれらの組み合わせを含む。

【0213】

実施例５４は、実施例４１から５１の何れかのデータ収集デバイスの動作を実施するための手段を含む方法を含むことができる。例えば、本方法は、センサのセットからデータを収集する手段を含むことができ、センサのセットは、パーソナルケアデバイス上の加速度計、パーソナルケアデバイス上のジャイロスコープ、及びパーソナルケアデバイス上に配置された追加のセンサ、パーソナルケアデバイスに結合されたトラッキングデバイス上に配置された追加のセンサ、又はこれらの組み合わせを含む。

【0214】

実施例５５は、パーソナルケアデバイスに関連する使用特徴に基づいてフィードバックを提供するように構成されたフィードバック構成要素を含むフィードバックデバイスであって、使用特徴は、センサのセットのサブセットからのデータを使用してトレーニングされた機械学習モデルを使用して予測される、フィードバックデバイスを含むことができる。

【0215】

実施例５６は、フィードバックは、パーソナルケアデバイス上の制御機能、パーソナルケアデバイスに近接するモノのインターネット（ＩｏＴ）デバイス上の制御機能、使用推奨、補充機能、交換情報、又はこれらの組み合わせを含む、実施例５５のフィードバックデバイスを含むことができる。

【0216】

実施例５７は、フィードバック部品は、パーソナルケアデバイスの要素を制御するための制御命令を開始するように構成される、実施例５５から５６の何れかに記載のフィードバックデバイスを含むことができる。

【0217】

実施例５８は、パーソナルケアデバイスがカミソリデバイスを含み、要素がカミソリデバイスのカートリッジ又はカミソリデバイスのディスペンサーのうちの１又は２以上を含み、フィードバック構成要素が、制御命令がカミソリデバイスのカートリッジに結合されたコントローラモジュールに到達させて、カートリッジの１又は２以上の構成要素がどのようにユーザに触れるかを変更させること、又は制御命令がカミソリデバイスのディスペンサーに結合されたコントローラモジュールに到達させて、パーソナルケア組成物がカミソリデバイスからどのように分注されるかを変更させること、の何れかを含む、実施例５５から５７の何れかのフィードバックデバイスを含むことができる。

【0218】

実施例５９は、フィードバック部品が、パーソナルケアデバイス、パーソナルケアデバイスに近接して結合されたハブ、又はパーソナルケアデバイスもしくはハブのうちの１又は２以上に結合されたサーバのうちの１又は２以上に配置されている、実施例５５から５８の何れかに記載のフィードバックデバイスを含むことができる。

【0219】

実施例６０は、プロセッサによって実行されたときに、プロセッサに実施例５５から５９の何れかのデータ収集デバイスを実装させる、命令のセットを含む少なくとも１つのコンピュータ可読記憶媒体を含むことができる。例えば、少なくとも１つのコンピュータ可読記憶媒体は、命令のセットを含み、この命令は、実行されると、プロセッサに、パーソナルケアデバイスに関連する使用特徴に基づいてフィードバックを提供するフィードバック構成要素を実装させ、使用特徴は、センサのセットのサブセットからのデータを使用してトレーニングされた機械学習モデルを使用して予測される。

【0220】

実施例６１は、実施例５５から５９の何れかのフィードバックデバイスの動作を実施する方法を含むことができる。例えば、本方法は、パーソナルケアデバイスに関連する使用特徴に基づいてフィードバックを提供することを含むことができ、使用特徴は、センサのセットのサブセットからのデータを使用してトレーニングされた機械学習モデルを使用して予測される。

【0221】

実施例６２は、実施例５５から５９の何れかに記載のフィードバックデバイスの動作を実施する手段を含む方法を含むことができる。例えば、本方法は、パーソナルケアデバイスに関連する使用特徴に基づいてフィードバックを提供するための手段を含むことができ、使用特徴は、センサのセットのサブセットからのデータを使用してトレーニングされた機械学習モデルを使用して予測される。

【0222】

本明細書に記載された説明及び図面は、例示的な構成を表し、特許請求の範囲内の全ての実施構成を表すものではない。例えば、動作やステップは、再配置され、組み合わされ、又は他の方法で変更することができる。また、構造及びデバイスは、構成要素間の関係を表し且つ記載された概念を不明瞭にしないために、ブロック図の形態で表することができる。類似の構成要素及び特徴は、同じ名称を有することができるが、異なる図に対応する異なる参照番号を有することもできる。

【0223】

本開示の幾つかの変形形態は、当業者には容易に明らかとすることができ、本明細書で定義された原理は、本開示の範囲から逸脱することなく、他の変形形態に適用することができる。従って、本開示は、本明細書に記載された実施例及び設計に限定されるものではなく、本明細書に開示された原理及び新規の特徴と一致する最も広範囲が与えられるべきである。

【0224】

記載された方法及び／又は構成要素は、汎用プロセッサ、デジタル信号プロセッサ（ＤＳＰ）、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）又は他のプログラマブル論理デバイス、離散ゲート又はトランジスタ論理、離散ハードウェア構成要素、又はこれらの何れかの組み合わせを含むデバイスによって実装又は実行することができる。汎用プロセッサは、マイクロプロセッサ、従来のプロセッサ、コントローラ、マイクロコントローラ、又は状態マシンとすることができる。また、プロセッサは、コンピュータデバイスの組み合わせ（例えば、ＤＳＰとマイクロプロセッサの組み合わせ、複数のマイクロプロセッサ、ＤＳＰコアと組み合わせた１又は２以上のマイクロプロセッサ、又はその他の構成）として実装することができる。このように、本明細書に記載された特徴は、ハードウェア又はソフトウェアにおいて実装することができ、プロセッサ、ファームウェア、又はこれらの何れかの組み合わせによって実行することができる。プロセッサによって実行されるソフトウェアにおいて実装される場合、特徴は、コンピュータ可読媒体に命令又はコードの形態で格納することができる。

【0225】

コンピュータ可読媒体は、非一時的なコンピュータ記憶媒体と、コード又はデータの転送を容易にするあらゆる媒体を含む通信媒体との両方を含む。非一時的な記憶媒体は、コンピュータによってアクセスすることができる何れかの利用可能な媒体とすることができる。例えば、非一時的なコンピュータ可読媒体は、ランダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、電気的に消去可能なプログラム可能読み取り専用メモリ（ＥＥＰＲＯＭ）、コンパクトディスク（ＣＤ）又は他の光ディスクストレージ、磁気ディスクストレージ、又はデータ又はコードを搬送又は格納する他の何れかの非一時的な媒体を含むことができる。

【0226】

また、接続構成要素は、適切にコンピュータ可読媒体と呼ぶことができる。例えば、同軸ケーブル、光ファイバーケーブル、ツイストペア、デジタル加入者線（ＤＳＬ）、赤外線、無線、マイクロ波信号などの無線技術を用いて、ウェブサイト、サーバ、その他のリモートソースからコード又はデータを送信する場合、同軸ケーブル、光ファイバーケーブル、ツイストペア、ＤＳＬ、無線技術も媒体の定義に含まれる。また、媒体の組み合わせもコンピュータ読み取り可能な媒体の範囲に含まれる。

【0227】

本開示及び添付の請求項において、単語「又は」は、例えば、Ｘ、Ｙ、又はＺのリストが、Ｘ又はＹ又はＺ又はＸＹ又はＸＺ又はＹＺ又はＸＹＺを意味するように、包括的なリストを示している。同様に、Ｘ、Ｙ、Ｚのうちの１又は２以上のリスト、又はＸ、Ｙ、Ｚのリスト、又はこれらの組み合わせは、Ｘ又はＹ又はＺ又はＸＹ又はＸＺ又はＹＺ又はＸＹＺを意味する。また、「に基づく」という表現は、閉じた条件の集合を表すのに使用されるものではない。例えば、「条件Ａに基づく」と記載されているステップは、条件Ａと条件Ｂの両方に基づくことができる。換言すると、「に基づく」という表現は、「少なくとも部分的に基づく」という意味に解釈される。また、「ａ」又は「ａｎ」は、「少なくとも１つ」を示す。

【符号の説明】

【0228】

１００ ユーザ
１０５ デバイス
１１０ 通信ネットワーク
１１５ ストレージ
１２０ サーバ
１２５ 人工ニューラルネットワーク

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【手続補正書】

【提出日】2023-01-10

【手続補正1】

【補正対象書類名】特許請求の範囲

【補正対象項目名】全文

【補正方法】変更

【補正の内容】

【特許請求の範囲】

【請求項1】

システムであって、
複数のセンサを含むパーソナルケアデバイスであって、前記複数のセンサは、前記パーソナルケアデバイスの慣性測定ユニット（ＩＭＵ）上に配置された加速度計及びジャイロスコープを含む、パーソナルケアデバイスと、
前記複数のセンサに結合されたプロセッサであって、前記プロセッサは、前記複数のセンサからのデータに基づいて前記パーソナルケアデバイスに関連する使用特徴を予測するようにトレーニングされている機械学習モデルを実行するように構成された、プロセッサと、
を備え、
前記使用特徴は、力を予測するようにトレーニングされている機械学習モデルに入力された加速度計データ及びジャイロスコープデータに基づいて予測される、前記パーソナルケアデバイスによって加えられる力、又は移動距離を予測するようにトレーニングされている機械学習モデルに入力された加速度計データ及びジャイロスコープデータに基づいて予測される、前記パーソナルケアデバイスによって移動した距離、又はこれらの組み合わせを含む、
システム。

【請求項2】

前記ＩＭＵが磁力計を欠いているか、又は前記システムが更に、磁力計からのデータが、トレーニングされる機械学習モデル又は前記使用特徴を予測するようにトレーニングされている前記機械学習モデルのうちの１又は２以上に到達することを防止するフィルタを含む、請求項１に記載のシステム。

【請求項3】

前記プロセッサは、
前記ＩＭＵ上に配置され、前記ＩＭＵ上の接続部を介して前記加速度計及び前記ジャイロスコープに物理的に結合されるか、
又は、
前記パーソナルケアデバイスのコントローラ上に配置され、前記コントローラと前記ＩＭＵとの間の接続部を介して前記複数のセンサに物理的に結合されるか、
又は
前記パーソナルケアデバイスに近接するハブ上に配置され、前記ハブと前記パーソナルケアデバイスとの間の接続部を介して前記複数のセンサに通信可能に結合されるか、
又は
前記パーソナルケアデバイス又は前記パーソナルケアデバイスに近接する前記ハブのうちの１又は２以上に通信可能に結合されたサーバ上に配置され、前記プロセッサは、前記サーバと前記パーソナルケアデバイス又は前記ハブのうちの１又は２以上との間の接続部を介して前記複数のセンサに通信可能に結合される、
請求項１に記載のシステム。

【請求項4】

前記機械学習モデルは、トレーニングされているスタック型長短期記憶再帰型ニューラルネットワーク（ＬＳＴＭ－ＲＮＮ）である、請求項１に記載のシステム。

【請求項5】

前記プロセッサは、独立して予測された力及び移動距離に基づいて、前記パーソナルケアデバイスによって行われた作業を算出するように構成される、請求項１に記載のシステム。

【請求項6】

前記プロセッサは、
第１の機械学習モデルであって、前記第１の機械学習モデルに入力された前記加速度計データ及び前記ジャイロスコープデータのみに基づいて、前記力を予測する第１の機械学習モデル、又は
第２の機械学習モデルであって、前記第２の機械学習モデルに入力された加速度計データ及びジャイロスコープデータのみに基づいて、前記移動距離を予測する第２の機械学習モデル、又は
第３の機械学習モデルであって、前記第３の機械学習モデルに入力された加速度計データ及びジャイロスコープデータのみに基づいて、前記パーソナルケアデバイスによって実行される作業を予測する第３の機械学習モデル、
のうちの１又は２以上を実行するように構成される、請求項１に記載のシステム。

【請求項7】

前記プロセッサは、前記使用特徴に基づいて、前記パーソナルケアデバイスに関連するストローク数、ストローク力、ストローク距離、リンスイベント、又は寿命終わりのうちの１又は２以上を予測するように構成される、請求項１に記載のシステム。

【請求項8】

前記プロセッサは、
前記使用特徴に基づいて前記ストローク数、前記ストローク力、前記ストローク距離、前記リンスイベント、又は前記寿命終わりのうちの１又は２以上を予測する関数を利用すること、
又は、前記使用特徴に基づいて前記ストローク数、前記ストローク力、前記ストローク距離、前記リンスイベント、又は前記寿命終わりのうちの１又は２以上を決定するようにトレーニングされた追加の機械学習モデルを実行すること、
のうちの１又は２以上を行うように構成される、請求項７に記載のシステム。

【請求項9】

前記パーソナルケアデバイスは、カミソリデバイスを含む、請求項１に記載のシステム。

【請求項10】

前記カミソリデバイスは、モノのインターネット（ＩｏＴ）デバイスに近接し且つ通信可能に結合される、請求項９に記載のシステム。

【請求項11】

無線周波数インタフェース、メモリ、ストレージ、センサコントローラ、入力／出力デバイス、又はこれらの組み合わせを更に備える、請求項１に記載のシステム。

【請求項12】

前記プロセッサは、
前記複数のセンサからの前記データに基づいて前記パーソナルケアデバイスに関連する前記使用特徴を予測するために前記機械学習モデルをトレーニングすること、
前記複数のセンサからデータを収集すること、
又は
前記使用特徴に基づくフィードバックを提供すること、
のうちの１又は２以上を行うように構成される、請求項１に記載のシステム。

【請求項13】

プロセッサによって実行されたときに、複数のセンサからのデータに基づいてパーソナルケアデバイスに関連する使用特徴を予測するようにトレーニングされている機械学習モデルを前記プロセッサに実行させる命令のセットを含む少なくとも１つのコンピュータ可読記憶媒体であって、
前記複数のセンサが、前記パーソナルケアデバイスの慣性測定ユニット（ＩＭＵ）上に配置された加速度計及びジャイロスコープを含み、
前記使用特徴が、力を予測するようにトレーニングされている機械学習モデルに入力された加速度計データ及びジャイロスコープデータに基づいて予測される、前記パーソナルケアデバイスによって加えられる力、又は移動距離を予測するようにトレーニングされている機械学習モデルに入力された加速度計データ及びジャイロスコープデータに基づいて予測される、前記パーソナルケアデバイスによって移動した距離、又はこれらの組み合わせを含む、
少なくとも１つのコンピュータ可読記憶媒体。

【請求項14】

複数のセンサからのデータに基づいてパーソナルケアデバイスに関連する使用特徴を予測するようにトレーニングされている機械学習モデルを実行するステップを含む方法であって、
前記複数のセンサが、前記パーソナルケアデバイスの慣性測定ユニット（ＩＭＵ）上に配置された加速度計及びジャイロスコープを含み、
前記使用特徴が、力を予測するようにトレーニングされている機械学習モデルに入力された加速度計データ及びジャイロスコープデータに基づいて予測される、前記パーソナルケアデバイスによって加えられる力、又は移動距離を予測するようにトレーニングされている機械学習モデルに入力された加速度計データ及びジャイロスコープデータに基づいて予測される、前記パーソナルケアデバイスによって移動した距離、又はこれらの組み合わせを含む、方法。

【請求項15】

複数のセンサからのデータに基づいてパーソナルケアデバイスに関連する使用特徴を予測するようにトレーニングされている機械学習モデルであって、
前記複数のセンサが、前記パーソナルケアデバイスの慣性測定ユニット（ＩＭＵ）上に配置された加速度計及びジャイロスコープを含み、
前記使用特徴が、力を予測するようにトレーニングされている機械学習モデルに入力された加速度計データ及びジャイロスコープデータに基づいて予測される、前記パーソナルケアデバイスによって加えられる力、又は移動距離を予測するようにトレーニングされている機械学習モデルに入力された加速度計データ及びジャイロスコープデータに基づいて予測される、前記パーソナルケアデバイスによって移動した距離、又はこれらの組み合わせを含む、機械学習モデル。

【国際調査報告】