KR20210084443A - 시공간 기억 및/또는 현출성의 자동 수동 평가를 위한 시스템 및 방법 - Google Patents
시공간 기억 및/또는 현출성의 자동 수동 평가를 위한 시스템 및 방법 Download PDFInfo
- Publication number
- KR20210084443A KR20210084443A KR1020217009926A KR20217009926A KR20210084443A KR 20210084443 A KR20210084443 A KR 20210084443A KR 1020217009926 A KR1020217009926 A KR 1020217009926A KR 20217009926 A KR20217009926 A KR 20217009926A KR 20210084443 A KR20210084443 A KR 20210084443A
- Authority
- KR
- South Korea
- Prior art keywords
- image
- collection
- images
- performance measures
- saliency
- Prior art date
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1103—Detecting eye twinkling
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/113—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for determining or recording eye movement
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/163—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state by tracking eye movement, gaze, or pupil change
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
- A61B5/7445—Display arrangements, e.g. multiple display units
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7475—User input or interface means, e.g. keyboard, pointing device, joystick
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Psychiatry (AREA)
- Neurology (AREA)
- Child & Adolescent Psychology (AREA)
- Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Developmental Disabilities (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Social Psychology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Educational Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Neurosurgery (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Ophthalmology & Optometry (AREA)
- Human Computer Interaction (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Dentistry (AREA)
Abstract
하나 이상의 집단에 대해 하나 이상의 사용자 및/또는 이미지에 대한 정성적, 정량적 및/또는 범주적 평가를 결정하기 위한 기술이 제공된다. 사용자의 안구 움직임 데이터가 일정 시간 기간 동안 디스플레이된 하나 이상의 이미지의 각 이미지에 대해 획득될 수 있다. 하나 이상의 기억 성능 척도 및/또는 하나 이상의 현출성 성능 척도는 상기 시간 기간의 미리 결정된 시간 범위 중 하나 이상 동안 하나 이상의 이미지의 하나 이상의 영역에 대한 안구 움직임 데이터를 사용하여 결정될 수 있다. 제시된 사용자 및/또는 이미지의 정량적, 정성적 및/또는 범주적 평가는 하나 이상의 기억 성능 척도 및/또는 하나 이상의 현출성 성능 척도를 사용하여 하나 이상의 집단에 대해 결정될 수 있다.
Description
관련 출원에 대한 상호 참조
본 출원은 2018년 10월 19일에 제출된 미국 가출원 번호 62/747,682의 혜택을 주장한다. 이 출원의 전문은 모든 목적을 위해 여기에 참조로 포함된다.
알츠하이머 병(AD)과 같은 인지 장애의 병리학적 변화는 임상 증상이 시작되기 수년 전에 발생할 수 있다. 레이 청각 언어 학습 테스트(Rey Auditory Verbal Learning Test) 및 벤톤 시각 기억 테스트(Benton Visual Retention Test)와 같은 기억 패러다임이 그 초기 단계 동안 AD를 검출하는 데 사용되어 왔다. 그러나, 이러한 기억 테스트는 질병 과정 초기에 기억 손상을 확실하게 검출할 수 없다. 이러한 테스트는 또한 일반적으로 임상 환경에서 테스트를 시행할 수 있는 숙련된 인력과 시행을 위한 상당한 양의 시간과 같은 상당한 자원이 필요하다. 참가자 또한 이러한 테스트에 대한 열악한 인지 성능으로 인해 테스트를 좋아하지 않는다. 결과적으로, 이러한 테스트는 종종 제대로 이용되지 않는다. 건강한 노화와 알츠하이머 병에서 발생하는 기억 상실의 상이한 단계들을 통해 기억 성능을 추적할 수 있는 쉽게 시행되고 변별력이 있으며(sensitive) 위협적이지 않은 기억 패러다임을 개발하는 것이 절대적으로 필요하다.
따라서, 현출성 성능뿐만 아니라 기억 성능을 검출 및/또는 추적할 수 있는 정확하고 효율적인 평가가 필요하다.
본 개시내용의 시스템 및 방법은 기억 및 현출성 성능을 검출할 수 있는 수동적이고 효율적이며 변별력 있는 평가를 제공할 수 있다. 시스템 및 방법은 안구 추적기에 의해 검출된 사용자의 시선 추정을 상이한 이미지의 관찰에 기초한 시공간 현출성 및/또는 기억의 척도로 변환할 수 있다. 이러한 척도는 하나 이상의 집단(예를 들어, 알츠하이머 병으로 진단된 개인)과 관련하여 하나 이상의 사용자 및/또는 이미지에 대한 정성적, 정량적 및/또는 범주적 평가에 사용될 수 있다.
일부 실시예에서, 하나 이상의 집단에 관련한 하나 이상의 사용자 및/또는 이미지의 정성적, 정량적 및/또는 범주적 평가를 결정하는 방법이 제공될 수 있다. 방법은 컴퓨팅 장치의 디스플레이 스크린상에서 사용자에게 테스트를 제시하는 것을 포함할 수 있다. 테스트는 일정 시간 기간 동안 제1 컬렉션 및/또는 제2 컬렉션으로부터 하나 이상의 이미지를 디스플레이하는 것을 포함할 수 있으며, 각 컬렉션의 각 이미지는 하나 이상의 영역을 포함한다. 방법은 디스플레이된 하나 이상의 이미지의 각각의 이미지에 관련한 사용자의 안구 움직임 데이터를 획득하는 것을 더 포함할 수 있다. 각 이미지에 관련한 안구 움직임 데이터는 상기 시간 기간 동안의 안구 시선 위치 데이터를 포함할 수 있다. 방법은 상기 시간 기간의 하나 이상의 미리 결정된 시간 범위에 관련한 하나 이상의 이미지의 하나 이상의 영역에 관련한 안구 움직임 데이터를 사용하여 하나 이상의 기억 성능 척도 및/또는 하나 이상의 현출성 성능 척도를 결정하는 것을 더 포함할 수 있다. 방법은 하나 이상의 기억 성능 척도 및/또는 하나 이상의 현출성 성능 척도를 사용하여 하나 이상의 집단에 관련한 사용자의 정량적, 정성적 및/또는 범주적 평가를 결정하는 것을 더 포함할 수 있다.
일부 실시예에서, 하나 이상의 집단에 관련하여 하나 이상의 사용자 및/또는 이미지의 정성적, 정량적 및/또는 범주적 평가를 수행하기 위한 모델을 훈련하기 위한 방법이 제공될 수 있다. 방법은 디스플레이된 하나 이상의 이미지 컬렉션의 각각의 이미지에 관련한 복수의 사용자의 안구 움직임 데이터를 수신하는 것을 포함할 수 있으며, 각 이미지에 관련한 안구 움직임 데이터는 일정 시간 기간 동안의 안구 시선 위치 데이터를 포함한다. 방법은 상기 시간 기간의 복수의 시간 범위 동안 하나 이상의 이미지의 하나 이상의 영역에 관련한 안구 움직임 데이터를 사용하여 하나 이상의 기억 성능 척도 및/또는 하나 이상의 현출성 성능 척도의 제1 세트를 결정하는 것을 더 포함할 수 있다. 방법은 복수의 시간 범위의 미리 결정된 시간 범위에 관련한 제1 세트의 하나 이상의 기억 성능 값 및/또는 하나 이상의 현출성 성능 척도를 사용하여 제2 세트의 하나 이상의 기억 성능 척도 및/또는 하나 이상의 현출성 성능 척도를 결정하는 것을 포함할 수 있다.
일부 실시예에서, 방법은 제2 세트의 하나 이상의 기억 성능 척도 및/또는 하나 이상의 현출성 성능 척도를 사용하여 하나 이상의 이미지 컬렉션을 평가하는 것을 포함할 수 있다.
일부 실시예에서, 방법은 제2 세트의 하나 이상의 기억 성능 척도 및/또는 하나 이상의 현출성 성능 척도와 각각의 성능 척도 각각 사이의 차이를 사용하여 제3 세트의 하나 이상의 기억 성능 척도 및/또는 하나 이상의 현출성 성능 척도를 결정하는 것을 포함할 수 있다. 일부 실시예에서, 방법은 하나 이상의 집단에 관련하여 개인을 평가하기 위한 테스트에 관련한 하나 이상의 파라미터를 결정하는 것- 하나 이상의 파라미터는 테스트에 포함되는 제1 컬렉션 및/또는 제2 컬렉션의 하나 이상의 이미지 및 하나 이상의 성능 척도가 결정되는 각 이미지에 관련한 미리 결정된 시간 범위를 포함함 -; 및 하나 이상의 파라미터를 사용하여 적어도 하나의 테스트를 생성하는 것을 더 포함할 수 있다.
본 개시내용의 추가적인 이점은 다음의 설명에서 부분적으로 설명될 것이고, 부분적으로 설명으로부터 명백할 것이고, 또는 개시내용의 실시에 의해 학습될 수 있다. 본 개시내용의 이점은 첨부된 청구범위에서 특히 적시된 요소 및 조합에 의해 실현되고 달성될 것이다. 앞서 설명한 일반적인 설명 및 다음의 상세한 설명은 모두 단지 예시적이고 설명적인 것이며 청구된 바와 같이 개시내용을 제한하지 않는다는 것을 이해해야 한다.
본 개시내용은 다음의 도면 및 설명을 참조하면 더 잘 이해될 수 있다. 도면의 구성요소는 반드시 축척에 따르지는 않으며, 본 개시내용의 원리를 예시하는 데 중점을 두고 있다.
도 1은 실시예에 따른 시스템의 예를 예시하는 블록도를 나타낸다.
도 2는 실시예에 따른, 하나 이상의 집단에 관련한 사용자의 정성적, 정량적 및/또는 범주적 평가를 결정하기 위해 적어도 안구 움직임 데이터를 사용하는 프로세스에 관련한 플로우차트를 나타낸다.
도 3은 실시예에 따라 사용자에게 제시된 테스트의 예를 나타낸다.
도 4는 실시예에 따른 제1 컬렉션으로부터의 이미지의 예를 나타낸다.
도 5는 실시예에 따른 제1 컬렉션의 이미지에 대응하는 제2 컬렉션의 이미지의 예를 나타낸다.
도 6은 실시예에 따른 적어도 안구 움직임 데이터를 사용하여 집단에 제시된 이미지의 정성적, 정량적 및/또는 범주적 평가를 결정하기 위한 프로세스 및/또는 평가 테스트를 위한 하나 이상의 파라미터를 결정하는 프로세스에 관련한 플로우차트를 나타낸다.
도 7은 실시예에 따른 제3 세트의 성능 값의 결정의 예시의 예를 나타낸다.
도 8은 실시예에 따른 이미지의 정성적, 정량적 및/또는 범주적 평가를 결정하는 프로세스에 관련한 플로우차트를 나타낸다.
도 1은 실시예에 따른 시스템의 예를 예시하는 블록도를 나타낸다.
도 2는 실시예에 따른, 하나 이상의 집단에 관련한 사용자의 정성적, 정량적 및/또는 범주적 평가를 결정하기 위해 적어도 안구 움직임 데이터를 사용하는 프로세스에 관련한 플로우차트를 나타낸다.
도 3은 실시예에 따라 사용자에게 제시된 테스트의 예를 나타낸다.
도 4는 실시예에 따른 제1 컬렉션으로부터의 이미지의 예를 나타낸다.
도 5는 실시예에 따른 제1 컬렉션의 이미지에 대응하는 제2 컬렉션의 이미지의 예를 나타낸다.
도 6은 실시예에 따른 적어도 안구 움직임 데이터를 사용하여 집단에 제시된 이미지의 정성적, 정량적 및/또는 범주적 평가를 결정하기 위한 프로세스 및/또는 평가 테스트를 위한 하나 이상의 파라미터를 결정하는 프로세스에 관련한 플로우차트를 나타낸다.
도 7은 실시예에 따른 제3 세트의 성능 값의 결정의 예시의 예를 나타낸다.
도 8은 실시예에 따른 이미지의 정성적, 정량적 및/또는 범주적 평가를 결정하는 프로세스에 관련한 플로우차트를 나타낸다.
다음의 설명에서, 본 개시내용의 실시예의 철저한 이해를 제공하기 위해, 특정 구성요소, 장치, 방법 등의 예와 같은 수많은 특정 세부 사항이 설명된다. 그러나, 이러한 특정 세부 사항이 본 개시내용의 실시예를 실시하기 위해 사용될 필요가 없다는 것이 본 기술 분야의 숙련자에게 명백할 것이다. 다른 예에서, 본 개시내용의 실시예를 불필요하게 모호하게 하는 것을 피하기 위해 잘 알려진 재료 또는 방법은 상세히 설명하지 않는다. 본 개시내용은 다양한 수정 및 대안적인 형태가 가능하지만, 그 특정 실시예가 도면에서 예로서 도시되고 본 명세서에서 상세히 설명될 것이다. 그러나, 본 개시내용을 개시된 특정 형태로 제한하려는 의도는 없으며, 반대로, 본 개시내용은 본 개시내용의 사상 및 범위 내에 속하는 모든 수정, 등가물 및 대안을 포괄하는 것임을 이해하여야 한다.
본 개시내용은 하나 이상의 현출성 또는 기억 성능 척도를 사용하여 사용자 및/또는 이미지의 정량적, 정성적 및/또는 범주적 평가를 결정하는 시스템 및 방법에 관한 것이다. 예를 들어, 시스템 및 방법은 특히 인지 장애(예를 들어, AD), 손상, 노화의 상이한 단계를 구별하기 위해 이러한 척도를 사용할 수 있다. 다른 예로서, 시스템 및 방법은 상이한 집단(예를 들어, 노인 대 젊은이)에 관련하여 하나 이상의 이미지(예를 들어, 콘텐츠)의 현출성을 구별하기 위해 이러한 척도를 사용할 수 있다. 시스템 및 방법은 숙련된 인력 및/또는 임상 자원과 같은 상당한 자원을 필요로 하지 않고 이러한 척도를 결정할 수 있다. 예를 들어, 평가를 위해 이러한 척도를 결정하기 위한 평가 테스트는 태블릿 및/또는 카메라를 갖는 개인용 컴퓨터를 사용하여 시행될 수 있다. "사용자"는 하나 이상의 테스트 파라미터(예를 들어, 모델 훈련)의 결정, 개별 사용자의 평가 및/또는 사용자 집단에 관련한 이미지(들)의 평가를 위해 현출성 및/또는 기억 척도 평가가 수행되는 환자 및/또는 개별 사용자 또는 피검자를 지칭할 수 있다.
본 개시내용의 일부 예는 인지 장애(예를 들어, 알츠하이머 병)의 정성적, 정량적 및/또는 범주적 평가에 특정할 수 있지만, 이러한 예는 비제한적이며 방법 및 시스템이 특히, 임의의 하나의 집단, 임의의 2개 이상의 집단, 또는 그 임의의 조합내에서의 평가에 사용될 수 있음이 이해될 것이다. 예로서, 본 개시내용의 방법 및 시스템은 특히 인구학적 정보(예를 들어, 성별, 인종, 연령 등), 상태 또는 질병(예를 들어, 인지 장애(예를 들어, 알츠하이머 병, 경미한 인지 손상, 치매 등), 신경 장애, 뇌 손상(예를 들어, 뇌진탕) 등), 또는 그 조합과 관련하여 하나 이상의 집단에 관련하여 사용자를 평가하도록 구성될 수 있다. 예를 들어, 시스템 및 방법은 특히, 사용자가 장애를 가지고 있는지 여부, 사용자가 그 장애에 관련한 위험에 처해 있는지 여부, 또는 그 조합의 가능성을 나타내는 확률을 결정할 수 있다. 이 예에서 하나 이상의 집단에는 해당 상태를 갖는 사용자와 건강한 사용자가 포함될 수 있다. 이 확률은 정량적, 정성적 및/또는 범주적 평가를 나타낼 수 있다.
추가적으로, 본 개시내용의 일부 예는 사용자를 평가하는 데 특정될 수 있지만, 이러한 예는 또한 비제한적이며 방법 및 시스템의 실시예는 또한 의도된 청중에게 의도된 메시지를 전달하는 콘텐츠의 효과, 예를 들어, 특히 콘텐츠의 특정 요소 또는 요소들, 예컨대, 특히, 이미지, 색상, 텍스트 디스플레이, 디자인, 음향, 브랜드 또는 그 임의의 조합, 이미지 및/또는 디스플레이 스크린에 관련한 임의의 배열, 또는 그 임의의 조합에 대한 의도된 청중의 관심을 이끌어 내는 데 있어서의 효과에 관련하여 이미지를 평가하는 데에도 적용될 수 있다는 것을 이해할 것이다.
본 설명 및 청구범위에서, "컴퓨팅 시스템" 또는 "컴퓨터 아키텍처"라는 용어는 적어도 하나의 물리적 및 유형의 프로세서와 프로세서(들)에 의해 실행될 수 있는 컴퓨터 실행 가능 명령어를 그 위에 가질 수 있는 물리적 및 유형의 메모리를 포함하는 임의의 독립형 또는 분산형 장치(들) 및/또는 시스템(들)을 포함하는 것으로 광범위하게 정의된다.
도 1은 사용자(들) 및/또는 이미지(들)의 정량적, 정성적 및/또는 범주적 평가를 위한 예시적인 시스템(100)을 나타낸다. 일부 실시예에서, 시스템(100)은 평가 시스템(120)(예를 들어, 하나 이상의 클라우드 컴퓨팅 시스템, 하나 이상의 서버, 하나 이상의 컴퓨터, 하나 이상의 사용자 장치 등) 및 사용자 시스템(140)(예를 들어, 컴퓨터, 태블릿, 스마트폰 또는 스마트 웨어러블)을 포함할 수 있고, 이들은 네트워크(110)(예를 들어, 인터넷, 근거리 통신망, 광역 네트워크, 단거리 네트워크, Bluetooth® 네트워크 등)를 통해 서로 통신할 수 있다.
시스템(100)은 하나 이상의 취득 장치(150)를 포함할 수 있으며, 사용자의 데이터를 취득하기 위한 하나 이상의 센서를 포함할 수 있다. 예를 들어, 하나 이상의 취득 장치는 사용자의 안구 움직임 데이터(예를 들어, 안구 시선 위치)를 검출하고 측정할 수 있는 안구 추적 장치(예를 들어, 이미지 센서(예를 들어, 적외선 안구 추적 카메라와 같은 카메라))를 포함할 수 있다. 예로서, 안구 추적기는 동공 위치 및/또는 시선 방향을 식별하는 것을 목표로 하는 시스템과 상호 작용하는 사용자의 안구 움직임을 모니터링하는 데 사용되는 하드웨어 장치 및/또는 소프트웨어일 수 있다. 예를 들어, 안구 추적기는 특히, 하나 이상의 이미지 센서(카메라), 깊이 센서, 적외선 광원 또는 그 조합을 포함할 수 있지만 이에 제한되지 않는다. 예로서, 안구 추적 장치는 특히, 웨어러블 컴퓨팅 장치(예를 들어, 안경)의 일부, 태블릿의 일부, 컴퓨터의 일부, 사용자 시스템(140)에 연결된 별개의 장치, 또는 그 조합인 카메라(선택적으로 적외선 방출 광원을 포함)를 포함할 수 있다.
일부 실시예에서, 안구 움직임 데이터는 시간에 의해 정의된 안구 시선 위치(예를 들어, 디스플레이 스크린에 관련한 좌표)를 포함할 수 있으며 이에 제한되지 않는다.
일부 실시예에서, 하나 이상의 취득 장치(150)는 특히, 가속도계, 자이로스코프, 머리 추적 센서, 체온 센서, 심박수 센서, 혈압 센서, 피부 전도도 센서, 마이크 또는 그 조합과 같은 사용자의 추가적인 행동/감각 데이터 및/또는 다른 생리학적 데이터를 취득하기 위한 하나 이상의 추가적인 (하드웨어 및/또는 소프트웨어 기반) 장치 또는 센서를 포함할 수 있다.
취득 장치(들)(150)는 사용자 시스템(140) 및/또는 평가 시스템(120)에 제공된 데이터가 보정되도록 그 데이터를 보정하도록 구성될 수 있다. 일부 실시예에서, 하나 이상의 취득 장치(150)는 사용자 시스템(140)에 연결될 수 있다. 일부 실시예에서, 취득 장치(150)는 데이터(예를 들어, 보정된 안구 움직임 데이터)를 평가 장치(120)로 송신할 수 있다.
일부 실시예에서, 평가 시스템(120)은 메모리(122)를 포함할 수 있고 사용자 시스템(140)은 메모리(142)를 포함할 수 있다. 메모리(122 및 142)는 독립적으로 물리적 시스템 메모리일 수 있으며, 이는 휘발성, 비휘발성 또는 둘의 일부 조합일 수 있다. 용어 "메모리"는 또한 물리적 저장 매체와 같은 비휘발성 대용량 저장 장치를 지칭하기 위해 본 명세서에 사용될 수 있다. 예를 들어, 메모리(122 및 142)는 랜덤 액세스 메모리(RAM), 판독 전용 메모리(ROM), 디스크 드라이브 등, 또는 임의의 그 조합을 포함할 수 있다. 메모리는 데이터 구조를 포함하는 프로그램 및 데이터를 저장하도록 구성될 수 있다. 일부 실시예에서, 메모리는 또한 데이터 어레이를 저장하기 위한 프레임 버퍼를 포함할 수 있다.
평가 시스템(120) 및 사용자 시스템(140) 각각은 각각 적어도 하나의 프로세서(124, 144)를 포함할 수 있다. 적어도 하나의 프로세서는 대응하는 명령어(예를 들어, 프로그램 코드)에 응답하여 다양한 동작을 실행할 수 있는 하나 이상의 집적 회로(예를 들어, 하나 이상의 단일 코어 또는 다중 코어 마이크로프로세서 또는 마이크로컨트롤러)로서 구현될 수 있다.
일부 실시예에서, 평가 시스템(120)은 다수의 실행 가능 모듈 또는 실행 가능 구성요소(예를 들어, 128a 및 130)를 포함할 수 있고, 사용자 시스템(130)은 다수의 실행 가능 모듈 또는 실행 가능 구성요소(예를 들어, 148)를 포함할 수 있다. 본 명세서에 사용될 때, "실행 가능 모듈" 또는 "실행 가능 구성요소"라는 용어는 컴퓨팅 시스템에서 실행될 수 있는 소프트웨어 객체, 라우팅 또는 방법을 지칭할 수 있다. 본 명세서에 설명된 상이한 구성요소, 모듈, 엔진 및 서비스는 컴퓨팅 시스템에서 실행되는 객체 또는 프로세스(예를 들어, 별개의 스레드)로 구현될 수 있다.
일부 실시예에서, 메모리(122)는 하나 이상의 집단에 관련하여 복수의 사용자로부터 복수의 성능 데이터(122a)를 저장하기 위해 사용될 수 있다. 성능 데이터는 상황별 안구 움직임 데이터, 예컨대, 특히, (예를 들어, 하나 이상의 이미지 컬렉션에 관련한 사용자의) 하나 이상의 테스트 또는 훈련 단계 동안 사용자로부터 수집된 안구 움직임 데이터, 안구 움직임 데이터를 사용하여 평가 시스템(120)에 의해 결정된 하나 이상의 성능 척도, 다른 사용자별 데이터(예를 들어, 해당 사용자의 다른 행동, 감각 및/또는 생리학적 데이터)를 사용하여 결정된 하나 이상의 다른 성능 척도, 또는 그 임의의 조합을 포함할 수 있다.
일부 실시예에서, 하나 이상의 성능 척도는 집단의 복수의 사용자에 대한 하나 이상의 이미지에 관련하여 결정된 하나 이상의 기억 성능 척도 및/또는 하나 이상의 현출성 성능 척도를 포함할 수 있다. 각각의 사용자에 대한 하나 이상의 기억 성능 척도 및/또는 하나 이상의 현출성 성능 척도는 그 이미지에 대한 디스플레이 기간 내의 복수의 시간 범위에 대해 결정될 수 있다.
예를 들어, 각 사용자에 대한 성능 데이터(122a)는 특히, 해당 사용자에 대해 수집된 제시된 이미지와 관련된 안구 움직임 데이터(시간에 의해 정의된 안구 시선 좌표), 해당 사용자에 대해 결정된 하나 이상의 성능 척도, 해당 사용자에 관련한 인구통계 및/또는 집단 정보, 해당 사용자와 관련된 다른 생리학적 데이터, 또는 그 조합을 포함할 수 있다.
메모리(122)는 복수의 테스트 (파라미터) 데이터(122b)를 저장하기 위해 사용될 수 있다. 테스트 단계 데이터는 하나 이상의 집단에 관련한 사용자(들)를 평가하기 위한 평가 테스트에 대한 하나 이상의 파라미터를 포함할 수 있다. 하나 이상의 파라미터는 특히, 디스플레이될 테스트, 이미지 및/또는 척도에 관련하여 시스템(120)에 의해 수행되는 분석, 그 임의의 조합에 특정될 수 있다. 예를 들어, 하나 이상의 파라미터는 특히, 디스플레이할 제1 및/또는 제2 컬렉션의 이미지, 디스플레이 시퀀스(이미지의 순서, 이미지 사이의 시간 기간, 세션 사이의 시간 기간 등), 수행될 분석(예를 들어, 모델 생성기(128)에 의해 생성되고 메모리(122b)에 저장되는 모델), 결정될 척도(들), 척도 파라미터/변수(예를 들어, 경계 상자 크기, 분석 변수 및/또는 위치), 또는 그 조합을 포함할 수 있다. 예를 들어, 평가(들)는 이미지의 디스플레이 기간 내의 시간 범위와 관련하여 결정된 척도를 사용하여 결정될 수 있다. 척도는 하나 이상의 상이한 변수(예를 들어, 시간 이외)에 대해 결정될 수 있다.
일부 실시예에서, 모델 생성기(128)는 하나 이상의 집단에 대해 성능 데이터(122a)를 사용하여 개별 사용자 및/또는 이미지를 평가하기 위한 하나 이상의 모델을 생성하도록/성능 데이터(122a)를 수신하도록 구성될 수 있다. 예를 들어, 모델 생성기는 성능 데이터를 사용자 및/또는 이미지의 범주적, 정성적 및/또는 정량적 평가에 맵핑/관련시키는 하나 이상의 모델을 생성하기 위해 특정 세트의 변수 및/또는 집단(들)에 대한 성능 데이터(122a)를 수신하도록 구성될 수 있다.
일부 실시예에서, 모델 생성기(128a)는 테스트 데이터(122b)를 결정하기 위해 성능 데이터(122a)에 대한 회귀 분석을 수행하도록 동작할 수 있다. 일부 실시예에서, 모델 생성기(128)는 하나 이상의 집단에 대한 확률에 대해 성능 데이터를 상관시키는 기계 학습 기술을 사용하여 결정된 성능 값에 기초한 출력으로서 사용자가 하나 이상의 집단에 속할 확률을 생성하도록 동작 가능한 예측 모델을 생성하도록 구성될 수 있다. 일부 실시예에서, 모델 생성기(128)는 하나 이상의 집단에 대한 이미지의 순위에 대해 성능 데이터를 상관시키는 기계 학습 기술을 사용하여 결정된 성능 값에 기초한 출력으로서 이미지가 하나 이상의 집단에 적합한지(예를 들어, 현출성이 있을지)의 순위를 생성하도록 동작 가능한 예측 모델을 생성하도록 구성될 수 있다.
일부 실시예에서, 사용자 시스템(140)은 사용자 시스템(140)에서 동작 가능한 사용자 인터페이스 애플리케이션("UI 애플리케이션")(142b)을 포함할 수 있다. UI 애플리케이션(142b)은 시각적 애플리케이션(예를 들어, 비디오 게임, 가상 현실 또는 증강 현실 시뮬레이터), 오디오 또는 시청각 서비스, 또는 특히, 디스플레이 상에서 테스트를 시행할 수 있는(예를 들어, 미리 결정된 시간에 테스트의 이미지를 디스플레이), 디스플레이에 관해 기록된 안구 움직임 데이터를 결정 및/또는 송신할 수 있는 또는 그 임의의 조합인 임의의 다른 애플리케이션일 수 있다.
일부 실시예에서, 평가 시스템(120) 및 사용자 시스템(140)은 하나 이상의 키보드, 마우스 제어 장치, 터치스크린, 마이크, 스피커, 디스플레이 스크린, 트랙볼 등을 포함하는, 사용자로부터 정보를 수신하고 사용자에게 정보를 디스플레이하거나 다른 방식으로 통신할 수 있도록 하는 다른 입력/출력 하드웨어(126 및 146)를 포함할 수 있다.
일부 실시예에서, 평가 시스템(120) 및 사용자 시스템(140)은 각각 네트워크(110)를 통해 통신을 송신 및 수신하도록 구성된 하나 이상의 통신 인터페이스(130 및 148)를 각각 포함할 수 있다. 통신 인터페이스(130 및 148) 중 하나 이상은 무선 데이터 통신(예를 들어, Bluetooth®, Bluetooth Low Energy, Wi-Fi, 근거리 통신 또는 다른 무선 통신 프로토콜 등을 사용)을 지원하기 위한 안테나 및 지원 회로를 포함할 수 있다. 상이한 장치/시스템은 다르게 통신할 수 있다는 것이 이해될 것이다. 예를 들어, 취득 장치(150) 및 사용자 시스템(140)은 Bluetooth® 네트워크를 통해 통신할 수 있고, 평가 시스템(120) 및 사용자 시스템(140)은 Wi-Fi 네트워크를 통해 통신할 수 있다.
도 1에 예시되어 있는 다양한 구성요소는 이미지 및/또는 사용자를 평가하기 위한 컴퓨터 시스템 구현의 단지 몇 가지 예를 나타낸다. 다른 실시예는 설명된 메모리/저장소 데이터, 모듈, 구성요소 및/또는 기능을 평가 시스템(120)과 사용자 시스템(140) 사이에서 다르게 분할할 수 있고, 일부 실시예는 도 1에 예시된 특정 실시예에 비해 평가 시스템(120)보다 사용자 시스템(140)을 향해 처리를 더 많이 이동할 수 있고, 그 반대의 경우도 마찬가지이다. 일부 실시예에서, 메모리 구성요소 및/또는 프로그램 모듈은 분산 환경에서 복수의 구성 컴퓨터 시스템에 걸쳐 분산된다. 다른 실시예에서, 메모리 구성요소 및 프로그램 모듈은 단일 통합 컴퓨터 시스템에 포함된다. 따라서, 본 명세서에 설명된 시스템 및 방법은 설명된 구성요소가 위치하는 및/또는 그 기능이 수행되는 특정 위치에 기초하여 제한되기를 의도하지 않는다.
다음의 설명에서, 실시예는 하나 이상의 컴퓨팅 시스템에 의해 수행되는 행위를 참조하여 설명된다. 이러한 행위가 소프트웨어로 구현되는 경우, 행위를 수행하는 관련 컴퓨팅 시스템의 하나 이상의 프로세서는 실행된 컴퓨터 실행 가능 명령어를 실행하는 것에 응답하여 컴퓨팅 시스템의 동작을 지시한다. 예를 들어, 이러한 컴퓨터 실행 가능 명령어는 컴퓨터 프로그램 제품을 형성하는 하나 이상의 컴퓨터-판독 가능 매체에서 구현될 수 있다. 이러한 동작의 예에는 데이터 조작이 포함된다. 컴퓨터 실행 가능 명령어(및 조작된 데이터)는 평가 시스템(120)의 메모리(122), 사용자 시스템(140)의 메모리(142) 및/또는 하나 이상의 개별 컴퓨터 시스템 구성요소(예를 들어, 분산된 컴퓨터 시스템 환경에서)에 저장될 수 있다.
컴퓨터 실행 가능 명령어는 도 2, 도 6 및 도 8의 흐름도를 참조하여 개시된 기능을 포함하여 본 명세서에 개시된 모든 기능을 구현 및/또는 인스턴스화하는 데 사용될 수 있다.
도 2는 실시예에 따른 사용자 및/또는 이미지(들)의 정량적, 정성적 및/또는 범주적 평가를 결정하는 예시적인 방법(200)을 나타낸다. 일부 실시예에서, 방법(200)은 사용자의 개별 평가, 하나 이상의 이미지의 평가 및/또는 모델 훈련을 위한 테스트가 개시될 때 시작할 수 있다.
일부 실시예에서, 방법(200)은 사용자의 안구 움직임 데이터를 보정하기 위해 디스플레이 스크린 상에 하나 이상의 이미지를 디스플레이하는 단계(210)를 포함할 수 있다. 예로서, 보정 이미지는 하나 이상의 시각적 타겟을 포함할 수 있다. 예로서, 시각적 타겟은 사용자의 시선을 끄는 임의의 항목(예를 들어, 이미지의 일부 또는 전체)이다. 예를 들어, 시각적 타겟은 특히, 형상(예를 들어, 원, 별, 상자 등), 대상(예를 들어, 점, 십자, 아이콘 등), 또는 그 임의의 조합을 포함할 수 있다.
다음으로, 방법(200)은 안구 움직임 데이터를 수신하고 보정하는 단계(220)를 포함할 수 있다. 예를 들어, 안구 움직임 데이터는 안구 추적 시스템(예를 들어, 취득 장치(150))에 의해 측정될 수 있고 안구 움직임 데이터를 보정하기 위해 시스템(120) 및/또는 시스템(140)으로 송신될 수 있다. 안구 움직임 데이터는 임의의 알려진 방법을 사용하여 보정될 수 있다. 방법(200)은 하나 이상의 훈련 세션에서 사용되는 안구 움직임 데이터를 보정하기 위한 추가 및/또는 대안 단계를 포함할 수 있다는 것도 이해할 수 있을 것이다. 안구 움직임 데이터를 보정함으로써, 안구 위치로부터 디스플레이 위치로의 더 정확한 맵핑이 달성될 수 있으며, 이에 따라 사용자의 안구 움직임 데이터, 예를 들어, 사용자의 시선 방향 또는 디스플레이 스크린 상의 고정 위치에 대한 더 정확한 결정을 제공할 수 있다.
다른 예에서, 보정 단계(단계 210 및/또는 220)는 취득 장치(150)에 의해 수행될 수 있다. 예를 들어, 보정은 평가 시스템(110)으로 송신된 테스트 데이터가 보정된 데이터일 수 있고 단계 210 및/또는 220이 생략될 수 있도록 취득 장치에 의해 수행될 수 있다.
일부 실시예에서, 보정 단계 이후에, 방법(200)은 하나 이상의 테스트 세션을 개시할 수 있다. 방법(200)은 디스플레이 스크린 상의 각 테스트 세션에 대한 하나 이상의 컬렉션으로부터 하나 이상의 이미지를 사용자에게 디스플레이하는 단계(230)를 포함할 수 있다.
일부 실시예에서, 하나 이상의 컬렉션은 하나 이상의 이미지들의 제1 컬렉션을 포함할 수 있다. 제1 컬렉션의 각 이미지는 상이한 이미지일 수 있다. 제1 컬렉션의 각각의 이미지는 시각적 타겟을 포함 및/또는 나타내는 하나 이상의 영역(예를 들어, 이미지의 일부)을 포함할 수 있다. 시각적 타겟은 특히, 완전히 또는 부분적으로 보이는(예를 들어, 흐릿한) 항목, 항목 옆 영역(예를 들어, 자전거 옆 풍경 또는 경치), 또는 그 조합을 포함할 수 있지만 이에 제한되지 않는다. 제1 컬렉션의 이미지는 "기준 이미지" 또는 "원본 이미지"로 고려될 수 있다.
일부 실시예에서, 하나 이상의 이미지 컬렉션은 제2 이미지 컬렉션을 포함할 수 있다. 제2 컬렉션의 각각의 이미지는 제1 컬렉션의 대응하는 이미지의 (예를 들어, 순차적으로) 수정된 버전일 수 있다. 예를 들어, 제1 이미지와 마찬가지로, 제2 컬렉션의 각 이미지는 시각적 타겟을 포함 및/또는 나타내는 하나 이상의 영역(예를 들어, 이미지의 일부)을 포함할 수 있다. 제2 컬렉션의 이미지의 하나 이상의 영역은 제1 컬렉션의 대응하는 이미지의 하나 이상의 영역의 수정된 버전일 수 있다. 예를 들어, 제2 컬렉션 이미지의 하나 이상의 영역은 제1 컬렉션의 대응하는 이미지에 나타난 항목(들)에 비교하여 특히, 하나 이상의 항목을 생략하거나, 상이한 항목을 포함하거나, 항목을 흐릿하게 하거나 그 조합을 수행할 수 있다.
예를 들어, 제1 컬렉션 및/또는 제2 컬렉션의 이미지는 하나 이상의 테스트 세션 동안 디스플레이될 수 있다. 제1 컬렉션 및/또는 제2 컬렉션의 이미지는 정지(예를 들어, 정적) 및/또는 동적(예를 들어, 비디오 및/또는 대화형) 이미지일 수 있다. 일부 실시예에서, 세션은 제1 컬렉션으로부터의 하나 이상의 이미지, 제2 컬렉션으로부터의 하나 이상의 이미지, 및/또는 그 조합을 포함할 수 있다. 제1 컬렉션의 이미지는 제2 컬렉션의 대응하는 이미지 전에 세션에서 디스플레이되어야 한다. 제1 및/또는 제2 컬렉션으로부터의 하나 이상의 이미지는 임의의 순서(예를 들어, 연속, 무작위 등)로 디스플레이될 수 있으며, 세션(예를 들어, 이미지)에 관하여 동일한 시리즈로(예를 들어, 제1 컬렉션으로부터의 이미지가 제1 세션 동안 디스플레이되고 제2 컬렉션으로부터의 대응하는 이미지가 제2 세션 동안 디스플레이됨) 및/또는 세션 내에서(예를 들어, 제2 컬렉션의 이미지가 제1 컬렉션의 대응하는 이미지와 동일한 순서로 디스플레이됨) 디스플레이될 필요가 없다. 일부 예에서, 제1 컬렉션 및/또는 제2 컬렉션으로부터의 이미지는 임의의 순서로 세션에서 디스플레이될 수 있다. 예를 들어, 제2 컬렉션의 이미지는 제1 컬렉션의 이미지와 상이한 순서로 디스플레이될 수 있다.
각 이미지는 세션 내에서 일정 시간 기간 동안 디스플레이될 수 있다. 이미지가 디스플레이되는 시간은 특히, 각 세션, 이미지 또는 그 임의의 조합에 대해 동일하거나 상이할 수 있다. 세션 내에서 이미지 디스플레이 사이와 세션 사이의 시간은 증명을 위해 동일하거나 상이할 수 있다. 세션 사이에 지연이 있을 수 있다. 예로서, 테스트는 제1 컬렉션의 두 이미지가 아침에 일정 시간 기간 동안 디스플레이되는 제1 세션과 두 이미지 중 하나에 대응하는 제2 컬렉션의 이미지가 저녁에 일정 시간 기간 동안 디스플레이되는 제2 세션이 포함될 수 있다. 다른 실시예에서, 각각의 이미지는 상이한 양의 시간 동안 디스플레이될 수 있다. 테스트는 또한 임의의 수의 세션을 포함할 수 있다.
방법(200)은 예를 들어 취득 장치(150)로부터 디스플레이된 각각의 테스트 세션/컬렉션의 각각의 이미지에 대한 안구 움직임 데이터를 수신하는 단계(240)를 포함할 수 있다. 안구 움직임 데이터는 시공간 데이터일 수 있다. 예를 들어, 안구 움직임 데이터는 시간에 의해 정의된 안구 시선 위치(예를 들어, 디스플레이 스크린에 관련한 좌표)를 포함할 수 있으며 이에 제한되지 않는다.
단계 240은 각각의 이미지에 대한 시간 기간마다 안구 움직임 데이터를 복수의 시간 범위로 결정 또는 분리하는 것을 포함할 수 있다. 복수의 시간 범위는 이산적(예를 들어, 0-1 초, 1-2 초, 2-4 초 등), 중첩 또는 그 조합일 수 있다. 예를 들어, 하나 이상의 시간 범위가 제1 시간 범위와 중첩될 수 있다. 예로서 5 초 동안 디스플레이된 이미지의 경우 데이터는 다음과 같은 시간대로 분리될 수 있다: 0-1 초, 0-2 초, 0-3 초, 0-4 초 및 0-5 초. 복수의 시간 범위는 미리 정의될 수 있다. 복수의 시간 범위는 각 이미지에 대해 동일할 수 있다.
다음으로, 방법(200)은 특히, 하나 이상의 기억 성능 척도, 하나 이상의 현출성 성능 척도, 또는 그 조합을 결정하는 단계(250)를 포함할 수 있다. 단계 250은, 예를 들어 메모리(122)에 저장된 평가와 관련된 파라미터에 기초하여 테스트 세션(들) 동안 디스플레이된 제1 컬렉션 및/또는 제2 컬렉션의 하나 이상의 이미지에 대한 하나 이상의 성능 척도를 결정하는 것을 포함할 수 있다. 하나 이상의 성능 척도는 미리 결정된 시간 범위(예를 들어, 단계 240의 범위 중 하나) 동안 안구 움직임 데이터를 사용하여 하나 이상의 이미지에 대해 결정될 수 있다. 예를 들어, 시스템은 해당 이미지에 대한 특정 성능 척도(들)를 결정하는 데 안구 움직임 데이터 및 각각의 이미지가 사용되어야 하는, 각각의 이미지에 대한 미리 결정된 시간 범위를 저장할 수 있다.
일부 실시예에서, 하나 이상의 기억 성능 척도는 제2 컬렉션의 하나 이상의 이미지에 대해 이들 이미지에 대한 안구 움직임 데이터를 사용하여 결정될 수 있다. 일부 실시예에서, 단계 250은 하나 이상의 기억 성능 척도를 결정하는 것만 포함할 수 있다.
일부 실시예에서, 단계 250은 또한 하나 이상의 현출성 성능 척도를 결정하는 것을 포함할 수 있다. 일부 실시예에서, 하나 이상의 현출성 성능 척도는 제1 컬렉션의 하나 이상의 이미지에 대해 이들 이미지의 안구 움직임 데이터를 사용하여 결정될 수 있다. 일부 실시예에서, 단계 250은 또한 대안적인 또는 추가적인 성능 척도를 결정하는 것을 포함할 수 있다.
일부 실시예에서, 각각의 이미지에 대한 하나 이상의 기억 성능 척도는 하나 이상의 시간 범위 동안 제2 컬렉션의 하나 이상의 이미지의 하나 이상의 영역에 대한 시선 위치 데이터를 사용하여 결정될 수 있다. 예를 들어, 하나 이상의 기억 성능 척도는 특히, 가우스 함수, 경계 상자 또는 그 임의의 조합을 사용하여 결정될 수 있다.
예를 들어, 하나 이상의 기억 성능 척도는 제1 기억 성능 척도를 포함할 수 있다. 제1 기억 성능 척도는 해당 이미지에 대한 미리 결정된 시간 범위 동안 안구 움직임 데이터(예를 들어, 안구 시선 데이터)를 사용하여 가우스의 평균이 대략 각 영역의 중심 주위에 놓이는 반면, 분산이 해당 영역의 에지에 대응하는 가우스 함수를 구성하여 제2 컬렉션의 하나 이상의 이미지에 대해 결정될 수 있다. 그 후, 가우스 함수의 출력을 평균하여 제1 기억 성능 척도 값을 생성할 수 있다. 제1 기억 성능 척도 값이 클수록 해당 영역의 메모리도 커진다. 이러한 방식으로, 단계 250은 해당 이미지 및 척도에 대한 미리 결정된 시간 범위 동안 안구 움직임 데이터를 사용하여 제2 컬렉션의 하나 이상의 이미지에 대한 적어도 제1 기억 성능 척도를 결정할 수 있다.
다른 예에서, 하나 이상의 성능 척도는 추가적으로 또는 대안적으로 제2 컬렉션의 하나 이상의 이미지에 대한 제2 기억 성능 척도를 포함할 수 있다. 제2 기억 성능 척도는 경계 상자의 중심이 영역의 중심에 대응하도록 경계 상자를 구성함으로써 결정될 수 있다. 예로서, 경계 상자는 타원일 수 있다. 이 예에서, 타원은 타원의 중심이 영역의 중심 주위에 놓이고 장축 및 단축이 영역의 에지에 대응하게 위치되도록 구성될 수 있다. 특히, 원, 정사각형, 또는 그 임의의 조합을 포함하지만 이에 제한되지 않는 상이한 형상의 경계 상자가 사용될 수 있음을 이해할 것이다. 제2 기억 성능 척도는 미리 결정된 시간 범위(들) 동안 영역의 경계 상자 내에 있는 모든 시선 위치의 백분율에 대응할 수 있다. 제2 기억 성능 척도는 각 이미지의 영역을 관찰하는 데 소요된 시간의 양을 나타낼 수 있다. 제2 컬렉션의 이미지 영역 내에서 상대적인 관찰 시간이 길수록, 제1 컬렉션의 대응하는 이미지에 대한 해당 영역에 대한 기억(예를 들어, 제거되거나 추가된 대상)이 커진다.
일부 실시예에서, 제1 기억 성능 척도 및/또는 제2 기억 성능 척도는 제2 컬렉션의 각각의 이미지에 대해 결정될 수 있다. 다른 실시예에서, 제1 기억 성능 척도 및/또는 제2 기억 성능 척도는 제2 컬렉션의 하나 이상의 이미지의 서브세트에 대해 결정될 수 있다. 일부 실시예에서, 제1 기억 성능 척도에 대한 서브세트 및 제2 기억 성능 척도에 대한 서브세트는 동일한 이미지 및/또는 상이한 이미지를 포함할 수 있다.
일부 실시예에서, 하나 이상의 성능 척도는 추가적으로 또는 대안적으로 하나 이상의 현출성 성능 척도를 포함할 수 있다. 예를 들어, 하나 이상의 현출성 성능 척도는 제1 현출성 성능 척도를 포함할 수 있다. 제1 현출성 성능 척도는 가우스 함수를 구성하여 제1 컬렉션의 하나 이상의 이미지에 대해 결정될 수 있으며, 가우스의 평균은 대략 각 영역의 중심 주위에 놓이는 반면, 분산은 제2 컬렉션의 이미지에 대한 해당 영역의 에지에 대응할 수 있다. 그 후, 가우스 함수의 출력을 평균화하여 제1 현출성 성능 척도 값을 생성할 수 있다. 이미지의 영역에 대한 제1 현출성 성능 척도 값이 클수록 해당 영역/이미지의 현출성이 커진다. 이러한 방식으로, 단계 250은 그 이미지 및 척도에 대한 미리 결정된 시간 범위 동안 안구 움직임 데이터를 사용하여 제1 컬렉션의 하나 이상의 이미지에 대한 적어도 제1 현출성 성능 척도를 결정할 수 있다.
다른 예에서, 하나 이상의 성능 척도는 추가적으로 또는 대안적으로 제1 컬렉션의 하나 이상의 이미지에 대한 제2 현출성 성능 척도를 포함할 수 있다. 제2 현출성 성능 척도는 영역의 적어도 일부를 덮는 경계 상자를 구성함으로써 결정될 수 있다. 일부 실시예에서, 경계 상자는 경계 상자의 중심이 영역의 중심에 대응하도록 구성될 수 있다. 예로서, 경계 상자는 타원일 수 있다. 이 예에서, 타원은 타원의 중심이 영역의 중심 주위에 놓이고 장축 및 단축이 영역의 에지에 대응하게 위치되도록 구성될 수 있다. 특히, 원, 정사각형, 또는 그 임의의 조합을 포함하지만 이에 제한되지 않는 상이한 형상의 경계 상자가 사용될 수 있음을 이해할 것이다. 이미지에 대한 제2 현출성 성능 척도는 미리 결정된 시간 범위(들) 동안 영역의 경계 상자 내에 있는 모든 시선 위치의 백분율에 대응할 수 있다. 제2 현출성 성능 척도 값은 각 이미지의 영역을 관찰하는 데 소요된 시간의 양을 나타낼 수 있다. 제1 컬렉션의 이미지 영역 내에서 상대적인 관찰 시간이 길수록 해당 영역에 대한 현출성(예를 들어, 제거되거나 추가된 대상)이 더 커진다.
일부 실시예에서, 제1 현출성 성능 척도 및/또는 제2 현출성 성능 척도는 제1 컬렉션의 각각의 이미지에 대해 결정될 수 있다. 다른 실시예에서, 제1 현출성 성능 척도 및/또는 제2 현출성 성능 척도는 제1 컬렉션의 하나 이상의 이미지의 서브세트에 대해 결정될 수 있다. 일부 실시예에서, 제1 현출성 성능 척도에 대한 서브세트 및 제2 현출성 성능 척도에 대한 서브세트는 동일한 이미지 및/또는 상이한 이미지를 포함할 수 있다.
다음으로, 방법(200)은 하나 이상의 성능 척도를 사용하여 사용자 및/또는 이미지(들)의 정량적, 정성적 및/또는 범주적 평가를 결정하는 단계(260)를 포함할 수 있다. 일부 실시예에서, 평가는 결정된 각각의 성능 척도에 대한 평가를 포함할 수 있다. 다른 실시예에서, 평가는 결정된 하나 이상의 성능 척도에 대한 하나의 평가를 포함할 수 있다.
일부 실시예에서, 평가는 특히 점수, 순위, 확률, 범주, 또는 그 조합 중 하나 이상을 포함할 수 있다. 예를 들어, 사용자의 경우, 평가는 사용자가 집단 범주(예를 들어, 건강 대 인지 장애; 젊은이 대 노인 등)에 속할 확률을 나타내는 하나 이상의 수치 값(즉, 백분율)을 포함할 수 있다.
일부 실시예에서, 단계 260은 사용자에 대한 각각의 성능 척도에 대한 평가를 결정하는 것을 포함할 수 있다. 예를 들어, 단계 240이 제1 및 제2 기억 성능 척도를 결정하면, 그 후, 단계 260은 2개의 평가를 결정할 수 있다. 다른 실시예에서, 단계 260은 적어도 단계 250에서 결정된 성능 척도를 사용하여 평가를 결정할 수 있다.
평가는 기계 학습 및/또는 회귀 기술을 하나 이상의 성능 척도에 적용하여 결정될 수 있다. 일부 실시예에서, 평가는 대표 집단의 통계적으로 대표되는 안구 움직임 데이터를 사용하여 결정된 통계적으로 대표적인 성능 척도의 훈련 데이터 세트(들)에 기초한 하나 이상의 분류기를 사용할 수 있다. 일부 실시예에서, 방법은 성능 척도의 평가를 결정 및/또는 계산하기 위해 분류기를 이용하는 것을 포함할 수 있다.
예를 들어, 단계 260은 예를 들어 메모리(122)에 저장된 훈련된 로지스틱 회귀 모델을 사용하여 하나 이상의 기억 성능 척도를 평가로 변환하는 것을 포함할 수 있다. 로지스틱 회귀 모델은 평가될 집단(들)의 복수의 사용자의 하나 이상의 기억 성능 척도를 사용하여 훈련될 수 있다. 예를 들어, 방법(200)이 임상적으로 정의된 경미한 인지 손상 또는 알츠하이머 병을 포함하는 기억 상실에 대한 스크리닝 도구로 사용되는 경우, 로지스틱 회귀 모델은 예를 들어 도 X에 설명된 바와 같이 건강한 사용자와 알츠하이머 병 진단을 받은 사용자의 테스트 동안 수집된 안구 움직임 데이터를 사용하여 훈련될 수 있다. 사용자를 위해 모델을 훈련시킨 하나 이상의 이미지를 사용하여 평가될 사용자에 대해 결정된(예를 들어, 단계 250에서) 하나 이상의 기억 성능 척도가 평가를 결정하기 위해 훈련된 로지스틱 회귀 모델에 입력될 수 있다. 이 예에서 평가는 임상적 경미한 인지 손상 또는 알츠하이머 병을 가질 확률을 도출할 수 있다. 확률은 사용자의 개인화된 심각도 점수를 나타낼 수 있다. 이러한 방식으로, 평가(확률/개인화된 심각도 점수)는 임상의와 사용자/가족/간호 제공자가 악화 또는 개선을 추적하고 치료, 생활/간호 환경 선택 또는 보조 기술 사용에 관한 결정 지원을 보조할 수 있도록 한다. 예를 들어, 일정 시간 기간 동안 여러 테스트에 대해 평가(확률/개인화된 심각도 점수)를 추적할 수 있다.
일부 실시예에서, 평가는 예를 들어 메모리(122)에 저장된 훈련된 로지스틱 회귀 모델을 사용하여 하나 이상의 현출성 성능 척도를 평가로 변환하는 것을 추가적으로 및/또는 선택적으로 포함할 수 있다. 로지스틱 회귀 모델은 평가할 집단(들)의 복수 사용자에 대한 하나 이상의 현출성 성능 척도를 사용하여 훈련될 수 있다.
일부 실시예에서, 하나 이상의 성능 척도의 평가는 추가적 및/또는 대안적인 기계 학습 및/또는 회귀 기술(예를 들어, 선형 회귀)을 사용하여 결정될 수 있다.
일부 실시예에서, 단계 260은 선택적으로(대안적으로 및/또는 추가적으로) 하나 이상의 피검자에 대한 하나 이상의 성능 척도를 사용하여 제1 컬렉션 및/또는 컬렉션의 각 이미지의 평가를 결정하는 것을 포함할 수 있다. 평가는 현출성 및/또는 기억 성능 척도에 기초한 이미지 순위화가 포함될 수 있다.
예를 들어, 광고주가 특정 시간 범위(0 내지 5 초) 동안 100개의 이미지를 평가하기를 원한다. 이 예에서, 하나 이상의 성능 척도는 하나 이상의 피검자에 대해 특정 시간에 각각의 이미지에 대해 결정될 수 있다. 이러한 척도를 사용하면 척도 유형과 관련하여 이미지가 가장 높은 값에서 가장 낮은 값까지 순위화될 수 있다. 예를 들어, 각 척도에 대해 순위 목록이 생성될 수 있다. 가장 높은 값은 낮은 값보다 더 현출성이 높거나 기억에 남는다. 2명 이상의 피검자에 대한 더 많은 척도가 사용되는 경우, 그 후, 각 이미지에 대한 평균 척도를 사용하여 특정 집단에 대한 기억 및/또는 현출성 척도를 생성할 수 있다.
다음으로, 방법(200)은 평가에 기초하여 보고서를 생성하는 단계(270)를 선택적으로 포함할 수 있다. 예를 들어, 보고서는 사용자, 임상의 및/또는 고객(예를 들어, 광고주)에 대한 것일 수 있다. 예를 들어, 보고서는 평가 결과의 세부 사항을 포함하지만 이에 제한되지 않으며, 특히, 사용자의 진행 상황 추적(예를 들어, 여러 테스트 세션을 통해 모니터링되는 경우), 그래픽 시각화 또는 그 조합을 제공할 수 있다.
일부 실시예에서, 방법(200)은 특히 평가를 저장하는 것, 평가로 하나 이상의 모델을 업데이트하는 것, 또는 그 임의의 조합을 추가적으로 또는 선택적으로 포함할 수 있다.
도 3은 예를 들어 실시예에 따른 사용자 및/또는 이미지를 평가하기 위해 단계 230에서 디스플레이 스크린 상에 디스플레이될 수 있는, 테스트의 예(300)를 나타낸다. 이 예에서 보정이 안구 움직임 취득 장치에 의해 수행되며, 수신된 안구 움직임 데이터는 보정된 안구 움직임 데이터이다. 테스트는 하나 이상의 테스트 세션에서 이미지(I1 CI... In CI )의 제1 컬렉션(310)으로부터의 하나 이상의 이미지의 디스플레이를 포함할 수 있다. 제1 컬렉션(310)의 이미지는 기준 또는 원본 이미지로 고려될 수 있다. 테스트는 하나 이상의 테스트 세션에서 디스플레이 스크린 상의 이미지(I1 C2... In C2 )의 제2 컬렉션(320)으로부터의 하나 이상의 이미지의 디스플레이를 포함할 수 있다. 제2 컬렉션(320)의 이미지는 제1 컬렉션(310)의 기준 또는 원본 이미지의 수정된 버전일 수 있다. 예로서, 제2 컬렉션(320)의 이미지(I1 C2 )는 제1 컬렉션(310)으로부터의 이미지(I1 C1 )의 수정된 버전일 수 있고, 제2 컬렉션(320)으로부터의 이미지(I2 C2 )는 제1 컬렉션(310)으로부터의 이미지(I2 C1 )의 수정된 버전일 수 있고, 제2 컬렉션(320)으로부터의 이미지(In C2 )는 제1 컬렉션(310)으로부터의 이미지(In C1 )의 수정된 버전일 수 있다.
테스트가 제2 컬렉션(320)으로부터의 하나 이상의 이미지를 포함하는 경우, 제1 컬렉션(310)으로부터의 대응하는 원본 기준 동일 및/또는 상이한 세션에서 제2 컬렉션의 대응하는 이미지 전에 디스플레이되어야 한다. 일부 예에서, 제1 컬렉션(310)의 원본/기준 이미지(들) 및 제2 컬렉션(320)의 대응하는 수정된 이미지(들)는 하나 이상의 세션에서 동일한 순서로 나타날 수 있다. 예로서, 테스트가 하나의 세션에서 컬렉션을 연속적으로 디스플레이하는 것을 포함하는 경우, 사용자가 테스트를 수행하기 위한 테스트(300)의 총 시간(T)은 몇 분(예를 들어, 3-5 분) 이내일 수 있다. 이런 방식으로, 기억 및/또는 현출성은 사용자를 괴롭히거나 실망시키지 않고 더 적은 자원을 사용하여 더 효율적이고 정확하게 액세스될 수 있다.
일부 예에서, 제1 및/또는 제2 컬렉션으로부터의 하나 이상의 이미지는 상당한 양의 시간만큼 분리된 복수의 세션에 걸쳐(예를 들어, 한번에 이루어지지 않음) 디스플레이될 수 있다. 예를 들어, 이미지의 디스플레이 및/또는 테스트 세션(들)의 개시는 사용자의 기억 변화를 사용자 및/또는 집단(들)에 대해 종적으로 추적할 수 있도록 10 분 이상, 시간(들), 일(들) 등에 걸쳐 분리될 수 있다.
각 컬렉션의 이미지 수는 임의의 수의 이미지를 포함할 수 있으며 3개로 제한되지 않는다. 제1 및/또는 제2 컬렉션에 나타난 이미지는 상이할 수 있다.
도 4는 좌표계에 대한 제1 테스트 단계(320)의 이미지(I1 C1 )의 확대 버전(400)을 나타내며, 도 5는 좌표계에 대한 제2 테스트 단계(330)의 대응하는 수정된 이미지(I1 C2 )의 확대 버전(500)을 나타낸다. 이 예에서, 이미지(400)의 영역(410)에 디스플레이된 새는 미리 결정된 시간 범위 동안 안구 움직임 데이터를 사용하여 하나 이상의 현출성 성능 척도가 결정될 수 있는 영역에 대응할 수 있다. 도 5에서, 이미지(500)의 영역(510)은 영역(410)에 대응한다. 이 예에 도시되어 있는 바와 같이, 이미지(500)는 새가 영역(510)에서 제거되었기 때문에 이미지(400)와 상이하다. 예로서, 하나 이상의 기억 성능 척도는 영역(510)에 대한 안구 움직임 데이터를 사용하여 결정될 수 있다. 예를 들어, 제2 기억 성능 척도는 영역의 중심(512)을 갖는 영역(510)에 대응하는 경계 상자(예를 들어, 타원)(514)를 사용하여 결정될 수 있다.
도 6은 실시예에 따른, 하나 이상의 사용자에 대한 정량적, 정성적 및/또는 범주적 평가를 수행하는 데 사용될 수 있는 분류기를 훈련하는 방법(600) 및/또는 하나 이상의 이미지의 정량적, 정성적 및/또는 범주적 평가를 결정하고, 테스트를 위한 하나 이상의 파라미터를 결정하는 방법을 나타낸다. 하나 이상의 파라미터는 특히, 안구 움직임 데이터를 처리하기 위한 미리 결정된 시간 범위, 경계 상자의 크기 및/또는 형상, 이미지를 디스플레이하는 시간 기간, 제1 컬렉션 및/또는 제2 컬렉션에 포함될 이미지, 디스플레이할 이미지의 순서, 디스플레이 이미지 사이의 시간 기간, 수행할 평가(예를 들어, 척도를 결정할 수 있는 변수(예를 들어, 시간 범위)), 또는 그 조합을 포함할 수 있다.
일부 실시예에서, 방법은 복수의 사용자에 대한 테스트 데이터를 수신하는 단계(610)를 포함할 수 있다. 테스트 데이터는 각 사용자에 대한 시간 기간 동안의 테스트 단계의 각 이미지에 대한 안구 움직임 데이터를 포함할 수 있다. 예를 들어, 단계 610은, 예를 들어, 도 3에 도시되어 있는 바와 같이, 테스트를 디스플레이 스크린에 디스플레이하는 동안 안구 움직임 데이터를 검출함으로써 복수의 사용자 각각에게 테스트를 시행하는 것을 포함할 수 있다. 이 방법은 방법(200)과 관련하여 도시되고 설명된 단계 210-230을 포함할 수 있다.
일부 실시예에서, 방법(600)은 시간 기간의 각 시간 범위에 대해 각 사용자에 대한 하나 이상의 성능 척도의 제1 세트를 결정하는 단계(620)를 포함할 수 있다. 하나 이상의 성능 척도의 제1 세트는 특히, 하나 이상의 기억 성능 척도, 하나 이상의 현출성 성능 척도, 또는 그 조합을 포함할 수 있지만 이에 제한되지 않는다. 예를 들어, 하나 이상의 성능 척도는 제1 기억 성능 척도, 제2 기억 성능 척도, 제1 현출성 성능 척도 및/또는 제2 현출성 성능 척도를 포함할 수 있다. 도 2의 단계 250과 유사하게, 단계 620은 각 시간 범위에 대한 각각의 테스트 세션의 각 이미지의 하나 이상의 영역에 대한 시선 위치 데이터를 사용하여 각 이미지에 대한 하나 이상의 기억 및/또는 현출성 성능 척도를 결정할 수 있다. 예를 들어, 하나 이상의 기억 및/또는 현출성 성능 척도는 특히 가우스 함수, 경계 상자, 또는 그 임의의 조합을 사용하여 결정될 수 있다.
예를 들어, 제1 기억 성능 척도 및 제1 현출성 성능 척도는 시간 기간의 각 시간 범위에 대해 안구 움직임 데이터(예를 들어, 안구 시선 데이터)를 사용하여 가우스의 평균이 각 영역의 중심 주위에 대략 놓여지고 분산이 해당 영역의 에지에 대응할 수 있는 가우스 함수를 구성함으로써 제2 컬렉션의 각 이미지와 제1 컬렉션의 각 이미지에 대해 각각 결정될 수 있다. 제2 기억 성능 척도 및 제2 현출성 성능 척도는 경계 상자의 중심(예를 들어, 타원)이 영역의 중심에 대응하도록 각각의 이미지에 경계 상자를 구성함으로써 제2 컬렉션의 각각의 이미지 및 제1 컬렉션의 각각의 이미지에 대해 결정될 수 있다. 가우스 함수의 출력은 그 후 제1 기억 성능 척도 및 제1 현출성 성능 척도를 결정하기 위해 평균화될 수 있다.
다음으로, 방법(630)은 사용자 및 관련된 성능 척도(들)를 2개 이상의 그룹으로 분할하는 것을 포함할 수 있다. 예를 들어, 사용자 및 관련 성능 척도(들)는 제1 그룹과 제2 그룹으로 분할될 수 있다. 제1 그룹은 훈련 그룹으로 사용될 수 있고 제2 그룹은 테스트 그룹으로 사용될 수 있다.
일부 실시예에서, 제1 그룹은 평가될 집단(들)에 따라 하나 이상의 하위 그룹으로 추가로 분할될 수 있다. 예를 들어, 인지 장애를 평가하기 위해 모델을 훈련시키는 경우, 제1 그룹은 제1 하위 그룹(예를 들어, 건강한 대조군)과 제2 하위 그룹(예를 들어, 증상을 갖는 알츠하이머 병, 인지 손상 개인 등)으로 분할될 수 있다. 예를 들어, 하위 그룹은 특히, 뇌 영상화, 혈액 검사, 이전 진단, 신경 검사, 표준화된 신경 물리 테스트, 기타 평가(예를 들어, 몬트리올 인지 평가(MoCA)) 또는 그 임의의 조합을 포함하지만 이에 제한되지 않는 사용자의 이용 가능한 의료 데이터를 사용하여 결정될 수 있다. 모델이 연령과 관련된 기억을 평가하도록 훈련되는 경우, 제1 그룹은 연령을 기초로 제1 하위 그룹(예를 들어, 젊은 사용자)과 제1 하위 그룹보다 고연령의 제2 하위 그룹으로 분할될 수 있다.
방법(600)은 각각의 이미지에 대한 각각의 시간 범위에 대해 하위 그룹 사이의 제1 세트의 성능 척도에서의 차이를 결정하는 단계(640)를 포함할 수 있다. 예를 들어, 하위 그룹 사이의 차이는 특히, 관련된 제1 기억 성능 척도, 제2 기억 성능 척도, 제1 현출성 성능 척도, 및/또는 제2 현출성 성능 척도, 또는 그 임의의 조합에 대해 결정될 수 있다.
방법(600)은 2개의 하위 그룹 사이에서 단계 640에서 결정된 성능 척도의 최대 차이를 갖는 각 이미지에 대한 각 시간 기간의 시간 범위를 결정하는 단계(650)를 포함할 수 있다.
도 7은 특정 이미지 및 특정 시간대에 대한, 제1 기억 성능 척도에 관한 두 하위 그룹인 건강한 대조군과 인지 손상 사용자 사이의 차이를 나타내는 스펙트로그램의 예(700)를 나타낸다. 이 예에서 각 하위 그룹에는 50 명의 건강한 대조군과 50 명의 AD 환자가 있다. 각 이미지에 대한 각 시간 범위에 대해, 제1 기억 성능 척도는 각 하위 그룹에 대해 평균화될 수 있고, 그 후 하위 그룹의 평균 척도 사이의 차이가 결정될 수 있다. 이 예에서는 이 도면의 빈이 밝을수록 차이가 커진다. 이 예에서 이미지 9의 경우 최대 차이는 710으로 식별되는 시간 범위(또는 시간대) 3이다. 이 시간 범위(710)는 약 10 %의 차이를 갖는다.
다음으로, 방법(600)은 단계 650에서 결정된 시간 범위 동안 각각의 이미지에 대한(양 그룹의) 각각의 사용자에 대한 제2 세트의 성능 척도를 결정하는 단계(660)를 포함할 수 있다. 예를 들어, 제2 세트의 성능 척도는 제1 기억 성능 척도, 제2 기억 성능 척도, 제1 현출성 성능 척도 및/또는 제2 현출성 성능 척도를 포함할 수 있다. 제2 컬렉션의 이미지에 대해, 단계 660은 단계 650에서 결정된 시간 범위 동안 각각의 이미지에 대한 제1 기억 성능 척도 및 제2 기억 성능 척도를 결정하는 것을 포함할 수 있다. 제1 컬렉션의 이미지에 대해, 단계 660은 단계 650에서 결정된 시간 범위 동안 각각의 이미지에 대한 제1 현출성 성능 척도 및 제2 현출성 성능 척도를 결정하는 것을 포함할 수 있다.
일부 실시예에서, 방법(600)은 예를 들어, 제2 세트의 성능 척도(단계 660에서 결정됨) 및 각 성능 척도의 차이(단계 620에서 결정됨)를 사용하여 각 사용자에 대한 제3 세트의 성능 척도를 결정하는 단계(670)를 포함할 수 있다. 제3 세트의 성능은 차이에 대한 관련 순위에 기초하여 하나 이상의 시간 범위에 대해 성능 척도를 반복적으로 평균화함으로써 결정될 수 있다.
예로서, 각 사용자는 20개의 제1 기억 성능 값의 제2 세트를 가질 수 있다. 제2 세트의 각각의 제1 기억 성능 값은 단계 650에서 결정된 시간 범위에 대한 기억 성능 값에 대응한다. 단계 650(예를 들어, 도 7)에서 결정된 차이를 사용하여, 가장 높은 차이를 갖는 척도가 순위화된다. 순위를 사용하여, 제3 세트의 기억 성능 값은 순위를 기초로 한 척도의 반복 평균에 대응할 수 있다. 이런 방식으로 제3 세트의 기억 성능 값은 제시된 여러 이미지의 집합에 대응할 수 있다.
예로서, 도 7에 나타난 차이를 사용하면 제1 기억 척도의 상위 3개의 제2 세트의 순위는 이미지 6, 9 및 12에 대한 척도와 관련된 값이 된다. 이 예에서, 해당 사용자에 대해, 제3 세트의 성능 값은 이미지 6에 대한 제2 세트의 제1 기억 척도에 대응하는 제1 성능 값; 이미지 6 및 9에 대한 제2 세트의 제1 기억 척도의 평균에 대응하는 제2 성능 값; 및 이미지 6, 9 및 12에 대한 제2 세트의 제1 기억 척도의 평균에 대응하는 제3 성능 값을 포함한다. 이 예에서, 단계 670은 20개의 제1 기억 성능 값의 제3 세트를 생성할 것이다.
일부 실시예에서, 방법(600)은 기계 학습 모델에 대한 하나 이상의 변수를 결정하기 위해 하나 이상의 성능 척도의 제3 세트(단계 670)를 처리하는 단계(680)를 포함할 수 있다. 예를 들어, 기계 학습 모델이 로지스틱 회귀를 활용하는 경우, 단계 680은 역전파를 사용하여 이러한 척도를 사용하여 하나 이상의 파라미터를 결정하는 것을 포함할 수 있다. 일부 실시예에서, 다른 방법이 사용될 수 있다.
방법(600)은 하나 이상의 테스트 세션에 대한 하나 이상의 파라미터를 결정하는 단계 690을 포함할 수 있다. 예를 들어, 단계 690은 모델을 사용할 때(단계 670) 사용자를 평가하기 위해 제1 컬렉션 및 관련된 미리 결정된/기준 시간 범위로부터 하나 이상의 이미지를 결정하는 것을 포함할 수 있다. 일부 실시예에서, 단계 690은 단계 680에서 훈련된 모델 및 단계 650에서 결정된 척도를 사용하여 제2(예를 들어, 대조군) 그룹의 각 사용자의 평가를 결정하는 것을 포함할 수 있다. 예로서, 평가는 테스트 사용자가 제1 그룹의 두 하위 그룹 중 하나에 있을 확률을 포함할 수 있다(예를 들어, 젊은이 대 노인, 인지 손상 대 건강 등).
단계 690은 평가를 수행하기 위한 제1 컬렉션 및 관련된 미리 결정된 시간 범위에 대한 기준 이미지의 세트를 결정하기 위해 확률을 감수성 및 특이성의 표현 또는 반영으로 변환하는 것을 포함할 수 있다. 예를 들어, 단계 690은 제3 세트의 성능 값을 AUC(area under curve)로 변환하고 AUC를 가장 높은 값으로부터 가장 낮은 값으로 순위화하는 것을 포함할 수 있다. 예로서, 제3 세트 내에서 8번째 성능 값이 가장 높으면, 이때, 알츠하이머 병에 걸린 사용자의 확률을 평가하기 위한 테스트를 위해 8개의 이미지 및 관련 기준 시간 범위를 선택할 수 있다. 이러한 방식으로, 단계 690은 테스트 세션 데이터(예를 들어, 테스트를 위한 하나 이상의 파라미터)를 결정할 수 있다.
방법(600)은 예를 들어 단계 260에서 사용하기 위해 모델 및 기준 시간 범위 및 관련된 이미지를 저장 및/또는 송신하는 것을 포함할 수 있다.
일부 실시예에서, 방법(600)이 테스트 단계(들) 동안 디스플레이되는 하나 이상의 이미지의 평가를 결정하는 데 사용되는 경우, 방법(600)은 테스트 동안 제시된 하나 이상의 이미지의 평가를 결정하기 위한 단계(662)를 선택적으로 포함할 수 있다. 도 8은 단계 650에서 결정된 성능 척도의 제2 세트를 사용하여 하나 이상의 이미지의 평가를 결정하는 방법(800)의 예를 나타낸다.
일부 실시예에서, 방법(800)은 기계 학습 모델을 훈련시키기 위해 제1 그룹에 대한 기억 및/또는 성능 척도의 제2 세트를 처리하는 단계(810)를 포함할 수 있다. 예를 들어, 기계 학습 모델이 로지스틱 회귀를 활용하는 경우, 662는 역전파를 사용하여 이러한 척도를 사용하여 하나 이상의 변수를 결정하는 것을 포함할 수 있다. 일부 실시예에서, 다른 방법이 사용될 수 있다.
방법(800)은 단계 810에서 훈련된 모델 및 단계 650에서 결정된 척도를 사용하여 제2 그룹의 각 사용자의 평가를 결정하는 단계(820)를 포함할 수 있다. 예로서, 평가는 테스트 사용자가 제1 그룹의 두 하위 그룹 중 하나에 있을 확률을 포함할 수 있다(예를 들어, 젊은이 대 노인, 인지 손상 대 건강 등).
방법(830)은 단계 830을 포함할 수 있으며, 이는 확률을 곡선하 면적으로 변환하는 것과 같이, 확률을 감수성 및 특이성의 표현 또는 반영으로 변환함으로써 사용자의 평가를 이미지의 평가로 변환하는 것을 포함할 수 있다.
다음으로, 방법(800)은 이미지의 평가(단계 830)를 사용하여 제1 및/또는 제2 컬렉션으로부터 이미지를 순위화하는 단계(840)를 포함할 수 있다. 순위가 가장 높은 이미지는 두 집단을 가장 잘 구분하는 이미지일 수 있다. 일부 실시예에서, 테스트는 사용자의 평가를 계산하기 위해 이들 이미지 및 관련 시간 범위를 포함하도록 수정될 수 있다. 이미지의 순위는 또한 보고서에서 제공될 수 있다(예를 들어, 단계 270). 더 높은 순위의 이미지는 제1 그룹과 제2 그룹 사이의 현출성의 차이를 최대화할 수 있다. 예를 들어, 순위는 제품 광고에 사용될 수 있는 고연령 집단과 전체 집단 사이의 현출성 및/또는 기억성의 차이를 최대화하는 식별 이미지를 제공할 수 있다. 예를 들어, 알츠하이머 병 평가 모델을 훈련하는 경우 제1 컬렉션의 이미지 순위는 현출성에 관하여 알츠하이머 병을 구분하는 이미지의 순위에 대응할 수 있으며 제2 컬렉션의 이미지 순위는 현출성에 관련하여 알츠하이머 병을 구분하는 이미지의 순위에 대응할 수 있다.
실시예의 철저한 이해를 제공하기 위해 이전 설명에서 특정 세부 사항이 제공된다. 그러나, 이러한 특정 세부 사항 없이 실시예가 실시될 수 있는 것으로 이해된다. 예를 들어, 회로는 불필요한 세부 사항으로 실시예를 모호하게 하지 않기 위해 블록도로 도시될 수 있다. 다른 실시예에서, 잘 알려진 회로, 프로세스, 알고리즘, 구조 및 기술은 실시예를 모호하게 하는 것을 피하기 위해 불필요한 세부 사항 없이 도시될 수 있다.
앞서 설명한 기술, 블록, 단계 및 수단의 구현은 다양한 방식으로 이루어질 수 있다. 예를 들어, 이러한 기술, 블록, 단계 및 수단은 하드웨어, 소프트웨어 또는 그 조합으로 구현될 수 있다. 하드웨어 구현의 경우, 처리 유닛은 하나 이상의 주문형 집적 회로(ASIC), 디지털 신호 프로세서(DSP), 디지털 신호 처리 장치(DSPD), 프로그램 가능 로직 장치(PLD), 필드 프로그래밍 가능 게이트 어레이(FPGA), 프로세서, 제어기, 마이크로컨트롤러, 마이크로프로세서, 앞서 설명한 기능을 수행하도록 설계된 다른 전자 유닛 및/또는 그 조합에서 구현될 수 있다.
또한, 실시예는 플로우차트, 흐름도, 데이터 흐름도, 구조도 또는 블록도로서 도시되어 있는 프로세스로서 설명될 수 있음에 유의한다. 플로우차트는 동작을 순차적 프로세스로 설명할 수 있지만 많은 동작을 병렬로 또는 동시에 수행할 수 있다. 또한, 동작 순서는 재정렬될 수 있다. 그 동작이 완료되면 프로세스가 종료되지만 도면에 포함되지 않은 추가 단계가 있을 수 있다. 프로세스는 메소드, 함수, 프로시저, 서브루틴, 서브 프로그램 등에 대응할 수 있다. 프로세스가 함수에 대응하는 경우, 그 종료는 함수를 호출 함수 또는 메인 함수로 반환하는 것에 대응한다.
또한, 실시예는 하드웨어, 소프트웨어, 스크립팅 언어, 펌웨어, 미들웨어, 마이크로코드, 하드웨어 기술 언어 및/또는 그 임의의 조합에 의해 구현될 수 있다. 소프트웨어, 펌웨어, 미들웨어, 스크립팅 언어 및/또는 마이크로코드로 구현될 때, 필요한 작업을 수행하기 위한 프로그램 코드 또는 코드 세그먼트는 저장 매체와 같은 기계 판독 가능 매체에 저장될 수 있다. 코드 세그먼트 또는 기계 실행 가능 명령어는 프로시저, 함수, 서브 프로그램, 프로그램, 루틴, 서브루틴, 모듈, 소프트웨어 패키지, 스크립트, 클래스 또는 명령어, 데이터 구조의 및/또는 프로그램 선언의 임의의 조합을 나타낼 수 있다. 코드 세그먼트는 정보, 데이터, 인수, 파라미터 및/또는 메모리 내용을 전달 및/또는 수신함으로써 다른 코드 세그먼트 또는 하드웨어 회로에 결합될 수 있다. 정보, 인수, 파라미터, 데이터 등은 메모리 공유, 메시지 전달, 티켓 전달, 네트워크 송신 등을 포함한 임의의 적절한 수단을 통해 전달, 포워딩 또는 송신될 수 있다.
펌웨어 및/또는 소프트웨어 구현의 경우, 방법론은 본 명세서에 설명된 기능을 수행하는 모듈(예를 들어, 프로시저, 함수 등)로 구현될 수 있다. 본 명세서에 설명된 방법론을 구현하는 데 명령어를 유형적으로 구현하는 임의의 기계 판독 가능 매체가 사용될 수 있다. 예를 들어, 소프트웨어 코드는 메모리에 저장될 수 있다. 메모리는 프로세서 내부 또는 프로세서 외부에서 구현될 수 있다. 본 명세서에 사용될 때, 용어 "메모리"는 임의의 유형의 장기, 단기, 휘발성, 비휘발성 또는 다른 저장 매체를 지칭하며, 임의의 특정 유형의 메모리 또는 메모리의 수, 또는 메모리가 저장되는 매체 유형에 제한되지 않는다.
더욱이, 본 명세서에 개시된 바와 같이, "저장 매체", "저장소" 또는 "메모리"라는 용어는 판독 전용 메모리(ROM), 랜덤 액세스 메모리(RAM), 자기 RAM, 코어 메모리, 자기 디스크 저장 매체, 광학 저장 매체, 플래시 메모리 장치 및/또는 정보를 저장하기 위한 다른 기계 판독 가능 매체를 포함하여 데이터를 저장하기 위한 하나 이상의 메모리를 나타낼 수 있다. "기계 판독 가능 매체"라는 용어는 휴대용 또는 고정 저장 장치, 광학 저장 장치, 무선 채널, 및/또는 명령어(들) 및/또는 데이터를 포함하거나 운반하는 저장이 가능한 다양한 다른 저장 매체를 포함하지만 이에 제한되지 않는다.
본 개시내용이 예시적인 실시예를 참조하여 상세히 설명되었지만, 본 기술 분야의 숙련자는 첨부된 청구범위에 설명된 본 개시내용의 사상 및 범위를 벗어나지 않고 다양한 수정 및 대체가 이루어질 수 있음을 이해할 것이다. 예를 들어, 상이한 예시적인 실시예의 요소 및/또는 특징은 본 개시내용 및 첨부된 청구범위의 범위 내에서 서로 조합 및/또는 서로 대체될 수 있다.
Claims (20)
- 하나 이상의 집단에 대한 하나 이상의 사용자들 및/또는 이미지들의 정성적, 정량적 및/또는 범주적 평가를 결정하는 방법에 있어서,
컴퓨팅 장치의 디스플레이 스크린상에서 사용자에게 테스트를 제시하는 단계로서, 상기 테스트는 일정 시간 기간 동안 제1 컬렉션 및/또는 제2 컬렉션으로부터의 하나 이상의 이미지들을 디스플레이하는 것을 포함하며, 각 컬렉션의 각 이미지는 하나 이상의 영역들을 포함하는, 상기 제시하는 단계;
디스플레이된 상기 하나 이상의 이미지들의 각 이미지에 대한 상기 사용자의 안구 움직임 데이터를 획득하는 단계로서, 각 이미지에 대한 상기 안구 움직임 데이터는 상기 시간 기간 동안의 안구 시선 위치 데이터를 포함하는, 상기 획득하는 단계;
상기 시간 기간의 미리 결정된 시간 범위들 중 하나 이상 동안 상기 하나 이상의 이미지들의 상기 하나 이상의 영역들에 대한 상기 안구 움직임 데이터를 사용하여 하나 이상의 기억 성능 척도들 및/또는 하나 이상의 현출성 성능 척도들을 결정하는 단계; 및
상기 하나 이상의 기억 성능 척도들 및/또는 하나 이상의 현출성 성능 척도들을 사용하여 하나 이상의 집단들에 대해 상기 사용자의 정량적, 정성적 및/또는 범주적 평가를 결정하는 단계를 포함하는, 방법. - 청구항 1에 있어서, 상기 방법은,
상기 시간 기간 동안 상기 디스플레이 스크린에 디스플레이된 각 이미지에 대한 상기 사용자의 안구 움직임을 검출하는 단계를 더 포함하는, 방법. - 청구항 1 또는 2에 있어서,
상기 테스트는 상기 제1 컬렉션의 하나 이상의 이미지들을 포함하고;
상기 제1 이미지 컬렉션은 하나 이상의 기준 이미지를 포함하고;
기 제1 이미지 컬렉션의 각 기준 이미지는 상기 시간 기간 동안 디스플레이되는, 방법. - 청구항 1 내지 3 중 어느 한 항에 있어서,
상기 테스트는 상기 제2 컬렉션의 하나 이상의 이미지들을 포함하고;
상기 제2 컬렉션은 하나 이상의 이미지들을 포함하고, 상기 제2 컬렉션의 각 이미지는 상기 제1 컬렉션의 이미지에 대응하고;
상기 제2 컬렉션의 각 이미지는 하나 이상의 이미지들을 포함하고, 상기 제2 컬렉션의 각 이미지는 상기 제1 컬렉션의 상기 대응하는 이미지의 하나 이상의 영역들과 상이한 하나 이상의 영역들을 가지며;
상기 제2 이미지 세트의 각 이미지는 상기 시간 기간 동안 디스플레이되는, 방법. - 청구항 4에 있어서,
상기 제2 컬렉션의 상기 이미지들은 상기 제1 컬렉션의 상기 이미지들 이후에 디스플레이되는, 방법. - 청구항 1 내지 5 중 어느 한 항에 있어서, 하나 이상의 기억 성능 척도들 및/또는 하나 이상의 현출성 성능 척도들을 결정하는 상기 단계는 하나 이상의 기억 성능 척도들을 결정하는 단계를 포함하고, 상기 하나 이상의 성능 척도들은 상기 제2 이미지 컬렉션에 대한 상기 성능 척도들에 기초하여 결정되는, 방법.
- 청구항 1 내지 6 중 어느 한 항에 있어서, 하나 이상의 기억 성능 척도들 및/또는 하나 이상의 현출성 성능 척도들을 결정하는 상기 단계는 하나 이상의 현출성 성능 척도들을 결정하는 단계를 포함하고, 상기 하나 이상의 현출성 성능 척도들은 상기 제1 이미지 컬렉션에 대한 상기 성능 척도들에 기초하여 결정되는, 방법.
- 청구항 1 내지 7 중 어느 한 항에 있어서, 상기 하나 이상의 집단들은 알츠하이머 병으로 진단된 개인들을 포함하는, 방법.
- 하나 이상의 집단에 대해 하나 이상의 사용자들 및/또는 이미지들의 정성적, 정량적 및/또는 범주적 평가를 수행하기 위한 모델을 훈련하기 위한 방법에 있어서,
디스플레이된 상기 하나 이상의 이미지 컬렉션들의 각 이미지에 대한 복수의 사용자들의 안구 움직임 데이터를 수신하는 단계로서, 각 이미지에 대한 상기 안구 움직임 데이터는 일정 시간 기간 동안의 안구 시선 위치 데이터를 포함하는, 상기 수신하는 단계;
상기 시간 기간의 복수의 시간 범위들 동안 상기 하나 이상의 이미지들의 상기 하나 이상의 영역들에 대한 상기 안구 움직임 데이터를 사용하여 제1 세트의 하나 이상의 기억 성능 척도들 및/또는 하나 이상의 현출성 성능 척도들을 결정하는 단계; 및
상기 복수의 시간 범위들 중 미리 결정된 시간 범위에 대한 상기 제1 세트의 하나 이상의 기억 성능 값들 및/또는 하나 이상의 현출성 성능 척도들을 사용하여 제2 세트의 하나 이상의 기억 성능 척도들 및/또는 하나 이상의 현출성 성능 척도들을 결정하는 단계를 포함하는, 방법. - 청구항 9에 있어서,
상기 제2 세트의 하나 이상의 기억 성능 척도들 및/또는 하나 이상의 현출성 성능 척도들을 사용하여 상기 하나 이상의 이미지 컬렉션들을 평가하는 단계를 더 포함하는, 방법. - 청구항 9 및 10에 있어서,
상기 제2 세트의 하나 이상의 기억 성능 척도들 및/또는 하나 이상의 현출성 성능 척도들과 각 각자의 성능 척도 간 차이를 사용하여 제3 세트의 하나 이상의 기억 성능 척도들 및/또는 하나 이상의 현출성 성능 척도들을 결정하는 단계를 더 포함하는, 방법. - 청구항 11에 있어서,
하나 이상의 집단들에 대한 개인을 평가하기 위한 테스트에 관련한 하나 이상의 파라미터들을 결정하는 단계를 더 포함하고, 상기 하나 이상의 파라미터들은 테스트에 포함할 상기 제1 컬렉션 및/또는 상기 제2 컬렉션의 상기 하나 이상의 이미지들 및 상기 하나 이상의 성능 척도들이 결정되는 각 이미지에 관련한 상기 미리 결정된 시간 범위를 포함하는, 방법. - 하나 이상의 집단들에 대한 하나 이상의 사용자들 및/또는 이미지들의 정성적, 정량적 및/또는 범주적 평가를 결정하기 위한 시스템에 있어서,
하나 이상의 프로세서들; 및
하나 이상의 하드웨어 저장 장치로서, 상기 컴퓨팅 시스템이 적어도,
컴퓨팅 장치의 디스플레이 스크린상에서 사용자에게 테스트를 제시하는 단계로서, 상기 테스트는 일정 시간 기간 동안 제1 컬렉션 및/또는 제2 컬렉션으로부터의 하나 이상의 이미지들을 디스플레이하는 것을 포함하며, 각 컬렉션의 각 이미지는 하나 이상의 영역들을 포함하는, 상기 제시하는 단계;
디스플레이된 상기 하나 이상의 이미지의 각 이미지에 대한 상기 사용자의 안구 움직임 데이터를 획득하는 단계로서, 각 이미지에 대한 상기 안구 움직임 데이터는 상기 시간 기간 동안의 안구 시선 위치 데이터를 포함하는, 상기 획득하는 단계;
상기 시간 기간의 미리 결정된 시간 범위들 중 하나 이상 동안 상기 하나 이상의 이미지들의 상기 하나 이상의 영역들에 대한 상기 안구 움직임 데이터를 사용하여 하나 이상의 기억 성능 척도들 및/또는 하나 이상의 현출성 성능 척도들을 결정하는 단계; 및
상기 하나 이상의 기억 성능 척도들 및/또는 하나 이상의 현출성 성능 척도들을 사용하여 하나 이상의 집단들에 대해 상기 사용자의 정량적, 정성적 및/또는 범주적 평가를 결정하는 단계를 수행하게 하는, 상기 하나 이상의 프로세서들에 의해 실행 가능한 컴퓨터 실행 가능 인스트럭션들이 저장된, 상기 하나 이상의 하드웨어 저장 장치들을 포함하는, 시스템. - 청구항 13에 있어서, 상기 하나 이상의 프로세서드은 상기 컴퓨팅 시스템이 적어도,
상기 시간 기간 동안 상기 디스플레이 스크린에 디스플레이된 각 이미지에 대한 상기 사용자의 안구 움직임을 검출하는 단계를 수행하게 하도록 더 구성되는, 시스템. - 청구항 13 또는 14에 있어서,
상기 테스트는 상기 제1 컬렉션의 하나 이상의 이미지들을 포함하고;
상기 제1 이미지 컬렉션은 하나 이상의 기준 이미지를 포함하고;
상기 제1 이미지 컬렉션의 각 기준 이미지는 상기 시간 기간 동안 디스플레이되는, 시스템. - 청구항 13 내지 15 중 어느 한 항에 있어서,
상기 테스트는 상기 제2 컬렉션의 하나 이상의 이미지들을 포함하고;
상기 제2 컬렉션은 하나 이상의 이미지들 포함하고, 상기 제2 컬렉션의 각 이미지는 상기 제1 컬렉션의 이미지에 대응하고;
상기 제2 컬렉션의 각 이미지는 하나 이상의 이미지들을 포함하고, 상기 제2 컬렉션의 각 이미지는 상기 제1 컬렉션의 상기 대응하는 이미지의 하나 이상의 영역들과 상이한 하나 이상의 영역들을 가지며;
상기 제2 이미지 세트의 각 이미지는 상기 시간 기간 동안 디스플레이되는, 시스템. - 청구항 16에 있어서,
상기 제2 컬렉션의 상기 이미지들은 상기 제1 컬렉션의 상기 이미지들 이후에 디스플레이되는, 시스템. - 청구항 13 내지 17 중 어느 한 항에 있어서, 하나 이상의 기억 성능 척도들 및/또는 하나 이상의 현출성 성능 척도들을 결정하는 상기 단계는 하나 이상의 기억 성능 척도들을 결정하는 단계를 포함하고, 상기 하나 이상의 성능 척도들은 상기 제2 이미지 컬렉션에 대한 상기 성능 척도들에 기초하여 결정되는, 시스템.
- 청구항 13 내지 18 중 어느 한 항에 있어서, 하나 이상의 기억 성능 척도들 및/또는 하나 이상의 현출성 성능 척도들을 결정하는 상기 단계는 하나 이상의 현출성 성능 척도들을 결정하는 단계를 포함하고, 상기 하나 이상의 현출성 성능 척도들은 상기 제1 이미지 컬렉션에 대한 상기 성능 척도들에 기초하여 결정되는, 시스템.
- 청구항 13 내지 19 중 어느 한 항에 있어서, 상기 하나 이상의 집단들은 알츠하이머 병으로 진단된 개인들을 포함하는, 시스템.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862747682P | 2018-10-19 | 2018-10-19 | |
US62/747,682 | 2018-10-19 | ||
PCT/US2019/057277 WO2020082088A1 (en) | 2018-10-19 | 2019-10-21 | Systems and methods for automated passive assessment of visuospatial memory and/or salience |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20210084443A true KR20210084443A (ko) | 2021-07-07 |
Family
ID=70283609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020217009926A KR20210084443A (ko) | 2018-10-19 | 2019-10-21 | 시공간 기억 및/또는 현출성의 자동 수동 평가를 위한 시스템 및 방법 |
Country Status (12)
Country | Link |
---|---|
US (1) | US20210353208A1 (ko) |
EP (1) | EP3866690A4 (ko) |
JP (1) | JP2022505373A (ko) |
KR (1) | KR20210084443A (ko) |
AU (1) | AU2019362092A1 (ko) |
BR (1) | BR112021007182A2 (ko) |
CA (1) | CA3116893A1 (ko) |
CL (1) | CL2021000971A1 (ko) |
IL (1) | IL282381A (ko) |
MX (1) | MX2021003713A (ko) |
SG (1) | SG11202103438SA (ko) |
WO (1) | WO2020082088A1 (ko) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20230161179A (ko) * | 2022-05-18 | 2023-11-27 | 의료법인 명지의료재단 | 치매 진단 시스템 |
CN117898675A (zh) * | 2024-01-19 | 2024-04-19 | 南京励翱科技有限公司 | 一种阿尔兹海默病的智能筛查***、装置及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010107568A1 (en) | 2009-03-17 | 2010-09-23 | Emory University | Internet-based cognitive diagnostics using visual paired comparison task |
US20130090562A1 (en) * | 2011-10-07 | 2013-04-11 | Baycrest Centre For Geriatric Care | Methods and systems for assessing cognitive function |
US20150282705A1 (en) * | 2014-04-07 | 2015-10-08 | Ofer Avital | Method and System of Using Eye Tracking to Evaluate Subjects |
WO2015164807A1 (en) * | 2014-04-25 | 2015-10-29 | Texas State University | Detection of brain injury and subject state with eye movement biometrics |
EP3140780B1 (en) * | 2014-05-09 | 2020-11-04 | Google LLC | Systems and methods for discerning eye signals and continuous biometric identification |
US11116393B2 (en) * | 2016-03-31 | 2021-09-14 | Agency For Science, Technology And Research | Vision assessment based on gaze |
-
2019
- 2019-10-21 SG SG11202103438SA patent/SG11202103438SA/en unknown
- 2019-10-21 MX MX2021003713A patent/MX2021003713A/es unknown
- 2019-10-21 JP JP2021521371A patent/JP2022505373A/ja active Pending
- 2019-10-21 BR BR112021007182-2A patent/BR112021007182A2/pt not_active Application Discontinuation
- 2019-10-21 CA CA3116893A patent/CA3116893A1/en active Pending
- 2019-10-21 EP EP19873849.4A patent/EP3866690A4/en active Pending
- 2019-10-21 AU AU2019362092A patent/AU2019362092A1/en not_active Abandoned
- 2019-10-21 US US17/286,667 patent/US20210353208A1/en active Pending
- 2019-10-21 KR KR1020217009926A patent/KR20210084443A/ko unknown
- 2019-10-21 WO PCT/US2019/057277 patent/WO2020082088A1/en unknown
-
2021
- 2021-04-16 CL CL2021000971A patent/CL2021000971A1/es unknown
- 2021-04-18 IL IL282381A patent/IL282381A/en unknown
Also Published As
Publication number | Publication date |
---|---|
EP3866690A4 (en) | 2022-07-27 |
CA3116893A1 (en) | 2020-04-23 |
BR112021007182A2 (pt) | 2021-07-20 |
MX2021003713A (es) | 2021-09-14 |
AU2019362092A1 (en) | 2021-05-27 |
WO2020082088A1 (en) | 2020-04-23 |
US20210353208A1 (en) | 2021-11-18 |
CL2021000971A1 (es) | 2021-09-10 |
JP2022505373A (ja) | 2022-01-14 |
IL282381A (en) | 2021-06-30 |
SG11202103438SA (en) | 2021-05-28 |
EP3866690A1 (en) | 2021-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11961620B2 (en) | Method and apparatus for determining health status | |
US11301775B2 (en) | Data annotation method and apparatus for enhanced machine learning | |
KR20220004639A (ko) | 개인 맞춤식 디지털 치료 방법 및 디바이스 | |
US20170188930A1 (en) | Animation-based autism spectrum disorder assessment | |
Beltrán et al. | Computational techniques for eye movements analysis towards supporting early diagnosis of Alzheimer’s disease: a review | |
KR101983279B1 (ko) | 가상현실을 이용한 신경질환 진단 장치 및 방법 | |
US11302440B2 (en) | Accelerating human understanding of medical images by dynamic image alteration | |
Ruamviboonsuk et al. | Artificial intelligence in ophthalmology: evolutions in Asia | |
US20210357696A1 (en) | Processing fundus camera images using machine learning models trained using other modalities | |
Voloh et al. | MAD saccade: statistically robust saccade threshold estimation via the median absolute deviation | |
KR20210084443A (ko) | 시공간 기억 및/또는 현출성의 자동 수동 평가를 위한 시스템 및 방법 | |
Rahman et al. | Automated detection approaches to autism spectrum disorder based on human activity analysis: A review | |
US20240138780A1 (en) | Digital kiosk for performing integrative analysis of health and disease condition and method thereof | |
Aigrain | Multimodal detection of stress: evaluation of the impact of several assessment strategies | |
Shekar et al. | Vreye: Exploring human visual acuity test using virtual reality | |
Saho et al. | Screening of apathetic elderly adults using kinematic information in gait and sit-to-stand/stand-to-sit movements measured with Doppler radar | |
Mohan et al. | Using artificial intelligence in diabetic retinopathy | |
Turner et al. | At-home glaucoma monitoring: is it ready for prime time? | |
De Bruin | Automated usability analysis and visualisation of eye tracking data | |
Bisogni et al. | Gaze analysis: A survey on its applications | |
US20240257981A1 (en) | Method and apparatus for determining health status | |
Beadle | A Meta-Analytic Approach to Simulator Sickness in Head-Mounted Displays: Sex Differences, Latency Effects, Time-Course, and Comparison of Subjective Symptom Reports | |
Thomas | Anterior segment optical coherence tomography | |
Valls et al. | A clinical decision support system for the diagnosis of Diabetic Retinopathy | |
EP4287937A1 (en) | Quantifying and visualizing changes over time to health and wellness |