用于数字疫苗的系统和方法与流程

用于数字疫苗的系统和方法
1.技术领域
2.本公开技术涉及人工智能类型计算机和数字数据处理系统，以及相应的用于仿真智能(即，基于知识的系统、推理系统和知识获取系统)的数据处理方法和产品；以及包括不确定性推理系统(如模糊逻辑系统)、自适应系统、机器学习系统和人工神经网络。具体而言，本公开技术涉及使用深度神经网络，如卷积神经网络(cnn)和全连接神经网络(fcnn)来分析数据。


背景技术：

3.本节讨论的主题不应仅因本节提及而被假定是现有技术。类似地，本节中提到的问题或与作为背景技术提供的主题相关的问题不应被假定在现有技术中已在先承认。本节中的主题仅代表不同的方法，这些方法本身也可以对应于要求保护的技术的实施。
4.机器学习
5.在机器学习中，输入变量用于预测输出变量。输入变量通常称为特征，且用x＝(x1,x2,..., xk)表示，其中每个xi，i∈1,...,k是一个特征。输出变量通常称为响应变量或因变量，且用变量yi表示。y与对应的x之间的关系可以写成一般形式：
6.y＝f(x)+∈
7.在上面的等式中，f是特征(x1,x2,...,xk)的函数，并且∈是随机误差项。误差项与x 无关，且平均值为零。
8.实际上，在没有y或不知道x和y之间的确切关系的情况下，特征x是可用的。由于误差项的平均值为零，因此目标是估计f。
[0009][0010]
在上面的等式中，是的估计值，其通常被认为是一个黑盒，这意味着只有的输入和输出之间的关系是已知的，但它为什么起作用的问题仍未得到解答。
[0011]
函数是通过学习建立的。监督学习和无监督学习是机器学习中用于此任务的两种方式。在监督学习中，标记的数据用于训练。通过显示输入和相应的输出(＝标签)，优化函数使其接近输出。在无监督学习中，目标是从未标记的数据中找到隐藏结构。该算法没有测量输入数据的准确性，这区别于监督学习。
[0012]
神经网络
[0013]
单层感知器(single layer perceptron(slp))是最简单的神经网络模型。它包括一个输入层和一个激活函数。输入通过加权图传递。函数f使用输入的总和作为自变量(argument)并将其与阈值θ进行比较。
[0014]
神经网络是相互连接的人工神经元(例如a1、a2、a3)的系统，人工神经元在彼此之间交换信息。图示的神经网络有三个输入，两个神经元在隐藏层中，两个神经元在输出层
中。隐藏层有激活函数f(
·
)，输出层有激活函数g(
·
)。这些连接具有数字权重(例如，w
11
、w
21
、w
12
、w
31
、w
22
、w
32
、v
11
、v
22
)，这些权重在训练过程中被调整，使得经过适当训练的网络在输入要识别的图像时能够正确响应。输入层处理原始输入，隐藏层基于输入层和隐藏层之间连接的权重处理来自输入层的输出。输出层从隐藏层获取输出，并基于隐藏层和输出层之间连接的权重对其进行处理。该网络包括多层特征检测神经元。每一层都有许多神经元，这些神经元响应来自先前层的输入的不同组合。这些层构造成使得第一层检测输入图像数据中的一组原始图案，第二层检测图案的图案，第三层检测这些图案的图案。
附图说明
[0015]
在附图中，相同的附图标记通常指代贯穿不同视图的相同的部件。此外，附图不一定是按比例绘制的，而是重点通常放在说明本公开技术的原理上。在以下描述中，将结合以下附图描述本公开技术的各种实施方式。
[0016]
图1示出了在数字疫苗环境中操作的所公开技术的一种实施方式。
[0017]
图2显示了虚拟化身(avatar)数据的一个示例。
[0018]
图3描绘了用户数据的一个示例。
[0019]
图4示出了营养数据生成系统的一种实施方式。
[0020]
图5显示了数据处理系统的一种实施方式。
[0021]
图6描绘了环境交互数据的一个示例。
[0022]
图7显示了修改系统的一种实施方式。
[0023]
图8a和8b示出了递归神经网络。
[0024]
图9示出了示例性lstm块。
[0025]
图10描绘了卷积神经网络的工作方式的一种实施方式。
[0026]
图11描绘了根据所公开技术的一种实施方式训练卷积神经网络的框图。
[0027]
图12显示了根据所公开技术的一种实施方式的relu非线性层的一种实施方式。
[0028]
图13示出了扩张卷积(dilated convolution)。
[0029]
图14是根据所公开技术的一种实施方式的子采样层(平均/最大池化(pooling))的一种实施方式。
[0030]
图15描绘了卷积层的两层卷积的一种实施方式。
[0031]
图16示出了训练阶段的一种实施方式，其中在训练阶段训练数据处理系统和修改系统。
[0032]
图17显示了数据处理系统和修改系统可使用的不同类型的神经网络。
[0033]
图18描绘了用于人工智能控制的神经生理行为状态调节以降低健康风险评分的方法的一种实施方式。
[0034]
图19描绘了用于个性化精确健康风险映射的方法的一种实施方式。
[0035]
图20是可用于实施所公开技术的计算机系统的简化框图。
具体实施方式
[0036]
以下讨论旨在使任何本领域技术人员能够制作和使用所公开技术，并在特定应用及其要求的上下文中提供。对于本领域技术人员来说，对所公开的实施方式的各种修改将
是显而易见的，并且在不背离所公开技术的精神和范围的情况下，本文定义的一般原理可以应用于其他实施方式和应用。因此，本公开技术不旨在限于所示的实施方式，而是要被赋予与本文所公开的原理和特征一致的最宽范围。
[0037]
以下描述和附图是说明性的，不应被解释为限制性的。描述了许多具体细节以提供对本公开的充分理解。然而，在某些情况下，不描述众所周知的或常规的细节以避免混淆描述。对本公开中的一个或一实施方式的引用可以但不一定是对相同实施方式的引用；并且，这样的引用意味着至少一种实施方式。
[0038]
在本说明书中，对“一个实施方式(one implementation)”或“一实施方式(animplementation)”的引用意味着结合该实施方式描述的特定的特征、结构或特性被包括在本公开的至少一个实施方式中。在说明书的不同地方出现的短语“在一个实施方式中”不一定都指代相同的实施方式，也不是与其他实施方式相互排斥的单独的或替代的实施方式。此外，描述了可以由一些实施方式而不是其他实施方式展示的各种特征。类似地，描述了各种需求，这些需求可能是某些实施方式的需求，但不是其他实施方式的需求。
[0039]
本说明书中使用的术语在本领域中，在本公开的上下文中，以及在使用每个术语的特定上下文中通常具有普通含义。下文或说明书中的其他地方讨论了用于描述本公开的某些术语，以对于本公开的描述向从业者提供额外的指导。为方便起见，可以突出显示某些术语，例如使用斜体和/或引号。突出显示的使用对术语的范围和含义没有影响；无论是否突出显示，术语的范围和含义在相同的背景下是相同的。可以理解的是，同样的事情可以用不止一种方式来说明。
[0040]
因此，替代语言和同义词可用于本文讨论的任何一个或多个术语，对于术语是否在本文中详细阐述或讨论也没有任何特殊意义。提供了某些术语的同义词。一个或多个同义词的详述不排除使用其他同义词。在本说明书中的任何地方使用示例，包括本文讨论的任何术语的示例，仅是说明性的，并不旨在进一步限制本公开或任何示例性术语的范围和含义。同样，本公开不限于本说明书中给出的各种实施方式。
[0041]
在不打算进一步限制本公开的范围，下面给出了根据本公开的实施方式的仪器、装置、方法及其相关结果的示例。注意，为了方便读者，示例中可以使用标题或副标题，这绝不应限制本公开的范围。除非另有定义，否则本文使用的所有技术和科学术语具有与本公开所属领域的普通技术人员通常理解的相同的含义。在冲突的情况下，以本文件(包括定义)为准。
[0042]
本公开的实施方式包括增强、交替、虚拟和/或混合现实与物理现实的无缝集成以增强网络、移动装置(mobile)和/或其他数字体验的系统、方法和装置。本公开的实施方式进一步包括促进交替现实之间的物理和非物理交互/动作/反应的系统、方法和装置。
[0043]
所公开的数字疫苗平台能够并促进了虚拟对象(vob)的创作、发现和/或交互。一个示例性实施方式包括系统和平台，该系统和平台可以促进人类与在数字领域(例如，增强现实环境(ar)、交替现实环境(ar)、混合现实环境(mr)或虚拟现实环境(vr))中的虚拟对象(下文称为“vob”或“vobs”)交互(interaction)或互动(engagement)。通过集成、增强或优化我们的数字活动，例如网页浏览，数字(在线或移动购物)购物，社交(例如，社交网络、共享数字内容、维护照片、视频、其他多媒体内容)，数字通信(例如，信息、电子邮件、sms、移动通信通道等)，业务活动(例如，文档管理、文档处理)，业务流程(例如，it、hr、安全等)，交
通，旅游等，人类在所公开的环境中或通过所公开的环境与vob的交互或互动可以与日常生活集成，并为日常生活带来适用性。
[0044]
所公开的数字疫苗平台通过与现实世界环境和现实世界背景的集成为数字活动提供了另一个维度，以通过优化的背景、社会、空间、时间认知和相关性来提高实用性、可用性、相关性、娱乐性和/或虚荣价值。一般而言，经由所公开的系统和平台描绘的虚拟对象可以是背景(例如，时间上、空间上、社交上、用户特定的等)相关的和/或背景感知的(contextually aware)。具体而言，虚拟对象可以具有与现实世界地点、现实世界事件、人类、现实世界实体、现实世界事物、现实世界对象、现实世界概念和/或物理世界时间相关联或相关的属性，因此，将其部署为数字体验的增强，提供了额外的现实生活实用性。
[0045]
注意，在一些情况下，vob可以在地理上、空间上和/或社会上相关和/或进一步具有现实生活效用。根据本公开的实施方式，vob在外观或表现上可以是或看起来是随机的，几乎没有或没有现实世界关系，并且在现实世界中几乎没有边际效用。在ar环境或平台中，相同的 vob可以随机出现，或对一个人类用户几乎没用，而以一种或多种方式与另一个用户相关。
[0046]
所公开的数字疫苗平台使用户能够使用任何设备，包括例如，计算机、pdas、电话、移动电话、平板电脑、头戴式设备、护目镜、智能手表、单片眼镜、智能隐形眼镜、智能手表和其他智能服饰(例如，智能鞋、智能衣服)以及任何其他智能设备，与vobs和部署的环境进行交互。
[0047]
在一个实施方式中，所公开的数字疫苗平台类似于物理世界的web，或结合物理世界的 web运转。主机服务器可以为这个新的web提供浏览器、托管服务器和搜索引擎。
[0048]
所公开的数字疫苗平台的实施方式使任何人能够创建内容(例如，vob、第三方应用程序、支持ar的应用程序或其他对象)并将其放置到覆盖饮食信息的层(例如，虚拟世界的组件、命名空间、虚拟世界组件(virtual world component)、数字命名空间等)中，并集中在具有最多受众的层(例如，公众层)周围。在某些情况下，公众层可以是用于将所公开的平台货币化的主要发现机制和广告场所的来源。
[0049]
在一个实施方式中，所公开的数字疫苗平台包括存在于叠加在物理世界上的另一个维度中的虚拟世界。用户可以通过客户端应用程序的用户界面感知、观察、访问、参与或以其他方式与该虚拟世界交互。
[0050]
所公开的数字疫苗平台的一种实施方式包括消费者或客户端应用程序组件(例如，部署在用户设备上)，其能够向ar环境和平台的人类用户提供饮食认知。客户端应用程序可以感知、检测或识别虚拟对象和/或其他人类用户、活动者(actor)、非玩家角色或在其物理位置范围内的任何其他人类或计算机参与者，并且可以使用户能够对vobs进行观察、查看、行动、交互和反应。
[0051]
此外，所公开的数字疫苗平台的实施方式还包括企业应用程序(其可以是基于桌面、移动装置或浏览器的应用程序)。在这种情况下，零售商、广告商、商家或第三方电子商务平台/网站/供应商可以通过企业应用程序访问所公开的平台，从而能够管理通过平台部署的付费广告活动。
[0052]
用户可以访问连接到主机平台(例如，由主机服务器托管)的客户端应用程序。客户端应用程序使用户能够感知虚拟对象(“vob”)和其他用户(“user”)、活动者、非玩家角
色、玩家或平台的其他参与者，并与之交互。可以标记或标识vobs(通过qr码、其他条形码或图像标记)，以供客户端应用程序检测。
[0053]
客户端设备可以是任何系统和/或设备，和/或能够与另一个设备、服务器和/或其他系统建立连接的设备/系统的任何组合。客户端设备都通常包括显示器和/或其他输出功能实体 (functionality)，以呈现在设备和主机服务器之间交换的信息和数据。
[0054]
例如，客户端设备可以包括移动的、手持的或便携式设备或非便携式设备，并且可以是服务器台式机(server desktop)、台式计算机、计算机集群或便携式设备中的任何一个，但不限于此，便携式设备包括笔记本电脑、膝上型电脑、手持式电脑、掌上电脑、移动电话、蜂窝电话、智能电话、pda、黑莓设备(blackberry device)、treo、手持平板电脑(如ipad、 galaxy、xoom平板电脑等)、平板电脑、瘦客户端、手持控制台、手持游戏设备或控制台、 iphone、可穿戴设备、头戴式设备、智能手表、护目镜、智能眼镜、智能隐形眼镜和/或任何其他便携式、可移动的、手持设备等。客户端设备上的输入机构可以包括触摸屏键盘(包括单点触控、多点触控、2d或3d手势感应等)、物理键盘、鼠标、指针、触控板、运动检测器(例如，包括1轴、2轴、3轴加速度计等)、光传感器、电容传感器、电阻传感器、温度传感器、接近传感器、压电设备、设备定位检测器(例如电子罗盘、倾斜传感器、旋转传感器、陀螺仪、加速度计)、眼睛跟踪、眼睛检测、瞳孔跟踪/检测，或上述组合。
[0055]
客户端设备、应用程序发布者/开发者、其各自的用户网络、第三方内容提供商和/或促销内容服务器可以联接到网络和/或多个网络。在一些实施方式中，客户端设备和主机服务器可以彼此直接连接。由应用程序发布者/开发者提供或开发的交替的、增强的可以包括任何数字的、在线的、基于网络的和/或基于移动装置的环境，包括企业应用程序、娱乐平台、游戏平台、社交网络平台、电子商务、交易所、搜索平台、浏览、发现、消息传递、聊天和/或任何其他类型的活动(例如，支持网络的活动)。
[0056]
动机
[0057]
人工智能(ai)在重塑人类状况方面具有巨大潜力。整个行业都做好了在其核心处进行改写的准备。许多ai已经定位为取代人类任务。图像识别、自然语言处理(natural languageprocessing)、信息流/数字内容管理和点击量优化，代表了ai在增强数字内容平台的广告驱动商业模式的狭义用途案例。目前ai正在取得进展，因为人类决策可以被更明智的算法以更快的速度取代。无人驾驶汽车、机器人、无人机、运输、制造等代表了ai应用的另一个令人兴奋的方面，特别是因为它可以在提高现有行业效率的背景下最大限度地减少人为错误。神经网络代表了ai最强大的要素之一，因为结果可以开始反映生物智能，其可以由数据提供支持，根据经验学习适应。可以想象，这样的进步可能会导致人类与ai的冲突，特别是在支持 ai的精确结果成为无赖意图的棋子的情况下。虽然对于ai，大部分重点和方向都是通过数据挖掘和机器学习向着现有流程的自动化，但ai革命有望在几个全球范围内的危机中颠覆范式。人工智能扮演着令人兴奋的角色，它以前所未有的方式赋予人类力量。人类的智慧和意识可以通过更有能力和善意的更大力量来提升。创造这种ai要求这种支持ai增强(ai-enabledaugmentation)的设计者具有强烈的使命感和更深层次的道德创新。
[0058]
本发明旨在通过我们的dv+ai平台实现消除糖尿病、心血管疾病、高血压、肾病、肝病、认知疾病和癌症的可预防的营养和生活方式相关的全球负担的愿景，并发现减轻疾病症状的相关性。
[0059]
过去十年一直致力于高标准的自筹资金科学和创新，受到伦理审查和基于证明的迭代调查的科学方法的约束，朝着开发能够让人类世代受益的ai的使命迈进。基本的认识是，由于肆无忌惮的利润动机对人类与地球的代价视而不见，人类已经在攻击我们自己。必须反对的基本全球趋势是，从全球人类疾病的治疗、诊断和延续中，少数人获得了巨大的利润。通过资本主义助长的效率，越来越多的ai驱动的算法攻击，在个人和社会层面的人类健康上获取巨大的利润。这一悲惨现实的一长串症状证据，包括大型联合企业助长的加工食品的激增，这些食品助长了另一极端——现代医学和大型制药公司的巨大力量。这两个霸道的行业都从破坏人类潜力中获利。
[0060]
现代医学已经达到了伦理和道德冲突的粗俗层面，这是一个公开的秘密，因为在企业pe 控制的医院的医生一方面赚取佣金并被操纵以满足激励性的“销售配额”，同时他们却不光彩地开出更具侵入性的使人衰弱的药物，这比他们声称要治疗的疾病造成的伤害更大。当过度诊断、过度治疗、造成更持久的依赖并最终导致人员死亡的风险越来越大时，“不伤害(dono harm)”根本不可调和。胰岛素危机、阿片类药物危机、胆固醇骗局、化疗骗局、甲状腺治疗、剖腹产增加、pe助长的哄抬物价，只是众所周知的冰山一角，表示了对人类不公正的程度和规模。我们早就应该将人类状况恢复到在古代文化和传统中体现的自然平衡水平，这是在财富与人类健康没有冲突的时候设计的。我们团队熟悉的灵感来源之一是阿育吠陀 (ayurveda)，它建立在对“swasthasya swasthya rakshanam.aturasya roga nivaranam”的基本承诺之上(为了保护健康，为了预防疾病-公元前500年charaka samhita)。人们可以将这种温和的生物学上一致的哲学与我们的当代现实进行对比，在现代现实中，以不可告人的利润动机支持的可疑治疗被隐藏在希波克拉底誓言(hippocratic oath)(不伤害)背后，以利用生物暴力、协议驱动的治疗，其通过不可复制的还原论证明镜头得到验证。
[0061]
数字疫苗(dv)加(+)人工智能(ai)的存在是为了大规模地改写这一全球趋势，其庄严的目标是通过保护我们的健康赋予人类力量和通过降低健康风险增强人类潜力。这种技术的综合目的是实现这一目标，同时做到可以重新定位资本主义的崇高标准，有利于保护健康，而不是治疗疾病。我们的dv方法通过非侵入性技术，在机械学和生理学水平上，建立在神经调节和神经刺激方面的基本神经科学突破之上。这使得深度技术和基础知识得以发展。
[0062]
支持dv+ai的投资论点非常简单。对制药公司、医院系统和医疗保健服务支出的全球市值总数的粗略估计超过15万亿美元。全球医疗保健年度支出的经济负担是惊人的20多万亿美元。巨大的疾病负担已经转移，同时继续转移到利润助长的可预防非传染性疾病(noncommunicable diseases(ncds))。更可怕的预测是，这些数字预计将以不可预见的加速增长。通过高度可扩展的dv+ai，可以获取所创造经济价值的一小部分，因为dv+ai将使当前从疾病中获利的资本主义机制非中介化(disintermediate)。考虑到该领域的早期阶段正在定义，以及通过当前类似saas的月订阅模式(通过移动设备分发给每个学生)的商业化牵引力，通过dv项目的合格杰出学校合作伙伴分发，正在形成强制性的健康教育联合课程和联合学术计划。dv+ai已经通过填补临床证明的基于科学的营养健康教育课程的空白进入市场。考虑到dv+ai是dtx的一个子集，这一点尤其重要，假定当代相邻的dtx公司对可行的上市模式的困惑的当前状态，其中许多公司已经筹集了数亿美元，以通过不可扩展的技
术应对更小范围的疾病。随着对人口健康持续关注的增长，dv+ai将获得从偿还角度来看无可争议的证明。基于我们与卡内基梅隆大学(carnegie mellon university)、斯坦福医学院(stanford schoolof medicine)、斯坦福法学院(stanford law school)、约翰霍普金斯大学布隆伯格公共卫生学院(johns hopkins university bloomberg school of public health)、upmc匹兹堡儿童医院 (pittsburgh children’s hospital of upmc)、牛津大学纳菲尔德医学院(oxford university nuffield department of medicine)、贝勒医学院(baylor college of medicine)、新加坡国立大学(national university of singapore)等学术研究机构的世界领先研究人员的经受时间考验的伙伴关系，我们旨在定义dv+ai的类别和校准标准。我们已经通过我们预先存在的和不断扩大的著名生命科学研究人员网络为随机对照临床试验做准备，其明确的科学目标是测量 dv+ai对胆固醇(hdl/ldl)、血糖、a1c、酮、糖蛋白乙酰(glycoprotein acetyls)、氨基酸、体重指数bmi、认知发展标志物(cognitive development marker)的结果。dv+ai因此正处于制药和生物技术公司的地盘上。dv+ai向世界展示了一种非侵入性、相对无风险且严格以科学为基础的侵入性药物和治疗替代方案，通过基于医学级别公开的纵向结果建立护城河，其具有的科学基础将为未来的竞争对手设立高标准。通过伙伴关系，我们将继续推动为我们世界上的每个儿童制定强制dv的全球标准，该标准在卫生部/教育部的建议和政策框架的支持下。dv+ai也即将获得世界卫生组织(who)/联合国儿童基金会(unicef)/联合国开发计划署(undp)等组织的支持。这种对科学的关注将保持较低的上市营销成本，同时与世界知名的学术合作伙伴一起利用开创性的科学。这种基于创新的高度可扩展软件的独特综合，可以通过ip资产得到保护，将确保软件的盈利水平。
[0063]
一个大胆的目标是创建一家拥有超过1万亿美元市值的多世纪公司，其坚定的使命是获得必要的影响力和资源，以改写人类潜力的未来。这一使命始终是有意义的，因为相信健康对真正的幸福永远是至关重要的，因此，健康仍然是传给子孙后代的最大财富。
[0064]
数字疫苗环境
[0065]
我们描述了用于提供数字疫苗解决方案的系统和各种实施方式。结合图1描述了该系统和方法。因为图1是架构图，某些细节被有意省略以提高描述的清晰性。图1的论述整理如下。首先，描述了图中的元素，之后是它们的相互连接。然后，更详细地描述元素的用途。
[0066]
图1示出了在数字疫苗环境100中操作的所公开技术的一种实施方式。用户102使用诸如智能手机、平板电脑、膝上型电脑和个人计算机(pc)之类的设备与数字疫苗环境100交互。数字疫苗环境100响应于用户102提供的用户输入112。
[0067]
数字疫苗环境100可以由类似物理引擎140的游戏处理器运行，其在以虚拟化身126为中心的游戏化背景中实现数字疫苗环境100。物理引擎140可以是unity 3d
tm
或havok
tm
。物理引擎140可以配置具有逻辑，该逻辑详细说明虚拟化身126经历并与之交互的数字疫苗环境100的叙述、阶段、任务、动画和模拟，包括管理当虚拟化身126基于用户输入112在数字疫苗环境100中运行时如何修改虚拟化身126的规则。
[0068]
数字疫苗环境100进一步包括虚拟化身外观引擎106、虚拟输入生成子系统136、表现 (performance)数据库114、任务数据库118、食物供给品数据库128和虚拟化身数据数据库 138。
[0069]
数字疫苗环境100的模块可以用硬件或软件来实现，并且不需要精确地划分为与图1所示的相同的块。一些模块也可以在不同的处理器或计算机上实现，或者分布在许多不同的处理器或计算机上。此外，应当理解，一些模块可以组合、并行操作或以不同于图1所示的顺序操作，而不影响实现的功能。同样如本文所使用的，术语“模块”可以包括“子模块”，其本身可以被认为构成模块。数字疫苗环境100中的块，被指定为模块，也可以被认为是方法中的流程图步骤。模块也不必将其所有代码连续放置在内存中；代码的一些部分可以与代码的其他部分分开，来自其他模块或其他函数的代码位于两者之间。
[0070]
现在描述数字疫苗环境100的元素的相互连接。实际的通信路径可以是公共和/或专用网络上的点对点。一些项可能是间接交付的，例如，通过应用商店(未显示)。通信可以在各种网络进行，例如专用网络、vpn、mpls电路或因特网(internet)，并且可以使用适当的应用程序编程接口(api)和数据交换格式，例如表述性状态转移(representational state transfer (rest))、javascript对象符号(javascript object notation(json))、可扩展标记语言 (extensible markup language(xml))、简单对象访问协议(simple object access protocol (soap))、java消息服务(java message service(jms))和/或java平台模块系统(javaplatform module system)。所有通信都可以加密。通信通常通过网络，例如lan(局域网)、 wan(广域网)、电话网络(公共交换电话网络(public switched telephone network(pstn))、会话发起协议(session initiation protocol(sip))、无线网络、点对点网络、星型网络、令牌环网、枢纽网络、互联网，包括移动互联网，通过edge、3g、4glte、wi-fi和wimax 等协议。此外，各种授权和身份验证技术，如用户名/密码、开放授权((open authorization) oauth)、kerberos、secureid、数字证书、语音识别、指纹扫描、面部识别、生物识别扫描等，可用于保护通信安全。
[0071]
可以通过应用程序编程接口(api)访问数字疫苗环境100。api是指代码库、例程、协议方法和属于一组类的字段(包括其接口类型)的打包集合。api定义了开发人员和程序员可以使用这些类进行自己的软件开发的方式，只需导入相关类，并编写实例化类和调用其的方法与字段的语句。api是基于源代码的应用程序，旨在用作软件组件相互通信的接口。api 可以包括例程、数据结构、对象类和变量的应用程序。基本上，api为开发人员和程序员提供了接口，以访问基于云的服务的底层数据、平台功能和特性。所公开技术的实施方式使用不同类型的api，包括网络服务api(例如http或基于http的api(例如soap、wsdl、 bulk、xml-rpc和json-rpc)以及rest api(例如，flickr
tm
、google static maps tm
、google geolocation
tm
))、网络套接字api、基于库的api(如javascript和twain (例如，google maps
tm
javascript api、dropbox
tm
javascript数据存储ap、twilio
tm apis、oracle调用接口(oci))、基于类的api(如java api和android api(例如，googlemaps
tm
android api、用于.net框架的msdn类库、用于java和c#的twilio
tm
apis))、 os函数和例程(如访问文件系统和访问用户界面)、对象远程api(如corba和.net remoting) 以及硬件api(如视频加速、硬盘驱动器和pci总线)。所公开技术使用的api的另一些示例包括amazon ec2 api
tm
、box content api
tm
、box events api
tm
、microsoftgraph
tm
、dropbox api
tm
、dropbox api v2
tm
、dropbox core api
tm
、dropbox coreapi v2
tm
、facebook graph api
tm
、foursquare api
tm
、geonames api
tm
、force.comapi
tm
、force.com metadata api
tm
、apex api
tm
、visualforce api
tm
、force.comenterprise wsdl
tm
、salesforce.com streaming api
tm
、salesforce.com
tooling api
tm
、google drive api
tm
、drive rest api
tm
、accuweather api
tm
和聚合单一api，如cloudrail
tm
api。
[0072]
已经介绍了图1的元素和其相互连接，现在更详细地描述该图的元素。
[0073]
数字疫苗环境100向用户驱动的虚拟化身126呈现(i)测试虚拟化身的身体适宜性 (physical fitness)的任务118和(ii)在比赛(游戏)的各个阶段108的食物供给品128。虚拟化身126的外观响应于虚拟化身在任务118上的表现114和食物供给品128的选择。例如，当虚拟化身126通过比赛(游戏)的各个阶段108前进时，其被提供越来越困难的体力消耗挑战。随着虚拟化身126成功执行物理任务，它的外观变得更健康和更健壮(例如，肌肉发达、更瘦)。在另一示例中，虚拟化身126被提供具有不同营养价值和卡路里计数的多种食物类型。基于所消耗的食物，虚拟化身126的外观发生变化(例如，肌肉较少、体型较大)。在一种实现方式中，虚拟化身126的外观变化由虚拟化身外观引擎106实施。此外，虚拟化身126的移动和活动由用户输入112控制。
[0074]
在一种实施方式中，所公开的技术提供了所谓的covid-19数字疫苗候选物的设计和实施，并通过人体现场试验对其进行评估。
[0075]
covid-19大流行病对全世界的人民、卫生系统和经济来说是一场史无前例且发展迅速的灾难。该大流行病不仅暴露了医疗保健系统在应对传染病方面的脆弱性，而且还揭示了危机时期人类行为的脆弱性。随着covid-19继续影响人类生活的方方面面，一种新常态正在建立。在这种新常态下，随着科学家们努力为covid19研制新的生物疫苗，人们越来越认识到，社会必须超越单纯的生物方法，通过寻找covid-19和类似传染病的新型疗法来建立复原力。
[0076]
人类行为，尤其是人们如何应对传染病的真实和感知风险，是颠覆covid-19传播的重要因素。事实上，了解传染病动态与人类行为之间相互作用的系统调查得出的结论是，行为改变和疾病知识对于控制传播至关重要。世界卫生组织(who)认识到人类行为改变在传染病管理中的价值，who疾病爆发传播规划指南(outbreak communication planning guide)建议行为改变可以将病毒传播减少多达80％。
[0077]
所公开的技术为慢性病领域的行为改变提供了数字解决方案。所公开技术(1)提供数字疫苗候选者的设计和实施方式，该数字疫苗候选者是一种科学的、多学科的、基于证据的数字治疗干预，用于诱导行为改变和学习，以遏制诸如covid-19的感染性疾病，以及(2)在印度进行人体现场试验以评估其疗效和影响。
[0078]
数字疫苗是数字疗法的一个子类别，其是基于证据的预防方法，使用数字技术(通过智能手机、平板电脑等交付的应用程序)通过神经认知训练来推动积极的人类行为。它们是游戏化的数字干预措施，其借鉴了神经科学、心理学、人工智能、说服计算(persuasive computing) 和行为经济学的原理，为动态神经行为的生理调节提供安全和低风险的机制。
[0079]
所公开技术通过使用机器学习和支持深度学习的个性化游戏体验来进行欧洲行为生理调节(euro-behavioral-physiological modulation)，可以引起行为改变和习惯以降低疾病风险。所公开技术提供了一种医疗移动应用程序，该应用程序通过游戏化学习平台采用了数字疫苗的设计原则，该平台使用神经科学、人工智能和虚拟现实来改善儿童的饮食选择、身体活动和健康知识。所公开技术具有独特的、身临其境的和激励性的特征，其鼓励玩积极的视频游戏，从而在儿科人群中引起期望的行为变化。
[0080]
我们建议通过我们与动态神经-行为-生理调节相关的知识和专门技能，将该平台重新用于遏制传染病，例如covid-19。
[0081]
养成良好的个人卫生习惯(洗手、表面消毒、保持社交距离等)是一种重要的生活方式行为改变，其可以减轻传染病的传播。我们建议使用数字疫苗为用户提供神经认知培训，以促使他们采取降低covid-10病毒传播风险的健康卫生习惯。数字疫苗通过具有文化敏感性和可定制性的游戏化移动应用程序进行管理。换句话说，游戏化的应用程序提供了深层次的个性化和本地化，确保数字疫苗满足来自所有地理、社会和文化领域的每个目标受众的需求。
[0082]
例如，为了在印度泰米尔纳德邦开发促进手部卫生的covid-19数字疫苗，将该地区的社会学、环境和区域规范用作算法的一部分，该算法对手部卫生建议了最佳的covid-19特定做法(例如，洗手20秒或唱一首已知持续时间为20秒的生日快乐歌)。该算法调整并扩展了手卫生知识现有的游戏设计和界面组件以包括本地偏好，本地偏好包括以区域语言显示游戏说明、设计游戏虚拟化身以与本地人外观相似、在游戏界面中使用普遍认可的图标等。
[0083]
此外，这种动态内容配置通过已被神经认知训练证实的参与机制嵌入，导致数字疫苗的快速部署。所公开的技术通过神经网络实现了这一点，该神经网络基于实时和预测的数据流进行学习和适应。在病毒快速变化的情况下，我们需要以超过感染媒介的敏捷性和精确性来进行遏制和免疫接种。所公开的人工智能提供了一种基于规则的/有监督/无监督的学习框架系统，其也通过人为干预来调节，可以基于数据领先于流行病。
[0084]
我们建议通过人体临床试验，设计、开发和评估我们的数字疫苗候选者，以预防和减轻 covid-19的传播。该试验的技术优势是跟踪covid-19的发病率、时间因素以及传播率，以及对健康卫生习惯的采纳。
[0085]
在一个实施方式中，所公开的技术提供了用户和虚拟化身生物标志物参数，例如，调节性t细胞和covid-19抗体(例如，免疫球蛋白g(igg))。将微量营养素(如锌和镁)，呈现为动态配置的vr内容的输出。
[0086]
输入生成系统具有虚拟输入生成子系统136和实际输入生成子系统304。虚拟输入生成子系统136通过数字疫苗环境100监控虚拟化身的进程，并产生虚拟化身数据138。
[0087]
图2显示了虚拟化身数据138的一个示例。在一种实施方式中，虚拟化身数据138包括 (i)虚拟化身食物偏好数据202，(ii)虚拟化身卡路里数据212，(iii)虚拟化身胰岛素数据222，(iv)虚拟化身葡萄糖数据232，(v)虚拟化身a1c数据242，以及(vi)虚拟化身酮数据252，(vii)虚拟化身胆固醇(hdl/ldl)数据，(viii)虚拟化身氨基酸数据，(ix) 虚拟化身糖蛋白乙酰数据，(x)虚拟化身肠道微生物组数据。这些可以进一步包括covid-19 特异性生物标志物，例如，调节性t细胞和covid-19抗体(例如，免疫球蛋白g(igg))。
[0088]
虚拟化身食物偏好数据202进一步包括在数字疫苗环境中呈现给虚拟化身的带时间戳的虚拟食物，以及虚拟化身在数字疫苗环境中选择的带时间戳的虚拟食物。虚拟化身卡路里数据212进一步包括虚拟化身的总卡路里水平，虚拟化身由于执行任务而增加的卡路里，以及虚拟化身的净卡路里水平。虚拟化身胰岛素数据222进一步包括虚拟胰岛素剂量计数器和虚拟胰岛素单位。虚拟化身葡萄糖数据232进一步包括虚拟净血糖。虚拟化身a1c数据242进一步包括虚拟a1c结果。虚拟化身酮数据252进一步包括虚拟酮水平。
[0089]
图3描绘了用户数据306的一个示例。实际输入生成子系统304访问用户信息数据库302，并产生用户数据306。在一种实施方式中，用户数据138包括(i)用户食物偏好数据308，(ii) 用户卡路里数据310，(iii)用户血糖数据222，(iv)用户胰岛素数据314，(v)用户葡萄糖数据316，(vi)用户a1c数据318，和(vii)用户酮数据320，(vii)用户胆固醇(hdl/ldl) 数据，(viii)用户氨基酸数据，(ix)用户糖蛋白乙酰数据，(x)用户肠道微生物组数据(必须修改图3以包括这些指标)。这些还可以包括covid-19特异性生物标志物，例如，调节性t细胞和covid-19抗体(例如，免疫球蛋白g(igg))。
[0090]
在一些实施方式中，实际输入生成子系统304是网络爬虫，其从诸如社交媒体网站、临床医生输入或电子健康记录的在线传记(biographic)源收集用户数据306。
[0091]
用户食物偏好数据308进一步包括在现实世界中呈现给用户的带时间戳的实际食物，以及用户在现实世界中消耗的带时间戳的实际食物。用户卡路里数据310进一步包括用户在现实世界中消耗的实际卡路里，以及用户在现实世界中增加的卡路里。用户血糖数据312进一步包括血糖指数和血糖负荷。用户胰岛素数据314进一步包括实际胰岛素剂量计数器和实际胰岛素单位。用户葡萄糖数据316进一步包括实际净血糖。用户a1c数据318进一步包括实际a1c结果。用户酮数据320进一步包括实际酮水平。用户hdl/ldl数据进一步包括实际胆固醇数据。用户氨基酸数据进一步包括实际氨基酸水平。用户糖蛋白乙酰数据进一步包括实际糖蛋白乙酰水平。用户肠道微生物组数据进一步包括实际肠道微生物组数据。
[0092]
图4示出了营养数据生成系统424的一种实施方式。营养数据生成系统424处理(i)食物日志412，(ii)用户对话文件422，(iii)用户图像432和/或(iv)食物图像442，并产生营养数据426。
[0093]
营养数据生成系统424可以使用深度神经网络。深度神经网络是一种人工神经网络，其使用多个非线性和复杂的转换层对高级特征相继建模。深度神经网络通过反向传播提供反馈，反向传播携带观察到的和预测的输出之间的差异来调整参数。
[0094]
深度神经网络是一系列参数、非线性和分层学习的函数。给定数据集d，深度神经网络需要找到可最小化某些损失函数的最佳参数θ。这些模型被称为网络，因为它们是可以表示为非循环图的函数集合。非循环图分为多层，并且每一层代表一个计算形式：
[0095]
h1＝f1(w1·
x+b1)
[0096]
其中x是模型的多维输入，该模型使用权重w1∈θ和偏置b1∈θ映射到隐藏单元h1。函数f
1 (
·
)称为激活函数。一层的输出可以作为另一层的输入。
[0097]
h2＝f2(w2·
f1(w1·
x+b1)+b2)
[0098]
因此，神经网络的层次方面。深度学习领域专注于具有大量这些层的神经网络，因为它们能够接近更复杂的函数。
[0099]
在一种实施方式中，营养数据生成系统424是处理用户对话文件422并产生营养数据426 的循环神经网络。循环神经网络(recurrent neural network(rnn))是深度神经网络家族的一部分，并且能够处理序列数据。为了理解序列中包含的信息，rnn需要存储器以了解数据的背景。有关过去的信息使用隐藏状态通过网络传递。因此，单个计算单元可以取决于其先前的状态。使用rnn的想法是为了得到一种自然的记忆持久化方式。这些循环实现了rnn获得这种持久性行为。图8a示出了rnn的示意图，其中g是神经网络的一部分并且不应与激活函数混淆。
[0100]
图8b中展开的网络阐明了rnn是如何工作的。它可以看作是由较小的神经网络组成的神经网络，其中信息以有序的方式传递。展开的网络表明，如果t代表时间，则在这类网络中有因果关系。这使得rnn对研究时间序列很有趣。在按日的时间序列的研究中，需要检测季节性特征。季节的周期可以变得相对大。从理论上讲，应该可以学习过去与当前时间之间的任何关系，因为信息是通过每个块传递的。然而，使用梯度下降算法学习rnn的长期依赖性是困难的。
[0101]
长短期记忆(long short term memory(lstm))循环神经网络旨在能够学习这些长期关系，而不会忽略短期依赖性。图9示出了lstm块。在图9中，
×
和+是逐点算子，σ和tanh 是激活函数。两个连接箭头进行连接操作。两个拆分箭头进行复制操作。lstm块以与rnn 相同的方式重复。lstm块由两条水平通过的线组成，y值对应于块的输出，c值对应于单元 (cell)状态。水平线具有来自前面块的输入c
t-1
906和y
t-1
908，以及到后续块的输出c
t
910和 y
t
912。对于每个块，垂直地，有一个输入x和一个输出y。
[0102]
从输入x
t
914开始，将信号与y
t-1
908级联(concatenated)以获得[y
t-1
，x
t
]。在第一个指向下方的箭头之后，这些值通过sigmoid(s型)函数σ916传递。sigmoid函数σ916函数的输出f
t
918定义为：
[0103]ft
＝σ(wf·
[y
t-1
,x
t
]+bf)
[0104]
以上函数称为遗忘门，因为输出(在(0，1)中的值)使用逐点积算子决定是记住还是忘记前面的单元状态。
[0105]
在第二个指向下方的箭头之后，信号[y
t-1，x
t
]到达另一个sigmoid函数σ920，其被称为输入门。输出i
t
922决定了哪些值用于更新。输出i
t
922是：
[0106]it
＝σ(wi·
[y
t-1
,x
t
]+bi)
[0107]
第三个指向下方的箭头通过使用tanh函数926为单元状态生成新的候选值c
nt
924。通过与输入门进行交叉乘积，单元状态的更新可以使用以下方法确定：
[0108]cnt
＝tanh(wc·
[y
t-1
,x
t
]+bc)
[0109]ct
＝f
t
*c
t-1
+i
t
*c
nt
[0110]
新单元状态是旧单元状态和新候选者的组合，在新候选者中遗忘门和输入门逐步决定是否分别使用旧单元状态和新输入。
[0111]
输出门ot 930变换信号[y
t-1
,x
t
]，定义如下：
[0112]ot
＝σ(wo[y
t-1
,x
t
]+bo)
[0113]
通过取得更新的单元状态ct 910的tanh和输出门ot 930的乘积，新的输出y
t
912被定义为：
[0114]yt
＝o
t
*tanh(c
t
)
[0115]
lstm的主要成分是单元状态和输出。新的单元状态由遗忘门和输入门定义。新的输出由输出门和新的单元状态定义。通过增加n个这样的块，经过这些块的向量的大小呈线性增长。
[0116]
在其他实施方式中，营养数据生成系统424可以是xgboosted树或决策树。
[0117]
xgboost代表极端梯度提升(extremegradientboosting)，它是梯度提升的分布式实施方式，强调效率、灵活性和便携性。它提供并行树提升，且与其他梯度提升实施方式相比速度更快。
[0118]
决策树是一个模型，其以单个非叶(non-leaf)节点开始，分支成不同的结果。然后该结果导致更多的额外节点。每个非叶节点代表对一个特定特征的测试，每个分支代表该特征的结果，每个叶节点存储一个类别。一旦完成每个特征的拆分后，将具有最小损失的一个看做是最佳拆分标准，并将其设置为该节点的规则。拆分过程继续进行，直到满足终止条件。
[0119]
提升(boosting)技术的原理是弱分类器的组合可以创建单个强分类器。弱分类器是在单独应用时往往表现不佳，但与在同一数据集上训练的其他弱分类器结合使用时表现良好的分类器。对于提升方法，每一步都采用加法训练方法，在每一步中向模型中加入一个周分类器。在xgboost中，弱分类器是新的决策树。下面的等式显示了这一特点：
[0120]
f0＝0
[0121]ft
(x)＝f
t-1
(x)+h(x)
[0122]
其中h(x)是f
t-1
(x)之后的新决策树，f
t
(x)是t-1步之后的新模型。xgboost模型的目标是找到在第t
th
步最小化以下等式的树f
t
(x)：
[0123]
obj(f
t
)＝l(f
t-1
+f
t
)+ω(f
t
).
[0124]
l是决定预测能力的损失函数，ω是控制过拟合的正则化函数。
[0125]
在另一实施方式中，营养数据生成系统424是处理用户图像432和/或食物图像442并产生营养数据426的卷积神经网络。
[0126]
卷积神经网络是一种特殊类型的神经网络。密集连接层和卷积层之间的根本区别在于：密集层(dense layer)在其输入特征空间中学习全局模式，而卷积层学习局部模式：对图像来说，学习在输入的2d小窗口中发现的图案。这一关键特性为卷积神经网络提供了两个有趣的特性：(1)它们学习的图案是平移不变的；(2)它们可以学习图案的空间层次结构。
[0127]
关于第一个，在学习了图片右下角的某个图案后，卷积层可以在任何地方识别它：例如，在左上角。如果图案出现在新的位置，则密集连接网络将必须重新学习该图案。这使得卷积神经网络数据高效，因为它们需要更少的训练样本来学习具有泛化能力的图示。
[0128]
关于第二个，第一卷积层可以学习小的局部图案，例如边缘，第二卷积层将学习由第一层的特征组成的更大的图案，以此类推。这使得卷积神经网络有效地学习越来越复杂和抽象的视觉概念。
[0129]
卷积神经网络通过将排列在许多不同层中的人工神经元层与使层相互依赖的激活函数相互连接，学习高度非线性映射。它包括一个或多个卷积层，散布着一个或多个子采样层和非线性层，通常其后面是一个或多个全连接层。卷积神经网络的每个元素都接收来自前一层的一组特征的输入。卷积神经网络并行学习，因为同一特征图中的神经元具有相同的权重。这些局部共享权重降低了网络的复杂度，使得当多维输入数据进入网络时，卷积神经网络避免了在特征提取和回归或分类过程中数据重建的复杂性。
[0130]
卷积在称作特征图的3d张量上运行，其具有两个空间轴(高度和宽度)以及一个深度轴 (也称为通道轴)。对于rgb图像，深度轴的维度为3，因为图像具有三个颜色通道；红色、绿色和蓝色。对于黑白图片，深度为1(灰度级别)。卷积运算从其输入特征图中提取小块(patch)，并对所有这些小块应用相同的变换，生成输出特征图。这个输出特征图仍然是3d张量：它有宽度和高度。它的深度可以是任意的，因为输出深度是层的参数，并且在该深度
轴上的不同通道不再代表在rgb输入中的特定颜色；相反，它们代表滤波器。滤波器对输入数据的特定方面进行编码：例如，在高度水平上，单个滤波器可以对“输入中面部的存在”的概念进行编码。
[0131]
例如，第一卷积层采用大小为(28，28，1)的特征图，并输出大小为(26，26，32)的特征图：它相对于其输入计算32个滤波器。这32个输出通道中的每一个都包含26x26的数值网格，其是滤波器对输入的响应图，表示该滤波器图案在输入中不同位置的响应。即特征图这个术语的意思指：深度轴上的每个维度都是一个特征(或滤波器)，2d张量输出[：，：， n]是这个滤波器对输入的响应的2d空间图。
[0132]
卷积由两个关键参数定义：(1)从输入中提取的小块(patch)的尺寸-通常为1x1、3x3 或5x5，以及(2)输出特征图的深度-通过卷积计算的滤波器数量。这些通常以32的深度开始，继续到64的深度，并以128或256的深度结束。
[0133]
卷积的工作原理是将这些大小为3x3或5x5的窗口在3d输入特征图上滑动，在每个位置停止，然后提取周围特征(形状(shape)(窗口_高度(window_height)、窗口_宽度 (window_width)、输入_深度(input_depth)))的3d小块。每个这样的3d小块经10次变换(通过具有相同学习权重矩阵的张量积，称为卷积核)为形状(输出_深度，)的1d向量。然后将所有的这些向量在空间上重新组合成形状(高度，宽度，输出_深度)的3d输出图。输出特征图中的每个空间位置都对应于输入特征图中的相同位置(例如，输出的右下角包含有关输入右下角的信息)。例如，在3x3窗口中，向量输出[i，j，：]来自3d小块输入[i-1： i+1，j-1：j+1，：]。全过程在图10中详细说明。
[0134]
卷积神经网络包括在输入值和卷积滤波器(权重矩阵)之间执行卷积运算的卷积层，该卷积滤波器是在训练期间通过许多梯度更新迭代学习的。使(m，n)为滤波器大小，w为权重矩阵，然后卷积层通过计算点积w
·
x+b来执行w与输入x的卷积，其中x是x的实例， b是偏置。卷积滤波器在输入上滑动的步长称为步幅，滤波器面积(m
×
n)称为感受野。相同的卷积滤波器应用于输入的不同位置，其减少了学习的权重数量。它还允许位置不变的学习，即，如果输入中存在重要图案，则无论它在序列中的哪个位置，卷积滤波器都会学习它。
[0135]
训练卷积神经网络
[0136]
图11描绘了根据所公开技术的一种实施方式的训练卷积神经网络的框图。调整或训练卷积神经网络，以便输入数据产生特定的输出估计值。基于输出估计值和真值(ground truth) 的比较，使用反向传播调整卷积神经网络，直到输出的估计值逐渐匹配或接近真值。
[0137]
基于真值和实际输出之间的差异调整神经元之间的权重来训练卷积神经网络。这在数学上被描述为：
[0138]
δwi＝xiδ
[0139]
其中δ＝(真值)-(实际输出)
[0140]
在一个实施方式中，训练规则被定义为：
[0141][0142]
在上式中：箭头表示值的更新；tm是神经元m的目标值；是神经元m的计算的当前输出；an是输入n；α是学习率。
[0143]
在训练中的中间步骤包括使用卷积层从输入数据生成特征向量。从输出开始计算每层中关于权重的梯度。这被称为反向传播(backward pass)，或反向进行(going backwards)。使用负梯度和先前权重的组合更新网络中的权重。
[0144]
在一个实施方式中，卷积神经网络使用随机梯度更新算法(例如adam)，该算法通过梯度下降来进行误差的反向传播。下面描述了基于sigmoid函数的反向传播算法的一个示例：
[0145][0146]
在上面的sigmoid函数中，h是神经元计算的加权和。sigmoid函数具有以下导数：
[0147][0148]
该算法包括计算网络中所有神经元的激活，产生正向传播(forward pass)的输出。隐藏层中神经元m的激活被描述为：
[0149][0150][0151]
这是为所有隐藏层进行的，以获得描述如下的激活：
[0152][0153][0154]
然后，计算每一层的误差和修正权重。在输出中的误差计算如下：
[0155][0156]
在隐藏层中的误差计算如下：
[0157][0158]
输出层的权重更新为：
[0159][0160]
使用学习率α将隐藏层的权重更新为：
[0161]
vnm
←
wnm+αδhman
[0162]
在一个实施方式中，卷积神经网络使用梯度下降优化来计算所有层的误差。在这样的优化中，对于一个输入特征向量x和预测输出损失函数定义为l，其用于当目标为y时，预测的成本，即预测的输出使用函数f从输入特征向量x转换而来。函数f由卷积神经网络的权重参数化，即损失函数描述为或者q(z,w)＝ l(fw(x),y)，其中z是输入和输出数据对(x,y)。通过根据如下等式更新权重来执行梯度下降优化：
[0163][0164]wt+1
＝w
t
+v
t+1
[0165]
在上式中，α是学习率。此外，损失计算为一组n个数据对的平均值。当线性收敛后学习率α足够小时，计算终止。在其他实施方式中，仅使用馈送到nesterov的加速梯度和自适应梯度的选定数据对来计算梯度，以提高计算效率。
[0166]
在一个实施方式中，卷积神经网络使用随机梯度下降(stochastic gradient descent(sgd)) 来计算成本函数。sgd通过仅从一个随机数据对z
t
计算它，来估算关于损失函数中的权重的梯度，描述如下：
[0167][0168]wt+1
＝w
t
+v
t+1
[0169]
在上式中：α是学习率；μ是动量；t是更新前的当前权重状态。当学习率α降低得足够快和足够慢时，sgd的收敛速度大约是o(1/t)。在其他实施方式中，卷积神经网络使用不同的损失函数，例如euclidean损失和softmax损失。在另一实施方式中，卷积神经网络使用 adam随机优化器。
[0170]
卷积层
[0171]
卷积神经网络的卷积层用作特征提取器。卷积层充当自适应特征提取器，其能够学习输入数据并将其分解为分层特征。在一个实施方式中，卷积层将两幅图像作为输入，并生成第三幅图像作为输出。在这样的实施方式中，卷积在二维(2d)中对两个图像进行操作，其中一个图像是输入图像，另一个图像称为“内核(kernal)”，其应用为输入图像的滤波器，产生输出图像。因此，对于长度为n的输入向量f和长度为m的内核g，f和g的卷积f*g定义为：
[0172][0173]
卷积操作包括在输入图像上滑动内核。对于内核的每个位置，将内核和输入图像的重叠值相乘，并将结果相加。乘积之和是输出图像在输入图像中内核居中的点处的值。许多内核产生的不同输出称为特征图。
[0174]
一旦训练了卷积层，它们被应用于对新的推理数据执行识别任务。由于卷积层从训练数据中学习，它们避免了显式特征提取，并从训练数据中隐式地学习。卷积层使用卷积滤波器内核权重，其作为训练过程中的一部分被确定和更新。卷积层提取输入的不同特征，这些特征在更高层组合。卷积神经网络使用不同数量的卷积层，每个卷积层都有不同的卷积参数，例如内核大小、步幅、填充(padding)、特征图的数量和权重。
[0175]
非线性层
[0176]
图12显示了根据所公开技术的一种实施方式的非线性层的一种实施方式。非线性层使用不同的非线性触发函数来表示每个隐藏层上可能特征的不同识别。非线性层使用各种特定函数来实现非线性触发，包括修正线性单元(relus)、双曲正切、双曲正切绝对值、sigmoid 和连续触发(非线性)函数。在一个实施方式中，relu激活实现了函数y＝max(x,0)并保持层的输入和输出大小相同。使用relu的优点是训练卷积神经网络快了很多倍。relu是一个非连续的、非饱和的激活函数，如果输入值大于零，则它相对于输入是线性的，否则
为零。在数学上，relu激活函数被描述为：
[0177][0178][0179]
在其他实施方式中，卷积神经网络使用幂单元激活函数(power unit activation function)，其是一个连续的、非饱和函数，描述如下：
[0180][0181]
在上式中，a、b和c分别是控制位移、比例和幂的参数。如果c是奇数，则幂激活函数能够产生x和y反对称激活，如果c是偶数，则能够产生y对称激活。在一些实施方式中，该单元产生非修正线性激活。
[0182]
在又一些实施方式中，卷积神经网络使用sigmoid单元激活函数，其是一个连续的饱和函数，由以下logistic函数描述：
[0183][0184]
在上式中，β＝1。sigmoid单元激活函数不会产生负激活，并且仅相对于y轴是反对称的。
[0185]
扩张卷积
[0186]
图13示出了扩张卷积。扩张卷积，有时称为空洞卷积(atrous convolutions)，字面意思是有洞。它的法语名称起源于算法atrous(algorithme a trous)，其计算快速二进小波变换。在这些类型的卷积层中，对应于滤波器感受野的输入不是相邻点。这在图13中示出。输入之间的距离取决于扩张因子。
[0187]
子采样层
[0188]
图14是根据所公开技术的一种实施方式的子采样层的一种实施方式。子采样层降低了卷积层提取的特征的分辨率，以使提取的特征或特征图对噪声和失真具有鲁棒性。在一个实施方式中，子采样层采用两种类型的池化操作，即平均池化和最大池化。池化操作将输入划分为不重叠的二维空间。对于平均池化，计算区域中四个值的平均值。对于最大池化，选择四个值中的最大值。
[0189]
在一个实施方式中，子采样层包括通过将其输出映射到最大池化中的仅一个输入以及将其输出映射到平均池化中的输入的平均值，对前一层中的一组神经元的池化操作。在最大池化中，池化神经元的输出是存在于输入中的最大值，如下所述：
[0190][0191]
在上式中，n是一个神经元集合中的元素的总数。
[0192]
在平均池化中，池化神经元的输出是存在于输入神经元集合中的输入值的平均值，如下所述：
[0193][0194]
在上式中，n是一个输入神经元集合中的元素总数。
[0195]
在图14中，输入的大小为4
×
4。对于2
×
2子采样，将4
×
4图像划分为四个大小为2
×
2的非重叠矩阵。对于平均池化，四个值的平均值是全整数输出。对于最大池化，2
×
2矩阵中四个值的最大值是全整数输出。
[0196]
卷积示例
[0197]
图15描绘了卷积层的两层卷积的一种实施方式。在图15中，对大小为2048维的输入进行卷积。在卷积1中，输入由卷积层卷积，该卷积层包括16个大小为3
×
3的内核的2个通道。然后通过在relu 1的relu激活函数对生成的16个特征图进行修正，然后使用具有大小为3
×
3的内核的16个通道池化层通过平均池化将其在池1中池化。在卷积2中，池1的输出然后由另一个卷积层卷积，该卷积层包括具有30个大小为3
×
3的内核的16个通道。接下来是另一个relu 2和在具有大小为2
×
2的内核的池2中的平均池化。卷积层使用不同数量的步幅和填充，例如0、1、2和3。根据一种实施方式，得到的特征向量是五百一十二(512) 维。
[0198]
在其他实施方式中，卷积神经网络使用不同数量的卷积层、子采样层、非线性层和全连接层。在一种实施方式中，卷积神经网络是具有更少层且每层具有更多神经元的浅层网络，例如，具有每层有一百(100)至两百(200)个神经元的一个、两个或三个全连接层。在另一实施方式中，卷积神经网络是具有更多层且每层具有更少神经元的深度网络，例如，具有每层有三十(30)至五十(50)个神经元的五(5)个、六(6)个或八(8)个全连接层。
[0199]
正向传播
[0200]
对于特征图中f个卷积核，在第l个卷积层和第k个特征图的第x行、第y列的神经元的输出由以下等式确定：
[0201][0202]
在第l个子采样层和第k个特征图的第x行、第y列的神经元的输出由以下等式确定：
[0203][0204]
在第l个输出层的第i个神经元的输出由以下等式确定：
[0205][0206]
反向传播
[0207]
输出层中第k个神经元的输出偏差由以下等式确定：
[0208][0209]
输出层中第k个神经元的输入偏差由以下等式确定：
[0210][0211]
输出层中第k个神经元的权重和偏置变化由以下等式确定：
[0212]
[0213][0214]
隐藏层中第k个神经元的输出偏置由以下等式确定：
[0215][0216]
隐藏层中第k个神经元的输入偏置由以下等式确定：
[0217][0218]
在前一层的第m个特征图中的第x行、第y列中的权重和偏置变化由以下等式确定，前一层接收来自隐藏层中的k个神经元的输入：
[0219][0220][0221]
子采样层s的第m个特征图中第x行、第y列的输出偏置由以下等式确定：
[0222][0223]
子采样层s的第m个特征图中第x行、第y列的输入偏置由以下等式确定：
[0224][0225]
在子采样层s和卷积层c的第m个特征图中的第x行、第y列中的权重和偏置变化由以下等式确定：
[0226][0227][0228]
卷积层c的第k个特征图中第x行、第y列的输出偏置由以下等式确定：
[0229][0230]
卷积层c的第k个特征图中第x行、第y列的输入偏置由以下等式确定：
[0231][0232]
第l个卷积层c的第k个特征图的第m个卷积核中第r行、第c列的权重和偏置变化：
[0233][0234]
[0235]
在一个实施方式中，营养数据426进一步包括加工食品的数量、天然食品的数量、有机食品的数量、转基因生物食品的数量、净蛋白质的数量、净碳水化合物的数量、净脂肪的数量、净反式脂肪的数量、净饱和脂肪的数量、净高密度胆固醇的数量、净低密度胆固醇的数量、净维生素a的数量、净维生素b的数量、净维生素c的数量、净维生素d的数量、净维生素e的数量、净铁的数量、净钠的数量、净钙的数量、净镁的数量、净钾的数量和净纤维的数量。
[0236]
图5显示了数据处理系统502的一种实施方式。数据处理系统502处理虚拟化身数据138、用户数据306和营养数据426，并产生环境交互数据512。
[0237]
图6描绘了环境交互数据512的一个示例。环境交互数据512包括(i)关于食物供给品的元数据602和虚拟化身对食物供给品的响应612，(ii)虚拟化身在不同健康状态下花费的时间622，和(iii)虚拟化身的适宜性(fitness)632。
[0238]
在一个实施方式中，关于食物供给品的元数据602进一步包括在数字疫苗环境中呈现给虚拟化身的食物的频率，在数字疫苗环境中呈现给虚拟化身的食物选择的数学图案，以及在数字疫苗环境中呈现给虚拟化身的食物选择的速度。
[0239]
在另一实施方式中，关于虚拟化身对食物供给品的响应的元数据602还包括虚拟化身与数字疫苗环境中的健康食品的交互次数、虚拟化身与数字疫苗环境中的伪健康食品的交互次数、虚拟化身与数字疫苗环境中的不健康食品的交互次数、交互持续时间和交互速度向量。
[0240]
在一个实施方式中，虚拟化身在不同健康状态下花费的时间622进一步包括虚拟化身在数字疫苗环境的不同阶段花费的总时间，虚拟化身在适宜的(fit)健康状态中花费的总时间，虚拟化身在危险的健康状态中花费的总时间，以及虚拟化身在不健康的健康状态中花费的总时间。
[0241]
在一个实施方式中，虚拟化身的适宜性632进一步包括括虚拟化身的移动速度。
[0242]
图7显示了修改系统702的一种实施方式。修改系统702基于环境交互数据512修改数字疫苗环境100、虚拟化身126和阶段108的参数712。
[0243]
数字疫苗环境100、虚拟化身126和阶段108的参数712进一步包括数字疫苗环境中敌人的数量、数字疫苗环境中机器人非玩家角色(non player character(npc))的数量、敌方npc 的强度、敌方npc的类型、敌方npc的百分比、友方npc宠物的类型、敌方npc的准确度、敌方npc的速度、虚拟食物生成位置(spawn location)、级别和二维(2d)和三维增强现实和虚拟现实资产选择、神经认知训练模块选择、营养成分模块、游戏升级菜单、虚拟化身网格形状、排行榜开/关、虚拟化身能量升级菜单开/关、虚拟化身定制市场、游戏特征重新配置设置、虚拟目标选择的级别、现实世界目标选择的级别和得分目标。
[0244]
数据处理系统502和修改系统702可以是任何类型的机器学习系统，并且可以被训练以配置数字疫苗环境100、虚拟化身126和阶段108的参数712。训练可以是有监督的、无监督的和/或半监督的。可由数据处理系统502和修改系统702使用的机器学习系统的一些示例包括支持向量机、判别分析、朴素贝叶斯最近邻、决策树、k-均值、层次、高斯混合、隐马尔可夫模型(hidden markov model)、极端梯度增强树(extreme gradient boostedtree)和神经网络。此外，图17中列出了可以被数据处理系统502和修改系统702使用的不同类型的神经网络。
[0245]
图16示出了训练阶段的一种实施方式，在训练阶段中，针对训练数据训练数据处理系统502和修改系统702，以配置数字疫苗环境100、虚拟化身126和阶段108的参数712。训练数据处理系统502和修改系统702的目标是优化每一层中的权重参数，其将较简单的特征逐渐组合成复杂的特征，从而可以从训练数据中学习到最合适的层次表示。优化过程的单个周期1600整理如下。首先，考虑到对于正在训练的数据处理系统502和修改系统702的训练数据集1602，正向传播顺序计算每一层中的输出1604并通过网络向前传播函数信号。在最终输出层中，目标损失函数测量推理的输出1604和真值1608之间的误差1606。
[0246]
为了最小化预测误差，反向传播(backward pass)1614使用链式法则来反向传播误差信号并计算关于整个神经网络中所有权重的梯度。最后，使用基于随机梯度下降的优化算法更新权重参数。然而批量梯度下降为每个完整的数据集执行参数更新，而极端梯度增强可以通过为每个小数据集示例执行更新来提供随机近似值。在一些实施方式中，数据处理系统502 和修改系统702使用基于反向传播的梯度更新技术在至少十万个成对真值的示例的训练数据集上进行训练。
[0247]
图18描绘了用于人工智能控制的神经生理行为状态调节以降低健康风险评分的方法的一种实施方式。
[0248]
在动作1801，用户可以访问在计算设备(智能手机/平板电脑/ar/vr头戴式设备)上的软件。
[0249]
在动作1802，数字疫苗环境100调用vr/ar/ai模块和多人聊天网络模块。
[0250]
在动作1803，数字疫苗环境100向用户呈现真实世界和虚拟的目标以及成就通知。
[0251]
在动作1804，数字疫苗环境100的ai控制器选择并呈现基于精确映射ar/vr/交互式cg 的神经认知调节训练智力游戏模块。这包括covid-19特定的培训模块。
[0252]
在动作1805，数字疫苗环境100的实时和异步多玩家模块允许用户与朋友互动。
[0253]
在动作1806，数字疫苗环境100调用评估模块。
[0254]
在动作1807，候选者退出ar/vr/交互式cg神经认知训练模块。
[0255]
在动作1808，数字疫苗环境100计算得分和获得的奖励。
[0256]
在动作1809，数字疫苗环境100前进到下一阶段，并保存遥测数据(telemetry)并将其上传到云数据库。
[0257]
在动作1810，数字疫苗环境100检查是否已经达到所需的神经行为状态。
[0258]
在动作1811，如果已经达到所需的神经生理行为状态，则数字疫苗环境100调用奖励模块和/或虚拟化身定制市场和/或玩家技能升级模块。
[0259]
covid-19特定的所需的神经生理行为状态的一些示例包括手部卫生强化(例如，洗手持续一定时间或以特定方式洗手)和不同情况下的社交距离规范(例如，如何以社交距离的方式在餐馆点菜和吃饭，或者如何以社交距离的方式在游乐场上玩耍，或者如何以社交距离的方式去看医生)。
[0260]
在动作1812，数字疫苗环境100通过排行榜模块将更新推送到数据库，并通过朋友列表模块发送通知。
[0261]
在动作1813，候选者前进到下一个游戏级别和目标。
[0262]
在动作1814，如果尚未达到所需的神经生理行为状态，则数字疫苗环境100调用基于ai 的适应性辅导(adaptive tutoring)模块。
[0263]
在动作1815，基于ai的适应性辅导模块然后为该用户以及她当前的特定状况，例如covid-19特定状况，重新配置数字疫苗环境100的参数。
[0264]
在动作1816，将数字疫苗环境100的重新配置的参数保存到云数据库中。
[0265]
图19描绘了用于个性化精确健康风险映射的方法的一种实施方式。
[0266]
用户数据可以由图19中列出的任何实体1900输入到数字疫苗环境100中。
[0267]
在动作1904，实体接受使用条款和隐私政策。
[0268]
在动作1905，教师/家长/医生输入电子邮件和/或手机号码，和/或通过指纹、面部识别、语音识别完成认证。
[0269]
在动作1906，生成一次性密码以验证电子邮件或电话。
[0270]
在操作1907，教师/家长/医生输入代码进行验证。
[0271]
在动作1908，确定儿童用户账户是否已经存在于数据库中。
[0272]
在动作1909，如果儿童用户账户已经存在于数据库中，则使用从数据库中获取的详细信息来预填充(prepopulated)儿童用户账户。
[0273]
在动作1910，儿童和监护人确认/编辑细节并提交账户创建/检索。
[0274]
在动作1911，初始账户验证完成。
[0275]
在动作1912，重新配置各种资产参数。
[0276]
在动作1913，将资产参数作为输入提供给资产重新配置ai模块1901，以生成数字疫苗环境100的参数1903。类似地，儿童用户信息1902作为输入提供给资产重新配置ai模块1901，以进一步生成数字疫苗环境100的参数1903。此外，数字疫苗环境100配置有来自设备1913 的数据。
[0277]
如果数据库中不存在儿童用户账户，则在数字疫苗环境100中识别和指定儿童姓名(1914)、儿童性别(1915)、儿童出生日期(1917)、儿童学校名称(1918)、儿童年级/班级(1919)、儿童班组(1920)和儿童家庭或学校团队(1922)。
[0278]
在动作1916，自动验证映射儿童用户特性，并用相应的性别、游戏内选择、聊天和朋友/ 看护者输入(即，数字疫苗环境100的资产)初始化虚拟化身。
[0279]
在动作1921，自动验证映射儿童用户特性，并用相应的游戏级别和儿童用户特性初始化游戏(数字疫苗环境100)。
[0280]
最后，附加的儿童用户信息，例如身高(1923)、体重(1924)、食物过敏(1925)、慢性病健康状况、药物/补充品(1927)、美食偏好(cuisine preference)(1928)、食物组偏好(1929)、基因档案/家族史(1930)、临床测试结果(1931)，用于数字疫苗环境100的自动验证。
[0281]
在行动1932中，将体重指数和风险与同学/朋友列表/团队并与家庭成员进行比较。
[0282]
计算机系统
[0283]
图20是可用于实施所公开技术的计算机系统2000的简化框图。计算机系统2000包括至少一个中央处理单元(cpu)2072，其通过总线子系统2055与多个外围设备通信。这些外围设备可以包括存储子系统2010，其包括，例如存储设备和文件存储子系统2036、用户接口输入设备2038、用户接口输出设备2076和网络接口子系统2074。输入和输出设备允许用户与计算机系统2000交互。网络接口子系统2074提供到外部网络的接口，包括到其他计算机
系统中相应接口设备的接口。
[0284]
在一种实施方式中，数据处理系统502和/或修改系统702可通信链接到存储子系统2010 和用户接口输入设备2038。
[0285]
用户接口输入设备2038可以包括键盘；指点设备，例如鼠标、轨迹球、触摸板或图形输入板；扫描仪；集成在显示器中的触摸屏；音频输入设备，例如语音识别系统和麦克风；和其他类型的输入设备。一般而言，术语“输入设备”的使用旨在包括用于将信息输入计算机系统2000的所有可能的设备类型和方式。
[0286]
用户接口输出设备2076可以包括显示子系统、打印机、传真机或诸如音频输出设备的非视觉显示器。显示子系统可以包括led显示器、阴极射线管(crt)、诸如液晶显示器(lcd) 的平板设备、投影设备或用于产生可见图像的一些其他机构。显示子系统还可以提供非视觉显示器，例如音频输出设备。通常，术语“输出设备”的使用旨在包括将信息从计算机系统 2000输出到用户或另一机器或计算机系统的所有可能的设备类型和方式。
[0287]
存储子系统2010存储提供文中描述的一些或所有模块和方法的功能(functionality)的编程和数据结构。子系统2078可以是图形处理单元(gpu)或现场可编程门阵列(fpga)。
[0288]
存储子系统2010中使用的存储器子系统(memory subsystem)2022可以包括多个存储器，其包括用于在程序执行期间存储指令和数据的主随机存取存储器(ram)2032和其中存储固定指令的只读存储器(rom)2034。文件存储子系统2036可以为程序和数据文件提供永久存储，并且可以包括硬盘驱动器、软盘驱动器以及相关联的可移除介质、cd-rom驱动器、光盘驱动器或可移除介质盒。实施某些实施方式的功能的模块可以由文件存储子系统2036存储在存储子系统2010中或存储在处理器可访问的其他机器中。
[0289]
总线子系统2055提供了一种机构，其用于让计算机系统2000的各种组件和子系统按预期相互通信。尽管总线子系统2055示意性地显示为单个总线，总线子系统的替代实施方式可以使用多个总线。
[0290]
计算机系统2000本身可以是各种类型，包括个人计算机、便携式计算机、工作站、计算机终端、网络计算机、电视、大型机、服务器群(server farm)、广泛分布的松散网络计算机集，或任何其他数据处理系统或用户设备。由于计算机和网络的不断变化的性质，图20中描绘的计算机系统2000的描述仅旨在作为为了说明本发明的优选实施例的特定示例。计算机系统2000的许多其他配置可能具有比图20中描绘的计算机系统更多或更少的组件。
[0291]
条款
[0292]
本文公开了以下条款：
[0293]
1.一种数字疫苗系统，包括：
[0294]
数字疫苗环境，其为用户驱动的虚拟化身提供(i)测试所述虚拟化身的身体适宜性 (physical fitness)的任务和(ii)不同阶段的食物供给品，其中，所述虚拟化身的外观响应于所述虚拟化身在所述任务和所述食物供给品的选择上的表现；
[0295]
输入生成系统，其具有虚拟输入生成子系统和实际输入生成子系统，其中
[0296]
所述虚拟输入生成子系统通过所述数字疫苗环境监测所述虚拟化身的进程，并产生虚拟化身数据，所述虚拟化身数据包括(i)虚拟化身食物偏好数据、(ii)虚拟化身卡路里数据、(iii)虚拟化身胰岛素数据、(iv)虚拟化身葡萄糖数据、(v)虚拟化身a1c 数据、(vi)
虚拟化身酮数据、(vii)虚拟化身胆固醇(hdl/ldl)数据、(viii)虚拟化身氨基酸数据、(ix)虚拟化身糖蛋白乙酰数据和(x)虚拟化身肠道微生物组数据；以及
[0297]
所述实际输入生成子系统访问用户信息数据库，并生成用户数据，所述用户数据包括(i)用户食物偏好数据、(ii)用户卡路里数据、(iii)用户血糖数据、(iv)用户胰岛素数据、(v)用户葡萄糖数据、(vi)用户a1c数据、(vii)用户酮数据、(viii) 用户胆固醇(hdl/ldl)数据、(ix)用户氨基酸数据、(x)用户糖蛋白乙酰数据和(xi) 用户微生物组数据；
[0298]
营养数据生成系统，其处理(i)食物日志、(ii)用户对话文件、(iii)用户图像和/或 (iv)食物图像并产生营养数据；
[0299]
数据处理系统，其处理所述虚拟化身数据、所述用户数据和所述营养数据，并生成环境交互数据，所述环境交互数据包括(i)关于所述食物供给品和所述虚拟化身对于所述食物供给品的响应的元数据、(ii)所述虚拟化身在不同的健康状态下花费的时间和(iii) 所述虚拟化身的适宜性；以及
[0300]
修改系统，其根据所述环境交互数据修改所述数字疫苗环境、所述虚拟化身和所述阶段的参数。
[0301]
2.根据条款1所述的数字疫苗系统，其中
[0302]
所述虚拟化身食物偏好数据进一步包括
[0303]
在所述数字疫苗环境中呈现给所述虚拟化身的带时间戳的虚拟食物，以及
[0304]
在所述数字疫苗环境中所述虚拟化身选择的带时间戳的虚拟食物；
[0305]
所述虚拟化身卡路里数据进一步包括
[0306]
所述虚拟化身的总卡路里水平，
[0307]
所述虚拟化身由于执行任务而增加的卡路里，以及
[0308]
所述虚拟化身的净卡路里水平；
[0309]
所述虚拟化身胰岛素数据进一步包括
[0310]
虚拟胰岛素剂量计数器，以及
[0311]
虚拟胰岛素单位；
[0312]
所述虚拟化身葡萄糖数据进一步包括
[0313]
虚拟净血糖；
[0314]
所述虚拟化身a1c数据进一步包括
[0315]
虚拟a1c结果；
[0316]
所述虚拟化身酮数据进一步包括
[0317]
虚拟酮水平；
[0318]
所述虚拟化身胆固醇数据进一步包括
[0319]
虚拟ldl/hdl水平；
[0320]
所述虚拟化身氨基酸数据进一步包括
[0321]
虚拟氨基酸水平；
[0322]
所述虚拟化身肠道微生物组数据进一步包括
[0323]
虚拟微生物组水平；以及
[0324]
所述虚拟化身糖蛋白乙酰数据进一步包括
[0325]
虚拟糖蛋白乙酰水平。
[0326]
3.根据条款1所述的数字疫苗系统，其中
[0327]
所述用户食物偏好数据进一步包括
[0328]
在现实世界中呈现给所述用户的带时间戳的实际食物，以及
[0329]
所述用户在所述现实世界中消耗的带时间戳的实际食物；
[0330]
所述用户卡路里数据进一步包括
[0331]
所述用户在所述现实世界中消耗的实际卡路里，以及
[0332]
所述用户在所述现实世界中增加的卡路里；
[0333]
所述用户血糖数据进一步包括
[0334]
血糖指数，以及
[0335]
血糖负荷；
[0336]
所述用户胰岛素数据进一步包括
[0337]
实际胰岛素剂量计数器，以及
[0338]
实际胰岛素单位；
[0339]
所述用户葡萄糖数据进一步包括
[0340]
实际净血糖；
[0341]
所述用户a1c数据进一步包括
[0342]
实际a1c结果；
[0343]
所述用户酮数据进一步包括
[0344]
实际酮水平；
[0345]
所述用户胆固醇数据进一步包括
[0346]
实际ldl/hdl水平；
[0347]
所述用户氨基酸数据进一步包括
[0348]
实际氨基酸水平；
[0349]
所述用户肠道微生物组数据进一步包括
[0350]
实际微生物组水平；以及
[0351]
所述用户糖蛋白乙酰数据进一步包括
[0352]
实际糖蛋白乙酰水平。
[0353]
4.根据权利要求1所述的数字疫苗系统，其中所述营养数据生成系统是处理所述用户对话文件并产生所述营养数据的循环神经网络。
[0354]
5.根据权利要求1所述的数字疫苗系统，其中所述营养数据生成系统是处理所述用户图像和/或所述食物图像并产生所述营养数据的卷积神经网络。
[0355]
6.根据权利要求1所述的数字疫苗系统，其中所述营养数据进一步包括：
[0356]
加工食品的数量
[0357]
天然食品的数量，
[0358]
有机食品的数量，
[0359]
转基因生物食品的数量，
[0360]
净蛋白质的数量，
[0361]
净碳水化合物的数量，
[0362]
净脂肪的数量，
[0363]
净反式脂肪的数量，
[0364]
净饱和脂肪的数量，
[0365]
净高密度胆固醇的数量，
[0366]
净低密度胆固醇的数量，
[0367]
净维生素a的数量，
[0368]
净维生素b的数量，
[0369]
净维生素c的数量，
[0370]
净维生素d的数量，
[0371]
净维生素e的数量，
[0372]
净铁的数量，
[0373]
净钠的数量，
[0374]
净钙的数量，
[0375]
净镁的数量，
[0376]
净钾的数量，和
[0377]
净纤维的数量。
[0378]
7.根据条款1所述的数字疫苗系统，其中关于所述食物供给品的元数据进一步包括：
[0379]
在所述数字疫苗环境中呈现给所述虚拟化身的食物的频率，
[0380]
在所述数字疫苗环境中呈现给所述虚拟化身的食物选择的数学图案，以及
[0381]
在所述数字疫苗环境中呈现给所述虚拟化身的食物选择的速度。
[0382]
8.根据条款1所述的数字疫苗系统，其中关于所述虚拟化身对于所述食物供给品的响应的元数据进一步包括：
[0383]
所述虚拟化身与所述数字疫苗环境中的健康食品的交互的次数，
[0384]
所述虚拟化身与所述数字疫苗环境中的伪健康食品的交互的次数，
[0385]
所述虚拟化身与所述数字疫苗环境中的不健康食品的交互的次数，
[0386]
所述交互的持续时间，以及
[0387]
所述交互的速度向量。
[0388]
9.根据条款1所述的数字疫苗系统，其中所述虚拟化身在不同健康状态下花费的时间进一步包括：
[0389]
所述虚拟化身在所述数字疫苗环境的不同阶段花费的总时间，
[0390]
所述虚拟化身在适宜的健康状态下花费的总时间，
[0391]
所述虚拟化身在危险的健康状态下花费的总时间，以及
[0392]
所述虚拟化身在不健康的健康状态下花费的总时间。
[0393]
10.根据条款1所述的数字疫苗系统，其中所述虚拟化身的适宜性进一步包括：
[0394]
虚拟化身的移动速度。
[0395]
11.根据条款1所述的数字疫苗系统，其中所述数字疫苗环境、所述虚拟化身和所述阶段的参数进一步包括：
[0396]
所述数字疫苗环境中敌方的数量，
[0397]
所述数字疫苗环境中敌方非玩家角色npc的数量，
[0398]
所述敌方npc的强度，
[0399]
所述敌方npc的类型，
[0400]
敌方npc的百分比，
[0401]
友方npc的类型，
[0402]
敌方npc的准确度，
[0403]
友方npc的准确度，
[0404]
npc的速度，
[0405]
虚拟食物生成位置，
[0406]
级别以及二维(2d)和三维增强现实和虚拟现实资产选择，
[0407]
神经认知训练模块选择，
[0408]
营养成分模块，
[0409]
游戏升级菜单，
[0410]
虚拟化身网格形状，
[0411]
排行榜开/关，
[0412]
虚拟化身能量升级菜单开/关，
[0413]
虚拟化身定制市场，
[0414]
游戏特征重新配置设置，
[0415]
虚拟目标选择的级别，
[0416]
现实世界目标选择的级别，以及
[0417]
得分目标。
[0418]
12.一种提供数字疫苗系统的计算机实施的方法，包括：
[0419]
为用户驱动的虚拟化身提供(i)测试所述虚拟化身的身体适宜性的任务和(ii)不同阶段的食物供给品，其中，所述虚拟化身的外观响应于所述虚拟化身在所述任务和所述食物供给品的选择上的表现；
[0420]
通过所述数字疫苗环境监测所述虚拟化身的进程，并产生虚拟化身数据，所述虚拟化身数据包括(i)虚拟化身食物偏好数据、(ii)虚拟化身卡路里数据、(iii)虚拟化身胰岛素数据、(iv)虚拟化身葡萄糖数据、(v)虚拟化身a1c数据、和(vi)虚拟化身酮数据、(vii)虚拟化身胆固醇(hdl/ldl)数据、(viii)虚拟化身氨基酸数据、(ix) 虚拟化身糖蛋白乙酰数据和(x)虚拟化身肠道微生物组数据；以及
[0421]
访问用户信息数据库，并生成用户数据，所述用户数据包括(i)用户食物偏好数据、 (ii)用户卡路里数据、(iii)用户血糖数据、(iv)用户胰岛素数据、(v)用户葡萄糖数据、(vi)用户a1c数据、(vii)用户酮数据、(viii)用户胆固醇(hdl/ldl)数据、 (ix)用户氨基酸数据、(x)用户糖蛋白乙酰数据和(xi)用户微生物组数据；
[0422]
处理(i)食物日志、(ii)用户对话文件、(iii)用户图像和/或(iv)食物图像，并产生营养数据；
[0423]
处理所述虚拟化身数据、所述用户数据和所述营养数据，并生成环境交互数据，所述环境交互数据包括(i)关于所述食物供给品和所述虚拟化身对于所述食物供给品的响应的元数据、(ii)所述虚拟化身在不同的健康状态下花费的时间和(iii)所述虚拟化身的适宜性；以及
[0424]
根据所述环境交互数据修改所述数字疫苗环境、所述虚拟化身和所述阶段的参数。
[0425]
13.根据条款12所述的计算机实施的方法，其中
[0426]
所述虚拟化身食物偏好数据进一步包括
[0427]
在所述数字疫苗环境中呈现给所述虚拟化身的带时间戳的虚拟食物，以及
[0428]
所述虚拟化身在所述数字疫苗环境中选择的带时间戳的虚拟食物；
[0429]
所述虚拟化身卡路里数据进一步包括
[0430]
所述虚拟化身的总卡路里水平，
[0431]
所述虚拟化身由于执行所述任务而增加的卡路里，以及
[0432]
所述虚拟化身的净卡路里水平；
[0433]
所述虚拟化身胰岛素数据进一步包括
[0434]
虚拟胰岛素剂量计数器，以及
[0435]
虚拟胰岛素单位；
[0436]
所述虚拟化身葡萄糖数据进一步包括
[0437]
虚拟净血糖；
[0438]
所述虚拟化身a1c数据进一步包括
[0439]
虚拟a1c结果；
[0440]
所述虚拟化身酮数据进一步包括
[0441]
虚拟酮水平；
[0442]
所述虚拟化身胆固醇数据进一步包括
[0443]
虚拟ldl/hdl水平；
[0444]
所述虚拟化身氨基酸数据进一步包括
[0445]
虚拟氨基酸水平；
[0446]
所述虚拟化身肠道微生物组数据进一步包括
[0447]
虚拟微生物组水平；以及
[0448]
所述虚拟化身糖蛋白乙酰数据进一步包括
[0449]
虚拟糖蛋白乙酰水平。
[0450]
14.根据条款12所述的计算机实施的方法，其中
[0451]
所述用户食物偏好数据进一步包括
[0452]
在现实世界中呈现给所述用户的带时间戳的实际食物，以及
[0453]
所述用户在所述现实世界中消耗的带时间戳的实际食物；
[0454]
所述用户卡路里数据进一步包括
[0455]
所述用户在所述现实世界中消耗的实际卡路里，以及
[0456]
所述用户在所述现实世界中增加的卡路里；
[0457]
所述用户血糖数据进一步包括
[0458]
血糖指数，以及
[0459]
血糖负荷；
[0460]
所述用户胰岛素数据进一步包括
[0461]
实际胰岛素剂量计数器，以及
[0462]
实际胰岛素单位；
[0463]
所述用户葡萄糖数据进一步包括
[0464]
实际净血糖；
[0465]
所述用户a1c数据进一步包括
[0466]
实际a1c结果；
[0467]
所述用户酮数据进一步包括
[0468]
实际酮水平；
[0469]
所述用户胆固醇数据进一步包括
[0470]
实际ldl/hdl水平；
[0471]
所述用户氨基酸数据进一步包括
[0472]
实际氨基酸水平；
[0473]
所述用户肠道微生物组数据进一步包括
[0474]
实际微生物组水平；以及
[0475]
所述用户糖蛋白乙酰数据进一步包括
[0476]
实际糖蛋白乙酰水平。
[0477]
15.根据条款12所述的计算机实施的方法，其中所述虚拟化身在不同健康状态下花费的时间进一步包括：
[0478]
所述虚拟化身在所述数字疫苗环境的不同阶段花费的总时间，
[0479]
所述虚拟化身在适宜的健康状态下花费的总时间，
[0480]
所述虚拟化身在危险的健康状态下花费的总时间，以及
[0481]
所述虚拟化身在不健康的健康状态下花费的总时间。
[0482]
16.根据条款12所述的计算机实施的方法，其中所述虚拟化身的适宜性进一步包括：
[0483]
虚拟化身的移动速度。
[0484]
17.根据条款12所述的计算机实施的方法，其中所述数字疫苗环境、所述虚拟化身和所述阶段的参数进一步包括：
[0485]
所述数字疫苗环境中npc的数量，
[0486]
所述数字疫苗环境中敌方npc的数量，
[0487]
所述敌方npc的强度，
[0488]
所述敌方npc的类型，
[0489]
敌方npc的百分比，
[0490]
友方npc的类型，
[0491]
敌方npc的准确度，
[0492]
敌方npc的速度，
[0493]
虚拟食物生成位置，
[0494]
级别以及二维(2d)和三维增强现实和虚拟现实资产选择，
[0495]
神经认知训练模块选择，
[0496]
营养成分模块，
[0497]
游戏升级菜单，
[0498]
虚拟化身网格形状，
[0499]
排行榜开/关，
[0500]
虚拟化身能量升级菜单开/关，
[0501]
虚拟化身定制市场，
[0502]
游戏特征重新配置设置，
[0503]
虚拟目标选择的级别，
[0504]
现实世界目标选择的级别，以及
[0505]
得分目标。
[0506]
18.一种具有(impressed with)计算机程序指令以提供数字疫苗系统的非瞬时计算机可读存储介质，所述指令当在处理器上执行时实施方法，包括：
[0507]
为用户驱动的虚拟化身提供(i)测试所述虚拟化身的身体适宜性的任务和(ii)不同阶段的食物供给品，其中，所述虚拟化身的外观响应于所述虚拟化身在所述任务和所述食物供给品的选择上的表现；
[0508]
通过所述数字疫苗环境监测所述虚拟化身的进程，并产生虚拟化身数据，所述虚拟化身数据包括(i)虚拟化身食物偏好数据、(ii)虚拟化身卡路里数据、(iii)虚拟化身胰岛素数据、(i)虚拟化身葡萄糖数据、(v)虚拟化身a1c数据、和(vi)虚拟化身酮数据、(vii)虚拟化身胆固醇(hdl/ldl)数据、(viii)虚拟化身氨基酸数据、(ix) 虚拟化身糖蛋白乙酰数据和(x)虚拟化身肠道微生物组数据；以及
[0509]
访问用户信息数据库，并生成用户数据，所述用户数据包括(i)用户食物偏好数据、 (ii)用户卡路里数据、(iii)用户血糖数据、(iv)用户胰岛素数据、(v)用户葡萄糖数据、(vi)用户a1c数据、(vii)用户酮数据、(viii)用户胆固醇(hdl/ldl)数据、 (ix)用户氨基酸数据、(x)用户糖蛋白乙酰数据和(xi)用户微生物组数据；
[0510]
处理(i)食物日志、(ii)用户对话文件、(iii)用户图像和/或(iv)食物图像，并产生营养数据；
[0511]
处理所述虚拟化身数据、所述用户数据和所述营养数据，并生成环境交互数据，所述环境交互数据包括(i)关于所述食物供给品和所述虚拟化身对于所述食物供给品的响应的元数据、(ii)所述虚拟化身在不同的健康状态下花费的时间和(iii)所述虚拟化身的适宜性；以及
[0512]
根据所述环境交互数据修改所述数字疫苗环境、所述虚拟化身和所述阶段的参数。
[0513]
19.根据条款18所述的非瞬时计算机可读存储介质，其中所述虚拟化身的适宜性进一步包括：
[0514]
虚拟化身的移动速度。
[0515]
20.根据条款18所述的非瞬时计算机可读存储介质，其中所述数字疫苗环境、所述虚拟化身和所述阶段的参数进一步包括：
[0516]
所述数字疫苗环境中敌方的数量，
[0517]
所述数字疫苗环境中敌方npc的数量，
[0518]
所述敌方npc的强度，
[0519]
所述敌方npc的类型，
[0520]
敌方npc的百分比，
[0521]
友方npc的类型，
[0522]
敌方npc的准确度，
[0523]
敌方npc的速度，
[0524]
虚拟食物生成位置，
[0525]
级别以及二维(2d)和三维增强现实和虚拟现实资产选择，
[0526]
神经认知训练模块选择，
[0527]
营养成分模块，
[0528]
游戏升级菜单，
[0529]
虚拟化身网格形状，
[0530]
排行榜开/关，
[0531]
虚拟化身能量升级菜单开/关，
[0532]
虚拟化身定制市场，
[0533]
游戏特征重新配置设置，
[0534]
虚拟目标选择的级别，
[0535]
现实世界目标选择的级别，以及
[0536]
得分目标。
[0537]
要求保护的是。