用于对个性化护肤产品制定配方的系统和方法转让专利
申请号 : CN201980010660.9
文献号 : CN111819632B
文献日 : 2021-09-14
发明人 : S·萨尔维 , M·毛平 , N·哈希希
申请人 : 艾托拉皮肤健康公司
摘要 :
权利要求 :
1.一种使用在计算设备上实现的机器学习算法针对用户对护肤产品制定配方的计算机化方法,所述方法包括:
由所述计算设备接收数据输入,所述数据输入包括使用角质细胞测试而取得的用户的皮肤的一个或多个水化水平测量结果、使用皮脂测试而取得的用户的皮肤的一个或多个油水平测量结果和反映皮肤担忧集合的使用相机而取得的用户的皮肤的照片;
由所述计算设备使用在角质细胞测试结果的数据集上训练的第一计算机视觉引擎、基于所述一个或多个水化水平测量结果来确定归一化水化指数得分;
由所述计算设备使用在皮脂测试结果的数据集上训练的第二计算机视觉引擎、基于所述一个或多个油水平测量结果来确定归一化油指数得分;
由所述计算设备使用在异常检测模型或卷积神经网络上训练的第三计算机视觉引擎、基于用户的皮肤的经调整的照片来确定与用户的皮肤担忧集合相对应的归一化严重性得分集合,其中用户的皮肤的经调整的照片包括所述照片的一个或多个照明调整,且是使用由所述第三计算机视觉引擎应用于所述照片的异常检测模型或卷积神经网络来确定的;
由所述计算设备生成第一皮肤健康数据集,所述第一皮肤健康数据集包括所述归一化水化指数得分、所述归一化油指数得分和所述归一化严重性得分集合;
由所述计算设备将所述第一皮肤健康数据集存储在与所述计算设备电子通信的第一存储器中;
由所述计算设备基于所述第一皮肤健康数据集来确定第一皮肤健康度量;
由所述计算设备将所述第一皮肤健康度量存储在与所述计算设备电子通信的第二存储器中;
由所述计算设备使用在所述计算设备上操作的机器学习框架、基于所述第一皮肤健康度量和所述第一皮肤健康数据集来确定一个或多个第一护肤产品配方;
由所述计算设备将所述一个或多个第一护肤产品配方存储在与所述计算设备电子通信的第三存储器中;以及
由所述计算设备以推荐的形式将所述一个或多个第一护肤产品配方提供给用户。
2.如权利要求1所述的方法,进一步包括:由所述计算设备接收反映在由用户使用所述一个或多个第一护肤产品配方之后水化水平测量结果、油水平测量结果或皮肤担忧中的至少一个的改变的一个或多个附加数据输入;
由所述计算设备通过下述操作、基于所述一个或多个附加数据输入来生成第二皮肤健康数据集:(i)由所述计算设备计算水化水平测量结果、油水平测量结果和所述归一化严重性得分的百分比改变;以及(ii)由所述计算设备基于所述第一皮肤健康数据集和所述百分比改变来计算所述第二皮肤健康数据集;以及由所述计算设备使用在所述计算设备上操作的机器学习框架、基于所述第二皮肤健康数据集来确定一个或多个第二护肤产品配方。
3.如权利要求1所述的方法,其中所述数据输入进一步包括用户年龄、性别、种族或职业中的至少一个。
4.如权利要求1所述的方法,其中所述照片是利用可见光或紫外光中的至少一个拍摄的。
5.如权利要求1所述的方法,其中所述数据输入包括反映用户的位置的温度、湿度或环境紫外线指数中的至少一个的信息。
6.如权利要求1所述的方法,其中所述数据输入包括反映用户遗传学、医学历史、饮食、水摄入、吸烟习惯、已知过敏、酒精习惯、睡眠质量、压力水平、在电子屏幕前面耗费的时间或日光曝晒中的至少一个的信息。
7.如权利要求1所述的方法,其中所述数据输入包括反映用户报告的皮肤健康评估、护肤产品使用率、过去护肤产品使用率、过去皮肤反应、护肤目标、护肤担忧、护肤吸收或纹理偏好中的至少一个的信息。
8.如权利要求1所述的方法,其中所述数据输入包括用户的皮肤的弹性测量结果、用户的皮肤的皱纹测量结果或用户的皮肤的表面pH水平中的至少一个。
9.如权利要求1所述的方法,其中所述第一皮肤健康数据集包括反映用户的皱纹、暗斑、暗圈、纹理、粉刺、日光损害、毛孔大小、红肿或其他皮肤损害中的至少一个的信息。
10.如权利要求1所述的方法,其中所述第一护肤产品配方包括反映活性配料、防腐剂和剂量的信息。
11.如权利要求1所述的方法,进一步包括:由所述计算设备基于所述第一皮肤健康数据集来生成用于由配方专家或机器制造第一护肤产品的第一配方指令。
12.如权利要求1所述的方法,进一步包括:由所述计算设备基于所述第一皮肤健康数据集来生成用于对用户的生活方式、饮食或整体健康状态的调整的一个或多个推荐,以实现期望的皮肤结果。
13.如权利要求1所述的方法,进一步包括:由所述计算设备基于所述第一皮肤健康数据集来生成个性化护肤例程,所述个性化护肤例程包括针对清洁剂、精华液、面油、保湿霜、膳食补充剂或防晒霜中的至少一个的推荐。
14.如权利要求1所述的方法,进一步包括:(i)由所述计算设备生成用户显示数据集,以供与所述计算设备电子通信的用户计算设备解释和显示;(ii)以及将所述用户显示数据集发送到所述用户计算设备。
15.如权利要求1所述的方法,进一步包括:在将所述第一护肤产品配方存储在存储器中之前,由所述计算设备接收所述第一护肤产品配方的用户证明。
16.一种用于使用在计算设备上实现的机器学习算法针对用户对护肤产品制定配方的计算系统,所述系统包括:
被配置成执行下述操作的计算设备:接收数据输入,所述数据输入包括使用角质细胞测试而取得的用户的皮肤的一个或多个水化水平测量结果、使用皮脂测试而取得的用户的皮肤的一个或多个油水平测量结果和反映皮肤担忧集合的使用相机而取得的用户的皮肤的照片;
使用在角质细胞测试结果的数据集上训练的第一计算机视觉引擎、基于所述一个或多个水化水平测量结果来确定归一化水化指数得分;
使用在皮脂测试结果的数据集上训练的第二计算机视觉引擎、基于所述一个或多个油水平测量结果来确定归一化油指数得分;
使用在异常检测模型或卷积神经网络上训练的第三计算机视觉引擎、基于用户的皮肤的经调整的照片来确定与用户的皮肤担忧集合相对应的归一化严重性得分集合,其中用户的皮肤的经调整的照片包括所述照片的一个或多个照明调整,且是使用由所述第三计算机视觉引擎应用于所述照片的异常检测模型或卷积神经网络来确定的;
生成第一皮肤健康数据集,所述第一皮肤健康数据集包括所述归一化水化指数得分、所述归一化油指数得分和所述归一化严重性得分集合;
将所述第一皮肤健康数据集存储在与所述计算设备电子通信的第一存储器中;
基于所述第一皮肤健康数据集来确定第一皮肤健康度量;
将所述第一皮肤健康度量存储在与所述计算设备电子通信的第二存储器中;
使用在所述计算设备上操作的机器学习框架、基于所述第一皮肤健康度量和所述第一皮肤健康数据集来确定一个或多个第一护肤产品配方;
将所述一个或多个第一护肤产品配方存储在与所述计算设备电子通信的第三存储器中;以及
以推荐的形式将所述一个或多个第一护肤产品配方提供给用户。
17.如权利要求16所述的系统,进一步包括与所述计算设备电子通信的用户计算设备,其中所述用户计算设备被配置成采集所述数据输入并将所述数据输入提供给所述计算设备。
18.如权利要求16所述的系统,其中第一存储 器和第二存储 器被包括在与所述计算设备电子通信的数据库中。
19.一种使用在计算设备上实现的机器学习算法针对用户对第一和第二护肤产品制定配方的计算机化方法,所述方法包括:由所述计算设备接收反映用户的真皮信息的第一数据输入,所述第一数据输入包括使用角质细胞测试而取得的用户的皮肤的一个或多个水化水平测量结果、使用皮脂测试而取得的用户的皮肤的一个或多个油水平测量结果和反映皮肤担忧集合的使用相机而取得的用户的皮肤的照片;
由所述计算设备使用在角质细胞测试结果的数据集上训练的第一计算机视觉引擎、基于所述一个或多个水化水平测量结果来确定归一化水化指数得分;
由所述计算设备使用在皮脂测试结果的数据集上训练的第二计算机视觉引擎、基于所述一个或多个油水平测量结果来确定归一化油指数得分;
由所述计算设备使用在异常检测模型或卷积神经网络上训练的第三计算机视觉引擎、基于用户的皮肤的经调整的照片来确定与用户的皮肤担忧集合相对应的归一化严重性得分集合,其中用户的皮肤的经调整的照片包括所述照片的一个或多个照明调整,且是使用由所述第三计算机视觉引擎应用于所述照片的异常检测模型或卷积神经网络来确定的;
由所述计算设备基于所述第一数据输入来生成针对用户的第一皮肤健康数据集,所述第一皮肤健康数据集包括反映所述第一数据输入的一个或多个归一化得分;
由所述计算设备将所述第一皮肤健康数据集存储在与所述计算设备电子通信的第一存储 器中;
由所述计算设备基于所述第一皮肤健康数据集来确定第一护肤产品配方;
由所述计算设备将所述第一护肤产品配方存储在与所述计算设备电子通信的第二存储 器中;
由所述计算设备以第一推荐的形式将所述第一护肤产品配方提供给用户;
由所述计算设备接收反映在基于所述第一护肤产品配方使用第一护肤产品之后所述第一数据输入的改变的第二数据输入;
由所述计算设备基于所述第一数据输入和所述第二数据输入来生成针对用户的第二皮肤健康数据集;
由所述计算设备将所述第二皮肤健康数据集存储在与所述计算设备电子通信的第三存储 器中;
由所述计算设备基于所述第二皮肤健康数据集来确定第二护肤产品配方;
由所述计算设备将所述第二护肤产品配方存储在与所述计算设备电子通信的第四存储 器中;
由所述计算设备以第二推荐的形式将所述第二护肤产品配方提供给用户。
说明书 :
用于对个性化护肤产品制定配方的系统和方法
权益,该美国临时专利申请的整个内容以其整体通过引用并入本文。
技术领域
荐个性化护肤产品例程的系统和方法。
背景技术
大可能数目的多样皮肤类型。这可以解释市场中的皮肤“类型”产品(这可以包括例如油腻
的、干燥的、组合、易有粉刺的、对日光敏感的、敏感的、经过过敏测试的、差的纹理、或者大
毛孔)的激增。当目标为大众市场时,制造商必须在对于他们而言相对于市场中可用的产品
的数量而在经济上可行的内容与他们可从市场吸引的客户的数目之间取得平衡。
使用与皮肤担忧有关的自报告的答案以设计定制化护肤配方。全部两个途径的一个问题
是:自报告的数据可能是不可靠的,例如因为客户极少客观地知道他们的皮肤的情况。第一
途径还遭受潜在产品的有限集合的约束,所有潜在产品典型地已经针对大众市场而创建。
第二途径已经遭受结果的有限有效性。
发明内容
(例如,迭代)的基础上将唯一护肤产品推荐、配方参数推荐和/或产品例程提供给个体用
户。因此,本发明实现了个人护肤产品和养生法创建、推荐和随时间的改善。
或皮肤科医生进行或者由客户在没有帮助的情况下自我指导)或者位于家里(例如,由消费
者在没有进一步帮助的情况下进行)的一个或多个计算机化系统上。在一些实施例中,本发
明包括:收集专用于个体用户的数据,例如,客观真皮数据、视觉皮肤数据、人口统计数据、
环境数据、遗传数据、饮食数据、偏好数据和其他数据。在一些实施例中,计算机实现机器学
习算法使用被提供以指定唯一护肤产品配方、现有产品和具体配料推荐的数据。在一些实
施例中,本发明推荐生活方式、饮食和/或整体健康状态贴士以实现期望的皮肤结果。
述的他或她的皮肤数据点。接着,可以基于由(一个或多个)算法生成的推荐来改善(一个或
多个)产品配方。这些重新制定配方可以由于例如季节改变、位置或环境改变、用户的皮肤
中的所观察到的改变和用户的皮肤中的所预期的改变而发生。在一些实施例中,推荐、使
用、反馈和修订的反馈循环帮助本发明的成功。在一些实施例中,本发明使用在先反馈和/
或汇总皮肤数据和模式以作出新的或经修订的推荐。
皮肤担忧和/或适合个体的偏好,且可以基于环境、生活方式以及个体的皮肤如何随时间改
变而改变。在一些实施例中,来自多个用户的汇总皮肤数据允许预测性分析学和机器学习
被用于基于用户的个体皮肤来推荐被发现为对于他或她而言最安全且最奏效的配料,并基
于个体响应和偏好来改善推荐。在一些实施例中,从用户接收到的反馈被反馈到一个或多
个算法中,以进一步改善推荐并推荐对每一个用户定做的更准确且有效的配料。
的系统和方法(例如,针对亲身设置的一个过程和针对家庭设置的另一个过程)中使用专用
于用户的数据(例如,真皮数据、视觉皮肤数据、人口统计数据、环境数据、遗传数据、饮食数
据、偏好数据和其他数据)。在一些实施例中,创建推荐、使用、后果和修订的反馈回路有助
于确保每一个产品给用户提供益处,且确保针对每一个用户的护肤产品、健康状态产品和
个性化推荐随着他或她的担忧、环境和皮肤随时间的改变而演化。
水化水平测量结果、用户的皮肤的一个或多个油水平测量结果和反映皮肤担忧集合的用户
的皮肤的照片。所述方法还包括:由所述计算设备基于所述一个或多个水化水平测量结果
来确定归一化水化指数得分。所述方法还包括:由所述计算设备基于所述一个或多个油水
平测量结果来确定归一化油指数得分。所述方法还包括:由所述计算设备基于用户的皮肤
的照片来确定与用户的皮肤担忧集合相对应的归一化严重性得分集合。所述方法还包括:
由所述计算设备生成第一皮肤健康数据集,所述第一皮肤健康数据集包括所述归一化水化
指数得分、所述归一化油指数得分和所述归一化严重性得分集合。所述方法还包括:由所述
计算设备将所述第一皮肤健康数据集存储在与所述计算设备电子通信的第一存储器中。所
述方法还包括:由所述计算设备基于所述第一皮肤健康数据集来确定第一皮肤健康度量。
所述方法还包括:由所述计算设备将所述第一皮肤健康度量存储在与所述计算设备电子通
信的第二存储器中。所述方法还包括:由所述计算设备使用在所述计算设备上操作的机器
学习框架、基于所述第一皮肤健康度量和所述第一皮肤健康数据集来确定一个或多个第一
护肤产品配方。所述方法还包括:由所述计算设备将所述一个或多个第一护肤产品配方存
储在与所述计算设备电子通信的第三存储器中。
一个的改变的一个或多个附加数据输入;和/或,由所述计算设备通过下述操作、基于所述
一个或多个附加数据输入来生成第二皮肤健康数据集:(i)由所述计算设备计算水化水平
测量结果、油水平测量结果和所述归一化严重性得分的百分比改变(或者该数据的前兆,例
如原始数据或经预处理的数据,诸如下面进一步详细描述的黑白比);以及(ii)由所述计算
设备基于所述第一皮肤健康数据集和所述百分比改变来计算所述第二皮肤健康数据集;
和/或,由所述计算设备使用在所述计算设备上操作的机器学习框架、基于所述第二皮肤健
康数据集来确定一个或多个第二护肤产品配方。
例中,所述一个或多个数据输入包括反映用户的位置的温度、湿度或环境紫外线指数中的
至少一个的信息。在一些实施例中,所述一个或多个数据输入包括反映用户遗传学、医学历
史、饮食、水摄入、吸烟习惯、已知过敏、酒精习惯、睡眠质量、压力水平、在电子屏幕前面耗
费的时间或日光曝晒中的至少一个的信息。在一些实施例中,所述一个或多个数据输入包
括反映用户报告的皮肤健康评估、护肤产品使用率、过去护肤产品使用率、过去皮肤反应、
护肤目标、护肤担忧、护肤、吸收或纹理偏好中的至少一个的信息。在一些实施例中,所述一
个或多个数据输入包括用户的皮肤的弹性测量结果、用户的皮肤的皱纹测量结果或用户的
皮肤的表面pH水平中的至少一个。在一些实施例中,所述第一皮肤健康数据集包括反映用
户的皱纹、暗斑、暗圈、纹理、粉刺、日光损害、毛孔大小、红肿或其他皮肤损害中的至少一个
的信息。在一些实施例中,所述第一护肤产品配方包括反映活性配料、防腐剂、剂量和/或唯
一用户皮肤标识符的信息。
中,所述方法进一步包括:由所述计算设备基于所述第一皮肤健康数据集来生成用于对用
户的生活方式、饮食或整体健康状态的调整的一个或多个推荐,以实现期望的皮肤结果。在
一些实施例中,所述方法进一步包括:由所述计算设备基于所述第一皮肤健康数据集来生
成个性化护肤例程,所述个性化护肤例程包括针对清洁剂、精华液、面油、保湿霜、膳食补充
剂或防晒霜中的至少一个的推荐。在一些实施例中,所述方法进一步包括:(i)由所述计算
设备生成用户显示数据集,以供与所述计算设备电子通信的用户计算设备解释和显示;和/
或(ii)将所述用户显示数据集发送到所述用户计算设备。在一些实施例中,所述方法进一
步包括:在将所述第一护肤产品配方存储在存储器中之前,由所述计算设备接收所述第一
护肤产品配方的用户证明。
数据集的产品配方。在一些实施例中,所述产品配方包括至少一个配料。所述方法还包括:
由所述制造系统根据所述产品配方来合成定制化护肤产品。所述方法还包括:由所述制造
系统将所述定制化护肤产品瓶装在容器中。所述方法还包括:由所述制造系统利用显示所
述至少一个配料的标签给所述容器加标签。
括用户的皮肤的一个或多个水化水平测量结果、用户的皮肤的一个或多个油水平测量结果
和反映皮肤担忧集合的用户的皮肤的照片;(ii)基于所述一个或多个水化水平测量结果来
确定归一化水化指数得分;(iii)基于所述一个或多个油水平测量结果来确定归一化油指
数得分;(iv)基于用户的皮肤的照片来确定与用户的皮肤担忧集合相对应的归一化严重性
得分集合;(v)生成第一皮肤健康数据集,所述第一皮肤健康数据集包括所述归一化水化指
数得分、所述归一化油指数得分和所述归一化严重性得分集合;(vi)将所述第一皮肤健康
数据集存储在与所述计算设备电子通信的第一存储器中;(vii)基于所述第一皮肤健康数
据集来确定第一皮肤健康度量;(viii)将所述第一皮肤健康度量存储在与所述计算设备电
子通信的第二存储器中;(ix)使用在所述计算设备上操作的机器学习框架、基于所述第一
皮肤健康度量和所述第一皮肤健康数据集来确定一个或多个第一护肤产品配方;以及(x)
将所述一个或多个第一护肤产品配方存储在与所述计算设备电子通信的第三存储器中。在
一些实施例中,所述系统包括与所述计算设备电子通信的用户计算设备,所述用户计算设
备用于采集所述数据输入并将所述数据输入提供给所述计算设备。在一些实施例中,第一
储存器和第二储存器被包括在与所述计算设备电子通信的数据库中。
一数据输入。所述方法还包括:由所述计算设备基于所述一个或多个第一数据输入来生成
针对所述用户的第一皮肤健康数据集,所述第一皮肤健康数据集包括反映所述一个或多个
第一数据输入的一个或多个归一化得分。所述方法还包括:由所述计算设备将所述第一皮
肤健康数据集存储在与所述计算设备电子通信的第一储存器中。所述方法还包括:由所述
计算设备基于所述第一皮肤健康数据集来确定第一护肤产品配方。所述方法还包括:由所
述计算设备将所述第一护肤产品配方存储在与所述计算设备电子通信的第二储存器中。所
述方法还包括:由所述计算设备接收反映在基于所述第一护肤产品配方使用第一护肤产品
之后所述第一数据输入的改变的一个或多个第二数据输入。所述方法还包括:由所述计算
设备基于所述一个或多个第一数据输入和所述一个或多个第二数据输入来生成针对所述
用户的第二皮肤健康数据集。所述方法还包括:由所述计算设备将所述第二皮肤健康数据
集存储在与所述计算设备电子通信的第三储存器中。所述方法还包括:由所述计算设备基
于所述第二皮肤健康数据集来确定第二护肤产品配方。所述方法还包括:由所述计算设备
将所述第二护肤产品配方存储在与所述计算设备电子通信的第四储存器中。
第一数据输入包括每一个用户的皮肤的一个或多个水化水平测量结果、每一个用户的皮肤
的一个或多个油水平测量结果和反映皮肤担忧集合的每一个用户的皮肤的照片。所述方法
还包括:由所述计算设备基于所述第一数据输入来针对每一个用户确定对应的第一皮肤健
康数据集和对应的第一皮肤健康度量。所述方法还包括:由所述计算设备基于所述第一皮
肤健康度量和/或所述第一皮肤健康数据集来针对每一个用户确定一个或多个所推荐的第
一护肤产品配方。所述方法还包括:由所述计算设备接收反映在基于所述第一护肤产品配
方使用第一护肤产品之后所述第一数据输入的改变的一个或多个第二数据输入。所述方法
还包括:由所述计算设备将所述一个或多个第二数据输入与所述第一数据输入和所述第一
皮肤健康数据集进行组合,以创建训练数据集。所述方法还包括:由所述计算设备基于所述
一个或多个第二数据输入来计算第二皮肤健康度量。所述方法还包括:由所述计算设备使
用所述第二健康数据集和机器学习框架来确定机器学习模型。所述方法还包括:由所述计
算设备针对每一个用户确定针对所述用户的数据输入与针对所述用户的一个或多个第一
护肤产品配方之间的一个或多个关联,每一个关联基于针对每一个用户的对应第一皮肤健
康数据集和对应第一皮肤健康度量。所述方法还包括:由所述计算设备将该模型存储在与
所述计算设备电子通信的存储器中。在一些实施例中,可以经由算法来测量、输入、变换、如
上关于本发明其他方面描述的那样计算和/或操控其他数据输入。
附图说明
具体实施方式
设备104电子通信(例如,经由因特网)的用户计算设备108(例如,移动电话、平板或不同的
前端计算设备)。在操作期间,用户计算设备108捕获反映用户的真皮信息(例如,与系统100
可使用的皮肤特性相关的信息)的数据输入112,例如经由在用户计算设备108上安装的应
用。在一些实施例中,数据输入112包括一个或多个真皮测量结果(例如,用户的皮肤的一个
或多个水化水平测量结果和/或用户的皮肤的一个或多个油水平测量结果)和反映皮肤担
忧集合(例如,皱纹、暗斑、暗圈、粉刺、日光损害、红肿或其他皮肤损害)的一个或多个其他
数据输入(例如,使用用户的智能电话相机或另一摄像设备、利用可见光和/或紫外光拍摄
的用户的皮肤的一个或多个照片)。在一些实施例中,数据输入112包括其他变量,诸如用户
年龄、性别、种族或职业中的至少一个。在一些实施例中,数据输入112包括反映用户的位置
的温度、湿度或环境紫外线指数中的至少一个的信息。在一些实施例中,数据输入112包括
反映下面在图6中更详细示出和描述的附加变量中的至少一个的信息。在一些实施例中,经
由用户界面(诸如,下面在图9中示出和描述的用户界面)来捕获数据输入112中的一些。
(例如,计算)一个或多个经变换的皮肤健康变量,例如归一化水化得分、归一化油指数得分
和/或针对用户的皮肤的皮肤担忧集合的归一化严重性得分集合。所使用的具体算法可以
如下面在图3‑5中更详细示出的那样。服务器计算设备104然后生成包括所计算的得分的第
一皮肤健康数据集(以及潜在地生成例如下面在图6中示出的类型的其他信息),并将它们
存储在与服务器计算设备104电子通信的第一存储器116A中。服务器计算设备104然后使用
在服务器计算设备104上操作的机器学习(例如,深度学习)框架、基于第一皮肤健康数据集
来确定一个或多个第一护肤产品配方(和/或护肤例程)。在一些实施例中,机器学习框架包
括GRU或LSTM递归神经网络和优化算法的全体。服务器计算设备104然后将该一个或多个第
一护肤产品配方(和/或护肤例程)存储在与服务器计算设备104电子通信的第二存储器
116B中。
式显示给用户。推荐包括供用户利用(例如,在临时或永久的基础上)的具体例程中的一个
或多个个性化护肤产品。产品可以具有专用于用户且被优化以帮助用户实现他或她的最大
皮肤健康的配料和其他方面。在一些实施例中,经由用户计算设备108的用户界面(例如,以
下面在图10中更详细示出和描述的形式)针对用户显示推荐。
的经更新的数据输入并随时间生成进一步的皮肤健康数据集,且因而迭代地更好地定义针
对用户的最优护肤推荐。在一些实施例中,服务器计算设备104可以接收反映在由用户使用
该一个或多个第一护肤产品配方之后水化水平测量结果、油水平测量结果或反映皮肤担忧
的皮肤照相术中的至少一个的改变的一个或多个附加数据输入。在一些实施例中,服务器
计算设备104可以基于该一个或多个附加数据输入来生成第二皮肤健康数据集,例如通过
下述操作:(i)由计算设备计算水化水平测量结果、油水平测量结果和归一化严重性得分的
百分比改变;以及(ii)由计算设备基于第一皮肤健康数据集和百分比改变来计算第二皮肤
健康数据集。在一些实施例中,服务器计算设备104可以使用在服务器计算设备104上操作
的机器学习框架、基于第二皮肤健康数据集来确定一个或多个第二护肤产品配方。可以使
附加存储器(例如第三存储器、第四存储器等等,对应于元件116C、116D等等)可用且与服务
器计算设备104电子通信,以用于存储由服务器计算设备104生成和/或接收到的进一步信
息。存储器部件116A、116B、116C、116D等可以被存储在与服务器计算设备104电子通信的单
个数据库116中。
现的。在第一步骤201中,用户给移动设备应用提供对摄入调查问题的答案、用户的皮肤的
一个或多个照片和经由用户设备提供的一个或多个测量结果的集合。在第二步骤202中,计
算设备创建皮肤健康数据集,例如,如上所描述。在第三步骤203中,计算设备计算皮肤健康
度量。皮肤健康度量可以基于具有与皮肤健康度量的每一个分量相关联的点的得分卡数据
集。例如,考虑下述情况:其中,得分卡中的四个数据点是吸烟习惯、严重性得分、水化指数
和油指数。例如,如果一人从不吸烟,则这可以等同于100点;如果该人不非常频繁地吸烟,
则这可以等同于0点。类似地,严重性得分、水化指数和油指数被转译成0‑100的标度,其中0
表示最不健康并且100表示最健康。因此,由于从不吸烟的人具有带有严重性得分50以及水
化指数和油指数各60的一个皮肤问题(例如,褪色),因此他或她的皮肤健康度量将等于
270。在第四步骤204中,计算设备确定一个或多个配料‑剂量组合(参见204A),其将是有效
的且合适的(例如,最有效且合适)以在给定用户的输入数据的情况下改进用户的皮肤健
康,和/或计算设备确定饮食和生活方式改变,其将是有效的以在给定用户的输入数据的情
况下改进用户的皮肤健康(参见204B)。在第五步骤205中,计算设备识别与先前确定的配
料‑剂量组合相对应的产品类型。在第六步骤206中,计算设备使产品‑配料‑剂量组合变窄
到补集,例如,所推荐的例程。在第七步骤207中,计算设备显示针对用户的推荐,例如例程、
饮食和生活方式改变。
描述的服务器计算设备104)上。在第一步骤301中,在用户的皮肤上的一个或多个位置处
(例如,在区域A、B等中,如所示的那样)取得水化测量结果。测量结果可以是通过进行角质
细胞测试来采集的,该角质细胞测试使用医用粘合剂来测量皮肤的外层的皮肤“脱皮”或脱
落。用户可以拍摄医用粘合剂上的所完成的测试的图片。在角质细胞测试结果的数据集上
训练的计算机视觉算法可以估计皮肤的水化水平测量结果水平(例如,百分比水化)。每一
个水化水平测量结果可以被变换成水化测量结果编号。在一些实施例中,还可以使用生物
阻抗电气分析工具以收集输入测量结果。在第二步骤302中,对水化测量结果编号求平均。
可以基于相对重要性数据集来对来自用户的面部和身体的若干部分的水化测量结果编号
进行加权(例如,对于面部产品配方,面部可以具有比脖子更高的权重)。在第三步骤303中,
将平均值与针对参考用户集合(例如,针对可比较的区域或皮肤位置)采集的平均水化水平
的数据集进行比较,并且生成归一化水化指数得分(例如,1‑9或另一适当数值标度)。在第
四步骤304中,将该归一化水化指数得分用作到针对用户的皮肤健康数据集(例如,第一皮
肤健康数据集)中的输入,和/或记录针对用户的皮肤健康数据集的分量。
述的服务器计算设备104)上。在第一步骤401中,在用户的皮肤上的一个或多个位置处(例
如,在区域A、B等中,区域A、B等可能对应于上面示出和描述的相同区域A、B等)取得油测量
结果。测量结果可以是通过进行皮脂测试来采集的。皮脂测试可以在黑色背景上面使用吸
油膜——例如,来自皮肤的油或皮脂使顶层上的膜在接触时透明,因此黑色梯度出现(梯度
图案越暗,则皮肤越油腻)。用户拍摄所完成的测试的图片。在皮脂测试结果的数据集上训
练的计算机视觉算法估计皮肤的原始油测量结果水平(例如,百分比油)。每一个油水平测
量结果可以被变换成油测量结果编号。在一些实施例中,还可以使用光度传感器和/或生物
阻抗电气分析工具以采集输入测量结果。在第二步骤402中,对油测量结果编号求平均。可
以基于相对重要性数据集来对来自用户的面部和身体的多个部分的原始油测量结果进行
加权(例如,如在上面描述的应用中那样,面部可以被加权得比脖子更高)。在第三步骤403
中,将平均值与针对参考用户集合(例如,针对可比较的区域或皮肤位置)采集的平均油水
平的数据集进行比较,并且生成归一化油指数得分(例如,1‑9或另一适当数值标度)。在第
四步骤404中,将该归一化油指数得分用作到针对用户的皮肤健康数据集中的输入,和/或
记录针对用户的皮肤健康数据集的分量。
和描述的服务器计算设备104)上实现的计算机视觉图来实现的。在第一步骤501中,拍摄用
户的皮肤的照片,例如,在用户计算设备上或在物理存储位置中。在第二步骤502中,计算机
视觉引擎确定用户的任何皮肤问题。在一个实施例中,计算机视觉引擎首先基于全局照明
的二次模型来作出照明调整。其次,创建经照明调整的照片的多个拷贝,例如针对每一个皮
肤问题一个拷贝。可以使用不同计算机算法以评估每一个皮肤问题。例如,为了评估用户是
否具有皱纹,可以使用贾伯(Gabor)或黑森(Hessian)过滤器和/或图像形态学来变换图像
拷贝之一。算法可以在转换成灰度之后计算图像中的白色与黑色的比率。如果比率在预设
阈值以上,则算法确定用户具有皱纹。
顶上覆盖区域地图。使用照片的经变换的拷贝,算法可以使用区域地图以将每一个经变换
的图像拷贝划分成区域。在第四步骤504中,可以对于针对在步骤502中识别的每一个皮肤
问题而在步骤503中识别的每一个区域指派严重性得分(例如,对于被划分成M个区域的具
有N个皮肤问题的皮肤照片,严重性得分可以占据N×M矩阵)。可以针对每一个皮肤问题使
用不同计算机算法以评估严重性。例如,对于具有褪色的用户,可以将图像变换到HSV色彩
空间中。使用线拟合阈值方法,色素沉着显现为灰度中的白色。算法计算白色与黑色的比
率。在与其他用户的数据集进行比较之后,将比率归一化到指数。在第五步骤505中,针对每
一个皮肤问题计算平均严重性得分,例如,生成表示针对所识别的N个皮肤问题中的每一个
的平均严重性得分集合的维度N的向量。在第六步骤506中,将该向量用作到针对用户的皮
肤健康数据集中的输入,和/或记录针对用户的皮肤健康数据集的分量。
二元确定“是”或“否”),诸如皱纹、阻塞的毛孔、皮疹(breakout)、红肿或褪色。计算机视觉
算法可以基于经训练的机器学习模型,例如,异常检测模型或卷积神经网络。可以针对每一
个皮肤问题使用不同的计算机算法以评估问题的严重性。作为示例,为了评估用户的皱纹,
可以使用贾伯或黑森过滤器与图像形态学来变换皮肤图像的一个区域。算法然后可以在转
换成灰度之后计算白色到黑色的梯度。然后,可以在与其他用户的数据集进行比较之后将
梯度得分归一化到指数。作为另一示例,为了评估用户的皮肤褪色,可以将皮肤图像的一个
区域变换到HSV色彩空间中。可以使用线拟合阈值方法来提取灰度中的色素沉着。算法在转
换成灰度之后计算白色到黑色的梯度。在将梯度得分与其他用户的数据集进行比较之后,
将梯度得分归一化到指数。
领会,皮肤健康和/或皮肤产品推荐之间的关联也可以使用其他变量而绘制,且会将图6中
所示的示例性数据集视为显著的但不穷举所有可能皮肤变量。在一些实施例中,皮肤健康
数据集包括可被细归类到下述分组中的变量:(i)体内;(ii)视觉;(ii)环境;(iv)个人历
史;(v)生活方式;以及(vi)皮肤历史。变量中的每一个可以被存储在单个数据库中或被存
储在分离的存储器中,例如在Excel电子表格中、在纯文本文件中或者以HTML形式。这些变
量中的每一个可以表示或提供输入的基础(例如,如上面在图1中示出和描述的112)。
分比)和UV指数。计算机算法计算这些变量中的每一个的平均值和方差。由计算机算法计算
的这些数据输入中的每一个的平均值和方差被存储在第一皮肤健康数据集中。对于个人历
史(例如,遗传学)和/或生活方式(例如,遗传学)数据输入中的若干数据输入,计算机算法
可以将数据输入值与具有变量的预定桶(bucket)的数据表进行比较。可以进而将桶值和原
始数据输入存储在第一皮肤健康数据集中。对于皮肤历史数据输入(例如,所使用的产品)
中的若干数据输入,可以将用户输入匹配到官方数据库(例如,可以通过搜遍护肤产品数据
库,通过手动或通过条形码将所使用的当前护肤产品匹配到官方产品名称)。在涉及用户偏
好的示例中,基于对偏好指示符问题或样本配料试验的响应,可以将用户指派给偏好简档。
在一个实施例中,可以使用与对简档的响应相关的数据集和计算机匹配算法以确定用户的
偏好简档。在另一实施例中,使用在产品的评级和用户对护肤产品的评级上训练的协作过
滤模型以将用户指派给偏好简档。
上。在第一步骤701中,使用皮肤健康数据集以将用户指派给偏好简档并计算皮肤健康度
量。在第二步骤702中,将皮肤健康度量和皮肤健康数据集提供给机器学习模型(例如,GRU
或LSTM递归神经网络和优化算法的全体),并且将皮肤健康度量和皮肤健康数据集与配料‑
剂量组合数据集702A交叉参考。在第三步骤703中,机器学习模型输出一个或多个所预测的
配料‑剂量组合,例如,将导致皮肤健康度量中的最高的或最高之一的增大的组合。在第四
步骤704中,参考皮肤健康数据集和具有过去可能已造成反应的潜在配料的字段,计算设备
消除具有那些配料的潜在配料‑剂量组合。在第五步骤705中,计算设备采用匹配算法,与偏
好简档‑配料组合数据集705A交叉参考。在第六步骤706中,计算设备采用匹配算法,与产品
类型‑配料‑剂量组合数据集706A交叉参考。在第七步骤707中,计算设备生成一个或多个产
品‑配料‑剂量组合以用于提供给用户。
唯一皮肤健康数据集的产品配方。在第一制造系统步骤803中,制造系统802根据产品配方
来合成定制化护肤产品。在第二制造系统步骤804中,制造系统802瓶装定制化护肤产品。在
第三制造系统步骤805中,制造系统802利用显示该至少一个配料的标签给容器加标签。然
后将产品提供给用户806以用于使用。在一些实施例中,如上所描述,用户806可以提供对产
品的反馈以用于重新制定配方。
习更多”;“跟踪我的皮肤进展”;“实现我的皮肤目标”;以及“个性化配方”)和皮肤担忧(例
如,“粉刺”、“阻塞/黑头”、“褪色/斑”、“干燥”、“红肿/激怒”、“日光损害”和“皱纹/细线”)有
关的信息。屏幕截图902引出与用户的最重要皮肤担忧、当前产品、最喜爱产品和不喜爱产
品有关的信息。屏幕截图903引出与用户的皮肤敏感度、对日光的皮肤敏感度和关于用户的
皮肤的总体幸福感有关的信息。这些变量可以处于皮肤健康数据集中,且可以作为要计及
的因素而并入到机器学习算法中,该机器学习算法预测什么配料‑剂量将在增大用户的皮
肤健康度量方面最有效。
料的护肤产品。屏幕截图1000还显示了配方的更详细分解图,例如,针对给用户示出载体或
活性配料可与哪个状况或目标相关联的用户参考和标记声明了希蒙得木、金盏花和蓝蓟花
的特性。该屏幕通过突出显示用户的具体皮肤状况和皮肤担忧的组合的优点,来帮助用户
理解所采集的皮肤健康数据如何与他们推荐的产品‑配料‑剂量组合相关。
如,可以通过与在设备上安装的另一应用集成来提供涉及遗传学、饮食、睡眠质量、压力水
平和/或在电子屏幕前面发送的时间的数据。例如,可以从DNA分析服务采集遗传数据。可以
通过手动输入或者从已经使用的饮食跟踪应用采集用户的当前饮食(包括膳食过敏)和饮
食的改变。可以从用户已经使用的可穿戴技术采集睡眠习惯和质量。所捕获的数据可以包
括睡眠质量、睡眠小时数和/或在睡眠时的静息心率。计算机算法可以计算来自在先三十天
的这些数据点中的每一个的平均值和方差水平。可以从相同可穿戴技术捕获压力水平,并
且所捕获的数据可以包括心率。计算机算法可以计算来自例如在先三十天的平均值和方
差。
护肤产品数据库(例如,通过手动或条形码)将所使用的当前护肤产品的用户输入匹配到官
方产品名称。在一些实施例中,将分析过程中的样本配料的用户选择匹配到吸收和感觉偏
好简档。在任何情况下,可以经由用户自报告的对摄入调查问题的答案来在最低限度上查
明许多变量(例如,落在如图6中所示的“个人历史”、“生活方式”和/或“皮肤历史”分组下的
那些变量)。所有这些数据点可以被包括在第一皮肤健康数据集中,且是机器学习模型(例
如,深度学习框架)使用以预测哪些配料‑剂量组合将在增大用户的(一个或多个)皮肤健康
度量方面最有效的因素。
经训练的逻辑回归模型和分离的得分卡数据集(例如,类似于FICO针对一个人的信用得分
所做的内容)的皮肤健康度量;以及(ii)使用经训练的机器学习模型将皮肤健康度量与在
先输入进行比较,以预测最佳产品‑配料‑剂量组合。训练数据集可以包括一个或多个皮肤
健康度量、个体皮肤问题确定、严重性得分、油和水分指数、产品‑配料‑剂量推荐和/或综合
得分的改变的纵向数据集。在这种数据集中,计算机可以计算综合得分的改变是否表示统
计上显著的改进(例如,通过作出二元决策)。可能的计算模式包括但不限于:时间序列、逻
辑模型;用于预测互补产品‑配料‑剂量组合的协作过滤模型;具有回路的神经网络。
计算设备可以将该邮政编码输入到天气数据库中并在临时数据集中存储例如过去三十天
中的每一天的温度值、湿度值和UV指数。计算机算法然后可以计算这些变量中的每一个的
平均值和方差。这些数字然后可以被存储在第一皮肤健康数据集中。
上)。在用户输入包括护理产品使用率的情况下,在摄入过程中,用户可以扫描或键入他们
已使用的产品,并且计算设备可以将产品与分离的产品数据库中的完整产品名称相匹配。
用户可以在摄入过程中识别一周多少天他或她使用每一个产品。用户可以从预定列表中选
择他或她的具体皮肤担忧。用户可以键入他或她已对其有反应的产品或配料的名称,并且,
可以将该名称与分离的产品数据库中的完整产品名称相匹配。计算机算法可以从用户对其
有反应的产品中识别主要活性、防腐或潜在地有害的配料。在一些实施例中,用户识别过去
使用的最喜爱产品并提供与吸收和纹理偏好有关的数据。当前使用的产品、使用频率、最喜
爱过去产品、吸收和纹理偏好、以及可能已造成在先反应的潜在配料可以被存储在第一皮
肤健康数据集中。
可以取得契约值测量结果(例如,以牛顿为单位)。可以对这些契约值求平均且归一化以产
生归一化弹性指数。在数据输入包括皮肤的pH的情况下,可以使用石蕊试纸和/或活化液来
测量pH。可以将归一化弹性指数和pH值输入到第一皮肤健康数据集中。
测将导致用户的皮肤健康度量中的最高增大的配料‑剂量组合。在一些实施例中,利用第一
皮肤健康数据集以及饮食和生活方式改变的数据集的输入,计算机算法推荐将增大用户的
皮肤健康度量的具体饮食和生活方式习惯。计算机算法利用已在包括饮食、生活方式习惯、
皮肤担忧、严重性得分和皮肤健康度量的纵向数据集上训练的机器学习模型。在其中生成
包括针对清洁剂、精华液、面油、保湿霜、膳食补充剂或防晒霜中的至少一个的推荐的个性
化护肤例程的一些实施例中,将所推荐的配料‑剂量组合的输入和配料‑剂量的产品数据集
匹配到产品类型,并且计算机算法将针对用户的所推荐的配料‑剂量组合进行比较,并从产
品数据集拉动适于所推荐的配料‑剂量组合的关联产品类型。
程。另外,用户可以在与完成分析相同的访问中接收他们的个性化产品和个性化例程。在家
里设置中,用户可以在完成分析之后经由邮件来接收(一个或多个)个性化护肤产品。
备104)实施。在第一步骤1101中,接收数据输入,其包括用户的皮肤的一个或多个水化水平
测量结果、用户的皮肤的一个或多个油水平测量结果和反映皮肤担忧集合的用户的皮肤的
照片。在第二步骤1102中,基于该一个或多个水化水平测量结果来确定归一化水化指数得
分。在第三步骤1103中,基于该一个或多个油水平测量结果来确定归一化油指数得分。在第
四步骤1104中,基于用户的皮肤的照片来确定与用户的皮肤担忧集合相对应的归一化严重
性得分集合。在第五步骤1105中,生成第一皮肤健康数据集,其包括归一化水化指数得分、
归一化油指数得分和归一化严重性得分集合。在第六步骤1106中,将第一皮肤健康数据集
存储在与计算设备电子通信的第一存储器中。在第七步骤1107中,基于第一皮肤健康数据
集来确定第一皮肤健康度量。在第八步骤1108中,将第一皮肤健康度量存储在与计算设备
电子通信的第二存储器中。在第九步骤1109中,使用在计算设备上操作的机器学习框架、基
于第一皮肤健康度量和第一皮肤健康数据集来确定一个或多个第一护肤产品配方。在第十
步骤1110中,将该一个或多个第一护肤产品配方存储在与计算设备电子通信的第三存储器
中。
造系统接收具有针对用户的唯一皮肤标识符且基于用户的唯一皮肤健康数据集的产品配
方(例如,如根据本文描述的一个或多个方法而生成),产品配方。在第二步骤1202中,制造
系统根据产品配方来合成定制化护肤产品。在第三步骤1203中,制造系统将定制化护肤产
品瓶装在容器中。在第四步骤1204中,制造系统利用显示配料的标签给容器加标签。
的计算设备104)实施。在第一步骤1301中,接收反映用户的真皮信息的一个或多个第一数
据输入。在第二步骤1302中,基于该一个或多个第一数据输入来针对用户生成第一皮肤健
康数据集,该第一皮肤健康数据集包括反映该一个或多个第一数据输入的一个或多个归一
化得分。在第三步骤1303中,将第一皮肤健康数据集存储在与计算设备电子通信的第一储
存器中。在第四步骤1304中,基于第一皮肤健康数据集来确定第一护肤产品配方。在第五步
骤1305中,将第一护肤产品配方存储在与计算设备电子通信的第二储存器中。在第六步骤
1306中,接收反映在基于第一护肤产品配方使用第一护肤产品之后第一数据输入的改变的
一个或多个第二数据输入。在第七步骤1307中,基于该一个或多个第一数据输入和一个或
多个第二数据输入来生成针对用户的第二皮肤健康数据集。在第八步骤1308中,将第二皮
肤健康数据集存储在与计算设备电子通信的第三储存器中。在第九步骤1309中,基于第二
皮肤健康数据集来确定第二护肤产品配方。在第十步骤1310中,将第二护肤产品配方存储
在与计算设备电子通信的第四储存器中。
(即,以机器可读储存介质有形地体现的计算机程序),以供数据处理装置(例如,可编程处
理器、计算机和/或多个计算机)执行或者以便控制该数据处理装置的操作。计算机程序可
以被部署在云计算环境(例如Amazon® AWS、Google Cloud Platform、Microsoft® Azure
等)中。方法步骤可以由执行下述计算机程序的一个或多个处理器执行:该计算机程序通过
在输入数据上操作和/或生成输出数据来执行本发明的功能。
到计算机(例如,与用户界面元件交互)的键盘和指点设备(例如鼠标、触摸板或运动传感
器)通信的计算设备上实现上面描述的技术。也可以使用其他种类的设备以提供与用户的
交互;例如,给用户提供的反馈可以是任何形式的感官反馈,例如视觉反馈、听觉反馈或触
觉反馈;并且来自用户的输入可以以任何形式接收,该形式包括声学、话音和/或触觉输入。
部件的分布式计算系统中。前端部件可以例如是客户端计算机,其具有图形用户界面、用户
可借以与示例实现方式交互的网页浏览器和/或针对传输设备的其他图形用户界面。上面
描述的技术可以被实现在包括这种后端、中间件或前端部件的任何组合的分布式计算系统
中。
个基于分组的网络和/或一个或多个基于电路的网络。基于分组的网络可以包括例如因特
网、运营商因特网协议(IP)网络(例如,局域网(LAN)、广域网(WAN)、校园网(CAN)、城域网
(MAN)、家域网(HAN))、专用IP网络、IP专用分支交换机(IPBX)、无线网络(例如,无线电接入
网(RAN)、蓝牙、近场通信(NFC)网络、Wi‑Fi、WiMAX、通用分组无线电服务(GPRS)网络、
HiperLAN)和/或其他基于分组的网络。基于电路的网络可以包括例如公用交换电话网
(PSTN)、传统专用分支交换机(PBX)、无线网络(例如,RAN、码分多址(CDMA)网络、时分多址
(TDMA)网络、全球移动通信系统(GSM)网络)和/或其他基于电路的网络。
发起协议(SIP)、H.323、媒体网关控制协议(MGCP)、信令系统#7(SS7)、全球移动通信系统
(GSM)协议、一键通话(PTT)协议、蜂窝PTT(POC)协议、通用移动电信系统(UMTS)、3GPP长期
演进(LTE)和/或其他通信协议。
电子邮件设备)和/或其他通信设备。浏览器设备包括例如具有万维网浏览器(例如,来自
Google, Inc.的Chrome™、从Microsoft Corporation可用的Microsoft® Internet
Explorer®和/或从Mozilla Corporation可用的Mozilla® Firefox)的计算机(例如,台
式计算机和/或膝上型计算机)。移动计算设备包括例如来自Research in Motion的
Blackberry®、来自Apple Corporation的iPhone® 和/或基于Android™的设备。IP电话
包括例如从Cisco System, Inc.可用的Cisco® Unified IP Phone 7985G和/或Cisco®
Unified Wireless Phone 7920。
阅读本说明书时可以想到修改。