用于确定个人护理产品配方的方法与流程

用于确定个人护理产品配方的方法
1.本发明涉及用于自动确定用户个人护理产品配方的方法和设备。
2.美容护理产品在人们的审美好感中发挥着越来越大的作用。过去，消费者们基本上只能选择现有的护理产品，而他们也试图通过反复尝试找到适合自己需求的护理产品。的确，消费者们总是有可能让药学专业人员将个人护理产品组合在一起。然而，这种情况下的配方是基于药剂师通常相当有限的个人经验得到的。
3.us 2006/0229912a1公开了一种自动方法，其基于用户的图像材料以及关于皮肤特性问题的答案，确定诸如按摩的皮肤疗程。
4.us 2017/0281526 a1进一步公开了一种通用方法，其基于图像材料和问卷结果，为用户生成个人护理产品配方。
5.wo 2019/148116 a1进一步公开了一种通用方法，其通过使用神经网络，并同样基于图像材料和问卷结果，为用户生成个人护理产品配方。
6.本发明的基本目的是提供一种用于自动确定用户个人护理产品配方的方法，由此提供尽可能合适的护理产品配方。
7.该目的是通过权利要求1和4所述的方法实现的。
8.本发明的一实施方式包括：
[0009]-特征输入例程，用于确立用户的个人皮肤特征；
[0010]-基于该数据创建用户向量；
[0011]-基于所述用户向量并借助于多层神经网络，创建包含待确定护理产品配方的特性和功能的特征向量；
[0012]-其中，通过利用由参数化专业知识组成的学习向量集，在第一配制周期中形成用户的所述神经网络；
[0013]-其中，应用先前确定的护理产品配方，然后捕获个人皮肤特征的变化，由此使所述学习向量集适应于进一步的配制周期；
[0014]-通过使用损失函数优化方法，并基于特征向量和成分约束数据库，制定个人护理产品配方；
[0015]-特征改变例程，其在根据护理产品配方得到的护理产品被使用之后，用于输入用户的皮肤特征变化，以适应学习向量集。
[0016]
本发明所述的方法代表一种混合方法，其最初包括领域专家(即皮肤科医生)的背景知识，并由这些专家确定初始映射。通过对用户反馈进行结构化分析，使该初始映射得到增强，从而提高了准确性。通过所设计的这一反馈回路，使得用户能够优选地连续通过显式和隐式这两种方式来提供反馈，其中显式方式是指通过命名和加权正、负结果，隐式方式例如是指通过皮肤区域的感知输入(例如图像材料，可自动地对该图像材料进行比较分析)。基于所获取的反馈，可将用户向量到对应特征向量的映射视为机器学习问题：该映射通过多层神经网络来限定，其中通过设置该多层神经网络的边缘权重，使量化最大对应关系的目标函数最大化。根据一优选实施方式，该目标函数还根据由反馈环路获得的信息，判罚那些已被发现不充分兼容的用户与特征向量之间的对应关系。这是基于以下见解：用户信息
始终受制于用户的个人主观评价，因此在最终权重中始终将参数化专业知识与客户反馈结合起来。实施该模型所需的技术专业知识与皮肤科领域专家的专业评估及客观性之间的相互影响是本发明的一特殊优势。
[0017]
通过由用户反馈和领域专业知识构成的混合设置，使得后者的作用在连续的配制周期中发生变化。如果最初(即在初始配制周期中)仍由专家来确定映射，那么这将随着每个后续的配制周期(即在应用从早期配制周期中获得的护理产品配方之后)朝着用户的方向转变，由此也会使专家的角色从知识型定义者转换为监督者。因此，根据本发明，可在最初针对用户和数据池使用相对较小的数据集，从而使模型随着用户数量的增加而有机地成长。这也使得有可能对数据质量严格把关，并(例如)严格排除可能不一致的数据集。
[0018]
通过将结构化的用户反馈直接纳入到对单个产品特征的表达程度量化中，允许用户直接参与配制过程，并在同时获悉用户个人资料的情况下允许跟踪用户优先级的发展。
[0019]
一旦将特征向量分配给目标用户，个性化护理产品的配制就开始了。这是通过执行一种为成分和约束模型指定的优化方法而自动发生的，其中该方法优选地包括以下一个或多个约束：最小剂量、最大剂量、与其他成分的相容性限制。
[0020]
活性物质模型系统地捕获潜在成分，这些潜在成分各自的定量有效性与特定效果相关。这样捕获的效果整体上对应于前面描述的特征，从而可通过优化以算法确定与目标用户对应的活性物质的最佳组合。为了确保产品稳定性或(例如)期望稠度，需要添加其他成分。可随时间调整模型中包含的活性物质的集合。优选地，不使用可能危害健康的物质或含石蜡物质，以便最初将一开始就要捕获的可管理的物质的集合及其可用性和成本包含在模型中，以确定优先顺序。通过(例如)根据市场趋势和客户要求而添加其他成分，可使该模型随时间有机地成长。
[0021]
根据本发明可知，旨在使输入的特征向量与待算法确定的配方特征之间出现最大重叠的简单优化不会给出最佳配方，这是因为对算法的各个步骤没有相应的约束，所以无法确保该最终配方具有必要的相容性和稳定性标准。
[0022]
因此，根据本发明，增加了约束模型，在该约束模型中精确地捕获护理产品需要满足的所有约束的集合，并可由这些约束得出有效的配方。除剂量限制外，这些约束还优选地包括配对相容性限制以及足量碱组合的使用。
[0023]
已通过化学家及药剂师与建模及算法专家的密切合作，设计出活性成分和约束模型。
[0024]
通过采用优化方法(约束优化)，实现算法解决方案，用以搜索特征向量与待用算法确定的配方特征之间的最大对应关系，为用户提供最佳护理产品的概念，其中上述问题通常是不恰当的，因此需要相应地规范。对于活性物质和约束模型的概念以及适当的规范化，与建模及算法专家相关的领域专业知识都是必要的。
[0025]
根据本发明的另一有利实施方式，特征输入例程向用户提出问题，目的是为了输入用户的个人皮肤特征，以便捕获用户的以下多个数据点：皮肤类型、敏感度、刺激感倾向、血管或静脉的显现、色素斑、发红、肤色不匀、水分流失、紧致度、弹性、片状斑块倾向、皱纹、毛孔外观。根据本发明，从尽可能多的这些皮肤特征来生成用户向量。通过用户答题，以及通过对优选位置皮肤区域的摄影图像进行图像评估，实现信息的输入。
[0026]
根据另一有利实施方式，特征输入例程允许输入用户的其他与皮肤无关的数据：
性别、生活环境、压力水平、睡眠习惯、饮食、水消耗、吸烟习惯、旅行习惯、体育活动、紫外线照射，这些都是通过问答输入的。
[0027]
根据另一有利实施方式，特征输入例程允许输入用户对护理产品的目标质量要求，这些要求优选地包括护理产品体验、护理产品颜色和/或护理产品香味。
[0028]
优选地，为了获取特征，将答案与图像评估进行相互比较。优选在不同的照明光谱(红外光、红光、蓝光、紫外光)下进行拍摄，以便更好地确定个人特征。
[0029]
根据另一有利实施方式，学习向量集还包括其他用户的特征向量，从而由于这些用户的经验，使得配方的准确性随着用户的增多而提高。
[0030]
根据另一有利实施方式，损失函数优化方法通过梯度法或蒙特卡洛算法确定全局最小值。
[0031]
损失函数优化方法使用如下损失函数：
[0032][0033]
其中fv
customer
为目标特征向量，fv
product
为护理产品特征向量，
[0034]
以及b＝0.01。
[0035]
使用以下指标函数：
[0036][0037]
其中，1等同于配方中含有某组分，0等同于配方中不含某组分。
[0038]
优选的蒙特卡洛算法具有以下顺序：
[0039]
step n
→
n+1
[0040]
·
对于随机活性物质j，存在(＝1)或不存在(＝0)在iv向量中互换；
[0041]
·
计算损失值l
(n+1)
；
[0042]
·
将l
(n+1)
与l
(n)
的先前值进行比较；
[0043]
·
如果l
(n+1)
≤l
(n)
，则接受该步骤；
[0044]
·
如果l
(n+1)
》l
(n)
，则以标准玻尔兹曼概率exp((l
(n)-l
(n+1)
)/t)接受或拒绝该步骤。
[0045]
·
其中，t是归一化参数，其在每一步中减小因子t
(n+1)
＝f
·
t
(n)
，其中0《f《1。在本发明所述的应用中，(例如)f＝0.995是稳定的。该算法在几十万步后收敛。
[0046]
在梯度法中，步骤n
→
n+1与以下内容类似：
[0047]
·
对于ivj中的每个j，基于当前iv向量交换“存在”或“不存在”；
[0048]
·
计算每个新向量iv的l；
[0049]
·
接受l最低时的改变。
[0050]
该算法在几千步后收敛。
[0051]
根据本发明的一实施方式，所述目的是通过一种用于自动确定用户个人护理产品配方p
user
的方法实现的，该个人护理产品配方p
user
由不同数量λj的多种成分ij组成：
[0052]-其中，所述成分ij可由总量为m(1≤j≤m)的可用成分im确定；
[0053]-以具有特性总数n中的多种特性fi的用户目标组合物pz为基础，其中将每种特性fi(1≤i≤n)确定为具有程度αi和优先级βi；
[0054]-其中，程度αi通过指示该特性的用户期望强度；
[0055]-其中，优先级βi通过指示用户所需的优先级；
[0056]-并且将用户特定性成分矩阵i
user
确定为i＝(δ
i,j
)∈[-1,1]
nxm
，其表明如何通过使用成分ij的量λj＝1，使产品组合物中的特性fi的程度αi发生变化；
[0057]-其中，对于每种成分ij，指定单位重量或体积的特定价格pj，并由此确定用户特定性价格p
user
＝(p1,p2...pm)；并且使用下式所示的损失函数优化方法argmin(λ1,λ2...λm){f(λ1,λ2...λm)}确定产品组合物p
user
：
[0058][0059]
其中γ1,γ2∈[0,1]，分别为优先考虑质量和价格时的权重；并且根据以下三个约束来确定p
user
、i
user
和p
user
：
[0060]
1.数量：c
quant
＝{λ1+λ2+...+λm＝λ
max
}
[0061]
2.最大剂量：c
max
＝{λ1≤λ
1max
,λ2≤λ
2max
…
λm≤λ
mmax
}
[0062]
3.不相容性：c
nc
＝{(k,l)∈{1,2
…
m}2|ik不能与i
l
结合}
[0063]
并且将所确定的产品组合物p
user
输出到护理产品生成单元，用于生成含有该产品组合物p
user
的护理产品。
[0064]
具有的优先级βi尤其可通过用户使用输入装置进行预先输入来指定，其中适当时可同时考虑一般存储的值。
[0065]
通过选择相应的系数γ1进行质量加权。价格加权类似地通过系数γ2进行。通常，这些系数γ1和γ2∈[0,1]的选择应确保γ1+γ2＝1。在这种情况下，通过系数选项γ1＝γ2＝0.5实现质量和价格的同等权重。
[0066]
优化问题的解对应于argmin(λ1,λ2...λm){f(λ1,λ2...λm)}。
[0067]
对于约束1，必须固定λ
max
。在这里，使用相对值并相应地设置λ
max
＝1是有意义的。对于约束2，在这种情况下，最大剂量λ
1max
、λ
2max
......λ
mmax
对应于与总配方相关的区间[0,1]中相应成分的相关部分。实际上，λ
imax
值受到化学和监管约束。例如，如果在配方中可能使用壬二酸，那么壬二酸不得过量使用：例如，如果允许壬二酸在总配方中的最大含量为25％，则必须设置相应的值λ
imax
＝0.25。
[0068]
对于约束3，必须完全捕获不相容性。例如，aquaxyl
tm
不得与水杨酸或生物胎盘结合使用。水杨酸也不得与生物胎盘结合使用。相应的约束如下：
[0069]
cnc＝{(aquaxyl
tm
,水杨酸),(aquaxyl
tm
,生物胎盘),(生物胎盘,水杨酸),(水杨酸,aquaxyl
tm
),(生物胎盘,aquaxyl
tm
),(水杨酸,生物胎盘)}。
[0070]
通过梯度法或蒙特卡洛法确定全局最小值。
[0071]
对于向护理产品生成单元输出产品组合物p
user
，其既可通过输出可用于控制护理产品生成单元的相应数据记录而间接进行，也可通过直接启动基于产品组合物p
user
的护理产品的生成而直接进行。
[0072]
下面用一具体实施例来说明蒙特卡罗算法的顺序。
[0073]
由学习向量集训练的神经网络首先从用户向量生成用户特定性特征向量f
user
，该
特征向量f
user
定义护理产品配方的特征或特性。例如，这将生成以下特征向量(右列)。与特征向量的分量的相应定量值相对应的特征列于左列。
[0074]
特征特征向量ff1：防紫外线辐射0.0f2：防止水分流失0.6f3：消除干斑0.6f4：消除油性t区0.0f5：消光效果0.0f6：适用于敏感肌肤0.4f7：消除肤色不匀0.4f8：消除发红0.6f9：防城市烟雾0.4f
10
：治疗色素沉着过度0.0f
11
：减少皱纹0.0f
12
：细化毛孔0.0f
13
：治疗无光泽皮肤0.0f
14
：防蓝光0.4f
15
：治疗剃须后发红0.6f
16
：治疗吸烟者皮肤0.0f
17
：抗老化效果0.4f
18
：适合睡眠不足0.0
[0075]
特征向量的各个分量无例外地是闭合区间[0,1]中的实数，其中0等同于没有对所讨论特征的表达，1等同于最大表达。
[0076]
也通过举例方式给出下面的活性物质模型，以演示算法过程。
[0077]
该缩减的活性物质模型例如仅包括成分arctalis
tm
，其效果在这里被量化，类似于各个特征的特征向量。其组分为“水、丙二醇、黄原胶、辛酸甘油酯、假交替单胞菌发酵产物提取物”。
[0078]
该量化的要素无例外地是封闭区间[-1,1]中的实数，其中0等同于所讨论特征的无效性，1等同于最大有效性。与特征向量相反，如果成分对各自的效果产生负面影响，则此处也明确允许负值。例如，这可从成分arctalis
tm
的量化中看出。
[0079]
arctalis效应成分向量ii1：防紫外线辐射0.0i1：防止水分流失0.8i2：消除干斑0.4i3：消除油性t区-0.2i4：消光效果-0.2i5：适用于敏感肌肤0.4i6：消除肤色不匀-0.2i7：消除发红0.0
i8：防城市烟雾0.0i9：治疗色素沉着过度0.0i
10
：减少皱纹0.6i
11
：细化毛孔-0.2i
12
：治疗无光泽皮肤0.0i
13
：防蓝光0.2i
14
：治疗剃须后发红0.2i
15
：治疗吸烟者皮肤0.0i
16
：抗老化效果0.6i
17
：适合睡眠不足0.0
[0080]
必须在活性物质模型中类似地捕获其他活性物质(例如品牌名“b-circadin”、“neurophroline”或“hysilk”)，并且必须在用作护理产品基础的化学复合物中捕获这些活性物质。
[0081]
此外，必须在约束模型中指定哪些成分的组合是不允许的。例如，arctalis
tm
不应与水杨酸结合，如下所示。
[0082][0083]
在本实施例中，蒙特卡洛算法已在约15,000次迭代后收敛。因此，该算法确定了用于正常皮肤的产品基配方，该配方包含arctalis
tm
、neurophroline
tm
和这4种组分。
[0084]
以下将参考附图并基于优选的示例性实施方式来更详细地描述本发明，附图如下：
[0085]
图1：该方法所用设备的框图；
[0086]
图2：本发明所述方法的框图。
[0087]
图1示出了用于执行该方法的设备10的框图，其中设备10包括特征输入单元12，特征输入单元12包括用于用户输入交互式数据的交互单元14。交互单元14优选地包括一屏幕，用于向用户呈现问题，用户可通过按钮、交互式屏幕或声音来输入这些问题。特征输入单元12还包括照片输入单元16，用于生成皮肤区域的照片图像，例如用户的鼻子、前额或下巴区域或者手背。数据处理单元18可对通过特征输入单元12输入的用户数据进行评估，并生成用户向量，该向量储存在存储器单元20中。
[0088]
用户向量可具有大量分量，这些分量由向用户所提问题的答案确定。具体如下：
[0089]-年龄；
[0090]-性别；
[0091]-一般皮肤状况，答案选项有“极度干性”、“干性”、“油性”、“混合性皮肤”、“正常”；
[0092]-皮肤敏感度，答案选项有“不敏感”、“敏感”和“过敏”；
[0093]-皮肤类型的自我评估，答案选项有i至vi类，例如“iii类皮肤在夏天容易晒黑，固有保护时间约为30分钟，这种类型的人很少长雀斑，偶尔会被晒伤，头发呈中金色至棕色”；
[0094]-早上清洁或使用产品前的皮肤状况，答案选项有“干燥和紧绷”、“某些区域呈干性”、“油性”、“仅t区呈油性”、“正常”、“不知道”；
[0095]-剃须后的皮肤刺激感，答案选项有“从不”、“偶尔”、“经常”、“总是”；
[0096]-皮肤过敏的二元答案选项有“是”和“否”；
[0097]-静脉可见性的二元答案选项有“是”和“否”；
[0098]-晚间皮肤状况，答案选项有“普遍干性”、“部分干性”、“油性”、“正常”、“不知道”；
[0099]-怀孕的二元答案选项有“是”和“否”；
[0100]-用户对太阳辐射程度的主观评级，答案选项有0至4。
[0101]
在用于输入用户的至少一个皮肤区域的图像数据的图像输入例程中，优选地要求用户进行所谓的“自拍”，即拍摄面部图像，并优选地根据以下标准对该面部图像进行评估和加权(0-100％)：
[0102]-皮肤类型；
[0103]-敏感度；
[0104]-刺激感倾向；
[0105]-血管或静脉的显现；
[0106]-色素斑；
[0107]-发红；
[0108]-肤色不匀；
[0109]-水分流失；
[0110]-紧致度；
[0111]-弹性；
[0112]-片状斑块倾向；
[0113]-皱纹；
[0114]-毛孔外观；
[0115]-下眼圈；
[0116]-眼袋；
[0117]-皮肤的反射特性。
[0118]
然后根据输入的数据自动创建用户向量。
[0119]
数据处理单元18包括多层神经网络22。在存储器单元20中储存有至少一个学习向量集，用于网络22的学习。由学习向量集训练的神经网络22从用户向量生成特征向量，该特征向量包含护理产品配方的特征。
[0120]
学习向量集包含可用作护理产品配方组分的物质的特性间相关性，以及与其他物质的相互作用。基于皮肤病学专业知识，以及优选地基于从其他用户获得的知识，生成学习向量集。
[0121]
根据使用先前确定的护理产品配方对用户所做的先前护理，以及根据在反馈回路中产生的效果，进一步更新学习向量集。为此，在使用特定护理产品配方进行护理之后，交互单元14可向用户输出关于某些皮肤特征的改善或恶化的问题，且答案将被纳入学习向量集中。
[0122]
数据处理单元18与数据输出单元24连接，且数据输出单元24输出如上确定的护理产品配方。数据输出单元24可包括视觉显示设备。数据输出单元24可与护理产品生成单元26耦合，且护理产品生成单元26根据数据输出单元24中的配方来混合护理产品。为此，护理
产品生成单元26包含多个容器28以及一混合装置30，这些容器28用于容纳可能或必然是待生成护理产品的组分的物质，且混合装置30根据确定的护理产品配方将来自容器28的物质混合成护理产品，并将该护理产品分配到合适的容器中。
[0123]
图2再次示出了配制过程。在交互式数据输入步骤100中，用户通过答题来输入关于他或她的皮肤概况的数据。在光学数据输入步骤102中，使用相机拍摄一个或多个皮肤区域的多张照片。在步骤104中，特别是通过数据处理算法进行数据评估，以便从摄影图像中提取出特定的皮肤特征。在步骤104中还利用所获取的图像信息进行合理性检查，以确定用户输入的皮肤特性是否对应于光学检测的皮肤特性。如果存在差异，可以向用户提出补充问题，或者可拍摄进一步的照片，例如在其他照明角度或其他照明光谱下拍摄照片，并进行评估。由此在步骤104中确定用户向量106，其包含与配方或多或少相关的所有用户信息。
[0124]
在步骤108中，多层神经网络基于用户向量106以及存储在知识数据库110中的学习向量集，生成包含待确定护理产品配方的特征的特征向量112。
[0125]
在步骤114中，通过基于成分约束数据库116的优化方法以及损失函数优化方法，从特征向量112确定护理产品配方118。
[0126]
在步骤120中，基于护理产品配方118从可用物质生成护理产品，并将该护理产品填充到适合用户的容器中。
[0127]
用户随后将在1-3周的适当时段内，将护理产品应用于皮肤。用户可观察效果，然后在与交互式数据输入步骤100非常相似的步骤122中输入他或她的经验和观察；这些经验和观察储存在用户数据库124中，并且在随后的配制周期中成为学习向量集的一部分，用于步骤108中神经网络22的学习。