人类绩效优化与训练的方法及系统

摘要

本发明提供了基于所选择的标准来分析个人状态，然后与建立的基准和预设计划相比自适应地提供刺激以影响个人绩效的系统和方法。方法或系统能够向人类主体提供音频和/或触觉输入以获得特定的绩效状态。音乐或声音选择引擎考虑感官和环境输入，并在14处选择合适的音乐或听觉刺激，旨在达到所需的心流状态。方法及系统可利用与主体的情绪状态相关联的个人数据的多项测量。通过操纵传送到个人的刺激，最终绩效可在各种计划周期得到提高。

说明书

相关申请的交叉引用

本申请要求于2015年1月5日提交的申请号为62/099918的美国临时专利申请的权益，其全部内容通过引用并入本文。

技术领域

本申请总体涉及人类绩效(performance)科学，以及涉及使用反馈来优化人类绩效的方法及系统。

在整个说明书中引用了一些科学文献类文章，其各自的全部内容通过引用并入本文。

背景技术

认知心理学和职业工效学领域作为对日益科技化世界的回应出现在20世纪中叶。认知心理学是对人类心理状态和心智功能的科学研究，并试图回答关于学习如何发生、注意力如何保持或丢失以及数据和信息的感知的问题。进一步地，认知心理学试图发现推理的途径、语言的运作和使用、概念发展如何发生在人类中以及如何进行决策。在对术语的现代心理学理解中，认知将人脑模拟为复杂的计算机系统，试图解释它的许多奥秘。职业工效学是对人与其工作环境之间的关系的科学研究，重点是绩效优化以及健康和安全。职业工效学的一个目标是确保工作或绩效环境充分理解和考虑到人类的解剖学、生理学、神经学、人体测量学和生物力学。

体育科学是最近成立的学科，其吸取了医学、生理学、心理学和生物力学的历史价值，因为这些学科与运动背景下的人类绩效有关。

可选地被称为“心流(flow)”或“化境(zone)”的最佳体验的概念是体育科学的常见问题。心理学家Mihaly Csikszentmihalyi对心流的概念进行了研究，并将其描述为当一个人的目标明确、反馈即时、并且在机会和能力之间存在平衡时的一种愉快的心理状态。换言之，心流的前提条件是人类主体的注意力集中于其差不多力所能及的焦点，其中不存在或几乎不存在诸如冲突、干扰、矛盾、无聊和焦虑的外部变量。

在不同领域中已经对心流的概念进行了描述。音乐家和艺术家已描述了一种毫不费力的关注和放松的状态，其中在不存在艺术家意志的情况下艺术通过艺术家表达自己。运动员形容达到其中不存在有意的努力但随着事件的展开实现了高绩效的“化境”。视频游戏玩家体验与他们正在玩的游戏“合一”，以及计算机程序员进入一种时间似乎消失了的具有无与伦比的生产力的变异状态。武术家将心流的概念与“无意识”不自觉的禅境(Zenstate)相关联，在“无意识”不自觉的禅境中，心理状态独立于结果，并因此向当前实际正在发生的事情敞开胸怀，而不用担心将会发生什么。其他人将它定义为一种时间不存在的状态(时间的流逝不明显的)，进入心流状态的参与者，当他们身处其中时，其意识不到是否存在几分钟或几个小时的流逝。

虽然达到心流状态被描述为具有极高的心理愉悦程度，并且绩效优势在许多需要奋斗的领域得到认可，但是心流的出现主要还是凭运气。一旦经历过，人类主体就有可能复制导致达到这种心流的环境，但心流的实际培养主要是内向型(inward-looking)或冥想的学科。即使具有最高级别的准备和最清晰、最勤奋的目标设定实践，但有意志力地且坚持地进入心流状态一直是在人为控制的环境之外的难以捉摸的目标。在运动员中将被引起的心流状态可能根据训练周期而不同，并且可能包括增大活动水平的驱动力，也可能包括减弱活动水平的驱动力两者。该目标可由运动员即刻设定，或由运动员或其教练设定为长期训练目标。

在一项研究中，多次演奏作品的专业钢琴演奏家在达到心流状态时被研究。参见2002年牛津大学出版社出版的Parncutt，R.等人编著的《音乐表演的科学与心理学：教与学的创新策略(The Science&Psychology of Music Performance：Creative Strategiesfor Teaching and Learning)》，第119页。在心流状态下，表演者表现出与放松相关的状况：心率和血压降低，以及面部肌肉松弛。在体育运动中，还进行了心率变异性研究，以量化心血管系统的杰出表现属性，但是理解体育运动期间的心血管系统和自主神经系统之间的相互作用仍是一道难题。参见2003发行的《体育医疗(Sports Med)》第33卷，第12期，由Aubert，A等人编著的《运动员的心率变异性(Heart Rate Variability in Athletes)》。

在著名的论文《刻意训练在获取专家表现中的作用》中，作者认为任何努力中获得的专长需要10000小时的经验的积累，这一主张常被称为“10000小时规则”或“刻意训练框架”。《心理学评论(Psychological Review)》，第100(3)卷，1993年7月，第363-406页。Eriksen后来解释说，任何一个健康的人一旦积累了10000小时的练习，就可以拥有杰出的表现，这让评论者们认识到，积累这一水平的练习经常涉及承诺、目标设定和关注以及单独花费的时间。参见2013年企鹅出版社出版的由Epstein，D.所著的《运动基因：在非凡的运动表现科学内(The Sports Gene：Inside the Science of Extraordinary AthleticPerformance)》第24页。

特别是通过职业工效学已经广泛研究环境对专注力和人类绩效的作用。虽然很好地理解噪声作为对认知、学习和表现分心事物的作用，但音乐的作用尚不明了。参见2007年发行的《职业工效学(Occupational Ergonomics)》第7期，第143至152页，由Dalton，B.等所著的《噪声和音乐对人类任务绩效的影响：系统评价(Noise of noise and music onhuman task performance：A systematic review)》。音乐可以增强认知、学习和绩效，或者可以减轻这些。在诸如驾驶的复杂任务中，音乐的存在或不存在已被证明是绩效的决定性因素之一。同上著，第145页。在阅读期间，音乐可能会像噪声一样使人分心，但在其他研究中，音乐则提高了绩效。不幸的是，现有文献中的研究不完整，并没有确定地描绘音乐的哪一特征(音调、旋律、节奏、速度)会对表现产生积极或消极的影响。同上著，第147-149页。

发明内容

示例性实施例基于所选择的标准采用个人状态的多变量分析，然后与确定的基准和预设计划相比自适应地提供刺激以影响表现。在更具体的示例性实施例中，方法或系统向人类主体提供音频和/或触觉输入以获得特定的表现状态。

如图1A所示，框图10示出了说明性实施例。如下面更详细描述的，用户的背景和绩效12通过各种传感器和其他数据源收集。音乐或声音选择引擎考虑感官和环境输入，并在14处选择合适的音乐或听觉刺激，旨在16处达到所需的心流状态。对于本公开的目的，“心流”广义上旨在包括与实现预定绩效水平相关联的情绪状态。本公开包含并描述可以与情绪状态或“心情”相关联的个人数据的多项测量。图1A所示的说明性系统被示为回路，其中刺激14与更新的用户背景和表现数据12连续相关。最终，心流状态随着时间的推移而被调节，以实现预期的表现、运动等。

图1B描述了另一说明性实施例。如下文更详细描述的，用户的背景和绩效22包括通过各种传感器和其他数据源收集的个人用户个人数据24和环境数据26。如下面更详细地讨论的，背景和表现数据22可以包括但不限于：诸如GPS位置的信息、速度数据、速度变化率信息、实时和/或预测气象数据(例如风速、温度、降水、警报)、加速度计数据、陀螺仪数据、罗盘数据、环境光线水平、体温、高度计数据、湿度、血氧饱和度、脉搏率、心率变异性、眼动、颌紧张感(jaw tension)、头部方向、姿态数据、微痛苦表情或面部姿态数据、听觉诱发电位数据、P300响应数据、EEG数据、声学数据、语音模式识别数据、阻抗、二氧化碳数据、环境O2数据等。

在28处，所收集的数据被实时或近实时地馈送到刺激选择引擎。特征提取程序选择最重要的特征馈送以用于选择可以是如下面进一步讨论的音频或音乐、或视觉或触觉的刺激。刺激选择引擎考虑感官和环境输入以及短期目标和长期目标(如训练计划)，并在30处，选择适当的音乐或听觉刺激，旨在达到预期的心流状态。可以在说明性实施例中应用音乐或听觉刺激。在32处，刺激被传送给用户。当在34处，无论是通过用户输入信号还是通过预定的感测条件的组合(系统再次从感测的数据执行特征提取程序以确认用户处于正确的心流状态)指示心流状态时，将其与期望的心流状态进行比较。如果尚未达到所期望的心流状态，则系统可返回到起始位置。然后可以在30处修改刺激以调节相关特征，以负或正来调整心流状态以符合下文更详细讨论的绩效计划。图1B所示的说明性系统被示为回路，其中所修改的刺激随后与更新的用户背景和绩效数据22相关联。最终，心流状态随着时间的推移而被调节，以实现预期的表现、运动等。

如下面更详细地讨论的，图1C的说明性实施例包括可以在一段时间内实现的绩效计划18。如下面进一步详细讨论的，可以借助于教练19或其他可信方来监视和/或实施说明性的绩效计划。绩效计划可以在几小时、几天、几个月或几年的时间内实施。教练可以包括多于一个教练，并且辅导实体可以向多个过程10提供绩效训练辅助。

本发明的示例性实施例的另一方面采用统计模式识别技术来将各种用户数据的分类器导出为基于绩效的类别。本发明的示例性实施例的另一方面使用反馈控制回路理论来向用户提供刺激，以便优化用户绩效并实现所期望的基于绩效的分类中的归属关系(membership)。本发明的示例性实施例的另一方面使用音频刺激来刺激表现目标。本发明的示例性实施例的另一方面是使用嵌套控制回路来实现短期和长期的绩效目标，以便随着时间实现绩效训练目标。本发明的示例性实施例的另一方面是从典型个体收集并汇集数据，以便导出基于绩效的类别。本发明的示例性实施例的另一方面是从经受音频刺激的大量个体收集和汇集数据并处理数据，以揭示用于构建基于人类绩效的分类器的统计相关的人类绩效判断特征。

本发明的示例性实施例的另一方面包括用于收集基于表现的数据的装置和系统。

本发明的示例性实施例的另一方面包括用于通过使用可穿戴装置、便携式智能计算装置、便携式和台式计算机、大型计算机和网络服务器来控制数据处理、数据采集和模式识别以及实现背景感知控制回路的软件应用。

本发明的示例性实施例的另一方面包括一种基于以人类绩效为基础的标准从多个刺激中选择刺激的方法。

根据说明性实施例，公开一种用于优化人类主体的活动绩效的系统和方法，该方法通过包括至少一个处理器和至少一个存储指令的存储器的系统来执行，当该指令被执行时会使系统执行该方法，该方法包括获取与主体有关的数据；将数据传送到刺激选择引擎；用刺激选择引擎从多个刺激中选择刺激；将所选择的刺激输出到主体；确定主体的心流状态值。

系统或方法采用包括以下中的至少一个的背景和绩效数据：GPS位置、速度数据、速度变化率信息、实时和/或预测气象数据、加速度计数据、陀螺仪数据、罗盘数据、环境光线水平、体温、高度计数据、湿度、血氧饱和度、脉搏率、心率变异性、眼动、颌紧张感、头部方向、姿态数据、微痛苦表情或面部姿态数据、听觉诱发电位数据、P300响应数据、EEG数据、声学数据、语音模式识别数据、阻抗、二氧化碳数据或环境O2数据。

在另一示例性实施例中，公开一种系统，其包括：环境传感器模块、个人传感器模块、绩效计划模块和输入模块，所述环境传感器模块、个人传感器模块、绩效计划模块和输入模块联接到与背景模块、特征验证模块、用户反馈控制回路模块和刺激选择模块以及其他模块联接的数据存储模块；所述数据存储模块，其用于存储由所述背景模块、特征验证模块、用户反馈控制回路模块和刺激选择模块所使用的数据和软件指令代码；输出模块，其联接到数据存储模块；资源模块，其联接到数据存储模块；背景模块，其从数据存储模块接收包括环境和个人数据的数据并计算用户当前状态的表示或模型。

说明性系统可以进一步包括联接到数据存储模块的特征验证模块；联接到背景模块的主体反馈控制回路模块；以及特征验证模块；其中控制回路模块管理向用户传送刺激以增加或减少当前表现来试图紧密地匹配绩效计划模块的参数。

说明性系统可以进一步包括主体反馈控制回路模块和联接到用户反馈控制回路模块的可信方反馈模块，其使得与绩效计划上的用户轨迹相关的信息被发送到可信方。

说明性系统也可以具有联接到刺激选择模块524的用户反馈控制回路模块520，其中所述刺激是如由用户反馈控制回路模块所建模的被确定为改变用户绩效的音频或音乐刺激，以便使当前观测到的背景表现符合绩效计划模块的输出。

在说明性系统中，刺激选择模块可以被配置成基于通过特征验证模块识别的特征的衰减或放大来修改刺激。

附图说明

图1A、图1B和图1C示出示例性系统框图。

图1D示出根据说明性实施例的示例性耳机。

图2A示出根据说明性实施例的示例性系统。

图2B示出采用图2A的系统的说明性生态系统。

图3示出根据说明性实施例的示例性嵌套控制回路。

图4A示出根据说明性实施例的示例性比例反馈控制方案。

图4B示出根据说明性实施例的示例性比例积分反馈控制方案。

图5示出根据说明性实施例的示例性系统框图。

图6示出增大的低音水平对最大心率变异性的影响。

图7示出增大的低音水平对特定练习的影响。

具体实施方式

现在将详细地参考本发明的示例性实施例，示例性实施例的示例在附图中示出。尽可能地，将在整个附图中使用相同的附图标记来指代相同或相似的部件。

系统

作为音乐识别和音乐推荐引擎的现代软件应用或“app”同样是广泛可用的。诸如SHAZAM的在线服务依靠被称为声纹(acoustic fingerprinting)识别的技术以基于下列步骤以适当的高准确度来识别歌曲：使用智能手机麦克风或其他装置对歌曲进行采样，将样本处理为模式，然后将该模式与存储在包含成千上万首歌曲的数据库中的模式进行匹配。声纹识别可以识别歌曲，但其本身不能推荐用户可能喜欢的歌曲。PANDORA是一种广泛使用的在线收听服务，其允许用户输入“种子”歌曲以创建“电台”。基于所输入歌曲的“遗传学”，PANDORA可以咨询为许多音乐属性打分的庞大的歌曲“基因组”数据库，并为用户创建基于“种子”预测用户同样喜欢的歌曲的播放列表。诸如SPOTIFY的其他收听服务具有以不同的方式工作的“更多相似歌曲”的推荐功能，其过去基于协同过滤，但最近被描述为使用基于卷积神经网络的深度学习方法进行重新开发。基于小波的方法，诸如小波包，也被研究用于音乐选择中。参见1994年出版的期刊《音频工程学会(Audio Engrg Soc)》第42卷，第10期，第808-818页，由J.Berger，R.R.Coifman和M.J.Goldberg所著的《使用本地三角基和小波包来移除音乐的噪声(Removing Noise From Music Using Local Trigonometric BasesAnd Wavelet Packets)》。另见1994年出版的1994IEEE-IMS研讨会《信息理论与统计学报(Proceedings on Information Theory and Statistics,)》中由R R.Coifman和N.Saito所著的《分类和回归分析的最优基数的选择(Selection Of Best Bases ForClassification And Regression)》。

已经探索了在运动训练环境中使用生物医学信息，例如使用脉搏血氧仪。参见2012年4月至6月出版的期刊《运动训练教育(Athletic Training Education)》，第7卷，第2期，第74-80页，由D.Berry等人所著的《教导教育者(Educating the Educator)：运动训练中脉搏血氧仪的使用(Use of Pulse Oximetry in Athletic Training)》。

虽然智能手机、可穿戴技术及其相关软件应用提供了前所未有的大量原始数据和功能，然而现代用户不具有关于如何优化他或她的绩效的可操作信息。几乎所有的事物都留给用户追求绩效目标，以便整理出如何使用来自这些各种工具的数据，希望监控能够显示他或她“正在做正确的事情”。然而，绩效优化的方法仍然陷于古老的试错原则中，并且植根于用户当前的情绪、感知和记忆-它们每个都是主观的、不可靠的，并受制于有意的或无意的修改。

耳机

现代音频硬件和软件提供了从个人装置到公共广播系统的无数种音响系统。个人系统可以包括诸如SKULLCANDY 50/50的入耳式耳塞、诸如SKULLCANDY CHOPS的用于运动或娱乐用途的运动耳机、诸如SKULLCANDY CRUSHER的耳机、诸如SKULLCANDY PLYR的无线耳机、诸如SKULLCANDY AMBUSH的无线扬声器，以及有线扬声器。SKULLCANDY产品可从美国犹他州帕克市的Skullcandy公司(Skullcandy,Inc.)购买。音频播放器可作为诸如无处不在的APPLE IPOD的独立装置购得或捆绑在诸如同样普遍存在的SAMSUNG GALAXY的智能手机上，或捆绑在诸如可从法国伊妮市的Archos购买的ARCHOS 5网络平板的其他装置上。

如图1D所示，耳机100的示例性实施例可以包括用于右耳102和左耳104的独立入耳式听觉电话或耳塞。本发明可以通过使用外挂式耳机或单耳耳塞来实现。还可以设想，可以在适当的设置中使用环境扬声器、公共广播或其他传输音频信息的手段。在说明性耳机100中，每个耳塞包括插入耳道中并有助于将耳塞保持在耳朵内的耳塞凝胶106。声音传送机构可以包括由诸如耳塞中的两个或更多扬声器组合的多个声源。耳塞还可以包括用于评估配合质量、耳道中的噪声、声阻抗或与传送到耳膜的声音的参数相关的其它参数的本地面向内的麦克风或压力传感器。在用户佩戴耳塞的整个时间内，可以监视这种配合质量，并且尽管机械和声学配合随时间变化，(在相同的声音刺激中)改变声音特性以确保传送到耳膜的实际声级和频率保持一致。耳塞凝胶安装在壳体108上，在示例性实施例中壳体108可以包含一个或多个诸如扬声器的音频驱动器，和/或一个或多个麦克风压力传感器和处理电子器件，以及在一些如下所述的实施例中的传感器。虽然设想通过蓝牙或其他无线通信协议进行无线接收，但在一些实施例中，缆线110将耳机100连接到相关的音频源。缆线110还可以设有用于手动调节包含在耳机100上的各种特征的控制(未示出)。用于被连接的音频源的诸如歌曲跳过、快退、快进、音量等的控制都属常规控制。可以提供额外的控制来激活或停用如下所述的各种传感器，以及标记一些事件以供将来参考，例如当耳机佩戴者达到或未达到预定义的主观或客观绩效目标时，等等。

在说明性实施例中，耳机100设置耳挂部112，其可以通过旋转铰接部114以已知方式连接到外壳延伸部116。挂部和/或外壳延伸部可以包含耳机100的处理电路以及下述的各种传感器。壳体108的缆线延伸部1180为外部缆线110提供入口点，以及用于处理电路和传感器的空间。可选地，传感器可以设置在耳塞的壳体108或者其它保持功能(例如稳定器、翼、头带等)中。

在耳机100的说明性实施例中，提供放大器以向用户提供触觉的或触觉型的刺激。这可以使用来自耳机102和104中的音频驱动器或扬声器的低音声频来实现，或者单独的振动器可以被设置在耳机100中或作为单独的外围设备设置在外部(未示出)。

传感器

可穿戴技术同样是广泛可用的。在用户携带的同时，智能手机提供了大量的传感器和数据收集潜力。例如，在APPLE IPHONE中，显示对多个触摸传感器做出响应。当手机被拿到用户的耳朵旁时，接近传感器关闭显示和触摸屏。环境光线传感器调节显示亮度。三轴加速度计感测手机的方向，其允许显示从纵向更改为横向并用于游戏控制。例如，磁力计用于驱动罗盘应用。通过参考加速度计和磁力计可以完全地表征IPHONE的方向。陀螺传感器有助于表征装置如何移动。辅助GPS技术提供精确的地面位置数据。IPHONE6/6+还包括用于测量环境大气压力的气压计。其他可穿戴技术产品包括可从美国加利福尼亚的旧金山Fitbit公司(Fitbit,Inc.)购买的FITBIT SURGE。FITBIT SURGE是一种以手表式形式包装的支持无线功能的活动跟踪器。FITBIT SURGE包含3轴加速度计、陀螺仪、磁力计、环境光线传感器、GPS和心率监测器。它还包含将其与智能手机的，诸如来电显示、文字提醒、以及对音乐播放器的控制的其他功能相关联的智能手表功能，。

在这里描述的说明性实施例中考虑了各种传感器。传感器可以安装在耳机100上或耳机100中，或者可以存在于可用于本发明的诸如APPLE IPHONE或SAMSUNG GALAXY的智能手机的其他装置中，或者可以存在于诸如FITBIT SURGE的活动跟踪器中，或者作为连接到或联网到本发明的系统中的单独的传感器。在下面对系统中的部件的以下描述中，应当理解的是，除非意思相反地特定描述，否则单数可以表示复数形式，反之亦然。

在功能方面，图1D的耳机100可被配置为独立形式，其具有所有的音频传送硬件、用于数据输入/输出和相关处理的通讯能力、用于控制音频传送和传感器控制的处理能力以及电源。另一方面，耳机可以是诸如SKULLCANDY CHOPS入耳式耳机的仅用于音频传送的现有技术的常规耳机，并且相关功能由系统中的其他装置获得。图2A在功能上描述了系统200的各种部件，而不考虑形状因数，图2B描述根据说明性实施例的系统200所处在的生态系统。在最广泛含义上的系统可以包括用于处理一个或多个输入的一个或多个微处理器202。下面进一步描述的这些输入可以包括环境数据204、个人数据206和/或绩效计划208。一个或多个微处理器202可以提供可以包括视觉输出210、音频输出212和/或触觉输出214的一个或多个输出。在说明性实施例中，视觉输出可以包括通过SMS、电子邮件或其他协议发送到充分配置的接收装置的文本消息。

图2B的生态系统示出处于中心的用户220。局部范围(local sphere)222包含在下面的说明性实施例中更详细地讨论的通常处在用户220附近的系统200的用户和元件。全局范围(global sphere)224包含局部范围222和下面进一步讨论的同样联网的资源。

在具有用户的局部范围内是网络连接节点226，其可以是蜂窝、WiFi、卫星或为固定用户接入电线。网络连接节点226允许与全局范围224、远程可信方248和基于云的资源250通信。局部范围222内的其他功能可以无线连接或通过有线连接而连接到用户界面。可以在智能手机、诸如耳机100的可穿戴技术上单独设置可穿戴式传感器228。智能手机230提供作为个人数据助理、作为通信装置或作为联网资源的多功能支持。摄像机232提供图像数据。手动输入234允许用户提供的数据进入局部范围，或允许由本地可信方提供的数据进入局部范围。还可以设置计算机236和平板238用于输入和输出以及处理功能。本地数据库240可以存储环境数据202、个人数据204或绩效计划206以及系统200所需的各种其他数据。

全局范围包括包括含有本地和广域网络242的互联网、联网数据库244以及包括电子邮件、文本消息(SMS)或经由其他通信协议的消息传送的消息传送能力246的联网资源。

如图2B中示意性地进一步示出，生态系统包括可信方248和云250。示出云连接到全局范围224，但也可提供给局部范围222中的连接资源。云250包括集中的数据处理和存储能力，并允许在多个用户220上聚合增强的数据。可信方248包括绩效计划208的保管人，以及可以访问系统的全局范围或局部范围或访问两者的资格认证人员。在示例性实施例中，可信方可以是教练、培训师、团队成员、家长、导师、教育者、顾问、主管、军事指挥官等。

返回到图2A，在说明性实施例中手动输入216也是可能的，以便用户可以修改或覆盖输入204、206、208或输出210、212、214，或提供其他控制，如音频播放控制、传感器选择或覆盖等。可以使用手动输入216将系统200链接到外部数据库或装置，提供诸如医疗历史和用户所服用的药物信息以及在绩效计划208中包含的其它信息。手动输入216广泛地涉及来自用户的本地输入，并且可以已知的方式使用已知的诸如键盘、滚轮、触摸板或触摸屏、智能手机、鼠标、耳机或可穿戴输入装置(例如，物理或“软”的按钮)等的外围输入装置进行。手动输入216还可以包括语言输入或声音输入。这些输入可以利用诸如APPLE的SIRI应用的知识导航应用来接口连接。可以提供自然语言用户界面来处理来自手动输入216的声音输入，或来自包含在环境数据204或个人数据206中的麦克风输入的声音输入。例如，用户可以请求历史绩效数据与在相似位置或其他背景中的当前绩效比较。还设想，包括在绩效计划208中的语言命令可以通过知识导航器执行以在处理器202上执行本地命令。例如，绩效计划可以包括对教练说出一个在知识导航器上播放并导致执行的命令的录音。知识导航器也可以用于调用其他联网资源，例如网页。例如，当跑步者在长跑期间时，它可以口头请求最近的药房的位置。

在说明性实施例中，被允许访问系统200的绩效计划保管人或其他可信方可以实时地直接访问输出。例如，教练可以在指示立即干预的时刻向用户提供音频消息。系统可以将这样的干预措施并入自适应地修改绩效计划208。

虽然描述了关于对单个用户的绩效计划的说明性实施例，但是应当理解的是，相同的概念可以应用于团队背景中。团队的每个成员都可以获得相同的基本绩效计划，但通过微处理器对202计划的执行可能会导致为该特定用户选择的不同的输出。如将理解的是，所选择的输出在特定背景中针对特定用户。

环境数据204涉及绩效正被监视的用户的位置。在许多情况下，GPS传感器可以提供地理位置数据，并且该数据可以用于获得与该位置相关的其它数据。例如，GPS坐标N40.724167N，W111.539731会将用户定位在犹他州帕克市的西乌特大道1441号(1441W.UteBlvd in Park City,Utah)处。使用互联网信息资源的简单调用功能可以提供实时的天气信息，如温度、降水、云层、风速和风向、日出和日落时间、湿度。也可以实时获得气象预警和警告信息，或预测在绩效计划实施时的权重。衍生信息包括环境光线条件、风寒、结冰条件、淹水等。基于GPS坐标的趋势，可以确定用户是静止的或处在室内。当与下面描述的可以包括生活习惯的个人数据相关联时，可以确定用户处在工作场所或中意的快餐店、健身房或培训设施中，因此不受环境天气条件的影响。然而，这些室内位置中的每一个将对训练计划产生不同的影响。通过处理器202参考智能手机或云上的用户日历也可以提供有用的背景信息。由各种第三方在选定的地理空间位置放置的信标或已知位置的其他信号发射资源也可用于确定位置或背景信息。

在说明性实施例中，设置传感器以提供用于一些或所有环境输入的测量值。例如，磁力计可以提供罗盘方向以计算方向或方位。环境光线传感器、IR传感器或UV传感器可以提供对日光或人工照明条件、阳光照射和UV照射下的曝光数据。诸如热电堆的温度传感器可以提供体温和/或环境温度信息。大气压力传感器可以提供GPS和室内/室外导航增强、天气预报、高度测量以及用户呼吸量测量数据。湿度传感器可以提供大气湿度数据。外部麦克风可以提供环境噪声信息，以帮助辨别模糊的位置确定，例如当用户处在度假地址时，通过提供与音乐表演场地一致的声音配置文件，系统将知道用户不处在位于同一地址的浴场中。氧气传感器可以提供可以与个人数据相结合以确定绩效计划的实施的环境O2浓度。

上面的传感器列表并不是详尽的，而是说明性的。通常预期，可以仅基于部分输入或基于用户手动输入他或她的位置，使用通过与数据库的有线或无线连接、联网或其他方式提供的任何未通过测量而获得的数据来获得或导出对用户环境的全面描述。

个人数据206涉及正被监视的个人的身体运动、方向和绩效。可以提供加速度计来测量加速度的大小和方向以及振动。加速度计数据可以用于计算用户的运动，例如脚步(即，计步器)、跑步的速度和距离或者步态的特征(例如，姿态和摆动阶段)。在接触性运动时，加速度计可以提供影响数据。加速度计数据也可以用于计算用户的自由落体，这可以在空中滑翔、自由式滑雪、蹦床、体操、冲浪、滑板等的训练中有用。陀螺仪可以提供用于计算方向的数据。结合加速度计和磁力计数据，可以计算传感器装置的方向，并因此(当已知用户相对于传感器的方向时)可以计算用户的方向。当传感器位于耳机100中，在耳塞102、104中的一个或两个中时，可以确定用户头部的方位。陀螺仪通常基于检测关于三维轴的角加速度的一个或多个振荡器。陀螺仪数据可用于确定姿态方向和稳定性、平衡、飞行或轨迹方向以及这些的变化率。单独地或另外，还可以将一组预定义或用户定义的动作或手势作为数据输入进行捕获。

在说明性实施例中也可以找到各种其他个人数据传感器。脉搏血氧计(pulse-ox)数据可用于显示用户的氧饱和度(SO₂)。脉搏血氧计通过将已知波长的光束穿过身体中的较薄组织来进行操作，并且处理吸光度的变化以与脉动血液的氧合水平相关。指尖是脉搏血氧计感测的常规位置，耳朵也是如此。在一个说明性实施例中，耳机100和耳挂部112提供用于脉搏血氧计发射器和接收器的位置。虽然SO₂不会单独用作疲劳或劳累的测量，但它可以是会影响训练计划的慢性过度疲劳发作的有用指标，或者指示需要休息以完全恢复。SO₂还可以帮助用户标示用户的高度气候适应(或缺乏)，或标示健康相关的情况，如贫血或支气管炎前期症状。可以观测SO₂在例如几个月的训练进程中的长期变化。脉搏血氧装置本身也可以测量心率信息，如下文所述，它可以单独用于心率变异性(HRV)监测中的脉搏测量。

心率独自是一种有用的劳累指标。除了任何脉搏血氧传感器之外，光学传感器或声学传感器可以位于耳机100上以独自收集心率数据。与心率相关的不同运动强度对身体有不同的影响，因此可以作为训练的目标。确定最大心率的经验法则如下：

等式1 R_max＝220–年龄

例如，主要针对大多数人的有氧系统，以R_max的60％进行运动，并且在足够长的时间内的有氧运动期间，主要的能量来源将来自脂肪。因此，这种强度水平通过那些想要减肥并实现一般健身的人来指示。R_max的70％至80％的心率训练化境仍将主要针对有氧系统，但状态良好的运动员中，主要的能量来源将是来自代谢碳水化合物的糖原。在说明性实施例中，绩效计划208可以包含目标心率。使用25岁的状态良好的跑步者为示例，

R_max＝220-年龄

R_max＝220-25

R_max＝195

(0.7)R_max＝136.5

(0.8)R_max＝156

因此，根据说明性实施例的绩效计划将在进行涉及跑步的有氧训练时建立每分钟心跳137至156次之间的心率训练目标。其他运动可能使用不同的阈值和等式来计算最大值，但是该说明性的示例是启发性的。

静息心率变异性(HRV)也是过度训练的有用诊断，这会表示需要休息以完全恢复。然而，不存在直接的相关性，并且升高的静息心率可能仅意味着用户正在观看令人兴奋的电影。这是当其他情境或环境信息204有助于分析用户的个人数据206的时候，或者是当个人数据206中的趋势可以被利用的时候。例如，如果加速度计或活动传感器指示用户处于静息状态，但GPS坐标指示用户处于电影院，则静息心率测量作为诊断可能是不可靠的。在下床前的在睡眠期间或在早晨的第一件事情静息心率被理想地测量。加速度计和陀螺仪传感器可用于检测俯卧位，或者所链接的智能手机上的闹钟应用可用于指示睡眠周期。约5％的静息心率的日常变化是常见的并与过度疲劳无关。超过5％的增加量通常被报告处于显示出交感神经系统刺激症状的疲劳或急性“过度透支”或“未恢复”的个体中。在说明性实施例中使用了确保用户适当的“减压”以确保最有效的训练计划208。

HRV也可以从阻抗测量中计算出来。可以使用表示皮肤阻抗的传感器数据来测量HRV。参见2005出版的IEEE-EMBS 2005第27次年度国际会议论文集《医学与生物学会工程(Engineering in Medicine and Biology Society)》，第4947至4950页，Thong，T等人的《相关心率变异性与皮肤阻抗测量(Correlating Heart Rate Variability with SkinImpedance Measurements)》。

注意力与HRV之间的密切关系已被证明。参见1972年出版的期刊《实验心理学(Exp.Psychology)》，第96期，第371至379页，M.Coles的《视觉搜索期间的心脏和呼吸活动(Cardiac and Respiratory Activity During Visual Search)》。刺激的变化也导致HRV的短暂或短期变化。参见1973年出版的《发展心理学(Developmental Psychology)》第8期，第85至92页，E.Popges等人的《心率变异性：人类新生儿注意响应率指数(Heart RateVariability:An Index of Attentional Responsivity in Human Newborns)》；2010年出版的《医学与生物工程和计算(Med Biol Eng.Comput.)》，第48期，第423至433页，M.Orim的《通过HRV分析连续评估对音乐诱发情绪的自主反应的方法(A Method for ContinuouslyAssessing the Autonomic Response to Music-Induced Emotions Through HRVAnalysis)》。运动后的放松也可以受到听觉刺激的影响。参见2014年11月出版的《心理学前沿(Frontiers in Psychology)》第5卷，第1248章，第1至10页，P.McConnell等人的《自主神经系统的听觉驱动(Auditory Driving of the Autonomic Nervous System)》。在说明性实施例中，伴随刺激变化的HRV的变化可以指示运动员对诸如声音刺激或音乐的变化的刺激作出响应。微处理器202可以补偿诸如不同的运动水平的变量，并且可在不同的心流状态中补偿，这可能对HRV测量产生影响。

放松是训练中恢复的重要组成部分。放松也是实现上述心流的重要前提条件。EMG传感器或应变仪可用于测量身体的肌肉张力。在示例性实施例中，可以从安装在耳机100中的传感器测量颌中的张力。EMG信号可用于测量衡量放松的张力、实现恢复，或日常生活(不吃饭时)中的总体应力水平。传感器也可用于检测进食活动。EMG数据可用于提供生物反馈以帮助用户调节张力并实现所期望的状态，例如放松状态。可以使用单独的传感器监控身体上的其他点。

睡眠间隔数据也可用于实施绩效计划206。加速度计和/或陀螺仪数据以及来自智能手机或其他联网资源的手动输入或日历交叉引用可以帮助系统200确定用户何时睡着。然后可以监测环境数据202以获得最佳的睡眠环境条件，例如背景噪声、环境光线和环境温度。这些参数中的每一个可以由绩效计划206规定，或者依赖于标准推荐值。在睡眠期间，频繁的运动可表示床不舒服，并且微处理器202可以将输出发送到绩效计划保管人例如教练或用户以购买新的床垫或更换成防过敏床品。在说明性实施例中，如果用户在家附近，则系统200的知识导航器可以使用户求助于附近的床品店或在线资源以鼓励依从。在住宅培训中心训练一队运动员的教练通常可以检测到较差的睡眠模式，表明需要更换床品。如果噪声是周期性的，则存在环境噪声可能表示需要调节睡眠时间表。例如，指示用户的家位于机场附近的GPS数据可以试图基于从在线资源获得的飞行模式数据来调节睡眠时间表以使噪声最小化。会干扰睡眠的过度感测到的环境光线可能导致系统200发送提醒用户关闭窗帘的输出，将睡眠时间表调节到一天中的较晚时间，或者重置用户的床品以最小化睡眠间隔期间的曝光量。系统输出可以为用户提供报警功能，以终止睡眠区间，随后对患者数据204的后续监视，例如遵循提示来验证用户是否走动的加速度计和陀螺仪信息或手动输入216。

眼睛运动数据也可以用于许多人为因素设置，并且也可以用于睡意检测或疲劳检测。眼睛运动传感器可以基于光学感测或通过使用放置在眼窝周围的电极。来自眼睛运动传感器的数据可以用作警觉性的测量，这可能会对训练计划或诸如驾驶的日常活动产生影响。弗吉尼亚科技交通研究所(Virginia Tech Transportation Institute)进行的研究表明，80％的撞车事故和65％的临近撞车事故发生在某种形式的驾驶员精力不集中的三秒钟之内。参见2004年1月发行的DOT HS 810594，《驾驶员精力不集中对临近撞车/撞车风险率的影响：使用100车自然驾驶研究数据进行分析(The Impact of Driver Inattention onNear-Crash/Crash risk：An Analysis Using the 100-Car Naturalistic DrivingStudy Data)》。这种观测同样适用于运动绩效，其中分心可能导致执行错误，这不仅会影响绩效，而且会导致损伤。在说明性实施例中，眼睛运动传感器位于耳机100上，或者单独的装置被包括在系统200中。

被不同地称为微面部表情分析或微痛苦表情(microgrimace)分析的面部表情变化的分析是用于评价诸如疼痛或激动的情绪状态的一种方式。参见2011年3月发行的国际期刊《Res.and Revs.in Art.Intel.》第1卷，第1期，Bin Mansor等人的《重症护理中患者激动的面部痛苦表情图的测算(Reckoning of Facial Grimacing Scheme for PatientAgitation in Critical Care)》。在说明性实施例中，个人数据206可以包括图像数据或从与诸如在心流状态的跟踪中的放松或不安的心情状态相关联的图像数据提取的特征。然后，绩效计划208可以解释用户的身体状况并促进休息和完全恢复以避免长期的次优绩效或避免过度训练造成的伤害。与疼痛相关的图像特征也可以指示早期发作的表现丧失(performance-robbing)良性痛苦，诸如头痛，其如果未经治疗则可能发展成分散注意力的结果，甚至是虚弱的结果。在说明性实施例中，通过输出210、212、214中的一个对用户早期指示以进行止痛可有助于优化绩效。按照相同的概念，还可以进行用户的图像数据的姿态分析以检测疲劳或次优生物力学。根据说明性实施例的疲劳检测可被用于警告驾驶员诸如精力集中的丧失。

脑干听觉诱发电位(BAEP)数据可用于确定听神经、耳蜗、脑干和相关结构中的神经元活动。通常用于测试新生儿耳聋的尖锐的咔嗒声或音调被施用于耳朵上，然后通过表面电极监测BAEP。与久坐不动的主体相比，运动员的运动反应时间较短已经被报告。测量BAEP的研究已经示出关于性别的巨大差异，也发现了关于身体活动的差异。与特定的感官能力相反，已经表明BAEP与顶级体育活动有着广泛的联系。参见1993年11月发行的F.Martin等人的国际期刊《运动医学(Sports Med.)》第14卷，第8期，第427至432页。在说明性实施例中，通过耳机100或其他听觉装置来施用听觉刺激，并且响应于刺激BAEP被测量。这种形式的个人数据206可以用作绩效的测量和绩效计划208元素的衡量。

P300(P3)波是在决策过程中发生的事件相关电位(ERP)脑波分量。P300与刺激本身无关，更恰当地说其是表明主体已经意识到了刺激并正在评估它的信号。当做出明确而自信的决定时，P300快速激发。当出现含糊其辞时，响应需要更长时间。为此，已经研究P300应用于谎言检测。然而，在说明性实施例中的P300响应数据被用于显示可以伴随峰值训练和准备以及心流的明确决策。P300也可以用于在表现错误或事故发生后显示精神的恢复或缺乏。研究表明，便携式EEG装置能够可靠地测量用户中的P300响应。参见2014年1月发行的国际期刊《精神生理学》第91卷，第1期，第46至53页，M.De Vos等人的《关于真正的移动听觉脑机接口：探索P300以消除(Towards a truly mobile auditory brain-computerinterface:exploring the P300to take away)》。在说明性的诱发响应中，提供传感器以监视在个人数据206之间提供的P300ERP。

如上关于环境数据204的麦克风也可以用作如已知的用户输入装置216。根据说明性实施例的麦克风还可以用于从用户收集语音或其他口头声音数据，以便检测与过去个人数据的差异或与标准的差异。还可以提供语音模式算法来分析用户的态度导向，并因此分析他或她对绩效计划中包含的辅导元素的接受程度。例如，用户的词汇选择通常与自我感知和世界观的概念相关。绩效计划中的成功指导涉及以促进绩效提升的方式与用户相关。参见2004年6月13日发行的ISSN 1745-7513《布莱恩麦肯齐的成功指导》的第1至4页，Smith,I.的《深度指导-如何更有效地与运动员沟通(Deep Coaching-how to communicatemore effectively with your athletes)》。语音紧张也可以通过可以表达诸如情绪压力的情绪元素的语音模式识别算法来检测。情绪压力是对实现心流的注意力分散，因此，可能需要对绩效计划进行修改，以便在关注改进基于技能的绩效的方面之前，首先帮助消除压力。此外，在事故或碰撞之后，例如由其他环境数据204或个人数据206检测到存在口齿不清或其他特征模式，这可能表示脑震荡或创伤性脑损伤，指示转诊到医疗护理。虽然在说明性实施例中，讨论了运动员用户的教练，但是本公开的概念同样适用于人类绩效的其他背景，例如集中训练、冥想和放松练习、学术辅导、专业指导、军事训练和育儿。

也可以使用麦克风来测量呼吸率。呼吸率数据是劳累或过度疲劳以及放松或压力水平的重要衡量，与标准相比或基于过去的测量或基准，用户呼吸的声学剖面可以为绩效计划提供有用的信息。呼吸率的变化也与注意水平和刺激有关。参见例如Coles和Orini所著的呼吸频率和变化也可以使用经胸电生物阻抗(transthoracic electricalbioimpedance)来测量。

二氧化碳图(测量二氧化碳的)传感器数据可以帮助揭示换气过度，其可以在用户中触发各种表现丧失症状。可以实施绩效计划208以在呼出气中获得适当的二氧化碳水平以促进最佳呼吸。

诸如GOOGLE GLASS之类的头戴显示器可以用作视觉输出210和/或音频输出装置212，并且如上所述还提供麦克风、加速度计、陀螺仪、磁力计、环境光线传感器以及接近传感器。高尔夫握把传感器手套可以提供与球杆握持力度相关的绩效数据。用于赛车运动的包含头戴显示器、相机和内置GPS的连接头盔也可用于向系统200提供数据。可以提供作为智能手表、腕带、臂章和头带的传感器。头带还可以提供EEG数据。触觉型或触觉输出214可以采取诸如FOXTEL ALERTSHIRT的服装形式或诸如PROCOOL的温度控制服装、诸如由EKSO和BEBIONIC销售的仿生假体。传感器也可以被设置在诸如OMSIGNAL的服装上。诸如SENSE PRO的电极以及诸如Edan Safe的MISFITSHINE、SMARTCAP以及BALANSENS和FITGUARD的其他可穿戴装置均可提供在系统200内可用的数据。

在任何一种或所有的上述传感器中，可以在说明性实施例中采用MEMS和纳米技术制造技术来实现小型、轻型的形状因数。传感器的上述列表旨在是示例性的而非详尽的，并且可以采用任何数量的传感器的任何组合。

嵌套控制回路

这里描述了采用涉及嵌套控制回路的控制方案的说明性实施例。虽然其他更简单或更复杂的控制方案是可能的，但是说明性方案采用基于日历划分即天、周和月的用于训练程序的嵌套控制回路。当然，更长和更短的划分是可能的，但是为了说明，将在此讨论图3的嵌套回路。

训练程序进程300在框302处开始。决策块304检查内部计数器或日历功能或其他标记以确定程序是否完成。如果程序完成，则程序在324处停止。如果程序未完成，则系统进入较小的控制回路。决策块306查看每月区间是否已经结束。如果是YES，则增加月计数器，并且该过程返回到外部回路决策框304以查看程序现在是否已经完成。每个嵌套内回路以类似的方式继续。决策块310检查每周区间，如果它已经结束，则在312处通过增加周计数器来开始新的每周区间。如果一周正在进行，则进程继续。决策块314检查每日区间，如果它已经结束，则在316处通过增加日计数器来开始新的每日区间。如果一日正在进行，则进程继续。决策块318检查训练区间，如果它已经结束，则在320处通过增加间隔计数器来开始新的训练区间。如果一日正在进行，则过程继续。继续训练进程322直到完成为下面将更详细地讨论的最内回路。在说明性实施例中，训练进程是适应进程，并不是每个训练区间都一样。在说明性实施例中，训练进程322由绩效计划208决定。

当然，其他修改例如手动覆盖和重置一个或多个区间等是可能的。再次，说明性进程300被设计为示出可以使用多个嵌套回路来实现绩效计划208，其在下文所述的控制方案的背景中被考虑时，该概念将被呈现出占优的可适应性和强大性。

控制回路示例

过程控制作为一种在十九世纪末期发展的科学，解决了船舶自动航行的问题。设计了所谓的PID(比例-积分-导数)控制器来调节轮船的方向舵以保持所需的航向。PID控制器依赖于控制回路，其中改变操纵变量以便使过程变量达到预定的设定点。基于对系统状态和设定点之间的当前误差(即比例误差)、直到现在的累积误差(即积分误差)以及将来会发生的误差的预测(即导数误差)的观测，可以改变操纵变量以稳定地达到设定点。PID控制器成功地消除了过冲，这是对操纵变量进行太大修正并使过程变量摆动到超过设定点的情况。PID控制器在工业过程和软件控制中是用于控制回路的有用的理论模型。

在参考图3描述的每个嵌套回路中，可以更新数据并更新绩效计划208以考虑所收集的各种数据。如下面进一步讨论的，来自数据的一些特征可以被识别为有助于实现训练进程322的特定表现目标或设定点。该设定点可以是长期绩效目标，诸如马拉松运动员完成26.2英里的速度，或者是短期绩效目标，诸如在特定的训练期间实现放松和心流。可以采用如下所述的鉴别分析技术来识别诸如音乐或声音文件的应用刺激中的变量，其与实现所期望的绩效目标正相关。在讨论系统200的这个方面之前，反馈控制的概念将是有用的。

在示例性实施例中，使用PID控制回路来基于与绩效计划相比的用户的实际观测和他或她的环境，以受控的方式向用户提供刺激。通过调节已被预分类为与争论中的期望的绩效目标相关的刺激，可以有效地实现绩效目标或设定点。本文描述的PID回路用于将诸如绩效指标的输入朝设定点或目标值推动，并且在说明性示例中的音频刺激中通过控制输出来使其接近于该值。类似地，卡尔曼滤波器控制算法连同许多其他的算法(模糊建模、神经网络和遗传方法等)可以用于更高级的闭环系统。

在继续之前，值得一提的是，在运动训练期间或备考学习期间使用音乐并不新鲜。许多运动员在训练中依靠励志音乐。然而，用户经常依赖于所喜爱的音乐的静态库，其实际上可能提供适得其反的刺激，例如在通过促进放松和保持精力的刺激来最大化整体绩效的时刻一次刺激更多的劳动。换言之，个人所喜欢听的可能不会且也经常不会使用音乐的表现和情绪调节效果。对于其他音频刺激例如预先记录的消息、实际上运动员最喜爱的地方的声音、声音效果和音调组合也是如此。对于触觉或触觉刺激也是如此。并且，正如图3的不同嵌套回路所描述的，对于复杂问题，基于不同时间内出现的无数其他环境和个人数据差异，在不同的日子，相同的刺激对用户可能不会具有相同的效果。

比例积分导数(PID)控制回路近似于人类对环境处理的自适应方法。PID控制回路考虑关于期望设定点的系统的当前状态(比例)、系统中过去误差的积累(积分)以及系统的未来误差的预测(导数)。当人伸手去拿放在桌面上的铅笔时，他或她通过类比不经意地实践着PID回路：人的手指和铅笔之间的距离表示错误状态，将间隙缩小为零表示所期望的设定点。如果距离很大，则手指向铅笔的移动速度从快速开始(比例)。随着手指靠近铅笔，该人根据视觉和本体感觉反馈减慢接近速度，直到达到设定点。在工业过程控制系统中，PID回路由以下等式描述：

等式2

其中

u(t)为输出

K_pe(t)为比例分量

为积分分量，并且

为导数分量。

工业控制器可以使用一些或全部这些分量。例如，PD控制器使用比例分量和导数分量，而不是积分。这种情况可以被视为将积分分量K_i的增益设置为零。

比例项基本上等于比例增益K_p乘以采样时刻的误差e(t)。该误差等于监测过程变量的值与过程变量的期望值的设定点之间的差值。可以调节比例增益以提供所期望的发生率(attack>

在图4A示出其作用的纯比例控制器的说明性实施例中，颌紧张感被监视为上图400所示的过程变量PV。下面更详细描述的是，微处理器202的输出是音频输出212，其内容已经根据选择算法选择。已经按照具有与放松颌紧张感有意义的相关性来对音频输出分类并打分。音频刺激的得分值由下图402中的值M表示。在说明性过程中，在t＝0处，颌紧张感被感测为起始值x，并且在说明性区间中通过绩效计划208确定的设定点为y。因此，初始误差为x-y，或为PV图上这些值之间的距离。当初始误差乘以绩效计划208中包含的增益K_p时，获得对应的M值，该值可从通过查表获得或计算获得。然后与控制器请求的M值相匹配的音频刺激被传送给用户。可以看出，在该说明性示例中的音频刺激的传送使得颌紧张感PV下降，减小了在t₁处的当前值和设定点y之间的的误差。因为误差已经减小，所以纯比例控制器将计算M的较小对应值，并且提供具有与颌紧张感相关的相应较小得分值的刺激。在时间t₂，可以看出，因为对于具有较小M值的刺激的变化，误差已经增大。再次，当误差增大时，控制器做出反应，提供具有较大M值的刺激，并且在时间t₃时误差减小。如果包含在绩效计划208中的增益K_p太大，则系统将不稳定地振荡。如果适当地选择增益，即控制器得到适当地调谐，则系统将最终如上图中的虚线所示在被称为偏移的稳态误差处稳定。如上所述，偏移是必要的，因为如果误差为零，则M的相应值也将为零。

为了在纯比例控制器中消除偏移，说明性实施例包括积分分量在大多数工业部件中，累积误差以时间常数为基础，该时间常数基于最近的误差为积分分量提供平滑值，而不是所累积的所有误差的真实积分。该方法更简单，并且允许由绩效计划提供单个增益K，并且将时间常数r指定为调谐参数。所得到的等式是示例性比例+积分(PI)控制器，如下：

等式3

上述求和项有时被称为复位寄存器或简称为复位。使用与纯比例控制器相同的说明性示例，图4B示出添加复位以形成PI控制器。添加中间图形404以显示复位值R。如所示的，误差r₁的比例值被存储在复位寄存器中，并与上述的比例值一起被添加到控制器的输出中。其结果是更高的输出，并且，因此对于M比在纯比例控制器中具有更高的指定值。因此，在时间t₁，误差比纯比例控制器减小的更多。然后将在时间t₁产生的误差添加到复位，以增加复位值。较小的误差导致较小的比例值，但其被复位值的增加部分地抵消。然而，在说明性示例中，总输出减少，并且控制器请求较小的M的指定值。随着时间的推移，比例分量中的振荡被复位寄存器偏移，总误差继续下降，因此在颌紧张感PV接近设定点时，导致更稳定的值。最终，随着误差“复位”为零，比例分量变为零。

为了进一步改进纯比例或PI控制器，说明性实施例进一步包括导数分量在使用导数分量的大多数工业控制器中，感兴趣的值是误差变化的速度，或误差的变化除以时间的变化，导致误差斜率的衡量。该方法更简单，与积分分量的简化一样，允许单个增益K将由绩效计划提供，并且将时间常数t1指定为调谐参数。所得到的等式是示例性比例+导数(PD)控制器，如下：

等式4

导数分量允许对将来的误差进行预测，以便了解控制器超过设定点的情况，其中过程变量变化太快。在说明性实施例中，其中颌紧张感可能随时间缓慢地响应并因此被称为具有动量，则误差变化中的大的斜率可以表明对于M的值具有侵蚀性，导致将从控制器的输出中减去的校正值。在另一说明性实施例中，导数值以PV值而不是误差为基础，允许更适应地适应设定点变化。虽然超越颌紧张感可能不被认为是在运动背景下实现训练目标的关键，但过多的放松在其他人类绩效领域(如学术研究)可能更为有害。在其他表现衡量中，例如自行车运动，其中过程变量为速度，运用使得超过最佳绩效所需的速度基本上将被浪费，因此导数功能对于绩效计划208可能更为重要。

数据特征选择和判别分析

判别分析是允许研究者区分两个或更多个天然存在的组的用于检测数据集中的特征的计算工具。判别分析也用于将数据分类成不同的组。前一种应用被称为描述性判别分析，后者为预测性判别分析。Sage(2009)的第25章中Burns等人的的使用SPSS的商业研究方法和统计学中，描述的判别分析的用法的一个简单示例涉及对员工是吸烟者还是不吸烟者的预测。针对每个参与者收集的被称为预测变量的数据包括年龄、前一年缺勤天数、自我概念得分、焦虑水平以及对公司禁止吸烟工作场所政策的态度。Burns的示例中的判别分析表明，自我概念和焦虑是员工是否是吸烟者的良好预测因素，而年龄、缺勤天数是不良预测因素。然后，分类器可以基于重要的预测变量建立，并用已知数据(即吸烟者和非吸烟者)进行“训练”。然后，Burns的示例中的分类器被用于预测新情况，其导致91.8％的准确率。

当存在两个以上的组时，可以导出一个以上的判别函数。例如，当存在三个组时，可以导出用于区分组1与组2和组3的组合的第一函数，然后可以导出用于区分组2与组3的另一函数。例如，我们可以有区分烟草用户和非烟草用户的一个函数以及区分吸烟者和鼻烟用户的第二函数。

当比较两组变量以确定两组中常见的情况时，规范分析是另一种可用的计算工具。规范分析用于多组判别分析，因此不需要指定如何结合组来形成不同的判别函数。

判别分析通常是线性的，并且以变量数据的正态分布为基础。线性判别分析还假设变量数据的方差/协方差在组间是均匀的。当在线性空间中不能满足这些条件时，例如当数据呈现出严重的非线性时，则可以应用非线性方法。例如，可以将输入空间转换为其中在特征空间中线性可分离分布的高维特征空间。参见如C.Park等人的《使用内核函数的非线性判别分析和广义奇异值分解CITE(Nonlinear Discriminant Analysis using KernelFunctions and the Generalized Singular Value Decomposition CITE)》。

使用与判别函数不同的分类函数来确定新观测最可能属于哪一个组。一般来说，存在与组一样多的分类函数。分类函数计算新观测值的分类分数，所计算出的分数决定了新观测值的分类归属关系。分类函数通常对从关于正被分析的系统的数据中提取的一些特征集合进行操作。许多特征选择方法是常用的，最近遗传算法已被研究用于自动特征选择。参见2001年春季在捷克共和国，科库娃，布拉格国际会议，《人工神经网络和遗传算法(Artificial Neural Nets and Genetic Algorithms)》第256至259页，M.Eberhardt等人的《遗传算法自动特征选择(Automatic Feature Selection by Genetic Algorithms)》。另外，信号的高级数学处理已经被使用以从现有数据中导出新的特征集合，这可以提供比单独测量的原始特征更多的关于底层系统的信息。特征创建、选择和分类领域正在不断发展，采用一些先进的方法，如奇异值分解、支持向量机、神经网络等。

在前面的部分中，使用控制器逻辑的处理器选择根据其对过程变量的影响而得分并分类的音频刺激。将刺激分类为对影响给定过程变量有效的分类和无效的分类可以使用判别分类器来实现。在进行分类之后，可以根据特定过程变量对分类成员进行评分。进一步有利的是，未分类的刺激可以使用利用具有已知的关于过程变量的表现影响属性的已知的“训练”数据集所构建的分类器进行分类，这将在下面进一步讨论。第一步是分别确定刺激的哪些特征与影响过程变量相关或有效，在说明性实施例中哪些是音频刺激和人类绩效衡量。这种方法可以按大致相同的方式应用于触觉、视觉和其他刺激。

音乐特征的识别和量化是音乐学的主题，这超出了本公开的范围。音乐基因组计划(MUSIC GENOME PROJECT)作为可归因的变量的示例，其中每首歌曲都有数百个“基因”或属性。属性包括流派、旋律、和声、节奏、形式、乐器、响度、歌词、声乐等。这些属性中的任何一个或多个可能会影响人类绩效，从而导致统计上有意义的变化，但是在训练计划开始时并不知道哪些刺激会影响哪些表现变量以及在哪个方向产生影响。

特征选择算法是已知的。不同的特征选择算法大致分为三种计算方法：主要用于预处理数据集的过滤方法；将作为预测因子的变量值的子集的绕封方法；以及嵌入式方法。基于过滤模型的算法通常使用排名或相关技术，并包括拉普拉斯评分、SPEC、费舍尔分数、Pearson积差相关、类间/下距离、ReliefF、卡方分数、Kuskal Wallis测试、基尼系数、信息增益、交互信息、FCBF、CFS和mRmR等。基于嵌入式模型的算法包括LASSO、Bolasso、BLogReg和SBLMR等。

在说明性实施例中，使用顺序特征选择(SFS)算法来确定给定特征是否相关。作为示例，在说明性实施例中，分析音乐音频刺激的属性以确定它们是否在两个类别之间系统地变化。如果任何特征如此变化，则该特征是相关的。在该说明性实施例中，这两个分类是(1)影响静息脉搏率；(2)不影响静息脉搏率。这是使用很少变量的简单示例，但是已知使用更复杂的统计方法可以在多个间隔上进行多变量分析。

第一步是形成训练数据集。如上所述，训练数据集将包含描述音乐音频刺激及其属性的数据记录，在如上所述的歌曲刺激的情况下，数字记录可以达数百个。训练数据还将包括对于正在听音乐音频刺激的用户的静息脉搏数据。第一个目标是通过找到将音频刺激分离成两类的小型的重要特征集来减少数据的维度。使用统计工具，测试每个属性是否能够形成分离的数据组，并且特征为某阈值以保持竞争。该预处理在特征选择期间节省了计算时间。训练数据集中的记录越多，最终可以容纳的属性越多。使用其他统计工具，例如交叉验证误分类误差，可以帮助确定准确分类所需的最小特征数量。主成分分析(PCA)是用于降维的另一种线性方法。在说明性实施例中，所需的特征数量为四，并且其被显示为速度、拍子记号、调(musical key)和歌手性别。

在验证后，然后可对未分类的数据群运行基于速度、拍子记号、调和歌手性别的分类函数。验证包括测量分类函数的预测能力，并且最好对使用未用于训练但是其类归属关系是已知的数据执行验证，。使用特异性测量(已知阴性被预测为阴性)和敏感性(已知阳性被预测为阳性)来评估分类器性能。当然，假阳性(已知阴性被预测为阳性)和假阴性(已知阳性被预测为阴性)是错误，并且对总体准确性产生负面影响。一旦已经实现验证，则未知数据可以得到分类和评分。在说明性实施例中，分类器是概率性的并且计算与其选择相关联的置信度值，并且由于在该示例中的类(1)和(2)中的归属关系被定义为相互排斥，所以置信度值可以用作分数。分数也可以基于包括数据集中的记录数量以及用户手动选择刺激的次数的统计信息来计算。分数可以基于用户输入例如当用户手动跳过或覆盖音乐音频刺激时来调节。分数也可以修改为绩效计划208的一部分。如下所述，分数也可以在多个用户上被聚合。

虽然说明性实施例描述音乐音频刺激，但是音乐音频刺激不一定必须是传统的歌曲。可以修改刺激以提供被确定为与所期望的绩效设定点最相关的属性。例如，可以修改歌曲的速度或其音调或频谱，以提供展现出绩效计划所期望的属性的派生歌曲。例如，可以增加歌曲速度和/或其低音频率。具有不同属性强度的音频刺激可以被组合以形成复合刺激，例如旋律和诸如鸟叫或海浪拍打的环境声音，或P300响应的声音触发，或触觉反馈。

图5示出说明性系统框图500。每个元件表示任何抽象类型的处理，其可以包括例如内存中功能调用、系统调用、数据库事务、通过网络的外部服务调用或其某种组合。每个元件都可以进行逻辑执行。环境传感器模块502包括与包含如上文所述的天气、温度、环境压力、照明、位置等的用户居住的环境有关的传感器的获取和管理。个人传感器模块504包括与包含如上所述的表现指标、运动和定向数据以及生物医学指标等的用户相关的传感器的获取和管理。绩效计划模块506包括实现个人绩效目标的一组策略、任务和方法以及相关的个人训练资料。输入模块508包括用于例如使用键盘、触摸板、按钮或其它输入外围设备从用户获取非基于传感器的信息的装置的手动输入获取和管理。模块502、504、506和508以无线方式或有线方式联接到数据存储模块510。数据存储模块510可以包括用于存储由背景模块516、特征验证模块518、用户反馈控制回路模块520、刺激选择模块524和其他模块所使用的数据和软件指令代码的随机存取存储器(RAM)、只读存储器(ROM)、可编程只读存储器(PROM)、现场可编程只读存储器(FPROM)或其他存储装置。输出模块512联接到数据存储模块510，并且包括制定和提供输出装置的输出和管理。输出模块512可以是允许所处理的信息经由无线、网络或有线联接向用户显示、描绘或发送信号的硬件部件、软件程序或组合。输出模块可以允许校正、编辑、删除、修改或补充输出信息。资源模块514是与系统中央处理单元(例如，图2A的处理器202)和其他系统进程接口连接的软件模块。资源模块514确定是否存在图2B的生态系统内的资源所需的数据，并且管理将资源集成到系统中所需的数据传输协议的获取和管理。资源模块514联接到数据存储模块510。背景模块516是从数据存储模块510接收数据(包括环境和个人数据)并计算用户当前状态的表示或模型的软件部件。特征验证模块518是管理如上所述的判别分析和分类函数的软件部件。特征验证模块518联接到数据存储模块510。用户反馈控制回路模块520联接到背景模块516和特征验证模块518，并且是管理如上所述与关于绩效计划的当前个人数据和环境数据相关的系统的反馈特征的软件部件。控制回路模块管理向用户传送刺激以增加或减少当前的表现，以试图贴切地匹配绩效计划模块506的参数。用户反馈控制回路模块520是硬件部件、软件部件或其组合。可信方反馈模块522联接到用户反馈控制回路模块520，并且允许将与用户在绩效计划上的轨迹相关的信息发送到可信方。如上所述，可信方反馈模块522还允许可信方向用户反馈控制回路模块提供调节以调节控制回路的参数。用户反馈控制回路模块520还联接到刺激选择模块524，刺激选择模块524识别并选择刺激以提供给输出模块的软件部件。如上所述，刺激是如用户反馈控制回路模块520所建模的被确定为改变用户表现的音频或音乐刺激，以便使当前观测到的背景表现符合绩效计划模块506的输出。刺激选择模块524还可以基于特征验证模块518识别的特征的衰减或放大来修改刺激。

数据聚合

如上所述，处理器202根据绩效计划208处理各种环境数据204和个人数据206。各种输入204、206、208也可以跨过多个用户被聚合，以便创建可被利用的更大的信息数据库。

与上述说明性实施例一致的简单示例涉及音乐音频刺激。在一段时间内，无论用户是否积极地参与图3的嵌套进程300，他或她可以佩戴诸如耳机100的传感器并听音乐。系统200可以有利地监视环境数据204和个人数据206并将其存储用于模式识别和交互相关以及在将来的绩效计划中可能使用。例如，GPS、高度计和速度数据可能会显示用户正在跑步上坡，同时正在收听当时正开始播放的由彼得、保罗和玛丽演唱的《神龙帕夫》(Puff theMagic Dragon)。在脉搏率和速度下降后，用户改变频道。当进行如上所述的模式识别和特征选择技术时，该数据可以与在各种环境和个人背景中偶然收听到《神龙帕夫》的其他用户的经验相关联。当被认为是处于一个大群体时，可以确定的是，《神龙帕夫》对脉搏率具有统计学上显著的降低作用，因此被充分指示为放松，并且未充分指示为剧烈的运动需求期间。

使用数字水印技术(例如由数字标识技术销售的DIGIMARC ID或美国俄勒冈州的比佛顿)或通过由SHAZAM使用的声纹辨识识别没有用户输入的音乐文件是可能的。在说明性实施例中，耳机100包括麦克风，其可以将歌曲识别数据与收集的环境数据204和个人数据206一起发送到数据聚合器以进行聚合和处理。

数据聚合器可以是来自诸如耳机100、FITBIT、JAWBONE UP、NIKE FUELBANDS、ANDROID WEAR以及智能手机的可穿戴活动跟踪装置的数据仓库，和收集或生成相关数据的应用程序。

虚拟辅导

数据聚合还可以帮助监测和改进绩效计划206。在说明性实施例中，其他用户可以使用预定义的绩效计划206，用户的经验被聚合以允许修改或改进计划。顶级运动员及其教练可以有利地与其他用户分享他们的绩效计划，但在体育运动的背景下的说明性实施例包括为新手、当地娱乐联赛、学术运动、大学体育以及奥林匹克运动员和专业人士考虑使用的绩效计划。

系统200还可以用作推荐系统，以使具有限定的绩效目标的用户与具有经验或有资格帮助用户实现他或她的目标的教练相匹配。

在说明性实施例中，用户220可以发出对可信方248的请求信号以在可用性的基础上临时提供绩效训练服务。在说明性实施例中，基于应用的网络可以接收来自用户的辅导请求，然后将这些请求发送给可得的可信方。该网络允许有信誉的可信方在广泛的范围内是可获得的，以按照自己的方案在绩效计划中提供辅导、指导和训练参与，并且用户可以从云或其他网络中得到这些可信赖的可信方。在说明性实施例中，在图2B所示的生态系统内的计算装置上提出按需辅导或指导服务的请求。可以显示界面，其提供用于提供按需服务的多个选项，并且提供使得用户能够选择可用于提供按需服务的服务选项的选择特征。在说明性实施例中，帐户、计费和金融交易信息可以在用户和提供按需服务的可信方之间提供和交换。

示例

在一些实施例中，可以调制音乐/音频刺激14以实现用户的绩效的改变，在一些示例中，可以向用户传送刺激，并且可以测量各种聚合数据以确定用户的心流状态，这可以利用系统200来完成。例如，可以修改标准音乐以产生所期望的绩效或放松变化。

作为一个示例，可以调制音乐的低音强度以改变用户中的HRV。低音强度的调制被研究并显着改变HRV。在研究中，从主动运动绩效(Proactive Sports Performance)训练场馆(加州西湖村)随机抽取了9名I部招募的运动员(平均年龄18.51±0.74岁，体重26.51±6.34kg/m²)。运动员比赛运动从足球、篮球、棒球到网球不尽相同。在连续的两天里，运动员在标准化锻炼期间受到监测以跟踪生理、恢复和绩效衡量。每个运动员完成了九场练习：垂直跳跃、跑步机冲刺、单腿按压、弯道冲刺、轻便卧推、俯卧撑、引体向上、绳索开合跳和臂车板。在两天中，练习按照相同的顺序完成。运动员使用由Skullcandy公司(Park>

使用西风心理状态检测系统(马里兰州，安纳波利斯，西风科技公司/美敦力公司)和普罗透斯恢复生物特征监测贴片(加利福尼亚州，雷德伍德城，普罗透斯数字健康有限公司)记录生理和恢复衡量(表1)。从各个运动器材记录绩效衡量(跳高、速度、次数、瓦特输出、力)。

如图6所示，在单变量分析(Corr＝-0.70，p＝0.05)和控制包括年龄、身高和体重的物理特征的多变量回归(Corr＝0.76，p<0.05)两者中，低音的增加与最大HRV降低有关。对于平均HRV观测到类似的模式(单变量Corr＝-0.67，p＝0.07；多变量Corr＝-0.33，p＝0.17)。在多变量回归中，较高的低音也与恢复期间较高的平均和最大心率有关(Corr＝0.44，p＝0.16；Corr＝0.46，p＝0.13)。低音和绩效之间的关系的结果是不确定的。在两天里(第1天p＝0.44；第2天p＝0.20)，高的低音运动员的平均完成时间(第1天13.00±0.00；第2天11.67±0.58)(分钟)比低的和正常的低音运动员的平均完成时间(第1天14.17±3.43；第2天13.20±2.17)少。单变量分析表明，低音与卧推绩效呈正相关(Corr＝0.46，p＝0.25；图2)，但是当控制物理特性时，其效果会降低。如图7所示，较高的低音与在其他练习中(例如，绳索开合跳Corr＝-0.31，p＝0.45)下降的绩效相关。

在上述示例中，听高的低音音乐通过降低心率变异性促进了高强度训练中所增加的努力，并可通过升高心率来抑制恢复。其他音乐调制可以被编程来例如增加放松。调制计划可以被顺序地组合和/或传送以在用户中实现所期望的效果。