CN115443093A - 利用来自便携式监控设备的监控来预测用户的健康状况 - Google Patents

Abstract

提供了用于监控用户的健康状况的系统和方法。在限定的时段内，在便携式设备处监控表示用户的健康状况相关参数，以产生健康状况相关参数的时间序列。在所限定的时段中的相应第一时间和第二时间，针对用户获得第一组和第二组认知评估数据或社会心理评估数据。根据健康状况相关参数的时间序列、第一组认知评估数据或社会心理评估数据以及第二组认知评估数据或社会心理评估数据，经由预测模型将值分配给用户。

Description

利用来自便携式监控设备的监控来预测用户的健康状况

相关申请的交叉引用

本申请要求于2020年3月27日提交的美国临时申请号63/000,607和于2020年5月29日提交的美国临时申请号63/032,036中每一者的优先权，其主题通过引用整体结合于此。

技术领域

本发明涉及利用来自便携式监控设备的监控来预测用户的健康状况。

背景技术

许多影响个体的健康和健康状况的疾病在疾病的早期阶段可能难以检测到，而这通常是干预最有效的时间。例如，传染性疾病具有潜伏期，在该潜伏期期间，个体可以在不出现症状或者在仅出现相对无害的症状的同时传染给其他人。类似地，在许多疾病中，及时的治疗可以使个体避免症状中的最严重的症状。

发明内容

根据本发明的一个方面，提供了一种用于监控用户的健康的方法。在限定的时段内，在便携式设备处监控表示用户的健康状况相关参数，以产生健康状况相关参数的时间序列。在所限定的时段中的相应第一时间和第二时间，针对用户获得第一组和第二组认知评估数据或社会心理评估数据。根据健康状况相关参数的时间序列、第一组认知评估数据或社会心理评估数据以及第二组认知评估数据或社会心理评估数据，经由预测模型将值分配给用户。

根据本发明的另一方面，一种系统包括可穿戴设备，该可穿戴设备在限定的时段内监控表示用户的健康状况相关参数，以产生所监控的参数的时间序列。便携式设备分别在所限定的时段中的第一时间和第二时间针对用户接收第一组和第二组认知评估数据或社会心理评估数据。预测模型根据健康状况相关参数的时间序列、第一组认知评估数据或社会心理评估数据以及第二组认知评估数据或社会心理评估数据为用户分配值。

根据本发明的另外的方面，提供了一种用于监控用户的健康状况的方法。在限定的时段内，在可穿戴设备处监控表示用户的多个健康状况相关参数，以产生所监控参数的相应时间序列。从多个健康状况相关参数的时间序列中提取表示用户的一组特征。该组特征包括多个健康状况相关参数中的至少一个的预测值。根据该组特征，通过预测模型将值分配给用户。

附图说明

图1示出了根据本发明的一方面的用于监控用户的健康状况的系统；

图2是使用多个便携式监控设备的图1的系统的示意性示例；

图3是来自示例认知评估应用的反应时间测试的截屏；

图4是来自示例认知评估应用的注意力测试的截屏；

图5和图6是来自示例认知评估应用的响应抑制测试的截屏；

图7是来自示例认知评估应用的工作记忆(1-back)测试的截屏；

图8是来自示例认知评估应用的工作记忆(2-back)测试的截屏；

图9示出了针对用于预测来自COVID-19的症状的发作的系统的示例在早晨完成的第一调查的示例问题；

图10示出了针对图9的示例在晚上完成的第二调查的示例问题；

图11示出了可以为目标位置生成的风险分数的图的简化示例；

图12示出了在传染性疾病的爆发之前的一段时间内几个健康状况相关参数的曲线图；

图13示出了爆发期间图12的参数的曲线图；

图14示出了将感染COVID-19的个体与普通人群的各种健康状况相关参数的平均值进行比较的雷达图；

图15示出了用于监控用户的健康状况的方法的一个示例；

图16示出了用于监控用户的健康状况的另一个示例；以及

图17是示出硬件组件的示例性系统的示意框图。

具体实施方式

如本文所用的术语“健康状况”旨在是指用户的精神、身体、认知、社交和情感健康，并且应该被解释为涵括用户的健康、功能、平衡、弹性、体内平衡、疾病和状况中的每一个。在本文中的各种示例中，用户的健康状况可以涉及用户执行工作相关功能的准备程度、用户对传染性疾病的易感性、用户从传染性疾病恢复的能力、用户表现出的传染性疾病的症状、用户表现出传染性疾病症状的程度、从传染性疾病恢复的能力、疫苗或其他治疗物质对使用者的影响(包括功效和副作用)、以及避免因先前感染的传染性疾病而再次感染的能力。

“健康状况相关参数”是与用户的健康状况相关的生理的、认知的、感觉的(例如，嗅觉、味觉、视觉、汗液、听觉等等)、社会心理或行为参数。

“生物节律”是影响人类的任何时间生物学现象，包括但不限于昼夜节律、超日节律、长日节律、昼夜周期、睡眠/觉醒周期和生活模式。

如本文所用的“便携式监控设备”指的是由用户穿戴、携带或植入在用户体内的设备，其结合了用于接收来自用户的输入的输入设备和用户接口中的一个或两个，以及用于监控健康状况相关参数或可以用于计算或估计健康状况相关参数的参数的传感器。示例包括可穿戴设备(诸如智能手表、戒指和类似设备)、移动设备(诸如智能手机和平板电脑，以及笔记本电脑)。

如本文所用的“指数”旨在涵盖从一系列观察中得出并用作指标或度量的综合统计数据和AI发现。指数可以是表示观察值和相关性的顺序值、连续值或类别值，并且应该理解为涵括传统上称为“分数”的统计数据以及指数的更多技术含义。

“社会心理评估数据”包括可以用于评估用户的功能性和压力水平的社会心理、行为和压力相关参数。表3中列出的参数中的每一个是社会心理评估数据的示例。

“认知评估数据”表示由一个或多个认知测试评估的用户的执行功能、决策、工作记忆、注意力和疲劳中的任何一种。表2中列出的参数中的每一个是社会心理评估数据的示例。

图1示出了根据本发明的一方面的用于监控用户的健康、健康状况和功能状态的系统100。系统100包括包含用于监控跟踪用户的健康状况参数的系统的传感器的多个便携式监控设备102和110。应当理解的是，给定的便携式监控设备(例如，102)可以直接与远程服务器120通信以向服务器提供健康状况相关参数，或者与将健康状况相关参数中继到服务器的另一便携式监控设备(例如，110)通信。通过使用便携式监控设备102和110，可以从用户的家、教室、工作场所或运动场中的任何地方(从战场到会议室的任何地方)连续进行测量，以有效地为用户提供数字个人防护性设备。如上所述，健康状况相关参数可以至少包括生理、认知、心理、感觉和行为参数。表I提供了可以被测量的生理参数的非限制性示例以及用于测量生理参数的示例性测试、设备和方法。

表I

生理参数可以通过可穿戴或可植入设备来测量，或者由用户通过移动设备中的应用进行自我报告，这有助于在自然的、非临床的环境中测量这些生理参数。例如，智能手表可以用来测量用户的心率、心率变异性、体温、血氧饱和度、运动和睡眠。还可以对这些值进行昼夜分析以估计可变性，并鉴于生物节律引起的预期变化以及与生物节律的预期模式的偏差对这些值进行审查。例如，用户的生物节律可以被跟踪持续预定的时段(例如，十天)，以建立生物节律的正常模式。生物节律方面的波动可以被检测为与这种所确立的模式的偏离。

认知参数可以通过一组认知测试来评估，这些测试测量例如执行功能、决策、工作记忆、注意力和疲劳。表II提供了被游戏化并且可以被测量的认知参数的非限制性示例，以及用于测量这些认知参数的示例性方法和测试/任务。

表II

这些认知测试可以在临床/实验室环境中或者在自然的非临床环境中进行，诸如当用户在家、工作或者其他非临床环境时。智能设备(诸如智能手机、平板电脑或智能手表)可以有助于在自然的非临床的环境中测量这些认知参数。例如，可以通过智能手机、平板电脑或智能手表上的应用来执行Erikson侧抑制、N-Back和精神运动警觉性任务。

表III提供了可以被测量的社会心理、行为和压力相关参数的非限制性示例，以及用于测量行为参数的示例性测试、设备和方法。

表III

行为和心理参数可以通过可穿戴设备以及主观/自我报告问卷测量用户的功能性(诸如用户的运动)。这些参数也可以用于量化用户的整体压力水平，该水平以规律的间隔更新。主观/自我报告问卷可以在临床/实验室环境中收集，或者在自然环境、在野外非临床环境中收集，诸如当用户在家、工作或其他非临床环境时。可以使用智能设备(诸如智能手机、平板电脑或个人电脑)来管理主观/自我报告问卷。使用嵌入式加速度计和摄像头，这些智能设备还可以用于捕获用户的运动以及面部表情分析，以分析用户的面部表情，这些表情可以指示心情、焦虑、抑郁、激动和疲劳。

除了生理、认知、心理和行为参数的一个或多个组合，临床数据也可以是预测健康状况的多维反馈方法的一部分。这种临床数据可以包括例如用户的临床状态、用户的病史(包括家族史)、就业信息和居住状态。

远程服务器分析由便携式监控设备102和110收集的数据。远程服务器120可以被实施为专用物理服务器或实施为云服务器布置的一部分。除了远程服务器之外，可以在本地设备本身上和/或在联合学习机制中分析数据。从便携式监控设备102和110接收的信息被提供给特征提取器122，该特征提取器提取多个特征用于在预测模型124处使用。特征提取器122确定表示健康状况相关参数的类别和连续参数。在一个示例中，参数可以包括描述性统计，诸如所监控的参数的时间序列的集中趋势的度量(例如，中值、众数、算术平均值或几何平均值)和偏差的度量(例如，范围、四分位数范围、方差、标准偏差等)，以及时间序列本身。在一个实施方式中，特征提取器124可以对一个或多个参数的值的时间序列执行小波变换，以提供一组小波系数。应当理解的是，本文使用二维小波变换，使得系数可以被设想为跨时间和频率或尺度的二维阵列。

对于参数x_i的给定时间序列，在小波分解中产生的小波系数W_a(n)可以定义为：

其中是ψ小波函数，M是时间序列的长度，以及a和n定义系数计算位置。

应当理解的是，小波系数可以被用作单独的特征，也可以被聚集以形成复合特征。在一个示例中，表示为时间和频率或比例的有序对的质心可以用于在预测模型124处提供特征。替代性地，小波系数的一个或多个加权组合可以用作特征，其中每个组合的权重在预测模型的训练过程期间确定。

附加地或替代性地，健康状况相关参数可以用于根据健康状况相关参数的阈值或作用于健康状况相关参数的值(例如，表示给定状况或行为的存在或不存在)的时间序列的规则集向用户分配多个类别参数。预测模型124还可以利用存储在远程服务器120处的用户数据126，包括例如就业信息(例如，头衔、部门、班次)、年龄、性别、家庭邮政编码、基因组数据、营养信息、药物摄入、家庭信息(例如，家庭类型、居民数量和年龄)、社会和社会心理、消费者支出和概况、财务、食品安全、身体虐待和相关病史。此外，该模型可以将多个用户组合在一起进行交互，以改进预测，诸如配偶、子女、家庭、同事、朋友和其他人的社会模型。

预测模型124可以利用一个或多个模式识别算法，该一个或多个模式识别算法中的每一个分析所提取的特征或所提取的特征的子集，以向用户分配连续或类别参数。在一个示例中，所分配的参数可以表示用户的预测“倦怠”，即，由于压力、疲劳或疾病导致的认知功能方面的所预测的下降，其程度将实质上影响工作表现。在这个示例中，睡眠和活动数据可以与来自认知评估和心情报告应用的结果一起使用，以提供表示用户经历的倦怠的程度的连续指数。然而，应当理解的是，在一些实施方式中，可以在分析中使用附加或替代性特征，并且可以利用类别分类(例如，“接近基线”、“降低”、“受损”)来代替该指数，例如，通过将一个或多个决策阈值应用于该指数。

在另一示例中，预测模型124可以用于提供表示脑体平衡、体内平衡、弹性和健康状况的内部标记的指数。在又一示例中，预测模型124可以用于为用户提供表示体内平衡的度量的指数，或者用于预测自主神经系统紧张度的水平，以及表示各种身体器官、眼睛、心血管系统、胃肠道、GU、免疫和内分泌系统的某些生物标记，包括葡萄糖、C-反应蛋白和IL-6。在又一示例中，预测模型124可以预测患者的给定组织或体液中当前或未来的病原体(例如，病毒、细菌、真菌、朊病毒)浓度。在另一示例中，其中值表示的预测模型124可以表示通过免疫向用户提供的所预期的免疫程度。例如，预测模型的输出可以表示在免疫后的预定时段后，用户的血液中与给定疫苗相关联的抗体的预期浓度。

在又一示例中，健康相关数据可以用于提供表示特定疾病或疾病的类别(例如，免疫紊乱、细胞因子风暴、癌症和传染性疾病)对用户造成的风险的连续的指数。例如，该指数可以标识感染的风险、被传染的风险，被表达为例如个体变得具有传染性的所预测的时间或鼻咽和口腔以及唾液中的所预测的病毒PCR(聚合酶链式反应)水平、或血液测试、症状发作的所预测的时间、从潜在感染中恢复的概率、或表示这些因素中的两个或更多个的混合的单个值。免疫疾病包括自身免疫性疾病、超敏反应综合征、免疫缺陷疾病及其组合。此种免疫疾病可以由细胞介导的免疫(T淋巴细胞)、体液免疫(B淋巴细胞)和免疫耐受引起。免疫疾病可能导致身体组织的破坏、器官的异常生长和/或器官功能方面的改变。免疫疾病可能影响一种或多种器官或组织类型。

自身免疫性疾病是由针对正常情况下不应在体内引起免疫反应的健康细胞或组织的异常或夸大的适应性免疫响应引起的一种免疫疾病。自身免疫性疾病包括符合Witebsky假设的疾病。这些疾病可以包括多发性硬化、强直性脊柱炎、类风湿性关节炎、乳糜泻、肌炎、重症肌无力、阿狄森氏病、狼疮、溶血性贫血、白癜风、硬皮病、银屑病、桥本氏病、阿狄森氏病、格雷夫斯病、反应性关节炎、干燥综合征、肾炎、慢性莱姆病、脉管炎、心内膜炎、斑秃、荨麻疹、脉管炎、葡萄膜炎、天疱疮、纤维肌痛、血栓栓塞性静脉炎、结节性红斑、皮炎、湿疹、1型糖尿病、颞动脉炎、克罗恩病、白塞氏病或银屑病关节炎。

超敏反应综合征包括速发型(I型)超敏反应、抗体介导型(II型)超敏反应、免疫复合物介导型(III型)超敏反应和细胞介导型(IV型)超敏反应。I型超敏反应障碍的非限制性示例是慢性或急性过敏、特应性形式的支气管哮喘和过敏反应。II型超敏反应综合征的非限制性示例是自身免疫性溶血性贫血、自身免疫性血小板减少性紫癜、寻常性天疱疮、由抗中性粒细胞胞质抗体引起的血管炎、肺出血肾炎综合征、急性风湿热、重症肌无力、格雷夫斯病、胰岛素抗性糖尿病和恶性贫血。II型超敏反应综合征可以由与非自身抗体结合的抗体的产生引起，诸如在导致器官排斥的同种异体移植后；导致溶血的血型不相容性；与导致例如副肿瘤综合征、神经病和通道病等的肿瘤相关联的抗原结合的抗体。II型超敏反应也可以由针对细胞膜结合药物的导致药物诱导的细胞死亡(例如肝素诱导的血小板减少症)的抗体引起。III型超敏反应疾病的非限制性示例是系统性红斑狼疮、链球菌感染后肾小球肾炎、急性肾小球肾炎、血清病、阿尔图斯氏反应、反应性关节炎和结节性多动脉炎。IV型超敏反应综合征的非限制性示例是接触性皮炎、多发性硬化、1型糖尿病、移植排斥、类风湿性关节炎、结核病和周围神经病。

免疫缺陷疾病包括原发性免疫缺陷疾病和继发性免疫缺陷疾病。原发性免疫缺陷病的非限制性示例是X-连锁无丙种球蛋白血症、常见变异免疫缺陷、孤立性IgA缺乏症、高IgM综合征、DiGeorge综合征、严重联合免疫缺陷病(SCID)、Wiskott-Aldrich综合征和补体系统遗传缺陷。继发性免疫缺陷疾病的非限制性示例是获得性免疫缺陷综合征(AIDS)、人类免疫缺陷病毒(HIV)感染、联合免疫缺陷综合征(CIDS)和脊髓损伤诱导的免疫抑制综合征(SCI-IDS)。

传染性疾病的非限制性示例包括不动杆菌感染、放线菌病、非洲昏睡病(非洲锥虫病)、AIDS(获得性免疫缺陷综合征)、阿米巴原虫病、无形体病、管圆线虫病、异尖线虫病、炭疽、溶血隐秘杆菌感染、阿根廷出血热、蛔虫病、曲霉病、星状病毒感染、巴贝斯虫病、蜡样芽孢杆菌感染、细菌性脑膜炎、细菌性肺炎、细菌性阴道病、拟杆菌感染、小袋纤毛虫病、巴尔通体病、贝蛔虫病、感染、BK病毒感染、黑色毛结节菌病、芽囊原虫病、芽生菌病、玻利维亚出血热、肉毒杆菌中毒(和婴儿肉毒杆菌中毒)、巴西出血热、布鲁氏菌病、黑死病、伯克霍尔德菌感染、布鲁里溃疡、杯状病毒感染(诺如病毒和沙波病毒)、弯曲杆菌病、念珠菌病(白念菌病；鹅口疮)、毛细线虫病、卡里翁氏病、猫抓病、蜂窝组织炎、查加斯氏病(美洲锥虫病)、软下疳、水痘、奇昆古尼亚热病、衣原体病、肺炎衣原体感染(台湾急性呼吸道病原体或TWAR)、霍乱、产色真菌病、壶菌病、华支睾吸虫病、艰难梭菌病、结肠炎、球孢子菌病、科罗拉多蜱热(CTF)、普通感冒(急性病毒性鼻咽炎；急性鼻炎)、冠状病毒病2019、克雅氏病(CJD)、克里米亚-刚果出血热(CCHF)、隐球菌病、隐孢子虫病、皮肤幼虫移行症(CLM)、环孢子虫病、囊虫病、巨细胞病毒感染、登革热、链带藻属感染、齿阿米巴病、白喉、裂头绦虫病、麦地那龙线虫病、埃博拉出血热、棘球蚴病、埃立克体病、蛲虫病(蛲虫感染)、肠球菌感染、肠病毒感染、流行性斑疹伤寒、感染性红斑(第五病)、幼儿急疹(第六病)、肝片吸虫病、姜片虫病、致命性家族性失眠(FFI)、丝虫病、产气荚膜梭菌食物中毒、自由生活阿米巴感染、梭杆菌感染、气性坏疽(梭状芽孢杆菌肌坏死)、地颤菌病、Gerstmann-Str，，ussler-Scheinker综合征(GSS)、贾第鞭毛虫病、鼻疽病、颚口线虫病、淋病、腹股沟肉芽肿(杜诺凡病)、一型链球菌感染、B组链球菌感染、流感嗜血杆菌感染、手足口病(HFMD)、汉坦病毒肺综合征(HPS)、心脏地带病毒病、幽门螺杆菌感染、溶血性尿毒症综合征(HUS)、肾综合征出血热(HFRS)、亨德拉病毒感染、甲型肝炎、乙型肝炎、丙型肝炎、丁型肝炎、戊型肝炎、单纯疱疹、组织胞浆菌病、钩虫感染、人博卡病毒感染、人类尤因埃立克体病、人类粒细胞无形体病(HGA)、人类偏肺病毒感染、人类单核细胞埃立克体病、人类乳头瘤病毒(HPV)感染、人类副流感病毒感染、膜壳虫病、爱泼斯坦-巴尔病毒传染性单核细胞增多症(Mono)、流行性感冒(flu)、等孢子虫病、川崎病、角膜炎、金氏菌感染、库鲁病、拉沙热、军团杆菌病(军团病)、庞蒂亚克热、利什曼病、麻风病、钩端螺旋体病、李斯特菌病、莱姆病(莱姆病疏螺旋体病)、淋巴丝虫病(象皮病)、淋巴细胞性脉络丛脑膜炎、疟疾、马尔堡出血热(MHF)、麻疹、中东呼吸综合征(MERS)、类鼻疽病(惠特莫尔病)、脑膜炎、脑膜炎球菌病、后殖吸虫病、微孢子虫病、传染性软疣(MC)、猴痘、腮腺炎、鼠伤寒(地方性斑疹伤寒)、肺炎支原体、生殖支原体感染、足菌肿、蝇蛆病、新生儿结膜炎(新生儿眼炎)、尼帕病毒感染、诺如病毒(儿童和婴儿)、“(新)变异型克雅氏病(vCJD、nvCJD)”、诺卡氏菌病、盘尾丝虫病(河盲症)、后睾吸虫病、巴西芽生菌病(南美芽生菌病)、肺吸虫病、巴氏杆菌病、头虱病(头虱)、体虱病(体虱)、“阴虱病(阴虱、蟹虱)”、盆腔炎(PID)、百日咳(Pertussis或whooping cough)、鼠疫、肺炎球菌感染、肺孢子菌肺炎(PCP)、肺炎、脊髓灰质炎、普雷沃氏菌感染、原发性阿米巴脑膜脑炎(PAM)、进行性多灶性脑白质病、鹦鹉热、Q热、狂犬病、回归热、呼吸道合胞病毒感染、鼻孢子虫病、鼻病毒感染、立克次体感染、立克次体痘、裂谷热(RVF)、落基山斑点热(RMSF)、轮状病毒感染、风疹、沙门氏菌病、SARS(严重急性呼吸综合征)、疥疮、猩红热、血吸虫病、败血症、志贺氏菌病(细菌性痢疾)、带状疱疹(Shingles或Herpes zoster)、天花(Smallpox或variola)、孢子丝菌病、葡萄球菌食物中毒、葡萄球菌感染、类圆线虫病、亚急性硬化性全脑炎、非性病性梅毒、梅毒、雅司病、绦虫病、破伤风(Tetanus或lockjaw)、须癣(须疮)、头癣(头皮癣)、体癣(Tineacorporis或ringworm of the body)、股癣(Tinea cruris或Jock itch)、手癣(Tineamanum或ingworm of the hand)、黑癣、足癣(Tinea pedis或athlete’s foot)、甲癣(甲真菌病)、花斑癣(Tinea versicolor或Pityriasis versicolor)、弓蛔虫病(眼幼虫移行症(OLM))、弓形虫病(内脏幼虫移行症(VLM))、弓形虫病、颗粒性结膜炎、旋毛虫病、滴虫病、鞭虫病(鞭虫感染)、肺结核、土拉菌病、伤寒、斑疹伤寒、解脲脲原体感染、谷热、委内瑞拉马脑炎、委内瑞拉出血热、创伤弧菌感染、副溶血弧菌肠炎、病毒性肺炎、西尼罗河热、白癣菌病(白癣)、假结核耶尔森氏菌感染、耶尔森氏菌病、黄热病、玉米孢菌病、寨卡热、接合菌病。

在使用多个分类或回归模型的情况下，可以利用仲裁元件来提供来自多个模型的一致结果。给定分类器的训练过程将随其实施而变化，但是训练通常涉及将训练数据统计聚合成与输出类相关联的一个或多个参数。训练过程可以在远程系统和/或本地设备或可穿戴应用上完成。训练过程可以以联合或非联合的方式实现。对于基于规则的模型(诸如决策树)，由一个或多个人类专家提供的领域知识可以在选择用于使用所提取的特征对用户进行分类的规则时代替或补充训练数据。多种技术中的任何一种可以用于分类算法，包括支持向量机、回归模型、自组织映射、模糊逻辑系统、数据融合过程、提升和装袋方法、基于规则的系统或人工神经网络。

联合学习(又名协作学习)是这样的机器学习技术，其在多个分散式边缘设备或保存本地数据样本的服务器上训练算法，而不交换它们的数据样本。这种方法与传统的集中式机器学习技术(在传统的集中式机器学习技术中所有数据样本被上传到一个服务器)形成对比，也与更经典的分散式方法(其假设本地数据样本是相同分布的)形成对比。联合学习使多个参与者能够在不共享数据的情况下建立通用的、健壮的机器学习模型，从而解决关键问题，诸如数据隐私、数据安全、数据访问权限和对异构数据的访问。其应用遍布于许多行业，包括国防、电信、IoT或制药。

例如，SVM分类器可以利用被称为超平面的多个函数来在概念上划分N维特征空间中的边界，其中N维中的每一个表示特征向量的一个相关联的特征。边界定义了与每个类相关联的特征值的范围。因此，可以针对给定的输入特征向量根据其在特征空间中相对于边界的位置来确定输出类别和相关联的置信度值。在一种实施方式中，可以通过使用线性或非线性内核的内核方法来实施SVM。

ANN分类器包括具有多个互连的多个节点。来自特征向量的值被提供给多个输入节点。输入节点各自将这些输入值提供给一个或多个中间节点的层。给定的中间节点接收来自先前节点的一个或多个输出值。根据在分类器的训练期间建立的一系列权重对所接收的值进行加权。中间节点根据该节点处的传递函数将其接收的值转换成单个输出。例如，中间节点可以对所接收的值求和，并使该和服从二进制阶跃函数。最后一层节点为ANN的输出类提供置信度值，其中每个节点具有表示分类器的相关联的输出类别中的一个的置信度的相关联的值。

许多ANN分类器是全连接和前馈的。然而，卷积神经网络包括卷积层，在卷积层中来自前一层的节点仅连接到卷积层中的节点的子集。递归神经网络是这样的一类神经网络，其中节点之间的连接沿着时间序列形成有向图。与前馈网络不同，递归神经网络可以结合来自由先前输入引起的状态的反馈，使得对于给定输入的递归神经网络的输出不仅可以是该输入的函数，而且可以是一个或多个先前输入的函数。例如，长短期记忆(Long Short-Term Memory，LSTM)网络是递归神经网络的修改版本，其使记忆过去的数据变得更容易。

基于规则的分类器将一组逻辑规则应用于所提取的特征以选择输出类。一般而言，规则是按顺序应用的，其中每个步骤处的逻辑结果影响后面步骤处的分析。特定规则及其次序可以根据任何或所有训练数据、来自先前用例的类比推理或现有领域知识确定。基于规则的分类器的一个示例是决策树算法，其中将特征集中的特征的值与分层树结构中的相对应的阈值进行比较，以选择特征向量的类别。随机森林分类器是决策树算法的、使用自举聚合或“装袋”方法的改进。在这种方法中，在训练集的随机样本上训练多个决策树，并且返回多个决策树的平均(例如，均值、中值或众数)结果。对于分类任务，来自每个树的结果将是分类的，并且因此可以使用模态结果。

在一个实施方式中，预测模型124可以包括预测健康状况相关参数的未来值的组成模型，诸如卷积神经网络，其被提供有小波变换系数的一个或多个二维阵列作为输入。小波系数不仅检测时间的变化，还检测时间模式的变化，并且因此可以反映用户的普通生物节律方面的变化。在一个实施方式中，由组成模型预测的健康状况相关参数可以包括所测量的参数(诸如心率、温度和心率变异性)、以及症状(诸如头痛、疲劳、气短、咳嗽和睡眠中断)。应当理解的是，给定的组成模型可以使用除小波系数之外的数据，诸如其他所测量的特征和用户数据126来提供这些预测。

预测模型124的输出可以是表示用户的状态(诸如“感染”或“未感染”、“具有传染性”或“不具有传染性”，或者“恢复”或“未恢复”)的类别参数。在一个示例中，其用于为可能具有传染性的个体筛选安全区域(例如机场安全和医疗准入)，类别参数可以表示个体是否可以被立即准入、拒绝准入或进行进一步筛选。类别参数也可以表示当前或预测状态的可能性的范围。在另一实施方式中，预测模型124的输出可以是连续参数，诸如预测或当前状态的可能性。在一个示例中，预测模型124可以包括预测未来时间的健康状况相关参数的值的一个或多个组成模型。例如，给定的模型可以基于从特征提取器122接收的数据和存储的用户数据126来预测用户在未来时间(例如，三天后)的心率或体温。这些预测值可以被提供给用户或用作附加模型的输入，以预测用户在未来时间的状态。在一个示例中，预测模型124包括多个卷积神经网络，每个卷积神经网络被配置为预测健康状况相关参数的未来值，其中来自多个卷积神经网络的预测值用于预测用户的未来状态。

在一些实施方式中，预测模型124可以包括反馈组件128，该反馈组件可以基于模型做出的预测的准确性来调节预测模型124的各种参数。在一个示例中，反馈组件128可以由多个预测模型124共享，其中与每个预测模型相关联的用户的结果与由模型的输出预测的结果相比较。与模型相关联的参数(诸如用于根据连续值产生类别输入或输出的阈值)可以根据实际和预测结果的差异进行调节。在一个示例中，可以将系统的连续输出与阈值进行比较，以确定患者是传染性的还是非传染性的。这个阈值可以由反馈模型128改变，以增加确定的准确性。

替代性地，预测模型124可以获得个体模型的水平下的反馈。例如，在使用组成模型来预测健康状况相关参数的未来值的预测模型124中，一旦健康状况相关参数被测量，该模型接收关于这些预测的准确性的一致反馈。这个反馈可以用于调节模型的参数，包括该用户根据连续值或与患者相关联的生物节律的基线值产生类别输入或输出的个性化阈值。替代性地，可以从模型的最终输出中提供反馈并将其与其他数据进行比较，诸如用户报告的状态(例如，给定条件下的症状或无症状)，以向模型提供反馈。在一个实施方式中，基于预测模型124的中间阶段的健康状况相关参数的预测未来值的准确性或者预测模型的输出，可以使用强化学习方法来调节模型参数。例如，用于根据由预测模型124产生的连续指标生成类别输出的决策阈值可以基于来自先前用户的多个模型的反馈被设置为初始值并且经由强化模型被调节以生成特定于用户的决策阈值。

图2是使用多个便携式监控设备152、154和160的图1的系统的示意性示例150。在所示的实施方式中，第一便携式监控设备和第二便携式监控设备152和154是分别穿戴在手腕和手指上的可穿戴设备。由第一便携式监控设备和第二便携式监控设备152和154监控的健康状况相关参数可以包括例如心率、心率变异性、睡眠质量的度量、生物节律变化、睡眠量的度量、用户的身体活动、身体取向、运动、动脉血压、呼吸频率、由脉搏血氧定量法测量的外周动脉血氧饱和度、最大耗氧量、温度和温度变化。如本文所用的可穿戴设备可以包括利用适当的传感器实施的任何可穿戴物品，包括手表、腕带、戒指、头带以及可以将传感器保持在适当位置以监控健康状况相关参数的其他可穿戴物品。应当理解的是，给定的可穿戴设备152和154可以以很高的频率(例如，每五分钟)监控这些参数中的许多参数，从而允许生成详细的数据时间序列。

系统150还可以包括经由本地收发器162与第一便携式监控设备和第二便携式监控设备152和154通信的移动设备160。移动设备160还可以包括图形用户界面164，该图形用户界面允许用户与存储在基础单元的一个或多个数据收集应用166交互。可能的数据收集应用的一个示例可以包括测试认知功能的各种度量的认知评估应用。这些包括工作记忆、注意力、反应抑制、疲劳、认知。进一步，可以将这些度量与所建立的基线进行比较，以估计用户的疲劳的度量。来自示例认知评估应用的截屏被提供为图3至图8。另一数据收集应用可以包括问卷应用，该问卷应用允许用户自我报告症状、心情、精神、身体和情绪状态以及压力。图9示出了针对用于预测来自COVID-19的症状的发作的系统的示例在早晨完成的第一调查的示例问题。图10示出了针对这个示例在晚上完成的第二调查的示例问题。总体而言，数据收集应用166可以被选择和配置成监控以下各项中的每一项：

1.注意力、警觉性、疲劳——神经心理学家——精神超负荷的测量、决策、专注力、注意力分散、抑制控制、侧抑制任务、反应时间、击中灯的次数和失误，选择反应任务和具有注意成分、注意力分散、注意力集中、连续识别、斯特鲁普的其他任务

2.记忆——SAGE—自我管理的认知，陈述性记忆

3.语言——

4.心情和情感——CES-D、抑郁和心情概况

5.奖励和冒险——延迟贴现、奖励学习，

6.感知处理——视觉、听觉、嗅觉、体感/多模态

7.疲劳——精神运动警觉性任务和其他注意力任务

8.感觉-系统，诸如嗅觉、味觉、视觉、听觉、触觉

9.运动

10.神经能力

11.社会系统

12.社交网络

移动设备160还包括网络收发器168，系统150通过该网络收发器经由局域网或互联网连接与远程服务器170通信。在这个示例中，远程服务器170包括被实施为递归神经网络的预测模型，特别是具有长短期记忆架构的网络。在这个示例中，来自可穿戴设备152和154的健康状况相关参数(诸如温度)结合问卷回答和认知评估可以作为时间序列与其他相关数据一起被提供给预测模型。该模型的输出是表示由COVID-19给用户带来的风险的指数。

将理解的是，可以从社会上有联系的多个用户收集数据，例如家庭、同事或朋友。示例是“群体免疫”的概念，其被计算为个体周围的社会环境。用户之间的社交联系可以是自我报告的或者从自我报告的数据中导出，或者在一个示例中，通过分析来自被监控用户的移动设备的位置历史来确定。使用位置数据或邻近传感器(其检测与阈值距离内的其他用户相关联的便携式监控设备)可能允许并非有意社交接触的频繁空间邻近的情况(例如，共享常用交通工具用于进行公共运输)在一个示例中，可以使用由用户携带的移动设备之间的蓝牙或类似的短程通信来确定用户在空间上接近。指示对传染性疾病的易感性或收缩性的指数可以用作其他相关个体的预测因子的一部分。这些数据还可以用来预测疾病可能传播的位置，从而允许人工智能驱动的智能社交保持距离。应当理解的是，从用户收集的信息将以加密形式存储，并且仅在移除个人标识数据以保护用户隐私之后才被共享。

在一个示例中，诸如零售店、机场、大学校园、学校或医院的高流量位置可以在已知位置具有多个蓝牙信标。在用户经过信标时，他们的移动设备中的蓝牙收发器将与信标进行交互，同时为每次交互存储用户的标识符和时间。这些值以及由应用收集的其他位置和邻近信息可以用于接触者追踪以及用于确定与各种位置相关联的感染风险。可以使用由GPS接收器收集的地理定位数据来执行类似的过程，其中记录用户经过与给定位置相关联的地理围栏区域，或者记录经过与每个设备相关联的动态地理围栏的受感染或具有传染性的用户的存在。

来自用户设备和/或所设计的蓝牙信标的位置数据可以用于生成感兴趣区域上的感染风险图。在一个示例中，经由数据收集应用166中的一个报告与给定传染性疾病相关联的症状的用户的存在可以被分配给给定位置。在另一示例中，具有所报告的症状的用户和根据预测模型124被预测为具有传染性的用户两者可以用于生成风险分数。在一种实施方式中，可以根据与传染性预测相关联的概率或置信度值，对被预测为具有传染性的用户的风险分数的贡献进行加权。

可以调节该图以显示感染的符号、颜色或其他指示符，并且可以生成风险分数。风险分数可以表示在该位置针对给定传染性疾病报告的感染的总数、在限定的时间窗内在该位置报告的感染数、或者在该位置报告的感染数、或者总数或者是在限定的时间窗内除以该位置的面积，以生成表示在该位置的感染的密度的值。每个位置的风险分数可以被示出在图上。

图11示出了可以为目标位置生成的风险分数180的图的简化示例。在简化的示例中，位置的风险分数被示出为三个类别值，其中第一类别表示无已知感染风险，第二类别表示低水平的感染风险，以及第三类别表示增加的感染风险水平。在所示的图180中，第一级感染风险被表示为没有阴影的位置，第二级感染风险被表示为具有浅色阴影的位置182，以及第三级感染风险被表示为具有深色阴影的位置184。应当理解的是，可以通过将所定义的或动态的阈值应用于为每个位置生成的连续风险分值来提供每个类别值。

在一个实施方式中，用于定义每个类别的阈值可以根据用户的特性来定义(例如如用户数据126所表示的那样)、或者通过在预测模型124处确定的用户对感染的弹性的确定来定义。例如，如果用户处于感染的高风险类别(例如，老年人、免疫缺陷或共病状况)中，则阈值可以被降低，以表示用户的增加的感染风险。类似地，如果确定用户的弹性在给定时间降低，则可以暂时降低阈值来表示用户抵抗感染的降低的能力。因此，该图不仅可以针对给定用户进行个性化，还可以被调节以表示特定时间处用户的风险。

此外，通过建议易感个体以避免社会接触或预测和预报传染性，所生成的指数可以用作预防性措施。例如，已知易感染或即将感染某种特定传染性疾病的个体可能进行增强的社交保持距离，直到他们的状况改善。类似地，主管可能将特别容易感染或可能具有传染性的员工调离与客户的直接接触，特别是在卫生保健环境中。当可以在人群中获得易感性和所预测的传染性时，可以警告被预报为具有传染性的个体不要与其社交网络中的易感个体接触，从而减少疾病在易感人群中的传播。

测量弹性或恢复可能性的指数可以用于分配稀缺的医疗资源。例如，可以指导具有高弹性的个体，至少在最初，作为门诊病人来治疗疾病，因为他们将不太可能出现需要医院护理的症状。同样地，当药物或医疗设备(诸如呼吸机)供应不足时，可以将其给予具有更高需求或康复可能性的患者，以最大化医疗资源的效用。在其他情况下，这些指数可以通过考虑个人整体身体弹性来指导诊断和医疗状态分类和治疗选项，以使其更加有效。

最后，感兴趣的给定位置的数据可以用于检测其中感染可能开始传播的区域。图12示出了传染性疾病爆发前一段时间内的几个健康状况相关参数。图13示出了爆发期间的相同参数。将会注意到，在感兴趣的位置处的平均体温和心率变异性下降，而心率的平均值以及准备状态和活动的度量随着爆发进展而下降。然而，从图12中可以理解的是，这些趋势中的每一个在爆发进行之前都是明显的，并且预测模型140的使用，特别是在循环网络(例如，LSTM)处这些值的时间序列的评估，可以允许及时预测爆发以采取措施来降低其严重性。

图14示出了将COVID-19 192的个体的一组各种健康状况相关参数的平均值与普通人群194的一组各种健康状况相关参数的平均值进行比较的雷达图190。如从图表中可以看出的那样，具有COVID-19的个体遭受睡眠质量和睡眠持续时间方面的适度下降，并且示出了注意力、所报告的健康状况和心率变异性方面的明显下降。患者的静息心率也显著增加。患者还经历了轻微增加的“工作负荷”，即呈附加压力和疲劳的形式的进行日常任务的成本。应当理解的是，这些健康状况相关参数在标识无症状用户中的COVID-19感染的发作时特别有用。

鉴于以上描述的结构和功能特征，参照图15和图16将更好地理解根据本发明各个方面的方法。虽然为了简化说明，图15至图16的方法被示出和描述为顺序执行，但是应该理解和明白的是，本发明不限于所示的顺序，因为根据本发明，一些方面可以以不同的顺序发生和/或与来自本文示出和描述的其他方面同时发生。而且，实施根据本发明的一方面的方法并非需要所有示出的特征。

图15示出了用于监控用户的健康状况的方法的一个示例。在202，在限定的时段内，在便携式设备处监控表示用户的健康状况相关参数，以产生健康状况相关参数的时间序列。健康状况相关参数的示例可以包括心率变异性和体温，其可以例如在可穿戴设备处进行监控。在204，在所限定的时段中的相应第一时间和第二时间，针对用户获得第一组和第二组认知评估数据或社会心理评估数据中的一个或者两个。在一个示例中，提示用户在与便携式设备相关联的基础单元(诸如移动设备)处与认知评估应用或心理评估应用进行交互，以提供第一组和第二组评估数据。

在206，根据健康状况相关参数的时间序列以及第一组和第二组认知评估数据或社会心理评估数据，经由预测模型将值分配给用户。在一个示例中，该值表示由特定疾病或疾病的分类对用户造成的预测风险，诸如用户的所预测的或预报的传染性、直到用户将被传染性疾病传染的所预测的天数、或来自鼻、鼻咽、口、血液或其他体液中的DNA、RNA或蛋白质或抗体测量的所预测的病原体水平。

在一个实施方式中，预测模型对健康状况相关参数的时间序列执行小波分解，以提供一组小波系数。小波系数本身可以用作预测模型的特征，或者它们可以聚集成一个或多个复合特征。例如，该组小波系数的至少一部分的加权组合可以利用在预测模型的训练过程中分配的权重来生成。替代性地，可以生成基于该组小波系数的二维阵列的质心，以提供预测模型的特征。预测模型也可以使用中间预测作为分配值时的特征。例如，一个或多个健康状况相关参数的未来值可以从所监控的数据预测并且然后用作预测模型中的特征。

在一个示例中，预测模型可以利用反馈来调节与预测模型相关联的参数，例如，通过模型的再训练或对一个或多个特定参数使用强化学习过程，诸如用于根据连续输出生成分类值的决策阈值。在这个实施方式中，测量与用户相关联的结果，并通过预测模型将其与分配给用户的值进行比较。根据该比较改变与预测模型相关的参数。

图16示出了用于监控用户的健康状况的方法的另一示例。在302，在限定的时段内，在可穿戴设备处监控表示用户的多个健康状况相关参数，以产生所监控参数的相应时间序列。在304，从多个健康状况相关参数的时间序列中提取表示用户的一组特征。该组特征包括多个健康状况相关参数中的至少一个的预测值，诸如心率变异性或体温。在306，根据该组特征，通过预测模型将值分配给用户。

图17是示出能够实施本文中公开的系统和方法的示例的硬件组件的示例性系统400的示意性框图。系统400可以包括各种系统和子系统。系统400可以是个人计算机、膝上型计算机、工作站、计算机系统、器具、专用集成电路(application-specific integratedcircuit，ASIC)、服务器、服务器BladeCenter、服务器群等。

系统400可以包括系统总线402、处理单元404、系统存储器406、存储器设备408和410、通信接口412(例如网络接口)、通信链路414、显示器416(例如视频屏幕)和输入设备418(例如键盘、触摸屏和/或鼠标)。系统总线402可以与处理单元404和系统存储器406通信。诸如硬盘驱动器、服务器、独立数据库或其他非易失性存储器的附加存储设备408和410也可以与系统总线402通信。系统总线402互连处理单元404、存储器设备406-410、通信接口412、显示器416和输入设备418。在一些示例中，系统总线402还互连附加端口(未示出)，诸如通用串行总线(universal serial bus，USB)端口。

处理单元404可以是计算设备，并且可以包括专用集成电路(ASIC)。处理单元404执行一组指令来实施本文公开的示例的操作。处理单元可以包括处理核心。

附加存储设备器406、408和410可以存储数据、程序、指令、文本或编译形式的数据库查询以及操作计算机可能需要的任何其他信息。存储器406、408和410可以被实施为计算机可读介质(集成的或可移动的)，诸如存储卡、磁盘驱动器(CD)、光盘或可通过网络访问的服务器。在某些示例中，存储器406、408和410可以包括其部分可以以人类可理解的格式可用的文本、图像、视频和/或音频。

附加地或替代性地，系统400可以通过通信接口412访问外部数据源或查询源，该通信接口可以与系统总线402和通信链路414通信。

在操作中，系统400可以用于实施根据本发明的用于监控用户的健康状况的系统的一个或多个部分。根据某些示例，用于实施该监控系统的计算机可执行逻辑驻留在系统存储器406以及存储器设备408和410中的一个或多个上。处理单元404执行源自系统存储器406以及存储设备408和410的一个或多个计算机可执行指令。如本文所用的术语“计算机可读介质”是指参与向处理单元404提供指令以供执行的介质。这个介质可以分布在多个分立的组件上，所有这些组件可操作地连接到公共处理器或一组相关处理器。在以上描述中给出了具体细节，以提供对实施例的透彻理解。然而，应当理解的是，实施例可以在没有这些具体细节的情况下实践。例如，为了不在不必要的细节上模糊实施例，可以在框图中示出物理部件。在其他情况下，公知的电路、过程、算法、结构和技术可以在没有不必要的细节的情况下示出，以避免模糊实施例。

上述技术、块、步骤和手段的实施方式可以以各种方式完成。例如，这些技术、块、步骤和装置可以以硬件、软件或其组合的方式来实施。对于硬件实现方式，处理单元可以在一个或多个专用集成电路(ASIC)、数字信号处理器(digital signal processor，DSP)、数字信号处理设备(digital signal processing device，DSPD)、可编程逻辑器件(programmable logic device，PLD)、现场可编程门阵列(field programmable gatearray，FPGA)、处理器、控制器、微控制器、微处理器、被设计成执行上述功能的其他电子单元和/或其组合内实施。

而且，注意，实施例可以被描述为被描绘为程序框图、流程图、数据流图、结构图或框图的过程。尽管程序框图可以将操作描述为顺序过程，但是许多操作可以并行或并发地执行。此外，操作的顺序可以重新布置。当过程的操作完成时，该过程被终止，但是可能具有图中没有包括的附加步骤。过程可以对应方法、函数、程序、子例程、子程序等。当过程对应于函数时，它的终止对应于该函数返回到调用函数或主函数。

另外，实施例可以通过硬件、软件、脚本语言、固件、中间件、微码、硬件描述语言和/或其任意组合来实施。当以软件、固件、中间件、脚本语言和/或微代码实施，执行必要任务的程序代码或代码段可以存储在诸如存储介质的机器可读介质中。代码段或机器可执行指令可以表示程序(procedure)、函数、子程序、程序(program)、例程、子例程、模块、软件包、脚本、类或指令、数据结构和/或程序语句的任意组合。通过传递和/或接收信息、数据、自变量、参数和/或存储器内容，代码段可以耦合到另一代码段或硬件电路。信息、自变量、参数、数据等可以通过任何合适的方式传递、转发或传输，包括存储器共享、消息传递、票证传递、网络传输等。

对于固件和/或软件实现方式，方法可以利用执行本文描述的功能的模块(例如，程序、功能等)来实施。实现指令的任何有形机器可读介质都可以用于实施本文描述的方法。例如，软件代码可以存储在存储器中。存储器可以在处理器内部或处理器外部实施。如本文所用，术语“存储器”指的是任何类型的长期、短期、易失性、非易失性或其他存储介质，并且不限于任何特定类型的存储器或数量的存储器、或者存储存储器的介质的类型。

而且，如本文所公开的那样，术语“存储介质”可以表示用于存储数据的一个或多个存储器，包括只读存储器(read only memory，ROM)、随机存取存储器(random accessmemory，RAM)、磁RAM、核心存储器、磁盘存储介质、光存储介质、闪存设备和/或用于存储信息的其他机器可读介质。术语“机器可读介质”包括但不限于便携式或固定存储设备、光存储设备、无线信道和/或能够存储包含或携带(多个)指令和/或数据的各种其他存储介质。

上面描述的内容是示例。当然，不可能描述部件或方法的每一个可想到的组合，但是本领域的普通技术人员可以认识到许多进一步的组合和置换是可能的。因此，本公开旨在包括落入包括所附权利要求在内的本申请范围内的所有这样的变更、修改和变化。如本文所用，术语“包括(includes)”意味着包括但不限于，术语“包括(including)”意味着包括但不限于。术语“基于”是指至少部分地基于。附加地，在本公开或权利要求叙述“一”、“一个”、“第一”或“另一”元件或其等同物的情况下，它应该被解释为包括一个或多于一个这样的元件，既不要求也不排除两个或更多这样的元件。

Claims (21)

1.一种用于监控用户的健康状况的方法，所述方法包括：

监控在限定的时段内标识便携式设备处的所述用户的健康状况相关参数，以产生所述健康状况相关参数的时间序列；

在所述限定的时段中的相应第一时间和第二时间，针对所述用户获得第一组和第二组认知评估数据和社会心理评估数据；以及

根据所述健康状况相关参数的时间序列、所述第一组认知评估数据和社会心理评估数据之一以及所述第二组认知评估数据和社会心理评估数据之一，经由预测模型向所述用户分配值。

2.根据权利要求1所述的方法，其中，根据所述健康状况相关参数的时间序列经由预测模型向所述用户分配值包括：对所述健康状况相关参数的时间序列执行小波分解以提供一组小波系数并根据至少所述组小波系数来分配所述值。

3.根据权利要求2所述的方法，还包括生成所述组小波系数的至少一部分的加权组合，其中，根据至少所述组小波系数来分配所述值包括根据至少所述加权组合来分配所述值。

4.根据权利要求2所述的方法，其中，所述组小波系数是跨第一变量和第二变量的二维数组，所述方法还包括基于所述组小波系数生成所述二维数组的质心，作为所述第一变量的第一表示值和所述第二变量的第二表示值，其中，根据至少所述组小波系数分配所述值包括根据至少所述第一表示值和第二表示值分配所述值。

5.根据权利要求1所述的方法，还包括：

测量与所述用户相关联的结果；

将所测量的结果与通过预测模型分配给所述用户的所述值进行比较；以及

根据所述测量的结果与通过所述预测模型分配给所述用户的值的比较，改变与所述预测模型相关联的参数。

6.根据权利要求5所述的方法，其中，根据所述测量的结果与经由所述预测模型分配给所述用户的所述值的比较来改变与所述预测模型相关联的参数包括：基于所述测量的结果与分配给所述用户的所述值的相似性来生成对强化学习过程的奖励，并且经由所述强化学习过程来改变所述参数。

7.根据权利要求6所述的方法，其中，与所述预测模型相关联的所述参数是用于将所述值作为来自由所述预测模型提供的连续索引的类别值分配给所述用户的决策阈值。

8.根据权利要求1所述的方法，其中，所述值表示通过免疫接种向所述用户提供的预期免疫程度。

9.根据权利要求1所述的方法，其中，所述值表示由特定疾病或疾病分类对所述用户造成的预测风险。

10.根据权利要求9所述的方法，其中，所述值表示所述用户的预测或预报的传染性。

11.根据权利要求10所述的方法，其中，所述值表示直到所述用户将会被传染性疾病传染的所预测的天数。

12.根据权利要求9所述的方法，其中，所述值表示来自所述鼻、鼻咽、口或体液中的DNA、RNA或蛋白质或抗体测量的所预测的病原体水平。

13.根据权利要求1所述的方法，其中，通过所述预测模型将所述值分配给所述用户包括：

根据所述健康状况相关参数的时间序列、所述第一组认知评估数据和社会心理评估数据之一以及所述第二组认知评估数据和社会心理评估数据之一，向所述用户分配表示所述健康状况相关参数的未来值的第一值；以及

根据至少所述第一值将所述值分配给所述用户。

14.根据权利要求1所述的方法，其中，所述健康状况相关参数是心率变异性。

15.一种系统，包括：

可穿戴设备，所述可穿戴设备在限定的时段内监控表示用户的健康状况相关参数，以产生所监控的参数的时间序列；

便携式设备，所述便携式设备在所述限定的时段中的相应第一时间和第二时间，针对所述用户接收第一组和第二组认知评估数据和社会心理评估数据；以及

预测模型，所述预测模型根据所述健康状况相关参数的时间序列、所述第一组认知评估数据和社会心理评估数据之一以及第二组认知评估数据和社会心理评估数据之一而向所述用户分配值。

16.根据权利要求15所述的系统，其中，所述第一组和第二组认知评估数据和社会心理评估数据之一是所述第一组认知评估数据和第二组认知评估数据，并且所述便携式设备包括用户界面，所述用户界面允许所述用户与在与所述可穿戴设备相关联的基础单元处的认知评估应用交互，以提供所述第一组认知评估数据和所述第二组认知评估数据。

17.根据权利要求15所述的系统，其中，所述预测模型被实施为递归神经网络，所述递归神经网络产生表示所述用户的指数和强化学习模型，所述强化学习模型连续细化用于将所述值作为表示所述用户的健康状况的类别参数分配给所述用户的决策阈值。

18.根据权利要求15所述的系统，还包括特征提取器，所述特征提取器根据所述监控的参数的时间序列确定一组特征，所述预测模型根据所述组特征、所述第一组认知评估数据和社会心理评估数据之一以及所述第二组认知评估数据和社会心理评估数据之一将所述值分配给所述用户。

19.根据权利要求18所述的系统，其中，所述特征提取器对所述健康状况相关参数的时间序列执行小波分解，以提供一组小波系数，从而提供所述组特征。

20.根据权利要求18所述的系统，其中，所述预测模型根据所述健康状况相关参数的时间序列向所述用户分配表示所述健康状况相关参数的未来值的第一值，并根据至少所述第一值向所述用户分配所述值。

21.一种用于监控用户的健康状况的方法，所述方法包括：

在限定的时段内，在可穿戴设备处监控表示所述用户的多个健康状况相关参数，以产生所监控参数的相应时间序列；

从所述多个健康状况相关参数的时间序列中提取表示所述用户的一组特征，所述组特征包括所述多个健康状况相关参数中的至少一个的预测值；以及

根据所述组特征通过预测模型将值分配给所述用户。

Images