CN107408153A - 用于使用运动数据确定休息时段的端点的系统、方法和设备 - Google Patents
用于使用运动数据确定休息时段的端点的系统、方法和设备 Download PDFInfo
- Publication number
- CN107408153A CN107408153A CN201680013805.7A CN201680013805A CN107408153A CN 107408153 A CN107408153 A CN 107408153A CN 201680013805 A CN201680013805 A CN 201680013805A CN 107408153 A CN107408153 A CN 107408153A
- Authority
- CN
- China
- Prior art keywords
- time
- data
- intersection point
- determined
- threshold value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1118—Determining activity level
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Physical Education & Sports Medicine (AREA)
- Anesthesiology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
在本文中描述了用于使用运动数据确定休息时段的持续时间的系统、方法和设备。在一个示范性实施例中,一个或多个数据滤波器被应用到接收到的运动数据以生成所述运动数据的一个或多个数据集。所述运动数据表示在时间段(诸如一天)的过程上由个体所经历的活动量。迭代过程被执行以使用(一个或多个)所生成的数据集来识别休息时段的开始点和结束点。在开始点和结束点被识别之后,计算开始点与结束点之间的时间差,并且确定休息时段的总持续时间。
Description
相关申请的交叉引用
本申请要求享有于2015年3月6日提交的美国临时专利申请No.62/129226的益处,通过引用将其公开内容整体并入本文。
技术领域
本发明总体上涉及用于使用运动数据确定休息时段的持续时间的系统、方法和设备。具体而言,在本文中描述了用于确定休息时段的开始时间和结束时间的经改进的技术。
背景技术
体动记录仪是使用运动传感器(诸如加速度计)来记录佩戴这样的运动传感器或具有附接到其的这样的运动传感器的个体的运动。体动记录仪使得能够确定、测量并且评估个体的身体活动。存在监测和/或分析个体的活动量的可商购的许多运动跟踪设备。对于这样的活动数据的一个特定用途是例如对何时个体睡着和/或醒着的识别。在个体可能睡着时的时间段在其他情况下被称为“休息时段”,而在个体可能醒着时的时间段在其他情况下被称为“活跃时段”。
通常,为了确定休息时段的持续时间,必须存在将活跃(例如,高活动)与休息(例如,低活动)分离的“阈值”活动值。计算挑战是识别适当的阈值并且使用该阈值来识别休息时段的开始和结束。
确定睡眠的端点的常规分析的限制之一在于,与活动阈值相比较的在运动的基础上的睡眠/唤醒状态的识别。这在尝试识别要使用的适当的阈值活动水平时可以创建“阈值问题”。尝试通过从唤醒时间与睡眠时间之间区分选择最优阈值活动水平将多导睡眠图(“PSG”)端点的体动记录仪估计对真实的PGS端点之间的一致最大化。遗憾的是,这些努力已经是不成功的,潜在地因为对于单个阈值活动水平而言难以适应以下情况:当对象实际上醒着但是保持不动时其表现好像其睡着。
此外,标准分析常常包括结果的人工过度阅读,有时在睡眠日记(其可能包括错误)或环境光数据的帮助下,以最小化这些误差。该过程是冗长并且耗费时间的、在设备制造之中变化,并且可以产生仍然为利用PSG更准确地评估的端点的估计的值。另外,该分析可能丢失体动记录仪数据中的重要信息。
因此,存在在运动数据内准确地并且客观地识别针对休息时段的端点同时还能够鲁棒地对大量的运动数据执行这样的分析的系统、方法和设备将是有益的。
发明内容
因此,本发明的目标是提供利用运动数据准确地并且客观地识别针对休息时段的开始和结束时间同时还能够鲁棒地对大量的运动数据执行这样的分析的系统、方法和设备。
在一个示范性实施例中,设置阈值活动水平,接收运动数据,第一滤波器被应用到所述运动数据,并且生成所述运动数据的第一数据集。确定所述第一数据集内的最小点,并且确定与所述最小点相关联的最小时间。连同与第一上交点相关联的第一上时间确定所述第一数据集与所述阈值活动水平相交的第一上交点,所述第一上交点在所述最小时间之后出现。然后,确定对应于所述第一上时间的所述运动数据上的第一位置,并且确定所述运动数据与所述阈值活动水平相交的原始数据上交点。确定与所述原始数据上交点相关联的原始数据上时间,其中,所述原始数据上时间在所述休息时段内的所述第一上时间之后出现,并且所述原始数据上时间被设置为所述休息时段的上边界。确定所述第一数据集与所述阈值活动水平相交的第一下交点,第一下交点在最小时间之前出现,并且还确定与第一下交点相关联的第一下时间。然后,确定对应于所述第一下时间的所述运动数据上的第二位置,并且还确定所述运动数据与所述阈值活动水平相交的原始数据下边界。确定与所述原始数据下边界相关联的原始数据下时间,并且所述原始数据下时间被设置为所述休息时段的下边界。然后通过计算所述原始数据上时间与所述原始数据下时间之间的时间差来确定所述休息时段的时间量。
在另一示范性实施例中,提供了一种包括可佩戴运动跟踪的系统,所述可佩戴运动跟踪包括至少一个运动传感器。所述系统还包括运动分析设备,其包括:从所述可佩戴运动跟踪器接收运动数据的通信电路;存储器,其存储所述运动数据;以及至少一个处理器。所述至少一个处理器被配置为:设置针对休息时段的阈值活动水平;将第一滤波器应用到所述运动数据;并且生成所述运动数据的第一数据集。所述至少一个处理器还被配置为确定所述第一数据集内的最小点和与所述最小点相关联的最小时间。所述至少一个处理器又被配置为确定所述第一数据集与所述阈值活动水平相交的第一上交点,所述第一上交点在所述最小时间之后出现。所述至少一个处理器还被配置为确定与所述第一上交点相关联的第一上时间、对应于所述第一上时间的所述运动数据上的第一位置、所述运动数据与所述阈值活动水平相交的原始数据上交点以及与所述原始数据上交点相关联的原始数据上时间,其中,所述原始数据上时间在所述休息时段内的所述第一上时间之后出现。所述至少一个处理器然后被配置为将所述原始数据上时间分配为所述休息时段的上边界。所述至少一个处理器还被配置为确定所述第一数据集与所述阈值活动水平相交的第一下交点(所述第一下交点在所述最小时间之前出现)、与所述第一下交点相关联的第一下时间、对应于所述第一下时间的所述运动数据上的第二位置、所述运动数据与所述阈值活动水平相交的原始数据下边界以及与所述原始数据下边界相关联的原始数据下时间。所述至少一个处理器还被配置为将所述原始数据下时间分配为所述休息时段的下边界,并且然后通过计算所述原始数据上时间与所述原始数据下时间之间的时间差来确定所述休息时段的时间量。
在又一示范性实施例中,提供了一种可佩戴运动跟踪器。所述可佩戴运动跟踪器包括:至少一个运动传感器,其捕获表示在时间段内的每个时期期间检测到的活动量的运动数据;存储器,其存储所述运动数据;以及至少一个处理器。所述至少一个处理器被配置为:设置针对休息时段的阈值活动水平;将第一滤波器应用到所述运动数据;并且生成所述运动数据的第一数据集。所述至少一个处理器还被配置为确定所述第一数据集内的最小点和与所述最小点相关联的最小时间。然后,所述至少一个处理器被配置为确定所述第一数据集与所述阈值活动水平相交的第一上交点(其中,所述第一上交点在所述最小时间之后出现)、与所述第一上交点相关联的第一上时间、对应于所述第一上时间的所述运动数据上的第一位置、所述运动数据与所述阈值活动水平相交的原始数据上交点以及与所述原始数据上交点相关联的原始数据上时间,其中,所述原始数据上时间在所述休息时段内的所述第一上时间之后出现。所述至少一个处理器还被配置为将所述原始数据上时间分配为所述休息时段的上边界。然后,所述至少一个处理器被配置为确定所述第一数据集与所述阈值活动水平相交的第一下交点(其中,所述第一下交点在所述最小时间之前出现)、与所述第一下交点相关联的第一下时间、对应于所述第一下时间的所述运动数据上的第二位置、所述运动数据与所述阈值活动水平相交的原始数据下边界以及与所述原始数据下边界相关联的原始数据下时间。所述至少一个处理器还被配置为将所述原始数据下时间分配为所述休息时段的下边界,并且通过计算所述原始数据上时间与所述原始数据下时间之间的时间差来确定所述休息时段的时间量。
附图说明
在结合附图考虑了以下详细描述之后,本发明的以上和其他特征、其性质和各种优点将是显而易见的,其中:
图1是根据各个实施例的包括可佩戴运动跟踪器和运动分析设备的系统的示意图;
图2是根据各个实施例的从可佩戴运动跟踪器所获得的示范性运动数据的说明性图形;
图3是根据各个实施例的表示图2的运动数据的示范性模型数据的说明性图形;
图4A是根据各个实施例的对应于休息时段的图3的示范性模型数据的部分的说明性图形;
图4B是根据各个实施例的对应于休息时段的结束的图4A的示范性模型数据的部分的说明性图形;
图5是根据各个实施例的包括所生成的数据集的图2的示范性运动数据的说明性图形;
图6A-D是根据各个实施例的用于确定休息时段的时间量的过程的说明性流程图;
图7是根据各个实施例的平均休息时段与阈值活动水平之间的关系的说明性图形;并且
图8是根据各个实施例的用于选择最优阈值活动水平的过程的说明性流程图。
具体实施方式
本发明可以采取各种部件和部件布置的形式并且在各种技术、方法和流程中可以采取步骤安排的形式。附图仅出于所图示的实施例的目的,并且不得被解释为对本发明的限制。下面描述了均可以相互独立或组合其他特征使用的各种发明特征。此外,如本文所使用的,除非上下文另外清楚指明,否则“一”、“一个”和“那个”的单数形式包括多个引用。如本文所采用的,术语“数目”应当意指1或大于1的整数(例如,多个)。本文所使用的方向短语包括但不限于顶部、底部、左、右、上、下、前、后、背面和其衍生词,其涉及附图中所示的元件的取向并且不是对权利要求的限制,除非其中明确记载。
图1是根据各个实施例的包括可佩戴运动跟踪器150和运动分析设备100的系统2的示意图。运动分析设备100例如可以对应于任何合适类型的电子设备,诸如但不限于台式计算机、移动计算机(例如,膝上型电脑、超极本)、移动电话、智能电话、平板电脑、电视、机顶盒、智能电视、显示屏、个人数字助理(“PDA”)、智能家具、智能家居设备、智能交通工具和/或智能运输设备。在一个实施例中,运动分析设备100包括一个或多个处理器102、存储器104、通信电路106和输入/输出接口108。此外,在示范性实施例中,运动分析设备100还包括一个或多个运动传感器110,然而,这是任选的。还对运动分析设备100进行构造,使得可以包括一个或多个额外部件,或者可以省略(一个或多个)处理器102、存储器104、通信电路106、输入/输出接口108和(一个或多个)运动传感器110中的一个或多个。例如,运动分析设备100可以包括电源或总线连接器。在一个示范性实施例中,(一个或多个)处理器102、存储器104、通信电路106、输入/输出接口108和(一个或多个)运动传感器110中的任何的多个实例被包括在运动分析设备100内,然而,为了简单起见,仅每个部件之一被示出在图1的系统2内。
在一个示范性实施例中,(一个或多个)处理器102包括能够控制运动分析设备100的操作和功能性以及促进其中的各种部件之间的通信的任何适合的处理电路。作为说明性范例,(一个或多个)处理器102可以包括中央处理单元(“CPU”)、图形处理单元(“GPU”)、微处理器、数字信号处理器或任何其他类型的处理器或其任何组合。例如,(一个或多个)处理器102的功能可以使用一个或多个硬件逻辑部件执行,所述一个或多个硬件逻辑部件包括但不限于现场可编程门阵列(“FPGA”)、专用集成电路(“ASIC”)、应用特定标准产品(“ASSP”)、片上系统系统(“SOC”)和/或复杂可编程逻辑设备(“CPLD”)。在一个实施例中,(一个或多个)处理器102包括其自身的本地存储器,其存储程序模块、程序数据和/或一个或多个操作系统(“OS”),然而,(一个或多个)处理器102能够操作一个或多个固件应用、介质应用和/或驻留应用。
在说明性实施例中,存储器104包括一种或多种类型的存储介质,诸如任何易失性或非易失性存储器或以存储数据的任何适合的方式实施的任何可移除或不可移除存储器。例如,可以使用计算机可读指令、数据结构和/或程序模块存储信息。各种类型的存储器包括但不限于硬盘驱动器、固态驱动器、闪速存储器、永久存储器(例如,ROM)、电子可擦可编程只读存储器(“EEPROM”)、CD-ROM、数字多用光盘(“DVD”)或其他光学存储介质、磁带盒、磁带、磁盘存储设备或任何其他磁性存储设备、RAID存储系统或任何其他类型的存储设备或其任何组合。此外,在一个实施例中,存储器104被实施为计算机可读存储介质(“CRSM”),其对应于由(一个或多个)处理器102可访问以运行被存储在存储器104内的一个或多个指令的任何适合的物理介质。
在一个示范性实施例中,通信电路106对应于允许或者实现运动分析设备100与一个或多个额外的设备、服务器和/或系统通信的任何电路。例如,通信电路106可以经由网络(诸如因特网)或者使用任何数目的适合的通信协议促进可佩戴运动跟踪器150与运动分析设备100之间的通信。各种类型的通信协议包括但不限于传输控制协议和网际协议(“TCP/IP”)(例如,TCP/IP层中的每个中使用的协议中的任何)、超文本传输协议(“HTTP”)和无线应用协议(“WAP”)、Wi-Fi(例如,802.11协议)、射频系统(例如,900MHz、1.4GHz和5.6GHz通信系统)、蜂窝网络(例如,GSM、AMPS、GPRS、CDMA、EV-DO、EDGE、3GSM、DECT、IS-136/TDMA、iDen、LTE或任何其他适合的蜂窝网络协议)、红外、BitTorrent、FTP、RTP、RTSP、SSH和/或VOIP。在一个实施例中,运动分析设备100还包括促进与网络的无线通信的天线。在另一实施例中,运动分析设备100包括一个或多个通用串行总线(“USB”)端口、一个或多个以太网或宽带端口或任何其他类型的硬件访问端口,使得通信电路106使得运动分析设备100能够跨越一个或多个通信网络通信。
在示范性实施例中,I/O接口108对应于用于从运动分析设备100的用户接收输入的任何适合的机构。例如,相机、键盘、鼠标、操纵杆或外部控制器可以被用作针对I/O接口108的输入机构。在一个实施例中,输出部分I/O接口108对应于用于从运动分析设备100生成输出的任何适合的机构。例如,一个或多个显示器可以被用作针对I/O接口108的输出机构。作为另一范例,一个或多个灯、发光二极管(“LED”)和/或一个或多个振动机构或可操作于提供触觉响应的其他触觉特征可以被用作针对I/O接口108的输出机构。在一个非限制性实施例中,I/O接口108包括显示屏和/或触摸屏,其可配置为任何尺寸或形状,并且能够被定位在运动分析设备100上的任何部分处。各种类型的显示器可以包括但不限于液晶显示器(“LCD”)、单色显示器、彩色图形适配器(“CGA”)显示器、增强型图形适配器(“EGA”)显示器、可变图形阵列(“VGA”)显示器或任何其他类型的显示器或其任何组合。另外,在一个实施例中,触摸屏对应于包括能够识别在其上的触摸输入的电容性感测面板的显示屏。
在一个实施例中,运动分析设备100的(一个或多个)运动传感器110对应于能够测量运动分析设备100的运动中的改变的任何适合的部件。例如,运动传感器可以确定运动分析设备100相对于重力的取向的改变。在一个示范性实施例中,(一个或多个)运动传感器110对应于加速度计,其被配置为沿着一个或多个轴测量加速度的量(例如,三维运动感测设备)。各种其他类型的运动传感器包括但不限于相机、电容性传感器、霍尔效应传感器、惯性测量单元(“IMU”)、单或多轴陀螺仪传感器、磁强计传感器或任何其他适合的类型的运动传感器或其任何组合。在一个实施例中,运动分析设备100自身不包括(一个或多个)运动传感器110,并且备选地从可佩戴运动跟踪器150接收运动数据,如下面更详细地描述的。
在一个说明性非限制性实施例中,可佩戴运动跟踪器150对应于任何适合的类型的可佩戴电子设备或便携式电子设备,包括但不限于移动计算机(例如,膝上型电脑、超极本)、移动电话、智能电话、平板电脑、手表、手镯、腕带、个人数字助理或任何其他适合的智能配件。例如,可佩戴运动跟踪器150可以由个体佩戴以便采集对应于个体的活动量的信息。在一个实施例中,可佩戴运动跟踪器150被佩戴在个体的腕、臂、腿或胸上。
在一个实施例中,可佩戴运动跟踪器150包括以下中的一个或多个:处理器102、存储器104、通信电路106和一个或多个运动传感器110。此外,在示范性实施例中,可佩戴运动跟踪器150还包括I/O接口108,然而,这是任选的。在说明性实施例中,(一个或多个)处理器102、存储器104、通信电路106、I/O接口108和(一个或多个)运动传感器110中的每个相应地与运动分析设备100的(一个或多个)处理器102、存储器104、通信电路106、I/O接口108和(一个或多个)运动传感器110基本上类似,并且先前的描述适用。此外,先前描述中的每个适于与可佩戴运动跟踪器150一起而不是运动分析设备100使用。
可佩戴运动跟踪器150可以例如贯穿一段时间(诸如一天(例如,24小时)、一星期、一个月)由个体佩戴以记录在该时间段期间个体经历的活动量。在该时间段已经结束之后,个体给运动分析设备100提供由可佩戴运动传感器150所获得的运动数据。例如,可佩戴运动跟踪器150可以经由蓝牙连接或经由硬连线连接将在其上所捕获的运动数据传递到运动分析设备100。因此,运动分析设备100被构造为处理和分析个体的运动数据。例如,可以根据通过运动分析设备100的运动数据确定个体的活跃时段和休息时段。然而,在一个示范性实施例中,可佩戴运动跟踪器150被构造为备选地分析运动数据自身,并且因此运动数据不需要被提供到运动分析设备100。类似地,可以从被定位在运动分析设备100上的(一个或多个)运动传感器110获得运动数据,并且因此不需要从可佩戴运动跟踪器150接收运动数据。然而,本领域的普通技术人员将认识到,可佩戴运动跟踪器150和运动分析设备100中的任一个可以获得、处理和/或分析运动数据,并且前述内容仅是示范性的。
图2是根据各个实施例的从可佩戴运动跟踪器所获得的示范性运动数据的说明性图形200。在一个实施例中,图形200呈现在24小时时间段期间记录的佩戴运动传感器(诸如可佩戴运动跟踪器150)的个体的活动量。在图形200中,自中午(例如,12:00PM)起依据小时呈现x轴。例如,在图形200的x轴的原点处,时间“0”将对应于12:00PM。因此,在图形200的x轴上的每个后续划分对应于在12:00PM之后出现的时间。例如,时间“6”将对应于12:00PM之后6小时(6:00PM(或18:00)),而时间“12”将对应于12:00PM之后12小时(12:00AM(或24:00))(例如,午夜)。本领域的普通技术人员将认识到,任何适合的时间间隔和任何适合的时间段可以被用于图形200,并且在12:00PM处开始的一个24小时时间段的使用仅是示范性的。
在一个实施例中,依据在特定时间处发生的活动量(以每分种的计数为单位)呈现图形200的y轴。以这种方式,图形200上的每个点表示个体在该特定时间处经历的活动量。作为说明性范例,在时间“8”处,记录的活动量是近似900计数/分钟。
单位“每分种的计数”、“计数/分钟”或“cts/min”对应于由(一个或多个)运动传感器110所记录的所测量的活动量。在一个实施例中,(一个或多个)运动传感器110被构造为记录每个时期期间的活动读数(例如,通常一分钟,然而可以使用任何适合的持续时间)。个体的加速度在所有方向上恒定地改变,并且(一个或多个)运动传感器110被构造为每秒多次对运动量(例如,加速度或加速度的改变)采样。例如,(一个或多个)运动传感器110可以具有每秒近似32次的样本率。采样的加速度计数据然后针对时期被记录并且被组合以获得该时期期间的活动计数。因此,图形200内的每个数据点对应于在24小时时间间隔的过程上每分钟期间发生的合计活动量。然而,本领域的普通技术人员将认识到,可以采用任何时间间隔和用于获得个体的活动数据的任何适合的技术,并且前述内容仅是示范性的。
图3是根据各个实施例的表示图2的运动数据的示范性模型数据的说明性图形300。在说明性非限制性实施例中,图形300包括利用表示沿着类似轴绘制的五个数据集的得到的曲线处理运动数据五次。如先前所提到的,在图形200内所呈现的运动数据对应于在24小时时间段上以每分种的计数为单位的活动量。为了产生图形300,各种数据处理技术被应用到图形200的运动数据以生成表示运动数据的不同的数据集。
在一个实施例中,通过将预定长度的移动高斯窗口应用到运动数据来使图形200的运动数据平滑。移动高斯窗口的预定长度可以对应于几分钟(例如,5-10分钟)与几小时(例如,60-360分钟)之间的任何适合的长度。例如,具有20分钟、40分钟、60分钟、80分钟和100分钟的长度的五个移动高斯窗口可以被应用到图形200的运动数据以生成图形300内所呈现的五个数据集。
作为说明性范例,长度100分钟的移动高斯窗口被应用到图形200的运动数据以生成由曲线S5所表示的第一数据集;长度80分钟的移动高斯窗口被应用到图形200的运动数据以生成由曲线S4所表示的第二数据集;长度60分钟的移动高斯窗口被应用到图形200的运动数据以生成由曲线S3所表示的第三数据集;长度20分钟的移动高斯窗口被应用到图形200的运动数据以生成由曲线S2所表示的第四数据集;并且长度20分钟的移动高斯曲线被应用到图形200的运动数据以生成由曲线S1所表示的第五数据集。将五个不同的移动高斯窗口应用到运动数据以生成五个不同的数据集仅是示范性的,并且此外,移动高斯窗口的使用也是示范性的,因为可以备选地使用任何适合的数据滤波器。
图4A是根据各个实施例的对应于休息时段的图3的示范性模型数据的部分的说明性图形400。在说明性实施例中,图形400对应于运动数据的示范性“休息时段”。休息时段对应于其中运动在最小值处的时间段;通常地对应于何时个体睡着。在一个示范性实施例中,接收运动数据,并且运动数据被处理以形成原始运动数据(例如,活动值对比时间)的五个表示(例如,曲线S1-S5)。第一表示的最小值是针对过程的开始点。从该最小时间在时间中向前和向后两者移动识别被设置在阈值活动值处的水平线的两个交点。这些是休息时段的开始和结束的前两个近似。这些第一近似然后被用作第二表示上的开始点,并且通过第三、第四和第五表示重复过程,并且然后针对原始数据,为休息时段的开始和结束提供最后值。
图形400包括阈值活动水平402,其定义特定活动量是否对应于活跃时段或休息时段。在一个实施例中,超过阈值活动水平402的运动数据将对应于活跃时段,而低于阈值活动水平402的运动数据将对应于休息时段。在休息时段的时间量的分析之前或者期间定义阈值活动水平402。例如,阈值活动水平402可以被设置为是40计数/分钟,然而可以在休息时段已经被计算以确定阈值活动水平对休息时段的持续时间产生的效应之后调节阈值活动水平402。还可以使用下面更详细地描述的各种技术来确定最优阈值活动水平。
如在图形400内看到的,由曲线S5所表示的第一数据集、由曲线S4所表示的第二数据集、由曲线S3所表示的第三数据集、由曲线S2所表示的第四数据集和由曲线S1所表示的第五数据集全部被呈现。对应于具有100分钟的长度的移动高斯窗口的曲线S5是已经应用到原始运动数据的最高度“光滑的”曲线。S5曲线的一个或多个局部最小值对应于潜在的休息时段。例如,曲线S5的最小点404对应于运动数据的最小值。
为了识别休息时段(诸如图形400内所示的休息时段)的结束,迭代过程被用于找到休息时段的上边界。图4B是根据各个实施例的对应于休息时段的结束的图4A的示范性模型数据的部分的说明性图形450。具体而言,图4B的图形450对应于图4A的图形400内所示的休息时段的上区域(例如,结束部分)。首先,为了识别图形400的休息时段的结束时间,确定最小点404。
从曲线S5上的最小点404开始,确定阈值活动水平402与曲线S5之间的上交点452。在一个实施例中,通过逐时期沿着曲线S5移动直到曲线S5与阈值活动水平402相交来找到上交点452。例如,在上交点452处,曲线S5达到预定义阈值活动水平402(例如,40计数/分钟)。上交点452在时间t1处发生,所述时间t1对应于曲线S4(曲线S1-S5的下一最高度“光滑的”曲线)上的位置462。在确定点462之后,确定阈值活动水平402与曲线S4之间的上交点454。在一个实施例中,通过逐时期沿着曲线S4移动直到曲线S4与阈值活动水平402相交来找到上交点454。例如,在上交点454处,曲线S4达到预定义阈值活动水平402(例如,40计数/分钟)。上交点454在时间t2处发生,所述时间t2对应于曲线S3(曲线S1-S5的下一最高度“光滑的”曲线)上的位置464。在确定位置464之后,确定阈值活动水平402与曲线S3之间的上交点456。在说明性实施例中,通过逐时期沿着曲线S3移动直到曲线S3与阈值活动水平402相交来找到上交点456。例如,在上交点456处,曲线S3到达预定义阈值活动水平402(例如,40计数/分钟)。上交点456在时间t3处发生,所述时间t3对应于曲线S2(曲线S1-S5的下一最高度“光滑的”曲线)上的位置466。在确定位置466之后,确定阈值活动水平402与曲线S2之间的上交点458。在说明性实施例中,通过逐时期沿着曲线S2移动直到曲线S2与阈值活动水平402相交来找到上交点458。例如,在上交点458处,曲线S2达到预定义阈值活动水平402(例如,40计数/分钟)。上交点458在时间t4处发生,所述时间t4对应于曲线S1(曲线S1-S5的最少“光滑的”曲线)上的位置468。在确定位置468之后,确定阈值活动水平402与曲线S1之间的上交点460。在说明性实施例中,通过逐时期沿着曲线S1移动直到曲线S1与阈值活动水平402相交来找到上交点460。例如,在上交点460处,曲线S1达到预定义阈值活动水平402(例如,40计数/分钟)。上交点460在时间f5处发生。然后,确定对应于时间t5的图形200的运动数据上的位置,在此之后,其中运动数据与阈值活动水平402相交的原始数据上交点。例如,通过逐时期沿着运动数据移动直到原始运动数据与阈值活动水平402相交来找到原始数据上交点。然后,当原始数据上交点发生时,确定原始上时间。原始上时间然后被设置为休息时段的上边界。
类似技术被执行用于使用最小点404识别图形400的休息时段的开始时间。在该特定场景中,确定其中运动数据与阈值活动水平402相交的原始数据下交点。例如,通过确定曲线S1-S5中的每个的各个下交点以便准确地确定原始数据下交点的位置来找到原始数据下交点。在找到原始数据下交点之后,然后确定在原始数据下交点发生时的原始下时间。原始下时间然后被设置为休息时段的下边界。
在确定原始上时间和原始下时间两者之后,计算这两个时间之间的时间差。因此,时间差对应于休息时段的时间量。此外,在一个实施例中,不在休息时段内的运动数据(诸如图形200的运动数据)的区域被分类为活跃时段。在一个实施例中,运动数据包括多个(例如,两个或更多个)休息时段。在该特定场景中,与上文所描述的过程类似的过程被执行以确定每个休息时段的开始时间和结束时间。此外,本领域的普通技术人员将认识到,尽管由曲线S1-S5所表示的五个数据集通过将不同的长度的五个移动高斯窗口应用到原始运动数据来生成,但是可以使用产生任何数目的数据集的任何数目的滤波器,并且前述内容仅是一个说明性范例。此外,移动高斯窗口仅是可以采用的一种示范性处理技术,并且可以采用任何其他适合的滤波器或处理技术(诸如矩形窗口)或滤波器的组合。
图5是根据各个实施例的包括所生成的数据集的图2的示范性运动数据的说明性图形500。在说明性非限制性实施例中,图形500包括依据在x轴上的自中午(例如,12:00PM)的分钟和y轴上的每分种的计数(例如,计数/分钟)呈现的运动数据(诸如图2的原始运动数据)。在准确地确定休息时段的持续时间潜在地能够出现的一个问题是在休息时段内出现的错误活跃时段。例如,如果个体在夜间下床甚至几分钟,则这可以表现为活跃时段。因此,休息时段可以错误地被识别为由简单活跃时段所分离的两个更短的休息时段,并且因此休息时段的总持续时间可以表现为比其实际上的更短。
在一个实施例中,为了避免这样的潜在差异,选择预期休息时段长度,并且具有期望休息时段的长度的移动高斯窗口被应用到运动数据。例如,可以选择近似6小时或360分钟的预期休息时段,并且具有360分钟的长度的移动高斯窗口可以被应用到运动数据。因此,在该特定场景中,生成由曲线502所表示的运动数据的数据集(例如,通过使具有长度360分钟的移动高斯窗口应用到其)。在说明性实施例中,因此,主要休息时段504被识别为曲线502配准低于预定义阈值活动水平(例如,40计数/分钟)的活动的时间段。这使得第一休息时段506和第二休息时段508被结合在一起作为主要休息时段504,使得在主要休息时段504期间发生的任何主要活动不将主要休息时段504分离为第一休息时段506和第二休息时段508。
图6A-D是根据各个实施例的用于确定休息时段的时间量的过程的说明性流程图。在一个实施例中,过程600在步骤601处开始。在步骤601处,设置阈值活动水平。例如,可以针对阈值活动水平选择图4A的阈值活动水平402。如先前所提到的,阈值活动水平对应于不超过该水平的任何活动被确定为对应于休息时段的值。在一个示范性实施例中,最优阈值活动水平被选择用作阈值活动水平,并且下面参考图8更详细地描述了用于选择最优阈值活动水平的过程。
在步骤602处,从一个或多个运动传感器接收运动数据。例如,可以通过运动分析设备100接收由可佩戴运动跟踪器150上的运动传感器110所记录的运动数据。在示范性实施例中,运动数据对应于在一天(例如,24小时)的过程期间针对个体由(一个或多个)运动传感器110所捕获的活动量。然而,可以使用用于捕获运动数据的任何适合的时间段(诸如一天、一星期、一个月或更长)。
在步骤603处,第一数据滤波器被应用到运动数据。例如,移动高斯窗口可以被应用到运动数据。在一个实施例中,对第一数据滤波器的应用生成由最高度平滑的曲线所表示的数据集。作为一个说明性范例,第一数据滤波器可以是具有等于休息时段的预期时间长度(诸如360分钟)的长度的移动高斯窗口。作为另一说明性范例,第一数据滤波器可以是移动高斯窗口,诸如具有100分钟的长度的移动高斯窗口。在步骤604处,响应于第一数据滤波器被应用到运动数据而生成表示运动数据的第一数据集。例如,可以响应于具有360分钟的长度的移动高斯窗口被应用到图2的图形200的运动数据而生成图5的曲线502。作为另一范例,可以响应于具有100分钟的长度的移动高斯窗口被应用到图的图形200的运动数据而生成图4A的曲线S5。
在步骤605处,确定所生成的第一数据集的一个或多个局部最小值。在一个实施例中,第一数据集的第二导数被计算以确定表示最小值的沿着第一数据集的点,然而,任何适合的最小化技术能够被采用。作为说明性范例,图4A的最小点404可以对应于相应地最高度平滑的数据曲线的局部最小值。在步骤606处,确定与(一个或多个)最小点相关联的时间。例如,图4A的最小点404在1:45AM的近似时间处发生。
在步骤607处,第二数据滤波器被应用到最初接收的运动数据(例如,原始运动数据),并且在步骤608处,生成表示运动数据的第二数据集。例如,具有80分钟的长度的移动高斯窗口可以被应用到运动数据,并且可以针对运动数据生成由下一最高度平滑的曲线(曲线S4)所表示的另一数据集。在步骤609处,第三数据滤波器被应用到最初运动数据,并且在步骤610处,生成第三数据集。例如,具有60分钟的长度的移动高斯窗口可以被应用到原始运动数据,并且可以针对运动数据生成由下一最高度平滑的曲线(曲线S3)所表示的另一数据集。在步骤611处,第四数据滤波器被应用到最初接收的运动数据,并且在步骤612处,生成第四数据集。例如,具有40分钟的长度的移动高斯窗口可以被应用到原始运动数据,其可以针对运动数据生成由下一最高度平滑的曲线(曲线S2)所表示。此外,在步骤613处,第五数据滤波器被应用到最初接收的运动数据,并且在步骤614处,生成第五数据集。例如,具有20分钟的长度的移动高斯窗口可以被应用到运动数据,并且可以针对运动数据生成由最小高度平滑的曲线(S1)所表示的另一数据集。本领域的普通技术人员将认识到,可以通过过程600采用用于处理(诸如数据平滑)数据并且从而生成数据集的任何排序,并且串行地处理运动数据仅仅是示范性的。例如,可以通过同时在运动数据的五个不同的时间处处理运动数据来并行生成所有五个数据集。此外,处理数据不需要从最高度平滑到最小高度平滑发生,并且可以使用处理数据的任何排序。另外,在一个实施例中,局部最小值和(一个或多个)局部最小值相关联的时间的确定以及阈值活动水平的设置可以在任何数据集通过应用数据滤波器生成之前,在任何数据集被生成之后或在一些数据集仅在其他之后被生成之前出现,并且过程700的排序顺序仅是说明性的。
步骤615-631对应于用于客观地确定休息时段的上边界的迭代过程。在步骤615处,确定其中第一数据集与阈值活动水平相交的第一上交点。在说明性实施例中,通过在最小值点(例如,最小值点404)处开始并且沿着第一数据集(例如,S5曲线)在时间上向前前进直到第一数据集到达阈值活动水平来找到第一上交点。作为说明性范例,曲线S5在第一上交点452处与阈值活动水平402相交。在确定第一上交点之后,在步骤616处确定与第一上交点相关联的第一上时间。例如,第一上交点452在时间t1处发生。
在在步骤616处确定第一上时间之后,在步骤617处确定与第一上时间相关联的第二数据集上的位置。例如,曲线S4上的位置462对应于时间t1。在步骤618处,跟随第二数据集,直到确定其中第二数据集与阈值活动水平相交的第二上交点。例如,曲线S4可以被跟随直到其中曲线S4与阈值活动水平402相交的第二上交点454。在步骤619处确定与第二上交点相关联的第二上时间(例如,时间t2),并且在步骤620处确定与第二上时间相关联的第三数据集上的位置。例如,第二上交点454在时间t2处发生,并且位置464是曲线S3的时间t2处的对应的位置。
在步骤621处,通过从与第二上时间相关联的第三数据集上的位置到其中第三数据集与阈值活动水平相交的第三上交点跟随第三数据集来确定第三上交点。例如,从点464开始,曲线S3被跟随直到第三上交点456。在步骤622处,确定与其中第三数据集与阈值活动水平相交相关联的第三上时间(诸如时间t3)。接下来,在步骤623处确定与第三上时间(例如,时间t3)相关联的沿着第四数据集的位置。例如,曲线S2上的位置466是曲线S2的时间t3处的对应的位置。
在步骤624处,通过从与第三上时间相关联的第四数据集上的位置到其中第四数据集与阈值活动水平相交的第四上交点跟随第四数据集来确定第四上交点。例如,从点466开始,曲线S2被跟随直到第四上交点458。在步骤625处,确定与其中第四数据集与阈值活动水平相交相关联的第四上时间,诸如时间t4。接下来,在步骤626处确定与第四上时间(例如,时间t4)相关联的沿着第五数据集的位置。例如,曲线S1上的位置468是曲线S1的时间t4处的对应的位置。
在步骤627处,通过从与第四上时间相关联的第五数据集上的位置到其中第四数据集与阈值活动水平相交的第五上交点跟随第五数据集来确定第五上交点。例如,在点468开始,曲线S1被跟随直到第五上交点460。在步骤628处,确定与其中第五数据集与阈值活动水平相交相关联的第五上时间,诸如时间t5。然后,在步骤629处,确定与第五上时间(例如,时间t5)相关联的沿着原始运动数据(例如,在图形200内所呈现的运动数据)的位置。沿着原始运动数据的位置然后向前跟随直到原始运动数据与阈值活动水平(例如,阈值活动水平402)相交。在一个实施例中,这对应于在步骤630处所确定的原始数据上交点。在步骤631处,然后确定原始数据上交点发生时的时间(原始数据上时间)。使用该迭代过程,用于确定休息时段的上边界的基本上客观并且一致的流程能够被确定。代替于仅使用包括各种尖峰和异常的原始运动数据,所生成的各种数据集允许休息时段的上边界的精确近似,使得能够系统地确定其中原始数据与阈值活动水平相交的准确位置,这表示休息时段的结束。如果使用标准手动技术确定不是不切实际的,则该确定是极其困难的,因为数据集太大以致于不能使用常规手动流程分析。
除步骤632-648对应于休息时段的下边界的确定外,步骤632-648对应于与步骤615-631的过程基本上类似的过程。在步骤632处,确定其中第一数据集与阈值活动水平相交的第一下交点。在说明性实施例中,通过在最小值点(例如,最小值点404)处开始并且沿着第一数据集(例如,由曲线S5所表示的)在时间上向后前进直到第一数据集到达阈值活动水平402来找到第一下交点。在确定第一下交点之后,在步骤633处确定与第一下交点相关联的第一下时间。
在确定第一下时间之后,在步骤634处确定与第一下时间相关联的第二数据集(例如,由曲线S4所表示的)上的位置。在步骤635处,跟随第二数据集,直到确定其中第二数据集与阈值活动水平相交的第二下交点。在步骤636处确定与第二下交点相关联的第二上时间,并且在步骤637处确定与第二下时间相关联的第三数据集(例如,曲线S3)上的位置。
在步骤638处,通过从与第二下时间相关联的第三数据集上的位置到第三数据集与阈值活动水平相交之处跟随第三数据集(例如,由曲线S3所表示的)来确定第三下交点。在步骤639处,确定与第三下交点(例如,其中曲线S3与阈值活动水平402相交)相关联的第三下时间。接下来,在步骤640处,确定与第三下时间相关联的沿着第四数据集(例如,由曲线S2所表示的)的位置。
在步骤641处,通过从与第三下时间相关联的沿着第四数据集的位置到第四数据集与阈值活动水平(例如,阈值活动水平402)相交之处沿着第四数据集向后移动来确定第四下交点。在步骤642处,确定与第四下交点相关联的第四下时间。接下来,在步骤643处,确定与第四下时间相关联的沿着第五数据集(例如,由曲线S1所表示的)的位置。在步骤644处,通过从与第四下时间相关联的沿着第五数据集的位置到第五数据集与阈值活动水平相交之处沿着第五数据集向后移动来确定第五上交点。在步骤645处,确定与第五下交点(例如,其中曲线S1与阈值活动水平402相交)相关联的第五下时间。
接下来,在步骤646处,确定与第五下时间相关联的沿着原始运动数据(例如,图形200内所呈现的运动数据)的位置。沿着原始运动数据的位置然后沿着原始运动数据向后跟随直到原始运动数据与阈值活动水平相交。在一个实施例中,这对应于在步骤647处所确定的原始数据下交点。然后,在步骤648处,确定在原始数据下交点发生时的原始数据下时间。
在步骤649处,在步骤631处所确定的原始数据上时间被设置为休息时段的上边界。在步骤650处,在步骤648处所确定的原始数据下时间被设置为休息时段的下边界。在步骤651处,使用休息时段的上边界和下边界,确定原始数据上时间与原始数据下时间之间的时间差。例如,如果原始数据上时间对应于6:0AM,并且原始数据下时间对应于前一天11:00PM,那么原始数据上时间与原始数据下时间之间的时间差将是7:00小时或420分钟。在步骤652处,休息时段的持续时间被设置为时间差。继续先前的范例,因此,休息时段的持续时间将是7:00小时或420分钟。因此,过程600提供供体动记录仪数据识别个体的睡眠阶段和活跃时段的有用的测量技术。过程600还提供对于大型数据集而言高效以及客观两者的运动生物标记的基本上精确的识别。
图7是根据各个实施例的平均休息时段与阈值活动水平之间的关系的说明性图形700。图形700对应于用于选择最优阈值活动水平(诸如图4A的阈值活动水平402)的技术。在图形700中,以每分种的计数为单位的阈值活动水平的各个值被提供在x轴上,而上文描述其计算的休息时段的平均持续时间被提供在y轴上。如在图形700内看到,线702、线704和线706均被绘制,其表示三个不同的运动数据集。随着阈值活动水平从10计数/分钟增加到80计数/分钟,平均休息时段也增加。然而,在某个点处,平均休息时段持续时间开始变平并且不增加。
在一个实施例中,最优阈值活动水平是这样的阈值活动水平:最大化休息时段的持续时间,同时还防止将活跃时段包括在其中,其将以其他方式增加休息时段的平均活动水平。使用用于确定休息时段的持续时间的技术,如上文更详细地描述的,针对第一阈值活动水平确定休息时段的持续时间,并且然后针对增加的阈值活动水平重复过程。例如,针对10计数/分钟的阈值活动水平计算休息时段的持续时间。接下来,针对15计数/分钟的阈值活动水平确定休息时段的新持续时间。在说明性范例中,然后以5计数/分钟的增量重复该过程,直到阈值活动水平是60计数/分钟。
在休息时段被确定之后,利用简单指数绘制最优拟合数据,如在等式1中看到:
持续时间=持续时间Max(1-e-kt) 等式1
在等式1中,持续时间Max是休息时段的最大持续时间,t是阈值,并且k被选择以最小化误差的平方和。在一个示范性实施例中,通过确定对应于持续时间Max的98%的t的值并且将该值四舍五入到最近的5计数/分钟来选择最优阈值活动值。
图8是根据各个实施例的用于选择最优阈值活动水平的过程800的说明性流程图。在一个实施例中,结合图6的过程600的一些或全部使用过程800。例如,过程600可以被用于获得针对特定阈值活动水平的休息时段的持续时间。在一个实施例中,过程800在步骤802处开始。在步骤802处,设置阈值活动水平。如上文关于过程600的步骤606所提到的,设置初始阈值活动水平。例如,10计数/分钟的第一阈值活动水平可以被设置为初始阈值活动水平。运动分析设备100的用户筹划初始阈值活动水平,在一个实施例中,然而,制造商可以备选地筹划初始阈值活动水平。在步骤804处,确定针对初始阈值活动水平的休息时段的持续时间(例如,使用图6的过程600)。
在步骤806处,修改阈值活动水平。例如,如果先前的阈值活动水平是10计数/分钟,则新阈值活动水平可以被设置为15计数/分钟。在步骤808处,使用新阈值活动水平,确定新休息时段的持续时间。例如,图6的过程600可以被用于使用新阈值活动水平计算休息时段的新持续时间。
在步骤810处,关于新休息时段的持续时间是否等于先前的休息时段的持续时间做出确定。如果在步骤810处确定新休息时段的持续时间不等于先前休息时段的持续时间,则过程800返回到步骤806,其中,阈值活动水平再一次被修改。例如,阈值活动水平现在可以从15计数/分钟增加到20计数/分钟。接下来,在步骤808处,确定另一新休息时段持续时间,并且这再次与先前的休息时段的持续时间进行比较。重复该回路,直到针对至少阈值活动水平确定基本上相同的休息时段持续时间。例如,如果两个阈值活动水平产生基本上类似的休息时段持续时间,那么过程800已经最类似地识别了要使用的最优阈值活动水平。然而,具有用于不同的阈值活动水平的类似休息时段持续时间的多个回路可以提供例如由等式1定义的最优阈值活动水平的更准确的测量结果。
如果在步骤810处确定先前计算的休息时段的持续时间等于当前计算的休息时段的持续时间,那么如先前地所提到的,过程800转到步骤812。在步骤812处,先前使用的阈值活动水平或者新的或经修改的阈值活动水平被分配为最优阈值活动水平。通常,如果两个阈值活动水平两者产生基本上相同休息时段持续时间,那么最优阈值活动水平被选择为两者中的较小的,然而任一阈值活动水平能够被选择。
在一个实施例中,在针对每个不同的阈值活动水平确定休息时段的持续时间之后,使用图1的数据模型对数据进行拟合。然后,从拟合系数获得最优阈值活动水平。这使得最优阈值活动水平能够针对每个数据集被获得并且因此用在未来的数据分析中。
在权利要求中,置于圆括号之间的任何附图标记不应当解释为对权利要求的限制。词语“包括”或“包含”不排除除权利要求中列出的那些之外的元件或步骤的存在。在枚举若干模块的设备权利要求中,可以通过硬件的同一个项目实现这些模块中的若干。元件前面的词语“一”或“一个”不排除多个这样的元件的存在。在枚举若干模块的任何设备权利要求中,可以通过硬件的同一个项目实现这些模块中的若干。尽管在互不相同的从属权利要求中记载了特定元件,但是这并不指示不能组合这些元件。
尽管基于当前被认为是最实际并且优选的实施例的事物、出于说明的目的详细描述了本发明,但是应理解,这样的细节仅出于该目的,并且本发明不限于所公开的实施例而是相反旨在覆盖在权利要求书的精神和范围内的修改和等价布置。例如,应理解,本发明预期可以尽可能地将任何实施例的一个或多个特征与任何其他实施例的一个或多个特征组合。
Claims (20)
1.一种用于识别个体的休息时段的方法,所述方法包括:
设置针对所述休息时段的阈值活动水平(402);
接收运动数据;
将第一数据滤波器应用到所述运动数据;
生成所述运动数据的第一数据集;
确定所述第一数据集内的最小点(404);
确定与所述最小点相关联的最小时间;
确定所述第一数据集与所述阈值活动水平相交的第一上交点(452),其中,所述第一上交点在所述最小时间之后出现;
确定与所述第一上交点相关联的第一上时间(t1);
确定所述运动数据上对应于所述第一上时间的第一位置(464);
确定所述运动数据与所述阈值活动水平相交的原始数据上交点;
确定与所述原始数据上交点相关联的原始数据上时间,其中,所述原始数据上时间在所述休息时段内的所述第一上时间之后出现;
将所述原始数据上时间设置为所述休息时段的上边界;
确定所述第一数据集与所述阈值活动水平相交的第一下交点,其中,所述第一下交点在所述最小时间之前出现;
确定与所述第一下交点相关联的第一下时间;
确定所述运动数据上对应于所述第一下时间的第二位置;
确定所述运动数据与所述阈值活动水平相交的原始数据下边界;
确定与所述原始数据下边界相关联的原始数据下时间;
将所述原始数据下时间设置为所述休息时段的下边界;并且
通过计算所述原始数据上时间与所述原始数据下时间之间的时间差来确定所述休息时段的时间量。
2.根据权利要求1所述的方法,还包括:
将至少第二滤波器应用到所述运动数据;并且
生成所述运动数据的至少第二数据集。
3.根据权利要求2所述的方法,其中,确定所述第一上交点还包括:
确定所述第二数据集与所述阈值活动水平相交的第二上交点(454),其中,所述第二上交点在所述最小时间之后并且在所述第一上时间之前出现;并且
确定与所述第二上交点相关联的第二上时间(t2),使得所述第一上交点在所述第二上交点之后出现。
4.根据权利要求2所述的方法,其中,确定所述第一下交点还包括:
确定所述第二数据集与所述阈值活动水平相交的第二下交点,其中,所述第二下交点在所述最小时间之前并且在所述第一下时间之后出现;并且
确定与所述第二下交点相关联的第二下时间,使得所述第一下交点在所述第二下交点之前出现。
5.根据权利要求1所述的方法,其中:
所述运动数据包括多个数据点;并且
所述多个数据点表示在时间段的每个时期期间检测到的活动量。
6.根据权利要求5所述的方法,其中,在每个时期期间获得多个样本,并且在每个时期期间的所述活动量是在相应时期期间的所述多个样本的合计。
7.根据权利要求1所述的方法,其中,所述第一数据滤波器包括移动高斯窗口。
8.根据权利要求7所述的方法,其中,所述移动高斯窗口包括近似20分钟与近似100分钟之间的长度。
9.根据权利要求1所述的方法,还包括:
将第二数据滤波器应用到所述运动数据;
生成所述运动数据的第二数据集;
将第三数据滤波器应用到所述运动数据;
生成所述运动数据的第三数据集;
将第四数据滤波器应用到所述运动数据;
生成所述运动数据的第四数据集;
将第五数据滤波器应用到所述运动数据;并且
生成所述运动数据的第五数据集。
10.根据权利要求9所述的方法,其中,确定所述第一上交点还包括:
确定所述第二数据集与所述阈值活动水平相交的第二上交点(454),其中,所述第二上交点在所述最小时间之后并且在所述第一上时间之前出现;
确定与所述第二上交点相关联的第二上时间(t2);
确定所述第三数据集与所述阈值活动水平相交的第三上交点(456),其中,所述第三上交点在所述第二上时间之后并且在所述第一上时间之前出现;
确定与所述第三上交点相关联的第三上时间(t3);
确定所述第四数据集与所述阈值活动水平相交的第四上交点(458),其中,所述第四上交点在所述第三上时间之后并且在所述第一上时间之前出现;
确定与所述第四上交点相关联的第四上时间(t4);
确定所述第五数据集与所述阈值活动水平相交的第五上交点(460),其中,所述第五上交点在所述第四上时间之后并且在所述第一上时间之前出现;并且
确定与所述第五上交点相关联的第五上时间(t5),其中,所述第一上交点是基于与所述第五上交点相关联的所述第五上时间确定的。
11.根据权利要求9所述的方法,其中,确定所述第一下交点还包括:
确定所述第二数据集与所述阈值活动水平相交的第二下交点,其中,所述第二下交点在所述最小时间之前并且在所述第一下时间之后出现;
确定与所述第二下交点相关联的第二下时间;
确定所述第三数据集与所述阈值活动水平相交的第三下交点,其中,所述第三下交点在所述第二下时间之前并且在所述第一下时间之后出现;
确定与所述第三下交点相关联的第三下时间;
确定所述第四数据集与所述阈值活动水平相交的第四下交点,其中,所述第四下交点在所述第三下时间之前并且在所述第一下时间之后出现;
确定与所述第四下交点相关联的第四下时间;
确定所述第五数据集与所述阈值活动水平相交的第五下交点,其中,所述第五下交点在所述第四下时间之前并且在所述第一下时间之后出现;并且
确定与所述第五下交点相关联的第五下时间,其中,所述第一下交点是基于与所述第五下交点相关联的所述第五下时间确定的。
12.根据权利要求9所述的方法,其中:
所述第一数据滤波器包括第一移动高斯窗口,所述第一移动高斯窗口具有近似20分钟的第一长度;
所述第二数据滤波器包括第二移动高斯窗口,所述第二移动高斯窗口具有近似100分钟的第二长度;
所述第三数据滤波器包括第三移动高斯窗口,所述第三移动高斯窗口具有近似80分钟的第三长度;
所述第四数据滤波器包括第四移动高斯窗口,所述第四移动高斯窗口具有近似60分钟的第四长度;并且
所述第五数据滤波器包括第五移动高斯窗口,所述第五移动高斯窗口具有近似40分钟的第五长度。
13.根据权利要求1所述的方法,还包括:
将移动高斯窗口应用到具有近似360分钟的长度的所述运动数据;
生成所述运动数据的额外的数据集;
确定所述额外的数据集的至少一个局部最小值;
确定所述最小点被定位在所述局部最小值中的至少两个之间;并且
确定所述最小点与所述休息时段相关联。
14.根据权利要求1所述的方法,其中,所述运动数据包括多个数据点,所述多个数据点表示时间段期间的每个时期期间检测到的活动量。
15.一种系统(2),包括:
可佩戴运动跟踪器(150),其包括至少一个运动传感器(110);
运动分析设备(100),其包括:
通信电路(106),其从所述可佩戴运动跟踪器接收运动数据;
存储器(104),其存储所述运动数据;以及
至少一个处理器(102),其被配置为:
设置针对休息时段的阈值活动水平(402);
将第一数据滤波器应用到所述运动数据;
生成所述运动数据的第一数据集;
确定所述第一数据集内的最小点(404);
确定与所述最小点相关联的最小时间;
确定所述第一数据集与所述阈值活动水平相交的第一上交点(454),其中,所述第一上交点在所述最小时间之后出现;
确定与所述第一上交点相关联的第一上时间(t1);
确定所述运动数据上对应于所述第一上时间的第一位置;
确定所述运动数据与所述阈值活动水平相交的原始数据上交点;
确定与所述原始数据上交点相关联的原始数据上时间,其中,所述原始数据上时间在所述休息时段内的所述第一上时间之后出现;
将所述原始数据上时间分配为所述休息时段的上边界;
确定所述第一数据集与所述阈值活动水平相交的第一下交点,其中,所述第一下交点在所述最小时间之前出现;
确定与所述第一下交点相关联的第一下时间;
确定所述运动数据上对应于所述第一下时间的第二位置;
确定所述运动数据与所述阈值活动水平相交的原始数据下边界;
确定与所述原始数据下边界相关联的原始数据下时间;
将所述原始数据下时间分配为所述休息时段的下边界;并且
通过计算所述原始数据上时间与所述原始数据下时间之间的时间差来确定所述休息时段的时间量。
16.根据权利要求15所述的系统,其中,所述运动分析设备的所述至少一个处理器还被配置为:
将第二数据滤波器应用到所述运动数据;
生成所述运动数据的第二数据集;
将第三数据滤波器应用到所述运动数据;
生成所述运动数据的第三数据集;
将第四数据滤波器应用到所述运动数据;
生成所述运动数据的第四数据集;
将第五数据滤波器应用到所述运动数据;并且
生成所述运动数据的第五数据集。
17.根据权利要求16所述的系统,其中,所述运动分析设备的所述至少一个处理器还被配置为:
在所述第一上时间被确定之前,确定所述第二数据集与所述阈值活动水平相交的第二上交点(454),其中,所述第二上交点在所述最小时间之后并且在所述第一上时间之前出现;
确定与所述第二上交点相关联的第二上时间(t2);
确定所述第三数据集与所述阈值活动水平相交的第三上交点(456),其中,所述第三上交点在所述第二上时间之后并且在所述第一上时间之前出现;
确定与所述第三上交点相关联的第三上时间(t3);
确定所述第四数据集与所述阈值活动水平相交的第四上交点(458),其中,所述第四上交点在所述第三上时间之后并且在所述第一上时间之前出现;
确定与所述第四上交点相关联的第四上时间(t4);
确定所述第五数据集与所述阈值活动水平相交的第五上交点(460),其中,所述第五上交点在所述第四上时间之后并且在所述第一上时间之前出现;并且
确定与所述第五上交点相关联的第五上时间(t5),其中,所述第一上交点是基于与所述第五上交点相关联的所述第五上时间确定的。
18.根据权利要求16所述的系统,其中,所述运动分析设备的所述至少一个处理器还被配置为:
在所述第一下时间被确定之前,确定所述第二数据集与所述阈值活动水平相交的第二下交点,其中,所述第二下交点在所述最小时间之前并且在所述第一下时间之后出现;
确定与所述第二下交点相关联的第二下时间;
确定所述第三数据集与所述阈值活动水平相交的第三下交点,其中,所述第三下交点在所述第二下时间之前并且在所述第一下时间之后出现;
确定与所述第三下交点相关联的第三下时间;
确定所述第四数据集与所述阈值活动水平相交的第四下交点,其中,所述第四下交点在所述第三下时间之前并且在所述第一下时间之后出现;
确定与所述第四下交点相关联的第四下时间;
确定所述第五数据集与所述阈值活动水平相交的第五下交点,其中,所述第五下交点在所述第四下时间之前并且在所述第一下时间之后出现;并且
确定与所述第五下交点相关联的第五下时间,其中,所述第一下交点是基于与所述第五下交点相关联的所述第五下时间确定的。
19.根据权利要求16所述的系统,其中:
所述第一数据滤波器包括第一移动高斯窗口,所述第一移动高斯窗口具有近似20分钟的第一长度;
所述第二数据滤波器包括第二移动高斯窗口,所述第二移动高斯窗口具有近似100分钟的第二长度;
所述第三数据滤波器包括第三移动高斯窗口,所述第三移动高斯窗口具有近似80分钟的第三长度;
所述第四数据滤波器包括第四移动高斯窗口,所述第四移动高斯窗口具有近似60分钟的第四长度;并且
所述第五数据滤波器包括第五移动高斯窗口,所述第五移动高斯窗口具有近似40分钟的第五长度。
20.一种可佩戴运动跟踪器(15),包括:
至少一个运动传感器(110),其捕获运动数据,所述运动数据表示时间段内的每个时期期间检测到的活动量;
存储器(104),其存储所述运动数据;以及
至少一个处理器(102),其被配置为:
设置针对休息时段的阈值活动水平(402);
将第一数据滤波器应用到所述运动数据;
生成所述运动数据的第一数据集;
确定所述第一数据集内的最小点(404);
确定与所述最小点相关联的最小时间;
确定所述第一数据集与所述阈值活动水平相交的第一上交点(452),其中,所述第一上交点在所述最小时间之后出现;
确定与所述第一上交点相关联的第一上时间(t1);
确定所述运动数据上对应于所述第一上时间的第一位置;
确定所述运动数据与所述阈值活动水平相交的原始数据上交点;
确定与所述原始数据上交点相关联的原始数据上时间,其中,所述原始数据上时间在所述休息时段内的所述第一上时间之后出现;
将所述原始数据上时间分配为所述休息时段的上边界;
确定所述第一数据集与所述阈值活动水平相交的第一下交点,其中,所述第一下交点在所述最小时间之前出现;
确定与所述第一下交点相关联的第一下时间;
确定所述运动数据上对应于所述第一下时间的第二位置;
确定所述运动数据与所述阈值活动水平相交的原始数据下边界;
确定与所述原始数据下边界相关联的原始数据下时间;
将所述原始数据下时间分配为所述休息时段的下边界;并且
通过计算所述原始数据上时间与所述原始数据下时间之间的时间差来确定所述休息时段的时间量。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201562129226P | 2015-03-06 | 2015-03-06 | |
US62/129,226 | 2015-03-06 | ||
PCT/IB2016/051215 WO2016142815A1 (en) | 2015-03-06 | 2016-03-04 | Systems, methods, and devices for determining endpoints of a rest period using motion data |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107408153A true CN107408153A (zh) | 2017-11-28 |
CN107408153B CN107408153B (zh) | 2022-01-04 |
Family
ID=55588321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680013805.7A Active CN107408153B (zh) | 2015-03-06 | 2016-03-04 | 用于使用运动数据确定休息时段的端点的系统、方法和设备 |
Country Status (5)
Country | Link |
---|---|
US (2) | US10978194B2 (zh) |
EP (1) | EP3265936A1 (zh) |
JP (1) | JP6782245B2 (zh) |
CN (1) | CN107408153B (zh) |
WO (1) | WO2016142815A1 (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040097814A1 (en) * | 2001-03-09 | 2004-05-20 | Navakatikyan Michael Alexander | Apparatus and method for detection and quantification of oscillatory signals |
CN101087561A (zh) * | 2004-12-22 | 2007-12-12 | 皇家飞利浦电子股份有限公司 | 用于计算机层析摄影术的方法和计算机层析摄影机 |
CN101287143A (zh) * | 2008-05-16 | 2008-10-15 | 清华大学 | 基于实时人机对话的平面视频转立体视频的方法 |
US20100030118A1 (en) * | 2006-12-08 | 2010-02-04 | Daikin Industries, Ltd. | Sleep Determination Apparatus |
CN101685446A (zh) * | 2008-09-25 | 2010-03-31 | 索尼(中国)有限公司 | 音频数据分析装置和方法 |
US20120083705A1 (en) * | 2010-09-30 | 2012-04-05 | Shelten Gee Jao Yuen | Activity Monitoring Systems and Methods of Operating Same |
US20120108999A1 (en) * | 2010-10-15 | 2012-05-03 | Leininger James R | Method and apparatus for detecting seizures |
CN102881024A (zh) * | 2012-08-24 | 2013-01-16 | 南京航空航天大学 | 一种基于tld的视频目标跟踪方法 |
US20140297600A1 (en) * | 2013-03-15 | 2014-10-02 | Kevin Gar Wah KAN | Bayesian Sleep Fusion |
CN104200234A (zh) * | 2014-07-11 | 2014-12-10 | 杭州微纳科技有限公司 | 人体动作建模和识别方法 |
CN104391561A (zh) * | 2014-09-30 | 2015-03-04 | 英华达(上海)科技有限公司 | 穿戴式设备进行模式切换的方法及该穿戴式设备 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2056370C (en) * | 1990-03-09 | 1998-08-11 | Hiroyuki Ogino | Sleep detecting apparatus |
JP4058310B2 (ja) * | 2002-09-09 | 2008-03-05 | 株式会社山武 | 睡眠状態判定装置及び就寝モニタリングシステム |
JP4199144B2 (ja) * | 2004-03-11 | 2008-12-17 | 株式会社東芝 | ウェイト関数生成装置、参照信号生成装置、送信信号生成装置、信号処理装置及びアンテナ装置 |
JP4329690B2 (ja) * | 2004-12-28 | 2009-09-09 | ダイキン工業株式会社 | 体動測定装置 |
JP2011115188A (ja) * | 2008-06-13 | 2011-06-16 | Heart Metrics Kk | 睡眠状態モニタリング装置、モニタリングシステムおよびコンピュータプログラム |
US9198619B2 (en) | 2011-07-05 | 2015-12-01 | Universidade De Vigo | Method and system for activity/rest identification |
WO2014035732A1 (en) * | 2012-08-30 | 2014-03-06 | Abbot Diabetes Care Inc. | Dropout detection in continuous analyte monitoring data during data excursions |
US10492720B2 (en) * | 2012-09-19 | 2019-12-03 | Resmed Sensor Technologies Limited | System and method for determining sleep stage |
JP6413574B2 (ja) * | 2014-10-01 | 2018-10-31 | セイコーエプソン株式会社 | 活動状態情報検出装置及び活動状態情報検出装置の制御方法 |
-
2016
- 2016-03-04 WO PCT/IB2016/051215 patent/WO2016142815A1/en active Application Filing
- 2016-03-04 CN CN201680013805.7A patent/CN107408153B/zh active Active
- 2016-03-04 US US15/544,144 patent/US10978194B2/en active Active
- 2016-03-04 JP JP2017544738A patent/JP6782245B2/ja active Active
- 2016-03-04 EP EP16711346.3A patent/EP3265936A1/en active Pending
-
2021
- 2021-04-02 US US17/220,962 patent/US20210225487A1/en active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040097814A1 (en) * | 2001-03-09 | 2004-05-20 | Navakatikyan Michael Alexander | Apparatus and method for detection and quantification of oscillatory signals |
CN101087561A (zh) * | 2004-12-22 | 2007-12-12 | 皇家飞利浦电子股份有限公司 | 用于计算机层析摄影术的方法和计算机层析摄影机 |
US20100030118A1 (en) * | 2006-12-08 | 2010-02-04 | Daikin Industries, Ltd. | Sleep Determination Apparatus |
CN101287143A (zh) * | 2008-05-16 | 2008-10-15 | 清华大学 | 基于实时人机对话的平面视频转立体视频的方法 |
CN101685446A (zh) * | 2008-09-25 | 2010-03-31 | 索尼(中国)有限公司 | 音频数据分析装置和方法 |
US20120083705A1 (en) * | 2010-09-30 | 2012-04-05 | Shelten Gee Jao Yuen | Activity Monitoring Systems and Methods of Operating Same |
US20120108999A1 (en) * | 2010-10-15 | 2012-05-03 | Leininger James R | Method and apparatus for detecting seizures |
CN102881024A (zh) * | 2012-08-24 | 2013-01-16 | 南京航空航天大学 | 一种基于tld的视频目标跟踪方法 |
US20140297600A1 (en) * | 2013-03-15 | 2014-10-02 | Kevin Gar Wah KAN | Bayesian Sleep Fusion |
CN104200234A (zh) * | 2014-07-11 | 2014-12-10 | 杭州微纳科技有限公司 | 人体动作建模和识别方法 |
CN104391561A (zh) * | 2014-09-30 | 2015-03-04 | 英华达(上海)科技有限公司 | 穿戴式设备进行模式切换的方法及该穿戴式设备 |
Also Published As
Publication number | Publication date |
---|---|
JP6782245B2 (ja) | 2020-11-11 |
CN107408153B (zh) | 2022-01-04 |
US20210225487A1 (en) | 2021-07-22 |
US10978194B2 (en) | 2021-04-13 |
US20180008190A1 (en) | 2018-01-11 |
WO2016142815A1 (en) | 2016-09-15 |
EP3265936A1 (en) | 2018-01-10 |
JP2018507050A (ja) | 2018-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106456000B (zh) | 生物测定信号的基于运动的估计 | |
US9152243B2 (en) | Object tracking using background and foreground models | |
CN105976800B (zh) | 电子装置和在电子装置中识别弦乐器演奏的方法 | |
Zhao et al. | Good feature matching: Toward accurate, robust vo/vslam with low latency | |
US10083233B2 (en) | Video processing for motor task analysis | |
EP2802255B1 (en) | Activity classification in a multi-axis activity monitor device | |
US9329694B2 (en) | Preemptive machine learning-based gesture recognition | |
CN104350509B (zh) | 快速姿势检测器 | |
US20150347846A1 (en) | Tracking using sensor data | |
KR101593315B1 (ko) | 행동 인식을 위한 방법, 장치 및 컴퓨터 프로그램 제품 | |
US20120262366A1 (en) | Electronic systems with touch free input devices and associated methods | |
US20150149801A1 (en) | Complex wakeup gesture framework | |
CN105144050B (zh) | 手势触摸几何位置的id追踪 | |
US9256777B2 (en) | Method for recognizing gesture and electronic device | |
US20180236352A1 (en) | Wearable inertial electronic device | |
JP2013042360A5 (zh) | ||
Aiolli et al. | ClimbTheWorld: Real-time stairstep counting to increase physical activity | |
Worsey et al. | Is machine learning and automatic classification of swimming data what unlocks the power of inertial measurement units in swimming? | |
US20160331304A1 (en) | System and methods for automated administration and evaluation of physical therapy exercises | |
KR102319228B1 (ko) | 전자 장치, 전자 장치의 현악기 연주 인식 방법 및 전자 장치의 현악기 연주 피드백 방법 | |
US11266346B2 (en) | Method and apparatus for determining sleep state using biometric information and motion information | |
US9927917B2 (en) | Model-based touch event location adjustment | |
CN107408153A (zh) | 用于使用运动数据确定休息时段的端点的系统、方法和设备 | |
US20230004795A1 (en) | Systems and methods for constructing motion models based on sensor data | |
US10775854B2 (en) | Method for lighting screen of smart wristband by raising hand and smart wristband |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |