CN108475537A - 用于监测对象的方法和装置 - Google Patents

用于监测对象的方法和装置 Download PDF

Info

Publication number
CN108475537A
CN108475537A CN201680078047.7A CN201680078047A CN108475537A CN 108475537 A CN108475537 A CN 108475537A CN 201680078047 A CN201680078047 A CN 201680078047A CN 108475537 A CN108475537 A CN 108475537A
Authority
CN
China
Prior art keywords
trend
physiological property
trendline
time interval
measurement result
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.)
Pending
Application number
CN201680078047.7A
Other languages
English (en)
Inventor
A·G·博诺米
W·R·T·坦卡特
G·帕皮尼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips Electronics NV
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Koninklijke Philips Electronics NV filed Critical Koninklijke Philips Electronics NV
Publication of CN108475537A publication Critical patent/CN108475537A/zh
Pending legal-status Critical Current

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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • 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
    • G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Abstract

用于监测对象的方法和装置。提供了一种监测对象的方法，所述方法包括：获得在一时间段内所述对象的生理特性的测量结果；获得关于针对所述对象的所述生理特性的期望趋势的信息；分析在第一时间间隔内的所述生理特性的所述测量结果以确定全局趋势，所述全局趋势具有基于在所述第一时间间隔内的所述测量结果中的极大值的针对所述生理特性的全局上趋势线和基于在所述第一时间间隔内的所述测量结果中的极小值的针对所述生理特性的全局下趋势线；分析在第二时间间隔内的所述生理特性的所述测量结果以确定针对所述生理特性的局部趋势，其中，所述第二时间间隔比所述第一时间间隔短；基于所述全局趋势、所述局部趋势和所述期望趋势来确定是否需要向所述对象反馈；并且如果需要反馈，则向所述对象提供所述反馈。

Description

用于监测对象的方法和装置
技术领域
本发明涉及用于监测对象的方法和装置，尤其涉及用于监测对象的生理特性的方法和装置。
背景技术
在现代社会中，由于容易获得热量食物，维持特定的体重是困难的。当卡路里摄入超过卡路里消耗时，体重会增加，导致个人超重甚至肥胖。此外，在饥饿感和饱腹感的生物信号可能不足的老年人中，缺乏适当的营养和体重减少可能是严重的问题。因此，维持健康体重的问题是紧迫的社会挑战和未满足的消费者需求。
卡路里摄入倾向于间歇性地而且相当规律地发生，而日常活动可以通过食物摄入事件来表征，例如早餐、午餐、零食和晚餐。类似地，根据我们的日常习惯活动，燃烧卡路里的机会也会发生。主动通勤(例如步行、骑自行车、驾车等)、体育锻炼、职业任务、家务和久坐时刻倾向于在每天和每周的基础上高度重复。随着这样的重复行为，维持卡路里摄入与卡路里消耗量之间的平衡应当是大多数健康个体的可行目标。然而，导致个人日常活动紊乱的事件可能会导致不平衡的能量预算并导致快速的体重增加或体重减少。诸如休假、庆祝活动、社会事件、旅行、疾病、压力阶段和工作期限等的事件可能会改变习惯和卡路里摄入，以致个体无法适应以实现卡路里/能量平衡。扭转任何体重增加的影响可能特别困难，这需要经常的长期努力和饮食计划。
图1说明了偶发事件可以通过鼓励不寻常的进食和/或活动行为来改变个人日常活动，导致异常卡路里摄入以及确定体重增加或减少的不平衡的能量预算。图1的顶部部分表示对象处于其正常的个人日常活动中(框80)，其中对象的进食和活动行为正常。在这个正常的日常活动中，对象具有正常的卡路里摄入，并且已经实现了能量平衡(框82)，并且他们的体重是稳定的(受制于预期的每天/每周变化性)-框84。图1的下部分说明了导致对象改变进食和活动行为(框90)的非日常活动事件的影响，其导致卡路里摄入的不寻常的水平并因此扰乱能量平衡(框92)，导致体重增加或减少(视情况而定)-框94。
根据对象的正常日常活动，对象的体重在每天或每周的基础上变化，并且很难根据少量的体重测量结果来可靠地确定体重增加或体重减少的早期发生。关心他们的体重的对象可以在每天自己进行测量。通常，在一天的固定时间(例如在上床睡觉时或醒来时)进行测量。对象将测量结果与某个参考值进行比较以判定他或她是否体重减少或体重增加。
通过向对象提供关于他们的体重的警告来帮助鼓励对象实现体重目标的系统是可获得的。例如，对于想要维持他们的当前体重的对象，他们应当尽可能早地接收到他们的体重正在增加的警告。这是因为当警告在早期阶段被发出时，纠正增加所需的工作量也被最小化。
EP2363061是用于监测和管理体重和其他生理状况的系统的示例，其旨在实现在由用户消耗的卡路里和消耗的能量之间的最佳或预选能量平衡，并向用户提供反馈。
然而，诸如在EP2363061中描述的那些系统倾向于频繁地向用户提供反馈和警告，例如一旦用户的体重有变化(其可以每天发生和/或根据他们的个人日常活动定期发生)，并且已经发现用户对这些反馈和警告的反应较差，这最终意味着该系统不能成功地帮助用户实现他们的目标。
其他背景信息可以在US2012/0313776中找到，其描述了用于使用来自具有数据能力的频带的数据的健康应用的一般健康和健康管理方法和装置，并且US2008/0162352描述了用于健康评估、异常检测、健康监测、健康模式和趋势检测、健康策略开发和健康历史归档的健康维护系统。
因此，需要改进的用于监测对象的方法和装置，以克服该问题。
发明内容
根据第一方面，提供了一种监测对象的方法，所述方法包括：获得在一时间段内所述对象的生理特性的测量结果；获得关于针对所述对象的所述生理特性的期望趋势的信息；分析在第一时间间隔内的所述生理特性的所述测量结果以确定全局趋势，所述全局趋势具有基于在所述第一时间间隔内的所述测量结果中的极大值的针对所述生理特性的全局上趋势线和基于在所述第一时间间隔内的所述测量结果中的极小值的针对所述生理特性的全局下趋势线；分析在第二时间间隔内的所述生理特性的所述测量结果以确定针对所述生理特性的局部趋势，其中，所述第二时间间隔比所述第一时间间隔短；基于所述全局趋势、所述局部趋势和所述期望趋势来确定是否需要向所述对象反馈；并且如果需要反馈，则向所述对象提供所述反馈。
因此，该方法能够被用于避免在一旦对象似乎开始偏离期望趋势(其可以针对每天自然地向上向下变化的生理特性频繁地发生)时就向对象提供反馈，并且在对象的(如全局趋势所指示的)长期行为表明与期望趋势的偏差不仅仅是生理特性的自然变化时提供反馈。因此，该方法能够减少提供给对象的不必要的警告和警报的量，其应当提高在警告或警报被发出时对象对警告或警报的响应能力。
在一些实施例中，所述期望趋势包括所述生理特性是否应当增加、减小或维持在稳定值处的指示。
在一些实施例中，分析在所述第一时间间隔内的所述生理特性的所述测量结果的步骤包括：将所述全局上趋势线确定为连接在所述第一时间间隔内的所述生理特性的所述测量结果中的两个或更多个极大值的线，并且将所述全局下趋势线确定为连接在所述第一时间间隔内的所述生理特性的所述测量结果中的两个或更多个极小值的线。所述两个或更多个极大值可以相距比所述第二时间间隔更大的时间，并且所述两个或更多个极小值可以相距比所述第二时间间隔更大的时间。
在一些实施例中，分析在所述第二时间间隔内的所述生理特性的所述测量结果以确定针对所述生理特性的所述局部趋势的步骤包括将所述局部趋势确定为在所述第二时间间隔内的所述生理特性的所述测量结果的移动平均。
在一些实施例中，确定是否需要向所述对象反馈的步骤包括确定所述全局趋势是否与所述期望趋势一致；并且确定所述局部趋势是否在所述全局上趋势线与所述全局下趋势线之间。
在一些实施例中，确定是否需要向所述对象反馈的步骤包括：确定所述全局趋势是否与所述期望趋势一致；如果所述全局趋势与所述期望趋势一致，则确定所述局部趋势是否在所述全局上趋势线与所述全局下趋势线之间；如果所述局部趋势不在所述全局上趋势线与所述全局下趋势线之间，则确定需要向所述对象提供负反馈；如果所述全局趋势与所述期望趋势不一致，则确定所述局部趋势是否与所述期望趋势一致；如果所述局部趋势与所述期望趋势不一致，则确定需要向所述对象提供负反馈；并且否则，确定不需要向所述对象提供反馈。因此，该实施例提供了以下优点：如果局部趋势和全局趋势两者都指示长期将不能满足针对生理特性的目标，或者如果局部趋势超过由全局趋势提供的“正常”界限(其可以在对象的行为或环境已经有了已经影响生理特性的一些重大的近期变化时发生)，则能够提供反馈。然而，本实施例认识到，如果对象最近已经纠正了全局趋势和期望趋势的差异(通过使局部趋势与期望趋势一致)，例如通过对他们的行为或生活方式做出积极改变，则不应当提供负反馈。
在一些实施例中，确定是否需要向所述对象反馈的步骤包括：确定所述全局趋势是否与所述期望趋势一致；如果所述全局趋势与所述期望趋势一致，则确定所述局部趋势是否在所述全局上趋势线与所述全局下趋势线之间；如果所述局部趋势不在所述全局上趋势线与所述全局下趋势线之间，则确定需要向所述对象提供负反馈；如果所述全局趋势与所述期望趋势不一致，则确定所述局部趋势是否与所述期望趋势一致；如果所述局部趋势与所述期望趋势不一致，则确定所述局部趋势是否在所述全局上趋势线与所述全局下趋势线之间；如果所述局部趋势不在所述全局上趋势线与所述全局下趋势线之间，则确定需要向所述对象提供负反馈；并且否则，确定不需要向所述对象提供反馈。因此，该实施例提供了以下优点：如果局部趋势和全局趋势两者都指示长期将不能满足针对生理特性的目标并且生理特性现在处在针对对象的正常界限之外或者如果局部趋势超过由全局趋势提供的“正常”界限(其两者都可以在对象的行为或环境已经有了已经影响生理特性的一些重大的近期变化时发生)，则能够提供反馈。然而，本实施例也认识到，如果对象最近已经纠正了全局趋势和期望趋势的差异(通过使局部趋势与期望趋势一致)，例如通过对他们的行为或生活方式做出积极改变，则不应当提供负反馈。
在一些实施例中，所述方法还包括以下步骤：获得关于在所述时间段内所述对象的活动、事件和/或行为的信息；并且分析关于所述活动、所述事件和/或所述行为的所述信息以及所述生理特性的所述测量结果，以确定所述对象的某些活动、事件和/或行为与所述生理特性的增大、所述生理特性的减小和/或所述生理特性的稳定之间的关联。
在一些实施例中，如果确定需要反馈，则所述方法还包括以下步骤：基于所述期望趋势和所确定的关联来确定要提供给所述对象的所述反馈。该实施例提供了以下优点：所述反馈可以指示对象可以采用或进行的某些活动、事件和/或行为，以便纠正已经导致负反馈的异常情况。
在一些实施例中，所述方法还包括以下步骤：获得关于在所述第二时间间隔内所述对象的即将发生的活动、事件和/或行为的信息；使用所确定的关联来分析所述即将发生的活动、事件和/或行为以预测所述即将发生的活动、事件和/或行为是否将导致所述生理特性的增大、所述生理特性的减小和/或所述生理特性稳定。
在一些实施例中，分析在所述第二时间间隔内的所述生理特性的所述测量结果以确定针对所述生理特性的所述局部趋势的步骤包括使用在所述第二时间间隔内的所述生理特性的所述测量结果以及基于所述对象的即将发生的活动、事件和/或行为的所述预测来确定所述局部趋势。该实施例提供了以下优点：可以基于某些即将发生的活动、事件和/或行为在过去已经如何影响对象的生理特性来做出对针对生理特性的趋势的一些预测，并且因此可以在可能不利地影响生理特性的那些活动、事件和/或行为之前提供反馈。
根据本发明的第二方面，提供了一种包括计算机可读介质的计算机程序产品，所述计算机可读介质具有体现在其中的计算机可读代码，所述计算机可读代码被配置为使得在由合适的计算机或处理器运行时，使所述计算机或处理器执行上述任何方法。
根据本发明的第三方面，提供了一种用于监测对象的装置，所述装置包括控制单元和用户接口，其中，所述控制单元包括：第一获得模块，其用于获得在一时间段内所述对象的生理特性的测量结果；第二获得模块，其用于获得关于针对所述对象的所述生理特性的期望趋势的信息；第一分析模块，其用于分析在第一时间间隔内的所述生理特性的所述测量结果以确定全局趋势，所述全局趋势包括基于在所述第一时间间隔内的所述测量结果中的极大值的针对所述生理特性的全局上趋势线和基于在所述第一时间间隔内的所述测量结果中的极小值的针对所述生理特性的全局下趋势线；第二分析模块，其用于分析在第二时间间隔内的所述生理特性的所述测量结果以确定针对所述生理特性的局部趋势，其中，所述第二时间间隔比所述第一时间间隔短；确定模块，其用于基于所述全局趋势、所述局部趋势和所述期望趋势来确定是否需要向所述对象反馈；并且其中，所述用户接口被配置为：如果确定需要所述反馈，则向所述对象提供所述反馈。
因此，该装置能够被用于避免在一旦对象似乎开始偏离期望趋势(其可以针对每天自然地向上向下变化的生理特性频繁地发生)时就向对象提供反馈，并且在对象的(如全局趋势所指示的)长期行为表明与期望趋势的偏差不仅仅是生理特性的自然变化时提供反馈。因此，该装置应当向对象提供更少的警告和警报，其应当提高在警告或警报被发出时对象对警告或警报的响应能力。
在一些实施例中，所述期望趋势包括所述生理特性是否应当增加、减小或维持在稳定值处的指示。
在一些实施例中，所述第一分析模块被配置为通过将所述全局上趋势线确定为连接在所述第一时间间隔内的所述生理特性的所述测量结果中的两个或更多个极大值的线并且将所述全局下趋势线确定为连接在所述第一时间间隔内的所述生理特性的所述测量结果中的两个或更多个极小值的线来分析在所述第一时间间隔内的所述生理特性的所述测量结果。两个或更多个极大值可以相距比所述第二时间间隔更大的时间，并且两个或更多个极小值可以相距比所述第二时间间隔更大的时间。
在一些实施例中，所述第二分析模块被配置为分析在所述第二时间间隔内的所述生理特性的所述测量结果，以通过将所述局部趋势确定为在所述第二时间间隔内的所述生理特性的所述测量结果的移动平均来确定针对所述生理特性的所述局部趋势。
在一些实施例中，所述确定模块被配置为通过确定所述全局趋势是否与所述期望趋势一致并且确定所述局部趋势是否在所述全局上趋势线与所述全局下趋势线之间来确定是否需要向所述对象反馈。
在一些实施例中，所述确定模块被配置为通过以下来确定是否需要向所述对象反馈：确定所述全局趋势是否与所述期望趋势一致；如果所述全局趋势与所述期望趋势一致，则确定所述局部趋势是否在所述全局上趋势线与所述全局下趋势线之间；如果所述局部趋势不在所述全局上趋势线与所述全局下趋势线之间，则确定需要向所述对象提供负反馈；如果所述全局趋势与所述期望趋势不一致，则确定所述局部趋势是否与所述期望趋势一致；如果所述局部趋势与所述期望趋势不一致，则确定需要向所述对象提供负反馈；并且否则，确定不需要向所述对象提供反馈。因此，该实施例提供了以下优点：如果局部趋势和全局趋势两者都指示长期将不能满足针对生理特性的目标，或者如果局部趋势超过由全局趋势提供的“正常”界限(其可以在对象的行为或环境已经有了已经影响生理特性的一些重大的近期变化时发生)，则能够提供反馈。然而，本实施例认识到，如果对象最近已经纠正了全局趋势和期望趋势的差异(通过使局部趋势与期望趋势一致)，例如通过对他们的行为或生活方式做出积极改变，则不应当提供负反馈。
在一些实施例中，所述确定模块被配置为通过以下来确定是否需要向所述对象反馈：确定所述全局趋势是否与所述期望趋势一致；如果所述全局趋势与所述期望趋势一致，则确定所述局部趋势是否在所述全局上趋势线与所述全局下趋势线之间；如果所述局部趋势不在所述全局上趋势线与所述全局下趋势线之间，则确定需要向所述对象提供负反馈；如果所述全局趋势与所述期望趋势不一致，则确定所述局部趋势是否与所述期望趋势一致；如果所述局部趋势与所述期望趋势不一致，则确定所述局部趋势是否在所述全局上趋势线与所述全局下趋势线之间；如果所述局部趋势不在所述全局上趋势线与所述全局下趋势线之间，则确定需要向所述对象提供负反馈；并且否则，确定不需要向所述对象提供反馈。因此，该实施例提供了以下优点：如果局部趋势和全局趋势两者都指示长期将不能满足针对生理特性的目标并且生理特性现在处在针对对象的正常界限之外或者如果局部趋势超过由全局趋势提供的“正常”界限(其两者都可以在对象的行为或环境已经有了已经影响生理特性的一些重大的近期变化时发生)，则能够提供反馈。然而，本实施例也认识到，如果对象最近已经纠正了全局趋势和期望趋势的差异(通过使局部趋势与期望趋势一致)，例如通过对他们的行为或生活方式做出积极改变，则不应当提供负反馈。
在一些实施例中，获得模块还用于获得关于在所述时间段内所述对象的活动、事件和/或行为的信息；并且分析模块还用于分析关于所述活动、所述事件和/或所述行为的所述信息以及所述生理特性的所述测量结果，以确定所述对象的某些活动、事件和/或行为与所述生理特性的增大、所述生理特性的减小和/或所述生理特性的稳定之间的关联。
在一些实施例中，所述确定模块还用于：如果确定需要反馈，则基于所述期望趋势和所确定的关联来确定要提供给所述对象的所述反馈。该实施例提供了以下优点：所述反馈可以指示对象可以采用或进行的某些活动、事件和/或行为，以便纠正已经导致负反馈的异常情况。
在一些实施例中，获得模块还用于获得关于在所述第二时间间隔内所述对象的即将发生的活动、事件和/或行为的信息；分析模块还用于使用所确定的关联来分析所述即将发生的活动、事件和/或行为以预测所述即将发生的活动、事件和/或行为是否将导致所述生理特性的增大、所述生理特性的减小和/或所述生理特性稳定。
在一些实施例中，所述第二分析模块被配置为分析在所述第二时间间隔内的所述生理特性的所述测量结果以通过使用在所述第二时间间隔内的所述生理特性的所述测量结果以及基于所述对象的即将发生的活动、事件和/或行为的预测确定所述局部趋势来确定针对所述生理特性的所述局部趋势。该实施例提供了以下优点：可以基于某些即将发生的活动、事件和/或行为在过去已经如何影响对象的生理特性来做出对针对生理特性的趋势的一些预测，并且因此可以在可能不利地影响生理特性的那些活动、事件和/或行为之前提供反馈。
根据本发明的第四方面，提供了一种用于监测对象的装置，所述装置包括控制单元和用户接口，其中，所述控制单元被配置为：获得在一时间段内所述对象的生理特性的测量结果；获得关于针对所述对象的所述生理特性的期望趋势的信息；分析在第一时间间隔内的所述生理特性的所述测量结果以确定全局趋势，所述全局趋势包括基于在所述第一时间间隔内的所述测量结果中的极大值的针对所述生理特性的全局上趋势线和基于在所述第一时间间隔内的所述测量结果中的极小值的针对所述生理特性的全局下趋势线；分析在第二时间间隔内的所述生理特性的所述测量结果以确定针对所述生理特性的局部趋势，其中，所述第二时间间隔比所述第一时间间隔短；基于所述全局趋势、所述局部趋势和所述期望趋势来确定是否需要向所述对象反馈；并且其中，所述用户接口被配置为：如果确定需要所述反馈，则向所述对象提供所述反馈。
附图说明
为了更好地理解本发明并且为了更清楚地示出它可以如何被实现，现在将仅以举例的方式对附图进行引用，在附图中：
图1图示了偶发事件对对象的体重的影响；
图2是图示在休假期间和休假之后的体重的变化的曲线图；
图3是图示在休假期间和休假之后的体重的变化的曲线图；
图4是图示股票价格波动的分析的曲线图；
图5是根据实施例的装置的框图；
图6是图示根据本发明的实施例的监测对象的方法的流程图；
图7是图示用于实施图6中的步骤109的示例性方法的流程图；
图8是图示根据本发明的方法中的额外示例性步骤的流程图；并且
图9图示了根据关于职业、休闲时间和活动特征的信息的用户情况的聚集。
具体实施方式
虽然本发明的以下描述中的一些根据用于监测对象的体重(用于指导对象减重、增重或维持其体重)的方法和装置来呈现，将认识到，该方法和装置能够容易地被应用于监测对象的其他类型的生理特性，所述生理特性在短期内波动并且可以在相对较长的时间尺度(例如数天、数周、数月等等)内更显著地变化，并且对于所述生理特性而言向对象提供反馈以使得对象能够采取纠正/预防措施以实现针对该特征的期望目标(例如增大、减小、稳定)可以是有用的。例如，合适的生理特性包括血压、静息心率、无脂肪/瘦肉重量、脂肪重量、体液水平、腰围、腰臀比、血液胆固醇水平、血糖水平、呼吸率、咳嗽频率、步行速度、步行规律性、(脚)步频率等。
如上所述，对象的体重根据对象的正常日常生活每天或每周变化。由于测量状况不是严格相同，所以体重在各测量结果之间波动。身体在体重上具有自然波动，该自然波动与过量或不足的食物摄取有直接关系。由于受到出汗、发烧、荷尔蒙影响或体力消耗的影响的水合作用和体液潴留的差异，体重可能每天都不同。由于液体含量的变化引起的体重的变化可能是无信息的，因为它们与身体脂肪的积聚或减少无关，但它们在每天造成一致的变化。此外，食物摄入和活动水平两者每天都不同，导致自然波动的另一原因。这些自然波动使得难以(根据体重测量结果)检测由于(系统性)过量食物摄入或减少的活动引起的体重增加的开始。
显然，期望当对象的体重正常波动时避免向对象提供警告或指导消息。同样，当对象的体重有意地增加或减少时，体重测量结果将随着体重增加或减少有波动，同样期望避免在他们的体重仍然大体朝着正确的方向前进时向对象提供警告或指导消息。当然，如上所述，为了使保持对象的体重在轨道上或使对象的体重上轨道(无论增加、减少还是保持体重稳定)所需的努力最小化，期望尽可能早地向对象提供警告或指导消息。因此，本发明旨在识别对象的体重(或更一般地是对象的任何生理特性)正在偏离目标或目的以及应当向对象提供反馈的情况。
图2中的曲线图示出沿y轴的针对对象在从第15天到第25天的十天的休假期间记录的以公斤(kg)为单位的体重的变化(其中沿x轴示出以天为单位的时间)，并示出在导致日常活动的变化的事件之后的大约四十天之后才重新达到69.6kg的基线体重值。图2中的每个测量点表示体重测量结果，并且线是体重测量结果的移动平均表示。因此，从该曲线图中可以看出，在大约第20天的早期警告或指导消息可能已经导致对象在休假结束之前改变他们的行为(例如通过减少食物摄入)，由此减少总体重增加，并且由此减少恢复到他们的正常体重花费的时间。
已经发现，识别和预料导致个人日常活动的不期望的变化的事件(例如图2中示出的休假)的发生可以在产生有效的指导(反馈)策略以使得对象能够避免不健康的体重增加或减少中极其有用。因此，下文描述的本发明的具体实施例(基于那些事件的先前发生)检查对象针对可以改变对象的卡路里摄入或活动水平的事件或活动的即将发生的日程表，并且该装置旨在通过防止或调整卡路里摄入以避免预期的体重增加/减少来帮助对象预料这些事件的影响。
因此，在某些实施例中，本发明在预期饮食行为偏离个人日常活动的情况下为对象生成以指导消息的形式的反馈，以在修改食物和卡路里摄入的过程中指导对象。与日常活动的任何偏离是否是不期望的取决于观察到的或预期的体重变化超出了被认为是正常范围的范围。体重的正常波动范围和对象的个人日常活动可以分别通过(例如如由连接的设备(体重秤、计算机软件、移动设备和可穿戴设备)提供的)对体重的每天和/或每周监测以及个人日程表来建立。可以在如由个人日程表表明的某些不期望的事件(例如社交或行为环境)发生时生成指导消息，以警告用户过量的体重增加或减少的潜在风险。
图3中的曲线图示出针对对象在从第17天至第20天的具有两天发烧的生病期间记录的体重的变化(如图2所示，以天为单位的时间被示出在x轴上，并且以kg为单位的体重被示出在y轴上)。可以看出，生病导致体重减少，直到大约第26天，此后体重总体稳定。因此，在生病之后对象的日常活动(包括活动水平和食物摄入)似乎足以使对象维持稳定的体重。
在一些实施例中，类似于上面参照图2所描述的那些，该装置可以被布置为监测对象的行为(例如事件、活动和/或食物摄入)以识别导致某些结果的行为的类型(如体重增加、体重减少、体重稳定)，然后该装置可以被布置为在设定体重目标时推荐某些行为。例如，如果期望对象维持稳定的体重，则该装置可以推荐与图3所示的生病之后的其中对象的体重稳定的时间段相关联的行为(例如活动水平、食物摄入量)。
如下所述，本发明甚至在存在生理特性的每天波动的情况下实现对生理特性与期望结果的偏差(例如增加、减少或稳定)的早期且可靠的检测。具体而言，本发明使用与用于评估金融资产(例如股票)的价格移动的技术类似的技术来分析生理特性的测量结果的时间序列。图4中的曲线图示出在(被表示在x轴上的)50天的时间段内测量的体重(以kg为单位并被表示在y轴上)的波动以及使用趋势线来指示体重在特定时间间隔内的趋势。该曲线图中的点是体重测量结果，并且实线是测量的体重值的平均的一种形式。
例如，可以看出，体重在直到大约第20天大体是恒定的，然后体重大体从第20天增加到大约第40天，在那里体重之后大体保持恒定。示出了两条趋势线11、13，其指示了直到第20天的大体恒定体重(其中趋势线11是针对直到第20天的体重测量结果的上趋势线，并且趋势线13是针对直到第20天的体重测量结果的下趋势线)。作为另一范例，示出了趋势线15和17，其界定体重测量结果的逐渐增加(其中趋势线15是针对从第20天到大约第40天的体重测量结果的上趋势线，并且趋势线17是针对从第20天到大约第40天的体重测量结果的下趋势线)。
在图5中示出了根据本发明实施例的装置20的框图。装置20包括控制单元22，其控制装置20的操作并且可以实施监测方法。简言之，控制单元22被配置为处理针对对象的生理特性的测量的时间序列，以确定是否应当向对象提供反馈(并且如果是的话，反馈应当采取什么形式)。控制单元22可以包括一个或多个处理器、处理单元、多核处理器或模块，其被配置或编程为控制装置20以监测对象，如下所述。
在具体实施中，控制单元22可以包括多个软件和/或硬件模块，每个软件和/或硬件模块被配置为执行或者用于执行根据本发明实施例的监测方法中的各个步骤。因此，控制单元22(或者更一般地装置20)可以包括第一获得模块24、第二获得模块26、第一分析模块28、第二分析模块30、确定模块32和反馈模块34，每个模块可以分别实施执行图6的步骤101-111所需的功能，并且在下面更详细地对其进行描述。
在图示的实施例中，装置20包括用于测量对象的一个或多个生理特性的生理特性传感器36。例如，在装置20用于测量体重的优选实施例中，传感器36可以是用于测量对象的体重的传感器，例如电子秤。在备选实施例中，传感器36可以是用于测量血压、心率、身体组成(例如无脂肪重量、脂肪重量、液体水平中的任何一个或多个)等的传感器，视要被监测的生理特性的情况而定。在一些实施例中，体重和身体组成可以(例如使用具有生物阻抗传感器的体重秤)被测量并且将这些信息组合以确定可能导致体重改变的因素。例如，能够有效地监测意图增加他们的肌肉重量并减少他们的脂肪重量(但大体维持稳定的体重)的对象。
传感器36可以是装置20的一部分或与装置20分开。在图5的实施例中，控制单元22和传感器36被示出为同一设备的一部分(例如在同一壳体内)。然而，将认识到，传感器36和控制单元22可以被提供在分开的壳体或设备中，并且它们可以被提供有适当的电路或部件以使得测量信号能够从传感器36被发送到控制单元22。
在一些实施例中，控制单元22可以直接从传感器36接收测量结果，并且控制单元22可以处理该测量结果以及先前接收到的测量结果，以便确定是否需要向对象提供反馈。在其他实施例(包括其中传感器36与装置20分开的实施例)中，来自传感器36的信号可以被存储在存储器单元38中，并且当要确定是否要向对象提供反馈时，控制单元22可以从存储器单元38检索先前获得的传感器测量结果并分析先前获得的传感器测量结果。
存储器单元38可以用于存储程序代码，所述程序代码可以由控制单元22运行以执行本文描述的方法。存储器单元38还可以用于存储在操作时间段由传感器36做出或获得的信号或测量结果。
在一些实施例中，控制单元22可以是智能电话或其他通用计算设备的一部分，其可以连接到或以其他方式接收来自传感器36的测量结果信号，但是在其他实施例中，装置20可以是专用于监测对象的目的的装置。在其中控制单元22是智能电话或其他通用计算设备的一部分的实施例中，取决于要被监测的生理特性，传感器36可以是被集成到智能电话中的传感器，或者是与智能电话分开的并且可以(例如通过有线或无线连接)向智能电话/计算设备提供传感器信号/测量结果以进行处理和分析的传感器。
将认识到，在一些实施例中，装置20可以利用(相同类型或不同类型的)多个传感器36来监测对象，每个传感器可以由控制单元22处理以提高对对象的监测的可靠性。
装置20还包括至少一个用户接口部件40，其用于向对象提供关于他们的生理特性的反馈。例如，该反馈可以包括生理特性正在增加/减少/稳定或已经达到针对生理特性的目标值的指示。该反馈还可以或者备选地包括以他们的当前行为和/或预测的行为正在引起或将引起针对生理特性的不期望的结果的警告的形式的反馈。该反馈还可以或者备选地包括指导消息，该指导消息告知对象他们可以改变他们的(一个或多个)动作的方式，以避免针对生理特性的不期望的结果。
用户接口部件40可以包括适合于向对象提供反馈或其他信息的任何部件，并且可以是例如显示屏或其他视觉指示器、扬声器、一个或多个灯和用于提供触觉反馈(例如振动功能)中的任何一个或多个。
另外，在一些实施例中，用户接口部件40是或包括使得装置20的对象或其他用户能够与装置20交互和/或控制装置20的一些器件。例如，用户接口部件40可以包括用于启用和停用装置20和/或监测过程的开关、按钮或其他控制器件。
将认识到，图5仅示出了说明本发明的这个方面所需的部件，并且在实际的实施方式中，装置20将包括除了所示的部件之外的额外部件。例如，装置20可以包括用于为装置20供电的电池或其他电源或用于将装置20连接到干线电源的器件，和/或用于使得对象的生理特性的测量结果能够被传送到装置20的基本单元或远程计算机的通信模块。
图6中的流程图图示了根据实施例的监测对象的方法。该方法可以通过计算机或通过如上所述的控制单元20来实施。
在可以由第一获得模块24执行或实施的第一步骤(步骤101)中，获得在一时间段内对象的生理特性的测量结果。该时间段通常或优选为数天、数周或数月。在该时间段内可以获得任何数量的测量结果，并且它们可以每天被获得多次、每天一次、每隔一天一次等等。该步骤可以包括使用传感器36一次获得一个测量结果(在这种情况下，步骤101可以被重复多次)，或者从存储器(例如，从存储器单元38)中检索先前收集的生理特性的测量结果的集合。
在可以由第二获得模块26执行或实施的第二步骤(步骤103)中，获得关于针对对象的生理特性的期望趋势的信息。关于期望趋势的信息是指示对象(和/或可能护理提供者)如何希望生理特性随时间改变或演变的信息。例如，关于期望趋势的信息可以指示期望或意图使生理特性随时间增加。或者，关于期望趋势的信息可以指示生理特性应当随时间减少或保持稳定(例如保持在特定值处或在限定的值范围内)。在一些实施例中，关于期望趋势的信息还可以指示针对生理特性的目标值。
在被监测的生理特性是体重的实施例中，关于期望趋势的信息可以指示对象将减少体重、增加体重或维持稳定体重。
步骤103可以包括从装置20的对象或另一用户接收指示关于期望趋势的信息的输入，或者从存储器(例如，从存储器单元38)或其他形式的数据存储中检索关于期望趋势的信息。
在可以由第一分析模块28执行或实施的步骤105中，分析生理特性的测量结果以确定针对生理特性的全局趋势。该全局趋势是针对在第一时间间隔内的生理特性的测量结果而确定的。第一时间间隔可以是包括生理特性的所有测量结果或测量结果的子集的时间间隔。
在下面对步骤105的说明中，参考了基于生理特性的测量结果中的极大值和极小值来确定全局趋势。将认识到，极大值和极小值可以是指实际的极大测量结果和极小测量结果，或者是指形成测量结果信号中的极大值或极小值的一组相邻测量结果。例如，极大值可以是形成峰值的特定数量(例如3)的测量结果的平均。极小值可以用类似的方式确定。这种对极大值和极小值的理解与“中心点”的概念/观念类似，其是可以被理解为表示一定范围的值的中间的数字(例如均值、中值或第一种模式)的值。“极大值”可以表示该范围的值的上部区域中的数字(不一定是绝对极大值)。极小值可以用类似的方式来理解。
通常，第一时间间隔跨度较大的时间段，例如具有一周或一个月的持续时间的时间段。在其他实施例中，其可以根据一年中的时间(例如季节或月份)调整或参数化。例如，时间跨度本身具有一周的持续时间，但其阈值的值被调整为一年中的当前时间。从这个意义上说，阈值是以年的尺度来确定的。
全局趋势可以通过考虑测量结果数据的包络来确定。该包络可以通过若干方式之一找到。一种技术基于经验模式分解(EMD)分析：确定生理特性测量结果的局部极大值和极小值，并计算分别连接极大值和极小值的两条线。这两条线是趋势线。局部极大值和极小值分别被定义为在通常例如为一周或一个月的时间窗口内的每个时刻的极大值(和极小值)。该窗口在时间上向后延伸例如半周或半个月，并向前延伸例如另外的半周或半个月。将认识到，以这种方式定义局部极大值和极小值意味着保持系统因果关系的一些延迟，如本领域已知的。在下一个测量时刻，窗口偏移相同的量(即偏移在生理特性测量结果之间的时间)，并且再次确定极大值和极小值。将认识到，这些值可以是相同的，因为提供极大值或极小值的测量结果仍然可能处于稍微偏移的窗口中。
可以用于确定包络的另一种技术包括计算解析信号，如本领域已知的，该解析信号是通过用其希尔伯特变换扩展生理特性测量结果信号而获得的。该信号以解析形式写成复数信号：其中，是相位，并且A是包络。
用于确定包络的另一种更优选的技术使用如AM解调的方案。在AM(幅度调制)解调中，生理特性测量结果信号被“调整”并随后被低通滤波以提取包络(即幅度调制)。在AM中，调制是对称的(极大值和极小值以相同方式改变，但符号相反)。在当前情况下，由于期望上部和下部包络(上下趋势线)，所以该方案如下修改。以下说明涉及确定极大值(即上趋势线)，并且可以以类似的方式(对符号(极性)进行明显修改)确定极小值(即下趋势线)。因此，对于新的输入样本(下一个生理特性测量结果)，测试测量结果是否大于当前输出样本。如果是的话，则输出样本被设定为该输入样本的值。如果不是的话，则输出样本被设定为其先前值的分数，例如先前值的0.95倍。以这种方式，一系列输出样本将跟随极大值的包络。可以根据测量速率(即采样速率)和第一时间间隔来选择分数参数(例如0.95)。例如，在一个周末后，生理特性的测量结果很大，并且每天有四个测量结果。在经过一周(如果其是时间间隔)后，则有7*4＝28个测量结果，并且输出信号已经下降到(0.95)^28。这可能太低，并且例如0.99的衰减可能是优选的。另外，可以将额外的平滑(低通滤波器)应用到所获得的输出信号。
在步骤105中确定的全局趋势指示在第一时间间隔内的生理特性的长期趋势(长程包络)或波动。
因此，如上所述，在优选实施例中，全局趋势包括针对生理特性的全局上趋势线和全局下趋势线(其可以表示测量结果的包络的界限)。全局上趋势线可以基于在第一时间间隔内的生理特性的测量结果中的极大值，并且全局下趋势线可以基于在第一时间间隔内的测量结果中的极小值。特别地，全局上趋势线可以是连接或涉及测量结果中的两个或更多极大值的线，并且全局下趋势线可以是连接或涉及测量结果中的两个或更多极小值的线。在图4所示的示例中，趋势线11对应于基于峰值的上全局趋势线(尽管在该示例中趋势线不接触峰值中的任何)，并且趋势线13对应于基于第6天的极小值的下全局趋势线(并且将认识到，在该示例中，第一时间间隔将不包括图4中的所有数据，而是数据的子集，例如20天的时间段)。
因此，如上所述，在一些实施例中，通过相应地连接在第一时间间隔(例如，对应于前一周或者前一个月)内的局部极大值和极小值来找到生理特性的测量结果中的趋势线。例如可以通过一种算法来找到这些极值，在该算法中，识别大的(或者在极小值的情况下小的)值的聚集，并且确定每个聚集中的极大值(极小值)。上文将指出，极大值或极小值可以对应于每个聚集中的值的平均，而不是绝对极大值和极小值。直线趋势线可以被视为经验模式分解(EMD)中的第一种模式。在一些实施例中，代替确定一阶(直线)趋势线，可以确定更高阶(多项式或更高复杂度的)趋势线。将认识到，可以有效地考虑水平趋势线以定义针对生理特性的全局上阈值和下阈值。
在一些实施例中，代替识别极大值和极小值，可以使用测量结果的中心点(如EMD中的中点)，分别对其增加偏移量以确定全局上趋势线和减去偏移量以得到全局下趋势线。在一些实施例中，可以从方差估计偏移量，例如为标准偏差的两倍。然而，与用于变化检测的技术相反，趋势线仍然关于极大值(和极小值)进行调整，使得趋势线接近或甚至接触这些极大值(和极小值)。
然而，一般地，从上文将认识到，上趋势线和下趋势线可以被理解为表示已经在长时间尺度内平滑(例如，低通滤波)的生理特性的测量结果的包络。
在一些情况下，上趋势线和/或下趋势线可以是水平的，其指示针对生理特性的上趋势和/或下趋势是恒定的(稳定的)。图4中的趋势线11和13是恒定趋势线的范例。这些恒定趋势线也可以被呈现为全局上阈值和下阈值，因为它们各自对应于针对生理特性的单个值。在其他情况下，上趋势线和/或下趋势线可以是倾斜的(即，不是水平的)，其指示针对生理特性的上趋势线和/或下趋势是增加或减少。
在可以由第一分析模块30执行或实施的步骤107中，分析在第二时间间隔内的生理特性的测量结果以确定针对生理特性的局部趋势。第二时间间隔比第一时间间隔短，优选地是短得多。例如，鉴于第一时间间隔可以是几周或几个月，第二时间间隔将是几天或一周。
第二时间间隔小于第一时间间隔。第二时间间隔的典型长度可以是几天，例如10天或一周(第一时间间隔是一个月或更多)。从图2、图3和图4可以看出，对应于第二时间间隔的窗口通常覆盖约0.5kg的体重值的范围，而对应于第一时间间隔的窗口则具有覆盖相距约1.5kg至2kg的体重值的趋势线。
在一些实施例中，局部趋势可以被确定为在第二时间间隔内的生理特性的测量结果的滑动均值或移动平均。基于第二时间间隔的时间窗口用于表征滤波器/平滑器的带宽阶数/大小，而求平均是实现平滑的典型实施方式，其也由时间窗口参数化。任何形式的低通滤波都可以用来确定局部趋势。滤波器也可以是非线性的，例如中值滤波器或任何其他形式的分级滤波器。例如，滤波器可以计算在第二时间间隔/窗口内的极大值和极小值，并取平均(这种类型的滤波器被称为“中点”滤波器)。在其他实施例中，局部趋势可以使用局部回归技术来确定。
在一些实施例中，第二时间间隔使得其包括生理特性的当前测量结果和近期测量结果，在这种情况下，局部趋势是根据生理特性的当前测量结果和近期测量结果来计算的。在其他实施例中，第二时间间隔可以使得其不仅包括生理特性的当前测量结果和近期测量结果，而且还延伸到生理特性的测量结果的预测或生理特性在不久的将来可能如何改变的预测，例如在生理特性的当前测量结果之后的接下来几天内。该实施例允许比仅仅利用生理特性的当前测量结果和近期测量结果的实施例更早地向对象提供生理特性的不期望的变化的警告。下面更详细地描述用于确定生理特性的测量结果的预测的技术。
如上所述，第二时间间隔比第一时间间隔短。在根据在第一时间间隔内的测量结果中的极大值和极小值来确定上全局趋势线和下全局趋势线的实施例中，优选的是，使对全局趋势线有贡献的那些极大值和极小值在比第二时间间隔更大的时间间隔上被间隔开。也就是说，对全局趋势线有贡献的极大值和极小值应当相距比由第二时间段覆盖的时间更远。
将认识到，每次获得新的生理特性测量结果时，都可以执行步骤105和107。或者，可以在每次获得新的生理特性测量结果时执行步骤107，并且可以较不频繁地(例如只有已经获得X个新的生理特性测量结果(其中X>1)时才)执行步骤105。通常，步骤105可以比步骤107更不频繁地被执行(即，全局趋势可以比局部趋势更不频繁地被更新)。
在步骤107中已经确定了局部趋势之后，基于所确定的全局趋势、所确定的局部趋势和期望趋势来确定是否需要向对象反馈(步骤109)。步骤109可以由确定模块32执行或实施。如果需要反馈，则在步骤111中(例如使用用户接口部件40)向对象提供反馈。步骤111可以由反馈模块34执行或实施。将认识到，为了实施该步骤，控制单元22中的反馈模块34可以向用户接口部件40提供合适的控制信号，以向对象呈现反馈。步骤109中的反馈可以包括生理特性正在偏离期望趋势的警告，和/或一个或多个指导消息，该一个或多个指导消息向对象提供信息或指令(口头、文本或其他)以在行为或改变他们的行为方面建议或指导对象并改善生理特性对期望趋势的顺从性。这种反馈通常被称为“负”反馈，因为其指示生理特性正在偏离期望趋势。
如上所述，期望避免在对象的生理特性正常波动时向对象提供以警告或指导消息的形式的反馈，同样，当对象的生理特性有意地增加或减少时，生理特性测量结果将随着生理特性增加或减少有波动，同样期望避免在他们的生理特性仍然大体朝着正确的方向前进时向对象提供警告或指导消息。然而，应当尽早地向对象提供以警告或指导消息的形式的反馈。因此，步骤107通过使用所确定的全局趋势、所确定的局部趋势和期望趋势来识别对象的生理特性可能正在偏离期望趋势并且应当向对象提供反馈的情况而实现这种平衡。
简言之，本发明旨将负反馈(例如旨在鼓励对象改变其行为的警告或指导消息)限制于当偏差在全局尺度上时的时间。具体地，如果局部趋势在全局上趋势线和下趋势线内，则不管局部趋势是否正在偏离先前(例如前面的)局部趋势，在步骤109中通常不向对象提供负反馈。但是，如果局部趋势在全局趋势线中的一个之外，则可以向对象提供(负)反馈。以这种方式，生理特性的自然波动不应当引起对象的警告信息和不必要的关注。
全局趋势线能够指示生理特性的全局增加，如图4中的趋势线15和17所示。在这种情况下，生理特性的局部趋势(如图4中的实线所示)也在增加，而不移动到全局趋势线之外(例如，如图4中从第20天到第35天所示)。为此，为了确定是否需要反馈，可以在某个时间前(例如一周前)测试全局趋势线的值，并且在差异超过阈值的情况下，发出警告。
图7图示了用于实施图6中的步骤109的示例性判定过程。
因此，针对对象的全局趋势(包括全局上趋势线和下趋势线)、期望趋势和局部趋势被提供作为过程的输入(121)。在第一步骤(步骤123)中，确定全局趋势是否与期望趋势一致。该步骤可以通过将全局趋势(例如全局上趋势线和下趋势线)与期望趋势进行比较来实现。例如，全局趋势与期望趋势之间的一致性可以通过比较在特定时间点处的期望趋势线与上全局趋势线和下全局趋势线之间的距离来确定，并且如果在特定时间点处到任一全局趋势线的距离小于阈值，则可以确定全局趋势与期望趋势不一致。否则，全局趋势可以被视为与期望趋势一致。任选地，作为检查，可以确定期望趋势是否在上全局趋势线与下全局趋势线之间。在另外的或备选的实施例中，可以将期望趋势的梯度与上全局趋势线和下全局趋势线的梯度进行比较，并且如果梯度相差超过阈值，则可以认为全局趋势与期望趋势不一致。
在图4所示的范例中，从第20天开始并且受全局趋势线15、17界定的体重的增加可能是不期望的(即，期望趋势可以对于体重保持大致恒定，例如，随着它已经到了第20天)。在这种情况下，步骤123可以识别从第20天开始的全局趋势与期望趋势之间的不一致。
如果发现全局趋势与期望趋势一致，则关于是否提供(负)反馈的判定被减少为局部趋势与全局趋势的比较，并且该方法移动到步骤125。因此，在步骤125处，确定局部趋势是否在全局趋势界限内(即在全局上趋势线与全局下趋势线之间)。可以通过确定局部趋势的值是否超过在特定时间点处的全局上趋势线，或者局部趋势的值是否低于在特定时间点处的全局下趋势线来执行该步骤。如果局部趋势不在全局趋势界限内，则该方法移动到步骤127，并且判定应当向对象提供以警告、负反馈和/或指导消息的形式的反馈(步骤127)。如果在步骤125处局部趋势在全局趋势界限内，则该方法移动到步骤129，并且不需要反馈(步骤129)并且不采取进一步的动作。在图4的范例中(并且假定期望趋势对于体重增加与从第20天开始的全局趋势大体一致)，步骤127将识别局部趋势在第38天已经超过全局上趋势线。
如果在步骤123处发现全局趋势与期望趋势不一致，则除了将局部趋势与全局上趋势线和下趋势线进行比较之外，局部趋势可以接近或跨越全局趋势线的方式对于确定是否需要反馈很重要。例如，如果期望趋势是使生理特性减少，则超过全局上趋势线可以被视为是负的或下降到全局下趋势线以下可以被认为是正的。
因此，如果在步骤123处发现全局趋势与期望趋势不一致，则该方法移动到步骤131，在那里确定局部趋势是否与期望趋势一致(步骤131)。也就是说，如果全局趋势与期望趋势不一致(例如对象可能正在增加体重，而其目标可能是让他们减少体重)，则有必要确定局部趋势现在是否与期望趋势一致(例如，对象现在可能已经开始减少体重)。可以使用与用于执行步骤123的技术类似的技术来执行步骤131。如果在步骤131处局部趋势与期望趋势一致，则该方法移动到步骤133，并且不需要向对象负反馈(步骤133)，并且不采取动作。
如果局部趋势与期望趋势不一致(例如，在上面的示例中，对象已经开始维持其体重或者继续增加体重的全局趋势)，则在一些实施例中(其未示出在图7中)，可以向对象提供以警告和/或指导消息的形式的反馈。
在备选实施例中，如果在步骤131处局部趋势与期望趋势不一致，则可以在步骤135处确定局部趋势是否在全局趋势界限内(类似于步骤125)。如果在步骤135处局部趋势仍在全局趋势界限内，则可以抑制警告或指导消息，并且将不向对象提供反馈(步骤137)。然而，如果在步骤135处局部趋势在全局界限之外，则可以向对象提供负反馈、指导消息或警告(步骤139)。
如上所述，在一些实施例中，第二时间间隔可以包括即将发生的活动和/或事件，并且因此局部趋势可以基于在第二时间间隔期间获得的测量结果以及即将发生的事件可能如何影响被监测的生理特性的预测。
图8中的方法示出了这可以被实施的示例性方式。该方法中的步骤可以与图6所示的方法中的步骤组合使用。在第一步骤(步骤151)中，针对获得生理特性的测量结果的时间段获得关于对象的活动、事件和/或行为的信息。与步骤101一样，可以在发生活动、事件和/或行为时获得在步骤151中获得的信息，或者可以从存储器或其他形式的数据存储中检索该信息。
接下来，分析关于对象的活动、事件和/或行为的信息以及生理特性的测量结果以确定在某些活动、事件和/或行为与生理特性的增加、减少和稳定之间的关联(步骤153)。下面更详细地描述步骤153，但是例如，可以发现在对象休假与体重增加(由于活动减少和饮食更多)之间的关联，和/或可以发现在对象面临许多工作期限或演示与体重减少(由于压力影响食欲)之间的关联。
为了预测生理特性在短期内(即在第二时间间隔内)如何变化，获得关于在第二时间间隔期间对象的即将发生的活动、事件和/或行为的信息(步骤155)。如下面更详细描述的，该信息可以通过检查对象的电子日程表或日历来获得，和/或该信息可以由装置20的对象或其他用户手动提供。
接下来，在步骤157中，使用在步骤153中确定的关联来分析即将发生的活动、事件和/或行为以确定对象的那些活动、事件和/或行为是否可能增加生理特性、减少生理特性或保持生理特性稳定。在一些实施例中，步骤157中的分析可以限于与对象的正常日常活动、事件和/或行为偏离的即将发生的活动、事件和/或行为。
作为步骤157的范例，如果在由第二时间间隔覆盖的时间窗口内安排休假，则步骤157可以基于在上面的步骤153中找到的关联来预测对象的体重将增加。步骤157也在下面更详细地描述。
在步骤159中，对即将发生的活动、事件和/或行为是否可能增加生理特性、减少生理特性或保持生理特性稳定的预测被包括作为在图6的步骤107中确定的局部趋势的一部分。
在另外的或备选的实施例中，一旦确定了在历史活动、事件和/或行为与生理特性的增加、减少和/或稳定之间的关联，反馈(特别是在步骤111中向对象提供的指导消息)可以包括与针对生理特性的期望趋势相关联的推荐的活动、事件和/或行为。也就是说，如步骤161所示，对对象的反馈可以基于期望趋势和所确定的关联来推荐一个或多个活动、事件和/或行为。例如，如果已经发现在对象吃掉很少饭与体重减少之间的关联，并且期望对象减少体重，则在步骤111/113中向对象提供的反馈可以是吃掉更少饭。
如上所述，步骤157中的分析可以基于与对象的正常日常活动、事件和/或行为偏离的即将发生的活动、事件和/或行为。因此，在这些实施例中有必要确定针对对象的正常日常活动。在一些实施例中，可以根据个人日程表来确定个人日常活动，该个人日程表包括职业(例如工作)和休闲时间日程表；和/或个人行为，其例如以饮食、活动和睡眠模式为特征。
关于职业日程表的数据可以从用户输入和连接的日历软件工具中导出。以下信息可以用于表示职业情况/日程表，并从工作角度确定对象是否已经或将要对影响其生理特性的其自身的习惯进行修改：家庭日/工作日/节假日、一年中的时间、工作时间和班次、职业任务和会议、到下一期限的天数、成就、旅行等。
同样，关于对象的休闲时间日程表的信息可以从直接用户输入、日历软件工具和/或社交媒体中导出。以下信息可以用于表示休闲时间情况，并确定对象的习惯是否可以改变并影响生理状况：社交事件、欢庆会、约会、运动、运动赛事、购物安排、等等。
另外，行为信息可以从直接用户输入或由可穿戴传感器、移动传感器和/或连接的环境传感器捕获的数据进行重新编码。以下方面可以被获得以确定对象的饮食和活动行为在确定的时间间隔内是否已经经历了显著变化：饮食日程表、饮食地点、饮食持续时间、食物日记、活动和久坐时间、睡眠、心理压力水平等。
上面列出的项表示可以用于以多参数方式表征对象的习惯/日常活动的特征。统计学习技术可以用来随时间聚集对象的情况(参见图9)并检测各情况之间的异常或转变。这些异常和转变表示引起对个人日常活动的修改的事件。图9描绘了两个典型的对象情况的聚集可以如何由职业日程表(202；212)、休闲时间日程表(202；212)和行为(204；214)的特征来表示的范例。每个聚集都与特定体重变化(图9中的增加和稳定)可以适用的特定个人日常活动(204；214)相关联。从由两个聚集表示的状态的任何转变都可以被标记为导致修改个人日常活动的事件，并且在图9的示例中，体重增加的风险可以与转变事件以及在(N+1)聚集中获得的饮食行为相关联。
因此，在图9中，(N)聚集200具有以下特征202：办公室日、距工作期限60天、阳光明媚的天气、没有社交活动、没有计划的约会和规律的运动日程表。(N)聚集200还具有以下行为204：每天3餐、晚餐是最大的一餐和在家中进餐。该聚集200导致体重稳定206。相反，(N+1)聚集210具有以下特征212：工作日、距工作期限7天、阴雨天气、旅行和不规律的运动日程表。该聚集210具有以下行为214：每天2餐、午餐是最大的一餐、在餐厅吃饭以及频繁吃零食。该聚集210导致体重增加216。
来自文本和语音识别领域的统计和机器学习工具是可以用于根据影响个人日常活动的特征列表(职业、休闲时间和活动)来确定情况和聚集的计算方法的范例。特别地，可以应用主题模型来生成高层次情况的聚集。主题模型用于文本和语音识别中以确定在句子中的词语与它们所属的主题之间的关联。类似地，在本发明中，上述特征可以表示由离散数量的聚集(主题)表示的情况的原始特征。
在一些实施例中，鉴于生理特性的正常每日波动，可以根据进行测量的一天中的时间来对在一天中的不同时间获得的生理特性的测量结果进行纠正或归一化。这种归一化可以通过去除一整天中发生的测量结果波动中的一些来帮助提高由本发明提供的监测的准确度。
在一些实施例中，取决于被测量的生理特性，可以考虑在测量之前的时间段内对象的活动水平并且将其用于纠正生理特性的测量结果。活动水平可以用由对象穿戴的移动传感器(例如加速度计)来测量。
在一些实施例中，特别是与体重的监测相关的实施例中，可以使用借助于例如电生物阻抗测量的身体水合的测量来更好地评估体重中与脂肪和肌肉质量积累或减少不相关的波动。
在一些实施例中，该方法的进一步细化可以允许基于来自对象的历史数据来定义个性化规则。例如，如果对象已经获得了一定量的体重(例如10％)，则可以使用过去每天的测量结果来生成指示一致的体重变化的对象特异性规则。事实上，一些对象可能经历体重的单调增加或减少，并且该信息可以被用作观察与局部极小值和极大值有关的趋势的备选。在特定时间尺度上体重波动的模板也可以被导出以确立是否已经发生了针对这种预期的体重波动的偏差。
因此，提供了用于监测对象的改进的装置和方法。
本领域技术人员通过研究附图、说明书以及权利要求书，在实践请求保护的本发明时能够理解并实现对所公开的实施例的变型。在权利要求中，“包括”一词不排除其他元件或步骤，并且词语“一”或“一个”不排除多个。单个处理器或其他单元可以实现在权利要求中记载的若干项的功能。尽管某些措施被记载在互不相同的从属权利要求中，但是这并不指示不能有利地使用这些措施的组合。计算机程序可以被存储/分布在合适的介质上，例如与其他硬件一起或作为其他硬件的部分供应的光学存储介质或固态介质，但是也可以被以其他形式分布，例如经由互联网或其他有线或无线的电信系统。权利要求书中的任何附图标记都不应被解释为对范围的限制。

Claims (15)

1.一种监测对象的计算机实现的方法，所述方法包括：
使用传感器获得在一时间段内所述对象的生理特性的测量结果；
获得关于针对所述对象的所述生理特性的期望趋势的信息；
分析在第一时间间隔内的所述生理特性的所述测量结果以确定全局趋势，所述全局趋势具有基于在所述第一时间间隔内的所述测量结果中的极大值的针对所述生理特性的全局上趋势线和基于在所述第一时间间隔内的所述测量结果中的极小值的针对所述生理特性的全局下趋势线；
分析在第二时间间隔内的所述生理特性的所述测量结果以确定针对所述生理特性的局部趋势，其中，所述第二时间间隔比所述第一时间间隔短；
基于所述全局趋势、所述局部趋势和所述期望趋势来确定是否需要向所述对象反馈；并且
如果需要反馈，则经由用户接口向所述对象提供所述反馈。
2.根据权利要求1所述的计算机实现的方法，其中，分析在所述第一时间间隔内的所述生理特性的所述测量结果的步骤包括：
将所述全局上趋势线确定为连接在所述第一时间间隔内的所述生理特性的所述测量结果中的两个或更多个极大值的线，并且将所述全局下趋势线确定为连接在所述第一时间间隔内的所述生理特性的所述测量结果中的两个或更多个极小值的线。
3.根据权利要求2所述的计算机实现的方法，其中，所述两个或更多个极大值相距比所述第二时间间隔更大的时间，并且所述两个或更多个极小值相距比所述第二时间间隔更大的时间。
4.根据权利要求1-3中的任一项所述的计算机实现的方法，其中，分析在所述第二时间间隔内的所述生理特性的所述测量结果以确定针对所述生理特性的所述局部趋势的步骤包括将所述局部趋势确定为在所述第二时间间隔内的所述生理特性的所述测量结果的移动平均。
5.根据权利要求1-4中的任一项所述的计算机实现的方法，其中，确定是否需要向所述对象反馈的步骤包括：
确定所述全局趋势是否与所述期望趋势一致；并且
确定所述局部趋势是否在所述全局上趋势线与所述全局下趋势线之间。
6.根据权利要求1-4中的任一项所述的计算机实现的方法，其中，确定是否需要向所述对象反馈的步骤包括：
确定所述全局趋势是否与所述期望趋势一致；
如果所述全局趋势与所述期望趋势一致，则确定所述局部趋势是否在所述全局上趋势线与所述全局下趋势线之间；
如果所述局部趋势不在所述全局上趋势线与所述全局下趋势线之间，则确定需要向所述对象提供负反馈；
如果所述全局趋势与所述期望趋势不一致，则确定所述局部趋势是否与所述期望趋势一致；
如果所述局部趋势与所述期望趋势不一致，则确定需要向所述对象提供负反馈；并且
否则，确定不需要向所述对象提供反馈。
7.根据权利要求1-4中的任一项所述的计算机实现的方法，其中，确定是否需要向所述对象反馈的步骤包括：
确定所述全局趋势是否与所述期望趋势一致；
如果所述全局趋势与所述期望趋势一致，则确定所述局部趋势是否在所述全局上趋势线与所述全局下趋势线之间；
如果所述局部趋势不在所述全局上趋势线与所述全局下趋势线之间，则确定需要向所述对象提供负反馈；
如果所述全局趋势与所述期望趋势不一致，则确定所述局部趋势是否与所述期望趋势一致；
如果所述局部趋势与所述期望趋势不一致，则确定所述局部趋势是否在所述全局上趋势线与所述全局下趋势线之间；
如果所述局部趋势不在所述全局上趋势线与所述全局下趋势线之间，则确定需要向所述对象提供负反馈；并且
否则，确定不需要向所述对象提供反馈。
8.根据权利要求1-7中的任一项所述的计算机实现的方法，其中，所述方法还包括以下步骤：
获得关于在所述时间段内所述对象的活动、事件和/或行为的信息；并且
分析关于所述活动、所述事件和/或所述行为的所述信息以及所述生理特性的所述测量结果，以确定所述对象的某些活动、事件和/或行为与所述生理特性的增大、所述生理特性的减小和/或所述生理特性的稳定之间的关联。
9.根据权利要求8所述的计算机实现的方法，其中，如果确定需要反馈，则所述方法还包括以下步骤：
基于所述期望趋势和所确定的关联来确定要提供给所述对象的所述反馈。
10.根据权利要求8或9所述的计算机实现的方法，其中，所述方法还包括以下步骤：
获得关于在所述第二时间间隔内所述对象的即将发生的活动、事件和/或行为的信息；
使用所确定的关联来分析所述即将发生的活动、事件和/或行为以预测所述即将发生的活动、事件和/或行为是否将导致所述生理特性的增大、所述生理特性的减小和/或所述生理特性稳定。
11.根据权利要求10所述的计算机实现的方法，其中，分析在所述第二时间间隔内的所述生理特性的所述测量结果以确定针对所述生理特性的所述局部趋势的步骤包括使用在所述第二时间间隔内的所述生理特性的所述测量结果以及基于所述对象的即将发生的活动、事件和/或行为的所述预测来确定所述局部趋势。
12.一种包括计算机可读介质的计算机程序产品，所述计算机可读介质具有体现在其中的计算机可读代码，所述计算机可读代码被配置为使得在由合适的计算机或处理器运行时，使所述计算机或处理器执行权利要求1-11中的任一项所述的方法。
13.一种用于监测对象的装置，所述装置包括控制单元和用户接口，其中，所述控制单元包括：
第一获得模块，其用于获得在一时间段内所述对象的生理特性的测量结果；
第二获得模块，其用于获得关于针对所述对象的所述生理特性的期望趋势的信息；
第一分析模块，其用于分析在第一时间间隔内的所述生理特性的所述测量结果以确定全局趋势，所述全局趋势包括基于在所述第一时间间隔内的所述测量结果中的极大值的针对所述生理特性的全局上趋势线和基于在所述第一时间间隔内的所述测量结果中的极小值的针对所述生理特性的全局下趋势线；
第二分析模块，其用于分析在第二时间间隔内的所述生理特性的所述测量结果以确定针对所述生理特性的局部趋势，其中，所述第二时间间隔比所述第一时间间隔短；
确定模块，其用于基于所述全局趋势、所述局部趋势和所述期望趋势来确定是否需要向所述对象反馈；
并且其中，所述用户接口被配置为：如果确定需要反馈，则向所述对象提供所述反馈。
14.根据权利要求13所述的装置，其中，所述第一分析模块被配置为通过将所述全局上趋势线确定为连接在所述第一时间间隔内的所述生理特性的所述测量结果中的两个或更多个极大值的线并且将所述全局下趋势线确定为连接在所述第一时间间隔内的所述生理特性的所述测量结果中的两个或更多个极小值的线来分析在所述第一时间间隔内的所述生理特性的所述测量结果。
15.根据权利要求14所述的装置，其中，所述第二分析模块被配置为分析在所述第二时间间隔内的所述生理特性的所述测量结果，以通过将所述局部趋势确定为在所述第二时间间隔内的所述生理特性的所述测量结果的移动平均来确定针对所述生理特性的所述局部趋势。
CN201680078047.7A 2016-01-05 2016-12-22 用于监测对象的方法和装置 Pending CN108475537A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP16150118 2016-01-05
EP16150118.4 2016-01-05
PCT/EP2016/082323 WO2017118580A1 (en) 2016-01-05 2016-12-22 Method and apparatus for monitoring a subject

Publications (1)

Publication Number Publication Date
CN108475537A true CN108475537A (zh) 2018-08-31

Family

ID=55077403

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680078047.7A Pending CN108475537A (zh) 2016-01-05 2016-12-22 用于监测对象的方法和装置

Country Status (4)

Country Link
US (1) US20200273584A1 (zh)
EP (1) EP3400547A1 (zh)
CN (1) CN108475537A (zh)
WO (1) WO2017118580A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114971057A (zh) * 2022-06-09 2022-08-30 支付宝(杭州)信息技术有限公司 模型选择的方法及装置
CN116509336A (zh) * 2023-06-27 2023-08-01 安徽星辰智跃科技有限责任公司 基于波形分析的睡眠周期性检测及调节方法、系统和装置

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6819793B2 (ja) * 2017-09-27 2021-01-27 日本電気株式会社 センサ装置、センシング方法及びプログラム
JP2021192131A (ja) * 2018-08-30 2021-12-16 ソニーグループ株式会社 情報処理装置、および情報処理方法
CN112579920B (zh) * 2020-12-09 2023-06-20 成都中科大旗软件股份有限公司 一种基于事件实现跨时空传播分析方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080275349A1 (en) * 2007-05-02 2008-11-06 Earlysense Ltd. Monitoring, predicting and treating clinical episodes
US20130338453A1 (en) * 2010-12-22 2013-12-19 Roche Diagnostics Gmbh Automatic recognition of known patterns in physiological measurement data
CN103517669A (zh) * 2011-03-11 2014-01-15 太空实验室健康护理有限公司 在病人监测期间确定多参数管理报警等级的方法和系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
MXPA06002836A (es) * 2000-06-16 2006-06-14 Bodymedia Inc Sistema para vigilar y administrar el peso corporal y otras condiciones fisiologicas, que incluyen la planeacion, intervencion y capacidad de reporte iterativa y personalizada.
US20080306767A1 (en) * 2005-12-22 2008-12-11 Koninklijke Philips Electronic, N.V. Weight Management System Using Adaptive Targets
US7953613B2 (en) * 2007-01-03 2011-05-31 Gizewski Theodore M Health maintenance system
US8774889B2 (en) * 2010-12-22 2014-07-08 Roche Diagnostics Operations, Inc. Patient monitoring system with efficient pattern matching algorithm
US8446275B2 (en) * 2011-06-10 2013-05-21 Aliphcom General health and wellness management method and apparatus for a wellness application using data from a data-capable band

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080275349A1 (en) * 2007-05-02 2008-11-06 Earlysense Ltd. Monitoring, predicting and treating clinical episodes
US20130338453A1 (en) * 2010-12-22 2013-12-19 Roche Diagnostics Gmbh Automatic recognition of known patterns in physiological measurement data
CN103517669A (zh) * 2011-03-11 2014-01-15 太空实验室健康护理有限公司 在病人监测期间确定多参数管理报警等级的方法和系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114971057A (zh) * 2022-06-09 2022-08-30 支付宝(杭州)信息技术有限公司 模型选择的方法及装置
CN116509336A (zh) * 2023-06-27 2023-08-01 安徽星辰智跃科技有限责任公司 基于波形分析的睡眠周期性检测及调节方法、系统和装置
CN116509336B (zh) * 2023-06-27 2024-05-03 安徽星辰智跃科技有限责任公司 基于波形分析的睡眠周期性检测及调节方法、系统和装置

Also Published As

Publication number Publication date
US20200273584A1 (en) 2020-08-27
EP3400547A1 (en) 2018-11-14
WO2017118580A1 (en) 2017-07-13

Similar Documents

Publication Publication Date Title
CN108475537A (zh) 用于监测对象的方法和装置
Kim et al. Validation of the ActiGraph GT3X and activPAL accelerometers for the assessment of sedentary behavior
EP2330554A1 (en) Method and system for generating history of behavior
FI129382B (en) SYSTEM AND METHOD FOR GUIDING THE IMPROVEMENT OF OVERALL PERFORMANCE
US9675289B2 (en) Method and glucose monitoring system for monitoring individual metabolic response and for generating nutritional feedback
US20160246259A1 (en) Method, appararus and wearable apparatus for automatically reminding user to sleep
US10980490B2 (en) Method and apparatus for evaluating physiological aging level
US20160262693A1 (en) Metabolic analyzer for optimizing health and weight management
KR20210110284A (ko) 혈당 농도 예보
KR102400740B1 (ko) 사용자의 건강상태 모니터링 시스템 및 이의 분석 방법
Janssen et al. Issues related to measuring and interpreting objectively measured sedentary behavior data
US8781752B2 (en) Measuring control method and arrangement
CN109074867A (zh) 用于提供汇总和连续学习以改善健康结果的系统和方法
RU2712395C1 (ru) Способ выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, и соответствующая система (варианты)
Chen et al. Accelerometer-based fall detection using feature extraction and support vector machine algorithms
CN108024765A (zh) 对于生理参数进行动态葡萄糖曲线响应的系统、装置和方法
US20210113153A1 (en) Method and system for transdermal alcohol monitoring
Horner et al. Development of an accelerometer-based multivariate model to predict free-living energy expenditure in a large military cohort
CN105996984A (zh) 利用可穿戴电子装置的久坐时间段检测
WO2018116703A1 (ja) 表示制御装置、表示制御方法及びコンピュータプログラム
US20130204535A1 (en) Visualizing predicted affective states over time
EP3102296A1 (en) Method and system for providing feedback automatically on physiological measurements to a user
US11185260B1 (en) State-based methods and systems using continuous glucose monitors and accelerometers to regulate glucose levels
US20220167916A1 (en) Intelligent diet, sleep and stress management
CN102053158A (zh) 血糖分析系统、装置及其方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180831