CN115867188A - 压力确定和管理技术 - Google Patents

Abstract

能够为与可穿戴设备相关联的用户确定压力信息，诸如穿戴包括一个或多个传感器的可穿戴计算设备的用户。该传感器数据中的至少一些能够与由用户提供的相关数据组合以计算压力分数，诸如其可以对应于该用户的当前压力水平或压力恢复力水平。能够随时间监测该压力分数的变化，并采取适当的行动，以诸如向用户提供信息或建议，或修改可穿戴计算设备的操作。

Description

压力确定和管理技术

相关申请的交叉引用

本申请要求2020年8月7日提交的美国临时专利申请号63/062,818的权益，其全部内容通过引用并入本文。

背景技术

最近的技术进步，包括那些可通过消费者设备获得的技术进步，已经为健康检测和监测提供了对应的进步。例如，诸如健身追踪器和智能手表的设备能够确定与穿戴该设备的人的脉搏或运动有关的信息。然而，由于传统设备的能力，存在与使用这种设备能够确定的健康信息的数量和类型相关的技术问题，因为这种信息的收集受到限制。特别地，传统设备在能够检测准确且自动指示用户压力的参数方面受到限制。

因此，本公开涉及前述技术问题的技术解决方案/益处。因此，本公开涉及用于为可穿戴设备的用户计算压力分数的系统和方法。在特定实施例中，例如，能够使用在用户穿戴可穿戴设备时从皮肤电活动EDA传感器收集的EDA数据来计算压力分数。更具体地，交感神经系统能够触发整个人的身体微排汗，因此可穿戴设备上的EDA传感器与用户的手或指尖之间的电导会随着排汗量的增加而增加。因此，当用户的手掌或手指靠近EDA传感器时，EDA传感器能够生成数据，可穿戴设备能够使用这些数据来准确和自动地计算用户的压力。

发明内容

本发明的方面和优点将在下面的描述中部分地阐述，或者可以从描述中显而易见，或者可以通过本发明的实践而习得。

本公开涉及一种用于为可穿戴设备的用户准确且自动地计算压力分数的方法。该方法包括从可穿戴设备上的一个或多个外部传感器接收与可穿戴设备的用户的状态相对应的第一特征数据。该方法还包括经由可穿戴设备的处理器获取与用户状态相对应的第二特征数据，该第二特征数据由用户提供。此外，该方法包括经由可穿戴设备的处理器使用第一特征数据和第二特征数据计算压力分数。此外，该方法包括经由可穿戴设备的处理器至少部分地基于所计算的压力分数来执行至少一个动作。

在实施例中，压力分数代表可穿戴设备的用户的当前压力水平或压力恢复力水平中的至少一个。

在另一实施例中，第一特征数据包括使用可穿戴设备上的至少一个外部皮肤电活动EDA传感器捕获的EDA数据。在这种实施例中，(多个)外部EDA传感器可以被安装在可穿戴设备的远离用户手腕的一侧。

在进一步的实施例中，第一特征数据和第二特征数据可以包括选自睡眠特征、活动特征和心脏特征的特征数据。在这种实施例中，使用第一特征数据和第二特征数据计算压力分数还包括将压力分数计算为睡眠特征、活动特征和心脏特征的加权和。

在另外的实施例中，睡眠特征可以包括烦躁不安、碎片化、睡眠储层水平、深度/REM睡眠持续时间、深度睡眠潜伏期或噩梦发生中的至少一种。

在某些实施例中，活动特征可以包括活跃区分钟数或活动水平、锻炼或活动指标、运动指标、活动类型、移动模式或步数或移动中的至少一个。

在进一步的实施例中，心脏特征可以包括深度睡眠心率变异性(HRV)、升高的静息心率(HR)、高于静息心率(RHR)的睡眠HR中的至少一种。

在另外的实施例中，第一特征数据和第二特征数据可以包括选自以下至少一个的特征数据：健身疲劳分数、血压、血液成分、呼吸率、温度、代谢数据、血液血糖水平、体重或成分、心理状态、感知压力、抑郁、嗓音韵律/音调/压力、血液皮质醇/肾上腺素/去甲肾上腺素水平、低密度脂蛋白(LDL)水平、BMI x锻炼、性别特定值或情绪记录数据。

在另一实施例中，(多个)动作可以包括生成界面、提供通知、修改可穿戴设备的操作、为用户提供推荐或传输数据以供分析中的至少一个。

另一方面，本公开涉及一种可穿戴计算设备。该可穿戴设备包括一个或多个传感器、至少一个处理器和具有指令的至少一个存储器设备，该指令当由至少一个处理器执行时，使可穿戴计算设备：从一个或多个传感器接收与可穿戴设备的用户的状态相对应的第一特征数据；获取与用户的状态相对应的第二特征数据，该第二特征数据由用户提供；使用第一特征数据和第二特征数据计算压力分数；以及至少部分地基于所计算的压力分数执行至少一个动作。

附图说明

将参考附图描述根据本公开的各种实施例，在附图中：

图1A和1B图示了根据各种实施例的能够被用于获取和分析用户健康信息的示例设备。

图2图示了根据各种实施例的能够通信的示例设备集合。

图3图示了根据各种实施例的能够使用的示例压力分数算法。

图4图示了根据各种实施例的能够提供的示例界面。

图5图示了根据各种实施例的能够提供的示例界面。

图6图示了根据各种实施例的能够提供的示例界面。

图7图示了根据各种实施例能够使用的用于确定压力分数的示例过程。

图8图示了根据各种实施例能够使用的用于监测用户压力的示例过程。

图9示出了能够在其中实现各种实施例的方面的示例环境。

具体实施方式

在下面的描述中，将描述各种实施例。出于解释的目的，阐述具体配置和细节以便提供对实施例的透彻理解。然而，对于本领域技术人员来说也将显而易见的是，可以在没有具体细节的情况下实践这些实施例。此外，可以省略或简化众所周知的特征以便不混淆所描述的实施例。

随着计算设备变得更加普遍和便携，在健康监测和诊断领域中出现了许多优势。计算设备，尤其是能够由用户穿戴或携带的计算设备，可以包括一个或多个传感器，以检测关于用户和/或用户周围环境的生理信息。该信息能够被用于在传统诊所或实验室环境之外观察、检测或诊断各种健康状况。例如，在监测压力的情况下，便携式或可穿戴电子设备可以能够检测到用户的交感神经系统何时会触发整个用户身体的微汗。另外，计算设备可以能够记录和解释检测到的关于用户和/或环境的信息，以确定健康评估。与前面的示例一样，可穿戴电子设备可以能够记录相对较高频率的皮肤电导响应(SCR)，它查看滑动时间窗口内皮肤电导中的峰值数量，并生成用户正在承受压力的评估。

根据各种实施例的手段提供能够指示用户的压力或其他这种状态的因素的确定、预测和/或监测。在至少一个实施例中，能够至少部分地基于由诸如图1A的实施例中所图示的设备100的可穿戴计算机收集的数据来做出该确定。在本文中讨论的各种实施例中，人能够穿戴或使用能够自动测量或确定人的健康或幸福的至少一些方面的设备100。特别地，如图1A所示，设备100是智能手表104，但是在各种实施例的范围内也能够使用其他设备，诸如智能或连接的健身带或追踪器、手表、戒指、耳塞、电话、衣服等。在该示例中，人能够将设备100穿戴在手臂102或手腕上，并且能够在设备的显示器106上查看内容，其可以包括健康信息。在许多实施例中，显示器106是触敏显示器，其允许人输入或注释关于该人的健康或状况的信息，如本文中别处所讨论的。

现在参考图1B，设备100可以包括各种测量组件152、154(本文中也称为传感器)，如设备100的后视图150所图示。更具体地，如图所示，设备100可以包括一个或多个内部传感器152和/或一个或多个外部传感器154，其可以包括能够被用于测量或检测关于用户的信息的任何合适类型的传感器，诸如EDA传感器和/或运动和温度传感器。此外，在实施例中，测量组件152、154能够包括或涉及光学测量子系统。在该示例中，光学测量子系统包括至少一个光学发射器和至少一个光学接收器。该发射器能够发出一种或多种波长的光，这些光能够从穿戴者的皮肤表面反射，或者在行进后在表面下漫反射，并被至少一个发射器检测到。这种光学组件能够使智能手表能够在人穿戴该设备期间测量各种类型的信息。在又一个实施例中，(多个)外部传感器154可以包括用户的手掌或手指容易接触到的EDA传感器，使得用户能够轻松地与EDA传感器接触，从而传感器能够生成数据，该数据能够由设备100使用以准确且自动地计算用户的压力。因此，本公开与通过(多个)EDA传感器154准确且自动地计算用户压力的实际应用相关联。

图2图示了能够在其中实现各种实施例的方面的示例环境200。在该示例中，人可以有许多不同的设备，这些设备能够使用至少一种无线通信协议进行通信。在该示例中，用户可能有智能手表202或健身追踪器，用户希望其能够与智能手机204和平板电脑206通信。与多个设备通信的能力能够使用户能够获得来自智能手表202的信息，诸如使用智能手表上的传感器、使用安装在智能手机204或平板电脑206上的应用捕获的心率数据。用户可能还希望智能手表202能够与服务提供商208或其他这种实体进行通信，该实体能够从智能手表获取和处理数据并提供智能手表或安装在单个设备上的应用可能不可用的其他功能。智能手表202可以能够通过至少一个网络210，诸如互联网或蜂窝网络，与服务提供商208通信，或者可以通过至单个设备中的一个的诸如

的无线连接进行通信，该单个设备能够然后通过至少一个网络进行通信。在各种实施例中可以存在多种其他类型的通信或通信的原因。

除了简单地能够通信之外，用户还可能希望设备能够以多种方式或与某些方面进行通信。例如，用户可能希望设备之间的通信是安全的，尤其是在数据可能包括个人健康数据或其他这种通信的情况下。至少在某些情况下，可能还需要设备或应用提供商保护该信息。用户可能希望设备能够同时而不是顺序地相互通信。这在可能需要配对的情况下尤其如此，因为用户可能更喜欢每个设备最多配对一次，或者不需要手动配对。用户可能还期望通信尽可能基于标准，不仅使得用户方面几乎不需要手动干预，而且还使得设备能够与尽可能多的其他类型的设备通信，这对于各种专有格式的情况通常并非如此。因此，用户可能期望能够带着一个设备在房间里走动，并且让这样的设备自动地与另一目标设备进行通信，而用户部分几乎不需要付出任何努力。在各种常规手段中，设备将利用诸如Wi-Fi的通信技术来使用无线局域网(WLAN)与其他设备通信。诸如许多物联网(IoT)设备的更小或更低容量的设备转而使用通信技术，诸如

尤其是具有极低功耗的低功耗蓝牙(BLE)。

在进一步的实施例中，图2中所图示的环境200使得能够以多种不同方式捕获、处理和显示数据。例如，可以使用智能手表202上的传感器捕获数据，但由于那个智能手表上的资源有限，数据可以被传送到智能手机204或服务提供商208(或云资源)以进行处理，然后可以在智能手表202、智能电话204或与该用户相关联的另一这种设备，诸如平板电脑206，上将该处理的结果呈现回该用户。在至少一些实施例中，用户还可以能够使用任何这些设备上的接口提供诸如健康数据的输入，然后在做出确定时能够考虑这些输入。

在至少一个实施例中，为用户确定的数据能够被用于确定状态信息，诸如可以与该用户的当前压力水平或状态相关的信息。能够使用能够测量或检测用户的方面的传感器或组件来确定该数据中的至少一些，而可以由该用户手动输入或以其他方式获得其他数据。在至少一个实施例中，能够利用压力确定算法，该算法将多个不同的输入作为输入，其中，能够手动、自动或以其他方式获得不同的输入。在至少一个实施例中，这样的算法能够采用各种类型的因素并使用它们来生成压力分数。如图3的手段300所图示，能够计算一个这样的压力分数。在该示例中，压力分数被计算为不同类型因素的加权和。在至少一个实施例中，这些类型的因素能够包括睡眠特征(例如，烦躁不安、碎片化)、活动特征(例如，相对AZM、相对步数)和/或心脏特征(例如，HF/LF HRV、静息心率升高)，以及诸如皮肤电活动(EDA)的输入，其中，EDA能够被用于测量皮肤电反应。在至少一个实施例中，能够将这些因素归一化，并且然后通过测试、机器学习或其他这种手段确定权重。

在至少一个实施例中，这些因素能够由至少十二个不同的指标组成。然而，应当理解，根据各种实施例，不同的数字、选择、类型或变体能够与不同的算法使用。涉及睡眠特征的第一特征类型能够包括诸如以下的特征。睡眠分数烦躁值能够提供睡眠期间移动量的测量，其可以针对人在诸如30天的时间段内被归一化。烦躁的睡眠是一种已知的生理压力标记。碎片化特征能够指示一个人清醒超过阈值时间量，诸如30分钟(WASO)，的次数，这可以被归一化为一个时间段，诸如30天，内的平均值。碎片化睡眠也被认为是一种生理压力标记。睡眠储层(reservoir)水平指示人在人口水平上归一化的，在例如最近一周的睡眠质量，距离更远的日子对于分数的影响较小。该指标分析了用户上周的睡眠情况，以说明这样一个事实，即多个糟糕的睡眠之夜并不总是能在一夜的睡眠中恢复过来。总的睡眠时间也能够导致情绪调节不佳，因此在睡了一夜好觉后可能不会引起压力的情况能够变得有压力。在至少一个实施例中，能够确定和/或利用常量集来计算用户的睡眠储层水平耗尽的速率。睡眠储层水平能够表示用户在最近一个时间段内，诸如最近7天的睡眠，累积的安宁睡眠量。如果用户的睡眠有点断断续续、睡眠很浅或睡眠时间很短，则该储层水平将耗尽，接近于零，但速度不同。如果用户休息得很好，在过去七天中每天至少睡七个小时，那么该值可能更接近一(1)的最大归一化值。这种手段能够使用能够确定用户消耗他或她的睡眠的速率的特定的常数，以及特定的睡眠时间段如何在睡眠方面累积将睡眠计算映射到归一化的睡眠储层表中。在一个实施例中，第一时间段的睡眠不被计为安宁睡眠，只有超过该初始阶段的睡眠才被确定为计为安宁睡眠。在该初始阶段之后，能够确定用户正在累积睡眠。初始阶段后的睡眠状态或类型能够确定被恢复的放松程度或速度。

深度睡眠和/或REM睡眠持续时间能够指示例如最近一晚的深度睡眠分钟数和REM(快速眼动)睡眠的百分比，其使用诸如过去30天的时间段内的人口统计组平均值被归一化。深度睡眠潜伏期特征能够指示入睡后首次进入深度睡眠之前的分钟数，这能够使用例如过去30天的个人平均值而被归一化。睡眠开始和第一次深度睡眠时间段之间较长的潜伏期被认为是一种生理压力标记。

在至少一个实施例中，能够有许多不同的活动特征。这可以包括活动区间分钟数(AZM)特征，该特征包括每周的活跃区分钟数，其使用相对于例如建议的150/周的人口水平被归一化。当AZM高于或低于150左右的范围时，特征值能够增加。在至少一些实施例中，能够使用设备上的传感器，诸如运动和心率传感器，来确定这些分钟。每周活动太少能够导致皮质醇水平升高，并使人更容易将事件视为应激源，因为轻度至中度锻炼作为抵御压力的“盾牌”。每周过多的活动能够导致疲劳，因为根据定义，锻炼是一种应激源。应激源代表引起紧张或绷紧状态的刺激或事件，并且导致应激反应。应激反应或症状代表身体为了维持体内平衡而响应于应激源经历的生理和心理变化。单一应激源能够引发多种应激反应。心理应激反应代表人与环境之间的一种关系，这种关系被人评价为对他或她的资源征税或超出他或她的资源并危及他或她的幸福。另一特征能够是步数值，其对应于一个时间段内的总步数，诸如每天。这能够使用一个时间段，诸如30天，的人口统计组平均值而被归一化。每日步数过少能够导致皮质醇水平升高，并使人更容易将事件感知为应激源，因为轻度至中度锻炼作为抵御压力的“盾牌”。每天走太多步能够导致疲劳，因为根据定义，锻炼是一种应激源。也能够有其他指示活动的因素，其中，分析不同类型的数据以确定不同类型或数量的活动。

在至少一个实施例中，能够存在包括在压力确定中的各种心脏特征。一个心脏特征是深度睡眠高频(HF)相对于低频(LF)心率值(HRV)。在至少一个实施例中，这捕获了交感神经/副交感神经活动之间的交感迷走神经平衡，并且能够通过诸如30天的时间段内的人口统计组平均值而被归一化。当深度睡眠和REM睡眠不足时，情绪调节变得更加困难，因此在一夜好觉后可能不引起压力的情况能够变得有压力。心率变异性(HRV)量化心跳之间的时间变异性。存在许多不同的HRV指标，低频(LF)相对于高频(HF)功率量化交感迷走神经平衡，其中，较大的数字意味着更多的SNS活动，并且较低的数字意味着更多的PNS活动。该指标仅考虑深度睡眠的时间段期间的LF/HR HRV，此时SNS在白天最高，因为这是最安宁的睡眠。另一特征能够涉及静息心率(HR)升高，这能够对应于高于阈值的静息HR的量和幅度，其可以使用诸如30天的时间段的个人平均值而被归一化。白天的静息心率升高是交感迷走神经平衡增加的标志，这意味着交感神经系统(SNS)活动过多而副交感神经系统(PNS)活动不足。虽然压力导致交感神经平衡增加，但许多其他因素也能够导致心率增加，包括贫血、咖啡因、酒精、发烧、高血压或低血压、电解质失衡(可能由脱水引起)、甲状腺机能亢进、吸烟或药物治疗。

高于静息心率(RHR)的睡眠心率能够指示在睡眠期间用户的HR高于静息HR的时间百分比，这可以使用绝对指标作为原始百分比而被归一化。与静息HR升高类似，这也是交感神经-迷走神经平衡的测量，但量化的是睡眠期间的心率，而不是白天的心率。虽然许多因素能够导致该指标偏高，但特别是睡前饮酒会导致该指标偏高。能够计算健身疲劳分数，它将锻炼的疲劳效果与锻炼的健身效果平衡为单个分数，其可以使用在一个时间段，诸如30-90天，的个人最小/最大范围而被归一化。该分数测量通过心率测量的锻炼对一个人的长期健康水平和短期疲劳的双重贡献。与每周活动和每日步数类似，高度疲劳水平由需要休息的压力定义。健身疲劳能够把人的心脏看成线性系统。通过测量一个时间段的心率，能够获得人体疲劳程度的累积表示，如健身疲劳分数所量化。当用户经历如锻炼的高心率事件时，会有一段时间这个分数会下降，反映出这种锻炼的疲劳效果。在该时间段之后会有一段时间分数会上升，以反映身体变得更健康和更有恢复力来锻炼并且为未来的锻炼项目做好更好的准备的事实。

在至少一个实施例中，EDA数据也能够被认为是如上所述的压力确定因素。用于捕获或确定EDA数据的方法在标题为“对唤醒活动的检测和响应(DETECTION AND RESPONSETO AROUSAL ACTIVATIONS)”的共同未决申请中描述，该申请出于所有目的整体并入本文。交感神经系统活动导致出汗，并且EDA测量用户皮肤上的电导量，以量化当前的SNS活动量。在至少一些实施例中，该指标不测量PNS，并且因此它可以不提供交感迷走神经平衡的真实测量，而只是SNS活动，这与其他心脏相关指标不同。特征值能够涉及冥想和签到会话期间的EDA活动。例如，如果用户使用EDA会话记录了冥想或“签到”会话，则能够将他们在所有会话中的平均EDA分数与他们的基线值进行比较，并且该特征能够接收例如0、1或2分的分数。如果没有记录会话，他们可以得到1分。在一个实施例中，当天没有记录EDA的用户可以得到1分，而进行有指导的EDA会话的用户得到2分(无论对齐如何)，并且进行无引导EDA会话的用户使用相对于有效EDA会话的最后30天的会话的平均值。如果会话高于平均值，则这些用户得到0分。如果会话在平均值附近，用户得到1分。如果会话小于平均值，则用户得到2分。

在至少一个实施例中，EDA在压力分数计算中的权重能够变化，这可以部分取决于诸如EDA值的准确性或该数据对于个体用户的相对重要性的因素。在至少一个实施例中，EDA能够作为量化交感神经系统活动量的代理。该数据能够代表该活动瞬间发生。交感神经系统能够触发整个人的身体微汗，因此传感器与用户的手或指尖之间的电导会随着排汗水平的增加而增加。当检测到更大的电导时，这能够代表更高的交感神经系统活动。在至少一个实施例中，能够监测至少两个不同的EDA指标。第一指标是称为皮肤电导水平的色调指标，它查看随时间变化的绝对水平，以及该值是增加还是减少。第二指标表示皮肤电导反应(SCR)，它查看滑动时间窗口，诸如持续一分钟的窗口，内皮肤电导的尖峰数量。因此，SCR能够表示EDA电导水平中每分钟尖峰的计数。在至少一个实施例中，能够为这样的目的做出连续的EDA确定，而离散的或周期性的EDA信号可以不支持这种粒度确定。

在至少一个实施例中，一种算法能够利用这些和/或其他此类特征中的至少一些来生成代表用户当前、过去或未来压力状态的压力分数。利用这种分数的系统或服务能够提供能够与身体和/或感知压力相关的实时指标。这种系统可以提供用户的手动输入，这可能涉及身体或感知压力相关数据的收集。在至少一个实施例中，这种系统能够捕获测量对广泛分布的用户的慢性压力的感知压力量表(PSS)调查结果。这种系统还能够生成每日生理压力和/或压力容量指标。在至少一个实施例中，一种算法能够计算压力分数，该分数代表生理压力的“专家指导的”确定，该生理压力能够被反转以反映压力容量和/或恢复力。在至少一个实施例中，低压力容量或恢复力分数能够指示高水平的压力，而高恢复力分数能够指示对一天的认知/情感/身体需求的准备。

图4图示了根据至少一个实施例的能够被提供给用户的示例显示或界面。在该示例中，第一界面400提供包括压力分数字段的信息，以及用于获得附加压力数据的选项。第二界面410提供随时间绘制的压力分数集，在这种情况下是在特定一周的。这样的信息能够帮助用户标识趋势，以及帮助将不同日子的事件与不同的压力水平或分数相关。如图示，用户可以能够针对不同的压力水平提供反馈，这也能够按天绘制以供比较。第三界面420可以提供那一周或那个时间段的其他信息，诸如情绪。在至少一个实施例中，压力分数可能有各种子分数或组成部分，其可以涉及反应性、运动平衡或睡眠模式或分数。第四界面430能够使用户能够提供关于他们当前情绪或状态的反馈。

图5图示了根据另一实施例的能够被提供给用户的附加界面。在该示例中，每个界面都呈现涉及压力恢复力的信息，而不是可能被用户解释为绝对压力水平的压力分数。第一界面500能够呈现压力恢复力分数，以及最后呈现的压力状态(以及呈现该状态的时间)。第二界面510能够被呈现给尚未开始输入或获得压力恢复力数据的用户，诸如在呈现之前可能需要来自该用户的至少一些数据或许可的情况下。第三界面520提供了随时间变化的压力恢复力的不同视图，包括如前所述的各个压力恢复力组件的数据。这种界面还能够允许用户提供新的、附加的或更新后的反馈，其能够被用于确定用于呈现的这种值。

图6图示了根据又一实施例的能够被提供给用户的附加界面。第一界面页面600呈现随时间变化的压力恢复数据的另一视图，特别是呈现不同天的压力水平或状态的分布，而不是呈现恢复力值。第二界面610呈现帮助用户理解这些分数、进入它们的内容以及不同分数代表什么的信息。根据各种实施例，也能够使用各种其他数据和界面。

在至少一个实施例中，数据能够被分解成三个压力分数组，即运动组、心脏组和睡眠模式组。在这种实施例中，运动组能够包括每周活动、每日步数和健身疲劳分数或运动平衡的数据。心脏组能够包括升高的静息HR、高于RHR的睡眠HR、深度睡眠HRV和潜在的EDA。该数据能够代表用户的神经系统、反应能力、神经刺激、神经测量和刺激。睡眠模式组能够包括关于睡眠不安、睡眠碎片化、深度睡眠潜伏期、深度和REM睡眠持续时间以及睡眠储层水平的数据。

在至少一个实施例中，压力分数能够具有从0到100范围内的值，其中，100的值能够意味着用户的身体已经表现出很大压力的迹象。替代地，100的压力恢复力分数可能意味着用户几乎没有显示压力的迹象。也能够使用其他值或指标。

这种界面和信息能够尝试提供整体管理工具。因此，这种手段能够分析身体压力和精神压力。能够提供迅速使用户能够获得他们的每日或当前压力分数以及诸如睡眠分数等的其他分数的界面。这种信息还能够帮助用户反映他们的情绪并提醒用户记录或提供该信息。如所提及的，用户还能够访问附加的数据，诸如压力详细信息页面，其中用户能够获得关于当前压力状态或分数的附加信息，以及用于该确定的各种组件。在至少一些实施例中，用户可以能够深入数据组件以获得感兴趣的附加信息。在一些实施例中，也可能有多个视图可用，诸如其中用户想要查看一天、一周或一个月等的趋势。如各种实施例中所图示，传感器和设备可以能够提供关于身体压力的数据，但用户可以是至少对于某些类型的精神压力数据而言的精神压力数据的最佳来源。用户可以能够记录当前情绪或感知到的压力水平，或提供其他这种信息。在至少一个实施例中，能够提示用户在EDA扫描之后输入情绪或压力数据以提供改进的相关性。这种手段能够帮助将EDA数据整合到用户身心健康的整体视图中。在一些实施例中，设备能够提供周期性或连续的EDA测量，这能够被用于随时间动态地更新压力确定。

在至少一个实施例中，压力分数确定算法考虑可能影响用户压力水平的各种因素。能够跨用户或不同类型的用户确定这些因素的权重。在至少一些实施例中，这些权重也能够适用于个人用户以提高准确性。例如，睡眠阶段算法能够被用于区分睡眠的时间段，这可能对某些用户的压力水平有显著影响。此外，查看特定睡眠状态下的HRV相对于整个晚上的HRV的因素能够提供附加的洞察。例如，组合的深度睡眠和REM睡眠持续时间能够提供有价值的见解，因为这些时间段通常更具有恢复活力。得到八小时的浅睡眠与四小时的浅睡眠和四小时的深度睡眠和快速眼动睡眠之间能够存在显著差异。此外，精神压力因素可能比身体压力因素对不同用户的影响更大，这两者都能够被这种算法考虑。通过查看锻炼或运动、睡眠和用于具有心率/心率变异性以及EDA或其他这种数据的自主神经系统活动的代理的不同领域上的不同类型的指标，能够获得附加的好处。对用户有用的好处还能够是将身体压力水平与感知压力水平进行比较，因此用户能够更好地了解他们的压力。

在至少一些实施例中，压力确定能够是加权和归一化因素的线性或非线性组合，其中，这些因素可以基于个人、人口统计或其他这种分组而被归一化。在一些实施例中，可能需要反转一些因素，其中，一些因素表示较高的压力水平，而其他因素表示较低的压力水平。例如，在一个实施例中，反转因素包括深度睡眠和REM睡眠持续时间、睡眠储层水平和健身疲劳分数。某些因素能够使用基于z分数的手段，其中，z分数为1表示高于平均值的一个标准偏差等。如所提及的，因素也能够在不同时间段和不同分组上，诸如每个用户或每个人口统计组，而被归一化。在一些实施例中，能够在z评分之后应用测距函数以将所有值放入所确定的范围内，诸如0和1之间。在一些实施例中，这能够涉及线性校正和插值。

在至少一个实施例中，能够确定压力分数，使得单个分数，诸如100的尺度上的80，代表所有用户的相同压力水平或压力恢复力。在其他实施例中，值对不同的用户可能意味着不同的事情，诸如其中第一用户可能具有50的平均压力水平，而另一用户可能具有80的平均压力水平，使得70的值可能对于那两个用户意味着不同的事情。

此外，可以在不同算法中或针对不同用户考虑不同因素。例如，非常活跃的用户可能具有与不活跃的用户不同的算法，而不同的算法也可能用于不同设备，其中可获得不同类型的输入，或者其中用户可以选择停用某些传感器或限制收集的数据类型。在一个实施例中，能够收集至少三类因素，包括睡眠特征、活动特征和心脏特征(或“反应性”特征)。在一些实施例中，也可以使用EDA或类似数据。在一些实施例中，可以被利用的这些类别中的因素能够包括烦躁不安、碎片化、睡眠储层水平、深度/REM睡眠持续时间、深度睡眠潜伏期、活跃区分钟数或活动水平、步数或移动、深度睡眠HRV、静息心率升高，高于RHR的睡眠HR以及健身疲劳分数。其他因素能够包括各种锻炼或活动指标以及运动平衡指标。其他因素(如果有)能够包括血压、血液成分、呼吸率、温度、代谢数据、血糖水平、体重或成分、心理状态、感知压力、抑郁、活动类型或当前移动模式(例如，步态)。其他因素可能包括噩梦、嗓音韵律/音调/压力、血液皮质醇/肾上腺素/去甲肾上腺素水平、低密度脂蛋白(LDL)水平、BMI x锻炼、性别特定值或情绪记录数据。

现在参考图7，图示了能够被利用的用于确定用户的压力分数的示例过程700的一个实施例的流程图。应当理解，除非另有具体说明，在各种实施例的范围内，本文中讨论的过程能够有以类似或替代顺序，或至少部分并行执行的附加、更少或替代步骤。在该实施例中，如在(702)处所示，过程700包括为与可穿戴设备相关联的用户激活压力确定。该激活能够来自用户、可穿戴设备或关联设备以及其他这种来源。作为确定的一部分，如在(704)处所示，过程700包括从可穿戴设备上的一个或多个传感器或组件接收涉及用户状态的数据，其诸如可能涉及心率、睡眠状态、EDA、活动或本文中讨论和建议的其他这种信息。如在(706)处所示，过程700包括获得由用户提供的附加数据，其诸如可能涉及用户的感知状态数据。使用该数据和其他相关数据中的至少一些，如在(708)处所示，过程700包括计算该用户的压力分数(或压力恢复力分数)。该压力分数或值能够涉及各种压力指标，诸如用户的当前压力水平或压力恢复力水平。在该示例中，如在(710)处所示，过程700包括至少部分地基于该计算出的分数在可穿戴设备(或关联设备)上执行至少一个动作。这些动作能够包括多种不同动作中的任何一种，其可以涉及生成界面、呈现数据、提供通知、更新或修改可穿戴设备的操作或执行另一这种动作。

图8图示了根据各种实施例的能够被使用的用于监测用户压力的另一示例过程800。在该示例中，如在(802)处所示，过程800包括为与可穿戴设备相关联的用户激活压力监测。能够执行初始压力确定，诸如关于图7所描述的。在监测期间，如在(804)处所示，过程800包括接收新的或更新后的传感器数据和/或用户提供的数据。如在(806)处所示，过程800包括至少部分地基于该新的或更新后的数据来计算更新后的压力分数。如在(808)处所示，过程800包括诸如相对于紧接在前的值确定分析压力分数的变化。如在(810)处所示，过程800包括确定变化是否是可执行的变化，诸如超过变化阈值、落在可接受范围之外或满足操作阈值的变化。如果不是，则过程800能够继续接收新的和更新后的数据。如果该变化被确定为可执行的变化，则能够执行至少一个动作，如对应于该变化的(812)处所示，其中，这些动作能够包括关于上面的初始压力分数计算所讨论的那些。

图9图示了根据各种实施例的能够被使用的示例系统900的组件。在该示例中，系统900包括至少一个处理器902，诸如中央处理单元(CPU)或图形处理单元(GPU)，以用于执行能够被存储在存储器设备904中的指令，其诸如可以包括闪存或DRAM以及其他这种选项。对于本领域的普通技术人员来说显而易见的是，该设备能够包括许多类型的存储器、数据存储或计算机可读介质，诸如用于由处理器执行的程序指令的数据存储。相同或分开的存储能够被用于图像或数据，可移动存储器能够用于与其他设备共享信息，并且任何数量的通信手段能够用于与其他设备共享。此外，如图所示，系统900包括任何合适的显示器906，诸如触摸屏、有机发光二极管(OLED)或液晶显示器(LCD)，尽管设备可以通过其他方式，诸如通过音频扬声器或投影仪，传达信息。

跟踪器或类似设备包括至少一个运动检测传感器，其如所图示能够包括设备的至少一个输入/输出(I/O)元件910。这种传感器能够确定和/或检测系统900的定向和/或移动。这样的元件能够包括例如加速度计、惯性传感器、高度计或可操作以检测移动(例如，旋转移动、角位移、倾斜、位置、定向、沿非线性路径的运动等)的陀螺仪。定向确定元件还能够包括电子或数字罗盘，其能够指示设备被确定指向(例如，相对于主轴或其他这种方面)的方向(例如，北或南)。I/O元件910还可以被用于确定设备(或设备的用户)的位置。这种定位元件能够包括GPS或类似的(多个)位置确定元件，其可操作以确定设备的位置的相对坐标。定位元件可以包括无线接入点、基站等，它们可以广播位置信息或启用信号三角测量以确定设备的位置。其他定位元素可以包括QR码、条形码、RFID标签、NFC标签等，其使设备能够检测和接收位置信息或使设备能够获得位置信息的标识符(例如，通过将标识符映射到对应的位置)。各种实施例能够包括任何适当的组合的一个或多个这种元素。I/O元件910还可以包括一个或多个生物测定传感器、光学传感器、气压传感器(例如，高度计等)等。

如上所述，一些实施例使用(多个)元素来跟踪用户的位置和/或运动。在确定(例如，使用GPS)设备的初始位置使，一些实施例的设备可以通过使用(多个)元素或在一些情况下通过如上所述使用(多个)定向确定元素或其组合来跟踪设备的位置。应当理解，用于确定位置和/或定向的算法或机制能够至少部分地取决于对设备可用的元素的选择。示例设备还包括一个或多个无线组件912，其可操作以与特定无线信道的通信范围内的一个或多个电子设备通信。无线信道能够是用于使设备能够无线通信的任何适当信道，诸如蓝牙、蜂窝、NFC或Wi-Fi信道。应当理解，系统900能够具有一个或多个本领域已知的常规有线通信连接。系统900还包括一个或多个电源组件908，其诸如可以包括可操作以通过常规插入手段或通过诸如通过靠近电源板或其他这种设备进行电容充电的其他手段来充电的电池。在一些实施例中，系统900能够包括至少一个附加的I/O设备910，其能够从用户接收常规输入。这种常规输入能够包括例如按钮、触摸板、触摸屏、滚轮、操纵杆、键盘、鼠标、小键盘或用户能够由此向设备输入命令的任何其他这种设备或元件。在一些实施例中，这些I/O设备甚至可以通过无线红外或蓝牙或其他链接进行连接。一些设备还能够包括麦克风或接受语音或其他音频命令的其他音频捕获元件。例如，设备可能根本不包括任何按钮，但可能仅通过视觉和音频命令的组合来控制，使得用户能够控制设备而无需与设备接触。

如所提及的，许多实施例包括一个或多个发射器916和一个或多个检测器918的至少某种组合，以用于测量人体，诸如穿戴跟踪器设备的人，的一个或多个指标的数据。在一些实施例中，这可能涉及至少一个成像元件，诸如能够捕获周围环境的图像并且能够对设备附近的用户、人或物体成像的一个或多个相机。图像捕获元件能够包括任何适当的技术，诸如CCD图像捕获元件，其具有足够的分辨率、焦距范围和可视区域以在用户操作设备时捕获用户的图像。用于使用具有计算设备的相机元件捕获图像的方法在本领域中是众所周知的，并且将不在本文中详细讨论。应当理解，能够使用单个图像、多个图像、周期性成像、连续图像捕获、图像流等来执行图像捕获。此外，设备能够包括诸如当从用户、应用或其他设备接收命令时开始和/或停止图像捕获的能力。

图9的发射器916和检测器918在一个示例中还能够被用于获得光学光电容积脉搏图(PPG)测量。一些PPG技术依赖于在单个空间位置检测光，或者添加从两个或多个空间位置获取的信号。这两种手段都产生单个空间测量值，从其能够确定心率(HR)估计值(或其他生理指标)。在一些实施例中，PPG设备采用耦合到单个检测器(即，单个光路)的单个光源。替代地，PPG设备可以采用耦合到单个检测器或多个检测器(即，两个或更多个光路)的多个光源。在其他实施例中，PPG设备采用耦合到单个光源或多个光源(即，两个或更多个光路)的多个检测器。在一些情况下，(多个)光源可以被配置为发射绿光、红光和/或红外光中的一种或多种。例如，PPG设备可以采用单个光源和两个或更多个光检测器，每个光检测器被配置为检测特定波长或波长范围。在一些情况下，每个检测器被配置为检测彼此不同的波长或波长范围。在其他情况下，两个或多个检测器被配置为检测相同的波长或波长范围。在又一情况下，一个或多个检测器被配置成检测不同于一个或多个其他检测器的特定波长或波长范围。在采用多条光路的实施例中，PPG设备可以在确定HR估计或其他生理指标之前确定多条光路产生的信号的平均值。这种PPG设备可能无法解析单独的光路或分开地利用从多个光路产生的单独信号。

仍然参考图9，系统900还可以包括耦合到存储器设备904、显示器906、总线、一个或多个输入/输出(I/O)元件910和无线网络组件912以及其他这种选项的一个或多个处理器902。然而，在某些实施例中，可以省略显示器和/或I/O设备。在实施例中，系统900可以是腕带的一部分并且显示器906被配置为使得当用户穿戴腕带时显示器背对用户手腕的外侧。在其他实施例中，可以省略显示器并且可以使用无线网络接口经由近场通信(NFC)、蓝牙、Wi-Fi或其他合适的无线通信协议在至少一个网络920上向主计算机922传输由系统900检测到的数据以用于分析、显示、报告或其他这种用途。

存储器904可以包括RAM、ROM、FLASH存储器或其他非暂时性数字数据存储，并且可以包括包含指令序列的控制程序，该指令序列当从存储器加载并使用处理器902执行时，使得处理器902执行本文中描述的功能。发射器916和检测器918可以使用驱动电路直接或间接耦合到总线，处理器902可以通过驱动电路驱动发射器916并从检测器918获得信号。主计算机922能够经由一个或多个网络920与无线网络组件912通信，该一个或多个网络920可以包括一个或多个局域网、广域网和/或使用任何地面或卫星链路的互联网。在一些实施例中，主计算机922执行被配置为执行本文中描述的一些功能的控制程序和/或应用程序。

在一些实施例中，能够单独控制每个发射器916，或者当使用多个检测器时能够单独读出每个检测器918，并且在这样的实施例中，能够收集沿着几个不同光路的PPG传感器数据。控制程序能够利用收集到的数据来提供更准确的估计或HR和/或其他生理指标。在相关方面，PPG设备的处理器902和(多个)其他组件可以被实现为片上系统(SoC)，其可以包括使用一个或多个精简指令集计算(RISC)指令集和/或其他支持PPG设备的软件和硬件的一个或多个中央处理单元(CPU)核。

在各种实施例中，发射器916(或光源)可以包括电子半导体光源，诸如LED，或者使用灯丝、磷光体或激光中的任一种来产生光。在一些实施方式中，每个光源发射具有相同中心波长或在相同波长范围内的光。在其他情况下，至少一个光源可以发射具有与另一光源不同的中心波长的光。由光源发出的光的中心波长可以在495nm至570nm的范围内。例如，特定的绿色光源可以发射中心波长为528nm的光。在其他实施例中，一个或多个光源可以发射红光(例如，660nm中心波长)或IR光(例如，940nm中心波长)。在一些实施例中，一个或多个光源可以发射具有通常在650nm至940nm范围内的峰值波长的光。例如，在各种实施例中，特定的红色光源可以发射具有660nm的峰值波长的光，并且一个或多个红外光源可以发射具有在750nm到1700nm的范围内的峰值波长的光。作为示例而非限制，特定的红外光源可以发射峰值波长为730nm、760nm、850nm、870nm或940nm的光。在某些情况下，诸如LED的商业光源可能以大约20nm的间隔提供输出，其具有中心波长公差为制造商指定波长的+/-10nm，并且因此光源的可用峰值波长的一个可能范围是650nm到950nm。绿色光源可以被配置为发射波长在495nm至570nm范围内的光。例如，特定的绿色光源可以发射波长为528nm的光。绿色光源可以与成对的红色和红外光源等距地与光检测器间隔开。例如，如果光检测器与第一红色光源的中心之间的距离为2mm，则光检测器与绿色光源之间的距离也可以为2mm(例如，等距)。在一些其他情况下，光检测器与一个或多个光源之间的距离不是等距的。此外，在一些实施例中，一个或多个光源可以包括单个LED封装，该LED封装在相对于多个检测器的相同或基本相同位置(例如，小于1毫米的差)发射多个波长，诸如绿色、红色和红外波长。这种LED可以包括使用单个封装中的单个管芯共同定位的多个半导体元件。

可以从光源的侧面或光源的中心测量光源的间距。例如，光源可以被配置为使得每个光源的中心与光检测器中最近的一个的边缘相距第一距离。在一些实施例中，第一距离可以是2mm。在一些实施方式中，每个光源位于距光源中最近的一个第二距离处，并且每个光检测器位于距光检测器中最近的一个第三距离处。在一些实施例中，第二距离和第三距离与第一距离相同。在其他实施例中，第二距离和第三距离中的每一个都不同于第一距离。第二距离可以与第三距离相同或不同。间距的特定大小可以取决于多种因素，并且本公开不将实施例限制为任何特定间距。例如，1mm(或更小)至10mm范围内的间距在各种实施例中是可行的。

在一些实施例中，提供了对所有光源的独立控制。在其他实施例中，几个光源作为群或组被一起控制。独立控制每个光源或从多个检测器中的每一个独立读出(例如，从多个检测器中的每一个获得基于相同或不同光波长的独立信号)的好处是可以使用多光路手段来改进HR和/或其他生理指标的估计，如本文中进一步讨论的。

光检测器可以包括一个或多个传感器，其适于检测从光源发射的光的波长。与特定检测器组合的特定光源可以包括传感器，诸如PPG传感器。第一PPG传感器和第二PPG传感器能够共享组件，诸如相同的光源和/或检测器，或具有不同的组件，并且因此术语“PPG传感器”除了具有其普通含义外，还可以指代任何这种布置，尽管实际实施例可以使用多个组件来实现PPG传感器。术语“PPG设备”除了具有其普通含义外，还可以指代包括PPG传感器的设备。在一个实施例中，光检测器可以包括一个或多个检测器，其用于检测由光源使用的每个不同波长的光。例如，第一检测器可以被配置为检测波长为560nm的光，第二检测器可以被配置为检测波长为940nm的光，并且第三检测器可以被配置为检测波长为528nm的光纳米。示例包括由半导体材料制成并具有仅允许特定波长或波长范围的光的滤波器的光电二极管。光检测器可以包括光电二极管、光电晶体管、电荷耦合器件(CCD)、热电堆检测器、微测辐射热计或互补金属氧化物半导体(CMOS)传感器中的任何一种。如本文中进一步描述的，光检测器可以包括多个检测器元件。一个或多个检测器可以包括带通滤波器电路。

在其他实施例中，检测器可以包括一个或多个配置成检测多个波长的光的检测器。例如，单个检测器可以被配置为基于从耦合到检测器的电子数字微处理器接收的数据调谐到不同的频率。以另一种方式，单个检测器可以包括多个活跃区域，其中，每个活跃区域对波长的给定范围敏感。在一个实施例中，单个检测器被配置为检测波长在红色和红外频率中的光并且第二检测器被配置为检测波长在绿色频率中的光。此外，光源中的每一个可以使用如前所述的一种或多种不同波长的光中的任一种。

在实施例中，光检测器能够被安装在具有一个或多个滤波器的外壳中，这些滤波器被配置成滤除光源发出的波长之外的光波长。例如，外壳的一部分可以被覆盖有滤波器，该滤波器除去由光源发出的波长中的光以外的环境光。例如，来自光源的信号可以通过环境光滤波器在光检测器处被接收，该环境光滤波器滤除环境光源，该环境光源生成具有与由检测器检测到的波长不同的波长的环境光。尽管LED和光电二极管分别被用作光源和光检测器的示例，但是本文中描述的技术可以被扩展到其他类型的光源。例如，边缘发射激光器、表面发射激光器、生成宽带光的LED泵浦磷光体。本文中描述的技术可以被扩展到光源和检测器的其他组合。例如，PPG设备可以包括(i)单个或多个LED和多元件光电探测器(例如，相机传感器)，(ii)LED阵列和单个或多个光电二极管，(iii)宽带LED泵浦磷光体和每个检测器上带有波长选择滤波器的检测器阵列，(iv)空间光调制器(SLM)(例如，数字微镜设备[DMD]或硅基液晶[LCoS]设备)和单个或多个LED，以及它们的其他组合，或光源和检测器的其他配置。

本文中呈现某些流程图以图示可以由示例实施例执行的各种方法。流程图图示了可以使用任何合适的编程环境或语言来编程以创建能够由PPG设备的CPU或微控制器执行的机器代码的示例算法。换句话说，流程图连同本文件中的书面描述是对以与通常用于本公开所属领域的技术人员之间交流该主题的相同详细程度呈现的、所要求保护的主题的方面的算法的公开。各种实施例可以使用汇编、C、OBJECTIVE-C、C++、JAVA或其他人类可读语言被编码，然后被编译、汇编或以其他方式转换为能够被加载到耦合至CPU或微控制器的活动监测装置的ROM、EPROM或其他可记录存储器中并且然后由CPU或微控制器执行的机器代码。

在一个实施例中，可以使用计算机程序处理从多个光路获得的信号以过滤或拒绝与用户的运动相关联的信号分量，以标识信号的运动分量并且从复合信号中去除所标识的运动分量，留下心脏分量作为余数或最终信号。

在实施例中，可以在白天或晚上期间的各种活动中收集信号，其诸如可以涉及步行、锻炼或睡眠的时间段。其他设备上的传感器，包括加速度计、陀螺仪或高度计，其可以被用于对活动或人体姿势进行分类或检测，作为开发适当滤波器的基础。这些滤波器或信号处理方法可以被用于有针对性地减少具有多个光路的PPG数据的变化。作为示例而非限制，加速度计数据能够被用于开发信号处理方法以过滤数据并观察特定姿势，去除其他身体定向。这能够帮助减少数据中的噪声，并更好地评估对应光路的对应生理变量。

在各种实施例中，本文中讨论的手段可以由以下一项或多项执行：在监测或跟踪器设备或辅助设备上操作的固件，诸如与监测设备配对的移动设备、服务器、主计算机等。例如，监测设备可以执行涉及生成信号的操作，这些信号被上传或以其他方式传送到服务器，该服务器执行用于去除运动分量和创建HR、SpO₂和/或其他生理指标的最终估计值的操作。替代地，监测设备可以执行涉及生成监测信号和移除运动分量以生成HR、SpO₂和/或监测设备本地的其他生理指标的最终估计值的操作。在这种情况下，可以将最终估计上传或以其他方式传送到服务器，诸如使用该值执行其他操作的主计算机。

示例监测或跟踪器设备能够从一个或多个传感器和/或外部设备收集一种或多种类型的生理和/或环境数据，并将这种信息传送或中继到其他设备(例如，主计算机或另一服务器)，从而许可例如使用网络浏览器或基于网络的应用查看收集的数据。例如，当被用户穿戴时，跟踪器设备可以经由使用一个或多个传感器计算和存储用户的步数来执行生物特征监测。跟踪器设备可以将表示用户步数的数据传输到网络服务(例如www.fitbit.com)、计算机、移动电话和/或健康站上的账户，数据可以在其中被存储、处理和/或由用户可视化。跟踪器设备可以测量或计算其他(多个)生理指标，以补充或代替用户的步数。这种(多个)生理指标可以包括但不限于：能量消耗，例如卡路里燃烧；攀爬和/或下降的楼层；HR；心跳波形；HR变化；HR恢复；呼吸、SpO₂、血容量、血糖、皮肤水分和皮肤色素沉着水平、位置和/或航向(例如，经由GPS、全球导航卫星系统(GLONASS)或类似系统)；海拔；移动速度和/或行进的距离；游泳圈数；检测到的游泳划水类型和计数；自行车距离和/或速度；血糖；皮肤传导；皮肤和/或身体温度；经由肌电图测量的肌肉状态；通过脑电图测量的大脑活动；重量；体内脂肪；热量摄入；从食物中摄取的营养；药物摄入量；睡眠时间段(例如时钟时间、睡眠阶段、睡眠质量和/或持续时间)；酸碱度；水分含量；呼吸率；以及/或者其他生理指标。

示例跟踪器或监测设备还可以测量或计算涉及用户周围环境的指标(例如，使用一个或多个环境传感器)，诸如例如气压、天气状况(例如，温度、湿度、花粉数量、空气质量、雨/雪条件、风速)、光照(例如，环境光、紫外线(UV)光照、在黑暗中度过的时间和/或持续时间)、噪声暴露、辐射曝光和/或磁场。此外，跟踪器设备(和/或主计算机和/或另一服务器)可以从设备的一个或多个传感器收集数据，并且可以计算从这样的数据导出的指标。例如，跟踪器设备可以根据HR变异性、皮肤传导、噪声污染和/或睡眠质量的组合来计算用户的压力或放松水平。在另一示例中，跟踪器设备可以基于涉及药物摄入、睡眠和/或活动的数据的组合来确定医学干预(例如药物)的功效。在又一示例中，跟踪器设备可以基于涉及花粉水平、药物摄入、睡眠和/或活动的数据的组合来确定过敏药物的功效。这些示例仅被提供用于说明，并且不旨在是限制或详尽的。

示例监测设备可以包括计算机可读存储介质读取器、通信设备(例如，调制解调器、网卡(无线或有线)、红外线通信设备)和工作存储器，如上所述。计算机可读存储介质读取器能够与下述部分连接或配置为容纳下述部分：表示远程、本地、固定和/或可移动存储器设备的计算机可读存储介质以及用于临时和/或更永久地包含、存储、传输和检索计算机可读信息的存储介质。监测系统和各种设备通常还包括位于至少一个工作存储器设备内的多个软件应用、模块、服务或其他元素，包括操作系统和应用程序，诸如客户端应用或网络浏览器。应当理解，替代实施例可以具有与上述实施例不同的许多变化。例如，也可以使用定制的硬件和/或可以在硬件、软件(包括便携式软件，诸如小程序)或两者中实现特定元素。此外，可以采用与诸如网络输入/输出设备的其他计算设备的连接。

用于包含代码或代码的部分的存储介质和其他非暂时性计算机可读介质能够包括本领域已知或使用的任何适当介质，诸如但不限于以用于存储信息，诸如计算机可读指令、数据结构、程序模块或其他数据，的任何方法或技术实现的易失性和非易失性、可移除和非可移除介质，该方法或技术包括RAM、ROM、EEPROM、闪存或其他存储技术、CD-ROM、数字通用磁盘(DVD)或其他光学存储、磁盒、磁带、磁盘存储或其他磁存储器设备或任何其他能够被用于存储所期望的信息并能够由系统设备访问的介质。基于本文中提供的公开和教导，本领域普通技术人员将理解实现各种实施例的其他方式和/或方法。

因此，说明书和附图被认为是说明性的而不是限制性的。然而，显而易见的是，在不脱离如权利要求中阐述的本发明的更广泛的精神和范围的情况下，可以对其进行各种修改和改变。

Claims (20)

1.一种为可穿戴设备的用户准确和自动计算压力分数的方法，所述方法包括：

从所述可穿戴设备上的一个或多个外部传感器接收与所述可穿戴设备的所述用户的状态相对应的第一特征数据；

经由所述可穿戴设备的处理器获取与所述用户的所述状态相对应的第二特征数据，所述第二特征数据由所述用户提供；

经由所述可穿戴设备的所述处理器使用所述第一特征数据和所述第二特征数据计算压力分数；以及

经由所述可穿戴设备的所述处理器，至少部分地基于所计算的压力分数执行至少一个动作。

2.根据权利要求1所述的方法，其中，所述压力分数代表所述可穿戴设备的所述用户的当前压力水平或压力恢复力水平中的至少一个。

3.根据前述权利要求中任一项所述的方法，其中，所述第一特征数据包括使用所述可穿戴设备上的至少一个外部皮肤电活动EDA传感器捕获的EDA数据。

4.根据权利要求3所述的方法，其中，所述至少一个外部EDA传感器被安装在所述可穿戴设备远离所述用户的手腕的一侧。

5.根据前述权利要求中任一项所述的方法，其中，所述第一特征数据和所述第二特征数据包括选自睡眠特征、活动特征和心脏特征的特征数据。

6.根据权利要求5所述的方法，其中，使用所述第一特征数据和所述第二特征数据计算所述压力分数还包括将所述压力分数计算为所述睡眠特征、所述活动特征和所述心脏特征的加权和。

7.根据权利要求5所述的方法，其中，所述睡眠特征包括烦躁不安、碎片化、睡眠储层水平、深度/REM睡眠持续时间、深度睡眠潜伏期或噩梦发生中的至少一个。

8.根据权利要求5所述的方法，其中，所述活动特征包括活跃区分钟数或活动水平、锻炼或活动指标、运动指标、活动类型、移动模式或步数或移动中的至少一个。

9.根据权利要求5所述的方法，其中，所述心脏特征包括深度睡眠心率变异性HRV、升高的静息心率HR、高于静息心率RHR的睡眠HR中的至少一个。

10.根据前述权利要求中任一项所述的方法，其中，所述第一特征数据和所述第二特征数据包括选自以下中的至少一个的特征数据：健身疲劳分数、血压、血液成分、呼吸率、温度、代谢数据、血液血糖水平、体重或成分、心理状态、感知压力、抑郁、嗓音韵律/音调/压力、血液皮质醇/肾上腺素/去甲肾上腺素水平、低密度脂蛋白(LDL)水平、BMIx锻炼、性别特定值或情绪记录数据。

11.根据前述权利要求中任一项所述的方法，其中，所述至少一个动作包括生成界面、提供通知、修改所述可穿戴设备的操作、为所述用户提供推荐或传输数据以供分析中的至少一个。

12.一种可穿戴计算设备，包括：

一个或多个传感器；

至少一个处理器；以及

至少一个包括指令的存储器设备，所述指令当由所述至少一个处理器执行时，使所述可穿戴计算设备：

从所述一个或多个传感器接收与所述可穿戴设备的用户的状态相对应的第一特征数据；

获取与所述用户的所述状态相对应的第二特征数据，所述第二特征数据由所述用户提供；

使用所述第一特征数据和所述第二特征数据计算压力分数；以及

至少部分地基于所计算的压力分数执行至少一个动作。

13.根据权利要求12所述的可穿戴计算设备，其中，所述压力分数表示所述可穿戴设备的所述用户的当前压力水平或压力恢复力水平中的至少一个。

14.根据权利要求11-13所述的可穿戴计算设备，其中，所述第一特征数据包括使用所述可穿戴设备上的皮肤电活动EDA传感器捕获的EDA数据。

15.根据权利要求11-14所述的可穿戴计算设备，其中，所述第一特征数据和所述第二特征数据包括选自睡眠特征、活动特征和心脏特征的特征数据。

16.根据权利要求11-15所述的可穿戴计算设备，其中，所述指令还使所述可穿戴计算设备将所述压力得分计算为所述睡眠特征、所述活动特征和所述心脏特征的加权和。

17.根据权利要求16所述的可穿戴计算设备，其中，所述睡眠特征包括烦躁不安、碎片化、睡眠储层水平、深度/REM睡眠持续时间、深度睡眠潜伏期或噩梦发生中的至少一个。

18.根据权利要求16所述的可穿戴计算设备，其中，所述活动特征包括活跃区分钟数或活动水平、锻炼或活动指标、运动指标、活动类型、移动模式或步数或移动中的至少一个。

19.根据权利要求16所述的可穿戴计算设备，其中，所述心脏特征包括深度睡眠心率变异性HRV、升高的静息心率HR、高于静息心率RHR的睡眠HR中的至少一个。

20.根据权利要求12所述的可穿戴计算设备，其中，所述至少一个动作包括生成界面、提供通知、修改所述可穿戴设备的操作、为所述用户提供推荐或传输数据以供分析中的至少一个。

Images