CN115942900A - 用于改善的皮肤温度监测的方法、系统和设备 - Google Patents

Abstract

本公开提供了用于改善的皮肤温度监测的计算机实现的方法、系统和设备。皮肤和环境温度的准确估计是基于示例设备之上或之内包含的皮肤和内部设备温度传感器测量的确定和比较生成的。皮肤和环境温度测量的估计有助于监测皮肤和核心温度变化、检测示例设备的佩戴者的生理事件以及确定皮肤温度变化何时由外界环境或生理引起。

Description

用于改善的皮肤温度监测的方法、系统和设备

技术领域

本公开总体上涉及健康监测和用于健康监测的可穿戴设备。更具体地，本公开涉及用于改善的皮肤温度监测的方法和设备。

背景技术

皮肤温度数据可能受环境温度变换的支配。因此，提供皮肤温度监测的设备可能会引入与传感器误差无关的不准确性。需要方法、系统和设备来区分生理引起的皮肤温度变化和外界环境引起的皮肤温度变化。

发明内容

本发明实施例的方面和优点将在下面的描述中部分地阐述，或者可以从描述中了解到，或者可以通过实施例的实践而了解到。

本公开的一个示例方面涉及一种用于提供改善的皮肤温度监测的计算机实现的方法。方法包括：由包括一个或多个计算设备的计算系统基于从包含在用户佩戴的可穿戴设备内的内部设备温度传感器接收的传感器数据来确定可穿戴设备的内部设备温度。方法还包括：由计算系统基于从包含在可穿戴设备之上或之内的皮肤温度传感器接收的传感器数据来确定用户的皮肤温度的第一估计。接着，方法涉及：由计算系统至少部分地基于皮肤温度的第一估计和内部设备温度来估计环境空气温度。方法然后包括：由计算系统至少部分地基于估计的环境空气温度来细化皮肤温度的第一估计以生成皮肤温度的第二估计。

本公开的另一示例方面涉及一种可穿戴设备，包括：设备外壳，被配置为由用户佩戴；一个或多个处理器，包含在设备外壳内；一个或多个皮肤温度传感器，包括在设备外壳上或设备外壳内，并配置为产生皮肤温度传感器数据；一个或多个内部设备温度传感器，包含在设备外壳内并配置为产生内部设备温度传感器数据；非暂时性计算机可读存储器，包括在设备外壳内并存储指令，该指令当由一个或多个处理器执行时，使可穿戴设备执行操作。具体地，操作包括：至少部分地基于从包含在可穿戴设备内的一个或多个内部设备温度传感器接收的内部设备温度传感器数据来确定设备外壳内的内部设备温度；基于从包括在设备外壳上或设备外壳内的皮肤温度传感器接收的传感器数据来确定用户的皮肤温度的第一估计；至少部分地基于皮肤温度的第一估计和内部设备温度来估计环境空气温度；以及，至少部分地基于估计的环境空气温度来细化皮肤温度的第一估计以生成皮肤温度的第二估计。

本公开的另一示例方面涉及一种用于提供改善的皮肤温度监测的计算机实现的方法。方法包括：由包括一个或多个计算设备的计算系统基于从包含在用户佩戴的可穿戴设备内的内部设备温度传感器接收的传感器数据来确定可穿戴设备的内部设备温度。接着，方法包括：由计算系统基于从包括在可穿戴设备之上或之内的皮肤温度传感器接收的传感器数据来确定用户的皮肤温度的第一估计。方法接着涉及：由计算系统至少部分地基于可穿戴设备的内部设备温度来细化皮肤温度的第一估计以生成皮肤温度的第二估计。方法然后包括：由计算系统至少部分地基于皮肤温度的第二估计来确定一个或多个生理事件。

附图说明

在说明书中阐述了针对本领域普通技术人员的实施例的详细讨论，其参考了附图，在附图中：

图1图示了根据本公开的示例实施例的示例可穿戴设备的正视图。

图2图示了根据本公开的示例实施例的示例可穿戴设备的后视图。

图3图示了根据本公开的示例实施例的示例可穿戴设备的内部侧视图，该示例可穿戴设备展示了包含在外壳内的内部设备温度传感器。

图4图示了根据本公开的示例实施例的示例可穿戴设备的内部侧视图，该示例可穿戴设备展示了包含在外壳内的皮肤温度传感器。

图5图示了根据本公开的示例实施例的示例皮肤温度去噪方法的步骤的流程。

图6图示了根据本公开的示例实施例的示例生理事件检测系统。

图7图示了根据本公开的示例实施例的生理事件检测系统的另一示例。

图8图示了根据本公开的示例实施例的生理事件检测系统的另一示例。

图9图示了根据本公开的示例实施例的示例计算系统。

图10图示了根据本公开的示例实施例的可穿戴设备的示例温度数据的图表。

图11图示了根据本公开的示例实施例的可穿戴设备的示例内部设备和皮肤温度传感器数据的图表。

图12图示了根据本公开的示例实施例的示例内部设备和皮肤温度差数据的图表。

图13图示了根据本公开的示例实施例的多个可穿戴设备的示例温度数据的图表。

图14图示了示出根据本公开的示例实施例的环境温度估计预测的示例线性回归模型的图表。

图15图示了根据本公开的示例实施例的与发烧天数相关的示例皮肤温度变化的图表。

图16图示了根据本公开的示例实施例的包含睡眠数据的示例温度变化的图表。

具体实施方式

概述

通常，本公开涉及健康监测和用于健康监测的可穿戴设备，诸如用于改善的皮肤温度监测的方法和设备。具体而言，本公开的示例方面涉及用于提供改善的皮肤温度监测的计算机实现的方法。本公开的方法允许观察人的核心温度的有意义的变化并识别与人的健康相关的生理趋势和事件。

更具体地，预期人的皮肤温度会随着人的核心温度的变换而变化。有时，人的皮肤温度与人的核心温度之间可能存在正相关，而在其他时候，这种关系可能会导致相反的变化。例如，有时人的身体会升高其核心温度以引起发烧，并且通过减少四肢的灌注来如此进行，因此当人的核心温度升高时，预计皮肤温度会降低。这些生理诱发的发展允许通过比较温度数据流来观察趋势的可能性，而通过观察其他数据流可能无法做到这一点。另一方面，皮肤温度的变换也可能受环境温度变化的影响，因此很难识别与生理变化相关的皮肤温度变化。鉴于此，需要方法来区分生理引起的皮肤温度变化和外界环境引起的变化。

鉴于这些挑战，本公开提供了用于改善的皮肤温度监测的计算机实现的系统和方法。在一些实施方式中，本公开的方法涉及计算系统至少部分地基于来自包含在用户穿戴的可穿戴设备内的一个或多个传感器的传感器数据来确定可穿戴设备的内部温度。在示例中，可穿戴设备可以是腕带、手镯、手表、臂带、戴在用户手指周围的戒指或者可以配备如本公开中描述的传感器的其他可穿戴产品。作为另一示例，测量设备的内部温度的一个或多个传感器可以包含在可穿戴设备的外壳内，但可能不与用户的皮肤热接触。当根据该示例布置测量设备的内部温度的一个或多个传感器时，传感器可以与用户的皮肤温度相关联，但是，例如，与专用的皮肤温度传感器相比也可以更多地受到外部空气温度的影响。

根据另一方面，本公开的方法涉及计算系统基于从与用户热接触并包含在可穿戴设备中的一个或多个皮肤温度传感器接收的传感器数据来确定用户的皮肤温度的第一估计。在另一示例中，可穿戴设备可以包括配置为与用户的皮肤接触的导热底板。在该示例中，一个或多个皮肤温度传感器可以被配置为测量底板的温度。当以这种方式布置测量用户皮肤温度的第一估计的一个或多个传感器时，例如，与上述内部设备温度传感器和/或专用环境空气温度传感器相比，传感器受外部空气温度的影响可能较小。

根据本公开的另一方面，计算系统可以至少部分地基于皮肤温度的第一估计和内部设备温度来估计环境空气温度。在一些实施方式中，计算系统通过确定皮肤温度的第一估计与可穿戴设备的内部温度之间的差异来估计环境空气温度。在示例中，估计的环境空气温度可以是对应于如上所述的温度差异的数据集的一个或多个平滑或曲线拟合过程的产物。在一些实施方式中，计算系统可以通过使用机器学习模型处理皮肤温度的第一估计和可穿戴设备的内部温度来估计环境空气温度。作为一个示例，机器学习模型可以包括线性回归模型、神经网络(例如，递归神经网络)或聚类模型。在一些实施方式中，计算系统可以接收环境空气温度作为机器学习模型的预测输出。

根据本公开的另一方面，计算系统可以至少部分地基于皮肤温度的第一估计和内部设备温度来产生皮肤温度的中间估计。可以至少部分地基于环境温度估计来进一步细化该皮肤温度的中间估计以帮助生成皮肤温度的第二估计。在示例中，皮肤温度的中间估计可以是对应于上述温度差异的数据集的一个或多个平滑或曲线拟合过程的产物。在一些实施方式中，计算系统可以通过使用机器学习模型处理皮肤温度的第一估计和可穿戴设备的内部温度来生成皮肤温度的中间估计。作为一个示例，机器学习模型可以包括线性回归模型、神经网络(例如，递归神经网络)或聚类模型。在一些实施方式中，计算系统可以接收皮肤温度的中间估计作为机器学习模型的预测输出。

在一些实施方式中，计算系统可以至少部分地基于从包含在可穿戴设备内的附加环境传感器获取的附加环境传感器数据来调整环境空气温度估计。在一些实施方式中，附加环境传感器可以包括位置传感器(例如，全球定位传感器)、地理传感器、天气传感器、运动传感器、高度传感器、高度计温度传感器、环境光传感器、心率传感器和其他生理传感器。在示例中，计算系统可以观察包含在可穿戴设备内的环境光传感器是否被覆盖或未被覆盖。在这个例子中，计算系统可以根据环境光传感器被覆盖推断出更温暖的环境温度，这可以帮助基于皮肤温度、皮肤温度变化和皮肤温度变化率确定皮肤温度估计，以及从而帮助确定生理趋势。在一些实施方式中，计算系统可以至少部分地基于由可穿戴设备收集的用户的睡眠数据来调整环境空气温度估计。在一些实施方式中，睡眠数据的示例可以包括指示用户是醒着还是睡着的数据、用户的睡眠系数和用户的心率。如果用户睡着了，则数据还可以包括用于指示用户是否在移动(例如，重新定位)的信息以及用户正在经历的睡眠类型的特征(例如，不安睡眠、浅睡眠、深度睡眠、快速眼动(REM)睡眠)。在示例中，计算系统可以推断用户在睡眠期间的重新定位是用户体温调节周期的函数，因此有助于至少部分地基于用户皮肤温度的第二估计来确定用户的核心温度。

根据本公开的另一方面，方法涉及计算系统至少部分地基于估计的环境空气温度或皮肤温度的中间估计来细化皮肤温度的第一估计以生成皮肤温度的第二估计。在示例中，皮肤温度的第二估计可以是对应于估计的环境空气温度的数据集的一个或多个平滑或曲线拟合过程的产物。在一些实施方式中，计算系统修改与皮肤温度的第二估计或估计的环境空气温度相关联的置信值。作为一个示例，置信值可以随着皮肤温度的第一估计或估计的环境空气温度与可穿戴设备的内部温度之间的温度差异减小而增加。换句话说，皮肤温度的第一估计或估计的环境空气温度与可穿戴设备的内部温度之间的较小温度差异可以等同于对皮肤温度的第二估计的更大信任。作为另一个例子，较小的温度差异也意味着环境温度不太可能引起用户皮肤温度的变化。

根据本公开的另一方面，方法涉及计算系统至少部分地基于皮肤温度的第二估计来确定用户的一个或多个生理事件。在一些实施方式中，生理事件可以包括发烧、昼夜节律、月经周期、排卵、热应激和热舒适。生理事件的检测可以包括生理事件的状况的检测或确定，诸如生理事件开始的检测、事件正在进行的状况的确定和/或关于事件未来状况的预测(例如，预计在接下来的六个小时内会出现的发烧高峰)。在示例中，计算系统可以通过平滑在用户皮肤温度升高之后收集的皮肤温度的第二估计的数据集来检测发烧。

在一些实施方式中，计算系统可以基于皮肤温度的第二估计来估计用户的核心温度。在示例中，估计的用户核心温度可以基于在不同频率下和在用户的不同睡眠阶段(例如，清醒或睡着)期间收集的皮肤温度的第二估计。在一些实施方式中，计算系统区分生理引起的核心温度变化和外界环境引起的核心温度变化。在一些实施方式中，计算系统可以监测皮肤温度的第二估计的变化率以检测皮肤温度的第二估计的转变。作为一个示例，计算系统可以基于检测到的转变来确定生理事件。在一些示例中，生理事件可以包括发烧的开始、昼夜节律、月经周期、排卵、热应激和热舒适。

本公开的方法和设备提供了多个技术效果和益处，包括确定人的真实皮肤温度的更高置信度估计、观察人的核心温度的有意义的变化、以及识别与人的健康有关的生理趋势和事件。

本公开还通过以允许用户不仅观察原始数据而且观察从数据推断的趋势和事件的方式组合和分析来自多个传感器的数据来细化从可穿戴设备内的传感器接收的数据。以此方式，本公开还可以消除对可穿戴设备内的附加传感器的需要，从而节省设备空间和处理器使用。本公开还通过以更有效、可预测和有用的方式实现设备的传感器，允许更准确的设备来监测皮肤温度。

现在参考附图，将更详细地讨论本公开的示例实施例。

示例方法、系统和设备

图1图示了根据本公开的示例实施例的示例可穿戴设备100的正视图。虽然图1的可穿戴设备100是手表，但是本公开的系统和方法可以应用于任何不同类型的可穿戴设备，例如腕带、手镯、手表、臂带、头带、眼镜、耳塞、放置在用户手指周围的戒指、其中嵌入了计算机的衣服物品和/或可以配备有如本公开所述的传感器的其他可穿戴产品。可穿戴设备100可以配置有显示器102、设备外壳104和带106。

在一些实施方式中，可穿戴设备100可以被配置为经由显示器102和/或诸如触觉设备、发光二极管等的任何其他数据输出设备向用户传送数据。被传送的数据可以包括与皮肤温度、心率、睡眠状况(例如浅睡眠、深度睡眠和快速眼动睡眠)、睡眠系数(例如睡眠分数)和用户的其他生理数据(例如血氧水平)相关的数据。显示器102还可以配置为传送来自可穿戴设备100之中或上面包含的附加环境传感器的数据。显示器102从这些附加环境传感器传送的示例信息可以包括与用户相关联的位置的定位、高度和天气。显示器102还可以传送关于用户运动的数据(例如，用户是否静止、行走和/或跑步)。

在一些实施方式中，显示器102可以被配置为显示关于用户的生理事件的信息。可以显示的示例生理事件包括用户的发烧、昼夜节律、月经周期、排卵、热应激和热舒适。显示器102还可以传达与用户的生理事件的检测有关的信息。以这种方式配置，显示器102可以向用户传达生理事件的状况的检测或确定，诸如生理事件开始的检测、事件进行中状况的确定和/或关于未来事件的状况的预测(例如，预计在接下来的六个小时内会出现高烧)。

显示器102或其他数据输入设备(例如，各种触摸传感器和/或物理按钮、开关或切换键)也可以被配置为接收用户输入的数据。用户输入的数据示例可以包括有关症状、睡眠状况、排卵、月经以及与用户健康相关的其他生理信息的信息。

设备外壳104可以配置为包含一个或多个传感器。设备外壳104包含的示例传感器可以包括皮肤温度传感器、内部设备温度传感器、位置传感器(例如，GPS)、运动传感器、高度传感器、心率传感器和其他生理传感器(例如，血氧水平传感器)。设备外壳104可以被配置为包括一个或多个处理器。

带106可以被配置为通过例如将带106的端部与带扣、扣环或其他类似的固定设备连接，将可穿戴设备100固定在用户的手臂上，从而允许可穿戴设备100由用户佩戴。

图2图示了根据本公开的示例实施例的示例可穿戴设备100的后视图。可穿戴设备100可以配置有底板202。可穿戴设备100还可以配置有一个或多个传感器204，其可以固定到底板202。示例传感器204可以包括皮肤温度传感器、位置传感器(例如，GPS)、运动传感器、高度传感器、心率传感器、高度计温度传感器和其他生理传感器(例如，血氧水平传感器)。底板202可以是导热的并且可以被配置为当可穿戴设备100被用户穿戴时与用户和/或皮肤温度传感器热接触。例如，佩戴时，底板可以压在用户的皮肤上。同样，皮肤温度传感器可以配置为生成底板的温度读数。这样，底板202可以被配置成当底板202与用户热接触时能够测量用户的皮肤温度(例如，底板的温度用作用户皮肤温度的代表)。

尽管一些示例实施方式使用底板来读取用户皮肤的温度，但是也可以使用其他方法，包括被配置为与用户皮肤直接接触的温度传感器。在另一示例中，红外传感器可以包括在设备100中(例如，在外壳104内)并且可以使用红外光测量用户皮肤的温度。例如，红外光可以穿过底板202中的孔。在另一示例中，一个或多个温度传感器可以结合到带106中并且可以测量用户皮肤的温度。例如，可以将一个或多个温度传感器编织到带106的织物版本中。

图3图示了根据本公开的示例实施例的示例可穿戴设备100的内部侧视图，该示例可穿戴设备展示了包含在设备外壳104内的内部设备温度传感器302。内部设备温度传感器302可以被配置为测量设备外壳104的内部空间的温度(例如，内部设备温度)并产生与设备外壳104的内部空间的温度(例如，内部设备温度)有关的数据。内部设备温度传感器302也可以由多个内部设备温度传感器构成。内部设备温度传感器302可以包含在可穿戴设备100的设备外壳104内，但通常不与用户的皮肤热接触。在一个示例中，内部设备温度传感器302可以固定到设备外壳104的内侧(例如，而不是底板202)。在另一示例中，内部设备温度传感器302可以固定到设备100的印刷电路板(例如，“母板”)。

图4图示了根据本公开的示例实施例的示例可穿戴设备100的内部侧视图，该示例可穿戴设备展示了包含在设备外壳104内的皮肤温度传感器402。在一些实施方式中，皮肤温度传感器402可以被配置为与用户物理接触。以此方式，皮肤温度传感器402可以测量用户的皮肤温度并产生与用户的皮肤温度有关的数据。在其他实施方式中，可穿戴设备100可以包括配置成与皮肤温度传感器402和用户的皮肤热接触的导热底板202。在这样的实施例中，皮肤温度传感器402可以被配置为测量底板202的温度并且产生与底板202的温度有关的数据，该底板202的温度也表示用户皮肤的温度。在另外的实施方式中，红外传感器可以包括在设备100中(例如，在外壳104内)并且可以使用红外光测量用户皮肤的温度。例如，红外光可以穿过底板202中的孔。皮肤温度传感器402也可以由多个皮肤温度传感器(例如，采用本文所述的多种不同方法的多个不同的传感器)构成。其他布置也是可能的。

图5图示了根据本公开的示例实施例的示例皮肤温度去噪方法500的步骤的流程。在步骤502，皮肤温度去噪方法500可以确定用户佩戴的可穿戴设备100的内部设备温度。在步骤502可穿戴设备100的内部温度的确定可以至少部分地基于来自可穿戴设备100之上或之内包含的一个或多个内部设备温度传感器302的传感器数据。在另一示例中，在步骤502确定可穿戴设备100的内部温度可至少部分基于来自设备100的其他组件内包含的温度传感器(诸如存在于加速计和充电电路内的温度传感器，其作为监测和校准它们自己的输出的一部分产生温度数据)的数据。在下一步骤504，皮肤温度去噪方法500可以确定用户的皮肤温度的第一估计。在步骤504确定用户皮肤温度的第一估计可以至少部分地基于从与用户物理和/或热接触并且包含在可穿戴设备100中的一个或多个皮肤温度传感器402接收的传感器数据。在另一示例中，在步骤504确定用户皮肤温度的第一估计可以至少部分地基于来自与底板202热接触的一个或多个皮肤温度传感器402的传感器数据。在本示例中，底板202还可以被配置为当用户佩戴可穿戴设备100时与用户的皮肤热接触。

在步骤506，皮肤温度去噪方法500可以至少部分地基于来自步骤504的皮肤温度的第一估计和来自步骤502的可穿戴设备100的内部设备温度来估计环境空气温度。在步骤506对环境空气温度的估计可以基于对来自步骤504的皮肤温度的第一估计与来自步骤502的可穿戴设备100的内部设备温度之间的差异的确定。在另一示例中，在步骤506处估计环境空气温度可以是对应于来自步骤504的皮肤温度的第一估计与在步骤502处的可穿戴设备100的内部设备温度之间的温度差异的数据集的一个或多个平滑或曲线拟合过程的产物。

在步骤506，皮肤温度去噪方法500还可以至少部分地基于来自步骤504的皮肤温度的第一估计和来自步骤502的可穿戴设备100的内部设备温度来产生皮肤温度的中间估计。可以至少部分地基于环境温度估计来进一步细化来自步骤506的皮肤温度的中间估计，以帮助在皮肤温度去噪方法500的步骤508生成皮肤温度的第二估计。步骤506处的皮肤温度的中间估计可以是对应于来自步骤504的皮肤温度的第一估计与步骤502处的可穿戴设备100的内部设备温度之间的温度差异的数据集的一个或多个平滑或曲线拟合过程的产物。

在又一示例中，可以通过使用机器学习模型处理来自步骤504的皮肤温度的第一估计和来自步骤502的可穿戴设备的内部温度来确定步骤506处的环境空气温度的估计或皮肤温度的中间估计。在这样的实施方式中，在步骤506处的环境空气温度的估计或皮肤温度的中间估计可以是机器学习模型的预测输出。例如，机器学习模型可以使用监督学习方法在一组训练数据上被训练，该组训练数据包括成对的输入数据和基准事实标签。例如，对于每一对，输入数据可以包括示例皮肤温度和内部设备温度读数，而基准事实标签可以包括基准事实环境温度。例如，可以从可穿戴设备在具有已知环境温度的外界环境中操作的情况随时间收集训练数据集。在一些实施方式中，可以使用存在于测试室内的传感器生成训练数据集，该测试室使得能够控制各种温度，包括代表用户皮肤和周围外界环境的温度。通过在这样的训练数据集上进行训练，机器学习模型可以配置为基于皮肤温度和内部设备温度来生成预测的环境温度或皮肤温度的中间估计。机器学习模型可以是任何形式的模型，包括各种神经网络(例如，前馈神经网络、递归神经网络、变换器网络等)、线性模型、支持向量机、聚类模型等。

在另一示例中，可以至少部分地基于从包含在可穿戴设备100之上或内部的附加环境传感器获取的附加环境传感器数据来调整步骤506处的环境空气温度的估计。在示例中，可以至少部分地基于由用户输入并由可穿戴设备100收集的睡眠数据和/或如本文所述的其他环境数据来调整步骤506处的环境空气温度的估计。

在步骤508，皮肤温度去噪方法500通过至少部分地基于来自步骤506的估计的环境空气温度或皮肤温度的中间估计细化皮肤温度的第一估计来生成用户皮肤温度的第二估计。在步骤508生成的皮肤温度的第二估计可以是对应于估计的环境空气温度或皮肤温度的中间估计的数据集的一个或多个平滑或曲线拟合过程的产物。在另一个例子中，数据集的一个或多个平滑或曲线拟合过程可以解释诸如当用户披上毯子或脱下毯子时发生的用户的微小重新定位，以及其他类似的行为因素(例如，一般用户的移动)。在该示例中，一个或多个平滑或曲线拟合过程可以修改皮肤温度数据点的信号，使得该信号较少受到由这些行为因素引起的温度峰值的影响。

在另一示例中，在步骤508生成用户皮肤温度的第二估计可以涉及修改与皮肤温度的第二估计或估计的环境空气温度相关联的置信值。在这样的示例中，置信值可以随着皮肤温度的第一估计或估计的环境空气温度与可穿戴设备100的内部温度之间的温度差异减小而增加。在该示例中，皮肤温度的第一估计或估计的环境空气温度与可穿戴设备100的内部温度之间的较小温度差异可等同于对皮肤温度的第二估计的更大信任。

在一些实施方式中，在步骤508，可以通过使用机器学习模型处理来自步骤504的皮肤温度的第一估计、来自步骤506的皮肤温度的中间估计以及来自步骤506的估计的环境温度来确定皮肤温度的第二估计506。在这样的实施方式中，在步骤508的皮肤温度的第二估计可以是机器学习模型的预测输出。例如，机器学习模型可以使用监督学习方法在一组训练数据上被训练，该组训练数据包括成对的输入数据和基准事实标签。例如，对于每一对，输入数据可以包括示例估计的皮肤温度和环境温度读数，而基准事实标签可以包括基准事实皮肤温度。例如，随着时间的推移，可以从可穿戴设备与更准确的皮肤温度传感器相结合运行的情况收集该组训练数据。通过在这样的训练数据集上进行训练，机器学习模型可以配置为生成细化的皮肤温度读数(例如，它仅反映生理事件而不是外界环境事件)。在一些实施方式中，可以使用存在于测试室内的传感器生成该组训练数据，该测试室使得能够控制各种温度，包括代表用户皮肤和周围外界环境的温度。机器学习模型可以是任何形式的模型，包括各种神经网络(例如，前馈神经网络、递归神经网络、变换器网络等)、线性模型、支持向量机、聚类模型等。

图6图示了根据本公开的示例实施例的示例生理事件检测系统600。在示例中，生理事件检测系统600可以接收附加环境条件传感器数据602、内部设备温度传感器数据604、皮肤温度传感器数据606和睡眠数据608形式的输入。

附加环境条件传感器数据602是可选的并且可以包括来自位置传感器(例如，全球定位传感器)、地理传感器、天气传感器、运动传感器、高度传感器、高度计温度传感器、环境光传感器、心率传感器和包含在可穿戴设备100之上或内部的其他生理传感器(例如，血氧传感器)的数据。例如，通过经由位置传感器确定用户的位置，来自关于本地环境条件的各种数据库的信息(例如，温度或其他天气数据)可以被获得并用于指导该过程。同样，有关心率和其他生理传感器的数据可以帮助了解生理而非外界环境驱动的温度变化。

内部设备温度传感器数据604可以包括来自包含在可穿戴设备100之上或内部的一个或多个内部设备温度传感器302的数据。皮肤温度传感器数据606可以包括来自包含在可穿戴设备100之上或内部并与在可穿戴设备100的用户或基板202热接触的一个或多个皮肤温度传感器402的数据。

睡眠数据608可以包括由可穿戴设备100收集的或由用户输入的数据。睡眠数据的示例可以包括指示用户是醒着还是睡着的数据、用户的睡眠系数和用户的心率。在该示例中，如果用户睡着了，则睡眠数据608还可以包括指示用户是否在移动的信息以及用户正在经历的睡眠类型的表征(例如，不安睡眠、浅睡眠、深度睡眠、REM睡眠)。

在生理事件检测系统600的这个示例中，可以通过皮肤温度去噪方法500的执行结合数据输入604和606的处理来处理数据输入602和608。作为生理事件检测系统600的组件610，可以至少部分地基于数据输入602和608以及通过去噪方法500的执行生成的皮肤温度的第二估计来检测用户的生理事件。在这样的示例中，来自组件610的生理事件可以包括发烧、昼夜节律、月经周期、排卵、热应激和热舒适。

生理事件的检测610可以包括生理事件的状况的检测或确定(例如生理事件的开始)和/或关于事件的未来状况的预测(例如，预期在接下来六个小时发生的高峰发烧)。在另一示例中，生理事件的检测610可以涉及平滑在用户的皮肤温度升高之后收集的皮肤温度的第二估计的数据集。

在生理事件检测系统600的组件612中，系统可以推断生理事件。在组件612推断生理事件可以涉及包含在设备外壳104内的一个或多个处理器以使显示器102向用户传达关于从组件610检测到的生理事件的信息。

图7图示了根据本公开的示例实施例的生理事件检测系统600的另一示例。在该示例中，生理事件检测系统600可以接收与来自图6的生理事件检测系统中接收的相同的输入602、604、606和608。图7的系统也可以检测和推断与对于图6上述的相同的生理事件。

图7的生理事件检测系统600可以配置为使用机器学习模型702处理内部设备温度传感器数据604和皮肤温度传感器数据606。在该示例配置中，机器学习模型702可以包括线性回归模型、神经网络(例如递归神经网络)或聚类模型。在这样的示例中，生理事件检测系统600可以接收环境空气温度的估计或皮肤温度的中间估计作为机器学习模型702的预测输出。以这种方式接收的环境空气温度的估计或皮肤温度的中间估计也可以用于估计佩戴可穿戴设备100的用户的真实皮肤温度。在组件706中，图7的生理事件检测系统600也可以被配置为在环境空气温度和用户真实皮肤温度的估计中检测和监测转变(例如，变化率)。在该配置中，在706检测温度转变可以有助于在部件610检测生理事件和在612推断生理事件。

图8图示了根据本公开的示例实施例的生理事件检测系统600的另一示例。在该示例中，系统600可以接收与在来自图6和7的生理事件检测系统中接收的相同的输入602、604、606和608。图8的系统也可以检测和推断与上面对于图6和图7描述的相同的生理事件，包括与来自组件706的温度转变的检测相关的输入。

来自图8的生理事件检测系统600可以配置有组件802以确定可穿戴设备100的内部温度与穿戴可穿戴设备100的用户的皮肤温度的第一估计之间的差异。在生理事件检测系统600的组件804中，系统可以基于该差异来估计环境空气温度或皮肤温度的中间估计。来自804的估计的环境空气温度或皮肤温度的中间估计也可以用于通过生成用户皮肤温度的第二估计来估计环境空气温度对用户皮肤温度的影响。生理事件检测系统600还可以被配置为修改与来自804的皮肤温度的第二估计或估计的环境空气温度相关联的置信值。在生理事件检测系统600的这种配置中，置信值可以随着皮肤温度的第一估计或估计的环境空气温度与可穿戴设备的内部温度之间的温度差异减小而增加。在802处确定的较小温度差异还可以意味着估计的环境空气温度不太可能影响皮肤温度的第二估计。在802处的皮肤温度的第二估计也可以用于估计用户的核心温度。在这样的配置中，生理事件检测系统600可以区分生理引起的核心温度变化和外界环境引起的核心温度变化。

图9图示了根据本公开的示例实施例的示例计算系统。计算系统可以包括图9中所示的用户计算设备(例如，可穿戴设备100)。用户计算设备可以在一些实施方式中通过网络连接到服务器计算系统。未在图9中示出服务器和网络。

如图9所示的用户设备可以包括一个或多个处理器和存储器。一个或多个处理器可以是任何合适的处理设备(例如，处理器核心、微处理器、ASIC、FPGA、控制器、微控制器等)并且可以是一个处理器或可操作地连接的多个处理器。存储器可包括一种或多种非暂时性计算机可读存储介质，诸如RAM、ROM、EEPROM、EPROM、闪存设备、磁盘等及其组合。存储器可以存储由处理器执行以使图9的计算系统执行操作的数据和指令。示例操作可以包括皮肤温度去噪方法500的步骤的流程和来自图6、7和8的生理事件检测系统的各种配置中描述的组件任务的执行。

图9的用户设备还可以包括接收用户输入的一个或多个用户输入组件。例如，用户输入组件可以是对用户输入对象(例如，手指或手写笔)的触摸敏感的触敏组件(例如，可穿戴设备100的显示器102)。触敏组件可用于实现虚拟键盘。图9的计算系统接收的示例用户输入可以包括有关症状、睡眠状况、排卵、月经的信息，以及与用户健康相关的其他生理信息。

图9的用户设备还可以包括一个或多个传感器，其包括一个或多个皮肤温度传感器402和一个或多个内部设备温度传感器302。皮肤温度传感器402和内部设备温度传感器302可以包括负温度系数(NTC)热敏电阻、电阻温度检测器(RTD)、热电偶和基于半导体的传感器。图9的计算系统的附加传感器可以是位置传感器(例如，GPS)、运动传感器、高度传感器、心率传感器和其他生理传感器(例如，血氧水平传感器)。位置传感器可以是基于蜂窝或卫星的GPS传感器。示例运动传感器包括无源红外(PIR)、微波和双技术/混合运动传感器。示例高度传感器包括压力高度计(例如，无液气压计)和无线电高度计。示例心率传感器包括光学传输型脉冲传感器(例如光电体积描记法(PPG))和心电图(ECD)传感器。

服务器计算系统(图9中未示出)可以包括一个或多个处理器和存储器。一个或多个处理器可以是任何合适的处理设备(例如，处理器核心、微处理器、ASIC、FPGA、控制器、微控制器等)并且可以是一个处理器或可操作地连接的多个处理器。存储器可包括一种或多种非暂时性计算机可读存储介质，诸如RAM、ROM、EEPROM、EPROM、闪存设备、磁盘等及其组合。存储器可以存储由处理器执行以使服务器计算系统执行操作的数据和指令。

在一些实施方式中，服务器计算系统包括一个或多个服务器计算设备或否则由一个或多个服务器计算设备实现。在服务器计算系统包括多个服务器计算设备的情况下，这样的服务器计算设备可以根据顺序计算架构、并行计算架构或其某种组合来操作。

网络可以是任何类型的通信网络，诸如局域网(例如，内联网)、广域网(例如，因特网)或其某种组合，并且可以包括任何数量的有线或无线链路。一般而言，通过网络的通信可以使用各种通信协议(例如TCP/IP、HTTP、SMTP、FTP)、编码或格式(例如HTML、XML)和/或保护方案(例如，VPN、安全HTTP、SSL)通过任何类型的有线和/或无线连接承载。

在一些实施方式中，图9的用户设备可以存储或包括一个或多个机器学习模型。例如，机器学习模型可以是或可以否则包括各种机器学习模型，诸如各种神经网络(例如，前馈神经网络、递归神经网络、变换器网络等)、线性模型、支持向量机、聚类模型等。

在一些实现方式中，一个或多个机器学习模型可以通过网络从服务器计算系统被接收，存储在用户设备存储器中，然后由一个或多个处理器使用或否则实现。在一些实施方式中，用户计算设备可以实现单个机器学习模型的多个并行实例。

附加地或备选地，一个或多个机器学习模型可以被包括在根据客户端-服务器关系与图9的用户设备通信的服务器计算系统中或否则由根据客户端-服务器关系与图9的用户设备通信的服务器计算系统存储和实现。例如，机器学习模型可以由服务器计算系统实现为网络服务(例如，数据增强服务)的一部分。因此，可以在图9的用户设备处存储和实现一个或多个模型，和/或可以在服务器计算系统处存储和实现一个或多个模型。此外，可以在一个位置或多个位置执行一些或所有操作。

示例数据

图10图示了根据本公开的示例实施例的可穿戴设备100的示例温度数据的图表。在图10中，图示了可穿戴设备100在不同时间和在可穿戴设备100的用户使用的不同状态下的温度测量。图10还包括温度数据的任何波动幅度的表征以及这些波动如何与一天中的时间进行比较和用户是否佩戴可穿戴设备100。

图11图示了根据本公开的示例实施例的来自内部设备温度传感器302和皮肤温度传感器402的温度数据的示例图。在图11中，图示了在在不同时间和可穿戴设备100的用户的不同使用状态下内部设备温度传感器302和皮肤温度传感器402的温度测量。图11表示来自两个传感器302和402基于一天中的时间以及用户是否佩戴可穿戴设备对于温度数据的记录。图11进一步图示了在内部设备温度传感器302与皮肤温度传感器402的测量之间的温度差异最大和最小时的时间段。两个温度传感器302和402之间的温度差异最小的时间段(例如，当差值低于阈值时)在图11中被标识并加阴影。温度差异最小的时间段也与用户皮肤温度的估计中的较高置信值相关，这意味着环境温度不太可能导致可穿戴设备100的用户皮肤温度发生变化。

图12图示了根据本公开的示例实施例的来自内部设备温度传感器302与皮肤温度传感器402的温度差异数据的示例图。图12与图11中图示的图表相关，但是替代地绘制了内部设备温度传感器302与皮肤温度传感器402的温度测量之间的温度差异。图12提供了替代图示(例如，与图11相比较)以图示温度差异值最大和最小时的时间段。在图12中识别和用阴影标出了两个温度传感器302和402之间的温度差值最小时(例如，当温度差值低于阈值时)的时间段。如图11所示，当温度差异最小时的时间段也与用户皮肤温度的估计的较高置信值相关，这意味着环境温度不太可能引起可穿戴设备100用户皮肤温度的变化。

图13图示了根据本公开的示例实施例的多个可穿戴设备100的示例温度数据的图表。特别地，图13的图表绘制了包含在可穿戴设备100中的能量表和皮肤温度传感器402的温度测量，以及这些测量在暴露于定义的环境温度外界环境达定义的时间段时如何波动，以及可穿戴设备100是否在用户的手腕上。

图14图示了示出根据本公开的示例实施例的环境温度估计预测的示例线性回归模型的图表。在图14中，在定义的时间段内将环境温度估计预测与来自源的温度传感器数据进行比较，这些源包括环境和幻象基准事实传感器(还包括高度计温度传感器、皮肤温度传感器402和内部设备温度传感器302)。

图15图示了根据本公开的示例实施例的与发烧天数相关的示例皮肤温度变化的图表。特别是，图15绘制了在发烧前后几天中在真实和平滑的温度数据上的用户平均皮肤温度的变化。

图16图示了根据本公开的示例实施例的包含睡眠数据的示例温度变化的图表。更具体地说，图16表示在定义的时间段内进行的、来自可穿戴设备100中包含的内部设备温度传感器302和皮肤温度传感器402的温度数据的记录，其中，睡眠周期和用户是否穿着可穿戴设备100的状况被识别和用阴影标出。图16还图示了在同一时间段内进行的内部设备和皮肤温度传感器测量的计数值。

附加公开

本文所讨论的技术参考了服务器、数据库、软件应用和其他基于计算机的系统，以及采取的动作和发送到这些系统和从这些系统发送的信息。基于计算机的系统固有的灵活性允许在组件之间的各种可能的配置、组合以及任务和功能的划分。例如，可以使用单个设备或组件或组合工作的多个设备或组件来实现本文所讨论的过程。数据库和应用可以实现在单个系统上，也可以分布在多个系统上。分布式组件可以顺序或并行运行。

虽然已经关于本主题的各种具体示例实施例详细描述了本主题，但是每个示例都是通过解释的方式提供的，而不是对本公开的限制。本领域的技术人员在获得对前述内容的理解后，可以容易地产生对这些实施例的更改、变型和等同物。因此，本主题公开不排除包括对本领域的普通技术人员来说显而易见的、对本主题的修改、变化和/或添加。例如，作为一个实施例的一部分图示或描述的特征可以用于另一实施例以产生又一实施例。因此，本公开旨在涵盖此类更改、变型和等同物。

特别地，尽管图1至图16出于说明和讨论的目的分别图示了以特定顺序执行的步骤，但是本公开的方法不限于具体说明的顺序或布置。在不脱离本公开的范围的情况下，可以以各种方式省略、重新布置、组合和/或调整皮肤温度去噪方法500的各个步骤和生理事件检测系统600。

Claims (20)

1.一种用于提供皮肤温度监测的计算机实现的方法，所述方法包括：

由包括一个或多个计算设备的计算系统基于从包含在用户佩戴的可穿戴设备内的内部设备温度传感器接收的传感器数据来确定所述可穿戴设备的内部设备温度；

由所述计算系统基于从包含在所述可穿戴设备上或包含在所述可穿戴设备内的皮肤温度传感器接收的传感器数据来确定所述用户的皮肤温度的第一估计；

由所述计算系统至少部分地基于所述皮肤温度的所述第一估计和所述内部设备温度来估计环境空气温度；以及

由所述计算系统至少部分地基于所估计的环境空气温度来细化所述皮肤温度的所述第一估计以生成所述皮肤温度的第二估计。

2.根据权利要求1所述的计算机实现的方法，还包括由所述计算系统至少部分地基于所述皮肤温度的所述第二估计来确定一个或多个生理事件。

3.根据权利要求2所述的计算机实施的方法，其中，所述一个或多个生理事件包括以下中的至少一个：发烧发作、昼夜节律、月经周期、排卵、热应激或热舒适。

4.根据权利要求2所述的计算机实现的方法，其中，由所述计算系统至少部分地基于所述皮肤温度的所述第二估计来确定所述一个或多个生理事件包括：

由所述计算系统至少部分地基于所述皮肤温度的所述第二估计来估计所述用户的核心温度；以及

由所述计算系统区分生理引起的用户核心温度变化和外界环境引起的用户核心温度变化。

5.根据权利要求2所述的计算机实现的方法，其中，由所述计算系统至少部分地基于所述皮肤温度的所述第二估计来确定所述一个或多个生理事件包括：

由所述计算系统监测所述皮肤温度的所述第二估计的变化率以检测所述皮肤温度的所述第二估计的转变；以及

由所述计算系统至少部分地基于所述皮肤温度的所述第二估计中所检测到的转变来确定所述一个或多个生理事件。

6.根据权利要求1所述的计算机实现的方法，其中，由所述计算系统至少部分地基于所述皮肤温度的所述第一估计和所述内部设备温度来估计所述环境空气温度包括：

由所述计算系统确定在所述皮肤温度的所述第一估计与所述内部设备温度之间的差异；以及

由所述计算系统至少部分地基于所述皮肤温度的所述第一估计与所述内部设备温度之间的所述差异来估计所述环境空气温度。

7.根据权利要求1所述的计算机实现的方法，其中，由所述计算系统至少部分地基于所述皮肤温度的所述第一估计和所述内部设备温度来估计所述环境空气温度包括：

使用机器学习模型处理所述皮肤温度的所述第一估计和所述内部设备温度；以及

接收所述环境空气温度作为所述机器学习模型的预测输出。

8.根据权利要求1所述的计算机实现的方法，其中，由所述计算系统至少部分地基于所述皮肤温度的所述第一估计和所述内部设备温度来估计所述环境空气温度包括：

由所述计算系统至少部分地基于来自包含在所述可穿戴设备中的位置传感器、地理传感器、天气传感器、运动传感器、高度传感器、高度计温度传感器、环境光传感器或心率传感器中的至少一个的传感器数据来调整所述环境空气温度估计。

9.根据权利要求1所述的计算机实现的方法，其中，由所述计算系统至少部分地基于所述皮肤温度的所述第一估计和所述内部设备温度来估计所述环境空气温度包括：

由所述计算系统至少部分地基于由所述可穿戴设备收集的所述用户的睡眠数据来调整所述环境空气温度。

10.根据权利要求1所述的计算机实现的方法，其中，由所述计算系统至少部分地基于所估计的环境空气温度来细化所述皮肤温度的所述第一估计以生成所述皮肤温度的第二估计包括：修改与所述皮肤温度的所述第二估计相关联的置信值。

11.根据权利要求10所述的计算机实现的方法，其中，随着所述皮肤温度的所述第一估计与所述内部装置温度的温度差异减小，与所述皮肤温度的所述第二估计相关联的所述置信值增加。

12.根据权利要求1所述的计算机实现的方法，其中：

包含在所述可穿戴设备内的所述内部设备温度传感器由多个内部设备温度传感器构成；或者

包含在所述可穿戴设备上或包含在所述可穿戴设备内的所述皮肤温度传感器由多个皮肤温度传感器构成。

13.一种可穿戴设备，包括：

设备外壳，所述设备外壳被配置为由用户佩戴；

一个或多个处理器，所述一个或多个处理器包括在所述设备外壳内；

一个或多个皮肤温度传感器，所述一个或多个皮肤温度传感器包括在所述设备外壳上或包括在所述设备外壳内，并被配置为产生皮肤温度传感器数据；

一个或多个内部设备温度传感器，所述一个或多个内部设备温度传感器包括在所述设备外壳内并被配置为产生内部设备温度传感器数据；以及

非暂时性计算机可读存储器，所述非暂时性计算机可读存储器包括在所述设备外壳内并存储指令，所述指令当由所述一个或多个处理器执行时，使所述可穿戴设备执行操作，所述操作包括：

至少部分地基于从包含在所述可穿戴设备内的一个或多个内部设备温度传感器接收的所述内部设备温度传感器数据来确定所述设备外壳内的内部设备温度；

基于从包括在所述设备外壳上或包括在所述设备外壳内的皮肤温度传感器接收的传感器数据来确定所述用户的皮肤温度的第一估计；

至少部分地基于所述皮肤温度的所述第一估计和所述内部设备温度来估计环境空气温度；以及

至少部分地基于所估计的环境空气温度来细化所述皮肤温度的所述第一估计以生成所述皮肤温度的第二估计。

14.根据权利要求13所述的可穿戴设备，其中，所述操作还包括连续观察所述用户的核心温度，所述用户的所述核心温度至少部分地基于所述皮肤温度的所述第二估计。

15.一种用于提供改善的皮肤温度监测的计算机实现的方法，所述方法包括：

由包括一个或多个计算设备的计算系统基于从包含在用户佩戴的可穿戴设备内的内部设备温度传感器接收的传感器数据来确定所述可穿戴设备的内部设备温度；

由所述计算系统基于从包括在所述可穿戴设备上或包括在所述可穿戴设备内的皮肤温度传感器接收的传感器数据来确定所述用户的皮肤温度的第一估计；

由所述计算系统至少部分地基于所述可穿戴设备的所述内部设备温度来细化所述皮肤温度的所述第一估计以生成所述皮肤温度的第二估计；以及

由所述计算系统至少部分地基于所述皮肤温度的所述第二估计来确定一个或多个生理事件。

16.根据权利要求15所述的计算机实现的方法，其中，由所述计算系统至少部分地基于所述可穿戴设备的所述内部设备温度来细化所述皮肤温度的所述第一估计包括：

使用机器学习模型处理所述皮肤温度的所述第一估计和所述内部设备温度；以及

接收所述皮肤温度的所述第二估计作为所述机器学习模型的预测输出。

17.根据权利要求15所述的计算机实现的方法，其中，由所述计算系统至少部分地基于所述可穿戴设备的所述内部设备温度来细化所述皮肤温度的所述第一估计以生成所述皮肤温度的第二估计包括：修改与所述皮肤温度的所述第二估计相关联的置信值。

18.根据权利要求17所述的计算机实现的方法，其中，随着所述皮肤温度的所述第一估计与所述内部装置温度的温度差异增加，与所述皮肤温度的所述第二估计相关联的所述置信值减小。

19.根据权利要求15所述的计算机实现的方法，其中，由所述计算系统至少部分地基于所述可穿戴设备的所述内部设备温度来细化所述皮肤温度的所述第一估计以生成所述皮肤温度的第二估计还包括：

由所述计算系统至少部分地基于来自包含在所述可穿戴设备中的位置传感器、地理传感器、天气传感器、运动传感器、高度传感器、高度计温度传感器、环境光传感器或心率传感器中的至少一个的传感器数据来调整所述皮肤温度的所述第二估计。

20.根据权利要求15所述的计算机实现的方法，其中，所述一个或多个生理事件包括以下中的至少一个：发烧发作、昼夜节律、月经周期、排卵、热应激或热舒适。

Images