CN117337474A - 用于确定由便携式装置测量的参数的目标值的方法和系统 - Google Patents

Abstract

本发明涉及用于确定参数在即将到来的时间窗口的目标值的方法，该方法包括：‑提供(S1)数据集，对于每个先前时间窗口，该数据集包括该参数达到的值以及相关联的目标值；‑在至少两个时间尺度中选择(S2)合适的时间尺度；‑基于时间尺度检索(S3)与先前时间窗口有关的数据；‑基于该参数在一个或多个先前时间窗口达到的值与相关联的目标值之间的比较来计算(S4)成功因子；以及‑基于成功因子和该参数在检索到的数据的每个先前时间窗口达到的值来确定(S5)目标值。该参数可以是由个人配戴的便携式计步器型装置测量的步数。

Description

用于确定由便携式装置测量的参数的目标值的方法和系统

技术领域

本发明涉及的领域是确定参数要达到的目标值。

下文描述的方法和系统特别适用于确定进行身体活动并且配戴便携式计步器型装置的个人要行走的目标步数或距离。

背景技术

如今，越来越多的人使用新技术来管理日常生活的不同方面，比如财务支出、饮食、健康或身体活动。因此，已经开发了一些工具，并且用户可以例如经由能够被下载到智能电话上的应用程序来访问这些工具。这些工具的原理是测量一个或多个参数以便通知用户，从而使得用户例如通过改变他的或她的饮食或者通过减少他的或她的财务支出来相应地调整他的或她的行为。

此外，对于这些工具来说，通过算法来确定被测量参数的目标值(其因此构成用户的目的)是有利的。经过量化的目标确实给用户带来了额外的动力。这些工具和应用程序面临的技术挑战是，算法既要满足用户需求，又要能够适应不同情况，包括用户生活方式的改变。近年来，已经提出了几种解决方案以实时确定适合每个用户的切合实际的目标。

例如，移动窗口百分位数排名算法包括测量个人几天的身体活动，根据步数对这些天进行分类，以及然后基于百分位数准则来计算新的目标。应用程序因此可以建议个人在接下来的一天要达到与第60百分位数相对应的步数。然而，这样的算法具有缺点，因为它在测量的日子之间不作区分并且不适应于用户日常生活中可能发生的剧烈改变。在现有技术的其他解决方案中，某些算法提出计算线性移动加权平均值。这样的解决方案的优点是每个测量日都有加权系数，因此能够根据用户的日常生活来调整目的。另一方面，线性移动加权平均值的计算并没有考虑到个人日常行为的改变。另外，该解决方案并没有考虑用户是否成功实现前几天设定的目标。

本发明试图改善这种情况。

发明内容

本发明涉及一种用于确定参数在即将到来的时间窗口要达到的目标值的计算机实施的方法，该方法包括：

-提供数据集，该数据集与先前时间窗口有关，并且对于每个先前时间窗口包括该参数在该先前时间窗口达到的值以及与该先前时间窗口相关联的目标值；

-在至少两个预定时间尺度中选择合适的时间尺度；

-基于该时间尺度检索与一个或多个先前时间窗口有关的数据；

-基于该参数在一个或多个先前时间窗口达到的值与相关联的目标值之间的比较来计算成功因子；以及

-基于成功因子和该参数在检索到的数据的每个先前时间窗口达到的值来确定即将到来的时间窗口的目标值。

成功因子允许考虑该参数在一个或多个先前时间窗口上达到目标值的能力。检索与根据合适的时间尺度选择的一个或多个先前时间窗口有关的数据允许仅使用有关数据，并且特别是允许利用参数值的变化中的可能周期性行为。

参数的值例如是由适合个人配戴的便携式装置测量的。

这样的便携式装置可以对运动敏感。

通常，便携式装置是计步器型装置。参数量化个人的身体活动的强度或质量。例如，参数与步数、个人行走的距离、燃烧的卡路里数或身体活动的持续时间有关。

对运动敏感的便携式装置还可以是被配置为测量移动电话的运动数据(例如加速度或角速度)的惯性测量装置。

在这种情况下，参数因此由便携式装置来测量，并且允许为配戴便携式装置的个人表征他的或她的身体活动、生活方式、或者更一般地他的或她的行为，以维持他的或她的健康。所确定的目标值则构成个人的目的或目标。合适的时间尺度允许考虑个人的习惯。成功因子则对应于个人过去是否成功实现他的或她的目的或目标。

有利地，基于个人的概况来计算成功因子，个人的概况取决于与个人的常规身体活动或健康有关的生理特征或数据。

生理数据或个人习惯的使用允许过程个性化。

根据实施例，选择合适的时间尺度取决于参数值在一个或多个先前时间窗口的变化。

通过选择合适的时间尺度，仅保留相关数据。实际上，参数值的变化可能具有周期性行为。类似地，参数达到目标值的能力也可能会波动。当参数量化个人的行为(比如身体活动)时，尤其如此。因此，一般来说，根据参数值在一个或多个先前时间窗口的变化来确定合适的时间尺度是有利的。

根据实施例，该至少两个预定时间尺度中的每个时间尺度都与一定时间段有关。选择合适的时间尺度包括：

-针对该至少两个预定时间尺度中的每个时间尺度：

·选择与先前时间窗口有关的数据，这些先前时间窗口与即将到来的时间窗口间隔开与该时间尺度有关的时间段的倍数；

·针对所选数据的每对两个连续的先前时间窗口，计算该参数在该对两个连续的先前时间窗口中的每个先前时间窗口分别达到的值之间的差值；

·向时间尺度指派表征一个或多个所计算的差值的稳定性分数；以及

-基于该至少两个预定时间尺度中的时间尺度的相应稳定性分数来选择合适的时间尺度。

指派给时间尺度的稳定性分数例如取决于所计算的差值低于或等于预定阈值的所选数据的两个连续的先前时间窗口对的比率。

在这样的实施例中，可以基于对改变参数的行为的点事件的检测来选择合适的时间尺度。当参数允许量化个人的身体活动的强度或质量时，对从前一个时间窗口到下一个时间窗口的参数值的比较允许当个人的日常生活中的显著改变对个人的身体活动产生影响时检测到该改变。这样的实施例可以考虑搬家以及度假。

根据实施例，该至少两个预定时间尺度中的每个时间尺度都与一定时间段有关。选择合适的时间尺度包括：

-针对该至少两个预定时间尺度中的每个时间尺度：

·选择与一个或多个先前时间窗口有关的数据，该一个或多个先前时间窗口与即将到来的时间窗口间隔开与该时间尺度有关的时间段的倍数；

·针对所选数据的每个先前时间窗口，计算该参数在先前时间窗口达到的值和与先前时间窗口相关联的目标值之间的差值；

·向时间尺度指派表征一个或多个所计算的差值的规律性分数；以及

-基于该至少两个预定时间尺度中的时间尺度的相应规律性分数来选择合适的时间尺度。

指派给时间尺度的规律性分数取决于所计算的差值低于或等于预定阈值的所选数据的先前时间窗口的比率。

如前一实施例中那样，分析参数值相对于针对一个或多个先前时间窗口确定的目标值的变化允许检测参数的表现的变化。因此，当参数量化个人的身体强度或质量时，该实施例使得可以检测出例如在康复期间暂时无法实现由该方法设定的目的或目标。

根据其中至少两个预定时间尺度中的每个时间尺度都与一定时间段有关的实施例，检索到的数据与一个或多个先前时间窗口有关，该一个或多个先前时间窗口与即将到来的时间窗口间隔开与所选时间尺度有关的时间段的倍数。

根据实施例，确定即将到来的时间窗口的目标值包括对该参数在检索到的数据的每个先前时间窗口达到的值进行加权，从而使得该参数在给定时间窗口达到的值的加权系数大于或等于该参数在给定时间窗口之前的时间窗口达到的值的加权系数。

优选地，根据线性加权移动平均计算来确定目标值。

如上所述，该方法依赖于过去的数据，即，该参数在一个或多个先前时间窗口达到的值以及针对这些先前时间窗口中的每一个确定的目标值。然而，更重视最新的数据可能是有利的。因此，加权允许采用更多最近的数据，而不是较旧的数据。所以，所确定的目标值更准确并且更切合实际。

根据实施例，该方法进一步包括：

-生成包括参数的值的时间序列，该时间序列用该参数在给定时间窗口达到的每个新值进行更新；以及

-通过学习来生成根据表征给定时间窗口的时间分量来预测参数在该时间窗口的值的至少一个预测模型；

因此，使用该至少一个预测模型来确定即将到来的时间窗口的目标值。

有利地，根据与时间窗口的相应时间分量有关的准则将时间序列分割成多组时间窗口，并且通过学习来针对每组时间窗口生成一个预测模型。在这种情况下，确定即将到来的时间窗口的目标值包括：

-将该准则应用于即将到来的时间窗口的时间分量，以便确定对应的一组时间窗口；以及

-使用与该组时间窗口相关联的预测模型来确定即将到来的时间窗口的目标值。

当参数与个人的身体活动(例如在每个先前时间窗口行走的步数或距离)有关时，时间序列的分割是特别有利的，因为个人的身体活动取决于像例如季节等外部条件。通常，可以将时间序列分割成四组，从而使得每组对应于一个季节。这种分割允许数据个性化并且考虑到个人的日常生活中潜在的剧烈改变。

这一原则更一般地适用于其值可能取决于可能随时间变化(尤其是按周期变化)的外部条件的任何类型的参数。

预测模型的使用允许使用先前通过该方法获得的结果来更快且更高效地确定下一个目标值。

本发明还涉及一种计算机程序，该计算机程序包括指令，当该指令由至少一个处理器执行时，这些指令用于实施前述方法。

最后，本发明涉及一种用于确定参数在即将到来的时间窗口要达到的目标值的系统，该系统包括：

·通信模块，该通信模块被布置为接收与多个先前时间窗口有关的数据集；

·存储单元，该存储单元被布置为存储所接收的数据集，该数据与先前时间窗口有关，包括参数在先前时间窗口达到的值和相关联的目标值；以及

·处理单元，该处理单元被配置为：

-在至少两个预定时间尺度中选择合适的时间尺度；

-基于时间尺度从存储单元检索与一个或多个先前时间窗口有关的数据；

-基于该参数在一个或多个先前时间窗口达到的值与相关联的目标值之间的比较来计算成功因子；以及

-基于成功因子和该参数在所选数据的每个先前时间窗口达到的值来确定即将到来的时间窗口的目标值。

通常，该系统进一步包括适合个人配戴的便携式装置并且被布置为测量参数的值并将该值传输至通信模块。

附图说明

参考附图，本发明的其他特征和优点将从以下出于指示性而非限制性目的提供的描述中变得明显，在附图中：

-图1图示了根据本发明的用于确定参数要达到的目标值的系统；

-图2图示了根据本发明的用于确定参数要达到的目标值的方法；以及

-图3图示了在图2所示的方法中选择合适的时间尺度的步骤。

具体实施方式

图1图示了用于确定参数要达到的目标值的系统1。

在本发明的上下文中，参数可以是其值随时间变化并且可以被控制、特别是可以由个人控制的任何参数。例如，可以用参数来量化个人的日常生活方面，比如他的或她的健康或身体活动。

系统1被配置为随时间测量参数的值，并且至少基于测量结果来确定目标值，该目标值以个人目标的形式呈现。

如图1所示，系统1包括便携式装置3(在下文中称为装置3)以及服务器5。

这里应当理解，系统1、装置3和服务器5之间的区别纯粹是功能上的区别，而具有相同功能的任何其他配置都是可能的。

特别地，装置3和服务器5可以形成不仅能实施装置3的功能而且还能实施服务器5的功能的单个装置或设备。图1仅与其中某些功能被移出至远程实体(即，服务器5)的特定实施例有关。

装置3被布置为测量参数的值。装置3例如实时测量参数的值。作为另一种选择，装置3以规则的时间间隔测量参数的值。

如前所述，图1中图示的装置3是便携式装置。便携式装置3适合由个人配戴。更一般地，在本发明的上下文中，装置3被配置为测量与个人的行为或活动有关的参数。该个人例如是便携式装置3的配戴者。

在优选实施例中，便携式装置3对运动敏感。

装置3例如是惯性测量单元(以首字母缩略词“IMU”已知)。在这种情况下，装置3是被配置为测量移动电话的运动数据(加速度或角速度)的电子装置。装置3也可以是计步器型装置。在这种情况下，装置3被配置为测量与个人的行走有关的移动数据。装置3因此可以由个人配戴并且被配置为测量个人行走的步数或距离。

当装置3是对运动敏感的便携式计步器型装置时，由装置3测量的参数可以是量化个人的身体活动的强度或质量的任何参数。因此，装置3还可以被配置为测量燃烧的卡路里数或身体活动的持续时间。

最后，装置3还可以被配置为测量其他参数。装置3包括例如环境光传感器(以首字母缩略词“ALS”已知)，该环境光传感器被配置为测量表征个人在户外花费的时间的参数。装置3还可以包括紫外线传感器，该紫外线传感器被配置为测量个人的身体产生的维生素D的量。仍然作为示例，装置3可以包括飞行时间(以首字母缩略词“TOF”已知)传感器，该飞行时间传感器被配置为测量表征个人在工作地点附近花费的时间的参数。

由装置3收集的测量结果旨在用于确定参数的目标值。该目标值因此可以是配戴装置3的个人要行走的目标步数或距离。

装置3包括存储器7、处理器9、通信模块11以及屏幕13。

存储器7被配置为存储指令，处理器9实施这些指令将导致装置3的操作。此外，存储器7还被配置为存储由装置3收集的测量结果。存储器7可以是易失性或非易失性存储器，并且在使用这些测量结果来确定参数要达到的目标值之后可以擦除所存储的测量结果。

通信模块11被配置为将装置3收集的并存储在存储器7中的测量结果传输至服务器5。当然，当在同一装置或设备内实施装置3和服务器5的相应功能时，通信模块11简单地被配置为将存储器中存储的测量结果路由到该装置或设备的处理单元。

在远程服务器5的情况下，本领域技术人员已知存在许多不同类型的数据通信网络，例如蜂窝或非蜂窝无线电通信网络，并且取决于实施例，通信模块11可以集成一个或多个通信子模块，例如用于射频通信并且被配置用于根据一种或多种技术(比如TDMA、FDMA、OFDMA、CDMA)或根据一种或多种无线电通信标准(比如GSM、EDGE、CDMA、UMTS、HSPA、LTE、LTE-A、WiFi(IEEE 802.11)和WiMAX(IEEE 802.16)或当前已知的或进一步开发的它们的变体或演变，例如5G)来进行射频信号的发射和接收。

屏幕13被配置为显示可能与任何个人有关的信息，尤其是在装置3是对运动敏感的便携式计步器型装置的实施例中显示与配戴该装置的个人有关的信息。在这种情况下，屏幕13被配置为显示行走的步数或距离。可以实时或以规则的时间间隔显示该信息，例如在一天结束时显示。

此外，当在同一装置或设备中实施装置3和服务器5的功能时，屏幕13可以被配置为显示参数要达到的目标值。

根据特定实施例，屏幕13可以是触摸屏或人机界面，其被配置为允许配戴装置3的个人输入确定参数要达到的目标值所需的信息。信息可以与个人的概况有关，个人的概况包括与个人的常规身体活动或健康有关的生理特征或数据。

服务器5被配置为至少根据装置3收集的测量结果来确定要达到的目标值。

如前所述，配戴装置3的个人还可以经由屏幕13输入信息。还可以通过通信模块13将该信息传输至服务器5以用于确定目标值。

在图1所示的实施例中，服务器5包括通信模块15、存储单元17和处理单元19。

通信模块15被配置为从装置3并且更准确地从通信模块11接收测量结果，并且可能还接收配戴装置3的个人的概况信息。在单个装置或设备内实施装置3和服务器5的功能的特定情况下，通信模块15可以与通信模块11一起形成用于将参数值的测量结果路由到处理单元19的部件。

相反，在远程服务器5的情况下，服务器5的通信模块15可以类似于装置3的通信模块11。

存储单元17被布置为存储数据集。在本发明的上下文中，存储在存储单元17中的数据集对于一个或多个时间窗口至少包括参数在这些时间窗口中的每一个达到的值以及针对每个时间窗口确定的目标值。这里应当理解，时间窗口是可以以时间单位表示的固定的时间间隔。时间窗口例如是在日历中清晰定义的天。当然，本领域技术人员理解，任何其他的时间分割都可以用来确定固定持续时间的多个时间窗口。

存储单元17可以进一步被配置为存储附加信息，比如关于个人概况并且包括与个人的常规身体活动或健康有关的生理特征或数据的信息。

此外，存储单元17还可以被配置为存储与每个时间窗口相关联的加权系数，并且更具体地，与参数在时间窗口达到的每个值相关联的加权系数。实际上，为了确定参数要达到的目标值，对参数在之前的时间窗口达到的值进行加权可能是相关的。通常，确定加权系数从而使得给定时间窗口的加权系数大于给定时间窗口之前的时间窗口的加权系数。当根据线性加权移动平均计算来确定目标值时，这样的实施例特别适用。

处理单元19被配置为基于存储在存储单元17中的数据来确定参数在即将到来的时间窗口要达到的目标值。

如图1所示，处理单元19包括存储器21和处理器23。

存储器21被配置为存储指令，处理器23实施这些指令将导致处理单元19的操作。处理单元19的操作的结果是确定参数在即将到来的时间窗口要达到的目标值。然后该目标值可以与即将到来的时间窗口相关联地存储在存储单元17中。

现在将在下文参考图2和图3更详细地描述处理单元19的运作。

在本发明的一般上下文中，下文中描述的方法旨在确定参数在即将到来的时间窗口要达到的目标值。该目标值的确定不仅基于参数在一个或多个之前的时间窗口的值的测量结果，而且还基于比如在一个或多个之前的时间窗口是否成功达到目标值的信息。在本发明的优选应用中，参数用于表征个人的行为或生活方式并量化个人的身体活动、饮食或健康。针对即将到来的时间窗口确定的目标值因此构成了个人的目标。

在作为本发明的主题的方法的描述中，参数与由对运动敏感的便携式计步器型装置(比如装置3)测量的个人行走的步数或距离有关。如前所述，参数还可以是量化个人的身体活动的强度或质量的任何参数。因此，参数可以与燃烧的卡路里数或身体活动的持续时间有关。参数还可以与个人在户外花费的时间或个人的身体产生的维生素D的量有关。

当然，当所考虑的装置3是惯性测量单元时，可以实施相同的方法。

在步骤S1中，提供数据集。数据集与先前时间窗口有关，并且对于每个先前时间窗口包括参数在先前时间窗口达到的值以及与先前时间窗口相关联的目标值。

数据集例如被存储在存储单元17中，并且被提供给处理单元19以用于确定参数在即将到来的时间窗口要达到的目标值。

此外，数据集可以包括附加数据，比如与个人的概况有关并且包括与个人的常规身体活动或健康有关的生理特征或数据的信息。如前所述，数据集还包括针对每个时间窗口的加权系数，并且更具体地，包括针对参数在时间窗口达到的每个值的加权系数。

在步骤S2中，选择合适的时间尺度。更确切地，在至少两个预定时间尺度中选择合适的时间尺度。处理单元19的存储器21存储例如多个可能的时间尺度，可以在这些时间尺度当中选择合适的时间尺度。

时间尺度由一定时间段来表征。时间尺度使得可以在先前时间窗口中选择相关的时间窗口，即，与例如存储单元17内必须用于确定目标值的数据相关联的时间窗口。

如前所述，该方法具体应用于其中参数与由对运动敏感的便携式计步器型装置3测量的个人行走的步数或距离有关的实施例。参数值取决于个人的身体活动。然而，身体活动取决于个人的习惯，并且更一般地取决于他的或她的日常生活的安排。因此，必须选择合适的时间尺度来使用相关数据。这里，时间窗口对应于日历中定义的天。

时间尺度例如对应于天，在这种情况下，相关数据与即将到来的一天之前的连续的一天或几天有关。另一种可能的时间尺度是周。在这种情况下，相关数据并不是前一天的数据，而是前一周的同一天的数据。实际上，如果个人每周仅在星期二进行身体活动，则将不会根据与前一天或周末有关的数据来确定星期二要行走的目标步数或目标距离。要考虑的数据实际上将是与前一周(几周)的星期二有关的数据。当然，本领域技术人员理解其他时间尺度也是可能的，例如与一个月相对应的时间尺度。

现在将参考图3在下面更详细地描述选择合适的时间尺度的步骤S2。

根据实施例，处理单元19测试一个或多个时间尺度以确定最适合用于确定目标值的时间尺度。原理是针对一个或多个先前时间窗口来分析参数值的变化。在图3所示的实施例中，处理单元19的存储器21存储多个可能的时间尺度，例如N个时间尺度，其中N为大于或等于2的整数。在步骤S2开始时，初始化局部变量。该局部变量扫描从1到N的整数的集合，并且允许表征每个预定时间尺度。如前所述，每个时间尺度与一定时间段相对应。以下子步骤应用于每个时间尺度，并且更特别地应用于相关联的时间段。

在子步骤S21中，处理单元19选择与一个或多个先前时间窗口有关的数据，该一个或多个先前时间窗口与即将到来的时间窗口间隔开与该时间尺度有关的时间段的倍数。通常从存储单元17检索数据。

例如，如果测试的时间尺度对应一周，则处理单元19至少选择与前一周的同一天相对应的数据，因此是与即将到来的时间窗口(即，即将到来的一天)间隔一周的那一天相对应的数据。当然，处理单元19也可以选择前几周的同一天的数据，例如，距即将到来的一天两周的那一天以及距即将到来的一天三周的那一天的数据。

类似地，如果测试的时间尺度是一天，则处理单元19可以选择与前五天有关的数据，因为这些天中的每一天都与即将到来的一天分隔开一天的倍数。

在子步骤S22中，处理单元19针对所选数据的每个先前时间窗口，计算参数在先前时间窗口达到的值和与所考虑的先前时间窗口相关联的目标值之间的差值。

如上所述，存储单元17存储与几个先前时间窗口有关的数据。对于每个先前时间窗口，存储单元17存储参数在先前时间窗口达到的值以及针对那个先前时间窗口确定的目标值。

该差值例如是达到的值与目标值之间的差值的绝对值。

在时间尺度对应于一天并且处理单元19选择与最近五个时间窗口(即，最近五天)相对应的数据的上述示例中，处理单元19计算五个差值，即，在这最近五天中的每一天中参数达到的值与目标值之间的差值。

在子步骤S23中，处理单元19向测试的时间尺度指派表征一个或多个所计算的差值的规律性分数。指派给时间尺度的规律性分数例如取决于所计算的差值低于或等于预定阈值的所选数据的先前时间窗口的比率。

例如，我们现在考虑测试的时间尺度对应于一周，并且处理单元19选择了对应于与即将到来的一天同一天但是是最近三周的数据。因此，处理单元19计算了在这三天中每一天中参数达到的值与相关联的目标值之间的差值。此外，如果参数对应于步数，则可以将预定阈值设置为1000。然后，规律性分数可以与这三天中个人所走的步数与目标步数之间的差值小于1000步的天数的比例相对应。

在子步骤S24中，处理单元19根据局部变量的值来确定是否已经测试了所有的时间尺度。否则，如前所述，根据子步骤S21、S22和S23选择接下来的时间尺度进行测试。

最后，在子步骤S25中，处理单元19基于至少两个预定时间尺度中的时间尺度的相应规律性分数来选择合适的时间尺度。

如果指派给时间尺度的规律性分数取决于所计算的差值低于或等于预定阈值的所选数据的先前时间窗口的比率，则合适的时间尺度例如是具有最高分数的时间尺度。

当然，也可以用其他实施例来实施步骤S2。有利地，这些其他实施例还取决于参数值在一个或多个先前时间窗口的变化。下面详细描述的实施例也可以参考图3来描述。

像上面详细描述的实施例一样，处理单元19的存储器21可以存储多个可能的时间尺度，例如N个时间尺度，其中N为大于或等于2的整数。在步骤S2开始时，初始化局部变量。该局部变量扫描从1到N的整数的集合，并且允许表征每个预定时间尺度。如前所述，每个时间尺度与一定时间段相对应。以下子步骤应用于每个时间尺度，并且更特别地应用于相关联的时间段。

在子步骤S21中，处理单元19选择与先前时间窗口有关的数据，这些先前时间窗口与即将到来的时间窗口间隔开与该时间尺度有关的时间段的倍数。通常从存储单元17检索数据。

在子步骤S22中，处理单元19针对所选数据的每对两个连续的先前时间窗口，计算参数在一对两个连续的先前时间窗口中的每个先前时间窗口分别达到的值之间的差值。

在这种情况下，一对两个先前时间窗口在时间上是连续的。换句话说，如果所选数据的先前时间窗口是按时间顺序排序的，则如果两个先前时间窗口是一个接一个的，则它们是连续的。例如，如果时间尺度对应于一周，则两个连续的先前时间窗口正好分开一周。

该差值例如是参数在一对两个连续的先前时间窗口的每个先前时间窗口分别达到的值之间的差值的绝对值。

在时间尺度对应于一个月并且处理单元19选择与最近四个时间窗口(即，与未来一天分别间隔一个月、两个月、三个月和四个月的最近四天)相对应的数据的示例中，处理单元19计算三个差值。

事实上，如果这四天是按时间顺序排序的，则处理单元19计算参数在第一天达到的值与参数在第二天达到的值之间的第一差值、参数在第二天达到的值与参数在第三天达到的值之间的第二差值、以及参数在第三天达到的值与参数在第四天达到的值之间的第三差值。

在子步骤S23中，处理单元19向测试的时间尺度指派表征一个或多个所计算的差值的稳定性分数。指派给时间尺度的稳定性分数例如取决于所计算的差值低于或等于预定阈值的所选数据的两个连续的先前时间窗口对的比率。用于确定稳定性的预定比率可以等于或不同于用于确定规律性比率的预定阈值。

例如，我们现在考虑测试的时间尺度对应于一天，并且处理单元19选择了对应于最近五天的数据。因此，处理单元19计算了参数在四对连续天中每一对的每个先前时间窗口分别达到的值之间的差值。此外，如果参数对应于行走的距离，则可以将预定阈值设置为2公里。稳定性分数则可以对应于这四对连续天中个人在一对的第一天和同一对的第二天行走的距离之间的差值小于2公里的比例。

在子步骤S24中，处理单元19根据局部变量的值来确定是否已经测试了所有的时间尺度。否则，如前所述，根据子步骤S21、S22和S23选择接下来的时间尺度进行测试。

最后，在子步骤S25中，处理单元19基于至少两个预定时间尺度中的时间尺度的相应稳定性分数来选择合适的时间尺度。

如果指派给时间尺度的稳定性分数取决于所计算的差值低于或等于预定阈值的所选数据的两个连续的先前时间窗口对的比率，则合适的时间尺度例如是具有最高分数的时间尺度。

前面参考图3描述的两个实施例也可以组合在一起。例如，可以针对每个时间尺度计算规律性分数和稳定性分数，然后比较时间尺度的分数以选择合适的时间尺度。同样，另一种可能的组合是根据针对紧接在即将到来的时间窗口之前的时间窗口选择的时间尺度来选择实施例中的一个或另一个。

在该方法接下来的描述中，再次参考图2。

在步骤S3中，处理单元19基于所选择的合适的时间尺度来检索与一个或多个先前时间窗口有关的数据。通常，检索到的数据与一个或多个先前时间窗口有关，这些先前时间窗口与即将到来的时间窗口间隔开与所选的合适时间尺度有关的时间段的倍数。

必须注意的是，检索到的数据不一定确切地是在子步骤S21中选择的用于测试最终选择的时间尺度的数据。如果所选择的时间尺度对应于周并且如果在子步骤S21中选择了三天，则处理单元19可以在步骤S3中选择六天，即与即将到来的一天同一天但是是针对最近六周来选择这六天。

在步骤S4中，处理单元19基于参数在一个或多个先前时间窗口达到的值与相关联的目标值之间的比较来计算成功因子。

实际上，本发明的一个优点是考虑了过去是否成功达到目标值。例如，当参数是个人在每个时间窗口(即，每天)行走的距离时，成功因子使得可以考虑个人在前一天或前几天成功达到设定目标(即，确定的目标值)的能力。因此，该成功因子使得可以考虑个人最近的表现以及他或她实现他的或她的目的的能力。

当个人在未来一天之前的一天或多天全面成功达到设定目标时，该成功因子通常采用大于或等于1的乘法系数的形式。相反，当个人在未来一天之前的一天或多天未能全面达到设定目标时，该乘法系数小于1。本领域技术人员理解，这个推理可以应用于任何参数，而不仅仅是由对运动敏感的便携式计步器型装置测量的个人行走的步数或距离。

作为示例，可以通过如下方式来确定成功因子的值：处理单元19选择最近三个先前时间窗口，因此通常是最近三天。对这最近三天中的每一天，存储单元17存储参数(例如，个人行走的步数或距离)达到的值，以及为这三天中的每一天确定的目标值。如果参数的值在所有三天都大于相关联的目标值，则成功因子等于1.1(或110％)。另一方面，如果参数的值在所考虑的三天都低于相关联的目标值，则成功因子等于0.9(或90％)。在其他情况下，如果参数的值仅在一天或两天高于相关联的目标值，则成功因子等于1(或100％)。

当然，可以仅基于一个或两个先前时间窗口或多于三个时间窗口来计算成功因子。类似地，可以以几种方式来确定成功因子的值。

另外，可以基于个人的概况来计算成功因子，个人的概况取决于与个人的常规身体活动或健康有关的生理特征或数据。

在步骤S5中，处理单元19基于成功因子和参数在检索到的数据的每个先前时间窗口达到的值来确定即将到来的时间窗口的目标值。检索到的数据在这里对应于在步骤S3期间检索到的数据。

可以通过如下方式来计算参数在即将到来的时间窗口j要达到的目标值：

其中：

-j是即将到来的时间窗口；

-TV(j)是参数在即将到来的时间窗口要达到的目标值；

-k是检索到的数据的先前时间窗口的数量；

-j-i是第i个先前时间窗口；

-P(j-i)是参数在第i个先前时间窗口达到的值；以及

-SF是成功因子。

在前面的公式中，必须要注意的是，如果时间窗口对应于天，则合适的时间尺度对应于一天，因为检索到的数据的先前时间窗口被索引为j-i。

在图2所示的实施例中，步骤S5包括预备子步骤S51，其中，对参数在检索到的数据的每个先前时间窗口达到的值进行加权。通常，参数在给定时间窗口达到的值的加权大于参数在给定时间窗口之前的时间窗口达到的值的加权。

当根据线性加权移动平均计算来确定目标值时，该加权子步骤S51特别适用。

例如，可以通过如下方式来计算参数在即将到来的时间窗口j要达到的目标值：

其中：

-j是即将到来的时间窗口；

-TV(j)是参数在即将到来的时间窗口要达到的目标值；

-k是检索到的数据的先前时间窗口的数量；

-j-7i是第i个先前时间窗口；

-w(j-7i)是第i个先前时间窗口的加权系数；

-P(j-7i)是参数在第i个先前时间窗口达到的值；以及

-SF是成功因子。

在前面的公式中，必须要注意的是，如果时间窗口对应于天，则合适的时间尺度对应于一周，因为检索到的数据的先前时间窗口被索引为j-7i。

仍然参考图2，下面描述的步骤与其中还通过学习来确定参数在即将到来的时间窗口要达到的目标值的特定实施例有关。

在步骤T1中，装置3测量参数值。如上所述，可以实时或以规则的时间间隔测量参数值。在一个或多个时间窗口测量这些值，并通过装置3的通信模块11将这些值传输至服务器5的通信模块15以存储在存储单元17中。如前所述，装置3例如是对运动敏感的便携式计步器型装置，并且测量的参数是配戴装置3的个人行走的步数或距离。可以通过装置3的屏幕13实时或以规则的时间间隔显示测量的值。

如图2所示，由装置3收集并传输至服务器5的测量结果被用于生成提供给处理单元19以确定参数在即将到来的时间窗口要达到的目标值的数据。

本领域技术人员在此理解，该步骤T1并不是至少部分地通过学习来确定目标值的实施例所独有的，并且因此可以独立地实施，而只是为了生成存储在存储单元17中的数据。

在步骤T2中，处理单元17，并且更准确地是处理器23，生成包括参数的值的时间序列。时间序列是按时间顺序索引或列出的一系列数据点。换句话说，该时间序列采用参数值的集合的形式，每个参数值都与表征例如值的测量时刻的时间分量相关联。

可以用参数在给定时间窗口达到的每个新值来更新时间序列。换句话说，每当装置3测量参数的新值并将该值传输至服务器5时，就更新时间序列。

在可选步骤T3中，处理单元19根据与时间窗口的相应时间分量有关的准则，将时间序列分割成多组时间窗口。

时间窗口的时间分量允许按时间对它们进行排序，即按时间顺序对它们进行分类。时间窗口的时间分量允许知道例如该时间窗口是早于还是晚于另一个时间窗口，与后者相关联的时间分量是否是已知的。因此，该准则在于例如对按时间顺序分类后的连续时间窗口进行分组。根据实施例，每组包括相同数量的时间窗口。

当参数与个人的身体活动(例如在每个时间窗口行走的步数或距离)有关时，时间序列的分割是特别有利的，因为个人的身体活动取决于像例如季节等外部条件。通常，可以将时间序列分割成四组，从而使得每组对应于一个季节。这种分割允许数据个性化并且考虑到个人的日常生活中潜在的剧烈改变。

在步骤T4中，处理单元19通过学习来生成根据表征给定时间窗口的时间分量来预测参数在所考虑的时间窗口的值的至少一个预测模型。

学习可以是监督学习或半监督学习。

如果实施可选步骤T3，则通过学习来针对每组时间窗口生成一个预测模型。相反，如果处理单元19没有对时间序列进行分割，则在步骤T4中可以只生成一个预测模型。

在步骤T5中，处理单元19将该准则应用于即将到来的时间窗口的时间分量，以便确定对应的一组时间窗口。

如果我们考虑其中参数与个人的身体活动有关并且其中时间序列例如被分割成对应于季节的四组的先前示例，则步骤T5的原理就是使用即将到来的时间窗口的时间分量(因此是未来一天)来确定即将到来的这一天属于哪个季节。因此，时间分量使得可以确定即将到来的一天最接近哪组时间序列。

在上述图2所示的步骤S5中，使用与所述一组时间窗口相关联的预测模型来确定即将到来的时间窗口的目标值。

在没有进行分割的情况下并因此如果仅生成了一个预测模型，则没有必要应用这样的准则，并且可以取决于即将到来的时间窗口的时间分量，使用该预测模型来确定参数在即将到来的时间窗口要达到的目标值。

当然，预测模型可以单独用于确定目标值，但也可以结合之前详细描述的实施例来使用，即，结合参数在一个或多个先前时间窗口达到的值的加权系数来使用，以及结合与个人的概况有关的数据来使用，个人的概况包括与个人的常规身体活动或健康有关的生理特征或数据。

Claims (15)

1.一种用于确定参数在即将到来的时间窗口要达到的目标值的计算机实施的方法，所述方法包括：

-提供(S1)数据集，所述数据集与先前时间窗口有关，并且对于每个先前时间窗口包括所述参数在所述先前时间窗口达到的值以及与所述先前时间窗口相关联的目标值；

-在至少两个预定时间尺度中选择(S2)合适的时间尺度；

-基于所述时间尺度检索(S3)与一个或多个先前时间窗口有关的数据；

-基于所述参数在一个或多个先前时间窗口达到的值与相关联的目标值之间的比较来计算(S4)成功因子；以及

-基于所述成功因子和所述参数在检索到的数据的每个先前时间窗口达到的值来确定(S5)所述即将到来的时间窗口的目标值。

2.如权利要求1所述的方法，其中，所述参数的值是由适合个人配戴的便携式装置(3)测量的。

3.如权利要求2所述的方法，所述便携式装置是对运动敏感的计步器型装置，其中，所述参数量化个人的身体活动的强度或质量，比如步数、个人行走的距离、燃烧的卡路里数或所述身体活动的持续时间。

4.如权利要求3所述的方法，其中，基于所述个人的概况来计算所述成功因子，所述个人的概况取决于与所述个人的常规身体活动或健康有关的生理特征或数据。

5.如前述权利要求之一所述的方法，其中，所述选择合适的时间尺度取决于所述参数值在一个或多个先前时间窗口的变化。

6.如权利要求5所述的方法，其中，所述至少两个预定时间尺度中的每个时间尺度都与一定时间段有关，并且其中，选择所述合适的时间尺度包括：

-针对所述至少两个预定时间尺度中的每个时间尺度：

·选择(S21)与先前时间窗口有关的数据，所述先前时间窗口与所述即将到来的时间窗口间隔开与所述时间尺度有关的所述时间段的倍数；

·针对所选数据的每对两个连续的先前时间窗口，计算(S22)所述参数在所述一对两个连续的先前时间窗口中的每个先前时间窗口分别达到的值之间的差值；

·向所述时间尺度指派(S23)表征一个或多个所计算的差值的稳定性分数；以及

-基于所述至少两个预定时间尺度中的所述时间尺度的相应稳定性分数来选择(S25)所述合适的时间尺度。

7.如权利要求6所述的方法，其中，指派给时间尺度的所述稳定性分数取决于所计算的差值低于或等于预定阈值的所选数据的两个连续的先前时间窗口对的比率。

8.如权利要求5至7之一所述的方法，其中，所述至少两个预定时间尺度中的每个时间尺度都与一定时间段有关，并且其中，选择所述合适的时间尺度包括：

-针对所述至少两个预定时间尺度中的每个时间尺度：

·选择与一个或多个先前时间窗口有关的数据，所述一个或多个先前时间窗口与所述即将到来的时间窗口间隔开与所述时间尺度有关的所述时间段的倍数；

·针对所选数据的每个先前时间窗口，计算所述参数在所述先前时间窗口达到的所述值和与所述先前时间窗口相关联的目标值之间的差值；

·向所述时间尺度指派表征一个或多个所计算的差值的规律性分数；以及

-基于所述至少两个预定时间尺度中的所述时间尺度的相应规律性分数来选择所述合适的时间尺度。

9.如权利要求8所述的方法，其中，指派给时间尺度的所述规律性分数取决于所计算的差值低于或等于预定阈值的所选数据的先前时间窗口的比率。

10.如前述权利要求之一所述的方法，其中，所述至少两个预定时间尺度中的每个时间尺度都与一定时间段有关，并且其中，所述检索到的数据与一个或多个先前时间窗口有关，所述一个或多个先前时间窗口与所述即将到来的时间窗口间隔开与所选时间尺度有关的所述时间段的倍数。

11.如前述权利要求之一所述的方法，其中，确定所述即将到来的时间窗口的目标值包括(S51)对所述参数在所述检索到的数据的每个先前时间窗口达到的值进行加权，从而使得所述参数在给定时间窗口达到的值的加权系数大于或等于所述参数在所述给定时间窗口之前的时间窗口达到的值的加权系数。

12.如前述权利要求之一所述的方法，进一步包括：

-生成(T2)包括所述参数的值的时间序列，所述时间序列用所述参数在给定时间窗口达到的每个新值进行更新；以及

-通过学习来生成(T4)根据表征给定时间窗口的时间分量来预测所述参数在所述时间窗口的值的至少一个预测模型；

其中，使用所述至少一个预测模型来确定所述即将到来的时间窗口的目标值。

13.如权利要求12所述的方法，其中，根据与所述时间窗口的相应时间分量有关的准则将所述时间序列分割(T3)成多组时间窗口，并且通过学习来针对每组时间窗口生成一个预测模型，并且其中，确定所述即将到来的时间窗口的目标值包括：

-将所述准则应用于(T5)所述即将到来的时间窗口的所述时间分量，以便确定对应的一组时间窗口；以及

-使用与所述一组时间窗口相关联的预测模型来确定所述即将到来的时间窗口的目标值。

14.一种计算机程序，包括指令，当所述指令由至少一个处理器(9，23)执行时，所述指令用于实施前述权利要求之一所述的方法。

15.一种用于确定参数在即将到来的时间窗口要达到的目标值的系统(1)，所述系统包括：

·通信模块(15)，所述通信模块被布置为接收与多个先前时间窗口有关的数据集；

·存储单元(17)，所述存储单元被布置为存储所接收的数据集，所述数据与先前时间窗口有关，包括所述参数在所述先前时间窗口达到的值和相关联的目标值；以及

·处理单元(19)，所述处理单元被配置为：

-在至少两个预定时间尺度中选择合适的时间尺度；

-基于所述时间尺度从所述存储单元检索与一个或多个先前时间窗口有关的数据；

-基于所述参数在一个或多个先前时间窗口达到的值与相关联的目标值之间的比较来计算成功因子；以及

-基于所述成功因子和所述参数在所选数据的每个先前时间窗口达到的值来确定所述即将到来的时间窗口的目标值。