RU2712395C1 - Method for issuing recommendations for maintaining a healthy lifestyle based on daily user activity parameters automatically tracked in real time, and a corresponding system (versions) - Google Patents

Method for issuing recommendations for maintaining a healthy lifestyle based on daily user activity parameters automatically tracked in real time, and a corresponding system (versions) Download PDF

Info

Publication number
RU2712395C1
RU2712395C1 RU2018142204A RU2018142204A RU2712395C1 RU 2712395 C1 RU2712395 C1 RU 2712395C1 RU 2018142204 A RU2018142204 A RU 2018142204A RU 2018142204 A RU2018142204 A RU 2018142204A RU 2712395 C1 RU2712395 C1 RU 2712395C1
Authority
RU
Russia
Prior art keywords
user
daily
parameters
recommendations
activity
Prior art date
Application number
RU2018142204A
Other languages
Russian (ru)
Inventor
Константин Александрович Павлов
Алексей Вячеславович ПЕРЧИК
Владислав Валерьевич Лычагов
Хеджон СО
Минджи КИМ
Original Assignee
Самсунг Электроникс Ко., Лтд.
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 Самсунг Электроникс Ко., Лтд. filed Critical Самсунг Электроникс Ко., Лтд.
Priority to RU2018142204A priority Critical patent/RU2712395C1/en
Priority to PCT/KR2019/016501 priority patent/WO2020111787A1/en
Priority to KR1020190154335A priority patent/KR20200066204A/en
Priority to US17/297,189 priority patent/US20220005580A1/en
Application granted granted Critical
Publication of RU2712395C1 publication Critical patent/RU2712395C1/en

Links

Images

Classifications

    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/02Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A61B5/02055Simultaneously evaluating both cardiovascular condition and temperature
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/05Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/053Measuring electrical impedance or conductance of a portion of the body
    • A61B5/0531Measuring skin impedance
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/145Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14532Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01DMEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00Measuring or testing not otherwise provided for
    • G01D21/02Measuring two or more variables by means not covered by a single other subclass
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H80/00ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Cardiology (AREA)
  • Physiology (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Dermatology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radiology & Medical Imaging (AREA)
  • Pulmonology (AREA)
  • Emergency Medicine (AREA)
  • Optics & Photonics (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

FIELD: medicine.SUBSTANCE: group of inventions relates to the field of medical equipment and is used in tracking the daily activity of the user. A method for issuing recommendations for maintaining a healthy lifestyle based on daily user activity parameters, automatically tracked in real time, comprises steps of: parameters of daily activity of the user are automatically determined, which include periods of physical activity, heart rate, number of passed steps, sleep time period, changes in blood glucose level, amount of carbohydrates and calories received with the accepted food. Based on the measured change in the user's blood glucose level, physical activity, heart rate and daily glucose tolerance changes to determine the user's individual response to food intake, a physiological model of the user is constructed, machine learning algorithm is developed to estimate daily activity of user based on measured parameters of daily activity of user, defined individual response of user and predefined profile of user, containing gender of user, age, height and weight. Recommendations are created to maintain a healthy lifestyle of the user based on assessing the daily activity of the user, resulting from using the machine learning algorithm, and displaying the generated recommendations. Disclosed are alternative versions of method and system for issuing recommendations.EFFECT: inventions provide automatic tracking of physiological parameters and physical activity and issuing recommendations for maintaining a healthy lifestyle.15 cl, 10 dwg

Description

ОБЛАСТЬ ТЕХНИКИ, К КОТОРОЙ ОТНОСИТСЯ ИЗОБРЕТЕНИЕFIELD OF THE INVENTION

Настоящая группа изобретений относится к области отслеживания ежедневной деятельности пользователя и, в частности, к способу и системе для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени.The present group of inventions relates to the field of monitoring the daily activities of the user and, in particular, to a method and system for issuing recommendations for maintaining a healthy lifestyle based on the parameters of daily activities of the user, automatically tracked in real time.

УРОВЕНЬ ТЕХНИКИBACKGROUND

В настоящее время существует огромное количество решений, способствующих поддержанию пользователем здоровья и физической формы. Данные известные решения, как правило, основаны на анализе различных аспектов повседневной жизни пользователя и/или основных показателей жизнедеятельности организма человека.Currently, there are a huge number of solutions that contribute to maintaining the user's health and fitness. These known solutions are usually based on the analysis of various aspects of the user's daily life and / or the main vital signs of the human body.

В частности, из уровня техники известно решение, раскрытое в US 20150364057 A1 («Systems and methods for wellness, health, and lifestyle planning, tracking, and maintenance»), которое описывает системы и способы для планирования, отслеживания и поддержания здорового образа жизни. Известная система предоставляет пользователю возможность организовывать его образ жизни и здоровые привычки. В примерном варианте осуществления эта система может предоставлять рекомендации по действиям для пользователя, которые могут положительно повлиять на самочувствие, здоровье и образ жизни пользователя. Рекомендации могут быть адаптированы для каждого отдельного пользователя системы, так что разные люди могут получать разные рекомендации. Однако данная система не содержит никаких средств для автоматического отслеживания параметров здоровья или самочувствия пользователя. Кроме того, для ее работы необходим ручной ввод пользователем данных для анализа, что влечет за собой не только возможность ввода ошибочных данных, но вероятность того, что пользователь будет забывать вносить данные, или ему надоест это делать.In particular, the prior art knows the solution disclosed in US 20150364057 A1 ("Systems and methods for wellness, health, and lifestyle planning, tracking, and maintenance") that describes systems and methods for planning, tracking and maintaining a healthy lifestyle. The well-known system provides the user with the opportunity to organize his lifestyle and healthy habits. In an exemplary embodiment, this system may provide recommendations for actions for the user, which can positively affect the well-being, health and lifestyle of the user. Recommendations can be adapted for each individual user of the system, so that different people can receive different recommendations. However, this system does not contain any means for automatically tracking the user's health or well-being. In addition, for its operation, the user must manually enter data for analysis, which entails not only the possibility of entering erroneous data, but the likelihood that the user will forget to enter data, or he will be tired of doing it.

Из уровня техники также известно решение, раскрытое в US 8182424 B2 («Diary-free calorimeter»), которое раскрывает непрямой калориметр (т.е. с косвенным инструментальным измерением), который оценивает калорийность потребляемой пользователем пищи путем периодического отслеживания массы пользователя и выполняемых пользователем физических упражнений (например, физиологических данных и/или данных движения, связанных с физической нагрузкой пользователя). Пользовательское устройство согласно данному решению может детектировать одно или более из следующего: сердечные сокращения, температуру тела, сопротивление кожи, измерение движения/ускорения (например, с помощью шагомера, акселерометра), измерение скорости (например, с помощью глобальной системы позиционирования (GPS)). Однако данная система не предоставляет рекомендации касательно физической активности или эффективности сна. Более того, для ее корректного функционирования требуются, как указано выше, измерения массы, которые не производятся системой автоматически (а должны быть внесены пользователем), а также отслеживания долгосрочных изменений.The prior art also knows the solution disclosed in US 8182424 B2 ("Diary-free calorimeter"), which discloses an indirect calorimeter (ie, with an indirect instrumental measurement), which estimates the calorie content of food consumed by the user by periodically monitoring the user's weight and performed by the user exercise (e.g. physiological data and / or movement data related to the user's physical activity). A user device according to this solution can detect one or more of the following: heart rate, body temperature, skin resistance, measurement of movement / acceleration (for example, using a pedometer, accelerometer), speed measurement (for example, using a global positioning system (GPS)) . However, this system does not provide recommendations regarding physical activity or sleep efficiency. Moreover, for its proper functioning, it is required, as indicated above, mass measurements that are not automatically performed by the system (but must be entered by the user), as well as tracking long-term changes.

Решение US 9569483 B2 («Personalized dynamic feedback control of body weight») раскрывает индивидуальную систему управления весом с обратной связью, в которой используется математическая модель метаболизма и изменения веса. В частности, данная система подразумевает проведение мониторинга таких параметров как, например, масса тела, физическая активность, диета и режим питания, и т.п. Однако данное известное решение также не подразумевает никаких средств для автоматического мониторинга указанных параметров, а требует ручной ввод необходимой информации пользователем, что влечет за собой не только возможность ввода ошибочных данных, но вероятность того, что пользователь будет забывать вносить данные, или ему надоест это делать.Solution US 9569483 B2 ("Personalized dynamic feedback control of body weight") discloses an individual feedback weight management system that uses a mathematical model of metabolism and weight change. In particular, this system involves monitoring such parameters as, for example, body weight, physical activity, diet and diet, etc. However, this known solution also does not imply any means for automatic monitoring of these parameters, but requires manual input of the necessary information by the user, which entails not only the possibility of entering erroneous data, but the likelihood that the user will forget to enter data, or he will be tired of doing it .

Из уровня техники также известно решение, раскрытое в US 8706731 B2 («System and method for providing healthcare program service based on vital signals and condition information»), в котором описывается способ для обеспечения услуги по предоставлению программ для поддержания здорового образа жизни по беспроводной сети связи, которая включает в себя получение основных показателей жизнедеятельности от множества пользователей, группировку полученных основных показателей жизнедеятельности, регистрацию соответствующих программ для поддержания здорового образа жизни, классифицированных по конкретным заболеваниям, и предоставление соответствующих программ для поддержания здорового образа жизни пользователям. При этом конкретные способы обработки данных, группировки пользователей и выбора соответствующей программы для поддержания здорового образа жизни в данном решении не раскрываются. Кроме того, данное решение не предполагает использование физиологических моделей для улучшения выдаваемых программами рекомендаций и также требует ручной ввод некоторых необходимых данных пользователем.The prior art also knows the solution disclosed in US 8706731 B2 ("System and method for providing healthcare program service based on vital signals and condition information"), which describes a method for providing a program providing service for maintaining a healthy lifestyle over a wireless network communication, which includes obtaining basic vital signs from many users, grouping the received basic vital signs, registering relevant programs to maintain a healthy lifestyle, classified by nkretnym diseases, and the provision of appropriate programs to maintain a healthy lifestyle users. However, specific methods for processing data, grouping users and choosing the appropriate program to maintain a healthy lifestyle are not disclosed in this decision. In addition, this solution does not involve the use of physiological models to improve the recommendations issued by programs and also requires the manual entry of some necessary data by the user.

Известна также и система искусственного интеллекта (см. US 20180108272 A1, «Artificial intelligence based health coaching based on ketone levels of participants»), которая использует профили пользователей, включающие в себя измеренные уровни кетонов упомянутых пользователей, для определения уровней эффективности оздоровительных программ (таких как программы для потери веса). Однако данная система включает в себя устройство для анализа дыхания, в которое пользователю необходимо дышать для определения уровня кетонов пользователя, что является не автоматическим, зависимым от пользователя процессом. Кроме того, данное решение также не предполагает использование физиологических моделей для улучшения выдаваемых программами рекомендаций.An artificial intelligence system is also known (see US 20180108272 A1, “Artificial intelligence based health coaching based on ketone levels of participants”), which uses user profiles, including measured ketone levels of the mentioned users, to determine the effectiveness levels of wellness programs (such as weight loss programs). However, this system includes a breathing analysis device in which the user needs to breathe to determine the level of ketones of the user, which is not an automatic, user-dependent process. In addition, this solution also does not involve the use of physiological models to improve the recommendations issued by programs.

Решение, раскрытое в документе US 20160262693 A1 («Metabolic analyzer for optimizing health and weight management»), описывает систему, включающую в себя прибор для измерения интенсивности обмена веществ (уровня метаболизма), которая может отслеживать одну или более метаболических детерминант для определения интенсивности обмена веществ пользователя. Устройство распознавания интервалов может распознать множество интервалов, соответствующих по меньшей мере одному типу пользовательской активности, производимой в течение некоторого временного промежутка. Однако в данном документе не определены никакие источники требуемых данных (т.е. средства их получения). Кроме того, данное решение также не предполагает использование физиологических моделей для улучшения выдаваемых программами рекомендаций.The solution disclosed in US 20160262693 A1 ("Metabolic analyzer for optimizing health and weight management") describes a system including a device for measuring metabolic rate (metabolic rate), which can track one or more metabolic determinants to determine metabolic rate user substances. The interval recognition device may recognize a plurality of intervals corresponding to at least one type of user activity that occurs over a period of time. However, no sources of required data (i.e., means of obtaining them) are defined in this document. In addition, this solution also does not involve the use of physiological models to improve the recommendations issued by programs.

В качестве прототипа заявленной группы изобретений рассматривается решение, раскрытое в US 9675289 B2 («Method and glucose monitoring system for monitoring individual metabolic response and for generating nutritional feedback»). В данном решении описываются система и способ для отслеживания индивидуальной метаболической реакции пользователя и для формирования обратной связи касательно питания, которые включают в себя отслеживание уровня глюкозы субъекта. Однако данное решение не предоставляет рекомендации касательно физической активности и эффективности сна, что также является важными критериями здорового образа жизни. Кроме того, данное решение также не предполагает использование физиологических моделей для улучшения выдаваемых программами рекомендаций и аналитики данных, собранных от множества людей.As a prototype of the claimed group of inventions, the solution disclosed in US 9675289 B2 ("Method and glucose monitoring system for monitoring individual metabolic response and for generating nutritional feedback") is considered. This solution describes a system and method for monitoring the individual metabolic response of a user and for generating feedback on nutrition, which include monitoring the glucose level of a subject. However, this decision does not provide recommendations regarding physical activity and sleep efficiency, which are also important criteria for a healthy lifestyle. In addition, this solution also does not involve the use of physiological models to improve the recommendations issued by programs and analytics of data collected from many people.

Таким образом, существует необходимость в полностью автоматическом способе отслеживания ежедневной деятельности пользователя и выдачи пользователю соответствующих рекомендаций, который предполагает использование физиологических моделей для улучшения выдаваемых программами рекомендаций.Thus, there is a need for a fully automatic way to track the user's daily activities and issue appropriate recommendations to the user, which involves the use of physiological models to improve recommendations issued by programs.

СУЩНОСТЬ ИЗОБРЕТЕНИЯSUMMARY OF THE INVENTION

Задача настоящего изобретения состоит в устранении упомянутых выше недостатков, присущих известным из уровня техники решениям, в частности, в обеспечении усовершенствованного способа отслеживания ежедневной деятельности пользователя в независимом от пользователя режиме и выдачи пользователю соответствующих рекомендаций по поддержанию здорового образа жизни.The objective of the present invention is to eliminate the above-mentioned disadvantages inherent in solutions known from the prior art, in particular, to provide an improved method for monitoring the user's daily activities in a user-independent mode and issuing to the user appropriate recommendations for maintaining a healthy lifestyle.

Указанная задача решается посредством способов и систем, которые охарактеризованы в независимых пунктах формулы изобретения. Дополнительные варианты реализации настоящего изобретения представлены в зависимых пунктах формулы изобретения.This problem is solved by means of methods and systems that are described in the independent claims. Additional embodiments of the present invention are presented in the dependent claims.

Согласно первому аспекту настоящего изобретения предложен способ выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, содержащий этапы, на которых:According to a first aspect of the present invention, there is provided a method for issuing recommendations for maintaining a healthy lifestyle based on daily activities of a user that are automatically tracked in real time, comprising the steps of:

- автоматически измеряют параметры ежедневной деятельности пользователя, включающие в себя периоды физической активности, частоту сердечных сокращений, количество пройденных шагов, период времени сна, изменения уровня глюкозы в крови, количество углеводов и калорий, полученных с принятой пищей;- automatically measure the parameters of the user's daily activity, including periods of physical activity, heart rate, the number of steps taken, the period of sleep time, changes in blood glucose, the amount of carbohydrates and calories received with food;

- строят физиологическую модель на основе измеренного изменения уровня глюкозы в крови пользователя для определения индивидуального отклика пользователя на прием пищи;- build a physiological model based on the measured changes in the level of glucose in the blood of the user to determine the individual response of the user to a meal;

- обучают алгоритм машинного обучения для оценки ежедневной деятельности пользователя на основе измеренных параметров ежедневной деятельности пользователя, определенном индивидуальном отклике пользователя и заранее заданного профиля пользователя, содержащего пол пользователя, возраст, рост и вес;- teach the machine learning algorithm to evaluate the daily activities of the user based on the measured parameters of the daily activities of the user, a specific individual user response and a predetermined user profile containing the user's gender, age, height and weight;

- формируют рекомендации по поддержанию здорового образа жизни пользователя на основе оценки ежедневной деятельности пользователя, полученной в результате применения алгоритма машинного обучения; и- formulate recommendations for maintaining a healthy lifestyle of the user based on the assessment of the daily activities of the user, obtained as a result of applying the machine learning algorithm; and

- отображают сформированные рекомендации пользователю.- display the generated recommendations to the user.

Согласно другому аспекту настоящего изобретения предложена система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, содержащая:According to another aspect of the present invention, there is provided a system for issuing recommendations for maintaining a healthy lifestyle based on daily activities of a user automatically tracked in real time, comprising:

- инерциальные измерительные датчики, включающие в себя акселерометр и гироскоп;- inertial measuring sensors, including an accelerometer and a gyroscope;

- датчик фотоплетизмограммы;- photoplethysmogram sensor;

- датчик уровня глюкозы в крови,- blood glucose sensor,

причем инерциальные измерительные датчики, датчик фотоплетизмограммы и датчик уровня глюкозы в крови выполнены с возможностью автоматического измерения параметров ежедневной деятельности пользователя, включающих в себя периоды физической активности, частоту сердечных сокращений, количество пройденных шагов, период времени сна, изменения уровня глюкозы в крови, количество углеводов и калорий, полученных с принятой пищей;moreover, inertial measuring sensors, a photoplethysmogram sensor and a blood glucose sensor are capable of automatically measuring parameters of a user's daily activity, including periods of physical activity, heart rate, number of steps taken, sleep time period, changes in blood glucose level, amount of carbohydrates and calories from eating food;

- блок обработки, выполненный с возможностью построения физиологической модели на основе изменения уровня глюкозы в крови пользователя для определения индивидуального отклика пользователя на прием пищи и обучения алгоритма машинного обучения для оценки ежедневной деятельности пользователя на основе измеренных параметров ежедневной деятельности пользователя, определенном индивидуальном отклике пользователя и заранее заданного профиля пользователя, содержащего пол пользователя, возраст, рост и вес;- a processing unit configured to build a physiological model based on a change in the glucose level in a user's blood to determine an individual user response to a meal and learn a machine learning algorithm to evaluate a user's daily activity based on measured parameters of a user's daily activity, a specific individual user response, and in advance a specified user profile containing the user's gender, age, height and weight;

- запоминающий модуль, выполненный с возможностью хранения заранее заданного профиля пользователя, измеренных параметров ежедневной деятельности пользователя, определенного индивидуального отклика пользователя и оценки ежедневной деятельности пользователя, полученной в результате применения алгоритма машинного обучения,- a storage module configured to store a predetermined user profile, the measured parameters of the user's daily activity, a specific individual user response, and an assessment of the user's daily activity obtained as a result of applying the machine learning algorithm,

причем блок обработки дополнительно выполнен с возможностью формирования рекомендаций по поддержанию здорового образа жизни пользователя на основе оценки ежедневной деятельности пользователя, и запоминающий модуль выполнен с возможностью хранения сформированных рекомендаций,moreover, the processing unit is additionally configured to generate recommendations for maintaining a healthy lifestyle of the user based on the assessment of the daily activities of the user, and the storage module is configured to store the generated recommendations,

при этом система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя дополнительно содержит дисплей, выполненный с возможностью отображения сформированных рекомендаций пользователю.however, the system for issuing recommendations for maintaining a healthy lifestyle based on the parameters of the user's daily activities further comprises a display configured to display the generated recommendations to the user.

Опционально, инерциальные измерительные датчики, датчик фотоплетизмограммы и датчик уровня глюкозы в крови расположены в носимом пользовательском устройстве.Optionally, inertial measuring sensors, a photoplethysmogram sensor, and a blood glucose sensor are located in a wearable user device.

Согласно одному варианту осуществления упомянутая система также содержит блок осуществления связи, выполненный с возможностью передачи сформированных рекомендаций на внешние устройства.According to one embodiment, said system also comprises a communication unit adapted to transmit generated recommendations to external devices.

При этом блок осуществления связи дополнительно выполнен с возможностью осуществления связи с весами для получения данных о весе пользователя и анализа изменений веса пользователя с течением времени в совокупности с анализом изменения уровня глюкозы в крови пользователя с течением того же периода.In this case, the communication unit is further configured to communicate with the weights to obtain data on the user's weight and analyze changes in the user's weight over time in conjunction with the analysis of changes in the glucose level in the user's blood over the same period.

Датчик уровня глюкозы в крови представляет собой неинвазивный датчик уровня глюкозы в крови или инвазивный датчик уровня глюкозы в крови.The blood glucose sensor is a non-invasive blood glucose sensor or an invasive blood glucose sensor.

Опционально, запоминающий модуль, блок обработки и дисплей также расположены в носимом пользовательском устройстве.Optionally, the storage module, processing unit and display are also located in the wearable user device.

Опционально, запоминающий модуль, блок обработки и дисплей расположены в отдельном интеллектуальном устройстве, при этом упомянутая система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя также содержит блок осуществления связи, выполненный с возможностью передачи измеренных параметров ежедневной деятельности пользователя в блок обработки и запоминающий модуль.Optionally, the storage module, the processing unit and the display are located in a separate intelligent device, while the system for issuing recommendations for maintaining a healthy lifestyle based on the parameters of the user's daily activity also contains a communication unit configured to transmit the measured parameters of the user's daily activity to the unit processing and storage module.

Опционально, система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя дополнительно содержит второй запоминающий модуль, второй блок обработки и второй дисплей, расположенные в отдельном интеллектуальном устройстве, при этом упомянутая система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя дополнительно содержит блок осуществления связи, выполненный с возможностью передачи измеренных параметров ежедневной деятельности пользователя также и во второй блок обработки, и во второй запоминающий модуль, а второй дисплей также выполнен с возможностью отображения данных пользователю.Optionally, the system for issuing recommendations for maintaining a healthy lifestyle based on the parameters of daily activities of the user further comprises a second storage module, a second processing unit and a second display located in a separate intelligent device, the system for issuing recommendations for maintaining a healthy lifestyle based on parameters of the daily activities of the user further comprises a communication unit configured to transmit measured parameters of daily user activities and also in the second processing unit, and a second storing unit and the second display is also configured to display data to the user.

Опционально, система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя содержит GPS-приемник, выполненный с возможностью определения текущей геолокации пользователя, и дополнительный блок обработки, выполненный с возможностью корректировки результатов оценки ежедневной деятельности пользователя упомянутым алгоритмом машинного обучения на основе данных о геолокации пользователя.Optionally, the system for issuing recommendations for maintaining a healthy lifestyle based on the parameters of the user's daily activity includes a GPS receiver configured to determine the user's current geolocation, and an additional processing unit configured to adjust the results of evaluating the user's daily activity by the said machine learning algorithm based on User geolocation data.

Согласно третьему аспекту настоящего изобретения предложен способ выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, содержащий этапы, на которых:According to a third aspect of the present invention, there is provided a method for issuing recommendations for maintaining a healthy lifestyle based on daily activities of a user that are automatically tracked in real time, comprising the steps of:

- автоматически измеряют параметры ежедневной деятельности пользователя, включающие в себя периоды физической активности, частоту сердечных сокращений, количество пройденных шагов, период времени сна, изменения уровня глюкозы в крови, количество углеводов и калорий, полученных с принятой пищей;- automatically measure the parameters of the user's daily activity, including periods of physical activity, heart rate, the number of steps taken, the period of sleep time, changes in blood glucose, the amount of carbohydrates and calories received with food;

- обучают алгоритм машинного обучения для оценки ежедневной деятельности пользователя на основе измеренных параметров ежедневной деятельности пользователя и заранее заданного профиля пользователя, содержащего пол пользователя, возраст, рост и вес;- teach the machine learning algorithm to assess the daily activities of the user based on the measured parameters of the daily activities of the user and a predetermined user profile containing the user's gender, age, height and weight;

- формируют рекомендации по поддержанию здорового образа жизни пользователя на основе оценки ежедневной деятельности пользователя, полученной в результате применения алгоритма машинного обучения; и- formulate recommendations for maintaining a healthy lifestyle of the user based on the assessment of the daily activities of the user, obtained as a result of applying the machine learning algorithm; and

- отображают сформированные рекомендации пользователю.- display the generated recommendations to the user.

Согласно еще одному аспекту настоящего изобретения предложена система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, содержащая:According to another aspect of the present invention, there is provided a system for issuing recommendations for maintaining a healthy lifestyle based on daily activities of a user automatically tracked in real time, comprising:

- инерциальные измерительные датчики, включающие в себя акселерометр и гироскоп;- inertial measuring sensors, including an accelerometer and a gyroscope;

- датчик фотоплетизмограммы;- photoplethysmogram sensor;

- датчик уровня глюкозы в крови,- blood glucose sensor,

причем инерциальные измерительные датчики, датчик фотоплетизмограммы и датчик уровня глюкозы в крови выполнены с возможностью автоматического измерения параметров ежедневной деятельности пользователя, включающих в себя периоды физической активности, частоту сердечных сокращений, количество пройденных шагов, период времени сна, изменения уровня глюкозы в крови, количество углеводов и калорий, полученных с принятой пищей;moreover, inertial measuring sensors, a photoplethysmogram sensor and a blood glucose sensor are capable of automatically measuring parameters of a user's daily activity, including periods of physical activity, heart rate, number of steps taken, sleep time period, changes in blood glucose level, amount of carbohydrates and calories from eating food;

- блок обработки, выполненный с возможностью обучения алгоритма машинного обучения для оценки ежедневной деятельности пользователя на основе измеренных параметров ежедневной деятельности пользователя и заранее заданного профиля пользователя, содержащего пол пользователя, возраст, рост и вес;- a processing unit configured to teach a machine learning algorithm to evaluate a user's daily activity based on measured parameters of a user's daily activity and a predetermined user profile containing the user's gender, age, height and weight;

- запоминающий модуль, выполненный с возможностью хранения заранее заданного профиля пользователя, измеренных параметров ежедневной деятельности пользователя и оценки ежедневной деятельности пользователя, полученной в результате применения алгоритма машинного обучения,- a storage module configured to store a predetermined user profile, the measured parameters of the user's daily activity and evaluate the user's daily activity obtained as a result of applying the machine learning algorithm,

причем блок обработки дополнительно выполнен с возможностью формирования рекомендаций по поддержанию здорового образа жизни пользователя на основе оценки ежедневной деятельности пользователя, и запоминающий модуль выполнен с возможностью хранения сформированных рекомендаций,moreover, the processing unit is additionally configured to generate recommendations for maintaining a healthy lifestyle of the user based on the assessment of the daily activities of the user, and the storage module is configured to store the generated recommendations,

при этом система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя дополнительно содержит дисплей, выполненный с возможностью отображения сформированных рекомендаций пользователю.however, the system for issuing recommendations for maintaining a healthy lifestyle based on the parameters of the user's daily activities further comprises a display configured to display the generated recommendations to the user.

Опционально, эта система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя содержит GPS-приемник, выполненный с возможностью определения текущей геолокации пользователя, и дополнительный блок обработки, выполненный с возможностью корректировки результатов оценки ежедневной деятельности пользователя упомянутым алгоритмом машинного обучения на основе данных о геолокации пользователя.Optionally, this system for issuing recommendations for maintaining a healthy lifestyle based on the parameters of the user's daily activity includes a GPS receiver configured to determine the user's current geolocation, and an additional processing unit configured to adjust the results of evaluating the user's daily activity by the said machine learning algorithm by based on user geolocation data.

Согласно пятому аспекту настоящего изобретения предложен способ выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, содержащий этапы, на которых:According to a fifth aspect of the present invention, there is provided a method for issuing recommendations for maintaining a healthy lifestyle based on daily activities of a user automatically tracked in real time, comprising the steps of:

- автоматически измеряют параметры ежедневной деятельности пользователя, включающие в себя периоды физической активности, частоту сердечных сокращений, количество пройденных шагов, период времени сна, количество углеводов и калорий, полученных с принятой пищей;- automatically measure the parameters of the user's daily activity, including periods of physical activity, heart rate, the number of steps taken, the period of sleep time, the amount of carbohydrates and calories received with food;

- косвенно определяют изменение уровня глюкозы в крови на основе измеренных параметров ежедневной деятельности пользователя, данных об окружающих звуках, геолокации, расписания пользователя и профиля пользователя, содержащего пол пользователя, возраст, рост и вес;- indirectly determine the change in blood glucose based on the measured parameters of the user's daily activity, data on ambient sounds, geolocation, user schedules and user profiles containing the user's gender, age, height and weight;

- обучают алгоритм машинного обучения для оценки ежедневной деятельности пользователя на основе измеренных параметров ежедневной деятельности пользователя, определенном изменении уровня глюкозы в крови и заранее заданного профиля пользователя;- teach the machine learning algorithm to evaluate the daily activities of the user based on the measured parameters of the daily activities of the user, a specific change in the level of glucose in the blood and a predetermined user profile;

- формируют рекомендации по поддержанию здорового образа жизни пользователя на основе оценки ежедневной деятельности пользователя, полученной в результате применения алгоритма машинного обучения; и- formulate recommendations for maintaining a healthy lifestyle of the user based on the assessment of the daily activities of the user, obtained as a result of applying the machine learning algorithm; and

- отображают сформированные рекомендации пользователю.- display the generated recommendations to the user.

Согласно еще одному аспекту настоящего изобретения предложена система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, содержащее:According to yet another aspect of the present invention, there is provided a system for issuing recommendations for maintaining a healthy lifestyle based on daily activities of a user automatically tracked in real time, comprising:

- инерциальные измерительные датчики, включающие в себя акселерометр и гироскоп;- inertial measuring sensors, including an accelerometer and a gyroscope;

- датчик фотоплетизмограммы;- photoplethysmogram sensor;

причем инерциальные измерительные датчики и датчик фотоплетизмограммы выполнены с возможностью автоматического измерения параметров ежедневной деятельности пользователя, включающих в себя периоды физической активности, частоту сердечных сокращений, количество пройденных шагов, период времени сна, количество углеводов и калорий, полученных с принятой пищей;moreover, inertial measuring sensors and a photoplethysmogram sensor are configured to automatically measure the parameters of the user's daily activity, including periods of physical activity, heart rate, number of steps taken, period of sleep time, the number of carbohydrates and calories received with food;

- микрофон, выполненный с возможностью записи окружающих звуков;- a microphone configured to record ambient sounds;

- GPS-приемник, выполненный с возможностью определения текущей геолокации пользователя;- A GPS receiver configured to determine a user's current geolocation;

- блок для косвенного измерения уровня глюкозы, выполненный с возможностью косвенного определения изменения уровня глюкозы в крови на основе измеренных параметров ежедневной деятельности пользователя, данных об окружающих звуках, геолокации, заранее заданного расписания пользователя и заранее заданного профиля пользователя, содержащего пол пользователя, возраст, рост и вес;- a unit for indirect measurement of glucose level, made with the ability to indirectly determine changes in blood glucose levels based on the measured parameters of the user's daily activity, data on ambient sounds, geolocation, a predetermined user schedule and a predetermined user profile containing the user's gender, age, height and weight;

- блок обработки, выполненный с возможностью обучения алгоритма машинного обучения для оценки ежедневной деятельности пользователя на основе измеренных параметров ежедневной деятельности пользователя, определенном изменении уровня глюкозы в крови и заранее заданного профиля пользователя;- a processing unit configured to teach a machine learning algorithm to evaluate a user's daily activity based on measured parameters of a user's daily activity, a specific change in blood glucose and a predetermined user profile;

- запоминающий модуль, выполненный с возможностью хранения заранее заданного расписания пользователя, заранее заданного профиля пользователя, измеренных параметров ежедневной деятельности пользователя, определенного изменения уровня глюкозы в крови и оценки ежедневной деятельности пользователя, полученной в результате применения алгоритма машинного обучения,- a storage module configured to store a predetermined user schedule, a predetermined user profile, measured parameters of the user's daily activity, a specific change in blood glucose level and estimates daily activities of the user resulting from the application of machine learning algorithm,

причем блок обработки дополнительно выполнен с возможностью формирования рекомендаций по поддержанию здорового образа жизни пользователя на основе оценки ежедневной деятельности пользователя, и запоминающий модуль выполнен с возможностью хранения сформированных рекомендаций,moreover, the processing unit is additionally configured to generate recommendations for maintaining a healthy lifestyle of the user based on the assessment of the daily activities of the user, and the storage module is configured to store the generated recommendations,

при этом система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя дополнительно содержит дисплей, выполненный с возможностью отображения сформированных рекомендаций пользователю.however, the system for issuing recommendations for maintaining a healthy lifestyle based on the parameters of the user's daily activities further comprises a display configured to display the generated recommendations to the user.

Технический результат, достигаемый посредством использования настоящего изобретения, заключается в обеспечении отслеживания в реальном времени и в независимом от пользователя режиме параметров ежедневной деятельности пользователя, включая изменение уровня глюкозы в крови пользователя, с последующей выдачей рекомендаций по поддержанию здорового образа жизни пользователю, сформированных на основе алгоритма машинного обучения, обученного с учетом физиологической модели пользователя.The technical result achieved by using the present invention is to provide real-time and user-independent monitoring of parameters of the user's daily activities, including changing the glucose level in the user's blood, followed by issuing recommendations on maintaining a healthy lifestyle for the user, formed on the basis of the algorithm machine learning trained based on the physiological model of the user.

КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙBRIEF DESCRIPTION OF THE DRAWINGS

Эти и другие признаки и преимущества настоящего изобретения станут очевидны после прочтения нижеследующего описания и просмотра сопроводительных чертежей, на которых:These and other features and advantages of the present invention will become apparent after reading the following description and viewing the accompanying drawings, in which:

Фиг. 1 представляет блок-схему работы системы для выдачи рекомендаций по поддержанию здорового образа жизни согласно варианту осуществления настоящего изобретения;FIG. 1 is a flowchart of a system for issuing recommendations for maintaining a healthy lifestyle according to an embodiment of the present invention;

Фиг. 2 представляет физиологическую модель метаболизма глюкозы для организма человека, больного сахарным диабетом первого типа;FIG. 2 represents a physiological model of glucose metabolism for a person with type 1 diabetes mellitus;

Фиг. 3 (а) иллюстрирует примерный график изменения уровня глюкозы в крови пользователя с течением времени в период осуществления физической активности;FIG. 3 (a) illustrates an exemplary graph of a change in glucose level in a user's blood over time during a period of exercise;

Фиг. 3 (б) иллюстрирует примерный график изменения уровня глюкозы в крови пользователя с течением времени в период испытанного стресса;FIG. 3 (b) illustrates an exemplary graph of a change in glucose level in a user's blood over time during a period of experienced stress;

Фиг. 4 представляет блок-схему определения параметров питания пользователя в течение дня согласно одному варианту осуществления настоящего изобретения;FIG. 4 is a flowchart for determining user power parameters during the day according to one embodiment of the present invention;

Фиг. 5 представляет примерный график корреляции между действительным и предсказанным количеством калорий, полученным множеством пользователей с пищей за день;FIG. 5 is an exemplary graph of the correlation between the actual and predicted number of calories received by multiple users with food per day;

На Фиг. 6 представлены низкочастотный тренд изменения уровня глюкозы в крови, не связанный с приемом пищи, результирующий сигнал, соответствующий изменению уровня глюкозы в крови, вызванному приемом пищи, и отмечены моменты времени начала приема пищи пользователем;In FIG. Figure 6 shows the low-frequency trend of changes in blood glucose levels that are not related to food intake, the resulting signal corresponding to a change in blood glucose levels caused by food intake, and the time points of the start of food intake by the user are noted;

На Фиг. 7 представлены: (а) график изменения вероятностей приема пищи пользователем от времени, полученный с помощью алгоритма машинного обучения согласно одному варианту осуществления настоящего изобретения; (б) график свертки с нормированным гауссовым ядром; (в) график результата обработки сигнала, представленного на графике (а), с помощью свертки с нормированным гауссовым ядром, представленной на графике (б); (г) итоговый сигнал, полученный после нахождения локальных максимумов сигнала, представленного на графике (в);In FIG. Figure 7 presents: (a) a graph of the probability of a meal by a user versus time obtained using a machine learning algorithm according to one embodiment of the present invention; (b) a convolution graph with a normalized Gaussian kernel; (c) a graph of the result of processing the signal shown in graph (a) using a convolution with a normalized Gaussian core presented in graph (b); (d) the final signal obtained after finding the local maximums of the signal presented on the graph (c);

На Фиг. 8 представлены результаты точности оценки алгоритмом машинного обучения согласно одному варианту осуществления настоящего изобретения времени приема пищи пользователем;In FIG. 8 shows the results of the accuracy of an evaluation by a machine learning algorithm according to one embodiment of the present invention of a user's meal time;

Фиг. 9 представляет график оценки времени приема пищи пользователем в течение суток на основе уровня глюкозы в крови пользователя и рекомендованного времени приема пищи;FIG. 9 is a graph for estimating a user's meal time during the day based on the glucose level in the user's blood and the recommended meal time;

На Фиг. 10 представлены результаты точности оценки алгоритмом машинного обучения согласно одному варианту осуществления настоящего изобретения классификации принятой пищи.In FIG. 10 shows the results of the accuracy of an evaluation by a machine learning algorithm according to one embodiment of the present invention of a classification of food intake.

Представленные на чертежах фигуры служат только для иллюстрации вариантов реализации настоящего изобретения и никак его не ограничивает.The figures shown in the drawings serve only to illustrate embodiments of the present invention and do not limit it in any way.

ОСУЩЕСТВЛЕНИЕ ИЗОБРЕТЕНИЯDETAILED DESCRIPTION OF THE INVENTION

Различные варианты осуществления настоящего изобретения описываются в дальнейшем более подробно со ссылкой на чертежи. Однако настоящее изобретение может быть воплощено во многих других формах и не должно истолковываться как ограниченное любой конкретной структурой или функцией, представленной в нижеследующем описании. На основании настоящего описания специалист в данной области техники поймет, что объем правовой охраны настоящего изобретения охватывает любой вариант осуществления настоящего изобретения, раскрытый в данном документе, вне зависимости от того, реализован ли он независимо или в сочетании с любым другим вариантом осуществления настоящего изобретения. Например, система может быть реализована или способ может быть осуществлен на практике с использованием любого числа вариантов осуществления, изложенных в данном документе. Кроме того, следует понимать, что любой вариант осуществления настоящего изобретения, раскрытый в данном документе, может быть воплощен с помощью одного или более элементов формулы изобретения.Various embodiments of the present invention are described in further detail below with reference to the drawings. However, the present invention can be embodied in many other forms and should not be construed as being limited by any particular structure or function described in the following description. Based on the present description, a person skilled in the art will understand that the scope of legal protection of the present invention covers any embodiment of the present invention disclosed herein, regardless of whether it is implemented independently or in combination with any other embodiment of the present invention. For example, a system may be implemented or the method may be practiced using any number of embodiments set forth herein. In addition, it should be understood that any embodiment of the present invention disclosed herein may be embodied using one or more of the claims.

Слово «примерный» используется в данном документе в значении «служащий в качестве примера или иллюстрации». Любой вариант реализации, описанный в данном документе как «примерный», необязательно должен истолковываться как предпочтительный или обладающий преимуществом над другими вариантами реализации.The word “exemplary” is used herein to mean “serving as an example or illustration”. Any implementation option described herein as “exemplary” need not be construed as being preferred or taking precedence over other implementations.

В настоящее время все больше людей в мире стремятся вести более здоровый образ жизни, стараются отказываться от потребления нездоровой еды в пользу полезной и сбалансированной по составу пищи, больше заниматься активными видами деятельности, следить за соблюдением режима дня. В частности, при выборе полезной и сбалансированной по составу пищи люди стали заботиться о количестве потребляемых нутриентов: белков, жиров и углеводов. Согласно настоящему изобретению предложено соответствующее решение, способствующее поддержанию пользователем здоровья и физической формы. А именно, предложен способ автоматического круглосуточного отслеживания ежедневной деятельности пользователя, анализа полученных данных с помощью соответствующего алгоритма машинного обучения и выдачи пользователю рекомендаций по поддержанию здорового образа жизни. Кроме того, предложена соответствующая система, включающая в себя датчики для измерения параметров ежедневной деятельности пользователя и блок обработки этих параметров и формирования рекомендаций, для осуществления вышеупомянутого способа.Currently, more and more people in the world are striving to lead a healthier lifestyle, trying to abandon the consumption of unhealthy foods in favor of a healthy and balanced food composition, engage in more active activities, monitor the observance of the daily regimen. In particular, when choosing healthy and balanced food, people began to care about the amount of nutrients consumed: proteins, fats and carbohydrates. According to the present invention, an appropriate solution is proposed that helps the user maintain his health and fitness. Namely, a method is proposed for automatic round-the-clock tracking of the user's daily activities, analysis of the data obtained using the appropriate machine learning algorithm, and issuing recommendations to the user on maintaining a healthy lifestyle. In addition, a corresponding system is proposed, including sensors for measuring parameters of a user's daily activity and a processing unit for these parameters and generating recommendations for implementing the aforementioned method.

Согласно заявленному изобретению параметрами ежедневной деятельности пользователя являются периоды активности, количество потребленных/истраченных калорий, частота сердечных сокращений, количество пройденных шагов, изменения уровня глюкозы, время сна и т.п.According to the claimed invention, the parameters of the user's daily activity are periods of activity, the number of calories consumed / consumed, the heart rate, the number of steps taken, changes in glucose levels, sleep time, etc.

На Фиг. 1 изображена общая блок-схема работы описываемой в настоящем документе системы для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени. В частности, предполагается, что пользователь имеет некоторое носимое устройство, например, интеллектуальные часы, фитнес браслет и т.п., которое выполнено с возможностью измерения различных параметров ежедневной деятельности пользователя, т.е. содержащее соответствующие датчики для измерения этих параметров. Упомянутая система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя также содержит запоминающий модуль, в котором сохранен заранее заданный профиль конкретного пользователя, включающий в себя биологические характеристики человека, такие как пол, возраст, рост, вес и т.п. По получению упомянутых параметров ежедневной деятельности пользователя они анализируются в соответствующем основном блоке обработки в совокупности с заранее заданным профилем пользователя. Затем на основе результата этого анализа оцениваются время приема пищи и количество пищи, потребленной пользователем. Если в результате произведенной оценки никакие действия или привычки пользователя не классифицируются как не способствующие здоровому образу жизни, тогда формируются сообщение, мотивирующее пользователя продолжать вести здоровый образ жизни. При обнаружении привычек, не способствующих поддержанию здорового образа жизни, эти привычки соотносятся с категориями нездоровых привычек, такими как: нерегулярный прием пищи, пропуск завтрака, питание по ночам, потребление пищи, имеющей высокий гликемический индекс (GI), питание на ходу, нарушение диеты (режима питания), низкая физическая активность, эмоциональное переедание, недостаточное время сна и т.п., причем категории нездоровых привычек задаются заранее и сохраняются в упомянутом запоминающем модуле. Далее категории нездоровых привычек, с которыми были соотнесены обнаруженные привычки, не способствующие поддержанию здорового образа жизни, объединяются для образования персонифицированного профиля нездоровых привычек, который используется для дальнейшего анализа и формирования соответствующей рекомендации по ведению здорового образа жизни и программы касательно питания и физической активности пользователя. В частности, при выявлении эмоционального переедания рассматриваемая система может отслеживать уровень стресса пользователя и информировать его о возможном наступлении эмоционального переедания с выдачей соответствующей рекомендации, мотивирующей пользователя заняться каким-либо видом деятельности, либо рекомендации связаться с психологом пользователя для консультации (либо автоматически связаться с психологом, если его номер для связи был заранее сохранен пользователем в упомянутой системе). При выявлении систематического приема пользователем пищи с высоким содержанием углеводов система может формировать информационные сообщения для пользователя, описывающие преимущества продуктов с низким содержанием углеводов, или рекомендовать пользователю связаться с его диетологом или эндокринологом (или осуществлять связь с диетологом или эндокринологом напрямую при наличии их заранее сохраненных номеров для связи в системе).In FIG. 1 shows a general block diagram of the operation of the system described in this document for issuing recommendations for maintaining a healthy lifestyle based on the parameters of the user's daily activities, automatically tracked in real time. In particular, it is assumed that the user has some wearable device, for example, a smart watch, a fitness bracelet, etc., which is configured to measure various parameters of the user's daily activities, i.e. containing appropriate sensors for measuring these parameters. The mentioned system for issuing recommendations for maintaining a healthy lifestyle based on the parameters of the user's daily activity also contains a storage module that stores a predetermined profile of a specific user, including the biological characteristics of a person, such as gender, age, height, weight, etc. . Upon receipt of the mentioned parameters of the user's daily activity, they are analyzed in the corresponding main processing unit in conjunction with a predetermined user profile. Then, based on the result of this analysis, the meal time and the amount of food consumed by the user are estimated. If, as a result of the assessment, no actions or habits of the user are classified as not conducive to a healthy lifestyle, then a message is generated that motivates the user to continue to lead a healthy lifestyle. If habits are found that are not conducive to maintaining a healthy lifestyle, these habits correlate with categories of unhealthy habits, such as irregular eating, skipping breakfast, eating at night, eating foods with a high glycemic index (GI), eating on the go, and diet (diet), low physical activity, emotional overeating, insufficient sleep time, etc., and the categories of unhealthy habits are set in advance and stored in the mentioned storage module. Further, the categories of unhealthy habits with which the discovered habits that were not conducive to maintaining a healthy lifestyle were correlated are combined to form a personalized profile of unhealthy habits, which is used to further analyze and formulate an appropriate recommendation for a healthy lifestyle and a program regarding the user's nutrition and physical activity. In particular, when detecting emotional overeating, the system in question can track the user's stress level and inform him about the possible occurrence of emotional overeating with the issuance of a corresponding recommendation that motivates the user to engage in any type of activity, or recommends contacting the user's psychologist for consultation (or automatically contacting the psychologist if his contact number was previously stored by the user in the said system). When a user identifies a systematic intake of foods high in carbohydrates, the system can generate informational messages for the user describing the benefits of foods low in carbohydrates, or recommend that the user contact his nutritionist or endocrinologist (or contact the nutritionist or endocrinologist directly if their pre-stored numbers are available for communication in the system).

Если такая рекомендация по ведению здорового образа жизни и/или программа касательно питания и физической активности пользователя выдается пользователю впервые, то система снова переходит к этапу анализа параметров ежедневной деятельности пользователя. Если же такая рекомендация по ведению здорового образа жизни и/или программа касательно питания и физической активности пользователя выдается пользователю не впервые, то для пользователя формируется сообщение, уведомляющее пользователя о возможных плохих последствиях для здоровья, вызванных выявленными привычками, не способствующими поддержанию здорового образа жизни, после чего система также переходит к этапу оценки времени приема пищи и количества пищи, потребленной пользователем, с учетом информации о рекомендациях, выданных ранее этому пользователю (а следовательно, и с учетом привычек в питании пользователя).If such a recommendation for maintaining a healthy lifestyle and / or a program regarding the nutrition and physical activity of a user is issued to the user for the first time, then the system again proceeds to the stage of analyzing the parameters of the user's daily activity. If such a recommendation on maintaining a healthy lifestyle and / or a program regarding the user's nutrition and physical activity is not issued to the user for the first time, a message is generated for the user notifying the user of possible bad health consequences caused by identified habits that do not contribute to maintaining a healthy lifestyle, after which the system also proceeds to the stage of estimating the time of eating and the amount of food consumed by the user, taking into account information about recommendations issued by wounds it to this user (and therefore, taking into account the eating habits of the user).

Кроме того, пользователь сам может задавать цель по улучшению какого-либо из параметров ежедневной деятельности с помощью средств ввода рассматриваемой системы для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя (кнопок выбора соответствующего пункта заранее сохраненного меню на носимом устройстве, механической или сенсорной клавиатуры на интеллектуальном устройстве системы и т.п.), например, снизить вес, увеличить время физической активности в сутки, больше спать и т.п. Рассматриваемая система будет формировать рекомендации для пользователя, мотивирующие его на достижение поставленной им цели. Данная система также может быть востребована и страховыми компаниями, контролирующими выполнение предписанных врачом рекомендаций своими клиентами для регулирования условий предоставления услуги по страхованию. Например, при несоблюдении пациентом-клиентом страховой компании предписаний врача клиенту в дальнейшем может быть отказано в обращении/увеличена цена при обращении.In addition, the user himself can set a goal to improve any of the parameters of daily activity using the input tools of the system in question to give recommendations on maintaining a healthy lifestyle based on the parameters of the user's daily activity (buttons for selecting the corresponding item in the previously saved menu on the wearable device, mechanical or touch keyboard on a smart device of the system, etc.), for example, reduce weight, increase physical activity per day, sleep more and etc. The system under consideration will formulate recommendations for the user, motivating him to achieve his goal. This system can also be demanded by insurance companies that monitor the implementation of the recommendations prescribed by the doctor by their clients to regulate the conditions for the provision of insurance services. For example, if the patient-client of the insurance company fails to comply with the doctor’s instructions, the client may be subsequently denied access / increased price when applying.

Носимое пользовательское устройство, содержащее необходимые встроенные датчики для измерения параметров ежедневной деятельности пользователя, позволяет получать непрерывные данные в реальном времени. Кроме того, наличие этих встроенных датчиков позволяет получать все необходимые для анализа данные - параметры ежедневной деятельности пользователя, автоматически, т.е. в независимом от пользователя режиме. Под независимым от пользователя режимом подразумевается режим функционирования, не требующий от пользователя ввода каких-либо данных, все данные получаются автоматически.A wearable user device containing the necessary built-in sensors to measure the parameters of the user's daily activities, allows you to receive continuous data in real time. In addition, the presence of these built-in sensors allows you to receive all the data necessary for analysis - the parameters of the user's daily activity, automatically, i.e. in user independent mode. Under the user-independent mode is meant a mode of operation that does not require the user to enter any data, all data is automatically received.

Таким образом, система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, включает в себя набор датчиков, предпочтительно включенных в одно носимое пользовательское устройство, запоминающий модуль, блок обработки и дисплей. Опционально, запоминающий модуль, блок обработки и дисплей также могут быть включены в состав носимого пользовательского устройства, а могут быть включены в состав отдельного интеллектуального устройства. Согласно другому варианту осуществления система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя содержит два блока обработки, запоминающих модуля и дисплея, по одному в составе носимого пользовательского устройства и интеллектуального устройства.Thus, the system for issuing recommendations for maintaining a healthy lifestyle based on the parameters of daily activities of the user, automatically monitored in real time, includes a set of sensors, preferably included in one wearable user device, a storage module, a processing unit and a display. Optionally, a storage module, a processing unit, and a display can also be included in a wearable user device, or can be included in a separate smart device. According to another embodiment, the system for issuing recommendations for maintaining a healthy lifestyle based on the parameters of the user's daily activity comprises two processing units, memory modules and a display, one each of the wearable user device and the smart device.

Носимое пользовательское устройство включает в себя следующие аппаратные модули: блок осуществления связи, блок управления питанием устройства, GPS-приемник и набор датчиков, содержащий инерциальные измерительные датчики (акселерометр, гироскоп) и датчик фотоплетизмограммы (ФПГ). Кроме того, согласно одному варианту осуществления заявленного изобретения носимое пользовательское устройство дополнительно включает в себя датчик уровня глюкозы в крови. Опционально, пользователь может иметь некоторое множество носимых устройств, каждое из которых содержит один или более датчиков для измерения вышеупомянутых параметров ежедневной деятельности пользователя, главное, чтобы все множество носимых устройств включало в себя блок управления питанием устройства, вышеупомянутый набор датчиков и, опционально, датчик уровня глюкозы в крови, а одно из них обязательно включало в себя, как указано выше, GPS-приемник, выполненный с возможностью определения текущей геолокации пользователя, и блок осуществления связи, выполненный с возможностью получения данных от всех носимых устройств из множества, и опциональные блок обработки, запоминающий модуль и дисплей при их наличии в составе носимого пользовательского устройства. Упомянутый датчик уровня глюкозы в крови может являться датчиком любого типа, способным получить информацию касательно уровня глюкозы в крови пользователя. В частности, он может представлять собой как инвазивный датчик (датчик уровня глюкозы в крови с электрохимическим сенсором, вводимым под кожу, датчик с имплантируемой частью), так и неинвазивный датчик (на основе оптического датчика - датчика ФПГ, спектроскопического датчика; на основе электрического датчика (импедансная спектроскопия), на основе нескольких датчиков). Кроме того, рассматриваемая система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, может дополнительно содержать дополнительный блок обработки, выполненный с возможностью корректировки результатов оценки ежедневной деятельности пользователя упомянутым алгоритмом машинного обучения на основе данных о геолокации пользователя.The wearable user device includes the following hardware modules: a communication unit, a device power control unit, a GPS receiver, and a set of sensors containing inertial measuring sensors (accelerometer, gyroscope) and photoplethysmogram sensor (PPG). In addition, according to one embodiment of the claimed invention, the wearable user device further includes a blood glucose sensor. Optionally, the user may have a plurality of wearable devices, each of which contains one or more sensors for measuring the aforementioned parameters of the user's daily activity, the main thing is that the whole set of wearable devices includes a device power control unit, the aforementioned set of sensors and, optionally, a level sensor glucose in the blood, and one of them necessarily included, as indicated above, a GPS receiver configured to determine the user's current geolocation, and the unit ticipate communication operable to receive data from all of the plurality of handheld devices, and optional processing unit, a storage unit and display at their presence in the composition of the wearable user device. Said blood glucose level sensor may be any type of sensor capable of receiving information regarding a user's blood glucose level. In particular, it can be either an invasive sensor (a blood glucose sensor with an electrochemical sensor inserted under the skin, a sensor with an implantable part), or a non-invasive sensor (based on an optical sensor - PPG sensor, spectroscopic sensor; based on an electric sensor (impedance spectroscopy), based on several sensors). In addition, the system under consideration for issuing recommendations on maintaining a healthy lifestyle based on the parameters of daily activities of the user, automatically monitored in real time, may additionally contain an additional processing unit configured to adjust the results of evaluating daily activities of the user by the said machine learning algorithm based on data on user geolocation.

В качестве альтернативного варианта осуществления вместо датчика уровня глюкозы в крови также может быть использован блок для косвенного измерения уровня глюкозы на основе данных датчика ФПГ, данных инерциальных измерительных датчиков, данных об окружающих звуках (полученных с помощью соответствующего микрофона, включенного в рассматриваемую систему), профиля пользователя, геолокации, расписания пользователя и т.д. Примерами инвазивных датчиков глюкозы, способных непрерывно отслеживать уровень глюкозы в крови пользователя являются Medtronic iPro2, Dexcom G4/5, Abbott Freestyle Libre и др. Примерами функционирования блока для косвенного измерения уровня глюкозы являются получение данных геолокации пользователя и определение, что пользователь находится в ресторане, анализ данных расписания пользователя, в котором указано, что время посещения пользователем ресторана является обеденным временем пользователя, получение данных о движении пользователя и детектирование движений руки пользователя, характерных для приема пищи, получение данных об окружающих звуках и выявление звуков, характерных для приема пищи пользователем и т.п. В отношении применения блока для косвенного измерения уровня глюкозы вместо датчика уровня глюкозы в крови важно отметить, что дополнительно на точность результатов оценки параметров ежедневной деятельности пользователя будет влиять то, на какую руку надето носимое пользовательское устройство с этим блоком. В частности, точность результатов оценки при носимом пользовательском устройстве, надетом на преобладающую руку (ту, которой он ест), будет незначительно выше в сравнении с точностью результатов оценки при носимом пользовательском устройстве, надетом не на преобладающую руку. Специалисту в данной области техники будет очевидно, что вышеописанные конкретные примеры являются лишь иллюстративными и не ограничиваются показанными частными вариантами приема пищи пользователем. Запоминающий модуль системы также выполнен с возможностью регистрации и хранения всех измеренных параметров ежедневной деятельности пользователя.As an alternative embodiment, instead of a blood glucose level sensor, a block for indirect measurement of glucose level can also be used based on the data of the PPG sensor, data of inertial measuring sensors, data on ambient sounds (obtained using the corresponding microphone included in the system under consideration), profile user, geolocation, user schedules, etc. Examples of invasive glucose sensors capable of continuously monitoring the glucose level in a user's blood are Medtronic iPro2, Dexcom G4 / 5, Abbott Freestyle Libre and others. Examples of the functioning of the unit for indirect glucose measurement are obtaining the geolocation data of the user and determining that the user is in a restaurant, analysis of user schedule data, which indicates that the time a user visits a restaurant is the user's lunch time, receiving data on the user's movement and detecting traffic izmeneniya hands of the user, characteristic of eating, obtaining data about ambient sounds and identifying sounds characteristic of eating by the user, etc. Regarding the use of the unit for indirect measurement of glucose level instead of the blood glucose level sensor, it is important to note that in addition to the accuracy of the results of evaluating the parameters of the user's daily activity, which hand is worn by the user device with this unit. In particular, the accuracy of the evaluation results with a wearable user device worn on the prevailing hand (the one that he eats) will be slightly higher in comparison with the accuracy of the evaluation results with a wearable user device worn not on the prevailing hand. It will be apparent to those skilled in the art that the specific examples described above are merely illustrative and are not limited to the particular meal options shown by the user. The storage module of the system is also configured to register and store all measured parameters of the user's daily activities.

В частности, согласно одному варианту осуществления для определения привычек в питании конкретного пользователя используются данные непрерывного отслеживания уровня глюкозы в крови пользователя. А именно, блок обработки получает данные от вышеупомянутого датчика уровня глюкозы в крови и набора датчиков и вычисляет следующие параметры: 1) время приемов пищи, 2) количество приемов пищи в сутки, 3) количество углеводов в принятой пище, 4) количество калорий, получаемых пользователем с принятой пищей, на основании кривых изменения глюкозы. Таким образом, при наличии блока обработки, запоминающего модуля и дисплея в носимом пользовательском устройстве, все подсчеты производятся на самом носимом пользовательском устройстве, и результаты подсчетов и соответствующие рекомендации могут быть выведены непосредственно на дисплей самого носимого пользовательского устройства и при необходимости отправлены с помощью блока осуществления связи на любые внешние устройства.In particular, according to one embodiment, continuous monitoring of a user's blood glucose is used to determine eating habits of a particular user. Namely, the processing unit receives data from the aforementioned blood glucose level sensor and a set of sensors and calculates the following parameters: 1) the time of meals, 2) the number of meals per day, 3) the amount of carbohydrates in the food taken, 4) the number of calories received by the user with food taken, based on glucose change curves. Thus, if there is a processing unit, a storage module and a display in the wearable user device, all calculations are made on the wearable user device itself, and the results of the calculations and corresponding recommendations can be displayed directly on the display of the wearable user device and, if necessary, sent using the implementation unit communication to any external devices.

При наличии блока обработки, запоминающего модуля и дисплея в интеллектуальном устройстве, отдельном от носимого пользовательского устройства, блок обработки получает данные от вышеупомянутого датчика уровня глюкозы в крови и набора датчиков с помощью блока осуществления связи, и результаты подсчетов и соответствующие рекомендации могут быть выведены на дисплей упомянутого отдельного интеллектуального устройства.If there is a processing unit, a storage module and a display in an intelligent device separate from the wearable user device, the processing unit receives data from the aforementioned blood glucose sensor and a set of sensors using the communication unit, and the calculation results and corresponding recommendations can be displayed said separate intelligent device.

Согласно еще одному варианту осуществления блок обработки носимого пользовательского устройства может получать данные от датчика уровня глюкозы в крови и набора датчиков для осуществления предварительной обработки данных, после чего блок осуществления связи передает предварительно обработанные данные в блок обработки интеллектуального устройства для окончательной обработки данных, в частности, вычисления параметров 1)-4) и отображения результатов подсчетов и соответствующих рекомендации на дисплее упомянутого отдельного интеллектуального устройства. Согласно данному варианту осуществления, результаты подсчетов и соответствующие рекомендации также могут быть переданы обратно на блок осуществления связи для возможности отображения этих данных и на дисплее носимого пользовательского устройства.According to another embodiment, the processing unit of the wearable user device may receive data from a blood glucose sensor and a set of sensors for performing data preprocessing, after which the communication unit transmits the preprocessed data to the processing unit of the smart device for final data processing, in particular calculating parameters 1) -4) and displaying the results of the calculations and the corresponding recommendations on the display of the said individual intellect ualnogo device. According to this embodiment, the calculation results and related recommendations can also be transmitted back to the communication unit to enable display of this data and on the display of the wearable user device.

Отслеживание изменения уровня глюкозы в крови пользователя с помощью упомянутого датчика уровня глюкозы в крови позволяет оценивать привычки пользователя в питании без необходимости совершения каких-либо действий со стороны пользователя (работа в независимом от пользователя режиме). Кроме того, использование акселерометра/гироскопа и датчика ФПГ также позволяет полноценно отслеживать параметры ежедневной деятельности пользователя (касательно питания, активности, сна) в независимом от пользователя режиме.Tracking changes in the glucose level in the user's blood using the aforementioned blood glucose level sensor makes it possible to evaluate the user's eating habits without the need for any actions on the part of the user (working in a mode independent of the user). In addition, the use of an accelerometer / gyroscope and an FPG sensor also allows you to fully monitor the parameters of the user's daily activity (regarding nutrition, activity, sleep) in a mode independent of the user.

Кроме того, важным преимуществом заявленного изобретения является применение модифицированной физиологической модели пользователя, на вход которой для ее обучения подаются результаты измерения уровня глюкозы в крови пользователя, а на выходе вычисляется индивидуальный отклик организма пользователя на прием той или иной пищи. Данные об индивидуальном отклике организма пользователя используются в качестве вспомогательных данных для обучения алгоритма машинного обучения, применяемого для оценки времени приема пищи и классификации принятой пищи в течение одного или нескольких дней. В частности, в качестве алгоритма машинного обучения могут быть применены как сверточные нейронные сети, рекуррентные нейронные сети, так и методы математической статистики или другие известные методы машинного обучения. На вход такого алгоритма машинного обучения для его обучения подаются измеренные параметры ежедневной деятельности пользователя, включая результаты измерения уровня глюкозы в крови пользователя, а также дополнительные данные для его обучения - данные об индивидуальном отклике организма пользователя.In addition, an important advantage of the claimed invention is the use of a modified physiological model of the user, the input of which is used for training the results of measuring the level of glucose in the blood of the user, and the output is calculated individual response of the user to the intake of a particular food. The data on the individual response of the user's body are used as supporting data for learning the machine learning algorithm used to estimate the time of eating and classifying the food taken over one or several days. In particular, convolutional neural networks, recurrent neural networks, as well as methods of mathematical statistics or other known methods of machine learning can be used as a machine learning algorithm. The input of such a machine learning algorithm for teaching it is supplied with the measured parameters of the user's daily activities, including the results of measuring the glucose level in the user's blood, as well as additional data for his training - data on the individual response of the user's body.

Согласно другому возможному варианту осуществления система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя дополнительно выполнена с возможностью приема ввода от пользователя вручную введенных данных касательно параметров ежедневной деятельности пользователя, например, ручной ввод наименований принятой пищи или загрузка фотографий принятой пищи. В частности, пользователь может прибегнуть к ручному вводу требуемых параметров при первом использовании устройства для уточнения первоначальной калибровки вычислительной физиологической модели для этого конкретного пользователя. Блок обработки в свою очередь выполнен с возможностью осуществления вышеупомянутого алгоритма, в том числе анализа введенных пользователем данных (например, определение калорийности пищи, введенной пользователем, или распознавания пищи на фотографии пользователя и последующее определения ее калорийности).According to another possible embodiment, the system for issuing recommendations for maintaining a healthy lifestyle based on the parameters of the user's daily activities is further configured to receive manually entered data from the user regarding the parameters of the user's daily activities, for example, manually entering the names of food taken or downloading photos of food taken. In particular, the user can resort to manually entering the required parameters when using the device for the first time to clarify the initial calibration of the computational physiological model for this particular user. The processing unit, in turn, is configured to implement the aforementioned algorithm, including analysis of user-entered data (for example, determining the calorie content of food entered by the user, or recognizing food in the user's photo and then determining its calorie content).

Результаты оценки времени приема пищи и классификации принятой пищи, полученные с помощью алгоритма машинного обучения согласно настоящему изобретению, сравниваются с результатом калибровки вычислительной физиологической модели, и результат сравнения используется для уточнения оценки параметров питания, т.е. физиологическая модель вычисляет предполагаемый отклик на вычисленное алгоритмом количество пищи, этот предполагаемый отклик сравнивается с реальным откликом организма пользователя и, если они сильно расходятся, то алгоритм пересчитывает количество пищи (обучение алгоритма, производимое при накоплении реальных откликов за некоторый период времени - от нескольких часов до нескольких дней). Таким образом, повышается точность оценки времени приема пищи и классификации принятой пищи с учетом откалиброванной для конкретного пользователя вычислительной физиологической модели. При необходимости пользователь может вручную корректировать оцененное время приема пищи и время сна.The results of the evaluation of the meal time and the classification of the food taken, obtained using the machine learning algorithm according to the present invention, are compared with the calibration result of the computational physiological model, and the comparison result is used to refine the assessment of nutrition parameters, i.e. the physiological model calculates the estimated response to the amount of food calculated by the algorithm, this estimated response is compared with the real response of the user's body and, if they diverge, the algorithm recalculates the amount of food (training of the algorithm, which is carried out by accumulating real responses over a period of time - from several hours to a few days). Thus, the accuracy of estimating food intake time and classification of food intake is improved taking into account a computational physiological model calibrated for a particular user. If necessary, the user can manually adjust the estimated meal time and sleep time.

Традиционная физиологическая модель представляет собой систему дифференциальных уравнений в отношении концентраций или количеств веществ в различных органах (печень, кровь, межклеточная жидкость…) тела человека при рассмотрении кинетики всасывания глюкозы для всего тела человека. На Фиг. 2 представлена физиологическая модель при рассмотрении кинетики всасывания глюкозы для организма человека, больного сахарным диабетом первого типа, в соответствии с традиционным методом, который моделирует распределение и динамические изменения концентрации глюкозы и инсулина в различных органах и тканях при помощи доступных экспериментальных данных. В частности, на Фиг. 2 изображена физиологическая модель для больных сахарным диабетом первого типа, на которой изображена система метаболизма глюкозы, которая формируется за счет продукции глюкозы печенью и принятия пищи, содержащей глюкозу, при этом уровень глюкозы в крови поддерживается посредством системы регуляции инсулина, которая формируется за счет введения инсулина больному сахарным диабетом первого типа. Данная физиологическая модель учитывает усвоение глюкозы тканями, почечную экстракцию глюкозы, а также поступление инсулина в кровь и разрушение инсулина, при этом превращения глюкозы и инсулина показаны на фигуре жирными стрелками, а тонкими стрелками показаны соответствующие управляющие сигналы (см. Dalla Man C., Breton M., Cobelli C. - «Physical Activity into the Meal Glucose--Insulin Model of Type 1 Diabetes: In Silico Studies», Parker, R. S., Doyle, F. J., & Peppas, N. A. - «A model-based algorithm for blood glucose control in Type I diabetic patient» или Свешникова А.Н., Пантелеев М.А., Древаль А.В., Шестакова Т.П., Медведев О.С., Древаль О.А. - «Теоретическая оценка параметров метаболизма глюкозы на основе данных непрерывного мониторирования гликемии с помощью математического моделирования»). Как наглядно изображено на Фиг. 2, у больных сахарным диабетом первого типа отсутствует собственная секреция инсулина, поэтому стрелка, отвечающая за секрецию инсулина, изображена перечеркнутой. Данный известный традиционный метод эффективно применим для описания реакций физиологических параметров больных сахарным диабетом первого типа на прием пищи, но затруднителен для здоровых пользователей ввиду наличия нормальной секреции инсулина, что усложняет систему дифференциальных уравнений (больше переменных в уравнениях).The traditional physiological model is a system of differential equations for the concentrations or quantities of substances in various organs (liver, blood, intercellular fluid ...) of the human body when considering the kinetics of glucose absorption for the entire human body. In FIG. Figure 2 presents a physiological model when considering the kinetics of glucose absorption for an organism of a person with type 1 diabetes mellitus, in accordance with the traditional method, which models the distribution and dynamic changes in the concentration of glucose and insulin in various organs and tissues using available experimental data. In particular, in FIG. 2 shows a physiological model for patients with type 1 diabetes mellitus, which depicts a glucose metabolism system that is formed by the production of glucose by the liver and food intake containing glucose, while the blood glucose level is maintained through an insulin regulation system that is formed by the administration of insulin type 1 diabetes patient. This physiological model takes into account the uptake of glucose by tissues, renal extraction of glucose, as well as insulin entry into the bloodstream and destruction of insulin, while glucose and insulin conversions are shown in bold arrows on the figure, and the corresponding control signals are shown in thin arrows (see Dalla Man C., Breton M., Cobelli C. - “Physical Activity into the Meal Glucose - Insulin Model of Type 1 Diabetes: In Silico Studies”, Parker, RS, Doyle, FJ, & Peppas, NA - “A model-based algorithm for blood glucose control in Type I diabetic patient ”or Sveshnikova AN, Panteleev MA, Dreval AV, Shestakova TP, Medvedev OS, Dreval OA -“ Theore a statistical assessment of glucose metabolism parameters based on the continuous monitoring of glycemia using mathematical modeling ”). As illustrated in FIG. 2, patients with type 1 diabetes mellitus do not have their own secretion of insulin, therefore, the arrow responsible for insulin secretion is depicted crossed out. This well-known traditional method is effectively applicable to describe the physiological parameters of patients with type 1 diabetes mellitus to eat, but is difficult for healthy users due to the presence of normal insulin secretion, which complicates the system of differential equations (more variables in the equations).

Согласно настоящему изобретению используется модифицированная физиологическая модель, учитывающая собственную секрецию инсулина пользователя, а кроме того дополнительно учитывающая как физическую активность, так и частоту сердечных сокращений, и стресс. Кроме того, согласно рассматриваемой модифицированной физиологической модели учитываются и суточные изменения в переносимости глюкозы («толерантность к глюкозе»), а также сама модель используется для калибровки параметров потребленной пищи. Традиционная модель не учитывает ни один из вышеперечисленных факторов. Данные факторы крайне важны при анализе параметров ежедневной деятельности пользователя, так как уровень глюкозы в крови пользователя зависит не только от принятой пищи, но и от стресса, и от интенсивной физической активности. Как стресс, так и интенсивная физическая активность порождают отклик в уровне глюкозы в крови, схожий с откликом, получаемым в результате приема пищи. Для примера на Фиг. 3 (а) и 3 (б) представлены соответствующие графики изменения уровня глюкозы в крови пользователя с течением времени во время занятия баскетболом и в период испытанного стресса, соответственно. Как наглядно изображено на Фиг. 3 (а), когда пользователь приступил к занятию по баскетболу (физическая активность), уровень глюкозы в его крови стал повышаться и достиг своего пикового значения к моменту остановки занятия. Далее пользователь принял пищу, после чего у него также поднялся уровень глюкозы в крови. Аналогичная, хоть и менее ярко выраженная картина изображена и на Фиг. 3 (б), на которой наглядно изображено, что уровень глюкозы в крови пользователя также повысился и после испытанного стресса. Способ выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, согласно настоящему изобретению способен отличать происходящие виды ежедневной деятельности пользователя с высокой степенью точности по сравнению с решениями, известными из уровня техники, благодаря комплексному анализу параметров ежедневной деятельности пользователя. Кроме того, обмен веществ в организме каждого человека индивидуален, следовательно, каждый человек индивидуально реагирует на одну и ту же пищу. Упомянутая модифицированная физиологическая модель, применяемая в настоящем изобретении, вычисляет индивидуальный отклик организма пользователя на вычисленное алгоритмом машинного обучения количество пищи, потребленной пользователем, в независимом от пользователя режиме после обучения на измеренных параметрах ежедневной деятельности пользователя. Эти вычисленные отклики затем используются в качестве вспомогательных данных для дальнейшего обучения алгоритма машинного обучения.According to the present invention, a modified physiological model is used, taking into account the intrinsic secretion of the user's insulin, and in addition, taking into account both physical activity, heart rate, and stress. In addition, according to the modified physiological model under consideration, daily changes in glucose tolerance (“glucose tolerance”) are taken into account, as well as the model itself is used to calibrate the parameters of food consumed. The traditional model does not take into account any of the above factors. These factors are extremely important when analyzing the parameters of the user's daily activity, since the glucose level in the user's blood depends not only on the food they eat, but also on stress, and on intense physical activity. Both stress and intense physical activity produce a response in the level of glucose in the blood, similar to the response obtained by eating. For the example of FIG. Figures 3 (a) and 3 (b) show the corresponding graphs of the change in the glucose level in the user's blood over time during basketball and during the period of experienced stress, respectively. As illustrated in FIG. 3 (a), when a user started a basketball lesson (physical activity), the glucose level in his blood began to rise and reached its peak value at the time the lesson stopped. Next, the user took food, after which he also increased blood glucose. A similar, albeit less pronounced picture is depicted in FIG. 3 (b), which clearly shows that the level of glucose in the blood of the user also increased after the experienced stress. The method of issuing recommendations for maintaining a healthy lifestyle based on the parameters of daily activities of the user, automatically monitored in real time, according to the present invention is able to distinguish ongoing types of daily activities of the user with a high degree of accuracy compared to solutions known from the prior art, thanks to a comprehensive analysis of the parameters of daily user activity. In addition, the metabolism in the body of each person is individual, therefore, each person individually reacts to the same food. The aforementioned modified physiological model used in the present invention calculates the individual response of the user's body to the amount of food consumed by the user calculated by the machine learning algorithm in a user-independent mode after training on the measured parameters of the user's daily activity. These calculated responses are then used as supporting data for further learning the machine learning algorithm.

В частности, как указано в разделе «Уровень техники», известные из уровня техники решения требуют часто повторяющегося ручного ввода информации от пользователя, а именно, ввода наименований принятой пищи, следовательно, точность анализа данных, связанных с принятой пищей, напрямую зависит от памяти пользователя, его честности и мотивированности. Кроме того, в известных решениях не рассматриваются индивидуальные физиологические особенности пользователя, следовательно, применяемый расчет энергетического баланса одинаков для каждого пользователя. Как было указано выше, согласно рассматриваемому способу от пользователя не требуется совершения никаких рутинных действий, а все приемы пищи регистрируются автоматически с учетом отношения между питанием, физической активностью, сном и индивидуальными особенностями гликемического отклика организма конкретного пользователя. Таким образом, рассматриваемый способ снижает процент ошибок в регистрации приемов пищи, повышает точность классификации принятой пищи в независимом от пользователя режиме. Кроме того, данный способ совместим с некоторыми существующими приложениями по отслеживанию поддержания здорового образа жизни, например, с приложением Samsung Health.In particular, as indicated in the "Background" section, known from the prior art solutions require frequently repeated manual input of information from the user, namely, the names of the food taken, therefore, the accuracy of the analysis of data associated with the food taken depends on the user's memory , his honesty and motivation. In addition, the known solutions do not consider the individual physiological characteristics of the user, therefore, the applied calculation of the energy balance is the same for each user. As mentioned above, according to the considered method, the user is not required to perform any routine actions, and all meals are recorded automatically taking into account the relationship between nutrition, physical activity, sleep and individual characteristics of the glycemic response of the organism of a particular user. Thus, the considered method reduces the percentage of errors in the registration of meals, improves the accuracy of the classification of food received in a user-independent mode. In addition, this method is compatible with some existing healthy lifestyle tracking apps, such as the Samsung Health app.

На Фиг. 4 представлена блок-схема определения параметров питания пользователя в течение дня согласно одному варианту осуществления настоящего изобретения. В частности, блок обработки получает от датчика уровня глюкозы в крови данные об изменении уровня глюкозы в крови пользователя, измеренного непрерывно в течение суток. Эти данные и данные от упомянутого набора датчиков поступают на вход модифицированной физиологической модели для калибровки ее параметров. Данные об изменении уровня глюкозы в крови пользователя и, опционально, данные от упомянутого набора датчиков также поступают и на вход алгоритма машинного обучения, который будет описан подробнее ниже. Затем параметры модифицированной физиологической модели пользователя, откалиброванной на основе изменения уровня глюкозы и данных от набора датчиков, также поступают на вход алгоритма для его дальнейшего обучения. Согласно другому варианту осуществления на вход алгоритма поступают только параметры модифицированной физиологической модели пользователя, откалиброванной на основе изменения уровня глюкозы и данных от набора датчиков. В результате применения этого алгоритма оценивается время приема пищи пользователем в течение дня и количество пищи, принятой пользователем - количество углеводов в этой принятой пищи (также может оцениваться калорийность). В частности, на Фиг. 4 зелеными линиями отмечено оцененное время приема пользователем пищи с низким содержанием углеводов, желтым - со средним содержанием углеводов, а красным - с высоким содержанием углеводов. Оцененное количество пищи, принятой пользователем, которое получено на выходе упомянутого алгоритма машинного обучения, также поступает и на вход упомянутой модифицированной физиологической модели пользователя для определения отклика организма пользователя на вычисленное алгоритмом машинного обучения количество продуктов питания каждого пользователя, как указано выше.In FIG. 4 is a flowchart for determining user power parameters during the day according to one embodiment of the present invention. In particular, the processing unit receives from the blood glucose sensor data on changes in the glucose level in the user's blood, measured continuously during the day. This data and data from the mentioned set of sensors are fed to the input of a modified physiological model for calibrating its parameters. Data on changes in the glucose level in the user's blood and, optionally, data from the mentioned set of sensors are also sent to the input of the machine learning algorithm, which will be described in more detail below. Then, the parameters of the modified physiological model of the user, calibrated based on changes in glucose level and data from a set of sensors, are also input to the algorithm for its further training. According to another embodiment, only the parameters of the modified physiological model of the user calibrated based on changes in glucose level and data from a set of sensors are input to the algorithm. As a result of applying this algorithm, the user’s food intake during the day and the amount of food taken by the user are estimated - the amount of carbohydrates in this food taken (calorie can also be estimated). In particular, in FIG. 4 green lines indicate the estimated time a user takes a meal that is low in carbohydrates, yellow with an average carbohydrate content, and red with a high carbohydrate content. The estimated amount of food received by the user, which is obtained at the output of the said machine learning algorithm, also goes to the input of the modified physiological model of the user to determine the response of the user's body to the amount of food products of each user calculated by the machine learning algorithm, as described above.

Исходя из оцененного количества углеводов и информации из профиля пользователя определяется количество калорий, принятых пользователем с пищей. На Фиг. 5 представлен график корреляции между действительным и предсказанным количеством калорий, полученных с пищей множеством пользователей за день (использована база данных NHANES WWEIA). В частности, рассматриваемое множество пользователей включает в себя 2281 человек. Ось X отвечает за действительное количество калорий, полученных с пищей пользователем за день, а ось Y - за количество калорий, предсказанное алгоритмом на основе данных о количестве углеводов и данных заранее заданного профиля пользователя (т.е. данных о возрасте, поле, весе и росте пользователя). Следовательно, оценивая количество потребленных калорий и имея данные о физической активности пользователя, настоящее изобретение может оценивать энергетический баланс пользователя, что является важной характеристикой здорового образа жизни, и формировать в дальнейшем соответствующую рекомендацию по поддержанию здорового образа жизни на основе этого оцененного энергетического баланса пользователя.Based on the estimated amount of carbohydrates and information from the user's profile, the number of calories taken by the user with food is determined. In FIG. Figure 5 shows a graph of the correlation between the actual and predicted number of calories received with food by many users per day (NHANES WWEIA database was used). In particular, the multitude of users in question includes 2281 people. The X axis is responsible for the actual number of calories received by a user from food per day, and the Y axis is the amount of calories predicted by the algorithm based on data on the amount of carbohydrates and data on a predefined user profile (i.e., data on age, gender, weight and user growth). Therefore, estimating the number of calories consumed and having data on the user's physical activity, the present invention can evaluate the user's energy balance, which is an important characteristic of a healthy lifestyle, and formulate a further recommendation for maintaining a healthy lifestyle based on this estimated user energy balance.

Далее на Фиг. 6 представлен низкочастотный тренд изменения уровня глюкозы в крови, не связанный с приемом пищи (выделено синим на графике), соответствующий результирующий сигнал, соответствующий изменению уровня глюкозы в крови, вызванному приемом пищи (выделено оранжевым на графике) и отмечены моменты времени начала приема пищи пользователем (выделено зеленым на графике). На горизонтальной оси отмечено количество отсчетов датчика уровня глюкозы в крови (в данном примере один отсчет соответствует 5 минутам), а на вертикальной оси отмечена концентрация глюкозы в ммоль/л. В частности, с помощью низкочастотного цифрового фильтра (например, фильтра Баттерворта с частотой среза, соответствующей 12-часовому периоду) выделяется низкочастотный тренд изменения уровня глюкозы в крови, не связанный с приемом пищи (отклик на прием пищи соответствует частотам большим, чем выбранная частота среза фильтра). Данный низкочастотный тренд затем вычитается из исходного сигнала изменения уровня глюкозы в крови для получения результирующего сигнала, причем исходный сигнал представляет собой сигнал изменения глюкозы, полученный от датчика уровня глюкозы в крови. Результирующий сигнал характеризуется относительно быстрыми изменениями глюкозной динамики, соответствующими отклику на приемы пищи. Пиковые значения результирующего сигнала расценивается как приблизительные моменты времени начала приема пищи пользователем, которые также отмечены на Фиг. 6.Further in FIG. Figure 6 shows the low-frequency trend of changes in blood glucose levels that are not related to food intake (highlighted in blue in the graph), the corresponding resulting signal corresponding to the change in blood glucose levels caused by food intake (highlighted in orange in the graph) and the times at which the user started eating (highlighted in green on the graph). The horizontal axis indicates the number of readings of the blood glucose level sensor (in this example, one sample corresponds to 5 minutes), and the vertical axis shows the glucose concentration in mmol / L. In particular, using a low-frequency digital filter (for example, a Butterworth filter with a cut-off frequency corresponding to a 12-hour period), a low-frequency trend of blood glucose changes that is not related to food intake (a response to a meal corresponds to frequencies higher than the selected cut-off frequency) filter). This low frequency trend is then subtracted from the original blood glucose change signal to obtain a resulting signal, the original signal being a glucose change signal received from a blood glucose sensor. The resulting signal is characterized by relatively rapid changes in glucose dynamics, corresponding to the response to meals. The peak values of the resulting signal are regarded as approximate times of the start of a meal by the user, which are also noted in FIG. 6.

Далее результирующий сигнал преобразуется в удобный для алгоритма машинного обучения вид, как описано далее. Например, согласно одному варианту осуществления выполняют дискретизацию сигнала с периодом дискретизации 5 минут, после чего дискретный сигнал разбивается на окна (отрезки) длительностью 2 часа, причем окна пересекаются друг с другом с шагом сдвига 5 минут. Помимо самого сигнала изменения глюкозы к вектору признаков, подаваемому на вход алгоритма машинного обучения, могут быть добавлены дополнительные признаки, улучшающие качество обучения, например, такие как данные датчика ФПГ, данные инерциальных измерительных датчиков, доля сна, производные нескольких порядков и статистические характеристики сигнала в 2-х часовом окне.Next, the resulting signal is converted into a form convenient for the machine learning algorithm, as described below. For example, according to one embodiment, a signal is sampled with a sampling period of 5 minutes, after which a discrete signal is divided into windows (segments) of 2 hours, the windows intersecting each other with a shift step of 5 minutes. In addition to the glucose change signal itself, to the feature vector fed to the input of the machine learning algorithm, additional features can be added to improve the learning quality, for example, such as PPG sensor data, inertial measuring sensor data, sleep fraction, derivatives of several orders of magnitude, and statistical characteristics of the signal in 2 hour window.

Для оценки времени приема пищи каждый вектор признаков классифицируется обученным алгоритмом машинного обучения (например, алгоритмом Random Forest с оптимизированными параметрами) в соответствии с 2 классами: класс «No food», который относится к периоду времени, когда пользователь не принимал пищу, и класс «Food», который относится к периоду времени, когда пользователь принимал пищу. Как правило, результат классификации данных алгоритмом машинного обучения является достаточно «шумным», т.е. имеется множество одиночных ошибочных результатов. Подобные ошибки можно устранить путем фильтрации колебаний высокой частоты результатов, например, на Фиг. 7 представлен (a) график изменения вероятностей приема пищи пользователем от времени, полученный с помощью алгоритма машинного обучения согласно одному варианту осуществления настоящего изобретения. На горизонтальной оси отмечены номера вышеупомянутых окон с шагом сдвига, равным 5 минут, отсчетов датчика уровня глюкозы в крови (в данном примере один отсчет соответствует 5 минутам), а на вертикальной оси отмечена вероятность начала приема пищи пользователем в соответствующем окне, полученная алгоритмом машинного обучения. Далее оцененный сигнал вероятности начала приема пищи пользователем в соответствующем окне фильтруется, используя некоторую свертку. В частности, для примера в настоящем варианте осуществления к данному оцененному сигналу применяется свертка с нормированным гауссовым ядром (например, μ=1, Ϭ2=1), график которой изображен буквой (б) на Фиг.7. Кроме того, на Фиг. 7 под буквой (в) также изображен и график результата обработки сигнала, представленного на графике (а), с помощью свертки с нормированным гауссовым ядром, представленной на графике (б), каждое пиковое значение которого расценивается как предсказанный период времени приема пищи. Следовательно, после нахождения локальных максимумов сигнала, представленного на графике (в), получают (г) итоговый сигнал, представляющий собой предсказанные периоды времени приема пищи. Кроме того, на графике итогового сигнала также изображена и некоторая окрестность (выделена оранжевым на графике), обозначающая интервал времени, допускающий ошибку предсказания, например, [-15мин; +30мин] относительно начала приема пищи. Таким образом, можно выявить периоды времени с наибольшей вероятностью приема пищи пользователем, причем начало соответствующего периода времени можно расценивать как начало приема пищи пользователем.To estimate the meal time, each feature vector is classified by a trained machine learning algorithm (for example, the Random Forest algorithm with optimized parameters) in accordance with 2 classes: the “No food” class, which refers to the time period when the user did not eat food, and the class “ Food ”, which refers to the period of time when the user ate food. As a rule, the result of data classification by machine learning algorithm is quite “noisy”, i.e. there are many single erroneous results. Such errors can be eliminated by filtering the high frequency oscillations of the results, for example, in FIG. 7 illustrates (a) a graph of a user's likelihood of eating a meal versus time obtained using a machine learning algorithm according to one embodiment of the present invention. The horizontal axis shows the numbers of the aforementioned windows with a shear step of 5 minutes, readings from the blood glucose sensor (in this example, one sample corresponds to 5 minutes), and the vertical axis indicates the probability of the start of food intake by the user in the corresponding window, obtained by the machine learning algorithm . Next, the estimated signal of the probability of starting a meal by the user in the corresponding window is filtered using some convolution. In particular, for example, in the present embodiment, a convolution with a normalized Gaussian core (for example, μ = 1, Ϭ 2 = 1) is applied to this evaluated signal, the graph of which is shown by the letter (b) in FIG. 7. In addition, in FIG. 7, the letter (c) also shows a graph of the signal processing result shown in graph (a), using a convolution with a normalized Gaussian core, presented in graph (b), each peak value of which is regarded as a predicted meal time period. Therefore, after finding the local maximums of the signal shown in the graph (c), receive (g) the final signal, which is the predicted periods of time for eating. In addition, the graph of the final signal also shows a certain neighborhood (highlighted in orange on the graph), indicating the time interval that allows a prediction error, for example, [-15min; + 30min] relative to the start of a meal. Thus, it is possible to identify periods of time with the highest probability of eating by the user, and the beginning of the corresponding time period can be regarded as the beginning of the meal by the user.

Для тестирования производительности алгоритма подсчитывается количество верных определений приема пищи (true positive, TP), ошибочных определений приема пищи (false positive, FP) и ошибочных пропусков приема пищи (false negative, FN). Как правило, производительность алгоритмов классификации оценивается с помощью F1-меры (F1 score), в качестве базиса которой используются точность (Precision) и полнота (Recall):To test the performance of the algorithm, the number of correct food definitions (true positive, TP), erroneous food definitions (false positive, FP) and erroneous food omissions (false negative, FN) are calculated. As a rule, the performance of classification algorithms is estimated using an F1 measure (F1 score), which uses Precision and Recall as the basis:

Figure 00000001
Figure 00000001

Для оценки количества углеводов, получаемых с принятой пищей, используются только векторы признаков, классифицированные как «Food». Каждый из таких векторов признаков оценивается обученным алгоритмом машинного обучения (например, логистической регрессией с оптимизированными параметрами) в соответствии с 3 классами: «Low» относится к периоду времени, когда пользователь принимал пищу с низким содержанием углеводов (до 49 грамм), «Mid» - к периоду времени, когда пользователь принимал пищу со средним содержанием углеводов (от 50 до 119 грамм), «High» - к периоду времени, когда пользователь принимал пищу с высоким содержанием углеводов (от 120 грамм).To assess the amount of carbohydrates obtained with food taken, only feature vectors classified as “Food” are used. Each of these feature vectors is evaluated by a trained machine learning algorithm (for example, logistic regression with optimized parameters) in accordance with 3 classes: “Low” refers to the time period when the user ate a meal with a low carbohydrate content (up to 49 grams), “Mid” - to the time period when the user was eating food with an average carbohydrate content (from 50 to 119 grams), “High” - to the time period when the user was eating food with a high carbohydrate content (from 120 grams).

Таким образом, настоящее изобретение обеспечивает возможность оценки количества углеводов, получаемых с пищей. Исходя из количества углеводов и заранее заданного профиля пользователя, можно оценить превышение потребленных калорий над расходуемыми калориями (переедание).Thus, the present invention provides the ability to estimate the amount of carbohydrates obtained from food. Based on the amount of carbohydrates and a predefined user profile, you can estimate the excess of calories consumed over calories consumed (overeating).

По завершении оценки времени приема пищи и классификации принятой пищи с учетом откалиброванной для конкретного пользователя вычислительной физиологической модели способ выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, формирует соответствующие рекомендации для пользователя. В отличие от известных решений, в общем рекомендующих всем пользователям потреблять менее калорийную пищу или больше двигаться и регулярно не отслеживающих актуальные приемы пищи пользователем (и индивидуальный гликемический отклик, соответственно), рассматриваемый способ предлагает эффективные индивидуализированные рекомендации и/или индивидуальную программу по развитию здорового образа жизни у пользователя: данная программа использует как результаты анализа параметров ежедневной деятельности пользователя, как описано выше, так и анализ параметров ежедневной деятельности множества других пользователей рассматриваемой системы.Upon completion of the assessment of the meal time and the classification of food intake, taking into account a computational physiological model calibrated for a particular user, the method for issuing recommendations for maintaining a healthy lifestyle based on the parameters of the user's daily activities, automatically tracked in real time, generates appropriate recommendations for the user. Unlike well-known solutions that generally recommend that all users consume less-calorie foods or move more and do not regularly monitor the user's current meals (and individual glycemic response, respectively), this method offers effective individualized recommendations and / or an individual program for the development of a healthy image user’s life: this program uses both the results of the analysis of the parameters of daily user activity, as described above, so and analysis of the parameters of the daily activities of many other users of the system in question.

Как было указано выше в отношении Фиг. 1, если в результате произведенного анализа никакие привычки пользователя не классифицируются как не способствующие здоровому образу жизни, тогда формируется сообщение, мотивирующее пользователя продолжать вести здоровый образ жизни. Если же привычки, не способствующие поддержанию здорового образа жизни, обнаружены, то рассматриваемый способ выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, выдает пользователю соответствующие рекомендации по развитию здорового образа жизни. Например, при обнаружении недостаточной физической активности рассматриваемый способ может сформировать рекомендацию по постепенному увеличению физической активности, при малом времени сна способ может порекомендовать раньше ложиться спать, при обнаружении нерегулярного приема пищи способ может порекомендовать режим питания и т.п. Таким образом, рекомендации могут содержать как советы касательно здорового и нездорового питания, советы об индивидуальном режим питания, так и предоставление индивидуальной программы касательно физической активности и сна. Рассматриваемый способ может формировать как ежедневные рекомендации по итогам измеренных параметров текущего дня с учетом поставленных на этот день целей, так и рекомендации, основанные на анализе параметров, измеренных за заданный промежуток времени (неделя, месяц и т.п.). При несоблюдении рекомендаций пользователем способ может дополнительно формировать информационное сообщение, уведомляющее пользователя о возможных негативных последствиях ведения такого образа жизни. Кроме того, рассматриваемая система выполнена с возможностью автоматической проверки соответствия параметров ежедневной деятельности пользователя с ранее выданными системой рекомендациями для мотивирования пользователя продолжать поддерживать здоровый образ жизни или предупреждения пользователя о возможных последствиях несоблюдения выданных рекомендаций, как указано выше.As indicated above with respect to FIG. 1, if as a result of the analysis, no user habits are classified as not conducive to a healthy lifestyle, then a message is generated that motivates the user to continue to lead a healthy lifestyle. If habits that are not conducive to maintaining a healthy lifestyle are found, then the considered method of issuing recommendations for maintaining a healthy lifestyle based on the parameters of daily activities of the user, automatically monitored in real time, gives the user appropriate recommendations for the development of a healthy lifestyle. For example, if insufficient physical activity is detected, the method under consideration may formulate a recommendation for a gradual increase in physical activity, with a short sleep time, the method may recommend going to bed earlier, if irregular food intake is detected, the method may recommend a diet, etc. Thus, recommendations may contain advice on healthy and unhealthy diets, tips on an individual diet, and the provision of an individual program on physical activity and sleep. The method under consideration can form both daily recommendations based on the results of the measured parameters of the current day taking into account the goals set for that day, and recommendations based on the analysis of parameters measured over a given period of time (week, month, etc.). If the user does not follow the recommendations, the method can additionally generate an information message notifying the user about the possible negative consequences of such a lifestyle. In addition, the system under consideration is configured to automatically check the compliance of the user's daily activities with the recommendations previously issued by the system to motivate the user to continue to maintain a healthy lifestyle or warn the user about the possible consequences of non-compliance with the issued recommendations, as indicated above.

Согласно другому варианту осуществления данные от датчика измерения уровня глюкозы в крови и от упомянутого набора датчиков поступают непосредственно на вход вышеописанного алгоритма для дальнейшей обработки. В этом варианте осуществления модифицированная физиологическая модель для вычисления индивидуального отклика организма пользователя не применяется, что в результате снижает точность определения периодов времени приема пищи пользователем по сравнению со способом, в котором применяется такая модифицированная физиологическая модель, однако точность определения данных периодов времени по сравнению с известными решениями по-прежнему высока.According to another embodiment, the data from the sensor for measuring blood glucose and from the said set of sensors are sent directly to the input of the above algorithm for further processing. In this embodiment, the modified physiological model is not used to calculate the individual response of the user’s organism, which results in a decrease in the accuracy of determining the time periods of eating by the user compared to the method in which such a modified physiological model is used, however, the accuracy of determining these time periods in comparison with the known The decisions are still high.

Согласно другому варианту осуществления пользователь также может периодически измерять свой вес с помощью весов, при этом носимое пользовательское устройство, снабженное датчиком глюкозы, выполнено с возможностью приема данных от упомянутых весов и анализа изменений веса пользователя с течением времени в совокупности с анализом изменения уровня глюкозы в крови пользователя с течением того же периода, что позволяет повысить точность при калибровке соответствующей вычислительной физиологической модели пользователя.According to another embodiment, the user can also periodically measure his weight using weights, while a wearable user device equipped with a glucose sensor is configured to receive data from said weights and analyze changes in the user's weight over time in conjunction with an analysis of changes in blood glucose the user over the same period, which improves accuracy in calibrating the corresponding computational physiological model of the user.

Согласно другому варианту осуществления блок обработки заявленной системы дополнительно выполнен с возможностью построения долгосрочных предсказаний касательно состояния пользователя при текущем образе жизни пользователя. В частности, такие долгосрочные предсказания включают в себя предсказание будущего веса, предсказание продолжительности жизни и т.п. Кроме того, при изменении образа жизни пользователем упомянутый блок обработки также может формировать мотивирующие сообщения для пользователя, например, при улучшении параметров ежедневной деятельности пользователя блок обработки может формировать мотивирующее сообщение, что согласно обновленному предсказанию будущего веса пользователь похудеет до желаемого веса, а при ухудшении параметров ежедневной деятельности пользователя блок обработки может формировать мотивирующее сообщение, что согласно обновленному предсказанию будущего веса пользователя ждет набор лишних килограммов.According to another embodiment, the processing unit of the claimed system is further configured to make long-term predictions regarding the user's condition in the current lifestyle of the user. In particular, such long-term predictions include prediction of future weight, prediction of life expectancy, and the like. In addition, when a lifestyle changes by the user, the processing unit can also generate motivating messages for the user, for example, when improving the user's daily activities, the processing unit can generate a motivating message that, according to the updated prediction of future weight, the user will lose weight to the desired weight, and if the parameters deteriorate the daily activity of the user, the processing unit can generate a motivating message that according to the updated prediction of the future A set of extra kilograms awaits his user weight.

Для проведения тестирования рассматриваемой системы для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, было отобрано 50 добровольцев, которых снабдили вышеописанными носимыми пользовательскими устройствами, которые измеряли параметры ежедневной деятельности пользователя для каждого из отобранных добровольцев (всего более 1000 приемов пищи в собранной базе данных). В частности, измерялись уровень глюкозы в крови пользователя, данные о движениях пользователя, данные о пульсе пользователя, данные касательно сна. Заявленный алгоритм машинного обучения, описанный выше, обучался на основе этих измеренных данных для оценки времени приема пищи и классификации принятой пищи. Для тестирования производительности алгоритма применялся способ перекрестной проверки с исключением (из базы данных поочередно исключались данные одного добровольца, алгоритм обучался на оставшихся данных и далее тестировался на исключенных данных, результаты тестирования усреднялись по всем добровольцам). На Фиг. 8 представлены результаты точности оценки упомянутым алгоритмом времени приема пищи пользователем в отношении упомянутых 50 добровольцев. В частности, точность оцененного времени приема пищи с помощью алгоритма по сравнению с действительным временем приема пищи пользователем составила 93% (процент ошибки, соответственно, составил 7%), а точность оцененного времени, в течение которого пользователь не принимал пищу, составила 88,2% (процент ошибки, соответственно, составил 11,8%). Соответственно, общая точность алгоритма по оценке времени приема пищи пользователем составила 90,43% (F1-мера=0,89). На Фиг. 9 изображен график оценки времени приема пищи пользователем в течение суток на основе уровня глюкозы в крови пользователя и рекомендованного времени приема пищи для одного из добровольцев, упомянутых выше. Согласно заранее заданному профилю этого добровольца, его возраст составил 54 года, пол - женский, вес - 71 кг., рост - 149 см. Уровень активности данного добровольца по шкале от 1 до 5 был определен как 1, а расчет израсходованной энергии показал 1578 ккал. Следовательно, алгоритм определил, что у данного добровольца энергетический баланс находится в норме, и он употребляет пищу со средним содержанием углеводов. На основе этих данных пользователю была выдана рекомендация, в частности, график, изображенный на Фиг. 9, на котором зелеными столбцами обозначено время приема пищи, которое рекомендовано для данного пользователя на основе наблюдения за ним, а синими столбцами - время приема пищи, определенное вышеописанным алгоритмом. Высота синих столбцов на Фиг. 9 соответствует классу принятой пищи по количеству углеводов, определенному вышеописанным алгоритмом. Серым на графике выделен период времени, рекомендованный для сна пользователя.To test the system under consideration to give recommendations on maintaining a healthy lifestyle based on the parameters of daily user activity that are automatically monitored in real time, 50 volunteers were selected, who were equipped with the wearable user devices described above, which measured the parameters of daily user activity for each of the selected volunteers ( more than 1000 meals in the collected database). In particular, the glucose level in the user's blood, the data on the user's movements, the pulse data of the user, and data on sleep were measured. The claimed machine learning algorithm described above was trained based on these measured data to estimate a meal time and classify a meal. To test the performance of the algorithm, a cross-validation method was used with exclusion (the data of one volunteer was excluded from the database, the algorithm was trained on the remaining data and then tested on the excluded data, the test results were averaged over all volunteers). In FIG. 8 shows the results of the accuracy of the assessment by the user eating time algorithm with respect to the 50 volunteers. In particular, the accuracy of the estimated meal time using the algorithm compared to the actual meal time by the user was 93% (error percentage, respectively, was 7%), and the accuracy of the estimated time during which the user did not eat was 88.2 % (percentage of error, respectively, was 11.8%). Accordingly, the overall accuracy of the algorithm for estimating a user's meal time was 90.43% (F1 measure = 0.89). In FIG. 9 is a graph for estimating a user's meal time during the day based on the user's blood glucose level and the recommended meal time for one of the volunteers mentioned above. According to the predetermined profile of this volunteer, his age was 54 years old, gender - female, weight - 71 kg., Height - 149 cm. The activity level of this volunteer on a scale from 1 to 5 was defined as 1, and the calculation of energy expended showed 1578 kcal . Therefore, the algorithm determined that the volunteer has a normal energy balance and consumes food with an average carbohydrate content. Based on these data, a recommendation was made to the user, in particular, the graph depicted in FIG. 9, in which green bars indicate meal times that are recommended for a given user based on observing them, and blue bars indicate meal times determined by the above algorithm. The height of the blue columns in FIG. 9 corresponds to the class of food intake according to the amount of carbohydrates determined by the above algorithm. Gray on the graph shows the time period recommended for the user's sleep.

Далее на Фиг. 10 представлены результаты точности оценки упомянутым алгоритмом классификации принятой пищи в отношении вышеупомянутых 50 добровольцев. Как видно из фигуры, точность определения принятия пользователем пищи с низким содержанием углеводов по сравнению с ее действительным принятием составила 83.4% (ошибка, соответственно, составила 16,8%), точность определения принятия пользователем пищи со средним содержанием углеводов по сравнению с ее действительным принятием составила 73.0% (ошибка, соответственно, составила 27%) а точность определения принятия пользователем пищи с высоким содержанием углеводов по сравнению с ее действительным принятием составила 84,7% (ошибка, соответственно, составила 15,3%). Соответственно, общая точность алгоритма по классификации принятой пищи составила 80,4% (F1-мера=0.80).Further in FIG. 10 presents the results of the accuracy of the assessment of the above-mentioned classification algorithm for food intake in relation to the above 50 volunteers. As can be seen from the figure, the accuracy of determining user acceptance of food with a low carbohydrate content compared to its actual intake was 83.4% (error, respectively, was 16.8%), the accuracy of determining user acceptance of food with an average carbohydrate content compared to its actual intake amounted to 73.0% (the error, respectively, was 27%) and the accuracy of determining the user’s intake of food with a high content of carbohydrates compared to its actual intake was 84.7% (error, respectively, amounted to 15.3%). Accordingly, the overall accuracy of the algorithm for the classification of food intake was 80.4% (F1-measure = 0.80).

Специалистам в данной области техники должно быть понятно, что по мере необходимости количество структурных элементов или компонентов системы может изменяться. Предполагается, что объем охраны настоящего изобретения охватывает все возможные различные расположения указанных выше конструктивных элементов системы. В одном или более примерных вариантах осуществления функции, описанные в данном документе, могут быть реализованы в аппаратном обеспечении, программном обеспечении, аппаратно-программном обеспечении или любой их комбинации. Будучи реализованными в программном обеспечении, упомянутые функции могут храниться на или передаваться в виде одной или более инструкций или кода на машиночитаемом носителе. Машиночитаемые носители включают в себя любой носитель информации, который обеспечивает перенос компьютерной программы из одного места в другое. Носитель информации может быть любым доступным носителем, доступ к которому осуществляется посредством компьютера. В качестве примера, но не ограничения, такие машиночитаемые носители могут представлять собой RAM, ROM, EEPROM, CD-ROM или другой накопитель на оптических дисках, накопитель на магнитных дисках или другие магнитные запоминающие устройства, или любой другой носитель информации, который может использоваться для переноса или хранения требуемого программного кода в виде инструкций или структур данных и доступ к которому можно осуществлять с помощью компьютера. Кроме того, если программное обеспечение передается из веб-сайта, сервера или другого удаленного источника с использованием коаксиальных кабелей, оптоволоконных кабелей, витой пары, цифровой абонентской линии связи (DSL) или с использованием беспроводных технологий, таких как инфракрасные, радио и микроволны, то такие проводные и беспроводные средства подпадают под определение носителя. Комбинации озвученных выше носителей информации должны также попадать в объем охраны настоящего изобретения.Specialists in the art should understand that, as necessary, the number of structural elements or components of the system can vary. The scope of protection of the present invention is intended to cover all possible different arrangements of the above structural elements of the system. In one or more exemplary embodiments, the functions described herein may be implemented in hardware, software, hardware-software, or any combination thereof. Being implemented in software, said functions may be stored on or transmitted in the form of one or more instructions or code on a computer-readable medium. Computer-readable media include any storage medium that enables the transfer of a computer program from one place to another. The storage medium may be any available medium that is accessed by a computer. By way of example, but not limitation, such computer-readable media can be a RAM, ROM, EEPROM, CD-ROM or other optical disk drive, magnetic disk drive or other magnetic storage device, or any other storage medium that can be used for transfer or storage of the required program code in the form of instructions or data structures and which can be accessed using a computer. In addition, if the software is transmitted from a website, server, or other remote source using coaxial cables, fiber optic cables, twisted pair, digital subscriber line (DSL), or using wireless technologies such as infrared, radio, and microwave, such wired and wireless means fall within the definition of media. Combinations of the aforementioned storage media should also fall within the protection scope of the present invention.

Хотя в настоящем описании показаны примерные варианты реализации изобретения, следует понимать, что различные изменения и модификации могут быть выполнены, не выходя за рамки объема охраны настоящего изобретения, определяемого прилагаемой формулой изобретения. Функции, этапы и/или действия, упоминаемые в пунктах формулы изобретения, характеризующих способ, в соответствии с вариантами реализации настоящего изобретения, описанными в данном документе, необязательно должны выполняться в каком-то конкретном порядке, если не отмечено или не оговорено иное. Более того, упоминание элементов системы в единственном числе не исключает множества таких элементов, если в явном виде не указано иное.Although exemplary embodiments of the invention are shown in the present description, it should be understood that various changes and modifications can be made without departing from the scope of protection of the present invention defined by the attached claims. The functions, steps, and / or actions referred to in the claims characterizing the method in accordance with the embodiments of the present invention described herein need not be performed in any particular order unless otherwise noted or specified. Moreover, the mention of elements of the system in the singular does not exclude the set of such elements, unless explicitly stated otherwise.

Claims (56)

1. Способ выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, содержащий этапы, на которых:1. A method for issuing recommendations for maintaining a healthy lifestyle based on the parameters of daily activities of the user, automatically monitored in real time, containing stages in which: - автоматически измеряют параметры ежедневной деятельности пользователя, включающие в себя периоды физической активности, частоту сердечных сокращений, количество пройденных шагов, период времени сна, изменения уровня глюкозы в крови, количество углеводов и калорий, полученных с принятой пищей;- automatically measure the parameters of daily activities of the user, including periods of physical activity, heart rate, the number of steps taken, the period of sleep time, changes in blood glucose, the amount of carbohydrates and calories received with food; - строят физиологическую модель пользователя на основе измеренного изменения уровня глюкозы в крови пользователя, физической активности, частоты сердечных сокращений и суточных изменений переносимости глюкозы для определения индивидуального отклика пользователя на прием пищи;- build a physiological model of the user on the basis of the measured changes in the level of glucose in the user's blood, physical activity, heart rate and daily changes in glucose tolerance to determine the individual response of the user to food intake; - обучают алгоритм машинного обучения для оценки ежедневной деятельности пользователя на основе измеренных параметров ежедневной деятельности пользователя, определенного индивидуального отклика пользователя и заранее заданного профиля пользователя, содержащего пол пользователя, возраст, рост и вес;- teach the machine learning algorithm to evaluate the daily activities of the user based on the measured parameters of the daily activities of the user, a specific individual user response and a predetermined user profile containing the user's gender, age, height and weight; - формируют рекомендации по поддержанию здорового образа жизни пользователя на основе оценки ежедневной деятельности пользователя, полученной в результате применения алгоритма машинного обучения; и- formulate recommendations for maintaining a healthy lifestyle of the user based on the assessment daily activities of the user resulting from the application of machine learning algorithm; and - отображают сформированные рекомендации пользователю.- display the generated recommendations to the user. 2. Система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, содержащая:2. A system for issuing recommendations to maintain a healthy lifestyle based on the parameters of daily activities of the user, automatically tracked in real time, containing: - инерциальные измерительные датчики, включающие в себя акселерометр и гироскоп;- inertial measuring sensors, including an accelerometer and a gyroscope; - датчик фотоплетизмограммы;- photoplethysmogram sensor; - датчик уровня глюкозы в крови,- blood glucose sensor, причем инерциальные измерительные датчики, датчик фотоплетизмограммы и датчик уровня глюкозы в крови выполнены с возможностью автоматического измерения параметров ежедневной деятельности пользователя, включающих в себя периоды физической активности, частоту сердечных сокращений, количество пройденных шагов, период времени сна, изменения уровня глюкозы в крови;moreover, inertial measuring sensors, a photoplethysmogram sensor and a blood glucose sensor are capable of automatically measuring the parameters of a user's daily activity, including periods of physical activity, heart rate, number of steps taken, sleep time period, changes in blood glucose level; - блок обработки, выполненный с возможностью построения физиологической модели на основе изменения уровня глюкозы в крови пользователя для определения индивидуального отклика пользователя на прием пищи, количества углеводов и калорий, полученных с принятой пищей, и обучения алгоритма машинного обучения для оценки ежедневной деятельности пользователя на основе измеренных параметров ежедневной деятельности пользователя, определенном индивидуальном отклике пользователя и заранее заданного профиля пользователя, содержащего пол пользователя, возраст, рост и вес;- a processing unit configured to build a physiological model based on the change the glucose level in the blood of the user to determine the individual response of the user to food intake, the amount of carbohydrates and calories received with the ingested food, and learning the machine learning algorithm to evaluate the daily activity of the user based on the measured parameters of the daily activity of the user, the determined individual response of the user and a predetermined profile a user containing the user's gender, age, height and weight; - запоминающий модуль, выполненный с возможностью хранения заранее заданного профиля пользователя, измеренных параметров ежедневной деятельности пользователя, определенного индивидуального отклика пользователя и оценки ежедневной деятельности пользователя, полученной в результате применения алгоритма машинного обучения,- a storage module, configured to store a predetermined user profile, the measured parameters of the user's daily activity, a specific individual user response and assessment daily activities of the user resulting from the application of machine learning algorithm, причем блок обработки дополнительно выполнен с возможностью формирования рекомендаций по поддержанию здорового образа жизни пользователя на основе оценки ежедневной деятельности пользователя, и запоминающий модуль выполнен с возможностью хранения сформированных рекомендаций,moreover, the processing unit is additionally configured to generate recommendations for maintaining a healthy lifestyle of the user based on the assessment daily activities of the user, and the storage module is configured to store the generated recommendations, при этом система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя дополнительно содержит дисплей, выполненный с возможностью отображения сформированных рекомендаций пользователю.however, the system for issuing recommendations for maintaining a healthy lifestyle based on the parameters of the user's daily activities further comprises a display configured to display the generated recommendations to the user. 3. Система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя по п. 2, причем инерциальные измерительные датчики, датчик фотоплетизмограммы и датчик уровня глюкозы в крови расположены в носимом пользовательском устройстве.3. A system for issuing recommendations to maintain a healthy lifestyle based on the parameters of the user's daily activities according to claim 2, wherein the inertial measuring sensors, the photoplethysmogram sensor and the blood glucose sensor are located in the wearable user device. 4. Система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя по п. 2, дополнительно содержащая блок осуществления связи, выполненный с возможностью передачи сформированных рекомендаций на внешние устройства.4. A system for issuing recommendations to maintain a healthy lifestyle based on the parameters of the user's daily activities according to claim 2, further comprising a communication unit configured to transmit the generated recommendations to external devices. 5. Система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя по п. 4, причем блок осуществления связи дополнительно выполнен с возможностью осуществления связи с весами для получения данных о весе пользователя и анализа изменений веса пользователя с течением времени в совокупности с анализом изменения уровня глюкозы в крови пользователя с течением того же периода.5. A system for issuing recommendations for maintaining a healthy lifestyle based on the parameters of the user's daily activities according to claim 4, wherein the communication unit is further configured to communicate with the weights to obtain data on the user's weight and analyze changes in the user's weight over time in the aggregate with analysis of changes in the level of glucose in the blood of the user over the same period. 6. Система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя по п. 2, причем датчик уровня глюкозы в крови представляет собой неинвазивный датчик уровня глюкозы в крови или инвазивный датчик уровня глюкозы в крови.6. A system for issuing recommendations to maintain a healthy lifestyle based on the parameters of the user's daily activities according to claim 2, wherein the blood glucose level sensor is a non-invasive blood glucose level sensor or an invasive blood glucose level sensor. 7. Система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя по п. 3, причем запоминающий модуль, блок обработки и дисплей также расположены в носимом пользовательском устройстве.7. A system for issuing recommendations to maintain a healthy lifestyle based on the parameters of daily activities of the user according to claim 3, wherein the storage module, processing unit and display are also located in the wearable user device. 8. Система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя по п. 3, причем запоминающий модуль, блок обработки и дисплей расположены в отдельном интеллектуальном устройстве, при этом упомянутая система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя дополнительно содержит блок осуществления связи, выполненный с возможностью передачи измеренных параметров ежедневной деятельности пользователя в блок обработки и запоминающий модуль.8. A system for issuing recommendations for maintaining a healthy lifestyle based on the parameters of daily activities of the user according to claim 3, wherein the storage module, processing unit and display are located in a separate intelligent device, while the system for issuing recommendations for maintaining a healthy lifestyle based on parameters of the daily activities of the user further comprises a communication unit configured to transmit measured parameters of the daily activities of the user For the processing unit and the storage module. 9. Система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя по п. 7, дополнительно содержащая второй запоминающий модуль, второй блок обработки и второй дисплей, расположенные в отдельном интеллектуальном устройстве,9. A system for issuing recommendations for maintaining a healthy lifestyle based on the daily activities of the user according to claim 7, further comprising a second storage module, a second processing unit and a second display located in a separate intelligent device, при этом упомянутая система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя дополнительно содержит блок осуществления связи, выполненный с возможностью передачи измеренных параметров ежедневной деятельности пользователя также и во второй блок обработки, и во второй запоминающий модуль, а второй дисплей также выполнен с возможностью отображения сформированных рекомендаций пользователю.wherein said system for issuing recommendations for maintaining a healthy lifestyle based on the parameters of daily activities of the user further comprises a communication unit configured to transmit the measured parameters of daily activities of the user also to the second processing unit and to the second storage module, and the second display also configured to display the generated recommendations to the user. 10. Система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя по п. 2, дополнительно содержащая GPS-приемник, выполненный с возможностью определения текущей геолокации пользователя, и дополнительный блок обработки, выполненный с возможностью корректировки результатов оценки ежедневной деятельности пользователя упомянутым алгоритмом машинного обучения на основе данных о геолокации пользователя.10. A system for issuing recommendations to maintain a healthy lifestyle based on the parameters of daily user activity according to claim 2, further comprising a GPS receiver configured to determine a user's current geolocation and an additional processing unit configured to adjust the results of an assessment of a user's daily activity said machine learning algorithm based on user geolocation data. 11. Способ выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, содержащий этапы, на которых:11. A method for issuing recommendations to maintain a healthy lifestyle based on the parameters of the user's daily activities, automatically monitored in real time, containing the stages in which: - автоматически измеряют параметры ежедневной деятельности пользователя, включающие в себя периоды физической активности, частоту сердечных сокращений, количество пройденных шагов, период времени сна, изменения уровня глюкозы в крови, количество углеводов и калорий, полученных с принятой пищей;- automatically measure the parameters of daily activities of the user, including periods of physical activity, heart rate, the number of steps taken, the period of sleep time, changes in blood glucose, the amount of carbohydrates and calories received with food; - обучают алгоритм машинного обучения для оценки ежедневной деятельности пользователя на основе измеренных параметров ежедневной деятельности пользователя, включающих изменения уровня глюкозы в крови пользователя, физическую активность, частоту сердечных сокращений и суточные изменения переносимости глюкозы, и заранее заданного профиля пользователя, содержащего пол пользователя, возраст, рост и вес;- they teach a machine learning algorithm to evaluate the user's daily activity based on the measured parameters of the user's daily activity, including changes in the glucose level in the user's blood, physical activity, heart rate and daily changes in glucose tolerance, and a predefined user profile containing the user's gender, age, height and weight; - формируют рекомендации по поддержанию здорового образа жизни пользователя на основе оценки ежедневной деятельности пользователя, полученной в результате применения алгоритма машинного обучения; и- formulate recommendations for maintaining a healthy lifestyle of the user based on the assessment daily activities of the user resulting from the application of machine learning algorithm; and - отображают сформированные рекомендации пользователю.- display the generated recommendations to the user. 12. Система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, содержащая:12. A system for issuing recommendations to maintain a healthy lifestyle based on the parameters of daily activities of the user, automatically tracked in real time, containing: - инерциальные измерительные датчики, включающие в себя акселерометр и гироскоп;- inertial measuring sensors, including an accelerometer and a gyroscope; - датчик фотоплетизмограммы;- photoplethysmogram sensor; - датчик уровня глюкозы в крови,- blood glucose sensor, причем инерциальные измерительные датчики, датчик фотоплетизмограммы и датчик уровня глюкозы в крови выполнены с возможностью автоматического измерения параметров ежедневной деятельности пользователя, включающих в себя периоды физической активности, частоту сердечных сокращений, количество пройденных шагов, период времени сна, изменения уровня глюкозы в крови;moreover, inertial measuring sensors, a photoplethysmogram sensor and a blood glucose sensor are capable of automatically measuring the parameters of a user's daily activity, including periods of physical activity, heart rate, number of steps taken, sleep time period, changes in blood glucose level; - блок обработки, выполненный с возможностью определения количества углеводов и калорий, полученных с принятой пищей, обучения алгоритма машинного обучения для оценки ежедневной деятельности пользователя на основе измеренных параметров ежедневной деятельности пользователя и заранее заданного профиля пользователя, содержащего пол пользователя, возраст, рост и вес;- a processing unit configured to determine the amount of carbohydrates and calories received with food, learning a machine learning algorithm for evaluating a user's daily activity based on measured parameters of a user's daily activity and a predetermined user profile containing the user's gender, age, height and weight; - запоминающий модуль, выполненный с возможностью хранения заранее заданного профиля пользователя, измеренных параметров ежедневной деятельности пользователя и оценки ежедневной деятельности пользователя, полученной в результате применения алгоритма машинного обучения,- a storage module configured to store a predetermined user profile, the measured parameters of the user's daily activity and assessment daily activities of the user resulting from the application of machine learning algorithm, причем блок обработки дополнительно выполнен с возможностью формирования рекомендаций по поддержанию здорового образа жизни пользователя на основе оценки ежедневной деятельности пользователя, и запоминающий модуль выполнен с возможностью хранения сформированных рекомендаций,moreover, the processing unit is additionally configured to generate recommendations for maintaining a healthy lifestyle of the user based on the assessment daily activities of the user, and the storage module is configured to store the generated recommendations, при этом система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя дополнительно содержит дисплей, выполненный с возможностью отображения сформированных рекомендаций пользователю.however, the system for issuing recommendations for maintaining a healthy lifestyle based on the parameters of the user's daily activities further comprises a display configured to display the generated recommendations to the user. 13. Система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя по п. 12, дополнительно содержащая GPS-приемник, выполненный с возможностью определения текущей геолокации пользователя, и дополнительный блок обработки, выполненный с возможностью корректировки результатов оценки ежедневной деятельности пользователя упомянутым алгоритмом машинного обучения на основе данных о геолокации пользователя.13. A system for issuing recommendations to maintain a healthy lifestyle based on the parameters of daily user activity according to claim 12, further comprising a GPS receiver configured to determine a user's current geolocation, and an additional processing unit configured to adjust the results of an assessment of a user's daily activity. said machine learning algorithm based on user geolocation data. 14. Способ выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, содержащий этапы, на которых:14. A method for issuing recommendations for maintaining a healthy lifestyle based on the parameters of daily activities of the user, automatically monitored in real time, containing stages in which: - автоматически измеряют параметры ежедневной деятельности пользователя, включающие в себя периоды физической активности, частоту сердечных сокращений, количество пройденных шагов, период времени сна, количество углеводов и калорий, полученных с принятой пищей;- automatically measure the parameters of the user's daily activity, including periods of physical activity, heart rate, the number of steps taken, the period of sleep time, the amount of carbohydrates and calories received with food; - косвенно определяют изменение уровня глюкозы в крови на основе измеренных параметров ежедневной деятельности пользователя, данных об окружающих звуках, геолокации, расписания пользователя и профиля пользователя, содержащего пол пользователя, возраст, рост и вес;- indirectly determine the change in blood glucose based on the measured parameters of the user's daily activity, data on ambient sounds, geolocation, user schedules and user profiles containing the user's gender, age, height and weight; - обучают алгоритм машинного обучения для оценки ежедневной деятельности пользователя на основе измеренных параметров ежедневной деятельности пользователя, включающих изменения уровня глюкозы в крови пользователя, физическую активность, частоту сердечных сокращений и суточные изменения переносимости глюкозы, и заранее заданного профиля пользователя, содержащего пол пользователя, возраст, рост и вес;- they teach a machine learning algorithm to evaluate the user's daily activity based on the measured parameters of the user's daily activity, including changes in the glucose level in the user's blood, physical activity, heart rate and daily changes in glucose tolerance, and a predefined user profile containing the user's gender, age, height and weight; - формируют рекомендации по поддержанию здорового образа жизни пользователя на основе оценки ежедневной деятельности пользователя, полученной в результате применения алгоритма машинного обучения; и- formulate recommendations for maintaining a healthy lifestyle of the user based on the assessment daily activities of the user resulting from the application of machine learning algorithm; and - отображают сформированные рекомендации пользователю.- display the generated recommendations to the user. 15. Система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, содержащая:15. A system for issuing recommendations to maintain a healthy lifestyle based on the parameters of daily activities of the user, automatically tracked in real time, containing: - инерциальные измерительные датчики, включающие в себя акселерометр и гироскоп;- inertial measuring sensors, including an accelerometer and a gyroscope; - датчик фотоплетизмограммы;- photoplethysmogram sensor; причем инерциальные измерительные датчики и датчик фотоплетизмограммы выполнены с возможностью автоматического измерения параметров ежедневной деятельности пользователя, включающих в себя периоды физической активности, частоту сердечных сокращений, количество пройденных шагов, период времени сна;moreover, inertial measuring sensors and a photoplethysmogram sensor are configured to automatically measure the parameters of the user's daily activity, including periods of physical activity, heart rate, number of steps taken, sleep time period; - микрофон, выполненный с возможностью записи окружающих звуков;- a microphone configured to record ambient sounds; - GPS-приемник, выполненный с возможностью определения текущей геолокации пользователя;- A GPS receiver configured to determine a user's current geolocation; - блок для косвенного измерения уровня глюкозы, выполненный с возможностью косвенного определения изменения уровня глюкозы в крови на основе измеренных параметров ежедневной деятельности пользователя, данных об окружающих звуках, геолокации, заранее заданного расписания пользователя и заранее заданного профиля пользователя, содержащего пол пользователя, возраст, рост и вес;- a unit for indirect measurement of glucose level, made with the ability to indirectly determine changes in blood glucose levels based on the measured parameters of the user's daily activity, data on ambient sounds, geolocation, a predetermined user schedule and a predetermined user profile containing the user's gender, age, height and weight; - блок обработки, выполненный с возможностью определения количества углеводов и калорий, полученных с принятой пищей, обучения алгоритма машинного обучения для оценки ежедневной деятельности пользователя на основе измеренных параметров ежедневной деятельности пользователя, определенного изменения уровня глюкозы в крови и заранее заданного профиля пользователя;- a processing unit configured to determine the amount of carbohydrates and calories received with food, learning a machine learning algorithm to evaluate a user's daily activity based on measured parameters of a user's daily activity, a specific change in blood glucose level and a predetermined user profile; - запоминающий модуль, выполненный с возможностью хранения заранее заданного расписания пользователя, заранее заданного профиля пользователя, измеренных параметров ежедневной деятельности пользователя, определенного изменения уровня глюкозы в крови и оценки ежедневной деятельности пользователя, полученной в результате применения алгоритма машинного обучения,- a storage module configured to store a predetermined user schedule, a predetermined user profile, measured parameters of the user's daily activity, a specific change in blood glucose level and estimates daily activities of the user resulting from the application of machine learning algorithm, причем блок обработки дополнительно выполнен с возможностью формирования рекомендаций по поддержанию здорового образа жизни пользователя на основе оценки ежедневной деятельности пользователя, и запоминающий модуль выполнен с возможностью хранения сформированных рекомендаций,moreover, the processing unit is additionally configured to generate recommendations for maintaining a healthy lifestyle of the user based on the assessment daily activities of the user, and the storage module is configured to store the generated recommendations, при этом система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя дополнительно содержит дисплей, выполненный с возможностью отображения сформированных рекомендаций пользователю.however, the system for issuing recommendations for maintaining a healthy lifestyle based on the parameters of the user's daily activities further comprises a display configured to display the generated recommendations to the user.
RU2018142204A 2018-11-29 2018-11-29 Method for issuing recommendations for maintaining a healthy lifestyle based on daily user activity parameters automatically tracked in real time, and a corresponding system (versions) RU2712395C1 (en)

Priority Applications (4)

Application Number Priority Date Filing Date Title
RU2018142204A RU2712395C1 (en) 2018-11-29 2018-11-29 Method for issuing recommendations for maintaining a healthy lifestyle based on daily user activity parameters automatically tracked in real time, and a corresponding system (versions)
PCT/KR2019/016501 WO2020111787A1 (en) 2018-11-29 2019-11-27 Method for providing recommendations for maintaining a healthy lifestyle basing on daily activity parameters of user, automatically tracked in real time, and corresponding system
KR1020190154335A KR20200066204A (en) 2018-11-29 2019-11-27 Method for providing recommendations for maintaining a healthy lifestyle basing on user's daily activity parameters, automatically tracked in real time, and corresponding system
US17/297,189 US20220005580A1 (en) 2018-11-29 2019-11-27 Method for providing recommendations for maintaining a healthy lifestyle basing on daily activity parameters of user, automatically tracked in real time, and corresponding system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
RU2018142204A RU2712395C1 (en) 2018-11-29 2018-11-29 Method for issuing recommendations for maintaining a healthy lifestyle based on daily user activity parameters automatically tracked in real time, and a corresponding system (versions)

Publications (1)

Publication Number Publication Date
RU2712395C1 true RU2712395C1 (en) 2020-01-28

Family

ID=69625415

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2018142204A RU2712395C1 (en) 2018-11-29 2018-11-29 Method for issuing recommendations for maintaining a healthy lifestyle based on daily user activity parameters automatically tracked in real time, and a corresponding system (versions)

Country Status (2)

Country Link
KR (1) KR20200066204A (en)
RU (1) RU2712395C1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2737787C1 (en) * 2020-05-12 2020-12-03 Федеральное государственное бюджетное образовательное учреждение высшего образования "Алтайский государственный медицинский университет" Министерства здравоохранения Российской Федерации Method for creating physiological level of physical activity, experimentally
CN116246754A (en) * 2023-05-10 2023-06-09 北京中器华康科技发展有限公司 Human body weight monitoring evaluation intervention management method and system

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102240895B1 (en) * 2020-08-07 2021-04-15 윤태훈 System for providing information for weight management
JP6948095B1 (en) * 2021-07-30 2021-10-13 株式会社LaViena Programs, methods, and systems
KR20230023352A (en) * 2021-08-10 2023-02-17 삼성전자주식회사 electronic device and method for providing fitness data of the same
KR102640995B1 (en) 2022-10-27 2024-02-27 주식회사 유투메드텍 Method and apparatus for predicting weight change based on artificial intelligence using blood glucose data

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8182424B2 (en) * 2008-03-19 2012-05-22 Microsoft Corporation Diary-free calorimeter
US20130198214A1 (en) * 2012-01-30 2013-08-01 The Government of the United State of America, as represented by the Secretary, Dept of Health and Human Services Personalized dynamic feedback control of body weight
US20150364057A1 (en) * 2014-06-17 2015-12-17 Johnson & Johnson Consumer, Inc. Systems and methods for wellness, health, and lifestyle planning, tracking, and maintenance
US20160262693A1 (en) * 2013-10-14 2016-09-15 Case Western Reserve University Metabolic analyzer for optimizing health and weight management
US9675289B2 (en) * 2007-06-18 2017-06-13 Roche Diabetes Care, Inc. Method and glucose monitoring system for monitoring individual metabolic response and for generating nutritional feedback
RU2626672C2 (en) * 2015-11-11 2017-07-31 Самсунг Электроникс Ко., Лтд. Device (versions) and method for eating habits automated monitoring
US20180108272A1 (en) * 2016-10-14 2018-04-19 Invoy Technologies, Llc Artificial intelligence based health coaching based on ketone levels of participants

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9675289B2 (en) * 2007-06-18 2017-06-13 Roche Diabetes Care, Inc. Method and glucose monitoring system for monitoring individual metabolic response and for generating nutritional feedback
US8182424B2 (en) * 2008-03-19 2012-05-22 Microsoft Corporation Diary-free calorimeter
US20130198214A1 (en) * 2012-01-30 2013-08-01 The Government of the United State of America, as represented by the Secretary, Dept of Health and Human Services Personalized dynamic feedback control of body weight
US20160262693A1 (en) * 2013-10-14 2016-09-15 Case Western Reserve University Metabolic analyzer for optimizing health and weight management
US20150364057A1 (en) * 2014-06-17 2015-12-17 Johnson & Johnson Consumer, Inc. Systems and methods for wellness, health, and lifestyle planning, tracking, and maintenance
RU2626672C2 (en) * 2015-11-11 2017-07-31 Самсунг Электроникс Ко., Лтд. Device (versions) and method for eating habits automated monitoring
US20180108272A1 (en) * 2016-10-14 2018-04-19 Invoy Technologies, Llc Artificial intelligence based health coaching based on ketone levels of participants

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2737787C1 (en) * 2020-05-12 2020-12-03 Федеральное государственное бюджетное образовательное учреждение высшего образования "Алтайский государственный медицинский университет" Министерства здравоохранения Российской Федерации Method for creating physiological level of physical activity, experimentally
CN116246754A (en) * 2023-05-10 2023-06-09 北京中器华康科技发展有限公司 Human body weight monitoring evaluation intervention management method and system
CN116246754B (en) * 2023-05-10 2024-04-02 北京中器华康科技发展有限公司 Human body weight monitoring evaluation intervention management method and system

Also Published As

Publication number Publication date
KR20200066204A (en) 2020-06-09

Similar Documents

Publication Publication Date Title
RU2712395C1 (en) Method for issuing recommendations for maintaining a healthy lifestyle based on daily user activity parameters automatically tracked in real time, and a corresponding system (versions)
JP6882227B2 (en) Systems and methods for processing analytical data and generating reports
US20210035067A1 (en) Method to increase efficiency, coverage, and quality of direct primary care
CN103959291B (en) Glucose predictions device based on the regularization network with adaptively selected core and regularization parameter
CN113438920A (en) Intermittent monitoring
US8398546B2 (en) System for monitoring and managing body weight and other physiological conditions including iterative and personalized planning, intervention and reporting capability
US20210391081A1 (en) Predictive guidance systems for personalized health and self-care, and associated methods
DK1662989T3 (en) System to monitor and maintain body weight and other physiological conditions with iterative and personalized planning, intervention and reporting capabilities
US20180197434A1 (en) Lifestyle management supporting apparatus and lifestyle management supporting method
US20150289799A1 (en) System for monitoring and presenting health, wellness and fitness trend data with activity detection and feedback and coaching engine
US20220005580A1 (en) Method for providing recommendations for maintaining a healthy lifestyle basing on daily activity parameters of user, automatically tracked in real time, and corresponding system
KR102400740B1 (en) System for monitoring health condition of user and analysis method thereof
US20150134344A1 (en) Personal Health Data Gathering for Incentive and Insurance Rating Purposes
Clevenger et al. Free-living comparison of physical activity and sleep data from Fitbit activity trackers worn on the dominant and nondominant wrists
US20230148910A1 (en) Lifestyle activity detection for diabetes management
KR102382659B1 (en) Method and system for training artificial intelligence model for estimation of glycolytic hemoglobin levels
US20220230751A1 (en) Decision support system, and method in relation thereto