[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN110709940A - 用于预测传感器测量质量的方法、系统和介质 - Google Patents

用于预测传感器测量质量的方法、系统和介质 Download PDF

Info

Publication number
CN110709940A
CN110709940A CN201880036956.3A CN201880036956A CN110709940A CN 110709940 A CN110709940 A CN 110709940A CN 201880036956 A CN201880036956 A CN 201880036956A CN 110709940 A CN110709940 A CN 110709940A
Authority
CN
China
Prior art keywords
sensor
time period
motion
likelihood
user device
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201880036956.3A
Other languages
English (en)
Other versions
CN110709940B (zh
Inventor
约扬·帕特尔
梅利莎·弗兰克
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Google LLC
Original Assignee
Google LLC
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 Google LLC filed Critical Google LLC
Publication of CN110709940A publication Critical patent/CN110709940A/zh
Application granted granted Critical
Publication of CN110709940B publication Critical patent/CN110709940B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
    • A61B5/721—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts using a separate sensor to detect motion or using motion information derived from signals other than the physiological signal to be measured
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • A61B5/024—Measuring pulse rate or heart rate
    • A61B5/02405—Determining heart rate variability
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • A61B5/024—Measuring pulse rate or heart rate
    • A61B5/02416—Measuring pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • A61B5/024—Measuring pulse rate or heart rate
    • A61B5/02438—Measuring pulse rate or heart rate with portable devices, e.g. worn by the patient
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Cardiology (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Databases & Information Systems (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

用于预测传感器测量质量的方法、系统和方法。在一些实施方式中，该方法包括：使用包括处理器和传感器的可穿戴计算设备来测量指示在当前时间段期间可穿戴计算设备的运动的信息；以及识别与确定来自可穿戴计算设备内配置的传感器的测量具有足够质量以使用来自传感器的一个或多个测量来计算生理度量的可能性相关联的一个或多个参数，其中，一个或多个参数包括与可穿戴计算设备相关联的场境参数；基于所识别的一个或多个参数以及基于指示当前时间段期间用户设备的运动的信息，确定来自与用户设备相关联的传感器的测量在第二时间段具有足够质量以使用来自传感器的测量来计算生理度量的可能性；响应于确定可能性超过预定阈值，激活处理器和传感器并在第二时间段从传感器收集测量；和基于当前时间段期间用户设备的运动以及基于第二时间段期间来自传感器的测量，更新识别的一个或多个参数。

Description

用于预测传感器测量质量的方法、系统和介质
技术领域
所公开的主题涉及用于预测传感器测量质量的方法、系统和介质。更具体地，所公开的主题涉及在当前时间段分析与可穿戴计算设备相关联的传感器信息和/或场境信息，以确定是否获得额外的传感器信息或在随后的时间段执行对这种传感器信息的分析。
背景技术
人们对使用可穿戴计算设备(诸如健身追踪器或智能手表)来测量不同的生理参数(诸如心率或心率变异性)越来越感兴趣。通常基于传感器读数来完成测量或确定生理参数，例如，使用光电容积描记传感器来生成光电容积描记数据(例如，光电容积描记波形)，该数据可用于计算生理参数，诸如心率或心率变异性。
然而，用于确定生理参数的这种传感器的性能通常取决于诸如运动的因素。例如，如果用户在运动，则来自光电容积描记传感器的传感器读数可能缺乏准确性。然而，包括这些传感器的许多设备通常以固定的间隔进行测量，而与测量是否可能有噪声或对计算诸如心率变异性的生理参数无关。这可能是资源密集型的，例如，通过唤醒处理器而导致设备不必要地消耗功率，该处理器进而激活一个或多个传感器以进行不具有足够质量以用于计算所需生理参数的传感器测量。此外，通常会丢弃不具有足够质量的这些收集的传感器测量。
因此，期望提供用于预测传感器测量质量的新方法、系统和介质。
发明内容
提供了用于预测传感器测量质量的方法、系统和介质。
根据所公开的主题的一些实施方式，提供了一种用于预测传感器测量质量的方法，该方法包括：使用包括处理器和传感器的可穿戴计算设备来测量指示在当前时间段期间所述可穿戴计算设备的运动的信息；识别与确定来自可穿戴计算设备内配置的传感器的测量具有足够质量以用于使用来自传感器的所述一个或多个测量来计算生理度量的可能性相关联的一个或多个参数；基于所识别的一个或多个参数以及基于指示在当前时间段期间用户设备的运动的信息，确定来自与用户设备相关联的传感器的测量在第二时间段具有足够质量以用于使用来自所述传感器的测量来计算生理度量的可能性；响应于确定所述可能性超过预定阈值，激活所述处理器和传感器并在所述第二时间段从所述传感器收集测量；以及基于在所述当前时间段期间用户设备的运动并基于在所述第二时间段来自所述传感器的测量，更新所识别的一个或多个参数。
在一些实施方式中，使用包括处理器和传感器的可穿戴计算设备来测量指示在当前时间段期间可穿戴计算设备的运动的信息包括：例如使用运动传感器来确定在当前时间段期间可穿戴计算设备的运动，以及生成指示在当前时间段期间可穿戴计算设备的运动的运动数据。该可能性可以是基于运动数据以及所识别的一个或多个参数来确定的。
在一些实施方式中，该可能性可以包括可能性值，该可能性值指示来自传感器的测量在第二时间段具有足够质量以用于计算生理度量的可能性或概率。该可能性超过预定阈值的确定可以包括确定该可能性值超过预定阈值。
在一些实施方式中，传感器测量的质量可以指示传感器测量中的噪声。
在一些实施方式中，确定来自传感器的测量是否具有足够的质量可以包括确定该测量的质量得分以及确定所述质量得分是否大于特定质量阈值。例如，所述质量得分可以包括在采样时间段期间的噪声水平和/或平均噪声水平。特定质量阈值可以包括预定的噪声水平值和/或预定的平均噪声水平值。
在一些实施方式中，传感器是心率或光电容积描记传感器，并且生理度量是可穿戴计算设备的用户的心率或心率变异性。
在一些实施方式中，该方法进一步包括确定与所述可穿戴计算设备相关联的场境信息，其中，确定来自所述传感器的测量在第二时间段具有足够质量以用于使用来自所述传感器的测量计算所述生理度量的可能性还基于所识别的一个或多个参数、指示在当前时间段期间用户设备的运动的信息、以及所确定的与所述可穿戴计算设备相关联的场境信息。
在一些实施方式中，所述一个或多个参数包括与指示在当前时间段期间用户设备的运动的信息相关联的阈值，并且该可能性是基于与指示用户设备的运动的信息相关联的阈值来确定的。该阈值可以是例如运动阈值。继续该示例，确定该可能性可以包括确定来自当前时间段的运动数据是否指示可穿戴计算设备的运动已经超过运动阈值。
在一些实施方式中，指示用户设备的运动的信息包括用户设备的加速度，并且其中与指示用户设备的运动的信息相关联的阈值是在当前时间段期间测量的平均加速度。确定该可能性可以例如包括确定来自当前时间段的运动数据是否指示可穿戴计算设备的平均加速度已经超过运动阈值的平均加速度。
在一些实施方式中，其中，所述参数是基于包括多个训练样本的训练集来确定的，其中，来自所述多个训练样本的一个训练样本包括指示所述用户设备的运动的信息和对应的传感器测量。训练集可以是训练数据集，并且训练样本可以是训练数据样本。每个训练数据样本可以包括指示用户设备的运动的运动数据和指示在这种运动期间的传感器测量的传感器测量数据。该可能性的确定可以包括：基于来自当前时间段的运动数据与所选择的训练数据样本的运动数据之间的对应关系来选择训练数据样本，以及确定来自所选择的训练数据样本的传感器测量数据是否在第二时间段具有足够质量以用于计算生理度量的可能性。
在一些实施方式中，该方法还包括：响应于确定该可能性不超过预定阈值，使所识别的一个或多个参数被更新并且禁止可穿戴计算设备的处理器和传感器被激活。
根据所公开的主题的一些实施方式，提供了一种用于预测传感器测量质量的系统，该系统包括传感器和连接到所述传感器的硬件处理器，其中，所述硬件处理器被配置为：测量指示在当前时间段期间所述可穿戴计算设备的运动的信息；识别与确定来自可穿戴计算设备内配置的所述传感器的测量具有足够质量以用于使用来自传感器的一个或多个测量来计算生理度量的可能性相关联的一个或多个参数；基于所识别的一个或多个参数以及基于指示在当前时间段期间用户设备的运动的信息，确定来自与用户设备相关联的传感器的测量在第二时间段具有足够质量以用于使用来自所述传感器的测量来计算生理度量的可能性；响应于确定所述可能性超过预定阈值，激活所述处理器和传感器并在所述第二时间段从所述传感器收集测量；和基于在所述当前时间段期间用户设备的运动并基于在所述第二时间段来自所述传感器的测量，更新所识别的一个或多个参数。
根据所公开的主题的一些实施方式，提供了一种包含计算机可执行指令的非暂时性计算机可读介质，所述计算机可执行指令在由处理器执行时使所述处理器执行用于预测传感器测量质量的方法，所述方法包括：使用包括处理器和传感器的可穿戴计算设备来测量指示在当前时间段期间所述可穿戴计算设备的运动的信息；识别与确定来自可穿戴计算设备内配置的传感器的一个或多个测量具有足够质量以用于使用来自传感器的测量来计算生理度量的可能性相关联的一个或多个参数；基于所识别的一个或多个参数以及基于指示在当前时间段期间用户设备的运动的信息，确定来自与用户设备相关联的传感器的测量在第二时间段具有足够质量以用于使用来自所述传感器的测量来计算生理度量的可能性；响应于确定所述可能性超过预定阈值，激活所述处理器和传感器并在所述第二时间段从所述传感器收集测量；和基于在所述当前时间段期间用户设备的运动并基于在所述第二时间段来自所述传感器的测量，更新所识别的一个或多个参数。
根据所公开的主题的一些实施方式，提供了一种用于预测传感器测量质量的系统，该系统包括：用于测量指示在当前时间段期间所述可穿戴计算设备的运动的信息的装置；用于识别与确定来自可穿戴计算设备内配置的传感器的测量具有足够质量以用于使用来自传感器的一个或多个测量来计算生理度量的可能性相关联的一个或多个参数的装置；用于基于所识别的一个或多个参数以及基于指示在当前时间段期间用户设备的运动的信息，确定来自与用户设备相关联的传感器的测量在第二时间段具有足够质量以用于使用来自所述传感器的测量来计算生理度量的可能性的装置；用于响应于确定所述可能性超过预定阈值，激活所述处理器和传感器并在所述第二时间段从所述传感器收集测量的装置；以及用于基于在所述当前时间段期间用户设备的运动并基于在所述第二时间段来自所述传感器的测量，更新所识别的一个或多个参数的装置。
附图说明
当结合以下附图考虑时，参考对所公开的主题的以下详细描述，可以更充分地理解所公开的主题的各种目的、特征和优点，其中，相同的附图标记表示相同的元件。
图1示出了根据所公开的主题的一些实施方式的用于确定是进行传感器测量还是以其他方式获得传感器信息的过程的示例。
图2示出了根据所公开主题的一些实施方式的用于确定用于预测传感器测量将具有足够质量的可能性的参数的过程的示例。
图3示出了根据所公开的主题的一些实施方式的适于实现本文所述的用于确定是否进行传感器测量的机构的说明性系统的示意图。
图4示出了根据所公开的主题的一些实施方式的可以在图3的服务器和/或用户设备中使用的硬件的详细示例。
具体实施方式
根据各种实施方式，提供了用于预测传感器测量质量的机构(其可以包括方法、系统和介质)。
在一些实施方式中，本文所述的机构可以确定与用户设备(例如，诸如健身追踪器或智能手表等的可穿戴计算设备)相关联的传感器将进行相对高质量的测量的可能性和/或具有足够的质量以便可以将其用于计算特定度量(诸如用户设备的用户的生理参数)的可能性。例如，在一些实施方式中，传感器可以是配置在可穿戴计算设备上的光电容积描记(PPG)传感器，其中传感器可以用于测量或推断可穿戴计算设备的用户的心跳。在一些这样的实施方式中，所述机构可以计算来自PPG传感器的读数将具有足够高的质量以推断用户的心跳的可能性，该读数将具有足够高的质量以计算用户的心率或心率变异性(HRV)、和/或计算任何其他合适的度量的可能性。
在一些实施方式中，所述机构可以基于任何合适的信息来计算传感器读数将具有足够高质量的可能性。例如，在一些实施方式中，可以基于与用户设备相关联的运动数据来计算可能性，该运动数据指示用户设备在特定时间窗(例如，十秒和/或任何其他合适的持续时间)上的加速度。作为另一示例，在一些实施方式中，可以基于与用户设备相关联的场境信息来计算可能性，诸如一天中的时间、周围环境条件(例如，周围光的量、周围温度、和/或任何其他合适的环境条件)、当前用户活动、和/或任何其他合适的场境信息。
在一些实施方式中，本文描述的机构可以训练可以用于计算可能性的任何合适的算法。例如，在一些实施方式中，机构可以训练阈值化算法、基于特征的分类器、神经网络、和/或任何其它合适类型的算法，如下文结合图2更详细地描述的。在一些实施方式中，机构可以基于运动数据、场境数据、和/或先前的传感器读数来构造训练样本以训练算法。在一些实施方式中，该机构可以更新训练样本，并且因此随着时间的流逝用新的训练样本来更新算法。
在一些实施方式中，本文描述的机构可以用于允许用户设备(诸如健身追踪器或智能手表)通过仅在计算出的可能性指示传感器读数可能具有足够高的质量时收集传感器数据来更有效地操作。在所述机构确定传感器读数或所得度量可能不准确或过于嘈杂(例如，噪声水平大于特定阈值)的情况下，通过不必要地收集传感器读数并计算度量(例如，心率、HRV、和/或任何其他合适的度量)，用户设备可以减少功耗并节省电池寿命。例如，机构可以响应于确定所收集的传感器读数将具有足够的质量(例如，质量得分大于特定质量阈值)来确定在哪种情况下激活用户设备上的处理器和一个或多个传感器。
转向图1，根据所公开的主题的一些实施方式，示出了用于确定是否从传感器收集测量的过程的示例100。在一些实施方式中，过程100的框可以在任何合适的用户设备上实现，诸如可穿戴计算设备(例如，健身追踪器、和/或任何其他合适类型的用户设备)、移动电话、和/或任何其他合适类型的用户设备。
在102处，过程100可以通过收集指示用户设备的当前运动的数据开始。在一些实施方式中，过程100可以以任何合适的方式收集运动数据。例如，在一些实施方式中，过程100可以采样与用户设备相关联的运动传感器，诸如加速度计、陀螺仪、和/或任何其他合适类型的运动传感器。在一些实施方式中，过程100可以收集表示跨越任何合适的时间范围(例如，十毫秒的运动数据，一秒的运动数据、和/或任何其他合适的时间范围)的用户设备的运动的数据。在一些实施方式中，收集的数据可以包括任何合适数量的测量样本。
在104处，过程100可以确定与用户设备和/或用户设备的用户相关联的场境信息。在一些实施方式中，场境信息可以包括关于用户设备当前位于的环境的信息。例如，在一些实施方式中，场境信息可以包括当前温度(例如，用户设备当前位于的房间内的当前环境温度，用户设备当前位于的地理位置的当前外部温度，和/或任何其他合适位置的当前温度)。作为另一示例，在一些实施方式中，场境信息可以包括一天中的当前时间、一周中的当前日、一年中的当前时间、和/或任何其他合适的定时信息。作为又一个示例，在一些实现中，场境信息可以包括用户设备当前位于的房间中的光量。
在一些实施方式中，场境信息可以包括关于用户设备的用户当前正在参与的活动的信息。例如，在一些实施方式中，场境信息可以指示用户当前正在看电视还是以其他方式消费媒体内容、睡觉、锻炼(例如，包括特定类型的锻炼)、在计算机上工作、和/或执行任何其他合适类型的活动。在一些实施方式中，可以基于任何合适的信息来确定指示用户设备的用户正在参与的活动的场境信息。例如，在一些实施方式中，过程100可以基于用户提供的显式信息来确定当前活动，诸如经由界面或经由用户设备上的输入设备的用户正在开始跑步的指示，用户要睡觉的指示、和/或任何其他合适类型的指示。作为另一个示例，在一些实施方式中，过程100可以基于任何合适的信息来推断当前活动。作为更特定的示例，在一些实施方式中，基于指示用户正在工作的位置信息(例如，基于全球定位系统坐标、和/或任何其他合适的位置信息)和指示用户没有四处走动的运动数据，过程100可以确定用户可能正在计算机处工作。作为另一个更具体的示例，在一些实施方式中，基于指示用户当前正在以特定的步速(例如，每小时的特定英里数、每分钟的特定步数、和/或任何其他合适的步速度量)移动的位置信息或运动数据，过程100可以确定用户可能正在跑步。作为又一个特定示例，在一些实施方式中，基于指示用户没有移动或移动得不是非常多的运动数据、和指示用户设备处于黑暗中的环境光信息、和/或指示当前一天的时间在一天中的特定钟点之间(例如，晚上10点至早上6点之间、和/或任何其他合适的钟点)的计时信息，过程100可以确定用户可能正在睡觉。
在106处，过程100可以基于运动数据和/或场境数据计算来自与用户设备相关联的传感器的记录对于特定计算将具有相对高的质量和/或足够高的质量的可能性。例如，在一些实施方式中，过程100可以计算对于继收集运动数据的时间段之后的时间段的传感器读数(如以上结合框102所述)对于特定的计算将具有相对高的质量和/或具有足够高的质量的可能性。在一些实施方式中，传感器可以是任何合适类型的传感器，诸如用于计算用户的心率的光电容积描记(PPG)传感器。在一些实施方式中，过程100可以计算来自传感器的记录将产生足够高质量的数据以计算特定度量的可能性。例如，在传感器是PPG传感器的情况下，过程100可以计算来自PPG传感器的记录将具有足够高的质量以确定用户的心跳、计算用户的心率、计算用户的HRV、计算用户的呼吸速率、和/或任何其他合适的度量的可能性。作为特定示例，在用户设备是佩戴在用户的手腕或手臂上的可穿戴计算设备(例如，健身追踪器、智能手表等)并且传感器是PPG传感器的情况下，过程100可以计算用户的手腕或手臂在从PPG传感器记录的持续时间内保持足够静止使得来自PPG传感器记录的数据可用于提取与用户的心跳相对应的峰值以确定心率和/或HRV的可能性。在继续该示例中，过程100可以计算来自PPG传感器的记录将至少具有给定质量来确定第一类型的度量(例如，佩戴可穿戴计算设备的用户的心率)，但是将不至少具有给定质量以确定第二类型的度量的可能性。
应当注意，过程100可以使用任何合适的技术或技术的组合来确定来自传感器的记录对于特定计算将具有相对较高的质量和/或有用的可能性。例如，在一些实施方式中，过程100可以使用在框102处收集的运动数据和在框104处接收的场境数据作为对任何合适算法、计算、或公式的输入，以确定可能性。作为更特定的示例，在一些实施方式中，过程100可以使用任何合适的机器学习算法或技术，如下面结合图2更详细地描述的。在一些实施方式中，可以用任何合适的训练样本训练由过程100使用的机器学习算法，如下面结合图2更详细地描述的。在一些实施方式中，过程100可以确定一个以上可能性，诸如从传感器收集的数据具有足够高的质量以计算不同度量的可能性。例如，在一些实施方式中，过程100可以计算传感器数据将具有足够高的质量以计算心率的第一可能性，以及传感器数据将具有足够高的质量以计算HRV的第二可能性。
在108处，过程100可以确定所计算的可能性是否超过预定阈值(例如，大于50％、大于70％、大于90％、和/或任何其他合适的阈值)。
如果在108处，过程100确定所计算的可能性不超过预定阈值(在108处为“否”)，则过程100可以进行到框112，如下面将更详细地描述的。即，过程100可以进行到框112，而无需使用传感器进行测量。例如，过程100可以禁止可穿戴计算设备的处理器和连接至该处理器的一个或多个传感器被激活以及获得一个或多个传感器测量。
如果在108处，过程100确定计算的可能性超过预定阈值(在108处为“是”)，则过程100可以进行到框110。在110处，过程100可以使用传感器进行测量。例如，在传感器是PPG传感器的情况下，过程100可以发送使与PPG传感器相关联的发光二极管产生照亮用户设备的用户的一块皮肤的光的任何合适的指令以及使与PPG传感器相关联的光电二极管测量用户的皮肤透射和/或反射的光量的任何合适的指令。在另一示例中，过程100可以将与用户设备相关联的处理器从休眠模式激活到活动模式。在一些实施方式中，过程100可以接收任何合适数量的测量样本。
在一些实施方式中，过程100可以使用记录的数据来计算任何合适的度量。例如，在传感器是PPG传感器并且过程100记录了由用户的皮肤反射和/或透射的光量的测量的情况下，过程100可以计算度量，诸如用户的瞬时心率、基于任何合适的时间段(最后一秒的平均值、最后两秒的平均值、和/或任何其他合适的时间段)的用户的平均心率、用户的HRV、用户的呼吸速率、和/或任何其他合适的度量。
在112处，过程100可以收集指示可能性计算的准确性的信息。在框108处所计算的可能性超过预定阈值并且在框110处进行传感器记录的情况下，过程100可以确定传感器记录的数据的准确性和/或基于传感器数据计算的一个或多个度量的准确性。例如，在传感器是PPG传感器的情况下，过程100可以确定与基于传感器数据计算的一个或多个度量相对应的置信度。作为更具体的示例，过程100可以确定基于传感器数据计算的心率和/或HRV的置信度。作为另一个更具体的示例，过程100可以计算指示基于传感器数据计算的度量的质量的得分，诸如指示基于传感器数据计算的心率迹线的质量的得分。作为具体示例，过程100可以基于对心率迹线中的噪声量的确定和/或基于任何其他合适的信息来计算质量得分。
在框108处所计算的可能性未超过预定阈值并且省略了框110的情况下，过程100可以收集指示可能性计算的准确性的任何合适的信息。例如，在所计算的可能性指示由于用户设备过度运动的可能性而导致传感器读数可能具有较差的质量的情况下，过程100可以基于任何合适的信息来确定是否发生过度运动的预测(例如，来自运动传感器的信息、位置信息、和/或任何其他合适的信息)。
然后，过程100可以返回到102。
注意，在一些实施方式中，指示可能性计算的准确性的信息可用于更新用于确定高质量传感器读数以用于将来的预测的可能性的参数。例如，如下面结合图2的框206更详细地描述的，该信息可用于为用于确定高质量传感器读数的可能性的算法创建附加训练样本。
转向图2，根据所公开的主题的一些实施方式，示出了用于确定用于确定传感器读数将具有相对高质量的可能性的参数的过程的示例200。在一些实施方式中，过程200的框可以在任何合适的设备上实施。例如，在一些实施方式中，过程200的框可以在与传感器读数相关联的用户设备上实施，诸如可穿戴计算设备(例如，健身追踪器、智能手表、和/或任何其他合适类型的可穿戴计算设备)。作为另一示例，在一些实施方式中，过程200的框可以在服务器上实施，诸如服务器，该服务器从一个或多个用户设备接收数据并且使用接收到的数据来选择用于算法或函数的参数以确定传感器读数将具有相对高的质量的可能性。
过程200可以在202处通过接收运动数据和/或场境数据开始。例如，在一些实施方式中，运动数据可以是来自与用户设备相关联的运动传感器(例如，加速度计、陀螺仪、和/或任何其他合适类型的运动传感器)的记录，如上面结合图1的框102所描述的。作为另一示例，在一些实施方式中，场境数据可以是诸如定时信息(例如，一天中的当前时间，一周中的当前日、和/或任何其他合适的定时信息)、环境信息(例如，当前环境光水平、当前噪声水平、和/或任何其他合适的环境信息)、用户的当前活动的信息、和/或任何其他合适的场境信息，如上面结合图1的框104所描述的。
在一些实施方式中，过程200可以将接收到的运动数据和接收到的场境数据用作训练样本。例如，在一些实施方式中，可以将接收到的运动数据和/或接收到的场境数据与指示传感器读数的质量的得分配对。作为更特定的示例，在一些实施方式中，指示用户设备的运动的运动数据(例如，来自与用户设备相关联的加速度计的运动数据)可以与传感器读数的噪声水平的指示配对。在一些这样的实施方式中，传感器读数的噪声水平可以在任何合适的尺度上(例如，指示传感器读数是否有噪声的二进制尺度、平均噪声水平、和/或任何其他合适的尺度)。在一些实施方式中，指示传感器读数的质量的得分可以手动和/或算法地被分配。例如，训练样本可以包括与0配对的加速度计样本，指示来自对应时间窗口的PPG传感器读数噪声太大而无用。作为另一特定示例，训练样本可以包括与来自对应时间窗口的PPG传感器读数的平均噪声水平配对的加速度计样本。
在一些实施方式中，每个训练样本可以包括任何合适持续时间的运动数据样本和传感器读取样本。例如，在一些实施方式中，可以使用特定持续时间(例如，五秒、十秒、和/或任何其他合适的持续时间)的滑动窗口来创建每个训练样本。作为更特定的示例，在传感器读数对应于来自与用户设备相关联的PPG传感器的测量的情况下，训练样本可以包括与来自对应的十秒窗口的PPG传感器读数的质量指示配对的十秒钟的加速度计数据。在一些实施方式中，传感器测量的对应时间窗口可以是继运动数据测量的时间窗口之后的时间窗口。替代地，在一些实施方式中，传感器测量的时间窗口可以使任何合适的重叠持续时间与运动数据测量的时间窗口重叠。
注意，在一些实施方式中，可以以任何合适的方式将场境信息包括在训练样本中。例如，在一些实施方式中，训练样本可以另外包括在与运动数据和/或传感器读数相对应的时间窗期间的环境光量的指示。作为另一个示例，在一些实施方式中，训练样本可以包括一天的时间、环境温度、用户的当前活动、和/或在与运动数据和/或传感器读数相对应的时间窗口期间的任何其他合适的场境信息的指示。
注意，在由服务器执行过程200的情况下，过程200可以从任何合适数量的用户设备(例如，一、十、五十、一百、和/或任何其他合适的数字)接收运动数据、场境数据和传感器读数以基于多个用户设备构建训练样本。
在204处，过程200可使用如上文结合框202所描述的接收和/或构造的训练样本来训练或构建算法。在一些实施方式中，过程200可以是任何合适类型的算法。例如，在一些实施方式中，过程200可以是阈值算法，该阈值算法确定传感器的读数可能具有足够高的质量以计算任何合适的度量的运动阈值(如运动数据所指示的)。作为更具体的示例，在一些实施方式中，过程200可以基于运动数据构造直方图。作为特定示例，可以针对每个训练样本在运动数据的时间窗口上生成平均加速度或平均加加速度值的直方图。在一些实施方式中，可以基于指示每个训练样本的传感器读数的质量的得分来标记或标示用于构造直方图的数据点，如以上结合框202所述的。
作为另一示例，在一些实施方式中，过程200可以使用训练样本来训练基于特征的分类器。在一些实施方式中，基于特征的分类器可以是任何合适类型的分类器，诸如神经网络、随机森林算法、支持向量机、逻辑回归、和/或任何其他合适类型的分类器。在一些实施方式中，过程200可以以任何合适的方式使用运动数据和/或场境数据来构造特征。例如，在一些实施方式中，对于每个训练样本，过程200可以使用与特定训练样本的运动数据相对应的数据样本的平均值和/或标准偏差来构造特征。作为更具体的示例，在一些实施方式中，在运动数据包括在十秒钟的窗口上的加速度计读数的情况下，过程200可以构造特征，该特征包括在十秒钟的窗口上的平均加速度、在十秒钟的窗口上的加速度计测量的标准偏差、和/或任何其他合适的功能。在一些实施方式中，每个训练样本可以与任何合适数量的特征相关联。例如，在与训练样本相关联的运动数据包括来自特定时间窗口的加速度计数据的情况下，过程200可以为训练样本构造一组特征，训练样本包括：第一均值，其对应于前三分之一特定时间窗口的平均加速度；第一标准偏差，其对应于前三分之一特定时间窗口的标准偏差；第二均值，其对应于中间三分之一特定时间窗口的平均加速度；第二标准偏差，其对应于中间三分之一特定时间窗口的标准偏差；第三均值，其对应于后三分之一特定时间窗口的平均加速度；第三标准偏差，其对应于后三分之一特定时间窗口的标准偏差；和/或任何其他合适的特征。注意，在一些实施方式中，过程200可以以任何合适的方式基于场境数据来构造特征。例如，在一些实施方式中，过程200可以构造指示定时信息、周围环境信息的特征、和/或任何其他合适特征。
作为又一个示例，在一些实施方式中，过程200可以训练卷积神经网络或深度神经网络模型。在一些这样的实施方式中，神经网络可以使用原始运动数据作为训练样本。例如，在一些实施方式中，训练样本可以包括来自任何合适的时间窗口(例如，十秒、和/或任何其他合适的持续时间)的原始加速度计数据。附加地或替代地，在一些实施方式中，神经网络可以在训练样本中使用任何其他合适的数据，诸如指示用户的活动的数据、指示环境光的数据、指示环境温度的数据、定时信息、和/或任何其他合适的场境信息。
在206处，过程200可以选择用于计算传感器读数可能具有相对高的质量和/或具有足够高的质量以计算特定度量的可能性的参数。例如，在一些实施方式中，在所使用的算法(如以上结合框204所述)是阈值算法的情况下，过程200可以选择阈值，当其应用于运动数据和/或场境数据时，该阈值可能是与可接受质量的传感器读数相关联。作为更特定的示例，过程200可以确定特定时间段上的平均加速度的阈值，对于该阈值，超过在随后的时间段中进行的预定百分比(例如，大于70％，大于90％，和/或其他合适的百分比)的传感器读数具有可接受的质量。作为具体示例，如果在特定时间窗上的平均加速度小于预定阈值，则过程200可以确定超过90％的传感器读数具有相对高的质量。作为另一个更具体的示例，过程200可以确定特定时间段上的平均加速度的阈值，对于该阈值，小于在随后的时间段中预定百分比(例如，小于20％、小于10％、和/或任何其他合适的百分比)的传感器读数具有很差的质量。作为具体示例，如果在特定时间窗上的平均加速度超过预定阈值，则过程200可以确定超过10％的传感器读数具有相对差的质量。作为另一示例，在所使用的算法(如以上结合框204所述的)是基于特征的分类器和/或神经网络的情况下，过程200可以识别在训练期间该算法收敛的权重或其他参数。作为更具体的示例，在一些实施方式中，在所使用的算法是神经网络的情况下，过程200可以识别在权重的优化期间收敛的神经网络的权重，和/或以任何其他合适的方式来识别。
在一些实施方式中，过程100可使用过程200在框206处识别的参数来确定来自与用户设备相关联的传感器(例如，PPG传感器、和/或任何其他合适类型的传感器)的传感器读数将记录相对高质量和/或具有足够质量的数据以基于与用户设备相关联的运动数据和/或场境数据来计算特定度量(例如，心率、HRV、和/或任何其他合适度量)的可能性，如上面结合图1的框106所描述的。例如，在所使用的算法是阈值算法并且在框206处识别的参数包括加速度的阈值的情况下，对于该阀值，超过预定百分比的传感器读数具有相对高的质量，过程100可以确定特定时间窗口上的加速度数据的平均加速度是否超过阈值。作为另一示例，在所使用的算法是神经网络并且在框206处识别的参数包括神经网络的权重的情况下，过程100可以将权重应用于记录的运动数据输入和/或场境数据以预测后续时间窗口的传感器读数将具有相对高的质量和/或足够的质量以计算特定的度量的可能性。
在一些实施方式中，过程200可返回到框202并接收额外的运动数据、场境数据、和传感器读数。然后，过程200可以使用接收到的数据来构造其他训练样本，以更新用于计算传感器读数将可使用的可能性的参数。
转向图3，示出了用于根据所公开的主题的一些实施方式确定是否收集可以使用的传感器测量的硬件的示例300。如图所示，硬件300可以包括服务器302、通信网络304、和/或一个或多个用户设备306，诸如用户设备308和310。
服务器302可以是用于存储数据和执行计算的任何合适的服务器。例如，在一些实施方式中，服务器302可以从任何合适数量的用户设备接收数据，这些数据指示用户设备的运动、与用户设备相关联的场境信息、和/或来自用户设备的传感器读数。在一些实施方式中，服务器302可以使用所述数据来训练用于确定(例如，来自PPG传感器、和/或任何其他合适类型的传感器的)传感器读数是否将产生足够高的质量以执行特定测量的数据的任何合适算法，如上面结合图2所述的。在一些实施方式中，可以省略服务器302。
在一些实施方式中，通信网络304可以是一个或多个有线和/或无线网络的任何合适的组合。例如，通信网络304可以包括以下中的任何一个或多个：因特网、内联网、广域网(WAN)、局域网(LAN)、无线网络、数字用户线(DSL)网络、中继网络、异步传输模式(ATM)网络、虚拟专用网(VPN)、和/或任何其他合适的通信网络。用户设备306可以通过一个或多个通信链路(例如，通信链路312)连接到通信网络304，该通信网络304可以经由一个或多个通信链路(例如，通信链路314)链接到服务器302。通信链路可以是适用于在用户设备306和服务器302之间传递数据的任何通信链路，诸如网络链路、拨号链路、无线链路、硬连线链路、任何其他合适的通信链路、或这种链路的任何合适的组合。
用户设备306可以包括适合于接收指示用户设备的运动的运动数据，从与该用户设备相关联的传感器(例如，PPG传感器、和/或任何其他合适类型的传感器)接收读数，确定来自传感器的读数是否可能产生相对高质量的数据，和/或适合于执行任何其他合适的功能的任何一个或多个用户设备。例如，在一些实施方式中，用户设备306可以包括可穿戴计算设备，诸如健身追踪器、智能手表、和/或任何其他合适类型的用户设备。作为另一示例，在一些实施方式中，用户设备306可以包括任何其他合适类型的用户设备，诸如移动电话、平板计算机、膝上型计算机、台式计算机、和/或任何其他合适类型的用户设备。
尽管将服务器302图示为一个设备，但是在一些实施方式中，可以使用任何合适数量的设备来执行由服务器302执行的功能。例如，在一些实施方式中，可以使用多个设备来实现服务器302执行的功能。
尽管在图3中示出了两个用户设备308和310以避免附图过于复杂，但是在一些实施方式中可以使用任何合适数量的用户设备、和/或任何合适类型的用户设备。
在一些实施方式中，服务器302和用户设备306可以使用任何合适的硬件来实现。例如，在一些实施方式中，可以使用任何合适的通用计算机或专用计算机来实现设备302和306。例如，可穿戴式计算设备可以使用专用计算机来实现。任何这样的通用计算机或专用计算机可以包括任何合适的硬件。例如，如在图4的示例硬件400中所图示的，这样的硬件可以包括硬件处理器402、存储器和/或存储装置404、输入设备控制器406、输入设备408、显示/音频驱动器410、显示和音频输出电路412、通信接口414、天线416、和总线418。
在一些实施方式中，硬件处理器402可包括任何合适的硬件处理器，诸如微处理器、微控制器、数字信号处理器、专用逻辑、和/或用于控制通用计算机或专用计算机的功能的任何其他合适的电路。在一些实施方式中，硬件处理器402可以由存储在服务器(诸如结合图3示出和在上面描述的服务器302)的存储器和/或存储装置404中的服务器程序来控制。例如，服务器程序可以使硬件处理器402训练算法，该算法用于确定来自用户设备的传感器读数可能具有相对高质量的可能性，如以上结合图2所述的。在一些实施方式中，硬件处理器402可以由存储在用户设备的存储器和/或存储装置404中的计算机程序来控制。例如，计算机程序可以使硬件处理器402确定来自传感器的测量将具有高质量的可能性，如以上结合图1和图2所述的，和/或执行任何其他合适的操作。
在一些实施方式中，存储器和/或存储装置404可以是用于存储程序、数据、媒体内容、和/或任何其他合适的信息的任何合适的存储器和/或存储装置。例如，存储器和/或存储装置404可以包括随机存取存储器、只读存储器、闪存、硬盘存储装置、光学介质、和/或任何其他合适的存储器。
在一些实施方式中，输入设备控制器406可以是用于控制和接收来自一个或多个输入设备408的输入的任何合适的电路。例如，输入设备控制器406可以是用于接收来自触摸屏、来自键盘、来自鼠标、来自一个或多个按钮、来自语音识别电路、来自麦克风、来自相机、来自光学传感器、来自加速度计、来自陀螺仪、来自温度传感器、来自近场传感器、来自光传感器、和/或任何其他类型的输入设备的输入的电路。
在一些实施方式中，显示/音频驱动器410可以是用于控制和驱动输出到一个或多个显示/音频输出设备412的任何合适的电路。例如，显示/音频驱动器410可以是用于驱动触摸屏、平板显示器、阴极射线管显示器、投影仪、一个扬声器或多个扬声器、和/或任何其他合适的显示和/或呈现设备的电路。
一个或多个通信接口414可以是用于与一个或多个通信网络(例如，通信网络304)对接的任何合适的电路。例如，接口414可以包括网络接口卡电路、无线通信电路、和/或任何其他合适类型的通信网络电路。
在一些实施方式中，天线416可以是用于与通信网络(例如，通信网络304)无线通信的任何合适的一个或多个天线。在一些实施方式中，可以省略天线416。
在一些实施方式中，总线418可以是用于在两个或更多个组件402、404、406、410和414之间进行通信的任何合适的机构。
根据一些实施方式，任何其他合适的组件可以被包括在硬件400中。
在一些实施方式中，图1和图2的过程的上述框中的至少一些可以以任何顺序或次序执行，而所示的顺序和次序不限于附图所示和结合附图描述的顺序和次序。而且，图1和图2的上述框中的一些可以基本上同时执行，其中合适或并行地以减少等待时间和处理时间。附加地或可替代地，可以省略图1和图2的过程的上述框中的一些。
在一些实施方式中，任何合适的计算机可读介质可以用于存储用于执行本文的功能和/或过程的指令。例如，在一些实施方式中，计算机可读介质可以是暂时的或非暂时的。例如，非暂时计算机可读介质可以包括以下介质，诸如非暂时性形式的磁性介质(诸如硬盘、软盘、和/或任何其他合适的磁性介质)、非暂时性形式的光学介质(诸如光盘、数字视频光盘、蓝光光盘、和/或其他任何合适的光学介质)、半导体介质的非临时性形式(诸如闪存、电可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、和/或任何其他合适的半导体介质)、在传输期间没有短暂或没有任何永久性外观的任何合适介质、和/或任何合适的有形介质。作为另一个示例，暂时计算机可读介质可以包括网络、电线、导体、光纤、电路中的信号、在传输期间短暂且没有任何永久性表现的任何合适的介质、和/或任何合适的无形介质。
在此处描述的系统收集有关用户的个人信息或利用个人信息的情况下，可以为用户提供控制程序或特征是否收集用户信息(例如，有关用户社交网络的信息、社交动作或活动、职业、用户的偏好、或用户的当前位置)的机会。此外，在存储或使用某些数据之前，可以以一种或多种方式处理某些数据，以便移除个人信息。例如，可以处理用户的身份，以便无法确定该用户的任何个人身份信息，或者可以在获得位置信息的情况下将用户的地理位置概括化(诸如概括化到城市、邮政编码或州级别)，因此无法确定用户的特定位置。因此，用户可以控制如何收集有关用户的信息以及如何由内容服务器使用。
因此，提供了用于预测传感器测量质量的方法、系统和介质。
尽管已经在前述说明性实施方式中描述和说明了本发明，但是应当理解，本公开仅是通过示例的方式进行的，并且在不脱离本发明的景深和范围的情况下对实施方式的细节方面可以做出许多改变。本发明的精神和范围仅由所附权利要求书限定。所公开的实施方式的特征可以以各种方式组合和重新布置。

Claims (21)

1.一种用于预测传感器测量质量的方法，所述方法包括：
使用包括处理器和传感器的可穿戴计算设备来测量指示在当前时间段期间所述可穿戴计算设备的运动的信息；
识别与确定来自所述传感器的测量具有足够质量以用于计算生理度量的可能性相关联的一个或多个参数；
基于所识别的一个或多个参数以及基于指示在所述当前时间段期间用户设备的运动的信息，确定来自所述传感器的所述测量在第二时间段具有足够质量以用于计算所述生理度量的可能性；
响应于确定所述可能性超过预定阈值，激活所述处理器和所述传感器并在所述第二时间段从所述传感器收集所述测量；和
基于在所述当前时间段期间所述用户设备的运动并基于在所述第二时间段来自所述传感器的所述测量，更新所识别的一个或多个参数。
2.根据权利要求1所述的方法，其中，所述传感器是心率或光电容积描记传感器，并且其中，所述生理度量是所述可穿戴计算设备的用户的心率或心率变异性。
3.根据权利要求1或权利要求2所述的方法，还包括确定与所述可穿戴计算设备相关联的场境信息，其中，确定来自所述传感器的所述测量在所述第二时间段具有足够质量以用于使用来自所述传感器的所述测量计算所述生理度量的可能性还基于所识别的一个或多个参数、以及所确定的与所述可穿戴计算设备相关联的场境信息。
4.根据前述权利要求中的任一项所述的方法，其中，所述一个或多个参数包括与指示在所述当前时间段期间所述用户设备的运动的所述信息相关联的运动阈值，并且其中，所述可能性是基于所述运动阈值来确定的。
5.根据权利要求4所述的方法，其中，指示所述用户设备的运动的所述信息包括所述用户设备的加速度，并且其中，所述运动阈值是在所述当前时间段期间测量的平均加速度。
6.根据前述权利要求中的任一项所述的方法，其中，所述参数是基于包括多个训练数据样本的训练数据集来确定的，其中，来自所述多个训练数据样本的一个训练数据样本包括指示所述用户设备的运动的所述信息和对应的传感器测量。
7.根据前述权利要求中的任一项所述的方法，还包括：响应于确定所述可能性不超过所述预定阈值，使所识别的一个或多个参数被更新并且禁止所述可穿戴计算设备的所述处理器和所述传感器被激活。
8.一种用于预测传感器测量质量的系统，所述系统包括：
传感器；和
连接到所述传感器的硬件处理器，其中，所述硬件处理器被配置为：
测量指示在当前时间段期间所述可穿戴计算设备的运动的信息；
识别与确定来自所述传感器的测量具有足够质量以用于计算生理度量的可能性相关联的一个或多个参数，其中所述一个或多个参数包括与所述可穿戴计算设备相关联的场境参数；
基于所识别的一个或多个参数以及基于指示在所述当前时间段期间用户设备的运动的信息，确定来自所述传感器的所述测量在第二时间段具有足够质量以用于计算所述生理度量的可能性；
响应于确定所述可能性超过预定阈值，激活所述处理器和所述传感器并在所述第二时间段从所述传感器收集所述测量；和
基于在所述当前时间段期间所述用户设备的运动并基于在所述第二时间段来自所述传感器的所述测量，更新所识别的一个或多个参数。
9.根据权利要求8所述的系统，其中，所述传感器是心率或光电容积描记传感器，并且其中，所述生理度量是所述可穿戴计算设备的用户的心率或心率变异性。
10.根据权利要求8或权利要求9所述的系统，其中，所述硬件处理器还被配置为确定与所述可穿戴计算设备相关联的场境信息，其中，确定来自所述传感器的所述测量在所述第二时间段具有足够质量以用于使用来自所述传感器的所述测量计算所述生理度量的可能性还基于所识别的一个或多个参数、以及所确定的与所述可穿戴计算设备相关联的场境信息。
11.根据权利要求8至10中的任一项所述的系统，其中，所述一个或多个参数包括与指示在所述当前时间段期间所述用户设备的运动的所述信息相关联的运动阈值，并且其中，所述可能性是基于所述运动阈值来确定的。
12.根据权利要求11所述的系统，其中，指示所述用户设备的运动的所述信息包括所述用户设备的加速度，并且其中，所述运动阈值是在所述当前时间段期间测量的平均加速度。
13.根据权利要求8至12中的任一项所述的系统，其中，所述参数是基于包括多个训练数据样本的训练数据集来确定的，其中，来自所述多个训练数据样本的一个训练数据样本包括指示所述用户设备的运动的所述信息和对应的传感器测量。
14.根据权利要求8至13中的任一项所述的系统，其中，所述硬件处理器还被配置为：响应于确定所述可能性不超过所述预定阈值，使所识别的一个或多个参数被更新并禁止所述可穿戴计算设备的所述处理器和所述传感器被激活。
15.一种包含计算机可执行指令的非暂时性计算机可读介质，所述计算机可执行指令在由处理器执行时使所述处理器执行用于预测传感器测量质量的方法，所述方法包括：
使用包括处理器和传感器的可穿戴计算设备来测量指示在当前时间段期间所述可穿戴计算设备的运动的信息；
识别与确定来自所述传感器的测量具有足够质量以用于计算生理度量的可能性相关联的一个或多个参数，其中，所述一个或多个参数包括与可穿戴计算设备相关联的场境参数；
基于所识别的一个或多个参数以及基于指示在所述当前时间段期间用户设备的运动的信息，确定来自所述传感器的所述测量在第二时间段具有足够质量以用于计算所述生理度量的可能性；
响应于确定所述可能性超过预定阈值，激活所述处理器和所述传感器并在所述第二时间段从所述传感器收集所述测量；和
基于在所述当前时间段期间所述用户设备的运动并基于在所述第二时间段来自所述传感器的所述测量，更新所识别的一个或多个参数。
16.根据权利要求15所述的非暂时性计算机可读介质，其中，所述传感器是心率或光电容积描记传感器，并且其中，所述生理度量是所述可穿戴计算设备的用户的心率或心率变异性。
17.根据权利要求15或权利要求16所述的非暂时性计算机可读介质，其中，所述方法还包括确定与所述可穿戴计算设备相关联的场境信息，其中，确定来自所述传感器的所述测量在所述第二时间段具有足够质量以用于使用来自所述传感器的所述测量计算所述生理度量的可能性还基于所识别的一个或多个参数、以及所确定的与所述可穿戴计算设备相关联的场境信息。
18.根据权利要求15至17中的任一项所述的非暂时性计算机可读介质，其中所述一个或多个参数包括与指示在所述当前时间段期间所述用户设备的运动的所述信息相关联的运动阈值，并且其中，所述可能性是基于所述运动阈值来确定的。
19.根据权利要求18所述的非暂时性计算机可读介质，其中，指示所述用户设备的运动的所述信息包括所述用户设备的加速度，并且其中，所述运动阈值是在所述当前时间段期间测量的平均加速度。
20.根据权利要求15至19中的任一项所述的非暂时性计算机可读介质，其中，所述参数是基于包括多个训练数据样本的训练数据集来确定的，其中，来自所述多个训练数据样本的一个训练数据样本包括指示所述用户设备的运动的所述信息和对应的传感器测量。
21.根据权利要求15至20中任一项所述的非暂时性计算机可读介质，其中，所述方法还包括：响应于确定所述可能性不超过所述预定阈值，使所识别的一个或多个参数被更新并且禁止所述可穿戴计算设备的所述处理器和所述传感器被激活。
CN201880036956.3A 2017-12-13 2018-09-14 用于预测传感器测量质量的方法、系统和介质 Active CN110709940B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/840,467 US10945674B2 (en) 2017-12-13 2017-12-13 Methods, systems, and media for predicting sensor measurement quality
US15/840,467 2017-12-13
PCT/US2018/051051 WO2019118027A1 (en) 2017-12-13 2018-09-14 Methods, systems, and media for predicting sensor measurement quality

Publications (2)

Publication Number Publication Date
CN110709940A true CN110709940A (zh) 2020-01-17
CN110709940B CN110709940B (zh) 2023-12-05

Family

ID=63858043

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880036956.3A Active CN110709940B (zh) 2017-12-13 2018-09-14 用于预测传感器测量质量的方法、系统和介质

Country Status (4)

Country Link
US (2) US10945674B2 (zh)
EP (1) EP3613054A1 (zh)
CN (1) CN110709940B (zh)
WO (1) WO2019118027A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113729622A (zh) * 2020-05-29 2021-12-03 芯海科技（深圳）股份有限公司 生物指标测量方法、装置、测量设备和存储介质
WO2024051500A1 (zh) * 2022-09-09 2024-03-14 荣耀终端有限公司 基于可穿戴设备的生理检测方法及可穿戴设备

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114402179A (zh) * 2019-09-20 2022-04-26 诺基亚技术有限公司 传感器的运行时评价
US11832914B2 (en) * 2019-10-22 2023-12-05 Physio-Control, Inc. Methods and systems for patient parameter fusion and feedback
GB2603104A (en) * 2020-12-04 2022-08-03 Huma Therapeutics Ltd Predicting a heart rate variability parameter
CN112862127B (zh) * 2021-04-23 2021-07-23 北京瑞莱智慧科技有限公司 一种传感器数据的异常处理方法、装置、电子设备及介质
GB2622396A (en) 2022-09-14 2024-03-20 Carelight Ltd Real time opto-physiological monitoring method and system

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140275854A1 (en) * 2012-06-22 2014-09-18 Fitbit, Inc. Wearable heart rate monitor
CN105659200A (zh) * 2013-09-18 2016-06-08 英特尔公司 用于显示图形用户界面的方法、设备和系统
EP3096282A1 (en) * 2015-05-21 2016-11-23 Tata Consultancy Services Limited Multi-dimensional sensor data based human behaviour determination system and method
US20170017776A1 (en) * 2015-07-17 2017-01-19 Google Inc. Context-aware system for providing fitness information
WO2017079580A1 (en) * 2015-11-06 2017-05-11 Lifeq Global Limited Energy efficient system and method for physiological monitoring
WO2017090810A1 (ko) * 2015-11-26 2017-06-01 엘지전자 주식회사 웨어러블 디바이스 및 그것의 동작방법
US9729693B1 (en) * 2016-06-07 2017-08-08 Huami Inc. Determining measurement confidence for data collected from sensors of a wearable device
US20170337422A1 (en) * 2016-05-20 2017-11-23 Daqri, Llc Biometric based false input detection for a wearable computing device

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6842877B2 (en) * 1998-12-18 2005-01-11 Tangis Corporation Contextual responses based on automated learning techniques
US20120123232A1 (en) * 2008-12-16 2012-05-17 Kayvan Najarian Method and apparatus for determining heart rate variability using wavelet transformation
US9743848B2 (en) * 2015-06-25 2017-08-29 Whoop, Inc. Heart rate variability with sleep detection
US20140073486A1 (en) * 2012-09-04 2014-03-13 Bobo Analytics, Inc. Systems, devices and methods for continuous heart rate monitoring and interpretation
US9848823B2 (en) * 2014-05-29 2017-12-26 Apple Inc. Context-aware heart rate estimation
US9808185B2 (en) 2014-09-23 2017-11-07 Fitbit, Inc. Movement measure generation in a wearable electronic device
US10477354B2 (en) * 2015-02-20 2019-11-12 Mc10, Inc. Automated detection and configuration of wearable devices based on on-body status, location, and/or orientation
US9662023B2 (en) 2015-06-16 2017-05-30 Qualcomm Incorporated Robust heart rate estimation
US10485471B2 (en) * 2016-01-07 2019-11-26 The Trustees Of Dartmouth College System and method for identifying ictal states in a patient
BR112019003561B1 (pt) * 2016-08-31 2022-11-22 Apple Inc Sistema e método para melhorar uma exatidão de um dispositivo para ser usado junto ao corpo e determinar um movimento do braço de um usuário
US9854292B1 (en) * 2017-01-05 2017-12-26 Rovi Guides, Inc. Systems and methods for determining audience engagement based on user motion
EP3687392A4 (en) * 2017-10-17 2021-07-07 Whoop, Inc. APPLIED DATA QUALITY METRICS FOR PHYSIOLOGICAL MEASUREMENTS

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140275854A1 (en) * 2012-06-22 2014-09-18 Fitbit, Inc. Wearable heart rate monitor
CN105659200A (zh) * 2013-09-18 2016-06-08 英特尔公司 用于显示图形用户界面的方法、设备和系统
EP3096282A1 (en) * 2015-05-21 2016-11-23 Tata Consultancy Services Limited Multi-dimensional sensor data based human behaviour determination system and method
US20170017776A1 (en) * 2015-07-17 2017-01-19 Google Inc. Context-aware system for providing fitness information
WO2017079580A1 (en) * 2015-11-06 2017-05-11 Lifeq Global Limited Energy efficient system and method for physiological monitoring
WO2017090810A1 (ko) * 2015-11-26 2017-06-01 엘지전자 주식회사 웨어러블 디바이스 및 그것의 동작방법
US20170337422A1 (en) * 2016-05-20 2017-11-23 Daqri, Llc Biometric based false input detection for a wearable computing device
US9729693B1 (en) * 2016-06-07 2017-08-08 Huami Inc. Determining measurement confidence for data collected from sensors of a wearable device

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113729622A (zh) * 2020-05-29 2021-12-03 芯海科技（深圳）股份有限公司 生物指标测量方法、装置、测量设备和存储介质
WO2024051500A1 (zh) * 2022-09-09 2024-03-14 荣耀终端有限公司 基于可穿戴设备的生理检测方法及可穿戴设备

Also Published As

Publication number Publication date
US10945674B2 (en) 2021-03-16
CN110709940B (zh) 2023-12-05
US20210196204A1 (en) 2021-07-01
WO2019118027A1 (en) 2019-06-20
US20190175115A1 (en) 2019-06-13
EP3613054A1 (en) 2020-02-26
US11504068B2 (en) 2022-11-22

Similar Documents

Publication Publication Date Title
US11504068B2 (en) Methods, systems, and media for predicting sensor measurement quality
US11883195B2 (en) Multimode sensor devices
US9848823B2 (en) Context-aware heart rate estimation
US11918856B2 (en) System and method for estimating movement variables
RU2682760C1 (ru) Устройство мониторинга сердечных сокращений
US20180008191A1 (en) Pain management wearable device
US20190117143A1 (en) Methods and Apparatus for Assessing Depression
CN113520340A (zh) 一种睡眠报告的生成方法、装置、终端以及存储介质
CN105446480A (zh) 可穿戴电子装置中的移动量度产生
CN107427665A (zh) 用于睡眠辅助的可穿戴设备
CN104436615A (zh) 监视成果的装置和方法
CN112057066A (zh) 心率的检测方法、可穿戴设备及计算机存储介质
WO2023116062A1 (zh) 一种心率监测的方法和装置
WO2021046342A1 (en) Systems and methods for detecting sleep activity
KR20210060246A (ko) 생체 데이터를 획득하는 장치 및 그 방법
US20220151511A1 (en) System, apparatus and method for activity classification for a watch sensor
US20240090827A1 (en) Methods and Systems for Improving Measurement of Sleep Data by Classifying Users Based on Sleeper Type
WO2016051379A1 (en) User state classification
WO2016135589A2 (en) Health habit management
JP7088397B1 (ja) データ収集システム、データ収集装置、データ取得装置及びデータ収集方法
US20230210503A1 (en) Systems and Methods for Generating Menstrual Cycle Cohorts and Classifying Users into a Cohort
JP7036272B1 (ja) データ収集システム、データ収集方法及びデータ収集装置
US20240203585A1 (en) Techniques for leveraging data collected by wearable devices and additional devices
WO2024094929A1 (en) Predicting awake-time alertness
JP2023077288A (ja) データ収集装置、データ収集方法、端末機器

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant