用于确定生命体征数据中的趋势的原因的方法和设备与流程

本公开的实施例涉及用于确定生命体征数据中的趋势的原因的方法和设备，并且更具体地，涉及确定在特定时间获得的生命体征数据中的趋势并确定所确定的趋势的原因的方法以及用于实现该方法的设备。

背景技术：

已经对用于自动地确定用户是否采取了某个动作的系统进行了持续的研究。例如，已经开发了自动药物分配器，以感测药物何时被从存储盒中取出。

这样的药物分配器可以用于检查用户是否在固定时间服用了处方药物。然而，因为在药物从药物分配器中被取出后可能无法识别用户是否已经实际服用了药物，所以该设备的实际使用可能存在限制。

技术实现要素：

技术问题

需要研究更先进的技术来检查用户是否已经实际服用了药物。

附图说明

图1是根据本公开的实施例的用于确定生命体征数据中的趋势的原因的设备的框图。

图2是根据本公开的实施例的确定生命体征数据中的趋势的原因的方法的流程图。

图3是根据本公开的实施例的用于确定生命体征数据中的趋势的原因的系统的框图。

图4是根据本公开的实施例的生成与生命体征数据中的特定趋势的一个或多个可能的原因相关的每个权重的方法的流程图。

图5示出了根据本公开的实施例的生成与生命体征数据中的特定趋势的一个或多个可能的原因相关的每个权重的结果的示例。

图6示出了根据本公开的实施例的通过使用与生命体征数据中的特定趋势的一个或多个可能的原因相关的权重来确定生命体征数据中的特定趋势的原因的结果的示例。

图7是根据本公开的实施例的通过使用非生命体征数据来确定目标的生命体征中的变化的原因的方法的流程图。

图8是根据本公开的实施例的用于确定目标的生命体征数据中的变化的原因的系统的框图。

图9是根据本公开的实施例的计算机执行对生命体征数据中的特定趋势的多个可能的原因进行排序的方法的流程图。

图10是根据本公开的实施例的更新与生命体征数据中的特定趋势的一个或多个可能的原因相关的权重的方法的流程图。

具体实施方式

最佳模式

作为上述技术问题的技术解决方案，根据本公开的实施例，一种由电子设备使用以确定生命体征数据中的趋势的原因的方法包括：获得目标的生命体征数据；确定生命体征数据中随时间的趋势；以及基于所确定的趋势的一个或多个可能的原因以及一个或多个可能的原因的一个或多个存储的权重，确定具有导致所确定的趋势的最高可能性的原因，其中，一个或多个存储的权重每个表示所确定的趋势的一个或多个可能的原因是所确定的趋势的原因的可能性。

具有导致所确定的趋势的最高可能性的原因的确定可以包括：将关于所确定的生命体征数据中的趋势的信息发送到服务器；以及从服务器接收关于具有导致所确定的趋势的最高可能性的原因的信息。

一个或多个存储的权重可以通过以下方式生成：基于所收集的生命体征数据和与所收集的生命体征数据相关的元数据，通过使用机器学习算法将权重分配给所收集的生命体征数据中的趋势的一个或多个原因；以及存储所分配的权重，其中元数据可以表示与多个个体相关的所收集的生命体征数据中的趋势的原因。

该方法还可以包括：在用户界面上输出具有导致所确定的趋势的最高可能性的原因；接收第一用户输入，所述第一用户输入与所输出的具有最高可能性的原因是否是生命体征数据中的趋势的实际原因相关；以及根据第一用户输入更新存储的权重。

该方法还可以包括：接收第二用户输入，所述第二用户输入用于确认具有比所输出的具有最高可能性的原因更低可能性的一个或多个可能的原因中的一个作为生命体征数据中的趋势的实际原因；以及根据第二用户输入更新存储的权重。

一个或多个可能的原因可以包括当目标服用处方药物时的药物服用事件。

一个或多个可能的原因可以包括当目标未能服用处方药物时的药物服用遗漏事件，并且该方法还可以包括根据确定具有导致所确定的生命体征数据中的趋势的最高可能性的原因是药物服用遗漏事件来输出通知。

该方法还可以包括，响应于确定具有导致生命体征数据中的趋势的最高可能性的原因是药物服用事件，在药物服用事件之后存储与生命体征数据相关的信息，以监控药物服用对目标的效果。

生命体征数据可以从包括一个或多个生命体征传感器的可穿戴电子设备获得。

该方法还可以包括：获得目标的非生命体征数据；以及确定非生命体征数据中的随时间的趋势，其中可以考虑所确定的非生命体征数据中的趋势以确定具有导致所确定的生命体征数据中的趋势的最高可能性的原因。

根据本公开的实施例的另一方面，一种用于确定生命体征数据中的趋势的原因的电子设备包括：存储器；以及一个或多个处理器，其被配置为：获得目标的生命体征数据；确定生命体征数据中的随时间的趋势；以及基于所确定的趋势的一个或多个可能的原因以及可能的原因的一个或多个存储的权重，确定具有导致所确定的趋势的最高可能性的原因，其中一个或多个存储的权重每个表示导致所确定的趋势的一个或多个可能的原因是所确定的趋势的原因的可能性。

该电子设备还可以包括通信接口，该通信接口将关于所确定的生命体征数据中的趋势的信息发送给服务器，并且从服务器接收关于具有导致所确定的趋势的最高可能性的原因的信息。

一个或多个存储的权重可以通过以下方式生成：基于所收集的生命体征数据和与所收集的生命体征数据相关的元数据，通过使用机器学习算法将权重分配给所收集的生命体征数据趋势的一个或多个原因；以及存储所分配的权重，其中元数据可以表示与多个个体相关的所收集的生命体征数据趋势的原因。

电子设备还可以包括用户界面，该用户界面输出具有导致所确定的趋势的最高可能性的原因，并且接收与所输出的具有最高可能性的原因是否是生命体征数据趋势的实际原因相关的第一用户输入，其中一个或多个处理器可以根据第一用户输入更新一个或多个存储的权重。

用户界面可以接收用于确认具有比所输出的具有最高可能性的原因更低可能性的一个或多个可能的原因中的一个的第二用户输入，作为生命体征数据中的趋势的实际原因，并且一个或多个处理器可以根据第二用户输入更新一个或多个存储的权重。

一个或多个可能的原因可以包括当目标服用处方药物时的药物服用事件。

一个或多个可能的原因可以包括当目标未能服用处方药物时的药物服用遗漏事件，并且一个或多个处理器可以根据确定具有导致所确定的生命体征数据中的趋势的最高可能性的原因是药物服用遗漏事件来输出通知。

响应于确定具有导致生命体征数据中的趋势的最高可能性的原因是药物服用事件，一个或多个处理器可以在药物服用事件之后存储与生命体征数据相关的信息，以监控药物服用对目标的效果。

生命体征数据可以从包括一个或多个生命体征传感器的可穿戴电子设备获得。

一个或多个处理器可以获得非生命体征数据并确定非生命体征数据中的随时间的趋势，其中可以考虑所确定的非生命体征数据中的趋势以确定具有导致所确定的生命体征数据中的趋势的最高可能性的原因。

根据本公开的实施例的另一方面，计算机可读记录介质存储程序，当被计算机执行时，该程序执行上述生命体征数据趋势原因确定方法。

公开模式

从下面参考附图描述的实施例中，本公开的优点和特征及其实现方法将变得清楚。然而，本公开可以以多种不同的形式实施，并且不应该被解释为限于下面所描述的实施例；相反，提供本公开的这些实施例是为了完成本公开，并将本公开的范围完全传达给本领域普通技术人员，并且本公开将仅由权利要求的范围来限定。

将简要描述本文所使用的术语，然后将详细描述本公开。

本文所使用的术语是考虑到本公开中的功能而在本领域中当前广泛使用的那些通用术语，但是这些术语可以根据本领域普通技术人员的意图、先例或本领域中的新的技术而变化。此外，在一些情况下，可能存在由申请人可选地选择的术语，并且将在本公开的相应部分中详细描述这些术语的含义。因此，本文所使用的术语不应理解为简单的名称，而是基于术语的含义和本公开的总体描述的。

在整个说明书中，当某物被称为“包括”元件时，除非另有说明，否则还可以包括另一元件。此外，本文所使用的术语“单元”可以指软件元件或硬件元件，诸如现场可编程门阵列(field-programmablegatearray，fpga)或专用集成电路(application-specificintegratedcircuit，asic)，并且“单元”可以执行一些功能。然而，“～单元”不限于软件或硬件。“～单元”可以被配置为在可寻址存储介质中，或者可以被配置为操作一个或多个处理器。因此，作为示例，“单元”可以包括诸如软件组件、面向对象的软件组件、类组件和任务组件的组件，并且可以包括进程、函数、属性、过程、子例程、程序代码段、驱动、固件、微码、电路、数据、数据库、数据结构、表、数组和变量。在元件和“单元”中提供的功能可以被组合为更少数量的元件和“单元”，或者可以被进一步分为附加的元件和“单元”。

在本公开中，用于确定生命体征数据中的趋势的原因的设备100可以与用户设备100或设备100相同。

在下文中，将参考附图详细描述本公开的实施例，使得本领域普通技术人员可以容易地实现这些实施例。此外，为了清楚地描述本公开，将在附图中省略与描述无关的部分。

图1是根据本公开的实施例的用于确定生命体征数据中的趋势的原因的设备的框图。

根据本公开的实施例的用于确定生命体征数据中的趋势的原因的设备100可以包括处理器110和存储器130。

处理器110可以获得目标的生命体征数据。

目标可以是用于确定生命体征数据中的趋势的原因的设备100的穿戴者或用户。在本公开的实施例中，目标可以是动物。

这里，生命体征数据可以指与生命体征相关的数据，诸如脉搏率、体温、呼吸率、血压、睡眠模式、心率变异性(heartratevariability，hrv)或末梢毛细血管血氧饱和度(peripheralcapillaryoxygensaturation，spo2)。

生命体征数据可以通过用于确定生命体征数据中的趋势的原因的设备100内部或外部的各种传感器获得。

此外，处理器110可以确定生命体征数据中的随时间的趋势。这里，生命体征数据中的随时间的趋势可以指生命体征数据的变化率或特定时间段内生命体征数据的变化趋势。

例如，在实施例中，处理器110可以将hrv在一小时内变化了约15％的范围的事实确定为生命体征数据中随时间的趋势。

此外，处理器110可以基于导致所确定的趋势的一个或多个可能的原因以及为可能的原因存储的一个或多个权重，来确定具有导致所确定的趋势的最高可能性的原因。

导致所确定的趋势的可能的原因可以包括锻炼(诸如行走或跑步)、社交活动(诸如打电话或看电影)、进食(诸如饮水或进食)或服用处方药物。

这里，可能导致所确定的趋势的原因的权重可以指为所确定的趋势存储的一个或多个可能的原因将是造成所确定的趋势的原因的每种可能性。

可以基于预先收集到的信息来确定和存储可能导致所确定的趋势的原因的权重，将在下面参考图4等对此进行详细描述。

处理器110可以通过使用导致所确定的趋势的一个或多个可能的原因的权重来确定具有导致所确定的趋势的最高可能性的原因。

存储器130可以存储导致处理器110的执行的程序指令等。

在本公开的一些实施例中，用于确定生命体征数据中的趋势的原因的设备100可以包括多个存储器。

在本实施例中，处理器110和存储器130被表示为独立的配置单元；然而，在本公开的一些实施例中，处理器110和存储器130可以被组合并实现为相同的配置单元。

此外，在本实施例中，处理器110和存储器130被表示为位于用于确定生命体征数据中的趋势的原因的设备100内部的相邻配置单元；然而，根据一些实施例，处理器110和存储器130可以是分布式的，因为用于执行处理器110和存储器130的相应功能的设备不一定在物理上彼此相邻。

此外，因为用于确定生命体征数据中的趋势的原因的设备100不限于物理设备，所以用于确定生命体征数据中的趋势的原因的设备100的一些功能可以由软件实现，而不由硬件实现。

根据本公开的一些实施例，用于确定生命体征数据中的趋势的原因的设备100还可以包括输出设备、通信接口等。

本文所描述的组件中的每一个可以包括一个或多个组件，并且组件的名称可以取决于设备的类型而变化。在各种实施例中，设备可以被配置为包括本文所描述的组件中的至少一个，并且可以省略一些组件或者还可以包括其他附加的组件。此外，根据各种实施例的设备的一些组件可以以相同的方式被组合和配置为一个实体，以在被组合之前执行相应组件的功能。

图2是根据本公开的实施例的确定生命体征数据中的趋势的原因的方法的流程图。

图2所示的方法可以在用户设备100(诸如包括用于测量穿戴该设备的用户的生命体征的一个或多个传感器的可穿戴电子设备)中执行。

图2所示的方法可以在其他类型的用户设备(诸如智能手机、平板计算机、台式计算机或服务器)中实现。

首先，在s210操作中，设备100可以获得目标的生命体征。根据实施例，目标可以是被测量生命体征的人体或动物体。生命体征数据可以包括与脉搏率、体温、呼吸率、血压、睡眠模式和末梢毛细血管血氧饱和度(spo2)中的一个或多个生命体征相关的数据。

此外，生命体征数据可以包括关于脉搏率、体温、呼吸率、血压、睡眠模式和末梢毛细血管氧饱和度(spo2)中的一个或多个的生命体征测量值。

在本公开的一些实施例中，生命体征数据可以包括从一个或多个生命体征测量值导出的数据。例如，生命体征数据可以包括从脉搏率的测量值导出的心率变异性(hrv)数据。

接下来，在操作s230中，设备100可以确定生命体征数据中的随时间的趋势。

根据实施例，在操作s230中，为趋势的确定而执行的分析可以以不同的格式执行。在本公开的一些实施例中，在操作s230中对生命体征数据趋势的确定可以通过应用移动平均滤波器来确定生命体征数据中的随时间的平均值以及通过确定所确定的生命体征数据的平均值是增加还是减少或者保持原样来执行。

在其他实施例中，当在操作s230中确定的平均值增加或减少时，设备100可以确定生命体征数据有变化；并且当所确定的平均值保持原样时，设备100可以确定生命体征数据也被稳定地保持。

在本公开的一些实施例中，可以在操作s230中确定生命体征数据的变化率。

可以在获得新的生命体征数据时连续执行操作s230中的分析，或者可以以固定的时间间隔间歇地执行该分析。

在操作s250中，设备100可以根据一个或多个存储的权重来确定生命体征数据趋势的最大原因。

每个权重可能与所确定的趋势的一个或多个可能的原因相关，并且可能是与造成该趋势的原因相关的可能性的因素。

在操作s250中，可以通过取回(retrieving)为与在操作s230中确定的趋势相关的一个或多个可能的原因存储的权重来确定趋势的最有可能的原因。在这种情况下，在所确定的趋势的多个可能的原因中，具有最高权重的原因可以被确定为最有可能的原因。

当确定了最有可能的原因时，设备100可以根据该确定采取适当的动作。例如，设备100可以存储操作s250的确定结果，以供用户或诸如医学专家的第三方将来参考。

在本公开的一些实施例中，生命体征数据可以与生命体征数据中揭示的趋势的最有可能的原因相关联地存储。在本公开的其他实施例中，设备100可以根据感测到的原因的类型自动地输出通知(警报)。

图3是根据本公开的实施例的用于确定生命体征数据中的趋势的原因的系统的框图。

在图3的实施例中，用于确定生命体征数据中的趋势的原因的系统可以包括用于确定生命体征数据中的趋势的原因的设备100、服务器200以及一个或多个传感器300。

在图3的实施例中，用于确定生命体征数据中的趋势的原因的设备100可以是用户设备，诸如可穿戴电子设备、智能手机、平板计算机或台式计算机。

根据图2中所示的流程图，用于确定生命体征数据中的趋势的原因的设备100可以在确定生命体征数据中的趋势的原因时，在服务器200和传感器300中执行一些处理。

在图2的实施例的操作s250中，权重可以存储在用户设备100中或者可以被远程地存储。当权重存储在远程设备中时，取回存储的权重的操作可以在外部设备中被远程地执行。

识别具有最高权重的原因的操作可以在与用于分析生命体征数据的设备相同的设备中执行，或者可以在外部设备中被远程地执行。

在图3的实施例中，权重可以被远程地存储在作为用户设备100的外部设备的服务器200中。服务器200可以确定可能导致所确定的趋势的原因，并且可以基于预先收集到的信息为每个原因分配和存储权重。

此外，服务器200可以识别趋势的一个或多个原因中具有最高权重的原因，并且将其发送到用于确定生命体征数据中的趋势的原因的设备100。

传感器300可以感测关于目标的各种生命体征，并将其发送给用户设备100。传感器300可以包括加速度计、温度传感器、压力传感器等。

图4是根据本公开的实施例的生成与生命体征数据中的特定趋势的一个或多个可能的原因相关的每个权重的方法的流程图。

图4所示的方法可以用于生成权重，例如，通过生成如图5所述的表。图4所示的操作可能不需要由与通过使用存储的权重执行分析的设备相同的设备来执行。

例如，权重可以由服务器200通过使用图4所示的方法远程地生成和存储。图2所示的方法可以在能够与服务器进行远程通信的设备(诸如可穿戴电子设备或智能手机)中执行。

在操作s410中，针对多个个体中的每一个，可以获得生命体征数据和与生命体征数据相关的元数据。

这里，元数据可以指关于多个个体的生命体征数据中的趋势的可能的原因。元数据可以被手动地输入或自动地生成。

在收集数据的同时，可以将与关于特定个体的生命体征数据同时收集的非生命体征数据自动分析为由个体执行的活动的类型。例如，可以分析加速度计数据以确定个体正在行走或跑步，因此加速度计数据可以被生成为元数据，诸如跑步或行走。

在操作s430中，基于所收集的生命体征数据和相关的元数据，设备100或服务器200可以通过使用机器学习算法将权重分配给所收集的生命体征数据趋势的一个或多个原因。为了准确的权重分配，设备100或服务器200可以在长时间段上收集生命体征数据。

如上所述，所分配的权重可以指造成生命体征数据趋势的一个或多个原因的每种可能性。

因此，权重可以是概率值。从图5中描述的示例可以看出，权重可以不指示确切的概率，并且可以指示可以描述当前趋势的一个或多个原因的相对概率。

在操作s450中，在操作s430中分配的权重可以与关于一个或多个原因的信息相关联地存储在存储器中。所分配的权重可以以图5中描述的表格式存储，或者可以以其他合适的格式存储。

一旦被存储，权重可以以与图2所示的相同的方式被连续地取回以供使用，然后可以被用于确定特定目标的生命体征数据趋势的最有可能的原因。

图5示出了根据本公开的实施例的生成与生命体征数据的特定趋势的一个或多个可能的原因相关的每个权重的结果的示例。

图5示出了根据本公开的实施例的存储生命体征数据510、生命体征数据510随时间的趋势520、与可能导致该趋势的原因相关的元数据530以及每个元数据530的权重540的数据库的结构的示例。

元数据530可以指可能导致特定趋势的事件。在图5所描述的示例中，趋势被表示为hrv测量和末梢毛细血管氧饱和度(spo2)测量的变化的百分比。

例如，可以通过在特定时间段期间将从传感器读取的值与特定时间段的最后点进行比较，以及将从传感器读取的值与特定时间段的开始点进行比较，来确定变化的百分比。

在一些实施例中，可以通过比较关于当前目标的测量的生命体征数据和生命体征数据的基线来确定生命体征数据趋势。在这种情况下，生命体征数据的基线可以是在所确定的时间段的开始点的生命体征数据值。

如上所述，hrv可以是生命体征数据的类型。通过使用脉搏血氧计测量的末梢毛细血管氧饱和度(spo2)可以是非生命体征数据类型的示例。

在一些实施例中，设备100或服务器200可以用于通过组合生命体征数据和非生命体征数据来确定所确定的趋势的原因。

在图5中描述的示例中，趋势的多个可能的原因可以包括药物服用事件和药物服用遗漏事件。药物服用事件可以是目标服用处方药物的事件。药物服用遗漏事件可以是目标未在规定时间服用处方药物的事件。

在一些实施例中，在操作s230中，执行图2所示的方法的设备100可以确定包括目标应该服用处方药物的预定药物服用时间的时间段可以被包括在用于确定趋势的时间段中。在这种情况下，在操作s250中确定的最有可能的原因可以是目标是否已经在预定时间服用了处方药物。

当所确定的趋势的最有可能的原因被确定为药物服用遗漏事件时，可以输出通知。通知可以以音频、视频或触觉反馈的形式输出到用户。

通知可以用作让用户服用药物的提醒。例如，设备100可以通过合适的通信方法(诸如，sms文本消息或电子邮件)向医学专家发送通知消息来输出通知。

在一些实施例中，响应于确定生命体征数据的趋势的最有可能的原因是药物服用事件，设备100可以在目标已经服用药物之后存储与生命体征数据相关的信息。

存储的生命体征数据可以被设备100连续地取回和分析，然后用于监控药物对目标的效果。

在实施例中，设备100可以自动地感测目标何时已经服用药物，并根据药物服用事件立即记录生命体征数据，从而允许用户或医学专家检查药物是否具有期望的效果。

当药物服用事件之后的生命体征数据指示药物没有预期效果时，设备100可以改变药物的剂量或开出另一种类型的药物。

图6示出了根据本公开的实施例的通过使用与生命体征数据的特定趋势的一个或多个可能的原因相关的权重来确定生命体征数据中的特定趋势的原因的结果的示例。

图6可以指示在执行图2的所有操作之后设备100可以输出的结果。

例如，设备100可以确定行走是hrv在特定时间内变化了约10％至约20％的原因的概率为大约20％，而饮水是hrv在特定时间内变化了约10％至约20％的原因的概率为大约5％。在这种情况下，设备100可以将行走确定为造成生命体征数据610中的趋势620的约10％到约20％的变化的具有最高可能性的原因。

可以以各种方式确定指示造成每个元数据的原因的可能性的概率值。例如，在图5的情况下，预先存储的权重用于计算概率值。

在一些实施例中，设备100可以将更多的原因确定为已经影响了趋势620的原因，并且按照从具有成为责任原因的最高可能性的原因到具有成为责任原因的最低可能性的原因的顺序排列和显示这些原因。

图7是根据本公开的实施例的通过使用非生命体征数据来确定目标的生命体征中的变化的原因的方法的流程图。

如上所述，在一些实施例中，非生命体征数据可以用于帮助确定生命体征数据中的特定趋势的最有可能的原因。

在操作s710中，设备100可以获得目标的非生命体征数据。

非生命体征数据的示例可以包括spo2传感器数据、加速度计数据、温度传感器数据、接近传感器数据、陀螺仪数据和大气压力数据，但不限于此。

在操作s730中，设备100可以确定非生命体征数据中随时间的趋势。用于确定非生命体征数据趋势的时间段可以与在图2中描述的方法的操作s230中确定的生命体征数据趋势的时间段相同。

在操作s750中，设备100可以使用所确定的非生命体征数据趋势来确定所确定的生命体征数据中的趋势的最有可能的原因。

通过使用非生命体征数据趋势，设备100可以提高图2中描述的方法的操作s250中的确定的准确性。

当基于为生命体征数据存储的权重识别出多个可能的原因时，用户设备100可以通过确定非生命体征数据中的趋势是否匹配生命体征数据趋势的可能的原因来排除一些可能的原因。

参考图6中描述的示例，当hrv变化的趋势是约15％到约30％时，设备100可以将可能的原因识别为“跑步”、“药物服用遗漏事件”和“饮水”。

例如，在操作s730中，设备100可以通过获得在操作s710中可获得的非生命体征数据中的加速度计数据来识别表示高加速和减速模式的非生命体征数据中的趋势。

设备100可以确定表示高加速和减速模式的非生命体征数据中的趋势是否与为“跑步”事件预计的生命体征数据中的趋势相匹配。

当在操作s730中识别的趋势与为“跑步”事件预计的生命体征数据中的趋势不匹配时，可以从生命体征数据趋势的可能的原因中排除“跑步”。

图8是根据本公开的实施例的用于确定目标的生命体征数据中的变化的原因的系统的框图。

在本实施例中，系统可以包括用户设备100和服务器200，用户设备100被配置为确定目标中的生命体征数据变化的原因，且服务器200被配置为生成和存储与生命体征数据中的特定趋势的一个或多个可能的原因相关的权重。图8所示的用户设备100和服务器200可以被配置为执行上述方法。

用户设备100可以包括第一存储器820和第一处理单元810，第一处理单元810包括执行计算机程序指令的一个或多个处理器。当由第一处理单元810执行时，第一存储器820可以被配置为存储使用户设备100执行上述方法的计算机程序指令。

在本实施例中，用户设备100还可以包括被配置为与服务器200进行远程通信的第一通信接口830。在一些实施例中，用户设备100可以存储与生命体征数据趋势的可能的原因相关的权重的本地副本，并且在这种情况下，用户设备100可以不包括第一通信接口830。

在本公开的一些实施例中，用户设备100还可以包括用于从一个或多个传感器300接收包括生命体征数据的数据的传感器接口840。在本实施例中，传感器接口840可以被配置为从多个传感器310、320和330接收生命体征数据和非生命体征数据。

尽管在图8中示出了三个传感器(诸如310、320和330)，但是通用用户设备100可以通过传感器接口840从传感器接收数据，而不管其中有多少个传感器。

在图8的实施例中，多个传感器300是不包括在与用户设备100相同的物理设备中的远程传感器。

例如，当用户设备100是智能手机时，传感器接口840可以包括适于与一个或多个传感器300进行远程通信的有线或无线接口。

在一些实施例中，用户设备100可以是与一个或多个传感器300耦合的可穿戴设备，并且在这种情况下，传感器接口840可以不单独包括在用户设备100中。

服务器200可以包括第二存储器870和第二处理单元860，第二处理单元860包括执行计算机程序指令的一个或多个处理器。

当由第二处理单元860执行时，第二存储器870可以被配置为存储使服务器200执行上述方法的计算机程序指令。

服务器200还可以包括被配置为与用户设备100进行远程通信的第二通信接口850。在一些实施例中，当用户设备100和服务器200被实现为相同的物理设备时，第二通信接口850可以不包括在服务器200中。

第二存储器870可被配置为存储机器学习算法880，该算法可以被用于将权重分配给如图4所述的生命体征数据中的趋势的一个或多个原因。

图9是根据本公开的实施例的计算机执行对生命体征数据中的特定趋势的多个可能的原因进行排序的方法的流程图。

在本实施例中，可以在能够与存储了权重的服务器200进行远程通信的用户设备100中收集和分析生命体征数据。

根据本实施例，用户设备100可以通过在操作s910中获得生命体征数据并在操作s920中确定生命体征数据中的随时间的趋势来开始操作。因为操作s910和s920类似于图2的操作s210和s230，为了简明起见，将省略其冗余描述。

在本实施例中，在操作s930至s960中，用户设备100可以与服务器200通信，以确定在操作s920中确定的趋势的最有可能的原因。

在操作s930中，用户设备100可以向服务器200发送关于生命体征数据趋势的信息。在本实施例中，用户设备100可以识别在操作s920中确定的趋势的多个可能的原因。

在操作s940中，服务器200可以取回为可能导致所确定的趋势的原因存储的权重，并且在操作s950中，将取回的权重发送给用户设备100。

例如，参考图5，当在操作s920中为“hrv”的生命体征数据确定的趋势是约15％到约30％的变化率时，在操作s940中，服务器200可以取回“跑步”、“饮水”和“药物服用遗漏事件”的可能的原因以及与这些可能的原因相关联地存储的权重，并且在操作s950中将取回的权重发送给用户设备100。

在操作s960中，用户设备100可以通过使用存储在服务器200中的权重，以可能性的降序排列所确定的趋势的可能的原因。

在其他实施例中，在操作s960中执行的分析可以由服务器200执行。

在实施例中，根据服务器200的搜索结果，当仅为所确定的趋势存储了一个可能的原因的权重时，设备100可以将该具有存储的权重的一个原因确定为最有可能的原因。

在另一实施例中，根据服务器200的搜索结果，当未所确定的趋势存储了多个可能的原因的权重时，设备100可以将具有存储的权重的多个可能的原因中具有最高权重的一个原因确定为最有可能的原因。

在操作s970中，设备100可以通过用户界面输出排列的原因。在实施例中，只有所确定的最有可能的原因可以通过用户界面被输出到用户设备100。在操作s970中，例如，用户设备100可以在图形用户界面(graphicaluserinterface，gui)上显示可能的原因。

在操作s980中，设备100可以接收用于检查所排列的原因的顺序是否正确的用户输入。

在操作s990中，设备100可以将在操作s980中接收到的用户输入发送到服务器200。

在操作s991中，服务器200可以基于接收到的用户输入来更新存储的权重。在操作s991中，服务器200可以通过使用机器学习算法重新计算与来自生命体征数据的所确定的趋势相关的权重。

因为存储的权重响应于用户输入而反复地更新，所以存储的权重的准确性可以随着时间而提高。

图10是根据本公开的实施例的更新与生命体征数据中的特定趋势的一个或多个可能的原因相关的权重的方法的流程图。

在操作s1010中，设备100可以通过用户界面输出具有导致所确定的趋势的最高可能性的原因。该操作可以类似于图9的操作s960。

在操作s1020中，设备100可以接收第一用户输入，该第一用户输入关于作为最有可能的原因的输出原因是否是所确定的趋势的实际原因。

例如，用户设备100可以显示弹出窗口，以允许用户选择并输入关于作为最有可能的原因的输出原因是否匹配其实际原因的“是”或“否”。

在操作s1030中，根据接收到的第一用户输入，用户设备100可以通过将第一用户输入发送到服务器200来更新存储的权重。

当用户设备100存储权重时，用户设备100可以直接更新存储的权重。

例如，响应于指示最有可能的原因的第一用户输入不是生命体征数据中所确定的趋势的实际原因，可以减少与最有可能的原因相关的权重。

当在操作s1020中接收到指示作为最有可能的原因的输出原因与实际原因不匹配的第一用户输入时，在操作s1040中，用户设备100可以随后通过用户界面接收第二用户输入。

第二用户输入可以是用于选择具有比被确定为生命体征数据趋势的最有可能的原因更低可能性的多个可能的原因中的一个的输入。

第二用户输入可以是匹配用户的实际活动的可能的原因中的特定的一个。第二用户输入可以与简单地作为是/否输入的第一用户输入不同。

例如，用户设备100可以以通过下拉列表从用户接收用于选择若干原因中的一个的输入的形式、或者以接收在文本字段中自由描述的输入的形式，接收第二用户输入。

在操作s1050中，用户设备100可以根据第二用户输入来更新存储的权重。在实施例中，用户设备100可以通过将第二用户输入发送到服务器200来更新存储的权重。

当用户设备100存储权重时，用户设备100可以直接更新存储的权重。

例如，当接收到第二用户输入时，可以增加与在第二用户输入中接收到的原因相匹配的原因的权重。

同时，本实施例可以通过将计算机可读代码存储在计算机可读存储介质中来实现。计算机可读存储介质可以包括可以存储由计算机系统可读的数据的任何类型的存储设备。

当从计算机可读存储介质读取并由处理器执行时，计算机可读代码可以被配置为执行用于实现根据本实施例的方法的操作。计算机可读代码可以用各种编程语言实现。此外，本实施例所属领域的普通技术人员可以容易地对用于实现本实施例的功能程序、代码和代码段进行编程。

计算机可读存储介质的示例可以包括rom、ram、cd-rom、磁带、软盘和光学数据存储设备，并且还可以包括载波形式的实现方式(例如，通过互联网传输)。此外，计算机可读存储介质可以分布在网络化的计算机系统上，使得计算机可读代码可以以分布式方式存储和执行。

以上是本公开的实施例的说明，并且本领域普通技术人员将容易理解，在实质上不脱离本公开的精神或特征的情况下，可以对本公开进行各种修改。因此，应该理解，上述实施例应该仅被认为是描述性的，而不是限制性的。例如，被描述为单一类型的每个组件也可以以分布式方式实现，并且类似地，被描述为分布式的组件也可以以组合的形式实现。

本公开的范围不是由上面的详细描述限定的，而是由所附的权利要求限定的，并且在该范围内的所有修改或不同都应该被解释为包括在本公开的范围内。