本申请要求题为“警觉性预测算法”、于2016年2月18日提交的、序列号为62/296,800的美国临时申请(Atty.Doc.No.TVC-141USP)和题为“警觉性预测系统和方法”、于2016年12月12日提交的、序列号为62/432,977的美国临时申请(Atty.Doc.No.TVC-141USP1)的优先权，这些申请每个的内容通过引用完全包括在本说明书中。
背景技术：
个人警觉性的不受控制的下降是一个日益令人担忧的问题，在某些领域的后果正在接近泛滥的程度。例如，估计每天有25万名驾驶员在驾驶时睡着。严重和致命的卡车、公交车、火车和机动车事故正在以令人惊恐的频率发生。制造工厂中的许多受伤和事故与疲劳有关。监控警觉性的目的在于防止发生这些和其它紧急情况，而不是事后处理。例如，在驾驶时已经睡着之后再叫醒就已经太迟了。
过去，用于预测或估计个人警觉性的算法基于经常称作的双进程模型。该双进程模型由昼夜节律进程和睡眠-清醒稳态模型组成。该模型的昼夜节律方面通常仅基于一标准时间周期(例如：23-25小时)。另一方面，睡眠-清醒稳态模型则通常仅基于体动记录仪的确定结果。
双进程算法模型的当前形式的一个缺陷在于，该形式基于从小样本集合收集的数据来概括其对警觉性的预测。该算法无法对其拟用于的个人进行个性化设置。
技术实现要素：
本发明的各方面旨在通过收集来自于被监控的个人的数据以产生对该个人的警觉性水平更准确的估计来改善现有的疲劳和警觉性水平预测模型。可在可穿戴设备中引入一算法或生物-数学模型，以便基于主观和客观测量值的组合来检测、预测和/或估计个人的警觉性。
根据本发明一个方面的一个算法性生物-数学模型涉及包含睡眠-清醒稳态确定和昼夜节律估计的双进程算法。可通过在远端皮肤、环境光线和心率测量值以外还使用体动记录测量值来改善该模型的睡眠-清醒稳态方面，从而改善对于该个人的睡眠和清醒确定的准确性。可通过将远端皮肤、心率和体动记录数据相结合来改善疲劳预测和估计的昼夜节律模型。该昼夜节律估计产生更加准确的模型，该模型能够捕捉使用者的警觉性水平在下午中段的下降和在傍晚的提升。睡眠-清醒稳态和昼夜节律模型也可与额外的客观和主观测量值以及由使用者提供的信息相结合，以更进一步改善估计的准确性。
根据本发明一些方面的其它生物-数学模型可使用各种度量来生成预测个人的警觉性的疲劳分数。在本说明书中描述的生物-数学模型和包含这些生物-数学模型的设备、系统和方法可在关注个人的警觉性的情境中使用。生物-数学模型可作为应用存在于独立设备(例如可穿戴设备)上或另一软件环境中。所关注的度量中的某些或全部可被收集并提供给生物-数学模型以产生与个人的警觉性水平关联的输出。
现有的用于估计或预测个人的警觉性水平的系统和算法模型可用个人样本集合来训练，包含不多的昼夜节律估计反馈或不包含昼夜节律估计反馈。这会产生个人的实际昼夜节律的非常不准确的模型，并由于简单且概括性的正弦形而经常漏掉对已知的昼夜节律事件(例如下午中段的困倦和傍晚的清醒)的预测。然而，在本说明书中描述的创造性设备、系统和生物-数学模型随着模型根据个人的昼夜节律进行调整而持续改善其准确性。所提出的模型可对个人个性化，而其它系统则是对数据样本集合的概括。
附图说明
以下详细说明，当结合附图阅读时，可最好地理解本发明，在附图中相似元件具有相同的附图标记。当存在多个类似元件时，可能给该多个类似元件配上一个附图标记数字，并用小写字母指示表示特定元件。当同时提及这些元件或提及这些元件中的非特定的一个或更多个时，可能会省略该小写字母指示。在此强调，根据惯例，附图的各个特征不是按比例绘制的。相反地，为了显示清楚，各个特征的尺寸是随意放大或缩小的。附图中包括以下图：
图1是根据本发明一些方面的可穿戴设备的框图；
图2是描绘根据本发明一些方面的个人昼夜节律与睡眠-清醒稳态(稳态睡眠欲望)的相互作用的图；
图3是描绘根据本发明一些方面的个人昼夜节律中的示例性事件或特征的图；
图4是根据本发明一些方面的与外部设备通讯的包括本文所述可穿戴设备的系统的框图；
图5是根据本发明一些方面的预测使用者的警觉性的步骤的流程图；
图6是根据本发明一些方面的用于实施图5的概念的示例性方法的流程图；
图7是来自根据本发明一些方面的生物-数学模型的警觉性预测输出结果的图；
图8是根据本发明一些方面的用于估计疲劳的示例性方法的流程图；
图9A是可在图8的方法中提取的第一系数的图；
图9B是可在图8的方法中提取的第二系数的图；
图9C是可在图8的方法中提取的第三系数的图；
图9D是可在图8的方法中提取的第四系数的图。
具体实施方式
本发明的一些方面提供一种可穿戴设备，该可穿戴设备具有使用各种度量来预测个人的疲劳水平的生物-数学模型。某些方面涉及一种双进程算法(这是一种生物-数学模型)，该算法通过使用准确的体动记录测量值和对个人的昼夜节律的估计来预测警觉性水平。该可穿戴设备还可连接到其它系统(例如：智能手机应用或其它“智能”设备)或与其通讯。体动记录和昼夜节律估计两者都可通过使用对个人的运动、身体姿势、心率和远端皮肤温度的测量来实现。可通过添加在本说明书中更详细说明的额外的客观和主观测量值来进一步改善生物-数学模型对警觉性的预测的准确性。由于闭环反馈并通过持续学习和监控，生物-数学模型能够进行改善。
图1描绘了可穿戴设备100，该可穿戴设备用于监控个人疲劳和给例如穿戴该设备100的个人和/或其它个体提供对该个人的警觉性水平的预测。在美国专利申请14/848,771中描述了一种合适的可穿戴设备。所示出的可穿戴设备100被实现成带子102，该带子可例如放置在个人的手腕上。带子102支承至少一个运动传感器104和至少一个用于监控所述个人的生物度量的生物度量传感器模块105。生物度量传感器模块105可包括皮肤温度传感器105a或心率监控器105b中的至少一种。本领域技术人员由本说明书的说明将理解与本发明一起使用的合适的运动传感器104和生物度量传感器模块105。
运动传感器104可包括一个或更多个回转仪和/或加速度计以跟踪(线性、角度等的)运动。被监控或跟踪的运动可包括使用者的规定运动、使用者在规定运动之外的其它运动、使用者的相对运动、或由使用者环境造成的运动(例如来自卡车发动机的振动等)。在测量运动之外，运动传感器104还可用于估计使用者的身体姿势(例如：坐着、站着、躺着)。
用于跟踪运动和/或身体姿势的技术是通过加速度计和/或回转仪实现的。市场上存在众多小型低功率回转仪。回转仪通常使用压电传感器或其它形式的微电子运动传感器(MEMS)。例如，SGS-Thompson Microelectronics(st.com)有一系列基于MEMS的回转仪，这些回转仪以低功率工作、测量所有三个运动轴、提供数字输出，其中所述数字输出可直接供给到微处理器中，并具有低噪音阈值和低回转仪偏移，从而允许这些回转仪以高的精确性和可重复性测量细微的运动。L3G3200D是工作电压范围为2.4V至3.6V的合适的设备，其相当适于电池工作，在通常工作中仅消耗6.1mA，工作范围为-40至+85摄氏度，包括嵌入的温度传感器，并具有温度和运动角速度两者的数字输出，对于角速度具有直至16位的精确性。
可使用线性加速度计，作为MEMS回转仪的替代选择。如在文献“Tilt Sensing Using a Three-Axis Acccelerometer”.Mark Pedley.Freescale Semiconductor.Document Number AN3461.Revision 6,3/2013中所述(该文献通过引用完全包括在本说明书中)，MEMS线性加速度计由于对重力场和线性加速度做出响应，因此当设置在三轴配置中时，能够计算偏航角、俯仰角、翻滚角的旋转变化。
生物度量传感器模块105可包括一个或更多个传感器以测量使用者的一个或更多个生物标记。可根据本发明的一些方面测量的生物标记包括但不限于：皮肤温度和心脏相关的度量，包括心率。生物度量传感器模块105可用于对使用者的各种生物标记进行持续和/或周期性的被动测量，例如频率为每分钟测量一次。在某些实施例中，生物度量传感器模块105可以是上位的，并可包括生物度量传感器和非生物度量传感器(例如：环境光线传感器107)两者。在一个实施例中，生物度量传感器模块105可作为单元集成在设备100中。在另一实施例中，生物度量传感器模块105可包括数个分布在设备100中或遍及设备100的构件。
生物度量传感器模块105可包括皮肤温度传感器105a和心率传感器105b，例如Karlsson Robotics的脉搏率传感器。皮肤温度传感器105a可用于测量可穿戴设备100位置处的使用者皮肤温度。Silicon Labs制造包括脉搏率传感器/心率传感器以及血氧饱和度(血液中的氧气饱和度)的集成电路芯片。然而，尽管这些类型的系统在确定目前该系统是否正被穿戴着时可能是有利的，但是如果设计目的在于保持电池寿命，则根据某些方面可仅使用温度传感器。例如，可省掉使用发光二极管和传感器来测量氧气饱和度并具有高电流消耗的血氧饱和度传感器。
生物度量传感器模块105也可用于检测使用者的各种生物标记(包括心脏相关的度量和皮肤温度)随着时间推移发生的变化。可通过用生物度量传感器模块105中的所述一个或更多个传感器对使用者进行持续和周期性被动客观测量来检测该变化。
根据本发明的一些方面，可穿戴设备100被实现成舒适的类似于手表的腕带。然而，设备100附接到前臂、围绕肘部穿戴或附接到实际上任何身体部位也是能够工作的。而且，设备100可集成到例如手套的服饰物品或将其保持在使用者身上的其它装置中。根据本发明一些方面的设备100的设计使其穿戴起来不妨碍操作员，从而有助于确保操作员穿戴该设备。为此，生物度量传感器模块105可用于检测可穿戴设备100(例如：基于指示该设备目前贴着使用者皮肤的温度测量值)是否正被穿戴着。例如，温度传感器和/或心率传感器可用于该目的。生物度量传感器模块105的其它生物度量传感器可用于该目的。运动传感器104和任何被监控的运动也可用于确定使用者是否正穿戴着设备100。
可穿戴设备100具有存储用于预测个人的警觉性或疲劳水平的生物-数学模型的存储器110。该生物-数学模型可以是包含睡眠-清醒稳态确定和昼夜节律估计的双进程算法。睡眠-清醒稳态反映个人的睡眠需求或欲望。睡眠-清醒稳态确定(或稳态睡眠欲望)可由例如以下因子组成：距离使用者上一次睡眠的时间(睡眠负债)、使用者上一次睡眠时段的长度和使用者上一次睡眠时段期间的睡眠质量。确定使用者何时实际清醒或睡眠是使用称作“体动记录”的方法来实现的。除了远端皮肤、环境光线和心率测量值以外，所述模型的睡眠-清醒稳态方面还使用由运动传感器104检测的运动得出的准确的体动记录测量值，来改善对于个人的睡眠和清醒确定的准确性。该模型还包括通过组合远端皮肤、心率和体动记录数据得出的疲劳预测和估计的昼夜节律模型方面。该昼夜节律估计能够捕捉使用者的警觉性水平在下午中段的下降和傍晚的提升。
存储器110还存储由大众人口的样本得出的对昼夜节律的概括性缺省估计。该概括性缺省估计假设大约24小时的昼夜节律周期。当个人第一次戴上设备100时，设备100对该个人应用概括性缺省估计。然而，随着时间推移，设备100基于在闭环系统中对该个人的各种持续和被动的测量值通过应用所存储的生物-数学模型来调整概括性缺省估计以反映该个人的实际昼夜节律。测量值可包括运动、皮肤温度和心率。个人的个人昼夜节律实际上可在例如23.5到25小时之间变化，偏离概括性缺省估计。由此，概括性缺省估计被配置为根据对个人的实际昼夜节律的估计来调整，由此在应用生物-数学模型之后使对于个人的警觉性预测个性化。例如，在个人穿戴设备100两天后可对该个人的概括性缺省估计进行调整，两天期间的测量值指示概括性缺省估计不足以反映该个人的实际昼夜节律。
处理器108联接到运动传感器104和生物度量传感器模块105。处理器108可以是可编程微处理器。处理器108还联接到用于存储和获取数据的存储器110。处理器108可执行指令或应用存储在存储器110中的生物-数学模型来提供本文描述的可穿戴设备100的功能性。处理器108也可将从运动传感器104和生物度量传感器模块105获取的数据存储在存储器110中，并从存储器110获取存储的数据用于处理。存储器110可以是常规存储器，例如静态随机存取存储器(RAM)。处理器108可以是常规微处理器，例如低能耗嵌入式处理器。可使用可再编程微处理器设备，其允许固件升级。一个合适的处理器108是Altera MAX7000A，其在3.3V下工作(该工作电压范围与合适的回转仪兼容)。
处理器108也可联接到用于监控定时的和/或规划的事件的时钟112和用于传输信号到远程位置和/或接收来自远程位置的信号的收发器114。时钟112可以是能够测量时间(例如单位为例如毫秒、微妙等的时间分数)的集成电路时钟。收发器114可以是例如蓝牙收发器，例如用于使可穿戴设备100能够在通知情况下通知远程信息处理设备、远程计算机系统、计算机应用和/或智能手机应用。可穿戴设备100的构件可由电池116来供能。电池116可以是例如锂离子电池的充电电池。
处理器108可监控来自运动传感器104和生物度量传感器模块105的温度和运动输出，以确定该设备是否正贴着皮肤被穿戴着。来自运动传感器104的运动输出可被处理器108用于监控可穿戴设备100的运动。处理器108可被配置为关注速度在0dps至2000dps(度/秒)的范围内的角度运动。该范围的下限去除了由于振动导致的小角度偏移，该范围的上限去除了例如来自转弯卡车的大幅度径向运动。操作员的响应时间以及记录的温度和时间可存储在存储器110中，以使得例如在没有可用的远程信息处理系统来通讯的情况下，调度员能够在之后的一个时间点验证该设备之前被正确地穿戴着。
设备100额外地可包括环境光线检测器107。环境光线检测器107可用于检测使用者在光线下的暴露程度。在光线下的暴露程度可影响个人的昼夜节律并调整个人的生物钟。这可使得个人的昼夜节律偏移。生物-数学模型可将由环境光线检测器107获得的信息包含到对个人昼夜节律响应于个人在光线下的暴露程度的未来变化的预测中。环境光线检测器107可被配置为确定使用者在蓝色波长光线下的暴露程度，这些蓝色波长光线对于个人的昼夜节律可能会有更大的影响。处理器108也可联接到环境光线检测器107。处理器108可监控并处理由运动传感器104、生物度量传感器模块105和环境光线检测器107测量到的输出。
处理器108也可监控来自于运动传感器104和生物度量传感器模块105的温度、心率和运动输出，以使用存储在存储器110中的生物-数学模型，通过将运动测量值包含到体动记录确定中来评估个人的睡眠-清醒稳态，该稳态包括个人的睡眠和清醒时期。
对距离使用者上一次睡眠的时间和睡眠时间的检测可由处理器108通过对指示使用者不运动(这指示睡眠时间)的体动记录运动数据的分析并结合例如心率和皮肤温度的生物标记来确定。处理器可使用远端皮肤温度和心率的测量值来调整和/或确认体动记录的确定结果。例如，处理器108可(通过模式识别或其它技术)将远端皮肤温度测量值应用到体动记录确定中，以确认个人在睡觉还是清醒的。这可通过阈值(关注与基准数据的偏差)或通过皮肤温度在一定时期内上升的模式来实现。已经证实远端皮肤温度的上升与个人在睡觉这一事实有关联，远端皮肤温度的下降与个人清醒这一事实有关联。
此外，处理器108可将来自于环境光线传感器107的环境光线测量值作为额外输入应用到体动记录睡眠或清醒确定中，例如在确定个人是在睡觉还是清醒不容易的情况下。例如，如果不容易确定该人是在睡觉还是清醒，但存在大量环境光线，则体动记录输出可以是该个人处于清醒状态的预测。相反地，光线缺乏可能指示该个人在睡觉。
处理器108也可将身体姿势和心率的确定应用到体动记录确定中以确认和/或调整体动记录确定结果。可以以与环境光线类似的方式来使用身体姿势，这是因为身体姿势可提供关于使用者是在睡觉还是清醒的额外指示。例如，使用者站着或坐着比躺着的在睡觉的可能性更小。与皮肤温度类似地，心率具有指示个人是在睡觉还是清醒的模式。处理器108可使用该额外输入来更好地改善体动记录的睡眠/清醒预测的准确性，以改善睡眠-清醒稳态评估。
处理器108还估计个人的昼夜节律。见图2。处理器108可处理至少一个生物标记(例如皮肤温度或心率)的初始测量值，以估计使用者的个人昼夜节律。所导致的经过处理的数据可例如如图2中那样绘制成图，处理器108可识别或提取与个人昼夜节律中特定位置关联的特征或事件。使用者全天的警觉性可以与使用者昼夜节律中的使用者位置高度关联。估计使用者昼夜节律的能力可提供对给定日期中任一点时使用者警觉性的准确预测。
一种用于估计使用者个人昼夜节律的生物标记是使用者的远端皮肤温度。使用者的远端皮肤温度与使用者的核心体温关联。核心体温遵循使用者的昼夜节律，核心体温由于遵循使用者昼夜节律，会在清醒时间期间上升，并在通常的睡眠时间期间下降。使用者的警觉性水平因此也会随着昼夜节律变化。由于使用者的身体通过经由身体的四肢发散热量来调节核心体温，因此当核心身体热量下降时，四肢的温度升高。因此，通过使远端皮肤温度与核心体温关联(该核心体温遵循使用者的昼夜节律)，使用者远端皮肤温度的测量值可用于准确地估计使用者的个人昼夜节律。这提供了使用者警觉性水平模型。
远端皮肤温度也可与使用者的褪黑激素水平关联。使用者的内源性褪黑激素水平是对使用者在个人昼夜节律中的位置的可靠且准确的指示，因此是对使用者的警觉性水平的指示。褪黑激素通常在减弱的警觉性时间期间(例如：夜晚睡眠之前的时期)升高，并通常在提高的警觉性时间期间下降。皮肤温度一般与褪黑激素水平关联，这是因为当褪黑激素水平上升时，使用者的皮肤温度也与使用者昼夜节律相关地升高。由此，皮肤温度也可用作用于确定使用者当前褪黑激素水平、并因此确定由使用者在个人昼夜节律中的位置决定的使用者当前警觉性水平的关联性代替参数。
用于估计使用者个人昼夜节律和/或褪黑激素水平的个人远端皮肤温度的初始测量可在使用者身体上的多个位置处(包括脚、胳膊、手腕和手)进行。可被包含到处理器108对使用者的个人昼夜节律和/或褪黑激素水平的估计中的生物标记的其它初始测量可包括但不限于心脏相关的度量，例如心率。
估计使用者个人昼夜节律的一个例子可开始于使用者在身体的远端位置(例如手腕)处穿戴可穿戴设备100一测试时期。该测试时期可具有两天或更多天的长度。活动皮肤温度可由温度传感器105a按照每分钟一次的频率在至少两天的时期内测量。基于由远端皮肤温度测量值得出的数据，处理器108可估计使用者的个人昼夜节律。在测试期间对生物标记的其它初始测量值也可用于估计使用者的昼夜节律。
通过在一个时期内收集个人远端皮肤温度和/或其心率的测量值而使处理器108能够估计昼夜节律。处理器108生成由远端皮肤温度和心率的测量值得出的数据点。处理器108也可包含个人运动的测量值以精细化数据点。数据点代表个人实际昼夜节律内的时间点，处理器108可通过将这些数据点在时间上累积成发展变化来用这些数据点估计个人的整体昼夜节律。处理器108还将这些数据点用于调整存储在存储器110中的概括性缺省估计，以更好地反映该个人的实际昼夜节律。处理器108可应用模式识别和/或机器学习技术来实现该调整，以使得昼夜节律的确定对于该个人而言是个性化的。
个人的昼夜节律通常不会天天极大地变化。然而，个人活动可能会每天变化。这些活动会“掩盖”对通常稳定的个人昼夜节律的指示。由于远端皮肤温度和/或心率受其他外界“掩盖性”事件(例如行走、睡眠等)影响，因此处理器108可能会需要应用额外的信号处理技术来将皮肤温度或心率数据与这些“掩盖性”非昼夜节律事件分离(即“解除掩盖”)。处理器108应用“解除掩盖”算法来从暗含的皮肤温度和心率数据(即原始昼夜节律数据)去除“掩盖性事件”，以提供对昼夜节律的准确预测。例如，周期性地起立行走(例如从一个办公室到另一个办公室)的人的掩盖性事件不在每天的同一确切时间发生。这意味着可用所采用的信号处理技术来检查在多天期间在每天同一时间点(例如每天中午12点5分)收集的数据点，其中所述技术能够去除无关的“掩盖性”因素，而保留暗含的一致信号。这用在多天期间在给定的24小时内的多个点取平均的技术实施起来最容易；然而，可使用额外的信号处理技术，例如滤波。类似地，该同一原理可应用到心率测量值，心率测量值类似地受昼夜节律影响但由于掩盖性效应在过去是不可用的。
在对远端皮肤温度测量值和心率测量值“解除掩盖”过程中考虑的变量包括身体姿势和个人的活动，这些是可能会扭曲暗含的来自皮肤温度和心率的昼夜节律信号的“掩盖性事件”。例如，在其中观察昼夜节律信号的典型环境是实验室环境，在该环境中使用者以固定的姿势躺在床上，少进食，不运动。“解除掩盖”是去除在这样的受控环境之外发生的事件的影响的过程。例如，个人可能会进行慢跑。当发生该事件时，由于个人开始出汗，个人的远端皮肤温度下降。而且，由于身体活动，个人的心率上升。因此通常失去暗含的昼夜节律信号。然而，处理器108应用“解除掩盖”算法，该算法能够通过引入保存在存储器的特定时期的历史信息和情况信息而在存在这些掩盖性效应的情况下保留暗含的昼夜节律信号。如果设备100和处理器108知道个人正在跑步，则处理器108可确定正在接收的数据是不良数据并可丢弃，或其意义在通过生物-数学模型确定实际警觉性时可被减小。
在一个优选实施例中，昼夜节律估计还通过与每个数据点关联的质量因子的概念而被改善。如果可获知关于数据捕捉时情况(例如使用者是否在行走或在睡觉)的额外信息，则可给予该数据点一质量因子。例如，如果当捕捉数据点时，使用者正在行走，则可将该数据点视为是低质量数据点，反之，如果当捕捉数据点时，使用者已经坐了一段时间，则可将该数据点视为高质量数据点。使用该质量因子概念，由于数据点不是全都被同等地处理，因此可改善昼夜节律的准确性。处理器108可通过对数天期间的特定时期的给定数据点取平均而“解除掩盖”或将质量因子应用到数据点中的皮肤温度或心率数据。例如，如果在给定日正好在中午12点5分收集远端皮肤温度，个人可能会正在跑着去赶公交车，导致给予该数据点一低质量因子。第二天，在中午12点5分会收集额外的数据点。这次，使用者正在坐在椅子上，因此该数据点会是高质量数据点。通过对这些数据点应用加权平均，处理器108可获得更加准确的“解除掩盖”的远端皮肤温度或心率。
处理器108将质量因子用作加权平均的系数，该系数用于合并数天的一天中给定点的昼夜节律数据的价值。例如，处理器108可采用星期二中午12点5分和星期三中午12点5分的数据点。星期二评估为0.1的质量因子，而星期三具有0.9的质量因子。所导致的加权平均将由处理器计算为(0.1*星期二_数据+0.9*星期三_数据)。因为处理器108不将所有数据点作为同等数值来处理，因此这提供了比简单地对数天期间的数据取平均更好的估计结果。
另外，处理器108可通过引入皮肤温度和/或心率趋势来估计昼夜节律的实际时间周期(对于通常的个人，该实际时间周期并不刚好是24小时)。通过赋予皮肤温度和/或心率数据一质量因子和/或对其“解除掩盖”，处理器108则可使数据标准化并假设昼夜节律是相位偏移和关联的模式。而且，可通过标准化的远端皮肤温度数据的急剧升高来预测褪黑激素水平，褪黑激素水平可被用作昼夜节律系数(相位Φ)偏移和个人昼夜节律的周期T的一个标记。
处理器108也可将睡眠-清醒稳态确定和根据生物-数学模型的实际昼夜节律估计进行结合，以获得对个人的警觉性的预测。这导致更加准确且个性化的个人警觉性预测。睡眠-清醒稳态和昼夜节律在个人体内协同工作以产生个人的时刻变化的警觉性。见图3。然后可通过生物-数学模型将昼夜节律与睡眠稳态信息进行结合以产生对警觉性的整体估计。生物-数学模型的每个输入都可使用模式识别和/或机器学习技术来进行组合。这些技术中的某些包括对各部分进行加权。生物-数学模型的加权部分可被静态或动态地限定。例如，给予昼夜节律的权重是基于处理器108所收集的数据的估计的质量的。
图4描绘了一个系统400，该系统包括根据本发明一些方面的可穿戴设备100。可穿戴设备100可与例如智能设备450和/或外部计算设备460通讯。智能设备450可以是例如智能手机的移动设备。外部计算设备460可以是个人计算机或类似设备。由可穿戴设备100收集的数据可以被传送给智能设备450和/或外部计算设备460。智能设备450和/或外部计算设备460也可将其它信息传送给可穿戴设备100。
智能设备450和/或外部计算设备460可具有能够显示、存储和/或进一步处理从可穿戴设备100接收的数据的应用或其它软件模块。例如，智能设备450可具有一软件应用，该软件应用显示由从可穿戴设备100接收并由智能设备450存储的数据得出的个人警觉性预测或疲劳分数随时间变化的图。智能设备450和/或计算设备460也可用于在从可穿戴设备100接收的数据预测个人疲劳的情况下警告该个人。另外，智能设备450和/或计算设备460可与数据云470通讯和交换数据。由此，由智能设备450和/或计算设备460接收的数据可传输到云470进行存储，智能设备450和/或计算设备460可例如获取存储在云470中的数据以生成个人疲劳相关数据随时间变化的图。此外，第三方(例如管理员或调度员)可以能够通过智能设备450和/或计算设备460查看关于个人疲劳或警觉性的信息。
图5描绘了根据本发明一些方面的用于预测个人警觉性的步骤。首先，在步骤500时，处理器108可获得或接收由运动传感器产生的运动数据、由温度传感器产生的远端皮肤温度数据和/或由心率监测器产生的心率数据。运动传感器、温度传感器和心率监测器中的每个都可与由个人穿戴的可穿戴设备100关联。运动传感器也可在步骤500a产生关于个人身体姿势的数据或关于个人进行的运动类型的数据，这些数据也可被处理器108获得。步骤500a也可包括处理器108获得或接收由环境光线传感器产生的环境光线数据。
在步骤500b时，处理器可处理远端皮肤温度数据和/或心率数据以根据生物-数学模型指示来精细化数据，该生物-数学模型可存储在可穿戴设备100的存储器中。处理器108可应用信号处理技术(包括例如低通滤波和移动平均)来实现对皮肤温度数据和心率数据的处理。这样的处理/滤波从远端皮肤温度数据信号和/或心率数据信号中去除“噪音”以产生更加干净、更加准确的信号。
在步骤500c时，处理器可根据生物-数学模型基于关于个人身体姿势和由个人进行的运动的类型中的至少一个赋予皮肤温度数据和/或心率数据一质量因子。
在步骤500d，处理器可在皮肤温度数据和/或心率数据(即原始昼夜节律数据)中识别昼夜节律和非昼夜节律数据，并去除非昼夜节律数据以获得精细化的昼夜节律数据(即对昼夜节律数据“解除掩盖”)。昼夜节律数据被定义为由昼夜节律事件得出的数据，而非昼夜节律数据是由非昼夜节律事件得出的数据。处理器可使用模式识别和/或机器学习技术去除非昼夜节律数据。处理器108也可检测精细化/解除掩盖的昼夜节律数据中的局部最大值事件和局部最小值事件，以识别潜在的个人疲劳风险时间。
在步骤510时，处理器108可使用其从运动传感器接收的运动数据进行体动记录确定。处理器108然后可在步骤510a时使用远端皮肤温度或心率数据中的至少一个来精细化体动记录确定结果，以进行更准确的体动记录确定。
处理器108然后可在步骤520时使用体动记录确定结果来评估个人的睡眠-清醒稳态生物-数学模型，包括个人的睡眠和清醒时期。该评估可反复发生。处理器可要么使用原始体动记录确定结果要么使用精细化的体动记录确定结果来评估个人的睡眠-清醒稳态。此外，处理器108可引入关于个人身体姿势的数据以精细化睡眠-清醒稳态评估结果。处理器也可通过引入环境光线数据来精细化个人睡眠-清醒稳态评估结果。
在步骤530时，处理器108可使用皮肤温度数据或心率数据中的至少一种来计算数据点。处理器108可引入来自步骤500b的经过处理的皮肤温度和/或心率数据或未经处理的数据来计算数据点。此外，处理器108可将赋予来自步骤500c的皮肤温度数据和/或心率数据的质量因子包含到数据点的计算中。处理器108还可引入去除或未去除非昼夜节律数据的皮肤温度数据和/或心率数据来计算数据点。
在步骤540时，处理器108可生成估计的个人昼夜节律。这可反复发生。处理器108可通过使用经过处理的数据点来生成估计的昼夜节律，以精细化存储在可穿戴设备的存储器中的缺省昼夜节律。缺省昼夜节律可由大众人口的样本得出，缺省昼夜节律可假设大约24小时的昼夜节律周期。此外，处理器108可通过引入环境光线数据来精细化估计的昼夜节律。
处理器108还可在步骤540a时估计个人的昼夜节律系数(当前相位Φ)、个人的清醒/睡眠系数、个人的昼夜节律周期T、个人的睡眠开始时间，和/或个人的褪黑激素分泌起点(melatonin onset)。每个人都可能会具有不同的昼夜节律系数/相位(Φ)偏移，这意味着每个人的昼夜节律周期T可能会在不同时间开始。睡眠开始时间可通过例如识别解除掩盖的个人远端皮肤温度中的低点来确定，在该低点之后，解除掩盖的远端皮肤温度上升(例如上升35％)。低点与个人的高警觉性水平关联，而从低点上升35％指示褪黑激素分泌起点。褪黑激素分泌起点进而可用作个人昼夜节律周期T起始时间的一个标记。
在步骤550时，个人可将客观和主观参数输入到设备100中。个人还可将主观和客观参数输入到智能设备450和/或外部计算设备460上，使得这些参数可被传送到可穿戴设备100并被其使用。可输入的参数包括但不限于如由美国专利申请14/848,771详细说明的规定运动、关于个人医疗历史的数据、对没有获得足够睡眠的后果的敏感性、来自个人回答的问卷的数据、和个人对自己的警觉性水平的主观评估。
在步骤560时，处理器108可将睡眠-清醒稳态评估和通过生物-数学模型估计的昼夜节律相结合来预测个人的警觉性水平或生成疲劳预测。处理器108可引入主观和客观参数以进一步精细化对个人的疲劳的预测。可以使用模式识别或机器学习技术以非线性的方式对这些参数加权，以将其引入到对根据生物-数学模型的预测的精细化中。处理器108还可使用所估计的昼夜节律系数/相位Φ、昼夜节律周期T、清醒/睡眠系数、睡眠开始时间、和/或褪黑激素分泌起点，以预测个人的警觉性。当根据生物-数学模型进行预测时，处理器108还可引入精细化或未精细化的睡眠-清醒稳态评估和/或精细化或未精细化的所估计的昼夜节律。处理器108还可通过使用所检测到的局部最大值事件和局部最小值事件来精细化对个人的警觉性的预测。对警觉性的预测结果可在之后由可穿戴设备100传送到外部计算设备460和/或智能设备450，用于显示、存储和/或进一步处理。
图6描绘了一个示例性的用于实施根据图5的概念的方法600的步骤。首先，在步骤602时，可获得关于个人的运动、远端皮肤温度和心率的数据。可穿戴设备100或可穿戴设备的处理器108可获得作为来自运动传感器104、温度传感器105a和/或心率监控器105b的信号的该数据。可穿戴设备100或处理器108还可从运动传感器104接收指示个人的身体姿势的信号。
在步骤604时，从温度传感器105a和心率监控器105b接收的信号可由处理器108处理，以根据生物-数学模型的指示来清理数据，该生物-数学模型对于该示例性方法600而言是双进程算法。处理器108可应用低通滤波和移动平均值来改善对皮肤温度和心率数据的信号处理。
在步骤606时，皮肤温度和心率数据可根据双进程算法被“解除掩盖”，以便从暗含的个人的远端皮肤温度和心率的测得的数据信号中去除由非昼夜节律事件导致的遮掩性信号。这些事件包括但不限于睡眠、身体活动、和某些身体姿势。关于昼夜节律的暗含的信号可例如通过对数天的数据一起取平均值来被“解除掩盖”。被“解除掩盖”的数据(包括皮肤温度、心率数据)然后可被用于生成个人的实际昼夜节律的数据点。还可在步骤606时基于所检测到的由个人进行的运动的类型来赋予皮肤温度和/或心率数据一质量因子。
在步骤608时，使用双进程算法的特征提取方面来从所测得并“解除掩盖”的信号中提取有意义的事件或与昼夜节律相关的特征。这些有意义的事件或特征可包括远端皮肤温度的缓慢升高，该缓慢升高遵循个人的昼夜节律，并指示正在下降的警觉性水平。而且，远端温度的突然升高可指示警觉性水平的突然变化。可使用机器学习和/或模式识别技术来提取事件和/或模式。该算法可使用数个常用函数来进行特征提取，包括峰值检测算法、点间插值法、余弦函数。
在步骤610时，可由被“解除掩盖”的数据来确定睡眠开始时间，该睡眠开始时间然后可被用于估计当前相位/昼夜节律系数Φ，即个人在其昼夜节律周期T中的位置。每个人都可具有不同的相位(Φ)偏移，这意味着每个人的昼夜节律周期T可能会起始于不同时间。可通过识别昼夜节律中的的低点来确定睡眠开始时间，这些低点之后发生例如35％的昼夜节律升高。低点与个人的高警觉性水平关联，而从低点起的35％升高指示褪黑激素分泌起点。褪黑激素分泌起点进而可用作对于个人的昼夜节律周期T的起始时间的标记。
在步骤612时，可检测被“解除掩盖”的皮肤温度数据和/或心率数据中的局部最大值和最小值点或事件，并将其识别成给定个人的潜在疲劳风险时间。这些检测到的事件可与升高的睡意水平关联。例如，大约在下午2点到4点时间范围的皮肤温度的升高可被识别成警觉性下降，这经常在下午中段时间观察到。
在步骤614时，可使用来自个人的体动记录数据来确定个人的睡眠和清醒时期和所得到的用于双进程算法模型的个人的睡眠-清醒稳态。这可仅使用所检测到的由个人进行的运动来确定。然而，可引入其它测量值(例如心率、远端皮肤温度和环境光线暴露程度)，以使得对个人的睡眠和活动时期的确定更加准确。
在步骤616时，个人可将其它主观和客观参数输入到设备100中。个人还可将主观和客观参数输入到智能设备450和/或外部计算设备460上，使得这些参数可被传送给可穿戴设备100并被其使用。这些参数可用于进一步精细化对个人的警觉性的预测。可输入的参数包括但不限于如由美国专利申请14/848771详细描述的规定运动、关于个人的医疗历史的数据、对于没有获得足够睡眠的后果的敏感性、来自个人回答的问卷的数据、和个人对自己的警觉性水平的主观评估。可使用模式识别或机器学习技术以非线性的方式对这些参数进行加权，以将其引入到对双进程算法模型的精细化中。
在步骤618时，将来自昼夜节律方面的输入(包括从数据点得出的周期T、相位/昼夜节律系数Φ、事件特征和褪黑激素分泌起点)与双进程算法的睡眠-清醒稳态方面的输入相结合，以产生预测个人的警觉性水平的表现度量(performance metric)。使用模式识别技术和/或机器学习技术来对算法的每个输入进行结合。这些技术中的某些可包括对算法的各部分加权。例如，赋予算法模型的昼夜节律方面的权重是基于所收集的数据的估计质量的。可使用从步骤616得出的输入(即其它客观和主观参数)来进一步精细化该警觉性水平预测。这些客观和主观参数还可在被引入到个人警觉性预测中之前被加权。
图7描绘了由生物-数学模型得出的在24小时期间对个人的警觉性预测输出。虚线代表按从0到10的度量来衡量的个人的警觉性风险，其中10代表最高的疲劳风险并用作疲劳风险基准线。该图显示了个人的警觉性预测在整个24小时期间随着时间的变化。该图还显示了个人的睡眠时期，并描绘了对该个人的警觉性预测结果，这些预测结果指示低、中和高疲劳风险。
图8描绘出根据本发明一些方面的用于估计穿戴者/个人的疲劳的方法800的步骤。方法800的步骤中的一个或更多个可省掉和/或重复和/或按可不同于在本说明书中披露的顺序(包括同时)实现，而不超出本发明的范围和精神。
在步骤802时，获得传感器数据。传感器数据可包括关于穿戴者的信息，例如运动、位置、远端皮肤温度、和/或心率。而且，传感器数据可包括环境状况，例如环境光线水平和/或温度。可穿戴设备100或可穿戴设备的处理器108可获得作为来自例如运动传感器104、温度传感器105a、心率监控器105b和/或光线传感器的传感器数据。
在步骤804时，进行信号处理。例如，从温度传感器105a和心率监控器105b接收的信号可由处理器108处理，以按在本说明书中描述的生物-数学模型要求来清理数据。处理器108可例如应用低通滤波和移动平均值来改善皮肤温度和心率数据的信号的质量。
在步骤806时，根据接收到并经过处理的信号来估计昼夜节律。处理器108可识别皮肤温度数据和/或心率数据(即原始昼夜节律数据)中的昼夜节律数据和非昼夜节律数据，并去除非昼夜节律数据以获得精细化的昼夜节律数据(即对昼夜节律数据进行“解除掩盖”)。处理器108可使用模式识别和/或机器学习技术来去除非昼夜节律数据。
在步骤808时，获得个人参数。个人参数可包括主观和/或客观参数。个人参数可包括但不限于关于个人的医疗历史的数据、对没有获得足够睡眠的后果的敏感性、进行规定运动的能力、来自个人回答的问卷的数据，和个人对自己的警觉性水平的主观评估。个人参数可通过例如设备100或智能设备450和/或外部计算设备460的使用者输入从穿戴者接收，使得这些参数可被传送到可穿戴设备100并被其使用。这些参数可用于进一步精细化对个人的警觉性的预测。
在步骤810时，从所接收到的并经过处理的信号、所估计的昼夜节律和所获得的个人参数提取特征。所提取的特征可包括指示昼夜节律的形状的标记，例如局部昼夜节律高点和低点(例如“午餐之后的下降”)；关于使用者在工作日和空闲日的睡眠习惯，例如入睡时间、睡眠惯性、昼夜节律低点、昼夜节律偏好(早上活跃vs.晚间活跃的个人)、习惯的睡眠机会和位置(相位)、平均睡眠时间、和小睡习惯；一般性医疗信息，例如年龄、性别、BMI等。在一个实施例中，所提取的特征是：(1)在工作日中：醒来的时间，使用闹钟，精力下降时间，就寝时间，睡眠中间时间(mid-sleep time)，睡眠时长，入睡时间；(2)在空闲日中：醒来的时间，精力下降时间，就寝时间，睡眠中间时间，睡眠时长，入睡时间；(3)年龄；(4)性别；(5)BMI；和/或(6)修正的睡眠中间相位信息。可通过简单的取平均值、在转换数据之前和之后(在信号中)检测峰值和谷值(通过微分、积分、相位偏移等)、代数组合、基于映射函数的转换、将数据转换到频域等来提取特征。
在步骤812时，对所提取的特征应用一个或更多个模式识别和/或机器学习算法，以确定如何能够将所提取的特征用于确定系数。处理器108可应用模式识别和/或机器学习技术来使得昼夜节律因子对于个人是个性化的和/或对各因子进行加权。可静态或动态地限定算法模型的被加权的部分。模式识别和/或机器学习算法可应用峰值检测算法、点间插值和/或余弦函数。在一个实施例中，对所提取的特征应用基于回归的机器学习算法，以确定要在下一个步骤中提取的系数。
在步骤814时，例如由处理器108来提取系数。在一个实施例中，提取四个系数。这四个系数可包括昼夜节律系数(相位Φ)、清醒/睡眠系数、昼夜节律加权系数，和清醒/睡眠加权系数。处理器108可通过(应用映射、相位偏移等)转换步骤812的机器学习的输出来提取系数，以使得可将其供给给下述步骤818的生物-数学模型中。
在步骤816时，确定体动记录数据。处理器108可使用从运动传感器接收到的经过处理的运动数据来进行体动记录确定。处理器108然后可使用远端皮肤温度和/或心率数据中的至少一种来精细化体动记录确定，以进行更准确的体动记录确定，例如：该个人是醒着还是在睡觉，该个人是坐着还是在移动等。
在步骤818时，例如由处理器108来对所提取的系数和确定的体动记录数据应用生物-数学模型。在一个实施例中，生物-数学模型包括至少两个子模型，例如当个人清醒时应用的清醒子模型和当个人睡觉时应用的睡眠子模型。个人是清醒还是在睡觉可由处理器108基于体动记录数据来确定，并基于所确定的清醒/睡眠情况来应用合适的模型。
在步骤820时，生成疲劳分数。疲劳分数可由处理器108生成。疲劳分数或其指示可呈现给使用者或关心的人(例如雇主)。如果疲劳分数指示高疲劳水平，则可给使用者提供刺激(例如可穿戴设备的振动)。
图9A描绘了16个个人的第一系数数值。所描绘的第一系数数值是昼夜节律周期/相位(Φ)数值。系数的最优数值用“o”表示，由昼夜节律周期的系数提取器确定的提取的数值用“x”表示。
图9B描绘了16个个人的第二系数数值。所描绘的第二系数数值是清醒/睡眠周期数值。系数的最优数值用“o”表示，由清醒/睡眠周期的系数提取器确定的提取的数值用“x”表示。
图9C描绘了16个个人的第三系数数值。所描绘的第三系数数值是昼夜节律周期加权数值。系数的最优数值用“o”表示，由昼夜节律周期权重的系数提取器确定的提取的数值用“x”表示。
图9D描绘了16个个人的第四系数数值。所描绘的第四系数数值是清醒/睡眠周期加权数值。系数的最优数值用“o”表示，由清醒/睡眠周期权重的系数提取器确定的提取的数值用“x”表示。
在图9A至9D中描绘的信息示出，使用根据本发明一些方面的技术提取的特征在个人层面是准确的——能够对个人疲劳进行准确预测。
尽管本文参照特定实施例对本发明进行了展示和描述，但是本发明不限于所示出的细节。相反地，在权利要求的等同物的范围内在不偏离本发明的情况下可对各细节进行各种改动。