将释放到空气中，并且当呼吸进石棉时，它们可能会陷入到肺里，并且在那里停留很多年。随着时间推移，这些纤维可能累积并且导致严重的呼吸问题。
[0044]此外，数据库106C可以存储肺癌症状，如咳嗽(例如不会消除或变为慢性的“吸烟者的咳嗽”的顽固性咳嗽，如咳嗽更多或更疼、咳血、咳血色或铁锈色痰(唾液或痰液));呼吸困难，包括气短、哮喘或呼吸杂音(称为喘鸣)；食欲不振，这有可能导致无意识的体重降低；疲劳(例如感觉虚弱或过度疲倦)；循环感染，如支气管炎或肺炎；以及流感症状，如高烧、头疼、疲倦/虚弱、干咳、喉咙疼痛、流鼻涕、身体或肌肉疼、腹泻和呕吐(对儿童更常见)。
[0045]此外，数据库106C可以存储弯曲杆菌感染(即，食物中毒)的标志或症状。通常，弯曲杆菌是一种引起严重腹泻的细菌。通常通过污染的食物、水或未经高温消毒的牛奶的摄入，或者通过与被感染的婴儿、宠物或野生动物的接触而传播。数据库106C可以存储弯曲杆菌的症状，包括腹泻(有时带血)；恶心和呕吐；腹部疼痛和/或绞痛；心神不宁(通常不舒服)和发烧。
[0046]数据库106C可以存储肾结石的症状，包括背部和体侧或者下腹部的尖锐疼痛，这种疼痛朝着腹股沟或睾丸移动；不能找到舒服的位置；在地上踱步；恶心和呕吐，伴随着持续的侧面疼痛；尿血；以及频繁尿急。并且，有时还存在感染，并且可能造成发烧和发冷、尿痛和尿混浊或恶臭的额外症状。
[0047]当然，这些只是各种病和疾病的症状的少量集合，并且还可以存储或者替代地存储任何其他数量的病、疾病和情况的症状。此外，可以理解，许多这些症状的指示不能直接测量，因此必须由用户手工输入或者经由语音输入机制、经由询问和回答屏幕或者经由允许用户勾选当前观察到的症状的弹出窗口来输入。此外，专家系统102或者预测模块103可以在执行诊断或预测时询问当前或过去观察到的情况。
[0048]数据库106还可以存储治疗数据106D，包括病、疾病或其他医疗情况(例如包括为了治疗病、疾病和其他个人医疗情况(例如肌肉、头、胃、骨头等的疼痛)所使用的已知的药物的名称、剂量、副作用等)的过程、救济方法和其他治疗。数据库106D还可以存储药物和食物相互作用。进一步的，数据库106可以存储与个人健康监视系统100本身为用户做出的诊断和预测106E相关的数据以及作为该过程的一部分所产生的任何数据。例如，数据库106E可以存储由专家引擎102或健康预测器模块103做出的之前确定的诊断、疾病、医学预测、推荐等，如下面更详细描述的。类似的，如针对图1的配置所指示的，数据库106可以存储上述任何和所有参数的时间数据，如何时采取或接收每种测量或输入数据、与之前的病、疾病、症状数据(如果比数据涉及的时间更晚输入的话)等相关联的时间、饮食和/或药物摄入的时间，等等。此外，可以理解，存储在数据库106中的数据可以是各种类型的数据，包括定量数据(例如温度、血压测量值等等)以及定性数据(好/坏、在I到10范围上的疼痛级别等等)。
[0049]此外，如图10中所示，专家系统102连接到处理器或控制器单元108，二者都可以使用数据库106中存储的和/或输入系统104提供的任何数据。专家系统102可以是任何类型的专家系统，包括基于规则的系统或基于模型的系统。具体而言，专家系统102可以实现为神经网络系统或者使用神经网络系统来实现、实现为偏最小二乘法(PLS)系统、模型预测控制系统、主成分分析系统、回归系统等等。概括而言，专家系统102可以是使用训练模型(如神经网络模型、MPC模型、回归模型等等)的基于模型的系统，其对一组训练数据(如数据库106中存储的数据)进行操作以产生模型，并且该模型可以被其后用来基于输入到并存储在系统100中的新数据来执行诊断。模型可以随着时间推移使用新或更近的数据来重新训练以更新模型。此外，专家引擎102可以使用数据库106中存储的模型和数据来执行诊断，并且额外的可以使用从存储或输入的数据所推导的数据，包括趋势数据、基准线数据、最新测量的数据、中值或平均值(或其他统计)数据、与趋势或基准线数据的改变或偏差，或者已经被普遍接受或认为是普通参数的数据等，其可以由控制器108针对任何给定时间或时间段计算得到。概括而言，专家引擎102可以基于关于用户和用户的环境、摄入、输出等的输入数据，使用模型库109中产生和存储的一个或多个模型来对用户的身体的操作进行建模。
[0050]此外，如图10中所示，专家引擎102可以使用反馈或更新环路130来精炼或微调其执行的分析。具体而言，专家引擎102可以确定需要更好的、更近的或者新的类型的数据来执行更完整的分析或诊断，并且可以经由更新环路130来获取该数据。具体而言，专家引擎102可以在做出诊断时，确定某些输入数据过期或者不可用，并且可以使用更新环路130来获取该数据并且基于新数据来重算或精炼该分析。具体而言，更新环路130可以查询输入系统104以获取关于任意希望的数据输入的更多或更新的数据，如新的胆固醇测量值、血压测量值等等。更新环路130可以请求用户经由一个或多个输入设备122输入所要求的数据，可以将适当的传感器110或112用于该新数据，可以经由因特网连接116或电话连接118访问服务器或其他外部数据存储设备来获取所要求的数据(其可以是周围环境数据、新的疾病症状集合，等等)。此外，更新环路130可以包括观察到的情况方块132，其可以提供专家引擎102所需要的、关于所观察到的情况的更多信息。例如，方块132可以从用户确定用户是否具有专家引擎102进一步精炼诊断可能需要的、但是还没有为其采集数据或没有为其采集最近的数据的一个或多个症状。方块132例如可以询问用户以回答关于某些情况存在或不存在的一个或多个问题(例如用户是否经历盗汗、皮肤干燥、头疼等)。方块132可以命令用户采取额外的措施或采集额外的数据，可以使得用户执行一个或多个动作然后取得额外的数据，或者可以使得用户按照特定顺序执行一系列动作以获取新的或更新的数据(如使得用户深呼吸、喝水等)。当然，方块132可以通过用户输入设备104询问用户，或者可以以其他方式获取这些数据并且将所更新的或新数据提供回专家引擎102，以供执行进一步诊断时使用。
[0051]进一步的，如上所述，系统100可以包括健康预测模块103，其可以用于预测未来的健康情况或问题。与用于诊断当前健康情况的专家引擎102不同，方块103可以分析数据库106内的数据以确定可以用于预测未来情况的趋势或循环。例如，方块103可以包括数据处理单元，其处理数据库106内的数据以观察指示健康问题或与健康问题相关的趋势或循环。例如，预测方块103的数据处理单元可以确定在未来的一个或多个时间处用户的血糖水平和头疼是否有关联。在该实例中，预测方块103的数据处理单元可以处理存储在数据库106中的个人健康数据以寻找各种不同参数在相同或不同时间的强关联或正关联。在该实例中，方块103可以确定血糖水平高于某个量将会导致大约10小时后的头疼。方块103的数据处理单元在做出这一确定或认识到这一因素之后，可以将规则(或模型)存储在数据库109中以供未来做出健康预测时使用。方块103的预测单元还可以使用这些规则来预测未来的健康问题，如检测血糖水平何时高于特定范围并且基于所存储的规则或模型告诉用户该用户很可能在大约10小时后会头疼。预测方块103可以附加地使用数据库106中的数据来推荐用于防止或最小化健康情况的动作(例如告诉用户服用止疼药、维生素等等)以降低该情况或最小化该情况实际发生的可能性。当然，方块103可以将预测和所推荐的动作存储在数据库106中并且在未来的时间进一步分析该数据以查看所推荐的动作是否减低或消除了问题或健康问题，并且可以使用该进一步的数据用于下一次预测或推荐过程。
[0052]当然，方块103的各个部分可以由处理器或控制器108在后台周期性地执行或者以连续方式执行以测试和确定所存储的数据中的关联，从而产生预测规则以用于进行预测。为了确定关联，方块103的数据处理单元可以选择存储在数据库106中的各种不同组或类型的数据来测试该关联，可以选择或使用任意不同数目的数据或数据组合，并且可以改变与不同类型的数据相关联的时滞或时间循环来确定可能的高相关数据以供进行预测使用。此外，方块103的数据处理单元可以选择或改变数据组(各种不同的参数组合)和/或这些数据组之间的时滞以在以系统方式、以随机方式或者以半随机方式进行分析时使用。进一步的，方块103的数据处理单元可以改变使用各种数据参数的时间段(例如一天、一个月、一个小时、5分钟等等)和在每次关联确定时使用的数据的量。方块103的数据处理单元可以使用原始数据，或者可以在各种时间段上对所存储的数据的原始数据进行预先处理并且对所处理的或统计数据进行操作，例如平均值、中值、标准差等等。方块103还可以对所检测到的基准线、正常值、趋势和与这些值的偏差进行操作。可以理解，方块103可以以任何形式测试数据参数的组合或者可以组合数据参数(包括物理参数、周围数据参数、食物摄取参数、诊断参数，等等)，分析只受到数据库106中存在的数据的量或者可以通过数据输入单元104访问的数据的量的限制。
[0053]虽然已经将方块103描述为基于所检测到的数据中的关联进行预测，但是方块103可以以任意希望的形式确定或执行关联分析。例如，方块103可以使用一个或多个数据模型(如数据库109中存储的模型中的任一个)，包括神经网络模型、PLS模型、MPC模型或其他数据模型，并且在做出关联确定时可以运行主成分分析、回归分析等。
[0054]概括而言，可以理解，专家引擎102 (在做出诊断确定时)和预测模块103 (在做出预测分析时)产生或使用(使用存储在数据库106中的个人健康数据确定的)一个或多个模型，该模型对用户身体的反应或操作进行建模。换句话说，这些模型被创建以对用户身体中存在的各种循环进行建模或预测，如血糖循环、氧吸收循环、食物循环、药物反应循环等。这种循环可以存在于数据库106中存储的任意两个或更多个参数之间以及任意参数或参数组与健康问题或健康情况之间，并且概括而言，确定有意义的循环所涉及的参数以及这些参数之间的、限定了参数之间的有意义的和关联关系的最相关的一个或多个时滞是非常重要的。此外，这些模型(或循环)将在用户的身体随着时间改变而改变(变老、暴露于不同环境、疾病等等，吃药、改变锻炼或食物摄入习惯，等等)时发生改变，并且因此模型应当更新以反映用户身体或环境的改变。此外，专家引擎102和预测模块103所产生和/或使用的一个或多个模型是专门定制的并且反映正在被建模的特定用户的个人模型(并且可能随着用户不同而显著不同)。因此这些模型更准确并且对该用户来说更有预测性，尤其是当为该用户采集的数据越来越多时，并且模型可以基于新采集的数据而被精炼、调整或重新生成。
[0055