女性生理周期的预测方法、装置及用户设备与流程

本公开涉及医疗技术领域，尤其涉及一种女性生理周期的预测方法、装置及用户设备。

背景技术：

现有技术中，女性生理周期的预测方法通常以历史生理周期的平均值作为预测值，但是该预测值容易受到情绪、气候、健康状况等多种因素的影响，而导致预测的准确率较低。

为此，又提出了一种通过女性的基础体温来预测女性生理周期的预测方法，经研究表明，女性的基础体温与卵巢功能密切相关，可以通过基础体温的变化来预测生理周期。

然而，基础体温的测量要求较为严格，即在经过较长时间睡眠之后，醒来未进行任何活动之前，对舌下体温进行测量。在实际测量时，难以保证基础体温的测量是否满足了上述严格的要求。如果基础体温存在测量误差，则仍无法准确地预测生理周期。

由上可知，如何准确地预测女性生理周期仍是亟待解决的问题。

技术实现要素：

为了解决上述技术问题，本公开的一个目的在于提供一种女性生理周期的预测方法、装置及用户设备。

其中，本公开所采用的技术方案为：

一种女性生理周期的预测方法，包括：侦听用户预测生理周期的触发操作，生成生理周期预测指令；根据所述生理周期预测指令触发进行体温数据的获取；针对获取到的体温数据进行特征提取得到生理特征序列；在预先构建的生理周期预测模型中，以所述生理特征序列作为所述生理周期预测模型的输入进行生理周期预测，输出得到生理周期。一种女性生理周期的预测装置，包括：指令生成模块，用于侦听用户预测生理周期的触发操作，生成生理周期预测指令；体温数据获取模块，用于根据所述生理周期预测指令触发进行体温数据的获取；第一特征提取模块，用于针对获取到的体温数据进行特征提取得到生理特征序列；生理周期预测模块，用于在预先构建的生理周期预测模型中，以所述生理特征序列作为所述生理周期预测模型的输入进行生理周期预测，输出得到生理周期。

一种用户设备，包括处理器及存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现如上所述的女性生理周期的预测方法。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的女性生理周期的预测方法。

与现有技术相比，本公开具有以下有益效果：

通过对获取到的体温数据进行特征提取得到生理特征序列，进而在预先构建的生理周期预测模型中，以该生理特征序列作为生理周期预测模型的输入进行生理周期预测，得到生理周期。

也就是说，该方法是基于体温而并非基础体温，测量的准确度较高，此外，针对体温通过预先构建的生理周期预测模型进行生理周期预测，具有数学算法的支撑，避免简单地以历史生理周期的平均值作为预测值，有效地提高了预测的准确率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并于说明书一起用于解释本公开的原理。

图1是根据一示例性实施例示出的一种用户设备的硬件结构框图；

图2是根据一示例性实施例示出的一种女性生理周期的预测方法的流程图；

图3是图2对应实施例中步骤310在一个实施例的流程图；

图4是根据一示例性实施例示出的另一种女性生理周期的预测方法的流程图；

图5是图4对应实施例中步骤450在一个实施例的流程图；

图6是图5对应实施例中预设数学模型的原理示意图；

图7是一应用场景中一种女性生理周期的预测方法的具体实现示意图；

图8是根据一示例性实施例示出的一种女性生理周期的预测装置的框图；

图9是图8对应实施例中体温数据获取模块710在一个实施例的框图；

图10是根据一示例性实施例示出的另一种女性生理周期的预测装置的框图；

图11是图10对应实施例中模型构建模块850在一个实施例的框图。

通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述，这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。

具体实施方式

这里将详细地对示例性实施例执行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

如前所述，现有技术中女性生理周期的预测方法仍存在预测的准确率不高的缺陷。

基于此，本公开特提出了一种有效提高预测的准确率的女性生理周期的预测方法。该方法由计算机程序实现，与之相对应的，所构建的女性生理周期的预测装置所对应的计算机可读指令存储于用户设备的存储器中，以便于进行女性生理周期的预测。

图1是根据一示例性实施例示出的一种用户设备100的硬件结构框图。需要说明的是，该用户设备100只是一个适配于本公开的示例，不能认为是提供了对本公开的使用范围的任何限制。该用户设备100也不能解释为需要依赖于或者必须具有图1中示出的示例性的用户设备100中的一个或者多个组件。

该用户设备100的硬件结构可因配置或者性能的不同而产生较大的差异，如图1所示，用户设备100包括：电源110、接口130、至少一存储介质150、以及至少一中央处理器(cpu，centralprocessingunits)170。

其中，电源110用于为用户设备100上的各硬件设备提供工作电压。

接口130包括至少一有线或无线网络接口131、至少一串并转换接口133、至少一输入输出接口135以及至少一usb接口137等，用于与外部设备通信。

存储介质150作为资源存储的载体，可以是随机存储介质、磁盘或者光盘等，其上所存储的资源包括操作系统151、应用程序153及数据155等，存储方式可以是短暂存储或者永久存储。其中，操作系统151用于管理与控制用户设备100上的各硬件设备以及应用程序153，以实现中央处理器170对海量数据155的计算与处理，其可以是windowsservertm、macosxtm、unixtm、linuxtm、freebsdtm等。应用程序153是基于操作系统151之上完成至少一项特定工作的计算机程序，其可以包括至少一模块(图1中未示出)，每个模块都可以分别包含有对用户设备100的一系列操作指令。数据155可以是存储于磁盘中的照片、图片等等。

中央处理器170可以包括一个或多个以上的处理器，并设置为通过总线与存储介质150通信，用于运算与处理存储介质150中的海量数据155。

如上面所详细描述的，适用本公开的用户设备100将通过中央处理器170读取存储介质150中存储的一系列操作指令的形式来实现女性生理周期的预测方法。

此外，通过硬件电路或者硬件电路结合软件指令也能同样实现本公开，因此，实现本公开并不限于任何特定硬件电路、软件以及两者的组合。

请参阅图2，在一示例性实施例中，一种女性生理周期的预测方法适用于图1所示的用户设备100，该种女性生理周期的预测方法可以由用户设备100执行，可以包括以下步骤：

步骤310，侦听用户预测生理周期的触发操作，生成生理周期预测指令。

对于用户设备而言，将为用户提供一女性生理周期的预测入口，以使用户能够通过在该预测入口进行的触发操作，进行女性生理周期的预测。

举例来说，预测入口可以是用户设备所提供的人机交互界面上的一虚拟按键，当用户欲进行女性生理周期的预测时，将点击该虚拟按键，该点击操作即为用户预测生理周期的触发操作。

用户设备在侦听到用户在预测入口进行的触发操作之后，即通过响应该触发操作生成一生理周期预测指令，进而根据该生理周期预测指令开始进行女性生理周期的预测。

步骤330，根据生理周期预测指令触发进行体温数据的获取。

本实施例中，体温数据表征了女性身体的温度，即女性体温。

进一步地，女性体温根据测量部位的不同稍有差异。例如，腋窝温度的正常范围为36.1℃～37℃，口腔温度则为36.3℃～37.2℃。

更进一步地，女性体温在内外因素的作用下，可以在正常范围内轻度变化。例如，下午较早晨女性体温相对较高，或者，进餐或者运动后女性体温也可以有轻度地升高，又或者，女性在排卵期或者妊娠期体温也稍高于正常范围。

进一步地，体温数据是被预先存储在用户设备中的，由此，便可由用户设备中获取到预先存储的体温数据。例如，体温数据可以通过用户日志文件的形式存储在用户设备中。

步骤350，针对获取到的体温数据进行特征提取得到生理特征序列。

为了进行女性生理周期的预测，需要获知生理周期的特征分布。

如前所述，女性在排卵期或者妊娠期体温稍高于正常范围。由此，本实施例中，生理周期的特征分布的获知将通过体温数据的特征提取实现。

具体地，特征提取过程包括对体温数据中的低温高温进行平均处理、对体温数据进行差分处理、对体温数据进行归一化处理等等。

通过对体温数据进行的特征提取，便得到了反映了生理周期的特征分布的生理特征序列，进而有利于根据生理特征序列进行后续女性生理周期的预测。

步骤370，在预先构建的生理周期预测模型中，以生理特征序列作为生理周期预测模型的输入进行生理周期预测，输出得到生理周期。

生理周期预测模型是根据生理周期的特征分布预先构建得到的。也就是说，以生理周期的特征分布作为输入，便可输出得到生理周期。

在得到了反映生理周期的特征分布的生理特征序列之后，便可通过生理周期预测模型预测得到生理周期。

进一步地，结合生理周期与排卵时间相差142天的时间关系，由生理周期还将计算得到排卵时间，以满足用户不同的预测需求。

通过如上所述的过程，利用生理周期预测模型进行生理周期预测，使得女性生理周期的预测具备了数学算法的支撑，从而有效地提高了预测的准确率。

请参阅图3，在一示例性实施例中，步骤310可以包括以下步骤：

步骤311，根据预存的体温记录绘制体温曲线。

用户测量的体温将通过用户日志文件的形式进行记录，也就是说，用户日志文件中至少记录了测量的体温以及该体温所对应的测量时间。

具体地，用户设备响应用户针对测量的体温触发进行的体温记录操作，生成体温记录，并将生成的体温记录存储至用户日志文件中。

由此，通过读取用户日志文件即可相应地获取到体温记录。体温记录包括了测量的体温以及该体温所对应的测量时间。

在获取到体温记录之后，便可根据体温记录进行体温曲线的绘制。

具体地，以体温作为纵坐标，以时间作为横坐标，则测量的体温以及该体温所对应的测量时间即构成一坐标点，将若干坐标点通过直线连接即绘制得到体温曲线。

步骤313，对体温曲线进行平滑去噪处理。

可以理解，由于体温测量的测量时间是间隔地非连续的，通过直线连接坐标点得到的体温曲线实质上存在着缺失，即未进行体温测量的时间在体温曲线中所对应的体温无法保证准确性。

因此，本实施例中，通过平滑去噪算法对体温曲线进行平滑去噪处理，过滤体温曲线中的异常值和缺失值，消除体温曲线的局部波动，以此有效地保证了体温曲线中测量的体温的准确性和完整性，进而有利于后续提高预测的准确性。

其中，平滑去噪算法可以是均值滤波、中值滤波、基于小波变化的去噪、总体变分(tv，totalvariation)去噪等等方法，在此并未加以限定。

步骤315，在平滑去噪处理得到的体温曲线中，提取得到符合预设提取条件的体温数据。

其中，预设提取条件包括按时间段提取、按温度区间提取等等。

在完成平滑去噪处理之后，便可由处理后的体温曲线中提取得到体温数据。

在上述实施例的作用下，实现了体温测量的时间的连续性，即过滤了体温曲线中缺失值，保证了体温曲线的完整性，同时，通过平滑去噪处理过滤了体温曲线中的异常值，消除了体温曲线的局部波动，保证了体温曲线的准确性，以此有利于后续提高预测的准确性。

在一示例性实施例中，步骤330之前，如上所述的方法还可以包括以下步骤：

按照预设分类条件对体温数据进行样本分类，确定体温数据对应的样本类型标识。

其中，预设分类条件包括体温曲线类型、测量时间段中的至少一种。

首先需要说明的是体温曲线类型，由于体温数据是由体温曲线中提取得到的，该体温曲线类型对应于体温数据，并且该体温曲线类型反映了体温曲线中测量的体温的分布。

具体地，体温曲线类型包括正常双相分布、异常双相分布和单相分布。

进一步地，异常双相分布包括曲线幅度上升缓慢、下降缓慢、升降幅度低于0.3等等。

单相分布包括曲线幅度偏低、偏高、曲线波形呈锯齿状等等。

其次需要说明的是测量时间段，该测量时间段是与用户测量体温的测量时间相关的。

如前所述，女性体温在内外因素的作用下，可以在正常范围内轻度变化。例如，下午较早晨女性体温相对较高。

为此，测量时间段可以针对早晨、下午、晚上进行划分，以此保证在同一测量时间段内的体温波动较小。

即，测量时间段包括早晨时间段、下午时间段、晚上时间段。

应当理解，如果体温的分布不同，则生理周期预测模型反映的生理周期的特征分布是有所差别的。

因此，样本分类可以按照上述预设分类条件进行，以此确定体温数据对应的样本类型标识，进而有利于后续用于生理周期预测的生理周期预测模型是与样本类型标识相对应的，以此提高预测的准确率。

相应地，步骤370之前，如上所述的方法还可以包括以下步骤：

根据样本类型标识关联查找到对应的生理周期预测模型。

通过上述实施例的配合，对体温数据进行样本分类，使得不同样本类型标识能够关联查找到不同的生理周期预测模型，以便于后续根据不同的生理周期预测模型进行生理周期预测，从而进一步有利于提高预测的准确率。

进一步地，在一示例性实施例中，按照预设分类条件对体温数据进行样本分类，确定体温数据对应的样本类型标识步骤之前，如上所述的方法还可以包括以下步骤：

按照预设特征提取算法的数据格式对体温数据进行数据清洗，得到符合数据格式的体温数据。

预设特征提取算法是用于对体温数据进行特征提取的，按照预设特征提取算法的数据格式对体温数据进行数据清洗，将使得体温数据的数据格式符合预设特征提取算法的数据格式，进而有利于后续通过预设特征提取算法对该符合数据格式的体温数据进行特征提取。

相应地，步骤330可以包括以下步骤：

调用预设特征提取算法对符合数据格式的体温数据进行特征提取，得到生理特征序列。

在一示例性实施例中，步骤330之后，如上所述的方法还可以包括以下步骤：

将影响因素特征添加至生理特征序列。

如前所述，女性生理周期的预测容易受到情绪、气候、健康状况的多种因素的影响，而导致预测的准确率较低。

为此，在得到生理特征序列之后，将影响因素特征添加至生理特征序列，以此保证对女性生理周期的多维度预测，有利于提高预测的准确率。

其中，影响因素特征用于表征会对生理周期产生影响的影响因素。该影响因素包括女性年龄、气候、情绪、健康状况等等，相应地，该影响因素特征包括女性年龄特征、地域特征、历史生理周期特征。

进一步地，地域特征反映了女性所处地理位置的气候等等。

历史生理周期特征包括历史生理周期，反映了女性的情绪、健康状况等等。

影响因素特征的获取过程具体包括：采集会对生理周期产生影响的影响因素，并对该些影响因素进行特征转换得到影响因素特征。

在上述实施例的配合下，实现了基于影响因素特征的多维度预测，以此进一步地提高了预测的准确率。

请参阅图4，在一示例性实施例中，如上所述的方法还可以包括以下步骤：

步骤410，获取训练数据。

在进行女性生理周期的预测之前，为了构建生理周期预测模型，需要以训练数据作为该生理周期预测模型的训练基础。通过获取大量的训练数据才能够得到较为准确的生理周期预测模型，进而更加准确地进行女性生理周期的预测。

本实施例中，训练数据由本地提取，即由本地的用户日志文件中得到。

如前所述，用户日志文件中存储了体温记录，体温记录包括了测量的体温以及该体温所对应的测量时间。

由此，针对用户日志文件中包含的体温记录进行体温提取，便可根据提取得到的体温生成训练数据。

当然，在其他应用场景中，用户设备还可通过与存储服务器的交互，由存储服务器中获取其他用户设备中的训练数据。

步骤430，针对获取得到的训练数据进行特征提取，得到训练数据对应的特征序列。

如前所述，生理周期预测模型是通过对生理周期的特征分布预先构建得到的，故而，在进行生理周期预测模型的构建之前，首先需要针对训练数据进行特征提取。

进一步地，获取得到的训练数据是海量的，相应地，特征序列是与训练数据对应的，即进行特征提取之后，得到每一训练数据所对应的特征序列。

步骤450，根据训练数据对应的特征序列进行模型建立和训练，得到生理周期预测模型。

在获取到每一训练数据对应的特征序列之后，即得到了模型建立和训练的输入。也就是说，以训练数据对应的特征序列作为输入进行模型建立和训练，即能够得到反映了生理周期的特征分布的生理周期预测模型。

在上述实施例的配合下，实现了生理周期预测模型的预先构建，使得后续女性生理周期的预测具备了数学算法的支撑，从而有利于提高预测的准确率。

此外，保证了生理周期预测模型的构建是基于大量训练数据，即真实的体温数据，进而构成了生理周期准确预测的前提。

在一示例性实施例中，步骤410之后，如上所述的方法还可以包括以下步骤：

根据预设分类条件对训练数据进行样本分类，确定训练数据对应的样本类型标识。

如前所述，预设分类条件包括体温曲线类型、测量时间段中的至少一种。

其中，体温曲线类型包括正常双相分布、异常双相分布和单相分布。

进一步地，异常双相分布包括曲线幅度上升缓慢、下降缓慢、升降幅度低于0.3等等。

单相分布包括曲线幅度偏低、偏高、曲线波形呈锯齿状等等。

测量时间段包括早晨时间段、下午时间段、晚上时间段。

相应地，训练数据的样本类型也包括正常双相分布、异常双相分布和单相分布以及早晨时间段、下午时间段、晚上时间段等。

进一步地，步骤450之后，如上所述的方法还可以包括以下步骤：

将样本类型标识与生理周期预测模型进行关联存储。

举例来说，体温曲线类型为正常双相分布，则训练数据的样本类型即为正常双相分布，相应地，生理周期预测模型所反映的生理周期的特征分布即是与正常双相分布相关的。

通过如上所述实施例的配合，当样本类型标识不同，进行生理周期预测所使用的生理周期预测模型也将有所区别，从而进一步有效地提高了预测的准确率。

进一步地，在一示例性实施例中，根据预设分类条件对训练数据进行样本分类，确定训练数据对应的样本类型标识步骤之前，如上所述的方法还可以包括以下步骤：

按照预设特征提取算法的数据格式对训练数据进行数据清洗，得到符合数据格式的训练数据。

预设特征提取算法是用于对训练数据进行特征提取的，按照预设特征提取算法的数据格式对训练数据进行数据清洗，将使得训练数据的数据格式符合预设特征提取算法的数据格式，进而有利于后续通过预设特征提取算法对该符合数据格式的训练数据进行特征提取。

相应地，步骤430可以包括以下步骤：

调用预设特征提取算法对符合数据格式的训练数据进行特征提取，得到训练数据对应的特征序列。

请参阅图5，在一示例性实施例中，步骤450可以包括以下步骤：

步骤451，采用预设数学模型对训练数据对应的特征序列建模得到待训练模型。

本实施例中，建模是借助预设数学模型所描述的数学结构来反映训练数据对应的特征序列。

预设数学模型在此并未加以限定，以预设数学模型为hmm(hiddenmarkovmodel，隐马尔可夫模型)—gmm(gaussianmixturemodel，混合高斯模型)模型举例说明。

其中，hmm模型使用3状态带自环无跨越的拓扑结构，即训练数据对应的特征序列通过hmm模型进行状态描述。如图6所示，训练数据对应的特征序列被划分为3个状态，其中，每一个状态si,i＝1,2,3只能跳转至其自身以及相邻的下一状态si+1，aij表示由状态si跳转至状态sj的转移概率。

进一步地，对于每一个状态，采用gmm模型进行建模，得到能够反映生理周期的特征分布的待训练模型。

换而言之，建模建立了状态与特征序列之间的对应关系，以便于后续通过训练使得所建立的对应关系达到最优，即得到生理周期预测模型。

步骤453，对待训练模型的参数进行随机初始化，并利用最大期望算法对随机初始化得到的参数进行迭代优化。

可以理解，通过训练使得状态与特征序列之间的对应关系达到最优，即使得特征序列属于某个对应状态的概率最大。

也就是说，为了获知特征序列属于某个对应状态的最大概率，将对待训练模型的参数进行训练。

具体地，通过最大期望算法(expectationmaximizationalgorithm，em算法)对待训练模型的参数进行迭代优化，以得到待训练模型的参数的确定值，该确定值即为特征序列属于某个对应状态的最大概率。

其中，在参数迭代优化的初始阶段，对待训练模型的参数进行随机初始化，以将该随机初始化得到的参数作为初始的训练参数。

进一步地，最大期望算法的每一次迭代优化过程包括如下两个步骤：

e步骤，基于当前的训练参数计算待训练模型的参数的概率分布；

m步骤，计算能够使待训练模型的参数的概率分布期望最大时所对应的参数，该参数即为优化后的参数。

当优化后的参数无法使待训练模型收敛，则以优化后的参数进行训练参数的更新，继续迭代优化的过程。

当优化后的参数使待训练模型收敛，则跳转进入步骤455。

步骤455，当优化后的参数使待训练模型收敛，则判定收敛的待训练模型为生理周期预测模型。

在训练得到生理周期预测模型之后，通过该生理周期预测模型将能够反映出女性体温所对应的生理周期的特征分布，以此由女性体温便可预测得到相应的生理周期。

此外，训练得到的生理周期预测模型与训练数据的样本类型相对应，使得不同样本类型的训练数据能够分别建模和训练出不同的生理周期预测模型，有效地保证了预测的精度。

图7是一应用场景中一种女性生理周期的预测方法的具体实现示意图，现结合图1所示的用户设备以及图7所示的应用场景对本公开各实施例中女性生理周期的预测方法流程加以描述。

通过执行步骤601至步骤605，进行生理周期预测模型的构建。

通过执行步骤606至步骤610，对输入的体温数据进行生理特征序列的提取。

并通过执行步骤611，以生理特征序列作为模型输入，通过生理周期预测模型进行生理周期预测，得到生理周期612和排卵期613。

在本公开各实施例中，利用机器学习算法进行生理周期预测模型的构建，使得女性生理周期的预测具备数学算法的支撑，避免简单地以历史生理周期的平均值作为预测值，以此有效地提高了预测的准确率。

下述为本公开装置实施例，可以用于执行本公开所涉及的女性生理周期的预测方法。对于本公开装置实施例中未披露的细节，请参照本公开所涉及的女性生理周期的预测方法实施例。

请参阅图8，在一示例性实施例中，一种女性生理周期的预测装置700包括但不限于：指令生成模块710、体温数据获取模块730、第一特征提取模块750和生理周期预测模块770。

其中，指令生成模块710用于侦听用户预测生理周期的触发操作，生成生理周期预测指令。

体温数据获取模块730用于根据生理周期预测指令触发进行体温数据的获取。

第一特征提取模块750用于针对获取到的体温数据进行特征提取得到生理特征序列。

生理周期预测模块770用于在预先构建的生理周期预测模型中，以生理特征序列作为生理周期预测模型的输入进行生理周期预测，输出得到生理周期。

请参阅图9，在一示例性实施例中，体温数据获取模块710包括但不限于：体温曲线绘制单元711、体温曲线处理单元713和体温数据提取单元715。

其中，体温曲线绘制单元711用于根据预存的体温记录绘制体温曲线。

体温曲线处理单元713用于对体温曲线进行平滑去噪处理。

体温数据提取单元715用于由平滑去噪处理得到的体温曲线中提取出体温数据。

在一示例性实施例中，如上所述的装置还包括但不限于：体温记录生成模块和体温记录存储模块。

其中，体温记录生成模块用于响应用户针对测量的体温触发进行的体温记录操作，生成体温记录。体温记录包含测量的体温以及该体温所对应的测量时间。

体温记录存储模块用于将生成的体温记录存储至用户日志文件。

在一示例性实施例中，如上所述的装置还包括但不限于：第一样本分类模块。

其中，第一样本分类模块用于按照预设分类条件对体温数据进行样本分类，确定体温数据对应的样本类型标识。

相应地，如上所述的装置还包括但不限于：关联查找模块。

其中，关联查找模块用于根据样本类型标识关联查找到对应的生理周期预测模型。

在一示例性实施例中，如上所述的装置700还包括但不限于：数据清洗模块。

其中，数据清洗模块用于按照预设特征提取算法的数据格式对体温数据进行数据清洗，得到符合数据格式的体温数据。

相应地，第一特征提取模块730包括但不限于：第一特征提取单元。

其中，第一特征提取单元用于调用预设特征提取算法对符合数据格式的体温数据进行特征提取，得到生理特征序列。

在一示例性实施例中，如上所述的装置700还包括但不限于：特征转化模块和影响因素特征添加模块。

其中，特征转化模块用于采集影响因素，并对影响因素进行特征转化。

影响因素特征添加模块用于将特征转化得到的影响因素特征添加至生理特征序列。影响因素特征用于表征会对生理周期产生影响的影响因素。

请参阅图10，在一示例性实施例中，如上所述的装置700还包括但不限于：训练数据获取模块810、第二特征提取模块830和模型构建模块850。

其中，训练数据获取模块810用于获取训练数据。

第二特征提取模块830用于针对获取得到的训练数据进行特征提取，得到训练数据对应的特征序列。

模型构建模块850用于根据训练数据对应的特征序列进行模型建立和训练，得到生理周期预测模型。

在一示例性实施例中，训练数据获取模块包括但不限于：日志文件读取模块。

其中，日志文件读取模块用于针对用户日志文件中包含的体温记录进行体温提取，根据提取得到的体温生成训练数据。

在一示例性实施例中，如上所述的装置700还包括但不限于：第二样本分类模块。

其中，第二样本分类模块用于根据预设分类条件对训练数据进行样本分类，确定训练数据对应的样本类型标识。

相应地，如上所述的装置还包括但不限于：关联存储模块。

其中，关联存储模块用于将样本类型标识与生理周期预测模型进行关联存储。

在一示例性实施例中，如上所述的装置还包括但不限于：第二数据清洗模块。

其中，第二数据清洗模块用于按照预设特征提取算法的数据格式对训练数据进行数据清洗，得到符合数据格式的训练数据。

相应地，第二特征提取模块包括但不限于：第二特征提取单元。

其中，第二特征提取单元用于调用预设特征提取算法对符合数据格式的训练数据进行特征提取，得到训练数据对应的特征序列。

请参阅图11，在一示例性实施例中，模型构建模块850包括但不限于：建模单元851、训练单元853和模型生成单元855。

其中，建模单元851用于采用预设数学模型对训练数据对应的特征序列建模得到待训练模型。

训练单元853用于对待训练模型的参数进行随机初始化，并利用最大期望算法对随机初始化得到的参数进行迭代优化。

模型生成单元855用于当优化后的参数使待训练模型收敛，则判定收敛的待训练模型为生理周期预测模型。

需要说明的是，上述实施例所提供的女性生理周期的预测装置在进行女性生理周期的预测处理时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即女性生理周期的预测装置的内部结构将划分为不同的功能模块，以完成以上描述的全部或者部分功能。

另外，上述实施例所提供的女性生理周期的预测装置与女性生理周期的预测方法的实施例属于同一构思，其中各个模块执行操作的具体方式已经在方法实施例中进行了详细描述，此处不再赘述。

在一示例性实施例中，一种用户设备，包括处理器及存储器。

其中，存储器上存储有计算机可读指令，该计算机可读指令被处理器执行时实现如上的各实施例中的女性生理周期的预测方法。

在一示例性实施例中，一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上的各实施例中的女性生理周期的预测方法。

上述内容，仅为本公开的较佳示例性实施例，并非用于限制本公开的实施方案，本领域普通技术人员根据本公开的主要构思和精神，可以十分方便地进行相应的变通或修改，故本公开的保护范围应以权利要求书所要求的保护范围为准。