利于精确确定最佳受孕时刻点。此时，其最佳时间的判断甚至可以具体到相对应的时刻。这种精确性极大克服了现有技术的弊端。
[0050]在另一个实施例中，所述步骤S002之后，步骤SlOO之前还包括如下步骤:
[0051]S003:基于基础体温的基准模型，判断备孕女性的黄体状况，以判断其排卵情况是否异常。
[0052]对于该实施例，基于基准模型，根据获得的高温日、低温日长短，以及升温程度，基于上述数据可对黄体的状态进行判断，对受孕生理状况进行检查，并能够判断排卵是否异常。如果异常，可以用于后期提醒备孕女性。
[0053]参考图2和图3，依然以正常月经周期28天、正常体温36.6°C为例，其中图2示出了由于黄体功能的不良从而导致基础体温下降缓慢的示意图，图3示出了由于黄体素的浓度不够从而导致排卵期体温缓慢上升的示意图。对于这2种异常情况，本发明都可以通过相应基准模型来予以判断。
[0054]甚至，更进一步的，本发明还能够进一步基于基础体温的基准模型，判断已经怀孕、疑似早期流产、以及没有排卵，并对此发出提醒，参见图4、5、6。其中:对于图4，一般来说，高温持续超过16天就是怀孕的征兆；对于图5，高温从第15天持续到第34天总计20天后降温，这一般被认为是早期流产的迹象；对于图6，基础体温始终在36.6°C以下，始终是低温状态，没有形成高低温双相变化，这一般被认为没有排卵。
[0055]也就是说，在本发明的一些实施例中，如果温度序列之间的相关度低，例如相关度低于0.8，则可判断为在对应的采样时段中，温度采样值属于异常状态，需进一步观察和采样；如相关度高于0.8则属于有意义采样，进一步确定最佳受孕时间或其他与基准模型有关的分析、判断，例如是否可能是:黄体功能不良、黄体素浓度不够、已经怀孕、疑似早期流产、以及没有排卵。
[0056]在另一个实施例中，所述步骤S300具体包括如下步骤:
[0057]S301:基于S002中的预测排卵日，对以下温度值进行相关性的统计和比较，以确定最佳受孕时间:S100中采样序列中各采样温度值，以及所述两个基准温度序列中、与SlOO中采样序列中各采样温度值的采样时间所对应时间的基准温度值。
[0058]也就是说，对于该实施例而言，其给出了具体相关性统计所针对的数据源，从而给出了一种更具体的实施例。
[0059]在另一个实施例中，所述步骤S300之后还包括如下步骤:
[0060]S401:选择全天候24小时作为连续采样时间段，对于以下2种温度值采用不同的处理方式:
[0061]对于深度睡眠时间段采集的基础体温的温度值不进行处理而采用原始采样数据；
[0062]对于其他时间段采集的基础体温的温度值进行去噪和平滑处理；
[0063]S402:将处理后的其他时间段的温度值与不进行处理的深度睡眠时间段的温度值组成每天的参考温度序列；
[0064]S403:基于备孕女性一段历史时间内每天的参考温度序列，以及相对于正常体温处于正常相对低温温度状态和正常相对高温温度状态的分别，获得如下两个参考基准温度序列:参考基准尚温序列和参考基准低温序列；
[0065]S404:对于参考温度序列中的各采样温度值、对应时刻的参考基准高温序列中温度值、对应时刻的参考基准低温序列中温度值，进行统计比较，确定参考最佳排卵时刻。
[0066]对于该实施例，需要着重指出，在基准模型建立时，除了“基础状态”的基准高温序列和基准低温序列，也按相同的方法求得24小时连续采样的参考基准高温序列和参考基准低温序列，通过参考温度序列与两参考基准温度序列的比较统计，确定参考最佳受孕时刻点。
[0067]也就是说，通过上述实施例中的最佳受孕时间检测方法，可以先基于正常的历史温度采集数据建立基准模型，对排卵日和月经周期进行预测，获得基准温度序列，利用对备孕女性的体温的连续采样序列，并参照所述参考基准温度序列，进而判断备孕女性的温度变化特征，确定研究对象的体温的模式类型，并精确检测出最佳受孕时间。
[0068]此外，该实施例参考了全天候的连续体温测量，为了排除非基础状态下测得的温度值随环境和备孕女性状态情绪等的影响，对每天24小时连续采集的采样温度中的温度值进行区分处理，对深度睡眠时刻的采样温度值原样采用，对非深度睡眠时刻的采样温度值进行处理，使其组成的时间一温度曲线获得去噪和平滑组成参考温度序列。
[0069]在另一个实施例中，所述采样周期为[0.1s, 300s]。显而易见的，该实施例在于限定连续采样的采样周期。容易理解，此周期明显有别于现有技术中的单一时间点测量的方案。
[0070]更具体的，在另一个实施例中，图7为该实施例的最佳受孕时间检测方法的流程图。
[0071]分别将采样温度序列与两个基准温度序列分别进行比较，获取对应的低温相关性和高温相关性。其中，两个基准温度序列分别为基准低温序列和基准高温序列，采集自备孕女性月经期内正常相对低温温度状态和正常相对高温温度状态。
[0072]基于所获得的高温相关性和低温相关性，辨识备孕女性在不同日期的生理状态，并确定排卵日。
[0073]两个基准温度序列可通过较长时间(例如40天)统计分析得到，具体的，可对较长时间内每日与上面相同特定的一段时间内对备孕女性的基础体温进行连续采样，每日获得一个采样温度序列，对每日获得的采样温度序列中的温度值求和并平均，根据上述40个平均温度值，以日期作为横坐标，温度作为纵坐标，绘制曲线，获得基准模型，温度升高点对应的即为基准排卵日，一个温度变化周期等于备孕女性的基准月经周期，根据该基准模型可对排卵日进行预测(即判断每个基准月经周期中对应的基准排卵日为预测排卵日)。同时，将一个周期内排卵日之前多个相对低温状态日对应的多个采样温度序列进行平均，获得基准低温序列，将一个周期内排卵日之后多个相对高温状态日对应的多个采样温度序列进行平均，获得基准高温序列。
[0074]对于相关性的获得，可分别计算采样温度序列{S。S2, S3, , SJ与基准温度序列之间在特定标志指标上的差距。例如，采样温度序列以，S2, S3, , SJ所拟合的线与基准温度序列的滑动平均值的拟合线之间的差值。
[0075]同样，也可分别计算采样温度序列{Si，S2, S3, , SJ与基准温度序列之间在序列元素的平均值、温度低点、温度低点的发生时刻、温度低点的发生周期等标志指标的差值，从而确定各序列之间的一致性或者相关性。
[0076]在日常检测中，当获得的高温相关性首次大于等于低温相关性时，确定其对应的米样日为排卵日。
[0077]进一步的，为了获得排卵时刻的精确检测，可充分利用上述连续时间段采集的采样温度，和两个基准温度序列。
[0078]具体的，在确定为低温状态的月经周期日内且在预计的排卵日前一天开始，将上述采样时间段内每个时间点采样的基础温度与基准低温序列中对应时刻的温度值以及基准高温序列中对应时刻的温度值进行比较，当从一采样时刻点开始连续获得一定数量以上较为接近基准高温序列中对应时刻的温度值时，确定该时刻点为最佳受孕时刻点。为了避免基础温度测量时的波动，也可改变判断方法，如，当从一采样时刻点开始的一定时间内(如两个小时的时间内)出现了规定数量以上(如采样时间间隔为2min时，2小时内出现45次以上)较为接近基准高温序列中对应时刻的温度值(具体的，例如，采样温度减去基准高温序列中对应时刻的温度值的绝对值小于采样温度减去基准低温序列中对应时刻的温度值的绝对值的二分之一)时，确定该时刻点为最佳受孕时刻点。
[0079]在图7所示实施例中仅对深度睡眠的基础温度进行了测量，因为在深度睡眠中，温度测量比较稳定准确。但也由此完全排除了“基础状态”外的体温测量。当排卵时刻发生在非“基础状态”时，按照图7所示实施例的方法只能顺推确定为第二天的深度睡眠采样时刻，无法精确测定。
[0080]图8为另一个实施例中的最佳受孕时间检测方法流程图，该实施例中参考了全天候的连续体温测量，且为了排除非基础状态下测得的温度值随环境和备孕女性状态情绪等的影响，对每天24小时连续采集的采样温度中的温度值进行区分处理，对深度睡眠时刻的采样温度值原样采用，对非深度睡眠时刻的采样温度值进行处理，使其组成的时间一温度曲线获得去噪和平滑。
[0081]与图7所示实施例不同的在于，图8所示实施例中增加了每天24小时连续采样的参考温度序列，以及在基准模型建立时，除了“基础状态”的基准高温序列和基准低温序列，也按相同的方法求得24小时连续采样的参考基准高温序列和参考基准低温序列，按同样的方法将在低温状态日内且在预计的排卵日前一天开始，将全天候时间段内每个时间点采样的参考温度与参考基准低温序列中对应时刻的温度值以及参考基准高温序列中对应时刻的温度值进行比较，当从一时刻点开始在一定时间内获得一定数量以上更接近参考基准高温序列中对应时刻的温度值时，确定该时刻点为参考最佳受孕时刻点，可设置采样时间间隔为5min，在2小时内获得20次以上采样温度减去基准高温序列中对应时刻的温度值的绝对值小于采样温度减去基准低温序列中对应时刻的温度值的绝对值的二分之一时满足条件。
[0082]上述确定的参考最佳受孕时刻点将全天候的温度纳入了观测范围，比所述最佳