Способ выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, и соответствующая система (варианты) - RU2712395C1

Чертежи

Описание

ОБЛАСТЬ ТЕХНИКИ, К КОТОРОЙ ОТНОСИТСЯ ИЗОБРЕТЕНИЕ

Настоящая группа изобретений относится к области отслеживания ежедневной деятельности пользователя и, в частности, к способу и системе для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени.

УРОВЕНЬ ТЕХНИКИ

В настоящее время существует огромное количество решений, способствующих поддержанию пользователем здоровья и физической формы. Данные известные решения, как правило, основаны на анализе различных аспектов повседневной жизни пользователя и/или основных показателей жизнедеятельности организма человека.

В частности, из уровня техники известно решение, раскрытое в US 20150364057 A1 («Systems and methods for wellness, health, and lifestyle planning, tracking, and maintenance»), которое описывает системы и способы для планирования, отслеживания и поддержания здорового образа жизни. Известная система предоставляет пользователю возможность организовывать его образ жизни и здоровые привычки. В примерном варианте осуществления эта система может предоставлять рекомендации по действиям для пользователя, которые могут положительно повлиять на самочувствие, здоровье и образ жизни пользователя. Рекомендации могут быть адаптированы для каждого отдельного пользователя системы, так что разные люди могут получать разные рекомендации. Однако данная система не содержит никаких средств для автоматического отслеживания параметров здоровья или самочувствия пользователя. Кроме того, для ее работы необходим ручной ввод пользователем данных для анализа, что влечет за собой не только возможность ввода ошибочных данных, но вероятность того, что пользователь будет забывать вносить данные, или ему надоест это делать.

Из уровня техники также известно решение, раскрытое в US 8182424 B2 («Diary-free calorimeter»), которое раскрывает непрямой калориметр (т.е. с косвенным инструментальным измерением), который оценивает калорийность потребляемой пользователем пищи путем периодического отслеживания массы пользователя и выполняемых пользователем физических упражнений (например, физиологических данных и/или данных движения, связанных с физической нагрузкой пользователя). Пользовательское устройство согласно данному решению может детектировать одно или более из следующего: сердечные сокращения, температуру тела, сопротивление кожи, измерение движения/ускорения (например, с помощью шагомера, акселерометра), измерение скорости (например, с помощью глобальной системы позиционирования (GPS)). Однако данная система не предоставляет рекомендации касательно физической активности или эффективности сна. Более того, для ее корректного функционирования требуются, как указано выше, измерения массы, которые не производятся системой автоматически (а должны быть внесены пользователем), а также отслеживания долгосрочных изменений.

Решение US 9569483 B2 («Personalized dynamic feedback control of body weight») раскрывает индивидуальную систему управления весом с обратной связью, в которой используется математическая модель метаболизма и изменения веса. В частности, данная система подразумевает проведение мониторинга таких параметров как, например, масса тела, физическая активность, диета и режим питания, и т.п. Однако данное известное решение также не подразумевает никаких средств для автоматического мониторинга указанных параметров, а требует ручной ввод необходимой информации пользователем, что влечет за собой не только возможность ввода ошибочных данных, но вероятность того, что пользователь будет забывать вносить данные, или ему надоест это делать.

Из уровня техники также известно решение, раскрытое в US 8706731 B2 («System and method for providing healthcare program service based on vital signals and condition information»), в котором описывается способ для обеспечения услуги по предоставлению программ для поддержания здорового образа жизни по беспроводной сети связи, которая включает в себя получение основных показателей жизнедеятельности от множества пользователей, группировку полученных основных показателей жизнедеятельности, регистрацию соответствующих программ для поддержания здорового образа жизни, классифицированных по конкретным заболеваниям, и предоставление соответствующих программ для поддержания здорового образа жизни пользователям. При этом конкретные способы обработки данных, группировки пользователей и выбора соответствующей программы для поддержания здорового образа жизни в данном решении не раскрываются. Кроме того, данное решение не предполагает использование физиологических моделей для улучшения выдаваемых программами рекомендаций и также требует ручной ввод некоторых необходимых данных пользователем.

Известна также и система искусственного интеллекта (см. US 20180108272 A1, «Artificial intelligence based health coaching based on ketone levels of participants»), которая использует профили пользователей, включающие в себя измеренные уровни кетонов упомянутых пользователей, для определения уровней эффективности оздоровительных программ (таких как программы для потери веса). Однако данная система включает в себя устройство для анализа дыхания, в которое пользователю необходимо дышать для определения уровня кетонов пользователя, что является не автоматическим, зависимым от пользователя процессом. Кроме того, данное решение также не предполагает использование физиологических моделей для улучшения выдаваемых программами рекомендаций.

Решение, раскрытое в документе US 20160262693 A1 («Metabolic analyzer for optimizing health and weight management»), описывает систему, включающую в себя прибор для измерения интенсивности обмена веществ (уровня метаболизма), которая может отслеживать одну или более метаболических детерминант для определения интенсивности обмена веществ пользователя. Устройство распознавания интервалов может распознать множество интервалов, соответствующих по меньшей мере одному типу пользовательской активности, производимой в течение некоторого временного промежутка. Однако в данном документе не определены никакие источники требуемых данных (т.е. средства их получения). Кроме того, данное решение также не предполагает использование физиологических моделей для улучшения выдаваемых программами рекомендаций.

В качестве прототипа заявленной группы изобретений рассматривается решение, раскрытое в US 9675289 B2 («Method and glucose monitoring system for monitoring individual metabolic response and for generating nutritional feedback»). В данном решении описываются система и способ для отслеживания индивидуальной метаболической реакции пользователя и для формирования обратной связи касательно питания, которые включают в себя отслеживание уровня глюкозы субъекта. Однако данное решение не предоставляет рекомендации касательно физической активности и эффективности сна, что также является важными критериями здорового образа жизни. Кроме того, данное решение также не предполагает использование физиологических моделей для улучшения выдаваемых программами рекомендаций и аналитики данных, собранных от множества людей.

Таким образом, существует необходимость в полностью автоматическом способе отслеживания ежедневной деятельности пользователя и выдачи пользователю соответствующих рекомендаций, который предполагает использование физиологических моделей для улучшения выдаваемых программами рекомендаций.

СУЩНОСТЬ ИЗОБРЕТЕНИЯ

Задача настоящего изобретения состоит в устранении упомянутых выше недостатков, присущих известным из уровня техники решениям, в частности, в обеспечении усовершенствованного способа отслеживания ежедневной деятельности пользователя в независимом от пользователя режиме и выдачи пользователю соответствующих рекомендаций по поддержанию здорового образа жизни.

Указанная задача решается посредством способов и систем, которые охарактеризованы в независимых пунктах формулы изобретения. Дополнительные варианты реализации настоящего изобретения представлены в зависимых пунктах формулы изобретения.

Согласно первому аспекту настоящего изобретения предложен способ выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, содержащий этапы, на которых:

- автоматически измеряют параметры ежедневной деятельности пользователя, включающие в себя периоды физической активности, частоту сердечных сокращений, количество пройденных шагов, период времени сна, изменения уровня глюкозы в крови, количество углеводов и калорий, полученных с принятой пищей;

- строят физиологическую модель на основе измеренного изменения уровня глюкозы в крови пользователя для определения индивидуального отклика пользователя на прием пищи;

- обучают алгоритм машинного обучения для оценки ежедневной деятельности пользователя на основе измеренных параметров ежедневной деятельности пользователя, определенном индивидуальном отклике пользователя и заранее заданного профиля пользователя, содержащего пол пользователя, возраст, рост и вес;

- формируют рекомендации по поддержанию здорового образа жизни пользователя на основе оценки ежедневной деятельности пользователя, полученной в результате применения алгоритма машинного обучения; и

- отображают сформированные рекомендации пользователю.

Согласно другому аспекту настоящего изобретения предложена система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, содержащая:

- инерциальные измерительные датчики, включающие в себя акселерометр и гироскоп;

- датчик фотоплетизмограммы;

- датчик уровня глюкозы в крови,

причем инерциальные измерительные датчики, датчик фотоплетизмограммы и датчик уровня глюкозы в крови выполнены с возможностью автоматического измерения параметров ежедневной деятельности пользователя, включающих в себя периоды физической активности, частоту сердечных сокращений, количество пройденных шагов, период времени сна, изменения уровня глюкозы в крови, количество углеводов и калорий, полученных с принятой пищей;

- блок обработки, выполненный с возможностью построения физиологической модели на основе изменения уровня глюкозы в крови пользователя для определения индивидуального отклика пользователя на прием пищи и обучения алгоритма машинного обучения для оценки ежедневной деятельности пользователя на основе измеренных параметров ежедневной деятельности пользователя, определенном индивидуальном отклике пользователя и заранее заданного профиля пользователя, содержащего пол пользователя, возраст, рост и вес;

- запоминающий модуль, выполненный с возможностью хранения заранее заданного профиля пользователя, измеренных параметров ежедневной деятельности пользователя, определенного индивидуального отклика пользователя и оценки ежедневной деятельности пользователя, полученной в результате применения алгоритма машинного обучения,

причем блок обработки дополнительно выполнен с возможностью формирования рекомендаций по поддержанию здорового образа жизни пользователя на основе оценки ежедневной деятельности пользователя, и запоминающий модуль выполнен с возможностью хранения сформированных рекомендаций,

при этом система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя дополнительно содержит дисплей, выполненный с возможностью отображения сформированных рекомендаций пользователю.

Опционально, инерциальные измерительные датчики, датчик фотоплетизмограммы и датчик уровня глюкозы в крови расположены в носимом пользовательском устройстве.

Согласно одному варианту осуществления упомянутая система также содержит блок осуществления связи, выполненный с возможностью передачи сформированных рекомендаций на внешние устройства.

При этом блок осуществления связи дополнительно выполнен с возможностью осуществления связи с весами для получения данных о весе пользователя и анализа изменений веса пользователя с течением времени в совокупности с анализом изменения уровня глюкозы в крови пользователя с течением того же периода.

Датчик уровня глюкозы в крови представляет собой неинвазивный датчик уровня глюкозы в крови или инвазивный датчик уровня глюкозы в крови.

Опционально, запоминающий модуль, блок обработки и дисплей также расположены в носимом пользовательском устройстве.

Опционально, запоминающий модуль, блок обработки и дисплей расположены в отдельном интеллектуальном устройстве, при этом упомянутая система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя также содержит блок осуществления связи, выполненный с возможностью передачи измеренных параметров ежедневной деятельности пользователя в блок обработки и запоминающий модуль.

Опционально, система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя дополнительно содержит второй запоминающий модуль, второй блок обработки и второй дисплей, расположенные в отдельном интеллектуальном устройстве, при этом упомянутая система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя дополнительно содержит блок осуществления связи, выполненный с возможностью передачи измеренных параметров ежедневной деятельности пользователя также и во второй блок обработки, и во второй запоминающий модуль, а второй дисплей также выполнен с возможностью отображения данных пользователю.

Опционально, система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя содержит GPS-приемник, выполненный с возможностью определения текущей геолокации пользователя, и дополнительный блок обработки, выполненный с возможностью корректировки результатов оценки ежедневной деятельности пользователя упомянутым алгоритмом машинного обучения на основе данных о геолокации пользователя.

Согласно третьему аспекту настоящего изобретения предложен способ выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, содержащий этапы, на которых:

- автоматически измеряют параметры ежедневной деятельности пользователя, включающие в себя периоды физической активности, частоту сердечных сокращений, количество пройденных шагов, период времени сна, изменения уровня глюкозы в крови, количество углеводов и калорий, полученных с принятой пищей;

- обучают алгоритм машинного обучения для оценки ежедневной деятельности пользователя на основе измеренных параметров ежедневной деятельности пользователя и заранее заданного профиля пользователя, содержащего пол пользователя, возраст, рост и вес;

- формируют рекомендации по поддержанию здорового образа жизни пользователя на основе оценки ежедневной деятельности пользователя, полученной в результате применения алгоритма машинного обучения; и

- отображают сформированные рекомендации пользователю.

Согласно еще одному аспекту настоящего изобретения предложена система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, содержащая:

- инерциальные измерительные датчики, включающие в себя акселерометр и гироскоп;

- датчик фотоплетизмограммы;

- датчик уровня глюкозы в крови,

причем инерциальные измерительные датчики, датчик фотоплетизмограммы и датчик уровня глюкозы в крови выполнены с возможностью автоматического измерения параметров ежедневной деятельности пользователя, включающих в себя периоды физической активности, частоту сердечных сокращений, количество пройденных шагов, период времени сна, изменения уровня глюкозы в крови, количество углеводов и калорий, полученных с принятой пищей;

- блок обработки, выполненный с возможностью обучения алгоритма машинного обучения для оценки ежедневной деятельности пользователя на основе измеренных параметров ежедневной деятельности пользователя и заранее заданного профиля пользователя, содержащего пол пользователя, возраст, рост и вес;

- запоминающий модуль, выполненный с возможностью хранения заранее заданного профиля пользователя, измеренных параметров ежедневной деятельности пользователя и оценки ежедневной деятельности пользователя, полученной в результате применения алгоритма машинного обучения,

причем блок обработки дополнительно выполнен с возможностью формирования рекомендаций по поддержанию здорового образа жизни пользователя на основе оценки ежедневной деятельности пользователя, и запоминающий модуль выполнен с возможностью хранения сформированных рекомендаций,

при этом система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя дополнительно содержит дисплей, выполненный с возможностью отображения сформированных рекомендаций пользователю.

Опционально, эта система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя содержит GPS-приемник, выполненный с возможностью определения текущей геолокации пользователя, и дополнительный блок обработки, выполненный с возможностью корректировки результатов оценки ежедневной деятельности пользователя упомянутым алгоритмом машинного обучения на основе данных о геолокации пользователя.

Согласно пятому аспекту настоящего изобретения предложен способ выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, содержащий этапы, на которых:

- автоматически измеряют параметры ежедневной деятельности пользователя, включающие в себя периоды физической активности, частоту сердечных сокращений, количество пройденных шагов, период времени сна, количество углеводов и калорий, полученных с принятой пищей;

- косвенно определяют изменение уровня глюкозы в крови на основе измеренных параметров ежедневной деятельности пользователя, данных об окружающих звуках, геолокации, расписания пользователя и профиля пользователя, содержащего пол пользователя, возраст, рост и вес;

- обучают алгоритм машинного обучения для оценки ежедневной деятельности пользователя на основе измеренных параметров ежедневной деятельности пользователя, определенном изменении уровня глюкозы в крови и заранее заданного профиля пользователя;

- формируют рекомендации по поддержанию здорового образа жизни пользователя на основе оценки ежедневной деятельности пользователя, полученной в результате применения алгоритма машинного обучения; и

- отображают сформированные рекомендации пользователю.

Согласно еще одному аспекту настоящего изобретения предложена система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, содержащее:

- инерциальные измерительные датчики, включающие в себя акселерометр и гироскоп;

- датчик фотоплетизмограммы;

причем инерциальные измерительные датчики и датчик фотоплетизмограммы выполнены с возможностью автоматического измерения параметров ежедневной деятельности пользователя, включающих в себя периоды физической активности, частоту сердечных сокращений, количество пройденных шагов, период времени сна, количество углеводов и калорий, полученных с принятой пищей;

- микрофон, выполненный с возможностью записи окружающих звуков;

- GPS-приемник, выполненный с возможностью определения текущей геолокации пользователя;

- блок для косвенного измерения уровня глюкозы, выполненный с возможностью косвенного определения изменения уровня глюкозы в крови на основе измеренных параметров ежедневной деятельности пользователя, данных об окружающих звуках, геолокации, заранее заданного расписания пользователя и заранее заданного профиля пользователя, содержащего пол пользователя, возраст, рост и вес;

- блок обработки, выполненный с возможностью обучения алгоритма машинного обучения для оценки ежедневной деятельности пользователя на основе измеренных параметров ежедневной деятельности пользователя, определенном изменении уровня глюкозы в крови и заранее заданного профиля пользователя;

- запоминающий модуль, выполненный с возможностью хранения заранее заданного расписания пользователя, заранее заданного профиля пользователя, измеренных параметров ежедневной деятельности пользователя, определенного изменения уровня глюкозы в крови и оценкиежедневной деятельности пользователя, полученной в результате применения алгоритма машинного обучения,

причем блок обработки дополнительно выполнен с возможностью формирования рекомендаций по поддержанию здорового образа жизни пользователя на основе оценки ежедневной деятельности пользователя, и запоминающий модуль выполнен с возможностью хранения сформированных рекомендаций,

при этом система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя дополнительно содержит дисплей, выполненный с возможностью отображения сформированных рекомендаций пользователю.

Технический результат, достигаемый посредством использования настоящего изобретения, заключается в обеспечении отслеживания в реальном времени и в независимом от пользователя режиме параметров ежедневной деятельности пользователя, включая изменение уровня глюкозы в крови пользователя, с последующей выдачей рекомендаций по поддержанию здорового образа жизни пользователю, сформированных на основе алгоритма машинного обучения, обученного с учетом физиологической модели пользователя.

КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ

Эти и другие признаки и преимущества настоящего изобретения станут очевидны после прочтения нижеследующего описания и просмотра сопроводительных чертежей, на которых:

Фиг. 1 представляет блок-схему работы системы для выдачи рекомендаций по поддержанию здорового образа жизни согласно варианту осуществления настоящего изобретения;

Фиг. 2 представляет физиологическую модель метаболизма глюкозы для организма человека, больного сахарным диабетом первого типа;

Фиг. 3 (а) иллюстрирует примерный график изменения уровня глюкозы в крови пользователя с течением времени в период осуществления физической активности;

Фиг. 3 (б) иллюстрирует примерный график изменения уровня глюкозы в крови пользователя с течением времени в период испытанного стресса;

Фиг. 4 представляет блок-схему определения параметров питания пользователя в течение дня согласно одному варианту осуществления настоящего изобретения;

Фиг. 5 представляет примерный график корреляции между действительным и предсказанным количеством калорий, полученным множеством пользователей с пищей за день;

На Фиг. 6 представлены низкочастотный тренд изменения уровня глюкозы в крови, не связанный с приемом пищи, результирующий сигнал, соответствующий изменению уровня глюкозы в крови, вызванному приемом пищи, и отмечены моменты времени начала приема пищи пользователем;

На Фиг. 7 представлены: (а) график изменения вероятностей приема пищи пользователем от времени, полученный с помощью алгоритма машинного обучения согласно одному варианту осуществления настоящего изобретения; (б) график свертки с нормированным гауссовым ядром; (в) график результата обработки сигнала, представленного на графике (а), с помощью свертки с нормированным гауссовым ядром, представленной на графике (б); (г) итоговый сигнал, полученный после нахождения локальных максимумов сигнала, представленного на графике (в);

На Фиг. 8 представлены результаты точности оценки алгоритмом машинного обучения согласно одному варианту осуществления настоящего изобретения времени приема пищи пользователем;

Фиг. 9 представляет график оценки времени приема пищи пользователем в течение суток на основе уровня глюкозы в крови пользователя и рекомендованного времени приема пищи;

На Фиг. 10 представлены результаты точности оценки алгоритмом машинного обучения согласно одному варианту осуществления настоящего изобретения классификации принятой пищи.

Представленные на чертежах фигуры служат только для иллюстрации вариантов реализации настоящего изобретения и никак его не ограничивает.

ОСУЩЕСТВЛЕНИЕ ИЗОБРЕТЕНИЯ

Различные варианты осуществления настоящего изобретения описываются в дальнейшем более подробно со ссылкой на чертежи. Однако настоящее изобретение может быть воплощено во многих других формах и не должно истолковываться как ограниченное любой конкретной структурой или функцией, представленной в нижеследующем описании. На основании настоящего описания специалист в данной области техники поймет, что объем правовой охраны настоящего изобретения охватывает любой вариант осуществления настоящего изобретения, раскрытый в данном документе, вне зависимости от того, реализован ли он независимо или в сочетании с любым другим вариантом осуществления настоящего изобретения. Например, система может быть реализована или способ может быть осуществлен на практике с использованием любого числа вариантов осуществления, изложенных в данном документе. Кроме того, следует понимать, что любой вариант осуществления настоящего изобретения, раскрытый в данном документе, может быть воплощен с помощью одного или более элементов формулы изобретения.

Слово «примерный» используется в данном документе в значении «служащий в качестве примера или иллюстрации». Любой вариант реализации, описанный в данном документе как «примерный», необязательно должен истолковываться как предпочтительный или обладающий преимуществом над другими вариантами реализации.

В настоящее время все больше людей в мире стремятся вести более здоровый образ жизни, стараются отказываться от потребления нездоровой еды в пользу полезной и сбалансированной по составу пищи, больше заниматься активными видами деятельности, следить за соблюдением режима дня. В частности, при выборе полезной и сбалансированной по составу пищи люди стали заботиться о количестве потребляемых нутриентов: белков, жиров и углеводов. Согласно настоящему изобретению предложено соответствующее решение, способствующее поддержанию пользователем здоровья и физической формы. А именно, предложен способ автоматического круглосуточного отслеживания ежедневной деятельности пользователя, анализа полученных данных с помощью соответствующего алгоритма машинного обучения и выдачи пользователю рекомендаций по поддержанию здорового образа жизни. Кроме того, предложена соответствующая система, включающая в себя датчики для измерения параметров ежедневной деятельности пользователя и блок обработки этих параметров и формирования рекомендаций, для осуществления вышеупомянутого способа.

Согласно заявленному изобретению параметрами ежедневной деятельности пользователя являются периоды активности, количество потребленных/истраченных калорий, частота сердечных сокращений, количество пройденных шагов, изменения уровня глюкозы, время сна и т.п.

На Фиг. 1 изображена общая блок-схема работы описываемой в настоящем документе системы для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени. В частности, предполагается, что пользователь имеет некоторое носимое устройство, например, интеллектуальные часы, фитнес браслет и т.п., которое выполнено с возможностью измерения различных параметров ежедневной деятельности пользователя, т.е. содержащее соответствующие датчики для измерения этих параметров. Упомянутая система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя также содержит запоминающий модуль, в котором сохранен заранее заданный профиль конкретного пользователя, включающий в себя биологические характеристики человека, такие как пол, возраст, рост, вес и т.п. По получению упомянутых параметров ежедневной деятельности пользователя они анализируются в соответствующем основном блоке обработки в совокупности с заранее заданным профилем пользователя. Затем на основе результата этого анализа оцениваются время приема пищи и количество пищи, потребленной пользователем. Если в результате произведенной оценки никакие действия или привычки пользователя не классифицируются как не способствующие здоровому образу жизни, тогда формируются сообщение, мотивирующее пользователя продолжать вести здоровый образ жизни. При обнаружении привычек, не способствующих поддержанию здорового образа жизни, эти привычки соотносятся с категориями нездоровых привычек, такими как: нерегулярный прием пищи, пропуск завтрака, питание по ночам, потребление пищи, имеющей высокий гликемический индекс (GI), питание на ходу, нарушение диеты (режима питания), низкая физическая активность, эмоциональное переедание, недостаточное время сна и т.п., причем категории нездоровых привычек задаются заранее и сохраняются в упомянутом запоминающем модуле. Далее категории нездоровых привычек, с которыми были соотнесены обнаруженные привычки, не способствующие поддержанию здорового образа жизни, объединяются для образования персонифицированного профиля нездоровых привычек, который используется для дальнейшего анализа и формирования соответствующей рекомендации по ведению здорового образа жизни и программы касательно питания и физической активности пользователя. В частности, при выявлении эмоционального переедания рассматриваемая система может отслеживать уровень стресса пользователя и информировать его о возможном наступлении эмоционального переедания с выдачей соответствующей рекомендации, мотивирующей пользователя заняться каким-либо видом деятельности, либо рекомендации связаться с психологом пользователя для консультации (либо автоматически связаться с психологом, если его номер для связи был заранее сохранен пользователем в упомянутой системе). При выявлении систематического приема пользователем пищи с высоким содержанием углеводов система может формировать информационные сообщения для пользователя, описывающие преимущества продуктов с низким содержанием углеводов, или рекомендовать пользователю связаться с его диетологом или эндокринологом (или осуществлять связь с диетологом или эндокринологом напрямую при наличии их заранее сохраненных номеров для связи в системе).

Если такая рекомендация по ведению здорового образа жизни и/или программа касательно питания и физической активности пользователя выдается пользователю впервые, то система снова переходит к этапу анализа параметров ежедневной деятельности пользователя. Если же такая рекомендация по ведению здорового образа жизни и/или программа касательно питания и физической активности пользователя выдается пользователю не впервые, то для пользователя формируется сообщение, уведомляющее пользователя о возможных плохих последствиях для здоровья, вызванных выявленными привычками, не способствующими поддержанию здорового образа жизни, после чего система также переходит к этапу оценки времени приема пищи и количества пищи, потребленной пользователем, с учетом информации о рекомендациях, выданных ранее этому пользователю (а следовательно, и с учетом привычек в питании пользователя).

Кроме того, пользователь сам может задавать цель по улучшению какого-либо из параметров ежедневной деятельности с помощью средств ввода рассматриваемой системы для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя (кнопок выбора соответствующего пункта заранее сохраненного меню на носимом устройстве, механической или сенсорной клавиатуры на интеллектуальном устройстве системы и т.п.), например, снизить вес, увеличить время физической активности в сутки, больше спать и т.п. Рассматриваемая система будет формировать рекомендации для пользователя, мотивирующие его на достижение поставленной им цели. Данная система также может быть востребована и страховыми компаниями, контролирующими выполнение предписанных врачом рекомендаций своими клиентами для регулирования условий предоставления услуги по страхованию. Например, при несоблюдении пациентом-клиентом страховой компании предписаний врача клиенту в дальнейшем может быть отказано в обращении/увеличена цена при обращении.

Носимое пользовательское устройство, содержащее необходимые встроенные датчики для измерения параметров ежедневной деятельности пользователя, позволяет получать непрерывные данные в реальном времени. Кроме того, наличие этих встроенных датчиков позволяет получать все необходимые для анализа данные - параметры ежедневной деятельности пользователя, автоматически, т.е. в независимом от пользователя режиме. Под независимым от пользователя режимом подразумевается режим функционирования, не требующий от пользователя ввода каких-либо данных, все данные получаются автоматически.

Таким образом, система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, включает в себя набор датчиков, предпочтительно включенных в одно носимое пользовательское устройство, запоминающий модуль, блок обработки и дисплей. Опционально, запоминающий модуль, блок обработки и дисплей также могут быть включены в состав носимого пользовательского устройства, а могут быть включены в состав отдельного интеллектуального устройства. Согласно другому варианту осуществления система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя содержит два блока обработки, запоминающих модуля и дисплея, по одному в составе носимого пользовательского устройства и интеллектуального устройства.

Носимое пользовательское устройство включает в себя следующие аппаратные модули: блок осуществления связи, блок управления питанием устройства, GPS-приемник и набор датчиков, содержащий инерциальные измерительные датчики (акселерометр, гироскоп) и датчик фотоплетизмограммы (ФПГ). Кроме того, согласно одному варианту осуществления заявленного изобретения носимое пользовательское устройство дополнительно включает в себя датчик уровня глюкозы в крови. Опционально, пользователь может иметь некоторое множество носимых устройств, каждое из которых содержит один или более датчиков для измерения вышеупомянутых параметров ежедневной деятельности пользователя, главное, чтобы все множество носимых устройств включало в себя блок управления питанием устройства, вышеупомянутый набор датчиков и, опционально, датчик уровня глюкозы в крови, а одно из них обязательно включало в себя, как указано выше, GPS-приемник, выполненный с возможностью определения текущей геолокации пользователя, и блок осуществления связи, выполненный с возможностью получения данных от всех носимых устройств из множества, и опциональные блок обработки, запоминающий модуль и дисплей при их наличии в составе носимого пользовательского устройства. Упомянутый датчик уровня глюкозы в крови может являться датчиком любого типа, способным получить информацию касательно уровня глюкозы в крови пользователя. В частности, он может представлять собой как инвазивный датчик (датчик уровня глюкозы в крови с электрохимическим сенсором, вводимым под кожу, датчик с имплантируемой частью), так и неинвазивный датчик (на основе оптического датчика - датчика ФПГ, спектроскопического датчика; на основе электрического датчика (импедансная спектроскопия), на основе нескольких датчиков). Кроме того, рассматриваемая система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, может дополнительно содержать дополнительный блок обработки, выполненный с возможностью корректировки результатов оценки ежедневной деятельности пользователя упомянутым алгоритмом машинного обучения на основе данных о геолокации пользователя.

В качестве альтернативного варианта осуществления вместо датчика уровня глюкозы в крови также может быть использован блок для косвенного измерения уровня глюкозы на основе данных датчика ФПГ, данных инерциальных измерительных датчиков, данных об окружающих звуках (полученных с помощью соответствующего микрофона, включенного в рассматриваемую систему), профиля пользователя, геолокации, расписания пользователя и т.д. Примерами инвазивных датчиков глюкозы, способных непрерывно отслеживать уровень глюкозы в крови пользователя являются Medtronic iPro2, Dexcom G4/5, Abbott Freestyle Libre и др. Примерами функционирования блока для косвенного измерения уровня глюкозы являются получение данных геолокации пользователя и определение, что пользователь находится в ресторане, анализ данных расписания пользователя, в котором указано, что время посещения пользователем ресторана является обеденным временем пользователя, получение данных о движении пользователя и детектирование движений руки пользователя, характерных для приема пищи, получение данных об окружающих звуках и выявление звуков, характерных для приема пищи пользователем и т.п. В отношении применения блока для косвенного измерения уровня глюкозы вместо датчика уровня глюкозы в крови важно отметить, что дополнительно на точность результатов оценки параметров ежедневной деятельности пользователя будет влиять то, на какую руку надето носимое пользовательское устройство с этим блоком. В частности, точность результатов оценки при носимом пользовательском устройстве, надетом на преобладающую руку (ту, которой он ест), будет незначительно выше в сравнении с точностью результатов оценки при носимом пользовательском устройстве, надетом не на преобладающую руку. Специалисту в данной области техники будет очевидно, что вышеописанные конкретные примеры являются лишь иллюстративными и не ограничиваются показанными частными вариантами приема пищи пользователем. Запоминающий модуль системы также выполнен с возможностью регистрации и хранения всех измеренных параметров ежедневной деятельности пользователя.

В частности, согласно одному варианту осуществления для определения привычек в питании конкретного пользователя используются данные непрерывного отслеживания уровня глюкозы в крови пользователя. А именно, блок обработки получает данные от вышеупомянутого датчика уровня глюкозы в крови и набора датчиков и вычисляет следующие параметры: 1) время приемов пищи, 2) количество приемов пищи в сутки, 3) количество углеводов в принятой пище, 4) количество калорий, получаемых пользователем с принятой пищей, на основании кривых изменения глюкозы. Таким образом, при наличии блока обработки, запоминающего модуля и дисплея в носимом пользовательском устройстве, все подсчеты производятся на самом носимом пользовательском устройстве, и результаты подсчетов и соответствующие рекомендации могут быть выведены непосредственно на дисплей самого носимого пользовательского устройства и при необходимости отправлены с помощью блока осуществления связи на любые внешние устройства.

При наличии блока обработки, запоминающего модуля и дисплея в интеллектуальном устройстве, отдельном от носимого пользовательского устройства, блок обработки получает данные от вышеупомянутого датчика уровня глюкозы в крови и набора датчиков с помощью блока осуществления связи, и результаты подсчетов и соответствующие рекомендации могут быть выведены на дисплей упомянутого отдельного интеллектуального устройства.

Согласно еще одному варианту осуществления блок обработки носимого пользовательского устройства может получать данные от датчика уровня глюкозы в крови и набора датчиков для осуществления предварительной обработки данных, после чего блок осуществления связи передает предварительно обработанные данные в блок обработки интеллектуального устройства для окончательной обработки данных, в частности, вычисления параметров 1)-4) и отображения результатов подсчетов и соответствующих рекомендации на дисплее упомянутого отдельного интеллектуального устройства. Согласно данному варианту осуществления, результаты подсчетов и соответствующие рекомендации также могут быть переданы обратно на блок осуществления связи для возможности отображения этих данных и на дисплее носимого пользовательского устройства.

Отслеживание изменения уровня глюкозы в крови пользователя с помощью упомянутого датчика уровня глюкозы в крови позволяет оценивать привычки пользователя в питании без необходимости совершения каких-либо действий со стороны пользователя (работа в независимом от пользователя режиме). Кроме того, использование акселерометра/гироскопа и датчика ФПГ также позволяет полноценно отслеживать параметры ежедневной деятельности пользователя (касательно питания, активности, сна) в независимом от пользователя режиме.

Кроме того, важным преимуществом заявленного изобретения является применение модифицированной физиологической модели пользователя, на вход которой для ее обучения подаются результаты измерения уровня глюкозы в крови пользователя, а на выходе вычисляется индивидуальный отклик организма пользователя на прием той или иной пищи. Данные об индивидуальном отклике организма пользователя используются в качестве вспомогательных данных для обучения алгоритма машинного обучения, применяемого для оценки времени приема пищи и классификации принятой пищи в течение одного или нескольких дней. В частности, в качестве алгоритма машинного обучения могут быть применены как сверточные нейронные сети, рекуррентные нейронные сети, так и методы математической статистики или другие известные методы машинного обучения. На вход такого алгоритма машинного обучения для его обучения подаются измеренные параметры ежедневной деятельности пользователя, включая результаты измерения уровня глюкозы в крови пользователя, а также дополнительные данные для его обучения - данные об индивидуальном отклике организма пользователя.

Согласно другому возможному варианту осуществления система для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя дополнительно выполнена с возможностью приема ввода от пользователя вручную введенных данных касательно параметров ежедневной деятельности пользователя, например, ручной ввод наименований принятой пищи или загрузка фотографий принятой пищи. В частности, пользователь может прибегнуть к ручному вводу требуемых параметров при первом использовании устройства для уточнения первоначальной калибровки вычислительной физиологической модели для этого конкретного пользователя. Блок обработки в свою очередь выполнен с возможностью осуществления вышеупомянутого алгоритма, в том числе анализа введенных пользователем данных (например, определение калорийности пищи, введенной пользователем, или распознавания пищи на фотографии пользователя и последующее определения ее калорийности).

Результаты оценки времени приема пищи и классификации принятой пищи, полученные с помощью алгоритма машинного обучения согласно настоящему изобретению, сравниваются с результатом калибровки вычислительной физиологической модели, и результат сравнения используется для уточнения оценки параметров питания, т.е. физиологическая модель вычисляет предполагаемый отклик на вычисленное алгоритмом количество пищи, этот предполагаемый отклик сравнивается с реальным откликом организма пользователя и, если они сильно расходятся, то алгоритм пересчитывает количество пищи (обучение алгоритма, производимое при накоплении реальных откликов за некоторый период времени - от нескольких часов до нескольких дней). Таким образом, повышается точность оценки времени приема пищи и классификации принятой пищи с учетом откалиброванной для конкретного пользователя вычислительной физиологической модели. При необходимости пользователь может вручную корректировать оцененное время приема пищи и время сна.

Традиционная физиологическая модель представляет собой систему дифференциальных уравнений в отношении концентраций или количеств веществ в различных органах (печень, кровь, межклеточная жидкость…) тела человека при рассмотрении кинетики всасывания глюкозы для всего тела человека. На Фиг. 2 представлена физиологическая модель при рассмотрении кинетики всасывания глюкозы для организма человека, больного сахарным диабетом первого типа, в соответствии с традиционным методом, который моделирует распределение и динамические изменения концентрации глюкозы и инсулина в различных органах и тканях при помощи доступных экспериментальных данных. В частности, на Фиг. 2 изображена физиологическая модель для больных сахарным диабетом первого типа, на которой изображена система метаболизма глюкозы, которая формируется за счет продукции глюкозы печенью и принятия пищи, содержащей глюкозу, при этом уровень глюкозы в крови поддерживается посредством системы регуляции инсулина, которая формируется за счет введения инсулина больному сахарным диабетом первого типа. Данная физиологическая модель учитывает усвоение глюкозы тканями, почечную экстракцию глюкозы, а также поступление инсулина в кровь и разрушение инсулина, при этом превращения глюкозы и инсулина показаны на фигуре жирными стрелками, а тонкими стрелками показаны соответствующие управляющие сигналы (см. Dalla Man C., Breton M., Cobelli C. - «Physical Activity into the Meal Glucose--Insulin Model of Type 1 Diabetes: In Silico Studies», Parker, R. S., Doyle, F. J., & Peppas, N. A. - «A model-based algorithm for blood glucose control in Type I diabetic patient» или Свешникова А.Н., Пантелеев М.А., Древаль А.В., Шестакова Т.П., Медведев О.С., Древаль О.А. - «Теоретическая оценка параметров метаболизма глюкозы на основе данных непрерывного мониторирования гликемии с помощью математического моделирования»). Как наглядно изображено на Фиг. 2, у больных сахарным диабетом первого типа отсутствует собственная секреция инсулина, поэтому стрелка, отвечающая за секрецию инсулина, изображена перечеркнутой. Данный известный традиционный метод эффективно применим для описания реакций физиологических параметров больных сахарным диабетом первого типа на прием пищи, но затруднителен для здоровых пользователей ввиду наличия нормальной секреции инсулина, что усложняет систему дифференциальных уравнений (больше переменных в уравнениях).

Согласно настоящему изобретению используется модифицированная физиологическая модель, учитывающая собственную секрецию инсулина пользователя, а кроме того дополнительно учитывающая как физическую активность, так и частоту сердечных сокращений, и стресс. Кроме того, согласно рассматриваемой модифицированной физиологической модели учитываются и суточные изменения в переносимости глюкозы («толерантность к глюкозе»), а также сама модель используется для калибровки параметров потребленной пищи. Традиционная модель не учитывает ни один из вышеперечисленных факторов. Данные факторы крайне важны при анализе параметров ежедневной деятельности пользователя, так как уровень глюкозы в крови пользователя зависит не только от принятой пищи, но и от стресса, и от интенсивной физической активности. Как стресс, так и интенсивная физическая активность порождают отклик в уровне глюкозы в крови, схожий с откликом, получаемым в результате приема пищи. Для примера на Фиг. 3 (а) и 3 (б) представлены соответствующие графики изменения уровня глюкозы в крови пользователя с течением времени во время занятия баскетболом и в период испытанного стресса, соответственно. Как наглядно изображено на Фиг. 3 (а), когда пользователь приступил к занятию по баскетболу (физическая активность), уровень глюкозы в его крови стал повышаться и достиг своего пикового значения к моменту остановки занятия. Далее пользователь принял пищу, после чего у него также поднялся уровень глюкозы в крови. Аналогичная, хоть и менее ярко выраженная картина изображена и на Фиг. 3 (б), на которой наглядно изображено, что уровень глюкозы в крови пользователя также повысился и после испытанного стресса. Способ выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, согласно настоящему изобретению способен отличать происходящие виды ежедневной деятельности пользователя с высокой степенью точности по сравнению с решениями, известными из уровня техники, благодаря комплексному анализу параметров ежедневной деятельности пользователя. Кроме того, обмен веществ в организме каждого человека индивидуален, следовательно, каждый человек индивидуально реагирует на одну и ту же пищу. Упомянутая модифицированная физиологическая модель, применяемая в настоящем изобретении, вычисляет индивидуальный отклик организма пользователя на вычисленное алгоритмом машинного обучения количество пищи, потребленной пользователем, в независимом от пользователя режиме после обучения на измеренных параметрах ежедневной деятельности пользователя. Эти вычисленные отклики затем используются в качестве вспомогательных данных для дальнейшего обучения алгоритма машинного обучения.

В частности, как указано в разделе «Уровень техники», известные из уровня техники решения требуют часто повторяющегося ручного ввода информации от пользователя, а именно, ввода наименований принятой пищи, следовательно, точность анализа данных, связанных с принятой пищей, напрямую зависит от памяти пользователя, его честности и мотивированности. Кроме того, в известных решениях не рассматриваются индивидуальные физиологические особенности пользователя, следовательно, применяемый расчет энергетического баланса одинаков для каждого пользователя. Как было указано выше, согласно рассматриваемому способу от пользователя не требуется совершения никаких рутинных действий, а все приемы пищи регистрируются автоматически с учетом отношения между питанием, физической активностью, сном и индивидуальными особенностями гликемического отклика организма конкретного пользователя. Таким образом, рассматриваемый способ снижает процент ошибок в регистрации приемов пищи, повышает точность классификации принятой пищи в независимом от пользователя режиме. Кроме того, данный способ совместим с некоторыми существующими приложениями по отслеживанию поддержания здорового образа жизни, например, с приложением Samsung Health.

На Фиг. 4 представлена блок-схема определения параметров питания пользователя в течение дня согласно одному варианту осуществления настоящего изобретения. В частности, блок обработки получает от датчика уровня глюкозы в крови данные об изменении уровня глюкозы в крови пользователя, измеренного непрерывно в течение суток. Эти данные и данные от упомянутого набора датчиков поступают на вход модифицированной физиологической модели для калибровки ее параметров. Данные об изменении уровня глюкозы в крови пользователя и, опционально, данные от упомянутого набора датчиков также поступают и на вход алгоритма машинного обучения, который будет описан подробнее ниже. Затем параметры модифицированной физиологической модели пользователя, откалиброванной на основе изменения уровня глюкозы и данных от набора датчиков, также поступают на вход алгоритма для его дальнейшего обучения. Согласно другому варианту осуществления на вход алгоритма поступают только параметры модифицированной физиологической модели пользователя, откалиброванной на основе изменения уровня глюкозы и данных от набора датчиков. В результате применения этого алгоритма оценивается время приема пищи пользователем в течение дня и количество пищи, принятой пользователем - количество углеводов в этой принятой пищи (также может оцениваться калорийность). В частности, на Фиг. 4 зелеными линиями отмечено оцененное время приема пользователем пищи с низким содержанием углеводов, желтым - со средним содержанием углеводов, а красным - с высоким содержанием углеводов. Оцененное количество пищи, принятой пользователем, которое получено на выходе упомянутого алгоритма машинного обучения, также поступает и на вход упомянутой модифицированной физиологической модели пользователя для определения отклика организма пользователя на вычисленное алгоритмом машинного обучения количество продуктов питания каждого пользователя, как указано выше.

Исходя из оцененного количества углеводов и информации из профиля пользователя определяется количество калорий, принятых пользователем с пищей. На Фиг. 5 представлен график корреляции между действительным и предсказанным количеством калорий, полученных с пищей множеством пользователей за день (использована база данных NHANES WWEIA). В частности, рассматриваемое множество пользователей включает в себя 2281 человек. Ось X отвечает за действительное количество калорий, полученных с пищей пользователем за день, а ось Y - за количество калорий, предсказанное алгоритмом на основе данных о количестве углеводов и данных заранее заданного профиля пользователя (т.е. данных о возрасте, поле, весе и росте пользователя). Следовательно, оценивая количество потребленных калорий и имея данные о физической активности пользователя, настоящее изобретение может оценивать энергетический баланс пользователя, что является важной характеристикой здорового образа жизни, и формировать в дальнейшем соответствующую рекомендацию по поддержанию здорового образа жизни на основе этого оцененного энергетического баланса пользователя.

Далее на Фиг. 6 представлен низкочастотный тренд изменения уровня глюкозы в крови, не связанный с приемом пищи (выделено синим на графике), соответствующий результирующий сигнал, соответствующий изменению уровня глюкозы в крови, вызванному приемом пищи (выделено оранжевым на графике) и отмечены моменты времени начала приема пищи пользователем (выделено зеленым на графике). На горизонтальной оси отмечено количество отсчетов датчика уровня глюкозы в крови (в данном примере один отсчет соответствует 5 минутам), а на вертикальной оси отмечена концентрация глюкозы в ммоль/л. В частности, с помощью низкочастотного цифрового фильтра (например, фильтра Баттерворта с частотой среза, соответствующей 12-часовому периоду) выделяется низкочастотный тренд изменения уровня глюкозы в крови, не связанный с приемом пищи (отклик на прием пищи соответствует частотам большим, чем выбранная частота среза фильтра). Данный низкочастотный тренд затем вычитается из исходного сигнала изменения уровня глюкозы в крови для получения результирующего сигнала, причем исходный сигнал представляет собой сигнал изменения глюкозы, полученный от датчика уровня глюкозы в крови. Результирующий сигнал характеризуется относительно быстрыми изменениями глюкозной динамики, соответствующими отклику на приемы пищи. Пиковые значения результирующего сигнала расценивается как приблизительные моменты времени начала приема пищи пользователем, которые также отмечены на Фиг. 6.

Далее результирующий сигнал преобразуется в удобный для алгоритма машинного обучения вид, как описано далее. Например, согласно одному варианту осуществления выполняют дискретизацию сигнала с периодом дискретизации 5 минут, после чего дискретный сигнал разбивается на окна (отрезки) длительностью 2 часа, причем окна пересекаются друг с другом с шагом сдвига 5 минут. Помимо самого сигнала изменения глюкозы к вектору признаков, подаваемому на вход алгоритма машинного обучения, могут быть добавлены дополнительные признаки, улучшающие качество обучения, например, такие как данные датчика ФПГ, данные инерциальных измерительных датчиков, доля сна, производные нескольких порядков и статистические характеристики сигнала в 2-х часовом окне.

Для оценки времени приема пищи каждый вектор признаков классифицируется обученным алгоритмом машинного обучения (например, алгоритмом Random Forest с оптимизированными параметрами) в соответствии с 2 классами: класс «No food», который относится к периоду времени, когда пользователь не принимал пищу, и класс «Food», который относится к периоду времени, когда пользователь принимал пищу. Как правило, результат классификации данных алгоритмом машинного обучения является достаточно «шумным», т.е. имеется множество одиночных ошибочных результатов. Подобные ошибки можно устранить путем фильтрации колебаний высокой частоты результатов, например, на Фиг. 7 представлен (a) график изменения вероятностей приема пищи пользователем от времени, полученный с помощью алгоритма машинного обучения согласно одному варианту осуществления настоящего изобретения. На горизонтальной оси отмечены номера вышеупомянутых окон с шагом сдвига, равным 5 минут, отсчетов датчика уровня глюкозы в крови (в данном примере один отсчет соответствует 5 минутам), а на вертикальной оси отмечена вероятность начала приема пищи пользователем в соответствующем окне, полученная алгоритмом машинного обучения. Далее оцененный сигнал вероятности начала приема пищи пользователем в соответствующем окне фильтруется, используя некоторую свертку. В частности, для примера в настоящем варианте осуществления к данному оцененному сигналу применяется свертка с нормированным гауссовым ядром (например, μ=1, Ϭ²=1), график которой изображен буквой (б) на Фиг.7. Кроме того, на Фиг. 7 под буквой (в) также изображен и график результата обработки сигнала, представленного на графике (а), с помощью свертки с нормированным гауссовым ядром, представленной на графике (б), каждое пиковое значение которого расценивается как предсказанный период времени приема пищи. Следовательно, после нахождения локальных максимумов сигнала, представленного на графике (в), получают (г) итоговый сигнал, представляющий собой предсказанные периоды времени приема пищи. Кроме того, на графике итогового сигнала также изображена и некоторая окрестность (выделена оранжевым на графике), обозначающая интервал времени, допускающий ошибку предсказания, например, [-15мин; +30мин] относительно начала приема пищи. Таким образом, можно выявить периоды времени с наибольшей вероятностью приема пищи пользователем, причем начало соответствующего периода времени можно расценивать как начало приема пищи пользователем.

Для тестирования производительности алгоритма подсчитывается количество верных определений приема пищи (true positive, TP), ошибочных определений приема пищи (false positive, FP) и ошибочных пропусков приема пищи (false negative, FN). Как правило, производительность алгоритмов классификации оценивается с помощью F1-меры (F1 score), в качестве базиса которой используются точность (Precision) и полнота (Recall):

Для оценки количества углеводов, получаемых с принятой пищей, используются только векторы признаков, классифицированные как «Food». Каждый из таких векторов признаков оценивается обученным алгоритмом машинного обучения (например, логистической регрессией с оптимизированными параметрами) в соответствии с 3 классами: «Low» относится к периоду времени, когда пользователь принимал пищу с низким содержанием углеводов (до 49 грамм), «Mid» - к периоду времени, когда пользователь принимал пищу со средним содержанием углеводов (от 50 до 119 грамм), «High» - к периоду времени, когда пользователь принимал пищу с высоким содержанием углеводов (от 120 грамм).

Таким образом, настоящее изобретение обеспечивает возможность оценки количества углеводов, получаемых с пищей. Исходя из количества углеводов и заранее заданного профиля пользователя, можно оценить превышение потребленных калорий над расходуемыми калориями (переедание).

По завершении оценки времени приема пищи и классификации принятой пищи с учетом откалиброванной для конкретного пользователя вычислительной физиологической модели способ выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, формирует соответствующие рекомендации для пользователя. В отличие от известных решений, в общем рекомендующих всем пользователям потреблять менее калорийную пищу или больше двигаться и регулярно не отслеживающих актуальные приемы пищи пользователем (и индивидуальный гликемический отклик, соответственно), рассматриваемый способ предлагает эффективные индивидуализированные рекомендации и/или индивидуальную программу по развитию здорового образа жизни у пользователя: данная программа использует как результаты анализа параметров ежедневной деятельности пользователя, как описано выше, так и анализ параметров ежедневной деятельности множества других пользователей рассматриваемой системы.

Как было указано выше в отношении Фиг. 1, если в результате произведенного анализа никакие привычки пользователя не классифицируются как не способствующие здоровому образу жизни, тогда формируется сообщение, мотивирующее пользователя продолжать вести здоровый образ жизни. Если же привычки, не способствующие поддержанию здорового образа жизни, обнаружены, то рассматриваемый способ выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, выдает пользователю соответствующие рекомендации по развитию здорового образа жизни. Например, при обнаружении недостаточной физической активности рассматриваемый способ может сформировать рекомендацию по постепенному увеличению физической активности, при малом времени сна способ может порекомендовать раньше ложиться спать, при обнаружении нерегулярного приема пищи способ может порекомендовать режим питания и т.п. Таким образом, рекомендации могут содержать как советы касательно здорового и нездорового питания, советы об индивидуальном режим питания, так и предоставление индивидуальной программы касательно физической активности и сна. Рассматриваемый способ может формировать как ежедневные рекомендации по итогам измеренных параметров текущего дня с учетом поставленных на этот день целей, так и рекомендации, основанные на анализе параметров, измеренных за заданный промежуток времени (неделя, месяц и т.п.). При несоблюдении рекомендаций пользователем способ может дополнительно формировать информационное сообщение, уведомляющее пользователя о возможных негативных последствиях ведения такого образа жизни. Кроме того, рассматриваемая система выполнена с возможностью автоматической проверки соответствия параметров ежедневной деятельности пользователя с ранее выданными системой рекомендациями для мотивирования пользователя продолжать поддерживать здоровый образ жизни или предупреждения пользователя о возможных последствиях несоблюдения выданных рекомендаций, как указано выше.

Согласно другому варианту осуществления данные от датчика измерения уровня глюкозы в крови и от упомянутого набора датчиков поступают непосредственно на вход вышеописанного алгоритма для дальнейшей обработки. В этом варианте осуществления модифицированная физиологическая модель для вычисления индивидуального отклика организма пользователя не применяется, что в результате снижает точность определения периодов времени приема пищи пользователем по сравнению со способом, в котором применяется такая модифицированная физиологическая модель, однако точность определения данных периодов времени по сравнению с известными решениями по-прежнему высока.

Согласно другому варианту осуществления пользователь также может периодически измерять свой вес с помощью весов, при этом носимое пользовательское устройство, снабженное датчиком глюкозы, выполнено с возможностью приема данных от упомянутых весов и анализа изменений веса пользователя с течением времени в совокупности с анализом изменения уровня глюкозы в крови пользователя с течением того же периода, что позволяет повысить точность при калибровке соответствующей вычислительной физиологической модели пользователя.

Согласно другому варианту осуществления блок обработки заявленной системы дополнительно выполнен с возможностью построения долгосрочных предсказаний касательно состояния пользователя при текущем образе жизни пользователя. В частности, такие долгосрочные предсказания включают в себя предсказание будущего веса, предсказание продолжительности жизни и т.п. Кроме того, при изменении образа жизни пользователем упомянутый блок обработки также может формировать мотивирующие сообщения для пользователя, например, при улучшении параметров ежедневной деятельности пользователя блок обработки может формировать мотивирующее сообщение, что согласно обновленному предсказанию будущего веса пользователь похудеет до желаемого веса, а при ухудшении параметров ежедневной деятельности пользователя блок обработки может формировать мотивирующее сообщение, что согласно обновленному предсказанию будущего веса пользователя ждет набор лишних килограммов.

Для проведения тестирования рассматриваемой системы для выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, было отобрано 50 добровольцев, которых снабдили вышеописанными носимыми пользовательскими устройствами, которые измеряли параметры ежедневной деятельности пользователя для каждого из отобранных добровольцев (всего более 1000 приемов пищи в собранной базе данных). В частности, измерялись уровень глюкозы в крови пользователя, данные о движениях пользователя, данные о пульсе пользователя, данные касательно сна. Заявленный алгоритм машинного обучения, описанный выше, обучался на основе этих измеренных данных для оценки времени приема пищи и классификации принятой пищи. Для тестирования производительности алгоритма применялся способ перекрестной проверки с исключением (из базы данных поочередно исключались данные одного добровольца, алгоритм обучался на оставшихся данных и далее тестировался на исключенных данных, результаты тестирования усреднялись по всем добровольцам). На Фиг. 8 представлены результаты точности оценки упомянутым алгоритмом времени приема пищи пользователем в отношении упомянутых 50 добровольцев. В частности, точность оцененного времени приема пищи с помощью алгоритма по сравнению с действительным временем приема пищи пользователем составила 93% (процент ошибки, соответственно, составил 7%), а точность оцененного времени, в течение которого пользователь не принимал пищу, составила 88,2% (процент ошибки, соответственно, составил 11,8%). Соответственно, общая точность алгоритма по оценке времени приема пищи пользователем составила 90,43% (F1-мера=0,89). На Фиг. 9 изображен график оценки времени приема пищи пользователем в течение суток на основе уровня глюкозы в крови пользователя и рекомендованного времени приема пищи для одного из добровольцев, упомянутых выше. Согласно заранее заданному профилю этого добровольца, его возраст составил 54 года, пол - женский, вес - 71 кг., рост - 149 см. Уровень активности данного добровольца по шкале от 1 до 5 был определен как 1, а расчет израсходованной энергии показал 1578 ккал. Следовательно, алгоритм определил, что у данного добровольца энергетический баланс находится в норме, и он употребляет пищу со средним содержанием углеводов. На основе этих данных пользователю была выдана рекомендация, в частности, график, изображенный на Фиг. 9, на котором зелеными столбцами обозначено время приема пищи, которое рекомендовано для данного пользователя на основе наблюдения за ним, а синими столбцами - время приема пищи, определенное вышеописанным алгоритмом. Высота синих столбцов на Фиг. 9 соответствует классу принятой пищи по количеству углеводов, определенному вышеописанным алгоритмом. Серым на графике выделен период времени, рекомендованный для сна пользователя.

Далее на Фиг. 10 представлены результаты точности оценки упомянутым алгоритмом классификации принятой пищи в отношении вышеупомянутых 50 добровольцев. Как видно из фигуры, точность определения принятия пользователем пищи с низким содержанием углеводов по сравнению с ее действительным принятием составила 83.4% (ошибка, соответственно, составила 16,8%), точность определения принятия пользователем пищи со средним содержанием углеводов по сравнению с ее действительным принятием составила 73.0% (ошибка, соответственно, составила 27%) а точность определения принятия пользователем пищи с высоким содержанием углеводов по сравнению с ее действительным принятием составила 84,7% (ошибка, соответственно, составила 15,3%). Соответственно, общая точность алгоритма по классификации принятой пищи составила 80,4% (F1-мера=0.80).

Специалистам в данной области техники должно быть понятно, что по мере необходимости количество структурных элементов или компонентов системы может изменяться. Предполагается, что объем охраны настоящего изобретения охватывает все возможные различные расположения указанных выше конструктивных элементов системы. В одном или более примерных вариантах осуществления функции, описанные в данном документе, могут быть реализованы в аппаратном обеспечении, программном обеспечении, аппаратно-программном обеспечении или любой их комбинации. Будучи реализованными в программном обеспечении, упомянутые функции могут храниться на или передаваться в виде одной или более инструкций или кода на машиночитаемом носителе. Машиночитаемые носители включают в себя любой носитель информации, который обеспечивает перенос компьютерной программы из одного места в другое. Носитель информации может быть любым доступным носителем, доступ к которому осуществляется посредством компьютера. В качестве примера, но не ограничения, такие машиночитаемые носители могут представлять собой RAM, ROM, EEPROM, CD-ROM или другой накопитель на оптических дисках, накопитель на магнитных дисках или другие магнитные запоминающие устройства, или любой другой носитель информации, который может использоваться для переноса или хранения требуемого программного кода в виде инструкций или структур данных и доступ к которому можно осуществлять с помощью компьютера. Кроме того, если программное обеспечение передается из веб-сайта, сервера или другого удаленного источника с использованием коаксиальных кабелей, оптоволоконных кабелей, витой пары, цифровой абонентской линии связи (DSL) или с использованием беспроводных технологий, таких как инфракрасные, радио и микроволны, то такие проводные и беспроводные средства подпадают под определение носителя. Комбинации озвученных выше носителей информации должны также попадать в объем охраны настоящего изобретения.

Хотя в настоящем описании показаны примерные варианты реализации изобретения, следует понимать, что различные изменения и модификации могут быть выполнены, не выходя за рамки объема охраны настоящего изобретения, определяемого прилагаемой формулой изобретения. Функции, этапы и/или действия, упоминаемые в пунктах формулы изобретения, характеризующих способ, в соответствии с вариантами реализации настоящего изобретения, описанными в данном документе, необязательно должны выполняться в каком-то конкретном порядке, если не отмечено или не оговорено иное. Более того, упоминание элементов системы в единственном числе не исключает множества таких элементов, если в явном виде не указано иное.

Реферат

Группа изобретений относится к области медицинской техники и используется при отслеживании ежедневной деятельности пользователя. Способ выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, содержит этапы, на которых: автоматически определяют параметры ежедневной деятельности пользователя, включающие в себя периоды физической активности, частоту сердечных сокращений, количество пройденных шагов, период времени сна, изменения уровня глюкозы в крови, количество углеводов икалорий, полученных с принятой пищей. На основе измеренного изменения уровня глюкозы в крови пользователя, физической активности, частоты сердечных сокращений и суточных изменений переносимости глюкозы для определения индивидуального отклика пользователя на прием пищи строят физиологическую модель пользователя, обучают алгоритм машинного обучения для оценки ежедневной деятельности пользователя на основе измеренных параметров ежедневной деятельности пользователя, определенного индивидуального отклика пользователя и заранее заданного профиля пользователя, содержащего пол пользователя, возраст, рост и вес. Формируют рекомендации по поддержанию здорового образа жизни пользователя на основе оценкиежедневной деятельности пользователя, полученной в результате применения алгоритма машинного обучения, и отображают сформированные рекомендации. Раскрыты альтернативные варианты осуществления способа и системы для выдачи рекомендаций. Изобретения обеспечивают автоматическое слежение за физиологическими параметрами и физической активностью и выдачу рекомендаций по поддержанию здорового образа жизни. 6 н. и 9 з.п. ф-лы, 10 ил.

Формула