FarBeat 是针对基于可穿戴设备所产生的海量的杂乱的健康行为数据进行加工处理,提取高价值信息供研究和健康干预所用。该项目可以看做是一个健康大数据的提炼工厂。在国家相关管理机构的指导和帮助下,通过标准化的输入和输出,提高健康大数据行业的标准化、规范化,推动行业发展。
主要解决了一下问题:
智能可穿戴设备产品众多繁杂的私有数据协议,让应用系统开发者浪费了大量的重复性接口对接工作,导致行业不能形成完善的生态体系,影响行业可持续发展。经过与多个机构沟通协调,在国家科重点研发专项项目的支持下,借助主动健康创新联合体力量,借鉴IEEE 11073标准体系,制定了行业内的PHIC数据交换标准。FarBeat项目组遵照PHIC的标准,开发了FarBeat SDK便于各方开发使用,现已接入多家设备(接入清单),欢迎感兴趣的厂家申请接入,加入PHIC大家庭,共同推动主动健康产业发展。
除了数据接口不统一外,更加让行业诟病的是数据质量参差不齐,质量鱼龙混杂,导致劣币驱逐良币的现象时有发生,久而久之,最终会影响行业健康发展。FarBeat SDK接受第三方检测组织的管理,未通过数据质量检测的设备,将不提供数据输出的结果。从而,从源头上避免了不合格产品的接入。
从某种意义上讲,FarBeat SDK也是产品质量的试金石,看门人。
当前,随着传感器和算力的提高,可穿戴设备功能越来越强大,可以采集的数据也越来越多,然而,可穿戴设备的强大功能体不仅仅是直接的测量,基于连续动态数据对人体系统的测度。所以,需要对直接采集的数据进行计算处理,这个测度操作尚缺乏标准,指标解释也千差万别,甚至南辕北辙,导致无法很好地地被利用。
为了解决以上问题,需要统一的计算算法、统一的描述语义。统一性对于运动训练专家和医生而言至关重要。Farbeat SDK提供常用的统一计算算法库(见清单),以保证来之不同厂家的设备只要数据质量一致的数据集,就可以得到一致的测度结果。
数据质量是可穿戴设备的核心关键问题。可穿戴设备是工作在开放环境的智能设备,数据质量控制相比医学设备难度更大,导致数据分析一致性差。数据存在质量低,噪音大,类似石油原油如果不进行炼制除了燃烧以外,很难产生更多更大的价值,这一现状严重制约了可穿戴设备发展。如果要发挥石油价值需要对原油进行提纯、蒸馏、分解、催化合成等复杂处理。同样,针对可穿戴设备生产的数据而言,也需要进行复杂的数据处理。
数据质量的控制,不仅仅需要从采集端进行源头优化,还需要基于对人体进行行为状态识别,进行数据分类、清洗、滤波等处理,增加数据可用性。
Farbeat® SDK在对智能设备检测分析工作的基础上,利用机器学习技术,利用各种滤波、信号增强等算法实现了原始数据质量增强功能。
数据深度挖掘
可穿戴计算最大的特点是基于大量复杂的原始数据“石油”进行复杂的分解、聚合,转换等操作提炼高价值的信息,类似沙中淘金的过程。Farbeat® 利用数字信号处理、机器学习等技术,结合人体运动行为学、运动生理学、心理学和社会学,对可穿戴设备产生大数据进行深度挖掘,提取高价值信息。实现对人体健康行为的精准的实时预测、判断和干预。
当前,FarBeat® 已经提供了超过40+种标准化高敏指标,实现进100+种人体行为进行AI识别和分析,覆盖了健康实时检测、评估和预测。可以为专业运动员训练、运动康复、疾病管理,以及军人等特殊人群的训练、健康检测。
Farbeat® 计算引擎只关注数据计算本身,做到“上不碰客户”“下不碰数据”。与客户信息管理系统实现系统隔离,尊重合作方的客户信息和核心资产,寻求与合作方的长期合作,共同发展,携手前行。
基于信创标准,自主安全可靠的系统平台,可满足优秀运动员、军警等对数据隐私保护高敏感人群的计算分析服务。
Farbeat®计算引擎是基于C语言从底层重构了算法,在良好的网络环境下实现了单笔计算毫秒级出结果效率。同时,采用微服务技术,通过分布式计算和弹性调度算法,可满足大规模高并发应用。
Farbeat® 计算引擎采用全球异地多点分布式计算,实现自动调整计算节点,实现高可靠计算,可满足多种应用场景。
FarBeat 是针对基于可穿戴设备所产生的海量的杂乱的健康行为数据进行加工处理,提取高价值信息供研究和健康干预所用。该项目可以看做是一个健康大数据的提炼工厂。在国家相关管理机构的指导和帮助下,通过标准化的输入和输出,提高健康大数据行业的标准化、规范化,推动行业发展。
依据主动健康SAEE 模型。研究覆盖毫秒、秒、分、时、日、周、年等大跨度时间尺度的层次模型,根据人体系统复杂度,将人体行为系统分为姿态、动作、运动和习惯4个层次,构建人体行为PAMS 模型。
本发明提出的人体活动识别方法通过多个传感器采集人体不同部位的运动信号,对多个传感器的数据进行拓扑特征提取,再利用训练好的分类器对每一个传感器的特征数据进行分类,最后对多个传感器对应的分类结果进行融合,获得人体活动的类别,通过将多个传感器的分类结果进行融合,提高了识别的准确率,此外,将传感器数据的拓扑
本发明提出的基于拓扑特征的多分类器的选取方法通过将多个传感器的步态数据拼接成多通道数据后再对多通道数据进行特征提取,获得多通道融合的特征,使得提取的特征更加全面,且将多通道数据的拓扑特征作为多个分类器的测试数据可以获得在常规统计分析中丢失的关键信息,避免了手动提取特征造成的不稳定性和复杂性的
本文件规定了跑步运动场景下相关的运动信息数据元的数据元名称、定义、数据来源、数据元值的数据类型、标识格式和数据元允许值。 本文件适用于在跑步运动场景中描述用户运动状态、身体体征参数等信息数据,以及用于相关信息数据标识信息的交换与共享。