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。
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。
现在可穿戴设备功能越来越强大,采集的数据也越来越多,然而,现在对于连续动态数据的计算测度尚缺乏标准,同样的指标计算结果千差万别,甚至南辕北辙,导致数据分析人员无法发现很好地开展工作。统一的数据质量、统一的计算算法、统一的描述语义,对于运动训练专家和医生而言至关重要。farbeat SDK提供了部分计
Farbeat®基于机器学习技术,独立研发了基于可穿戴设备人体识别、数据自动清洗、提炼技术,实现了可穿戴设备数据质量增强功能。
Farbeat® 利用人工智能技术,结合人体运动生理、心理和社会学分析技术,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预测、判断和干预。
打开微信扫一扫