【转载】健康，可穿戴与大数据

最近一段时间，可穿戴设备不断升温，无论是超前的Google Glass还是各类监控吃睡住行的手环，甚至是刚刚起步的各类“智能”手表，都是时下流行的话题。而对于广大热爱高科技站在时代前沿的人来说，最容易买到的还是那些关注健康的手环。以Jawbone Up为例，它可以监控你每天的睡眠质量、运动量等信息，并与智能手机上的App互动，以直观的可视化图表为你展现近期的身体情况。app刷激活量

听上去确实挺高科技的，但这个想法其实也并不算新鲜。其实从2012年开始，就有一些涉足健康领域的移动应用开发商，陆续推出过一系列健康应用，比如主打睡眠记录的“睡眠质量App”、可以检测心跳的App等；与此同时，这些开发商也推出了一些线上服务，比如健康综合管理。无论是独立的设备，还是一款应用也好，虽然他们收集到了大量的个人健康数据、个人生活方式数据，甚至做到了与医院病理系统整合，收集到用户的诊疗数据。但是从客户角度看，这些设备、服务所能提供的信息仍然很单薄。

• 一方面，这些设备或者应用不是医生，并不能真正根据这些信息给出诊疗建议，只能根据这些信息给出大致健康评估；
• 另一方面，由于缺乏大规模的数据处理能力、多维度的数据分析能力，以及深入的数据挖掘能力，即便收集的数据里蕴含大量有用信息，甚至包括可以直接用于诊断病症的数据，基于数据处理挖掘能力问题，也会被海量数据淹没。android刷量

实际上对于智能设备在医疗领域的探索，传统医院也并不落后。位于北京的某三甲医院很早就开始了这方面面的研究。最初的出发点很简单——就是想解决24小时心脏监控的种种麻烦和问题。熟悉心脏24小时监控的朋友应该了解，目前做这种长时间的心脏监控是一件很头疼的事情。为了做到24小时监控，患者必须随身携带一个Holter（Dynamic Electrocardiography DCG，动态心电图，于1949年由美国Holter首创，故又称Holter心电图），虽然现在Holter已经进化到能够监控动态心电、动态血压、动态睡眠呼吸等多种参数，但对与患者而言，随身带着一个在全身贴满电线的小盒子，对于日常活动、生活的影响是非常明显的，用时下流行的说法就是：使用体验太差。

目前，前面提到的这家三甲医院已经能够实现使用无线监控装置采集数据，并通过智能设备将数据发回医院。这一项目仍处于试验阶段，这家医院积累了大量的测试数据，而且不仅仅是病人，还包括很多健康的志愿者。不过苦于没有数据处理能力，也只能查看一下心率等基本信息，并不能做到更深入的挖掘。机缘巧合之下，近期TalkingData与该医院进行了一次较为深入的合作试验，试验目的就是为了帮助该院找到合理的数据处理方式及建立更为系统话的数据监控、健康评估、长期跟踪诊断系统。由于目前试验仍在进行中，这里不便公布太多细节，只能通过一些简单的例子做简要说明。

首先，TalkingData对该院此前实验项目中积累的大量人群心率监控数据进行了数据清洗、可视化操作，并进一步将数据进行整合归纳。从大量的数据中我们发现绝大多数身体状态健康的人，其心率变化趋势是非常有规律的——通常是白天高，夜间低；而一些经常加班到深夜或是习惯性晚睡的人群，他们的心率则并没有在夜间降低，也就是说工作了一天的心脏在夜间仍然得不到休息。结合这些志愿者在该院试验阶段登记的信息，并与这些志愿者沟通后，发现这部分志愿者绝大多数长期处于亚健康状态。安卓刷量软件

此外，通过TalkingData的多维度数据钻取工具，从数据上可以直接反馈出不健康的饮食习惯对于心脏的影响。 以往的心率记录，即便是使用Holter的24小时动态心跳监控，其时间间隔也只能以小时为单位，而日常生活习惯中的一些小变化对心脏的影响很难在传统的心跳曲线上体现出来。在本次试验中，TalkingData使用深度数据钻取工具对大量心跳数据进行了进一步加工，经过加工后的心跳曲线最小时间单位为分钟，数据粒度更细之后，我们发现了一些有趣的现象。

我们经常听说空腹喝咖啡对身体不好，但究竟怎么不好呢？现在有数据可以证明。本次试验中的一位志愿者的动态心跳在某天早上9点至10点之间出现异常，具体表现是在当天上午9点23分至9点28分之间，该志愿者的心率突然增高，与此前该志愿者在同时段内的心跳表现有很大差异。与该志愿者沟通后发现出现异常当天，由于急于参加会议，该志愿者当天没有吃早饭，并且为了“提神”喝了一杯咖啡，直接结果就是导致心率突然增高。其实日常生活中，这种例子是很常见的，而这样看似“小事”的事情，日积月累下来，就是造成我们亚健康状态的罪魁祸首。cydia商店

经过一个多月对大量志愿者的连续追踪，我们发现很多人的健康正在被这些细小的不良习惯不断侵蚀。以往由于受到数据采集手段、分析挖掘能力的限制，无法做到把身体状态的变化与饮食习惯、作息时间一一对应起来；现在，随着可穿戴设备的不断发展，数据采集的问题将会逐被解决，剩下的只差深入的数据处理、分析挖掘能力亟待解决。正如前文所述，对于医疗机构现有的数据处理能力来说，借助第三方数据服务平台提供的服务来实现对数据的处理，乃至提供可视化数据服务，是性价比最好的选择。同样，对于提供类似健康咨询功能的应用、网站来说也是如此。

现在，这家医院的试验仍在继续，在不远的将来，我们可以通过由医院提供的专业随身监控设备，实现一些科目的动态体检。而我们的智能手机则会充当数据传递、展现，甚至可以通过长时间的累计数据，综合评估我们再相当长一段时间内的身体状态变化。与现有的健康类可穿戴设备相比，它会更精确，对于医生诊断病症更具参考价值。在更远一点的将来，也许我们的手机通知栏内，就不仅仅是各种广告推送、应用更新这些信息了，那时的智能设备会提醒你按时服用降压药，按时吃饭，身体出现异常状况时也会发出警报通知附近的医院，在某些极端状况下，甚至会提供简要的应急处理建议。

听上去很未来对吧？基于对长期监测的海量数据深度挖掘，这些看似科幻电影离的场景，距离我们已经很近了。talkingdata数据统计后台

注：文章转自TalkingData