首页 > 分享 > 用于宠物健康评估的系统和方法与流程

用于宠物健康评估的系统和方法与流程

萌宠菠菠乐园
2024-09-13 23:45

用于宠物健康评估的系统和方法与流程
用于宠物健康评估的系统和方法
1.相关申请的交叉引用
2.本技术要求2019年6月26日提交的第62/867,226号美国专利申请、2020年2月5日提交的第62/970,575号美国专利申请和2020年4月9日提交的第63/007,896号美国专利申请的优先权，其以全文引用的方式并入本文。
技术领域
3.在本公开中描述的实施例涉及数据分析。例如，一些非限制性实施例涉及宠物活动或其他数据的数据分析。

背景技术：

4.移动设备和/或可穿戴设备已配备有可以帮助跟踪人类位置的各种硬件和软件部件。例如，移动设备可以与全球定位系统(gps)通信以帮助确定其位置。最近，移动设备和/或可穿戴设备已经超越了单纯的位置跟踪，并且现在可以包括有助于监视人类活动的传感器。可以收集、分析和显示由跟踪的位置和/或监视的活动产生的数据。例如，移动设备和/或可穿戴设备可用于跟踪人类在预设的时间段内行进的步数。然后可以在移动设备或可穿戴设备的用户图形界面上显示步数。
5.对宠物安全和健康的日益重视导致监视宠物行为的需求增加。因此，在宠物产品行业中存在对用于跟踪和监视宠物活动的系统和/或方法的持续的需求。特别地，仍然需要一种能够准确地跟踪宠物的位置，同时还监视宠物活动的可穿戴宠物设备。

技术实现要素：

6.为了弥补上述缺陷，本公开提出了可用于分析数据的系统、方法和装置。例如，某些非限制性实施例可用于监视和跟踪宠物活动。
7.在某些非限制性实施例中，本公开描述了一种用于监视宠物活动的方法。该方法包括监视可穿戴设备的位置。该方法还包括基于可穿戴设备的位置确定可穿戴设备已经离开地理围栏区域。此外，该方法包括在确定可穿戴设备已经离开地理围栏区域之后指示可穿戴设备开启指示器。指示器可以是照明设备、声音设备或振动设备中的至少一者。此外，该方法可以包括确定可穿戴设备已经进入地理围栏区域并且在可穿戴设备已经进入地理围栏区域时关闭指示器。
8.在某些非限制性实施例中，本公开描述了一种用于监视宠物活动的方法。该方法包括从包括传感器的可穿戴设备接收与宠物相关的数据。该方法还包括基于该数据确定宠物的一项或多项健康指标并且基于宠物的一项或多项健康指标执行宠物的健康评估。此外，该方法可以包括将宠物的健康评估发送到移动设备。宠物的健康评估可以在移动设备上显示给用户。该方法可以由可穿戴设备、一个或多个服务器、云计算平台和/或它们的任何组合来执行。
9.在一些非限制性实施例中，本公开描述了一种方法，该方法可以包括在装置处接
收数据。该方法还可以包括使用两个或两个以上的层模块分析数据，其中层模块中的每一者包括多对多方法、跨步、下采样、池化、多尺度缩放或批归一化(或批标准化)中的至少一者。此外，该方法可以包括基于所分析的数据确定输出。数据可以包括财务数据、网络安全数据、电子健康记录、健康数据、图像数据、视频数据、声学数据、人类活动数据、宠物活动数据和/或它们的任何组合中的至少一者。该输出可以包括以下中的一项或多项：健康评估、健康建议、财务预测、安全建议、图像或视频识别、声音识别和/或它们的任何组合。确定的输出可以显示在移动设备上。
10.在某些非限制性实施例中，本公开描述了一种用于评估宠物健康的方法。该方法可以包括接收与宠物相关的数据并基于该数据确定宠物的一项或多项健康指标。该方法还可以包括基于一项或多项健康指标执行对宠物的健康评估。此外，该方法可以包括基于健康评估向宠物主人提供或确定建议。该方法还可以包括将建议发送到宠物主人的移动设备，其中建议在宠物主人的移动设备上显示。
11.在某些非限制性实施例中，一种用于监视宠物活动的装置可包括包含计算机程序代码的至少一个存储器和至少一个处理器。计算机程序代码可以配置为在由至少一个处理器执行时使装置从包括传感器的可穿戴设备接收与宠物相关的数据。计算机程序代码还可以配置为，当由至少一个处理器执行时，使装置基于数据确定宠物的一项或多项健康指标，并基于宠物的一项或多项健康指标执行宠物的健康评估。此外，计算机程序代码还可以配置为在由至少一个处理器执行时使装置将宠物的健康评估发送到移动设备。宠物的健康评估在移动设备上显示给用户。
12.某些非限制性实施例可以针对可穿戴设备。可穿戴设备可以包括外壳，该外壳包括顶盖。外壳还可包括与顶盖联接的底座。外壳可以包括用于监视与宠物相关的数据的传感器。外壳还可包括用于发送与宠物相关的数据的收发器。进一步地，外壳可以包括指示器，其中指示器是照明设备、声音设备、振动设备和/或其任意组合中的至少一者。
13.根据某些非限制性实施例，提供了编码指令的至少一个非暂时性计算机可读介质，当在硬件中执行时，该指令执行根据本文公开的方法的步骤。在一些非限制性实施例中，一种装置可以包括编码指令的计算机程序产品，该指令用于根据上述方法处理所测试宠物产品的数据。在其他实施例中，计算机程序产品可以编码用于执行根据本文公开的方法的过程的指令。
14.应当理解，前述一般描述和以下详细描述均是示例性的，并且旨在提供对所要求保护的公开的主题的进一步解释。
附图说明
15.根据如附图中所示的实施例的以下描述，本公开的前述和其他目的、特征和优点将是明晰的，其中附图标记贯穿各个视图指代相同的部分。附图不一定按比例绘制，而是将重点放在说明本公开的原理上：
16.图1示出了根据某些非限制性实施例的用于跟踪和监视宠物的系统。
17.图2示出了根据某些非限制性实施例的可用于跟踪和监视宠物的设备。
18.图3是示出的根据某些非限制性实施例的可用于跟踪和监视宠物的设备的逻辑框图。
19.图4是示出的根据某些非限制性实施例的用于跟踪宠物的方法的流程图。
20.图5是示出的根据某些非限制性实施例的用于跟踪和监视宠物的方法的流程图。
21.图6示出了根据某些非限制性实施例的两个深度学习模型的示例。
22.图7(a)、图7(b)和图7(c)示出了根据某些非限制性实施例的模型架构。
23.图8示出了根据某些非限制性实施例的模型的示例。
24.图9示出了图8中所示的模型的示例实施例。
25.图10示出了图8中所示的一个或多个模型的示例架构。
26.图11示出了根据某些非限制性实施例的模型参数的示例。
27.图12示出了根据某些非限制性实施例的代表性模型训练运行的示例。
28.图13示出了根据某些非限制性实施例的示例模型的性能。
29.图14示出了根据某些非限制性实施例的显示模型的性能的热图。
30.图15示出了根据某些非限制性实施例的模型的性能度量。
31.图16示出了根据某些非限制性实施例的n组(n-fold)集成ms-c/l模型的性能。
32.图17示出了根据某些非限制性实施例的改变在干扰步骤中使用的滑动窗口长度的效果。
33.图18示出了根据基于多个传感器的某些非限制性实施例的一个或多个模型的性能。
34.图19示出了根据某些非限制性实施例的模型的性能分析。
35.图20示出了根据某些非限制性实施例的用于评估宠物健康的过程的流程图。
36.图21示出了根据某些非限制性实施例的在用于评估宠物健康的过程期间执行的示例步骤。
37.图22示出了根据某些非限制性实施例的在用于评估宠物健康的过程期间执行的示例步骤。
38.图23示出了根据某些非限制性实施例的在用于评估宠物健康的过程期间执行的示例步骤。
39.图24示出了根据某些非限制性实施例的在用于评估宠物健康的过程期间执行的示例步骤。
40.图25a示出了根据某些非限制性实施例的用于评估宠物健康的过程的流程图。
41.图25b示出了根据某些非限制性实施例的用于评估宠物健康的过程的流程图。
42.图26示出了根据某些非限制性实施例的用于评估宠物健康的过程的流程图。
43.图27示出了根据所公开主题的实施例的具有跟踪设备和带的项圈的透视图。
44.图28示出了根据所公开的主题的图27的跟踪设备的透视图。
45.图29示出了根据所公开的主题的图27的跟踪设备的前视图。
46.图30示出了图27的跟踪设备的分解视图。
47.图31描绘了图27的跟踪设备的左侧视图，右侧与左侧视图相同。
48.图32描绘了图27的跟踪设备的俯视图，底视图与俯视图相同。
49.图33描绘了图27的跟踪设备的后视图。
50.图34示出了根据所公开的主题的另一实施例的跟踪设备的透视图。
51.图35示出了根据所公开的主题的图34的跟踪设备的前视图。
52.图36示出了图34的跟踪设备的分解图。
53.图37示出了根据所公开的主题的图34的跟踪设备的前视图。
54.图38描绘了图34的跟踪设备的左侧视图，右侧与左侧视图相同。
55.图39描绘了图34的跟踪设备的俯视图，底视图与俯视图相同。
56.图40描绘了图34的跟踪设备的后视图。
57.图41描绘了根据所公开的主题的可与电缆耦合的跟踪设备的后视图。
58.图42描绘了根据所公开的主题的具有用于接收跟踪设备的接收板的项圈。
59.图43和图44描绘了根据所公开主题的实施例的穿戴项圈的宠物。
60.图45描绘了根据所公开的主题的另一方面的用于接收跟踪设备的项圈接收板和/或支撑框架。
61.图46描绘了根据所公开的主题的另一方面的用于接收跟踪设备的项圈接收板和/或支撑框架。
62.图47描绘了根据所公开的主题的另一方面的用于接收跟踪设备的项圈接收板和/或支撑框架。
具体实施方式
63.仍然需要一种可以监视和跟踪宠物活动的系统、方法和设备。本公开主题解决了该需求以及与宠物的健康相关联的其他需求。具体而言，与跟踪或监视的宠物的活动相关的数据可以被收集并用于检测与宠物相关的任何潜在健康风险。识别出的潜在健康风险以及收集的数据的汇总然后可以被发送给宠物主人和/或显示给宠物主人或由宠物主人显示。
64.第15/291,882号美国专利申请(现在是第10,142,773b2号美国专利)，第15/287,544号美国专利申请，第14/231,615号美国专利申请，第62/867,226号、第62/768,414号、第62/970,575号以及第63/007,896号美国临时申请，以及第29/696,311号和第29/696,315号美国外观设计申请在此以引用方式并入。在以上引用的申请中公开的整个主题，包括说明书、权利要求和附图，都并入本文。
65.现在将在下文中参考附图更全面地描述本公开，附图构成本文的一部分，并且通过图示的方式示出某些示例实施例。然而，主题可以以各种不同的形式来体现，因此，所涵盖或要求保护的主题旨在被解释为不限于本文所述的任何示例实施例；提供示例实施例仅用于说明。同样地，旨在针对要求保护或涵盖的主题的合理的宽的保护范围。除其他之外，例如，主题可以被体现为方法、设备、部件或系统。因此，实施例可以例如采用硬件、软件、固件或其任何组合(除软件本身之外)的形式。因此，以下详细描述不旨在被视为限制。
66.在本文的详细描述中，对“实施例”、“一个实施例”、“一个非限制性实施例”，“在各种实施例中”等的引用表示所描述的一个或多个实施例可以包括特定的特征、结构或特性，但是每个实施例可能不一定包括该特定的特征、结构或特性。而且，这样的措辞不一定指相同的实施例。此外，当描述与一个实施例有关的特征、结构或特性时，可以认为结合其他实施例实现这样的特征、结构或特性是在本领域技术人员的知识范围内的，而无论这样的特征、结构或特性是否被明确描述。在阅读描述之后，如何在替代实施例中实现本公开对于相关领域的技术人员将是明晰的。
67.总体上，术语可以至少部分地从上下文中的用法来理解。例如，如本文所使用的诸如“和”，“或”或“和/或”的术语可以包括至少部分地取决于使用这些术语的上下文的各种含义。通常情况下，“或”如果用于关联列举，诸如a、b或c，则旨在表示a、b和c(在此用于包容性含义)，以及a、b或c(在此用于排他性含义)。另外，如本文所使用的术语“一个或多个”，至少部分地取决于上下文，可以用于以单数含义描述任何特征、结构或特性，或者可以用于以复数含义描述特征、结构或特性的组合。类似地，诸如“一”、“一个”或“该”之类的术语，至少部分地取决于上下文，可以被理解为表达单数用法或表达复数用法。另外，术语“基于”可以被理解为不一定旨在表达一组排他性的因素，反而可以允许存在不必明确描述的其他因素，这至少部分地取决于上下文。
68.如本文所使用的，术语“包括”、“包含”或它们的任何其他变体旨在涵盖非排他性的包括，使得包括一系列元素的过程、方法、物品或装置不仅包括这些元素，还可以包括未明确列出的其他元素或这样的过程、方法、物品或设备固有的其他元素。
69.下面参考方法和设备的框图和操作图示来描述本公开。应当理解的是，框图或操作图示中的各个框以及框图或操作图示中的框的组合可以以模拟或数字硬件以及计算机程序指令的方式来实现。这些计算机程序指令可以被提供给通用计算机的处理器以改变其如在本中详细描述的功能，可以被提供给专用计算机、asic或其他可编程数据处理装置，使得通过计算机的处理器或其他可编程数据处理装置执行的指令来实现在框图或一个或多个操作框指定的功能/动作。在一些替代的实现中，在框中提到的功能/动作可以不按照在操作图示中指出的顺序发生。例如，连续示出的两个框实际上可以实质上同时执行，或者这些框有时可以以相反的顺序执行，这取决于所涉及的功能/动作。
70.这些计算机程序指令可以被提供给：通用计算机的处理器以便为了专门目的来改变其功能；专用计算机的处理器；asic的处理器；或者其他可编程数字数据处理装置的处理器，使得经由计算机或其他可编程数据处理装置的处理器执行的指令实现在框图或一个或多个操作框中指定的功能/动作，由此根据本文的实施例转变其功能。
71.为了本公开的目的，计算机可读介质(或计算机可读存储介质/媒介)存储计算机数据，该数据可以包括可由计算机以机器可读形式执行的计算机程序代码(或计算机可执行指令)。通过示例而非限制性的方式，计算机可读介质可以包括用于数据的有形或固定存储的计算机可读存储介质，或用于对包含代码的信号进行瞬时译释的通信介质。如本文所使用的那样，计算机可读存储介质是指物理或有形存储(与信号相对)，并且包括但不限于以任何方法或技术实现的用于信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的有形存储的易失性和非易失性、可移除和不可移除的介质。计算机可读存储介质包括但不限于ram、rom、eprom、eeprom、闪存或其他固态存储器技术、cd-rom、dvd或其他光学存储器、盒式磁带、磁带、磁盘存储或其他磁存储设备，或可用于有形地存储所需信息或数据或指令并且可由计算机或处理器访问的任何其他物理或材料介质。
72.出于本公开的目的，术语“服务器”应当被理解为指提供处理、数据库和通信设施的服务点。通过示例而非限制性的方式，术语“服务器”可以指具有相关联的通信以及数据存储和数据库设施的单个物理处理器，或者它可以指处理器以及相关联的网络和存储设备的联网或集群复合体(诸如弹性计算机集群)，以及支持由服务器提供的服务的操作软件和一个或多个数据库系统和应用软件。例如，服务器可以是基于云的服务器、云计算平台或虚
拟机。服务器可以在配置或能力上差异很大，但服务器通常可以包括一个或多个中央处理单元和存储器。服务器还可以包括一个或多个大容量存储设备、一个或多个电源、一个或多个有线或无线网络接口、一个或多个输入/输出接口，或者一个或多个操作系统(诸如windows server、mac os x、unix、linux、freebsd等)。
73.出于本公开的目的，“网络”应当被理解为指可以耦合设备以便可以互相通信的网络，诸如在服务器与客户端设备或者其他类型的设备之间互相通信(包括在通过无线网络耦合的无线设备之间互相通信)。网络还可以包括大容量存储，诸如网络附加存储(nas)、存储区域网络(san)或其他形式的计算机或机器可读介质。网络可以包括因特网、一个或多个局域网(lan)、一个或多个广域网(wan)、有线类型的连接、无线类型的连接、蜂窝或其任何组合。同样地，可以采用不同的架构或者可以遵守不同的协议或者与不同的协议兼容的子网可以在更大的网络内进行互操作。例如，可以使各种类型的设备用于提供针对不同的架构或协议的可互操作的能力。作为一个说明性示例，路由器可以在另外的分开且独立的lan之间提供链路。
74.通信链路或信道可以包括例如模拟电话线路(诸如双绞线，同轴电缆)，包括t1、t2、t3或t4类型线路的全数字或分数数字线路，综合业务数字网络(isdn)，数字用户线路(dsl)，包括卫星链路的无线链路，或其他通信链路或信道(诸如本领域技术人员已知的那些)。此外，计算设备或其他相关电子设备可以远程耦合到网络，诸如通过有线或无线线路或链路。
75.出于本公开的目的，“无线网络”应被理解为将客户端设备与网络耦合。无线网络可以采用独立自组织(ad-hoc)网络、网状网络、无线局区域网(wlan)、蜂窝网络等。无线网络还可以包括通过无线的无线电链路等耦合的终端、网关、路由器等的系统，其可以自由地、随机地移动或任意地组织它们自身，使得网络拓扑可以时不时进行变化，甚至快速变化。
76.无线网络还可以采用多种网络接入技术，包括wi-fi，长期演进技术(lte)，wlan，无线路由器(wr)网，或者第2代、第3代、第4代或第5代(2g、3g、4g或5g)蜂窝技术等。网络接入技术可以允许设备(诸如具有不同程度移动性的客户端设备)的广域覆盖。
77.例如，网络可以允许经由一个或多个网络接入技术的rf或无线类型通信，网络接入技术诸如是全球移动通信系统(gsm)、通用移动通信系统(umts)、通用分组无线业务(gprs)、增强型数据gsm环境(edge)、3gpp lte、lte-advanced、宽带码分多址(wcdma)、蓝牙、802.11b/g/n等。无线网络实际上可以包括任何类型的无线通信机制，通过这样的机制，可以在设备(诸如客户端设备或计算设备)之间、在网络之间或之内等传递信号。
78.计算设备能够发送或接收信号，诸如经由有线或无线网络，或者能够处理或存储信号，诸如作为物理存储状态在存储器中，并且因此可以作为服务器操作。因此，能够作为服务器操作的设备例如可以包括专用的机架式服务器、台式计算机、膝上型计算机、机顶盒、组合各种特征(诸如前述设备的两个或更多个特征)的集成设备等。服务器可以在配置或能力上差异很大，但服务器通常可以包括一个或多个中央处理单元和存储器。服务器还可以包括一个或多个大容量存储设备、一个或多个电源、一个或多个有线或无线网络接口、一个或多个输入/输出接口，或一个或多个操作系统(诸如windows server、mac os x、unix、linux、freebsd等)。
79.在某些非限制性实施例中，可穿戴设备可以包括一个或多个传感器。术语“传感器”可以指用于检测由宠物的活动或运动引起的物理量的变化的任何硬件或软件，诸如致动器、陀螺仪、磁力计、麦克风、压力传感器，或可用于检测物体的位移的任何其他设备。在一个非限制性示例中，传感器可以是三轴加速度计。一个或多个传感器或致动器可以包括在微机电系统(mems)中。mems，也称为mems设备，可以包括一个或多个小型化的机械和/或机电元件，其用作传感器和/或致动器并可帮助检测位置变化、移动和/或加速度。在其他实施例中，可以使用任何其他传感器或致动器来检测任何物理特性、变化或量。可穿戴设备，也称为项圈设备，还可以包括一个或多个换能器。换能器可用于将由传感器和/或致动器检测到的物理特性、变化或量转换为电信号，该电信号可从一个或多个可穿戴设备通过网络发送到服务器。
80.图1示出了根据某些非限制性实施例的用于跟踪和监视宠物的系统图。特别地，如图1中所示，系统100包括跟踪设备102、移动设备104、服务器106和/或网络108。跟踪设备102可以是如图27至图47所示的可穿戴设备。可穿戴设备可以放置在宠物的项圈上，并且可以用于使用一个或多个传感器跟踪、监视和/或检测宠物的活动。
81.如图1中所示，跟踪设备102可以包括设计成由使用者或其他实体(诸如宠物或动物)穿戴或以其他方式携带的计算设备。根据本公开使用的术语“动物”或“宠物”可以指家养的动物，包括家养的狗、家养的猫、马、牛、雪貂、兔、猪、大鼠、小鼠、沙鼠、仓鼠、山羊等。家养的狗和猫是宠物的特定的非限制性的示例。正如根据本公开所使用的术语“动物”或“宠物”还可以指符合法律法规的野生动物，包括但不限于野牛、鹿、猎物(venison)、鸭、飞禽、鱼等。
82.在一个非限制性的实施例中，跟踪设备102可以包括在图2中所示的硬件。跟踪设备102可以配置为收集由在跟踪设备102内的各种硬件或软件部件(通常称为传感器)生成的数据。例如，gps接收器或一个或多个传感器(诸如加速度计、陀螺仪或用于记录、收集或接收关于跟踪设备102的移动或活动的数据的任何其他设备或部件)。在一些非限制性的实施例中，跟踪设备102的活动可以模拟跟踪设备所在的宠物的活动。虽然跟踪设备102可以附接到宠物的项圈上，如美国专利申请第14/231,615号中所述的，在此以全文应用的方式并入，但在其他实施例中，跟踪设备102可以附接到由宠物穿戴的任何其他物品上。在一些非限制性实施例中，跟踪设备102可以设置在宠物自身之上或宠物自身内部，诸如在宠物内植入的微芯片。
83.如本文更详细地讨论的，跟踪设备102还可以包括能够处理从跟踪设备102收集的一个或多个数据的处理器。处理器可以体现为任何计算或数据处理设备，诸如中央处理单元(cpu)、数字信号处理器(dsp)、专用集成电路(asic)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、数字增强电路或类似设备或其组合。处理器可以实现为单个控制器，或多个控制器或处理器。在一些非限制性实施例中，跟踪设备102可以具体地配置为收集、感测、接收数据，和/或在传输之前预处理数据。除了感测、记录和/或处理数据之外，跟踪设备102还可以配置为将数据(包括位置和所监视或跟踪的任何其他数据)经由网络108传输到其他设备。在某些非限制性实施例中，跟踪设备102可以将任何跟踪或监视的数据连续不断地发送到网络。在其他非限制性实施例中，跟踪设备102可以离散地发送任何跟踪或监视的数据。非连续的传输可以在有限的时间段后传输数据。例如，跟踪设备102可以每小时传输一次数
据。这可以有助于减少由跟踪设备102消耗的电池电量，同时还节省网络资源，诸如带宽。
84.如图1所示，跟踪设备102可以与网络108通信。虽然作为单个网络被示出，但是网络108可以包括促进设备之间的通信的多个网络。网络108可以是使用任何可用的无线电接入技术的基于无线电的通信网络。可用的无线电接入技术可以包括，例如，蓝牙、无线局域网(“wlan”)、全球移动通信系统(gms)、通用移动通信系统(umts)、包括长期演进(“lte”)、lte-advanced、第三代技术(“3g”)或第五代(“5g”)/新无线电(“nr”)技术的任何第三代合作伙伴计划(“3gpp”)技术。网络108可以使用任何上述无线电接入技术或任何其他可用无线电接入技术来与跟踪设备102、服务器106和/或移动设备104通信。
85.在一个非限制性实施例中，网络108可以包括wlan，诸如由ieee802.11标准或等同标准定义的无线保真(“wi-fi”)网络。在该实施例中，网络108可以允许将位置或任何跟踪或监视的数据从跟踪设备102传输到服务器106。另外，网络108可以促进在跟踪设备102和移动设备104之间的数据传输。在替代实施例中，网络108可以包括诸如蜂窝网络的移动网络。在该实施例中，可以以与网络108是wlan的实施例类似的方式在所示设备之间传输数据。在某些非限制性实施例中，跟踪设备102，也称为可穿戴设备，可以通过仅在连接到wlan网络时或者主要在连接到wlan网络时将数据传输到服务器106来减少网络带宽并延长电池续航。当没有连接到wlan时，跟踪设备102可以进入省电模式，在该模式下它仍然可以监视和/或跟踪数据，但不会将任何收集到的数据发送到服务器106。这也有助于延长跟踪设备102的电池续航。
86.在一个非限制性实施例中，跟踪设备102和移动设备104可以直接在设备之间传输数据。这样的直接传输可以称为设备到设备通信或移动到移动通信。虽然单独地进行了描述，但是网络108可以包括多个网络。例如，网络108可以包括可以有助于促进在跟踪设备102和移动设备104之间传输数据的蓝牙网络、无线地面区域网络和移动网络。
87.系统100还可以包括移动设备104。移动设备104可以是任何可用的用户设备或移动站，诸如移动电话、智能电话或多媒体设备，或平板设备。在替代实施例中，移动设备104可以是具有无线通信能力的计算机(诸如膝上型计算机)、具有无线通信能力的个人数据或数字助理(pda)、便携式媒体播放器、数码相机、袖珍摄像机、具有无线通信能力的导航单元或其任何组合。如前所讨论的，移动设备104可以与跟踪设备102通信。在这些实施例中，移动设备104可以从跟踪设备102、服务器106和/或网络108接收位置、与宠物相关的数据、健康评估和/或健康建议。另外，跟踪设备102可以从移动设备104、服务器106和/或网络108接收数据。在一个非限制性实施例中，跟踪设备102可以接收关于移动设备104接近跟踪设备102或与移动设备104相关联的使用者的标识的数据。例如，与移动设备104相关联的用户可以是宠物的主人。
88.移动设备104(或非移动设备)还可以与服务器106通信以从服务器106接收数据。例如，服务器106可以包括提供联网应用程序或应用程序编程接口(api)的一个或多个应用程序服务器。在一个非限制性实施例中，移动设备104可以配备有一个或多个移动或基于网络的应用程序，移动设备104经由api与服务器106通信以在应用程序内检索和呈现数据。在一个非限制性实施例中，服务器106可以提供从跟踪设备102接收的位置或数据的可视化或显示。例如，可视化数据可以包括从跟踪设备102接收的数据的图形、图表或其他表示。
89.图2示出了根据某些非限制性实施例的可用于跟踪和监视宠物的设备。设备200可
以是，例如，跟踪设备102、服务器106或移动设备104。设备200包括cpu 202、存储器204、非易失性存储206、传感器208、gps接收器210、蜂窝收发器212、蓝牙收发器216和无线收发器214。该设备可以包括任何其他硬件、软件、处理器、存储器、收发器和/或图形用户界面。
90.如关于图2所讨论的，设备200可以是设计为由宠物穿戴或以其他方式携带的可穿戴设备。设备200包括一个或多个传感器208，诸如三轴加速度计。例如，一个或多个传感器可以与gps接收器210结合使用。例如，gps接收器210可以和传感器208一起使用，它们监视设备200以识别其位置(经由gps收发器210)及其加速度，例如，经由传感器208。尽管作为单个部件被示出，但是传感器208和gps收发器210可以可替代地各自包括提供类似功能的多个部件。在某些非限制性实施例中，gps接收器210可以是全球导航卫星系统(glonass)接收器。
91.传感器208和gps接收器210生成数据，如本文中更详细描述的那样，并且经由cpu 202将数据发送到其他部件。可替代地，或与上述相结合，传感器208和gps接收器210可将数据发送到存储器204以用于短期存储。在一个非限制性实施例中，存储器204可以包括随机存取存储器设备或类似的易失性存储设备。存储器204可以是，例如，任何合适的存储设备，诸如非暂时性计算机可读介质。硬盘驱动器(hdd)、随机存取存储器(ram)、闪存或其他合适的存储器。
92.可替代地，或与上述相结合，传感器208和gps接收器210可以将数据直接发送到非易失性存储206。在该实施例中，cpu 202可以从存储器204存取数据(例如，位置和/或事件数据)。在一些非限制性实施例中，非易失性存储206可以包括固态存储设备(例如，“闪存”存储设备)或传统存储设备(例如，硬盘)。具体地，gps接收器210可以以类似的方式将位置数据(例如，纬度、经度等)发送到cpu 202、存储器204或非易失性存储206。在一些非限制性实施例中，cpu 202可以包括现场可编程门阵列或定制的专用集成电路。
93.如图2中所示，设备200包括多个网络接口，其包括蜂窝收发器212、无线收发器214和蓝牙收发器216。蜂窝收发器212允许设备200将由cpu 202处理的数据经由任何无线电接入网络发送到服务器。另外，cpu 202可以基于检测到的网络状态来确定使用蜂窝收发器212、无线收发器214和蓝牙收发器216传输的数据的格式和内容。收发器212、214、216各自可以独立地是发射器、接收器，或者既是发射器又是接收器，或者可以配置为用于发射和接收两者的单元或设备。例如，发射器和/或接收器(就无线电部件而言)也可以实现为射频拉远头，其不位于设备自身中，而是位于例如天线塔(mast)中。
94.图3是示出的根据某些非限制性实施例的可用于跟踪和监视宠物的设备的逻辑框图。如图3所示，设备300(如图1中所示的跟踪设备102，也称为可穿戴设备)或图1中所示的移动设备104，其可包括gps接收器302、地理围栏检测器304、传感器306、存储308、cpu 310和网络接口312。地理围栏可以指如下所述的地理定位围栏。gps接收器302、传感器306、存储308和cpu 310可以分别类似于gps接收器210、传感器208、存储器204/非易失性存储206或cpu 202。网络接口312可以对应于一个或多个收发器212、214、216。设备300还可以包括一个或多个电源，诸如电池。设备300还可包括充电端口，其可用于给电池充电。充电端口可以是，例如，a型通用串行总线(“usb”)端口、b型usb端口、迷你usb端口、微型usb端口或任何其他类型的端口。在一些其他非限制性实施例中，设备300的电池可以无线充电。
95.在所示实施例中，gps接收器302记录与设备300相关联的位置数据，位置数据包括
将设备300的位置表示为时间函数的多个数据点。
96.在一个非限制性实施例中，地理围栏检测器304存储关于已知地理围栏区域的信息。例如，地理围栏检测器304可以存储多个多边形地理围栏的多个纬度和经度点。纬度和/或经度点或坐标可以由用户手动输入和/或由可穿戴设备自动检测。在替代实施例中，地理围栏检测器304可以存储已知wlan网络服务集标识符(ssid)的名称并将每个ssid与地理围栏相关联，如关于图4更详细地讨论的那样。在一个非限制性实施例中，地理围栏检测器304还可以存储除ssid之外的一个或多个阈值，用于确定设备300何时离开地理围栏区域。尽管作为单独的部件被示出，但是在一些非限制性实施例中，地理围栏检测器304可以在cpu 310内实现，例如，作为软件模块。
97.在一个非限制性实施例中，gps接收器302可以经由存储308将纬度和经度数据发送到地理围栏检测器304，或者可替代地，经由cpu 310间接地发送到存储308。地理围栏可以是为给定宠物定义的虚拟围栏或安全空间。地理围栏可以基于纬度和/或经度坐标和/或给定的wlan连接信号的边界来定义。例如，地理围栏检测器304接收表示设备300的当前位置的纬度和经度数据，并确定设备300是否在地理围栏区域内或已经离开地理围栏区域。如果地理围栏检测器304确定设备300已离开地理围栏区域，则地理围栏检测器304可将该通知发送到cpu 310以进行进一步处理。在由cpu 310处理完通知后，可以直接或经由服务器将通知发送到移动设备。
98.可替代地，地理围栏检测器304可以查询网络接口312以确定该设备是否连接到wlan网络。在该实施例中，地理围栏检测器304可以将当前wlan ssid(或者并没有)与已知ssid列表进行比较。已知ssid列表可以基于由用户先前已批准的那些wlan连接。例如，可以在给定的可穿戴设备的设置过程期间要求用户批准ssid。在另一个示例中，可以基于用户的移动设备已知的那些wlan连接来自动填充已知ssid列表。如果地理围栏检测器304未检测到设备300当前连接到已知的ssid，则地理围栏检测器304可以向cpu 310发送设备已离开地理围栏区域的通知。可替代地，地理围栏检测器304可以接收wlan网络的强度并确定wlan连接的当前强度是否在预定的阈值内。如果wlan连接在预定的阈值之外，则可穿戴设备可能是靠近地理围栏的外部边界。一旦超过网络强度阈值就接收通知，可以允许用户接收宠物即将离开地理围栏的抢先的警告。
99.如图3所示，设备300还包括存储308。在一个非限制性实施例中，存储308可以存储由设备300感测或接收的过去或先前的数据。例如，存储308可以存储过去的位置数据。在其他非限制性实施例中，作为存储先前感测和/或接收的数据的替换，设备300可以将数据传输到服务器，诸如图1中所示的服务器106。先前的数据然后可以被用来确定健康指标，健康指标可以存储在服务器上。服务器然后可以将它已基于它接收的最近的数据确定的健康指标与存储的健康指标进行比较，存储的健康指标可以基于先前存储的数据。可替代地，在某些非限制性实施例中，设备308可以使用其自身的计算机能力或硬件来确定健康指标。使用设备308跟踪健康指标或度量的变化可以帮助限制或避免向服务器传输数据。由服务器106做出的健康评估和/或健康建议可以基于先前存储的数据。例如，健康评估可以包括皮肤病诊断(如红肿)、耳部感染、关节炎诊断、心脏病发作和/或胰腺病发作。
100.在一个非限制性示例中，存储的数据可以包括描述步行环境信息的数据，该数据可以包括当日时间、跟踪设备的位置、关于跟踪设备离开地理围栏区域的先前时间的与设
备相关联的的移动数据(例如，速度、加速度等)。可以通过从gps接收器接收的时间戳或通过跟踪设备的内部计时器来确定当日时间。
101.cpu 310能够控制对存储308的存取，从存储308检索数据，以及将数据经由网络接口312发送到联网设备。如关于图4更全面地讨论的那样，cpu 310可以从地理围栏检测器304接收离开地理围栏区域的指示并且可以使用网络接口312与移动设备通信。在一个非限制性实施例中，cpu 310可以从gps接收器302接收位置数据，并且可以将位置数据存储在存储308中。在一个非限制性实施例中，存储位置数据可以包括将时间戳与数据相关联。在一些非限制性实施例中，cpu 310可以根据预定义的间隔从gps接收器302检索位置数据。例如，预定义的时间间隔可以是每三分钟一次。在一些非限制性实施例中，可以基于估计的行走长度或设备300的剩余的电池续航来动态地改变该间隔。cpu 310还可以将位置数据经由网络接口312发送到移动设备或存储单元。
102.图4是示出的根据某些非限制性实施例的用于跟踪宠物的方法的流程图。在步骤402中，方法400可用于监视设备的位置。在一个非限制性实施例中，监视设备的位置可以包括以规则的间隔离散地监视设备的gps位置。例如，在步骤402中，可穿戴设备可以离散地每五秒轮询一次gps接收器并检索设备的纬度和经度。或者，在一些其他非限制性实施例中，可以使用对gps位置的连续的轮询。相对于连续地轮询设备，通过离散地轮询gps接收器，该方法可以延长移动设备的电池续航，并减少由移动设备消耗的网络或设备资源的数量。
103.在其他非限制性实施例中，方法400可以利用其他方法来估计设备的位置，而不依赖于设备的gps位置。例如，方法400可以通过确定设备是否连接到已知的wlan连接并且使用对wlan的连接作为设备位置的估计来监视设备的位置。在另一个非限制性实施例中，可穿戴设备可以通过蓝牙网络与移动设备配对。在该实施例中，方法400可以使用例如移动设备的gps坐标来查询配对的设备以确定其位置。
104.在步骤404中，方法400可以包括确定设备是否已离开地理围栏区域。如上文所讨论的，在一个非限制性实施例中，方法400可以连续地轮询gps接收器以确定设备的纬度和经度。在该实施例中，方法400然后可以将接收的纬度和经度与已知的地理围栏区域比较，其中地理围栏区域包括限定区域(诸如多边形区域)的纬度和经度点集合。当使用wlan来指示位置时，方法400可以确定在未检测到已知的wlan的存在时设备离开了地理围栏区域。例如，跟踪设备可以配置成识别家庭网络(例如，使用网络的ssid)。当设备在家中时(例如，当宠物在家中时)，方法400可以确定设备未离开地理围栏区域。然而，当设备移出已知的wlan的范围时，方法400可以确定宠物已经离开地理围栏区域，从而基于wlan信号的等值线(contour)隐式地构建地理围栏区域。
105.可替代地，或结合前述，方法400可以采用连续检测方法来确定设备是否离开地理围栏区域。具体地，wlan网络通常在接收器距离无线接入点或基站越远时信号强度降低。在一个非限制性实施例中，方法400可以从无线收发器接收已知的wlan的信号强度。在该实施例中，方法400可以设置一个或多个预定义阈值以确定设备是否离开地理围栏。
106.例如，假设的wlan可以具有介于10和0之间的信号强度，分别代表最强的可能的信号和未检测到信号。在某些非限制性实施例中，方法400可以在确定设备已离开地理围栏区域之前监视为零的信号强度。可替代地，或者结合前述，方法400可以将阈值信号强度值设置为3作为地理围栏区域的边界。在该示例中，当网络的信号强度下降到低于3的值时，方法
400可以确定设备离开了地理围栏。在一些非限制性实施例中，方法400可以利用定时器来允许网络信号强度返回到预定义阈值以上的可能性。在该实施例中，方法400可以允许wlan信号强度的暂时的中断以避免错误判断和/或短期存在。
107.在方法400中，如果服务器确定可穿戴设备尚未离开地理围栏区域，则方法400可以在步骤402中继续离散地或连续地监视设备位置。或者，如果方法400确定设备已经离开地理围栏区域，则传感器可以发送指示可穿戴设备开启照明设备的信号，如步骤406所示。例如，照明设备可以包括发光二极管(led)或任何其他灯。照明设备可以安置于可穿戴设备的外壳内，并且可以至少照亮可穿戴设备的顶盖，也称为可穿戴设备。在另一示例中，照明设备可以照亮可穿戴设备的至少一部分和/或整个表面。在某些非限制性实施例中，作为照明设备的替换，可穿戴设备可以包括任何其他指示器，诸如声音设备，其可以包括扬声器和/或振动设备。因此，在步骤406中，可以开启或激活上述任一指示器，无论是照明设备、声音设备还是振动设备。
108.在某些非限制性实施例中，可以提示移动设备用户确认可穿戴设备是否已经离开地理围栏区域。例如，可穿戴设备可以经由蓝牙连接与移动设备配对。在该实施例中，方法400可以包括在步骤406中通过蓝牙连接提醒设备照明设备已经开启，和/或在步骤404中通过蓝牙连接提醒设备可穿戴设备已经离开地理围栏区域。用户然后可以确认可穿戴设备已经离开地理围栏区域(例如，通过提供屏幕上的通知)。或者，可以通过基于从移动设备接收到的数据从服务器接收通知来通知用户。
109.可替代地，或结合前述，方法400可基于时间推断行走的开始。例如，用户可以在一天中的某些时间(例如，早晨、下午或夜晚)安排行走。作为检测设备是否离开了地理围栏区域的一部分，方法400可以进一步检查已知的行走的时间表以确定离开地理围栏的时间是否发生在预期的行走时间(或在其可接受的偏差内)。如果该时间指示预期的行走时间，则可略过向用户发出的可穿戴设备已离开地理围栏区域的通知。
110.可替代地，或结合前述，方法400可以采用机器学习技术来推断行走的开始而不需要来自用户的上述输入。机器学习技术，诸如前馈网络、深度前馈网络、深度卷积网络和/或长期或短期记忆网络，可用于由服务器接收并由可穿戴设备感测的任何数据。例如，在检测到可穿戴设备离开地理围栏区域的最初的几个实例期间，方法400可以继续提示用户以确认他们知道可穿戴设备的位置。当方法400接收到来自用户的确认或否认时，方法400可以训练位于服务器中的学习机器来识别与离开地理围栏区域相关联的条件。例如，在几次提示确认之后，服务器可以确定在工作日的上午7:00到上午7:30之间，跟踪设备多次离开地理围栏区域(即，符合宠物的早晨行走)。相关地，服务器可以获知相同的事件(例如，早晨行走)可以在周末的晚些时候(例如，在上午8:00到上午8:30之间)发生。因此，服务器可以训练自己确定可穿戴设备离开地理围栏区域的各种时间，并且不对这样的离开做出反应。例如，在周末的上午8:00到上午8:30之间，即使检测到离开，服务器也将不会指示可穿戴设备开启照明设备406。
111.在某些非限制性实施例中，可穿戴设备和/或服务器可以继续监视位置并记录可穿戴设备的gps位置，如步骤408所示。在步骤410中，可穿戴设备可以将位置信息发送到服务器和/或移动设备。
112.在一个非限制性实施例中，方法400可以连续地轮询可穿戴设备的gps位置。在一
些非限制性实施例中，可以基于设备的电池电量来调整gps设备的轮询间隔。例如，如果可穿戴设备的电池电量低，则可以减少轮询间隔。在一个非限制性示例中，轮询间隔可以从每3分钟一次减少到每15分钟一次。在可替代的实施例中，可以基于可穿戴设备在地理围栏区域之外的预期的时间长度来调整轮询间隔。即，如果在地理围栏区域外的时间预计持续三十分钟(例如，在遛狗时)，则服务器和/或可穿戴设备可以基于电池续航计算最佳轮询间隔。如上所述，行走的长度可以由用户手动输入，或者可以基于先前的行走利用机器学习或人工智能算法来确定。
113.在步骤412中，服务器和/或可穿戴设备可以确定可穿戴设备是否已经进入地理围栏区域。如果不是，则可以重复步骤408、410。进入地理围栏区域可以是再度进入地理围栏区域。即，可以确定可穿戴设备已经进入地理围栏区域，其在之前已经离开了该地理围栏区域。如上所述，服务器和/或可穿戴设备可以利用轮询间隔来确定发送数据的频率。在一个非限制性实施例中，可穿戴设备和/或服务器可以使用蜂窝或其他无线电网络发送位置数据。用于通过蜂窝网络传输位置数据的方法在共同拥有的名称为“用于压缩高保真运动数据以通过受限带宽网络传输的系统和方法(system and method for compressing high fidelity motion data for transmission over a limited bandwidth network)”的第15/287,544号美国非临时申请中进行了更全面的描述，该美国非临时申请以全文引用的方式并入本文。
114.最后，如果服务器和/或可穿戴设备确定可穿戴设备已经进入地理围栏区域，则可以关闭位于可穿戴设备上的照明设备或位于任何其他指示设备。在一些非限制性实施例中，当可穿戴设备离开地理围栏区域时，用户可以选择关闭照明设备，图4未示出。例如，当移动设备的用户确认可穿戴设备已经离开地理围栏区域时，用户可以指示服务器指示可穿戴设备，或者直接指示可穿戴设备，以关闭照明设备。
115.图5是示出的根据某些非限制性实施例的用于跟踪和监视宠物的方法的流程图。图5所示方法的步骤可以由服务器、可穿戴设备和/或移动设备执行。可穿戴设备可以感测、检测或收集与宠物相关的数据。数据可以包括例如与宠物的位置或移动有关的数据。在某些非限制性示例中，可穿戴设备可以包括一个或多个传感器，其可以允许可穿戴设备检测宠物的运动。在一些非限制性实施例中，传感器可以是安装在项圈上的三轴加速度计，其可以允许可穿戴设备检测宠物的各种身体活动。各种身体活动可以包括例如与搔痒、抓挠、舔、行走、喝、进食、睡觉和摇晃相关联的任何身体活动，和/或与由宠物执行的动作相关联的任何其他身体活动。在某些示例中，一个或多个传感器可以检测到宠物跳来跳去、对食物兴奋、贪婪地进食、从墙上的碗里喝和/或在房间里走来走去。一个或多个传感器还可以在医疗程序或兽医诊治(诸如阉割或卵巢子宫切除诊治)之后检测宠物的活动。
116.在某些非限制性实施例中，经由一个或多个传感器收集的数据可以与从其他来源收集的数据组合。在一个非限制性示例中，从一个或多个传感器收集的数据可以与使用视频录制设备获取的视频和/或音频数据组合。组合来自一个或多个传感器和视频录制设备的数据可以称为数据准备。在数据准备期间，视频和/或音频数据可以利用视频标记，诸如行为标记软件。视频和/或音频数据可以与从一个或多个传感器收集的数据一起同步和/或存储。同步可以包括将传感器数据与视频标签进行比较，以及将传感器数据与视频标签对齐到分、秒或亚秒精度。数据可以由用户手动对齐或自动对齐，诸如使用半监督方法来估计
偏移。可以使用机器学习或本文描述的任何算法来分析来自一个或多个传感器和视频录制设备的组合的数据。数据也可以被标记为训练数据、验证数据和/或测试数据。
117.可以连续或离散地感测、检测或收集数据，如图4中关于位置数据所讨论的。在某些非限制性实施例中，可穿戴设备可连续地感测或检测宠物的活动，同时连续地收集数据，但可穿戴设备可将信息离散地发送到服务器以节省电池电量和/或网络资源。换句话说，可穿戴设备可以连续地监视或跟踪宠物，但每隔一有限的时间段就会传输一次收集到的数据。例如，用于传输的有限的时间段可以是一小时。
118.在步骤501中，可以在服务器和/或用户的移动设备处接收来自可穿戴设备的与宠物相关的数据。一旦被接收，数据就可以被服务器和/或移动设备处理以确定宠物的一项或多项健康指标，如步骤502所示。服务器可以利用机器学习工具，例如，使用卷积神经网络和/或循环神经网络层的深度神经网络，如下所述。机器学习工具可以被称为活动识别算法或模型。在某些非限制性实施例中，机器学习工具可以包括一个或多个层模块，如图7所示。使用该机器学习工具，可以确定健康指标，也称为穿戴该设备的宠物的行为。一项或多项健康指标包括发痒、抓挠、舔、行走、喝、进食、睡眠和摇晃的度量。该度量可以是例如行走的距离、睡眠的时间和/或宠物的搔痒程度。
119.可以训练机器学习工具。例如，为了训练机器学习工具，服务器可以聚合来自多个可穿戴设备的数据。来自多个可穿戴设备的数据的聚合可以称为众包数据。从一只或多只宠物收集的数据可以被聚合和/或分类以学习在数据中存在的一个或多个趋势或关系。服务器可以使用学习到的趋势或关系从接收到的数据确定、预测和/或估计健康指标。健康指标可用于确定由宠物表现出的任何行为，这些行为可能影响宠物的健康或健壮。机器学习还可以用于对在健康指标与对宠物的健康或健壮的潜在的影响之间的关系建模。例如，宠物患有一个或一组疾病(诸如皮肤病)的可能性。机器学习工具可以是自动化的和/或半自动化的。在半自动化模型中，机器学习可以由人类程序员协助，该程序员干预自动化过程并帮助识别或验证在机器学习过程期间被处理的数据中的一个或多个趋势或模型。
120.在某些非限制性实施例中，用于将数据(例如，时间序列加速度计读数)转变为预测的健康指标的机器学习工具可以使用窗口化方法，该方法预测较小时间窗口的行为。这样的实施例可以产生每个窗口的单个预测。另一方面，除了使用较小时间窗口和包含在其中的数据之外的其他非限制性实施例，机器学习工具可以在聚合的数据量上运行。从可穿戴设备接收到的数据可以在其被馈送进入机器学习工具之前被聚合，借此允许对大量数据点进行分析。例如，数据的聚合可以将最初在3赫兹的频率窗处接收的数据点分解为一小时中的分钟数、一天中的小时数、一周中的天数、一年的月份数或任何其他可以简化处理并帮助机器学习工具的建模的周期性。当数据被聚合不止一次时，可以在数据聚合上建立层次结构。层次结构可以基于放置聚合数据的数据仓的周期性，数据的每次重新聚合减少可以放置数据的仓的数量。
121.例如，在一些非限制性实施例中将使用较小时间窗口逐一处理的720个数据点可以聚合成以供机器学习工具处理的10个数据点。在进一步的示例中，可以将聚合的数据重新聚合到更少数量的仓中，以帮助进一步减少待由机器学习工具处理的数据点的数量。通过在聚合的数据量上运行可以帮助产生大量的匹配和/或预测。其他非限制性实施例可以以更有效的方式学习趋势和对趋势建模，减少处理所需的时间量并提高准确率。上述的聚
合层次结构还有助于减少存储量。某些非限制性实施例可以以高聚合层次结构格式存储数据，而不是存储原始数据或在聚合层次结构中较低的数据。
122.在一些其他实施例中，聚合可以在使用神经网络的机器学习过程之后发生，数据在被机器学习工具处理之前仅仅被重新采样、过滤和/或转换。过滤可以包括去除干扰，诸如布朗噪声或白噪声。重新采样可以包括拉伸或压缩数据，而转换可以包括翻转所接收的数据的坐标轴。转换还可以利用数据信号的自然对称性，诸如左/右对称性和不同的项圈位置。在一些非限制性实施例中，数据增强可以包括向信号添加噪声，诸如布朗噪声、粉红噪声或白噪声。
123.在步骤503中，可以基于一项或多项健康指标执行宠物的健康评估。例如，健康评估可以包括由健康指标确定和/或建议的一种或多种疾病、健康状况和/或其任何组合的指示。例如，健康状况可以包括以下一个或多个：皮肤病、耳朵感染、关节炎、心脏病发作、牙齿骨折、十字韧带撕裂、胰腺病发作和/或它们的任何组合。在某些非限制性实施例中，服务器可以基于宠物的健康评估来指示可穿戴设备开启照明设备，如步骤504所示。在步骤505中，可以将所述健康指标与一个或多个存储的健康指标进行比较，存储的健康指标可以基于先前接收的数据。如果通过将健康指标与存储的健康指标进行比较检测到阈值不同，则健康评估可以反映这样的检测。例如，服务器可以通过给定的阈值检测到宠物睡眠更少了，通过给定的阈值检测到搔痒更多了，通过给定的阈值检测到进食更少了。基于这些给定或预设的阈值，可以执行健康评估。在一些非限制性实施例中，还可以使用上述的机器学习工具确定阈值。例如，健康评估可以识别宠物超重或宠物可能患有疾病。
124.在步骤506中，服务器可以基于健康评估确定宠物的健康建议或健身促进。在某些非限制性实施例中，健身促进可以是宠物的锻炼方案。例如，健身促进可以是让宠物每天行走一定数量的步数和/或每天跑步一定数量的步数。例如，健康建议或健身促进可以向用户提供用于治疗宠物的潜在健壮或健康风险的建议。例如，健康建议可以将健康评估通知用户并建议用户将宠物带到兽医处进行评估和/或治疗，或者可以提供具体的治疗建议，诸如建议给宠物喂某种食物或建议使用非处方药。在其他非限制性实施例中，健康建议可以包括购买一种或多种宠物食品、一种或多种宠物产品和/或其任何组合的建议。在步骤507和508中，可以将健康评估、健康建议、健身促进和/或它们的任何组合从服务器发送到移动设备，其中可以显示健康评估、健康建议和/或健身促进，诸如，在移动设备的图形用户界面上。
125.在一些非限制性实施例中，由服务器接收的数据可以包括使用gps确定或获得的位置信息。数据可以通过gps在可穿戴设备处接收并发送到服务器。位置数据可以与上述任何其他数据类似地用于确定宠物的一项或多项健康指标。在某些非限制性实施例中，对可穿戴设备的位置的监视可以包括识别在可穿戴设备附近的活动无线网络。当活动无线网络在可穿戴设备附近时，可穿戴设备可以连接到无线网络。当可穿戴设备已离开地理围栏区域时，活动无线网络可不再位于可穿戴设备附近。在其他实施例中，地理围栏可以使用纬度和经度坐标预先确定。
126.某些非限制性实施例可涉及用于数据分析的方法。该方法可以包括在装置处接收数据。数据可以包括财务数据、网络安全数据、电子健康记录、声学数据、人类活动数据或宠物活动数据中的至少一个。该方法还可以包括使用两个或两个以上的层模块来分析数据。
每个层模块包括多对多方法、跨步、下采样、池化、多尺度缩放或批归一化中的至少一个。此外，该方法可以包括基于所分析的数据确定输出。输出可以包括健康评估、健康建议、财务预测或安全建议。两个或两个以上的层可以包括全分辨率卷积神经网络、第一池化堆栈、第二池化堆栈、重采样步骤、瓶颈层、循环堆栈或输出模块中的至少一个。在一些实施例中，所确定的输出可以显示在移动设备上。
127.如图5所示的示例实施例中所述，可以接收、处理和/或分析数据。在某些非限制性实施例中，可以使用时间序列分类算法来处理数据。时间序列分类算法可用于评估或预测给定的时间段内的数据。跟踪宠物的随时间的即时活动的活动识别算法可以是时间序列分类算法的示例。虽然一些时间序列分类算法可以利用k最近邻和支持向量机方法，但其他算法可以利用基于深度学习的方法，诸如下面描述的那些示例。
128.在某些非限制性实施例中，活动识别算法可以利用机器学习模型。在这样的实施例中，可以获取合适的时间序列，其可以用于对接收到的数据进行帧化。然后可以在一个或多个有限的时间窗口上计算手工制作的统计数据和/或光谱特征向量。特征可以是通过可穿戴设备观察到的个体的可测量属性或特性。特征向量可以包括一个或多个特征的集合。手工制作可以指使用手动预定义算法导出的那些特征向量。训练模型(诸如k最近邻(knn)、朴素贝叶斯(nb)、决策树或随机森林、支持向量机(svm)或任何其他已知的训练模型)可以将计算出的特征向量映射到活动预测。可以在新的或留出(held-out)的时间序列数据上评估训练模型以推断活动。
129.可以使用或集成一个或多个训练模型来改进预测结果。例如，可以使用基于集成(ensemble-based)的方法来集成一个或多个训练模型。基于转换的集成集合(cote)和分层投票变体hive-cote是基于集成方法的示例。
130.一些其他实施例可以利用一个或多个深度学习或神经网络模型，而不是使用机器学习模型或工具，诸如knn、nb或svm。深度学习或神经网络模型不依赖于手工制作的特征向量。相反，深度学习或神经网络模型使用从训练过程中获得的学习的特征向量。在某些非限制性实施例中，神经网络可以包括由许多原始构建块组成的计算图，每个块执行其输入的加权和并且引入非线性。在一些非限制性实施例中，深度学习活动识别模型可以包括卷积神经网络(cnn)分量。虽然在某些示例中，神经网络可以为每个输入输出对训练学习的权重，但cnn可以沿其输入对可训练的固定长度的内核或滤波器进行卷积。换句话说，cnn可以学习识别较小的原始特征(低级别)并以复杂的方式组合它们(高级别)。
131.在某些非限制性实施例中，池化、填充和/或跨步可用于在卷积被执行的维度上减小cnn输出的大小，从而降低计算成本和/或减少过度训练的可能性。跨步可以描述过滤器窗口滑动的大小或步数，而填充可以包括用零填充数据的某些区域以在跨步之前或之后缓存数据。例如，池化可以包括简化由卷积层或任何其他层收集的信息，并创建包含于层内的信息的精简版本。在一些示例中，一维(1-d)cnn可用于处理使用滑动窗口生成的固定长度的时间序列片段。这样的1-d cnn可以以多对一配置运行，该配置利用池化和跨步以串联最终cnn层的输出。然后可以使用全连接层在一个或多个时间步处生成分类预测。
132.与沿输入信号对固定长度的内核的1-d cnn卷积相反的是，循环神经网络(rnn)按顺序处理每个时间步，使得rnn层的最终输出是每个在先时间步的函数。在某些非限制性实施例中，可以使用称为长短期记忆(lstm)模型的rnn变体。lstm可以包括记忆单元和/或一
个或多个控制门，以对长序列中的时间依赖性进行建模。在某些示例中，lstm模型可以是单向的，这意味着模型按照记录或接收的顺序处理时间序列。在另一个示例中，如果整个输入序列可用，则可以在相反的方向上，在时间上向前和向后，评估两个并行的lstm模型。两个并行lstm模型的结果可以串联起来，形成双向lstm(bi-lstm)，其可以对两个方向的时间依赖性进行建模。
133.在一些非限制性实施例中，可以组合一个或多个cnn模型和一个或多个lstm模型。组合的模型可以包括四个未跨步cnn层的堆栈，其后可以跟两个lstm层和一个softmax分类器。softmax分类器可以对概率分布进行归一化，该概率分布包括与输入的指数成正比的多个概率。例如，cnn的输入信号没有被填充，使得即使这些层是未跨步的，每个cnn层将时间序列缩短几个样本。lstm层是单向的，因此对应于最终lstm输出的softmax分类可用于训练和评估，以及重组来自滑动窗口段的输出时间序列。然而，组合的模型可以以多对一配置运行。
134.图6示出了根据某些非限制性实施例的两个深度学习模型的示例。特别地，图6示出了多对一模型601和多对多模型602。在多对一方法或模型601中，可以首先将输入分成若干固定长度的重叠窗口。然后该模型可以逐一处理每个窗口，为每个窗口产生一个分类预测，并且可以将这些预测串联成一个输出时间序列。因此可以为每个窗口评估多对一模型601一次。另一方面，在多对多模型602中，可以通过单个模型评估产生整个输出时间序列。多对多模型602可用于一次处理一个或多个输入信号，而不需要滑动的固定长度的窗口。
135.在某些非限制性实施例中，模型可以合并取自一个或多个模型或方法的特征或元素。这样做可以有助于提高模型的准确率，防止偏差，提高泛化，并允许更快地处理数据。使用来自多对多方法的元素可以允许处理整个输入信号，输入信号可以包括一个或多个信号。在一些非限制性实施例中，模型还可以包括跨步或下采样。模型的每一层都可以使用跨步来减少处理后输出的样本的数量。使用跨步或下采样有助于提高计算效率，并允许后续层在更长的时间范围内对动态进行建模。在某些非限制性实施例中，该模型还可以利用多尺度缩放，这可以帮助在输出频率之外进行下采样以对更长范围的时间动态建模。
136.利用多对多模型、跨步或下采样、自动缩放和多尺度缩放的特征或元素的模型可以允许将模型应用于任意长度的时间序列。例如，模型可以推断出与输入长度成比例的长度的输出时间序列。使用多对多模型(可称为序列到序列模型)的特征或元素可以使模型不受其输入的长度的限制。此外，在一些示例中，对于更大的时间序列长度或滑动窗口长度，将不需要更大的模型。
137.在某些非限制性实施例中，模型可以包括参数化模块的堆栈，其可以被称为灵活层模块(flm)。一个或多个flm可以组合到信号处理堆栈中，并且可以进行调整和重新配置以有效地训练。每个flm可以保持覆盖，这意味着flm的输入和/或输出的序列长度可能因步幅比而不同，和/或输入和输出覆盖的时间段可以相同。flm可以使用以下符号表示：flm
type
(w
out
,s＝1,k＝5,p
drop
＝0.0)。type可以表示主要可训练子层的类型('cnn'表示1-d cnn或'lstm'表示双向lstm)。w
out
可以是输出通道的数量(用于cnn的滤波器的数量或用于lstm的隐藏状态的维数)。s可以表示步幅比(默认为1)，而k可以表示内核长度(对于cnn，默认为5)，以及p
drop
表示丢弃概率(默认0.0)。在某些非限制性实施例中，当s》1时，具有步幅s和池化内核长度s的1-d平均池化将输出长度减少因子s。
138.每个flm可以包含丢弃层，该丢弃层可以在训练期间以概率p
drop
随机地丢弃传感器通道。丢弃层可以用于1d cnn或双向lstm层。1d平均池化层，它在任何s不等于零时对cnn或lstm层的输出进行池化和跨步。1d平均池化层可以称为跨步层，并且可以包括匹配池化步骤，使得所有cnn或lstm输出样本都在flm输出中表示。批归一化(b
bn
)层也可以包含在flm层中。批次处理层和/或丢弃层可用于使网络正则化并改善训练动态。
139.在某些非限制性实施例中，可以将cnn层配置为通过对输入进行零填充，使得输入和输出信号长度相等。因此，每个flm可以将大小为[w
in
,l
in
]的输入张量x
in
映射到大小为[w
out
,l
out
＝l
in
/s]的输出张量x
in
。在一些非限制性实施例中，可以添加其他修改，诸如一个或多个门控循环单元(gru)层，其可以包括循环神经网络中的门控机制。其他修改可以包括对cnn过滤器分组，以及用于池化、跨步和/或扩大的不同的策略。
[0140]
图7(a)和图7(b)示出了根据某些非限制性实施例的模型架构。特别地，图7(a)示出了包括一个或多个flm堆栈的模型的实施例，诸如丢弃层701、1d平均池化702和1d批归一化703，如上所述。图7(b)示出了一种部件架构，其中一个或多个flm可以被分组为可以被参数化和组合以实现不同的速度和复杂度的时间序列分类器的部件。例如，部件架构可以包括一个或多个部件或flm，诸如全分辨率cnn 711、第一池化堆栈712、第二池化堆栈713、瓶颈层715、循环堆栈716和/或输出模块717。部件架构还可以包括重采样步骤714。可以去除图7(b)中所示的一个或多个部件或flm中的任何一个。
[0141]
全分辨率cnn 711可以包括高分辨率处理，其被描述为s＝1且type＝cnn。在某些非限制性实施例中，全分辨率cnn 711可以是cnn过滤器，其可以在没有跨步或池化的情况下处理输入信号，以在最精细的可用时间分辨率下提取信息。在一些非限制性实施例中，该层在计算上可能是开销很高的，因为它可以应用于全分辨率输入信号。第一池化堆栈712可用于从输入频率下采样到输出频率，其可以被描述为s》1且type＝cnn。n
p1
cnn模块(每一者以s跨步)的堆栈712通过的总因子对输入信号进行下采样。n
p1
可以是包含在第一池化堆栈712中的cnn模块的数量。可以使用输出步幅比来确定堆栈712的输出长度以及给定输入的网络的输出长度其中，l
out
是输出长度以及l
in
是输入长度。
[0142]
第二池化堆栈713可用于进一步对信号进行下采样，并且可以被描述为s》1且type＝cnn。模块的该堆栈，每一者以s跨步，进一步对前一层的输出进行下采样，超过输出频率，以捕捉较慢的时间动态。为了防止过度训练，每个连续模块的宽度可以减少因子s使得wi＝w
ps1-i
，其中，其中重采样步骤714也可用于处理信号。在该步骤中，可以通过线性插值对第二个池化堆栈713的输出进行重采样以匹配网络输出长度l
out
。这些输出可以与第一池化堆栈712的最后模块输出串联。没有重采样步骤713，第二池化堆栈713的输出的长度不能匹配输出长度，并且不能一起在下一层被处理。与仅暴露第二池化堆栈713的最终输出相反的是，使用重采样步骤714暴露第二池堆栈713的每个中间输出可以帮助改进模型的训练动态和精确率。
[0143]
该模型还可以包括瓶颈层715，它可以有效地减少来自重采样步骤714的串联的输出的宽度。换句话说，瓶颈层715可以帮助最小化在循环堆栈716中所需的所学习权重的数
量。该瓶颈层可以允许从第二池化堆栈713和重采样步骤714串联大量通道，而不会导致过度训练或过度减慢网络。作为具有内核长度k＝1的cnn，瓶颈层715可以类似于在每个时间步独立地应用的全连接密集网络。
[0144]
循环堆栈716可以被描述成s＝1且type＝lstm。在某些非限制性实施例中，循环堆栈716可以包括n
l
个循环lstm模块。堆栈716提供允许对长范围的时间动态进行建模和/或提高网络的输出稳定性的额外的容量。输出模块717为每个输出时间步提供预测，并且可以使用s＝1且k＝1进行描述。与瓶颈层715一样，输出模块717可以实现为具有k＝1的cnn。在某些非限制性实施例中，可以使用softmax激活函数来实现多类分类输出，softmax激活函数根据公式将层输出zi转变和归一化为分类概率分布p(z)i。一个或多个层711至717可以独立地被重新配置或被移除以优化模型的属性。
[0145]
图8示出了根据某些非限制性实施例的模型的示例。特别地，图8示出了图7(b)所示模型的变体。基础的lstm(b-lstm)模型801可以仅包括循环堆栈716和输出模块717。换句话说，b-lstm不会对网络输入进行下采样，而是包含一个或多个flm
lstm
层，然后是输出模块。池化cnn(p-cnn)模型802可以包括全分辨率cnn 711、第一池化堆栈712、循环堆栈716和输出模块717。p-cnn模型802因此可以是flm
cnn
层的堆栈，其中一个或多个层被跨步，使得输出频率低于输入频率。相对于未跨步cnn堆栈，模型802可以提高计算效率并增加网络可以建模的时间尺度。
[0146]
池化cnn或lstm模型803(p-c/l)可以包括全分辨率cnn 711、第一池化堆栈712、循环堆栈716和输出模块717。p-c/l可以紧邻在输出模块层之前添加一个或多个以输出频率运行的循环层。多尺度cnn(ms-cnn)804可以包括全分辨率cnn 711、第一池化堆栈712、第二池化堆栈713、重采样步骤714、瓶颈层715和/或输出模块717。多尺度cnn或lstm(ms-c/l)805可以包括全分辨率cnn 711、第一池化堆栈712、第二池化堆栈713、重采样步骤714、瓶颈层715、循环堆栈716和/或输出模块717。ms-cnn和ms-c/l变体通过添加第二池化堆栈和后续的重采样和瓶颈层来修改p-cnn和p-c/l变体。从p-cnn到ms-c/l的该进展证明了通过额外的跨越层和池化层以及通过循环lstm层来提高变体对长范围时间交互进行建模的能力的效果。
[0147]
数据集可用于测试模型的有效性。例如，机会活动识别数据集(opportunity activity recognition dataset)可用于测试图7(b)所示模型的有效性。机会活动识别数据集可以包括使用各种系列的传感器和标签(诸如带有加速度计、陀螺仪和磁传感器的七个惯性测量单元(imu)以及十二个蓝牙加速度计)对几个对象进行六小时的记录。参见：丹尼尔
·
罗根等，“在包含大量网络传感器环境中收集复杂活动数据集(collecting complex activity data sets in highly rich networked sensor environments)”，第七届网络传感系统国际会议(inss'10)，德国卡塞尔，(2010)，在https://archive.ics.uci.edu/ml/datasets/opportunity+activity+recognition获得。机会活动识别数据集以全文引用的方式并入本文。记录每个对象执行预定义和脚本活动的练习会话，作为所有五个会话，其中对象以未定义的顺序执行日常生活的活动。数据集可以在30hz或50hz的频率处提供。在一些示例中，可以使用线性插值来填充缺失的传感器数据。此外，在某些非限制性实施例中，不是使用预定义的缩放将所有通道重新缩放和裁剪到[0,1]区间，而是可以根据训练集的统计数据重新缩放数据以具有零均值和单位标准偏差。
[0148]
图7(c)示出了根据某些非限制性实施例的模型架构。特别地，图7(c)中的实施例显示了cnn模型，它以单步(single shot)方式处理加速器数据。前七层包括细尺度cnn 721和粗尺度rnn堆栈，每层都可以对信号进行两次抽取，以模拟越来越长范围的影响。最后四层(包括混合尺度最终堆栈723)可以组合来自不同的尺度的输出以产生预测。例如，来自粗尺度rnn堆栈722的数据可以以50hz除以16的频率进行插值和合并。
[0149]
由于每个部件中的层数和/或每个通道的配置，诸如跨步和输出层的数量，图8中所示的六个模型变体在它们的实现中可以有很大差异。因此，在下面提供的示例中，可以测试每个变体的特定的参考架构。模型参数保持一致或略有变化，以便准确比较六个变体。图9示出了图8中所示的模型和图7中所示的层模块的示例实施例。具体地，测试的模型的每一层的数量、大小和配置可以在图9中看到。
[0150]
图10示出了图8中所示的模型和图7中所示的层模块中的一个或多个的示例架构。特别地，该模型说明了图8中所示的ms-c/l的更详细的架构。给定层的影响区域(roi)可以指能够影响给定层的输出的计算的最大输入样本数。roi可以通过更大的内核、更大的步幅比和/或额外的层来增加，并且可以代表架构能够建模的时间尺度的上限。在某些示例中，可以为cnn类型的层计算roi，因为双向lstm的影响区域可以是整个输入。flm
cnn
(si,ki)层i的roii可以通过使用以下等式计算：可以通过使用以下等式计算：flm
cnn
(si,ki)层i在堆栈中仅在其他flm
cnn
层之后。
[0151]
如上所述，在某些非限制性实施例中，诸如图7(a)和图7(b)所示的那些，模型可以是用于处理任何长度的信号的多对多模型。然而，在一些非限制性实施例中，由于内存、效率和延时的限制，使用中等固定长度的滑动窗口将长输入信号分成具有一些片段重叠的片段可能是有帮助的。例如，滑动窗口可以具有512个样本的长度。分批处理大小适合可用的内存的片段和/或从处理的片段重建相应的输出信号可能会有所帮助。在某些其他实施例中，信号可以被处理以避免在每个片段的开始和结束处的边缘效应。例如，在片段之间的重叠可以允许去除这些边缘区域而不会在输出信号中产生间隙。重叠可以是50％，或0到100％之间的任何其他数。在又一示例中，为了防止信号不连续，可以使用加权窗(诸如汉宁窗)对片段进行平均，该加权窗可以不强调边缘区域。
[0152]
在某些非限制性实施例中，可以使用基于样本和基于事件的度量来计算验证和测试集性能。基于样本的度量可以跨所有分类预测被聚合，而不受预测顺序影响。在将输出分割为离散事件后，可以计算基于事件的度量，这可能会受到预测顺序很大的影响。可以为每个输出分类(包括空类)计算基于样本的精确率、召回率和f1分数。f1分数同时考虑了精确率和召回率，可以被计算为例如，可以将整体模型性能总结为跨越非空分类平均的平均f1分数(f
1m
)，或为跨所有分类的加权f1分数(f
1w
)，其中每个分类根据其在真值(ground-truth)标签集中的样本比例进行加权。在其他实施例中，可以使用忽略空分类的非空加权f1分数(f
1w,nn
)。例如，对于基于事件的度量，要将这些广泛的度量精简为单个适合汇总模型整体性能(事件f1度量(f
1e
))的图表。在一些非限制性实施例中，f
1e
可以根据真正例(tp)、假正例(fp)和假负例(fn)计算。计算f
1e
的公式可以表示如下：
[0153]
tp事件可以是正确的(c)事件，而fn事件可以是真实事件，而fp事件可以是不正确的返回事件。为了计算总体的f
1e
，某些非限制性实施例可以将跨所有分类的tp、fp和fn计数直接相加。该分数可以按事件长度加权，这意味着长事件可以与短事件具有相同的影响。模型的训练速度可以被衡量为在给定的计算机上训练模型所花费的总时间，模型的推断速度可以被衡量为在计算系统上对每个输入样本进行分类所花费的平均时间，该计算系统表示模型将会在其上最常运行的系统。
[0154]
图11示出了根据某些非限制性实施例的模型参数的示例。特别地，图11描述了可用于在gpu上训练模型的参数。例如，参数可以包括最大代(epoch)、初始学习率、每批次的样本、训练窗口步、优化器、权重衰减、耐心(patience)、学习率衰减和/或窗口长度。可以使用滑动窗口将训练集和验证集划分为多个片段。窗口长度可以是模型的输出步幅比的整数倍，以最小化实现复杂度。由于在一些测试中窗口长度可以变化，因此可以调整批次大小以保持在批次中输入样本的数量可以是恒定的或近似恒定的。
[0155]
在某些非限制性实施例中，验证损失可用作提前停止或早停(early stopping)度量。然而，在一些非限制性实施例中，由于在验证集中的对象和运行的数量少，验证损失可能噪声太大而不能用作提前停止度量。代替验证损失，某些非限制性实施例可以使用自定义的停止度量，该度量更稳健并且防止性能的波动。自定义的停止度量可以帮助限制模型停止直到模型性能被稳定。可以使用lv/f
1w,v
的指数加权移动平均值(半衰期为3代)来确定平滑的验证度量，其中lv可以是验证损失，并且f
1w,v
可以是在每个训练代之后被计算的验证集的加权f1分数。随着损失和/或f1分数提高，平滑验证度量会降低。不稳定度量也可以计算为过去五个lv/f
1w,v
值的标准偏差、平均值或中位数。可以将更平滑的验证度量和自定义的停止度量相加以产生检查点度量。每当检查点度量达到新的最小值时，模型就会被设置检查点，和/或在没有检查点的耐心代之后可以停止训练。
[0156]
图12示出了根据某些非限制性实施例的代表性模型训练运行的示例。特别地，图12示出了使用图11中所示的参数的ms-c/l模型的训练历史。图12示出了停止度量1201、验证损失1202、验证f1 1203和学习率比率1204。例如，虽然验证损失在15、24、34、41和45代处波动并具有接近全局的最小值，但自定义的停止度量可以更可预测地调整到在43代的最小值。训练可以在53代处停止，并且可以恢复来自43代的模型并用于后续的推断。
[0157]
在某些非限制性实施例中，可以使用多种学习算法来执行集成。具体来说，可以通过执行以下一个或多个步骤来执行n组集成：(a)将训练集和验证集组合成单独的连续的集合；(b)将该集合划分为连续样本的n个不相交组(fold)；(c)训练n个独立模型，其中第i个模型使用第i个组用于验证以及剩余的n-1个组用于训练；以及(d)通过在应用softmax函数之前直接算出输出的平均值，在推断期间将n个模型集成在一起。在一些非限制性实施例中，为了提高效率，可以使用单个计算图来执行n个模型的评估和集成。
[0158]
图13示出了根据某些非限制性实施例的示例模型的性能。特别地，图13显示了b-lstm 801、p-cnn 802、p-c/l 803、ms-cnn 804和ms-c/l 805的性能度量。此外，图13还显示了ms-c/l 805的两个变体的性能，诸如ms-c/l806的4组集成和1/4缩放版本807，其中w
out
值按四分之一缩放。4组ms-c/l模型806可以比其他变体更准确。其他组的变体，诸如3到5组的
ms-c/l集成，可以在许多任务和数据集上表现良好，尤其是当推断速度和模型大小不如其他指标重要时。
[0159]
图14示出了根据某些非限制性实施例的显示模型的性能的热图。图14中所示的热图展示了在模型输出之间的差异，诸如标签(图14中的真值，在机会基准数据集中提供)1401、多尺度cnn/lstm的4组集成1402、多尺度cnn 1403、基线cnn 1404、裸lstm 1405和deepcovlstm 1406。特别地，图14示出了真值标签1401和在几个模型的标准机会测试集中第一次运行的前半部分的模型预测。一种或多种模型(诸如ms-c/l架构)生成较少的短的、虚假事件。这有助于减少假正例计数，同时还可以防止分裂其他的正确事件。例如，在显示的关注区域中，基于事件的f
1e
度量从在多尺度cnn 1403中的0.85增加到在多尺度cnn/lstm的4组集成1402中的0.96，而逐个样本的f
1w
度量仅从0.93增加到0.95。一个或多个模型实现的事件性能可以免除对进一步事件处理和向下选择的需要。
[0160]
图15示出了根据某些非限制性实施例的模型的性能度量。特别地，图15显示了在图14中所示的相同模型的结果，但针对整个测试集进行了计算。图15中显示的基于事件的度量是基于事件的精确率pe，召回率(recall)re，f1分数f
1e
和事件汇总图，每个图都用于单个代表性运行。事件汇总图将真值标签(实际事件)与模型预测(检测事件)进行比较。在某些非限制性实施例中，正确事件(c)可以指示在实际事件和检测事件之间存在1:1的对应关系。事件汇总图描述了缺失的(d-被删除的)或多次检测到(f-被分裂的)的实际事件的数量，以及检测到的碎片(f'-碎片化)和任何虚假检测(i'-插入)。
[0161]
如图15中的结果所示，性能较低的模型p-cnn 1503、b-lstm 1504和/或deepconvlstm 1505精确率低。b-lstm 1504正确地检测了204个事件中的131个，并产生了434个虚假或分裂事件。ms-cnn模型1502展示了向p-cnn模型1503添加额外跨步层的效果，这将模型的影响区域从61个样本增加到765个样本，这意味着ms-cnn模型1502可以模拟发生在12组长区域的动态影响。可以通过添加lstm层以及通过使单个模型难以在没有其他集成的模型同意的情况下注册虚假事件，以进一步改进4组ms-c/l集成1501。deepconvlstm模型1505还包括lstm层，但其roi可以限制为24个样本的输入窗口长度，约为ms-c/l roi的3％。在某些非限制性实施例中，lstm在一个窗口段的隐藏状态不能影响下一个窗口段。
[0162]
图16示出了根据某些非限制性实施例的n组集成ms-c/l模型。特别地，图16显示了基于样本的f
1w 1601和基于事件的加权f1度量f
1e 1602。f
1w
和f
1e
两者随着集成模型的数量在3至5组之间趋于稳定而得到改进。然而，集成推断率1603随着组数的增加而降低。模型集成对准确率的影响，诸如逐个样本f
1w
1601，基于事件的f
1e
1602和集成的推断率1603绘制在图16中。如上所述，模型可以在n-1组上进行训练，剩余的组用于验证。因此，在某些非限制性实施例中，2组模型可以具有与它们的测试集大小相等的验证集，并且可以直接在两个子模型中交换训练集和验证集。更高的n的模型经历了训练验证拆分，对于3组集成、4组集成和5组集成，分别为约67％:33％、约75％:25％和约80％:20％。在一些非限制性实施例中，如图16所示，基于事件的度量1602可以与逐个样本的度量1601相比更多地从集成中受益，如通过集成和子模型度量之间的差异所测量的。
[0163]
图17示出了根据某些非限制性实施例的改变在推断步骤中使用的滑动窗口长度的效果。图17所示的模型是b-lstm 1701、p-cnn 1702、p-c/l 1703、ms-cnn 1704和ms-c/l 1705。尽管一个或多个模型可以处理任意长度的时间序列，但在某些非限制性实施例中，效
率和内存限制会导致加窗的使用。此外，可以使用一些重叠来减少在这些窗口中的边缘效应。例如，可以使用50％的重叠，用汉宁窗加权以不再强调边缘并减少窗口相交处的不连续性的引入。例如，批次大小可以是100个窗口。
[0164]
虽然模型准确率随窗口长度单调增加，但对于包含lstm的模型，推断率可以达到最大值，其中构建和重新组装更长的片段的效率，以及在gpu上一些并行执行的效率，平衡了lstm层在gpu上的低效的顺序执行。虽然平衡可能会有所不同，但256到2048个样本的窗口往往会表现良好。在cpu上，由于较少的并行化，这些影响可能更不突出，尽管一些短窗口可能会表现出开销。可以通过使用gpu lstm实现的方式(诸如加速这些计算的nvidia cuda深度神经网络库(cudnn))以及通过使用使得lstm层的输入序列可以更短的具有大的输出输入步幅比的架构，以缓解在gpu上执行lstm的效率缺陷。
[0165]
在某些非限制性实施例中，一个或多个模型不包括lstm层。例如，p-cnn和ms-cnn变体都不包含lstm层。这些模型可以具有有限的roi，边缘效应只可能在窗口末端的roi/2内出现。换句话说，窗口可以重叠大约roi/2的输入样本，并且窗口可以在丢弃每个重叠区域的一半后被直接串联，而不使用加权窗口。当应用这样的窗口策略时，更长的窗口的效率优势会更加明显，特别是考虑到cnn出色的并行性。在一些示例中，在给定系统内存限制的情况下，可以使用可能的最长的窗口长度来应用为1的批次大小。在一些非限制性实施例中，gpu实现了远大于cpu的推断率。然而，当模型很小时，意味着它们的可训练参数很少或者是基于lstm的，那么可以优选cpu执行。
[0166]
图18示出了根据基于多个传感器的某些非限制性实施例的一个或多个模型的性能。特别地，测试的不同的传感器通道1801的数量可以包括15个加速度计、15个陀螺仪、30个加速度计和陀螺仪、45个加速度计、陀螺仪和磁力计，以及113个机会传感器组。在图18中测试的模型是deepconvlstm 1802、p-cnn 1803和ms-c/l 1804。如图18所示、使用加速度计的模型比陀螺仪更有用，同时使用加速度计和陀螺仪的模型也表现良好。
[0167]
在某些非限制性实施例中，一个或多个模型非常适合具有相对少的传感器的数据集。图18所示的模型在相同的训练集、验证集和测试集上进行训练和评估，但传感器输出的不同的子集从15到113个通道不等。模型架构参数可以保持恒定或接近恒定，但是当输入通道的数量发生变化时，在第一个模型层中可训练的参数的数量会发生变化。进一步的分析可以在图19中看到,其中f
1w,nn
和基于事件的f
1e
两者在ms-c/l、ms-cnn、p-c/l、p-cnn和b-lstm的同一组传感器子集上绘制。
[0168]
ms-c/l模型可以胜过其他模型，尤其是根据基于事件的度量。ms-c/l、ms-cnn和p-c/l模型即使使用较少的传感器也表现出一致的性能。这五个模型具有较长或无界的roi，可以帮助它们补偿缺失的传感器通道。在某些非限制性实施例中，一个或多个模型在45个传感器的子集上表现最佳。这可以表明对于大于45的传感器组，模型可能会被过度训练。
[0169]
图19示出了根据某些非限制性实施例的模型的性能分析。特别地，图19示出了对于各种子集1901的逐个样本f
1w,nn
的进一步分析，和对于在ms-c/l、ms-cnn、p-c/l、p-cnn和b-lstm的同一组传感器子集上绘制的各种子集1902的基于事件的f
1e
的进一步分析。使用更大的传感器子集，包括陀螺仪(g)、加速度计(a)和惯性测量单元的磁(mag)部件，以及所有113个标准传感器通道(all)，有助于提高性能度量。一些模型，诸如ms-c/l、ms-cnn和p-c/l，即使使用较少的传感器通道也能保持相对高的性能。
[0170]
根据一些非限制性实施例，一个或多个模型可用于同时计算多个独立输出。例如，相同的网络可用于同时预测快速变化的行为和缓慢变化的姿势。可以将多个输出的损失函数直接相加在一起，并且可以可以同时在两者上训练网络。这可以允许在两个标签集之间进行一定程度的自动迁移学习。
[0171]
某些非限制性实施例可用于通过改变输出类型(诸如将最终激活函数从softmax更改为sigmoid或线性)和/或将损失函数从交叉熵更改为二值交叉熵或均方误差来确定多标签分类和回归问题。在某些示例中，可以组合在相同模型中的独立输出。此外，在某些非限制性实施例中可以添加一个或多个其他层。某些其他实施例可以通过使用跳跃连接(skip connection)或甚至异构的类初始架构来帮助改进层模块。此外，一些非限制性实施例可以通过例如仅使用cnn或通过用单向lstm替换双向lstm来扩展到实时或流式应用程序。
[0172]
虽然上面描述的一些数据反映了宠物活动数据，但在某些非限制性实施例中，可以使用活动识别时间序列分类算法来处理和/或分析不反映宠物活动的其他数据，以推断所需的输出时间序列。例如，其他数据可以包括但不限于财务数据、网络安全数据、电子健康记录、声学数据、图像或视频数据、人类活动数据或本领域已知的任何其他数据。在这样的实施例中，时间序列的输入可以存在于很多不同的领域中，包括金融、网络安全、电子健康记录分析、声学场景分类和人类活动识别。例如，数据可以是时间序列数据。此外，或者作为替代，数据可以是第一方数据或甲方数据(诸如从可穿戴设备获得的数据)或者第三方数据。第三方数据可以包括不是由给定的公司或实体直接地收集的数据，而是从其他收集实体或公司购买的数据。例如，可以使用数据管理平台访问或购买第三方数据。另一方面，第一方数据可以包括由给定公司直接拥有和/或收集的数据。例如，可以使用由给定的公司提供的产品或服务(诸如可穿戴设备)从消费者收集第一方数据。
[0173]
在一个非限制性实施例中，上述时间序列分类算法可以应用于运动想象脑电图(eeg)数据。例如，可以在执行一个或多个活动的各种对象想象而不是实际执行一个或多个活动时收集eeg数据。使用eeg读数，可以训练时间序列分类算法来预测对象正在想象的活动。确定的分类可用于形成脑机接口，该接口允许用户直接与外部世界通信和/或使用一个或多个想象的活动(也称为大脑意图)来控制仪器。
[0174]
上述示例的性能可以在各种开源eeg意图识别数据集上进行演示，诸如来自physionet的eeg运动神经活动/图像数据集。见g.schalk等，“bci2000：通用脑机接口(bci)系统(bci2000:a general-purpose brain-computer interface(bci)system)”，ieee生物医学工程汇刊，第51(6)期，第1034-1043页(2004年)，可在https：//www.physionet.org/content/eegmmidb/1.0.0/上获取。在某些非限制性实施例中，没有将专门的基于空间或频率的特征提取方法应用于eeg运动神经活动/图像数据集。相反，可以通过将模型直接应用于160hz eeg读数来获得性能。在一些示例中，可以根据训练集的统计数据重新缩放读数以具有零均值和单位标准偏差。为确保数据具有代表性，可以将来自每个对象的数据随机地分成训练集、验证集和测试集，使得来自每个对象的数据在一组中表示。来自对象1、5、6、9、14、29、32、39、42、43、57、63、64、66、71、75、82、85、88、90和102的试验被用作测试对象，来自对象2、8、21、25、28、40、41、45、48、49、59、62、68、69、76、81和105的数据用于验证目的，并且来自其余70名对象的数据被用作训练数据。每个整数可以代表一个测试对象。下面的表1和
表2描述了示例ms-c/l模型的性能：
[0175]
表1应用于eeg意图识别数据集的ms-c/l的层细节。
[0176][0177]1给定的层的层输出长度与系统输入长度的比率。
[0178]
表2、在测试集中每个预期的行为的行为f1分数、精确率和召回率。
[0179][0180]
在某些非限制性实施例中，系统、方法或装置可用于评估宠物健康。如上所述，可以接收与宠物相关的数据。可以从以下数据源中的至少一个接收数据：可穿戴的宠物跟踪或监视设备、基因检测程序、宠物健康记录、宠物保险记录和/或来自宠物主人的输入。可以使用单独的来源收集上述一个或多个数据源。接收到数据后，可以将其聚合到一个或多个数据库中。该过程或方法可以由本文描述的任何设备、硬件、软件、算法或基于云的服务器来执行。
[0181]
基于接收到的数据，可以确定宠物的一项或多项健康指标。例如，健康指标可以包括宠物舔、抓挠、搔痒、行走和/或睡觉的度量。例如，度量可以是宠物每天花在睡觉上的分钟数，和/或宠物每天花在走路、跑步或以其他方式活动的数或分钟。可以确定可以指示宠物的健康的任何其他度量。在一些非限制性实施例中，可以基于一项或多项健康指标来执行宠物的健康评估。例如，健康评估可以包括对皮肤状况、皮肤病、耳/眼感染、关节炎、心脏病发作、心脏状况、心脏疾病、过敏症、牙科状况、牙科疾病、肾脏状况、肾脏疾病、癌症、内分泌状况、内分泌疾病、耳聋、抑郁症、胰腺病发作、胰腺状况、胰腺疾病、肥胖症、代谢状况、代
谢疾病和/或它们的任何组合的评估和/或检测。健康评估还可以包括目前在兽医学中已知的任何其他健康状况、诊断或身体或精神疾病或障碍。
[0182]
基于健康评估，可以确定建议并将其传输给宠物主人、兽医、研究人员和/或其任何组合中的一个或多个。例如，该建议可以包括用于防止宠物患或产生一个或多个疾病、状况、病症和/或其任何组合的一个或多个健康建议。例如，建议可以包括以下中的一个或多个：食物产品、宠物服务、补充剂、药膏、改善宠物的健壮或健康的药物、宠物产品和/或它们的任何组合。换言之，建议可以是营养建议。在一些实施例中，营养建议可以包括给宠物喂食以下一个或多个的指示：咀嚼物、补充剂、食物和/或它们的任何组合。在一些实施例中，建议可以是医学建议。例如，医疗建议可以包括向宠物涂抹药膏、向宠物给予一种或多种药物和/或为宠物或向宠物提供一种或多种药物的指令。
[0183]
术语“宠物产品”可以包括例如但不限于设计、制造和/或旨在供宠物使用的任何类型的产品、服务或器具。例如，宠物产品可以是玩具、咀嚼物、食物、一件衣服、项圈、药物、健康跟踪设备、位置跟踪设备和/或它们的任何组合。在另一个示例中，宠物产品可以包括宠物的基因或dna测试服务。
[0184]
术语“宠物主人”可以包括拥有和/或负责照顾宠物的任何方面的任何个人、组织和/或人员的集合。
[0185]
在某些非限制性实施例中，宠物主人可以从宠物保健提供者购买宠物保险单。为了获得保险单，宠物主人可以每周、每月或每年支付基本成本或费用，也称为保险费。在一些非限制性实施例中，可以与健康评估相关地确定基本成本、基本费用和/或保险费。换句话说，可以确定宠物的健康，并且保险单的保单持有人(例如一个或多个宠物主人)必须支付的基本成本和/或保险费可以根据所确定的宠物的健康来确定。
[0186]
在其他非限制性实施例中，附加费和/或折扣可以被确定和/或应用于宠物的健康保险单的基本成本或保险费。该确定可以是自动的或手动的。附加费和/或折扣的任何更新可以定期地、离散地和/或连续地确定。例如，可以每几个月或几周定期地确定附加费或折扣。在一些非限制性实施例中，附加费或折扣可基于在建议已传输给一个或多个宠物主人之后接收的数据来确定。换言之，数据可用于监视和/或跟踪一个或多个宠物主人是否遵循和/或以其他方式遵守一个或多个提供的建议。如果宠物主人遵循和/或遵守所提供的一项或多项建议，则可以对保险单的基本成本或保险费进行评估或应用折扣。另一方面，如果一个或多个宠物主人未能遵循和/或遵守所提供的建议，附加费和/或增加可以评估或应用于保险单的基本成本或保险费。在某些非限制性实施例中，可以基于数据、健康评估和/或建议中的一个或多个来确定对基本成本或保险费的附加费或折扣。
[0187]
图20示出了根据某些非限制性实施例的用于评估宠物健康的过程的流程图。特别地，图20示出了可以包括预测2001、预防2002、检测2003和治疗2004的连续护理。在预测步骤2001中，数据可用于理解或确定给定的宠物的任何健康状况或易患疾病的倾向。这种对健康状况或易患疾病的倾向的理解或确定可以是健康评估。应当理解，可以使用如本文所述的任何方法来进行健康评估。所确定的健康状况或易患疾病的倾向可用于确定、计算或校准保险单的基本成本或保险费。预测2001可用于向宠物主人或任何其他利益相关方传送或发送健康评估和/或健康建议。例如，在一些非限制性实施例中，仅可以发送健康评估或健康建议，而在其他实施例中，可以发送健康评估和健康建议两者。该建议也可以称为健康
建议、健康提醒、健康卡或健康报告。在某些非限制性实施例中，诸如跟踪设备或监视设备之类的可穿戴设备可用于确定建议。
[0188]
预防2002，如图20所示，包括提高宠物保险单的保险费利润。这个预防步骤可以帮助改善宠物护理并奖励良好的宠物主人行为。特别地，预防2002可以为宠物主人提供建议，帮助宠物主人更好地管理他们的宠物的健康。可以连续地、离散地或周期性地提供建议。在将推荐传输给宠物主人之后，可以收集或接收数据，这些数据可以用于跟踪或追踪宠物主人是否遵循所提供的建议。在发送建议之后，该持续的监视可以聚合到执行情况报告中。然后可以使用执行情况报告来确定是否调整宠物保险单的基本成本或保险费。
[0189]
图20还包括检测2003，其可用于通过早期检测宠物的潜在健康问题来降低干预成本。如预防2002中所示，可以将建议发送或提供给宠物主人。这些建议可以通过及早检测到潜在的健壮或健康问题来帮助降低干预成本。除了所述的建议，或者作为所述建议的一部分，还可以向宠物主人提供远程医疗服务。远程医疗服务可以替代亲自向兽医问诊或者附带有亲自向兽医问诊。远程医疗服务的使用有助于降低与亲自向兽医问诊相关联的成本和管理费用。
[0190]
治疗2004可以包括使用接收的或收集的数据来测量针对各种疾病或健康状况的早期干预的有效性或价值。在某些非限制性实施例中，在宠物主人遵循建议之后，数据可以检测宠物的健康指标。基于数据、健康指标或健康评估，可以确定建议的有效性。例如，建议可以包括向宠物施用热带霜剂或药膏以治疗所评估的皮肤状况。使用热带霜剂或药膏后，收集的数据可以帮助评估治疗皮肤状况的有效性。在某些非限制性实施例中，可以传输反映建议的有效性的度量。例如，建议的有效性可以是与宠物相关的临床有效性或与宠物主人相关的财务有效性。
[0191]
图21示出了根据某些非限制性实施例的在用于评估宠物健康的过程期间执行的示例步骤。特别地，图21示出了图20中所示的预测2001的示例。如前所述，预测2001可以使用数据扫描以用于了解或确定给定的宠物的任何健康状况或易患疾病的倾向。原始数据可用于确定健康指标，诸如每日活动时间或平均抓挠时间。基于所述数据，可以确定宠物的健康评估。例如，如图21所示，37％的具有在20到30分钟之间的平均每日活动时间的成年金毛猎犬和拉布拉多猎犬是超重或肥胖。因此，如果健康指标显示平均每日活动少，则相应的健康评估可以是宠物肥胖或超重。然后，基于健康评估的相关联的建议可以是将平均每日活动增加至少30到40分钟。
[0192]
可以对抓挠进行类似的评估，抓挠可以是健康指标，如图21所示。如果给定的宠物抓挠超过特定体重、品种、年龄等的狗的阈值量，则该宠物可能患有一种或多种皮肤病，诸如皮肤状况、皮肤病、另一种皮肤问题和/或其任何组合。然后可以将相关联的建议提供给以下一个或多个：宠物主人、兽医、研究人员和/或它们的任何组合。在一些非限制性实施例中，健康评估可用于确定宠物的健康和/或宠物对任何健康状况和/或任何疾病的易患病的倾向。例如，该健康评估可用于确定保险单的基本成本或保险费。
[0193]
图22示出了根据某些非限制性实施例的在用于评估宠物健康的过程期间执行的示例步骤。特别地，图22示出了图20中所示的预防2002。基于健康评估，可以确定建议并将其发送给宠物主人。例如，如图21所描述的，建议可以是增加宠物的活动时间。如果宠物主人遵循建议，将宠物的平均每日活动水平的活动水平提高所建议的量，则宠物保险单的成
本基数或保险费可以降低、减少或打折。另一方面，如果宠物主人不遵循建议，宠物保险单的成本基础或保险费可能会增加或有附加费。在一些非限制性实施例中，可以基于用户对建议的遵从或不遵从向用户发送附加建议或提醒。可以基于为给定的宠物收集的数据为宠物主人个性化建议或提醒。可以定期向宠物主人提供建议或提醒，诸如每天、每周、每月或每年。如图22所示，其他健康评估可以包括抓挠或舔的程度。
[0194]
图23示出了根据某些非限制性实施例的在用于评估宠物健康的过程期间执行的示例步骤。特别地，图23示出了图20中所示的干预2003。如图23所示，可以将一个或多个健康卡、报告或提醒发送给宠物主人，以传达遵守或不遵守的情况以及建议。在一些非限制性实施例中，宠物主人可以通过远程医疗平台咨询兽医或宠物保健专业人员。可以使用本领域已知的任何已知远程医疗平台来促进宠物主人和兽医宠物保健专业人员之间的通信。远程医疗访问可以作为传输给宠物主人的建议的一部分。远程医疗平台可以在宠物主人使用的任何用户设备、移动设备或计算机上运行。
[0195]
图24示出了根据某些非限制性实施例在用于评估宠物健康的过程期间执行的示例步骤。特别地，图24示出了图20中所示的治疗2004。如图24所示，收集到的数据可用于衡量图21和图22中建议的干预的经济上的益处和健康益处。例如，在宠物主人遵循建议之后或之前的健康指标(诸如抓挠)的比较可以帮助评估建议的有效性。
[0196]
图25a示出了根据某些非限制性实施例示出的用于评估宠物健康的过程的流程图。特别地，图25a示出了用于使用如本文所述的系统或装置执行的数据分析的方法或过程。该方法或过程可以包括在装置处接收数据，如2502所示。数据可以包括财务数据、网络安全数据、电子健康记录、声学数据、人类活动数据和/或宠物活动数据中的至少一个。如2504所示，该方法或过程可以包括使用两个或两个以上的层模块来分析数据。每个层模块可以包括多对多方法、跨步、下采样、池化、多尺度缩放或批归一化中的至少一个。在某些非限制性实施例中，每个层模块可以表示为：flm
type
(w
out
,s,k,p
drop
,b
bn
)，其中type是卷积神经网络(cnn)，w
out
是输出通道数，s是步幅比，k是内核长度，p
drop
是丢弃概率，以及b
bn
是批归一化。在一些非限制性实施例中，两个或两个以上的层可以包括全分辨率卷积神经网络、第一池化堆栈、第二池化堆栈、重新采样步骤、瓶颈层、循环堆栈或输出模块中的至少一个。
[0197]
如2506所示，该方法或过程可以包括基于所分析的数据确定诸如行为分类或人的预期动作的输出。输出可以包括健康评估、健康建议、财务预测或安全建议。在2508中，该方法或过程可以包括在移动设备上显示所确定的输出。
[0198]
图25b示出了根据某些非限制性实施例示出的用于评估宠物健康的过程的流程图。特别地，图25b示出了使用如本文所述的系统或装置所执行的方法或过程。该方法或过程可以包括接收与宠物相关的数据，如2512所示。数据可以从可穿戴的宠物跟踪或监视设备、基因测试程序、宠物健康记录、宠物保险记录或来自宠物主人的输入中的至少一个中接收。在一些非限制性实施例中，数据可以反映宠物活动或行为。可以在将建议发送到宠物主人的移动设备之前和之后接收数据。根据所述数据，可以确定宠物的一项或多项健康指标，如2514所示。一项或多项健康指标可以包括宠物舔、抓挠、搔痒、行走或睡觉的度量。
[0199]
可以根据宠物的一项或多项健康指标执行健康评估，如2516所示。例如，一项或多项健康指标可以是宠物舔、抓挠、搔痒、行走或睡觉的度量。在2518中，可以基于健康评估将建议发送给宠物主人。健康评估可以包括将一项或多项健康指标与一个或多个存储的健康
指标进行比较，其中存储的健康指标基于与宠物和/或与一个或多个其他宠物相关的先前数据。例如，该建议可以包括用于防止宠物患或产生以下一个或多个的一个或多个健康建议：状况、疾病、病症和/或它们的任何组合。在其他非限制性实施例中，建议可以包括以下一个或多个：食物产品、补充剂、药膏、药物和/或它们的任何组合以改善宠物的健壮或健康。在一些非限制性实施例中，建议可以包括以下一项或多项：联系远程医疗服务的建议、远程医疗访问的建议、远程医疗预约的通知、安排远程医疗预约的通知和/或其任何组合。建议可以发送到一个或多个宠物主人、兽医和/或研究人员的一个或多个移动设备和/或可以显示在一个或多个宠物主人、兽医和/或研究人员的移动设备上，如2520所示。传输的建议可以周期性地、离散地或连续地发送给宠物主人、兽医和/或研究人员。
[0200]
在某些非限制性实施例中，可以基于数据确定或监视建议的有效性或功效。可以发送反映建议的有效性的度量。例如，建议的有效性可以是与宠物相关的临床的有效性或与宠物主人相关的财务的有效性。
[0201]
如图25的2522所示，可以确定要应用于宠物的健康保险单的基本成本或保险费的附加费或折扣。当宠物主人遵循建议时，可以确定要应用于健康保险单的基本成本或保险费的折扣。当宠物主人未能遵循建议时，将确定要应用于健康保险单的基本成本或保险费的附加费。在某些非限制性实施例中，可以向宠物主人或健康保险单的提供者提供要应用于健康保险单的基本成本或保险费的附加费或折扣。在一些非限制性实施例中，宠物的健康保险单的基本成本或保险费可以基于健康评估来确定。将应用于宠物的健康保险单的基本成本或保险费的确定的附加费或折扣可以在建议已被传送给宠物主人后自动地或手动地更新，如2524所示。
[0202]
在某些非限制性实施例中，健康评估和/或建议可以基于包括与多个宠物有关的信息的数据。换言之，可以将给定的宠物的健康指标与多个其他宠物的健康指标进行比较。基于该比较，可以对宠物进行健康评估，并可以提供适当的建议。在一些非限制性实施例中，可以基于单个宠物的健康指标来定制健康评估和健康建议。例如，不是依赖于从多个其他宠物收集的数据，而是可以基于完全或部分基于与单个宠物的行为相关的数据或信息而调整或训练的算法或模块进行确定。然后可以根据单个宠物的行为或特定的健康指标定制对宠物产品或服务的建议。
[0203]
如上所述，例如，健康指标可以包括宠物舔、抓挠、搔痒、行走或睡觉的度量。这些健康指标可以基于从具有一个或多个传感器或加速度计的可穿戴设备收集的数据、信息或度量来确定。从可穿戴设备收集的数据然后可以由活动识别算法或模型处理，也称为活动识别模块或算法，以确定或识别健康指标。活动识别算法或模型可以包括上述层模块中的两个或更多个。在识别健康指标之后，在某些非限制性实施例中，可以要求宠物主人或看护者验证健康指标的正确性。例如，宠物主人或看护者可以在移动设备上接收短信服务、提醒或通知，诸如推送提醒、电子邮件消息，或任何其他类型的消息或通知。该消息或通知可以请求宠物主人或看护者确认由活动识别算法或模型识别的健康指标。在一些非限制性实施例中，消息或通知可以指示收集数据、信息或度量的时间。如果宠物主人或看护者无法确认健康指标，则可以要求宠物主人或看护者输入宠物在指定的时间的活动。
[0204]
在某些非限制性实施例中，可以在确定或识别一项或多项健康指标之后联系宠物主人或看护者。然而，在确定或识别每个健康指标之后，不必需联系宠物主人或看护者。联
系宠物主人或看护者可以是一个不需要管理干预的自动过程。
[0205]
例如，当活动识别算法或模型对所识别或确定的健康指标的置信度较低时，或者当所识别的健康指标可能不正常时，诸如宠物在夜间行走或经历连续两次数小时的抓挠，可以联系宠物主人和看护者。在一些其他非限制性实施例中，当在识别或确定健康指标的指示的时间期间宠物主人或看护者不在他们的宠物周围时，不需要联系宠物主人或看护者。为了确定宠物主人或看护者不在他们的宠物周围，可以将来自宠物主人或看护者的移动设备的所报告位置与可穿戴设备的位置进行比较。可以利用诸如蓝牙的短距离通信方法或确定移动设备与可穿戴设备的接近度的任何其他已知方法来进行确定。
[0206]
在一些非限制性实施例中，可以在识别出一个或多个预定的健康指标之后联系宠物主人或看护者。例如，可以基于活动识别算法或模型经历低精确率或召回率的训练数据或健康指标的缺乏来选择预定的健康指标。宠物主人然后可以使用例如在移动设备上的gui来输入响应，诸如对健康指标或活动的确认或拒绝。宠物主人或看护者的反应可以称为反馈。gui可以列出一项或多项宠物活动或健康指标。gui还可以包括供宠物主人或看护者选择的选项，该选项既不是对健康指标或宠物活动的否认也不是确认。
[0207]
当宠物主人或看护者这在指定的时间期间确认了一项或多项健康指标时，活动训练模型可以基于宠物主人或看护者的确认进一步训练或调整。例如，用于训练或调整活动识别算法或模型的输入的数据可以是指定的时间之前或之后给定的时间段的加速度计数据或传感器数据。活动识别算法或模型的输出可以是整个指定的时间段内宠物舔的大约1的高概率。该方法、过程或系统可以跟踪宠物主人或看护者没有确认的活动，以便在模型训练过程期间可以忽略它们。
[0208]
在某些非限制性实施例中，宠物主人或看护者可以否认在指定的时间期间出现一项或多项健康指标，并且在指定的时间期间不提供与宠物的活动相关的信息。宠物主人可以是宠物的主人，而看护者可以是照顾宠物的任何其他人，诸如遛宠物者、兽医或看护宠物的任何其他人。在这样的实施例中，用于训练或调整活动识别算法或模型的输入的数据可以是在指定的时间之前或之后给定的时间段的加速度计或传感器数据。活动识别算法或模型的输出可以是宠物活动的大约0的低概率。该方法、过程或系统可以跟踪宠物主人或照顾者拒绝哪些活动，以便在模型训练过程期间可以忽略它们。
[0209]
在其他非限制性实施例中，宠物主人或看护者可以否认在指定的时间期间出现一项或多项健康指标，并在指定的时间期间提供与宠物的活动相关的信息。在这样的实施例中，用于训练或调整活动识别算法或模型的输入的数据可以是在指定的时间之前或之后给定的时间段的加速度计数据或传感器数据。活动识别算法或模型的输出可以是所识别的健康指标的大约0的低概率，以及由宠物主人或看护者输入的宠物活动或健康指标的大约1的高概率。该方法、过程或系统可以跟踪宠物主人或照顾者拒绝哪些活动，以便在模型训练过程期间可以忽略它们。
[0210]
在一些非限制性实施例中，宠物主人或看护者不否认或确认发生。在这样的实施例中，宠物主人或看护者的反应或输入可以从训练集中排除。
[0211]
宠物主人或看护者提供的输入或响应可以输入到活动识别模型或算法的训练数据集中。活动识别模块可以是使用众所周知的dnn训练技术训练的深度神经网络(dnn)，诸如随机梯度下降(sgd)或自适应矩估计(adam)。在其他实施例中，活动识别模块可以包括本
文描述的一个或多个层模块。在活动识别模型的训练或调整期间，可以从模型的计算中去除未由宠物主人或看护者指示的健康指标，同时适当地加权相关联的分类损失以帮助训练深度神经网络。换句话说，可以根据宠物主人或看护者的输入来训练或调整深度神经网络。通过使用宠物主人或看护者的输入进行训练或调整，深度神经网络可以帮助更好地识别健康指标，从而提高健康评估和相关联建议的准确率。基于宠物主人或看护者的反应的深度神经网络的训练或调整可以基于稀疏训练，这允许深度神经网络解释低质量或部分数据。
[0212]
在某些非限制性实施例中，由宠物主人或看护者提供的响应超越了与可穿戴设备的传感器或加速度计数据的简单相关性。相反，响应可用于收集和注释附加数据，这些数据可用于训练活动识别模型并改进健康评估和/或提供的建议。可以自动将宠物主人或看护者的反应合并入训练数据集。与必须经由视频确认所确定或识别的健康指标相比，这样的实施例可以更有效且成本密集度更低。在一些非限制性实施例中，自动化过程可以识别活动识别模型的预测失败，将识别出的失败添加到训练数据库，和/或重新训练或重新部署活动识别模型。可以根据由宠物主人或看护者提供的响应来确定预测失败。
[0213]
在一些非限制性实施例中，可以基于执行的健康评估向宠物主人或看护者提供建议。该建议可以包括宠物产品或服务。在某些非限制性实施例中，宠物产品或服务可以基于确定的建议自动发送给宠物主人或看护者。宠物主人或看护者可以订阅或选择自动购买和/或传送建议的宠物产品或服务。例如，基于从可穿戴设备收集的数据，确定健康指标可以是宠物过度抓挠。基于这个健康指标，可以进行健康评估，发现宠物正在经历皮肤问题。为了解决这个皮肤问题，建议皮毛保健餐或消除跳蚤/蜱虫的产品。然后可以将与推荐相关联的宠物产品自动发送给宠物主人或看护者，而宠物主人或看护者不必输入任何信息或批准购买或建议。在其他非限制性实施例中，可以要求宠物主人或看护者使用输入来肯定地批准建议。除了提醒宠物主人或看护者之外，健康评估和/或健康建议可以发送给兽医。发送给兽医的还可以包括建议安排宠物探访，以及建议通过远程医疗服务进行咨询。在又一个实施例中，任何其他与宠物相关的内容、指令和/或指导可以传输给宠物主人、看护者或宠物护理提供者，诸如兽医。
[0214]
图26示出了根据某些非限制性实施例示出的用于评估宠物健康的过程的流程图。特别地，图26示出了用于使用如本文所述的系统或装置所执行的数据分析的方法或过程。在2602中，活动识别模型可用于从可穿戴设备数据创建事件。换言之，活动识别模型可用于基于从可穿戴设备收集的数据来确定或识别健康指标。在2604中，可以识别关注事件，也称为健康指标。然后可以要求宠物主人或看护者确认或否认指示宠物的行为或活动的健康指标是否在指示的时间发生，如2608所示。根据宠物主人或看护者的反应，可以创建训练示例并将其添加到更新的训练数据集中，如2610和2612所示。然后可以根据更新的训练数据集训练或调整活动识别模型，如2614所示。然后可以使用经过训练或调整的活动识别模型来识别一项或多项健康指标，进行健康评估，并确定健康建议，如2616所示。经过训练或调整的活动识别模型可以说是针对给定的宠物进行定制或个性化的。
[0215]
如图26所示，一项或多项健康指标的确定可以包括通过活动识别模型处理数据。一项或多项健康指标可以基于活动识别模型的输出。例如，活动识别模型可以是深度神经网络。此外，该方法或过程可以包括向宠物主人或看护者传输请求以让其提供关于宠物的一项或多项健康指标的反馈。然后可以从宠物主人或看护者接收反馈，并且可以基于来自
宠物主人或看护者的反馈来训练或调整活动识别模型。此外，或作为替代，活动识别模型可以基于来自一只或多只宠物的数据来训练或调整。
[0216]
在某些非限制性实施例中，可以确定建议的有效性。例如，在建议被传输或显示之后，宠物主人或看护者可以输入或提供指示宠物主人或看护者遵循了一个或多个建议中的哪一个的反馈。在这样的实施例中，宠物主人或看护者可以指示他们已经实现了哪个建议，和/或他们开始使用建议的产品或服务的日期和/或时间。例如，宠物主人或看护者可以开始给他们的宠物喂食建议的宠物食品，以解决诊断出或确定的皮肤病问题。宠物主人或看护者然后可以指示他们正在使用建议的宠物食物产品，和/或在建议被传输或显示在他们的移动设备上之后的特定的天数或周数他们开始使用该产品。来自宠物主人或看护者的该反馈可用于跟踪和/或确定建议的有效性。然后可以将有效性报告给宠物主人或看护者，和/或可以基于所确定的有效性做出进一步的建议。例如，如果所指示的宠物食物产品已没有改善跟踪的健康指标，则可以建议不同的宠物产品或服务。另一方面，如果所指示的宠物食物产品已改善了跟踪的健康指标，则宠物主人或看护者可以接收到所建议的宠物食物产品改善了宠物的健康的指示。
[0217]
如上所述，跟踪设备102可以包括设计成由使用者或其他实体(诸如动物)穿戴或以其他方式携带的计算设备。可穿戴设备可以采用任何形状、形式、颜色或尺寸。在一个非限制性实施例中，可穿戴设备可以以微芯片的形式放置在宠物之上或内部。附加地或可替代地，并且如本文所体现的，跟踪设备可以是可与项圈带耦合的可穿戴设备。例如，可穿戴设备可以附接到宠物项圈。图27是根据所公开的主题的实施例的具有附有跟踪设备2720的带2710的项圈2700的透视图。带2710包括带扣2740和夹子2730。图28显示了跟踪设备2720的透视图，图29显示了设备2720的前视图。
[0218]
如图29所示，可穿戴设备2720可以是矩形形状的。在其他实施例中，可穿戴设备2720可以具有任何其他合适的形状，诸如椭圆形、方形或骨状物形状。可穿戴设备2720可以具有任何合适的尺寸。例如，可以选择设备尺寸使得宠物可以合理地携带设备。例如，可穿戴设备的重量为0.91盎司，宽度为1.4英寸，高度或长度为1.8英寸，厚度或深度为0.6英寸。在一些非限制性实施例中，可穿戴设备2720可以是抗震和/或防水的。
[0219]
可穿戴设备包括外壳，该外壳可包括顶盖2721和与顶盖联接的底座2727。顶盖2721包括一个或多个侧面2723。如图30的分解图所示，外壳还可包括用于可穿戴设备的功能操作的内部结构，诸如具有数据跟踪组件和/或一个或多个传感器的电路板2724、诸如电池2725的电源、诸如usb连接器2726的连接器，和将设备联接在一起的诸如螺钉的内部硬件2727，以及其他结构中。
[0220]
外壳还可以包括诸如照明设备(诸如但不限于灯或发光二极管)、声音设备和振动设备等指示器。指示器可容纳在外壳内或可定位在设备的顶盖上。如图29所示，照明设备2725被描绘并体现为顶盖上的灯。然而，照明设备可以可替代地定位在外壳内以至少照亮可穿戴设备的顶盖。在其他实施例中，声音设备和/或振动设备可以与跟踪设备一起被提供。声音设备可以包括扬声器并且在触发事件时发出诸如哨声或讲话之类的声音。如本文所讨论的，可以在预定的地理围栏区域或边界上触发指示器。
[0221]
在某些非限制性实施例中，照明设备2725可以具有指示电池的充电水平和/或可穿戴设备2720连接到的无线电接入技术的类型的不同颜色。在某些非限制性实施例中，照
明设备2725可以是图4中描述的照明设备。换句话说，一旦宠物离开地理围栏区域，照明设备2725就可以被手动地或自动地激活。可替代地或除此之外，用户可以基于从可穿戴设备接收的数据使用在移动设备上的应用程序手动地激活照明设备2725。尽管照明设备2725被展示为灯，但在图29中未示出的其他实施例中，照明设备可以替换为照明设备、声音设备和/或振动设备。
[0222]
图31至图33示出了可穿戴跟踪设备3000的侧视图、俯视图和仰视图，其可以类似于图27至图30中所示的可穿戴设备2720。如所描绘的，外壳还可包括附接设备3002。附接设备3002可以与互补的接收板和/或项圈带3002联接，如下面关于图42进一步所讨论的。外壳可以进一步包括接收端口3004以接收电缆，如下面关于图33进一步讨论的。
[0223]
如图27至图30所示，可穿戴设备2720的顶盖2721包括顶面和从顶面的外周边垂下的一个或多个侧壁2723，如图28和图30所最好地展示的。在一个非限制性实施例中，顶盖可与侧壁分离并且还可以是联接在一起的单独构造的单元。在可替代的实施例中，顶盖与侧壁是一体的。顶盖可以包括第一材料并且侧壁可以包括第二材料，使得第一材料不同于第二材料。在其他实施例中，第一材料和第二材料相同。在图28和图30的实施例中，顶盖2721的顶面是与一个或多个侧壁2723不同的材料。
[0224]
图34描绘了根据所公开的主题的另一实施例的跟踪设备的透视图。在该实施例中，顶盖的顶面3006与一个或多个侧壁3008是一体的并且由相同材料组成。图35示出了图34的跟踪设备的前视图。在该实施例中，顶盖包括体现为状态标识符3010的指示器。状态标识符可以通信设备的状态，诸如充电模式(反映第一种颜色)、参与模式(诸如当与蓝牙通信交互并反映第二种颜色时)和充满电模式(诸如当电池寿命高于预定的阈值并反映第三种颜色时)。例如，当状态标识符3010为琥珀色时，可穿戴设备可以正在充电。另一方面，当状态标识符3010为绿色时，可穿戴设备的电池可以被表示是充满电的。在另一个示例中，状态标识符3010可以是蓝色的，这意味着可穿戴设备3000或者通过蓝牙连接和/或当前正通过蓝牙网络与另一个设备通信。在某些非限制性实施例中，使用低功耗蓝牙(ble)的可穿戴设备可能是有利的。ble可以是无线个人网络，有助于降低可穿戴设备的功耗和资源消耗。因此，使用ble有助于延长可穿戴设备的电池续航。本文设想了状态标识符3010的其他状态模式及其颜色。状态标识符还可以闪烁或具有可以指示特定的状态的选择的闪烁模式。顶盖可以包括任何合适的颜色和图案，并且可以进一步包括反射材料或在黑暗中发光的材料。图36是图34的实施例的分解图，但出于示例的目的具有不同颜色的顶盖。类似于图30，图36中所示的可穿戴设备包括电路3014、电池3016、充电端口3018、机械附件3022和/或底盖3020。
[0225]
外壳，诸如顶面，可以包括标记3012，诸如任何合适的符号、文字、商标、标志等。如图37的前视图所示，在设备的顶面上示出了哨子标志3012。此外，外壳可以包括个性化特征，诸如以穿戴者的姓名或其他识别信息(诸如宠物主人姓名和电话号码)为特色的雕刻。图38至图40示出了跟踪设备3000的侧视图、俯视图和仰视图，其可以根据需要进一步包括上述标记。
[0226]
图41描绘了根据所公开的主题的可与电缆4002耦合的跟踪设备的后视图。电缆4002，诸如usb电缆等，可以插入端口3004内以传输数据和/或为设备充电。
[0227]
如图27所示，跟踪设备可以与项圈带2700联接。该设备可以以本领域已知的任何
合适的方式与带耦合。在一个非限制性的实施例中，外壳，诸如通过在底座上的附接设备，可以与互补的接收板4004耦合和/或直接耦合到项圈带2700。图42描绘了一个实施例，其中带包括将与跟踪设备联接的接收板4004。
[0228]
如图27所示，带2700还可包括如本领域已知的附加配件。特别地，带2700可以包括调节结构2730以收紧或松开带，并且可以进一步包括扣环以将带联接到诸如宠物的用户上。此处考虑了任何合适的扣紧结构和调节结构。图43和图44描绘了经由项圈带联接到宠物p(诸如狗)的所公开的跟踪设备的实施例。如图44所示，带还可以包括附加配件，诸如名字牌4460。
[0229]
如上所述，图45描绘了接收板和/或支撑框架和项圈带2700。支撑框架可用于将跟踪设备耦合到项圈带2700。用于与根据所公开的主题的跟踪设备一起使用的附接设备在2018年11月16日提交的题为“collar with integrated device attachment(具有集成设备附件的项圈)”的第62/768,414号美国临时专利申请中进行了描述，其内容在此以整体并入。如本文所体现的，支撑框架可包括用于与附接设备和/或跟踪设备的插入构件联接的接收孔和闩锁。
[0230]
项圈带2700可以与支撑框架联接。出于示例的目的，并且如图42所示，项圈带可包括用于与支撑框架联接的环。此外，或可替代地，可能需要将根据所公开的主题的跟踪设备联接到没有环或用于固定支撑框架的其他合适构造的项圈。参考图45至图47，支撑框架可以配置有项圈附接功能，以将支撑框架固定到现有的项圈上。
[0231]
例如，参考图45，支撑框架可以包括钩-环项圈附接特征。带子4502可以附接到在支撑框架上的杆4506。带子4502可以包括具有多个钩的钩状物部分4504和具有多个环的环状物部分4503。可以通过将带子4502绕过项圈，然后将带子绕过在支撑框架4501上的杆4505而将支撑框架4501扣牢到项圈(未描绘)。在带子4502已经绕过项圈和杆4505之后，钩状物部分4504可以与钩状物部分4503接合以将支撑框架4501固定到项圈。虽然本文已经提到使用带子4502将支撑框架4501固定到项圈，但是应当理解的是，带子4502也可以起到项圈的功能。带子4502的长度可以基于附接功能的期望的配置进行调整。
[0232]
参考图46，支撑框架4601可以使用卡扣构件4602固定到项圈。如本文所体现的，支撑框架4601可以包括凹槽4603，该凹槽4603配置为接收卡扣构件4602上的凸舌4604。通过使项圈穿过卡扣构件4602中的通道4605并将卡扣构件的凸舌与支撑框架4601的凹槽4603接合，可以将支撑框架扣牢到项圈(未描绘)。凸舌4604可包括唇缘或脊以防止卡扣构件4612与支撑框架4601分离。
[0233]
附加地或可替代地，参考图47，支撑框架4701可以使用带杆4702的带子4703固定到项圈。如本文所体现的，支撑框架4701可以包括在支撑框架的相对侧上的通道4704。通道4704可以配置为在其中接收杆4702并将杆4702保持在其中。杆4702可以附接到带子4703。出于示例的目的，带子4703可以由诸如橡胶的柔性材料制成。可以通过将带子4703绕过项圈并且将杆4702固定到支撑框架4701中的通道4704内而将支撑框架4701扣牢到项圈(未描绘)。
[0234]
出于本公开的目的，模块是执行或促进本文描述的过程、特征和/或功能的软件、硬件或固件(或其组合)系统、过程或功能或其组件(可以有或没有与人的交互或增强)。模块可以包括子模块。模块的软件部件可以存储在计算机可读介质上以供处理器执行。模块
可以是一个或多个服务器的组成部分，或者由一个或多个服务器加载和执行。可以将一个或多个模块分组为引擎或应用程序。
[0235]
出于本公开的目的，术语“用户(user)”、“订阅者(subscriber)”、“消费者(consumer)”或“顾客(customer)”应被理解为指代本文所述的一个或多个应用程序的用户和/或由数据提供商供应的数据的消费者。通过示例而非限制性的方式，术语“用户”或“订阅者”可以指在浏览器会话中通过因特网接收由数据或服务提供商提供的数据的人，或者可以指接收数据并存储或处理数据的自动软件应用程序。
[0236]
本领域技术人员将认识到的是，本公开的方法和系统可以以许多方式实现，并且因此不受前述示例性实施例和示例的限制。换句话说，以单个或多个部件(以硬件和软件或固件以及各种功能的各种组合)执行的功能元件可以分布在客户端级别或服务器级别或两者的软件应用程序中。在该方面，本文所描述的不同的实施例的任何数量的特征可以结合到单个或多个实施例中，并且具有少于或多于本文所描述的所有特征的替代实施例是可能的。
[0237]
功能也可以全部或部分地以现在已知或变成已知的方式分布在多个部件中。因此，用各种各样的软件/硬件/固件组合可以实现本文描述的功能、特征、界面和偏好。此外，本公开的范围涵盖用于执行所描述的特征和功能和界面的常规的已知方式，以及可以对本文描述的硬件或软件或固件部件进行的那些变化和修改，如由本领域技术人员现在和将来理解的那样。
[0238]
此外，通过示例的方式提供了作为在本公开中的流程图所呈现和描述的方法的实施例，以便提供对该技术的更完整的理解。所公开的方法不限于本文所呈现出的操作和逻辑流程。可以想到替代的实施例，其中各种操作的顺序被改变，并且其中被描述为作为较大操作的一部分的子操作被独立地执行。
[0239]
虽然已经出于本公开的目的描述了各种实施例，但是这样的实施例不应认为将本公开的教导限制于那些实施例。可以对上述元件和操作进行各种改变和修改，以获得保持在本公开中所述的系统和方法的保护范围内的结果。
[0240]
虽然本文根据某些优选的实施例描述了所公开的主题，但是本领域技术人员将认识到，可以在不脱离其保护范围的情况下对所公开的主题进行各种修改和改进。同样可以并入本领域已知的其他特征，诸如在第10,142,773号美国专利、公开号为2014/0290013的美国专利申请、第29/670,543、29/580,756号美国外观设计申请和号第62/768,414、62/867,226和62/970,575号美国临时申请中公开的特征，它们各自以全文引用方式并入本文。此外，虽然所公开的主题的一个非限制性实施例的个别特征可以在本文中讨论或在一个非限制性实施例的附图中示出而不是在其他实施例中，但显然的是，一个非限制性实施例的个别特征可以与另一个实施例的一个或多个特征或来自多个实施例的特征组合。

技术特征：
1.一种计算机实现的用于监视宠物活动的方法，所述方法包括：从包括传感器的可穿戴设备接收与宠物相关的数据；基于所述数据确定所述宠物的一项或多项健康指标；以及基于所述宠物的所述一项或多项健康指标执行所述宠物的健康评估。2.根据权利要求1所述的方法，还包括：将所述宠物的所述健康评估发送到移动设备。3.根据权利要求2所述的方法，还包括：使用图形用户界面在所述移动设备上显示所述宠物的所述健康评估。4.根据权利要求1至3中任一项所述的方法，其中所述基于所述数据确定所述宠物的一项或多项健康指标还包括：通过活动识别模型处理所述数据；以及基于所述活动识别模型的输出确定一项或多项健康指标。5.根据权利要求4所述的方法，其中所述活动识别模型为深度神经网络。6.根据权利要求5所述的方法，其中所述深度神经网络包括两个或两个以上的层模块，其中所述层模块中的每一者包括多对多方法、跨步、下采样、池化、多尺度缩放或批归一化中的至少一者。7.根据权利要求6所述的方法，其中所述层模块中的每一者可以被表示为：flm
type
(w
out
,s,k,p
drop
,b
bn
)，其中type是卷积神经网络(cnn)，w
out
是输出通道的数量，s是步幅比，k是内核长度，p
drop
是丢弃概率，以及b
bn
是批归一化。8.根据权利要求1至7中任一项所述的方法，还包括：向宠物主人或看护者发送请求，以让其提供关于所述宠物的所述一项或多项健康指标的反馈；以及接收来自所述宠物主人或看护者的所述反馈。9.根据权利要求8所述的方法，还包括：基于来自所述宠物主人或看护者的所述反馈训练或调整宠物活动识别模型。10.根据权利要求4至9中任一项所述的方法，还包括：基于来自一个或多个其他宠物的数据训练或调整所述宠物活动识别模型。11.根据权利要求1至10中任一项所述的方法，其中所述方法由所述可穿戴设备、一个或多个服务器或云计算平台中的至少一者执行。12.根据权利要求1至11中任一项所述的方法，其中所述一个或多个健康指标包括用于所述宠物舔、抓挠、搔痒、行走或睡觉的度量。13.根据权利要求1至12中任一项所述的方法，其中所述数据包括所述宠物的位置，其中使用全球定位系统确定所述位置。14.根据权利要求1至13中任一项所述的方法，还包括：基于所述宠物的所述健康评估指示可穿戴设备开启照明设备。15.根据权利要求1至14中任一项所述的方法，其中执行所述健康评估包括：将所述健康指标与存储的健康指标比较，其中所述存储的健康指标是基于与所述宠物或一个或多个其他宠物相关的先前数据。16.根据权利要求1至15中任一项所述的方法，其中所述传感器包括致动器、陀螺仪、磁
力计、麦克风或压力传感器中的至少一者。17.根据权利要求1至16中任一项所述的方法，还包括：基于所述健康评估确定所述宠物的健康建议或健身促进；以及将所述健康建议或健身促进发送到移动设备。18.根据权利要求1至17中任一项所述的方法，其中健康建议包括对宠物食品或宠物产品的建议。19.根据权利要求1至18中任一项所述的方法，其中从所述可穿戴设备连续地或离散地接收与所述宠物相关的所述数据。20.根据权利要求1至19中任一项所述的方法，其中所述可穿戴设备实时跟踪与所述宠物相关的所述数据。21.一种可穿戴设备，包括：外壳，其中所述外壳包括顶盖，以及与所述顶盖联接的底座，其中所述外壳包括用于监视与所述宠物相关的所述数据的传感器，其中所述外壳包括用于发送与所述宠物相关的所述数据的收发器，其中所述外壳还包括指示器，其中所述指示器为照明设备、声音设备或振动设备中的至少一者。22.根据权利要求21所述的可穿戴设备，其中包括在所述外壳内的所述指示器配置为在所述可穿戴设备已经离开地理围栏区域之后开启。23.根据权利要求21或22所述的可穿戴设备，其中与所述宠物相关的所述数据用于确定所述宠物的一项或多项健康指标或执行所述宠物的健康评估中的至少一者。24.根据权利要求23所述的可穿戴设备，其中所述可穿戴设备配置为将与所述宠物相关的所述数据发送至一个或多个服务器或云计算平台，其中，所述一项或多项健康指标的确定由可穿戴设备、一台或多台服务器或云计算平台中的至少一者执行。25.根据权利要求21至24中任一项所述的可穿戴设备，其中与所述宠物相关的所述数据被发送至一个或多个服务器或云计算平台。26.根据权利要求21至25中任一项所述的可穿戴设备，其中所述指示器安置于所述所述顶盖上。27.根据权利要求21至26中任一项所述的可穿戴设备，其中所述照明设备包括灯或发光二极管。28.根据权利要求21至27中任一项所述的可穿戴设备，其中所述照明设备安置于所述外壳内并且配置为至少照亮所述可穿戴设备的所述顶盖。29.根据权利要求21至28中任一项所述的可穿戴设备，其中所述顶盖包括顶面和从所述顶面的外部边缘垂下的侧壁。30.根据权利要求21至29中任一项所述的可穿戴设备，其中所述顶盖与侧壁一体成型。31.根据权利要求21至30中任一项所述的可穿戴设备，其中所述外壳限定接收端口以在其中接收电缆。32.根据权利要求21至31中任一项所述的可穿戴设备，其中所述外壳包括附接设备，其中所述附接设备联接到项圈带。33.一种监视宠物活动的方法，所述方法包括：
监视可穿戴设备的位置；基于所述可穿戴设备的位置确定所述可穿戴设备已离开地理围栏区域；以及在确定所述可穿戴设备已离开所述地理围栏区域后，指示所述可穿戴设备开启指示器，其中所述指示器为照明设备、声音设备或振动设备中的至少一者。34.根据权利要求33所述的方法，还包括：确定所述可穿戴设备已进入所述地理围栏区域；以及当所述可穿戴设备已进入所述地理围栏区域时关闭所述指示器。35.根据权利要求34所述的方法，其中确定所述可穿戴设备已进入所述地理围栏区域是确定所述可穿戴设备在已离开所述地理围栏区域后已重新进入所述地理围栏区域。36.根据权利要求33至35中任一项所述的方法，还包括：从移动设备接收关闭所述指示器的指令，其中所述移动设备包括允许用户关闭所述指示器的应用程序。37.根据权利要求33至36中任一项所述的方法，其中所述指示所述可穿戴设备开启指示器包括开启所述照明设备的灯或发光二极管。38.根据权利要求33至37中任一项所述的方法，还包括：通过全球定位系统(gps)接收器接收所述可穿戴设备的所述位置。39.根据权利要求33至38中任一项所述的方法，其中所述监视可穿戴设备的位置还包括：识别可所述穿戴设备附近的活动无线网络。40.根据权利要求39所述的方法，其中确定所述可穿戴设备已离开所述地理围栏区域包括识别所述活动无线网络不再在所述可穿戴设备附近。41.根据权利要求33至40中任一项所述的方法，其中使用纬度和经度坐标来预定所述地理围栏区域。42.一种用于数据分析的方法，包括：在装置处接收数据；使用两个或两个以上的层模块分析数据，其中所述层模块中的每一者包括多对多方法、跨步、下采样、池化、多尺度缩放或批归一化中的至少一者；以及基于所分析的数据确定输出，诸如行为分类或人的预期动作。43.根据权利要求42所述的方法，其中所述数据包括财务数据、网络安全数据、电子健康记录、图像或视频数据、声音数据、人类活动数据或宠物活动数据中的至少一者。44.根据权利要求42或43所述的方法，其中所述输出包括健康评估、健康建议、财务预测、图像或视频识别、声音识别或安全建议。45.根据权利要求42至44中任一项所述的方法，其中所述层模块中的每一者可以表示为：flm
type
(w
out
,s,k,p
drop
,b
bn
)，其中type是卷积神经网络(cnn)，w
out
是输出通道的数量，s是步幅比，k是内核长度，p
drop
是丢弃概率，以及b
bn
是批归一化。46.根据权利要求42至45中任一项所述的方法，其中两个或两个以上的层包括全分辨率卷积神经网络、第一池化堆栈、第二池化堆栈、重新采样步骤、瓶颈层、循环堆栈或输出模块中的至少一者。47.如权利要求42至46中任一项所述的方法，其中所述数据为时间序列数据。
48.根据权利要求42至47中任一项所述的方法，还包括：在移动设备上显示所确定的输出。49.一种计算机实现的用于评估宠物健康的的方法，所述方法包括：接收与宠物相关的数据；基于所述数据确定所述宠物的一项或多项健康指标；以及根据所述一项或多项健康指标执行所述宠物的健康评估。50.根据权利要求48所述的方法，还包括：基于所述健康评估确定给宠物主人的建议。51.根据权利要求50所述的方法，还包括：将所述建议发送到所述宠物主人的移动设备。52.根据权利要求51所述的方法，还包括：使用图形用户界面在所述移动设备上向用户显示所述建议。53.根据权利要求49至52中任一项所述的方法，还包括：基于所述数据确定将应用于所述宠物的健康保险单的基本成本或保险费的附加费或折扣。54.根据权利要求49至53中任一项所述的方法，还包括：向宠物主人或健康保险单的提供者提供将应用于健康保险单的基本成本或保险费的附加费或折扣。55.根据权利要求49至54中任一项所述的方法，其中在将所述建议发送到宠物主人的移动设备之前和之后接收数据。56.根据权利要求49至55中任一项所述的方法，还包括：基于所述健康评估确定所述宠物的健康保险单的基本成本或保险费。57.根据权利要求49至56中任一项所述的方法，还包括：基于在将建议传输给宠物主人之后接收到的数据，自动或手动地更新所确定的将应用于宠物的健康保险单的基本成本或保险费的附加费或折扣。58.根据权利要求49至57中任一项所述的方法，其中当宠物主人遵循建议时确定将应用于健康保险单的基本成本或保险费的折扣，或者其中当宠物主人没有遵循建议时确定将应用于健康保险单的基本成本或保险费的附加费。59.根据权利要求49至58中任一项所述的方法，还包括：基于所述数据、所述健康评估和建议中的至少一者，确定宠物的健康保险单的基本成本或保险费的附加费或折扣。60.根据权利要求49至59中任一项所述的方法，其中所述一项或多项健康指标包括用于所述宠物舔、抓挠、搔痒、行走或睡觉的度量。61.根据权利要求49至60中任一项所述的方法，其中建议包括用于防止所述宠物产生病症或疾病的一个或多个健康建议。62.根据权利要求49至61中任一项所述的方法，还包括：从可穿戴的宠物跟踪或监视设备、基因检测程序、宠物健康记录、宠物保险记录或来自宠物主人的输入中的至少一者中接收数据。
63.根据权利要求49至62中任一项所述的方法，其中执行所述健康评估包括：将所述健康指标与存储的健康指标相比较，其中所述存储的健康指标是基于与所述宠物或一个或多个其他宠物相关的先前数据。64.根据权利要求49至63中任一项所述的方法，其中建议被周期性地或连续地发送给宠物主人。65.根据权利要求49至64中任一项所述的方法，还包括：基于数据确定或监视建议的有效性；发送反映所述建议的所述有效性的度量，其中所述建议的所述有效性是与所述宠物相关的临床有效性或与宠物主人相关的财务有效性。66.根据权利要求49至65中任一项所述的方法，其中所述建议包括食物产品、补充剂、药膏或药物以改善宠物的健康。67.根据权利要求49至66中任一项所述的方法，其中建议包括远程医疗服务或就诊。68.根据权利要求49至67中任一项所述的方法，其中所述基于所述数据确定所述宠物的一项或多项健康指标还包括：通过活动识别模型处理所述数据；以及基于所述活动识别模型的输出确定一项或多项健康指标。69.根据权利要求68所述的方法，其中所述活动识别模型为深度神经网络。70.根据权利要求69所述的方法，其中所述深度神经网络包括两个或两个以上的层模块，其中所述层模块中的每一者包括多对多方法、跨步、下采样、池化、多尺度缩放或批归一化中的至少一者。71.根据权利要求70所述的方法，其中所述层模块中的每一者可以表示为：flm
type
(w
out
,s,k,p
drop
,b
bn
)，其中type是卷积神经网络(cnn)，w
out
是输出通道的数量，s是步幅比，k是核长度，p
drop
是丢弃概率，并且b
bn
是批归一化。72.一种装置，包括：至少一个存储器，其包括计算机程序代码；至少一个处理器；其中包括所述计算机程序代码的所述至少一个存储器配置为与所述至少一个处理器一起使所述装置至少执行根据权利要求1至20和32至71中任一项所述的方法。73.一种编码指令的非暂时性计算机可读介质，当在硬件中被执行时，该指令执行根据权利要求1至20和32至71中任一项所述的方法的步骤。74.一种编码指令的计算机程序产品，该指令用于执行根据权利要求1至20和32至71中任一项所述的方法的步骤。

技术总结
一种用于评估宠物健康的系统、方法和装置。该方法包括接收与宠物相关的数据。该方法还包括基于数据确定宠物的一项或多项健康指标，以及基于一项或多项健康指标执行宠物的健康评估。此外，该方法包括基于健康评估确定对宠物主人的建议。该方法还包括向宠物主人的移动设备发送建议，其中在移动设备上向宠物主人显示建议。显示建议。显示建议。

技术研发人员：C
受保护的技术使用者：马斯公司
技术研发日：2020.06.26
技术公布日：2022/4/1