女性生理周期的預測方法、裝置及用戶設備與流程

2023-08-01 04:41:16 1

本公開涉及醫療技術領域，尤其涉及一種女性生理周期的預測方法、裝置及用戶設備。

背景技術：

現有技術中，女性生理周期的預測方法通常以歷史生理周期的平均值作為預測值，但是該預測值容易受到情緒、氣候、健康狀況等多種因素的影響，而導致預測的準確率較低。

為此，又提出了一種通過女性的基礎體溫來預測女性生理周期的預測方法，經研究表明，女性的基礎體溫與卵巢功能密切相關，可以通過基礎體溫的變化來預測生理周期。

然而，基礎體溫的測量要求較為嚴格，即在經過較長時間睡眠之後，醒來未進行任何活動之前，對舌下體溫進行測量。在實際測量時，難以保證基礎體溫的測量是否滿足了上述嚴格的要求。如果基礎體溫存在測量誤差，則仍無法準確地預測生理周期。

由上可知，如何準確地預測女性生理周期仍是亟待解決的問題。

技術實現要素：

為了解決上述技術問題，本公開的一個目的在於提供一種女性生理周期的預測方法、裝置及用戶設備。

其中，本公開所採用的技術方案為：

一種女性生理周期的預測方法，包括：偵聽用戶預測生理周期的觸發操作，生成生理周期預測指令；根據所述生理周期預測指令觸發進行體溫數據的獲取；針對獲取到的體溫數據進行特徵提取得到生理特徵序列；在預先構建的生理周期預測模型中，以所述生理特徵序列作為所述生理周期預測模型的輸入進行生理周期預測，輸出得到生理周期。一種女性生理周期的預測裝置，包括：指令生成模塊，用於偵聽用戶預測生理周期的觸發操作，生成生理周期預測指令；體溫數據獲取模塊，用於根據所述生理周期預測指令觸發進行體溫數據的獲取；第一特徵提取模塊，用於針對獲取到的體溫數據進行特徵提取得到生理特徵序列；生理周期預測模塊，用於在預先構建的生理周期預測模型中，以所述生理特徵序列作為所述生理周期預測模型的輸入進行生理周期預測，輸出得到生理周期。

一種用戶設備，包括處理器及存儲器，所述存儲器上存儲有計算機可讀指令，所述計算機可讀指令被所述處理器執行時實現如上所述的女性生理周期的預測方法。

一種計算機可讀存儲介質，其上存儲有電腦程式，所述電腦程式被處理器執行時實現如上所述的女性生理周期的預測方法。

與現有技術相比，本公開具有以下有益效果：

通過對獲取到的體溫數據進行特徵提取得到生理特徵序列，進而在預先構建的生理周期預測模型中，以該生理特徵序列作為生理周期預測模型的輸入進行生理周期預測，得到生理周期。

也就是說，該方法是基於體溫而並非基礎體溫，測量的準確度較高，此外，針對體溫通過預先構建的生理周期預測模型進行生理周期預測，具有數學算法的支撐，避免簡單地以歷史生理周期的平均值作為預測值，有效地提高了預測的準確率。

應當理解的是，以上的一般描述和後文的細節描述僅是示例性和解釋性的，並不能限制本公開。

附圖說明

此處的附圖被併入說明書中並構成本說明書的一部分，示出了符合本公開的實施例，並於說明書一起用於解釋本公開的原理。

圖1是根據一示例性實施例示出的一種用戶設備的硬體結構框圖；

圖2是根據一示例性實施例示出的一種女性生理周期的預測方法的流程圖；

圖3是圖2對應實施例中步驟310在一個實施例的流程圖；

圖4是根據一示例性實施例示出的另一種女性生理周期的預測方法的流程圖；

圖5是圖4對應實施例中步驟450在一個實施例的流程圖；

圖6是圖5對應實施例中預設數學模型的原理示意圖；

圖7是一應用場景中一種女性生理周期的預測方法的具體實現示意圖；

圖8是根據一示例性實施例示出的一種女性生理周期的預測裝置的框圖；

圖9是圖8對應實施例中體溫數據獲取模塊710在一個實施例的框圖；

圖10是根據一示例性實施例示出的另一種女性生理周期的預測裝置的框圖；

圖11是圖10對應實施例中模型構建模塊850在一個實施例的框圖。

通過上述附圖，已示出本公開明確的實施例，後文中將有更詳細的描述，這些附圖和文字描述並不是為了通過任何方式限制本公開構思的範圍，而是通過參考特定實施例為本領域技術人員說明本公開的概念。

具體實施方式

這裡將詳細地對示例性實施例執行說明，其示例表示在附圖中。下面的描述涉及附圖時，除非另有表示，不同附圖中的相同數字表示相同或相似的要素。以下示例性實施例中所描述的實施方式並不代表與本公開相一致的所有實施方式。相反，它們僅是與如所附權利要求書中所詳述的、本公開的一些方面相一致的裝置和方法的例子。

如前所述，現有技術中女性生理周期的預測方法仍存在預測的準確率不高的缺陷。

基於此，本公開特提出了一種有效提高預測的準確率的女性生理周期的預測方法。該方法由電腦程式實現，與之相對應的，所構建的女性生理周期的預測裝置所對應的計算機可讀指令存儲於用戶設備的存儲器中，以便於進行女性生理周期的預測。

圖1是根據一示例性實施例示出的一種用戶設備100的硬體結構框圖。需要說明的是，該用戶設備100隻是一個適配於本公開的示例，不能認為是提供了對本公開的使用範圍的任何限制。該用戶設備100也不能解釋為需要依賴於或者必須具有圖1中示出的示例性的用戶設備100中的一個或者多個組件。

該用戶設備100的硬體結構可因配置或者性能的不同而產生較大的差異，如圖1所示，用戶設備100包括：電源110、接口130、至少一存儲介質150、以及至少一中央處理器(cpu，centralprocessingunits)170。

其中，電源110用於為用戶設備100上的各硬體設備提供工作電壓。

接口130包括至少一有線或無線網絡接口131、至少一串並轉換接口133、至少一輸入輸出接口135以及至少一usb接口137等，用於與外部設備通信。

存儲介質150作為資源存儲的載體，可以是隨機存儲介質、磁碟或者光碟等，其上所存儲的資源包括作業系統151、應用程式153及數據155等，存儲方式可以是短暫存儲或者永久存儲。其中，作業系統151用於管理與控制用戶設備100上的各硬體設備以及應用程式153，以實現中央處理器170對海量數據155的計算與處理，其可以是windowsservertm、macosxtm、unixtm、linuxtm、freebsdtm等。應用程式153是基於作業系統151之上完成至少一項特定工作的電腦程式，其可以包括至少一模塊(圖1中未示出)，每個模塊都可以分別包含有對用戶設備100的一系列操作指令。數據155可以是存儲於磁碟中的照片、圖片等等。

中央處理器170可以包括一個或多個以上的處理器，並設置為通過總線與存儲介質150通信，用於運算與處理存儲介質150中的海量數據155。

如上面所詳細描述的，適用本公開的用戶設備100將通過中央處理器170讀取存儲介質150中存儲的一系列操作指令的形式來實現女性生理周期的預測方法。

此外，通過硬體電路或者硬體電路結合軟體指令也能同樣實現本公開，因此，實現本公開並不限於任何特定硬體電路、軟體以及兩者的組合。

請參閱圖2，在一示例性實施例中，一種女性生理周期的預測方法適用於圖1所示的用戶設備100，該種女性生理周期的預測方法可以由用戶設備100執行，可以包括以下步驟：

步驟310，偵聽用戶預測生理周期的觸發操作，生成生理周期預測指令。

對於用戶設備而言，將為用戶提供一女性生理周期的預測入口，以使用戶能夠通過在該預測入口進行的觸發操作，進行女性生理周期的預測。

舉例來說，預測入口可以是用戶設備所提供的人機互動界面上的一虛擬按鍵，當用戶欲進行女性生理周期的預測時，將點擊該虛擬按鍵，該點擊操作即為用戶預測生理周期的觸發操作。

用戶設備在偵聽到用戶在預測入口進行的觸發操作之後，即通過響應該觸發操作生成一生理周期預測指令，進而根據該生理周期預測指令開始進行女性生理周期的預測。

步驟330，根據生理周期預測指令觸發進行體溫數據的獲取。

本實施例中，體溫數據表徵了女性身體的溫度，即女性體溫。

進一步地，女性體溫根據測量部位的不同稍有差異。例如，腋窩溫度的正常範圍為36.1℃～37℃，口腔溫度則為36.3℃～37.2℃。

更進一步地，女性體溫在內外因素的作用下，可以在正常範圍內輕度變化。例如，下午較早晨女性體溫相對較高，或者，進餐或者運動後女性體溫也可以有輕度地升高，又或者，女性在排卵期或者妊娠期體溫也稍高於正常範圍。

進一步地，體溫數據是被預先存儲在用戶設備中的，由此，便可由用戶設備中獲取到預先存儲的體溫數據。例如，體溫數據可以通過用戶日誌文件的形式存儲在用戶設備中。

步驟350，針對獲取到的體溫數據進行特徵提取得到生理特徵序列。

為了進行女性生理周期的預測，需要獲知生理周期的特徵分布。

如前所述，女性在排卵期或者妊娠期體溫稍高於正常範圍。由此，本實施例中，生理周期的特徵分布的獲知將通過體溫數據的特徵提取實現。

具體地，特徵提取過程包括對體溫數據中的低溫高溫進行平均處理、對體溫數據進行差分處理、對體溫數據進行歸一化處理等等。

通過對體溫數據進行的特徵提取，便得到了反映了生理周期的特徵分布的生理特徵序列，進而有利於根據生理特徵序列進行後續女性生理周期的預測。

步驟370，在預先構建的生理周期預測模型中，以生理特徵序列作為生理周期預測模型的輸入進行生理周期預測，輸出得到生理周期。

生理周期預測模型是根據生理周期的特徵分布預先構建得到的。也就是說，以生理周期的特徵分布作為輸入，便可輸出得到生理周期。

在得到了反映生理周期的特徵分布的生理特徵序列之後，便可通過生理周期預測模型預測得到生理周期。

進一步地，結合生理周期與排卵時間相差142天的時間關係，由生理周期還將計算得到排卵時間，以滿足用戶不同的預測需求。

通過如上所述的過程，利用生理周期預測模型進行生理周期預測，使得女性生理周期的預測具備了數學算法的支撐，從而有效地提高了預測的準確率。

請參閱圖3，在一示例性實施例中，步驟310可以包括以下步驟：

步驟311，根據預存的體溫記錄繪製體溫曲線。

用戶測量的體溫將通過用戶日誌文件的形式進行記錄，也就是說，用戶日誌文件中至少記錄了測量的體溫以及該體溫所對應的測量時間。

具體地，用戶設備響應用戶針對測量的體溫觸發進行的體溫記錄操作，生成體溫記錄，並將生成的體溫記錄存儲至用戶日誌文件中。

由此，通過讀取用戶日誌文件即可相應地獲取到體溫記錄。體溫記錄包括了測量的體溫以及該體溫所對應的測量時間。

在獲取到體溫記錄之後，便可根據體溫記錄進行體溫曲線的繪製。

具體地，以體溫作為縱坐標，以時間作為橫坐標，則測量的體溫以及該體溫所對應的測量時間即構成一坐標點，將若干坐標點通過直線連接即繪製得到體溫曲線。

步驟313，對體溫曲線進行平滑去噪處理。

可以理解，由於體溫測量的測量時間是間隔地非連續的，通過直線連接坐標點得到的體溫曲線實質上存在著缺失，即未進行體溫測量的時間在體溫曲線中所對應的體溫無法保證準確性。

因此，本實施例中，通過平滑去噪算法對體溫曲線進行平滑去噪處理，過濾體溫曲線中的異常值和缺失值，消除體溫曲線的局部波動，以此有效地保證了體溫曲線中測量的體溫的準確性和完整性，進而有利於後續提高預測的準確性。

其中，平滑去噪算法可以是均值濾波、中值濾波、基於小波變化的去噪、總體變分(tv，totalvariation)去噪等等方法，在此並未加以限定。

步驟315，在平滑去噪處理得到的體溫曲線中，提取得到符合預設提取條件的體溫數據。

其中，預設提取條件包括按時間段提取、按溫度區間提取等等。

在完成平滑去噪處理之後，便可由處理後的體溫曲線中提取得到體溫數據。

在上述實施例的作用下，實現了體溫測量的時間的連續性，即過濾了體溫曲線中缺失值，保證了體溫曲線的完整性，同時，通過平滑去噪處理過濾了體溫曲線中的異常值，消除了體溫曲線的局部波動，保證了體溫曲線的準確性，以此有利於後續提高預測的準確性。

在一示例性實施例中，步驟330之前，如上所述的方法還可以包括以下步驟：

按照預設分類條件對體溫數據進行樣本分類，確定體溫數據對應的樣本類型標識。

其中，預設分類條件包括體溫曲線類型、測量時間段中的至少一種。

首先需要說明的是體溫曲線類型，由於體溫數據是由體溫曲線中提取得到的，該體溫曲線類型對應於體溫數據，並且該體溫曲線類型反映了體溫曲線中測量的體溫的分布。

具體地，體溫曲線類型包括正常雙相分布、異常雙相分布和單相分布。

進一步地，異常雙相分布包括曲線幅度上升緩慢、下降緩慢、升降幅度低於0.3等等。

單相分布包括曲線幅度偏低、偏高、曲線波形呈鋸齒狀等等。

其次需要說明的是測量時間段，該測量時間段是與用戶測量體溫的測量時間相關的。

如前所述，女性體溫在內外因素的作用下，可以在正常範圍內輕度變化。例如，下午較早晨女性體溫相對較高。

為此，測量時間段可以針對早晨、下午、晚上進行劃分，以此保證在同一測量時間段內的體溫波動較小。

即，測量時間段包括早晨時間段、下午時間段、晚上時間段。

應當理解，如果體溫的分布不同，則生理周期預測模型反映的生理周期的特徵分布是有所差別的。

因此，樣本分類可以按照上述預設分類條件進行，以此確定體溫數據對應的樣本類型標識，進而有利於後續用於生理周期預測的生理周期預測模型是與樣本類型標識相對應的，以此提高預測的準確率。

相應地，步驟370之前，如上所述的方法還可以包括以下步驟：

根據樣本類型標識關聯查找到對應的生理周期預測模型。

通過上述實施例的配合，對體溫數據進行樣本分類，使得不同樣本類型標識能夠關聯查找到不同的生理周期預測模型，以便於後續根據不同的生理周期預測模型進行生理周期預測，從而進一步有利於提高預測的準確率。

進一步地，在一示例性實施例中，按照預設分類條件對體溫數據進行樣本分類，確定體溫數據對應的樣本類型標識步驟之前，如上所述的方法還可以包括以下步驟：

按照預設特徵提取算法的數據格式對體溫數據進行數據清洗，得到符合數據格式的體溫數據。

預設特徵提取算法是用於對體溫數據進行特徵提取的，按照預設特徵提取算法的數據格式對體溫數據進行數據清洗，將使得體溫數據的數據格式符合預設特徵提取算法的數據格式，進而有利於後續通過預設特徵提取算法對該符合數據格式的體溫數據進行特徵提取。

相應地，步驟330可以包括以下步驟：

調用預設特徵提取算法對符合數據格式的體溫數據進行特徵提取，得到生理特徵序列。

在一示例性實施例中，步驟330之後，如上所述的方法還可以包括以下步驟：

將影響因素特徵添加至生理特徵序列。

如前所述，女性生理周期的預測容易受到情緒、氣候、健康狀況的多種因素的影響，而導致預測的準確率較低。

為此，在得到生理特徵序列之後，將影響因素特徵添加至生理特徵序列，以此保證對女性生理周期的多維度預測，有利於提高預測的準確率。

其中，影響因素特徵用於表徵會對生理周期產生影響的影響因素。該影響因素包括女性年齡、氣候、情緒、健康狀況等等，相應地，該影響因素特徵包括女性年齡特徵、地域特徵、歷史生理周期特徵。

進一步地，地域特徵反映了女性所處地理位置的氣候等等。

歷史生理周期特徵包括歷史生理周期，反映了女性的情緒、健康狀況等等。

影響因素特徵的獲取過程具體包括：採集會對生理周期產生影響的影響因素，並對該些影響因素進行特徵轉換得到影響因素特徵。

在上述實施例的配合下，實現了基於影響因素特徵的多維度預測，以此進一步地提高了預測的準確率。

請參閱圖4，在一示例性實施例中，如上所述的方法還可以包括以下步驟：

步驟410，獲取訓練數據。

在進行女性生理周期的預測之前，為了構建生理周期預測模型，需要以訓練數據作為該生理周期預測模型的訓練基礎。通過獲取大量的訓練數據才能夠得到較為準確的生理周期預測模型，進而更加準確地進行女性生理周期的預測。

本實施例中，訓練數據由本地提取，即由本地的用戶日誌文件中得到。

如前所述，用戶日誌文件中存儲了體溫記錄，體溫記錄包括了測量的體溫以及該體溫所對應的測量時間。

由此，針對用戶日誌文件中包含的體溫記錄進行體溫提取，便可根據提取得到的體溫生成訓練數據。

當然，在其他應用場景中，用戶設備還可通過與存儲伺服器的交互，由存儲伺服器中獲取其他用戶設備中的訓練數據。

步驟430，針對獲取得到的訓練數據進行特徵提取，得到訓練數據對應的特徵序列。

如前所述，生理周期預測模型是通過對生理周期的特徵分布預先構建得到的，故而，在進行生理周期預測模型的構建之前，首先需要針對訓練數據進行特徵提取。

進一步地，獲取得到的訓練數據是海量的，相應地，特徵序列是與訓練數據對應的，即進行特徵提取之後，得到每一訓練數據所對應的特徵序列。

步驟450，根據訓練數據對應的特徵序列進行模型建立和訓練，得到生理周期預測模型。

在獲取到每一訓練數據對應的特徵序列之後，即得到了模型建立和訓練的輸入。也就是說，以訓練數據對應的特徵序列作為輸入進行模型建立和訓練，即能夠得到反映了生理周期的特徵分布的生理周期預測模型。

在上述實施例的配合下，實現了生理周期預測模型的預先構建，使得後續女性生理周期的預測具備了數學算法的支撐，從而有利於提高預測的準確率。

此外，保證了生理周期預測模型的構建是基於大量訓練數據，即真實的體溫數據，進而構成了生理周期準確預測的前提。

在一示例性實施例中，步驟410之後，如上所述的方法還可以包括以下步驟：

根據預設分類條件對訓練數據進行樣本分類，確定訓練數據對應的樣本類型標識。

如前所述，預設分類條件包括體溫曲線類型、測量時間段中的至少一種。

其中，體溫曲線類型包括正常雙相分布、異常雙相分布和單相分布。

進一步地，異常雙相分布包括曲線幅度上升緩慢、下降緩慢、升降幅度低於0.3等等。

單相分布包括曲線幅度偏低、偏高、曲線波形呈鋸齒狀等等。

測量時間段包括早晨時間段、下午時間段、晚上時間段。

相應地，訓練數據的樣本類型也包括正常雙相分布、異常雙相分布和單相分布以及早晨時間段、下午時間段、晚上時間段等。

進一步地，步驟450之後，如上所述的方法還可以包括以下步驟：

將樣本類型標識與生理周期預測模型進行關聯存儲。

舉例來說，體溫曲線類型為正常雙相分布，則訓練數據的樣本類型即為正常雙相分布，相應地，生理周期預測模型所反映的生理周期的特徵分布即是與正常雙相分布相關的。

通過如上所述實施例的配合，當樣本類型標識不同，進行生理周期預測所使用的生理周期預測模型也將有所區別，從而進一步有效地提高了預測的準確率。

進一步地，在一示例性實施例中，根據預設分類條件對訓練數據進行樣本分類，確定訓練數據對應的樣本類型標識步驟之前，如上所述的方法還可以包括以下步驟：

按照預設特徵提取算法的數據格式對訓練數據進行數據清洗，得到符合數據格式的訓練數據。

預設特徵提取算法是用於對訓練數據進行特徵提取的，按照預設特徵提取算法的數據格式對訓練數據進行數據清洗，將使得訓練數據的數據格式符合預設特徵提取算法的數據格式，進而有利於後續通過預設特徵提取算法對該符合數據格式的訓練數據進行特徵提取。

相應地，步驟430可以包括以下步驟：

調用預設特徵提取算法對符合數據格式的訓練數據進行特徵提取，得到訓練數據對應的特徵序列。

請參閱圖5，在一示例性實施例中，步驟450可以包括以下步驟：

步驟451，採用預設數學模型對訓練數據對應的特徵序列建模得到待訓練模型。

本實施例中，建模是藉助預設數學模型所描述的數學結構來反映訓練數據對應的特徵序列。

預設數學模型在此並未加以限定，以預設數學模型為hmm(hiddenmarkovmodel，隱馬爾可夫模型)—gmm(gaussianmixturemodel，混合高斯模型)模型舉例說明。

其中，hmm模型使用3狀態帶自環無跨越的拓撲結構，即訓練數據對應的特徵序列通過hmm模型進行狀態描述。如圖6所示，訓練數據對應的特徵序列被劃分為3個狀態，其中，每一個狀態si,i＝1,2,3隻能跳轉至其自身以及相鄰的下一狀態si+1，aij表示由狀態si跳轉至狀態sj的轉移概率。

進一步地，對於每一個狀態，採用gmm模型進行建模，得到能夠反映生理周期的特徵分布的待訓練模型。

換而言之，建模建立了狀態與特徵序列之間的對應關係，以便於後續通過訓練使得所建立的對應關係達到最優，即得到生理周期預測模型。

步驟453，對待訓練模型的參數進行隨機初始化，並利用最大期望算法對隨機初始化得到的參數進行迭代優化。

可以理解，通過訓練使得狀態與特徵序列之間的對應關係達到最優，即使得特徵序列屬於某個對應狀態的概率最大。

也就是說，為了獲知特徵序列屬於某個對應狀態的最大概率，將對待訓練模型的參數進行訓練。

具體地，通過最大期望算法(expectationmaximizationalgorithm，em算法)對待訓練模型的參數進行迭代優化，以得到待訓練模型的參數的確定值，該確定值即為特徵序列屬於某個對應狀態的最大概率。

其中，在參數迭代優化的初始階段，對待訓練模型的參數進行隨機初始化，以將該隨機初始化得到的參數作為初始的訓練參數。

進一步地，最大期望算法的每一次迭代優化過程包括如下兩個步驟：

e步驟，基於當前的訓練參數計算待訓練模型的參數的概率分布；

m步驟，計算能夠使待訓練模型的參數的概率分布期望最大時所對應的參數，該參數即為優化後的參數。

當優化後的參數無法使待訓練模型收斂，則以優化後的參數進行訓練參數的更新，繼續迭代優化的過程。

當優化後的參數使待訓練模型收斂，則跳轉進入步驟455。

步驟455，當優化後的參數使待訓練模型收斂，則判定收斂的待訓練模型為生理周期預測模型。

在訓練得到生理周期預測模型之後，通過該生理周期預測模型將能夠反映出女性體溫所對應的生理周期的特徵分布，以此由女性體溫便可預測得到相應的生理周期。

此外，訓練得到的生理周期預測模型與訓練數據的樣本類型相對應，使得不同樣本類型的訓練數據能夠分別建模和訓練出不同的生理周期預測模型，有效地保證了預測的精度。

圖7是一應用場景中一種女性生理周期的預測方法的具體實現示意圖，現結合圖1所示的用戶設備以及圖7所示的應用場景對本公開各實施例中女性生理周期的預測方法流程加以描述。

通過執行步驟601至步驟605，進行生理周期預測模型的構建。

通過執行步驟606至步驟610，對輸入的體溫數據進行生理特徵序列的提取。

並通過執行步驟611，以生理特徵序列作為模型輸入，通過生理周期預測模型進行生理周期預測，得到生理周期612和排卵期613。

在本公開各實施例中，利用機器學習算法進行生理周期預測模型的構建，使得女性生理周期的預測具備數學算法的支撐，避免簡單地以歷史生理周期的平均值作為預測值，以此有效地提高了預測的準確率。

下述為本公開裝置實施例，可以用於執行本公開所涉及的女性生理周期的預測方法。對於本公開裝置實施例中未披露的細節，請參照本公開所涉及的女性生理周期的預測方法實施例。

請參閱圖8，在一示例性實施例中，一種女性生理周期的預測裝置700包括但不限於：指令生成模塊710、體溫數據獲取模塊730、第一特徵提取模塊750和生理周期預測模塊770。

其中，指令生成模塊710用於偵聽用戶預測生理周期的觸發操作，生成生理周期預測指令。

體溫數據獲取模塊730用於根據生理周期預測指令觸發進行體溫數據的獲取。

第一特徵提取模塊750用於針對獲取到的體溫數據進行特徵提取得到生理特徵序列。

生理周期預測模塊770用於在預先構建的生理周期預測模型中，以生理特徵序列作為生理周期預測模型的輸入進行生理周期預測，輸出得到生理周期。

請參閱圖9，在一示例性實施例中，體溫數據獲取模塊710包括但不限於：體溫曲線繪製單元711、體溫曲線處理單元713和體溫數據提取單元715。

其中，體溫曲線繪製單元711用於根據預存的體溫記錄繪製體溫曲線。

體溫曲線處理單元713用於對體溫曲線進行平滑去噪處理。

體溫數據提取單元715用於由平滑去噪處理得到的體溫曲線中提取出體溫數據。

在一示例性實施例中，如上所述的裝置還包括但不限於：體溫記錄生成模塊和體溫記錄存儲模塊。

其中，體溫記錄生成模塊用於響應用戶針對測量的體溫觸發進行的體溫記錄操作，生成體溫記錄。體溫記錄包含測量的體溫以及該體溫所對應的測量時間。

體溫記錄存儲模塊用於將生成的體溫記錄存儲至用戶日誌文件。

在一示例性實施例中，如上所述的裝置還包括但不限於：第一樣本分類模塊。

其中，第一樣本分類模塊用於按照預設分類條件對體溫數據進行樣本分類，確定體溫數據對應的樣本類型標識。

相應地，如上所述的裝置還包括但不限於：關聯查找模塊。

其中，關聯查找模塊用於根據樣本類型標識關聯查找到對應的生理周期預測模型。

在一示例性實施例中，如上所述的裝置700還包括但不限於：數據清洗模塊。

其中，數據清洗模塊用於按照預設特徵提取算法的數據格式對體溫數據進行數據清洗，得到符合數據格式的體溫數據。

相應地，第一特徵提取模塊730包括但不限於：第一特徵提取單元。

其中，第一特徵提取單元用於調用預設特徵提取算法對符合數據格式的體溫數據進行特徵提取，得到生理特徵序列。

在一示例性實施例中，如上所述的裝置700還包括但不限於：特徵轉化模塊和影響因素特徵添加模塊。

其中，特徵轉化模塊用於採集影響因素，並對影響因素進行特徵轉化。

影響因素特徵添加模塊用於將特徵轉化得到的影響因素特徵添加至生理特徵序列。影響因素特徵用於表徵會對生理周期產生影響的影響因素。

請參閱圖10，在一示例性實施例中，如上所述的裝置700還包括但不限於：訓練數據獲取模塊810、第二特徵提取模塊830和模型構建模塊850。

其中，訓練數據獲取模塊810用於獲取訓練數據。

第二特徵提取模塊830用於針對獲取得到的訓練數據進行特徵提取，得到訓練數據對應的特徵序列。

模型構建模塊850用於根據訓練數據對應的特徵序列進行模型建立和訓練，得到生理周期預測模型。

在一示例性實施例中，訓練數據獲取模塊包括但不限於：日誌文件讀取模塊。

其中，日誌文件讀取模塊用於針對用戶日誌文件中包含的體溫記錄進行體溫提取，根據提取得到的體溫生成訓練數據。

在一示例性實施例中，如上所述的裝置700還包括但不限於：第二樣本分類模塊。

其中，第二樣本分類模塊用於根據預設分類條件對訓練數據進行樣本分類，確定訓練數據對應的樣本類型標識。

相應地，如上所述的裝置還包括但不限於：關聯存儲模塊。

其中，關聯存儲模塊用於將樣本類型標識與生理周期預測模型進行關聯存儲。

在一示例性實施例中，如上所述的裝置還包括但不限於：第二數據清洗模塊。

其中，第二數據清洗模塊用於按照預設特徵提取算法的數據格式對訓練數據進行數據清洗，得到符合數據格式的訓練數據。

相應地，第二特徵提取模塊包括但不限於：第二特徵提取單元。

其中，第二特徵提取單元用於調用預設特徵提取算法對符合數據格式的訓練數據進行特徵提取，得到訓練數據對應的特徵序列。

請參閱圖11，在一示例性實施例中，模型構建模塊850包括但不限於：建模單元851、訓練單元853和模型生成單元855。

其中，建模單元851用於採用預設數學模型對訓練數據對應的特徵序列建模得到待訓練模型。

訓練單元853用於對待訓練模型的參數進行隨機初始化，並利用最大期望算法對隨機初始化得到的參數進行迭代優化。

模型生成單元855用於當優化後的參數使待訓練模型收斂，則判定收斂的待訓練模型為生理周期預測模型。

需要說明的是，上述實施例所提供的女性生理周期的預測裝置在進行女性生理周期的預測處理時，僅以上述各功能模塊的劃分進行舉例說明，實際應用中，可以根據需要而將上述功能分配由不同的功能模塊完成，即女性生理周期的預測裝置的內部結構將劃分為不同的功能模塊，以完成以上描述的全部或者部分功能。

另外，上述實施例所提供的女性生理周期的預測裝置與女性生理周期的預測方法的實施例屬於同一構思，其中各個模塊執行操作的具體方式已經在方法實施例中進行了詳細描述，此處不再贅述。

在一示例性實施例中，一種用戶設備，包括處理器及存儲器。

其中，存儲器上存儲有計算機可讀指令，該計算機可讀指令被處理器執行時實現如上的各實施例中的女性生理周期的預測方法。

在一示例性實施例中，一種計算機可讀存儲介質，其上存儲有電腦程式，該電腦程式被處理器執行時實現如上的各實施例中的女性生理周期的預測方法。

上述內容，僅為本公開的較佳示例性實施例，並非用於限制本公開的實施方案，本領域普通技術人員根據本公開的主要構思和精神，可以十分方便地進行相應的變通或修改，故本公開的保護範圍應以權利要求書所要求的保護範圍為準。