OpenStrap/analytics

# OpenStrap 分析 这就是具体的计算逻辑。给定一段按分钟记录的心率、运动和佩戴数据，它会 计算出你所关心的指标：你今天的运动强度有多大、睡眠质量如何、是否已经 恢复、训练负荷趋势如何。[后端](https://github.com/OpenStrap/backend) 会导入并在 cron 任务中运行它。就其本身而言，它只是一堆函数。 我想直接跟你说清楚它能做什么和不能做什么，因为它很容易被夸大。 这里的每一项内容都是已发表、经过同行评审的方法。使用 Banister 的 TRIMP 计算 运动强度。使用 Cole-Kripke 体动记录仪分析睡眠。使用 Keytel 方程式计算卡路里。还有睡眠 规律性指数。使用 ACWR 评估负荷。这些全都不是我自己发明的，没有使用任何神经网络，也不是 我在瞎猜 WHOOP 是怎么做的。我选择了文献中已有的方法，这样你 就可以去阅读相关论文，自己决定是否相信这些数值。 这就引出了最实在的一点：**这和 WHOOP 提供给你的数据一样吗？不。差得远。** WHOOP 花费了数年和大量资金，在其云端和研究团队 的支持下，将传感器数据转化为恢复和 强度评分。而我只有每分钟的心率和一些教科书上的方程式。我计算出的结果是一个基于手环 实际输出数据构建的可靠近似值。它很有用，能正确反映趋势，并且会在你 恢复不足时提醒你。它不是他们的核心机密，我也不会假装它是。 ## 一个数值如何知道该对自身赋予多少信任度 所有结果都返回相同的数据结构： ``` type Metric = T & { confidence: number; // 0 to 1 tier: 'AUTH' | 'HIGH' | 'ESTIMATE' | 'RELATIVE'; inputs_used: string[]; // which inputs actually fed this } ``` 层级（tier）会告诉你这是一个什么样的数值。`AUTH` 表示它直接来自 设备。`HIGH` 表示它是经过测量并套用了可靠的已发表方法计算得出的。`ESTIMATE` 表示它是建模估算出来的，你应该把它当成一个大概的范围。`RELATIVE` 表示它只有在 与你的自身基准线相比时才有意义，皮温就是一个例子，它的绝对 数值毫无意义，但变化量是有意义的。 置信度是计算出来的。它主要取决于覆盖率（我是否获得了 足够的佩戴时长？）和完整度（我需要的输入项是否实际上都存在？）。如果你 只戴了四个小时而不是一整晚，置信度就会下降。如果某个指标需要 三个输入项但只得到了两个，它也会下降。 整个代码库遵循这样一条规则：**如果没有输入数据，结果就是 `null`， 并且置信度为 `0`。** 我绝不会用一个看似合理的猜测来填补数据空白。缺失的 数值依然保持缺失。一旦它开始捏造数据，其他所有结果的 可信度也就荡然无存了，所以它干脆不这么干。 ## 每个文件计算的内容 | 函数 | 文件 | 功能描述 | |----------|------|--------------| | `calcRestingHR` | `resting.ts` | 整个睡眠窗口内心率的第 5 百分位数。如果尚未入睡，则回退到最安静的 30 分钟心率。 | | `calcStrain` | `strain.ts` | 基于心率储备的 Banister TRIMP，将 `ratio·0.64·e^(1.92·ratio)` 按分钟求和，并压缩到 0–21 的范围内。 | | `calcHrZones` | `zones.ts` | 根据最大心率的百分比，统计在五个心率区间内停留的时间（分钟）。 | | `calcCalories` | `calories.ts` | Keytel (2005) 提出的每分钟活动卡路里方程式求和。男女使用不同的计算公式；如果在性别未知时，则取两者的平均值。 | | `calcSleep` | `sleep.ts` | Cole-Kripke 根据体动情况对每个 Epoch（睡眠分段）进行清醒或睡眠评分，然后我结合夜间心率的下降趋势对其进行微调。得出入睡时间、醒来时间、睡眠效率以及 Beta 睡眠阶段的估算值。 | | `calcSleepRegularity` | `regularity.ts` | 睡眠规律性指数，范围 0–100，根据你每天晚上就寝和起床时间的波动程度计算得出。 | | `detectSessions` | `sessions.ts` | 检测锻炼时段：心率储备持续超过 40% 的时间段，然后将其大致分类为有氧运动、力量训练或步行。 | | `calcHrRecovery` | `recovery.ts` | HRR60，即你在达到峰值后的一分钟内心率下降了多少。这是一个真正的健康指标。 | | `calcLoad`, `calcFitnessTrend` | `trends.ts` | 使用 ACWR（近 7 天数据与近 28 天数据的比值）评估负荷，并通过静息心率和 HRR 的回归斜率来判断你的体能是否在提升。 | | `calcReadiness`, `calcAnomaly` | `readiness.ts` | 根据静息心率偏差、睡眠负债和睡眠质量计算准备程度。此外还带有一个预警标志：“你的静息心率已经连续两天偏高，你是不是快生病了？” | | `calcBaselines` | `baselines.ts` | 滚动计算的 30 天中位数，这是其他所有指标进行对比的基准锚点。 | | `calcStress`, `classifyArousal` | `stress.ts` | 根据你在静止状态下心率高于静息心率的情况来评估唤醒度。如果你在运动，那就是锻炼而不是压力，因此系统会对运动状态进行屏蔽排除。 | | `calcNocturnalHeart` | `nocturnal.ts` | 你的睡眠心率、最低点、相比白天心率的下降幅度，以及心率偏高时的预警标志。 | | `buildCoach` | `coach.ts` | 一个简单的规则引擎。读取恢复情况和负荷，设定强度目标，并对一些建议进行排名。没有 AI，只是基于写死阈值的“如果发生 A 则执行 B”逻辑。 | | `buildNotifications` | `notify.ts` | 决定哪些信息值得推送给你。最多不超过六条，按优先级排序，每条信息都有一个固定的 ID，确保你不会收到重复的提醒。 | 有几件事需要特别说明一下，以免你到处去找： **这里没有 HRV，以后也不会有。** WHOOP 的恢复机制是基于心率变异性，即 心跳之间的时间间隔建立的。手环并没有通过网络将这项数据传给我们，至少 我目前无法通过任何方式恢复提取它。因此，这里的准备程度是基于静息 心率、睡眠负债和睡眠质量构建的，并且标签上已经明确说明了这一点。 `hrv.ts` 文件是故意留空的，以此来提醒我们所缺失的数据。 **最大心率**会进行平滑降级回退：如果我见过你在锻炼中的真实 峰值心率就用它；否则使用我观察到的最高心率；再不行就用 `220 − 年龄`；最后实在不行则默认 190。数据 来源越不可靠，依赖它的任何指标的置信度就越低。 ## 测试 全都是纯函数。没有时钟、没有随机性、没有网络请求、没有数据库。相同的输入， 每次都会得到相同的输出。这意味着测试仅仅是输入预设数据然后断言输出结果， 完全不需要 mock 任何东西。 ``` npm test # runs every module's test block npm run typecheck ``` ## 如果你想添加新的指标 编写一个函数，接收分钟数据（或历史记录）以及基准线和用户配置（profile）， 然后返回一个 `Metric`。保持纯函数特性，不要产生副作用。像其他 指标一样，根据覆盖率和完整度推导置信度，当缺少输入数据时返回 `null` 且置信度为 `0`。在代码注释中写明你所使用的方法 名称，以便下一个人能够验证你的逻辑。另外，如果你的想法需要用到 HRV 或手环无法提供的 某些信号，那它就不属于这里，这就是底线。

标签：MITM代理, TypeScript, 健康监测, 可穿戴设备, 安全插件, 生物统计学, 睡眠分析, 纯函数, 自动化攻击, 运动数据分析