0 背景
随着移动终端技术、无线网络、传感器技术的迅猛发展，以及大数据的迅速流行，一种被称为“量化自我”的观点受到人们的普遍关注，被认为是“将科学技术引入日常生活中的技术革命”。凯文·凯利在预测未来20年科技的发展趋势时，第一个提到的就是“量化自我” 。
量化自我小组成员，基于共同的时间记录经历，以及对于更广泛的量化自我话题的好奇，借此信分BP机会，对量化自我进行地毯式分析，希望能够对于个人的量化自我有更深入理解和运用，并期望能挖掘到有趣点。
1 定义量化自我
1.1 ”量化“和”量化自我“
2007 年加里·沃尔夫（Gary Wolf）和凯文·凯利（Kevin Kelly）首次提出”量化自我“(Quantified self，QS)的概念，是指用技术和设备追踪、探索自我身体，也称“自我跟踪”(Self- tracking)、“自我量化”(Self-quantification)、“自我监视”(Self- surveillance )、“个人分析”(PersonalAnalytics)或“生活骇客”(Life Hacking)。
但其实”量化“的概念并不是新产生的。首先想提到的是美国国父之一：本杰明·富兰克林（Benjamin Franklin），1726年，20岁的富兰克林开始为以后的人生打算，建立了他自己的“13美德”，用这个来规范自己，并且在以后的生活中不断以此反思。富兰克林记录，分析，回顾这些数据，改变自己的行为，通过“量化”提高自己。
除了美国国父，在大洋另一端也有一个人在不断地对自己的行为进行记录。《奇特的一生》的主人公柳比歇夫（Alexander Alexandrovich Lyubishchev）。正如书中提到“柳比歇夫的总结公正客观地反映了过去一年的历史。柳比歇夫的方法，以它细密的网眼，抓住了变幻无常的、老想溜掉的日常生活，抓住了我们没有察觉到的、损失掉的、不知去向的时间。” 柳比歇夫通过量化自己行为尽量达到自己能力范围内最大的产出。
社会学家Whitney Erin Boesel曾使用图示清晰表达了量化自我在更广泛意义上的定义，如下图：量化可以分为自我量化和他人量化，而在自我量化中又可以进一步区分为个体能意识到的量化和不能意识到的量化。在个体能意识到的量化中，又可以区分为自我发起的量化和其他强制执行的量化。目前我们主要关注的量化是个体能意识到的量化。
从狭义和广义两个方面来理解，狭义的量化自我是指与个人日常生理活动、状态直接相关的量化和监测过程，即通过计算机、便携式传感和智能手机等，追踪和记录运动、睡眠、饮食、心情等数据，主要针对运动健身、日常生理和疾病治疗等，目的在于改善健康状况。因此，也可称作“健康跟踪”(Health Tracking)。广义的量化自我不限于身体和健康领域，还包括个体的时间管理、资源分配、日常习惯、行为认知等；不仅追求身体健康，还包括提高工作效率和休息质量、督促目标完成等，可以看作“自我生活骇客”(Hack my life)。无论是狭义还是广义，量化自我都强调用户在主动参与中获得自我认识。
1.2 人们进行量化自我的动机
Quantified Self社区（后文会详细介绍）聚集了很多对量化自我感兴趣的人们，可以看到他们进行自我量化的动机主要可分为3大类，如下图：
Quantified Self社区中的归类总结，表格来自《自我管理》书籍
第一大类为改善健康：比如非常典型的治愈和控制疾病，不管在专业的医疗环境下还是生活中，都非常常见。譬如使用家用血糖监测仪，定期测试血糖监控其是否在目标范围内。还有全世界都非常关注的肥胖问题，大家也会通过定期测量体重，以监控体重或者在达成体重目标的过程中得到反馈。
第二大类为改善生活的其他方面：典型的例子就是时间记录，了解目前时间的分配情况，寻找更高效的自我提升方式。
第三大类为寻找新的生活体验：比如为了探索城市，记录自己每一条走过的街道。
1.3 量化自我的数据分类
按照人与信息的交互的深浅，把信息环境由深及浅分为“个体自身”、“设备”、“网络”、“环境”四个层次，与四个层次相对应的有四种主要量化自我数据集“生理数据”、“认知数据”、“行为数据”和“环境数据”，这就构成了一个完整的个体量化自我信息交互系统。
四种主要量化自我数据集
2 发展历程及现状
2.1 科研现状
2.1.1 学者
从论文发文数量和质量上来看，量化自我领域的研究力量集中在发达国家。但最近几年，国内也有一些学者也开始进行研究，热度明显增高。
量化自我领域研究国家图谱
通过查询知网、谷歌学术等学术网站，我们可以看到以下一些学者是值得特别关注：
国外学者
- 文章被引用量最高
量化自我领域核心文献图谱
- Melanie Swan
- 她是美国的未来学家和科学家，是区块链(Block Chain)和Diygenomics 创始人，主要从事数据区块链、深度学习(Deep Learning)、基因组学(Genomics)、网络(Networks)、量化自我(Quantified Self) 和个性化医疗(PersonalizedMedicine)等新兴科技领域的研究。
- 个人主页：https://www.melanieswan.com/
- 相关论文可参考谷歌学术
- 发文量最高
量化自我领域研究人员图谱
- Deborah Lupton
- 澳大利亚堪培拉大学教授，其研究领域集中在公共环境职业健康、生物医学社会学、保健科学服务以及文化等。因此，他对量化自我的研究主要从社会学角度，采用一系列社会和文化理论探究自我跟踪的社会和文化意义，如数字技术使用在个人经验、自我与社会的关系等方面对目标群体的影响
- 谷歌学术主页：https://scholar.google.com.au/citations?user=eUTSClMAAAAJ&hl=zh-CN
- 他也著有关于量化自我的书
- 其他学者
- 华盛顿大学的Munson SA、庆熙大学的Lee S、哈马德·本·哈利法大学的Weber I 、墨尔本大学的GrayK等学者在量化自我方面有研究。
国内学者
- 近年来国内对量化自我的相关研究也逐渐增多，代表学者有张彦斐、李东进、张宇东、陈然、杨成、张枝实等
量化自我-主题分析报告.doc
代表学者-按发文量排行
代表学者-按被引量排行
2.1.2 研究机构及组织
量化自我领域的研究机构主要集中在高校，国外主要集中在美国华盛顿大学、加州大学欧文分校、英国华威大学、加州大学洛杉矶分校。
量化自我领域研究机构图谱
国内主要集中在江苏师范大学、北京师范大学、北京科技大学、中南大学。
代表机构-按发文量排行
代表机构-按被引量排行
国外最主要的社区是QS社区，而国内还没有建立起非常集中专业的社区。
2.1.3 研究主题
从研究热点看，量化自我领域的研究热点集中在：
(1)“量化自我”“自我跟踪”“个人信息学”等概念的界定和内涵的探讨；
(2)量化自我的工具，如APP 的选择和使用；
(3)量化自我的应用，主要是医疗健康领域及日常活动监测方面的应用；
(4)量化自我的相关技术，如数据管理、数据挖掘、可穿戴技术；
(5)量化自我面临的挑战，如收集数据时的捕获负担、数据隐私、安全等。
下图是量化自我领域文献高频关键词聚类图
2.2 市场现状
- 市场情绪高涨
以下几个因素有助于理解行业参与者在自我量化设备和数据中看到的商机，以及为什么会有如此巨大的市场热情。第一个因素是技术成熟度。目前传感器系统可以很可靠地发挥效用，并以部分人可接受的价格生产。
如此高水平的投资背后的第二个因素，是我们已经概述过的社会变革，它使量化自身、生物医学化和大范围转向以数据为中心的文化更具吸引力。
引导我们走向第三个因素是，对公司来讲，它们非常希望相信自身的技术擅长解决问题。叶夫根尼·莫罗佐夫把这种相信称为“技术解决主义”，是一种相信靠技术能解决复杂社会问题的思想。
最后，自我量化数据引起商业兴趣的第四个因素，是其集中化的潜力。在硅谷，数据被视为值得储备的有价值的通用资源，是可能有一天会带来多重潜在用途的“新石油”。
- 其中可穿戴设备增长潜力大
可穿戴设备将逐渐与日常用品结合起来，如把传感器嵌入衣服、鞋帽、珠宝、耳机、眼镜等，结合硬件、软件和网络，采集全面准确的信息加以分析利用，而且越来越重视设计，越来越注重体现个人风格和特色。
量化自我相关可穿戴设备依然具有很大的增长潜力，特别是在医疗健康领域，未来可能会有一个爆发式增长。
2.2.1 智能穿戴设备
整体来看，智能穿戴设备市场规模仍然很小，用于健康和健身的腕带使用最广泛。——可穿戴设备市场发展迅速。主要玩家皆为大厂商，重视程度明显提高。增长预计还将持续。
- 和可穿戴设备相关的技术成熟度曲线
技术相关： 云计算、大数据、物联网、虚拟现实
- 2019物联网技术成熟度曲线：“物联网技术”已进入了幻想破灭期
- 2019新兴技术成熟度曲线
- 五种趋势：
- 2019物联网技术成熟度曲线：“物联网技术”已进入了幻想破灭期
- 感知和移动性
- 人类增强
- 后经典计算与通信
- 数字生态系统
- 高级AI和分析
- 2018年人机交互技术：多模态接口以及机器学习和其他形式的人工智能技术的进步正在深刻地影响着人机交互
- 2019中国ICT技术成熟度曲线重点是：人工智能（AI）、5G、数据分析、云、机器人和半导体
- 2018年人机交互技术：多模态接口以及机器学习和其他形式的人工智能技术的进步正在深刻地影响着人机交互
- 智能穿戴设备相关现状
- 2016年第4季度全球智能穿戴设备出货量为3390万台，较2015年第4季度增长16.9%，其中居行业首位的是Fitbit，其次为小米，苹果位列第三。
- IDC《中国可穿戴设备市场季度跟踪报告，2019年第二季度》显示，2019年第二季度中国可穿戴设备市场出货量为2307万台，同比增长 34.3%。基础可穿戴设备（不支持第三方应用的可穿戴设备）出货量为1846万台，同比增长31.9%，智能可穿戴设备出货量为461万台，同比增长45.0%。
- 根据研究公司Gartner的最新预测，到2020年，全球用户在可穿戴设备上的支出将达到520亿美元，较今年增长27%。
- 智能穿戴设备典型企业：华米科技。全部产品皆为量化自我相关设备。
- 安徽华米信息科技有限公司（NYSE：HMI，简称华米科技，英文：Huami Corporation），是专注于智能可穿戴领域的小米生态链企业，旗下产品主要包括小米品牌的智能手环及智能秤、自主品牌AMAZFIT米动系列的智能手表及智能手环等。公司创立于2013年12月，2014年1月公司获小米科技和顺为资本A轮投资，2015年初获高榕资本、红杉资本及晨兴创投3500万美元B轮投资。2018年2月8日，在美国纽约证券交易所上市，股票代码HMI，是安徽省首家在美国上市的企业。
- 融资历程
- 华米的经营收入增长速度较快，2015-2018年的营收分别是1.27亿美元、2.2亿美元、2.9亿美元、5.16亿美元，增速分别为73%、31.8%、77.9%；而2019年上半年也实现36.8%的增速，达到2.6亿美元.
- 据财报显示，华米2019年Q1报告期内营收7.996亿元人民币（约合1.191亿美元），同比增长36.5%，归属于华米的净利润为7530万元（约合1120万美元），上年同期为1480万元。基于非美国通用会计准则，归属于华米调整后的净利润为9500万元（约合1420万美元），同比增长2.7%。
- 研发进展：北大医院基于华米健康手环研究：房颤判断准确度达94.76%http://www.chinanews.com/m/business/2019/10-31/8994756.shtml；搭载全球首颗可穿戴 AI 芯片 米动健康手环「黄山1号版」发售https://www.huami.com/news/85；华米上线 VIP 服务 创新心血管全周期健康管理https://www.huami.com/news/83
- 股权状况
- 专利信息
- 招聘信息
2.2.2 医疗智能设备
医疗大数据下的医疗相关智能设备具有非常大的潜力，未来会有一个快速发展，但当下大部分企业还处在起步阶段。
- 2018年全球可穿戴医疗设备市场规模为245.718亿美元，预计到2026年将达到1393.536亿美元，在预测期间(2019-2026年)的复合年增长率为24.7%。根据联合国进行的一项研究，预计到2050年，世界上有近六分之一的人将超过65岁。此外，据此项研究，在北美和欧洲有四分之一的人将在同一时期超过65岁。全球人口老龄化将加速穿戴医疗设备市场的扩张。2018年，可穿戴医疗设备在北美地区创造了101.463亿美元的收入。北美地区正在见证患者与医生从偏好传统互动到远程互动的转变。预计到2026年，在可穿戴健身设备和可穿戴患者监测设备开发方面，有利的监管政策将持续推动北美市场的增长。
- 中国医疗健康智能设备产业链
- 医疗健康智能设备大部分企业还处于初创期
- 医疗健康智能硬件企业案例
- 医疗大数据行业，有国家层面的大量政策支持，未来会有一个极快的发展，跟量化自我存在部分交叉。
- 医疗大数据在近几年驶入快车道，行业增速逐年提升，市场规模更是不断突破。中研普华产业研究院数据显示，2017年我国医疗大数据市场规模达到643亿元，对比2013年331亿元，五年间复合增长率达20%。前瞻产业研究院预计，到2020年我国健康医疗大数据行业规模将突破800亿元。由此，我们推测医疗大数据行业将呈现持续增长的趋势。
- 在采集和存储阶段，医疗大数据来源主要分三大类：医院数据、基因数据和健康数据。其中，医院数据在规模和数据质量上最具竞争力，基因数据和健康数据是增速最快的数据类型。健康数据来源主要分为两类：一类是在线问诊平台，搜集用户健康和轻问诊信息，这平台以好大夫在线、平安好医生为代表；另一类是健康智能设备。其中，苹果、小米、华为通过建立软硬件智能健康产品线，进行健康数据采集，是中国市场健康智能设备出货量前三的厂商。
- 医疗大数据的火，早在2018年已有据可循，截止去年12月医疗大数据赛道，累积有600+创业公司，193个融资项目，230+家投资机构争相入场，创与投量级增长背后是全行业的蓄势待发。
- 医疗信息化的第二阶段是数据分析处理，主要作用是对海量数据进行结构化、标准化存储，结合应用场景进行筛选、分析以提升数据质量。这类企业主要是具有影像识别、深度学习、自然语义分析等核心技术，为医疗机构提供数据处理服务，进行数据分析及可视化应用。青桐资本对医疗大数据公司地域分布进行了研究，发现主要集中在北京、上海、广东、江苏、浙江等东部地区，究其原因主要是这些地区三级医院数量最多、优质医疗资源丰富且信息化程度高，企业能够获得高质量的数据样本。
- 从资本市场的布局来看，医疗信息化平台和辅助诊断类项目是资本重点关注的赛道。围绕数据互联互通、精细化管理的信息化平台，能有效提升医疗机构管理和诊疗水平，辅助诊断在疾病诊断中应用能力和发展潜力，正逐渐被资本市场的认可。
2.3 产品和应用
2.3.1 医疗健康领域
- 日常健康促进
- 运动保障
- 欧姆龙 智能运动管理型电子计步器 HJ-302 （2008）
- 运动 管理 APP“就爱运动”(Joiisports)，搭配蓝牙心率带或心率手表，随时监测和记录运动时的心率，适时提醒，保障用户运动安全，并通过可视化统计分析辅助用户制定更适合的运动计划。
- 饮食健康
- Yves Behar和Justin Lee研发的智能水杯Vessyl不仅能记录饮用量，还能感应杯中的水量和温度，检测杯中液体的糖分、蛋白质、脂肪等含量，在杯子侧面的显示屏显示相关数据，并通过相应的 APP 可以看到更详尽的分析
- 睡眠保障
- 通过腕带等可穿戴设备或智能手机自带的传感器记录睡 眠的相关数据，可以估计用户是处于清醒还是浅、深睡眠状态，提供睡眠模式分析，并根据应用程序算法在最适当的时刻唤醒用户
- 情绪监控
- 通过情绪跟踪类手机应用程序如 MoodPanda，可以获得心情图表短信提醒;借助压力管理程序Mycompass，通过呼吸练习和情绪管理可以实现更好的心理健康
- 慢性病管理
- 目前各种测量血压、血糖的应用程序及专业的智能血压计、血糖仪为用户提供了便利。
- G5移动血糖监测系统(Mobile CGM System)是Dexcom公司于2015年推出的一款糖尿病血糖监测移动设备
- 院外康复
- eg. 心脏瓣膜置换术后患者使用便携式血凝仪可以完成口服抗凝治疗的自我监测及管理
- 疾病预防和诊断
2.3.2 教育学习领域
- 量化学习 智慧教育、智慧校园
- 疾病预防和诊断
- 应用
- 美国纽约州波基普西市玛丽斯特学院与 Pentaho 公司合作发起了开源学术分析计划
- 美国纽约 Knewton 公司开发的 Knewton 系统是 一个在线智能适应性学习平台，通过采用知识图谱、 项目式反应理论、个性化内容推荐等方法，根据学习 者的学习情况进行量化和调整
- 智学网是科大讯飞公司开发的一个针对在线教学 的智能化服务平台。
- 优点
- 有助于补充与完善学习分析 的缺陷和不足。
- 有助于个性化学习
- 匹兹堡大学开发的软件“专心学习者”(Attentive Learner)，将手机的后 置摄像头变为感应器，通过覆在镜头上的指尖监 测心率、判断注意力。
- 有助于学习者自我管理
- 个人
- 优化碎片化阅读
2.3.3 自我管理领域
- 优化碎片化阅读
- 网络行为分析
- 用户网络行为研究，集中关注于 web 界面的交互特征下，用户的行为表现，相关研究延伸于传统的可用性工程系统体系。相关研究针对跟踪用户，有针对性的挖掘需求，研究他们的反馈，为 web 服务的体验优化做出巨大贡献，也总结出了非常完善的理论方法体系。以这些评估方法及指标体系为基础，逐渐产生了不少专业的行为数据统计分析服务，诸如：百度统计、神策分析、腾讯分析、友盟、谷歌分析等，它们应用非常广泛，往往能快速的帮助服务商发现一些有价值的点。但是这些分析更关注于用户群体的行为数据表现，进而去做尽量满足群体需求的设计，对个体的行为集关注度不高。
- 量化自我的网络行为分析更侧重体现在对个体体验的关注，通过对用户网络行为的特征定义、量化采集、分析记录，形成自我网络行为量化的可视化方案。通过积极主动的自我管理方式，通过更深入的自我认知，掌握和调控自己的状态，摆脱对专家的依赖。
- 辅助自我管理
- 量化精进法就是将目标管理和产品迭代融合在一起，以个人成长为目标，把个人当做一款产品以科学量化的方式打造，不断迭代升级，不断靠近更理想的自己。其中，目标管理决定你精进的态度，产品迭代提供精进的方法，并提供支撑你保持主动的实力。
- 决策支持
2.3.4 消费领域
- 客户细分与精准营销 量化自我使消费者能够基于对自我量化数据的分析和行为干预来满足个性化、精准化需求。以跑步为例，消费者借助相关设备追踪其跑步步数，并将数据上传至设备商云端平台。通过访问这些数据，运动鞋销售商能获悉消费者跑步习惯，如跑步公里数、通常跑步路线、体重等， 获得对消费者行为习惯有价值的洞察，并针对该消费者开展目标营销活动，如当消费者跑步鞋达到基准更换里程数时向其推送新款和适宜的跑步鞋报价信息。销售商可通过解读消费者在设备上注册的数据信息或是在量化自我过程中产生的数据来进行精准营销。
- 新产品设计与开发 通过量化自我，消费者能更加精准地了解其实际境况从而获得自我控制感，并依据自我量化数据采取高效、个性化、可操作的理性消费决策。消费者可以通过测量行为选择所具效能来优化消费行为， 可以基于对产品量化效能的直观判断理性选购产品。就企业而言，伴随着量化自我的推行，从追踪测量身体状况、工作绩效等自我活动数据的可穿戴设备到监测呈现空气质量、有害物含量等产品效能数据的智能家居，企业相继开发出自我追踪和效能可视化产品。量化自我数据的多方流动同样改变了企业原有的产品开发与经营策略。通过收集和分析消费者量化数据，企业可以更加科学地设计开发定制化产品组合。
- 客户关系管理
- 量化自我带来了消费者与企业间的全新互动，在这种互动方式下，消费者相较以往获得了更多自主性。以保健服务为例，量化自我的消费者通过向保健服务商提交自我追踪测量数据报告来自主选择保健服务。消费者与保健服务商之间更倾向于保持合作关系，技术支持下的量化自我使消费者能随时随地，甚至通过相关社群平台自主获得定制化的保健服务咨询。
- 不同于消费者主观臆断的自我提供数据，量化自我所获数据是对消费者个体行为状态的客观呈现和真实反映。通过分析客户量化数据，企业能从中提取客户精准信息以改善企 业行动、提升客户满意度、预测客户行为趋向;通过测量客户先前交易数量、门店访问次数等交易数据，企业可以确定客户关系水平;通过对数据的分析利用，企业可以调整客户关系管理模 式，向客户提供定制化规划建议。如企业运用CtrlCRM等技术平台量化与客户最适宜通话时长、回访次数等以指导其优化客户关系管理模式;支付宝平台通过测量客户对各类商品的支出额，生成直观年度对账单并反馈给客户，使客户明确其各类商品的消费比重，以引导其科学规划今后的商品选购。
2.3.5 其他领域
-
军事机载任务系统
现代机载任务系统是一个典型的、庞大的复杂的人一机一环系统，操作员担负着直接操作、监控观察、协同合作等保证圆满完成其预定使命任务的重任。操作员的工作质量、操纵效能和生活条件将直接影响军事作战能力、航行安全和各项战术技术指标的完成，是决定作战使用可靠性的重要环节。
把量化自我大数据技术应用到复杂信息系统人因评估领域能够大大推动军事战略的发展，不仅能改善机载信息系统的界面信息优化、提高操作员的操作效率，还为作战的实时监测、多分布式人因数据采集等方面提供更多的方式和可能，人因数据的内容更加丰富、全面。进而为实现基于操作人员状态对显示界面的设计、布局合理自适应重构、基于生理学数据和神经计算建立实时、高精度的作战人员状态感知模型以及基于深度学习的训练库提高操作员的准确度等在线处理实时分析、自动分析方面工作做好坚实的基础。
3 实践代表–QS社区
3.1 简介
- 官方网址：https://quantifiedself.com/
- 全球QS meetup分布：Meetups - Quantified Self，主要分布在北美和欧洲，亚洲主要在东京、首尔、香港、印度等地，大陆还没有。
- 目的：exchange what they are learning from their self-tracking practice
- 形式：Show&Tell talk
- 回答以下问题：“What did you do? How did you do it? What did you learn?”
- 建立meetup
- 无需授权
- 可赞助Meetup费用
- 联系方式：labs@quantifiedself.com
3.2 研究主题及项目
在QS社区网站上，我们可以看到有非常多研究主题，覆盖广泛，有趣度高，包括：Chronic Condition 慢性疾病、Cognition 认知、Diet And Weight Loss 饮食与减肥、Environment 环境、Food Tracking 食物追踪、Genome & Microbiome 基因组和微生物组、Heart Rate / Cardiovascular 心率 / 心血管疾病、Location 位置、Media 媒体、Metabolism 新陈代谢、Money 金钱、Mood & Emotion 情绪与情感、Other 其他、Ovulatory Cycle & Pregnancy 排卵周期与怀孕、Productivity 生产力、Sleep 睡觉、Social Life & Social Media 社交生活和社交媒体、Sports & Fitness 运动与健身、Stress 压力
社区上同样也正在进行很多非常有趣的项目：
- 身体
- 记录肤色变化
- 健康
- 跟踪有氧运动恢复
- 记录血糖
- 房颤
- 跟踪正念冥想效果
- 行走冥想
- 睾酮转换testosterone （非男非女）
- 饮食控制，情绪测试
- 音乐对于情绪影响
- 过敏测试
- 胆固醇测试
- 排卵期测试
- 行为控制
- 戒网
- 手机、社交媒体使用情况和情绪跟踪
- 注意力跟踪
3.3 怎么进行量化自我
QS社区针对量化自我提出了一些建议的步骤：
- 提问
- 阐明你做QS项目的理由的过程是至关重要的，远比使用什么工具、应用什么方法或测试什么干预措施重要
- 动机
- 提高人们对何时何地何事的觉知，这样你就能更好地控制局面
- 了解症状的频率和强度，如疼痛，头晕，抽筋，或过敏，以支持医学治疗
- 发展一项技能，比如数据可视化，把它应用到你感兴趣的事情上
- 使用自己的数据进行创造性的表达
- 修补有趣的硬件
- 在体育和健身训练方面取得进展
- 物理治疗和伤后恢复
- 观察
- 决定观察什么
- 相关性：这些观察结果是否真的提供了我所关心的东西的要点？
- 方便：我可以轻松和一致地收集这些观察结果吗？
- 可靠性：我对测量结果有多少信心？
- 记录你的观察
- 入睡前的情绪或醒来后感到精神恢复
- 疼痛对日常功能的干扰
- 体育运动中“准备就绪的主观感受
- 保护你的观察资料
- 数据一定能导出
- Apple Health：free QS Access App
- 数据一定能导出
- 决定观察什么
- 推理
- 现在你手头有了这份记录，有很多不同的方法来研究。如果你有一个数字记录，你可以利用现有的知识，梳理数据的意义，做出预测，增强你的信心，将原因和结果联系起来。从数据中获取意义是”下限\上限“的终极任务。有一些学习方法是每个人，包括幼儿都可以学到的，有一些方法只有在多年实践之后才可能成为有益的。这里有三种方法可以让你利用自己的观察结果立即见效：
- 创建一个基准
- 尝试一个数字基线：一个基线测量可以像一个表示单个测量的数字那样简单。你能不休息地做多少俯卧撑？这是你做俯卧撑的底线。有时可以使用单个数字基线来表示复杂的现象。
- 以平均值为基准：当你的测量结果由于日常生活中的正常波动考忠心率、血压、体重或情绪）而变化时，你可能需要多次平均测量以获得一个有意义的基准。考虑如何使用平均值作为你的基准，自然会促使你考虑从测量到测量的期望变化是什么，以及根据不同的条件你期望它会如何变化。
- 收集一个非正式的日常观察“桶“：你创建一个基线的方法将反映你希望从你的项目中发现什么。当你思考你的基准线时，回到你的问题，”事情怎么样了？“，您可以使用一组随意的观察，甚至以简单的注释的形式，作为项目的基线。你选择要记下什么表达了你的感觉，你猜测的因素可能会随着时间的推移而改变。
- 使用时间线
- 也许最常见的正式的数据推理工具是一个图表，显示随着时间的推移而发生的变化。无论你只有几个观察结果，还是几百万个观察结果，你通常都可以找到一种方法，根据它们是什么时候产生的，将它们排成一行时间轴可能会带来令人着迷的技术挑战，尤其是在处理大量的、使用不同方法收集到的各种各样的观测数据时
- 回顾性注释
- 看看你的观察记录。随着时间的推移有什么变化吗？这种变化的一些可能原因是什么？在许多情况下，这个问题的答案并不明显。在思考你自己的数据时，你会经常想要探索在这段时间里发生的其他事情
- 有些人提前出发去“追踪一切”我们有一个不同的建议。有时候，简单地利用你的记忆去反思你的时间线是如何显示的，这会给你一些关于原因和结果的想法。此外，在这个数字工具的时代，我们生活中的许多事情创造了一个记录，我们可以在事后查阅。大多数数码照片都有一个时间戳，让你可以回到测量的那一天，并得到关于那一天你可能在做什么的提示。如果你使用电子日历，那么你就会知道你有什么约会。你的电子邮件还包含许多细节，可以帮助你重建你的过去。我们通常可以通过回顾过去，为有趣的时刻添加上下文描述来回顾我们的观察。
- 在推理自己的数据时，考虑可能参考的所有数字痕迹。
- 创建一个基准
- 现在你手头有了这份记录，有很多不同的方法来研究。如果你有一个数字记录，你可以利用现有的知识，梳理数据的意义，做出预测，增强你的信心，将原因和结果联系起来。从数据中获取意义是”下限\上限“的终极任务。有一些学习方法是每个人，包括幼儿都可以学到的，有一些方法只有在多年实践之后才可能成为有益的。这里有三种方法可以让你利用自己的观察结果立即见效：
- 巩固洞察力
- 自我跟踪项目是一个持续的学习过程，从你想探索什么问题的第一时刻开始，每一步都提供了一个机会，让你找到一些有用的东西。然而，随着项目的开发，有一个特定的活动，它支持创造性，并且专注于思考你自己数据；也就是说，行动起来，分享你所知在根据你所学的做决定时，在向别人描述你所学到的东西时，你经常会发现自己重温过程中的每一步，对它进行更深入的思考，甚至尝试新的技术来测试和阐明你的想法。
- 我们一次又ー次地看到，分享项目的细节ー一看起来像是最后一步ーー实际上是一种学习更多东西的方法。有许多方法和地方可以分享你的项目。
- 你做了什么？你是怎么做到的？你学到了什么？这三个问题是量化自我展示与讲述演讲的结构。当你准备分享你的项目时，对你从中得到的东西给予一些新鲜的思考。
- 做一个诚实的报告者
- 克制住概括(generalize)的冲动。仅仅因为你经历了一个结果，并不意味着其他人也会经历。在分享自我追踪项目时，你的特殊经历比广泛的结论和发现更有价值。
- 重视好的问题并保持联系。找到好的问题是很重要的，这是这本指南的开始，也是它的结束。如果你的自我追踪项目向他人提出了好的问题，那么你就给了他们有价值的帮助如果他们的- 用户自己记录的数据往往不准确，智能设备自动监测的数据也不完全可信。比如，按照一定的频率晃动手机也能得到运动步数的变化数据；同时用不同品牌的设备监测同一指标，往往得到不同的结果。这样采集到的数据缺乏准确性，只能作为参考而并不能作为疾病诊治的依据。
数据挖掘与融合充满障碍
量化自我工具五花八门，数据类型多种多样。如果各种数据不兼容，就无法高质量地利用采集到的信息。如果不能从海量的量化自我大数据中挖掘出有价值的信息，那么得到的仅仅是一些几乎没有参考价值的数字。全面、精准地解读个体特征以及这些特征的变化规律，必须解决多源数据融合以及数据深度挖据的问题。而数据的融合和挖掘涉及到技术、算法、规则、隐私、安全、社会、政治等一系列问题，解决并非易事。
数据隐私问题
将量化自我数据共享到公共平台上，互相交流监督的同时，也在一定程度上公开了个人隐私。如果这些公开的信息及其背后隐藏的信息被一些别有用心的人挖掘利用，可能对当事人造成巨大的困扰甚至损失。如果病人的隐私或病历资料被泄露，则可能导致社会歧视、名誉受毁等严重的人身问题。量化自我数据作为重要的隐私，应当得到充分的保护，这需要从技术和用户两方面同时着手。
5 总结
总体来看量化自我随着技术进步和研究增多，其中有非常大的想象空间。在QS社区，热衷于量化自我的人们也越来越多，尝试探索的方向也相当有趣。
量化自我并不仅仅限于记录、然后通过数据去分析结果，这乍一听起来很难持续且需要考验分析能力；也不仅仅限于诸如提高个人生产力、提高学习能力、改善健康，这往往会给还未深入接触量化自我的人们很大的压力。在QS社区的分享中，有人通过跟踪自己位置10年，发现数据中的故事能够回顾过去；有人在每天跑步运动时，拍一张照片，帮助他着迷于当下在做的事情；有人使用照片记录生活，更客观的看到自己。我们会发现，量化自我可以非常有趣，可以帮你做很多事情，这更像是一个探索自我的过程。
在量化自我的过程中，怎么把记录观察到的数据落地是非常重要的。我知道我今天走了几步，消耗了多少卡路里，还有睡了几个小时，甚至于我某一时刻睡眠质量如何，但是，这些数据要怎么利用？这些记录都只是停留在记录方面，而真正需要形成正反馈的个性化建议和激励机制都还没有很好地被建立起来。把获得的数据转化为改变和提高生活质量，才是QS的真正目的。
目前量化自我小组成员，基于共同的时间记录经历，以及对于更广泛的量化自我话题的好奇聚集在一起。我们希望将时间记录做到极致，探索更优的量化体验和流程以及可行的商业模式。目前已自发建立起”时间胶囊“项目，对此感兴趣的同学可以联系本组组长郑皓同学了解，我们欢迎您的加入。
6. 参考文献
- 张彦斐,胡德华.量化自我研究的知识图谱分析[J].图书馆论坛,2018,38(02):8-16.
- 谢文婷.个人健康管理产品设计现状分析及发展趋势研究[J].信息记录材料,2017,18(08):170-173.
- 万昆,刘华.量化学习:大数据时代的学习方式[J].数字教育,2018,4(02):45-50.
- 胡德华,张彦斐.量化自我研究[J].图书馆论坛,2018,38(02):1-7.
- 覃京燕,曹莎,王晓慧.绿色IT可持续设计理念下基于量化自我的智能服装交互设计[J].包装工程,2017,38(06):1-6.
- 李东进,张宇东.消费领域的量化自我:研究述评与展望[J].外国经济与管理,2018,40(01):3-17.
- 李超强,侯文军,李豪.“量化自我”-复杂信息系统人因功效评估大数据分析平台的建设[J].中国电子科学研究院学报,2017,12(06):563-569.
- 朱启贞,胡德华,张彦斐.量化自我理论在健康领域的应用[J].图书馆论坛,2018,38(02):17-21.
- 商家双. 基于量化自我的网络行为可视化研究[D].北京邮电大学,2018.
- 王鹏涛,路璐.量化自我与碎片化阅读融合进路中的阅读效率提升机制研究[J].出版发行研究,2019(03):82-86.
- 3年亲身实践 用量化精进法做一份自己的年度计划 Accessed October 31, 2019.
- AI量化投资社区 - BigQuant. “用数据思维量化你的生活,” August 29, 2018.
- 艾瑞咨询“2016年中国医疗健康智能硬件行业报告”
- IDC“中国可穿戴设备市场季度跟踪报告，2019年第二季度”
- CBNDATA“2019中国医疗大数据研究报告”
- 元真价值投资研究报告
- 青桐资本行业观察 医疗大数据：如何实现商业化变现？
- Retrieved from: 东方财富网“华米科技”
- Retrieved from: 雪球网
- Retrieved from: 企查查
- Retrieved from: 天眼查
- 开智信息工具箱
- 《笨方法学写作》，陈素封
- Retrieved from: www.slant.co
- 吉娜·聂夫, 和唐恩·娜芙斯. 量化自我：如何利用数据成就更幸福的自己. 翻译 方也可. 机械工业出版社, 2018.
- Retrieved from: github awesome
- Retrieved from: 万方主题分析
- Retrieved from: https://quantifiedself.com/
附录：生产力工具箱
Changelog
2019年11月16日 V1.1 皓同学增加 1.3，添加若干图表
2019年11月16日 V1.0 胡杰颖初稿
