为什么人体状态理解需要个人基线与长期趋势？

单次读数和长期理解，是两个问题

设想两个人在终端前得到相同的脉率估计。一个人刚走进房间，另一个人已坐着休息一会儿；即使数值相同，它们也不一定表达同一种状态。再设想同一个人在不同日子使用设备，变化可能来自活动，也可能来自采集环境。

这说明，一个数字最好连同“何时、在做什么、怎样取得”一起理解。与其先急着设一个适用于所有人的状态阈值，不如先明确哪些记录真的可以放在一起比较。

基线不是一个固定数字

最简单的基线像“过去通常处于什么范围”，更完整的基线还会区分情境。休息时的历史记录，与活动后的记录，可以各自形成参照。它不应被理解成一个永远不变的“标准人”。

HRV等指标的解释尤其需要注意记录方式和条件。经典标准对时间尺度、信号处理与生理解释进行了区分；这并不意味着任意设备得出的一个同名指标可以直接互换。^[1][2]

图示可在框内左右滑动查看。

先区分三种变化，再谈有什么意义

短时波动是在一段互动或一次行程中出现的起伏。持续偏离是在多个可比较片段里反复出现的变化。恢复过程则描述活动或任务结束后，某些特征怎样逐步接近先前水平。

这三种模式是时间组织方式，不是疾病分类。它们可以帮助应用区分一次性需求和需要持续关注的变化，讨论活动安排、生活辅助与后续服务，而不是直接输出“身体正在恶化”。图中的时间线只是概念示意，不包含产品实测数据。

最容易误判的，是把设备变化当作人的变化

换了摄像头、改变了补光、把终端移到窗边，都可能改变视频中的信号。对于依赖光学变化的感知，输入差异尤其值得重视。移动视频数据研究正是为了覆盖更多光照、活动和肤色条件，帮助理解这些分布差异。^[3]

因此，跨次使用时不仅需要“认出同一个人”，还需要判断记录是否处在可比较条件下。对于暂时不可比较的片段，可以保留为独立记录，而不是强行接入趋势曲线。建立长期趋势时，每条记录的测量来源都需要保留。

历史记录应当保留哪些背景？

这张表描述概念上的记录类别，不是某款SDK的字段清单，也不要求保存所有原始视频。实现长期服务，可以先从满足目标的最少信息开始。

基线也需要更新，但不能“什么都吸收”

生活习惯和使用情境会变，历史参照不应永远冻结。另一方面，如果把每一次持续偏离都立即吸收入基线，原先值得关注的变化又可能被掩盖。

合理的设计需要区分“正常的参照更新”“设备变化后的重新建立”与“暂时保留观察”。更新周期和算法阈值需要根据指标含义、使用目的与实际产品能力确定，不能统一规定。

跨设备接续服务与跨设备比较，是两回事

用户在智能镜前选择了后续关注安排，随后改由机器人或智能屏交互，这种服务可以在授权范围内接续。需要延续的首先是人的明确选择、任务进度和下一步安排，不一定是原始影像或全部生理历史。

要把不同设备的数值用于同一基线，则还需要处理采集条件、指标含义和测量来源。身份属于同一个人，只解决了记录归属问题，没有自动解决可比性问题。不能将“服务连续”宣传成“任何设备间数值无缝互换”。

从趋势到服务：关键是决定接下来关注什么

在室内空间中，个人基线可以为活动与休息安排、持续状态关注和授权照护沟通提供背景。陪伴机器人、智能镜和其他入口分别承担适合的环节，不必让用户在每一台设备上从头解释。

健康座舱则可以在用户选择下回顾同类旅程中的状态线索；康养服务终端可以把多次主动参与的记录作为沟通材料。这里讨论的是系统方向，不等于所有产品已经提供跨设备、跨场景自动校正。

也不应因为有了长期基线，就把每次偏离自动转换为固定行动。趋势帮助组织后续关注，实际服务仍需要结合当前任务、用户反馈与可用能力。室内空间示例见《当室内空间成为物理AI系统，人体状态智能能带来什么？》。

长期记录也意味着更长期的数据责任。用户应知道用途、分享范围与停止方式；涉及个人信息时，还需要结合具体处理活动遵守相应规则。^[4] 个人基线应帮助用户了解变化，相关记录和解释也应便于查看和纠正。