项目介绍
个体差异不是噪声，而是建模的起点。
同一个心率，对不同的人意味着不同的事。绝对阈值难以覆盖个体差异，这也是许多健康预警被用户关掉的原因。孪生数字人换了一种做法：先建立每个人的基线，再判断偏离。
系统以穿戴设备为感知入口，用 14–28 天滚动数据建立生理、行为、心理三维基线，把“今天的状态”放在“这个人的正常带”里比较，得到相对偏离度。
在此基础上，判别模型负责测得准，大模型负责说得清、问得巧、接得住：给出可解释的归因、生成少量追问补全信息、并按分级把预警交给家属、单位或专业机构跟进。
五层模型
感知、数据、建模、预警、服务各司其职：小模型负责测得准，大模型负责说得清、问得巧、接得住。
多源采集，优先保证信号质量而不是采样密度。
- 手表 PPG / IMU
- 静息片段自动识别
- 睡眠与活动节律
- 量表与自评记录
体征、轨迹、环境与事件统一时序入库，端侧脱敏后仅上传派生特征。
- 时序数据湖
- 缺失值显式建模
- 端侧脱敏
- 审计留痕
基线模型、行为模式与环境风险三模型动态融合，输出相对偏离度。
- 个体基线（14–28 天）
- 昼夜节律孪生
- 风险判别模型
- 可解释归因
在孪生体上推演未来时段风险，按绿、黄、红三级输出并给出依据。
- 未来 24h 推演
- 绿 / 黄 / 红分级
- 拒答与置信度
- 误报治理
分级联动：本人提示、家属关怀、单位跟进、专业机构转介。
- 本人提示
- 家属与单位关怀
- 随访任务
- 紧急转介
六项能力模块
从信号质量到隐私治理，每一环都影响预警是否值得被相信。
多源感知与特征工程
在低活动窗口取高质量静息数据，提取心率变异、睡眠结构、活动节律等特征，比全天连续采样更省电也更干净。
个体孪生基线
按工作日与休息日分层建立滚动基线，输出个体正常带与昼夜节律紊乱指数，所有判断都相对基线而非绝对阈值。
风险判别模型
以可解释模型起步，逐步引入端侧时序模型与云端长序列建模，输出多类风险概率而非单一分数。
大模型解释与追问
把风险分、趋势与基线偏移作为工具结果输入大模型，生成通俗解读与 1–2 个微问卷追问，补全信息而不是一次推完整量表。
分级预警与联动
绿级常规反馈，黄级进入关怀与随访，红级经模型、规则、人工三重确认后再转介，不允许纯自动触发不可逆处置。
隐私与治理
健康数据按敏感个人信息处理：单独同意、最小必要、可撤回；分级授权，数据不用于考核、绩效与纪律处分。
以上为方案设定的目标指标，需在受控试点中验证；生理信号对状态趋势的判断能力强于对疾病的诊断能力。
适用场景
优先从有组织依托、能落到随访流程的人群开始，而不是把设备直接发给个人。
高强度职业群体
执勤与备勤期间连续采集，结合排班负荷在重大任务前批量推演状态。
高校学生心理预防
以节律紊乱指数识别作息崩溃风险，辅导员、心理中心与家长分级跟进。
企业 EAP 与职业压力
周度压力复盘与负荷红线提醒，群体层仅输出匿名热力图。
社区老年与慢病人群
心理风险与慢病共管，异常趋势纳入家庭医生随访优先级。
围产期情绪监测
量表推送与产检节点对齐，减少一次性长问卷带来的负担。
灾后心理援助
救援人员与受灾群众在灾后多个时间窗自动进入筛查与随访流程。
能力边界
- 定位是状态筛查与早期预警，不是诊断工具，不替代专业评估与诊疗。
- 高危判定由人工随访或专业量表确认，模型不自动触发不可逆处置。
- 数据分级授权，不用于考勤、绩效与纪律处分。
- 传感器缺失、运动中或佩戴不足时明确输出“无法判断”，不做推断。
从一支队伍或一所学校开始
说明人群规模、现有随访流程与数据合规要求，我们会给出试点设计与边界声明。