Wir untersuchen die von Xiaomi Mi Band für das Jahr gesammelten Daten

Einführung

Menschen tragen Fitness-Armbänder aus verschiedenen Gründen, ich kann einige davon annehmen:

1. Um fit zu bleiben und die Ziele der Aktivität zu erreichen;
2. Weil es eine modische Kleinigkeit ist;
3. Mit sich selbst experimentieren oder sich selbst besser kennenlernen.

Ich trage ein Fitness-Armband aus Grund Nummer 3. In diesem Artikel möchte ich darüber sprechen, wie Sie Daten aus einem Armband extrahieren und versuchen können, einige Abhängigkeiten zu ermitteln.

Methoden zum Extrahieren dieser Daten funktionieren für Mi Band 1 , 1S und möglicherweise 2 (die App für 2 scheint dieselbe zu sein).

Datenextraktion

Um Daten aus dem Bracelet zu extrahieren, müssen Sie zunächst die Datenbank vom SQLite-Telefon abrufen, in dem die gesammelten Metriken gespeichert sind. Im Fall von Android geschieht dies sehr einfach, siehe Thema im xda-Entwicklerforum , Skripte für die aktuelle Datenbank :

1. Wir verbinden ein Android-Telefon mit aktiviertem USB-Debugging mit einem Computer.
2. Wir machen ein Backup der Anwendung: adb backup -f mi.ab -noapk -noshared com.xiaomi.hm.health ;
3. Erstellen Sie dd if=mi.ab bs=1 skip=24 | python -c "import zlib,sys;sys.stdout.write(zlib.decompress(sys.stdin.read()))" > mi.tar dd if=mi.ab bs=1 skip=24 | python -c "import zlib,sys;sys.stdout.write(zlib.decompress(sys.stdin.read()))" > mi.tar ;
4. Entpacken Sie das Archiv aus der Datenbank: tar xvf mi.tar apps/com.xiaomi.hm.health/db/ 2>&1 | tee -a log tar xvf mi.tar apps/com.xiaomi.hm.health/db/ 2>&1 | tee -a log ;
5. Kopieren Sie die Datenbank: cp -f apps/com.xiaomi.hm.health/db/origin_db* ./db/ .

Als Ergebnis erhalten wir eine SQLite-Datenbank mit dem Dateinamen db/origin_db_[0-9]+$ , in der die Mi-Band-Metriken db/origin_db_[0-9]+$ .

Laden und Analysieren von Daten

Um die Daten zu studieren, ist es meiner Meinung nach bequem, das IPython-Notizbuch zu verwenden: Xiaomi_Mifit_miband_data.ipynb

Metriken werden in der Tabelle DATE_DATA gespeichert:

 df = pd.read_sql_query("SELECT * from DATE_DATA", con) 

Interessante Spalten in der Tabelle:

Täglich aggregierte Daten

Aggregierte Daten werden als JSON gespeichert:

 {"slp":{"usrEd":-1440,"lt":457,"st":1464376080,"wk":15,"dp":30,"usrSt":-1440,"ed":1464406200},"v":5,"goal":8000,"stp":{"rn":2,"cal":257,"runDist":256,"wk":69,"ttl":5244,"runCal":13,"dis":3817}} 

Die Daten sind in zwei Teile unterteilt: Schlaf ( slp ) und Aktivität ( stp ). Für den Schlaf werden die Start- und Endzeit sowie die Zeit des tiefen und leichten Schlafes in Minuten gespeichert - lt, dp . Die Wachzeit zwischen dem Beginn und dem Ende des Schlafes wird ebenfalls gespeichert - wk . Für die Aktivität wird die Gesamtzahl der "Schritte" ttl gespeichert - die Summe der primären Sensorwerte für den Tag und anderer abgeleiteter Größen func(ttl, , ) .

Rohdaten zu Aktivität und Herzfrequenz

Rohe Aktivitätsdaten werden jede Minute (pro Tag 1440) gespeichert und repräsentieren 3 Werte pro Minute. Der erste Wert ist ein Traum und ein Wert von 0 bis 127 (aber in meinem Fall maximal 126), der zweite und dritte sind Aktivitäten mit einem Wert von 0 bis 255 (ich habe ein Maximum von Aktivität2 - 189, Aktivität3 - 240).

Der Impuls wird jede Minute gespeichert und reicht von 0 bis 255.

Wie Rohdaten pro Tag aggregiert werden

Das einfachste Aggregat ist die Anzahl der Schritte pro Tag - die Summe der Aktivitätswerte3 pro Tag. Es ist schwieriger zu schlafen: Ich habe nie gelernt, wie man rohe Schlafdaten in aggregierte Daten umwandelt. In den Foren wurde die Idee zum Ausdruck gebracht, dass der Wert von Aktivität1 == 4 Tiefschlaf und 5 Licht ist, aber es ist so einfach wie mit Schritten, eine Beziehung zwischen aggregierten Daten und Rohdaten herzustellen.

Datenanalyse

Erstens, wie viel ich während des Jahres geschlafen habe. Dieser Wert betrug ~ (7 + - 1) Stunden. Damit scheint alles in Ordnung zu sein.

Eine andere offensichtliche Sache - ich bekomme am Wochenende genug Schlaf:

Und wenn Sie das Verhältnis von Tiefschlaf zu Lichtqualität nennen, stellt sich heraus, dass ich am Donnerstag die beste Schlafqualität habe und gleichzeitig der Tiefschlaf 23% der gesamten Schlafzeit ausmacht. Und am Freitag - der schlechtesten Schlafqualität - habe ich Angst zu erraten, warum.

Die maximale Anzahl von "Schritten", die ich am Freitag und Samstag mache:

Gleichzeitig ist meine Umgebung der Tag, an dem ich wenig schlafe und wenig gehe. Es gibt keine offensichtlichen Erklärungen aus der Kategorie "Ich arbeite von zu Hause aus", daher ist dies etwas Neues für mich.

Ich hoffe, dass jemand von den Besitzern der beliebten Mi-Band-Armbänder auch sich selbst studieren und über ihre Eigenschaften berichten möchte.