目标用户
-
希望进行自我探索但难以坚持主动记录的用户。
-
对个人行为模式和环境互动感兴趣，追求“量化自我”的人群。
-
寻求通过客观数据了解自身情绪与行为关联的个体。
核心功能模块
被动数据收集模块
-
环境录音分析
-
功能描述：在用户授权后，应用可在设定的时间段内（如用户指定的“清醒时间”）间歇性地、或在检测到特定环境变化时，启动麦克风进行短时录音。录音内容不存储原始音频，仅用于实时分析。
-
分析内容：
-
语音情绪识别：分析用户自身语音的语调、语速、音量，判断其情绪状态（如兴奋、平静、愤怒、沮丧）。
-
环境声景分析：识别背景声音，如交通噪音、办公室交谈、自然声音（鸟鸣、风声）、音乐等，以推断用户所处环境及其潜在压力源或放松源。
-
对话参与度：通过检测用户语音的出现频率和时长，间接评估其社交活跃度。
-
隐私保护：所有音频数据在设备端进行实时处理，处理完毕后立即删除原始录音，仅保留分析后的元数据（如“14:00-14:05，检测到用户语速较快，情绪偏激动，环境为室内多人交谈”）。
-
路线与位置记录
-
功能描述：后台持续记录用户GPS轨迹，了解用户的活动范围、通勤模式、停留地点及时间。
-
分析内容：
-
活动范围与规律性：分析用户每日活动半径、常去地点（家、公司、健身房、公园等）。
-
环境变化：识别用户是否接触了新环境，或长时间处于固定环境。
-
通勤压力：结合交通状况和通勤时长，评估潜在的压力水平。
-
其他被动信息收集
-
功能描述：收集手机中可获取的、与用户行为和状态相关的其他数据。
-
数据点：
-
屏幕使用时间与应用活动：了解用户在不同应用上的时间分配（如社交媒体、学习、娱乐），推断其兴趣点和潜在的时间浪费。
-
手机使用频率：解锁次数、通知查看频率，可作为注意力分散或焦虑的指标。
-
运动传感器数据：通过加速度计和陀螺仪，判断用户的活动状态（静止、步行、跑步、乘车）及大致活动量。
-
（可选）日历事件：读取日历标题和地点，辅助理解用户日程安排和上下文。
AI分析与洞察模块
-
情绪与行为模式分析
-
分析维度：
-
全天候情绪曲线：结合环境录音中的语音情绪分析和手机使用行为（如深夜频繁使用手机可能暗示焦虑），构建用户当日的情绪波动图。
-
环境-情绪关联：分析特定环境（如办公室、通勤路上、家中）对用户情绪的影响。例如，“在办公室时，你的语速平均提升15%，情绪偏向紧张”。
-
社交互动质量：基于对话参与度、语音情绪和环境声景，评估用户社交互动的性质（积极、消极、中性）。
-
输出形式：每日情绪热力图、环境情绪影响报告、社交活跃度摘要。
-
进步与习惯评估
-
分析维度：
-
目标行为识别：根据用户设定的成长目标（如“减少社交媒体使用”、“增加户外活动”），被动识别相关行为。例如，通过GPS判断是否去了公园，通过应用使用情况判断社交媒体使用时长。
-
习惯养成追踪：分析用户行为模式的改变趋势，如通勤路线是否更规律、夜间手机使用是否减少。
-
输出形式：周/月行为趋势报告、目标达成度分析、习惯养成进度条。
-
深度反思建议
-
分析维度：
-
基于客观数据的洞察：AI根据被动收集的数据，生成引导性问题。例如：“今天下午3点到5点，检测到你在办公室的语音情绪持续偏低，且背景噪音较大，这是否影响了你的工作效率？下次可以尝试戴上降噪耳机或短暂离开座位。”或“本周你有3天在晚上10点后仍有较高的手机活跃度，主要在使用短视频应用，这是否与你的早睡目标冲突？”
-
输出形式：每日/每周反思问题列表、个性化行为调整建议。
