open_oura 是一个面向 Oura Ring（Gen 3/4/5）的 Rust 工具包，本项目用线性校准方法，从一份 Oura 账户的 Trends 导出 CSV 中，反推出 0–100 分制 Sleep Score、Readiness Score 与 Activity Score 的组合权重与子分数曲线，并能在本地无云环境实时复算你的睡眠分数。整个过程不需要阅读反编译代码，只要一条回归。

为什么 Oura 的分数可以离线复现？

一个关键发现：Oura 的三个 0–100 分数不是在云端算的。它们由手机里的原生ecore引擎（libappecore.so）在本地计算后上传，云端只负责存储与同步。这意味着只要拿到分数公式，就可以完全离线复算（见 docs/algorithms/README.md）。

但权重表无法直接从反编译产物中干净读出，于是项目采用了更稳妥的路径——校准（calibration）：

Trends 导出 CSV 里，每一天同时包含「最终分数」和「各贡献因子子分数」，这正是回归分析需要的成对样本。

整体思路分两层：

准备数据：导出 Oura Trends CSV

线性校准对样本量有要求，建议300 天以上的完整导出（项目验证用了 336–348 天）：

1. 登录 Oura 网页账户 → 设置 → 数据导出，选择 Trends 趋势导出；
2. 得到的 CSV 放到仓库的local/trends.csv，或直接用--csv参数指定路径；
3. 安装依赖：

python3 -m venv .venv && .venv/bin/pip install -r requirements.txt

如果需要拉取代码，克隆地址为https://gitcode.com/gh_mirrors/op/open_oura。

第一步：线性回归恢复组合权重

运行权重恢复脚本 tools/fit_scores.py：

python tools/fit_scores.py local/trends.csv

它把每个最终分数对它的贡献因子子分数做无截距回归（np.linalg.lstsq），回归系数和 ≈1.0 恰好证实了「加权平均」的结构。实测结果：

恢复出的睡眠分数权重：Total Sleep 35%、Restfulness 15%、其余 5 项（Efficiency / REM / Deep / Latency / Timing）各 10%。完整的三张权重表见 docs/algorithms/score-weights.md。

第二步：拟合子分数曲线，端到端复现睡眠分

权重只是第一层——Trends 里的子分数本身也是原始指标（睡眠时长、HRV、温度偏差等）的确定性函数。tools/fit_sleep_score.py 为每个贡献因子挑选合适的曲线类型：

• 单调指标（总睡眠时长、效率、REM、深睡）→isotonic 回归（Pool-Adjacent-Violators 算法），留出集 R² 达 0.98–1.00；
• 非单调指标（入睡潜伏期）→ 分箱经验曲线，它实际上是一条U 型曲线：太短和太长都被扣分；
• 多输入指标（Restfulness、Sleep Timing）→ 线性拟合，其中睡眠时相是一个昼夜节律峰值曲线，中点落在 ~03:00 时得分最高，另叠加 7 天节律稳定性项。

留出 20% 天数的端到端验证结果：

Sleep Score 端到端 R²=0.964，RMSE 1.38，84% 的天数误差不超过 ±1 分，94% 不超过 ±3 分。

残差集中在两个贡献因子上：Restfulness（15% 权重，真实输入是 Oura 内部基于运动信号的 restful 时段计数，CSV 中只有聚合值）和 Sleep Timing 的个人节律理想点。这是数据粒度墙，不是方法问题。

三项分数总览与「基线墙」

tools/fit_scores_all.py 把同一套方法扩展到全部三个分数，并为基线相对型贡献因子（HRV Balance、Resting HR、Sleep/Activity Balance）构造「今日值 vs 近 14 天均值」的滞后特征：

结论很清晰：权重全部恢复正确（ceiling 证明），端到端差距几乎全部来自需要「累积历史」的贡献因子，而非缺失的逻辑。

校准一次，持久本地：实时评分流程

校准只做一次，结果持久化，运行时不再依赖 CSV：

# 一次性校准：trends 导出 → local/score_params.json python tools/calibrate_scores.py --csv local/trends.csv # 每晚：原始事件 → 每日摘要 + 滚动基线（写入 oura.db 的 daily_summary） python tools/build_daily.py # 实时评分（无需云端） python tools/score_sleep.py # 或 oura sleep-score python tools/score_readiness.py # 或 oura readiness-score

• tools/calibrate_scores.py 只保留「戒指可推导」的驱动列（LIVE_DRIVERS），把权重 + 每条曲线序列化为local/score_params.json（个人校准文件，gitignore 在本地）；
• tools/score_sleep.py 用 SleepNet 生成睡眠图，再走「曲线 → 子分 → 加权求和」三步，例如最近一晚 471 分钟睡眠、91% 效率 →Sleep Score 82；
• tools/score_readiness.py 从daily_summary读数；历史不足 14 天时会自动标注「⚠ baselines still maturing — provisional」，基线成熟后 Readiness 就和 Sleep 一样实时可用。

管道细节见 docs/algorithms/daily-summaries-and-baselines.md。

新手常见坑与排查清单 📋

小结：这条路径能走多远

1. 权重层：三个分数全部恢复，Sleep R²=0.9987 近乎位级精确；
2. 曲线层：Sleep 端到端 R²=0.969、84% 天数 ±1 分内，日常使用完全够用；
3. 实时层：Sleep 今日即可实时复算，Readiness 在 14 天基线成熟后同样实时，Activity 因个性化目标与多日训练量仍属「权重已解、暂不实时」。

对新手来说，最大的收获是方法论：当公式读不出来时，用真实数据回归出它——一份 Trends 导出 + 两条回归命令，就能得到你专属的 0–100 分模型。

延伸阅读

• 权重与曲线全表：docs/algorithms/score-weights.md
• 算法移植状态总览：docs/algorithms/README.md
• 每日摘要与基线机制：docs/algorithms/daily-summaries-and-baselines.md
• Rust 客户端入口：crates/README.md

• AISystem 开源课程：五大模块走通 AI 系统全栈，从芯片到推理引擎

  AISystem 开源课程：五大模块走通 AI 系统全栈，从芯片到推理引擎 AISystem 是一个开源的 AI 系统课程，围绕 AI 芯片、AI 编译器、AI

  人工智能教程文档深度学习模型编译推理引擎

• OpenStrap Edge分析引擎揭秘：1Hz心率数据如何变成睡眠分期、HRV与恢复度评分

  OpenStrap Edge分析引擎揭秘：1Hz心率数据如何变成睡眠分期、HRV与恢复度评分 OpenStrap Edge 是一款本地优先的健康穿戴 App（无

• 期权定价模型校准终极指南：用gs-quant实现市场数据拟合优度评估

  期权定价模型校准终极指南：用gs quant实现市场数据拟合优度评估 在金融市场中，期权定价模型校准是连接理论与实践的关键桥梁。本文将带你探索如何使用gs qu

  金融科技