AI在健康管理与促进中的应用

2026/05/21AI在健康管理与促进中的应用汇报人:XXXCONTENTS目录01

健康管理的现状与挑战02

AI技术驱动健康管理变革03

AI健康管理系统的技术架构04

AI在健康监测中的创新应用05

个性化健康干预方案设计CONTENTS目录06

AI健康管理的场景化实践07

AI健康管理的市场价值与趋势08

AI健康管理面临的挑战与风险09

未来展望：AI重塑健康管理生态健康管理的现状与挑战01全球人口老龄化与慢性病趋势

全球人口老龄化现状全球人口老龄化呈现持续深化态势，以中国山西省为例，60周岁及以上老年人口已达778.99万人，对健康监测、慢病管理等服务需求迫切。

慢性病高发常态化高血压、糖尿病等慢性病已成为影响国民健康的核心公共卫生问题，据国家卫健委2026年统计数据，国内慢病患者基数已突破3亿。

传统健康管理模式痛点传统健康管理依赖人工问诊，存在服务形式割裂、个性指导缺失、供给能力弱、技术渗透率低等问题，难以满足全周期、精细化的管理需求。传统医疗系统的资源紧张问题

慢性病高发加剧医疗负担全球慢性病发病率持续上升，据世界卫生组织数据，约80%的心脏病、中风和2型糖尿病可通过早期干预避免，但传统医疗模式难以满足个性化健康管理需求，导致医疗资源消耗增加。

人口老龄化带来的服务压力人口老龄化趋势明显，以山西省为例，60周岁及以上老年人口达778.99万人，其中近7成以上老年人患有慢性病，对健康监测、慢病管理、医养融合等服务需求激增，进一步加剧医疗资源紧张。

医疗资源分布不均与效率低下传统医疗系统存在资源分布不均问题，优质医疗资源集中于大城市，基层医疗机构服务能力薄弱。同时，人工问诊耗时、纸质报告管理繁琐等导致效率低下，非必要医疗就诊频繁，加重医疗机构压力。传统健康管理模式的局限性传统健康管理依赖年度体检和被动就医，存在数据滞后、干预不及时等问题，约80%的心脏病、中风和2型糖尿病等慢性病可通过早期干预避免，但往往发现时已形成隐患。AI驱动下的主动预防模式核心AI技术通过整合多源健康数据（如可穿戴设备、电子健康记录、基因组信息等），利用机器学习算法实现健康风险评估、疾病预警和个性化干预，推动健康管理从“事后治疗”向“事前预防”转型。主动预防模式的关键技术支撑关键技术包括多模态数据采集与整合、动态健康风险预测模型、个性化干预方案生成引擎。例如，AI系统可通过连续监测心率、血压等指标，提前3-5年预警心血管疾病风险，糖尿病预测准确率可达90%以上。主动预防带来的显著效益主动预防模式可减少30%以上的非必要门诊，降低20%-40%的用户住院率，直接降低社会医疗支出。美国凯撒医疗案例显示，AI健康管理使患者平均寿命延长1.5-2年，有效提升全民健康水平。健康管理从被动治疗到主动预防的转变AI技术驱动健康管理变革02AI在健康管理中的核心价值

01实现健康数据的全链条结构化管理AI健康管理系统整合智能硬件、体检报告OCR识别、量表问卷等多源数据，构建统一健康档案，打破数据孤岛，覆盖生化指标、睡眠、运动、饮食等维度，确保数据采集的高效性与准确性。

02推动健康干预从“一刀切”走向“千人千面”基于AI模型对用户进行分层分类，生成高风险糖尿病倾向、压力性失眠等精准标签，据此为每一位用户生成个性化健康管理方案，实现“千人千面”的精准干预，彰显AI智能健康的核心优势。

03构建可量化、可追踪的健康管理闭环系统支持饮食拍照识别、运动消耗自动同步、睡眠质量趋势分析，每周/每月自动生成执行反馈报告，包括指标环比变化、干预达标率、行为改善建议等，确保干预可追溯、效果可量化，形成“数据-分析-反馈-优化”机制。机器学习与大数据分析的应用基础

多源健康数据采集与整合通过可穿戴设备（如智能手表、手环）、移动APP、医疗传感器、电子健康记录、基因组信息等多渠道采集数据，包括心率、血压、睡眠质量、运动轨迹、生化指标等，形成统一的健康档案，打破数据孤岛。

核心机器学习算法应用运用监督学习（如用于疾病风险预测的回归分析、分类算法）、无监督学习（如用户健康分层的聚类分析）、强化学习（如动态调整健康干预方案）等，识别健康数据中的模式与关联，例如糖尿病预测准确率可达90%以上。

大数据处理与分析技术采用分布式计算、云计算等技术处理海量健康数据，利用数据清洗、特征工程等手段提升数据质量。通过时间序列分析、多模态数据融合等方法，挖掘数据深层价值，为个性化健康管理提供数据支撑。

模型训练与评估方法基于真实世界健康数据（如22万真实用户数据）训练垂直模型，采用交叉验证、混淆矩阵等方法评估模型性能，确保模型的准确性和泛化能力。例如，通过联邦学习技术，在保护数据隐私的前提下实现模型协同优化。医疗文本智能解析与结构化自然语言处理技术能够自动识别和提取体检报告、电子病历中的关键信息，如血糖、血脂等指标，将非结构化文本转化为结构化数据，为健康档案构建提供高效支持。例如，AI系统可快速解析PDF或图片格式的体检报告，准确率达95%以上。智能健康咨询与问答交互基于自然语言处理的AI健康助手可理解用户的健康咨询，提供专业解答。如用户询问“总胆固醇偏高怎么办”，系统能生成通俗解读：“你的血脂水平相当于血管内壁开始堆积‘油垢’，建议减少动物内脏摄入，每周运动3次”，并标注科学依据。多轮健康信息采集与精准导诊AI通过自然语言交互，像医生一样“追问到底”，逐层逼近用户健康状况。例如在症状自查中，系统会根据用户初步描述，进一步询问症状持续时间、伴随症状等，实现精准分诊，有效分流30%-40%的普通门诊需求。心理健康评估与干预支持自然语言处理技术可分析用户文本或语音中的情绪特征，进行心理状态评估。如通过对用户日常语言表达的分析，识别焦虑、抑郁倾向，为用户提供心理疏导建议，某AI系统在抑郁症初筛中准确率达89.7%。自然语言处理在健康管理中的作用AI健康管理系统的技术架构03多源健康数据采集层01智能硬件数据接入支持接入智能手环、血压计、血糖仪等可穿戴及家用医疗设备，实时采集心率、血氧、睡眠质量、运动步数等生理指标，如友宏智能戒指可连续采集睡眠、心率、HRV等多维生理信号。02体检报告智能解析通过OCR技术识别体检报告中的生化指标、影像结论等结构化数据，自动提取关键信息并归类，如AI健康智慧体检管理系统可解析血液指标、B超影像等数据，避免人工录入繁琐。03生活方式数据整合收集用户饮食记录、运动轨迹、作息习惯、情绪自评等生活行为数据，结合智能床垫、环境传感器等设备数据，构建全面生活场景画像，如AI健康魔镜可评估心理压力等100多项指标。04医疗数据对接融合对接医院电子病历（EMR）、HIS系统及区域健康档案，整合既往病史、用药记录、检查报告等临床数据，实现院内院外数据一体化，如健康有益数智化平台可联动医疗机构标准化数据。多维度健康评分判定通过整合用户生理指标、生活习惯、病史等多维度数据，生成动态健康评分，精准判定用户当前健康状态，为后续干预提供科学基础。常见疾病风险预测支持20余种常见疾病风险预测及5种以上高发肿瘤筛查，结合营养与行为分析，提前识别潜在健康隐患，如糖尿病预测准确率可达90%以上。个性化健康风险研判基于用户个体特征，如年龄、性别、家族病史等，结合实时监测数据，进行个性化健康风险研判，为制定专属干预方案提供依据。综合健康评估引擎智能干预方案生成系统多维度数据驱动方案定制系统整合用户基因组数据、生活习惯、医疗历史及可穿戴设备实时生理指标，通过机器学习模型生成涵盖饮食、运动、用药和心理等多维度的个性化健康干预方案，实现从“通用建议”到“个体适配”的转变。动态调整与反馈优化机制基于用户执行数据和健康指标变化，系统通过反馈循环动态优化方案。例如，当检测到用户血糖波动异常时，自动调整饮食建议中碳水化合物比例，并推送针对性运动指导，确保方案持续适配个体需求。分级风险评估与目标设定AI评估个人健康风险，如心血管疾病概率、糖尿病前期风险等，并设定SMART目标。以高血压患者为例，系统可制定“3个月内血压降至120/80mmHg以下”的具体目标，并分解为每日钠摄入控制、运动频次等可执行任务。落地执行与效果量化追踪系统支持饮食拍照识别、运动消耗自动同步、睡眠质量趋势分析，每周/每月生成执行反馈报告，包括指标环比变化、干预达标率等。某案例显示，糖尿病患者通过AI方案6个月内HbA1c从9.0%降至6.5%，干预效果可量化追溯。执行反馈与效果评估体系

多方式数据追踪机制支持智能穿戴设备数据自动同步、饮食拍照识别、运动记录手动上传等多种数据采集方式，实现健康干预过程的全面追踪。

周期化量化效果报告按周/月自动生成健康指标变化报告，包含干预方案达标率、关键体征改善幅度等量化数据，如某高血压用户3个月血压达标率提升至90%。

风险预警与数据协同联动企业内部系统或医疗机构，当用户健康数据出现异常趋势时自动触发预警，例如糖尿病患者血糖连续3天超标时推送医生干预建议。

干预方案动态优化闭环基于反馈数据持续迭代干预策略，形成“监测-分析-干预-反馈-优化”的完整闭环，某试点显示用户健康计划依从性提升35%。AI在健康监测中的创新应用04智能穿戴设备与实时监测

多形态智能穿戴设备矩阵2026年市场上智能穿戴设备呈现多样化，包括智能戒指（如友宏JCRing®，可连续采集睡眠、心率、HRV、血氧等）、AI智能手环（如友宏JCVital®，无屏幕设计，强调佩戴舒适度和数据连续性）、智能健康手表（医疗级传感器融合架构，适用于家庭健康管理、慢病随访及康复场景）及各类生物传感器，构建连续健康数据入口。

核心生理指标无感监测能力智能穿戴设备已实现对心率、血氧（SpO₂）、体温趋势、ECG、睡眠结构（深睡、浅睡、REM）、HRV（心率变异性）等多维生理信号的无感、长期监测。例如，柔性AI芯片薄至25微米，心律失常识别准确率达99.2%，活动状态判断准确率97.4%，真正实现“佩戴更久，使用更深”。

从记录到预警的功能升级智能穿戴设备功能已从单纯的数据记录升级为健康风险预警。如智能手表可实时分析心电图，在心跳异常前发出预警；通过步态、睡眠、HRV及行为模式变化预测跌倒风险；结合连续血压晨峰现象与家族史，提示脑卒中高风险，将健康管理从“被动记录”推向“主动预警”。

与AI健康管理平台协同应用智能穿戴设备采集的健康数据可与AI远程健康管理平台（如友宏AI远程健康管理平台）协同，实现长周期健康趋势分析、风险提示、用户健康分层及随访管理。数据支持企业员工健康管理及医疗机构远程管理，为AI算法提供高质量、长期稳定的健康数据输入，形成“监测-分析-干预”闭环。多源生理数据实时采集通过智能手环、血压计、血糖仪等可穿戴及家用医疗设备，24小时无感采集心率、血压、血糖、睡眠等多维生理指标，数据实时上传至AI健康管理平台，构建动态健康档案。如华为WatchD3支持7x24小时连续血压监测，误差±3mmHg，获II类医疗器械认证。AI驱动的风险预警与趋势分析AI算法分析连续生理数据趋势，结合用户病史、生活习惯等，实现慢性病风险提前预警。例如，针对高血压患者，系统可识别血压晨峰现象并结合家族史提示脑卒中高风险；糖尿病管理中，AI通过连续血糖监测数据预测低血糖事件，准确率可达90%以上。个性化干预方案动态生成与调整基于AI分析结果，为慢性病患者生成涵盖饮食、运动、用药等维度的个性化干预方案，并根据实时监测数据动态调整。如高血压患者的钠摄入量算法可细化至毫克级推荐，糖尿病患者的胰岛素剂量调整建议基于血糖数据和饮食记录实时优化，用户粘性提升30%以上。医患协同与紧急联动机制系统支持患者健康数据与医生共享，医生可在线调整方案；当检测到危急值（如房颤持续2小时、血氧骤降至90%以下），立即触发三级响应：APP弹窗警示、自动通知签约家庭医生及紧急联系人，打通“家庭—社区—医院”服务链，某试点区域糖尿病患者糖化血红蛋白达标率提升27%，急诊就诊次数下降19%。慢性病管理中的AI监测方案AI在流行病预测与公共卫生中的作用群体数据分析与传播趋势预测AI通过分析群体健康数据、出行轨迹、环境因素等多源信息，构建如SEIR模型（易感者-暴露者-感染者-康复者）等预测模型，拟合参数并预测流行病传播趋势，为公共卫生决策提供科学依据。疫情爆发早期预警与防控策略制定在疫情爆发初期，AI系统能够快速识别异常信号，及时发出预警。例如在COVID-19期间，相关AI系统帮助政府制定有效的防控策略，减少了感染扩散，体现了其在突发公共卫生事件中的快速响应能力。医疗资源动态调配与优化配置基于预测的疫情发展态势，AI可辅助进行医疗资源的智能调度，合理分配医护人员、床位、医疗设备及防护物资等，提高资源利用效率，缓解疫情高峰期医疗资源紧张的压力。个性化健康干预方案设计05基于AI的饮食营养个性化推荐数据驱动的精准营养评估

AI整合用户年龄、性别、体重、活动水平、健康目标（如减脂、控糖）及基因、慢病史等多源数据，构建动态营养需求模型。例如，高血压患者自动纳入低钠饮食参数，哺乳期女性强化钙和蛋白质推荐。智能食谱生成与动态调整

基于营养学模型和用户饮食偏好，AI生成每日/每周食谱，细化至食材分量与烹饪方式。如针对糖尿病前期用户，推荐低GI主食搭配；系统可根据实时运动消耗、血糖波动等数据动态调整热量摄入。饮食行为分析与干预提醒

通过饮食拍照识别、APP记录等方式，AI追踪用户执行情况，识别高盐、高糖等不良饮食行为。结合行为心理学，推送个性化提醒，如“今日钠摄入已超标，晚餐建议用香草替代盐调味”。效果量化与持续优化

AI定期生成营养摄入报告，对比目标与实际差距，关联体重、血脂等健康指标变化。例如，某用户坚持AI饮食方案3个月后，BMI下降3.2，糖化血红蛋白从6.8%降至6.1%，系统据此进一步优化蛋白质与膳食纤维比例。运动健康的智能规划与指导个性化运动处方生成AI结合用户代谢特征、运动轨迹及健康目标，智能规划营养摄入配比与锻炼强度阈值，生成“千人千面”的运动处方，如针对高血压患者推荐“低强度有氧+阻抗训练”组合。运动过程实时监测与调整可穿戴设备实时追踪心率、血氧等生理指标，AI算法动态识别运动状态（准确率97.4%），当检测到心率异常或过度疲劳时，即时推送调整建议，如“当前心率偏高，建议减速步行5分钟”。碎片化运动方案设计针对职场人群时间紧张特点，AI将理想运动计划转化为可执行的碎片化方案，例如“午休楼梯间间歇性爬楼”“通勤途中站立拉伸”，提升运动依从性，用户运动量平均增加20%。运动效果量化评估与反馈系统通过对比运动前后健康数据（如体脂率、肌肉量、心肺功能），结合睡眠质量、饮食记录生成周/月运动效果报告，直观展示指标变化，如“持续8周运动使静息心率下降8次/分钟”。AI驱动的个性化饮食运动方案AI通过分析用户基因数据、生活习惯及实时生理指标，生成动态健康风险评估和定制化干预方案。例如，针对高血压患者的钠摄入量算法可细化至毫克级推荐，用户粘性提升30%以上。AI赋能的睡眠质量监测与优化AI睡眠监测系统可识别睡眠阶段、呼吸异常、心率变化，如慕思鸿蒙智选智能床ProH-DESIGN能动态感知睡姿变化并实时调整支撑度，减少翻身打断深睡眠。斯坦福大学SleepFM模型仅凭单晚睡眠数据，就能预测130种疾病风险。AI心理状态评估与压力干预AI通过心率变异性（HRV）等生理指标实时评估压力水平，超标时推送呼吸调节指导。如华佗GPT在心理健康领域，多轮对话系统实现抑郁症初筛准确率达89.7%，为缓解专科医生资源紧缺提供数字化解决方案。生活方式与心理健康的AI干预AI健康管理的场景化实践06家庭健康管理中的AI应用智能健康监测与预警AI驱动的可穿戴设备（如智能手表、手环）能24小时监测心率、血压、血氧等生理指标，结合AI算法分析数据趋势，提前预警健康风险。例如，华为WatchD3血压监测获II类医疗器械认证，可实现7x24小时连续监测与异常预警。个性化饮食与运动方案AI通过分析用户健康数据、饮食偏好和运动习惯，生成定制化的饮食和运动方案。如AI饮食助手可根据用户代谢数据和健康目标，推荐低钠食谱或精准卡路里摄入计划，帮助用户科学管理体重和慢性病。家庭慢病管理与用药提醒针对高血压、糖尿病等慢性病患者，AI系统提供用药提醒、血糖/血压波动分析及个性化控糖方案。例如，深护智康APP基于22万真实用户数据训练的AI模型，可辅助糖尿病患者实现血压控制率从60%提升至90%。家庭健康档案与远程监护AI整合家庭成员的体检报告、用药记录、生活习惯等数据，构建动态健康档案。支持远程监护功能，如子女可实时查看父母睡眠、心率数据，老人异常时系统自动通知家属和社区医生，实现家庭健康“联防联控”。企业员工健康管理解决方案

全周期健康监测与风险预警通过智能手环、血压计等可穿戴设备，24小时采集员工心率、睡眠、运动等生理数据，结合AI算法分析，实现慢性病风险（如高血压、糖尿病）和过劳状态的实时预警，异常数据自动推送管理者与员工。

个性化健康干预与行为促进基于员工健康数据与生活习惯，AI生成定制化饮食、运动方案，如针对久坐办公族推送碎片化拉伸动作，高压力人群提供呼吸调节指导。通过APP记录执行情况，定期生成健康报告，提升员工健康管理依从性。

企业健康资源整合与效率提升搭建企业专属健康管理平台，整合体检服务、在线问诊、心理健康咨询等资源，实现员工健康档案数字化管理。AI辅助智能分诊，减少非必要就医，降低企业医疗成本，同时通过健康数据分析优化员工福利策略。社区与基层医疗中的AI赋能

基层慢病管理的AI解决方案AI系统通过整合可穿戴设备数据、电子病历及生活习惯信息，为高血压、糖尿病等慢性病患者提供个性化管理方案。例如，深护智康AI模型基于22万真实用户数据训练，支持基层公卫慢病随访与数据上报，提升管理效率。

社区健康服务站的智能化升级依托AI健康管理平台，社区健康服务站实现健康监测、风险预警、远程随访等功能。如山西省构建的“AI健康服务站”，对老年人健康数据实时监测，异常状况即时预警，促进医疗资源下沉。

AI辅助诊断提升基层诊疗水平AI辅助诊断系统助力基层医生提高诊疗准确率，如腾讯觅影智能体落地近30家医院，处理病例超250万例，将顶尖专家经验转化为普惠能力，推动区域医疗服务同质化。

家庭医生与AI协同服务模式AI作为家庭医生的“超级助手”，承担健康数据初筛、随访提醒等任务，让医生聚焦复杂决策与人文关怀。微医“闽小医”智能体为4000多万福建居民提供随身AI保健医服务，支持“一份账号全家守护”。老年健康与智慧康养场景

慢性病智能监测与管理针对老年人群高发的高血压、糖尿病等慢性病，AI健康管理系统通过智能手环、血压计等设备实现24小时连续监测，如华为WatchD3血压监测误差±3mmHg，结合AI算法生成动态健康趋势报告，及时预警异常并推送个性化干预方案，降低急诊就医次数。

居家安全与紧急救援智能跌倒报警设备、燃气水电安全监测系统等无感式部署，实时捕捉老年人居家风险。山西AI健康服务站案例中，系统发现异常状况可即时自动启动预警和呼援，联动家属与社区管理中心，为老年人生命健康和家庭安全提供全方位保障。

个性化康养方案与照护基于老年人体质、生活习惯及健康数据，AI生成涵盖饮食、运动、用药提醒的定制化康养方案。如深护智康系统针对独居老人提供用药智能提醒，结合语音交互实现“无感照护”，同时支持家人远程查看健康数据，缓解照护压力。

社区与机构智慧康养服务社区AI健康服务站整合基层医疗资源，对老年人健康数据实时监测与分析，开展健康科普活动；养老机构通过AI系统实现批量健康管理，如LongevityGenie开源项目支持心率、睡眠等数据采集与分析，提前预判健康风险，提升机构照护效率。AI健康管理的市场价值与趋势072023年市场规模突破关键节点根据最新统计，2023年全球智能助手市场规模已突破150亿美元，其中健康管理相关应用占据重要份额，显示出市场对AI健康解决方案的强劲需求。高速增长的复合年增长率市场预计将以年均25%的复合增长率持续扩张，到2025年，语音助手产品如GoogleAssistant、Alexa、Siri将广泛覆盖消费级健康管理市场，驱动整体规模进一步攀升。数字健康市场的广阔前景2023年全球数字健康市场规模已突破2000亿美元，年复合增长率超15%。AI健康管理平台作为数字健康的核心组成部分，通过订阅制、B2B企业合作等模式实现盈利，展现出巨大的经济效益潜力。全球智能健康管理市场规模与增长技术驱动的市场竞争格局

01头部科技企业主导消费级市场谷歌、亚马逊、苹果和微软等头部科技企业凭借技术与生态优势，占据全球智能助手市场主导地位，2023年市场规模已突破150亿美元，其语音助手产品如GoogleAssistant、Alexa、Siri广泛覆盖消费级市场。

02新兴企业聚焦垂直领域差异化竞争新兴企业则聚焦医疗、金融等垂直领域，提供专用智能助手解决方案。例如深护智康专注AI+健康管理，基于22万真实用户数据训练模型，服务覆盖政府基层公卫、三甲医院专科等超300家机构客户。

03开源生态降低技术门槛加速行业创新开源生态的成熟降低了技术门槛，使得中小型企业能够加速入局。如PyHealth2.0、LongevityGenie等开源AI项目，提供医疗数据处理、健康预警等功能，支持居家、机构等多场景快速部署与二次开发。

04“设备+数据+平台”模式成行业发展新趋势以友宏医疗为代表的企业，通过智能戒指、AI手环等可穿戴设备采集多维生理数据，结合AI远程健康管理平台，构建“设备+数据+平台”模式，推动健康管理从被动监测升级为主动干预，在慢病管理等场景具备显著可扩展性。政策支持与行业发展趋势

国家政策推动智慧医疗发展中国“健康中国2030”规划明确支持AI在健康管理中的应用，国务院《关于深入实施“人工智能+”行动的意见》探索推广人人可享的高水平居民健康助手，有序推动AI在辅助诊疗、健康管理等场景的应用。

行业规范化与市场规模扩张2023年全球智能助手市场规模已突破150亿美元，预计2025年年均25%的复合增长率持续扩张。2026年，AI医疗全面落地，AI辅助诊断、线上问诊、医疗级可穿戴设备快速普及，行业监管加强，“伪医疗AI”逐步退出市场。

技术融合催生新业态新模式“AI+康养”推动康养资源从“供需错位”走向“一体布局”，从“同质单一”走向“多元定制”，从“线下实体”走向“数实融合”，孕育出智慧养老社区、智能慢病管理、远程康复指导等新业态，重塑康养产业供给方式与消费形态。AI健康管理面临的挑战与风险08数据隐私与安全保障数据加密与隐私保护技术采用AES-256加密和沙箱隔离技术，确保健康数据在存储和传输过程中的安全性。通过联邦学习技术，实现模型在加密状态下协同训练，原始健康数据不出本地，保障“数据可用不可见”。合规性与标准遵循严格遵循《个人信息保护法》与医疗数据安全规范，所有AI判断均留有审计轨迹。系统设计符合医疗健康行业合规要求，例如通过NMPA认证的医疗级可穿戴设备的数据处理流程。用户授权与访问控制实施精细化的权限管理，用户可自主设置健康数据的共享范围。注册健康平台时需仔细阅读隐私协议，用户有权拒绝授权无关权限，定期清理健康数据缓存，避免个人信息过度积累。安全技术架构与风险应对采用边缘计算技术，实现健康数据本地处理与实时分析，减少数