Bayesiansk cykelförutsägelse

De flesta cykelappar utgår från ett antagande på 28 dagar och antingen bortser från variation eller korrigerar i efterhand. Soulwise använder i stället bayesiansk förutsägelse — en statistisk metod där uppskattningen av "vilken fas du är i idag" är posteriorn av två saker: din historiska cykellängd (priorn) och de dagliga incheckningar du har loggat under den här cykeln (evidensen).

Varför Bayesianskt, inte fast

En fast cykel på 28 dagar är med säkerhet fel för de flesta. Det kliniska normalintervallet är 21 till 35 dagar, variationen mellan månader är stor hos individen, och livshändelser (stress, resor, sömn, träningsbelastning) förändrar cykellängden mer än de flesta tror. En estimering med fast längd ger dig en exakt fasetikett när den underliggande osäkerheten är hög.

Bayesiansk estimering ger dig en fasetikett med ett osäkerhetsintervall. När intervallet är brett (tidigt i dina data, eller efter en cykel som drog ut på tiden) säger Soulwise det på faskortet. När intervallet är smalt (efter flera stabila cykler) går fasetiketten att lita på.

Vad som ingår i den tidigare fördelningen

• Längden på dina senaste sex cykler, om den finns tillgänglig.
• En svagt informativ startfördelning (28 ± 5) innan det finns någon data.
• En driftgräns som gör att äldre cykler väger mindre än de senaste.

Vad som ingår i underlaget

• Dina dagliga incheckningsmarkeringar och energireglaget.
• Eventuell loggad blödning eller fläck.
• Frivilliga symtommarkeringar (huvudvärk, kramp) om du loggar dem.

Systemet använder inte:

• Basal kroppstemperatur (vi är ingen fertilitetsspårare).
• Symtombaserade gissningar om ägglossning (utanför vårt område).
• Rapporter om livmoderhalsslem (utanför vårt område).

Vad den inte gör

Den förutsäger inte ägglossning för preventivmedel eller befruktning. Se non-medical-cycle-tracking för hela hållningen kring att inte göra medicinska anspråk.

Den pekar inte ut en enstaka dag när osäkerheten är stor. Faskortet visar ett fönster på 2 till 4 dagar med konfidensgradering.

Den lär sig inte av någon annans data. Varje användare har sin egen Bayesianska modell, som körs på enheten mot den egna krypterade historiken.

Var det visar sig

I faskortet i den dagliga ritualen, i sammanfattningsbrevet och som indata till cycle-weather — den kortsiktiga variansen jämförd med din stabila baslinje.