CN107680652A - 一种基于机器学习的营养饮食推荐及评价方法 - Google Patents

Abstract

本发明公开了一种基于机器学习的营养饮食推荐及评价方法，步骤1、获取用户信息，包括个人信息和身体状况信息；步骤2、将收集到的用户信息发送至智能数据处理中心；步骤3、智能数据处理中心对收到的用户信息进行整合和处理；步骤4、生成与用户信息对应的参考营养素摄入量，并生成适合用户的营养饮食食谱；步骤5、记录用户的实际饮食信息；步骤6、将用户的实际饮食信息转化成具体的营养素摄入量，通过查询健康数据库进行数据转化，步骤7、根据参考营养素摄入量和实际营养素摄入量对用户的饮食进行评价。本发明结合用户的身体状况，为用户提供针对性的营养饮食推荐服务，指导和帮助用户进行健康的饮食。

Description

一种基于机器学习的营养饮食推荐及评价方法

技术领域

本发明涉及医疗饮食、机器学习和智能数据分析等技术领域，特别是一种基于机器学习的营养饮食食谱推荐以及饮食评价方法。

背景技术

随着生活水平的逐步提高，人们在饮食上的要求也在慢慢提升，如今人们对饮食的要求不仅仅只是吃饱喝足，而是更加追求饮食的质量和健康。现在，向用户提供健康饮食信息和食谱推荐的方案及应用越来越多，这些应用和方案为用户提供了大量的营养饮食的信息，并向用户进行了营养知识的普及，但是这些方案和应用中的大多数都没有考虑到用户身体状况的不同，因此它们所推荐的食谱和营养信息实际帮助比较有限，并存在一定的局限性。

营养饮食推荐是一项非常复杂的研究项目，它涉及了营养学和医学方面的研究。因此，如果想要达到根据用户的体质有针对性地向用户推荐营养饮食食谱这一目标，所要考虑和处理的不仅是用户的个人信息、身体状况信息和大量营养信息的数据，还需要纳入一定的医学知识。而如何综合处理这些数据，并建立这些数据之间的正确联系，是饮食推荐发展的关键，也是一个难题。此外，中国人的饮食结构又比较复杂，因此与国外相比，国内营养饮食推荐的方案开还有些落后。

机器学习是在近20多年逐渐兴起的一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习的研究内容是学习算法，也就是从数据中自动分析获得其中隐含的规律，并利用该规律对未知数据进行分析预测或判别的算法。除了人工智能的各个领域，机器学习在其他领域的数据处理和分析问题上也有着广泛的应用。深度学习是机器学习一个新的发展方向，深度学习通过构建多隐层的模型，将样本在原空间的特征表示变换到一个新特征空间，从而使预测更加容易，而海量的训练数据，更能够刻画数据的丰富内在信息。智能数据分析是指运用统计学、模式识别、机器学习、数据抽象等数据分析工具从数据中发现知识的分析方法，它可以找出数据的真实意义，提高工作效率。

随着机器学习和智能数据分析的快速发展和成熟，本领域亟待提出的一种营养饮食推荐及评价方发提供了合适的研究工具。

发明内容

基于以上所述当前饮食推荐所存在的不足以及结合科学技术的快速发展，为了更好的满足人们对健康饮食的需求，本发明提出了一种基于机器学习的营养饮食推荐及评价方法。在此方法中，我们所采用的技术为机器学习中的深度学习技术。通过相关渠道，收集到大量的不同情况下人员的个人信息和身体状况信息，以及他们每天所应摄入的蛋白质、碳水化合物、膳食纤维、水分、脂肪以及钙钾钠镁铁锌碘7种微量元素的含量。将这些数据分为两部分，一部分作为训练集，将训练集中的个人信息和身体状况信息作为模型的输入，将他们每天所应摄入的营养素含量作为输出，定义好模型的激活函数和层数后，经过不断地学习和训练，得到营养素摄入模型的权重；数据的另外一部分作为测试集，用来验证营养素摄入模型的准确度；之后，经过细节地调整和优化，从而建立我们所要求的营养素摄入模型。本方法充分考虑了用户的个人基本信息和身体状况，因此可以针对性的向用户推荐适合自身体质的营养饮食食谱，而饮食评价的功能可以帮助用户了解自己饮食的不足之处，指导用户及时调整饮食结构。

本发明的一种基于机器学习的营养饮食推荐及评价方法，该方法包括以下步骤：

步骤1、获取用户信息，包括个人信息和身体状况信息；

步骤2、将收集到的用户信息发送至智能数据处理中心；

步骤3、智能数据处理中心对收到的用户信息进行整合和处理，即采用深度学习的方法，将收集到的大量不同情况下人员的个人信息和身体状况信息作为输入，将他们每天所应摄入的蛋白质、碳水化合物、膳食纤维、水分、脂肪以及钙钾钠镁铁锌碘7种微量元素的含量作为输出，训练出营养素摄入模型。此后，将用户的个人信息和身体状况信息输入营养素摄入模型进行处理；

步骤4、通过营养素摄入模型处理后，生成与用户信息对应的参考营养素摄入量，并生成适合用户的营养饮食食谱，向用户进行推荐；

步骤5、记录用户的实际饮食信息；

步骤6、将用户的实际饮食信息转化成具体的营养素摄入量，用户将自己所摄入的食材的名称和数量进行记录，通过健康数据库匹配成功后，转化为实际的营养素摄入量；

步骤7、根据参考营养素摄入量和实际营养素摄入量对用户的饮食进行评价。

与现有技术相比，本发明具有以下积极效果：

本发明利用机器学习和智能数据处理强大的数据处理能力对大量的数据进行处理；此外，还建立了自己的食物营养素数据库，并与多家医院的专业医生建立了合作和联系，这些保障了本发明的专业性和科学性；

以上几点，都使得本发明提出的基于机器学习的营养饮食推荐及评价方法成为可能。

附图说明

图1为本发明的一种营养饮食推荐及评价方法流程图。

具体实施方式

下面将结合附图对本发明的实施方式作进一步的详细描述。

本发明的一种基于机器学习的营养饮食推荐及评价方法，该方法具体包括以下步骤：

步骤1、获取用户信息，包括个人信息和身体状况信息；

步骤2、将收集到的用户信息发送至智能数据处理中心；

步骤3、通过智能数据处理中心对收到的用户信息进行整合和处理。在智能数据处理中心模块中，采用深度学习的方法，将收集到的大量不同情况下人员的个人信息和身体状况信息作为输入，将他们每天所应摄入的蛋白质、碳水化合物、膳食纤维、水分、脂肪以及钙钾钠镁铁锌碘7种微量元素的含量作为输出，训练出营养素摄入模型。此后，将用户的个人信息和身体状况信息输入营养素摄入模型进行处理；

步骤4、通过营养素摄入模型处理后，生成与用户信息对应的参考营养素摄入量，并生成适合用户的营养饮食食谱，向用户进行推荐；

步骤5、记录用户的实际饮食信息；

步骤6、将用户的实际饮食信息转化成具体的营养素摄入量。本方法中所建立的健康数据库包括生活中大部份食材(100g为单位)所对应的各种营养素的含量，用户将自己所摄入的食材的名称和数量进行记录，通过健康数据库匹配成功后，转化为实际的营养素摄入量；

步骤7、根据参考营养素摄入量和实际营养素摄入量对用户的饮食进行评价。

Claims (1)

1.一种基于机器学习的营养饮食推荐及评价方法，其特征在于，该方法包括以下步骤：

步骤(1)、获取用户信息，包括个人信息和身体状况信息；

步骤(2)、将收集到的用户信息发送至智能数据处理中心；

步骤(3)、智能数据处理中心对收到的用户信息进行整合和处理，即采用深度学习的方法，将收集到的大量不同情况下人员的个人信息和身体状况信息作为输入，将他们每天所应摄入的蛋白质、碳水化合物、膳食纤维、水分、脂肪以及钙钾钠镁铁锌碘7种微量元素的含量作为输出，训练出营养素摄入模型。此后，将用户的个人信息和身体状况信息输入营养素摄入模型进行处理；

步骤(4)、通过营养素摄入模型处理后，生成与用户信息对应的参考营养素摄入量，并生成适合用户的营养饮食食谱，向用户进行推荐；

步骤(5)、记录用户的实际饮食信息；

步骤(6)、将用户的实际饮食信息转化成具体的营养素摄入量，用户将自己所摄入的食材的名称和数量进行记录，通过健康数据库匹配成功后，转化为实际的营养素摄入量；

步骤(7)、根据参考营养素摄入量和实际营养素摄入量对用户的饮食进行评价。