CN109102413A - 健康指数预测方法、装置及存储介质 - Google Patents

健康指数预测方法、装置及存储介质 Download PDF

Info

Publication number
CN109102413A
CN109102413A CN201811021481.9A CN201811021481A CN109102413A CN 109102413 A CN109102413 A CN 109102413A CN 201811021481 A CN201811021481 A CN 201811021481A CN 109102413 A CN109102413 A CN 109102413A
Authority
CN
China
Prior art keywords
user
score
food
health
health index
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811021481.9A
Other languages
English (en)
Inventor
李治
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Life Insurance Company of China Ltd
Original Assignee
Ping An Life Insurance Company of China Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Life Insurance Company of China Ltd filed Critical Ping An Life Insurance Company of China Ltd
Priority to CN201811021481.9A priority Critical patent/CN109102413A/zh
Publication of CN109102413A publication Critical patent/CN109102413A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Primary Health Care (AREA)
  • Multimedia (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pathology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明涉及大数据技术，揭露了一种健康指数预测方法、装置及存储介质，该方法统计预设周期内某用户在单位时间内上传的运动信息及食物图片，根据运动信息对预设周期内该用户的运动量进行打分得到总运动量得分。接着，该方法将上传的食物图片进行预处理后，输入到预先训练好的食物图片识别模型识别出各个图片所对应的食物名称，并根据食物名称与食物数据库的对应关系对用户的饮食进行打分得到单位时间饮食得分，将所述饮食得分进行平均处理生成用户的饮食得分。最后，该方法根据该用户的总运动量得分和饮食得分，利用预设的权重公式计算得到用户的健康指数得分。利用本发明，能够根据用户的日常生活情况准确地预测用户的健康状况。

Description

健康指数预测方法、装置及存储介质
技术领域
本发明涉及数据处理技术领域，尤其涉及一种健康指数预测方法、装置及计算机可读存储介质。
背景技术
保险，是指投保人，即客户，根据合同约定，向保险公司支付保险费用，保险公司对于合同约定的可能发生的意外事故因其发生所造成的财产损失承担赔偿保险金责任，或者被保险人死亡、伤残、疾病或者达到合同约定的年龄、期限等条件时承担给付保险责任金责任的商业保险行为。保险公司在客户投保的过程中，会对客户的身体健康状况进行测评，根据测评出的客户健康指数高低，决定是否将该客户购买保险的风险进行转移给再保公司。具体的，目前对客户健康指数的测评主要是根据客户的体检信息、疾病诊断信息、药品使用信息等相关数据进行测评的，并根据测评结果对客户的参保风险进行评估。但此种方法仅能够预测客户当前或近期的身体健康状况，并不能够对客户长期的健康情况做出预测，无法全面、准确地判断客户身体健康状况。
发明内容
鉴于以上内容，本发明提供一种健康指数预测方法、装置及计算机可读存储介质，其主要目的在于为用户的身体健康状况提供准确的测评。
为实现上述目的，本发明提供一种健康指数预测方法，该方法包括：
统计步骤：统计预设周期内某用户在单位时间内上传的运动信息及食物图片，所述运动信息包括路程、步数及消耗能量；
第一打分步骤：根据该用户运动信息与运动量化表的对应关系，对预设周期内该用户的运动量进行打分得到该用户的总运动量得分；
识别步骤：将上传的食物图片进行预处理得到待识别的目标图片，将目标图片输入到预先训练好的食物图片识别模型识别出各个图片所对应的食物名称；
第二打分步骤：根据该用户在所述单位时间内上传的食物名称与食物数据库的对应关系，对该用户在所述单位时间内的饮食进行打分得到该用户的单位时间饮食得分，将预设周期内该用户的单位时间饮食得分进行平均处理生成该用户的饮食得分；
预测步骤：根据该用户的运动量得分和饮食得分，利用预设的权重公式计算得到该用户的健康指数得分。
优选地，所述第一打分步骤包括：
根据预设周期内该用户在所述单位时间内的步行路程、步数及消耗能量的具体数值，利用运动量化表对该用户在单位时间内的步行路程、步数及消耗能量进行打分，得到该用户的单位时间运动量得分；
对预设周期内该用户单位时间内的步行路程、步数及消耗能量对应的单位时间运动量得分进行平均处理得到预设周期内该用户的路程、步数及消耗能量对应的运动量得分；
将预设周期内该用户的路程、步数及消耗能量对应的运动量得分输入到预设的公式中计算得到预设周期内该用户的总运动量得分。
优选地，所述食物图片识别模型为支持向量机模型，所述食物图片识别模型的训练步骤如下：
获取预设数量的食物图片，并对所述食物图片进行预处理，生成目标图片；
利用预设的方式对目标图片进行特征提取及食物类型名称标注，得到样本集，所述特征包括颜色特征、纹理特征、尺寸特征及形状特征；
将样本图片集按照第一预设比例和第二预设比例分为训练集和验证集；
根据训练集中的样本图片的特征，生成特征直方图，将所述特征直方图进行支持向量机分类，调整特征分类值；
根据验证集中的样本图片的特征，生成特征直方图，输入到模型中验证，若食物图片的识别准确率大于或等于预设值，则输出该模型，若食物图片的识别准确率小于预设值，则增加预设数量的食物图片，重新进行模型训练，直至达到最优的识别模型。
优选地，所述预设的权重公式为：
Y＝k1M+k2N
其中，Y代表该用户的健康指数得分，M代表该用户的总运动量得分，N代表该用户的饮食得分，k1、k2分别代表总运动量得分、饮食得分的权重。
优选地，该方法还包括：
设置各用户的健康等级，包括第一健康等级、第二健康等级、第三健康等级及第四健康等级，并设置各个健康等级对应的健康指数得分范围；
根据各用户的健康指数得分所在的健康指数得分范围确定各用户的健康等级。
此外，本发明还提供一种电子装置，该电子装置包括：存储器、处理器及显示器，所述存储器上存储健康指数预测程序，所述健康指数预测程序被所述处理器执行，可实现如下步骤：
统计步骤：统计预设周期内某用户在单位时间内上传的运动信息及食物图片，所述运动信息包括路程、步数及消耗能量；
第一打分步骤：根据该用户运动信息与运动量化表的对应关系，对预设周期内该用户的运动量进行打分得到该用户的总运动量得分；
识别步骤：将上传的食物图片进行预处理得到待识别的目标图片，将目标图片输入到预先训练好的食物图片识别模型识别出各个图片所对应的食物名称；
第二打分步骤：根据该用户在所述单位时间内上传的食物名称与食物数据库的对应关系，对该用户在所述单位时间内的饮食进行打分得到该用户的单位时间饮食得分，将预设周期内该用户的单位时间饮食得分进行平均处理生成该用户的饮食得分；
预测步骤：根据该用户的运动量得分和饮食得分，利用预设的权重公式计算得到该用户的健康指数得分。
优选地，所述食物图片识别模型为支持向量机模型，所述食物图片识别模型的训练步骤如下：
获取预设数量的食物图片，并对所述食物图片进行预处理，生成目标图片；
利用预设的方式对目标图片进行特征提取及食物类型名称标注，得到样本集，所述特征包括颜色特征、纹理特征、尺寸特征及形状特征；
将样本图片集按照第一预设比例和第二预设比例分为训练集和验证集；
根据训练集中的样本图片的特征，生成特征直方图，将所述特征直方图进行支持向量机分类，调整特征分类值；
根据验证集中的样本图片的特征，生成特征直方图，输入到模型中验证，若食物图片的识别准确率大于或等于预设值，则输出该模型，若食物图片的识别准确率小于预设值，则增加预设数量的食物图片，重新进行模型训练，直至达到最优的识别模型。
优选地，所述预设的权重公式为：
Y＝k1M+k2N
其中，Y代表该用户的健康指数得分，M代表该用户的总运动量得分，N代表该用户的饮食得分，k1、k2分别代表总运动量得分、饮食得分的权重。
优选地，所述健康指数预测程序被处理器执行时，还实现如下步骤：
设置各用户的健康等级，包括第一健康等级、第二健康等级、第三健康等级及第四健康等级，并设置各个健康等级对应的健康指数得分范围；
根据各用户的健康指数得分所在的健康指数得分范围确定各用户的健康等级。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中包括健康指数预测程序，所述健康指数预测程序被处理器执行时，可实现如上所述健康指数预测方法中的任意步骤。
本发明提出的健康指数预测方法、装置及计算机可读存储介质，通过统计预设周期内用户每日上传的运动信息及食物图片，并根据用户运动信息及食物图片，得到总运动量得分和饮食得分，将总运动量得分和饮食得分输入到预设的权重公式中，得到用户的健康指数得分，从而预测用户的健康程度。
附图说明
图1为本发明健康指数预测方法的应用环境示意图；
图2为本发明电子装置较佳实施例的示意图；
图3为图2中健康指数预测程序较佳实施例的模块示意图；
图4为本发明健康指数预测方法较佳实施例的流程图；
图5为本发明食物图片识别模型的训练流程图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，是本发明健康指数预测方法的应用环境示意图。
本发明旨在提供一种应用于健康服务平台的健康指数预测系统或应用程序(Application,APP)。但不限于特定领域，其他类型的服务平台也同样适用本发明提供的预测系统。在本实施例中，所述健康服务平台应用于电子装置1，在其他实施例中，所述健康服务平台应用于也可以应用于其他电子装置，利用智能手机或其他类型的终端设备。
所述健康指数预测系统分为两个部分，包括信息推送及健康预测，其中，信息推送部分的推荐模块用于定位用户所在地区，如用户所在省份及城市，根据所在地区的天气、生活习性等情况，每日向用户推荐养生、保健、天气等与生活息息相关的文章或信息，用户可以根据平台推荐的信息选择性的浏览。健康预测部分的运动统计模块统计用户单位时间内，如每日，的运动信息，在运动量分析模块对用户的运动情况进行分析，健康预测部分的图片识别模块识别用户单位时间内，如每日，上传的饮食图片，在饮食分析模块对用户的饮食习惯进行分析，进而对用户的健康指数进行打分，预测用户的身体健康状况。
如图2所示，是本发明电子装置1较佳实施例的示意图。
在本实施例中，电子装置1是指产品服务平台，该电子装置1可以是服务器、平板电脑、个人电脑、便携计算机以及其它具有运算功能的电子设备。
该电子装置1包括：存储器11、处理器12、显示器13及网络接口14。其中，网络接口14可选地可以包括标准的有线接口、无线接口(如WI-FI接口)。
存储器11至少包括一种类型的可读存储介质。所述至少一种类型的可读存储介质可为如闪存、硬盘、多媒体卡、卡型存储器等的非易失性存储介质。在一些实施例中，所述存储器11可以是所述电子装置1的内部存储单元，例如该电子装置1的硬盘。在另一些实施例中，所述存储器11也可以是所述电子装置1的外部存储单元，例如所述电子装置1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。在本实施例中，所述存储器11不仅可以用于存储安装于所述电子装置1的应用软件及各类数据，例如健康指数预测程序10及预先训练好的食物图片识别模型等。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其它数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行健康指数预测程序10的计算机程序代码、执行食物图片识别模型的训练等。
显示器13可以称为显示屏或显示单元。在一些实施例中显示器13可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-EmittingDiode，OLED)触摸器等。显示器13用于显示在电子装置1中处理的信息以及用于显示可视化的工作界面，例如显示用户单位时间内的总运动量得分及饮食得分。
图2仅示出了具有组件11-14以及健康指数预测程序10的电子装置1，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
可选地，该电子装置1还可以包括用户接口，用户接口可以包括输入单元比如键盘(Keyboard)、语音输出装置比如音响、耳机等，可选地用户接口还可以包括标准的有线接口、无线接口。
可选地，该电子装置1还包括触摸传感器。所述触摸传感器所提供的供用户进行触摸操作的区域称为触控区域。此外，这里所述的触摸传感器可以为电阻式触摸传感器、电容式触摸传感器等。而且，所述触摸传感器不仅包括接触式的触摸传感器，也可包括接近式的触摸传感器等。此外，所述触摸传感器可以为单个传感器，也可以为例如阵列布置的多个传感器。用户可以通过触摸所述触控区域启动健康指数预测程序10。
此外，该电子装置1的显示器13的面积可以与所述触摸传感器的面积相同，也可以不同。可选地，将显示器13与所述触摸传感器层叠设置，以形成触摸显示屏。该装置基于触摸显示屏侦测用户触发的触控操作。
该电子装置1还可以包括射频(Radio Frequency，RF)电路、传感器和音频电路等等，在此不再赘述。
如图3所示，是图1中健康指数预测程序10较佳实施例的模块示意图。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段。
在本实施例中，健康指数预测程序10包括：统计模块110、第一打分模块120、识别模块130、第二打分模块140及预测模块150，所述模块110-150所实现的功能或操作步骤如下：
统计模块110，用于统计预设周期内某用户单位时间内上传的运动信息及食物图片。其中，所述运动信息包括路程、步数及消耗能量。所述预设周期可以是一个月、两个月等，所述单位时间可以是半天、一天或两天等。例如，用户当天走了多少公里、步数或者消耗了多少卡路里。所述运动信息是由运动测试设备，如计步器，测试得到的，所述食物图片是由用户上传到服务平台的。平台可以设置相应的激励政策对上传饮食图片的用户进行奖励。例如，如果用户上传饮食图片可以得到数额较少的金钱、话费或购物券。
第一打分模块120，用于根据该用户运动信息与运动量化表的对应关系，对预设周期内该用户的运动量进行打分，得到该用户的总运动量得分。具体地，先根据预设周期内该用户在所述单位时间内的步行路程、步数及消耗能量的具体数值，利用运动量化表对该用户单位时间内的步行路程、步数及消耗能量进行打分，得到该用户的单位时间运动量得分。接着，对预设周期内用户单位时间的步行路程、步数及消耗能量对应的单位时间运动量得分进行平均处理，得到预设周期内该用户的步行路程、步数及消耗能量对应的运动量得分。最后，将预设周期内该用户的步行路程、步数及消耗能量对应的运动量得分输入到预设的公式中计算得到预设周期内该用户的总运动量得分。所述运动量化表是指用户每天所走的路程、步数及消耗能量三个维度数值范围与单位时间运动量得分相对应的电子表格，所述运动量化表中的三个维度的数值范围与对应的单位时间运动量得分可以根据实际情况自动调整。所述预设的公式是指为路程、步数、消耗能量三个维度的运动量得分分配预设的权重，得到该用户在预设周期内的总运动量得分。
识别模块130，用于将上传的食物图片进行预处理，得到待识别的目标图片，将目标图片输入到预先训练好的食物图片识别模型，识别出各个图片所对应的食物名称。所述食物图片识别模型为支持向量机(Support Vector Machine,SVM)模型，如图5所示，是本发明食物图片识别模型的训练流程图。所述食物图片识别模型的训练步骤如下：
获取预设数量的食物图片，并对所述食物图片进行预处理，生成目标图片，所述预处理包括按照预设尺寸对图片进行剪裁，得到尺寸大小一致的剪裁图片。
利用预设的方式对目标图片进行特征提取及食物类型名称标注，得到样本集，所述特征包括颜色特征、纹理特征、尺寸特征及形状特征。所述预设的方式包括：使用边缘检测技术和颜色K-均值聚类提取颜色特征，使用伽柏滤波器提取纹理特征，使用边缘检测技术和图像的感兴趣区域像素计算技术提取尺寸特征和形状特征。
将样本集按照第一预设比例和第二预设比例分为训练集和验证集。
根据训练集中的样本图片的特征，生成特征直方图，将所述特征直方图进行支持向量机分类，调整特征分类值。
根据验证集中的样本图片的特征，生成特征直方图，输入到模型中验证，若食物图片的识别准确率大于或等于预设值，则输出该模型，若食物图片的识别准确率小于预设值，则增加预设数量的食物图片，重新进行模型训练，直至达到最优的识别模型。
第二打分模块140，用于根据该用户在所述单位时间内上传的食物名称与食物数据库的对应关系，对该用户在所述单位时间内的饮食进行打分得到该用户的单位时间饮食得分，将预设周期内该用户的单位时间饮食得分进行平均处理生成该用户的饮食得分。所述食物数据库包括食物名称、热量或卡路里、营养素、营养素含量、食用功效及饮食标准得分。进一步地，还可以在食物数据库中增加变动值及对应的关联食物，饮食得分＝饮食标准得分+变动值，当应理解的是，若饮食食物与关联食物相促进，则变动值为相应的正值，若饮食食物与关联食物相冲或相克，一起吃对人体产生危害，则变动值为相应的负值。
预测模块150，用于根据该用户的运动量得分和饮食得分，利用预设的权重公式计算得到该用户的健康指数得分。所述预设的权重公式为：
Y＝k1M+k2N
其中，Y代表该用户的健康指数得分，M代表该用户的总运动量得分，N代表该用户的饮食得分，k1、k2分别代表总运动量得分、饮食得分的权重。
在另一个实施例中，还可以设置各用户的健康等级，包括第一健康等级、第二健康等级、第三健康等级及第四健康等级，并设置各个健康等级对应的健康指数得分范围，再根据各用户的健康指数得分所在的健康指数得分范围确定各用户的健康等级。
如图4所示，是本发明健康指数预测方法较佳实施例的流程图。
在本实施例中，处理器12执行存储器11中存储的健康指数预测程序10的计算机程序时实现健康指数预测方法包括：步骤S10-步骤S50：
步骤S10，统计模块110统计预设周期内某用户在单位时间内上传的运动信息及食物图片。其中，所述运动信息包括路程、步数及消耗能量。所述预设周期可以是一个月、两个月等，所述单位时间可以是半天、一天或两天等。例如，用户当天走了多少公里、步数或者消耗了多少卡路里。所述运动信息是由运动测试设备，如计步器，测试得到的，所述食物图片是由用户上传到服务平台的。平台可以设置相应的激励政策对上传饮食图片的用户进行奖励。例如，如果用户上传饮食图片可以得到数额较少的金钱、话费或购物券。通过奖励增加平台与用户之间的互动。
步骤S20，第一打分模块120根据该用户运动信息与运动量化表的对应关系，对预设周期内该用户的运动量进行打分得到该用户的总运动量得分。所述运动量化表是指该用户在单位时间内的步行路程、步数及消耗能量三个维度数值范围与单位时间运动量得分相对应的电子表格，所述运动量化表中的三个维度的数值范围与对应的单位时间运动量得分可以根据实际情况自动调整。具体地，先根据预设周期内该用户在所述单位时间内的步行路程、步数及消耗能量的具体数值，利用运动量化表对该用户在单位时间内的步行路程、步数及消耗能量进行打分，得到该用户的单位时间运动量得分。例如，步数的运动量化表如表1所示：
范围(步) 步数运动量得分
500以下 0-49
500-4999 50-69
5000-10000 70-89
10000以上 90-100
假设用户当天走了8000步，则步数运动量打分在70-89范围内，则当天具体的步数日运动量得分＝(89-70)*(8000-5000)/(10000-5000)+70＝81.4。路程及消耗的能量的计算过程类似，在此不再赘述。
接着，对预设周期内该用户单位时间的步行路程、步数及消耗能量对应的单位时间运动量得分进行平均处理得到预设周期内该用户的路程、步数及消耗能量对应的运动量得分。例如，算出7月内用户每日所走的流程、步数及消耗能量对应的日运动量得分，分别进行平均处理得到7月份该用户的路程、步数及消耗能量对应的运动量得分分别为83.3、86.1、78.3。
最后，将预设周期内该用户的路程、步数及消耗能量对应的运动量得分输入到预设的公式中计算得到预设周期内该用户的总运动量得分。所述预设的公式是指为路程、步数、消耗能量三个维度的运动量得分分配预设的权重，计算得到该用户在预设周期内的总运动量得分。假设，路程、步数、消耗能量分配预设的权重分别为0.3、0.4、0.3，则7月份该用户的总运动量得分＝83.3*0.3+86.1*0.4+78.3*0.3＝82.92。
步骤S30，识别模块130将上传的食物图片进行预处理得到待识别的目标图片，将目标图片输入到预先训练好的食物图片识别模型识别出各个图片所对应的食物名称。所述食物图片识别模型为支持向量机(Support Vector Machine,SVM)模型，如图5所示，是本发明食物图片识别模型的训练流程图。所述食物图片识别模型的训练步骤如下：
获取预设数量的食物图片，并对所述食物图片进行预处理，生成目标图片，所述预处理包括按照预设尺寸对图片进行剪裁，得到尺寸大小一致的剪裁图片。例如，获取10万张食物图片，将所有的食物图片按照299*299尺寸进行剪裁，得到大小一致的剪裁图片。
利用预设的方式对目标图片进行特征提取及食物类型名称标注，得到样本集。其中，所述对目标图片进行提取的特征包括颜色特征、纹理特征、尺寸特征及形状特征。所述预设的方式包括：使用边缘检测技术和颜色K-均值聚类提取颜色特征，使用伽柏滤波器提取纹理特征，使用边缘检测技术和图像的感兴趣区域像素计算技术提取尺寸特征和形状特征。所述食物类型名称标注包括食物类型，如鸡、鸭、羊、蔬菜等，及对应的菜名，如宫保鸡丁、北京烤鸭等。将每张照片中提取出的特征及对应食物类型名称标注组成样本集。
将样本集按照第一预设比例和第二预设比例分为训练集和验证集。例如，将10万张图片中提取出的特征及对应食物类型名称标注按照80％和20％的比例分为训练集和验证集。
根据训练集中的样本图片的特征，生成特征直方图，将所述特征直方图进行支持向量机分类，调整特征分类值。根据训练集中8万张图片中提取的特征，生成特征直方图，将所述特征直方图输入到支持向量机进行分类，将分类结果与对应的食物类型名称标注进行对比，调整分类参数，得到食物图片识别模型。
根据验证集中的样本图片的特征，生成特征直方图，输入到模型中验证，若食物图片的识别准确率大于或等于预设值，则输出该模型，若食物的识别准确率小于预设值，则增加预设数量的食物图片，重新进行模型训练，直至达到最优的识别模型。根据验证集中2万张图片中提取的特征，生成特征直方图，输入到食物图片识别模型中验证，假设预设值为96％，若食物图片的识别准确率大于或等于96％，则该食物图片识别模型为最优模型，并输出。若食物图片的识别准确率小于96％，则增加2万张食物图片，重新进行模型训练，直至食物图片的识别准确率大于或等于96％。
步骤S40，第二打分模块140根据该用户在所述单位时间内上传的食物名称与食物数据库的对应关系，对用户在所述单位时间内的饮食进行打分得到该用户的单位时间饮食得分，将预设周期内该用户的单位时间饮食得分进行平均处理，生成该用户的饮食得分。所述食物数据库包括食物名称、热量或卡路里、营养素、营养素含量、食用功效及饮食标准得分。例如，根据模型识别出的食物名称，利用食物数据库进行打分，得到用户每日的日饮食得分，如饮食得分＝饮食标准得分1(食物1)+饮食标准得分2(食物2)+……+饮食标准得分n(食物n)，将一个月内的日饮食得分进行平均处理，得到用户的饮食得分。
进一步地，还可以在食物数据库中增加变动值及对应的关联食物，饮食得分＝饮食标准得分1(食物1)+饮食标准得分2(食物2)+变动值12(食物1,2)，当应理解的是，若饮食食物与关联食物相促进，则变动值为相应的正值，若饮食食物与关联食物相冲或相克，一起吃对人体产生危害，则变动值为相应的负值。例如，在用户上传的图片中有猪肚和豆芽，猪肚和豆芽一起吃能够增强人体的免疫功能，则饮食得分＝饮食标准得分(猪肚)+饮食标准得分(豆芽)+变动值(猪肚、豆芽)。
步骤S50，预测模块150根据该用户的运动量得分和饮食得分，利用预设的权重公式计算得到该用户的健康指数得分。所述预设的权重公式为：
Y＝k1M+k2N
其中，Y代表该用户的健康指数得分，M代表该用户的总运动量得分，N代表该用户的饮食得分，k1、k2分别代表总运动量得分、饮食得分的权重。所述k1、k2是根据历史的用户运动信息、饮食情况数据及身体状况数据得到的最优权重。假设，k1、k2分别为0.64、0.36，用户的总运动量得分为82.92，预设周期内用户的饮食得分为85.24，则用户的健康指数Y为83.76。
在另一个实施例中，还可以设置各用户的健康等级，包括第一健康等级、第二健康等级、第三健康等级及第四健康等级，并设置各个健康等级对应的健康指数得分范围，再根据各用户的健康指数得分所在的健康指数得分范围确定用户的健康等级。例如，将健康等级分为：优、良、中、差，76-100为优，51-75为良，26-50为中，0-25为差，用户的健康指数为83.76，则说明用户的健康等级为优。
上述实施例提出的健康指数预测方法，通过统计每日用户的运动量及饮食食物，预测未来一段时间内用户的健康指数，从而能够准确地评估用户的身体健康状况，增加用户对平台的依赖。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质中包括健康指数预测程序10，所述健康指数预测程序10被处理器执行时实现如下操作：
统计步骤：统计预设周期内某用户在单位时间内上传的运动信息及食物图片，所述运动信息包括路程、步数及消耗能量；
第一打分步骤：根据该用户运动信息与运动量化表的对应关系，对预设周期内该用户的运动量进行打分得到该用户的总运动量得分；
识别步骤：将上传的食物图片进行预处理得到待识别的目标图片，将目标图片输入到预先训练好的食物图片识别模型识别出各个图片所对应的食物名称；
第二打分步骤：根据该用户在所述单位时间内上传的食物名称与食物数据库的对应关系，对该用户在所述单位时间内的饮食进行打分得到该用户的单位时间饮食得分，将预设周期内该用户的单位时间饮食得分进行平均处理生成该用户的饮食得分；
预测步骤：根据该用户的运动量得分和饮食得分，利用预设的权重公式计算得到该用户的健康指数得分。
优选地，所述第一打分步骤包括：
根据预设周期内该用户在所述单位时间内的步行路程、步数及消耗能量的具体数值，利用运动量化表对该用户在单位时间内的步行路程、步数及消耗能量进行打分，得到该用户的单位时间运动量得分；
对预设周期内该用户单位时间内的步行路程、步数及消耗能量对应的单位时间运动量得分进行平均处理得到预设周期内该用户的路程、步数及消耗能量对应的运动量得分；
将预设周期内该用户的路程、步数及消耗能量对应的运动量得分输入到预设的公式中计算得到预设周期内该用户的总运动量得分。
优选地，所述食物图片识别模型为支持向量机模型，所述食物图片识别模型的训练步骤如下：
获取预设数量的食物图片，并对所述食物图片进行预处理，生成目标图片；
利用预设的方式对目标图片进行特征提取及食物类型名称标注，得到样本集，所述特征包括颜色特征、纹理特征、尺寸特征及形状特征；
将样本图片集按照第一预设比例和第二预设比例分为训练集和验证集；
根据训练集中的样本图片的特征，生成特征直方图，将所述特征直方图进行支持向量机分类，调整特征分类值；
根据验证集中的样本图片的特征，生成特征直方图，输入到模型中验证，若食物图片的识别准确率大于或等于预设值，则输出该模型，若食物图片的识别准确率小于预设值，则增加预设数量的食物图片，重新进行模型训练，直至达到最优的识别模型。
优选地，所述预设的权重公式为：
Y＝k1M+k2N
其中，Y代表该用户的健康指数得分，M代表该用户的总运动量得分，N代表该用户的饮食得分，k1、k2分别代表总运动量得分、饮食得分的权重。
优选地，该方法还包括：
设置各用户的健康等级，包括第一健康等级、第二健康等级、第三健康等级及第四健康等级，并设置各个健康等级对应的健康指数得分范围；
根据各用户的健康指数得分所在的健康指数得分范围确定各用户的健康等级。
本发明之计算机可读存储介质的具体实施方式与上述健康指数预测方法的具体实施方式大致相同，在此不再赘述。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种健康指数预测方法，应用于电子装置，其特征在于，所述方法包括：
统计步骤：统计预设周期内某用户在单位时间内上传的运动信息及食物图片，所述运动信息包括路程、步数及消耗能量；
第一打分步骤：根据该用户运动信息与运动量化表的对应关系，对预设周期内该用户的运动量进行打分得到该用户的总运动量得分；
识别步骤：将上传的食物图片进行预处理得到待识别的目标图片，将目标图片输入到预先训练好的食物图片识别模型识别出各个图片所对应的食物名称；
第二打分步骤：根据该用户在所述单位时间内上传的食物名称与食物数据库的对应关系，对该用户在所述单位时间内的饮食进行打分得到该用户的单位时间饮食得分，将预设周期内该用户的单位时间饮食得分进行平均处理生成该用户的饮食得分；
预测步骤：根据该用户的运动量得分和饮食得分，利用预设的权重公式计算得到该用户的健康指数得分。
2.根据权利要求1所述的健康指数预测方法，其特征在于，所述第一打分步骤包括：
根据预设周期内该用户在所述单位时间内的步行路程、步数及消耗能量的具体数值，利用运动量化表对该用户在单位时间内的步行路程、步数及消耗能量进行打分，得到该用户的单位时间运动量得分；
对预设周期内该用户单位时间内的步行路程、步数及消耗能量对应的单位时间运动量得分进行平均处理得到预设周期内该用户的路程、步数及消耗能量对应的运动量得分；
将预设周期内该用户的路程、步数及消耗能量对应的运动量得分输入到预设的公式中计算得到预设周期内该用户的总运动量得分。
3.根据权利要求1所述的健康指数预测方法，其特征在于，所述食物图片识别模型为支持向量机模型，所述食物图片识别模型的训练步骤如下：
获取预设数量的食物图片，并对所述食物图片进行预处理，生成目标图片；
利用预设的方式对目标图片进行特征提取及食物类型名称标注，得到样本集，所述特征包括颜色特征、纹理特征、尺寸特征及形状特征；
将样本图片集按照第一预设比例和第二预设比例分为训练集和验证集；
根据训练集中的样本图片的特征，生成特征直方图，将所述特征直方图进行支持向量机分类，调整特征分类值；
根据验证集中的样本图片的特征，生成特征直方图，输入到模型中验证，若食物图片的识别准确率大于或等于预设值，则输出该模型，若食物图片的识别准确率小于预设值，则增加预设数量的食物图片，重新进行模型训练，直至达到最优的识别模型。
4.根据权利要求1所述的健康指数预测方法，其特征在于，所述预设的权重公式为：
Y＝k1M+k2N
其中，Y代表该用户的健康指数得分，M代表该用户的总运动量得分，N代表该用户的饮食得分，k1、k2分别代表总运动量得分、饮食得分的权重。
5.根据权利要求1或4所述的健康指数预测方法，其特征在于，该方法还包括：
设置各用户的健康等级，包括第一健康等级、第二健康等级、第三健康等级及第四健康等级，并设置各个健康等级对应的健康指数得分范围；
根据各用户的健康指数得分所在的健康指数得分范围确定各用户的健康等级。
6.一种电子装置，其特征在于，所述电子装置包括：存储器、处理器及显示器，所述存储器上存储有健康指数预测程序，所述健康指数预测程序被所述处理器执行，可实现如下步骤：
统计步骤：统计预设周期内某用户在单位时间内上传的运动信息及食物图片，所述运动信息包括路程、步数及消耗能量；
第一打分步骤：根据该用户运动信息与运动量化表的对应关系，对预设周期内该用户的运动量进行打分得到该用户的总运动量得分；
识别步骤：将上传的食物图片进行预处理得到待识别的目标图片，将目标图片输入到预先训练好的食物图片识别模型识别出各个图片所对应的食物名称；
第二打分步骤：根据该用户在所述单位时间内上传的食物名称与食物数据库的对应关系，对该用户在所述单位时间内的饮食进行打分得到该用户的单位时间饮食得分，将预设周期内该用户的单位时间饮食得分进行平均处理生成该用户的饮食得分；
预测步骤：根据该用户的运动量得分和饮食得分，利用预设的权重公式计算得到该用户的健康指数得分。
7.根据权利要求6所述的电子装置，其特征在于，所述食物图片识别模型为支持向量机模型，所述食物图片识别模型的训练步骤如下：
获取预设数量的食物图片，并对所述食物图片进行预处理，生成目标图片；
利用预设的方式对目标图片进行特征提取及食物类型名称标注，得到样本集，所述特征包括颜色特征、纹理特征、尺寸特征及形状特征；
将样本图片集按照第一预设比例和第二预设比例分为训练集和验证集；
根据训练集中的样本图片的特征，生成特征直方图，将所述特征直方图进行支持向量机分类，调整特征分类值；
根据验证集中的样本图片的特征，生成特征直方图，输入到模型中验证，若食物图片的识别准确率大于或等于预设值，则输出该模型，若食物图片的识别准确率小于预设值，则增加预设数量的食物图片，重新进行模型训练，直至达到最优的识别模型。
8.根据权利要求6所述的电子装置，其特征在于，所述预设的权重公式为：
Y＝k1M+k2N
其中，Y代表该用户的健康指数得分，M代表该用户的总运动量得分，N代表该用户的饮食得分，k1、k2分别代表总运动量得分、饮食得分的权重。
9.根据权利要求6或8所述的电子装置，其特征在于，所述健康指数预测程序被处理器执行时，还实现如下步骤：
设置各用户的健康等级，包括第一健康等级、第二健康等级、第三健康等级及第四健康等级，并设置各个健康等级对应的健康指数得分范围；
根据各用户的健康指数得分所在的健康指数得分范围确定各用户的健康等级。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括健康指数预测程序，所述健康指数预测程序被处理器执行时，可实现如权利要求1至5中任一项所述健康指数预测方法的步骤。
CN201811021481.9A 2018-09-03 2018-09-03 健康指数预测方法、装置及存储介质 Pending CN109102413A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811021481.9A CN109102413A (zh) 2018-09-03 2018-09-03 健康指数预测方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811021481.9A CN109102413A (zh) 2018-09-03 2018-09-03 健康指数预测方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN109102413A true CN109102413A (zh) 2018-12-28

Family

ID=64864912

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811021481.9A Pending CN109102413A (zh) 2018-09-03 2018-09-03 健康指数预测方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN109102413A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110569759A (zh) * 2019-08-26 2019-12-13 王睿琪 一种获取个体进食数据的方法、系统、服务端及前端
CN111435455A (zh) * 2019-01-14 2020-07-21 珠海格力电器股份有限公司 图片的处理方法和装置
CN111627557A (zh) * 2020-05-26 2020-09-04 闻泰通讯股份有限公司 健康状况反馈方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104809472A (zh) * 2015-05-04 2015-07-29 哈尔滨理工大学 一种基于svm的食物分类识别方法
CN106073791A (zh) * 2016-05-31 2016-11-09 广东欧珀移动通信有限公司 基于智能手环的卡路里计算方法及装置
CN107731278A (zh) * 2017-09-04 2018-02-23 广东数相智能科技有限公司 一种食物识别方法、营养健康分析方法、系统及装置
CN107767931A (zh) * 2016-08-22 2018-03-06 奇酷互联网络科技（深圳）有限公司 移动终端和健康饮食推荐方法、装置
CN108261178A (zh) * 2018-01-12 2018-07-10 平安科技（深圳）有限公司 动物疼痛指数判断方法、装置及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104809472A (zh) * 2015-05-04 2015-07-29 哈尔滨理工大学 一种基于svm的食物分类识别方法
CN106073791A (zh) * 2016-05-31 2016-11-09 广东欧珀移动通信有限公司 基于智能手环的卡路里计算方法及装置
CN107767931A (zh) * 2016-08-22 2018-03-06 奇酷互联网络科技（深圳）有限公司 移动终端和健康饮食推荐方法、装置
CN107731278A (zh) * 2017-09-04 2018-02-23 广东数相智能科技有限公司 一种食物识别方法、营养健康分析方法、系统及装置
CN108261178A (zh) * 2018-01-12 2018-07-10 平安科技（深圳）有限公司 动物疼痛指数判断方法、装置及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111435455A (zh) * 2019-01-14 2020-07-21 珠海格力电器股份有限公司 图片的处理方法和装置
CN110569759A (zh) * 2019-08-26 2019-12-13 王睿琪 一种获取个体进食数据的方法、系统、服务端及前端
CN110569759B (zh) * 2019-08-26 2020-11-03 王睿琪 一种获取个体进食数据的方法、系统、服务端及前端
CN111627557A (zh) * 2020-05-26 2020-09-04 闻泰通讯股份有限公司 健康状况反馈方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
Pouladzadeh et al. Food calorie measurement using deep learning neural network
Wood et al. Meta-analysis of menstrual cycle effects on women’s mate preferences
CN108776907A (zh) 广告智能推荐方法、服务器及存储介质
CN109102413A (zh) 健康指数预测方法、装置及存储介质
JP7078291B2 (ja) 健康支援システム、情報提供シート出力装置、方法およびプログラム
CN104778374A (zh) 一种基于图像处理识别方法的自动膳食评估装置
CN109243618A (zh) 医学模型的构建方法、疾病标签构建方法及智能设备
Pouladzadeh et al. You are what you eat: So measure what you eat!
EP2569717A1 (en) System and method for automated personalized and community-specific eating and activity planning, linked to tracking with automated multimodal item identification and size estimation
WO2020248847A1 (zh) 智能心脏疾病检测方法、装置及计算机可读存储介质
CN102799786A (zh) 一种基于物联网的人体健康监控系统及其监控方法
Thar et al. A review of the uses and reliability of food balance sheets in health research
KR102304563B1 (ko) 사용자 맞춤형 비만 관리 서비스 제공 방법 및 장치
CN107658001A (zh) 一种家庭用油健康管理方法和系统
CN110706783B (zh) 食谱推荐方法、装置、计算设备及计算机存储介质
CN112002388A (zh) 饮食推荐方法及装置
CN110379487A (zh) 营养方案管理系统
CN104765980A (zh) 一种基于云计算的智能膳食评估方法
Sainz-De-Abajo et al. FoodScan: Food monitoring app by scanning the groceries receipts
CN115660292A (zh) 基于餐饮消费数据处理的碳排放监测方法及设备
Linehan et al. Tagliatelle: social tagging to encourage healthier eating
EP4303880A1 (en) Health management system
CN109345397A (zh) 智能分保方法、服务器及存储介质
CN109254990A (zh) 一种信息源采集和动态分析的方法和系统
KR102268102B1 (ko) 음식 영상을 이용한 영양관리 및 질병관리 방법

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination