CN110097946B - 一种基于营养成分分析的饮食推荐方法 - Google Patents

Abstract

一种基于营养成分分析的饮食推荐方法，包括（1）信息获取，用户注册信息；（2）营养计算，（3）图像采集，（4）营养分析，（5）（6）饮食推荐，根据营养素的或缺值，对食材做出组合推荐，并按偏好度排序，展示给用户。本发明的方法包括：信息获取、营养计算、图像采集、营养分析、偏好计算、饮食推荐。帮助用户监测每日营养水平，适合长期监测用户营养成分的摄入量，并根据饮食情况进行饮食推荐，既能满足用户营养需求，也满足了用户的饮食偏好，同时增加了饮食的多样性，对由于长期饮食不合理形成的慢性病有预防作用。

Description

一种基于营养成分分析的饮食推荐方法

技术领域

本发明属于数据分析技术领域，涉及营养成分分析，具体涉及一种基于营养成分分析的饮食推荐方法。

背景技术

研究表明，慢性病已经成为我国居民的主要死亡原因。而群众的健康素养水平太低，是慢性病高危人群大量增加的主要原因。合理膳食，均衡营养可以促进健康，预防疾病。营养失衡不仅会造成营养缺乏病，如营养不良，还会增加肥胖、糖尿病、高血压、癌症等慢性病的患病风险。

食品营养成分检测具有积极的意义，越来越多的国民意识到营养均衡和营养结构对于健康的重要性。据俄罗斯“生活方式在健康和寿命中所占比例”的一项调查发现，人的健康和寿命仅有15％取决于医学和药物，85％取决于人的生活方式。在世界卫生组织关于健康和寿命因素的比例划分中，生活方式占60％，遗传因素占15％，社会因素占10％，医疗占8％，气候占7％。科学的生活方式是影响人类健康的重要因素之一。

现阶段，人们越来越意识到营养饮食的重要性，在相关技术中，营养与口味似乎不可兼得，有关营养成分分析的方案只是营养分析，或者单独通过获取营养成分的摄取量，判断饮食营养成分是否超标，而未针对用户后续饮食情况给出合理的饮食方案。上述方法在用户的饮食方面未提供实质性的帮助，不具有实用性，因此亟需一种可以在记录用户饮食的摄入情况，分析营养成分的基础上，根据用户的身体状态和饮食偏好，为用户提出多样化的饮食方案。

发明内容

为了克服上述现有技术的不足，本发明的目的是提供一种基于营养成分分析的饮食推荐方法，该方法能够根据用户营养素摄入量的长期记录，即监测摄入食物中蛋白质、脂肪、碳水化合物等营养素的含量，计算出饮食中的各项营养成分的值，与推荐摄入标准对比，并在需要时发出警告。提出一种基于时间因子和概率的自适应权重方法，计算用户对不同食材偏好度。根据用户偏好和与推荐摄入标准的偏差生成食材推荐组合，可以有效地提供家庭营养监测，同时兼顾了用户个人饮食偏好和营养需求，增加了饮食的多样性，对由于长期饮食不合理形成的慢性病有预防作用。

为了实现上述目的，本发明采用的技术方案是：

一种基于营养成分分析的饮食推荐方法，包括以下步骤：

1)信息获取：

用户注册信息，包括姓名、性别、年龄、身高、体重、身高、劳动等级、疾病、需求信息、口味偏好；

2)营养计算；

根据自身国情、国民体质、饮食习惯、食物生产条件等制定了符合我国国情的中国居民膳食参考摄入量,充分考虑了群体中不同年龄、性别和生理状况的差别，《饮食营养素参考摄入量(DRIs)》中，DRIs是一组每日平均膳食营养素摄入量的参考值，针对人体所需的主要营养素，从7个方面定义其需要量：平均需要量(EAR)，推荐摄入量(RNI)，适宜摄入量(AI)和可耐受最高摄入量(UL)，宏量营养素可接受范围(AMDR)，预防非传染性慢性病的建议摄入量(PI-NCD)和特定建议值(SPL)；

以推荐摄入量(RNI)作为DRIs的一个参数，为不同性别、年龄、劳动强度及生理状况的群体中绝大多数个体(97％～98％)提供人体必需营养素的参考摄入标准量，作为个体每日摄入营养素的目标值；热量及三大产热营养素的摄入量还需要根据不同年龄段人群的身高体重进行调整，根据《食品营养学》具体计算如下：

①身体活动水平PAL是人体24小时总能量消耗(TEE)除以人体的基础能量代谢，即

每日所需热量

TEE＝PAL×BMR (2)

②根据步骤1)中的计算数据以及用户的健康状况和需求目标，从数据库中找到相应状态的营养调整方式，并按照标准调整所需摄入的热量、营养成分的比例，确定各个营养成分的阈值Th＝[t₁，t₂，t₃，t₄]^T；通常蛋白质应提供总热量的10％～15％，脂肪提供20％～30％，碳水化合物提供55％～65％，三餐热量按3:4:3分配，1g蛋白质＝1g碳水化合物＝4kcal热量，1g脂肪＝9kcal热量；

3)图像采集，当用户进食时，触发图像采集，每隔预设时间段采集一次目标食物图像，并将采集的食物图像按照采集顺序依次发送给营养分析模块；

4)步骤(3)所述图像采集部分置于配置于眼镜的镜框上，预设时间段的时间越短，分析的精确度越高，但是需要处理的数据就会越多，因此预设时间段的时长可以根据实际情况调整，例如可以为3秒至1分钟，具体为3秒、5秒、10秒、30秒或1分钟等，在此不作限定；

5)确定用户实际摄入量，根据食物图像确定食物的名称，查询对应食物包含的营养成分，根据步骤3)图像采集结果，将接收的第N幅食物图像与接收的第N-1幅食物图像进行比较，确定第N幅食物图像与第N-1幅食物图像相比食物的改变量，存储每一次确定的所述营养成分的摄入量，累计存储每一次所述营养成分的摄入量，确定截止至所述图像采集模块采集完所述第N幅食物图像时营养成分的摄入量，从而可以准确获得用户在进食过程中各营养成分的摄入量，得到U＝[u₁,u₂,u₃,u₄]^T，针对热量、蛋白质、脂肪、碳水化合物4种营养元素进行营养研究。食材可表示为X＝{x₁,x₂,...,x_l}，每种食材的营养含量为P＝{p₁,p₂,...,p_k}，k∈[1,l]；

6)营养分析，根据步骤5)确定的营养成分摄入量，营养分析模块将确定的截止至图像采集模块采集完第N幅食物图像时营养成分的摄入量U＝[u₁,u₂,u₃,u₄]^T与营养成分阈值表Th＝[t₁,t₂,t₃,t₄]^T进行比对，确定各营养成分的摄入量是否超过阈值，当确认至少有一种营养成分的摄入量超过阈值时，生成摄入警告信息，并将警告信息展示给用户，这样对使用者的饮食可以起到提醒的作用，这些提醒对孕妇、糖尿病患者、高血压患者、高血糖患者、痛风患者、肾病患者等尤为重要；

7)偏好计算，提出一种基于时间因子和概率的自适应权重方法，计算用户对不同食材的偏好度，生成用户对各项食材偏好，作为用户对不同食材的偏好度，方法如下：

根据平时饮食摄入记录，摄入频次可表示为，f＝{f₁,f₂,...,f_i}，其中f_i为食用第i种食材的次数，根据公式(3)计算第i种食材的偏好权重w_i'的估计值；

为了覆盖整个权值的范围，对[0,1]之间均匀取10个数作为权重w_i的取值域，即H＝{0.05,0.15,…,0.95}，每个取值点的初始概率为0.1，即P(h_j)＝0.1；根据摄入记录，有了w_i的历史样本点，为了能更加准确的预测权重，采用时间窗的方法，只取s个最近的权重值，即w＝{w₁,w₂,...,w_s}，利用这s个权重的历史样本点估计P(h_j)，使用Parzen窗的方法计算P(h_j)，并进行归一化处理，即公式(4)：

首先计算先验概率，P(w_i'丨h_j)，定义公式(5)，表示当权重取值h_j越靠近权重估计值w′_i则概率越大，远离权重估计值w_i'概率越小；

8)使用公式(6)计算后验概率P(h_j丨w_i')；

9)使用公式(7)计算第i种食材的偏好权重，将此作为计算偏好权重的一部分；

10)参考Ebbinghaus遗忘曲线的特征，s代表用户对某食材的偏好度，考虑到用户食用食材的先后顺序，设t₀为用户从开始记录食用该食材最早的时刻，t_i为用户食用该食材的时刻，那么s可表示为公式(8)；

若t_i＝t₀，则定义s_i＝1；

用户对某项食材的偏好度，可以用w_i和s_i共同决定，从而确定用户近期偏爱的食材，得到公式(9)；

f_i＝β×s_i+(1-β)×w_i (9)

将权重f_i作为偏好的度量，并更新权重分布f；

11)将摄入量U与计算得出的营养指标Th(阈值)做差值，根据差值，可以确定欠缺的营养素，确定所需营养物质，根据所需营养物质结果，用ΔU表示，ΔU＝[Δu₁,Δu₂,Δu₃,Δu₄]^T；

12)饮食推荐，根据所需营养物质ΔU和偏好度确定推荐食材，生成满足所需营养数值ΔU的用户不同组合的饮食推荐，并按照偏好高度值从高到低排序，展示给用户作为参考，满足了用户营养需求，也满足了用户的偏好，同时增加了饮食的多样性；根据食材种类X＝{x₁,x₂,...,x_l}，每种食材的营养含量为P＝{p₁,p₂,...,p_k}，k∈[1,l]，构造一个4×n矩阵A；

其中，每一列A_i＝[c_i,p_i,f_i,s_i]^T代表第i种食材中各营养素的含量，分别是热量、蛋白质、脂类、碳水化合物，根据所需营养素ΔU，可以得出公式(11)：

AΔU＝Th (11)，

粒子群算法进行求解，得出推荐食材列表；

13)根据推荐食材列表，计算每种组合的偏好度，将不同搭配按照用户对不同食材的偏好度从大到小列出，做出多种饮食推荐。

本发明的有益效果是：

1、本发明能够长期监测用户的营养，满足用户每日营养所需，在兼顾了用户的饮食偏好的同时，增加了饮食多样性，对慢性病预防有积极作用。

2、计算用户对不同食材的偏好度，包括根据近期的饮食情况和概率共同计算得出用户的偏好，更能反应用户近期的饮食偏好情况和用户的口味偏好。

3、帮助用户在分析实际数据的基础上，根据用户身体情况和饮食情况做出饮食推荐，贯彻始终。

附图说明

图1为发明实施例中基于营养成分分析的饮食推荐方法的流程图。

图2为发明实施例中基于营养成分分析的饮食推荐方法的详细流程图。

具体实施方式

以下结合实施例对本发明进一步叙述，但本发明不拘限于以下实施例。

如图1所示，本发明提出一种基于营养成分分析的饮食推荐方法，包括信息获取、营养计算、图像采集、营养分析、偏好计算、饮食推荐。

(1)信息获取，包括姓名、性别、年龄、身高、体重、身高、劳动等级、疾病(如糖尿病)、需求信息(控制血糖)、口味偏好。

如姓名：周清，性别：28，女，身高：165cm，体重：60kg，劳动等级：轻，需求信息：妊娠糖尿病。

(2)营养计算，包括根据个人信息，查找对应数据库，计算用户每日所需热量，营养分配，对用户进行营养分析，设定营养成分阈值。

表1中国成年居民能量推荐摄入量(kcal/d)

表2 Schofield公式计算

表3身体活动水平PAL值

查询表2，计算每日基础代谢所需能量BMR(kcal/d)，查询表3，得出每日活动水平PAL值，再根据公式计算每日所需热量。查询表2可得每日基础代谢所需能量:

BMR＝(14.7*60)+496＝1378kcal/d

查询表3可得身体活动水平:

PAL值PAL＝1.40～1.69

根据公式TEE＝PAL*BMR得出每日所需热量:

TEE＝1378*(1.40～1.69)＝(1929.2～2328.82)kcal

每日所需热量取2000kcal，根据比例，设定每日营养素的阈值，蛋白质应提供总热量的10％～15％，取15％，为300kcal，脂肪提供20％～30％，取25％，为500kcal，碳水化合物提供55％～65％取60％，为1200kcal。根据用户的需求信息为妊娠糖尿病，调整营养素的阈值，与数据库中相应需求比对后，所取阈值满足妊娠糖尿病的营养指导。可以设定营养成分阈值Th＝[t₁,t₂,t₃,t₄]^T，其中热量t₁＝2000,蛋白质t₂＝300，脂肪t₃＝500，碳水化合物t₄＝1200。

(3)图像采集,包括在进食时，触发图像采集，记录后一张图片与前一张图片各种食材的摄入量差，累计摄取量，记录并存储摄取量，分析每种营养成分的摄取量。

(4)营养分析，获取数据库中的食材信息，食材可表示为X＝{x₁,x₂,...,x_l}，每种食材的营养含量为P＝{p₁,p₂,...,p_k}，k∈[1,l]。与食材数据库进行比对，并读取到食材的能量值，累计摄入的各种食材提供的能量值，累计食材提供的各种营养素的含量，得到U＝[u₁,u₂,u₃,u₄]^T。将U与阈值Th比较，当摄入量大于某营养素的阈值，发出警告，提醒用户某项营养素摄取超标，并列出禁止食用的食材。

(5)偏好计算，根据平时饮食摄入记录，摄入频次可表示为，f＝{f₁,f₂,...,f_i},其中f_i为食用第i种食材的次数，根据公式(3)计算第i种食材的权重估计值。

为了覆盖整个权值的范围，对[0,1]之间均匀取10个数作为权重w_i的取值域，即H＝{0.05,0.15,…,0.95}，每个取值点的初始概率为0.1，即P(h_j)＝0.1；根据摄入记录，有了w_i的历史样本点，为了能更加准确的预测权重，采用时间窗的方法，只取s个最近的权重值，即w＝{w₁,w₂,...,w_s}，利用这s个权重的历史样本点估计P(h_j)，使用Parzen窗的方法计算P(h_j)，并进行归一化处理，即公式(4)。

首先计算先验概率，P(w_i'丨h_j)，定义公式(5)，表示当权重取值h_j越靠近权重估计值w′_i则概率越大，原理权重估计值w′_i概率越小。

使用公式(6)计算后验概率P(h_j|w，′)；

使用公式(7)计算第i种食材的权重，将此作为计算偏好权重的一部分；

参考Ebbinghaus遗忘曲线的特征，s代表用户对某食材的偏好度，考虑到用户食用食材的先后顺序，设t₀为用户从开始记录食用该食材最早的时刻，t_i为用户食用该食材的时刻，那么s可表示为公式(8)；

若t_i＝t₀，则定义s_i＝1；

用户对某项食材的偏好度，可以用w_i和s_i共同决定，从而确定用户近期偏爱的食材，得到公式(9)；

f_i＝β×s_i+(1-β)×w_i (9)

将权重f_i作为偏好的度量，并更新权重分布f_i。

(6)饮食推荐，根据U的取值，将阈值Th与摄取量U做差值，得到每项营养成分或缺值ΔU＝[Δu₁,Δu₂,Δu₃,Δu₄]^T。根据所需营养物质ΔU确定推荐食材，并根据偏好度，生成满足所需营养数值ΔU的用户不同组合的饮食推荐，并按照偏好高度值从高到低排序，展示给用户作为参考，满足了用户营养需求，也满足了用户的偏好，同时增加了饮食的多样性。

根据食材种类X＝{x₁,x₂,...,x_l}，每种食材的营养含量为P＝{p₁,p₂,...,p_k}，k∈[1,l]，构造一个4×n矩阵A。

其中，每一列A_i＝[c_i,p_i,f_i,s_i]^T代表第i种食材中个营养素的含量，分别是热量、蛋白质、脂类、碳水化合物。

根据所需营养素ΔU，可以得出公式(11)

AΔU＝Th (11)

粒子群算法进行求解，得出推荐食材列表。

(7)根据推荐食材列表，计算每种组合的偏好度，将不同搭配按照用户对不同食材的偏好度从大到小列出，做出多种饮食推荐。

实施例

如妊娠糖尿病的营养指导，要促进胎儿生长发育，同时降低妊娠糖尿病患者的高血糖，使之能恢复甚至接近正常，同时避免低血糖和酮症酸中毒等不良妊娠结局，营养指导如下：

a)合理控制总能量：妊娠糖尿病患者虽然血糖高，但是糖的利用率低，机体应保证能量以满足母体及胎儿的需要。孕早期一般不需要增加能量，妊娠晚期每天增加300～450kcal的能量，肥胖或消瘦的孕妇能量应以适宜体重增长为依据，不能要求所有孕妇相同的能量。标准一般以每千克体重30-40cal/d。

b)适宜三大产热营养素的比例：适宜的供能比在妊娠糖尿病的防治中意义重大，现在较为公认的比例是碳水化合物供能比50％～60％；蛋白质15％～20％；脂肪供能比不高于25％。由于胰岛素抵抗带来的代谢紊乱不只影响碳水化合物的代谢，对脂肪、蛋白质亦有影响，适宜比例及来源的脂肪就更为关键，以降低脂代谢紊乱的高血脂状态及蛋白质等代谢紊乱带来其他严重并发症，如妊娠高血压的高并发率等。

c)倡导孕妇尽量避免单糖双糖的摄入：鼓励进食含多糖类食物。在主食选择上可以使用血糖生成指数(GI)。荞麦、燕麦、黑米、大麦、全麦及其制品等在粮食类中血糖生成指数较低，而樱桃、李子、桃、柚子和苹果由于其可溶性膳食纤维高，在水果中其血糖生成指数低；精米白面、糯米及其制品、尤其去筋的白面包和馒头、大米粥、熟西瓜、菠萝和香瓜等在同类食品中其血糖生成指数较高；根茎类蔬菜的血糖生成指数接近粮食类。

d)控制高蛋白食物中的脂肪摄入：鼓励选用低脂肪或含饱和脂肪低的食物，如鱼类、豆类及制品、鸡肉、兔肉、牛羊肉、里脊肉和低脂/脱脂牛奶等作为蛋白质的优质来源，减少动物性脂肪的摄入。同时注意烹调用油量，并以植物油为主。

e)保证充足的维生素和微量元素的供给：维生素B1、B2和烟酸参与糖代谢；锌参与蛋白合成，铬为胰岛素因子，能提高胰岛素敏感性，促进糖代谢和蛋白质合成，要保证充足的供给量。

f)增加膳食纤维的摄入量：膳食纤维尤其是可溶性膳食纤维能降低食物的血糖生成指数，在一般糖尿病治疗中已被广泛认同。但是在增加摄入的同时要兼顾膳食纤维对其他营养素吸收的干扰，尤其尽量避免与钙剂、铁剂等同时摄入。

g)根据步骤1)的计算结果，调整每日所需热量，根据b)调整各个营养素的摄入量阈值，饮食推荐选择c)d)e)f)推荐的种类。

下面结合具体实施例描述根据本发明的孕期个体化营养分析方法。

在山西某三甲医院按照自愿原则共选择88例孕妇为研究组单胎无高危评分的孕妇，且符合：(1)月经正常，妊娠期明确；(2)孕期37-42周，足月分娩；(3)无内外科疾病症者，排除妊娠期糖尿病、高血压病、胆汁淤积症。完成全程3次营养检测与指导的共88例，同期随机选取在本院分娩按现有传统产检模式未接受过孕期营养干预的孕妇80例为对照组，排除孕期患心、肝、肺、肾等重要脏器疾病、良性肿瘤(卵巢囊肿、子宫肌瘤)。两组孕妇年龄均在20-35岁，孕期均在18周以内；两组孕妇年龄、身高、职业、文化程度、人均月收入、孕前体重、分娩前体重两组差异无统计学意义。

表3和表4分别为个体化营养分析对妊娠结局的影响以及个体化营养分析对新生儿体重的影响，通过比较两组妊娠结局、妊娠并发症及新生儿情况得出如下结论：

①妊娠并发症发生率研究组为20％，对照组为48.8％；

②剖宫产率研究组为29.4％，对照组为53.7％；

③妊娠并发症发生率、剖宫产率研究组均显著低于对照组；

④研究组出生的婴儿体重异常有7例，对为12例；

⑤研究组出生体重显著高于对照组。

表3个体化营养分析对妊娠结局的影响

表4个体化营养分析对新生儿体重的影响

临床分析表明：通过在妊娠期监测孕妇代谢状况及体成分变化状况，建立以体成分为目标的孕期膳食营养指导不失为一种有效的方法。通过监测个体代谢情况及体成分的变化使孕妇做到合理饮食，并控制孕期体重、体成分合理变化，减少巨大儿的发生，减少产科并发症，具有巨大的社会意义。

Claims (1)

1.一种基于营养成分分析的饮食推荐方法，其特征在于，包括以下步骤：

1)信息获取：

用户注册信息，包括姓名、性别、年龄、身高、体重、身高、劳动等级、疾病、需求信息、口味偏好；

2)营养计算；

根据自身国情、国民体质、饮食习惯、食物生产条件制定了符合我国国情的中国居民膳食参考摄入量,充分考虑了群体中不同年龄、性别和生理状况的差别，《饮食营养素参考摄入量(DRIs)》中，DRIs是一组每日平均膳食营养素摄入量的参考值，针对人体所需的主要营养素，从7个方面定义其需要量：平均需要量(EAR)，推荐摄入量(RNI)，适宜摄入量(AI)和可耐受最高摄入量(UL)，宏量营养素可接受范围(AMDR)，预防非传染性慢性病的建议摄入量(PI-NCD)和特定建议值(SPL)；

以推荐摄入量(RNI)作为DRIs的一个参数，为不同性别、年龄、劳动强度及生理状况的群体中绝大多数个体提供人体必需营养素的参考摄入标准量，作为个体每日摄入营养素的目标值；热量及三大产热营养素的摄入量还需要根据不同年龄段人群的身高体重进行调整，根据《食品营养学》具体计算如下：

①身体活动水平PAL是人体24小时总能量消耗(TEE)除以人体的基础能量代谢，即

每日所需热量

TEE＝PAL×BMR (2)

②根据步骤1)中的计算数据以及用户的健康状况和需求目标，从数据库中找到相应状态的营养调整方式，并按照标准调整所需摄入的热量、营养成分的比例，确定各个营养成分的阈值Th＝[t₁，t₂，t₃，t₄]^T；通常蛋白质应提供总热量的10％～15％，脂肪提供20％～30％，碳水化合物提供55％～65％，三餐热量按3:4:3分配，1g蛋白质＝1g碳水化合物＝4kcal热量，1g脂肪＝9kcal热量；

3)图像采集，当用户进食时，触发图像采集，每隔预设时间段采集一次目标食物图像，并将采集的食物图像按照采集顺序依次发送给营养分析模块；

4)步骤(3)所述图像采集置于配置于眼镜的镜框上，预设时间段的时间越短，分析的精确度越高，但是需要处理的数据就会越多，因此预设时间段的时长可以根据实际情况调整；

5)确定用户实际摄入量，根据食物图像确定食物的名称，查询对应食物包含的营养成分，根据步骤3)图像采集结果，将接收的第N幅食物图像与接收的第N-1幅食物图像进行比较，确定第N幅食物图像与第N-1幅食物图像相比食物的改变量，存储每一次确定的所述营养成分的摄入量，累计存储每一次所述营养成分的摄入量，确定截止至所述图像采集完所述第N幅食物图像时营养成分的摄入量，从而可以准确获得用户在进食过程中各营养成分的摄入量，得到U＝[u₁，u₂，u₃，u₄]^T，针对热量、蛋白质、脂肪、碳水化合物4种营养元素进行营养研究，食材可表示为X＝{x₁，x₂，…，x_l}，每种食材的营养含量为P＝(p₁，p₂，…，p_k)，k∈[1，l]；

6)营养分析，根据步骤5)确定的营养成分摄入量，营养分析模块将确定的截止至图像采集模块采集完第N幅食物图像时营养成分的摄入量U＝[u₁，u₂，u₃，u₄]^T与营养成分阈值表Th＝[t₁，t₂，t₃，t₄]^T进行比对，确定各营养成分的摄入量是否超过阈值，当确认至少有一种营养成分的摄入量超过阈值时，生成摄入警告信息，并将警告信息展示给用户，这样对使用者的饮食可以起到提醒的作用，这些提醒对孕妇、糖尿病患者、高血压患者、高血糖患者、痛风患者、肾病患者尤为重要；

7)偏好计算，提出一种基于时间因子和概率的自适应权重方法，计算用户对不同食材的偏好度，生成用户对各项食材偏好，作为用户对不同食材的偏好度，方法如下：

根据平时饮食摄入记录，摄入频次可表示为，f＝{f₁，f₂，…，f_s}，其中f_i为食用第i种食材的次数，根据公式(3)计算第i种食材的偏好权重w′_i的估计值；

为了覆盖整个权值的范围，对[0,1]之间均匀取10个数作为权重w_i的取值域，即H＝{0.05，0.15，…，0.95}，每个取值点的初始概率为0.1，即P(h_j)＝0.1；根据摄入记录，有了w_i的历史样本点，为了能更加准确的预测权重，采用时间窗的方法，只取s个最近的权重值，即w＝(w₁，w₂，…，w_s}，利用这s个权重的历史样本点估计P(h_j)，使用Parzen窗的方法计算P(h_j)，并进行归一化处理，即公式(4)：

首先计算先验概率，P(w′_i|h_j)，定义公式(5)，表示当权重取值h_j越靠近权重估计值w′_i则概率越大，远离权重估计值w′_i概率越小；

8)使用公式(6)计算后验概率

9)使用公式(7)计算第i种食材的偏好权重，将此作为计算偏好权重的一部分；

10)参考Ebbinghaus遗忘曲线的特征，s代表用户对某食材的偏好度，考虑到用户食用食材的先后顺序，设t₀为用户从开始记录食用该食材最早的时刻，t_i为用户食用该食材的时刻，那么s可表示为公式(8)；

若t_i＝t₀，则定义s_i＝1；

用户对某项食材的偏好度，可以用w_i和s_i共同决定，从而确定用户近期偏爱的食材，得到公式(9)；

f_i＝β×s_i+(1-β)×w_i (9)

将权重f_i作为偏好的度量，并更新权重分布f_i；

11)将摄入量U与计算得出的营养指标Th(阈值)做差值，根据差值，可以确定欠缺的营养素，确定所需营养物质，根据所需营养物质结果，用ΔU表示，ΔU＝[Δu₁，Δu₂，Δu₃，Δu₄]^T；

12)饮食推荐，根据所需营养物质ΔU和偏好度确定推荐食材，生成满足所需营养数值ΔU的用户不同组合的饮食推荐，并按照偏好高度值从高到低排序，展示给用户作为参考，满足了用户营养需求，也满足了用户的偏好，同时增加了饮食的多样性；根据食材种类X＝{x₁，x₂，…，x_l}，每种食材的营养含量为P＝{p₁，p₂，…，p_k}，k∈[1，l]，构造一个4×n矩阵A；

其中，每一列A_i＝[c_i，p_i，f_i，s_i]^T代表第i种食材中各营养素的含量，分别是热量、蛋白质、脂类、碳水化合物，根据所需营养素ΔU，可以得出公式(11)：

AΔU＝Th (11)，粒子群算法进行求解，得出推荐食材列表；

13)根据推荐食材列表，计算每种组合的偏好度，将不同搭配按照用户对不同食材的偏好度从大到小列出，做出多种饮食推荐。

Images