CN110338762A - 辅助补充维生素d的方法、装置、终端及服务器 - Google Patents
辅助补充维生素d的方法、装置、终端及服务器 Download PDFInfo
- Publication number
- CN110338762A CN110338762A CN201910614703.6A CN201910614703A CN110338762A CN 110338762 A CN110338762 A CN 110338762A CN 201910614703 A CN201910614703 A CN 201910614703A CN 110338762 A CN110338762 A CN 110338762A
- Authority
- CN
- China
- Prior art keywords
- vitamin
- user
- parameter
- intake
- server
- 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
Links
- 229940046008 vitamin d Drugs 0.000 title claims abstract description 205
- 229930003316 Vitamin D Natural products 0.000 title claims abstract description 202
- QYSXJUFSXHHAJI-XFEUOLMDSA-N Vitamin D3 Natural products C1(/[C@@H]2CC[C@@H]([C@]2(CCC1)C)[C@H](C)CCCC(C)C)=C/C=C1\C[C@@H](O)CCC1=C QYSXJUFSXHHAJI-XFEUOLMDSA-N 0.000 title claims abstract description 202
- 235000019166 vitamin D Nutrition 0.000 title claims abstract description 202
- 239000011710 vitamin D Substances 0.000 title claims abstract description 202
- 150000003710 vitamin D derivatives Chemical class 0.000 title claims abstract description 202
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000001502 supplementing effect Effects 0.000 title abstract 3
- 239000013589 supplement Substances 0.000 claims abstract description 47
- 206010047626 Vitamin D Deficiency Diseases 0.000 claims abstract description 32
- 230000005855 radiation Effects 0.000 claims abstract description 19
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 238000010801 machine learning Methods 0.000 claims description 49
- 230000033001 locomotion Effects 0.000 claims description 32
- 230000000153 supplemental effect Effects 0.000 claims description 23
- 238000005286 illumination Methods 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 8
- 241000208340 Araliaceae Species 0.000 claims description 6
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 6
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 6
- 235000008434 ginseng Nutrition 0.000 claims description 6
- 102210022828 rs1155563 Human genes 0.000 claims description 5
- 102210022827 rs17467825 Human genes 0.000 claims description 5
- 102210002599 rs2282679 Human genes 0.000 claims description 5
- 102200090815 rs4588 Human genes 0.000 claims description 5
- 229940088594 vitamin Drugs 0.000 claims description 5
- 229930003231 vitamin Natural products 0.000 claims description 5
- 235000013343 vitamin Nutrition 0.000 claims description 5
- 239000011782 vitamin Substances 0.000 claims description 5
- 150000003722 vitamin derivatives Chemical class 0.000 claims description 5
- 238000010998 test method Methods 0.000 claims description 4
- 238000002360 preparation method Methods 0.000 abstract description 5
- 230000037213 diet Effects 0.000 abstract 1
- 235000005911 diet Nutrition 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 210000000214 mouth Anatomy 0.000 description 5
- 230000002093 peripheral effect Effects 0.000 description 5
- 210000004369 blood Anatomy 0.000 description 4
- 239000008280 blood Substances 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 206010010356 Congenital anomaly Diseases 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 3
- 239000002585 base Substances 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000002950 deficient Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000013467 fragmentation Methods 0.000 description 2
- 238000006062 fragmentation reaction Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 210000005259 peripheral blood Anatomy 0.000 description 2
- 239000011886 peripheral blood Substances 0.000 description 2
- 238000003752 polymerase chain reaction Methods 0.000 description 2
- 230000035935 pregnancy Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009469 supplementation Effects 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010241 blood sampling Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000001294 liquid chromatography-tandem mass spectrometry Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002773 nucleotide Substances 0.000 description 1
- 125000003729 nucleotide group Chemical group 0.000 description 1
- 210000003733 optic disk Anatomy 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 102200090827 rs7041 Human genes 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004885 tandem mass spectrometry Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1118—Determining activity level
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明实施例公开了一种辅助补充维生素D的方法、装置、终端及服务器，该方法包括：确定用户对维生素D的主动摄入量和被动摄入参数；向服务器发送包括主动摄入量和被动摄入参数的维生素D监控请求，以指示服务器根据主动摄入量和被动摄入参数确定用户的维生素D补充信息；接收服务器反馈的用户维生素D缺乏的风险值，和/或用户对维生素D的补充摄入参数。本发明实施例解决了用户不能对需要补充维生素D的量进行准确监控的问题，使得用户能够通过监控提示有针对性的对需要补充的维生素D的量以及饮食运动习惯进行调整，避免用户缺乏维生素D，也可以防止因为盲目日晒和补充维生素D制剂而导致的维生素D补充过量或紫外线辐射过量带来损害。
Description
技术领域
本发明实施例涉及医疗应用技术，尤其涉及一种辅助补充维生素D的方法、装置、终端及服务器。
背景技术
人体内维生素D主要来源于皮肤与紫外线的反应以及食物的补充。目前，为了增加用户的维生素D含量，通常医院和机构会建议用户额外补充维生素D制剂并增加日晒的时间。用户日晒合成维生素D的能力和补充维生素D吸收至血液的能力是因人而异的，使得用户不能够对需要补充的维生素D的量进行准确监控。
发明内容
本发明提供一种辅助补充维生素D的方法、装置、终端及服务器，以实现对用户维生素D的摄入量进行智能监控和提示，保证用户能够摄入适量的维生素D。
第一方面，本发明实施例提供了一种辅助补充维生素D的方法，应用于用户终端，所述方法包括：
确定用户对维生素D的主动摄入量和被动摄入参数；
向服务器发送包括所述主动摄入量和所述被动摄入参数的维生素D监控请求，以指示服务器根据所述主动摄入量和所述被动摄入参数确定用户的维生素D补充信息；
接收服务器反馈的用户维生素D缺乏的风险值，和/或用户对维生素D的补充摄入参数。
第二方面，本发明实施例还提供了一种辅助补充维生素D的方法，应用于服务器，所述服务器上运行有机器学习分类器，所述机器学习分类器采用分类树模型建立，所述方法包括：
获取用户终端发送的包括主动摄入量和被动摄入参数的维生素D监控请求；
将所述主动摄入量和被动摄入参数作为所述机器学习分类器的输入变量，确定基于所述输入变量的用户维生素D缺乏的风险值，和/或用户对维生素D的补充摄入参数；
向用户终端反馈用户维生素D缺乏的风险值，和/或用户对维生素D的补充摄入参数。
第三方面，本发明实施例还提供了一种辅助补充维生素D的装置，配置于用户终端，所述装置包括：
参数确定模块，用于确定用户对维生素D的主动摄入量和被动摄入参数；
维生素D监控请求发送模块，用于向服务器发送包括所述主动摄入量和所述被动摄入参数的维生素D监控请求，以指示服务器根据所述主动摄入量和所述被动摄入参数确定用户的维生素D补充信息；
维生素D补充信息接收模块，用于接收服务器反馈的用户维生素D缺乏的风险值，和/或用户对维生素D的补充摄入参数。
第四方面，本发明实施例还提供了一种辅助补充维生素D的装置，配置于服务器，所述服务器上运行有机器学习分类器，所述机器学习分类器采用分类树模型建立，所述装置包括：
维生素D监控请求获取模块，用于获取用户终端发送的包括主动摄入量和被动摄入参数的维生素D监控请求；
维生素D补充信息确定模块，用于将所述主动摄入量和被动摄入参数作为所述机器学习分类器的输入变量，确定基于所述输入变量的用户维生素D缺乏的风险值，和/或用户对维生素D的补充摄入参数；
维生素D补充信息发送模块，用于向用户终端反馈用户维生素D缺乏的风险值，和/或用户对维生素D的补充摄入参数。
第五方面，本发明实施例还提供了一种终端，所述终端包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
紫外线辐射传感器，用于采集紫外线的强度数据，所述紫外线的强度数据用于确定对应的光照强度；
运动传感器，用于采集用户的运动步数；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任一实施例所述的应用于终端的辅助补充维生素D的方法。
第六方面，本发明实施例还提供了一种服务器，所述服务器包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例所述的应用于服务器端的辅助补充维生素D的方法。
本发明实施例提供了一种辅助补充维生素D的方法，通过在用户终端设置紫外线辐射传感器按照设定时间间隔采集紫外线的强度，以及通过运动传感器获得用户的运动步数，用户通过终端将这些参数连同用户主动补充的维生素D的剂量一并发送至服务器，服务器通过预先建立的机器学习分类器计算得到相应的风险值以及相应的维生素D的补充摄入建议，并发送至用户终端，以指导用户评估自身体内维生素D的水平，并按照相应的建议进行针对性的调整。使得用户能够监控自身的维生素D的水平，并能够按照服务器生成的建议进行自主调整。
附图说明
图1是本发明实施例一中的一种辅助补充维生素D的方法的流程图；
图2是本发明实施例二中的一种辅助补充维生素D的方法的流程图；
图3为本发明实施例二中的两个模型评价的对比图；
图4是本发明实施例三中的一种辅助补充维生素D的装置的结构示意图；
图5是本发明实施例四中的一种辅助补充维生素D的装置的结构示意图；
图6是本发明实施例五中的一种终端的结构示意图；
图7是本发明实施例六中的一种服务器的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
人体内维生素D的含量主要是通过测定血清的25(OH)D浓度的水平得到的，主流方法是色谱-串联质谱法(LC-MS/MS)，该方法具有非常高的灵敏度、特异性和准确性，是国际公认的金标准，但是其需要样品量大，样品前处理耗时长，仪器操作复杂。
个体通过日晒合成维生素D的能力和补充维生素D吸收至血液的能力是因人而异的。当前，检测个体在不同阶段是否缺乏维生素D，每天需要补充多少的剂量，需要结合多长时间的光照才能满足个体在当前阶段对维生素D的需求，通常需要分阶段制定补充方案后通过不停检测维生素D进行验证，从而得到适合个体的补充方案。这就要求用户在不同阶段，采用不同补充方案后反复频繁采血，比较难以实现。
实施例一
图1为本发明实施例一提供的一种辅助补充维生素D的方法的流程图，人体内维生素D主要来源于皮肤与紫外线的反应以及食物的补充。本实施例方法可适用于用户需要了解不同因素对维生素D的吸收情况所产生的影响，并进行自主调整的情况，该方法可以由用户佩戴的终端设备来执行，该终端设备设置有采用用户参数的传感器，例如，采集紫外线强度的紫外线辐射传感器等，该方法具体包括：
S110、确定用户对维生素D的主动摄入量和被动摄入参数。
其中，主动摄入量是指用户主动补充的维生素D制剂的剂量，由用户输入至终端设备；被动摄入参数包括用户通过皮肤接触紫外线生成的维生素D的剂量，可以通过设置的传感器进行采集。被动摄入参数是指对用户的维生素D的生成、吸收产生影响的其他因素，例如，用户的先天遗传因素，用户的运动参数，用户的日晒时长等；具体地，考虑到不同用户对维生素D的吸收能力以及与紫外线接触合成维生素D的能力与用户的基因型有很大关系，本发明实施例中的被动摄入参数可以包括第一被动摄入参数和第二被动摄入参数，其中，第一被动摄入参数包括用户的候选单核苷酸多态性位点的基因型(SNP基因型)，可选的，该SNP基因型可以通过用于测量SNP基因型的试剂盒获得，通过试剂盒测量SNP基因型的测量结果如表A所示，该SNP基因型的测量结果可以用来衡量用户的维生素D的转换和吸收状态，该SNP基因型参数首次将由用户主动输入至终端设备，之后将被服务器长期保存。
表A
| 编号 | 染色体位置 | 突变碱基 |
| rs17467825 | 4:71739800 | A>G |
| rs4588 | 4:71752606 | G>A,T |
| rs2298850 | 4:71748550 | G>C |
| rs2282679 | 4:71742666 | T>G |
| rs1155563 | 4:71777771 | T>A,C |
| rs16846876 | 4:71726774 | A>T |
| rs222020 | 4:71770555 | C>T |
| rs10766197 | 11:14900334 | G>A,C |
第二被动摄入参数包括用户接受到的大于阈值的光照强度数据，该阈值可以根据光照的强度等级进行设定，例如，可以将光照强度大于2级的设定为需要的光照强度数据。第二被动摄入参数可以通过用户终端设置的传感器进行采集获取。作为另一种实现方式，第二被动摄入参数还可以通过单独设置的可配戴设备进行采集，例如，可以单独设置一个手环，手环上设置有紫外线辐射传感器和加速度计电子陀螺仪，蓝牙模块，存储模块以及处理器，通过紫外线辐射传感器按照设定的时间间隔采集用户受到的紫外线等级数据，通过加速度电子陀螺仪采集用户的运动步数，通过设置的蓝牙模块将紫外线等级数据和运动步数发送至手机终端，手机终端上运行的软件对紫外线等级数据转换成相应的光照强度数据，从而完成对第二被动摄入参数的获取。通过单独设置一个可配戴的设备采集第二被动摄入参数，并与手机终端进行通讯，手机终端通过运行的软件将紫外线等级数据转化为光照强度数据，手机终端将相应的主动输入量和被动摄入参数发送至服务器，完成相应的数据采集，通过单独设置的可配戴设备进行第二被动摄入参数的采集，可以提高参数采集的准确性，从而提高服务器对用户维生素D缺乏的风险值计算的准确性。
可选的，当用户为孕妇时，第一被动摄入参数还包括孕妇的孕周数据，以便于更准确地获知孕妇在当前阶段对维生素D的需求量，使得对孕妇的维生素D的评价更加准确。
其中，用户的SNP基因型可以到医院进行采集获知，例如，可以通过采集外周血或者口腔拭子采集样本，应用7500荧光定量PCR进行DNA片段的扩增及单碱基的延伸来获取。
考虑到用户对维生素D的吸收情况与用户的运动情况有很大关系，上述第二被动摄入参数还可以包括用户的运动步数，运动步数可以通过用户终端设置的运动传感器进行检测。
S120、向服务器发送包括主动摄入量和被动摄入参数的维生素D监控请求，以指示服务器根据主动摄入量和被动摄入参数确定用户的维生素D补充信息。
其中，维生素D监控请求用于服务器评价被动摄入参数对用户体内维生素D的含量水平的影响，以及通过预先建立的机器学习分类器结合主动摄入量和被动摄入参数对用户体内的维生素D的水平进行预测，得到维生素D缺乏的风险值及相应的维生素D的补充摄入建议，以指导用户合理补充维生素D以及合理安排运动和日晒时间。
S130、接收服务器反馈的用户维生素D缺乏的风险值，和/或用户对维生素D的补充摄入参数。
其中，用户维生素D缺乏的风险值为服务器基于用户对维生素D的主动摄入量和被动摄入参数计算得到的现阶段用户的维生素D缺乏的风险值，用户对维生素D的补充摄入参数可以为用户的运动参数，用户的光照时长。
服务器按照设定的时间间隔计算间隔周期内的主动摄入量和被动摄入参数，通过机器学习分类器输出相应的维生素D缺乏的风险值，增大时间间隔，通过对更多的参数计算平均值，可以避免偶然的波动因素对预测结果造成影响，例如，服务器对用户一周的维生素D的主动摄入量和被动摄入参数进行平均计算后，得到平均每日的维生素D主动摄入量和平均每日的维生素D被动摄入量，并将其作为预先建立的机器学习分类器的输入参数，计算得到用户当前阶段的维生素D缺乏的风险值，相应地，根据每种类型的风险值给出相应的维生素D的主动摄入建议和运动日晒时长的建议。例如，当计算得到的风险值与模型中的标准值相比后，若风险值比较低，意味着用户当前阶段的维生素D的含量较为合理，可以继续维持上一阶段的主动摄入量和日晒和运动时长日晒时长；相反，若风险值较高，则表明用户当前阶段比较缺乏维生素D，所以需要在前一阶段的基础上增加主动摄入量以及调整日晒时长和运动时间来改善身体内维生素D的含量水平。
示例性的，当运行在服务器端的机器学习分类器的预测周期为每周预测一次时，首次用户将自己的SNP基因型输入终端设备，后期，当用户为孕妇时，还需要将孕妇的孕周数据在每周的开始阶段一并输入至终端设备，比如，每周一的早晨，输入当前的孕周信息，以便能够更加准确地计算孕妇在当前阶段对维生素D的需求量，由终端设备发送至服务器。用户自己主动补充的维生素D的剂量由用户每天进行输入，并通过终端设备上传至服务器进行保存。用户的被动摄入参数可以由设置在用户终端的传感器采集得到，例如，用户终端设置有一个紫外线辐射传感器，用来采集用户受到的光照强度数据；用户终端设置有一个运动传感器，用来采集用户的运动步数。用户可以选择在每天的设定时间，比如晚上9点，将当天主动补充的维生素D的剂量和被动摄入参数发送至服务器，服务器在获得了一周的全部数据后，通过求取平均值的方法，得到用户对维生素D的日均主动摄入量和日均日晒时长，服务器中预先建立的机器学习分类器，根据上述得到的日均主动摄入量、日均日晒时长和运动步数，并结合用户的SNP基因型和当前的孕周数据，进行计算，得到本周的维生素D缺乏的风险值，以供用户了解身体当前的维生素D的含量水平，对维生素D的主动补充量进行合理调整；同时，服务器的机器学习模型还可以根据用户的历史数据以及孕周数据，给出相应的建议，以评价被动摄入参数对自身维生素D水平的影响，供用户参考，以便合理调整下一周的运动步数和日晒时长。
本发明实施例通过将用户主动补充的维生素D的剂量和被动摄入参数进行日统计，并发送至服务器，服务器根据用户主动摄入的维生素D的剂量和被动摄入参数基于预先建立的机器学习分类器进行计算，得到用户当前阶段的维生素D缺乏的风险值，并根据相应的风险值生成相应类型的维生素D的补充摄入建议，以指导用户在下一阶段对维生素D的主动摄入量和日晒时长进行合理调整，从而使得用户的维生素D的含量处于合理的水平，避免用户缺乏维生素D以及孕妇因为缺乏维生素D造成自身和胎儿健康的不良影响，同时也可防止盲目日晒和补充维生素D制剂因维生素D补充过量和紫外线辐射过量带来的损害。本发明实施例方法，避免了用户需要频繁采集血液来评价自身体内的维生素D的水平，为用户提供了极大的便利。
实施例二
图2为本发明实施例二提供的一种辅助补充维生素D的方法的流程图，本实施例方法可适用于需要指导用户补充摄入维生素D的情况，该方法可以由与用户终端通信的服务器来执行，该服务器上运行有机器学习分类器，该机器学习分类器采用分类树模型建立，如图2所示，该方法具体包括如下步骤：
S210、获取用户终端发送的包括主动摄入量和被动摄入参数的维生素D监控请求。
其中，主动摄入量是指用户主动补充的维生素D制剂的剂量；被动摄入参数是指对用户的维生素D的生成、吸收产生影响的其他因素，例如，用户的先天遗传因素，用户的运动参数，用户的日晒时长；当用户为孕妇时，还需要考虑孕妇的孕周数据。其中，用户的先天遗传因素可以通过测定用户的SNP基因型来进行评价；运动参数可以通过统计用户的用户步数进行评价；用户的日晒时长可以通过获取用户接受的大于阈值的光照强度进行评价。
被动摄入参数可以为多个不同的类别，被动摄入参数的类别与预先建立在服务器中的机器学习分类器的输入变量的类型一直，在确定机器学习分类器的输入变量之前，先需要对样本数据中的多个候选参数进行分类统计，选取对维生素D的含量影响较大的因素作为输入变量，即被动摄入参数的类别。
服务器与用户终端进行通信连接，实现数据的交互，例如，用户终端可以通过无线通信的方式向服务器发送监控请求，并获取服务器返回的信息。
S220、将主动摄入量和被动摄入参数作为机器学习分类器的输入变量，确定用户维生素D缺乏的风险值，和/或用户对维生素D的补充摄入参数。
其中，用户的维生素D补充信息可以为服务器根据用户对维生素D的主动摄入量和被动摄入参数计算得到的现阶段用户的维生素D缺乏的风险值，或者可以为用户对维生素D的补充摄入参数，该补充摄入参数可以为用户的运动参数，和/或为用户的光照强度。
服务器根据该维生素D监控请求生成相应的反馈信息，具体地，服务器中运行有预先建立好的机器学习分类器，主动摄入量和被动摄入参数均作为该预先建立的机器学习分类器的输入变量，机器学习分类器根据输入变量计算得到相应的维生素D补充信息。
S230、向用户终端反馈用户维生素D缺乏的风险值，和/或用户对维生素D的补充摄入参数。
其中，服务器将生成的用户的维生素D补充信息发送至用户终端，以指导用户下一阶段的维生素D的主动摄入量和接受日晒的时长进行合理选择或调整。
本实施例中的服务器上运行有机器学习分类器，该机器学习分离器采用分类树模型建立，具体地，该机器学习分离器的建立包括以下过程：
获取样本数据，使用非参数检验方法对样本数据进行分类统计，得到目标输入参数；
以样本数据中维生素D的含量是否超过阈值作为目标变量；
基于分类树模型建立机器学习分类器。
下面以Xgboost算法为例具体介绍基于孕妇群体的机器学习分类器的建立过程。
首先进行样本采集，招募815例孕妇志愿者作为样本数据的来源，按照表一做好包括饮食习惯等基础信息的收集，测量815例孕妇的SNP基因型，具体地，通过外周血或者口腔拭子采集样本，应用7500荧光定量PCR进行DNA片段的扩增及单碱基的延伸，应用MassARRAYAnalyzer 4system进行基因SNP分型，得到的SNP分型如表二所示。通过以上过程，完成对样本数据的收集。
表一、维生素D(D2和D3)含量测定信息登记表
表二、检测的全部单核苷酸多态性基因型位点(SNP)
| rs11023374 | rs10783219 | rs2282679 | rs2060793 |
| rs12785878 | rs10877012 | rs2298849 | rs222020 |
| rs12794714 | rs1155563 | rs3794060 | rs2228570 |
| rs1562902 | rs11939173 | rs3829251 | rs2242480 |
| rs16847015 | rs12512631 | rs4588 | rs2248137 |
| rs17467825 | rs12800438 | rs4646536 | rs2298850 |
| rs17470271 | rs1544410 | rs4944957 | rs2408876 |
| rs1790349 | rs16846876 | rs4945008 | rs2762939 |
| rs2209314 | rs1993116 | rs6013897 | rs3847987 |
| rs7944926 | rs7041 | rs6068816 | rs680055 |
| rs842999 | rs7116978 | rs703842 |
确定机器学习分类器的输入变量和输出变量，将表一和表二所示的所有变量作为机器学习分类器的输入变量，对样本数据进行拆分，得到训练集和测试集，其中，训练集用于训练当前的机器学习分类器，测试集用于评价基于训练集建立的机器学习分类器。可选的，为了得到分类效果更好的机器学习分类器模型，本实施例对机器学习分类器的输入变量进行了筛选，得到基于筛选后的输入变量所建立的筛选变量模型。输入变量的筛选过程具体如下：
对各个变量进行分类统计，得到如表三所示的统计学结果，在此基础上运用Kruskal-Wallis非参数检验方法找到具有显著影响的因素，或者虽然没有显著性，但是影响也较大的因素，作为机器学习分类器的输入变量，如表四和表五所示，基于上述训练集得到的输入变量有：包括rs17467825、rs4588、rs2298850、rs2282679、rs1155563、rs16846876、rs222020和rs10766197的8个SNP位点基因型(详细信息见表A)，孕期，运动步数，日照(此为筛选变量模型)。以样本数据中维生素D的含量是否超过20ng/ml作为目标变量，即维生素D的含量小于20ng/ml的为1，维生素D的含量大于等于20ng/ml的为0。
表三、一些变量的群体分布及其维生素D的水平
表四一些变量的维生素水平和显著性检验值
表五、具有显著性差异的基因型人数及其维生素水平及多重比较结果
参数调整，采用Xgboost算法建立机器学习分类器，并使用GridsearchCV方法对所建立的分类器在训练集上进行调参，其中，选取参数booster为
'gbtree'，learning_rate为0.01，max_depth为8，n_estimators为200，获得最优参数。
模型评价，评价上述建立的分类器模型，具体地，使用上述划分得到的测试集来评价已建立的分类器模型，输入测试集中的各个特征值，分类器输出相应的响应值，比对响应值以及测试集对应的真实测量值，得到灵敏度和特异性数值，将灵敏度和特异性数值绘制成ROC曲线，基于ROC曲线来评价所建立的分类器，其中，ROC曲线图中位于曲线下方面积越大，则所建立的分类器越好。
可选的，本实施例提供了针对输入变量进行筛选和不筛选两种情况所建立的分类模型的对比分析，图3为两个模型评价的对比图，其中，筛选变量模型采用的输入变量为孕期，运动步数，日照以及表A所示SNP位点基因型；全部变量模型采用的输入变量为表一和表二所示的所有变量，从图3可以看出，筛选变量模型的效果远超全部变量模型。因此本实施例中服务器端选择筛选变量模型为我们的最终模型。
在建立了机器学习分类器后，将获取的用户参数输入至机器学习分类器，本实施例中，采用基于Xgboost算法建立的筛选变量模型分类器所需要的输入参数包括：孕期，运动步数，日晒时长，主动补充的维生素D剂量以及用户的SNP位点，机器学习模型在获取了相应的参数后，输出用户在当前阶段的维生素D缺乏的风险值，以及相应风险值下的维生素D的补充摄入建议，该补充摄入建议包括维生素D主动摄入量的调整建议，日晒时长建议等信息，服务器将相应的风险值以及维生素D的补充摄入建议发送至用户终端，以指导用户对下一阶段的主动摄入量和日晒时长进行相应的调整。示例性的，各风险值对应的维生素D的补充摄入建议如表六所示。
表六、各风险值对应的维生素D的补充摄入建议
本实施例通过在服务器上建立机器学习分类器，通过分参数检验方法找到对维生素D的含量影响较大的因素作为机器学习分类器的输入参数，输出用户的维生素D缺乏的风险值，并生成基于该风险值的有关维生素D的主动摄入量和被动摄入参数的调整建议，发送至用户终端，以指导用户调整下一阶段的维生素D的主动摄入量和被动摄入参数。本实施例方法通过与上述任意实施例方法进行配合，使得用户在不通过血液采集的情况下，根据已有的维生素D的主动摄入量以及每天的日晒时长、运动步数来评估自身的维生素D的含量，并能够根据服务器反馈的建议进行合理调整，使得身体能够补充合理剂量的维生素D。
实施例三
图4为本发明实施例三提供的一种辅助补充维生素D的装置的结构示意图，该装置可以采用软件和/或硬件的方式来实现，并可以配置在具有辅助用户补充维生素D功能的设备中，比如用户终端。
如图4所示，本实施例提供的一种辅助补充维生素D的装置可以包括参数确定模块410、维生素D监控请求发送模块420和维生素D补充信息接收模块430，其中：
参数确定模块410，用于确定用户对维生素D的主动摄入量和被动摄入参数。
维生素D监控请求发送模块420，用于向服务器发送包括所述主动摄入量和所述被动摄入参数的维生素D监控请求，以指示服务器根据所述主动摄入量和所述被动摄入参数确定用户的维生素D补充信息。
维生素D补充信息接收模块430，维生素D补充信息接收模块，用于接收服务器反馈的用户维生素D缺乏的风险值，和/或用户对维生素D的补充摄入参数。
可选的，参数确定模块410包括：
获取用户输入的用户对维生素D的主动摄入量和8个用户的单核苷酸多态性位点的基因型，其中，所述8个用户的单核苷酸多态性位点的基因型包括rs17467825、rs4588、rs2298850、rs2282679、rs1155563、rs16846876、rs222020和rs10766197；
获取通过运动传感器检测到的用户运动步数，以及通过紫外线辐射传感器检测的用户接受到的大于阈值的光照强度。
可选的，参数确定模块410还包括：
获取服务器发送的目标被动摄入类别，其中所述目标被动摄入类别由服务器从各候选被动摄入类别中选择；
确定用户的属于所述目标被动摄入类别的被动摄入参数。
本发明实施例所提供的辅助用户补充维生素D的装置可执行本发明实施例所提供的由用户终端执行的辅助用户补充维生素D的方法，具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本发明由终端执行的方法实施例中的描述。
实施例四
图5为本发明实施例四提供的一种辅助补充维生素D的装置的结构示意图，该装置可以采用软件和/或硬件的方式来实现，并可以配置在具有辅助用户补充维生素D功能的设备中，该设备中运行有机器学习分类器，机器学习分类器采用分类树模型建立，该设备可以为运行有该机器学习分类器的服务器。
如图5所示，本实施例提供的一种辅助补充维生素D的装置可以包括维生素D监控请求获取模块510、维生素D补充信息确定模块520和维生素D补充信息发送模块530，其中：
维生素D监控请求获取模块510，用于获取用户终端发送的包括主动摄入量和被动摄入参数的维生素D监控请求。
维生素D补充信息确定模块520，用于将主动摄入量和被动摄入参数作为机器学习分类器的输入变量，确定基于输入变量的用户维生素D缺乏的风险值，和/或用户对维生素D的补充摄入参数。
维生素D补充信息发送模块530，用于向用户终端反馈用户维生素D缺乏的风险值，和/或用户对维生素D的补充摄入参数。
可选的，该装置还包括：
目标被动摄入类别选择模块，用于根据样本用户对维生素D的主动摄入量、各候选被动摄入类别参数和维生素D补充标注信息，从各候选被动摄入类别中选择目标被动摄入类别；
目标被动摄入类别发送模块，用于向用户终端发送目标被动摄入类别，供用户终端确定属于目标被动摄入类别的被动摄入参数。
本发明实施例所提供的辅助用户补充维生素D的装置可执行本发明实施例所提供的由服务器执行的辅助用户补充维生素D的方法，具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本发明由服务器执行的方法实施例中的描述。
实施例五
图6为本发明实施例五提供的一种终端的结构示意图，图6示出了适于用来实现本发明实施方式的示例性终端612的框图。图6显示的终端612仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。典型的，终端612可以是能够执行辅助用户补充维生素D操作的终端设备。
如图6所示，终端612以通用终端的形式表现。终端612的组件可以包括但不限于：一个或者多个处理器或者处理单元616，存储装置628，连接不同系统组件(包括存储装置628和处理单元616)的总线618。
总线618表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
终端612典型地包括多种计算机系统可读介质。这些介质可以是任何能够被终端612访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储装置628可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)630和/或高速缓存存储器632。终端612可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统634可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线618相连。存储装置628可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块642的程序/实用工具640，可以存储在例如存储装置628中，这样的程序模块642包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块642通常执行本发明所描述的实施例中的功能和/或方法。
终端612也可以与一个或多个外部设备(例如键盘、指向设备、显示器624等)通信，还可与一个或者多个使得用户能与该终端612交互的终端612通信，和/或与使得该终端612能与一个或多个其它计算终端612进行通信的任何终端612(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口622进行。并且，终端612还可以通过网络适配器620与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器620通过总线618与终端612的其它模块通信。应当明白，尽管图中未示出，可以结合终端612使用其它硬件和/或软件模块，包括但不限于：微代码、终端612驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
该外部设备可以为紫外线辐射传感器614和/或运动传感器615，紫外线辐射传感器614和运动传感器615通过I/O接口连接终端612，其中，
紫外线辐射传感器614用于采集紫外线的强度数据，紫外线的强度数据用于确定对应的光照强度。
运动传感器615，用于采集待检测用户的运动参数。
可选的，本发明实施例中的终端设备还可以以通用终端的形式表现，例如，终端可以为手机、平板等通用的终端设备，此时，紫外线辐射传感器614以及运动传感器615为独立于手机等终端的设备，例如，可以为可穿戴设备，可穿戴设备通过蓝牙或者WiFi方式实现与手机终端的通信连接，将采集的用户的紫外线强度数据、日晒时长以及运动步数等参数发送至手机终端，再通过手机终端将上述参数发送至服务器。
示例性的，可穿戴设备为蓝牙手环，其中，蓝牙手环上设置有arduino uno主板，紫外线辐射传感器，ADXL346三轴加速度计电子陀螺仪，hc-06蓝牙模块，存储模块，12864oled显示屏以及锂电池，其中，蓝牙模块用于实现手环与手机终端的通信，实现将传感器采集的数据发送至手机终端；紫外线辐射传感器按照设定的时间间隔采集用户受到的紫外线等级数据；ADXL346三轴加速度计电子陀螺仪采集用户的运动步数。手机终端上运行的软件对紫外线等级数据转换成相应的光照强度数据，从而完成对第二被动摄入参数的获取。可选的，连接方式如下：
与紫外线辐射传感器的连接：紫外线辐射传感器的VCC为电源正极入口，接入电压；GND-GND为电源负极输入口，OUT-OUT为模拟信号输出口，连接arduino主板的I/O口并将arduino主板的I/O口设置为输入输出模式。
主板与ADXL346三轴加速度计电子陀螺仪的连接：VCC为电源正极入口，接入电压；GND-GND为电源负极输入口，3线数字口连接运动传感器。
处理单元616通过运行存储在存储装置628中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的应用于用户终端的辅助用户补充维生素D的方法，该方法包括：
确定用户对维生素D的主动摄入量和被动摄入参数；
向服务器发送包括所述主动摄入量和所述被动摄入参数的维生素D监控请求，以指示服务器根据所述主动摄入量和所述被动摄入参数确定用户的维生素D补充信息；
接收服务器反馈的用户维生素D缺乏的风险值，和/或用户对维生素D的补充摄入参数。
实施例六
图7是本发明实施例六提供的一种服务器的结构示意图。图7示出了适于用来实现本发明实施方式的示例性服务器712的框图。图7显示的服务器712仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，服务器712以通用服务器的形式表现。服务器712的组件可以包括但不限于：一个或者多个处理器716，存储装置728，连接不同系统组件(包括存储装置728和处理器716)的总线718。
总线718表示几类总线结构中的一种或多种，包括存储装置总线或者存储装置控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry SubversiveAlliance，ISA)总线，微通道体系结构(Micro Channel Architecture，MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及外围组件互连(Peripheral Component Interconnect，PCI)总线。
服务器712典型地包括多种计算机系统可读介质。这些介质可以是任何能够被服务器712访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储装置728可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory，RAM)730和/或高速缓存存储器732。服务器712可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统734可以用于读写不可移动的、非易失性磁介质(图7未显示，通常称为“硬盘驱动器”)。尽管图7中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘，例如只读光盘(Compact Disc Read-Only Memory，CD-ROM),数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线718相连。存储装置728可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块742的程序/实用工具740，可以存储在例如存储装置728中，这样的程序模块742包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块742通常执行本发明所描述的实施例中的功能和/或方法。
服务器712也可以与一个或多个外部设备714(例如键盘、指向终端、显示器724等)通信，还可与一个或者多个使得用户能与该服务器712交互的终端通信，和/或与使得该服务器712能与一个或多个其它计算终端进行通信的任何终端(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口722进行。并且，服务器712还可以通过网络适配器720与一个或者多个网络(例如局域网(Local Area Network，LAN)，广域网(Wide AreaNetwork，WAN)和/或公共网络，例如因特网)通信。如图7所示，网络适配器720通过总线718与服务器712的其它模块通信。应当明白，尽管图中未示出，可以结合服务器712使用其它硬件和/或软件模块，包括但不限于：微代码、终端驱动器、冗余处理器、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks，RAID)系统、磁带驱动器以及数据备份存储系统等。
处理器716通过运行存储在存储装置728中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的应用于服务器的辅助用户补充维生素D的方法，该方法包括：
获取用户终端发送的包括主动摄入量和被动摄入参数的维生素D监控请求；
将所述主动摄入量和被动摄入参数作为所述机器学习分类器的输入变量，确定用户维生素D缺乏的风险值，和/或用户对维生素D的补充摄入参数；
向用户终端反馈用户维生素D缺乏的风险值，和/或用户对维生素D的补充摄入参数。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种辅助补充维生素D的方法，其特征在于，应用于用户终端，所述方法包括：
确定用户对维生素D的主动摄入量和被动摄入参数；
向服务器发送包括所述主动摄入量和所述被动摄入参数的维生素D监控请求，以指示服务器根据所述主动摄入量和所述被动摄入参数确定用户的维生素D补充信息；
接收服务器反馈的用户维生素D缺乏的风险值，和/或用户对维生素D的补充摄入参数。
2.根据权利要求1所述的方法，其特征在于，确定用户对维生素D的主动摄入量和被动摄入参数，包括：
获取用户输入的用户对维生素D的主动摄入量和8个用户的单核苷酸多态性位点的基因型，其中，所述8个用户的单核苷酸多态性位点的基因型包括rs17467825、rs4588、rs2298850、rs2282679、rs1155563、rs16846876、rs222020和rs10766197；
获取通过运动传感器检测到的用户运动步数，以及通过紫外线辐射传感器检测的用户接受到的大于阈值的光照强度。
3.根据权利要求1所述的方法，其特征在于，确定用户对维生素D的被动摄入参数，包括：
获取服务器发送的目标被动摄入类别，其中所述目标被动摄入类别由服务器从各候选被动摄入类别中选择；
确定用户的属于所述目标被动摄入类别的被动摄入参数。
4.一种辅助补充维生素D的方法，其特征在于，应用于服务器，所述服务器上运行有机器学习分类器，所述机器学习分类器采用分类树模型建立，所述方法包括：
获取用户终端发送的包括主动摄入量和被动摄入参数的维生素D监控请求；
将所述主动摄入量和被动摄入参数作为所述机器学习分类器的输入变量，确定基于所述输入变量的用户维生素D缺乏的风险值，和/或用户对维生素D的补充摄入参数；
向用户终端反馈用户维生素D缺乏的风险值，和/或用户对维生素D的补充摄入参数。
5.根据权利要求4所述的方法，其特征在于，获取用户终端发送的包括所述主动摄入量和所述被动摄入参数的维生素D监控请求之前，还包括：
根据样本用户对维生素D的主动摄入量、各候选被动摄入类别参数和维生素D补充标注信息，从各候选被动摄入类别中选择目标被动摄入类别；
向用户终端发送所述目标被动摄入类别，供用户终端确定属于所述目标被动摄入类别的被动摄入参数。
6.根据权利要求4所述的方法，其特征在于，所述机器学习分类器采用分类树模型建立，包括：
获取样本数据，使用非参数检验方法对样本数据进行分类统计，得到目标输入参数；
以样本数据中维生素D的含量是否超过阈值作为目标变量；
基于分类树模型建立机器学习分类器。
7.一种辅助补充维生素D的装置，配置于用户终端，其特征在于，所述装置包括：
参数确定模块，用于确定用户对维生素D的主动摄入量和被动摄入参数；
维生素D监控请求发送模块，用于向服务器发送包括所述主动摄入量和所述被动摄入参数的维生素D监控请求，以指示服务器根据所述主动摄入量和所述被动摄入参数确定用户的维生素D补充信息；
维生素D补充信息接收模块，用于接收服务器反馈的用户维生素D缺乏的风险值，和/或用户对维生素D的补充摄入参数。
8.一种辅助补充维生素D的装置，配置于服务器，其特征在于，所述服务器上运行有机器学习分类器，所述机器学习分类器采用分类树模型建立，所述装置包括：
维生素D监控请求获取模块，用于获取用户终端发送的包括主动摄入量和被动摄入参数的维生素D监控请求；
维生素D补充信息确定模块，将所述主动摄入量和被动摄入参数作为所述机器学习分类器的输入变量，确定基于所述输入变量的用户维生素D缺乏的风险值，和/或用户对维生素D的补充摄入参数；
维生素D补充信息发送模块，用于向用户终端反馈用户维生素D缺乏的风险值，和/或用户对维生素D的补充摄入参数。
9.一种终端，其特征在于，所述终端包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
紫外线辐射传感器，用于采集紫外线的强度数据，所述紫外线的强度数据用于确定对应的光照强度；
运动传感器，用于采集用户的运动步数；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-3中任一所述的方法。
10.一种服务器，其特征在于，所述服务器包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求4-6所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910614703.6A CN110338762A (zh) | 2019-07-09 | 2019-07-09 | 辅助补充维生素d的方法、装置、终端及服务器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910614703.6A CN110338762A (zh) | 2019-07-09 | 2019-07-09 | 辅助补充维生素d的方法、装置、终端及服务器 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110338762A true CN110338762A (zh) | 2019-10-18 |
Family
ID=68178490
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910614703.6A Pending CN110338762A (zh) | 2019-07-09 | 2019-07-09 | 辅助补充维生素d的方法、装置、终端及服务器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110338762A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111206091A (zh) * | 2020-03-24 | 2020-05-29 | 海南主健细胞分子遗传医学检验中心有限公司 | 一种用于检测钙需求相关基因snp位点的试剂盒及应用 |
| CN112102915A (zh) * | 2020-09-24 | 2020-12-18 | 苏州市立医院 | 一种营养液摄入量的智能控制方法和装置 |
| CN113637735A (zh) * | 2021-08-09 | 2021-11-12 | 优葆优保健康科技(宁波)有限公司 | 一种儿童营养基因组检测试剂盒及应用 |
| CN114283883A (zh) * | 2021-12-27 | 2022-04-05 | 河北北方学院附属第一医院 | 基于分子标记的肝癌肿瘤筛查模型及应用 |
| CN114525334A (zh) * | 2022-04-12 | 2022-05-24 | 长沙中南大学湘雅医学检验所 | 一种用于检测维生素d易感基因多态性的引物组、探针组、试剂盒及方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120257164A1 (en) * | 2011-04-07 | 2012-10-11 | The Chinese University Of Hong Kong | Method and device for retinal image analysis |
| US20130324505A1 (en) * | 2011-01-07 | 2013-12-05 | Beth Israel Deaconess Medical Center, Inc. | Assays and methods of treatment relating to vitamin d insufficiency |
| US20150102208A1 (en) * | 2013-10-02 | 2015-04-16 | The Joan & Irwin Jacobs Technion-Cornell Innovation Institute (Jacobs Institute) | Wearable system and method to measure and monitor ultraviolet, visible light, and infrared radiations in order to provide personalized medical recommendations, prevent diseases, and improve disease management |
| US20170148348A1 (en) * | 2015-11-23 | 2017-05-25 | International Business Machines Corporation | Personalized Vitamin Supplement |
| CN107798029A (zh) * | 2017-02-17 | 2018-03-13 | 平安科技（深圳）有限公司 | 贬损客户预测方法和装置 |
| CN108364677A (zh) * | 2018-03-13 | 2018-08-03 | 汤臣倍健股份有限公司 | 一种基于多维度健康管理模型的评测方法及其装置 |
| KR20180093181A (ko) * | 2017-02-10 | 2018-08-21 | 계명대학교 산학협력단 | 모바일 기기를 이용한 체내의 비타민-디 측정 방법 |
| CN108467888A (zh) * | 2017-02-22 | 2018-08-31 | 中国科学院上海生命科学研究院 | 关键维生素d代谢相关基因遗传多态组合及用途 |
| CN108886859A (zh) * | 2015-12-31 | 2018-11-23 | 公州大学校产学协力团 | 维生素d合成量判定装置和该装置的控制方法及维生素d体内合成诱导系统 |
| CN109583651A (zh) * | 2018-12-03 | 2019-04-05 | 焦点科技股份有限公司 | 一种保险电商平台用户流失预测的方法和装置 |
| WO2023209735A1 (en) * | 2022-04-30 | 2023-11-02 | Ultrahuman Healthcare Pvt Ltd | Electronic ring for monitoring vitamin d levels |
-
2019
- 2019-07-09 CN CN201910614703.6A patent/CN110338762A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130324505A1 (en) * | 2011-01-07 | 2013-12-05 | Beth Israel Deaconess Medical Center, Inc. | Assays and methods of treatment relating to vitamin d insufficiency |
| US20120257164A1 (en) * | 2011-04-07 | 2012-10-11 | The Chinese University Of Hong Kong | Method and device for retinal image analysis |
| US20150102208A1 (en) * | 2013-10-02 | 2015-04-16 | The Joan & Irwin Jacobs Technion-Cornell Innovation Institute (Jacobs Institute) | Wearable system and method to measure and monitor ultraviolet, visible light, and infrared radiations in order to provide personalized medical recommendations, prevent diseases, and improve disease management |
| US20170148348A1 (en) * | 2015-11-23 | 2017-05-25 | International Business Machines Corporation | Personalized Vitamin Supplement |
| CN108886859A (zh) * | 2015-12-31 | 2018-11-23 | 公州大学校产学协力团 | 维生素d合成量判定装置和该装置的控制方法及维生素d体内合成诱导系统 |
| KR20180093181A (ko) * | 2017-02-10 | 2018-08-21 | 계명대학교 산학협력단 | 모바일 기기를 이용한 체내의 비타민-디 측정 방법 |
| CN107798029A (zh) * | 2017-02-17 | 2018-03-13 | 平安科技（深圳）有限公司 | 贬损客户预测方法和装置 |
| CN108467888A (zh) * | 2017-02-22 | 2018-08-31 | 中国科学院上海生命科学研究院 | 关键维生素d代谢相关基因遗传多态组合及用途 |
| CN108364677A (zh) * | 2018-03-13 | 2018-08-03 | 汤臣倍健股份有限公司 | 一种基于多维度健康管理模型的评测方法及其装置 |
| CN109583651A (zh) * | 2018-12-03 | 2019-04-05 | 焦点科技股份有限公司 | 一种保险电商平台用户流失预测的方法和装置 |
| WO2023209735A1 (en) * | 2022-04-30 | 2023-11-02 | Ultrahuman Healthcare Pvt Ltd | Electronic ring for monitoring vitamin d levels |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111206091A (zh) * | 2020-03-24 | 2020-05-29 | 海南主健细胞分子遗传医学检验中心有限公司 | 一种用于检测钙需求相关基因snp位点的试剂盒及应用 |
| CN112102915A (zh) * | 2020-09-24 | 2020-12-18 | 苏州市立医院 | 一种营养液摄入量的智能控制方法和装置 |
| CN112102915B (zh) * | 2020-09-24 | 2022-12-27 | 苏州市立医院 | 一种营养液摄入量的智能控制方法和装置 |
| CN113637735A (zh) * | 2021-08-09 | 2021-11-12 | 优葆优保健康科技(宁波)有限公司 | 一种儿童营养基因组检测试剂盒及应用 |
| CN114283883A (zh) * | 2021-12-27 | 2022-04-05 | 河北北方学院附属第一医院 | 基于分子标记的肝癌肿瘤筛查模型及应用 |
| CN114525334A (zh) * | 2022-04-12 | 2022-05-24 | 长沙中南大学湘雅医学检验所 | 一种用于检测维生素d易感基因多态性的引物组、探针组、试剂盒及方法 |
| CN114525334B (zh) * | 2022-04-12 | 2024-04-02 | 中南大学 | 一种用于检测维生素d易感基因多态性的引物组、探针组、试剂盒及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110338762A (zh) | 辅助补充维生素d的方法、装置、终端及服务器 | |
| Raghavan et al. | A review of cutoffs for nutritional biomarkers | |
| US8182424B2 (en) | Diary-free calorimeter | |
| US11319571B2 (en) | Red blood cell dynamics for gastrointestinal evaluation | |
| CN109447461B (zh) | 用户信用评估方法及装置、电子设备、存储介质 | |
| US10269153B2 (en) | Information processing apparatus providing information related to skin state of user | |
| Bailey et al. | Correspondence of folate dietary intake and biomarker data | |
| CN110179465A (zh) | 机械通气脱机量化评估方法、装置、设备和存储介质 | |
| CN105512454A (zh) | 基于功能核磁共振的抑郁症患者自杀风险客观评估模型 | |
| Guo et al. | Sparse representation-based classification for breath sample identification | |
| US11373420B2 (en) | Methods and systems for improving human hair and scalp using vehicle cameras and big data AI analytics | |
| Zhou et al. | Statistical inference for a two-stage outcome-dependent sampling design with a continuous outcome | |
| WO2022098737A1 (en) | Longitudinal datasets and machine learning models for menopause state and anomaly predictions | |
| CN111755120A (zh) | 一种基于边缘智能和多模感知的认知障碍预测方法 | |
| CN108680748A (zh) | 基于丙酮传感器的血糖检测仪及其检测方法 | |
| CN117423451B (zh) | 一种基于大数据分析的智能分子诊断方法及系统 | |
| WO2021208700A1 (zh) | 语音数据选择方法、装置、电子设备及存储介质 | |
| CN110728315B (zh) | 一种实时质量控制方法，系统和设备 | |
| WO2021134810A1 (zh) | 支撑点并行枚举负载均衡方法、装置、设备及介质 | |
| CN117198535A (zh) | 一种基于临床数据的急性生理慢性健康评估方法及系统 | |
| US20230019703A1 (en) | Personal health tracking urinalysis device | |
| JP2022532958A (ja) | リアルタイム神経スパイク検出 | |
| CN108108758A (zh) | 面向工业大数据的多层增量特征提取方法 | |
| WO2024011929A1 (zh) | 检测胎儿染色体非整倍体异常的方法、装置及存储介质 | |
| CN114566280A (zh) | 用户状态预测方法、装置、电子设备及存储介质 |
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 |