CN110379487A - 营养方案管理系统 - Google Patents
营养方案管理系统 Download PDFInfo
- Publication number
- CN110379487A CN110379487A CN201910624938.3A CN201910624938A CN110379487A CN 110379487 A CN110379487 A CN 110379487A CN 201910624938 A CN201910624938 A CN 201910624938A CN 110379487 A CN110379487 A CN 110379487A
- Authority
- CN
- China
- Prior art keywords
- data
- nutritional programs
- user
- nutritional
- food materials
- 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.)
- Granted
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
-
- 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)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Nutrition Science (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明实施例提供一种营养方案管理系统,包括:运算服务器,用于根据样本数据建立营养方案管理模型;前端终端,用于获取用户数据,并将所述用户数据发送至运算服务器;所述运算服务器,还用于将所述用户数据作为所述营养方案管理模型的输入,以得到作为营养方案的输出。本申请营养方案管理系统通过建立营养方案管理模型,从而使得所述营养方案管理模型自动化地根据用户数据为用户提供精准的营养方案。
Description
技术领域
本发明实施例涉及人工智能技术领域,尤其涉及一种营养方案管理系统。
背景技术
近年来,随着国民饮食水平的增加以及过量的营养摄入,导致妊娠糖尿病、高血压的合并发病率逐年上升。而妊娠期糖尿病会增加产妇及新生儿近期和远期并发症的风险。研究发现,通过控制用户妊娠期间营养摄入方案,能够有效减低降低孕期糖尿病及代谢性疾病的发生风险,从而降低产妇及新生儿近期和远期并发症的发生风险。
在实际生活中,用户可以通过健康管理软件获取妊娠期间营养方案。但是,目前大多数的健康管理软件及系统都是依靠用户提供相应的身体数据,由系统中的医生或者健康管理等分析人员为用户提供营养方案,即现有的健康管理系统依赖于人工生成营养方案。并且该健康管理系统的功能模块仅仅是一种分类模块,只能根据用户的身体数据对用户进行分类,从而根据分类信息对用户的营养方案提供方向性的建议和指导。所以,由于健康管理系统的模块功能限制,无法自动化的为用户提供精准的营养方案。
发明内容
有鉴于此,本发明实施例所解决的技术问题之一在于提供一种营养方案管理系统,用以克服现有技术中无法自动化的为用户提供精准的营养方案缺陷,使得所述营养方案管理模型自动化地根据用户数据为用户提供精准的营养方案。
本发明实施例提供一种营养方案管理系统,包括:运算服务器,用于根据样本数据建立营养方案管理模型;前端终端,用于获取用户数据,并将所述用户数据发送至运算服务器;所述运算服务器,还用于将所述用户数据作为所述营养方案管理模型的输入,以得到作为营养方案的输出。
可选地,在本发明一具体实施例中,所述运算服务器上配置有预处理模块,用于对所述用户数据进行预处理,以获取表示用户每日需要摄入食物所包含的每日能量值。
可选地,在本发明一具体实施例中,所述预处理模块还包括能量值调整单元,用于根据所述用户数据中的用户孕期对所述每日能量值进行调整。
可选地,在本发明一具体实施例中,所述运算服务器上还配置有营养方案生成模块,用于根据营养方案管理模型和所述每日能量值,得到作为营养方案的输出。
可选地,在本发明一具体实施例中,营养方案生成模块包括每日能量拆分单元、每餐能量拆分单元、食材选取单元、营养方案生成单元。
所述每日能量拆分单元用于根据所述营养方案管理模型和所述每日能量值,生成每日能量拆分模板的概率分布;根据所述每日能量拆分模板的概率分布确定所述每日能量拆分模板,并根据所述每日能量拆分模板对所述每日能量值进行拆分,以获得多个每餐能量值。
所述每餐能量拆分单元用于根据所述营养方案管理模型和所述每餐能量值,生成每餐能量拆分模板的概率分布;根据所述每餐能量拆分模板的概率分布确定所述每餐能量拆分模板,并根据所述每餐能量拆分模板对所述每餐能量值进行拆分,以获得多个菜品能量值。
所述食材选取单元用于根据所述每个菜品能量值对食材数据库进行筛选,以确定与所述菜品能量值对应的备选食材;根据所述菜品能量值以及所述备选食材中食材的选取概率,确定与所述菜品能量值对应的食材的数据。
所述营养方案生成单元用于根据由所述用户数据生成的食材的数据,生成多个菜品的数据;根据由所述用户数据生成的每餐能量拆分模板,对多个所述菜品的数据进行数据融合,以生成多个配餐的数据;根据由所述用户数据生成的每日能量拆分模板,对多个所述配餐的数据进行数据融合,以得到作为营养方案的输出。
可选地,在本发明一具体实施例中,所述运算服务器上配置有营养方案筛选模块,用于根据用户数据和所述营养管理模型,对预设的营养配比条件库进行选取,以获得营养配比条件;根据所述营养配比条件对得到的营养方案进行筛选,以得到符合营养配比条件的作为营养方案的输出。
可选地,在本发明一具体实施例中,所述前端终端还用于获取用户血糖数据,将所述血糖数据发送至运算服务器;所述运算服务器上配置有营养方案调整模块,用于根据所述血糖数据和与所述血糖数据对应的配餐方案以及所述营养方案管理模型,对所述用户的配餐方案进行调整,以得到作为调整后营养方案的输出。
可选地,在本发明一具体实施例中,所述前端终端实时获取用户的血糖数据,将所述血糖数据发送至运算服务器;所述运算服务器的营养方案调整模块根据所述血糖数据的变化情况,调整所述每日能量值,并根据调整后的每日能量值和营养方案管理模型对所述用户的营养方案进行调整,以得到作为调整后营养方案的输出。
可选地,在本发明一具体实施例中,所述前端终端还用于按照设定采样规则获取所述用户的血糖数据,将所述血糖数据发送至所述运算服务器;
所述运算服务器中的营养方案调整模块根据所述血糖数据和与所述血糖数据相对应的营养方案以及所述设定的采样规则,建立所述营养方案中的食材与所述血糖数据变化趋势的对应关系;营养方案调整模块根据营养方案中的食材与所述血糖数据变化趋势的对应关系以及血糖数据,调整所述营养方案管理模型的备选食材,并根据调整后的备选食材和营养方案管理模型对所述用户的营养方案进行调整,以得到作为调整后营养方案的输出。
可选地,在本发明一具体实施例中,所述运算服务器还用于从用户档案获取用户的历史血糖数据,将所述用户数据和所述历史血糖数据作为所述营养方案管理模型的输入,以得到作为设定时间段内营养方案的输出。
由以上技术方案可见,本发明实施例营养方案管理系统包括:运算服务器用于根据样本数据建立营养方案管理模型;前端终端用于获取用户数据,并将所述用户数据发送至运算服务器;所述运算服务器还用于将所述用户数据作为所述营养方案管理模型的输入,以得到作为营养方案的输出。本申请营养方案管理系统通过建立营养方案管理模型,从而使得所述营养方案管理模型自动化地根据用户数据为用户提供精准的营养方案。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明实施例中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本申请实施例一营养方案管理系统的系统结构图;
图2为本申请实施例二营养方案管理系统的系统结构图;
图3为本申请实施例二中预处理模块的结构示意图;
图4为本申请实施例二中营养方案生成模块的结构示意图;
图5为本申请实施例三中营养方案管理系统的系统结构图;
图6为本申请实施例三中营养方案生成模块和模型优化模块的结构示意图;
图7为本申请实施例三中一种运算服务器的结构示意图;
图8为本申请实施例四中一种营养方案管理系统的结构示意图。
附图标记说明:
100、前端终端;200、运算服务器;201、模型建立模块;202、预处理模块;212、BMI指数单元;222、标准体重确定单元;232、活动强度确定单元;242、能量供给系数确定单元;252、能量值计算单元;262、能量值调整单元;203、营养方案生成模块;213、每日能量拆分单元;223、每餐能量拆分单元;233、食材选取单元;243、营养方案生成单元;204、模型优化模块;214、每日能量拆分优化单元;224、每餐能量拆分优化单元;234、食材选取优化单元;205、数据采集模块;206、数据库建立模块;207、采样模块;208、模型评估模块;218、精确度评估单元;228、稳定性评估单元;209、营养方案筛选模块;2010、模型适配评估模块;2011、营养方案调整模块。
具体实施方式
当然,实施本发明实施例的任一技术方案必不一定需要同时达到以上的所有优点。
为了使本领域的人员更好地理解本发明实施例中的技术方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明实施例一部分实施例,而不是全部的实施例。基于本发明实施例中的实施例,本领域普通技术人员所获得的所有其他实施例,都应当属于本发明实施例保护的范围。
下面结合本发明实施例附图进一步说明本发明实施例具体实现。
图1为本申请实施例一营养方案管理系统的系统结构图;如图1所示,所述营养方案管理系统包括前端终端100和运算服务器200,运算服务器200用于根据样本数据建立营养方案管理模型;前端终端100用于获取用户数据,并将所述用户数据发送至运算服务器200;所述运算服务器200还用于将所述用户数据作为所述营养方案管理模型的输入,以得到作为营养方案的输出。本申请营养方案管理系统通过建立营养方案管理模型,从而使得所述营养方案管理模型自动化地根据用户数据为用户提供精准的营养方案。
图2为本申请实施例二营养方案管理系统的系统结构图;如图2所示,所述运算服务器200上配置有模型建立模块201,用于根据预设的模型建立规则建立营养方案管理模型。
本实施例中,所述模型建立规则包括下列至少之一:逻辑回归模型建立规则、随机森林模型建立规则、神经网络模型建立规则、深度学习神经网络模型建立规则、生成对抗神经网络模型建立规则等。对应的,所述营养方案管理模型可以是下列至少之一:逻辑回归模型、随机森林模型、神经网络模型、深度学习神经网络模型、生成对抗神经网络模型等。
图3为本申请实施例二中预处理模块的结构示意图;如图3所示,所述运算服务器200上配置有预处理模块202,所述预处理模块202用于对所述用户数据进行预处理,以获取用于表示用户每日需要摄入食物所包含的每日能量值。
本实施例中,所述用户数据包括用户身高、实际体重、用户体力活动信息;所述预处理模块202包括:BMI指数单元212、标准体重确定单元222、活动强度确定单元232、能量供给系数确定单元242、能量值计算单元252。
BMI指数(Body Mass Index,体质指数)是目前国际上常用的衡量人体胖瘦程度以及是否健康的一个标准;是比较和分析体重对于不同高度的用户所带来的健康影响的可靠指标。本实施例中,BMI指数单元212用于根据用户身高和实际体重的比值,获得BMI指数。具体地,BMI指数计算公式为:BMI指数=体重(kg)/(身高)2(m2)。此外,根据BMI指数确定用户的健康状况的数据处理方法如下:若BMI<18.5,则所述用户体重过低:若BMI=18.5~23.9,则所述用户体重正常:若BMI=24~27.9,则所述用户体重超重:若BMI>28.0,则所述用户处于肥胖状态。
本实施例中,标准体重确定单元222用于根据用户身高确定用户的标准体重;其中,标准体重(kg)=身高(cm)-105。
本实施例中,活动强度确定单元232用于根据所述用户体力活动信息确定用户体力活动强度。其中,用户体力活动强度的类别包括:休息(如卧床休息)、轻体力劳动、中体力劳动、重体力劳动。具体地,轻体力劳动为站立或少量走动为主的工作,如店员销售、化学实验、教师讲课等;中体力劳动为以轻度活动为主的工作,如学生的日常活动、机动车驾驶、电工、安装、金工切削等;重体力劳动为以较重活动为主的工作,如非机械化作业的农业劳动、炼钢、舞蹈、体育运动等。由此,活动强度确定单元232根据体力活动强度的类别对用户数据中的用户体力活动信息进行识别分类,以确定用户体力活动强度。
本实施例中,能量供给系数确定单元242用于根据所述BMI指数和所述用户体力活动强度,对能量供给系数表进行筛选,以从中确定出能量供给系数。其中,能量供给系数表为用户活动强度、健康状况与能量供给系数之间的关系对照表。例如,表1为本实施例二中一种能量供给系数表,如表1所示,当所述用户体重过低,并且处于轻体力劳动装态,则该用户的能量供给系数为35。可以理解的是表1仅是示例性数据,任何适合的能量供给系数表均可用于此,本申请实施例对此不做任何限定。
表1
活动强度 | 体重过低 | 体重正常 | 体重超重/肥胖 |
休息 | 30~35 | 25~30 | 20~25 |
轻体力劳动 | 35 | 30~35 | 25~30 |
中体力劳动 | 40 | 35 | 30~35 |
重体力劳动 | 45~50 | 40 | 35 |
本实施例中,能量值计算单元252用于根据所述能量供给系数以及所述标准体重,计算每日能量值。该每日能量值表示用户每日摄入食物营养素在人体代谢过程中能够产生的总能量值;每日能量值=标准体重*能量供给系数。
可选地,本实施例中所述预处理模块202还包括能量值调整单元262,用于根据所述用户数据中的用户孕期对所述每日能量值进行调整。例如,能量值调整单元262为每日能量值增加一调整系数,该调整系数与怀孕时间成阶段函数关系。例如妊娠开始到13周末属于孕早期,该调整系数为200;怀孕第14周到第27周属于孕中期,怀孕第28周到第分娩为孕晚期。当然,调整系数和怀孕时间的函数关系设置可以由本领域技术人员根据实际需求适当设定。
此外,所述能量值调整单元262还用于根据所述用户数据中的用户体内胎儿的体积、胎儿的性别对所述每日能量值进行调整。
图4为本申请实施例二中营养方案生成模块的结构示意图;如图4所示,所述运算服务器200上还配置有营养方案生成模块203,用于根据营养方案管理模型和所述每日能量值,得到作为营养方案的输出。
具体地,所述营养方案生成模块203包括:每日能量拆分单元213、每餐能量拆分单元223、食材选取单元233、营养方案生成单元243。
本实施例中,每日能量拆分单元213用于根据所述营养方案管理模型和所述每日能量值,生成每日能量拆分模板的概率分布;根据所述每日能量拆分模板的概率分布确定所述每日能量拆分模板,并根据所述每日能量拆分模板对所述每日能量值进行拆分,以获得多个每餐能量值。
本实施例中,每餐能量值表示用户每餐摄入食物营养素在人体代谢过程中能够产生的总能量值;每日能量拆分单元213根据每日能量拆分模板将每日能量值拆分为适合所述用户的多个每餐能量值;所述拆分模板包括拆分数和拆分比例,拆分数表示用户营养方案中用餐的次数,拆分比例表示每餐能量值在每日能量值中所占的比例,例如一个拆分模板的拆分数为6,拆分比例为(3:1:6:2:6:2)。
若人体每餐摄入食物的每餐能量值过高,人体血液中血糖浓度上升速度越快,血糖浓度越高,从而提高了用户患糖尿病等非传染性慢性疾病的风险,影响用户的健康;若人体每餐摄入食物的每餐能量值过低,人体血液中血糖得不到补充,从而导致用户产生低血糖症状,影响用户的健康。所以为了合理的将用户每日能量值分配为用户每餐摄入的能量值,每日能量值的拆分方式尤为重要。具体地,本实施例中,每日能量拆分模板根据每日能量值和营养方案管理模型,获得前t个时刻中的每个时刻生成的每日能量拆分模板;基于前t个时刻中的每个每日能量拆分模板,在t+1时刻生成前t个时刻的每个每日能量拆分模板的概率分布;其中,t为常数。进一步地,每日能量拆分单元213依此概率分布对生成的每日能量拆分模板进行采样,得到时刻t的每日能量拆分模板。可以理解的是,生成所述每日能量拆分模板的概率分布的任何实施方式均可适用于此,本申请实施例对此不做任何限定。
本实施例中,所述营养方案管理模型为生成对抗网络模型,生成对抗网络模型(GAN,Generative Adversarial Networks)是一种深度神经网络模型,包含两个模块:生成器和判别器,二者通过互相博弈学习,共同进步,最终产生好的输出。所述营养方案生成模块203为该生成对抗网络模型中的生成器,所述每日能量拆分单元213为该营养方案生成模块203的一个子生成器。通过向所述生成对抗网络模型引入强化学习,可有效地根据每日能量值生成能有效管理所述用户营养方案的每日能量拆分模板。所述强化学习是一种通过主体与环境交互而进行学习的方法。它的目标是要通过与环境交互,根据自身的状态、作出的动作和环境的反馈,优化自己的策略,以获得更多更好的反馈奖励。本实施例中,所述生成器可选用循环神经网络(RNN,Recurrent Neural Network)或其它更常用的变体。具体地,在时刻t生成每日能量拆分模板时,生成器会利用前t-1个时刻积累的信息,通过神经网络的计算,得到生成每个每日能量拆分模板的概率分布。生成器依此概率分布进行采样,得到时刻t的每日能量拆分模板。所述判别器可选用卷积神经网络或循环神经网络。判别器是一个二分类模型,它将生成器生成的所述每日能量拆分模板作为输入,经过神经网络的计算,得到该每日能量拆分模板是真实的概率。可以理解的是,以上描述仅为示例性的,本申请实施例对此不做任何限定。
本实施例中,每餐能量拆分单元223用于根据所述营养方案管理模型和所述每餐能量值,生成每餐能量拆分模板的概率分布;根据所述每餐能量拆分模板的概率分布确定所述每餐能量拆分模板,并根据所述每餐能量拆分模板对所述每餐能量值进行拆分,以获得多个菜品能量值。
本实施例中,所述每餐能量值由上述每日能量拆分模板对每日能量值进行拆分获得,菜品能量值表示用户每餐中每个菜品的能够产生的能量值;每餐能量拆分单元223根据每餐能量拆分模板将每餐能量值拆分为适合所述用户的多个菜品能量值;所述每餐能量拆分模板包括每餐拆分数和每餐拆分比例,每餐拆分数表示每餐中菜品的个数,拆分比例表示菜品能量值在每餐能量值中所占的比例。此外,所述每餐能量拆分模板可以学习已有的配餐中菜品的构成,如一个配餐包括主食、素材、荤菜、小食等,并根据学习到菜品的构成和每餐能量值,生成菜品的个数。
在一应用场景中,所述营养方案管理模型为生成对抗网络模型,所述每餐能量拆分单元223为该生成对抗神经网络模型中作为生成器的营养方案生成模块203的一个子生成器。每餐能量拆分单元223根据每餐能量值和营养方案管理模型,获得前t个时刻中的每个时刻生成的每餐能量拆分模板;基于前t个时刻中的每个每餐能量拆分模板,在t+1时刻生成前t个时刻的每个每餐能量拆分模板的概率分布;其中,t为常数。进一步地,每餐能量拆分单元223依此概率分布进行采样,得到时刻t的每餐能量拆分模板。进一步地,每餐能量拆分单元223根据得到的每餐能量拆分模板对每餐能量值进行拆分,获得多个菜品能量值。可以理解的是,生成所述每餐能量拆分模板的概率分布的任何实施方式均可适用于此,本申请实施例对此不做任何限定。
本实施例中,所述运算服务器200配置有数据采集模块205(见附图5),所述数据采集模块205用于获取食材数据;所述运算服务器200上还配置有数据库建立模块207(见附图5),用于对所述食材进行标注,并根据所述食材数据和所述标注数据建立食材数据库,并将所述食材数据库存储在数据服务器。
本实施例中,所述食材数据包括:食材种类、食材基质、食材味、食材功效、食材主治病、食材适应症、食材常用计量、食材使用注意事项。所述食材标注可以是对食材的蛋白质、脂肪、碳水化合物、磷、铁和能量的单位含量进行标注。所述食材数据库建立的依据是《中国居民膳食营养推荐摄入量》、《中国食物成分表》、麦夫子溯源系统等。所述食材数据库可以是关系型数据库,或非关系型数据库,如键值(key-value)数据库,本申请对此不作具体限制。
本实施例中,食材选取单元233用于根据所述每个菜品能量值对食材数据库进行筛选,以确定与所述菜品能量值对应的备选食材;根据所述菜品能量值以及所述备选食材中食材的选取概率,确定与所述菜品能量值对应的食材的数据。
本实施例中,食材数据库中记载有食材数据的能量值;食材选取单元233根据每个菜品能量值对食材数据库进行筛选,如,选取能量值低于所述每个菜品能量值的所有食材,组成备选食材。
在一应用场景中,所述营养方案管理模型为生成对抗网络模型,所述食材选取单元233为该生成对抗神经网络模型中作为生成器的营养方案生成模块203的一个子生成器。食材选取单元233根据备选食材和营养方案管理模型,获得备选食材中每个食材的选取概率;进一步地,食材选取单元233依此概率分布进行采样,得到所述食材的数据。若选取食材的总能量值小于所述菜品能量值,则将所述菜品能量值减去选取食材的总能量值,得到能量差值;将所述能量差值重新作为菜品能量值输入到所述食材选取单元233,获得下一份食材数据。当选取食材的总能量值等于所述菜品能量值,则将所有食材的数据作为与所述菜品能量值对应的食材的数据。可以理解的是,食材选取单元233获得与所述菜品能量值对应的食材的数据的任何实施方式均可适用于此,本申请实施例对此不做任何限定。
本实施例中,营养方案生成单元243用于根据由所述用户数据生成的食材的数据,生成多个菜品的数据;根据由所述用户数据生成的每餐能量拆分模板,对多个所述菜品的数据进行数据融合,以生成多个配餐的数据;根据由所述用户数据生成的每日能量拆分模板,对多个所述配餐的数据进行数据融合,以得到作为营养方案的输出。
本实施例中,营养方案生成单元243根据上述食材的数据,在所述食材数据库筛选出包括所述食材数据的菜品数据,将全部的菜品数据作为菜品数据集;然后,将所述食材数据与菜品数据集中的每个菜品数据进行相似度计算,获得所述食材数据与每个菜品数据的相似度。营养方案生成单元243选取与所述食材数据相似度最高的菜品数据作为所述营养方案的菜品。进一步地,根据多份的食材数据生成多个菜品的数据。
进一步地,营养方案生成单元243将所述菜品的数据与由所述用户数据生成的每餐能量拆分模板进行比对分析,以确定所述菜品的数据与每餐能量拆分模板的对应关系;根据所述对应关系,对多个所述菜品的数据进行数据融合,以生成多个配餐的数据。
进一步地,营养方案生成单元243将所述配餐的数据与由所述用户数据生成的每餐能量拆分模板进行比对分析,以确定所述菜品的数据与每餐能量拆分模板的对应关系;根据所述对应关系,对多个所述配餐的数据进行数据融合,以得到作为营养方案的输出。
在一应用场景中,一用户现处于孕22周(孕中期),现在在家休息,偶尔做家务。根据用户数据数据预处理得到用户每日能量值为2100kcl;所述营养方案生成模型根据所述用户数据和每日能量值确定所述用户的营养方案如表2所示。
表2
图5为本申请实施例三中营养方案管理系统的系统结构图;如图5所示,所述运算服务器200上配置有数据采集模块205,所述数据采集模块205用于获取多个样本数据。所述数据采集模块205可以从健康咨询处、医院等获取多个样本数据;所述样本数据包括用户数据,以及用户在怀孕到分娩过程中用户数据的变化情况,以及用户每天的营养方案。
本实施例中,所述运算服务器200上还配置有采样模块207和模型优化模块204,所述采样模块207用于对多个所述样本数据进行随机采样,以获得训练样本数据;所述模型优化模块204用于根据参数调优方法以及训练样本数据,对所述营养方案管理模型进行训练,以对所述营养方案管理模型进行参数优化处理。所述参数调优方法可以是线性回归算法、梯度下降算法、最大似然估计、极小化交叉熵等。本领域技术人员可以根据营养方案管理模型类型选取任何参数调优的实施方式,本实施例对此不做任何限定。
在一应用场景中,所述营养方案管理模型为生成对抗网络模型,所述生成对抗网络模型的训练过程包括所述生成对抗网络模型的预训练过程和对抗训练过程。
所述营养方案管理模型的预训练过程包括:根据训练样本数据中用户数据以及用户每天的样本营养方案,通过最大似然估计对生成器进行预训练;生成器生成营养方案的输出,并将该营养方案的输出与样本营养方案合成预训练混合营养方案训练集;根据所述预训练混合营养方案训练集和极小化交叉熵对判别器进行预训练。
所述营养方案管理模型的对抗训练过程包括:在对抗训练的每次迭代中,生成器生成的营养方案会交由判别器,判断其是否为真。若判别器判断为真,即判别器无法分辨该营养方案是样本营养方案还是生成的营养方案,则生成器会得到值为1的奖励。若判别器判断为假,则说明生成的该营养方案与样本营养方案差别较大,因此生成器会得到值为0的奖励。生成器会根据判别器给出的奖励信号,对自身参数进行调整,以生成仿真程度更好的营养方案。当生成器产生的营养方案的质量足够高时,再用新产生的营养方案与样本营养方案训练判别器,以使其能提供更精准的奖励信号。如此反复进行对抗训练,便可不断提高生成的营养方案的质量。可以理解的是,以上描述仅为示例性的,本实施例对此不做任何限定。
图6为本申请实施例三中营养方案生成模块和模型优化模块的结构示意图;如图6所示,本实施例中,所述模型优化模块204包括:每日能量拆分优化单元214、每餐能量拆分优化单元224、食材选取优化单元234。
本实施例中,当所述营养方案生成模型为生成对抗网络模型,则所述模型优化模块204为所述营养方案管理模型的判别器;由此,每日能量拆分优化单元214、每餐能量拆分优化单元224、食材选取优化单元234分别为所述模型优化模块204的子判别器;并分别与每日能量拆分单元213、每餐能量拆分单元223、食材选取单元233的子生成器相对应。
具体地,每日能量拆分优化单元214判断所述营养方案的每日能量拆分模板,并根据判断结果向所述每日能量拆分单元213返回奖励信号,每日能量拆分单元213根据所述奖励信号对自身参数进行调整。每餐能量拆分优化单元224判断所述营养方案的每餐能量拆分模板,并根据判断结果向所述每餐能量拆分单元223返回奖励信号,每餐能量拆分单元223根据所述奖励信号对自身参数进行调整。食材选取优化单元234判断所述营养方案的选取食材,并根据判断结果向所述食材选取单元233返回奖励信号,食材选取单元233根据所述奖励信号对自身参数进行调整。
图7为本申请实施例三中一种运算服务器的结构示意图;如图7所示,本实施例中,所述采样模块207还用于对多个所述样本数据进行随机采样,以获得测试样本数据;所述运算服务器200还配置有模型评估模块208,用于根据测试样本对所述营养方案管理模型进行评估。
本实施例中,所述模型评估模块208包括精确度评估单元218,用于将所述测试样本数据中的用户样本数据作为所述营养方案管理模型的输入,以获得营养方案的输出,计算所述营养方案与所述测试样本数据中的样本营养方案的误差值,根据所述误差值确定所述营养方案管理模型的精确度。
本实施例中,模型评估模块208包括稳定性评估单元228,用于将所述测试样本数据中的用户样本数据作为所述营养方案管理模型的输入,以得到多个营养方案的输出;对所述多个营养方案进行标注处理,并分别对每两个所述营养方案的标注数据进行相似度计算,以确定每两个所述营养方案的相似度;对所述多个相似度进行加权计算获得总相似度,根据所述总相似度对所述营养方案管理模型的稳定性进行评估。
本实施例中,对所述营养方案中食材的种类进行标注,以获得所述营养方案包含食材的属性,所述食材的属性包括:蔬菜、水果、谷类、肉食、奶类等。具体地,稳定性评估单元228计算两个营养方案之间的相似度为:首先,计算营养方案中食材的相似度,若食材的属性相同则相似度为1,若食材的属性不同则相似度为0;进一步地,对所述多个相似度进行加权计算获得两个营养方案的相似度。具体权重系数设置,可根据具体情况进行相应的设置。
进一步地,对所述多个相似度进行加权计算获得总相似度;稳定性评估单元228中预设有第一相似度阈值,若总相似度大于第一相似度阈值,则判断所述营养方案管理模型运行稳定;若总相似度不大于所述第一相似度阈值,则所述营养方案管理模型运行不稳定。
图8为本申请实施例四中一种营养方案管理系统的结构示意图;如图8所示,本实施例中,所述运算服务器200上配置有营养方案筛选模块209,用于根据所述用户数据以及所述营养管理模型,对预设的营养配比条件库进行选取,以获得营养配比条件;根据所述营养配比条件对已生成的营养方案进行筛选,以得到符合营养配比条件的作为营养方案的输出。其中,所述营养配比条件为所述营养方案中碳水化合物、蛋白质、脂肪的比例。例如,预设的营养配比条件库中碳水化合物占比搭配为45%-55%,蛋白质15%-20%,脂肪25%-30%。
本实施例中,所述运算服务器200还用于将所述用户数据作为所述营养方案管理模型的输入,以得到多个作为营养方案的输出,并将所述多个营养方案的数据发送至前端终端100;所述前端终端100还用于展示所述多个营养方案,并获取用户的反馈数据,将所述反馈数据发送至运算服务器200;所述营养方案筛选模块209还用于根据所用户反馈数据筛选所述多个营养方案,以确定作为营养方案的输出。
本实施例中,所述前端终端100还用于获取用户饮食数据,并将所述饮食习惯数据发送至运算服务器200;所述运算服务器200配置有特征提取模块,用于对所述饮食数据进行特征提取,以获取用于表示所述用户饮食习惯的饮食特征数据。所述运算服务器200还用于将所述用户数据作为所述营养方案管理模型的输入,以得到多个作为营养方案的输出;所述营养方案筛选模块209还用于根据所述饮食特征数据对多个所述营养方案进行筛选,以确定作为营养方案的输出。
本实施例中,饮食特征数据包括:用户偏好食材、用户忌食食材等。所述饮食数据包括在设定时间段内用户饮食中菜品数据,特征提取模块根据所述菜品数据提取出重复率最高的菜品数据,作为用户偏好食材。
本实施例中,所述运算服务器200上配置有用户档案生成模块(图中未示出),用于根据所述用户数据建立用户档案,所述用户档案存储在数据服务器。具体地,所述用户档案中可以包括下列至少之一:用户数据,如身高、体重、BMI指数、用户体力活动信息、血糖浓度等,用户数据的历史变化情况,如用户体重变化情况,用户血糖变化情况等。此外,用户档案中也会记录用户已经实施的营养方案。
本实施例中,所述营养方案筛选模块209还用于获取所述用户档案中的所述用户历史营养方案,所述用户历史营养方案为从当前时间点向前回溯设定时间长度内的营养方案;根据相似度计算方法,计算所述营养方案与所述历史营养方案的相似度,以生成第二相似度值。所述营养方案筛选模块209中预设有第二相似度阈值,若所述第二相似度值不大于第二相似度阈值,则确定生成所述营养方案的输出。
本实施例中,所述设定时间长度可以是一天、一周等。具体的,营养方案筛选模块209根据传统菜系的分类标准对营养方案和历史营养方案的菜品进行标注,如采用1、2、3、4等数字对所述菜品进行标注。进一步地,根据所述菜品的标注计算每两个菜品之间的相似度;对所述相似度进行加权计算,获得所述营养方案中与所述历史营养方案之间的第二相似度。若所述第二相似度值不大于第二相似度阈值,则确定生成所述营养方案的输出。从而使得,用户当前获得的营养方案不同于前一天或前一周获得的营养方案,以提高用户体验。
可选地,本实施例中,所述前端终端100获取用户的健康数据,并发送至所述运算服务器200;所述运算服务器200配置有模型适配评估模块2010,用于获取设定时间段内所述用户档案中的营养方案和历史最近健康数据,将所述健康数据与所述历史最近健康数据进行比较,以获得健康变化数据;根据所述健康变化数据评估所述营养方案管理模型与所述用户的适配度。
本实施例中,所述健康数据可以包括:血糖信息,血脂信息,血压信息,体重信息等。进一步地,将健康数据与历史最近的健康数据进行比较,获得:血糖变化信息、血脂变化信息、血压变化信息、体重变化信息。所述模型适配评估模块2010对所述血糖变化信息,血脂变化信息,血压变化信息,体重变化信息进行加权计算处理,以获得健康变化数据。若总体健康数据的数值上升,则表示营养方案管理模型与所述用户的适配度高;若总体健康数据的数值下降,则表示营养方案管理模型与所述用户的适配度低。
可选地,本实施例中,所述前端终端100还用于获取用户血糖数据,将所述血糖数据发送至运算服务器200;所述运算服务器200上配置有营养方案调整模块2011,用于根据所述血糖数据和与所述血糖数据对应的配餐方案以及所述营养方案管理模型,对所述用户的营养方案进行调整,以得到作为调整后营养方案的输出。
本实施例中,所述前端终端100实时获取用户的血糖数据,将所述血糖数据发送至运算服务器200;所述运算服务器200的营养方案调整模块2011根据用户的血糖数据变化情况,调整所述每日能量值,并根据调整后的每日能量值和营养方案管理模型对所述用户的营养方案进行调整,以得到作为调整后营养方案的输出。
本实施例中,营养方案调整模块2011根据用户血糖数据,调整所述营养方案中每日能量值、每日能量拆分模板等,以对用户的营养方案进行调整。例如,若所述用户血糖数据高于正常人体血糖数据范围,则营养方案调整模块2011减小所述每日能量值,并增加每日能量拆分模板中的拆分数。从而实现降低用户每日的能量摄入量和用户每餐摄入量,并增减用户用餐次数;从而降低用户的血糖浓度,以实现控制用户血糖浓度的效果。
本实施例中,若所述用户血糖降低,营养方案调整模块2011还用于根据用户的血糖数据的变化情况,在所述用户的营养方案中加入附加餐。所述附加餐的食物包括:水果、坚果、谷物酸奶等至少之一;所述附加餐的每餐能量值根据用户的血糖数据确定。从而能够提高用户的血糖浓度,以实现控制用户血糖浓度的效果。
本实施例中,所述前端终端100还用于按照设定采样规则获取所述用户的血糖数据,将所述血糖数据发送至所述运算服务器200。所述运算服务器200中的营养方案调整模块2011根据所述血糖数据和与所述血糖数据相对应的营养方案以及所述设定的采样规则,建立所述营养方案中的食材与所述血糖数据变化趋势的对应关系;营养方案调整模块2011根据所述对应关系以及血糖数据,调整所述营养方案管理模型的备选食材,并根据调整后的备选食材和营养方案管理模型对所述用户的营养方案进行调整,以得到作为调整后营养方案的输出。
本实施例中,设定采样规则可以是每天进行一次血糖数据采集,或每两天进行一次采集,或每次就餐后进行一次采集。进一步地,根据所述相邻两次采集的血糖数据计算血糖数据变化趋势,如血糖浓度上升、血糖浓度下降,血糖浓度平稳。
进一步地,营养方案调整模块2011根据营养方案与血糖数据变化趋势的对应关系,对营养方案中食材进行标注,例如,将引起血糖上升的食材标注为1,引起血糖下降的食材标注为-1,对血糖没有影响的食材标注为0;并且,根据食材的标注对备选食材进行分类调整。进一步地,营养方案调整模块2011根据营养方案管理模型和用户血糖数据,在调整后的备选食材中选取相应食材生成新的营养方案,以作为调整后营养方案的输出。
可选地,本实施例中,所述运算服务器200还用于从用户档案获取用户的历史血糖数据,将所述用户数据和所述历史血糖数据作为所述营养方案管理模型的输入,以得到作为设定时间段内营养方案的输出。
本实施例中,所述历史血糖数据包括血糖浓度数值和血糖浓度变化数据。根据血糖浓度数值和血糖浓度变化数据判断所述用户是否患有妊娠糖尿病或者用户糖耐量属性。进一步地,根据所述用户是否患有妊娠糖尿病或者用户糖耐量属性和营养方案管理模型,得到作为设定时间段内营养方案的输出。所述设定时间段包括从当前时间的未来一周或一个月等。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括:但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、方法、商品或者设备不仅包括那些要素,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、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定事务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行事务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种营养方案管理系统,其特征在于,包括:
运算服务器,用于根据样本数据建立营养方案管理模型;
前端终端,用于获取用户数据,并将所述用户数据发送至运算服务器;
所述运算服务器,还用于将所述用户数据作为所述营养方案管理模型的输入,以得到作为营养方案的输出。
2.根据权利要求1所述系统,其特征在于,所述运算服务器上配置有预处理模块,用于对所述用户数据进行预处理,以获取表示用户每日需要摄入食物所包含的每日能量值。
3.根据权利要求2所述系统,其特征在于,所述预处理模块包括能量值调整单元,用于根据所述用户数据中的用户孕期对所述每日能量值进行调整。
4.根据权利要求2所述系统,其特征在于,所述运算服务器上还配置有营养方案生成模块,用于根据营养方案管理模型和所述每日能量值,得到作为营养方案的输出。
5.根据权利要求4所述系统,其特征在于,所述营养方案生成模块包括每日能量拆分单元、每餐能量拆分单元、食材选取单元、营养方案生成单元;
所述每日能量拆分单元用于根据所述营养方案管理模型和所述每日能量值,生成每日能量拆分模板的概率分布;根据所述每日能量拆分模板的概率分布确定所述每日能量拆分模板,并根据所述每日能量拆分模板对所述每日能量值进行拆分,以获得多个每餐能量值;
所述每餐能量拆分单元用于根据所述营养方案管理模型和所述每餐能量值,生成每餐能量拆分模板的概率分布;根据所述每餐能量拆分模板的概率分布确定所述每餐能量拆分模板,并根据所述每餐能量拆分模板对所述每餐能量值进行拆分,以获得多个菜品能量值;
所述食材选取单元用于根据所述每个菜品能量值对食材数据库进行筛选,以确定与所述菜品能量值对应的备选食材;根据所述菜品能量值以及所述备选食材中食材的选取概率,确定与所述菜品能量值对应的食材的数据;
所述营养方案生成单元用于根据由所述用户数据生成的食材的数据,生成多个菜品的数据;根据由所述用户数据生成的每餐能量拆分模板,对多个所述菜品的数据进行数据融合,以生成多个配餐的数据;根据由所述用户数据生成的每日能量拆分模板,对多个所述配餐的数据进行数据融合,以得到作为营养方案的输出。
6.根据权利要求1所述系统,其特征在于,所述运算服务器上配置有营养方案筛选模块,用于根据用户数据和所述营养管理模型,对预设的营养配比条件库进行选取,以获得营养配比条件;根据所述营养配比条件对得到的营养方案进行筛选,以得到符合营养配比条件的作为营养方案的输出。
7.根据权利要求1所述系统,其特征在于,
所述前端终端还用于获取用户血糖数据,将所述血糖数据发送至运算服务器;所述运算服务器上配置有营养方案调整模块,用于根据所述血糖数据和与所述血糖数据对应的配餐方案以及所述营养方案管理模型,对所述用户的配餐方案进行调整,以得到作为调整后营养方案的输出。
8.根据权利要求7所述系统,其特征在于,
所述前端终端实时获取用户的血糖数据,将所述血糖数据发送至运算服务器;所述运算服务器的营养方案调整模块根据所述血糖数据的变化情况,调整所述每日能量值,并根据调整后的每日能量值和营养方案管理模型对所述用户的营养方案进行调整,以得到作为调整后营养方案的输出。
9.根据权利要求7所述系统,其特征在于,
所述前端终端还用于按照设定采样规则获取所述用户的血糖数据,将所述血糖数据发送至所述运算服务器;
所述运算服务器中的营养方案调整模块根据所述血糖数据和与所述血糖数据相对应的营养方案以及所述设定的采样规则,建立所述营养方案中的食材与所述血糖数据变化趋势的对应关系;
营养方案调整模块根据所述营养方案中的食材与所述血糖数据变化趋势的对应关系以及血糖数据,调整所述营养方案管理模型的备选食材,并根据调整后的备选食材和营养方案管理模型对所述用户的营养方案进行调整,以得到作为调整后营养方案的输出。
10.根据权利要求1所述系统,其特征在于,所述运算服务器还用于从用户档案获取用户的历史血糖数据,将所述用户数据和所述历史血糖数据作为所述营养方案管理模型的输入,以得到作为设定时间段内营养方案的输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910624938.3A CN110379487B (zh) | 2019-07-11 | 2019-07-11 | 营养方案管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910624938.3A CN110379487B (zh) | 2019-07-11 | 2019-07-11 | 营养方案管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110379487A true CN110379487A (zh) | 2019-10-25 |
CN110379487B CN110379487B (zh) | 2022-05-13 |
Family
ID=68252818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910624938.3A Active CN110379487B (zh) | 2019-07-11 | 2019-07-11 | 营养方案管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110379487B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111105862A (zh) * | 2019-11-22 | 2020-05-05 | 青岛海信智慧家居系统股份有限公司 | 一种基于冰箱已有食材的食谱推荐的方法及装置、冰箱 |
CN113096771A (zh) * | 2021-04-22 | 2021-07-09 | 南通市第二人民医院 | 一种水肿患者食物摄入管理系统及方法 |
CN113344666A (zh) * | 2021-06-02 | 2021-09-03 | 易食便当香港有限公司 | 餐单生成方法、装置及系统 |
CN113539426A (zh) * | 2020-04-22 | 2021-10-22 | 深圳市前海高新国际医疗管理有限公司 | 基于神经网络深度学习算法的营养评测系统及方法 |
WO2022060210A1 (en) | 2020-09-18 | 2022-03-24 | BLAUS, Kristofs | Method and system for a meal plan generation |
CN114420253A (zh) * | 2021-11-26 | 2022-04-29 | 武汉宇科天创网络科技有限公司 | 一种健康膳食设定方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108091383A (zh) * | 2018-02-05 | 2018-05-29 | 深圳市是源医学科技有限公司 | 孕期营养数据管理方法、系统、计算机设备和存储介质 |
CN108231158A (zh) * | 2016-12-14 | 2018-06-29 | 中国移动通信有限公司研究院 | 一种信息分析方法、电子设备及系统 |
CN108899073A (zh) * | 2018-06-29 | 2018-11-27 | 重庆邮电大学 | 一种结合移动终端的智能健康饮食推荐系统 |
CN108922592A (zh) * | 2018-05-25 | 2018-11-30 | 美的集团股份有限公司 | 一种营养配餐方法、装置、冰箱和计算机存储介质 |
CN109243580A (zh) * | 2018-11-01 | 2019-01-18 | 广州仁生健康科技有限公司 | 一种降血糖的智能营养配餐系统及饮食管理方法 |
CN109493944A (zh) * | 2018-10-09 | 2019-03-19 | 珠海亿联德源信息技术有限公司 | 一种膳食管理系统 |
-
2019
- 2019-07-11 CN CN201910624938.3A patent/CN110379487B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108231158A (zh) * | 2016-12-14 | 2018-06-29 | 中国移动通信有限公司研究院 | 一种信息分析方法、电子设备及系统 |
CN108091383A (zh) * | 2018-02-05 | 2018-05-29 | 深圳市是源医学科技有限公司 | 孕期营养数据管理方法、系统、计算机设备和存储介质 |
CN108922592A (zh) * | 2018-05-25 | 2018-11-30 | 美的集团股份有限公司 | 一种营养配餐方法、装置、冰箱和计算机存储介质 |
CN108899073A (zh) * | 2018-06-29 | 2018-11-27 | 重庆邮电大学 | 一种结合移动终端的智能健康饮食推荐系统 |
CN109493944A (zh) * | 2018-10-09 | 2019-03-19 | 珠海亿联德源信息技术有限公司 | 一种膳食管理系统 |
CN109243580A (zh) * | 2018-11-01 | 2019-01-18 | 广州仁生健康科技有限公司 | 一种降血糖的智能营养配餐系统及饮食管理方法 |
Non-Patent Citations (2)
Title |
---|
SHAOBO FANG 等: "Single-View Food Portion Estimation:Learning Image-to-Energy Mappings Using Generative Adversarial Networks", 《2018 25TH IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING》 * |
朱晓凤 等: "基于GA_PSO多目标营养的膳食决策优化方法研究", 《食品工业》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111105862A (zh) * | 2019-11-22 | 2020-05-05 | 青岛海信智慧家居系统股份有限公司 | 一种基于冰箱已有食材的食谱推荐的方法及装置、冰箱 |
CN113539426A (zh) * | 2020-04-22 | 2021-10-22 | 深圳市前海高新国际医疗管理有限公司 | 基于神经网络深度学习算法的营养评测系统及方法 |
WO2022060210A1 (en) | 2020-09-18 | 2022-03-24 | BLAUS, Kristofs | Method and system for a meal plan generation |
CN113096771A (zh) * | 2021-04-22 | 2021-07-09 | 南通市第二人民医院 | 一种水肿患者食物摄入管理系统及方法 |
CN113096771B (zh) * | 2021-04-22 | 2022-02-01 | 南通市第二人民医院 | 一种水肿患者食物摄入管理系统及方法 |
CN113344666A (zh) * | 2021-06-02 | 2021-09-03 | 易食便当香港有限公司 | 餐单生成方法、装置及系统 |
CN114420253A (zh) * | 2021-11-26 | 2022-04-29 | 武汉宇科天创网络科技有限公司 | 一种健康膳食设定方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110379487B (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110379487A (zh) | 营养方案管理系统 | |
US20200066181A1 (en) | Generating Personalized Food Recommendations from Different Food Sources | |
CN109964280A (zh) | 用于计算、显示、修改和使用改善的个性化营养健康评分来评估和计划最佳饮食的系统和方法 | |
CN107658001B (zh) | 一种家庭用油健康管理方法和系统 | |
CN108369659A (zh) | 用于识别具有目标性质的实体的系统和方法 | |
CN110692105A (zh) | 用于计算、显示、修改和使用反映消费品的最佳数量和质量的单膳食摄入量评分的系统和方法 | |
CN111564199A (zh) | 智能化营养干预的方法及终端 | |
CN109509117A (zh) | 一种菜品推荐方法、装置及系统 | |
CN111261260A (zh) | 一种膳食推荐系统 | |
Sefa-Yeboah et al. | Development of a Mobile Application Platform for Self‐Management of Obesity Using Artificial Intelligence Techniques | |
Mejía et al. | Intelligent system for the visual support of caloric intake of food in inhabitants of a smart city using a deep learning model | |
CN112967807B (zh) | 基于饮食行为预测脑卒中的系统、设备及存储介质 | |
CN112133434A (zh) | 基于饮食习惯的高血脂辅助诊断系统、设备、存储介质 | |
US20220367050A1 (en) | Predicting gut microbiome diversity | |
Kogias et al. | A two-level food classification system for people with diabetes mellitus using convolutional neural networks | |
US20220354392A1 (en) | Personalized glucose ranges for making healthy choices | |
CN116312964A (zh) | 一种全人群人体营养评估管理方法及装置 | |
US12001796B2 (en) | Methods and systems for personal recipe generation | |
Stark | An historical review of the Harvard and the National Cancer Institute food frequency questionnaires: their similarities, differences, and their limitations in assessment of food intake | |
Edefonti et al. | Dietary patterns and cancer risk: an overview with focus on methods | |
Honda et al. | Household Nutrition Analysis and Food Recommendation U sing Purchase History | |
CN113113112A (zh) | 一种肾内科患者的饮食监控系统及方法 | |
CN114023419A (zh) | 食谱推荐方法、装置及非易失性存储介质 | |
Bublyk et al. | Comparative Analysis of The Caloric Performance of Products for People with Cardiovascular Disease. | |
Najaflou et al. | Recommended system for controlling malnutrition in Iranian children 6 to 12 years old using machine learning algorithms |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |