CN110391012A - 一种食材的血糖生成指数的等级确定方法及装置 - Google Patents
一种食材的血糖生成指数的等级确定方法及装置 Download PDFInfo
- Publication number
- CN110391012A CN110391012A CN201910690602.7A CN201910690602A CN110391012A CN 110391012 A CN110391012 A CN 110391012A CN 201910690602 A CN201910690602 A CN 201910690602A CN 110391012 A CN110391012 A CN 110391012A
- Authority
- CN
- China
- Prior art keywords
- food materials
- similarity
- unknown
- glycemic index
- grade
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Nutrition Science (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明实施例公开了一种食材的血糖生成指数的等级确定方法及装置,方法包括:分别计算至少一种已知血糖生成指数的已知食材与未知血糖生成指数的未知食材的食材成分相似度;根据计算得到的至少一种食材成分相似度确定目标已知食材,并根据所述目标已知食材的血糖生成指数确定所述未知食材的血糖生成指数的等级。本发明实施例通过计算至少一种已知血糖生成指数的已知食材和未血糖生成指数的未知食材的食材成分相似度,确定未知食材的血糖生成指数的等级,实现过程简单且难度较小,同时成本较低。
Description
技术领域
本发明涉及计算机技术领域,具体涉及一种食材的血糖生成指数的等级确定方法及装置。
背景技术
目前GI(Glycemic Index,血糖生成指数)值已被公认为糖尿病食材筛选的重要参数,为达到控糖目标最好的食材推荐,应该选择GI值低的食物。因此,摄入GI值越低的食物,不仅会减缓血糖上升的速度,还能够在一定程度上减少脂肪的形成和堆积。
GI值作为一种生理学参数是由人体试验而来的,而多数评价食物的方法是通过化学方法获得数据。食物的具体GI值测量需用人体糖耐量试验观察血糖应答实验进行统计,混杂因素多,数据获得周期过长。人体试验测定GI值的方法受到多个因素的影响,包括受试对象身体健康状况、受试人数、测试前用餐、运动及药物要求、参考食物、被测食物中有效CHO(碳水化合物)、测试程序中的频次、葡萄糖监测方法及数据处理等。因此,为了获得有价值的GI值,就需要对其测定方法进行标准化。
现有技术通过模拟人体内的消化系统测定食品的血糖生成指数的体外方法,但是需要通过模拟人体消化系统实现,实现方式较复杂,且实现难度较大;或者通过测定各种食物成分和食品的GI值的体外模型方法,可同时测定多个样品,涉及食品的组成成分分析、消化模型和葡萄糖含量的测定,涉及食品的消化样品中蛋白质含量、脂肪含量、葡萄糖的量和至少两种糖或糖醇的量的测量,需要对多种糖类进行测量,实现方式复杂;或者通过验证食物血糖生成指数动物实验模型,采用积分法计算各时间检测点的食物血糖应答曲线下面积,以葡萄糖实验结果作为GI标准计算,但是需要构建动物模型,实现过程繁杂,成本高,实现难度大。
发明内容
由于现有方法存在上述问题,本发明实施例提出一种食材的血糖生成指数的等级确定方法及装置。
第一方面,本发明实施例提出一种食材的血糖生成指数的等级确定方法,包括:
分别计算至少一种已知血糖生成指数的已知食材与未知血糖生成指数的未知食材的食材成分相似度;
根据计算得到的至少一种食材成分相似度确定目标已知食材,并根据所述目标已知食材的血糖生成指数确定所述未知食材的血糖生成指数的等级。
可选地,所述分别计算至少一种已知血糖生成指数的已知食材与未知血糖生成指数的未知食材的食材成分相似度,具体包括:
分别计算至少一种已知食材与未知食材的属性相似度和营养成分含量相似度,并根据所述属性相似度和所述营养成分含量相似度计算食材成分相似度。
可选地,所述分别计算至少一种已知食材与未知食材的属性相似度和营养成分含量相似度,并根据所述属性相似度和所述营养成分含量相似度计算食材成分相似度,具体包括:
根据至少一种已知食材的深度和所述未知食材的深度分别计算每种已知食材和所述未知食材的属性相似度;
若判断属性相似度大于等于预设值,则根据至少一种已知食材和所述未知食材的碳水化合物含量差异、蛋白质含量差异及脂肪含量差异分别计算至少一种已知食材和所述未知食材的营养成分含量相似度;
根据对应的属性相似度和营养成分含量相似度分别计算至少一种已知食材和所述未知食材的食材成分相似度。
可选地,所述根据计算得到的至少一种食材成分相似度确定目标已知食材,具体包括:
当已知食材的数量大于等于2时,根据各已知食材与所述未知食材的相似度对各已知食材进行排序,得到排序结果,并根据所述排序结果获取目标已知食材。
可选地,所述当已知食材的数量大于等于2时,根据各已知食材与所述未知食材的相似度对各已知食材进行排序,得到排序结果,并根据所述排序结果获取目标已知食材,具体包括:
当已知食材的数量大于等于2时,根据各已知食材与所述未知食材的相似度对各已知食材进行排序,得到排序结果;
根据排序结果获取排名靠前的预设数量的候选已知食材;
对各候选已知食材与所述未知食材的碳水化合物存在形式进行对比,得到各候选已知食材与所述未知食材的碳水化合物存在形式相似度;
获取各候选已知食材中与所述未知食材的碳水化合物存在形式相似度最大的食材确定为目标已知食材。
第二方面,本发明实施例还提出一种食材的血糖生成指数的等级确定装置,包括:
相似度计算模块,用于分别计算至少一种已知血糖生成指数的已知食材与未知血糖生成指数的未知食材的食材成分相似度;
等级确定模块,用于根据计算得到的至少一种食材成分相似度确定目标已知食材,并根据所述目标已知食材的血糖生成指数确定所述未知食材的血糖生成指数的等级。
可选地,所述相似度计算模块具体用于分别计算至少一种已知食材与未知食材的属性相似度和营养成分含量相似度,并根据所述属性相似度和所述营养成分含量相似度计算食材成分相似度。
可选地,所述相似度计算模块具体用于:
根据至少一种已知食材的深度和所述未知食材的深度分别计算每种已知食材和所述未知食材的属性相似度;
若判断属性相似度大于等于预设值,则根据至少一种已知食材和所述未知食材的碳水化合物含量差异、蛋白质含量差异及脂肪含量差异分别计算至少一种已知食材和所述未知食材的营养成分含量相似度;
根据对应的属性相似度和营养成分含量相似度分别计算至少一种已知食材和所述未知食材的食材成分相似度。
可选地,所述等级确定模块具体用于:
当已知食材的数量大于等于2时,根据各已知食材与所述未知食材的相似度对各已知食材进行排序,得到排序结果,并根据所述排序结果获取目标已知食材。
可选地,所述等级确定模块具体用于:
当已知食材的数量大于等于2时,根据各已知食材与所述未知食材的相似度对各已知食材进行排序,得到排序结果;
根据排序结果获取排名靠前的预设数量的候选已知食材;
对各候选已知食材与所述未知食材的碳水化合物存在形式进行对比,得到各候选已知食材与所述未知食材的碳水化合物存在形式相似度;
获取各候选已知食材中与所述未知食材的碳水化合物存在形式相似度最大的食材确定为目标已知食材。
第三方面,本发明实施例还提出一种电子设备,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行上述方法。
第四方面,本发明实施例还提出一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机程序,所述计算机程序使所述计算机执行上述方法。
由上述技术方案可知,本发明实施例通过计算至少一种已知血糖生成指数的已知食材和未血糖生成指数的未知食材的食材成分相似度,确定未知食材的血糖生成指数的等级,实现过程简单且难度较小,同时成本较低。
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的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些图获得其他的附图。
图1为本发明一实施例提供的一种食材的血糖生成指数的等级确定方法的流程示意图;
图2为本发明一实施例提供的一种食材的科目种属分类示意图;
图3为本发明另一实施例提供的一种食材的血糖生成指数的等级确定方法的流程示意图;
图4为本发明一实施例提供的一种食材的血糖生成指数的等级确定装置的结构示意图;
图5为本发明一实施例提供的电子设备的逻辑框图。
具体实施方式
下面结合附图,对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
图1示出了本实施例提供的一种食材的血糖生成指数的等级确定方法的流程示意图,包括:
S101、分别计算至少一种已知血糖生成指数的已知食材与未知血糖生成指数的未知食材的食材成分相似度。
具体地,所述血糖生成指数一般称为GI值,由于食材的GI值测量较为复杂,目前已知GI值的食材仍然是少数,对于多数食材,其GI值是未知的。若采用现有的方法进行测量,需要耗费较长的时间和较多的精力。
经分析总结已有GI值的食材和相关研究发现,食材的GI值的主要影响因素包括食物科目种属、食材营养素成分和碳水化合物的分子结构(单糖、二糖、多糖)。由此推断,若食材的上述特征相似,则其GI值的范围应相近。通过对食材的相似度进行数理分析对比,匹配出每个已知GI值的已知食材中食材成分相似度最高的已知食材,根据该已知食材估算出未知GI值食材的未知食材的GI值级别。
S102、根据计算得到的至少一种食材成分相似度确定目标已知食材,并根据所述目标已知食材的血糖生成指数确定所述未知食材的血糖生成指数的等级。
其中,所述血糖生成指数的等级包括:低级、中级和高级;所述低级的血糖生成指数<=55,55<所述中级的血糖生成指数<=75,所述高级的血糖生成指数>75。
举例来说,若GI值已知的食材A、B、C的GI值分别为60、45、80,其中与未知食材X的食材成分相似度最高的未食材A,则未知食材X的GI值的等级为中级。
本实施例区别于传统的GI值检测方法,通过对食材相似性的进行数理分析,提供了一种食材GI值的估算方法,计算未知GI值食材与已知GI值食材的食材成分相似度,通过已知GI值食材的GI值快速确定未知GI值食材的GI值等级,形成了食物GI值等级预测模型,解决了目前大量食材由于暂无GI值研究数据导致无法进行GI值推荐逻辑的难题,由此实现了营养配餐系统中为糖尿病患者、肥胖等人群推荐低GI饮食的功能,无需通过人体实验,且实现方法易于推广。
本实施例通过计算至少一种已知血糖生成指数的已知食材和未血糖生成指数的未知食材的食材成分相似度,确定未知食材的血糖生成指数的等级,实现过程简单且难度较小,同时成本较低。
进一步地,在上述方法实施例的基础上,S101具体包括:
分别计算至少一种已知食材与未知食材的属性相似度和营养成分含量相似度,并根据所述属性相似度和所述营养成分含量相似度计算食材成分相似度。
具体地:
根据至少一种已知食材的深度和所述未知食材的深度分别计算每种已知食材和所述未知食材的属性相似度;
若判断属性相似度大于等于预设值,则根据至少一种已知食材和所述未知食材的碳水化合物含量差异、蛋白质含量差异及脂肪含量差异分别计算至少一种已知食材和所述未知食材的营养成分含量相似度;
根据对应的属性相似度和营养成分含量相似度分别计算至少一种已知食材和所述未知食材的食材成分相似度。
其中,食材的深度表示该食材在如图2所示的食材科目种属分类图的层次结构中的层数,即已知食材的深度为已知食材在食材科目种属分类图的层次结构中的层数,未知食材的深度为未知食材在食材科目种属分类图的层次结构中的层数。例如黄瓜的深度为5,菠菜的深度为4。
具体来说,包括以下步骤:
计算已知食材Ci和未知食材Cj的属性相似度consin_Sim(Ci,Cj):
若判断属性相似度consin_Sim(Ci,Cj)>=0.8,则计算已知食材Ci和未知食材Cj的营养成分含量相似度dist:
计算已知食材Ci和未知食材Cj的食材成分相似度:
食材成分相似度=营养成分含量相似度dist×属性相似度
consin_Sim(Ci,Cj)
其中,C为食材Ci和食材Cj的父类,|super(Ci,C)|为食材Ci的深度,|super(Ci,C)∩super(Cj,C)|为食材Ci和食材Cj个体相同父类的个数;|Ci-Cj|为每100g食材Ci和食材Cj含有的碳水化合物含量的差异;|Pi-Pj|为每100g食材Ci和食材Cj的蛋白质含量差异;|Fi-Fj|为每100g食材Ci和食材Cj的脂肪含量差异。
进一步地,在上述方法实施例的基础上,S102具体包括:
当已知食材的数量大于等于2时,根据各已知食材与所述未知食材的相似度对各已知食材进行排序,得到排序结果,并根据所述排序结果获取目标已知食材。
举例来说,食材A、B、C、D的GI值已知,食材X的GI值未知,经计算得到已知食材A、B、C、D与未知食材X的食材成分相似度分别为80%、82%、83%、85%,则按照食材成分相似度从高到低的排序结果为食材D、C、B、A,因此可以根据已知食材D的GI值确定未知食材X的GI值等级。
进一步地,当已知食材的数量大于等于2时,根据各已知食材与所述未知食材的相似度对各已知食材进行排序,得到排序结果;
根据排序结果获取排名靠前的预设数量的候选已知食材;
对各候选已知食材与所述未知食材的碳水化合物存在形式进行对比,得到各候选已知食材与所述未知食材的碳水化合物存在形式相似度;
获取各候选已知食材中与所述未知食材的碳水化合物存在形式相似度最大的食材确定为目标已知食材。
具体来说,首先将数据库所有食材的科目种属根据《中国食物成分表》分类结果进行科目种属的分类。以蔬菜类为例,对其进行细分,如图2所示,其中isa表示类,io表示个体。
然后根据无GI值食材的科目种属,用两个个体的共同上位概念作为为参照物,以它在食材科目种属分类图的层次结构中的深度计算双方的相似程度。
图3示出了本实施例提供的食材的GI值的等级确定的详细流程图。在计算食材成分相似度时,首先计算已知食材Ci和未知食材Cj的属性相似度consin_Sim(Ci,Cj),属性相似度的范围是0-1,1为完全相似。相似度>=0.8的食材,进行营养成分含量相似性对比;然后计算已知食材Ci和未知食材Cj的营养成分含量相似度dist,三种营养素含量差异范围是0-200;dist相似性范围为0-1,1为完全相似,通过与数据库的食物成分数据进行计算,得到营养成分含量相似度;接着将营养成分含量相似度与属性相似度相乘,得到食材成分相似度,通过食材成分相似度提高两种食材的相似度判断的准确性;最后按照食材成分相似度由高到低对所有食材进行排序,选择排名前3的已知食材作为候选已知食材,则目标已知食材进一步从3个候选已知食材中选出。
需要说明的是,在实际计算过程中,食材成分相似度≈营养成分含量相似度×属性相似度。
具体地,对比每个未知GI值的未知食材与其匹配相似度排名前3的已知食材的其他特点,通过科学实验已证明主要影响GI值的因素包括:食材所含CHO含量、种类、分子量大小。以已知GI值的食材特点为参考标准,进行无GI值食材的GI值变化的定性趋势分析,得知CHO的种类和数量是GI值的决定性因素。因此通过确定出与未知GI值的未知食材相似度最高的已知GI值的已知食材,从而可以推断出未知食材的GI值等级。
其中,碳水化合物主要分为单糖、二糖、多糖,不同存在形式的碳水化合物,其GI值不同。碳水化合物含量增多则GI值升高;分子量越小,GI值越高;纤维素难消化,含量高则GI值降低;支链淀粉易消化,含量高则GI值升高。一般来说,单糖GI值<双糖GI值<多糖GI值。
本实施例以未知GI值的未知食材的特点为参考标准,根据相似度排名,对比每个已知GI值的已知食材与其匹配的相似度较高的前3种已知食材的碳水化合物存在形式,具体的对比逻辑如下:
假设未知食材为X,食材成分相似度排名前三的已知食材分别为A1,A2,A3,定义其碳水化合物主要存在形式(占比最大)分别为a,a1,a2,a3。
食材X与A1,A2,A3的碳水化合物主要存在形式对比:
若主要存在形式不相同,如:a=单糖,a1=双糖,则相似度dist1=0;
若主要存在形式相同,如:a=a1=单糖,则相似度dist1=1;
其中,相似性范围为0-1,1为完全相似。
食材X与A1,A2,A3碳水化化合物主要存在形式含量的占比对比:
两个食材的碳水化合物主要成分含量相似度为:
其中,|ωi-ωj|为每100g两种食材含有的碳水化合物主要成分含量的差异。如:食材X的碳水化合物主要存在形式为单糖,且其占碳水化合物总量为80%,则wi=80%。dist相似性范围为0-1,1为完全相似。
将dist1与dist2结果相乘,得到食材X与食材A1,A2,A3的碳水化合物存在形式相似度,即碳水化合物存在形式相似度=dist1×dist2,进一步可计算得到食材成分相似度,并确定食材X的GI值等级。
对上述得到的未知食材X的GI值等级进行准确性验证时,通过对7大类240种食材做验证对比,结果显示估算得到的食材GI值符合率达84%,准确性较高。
本实施例提供的GI值预测与已知GI值分类的正确率表如下所示:
本实施例从影响GI值变化的主要因素入手,将食物的科目属性、营养成分的种类和比例、食材的物理特点以及化学成分等多个维度综合估算,实现科学的食材GI值的等级预测,估算食材的GI值区间,对GI值进行定性判断,能够更加便捷地进行食材推荐。
图4示出了本实施例提供的一种食材的血糖生成指数的等级确定装置的结构示意图,所述装置包括:相似度计算模块401和等级确定模块402,其中:
所述相似度计算模块401用于分别计算至少一种已知血糖生成指数的已知食材与未知血糖生成指数的未知食材的食材成分相似度;
所述等级确定模块402用于根据计算得到的至少一种食材成分相似度确定目标已知食材,并根据所述目标已知食材的血糖生成指数确定所述未知食材的血糖生成指数的等级。
具体地,所述相似度计算模块401分别计算至少一种已知血糖生成指数的已知食材与未知血糖生成指数的未知食材的食材成分相似度;所述等级确定模块402根据计算得到的至少一种食材成分相似度确定目标已知食材,并根据所述目标已知食材的血糖生成指数确定所述未知食材的血糖生成指数的等级。
本实施例通过计算至少一种已知血糖生成指数的已知食材和未血糖生成指数的未知食材的食材成分相似度,确定未知食材的血糖生成指数的等级,实现过程简单且难度较小,同时成本较低。
进一步地,在上述装置实施例的基础上,所述相似度计算模块401具体用于分别计算至少一种已知食材与未知食材的属性相似度和营养成分含量相似度,并根据所述属性相似度和所述营养成分含量相似度计算食材成分相似度。
进一步地,在上述装置实施例的基础上,所述相似度计算模块401具体用于:
根据至少一种已知食材的深度和所述未知食材的深度分别计算每种已知食材和所述未知食材的属性相似度;
若判断属性相似度大于等于预设值,则根据至少一种已知食材和所述未知食材的碳水化合物含量差异、蛋白质含量差异及脂肪含量差异分别计算至少一种已知食材和所述未知食材的营养成分含量相似度;
根据对应的属性相似度和营养成分含量相似度分别计算至少一种已知食材和所述未知食材的食材成分相似度。
进一步地,在上述装置实施例的基础上,所述等级确定模块402具体用于:
当已知食材的数量大于等于2时,根据各已知食材与所述未知食材的相似度对各已知食材进行排序,得到排序结果,并根据所述排序结果获取目标已知食材。
进一步地,在上述装置实施例的基础上,所述等级确定模块402具体用于:
当已知食材的数量大于等于2时,根据各已知食材与所述未知食材的相似度对各已知食材进行排序,得到排序结果;
根据排序结果获取排名靠前的预设数量的候选已知食材;
对各候选已知食材与所述未知食材的碳水化合物存在形式进行对比,得到各候选已知食材与所述未知食材的碳水化合物存在形式相似度;
获取各候选已知食材中与所述未知食材的碳水化合物存在形式相似度最大的食材确定为目标已知食材。
本实施例所述的食材的血糖生成指数的等级确定装置可以用于执行上述方法实施例,其原理和技术效果类似,此处不再赘述。
参照图5,所述电子设备,包括:处理器(processor)501、存储器(memory)502和总线503;
其中,
所述处理器501和存储器502通过所述总线503完成相互间的通信;
所述处理器501用于调用所述存储器502中的程序指令,以执行上述各方法实施例所提供的方法。
本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法。
本实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
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各实施方式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。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (12)
1.一种食材的血糖生成指数的等级确定方法,其特征在于,包括:
分别计算至少一种已知血糖生成指数的已知食材与未知血糖生成指数的未知食材的食材成分相似度;
根据计算得到的至少一种食材成分相似度确定目标已知食材,并根据所述目标已知食材的血糖生成指数确定所述未知食材的血糖生成指数的等级。
2.根据权利要求1所述的食材的血糖生成指数的等级确定方法,其特征在于,所述分别计算至少一种已知血糖生成指数的已知食材与未知血糖生成指数的未知食材的食材成分相似度,具体包括:
分别计算至少一种已知食材与未知食材的属性相似度和营养成分含量相似度,并根据所述属性相似度和所述营养成分含量相似度计算食材成分相似度。
3.根据权利要求2所述的食材的血糖生成指数的等级确定方法,其特征在于,所述分别计算至少一种已知食材与未知食材的属性相似度和营养成分含量相似度,并根据所述属性相似度和所述营养成分含量相似度计算食材成分相似度,具体包括:
根据至少一种已知食材的深度和所述未知食材的深度分别计算每种已知食材和所述未知食材的属性相似度;
若判断属性相似度大于等于预设值,则根据至少一种已知食材和所述未知食材的碳水化合物含量差异、蛋白质含量差异及脂肪含量差异分别计算至少一种已知食材和所述未知食材的营养成分含量相似度;
根据对应的属性相似度和营养成分含量相似度分别计算至少一种已知食材和所述未知食材的食材成分相似度。
4.根据权利要求1所述的食材的血糖生成指数的等级确定方法,其特征在于,所述根据计算得到的至少一种食材成分相似度确定目标已知食材,具体包括:
当已知食材的数量大于等于2时,根据各已知食材与所述未知食材的相似度对各已知食材进行排序,得到排序结果,并根据所述排序结果获取目标已知食材。
5.根据权利要求4所述的食材的血糖生成指数的等级确定方法,其特征在于,所述当已知食材的数量大于等于2时,根据各已知食材与所述未知食材的相似度对各已知食材进行排序,得到排序结果,并根据所述排序结果获取目标已知食材,具体包括:
当已知食材的数量大于等于2时,根据各已知食材与所述未知食材的相似度对各已知食材进行排序,得到排序结果;
根据排序结果获取排名靠前的预设数量的候选已知食材;
对各候选已知食材与所述未知食材的碳水化合物存在形式进行对比,得到各候选已知食材与所述未知食材的碳水化合物存在形式相似度;
获取各候选已知食材中与所述未知食材的碳水化合物存在形式相似度最大的食材确定为目标已知食材。
6.一种食材的血糖生成指数的等级确定装置,其特征在于,包括:
相似度计算模块,用于分别计算至少一种已知血糖生成指数的已知食材与未知血糖生成指数的未知食材的食材成分相似度;
等级确定模块,用于根据计算得到的至少一种食材成分相似度确定目标已知食材,并根据所述目标已知食材的血糖生成指数确定所述未知食材的血糖生成指数的等级。
7.根据权利要求6所述的食材的血糖生成指数的等级确定装置,其特征在于,所述相似度计算模块具体用于分别计算至少一种已知食材与未知食材的属性相似度和营养成分含量相似度,并根据所述属性相似度和所述营养成分含量相似度计算食材成分相似度。
8.根据权利要求7所述的食材的血糖生成指数的等级确定装置,其特征在于,所述相似度计算模块具体用于:
根据至少一种已知食材的深度和所述未知食材的深度分别计算每种已知食材和所述未知食材的属性相似度;
若判断属性相似度大于等于预设值,则根据至少一种已知食材和所述未知食材的碳水化合物含量差异、蛋白质含量差异及脂肪含量差异分别计算至少一种已知食材和所述未知食材的营养成分含量相似度;
根据对应的属性相似度和营养成分含量相似度分别计算至少一种已知食材和所述未知食材的食材成分相似度。
9.根据权利要求6所述的食材的血糖生成指数的等级确定装置,其特征在于,所述等级确定模块具体用于:
当已知食材的数量大于等于2时,根据各已知食材与所述未知食材的相似度对各已知食材进行排序,得到排序结果,并根据所述排序结果获取目标已知食材。
10.根据权利要求9所述的食材的血糖生成指数的等级确定装置,其特征在于,所述等级确定模块具体用于:
当已知食材的数量大于等于2时,根据各已知食材与所述未知食材的相似度对各已知食材进行排序,得到排序结果;
根据排序结果获取排名靠前的预设数量的候选已知食材;
对各候选已知食材与所述未知食材的碳水化合物存在形式进行对比,得到各候选已知食材与所述未知食材的碳水化合物存在形式相似度;
获取各候选已知食材中与所述未知食材的碳水化合物存在形式相似度最大的食材确定为目标已知食材。
11.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一所述的食材的血糖生成指数的等级确定方法。
12.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至5任一所述的食材的血糖生成指数的等级确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910690602.7A CN110391012B (zh) | 2019-07-29 | 2019-07-29 | 一种食材的血糖生成指数的等级确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910690602.7A CN110391012B (zh) | 2019-07-29 | 2019-07-29 | 一种食材的血糖生成指数的等级确定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110391012A true CN110391012A (zh) | 2019-10-29 |
CN110391012B CN110391012B (zh) | 2022-03-22 |
Family
ID=68287670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910690602.7A Active CN110391012B (zh) | 2019-07-29 | 2019-07-29 | 一种食材的血糖生成指数的等级确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110391012B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622532A (zh) * | 2012-02-27 | 2012-08-01 | 中国药科大学 | 一种复杂药物体内外物质组关联构建代谢网络的方法 |
CN106979997A (zh) * | 2016-01-18 | 2017-07-25 | 医博科技股份有限公司 | 应用于食物升糖指数评估的快速测定方法 |
CN108634964A (zh) * | 2018-05-04 | 2018-10-12 | 中国科学院遥感与数字地球研究所 | 一种基于光谱的无创血糖仪 |
CN109767825A (zh) * | 2019-01-31 | 2019-05-17 | 北京卡路里信息技术有限公司 | 饮食控制方法、装置、设备和存储介质 |
-
2019
- 2019-07-29 CN CN201910690602.7A patent/CN110391012B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622532A (zh) * | 2012-02-27 | 2012-08-01 | 中国药科大学 | 一种复杂药物体内外物质组关联构建代谢网络的方法 |
CN106979997A (zh) * | 2016-01-18 | 2017-07-25 | 医博科技股份有限公司 | 应用于食物升糖指数评估的快速测定方法 |
CN108634964A (zh) * | 2018-05-04 | 2018-10-12 | 中国科学院遥感与数字地球研究所 | 一种基于光谱的无创血糖仪 |
CN109767825A (zh) * | 2019-01-31 | 2019-05-17 | 北京卡路里信息技术有限公司 | 饮食控制方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110391012B (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200066181A1 (en) | Generating Personalized Food Recommendations from Different Food Sources | |
US20210065873A1 (en) | Generating Personalized Food Guidance Using Predicted Food Responses | |
Rahman et al. | Surface-based body shape index and its relationship with all-cause mortality | |
US20190252058A1 (en) | Generating personalized nutritional recommendations using predicted values of biomarkers | |
Chiong et al. | Using an improved relative error support vector machine for body fat prediction | |
CA3089943A1 (en) | Generating predicted values of biomarkers for scoring food | |
Hankin et al. | A short dietary method for epidemiologic studies: II. Variability of measured nutrient intakes | |
CN113053535B (zh) | 一种医疗信息预测系统及医疗信息预测方法 | |
US11295860B2 (en) | Using at home measures to predict clinical state and improving the accuracy of at home measurements/predictions data associated with circadian rhythm and meal timing | |
CN102435619A (zh) | 用于测定食品样品的卡路里含量的系统和方法 | |
KR20190063954A (ko) | 인공지능 클라우드 영양소 변화 예측 방법과 인공지능 클라우드 영양소 대사량 측정 방법 및 그를 사용하는 질병관리 방법 | |
CN110379487A (zh) | 营养方案管理系统 | |
Moreno-Villanueva et al. | Validity and reliability of linear position transducers and linear velocity transducers: a systematic review | |
CN110391012A (zh) | 一种食材的血糖生成指数的等级确定方法及装置 | |
EP3844767A1 (en) | Using at home measurements to predict clinical state and improving the accuracy of at home measurements/predictions using data associated with circadian rhythm and meal timing | |
US20230073367A1 (en) | Systems and Methods for Identifying Food Processing and Prescribing a Diet | |
Li et al. | Application of multi‐element viscoelastic models to freshness evaluation of beef based on the viscoelasticity principle | |
Feser et al. | Calculating average power for the Benjamini-Hochberg procedure | |
US20240177826A1 (en) | Generating personalized food guidance using predicted hunger | |
EP4089684A1 (en) | Predicting gut microbiome diversity | |
EP4086915A1 (en) | Personalized glucose ranges for making healthy choices | |
Begum et al. | Artificial Intelligence-Based Food Calories Estimation Methods in Diet Assessment Research | |
Hassan et al. | Glycemic index of selected carbohydrate-based foods consumed in Qatar | |
Syafaah et al. | Correlation of risk factors for coronary heart disease in type-2 diabetes mellitus using the chi-square method | |
Jijesh et al. | Development of food tracking system using machine learning |
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 |