CN110897640A - 基于生物电阻抗的人体成分计算方法、装置、计算机设备和存储介质 - Google Patents
基于生物电阻抗的人体成分计算方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110897640A CN110897640A CN201911366972.1A CN201911366972A CN110897640A CN 110897640 A CN110897640 A CN 110897640A CN 201911366972 A CN201911366972 A CN 201911366972A CN 110897640 A CN110897640 A CN 110897640A
- Authority
- CN
- China
- Prior art keywords
- sample
- phase angle
- electrical impedance
- samples
- mass
- 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
- 239000000203 mixture Substances 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004364 calculation method Methods 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000013178 mathematical model Methods 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 230000001419 dependent effect Effects 0.000 claims description 38
- 239000011159 matrix material Substances 0.000 claims description 30
- 210000003205 muscle Anatomy 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 18
- 210000003722 extracellular fluid Anatomy 0.000 claims description 15
- 210000002977 intracellular fluid Anatomy 0.000 claims description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 230000009021 linear effect Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 238000010238 partial least squares regression Methods 0.000 claims description 7
- 102000004169 proteins and genes Human genes 0.000 claims description 7
- 108090000623 proteins and genes Proteins 0.000 claims description 7
- 210000000476 body water Anatomy 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 5
- 210000000577 adipose tissue Anatomy 0.000 claims description 4
- 239000000470 constituent Substances 0.000 claims description 4
- 238000000611 regression analysis Methods 0.000 claims description 4
- 210000004027 cell Anatomy 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 150000003839 salts Chemical class 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 abstract description 10
- 238000005259 measurement Methods 0.000 description 9
- 230000000875 corresponding effect Effects 0.000 description 4
- 239000000243 solution Substances 0.000 description 3
- 208000008589 Obesity Diseases 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 210000003141 lower extremity Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000020824 obesity Nutrition 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 102000008934 Muscle Proteins Human genes 0.000 description 1
- 108010074084 Muscle Proteins Proteins 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 210000000170 cell membrane Anatomy 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 238000003113 dilution method Methods 0.000 description 1
- 238000011549 displacement method Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/053—Measuring electrical impedance or conductance of a portion of the body
- A61B5/0537—Measuring body composition by impedance, e.g. tissue hydration or fat content
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4869—Determining body composition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Pathology (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Radiology & Medical Imaging (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于生物电阻抗的人体成分计算方法、装置、计算机设备和存储介质，首先进行特征参数选取；然后进行体成分训练，包括：（1）建立训练样本数据库；（2）取临时样本，建立数学模型；（3）采用偏最小二乘法训练数学模型，解决基于特征参数之间存在多重相关性的问题；最后，将待检测样本输入训练好的体成分数学模型，通过分析计算得到人体成分。本发明能够准确找到影响体成分的影响因子，避免将不必要的身体特征参数纳入体成分计算或者溜掉重要的身体特征参数。偏最小二乘算法的使用，能够避免自变量之间的多重相关性，并且在样本量小的情况下也能完成计算，计算精度比多元线性回归高。
Description
技术领域
本发明涉及一种应用于人体成分分析仪的人体成分计算方法、装置、计算机设备和存储介质，属于人体成分检测技术领域。
背景技术
随着人民生活水平的提高，肥胖问题已经越来越严重。人们也逐渐意识到肥胖的危害，更关心身体脂肪，蛋白质，肌肉等人体成分是否在健康的范围内。因此，准确、简单、快速的测量人体成分方法就十分必要，能帮助测量者检测自身的健康状况。
几十年来，不少国家专家学者采用了很多方法，研制了很多人体成分分析设备，用于测量人体成分。主要方法有：水下称重法，空气替代法，皮褶法，人体参数法，生物电阻抗法，近红外线吸收法，双能X射线，磁共振法，CT，超声波，钾同位素测定法，同位素稀释法等。其中，空气置换法，同位素稀释法，钾同位素测定法，双能X射线法，CT，磁共振设备费用极高，测量费用高，不适合频繁测量。水下称重法，超声波法，红外线操作难度也大。而生物电阻抗法具有操作简单，准确，无创伤，费用低，成为体成分测量的首选方法。
国内外基于生物电阻抗分析人体成分分析方法大都是多元线性回归方法。例如专利号为CN201711341403.2，专利名称为《应用于人体成分秤的人体成分算法模型构建方法》的发明专利采用的多元线性回归方法，这种方法首先要对研究对象有充分了解，得到跟因变量相关的所有参数，参数间还存在耦合性；同时为了降低测量的偶然误差，提高预测精度和泛化能力，需要大量的训练样本，进行分析；而且回归方程固化在软件中，很难根据实际情况进行调整，人群适用性较差。
发明内容
本发明所要解决的技术问题在于，针对现有技术中采用多元线性回归预测方法进行人体成分分析时，由于人体成分的影响因素错综复杂，因素之间存在相关性，造成测量精度不够的问题，提出一种基于生物电阻抗的人体成分计算方法、装置、计算机设备和存储介质。
本发明解决其技术问题所采用的技术方案，包括：
本发明提出一种基于生物电阻抗的人体成分计算方法，包括以下步骤：
步骤1、特征参数选取；将人体水分，瘦体，蛋白质，肌肉的相关特征参数作为体成分计算模型中的影响因子，特征参数分别是：电阻抗，体重，身高、年龄、性别和节段相位角；
步骤2、体成分训练，具体包括：
(2.1)、建立训练样本数据库，数据库中的每个训练样本包含自变量和因变量；
(2.2)、选取临时样本，建立数学模型；
(2.3)、采用偏最小二乘法训练数学模型，根据非线性问题建模的线性化思想，解决基于特征参数之间存在多重相关性的问题，建立体成分数学模型；
步骤3、将待检测样本输入训练好的体成分数学模型，通过分析计算得到人体成分。
进一步的，本发明所提出的一种基于生物电阻抗的人体成分计算方法，步骤2中(2.1)所述的训练样本数据库中，自变量是人体的体征参数，包含的数据如下：身高，体重，年龄,性别，1KHz右臂电阻抗和相位角，1KHz左臂电阻抗和相位角，1KHz躯干电阻抗和相位角，1KHz右腿电阻抗和相位角，1KHz左腿电阻抗和相位角，5KHz右臂电阻抗和相位角，5KHz左臂电阻抗和相位角，5KHz躯干电阻抗和相位角，5KHz右腿电阻抗和相位角，5KHz左腿电阻抗和相位角，50KHz右臂电阻抗和相位角，50KHz左臂电阻抗和相位角，50KHz躯干电阻抗和相位角，50KHz右腿电阻抗和相位角，50KHz左腿电阻抗和相位角，250KHz右臂电阻抗和相位角，250KHz左臂电阻抗和相位角，250KHz躯干电阻抗和相位角，250KHz右腿电阻抗和相位角，250KHz左腿电阻抗和相位角，500KHz右臂电阻抗和相位角，500KHz左臂电阻抗和相位角，500KHz躯干电阻抗和相位角，500KHz右腿电阻抗和相位角，500KHz左腿电阻抗和相位角，1MKHz右臂电阻抗和相位角，1M Hz左臂电阻抗和相位角，1M Hz躯干电阻抗和相位角，1MHz右腿电阻抗和相位角，1M Hz左腿电阻抗和相位角；
因变量是人体成分，包括的数据如下：右臂细胞外液质量，左臂细胞外液质量，躯干细胞外液质量，右腿细胞外液质量，左腿细胞外液质量，右臂细胞总水质量，左臂细胞总水质量，躯干细胞总水质量，右腿细胞总水质量，左腿细胞总水质量，右臂瘦体质量，左臂瘦体质量，躯干瘦体质量，右腿瘦体质量，左腿瘦体质量，右臂细胞内液质量，左臂细胞内液质量，躯干细胞内液质量，右腿细胞内液质量，左腿细胞内液质量，右臂肌肉质量，左臂肌肉质量，躯干肌肉质量，右腿肌肉质量，左腿肌肉质量，右臂脂肪质量，左臂脂肪质量，躯干脂肪质量，右腿脂肪质量，左腿脂肪质量，无机盐，身体质量指数，体脂百分比。
进一步的，本发明所提出的一种基于生物电阻抗的人体成分计算方法，步骤2中(2.2)所述临时样本的建立规则如下：
(1)、将全部样本分为男性样本和女性样本，再将男性样本和女性样本根据年龄阶段分别细分为M档，然后根据待测样本，对应选择不同年龄档的细分样本；
(2)、根据需要计算的不同人体成分，结合已有的研究成果，选择不同的人体特征参数作为样本参数；
(3)、根据待检测样本，从上一步选取的样本中选择和待检测样本相似的样本作为样本集。
进一步的，本发明所提出的一种基于生物电阻抗的人体成分计算方法，所述根据待检测样本，从上一步选取的样本中选择和待检测样本相似的样本作为样本集，具体是采用属性加权的欧氏距离作为样本相似性的计算标准，样本属性权重的计算公式如下：
其中，m是输入样本的属性个数，N是全体训练样本的个数，Xij表示第i个样本的第j个属性值，Xj表示样本第j个属性的均值，Yi表示第i个样本值，Yj表示输出样本的均值；计算两个样本相似度的计算公式如下：
其中，d是样本属性个数，x1j是第一个样本的第j个属性值，x2j是第二个样本的第j个属性值，依次计算样本中每个样本和测试样本的相似度，根据训练要求选取最相似的前n个样本
作为最终的临时训练样本。
进一步的，本发明所提出的一种基于生物电阻抗的人体成分计算方法，步骤2中，根据年龄阶段分别细分为M档，具体是细分为：7-13岁，14-25岁，26-40岁，41-60岁，61-100岁，共5个年龄档的样本。
进一步的，本发明所提出的一种基于生物电阻抗的人体成分计算方法，采用偏最小二乘法训练数学模型，所述偏最小二乘建模如下：
体成分模型中有q个因变量{y1,…,yq}和p个自变量{x1,…,xp}，为了研究因变量和自变量的统计关系，通过观测n个样本点，由此构成自变量与因变量的数据表X＝{x1,…,xp}和Y＝{y1,…,yq}；分别在X与Y中提取出成分t1和u1，即t1是x1,x2,…,xp的线形组合,u1是y1,y2,…,yq的线形组合；在提取这两个成分时，为了回归分析的需要，需满足以下要求：
(1)t1和u1应最大化携带其各自数据表中的变异信息；
(2)t1与u1的相关程度能够达到最大；
在第一个成分t1和u1被提取后，分别实施X对t1的回归以及Y对u1的回归；如果回归方程已经达到满意的精度，则算法终止；否则，将利用X被t1解释后的残余信息以及Y被u1解释后的残余信息进行第二轮的成分提取；如此往复，直到能达到满意的精度为止；若最终对X共提取了m个成分：t1,t2,…,tm，将通过实施yk对t1,t2,…,tm的回归，然后再表达成yk关于原变量X1,X2,…,Xq的回归方程，k＝1,2,…,p。
进一步的，本发明所提出的一种基于生物电阻抗的人体成分计算方法，步骤3中(2.3)所述建立体成分数学模型，具体步骤如下：
步骤3.1、数据标准化；
创建矩阵E(n*p)和矩阵F(n*q)，其中E是自变量矩阵，F是因变量矩阵，n表示样本个数，p表示自变量维度，q表示因变量维度，矩阵的行代表单个样本，矩阵的列代表每一个维度；
数据标准化，即数据中心化，将矩阵中的每个元素的值减去所在维度变量的均值再除以该维度的标准差，标准化后的自变量矩阵记为E0，标准化后的因变量矩阵记为F0；
步骤3.2、求主成分；先求自变量和因变量的第一主成分，需要t1与u1的协方差达到最大值，即：
Cov(t1,u1)–>max
由于t1是E0的线性组合，设权重系数为W1，u1是F0的线性组合，权重系数为C1，又要求W1和C1同为单位向量，数学表达式为：
Max<E0W1,F0C1>
||W1||＝1
||C1||＝1
通过拉格朗日求解，w1和c1满足：
得知W1是
单位特征向量，
是对应的特征值；C1是矩阵
最大特征值
的单位特征向量，求得W1和C1，即可求得主成分t1,u1，即求得第一主成分；
步骤3.3、建立主成分与原自变量，原因变量的回归，建立方程如下：
E1和F1分别为回归方程的残差矩阵，回归系数向量为：
步骤3.4、继续求主成分，直至满足要求；
用残差矩阵E1和F1取代E0和F0，然后求W2和C2以及第二个成分t2,u2，有：
t2＝E1w2
u2＝F1c2
重新执行步骤3.3，直到求出所有主成分或者满足要求；
步骤3.5、推导得出因变量之于自变量的回归表达式：
经过反复步骤3.4、步骤3.3，若E0的秩为A，则可以求出：
得到偏最小二乘回归系数向量为：
A为X的秩。
本发明还提出一种基于生物电阻抗的人体成分计算装置，包括：
特征参数选取模块，用于将人体水分，瘦体，蛋白质，肌肉的相关特征参数作为体成分计算模型中的影响因子，特征参数分别是：电阻抗，体重，身高、年龄、性别和节段相位角；
体成分训练模块，具体包括：
训练样本数据库单元，数据库中的每个训练样本包含自变量和因变量；
模型建立单元，用于选取临时样本，建立数学模型；
模型训练单元，用于采用偏最小二乘法训练数学模型，根据非线性问题建模的线性化思想，解决基于特征参数之间存在多重相关性的问题，建立体成分数学模型；
人体成分计算模块，用于将待检测样本输入训练好的体成分数学模型，通过分析计算得到人体成分。
进一步，本发明还提出一种计算机设备，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，所述处理器执行所述计算机程序时实现上述任一基于生物电阻抗的人体成分计算方法的步骤。
最后，本发明还提出一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一基于生物电阻抗的人体成分计算方法的步骤。
本发明采用以上技术手段，与现有技术相比其技术效果在于：
1、现有体成分计算方法，存在自变量之间多重相关性问题，并且需要大量的样本来计算回归方程，这些因素决定了体成分的计算误差会比较大。本发明提出的临时样本选取，能够降低年龄在计算体成分时候带来的非线性影响。提高体成分的测量精度。
2、本发明将偏最小二乘的计算方法运用到体成分计算中，能够准确找到影响体成分的影响因子，避免将不必要的身体特征参数纳入体成分计算或者溜掉重要的身体特征参数。偏最小二乘算法的使用，能够避免自变量之间的多重相关性，并且在样本量小的情况下也能完成计算，计算精度比多元线性回归准确。
附图说明
图1是本发明的技术方案流程示意图。
图2是人体成分测量位置的示意图。
图2中，ZRA表示右臂电阻抗，ZLA表示左臂电阻抗，ZTR表示躯干电阻抗，ZRL表示右腿电阻抗，ZLL表示左腿电阻抗。1,2,3,4，A，B，C，D分别代表8个电极片安装位置。
具体实施方式
以下结合附图及实施案例，对本发明进行进一步详细说明。应该理解，此处所描述的具体实施例仅用于解释本发明最简易的实现步骤，并不用于限定本发明。
如图1所示，本发明提供了一种基于生物电阻抗的人体成分计算方法，具体步骤如下：
1、特征参数选取。
特征参数是体成分计算模型中的影响因子。特征参数有很多，要确定人体成分最相关的特征参数。相关的特征参数选取，结合了多元线性回归算法的成果。基于几十年来国内外研究专家的经验，每个人体成分相关特征参数可以确定。人体水分，瘦体，蛋白质，肌肉的相关特征参数是电阻抗，体重，身高、年龄、性别和节段相位角。
其中电阻抗的测量的准确性对预测结果影响很大，同时测量难度也最大。这里通过8电极，多频段测量人体5节段电阻抗，测量结果更加准确。电阻抗的测量位置如图2所示，电极安放在1,2,3,4,A,B,C,D位置。依次在1KHz，5KHz，50KHz，250KHz，500KHz和1Mhz频率下，测量左手臂，右手臂，左下肢，右下肢，躯干的电阻抗。电阻抗值是体成分的重要特征参数。
相位角同样基于生物电阻抗技术，用于检测细胞膜的完整性。我们在研究中测得相位角也和部分体成分有较高的相关性，因此将相位角也纳入特征参数。
采用体重称、身高测量仪就可以完成身高、体重测量，身高，体重，年龄和性别也是体成分的重要特征参数。
2、体成分训练。
体成分训练包含四个部分：训练样本数据库，测试样本，选取相似样本，偏最小二乘法训练。
2.1、训练样本数据库：训练样本数据库是一个相对全面的数据库，每个训练样本包含自变量和因变量。
自变量是人体的体征参数，包含的数据如下：身高，体重，年龄，性别，1KHz右臂电阻抗和相位角，1KHz左臂电阻抗和相位角，1KHz躯干电阻抗和相位角，1KHz右腿电阻抗和相位角，1KHz左腿电阻抗和相位角，5KHz右臂电阻抗和相位角，5KHz左臂电阻抗和相位角，5KHz躯干电阻抗和相位角，5KHz右腿电阻抗和相位角，5KHz左腿电阻抗和相位角，50KHz右臂电阻抗和相位角，50KHz左臂电阻抗和相位角，50KHz躯干电阻抗和相位角，50KHz右腿电阻抗和相位角，50KHz左腿电阻抗和相位角，250KHz右臂电阻抗和相位角，250KHz左臂电阻抗和相位角，250KHz躯干电阻抗和相位角，250KHz右腿电阻抗和相位角，250KHz左腿电阻抗和相位角，500KHz右臂电阻抗和相位角，500KHz左臂电阻抗和相位角，500KHz躯干电阻抗和相位角，500KHz右腿电阻抗和相位角，500KHz左腿电阻抗和相位角，1MKHz右臂电阻抗和相位角，1M Hz左臂电阻抗和相位角，1M Hz躯干电阻抗和相位角，1M Hz右腿电阻抗和相位角，1M Hz左腿电阻抗和相位角。
因变量是人体成分，包括的数据如下：右臂细胞外液质量，左臂细胞外液质量，躯干细胞外液质量，右腿细胞外液质量，左腿细胞外液质量，右臂细胞总水质量，左臂细胞总水质量，躯干细胞总水质量，右腿细胞总水质量，左腿细胞总水质量，右臂瘦体质量，左臂瘦体质量，躯干瘦体质量，右腿瘦体质量，左腿瘦体质量，右臂细胞内液质量，左臂细胞内液质量，躯干细胞内液质量，右腿细胞内液质量，左腿细胞内液质量，右臂肌肉质量，左臂肌肉质量，躯干肌肉质量，右腿肌肉质量，左腿肌肉质量，右臂脂肪质量，左臂脂肪质量，躯干脂肪质量，右腿脂肪质量，左腿脂肪质量，无机盐，身体质量指数，体脂百分比。
2.2、选取临时样本。临时样本用于建立数学模型。临时样本的建立规则如下：
(1)由于不同年龄，性别对训练结果有着非线性的影响。因此为了降低年龄，性别对测试结果的影响，将全部样本分为男性样本和女性样本，再将男性样本和女性样本细分7-13岁，14-25岁，26-40岁，41-60岁，61-100岁样本。根据待测样本，选择不同的细分样本。
(2)根据需要计算的不同人体成分，结合已有的研究成果，选择不同的人体特征参数作为样本参数。如果要计算人体右臂总水分，将总体样本中的体重，身高，250KHz右臂阻抗的平方/身高，作为临时样本的三个自变量，人体右臂总水分作为因变量。样本格式如下：
(3)根据待检测样本，再从上一步选取的样本中选择和待检测样本相似的样本作为样本集。欧式距离是度量变量样本间相似度的常用方法，但其将所有变量属性对相似度的作用视为相同，实际中不同属性对样本相似度的影响往往不同，本发明采用属性加权的欧氏距离作为样本相似性的计算标准。样本属性权重的计算公式如下：
其中，m是输入样本的属性个数，N是全体训练样本的个数，Xij表示第i个样本的第j个属性值。Xj表示样本第j个属性的均值，Yj表示输出样本的均值。计算两个样本相似度的计算公式如下：
依次计算样本中每个样本和测试样本的相似度。根据训练要求选取最相似的前n个样本
作为最终的临时训练样本。
2.3、偏最小二乘法训练。样本选取之后，就可以进行训练。基于特征参数之间可能存在多重相关性的问题，采用偏最小二乘法，根据非线性问题建模的线性化思想解决上述问题。
首先，采用偏最小二乘法建模。
偏最小二乘集成了主成分分析、典型相关分析、线性回归分析的优点。在普通多元线形回归的应用中，常受到许多限制。最典型的问题就是：自变量之间的多重相关性，并且有的时候样例很少，甚至比变量的维度还少，变量之间又存在多重相关性。偏最小二乘回归就是为解决这些棘手的问题而生的。
偏最小二乘思想：
比如，有一堆自变量(X1,X2,...Xn)，本专利中的身高，体重，各个电阻抗就是自变量。这些自变量可以影响因变量(Y1,Y2,...Yn)，本专利中的人体水分，人体肌肉，人体蛋白质等人体成分。当给的样例很少，而我们又完全不清楚自变量之间、因变量之间存在的关系，此时，偏最小二乘算法可以帮助我们寻找Y和X之间的关系。
偏最小二乘建模原理：
体成分模型中有q个因变量{y1,…,yq}和p个自变量{x1,…,xp}。为了研究因变量和自变量的统计关系,我们观测了n个样本点,由此构成了自变量与因变量的数据表X＝{x1,…,xp}和Y＝{y1,…,yq}。偏最小二乘回归分别在X与Y中提取出成分t1和u1(也就是说,t1是x1,x2,…,xp的线形组合,u1是y1,y2,…,yq的线形组合)；在提取这两个成分时,为了回归分析的需要，有下列两个要求:
要求1:t1和u1应尽可能大地携带他们各自数据表中的变异信息；
要求2:t1与u1的相关程度能够达到最大。
这两个要求表明，t1和u1应尽可能好的代表数据表X和Y，同时自变量的成分t1对因变量的成分u1又有最强的解释能力。
在第一个成分t1和u1被提取后，偏最小二乘回归分别实施X对t1的回归以及Y对u1的回归。如果回归方程已经达到满意的精度，则算法终止；否则，将利用X被t1解释后的残余信息以及Y被u1解释后的残余信息进行第二轮的成分提取。如此往复，直到能达到一个较满意的精度为止。若最终对X共提取了m个成分：t1,t2,…,tm，偏最小二乘回归将通过实施yk对t1,t2,…,tm的回归，然后再表达成yk关于原变量X1,X2,…,Xq的回归方程，k＝1,2,…,p。
人体成分建模步骤：
步骤1：数据标准化。结合之前的研究人员的研究成果，创建矩阵E(n*p)和矩阵F(n*q)，其中E是自变量矩阵，F是因变量矩阵。n表示样本个数，p表示自变量维度，q表示因变量维度。矩阵的行代表单个样本，矩阵的列代表每一个维度。数据标准化即数据中心化，算法是矩阵中的每个元素的值减去所在维度变量的均值再除以该维度的标准差。标准化后的自变量矩阵记为E0，标准化后的因变量矩阵记为F0。
步骤2：求主成分。先求自变量和因变量的第一主成分。根据回归分析的第一要求，t1和u1应尽可能大地携带他们各自数据表中的变异信息，即要求t1与u1的方差达到最大。根据第二要求，t1对u1有最大的解释能力，即t1与u1的相关程度达到最大。根据以上两点，只需要t1与u1的协方差达到最大值，即：
Cov(t1,u1)–>max
由于t1是E0的线性组合，设权重系数为W1，u1是F0的线性组合，权重系数为C1，又要求W1和C1同为单位向量，数学表达式为：
Max<E0W1,F0C1>
||W1||＝1
||C1||＝1
通过拉格朗日求解，w1和c1满足：
得知W1是
单位特征向量，
是对应的特征值。C1就是矩阵
最大特征值
的单位特征向量。求得W1和C1，即可求得主成分t1,u1。第一主成分求得。
步骤3：建立主成分与原自变量，原因变量的回归。建立方程如下：
E1和F1分别为回归方程的残差矩阵。回归系数向量为：
步骤4：继续求主成分，直至满足要求。
用残差矩阵E1和F1取代E0和F0，然后求W2和C2以及第二个成分t2,u2，有：
t2＝E1w2
u2＝F1c2
重新执行步骤2，直到求出所有主成分或者满足要求。
步骤5：推导因变量之于自变量的回归表达式：
经过步骤4，步骤5的反复，若E0的秩为A，则可以求出：
偏最小二乘回归系数向量为：
A为X的秩。
综上所述，本发明的体成分计算精度更高。同时，没有固定的计算公式，每次计算都是根据历史样本和测试样本训练得出结果。
用人体成分计算金标准测得106组男性样本，将样本分为训练样本和测试样本。训练样本67例，测试样本39例。分别采用多元线性回归方法和本发明的方法计算39组人体成分，并将两种方法的计算结果和金标准测得的39组测试样本作对比。
对比结果如下：
从结果可以看出，本发明的人体成分计算方法精确度要比线性回归的方法更高。
作为本发明的一个实施例，提出一种基于生物电阻抗的人体成分计算装置，包括：
特征参数选取模块，用于将人体水分，瘦体，蛋白质，肌肉的相关特征参数作为体成分计算模型中的影响因子，特征参数分别是：电阻抗，体重，身高、年龄、性别和节段相位角；
体成分训练模块，具体包括：
训练样本数据库单元，数据库中的每个训练样本包含自变量和因变量；
模型建立单元，用于选取临时样本，建立数学模型；
模型训练单元，用于采用偏最小二乘法训练数学模型，根据非线性问题建模的线性化思想，解决基于特征参数之间存在多重相关性的问题，建立体成分数学模型；
人体成分计算模块，用于将待检测样本输入训练好的体成分数学模型，通过分析计算得到人体成分。
关于基于生物电阻抗的人体成分计算装置的具体限定可以参见上文中对于基于生物电阻抗的人体成分计算方法的限定，在此不再赘述。本发明所提出的基于生物电阻抗的人体成分计算装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于生物电阻抗的人体成分计算方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，上述装置的结构，仅仅是与本申请方案相关的部分结构，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
基于如上所述的示例，在一个实施例中还提供一种计算机设备，该计算机设备包括存储器、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，其中，处理器执行所述程序时实现如上述各实施例中的任意一种基于生物电阻抗的人体成分计算方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性的计算机可读取存储介质中，如本发明实施例中，该程序可存储于计算机系统的存储介质中，并被该计算机系统中的至少一个处理器执行，以实现包括如上述室内光照度的检测方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccess Memory，RAM)等。
据此，在一个实施例中还提供一种计算机存储介质计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如上述各实施例中的任意一种基于生物电阻抗的人体成分计算方法。
以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于生物电阻抗的人体成分计算方法，其特征在于，包括以下步骤：
步骤1、特征参数选取；将人体水分，瘦体，蛋白质，肌肉的相关特征参数作为体成分计算模型中的影响因子，特征参数分别是：电阻抗，体重，身高、年龄、性别和节段相位角；
步骤2、体成分训练，具体包括：
(2.1)、建立训练样本数据库，数据库中的每个训练样本包含自变量和因变量；
(2.2)、选取临时样本，建立数学模型；
(2.3)、采用偏最小二乘法训练数学模型，根据非线性问题建模的线性化思想，解决基于特征参数之间存在多重相关性的问题，建立体成分数学模型；
步骤3、将待检测样本输入训练好的体成分数学模型，通过分析计算得到人体成分。
2.根据权利要求1所述的方法，其特征在于，步骤2中(2.1)所述的训练样本数据库中，自变量是人体的体征参数，包含的数据如下：身高，体重，年龄,性别，1KHz右臂电阻抗和相位角，1KHz左臂电阻抗和相位角，1KHz躯干电阻抗和相位角，1KHz右腿电阻抗和相位角，1KHz左腿电阻抗和相位角，5KHz右臂电阻抗和相位角，5KHz左臂电阻抗和相位角，5KHz躯干电阻抗和相位角，5KHz右腿电阻抗和相位角，5KHz左腿电阻抗和相位角，50KHz右臂电阻抗和相位角，50KHz左臂电阻抗和相位角，50KHz躯干电阻抗和相位角，50KHz右腿电阻抗和相位角，50KHz左腿电阻抗和相位角，250KHz右臂电阻抗和相位角，250KHz左臂电阻抗和相位角，250KHz躯干电阻抗和相位角，250KHz右腿电阻抗和相位角，250KHz左腿电阻抗和相位角，500KHz右臂电阻抗和相位角，500KHz左臂电阻抗和相位角，500KHz躯干电阻抗和相位角，500KHz右腿电阻抗和相位角，500KHz左腿电阻抗和相位角，1MKHz右臂电阻抗和相位角，1M Hz左臂电阻抗和相位角，1M Hz躯干电阻抗和相位角，1M Hz右腿电阻抗和相位角，1M Hz左腿电阻抗和相位角；
因变量是人体成分，包括的数据如下：右臂细胞外液质量，左臂细胞外液质量，躯干细胞外液质量，右腿细胞外液质量，左腿细胞外液质量，右臂细胞总水质量，左臂细胞总水质量，躯干细胞总水质量，右腿细胞总水质量，左腿细胞总水质量，右臂瘦体质量，左臂瘦体质量，躯干瘦体质量，右腿瘦体质量，左腿瘦体质量，右臂细胞内液质量，左臂细胞内液质量，躯干细胞内液质量，右腿细胞内液质量，左腿细胞内液质量，右臂肌肉质量，左臂肌肉质量，躯干肌肉质量，右腿肌肉质量，左腿肌肉质量，右臂脂肪质量，左臂脂肪质量，躯干脂肪质量，右腿脂肪质量，左腿脂肪质量，无机盐，身体质量指数，体脂百分比。
3.根据权利要求1所述的方法，其特征在于，步骤2中(2.2)所述临时样本的建立规则如下：
(1)、将全部样本分为男性样本和女性样本，再将男性样本和女性样本根据年龄阶段分别细分为M档，然后根据待测样本，对应选择不同年龄档的细分样本；
(2)、根据需要计算的不同人体成分，结合已有的研究成果，选择不同的人体特征参数作为样本参数；
(3)、根据待检测样本，从上一步选取的样本中选择和待检测样本相似的样本作为样本集。
4.根据权利要求3所述的方法，其特征在于，所述根据待检测样本，从上一步选取的样本中选择和待检测样本相似的样本作为样本集，具体是采用属性加权的欧氏距离作为样本相似性的计算标准，样本属性权重的计算公式如下：
其中，m是输入样本的属性个数，N是全体训练样本的个数，Xij表示第i个样本的第j个属性值，Xj表示样本第j个属性的均值，Yi表示第i个样本值，Yj表示输出样本的均值；计算两个样本相似度的计算公式如下：
其中，d是样本属性个数，x1j是第一个样本的第j个属性值，x2j是第二个样本的第j个属性值，依次计算样本中每个样本和测试样本的相似度，根据训练要求选取最相似的前n个样本
作为最终的临时训练样本。
5.根据权利要求3所述的方法，其特征在于，步骤2中，根据年龄阶段分别细分为M档，具体是细分为：7-13岁，14-25岁，26-40岁，41-60岁，61-100岁，共5个年龄档的样本。
6.根据权利要求1所述的方法，其特征在于，采用偏最小二乘法训练数学模型，所述偏最小二乘建模如下：
体成分模型中有q个因变量{y1,…,yq}和p个自变量{x1,…,xp}，为了研究因变量和自变量的统计关系，通过观测n个样本点，由此构成自变量与因变量的数据表X＝{x1,…,xp}和Y＝{y1,…,yq}；分别在X与Y中提取出成分t1和u1，即t1是x1,x2,…,xp的线形组合,u1是y1,y2,…,yq的线形组合；在提取这两个成分时，为了回归分析的需要，需满足以下要求：
(1)t1和u1应最大化携带其各自数据表中的变异信息；
(2)t1与u1的相关程度能够达到最大；
在第一个成分t1和u1被提取后，分别实施X对t1的回归以及Y对u1的回归；如果回归方程已经达到满意的精度，则算法终止；否则，将利用X被t1解释后的残余信息以及Y被u1解释后的残余信息进行第二轮的成分提取；如此往复，直到能达到满意的精度为止；若最终对X共提取了m个成分：t1,t2,…,tm，将通过实施yk对t1,t2,…,tm的回归，然后再表达成yk关于原变量X1,X2,…,Xq的回归方程，k＝1,2,…,p。
7.根据权利要求1所述的方法，其特征在于，步骤3中(2.3)所述建立体成分数学模型，具体步骤如下：
步骤3.1、数据标准化；
创建矩阵E(n*p)和矩阵F(n*q)，其中E是自变量矩阵，F是因变量矩阵，n表示样本个数，p表示自变量维度，q表示因变量维度，矩阵的行代表单个样本，矩阵的列代表每一个维度；
数据标准化，即数据中心化，将矩阵中的每个元素的值减去所在维度变量的均值再除以该维度的标准差，标准化后的自变量矩阵记为E0，标准化后的因变量矩阵记为F0；
步骤3.2、求主成分；先求自变量和因变量的第一主成分，需要t1与u1的协方差达到最大值，即：
Cov(t1,u1)–>max
由于t1是E0的线性组合，设权重系数为W1，u1是F0的线性组合，权重系数为C1，又要求W1和C1同为单位向量，数学表达式为：
Max<E0W1,F0C1>
||W1||＝1
||C1||＝1
通过拉格朗日求解，w1和c1满足：
得知W1是
单位特征向量，
是对应的特征值；C1是矩阵
最大特征值
的单位特征向量，求得W1和C1，即可求得主成分t1,u1，即求得第一主成分；
步骤3.3、建立主成分与原自变量，原因变量的回归，建立方程如下：
E1和F1分别为回归方程的残差矩阵，回归系数向量为：
步骤3.4、继续求主成分，直至满足要求；
用残差矩阵E1和F1取代E0和F0，然后求W2和C2以及第二个成分t2,u2，有：
t2＝E1w2
u2＝F1c2
重新执行步骤3.3，直到求出所有主成分或者满足要求；
步骤3.5、推导得出因变量之于自变量的回归表达式：
经过反复步骤3.4、步骤3.3，若E0的秩为A，则可以求出：
得到偏最小二乘回归系数向量为：
A为X的秩。
8.一种基于生物电阻抗的人体成分计算装置，其特征在于，包括：
特征参数选取模块，用于将人体水分，瘦体，蛋白质，肌肉的相关特征参数作为体成分计算模型中的影响因子，特征参数分别是：电阻抗，体重，身高、年龄、性别和节段相位角；
体成分训练模块，具体包括：
训练样本数据库单元，数据库中的每个训练样本包含自变量和因变量；
模型建立单元，用于选取临时样本，建立数学模型；
模型训练单元，用于采用偏最小二乘法训练数学模型，根据非线性问题建模的线性化思想，解决基于特征参数之间存在多重相关性的问题，建立体成分数学模型；
人体成分计算模块，用于将待检测样本输入训练好的体成分数学模型，通过分析计算得到人体成分。
9.一种计算机设备，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计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911366972.1A CN110897640A (zh) | 2019-12-26 | 2019-12-26 | 基于生物电阻抗的人体成分计算方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911366972.1A CN110897640A (zh) | 2019-12-26 | 2019-12-26 | 基于生物电阻抗的人体成分计算方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110897640A true CN110897640A (zh) | 2020-03-24 |
Family
ID=69827837
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911366972.1A Pending CN110897640A (zh) | 2019-12-26 | 2019-12-26 | 基于生物电阻抗的人体成分计算方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110897640A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111599426A (zh) * | 2020-04-28 | 2020-08-28 | 芯海科技（深圳）股份有限公司 | 用户身份识别方法、装置、电子设备和存储介质 |
| CN112914544A (zh) * | 2021-01-21 | 2021-06-08 | 南京麦澜德医疗科技股份有限公司 | 一种内脏脂肪测量方法、装置、设备及存储介质 |
| CN113012753A (zh) * | 2021-03-09 | 2021-06-22 | 桂林电子科技大学 | 一种基于集成学习的低密度脂蛋白的数据处理方法 |
| CN113679371A (zh) * | 2020-05-19 | 2021-11-23 | 华为技术有限公司 | 一种体成分检测方法、电子设备和计算机可读存储介质 |
| CN113854998A (zh) * | 2021-09-08 | 2021-12-31 | 成都泰盟软件有限公司 | 基于人体形态的人体成分分析仪及方法 |
| WO2022088921A1 (zh) * | 2020-10-30 | 2022-05-05 | 华为技术有限公司 | 一种人体成分测量方法及装置 |
| TWI789076B (zh) * | 2021-10-26 | 2023-01-01 | 興友科技股份有限公司 | 具有影像掃描功能的體組成分析系統 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030220581A1 (en) * | 2002-03-26 | 2003-11-27 | Stig Ollmar | Non-invasive in vivo determination of body fluid parameter |
| CN108281192A (zh) * | 2017-12-29 | 2018-07-13 | 诺仪器（中国）有限公司 | 基于集成学习算法的人体成分预测方法及系统 |
-
2019
- 2019-12-26 CN CN201911366972.1A patent/CN110897640A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030220581A1 (en) * | 2002-03-26 | 2003-11-27 | Stig Ollmar | Non-invasive in vivo determination of body fluid parameter |
| CN108281192A (zh) * | 2017-12-29 | 2018-07-13 | 诺仪器（中国）有限公司 | 基于集成学习算法的人体成分预测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 绕绍奇: "《中华医学统计百科全书 遗传统计分册》", 31 May 2013, 中国统计出版社 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111599426A (zh) * | 2020-04-28 | 2020-08-28 | 芯海科技（深圳）股份有限公司 | 用户身份识别方法、装置、电子设备和存储介质 |
| CN111599426B (zh) * | 2020-04-28 | 2024-04-30 | 芯海科技（深圳）股份有限公司 | 用户身份识别方法、装置、电子设备和存储介质 |
| CN113679371B (zh) * | 2020-05-19 | 2023-07-18 | 华为技术有限公司 | 一种体成分检测方法、电子设备和计算机可读存储介质 |
| CN113679371A (zh) * | 2020-05-19 | 2021-11-23 | 华为技术有限公司 | 一种体成分检测方法、电子设备和计算机可读存储介质 |
| WO2021233019A1 (zh) * | 2020-05-19 | 2021-11-25 | 华为技术有限公司 | 一种体成分检测方法、电子设备和计算机可读存储介质 |
| WO2022088921A1 (zh) * | 2020-10-30 | 2022-05-05 | 华为技术有限公司 | 一种人体成分测量方法及装置 |
| CN114431826A (zh) * | 2020-10-30 | 2022-05-06 | 华为技术有限公司 | 一种人体成分测量方法及装置 |
| CN114431826B (zh) * | 2020-10-30 | 2024-06-25 | 华为技术有限公司 | 一种人体成分测量方法及装置 |
| CN112914544B (zh) * | 2021-01-21 | 2022-09-02 | 南京麦澜德医疗科技股份有限公司 | 一种内脏脂肪测量方法、装置、设备及存储介质 |
| CN112914544A (zh) * | 2021-01-21 | 2021-06-08 | 南京麦澜德医疗科技股份有限公司 | 一种内脏脂肪测量方法、装置、设备及存储介质 |
| CN113012753A (zh) * | 2021-03-09 | 2021-06-22 | 桂林电子科技大学 | 一种基于集成学习的低密度脂蛋白的数据处理方法 |
| CN113854998A (zh) * | 2021-09-08 | 2021-12-31 | 成都泰盟软件有限公司 | 基于人体形态的人体成分分析仪及方法 |
| TWI789076B (zh) * | 2021-10-26 | 2023-01-01 | 興友科技股份有限公司 | 具有影像掃描功能的體組成分析系統 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110897640A (zh) | 基于生物电阻抗的人体成分计算方法、装置、计算机设备和存储介质 | |
| TWI393579B (zh) | The state of the muscle movement state analysis system, methods and computer program products | |
| US10335061B2 (en) | Methods and apparatus for detecting hand-to-mouth behavior | |
| Gettman et al. | Assessment of basic human performance resources predicts operative performance of laparoscopic surgery | |
| CN106295205A (zh) | 基于bp神经网络的体脂百分比测量方法及其应用 | |
| CN103123669B (zh) | 一种基于遗传算法的人体体成分分析方法 | |
| TW201426620A (zh) | 健康檢查路徑評估指標建構系統、方法、運用此方法之裝置及電腦程式產品 | |
| CN106768245A (zh) | 一种脂肪秤智能匹配用户方法 | |
| Bumacod et al. | Image-processing-based digital goniometer using OpenCV | |
| CN103637800B (zh) | 基于八段阻抗模型的人体成分分析的方法 | |
| CN108281192B (zh) | 基于集成学习算法的人体成分预测方法及系统 | |
| JP5431147B2 (ja) | インピーダンス測定 | |
| CN112914544B (zh) | 一种内脏脂肪测量方法、装置、设备及存储介质 | |
| Hughes et al. | Sensorized phantom for characterizing large area deformation of soft bodies for medical applications | |
| CN105138835B (zh) | 基于生理信息熵的人体体成分预测方法 | |
| CN113096509A (zh) | 基于外科手术缝合受力模型的受力计算方法 | |
| CN110033846B (zh) | 一种产科临床辅助顺产装置及控制方法、计算机程序 | |
| WO2023124911A1 (zh) | 一种人体体成分和内脏脂肪含量预测方法 | |
| Teo | Gender differences in the intention to use technology: A measurement invariance analysis | |
| CN111681759A (zh) | 慢性病风险分析装置、设备和存储介质 | |
| CN109919101A (zh) | 一种基于手机客户端的用户体验评价方法及系统 | |
| Tarabelloni | Robust statistical methods in functional data analysis | |
| Kumar et al. | Development of an adjustable pulse measurement system for determining the precise position for recording high wrist pulse signals | |
| Zhang et al. | Soft tissue deformation model based on marquardt algorithm and enrichment function | |
| Asif et al. | Indication of Health Status Using Machine Learning Linear Regression and Random Forest |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200324 |