CN111383758A - 基于多维数据预测餐后血糖的方法和装置 - Google Patents
基于多维数据预测餐后血糖的方法和装置 Download PDFInfo
- Publication number
- CN111383758A CN111383758A CN202010154922.3A CN202010154922A CN111383758A CN 111383758 A CN111383758 A CN 111383758A CN 202010154922 A CN202010154922 A CN 202010154922A CN 111383758 A CN111383758 A CN 111383758A
- Authority
- CN
- China
- Prior art keywords
- blood glucose
- parameter information
- prediction model
- diet
- value
- 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
- 239000008280 blood Substances 0.000 title claims abstract description 186
- 210000004369 blood Anatomy 0.000 title claims abstract description 186
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 title claims abstract description 114
- 239000008103 glucose Substances 0.000 title claims abstract description 114
- 230000000291 postprandial effect Effects 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 52
- 235000005911 diet Nutrition 0.000 claims abstract description 52
- 230000037213 diet Effects 0.000 claims abstract description 50
- 235000013305 food Nutrition 0.000 claims abstract description 28
- 235000012054 meals Nutrition 0.000 claims abstract description 25
- 239000000463 material Substances 0.000 claims abstract description 18
- 230000004622 sleep time Effects 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 34
- 235000016709 nutrition Nutrition 0.000 claims description 15
- 230000035764 nutrition Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 description 7
- 235000021152 breakfast Nutrition 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 230000000378 dietary effect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 235000013312 flour Nutrition 0.000 description 2
- 235000012631 food intake Nutrition 0.000 description 2
- 230000000968 intestinal effect Effects 0.000 description 2
- 230000003907 kidney function Effects 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 230000003908 liver function Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000013016 Hypoglycemia Diseases 0.000 description 1
- 208000001145 Metabolic Syndrome Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 201000000690 abdominal obesity-metabolic syndrome Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000019577 caloric intake Nutrition 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 235000014633 carbohydrates Nutrition 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 235000013325 dietary fiber Nutrition 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 208000006575 hypertriglyceridemia Diseases 0.000 description 1
- 230000002218 hypoglycaemic effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000012666 negative regulation of transcription by glucose Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000021049 nutrient content Nutrition 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Abstract
本发明提供了一种基于多维数据预测餐后血糖的方法和装置，血糖预测技术领域，该方法通过：获取人体的第一参数信息和饮食信息，第一参数信息包括多项生理参数，饮食信息包括每餐食材和食用量；记录第二参数信息和血糖值，第二参数信息包括运动情况和睡眠时间，血糖值包括空腹血糖值；基于预处理后的第一参数信息、饮食信息、第二参数信息和空腹血糖值，利用训练好的血糖预测模型对餐后血糖值进行预测，有针对性地对餐后血糖值进行预测，提高了预测结果的准确性。
Description
技术领域
本发明涉及血糖预测技术领域，尤其是涉及一种基于多维数据预测餐后血糖的方法和装置。
背景技术
控制正常范围的餐后血糖对预防及改善控制糖尿病及并发症等一系列疾病至关重要。然而，相同食物对不同人的餐后血糖的影响往往因个体不同而存在差异，这种差异与人体的多维数据相关联。目前已有的预测餐后血糖的营养学方法收效有限，作为指导膳食营养控制血糖的指标血糖生成指数(Glycemic Index，简称GI值)，通常建立在相同食物对不同个体的血糖效应是一样的假设上，因此现有技术中餐后血糖预测的结果不具有个体的针对性，导致餐后血糖预测的准确度低。
发明内容
本发明的目的在于提供一种基于多维数据预测餐后血糖的方法和装置，以缓解现有技术中存在的血糖预测的准确度低的技术问题。
第一方面，实施例提供一种基于多维数据预测餐后血糖的方法，该方法包括：获取人体的第一参数信息和饮食信息，第一参数信息包括多项生理参数，饮食信息包括每餐食材和食用量；记录第二参数信息和血糖值，第二参数信息包括运动情况和睡眠时间，血糖值包括空腹血糖值；基于预处理后的第一参数信息、饮食信息、第二参数信息和空腹血糖值，利用训练好的血糖预测模型对餐后血糖值进行预测。
在可选的实施方式中，在记录第二参数信息和血糖值的步骤之后，还包括：对第一参数、饮食信息和第二参数进行预处理，预处理包括剔除异常值参数以及将数据标准化处理。
在可选的实施方式中，在记录第二参数信息和血糖值的步骤之后，还包括：基于每餐食材和食用量，将饮食信息转化为膳食营养数据。
在可选的实施方式中，在基于预处理后的第一参数信息、饮食信息、第二参数信息和空腹血糖值，利用训练好的血糖预测模型对餐后血糖值进行预测的步骤之前，还包括：基于决策树算法构建血糖预测模型；对血糖预测模型进行训练；评估训练后的血糖预测模型。
在可选的实施方式中，对血糖预测模型进行训练的步骤，包括：获取训练数据集，训练数据集包括第一参数信息、膳食营养数据、第二参数信息、空腹血糖值和餐后血糖值；基于训练数据集对血糖预测模型进行训练。
在可选的实施方式中，评估训练后的血糖预测模型的步骤，包括：获取实际检测的第一餐后血糖值；基于训练后的血糖预测模型，获取第二餐后血糖值；对比第一餐后血糖值与第二餐后血糖值的均方误差，当均方误差小于第一阈值时，则血糖预测模型构建成功。
第二方面，实施例提供一种基于多维数据预测餐后血糖的装置，包括：获取模块，用于获取人体的第一参数信息和饮食信息，第一参数信息包括多项生理参数，饮食信息包括每餐食材和食用量；记录模块，用于记录第二参数信息和血糖值，第二参数信息包括运动情况和睡眠时间，血糖值包括空腹血糖值；预测模块，用于基于预处理后的第一参数信息、饮食信息、第二参数信息和空腹血糖值，利用训练好的血糖预测模型对餐后血糖值进行预测。
在可选的实施方式中，还包括：构建模块，用于基于决策树算法构建血糖预测模型；训练模块，用于对血糖预测模型进行训练；评估模块，用于评估训练后的血糖预测模型。
第三方面，实施例提供一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述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前述实施方式任一项所述的方法的步骤。
第四方面，实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行所述前述实施方式任一项所述的方法。
本发明提供了一种基于多维数据预测餐后血糖的方法和装置，该方法通过：获取人体的第一参数信息和饮食信息，第一参数信息包括多项生理参数，饮食信息包括每餐食材和食用量；记录第二参数信息和血糖值，第二参数信息包括运动情况和睡眠时间，血糖值包括空腹血糖值；基于预处理后的第一参数信息、饮食信息、第二参数信息和空腹血糖值，利用训练好的血糖预测模型对餐后血糖值进行预测，有针对性地对餐后血糖值进行预测，提高了预测结果的准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于多维数据预测餐后血糖的方法流程示意图；
图2为本发明实施例提供的一种基于多维数据预测餐后血糖预测模型构建的流程示意图；
图3为本发明实施例提供的一种基于多维数据预测餐后血糖的装置结构示意图；
图4为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
控制正常范围的餐后血糖对预防及改善控制糖尿病及并发症、肥胖症、心脑血管疾病、恶性肿瘤、癌症、低血糖及并发症，以及代谢综合征，包括高血压、高甘油三酯血症等等一系列疾病至关重要。然而，相同食物对不同人的餐后血糖的影响往往因个体不同而存在差异，这种差异与人体的人体指标信息、运动、睡眠等多维数据相关联。目前已有的预测餐后血糖的营养学方法收效有限，作为指导膳食营养控制血糖的指标GI值，通常建立在相同食物对不同个体的血糖效应是一样的假设上，因此现有技术中餐后血糖预测的结果不具有个体的针对性，导致餐后血糖预测的准确度低。
基于此，本发明实施例提供的一种基于多维数据预测餐后血糖的方法和装置，能够缓解现有技术中存在的血糖预测的准确度低的技术问题。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种基于多维数据预测餐后血糖的方法进行详细介绍，参见图1所示的一种基于多维数据预测餐后血糖的方法的流程示意图，该方法可以由电子设备执行，主要包括以下步骤S110至步骤S130：
S110，获取人体的第一参数信息和饮食信息，第一参数信息包括多项生理参数，饮食信息包括每餐食材和食用量；
其中，第一参数信息包括的多项生理参数可以是血液参数、肝肾功能参数、肠道菌群检测参数、基因信息、年龄信息和身体质量指数BMI等，但不限于上述生理参数。对于不易变化的参数可以按照较长时间为周期获取，例如：基因信息、年龄信息可以按照一年为周期获取；对于可能随时间变化且不便于随时获取的参数可以按照适中时间为周期获取，例如：血液参数、肝肾功能参数、肠道菌群检测参数等信息可以按照几个月为周期获取；对于较易发生变化且便于获取的参数可以按照星期或者天为周期获取，例如身体质量指数BMI等。
饮食信息包括每餐食材和食用量，即每顿餐食所包含的食材类型及每种食材所对应的食用量，例如，用户甲早饭进食一个馒头，则其早餐的饮食信息的食材为面粉，食用量为100g。
S120，记录第二参数信息和血糖值，第二参数信息包括运动情况和睡眠时间，血糖值包括空腹血糖值；
其中，运动情况和睡眠时间可以按照天为周期获取，记录每天的运动情况和睡眠时间。空腹血糖可以是指隔夜空腹(至少8～10小时未进任何食物，饮水除外)后，早餐前进行测量的血糖值，一般可以采用指尖血糖便于测量。
S130，基于预处理后的第一参数信息、饮食信息、第二参数信息和空腹血糖值，利用训练好的血糖预测模型对餐后血糖值进行预测。
其中，预处理可以是在一些实施例中，步骤S120之后，还包括以下步骤(A)：
步骤(A)：对第一参数、饮食信息和第二参数进行预处理，预处理包括剔除异常值参数以及将数据标准化处理。
具体的，预处理包括利用数据分析的箱形图及专业常识筛掉各参数的异常值、缺失值填充、数据标准化处理等。其中，在预处理时可以删除餐后两小时间有过再次进食或剧烈运动热量消耗的数据，避免得到不准确的餐后血糖训练数据，影响模型的准确性。
在一些实施例中，步骤S120之后，还包括以下步骤(B)：
步骤(B)：基于每餐食材和食用量，将饮食信息转化为膳食营养数据。
具体的，将每餐饮食记录转化为能量及各营养素含量的膳食营养数据，例如，用户甲早饭进食一个馒头，则其早餐的饮食信息的食材为面粉，食用量为100g，将其转化为膳食营养数据为：碳水化合物约46g，蛋白质约7g，膳食纤维约1.3g，脂肪约1g。
本实施例提供的一种基于多维数据预测餐后血糖的方法，通过首先获取人体的第一参数信息和饮食信息，第一参数信息包括多项生理参数，饮食信息包括每餐食材和食用量，然后记录第二参数信息和血糖值，第二参数信息包括运动情况和睡眠时间，血糖值包括空腹血糖值，再基于预处理后的第一参数信息、饮食信息、第二参数信息和空腹血糖值，利用训练好的血糖预测模型对餐后血糖值进行预测，有针对性地对餐后血糖值进行预测，提高了预测结果的准确性。
在一些实施例中，步骤S130之前，还包括图2所示的以下步骤S210至步骤S230：
S210，基于决策树算法构建血糖预测模型；
其中，决策树算法可以采用梯度提升迭代决策树(GradientBoostingDecisionTree，GBDT)算法。
S220，对血糖预测模型进行训练；
在一些实施例中，上述步骤S220包括：
步骤(a)：获取训练数据集，训练数据集包括第一参数信息、膳食营养数据、第二参数信息、空腹血糖值和餐后血糖值；
其中，餐后血糖值可以是餐后两小时血糖打卡数值。
进一步的，对训练集数据进行预处理，删除餐后两小时间有过再次进食或剧烈运动热量消耗的数据，避免得到不准确的餐后血糖训练数据，影响模型的准确性。
具体的，输入项可以包括：第一参数信息、膳食营养数据、第二参数信息和空腹血糖值，输出项可以包括餐后血糖值，基于输入项和输出项构造交叉验证数据集，作为训练数据导入模型训练。
步骤(b)：基于训练数据集对血糖预测模型进行训练。
S230，评估训练后的血糖预测模型。
在一些实施例中，上述步骤S230包括：
步骤(c)：获取实际检测的第一餐后血糖值；
步骤(d)：基于训练后的血糖预测模型，获取第二餐后血糖值；
步骤(e)：对比第一餐后血糖值与第二餐后血糖值的均方误差，当均方误差小于第一阈值时，则血糖预测模型构建成功。
其中，均方误差的计算公式为：
基于上述公式(1-1)计算均方误差，当结果小于预先设定的第一阈值时，则模型通过评估，即血糖预测模型构建成功。
本实施例提供的基于多维数据预测餐后血糖的方法，包括多项人体指标、饮食记录、餐后血反应、睡眠时间等，通过机器学习能够准确的预测饮食的个性化餐后血糖反应，能够针对不同个体有效的个性化预测餐后血糖，提高血糖预测的准确度。
本发明实施例提供了一种基于多维数据预测餐后血糖的装置，该装置包括图3所示的以下结构：
获取模块310，用于获取人体的第一参数信息和饮食信息，第一参数信息包括多项生理参数，饮食信息包括每餐食材和食用量；
记录模块320，用于记录第二参数信息和血糖值，第二参数信息包括运动情况和睡眠时间，血糖值包括空腹血糖值；
预测模块330，用于基于预处理后的第一参数信息、饮食信息、第二参数信息和空腹血糖值，利用训练好的血糖预测模型对餐后血糖值进行预测。
在一些实施例中，该装置还包括：预处理模块，用于对第一参数、饮食信息和第二参数进行预处理，预处理包括剔除异常值参数以及将数据标准化处理。
在一些实施例中，该装置还包括：信息转化模块，用于基于每餐食材和食用量，将饮食信息转化为膳食营养数据。
在一些实施例中，该装置还包括：构建模块、训练模块和评估模块。
其中，构建模块用于基于决策树算法构建血糖预测模型；训练模块用于对血糖预测模型进行训练；评估模块用于评估训练后的血糖预测模型。
在一些实施例中，训练模块包括：数据获取单元和模型训练单元。
其中数据获取单元用于获取训练数据集，训练数据集包括第一参数信息、膳食营养数据、第二参数信息、空腹血糖值和餐后血糖值；模型训练单元用于基于训练数据集对血糖预测模型进行训练。
在一些实施例中，评估模块包括：获取单元和评估单元。
其中，获取单元用于获取实际检测的第一餐后血糖值；基于训练后的血糖预测模型，获取第二餐后血糖值；评估单元用于对比第一餐后血糖值与第二餐后血糖值的均方误差，当均方误差小于第一阈值时，则血糖预测模型构建成功。
本申请实施例所提供的基于多维数据预测餐后血糖装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。本申请实施例提供的基于多维数据预测餐后血糖装置与上述实施例提供的基于多维数据预测餐后血糖方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
如图4所示，本申请实施例还提供了一种电子设备400，包括：处理器40、存储器41和总线42，所述存储器41存储有所述处理器40可执行的机器可读指令，当电子设备运行时，所述处理器40与所述存储器41之间通过总线42通信，所述处理器40执行所述机器可读指令，以执行如上述基于多维数据预测餐后血糖的方法的步骤。
具体地，上述存储器41和处理器40能够为通用的存储器和处理器，这里不做具体限定，当处理器40运行存储器41存储的计算机程序时，能够执行上述基于多维数据预测餐后血糖的方法。
对应于上述基于多维数据预测餐后血糖的方法，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行上述基于多维数据预测餐后血糖的方法的步骤。
本申请实施例所提供的基于多维数据预测餐后血糖的装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本申请各个实施例所述移动控制方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于多维数据预测餐后血糖的方法，其特征在于，包括：
获取人体的第一参数信息和饮食信息，所述第一参数信息包括多项生理参数，所述饮食信息包括每餐食材和食用量；
记录第二参数信息和血糖值，所述第二参数信息包括运动情况和睡眠时间，所述血糖值包括空腹血糖值；
基于预处理后的所述第一参数信息、所述饮食信息、所述第二参数信息和所述空腹血糖值，利用训练好的血糖预测模型对餐后血糖值进行预测。
2.根据权利要求1所述的方法，其特征在于，在所述记录第二参数信息和血糖值的步骤之后，还包括：
对所述第一参数、所述饮食信息和所述第二参数进行预处理，所述预处理包括剔除异常值参数以及将数据标准化处理。
3.根据权利要求1所述的方法，其特征在于，在所述记录第二参数信息和血糖值的步骤之后，还包括：
基于所述每餐食材和食用量，将所述饮食信息转化为膳食营养数据。
4.根据权利要求3所述的方法，其特征在于，在基于预处理后的所述第一参数信息、所述饮食信息、所述第二参数信息和所述空腹血糖值，利用训练好的血糖预测模型对餐后血糖值进行预测的步骤之前，还包括：
基于决策树算法构建血糖预测模型；
对所述血糖预测模型进行训练；
评估训练后的所述血糖预测模型。
5.根据权利要求4所述的方法，其特征在于，对所述血糖预测模型进行训练的步骤，包括：
获取训练数据集，所述训练数据集包括第一参数信息、膳食营养数据、第二参数信息、空腹血糖值和餐后血糖值；
基于所述训练数据集对所述血糖预测模型进行训练。
6.根据权利要求5所述的方法，其特征在于，评估训练后的所述血糖预测模型的步骤，包括：
获取实际检测的第一餐后血糖值；
基于训练后的所述血糖预测模型，获取第二餐后血糖值；
对比所述第一餐后血糖值与所述第二餐后血糖值的均方误差，当所述均方误差小于第一阈值时，则所述血糖预测模型构建成功。
7.一种基于多维数据预测餐后血糖的装置，其特征在于，包括：
获取模块，用于获取人体的第一参数信息和饮食信息，所述第一参数信息包括多项生理参数，所述饮食信息包括每餐食材和食用量；
记录模块，用于记录第二参数信息和血糖值，所述第二参数信息包括运动情况和睡眠时间，所述血糖值包括空腹血糖值；
预测模块，用于基于预处理后的所述第一参数信息、所述饮食信息、所述第二参数信息和所述空腹血糖值，利用训练好的血糖预测模型对餐后血糖值进行预测。
8.根据权利要求7所述的装置，其特征在于，还包括：
构建模块，用于基于决策树算法构建血糖预测模型；
训练模块，用于对所述血糖预测模型进行训练；
评估模块，用于评估训练后的所述血糖预测模型。
9.一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述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上述权利要求1至6任一项所述的方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行所述权利要求1至6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010154922.3A CN111383758A (zh) | 2020-03-06 | 2020-03-06 | 基于多维数据预测餐后血糖的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010154922.3A CN111383758A (zh) | 2020-03-06 | 2020-03-06 | 基于多维数据预测餐后血糖的方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111383758A true CN111383758A (zh) | 2020-07-07 |
Family
ID=71217227
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010154922.3A Pending CN111383758A (zh) | 2020-03-06 | 2020-03-06 | 基于多维数据预测餐后血糖的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111383758A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111599477A (zh) * | 2020-07-10 | 2020-08-28 | 吾征智能技术(北京)有限公司 | 一种基于饮食习惯预测糖尿病的模型构建方法和系统 |
| CN114159052A (zh) * | 2020-09-11 | 2022-03-11 | 王志轩 | 具个人化饮食代谢监测、分析、预测及管理系统的血糖机 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008017981A2 (en) * | 2006-08-08 | 2008-02-14 | Koninklijke Philips Electronics N.V. | Method and device for monitoring a physiological parameter |
| CN105653865A (zh) * | 2015-12-31 | 2016-06-08 | 中国科学院深圳先进技术研究院 | 血糖监测方法、装置及系统 |
| CN109872821A (zh) * | 2019-04-24 | 2019-06-11 | 北京信息科技大学 | 一种构建血糖预测模型的方法及装置 |
| CN110085318A (zh) * | 2019-03-12 | 2019-08-02 | 平安科技（深圳）有限公司 | 预测未来血糖值的方法、装置及计算机设备 |
| CN110379488A (zh) * | 2019-07-12 | 2019-10-25 | 深圳市预防宝科技有限公司 | 一种对餐后高血糖进行预警的装置及方法 |
-
2020
- 2020-03-06 CN CN202010154922.3A patent/CN111383758A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008017981A2 (en) * | 2006-08-08 | 2008-02-14 | Koninklijke Philips Electronics N.V. | Method and device for monitoring a physiological parameter |
| CN105653865A (zh) * | 2015-12-31 | 2016-06-08 | 中国科学院深圳先进技术研究院 | 血糖监测方法、装置及系统 |
| CN110085318A (zh) * | 2019-03-12 | 2019-08-02 | 平安科技（深圳）有限公司 | 预测未来血糖值的方法、装置及计算机设备 |
| CN109872821A (zh) * | 2019-04-24 | 2019-06-11 | 北京信息科技大学 | 一种构建血糖预测模型的方法及装置 |
| CN110379488A (zh) * | 2019-07-12 | 2019-10-25 | 深圳市预防宝科技有限公司 | 一种对餐后高血糖进行预警的装置及方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111599477A (zh) * | 2020-07-10 | 2020-08-28 | 吾征智能技术(北京)有限公司 | 一种基于饮食习惯预测糖尿病的模型构建方法和系统 |
| CN114159052A (zh) * | 2020-09-11 | 2022-03-11 | 王志轩 | 具个人化饮食代谢监测、分析、预测及管理系统的血糖机 |
| CN114159052B (zh) * | 2020-09-11 | 2023-10-31 | 王志轩 | 具个人化饮食代谢监测、分析、预测及管理系统的血糖机 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11183080B2 (en) | Generating predicted values of biomarkers for scoring food | |
| US11183291B2 (en) | Generating personalized nutritional recommendations using predicted values of biomarkers | |
| Schulz et al. | Advances in dietary pattern analysis in nutritional epidemiology | |
| Royston et al. | Multivariable model-building: a pragmatic approach to regression anaylsis based on fractional polynomials for modelling continuous variables | |
| Van Klinken et al. | Estimation of activity related energy expenditure and resting metabolic rate in freely moving mice from indirect calorimetry data | |
| Alajajian et al. | The Lexicocalorimeter: Gauging public health through caloric input and output on social media | |
| Van Hook et al. | Healthy eating among Mexican immigrants: migration in childhood and time in the United States | |
| CN112951430A (zh) | 多种慢性疾病联合管理设备和计算机可读存储介质 | |
| CN111383758A (zh) | 基于多维数据预测餐后血糖的方法和装置 | |
| US20230207136A1 (en) | Methods and systems for generating a vibrant compatbility plan using artificial intelligence | |
| Gormley et al. | Combining biomarker and self-reported dietary intake data: A review of the state of the art and an exposition of concepts | |
| CN115662617B (zh) | 基于cgm的结果病情预测系统及其预测方法 | |
| Amar et al. | Clinically accurate prediction of glucose levels in patients with type 1 diabetes | |
| Schwedhelm et al. | Meal and habitual dietary networks identified through semiparametric Gaussian copula graphical models in a German adult population | |
| CN111508582A (zh) | 餐后血糖的控制方法、装置和电子设备 | |
| Erdős et al. | Personalized computational model quantifies heterogeneity in postprandial responses to oral glucose challenge | |
| CN113936774A (zh) | 一种饮食推荐方法、装置、系统、存储介质及电子设备 | |
| Majithia et al. | Rate of change of premeal glucose measured by continuous glucose monitoring predicts postmeal glycemic excursions in patients with type 1 diabetes: Implications for therapy | |
| KR101807853B1 (ko) | 당뇨병 증상을 가진 사용자에 운동량을 고려한 개인화된 음식 추천 방법 | |
| Szigeti et al. | The Use of Extreme Value Statistics to Characterize Blood Glucose Curves and Patient Level Risk Assessment of Patients With Type I Diabetes | |
| US20210265029A1 (en) | Generating microbiome fingerprints, dietary fingerprints, and microbiome ancestry | |
| US20230162859A1 (en) | Improved method for determining blood glucose responses | |
| WO2023111668A1 (zh) | 一种饮食推荐方法、装置、系统、存储介质及电子设备 | |
| US20220354392A1 (en) | Personalized glucose ranges for making healthy choices | |
| US20220367050A1 (en) | Predicting gut microbiome diversity |
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 |