CN111883232A - 饮食信息输出方法及系统 - Google Patents
饮食信息输出方法及系统 Download PDFInfo
- Publication number
- CN111883232A CN111883232A CN202010752875.2A CN202010752875A CN111883232A CN 111883232 A CN111883232 A CN 111883232A CN 202010752875 A CN202010752875 A CN 202010752875A CN 111883232 A CN111883232 A CN 111883232A
- Authority
- CN
- China
- Prior art keywords
- diet
- user
- information
- time
- food
- 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
- 235000005911 diet Nutrition 0.000 title claims abstract description 284
- 230000037213 diet Effects 0.000 title claims abstract description 259
- 238000000034 method Methods 0.000 title claims abstract description 48
- 235000013305 food Nutrition 0.000 claims abstract description 95
- 201000010099 disease Diseases 0.000 claims abstract description 12
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 12
- 235000005686 eating Nutrition 0.000 claims description 21
- 230000002354 daily effect Effects 0.000 claims description 17
- 235000012054 meals Nutrition 0.000 claims description 12
- 235000019577 caloric intake Nutrition 0.000 claims description 8
- 239000008280 blood Substances 0.000 claims description 6
- 210000004369 blood Anatomy 0.000 claims description 6
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 230000036542 oxidative stress Effects 0.000 claims description 4
- 102000004127 Cytokines Human genes 0.000 claims description 3
- 108090000695 Cytokines Proteins 0.000 claims description 3
- 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 claims description 3
- 102000004877 Insulin Human genes 0.000 claims description 3
- 108090001061 Insulin Proteins 0.000 claims description 3
- 230000036772 blood pressure Effects 0.000 claims description 3
- 230000037182 bone density Effects 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 239000008103 glucose Substances 0.000 claims description 3
- 230000002757 inflammatory effect Effects 0.000 claims description 3
- 229940125396 insulin Drugs 0.000 claims description 3
- 150000002632 lipids Chemical class 0.000 claims description 3
- 210000003205 muscle Anatomy 0.000 claims description 3
- 230000003442 weekly effect Effects 0.000 claims description 3
- 230000000378 dietary effect Effects 0.000 description 25
- 238000013135 deep learning Methods 0.000 description 16
- 238000013179 statistical model Methods 0.000 description 10
- 230000036541 health Effects 0.000 description 8
- 230000009471 action Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000033764 rhythmic process Effects 0.000 description 6
- 208000008589 Obesity Diseases 0.000 description 5
- 206010012601 diabetes mellitus Diseases 0.000 description 5
- 235000019197 fats Nutrition 0.000 description 5
- 235000020824 obesity Nutrition 0.000 description 5
- 206010020772 Hypertension Diseases 0.000 description 4
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 4
- 235000020979 dietary recommendations Nutrition 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 235000006694 eating habits Nutrition 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 235000004280 healthy diet Nutrition 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004622 sleep time Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 241000251468 Actinopterygii Species 0.000 description 2
- 241000272525 Anas platyrhynchos Species 0.000 description 2
- 241000272814 Anser sp. Species 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 241000238557 Decapoda Species 0.000 description 2
- 241000287828 Gallus gallus Species 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 235000015278 beef Nutrition 0.000 description 2
- 235000021152 breakfast Nutrition 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 235000012000 cholesterol Nutrition 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 235000009508 confectionery Nutrition 0.000 description 2
- 235000019680 high-energy food Nutrition 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 235000013372 meat Nutrition 0.000 description 2
- 235000015277 pork Nutrition 0.000 description 2
- 244000144977 poultry Species 0.000 description 2
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 2
- 235000019737 Animal fat Nutrition 0.000 description 1
- 206010022489 Insulin Resistance Diseases 0.000 description 1
- 206010033307 Overweight Diseases 0.000 description 1
- 229920002472 Starch Polymers 0.000 description 1
- 241001122767 Theaceae Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 208000037976 chronic inflammation Diseases 0.000 description 1
- 230000006020 chronic inflammation Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000008242 dietary patterns Nutrition 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000020595 eating behavior Effects 0.000 description 1
- 230000002888 effect on disease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000001631 hypertensive effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 235000019698 starch Nutrition 0.000 description 1
- 239000008107 starch Substances 0.000 description 1
- 230000035488 systolic blood pressure Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Nutrition Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请涉及计算机领域,公开了一种饮食信息输出方法及系统,该方法包含:获取用户的饮食记录、生理参数,以及睡眠信息;先根据用户饮食记录确定用户相应的饮食推荐模型,再根据用户的饮食记录、生理参数、以及睡眠信息,利用用户相应的饮食推荐模型,确定用户在接下来的预定时间段内的饮食信息,饮食信息至少包含饮食时间以及食物信息;输出用户在接下来的预定时间段内的饮食信息。本申请能够高效地根据饮食图像或影像等信息,结合用户饮食习惯、睡眠及自身疾病等情况,更加准确地提供接下来的饮食信息,既符合用户个性化饮食习惯,又遵从科学饮食的自然规律,而且使用更方便高效。
Description
技术领域
本申请涉及计算机领域,特别涉及健康饮食信息处理与管理的技术领域。
背景技术
目前,人们越来越重视健康,其中,如何通过对饮食的合理控制达到改善健康状况的目的,已引起广泛关注,因此,有关节律与饮食、节律与健康等的研究成为热点。
虽然在已有的一些饮食控制方案中,通过对饮食的时间和饮食量进行规范来对人们的饮食进行指导,但实际效果仍然不够理想,不少用户发现并不适用于其个体,例如,用户发现具体的时间难以匹配自己的生物钟,又例如,用户发现具体的食物难以匹配自己的饮食习惯,等等。
与此同时,如何更加方便高效地提供已摄取的食物信息,例如:食物种类、食物的能量,等等,也是饮食控制领域中的一个研究热点。
发明内容
本申请的目的在于提供一种饮食信息输出方法及系统,能够高效地根据饮食图像或影像等信息,结合用户饮食习惯、睡眠及自身疾病等情况,更加准确地提供接下来的饮食信息,既符合用户个性化饮食习惯,又遵从科学饮食的自然规律,而且使用更方便高效。
本申请公开了一种饮食信息输出方法,包含:
(a)获取用户的饮食记录、生理参数,以及睡眠信息,所述饮食记录至少包含:用户摄入的食物图像或影像、相应的饮食时间,所述睡眠信息至少包含:用户入睡时间、起床时间;
(b)先根据所述用户饮食记录确定所述用户相应的饮食推荐模型,再根据所述用户的饮食记录、生理参数、以及睡眠信息,利用所述用户相应的饮食推荐模型,确定所述用户在接下来的预定时间段内的饮食信息,所述饮食信息至少包含饮食时间以及食物信息;和
(c)输出所述用户在接下来的预定时间段内的饮食信息。
在一个优选例中,所述生理参数选自下组:
(p1)基本生理参数:体重、身高;BMI值;或其组合
(p2)辅助生理参数:血压、血糖值、脂肪率、肌肉率、骨密度、胰岛素水平、血脂、炎症细胞因子、氧化应激、年龄、性别、或其组合;
(p3)上述(p1)中的参数和(p2)中的参数的任意组合。
在另一优选例中,在步骤(a)中,还包括获取用户的辅助参数,所述的辅助参数选自下组:民族参数、种族参数、偏好性参数、地域参数(包括居住地,例如儿时居住地、当前居住地等)、家族病史参数。
在另一优选例中,所述的偏好性参数选自下组:素食偏好性、肉类偏好性(包括牛肉偏好性、羊肉偏好性、猪肉偏好性)、禽类偏好性(包括鸡肉偏好性、鸭肉偏好性、鹅肉偏好性、火鸡偏好性等)、水产偏好性(包括鱼偏好性、虾偏好性、蟹偏好性等)、辣味偏好性、冷热偏好性、甜味偏好性。
在另一优选例中,所述的家族病史参数选自下组:家族成员的遗传病史参数、家族成员的寿命、家族成员的肥胖系数(如BMI)。
在另一优选例中,所述的家族成员选自下组:有血缘关系的直系或旁系成员、无血缘关系的直系或旁系成员。
在另一优选例中,无血缘关系的直系或旁系成员是与所述用户生活在一起的成员。
在另一优选例中,所述的家族成员选自下组:祖父母、外祖父母、父母亲、子女、兄弟姐妹。
在另一优选例中,所述的遗传病史参数包括选自下组的疾病的参数:心血管疾病、肿瘤、糖尿病、或其组合。
在一个优选例中,所述获取用户的饮食记录、生理参数,以及睡眠信息的步骤中,还包含:获取所述用户的疾病信息;并且
所述根据所述用户饮食记录确定所述用户相应的饮食推荐模型的步骤中,根据所述用户饮食记录、所述用户的疾病信息确定所述用户相应的饮食推荐模型。
在一个优选例中,所述根据所述用户的饮食记录、生理参数、以及睡眠信息,利用所述用户相应的饮食推荐模型,确定所述用户在接下来的预定时间段内的饮食信息的步骤中,对所述用户上传的图像或影像进行重复性判断,如果上传的图像或影像与预定时间内上传的图像或影像不相同,则判断所述图像或影像是否为食物,如果判定所述图像或影像为食物,则判断所述食物能量的高低。
在一个优选例中,所述饮食推荐模型是以下的一种:
每天12小时禁食模型;
每天16小时禁食模型;
每天18小时禁食模型;
每周一次或两次24小时禁食模型;
一周中两天减少卡路里摄入模型,其中摄入的卡路里量在400-700大卡之间;
每隔一天减少卡路里摄入或完全禁食模型,其中在减少摄入卡路里天数中摄入的卡路里量在400-700大卡之间;
每天只在晚上吃1000-1800大卡能量的食物模型;
自行决定不吃一天中的某一顿饭模型。
在一个优选例中,所述预定时间段指所述用户上传所述饮食记录后的24小时,或1周,或3个月。
在一个优选例中,所述输出所述用户在接下来的预定时间段内的饮食信息的步骤中,通过图表的方式,将所述用户在接下来的预定时间段内的饮食信息输出给所述用户,其中,所述图表包含用于表示时间信息的横坐标和用于表示饮食推荐程度的纵坐标。
在一个优选例中,所述输出所述用户在接下来的预定时间段内的饮食信息的步骤中,每个所述饮食推荐时间段相应的食物推荐程度信息由不同的颜色表示,并且,通过红色表示推荐程度最高的饮食推荐时间段,通过黑色表示推荐程度最低的饮食推荐时间段。
本申请还公开了一种饮食信息输出系统包含:
获取模块,用于获取用户的饮食记录、生理参数,以及睡眠信息,所述饮食记录至少包含:用户摄入的食物图像或影像、相应的饮食时间,所述睡眠信息至少包含:用户入睡时间、起床时间;
选择与推荐模块,用于先根据所述用户饮食记录确定所述用户相应的饮食推荐模型,再根据所述用户的饮食记录、生理参数、以及睡眠信息,利用所述用户相应的饮食推荐模型,确定所述用户在接下来的预定时间段内的饮食信息,所述饮食信息至少包含饮食时间以及食物信息;
输出模块,用于输出所述用户在接下来的预定时间段内的饮食信息。
本申请还公开了一种饮食信息输出系统包括:
存储器,用于存储计算机可执行指令;以及,
处理器,用于在执行所述计算机可执行指令时实现如前文描述的方法中的步骤。
本申请还公开了一种计算机可读存储介质所述计算机可读存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器执行时实现如前文描述的方法中的步骤。
本申请实施方式中,根据时间限制性节律生物学原理,结合用户个性化的饮食、生理参数以及睡眠情况以及相应的饮食推荐模型,向用户提供饮食信息,以对用户的饮食时间、食物信息进行饮食信息输出。
其中,可利用深度学习算法或其它统计模型,根据上传的图像或影像,进行重复上传判断、食物与非食物判断、食物能量高低判断以及食物种类判断;还可利用深度学习算法或其它统计模型,根据用户个性化饮食记录,选择相应的饮食推荐模型;还可利用深度学习算法或其它统计模型,根据用户个性化饮食记录、生理参数、以及睡眠时间,利用相应的饮食推荐模型,确定用户在接下来的预定时间段内的饮食信息,所述饮食信息包含饮食时间以及食物信息。其中,上述其它统计模型可以是,例如:支持向量机,贝叶斯模型,等等。
本申请考虑到不同用户的个性化情况,结合时间限制性节律生物学原理,根据用户本身的个性化饮食习惯、个体胖瘦特征,以及睡眠习惯,通过深度学习算法或其它统计模型实现个性化的健康饮食时间和饮食信息输出,提高了饮食信息推荐的个性化以及科学性,降低了用户改善饮食时间的难度。研究表明时间限制性饮食可以显著较少体重,降低收缩压,同时降低胰岛素耐受性与氧化应激,对于Ⅱ型糖尿病、慢性炎症、肥胖症与高血压等疾病有预防作用,并且可以显著延长寿命。本申请基于时间限制性饮食的原则对用户进行个性化推荐,从而达到改善用户健康状况的目的。
本申请的说明书中记载了大量的技术特征,分布在各个技术方案中,如果要罗列出本申请所有可能的技术特征的组合(即技术方案)的话,会使得说明书过于冗长。为了避免这个问题,本申请上述发明内容中公开的各个技术特征、在下文各个实施方式和例子中公开的各技术特征、以及附图中公开的各个技术特征,都可以自由地互相组合,从而构成各种新的技术方案(这些技术方案均因视为在本说明书中已经记载),除非这种技术特征的组合在技术上是不可行的。例如,在一个例子中公开了特征A+B+C,在另一个例子中公开了特征A+B+D+E,而特征C和D是起到相同作用的等同技术手段,技术上只要择一使用即可,不可能同时采用,特征E技术上可以与特征C相组合,则,A+B+C+D的方案因技术不可行而应当不被视为已经记载,而A+B+C+E的方案应当视为已经被记载。
附图说明
图1是根据本申请第一实施方式的饮食信息输出方法的流程示意图;
图2是根据本申请第一实施方式的饮食信息输出方法的具体流程示意图;
图3是根据本申请第三实施方式的饮食信息输出系统的结构示意图。
具体实施方式
在以下的叙述中,为了使读者更好地理解本申请而提出了许多技术细节。但是,本领域的普通技术人员可以理解,即使没有这些技术细节和基于以下各实施方式的种种变化和修改,也可以实现本申请所要求保护的技术方案。
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请的实施方式作进一步地详细描述。
需指出,本申请的饮食信息输出方法及系统,不用于疾病的诊断与疾病的治疗。
本申请的第一实施方式涉及一种饮食信息输出方法,其流程如图1-2所示,该方法包括以下步骤:
步骤110:获取用户的饮食记录、生理参数,以及睡眠信息,所述饮食记录至少包含:用户摄入的食物图像或影像、相应的饮食时间,所述睡眠信息至少包含:用户入睡时间、起床时间。
优选的,生理参数可以是,例如:BMI(Body Mass Index,身体质量指数)。
其中,可通过获取用户的身高及体重,确定所述用户的BMI,也可由用户直接输入其BMI。BMI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,计算公式为BMI=体重(千克)除以身高(米)的平方。
优选的,在本步骤中,还可进一步获取用户的其他信息,例如:1)用户疾病信息,例如,糖尿病、高血压、肥胖等;2)用户的位置信息;3)用户的性别,等等。
优选的,上述信息可由用户输入终端设备,诸如手机,并保存在该终端设备的数据库中,同时保存在服务器端数据库中。
进一步的,可在服务器端部署深度学习模块,用于例如:1)使用结构相似性比较的方法对于用户上传图像或影像进行重复性判断;2)识别用户上传的图像或影像是否是食物;3)识别用户上传的食物图像或影像的卡路里含量高低4)识别用户上传的图像或影像食物种类。
举例来说,深度学习模型可通过以下处理进行上传图片或影像的重复性判断、是否为食物的判断,以及食物能量高低,食物种类的判断:
首先,在用户上传图像或影像后,诸如手机客户端之类的终端设备将用户选择的图像或影像上传至服务器,服务器端利用深度学习的图像影像比较模块使用结构相似性比较的方法对所述用户上传的图像或影像进行重复性判断,其中,如果上传的图像或影像与预定时间内,例如15分钟内,上传的图像或影像不相同,则将该图像或影像发送给使用基于残差神经网络的ResNet-152和SVM相结合的图像或影像类型识别模块,以判断该图像或影像是否为食物,其中,水,淡茶,药物不属于食物。进一步的,如果判定所述图像或影像为食物,则再将所述图像或影像发送给使用基于残差神经网络的ResNet的食物种类与能量识别模块,用于判断该食物能量的高低。然后,将食物能量高低的判断结果以及相应的饮食时间返回给服务器端数据库和用户的终端设备。
优选的,每100克食物中卡路里含量在300kcal以上的,为高能量食物,每100克食物中卡路里含量在100-300kcal之间的,为中等能量食物,每100克食物中卡路里含量在100kcal以下的,为低能量食物。该数值范围可根据需要进行设置或调整,在此不做赘述。
进一步的,举例来说,可通过以下方式实现用户饮食记录的上传:
首先,当用户在点击手机上的“上传”按钮时,手机端会将用户选择的图像或影像传输给服务器,同时会将当次上传时间以及位置信息存入手机端的数据库,手机端数据库查询存储的数据来绘制用户饮食规律和饮食时间推荐的图表。
此后,当饮食图像或影像上传到服务器端后,调用服务器的深度学习模块对于该图像或影像进行重复性判断,如当前图像或影像不与15分钟内上传的图像或影像相同,则将该图像或影像传递给图像或影像类型识别的深度学习单元,用于判断该图像或影像是否为食物,若判定该图像或影像为食物,则进一步将该图像或影像传递给食物种类识别模块,用于判断该食物的种类以及能量的高低。
然后,将食物的种类以及能量的高低的判断结果返回给服务器端数据库和手机端数据库,手机端数据库更新该次用户上传的食物类型。
需指出,在本说明书的其它实施例中,还可提供用户补充上传饮食记录的流程,具体的,用户在点击补传按钮时,手机端会将用户选择的图像或影像传输给服务器,同时会将当次上传时间和位置存入手机端的数据库,手机端数据库查询存储的数据来绘制用户饮食规律和饮食时间推荐的图表。此后的处理与上述流程类似,在此不做赘述。
步骤120:先根据所述用户饮食记录确定所述用户相应的饮食推荐模型,再根据所述用户的饮食记录、BMI、以及睡眠信息,利用所述用户相应的饮食推荐模型,确定所述用户在接下来的预定时间段内的饮食信息,所述饮食信息至少包含饮食时间以及食物信息。
优选的,本步骤可通过以下方式具体实现:
子步骤1201:根据所述用户饮食记录确定所述用户相应的饮食推荐模型。
饮食推荐模型,也可称为时间限制性饮食推荐模型,本说明书的实施例中,可根据用户的饮食习惯,选择相应的、贴近用户习惯的时间限制性饮食推荐模型,以进行个性化饮食时间段和食物推荐。
优选的,饮食推荐模型可通过例如服务器端和手机客户端的交互实现饮食时间、食物信息的推荐。
具体的,可在服务器端预先构建多种健康的时间限制性饮食推荐模型;同时在服务器端数据库保存所有用户的饮食记录,例如:饮食时间、饮食图像或影像类型信息。
进一步的,可在服务器端部署深度学习模块,用于例如:根据用户的饮食记录,确定该用户的饮食模式与各种时间限制性饮食推荐模型中的哪一种更加匹配。
举例来说,深度学习模块可根据八种时间限制性饮食推荐模型构建用户的个性化推荐模式,算法流程为:
首先,通过计算机大数据模拟出多种推荐的饮食推荐模型。
优选的,可模拟出以下8种饮食推荐模型:
1)每天12小时禁食模型;
2)每天16小时禁食模型;
3)每天18小时禁食模型;
4)每周一次或两次24小时禁食模型;
5)一周中两天减少卡路里摄入模型,其中摄入的卡路里量在400-700大卡之间;
6)每隔一天减少卡路里摄入或完全禁食模型,其中在减少摄入卡路里天数中摄入的卡路里量在400-700大卡之间;
7)每天只在晚上吃1000-1800大卡能量的食物模型;
8)自行决定不吃一天中的某一顿饭模型。
然后,根据用户输入的饮食记录,由服务器端对于用户以往饮食规律进行计算,并且通过深度学习、贝叶斯模型或支持向量机算法选择出适合该用户相应的饮食推荐模型。
优选的,在本说明书的其它实施例中,还可根据用户疾病信息,例如,糖尿病、高血压、肥胖等;用户的位置信息;和用户的性别,等等,对适合该用户相应的饮食推荐模型或食物进行更细化地选择。
举例来说,对于糖尿病用户,推荐饮食中避免推荐糖分含量高或淀粉、胆固醇,动物脂肪含量高的食物;对于高血压用户,推荐饮食中避免推荐胆固醇及脂肪含量高的食物,多推荐高纤维食物的食物,对于肥胖用户,推荐卡路里含量低的食物。
子步骤1202:根据所述用户的饮食记录、BMI、以及睡眠信息,利用所述用户相应的饮食推荐模型,确定所述用户在接下来的预定时间段内的饮食信息,所述饮食信息至少包含饮食时间以及食物信息。
优选的,预定时间段可指用户上传饮食记录后的24小时,或1周,或3个月,等等。进一步的,所述饮食记录还可包含:用户过去三个月在工作日和休息日中24小时的饮食频率。
进一步的,可在服务器端部署深度学习模块,用于进行以下处理:根据用户的BMI,从该用户以往上传的低卡路里含量食物和高卡路里含量食物中选择合适的食物推荐给用户。
举例来说,如果用户BMI指标属于正常范围,可从用户以往上传的全部食物中推荐食物信息,如果用户BMI指标属于超重或肥胖范围,则可从用户以往上传的食物中的低卡路里含量食物中推荐食物信息。
需指出,上述低卡路里食物即低能量食物,上述高卡路里食物即高能量食物。
下面例举基于两种饮食推荐模型的饮食信息推荐流程。
1.用户时间限制性饮食推荐模型(每天16小时禁食模型)
这种饮食推荐模型的算法如下:
首先,服务器端根据获取的记录,统计用户最习惯入睡时间、起床时间,以及最常进行饮食的时间段,确定用户适合时间限制性饮食推荐模型中的每天16小时禁食模型。
然后,将用户上传当天,即从当前所在天的凌晨3点开始计算,的第一次饮食时间开始计算,直到第一次饮食之后的8小时内,设置为最佳饮食时间,表示若用户在该时间段内完成当天的所有饮食活动是最有利于健康的。进一步的,从8小时饮食时间段的结束时间到之后的2小时结束为10小时饮食时间推荐时间段。进一步的,从10小时饮食时间段的结束时间到之后的2小时结束为12小时饮食时间推荐时间段。进一步的,在此之后的12小时为禁食时间。
其中,若用户当前上传的饮食时间与当天的第一顿饭之间超过了12小时则从该时刻起到之后的12小时都为禁食时间。
若从用户当天最后一次饮食起计算的禁食时间没有超过用户通常的每天第一次饮食时间,则禁食时间到用户通常的每天第一次饮食时间为止。
从禁食时间结束后的8、10、12小时接着作为用户的最佳饮食时间段,次佳饮食时间段以及允许最佳饮食时间段
然后,在不违反此进食原则的情况下加入符合用户习惯的早饭时间以及晚饭时间作为推荐时间段,并根据计算出的各个时间段绘制用户的饮食时间推荐图并推荐符合用户三个月饮食规律的食物。
2.用户时间限制性饮食推荐模型(一周中两天减少卡路里摄入模型)
这种饮食推荐模型的算法如下:
首先,服务器端根据获取的记录,统计用户最习惯入睡时间、起床时间,以及最常进行饮食的时间段,确定用户适合时间限制性饮食推荐模型中的一周中两天减少卡路里摄入模型。
然后,判断用户当天,即从当前所在天的凌晨3点开始计算,是否为通常的禁食或者少食时间。其中,若当天不为禁食/少食时间,则到第一次饮食之后的12小时内为最佳饮食时间,从当天的最后一次饮食之后的12小时为禁食时间。若用户当前上传的饮食时间与当天的第一顿饭之间超过了12小时则从该时刻起到之后的12小时都为禁食/少食时间。如用户的禁食/少食时间没有超过用户通常的每天第一次饮食时间,则禁食/少食时间到用户通常的每天第一次饮食时间为止。从禁食/少食时间结束后的12小时接着作为用户的推荐饮食时间,根据计算出的各个时间段绘制用户的饮食时间推荐图。其中,若当天为禁食/少食时间,统计用户通常选择在禁食/少食天中选择完全禁食还是进食低热量食物。其中,若用户通常选择完全禁食,则不进行饮食时间推荐,当天全部为禁食时间。其中,若用户选择进食低热量食物,则到第一次饮食之后的12小时内为最佳饮食时间,从当天的最后一次饮食之后的12小时为禁食时间。若用户当前上传的饮食时间与当天的第一顿饭之间超过了12小时则从该时刻起到之后的12小时都为禁食/少食时间。如从用户当天最后一次饮食起计算的禁食时间没有超过用户通常的每天第一次饮食时间,则禁食/少食时间到用户通常的每天第一次饮食时间为止。从禁食时间结束后的12小时接着作为用户的推荐饮食时间,根据计算出的各个时间段绘制用户的饮食时间推荐图,且只向用户推荐符合其饮食习惯的低热量食物。
然后,在不违反此进食原则的情况下加入符合用户习惯的早饭时间以及晚饭时间作为推荐时间段,并根据计算出的各个时间段绘制用户的饮食时间推荐图并推荐符合用户三个月饮食规律的食物。
需指出,在本说明书的其它实施例中,也可以在接下来的时间段内的不同子时间段中采用不同的饮食推荐模型,确定饮食信息。这样做的好处在于,能够根据用户个性化具体情况,更好地发挥不同饮食推荐模型的长处,提供更精细化的饮食推荐建议。
下面例举数据不丰富用户的时间限制性饮食推荐模型的饮食信息推荐流程。
3.数据不丰富用户的时间限制性饮食推荐模型
这种饮食推荐模型的算法如下:
上述数据不丰富用户,是指使用本申请的方法不超过一个月或超过一个月但是上传的饮食记录被判断为随机性使用的用户。
首先,默认数据不充分用户的活动时间为白天,睡眠时间为夜间。对于数据不丰富用户,用12小时时间限制性模型进行时间限制性饮食建议,但分为最佳饮食时间段,次佳饮食时间段,允许饮食时间段和禁止饮食时间段。也即一天的起止时间为凌晨3点到第二天的凌晨三点,并且设定夜间22点之后不能进行饮食行为,推荐的饮食时间段分为8小时、10小时、12小时三种,并且有12个小时的禁止饮食时间。8小时饮食时间段的含义是用户从当天的第一顿饭到用户当天的最后一顿饭的时间间隔不超过8小时。10小时、12小时饮食时间段的定义类似于8小时饮食时间段的定义。其中,从用户上传当天(即从当前所在天的凌晨3点开始计算)的第一次饮食时间开始计算,直到第一次饮食之后的8小时内为最佳饮食时间,表示若用户在该时间段内完成当天的所有饮食活动是最有利于健康的。其中,从8小时饮食时间段的结束时间到之后的2小时结束为10小时饮食时间推荐时间段。其中,从10小时饮食时间段的结束时间到之后的2小时结束为12小时饮食时间推荐时间段。若晚上22点处于上文提到的三个时间段的区间内,则从22点开始之后的12小时内都处于禁止饮食的时间段。若当前上传的饮食时间超过了晚上5点,并且没有超过晚上10点,则禁止饮食的12小时的起始时间从当前上传的饮食时间处开始计算。
然后,根据计算出的各个时间段绘制用户的饮食时间推荐图并推荐符合用户三个月饮食规律的食物。
步骤130:向所述用户输出所述用户在接下来的预定时间段内的饮食信息。
优选的,所述用户在接下来的预定时间段内的饮食信息可包含:所述用户在接下来24小时、或1周,或3个月内的饮食推荐时间段、每个所述饮食推荐时间段相应的食物推荐程度信息,以及用户24小时的饮食习惯统计,可分别按工作日和休息日进行展示。
优选地,通过图表的方式,将所述用户在接下来的预定时间段内的饮食信息输出给所述用户,其中,所述图表包含用于表示时间信息的横坐标,以及用于表示饮食推荐程度的纵坐标;其中,每个所述饮食推荐时间段相应的食物推荐程度信息可由不同的颜色表示;进一步的,可通过红色表示推荐程度最高的饮食推荐时间段,通过黑色表示推荐程度最低的饮食推荐时间段。
优选的,可通过电子设备的交互界面向所述用户输出该用户在接下来的预定时间段内的饮食信息,并且,当所述用户点击所述交互界面中的图表的时间坐标轴的任意位置时,向该用户显示所点击的位置对应的时间段。
上述实施例中,根据时间限制性节律生物学原理,结合用户个性化的饮食、生理参数以及睡眠情况以及相应的饮食推荐模型,向用户提供饮食信息,以对用户的饮食时间、食物信息进行饮食信息输出。
其中,可利用深度学习算法或其它统计模型,根据上传的图像或影像,进行重复上传判断、食物与非食物判断、食物能量高低判断以及食物种类判断;还可利用深度学习算法或其它统计模型,根据用户个性化饮食记录,选择相应的饮食推荐模型;还可利用深度学习算法或其它统计模型,根据用户个性化饮食记录、生理参数、以及睡眠时间,利用相应的饮食推荐模型,确定用户在接下来的预定时间段内的饮食信息,所述饮食信息包含饮食时间以及食物信息。其中,上述其它统计模型可以是,例如:支持向量机,贝叶斯模型,等等。
本申请考虑到不同用户的个性化情况,结合时间限制性节律生物学原理,根据用户本身的个性化饮食习惯、个体胖瘦特征,以及睡眠习惯,通过深度学习算法或其它统计模型实现个性化的健康饮食时间和饮食信息输出,提高了饮食信息推荐的个性化以及科学性,降低了用户改善饮食时间的难度,从而达到改善用户健康状况的目的。
需指出,在本说明书的其它实施例中,还可以基于上述核心思想进行各种变化。
举例来说,在本申请第二实施方式的饮食信息输出方法中,可获取用户的饮食记录、生理参数,以及睡眠信息,其中,所述生理参数选自下组:
(p1)基本生理参数:体重、身高;BMI值;或其组合
(p2)辅助生理参数:血压、血糖值、脂肪率、肌肉率、骨密度、胰岛素水平、血脂、炎症细胞因子、氧化应激、年龄、性别、或其组合;
(p3)上述(p1)中的参数和(p2)中的参数的任意组合。
优选的,获取用户的饮食记录、生理参数,以及睡眠信息的步骤中,还进一步包括获取用户的辅助参数,所述的辅助参数选自下组:民族参数、种族参数、偏好性参数、地域参数(包括居住地,例如儿时居住地、当前居住地等)、家族病史参数。
其中,所述的偏好性参数可选自下组:素食偏好性、肉类偏好性(包括牛肉偏好性、羊肉偏好性、猪肉偏好性)、禽类偏好性(包括鸡肉偏好性、鸭肉偏好性、鹅肉偏好性、火鸡偏好性等)、水产偏好性(包括鱼偏好性、虾偏好性、蟹偏好性等)、辣味偏好性、冷热偏好性、甜味偏好性。
进一步的,所述的家族病史参数可选自下组:家族成员的遗传病史参数、家族成员的寿命、家族成员的肥胖系数(如BMI)。
进一步的,所述的家族成员可选自下组:有血缘关系的直系或旁系成员、无血缘关系的直系或旁系成员。
进一步的,无血缘关系的直系或旁系成员是与所述用户生活在一起的成员。
进一步的,所述的家族成员选自下组:祖父母、外祖父母、父母亲、子女、兄弟姐妹。
进一步的,所述的遗传病史参数包括选自下组的疾病的参数:心血管疾病、肿瘤、糖尿病、或其组合。
这样做的好好处在于,根据能够体现用户具体情况的各种参数,综合分析,进一步提高饮食信息推荐的个性化以及科学性,降低用户改善饮食时间的难度,从而更好地达到改善用户健康状况的目的。
本申请的第三实施方式涉及一种饮食信息输出系统,其结构如图3所示,该饮食信息输出系统包括:
获取模块,用于获取用户的饮食记录、生理参数,以及睡眠信息,所述饮食记录至少包含:用户摄入的食物图像或影像、相应的饮食时间,所述睡眠信息至少包含:用户入睡时间、起床时间;
选择与推荐模块,用于先根据所述用户饮食记录确定所述用户相应的饮食推荐模型,再根据所述用户的饮食记录、生理参数、以及睡眠信息,利用所述用户相应的饮食推荐模型,确定所述用户在接下来的预定时间段内的饮食信息,所述饮食信息至少包含饮食时间以及食物信息;
输出模块,用于输出所述用户在接下来的预定时间段内的饮食信息。
第一实施方式和第二实施方式是与本实施方式相对应的方法实施方式,第一实施方式和第二实施方式中的技术细节可以应用于本实施方式,本实施方式中的技术细节也可以应用于第一实施方式。
需要说明的是,本领域技术人员应当理解,上述饮食信息输出系统的实施方式中所示的各模块的实现功能可参照前述饮食信息输出方法的相关描述而理解。上述饮食信息输出系统的实施方式中所示的各模块的功能可通过运行于处理器上的程序(可执行指令)而实现,也可通过具体的逻辑电路而实现。本申请实施例上述饮食信息输出系统如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也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,本申请实施例的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方法的全部或部分。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)、磁碟或者光盘等各种可以存储程序代码的介质。这样,本申请实施例不限制于任何特定的硬件和软件结合。
相应地,本申请实施方式还提供一种计算机存储介质,其中存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现本申请的各方法实施方式。
此外,本申请实施方式还提供一种饮食信息输出系统,其中包括用于存储计算机可执行指令的存储器,以及,处理器;该处理器用于在执行该存储器中的计算机可执行指令时实现上述各方法实施方式中的步骤。其中,该处理器可以是中央处理单元(CentralProcessing Unit,简称“CPU”),还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,简称“DSP”)、专用集成电路(Application Specific IntegratedCircuit,简称“ASIC”)等。前述的存储器可以是只读存储器(read-only memory,简称“ROM”)、随机存取存储器(random access memory,简称“RAM”)、快闪存储器(Flash)、硬盘或者固态硬盘等。本发明各实施方式所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
需要说明的是,在本专利的申请文件中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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、物品或者设备中还存在另外的相同要素。本专利的申请文件中,如果提到根据某要素执行某行为,则是指至少根据该要素执行该行为的意思,其中包括了两种情况:仅根据该要素执行该行为、和根据该要素和其它要素执行该行为。多个、多次、多种等表达包括2个、2次、2种以及2个以上、2次以上、2种以上。
在本申请提及的所有文献都被认为是整体性地包括在本申请的公开内容中,以便在必要时可以作为修改的依据。此外应理解,在阅读了本申请的上述公开内容之后,本领域技术人员可以对本申请作各种改动或修改,这些等价形式同样落于本申请所要求保护的范围。
Claims (10)
1.一种饮食信息输出方法,其特征在于,包含:
(a)获取用户的饮食记录、生理参数,以及睡眠信息,所述饮食记录至少包含:用户摄入的食物图像或影像、相应的饮食时间,所述睡眠信息至少包含:用户入睡时间、起床时间;
(b)先根据所述用户饮食记录确定所述用户相应的饮食推荐模型,再根据所述用户的饮食记录、生理参数、以及睡眠信息,利用所述用户相应的饮食推荐模型,确定所述用户在接下来的预定时间段内的饮食信息,所述饮食信息至少包含饮食时间以及食物信息;
(c)输出所述用户在接下来的预定时间段内的饮食信息。
2.如权利要求1所述的饮食信息输出方法,其特征在于,所述生理参数选自下组:
(p1)基本生理参数:体重、身高;BMI值;或其组合
(p2)辅助生理参数:血压、血糖值、脂肪率、肌肉率、骨密度、胰岛素水平、血脂、炎症细胞因子、氧化应激、年龄、性别、或其组合;
(p3)上述(p1)中的参数和(p2)中的参数的任意组合。
3.如权利要求1所述的饮食信息输出方法,其特征在于,在所述步骤(a)中,还包括获取用户的辅助参数,所述的辅助参数选自下组:民族参数、种族参数、偏好性参数、地域参数、家族病史参数。
4.如权利要求1所述的饮食信息输出方法,其特征在于,所述步骤(a)中,还包含:获取所述用户的疾病信息;并且
所述步骤(b)中,根据所述用户饮食记录、所述用户的疾病信息确定所述用户相应的饮食推荐模型。
5.如权利要求1所述的饮食信息输出方法,其特征在于,所述步骤(b)中,对所述用户上传的图像或影像进行重复性判断,如果上传的图像或影像与预定时间内上传的图像或影像不相同,则判断所述图像或影像是否为食物,如果判定所述图像或影像为食物,则判断所述食物能量的高低。
6.如权利要求1所述的饮食信息输出方法,其特征在于,所述饮食推荐模型选自下组:
每天12小时禁食模型;
每天16小时禁食模型;
每天18小时禁食模型;
每周一次或两次24小时禁食模型;
一周中两天减少卡路里摄入模型,其中摄入的卡路里量在400-700大卡之间;
每隔一天减少卡路里摄入或完全禁食模型,其中在减少摄入卡路里天数中摄入的卡路里量在400-700大卡之间;
每天只在晚上吃1000-1800大卡能量的食物模型;
自行决定不吃一天中的某一顿饭模型。
7.如权利要求1所述的饮食信息输出方法,其特征在于,所述预定时间段指所述用户上传所述饮食记录后的24小时,或1周,或3个月。
8.一种饮食信息输出系统,其特征在于,包含:
获取模块,用于获取用户的饮食记录、生理参数,以及睡眠信息,所述饮食记录至少包含:用户摄入的食物图像或影像、相应的饮食时间,所述睡眠信息至少包含:用户入睡时间、起床时间;
选择与推荐模块,用于先根据所述用户饮食记录确定所述用户相应的饮食推荐模型,再根据所述用户的饮食记录、生理参数、以及睡眠信息,利用所述用户相应的饮食推荐模型,确定所述用户在接下来的预定时间段内的饮食信息,所述饮食信息至少包含饮食时间以及食物信息;
输出模块,用于输出所述用户在接下来的预定时间段内的饮食信息。
9.一种饮食信息输出系统,其特征在于,包括:
存储器,用于存储计算机可执行指令;以及,
处理器,用于在执行所述计算机可执行指令时实现如权利要求1至7中任意一项所述的方法中的步骤。
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中存储有计算机可执行指令,所述计算机可执行指令被处理器执行时实现如权利要求1至7中任意一项所述的方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010752875.2A CN111883232A (zh) | 2020-07-30 | 2020-07-30 | 饮食信息输出方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010752875.2A CN111883232A (zh) | 2020-07-30 | 2020-07-30 | 饮食信息输出方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111883232A true CN111883232A (zh) | 2020-11-03 |
Family
ID=73204564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010752875.2A Pending CN111883232A (zh) | 2020-07-30 | 2020-07-30 | 饮食信息输出方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111883232A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112735562A (zh) * | 2021-01-25 | 2021-04-30 | 珠海格力电器股份有限公司 | 饮食推荐方法、装置、电子设备及存储介质 |
CN112954066A (zh) * | 2021-02-26 | 2021-06-11 | 北京三快在线科技有限公司 | 信息推送方法、装置、电子设备及可读存储介质 |
CN113257389A (zh) * | 2021-06-10 | 2021-08-13 | 南通市第一人民医院 | 一种心血管系统疾病患者的护理系统及方法 |
CN113724837A (zh) * | 2021-08-31 | 2021-11-30 | 平安国际智慧城市科技股份有限公司 | 慢病患者饮食计划表的生成方法、装置及终端设备 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106339576A (zh) * | 2016-07-20 | 2017-01-18 | 美的集团股份有限公司 | 一种健康管理方法和系统 |
CN107301313A (zh) * | 2017-05-05 | 2017-10-27 | 深圳前海红心养老运营管理有限公司 | 一种新型老年服务管理系统 |
CN107301318A (zh) * | 2017-06-23 | 2017-10-27 | 北京好豆网络科技有限公司 | 用餐计划的生成方法和装置 |
CN108766529A (zh) * | 2018-05-16 | 2018-11-06 | 北京豆果信息技术有限公司 | 一种智能食谱推荐方法及系统 |
CN108937554A (zh) * | 2018-06-27 | 2018-12-07 | 佛山市云米电器科技有限公司 | 一种利用终端进行饮食提醒的蒸烤设备及方法 |
CN110020165A (zh) * | 2017-12-19 | 2019-07-16 | 九阳股份有限公司 | 一种饮食推荐方法和家庭机器人 |
CN110097946A (zh) * | 2019-03-01 | 2019-08-06 | 西安电子科技大学 | 一种基于营养成分分析的饮食推荐方法 |
CN110148041A (zh) * | 2019-05-23 | 2019-08-20 | 烟台艾易新能源有限公司 | 一种健康饮食分析推荐系统设计方法 |
CN110648747A (zh) * | 2019-10-17 | 2020-01-03 | 深圳和而泰家居在线网络科技有限公司 | 一种数据推荐方法及相关装置 |
CN110706783A (zh) * | 2019-09-24 | 2020-01-17 | 深圳和而泰家居在线网络科技有限公司 | 食谱推荐方法、装置、计算设备及计算机存储介质 |
CN111009307A (zh) * | 2019-12-26 | 2020-04-14 | 珠海格力电器股份有限公司 | 食谱数据推荐方法、系统和家电设备 |
CN111159539A (zh) * | 2019-12-09 | 2020-05-15 | 中国科学院计算技术研究所 | 基于多模态信息关联分析的食物推荐方法和系统 |
CN111402996A (zh) * | 2020-03-19 | 2020-07-10 | 珠海格力电器股份有限公司 | 一种饮食食谱推荐方法及系统、存储介质 |
CN112735562A (zh) * | 2021-01-25 | 2021-04-30 | 珠海格力电器股份有限公司 | 饮食推荐方法、装置、电子设备及存储介质 |
-
2020
- 2020-07-30 CN CN202010752875.2A patent/CN111883232A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106339576A (zh) * | 2016-07-20 | 2017-01-18 | 美的集团股份有限公司 | 一种健康管理方法和系统 |
CN107301313A (zh) * | 2017-05-05 | 2017-10-27 | 深圳前海红心养老运营管理有限公司 | 一种新型老年服务管理系统 |
CN107301318A (zh) * | 2017-06-23 | 2017-10-27 | 北京好豆网络科技有限公司 | 用餐计划的生成方法和装置 |
CN110020165A (zh) * | 2017-12-19 | 2019-07-16 | 九阳股份有限公司 | 一种饮食推荐方法和家庭机器人 |
CN108766529A (zh) * | 2018-05-16 | 2018-11-06 | 北京豆果信息技术有限公司 | 一种智能食谱推荐方法及系统 |
CN108937554A (zh) * | 2018-06-27 | 2018-12-07 | 佛山市云米电器科技有限公司 | 一种利用终端进行饮食提醒的蒸烤设备及方法 |
CN110097946A (zh) * | 2019-03-01 | 2019-08-06 | 西安电子科技大学 | 一种基于营养成分分析的饮食推荐方法 |
CN110148041A (zh) * | 2019-05-23 | 2019-08-20 | 烟台艾易新能源有限公司 | 一种健康饮食分析推荐系统设计方法 |
CN110706783A (zh) * | 2019-09-24 | 2020-01-17 | 深圳和而泰家居在线网络科技有限公司 | 食谱推荐方法、装置、计算设备及计算机存储介质 |
CN110648747A (zh) * | 2019-10-17 | 2020-01-03 | 深圳和而泰家居在线网络科技有限公司 | 一种数据推荐方法及相关装置 |
CN111159539A (zh) * | 2019-12-09 | 2020-05-15 | 中国科学院计算技术研究所 | 基于多模态信息关联分析的食物推荐方法和系统 |
CN111009307A (zh) * | 2019-12-26 | 2020-04-14 | 珠海格力电器股份有限公司 | 食谱数据推荐方法、系统和家电设备 |
CN111402996A (zh) * | 2020-03-19 | 2020-07-10 | 珠海格力电器股份有限公司 | 一种饮食食谱推荐方法及系统、存储介质 |
CN112735562A (zh) * | 2021-01-25 | 2021-04-30 | 珠海格力电器股份有限公司 | 饮食推荐方法、装置、电子设备及存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112735562A (zh) * | 2021-01-25 | 2021-04-30 | 珠海格力电器股份有限公司 | 饮食推荐方法、装置、电子设备及存储介质 |
CN112954066A (zh) * | 2021-02-26 | 2021-06-11 | 北京三快在线科技有限公司 | 信息推送方法、装置、电子设备及可读存储介质 |
CN113257389A (zh) * | 2021-06-10 | 2021-08-13 | 南通市第一人民医院 | 一种心血管系统疾病患者的护理系统及方法 |
CN113724837A (zh) * | 2021-08-31 | 2021-11-30 | 平安国际智慧城市科技股份有限公司 | 慢病患者饮食计划表的生成方法、装置及终端设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111883232A (zh) | 饮食信息输出方法及系统 | |
Tribole et al. | Intuitive eating: a revolutionary anti-diet approach | |
Brunstrom et al. | Do humans still forage in an obesogenic environment? Mechanisms and implications for weight maintenance | |
US10817778B2 (en) | Customized cooking utilizing deep learning neuromorphic computing of hyperspectral input | |
US20150294595A1 (en) | Method for providing wellness-related communications to a user | |
Berbesque et al. | Sex differences in food preferences of Hadza hunter-gatherers | |
CN110349647A (zh) | 饮食管理方法、系统、电子设备及存储介质 | |
CN112951430A (zh) | 多种慢性疾病联合管理设备和计算机可读存储介质 | |
JP6149233B1 (ja) | 食事管理システム、食事管理方法、サーバ装置、及びプログラム | |
CN110648747B (zh) | 一种数据推荐方法及相关装置 | |
JP2020201898A (ja) | 生活習慣病予防改善支援システム | |
CN108597572A (zh) | 一种智能健康规划系统 | |
CN112289407A (zh) | 基于健康管理的餐饮管理的方法、系统、装置和存储介质 | |
CN107705837B (zh) | 选餐的推荐方法、设备及系统 | |
CN113936774A (zh) | 一种饮食推荐方法、装置、系统、存储介质及电子设备 | |
Takeuchi et al. | Using social media to change eating habits without conscious effort | |
CN111714090A (zh) | 一种人体生物节律健康管理方法及系统 | |
CN113158018A (zh) | 食谱推荐方法、冰箱、计算机可读存储介质 | |
JP2021026556A (ja) | 生活習慣改善支援装置、端末装置、コンピュータプログラム及び生活習慣改善支援方法 | |
EP4010907A1 (en) | An apparatus and method for providing dietary recommendation | |
Gero | Challenges in the interpretation and therapeutic manipulation of human ingestive microstructure | |
Brunstrom et al. | Human nutritional intelligence underestimated? Exposing sensitivities to food composition in everyday dietary decisions | |
Chrzan et al. | Anxious eaters: why we fall for Fad Diets | |
CN111489806A (zh) | 一种智能化糖尿病热量管理方法及系统 | |
CN111161845A (zh) | 一种基于智能移动终端的健康饮食监控系统及使用方法 |
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 |