CN111916179A - 一种基于人工智能自适应个体体征进行“量身定制”饮食滋补模型方法 - Google Patents
一种基于人工智能自适应个体体征进行“量身定制”饮食滋补模型方法 Download PDFInfo
- Publication number
- CN111916179A CN111916179A CN201910378061.4A CN201910378061A CN111916179A CN 111916179 A CN111916179 A CN 111916179A CN 201910378061 A CN201910378061 A CN 201910378061A CN 111916179 A CN111916179 A CN 111916179A
- Authority
- CN
- China
- Prior art keywords
- user
- diet
- data
- model
- conditioning
- 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 42
- 230000037213 diet Effects 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 15
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 230000003068 static effect Effects 0.000 claims abstract description 12
- 230000000378 dietary effect Effects 0.000 claims abstract description 5
- 230000003750 conditioning effect Effects 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 9
- 208000017667 Chronic Disease Diseases 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000004393 prognosis Methods 0.000 claims description 3
- 238000013441 quality evaluation Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000036541 health Effects 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 abstract description 2
- 235000004280 healthy diet Nutrition 0.000 abstract description 2
- 239000013598 vector Substances 0.000 description 13
- 210000002569 neuron Anatomy 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 235000015872 dietary supplement Nutrition 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 235000021004 dietary regimen Nutrition 0.000 description 3
- 230000002068 genetic effect Effects 0.000 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 description 2
- 230000009471 action Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000008103 glucose Substances 0.000 description 2
- 230000005802 health problem Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000009223 counseling Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000003860 sleep quality Effects 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Nutrition Science (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于人工智能自适应个体体征进行“量身定制”饮食滋补模型方法，涉及健康管理领域，该基于人工智能自适应个体体征进行“量身定制”饮食滋补模型方法针对用户的静态特征、动态特征以及定期的体质评估结果得出适合用户的饮食方案，结合了用户的个人特征，基于数据的检测和智能分析，针对性的向用户推荐适合自身的饮食内容，为用户进行健康饮食提供帮助和指导；所推荐的饮食建议的搭配也具备科学合理的优势，可广泛应用于日常生活中。
Description
技术领域
本发明涉及健康管理领域，特别涉及一种基于人工智能自适应个体体征进行“量身定制”饮食滋补模型方法。
背景技术
根据国家卫计委统计数据显示，目前中国因慢性病导致死亡人数占总死亡人数的85％，慢性病在疾病负担中所占比重达70％，已成为重大公共卫生问题和社会问题，严重影响我国人民群众的身体健康。体检是发现健康问题的重要手段，通过体检能够了解身体状况、生理参数指标及饮食等调理注意事项。但是，由于人体各不相同的独立个体，每个人对相同的饮食调理方案的效果并不相同，每个用户各自的生理周期，均有不同侧重，比如女性用户最注重生理周期的正常，那么我们的数据就可以提供其生理期前的饮食方案，生理期期间的饮食保养方案，以及生理期之后的饮食保养方案。再比如糖尿病患者在乎血糖的每天不同时间段的变化程度，那么我们可以通过历史数据的分析，为其推荐当天的有助于控制血糖突升突降的饮食方案。每个用户的方案都不同，因地制宜，量身定制。现有的有监督分类算法的原理图如图1所示，操作比较麻烦。
同时，人体是随季节、天气、心情、生活节奏、工作压力等因素频繁变化的，需要随着时间、季节、生理周期等变化，对人体数据的实时追踪监督，根据心跳数据，每天运动量，睡眠质量，体检数据等，从以年为周期，到以每天，每小时为周期，监督健康指数，调理方案精细化地进行调整，才能真正发挥健康管理的最佳效果。
发明内容
本发明所要解决的技术问题是提供一种基于人工智能自适应个体体征进行“量身定制”饮食滋补模型方法，针对用户的静态特征、动态特征以及定期的体质评估结果得出适合用户的饮食方案。
为实现上述目的，本发明提供以下的技术方案：
该基于人工智能自适应个体体征进行“量身定制”饮食滋补模型方法包括如下步骤：
1)输入因子的确定：输入因子包括静态特征和动态特征两级特征。静态特征包括：年龄、性别、身高、体重、生理周期、慢性病；动态特征包括：季节、气候、节气；
2)整体人群对象画像调理模型，当首次使用，未形成最适合个人的“个体体质画像饮食调理模型”时，使用“整体人群对象画像调理模型”，即根据医生；建议，进行饮食管理调节；
3)个体体质画像特征调理模型；因每个人有具体的年龄、体重、性别、慢性病史等用户画像信息，个人均有其在人群中的属性，本方法则根据使用者静态特征和不断调整的动态特征，结合饮食干预后的身体机能反馈，根据定期体质评估不断反馈修正个体模型，同时，个人模型作为“整体人群对象画像调理模型”的输入因子，影响该整体人群的该对应画像类型的模型；
4)三角质量评价矩阵，采集用户实际运动、饮食、外用、调理及体质评估数据。运动通过智能手环/手表，或智能鞋作为运动采集硬件，饮食、外用、调理情况、体质评估通过app或医生问诊后台录入；
5)预处理(降维/典型验证模块)，由于处理的数据包括通过智能手环/手表，或智能鞋作为运动采集的加速度运动饮食调理、体质评估数据，数据量较大，通过降维、去噪等方式，简化计算量，用优化的支持向量机分层级结合不同层级数据，用于定时采集用户佩戴的加速度传感器输出的加速度数据，并经小波变换过滤高频噪声，通过自适应的算法匹配，在不同特定判别过程只调用有限的不同传感器功能工作，提取不同特定的特征计算，分析环节综合不同特征降维取样，大大减少了计算量，通过重点计算验证环节，又保证了正确性；同时将重点验证环节放在云端，其余计算放在可穿戴设备端，有效地平衡了快速反应和计算量的矛盾，既全面采集运动状态的细节特征，计算量和功耗大大减少；
6)深度学习模块，将运动预处理后的数据和预判准确性判别模块进行准确性判断；对用户基本信息采集单元采集到的用户基本信息进行分析以确定该用户的初级类别：次级用户信息采集单元生成单元，用于根据所述用户的初级类别，生成用于进一步采集用户信息的包括次级用户信息边工页的人机交互界面，次级用户信息采集单元，将所述人机交互界面提供给用户，计算单元，利用所述次级用户信息采集单元采集到的用户特征数据和数据库单元存储的特征与事件之间的相关性数据计算所述用户特征与事件之间的综合关联值，用户分类单元，对所述计算单元计算的所述相关值对用户进行分类:结果输出单元，输出分类结果；
还包括数据库单元，用于存储特征与事件之间的相关性数据，所述计算单元为分级嵌套计算单元，包括第一级分级嵌套计算单元到第N级分级嵌套计算单元，N为大于等于2的自然数，所述数据库单元中存储的特征与事件之间的相关性数据是根据己有的经验数据构建，上述相关性数据不必然是数字，其包括但不限于是比值、百分数、概率；
用户基本信息包括:性别、年龄、身高、体重、家族病史；
次级用户信息包括:运动数据、饮食、外用、调理方案；
三级所述分类结果为目标客户具体体质评估数值，X为模型需求精度得分，得分高于该企业模型历史最高分则将监督因子置为1，否则为0。
采用以上技术方案的有益效果是：该基于人工智能自适应个体体征进行“量身定制”饮食滋补模型方法针对用户的静态特征、动态特征以及定期的体质评估结果得出适合用户的饮食方案，结合了用户的个人特征，基于数据的检测和智能分析，针对性的向用户推荐适合自身的饮食内容，为用户进行健康饮食提供帮助和指导；所推荐的饮食建议的搭配也具备科学合理的优势，可广泛应用于日常生活中。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的描述。
图1是有监督分类算法的原理图；
图2是本发明基于人工智能自适应个体体征进行“量身定制”饮食滋补模型方法的原理图；
图3是本发明基于人工智能自适应个体体征进行“量身定制”饮食滋补模型方法的流程图。
具体实施方式
下面结合附图详细说明本发明基于人工智能自适应个体体征进行“量身定制”饮食滋补模型方法的优选实施方式。
图2和图3出示本发明基于人工智能自适应个体体征进行“量身定制”饮食滋补模型方法的具体实施方式：
结合图2和图3，该基于人工智能自适应个体体征进行“量身定制”饮食滋补模型方法包括如下步骤：
1)输入因子的确定：输入因子包括静态特征和动态特征两级特征。静态特征包括：年龄、性别、身高、体重、生理周期、慢性病；动态特征包括：季节、气候、节气。
2)整体人群对象画像调理模型，当首次使用，未形成最适合个人的“个体体质画像饮食调理模型”时，使用“整体人群对象画像调理模型”，即根据医生。
建议，进行饮食管理调节；
3)个体体质画像特征调理模型；因每个人有具体的年龄、体重、性别、慢性病史等用户画像信息，个人均有其在人群中的属性，本方法则根据使用者静态特征和不断调整的动态特征，结合饮食干预后的身体机能反馈，根据定期体质评估不断反馈修正个体模型。同时，个人模型作为“整体人群对象画像调理模型”的输入因子，影响该整体人群的该对应画像类型的模型；
4)三角质量评价矩阵，采集用户实际运动、饮食、外用、调理及体质评估数据。运动通过智能手环/手表，或智能鞋作为运动采集硬件，饮食、外用、调理情况、体质评估通过app或医生问诊后台录入。
5)预处理(降维/典型验证模块)，由于处理的数据包括通过智能手环/手表，或智能鞋作为运动采集的加速度运动饮食调理、体质评估数据，数据量较大，通过降维、去噪等方式，简化计算量。用优化的支持向量机分层级结合不同层级数据，用于定时采集用户佩戴的加速度传感器输出的加速度数据，并经小波变换过滤高频噪声，通过自适应的算法匹配，在不同特定判别过程只调用有限的不同传感器功能工作，提取不同特定的特征计算，分析环节综合不同特征降维取样，大大减少了计算量，通过重点计算验证环节，又保证了正确性；同时将重点验证环节放在云端，其余计算放在可穿戴设备端，有效地平衡了快速反应和计算量的矛盾，既全面采集运动状态的细节特征，计算量和功耗大大减少；
6)深度学习模块，将运动预处理后的数据和预判准确性判别模块进行准确性判断；对用户基本信息采集单元采集到的用户基本信息进行分析以确定该用户的初级类别:次级用户信息采集单元生成单元，用于根据所述用户的初级类别，生成用于进一步采集用户信息的包括次级用户信息边工页的人机交互界面:次级用户信息采集单元，将所述人机交互界面提供给用户:计算单元，利用所述次级用户信息采集单元采集到的用户特征数据和数据库单元存储的特征与事件之间的相关性数据计算所述用户特征与事件之间的综合关联值:用户分类单元，对所述计算单元计算的所述相关值对用户进行分类:结果输出单元，输出分类结果。
还包括数据库单元，用于存储特征与事件之间的相关性数据。所述计算单元为分级嵌套计算单元，包括第一级分级嵌套计算单元到第N级分级嵌套计算单元，N为大于等于2的自然数。所述数据库单元中存储的特征与事件之间的相关性数据是根据己有的经验数据构建，上述相关性数据不必然是数字，其包括但不限于是比值、百分数、概率。
用户基本信息包括:性别、年龄、身高、体重、家族病史。
次级用户信息包括:运动数据、饮食、外用、调理方案。
三级所述分类结果为目标客户具体体质评估数值。X为模型需求精度得分，得分高于该企业模型历史最高分则将监督因子置为1，否则为0。
分层分级降维建模的预处理方法：
相对于现有技术，本技术采集的既包括地域参数又包括星期、天气、季节、时段参数，如果直接建模，各个参数所含的信息之间具有一定的重叠性和相关性，若直接将它们用于模式识别会增加运算量。使用分层分级降维建模，
1)将时间相关的因素星期、时段、季节归为第一条件，
输出合成幅值为：
；
所述上下阈值分别为：thamin＝0.5，thamax＝1.5；
所述第一条件表示为：
如果C1为0，则进行第二条件的判断。
2)所述第二条件为：则分别判断星期、时段、季节这些第一条件中的具体因子的方差；
其中
为整体人群需求模型的输出平均值，其表达式为：
s为半窗口采样数量，通常定义其值为8。定义给定阈值为：
thσa＝0.5m/s2
所述第二条件表示为：
第一、第二条件判断非0的因子参加第三条件判断
3)进行抽样计算
在判别时，可能由于其中某个状态标准差偏大，另一个状态标准差偏小，正好相抵，导致未发现异常，故再次进行随机抽样验证。
4)提取特征参数
原始向量组为(F 1，F 2，···，F m)，m小于9。则主成分与原始向量组的关系为，P为第一、第二条件中的各影响因子。
其中原始向量F 1蕴含信息量最多，具有最大方差，称为第一主成分F 2，···，Fm依次递减，称为第二主成分、···、第m主成分。因此主成分分析的过程可以看做是确定权重系数a ik(i＝1,···，m；k＝1，···9)的过程。
5)重点特征提取
首先对三个方向加速度、磁场、角速度9个变量进行n次观测，得到的观测数据可用下面的矩阵表示。
其中，Pbh为第b次观测(即第b个样本)的第h个特征。
对原始数据Pn*9进行标准化处理，矩阵中的元素减去所在列的均值，然后除以所在列的标准差，使得每个变量的均值为0，方法为1，得到矩阵 Pn*9*。
Pn*9 *＝[ybh]n*9，b＝1，2…，n；h＝1，2，…，9
其中，
然后求其协方差矩阵C9*9,Pn*9*中任两列之间可以计算两变量间的协方差，于是得到协方差矩阵：
对协方差矩阵C9*9进行特征根分解，得到特征根矩阵A9*9及特征向量 U9*9。
C9*9＝U9*9Λ9*9U9*9′
其中特征向量U9*9作为主成分的坐标轴，构成新的矢量空间，
其中特征根λr(r＝1,2,···9)的大小代表第r个主成分蕴含的信息量。U9*9′是U9*9的转置矩阵。
求原始数据Pn*9在新的矢量空间中的投影，即主成分向量组Fn*9：
Fn*9＝Pn*9U9*9
求累积贡献率。每个主成分的特征根大小代表其蕴含信息量的多少。求前k(k＝1，···，9)个主成分的累积贡献率。
选定预设的累积贡献率，使前d个主成分Fn*d作为新的数据进行模式识别。
若累计贡献率达到50％以上时，采用比高法，将最高贡献率的特征值向量留下，作为固定工作样本集，其余舍弃；
将需求精确度模型得分输入，使用通过有监督分类算法，以星期、时段、天气、季节参数作为输入层，以需求精确度模型得分作为输出层。通过与上一次参数输入形成的模型(历史最佳需求精确度模型得分的参数) 作为对比，需求精确度模型得分好坏作为训练监督因子，更好为1，更差为O。
工作信号的正向传播，在此期间，网络各神经元的权值和阀值保持不变，每一层神经元只影响下一层神经元的输入和状态，如果在输出端没有得到期望的输出值，网络即转入误差信号的反向传播过程。误差信号的反向传播，误差信号由输出端开始逐层回传，在此传播过程中，网络各神经元的权值和阀值由误差反馈按照一定的规则得以调整。以上两个阶段交替循环进行，每完成一次，用遗传算法进行修正。
权重因子选用Sigmoid函数
经过激活函数的作用，输入的第P个训练样本信息首先可以传播到隐含层单元上，经过f(u)的作用得到隐含层第j个神经元的输出信息。
式中：——输入层第i个神经元到隐含层第j个神经元的权值，——第P个样本在输入层的第i个输入值，——隐含层第j个神经元的阈值。
质量得分的指标值分别为：
yj＝(y1j，y2j，y3j)
参数的权重系数向量为：
w＝(w1，w2，w3)
其中w为(-1，1)之间的一个小数，按照相关系数先进行主观赋权，然后基于“指标差异”的赋权法(客观赋权法)对其进行训练调整。
为衡量各种因素对目标层的影响大小，引入相对比较法，定义判断矩阵A。
设权重向量为W，此时W为1×(n+1)向量。
即：W＝(w1，w2，w3…wn+1)
对原始数据进行标准化处理，通过举证中的每个元素减去所在列的均值，然后除以所在列的标准差，使得每个变量标准化为均值为0，方差为 1的矩阵X，即
X＝[X1，X2，......Xn]T＝[Xij](n×p)
其中，
获得
求解相关系数矩阵：
其中，R是实对称矩阵(即rij＝rji)，其中r为相关系数；求解相关系数矩阵：
若累计贡献率达到50％以上时，采用比高法，将最高贡献率的特征值向量留下，作为固定工作样本集，其余舍弃；
完成模型后，遗传自适应完善模块，结合大数据蚁群算法进行持续的训练细分：人群边界中心距特征，边界中心距的定义是边界点到质心的距离。
计算得分矩阵，将留下的特征值作为新变量主成分，利用下式计算得分矩阵。
F(n×m)＝X(n×p)·U(p×m)
其中，X是原数据矩阵，U是主成分载荷，得分矩阵F即为降维后所得到的结果；每次输入新的样本，根据交叉验证法原理，计算SVM分类器识别率，进行适应度评估，不设定遗传算法的终止值，终止条件采用比高法，如果训练的识别率高于现有则设为最优参数，否则，执行选择、交叉和变异等操作进一步优化训练参数。
同时当前企业作为整体人群中，对应画像人群的一个新输入因子，用 SVM遗传修正整体人群对应画像人群模型，其对应人群的需求精确度画像模型得分画像不断清晰细化。SVM分类器适应度函数，
以上的仅是本发明的优选实施方式，应当指出，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (1)
1.一种基于人工智能自适应个体体征进行“量身定制”饮食滋补模型方法，其特征在于：所述基于人工智能自适应个体体征进行“量身定制”饮食滋补模型方法包括如下步骤：
1)输入因子的确定：输入因子包括静态特征和动态特征两级特征。静态特征包括：年龄、性别、身高、体重、生理周期、慢性病；动态特征包括：季节、气候、节气；
2)整体人群对象画像调理模型，当首次使用，未形成最适合个人的“个体体质画像饮食调理模型”时，使用“整体人群对象画像调理模型”，即根据医生；建议，进行饮食管理调节；
3)个体体质画像特征调理模型；因每个人有具体的年龄、体重、性别、慢性病史等用户画像信息，个人均有其在人群中的属性，本方法则根据使用者静态特征和不断调整的动态特征，结合饮食干预后的身体机能反馈，根据定期体质评估不断反馈修正个体模型，同时，个人模型作为“整体人群对象画像调理模型”的输入因子，影响该整体人群的该对应画像类型的模型；
4)三角质量评价矩阵，采集用户实际运动、饮食、外用、调理及体质评估数据。运动通过智能手环/手表，或智能鞋作为运动采集硬件，饮食、外用、调理情况、体质评估通过app或医生问诊后台录入；
5)预处理(降维/典型验证模块)，由于处理的数据包括通过智能手环/手表，或智能鞋作为运动采集的加速度运动饮食调理、体质评估数据，数据量较大，通过降维、去噪等方式，简化计算量，用优化的支持向量机分层级结合不同层级数据，用于定时采集用户佩戴的加速度传感器输出的加速度数据，并经小波变换过滤高频噪声，通过自适应的算法匹配，在不同特定判别过程只调用有限的不同传感器功能工作，提取不同特定的特征计算，分析环节综合不同特征降维取样，大大减少了计算量，通过重点计算验证环节，又保证了正确性；同时将重点验证环节放在云端，其余计算放在可穿戴设备端，有效地平衡了快速反应和计算量的矛盾，既全面采集运动状态的细节特征，计算量和功耗大大减少；
6)深度学习模块，将运动预处理后的数据和预判准确性判别模块进行准确性判断；对用户基本信息采集单元采集到的用户基本信息进行分析以确定该用户的初级类别：次级用户信息采集单元生成单元，用于根据所述用户的初级类别，生成用于进一步采集用户信息的包括次级用户信息边工页的人机交互界面，次级用户信息采集单元，将所述人机交互界面提供给用户，计算单元，利用所述次级用户信息采集单元采集到的用户特征数据和数据库单元存储的特征与事件之间的相关性数据计算所述用户特征与事件之间的综合关联值，用户分类单元，对所述计算单元计算的所述相关值对用户进行分类:结果输出单元，输出分类结果；
还包括数据库单元，用于存储特征与事件之间的相关性数据，所述计算单元为分级嵌套计算单元，包括第一级分级嵌套计算单元到第N级分级嵌套计算单元，N为大于等于2的自然数，所述数据库单元中存储的特征与事件之间的相关性数据是根据己有的经验数据构建，上述相关性数据不必然是数字，其包括但不限于是比值、百分数、概率；
用户基本信息包括:性别、年龄、身高、体重、家族病史；
次级用户信息包括:运动数据、饮食、外用、调理方案；
三级所述分类结果为目标客户具体体质评估数值，X为模型需求精度得分，得分高于该企业模型历史最高分则将监督因子置为1，否则为0。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910378061.4A CN111916179A (zh) | 2019-05-08 | 2019-05-08 | 一种基于人工智能自适应个体体征进行“量身定制”饮食滋补模型方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910378061.4A CN111916179A (zh) | 2019-05-08 | 2019-05-08 | 一种基于人工智能自适应个体体征进行“量身定制”饮食滋补模型方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111916179A true CN111916179A (zh) | 2020-11-10 |
Family
ID=73241925
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910378061.4A Pending CN111916179A (zh) | 2019-05-08 | 2019-05-08 | 一种基于人工智能自适应个体体征进行“量身定制”饮食滋补模型方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111916179A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113100775A (zh) * | 2021-04-13 | 2021-07-13 | 西安交通大学医学院第一附属医院 | 一种智能心血管护理监测系统 |
| CN115295123A (zh) * | 2022-08-17 | 2022-11-04 | 慕思健康睡眠股份有限公司 | 基于睡眠大数据的饮食推荐方法、装置、设备及介质 |
| CN117133407A (zh) * | 2023-10-26 | 2023-11-28 | 北京四海汇智科技有限公司 | 用于儿童的多标签神经网络的营养均衡评估方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130151270A1 (en) * | 2011-12-12 | 2013-06-13 | Pathway Genomics | Genetic Based Health Management Systems for Weight and Nutrition Control |
| CN107633875A (zh) * | 2017-09-29 | 2018-01-26 | 上海斐讯数据通信技术有限公司 | 一种智能饮食推荐系统及方法 |
| CN108514421A (zh) * | 2018-03-30 | 2018-09-11 | 福建幸福家园投资管理有限公司 | 提升混合现实与日常健康监测的方法 |
| CN109285594A (zh) * | 2018-09-11 | 2019-01-29 | 深圳众赢时代科技有限公司 | 人体3d扫描投影技术 |
| CN109360628A (zh) * | 2018-11-26 | 2019-02-19 | 广东智源信息技术有限公司 | 一种基于人工智能的健康膳食营养指导方法及系统 |
-
2019
- 2019-05-08 CN CN201910378061.4A patent/CN111916179A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130151270A1 (en) * | 2011-12-12 | 2013-06-13 | Pathway Genomics | Genetic Based Health Management Systems for Weight and Nutrition Control |
| CN107633875A (zh) * | 2017-09-29 | 2018-01-26 | 上海斐讯数据通信技术有限公司 | 一种智能饮食推荐系统及方法 |
| CN108514421A (zh) * | 2018-03-30 | 2018-09-11 | 福建幸福家园投资管理有限公司 | 提升混合现实与日常健康监测的方法 |
| CN109285594A (zh) * | 2018-09-11 | 2019-01-29 | 深圳众赢时代科技有限公司 | 人体3d扫描投影技术 |
| CN109360628A (zh) * | 2018-11-26 | 2019-02-19 | 广东智源信息技术有限公司 | 一种基于人工智能的健康膳食营养指导方法及系统 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113100775A (zh) * | 2021-04-13 | 2021-07-13 | 西安交通大学医学院第一附属医院 | 一种智能心血管护理监测系统 |
| CN115295123A (zh) * | 2022-08-17 | 2022-11-04 | 慕思健康睡眠股份有限公司 | 基于睡眠大数据的饮食推荐方法、装置、设备及介质 |
| CN115295123B (zh) * | 2022-08-17 | 2023-12-01 | 慕思健康睡眠股份有限公司 | 基于睡眠大数据的饮食推荐方法、装置、设备及介质 |
| CN117133407A (zh) * | 2023-10-26 | 2023-11-28 | 北京四海汇智科技有限公司 | 用于儿童的多标签神经网络的营养均衡评估方法及系统 |
| CN117133407B (zh) * | 2023-10-26 | 2024-02-13 | 北京四海汇智科技有限公司 | 用于儿童的多标签神经网络的营养均衡评估方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pourbabaee et al. | Deep convolutional neural networks and learning ECG features for screening paroxysmal atrial fibrillation patients | |
| CN109009017B (zh) | 一种智能健康监测系统及其数据处理方法 | |
| CN112890816A (zh) | 一种个人用户的健康指数评分方法和装置 | |
| CN111916179A (zh) | 一种基于人工智能自适应个体体征进行“量身定制”饮食滋补模型方法 | |
| Kumar et al. | Hybrid Bijective soft set-Neural network for ECG arrhythmia classification | |
| Barhate et al. | Analysis of classifiers for prediction of type ii diabetes mellitus | |
| Yadav et al. | Analysis of heart disease using parallel and sequential ensemble methods with feature selection techniques: heart disease prediction | |
| CN115024725A (zh) | 融合心理状态多参数检测的肿瘤治疗辅助决策系统 | |
| CN114224343B (zh) | 认知障碍检测方法、装置、设备及存储介质 | |
| Elden et al. | A computer aided diagnosis system for the early detection of neurodegenerative diseases using linear and non-linear analysis | |
| Srivastava et al. | ApneaNet: A hybrid 1DCNN-LSTM architecture for detection of Obstructive Sleep Apnea using digitized ECG signals | |
| Luo et al. | A hierarchical attention-based method for sleep staging using movement and cardiopulmonary signals | |
| Kiladze et al. | Multimodal Neural Network for Recognition of Cardiac Arrhythmias Based on 12-Load Electrocardiogram Signals | |
| Lange et al. | Privacy-Preserving Stress Detection Using Smartwatch Health Data | |
| Wang | Machine learning for gait classification | |
| CN113450919A (zh) | 心衰预警模型的构建方法、构建系统和心衰预警装置 | |
| Deepa et al. | Feature Extraction and Classification Using Ensemble Method to Enhance Parkinson's Disease Prediction | |
| Képešiová et al. | Comparative Analysis of Advanced Machine Learning Algorithms for Early Detection of Parkinson Disease | |
| Deepthi et al. | Predicting the Adherence to Physical Activity Using Ensemble Machine Learning | |
| Thompson et al. | Detection of Obstructive Sleep Apnoea Using Features Extracted From Segmented Time-Series ECG Signals With a One Dimensional Convolutional Neural Network | |
| Ambade et al. | Enhancing Cardiovascular Disease Prediction Using Ensemble Learning | |
| Kabra et al. | A comparative analysis for detecting Alzheimer’s by CNN and SVM Algorithm | |
| AU2021101904A4 (en) | Artificial neural network based early diagnosis of diabetes mellitus | |
| Tan | Human Activity Recognition Based on CNN and LSTM | |
| US20240325822A1 (en) | Cardiac treatment and analysis |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230525 Address after: Room 3488, Building 2, Yanqing Garden East Ring Road, Zhongguancun, Yanqing District, Beijing 102100 Applicant after: Beijing Mingxi Wupin Artificial Intelligence Technology Co.,Ltd. Address before: 100096 Rooms 201-2037, 2nd Floor, 2nd Floor, 2nd Floor, Qinchun Homeland, Xisanqi, Haidian District, Beijing Applicant before: Beijing Mingxi Yipin e-commerce Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201110 |
|
| RJ01 | Rejection of invention patent application after publication |