CN112133434A - 基于饮食习惯的高血脂辅助诊断系统、设备、存储介质 - Google Patents
基于饮食习惯的高血脂辅助诊断系统、设备、存储介质 Download PDFInfo
- Publication number
- CN112133434A CN112133434A CN202010981313.5A CN202010981313A CN112133434A CN 112133434 A CN112133434 A CN 112133434A CN 202010981313 A CN202010981313 A CN 202010981313A CN 112133434 A CN112133434 A CN 112133434A
- Authority
- CN
- China
- Prior art keywords
- intake
- hyperlipidemia
- data
- module
- carbohydrate
- 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
- 208000031226 Hyperlipidaemia Diseases 0.000 title claims abstract description 45
- 238000003745 diagnosis Methods 0.000 title claims abstract description 24
- 235000006694 eating habits Nutrition 0.000 title claims abstract description 16
- 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 claims abstract description 54
- 235000012000 cholesterol Nutrition 0.000 claims abstract description 27
- 150000001720 carbohydrates Chemical class 0.000 claims abstract description 24
- 235000005911 diet Nutrition 0.000 claims abstract description 24
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 23
- 102000004169 proteins and genes Human genes 0.000 claims abstract description 23
- 230000037213 diet Effects 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000010276 construction Methods 0.000 claims abstract description 8
- 230000000378 dietary effect Effects 0.000 claims abstract description 8
- 230000035764 nutrition Effects 0.000 claims abstract description 6
- 235000016709 nutrition Nutrition 0.000 claims abstract description 6
- 235000013305 food Nutrition 0.000 claims description 14
- 208000007848 Alcoholism Diseases 0.000 claims description 10
- 230000000391 smoking effect Effects 0.000 claims description 10
- 208000008589 Obesity Diseases 0.000 claims description 9
- 201000007930 alcohol dependence Diseases 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 9
- 235000020824 obesity Nutrition 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 8
- 235000015097 nutrients Nutrition 0.000 claims description 7
- 235000021075 protein intake Nutrition 0.000 claims description 6
- 235000021074 carbohydrate intake Nutrition 0.000 claims description 5
- 235000020974 cholesterol intake Nutrition 0.000 claims description 3
- 230000037396 body weight Effects 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 5
- 230000019771 cognition Effects 0.000 abstract description 2
- 201000005577 familial hyperlipidemia Diseases 0.000 abstract description 2
- 239000008280 blood Substances 0.000 description 5
- 210000004369 blood Anatomy 0.000 description 5
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 150000002632 lipids Chemical class 0.000 description 4
- 235000021061 dietary behavior Nutrition 0.000 description 3
- 235000019197 fats Nutrition 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 241000209094 Oryza Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- AUNGANRZJHBGPY-SCRDCRAPSA-N Riboflavin Chemical compound OC[C@@H](O)[C@@H](O)[C@@H](O)CN1C=2C=C(C)C(C)=CC=2N=C2C1=NC(=O)NC2=O AUNGANRZJHBGPY-SCRDCRAPSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 229920002678 cellulose Polymers 0.000 description 2
- 239000001913 cellulose Substances 0.000 description 2
- 235000009508 confectionery Nutrition 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000037406 food intake Effects 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- AUNGANRZJHBGPY-UHFFFAOYSA-N D-Lyxoflavin Natural products OCC(O)C(O)C(O)CN1C=2C=C(C)C(C)=CC=2N=C2C1=NC(=O)NC2=O AUNGANRZJHBGPY-UHFFFAOYSA-N 0.000 description 1
- 102000002322 Egg Proteins Human genes 0.000 description 1
- 108010000912 Egg Proteins Proteins 0.000 description 1
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 101710132618 Protein B2 Proteins 0.000 description 1
- 101710201789 Ribonucleoside-diphosphate reductase 1 subunit beta Proteins 0.000 description 1
- 241001311778 Uroteuthis chinensis Species 0.000 description 1
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 206010001584 alcohol abuse Diseases 0.000 description 1
- 208000025746 alcohol use disease Diseases 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 235000008429 bread Nutrition 0.000 description 1
- 235000014121 butter Nutrition 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 235000001465 calcium Nutrition 0.000 description 1
- 235000014633 carbohydrates Nutrition 0.000 description 1
- 235000010980 cellulose Nutrition 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 239000006071 cream Substances 0.000 description 1
- 235000011850 desserts Nutrition 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000020595 eating behavior Effects 0.000 description 1
- 239000008157 edible vegetable oil Substances 0.000 description 1
- 235000013345 egg yolk Nutrition 0.000 description 1
- 210000002969 egg yolk Anatomy 0.000 description 1
- 235000015243 ice cream Nutrition 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 235000021190 leftovers Nutrition 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011777 magnesium Substances 0.000 description 1
- 229910052749 magnesium Inorganic materials 0.000 description 1
- 235000001055 magnesium Nutrition 0.000 description 1
- WPBNNNQJVZRUHP-UHFFFAOYSA-L manganese(2+);methyl n-[[2-(methoxycarbonylcarbamothioylamino)phenyl]carbamothioyl]carbamate;n-[2-(sulfidocarbothioylamino)ethyl]carbamodithioate Chemical compound [Mn+2].[S-]C(=S)NCCNC([S-])=S.COC(=O)NC(=S)NC1=CC=CC=C1NC(=S)NC(=O)OC WPBNNNQJVZRUHP-UHFFFAOYSA-L 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 235000018102 proteins Nutrition 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 229960002477 riboflavin Drugs 0.000 description 1
- 235000019192 riboflavin Nutrition 0.000 description 1
- 239000002151 riboflavin Substances 0.000 description 1
- 238000013214 routine measurement Methods 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 235000014347 soups Nutrition 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 150000003722 vitamin derivatives Chemical class 0.000 description 1
- 239000011701 zinc Substances 0.000 description 1
- 229910052725 zinc Inorganic materials 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
- G16H50/30—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Probability & Statistics with Applications (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开一种基于饮食习惯的高血脂辅助诊断系统、设备、存储介质,所述系统包括:用户录入模块,用于录入用户基本信息和连续多天的饮食数据;营养计算模块,用于根据输入的饮食数据进行蛋白质、碳水化合物、胆固醇的摄入量计算,并分别判断摄入量是否正常;数据集构建模块:用于记录不同人群基本信息和连续时间段内的饮食数据作为样本,构造样本属性特征,分别对样本是否患高血脂做标记,构建数据集;模型训练模块,用于构建朴素贝叶斯模型,通过所述数据集训练朴素贝叶斯模型;辅助诊断模块:用于将隐患数据输入训练好的朴素贝叶斯模型,输出用户是否患高血脂的辅助诊断结果。本发明可实现高血脂的智能认知和预测,便捷高效。
Description
技术领域
本发明属于疾病辅助诊断设备领域,具体涉及一种基于饮食习惯的高血脂辅助诊断系统、设备、存储介质。
背景技术
高血脂症是一种由多因素引起的疾病,是环境因素与遗传因素相互作用的结果。目前已知能引起血脂升高的环境因素主要是饮食因素,如果平时偏爱以下这些食物或吃得过多,长此以往都会导致血脂升高:1、油腻食品,放了过多食用油的菜品、油炸食品、高胆固醇的动物肝、脑、肾、蛋黄、鱼子、鱿鱼、肥肉等;2、甜食,雪糕、冰淇淋、糖果、甜饮料、蛋糕、奶油、黄油等;3、主食过多,过多食用白米饭、白馒头、剩菜汤泡饭等。高血脂的发生与饮食习惯关系密切,不是一天或一下子吃了什么食物就能导致的,而是一个长久的过程。所以,我们在面临高血脂问题时,要自查饮食中是否存在不良因素,培养好的饮食习惯,才能最大程度的规避高血脂问题。
发明内容
有鉴于此,本发明提出了一种基于饮食习惯的高血脂辅助诊断系统、设备、存储介质,用于解决不能根据用户饮食习惯推到高血脂风险的问题。
本发明第一方面,公开一种基于饮食习惯的高血脂辅助诊断系统,其特征在于,所述系统包括:
用户录入模块:用于录入用户基本信息和连续多天的饮食数据;
计算模块:用于根据输入的饮食数据进行蛋白质、碳水化合物、胆固醇的摄入量计算,并分别判断摄入量是否正常;
数据集构建模块:用于记录不同人群基本信息和连续时间段内的饮食数据作为样本,通过计算模块分析出所述饮食数据中蛋白质、碳水化合物、胆固醇的摄入量是否正常,构造样本属性特征,分别对样本是否患高血脂做标记,构建数据集;
模型训练模块:用于构建朴素贝叶斯模型,通过所述数据集训练朴素贝叶斯模型;
辅助诊断模块:用于根据用户录入模块和计算模块的结果构建用户属性特征数据,输入训练好的朴素贝叶斯模型,输出用户是否患高血脂的辅助诊断结果。
优选的,用户基本信息包括用户年龄、性别,体重、身高、酗酒史,抽烟史。
优选的,所述计算模块具体用于:根据知识库食材及食谱表中食材及食谱所含的各种营养元素含量对输入的设定时间段内饮食数据进行加权计算,分别得到蛋白质、碳水化合物、胆固醇的摄入量;将所述加权结果分别与蛋白质、碳水化合物、胆固醇设定时间段内的标准摄入量比较,分别判断出蛋白质、碳水化合物、胆固醇的摄入量是否过高、过低或正常。
优选的,所述数据集构建模块中,所述样本属性特征具体包括样本蛋白质摄入量、碳水化合物摄入量、胆固醇的摄入量、是否肥胖、抽烟史、酗酒史、高血脂遗传史,其中是否肥胖根据样本的身高、体重计算人体BMI指数判断。
优选的,所述朴素贝叶斯模型中,
设x={a1,a2,……,a7}为数据集中每条数据样本,a1,a2,……,a7为样本属性特征,其中a1为胆固醇摄入量,a2为蛋白质摄入量,a3为碳水化合物摄入量,a4为肥胖,a5为抽烟史,a6为酗酒史,a7为高血脂遗传史;类别集合为yi={y1,y2},y1为患高血脂,y2为未患高血脂;
计算各个类别下各个属性特征的条件概率估计,对于输入的待分类数据,求解待分类数据各个属性特性条件下各个类别出现的概率:
i=0,1,取max{P(y1|x),P(y2|x)},得到对应的分类结果。
本发明第二方面,公开一种电子设备,包括:至少一个处理器、至少一个存储器、通信接口和总线;
其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以实现如本发明第一方面所述的系统。
本发明第三方面,公开一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机实现如本发明第一方面所述的系统。
本发明的相对于现有技术具有以下有益效果:
本发明根据不同人群饮食数据针对高血脂的主要诱因进行分析,标记对血脂影响比较大的营养元素(胆固醇、蛋白质、碳水化合物)的数据,将这些元素结合基本信息作为属性特征构建数据集,通过训练好的朴素贝叶斯模型评估用户的饮食行为。让用户可以快速方便的对用户近期的饮食行为进行实时分析,利用朴素贝叶斯分类器实现高血脂的智能认知和预测,让用户快速方便的了解自身营养素的摄取情况,预估高血脂风险。本发明不对人体产生任何创伤,诊断速度快,操作简单,是通过饮食行为预测高血脂的一种高效技术手段。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的基于饮食习惯的高血脂辅助诊断系统结构示意图;
图2为不同人群的蛋白质、碳水化合物、胆固醇每日标准摄入量表;
图3为本发明的数据集中部分示例。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
如图1所示,本发明公开一种基于饮食习惯的高血脂辅助诊断系统,其特征在于,所述系统包括用户录入模块100、营养计算模块200、数据集构建模块300、模型训练模块400、辅助诊断模块500。
用户录入模块100,用于录入用户基本信息和连续多天(比如30天)的饮食数据;用户基本信息包括用户年龄、性别,体重、身高、酗酒史,抽烟史。
营养计算模块200,用于根据输入的饮食数据进行蛋白质、碳水化合物、胆固醇的摄入量计算,并分别判断摄入量是否正常;
根据知识库中食材及食谱所含的各种营养元素含量对输入的设定时间段内饮食数据进行加权计算,分别得到蛋白质、碳水化合物、胆固醇的摄入量;将所述加权结果分别与蛋白质、碳水化合物、胆固醇设定时间段内的标准摄入量比较,分别判断出蛋白质、碳水化合物、胆固醇的摄入量是否过高、过低或正常。所述知识库中包含各类食材对应的各种营养元素含量,比如热量、碳水化合物、脂肪、蛋白质、纤维素、维生素、核黄素、胆固醇、镁、钙、铁、锌、铜、锰、钾、磷、钠等;所述知识库中还包含种食谱在各种烹饪方式下对应的各种营养元素含量,比如热量、碳水化合物、脂肪、蛋白质、纤维素等。
例如:某用户输入的用户数据为:男,48岁,身高175cm,体重80KG,有抽烟史,无酗酒史,无高血脂家族遗传史,记录连续30天的饮食数据,对该饮食行为分析,统计各元素的摄入情况,利用胆固醇、蛋白质、碳水化合物摄入情况(高、中、低)作为特征,预测高血脂风险指数。
获取用户连续30天的饮食数据,对照知识库中食材表及食谱表中每种食材及食谱的各元素含量,分别加权计算出30天的胆固醇总摄入量D1,蛋白质总摄入量B1,碳水化合物总摄入量T1。
根据元素每日标准摄入量表(图2),分别计算出30天胆固醇的标准摄入量D2,蛋白质标准摄入量B2,碳水化合物标准摄入量T2。根据步骤1的结果,分别计算胆固醇的摄入情况D=D1-D2,蛋白质的摄入情况B=B1-B2,碳水化合物的摄入情况T=T1-T2,当计算结果大于5,表示摄入量高,当计算结果小于-5,表示摄入量低,当计算结果再-5与5之间,表示摄入量适中。
数据集构建模块300,用于记录不同人群基本信息和连续内(比如90天)的饮食数据作为样本,通过计算模块分析出所述饮食数据中蛋白质、碳水化合物、胆固醇的摄入量是否正常,构造样本属性特征,分别对样本是否患高血脂做标记,构建数据集;所述样本属性特征具体包括样本蛋白质摄入量、碳水化合物摄入量、胆固醇的摄入量、是否肥胖、抽烟史、酗酒史、高血脂遗传史,其中是否肥胖根据样本的身高、体重计算人体BMI指数判断。
模型训练模块400,用于构建朴素贝叶斯模型,通过所述数据集训练朴素贝叶斯模型;
设x={a1,a2,……,a7}为数据集中每条数据样本,a1,a2,……,a7为样本属性特征,其中a1为胆固醇摄入量,a2为蛋白质摄入量,a3为碳水化合物摄入量,a4为肥胖,a5为抽烟史,a6为酗酒史,a7为高血脂遗传史;类别集合为yi={y1,y2},y1为患高血脂,y2为未患高血脂;
计算各个类别下各个属性特征的条件概率估计,即即P(a1|y1),P(a2|y1),……,P(a7|y1);P(a1|y2),P(a2|y2),……,P(a7|y2);
对于输入的待分类数据,求解待分类数据各个属性特性的条件下各个类别出现的概率:
i=0,1,取p=max{P(y1|x),P(y2|x)}得到概率较大的类别即为对应的分类结果。
辅助诊断模块500,用于根据用户录入模块和计算模块的结果构建用户属性特征数据,输入训练好的朴素贝叶斯模型,输出用户是否患高血脂的辅助诊断结果。对于患有高血脂风险的用户,可进一步向其推荐利于降脂的食材或食谱,帮助用户均衡饮食,逐步降低高血脂风险。
本发明还公开一种电子设备,包括:至少一个处理器、至少一个存储器、通信接口和总线;
其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以实现本发明前述的基于现行的血常规诊断标准智能识别疾病的系统,包括用户录入模块、营养计算模块、数据集构建模块、模型训练模块、辅助诊断模块。
本发明还公开一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机实现本发明实施例所述的全部系统或部分系统,例如包括用户录入模块、营养计算模块、数据集构建模块、模型训练模块、辅助诊断模块。所述存储介质包括:U盘、移动硬盘、只议存储器ROM、随机存取存储器RAM、磁碟或者光盘等各种可以存储程序代码的介质。
此外,需要说明的是,以上所描述的装置实施例仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的,此处不做限制。另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的基于血常规测量数据智能推测疾病的系统,此处不再赘述。
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于饮食习惯的高血脂辅助诊断系统,其特征在于,所述系统包括:
用户录入模块:用于录入用户基本信息和连续多天的饮食数据;
营养计算模块:用于根据输入的饮食数据进行蛋白质、碳水化合物、胆固醇的摄入量计算,并分别判断摄入量是否正常;
数据集构建模块:用于记录不同人群基本信息和连续时间段内的饮食数据作为样本,通过计算模块分析出所述饮食数据中蛋白质、碳水化合物、胆固醇的摄入量是否正常,构造样本属性特征,分别对样本是否患高血脂做标记,构建数据集;
模型训练模块:用于构建朴素贝叶斯模型,通过所述数据集训练朴素贝叶斯模型;
辅助诊断模块:用于根据用户录入模块和计算模块的结果构建用户属性特征数据,输入训练好的朴素贝叶斯模型,输出用户是否患高血脂的辅助诊断结果。
2.根据权利要求1所述基于饮食习惯的高血脂辅助诊断系统,其特征在于,用户基本信息包括用户年龄、性别,体重、身高、酗酒史,抽烟史。
3.根据权利要求1所述基于饮食习惯的高血脂辅助诊断系统,其特征在于,所述计算模块具体用于:
根据知识库食材及食谱表中食材及食谱所含的各种营养元素含量对输入的设定时间段内饮食数据进行加权计算,分别得到蛋白质、碳水化合物、胆固醇的摄入量;将所述加权结果分别与蛋白质、碳水化合物、胆固醇设定时间段内的标准摄入量比较,分别判断出蛋白质、碳水化合物、胆固醇的摄入量是否过高、过低或正常。
4.根据权利要求1所述基于饮食习惯的高血脂辅助诊断系统,其特征在于,所述数据集构建模块中,所述样本属性特征具体包括样本蛋白质摄入量、碳水化合物摄入量、胆固醇的摄入量、是否肥胖、抽烟史、酗酒史、高血脂遗传史,其中是否肥胖根据样本的身高、体重计算人体BMI指数判断。
6.一种电子设备,其特征在于,包括:至少一个处理器、至少一个存储器、通信接口和总线;
其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以实现如权利要求1~5任一项所述的系统。
7.一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计算机指令,所述计算机指令使所述计算机实现如权利要求1~5任一项所述的系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010981313.5A CN112133434A (zh) | 2020-09-17 | 2020-09-17 | 基于饮食习惯的高血脂辅助诊断系统、设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010981313.5A CN112133434A (zh) | 2020-09-17 | 2020-09-17 | 基于饮食习惯的高血脂辅助诊断系统、设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112133434A true CN112133434A (zh) | 2020-12-25 |
Family
ID=73846095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010981313.5A Pending CN112133434A (zh) | 2020-09-17 | 2020-09-17 | 基于饮食习惯的高血脂辅助诊断系统、设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112133434A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112967807A (zh) * | 2021-03-03 | 2021-06-15 | 吾征智能技术(北京)有限公司 | 基于饮食行为预测脑卒中的系统、设备及存储介质 |
CN114376562A (zh) * | 2021-09-10 | 2022-04-22 | 北京福乐云数据科技有限公司 | 多参数人工智能检测仪 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005352680A (ja) * | 2004-06-09 | 2005-12-22 | Interenergy Co Ltd | 食生活診断システム |
KR20140039407A (ko) * | 2012-09-21 | 2014-04-02 | 한국 한의학 연구원 | 체형 정보를 이용한 혈액 정보 판단 모델을 생성하는 장치 및 그 방법, 혈액 정보 판단 모델을 이용한 혈액 정보 판단 장치 및 그 방법 |
CN104636631A (zh) * | 2015-03-09 | 2015-05-20 | 江苏中康软件有限责任公司 | 一种基于糖尿病系统大数据的糖尿病概率计算方法 |
CN106446560A (zh) * | 2016-09-28 | 2017-02-22 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的高血脂症预测方法和预测系统 |
CN107680652A (zh) * | 2017-09-13 | 2018-02-09 | 天津大学 | 一种基于机器学习的营养饮食推荐及评价方法 |
CN109036568A (zh) * | 2018-09-03 | 2018-12-18 | 浪潮软件集团有限公司 | 一种基于朴素贝叶斯算法的预测模型的建立方法 |
CN110442709A (zh) * | 2019-06-24 | 2019-11-12 | 厦门美域中央信息科技有限公司 | 一种基于朴素贝叶斯模型的文本分类方法 |
CN110752035A (zh) * | 2019-09-06 | 2020-02-04 | 深圳壹账通智能科技有限公司 | 健康数据处理方法、装置、计算机设备及存储介质 |
CN111445980A (zh) * | 2020-03-26 | 2020-07-24 | 北京动亮健康科技有限公司 | 膳食方案反应性预测模型及建模方法、电子设备 |
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 |
-
2020
- 2020-09-17 CN CN202010981313.5A patent/CN112133434A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005352680A (ja) * | 2004-06-09 | 2005-12-22 | Interenergy Co Ltd | 食生活診断システム |
KR20140039407A (ko) * | 2012-09-21 | 2014-04-02 | 한국 한의학 연구원 | 체형 정보를 이용한 혈액 정보 판단 모델을 생성하는 장치 및 그 방법, 혈액 정보 판단 모델을 이용한 혈액 정보 판단 장치 및 그 방법 |
CN104636631A (zh) * | 2015-03-09 | 2015-05-20 | 江苏中康软件有限责任公司 | 一种基于糖尿病系统大数据的糖尿病概率计算方法 |
CN106446560A (zh) * | 2016-09-28 | 2017-02-22 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的高血脂症预测方法和预测系统 |
CN107680652A (zh) * | 2017-09-13 | 2018-02-09 | 天津大学 | 一种基于机器学习的营养饮食推荐及评价方法 |
CN109036568A (zh) * | 2018-09-03 | 2018-12-18 | 浪潮软件集团有限公司 | 一种基于朴素贝叶斯算法的预测模型的建立方法 |
CN110442709A (zh) * | 2019-06-24 | 2019-11-12 | 厦门美域中央信息科技有限公司 | 一种基于朴素贝叶斯模型的文本分类方法 |
CN110752035A (zh) * | 2019-09-06 | 2020-02-04 | 深圳壹账通智能科技有限公司 | 健康数据处理方法、装置、计算机设备及存储介质 |
CN111445980A (zh) * | 2020-03-26 | 2020-07-24 | 北京动亮健康科技有限公司 | 膳食方案反应性预测模型及建模方法、电子设备 |
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 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112967807A (zh) * | 2021-03-03 | 2021-06-15 | 吾征智能技术(北京)有限公司 | 基于饮食行为预测脑卒中的系统、设备及存储介质 |
CN112967807B (zh) * | 2021-03-03 | 2023-12-01 | 吾征智能技术(北京)有限公司 | 基于饮食行为预测脑卒中的系统、设备及存储介质 |
CN114376562A (zh) * | 2021-09-10 | 2022-04-22 | 北京福乐云数据科技有限公司 | 多参数人工智能检测仪 |
CN114376562B (zh) * | 2021-09-10 | 2022-07-29 | 北京福乐云数据科技有限公司 | 多参数人工智能检测仪 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11672446B2 (en) | Insulin delivery recommendations based on nutritional information | |
Liberali et al. | Dietary patterns and childhood obesity risk: a systematic review | |
US9977980B2 (en) | Food logging from images | |
US20190295440A1 (en) | Systems and methods for food analysis, personalized recommendations and health management | |
Erkkola et al. | Validity and reproducibility of a food frequency questionnaire for pregnant Finnish women | |
Bleiweiss-Sande et al. | Robustness of food processing classification systems | |
Sette et al. | The third National Food Consumption Survey, INRAN-SCAI 2005–06: major dietary sources of nutrients in Italy | |
Cioara et al. | Expert system for nutrition care process of older adults | |
US20220230730A1 (en) | Recipe recommendation method and device, computing device and storage medium | |
JP2020524842A (ja) | 摂取可能物の最適量及び質を反映する単一の食品摂取スコアを算出、表示、修正、及び使用するためのシステム及び方法 | |
CN111261260B (zh) | 一种膳食推荐系统 | |
CN112133434A (zh) | 基于饮食习惯的高血脂辅助诊断系统、设备、存储介质 | |
WO2021044696A1 (ja) | 栄養摂取量の推定装置、健康管理支援装置、栄養摂取量の推定方法、健康管理支援方法、プログラムおよび栄養摂取量の推定システム | |
CN110718282A (zh) | 一种包装类食品识别方法及装置 | |
CN110379487A (zh) | 营养方案管理系统 | |
Balakrishna et al. | Identifying nutrient patterns in south african foods to support national nutrition guidelines and policies | |
Namgung et al. | Menu recommendation system using smart plates for well-balanced diet habits of young children | |
Pandav et al. | The WHO South-East Asia region nutrient profile model is quite appropriate for India: An exploration of 31,516 food products | |
Leahy et al. | Determinants of Vegetarianism and Meat Consumption Frequency in Ireland. | |
Drescher et al. | Consumer demand for healthy eating considering diversity–an economic approach for German individuals | |
CN111159528B (zh) | 问卷信息的推送方法及装置、存储介质和电子装置 | |
CN110910987A (zh) | 饮食建议生成方法及装置、计算机装置及存储介质 | |
Lino et al. | The quality of young children's diets | |
An et al. | Sandwich consumption in relation to daily dietary intake and diet quality among US adults, 2003–2012 | |
MacIntyre | Measuring food intake |
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 |