CN112528009A - 生成用户慢病调理方案的方法、装置及计算机可读介质 - Google Patents
生成用户慢病调理方案的方法、装置及计算机可读介质 Download PDFInfo
- Publication number
- CN112528009A CN112528009A CN202011431830.1A CN202011431830A CN112528009A CN 112528009 A CN112528009 A CN 112528009A CN 202011431830 A CN202011431830 A CN 202011431830A CN 112528009 A CN112528009 A CN 112528009A
- Authority
- CN
- China
- Prior art keywords
- information
- user
- chronic disease
- scheme
- target
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Evolutionary Computation (AREA)
- Nutrition Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及生成用户慢病调理方案的方法、装置及计算机可读介质。获取用户的状态信息，所述状态信息包括身体信息、生理指标信息、过往疾病信息、饮食信息、运动信息和生活方式信息中的至少一种；根据所述状态信息，预测用户患目标类型慢病的风险等级；根据预先构建的知识图谱，确定与所述目标类型慢病的风险等级对应的目标要素框架；所述目标要素框架中包括用户所需的营养因子指数和运动因子指数；根据输入的至少一种食物类型和至少一种运动类型，结合所述目标要素框架，生成与该用户对应的调理方案；所述调理方案中包括该用户每天所对应的食谱方案、运动方案。本发明提供的方案能够结合用户的实际需求生成慢病调理方案。
Description
技术领域
本发明涉及医疗技术领域，尤其涉及生成用户慢病调理方案的方法、装置及计算机可读介质。
背景技术
目前，针对慢病调理方案的生成主要是预先将人群分类，对于每个种类做出适合该类人群的若干调理方案，在确定了用户的所属分类后，从中随机抽取一套给用户。
然而，这种方案实际上无法做到根据不同人的特性来实现个性化解决方案，并没有真正的基于个人健康状况，个人偏好来有针对性的生成合适的调理方案，方案中食物，运动，摄入量的计算也非个人量身定制，只是一个概数，无法结合用户的实际需求来生成慢病调理方案。
因此，需要一种方案能够结合用户的实际需求生成慢病调理方案的方法。
发明内容
本发明要解决的技术问题在于，针对现有技术中的缺陷，提供生成用户慢病调理方案的方法、装置及计算机可读介质。
第一方面，本发明实施例提供了生成用户慢病调理方案的方法，包括：
获取用户的状态信息，所述状态信息包括身体信息、生理指标信息、过往疾病信息、饮食信息、运动信息和生活方式信息中的至少一种；
根据所述状态信息，预测用户患目标类型慢病的风险等级；
根据预先构建的知识图谱，确定与所述目标类型慢病的风险等级对应的目标要素框架；所述目标要素框架中包括用户所需的营养因子指数和运动因子指数；
根据输入的至少一种食物类型和至少一种运动类型，结合所述目标要素框架，生成与该用户对应的调理方案；所述调理方案中包括该用户每天所对应的食谱方案、运动方案。
优选地，
所述生成与该用户对应的调理方案，包括：
根据所述营养因子指数确定每种食物类型的摄入量；
根据所述食物类型，确定至少一种以所述食物类型为原料的食谱；
根据所述食谱和所述摄入量确定所述食谱方案；
根据所述运动因子指数确定每种运动类型的运动时间；
根据所述运动时间和所述至少一种运动类型确定所述运动方案；
将所述食谱方案和所述运动方案整合，得到与该用户对应的所述调理方案。
优选地，
所述调理方案，还包括：健康生活方案；
当所述调理方案包括所述健康生活方案时，所述生成与该用户对应的调理方案，包括：
获取有益于所述目标类型慢病的至少一种生活方式信息；
将所述至少一种生活方式信息整合为所述健康生活方案；
将所述健康生活方案、所述食谱方案和所述运动方案整合，得到与该用户对应的所述调理方案。
优选地，
所述获取用户的状态信息，包括：
接收输入的至少一条健康数据；
对所述健康数据转换为对应的文本格式的健康数据；
构建文本分类算法，其中，所述文本分类算法包括所述身体信息、所述生理指标信息、所述过往疾病信息、所述饮食信息、所述运动信息和所述生活方式信息中的至少一个分类；
将每条所述文本格式的健康数据导入所述文本分类算法中进行分类，得到所述状态信息。
优选地，
所述根据所述状态信息，预测用户患目标类型慢病的风险等级，包括：
根据预先构建的贝叶斯分类器，确定与所述状态信息对应的目标类型慢病；所述目标类型慢病中包括对应所述目标类型慢病的所述身体信息、所述生理指标信息、所述过往疾病信息、所述饮食信息、所述运动信息和所述生活方式信息中的一种或多种；
根据所述目标类型慢病，结合所述身体信息、所述生理指标信息、所述过往疾病信息、所述饮食信息、所述运动信息和所述生活方式信息中的一种或多种，预测用户患目标类型慢病的风险等级。
优选地，
所述根据所述目标类型慢病，结合所述身体信息、所述生理指标信息、所述过往疾病信息、所述饮食信息、所述运动信息和所述生活方式信息中的一种或多种，预测用户患目标类型慢病的风险等级，包括：
根据所述目标类型慢病，确定所述身体信息、所述生理指标信息、所述过往疾病信息、所述饮食信息、所述运动信息和所述生活方式信息中至少一种的状态得分；
根据预先设置的所述身体信息、所述生理指标信息、所述过往疾病信息、所述饮食信息、所述运动信息和所述生活方式信息中至少一种的权重，对每一种状态得分进行加权求和，得到风险得分；
根据预先确定的得分区间与风险等级的对应关系，确定所述风险得分所在的目标得分区间；
根据所述目标得分区间的风险等级和所述目标类型慢病预测出用户患目标类型慢病的风险等级。
优选地，
在所述根据所述状态信息，预测用户患目标类型慢病的风险等级之后，还包括：
将所述目标类型慢病的风险等级导入预先设置的长短期记忆网络LSTM中，其中，所述LSTM中包括至少一个类型慢病的风险等级和未来风险时间段的对应关系；
根据所述目标类型慢病的风险等级，结合所述LSTM，预测用户患所述目标类型慢病的目标未来风险时间段。
第二方面，本发明实施例提供了生成用户慢病调理方案的装置，包括：
获取模块，用于获取用户的状态信息，所述状态信息包括身体信息、生理指标信息、过往疾病信息、饮食信息、运动信息和生活方式信息中的至少一种；
预测模块，用于根据所述状态信息，预测用户患目标类型慢病的风险等级；
确定模块，用于根据预先构建的知识图谱，确定与所述目标类型慢病的风险等级对应的目标要素框架；所述目标要素框架中包括用户所需的营养因子指数和运动因子指数；
生成模块，用于根据输入的至少一种食物类型和至少一种运动类型，结合所述目标要素框架，生成与该用户对应的调理方案；所述调理方案中包括该用户每天所对应的食谱方案、运动方案。
第三方面，本发明实施例提供了生成用户慢病调理方案的装置，包括：至少一个存储器和至少一个处理器；
所述至少一个存储器，用于存储机器可读程序；
所述至少一个处理器，用于调用所述机器可读程序，执行上述第一方面中任一提供的生成用户慢病调理方案的方法。
第四方面，本发明实施例提供了计算机可读介质，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行上述第一方面中任一提供的生成用户慢病调理方案的方法。
本发明实施例提供了生成用户慢病调理方案的方法、装置及计算机可读介质。由上述技术方案可知，首先获取用户的状态信息，状态信息通过多个维度来体现用户的身体状态，状态信息包括身体信息、生理指标信息、过往疾病信息、饮食信息、运动信息和生活方式信息中的至少一种。根据能够表征用户身体状态的状态信息，预测用户患目标类型慢病的风险等级。根据预先构建的根据预先构建的知识图谱，确定与所述目标类型慢病的风险等级对应的目标要素框架；所述目标要素框架中包括用户所需的营养因子指数和运动因子指数；营养因子指数用于表征用户需要摄入的营养成分，运动因子指数用户表征用户需要的运动量。根据输入的至少一种食物类型和至少一种运动类型，结合所述目标要素框架，生成与该用户对应的调理方案；所述调理方案中包括该用户每天所对应的食谱方案、运动方案。由此可见，本发明提供的方案能够结合用户的身体状况预测用户的慢病风险，并结合用户的身体状况和输入的食物类型和运动类型来生成用户对应的调理方案，实现了结合用户的实际需求生成慢病调理方案。
附图说明
图1是本发明一实施例提供的生成用户慢病调理方案的方法的流程图；
图2是本发明一实施例提供的目标类型慢病未来风险预测方法的流程图；
图3是本发明一实施例提供的生成用户慢病调理方案的装置的示意图。
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的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的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。
如前所述，目前，针对慢病调理方案的生成主要是预先将人群分类，对于每个种类做出适合该类人群的若干调理方案，在确定了用户的所属分类后，从中随机抽取一套给用户。然而，这种方案实际上无法做到根据不同人的特性来实现个性化解决方案，并没有真正的基于个人健康状况，个人偏好来有针对性的生成合适的调理方案，方案中食物，运动，摄入量的计算也非个人量身定制，只是一个概数，无法结合用户的实际需求来生成慢病调理方案。因此，需要一种方案能够结合用户的实际需求生成慢病调理方案的方法。
下面结合附图对本发明各个实施例提供的生成用户慢病调理方案的方法、装置及计算机可读介质作详细说明。
如图1所示，本发明一实施例提供了生成用户慢病调理方案的方法，该方法包括以下步骤：
步骤101：获取用户的状态信息，所述状态信息包括身体信息、生理指标信息、过往疾病信息、饮食信息、运动信息和生活方式信息中的至少一种；
步骤102：根据所述状态信息，预测用户患目标类型慢病的风险等级；
步骤103：根据预先构建的知识图谱，确定与所述目标类型慢病的风险等级对应的目标要素框架；所述目标要素框架中包括用户所需的营养因子指数和运动因子指数；
步骤104：根据输入的至少一种食物类型和至少一种运动类型，结合所述目标要素框架，生成与该用户对应的调理方案；所述调理方案中包括该用户每天所对应的食谱方案、运动方案。
由上述技术方案可知，首先获取用户的状态信息，状态信息通过多个维度来体现用户的身体状态，状态信息包括身体信息、生理指标信息、过往疾病信息、饮食信息、运动信息和生活方式信息中的至少一种。根据能够表征用户身体状态的状态信息，预测用户患目标类型慢病的风险等级。根据预先构建的根据预先构建的知识图谱，确定与所述目标类型慢病的风险等级对应的目标要素框架；所述目标要素框架中包括用户所需的营养因子指数和运动因子指数；营养因子指数用于表征用户需要摄入的营养成分，运动因子指数用户表征用户需要的运动量。根据输入的至少一种食物类型和至少一种运动类型，结合所述目标要素框架，生成与该用户对应的调理方案；所述调理方案中包括该用户每天所对应的食谱方案、运动方案。由此可见，本发明提供的方案能够结合用户的身体状况预测用户的慢病风险，并结合用户的身体状况和输入的食物类型和运动类型来生成用户对应的调理方案，实现了结合用户的实际需求生成慢病调理方案。
具体来说，获取用户的状态信息是收集用户各个方面的健康数据，包含针对体重秤，血糖仪，身高测量仪，等健康检测设备，体检报告，电子病历，包含营养，运动，生活方式，用药等的健康记录，以及家居摄像头。
在本发明一实施例中，所述生成与该用户对应的调理方案，包括：
根据所述营养因子指数确定每种食物类型的摄入量；
根据所述食物类型，确定至少一种以所述食物类型为原料的食谱；
根据所述食谱和所述摄入量确定所述食谱方案；
根据所述运动因子指数确定每种运动类型的运动时间；
根据所述运动时间和所述至少一种运动类型确定所述运动方案；
将所述食谱方案和所述运动方案整合，得到与该用户对应的所述调理方案。
具体来说，如前所述，营养因子指数表征用户需要摄入的各种营养成分的含量，运动因子指数表征用户需要进行的运动量。用户在输入食物类型后，确认各个食物类型中所包含的营养成分，并将各个食物类型进行组合得到食谱，比如，食物类型包括鸡蛋和西红柿，鸡蛋和西红柿组合的食谱可以为西红柿炒鸡蛋。之后，再根据用户所需的营养成分的摄入量，结合西红柿和鸡蛋的营养成分含量，得到西红柿炒鸡蛋的质量，比如说为100g，这样推荐出来的食谱即西红柿炒鸡蛋100g。对于运动方案，此前已经获得了用户的身体信息和生理指标等信息，结合食谱方案，得到用户每天的摄入量，根据用户的运动信息得到用户的消耗总量，根据所推荐的食物、运动利用遗传算法求出每餐摄入量，运动的消耗量，结合用户所需的运动量，给用户推荐运动方案。比如，用户需要消耗500kcal的能量，根据跑步热量(kcal)＝体重(kg)×距离(公里)×1.036，结合用户的身体信息得出用户跑步一小时的消耗大约为500kcal，那么由此得到用户的运动方案为跑步一小时。
在本发明一实施例中，所述调理方案，还包括：健康生活方案；
当所述调理方案包括所述健康生活方案时，所述生成与该用户对应的调理方案，包括：
获取有益于所述目标类型慢病的至少一种生活方式信息；
将所述至少一种生活方式信息整合为所述健康生活方案；
将所述健康生活方案、所述食谱方案和所述运动方案整合，得到与该用户对应的所述调理方案。
具体来说，生活方式包括睡眠、戒烟、戒酒等信息，每一项慢病都有对应的生活方式上的禁忌，比如说，有糖尿病的患者不能摄入糖分，需要戒烟、戒酒，由此，结合目标类型慢病，得出一条健康生活方案，健康生活方案的作用为提示用户睡眠保持充足、减少劳累、不要吸烟等健康生活方式的提醒。这样，就得到了完整的调理方案。
此外，用户得到这份调养方案后，如果不满意，还可以进行手动修改，选择自己喜欢的食物信息，选择好后，进入下一步对推荐量的精准计算，同时将修改信息反馈到知识图谱中，系统会重新计算个人与食物，运动，生活方式的偏好权重。
在本发明一实施例中，所述获取用户的状态信息，包括：
接收输入的至少一条健康数据；
对所述健康数据转换为对应的文本格式的健康数据；
构建文本分类算法，其中，所述文本分类算法包括所述身体信息、所述生理指标信息、所述过往疾病信息、所述饮食信息、所述运动信息和所述生活方式信息中的至少一个分类；
将每条所述文本格式的健康数据导入所述文本分类算法中进行分类，得到所述状态信息。
由上所述，此前已经采集用户各个方面的健康数据，包含针对体重秤，血糖仪，身高测量仪，等健康检测设备，体检报告，电子病历，包含营养，运动，生活方式，用药等的健康记录，以及家居摄像头。由于这些健康数据的格式不同，为了便于分类和处理，将收集到的数据根据文本信息，语音信息，图像信息进行相关的文本挖掘，语音的语义理解，图像的语义理解，将所有不同模态的信息统一处理成文本数据信息。之后，需要对所有处理后得到的文本信息进行分类，主要利用文本分类算法将信息分类成身体信息，生理指标，过往疾病信息，饮食信息，运动信息，生活方式信息。身体信息包含身高，体重，围度，BMI，体脂率等。生理指标包含血常规，尿常规，肝功能，肺功能等相关指标，过往疾病信息包含过往常见病，慢病，重大疾病史信息。饮食信息主要包含食物种类，食物摄入量。运动信息包含运动类别，运动时长等信息。生活方式信息包含睡眠，吸烟，饮酒，加班等信息。
在本发明一实施例中，所述根据所述状态信息，预测用户患目标类型慢病的风险等级，包括：
根据预先构建的贝叶斯分类器，确定与所述状态信息对应的目标类型慢病；所述目标类型慢病中包括对应所述目标类型慢病的所述身体信息、所述生理指标信息、所述过往疾病信息、所述饮食信息、所述运动信息和所述生活方式信息中的一种或多种；
根据所述目标类型慢病，结合所述身体信息、所述生理指标信息、所述过往疾病信息、所述饮食信息、所述运动信息和所述生活方式信息中的一种或多种，预测用户患目标类型慢病的风险等级。
贝叶斯分类器是各种分类器中分类错误概率最小或者在预先给定代价的情况下平均风险最小的分类器。预先收集慢病指标数据，即对应所述目标类型慢病的所述身体信息、所述生理指标信息、所述过往疾病信息、所述饮食信息、所述运动信息和所述生活方式信息中的一种或多种。收集整理好后，进行训练生成一个解决慢病分类问题的贝叶斯分类器，利用训练过的贝叶斯分类器实现对慢病类型的判断。将用户的状态信息导入训练好的贝叶斯分类器中，得到状态信息对应的目标类型慢病。比如，暴饮暴食与糖尿病有对应关系，吸烟、过量饮酒、身体活动不足与心脑血管病有对应关系。此前，已经收集了用户的状态信息，将状态信息代入既可获得对应的目标类型慢病。
在本发明一实施例中，所述根据所述目标类型慢病，结合所述身体信息、所述生理指标信息、所述过往疾病信息、所述饮食信息、所述运动信息和所述生活方式信息中的一种或多种，预测用户患目标类型慢病的风险等级，包括：
根据所述目标类型慢病，确定所述身体信息、所述生理指标信息、所述过往疾病信息、所述饮食信息、所述运动信息和所述生活方式信息中至少一种的状态得分；
根据预先设置的所述身体信息、所述生理指标信息、所述过往疾病信息、所述饮食信息、所述运动信息和所述生活方式信息中至少一种的权重，对每一种状态得分进行加权求和，得到风险得分；
根据预先确定的得分区间与风险等级的对应关系，确定所述风险得分所在的目标得分区间；
根据所述目标得分区间的风险等级和所述目标类型慢病预测出用户患目标类型慢病的风险等级。
举例来说，可以采用百分制来进行风险的预测，划分为5个等级，比如，90-100为A级，表征风险很小，80-89为B级，表征风险低，70-79为C级，表征有一定风险，60-69为D级，表征风险大，60以下为E级，表征风险很大。根据每一种慢病类型，确定所述身体信息、所述生理指标信息、所述过往疾病信息、所述饮食信息、所述运动信息和所述生活方式信息中至少一种的权重，对每一种信息计算出状态得分，再根据预先设置的权重进行加权求和，得到风险得分，再确认风险得分属于哪个等级，即可预测用户患目标类型慢病的风险等级。
在本发明一实施例中，在图1的基础上，在所述根据所述状态信息，预测用户患目标类型慢病的风险等级之后，还包括如图2所示的目标类型慢病未来风险预测方法，包括：
步骤201：将所述目标类型慢病的风险等级导入预先设置的长短期记忆网络LSTM中，其中，所述LSTM中包括至少一个类型慢病的风险等级和未来风险时间段的对应关系；
步骤202：根据所述目标类型慢病的风险等级，结合所述LSTM，预测用户患所述目标类型慢病的目标未来风险时间段。
对未来的风险预测实际上是根据现在和过往的数据来预测未来2-3年慢病发生概率的问题。这是典型的基于时间序列的预测问题。首先收集慢病训练数据，其次将其放入LSTM模型中进行训练，生成慢病预测器，将用户的状态信息导入该预测器中，预测出未来2-3年慢病风险。
此外，上述实施例中使用的知识图谱核心就是要构建慢病与健康信息的关系，慢病与食材，药材，运动，生活方式等方面的关系，还有建立人与食材，药材，运动，生活方式的关系。首先，构建慢病与这些信息的schema框架。其次，对关于慢病的结构化和非结构化信息进行处理，对于非结构化信息是需要进行处理的。首先收集各种关于慢病的相关文献，其次对文献中的相关实体进行识别，抽取出与慢病相关的实体信息。再次对文献中与慢病相关的关系进行抽取。接着对抽取的实体与结构化信息中的实体进行对齐处理，主要是为了消除歧义，识别同义词，近义词。除此之外也需要对抽取的关系与结构化信息中的关系进行对齐处理。对齐处理之后，基本就实现了结构化和非结构化信息的融合，也就是知识融合。将融合好的信息生成RDF三元组，最后再将RDF统计存入neo4j中，自此知识图谱初始化构建完成。
如图3所示，本发明一实施例提供了生成用户慢病调理方案的装置，包括：
获取模块301，用于获取用户的状态信息，所述状态信息包括身体信息、生理指标信息、过往疾病信息、饮食信息、运动信息和生活方式信息中的至少一种；
预测模块302，用于根据所述状态信息，预测用户患目标类型慢病的风险等级；
确定模块303，用于根据预先构建的知识图谱，确定与所述目标类型慢病的风险等级对应的目标要素框架；所述目标要素框架中包括用户所需的营养因子指数和运动因子指数；
生成模块304，用于根据输入的至少一种食物类型和至少一种运动类型，结合所述目标要素框架，生成与该用户对应的调理方案；所述调理方案中包括该用户每天所对应的食谱方案、运动方案。
可以理解的是，本发明实施例示意的结构并不构成对生成用户慢病调理方案的装置的具体限定。在本发明的另一些实施例中，生成用户慢病调理方案的装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述生成用户慢病调理方案的装置内的各单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
本发明还提供了一种计算机可读介质，存储用于使一计算机执行如本文所述的生成用户慢病调理方案的方法的指令。具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展单元上的CPU等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.生成用户慢病调理方案的方法，其特征在于，包括：
获取用户的状态信息，所述状态信息包括身体信息、生理指标信息、过往疾病信息、饮食信息、运动信息和生活方式信息中的至少一种；
根据所述状态信息，预测用户患目标类型慢病的风险等级；
根据预先构建的知识图谱，确定与所述目标类型慢病的风险等级对应的目标要素框架；所述目标要素框架中包括用户所需的营养因子指数和运动因子指数；
根据输入的至少一种食物类型和至少一种运动类型，结合所述目标要素框架，生成与该用户对应的调理方案；所述调理方案中包括该用户每天所对应的食谱方案、运动方案。
2.根据权利要求1所述的方法，其特征在于：
所述生成与该用户对应的调理方案，包括：
根据所述营养因子指数确定每种食物类型的摄入量；
根据所述食物类型，确定至少一种以所述食物类型为原料的食谱；
根据所述食谱和所述摄入量确定所述食谱方案；
根据所述运动因子指数确定每种运动类型的运动时间；
根据所述运动时间和所述至少一种运动类型确定所述运动方案；
将所述食谱方案和所述运动方案整合，得到与该用户对应的所述调理方案。
3.根据权利要求2所述的方法，其特征在于：
所述调理方案，进一步包括：健康生活方案；
当所述调理方案包括所述健康生活方案时，所述生成与该用户对应的调理方案，包括：
获取有益于所述目标类型慢病的至少一种生活方式信息；
将所述至少一种生活方式信息整合为所述健康生活方案；
将所述健康生活方案、所述食谱方案和所述运动方案整合，得到与该用户对应的所述调理方案。
4.根据权利要求1所述的方法，其特征在于：
所述获取用户的状态信息，包括：
接收输入的至少一条健康数据；
对所述健康数据转换为对应的文本格式的健康数据；
构建文本分类算法，其中，所述文本分类算法包括所述身体信息、所述生理指标信息、所述过往疾病信息、所述饮食信息、所述运动信息和所述生活方式信息中的至少一个分类；
将每条所述文本格式的健康数据导入所述文本分类算法中进行分类，得到所述状态信息。
5.根据权利要求1所述的方法，其特征在于：
所述根据所述状态信息，预测用户患目标类型慢病的风险等级，包括：
根据预先构建的贝叶斯分类器，确定与所述状态信息对应的目标类型慢病；所述目标类型慢病中包括对应所述目标类型慢病的所述身体信息、所述生理指标信息、所述过往疾病信息、所述饮食信息、所述运动信息和所述生活方式信息中的一种或多种；
根据所述目标类型慢病，结合所述身体信息、所述生理指标信息、所述过往疾病信息、所述饮食信息、所述运动信息和所述生活方式信息中的一种或多种，预测用户患目标类型慢病的风险等级。
6.根据权利要求5所述的方法，其特征在于：
所述根据所述目标类型慢病，结合所述身体信息、所述生理指标信息、所述过往疾病信息、所述饮食信息、所述运动信息和所述生活方式信息中的一种或多种，预测用户患目标类型慢病的风险等级，包括：
根据所述目标类型慢病，确定所述身体信息、所述生理指标信息、所述过往疾病信息、所述饮食信息、所述运动信息和所述生活方式信息中至少一种的状态得分；
根据预先设置的所述身体信息、所述生理指标信息、所述过往疾病信息、所述饮食信息、所述运动信息和所述生活方式信息中至少一种的权重，对每一种状态得分进行加权求和，得到风险得分；
根据预先确定的得分区间与风险等级的对应关系，确定所述风险得分所在的目标得分区间；
根据所述目标得分区间的风险等级和所述目标类型慢病预测出用户患目标类型慢病的风险等级。
7.根据权利要求1-6中任一所述的方法，其特征在于：
在所述根据所述状态信息，预测用户患目标类型慢病的风险等级之后，进一步包括：
将所述目标类型慢病的风险等级导入预先设置的长短期记忆网络LSTM中，其中，所述LSTM中包括至少一个类型慢病的风险等级和未来风险时间段的对应关系；
根据所述目标类型慢病的风险等级，结合所述LSTM，预测用户患所述目标类型慢病的目标未来风险时间段。
8.生成用户慢病调理方案的装置，其特征在于，包括：
获取模块，用于获取用户的状态信息，所述状态信息包括身体信息、生理指标信息、过往疾病信息、饮食信息、运动信息和生活方式信息中的至少一种；
预测模块，用于根据所述状态信息，预测用户患目标类型慢病的风险等级；
确定模块，用于根据预先构建的知识图谱，确定与所述目标类型慢病的风险等级对应的目标要素框架；所述目标要素框架中包括用户所需的营养因子指数和运动因子指数；
生成模块，用于根据输入的至少一种食物类型和至少一种运动类型，结合所述目标要素框架，生成与该用户对应的调理方案；所述调理方案中包括该用户每天所对应的食谱方案、运动方案。
9.生成用户慢病调理方案的装置，其特征在于，包括：至少一个存储器和至少一个处理器；
所述至少一个存储器，用于存储机器可读程序；
所述至少一个处理器，用于调用所述机器可读程序，执行权利要求1至8中任一所述的生成用户慢病调理方案的方法。
10.计算机可读介质，其特征在于，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行权利要求1至8中任一所述的生成用户慢病调理方案的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011431830.1A CN112528009A (zh) | 2020-12-07 | 2020-12-07 | 生成用户慢病调理方案的方法、装置及计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011431830.1A CN112528009A (zh) | 2020-12-07 | 2020-12-07 | 生成用户慢病调理方案的方法、装置及计算机可读介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112528009A true CN112528009A (zh) | 2021-03-19 |
Family
ID=74999773
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011431830.1A Pending CN112528009A (zh) | 2020-12-07 | 2020-12-07 | 生成用户慢病调理方案的方法、装置及计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112528009A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112951430A (zh) * | 2021-03-29 | 2021-06-11 | 阿斯利康投资(中国)有限公司 | 多种慢性疾病联合管理设备和计算机可读存储介质 |
| CN113221564A (zh) * | 2021-04-29 | 2021-08-06 | 北京百度网讯科技有限公司 | 训练实体识别模型的方法、装置、电子设备和存储介质 |
| CN113377967A (zh) * | 2021-08-12 | 2021-09-10 | 明品云(北京)数据科技有限公司 | 一种目标方案的获取方法、系统、电子设备及介质 |
| 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 |
| CN113823412A (zh) * | 2021-09-29 | 2021-12-21 | 康键信息技术（深圳）有限公司 | 健康管理计划生成方法、装置、电子设备及存储介质 |
| TWI819906B (zh) * | 2022-11-24 | 2023-10-21 | 奇林樂活股份有限公司 | 引導培養健康生活之飲食輔助系統 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106778014A (zh) * | 2016-12-29 | 2017-05-31 | 浙江大学 | 一种基于循环神经网络的患病风险预测方法 |
| CN108665960A (zh) * | 2018-04-28 | 2018-10-16 | 见道（杭州）科技有限公司 | 一种健康管理方法及装置 |
| CN109243608A (zh) * | 2018-09-11 | 2019-01-18 | 北京唐冠天朗科技开发有限公司 | 一种高危人群识别方法和系统 |
| CN110504019A (zh) * | 2019-08-30 | 2019-11-26 | 北京妙医佳健康科技集团有限公司 | 用户个性化饮食推荐方法、装置、电子设备及存储介质 |
| CN111161880A (zh) * | 2019-12-23 | 2020-05-15 | 平安医疗健康管理股份有限公司 | 基于分类模型的医疗信息分类方法、装置和计算机设备 |
| CN111489800A (zh) * | 2020-04-10 | 2020-08-04 | 武汉万屏电子科技有限公司 | 一种病历和报告单图像识别与存储的分析方法及系统 |
| CN112102950A (zh) * | 2020-11-04 | 2020-12-18 | 平安科技（深圳）有限公司 | 一种数据处理系统、方法、装置及存储介质 |
-
2020
- 2020-12-07 CN CN202011431830.1A patent/CN112528009A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106778014A (zh) * | 2016-12-29 | 2017-05-31 | 浙江大学 | 一种基于循环神经网络的患病风险预测方法 |
| CN108665960A (zh) * | 2018-04-28 | 2018-10-16 | 见道（杭州）科技有限公司 | 一种健康管理方法及装置 |
| CN109243608A (zh) * | 2018-09-11 | 2019-01-18 | 北京唐冠天朗科技开发有限公司 | 一种高危人群识别方法和系统 |
| CN110504019A (zh) * | 2019-08-30 | 2019-11-26 | 北京妙医佳健康科技集团有限公司 | 用户个性化饮食推荐方法、装置、电子设备及存储介质 |
| CN111161880A (zh) * | 2019-12-23 | 2020-05-15 | 平安医疗健康管理股份有限公司 | 基于分类模型的医疗信息分类方法、装置和计算机设备 |
| CN111489800A (zh) * | 2020-04-10 | 2020-08-04 | 武汉万屏电子科技有限公司 | 一种病历和报告单图像识别与存储的分析方法及系统 |
| CN112102950A (zh) * | 2020-11-04 | 2020-12-18 | 平安科技（深圳）有限公司 | 一种数据处理系统、方法、装置及存储介质 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112951430A (zh) * | 2021-03-29 | 2021-06-11 | 阿斯利康投资(中国)有限公司 | 多种慢性疾病联合管理设备和计算机可读存储介质 |
| CN113221564A (zh) * | 2021-04-29 | 2021-08-06 | 北京百度网讯科技有限公司 | 训练实体识别模型的方法、装置、电子设备和存储介质 |
| CN113221564B (zh) * | 2021-04-29 | 2024-03-01 | 北京百度网讯科技有限公司 | 训练实体识别模型的方法、装置、电子设备和存储介质 |
| CN113377967A (zh) * | 2021-08-12 | 2021-09-10 | 明品云(北京)数据科技有限公司 | 一种目标方案的获取方法、系统、电子设备及介质 |
| CN113377967B (zh) * | 2021-08-12 | 2021-12-21 | 明品云(北京)数据科技有限公司 | 一种目标方案的获取方法、系统、电子设备及介质 |
| 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 |
| CN113823412A (zh) * | 2021-09-29 | 2021-12-21 | 康键信息技术（深圳）有限公司 | 健康管理计划生成方法、装置、电子设备及存储介质 |
| CN113823412B (zh) * | 2021-09-29 | 2024-04-12 | 康键信息技术（深圳）有限公司 | 健康管理计划生成方法、装置、电子设备及存储介质 |
| TWI819906B (zh) * | 2022-11-24 | 2023-10-21 | 奇林樂活股份有限公司 | 引導培養健康生活之飲食輔助系統 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11621077B2 (en) | Methods and systems for using artificial intelligence to select a compatible element | |
| CN112528009A (zh) | 生成用户慢病调理方案的方法、装置及计算机可读介质 | |
| US11928570B2 (en) | Artificial intelligence methods and systems for generation and implementation of alimentary instruction sets | |
| US10846622B2 (en) | Methods and systems for an artificial intelligence support network for behavior modification | |
| US11289198B2 (en) | Systems and methods for generating alimentary instruction sets based on vibrant constitutional guidance | |
| US11705235B2 (en) | Health monitoring and coaching system | |
| CN110349671B (zh) | 体检数据处理方法、系统、电子设备及存储介质 | |
| US20210162261A1 (en) | Methods and systems for generating physical activity sets for a human subject | |
| US11775053B2 (en) | Methods and systems for using artificial intelligence to analyze user activity data | |
| US10902351B1 (en) | Methods and systems for using artificial intelligence to analyze user activity data | |
| US11568351B2 (en) | Systems and methods for arranging transport of alimentary components | |
| US12014252B2 (en) | Systems and methods for implementing generated alimentary instruction sets based on vibrant constitutional guidance | |
| US20210098099A1 (en) | Systems and methods for selecting a treatment schema based on user willingness | |
| US11157822B2 (en) | Methods and systems for classification using expert data | |
| US11581094B2 (en) | Methods and systems for generating a descriptor trail using artificial intelligence | |
| US20220358409A1 (en) | Methods and systems for generating a supplement instruction set using artificial intelligence | |
| US11315684B2 (en) | Systems and methods for generating alimentary instruction sets based on vibrant constitutional guidance | |
| KR102342770B1 (ko) | 질병 예측치의 분포를 이용한 건강관리 상담 시스템 | |
| CN116168804B (zh) | 一种基于his系统的病患膳食推荐系统与方法 | |
| KR20210052122A (ko) | 사용자 맞춤형 식품 정보 서비스 제공 시스템 및 그 방법 | |
| US20220054091A1 (en) | Methods and systems for self-fulfillment of an alimentary instruction set based on vibrant constitutional guidance | |
| US11222727B2 (en) | Systems and methods for generating alimentary instruction sets based on vibrant constitutional guidance | |
| Brenna et al. | A survey of automatic methods for nutritional assessment | |
| US20230187072A1 (en) | Methods and systems for generating a descriptor trail using artificial intelligence |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210319 |