CN112754457B - 体脂健康状态获取方法、装置和系统 - Google Patents
体脂健康状态获取方法、装置和系统 Download PDFInfo
- Publication number
- CN112754457B CN112754457B CN202110080223.3A CN202110080223A CN112754457B CN 112754457 B CN112754457 B CN 112754457B CN 202110080223 A CN202110080223 A CN 202110080223A CN 112754457 B CN112754457 B CN 112754457B
- Authority
- CN
- China
- Prior art keywords
- body fat
- user
- fat rate
- health
- calculation model
- 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.)
- Active
Links
- 210000000577 adipose tissue Anatomy 0.000 title claims abstract description 675
- 230000036541 health Effects 0.000 title claims abstract description 289
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000005259 measurement Methods 0.000 claims abstract description 38
- 230000003862 health status Effects 0.000 claims abstract description 34
- 238000004364 calculation method Methods 0.000 claims description 142
- 238000012545 processing Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013523 data management Methods 0.000 abstract description 8
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 238000011156 evaluation Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/053—Measuring electrical impedance or conductance of a portion of the body
- A61B5/0537—Measuring body composition by impedance, e.g. tissue hydration or fat content
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4869—Determining body composition
- A61B5/4872—Body fat
-
- 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
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Veterinary Medicine (AREA)
- Data Mining & Analysis (AREA)
- Heart & Thoracic Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供一种体脂健康状态获取方法、装置和系统，其中方法包括：发送体脂率测量指令至人体成分分析仪，以使得所述人体成分分析仪在接收到所述体脂率测量指令后测量用户的体脂率数据；基于接收到的所述用户的体脂率数据，以及所述用户的年龄信息，确定所述用户的体脂健康状态；其中，所述体脂健康状态包括体脂健康指数、体脂健康趋势和体脂健康排名中的至少一种；将所述用户的体脂健康状态存储至服务器中，以供所述用户通过客户端查看所述体脂健康状态。本发明实现了体脂健康状态的智能化评估，以及体脂健康状态的数据管理和体脂健康监测，提升了用户体验。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种体脂健康状态获取方法、装置和系统。
背景技术
随着生活水平的提高，人们对健康的关注度越来越高，更多的人选择通过运动的方式保障身体的健康。在社区健身房、企业健身房或家庭等运动场景中，为了衡量用户的健康状况和运动效果，可以定期对用户的体脂率进行测量，根据用户的体脂率评估该用户在一段时间内所做运动对其体脂率的改善情况。
目前的体脂率测量设备通常利用测量生物电阻抗的方法确定人体内的脂肪含量，并在屏幕上会显示测量对象的体脂率。然而，现有的体脂率测量设备功能单一，只能实现简单的体脂率测量，而无法根据用户的年龄和测量出的体脂率对用户的体脂健康状态进行量化评估，无法实现健康数据管理、体脂健康监测等功能，也无法通过用户的体脂健康状态进行运动推荐，以优化用户使用体验。
发明内容
本发明提供一种体脂健康状态获取方法、装置和系统，用以解决现有技术中无法根据用户的年龄和测量出的体脂率对用户的体脂健康状态进行量化评估的缺陷，实现体脂健康状态的智能化评估以及健康数据管理和体脂健康监测。
本发明提供一种体脂健康状态获取方法，包括：
发送体脂率测量指令至人体成分分析仪，以使得所述人体成分分析仪在接收到所述体脂率测量指令后测量用户的体脂率数据；
基于接收到的所述用户的体脂率数据，以及所述用户的年龄信息，确定所述用户的体脂健康状态；其中，所述体脂健康状态包括体脂健康指数、体脂健康趋势和体脂健康排名中的至少一种；
将所述用户的体脂健康状态存储至服务器中，以供所述用户通过客户端查看所述体脂健康状态。
根据本发明提供的一种体脂健康状态获取方法，所述基于接收到的所述用户的体脂率数据，以及所述用户的年龄信息，确定所述用户的体脂健康状态，具体包括：
若所述用户的体脂率数据低于所述用户的健康体脂率下限或高于所述用户的亚健康体脂率上限，则将所述用户的体脂健康指数设置为预设非健康指数；
若所述用户的体脂率数据在所述用户的理想体脂率区间内，则将所述用户的体脂健康指数设置为预设健康指数；
否则，基于所述用户的年龄信息和体脂率数据，确定所述用户的体脂健康指数；
其中，所述用户的健康体脂率下限、亚健康体脂率上限和理想体脂率区间是将所述用户的年龄信息分别输入至健康体脂率下限计算模型、亚健康体脂率上限计算模型和理想体脂率区间计算模型得到的；
所述健康体脂率下限计算模型、亚健康体脂率上限计算模型和理想体脂率区间计算模型是对样本用户的年龄信息，以及所述样本用户的健康体脂率下限、亚健康体脂率上限和理想体脂率区间进行大数据处理得到的。
根据本发明提供的一种体脂健康状态获取方法，所述健康体脂率下限计算模型为：
L1＝0.138357×A-1.040051
其中，L1表示待测用户的健康体脂率下限，A表示所述待测用户的年龄信息；
所述理想体脂率区间计算模型为：
L2＝-1.305242+0.342910×A-0.001656×A2
L3＝8.965793+0.375257×A-0.00446×A2
其中，L2表示所述待测用户的理想体脂率区间的下限，L3表示所述待测用户的理想体脂率区间的上限；
所述亚健康体脂率上限计算模型为：
L4＝23.110242+0.144006×A-0.001309×A2
其中，L4表示所述待测用户的亚健康体脂率上限。
根据本发明提供的一种体脂健康状态获取方法，所述基于所述用户的年龄信息和体脂率数据，确定所述用户的体脂健康指数，具体包括：
若所述用户的体脂率数据高于所述用户的健康体脂率下限且低于所述用户的理想体脂率区间的下限，则将所述用户的体脂率数据和年龄信息输入至第一健康指数计算模型，得到所述用户的体脂健康指数；
若所述用户的体脂率数据高于所述用户的理想体脂率区间的上限且低于所述用户的亚健康体脂率下限，则将所述用户的体脂率数据和年龄信息输入至第二健康指数计算模型，得到所述用户的体脂健康指数；
若所述用户的体脂率数据高于所述用户的亚健康体脂率下限且低于所述用户的亚健康体脂率上限，则将所述用户的体脂率数据和年龄信息输入至第三健康指数计算模型，得到所述用户的体脂健康指数；
其中，所述第一健康指数计算模型、所述第二健康指数计算模型和所述第三健康指数计算模型各不相同。
根据本发明提供的一种体脂健康状态获取方法，所述第一健康指数计算模型、所述第二健康指数计算模型和所述第三健康指数计算模型是基于对应样本用户的体脂率数据和年龄信息，以及所述对应样本用户的体脂健康指数进行大数据处理得到的。
根据本发明提供的一种体脂健康状态获取方法，所述第一健康指数计算模型为：
S＝99-(-1.305242+0.342910×A-0.001656×A2-P)×(19.808472-0.368809×A+0.002851×A2)
所述第二健康指数计算模型为：
S＝76+(17.622335+0.206702×A-0.001849×A2-P)×(1.014067+0.174589×A-0.001639×A2)
所述第三健康指数计算模型为：
S＝51+(23.110242+0.144006×A-0.001309×A2-P)×(2.625499+0.154177×A-0.001305×A2)
其中，S表示待测用户的体脂健康指数，P表示所述待测用户的体脂率，A表示所述待测用户的年龄信息。
根据本发明提供的一种体脂健康状态获取方法，所述用户的亚健康体脂率下限是将所述用户的年龄信息输入至亚健康体脂率下限计算模型得到的；所述亚健康体脂率下限计算模型是对样本用户的年龄信息，以及所述样本用户的亚健康体脂率下限进行大数据处理得到的。
根据本发明提供的一种体脂健康状态获取方法，所述亚健康体脂率下限计算模型为：
L5＝17.622335+0.206702×A-0.001849×A2
其中，L5表示待测用户的亚健康体脂率下限，A表示所述待测用户的年龄信息。
本发明还提供一种体脂健康状态获取装置，包括：
体脂率测量启动单元，用于发送体脂率测量指令至人体成分分析仪，以使得所述人体成分分析仪在接收到所述体脂率测量指令后测量用户的体脂率数据；
体脂健康状态获取单元，用于基于接收到的所述用户的体脂率数据，以及所述用户的年龄信息，确定所述用户的体脂健康状态；其中，所述体脂健康状态包括体脂健康指数、体脂健康趋势和体脂健康排名中的至少一种；
存储单元，用于将所述用户的体脂健康状态存储至服务器中，以供所述用户通过客户端查看所述体脂健康状态。
本发明还提供一种体脂健康状态获取系统，包括：
人体成分分析仪、智能终端、服务器和客户端；所述人体成分分析仪与所述智能终端通过串口连接，所述智能终端和所述客户端分别通过网络与所述服务器连接；
其中，所述智能终端用于执行如上述任一种所述体脂健康状态获取方法的步骤。
本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述体脂健康状态获取方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述体脂健康状态获取方法的步骤。
本发明提供的体脂健康状态获取方法、装置和系统，通过发送体脂率测量指令至人体成分分析仪，使人体成分分析仪在接收到体脂率测量指令后测量用户的体脂率数据，并基于接收到的用户的体脂率数据，以及用户的年龄信息，确定用户的体脂健康状态，从而将用户的体脂健康状态存储至服务器中，实现了体脂健康状态的智能化评估，以及体脂健康状态的数据管理和体脂健康监测，提升了用户体验。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为本发明提供的体脂健康状态获取方法的流程示意图；
图2为本发明提供的体脂健康状态获取装置的结构示意图；
图3为本发明提供的体脂健康状态获取系统的结构示意图；
图4为本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的体脂健康状态获取方法的流程示意图，如图1所示，该方法的执行主体可以是智能终端，具体可以是智能终端内部的处理单元，该方法包括：
步骤110，发送体脂率测量指令至人体成分分析仪，以使得人体成分分析仪在接收到体脂率测量指令后测量用户的体脂率数据。
具体地，可以向连接的人体成分分析仪发送体脂率测量指令，以使得人体成分分析仪在接收到该体脂率测量指令后开始测量用户的体脂率数据，除此之外还可以测量用户的骨含量、肌肉含量等人体成分数据。此处，人体成分分析仪与智能终端之间可以通过串口线连接，通过串口线进行数据传输。
此外，在测量体脂率之前，还可以对当前需要进行体脂率测量的用户进行身份验证。其中，可以通过摄像头或读卡器采集用户的身份信息，例如用户的指纹图像、人脸图像或身份证数据等。然后，可以将采集到的身份信息上传至服务器进行身份验证。此处，服务器的数据库中预存有所有注册用户的身份信息，服务器中存储的身份信息种类与智能终端采集的身份信息种类相同，例如均为用户的人脸图像。服务器利用相应的图像识别技术或数据匹配技术将上传的身份信息与数据库中预存的身份信息进行匹配。若匹配成功，则表明当前用户的身份验证通过。此时，服务器可以读取该用户的年龄信息并将其返回给智能终端，或是将身份验证通过的提示信息返回给智能终端，并在智能终端请求该用户的年龄信息时将其返回给智能终端。
步骤120，基于接收到的用户的体脂率数据，以及用户的年龄信息，确定用户的体脂健康状态；其中，体脂健康状态包括体脂健康指数、体脂健康趋势和体脂健康排名中的至少一种。
具体地，人体成分分析仪测量得到用户的体脂率数据后，会将上述体脂率数据发送给智能终端，以获取该用户对应的体脂健康状态。考虑到体脂率高低与用户的年龄存在密切联系，即使是相同的体脂率，不同年龄段的用户其对应的健康体脂率范围不同，相应地，其体脂健康状态的量化结果也不同。因此，可以基于接收到的用户的体脂率数据，以及用户的年龄信息，确定该用户的体脂健康状态。其中，体脂健康状态包括体脂健康指数、体脂健康趋势和体脂健康排名中的至少一种。此处，体脂健康指数越高，表明对于该用户而言，其脂肪含量越正常。体脂健康趋势包括该用户当前以及过去的体脂健康指数变化情况，根据体脂健康趋势可以确定该用户任一时间段的体脂健康指数及其变化情况，从而可以评估该时间段内所做运动对于用户健康状况的改善作用。体脂健康排名为该用户在某一群体内的体脂健康指数的排名，以促使用户积极运动。该群体可以为该用户的好友或与该用户处于同一年龄段的人等，本发明实施例对此不作具体限定。
此处，当体脂健康状态包括体脂健康趋势和/或体脂健康排名时，可以由智能终端在本地进行体脂健康指数的计算，并将计算得到的体脂健康指数上传至服务器，服务器结合该用户之前的体脂健康指数以及当前上传的体脂健康指数，生成该用户的体脂健康趋势；服务器还可以获取某一群体内各个用户的体脂健康指数，并将该用户的体脂健康指数与某一群体内各个用户的体脂健康指数进行排序，得到该用户的体脂健康排名。
步骤130，将用户的体脂健康状态存储至服务器中，以供用户通过客户端查看体脂健康状态。
具体地，将该用户的体脂健康状态上传至服务器中进行存储，实现用户体脂健康状态的数据管理和健康监测。此外，将体脂健康状态存储至服务器，还可以使得该用户可以随时通过客户端连接至服务器，从而获取并查看其对应的体脂健康状态。根据自身的体脂健康状态，用户可以直观地了解自身的体脂率状态是否处于健康范围内、以及体脂率正常或不正常的程度，以便于及时调整自己的饮食习惯和运动习惯。在此基础上，还可以根据该用户的体脂健康状态，评估该用户对于运动的需求并制订对该用户的运动建议。
本发明实施例提供的方法，通过发送体脂率测量指令至人体成分分析仪，使人体成分分析仪在接收到体脂率测量指令后测量用户的体脂率数据，并基于接收到的用户的体脂率数据，以及用户的年龄信息，确定用户的体脂健康状态，从而将用户的体脂健康状态存储至服务器中，实现了体脂健康状态的智能化评估，以及体脂健康状态的数据管理和体脂健康监测，提升了用户体验。
基于上述实施例，步骤120具体包括：
若用户的体脂率数据低于用户的健康体脂率下限或高于用户的亚健康体脂率上限，则将用户的体脂健康指数设置为预设非健康指数；
若用户的体脂率数据在用户的理想体脂率区间内，则将用户的体脂健康指数设置为预设健康指数；
否则，基于用户的年龄信息和体脂率数据，确定用户的体脂健康指数；
其中，用户的健康体脂率下限、亚健康体脂率上限和理想体脂率区间是将用户的年龄信息分别输入至健康体脂率下限计算模型、亚健康体脂率上限计算模型和理想体脂率区间计算模型得到的；
健康体脂率下限计算模型、亚健康体脂率上限计算模型和理想体脂率区间计算模型是对样本用户的年龄信息，以及样本用户的健康体脂率下限、亚健康体脂率上限和理想体脂率区间进行大数据处理得到的。
具体地，人体体脂率存在高低两个极限值，此处，将其中高的极限值称为亚健康体脂率上限，将其中低的极限值称为健康体脂率下限。若用户的体脂率低于健康体脂率下限或高于亚健康体脂率上限，则其体脂率过低或过高，存在较大的健康风险。此时，无需细化计算该用户的体脂健康指数，可以直接将用户的体脂健康指数设置为预设非健康指数，例如50分，以提高体脂健康状态获取的效率。
此外，人体体脂率也存在一个理想范围，即理想体脂率区间。若用户的体脂率数据在该用户的理想体脂率区间内，则表明该用户的体脂率对于本人而言比较理想，可以直接将用户的体脂健康指数设置为预设健康指数，例如100分，以提高体脂健康状态获取的效率。其中，健康体脂率下限<理想体脂率区间的下限<理想体脂率区间的上限<亚健康体脂率上限。
若用户的体脂率数据介于健康体脂率下限和亚健康体脂率上限之间，且不处于理想体脂率区间内，则可以基于用户的年龄信息和体脂率数据，确定该用户的体脂健康指数，以精确评估该用户的体脂健康状态。
其中，由于体脂健康状态具有个体差异性，因此可以为该用户设定与其相关的个性化健康体脂率下限、亚健康体脂率上限和理想体脂率区间，以提高该用户的体脂健康指数的准确性。具体而言，任一用户的健康体脂率下限、亚健康体脂率上限和理想体脂率区间是将用户的年龄信息分别输入至健康体脂率下限计算模型、亚健康体脂率上限计算模型和理想体脂率区间计算模型得到的。即，健康体脂率下限计算模型、亚健康体脂率上限计算模型和理想体脂率区间计算模型会利用不同的计算方式，基于该用户的年龄信息计算其对应的健康体脂率下限、亚健康体脂率上限和理想体脂率区间。
为了更准确地计算用户的健康体脂率下限、亚健康体脂率上限和理想体脂率区间，可以通过大数据处理方式，隐式地学习用户的年龄信息分别与健康体脂率下限、亚健康体脂率上限和理想体脂率区间之间的联系，从而构建健康体脂率下限计算模型、亚健康体脂率上限计算模型和理想体脂率区间计算模型。此处，可以预先获取大量样本用户的年龄信息，标注各样本用户的健康体脂率下限、亚健康体脂率上限和理想体脂率区间，并对此进行大数据分析，得到年龄信息分别与健康体脂率下限、亚健康体脂率上限和理想体脂率区间之间的关联关系。其中，可以采用曲线拟合的方式，利用连续曲线近似地比拟大量样本用户的健康体脂率下限和年龄信息构成的离散点坐标之间的函数关系、亚健康体脂率上限和年龄信息构成的离散点坐标之间的函数关系，以及理想体脂率区间和年龄信息构成的离散点坐标之间的函数关系，并根据拟合得到的曲线的解析表达式，得到健康体脂率下限计算模型、亚健康体脂率上限计算模型和理想体脂率区间计算模型。
基于上述任一实施例，健康体脂率下限计算模型为：
L1＝0.138357×A-1.040051
其中，L1表示待测用户的健康体脂率下限，A表示待测用户的年龄信息；
理想体脂率区间计算模型为：
L2＝-1.305242+0.342910×A-0.001656×A2
L3＝8.965793+0.375257×A-0.00.446×A2
其中，L2表示待测用户的理想体脂率区间的下限，L3表示待测用户的理想体脂率区间的上限；
亚健康体脂率上限计算模型为：
L4＝23.110242+0.144006×A-0.001309×A2
其中，L4表示待测用户的亚健康体脂率上限。
具体地，对样本用户的年龄信息，以及样本用户的健康体脂率下限进行大数据处理后，得到的健康体脂率下限计算模型为：
L1＝0.138357×A-1.040051
其中，L1表示待测用户的健康体脂率下限，A表示待测用户的年龄信息。
对样本用户的年龄信息，以及样本用户的理想体脂率区间进行大数据处理后，得到的理想体脂率区间计算模型为：
L2＝-1.305242+0.342910×A-0.001656×A2
L3＝8.965793+0.375257×A-0.00446×A2
其中，L2表示待测用户的理想体脂率区间的下限，L3表示待测用户的理想体脂率区间的上限。
对样本用户的年龄信息，以及样本用户的亚健康体脂率上限进行大数据处理后，得到的亚健康体脂率上限计算模型为：
L4＝23.110242+0.144006×A-0.001309×A2
其中，L4表示待测用户的亚健康体脂率上限。
利用上述健康体脂率下限计算模型、亚健康体脂率上限计算模型和理想体脂率区间计算模型计算任一用户的健康体脂率下限、亚健康体脂率上限和理想体脂率区间，有助于提高其体脂健康指数的准确性。
基于上述任一实施例，基于用户的年龄信息和体脂率数据，确定用户的体脂健康指数，具体包括：
若用户的体脂率数据高于用户的健康体脂率下限且低于用户的理想体脂率区间的下限，则将用户的体脂率数据和年龄信息输入至第一健康指数计算模型，得到用户的体脂健康指数；
若用户的体脂率数据高于用户的理想体脂率区间的上限且低于用户的亚健康体脂率下限，则将用户的体脂率数据和年龄信息输入至第二健康指数计算模型，得到用户的体脂健康指数；
若用户的体脂率数据高于用户的亚健康体脂率下限且低于用户的亚健康体脂率上限，则将用户的体脂率数据和年龄信息输入至第三健康指数计算模型，得到用户的体脂健康指数；
其中，第一健康指数计算模型、第二健康指数计算模型和第三健康指数计算模型各不相同。
具体地，考虑到在不同的体脂率范围内，体脂率的变化对健康的影响不同，相对应的体脂健康状态的量化方式也存在差别，因此，本发明实施例将体脂率的取值范围划分为(健康体脂率下限，理想体脂率区间的下限)、(理想体脂率区间的上限，亚健康体脂率下限)以及(亚健康体脂率下限，亚健康体脂率上限)三个区间。其中，健康体脂率下限<理想体脂率区间的下限<理想体脂率区间的上限<亚健康体脂率下限<亚健康体脂率上限。在用户的体脂率落入到任一区间时，采用该区间对应的健康指数计算模型进行体脂健康指数的计算，以提高体脂健康指数的精确度。其中，区间(健康体脂率下限，理想体脂率区间的下限)对应第一健康指数计算模型，区间(理想体脂率区间的上限，亚健康体脂率下限)对应第二健康指数计算模型，区间(亚健康体脂率下限，亚健康体脂率上限)对应第三健康指数计算模型，且第一健康指数计算模型、第二健康指数计算模型和第三健康指数计算模型各不相同。
基于上述任一实施例，第一健康指数计算模型、第二健康指数计算模型和第三健康指数计算模型是基于对应样本用户的体脂率数据和年龄信息，以及对应样本用户的体脂健康指数进行大数据处理得到的。
具体地，为了更准确地计算用户的体脂健康指数，可以通过大数据处理方式，隐式地学习各个体脂率区间内的用户的年龄信息和体脂率数据与体脂健康指数之间的联系，从而构建各个体脂率区间对应的健康指数计算模型。此处，可以预先获取大量各个体脂率区间内的样本用户的年龄信息和体脂率数据，标注体脂健康指数，并分别对各个体脂率区间内的样本用户的年龄信息、体脂率数据和体脂健康指数进行大数据分析，得到各个体脂率区间内样本用户的年龄信息和体脂率数据与体脂健康指数之间的关联关系。其中，可以采用曲线拟合的方式，利用连续曲线近似地比拟任一体脂率区间内大量样本用户的体脂健康指数与年龄信息和体脂率数据构成的离散点坐标之间的函数关系，并根据拟合得到的曲线的解析表达式，得到各个体脂率区间对应的健康指数计算模型，即第一健康指数计算模型、第二健康指数计算模型和第三健康指数计算模型。
基于上述任一实施例，第一健康指数计算模型为：
S＝99-(-1.305242+0.342910×A-0.001656×A2-P)×(19.808472-0.368809×A+0.002851×A2)
第二健康指数计算模型为：
S＝76+(17.622335+0.206702×A-0.001849×A2-P)×(1.014067+0.174589×A-0.001639×A2)
第三健康指数计算模型为：
S＝51+(23.110242+0.144006×A-0.001309×A2-P)×(2.625499+0.154177×A-0.001305×A2)
其中，S表示待测用户的体脂健康指数，P表示待测用户的体脂率，A表示待测用户的年龄信息。
具体地，基于对应体脂率区间内的样本用户的体脂率数据和年龄信息，以及对应样本用户的体脂健康指数进行大数据处理后，得到的第一健康指数计算模型为：
S＝99-(-1.305242+0.342910×A-0.001656×A2-P)×(19.808472-0.368809×A+0.002851×A2)
得到的第二健康指数计算模型为：
S＝76+(17.622335+0.206702×A-0.001849×A2-P)×(1.014067+0.174589×A-0.001639×A2)
得到的第三健康指数计算模型为：
S＝51+(23.110242+0.144006×A-0.001309×A2-P)×(2.625499+0.154177×A-0.001305×A2)
其中，S表示待测用户的体脂健康指数，P表示待测用户的体脂率，A表示待测用户的年龄信息。
基于上述任一实施例，用户的亚健康体脂率下限是将用户的年龄信息输入至亚健康体脂率下限计算模型得到的；亚健康体脂率下限计算模型是对样本用户的年龄信息，以及样本用户的亚健康体脂率下限进行大数据处理得到的。
具体地，亚健康体脂率下限计算模型用于根据输入的用户的年龄信息，计算该用户对应的亚健康体脂率下限。其中，可以利用大数据分析思想，预先获取大量样本用户的年龄信息，标注亚健康体脂率下限，并对此进行大数据处理，得到样本用户的年龄信息与亚健康体脂率下限之间的关联关系。其中，可以采用曲线拟合的方式，拟合得到亚健康体脂率下限计算模型。
基于上述任一实施例，亚健康体脂率下限计算模型为：
L5＝17.622335+0.206702×A-0.001849×A2
其中，L5表示待测用户的亚健康体脂率下限，A表示待测用户的年龄信息。
具体地，对样本用户的年龄信息，以及样本用户的亚健康体脂率下限进行大数据处理后，得到的亚健康体脂率下限计算模型为：
L5＝17.622335+0.206702×A-0.001849×A2
其中，L5表示待测用户的亚健康体脂率下限，A表示待测用户的年龄信息。
下面对本发明提供的体脂健康状态获取装置进行描述，下文描述的体脂健康状态获取装置与上文描述的体脂健康状态获取方法可相互对应参照。
图2为本发明实施例提供的体脂健康状态获取装置的结构示意图，如图2所示，该装置包括：体脂率测量启动单元210、体脂健康状态获取单元220和存储单元230。
其中，体脂率测量启动单元210用于发送体脂率测量指令至人体成分分析仪，以使得人体成分分析仪在接收到体脂率测量指令后测量用户的体脂率数据；
体脂健康状态获取单元220用于基于接收到的用户的体脂率数据，以及用户的年龄信息，确定用户的体脂健康状态；其中，体脂健康状态包括体脂健康指数、体脂健康趋势和体脂健康排名中的至少一种；
存储单元230用于将用户的体脂健康状态存储至服务器中，以供用户通过客户端查看体脂健康状态。
本发明实施例提供的装置，通过发送体脂率测量指令至人体成分分析仪，使人体成分分析仪在接收到体脂率测量指令后测量用户的体脂率数据，并基于接收到的用户的体脂率数据，以及用户的年龄信息，确定用户的体脂健康状态，从而将用户的体脂健康状态存储至服务器中，实现了体脂健康状态的智能化评估，以及体脂健康状态的数据管理和体脂健康监测，提升了用户体验。
基于上述任一实施例，体脂健康状态获取单元220具体用于：
若用户的体脂率数据低于用户的健康体脂率下限或高于用户的亚健康体脂率上限，则将用户的体脂健康指数设置为预设非健康指数；
若用户的体脂率数据在用户的理想体脂率区间内，则将用户的体脂健康指数设置为预设健康指数；
否则，基于用户的年龄信息和体脂率数据，确定用户的体脂健康指数；
其中，用户的健康体脂率下限、亚健康体脂率上限和理想体脂率区间是将用户的年龄信息分别输入至健康体脂率下限计算模型、亚健康体脂率上限计算模型和理想体脂率区间计算模型得到的；
健康体脂率下限计算模型、亚健康体脂率上限计算模型和理想体脂率区间计算模型是对样本用户的年龄信息，以及样本用户的健康体脂率下限、亚健康体脂率上限和理想体脂率区间进行大数据处理得到的。
基于上述任一实施例，健康体脂率下限计算模型为：
L1＝0.138357×A-1.040051
其中，L1表示待测用户的健康体脂率下限，A表示待测用户的年龄信息；
理想体脂率区间计算模型为：
L2＝-1.305242+0.342910×A-0.001656×A2
L3＝8.965793+0.375257×A-0.00.446×A2
其中，L2表示待测用户的理想体脂率区间的下限，L3表示待测用户的理想体脂率区间的上限；
亚健康体脂率上限计算模型为：
L4＝23.110242+0.144006×A-0.001309×A2
其中，L4表示待测用户的亚健康体脂率上限。
基于上述任一实施例，基于用户的年龄信息和体脂率数据，确定用户的体脂健康指数，具体包括：
若用户的体脂率数据高于用户的健康体脂率下限且低于用户的理想体脂率区间的下限，则将用户的体脂率数据和年龄信息输入至第一健康指数计算模型，得到用户的体脂健康指数；
若用户的体脂率数据高于用户的理想体脂率区间的上限且低于用户的亚健康体脂率下限，则将用户的体脂率数据和年龄信息输入至第二健康指数计算模型，得到用户的体脂健康指数；
若用户的体脂率数据高于用户的亚健康体脂率下限且低于用户的亚健康体脂率上限，则将用户的体脂率数据和年龄信息输入至第三健康指数计算模型，得到用户的体脂健康指数；
其中，第一健康指数计算模型、第二健康指数计算模型和第三健康指数计算模型各不相同。
基于上述任一实施例，第一健康指数计算模型、第二健康指数计算模型和第三健康指数计算模型是基于对应样本用户的体脂率数据和年龄信息，以及对应样本用户的体脂健康指数进行大数据处理得到的。
基于上述任一实施例，第一健康指数计算模型为：
S＝99-(-1.305242+0.342910×A-0.001656×A2-P)×(19.808472-0.368809×A+0.002851×A2)
第二健康指数计算模型为：
S＝76+(17.622335+0.206702×A-0.001849×A2-P)×(1.014067+0.174589×A-0.001639×A2)
第三健康指数计算模型为：
S＝51+(23.110242+0.144006×A-0.001309×A2-P)×(2.625499+0.154177×A-0.001305×A2)
其中，S表示待测用户的体脂健康指数，P表示待测用户的体脂率，A表示待测用户的年龄信息。
基于上述任一实施例，用户的亚健康体脂率下限是将用户的年龄信息输入至亚健康体脂率下限计算模型得到的；亚健康体脂率下限计算模型是对样本用户的年龄信息，以及样本用户的亚健康体脂率下限进行大数据处理得到的。
基于上述任一实施例，亚健康体脂率下限计算模型为：
L5＝17.622335+0.206702×A-0.001849×A2
其中，L5表示待测用户的亚健康体脂率下限，A表示待测用户的年龄信息。
基于上述任一实施例，图3为本发明实施例提供的体脂健康状态获取系统的结构示意图，如图3所示，该系统包括：人体成分分析仪310、智能终端320、服务器330和客户端340；人体成分分析仪310与智能终端320通过串口连接，智能终端320和客户端340分别通过网络与服务器330连接；
其中，智能终端用于执行如上述任一实施例提供的体脂健康状态获取方法的步骤，在此不再赘述。
本发明实施例提供的系统，通过发送体脂率测量指令至人体成分分析仪，使人体成分分析仪在接收到体脂率测量指令后测量用户的体脂率数据，并基于接收到的用户的体脂率数据，以及用户的年龄信息，确定用户的体脂健康状态，从而将用户的体脂健康状态存储至服务器中，实现了体脂健康状态的智能化评估，以及体脂健康状态的数据管理和体脂健康监测，提升了用户体验。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行体脂健康状态获取方法，该方法包括：发送体脂率测量指令至人体成分分析仪，以使得所述人体成分分析仪在接收到所述体脂率测量指令后测量所述用户的体脂率数据；基于接收到的所述用户的体脂率数据，以及所述用户的年龄信息，确定所述用户的体脂健康状态；其中，所述体脂健康状态包括体脂健康指数、体脂健康趋势和体脂健康排名中的至少一种；将所述用户的体脂健康状态存储至服务器中，以供所述用户通过客户端查看所述体脂健康状态。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的体脂健康状态获取方法，该方法包括：发送体脂率测量指令至人体成分分析仪，以使得所述人体成分分析仪在接收到所述体脂率测量指令后测量所述用户的体脂率数据；基于接收到的所述用户的体脂率数据，以及所述用户的年龄信息，确定所述用户的体脂健康状态；其中，所述体脂健康状态包括体脂健康指数、体脂健康趋势和体脂健康排名中的至少一种；将所述用户的体脂健康状态存储至服务器中，以供所述用户通过客户端查看所述体脂健康状态。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的体脂健康状态获取方法，该方法包括：发送体脂率测量指令至人体成分分析仪，以使得所述人体成分分析仪在接收到所述体脂率测量指令后测量所述用户的体脂率数据；基于接收到的所述用户的体脂率数据，以及所述用户的年龄信息，确定所述用户的体脂健康状态；其中，所述体脂健康状态包括体脂健康指数、体脂健康趋势和体脂健康排名中的至少一种；将所述用户的体脂健康状态存储至服务器中，以供所述用户通过客户端查看所述体脂健康状态。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
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 (6)
1.一种体脂健康状态获取方法，其特征在于，包括：
发送体脂率测量指令至人体成分分析仪，以使得所述人体成分分析仪在接收到所述体脂率测量指令后测量用户的体脂率数据；
基于接收到的所述用户的体脂率数据，以及所述用户的年龄信息，确定所述用户的体脂健康状态；其中，所述体脂健康状态为体脂健康指数；
将所述用户的体脂健康状态存储至服务器中，以供所述用户通过客户端查看所述体脂健康状态；
所述基于接收到的所述用户的体脂率数据，以及所述用户的年龄信息，确定所述用户的体脂健康状态，具体包括：
若所述用户的体脂率数据低于所述用户的健康体脂率下限或高于所述用户的亚健康体脂率上限，则将所述用户的体脂健康指数设置为预设非健康指数；
若所述用户的体脂率数据在所述用户的理想体脂率区间内，则将所述用户的体脂健康指数设置为预设健康指数；
否则，基于所述用户的年龄信息和体脂率数据，确定所述用户的体脂健康指数；
其中，所述用户的健康体脂率下限、亚健康体脂率下限、亚健康体脂率上限和理想体脂率区间是将所述用户的年龄信息分别输入至健康体脂率下限计算模型、亚健康体脂率下限计算模型、亚健康体脂率上限计算模型和理想体脂率区间计算模型得到的；
所述健康体脂率下限计算模型、亚健康体脂率下限计算模型、亚健康体脂率上限计算模型和理想体脂率区间计算模型是对样本用户的年龄信息，以及所述样本用户的健康体脂率下限、亚健康体脂率下限、亚健康体脂率上限和理想体脂率区间进行大数据处理得到的；
所述健康体脂率下限计算模型为：
L1=0.138357×A-1.040051
其中，L1表示待测用户的健康体脂率下限，A表示所述待测用户的年龄信息；
所述理想体脂率区间计算模型为：
L2=-1.305242+0.342910×A-0.001656×A^2
L3=8.965793+0.375257×A-0.00446×A^2
其中，L2表示所述待测用户的理想体脂率区间的下限，L3表示所述待测用户的理想体脂率区间的上限；
所述亚健康体脂率上限计算模型为：
L4=23.110242+0.144006×A-0.001309×A^2
其中，L4表示所述待测用户的亚健康体脂率上限；
所述亚健康体脂率下限计算模型为：
L5=17.622335+0.206702×A-0.001849×A^2
其中，L5表示待测用户的亚健康体脂率下限，A表示所述待测用户的年龄信息；
所述基于所述用户的年龄信息和体脂率数据，确定所述用户的体脂健康指数，具体包括：
若所述用户的体脂率数据高于所述用户的健康体脂率下限且低于所述用户的理想体脂率区间的下限，则将所述用户的体脂率数据和年龄信息输入至第一健康指数计算模型，得到所述用户的体脂健康指数；
若所述用户的体脂率数据高于所述用户的理想体脂率区间的上限且低于所述用户的亚健康体脂率下限，则将所述用户的体脂率数据和年龄信息输入至第二健康指数计算模型，得到所述用户的体脂健康指数；
若所述用户的体脂率数据高于所述用户的亚健康体脂率下限且低于所述用户的亚健康体脂率上限，则将所述用户的体脂率数据和年龄信息输入至第三健康指数计算模型，得到所述用户的体脂健康指数；
其中，所述第一健康指数计算模型、所述第二健康指数计算模型和所述第三健康指数计算模型各不相同；
所述第一健康指数计算模型为：
S=99-(-1.305242+0.342910×A-0.001656×A^2-P)×(19.808472-0.368809×A+0.002851×A^2)
所述第二健康指数计算模型为：
S=76+(17.622335+0.206702×A-0.001849×A^2-P)×(1.014067+0.174589×A-0.001639×A^2)
所述第三健康指数计算模型为：
S=51+(23.110242+0.144006×A-0.001309×A^2-P)×(2.625499+0.154177×A-0.001305×A^2)
其中，S表示待测用户的体脂健康指数，P表示所述待测用户的体脂率，A表示所述待测用户的年龄信息。
2.根据权利要求1所述的体脂健康状态获取方法，其特征在于，所述第一健康指数计算模型、所述第二健康指数计算模型和所述第三健康指数计算模型是基于对应样本用户的体脂率数据和年龄信息，以及所述对应样本用户的体脂健康指数进行大数据处理得到的。
3.一种体脂健康状态获取装置，其特征在于，包括：
体脂率测量启动单元，用于发送体脂率测量指令至人体成分分析仪，以使得所述人体成分分析仪在接收到所述体脂率测量指令后测量用户的体脂率数据；
体脂健康状态获取单元，用于基于接收到的所述用户的体脂率数据，以及所述用户的年龄信息，确定所述用户的体脂健康状态；其中，所述体脂健康状态为体脂健康指数；
存储单元，用于将所述用户的体脂健康状态存储至服务器中，以供所述用户通过客户端查看所述体脂健康状态；
所述基于接收到的所述用户的体脂率数据，以及所述用户的年龄信息，确定所述用户的体脂健康状态，具体包括：
若所述用户的体脂率数据低于所述用户的健康体脂率下限或高于所述用户的亚健康体脂率上限，则将所述用户的体脂健康指数设置为预设非健康指数；
若所述用户的体脂率数据在所述用户的理想体脂率区间内，则将所述用户的体脂健康指数设置为预设健康指数；
否则，基于所述用户的年龄信息和体脂率数据，确定所述用户的体脂健康指数；
其中，所述用户的健康体脂率下限、亚健康体脂率下限、亚健康体脂率上限和理想体脂率区间是将所述用户的年龄信息分别输入至健康体脂率下限计算模型、亚健康体脂率下限计算模型、亚健康体脂率上限计算模型和理想体脂率区间计算模型得到的；
所述健康体脂率下限计算模型、亚健康体脂率下限计算模型、亚健康体脂率上限计算模型和理想体脂率区间计算模型是对样本用户的年龄信息，以及所述样本用户的健康体脂率下限、亚健康体脂率下限、亚健康体脂率上限和理想体脂率区间进行大数据处理得到的；
所述健康体脂率下限计算模型为：
L1=0.138357×A-1.040051
其中，L1表示待测用户的健康体脂率下限，A表示所述待测用户的年龄信息；
所述理想体脂率区间计算模型为：
L2=-1.305242+0.342910×A-0.001656×A^2
L3=8.965793+0.375257×A-0.00446×A^2
其中，L2表示所述待测用户的理想体脂率区间的下限，L3表示所述待测用户的理想体脂率区间的上限；
所述亚健康体脂率上限计算模型为：
L4=23.110242+0.144006×A-0.001309×A^2
其中，L4表示所述待测用户的亚健康体脂率上限；
所述亚健康体脂率下限计算模型为：
L5=17.622335+0.206702×A-0.001849×A^2
其中，L5表示待测用户的亚健康体脂率下限，A表示所述待测用户的年龄信息；
所述基于所述用户的年龄信息和体脂率数据，确定所述用户的体脂健康指数，具体包括：
若所述用户的体脂率数据高于所述用户的健康体脂率下限且低于所述用户的理想体脂率区间的下限，则将所述用户的体脂率数据和年龄信息输入至第一健康指数计算模型，得到所述用户的体脂健康指数；
若所述用户的体脂率数据高于所述用户的理想体脂率区间的上限且低于所述用户的亚健康体脂率下限，则将所述用户的体脂率数据和年龄信息输入至第二健康指数计算模型，得到所述用户的体脂健康指数；
若所述用户的体脂率数据高于所述用户的亚健康体脂率下限且低于所述用户的亚健康体脂率上限，则将所述用户的体脂率数据和年龄信息输入至第三健康指数计算模型，得到所述用户的体脂健康指数；
其中，所述第一健康指数计算模型、所述第二健康指数计算模型和所述第三健康指数计算模型各不相同；
所述第一健康指数计算模型为：
S=99-(-1.305242+0.342910×A-0.001656×A^2-P)×(19.808472-0.368809×A+0.002851×A^2)
所述第二健康指数计算模型为：
S=76+(17.622335+0.206702×A-0.001849×A^2-P)×(1.014067+0.174589×A-0.001639×A^2 )
所述第三健康指数计算模型为：
S=51+(23.110242+0.144006×A-0.001309×A^2-P)×(2.625499+0.154177×A-0.001305×A^2)
其中，S表示待测用户的体脂健康指数，P表示所述待测用户的体脂率，A表示所述待测用户的年龄信息。
4.一种体脂健康状态获取系统，其特征在于，包括：人体成分分析仪、智能终端、服务器和客户端；所述人体成分分析仪与所述智能终端通过串口连接，所述智能终端和所述客户端分别通过网络与所述服务器连接；
其中，所述智能终端用于执行如权利要求1至2任一项所述体脂健康状态获取方法的步骤。
5.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1或2任一项所述体脂健康状态获取方法的步骤。
6.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1或2任一项所述体脂健康状态获取方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110080223.3A CN112754457B (zh) | 2021-01-21 | 2021-01-21 | 体脂健康状态获取方法、装置和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110080223.3A CN112754457B (zh) | 2021-01-21 | 2021-01-21 | 体脂健康状态获取方法、装置和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112754457A CN112754457A (zh) | 2021-05-07 |
| CN112754457B true CN112754457B (zh) | 2023-11-07 |
Family
ID=75703621
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110080223.3A Active CN112754457B (zh) | 2021-01-21 | 2021-01-21 | 体脂健康状态获取方法、装置和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112754457B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115052208A (zh) * | 2022-06-07 | 2022-09-13 | 南京博平健康科技有限公司 | 健康参数的测量方法、装置、扶手系统及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010057953A (ja) * | 2003-04-25 | 2010-03-18 | Katsuzo Kawanishi | 健康指標推定装置、方法、及びプログラム |
| CN105816154A (zh) * | 2016-04-22 | 2016-08-03 | 深圳还是威健康科技有限公司 | 人体体脂监测方法和穿戴设备 |
| CN106227989A (zh) * | 2016-07-11 | 2016-12-14 | 深圳天珑无线科技有限公司 | 通过躯体拍照识别体脂率的方法及拍摄终端 |
| CN107785080A (zh) * | 2017-11-23 | 2018-03-09 | 杭州变啦网络科技有限公司 | 基于人体成分分析装置的健康指数评估方法和系统 |
| CN109887608A (zh) * | 2018-12-06 | 2019-06-14 | 深圳市医信科技有限公司 | 一种在线健康监护的方法及其系统 |
| WO2020206586A1 (zh) * | 2019-04-08 | 2020-10-15 | 京东方科技集团股份有限公司 | 健康监测方法和系统、打印终端、计算机可读存储介质 |
-
2021
- 2021-01-21 CN CN202110080223.3A patent/CN112754457B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010057953A (ja) * | 2003-04-25 | 2010-03-18 | Katsuzo Kawanishi | 健康指標推定装置、方法、及びプログラム |
| CN105816154A (zh) * | 2016-04-22 | 2016-08-03 | 深圳还是威健康科技有限公司 | 人体体脂监测方法和穿戴设备 |
| CN106227989A (zh) * | 2016-07-11 | 2016-12-14 | 深圳天珑无线科技有限公司 | 通过躯体拍照识别体脂率的方法及拍摄终端 |
| CN107785080A (zh) * | 2017-11-23 | 2018-03-09 | 杭州变啦网络科技有限公司 | 基于人体成分分析装置的健康指数评估方法和系统 |
| CN109887608A (zh) * | 2018-12-06 | 2019-06-14 | 深圳市医信科技有限公司 | 一种在线健康监护的方法及其系统 |
| WO2020206586A1 (zh) * | 2019-04-08 | 2020-10-15 | 京东方科技集团股份有限公司 | 健康监测方法和系统、打印终端、计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112754457A (zh) | 2021-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2757048C1 (ru) | Способ и система оценки здоровья тела человека на основе данных большого объема о сне | |
| CN106156532A (zh) | 三级预防健康管理系统和方法 | |
| CN109934723B (zh) | 一种医保欺诈行为识别方法、装置及设备 | |
| CN111863252A (zh) | 健康监测方法、系统、计算机设备及存储介质 | |
| CN116311539B (zh) | 基于毫米波的睡眠动作捕捉方法、装置、设备及存储介质 | |
| CN112754457B (zh) | 体脂健康状态获取方法、装置和系统 | |
| CN108847284B (zh) | 人体生物年龄测算装置及系统 | |
| KR20220061511A (ko) | 운동 자세 및 운동량 가이드 장치, 방법 및 프로그램 | |
| CN111354463B (zh) | 人体健康测量方法、装置、计算机设备及存储介质 | |
| CN112786185B (zh) | 血压健康状态获取方法、装置和系统 | |
| WO2023246352A1 (zh) | 健康数据管理方法、装置、电子设备和可读存储介质 | |
| CN112116971A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
| CN112331283A (zh) | 健康监测方法、装置及计算机可读介质 | |
| CN116434979A (zh) | 生理状态云监测方法、监测系统及储存介质 | |
| CN114470719B (zh) | 一种全自动姿态矫正训练方法及系统 | |
| CN113539400A (zh) | 一种受试者大数据管理方法、系统及电子设备 | |
| CN113066580A (zh) | 一种医疗评分确定方法、装置、电子设备及存储介质 | |
| CN117393109B (zh) | 场景自适应的饮食监控方法、装置、设备及存储介质 | |
| CN110570949A (zh) | 智慧社区内老人的健康监测方法、设备及可读存储介质 | |
| CN115429262B (zh) | 运动数据分析的乳酸阈值预测方法、装置、设备及介质 | |
| CN111354456A (zh) | 中医体质类型检测方法及装置 | |
| US20240127911A1 (en) | Blood sugar constitution determination device, blood sugar constitution determination method, and recording medium | |
| CN115186183A (zh) | 信息展示方法、装置、电子设备和可读介质 | |
| CN114947458B (zh) | 基于睡眠床垫的酒店房间推荐方法、装置、设备及介质 | |
| CN114765624B (zh) | 信息推荐方法、装置、服务器及存储介质 |
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 | ||
| CB02 | Change of applicant information |
Address after: 200438 first floor, No. 350, Hengren Road, Yangpu District, Shanghai (centralized registration place) Applicant after: Shanghai jianzhishu Intelligent System Co.,Ltd. Address before: 200438 room 217, No. 350, Hengren Road, Yangpu District, Shanghai Applicant before: Shanghai jianzhishu Health Management Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zhou Wei Inventor after: Wang Hailong Inventor after: Wu Xueping Inventor after: Ma Haifeng Inventor after: Han Haijun Inventor before: Zhou Wei Inventor before: Wu Xueping |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |