CN112914362B - 一种基于卷积神经网络的自学习式婴幼儿喂奶装置 - Google Patents

Abstract

本发明涉及一种基于卷积神经网络的自学习式婴幼儿喂奶装置和方法。喂奶装置包括奶粉输出机构、水量控制机构以及控制器，所述控制器用于基于婴儿的参数信息确定婴儿的喂奶时间和喂奶量，所述奶粉输出机构根据所述喂奶量基于预设调配比例进行奶粉定量输出，所述水量控制机构用于根据所述喂奶量基于预设调配比例进行温水定量输出，所述喂奶时间和喂奶量采用神经网络模型确定，所述神经网络模型经过带有标签的各种体重的婴儿的喂奶量数据的训练。

Description

一种基于卷积神经网络的自学习式婴幼儿喂奶装置

技术领域:

本发明涉及医学护理领域以及机器学习领域，具体涉及一种基于神经网络的自学习式婴儿喂奶装置。

背景技术:

随着经济水平的提高以及优生优育的推广，人们对婴幼儿的成长越来越关注，尤其是对婴儿的喂养，绝大部分婴幼儿的父母都是首次生育，对婴幼儿如何喂养没有任何经验，通过网络检索到的喂养经验又往往众说纷纭，而且现在越来越多的年轻人选择母乳喂养的时间越来越短，生育后往往婴幼儿很快就采用奶粉进行喂养。

但是，采用奶粉喂养容易出现一些问题。一方面，婴儿吐奶现象较为常见，因为新生儿的胃呈水平位，容量小，连接食管处的贲门较宽，关闭作用差，连接小肠处的幽门较紧，而新生儿吃奶时又常常吸入空气，奶液容易倒流入口腔，引起吐奶。而吐奶最怕的是奶水由食道逆流到咽喉部时，在吸气的瞬间误入气管，即呛奶。而婴儿的神经系统刚刚发育，一些反射还很薄弱，他们不能把呛入呼吸道的奶咳出。于是，常因奶液对气道机械性阻塞而发生窒息。

另一方面，婴幼儿的父母往往并不清楚奶粉的喂养量和喂养频次该如何选取。即便在医院或者护理中心，护士往往也是没有生育经验的年轻姑娘，如何提供一种自动化的能够根据婴幼儿的发育情况提供喂养指导，甚至提供喂养辅助的设备具有广泛的市场需求。

发明内容:

本发明的目的是解决上述提到的问题，提供一种能够有效地控制基于婴儿自身情况以及所有类似成长期婴儿的平均喂奶情况，智能地为婴儿提供参考喂奶量和喂奶间隔信息，以便一方面减少乃至避免吐奶和呛奶情况，另一方面更加科学、健康地对婴幼儿进行喂养。

本发明采用如下技术方案实现其发明目的：

一种自学习式婴幼儿喂奶装置，包括奶粉输出机构、水量控制机构以及控制器，所述控制器用于基于婴儿的参数信息确定婴儿的喂奶时间和喂奶量，所述奶粉输出机构根据所述喂奶量以及预设调配比例进行奶粉定量输出，所述水量控制机构用于根据所述喂奶量基于预设调配比例进行温水定量输出，

其特征在于：所述喂奶时间和喂奶量采用神经网络模型确定，所述神经网络模型经过带有标签的各种体重的婴儿的喂奶量数据的训练。

在一种优选实现方式中，还包括输入模块和输出模块，所述输入模块用于输入婴儿的相关参数信息，所述相关参数信息包括下述信息中的至少一种：体重信息、疾病信息、非经当前系统的喂食信息，所述输出模块用于输出当前婴儿的喂奶数据信息。

在一种优选实现方式中，还包括储水腔、出水管、温度传感器和加热装置，所述水量控制机构为流量控制阀，所述储水腔用于储存纯净水、所述出水管与所述储水腔相连通，并且所述出水管的出口处设置所述流量控制阀用于对出水量进行计量，所述加热装置用于对出水管内的纯净水进行加热，所述温度传感器用于测定出水管内的水温并反馈给所述控制器。

在一种优选实现方式中，还包括用于储存奶粉的灭菌储藏腔，所述奶粉输出机构用于定量地从所述灭菌储藏腔内向外进行奶粉输出。

在一种优选实现方式中，控制器内预存有神经网络模型，并且所述控制器将与婴儿相关的饮食信息以及身体信息转换成图像，并且将所转换的图像输入到神经网络模型通过对所述图像进行分类确定婴儿的昼时饮食模式和夜间饮食模式，基于相应饮食模式为婴儿找到与其饮食习惯匹配的无不良反应的标准饮食趋势，并且基于该标准饮食趋势确定该婴儿的喂奶量和喂奶时间。

在一种优选实现方式中，还包括以时间为横坐标、喂奶量为纵坐标，以婴儿体重为像素值中RGB中的一项，以已有吐奶情况为RGB值中的第二项，以感冒或者其他身体异常情况作为RGB值中的第三项，以喂奶趋势类型为标签项，将婴儿的喂奶相关信息转换成图片信息。

在一种优选实现方式中，将时间以15分钟为单元进行分割，将三周内的每个单元作为一个时间点，每天24小时，每小时分成四个四段，对这些时间点内的喂奶量进行记录，并预设可能最大喂奶量为最大值进行归一化，将喂奶量值转换成归一化值，并划分成40-500份。

在一种优选实现方式中，采用两个神经网络模型分别对昼时和夜间的喂奶情况进行分类，然后将对应模式的标准趋势进行移位拼接或者整体的趋势分布。

另一方面，本发明提供一种基于卷积神经网络进行喂奶量确定的方法，其特征在于，所述方法包括：与婴儿相关的饮食信息以及身体信息转换成图像，并且将所转换的图像输入到神经网络模型通过对所述图像进行分类确定婴儿的昼时饮食模式和夜间饮食模式，基于相应饮食模式为婴儿找到与其饮食习惯匹配的无不良反应的标准饮食趋势，并且基于该标准饮食趋势确定该婴儿的喂奶量和喂奶时间。

由于采用了以上技术方案，本发明较好的实现了其发明目的。本发明通过引入卷积神经网络，实现了喂奶量以及喂奶时间间隔的智能控制，可以有效减少吐奶等现象并且为无经验家庭提供指导依据。

附图说明：

附图1是本发明实施例1中的自学习式喂奶装置的结构示意图。

附图2是本发明实施例1中的自学习式喂奶装置的局部放大图。

具体实施方式：

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性的前提下，还可以根据这些附图获得其他的附图，下面结合附图对发明内容作进一步说明：

实施例1：

参照附图1-2，一种基于神经网络的自学习式婴儿喂奶装置，包括：储水腔1、出水管2、流量控制阀3、用于储存奶粉的灭菌储藏腔4、奶粉输出机构5、加热装置6、超声换能器7以及控制器(图中未画出，集成在控制面板后，控制面板可以采用液晶显示屏或者按键式控制面板)。

储水腔1和灭菌储藏腔4分别设置于壳体的两侧，中间设置间隔层，避免水汽从储水腔一侧到达奶粉储藏腔一侧。加热装置6采用电加热装置，其围绕在出水管2的外周，用于在储水腔1出水时对其所输出的水流进行快速加热，出水管2的中下游处设置温度传感器9，用于测定出水管2的出水温度，控制器基于温度传感器测得温度和目标温度对加热装置的功率进行调节。

用于储存奶粉的灭菌储藏腔4的下方呈漏斗状，储藏腔内壁采用光滑抑菌材料制成。

控制器8分别与温度传感器9和加热装置6通信连接，用于接收温度传感器9测得的温度信息并基于当前温度信息以及预设温度目标控制加热装置6的输出功率。

奶粉输出机构5包括空心半球形的翻转皿5-1、压力传感器5-2、安装架5-3以及驱动电机，翻转皿5-1的两侧外部设置旋转轴，翻转皿5-1通过旋转轴固定安装在安装架5-3上，在安装架5-3与壳体之间或者在旋转轴与安装架之间设置压力传感器或其他称重设备，用于测定翻转皿对安装架的压力或翻转皿及其内部奶粉的总重量，进而确定输入到翻转皿中的奶粉重量，旋转轴通过微型电机驱动(下文称为翻转电机)，可以实现翻转皿的翻转。电机与翻转皿优选采用链式铰接或者其他非固连式连接，避免对其产生向上的支撑作用。测重时，可以通过单侧测重再乘以2或者采用对整体构造进行测重。翻转皿的表面采用抑菌材料进行涂覆处理。在一种优选实现方式中，当翻转皿翻转至底部朝上时，可以驱动电机左右摆动。

在另一种实现方式中，奶粉输出机构采用外表面具有固定体积凹槽的旋转辊，旋转辊一侧位于灭菌储藏腔内，另一侧位于奶粉输出口一侧，通过每次定体积的进行奶粉输出进行奶粉量控制。

奶粉储藏腔4下方设置第一输出阀10，该输出阀可以采用电动翻板或者带有多个叶片的电动旋转机构，进而可以有效控制输出量。控制器8分别与第一输出阀10和翻转电机通信连接，用以对其进行控制。

在研发实验过程中，发明人注意到，虽然奶粉储藏腔的内壁采用光滑设计，但是，还是会存在奶粉之间由于自身的吸附摩擦里而悬在储藏腔内，无法下落的问题，因此，发明人提出了一种优选方式，在储藏腔外侧壁上固定安装一个或多个超声换能器7，用于基于控制器的控制命令发出轻微的超声震荡，以使得奶粉震落，避免奶粉无法输出的问题。

控制器8中内置预先设定的奶粉与水量的配比关系，用户只需通过控制面板输入所需奶量，控制器即可将其转换成相应的奶粉重量和水的体积。然后当用户将奶瓶置于翻转皿5-1下方时，控制器控制第一输出阀10开启，压力传感器实时监测翻转皿5-1内奶粉的量，当奶粉量即将接近预设量时，控制第一输出发10减小开启量，直至翻转皿内的奶粉量(即翻转皿的重量增加量达到预设的奶粉质量)，关闭第一输出阀。然后控制翻转电机工作，以使得翻转皿翻转，将其内的奶粉导入奶瓶等容器中。在一种优选实现方式中，翻转电机与翻转皿的旋转轴之间采用挡块进行力传动，即翻转皿的旋转轴端部为空心构造，其内设置2个或更多个挡块，翻转电机的旋转轴前端为扁平结构，伸入到两个挡块之间，两个挡块与扁平结构之间预留预定间隙，采用这种构造，只有当旋转电机旋转时，旋转电机的旋转轴才与翻转皿接触，避免对翻转皿产生竖直方向的作用力，影响质量测量。

接下来，将盛奶容器置于出水管2下方。控制器控制流量控制阀3的开启时间，当用户将奶瓶置于出水管2下方并按压相应按钮时，打开流量控制阀3和加热装置，以实现预定温度纯净水的输出。

在另一种实现方式中，在翻转皿的下方设置搅拌容器，将出水管2引至搅拌容器上方，在设备内进行奶粉的搅拌。但是这种方式容易引起翻转皿及奶粉储藏腔内进入水汽，引起奶粉结块，并不推荐。

实施例2

实施例1中，设备的控制器仅能够提供基于用户输入进行奶粉和水的定量输出的问题，尚无法解决智能指导奶粉冲调的定时和定量问题，因此，本实施例中进一步优选地提供了一种能够根据先验经验提供基于体重以及前续进食情况的喂奶量指引的控制模型。

为了更好地对喂奶装置进行智能化改造，本实施例希望引入具有自主学习功能的自动化控制方法。当前，神经网络是一种发展迅速的自主学习模型，神经网络是一种基于迭代回归的学习模型，简单的神经网络实际上是基于各种参数的加权拟合过程。但是婴儿喂奶的问题非常复杂，每个婴儿的情况差异往往很大，很难用一些参数的加权或者回归来进行准确的表征，婴儿吐奶或者呛奶的问题更多的依赖于一些生理性以及经验性的信息，而婴儿的进食量则又与地域、人种等情况相关，没办法设定统一的标准。

因此，本申请的发明人希望通过引入基于深度学习的卷积神经网络来进行将该疑难问题模糊化。但是，卷积神经网络通常是用于进行图像识别或者是一些分类问题的，难以直接转用到婴儿喂奶问题。

因此，本实施例中，以时间为横坐标、喂奶量为纵坐标，以婴儿体重为像素值中RGB中的一项，以已有吐奶情况或呛奶情况为RGB值中的第二项，以感冒或者其他身体异常情况作为RGB值中的第三项(无喂奶或者其他进食情况的像素设置为空，仅当存在喂食情况的像素(或该像素周围的一定区域)按照上述方式确定像素值)，以婴儿预定时间段内的喂奶趋势类别为标签项，将婴儿的喂奶相关信息转换成图片信息，进而可以直接基于对图片进行分类和识别的卷积神经网络进行学习迭代，进而找到与当前婴儿最相近的类似婴儿，在该类似体重和身体状况的婴儿的喂养情况(优选地，该喂养情况为经医生指导的优化方案)基础上，对其喂养情况进行指导，从而将一个原本无法由卷积神经网络模型进行解决的问题，转化为可以由卷积神经网络模型来解决。

具体而言，优选地，将时间以15分钟为单元进行分割，将三周内的每个单元作为一个时间点，每天24小时，每小时分成四个四段，即24*4*21＝2016，对这些时间点内的喂奶量进行记录，并预设可能最大喂奶量，比如，500mL为最大值进行归一化，将喂奶量值转换成归一化值，并划分成40-500份，本实施例中，将其划分成48份。划分方式为(喂奶量/最大喂奶量)*48，然后取整数，作为该次喂奶量的纵坐标。这样，一张2016*48的图片就可以记录一个婴儿三周内的喂奶情况。

优选地，为了让单张图片中包含更多的信息，分别对图片的RGB值进行定义，比如，将R值的0-255分别对应不同等级的婴儿体重值，比如，设定20斤为体重最大值，当然，如果该设备用于幼儿，则可以将体重最大值进行上调。用体重最大值对当前婴儿的体重进行归一化，将其转换成0-255之间的R值。

实际上，呛奶与否不仅与喂奶量有关，还与喂水量相关，这是因为喂水后，水占据了胃部的空间和容纳能力，当喂奶前一定时间内，存在大量的喂水情况时，也可能导致吐奶情况发生，因此，更优选地，若使用者愿意登录更多的信息，将G值作为喂水的指示标记，或者，将G值的0-255分成若干段，每段对应一种所喂辅食的标记。

本实施例中主要考虑喂水情况，对于其他辅食，可以通过加权转化的方式，转化为等价喂水量或喂奶量。

当婴儿存在感冒、过敏或者其他身体异常情况(或者为非常规人种或者非常规体质)时，可以将出现该情况的时间点或时间段的B值作为相应指示，比如，当用户输入婴儿存在该情况时，对该时间段内的像素点的B值进行调整，将B值进行分段，将0-255中等分成若干段，每段对应一种异常情况，这样，该时间段内，图片的整体颜色将与其他时段具有明显差异，进而可以更好地识别。

这样，对于图片中的任意一个时间点，若存在喂奶情况，则横坐标对应喂奶时间，纵坐标对应喂奶量，RGB值分别指示对应的其他信息。若不存在喂奶情况，但存在喂水情况，横坐标对应喂水时间，纵坐标对应喂水量。对于无此情况的时间点，则将图片像素值设为0，这样每张图片即为简单的点状分布图。若婴儿存在异常情况，则该时间段内的像素点均显示为异常的B值增加。

通过这种方式，可以有效地将婴幼儿的身体状况以及进食状况利用图片进行表示。

虽然这种方式可以将喂奶相关信息转换成图片，但是在将上述图片带入到卷积神经网络时，申请人发现，由于卷积神经网络是对图片进行特征提取，然后再进行基于特征的处理，而这样转换成的图片特征往往不够明显，因此，发明人对上述获得的图片进行特征强化，换言之，在转换成图片时，对局部信息在图片中进行强化。具体而言，对于上述图片转化过程中，具有喂奶或者喂水等事件发生的点位进行加强，将事件发生时的时间点所对应的像素为中心对该像素进行扩展，使得围绕该像素的N*N个像素取与该像素相同的像素值，或者取与该像素具有预定关系的像素值，比如，与该像素具有预定梯度的像素值，这样扩大具有事件发生的时间点对应的图像，使其特征更加显著。

更优选地，减少每张图片所代表的时间长度，比如，将每周或者每三天内所发生的喂食相关事件记录在一张图片上，利用几个或者几十个相同的像素代表同一个喂食事件，这样，使得事件在图片中的特征更加明显，提高进行卷积分类和比对的精确度。

接下来，进行图片处理。首先，将2016*48的图像进行切割，获取图片中每行像素所对应的时间点，按照没行像素所对应的时间，按照昼夜进行划分，比如，将8时-19时(含)设定为昼时，将20时至7时设定为夜，将图片中包含完整的一个昼时或一个夜时的图像区域作为一个图像子区域，由于图像的时间设定是每个小时分成四个像素点，因此，每个图像子区域包含48*48个像素。

将昼时图像和夜时图像分别输入到不同的卷积神经网络模型中，卷积神经网络模型可以采用常规的CNN模型。本实施例中，采用两个初始构造相同的卷积神经网络模型，分别用于昼时图像和夜时图像，分别进行训练和后续识别。因此，下面仅就其中一个模型进行描述。

需要说明的是，本发明的机器学习模型可以采用常规的CNN模型来实现，也可以采用下述示例中的模型来实现，下述模型仅仅是为了便于理解而提供的示例，现有能够进行图像分类的卷积模型都可以用于对昼时图像和夜时图像进行分类。

本实施例中，以一个VGG网络和一个Softmax分类器为例对该卷积神经网络模型进行描述。为了简化描述过程，设该VGG网络包括3个卷积层，2个最大池化层，2个全连接层，共计7层；3个卷积层用于提取图像特征；2个最大池化层用于对特征进行降维，2个全连接层分别连接3个卷积层，并输出给分类器。

在每个卷积层后面有ReLU非线性函数，并且在第1，3个卷积层后面设置有最大池化层。

采用softmax函数将提取到特征与学习训练得到特征库中的特征进行比对，计算出每一个分类结果的概率，然后取概率最高的一个结果进行输出。

本实施例中，发明人将婴儿的饮奶习惯按照分别按照昼时和夜间的情况分别进行预先分类，分成昼时1、昼时2、……昼时N，夜间1、夜间2、……、夜间M，每种模式对应相应时段的一种饮奶量和饮奶趋势分布。

将昼时图像输入到昼时模型中，经过多次卷积和降采样操作得到若干幅特征图像，然后将特征图像映射或拉伸为一列向量，该列向量即是从样本图像中提取出的特征向量，将所提取处的特征向量送入昼时softmax分类器，获得昼时饮奶情况类别。

将夜间图像输入到夜间模型中，经过多次卷积和降采样操作得到若干幅特征图像，然后将特征图像映射或拉伸为一列向量，该列向量即是从样本图像中提取出的特征向量，将所提取处的特征向量送入昼时softmax分类器，获得夜间饮奶情况类别。

使用预测概率与真实类别的交叉熵来分别优化昼时分类模型和夜间分类模型，使用随机梯度下降法来更新分类模型的参数。

利用现有标签数据分别对两个模型的参数进行训练。

更优选地，还可以设置多级网络，各级卷积神经网络的参数关联，上一级网络的结果作为下一级网络的输入，各级卷积神经网络分别输出本级损失函数结果进行加权求和，得到N级级联的卷积神经网络的全局损失loss。

由于每一个昼时饮奶情况类别对应一种昼时饮奶趋势分布，每一个夜间饮奶情况类别对应一种夜间饮奶趋势分布，这些趋势分布式可以根据已有训练数据通过聚类分析的方式获得，也可以根据医学研究实践，通过试验测定然后最小二乘法拟合获得，这里通过为每种类别设置预设趋势分布为例来进行说明，这部分工作可以再进一步研究中精细处理。

对于任意一个婴儿，通过上述方式基于其前续的喂奶数据确定该婴儿所属类别。具体而言，对于一个婴儿，采集其24小时的喂奶量、喂水量数据、吐奶情况数据、婴儿体重数据以及健康数据，将该数据输入到人机交互界面中。喂奶装置将该数据转换成图像输入到两个模型，分别进行情况分类，将分类获得的结果输出给加权输出机构。

加权输出基于喂奶情况类别，分别获得对应的参考日间类别和夜间类别，选取两种类别中同类婴儿吐奶或呛奶情况最少的数据段(即，找到同类中前期存在吐奶或呛奶情况，而后续呛奶情况消失的婴儿喂奶趋势数据)，进行拼接，拼接时在日间和夜间的过渡时段内进行差值或者趋势的平移，以使得日间和夜间的数据平稳衔接，比如，对于参考类别的日间数据，若其最后一次喂奶时间为8:00，而夜间数据的第一次喂奶为8:15，则将夜间数据向前平移15分钟，进行拼接，若喂奶量数据出现差异，则进行加权平均，分配给后方数据更大的权重。

通过上述方式获得基准趋势分布数据，以该趋势数据为基础，作为初始输入，然后，基于婴儿体重差异以及前续的喂奶情况差异进行加权处理，获得后续的喂奶输出情况。

M_i＝aRN_i-bQ_i-1*(t_i-t_j)+c (1)

T_i＝d*(t_k-t_k-1)+e (2)

其中，Mi、Ti分别为当前次的喂奶量和喂奶时间，a、b、c、d、e为调节参数，R为基于体重的比例系数，t_k-t_k-1为参考趋势中对应当前喂奶时间点和对应上一喂奶时间点的时间，t_i为当前时间，t_j上一次喂水时间，若两次喂奶之间存在多次喂水，则多个b项。因此，程序中对任意两次喂奶之间的喂水次数进行判断，基于喂水次数设置b项的个数。训练过程中，对这些参数也不断调整优化，进而获得最佳参数。更优选地，上述参数可以针对不同类别而相应调整，获得类别特异的组合参数。

若无当前婴儿的初始数据，则完全按照基准趋势分布数据作为初始的喂奶基准，当婴儿接收到吐奶或者其他输入数据的反馈时，则再对当前喂奶规律设置进行调整。主要调整方式为，若出现吐奶情况或者其他情况，基于症状，对于症状出现前次的喂奶量和时间进行调整，比如，按比例减少喂奶量和/或增加喂奶间隔，直至相应症状不再出现，并且设置报警阈值，比如，当喂奶量经过调整后已经无法满足当前体重对应的安全量时，则发出报警提示，建议就医或者查找问题原因。

需要说明的是，若采用基于本发明思路设计的喂奶装置，则婴儿的喂奶和喂水情况，均需要采用本发明的机构进行定量输出。若采用本发明思路设计的喂奶量监控软件，则应手动输入每次的进食情况，尽可能提供准确的输入数据，避免影响婴儿健康。并且模型中设置报警数据，当婴儿的体重变化与正常婴儿体重变化差异过大时，发出报警。

由于原始数据缺乏，进行软件验证时，采用人工设置的200组数据，然后通过数据增强，通过交叉、融合方式进行数据增强获得800组训练数据，从所获得的800组数据中随机截取300组24小时内数据作为测试数据，删除标签。经测试发现，由于所转换的图像主要为点阵图，所以采用图像分类时效果异常好，明显好于常规的医学图像、产品图像的分类效果，300组测试数据的分类准确性可以达到95％以上，并且，由于喂奶情况的分类界限并非传统意义的那样严格，即便是分类存在一定的偏差，按照上述公式进行加权计算之后，所给出的喂奶量和时间也与医学建议的正常婴幼儿的饮食总量和间隔情况也非常吻合，说明本发明方法能够给出理性、合理的输出数据，只是需要不断补充基础数据就可以获得更加精准有效的输出。

Claims (6)

1.一种基于卷积神经网络的自学习式婴幼儿喂奶装置，其特征在于：包括奶粉输出机构、水量控制机构以及控制器，所述控制器用于基于婴儿的参数信息确定婴儿的喂奶时间和喂奶量，所述奶粉输出机构根据所述喂奶量以及预设调配比例进行奶粉定量输出，所述水量控制机构用于根据所述喂奶量基于预设调配比例进行温水定量输出，所述控制器内置有卷积神经网络模型或者预设喂奶量趋势曲线，所述喂奶时间和喂奶量采用神经网络模型确定，所述神经网络模型经过带有标签的各种体重的婴儿的喂奶量数据的训练，所述控制器内预存所述神经网络模型，并且所述控制器将与婴儿相关的饮食信息以及身体信息转换成图像，并且将所转换的图像输入到神经网络模型通过对所述图像进行分类确定婴儿的昼时饮食模式和夜间饮食模式，基于相应饮食模式为婴儿找到与其饮食习惯匹配的无不良反应的标准饮食趋势，并且基于该标准饮食趋势确定该婴儿的喂奶量和喂奶时间。

2.根据权利要求1所述的自学习式婴幼儿喂奶装置，其特征在于：还包括储水腔、出水管、温度传感器和加热装置，所述水量控制机构为流量控制阀，所述储水腔用于储存纯净水、所述出水管与所述储水腔相连通，并且所述出水管的出口处设置所述流量控制阀用于对出水量进行计量，所述加热装置用于对出水管内的纯净水进行加热，所述温度传感器用于测定出水管内的水温并反馈给所述控制器。

3.根据权利要求1所述的自学习式婴幼儿喂奶装置，其特征在于：还包括输入模块和输出模块，所述输入模块用于输入婴儿的相关参数信息，所述相关参数信息包括下述信息中的至少一种：体重信息、疾病信息、非经当前系统的喂食信息，所述输出模块用于输出当前婴儿的喂奶数据信息，并且还包括用于储存奶粉的灭菌储藏腔，所述奶粉输出机构用于定量地从所述灭菌储藏腔内向外进行奶粉输出。

4.根据权利要求1所述的自学习式婴幼儿喂奶装置，其特征在于：以时间为横坐标、喂奶量为纵坐标，以婴儿体重为像素值中RGB中的一项，以已有吐奶情况为RGB值中的第二项，以感冒或者其他身体异常情况作为RGB值中的第三项，以饮食习惯类型为标签项，将婴儿的喂奶相关信息转换成图片信息。

5.根据权利要求1所述的自学习式婴幼儿喂奶装置，其特征在于：将时间以15分钟为单元进行分割，将三周内的每个单元作为一个时间点，每天24小时，每小时分成四个四段，对这些时间点内的喂奶量进行记录，并预设可能最大喂奶量为最大值进行归一化，将喂奶量值转换成归一化值，并划分成40-500份。

6.根据权利要求1所述的自学习式婴幼儿喂奶装置，其特征在于：采用两个神经网络模型分别对昼时和夜间的喂奶情况进行分类，然后将对应模式的标准趋势进行移位拼接或者整体的趋势分布。

Images