CN112951421A - 一种基于饮食习惯推导高血压的系统、设备及存储介质 - Google Patents
一种基于饮食习惯推导高血压的系统、设备及存储介质 Download PDFInfo
- Publication number
- CN112951421A CN112951421A CN202110104211.XA CN202110104211A CN112951421A CN 112951421 A CN112951421 A CN 112951421A CN 202110104211 A CN202110104211 A CN 202110104211A CN 112951421 A CN112951421 A CN 112951421A
- Authority
- CN
- China
- Prior art keywords
- hypertension
- intake
- user
- diet
- data set
- 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
- 206010020772 Hypertension Diseases 0.000 title claims abstract description 68
- 235000006694 eating habits Nutrition 0.000 title claims abstract description 12
- 235000005911 diet Nutrition 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000008447 perception Effects 0.000 claims abstract description 24
- 230000037213 diet Effects 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000010276 construction Methods 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims abstract description 4
- 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 description 12
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 235000012000 cholesterol Nutrition 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 6
- 230000000391 smoking effect Effects 0.000 claims description 6
- 208000007848 Alcoholism Diseases 0.000 claims description 5
- 206010001584 alcohol abuse Diseases 0.000 claims description 4
- 208000025746 alcohol use disease Diseases 0.000 claims description 4
- 235000020974 cholesterol intake Nutrition 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 102000004169 proteins and genes Human genes 0.000 claims description 4
- 108090000623 proteins and genes Proteins 0.000 claims description 4
- 150000003839 salts Chemical class 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 235000021075 protein intake Nutrition 0.000 claims description 3
- 235000019577 caloric intake Nutrition 0.000 claims description 2
- 235000015598 salt intake Nutrition 0.000 claims description 2
- 230000019771 cognition Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000000378 dietary effect Effects 0.000 description 4
- 235000005686 eating Nutrition 0.000 description 3
- 230000020595 eating behavior Effects 0.000 description 3
- 235000015097 nutrients Nutrition 0.000 description 3
- 208000008589 Obesity Diseases 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 210000003734 kidney Anatomy 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 235000020824 obesity Nutrition 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 201000001320 Atherosclerosis Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 201000007930 alcohol dependence Diseases 0.000 description 1
- 229940035676 analgesics Drugs 0.000 description 1
- 239000000730 antalgic agent Substances 0.000 description 1
- 229940124599 anti-inflammatory drug Drugs 0.000 description 1
- 230000003110 anti-inflammatory effect Effects 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003433 contraceptive agent Substances 0.000 description 1
- 230000002254 contraceptive effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 230000001939 inductive effect Effects 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
- 229910052700 potassium Inorganic materials 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 159000000000 sodium salts Chemical class 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Epidemiology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Nutrition Science (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开一种基于饮食习惯推导高血压的系统、设备及存储介质,所述系统包括:饮食检测模块:用于获取用户信息及连续时间段内的饮食数据,提取用户高血压相关元素的摄入情况;数据集模块:用于获取不同人群连续时间段内的饮食情况,提取用户特征,以是否患有高血压为标签制作样本数据集;模型构建模块:用于构建多层感知模型,基于样本数据集训练多层感知模型;风险预测模块:用于将用户信息及高血压相关元素的摄入情况输入多层感知模型,预测出的用户患高血压的风险指数。本发明利用多层感知器实现高血压的智能认知和预测,可帮助用户进行精细化的饮食管理和高血压风险管控。
Description
技术领域
本发明涉及健康管理领域,尤其涉及一种基于饮食习惯推导高血压的系统、设备及存储介质。
背景技术
研究表明,高血压发病的原因比较复杂,导致高血压的诱因很多。1、年龄因素:高血压发病与年龄有一定的关系。高血压发病的年龄高峰为40岁以后。人步入中年以后,肾气逐渐衰弱,肝肾不足,肝阳容易亢盛,所以容易患高血压;2、遗传因素:高血压具有明显的家族聚集性,约60%的高血压患者有高血压家族史;3、生活习惯因素:俗话说“病从口入”,膳食结构不合理,食用过多的钠盐、低钾饮食、大量饮酒、摄入过多的脂肪、胆固醇及高热量饮食均可使血压升高。抽烟、熬夜可加速动脉粥样硬化的过程,成为诱发高血压的危险因素;4、其他因素:肥胖、静坐不动,紧张,焦虑,工作压力大、药物影响(避孕药、激素、消炎止痛药等均可影响血压)等不良行为方式均可诱发高血压。
饮食因素是导致高血压的高危因素之一,需要针对高血压进行精细化的饮食管理,然而传统诊疗方式无法根据饮食因素高效的对高血压风险进行预测。
发明内容
有鉴于此,本发明提出了一种基于饮食习惯推导高血压的系统、设备及存储介质,用于基于饮食习惯对高血压风险进行准确预测,便于针对高血压风险进行日常饮食管理。
本发明第一方面,公开一种基于饮食习惯推导高血压的系统,所述系统包括:
饮食检测模块:用于获取用户信息及连续时间段内的饮食数据,提取用户高血压相关元素的摄入情况;
数据集模块:用于获取不同人群连续时间段内的饮食情况,提取用户特征,以是否患有高血压为标签制作样本数据集;
模型构建模块:用于构建多层感知模型,基于样本数据集训练多层感知模型;
风险预测模块:用于将用户信息及高血压相关元素的摄入情况输入多层感知模型,预测出的用户患高血压的风险指数。
优选的,所述用户信息包括年龄、性别,体重、身高、酗酒史,抽烟史、家族遗传史;高血压相关元素包括蛋白质、脂肪、胆固醇、盐、热量。
优选的,所述数据集模块还用于:
根据不同人群连续时间段内的饮食情况提取用户高血压相关元素的摄入情况,并分别与标准摄入量比较,判断出高血压相关元素的摄入是否异常。
优选的,所述用户特征为:年龄,性别,热量摄入量,脂肪摄入量,胆固醇摄入量,盐摄入量,蛋白质摄入量,是否肥胖,高血压遗传史,抽烟史,酗酒史。
优选的,所述模型构建模块中,通过多层感知器构建多层感知模型,多层感知器包括输入层,一个输出层和一个或多个隐藏层;层与层之间是全连接的,上一层的任何一个神经元与下一层的所有神经元都有连接。
优选的,训练多层感知器的过程中,使用梯度下降法进行参数优化。
优选的,所述模型构建模块中,通过Adaboost算法构建多层感知模型,以多个多层感知器作为Adaboost算法的弱分类器,通过样本数据集训练每个弱分类器的权重,组成一个强分类器作为多层感知模型。
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本发明第一方面所述的系统。
本发明相对于现有技术具有以下有益效果:
1)本发明针对高血压的主要诱因进行分析,评估用户连续时间段内的饮食行为,让用户可以快速方便的了解自身营养素的摄入情况,并对不良的饮食行为给予科学合理的饮食风险预测,通过饮食行为预测患高血压的风险指数,帮助用户进行精细化的饮食管理和高血压风险管控。
2)本发明通过多层感知器和/或Adaboost算法构建了多层感知模型,以多个多层感知器作为Adaboost算法的弱分类器,通过用户信息和影响高血压的特征元素训练每个弱分类器的权重,组成一个强分类器作为多层感知模型,实现高血压的智能认知和预测,提高预测精度。
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推导高血压的方法流程图。
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。
请参阅图1,本发明提出一种基于饮食习惯推导高血压的系统,所述系统包括:
饮食检测模块10:用于获取用户信息及连续时间段内的饮食数据,提取用户高血压相关元素的摄入情况;
所述用户信息包括年龄、性别,体重、身高、酗酒史,抽烟史、家族遗传史;高血压相关元素包括蛋白质、脂肪、胆固醇、盐、热量。
数据集模块20:用于获取不同人群连续时间段内的饮食情况,提取用户特征,以是否患有高血压为标签制作样本数据集;
具体的,提取的用户特征包括所述用户信息和所述高血压相关元素,具体包括:年龄,性别,热量摄入量,脂肪摄入量,胆固醇摄入量,盐摄入量,蛋白质摄入量,是否肥胖,高血压遗传史,抽烟史,酗酒史等根据不同人群连续时间段内的饮食情况提取用户高血压相关特征元素的摄入情况,并分别与标准摄入量比较,判断出高血压相关元素的摄入是否异常。
模型构建模块30:用于构建多层感知模型,基于样本数据集训练多层感知模型;
本发明构建多层感知模型的方式有两种:
第一种是直接通过多层感知器构建多层感知模型,多层感知器包括输入层,一个输出层和一个或多个隐藏层;层与层之间是全连接的,上一层的任何一个神经元与下一层的所有神经元都有连接,使用梯度下降法进行参数训练和优化。
第二种是通过Adaboost算法构建多层感知模型,以多个多层感知器作为Adaboost算法的弱分类器,通过样本数据集训练每个弱分类器的权重,组成一个强分类器作为多层感知模型。
风险预测模块40:用于将用户信息及高血压相关元素的摄入情况输入多层感知模型,预测出的用户患高血压的风险指数。
下面结合具体实例对本发明的技术方案例,如:男,53岁,身高178cm,体重75KG,有抽烟史,无酗酒史,无高血压家族遗传史,获取用户信息及连续时间段内的饮食数据,提取用户高血压相关元素的摄入情况,这些特征元素包括胆固醇、蛋白质、脂肪、热量及盐的摄入情况(高、正常、低),利用多层感知模型预测患高血压风险指数。
1、特征元素总摄入量计算:获取用户连续180天的饮食数据,对照食物营养元素表中每种食物营养元素含量,分别加权计算出180天的胆固醇总摄入量D1,蛋白质总摄入量B1,脂肪总摄入量Z1,盐摄入量Y1。
2、特征元素的摄入情况计算:根据特征元素每日标准摄入量,分别计算出180天胆固醇的标准摄入量D2,蛋白质标准摄入量B2,脂肪标准摄入量Z2。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,脂肪的摄入情况Z=Z1-Z2,盐的摄入情况Y=Y1-Y2,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,表示摄入量正常。
3、训练多层感知模型:本实施例中采用多层感知器(MLP)算法,它由一个输入层,一个输出层和一个或多个隐藏层组成。最底层是输入层,中间是隐藏层,最后是输出层。层与层之间是全连接的,上一层的任何一个神经元与下一层的所有神经元都有连接。比如输入是一个n维向量,就有n个神经元。每个神经元上面都有对于一个输入的权值,以及一个偏置,还有一个激活函数。一个神经网络训练网将一个特征属性转换成特征向量(权重/连接系数)作为输入,将该向量传递到隐藏层,然后通过权重和激励函数来计算结果,并将结果传递给下一层,直到最后传递给输出层才结束。
假设输入层用向量X表示,则隐藏层的输出就是s(W1X+b1),W1是第一层权重,b1是偏置,函数s是常用的sigmoid函数。输出层的输出就是softmax(W2X1+b2),X1表示隐藏层的输出s(W1X+b1)。
训练多层感知器(MLP)公式:
f(xn)=G(W2(s(b1+∑Wnxn))+b2)
X={xn},MLP所有的参数就是各个层之间的连接权重以及偏置,包括第一层权重W1、第一层偏置b1、第二层权重W2、第二层偏置b2、softmax函数G、样本维度数n,假设样本维度为9,那么n=1,2,…,9。使用梯度下降法(SGD)参数优化:首先随机初始化所有参数,然后迭代地训练,不断地计算梯度和更新参数,直到满足迭代次数或误差达到设定精度。
4、多层感知模型预测高血压风险指数:将步骤2计算结果及用户录入信息构建用户特征属性,作为待分类项,利用多层感知模型对其进行预测,可以得到患高血压类的概率和未患高血压类的概率,两个比较,概率值大的即为所属类别。
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饮食习惯推导高血压的系统。
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基于饮食习惯推导高血压的系统全部或部分模块。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。
以上所描述的系统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,即可以分布到多个网络单元上。可以根据实际的衙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。
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 (9)
1.一种基于饮食习惯推导高血压的系统,其特征在于,所述系统包括:
饮食检测模块:用于获取用户信息及连续时间段内的饮食数据,提取用户高血压相关元素的摄入情况;
数据集模块:用于获取不同人群连续时间段内的饮食情况,提取用户特征,以是否患有高血压为标签制作样本数据集;
模型构建模块:用于构建多层感知模型,基于样本数据集训练多层感知模型;
风险预测模块:用于将用户信息及高血压相关元素的摄入情况输入多层感知模型,预测出的用户患高血压的风险指数。
2.根据权利要求1所述基于饮食习惯推导高血压的方法,其特征在于,所述用户信息包括年龄、性别,体重、身高、酗酒史,抽烟史、家族遗传史;高血压相关元素包括蛋白质、脂肪、胆固醇、盐、热量。
3.根据权利要求1所述基于饮食习惯推导高血压的方法,其特征在于,所述数据集模块还用于:
根据不同人群连续时间段内的饮食情况提取用户高血压相关元素的摄入情况,并分别与标准摄入量比较,判断出高血压相关元素的摄入是否异常。
4.根据权利要求2所述基于饮食习惯推导高血压的方法,其特征在于,所述用户特征为:年龄,性别,热量摄入量,脂肪摄入量,胆固醇摄入量,盐摄入量,蛋白质摄入量,是否肥胖,是否有高血压遗传史,是否有抽烟史,是否有酗酒史。
5.根据权利要求4所述基于饮食习惯推导高血压的方法,其特征在于,所述模型构建模块中,通过多层感知器构建多层感知模型,多层感知器包括输入层,一个输出层和一个或多个隐藏层;层与层之间是全连接的,上一层的任何一个神经元与下一层的所有神经元都连接。
6.根据权利要求5所述基于饮食习惯推导高血压的方法,其特征在于,训练多层感知器的过程中,使用梯度下降法进行参数优化。
7.根据权利要求2所述基于饮食习惯推导高血压的系统,其特征在于,所述模型构建模块中,通过Adaboost算法构建多层感知模型,以多个多层感知器作为Adaboost算法的弱分类器,通过样本数据集训练每个弱分类器的权重,将所有训练好的弱分类器组成一个强分类器作为多层感知模型。
8.一种电子设备,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,以实现如权利要求1~7任一项所述的系统。
9.一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权利要求1~7任一项所述的系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110104211.XA CN112951421A (zh) | 2021-01-26 | 2021-01-26 | 一种基于饮食习惯推导高血压的系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110104211.XA CN112951421A (zh) | 2021-01-26 | 2021-01-26 | 一种基于饮食习惯推导高血压的系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112951421A true CN112951421A (zh) | 2021-06-11 |
Family
ID=76237025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110104211.XA Pending CN112951421A (zh) | 2021-01-26 | 2021-01-26 | 一种基于饮食习惯推导高血压的系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112951421A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115203595A (zh) * | 2022-09-19 | 2022-10-18 | 北京智源人工智能研究院 | 一种通过生活特征对体征健康进行预测的系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504297A (zh) * | 2015-01-21 | 2015-04-08 | 甘肃百合物联科技信息有限公司 | 一种利用神经网络的高血压预测方法 |
CN108109691A (zh) * | 2017-10-26 | 2018-06-01 | 深圳市赛亿科技开发有限公司 | 一种应用于高血压患者的辅助保健系统及方法 |
CN108268859A (zh) * | 2018-02-08 | 2018-07-10 | 南京邮电大学 | 一种基于深度学习的人脸表情识别方法 |
US20190172587A1 (en) * | 2016-12-30 | 2019-06-06 | Seoul National University R&Db Foundation | Apparatus and method for predicting disease risk of metabolic disease |
-
2021
- 2021-01-26 CN CN202110104211.XA patent/CN112951421A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504297A (zh) * | 2015-01-21 | 2015-04-08 | 甘肃百合物联科技信息有限公司 | 一种利用神经网络的高血压预测方法 |
US20190172587A1 (en) * | 2016-12-30 | 2019-06-06 | Seoul National University R&Db Foundation | Apparatus and method for predicting disease risk of metabolic disease |
CN108109691A (zh) * | 2017-10-26 | 2018-06-01 | 深圳市赛亿科技开发有限公司 | 一种应用于高血压患者的辅助保健系统及方法 |
CN108268859A (zh) * | 2018-02-08 | 2018-07-10 | 南京邮电大学 | 一种基于深度学习的人脸表情识别方法 |
Non-Patent Citations (2)
Title |
---|
李秋华 等: "实用专科护理常规", vol. 1, 黑龙江科学技术出版社, pages: 100 - 102 * |
田艳鹏;丁学义;朱羽硕;李运伦;郭伟星;: "基于决策树和神经网络的高血压病痰湿壅盛证诊断模型研究", 中华中医药杂志, vol. 1, no. 08, pages 373 - 378 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115203595A (zh) * | 2022-09-19 | 2022-10-18 | 北京智源人工智能研究院 | 一种通过生活特征对体征健康进行预测的系统及方法 |
CN115203595B (zh) * | 2022-09-19 | 2022-12-06 | 北京智源人工智能研究院 | 一种通过生活特征对体征健康进行预测的系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Le et al. | A novel wrapper–based feature selection for early diabetes prediction enhanced with a metaheuristic | |
Abdulhadi et al. | Diabetes detection using machine learning classification methods | |
CN111192680B (zh) | 一种基于深度学习和集成分类的智能辅助诊断方法 | |
US11664108B2 (en) | Systems, methods, and devices for biophysical modeling and response prediction | |
Dangare et al. | A data mining approach for prediction of heart disease using neural networks | |
Li et al. | Blood pressure prediction via recurrent models with contextual layer | |
US20060025931A1 (en) | Method and apparatus for real time predictive modeling for chronically ill patients | |
KR20180126911A (ko) | 건강 관리 방법 및 장치 | |
Kwong et al. | A prediction model of blood pressure for telemedicine | |
WO2005110029A2 (en) | Method and apparatus for real time predictive modeling for chronically ill patients | |
US20210241916A1 (en) | Forecasting and explaining user health metrics | |
Kaur et al. | Predicting risk of obesity and meal planning to reduce the obese in adulthood using artificial intelligence | |
CN111951975A (zh) | 一种基于深度学习模型gpt-2的脓毒症早期预警方法 | |
Engy et al. | An optimized artificial neural network approach based on sperm whale optimization algorithm for predicting fertility quality | |
CN114072782A (zh) | 问题推荐方法及装置、系统和电子设备、可读存储介质 | |
CN111091911A (zh) | 一种卒中风险筛查系统及方法 | |
CN116417115A (zh) | 妊娠期糖尿病患者个性化营养方案推荐方法及系统 | |
CN112182168A (zh) | 病历文本分析方法、装置、电子设备及存储介质 | |
CN116110582A (zh) | 一种基于预训练和多任务双向调节机制的健康风险评估方法 | |
CN112951421A (zh) | 一种基于饮食习惯推导高血压的系统、设备及存储介质 | |
Assaf et al. | 30-day hospital readmission prediction using MIMIC data | |
CN117010971B (zh) | 一种基于人像识别的智能健康险提供方法及系统 | |
RU2752792C1 (ru) | Система для поддержки принятия врачебных решений | |
CN112967807A (zh) | 基于饮食行为预测脑卒中的系统、设备及存储介质 | |
US11537888B2 (en) | Systems and methods for predicting pain level |
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 |