CN113539426A - 基于神经网络深度学习算法的营养评测系统及方法 - Google Patents
基于神经网络深度学习算法的营养评测系统及方法 Download PDFInfo
- Publication number
- CN113539426A CN113539426A CN202010320785.6A CN202010320785A CN113539426A CN 113539426 A CN113539426 A CN 113539426A CN 202010320785 A CN202010320785 A CN 202010320785A CN 113539426 A CN113539426 A CN 113539426A
- Authority
- CN
- China
- Prior art keywords
- neural network
- nutrition
- data
- client
- evaluation
- 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
- 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
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nutrition Science (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
为了解决现有技术中的问题,本发明公开一种基于神经网络深度学习算法的营养评测系统及方法,基于神经网络深度学习算法的营养评测系统,包括相互连接的客户端、云端、神经网络、数据库;其中的客户端用于客户提交评测数据到云端;云端用于利用神经网络,通过与对比数据库进行比较、学习、分析的训练之后,完善营养方案的样本,并且完善神经网络;神经网络用于比较、学习、分析的训练以及分析和识别;数据库用于数据的存储和访问。
Description
技术领域
本发明涉及一种基于神经网络深度学习算法的营养评测系统及方法。
技术背景
一般地,营养师通过人工评测,并根据自身工作经验和常规的营养方案,手工出具营养报告,并完成后续的营养干预。其缺点是,耗时耗力,需要大量的营养师进行工作,且只能在限定的时间内开展工作,客户没办法随时享受营养管理服务。即便有些营养评测系统,然而,传统的一些营养评测系统多是直接采用与数据库进行对比,或者模糊匹配,没办法做到智能学习,精准覆盖,且由于样本数据库数据较少,结果不具有太大参考价值,也不够准确。
发明内容
为了解决现有技术中的问题,本发明公开一种基于神经网络深度学习算法的营养评测系统及方法,其中,基于神经网络深度学习算法的营养评测系统,包括相互连接的客户端、云端、神经网络、数据库;其中的客户端用于客户提交评测数据到云端;云端用于利用神经网络,通过与对比数据库进行比较、学习、分析的训练之后,完善营养方案的样本,并且完善神经网络;神经网络用于比较、学习、分析的训练以及分析和识别;数据库用于数据的存储和访问。
进一步,其中的客户端包括数据采集装置。
进一步,其中的云端至少包括管理服务器、数据存储服务器、应用服务器。
进一步,其中的神经网络包括卷积神经网络及配套的服务器。
基于神经网络深度学习算法的营养评测方法,包括以下步骤:
步骤s1、客户从客户端提交评测数据到云端;
步骤s2、云端基于评测数据,利用神经网络,通过与对比数据库进行比较、学习、分析的训练之后,完善营养方案的样本,并且完善神经网络;
步骤s3、当客户从客户端提交新的评测数据后,云端会将此数据里面所有的参数与数据库庞大的样本进行对比,由训练后的神经网络分析识别,获取到与评测数据相匹配的结果,然后自动合并生成完整的营养评测报告。
进一步,步骤s3中云端同时根据长期和大量的学习过程,推荐与营养方案相匹配的产品,客户获取到评测报告之后,可以根据对应的营养干预方案进行营养管理。
进一步,步骤s3中云端同时为每一个营养评测报告分配一个在数据库的存储空间,以支持客户端的客户根据其位置访问。。。
有益效果:
本申请通过采集营养评估受测人群的各种评测数据,运用神经网络和深度学习技术,在无须营养师人工干预的前提下,进行营养评测可以自动生成受测者的营养报告及营养干预方案,减少营养师工作。
具体是:基于神经网络的深度学习,大量数据支撑,众多样本覆盖,可以进行更加复杂的非线性分类,使学习结果更精准,更加符合实际工作所需要的结果;节省人力成本,无需专业营养师干预,可以随时随地进行营养评测;实时数据跟踪,评测结果云端保存,客户可随时查阅。
附图说明
图1是本发明系统的组成框图。
图2是本发明方法的流程图。
具体实施方式
如图1所示,基于神经网络深度学习算法的营养评测系统包括相互连接的客户端、云端、神经网络、数据库;其中的客户端用于客户提交评测数据到云端;云端用于利用神经网络,通过与对比数据库进行比较、学习、分析的训练之后,完善营养方案的样本,并且完善神经网络;神经网络用于比较、学习、分析的训练以及分析和识别;数据库用于数据的存储和访问。其中的客户端包括数据采集装置;在具体实施中,其可以采用现有技术中的类似方案:
数据采集装置通过RS485通信方式连接仪表设备进行数据采集,采集所述仪表设备通过不同通信协议测试的数据,所述数据具有不同的数据类型,并发送给一个服务器;服务器通过RS485通信方式连接数据采集装置,并将从数据采集装置的数据存储起来;客户端的桌面连接所述服务器,获取所述服务器存储的数据,并展现给用户。数据采集装置包括微处理器、微控制器和外部存储器;微处理器包括参数配置单元、采集单元、数据加密单元和设备报警单元;所述参数配置单元,用于在数据采集装置初始工作时,根据预先设置的参数信息,对数据采集装置和仪表设备进行参数配置;所述采集单元,用于获取所述仪表设备的数据,将满足预设的采集数据格式的数据发送给外部存储器;所述数据加密单元,用于在所述采集单元采集到数据时,将所述数据进行加密处理,并发送给外部存储器;所述设备报警单元,用于检测所述仪表设备或连接仪表设备的传感器设备是否出现故障,并在检测到故障时,产生告警信息;所述微控制器,用于接收服务器发送的远程控制指令,根据所述远程控制指令远程控制仪表设备的开关;所述外部存储器,用于存储数据加密单元加密后的数据存储。
其中的云端至少包括管理服务器、数据存储服务器、应用服务器;在具体实施中,其可以采用现有技术中的类似方案:云端类似一种云存储数据中心,其包括服务管理服务器、数据存储服务器、服务提供服务器和应用服务器,其中,所述数据存储服务器,用于为用户存储数据;所述服务提供服务器,用于向所述应用服务器提供服务,且向所述服务管理服务器进行注册;所述服务管理服务器,用于对所述数据存储服务器中的数据进行管理,并接收所述服务提供服务器的注册,以及为所述应用服务器提供服务查询;所述应用服务器,用于向所述用户提供应用程序,且获得所述数据存储服务器中与所述应用程序相关的数据,并从所述服务管理服务器中查询与所述应用程序相关的服务提供服务器,以及从所述相关的服务提供服务器中获得服务,并对与所述服务相关的数据进行处理,其中,所述服务管理服务器接收应用程序发送的权限信息和动作信息,并对所述权限信息进行验证,并判断所述权限信息中包含的权限类型,在所述权限信息通过验证时,进一步判断所述权限信息中包含的权限类型是否为第一权限,在判断为第一权限时,进一步获得所述权限信息中的数据类型,并根据所述数据类型从数据存储服务器获得相应类型的数据,以及执行所述动作信息并将所述相应类型的数据提供给所述应用程序。
其中的神经网络包括卷积神经网络及配套的服务器;在具体实施中,数据需要提前转换为神经网络可以识别的类型,神经网络其可以采用现有技术中的类似方案:一种五层的卷积神经网络,其第一层:全连接层,其输入为服从均匀分布的噪声向量Z,它的维度是100。因为只有矩阵乘法,因此可以被叫做全连接层,被重塑成4维张量(训练时一个批大小的图片数量、图片高度、图片宽度、图像通道数),作为卷积栈的开始。全连接层的节点个数为1024,所以全连接层的输出维度变为1024×4×4。第二层:卷积层,卷积层使用的是反卷积操作,过滤器尺寸为5×5,深度为512,步长为2,使用的激活函数是ReLU。这里反卷积使输出尺寸会扩大一倍,所以本层的输出矩阵大小为8×8×512。第三层:卷积层,本层的输入矩阵大小为8×8×512,反卷积过滤器尺寸为5×5,深度为256,步长为2,使用的激活函数是ReLU。本层的输出矩阵大小为16×16×256。第四层:卷积层,本层的输入矩阵大小为16×16×256,反卷积过滤器尺寸为5×5,深度为128,步长为2,使用的激活函数是ReLU。本层的输出矩阵大小为32×32×128。第五层:卷积层,本层的输入矩阵大小为32×32×128,反卷积过滤器尺寸为5×5,深度为64,步长为2,使用的激活函数是ReLU。本层的输出矩阵大小为64×64×1。最后的输出是生成的新的图像。
如图2,基于神经网络深度学习算法的营养评测方法包括以下步骤:
步骤s1、客户从客户端提交评测数据到云端;
步骤s2、云端基于评测数据,利用神经网络,通过与对比数据库进行比较、学习、分析的训练之后,完善营养方案的样本,并且完善神经网络;
步骤s3、当客户从客户端提交新的评测数据后,云端会将此数据里面所有的参数与数据库庞大的样本进行对比,由训练后的神经网络分析识别,获取到与评测数据相匹配的结果,然后自动合并生成完整的营养评测报告。
步骤s3中云端同时根据长期和大量的学习过程,推荐与营养方案相匹配的产品,客户获取到评测报告之后,可以根据对应的营养干预方案进行营养管理。
步骤s3中云端同时为每一个营养评测报告分配一个在数据库的存储空间,以支持客户端的客户根据其位置访问。
值得说明的是,上述仅是本发明的实施例,可以理解是在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型获得其他实施例,其他实施例如在本发明权利要求范围的前提下也应当是本发明的保护范围。
Claims (7)
1.基于神经网络深度学习算法的营养评测系统,其特征在于,包括相互连接的客户端、云端、神经网络、数据库;
其中的客户端用于客户提交评测数据到云端;云端用于利用神经网络,通过与对比数据库进行比较、学习、分析的训练之后,完善营养方案的样本,并且完善神经网络;神经网络用于比较、学习、分析的训练以及分析和识别;数据库用于数据的存储和访问。
2.如权利要求1所述的基于神经网络深度学习算法的营养评测系统,其特征在于,其中的客户端包括数据采集装置。
3.如权利要求1所述的基于神经网络深度学习算法的营养评测系统,其特征在于,其中的云端至少包括管理服务器、数据存储服务器、应用服务器。
4.如权利要求1所述的基于神经网络深度学习算法的营养评测系统,其特征在于,其中的神经网络包括卷积神经网络及配套的服务器。
5.基于神经网络深度学习算法的营养评测方法,其特征在于,包括以下步骤:
步骤s1、客户从客户端提交评测数据到云端;
步骤s2、云端基于评测数据,利用神经网络,通过与对比数据库进行比较、学习、分析的训练之后,完善营养方案的样本,并且完善神经网络;
步骤s3、当客户从客户端提交新的评测数据后,云端会将此数据里面所有的参数与数据库庞大的样本进行对比,由训练后的神经网络分析识别,获取到与评测数据相匹配的结果,然后自动合并生成完整的营养评测报告。
6.如权利要求5所述的基于神经网络深度学习算法的营养评测方法,其特征在于,步骤s3中云端同时根据长期和大量的学习过程,推荐与营养方案相匹配的产品,客户获取到评测报告之后,可以根据对应的营养干预方案进行营养管理。
7.如权利要求5所述的基于神经网络深度学习算法的营养评测方法,其特征在于,步骤s3中云端同时为每一个营养评测报告分配一个在数据库的存储空间,以支持客户端的客户根据其位置访问。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010320785.6A CN113539426A (zh) | 2020-04-22 | 2020-04-22 | 基于神经网络深度学习算法的营养评测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010320785.6A CN113539426A (zh) | 2020-04-22 | 2020-04-22 | 基于神经网络深度学习算法的营养评测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113539426A true CN113539426A (zh) | 2021-10-22 |
Family
ID=78123910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010320785.6A Pending CN113539426A (zh) | 2020-04-22 | 2020-04-22 | 基于神经网络深度学习算法的营养评测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113539426A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107705853A (zh) * | 2017-09-21 | 2018-02-16 | 北京康爱营养科技股份有限公司 | 临床营养风险筛查方法及系统 |
CN107705834A (zh) * | 2017-10-10 | 2018-02-16 | 中山大学 | 一种基于循环神经网络的饮食推荐系统 |
CN108198604A (zh) * | 2017-12-12 | 2018-06-22 | 昆明亿尚科技有限公司 | 一种基于个人特征的营养饮食推荐方法 |
CN108899073A (zh) * | 2018-06-29 | 2018-11-27 | 重庆邮电大学 | 一种结合移动终端的智能健康饮食推荐系统 |
CN109219801A (zh) * | 2016-03-24 | 2019-01-15 | 苏蓓拉·阿兰德 | 为个体提供实时或即时的在线帮助以帮助他们实现个性化健康目标 |
CN109545328A (zh) * | 2018-11-28 | 2019-03-29 | 极力健生物科技(广州)有限公司 | 一种基于大数据和人工智能的个体亚健康干预方法和系统 |
WO2019136359A1 (en) * | 2018-01-05 | 2019-07-11 | L'oreal | Machine implemented virtual health and beauty system |
CN110379487A (zh) * | 2019-07-11 | 2019-10-25 | 麦夫子食品科技(北京)有限公司 | 营养方案管理系统 |
-
2020
- 2020-04-22 CN CN202010320785.6A patent/CN113539426A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109219801A (zh) * | 2016-03-24 | 2019-01-15 | 苏蓓拉·阿兰德 | 为个体提供实时或即时的在线帮助以帮助他们实现个性化健康目标 |
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 |
CN107705853A (zh) * | 2017-09-21 | 2018-02-16 | 北京康爱营养科技股份有限公司 | 临床营养风险筛查方法及系统 |
CN107705834A (zh) * | 2017-10-10 | 2018-02-16 | 中山大学 | 一种基于循环神经网络的饮食推荐系统 |
CN108198604A (zh) * | 2017-12-12 | 2018-06-22 | 昆明亿尚科技有限公司 | 一种基于个人特征的营养饮食推荐方法 |
WO2019136359A1 (en) * | 2018-01-05 | 2019-07-11 | L'oreal | Machine implemented virtual health and beauty system |
CN108899073A (zh) * | 2018-06-29 | 2018-11-27 | 重庆邮电大学 | 一种结合移动终端的智能健康饮食推荐系统 |
CN109545328A (zh) * | 2018-11-28 | 2019-03-29 | 极力健生物科技(广州)有限公司 | 一种基于大数据和人工智能的个体亚健康干预方法和系统 |
CN110379487A (zh) * | 2019-07-11 | 2019-10-25 | 麦夫子食品科技(北京)有限公司 | 营养方案管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111835582A (zh) | 物联网巡检设备的配置方法、装置、计算机设备 | |
CN114488989B (zh) | 一种基于物联网技术的工业控制系统 | |
CN105245582B (zh) | 数据中心的监控方法和监控装置 | |
CN109684046A (zh) | 事件自助处理方法、装置、设备和计算机存储介质 | |
CN103635886A (zh) | 信息处理系统、数据管理方法、信息处理设备及其控制方法和控制程序 | |
CN115862177A (zh) | 设备巡检方法及装置 | |
CN113568899A (zh) | 基于大数据的数据优化方法及云服务器 | |
US6574522B1 (en) | System and method of collecting statistically analyzing and graphically displaying quality control data for a manufacturing process | |
CN111310351A (zh) | 车间设备的状态监测方法、装置、终端设备及存储介质 | |
DE102021124261A1 (de) | Automatisierte computerisierte Identifizierung von Anlagegegenständen | |
CN113539426A (zh) | 基于神经网络深度学习算法的营养评测系统及方法 | |
CN110837657B (zh) | 数据处理方法、客户端、服务器及存储介质 | |
CN112799949A (zh) | 一种模型优化方法、装置、系统及设备 | |
KR101926855B1 (ko) | 콜센터 질의응답 서비스 제공 장치 | |
US10515316B2 (en) | System and method for using data obtained from a group of geographically dispersed magnetic resonance systems to optimize customer-specific clinical, operational and/or financial performance | |
US20220207289A1 (en) | Device selection apparatus, data set selection apparatus, method for selecting device, and program | |
CN115786889A (zh) | Cvd设备的数据采集方法和装置 | |
CN113672497B (zh) | 无埋点事件的生成方法、装置、设备及存储介质 | |
CN115150430A (zh) | 一种基于物联网的自动售卖机运营数据采集系统 | |
CN114253808A (zh) | 一种对象状态的监控方法及装置 | |
CN110489311B (zh) | 自动检测电脑用户行为及自动更新检测模型的方法和系统 | |
CN112785418A (zh) | 信贷风险建模方法、装置、设备及计算机可读存储介质 | |
CN115720148B (zh) | 一种工业物联网信息可视化方法、服务器和存储介质 | |
US20240096118A1 (en) | Systems and methods for image-assisted identification of property changes | |
US20210398356A1 (en) | Remote visually enabled contracting |
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 |