CN113948188A - 一种饮食和运动智能监测系统 - Google Patents
一种饮食和运动智能监测系统 Download PDFInfo
- Publication number
- CN113948188A CN113948188A CN202111301384.7A CN202111301384A CN113948188A CN 113948188 A CN113948188 A CN 113948188A CN 202111301384 A CN202111301384 A CN 202111301384A CN 113948188 A CN113948188 A CN 113948188A
- Authority
- CN
- China
- Prior art keywords
- exercise
- diet
- movement
- user
- food
- 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.)
- Withdrawn
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/535—Filtering based on additional data, e.g. user or group profiles
Abstract
本发明公开了一种饮食和运动智能监测系统，包括：饮食营养评估模块：该模块可根据用户自身状况提供个性化饮食配方，利用用户上传的每餐照片自动评估每餐营养素的含量和比例结构，并提供与个性化饮食配方匹配程度的评估意见；运动模式识别模块：该模块采集人体运动数据，评估每日运动指标与个性化运动配方匹配情况；吃动综合分析模块：该模块通过每月记录的体重和体脂数据库，评估吃动综合干预的效果；利用饮食和运动历史记录数据库分析用户对饮食和运动配方的依从性，及膳食摄入与运动消耗的相互支撑性，同时把分析结果共享给本人及个人医师，督促和提醒用户合理膳食和科学运动。
Description
技术领域
本发明涉及智能健康管理领域，具体是一种饮食和运动智能监测系统。
背景技术
合理膳食，科学运动是健康生活方式的主要因素,怎样利用人工智能技术，自动监测评估膳食营养和运动状况，引领居民培养健康生活方式，是慢病预防与控制的有效措施，对促进全民健康、降低疾病负担具有重要意义。
饮食营养评估的准确性和可靠性仍是精准营养研究中的一个主要挑战。
目前，比较流行的食物交换份法简单易学，但只能约略估算饮食热量；基于深度学习的算法虽能定量计算营养素，但由于算法设计对食物体积计算误差大，成为提高营养评估准确性的瓶颈，另外，抗阻运动作为有氧运动的有益补充，由于其运动姿势的独特性，成为运动指标监测中的难点。
发明内容
本发明的目的在于提供一种饮食和运动智能监测系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种饮食和运动智能监测系统，包括以下模块：
饮食营养评估模块：该模块是对食材和熟食照片分别构建两类深度学习模型，然后根据用户上传的食材或熟食照片精准评估饮食营养素的含量和比例结构，并结合用户的个性化饮食配方提供评估意见；
运动模式识别模块：该模块用分布在手臂、腰部和大腿的多类传感器采集人体数据，通过异构数据融合推理算法获取运动时长、模式和强度，再通过构建的有氧运动模型和抗阻运动模型，分别识别细分的有氧或抗阻运动种类，通过运动历史数据库统计运动频率，评估每日运动指标与运动配方匹配情况；
吃动综合分析模块：该模块通过用户定期测量并存储的体重和体脂身体成份数据库，评估吃动综合干预对改善用户健康状况的效果，利用饮食和运动历史记录数据库分析用户对饮食和运动配方的依从性，及膳食摄入与运动消耗的相互支撑性。
作为本发明进一步的方案：所述饮食营养评估模块的具体构建步骤如下：
步骤一、采集各类基于食物份的生食和基于菜谱的熟食图片数据集及相应的营养数据库，用于构建基于生食图片和基于熟食图片的两类营养评估深度学习模型；
步骤二、用户每次做饭或吃饭前拍照并上传食材或熟食照片，系统自动选择相应的饮食模型评估营养成分，并评价与饮食配方的匹配程度。
与现有技术相比，本发明的有益效果是：
本发明中的饮食营养评估模块，将计算机视觉中多目标检测与营养学中食物交换份规则相结合，提出了对自做饭和外食用户，分别构建两类营养评估模型的新探索；
对自做饭，用基于食物份的烹饪原料图像集，构建能直接检测食物种类和份数的生食深度模型，因而能更精准地评估饮食营养素；对外食用户，利用基于菜谱的熟食数据集，构建能直接检测菜名和菜量(大、中、小份)的熟食深度模型，从而根据菜谱的食物成分定量评估营养素；
自动监测用户每天的饮食营养与运动种类和强度，并分析是否与个人的饮食配方/运动配方匹配，同时把分析结果共享给本人及个人医师，督促和提醒用户合理膳食和科学运动。
附图说明
图1为饮食和运动智能监测系统中基于食物份的生食图像采集和模型训练架构图。
图2为饮食和运动智能监测系统中基于菜谱的熟食图像采集和模型训练架构图。
图3为饮食和运动智能监测系统中饮食营养评估模块技术路线图。
图4为饮食和运动智能监测系统中运动模式识别技术路线图。
图5为饮食和运动智能监测系统中吃动综合分析技术路线图。
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
一种饮食和运动智能监测系统，包括以下模块：
饮食营养评估模块：该模块是对食材和熟食照片分别构建两类深度学习模型，然后根据用户上传的食材或熟食照片精准评估饮食营养素的含量和比例结构，并结合用户的个性化饮食配方提共评估意见，所述饮食营养评估模块的具体构建步骤如下：
步骤一、采集各类基于食物份的生食和基于菜谱的熟食图片数据集及相应的营养数据库，用于构建基于生食图片和基于熟食图片的两类营养评估深度学习模型；
步骤二、用户每次做饭或吃饭前拍照并上传食材或熟食照片，系统自动选择相应的饮食模型评估营养成分，并评价与饮食配方的匹配程度。
运动模式识别模块：该模块用分布在手臂、腰部和大腿的多类传感器采集人体数据，通过异构数据融合推理算法获取运动时长、模式和强度，再通过构建的有氧运动模型和抗阻运动模型，分别识别细分的有氧运动模型或抗阻运动种类，通过运动历史数据库统计运动频率，评估每日运动指标与运动配方匹配情况。
所述运动模式识别模块构建有氧运动模型和抗阻运动深度学习模型，具体识别过程如下：
步骤一、采集手臂、腰部和大腿的多类传感器人体数据，该数据包括日期、时间，手臂、腰部、大腿运动数据以及心率；
步骤二、通过异构数据融合推理算法获取运动时长、模式和强度；
步骤三、再通过构建的有氧运动模型和抗阻运动模型分别识别细分的有氧运动或抗阻运动种类。有氧运动种类包括慢走、快走、慢跑等，抗阻运动种类包括俯卧撑、平板、哑铃等；
步骤四、通过运动历史数据库统计运动频率，评估每日运动指标与运动配方匹配情况。
吃动综合分析模块：该模块通过用户定期测量并存储的体重和体脂身体成份数据库，评估吃动综合干预对改善用户健康状况的效果，利用饮食和运动历史记录数据库分析用户对饮食和运动配方的依从性，及膳食摄入与运动消耗的相互支撑性。
所述吃动综合分析模块具体分析过程如下：
步骤一、通过用户定期测量并存储的体重和体脂等身体成份数据库；
步骤二、评估吃动综合干预对改善用户健康状况的效果；
步骤三、利用饮食和运动历史记录数据库分析用户对饮食和运动配方的依从性，及膳食摄入与运动消耗的相互支撑性。
本发明的饮食和运动智能监测系统，提高饮食和运动综合干预效果的技术和算法，该发明中的饮食营养评估模块，将计算机视觉中多目标检测与营养学中食物交换份规则相结合，提出了对自做饭和外食用户，分别构建两类营养评估模型的新探索，对自做饭，用基于食物份的烹饪原料图像集，构建能直接检测食物种类和份数的生食深度模型，因而能更精准地评估饮食营养素；对外食用户，利用基于菜谱的熟食数据集，构建能直接检测菜名和菜量 (大、中、小份)的熟食深度模型，从而根据菜谱的食物成分定量评估营养素。
数据和案例分析：自动监测用户每天的饮食营养与运动种类和强度，并分析是否与个人的饮食配方/运动配方匹配，同时把分析结果共享给本人及个人医师，目的是督促和提醒用户合理膳食和科学运动。
例如，饮食营养评估模块可以详细评估用户每次通过手机拍照并上传的食材或熟食营养成份，并对每日三餐的营养结构进行综合分析。
另外，还提供每周和每月的数据汇总，如下表所示。
表1：食材营养识别洋葱的营养成分(100g可食)
| 各营养成分 | 碳水 | 蛋白质 | 脂肪 | 膳食纤维 | 钙 | 维C | 钾 | 磷 | 镁 | 热量 |
| 食材：洋葱 | 8.1g | 1.1g | 0.2g | 0.9g | 24mg | 8mg | 147mg | 39mg | 15mg | 39kcal |
表2：熟食营养识别西红柿炒鸡蛋(鸡蛋150g西红柿300g)
| 各营养成分 | 碳水 | 蛋白质 | 脂肪 | 膳食纤维 | 钙 | 维C | 钾 | 胆固醇 | 盐 | 热量 |
| 西红柿炒鸡蛋 | 7g | 28.9g | 9g | 4.7g | 1.3mg | 35mg | 756mg | 1170mg | 1g | 39kcal |
表3：每天营养分析报告表
本发明的算法既可避免基于估算食物体积和重量导致定量分析误差大的问题，又能弥补人工估算食物份不精准的缺憾，巧妙突破目前精准营养评估的技术瓶颈问题，运动智能监测模块，将通过融合分布在身体不同部位(如手臂、腰部和大腿)的异构传感器数据，构建高效准确的分层运动监测机器学习模型，提高有氧和抗阻运动监测的准确性，解决目前基于穿戴设备的抗阻运动监测结果不可靠的难点，另外，通过吃动平衡综合分析及干预效果评价功能，可有效提高用户对该智能监测系统的依从性，从而逐渐养成健康的生活方式，预防慢病的发生，因此，本发明的应用将在全球关注的慢病预防与干预领域有很大的社会效益。
上面对本专利的较佳实施方式作了详细说明，但是本专利并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本专利宗旨的前提下做出各种变化。
Claims (7)
1.一种饮食和运动智能监测系统，其特征在于，包括以下模块：
饮食营养评估模块：该模块是对食材和熟食照片分别构建食材和熟食两类深度学习模型，然后根据用户上传的食材或熟食照片精准评估饮食营养素的含量和比例结构，并结合用户的个性化饮食配方提高评估意见；
运动模式识别模块：该模块采集人体运动数据，再通过构建的有氧运动模型和抗阻运动模型，分别识别细分的有氧或抗阻运动种类，评估每日运动指标与运动配方匹配情况；
吃动综合分析模块：该模块利用每月记录的体重和体脂等身体成份数据库评估吃动综合干预效果，分析用户对饮食和运动配方的依从性，及膳食摄入与运动消耗的相互支撑性。
2.根据权利要求1所述的饮食和运动智能监测系统，其特征在于，所述饮食营养评估模块的具体构建步骤如下：
步骤一、采集各类基于食物份的生食和基于菜谱的熟食图片数据集及相应的营养数据库，用于构建基于生食图片和基于熟食图片的两类营养评估深度学习模型；
步骤二、用户每次做饭或吃饭前拍照并上传食材或熟食照片，系统自动选择相应的饮食模型评估营养成分，并评价与个性化饮食配方的匹配程度。
3.根据权利要求1所述的饮食和运动智能监测系统，其特征在于，所述运动模式识别模块分别对有氧和抗阻运动构建了有氧和抗阻两类运动深度学习模型，具体识别过程如下：
步骤一、采集手臂、腰部和大腿的多类传感器人体运动数据；
步骤二、通过异构数据融合推理算法获取运动时长、模式和强度；
步骤三、通过构建的有氧运动模型和抗阻运动模型分别识别细分的有氧运动模型或抗阻运动种类；
步骤四、通过运动历史数据库统计运动频率，评估每日运动指标与运动配方匹配情况。
4.根据权利要求1所述的饮食和运动智能监测系统，其特征在于，该数据包括日期、时间，手臂、腰部、大腿运动数据以及心率。
5.根据权利要求1所述的饮食和运动智能监测系统，其特征在于，有氧运动模型包括慢走、快走、慢跑的有氧运动数据。
6.根据权利要求1所述的饮食和运动智能监测系统，其特征在于，抗阻运动模型包括俯卧撑、平板、哑铃的抗阻运动数据。
7.根据权利要求1所述的饮食和运动智能监测系统，其特征在于，所述吃动综合分析模块具体分析过程如下：
步骤一、通过用户定期测量并存储的体重和体脂身体成份数据库；
步骤二、评估吃动综合干预策略对改善用户健康状况的效果；
步骤三、利用饮食和运动历史记录数据库分析用户对饮食和运动配方的依从性，及膳食摄入与运动消耗的相互支撑性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111301384.7A CN113948188A (zh) | 2021-11-04 | 2021-11-04 | 一种饮食和运动智能监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111301384.7A CN113948188A (zh) | 2021-11-04 | 2021-11-04 | 一种饮食和运动智能监测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113948188A true CN113948188A (zh) | 2022-01-18 |
Family
ID=79337457
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111301384.7A Withdrawn CN113948188A (zh) | 2021-11-04 | 2021-11-04 | 一种饮食和运动智能监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113948188A (zh) |
-
2021
- 2021-11-04 CN CN202111301384.7A patent/CN113948188A/zh not_active Withdrawn
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109964280B (zh) | 用于计算、显示、修改和使用改善的个性化营养健康评分来评估和计划最佳饮食的系统和方法 | |
| Shriver et al. | Dietary intakes and eating habits of college athletes: are female college athletes following the current sports nutrition standards? | |
| Epstein et al. | A comparison of lifestyle exercise, aerobic exercise, and calisthenics on weight loss in obese children | |
| JP7319930B2 (ja) | 摂取可能物の最適量及び質を反映する単一の食品摂取スコアを算出、表示、修正、及び使用するためのシステム及び方法 | |
| CN107423549A (zh) | 健康跟踪设备 | |
| Reifsnider et al. | Perceptions of children's body sizes among mothers living on the Texas‐Mexico Border (La Frontera) | |
| WO2014099255A1 (en) | Systems and methods for determining caloric intake using a personal correlation factor | |
| CN105260594A (zh) | 一种个体营养评价系统 | |
| CN111261260B (zh) | 一种膳食推荐系统 | |
| CN103310092A (zh) | 健康照护管理系统及方法 | |
| CN108597572A (zh) | 一种智能健康规划系统 | |
| JP2023060289A (ja) | 健康管理システム | |
| CN112365955A (zh) | 健身计划的确定方法及确定装置、可穿戴系统 | |
| Nielsen et al. | An alternative to dietary data exclusions | |
| CN116453652A (zh) | 糖尿病患者饮食量控制方法、装置、计算机设备及其存储介质 | |
| CN110634543A (zh) | 一种减脂管理平台及其实现方法 | |
| JP2023020789A (ja) | プログラム、方法、およびシステム | |
| Bandyopadhyay et al. | Assessment of energy balance against the nutritional status of women carriers in the brickfields of West Bengal | |
| Parra et al. | Monitoring eating behaviors for a nutritionist E-assistant using crowdsourcing | |
| CN113948188A (zh) | 一种饮食和运动智能监测系统 | |
| Thimmayamma et al. | Dietary assessment as part of nutritional status | |
| TWI819906B (zh) | 引導培養健康生活之飲食輔助系統 | |
| CN116246754B (zh) | 一种人体体重监测评估干预管理方法和系统 | |
| US20230274812A1 (en) | Methods and systems for calculating an edible score in a display interface | |
| Pal | Smart Health: automated nutrition monitoring management system in the IoT |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220118 |