CN114155939A - 基于深度学习的糖尿病饮食方案自适应生成系统 - Google Patents

Abstract

本发明公开了一种基于深度学习的糖尿病饮食方案自适应生成系统，包括：收集与存储模块，配置为收集和制作患者总热量动态变化的数据，根据基础代谢量、职业性消耗量、运动消耗量、饮食补充量、以及腰臀比和空腹血糖均值的差值，构建生成热量补充计划的个性化数据集；计算模块，将个性化数据集导入改进型的线性回归模型并进行数据训练，得出数据集中各数据相应的最优权重；评估与反馈模块，根据计算模块的最优权重以及偏差值，通过设立双梯度目标，自动推算出饮食热量补充值，生成个性化的饮食方案并适时反馈优化。本发明构建出患者总热量变化的个性化数据集，并将深度学习方法引入患者饮食方案的制定中，为糖尿病患者提供更精准、科学的饮食指导。

Description

基于深度学习的糖尿病饮食方案自适应生成系统

技术领域

本发明实施例涉及医疗健康技术领域，尤其涉及一种基于深度学习的糖尿病饮食方案自适应生成系统。

背景技术

糖尿病是一种发病率较高的慢性代谢性疾病，对患者生活方式(饮食、运动等)的干预质量直接影响病情发展及康复效果，传统的“管住嘴、迈开腿”便是形象的表述。目前糖尿病患者的饮食管理主要基于日常热量消耗而进行，具体说来就是根据患者体重与标准体重比对、体力活动情况等指标简单估算其热量消耗，提出模糊均一化的饮食方案。实际上，这种管理方法显得很粗放，既缺乏针对患者个性化病情变化的精准饮食指导，更缺乏动态的热量消耗评估以及相应的信息化自动调节技术手段。

患者日常饮食管理的目的在于缓解糖尿病病情，减少相关并发症的损害，这一繁杂、琐碎的康复工作有赖于精准的饮食指导。近年来糖尿病的临床研究，强调腰臀比和血糖这两个因素在整个病程管理中的靶向性意义，但这在饮食康复中没有得到充分体现。目前通行的饮食指导方案，既忽略了患者自身生理特征(如内脏脂肪含量、肌肉含量等指标)的改善，也与血糖值的控制目标缺乏直接关联，同时也欠缺能反映饮食干预效果的精准化评估、反馈及调整手段，致使糖尿病患者饮食康复效果的提高一直受限。这其中很重要的原因就在于行之有效的、能针对具体患者实现快速响应的信息技术处理手段方面的创新不足。

目前糖尿病饮食指导方案的制定，通行做法大多遵循下列步骤展开，具体如下：

(1)简单估算理想体重：标准体重(kg)＝身高(cm)－105。低于标准体重20％为消瘦；超过标准体重20％为肥胖；标准体重±10％为理想体重。

(2)计算每日所需总热量：根据标准体重和参与体力劳动的情况计算出每日需要从食物中摄入的总热量。每天需要的热量＝标准体重×每千克体重所需热量，如身高167cm，体重75kg，中度体力劳动，则标准体重为167－105＝62(kg)，实际体重超过标准体重20％，属肥胖；每日所需热量为62×30＝1860kcal(表1)。

体型	卧床	轻体力劳动	中体力劳动	重体力劳动
					消瘦	20～25	35	40	40～45
正常	15～20	30	35	40
					肥胖	15	20～25	30	35

表1：不同体力劳动每千克体重所需要的热量[kcal/体重(kg)]

(3)选择对应热量的食谱：所有食物均为烹调前生料(表2)

表2：热量对应食谱

例如：男，56岁，170cm，85kg，会计。理想体重为170－105＝65kg；实际体重85kg，比标准体重超30％，属肥胖，会计属轻体力劳动，按照表1，每日应摄入热能标准为20～25kcal/kg，因此全天所需总热量为65×20～25＝1300～1625kcal。因此，推荐1400kcal食谱。

食物交换表：只能在同类食物间交换，所有食物重量均为1个交换份(90kcal)的重量。(表3)

表3：食物交换表

然而，这样的饮食方案制定方法存在着明显的缺陷：一是个性化程度低，根据大致的体力活动类型及体重估算热量消耗，参照人群的平均热量需求进行增减补充，只考虑了患者的日常体力活动，而没有考虑患者额外的体能运动、血糖波动等情况，既难以全面评估热量消耗也难以针对个人缓解病情的实际需求精准补充热量；二是效率不高，每个医师或营养师受服务的患者人数所限，在难以做到对个体热量消耗进行动态评估的情况下，无法对大多数患者进行精准的饮食指导；三是效果较差，现行的饮食方案制定方案大都以控制热量摄入为目的，而忽略了患者自身生理特征(如内脏脂肪含量、肌肉含量等指标)的改善以及血糖值的控制目标，以致饮食康复的效果普遍不佳；四是缺乏反馈机制，对患者日常生活(运动、饮食等)变化情况无法及时进行联动，难以根据患者日常热量消耗的波动，准确实施动态评估并进行饮食调整。

因此，针对上述不足，在糖尿病饮食指导方面实现个性化、精准化、高效化、自动化很有必要，依靠技术创新大力提高患者饮食管理的效果是业界面临的一项迫切任务。

发明内容

本发明的目的在于提供一种基于深度学习的糖尿病饮食指导系统，采用腰臀比(WHR)这一反应患者内脏脂肪含量较为敏感的指标，以及空腹血糖均值(FPG)设定双梯度目标，更加精准得出患者的热量补充计划，并适时自动生成饮食方案。构建患者总热量动态变化的个性化数据集，并据此以改进型的线性回归模型创建糖尿病饮食指导方案的生成系统。

本发明实施例提供一种基于深度学习的糖尿病饮食方案自适应生成系统，其特征在于，包括：收集与存储模块，配置为收集和制作患者总热量动态变化的数据，根据基础代谢量、职业性消耗量、运动消耗量、饮食补充量、以及腰臀比和空腹血糖均值的差值，构建出可供机器学习训练并能生成热量补充计划的个性化数据集；

计算模块，配置为改进型的线性回归模型，将所述患者个性化数据集导入模型并由程序进行数据训练，进而得出所述数据集中各数据相应的最优权重；

评估与反馈模块，配置为根据计算模块所述的最优权重以及偏差值，通过设立cWHR梯度目标及cFPG梯度目标，自动推算出最优解的热量补充值，以此生成个性化的饮食方案并适时反馈优化。

最优解的热量补充计划，所述线性回归模型为：输出特征值为y＝输入特征x_j和模型权重w_j的矩阵向量乘法后+偏差值k，即：

其中，输出特征值y为双梯度目标值。当男性腰臀比WHR^m>0.9，女性WHR^f>0.85时，y为腰臀比梯度目标值cWHR。输入特征值x_i为所述数据集中各数据(基础代谢量、职业性消耗、运动消耗、饮食补充量)的值，所述模型权重w_i是第i项权重。

当男性腰臀比WHR^m≤0.9，女性腰臀比WHR^f≤0.85时，y为空腹血糖梯度目标值cFPG。输入特征值x_j为所述数据集中各数据(基础代谢量、职业性消耗、运动消耗、饮食补充量)的值，所述模型权重w_j是第j项权重。

最优解的热量补充计划，所述收集与存储模块被配置为动态搜集、更新患者总热量消耗的相关数据，不断形成新数据集，并将所述新数据集依次传输给计算模块、评估模块进行处理后，根据即时最优权重，推送更新的饮食补充热量建议；

在动态更新所述的热量补充计划时，存在损失函数的梯度，梯度下降的时候，沿着梯度的反方向进行权重的更新，根据双梯度目标背景分别得到权重w_i、w_j及标量偏差值k的最优值包括：

将偏差值加入权重：w←[w，k]；

计算平方损失：e(x，y，w)＝1/2n||y-xw||²；

n表示矩阵内有n个样本，平方损失e是样本预测值与实际值的误差值，该值越小表示损失越小，w是权重的矩阵形式。

最优解的热量补充计划，设定批量大小b为患者个性化数据集长度，设定

为学习率，遍历设定次数后，当e小于设定的阈值时，判断结果有效，则输出数据集权重w和标量偏差值k，当k大于设定的阈值时,判断结果无效，该函数接受模型参数集合x，y，w、

和b作为输入，每一步更新的大小由

决定；

最优解的热量补充计划，所述相关数据包括BM基础代谢量、OM职业消耗热量、MM运动消耗热量和DP饮食补充热量。其中，基础代谢量BM＝BMR*0.2389，BMR为基础代谢率，根据年龄、身高和体重计算；职业消耗量OM＝h*8*(BM/24)，h为患者不同职业所表示的极轻微活动、轻微活动、中度体力活动、重体力活动和极重体力活动的能量消耗，分别约为基础代谢率的1.2，1.5，4，6和10倍。

最优解的热量补充计划，所述过程还包括数据标准化过程，将BM，OM，MM取底数为10的对数值再做负值，DP取底数为10的对数值，将cWHR乘以100，cFPG无需变动，使这些参数值都都保持在便于运算处理的相近区间，即：

cWHR_L＝cWHR×100

所述腰臀比WHR＝W/H，cWHR为不同时间节点的腰臀比之差。

本发明具有以下效果：

(1)本发明通过前期收集和制作患者总热量动态变化的数据，构建出可供机器学习训练并能生成热量补充计划的个性化数据集，进而建立深度学习相关的改进型线性回归模型，可以结合患者饮食管理的梯度目标，更加精准得出患者的热量补充值并自动生成饮食方案。

(2)本发明可以结合患者个人的体征数据、职业、以及运动和饮食等生活习惯，通过程序的学习训练精准把握患者的热量消耗特点，进而通过适时反馈对患者的饮食方案进行自动调整。

(3)本发明靶向患者cWHR及一个时期内的cFPG，把饮食康复过程有效关联到患者内脏脂肪、体重、腰围、臀围、空腹血糖等重要的指标，更符合临床研究的新共识新趋势，能更准确、更快速实现糖尿病患者的病情缓解。

(4)本发明选取与cWHR及cFPG相关的BM(基础代谢量)，OM(职业消耗热量)，MM(运动消耗热量)、DP(饮食补充热量)4项关键指标作为建模的主要依据，并通过程序的自动训练动态计算4项指标的最优权重，不仅更精准反映了患者能量消耗及饮食补充的实际，而且比传统的饮食计算方法更为简捷、实用。

(5)本发明基于改进型线性回归的数据处理，对相关指标的交替采集、分析可以做到动态反馈与饮食指导的推送同步，使临床上繁琐的饮食方案制定过程大大简化，提高了患者饮食管理的效率。

(6)本发明基于深度学习后运算得出的最优解热量补充值，可以结合患者空腹血糖水平的波动情况，为患者的碳水化合物、蛋白质和脂肪摄入量及比例调整提供基本依据。

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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一中的基于深度学习的糖尿病饮食方案自适应生成系统的模块结构示意图；

图2为本发明实施例二中的基于深度学习的糖尿病饮食方案自适应生成系统的运行流程示意图；

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例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。

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

实施例1

如图1和图2所示，本发明提供的基于深度学习的糖尿病饮食方案自适应生成系统，包括：收集与存储模块，配置为收集和制作患者总热量动态变化的数据，根据基础代谢量、职业性消耗、运动消耗、饮食补充量、以及腰臀比和空腹血糖均值的差值，构建出可供机器学习训练并能生成热量补充计划的个性化数据；

作为本发明一个具体的实施例，在一个时间段内采集患者数据，包括性别、年龄、身高、体重、腰围、臀围、空腹血糖、工作强度、运动强度和饮食情况等数据。其中，采集腰围和臀围用于计算WHR(腰臀比，腰围/臀围)，采集身高、体重和年龄用于计算BM，采集工作强度用于计算OM，采集运动强度数据用于计算MM，采集饮食情况数据用于计算DP，采集空腹血糖用于计算FPG。具体地：患者在客户端注册时，在客户端填写姓名、性别、年龄、身高、体重、腰围、臀围、空腹血糖、工作强度和运动强度数据，由客户端生成第一份饮食方案。继续使用过程中定期更新体重、腰围、空腹血糖、臀围，每日反馈实际运动情况执行量，实际饮食方案执行量，由客户端根据下表数据要求发送到计算模块。

表4：患者数据表计算模块，配置为基于单层神经网络的线性回归模型，将所述个性化数据集导入模型，在程序学习训练的基础上得出所述数据集中各数据相应的最优权重。计算模块根据患者id，使用SQL语句查询数据库内该患者的所有历史数据，包括性别、年龄、身高、体重、腰围、臀围、空腹血糖、工作强度、运动方案(如有)和饮食方案，计算患者的WHR值，以测量日期顺序排序。遍历所有WHR值并做差值，差值定义cWHR，当差值大于0.01时，定义该时间周期为单个数据集，并计算该时间周期内的BM、OM、MM、DP和cWHR，同时存储该数据集，以便下次直接调用。同样地，遍历所有FPG均值并做差值，差值定义cFPG，当差值大于0.1时，定义该时间周期为单个数据集，并计算该时间周期内的BM、OM、MM、DP和cFPG，同时存储该数据集，以便下次直接调用。

计算腰臀比WHR＝W/H

W腰围单位：cm；H臀围单位：cm

计算腰臀比差值cWHR，时间周期内WHR差值，例如10月1日的WHR减去9月1日的WHR的值。

计算基础代谢量BM：BM＝BMR*0.2389

其中根据年龄、身高和体重计算患者基础代谢率BMR(表5)

BMR单位为千焦，转换成千卡需要乘以0.2389。

年龄/岁	男性	女性
			<18[16]	370+20H+52BW-25A	1873+13H+39BW-18A
18～<30[15]	63BW+2896	62BW+2036
			30～60[15]	48BW+3653	34BW+3538
>60[16]	370+20H+52BW-25A	1873+13H+39BW-18A

表5：各年龄段人群BMR的计算公式

计算职业消耗量OM，休息时的能量消耗应等于基础代谢率,而坐、轻微活动、中度体力活动、重体力活动和极重体力活动的能量消耗分别约为基础代谢率的1.2，1.5，4，6和10倍，

极轻微活动：OM＝0.2*8*(BM/24)

轻微活动：OM＝0.5*8*(BM/24)

中度体力活动：OM＝3*8*(BM/24)

重体力活动：OM＝5*8*(BM/24)

极重体力活动：OM＝9*8*(BM/24)

运动消耗热量MM和饮食补充热量DP由方案提供。

数据标准化：将BM，OM，MM取底数为10的对数值再做负值，DP取底数为10的对数值，将cWHR乘以100，cFPG无需变动，使这些参数值都都保持在便于运算处理的相近区间，即：

cWHR_L＝cWHR×100

初始化模型参数：从均值为0、标准差为0.01的正态分布中采样随机数来初始化权重w，并将偏差值k初始化为0。

定义模型：输入特征x_j和模型权重w_j的矩阵向量乘法后加上偏差值k。

定义数据集输入：x＝[BM_L,OM_L,MM_L,DP_L]^T

定义数据集输出：y＝[cWHR_L]^T。

定义数据集权重：w＝[w_BM,w_OM,w_MM,w_DP]^T，

标量偏差值：k

其中[BM_L,OM_L,MM_L,DP_L]^T为[BM_L,OM_L,MM_L,DP_L]的矩阵，w_BM表示基础代谢量权重、w_OM表示职业消耗量权重、w_MM表示运动消耗量权重、w_DP表示饮食热量补充量权重，k表示偏差值。

定义损失函数：用于更新模型时，计算损失函数的梯度，梯度下降的时候，应该是沿着梯度的反方向进行权重的更新，可以有效的找到全局的最优解。

将偏差值加入权重：w←[w,k]

计算平方损失：e(x,y,w)＝1/2n||y-xw||²

其中，n表示矩阵内有n个样本，在模型得出数据权重以及偏差值之后，需要按模型进行学习训练，也就是说需要纳入数据进行更新和训练以获得最优的方程系数，这个n就是我们后续纳入的样本数。

定义优化算法：采用小批量随机梯度下降作为优化算法。当遍历模型时，从数据集中随机抽取小批量，然后计算损失的梯度。下面的函数实现小批量随机梯度下降更新。该函数接受模型参数集合x,y,w、学习速率

和批量大小b作为输入。每一步更新的大小由

决定。

执行训练：设定批量大小b为数据集长度的0.2，设定学习率

为0.01，遍历1000次后，当e小于0.1判断结果有效，则输出数据集权重w和标量偏差值k，当k大于0.1,判断结果无效，不输出数据集权重w和标量偏差值k，由营养师制定饮食方案。

评估模块，配置为根据计算模块所述的最优权重以及偏差值、梯度调整目标，自动推算出饮食补充热量值，以此生成个性化的饮食方案并适时反馈优化。

表6：各年龄段性别分类BMI、腰围、腰臀比、腰围身高比结果

把患者WHR调整到该年龄的平均值为原则，例如52岁男性患者，WHR平均值为0.925设为目标腰臀比pWHR(表6)。

定义当期调整的腰臀比差为：

其中npWHR为当期调整的腰臀比差,0.005为每期腰臀比最大调整差值，nWHR为最新腰臀比，pWHR为目标腰臀比。

定义当期基础代谢量NBM、职业消耗热量NOM、运动消耗热量NMM、饮食补充热量NDP,并将NBM,NOM,NMM取底数为10的对数值再做负值，NDP取底数为10的对数值，将npWHR乘以100，使这些参数的值都在-10～10之间。

npWHR_L＝npWHR×100

计算当期饮食方案补充热量：

根据食物交换份方式计算各类食物重量，并优先推荐低GL食物：(GL即血糖负荷)

研究表明，饭后血糖水平除了与碳水化合物的GI(血糖生成指数)高低有关外，还与食物中碳水化合物总量有密切关系。对于高GI的食物，如果碳水化合物少，尽管其转化为血糖但对血糖水平影响并不大。如果单以食物GI及食物热量选择饮食，则可能会出现偏差，因为有些食物GI高但其GL并不一定高。所以本发明优先选取GL作为糖尿病饮食指导的推荐方案(表7)。

表7：以GL为依据的糖尿病饮食指导的推荐方案

本发明还设有以个人实际情况设置的实施例2：

应用实施案例(对接APP)：患者甲，男，56岁，身高170cm，体重80kg，腰围105cm，臀围110cm，空腹血糖9.0mmol/L、，职业会计。

Step1：客户端收集患者能量消耗、能量补充的相关数据

步骤1：甲第一次登陆收集与存储模块，授权微信登录成功后，补充姓名和电话，服务器根据患者姓名和电话，使用SQL语句查询数据库中是否有该患者的健康评测数据，如果没有，弹出健康评测界面。

步骤2：患者填写健康评测，包括性别、出生年月日、身高、体重、腰围、臀围、工作强度。

步骤3：填写完成后，患者点击生成饮食方案。

步骤4：患者定期更新身高、体重、腰围、臀围、空腹血糖和工作强度。

步骤5：在每日执行完运动方案(如有)和饮食方案后反馈当日实际的工作情况，实际运动量以及实际饮食量。

步骤6：收集与存储模块按照表格式发送数据到计算模块，其中如果没有运动方案则为空。

步骤7：计算模块程序判断患者的数据的单位和格式是否正确，正确的话进入下一步骤，错误的话返回相应错误原因，由收集与存储模块提醒患者重新提交数据。

Step2：收集与存储模块根据患者id制备患者个体化的数据集

步骤8：数据计算：计算模块程序根据患者id，使用SQL语句查询数据库内该患者的所有历史数据，包括性别、年龄、身高、体重、腰围、臀围、空腹血糖、工作强度、运动方案(如有)和饮食方案。

根据患者甲腰臀比WHR>0.9，以下是腰臀比差值调整的案例：

计算患者的WHR值(腰臀比，腰围/臀围)，以测量日期顺序排序。遍历所有WHR值并做差值，差值定义cWHR，当差值大于0.01时，定义该时间周期为单个数据集，并计算该时间周期内的BM、OM、MM、DP和cWHR，同时存储该数据集，以便下次直接调用。

步骤9：将数据集做标准化处理，即将BM，OM，MM取底数为10的对数值再做负值，DP取底数为10的对数值，将cWHR乘以100，使这些参数的值都在-10～10之间。

Step3：收集与存储模块将数据集导入线性回归模型计算BM、OM、MM和DP的最优权重

步骤10：收集与存储模块将患者所有数据集数据输入线性回归模型，模型中计算基础代谢量、职业消耗热量、运动消耗热量和饮食补充热量的权重和标量偏差，再将偏差值加入权重，计算最小平方损失，从而获得各项最优权重，再根据权重计算出当前饮食方案的饮食补充热量。

步骤11：定义数据集输入：x＝[BM_L,OM_L,MM_L,DP_L]^T。

步骤12：定义数据集输出：y＝[cWHR_L]^T。

步骤13：定义权重和标量偏差：w＝[w_BM,w_OM,w_MM,w_DP]^T，k。

步骤14：将偏差值加入权重：w←[w,b]，并计算平方损失：e(x,y,w)＝1/2n||y-xw||²

步骤15：设定批量大小b为数据集长度的0.2，设定学习率

为0.01，遍历1000次后，当e小于0.1判断结果有效，则输出数据集权重w和标量偏差值k，当k大于0.1,判断结果无效，不输出数据集权重w和标量偏差值k，由营养师制定饮食方案。

步骤16：计算结果为

w_BM＝25.3373；w_OM＝5.9850；w_MM＝3.9536；w_DP＝25.2024；k＝34.9801

Step4根据患者性别和年龄，设立WHR(腰臀比)的梯度调整目标，动态评估并自动推送饮食补充热量建议

步骤17：根据甲性别男，年龄56岁，得出pWHR(平均腰臀比)值为0.521

步骤18：计算当期调整的腰臀比差值：

得出npWHR＝-0.05

步骤19：设定当期(30天)基础代谢量NBM为51780kal；当期职业消耗量NOM为8640cal；当期运动消耗量NMM为12000cal。

步骤20：计算当期饮食补充热量：

得出NDP＝79432cal

步骤21：将计算模块所得的计算结果推送到收集与存储模块展示给患者。

Step4：推荐低GL食物

步骤22：收集与存储模块根据食物交换份方式计算各类食物重量，并优先推荐低GL食物。

案例运行显示，本发明具有较为明显的以下效果：

(1)本发明通过前期个体化采集糖尿病患者的能量消耗数据建立个体化数据集，进而建立改进型的线性回归模型，通过腰臀比(WHR)这一反应患者内脏脂肪含量较为敏感的指标，以及血糖均值(FPG)变化设定双梯度目标，更加精准得出患者的热量补充计划，并适时自动生成饮食方案。

(2)本发明可以结合患者个人的体征数据、职业、以及运动和饮食等生活习惯，通过程序的学习训练精准把握患者的热量消耗特点，进而通过适时反馈对患者的饮食方案进行自动调整。

(3)本发明靶向WHR及FPG，可以更好改善所关联的内脏脂肪、体重、腰围、臀围、空腹血糖等重要的生理指标，更准确、更快速实现糖尿病患者的病情缓解。

(4)本发明选取与WHR及FPG相关的BM(基础代谢量)，OM(职业消耗热量)，MM(运动消耗热量)、DP(饮食补充热量)4项关键指标作为建模的主要依据，并通过程序自动学习动态计算4项指标的权重，不仅更精准反映了患者能量消耗及饮食补充的实际，而且比传统的饮食指导方法更为简捷、实用。

(5)本发明基于改进型线性回归模型的数据处理，对相关指标的采集分析可以做到动态反馈与饮食指导的推送同步，使临床上繁琐的饮食方案制定过程大大简化，提高了患者饮食管理的效率。

(6)本发明基于深度学习后运算得出的最优解热量补充值，可以结合患者空腹血糖水平波动的情况，为患者的碳水化合物、蛋白质和脂肪摄入量及比例调整提供基本依据。

可以理解的是，上述系统中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

此外，存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

需要说明的是，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (6)

1.一种基于深度学习的糖尿病饮食方案自适应生成系统，其特征在于，包括：收集与存储模块，

配置为收集和制作患者总热量动态变化的数据，根据基础代谢量、职业性消耗量、运动消耗量、饮食补充量、以及腰臀比和空腹血糖均值的差值，构建出可供机器学习训练并能生成热量补充计划的个性化数据集；

计算模块，配置为改进型的线性回归模型，将所述个性化数据集导入模型并由程序进行数据训练，得出所述数据集中各数据相应的最优权重；

评估与反馈模块，被配置为根据计算模块所述的最优权重及偏差值，通过设立腰臀比差值及空腹血糖均值差值双梯度目标，自动推算出饮食补充热量值，以此生成个性化的饮食方案并适时反馈优化。

2.根据权利要求1所述的一种基于深度学习的糖尿病饮食方案自适应生成系统，其特征在于，所述改进型的线性回归模型为：输出特征值为y＝输入特征x_j和模型权重w_j的矩阵向量乘法后+偏差值k，即：

其中，输出特征值y为双梯度目标值。当男性腰臀比WHR^m>0.9，女性WHR^f>0.85时，y为腰臀比梯度目标值cWHR。输入特征值x_i为所述数据集中各数据(基础代谢量、职业性消耗、运动消耗、饮食补充量)的值，所述模型权重w_i是第i项权重。

当男性腰臀比WHR^m≤0.9，女性腰臀比WHR^f≤0.85时，y为空腹血糖梯度目标值cFPG。输入特征值x_j为所述数据集中各数据(基础代谢量、职业性消耗、运动消耗、饮食补充量)的值，所述模型权重w_j是第j项权重。

3.根据权利要求2所述的一种基于深度学习的糖尿病饮食方案自适应生成系统，其特征在于，所述收集与存储模块被配置为动态搜集、更新患者总热量消耗的相关数据，不断形成新数据集，并将所述新数据集依次传输给计算模块、评估与反馈模块进行处理后，根据即时最优权重，推送动态更新的热量补充计划；

在动态更新所述的热量补充计划时，存在损失函数的梯度，梯度下降的时候，沿着梯度的反方向进行权重的即时更新，根据双梯度目标背景分别得到权重w_i、w_j及标量偏差值k的最优解包括：

将偏差值加入权重：w←[w，k]；

计算平方损失：e(x，y，w)＝1/2n||y-xw||²；

n表示矩阵内有n个样本，平方损失e是样本预测值与实际值的误差值，该值越小表示损失越小，w是权重的矩阵形式。

4.根据权利要求3所述的一种基于深度学习的糖尿病饮食方案自适应生成系统，其特征在于，设定批量大小b为患者个性化数据集长度，设定l为学习率，遍历设定次数后，当e小于设定的阈值时，判断结果有效，则输出数据集权重w和标量偏差值k，当k大于设定的阈值时,判断结果无效，该函数接受模型参数集合x，y，w、l和b作为输入，每一步更新的大小由l决定；

5.根据权利要求1-4中任一种基于深度学习的糖尿病饮食方案自适应生成系统，其特征在于：

所述相关数据包括BM基础代谢量、OM职业消耗热量、MM运动消耗热量和DP饮食补充热量，与设立的cWHR及cFPG梯度目标值共同构成可供程序训练的、完整的个性化数据集。

其中，基础代谢量BM＝BMR*0.2389，BMR为基础代谢率，根据年龄、身高和体重计算得出；职业消耗量OM＝h*8*(BM/24)，h为个人不同职业所表示的极轻微活动、轻微活动、中度体力活动、重体力活动和极重体力活动的能量消耗，分别约为基础代谢率的1.2，1.5，4，6和10倍。

6.根据权利要求5所述的一种基于深度学习的糖尿病饮食方案自适应生成系统，其特征在于，所述过程还包括数据标准化过程，将BM，OM，MM取底数为10的对数值再做负值，DP取底数为10的对数值，将cWHR乘以100，cFPG无需变动，使这些参数值都保持在便于运算处理的相近区间，即：

cWHR_L＝cWHR×100

所述腰臀比WHR＝W/H，cWHR为不同时间节点的腰臀比之差。

Images