CN114271797A - 基于三维建模技术的体态密度法测量人体成分的系统 - Google Patents
基于三维建模技术的体态密度法测量人体成分的系统 Download PDFInfo
- Publication number
- CN114271797A CN114271797A CN202210089149.6A CN202210089149A CN114271797A CN 114271797 A CN114271797 A CN 114271797A CN 202210089149 A CN202210089149 A CN 202210089149A CN 114271797 A CN114271797 A CN 114271797A
- Authority
- CN
- China
- Prior art keywords
- data
- user
- unit
- human body
- dimensional modeling
- 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.)
- Granted
Links
Images
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了基于三维建模技术的体态密度法测量人体成分的系统,所述系统包括电子设备和终端,电子设备包括图像采集单元、交互单元、处理单元、评估单元、存储单元、显示单元及显示屏,处理单元、评估单元由计算机软件进行数据运算,并由存储器进行存储用户的信息和数据。显示单元包含显示屏,可以用于显示录入信息以及显示体成分测量过程和结果,显示膳食营养推荐。交互单元通过数据线或者蓝牙、WIFI的形式将终端的信息录入数据传输给处理单元,交互单元也将评估单元所出具的体成分检测数据以及膳食营养推荐传输给终端,进行数据储存和显示,以及报告单出具。
Description
技术领域
本发明涉及生物医学工程领域,具体涉及基于三维建模技术的体态密度法测量人体成分的系统。
背景技术
在医学临床与基础研究中,体成分是营养状态基本评估中与营养最密切的实验室检查数据之一,对于评估营养和指导营养有重要的价值。市面上的直接测量体成分的方法有双能X射线吸收法、核磁共振成像法、CT法、水下称重法、空气置换法、生物电阻抗分析法、稀释法、脂肪溶解气体法、超声波法、人体测量推算法等。
其中,水下称重法是一种应用广泛、经典的实验室方法,且常常被作为一种评价身体成分的标准方法。这一方法将人体分为脂肪及非脂肪成分(包括骨骼、肌肉及其它非脂肪组织),通过对身体密度的测量,间接推测体脂率和去脂体重的有效测量方法。这种测量是建立在身体瘦体重和脂肪组织的密度测量的基础上,推测结果比较合理、精确,是比较和评定其他方法的“金”标准。但水下密度法存在操作程序复杂的缺点,且无法提供节段肌数据。
空气置换法较为舒适但费用较高。目前尚无一种既简单又精确且充分安全的以密度法为基础原理来测定人体成分的理想方法。
生物电阻抗法是一种应用较多的人体成份测量方法,其基本原理是人体内不同的组成成份具有不同的电阻率,肌肉、体液等电阻率低,具有良好的导电性能,而脂肪、骨骼等电阻率高,为电的不良导体,通过导入人体一定频率的恒流电,根据导电体的电阻R与电阻率β和长度L成正比,与横截面积S成反比,即R=ρ(L/S),变换得到V=ρ(L2/R),通过测量人体部分参数,结合测量获得的电阻抗,可计算人体内非脂肪物质体积,乘以非脂肪物质的平均比重,可以得到人体非脂肪物质的量,并进而能推出人体脂肪量。生物电阻抗法假设为人体四肢和躯干为一个圆柱体,圆柱体的各个部分的电阻率相同,实际上人体四肢与躯干形状不一样,四肢电阻抗占全部电阻抗的大部分, 因此,该方法最近的发展为进行多频率电阻和人体分段电阻测量,多频率电阻来测量人体细胞内、外液分布状况,人体分段测量能计算人体各个部分的非脂肪物质和脂肪物质量,以提高测量的准确性和预测脂肪的分布情况。
有研究结果表明肥胖者与体重正常者之间,无论是在体形,还是在人体组成上(如:身体中结合水的含量,以及体水的分布等)都存在明显的差异。当使用生物电阻抗测量体脂含量时,利用正常体重人群的推算方程将显著低估肥胖者身体中的脂肪含量。另外在实际应用中发现,将不同国家和地区的生物电阻抗推算方程计算所得体脂含量与水下称重法的标准结果进行比较时发现推算方程的推算结果与测量值之间差异有显著性。
所以采用生物电阻抗法来推算体脂含量的结果受测量位置的改变、不同人种人体电阻率的改变和体液中离子浓度的改变以及不同的推算方程适用性的影响。
因此,本领域技术人员提供了一种通过体态密度法测量人体成分的方法及其装置,提出一种测量方法更加精确,同时改善密度法在测量人体成分过程中存在的操作难度大,实现费用高且无法测量节段肌的难题。
发明内容
为解决上述技术问题,本发明提供了一种基于密度法阿基米德原理,利用人体三维模型重建技术获得人体建模体积以及身体密度,从而精准计算体脂重和局部脂肪含量,从而进一步获得全身及局部人体成分数据的检测系统。
本发明提供基于三维建模技术的体态密度法测量人体成分的系统,所述体态密度法是一种用密度法原理,通过人体三维重建,获得人体体积与密度,进而获得人体成分的方法。
水下称重法(密度法)是多年来测定体成分的“金标准”,是经典的实验室方法。水下密度法根据阿基米德原理,通过采用排水法获得身体的密度,身体的密度为身体重量与体积之比,身体重量可直接用体重计测量,而身体的体积可采用排水法得到。然后将密度代入公式求身体的脂肪百分比。V=(BW 一Uww)/Dw。实际人体体积应该减去肺内残余气体、气管内和肠内的气体的容积。
Db=BW/{(BW-UWw)/Dw-Rv}
Db:身体密度,BW:身体在空气中体重,UWw:身体在水中体重减去附加重物,
Dw为测定时水温所对应的水密度,
Rv为体内残气量(L)。
得到身体密度后,将身体密度代入脂肪百分比计算公式计算人体脂肪量,计算脂肪百分比的公式有:
Brozek公式:fat%=(4.57÷Db-4.142)X 100%
Siri公式:fat%=(4.95÷Db-4.5)X100%
Lohman公式:fat%=(5.30÷Db-4.89)X100%
Forbes公式:fat%=(5.750÷Db-5.389)X100%
Miymoto公式:fat%=(5.075÷D b-4.604)X100%
本发明体态密度法测量人体成分的方法是使用三维建模和边缘界定技术,还原了William·siri提出的计算人体成份的Siri方程。
体态密度法是在金标准“水下密度法”基础上进行了一次实现方式的优化,其具备测量方法便捷、检测费用低,精确度高,测量范围广的特点。改善了密度法在测量人体成分过程中存在的操作难度大,实现费用高且无法测量局部脂肪的难题。
所述系统包括电子设备和终端,所述终端可以是当前用户的手持或是台式设备,例如,手机、平板电脑、笔记本电脑等。电子设备包括图像采集单元、交互单元、处理单元、评估单元、存储单元、显示单元及显示屏,所述电子设备可以与终端设备结合,或者是内置于所述终端设备。
所述终端界面分为功能主页、照片检测、检测数据、膳食营养推荐四个主页面。
图像采集单元用于用户图像收集,在用户穿紧身衣的前提下,通过手机拍照或者用户上传照片,以及通过扫描人体获得用户图像信息。
交互单元用于接收终端输入的当前用户的基本信息。需要说明的是终端和电子设备之间的交互方式可采用有线、蓝牙、WIFI等方式,进行数据传输。
处理单元用于识别当前用户的图像信息和基础信息,建立用户三维体积模型,最终计算出用户的体脂率,进而获得体脂含量。具体地,用正面和侧面两张照片进行人体三维模型重建,所述建模方式为用边缘界定技术提取正面和侧面属于人的像素边缘,利用机器学习算法对其它构成人体模型的像素点进一步推算,从而构建出人体完整的像素模型。结合所输入的身高数据从而获得该用户三维模型的像素距离。将该用户的三维模型的身体各部位进行分割,再对每一个部位切割为多层切片,计算出每一层像素区间的面积,通过像素距离换算出实际面积,从而累加计算出该部位的体积,进一步累加各部位体积计算出人体体积。所述每一层切片的面积计算方式为,将该层的像素区间,分割为面积长和宽分别为1毫米的正方形,其面积为内部区域面积和边缘区域面积。根据该层的坐标区间,计算出内部完整的面积区域,边缘部分曲线其总周长为L,将该边缘曲线划分为n份,其每一块正方形面积的边长为L/n毫米,其公式为:S=limn→∞L2/n,该边缘部分面积在不影响整体数据的情况下可忽略不计。
处理单元还用于建立人体体态标准逻辑推算模型库,获得局部体脂含量,进而获得用户其它体成分数据。具体地,根据人体解剖数据以及在数据运算过程中的机器学习建立人体体态标准逻辑推算模型库,通过对用户三维模型重建所得躯干、四肢等身体局部部位的围度值与人体体态标准逻辑模型库中在相同的身高、体重、性别和体脂率等特征因素下该部位的围度值进行比对,求出比例值,从而推算出该身体部位的脂肪。
评估单元用于根据最终体成分生成身体评估,根据身体评估以及性别,生成膳食营养推荐。
存储单元用于储存实验数据以及用户的数据。具体地,实验数据包括人体解剖数据以及实验统计数据。用户的数据包括图像信息、基础信息,后台运算分析数据以及评估结果。存储单元也包含用户的历史检测数据记录。
显示单元用于控制显示屏显示当前用户的体成分评估结果和膳食营养推荐。
交互单元还用于将当前用户的最终体成分膳食营养推荐发送至终端。
用户基本信息从终端录入,处理单元、评估单元由计算机软件进行数据运算,并由存储器进行存储用户的信息和数据。显示单元包含显示屏,可以用于显示录入信息以及显示体成分测量过程和结果,显示膳食营养推荐。交互单元通过数据线或者蓝牙、WIFI的形式将终端的信息录入数据传输给处理单元,交互单元也将评估单元所出具的体成分检测数据以及膳食营养推荐传输给终端,进行数据储存和显示,以及报告单出具。
优选的:功能主页页面显示用户可选择的功能项目,其中体成分检测为其中一项功能。
优选的:照片检测页面显示用户需要输入的基础数据,包含身高、体重、性别、出生日期以及拍照或从文件上传正/反两张照片,是否怀孕的选项,综合以上信息进行分析。
优选的:检测数据页面显示用户的基本数据、体成分数据以及节段体成分数据。其中基本数据包含身高、体重、健康评分、基础代谢、BMI、体脂含量。并在体脂含量数据后面给出评估结果。体成分数据包括肌肉重、体脂重、去脂体重、总水分、细胞内液、细胞外液、蛋白质、无机盐,并在每一项检测结果后面给出评估结果。节段体成分数据包括腰臀比、右下肢、左下肢、躯干、右上肢、左上肢,并在每一项检测结果后面给出评估结果。
优选的:膳食营养推荐页面,显示用户的整体营养状况及膳食营养推荐方案,并给用户出具一个历史数据记录及对比数据,方便用户动态观察自己的营养改善情况。
优选的:所述图像采集单元的使用流程如下:
步骤一,打开程序;
步骤二,点击图片检测;
步骤三,用户基本信息录入,包含身高、体重、性别、出生日期;
步骤四,用户在身穿紧身衣的前提下,手机拍照或上传正面/侧面两张照片;
步骤五,将基础数据和正面、侧面照片上传数据中心;
步骤六,数据处理中心后台进行数据运算返回体成分结果,并存储数据。
步骤七,数据返回软件,处理后展示。
优选的:所述处理单元通过人体三维建模数据获得用户的身体体积,所述用户的三维数据信息来源包含通过边缘界定技术获得手机拍照或者用户提供正面及侧面照片来获取特征尺寸,进而获得建模体积。
优选的:根据体态密度法计算方法计算获得身体密度;
所述体态密度法测量体脂含量的公式算法如下:
(1)通过三维建模和边缘界定的技术获得身体密度:
Db=Wa/(V-RV-GV)
其中:Wa为陆上体重;V为图像识别和三维建模重建清晰数据后获得的建模体积(mm3);RV为余气量(ml);GV为胃肠道容积(ml)
(2)余气量:
男性RV=(0.017*age)+(0.06858*h)-3.447
女性RV=(0.009*age)+(0.08128*h)-3.9。
再根据Siri方程Fat%=(4.950/Db-4.500)*100%计算出当前用户的体脂率;从体脂率以及用户的体重数据获得该用户的脂肪和去脂体重;进一步计算出人体的无机盐、蛋白质、水分、肌肉重、内脏脂肪含量、基础代谢、节段肌等人体体成分数据,进一步计算出用户身体的局部特征体成分。
优选的:处理单元还包含在分析识别用户的图像特征数据中的机器学习算法。所述处理单元根据人体三维建模所形成的全身和局部体积,在计算获得身体整体体脂率后,通过对用户三维模型重建所得躯干、四肢等身体局部部位的围度值与所建人体体态标准逻辑模型库中在相同的身高、体重、性别和体脂率等特征因素下该部位的围度值进行比对,求出比例值,从而推算出该身体部位的脂肪。
优选的:所述系统的使用步骤为:
步骤一,打开并登陆上位机软件;
步骤二,连接图像采集单元设备;
步骤三,用户基本信息录入,包含身高、体重、性别、出生日期;
步骤四,用户穿紧身衣,进行人体拍摄;
步骤五,将基础数据和用户图像上传数据处理中心;
步骤六,数据处理中心后台进行数据运算返回体成分结果,并存储数据;
步骤七,数据返回软件,处理后展示体成分检测结果及膳食营养推荐。
当所述指令被所述设备执行时,使得所述设备具体执行以下步骤:
采集当前用户的图像信息,接受终端输入的当前用户的基本信息。所述用户的基本信息包括身高、体重、性别、出生年月;
当所述指令被所述设备执行时,使得所述设备具体执行以下步骤:
通过用户的图像信息获取用户体态特征,进行三维模型重建,根据所输入的身高数据获得三维模型的像素距离;进一步对用户三维模型的身体各部位进行分割计算获得人体体积和局部体积,进一步根据体态密度法计算公式得到身体密度;进一步计算得到体脂率等最终体成分;进一步通过对用户三维模型重建所得躯干、四肢等身体局部部位的围度值与所建人体体态标准逻辑模型库中在相同的身高、体重、性别和体脂率等特征因素下该部位的围度值进行比对,求出比例值,从而推算出该身体部位的脂肪。
所述的最终体成分包括肌肉重、体脂重、去脂体重、总水分、细胞内液、细胞外液、蛋白质、无机盐、腰臀比、右下肢肌肉量、左下肢肌肉量、躯干肌肉量、右上肢肌肉量、左上肢肌肉量、右下肢脂肪量、左下肢脂肪量、躯干脂肪量、右上肢脂肪量、左上肢脂肪量以及局部部位肌肉量和脂肪量其中一种或任意组合。
当所述指令被所述设备执行时,使得所述设备具体执行以下步骤:
根据所述最终体成分生成身体评估;根据所述身体评估以及性别、出生年月以及是否孕期,生成膳食营养推荐方案。
本发明的技术效果和优点:
本发明系统在金标准“水下密度法”基础上进行了一次实现方式的优化,本发明通过人体三维重建,获得人体体积与密度,进而获得人体成分。其具备测量方法便捷、检测费用低,精确度高,测量范围广的特点。改善了密度法在测量人体成分过程中存在的操作难度大,实现费用高且无法测量局部脂肪的难题。
用户基本信息从终端录入,图像采集单元用于用户图像收集,处理单元、评估单元由计算机软件进行数据运算,并由存储器进行存储用户的信息和数据。显示单元包含显示屏,可以用于显示录入信息以及显示体成分测量过程和结果,显示膳食营养推荐。交互单元通过数据线或者蓝牙、WIFI的形式将终端的信息录入数据传输给处理单元,交互单元也将评估单元所出具的体成分检测数据以及膳食营养推荐传输给终端,进行数据储存和显示,以及报告单出具。
附图说明
图1是本申请的系统架构图;
图2是本申请的原理流程图;
图3是本申请的业务流程图;
图4是本申请中一种实施例的界面图;
图5是本申请中另一种实施例中电子设备的连接场景示意图;
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。本发明的实施例是为了示例和描述起见而给出的,而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本发明的原理和实际应用,并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
请参阅图1~5,在本实施例中提供基于三维建模技术的体态密度法测量人体成分的系统,所述系统包括电子设备和终端,所述终端可以是当前用户的手持或是台式设备,例如,手机、平板电脑、笔记本电脑等。电子设备包括图像采集单元、交互单元、处理单元、评估单元、存储单元、显示单元及显示屏,所述电子设备可以与终端设备结合,或者是内置于所述终端设备。
本发明的工作原理如图2所示。
步骤101,获取用户正面和侧面两张全身照片;
步骤102,通过用户图片进行三维模型重建;
步骤103,根据用户三维模型及获取的用户特征尺寸数据身高值从而获得该用户三维模型的像素距离,进一步对用户三维模型的身体各部位进行分割计算获得人体体积和局部体积;
步骤104,在103基础上,根据体态密度法计算公式,获得身体密度;
步骤105,根据Siri方程,计算获得体脂率;
步骤106,进一步获得身体脂肪;
步骤107,进一步获得身体局部脂肪。
所述终端界面分为功能主页、照片检测、检测数据、膳食营养推荐四个主页面。
功能主页页面显示用户可选择的功能项目,其中体成分检测为其中一项功能。
照片检测页面显示用户需要输入的基础数据,包含身高、体重、性别、出生日期以及拍照或从文件上传正/反两张照片,是否怀孕的选项,综合以上信息进行分析。
检测数据页面显示用户的基本数据、体成分数据以及节段体成分数据。其中基本数据包含身高、体重、健康评分、基础代谢、BMI、体脂含量。并在体脂含量数据后面给出评估结果。体成分数据包括肌肉重、体脂重、去脂体重、总水分、细胞内液、细胞外液、蛋白质、无机盐,并在每一项检测结果后面给出评估结果。节段体成分数据包括腰臀比、右下肢、左下肢、躯干、右上肢、左上肢,并在每一项检测结果后面给出评估结果。
膳食营养推荐页面,显示用户的整体营养状况及膳食营养推荐方案,并给用户出具一个历史数据记录及对比数据,方便用户动态观察自己的营养改善情况。
图像采集单元用于用户图像收集,具体的可以在用户穿紧身衣的前提下,通过手机拍照或者用户上传照片,以及通过扫描人体轮廓获得用户图像信息。
所述图像采集单元的使用流程如下:
步骤一,打开程序;
步骤二,点击图片检测;
步骤三,用户基本信息录入,包含身高、体重、性别、出生日期;
步骤四,用户在身穿紧身衣的前提下,手机拍照或上传正面/侧面两张照片;
步骤五,将基础数据和正面、侧面照片上传数据中心;
交互单元用于接收终端输入的当前用户的基本信息。需要说明的是终端和电子设备之间的交互方式可采用有线、蓝牙、WIFI等方式,进行数据传输。
处理单元用于识别当前用户的图像信息和基础信息,计算出最终的体脂率,获得最终的用户体成分数据。具体地,在一种可选的实现方式中,所述用户的建模体积通过以下方式获得。用正面和侧面两张照片进行人体三维模型重建,所述建模方式为用边缘界定技术提取正面和侧面属于人的像素边缘,利用机器学习算法对其它构成人体模型的像素点进一步推算,从而构建出人体完整的像素模型。结合终端所输入的身高数据,从而获得该用户三维模型的像素距离。将该用户的三维模型的身体各部位进行分割,再对每一个部位切割为多层切片,计算出每一层像素区间的面积,通过像素距离换算出实际面积,从而累加计算出该部位的体积,进一步累加各部位体积计算出人体体积。
根据体态密度法计算方法计算获得身体密度;
所述体态密度法测量体脂含量的公式算法如下:
(1)通过三维建模和边缘界定的技术获得身体密度:
Db=Wa/(V-RV-GV)
其中:Wa为陆上体重;V为图像识别和三维建模重建清晰数据后获得的建模体积(mm3);RV为余气量(ml);GV为胃肠道容积(ml)
(2)余气量:
男性RV=(0.017*age)+(0.06858*h)-3.447
女性RV=(0.009*age)+(0.08128*h)-3.9。
再根据Siri方程Fat%=(4.950/Db-4.500)*100%计算出当前用户的体脂率;从体脂率以及用户的体重数据获得该用户的脂肪和瘦体重;进一步计算出人体的无机盐、蛋白质、水分、肌肉重、内脏脂肪含量、基础代谢、节段肌等人体体成分数据,进一步计算出用户身体的局部特征体成分。
处理单元还包含依据人体解剖数据以及在数据运算过程中的机器学习建立人体体态标准逻辑推算模型库,并计算获得局部脂肪。
具体地,处理单元根据人体三维建模所形成的全身和局部体积,在计算获得身体整体体脂率后,通过对用户三维模型重建所得躯干、四肢等身体局部部位的围度值与所建人体体态标准逻辑模型库中在相同的身高、体重、性别和体脂率等特征因素下该部位的围度值进行比对,求出比例值,从而推算出该身体部位的脂肪。
评估单元用于根据最终体成分生成身体评估,根据身体评估以及性别,生成膳食营养推荐。
存储单元用于储存实验数据以及用户的数据。具体地,实验数据包括人体解剖数据以及实验统计数据。用户的数据包括图像信息、基础信息,后台运算分析数据以及评估结果。存储单元也包含用户的历史检测数据记录。
显示单元用于控制显示屏显示当前用户的体成分评估结果和膳食营养推荐。
交互单元还用于将当前用户的最终体成分膳食营养推荐发送至终端。
用户基本信息从终端录入,用户图像信息由图像采集单元采集,处理单元、评估单元由计算机软件进行数据运算,并由存储器进行存储用户的信息和数据。显示单元包含显示屏,可以用于显示录入信息以及显示体成分测量过程和结果,显示膳食营养推荐。交互单元通过数据线或者蓝牙、WIFI的形式将终端的信息录入数据传输给处理单元,交互单元也将评估单元所出具的体成分检测数据以及膳食营养推荐传输给终端,进行数据储存和显示,以及报告单出具。
所述系统的使用如图3所示步骤为:
步骤一,打开并登陆上位机软件;
步骤二,连接图像采集单元设备;
步骤三,用户基本信息录入,包含身高、体重、性别、出生日期;
步骤四,用户穿紧身衣,进行人体拍摄;
步骤五,将基础数据和用户图像上传数据处理中心;
步骤六,数据处理中心后台进行数据运算返回体成分结果,并存储数据;
步骤七,数据返回软件,处理后展示体成分检测结果及膳食营养推荐。
所述的最终体成分包括肌肉重、体脂重、去脂体重、总水分、细胞内液、细胞外液、蛋白质、无机盐、腰臀比、右下肢肌肉量、左下肢肌肉量、躯干肌肉量、右上肢肌肉量、左上肢肌肉量、右下肢脂肪量、左下肢脂肪量、躯干脂肪量、右上肢脂肪量、左上肢脂肪量以及局部部位肌肉量和脂肪量其中一种或任意组合。
应理解,这里的电子设备以功能单元的形式体现。这里的术语“单元”可以通过软件和/或硬件形式实现,对此不作具体限定。例如,“单元”可以是实现上述功能的软件程序、硬件电路或二者结合。所述硬件电路可能包括应用特有集成电路、电子电路、用于执行一个或多个软件或固定程序的处理器(例如共享处理器、专有处理器或组处理器等)和存储器、合并逻辑电路和/或其它支持所描述的功能的合适组件。
因此,在本发明的实施例中描述的各示例的单元,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域及相关领域的普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。本发明中未具体描述和解释说明的结构、装置以及操作方法,如无特别说明和限定,均按照本领域的常规手段进行实施。
Claims (10)
1.基于三维建模技术的体态密度法测量人体成分的系统,其特征在于,所述系统包括电子设备和终端,电子设备包括图像采集单元、交互单元、处理单元、评估单元、存储单元、显示单元及显示屏,所述电子设备可以与终端设备结合,或者是内置于所述终端设备;
所述终端界面分为功能主页、照片检测、检测数据、膳食营养推荐四个主页面;
图像采集单元用于用户图像收集,在用户穿紧身衣的前提下,通过手机拍照或者用户上传照片,以及通过扫描人体获得用户图像信息;
交互单元用于接收终端输入的当前用户的基本信息;
处理单元用于识别当前用户的图像信息和基础信息,建立用户三维体积模型,最终计算出用户的体脂率,进而获得体脂含量,建立人体体态标准逻辑推算模型库,获得局部体脂含量,进而获得用户其它体成分数据;
评估单元用于根据最终体成分生成身体评估,根据身体评估以及性别,生成膳食营养推荐;
存储单元用于储存实验数据以及用户的数据,具体地,实验数据包括人体解剖数据以及实验统计数据,用户的数据包括图像信息、基础信息,后台运算分析数据以及评估结果,存储单元也包含用户的历史检测数据记录;
显示单元用于控制显示屏显示当前用户的体成分评估结果和膳食营养推荐;
交互单元还用于将当前用户的最终体成分膳食营养推荐发送至终端。
2.根据权利要求1所述的基于三维建模技术的体态密度法测量人体成分的系统,其特征在于,功能主页页面显示用户可选择的功能项目,其中体成分检测为其中一项功能。
3.根据权利要求1所述的基于三维建模技术的体态密度法测量人体成分的系统,其特征在于,照片检测页面显示用户需要输入的基础数据,包含身高、体重、性别、出生日期以及拍照或从文件上传正/反两张照片,是否怀孕的选项,综合以上信息进行分析。
4.根据权利要求1所述的基于三维建模技术的体态密度法测量人体成分的系统,其特征在于,检测数据页面显示用户的基本数据、体成分数据以及节段体成分数据,其中基本数据包含身高、体重、健康评分、基础代谢、BMI、体脂含量,并在体脂含量数据后面给出评估结果,体成分数据包括肌肉重、体脂重、去脂体重、总水分、细胞内液、细胞外液、蛋白质、无机盐,并在每一项检测结果后面给出评估结果,节段体成分数据包括腰臀比、右下肢、左下肢、躯干、右上肢、左上肢,并在每一项检测结果后面给出评估结果。
5.根据权利要求1所述的基于三维建模技术的体态密度法测量人体成分的系统,其特征在于,膳食营养推荐页面,显示用户的整体营养状况及膳食营养推荐方案,并给用户出具一个历史数据记录及对比数据,方便用户动态观察自己的营养改善情况。
6.根据权利要求1所述的基于三维建模技术的体态密度法测量人体成分的系统,其特征在于,所述图像采集单元的使用流程如下:
步骤一,打开程序;
步骤二,点击图片检测;
步骤三,用户基本信息录入,包含身高、体重、性别、出生日期;
步骤四,用户在身穿紧身衣的前提下,手机拍照或上传正面/侧面两张照片;
步骤五,将基础数据和正面、侧面照片上传数据中心;
步骤六,数据处理中心后台进行数据运算返回体成分结果,并存储数据;
步骤七,数据返回软件,处理后展示。
7.根据权利要求1所述的基于三维建模技术的体态密度法测量人体成分的系统,其特征在于,所述处理单元通过人体三维建模获得用户的全身和局部身体体积,所述用户的三维数据信息来源包含通过边缘界定技术获得手机拍照或者用户提供正面及侧面照片来获取特征尺寸,进而获得建模体积。
8.根据权利要求1所述的基于三维建模技术的体态密度法测量人体成分的系统,其特征在于,根据体态密度法计算方法计算获得身体密度;再根据Siri方程Fat%=(4.950/Db-4.500)*100%计算出当前用户的体脂率;进一步计算得到用户体脂含量;进一步获得用户局部脂肪含量。
9.根据权利要求8所述的基于三维建模技术的体态密度法测量人体成分的系统,其特征在于,所述体态密度法测量体脂含量的公式算法如下:
(1)通过三维建模和边缘界定的技术获得身体密度:
Db=Wa/(V-RV-GV)
其中:Wa为陆上体重;V为图像识别和三维建模重建清晰数据后获得的建模体积(mm3);RV为余气量(ml);GV为胃肠道容积(ml)
(2)余气量:
男性RV=(0.017*age)+(0.06858*h)-3.447
女性RV=(0.009*age)+(0.08128*h)-3.9。
10.根据权利要求1所述的基于三维建模技术的体态密度法测量人体成分的系统,其特征在于,所述系统的使用步骤为:
步骤一,打开并登陆上位机软件;
步骤二,连接图像采集单元设备;
步骤三,用户基本信息录入,包含身高、体重、性别、出生日期;
步骤四,用户穿紧身衣,进行人体拍摄;
步骤五,将基础数据和用户图像上传数据处理中心;
步骤六,数据处理中心后台进行数据运算返回体成分结果,并存储数据;
步骤七,数据返回软件,处理后展示体成分检测结果及膳食营养推荐。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210089149.6A CN114271797B (zh) | 2022-01-25 | 2022-01-25 | 基于三维建模技术的体态密度法测量人体成分的系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210089149.6A CN114271797B (zh) | 2022-01-25 | 2022-01-25 | 基于三维建模技术的体态密度法测量人体成分的系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114271797A true CN114271797A (zh) | 2022-04-05 |
CN114271797B CN114271797B (zh) | 2023-04-04 |
Family
ID=80881551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210089149.6A Active CN114271797B (zh) | 2022-01-25 | 2022-01-25 | 基于三维建模技术的体态密度法测量人体成分的系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114271797B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1279366A2 (en) * | 2001-07-19 | 2003-01-29 | Tanita Corporation | Apparatus for determining basal metabolism |
US20130261470A1 (en) * | 2010-12-09 | 2013-10-03 | David Allison | Systems and methods for estimating body composition |
CN105326507A (zh) * | 2015-10-23 | 2016-02-17 | 天津工业大学 | 超像素分割和曲线波相融合的三维人体测量方法 |
CN105433901A (zh) * | 2014-08-15 | 2016-03-30 | 中国科学院上海生命科学研究院 | 一种测定人体体脂的方法及其应用 |
CN106062754A (zh) * | 2013-10-16 | 2016-10-26 | Zbh企业有限责任公司 | 用于健康计划管理的方法和系统 |
CN106418847A (zh) * | 2015-08-04 | 2017-02-22 | 王廷金 | 一种基于计算机视觉技术的人体三维尺寸测量方法 |
CN107194987A (zh) * | 2017-05-12 | 2017-09-22 | 西安蒜泥电子科技有限责任公司 | 对人体测量数据进行预测的方法 |
CN107292948A (zh) * | 2016-04-12 | 2017-10-24 | 香港理工大学 | 一种人体建模方法、装置及电子设备 |
CN107545598A (zh) * | 2017-07-31 | 2018-01-05 | 深圳市蒜泥科技有限公司 | 一种人体三维模型合成及身体数据获取方法 |
CN108010567A (zh) * | 2018-01-02 | 2018-05-08 | 北京康萍科技有限公司 | 一种孕期个体化营养分析方法和系统 |
CN209118411U (zh) * | 2018-12-06 | 2019-07-16 | 罗德雷(常州)科技有限公司 | 一种社区服务设备 |
CN110189408A (zh) * | 2019-06-04 | 2019-08-30 | 西安科技大学 | 一种根据人体照片得到人体外表数据的系统及方法 |
US20190333238A1 (en) * | 2018-04-26 | 2019-10-31 | Jerry NAM | Automated determination of muscle mass from images |
WO2020206049A1 (en) * | 2019-04-02 | 2020-10-08 | Bodygram Inc. | Systems and methods for weight measurement from user photos using deep learning networks |
CN112116702A (zh) * | 2020-09-01 | 2020-12-22 | 上海云杉服装科技有限公司 | 一种基于正面和侧面轮廓的人体测量三维建模方法及系统 |
CN112309575A (zh) * | 2019-07-26 | 2021-02-02 | 陈贤鸿 | 身形变化预测系统 |
CN113288053A (zh) * | 2021-05-13 | 2021-08-24 | 上海佑久健康科技有限公司 | 人体评估方法、系统及计算机可读存储介质 |
CN113473896A (zh) * | 2018-12-24 | 2021-10-01 | 躯体构成技术私人有限公司 | 分析主体 |
CN113506606A (zh) * | 2021-07-26 | 2021-10-15 | 山东省千佛山医院 | 膳食营养分析系统 |
CN113679371A (zh) * | 2020-05-19 | 2021-11-23 | 华为技术有限公司 | 一种体成分检测方法、电子设备和计算机可读存储介质 |
-
2022
- 2022-01-25 CN CN202210089149.6A patent/CN114271797B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1279366A2 (en) * | 2001-07-19 | 2003-01-29 | Tanita Corporation | Apparatus for determining basal metabolism |
US20130261470A1 (en) * | 2010-12-09 | 2013-10-03 | David Allison | Systems and methods for estimating body composition |
CN106062754A (zh) * | 2013-10-16 | 2016-10-26 | Zbh企业有限责任公司 | 用于健康计划管理的方法和系统 |
CN105433901A (zh) * | 2014-08-15 | 2016-03-30 | 中国科学院上海生命科学研究院 | 一种测定人体体脂的方法及其应用 |
CN106418847A (zh) * | 2015-08-04 | 2017-02-22 | 王廷金 | 一种基于计算机视觉技术的人体三维尺寸测量方法 |
CN105326507A (zh) * | 2015-10-23 | 2016-02-17 | 天津工业大学 | 超像素分割和曲线波相融合的三维人体测量方法 |
CN107292948A (zh) * | 2016-04-12 | 2017-10-24 | 香港理工大学 | 一种人体建模方法、装置及电子设备 |
CN107194987A (zh) * | 2017-05-12 | 2017-09-22 | 西安蒜泥电子科技有限责任公司 | 对人体测量数据进行预测的方法 |
CN107545598A (zh) * | 2017-07-31 | 2018-01-05 | 深圳市蒜泥科技有限公司 | 一种人体三维模型合成及身体数据获取方法 |
CN108010567A (zh) * | 2018-01-02 | 2018-05-08 | 北京康萍科技有限公司 | 一种孕期个体化营养分析方法和系统 |
US20190333238A1 (en) * | 2018-04-26 | 2019-10-31 | Jerry NAM | Automated determination of muscle mass from images |
CN209118411U (zh) * | 2018-12-06 | 2019-07-16 | 罗德雷(常州)科技有限公司 | 一种社区服务设备 |
CN113473896A (zh) * | 2018-12-24 | 2021-10-01 | 躯体构成技术私人有限公司 | 分析主体 |
WO2020206049A1 (en) * | 2019-04-02 | 2020-10-08 | Bodygram Inc. | Systems and methods for weight measurement from user photos using deep learning networks |
CN113711235A (zh) * | 2019-04-02 | 2021-11-26 | 智能身型 | 使用深度学习网络从用户照片进行重量测量的系统和方法 |
CN110189408A (zh) * | 2019-06-04 | 2019-08-30 | 西安科技大学 | 一种根据人体照片得到人体外表数据的系统及方法 |
CN112309575A (zh) * | 2019-07-26 | 2021-02-02 | 陈贤鸿 | 身形变化预测系统 |
CN113679371A (zh) * | 2020-05-19 | 2021-11-23 | 华为技术有限公司 | 一种体成分检测方法、电子设备和计算机可读存储介质 |
CN112116702A (zh) * | 2020-09-01 | 2020-12-22 | 上海云杉服装科技有限公司 | 一种基于正面和侧面轮廓的人体测量三维建模方法及系统 |
CN113288053A (zh) * | 2021-05-13 | 2021-08-24 | 上海佑久健康科技有限公司 | 人体评估方法、系统及计算机可读存储介质 |
CN113506606A (zh) * | 2021-07-26 | 2021-10-15 | 山东省千佛山医院 | 膳食营养分析系统 |
Non-Patent Citations (7)
Title |
---|
侯少华,侯曼,龚也君,郑秀瑗,刘静民,何维华,相子元: "磁共振图像实现人体体成分数字化的研究" * |
孙忠伟;张冰;: "基于BP神经网络的体脂百分比评估模型研究" * |
张全成: "《高级体适能与运动处方》", 31 December 2019 * |
徐国昌;马长德;刘暖;徐飞;刘永;: "河南回族成人四肢肌肉量、脂肪量电阻抗参数及与围度的相关性" * |
籍晓蕾: "城镇成年人体脂率与BMI和WHR的关系及相关因素的研究", 《中国优秀硕士学位论文全文数据库》 * |
金婧;阮祥燕;: "体成分模型及测量方法研究进展" * |
陆瑞芳,成志强,庄小陶,赖凯华,王在民,李静,胡江婷: "人体脂肪含量测定方法的研究" * |
Also Published As
Publication number | Publication date |
---|---|
CN114271797B (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10952634B2 (en) | Electrical impedance tomography system | |
Mota et al. | Reliability of the inter-rectus distance measured by palpation. Comparison of palpation and ultrasound measurements | |
Harris et al. | Splenic volume measurements on computed tomography utilizing automatically contouring software and its relationship with age, gender, and anthropometric parameters | |
Brennan et al. | Rapid automated measurement of body fat distribution from whole-body MRI | |
JPH0951885A (ja) | 部分インピーダンス及び複数の周波数インピーダンスを使用する身体インピーダンスデータの獲得のための改良された装置 | |
US20220265154A1 (en) | Body state classification | |
CN110859636B (zh) | 一种对尿液电导率不敏感的动态膀胱体积测量方法 | |
JP2008229364A (ja) | 健康管理装置 | |
Pepper et al. | Validation of a 3-dimensional laser body scanner for assessment of waist and hip circumference | |
CN111887847A (zh) | 基于人体成分仪的内脏脂肪测量方法、装置、计算机设备和存储介质 | |
Shiga et al. | A new simple measurement system of visceral fat accumulation by bioelectrical impedance analysis | |
Sun et al. | Novel body shape descriptors for abdominal adiposity prediction using magnetic resonance images and stereovision body images | |
US20160180520A1 (en) | Quantitative method for 3-d joint characterization | |
TW542708B (en) | Visceral adipose meter with body weighing function | |
CN109480839B (zh) | 一种基于生物电阻抗的孕妇人体成分分析方法及分析仪 | |
Hume et al. | Physical and clinical assessment of nutritional status | |
Scharfetter et al. | Fat and hydration monitoring by abdominal bioimpedance analysis: data interpretation by hierarchical electrical modeling | |
CN114271797B (zh) | 基于三维建模技术的体态密度法测量人体成分的系统 | |
CN114271796B (zh) | 一种通过体态密度法测量人体成分的方法及其装置 | |
Kelly et al. | Rectus Abdominis muscle thickness is a valid measure of cross-sectional area: implications for Ultrasound | |
Chiu et al. | Validation of Body Volume Acquisition by Using Elliptical Zone Method | |
Lee | Assessment of body composition: total, central, and regional adiposity via stereovision body imaging | |
Sun | Quantitative body shape analysis for obesity evaluation | |
CN101444422A (zh) | 电阻抗装置和方法 | |
JP2006288734A (ja) | 体幹内臓脂肪測定方法および装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |