CN114699063A - 体脂率的测量方法、装置及计算机可读存储介质 - Google Patents
体脂率的测量方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN114699063A CN114699063A CN202210181394.XA CN202210181394A CN114699063A CN 114699063 A CN114699063 A CN 114699063A CN 202210181394 A CN202210181394 A CN 202210181394A CN 114699063 A CN114699063 A CN 114699063A
- Authority
- CN
- China
- Prior art keywords
- body data
- body fat
- data
- target object
- fat rate
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/053—Measuring electrical impedance or conductance of a portion of the body
- A61B5/0537—Measuring body composition by impedance, e.g. tissue hydration or fat content
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种体脂率的测量方法、装置及计算机可读存储介质,方法包括:在接收到测量指令时,获取目标对象对应的第一身体数据,第一身体数据包括预设的身高、年龄、性别以及体态标签;测量目标对象的第二身体数据,第二身体数据包括体重以及下肢阻抗数据;根据第一身体数据以及第二身体数据确定目标对象对应的体脂率。本发明降低了体脂率的测量成本。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种体脂率的测量方法、装置及计算机可读存储介质。
背景技术
随着学习算法的不断发展优化,现有八电极体脂称通过BIA算法已经可以拟合出与DEXA测量体脂率接近的结果。但四电极体脂称相比于八电极体脂称,其对于人体阻抗的检测只有下肢部分,缺少上肢和躯干部分的阻抗。由于检测数据的不足,导致四电极BIA无法像八电极BIA算法一样高度拟合DEXA检测结果。若是想要得到上半身的阻抗数据,无疑需要增加额外的设备来对上肢进行测量,这将导致体脂率的测量成本升高。
发明内容
本发明实施例通过提供一种体脂率的测量方法、装置及计算机可读存储介质,旨在解决如何降低体脂率的测量成本的技术问题。
本发明实施例提供一种体脂率的测量方法,所述体脂率的测量方法包括以下步骤:
在接收到测量指令时,获取目标对象对应的第一身体数据,所述第一身体数据包括预设的身高、年龄、性别以及体态标签;
测量所述目标对象的第二身体数据,所述第二身体数据包括体重以及下肢阻抗数据;
根据所述第一身体数据以及所述第二身体数据确定所述目标对象对应的体脂率。
在一实施例中,所述根据所述第一身体数据以及所述第二身体数据确定所述目标对象对应的体脂率的步骤包括:
将所述第一身体数据以及所述第二身体数据作为预先训练的体脂率测量模型的输入参数,其中,所述体脂率测量模型根据所述第一身体数据以及所述第二身体数据输出所述体脂率。
在一实施例中,所述将所述第一身体数据以及所述第二身体数据作为预先训练的体脂率测量模型的输入参数的步骤之前,所述方法还包括:
获取训练集以及测试集,所述训练集以及所述测试集包括输入集以及输出集,所述输入集的特征属性包括下肢阻抗、体重、身高、年龄、性别以及体态标签,所述输出集的特征属性包括体脂率;
根据所述训练集以及所述测试集进行模型训练,以得到所述体脂率测量模型。
在一实施例中,所述获取训练集以及测试集的步骤包括:
获取预先采集的多个用户的身体数据样本,所述身体数据样本的特征属性包括下肢阻抗、体重、身高、年龄、性别以及体脂率;
对所述身体数据样本进行标记,以使得所述身体数据样本对应有体态标签属性;
将标记有体态标签属性的各个所述身体数据样本划分为所述训练集以及所述测试集。
在一实施例中,所述根据所述训练集以及所述测试集进行模型训练的步骤包括:
确定损失函数,并将所述训练集代入模型进行训练;
在所述损失函数的损失值收敛至最佳数值时,判定所述模型训练完成;
将所述测试集代入所述模型进行测试,得到所述模型的性能指标;
确定所述性能指标是否大于等于预设性能指标;
在所述性能指标大于所述预设性能指标,将所述模型作为所述体脂率测量模型。
在一实施例中,所述在接收到测量指令时,获取目标对象对应的第一身体数据的步骤包括:
在接收到测量指令时,获取当前登录账号关联的身体数据作为所述目标对象对应的所述第一身体数据。
在一实施例中,所述在接收到测量指令时,获取当前登录账号关联的身体数据作为所述目标对象对应的所述第一身体数据的步骤包括:
在接收到所述测量指令时,确定所述目标对象是否已登录;
在所述目标对象已登录时,执行所述获取当前登录账号关联的身体数据作为所述目标对象对应的所述第一身体数据的步骤;
在所述目标对象未登录时,输出需要登录的提示信息。
在一实施例中,所述测量所述目标对象的第二身体数据的步骤包括:
控制测量装置测量所述目标对象的下肢阻抗以及体重,得到所述第二身体数据。
本发明实施例还提供一种体脂率的测量装置,所述体脂率的测量装置包括:存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的体脂率的测量方法的各个步骤。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的体脂率的测量方法的各个步骤。
在本实施例的技术方案中,体脂率的测量装置在接收到测量指令时,获取目标对象对应的第一身体数据,所述第一身体数据包括预设的身高、年龄、性别以及体态标签;测量所述目标对象的第二身体数据,所述第二身体数据包括体重以及下肢阻抗数据;根据所述第一身体数据以及所述第二身体数据确定所述目标对象对应的体脂率。由于体脂率的测量装置将预设的第一身体数据与实测的第二身体数据进行结合以实现体脂率的测量,目标对象在测量过程中,只需要配合测量部分第二身体数据即可,相对于常规技术手段中需要使用昂贵的设备获取全量数量进行测量,本发明降低了体脂率测量的成本。
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为本发明实施例涉及的体脂率的测量装置的硬件构架示意图;
图2为本发明体脂率的测量方法第一实施例的流程示意图;
图3为本发明体脂率的测量方法第一实施例的参考图;
图4为本发明体脂率的测量方法第一实施例的参考图;
图5为本发明体脂率的测量方法第二实施例的流程示意图;
图6为本发明体脂率的测量方法第二实施例的参考图;
图7为本发明体脂率的测量方法第二实施例的参考图;
图8为本发明体脂率的测量方法第二实施例的参考图;
图9为本发明体脂率的测量方法第三实施例的流程示意图。
具体实施方式
为了更好的理解上述技术方案,下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明的主要解决方案是:体脂率的测量装置在接收到测量指令时,获取目标对象对应的第一身体数据,所述第一身体数据包括预设的身高、年龄、性别以及体态标签;测量所述目标对象的第二身体数据,所述第二身体数据包括体重以及下肢阻抗数据;根据所述第一身体数据以及所述第二身体数据确定所述目标对象对应的体脂率。
由于体脂率的测量装置将预设的第一身体数据与实测的第二身体数据进行结合以实现体脂率的测量,目标对象在测量过程中,只需要配合测量部分第二身体数据即可,相对于常规技术手段中需要使用昂贵的设备获取全量数量进行测量,本发明降低了体脂率测量的成本。
作为一种实现方式,体脂率的测量装置可以如图1。
本发明实施例方案涉及的是体脂率的测量装置,体脂率的测量装置包括:处理器101,例如CPU,存储器102,通信总线103。其中,通信总线103用于实现这些组件之间的连接通信。
存储器102可以是高速RAM存储器,也可以是稳定的存储器(non-volatilememory),例如磁盘存储器。如图1,作为一种计算机可读存储介质的存储器103中可以包括检测程序;而处理器101可以用于调用存储器102中存储的检测程序,并执行以下操作:
在接收到测量指令时,获取目标对象对应的第一身体数据,所述第一身体数据包括预设的身高、年龄、性别以及体态标签;
测量所述目标对象的第二身体数据,所述第二身体数据包括体重以及下肢阻抗数据;
根据所述第一身体数据以及所述第二身体数据确定所述目标对象对应的体脂率。
在一实施例中,处理器101可以用于调用存储器102中存储的检测程序,并执行以下操作:
将所述第一身体数据以及所述第二身体数据作为预先训练的体脂率测量模型的输入参数,其中,所述体脂率测量模型根据所述第一身体数据以及所述第二身体数据输出所述体脂率。
在一实施例中,处理器101可以用于调用存储器102中存储的检测程序,并执行以下操作:
获取训练集以及测试集,所述训练集以及所述测试集包括输入集以及输出集,所述输入集的特征属性包括下肢阻抗、体重、身高、年龄、性别以及体态标签,所述输出集的特征属性包括体脂率;
根据所述训练集以及所述测试集进行模型训练,以得到所述体脂率测量模型。
在一实施例中,处理器101可以用于调用存储器102中存储的检测程序,并执行以下操作:
获取预先采集的多个用户的身体数据样本,所述身体数据样本的特征属性包括下肢阻抗、体重、身高、年龄、性别以及体脂率;
对所述身体数据样本进行标记,以使得所述身体数据样本对应有体态标签属性;
将标记有体态标签属性的各个所述身体数据样本划分为所述训练集以及所述测试集。
在一实施例中,处理器101可以用于调用存储器102中存储的检测程序,并执行以下操作:
确定损失函数,并将所述训练集代入模型进行训练;
在所述损失函数的损失值收敛至最佳数值时,判定所述模型训练完成;
将所述测试集代入所述模型进行测试,得到所述模型的性能指标;
确定所述性能指标是否大于等于预设性能指标;
在所述性能指标大于所述预设性能指标,将所述模型作为所述体脂率测量模型。
在一实施例中,处理器101可以用于调用存储器102中存储的检测程序,并执行以下操作:
在接收到测量指令时,获取当前登录账号关联的身体数据作为所述目标对象对应的所述第一身体数据。
在一实施例中,处理器101可以用于调用存储器102中存储的检测程序,并执行以下操作:
在接收到所述测量指令时,确定所述目标对象是否已登录;
在所述目标对象已登录时,执行所述获取当前登录账号关联的身体数据作为所述目标对象对应的所述第一身体数据的步骤;
在所述目标对象未登录时,输出需要登录的提示信息。
在一实施例中,处理器101可以用于调用存储器102中存储的检测程序,并执行以下操作:
控制测量装置测量所述目标对象的下肢阻抗以及体重,得到所述第二身体数据。
在本实施例的技术方案中,体脂率的测量装置在接收到测量指令时,获取目标对象对应的第一身体数据,所述第一身体数据包括预设的身高、年龄、性别以及体态标签;测量所述目标对象的第二身体数据,所述第二身体数据包括体重以及下肢阻抗数据;根据所述第一身体数据以及所述第二身体数据确定所述目标对象对应的体脂率。由于体脂率的测量装置将预设的第一身体数据与实测的第二身体数据进行结合以实现体脂率的测量,目标对象在测量过程中,只需要配合测量部分第二身体数据即可,相对于常规技术手段中需要使用昂贵的设备获取全量数量进行测量,本发明降低了体脂率测量的成本。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参照图2,图2为本发明体脂率的测量方法的第一实施例,方法包括以下步骤:
步骤S10,在接收到测量指令时,获取目标对象对应的第一身体数据,所述第一身体数据包括预设的身高、年龄、性别以及体态标签。
体脂称已经广泛使用于日常生活中,用户对于其测量分析出的体脂率和其他身体成分指标都很关注,并会将其看作为调整自己饮食作息的一个重要参考数据。家用的体脂称往往是四电极体脂称,其轻巧灵便、操作简单且价格便宜,成为了用户的首选体脂测量产品。虽然有这些优点,但其测算法出的体脂率相比于行业黄金标准的DEXA(双能X线吸收测量法)检测结果而言,准确度上还有不小差距。
体脂率是指人体内脂肪重量在人体总体重中所占的比例,又称体脂百分数,它反映人体内脂肪含量的多少。正常成年人的体脂率分别是男性15%~18%和女性25%~28%。体脂率应保持在正常范围。若体脂率过高,体重超过正常值的20%以上就可视为肥胖。肥胖则表明运动不足、营养过剩或有某种内分泌系统的疾病,而且常会并发高血压、高血脂症、动脉硬化、冠心病、糖尿病、胆囊炎等病症;若体脂率过低,低于体脂含量的安全下限,即男性5%,女性13%~15%,则可能引起功能失调。
在本实施例中,用户可基于体脂率的测量装置输入测量指令,当体脂率的材料装置接收到指令,则会触发获取目标对象(用户)的第一身体数据的操作,其中,第一身体数据是用户在注册体脂率测量app输入的身体数据,第一身体数据包括预设的身高、年龄、性别以及体态标签。
可选的,体脂率的测量装置检测到目标对象时,在体脂率的测量装置上输出调查问券供目标用户填写上述第一身份数据。
可选的,获取目标对象的图像信息,利用图像识别技术,对目标对象的体型进行识别,判断体态,得到上述第一身份数据中的体态标签。
可选的,提示用户输入身体围度信息,利用预设公式转换为用户体态信息。
步骤S20,测量所述目标对象的第二身体数据,所述第二身体数据包括体重以及下肢阻抗数据。
在本实施例中,在得到第一身体数据后,体脂率的测量装置会测量目标对象的第二身体数据,其中,第二身体数据包括但不限于下肢阻抗以及体重等变化频繁的数据。
可选的,控制测量装置测量所述目标对象的下肢阻抗以及体重,得到所述第二身体数据。
步骤S30,根据所述第一身体数据以及所述第二身体数据确定所述目标对象对应的体脂率。
在本实施例中,相比于普通四电极BIA算法的体脂计算结果,加入身体数据(体重、身高、年龄、性别以及体态)后的BIA算法,体脂计算误差大幅度减小。以高体脂率人群为例,通过与八电极BIA算法体脂率计算结果的一致性分析,可以看出含身体数据的BIA算法(参考图3)相比不含身体数据的BIA算法(参考图4),平均误差由-1.5降低至-0.36,一致性界限最大绝对值由3.08降低至1.80,精度有明显提升,在临床上可被接受。本发明体脂率的测量方法无需对设备硬件进行改进,获取预设的第一身体数据以及测量的第二身体数据即可。
可选的,本实施例使用了与DEXA测量结果数据相近的八电极体脂称进行数据采集,操作方便且能低成本获取大量数据。
在本实施例的技术方案中,由于体脂率的测量装置将预设的第一身体数据与实测的第二身体数据进行结合以实现体脂率的测量,目标对象在测量过程中,只需要配合测量部分第二身体数据即可,相对于常规技术手段中需要使用昂贵的设备获取全量数量进行测量,本发明降低了体脂率测量的成本。
参照图5,图5为本发明体脂率的测量方法的第二实施例,基于第一实施例,步骤S30包括:
步骤S31,将所述第一身体数据以及所述第二身体数据作为预先训练的体脂率测量模型的输入参数,其中,所述体脂率测量模型根据所述第一身体数据以及所述第二身体数据输出所述体脂率。
在本实施例中,体脂率测量模型为神经网络模型,神经网络(Neural Networks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力,特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。神经网络的基础在于神经元。神经元是以生物神经系统的神经细胞为基础的生物模型。在人们对生物神经系统进行研究,以探讨人工智能的机制时,把神经元数学化,从而产生了神经元数学模型。大量的形式相同的神经元连结在-起就组成了神经网络。神经网络是一个高度非线性动力学系统。虽然,每个神经元的结构和功能都不复杂,但是神经网络的动态行为则是十分复杂的;因此,用神经网络可以表达实际物理世界的各种现象。神经网络模型是以神经元的数学模型为基础来描述的。
在本实施例中,将包含目标对象对应的身高、年龄、性别、体态标签的第一身体数据以及包含了目标对象的体重和下肢阻抗的第二身体数据代入体脂率测量模型中,得到体脂率测量模型输出的体脂率。
随着阻抗测量技术及BIA算法的多年发展,八电极体脂算法在体脂率测量方面已经可以做到接近DEXA测量结果,两者一致性界限最大绝对值为1.41(参考图6),这种相差的幅度在临床上可以接受。从数据关联度及数据获取成本上考虑,本算法方案采用八电极体脂称测量结果作为标准输出,拟合所需的数据也将由八电极体脂称进行提供。预先通过对各体态人群的测量数据进行学习拟合,得到能自适应各体态人群的拟合算法模型,然后再用体态判别方法判别用户的体态,最后将用户的身高、年龄、性别、体态、体重、下肢阻抗数据一起代入模型进行数据计算。
具体的,在本实施例中,模型训练的步骤如下:
步骤1:获取训练集以及测试集,所述训练集以及所述测试集包括输入集以及输出集,所述输入集的特征属性包括下肢阻抗、体重、身高、年龄、性别以及体态标签,所述输出集的特征属性包括体脂率;根据所述训练集以及所述测试集进行模型训练,以得到所述体脂率测量模型。具体的,采集大量八电极体脂称测量的身体数据样本,统计分析各个身体数据样本的体脂分布规律,根据下肢阻抗、体重、身高、年龄、性别、体脂率以及体态标签属性的测量结果进行人群体态归类。
可选的,获取大量八电极体脂称预先采集的多个用户的身体数据样本,所述身体数据样本的特征属性包括下肢阻抗、体重、身高、年龄、性别以及体脂率;对所述身体数据样本进行标记,以使得所述身体数据样本对应有体态标签属性;将标记有体态标签属性的各个所述身体数据样本划分为所述训练集以及所述测试集。
可选的,对于体脂率测量模型的训练过程,包括;确定损失函数,并将所述训练集代入模型进行训练;在所述损失函数的损失值收敛至最佳数值时,判定所述模型训练完成;将所述测试集代入所述模型进行测试,得到所述模型的性能指标;确定所述性能指标是否大于等于预设性能指标;在所述性能指标大于所述预设性能指标,将所述模型作为所述体脂率测量模型。
具体的,体态类别需要具有可通俗理解的含义,同时又能有效区分测量数据,包括如下步骤:
步骤1.1、将身体数据样本中体脂率属性划分为多个小区间,统计每个小区间对应的身体数据样本的身高属性、体重属性、性别属性、年龄属性分布,每个属性同样划分区间。
步骤1.2、根据步骤1.1体态分隔规律的大区间,每个区间设置体态标签,如:纤瘦、普通、健壮、肥胖……。
步骤2、采集各标签类别对应的四电极体脂称测量数据,对八电极体脂称算法结果进行拟合,得到含有体态属性的拟合算法模型。具体的,四电极体脂称和八电极体脂称获取的人体阻抗差异如下:
四电极体脂称仅可测量目标对象的下肢阻抗,如图7所示。
八电极体脂称除了可以测量目标对象下肢阻抗,还能够测量目标对象上肢阻抗,如图8所示。
四电极算法之所以与八电极算法存在差距,就因为四电极算法因为缺少上肢阻抗和躯干阻抗数据的输入,所以无法很好的拟合出八电极算法的输出结果,最终计算的全身体脂率会偏向于下肢体脂率。不同体态人群的身体体脂分布是不一样的,所以如果拟合参数中加入体态属性,算法便能对目标对象整体体脂率的计算结果进行自动优化,具体步骤如下:
步骤2.1、利用八电极体脂称采集大量用户的身体数据样本,同时对这些身体数据样本打上体态标签(数据清洗)。由于八电极体脂称测量的身体数据样本中包含体重、下肢阻抗,所以无需再另外采集用户四电极体脂称的测量数据,如若实际四电极体脂称与八电极体脂称在下肢阻抗测量上存在明显差异,则需另外采集四电极体脂称的下肢阻抗数据并以四电极体脂称的阻抗数据为准。
步骤2.2、再将体态标签转换为独热编码格式的体态属性参数,转换规则下示例所示:
假设设定的体态标签有:纤瘦、普通、健壮、肥胖……,如当前目标对象体型评估结果为:健壮。则目标对象对应的体态属性参数信息为:纤瘦(对应0)、正常(对应0)、健壮(对应1)、肥胖(对应0)。
即每个评估结果标签作为一个属性,符合属性则值为1,不符合属性则值为0,可允许符合多个评估结果标签的情况。
步骤2.3、将所有标记了的身体数据样本均划分训练集和测试集,以训练集的下肢阻抗、体重、身高、年龄、性别以及体态字段作为输入参数,其中下肢阻抗可以是不同电流频率下测得的多个阻抗数据,体脂率则作为输出结果,进行拟合训练。
正式的模型拟合训练方式可采用深度学习构建多层神经网络,利用训练集进行模型训练,得到输入参数为下肢阻抗、体重、身高、年龄、性别、体态,输出结果为体脂率的算法模型。即使体态标签定义不完全准确,算法模型也将在训练学习过程中自动调整分配权重,以得到最优效果。最后用测试集对模型进行测试,验证模型的实际计算效果,得到算法模型。
可选的,目标对象的体脂率的测量方法具体步骤如下:
步骤3.1、目标对象体态标签的获取。
具体的,目标对象体态标签需要在获取用户第二身体数据之前进行采集,并作为预设数据,获取方法不同于训练模型所使用的身体数据样本,具体方法包括但不限于以下任意一种:
可选的,获取目标对象的图像信息,利用图像识别技术,对目标对象的体型进行识别,判断体态,得到体态标签。
可选的,问券形式提示用户输入身体围度信息,利用预设公式转换为用户体态标签。
步骤3.2、目标对象体脂率的计算输出。
具体的,步骤2构建的神经网络模型输入参数包含下肢阻抗、体重、身高、年龄、性别、体态标签,所以使用模型前需要先获取目标对象的下肢阻抗、体重、身高、年龄、性别和体态标签。因此,本实施例采用预设的第一身体数据(身高、年龄、性别以及体态)以及测量的第二身体数据(体重以及下肢阻抗)进行体脂率的测量。将目标对象的身高、年龄、性别、体态,以及四电极体脂称测量得到的体重和下肢阻抗数据,输入已训练的神经网络模型中,由模型计算输出目标对象的体脂率。
在本实施例的技术方案中,通过训练的神经网络模型,可基于第一身体数据以及第二身体数据直接得到神经网络模型输出的体脂率,提高了体脂率的测量效率。
参照图9,图9为本发明体脂率的测量方法的第三实施例,基于第一至第二任一实施例,步骤S10包括:
步骤S11,在接收到测量指令时,获取当前登录账号关联的身体数据作为所述目标对象对应的所述第一身体数据。
可选的,在接收到所述测量指令时,确定所述目标对象是否已登录;在所述目标对象已登录时,执行所述获取当前登录账号关联的身体数据作为所述目标对象对应的所述第一身体数据的步骤;在所述目标对象未登录时,输出需要登录的提示信息。
在本实施例的技术方案中,在目标对象未登录app账号时,体脂率的测量装置无法获取第一身体数据,因此,在接收到指令时,先确定目标对象是否登录,可防止测量进程卡死,提高了体脂率测量的稳定性。
为实现上述目的,本发明实施例还提供一种体脂率的测量装置,所述体脂率的测量装置包括:存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的体脂率的测量方法的各个步骤。
为实现上述目的,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的体脂率的测量方法的各个步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的网络配置产品程序的形式。
本发明是参照根据本发明实施例的方法、装置(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体脂率的测量装置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体脂率的测量装置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。
应当注意的是,在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种体脂率的测量方法,其特征在于,所述体脂率的测量方法包括以下步骤:
在接收到测量指令时,获取目标对象对应的第一身体数据,所述第一身体数据包括预设的身高、年龄、性别以及体态标签;
测量所述目标对象的第二身体数据,所述第二身体数据包括体重以及下肢阻抗数据;
根据所述第一身体数据以及所述第二身体数据确定所述目标对象对应的体脂率。
2.如权利要求1所述的体脂率的测量方法,其特征在于,所述根据所述第一身体数据以及所述第二身体数据确定所述目标对象对应的体脂率的步骤包括:
将所述第一身体数据以及所述第二身体数据作为预先训练的体脂率测量模型的输入参数,其中,所述体脂率测量模型根据所述第一身体数据以及所述第二身体数据输出所述体脂率。
3.如权利要求2所述的体脂率的测量方法,其特征在于,所述将所述第一身体数据以及所述第二身体数据作为预先训练的体脂率测量模型的输入参数的步骤之前,所述方法还包括:
获取训练集以及测试集,所述训练集以及所述测试集包括输入集以及输出集,所述输入集的特征属性包括下肢阻抗、体重、身高、年龄、性别以及体态标签,所述输出集的特征属性包括体脂率;
根据所述训练集以及所述测试集进行模型训练,以得到所述体脂率测量模型。
4.如权利要求3所述的体脂率的测量方法,其特征在于,所述获取训练集以及测试集的步骤包括:
获取预先采集的多个用户的身体数据样本,所述身体数据样本的特征属性包括下肢阻抗、体重、身高、年龄、性别以及体脂率;
对所述身体数据样本进行标记,以使得所述身体数据样本对应有体态标签属性;
将标记有体态标签属性的各个所述身体数据样本划分为所述训练集以及所述测试集。
5.如权利要求3所述的体脂率的测量方法,其特征在于,所述根据所述训练集以及所述测试集进行模型训练的步骤包括:
确定损失函数,并将所述训练集代入模型进行训练;
在所述损失函数的损失值收敛至最佳数值时,判定所述模型训练完成;
将所述测试集代入所述模型进行测试,得到所述模型的性能指标;
确定所述性能指标是否大于等于预设性能指标;
在所述性能指标大于所述预设性能指标,将所述模型作为所述体脂率测量模型。
6.如权利要求1所述的体脂率的测量方法,其特征在于,所述在接收到测量指令时,获取目标对象对应的第一身体数据的步骤包括:
在接收到测量指令时,获取当前登录账号关联的身体数据作为所述目标对象对应的所述第一身体数据。
7.如权利要求6所述的体脂率的测量方法,其特征在于,所述在接收到测量指令时,获取当前登录账号关联的身体数据作为所述目标对象对应的所述第一身体数据的步骤包括:
在接收到所述测量指令时,确定所述目标对象是否已登录;
在所述目标对象已登录时,执行所述获取当前登录账号关联的身体数据作为所述目标对象对应的所述第一身体数据的步骤;
在所述目标对象未登录时,输出需要登录的提示信息。
8.如权利要求1所述的体脂率的测量方法,其特征在于,所述测量所述目标对象的第二身体数据的步骤包括:
控制测量装置测量所述目标对象的下肢阻抗以及体重,得到所述第二身体数据。
9.一种体脂率的测量装置,其特征在于,所述体脂率的测量装置包括:存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至8中任一项所述的体脂率的测量方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的体脂率的测量方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210181394.XA CN114699063A (zh) | 2022-02-25 | 2022-02-25 | 体脂率的测量方法、装置及计算机可读存储介质 |
PCT/CN2022/139310 WO2023160149A1 (zh) | 2022-02-25 | 2022-12-15 | 体脂率的测量方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210181394.XA CN114699063A (zh) | 2022-02-25 | 2022-02-25 | 体脂率的测量方法、装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114699063A true CN114699063A (zh) | 2022-07-05 |
Family
ID=82166921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210181394.XA Pending CN114699063A (zh) | 2022-02-25 | 2022-02-25 | 体脂率的测量方法、装置及计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114699063A (zh) |
WO (1) | WO2023160149A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023160149A1 (zh) * | 2022-02-25 | 2023-08-31 | 深圳市伊欧乐科技有限公司 | 体脂率的测量方法、装置及计算机可读存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3459204B2 (ja) * | 1999-08-16 | 2003-10-20 | ヤーマン株式会社 | 体脂肪分布測定装置 |
CN100393276C (zh) * | 2005-07-29 | 2008-06-11 | 浙江工业大学 | 人体脂肪测量装置 |
CN109820504A (zh) * | 2018-11-15 | 2019-05-31 | 芯海科技(深圳)股份有限公司 | 一种提高准确度的人体成分测量方法和系统 |
CN113679370B (zh) * | 2020-05-19 | 2024-05-17 | 华为技术有限公司 | 一种体成分检测方法、设备和计算机可读存储介质 |
CN113679371B (zh) * | 2020-05-19 | 2023-07-18 | 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 |
CN112914544B (zh) * | 2021-01-21 | 2022-09-02 | 南京麦澜德医疗科技股份有限公司 | 一种内脏脂肪测量方法、装置、设备及存储介质 |
CN113425254B (zh) * | 2021-05-10 | 2022-10-18 | 复旦大学 | 基于混合数据输入的体脂率预测模型的青年男性体脂率预测方法 |
CN215820912U (zh) * | 2021-07-27 | 2022-02-15 | 京东方科技集团股份有限公司 | 体脂检测装置 |
CN114699063A (zh) * | 2022-02-25 | 2022-07-05 | 深圳市伊欧乐科技有限公司 | 体脂率的测量方法、装置及计算机可读存储介质 |
-
2022
- 2022-02-25 CN CN202210181394.XA patent/CN114699063A/zh active Pending
- 2022-12-15 WO PCT/CN2022/139310 patent/WO2023160149A1/zh unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023160149A1 (zh) * | 2022-02-25 | 2023-08-31 | 深圳市伊欧乐科技有限公司 | 体脂率的测量方法、装置及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2023160149A1 (zh) | 2023-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107510452B (zh) | 一种基于多尺度深度学习神经网络的心电检测方法 | |
CN110352660B (zh) | 一种脱绒棉种活力快速无损检测信息处理方法和装置 | |
CN101916334B (zh) | 一种皮肤状况预测方法及其预测系统 | |
CN109034360A (zh) | 一种从fMRI和DTI数据中构建脑效应连接网络的蚁群方法 | |
US10610109B2 (en) | Emotion representative image to derive health rating | |
CN107945817A (zh) | 心肺音信号分类方法、检测方法、装置、介质和计算机设备 | |
US20210406687A1 (en) | Method for predicting attribute of target object based on machine learning and related device | |
RU2720448C2 (ru) | Достоверный классификатор | |
CN113855038B (zh) | 基于多模型集成的心电信号危急值的预测方法及装置 | |
CN113298780B (zh) | 一种基于深度学习的儿童骨龄评估方法及系统 | |
CN109846474A (zh) | 心电图的处理方法及装置、心电图的远程处理方法及系统 | |
CN109949280A (zh) | 图像处理方法、装置、设备存储介质及生长发育评估系统 | |
Mullineaux et al. | Research methods: sample size and variability effects on statistical power | |
CN109102029A (zh) | 信息最大化生成对抗网络模型合成人脸样本质量评估方法 | |
CN114220537A (zh) | 一种基于互联网医院的ai智能在线诊断方法及云系统 | |
CN114699063A (zh) | 体脂率的测量方法、装置及计算机可读存储介质 | |
CN114512239A (zh) | 基于迁移学习的脑卒中风险预测方法及系统 | |
CN108937967A (zh) | 一种基于vr技术的心理学记忆数据提升检测方法及系统 | |
CN111354463B (zh) | 人体健康测量方法、装置、计算机设备及存储介质 | |
CN113171082A (zh) | 一种前束交叉韧带损伤评估方法及装置 | |
CN107704748A (zh) | 用户的识别方法、装置及人体秤 | |
CN113425254B (zh) | 基于混合数据输入的体脂率预测模型的青年男性体脂率预测方法 | |
CN116090879A (zh) | 一种基于眼动数据的飞行训练品质评估方法 | |
Alagarsamy et al. | Performing the classification of pulsation cardiac beats automatically by using CNN with various dimensions of kernels | |
CN109754881A (zh) | 一种社区筛查方案的评估方法及装置 |
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 |