CN115171848A - 一种基于食物图像分割和尿酸指数的膳食智能推荐系统 - Google Patents
一种基于食物图像分割和尿酸指数的膳食智能推荐系统 Download PDFInfo
- Publication number
- CN115171848A CN115171848A CN202210875572.9A CN202210875572A CN115171848A CN 115171848 A CN115171848 A CN 115171848A CN 202210875572 A CN202210875572 A CN 202210875572A CN 115171848 A CN115171848 A CN 115171848A
- Authority
- CN
- China
- Prior art keywords
- food
- uric acid
- index
- user
- acid index
- 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
- 235000013305 food Nutrition 0.000 title claims abstract description 105
- LEHOTFFKMJEONL-UHFFFAOYSA-N Uric Acid Chemical compound N1C(=O)NC(=O)C2=C1NC(=O)N2 LEHOTFFKMJEONL-UHFFFAOYSA-N 0.000 title claims abstract description 58
- TVWHNULVHGKJHS-UHFFFAOYSA-N Uric acid Natural products N1C(=O)NC(=O)C2NC(=O)NC21 TVWHNULVHGKJHS-UHFFFAOYSA-N 0.000 title claims abstract description 58
- 229940116269 uric acid Drugs 0.000 title claims abstract description 58
- 238000003709 image segmentation Methods 0.000 title claims abstract description 22
- 235000005911 diet Nutrition 0.000 title claims abstract description 17
- 230000037213 diet Effects 0.000 title claims abstract description 14
- 230000036541 health Effects 0.000 claims abstract description 22
- 238000007405 data analysis Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims description 29
- 238000012706 support-vector machine Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000009286 beneficial effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000005484 gravity Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000014509 gene expression Effects 0.000 claims description 7
- 239000002253 acid Substances 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000013210 evaluation model Methods 0.000 claims description 5
- 201000001431 Hyperuricemia Diseases 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 235000006694 eating habits Nutrition 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 235000020979 dietary recommendations Nutrition 0.000 claims 3
- 230000000737 periodic effect Effects 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- KDCGOANMDULRCW-UHFFFAOYSA-N 7H-purine Chemical compound N1=CNC2=NC=NC2=C1 KDCGOANMDULRCW-UHFFFAOYSA-N 0.000 description 24
- 201000005569 Gout Diseases 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000000378 dietary effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 235000013311 vegetables Nutrition 0.000 description 3
- 206010046337 Urate nephropathy Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010003210 Arteriosclerosis Diseases 0.000 description 1
- 208000006820 Arthralgia Diseases 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000000913 Kidney Calculi Diseases 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 206010029148 Nephrolithiasis Diseases 0.000 description 1
- 208000001647 Renal Insufficiency Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 208000011775 arteriosclerosis disease Diseases 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 208000020832 chronic kidney disease Diseases 0.000 description 1
- 208000022831 chronic renal failure syndrome Diseases 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 235000005686 eating Nutrition 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000012041 food component Nutrition 0.000 description 1
- 239000005417 food ingredient Substances 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 235000012631 food intake Nutrition 0.000 description 1
- 235000011194 food seasoning agent Nutrition 0.000 description 1
- 201000006370 kidney failure Diseases 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Nutrition Science (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明属于监控领域，具体涉及一种基于食物图像分割和尿酸指数的膳食智能推荐系统，该系统包括：图像采集设备、图像分割模块、数据分析模块以及健康管理模块；所述图像采集设备用于采集用户的食物图片，并将采集的图像输入到图像分割模块中，得到不同类别的食物图像；数据分析模块从用户的体检报告中获取用户的尿酸指数，并根据获取的尿酸指数对用户的食物进行推荐，将推荐结果输入到健康管理模块中；健康管理模块对推荐结果进行验证，筛选出最优方案，根据最优方案对用户进行健康管理；本发明设计了一种数字健康管理系统，实现了对用户身体健康的精准管理。
Description
技术领域
本发明属于监控领域，具体涉及一种基于食物图像分割和尿酸指数的膳食智能推荐系统。
背景技术
随着科学技术的发展，人们的生活水平不断提高，使得人们越来越注重身体健康，特别是身体的尿酸含量。若尿酸的含量过高，则会在关节处析出结晶，刺激关节疼痛，诱发痛风疾病；出现痛风性肾病可以表现为尿酸性肾结石、尿酸性肾病两种情况，最严重的后果是患者会出现肾功能不全，最终导致慢性肾功能衰竭。长期尿酸高会导致心血管疾病的情况发生增多，尤其是产生心肌梗死、动脉硬化，它是冠心病死亡风险增加的一个重要因素。同时，尿酸对人体的影响可能是双向的，过高或过低的尿酸都可能不利于健康。尿酸的含量受到人体摄入的高嘌呤食物的影响；因此为用户设计一种合理化食物摄入量的膳食智能推荐系统是必要的。
发明内容
为解决以上现有技术存在的问题，本发明提出了一种基于食物图像分割和尿酸指数的膳食智能推荐系统，该系统包括：图像采集设备、图像分割模块、数据分析模块以及健康管理模块；所述图像采集设备用于采集用户的食物图片，将采集的图像输入到图像分割模块中，得到不同类别的食物图像，并将不同类别的食物图像输入到数据分析模块；所述数据分析模块从用户的体检报告中获取用户的尿酸指数，根据获取的尿酸指数和不同类别的食物图像对用户的食物进行推荐，将推荐结果输入到健康管理模块中；健康管理模块对推荐结果进行验证，筛选出最优方案，根据最优方案对用户进行膳食智能推荐。
优选的，图像分割模块对输入的图像数据进行处理的过程包括：对输入的食物图片进行标准化处理，将标准化后的图像输入到食物高尿酸指数标签分类的支持向量机(Support Vector Machine,SVM)模型中，得到分类结果；根据分类结果对输入图像进行分割，得到不同类别的食物图像。
进一步的，构建SVM模型的过程包括：
S1：获取样本数据；样本数据包括[xi,yi](i＝1,2,...,N)；其中，xi表示食物的类别，yi表示对高尿酸指数是否有益的标签；
S2：根据样本数据构建具有约束条件的目标函数；
S3：采用拉格朗日乘子将具有约束条件的目标函数转化为无约束目标函数；
S4：对无约束目标函数进行求解，得到决策超平面ω*Tx+b*参数ω*和b*，其中，ω*表示平面上的法向量，b*表示超平面到原点的距离；
S5：根据参数数ω*和参数b*构建决策函数g(x)和分类函数f(x)；
S6：采用高斯核函数对无约束目标函数进行优化；
S7：根据优化后的无约束目标函数、决策函数g(x)和分类函数f(x)构建SVM模型。
进一步的，SVM模型的表达式为：
决策函数和分类函数为：
其中，λ表示拉格朗日乘子向量；y＝±1，当y＝1时表示对高尿酸指数有益，y＝-1时表示对高尿酸指数无益；N表示样本个数，K表示高斯核函数，x表示支持向量，C表示惩罚系数，T表示转置，sign表示符号函数。
优选的，数据分析模块对输入的数据进行分析的过程包括：
步骤1：将用户输入的食物进行归类；
步骤2：根据食物的类别初步分析该类食物是否存在增加身体尿酸的风险；
步骤3：分析用户输入的不同食物图像中的食物对用户的尿酸含量的影响；
步骤4：根据影响结果构建多元线性回归模型预测所摄食物的身体尿酸指数水平；
步骤5：采用构建的多元线性回归模型对分割后的食物图像和用户的尿酸指数进行处理，生成是否食用该食物的意见。
进一步的，分析不同食物对用用户的嘌呤含量的影响结果的过程包括：
步骤31：根据各个用户的体检报告中的尿酸含量设置尿酸阈值区间[P1,P0)；
步骤32：采用线性规划模型对待推荐用户发送的食物图片进行筛选，得到处于指数区间[P1,P0)的食物图片xi；
步骤33：根据用户的饮食习惯对获取的处于指数区间[P1,P0)的食物图片xi进行搭配，得到食物推荐组合；
步骤34：定期反馈用户的自身尿酸指数，根据反馈的尿酸指数重新重新选择区间[P1,P0)，并返回步骤32；
步骤35：根据不同的用户重复步骤32～步骤34，直到所有用户得到食物推荐结果。
优选的，健康管理模块对推荐结果进行验证的过程包括：
步骤1：获取各个推荐结果中不同食物的重量以及食物图像中识别的比率；
步骤2：将各个推荐结果中的食物重量以及比率输入到基于熵权法的评价模型中，得到最优方案。
进一步的，采用基于熵权法的评价模型对输入的食物重量和比率输的处理过程包括：
步骤21：计算第i个推荐方案中第j个指标的比重；其中指标表示食物的种类
步骤22：根据指标的比重计算第j个指标的熵值；
步骤23：根据指标的熵值计算第j个指标的变异系数；
步骤24：根据变异系数计算第j个指标的权重；
步骤25：根据计算出的权重计算第i个推荐方案的综合评价值；
步骤26：根据步骤21～步骤25中的计算方式计算其他方案的综合评价值；
步骤27：将所有的综合评价值进行对比，将综合评分最高的方案作为最优方案。
本发明的有益效果：
本发明采用优化的SVM模型对用户摄入的食物图片进行分类，使得最终得到的结果更精确；本发明根据用户的尿酸指数构建多元线性回归模型，根据该回归模型对分割后的食物图像进行嘌呤数据分析，得到了使得推荐结果与用户自身的身体状况进行联系，提高推荐的准确度；本发明采用熵权法对推荐结果进行分析，得到了推荐的最优方案，提高了系统对用户身体健康的管理效果。
附图说明
图1为本发明的系统框架结构图；
图2为本发明的流程图；
图3为本发明的图像分割流程图；
图4为本发明的构建SVN模型的流程图；
图5为本发明的SVN模型误差分析图；
图6为本发明的数据分析模块对输入的数据进行分析的流程图；
图7为本发明的健康管理模块对推荐结果进行验证的流程图。
具体实施方式
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，所描述的实施例仅仅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做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。
一种基于食物图像分割和尿酸指数的膳食智能推荐系统，如图1～2所示，该系统包括：图像采集设备、图像分割模块、数据分析模块以及健康管理模块；所述图像采集设备用于采集用户的食物图片，将采集的图像输入到图像分割模块中，得到不同类别的食物图像，并将不同类别的食物图像输入到数据分析模块；所述数据分析模块从用户的体检报告中获取用户的尿酸指数，根据获取的尿酸指数和不同类别的食物图像对用户的食物进行推荐，将推荐结果输入到健康管理模块中；健康管理模块对推荐结果进行验证，筛选出最优方案，根据最优方案对用户进行膳食智能推荐。
如图3所示，图像分割模块对输入的图像数据进行处理的过程包括：对输入的食物图片进行标准化处理，将标准化后的图像输入到SVM模型中，得到分类结果；根据分类结果对输入图像进行分割，得到不同类别的食物图像。
膳食尿酸指数分析识别中图像得出比率p％，用户输入食物总重量m，可计算各种成分的总量＝mp％。
构建SVM模型的过程包括：
S1：获取样本数据；样本数据包括[xi,yi](i＝1,2,...,N)；其中，xi表示食物的类别，yi表示对高尿酸指数是否有益的标签；
S2：根据样本数据构建具有约束条件的目标函数；
S3：采用拉格朗日乘子将具有约束条件的目标函数转化为无约束目标函数；
S4：对无约束目标函数进行求解，得到决策超平面的参数ω*和b*；
S5：根据参数数ω*和参数b*构建决策函数g(x)和分类函数f(x)；
S6：采用高斯核函数对无约束目标函数进行优化；
S7：根据优化后的无约束目标函数、决策函数g(x)和分类函数f(x)构建SVM模型。
具体的，对于图像识别这里采取支持向量机(SVM)算法来将食物的组成进行分类，首先根据病人所提供的当次饮食内容(菜系图片)，使用支持向量机(SVM)使其分解一道菜中的食材是否是能有益于治疗病人高尿酸。SVM属于一种二分类模型，是定义在特征空间上的间隔最大的线性分类器。在这里采取软间隔(soft-margin SVM)分类。对于模型的训练来说，一般样本的维数都比较高，或者是无穷维数。在此模型的基础上再引进核函数进行模型的训练，基本模型的搭建流程如图4所示：
首先引入变量：已知观测样本为[xi，yi](i＝1,2,3,4,5.....N)。其中xi∈RP，yi＝1时表示对高尿酸指数有益；yi＝-1时，表示对高尿酸指数无益，其中，RP表示p维向量空间。
设最优分类面(ω·x)+b＝0，其中x＝[x1,x2,......,xn]T，ω∈Rp，b∈R，(ω，b待定)，满足：
将满足方程(ω·xi)+b＝±1的样本为支持向量。SVM的思想是使样本到平面的距离最大，也就是说以样本点到平面的距离为目标函数。目标函数为：
s.t.yi(ωTxi+b)>0,
对目标函数进行化简，得到：
s.t.yi(ωTxi+b)≥1,i＝1,2,.....N,
得到了一个硬间隔的hard-SVM模型，存在N个约束条件。由于约束条件一般数量庞大且繁杂，因此引入拉格朗日乘子将其转化为无约束问题。引入拉格朗日乘子的表达式为：
其中λ＝(λ1,λ2,......,λN)。
无约束问题的目标函数为：
s.t.λi≥0,i＝1,2,.....N,
根据对偶关系，对模型做一下变换：
s.t.λi≥0,i＝1,2,.....N,
对于无约束问题求解，只需要分别对其求偏导置零即可得到ω,λ,b的表达式，则可将上面的模型进一步变形为：
由KKT条件可知
根据KKT条件对变形后的模型进行求解，得到：
当且仅当xi为支持向量时，才可求得b*，从而可以得到决策函数g(x)和分类函数f(x)：
由于模型会出现误差，如图5所示，在y＝ωTx+b两侧分别出现了误差，为了解决这样的误差，引入松弛变量ξi≥0,i＝1,2,......N，通过对松弛变量进行惩罚来保证模型的合理性。
验证合理性后的模型表达式为：
其中C为惩罚系数，C越高就表示越不能容忍误差，容易过拟合；C越小容易欠拟合。由此就可以进一步得到决策函数g(x)和分类函数f(x)(同上)，但是对于不同的菜系食材不同，数量不同，所以涉及到的样本维数也具有不确定性(高维)，因此在以上的模型基础上引入高斯核函数：
以此降低模型运算的复杂性。至此，得到了最终的SVM模型：
当g(x)＝1时表示该类归类为对高尿酸指数有益；当g(x)＝-1时，该类对高尿酸指数无益。
构建的模型对数据进行处理的过程包括：
步骤1：计算N个样本的均值向量μ＝[μ1,μ2,μ2,......μN]。
步骤2：计算N个样本点的标准差向量σ＝[σ1,σ2,σ2,......σN]。
步骤3：对所有样本点进行标准化处理：
步骤4：标准化指标变量：
记为
步骤5：N个已分类样本数据行向量为：
步骤6：通过MATLAB自带的SVM训练模型函数svmtrain()和分类函数svmclassify()对模型进行训练，寻找需要确定的最优参数。
步骤7：利用高斯核函数的支持向量机进行分类。
步骤8：利用分类函数对待判别的样本做分类。
根据SVM模型对食物的分类可以知道将各个食物中嘌呤的含量分为主食类、动物肉类、水产类、素菜类、水果类、佐料类六类。其中：高嘌呤食物：每100克食物中嘌呤的含量大于150mg，高尿酸以及痛风患者尽量不吃或者少吃；中嘌呤食物：每100克食物中嘌呤的含量大于25～150mg。高尿酸以及痛风患者可以适量吃一些；低嘌呤食物：每100克食物中嘌呤的含量低于25mg。高尿酸以及痛风患者可以放心吃。
如图6所示，数据分析模块对输入的数据进行分析的过程包括：
将用户中的含有的嘌呤量划分为3个等级，区间[P1,P0]分别为每一百克：一级：0～25mg；二级：25mg～150mg；三级：150mg～1000mg。建立多元线性回归模型，反映各种菜系对身体中尿酸指数的关系；回归模型的表达式为：
对所研究的食谱数据中的n组样本观测值(xi1,xi2,xi3......xip,yi),i＝1,2,3......,n满足回归模型，即：
将上述公式转换矩阵，记：y＝[y1,y2......yn]T，则：
ε＝[ε1，ε2......εn]T,
β＝[β0,β1......βp]T,
其中解释变量xi1,xi2,xi3......xip是确定性变量，非随机变量。并且rank(X)＝p+1<n，也就是说样本个数应该大于解释变量的个数。
满足G-M条件：
满足正态分布条件：
通过最小二乘法估计(OLSE)模型对参数β1，β2......βp做估计，考虑观测值yi与其回归值
的离差越小越好。
令损失函数为：
为了保证其估计值接近预测值，令其估计为：
通过对参数β0，β1，β2，......，βp分别求偏导并令其为0，得到：
即：
对上述公式进行求解，得到：
根据求解结果，得到经验回归方程：
对经验回归方程进行验证，其验证过程包括：
假设H0：β1＝β2＝β3＝。。。。。。＝βp＝0，和平分解时为：ST＝SR+Se，即：
构造统计量
当原假设成立时有F～F(p,n-p-1)
故有拒绝域W＝(F＞Fα(p,n-p-1))
参数的确定主要通过对患有高尿酸的病人采集数据，数据内容有：所吃食物中嘌呤的含量，吃了这些食物后其身体的尿酸指数变化。根据这些数据来进行最小二乘法估计参数，最后得到各个食物指标变量xi对身体中尿酸含量的影响f(x)，转化为简单的线性规划模型问题，比如想得到一个嘌呤区间为[P1,P0]之间的食物搭配的模型表达式为：
min f(x)＝β0+β1x1+β2x2+β3x3,
健康管理模块对推荐结果进行验证的过程包括：
步骤1：获取各个推荐结果中不同食物的重量以及食物图像中识别的比率；
步骤2：将各个推荐结果中的食物重量以及比率输入到基于熵权法的评价模型中，得到最优方案。
步骤21：计算第i个推荐方案中第j个指标的比重；其中指标表示食物的种类；
令pij(i＝1,2,.....,n；j＝1,2,.....m)为第i个评价对象关于第j个指标值的比重：计算公式为：
步骤22：根据指标的比重计算第j个指标的熵值；计算公式为：
步骤23：根据指标的熵值计算第j个指标的变异系数；计算公式为：
gj＝1-ej,j＝1,2,.....,m.
步骤24：根据变异系数计算第j个指标的权重；计算公式为：
步骤25：根据计算出的权重计算第i个推荐方案的综合评价值；计算公式为：
步骤26：根据步骤21～步骤25中的计算方式计算其他方案的综合评价值；
步骤27：将所有的综合评价值进行对比，将综合评分最高的方案作为最优方案。
具体的，膳食尿酸指数分析识别中图像得出比率p％，用户输入食物总重量m，可计算各种成分的总量＝mp％.识别的比例p％与基于医生建议指南q％比对，饮食推荐，多吃max{(q-p),0}的食物。膳食尿酸指数分析：一是图片中显示的比重；二是数据库关联，中国食物成分表-谷物等。
通过数据库提取用户输入的重量m和图像食物分割录入的比率p来对计算总含量G，得到方案比较分析模块，如图7所示。该模块主要反映的是系统推荐的方案与医生给出的方案作比较，因此在这里采取“基于熵权法的评价方法”算法来实现这一模块。评价的对象可能会涉及到多个(至少系统一个，医生一个)，根据不同的病人身体状况(指标变量)第i个对象关于第j个指标变量的取值为aij,(i＝1,2,.....,n；j＝1,2,......,m)，构造数据矩阵A＝(aij)n×m。通过对各指标的变异程度，计算各指标的熵权进行比较得出客观指标的权重。
以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于食物图像分割和尿酸指数的膳食智能推荐系统，其特征在于，该系统包括：图像采集设备、图像分割模块、数据分析模块以及健康管理模块；所述图像采集设备用于采集用户的食物图片，将采集的图像输入到图像分割模块中，得到不同类别的食物图像，并将不同类别的食物图像输入到数据分析模块；所述数据分析模块从用户的体检报告中获取用户的尿酸指数，根据获取的尿酸指数和不同类别的食物图像对用户的食物进行推荐，将推荐结果输入到健康管理模块中；健康管理模块对推荐结果进行验证，筛选出最优方案，根据最优方案对用户进行膳食智能推荐。
2.根据权利要求1所述的一种基于食物图像分割和尿酸指数的膳食智能推荐系统，其特征在于，图像分割模块对输入的图像数据进行处理的过程包括：对输入的食物图片进行标准化处理，将标准化后的图像输入到用于对食物高尿酸指数标签分类的支持向量机模型中，得到分类结果；根据分类结果对输入图像进行分割，得到不同类别的食物图像。
3.根据权利要求2所述的一种基于食物图像分割和尿酸指数的膳食智能推荐系统，其特征在于，构建食物高尿酸标签分类的支持向量机模型的过程包括：
S1：获取样本数据；样本数据包括[xi,yi](i＝1,2,...,N)；其中，xi表示食物的类别，yi表示对高尿酸指数是否有益的标签；
S2：根据样本数据构建具有约束条件的目标函数；
S3：采用拉格朗日乘子将具有约束条件的目标函数转化为无约束目标函数；
S4：对无约束目标函数进行求解，得到决策超平面ω*Tx+b*的列向量参数ω*和b*，其中，ω*表示平面上的法向量，b*表示超平面到原点的距离；
S5：根据决策超平面参数ω*和参数b*构建决策函数g(x)和分类函数f(x)；
S6：采用高斯核函数对无约束目标函数进行优化；
S7：根据优化后的无约束目标函数、决策函数g(x)和分类函数f(x)构建SVM模型。
4.根据权利要求3所述的一种基于食物图像分割和尿酸指数的膳食智能推荐系统，其特征在于，食物高尿酸指数标签分类的支持向量机模型的表达式为：
决策函数和分类函数为：
其中，λ表示拉格朗日乘子向量；y＝±1，当y＝1时表示对高尿酸指数有益，y＝-1时表示对高尿酸指数无益；N表示样本个数，K表示高斯核函数，x表示支持向量，C表示惩罚系数，T表示转置，sign表示符号函数。
5.根据权利要求1所述的一种基于食物图像分割和尿酸指数的膳食智能推荐系统，其特征在于，数据分析模块对输入的数据进行分析的过程包括：
步骤1：将用户输入的食物进行归类；
步骤2：根据食物的类别初步分析该类食物是否存在增加身体尿酸的风险；
步骤3：分析用户输入的不同食物图像中的食物对用户的尿酸含量的影响；
步骤4：根据影响结果构建多元线性回归模型预测所摄食物的身体尿酸指数水平；
步骤5：采用构建的多元线性回归模型对分割后的食物图像和用户的尿酸指数进行处理，生成是否食用该食物的意见。
6.根据权利要求5所述的一种基于食物图像分割和尿酸指数的膳食智能推荐系统，其特征在于，分析不同食物对用户的尿酸含量的影响结果的过程包括：
步骤31：根据各个用户的体检报告中的尿酸含量设置尿酸阈值区间[P1,P0)；
步骤32：采用线性规划模型对待推荐用户发送的食物图片进行筛选，得到处于指数区间[P1,P0)的食物图片xi；
步骤33：根据用户的饮食习惯对获取的处于指数区间[P1,P0)的食物图片xi进行搭配，得到食物推荐组合；
步骤34：定期反馈用户的自身尿酸指数，根据反馈的尿酸指数重新重新选择区间[P1,P0)，并返回步骤32；
步骤35：根据不同的用户重复步骤32～步骤34，直到所有用户得到食物推荐结果。
7.根据权利要求1所述的一种基于食物图像分割和尿酸指数的膳食智能推荐系统，其特征在于，健康管理模块对推荐结果进行验证的过程包括：
步骤1：获取各个推荐结果中不同食物的重量以及食物图像中识别的比率；
步骤2：将各个推荐结果中的食物重量以及比率输入到基于熵权法的评价模型中，得到最优方案。
8.根据权利要求1所述的一种基于食物图像分割和尿酸指数的膳食智能推荐系统，其特征在于，采用基于熵权法的评价模型对输入的食物重量和比率输的处理过程包括：
步骤21：计算第i个推荐方案中第j个指标的比重；其中指标表示食物的种类；
步骤22：根据指标的比重计算第j个指标的熵值；
步骤23：根据指标的熵值计算第j个指标的变异系数；
步骤24：根据变异系数计算第j个指标的权重；
步骤25：根据计算出的权重计算第i个推荐方案的综合评价值；
步骤26：根据步骤21～步骤25中的计算方式计算与其他方案的综合评价值；
步骤27：将所有的综合评价值进行对比，将综合评分最高的方案作为最优方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210875572.9A CN115171848A (zh) | 2022-07-25 | 2022-07-25 | 一种基于食物图像分割和尿酸指数的膳食智能推荐系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210875572.9A CN115171848A (zh) | 2022-07-25 | 2022-07-25 | 一种基于食物图像分割和尿酸指数的膳食智能推荐系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115171848A true CN115171848A (zh) | 2022-10-11 |
Family
ID=83497746
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210875572.9A Pending CN115171848A (zh) | 2022-07-25 | 2022-07-25 | 一种基于食物图像分割和尿酸指数的膳食智能推荐系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115171848A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115798685A (zh) * | 2022-12-18 | 2023-03-14 | 重庆邮电大学 | 一种基于食物图像分割的抑郁症膳食管理方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202904670U (zh) * | 2012-04-09 | 2013-04-24 | 中国人民解放军第二军医大学 | 膳食平衡营养点餐终端 |
| CN104778374A (zh) * | 2015-05-04 | 2015-07-15 | 哈尔滨理工大学 | 一种基于图像处理识别方法的自动膳食评估装置 |
| CN104866954A (zh) * | 2015-04-27 | 2015-08-26 | 天津师范大学 | 基于智能信息处理终端居民膳食均衡量化分析方法及系统 |
| CN106843044A (zh) * | 2017-01-22 | 2017-06-13 | 郑州云海信息技术有限公司 | 一种健康饮食辅助系统 |
| CN108766527A (zh) * | 2018-04-20 | 2018-11-06 | 拉扎斯网络科技（上海）有限公司 | 一种确定食物热量的方法和装置 |
| CN111599438A (zh) * | 2020-04-02 | 2020-08-28 | 浙江工业大学 | 一种基于多模态数据的面向糖尿病患者的实时饮食健康监控方法 |
| CN113436753A (zh) * | 2021-06-30 | 2021-09-24 | 江苏文旭信息技术股份有限公司 | 一种基于app平台的多功能健康管理系统 |
| CN113934776A (zh) * | 2021-12-16 | 2022-01-14 | 深圳市发掘科技有限公司 | 食材推送方法、装置、介质及设备 |
| CN114359299A (zh) * | 2022-03-18 | 2022-04-15 | 天津九安医疗电子股份有限公司 | 一种饮食分割方法及慢病患者的饮食营养管理方法 |
-
2022
- 2022-07-25 CN CN202210875572.9A patent/CN115171848A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202904670U (zh) * | 2012-04-09 | 2013-04-24 | 中国人民解放军第二军医大学 | 膳食平衡营养点餐终端 |
| CN104866954A (zh) * | 2015-04-27 | 2015-08-26 | 天津师范大学 | 基于智能信息处理终端居民膳食均衡量化分析方法及系统 |
| CN104778374A (zh) * | 2015-05-04 | 2015-07-15 | 哈尔滨理工大学 | 一种基于图像处理识别方法的自动膳食评估装置 |
| CN106843044A (zh) * | 2017-01-22 | 2017-06-13 | 郑州云海信息技术有限公司 | 一种健康饮食辅助系统 |
| CN108766527A (zh) * | 2018-04-20 | 2018-11-06 | 拉扎斯网络科技（上海）有限公司 | 一种确定食物热量的方法和装置 |
| CN111599438A (zh) * | 2020-04-02 | 2020-08-28 | 浙江工业大学 | 一种基于多模态数据的面向糖尿病患者的实时饮食健康监控方法 |
| CN113436753A (zh) * | 2021-06-30 | 2021-09-24 | 江苏文旭信息技术股份有限公司 | 一种基于app平台的多功能健康管理系统 |
| CN113934776A (zh) * | 2021-12-16 | 2022-01-14 | 深圳市发掘科技有限公司 | 食材推送方法、装置、介质及设备 |
| CN114359299A (zh) * | 2022-03-18 | 2022-04-15 | 天津九安医疗电子股份有限公司 | 一种饮食分割方法及慢病患者的饮食营养管理方法 |
Non-Patent Citations (4)
| Title |
|---|
| （英）凯文•马什（KEVINMARSH）等: "多准则决策分析在卫生决策中的应用", 天津科学技术出版社, pages: 128 - 178 * |
| （英）凯文•马什（KEVINMARSH）等: "河南医科大学获奖科研成果汇编 1988-1997", 31 July 1998, 河南医科大学出版社, pages: 144 - 178 * |
| 杜永莲等: "统计学管理与方法路径探索", 31 July 2020, 中国财富出版社, pages: 182 - 185 * |
| 邱创良等: "深圳市某街道居民膳食模式与血尿酸的关联性研究", 中国社会医学杂志, vol. 38, no. 6, 31 December 2021 (2021-12-31), pages 661 - 665 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115798685A (zh) * | 2022-12-18 | 2023-03-14 | 重庆邮电大学 | 一种基于食物图像分割的抑郁症膳食管理方法 |
| CN115798685B (zh) * | 2022-12-18 | 2024-05-24 | 广西康久生物科技有限公司 | 一种基于食物图像分割的抑郁症膳食管理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ferizi et al. | Artificial intelligence, osteoporosis and fragility fractures | |
| da Fonseca et al. | Automatic prediction of stress in piglets (Sus Scrofa) using infrared skin temperature | |
| Kaur et al. | Deep neural network for food image classification and nutrient identification: A systematic review | |
| Mittal et al. | DFR-HL: Diabetic Food Recommendation Using Hybrid Learning Methods | |
| Wu et al. | Combining attention-based multiple instance learning and gaussian processes for CT hemorrhage detection | |
| Priya et al. | A novel intelligent approach for predicting atherosclerotic individuals from big data for healthcare | |
| Truong Minh Long et al. | Using machine learning to grade the mango’s quality based on external features captured by vision system | |
| Solans et al. | Compositional analysis of dietary patterns | |
| Alqaysi et al. | Hybrid Diagnosis Models for Autism Patients Based on Medical and Sociodemographic Features Using Machine Learning and Multicriteria Decision‐Making (MCDM) Techniques: An Evaluation and Benchmarking Framework | |
| CN115171848A (zh) | 一种基于食物图像分割和尿酸指数的膳食智能推荐系统 | |
| CN109360658B (zh) | 一种基于词向量模型的疾病模式挖掘方法及装置 | |
| Ali et al. | [Retracted] Estimation Model for Bread Quality Proficiency Using Fuzzy Weighted Relevance Vector Machine Classifier | |
| Mohd Ali et al. | Utilisation of deep learning with multimodal data fusion for determination of pineapple quality using thermal imaging | |
| Shermila et al. | DEEPFIC: Food item classification with calorie calculation using dragonfly deep learning network | |
| Lianou et al. | Online feature selection for robust classification of the microbiological quality of traditional vanilla cream by means of multispectral imaging | |
| Tang et al. | Improved automatic radiographic bone age prediction with deep transfer learning | |
| Chu et al. | Machine learning algorithms for predicting the risk of fracture in patients with diabetes in china | |
| Al-Saffar et al. | Nutrition information estimation from food photos using machine learning based on multiple datasets | |
| Edet et al. | Machine Learning Enabled System for Health Impact Assessment of Soft Drink Consumption Using Ensemble Learning Technique | |
| Frisch et al. | Stereotype-aware collaborative filtering | |
| Chamundeshwari et al. | Adaptive Despeckling and Heart Disease Diagnosis by Echocardiogram using Optimized Deep Learning Model | |
| Hakguder et al. | Smart Diet Management through Food Image and Cooking Recipe Analysis | |
| Nabilah et al. | Human bone age estimation of carpal bone X-ray using residual network with batch normalization classification | |
| Tang et al. | End-to-end multi-domain neural networks with explicit dropout for automated bone age assessment | |
| CN117235487B (zh) | 一种用于预测哮喘患者住院事件的特征提取方法和系统 |
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 |