CN115862813B - 一种体重管理方法及系统 - Google Patents

一种体重管理方法及系统 Download PDF

Info

Publication number
CN115862813B
CN115862813B CN202211521390.8A CN202211521390A CN115862813B CN 115862813 B CN115862813 B CN 115862813B CN 202211521390 A CN202211521390 A CN 202211521390A CN 115862813 B CN115862813 B CN 115862813B
Authority
CN
China
Prior art keywords
health
data
health state
body weight
weight
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.)
Active
Application number
CN202211521390.8A
Other languages
English (en)
Other versions
CN115862813A (zh
Inventor
杨毅
陈剑潇
张倩
吴龙龙
余碧影
毛安丽
鲍俪倩
童燕玲
潘毅
朱佳雯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202211521390.8A priority Critical patent/CN115862813B/zh
Publication of CN115862813A publication Critical patent/CN115862813A/zh
Application granted granted Critical
Publication of CN115862813B publication Critical patent/CN115862813B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Medical Treatment And Welfare Office Work (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明提供了一种体重管理方法及系统，涉及人工智能技术领域，该方法包括：对用户进行体重检测，获得第一体重数据；基于多个健康体征指标，对用户进行检测，获得健康体征信息集合；将健康体征信息集合输入健康状态评价模型中，获得实时健康状态评价结果；分析体重与用户的健康状态的关系，获得健康状态关系；根据实时健康状态评价结果输入健康状态关系，获得第二体重数据；将第一体重数据和第二体重数据输入体重管理分析模型内，获得体重管理方案，进行用户的体重管理。本发明达到了提升用户体重管理准确性和智能性的技术效果。

Description

一种体重管理方法及系统
技术领域
本发明涉及人工智能技术领域，具体涉及一种体重管理方法及系统。
背景技术
对于很多慢性病患者，尤其是维持性血液透析的患者等，精确的控制体重是保障其治疗效果以及维持其长期预后的关键。
现有技术中对患者进行体重管理时，一般根据患者体型给出参考体重然后进行管理，无法根据患者健康情况变化进行时效性较高的体重管理，存在着体重管理不智能、不准确的技术问题。
发明内容
本申请提供了一种体重管理方法及系统，用于针对解决现有技术中对患者进行体重管理时，一般根据患者体型给出参考体重然后进行管理，无法根据患者健康情况变化进行时效性较高的体重管理，存在着体重管理不智能、不准确的技术问题。
鉴于上述问题，本申请提供了一种体重管理方法及系统。
本申请的第一个方面，提供了一种体重管理方法，所述方法包括：
对用户进行体重检测，获得第一体重数据；
基于多个健康体征指标，对所述用户进行检测，获得健康体征信息集合；
将所述健康体征信息集合输入健康状态评价模型中，获得实时健康状态评价结果；
分析体重与所述用户的健康状态的关系，获得健康状态关系；
根据所述实时健康状态评价结果输入所述健康状态关系，获得第二体重数据；
将所述第一体重数据和所述第二体重数据输入体重管理分析模型内，获得体重管理方案，进行所述用户的体重管理。
本申请的第二个方面，提供了一种体重管理系统，所述系统包括：
体重检测模块，用于对用户进行体重检测，获得第一体重数据；
健康体征监测模块，用于基于多个健康体征指标，对所述用户进行检测，获得健康体征信息集合；
健康评价模块，用于将所述健康体征信息集合输入健康状态评价模型中，获得实时健康状态评价结果；
健康体征关系分析模块，用于分析体重与所述用户的健康状态的关系，获得健康状态关系；
体重预期模块，用于根据所述实时健康状态评价结果输入所述健康状态关系，获得第二体重数据；
体重管理分析模块，用于将所述第一体重数据和所述第二体重数据输入体重管理分析模型内，获得体重管理方案，进行所述用户的体重管理。
本申请的第三个方面，提供了一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器内存储有计算机程序，所述计算机程序被所述处理器执行时实现第一方面中方法的步骤。
本申请的第四个方面，提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现第一方面中方法的步骤。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请实施例提供的技术方案通过对用户进行体重检测，获取当前的体重数据，然后检测用户当前的健康体征信息集合，将健康体征信息集合输入健康状态评价模型内，获得实时健康状态评价结果，将其输入健康状态关系内，获得预期的体重数据，将检测的体重数据和预期的体重数据输入体重管理分析模型内，获得体重管理方案，进行用户的体重管理，可以监测患者的体重情况，进而调整患者的饮食或用药情况，对患者实现更好的照顾。本申请实施例通过评价用户的健康状态，获取预期的健康体重，作为体重管理的基础，更为准确和智能，以及采集获得实际体重，结合预期的健康体征，进行当前体重管理方案的分析输出，更为准确和智能，使得获得的体重管理方案更为适应用户的健康状态，达到提升体重管理准确性、智能性的技术效果。
附图说明
图1为本申请提供的一种体重管理方法流程示意图；
图2为本申请提供的一种体重管理方法中获得实时健康状态评价结果的流程示意图；
图3为本申请提供的一种体重管理方法中构建获得体重管理分析模型的流程示意图；
图4为本申请提供的一种体重管理系统的结构示意图。
图5为本申请实施例示例性计算机设备的结构示意图。
附图标记说明：体重检测模块11，健康体征监测模块12，健康评价模块13，健康体征关系分析模块14，体重预期模块15，体重管理分析模块16，计算机设备300，存储器301，处理器302，通信接口303，总线架构304。
具体实施方式
本申请通过提供了一种体重管理方法及系统，用于针对解决现有技术中对患者进行体重管理时，一般根据患者体型给出参考体重然后进行管理，无法根据患者健康情况变化进行时效性较高的体重管理，存在着体重管理不智能、不准确的技术问题。
实施例一
如图1所示，本申请提供了一种体重管理方法，所述方法包括：
S100：对用户进行体重检测，获得第一体重数据；
本申请实施例中，该用户即为需要实施本申请实施例提供的体重管理方法，进行体重管理的用户，具体可以为慢性病患者、瘫痪患者等，但不限于此。
对该用户进行体重检测，可采用现有技术中任意的、准确的体重检测方式，进行检测，获得第一体重数据，第一体重数据即为该用户当前实时的体重数据。
示例性地，本申请实施例通过气垫上预先安装的多个传感器或其他数据采集装置的体重检测装置，检测获取该用户当前实时的体重数据，该体重检测装置包括充气气垫、充气管路、排气管路和主机，该充气气垫长度为200cm，宽度为90cm，且包括用以支撑用户头部的第一部分和用以支撑用户身体的第二部分，第一部分正常充气后的高度优选为18cm左右，第二部分正常充气后的高度优选为10cm左右，以适应不同体型的用户进行使用。该用户躺卧在该充气气垫上时，通过主机采集充气气垫内的气压，基于现有技术，进而计算获得该用户的第一体重数据。
可选的，还可通过充气管路和排气管路对该充气气垫进行充气或排气，以使充气气垫的使用更为舒适，同时便于收纳。
S200：基于多个健康体征指标，对所述用户进行检测，获得健康体征信息集合；
基于多个健康体征指标，对该用户进行健康体征指标数据的检测，获得健康体征信息集合。其中，该健康体征信息集合能够反映该用户当前的健康状态，作为分析评价用户健康状态的基础数据。
其中，步骤S200包括：
S210：获取所述多个健康体征指标；
S220：按照所述多个健康体征指标，对所述用户进行检测，获得所述健康体征信息集合。
本申请实施例中，获取多个健康体征指标，多个健康体征指标可根据用户的个体情况进行设置，例如血压、血糖、心律等，上述的具体的健康体征指标仅为示例。
按照该多个健康体征指标，对该用户的健康体征进行检测，获得多个健康体征指标的多个健康体征信息，作为该健康体征信息集合。
通过采集获得用户的多个健康体征指标的健康体征信息集合，作为分析评价用户健康状态的数据基础。
S300：将所述健康体征信息集合输入健康状态评价模型中，获得实时健康状态评价结果；
进一步地，将该健康体征信息集合输入预先构建的健康状态评价模型中，根据该健康体征信息集合，进行用户当前健康状态的评价，获得该用户当前的实时健康状态评价结果。
其中，该健康状态评价模型基于该用户以前的健康体征检测数据构建，专用于该用户的健康状态评价。
如图2所示，本申请实施例提供的方法中的步骤S300包括：
S310：对所述健康体征信息集合内的多个健康体征信息进行归一化处理，获得归一化健康体征信息集合；
S320：获取多个样本归一化健康体征信息集合；
S330：获取多个样本健康状态评价结果；
S340：对所述多个样本归一化健康体征信息集合和多个样本健康状态评价结果进行数据标注，获得构建数据集；
S350：基于BP神经网络，构建所述健康状态评价模型，其中，所述健康状态评价模型的输入数据为归一化健康体征信息集合，输出数据为健康状态评价结果；
S360：采用所述构建数据集对所述健康状态评价模型进行迭代监督训练和验证，直到达到收敛条件；
S370：将所述归一化健康体征信息集合输入所述健康状态评价模型，获得所述实时健康状态评价结果。
具体地，对该健康体征信息集合内的多个健康体征信息进行归一化处理，消除多个健康体征信息的量纲，获得多个归一化健康体征信息，作为归一化健康体征信息集合。
本申请实施例提供的方法中的步骤S310包括：
S311：对所述健康体征信息集合内的所述多个健康体征信息进行计算映射至(0,1)区间内，通过下式：
其中，yi为第i个健康体征指标的归一化健康体征信息，xi为第i个健康体征指标的健康体征信息，max为所述多个健康体征信息中的最大值，min为所述多个健康体征信息中的最小值；
S312：根据计算映射获得的数据，获得所述归一化健康体征信息集合。
本申请实施例中，对健康体征信息集合内的多个健康体征指标的多个健康体征信息进行计算映射至(0,1)区间内，进行归一化，通过步骤S311内的公式进行归一化计算。
根据计算映射得到的多个归一化健康体征信息数据，获得上述的归一化健康体征信息集合。
通过对健康体征信息集合进行归一化处理，能够去除数据量纲的影响，上述的健康状态评价模型同样基于归一化的健康体征信息进行构建，通过归一化能够提升数据处理效率，提升模型训练的收敛速度，进而提升健康状态评价的效率和准确性。
在构建健康状态评价模型的过程中，获取多个样本归一化健康体征信息集合和多个样本健康状态评价结果，多个样本归一化健康体征信息集合和多个样本健康状态评价结果一一对应，多个样本归一化健康体征信息集合可基于该用户在此前的健康体征检测数据，并进行归一化处理获得，归一化处理的方法与前述内容中相同，多个样本健康状态评价结果可基于医生根据该用户在此前的健康体征监测数据进行评价获得，例如可为该用户的健康状态的评价等级。
基于机器学习中的数据标注，对所述多个样本归一化健康体征信息集合和多个样本健康状态评价结果进行数据标注，获得构建数据集。
基于机器学习中的BP神经网络，构建该健康状态评价模型，该健康状态评价模型的输入数据为归一化健康体征信息集合，输出数据为健康状态评价结果。
BP神经网络为按照误差逆向传播训练的前馈神经网络，可在监督训练中基于梯度下降，从输出到输入的方向调整权值等参数，完成模型的监督训练。
采用该构建数据集对该健康状态评价模型进行迭代监督训练和验证，直到达到收敛条件。示例性地，该收敛条件可为该健康状态评价模型的准确率达到预设准确率要求，可选的，该预设准确率要求可为90％。由于健康状态评价模型基于归一化的健康体征信息集合进行训练获得，训练效率更高，收敛速度更快，且准确性较好。
基于训练完成的健康状态评价模型，将当前该用户的归一化健康体征信息集合输入该健康状态评价模型，获得该用户当前的实时健康状态评价结果。
本申请实施例通过采集用户此前的健康体征信息数据和健康状态评价结果，并进行归一化处理，构建健康状态评价模型，训练效率高，模型准确率较高，能够准确获得用户当前的健康状态评价结果，为体重管理提供准确的数据基础。
S400：分析体重与所述用户的健康状态的关系，获得健康状态关系；
本申请实施例中，分析该用户体重与用户的健康状态评价结果之间的关系，用于根据用户当前的健康状态评价结果获取该用户目前预期能够维持的体重，进行体重管理。
本申请实施例提供的方法中的步骤S400包括：
S410：根据所述多个样本健康状态评价结果，获取多个样本体重数据；
S420：构建所述多个样本健康状态评价结果和所述多个样本体重数据的映射关系，获得所述健康状态关系。
具体地，根据上述内容中的多个健康状态评价结果，结合该用户的性别、身高等，基于对用户以往的治疗经验，获得多个样本体重数据。该多个样本体重数据为该用户在不同健康状态评价结果下最佳的体重状态，在不同的健康状态评价结果下，保持不同的体重，对于该用户的治疗具有积极意义。
构建该多个样本健康状态评价结果和该多个样本体重数据之间的映射关系，获得上述的健康状态关系。
通过构建健康状态关系，能够根据当前用户的健康评价状态给出对应的准确的预期体重，进而进行准确的体重管理。
S500：根据所述实时健康状态评价结果输入所述健康状态关系，获得第二体重数据；
将步骤S300中获得的用户当前的实时健康状态评价结果输入该健康状态关系内，获得对应的样本体重数据，作为第二体重数据。
第二体重数据即为预期该用户在当前实时健康状态评价结果下，应该达到的体重状态，而第一体重数据即为当前该用户实际上的体重数据。
S600：将所述第一体重数据和所述第二体重数据输入体重管理分析模型内，获得体重管理方案，进行所述用户的体重管理。
将该第一体重数据和第二体重数据输入体重管理分析模型内，获得对应的体重管理方案，进行该用户的体重管理。
如图3所示，具体地，该体重管理分析模型的构建过程包括：
S610：获取多个样本第一体重数据；
S620：获取多个样本第二体重数据；
S630：获取多个样本体重管理方案；
S640：根据所述多个样本第二体重数据，划分获得多个体重管理分析单元；
S650：根据所述多个样本第一体重数据和所述多个样本体重管理方案，构建所述多个体重管理分析单元，集成所述多个体重管理分析单元，获得所述体重管理分析模型。
具体地，获取多个样本第一体重数据，多个样本第一体重数据即为此前对该用户进行体重检测时的实际体重数据。
获取多个样本第二体重数据，优选地，多个样本第二体重数据即为上述的多个样本体重数据，即为不同样本健康状态评价结果对应的预期该用户应该达到的不同的多个样本体重数据。
进一步地，获取多个样本体重管理方案，多个样本体重管理方案根据该多个样本第一体重数据和多个样本第二体重数据获得。在不同的样本健康状态评价结果下，预期该用户应该达到不同的对应的样本第二体重数据，而用户实际检测得到的样本第一体重数据与第二体重数据不符时，则根据样本第一体重数据和样本第二体重数据的差值，制定不同的体重管理方案，以对该用户的体重进行管理。
示例性地，若预期用户的第二体重数据为70kg，而用户实际的第一体重数据为75kg，则制定对应的体重管理方案，例如包括饮食、用药、治疗、康复运动等不同的多个方案，进行体重管理。体重管理方案的具体制定可基于医护专家根据该用户的健康状况进行制定，如此，获得多个样本体重管理方案。
基于上述的多个样本第二体重数据，划分获得多个体重管理分析单元，每个待构建的体重管理分析单元与样本第二体重数据一一对应。在获得该用户的第二体重数据后，确认该第二体重数据最接近的样本第二体重数据，进而确认对应的体重管理分析单元，将该用户实际的第一体重数据输入该对应的体重管理分析单元，获得对应的体重管理方案，进行体重管理。
进一步地，将上述的多个样本第一体重数据和多个样本体重管理方案作为构建数据，构建该多个体重管理分析单元。
在构建完成后，集成该多个体重管理单元，获得构建完成的上述体重管理分析模型。
本申请实施例提供的方法中的步骤S650包括：
S651：从所述多个样本第一体重数据中随机选择若干个样本第一体重数据，构建第一体重管理分析单元的多层划分节点，其中，每层划分节点对输入的第一体重数据进行二分类划分；
S652：获取所述多层划分节点的多个最终划分结果，其中，所述多个最终划分结果通过所述多层划分节点进行多层二分类划分获得；
S653：采用所述多个样本体重管理方案，作为所述多个最终划分结果的多个决策结果，获得构建完成的所述第一体重管理分析单元；
S654：继续构建获得所述多个体重管理分析结果。
本申请实施例中，从该多个体重管理分析单元内选择一体重管理分析单元，作为第一体重管理分析单元，其与多个样本第二体重数据内的某一样本第二体重数据对应。下面以第一体重管理分析单元的构建过程为例，以说明多个体重管理分析单元的构建方法。
从该多个样本第一体重数据中随机选择若干个样本第一体重数据，随机选择的过程中可基于不放回的原则进行，并基于现有技术中的随机选择算法进行选择。
可选的，选择该多个样本第一体重数据中出现频率较多，即用户在进行体重检测时较多出现的样本第一体重数据，构建该多层划分节点。
采用该若干个样本第一体重数据，构建第一体重管理分析单元的多层划分节点，其中，每层划分节点对输入的第一体重数据进行二分类划分。
示例性地，采用该若干个样本第一体重数据，基于决策树算法，依次构建第一体重管理分析单元的根节点、干节点、叶节点等多层划分节点，多层划分节点的数量与若干个样本第一体重数据的数量相同，例如为20层。每层划分节点均可对输入的第一体重数据进行二分类划分，划分为大于每层划分节点内样本第一体重数据的一类和不大于的另一类，如此，对输入第一体重管理分析单元的第二体重数据进行多层的二分类划分。
基于该多层划分节点，获取多层划分节点的多个最终划分结果。其中，多层划分节点内经过多层的二分类划分，可获得对个最终划分结果，每个最终划分结果内包括第一体重数据的具体区间范围。
根据上述的多个样本体重管理方案，作为该多个最终划分结果的多个决策结果。即用户预期的体重在该第一体重管理分析单元对应的第二样本体重时，多个最终划分结果对应该用户的多个不同的实际的第一体重数据区间，将该多个样本体重管理方案作为多个不同的第一体重数据区间的体重管理的决策结果，进行用户的体重管理，较为准确高效。可选的，在将多个样本体重管理方案作为多个决策结果时，
基于相同的方法，继续构建其他的多个体重管理分析单元，获得构建完成的多个体重管理分析单元。其他的多个体重管理分析单元的构建方法与第一体重管理分析单元的构建方法相同，但具体的多层划分节点和对应的多个决策结果不同。
集成该多个体重管理分析单元，获得上述的体重管理分析模型。
将该用户的第一体重数据和第二体重数据输入该体重管理分析模型内，根据该第二体重数据，获得该第二体重数据最为接近(即差值最小)的样本第二体重数据对应的体重管理分析单元，将该第一体重数据输入该对应的体重管理分析单元内，经多层划分节点的划分，获得对应的体重管理方案，进行该用户的体重管理。
本申请实施例基于不同的预期该用户应该达到的体重，构建不同的体重管理分析模型，然后根据不同的该用户实际的体重，进行体重管理方案的划分决策，更为准确，适应性地制定适用于该用户当前健康状态评价结果和体重的体重管理方案，较为智能和准确。
综上所述，本申请实施例至少具有如下技术效果：
本申请实施例提供的技术方案通过对用户进行体重检测，获取当前的体重数据，然后检测用户当前的健康体征信息集合，将健康体征信息集合输入健康状态评价模型内，获得实时健康状态评价结果，将其输入健康状态关系内，获得预期的体重数据，将检测的体重数据和预期的体重数据输入体重管理分析模型内，获得体重管理方案，进行所述用户的体重管理。本申请实施例通过评价用户的健康状态，获取预期的健康体重，作为体重管理的基础，更为准确和智能，以及采集获得实际体重，结合预期的健康体征，进行当前体重管理方案的分析输出，更为准确和智能，使得获得的体重管理方案更为适应用户的健康状态，达到提升体重管理准确性、智能性的技术效果。
实施例二
基于与前述实施例中一种体重管理方法相同的发明构思，如图4所示，本申请提供了一种体重管理系统，实施例一中的一种体重管理方法的具体阐述，对于该体重管理系统也同样适用，其中，所述系统包括：
体重检测模块11，用于对用户进行体重检测，获得第一体重数据；
健康体征监测模块12，用于基于多个健康体征指标，对所述用户进行检测，获得健康体征信息集合；
健康评价模块13，用于将所述健康体征信息集合输入健康状态评价模型中，获得实时健康状态评价结果；
健康体征关系分析模块14，用于分析体重与所述用户的健康状态的关系，获得健康状态关系；
体重预期模块15，用于根据所述实时健康状态评价结果输入所述健康状态关系，获得第二体重数据；
体重管理分析模块16，用于将所述第一体重数据和所述第二体重数据输入体重管理分析模型内，获得体重管理方案，进行所述用户的体重管理。
进一步地，所述健康体征监测模块12还用于实现以下功能：
获取所述多个健康体征指标；
按照所述多个健康体征指标，对所述用户进行检测，获得所述健康体征信息集合。
进一步地，所述健康评价模块13还用于实现以下功能：
对所述健康体征信息集合内的多个健康体征信息进行归一化处理，获得归一化健康体征信息集合；
获取多个样本归一化健康体征信息集合；
获取多个样本健康状态评价结果；
对所述多个样本归一化健康体征信息集合和多个样本健康状态评价结果进行数据标注，获得构建数据集；
基于BP神经网络，构建所述健康状态评价模型，其中，所述健康状态评价模型的输入数据为归一化健康体征信息集合，输出数据为健康状态评价结果；
采用所述构建数据集对所述健康状态评价模型进行迭代监督训练和验证，直到达到收敛条件；
将所述归一化健康体征信息集合输入所述健康状态评价模型，获得所述实时健康状态评价结果。
其中，对所述健康体征信息集合内的多个健康体征信息进行归一化处理，包括：
对所述健康体征信息集合内的所述多个健康体征信息进行计算映射至(0,1)区间内，通过下式：
其中，yi为第i个健康体征指标的归一化健康体征信息，xi为第i个健康体征指标的健康体征信息，max为所述多个健康体征信息中的最大值，min为所述多个健康体征信息中的最小值；
根据计算映射获得的数据，获得所述归一化健康体征信息集合。
进一步地，所述健康体征关系分析模块14还用于以下功能：
根据所述多个样本健康状态评价结果，获取多个样本体重数据；
构建所述多个样本健康状态评价结果和所述多个样本体重数据的映射关系，获得所述健康状态关系。
进一步地，所述体重管理分析模块16还用于以下功能：
获取多个样本第一体重数据；
获取多个样本第二体重数据；
获取多个样本体重管理方案；
根据所述多个样本第二体重数据，划分获得多个体重管理分析单元；
根据所述多个样本第一体重数据和所述多个样本体重管理方案，构建所述多个体重管理分析单元，集成所述多个体重管理分析单元，获得所述体重管理分析模型。
其中，根据所述多个样本第一体重数据和所述多个样本体重管理方案，构建所述多个体重管理分析单元，包括：
从所述多个样本第一体重数据中随机选择若干个样本第一体重数据，构建第一体重管理分析单元的多层划分节点，其中，每层划分节点对输入的第一体重数据进行二分类划分；
获取所述多层划分节点的多个最终划分结果，其中，所述多个最终划分结果通过所述多层划分节点进行多层二分类划分获得；
采用所述多个样本体重管理方案，作为所述多个最终划分结果的多个决策结果，获得构建完成的所述第一体重管理分析单元；
继续构建获得所述多个体重管理分析结果。
实施例三
如图5所示，基于与前述实施例中一种体重管理方法相同的发明构思，本申请还提供了一种计算机设备300，所述计算机设备300包括存储器301和处理器302，所述存储器301内存储有计算机程序，所述计算机程序被所述处理器302执行时实现实施例一种方法的步骤。
该计算机设备300包括：处理器302、通信接口303、存储器301。可选的，计算机设备300还可以包括总线架构304。其中，通信接口303、处理器302以及存储器301可以通过总线架构304相互连接；总线架构304可以是外设部件互连标(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture，简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU，微处理器，ASIC，或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303，使用任何收发器一类的装置，用于与其他设备或通信网络通信，如以太网，无线接入网(radio access network，RAN),无线局域网(wireless local areanetworks，WLAN)，有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable Programmable read only memory，EEPROM)、只读光盘(compactdiscread only memory，CD ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中，存储器301用于存储执行本申请方案的计算机执行指令，并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令，从而实现本申请上述实施例提供的一种体重管理方法。
实施例四
基于与前述实施例中一种体重管理方法相同的发明构思，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现实施例一中方法的步骤。
本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (7)

1.一种体重管理方法，其特征在于，所述方法包括：
对用户进行体重检测，获得第一体重数据；
基于多个健康体征指标，对所述用户进行检测，获得健康体征信息集合；
将所述健康体征信息集合输入健康状态评价模型中，获得实时健康状态评价结果；
分析体重与所述用户的健康状态的关系，获得健康状态关系；
根据所述实时健康状态评价结果输入所述健康状态关系，获得第二体重数据；
将所述第一体重数据和所述第二体重数据输入体重管理分析模型内，获得体重管理方案，进行所述用户的体重管理；
将所述健康体征信息集合输入健康状态评价模型中，获得实时健康状态评价结果，包括：
对所述健康体征信息集合内的多个健康体征信息进行归一化处理，获得归一化健康体征信息集合；
获取多个样本归一化健康体征信息集合；
获取多个样本健康状态评价结果；
对所述多个样本归一化健康体征信息集合和多个样本健康状态评价结果进行数据标注，获得构建数据集；
基于BP神经网络，构建所述健康状态评价模型，其中，所述健康状态评价模型的输入数据为归一化健康体征信息集合，输出数据为健康状态评价结果；
采用所述构建数据集对所述健康状态评价模型进行迭代监督训练和验证，直到达到收敛条件；
将所述归一化健康体征信息集合输入所述健康状态评价模型，获得所述实时健康状态评价结果；
所述体重管理分析模型的构建过程包括：
获取多个样本第一体重数据；
获取多个样本第二体重数据；
获取多个样本体重管理方案；
根据所述多个样本第二体重数据，划分获得多个体重管理分析单元；
根据所述多个样本第一体重数据和所述多个样本体重管理方案，构建所述多个体重管理分析单元，集成所述多个体重管理分析单元，获得所述体重管理分析模型；
根据所述多个样本第一体重数据和所述多个样本体重管理方案，构建所述多个体重管理分析单元，包括：
从所述多个样本第一体重数据中随机选择若干个样本第一体重数据，构建第一体重管理分析单元的多层划分节点，其中，每层划分节点对输入的第一体重数据进行二分类划分；
获取所述多层划分节点的多个最终划分结果，其中，所述多个最终划分结果通过所述多层划分节点进行多层二分类划分获得；
采用所述多个样本体重管理方案，作为所述多个最终划分结果的多个决策结果，获得构建完成的所述第一体重管理分析单元；
继续构建获得所述多个体重管理分析结果；
其中，第一体重数据为该用户当前实时的体重数据，第二体重数据为预期该用户在当前实时健康状态评价结果下，应该达到的体重状态。
2.根据权利要求1所述的方法，其特征在于，基于多个健康体征指标，对所述用户进行检测，获得健康体征信息集合，包括：
获取所述多个健康体征指标；
按照所述多个健康体征指标，对所述用户进行检测，获得所述健康体征信息集合。
3.根据权利要求1所述的方法，其特征在于，对所述健康体征信息集合内的多个健康体征信息进行归一化处理，包括：
对所述健康体征信息集合内的所述多个健康体征信息进行计算映射至(0,1)区间内，通过下式：
其中，yi为第i个健康体征指标的归一化健康体征信息，xi为第i个健康体征指标的健康体征信息，max为所述多个健康体征信息中的最大值，min为所述多个健康体征信息中的最小值；
根据计算映射获得的数据，获得所述归一化健康体征信息集合。
4.根据权利要求1所述的方法，其特征在于，分析体重与所述用户的健康状态的关系，获得健康状态关系；
根据所述多个样本健康状态评价结果，获取多个样本体重数据；
构建所述多个样本健康状态评价结果和所述多个样本体重数据的映射关系，获得所述健康状态关系。
5.一种体重管理系统，其特征在于，所述系统包括：
体重检测模块，用于对用户进行体重检测，获得第一体重数据；
健康体征监测模块，用于基于多个健康体征指标，对所述用户进行检测，获得健康体征信息集合；
健康评价模块，用于将所述健康体征信息集合输入健康状态评价模型中，获得实时健康状态评价结果；
健康体征关系分析模块，用于分析体重与所述用户的健康状态的关系，获得健康状态关系；
体重预期模块，用于根据所述实时健康状态评价结果输入所述健康状态关系，获得第二体重数据；
体重管理分析模块，用于将所述第一体重数据和所述第二体重数据输入的体重管理分析模型内，获得体重管理方案，进行所述用户的体重管理；
将所述健康体征信息集合输入健康状态评价模型中，获得实时健康状态评价结果，包括：
对所述健康体征信息集合内的多个健康体征信息进行归一化处理，获得归一化健康体征信息集合；
获取多个样本归一化健康体征信息集合；
获取多个样本健康状态评价结果；
对所述多个样本归一化健康体征信息集合和多个样本健康状态评价结果进行数据标注，获得构建数据集；
基于BP神经网络，构建所述健康状态评价模型，其中，所述健康状态评价模型的输入数据为归一化健康体征信息集合，输出数据为健康状态评价结果；
采用所述构建数据集对所述健康状态评价模型进行迭代监督训练和验证，直到达到收敛条件；
将所述归一化健康体征信息集合输入所述健康状态评价模型，获得所述实时健康状态评价结果；
所述体重管理分析模型的构建过程包括：
获取多个样本第一体重数据；
获取多个样本第二体重数据；
获取多个样本体重管理方案；
根据所述多个样本第二体重数据，划分获得多个体重管理分析单元；
根据所述多个样本第一体重数据和所述多个样本体重管理方案，构建所述多个体重管理分析单元，集成所述多个体重管理分析单元，获得所述体重管理分析模型；
根据所述多个样本第一体重数据和所述多个样本体重管理方案，构建所述多个体重管理分析单元，包括：
从所述多个样本第一体重数据中随机选择若干个样本第一体重数据，构建第一体重管理分析单元的多层划分节点，其中，每层划分节点对输入的第一体重数据进行二分类划分；
获取所述多层划分节点的多个最终划分结果，其中，所述多个最终划分结果通过所述多层划分节点进行多层二分类划分获得；
采用所述多个样本体重管理方案，作为所述多个最终划分结果的多个决策结果，获得构建完成的所述第一体重管理分析单元；
继续构建获得所述多个体重管理分析结果；
其中，第一体重数据为该用户当前实时的体重数据，第二体重数据为预期该用户在当前实时健康状态评价结果下，应该达到的体重状态。
6.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器内存储有计算机程序，所述计算机程序被所述处理器执行时实现权利要求1-4任一项所述方法的步骤。
7.一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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-4任一项所述方法的步骤。
CN202211521390.8A 2022-11-30 2022-11-30 一种体重管理方法及系统 Active CN115862813B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211521390.8A CN115862813B (zh) 2022-11-30 2022-11-30 一种体重管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211521390.8A CN115862813B (zh) 2022-11-30 2022-11-30 一种体重管理方法及系统

Publications (2)

Publication Number Publication Date
CN115862813A CN115862813A (zh) 2023-03-28
CN115862813B true CN115862813B (zh) 2023-08-29

Family

ID=85668356

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211521390.8A Active CN115862813B (zh) 2022-11-30 2022-11-30 一种体重管理方法及系统

Country Status (1)

Country Link
CN (1) CN115862813B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117457191B (zh) * 2023-12-18 2024-04-19 天津市胸科医院 一种基于人工智能的线上数字化慢性病患者跟踪管理系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930491A (zh) * 2012-11-05 2013-02-13 苏州天奥体育科技有限公司 一种体重管理服务系统及方法
CN110400622A (zh) * 2019-07-17 2019-11-01 北京市海淀区疾病预防控制中心 一种体重健康管理系统及方法
CN114964451A (zh) * 2022-04-19 2022-08-30 深圳创维－Rgb电子有限公司 体重管理方法、系统、体重秤及计算机可读存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170098040A1 (en) * 2015-10-06 2017-04-06 Scale Down Weight management system and method

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930491A (zh) * 2012-11-05 2013-02-13 苏州天奥体育科技有限公司 一种体重管理服务系统及方法
CN110400622A (zh) * 2019-07-17 2019-11-01 北京市海淀区疾病预防控制中心 一种体重健康管理系统及方法
CN114964451A (zh) * 2022-04-19 2022-08-30 深圳创维－Rgb电子有限公司 体重管理方法、系统、体重秤及计算机可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
体重管理在健康管理中的重要性分析;石真玉;何亚新;;当代体育科技(第22期);全文 *

Also Published As

Publication number Publication date
CN115862813A (zh) 2023-03-28

Similar Documents

Publication Publication Date Title
Murugan et al. DEMNET: a deep learning model for early diagnosis of Alzheimer diseases and dementia from MR images
RU2757048C1 (ru) Способ и система оценки здоровья тела человека на основе данных большого объема о сне
WO2020181805A1 (zh) 糖尿病的预测方法及装置、存储介质、计算机设备
CN108366763A (zh) 用于评估精神状态的方法和系统
CN108135548A (zh) 用于监测压力状态的方法和系统
CN115862813B (zh) 一种体重管理方法及系统
CN110111885B (zh) 属性预测方法、装置、计算机设备及计算机可读存储介质
CN105808906B (zh) 患者个人特性的分析方法及其装置
CN108335755A (zh) 数据分析方法和设备
CN116364299B (zh) 一种基于异构信息网络的疾病诊疗路径聚类方法及系统
Singla et al. A novel fuzzy logic-based medical expert system for diagnosis of chronic kidney disease
Songdechakraiwut et al. Topological learning and its application to multimodal brain network integration
Jemal et al. Enhanced decision support systems in intensive care unit based on intuitionistic fuzzy sets
CN112971802A (zh) 基于深度学习模型的心音信号检测方法及系统
CN112183572A (zh) 一种生成预测肺炎严重程度的预测模型的方法及装置
US20190221294A1 (en) Time series data processing device, health prediction system including the same, and method for operating the time series data processing device
CN115336977B (zh) 一种精准icu警报分级评估方法
CN101512567B (zh) 从确定性模型中导出概率模型的方法和装置
CN115938593A (zh) 病历信息的处理方法、装置、设备及计算机可读存储介质
CN107194918B (zh) 数据分析方法及装置
WO2020058271A1 (en) Patient subtyping from disease progression trajectories
Rojo et al. Time series forecasting to predict the evolution of the functional profile of the elderly persons
CN116019429A (zh) 基于生理指标的健康监测方法、装置、设备及存储介质
CN109192315B (zh) 基于加权核回归和封装式偏差搜索的综合年龄检测系统
KR102049829B1 (ko) 피검체의 위험도를 평가하여 상기 위험도에 따라 상기 피검체를 분류하는 방법 및 이를 이용한 장치

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