CN116453652A - 糖尿病患者饮食量控制方法、装置、计算机设备及其存储介质 - Google Patents
糖尿病患者饮食量控制方法、装置、计算机设备及其存储介质 Download PDFInfo
- Publication number
- CN116453652A CN116453652A CN202310423002.0A CN202310423002A CN116453652A CN 116453652 A CN116453652 A CN 116453652A CN 202310423002 A CN202310423002 A CN 202310423002A CN 116453652 A CN116453652 A CN 116453652A
- Authority
- CN
- China
- Prior art keywords
- patient
- diet
- data
- intake
- blood sugar
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 206010012601 diabetes mellitus Diseases 0.000 title claims abstract description 31
- 235000012631 food intake Nutrition 0.000 title claims abstract description 23
- 230000037406 food intake Effects 0.000 title claims abstract description 21
- 235000005911 diet Nutrition 0.000 claims abstract description 184
- 230000037213 diet Effects 0.000 claims abstract description 179
- 239000008280 blood Substances 0.000 claims abstract description 159
- 210000004369 blood Anatomy 0.000 claims abstract description 159
- 235000013305 food Nutrition 0.000 claims abstract description 114
- 239000000463 material Substances 0.000 claims abstract description 77
- 230000000694 effects Effects 0.000 claims abstract description 26
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 45
- 239000008103 glucose Substances 0.000 claims description 45
- 230000033001 locomotion Effects 0.000 claims description 44
- 235000012054 meals Nutrition 0.000 claims description 30
- 239000003925 fat Substances 0.000 claims description 28
- 150000001720 carbohydrates Chemical class 0.000 claims description 22
- 235000014633 carbohydrates Nutrition 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 21
- 102000004169 proteins and genes Human genes 0.000 claims description 20
- 108090000623 proteins and genes Proteins 0.000 claims description 20
- 230000037323 metabolic rate Effects 0.000 claims description 18
- 230000002641 glycemic effect Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 235000005686 eating Nutrition 0.000 claims description 6
- 238000005265 energy consumption Methods 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 6
- 239000004615 ingredient Substances 0.000 claims description 5
- 235000016709 nutrition Nutrition 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 4
- 235000018823 dietary intake Nutrition 0.000 claims 2
- 238000012800 visualization Methods 0.000 abstract 1
- 230000001276 controlling effect Effects 0.000 description 21
- 238000004422 calculation algorithm Methods 0.000 description 9
- 235000021075 protein intake Nutrition 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000037396 body weight Effects 0.000 description 5
- 235000021074 carbohydrate intake Nutrition 0.000 description 5
- 230000000378 dietary effect Effects 0.000 description 5
- 235000020785 dietary preference Nutrition 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 235000020979 dietary recommendations Nutrition 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 241000209094 Oryza Species 0.000 description 3
- 235000007164 Oryza sativa Nutrition 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 235000021152 breakfast Nutrition 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 235000021004 dietary regimen Nutrition 0.000 description 3
- 235000020803 food preference Nutrition 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 235000009566 rice Nutrition 0.000 description 3
- 206010034203 Pectus Carinatum Diseases 0.000 description 2
- 230000000386 athletic effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 235000013601 eggs Nutrition 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 235000019197 fats Nutrition 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000016097 disease of metabolism Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 235000006180 nutrition needs Nutrition 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 235000013322 soy milk Nutrition 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
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
Landscapes
- Health & Medical Sciences (AREA)
- Nutrition Science (AREA)
- Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Coloring Foods And Improving Nutritive Qualities (AREA)
Abstract
本发明公开了一种糖尿病患者饮食量控制方法、装置、计算机设备及其存储介质，该方法包括：根据患者个体指标配置各个患者的饮食数据，所述饮食数据至少包括每日饮食总热量、每餐饮食热量及各类食物配比；获取患者测量的当前血糖数据及待食用食材名称；根据当前血糖数据及血糖控制目标，自动生成待食用食材的摄入量，以3D模型展示食物的图像，以及根据患者的身体状况、饮食偏好和血糖控制目标生成饮食推荐方案。根据本发明实施例提供的糖尿病患者饮食量控制方法及装置，通过个性化饮食方案和智能化可视化生成待食用食材的摄入量，可以增加患者饮食方案执行的依从性，有效提高控制的效果，进而控制血糖水平，实现了对患者饮食量的个性化控制和科学管理。
Description
技术领域
本发明涉及医疗健康技术领域，尤其涉及一种糖尿病患者饮食量控制方法、装置、计算机设备及其存储介质。
背景技术
糖尿病是一种慢性代谢疾病，患者的血糖控制非常重要。饮食控制是糖尿病治疗的重要组成部分之一，可以通过合理的饮食控制来控制血糖水平，减轻糖尿病症状，预防并发症的发生。
糖尿病患者的饮食控制需要个性化和精准化。不同类型的糖尿病患者，血糖控制的目标、饮食习惯、饮食偏好等方面都有所不同。因此，为了实现个性化的饮食控制，需要采用一些科学的方法和技术，以更好地满足糖尿病患者的需求。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的目的在于提出一种糖尿病患者饮食量控制方法、装置、计算机设备及其存储介质。
为实现上述目的，第一方面，根据本发明实施例的糖尿病患者饮食量控制方法，包括：
根据患者个体指标配置各个患者的饮食数据，所述饮食数据至少包括每日饮食总热量、每餐饮食热量及各类食物配比；
获取患者测量的当前血糖数据及待食用食材名称；
根据当前血糖数据及血糖控制目标，自动生成待食用食材可视化的摄入量，以及根据患者的身体状况、饮食偏好和血糖控制目标生成饮食推荐方案。
根据本发明的一个实施例，所述根据患者个体指标配置各个患者的饮食数据包括：
获取患者基本信息，所述患者基本信息包括患者姓名、年龄、性别、身高、体重及日常活动强度；
根据所述患者基本信息计算患者的基础代谢率和每日所需热量；
根据患者的所述基础代谢率、每日所需热量和血糖控制目标，确定患者每日所需的碳水化合物、脂肪和蛋白质的摄入量，并计算出每餐摄入量。
根据每餐所需的碳水化合物、脂肪和蛋白质的摄入量以及各个食材的属性确定各类食物的配比。
根据本发明的一个实施例，还包括：
根据患者的血糖数据、饮食数据、基础代谢率建立血糖预测模型；
所述根据当前血糖数据及血糖控制目标，自动生成待食用食材的摄入量，以及根据患者的身体状况、饮食偏好和血糖控制目标生成饮食推荐方案之后，还包括：
获取用户选择的待食用食材的摄入量和/或饮食推荐方案；
根据所述血糖预测模型对预定周期后的血糖数据进行预计算，并显示预测值。
根据本发明的一个实施例，所述根据当前血糖数据及血糖控制目标，自动生成待食用食材的摄入量包括：
预先根据患者的血糖数据和血糖控制目标，建立食材摄入模型，在该模型中，以血糖值作为输入特征，以食用食材的摄入量作为输出特征；
使用收集到的血糖数据和实际食用食材的摄入量，对建立的食材摄入模型进行训练，并进行参数调整和优化；
根据患者的当前血糖值和血糖控制目标，使用训练好的食材摄入模型，生成待食用食材摄入量。
根据本发明的一个实施例，所述根据患者的身体状况、饮食偏好和血糖控制目标生成的饮食推荐方案包括：
获取患者的饮食偏好、血糖控制目标及实际饮食数据；所述实际饮食数据包括进食的食物种类、数量和时间；
对收集到的实际饮食数据进行清洗和处理，将食物种类和数量转换为对应的营养成分和热量值；
从实际饮食数据中提取目标特征，所述目标特征包括每日总摄入量、每餐的碳水化合物、脂肪和蛋白质的摄入量、饮食时间、频率，以及将患者的身体状况、饮食偏好及血糖控制目标作为特征输入；
根据提取到的目标特征，建立饮食推荐模型，并使用收集到的饮食数据和目标特征，对建立的饮食推荐模型进行训练；
根据患者的身体状况、饮食偏好和血糖控制目标，使用训练好的饮食推荐模型，生成合适的饮食方案。
根据本发明的一个实施例，还包括：
获取患者的过往运动数据，并根据过往运动数据建立运动建议模型；
根据患者的身体状况、运动偏好和血糖控制目标，生成合适的运动方案。
根据本发明的一个实施例，所述获取患者的过往运动数据，并根据过往运动数据建立运动建议模型包括：
根据患者的身体状况、运动偏好确定患者的运动能力和运动强度；
根据患者的运动能力和运动强度，确定每次运动的能量消耗和心率范围；
根据患者的能量消耗和血糖控制目标，确定每次运动的时长和频率；
根据患者的身体状态、运动强度、每次运动时长及频率，建立数学模型，并对建立的模型进行训练，以得出最优的模型参数。
第二方面，根据本发明实施例的糖尿病患者饮食量控制装置，包括：
配置单元，用于根据患者个体指标配置各个患者的饮食数据，所述饮食数据至少包括每日饮食总热量、每餐饮食热量及各类食物配比；
第一获取单元，用于获取患者测量的当前血糖数据及待食用食材名称；
生成单元，用于根据当前血糖数据及血糖控制目标，自动生成待食用食材的摄入量，以及根据患者的身体状况、饮食偏好和血糖控制目标生成饮食推荐方案。
第三方面，根据本发明实施例的计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上所述的糖尿病患者饮食量控制方法。
第四方面，根据本发明实施例的计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的糖尿病患者饮食量控制方法。
根据本发明实施例提供的糖尿病患者饮食量控制方法及装置，通过根据患者个体指标配置各个患者的饮食数据，获取患者测量的当前血糖数据及待食用食材名称，根据当前血糖数据及血糖控制目标，自动生成待食用食材可视化的摄入量，并根据患者的身体状况、饮食偏好和血糖控制目标生成饮食推荐方案。该方案根据患者个体指标进行配置，使得每个患者的饮食方案都能够满足其身体状况、饮食偏好和血糖控制目标的需求，达到个性化定制的效果。并且，智能化生成待食用食材的摄入量，避免了患者自己进行计算带来的误差和不便。此外，综合考虑多个因素，饮食推荐方案不仅仅考虑血糖控制目标，还综合考虑了患者的身体状况和饮食偏好等多个因素，使得饮食方案更加全面和科学。简单而言，通过个性化饮食方案和智能化生成待食用食材的摄入量，可以增加患者饮食方案执行的依从性，有效提高饮食控制的效果，进而控制血糖水平，实现了对糖尿病患者饮食量的个性化控制和科学管理，具有较高的实用价值和推广价值。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
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示出的结构获得其他的附图。
图1是本发明糖尿病患者饮食量控制方法一个实施例的流程图；
图2是本发明糖尿病患者饮食量控制方法中步骤S101的流程图；
图3是本发明糖尿病患者饮食量控制方法另一个实施例的流程图；
图4是本发明糖尿病患者饮食量控制方法中步骤S103中部分步骤的流程图；
图5是本发明糖尿病患者饮食量控制方法中步骤S103中另一部分步骤的流程图；
图6是本发明糖尿病患者饮食量控制方法又一个实施例的流程图；
图7是本发明糖尿病患者饮食量控制方法中步骤S601的流程图；
图8是本发明糖尿病患者饮食量控制装置一个实施例的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
参照图1所示，图1示出了本发明实施例提供的糖尿病患者饮食量控制方法一个实施例的流程图，为了便于描述，仅示出了与本发明实施例相关的部分。具体的，该糖尿病患者饮食量控制方法可以由医疗机构对应科室医生所用的计算机设备，或者配置在门诊大厅等公共位置的自助终端上执行，具体包括：
S101、根据患者个体指标配置各个患者的饮食数据，所述饮食数据至少包括每日饮食总热量、每餐饮食热量及各类食物配比。
该步骤中，根据患者的个体指标，配置每日饮食总热量、每餐饮食热量及各类食物配比等饮食数据。例如可根据患者的年龄、性别、身高、体重、BMI指数、日常活动量等信息进行计算，以确保饮食量的科学合理性。在配置饮食数据时，还可以考虑患者的饮食偏好等，以提高饮食方案的可接受性和可实施性。
S102、获取患者测量的当前血糖数据及待食用食材名称。
患者可通过血糖仪等设备测量当前的血糖数据，并将数据上传输入或系统中。同时，患者还需提供待食用食材的名称，以便系统能够根据这些信息进行下一步的处理。
S103、根据当前血糖数据及血糖控制目标，自动生成待食用食材可视化的摄入量，以及根据患者的身体状况、饮食偏好和血糖控制目标生成饮食推荐方案。较佳地，生成食用食材的摄入量时，可以以3D模型的形式展示食物的清晰图像，以便于患者能够通过3D模型直观的获知摄入量的多少，提高执行的有效性。
该步骤中，当患者的当前血糖数据和待食用食材的名称输入至系统中之后，系统会根据患者的当前血糖水平和饮食数据中各类食物的GI值(血糖指数)等信息，自动计算出每种食材的摄入量，并进行显示。患者可以以此作为饮食的参考，便于对血糖进行科学有效的控制。
此外，该步骤，还可以根据患者的身体状况、饮食偏好和血糖控制目标等多个因素，生成一份饮食推荐方案。该方案包括每餐的食材组合、食材摄入量、饮食时间等信息，以帮助患者更好地控制饮食量，达到血糖控制目标。较佳地，还可以根据患者的反馈和调整情况，不断优化饮食推荐方案，提高方案的实用性和可靠性。
示例性地，当一个糖尿病患者使用该方法进行饮食量控制时，首先，根据该患者的年龄、性别、身高、体重、BMI指数和日常活动量等信息，计算出每日饮食总热量为1500卡路里，每餐饮食热量为500卡路里，以及各类食物的配比为50％碳水化合物、30％蛋白质、20％脂肪。
其次，该患者使用血糖仪测量了当前的血糖数据为8.5mmol/L，待食用食材名称为白米饭、鸡胸肉和青菜。
最后，根据该患者当前的血糖水平和饮食数据中各类食物的GI值，自动计算出每种食材的摄入量。例如，对于白米饭，系统会自动计算出米饭摄入量为200克；对于鸡胸肉和青菜，系统会根据饮食配比和蛋白质和脂肪的含量，自动计算出摄入量为100克和150克。
根据本发明实施例提供的糖尿病患者饮食量控制方法，通过根据患者个体指标配置各个患者的饮食数据，获取患者测量的当前血糖数据及待食用食材名称，根据当前血糖数据及血糖控制目标，自动生成待食用食材的摄入量，并根据患者的身体状况、饮食偏好和血糖控制目标生成饮食推荐方案。该方法根据患者个体指标进行配置，使得每个患者的饮食方案都能够满足其身体状况、饮食偏好和血糖控制目标的需求，达到个性化定制的效果。并且，智能化生成待食用食材的摄入量，避免了患者自己进行计算带来的误差和不便。此外，综合考虑多个因素，饮食推荐方案不仅仅考虑血糖控制目标，还综合考虑了患者的身体状况和饮食偏好等多个因素，使得饮食方案更加全面和科学。简单而言，通过个性化饮食方案和智能化生成待食用食材的摄入量，可以有效提高饮食控制的效果，进而控制血糖水平，实现了对糖尿病患者饮食量的个性化控制和科学管理，具有较高的实用价值和推广价值。
参照图2所示，在本发明的一个实施例中，步骤S101包括：
S201、获取患者基本信息，所述患者基本信息包括患者姓名、年龄、性别、身高、体重及日常活动强度。这些信息是计算饮食数据的基础，能够反映出患者的身体状况和代谢特点。
S202、根据所述患者基本信息计算患者的基础代谢率和每日所需热量。基础代谢率是指患者在静止状态下消耗的能量，通常使用哈里斯-本尼迪克特公式或世界卫生组织提供的公式进行计算。每日所需热量是指患者在日常活动中所需的能量，通常根据患者的活动强度进行计算。系统会自动根据患者的基本信息和活动强度计算出基础代谢率和每日所需热量。
示例性地，每日所需热量的计算公式可以根据患者的基础代谢率(BMR)和日常活动水平进行计算。常用的计算公式如下：
男性：每日所需热量＝BMR×日常活动系数
女性：每日所需热量＝BMR×日常活动系数
其中，BMR的计算公式可以使用哈里斯-本尼迪克特公式或世界卫生组织提供的公式进行计算。例如，哈里斯-本尼迪克特公式为：
男性：BMR＝88.362+(13.397×体重kg)+(4.799×身高cm)-(5.677×年龄)。
女性：BMR＝447.593+(9.247×体重kg)+(3.098×身高cm)-(4.330×年龄)。
日常活动系数通常根据患者的日常活动强度进行选择，常见的系数如下：
1.2：基本不运动；1.375：轻度活动；1.55：中度活动；1.725：高度活动；1.9：极度活动。
S203、根据患者的所述基础代谢率、每日所需热量和血糖控制目标，确定患者每日所需的碳水化合物、脂肪和蛋白质的摄入量，并计算出每餐摄入量。
示例性地，根据患者的血糖控制目标，确定每日所需的碳水化合物摄入量：
每日所需碳水化合物摄入量＝每日所需总热量×碳水化合物比例/4
其中，碳水化合物比例一般在45％-65％之间，具体比例可以根据患者的具体情况进行调整。
根据患者的血脂控制目标，确定每日所需的脂肪摄入量：
每日所需脂肪摄入量＝每日所需总热量×脂肪比例/9
其中，脂肪比例一般在20％-35％之间，具体比例可以根据患者的具体情况进行调整。
根据患者的肌肉修复和生长需求，确定每日所需的蛋白质摄入量：
每日所需蛋白质摄入量＝体重(kg)×每千克体重所需蛋白质摄入量的克数。
其中，每千克体重所需蛋白质摄入量的克数一般在1.2-2.0g/kg之间，具体摄入量可以根据患者的具体情况进行调整。
根据每日所需的碳水化合物、脂肪和蛋白质摄入量，计算出每餐的摄入量：
每餐碳水化合物摄入量＝每日所需碳水化合物摄入量/餐数
每餐脂肪摄入量＝每日所需脂肪摄入量/餐数
每餐蛋白质摄入量＝每日所需蛋白质摄入量/餐数
例如，假设一个70kg的男性，每日所需总热量为2500kcal，碳水化合物比例为50％，脂肪比例为25％，每日需要摄入1.5g/kg的蛋白质，每日需要分6餐进食，则每餐的摄入量如下：
每餐碳水化合物摄入量＝2500×50％/4/6＝104g
每餐脂肪摄入量＝2500×25％/9/6＝31g
每餐蛋白质摄入量＝70×1.5/6＝17.5g
S204、根据每餐所需的碳水化合物、脂肪和蛋白质的摄入量以及各个食材的属性确定各类食物的配比。
也就是说，根据每餐所需的碳水化合物、脂肪和蛋白质的摄入量以及各个食材的属性，系统会自动计算出各类食物的配比。例如，在确定早餐配比时，系统会自动计算出早餐应包括多少克碳水化合物、脂肪和蛋白质，以及应该选择哪些食材来满足这些摄入量。
以下是一个简单的示例：以一个普通成年男性患者为例，每餐所需的摄入量如下：碳水化合物：100克；脂肪：20-30克；蛋白质：15-25克。
根据这些数据，可以确定食材来满足早餐的营养需求：包子：2个(约70克)，提供约50克的碳水化合物和少量的蛋白质，需要注意选择低糖、低油的包子。鸡蛋：2个(约100克)，提供约16克的蛋白质和约12克的脂肪，需要注意选择清蒸或水煮的鸡蛋。豆浆：1杯(约250毫升)，提供约10克的碳水化合物和约8克的蛋白质，不含脂肪的热量。
通过以上步骤，能够根据患者的个体指标自动计算出合理的饮食数据，为患者提供科学的饮食控制方案。同时，还能够根据患者的血糖控制目标和偏好等因素进行个性化调整，提高饮食控制的效果。
参照图3所示，在本发明的一些实施例中，该方法还包括：
S301、根据患者的血糖数据、饮食数据、基础代谢率建立血糖预测模型。血糖预测模型是一种能够根据患者的血糖数据、饮食数据和基础代谢率等因素，预测患者在未来一定时间内的血糖水平的模型。
步骤S103之后，还包括：
S302、获取用户选择的待食用食材的摄入量和/或饮食推荐方案。用户可以通过输入或选择食材和饮食方案来完成这个步骤。
S303、根据所述血糖预测模型对预定周期后的血糖数据进行预计算，并显示预测值。
也就是说，通过对患者的血糖数据进行分析和处理，并根据当前血糖值、饮食数据、基础代谢率和其他相关因素，建立血糖预测模型，通过该血糖预测模型预测未来的血糖值，并提供相应的建议。其中，一种常用的血糖预测算法是时间序列分析算法，通过对历史血糖数据的分析，建立时间序列模型，预测未来的血糖值。此外也可以基于机器学习算法进行构建，例如支持向量机、决策树、神经网络等等。模型的构建需要训练数据，包括患者的血糖数据、饮食数据和基础代谢率等因素。训练数据的选择需要考虑患者的特征和病情，以获得准确的预测结果。预测结果将用于指导患者的饮食和药物治疗，以达到控制血糖的目的。同时，预测结果还将用于监测患者的病情，有利于患者能够长期坚持饮食控制。
参照图4所示，在本发明的一个实施例中，步骤S103中根据当前血糖数据及血糖控制目标，自动生成待食用食材的摄入量包括：
S401、预先根据患者的血糖数据和血糖控制目标，建立食材摄入模型，在该模型中，以血糖值作为输入特征，以食用食材的摄入量作为输出特征。建立模型的过程可以使用机器学习算法，例如神经网络、支持向量机、决策树等等。在模型中，血糖数据可以包括血糖值、血糖变化率等指标。模型的建立需要在大量的训练数据上进行，以获取模型的参数和权重。
S402、使用收集到的血糖数据和实际食用食材的摄入量，对建立的食材摄入模型进行训练，并进行参数调整和优化。该步骤的目的是通过模型训练来提高模型的准确性和泛化能力。训练过程中需要对模型进行参数调整和优化，以提高模型的性能。
S403、根据患者的当前血糖值和血糖控制目标，使用训练好的食材摄入模型，生成待食用食材摄入量。该步骤是根据患者的血糖数据和血糖控制目标，自动计算出待食用食材的摄入量，以达到控制血糖的目的。生成的待食用食材摄入量将作为指导患者进餐的依据，同时也可以作为监测患者病情和调整治疗方案的参考依据。
本实施例通过建立食材摄入模型，自动生成待食用食材的摄入量，从而更加精准地计算待食用食材的摄入量。模型可以根据患者的血糖数据和实际食用情况进行实时更新，以保证模型的准确性和实用性，从而提高饮食控制的效果，减轻患者的负担，提高生活质量。
参照图5所示，在本发明的一个实施例中，步骤S103中根据患者的身体状况、饮食偏好和血糖控制目标生成的饮食推荐方案包括：
S501、获取患者的饮食偏好、血糖控制目标及实际饮食数据；所述实际饮食数据包括进食的食物种类、数量和时间。可以通过患者自行记录或者医护人员的记录获取，通过终端上传至该系统或录入该系统。
S502、对收集到的实际饮食数据进行清洗和处理，将食物种类和数量转换为对应的营养成分和热量值。该步骤也即是数据预处理，对收集到的实际饮食数据进行清洗和处理，使其符合建模所需的格式。需要将食物种类和数量转换为对应的营养成分和热量值，同时也需要将时间戳转换为日期和时间等格式。其目的是将原始数据转化为可用于建立饮食推荐模型的特征。
S503、从实际饮食数据中提取目标特征，所述目标特征包括每日总摄入量、每餐的碳水化合物、脂肪和蛋白质的摄入量、饮食时间、频率，以及将患者的身体状况、饮食偏好及血糖控制目标作为特征输入。这些目标特征是建立饮食推荐模型所必需的输入信息，以便根据患者的需求生成合适的饮食方案。
S504、根据提取到的目标特征，建立饮食推荐模型，并使用收集到的饮食数据和目标特征，对建立的饮食推荐模型进行训练。需要说明的是，可以使用传统的机器学习算法，例如线性回归、决策树和支持向量机等，也可以使用深度学习算法，例如神经网络和卷积神经网络等。在训练过程中，需要进行模型的参数调整和优化，以提高模型的准确性和泛化能力。
S505、根据患者的身体状况、饮食偏好和血糖控制目标，使用训练好的饮食推荐模型，生成合适的饮食方案。
本实施例通过根据患者的身体状况、饮食偏好和血糖控制目标生成个性化的饮食推荐方案，采用实际饮食数据和目标特征建立饮食推荐模型，更加精准地配合出合适的饮食推荐方案，以达到更好的血糖控制效果，能够提高饮食控制的效率和准确性，减轻患者和医护人员的负担。
参照图6所示，在本发明的一些实施例中，该方法还包括：
S601、获取患者的过往运动数据，并根据过往运动数据建立运动建议模型。随着智能设备的普及，患者的运动数据也可以通过智能手环、智能手表等设备进行实时采集和记录。获取的运动数据可以包括运动类型、运动时长、运动强度等信息。获取的数据可以上传至该方法的系统。
S602、根据患者的身体状况、运动偏好和血糖控制目标，生成合适的运动方案。
在获取了足够的患者运动数据后，可以通过机器学习算法等方式建立运动建议模型，该模型可以根据患者的身体状况、运动偏好和血糖控制目标等信息，生成合适的运动方案。例如，对于血糖控制目标较高的患者，可以建议选择中低强度的有氧运动，如步行、慢跑等。对于身体状况较差的患者，可以建议选择低强度的运动，例如打太极；对于运动偏好不同的患者，可以根据其喜好提供相应的运动建议，以增强患者参与运动的积极性和主动性。通过合理的运动对血糖进行科学地控制调节。
更为具体地，步骤S601可以包括：
首先，根据患者的身体状况、运动偏好确定患者的运动能力和运动强度。可以通过患者的年龄、性别、身高、体重等基本信息，以及患者的运动习惯、运动强度等方面的考虑进行评估。运动能力和运动强度的确定可以结合医生的专业判断和评估以及运动测试等方式进行。
其次，根据患者的运动能力和运动强度，确定每次运动的能量消耗和心率范围。能量消耗是指每次运动消耗的卡路里数量，心率范围是指每次运动时应该保持的心率区间。根据患者的运动能力和运动强度的不同，能量消耗和心率范围也会有所不同。
进一步，根据患者的能量消耗和血糖控制目标，确定每次运动的时长和频率。例如，对于血糖控制目标较高的患者，可以确定每天进行适量的运动，如每次20-30分钟的有氧运动；对于身体状态较差的患者，可以建议每周进行2-3次中低强度的运动，如每次30分钟的散步等。
最后，根据患者的身体状态、运动强度、每次运动时长及频率，建立数学模型，并对建立的模型进行训练，以得出最优的模型参数。这里的数学模型可以采用各种机器学习算法，如神经网络、SVM等。在模型训练时，可以使用患者的实际运动数据进行训练，以得出最优的模型参数，从而更准确地为患者提供个性化的运动建议。
本发明的实施例通过根据患者的身体状况、运动偏好和血糖控制目标等信息，确定每次运动的能量消耗、心率范围、时长和频率，进而建立数学模型并训练，以得出最优的模型参数，从而为患者提供更全面、准确的个性化血糖控制管理服务。
参照图7所示，图7示出了本发明实施例提供的糖尿病患者饮食量控制装置一个实施例的结构示意图，为了便于描述，仅示出了与本发明实施例相关的部分。具体的，该糖尿病患者饮食量控制装置包括：
配置单元701，用于根据患者个体指标配置各个患者的饮食数据，所述饮食数据至少包括每日饮食总热量、每餐饮食热量及各类食物配比；
第一获取单元702，用于获取患者测量的当前血糖数据及待食用食材名称；
生成单元703，用于根据当前血糖数据及血糖控制目标，自动生成待食用食材的摄入量，以及根据患者的身体状况、饮食偏好和血糖控制目标生成饮食推荐方案。
在本发明的一个实施例中，配置单元包括：
第一获取模块，用于获取患者基本信息，所述患者基本信息包括患者姓名、年龄、性别、身高、体重及日常活动强度。
计算模块，用于根据所述患者基本信息计算患者的基础代谢率和每日所需热量。
确定模块，用于根据患者的所述基础代谢率、每日所需热量和血糖控制目标，确定患者每日所需的碳水化合物、脂肪和蛋白质的摄入量，并计算出每餐摄入量。
配比模块，用于根据每餐所需的碳水化合物、脂肪和蛋白质的摄入量以及各个食材的属性确定各类食物的配比。
在本发明的一些实施例中，该装置还包括：
第一建模单元，用于根据患者的血糖数据、饮食数据、基础代谢率建立血糖预测模型；
第二获取单元，用于获取用户选择的待食用食材的摄入量和/或饮食推荐方案。
预测单元，用于根据所述血糖预测模型对预定周期后的血糖数据进行预计算，并显示预测值。
在本发明的一个实施例中，生成单元包括：
第一建模模块，用于预先根据患者的血糖数据和血糖控制目标，建立食材摄入模型，在该模型中，以血糖值作为输入特征，以食用食材的摄入量作为输出特征。
第一训练模块，用于使用收集到的血糖数据和实际食用食材的摄入量，对建立的食材摄入模型进行训练，并进行参数调整和优化。
第一生成模块，用于根据患者的当前血糖值和血糖控制目标，使用训练好的食材摄入模型，生成待食用食材摄入量。
在本发明的一个实施例中，生成模块还包括：
第二获取模块，用于获取患者的饮食偏好、血糖控制目标及实际饮食数据；所述实际饮食数据包括进食的食物种类、数量和时间。
第一处理模块，用于对收集到的实际饮食数据进行清洗和处理，将食物种类和数量转换为对应的营养成分和热量值。
特征提取模块，用于从实际饮食数据中提取目标特征，所述目标特征包括每日总摄入量、每餐的碳水化合物、脂肪和蛋白质的摄入量、饮食时间、频率，以及将患者的身体状况、饮食偏好及血糖控制目标作为特征输入。
第二建模模块，用于根据提取到的目标特征，建立饮食推荐模型，并使用收集到的饮食数据和目标特征，对建立的饮食推荐模型进行训练。
第二生成模块，用于根据患者的身体状况、饮食偏好和血糖控制目标，使用训练好的饮食推荐模型，生成合适的饮食方案。
在本发明的一些实施例中，该装置还包括：
第三建模单元，用于获取患者的过往运动数据，并根据过往运动数据建立运动建议模型。
运动推荐单元，用于根据患者的身体状况、运动偏好和血糖控制目标，生成合适的运动方案。
在本发明的一个实施例中，第三建模单元包括：
第一运动确定模块，用于根据患者的身体状况、运动偏好确定患者的运动能力和运动强度。
第二运动确定模块，用于根据患者的运动能力和运动强度，确定每次运动的能量消耗和心率范围。
第二运动确定模块，根据患者的能量消耗和血糖控制目标，确定每次运动的时长和频率。
第三建模模块，用于根据患者的身体状态、运动强度、每次运动时长及频率，建立数学模型，并对建立的模型进行训练，以得出最优的模型参数。
根据本发明实施例提供的糖尿病患者饮食量控制装置，通过根据患者个体指标配置各个患者的饮食数据，获取患者测量的当前血糖数据及待食用食材名称，根据当前血糖数据及血糖控制目标，自动生成待食用食材的摄入量，并根据患者的身体状况、饮食偏好和血糖控制目标生成饮食推荐方案。该方案根据患者个体指标进行配置，使得每个患者的饮食方案都能够满足其身体状况、饮食偏好和血糖控制目标的需求，达到个性化定制的效果。并且，智能化生成待食用食材的摄入量，避免了患者自己进行计算带来的误差和不便。此外，综合考虑多个因素，饮食推荐方案不仅仅考虑血糖控制目标，还综合考虑了患者的身体状况和饮食偏好等多个因素，使得饮食方案更加全面和科学。简单而言，通过个性化饮食方案和智能化生成待食用食材的摄入量，可以有效提高饮食控制的效果，进而控制血糖水平，实现了对糖尿病患者饮食量的个性化控制和科学管理，具有较高的实用价值和推广价值。
参照图8所示，本发明实施例还提供了一种计算机设备100，包括存储器102、处理器101以及存储在所述存储器102上并可在所述处理器101上运行的计算机程序1021，所述处理器101执行所述计算机程序1021时实现如上所述的糖尿病患者饮食量控制方法。
示例性的，所述计算机程序1021可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器101执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述计算机设备中的执行过程。
本发明实施例还提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的糖尿病患者饮食量控制方法。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置或系统类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种糖尿病患者饮食量控制方法，其特征在于，包括：
根据患者个体指标配置各个患者的饮食数据，所述饮食数据至少包括每日饮食总热量、每餐饮食热量及各类食物配比；
获取患者测量的当前血糖数据及待食用食材名称；
根据当前血糖数据及血糖控制目标，自动生成待食用食材可视化的摄入量，以及根据患者的身体状况、饮食偏好和血糖控制目标生成饮食推荐方案。
2.根据权利要求1所述的糖尿病患者饮食量控制方法，其特征在于，所述根据患者个体指标配置各个患者的饮食数据包括：
获取患者基本信息，所述患者基本信息包括患者姓名、年龄、性别、身高、体重及日常活动强度；
根据所述患者基本信息计算患者的基础代谢率和每日所需热量；
根据患者的所述基础代谢率、每日所需热量和血糖控制目标，确定患者每日所需的碳水化合物、脂肪和蛋白质的摄入量，并计算出每餐摄入量；
根据每餐所需的碳水化合物、脂肪和蛋白质的摄入量以及各个食材的属性确定各类食物的配比。
3.根据权利要求2所述的糖尿病患者饮食量控制方法，其特征在于，还包括：
根据患者的血糖数据、饮食数据、基础代谢率建立血糖预测模型；
所述根据当前血糖数据及血糖控制目标，自动生成待食用食材的摄入量，以及根据患者的身体状况、饮食偏好和血糖控制目标生成饮食推荐方案之后，还包括：
获取用户选择的待食用食材的摄入量和/或饮食推荐方案；
根据所述血糖预测模型对预定周期后的血糖数据进行预计算，并显示预测值。
4.根据权利要求1所述的糖尿病患者饮食量控制方法，其特征在于，所述根据当前血糖数据及血糖控制目标，自动生成待食用食材的摄入量包括：
预先根据患者的血糖数据和血糖控制目标，建立食材摄入模型，在该模型中，以血糖值作为输入特征，以食用食材的摄入量作为输出特征；
使用收集到的血糖数据和实际食用食材的摄入量，对建立的食材摄入模型进行训练，并进行参数调整和优化；
根据患者的当前血糖值和血糖控制目标，使用训练好的食材摄入模型，生成待食用食材摄入量。
5.根据权利要求1所述的糖尿病患者饮食量控制方法，其特征在于，所述根据患者的身体状况、饮食偏好和血糖控制目标生成的饮食推荐方案包括：
获取患者的饮食偏好、血糖控制目标及实际饮食数据；所述实际饮食数据包括进食的食物种类、数量和时间；
对收集到的实际饮食数据进行清洗和处理，将食物种类和数量转换为对应的营养成分和热量值；
从实际饮食数据中提取目标特征，所述目标特征包括每日总摄入量、每餐的碳水化合物、脂肪和蛋白质的摄入量、饮食时间、频率，以及将患者的身体状况、饮食偏好及血糖控制目标作为特征输入；
根据提取到的目标特征，建立饮食推荐模型，并使用收集到的饮食数据和目标特征，对建立的饮食推荐模型进行训练；
根据患者的身体状况、饮食偏好和血糖控制目标，使用训练好的饮食推荐模型，生成合适的饮食方案。
6.根据权利要求1所述的糖尿病患者饮食量控制方法，其特征在于，还包括：
获取患者的过往运动数据，并根据过往运动数据建立运动建议模型；
根据患者的身体状况、运动偏好和血糖控制目标，生成合适的运动方案。
7.根据权利要求6所述的糖尿病患者饮食量控制方法，其特征在于，所述获取患者的过往运动数据，并根据过往运动数据建立运动建议模型包括：
根据患者的身体状况、运动偏好确定患者的运动能力和运动强度；
根据患者的运动能力和运动强度，确定每次运动的能量消耗和心率范围；
根据患者的能量消耗和血糖控制目标，确定每次运动的时长和频率；
根据患者的身体状态、运动强度、每次运动时长及频率，建立数学模型，并对建立的模型进行训练，以得出最优的模型参数。
8.一种糖尿病患者饮食量控制装置，其特征在于，包括：
配置单元，用于根据患者个体指标配置各个患者的饮食数据，所述饮食数据至少包括每日饮食总热量、每餐饮食热量及各类食物配比；
第一获取单元，用于获取患者测量的当前血糖数据及待食用食材名称；
生成单元，用于根据当前血糖数据及血糖控制目标，自动生成待食用食材的摄入量，以及根据患者的身体状况、饮食偏好和血糖控制目标生成饮食推荐方案。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述的糖尿病患者饮食量控制方法。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至7任意一项所述的糖尿病患者饮食量控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310423002.0A CN116453652A (zh) | 2023-04-13 | 2023-04-13 | 糖尿病患者饮食量控制方法、装置、计算机设备及其存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310423002.0A CN116453652A (zh) | 2023-04-13 | 2023-04-13 | 糖尿病患者饮食量控制方法、装置、计算机设备及其存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116453652A true CN116453652A (zh) | 2023-07-18 |
Family
ID=87123405
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310423002.0A Pending CN116453652A (zh) | 2023-04-13 | 2023-04-13 | 糖尿病患者饮食量控制方法、装置、计算机设备及其存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116453652A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117558435A (zh) * | 2024-01-11 | 2024-02-13 | 四川省医学科学院·四川省人民医院 | 一种基于bcm设备的远程透析指导系统 |
| CN117854679A (zh) * | 2024-03-07 | 2024-04-09 | 首都医科大学宣武医院 | 一种介入术前的饮食行为管理系统及其管理方法 |
-
2023
- 2023-04-13 CN CN202310423002.0A patent/CN116453652A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117558435A (zh) * | 2024-01-11 | 2024-02-13 | 四川省医学科学院·四川省人民医院 | 一种基于bcm设备的远程透析指导系统 |
| CN117558435B (zh) * | 2024-01-11 | 2024-03-19 | 四川省医学科学院·四川省人民医院 | 一种基于bcm设备的远程透析指导系统 |
| CN117854679A (zh) * | 2024-03-07 | 2024-04-09 | 首都医科大学宣武医院 | 一种介入术前的饮食行为管理系统及其管理方法 |
| CN117854679B (zh) * | 2024-03-07 | 2024-07-23 | 首都医科大学宣武医院 | 一种介入术前的饮食行为管理系统及其管理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106716426B (zh) | 用于计算、显示、修改和使用个性化营养健康评分的系统和方法 | |
| US20220230730A1 (en) | Recipe recommendation method and device, computing device and storage medium | |
| EP1972270B1 (en) | Method and glucose monitoring system for monitoring individual metabolic response | |
| CN116453652A (zh) | 糖尿病患者饮食量控制方法、装置、计算机设备及其存储介质 | |
| US20200227156A1 (en) | System and methods for calculating, displaying, modifying, and using single dietary intake score reflective of optimal quantity and quality of consumables | |
| JP7337344B2 (ja) | 健康管理システム | |
| US20090275002A1 (en) | Nutrition informatics method | |
| US7348500B2 (en) | Diabetes mellitus nutritional balance for monitoring the food and nutritional intake | |
| US20140052722A1 (en) | Optimization-based regimen method and system for personalized diabetes and diet management | |
| JP5835580B2 (ja) | 生活習慣改善支援システム及び生体指標の分析方法 | |
| JP6948095B1 (ja) | プログラム、方法、およびシステム | |
| CN105765593A (zh) | 饮食遵循系统 | |
| JP7038458B2 (ja) | プログラム、情報処理方法及び情報処理装置 | |
| CN110265114A (zh) | 营养智能管理系统 | |
| CN110634543A (zh) | 一种减脂管理平台及其实现方法 | |
| KR20240054213A (ko) | 데이터 기반 개인 맞춤형 식단제공을 통한 혈당관리방법 및 시스템 | |
| JP7203473B1 (ja) | プログラム、情報処理方法及び情報処理装置 | |
| WO2023013722A1 (ja) | プログラム、情報処理方法及び情報処理装置 | |
| CN114842950A (zh) | 基于饮食和运动综合干预的脂肪肝健康管理系统及方法 | |
| CN114155939A (zh) | 基于深度学习的糖尿病饮食方案自适应生成系统 | |
| Murumkar et al. | Artificial Intelligence (AI) based Nutrition Advisorusing an App | |
| CN117854679B (zh) | 一种介入术前的饮食行为管理系统及其管理方法 | |
| WO2024117258A1 (ja) | 血糖値モデルの作成方法，血糖値推移の予測方法 | |
| US20230274812A1 (en) | Methods and systems for calculating an edible score in a display interface | |
| US20240087719A1 (en) | Methods and systems for calculating an edible score in a display interface |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |