CN116994709A - 一种个性化的饮食与运动推荐方法、系统及电子设备 - Google Patents

一种个性化的饮食与运动推荐方法、系统及电子设备 Download PDF

Info

Publication number
CN116994709A
CN116994709A CN202310647085.1A CN202310647085A CN116994709A CN 116994709 A CN116994709 A CN 116994709A CN 202310647085 A CN202310647085 A CN 202310647085A CN 116994709 A CN116994709 A CN 116994709A
Authority
CN
China
Prior art keywords
data
user
exercise
feature vector
model
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
Application number
CN202310647085.1A
Other languages
English (en)
Other versions
CN116994709B (zh
Inventor
陈君杰
孔洁兰
李蓝洁
徐心怡
陈静
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.)
Precision Nutrition Medical Technology Research Institute Shenzhen Co ltd
Original Assignee
Guangzhou Yingyue Nutrition And Health Consulting Co ltd
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 Guangzhou Yingyue Nutrition And Health Consulting Co ltd filed Critical Guangzhou Yingyue Nutrition And Health Consulting Co ltd
Priority to CN202310647085.1A priority Critical patent/CN116994709B/zh
Publication of CN116994709A publication Critical patent/CN116994709A/zh
Application granted granted Critical
Publication of CN116994709B publication Critical patent/CN116994709B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/092—Reinforcement learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/096—Transfer learning
    • 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
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Epidemiology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Nutrition Science (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种个性化的饮食与运动推荐方法、系统及电子设备，方法包括：实时收集用户的多模态数据；对多模态数据进行数据融合，得到第一特征向量；根据第一特征向量对用户群体进行关联性分析，得到第一关联性数据；构建初始推荐模型，根据第一特征向量和第一关联性数据对初始推荐模型进行模型训练，得到目标推荐模型；通过目标推荐模型预测用户的饮食偏好、运动需求和生理指标，进而为用户生成个性化饮食和运动的推荐结果。本发明通过对用户的多模态数据进行数据融合和关联性分析，能够使得所构建的推荐模型更为全面地学习到用户的生理状态和推荐需求，更为精准地为用户提供个性化的饮食与运动建议。本发明能够广泛应用于人工智能技术领域。

Description

一种个性化的饮食与运动推荐方法、系统及电子设备
技术领域
本发明涉及人工智能技术领域，尤其是一种个性化的饮食与运动推荐方法、系统及电子设备。
背景技术
随着人们生活节奏的加快，越来越多的人关注自己的健康状况。传统的健康管理方法往往依赖于个人经验和专业知识，无法满足不同个体的需求。近年来，基于人工智能技术的健康管理系统逐渐成为研究热点。然而，现有技术通常采用RNN模型和logisticregression等预测模型进行数据分析，并根据血糖状态为用户推荐正常和非正常食物。然而，这些已有方案存在以下局限性：(1)数据来源和类型有限，未能充分利用多模态数据融合技术，导致对用户的生理状态和需求认识不够全面。(2)预测模型相对单一，未能充分发挥现代深度学习模型的优势，如Transformer、BERT等。(3)缺乏个性化推荐算法，可能无法满足不同用户的特定需求。(4)未引入专业的营养师和健身教练，导致提供的饮食和运动建议可能缺乏专业性。(5)缺乏自适应学习机制，无法根据用户的反馈和使用情况进行实时优化。综上，已有方案在提供个性化饮食和运动建议方面仍存在一定的局限性，推荐精准度仍有待进一步提高。此外，许多人在实际执行过程中，往往缺乏专业知识和持续监测，导致饮食和运动计划的效果不尽如人意。
发明内容
有鉴于此，本发明实施例提供一种推荐精准的个性化的饮食与运动推荐方法。
为实现上述目的，本发明实施例的一方面提出了一种个性化的饮食与运动推荐方法，所述方法包括：实时收集用户的多模态数据；其中，所述多模态数据包括生理数据、饮食记录和运动记录至少之一；对所述多模态数据进行数据融合，得到第一特征向量；根据所述第一特征向量对用户群体进行关联性分析，得到第一关联性数据；构建初始推荐模型，根据所述第一特征向量和所述第一关联性数据对所述初始推荐模型进行模型训练，得到目标推荐模型；通过所述目标推荐模型预测所述用户的饮食偏好、运动需求和生理指标；根据所述饮食偏好、所述运动需求和所述生理指标为所述用户生成个性化饮食和运动的推荐结果。
可选地，所述对所述多模态数据进行数据融合，得到第一特征向量，包括：对所述多模态数据进行数据预处理，得到初始特征向量；其中，所述数据预处理包括缺失值填充、异常值处理和归一化处理；对所述初始特征向量进行特征提取，得到关键特征数据；对所述关键特征数据进行主成分分析，得到第一多维特征向量；对所述关键特征数据进行独立成分分析，得到第二多维特征向量；将所述第一多维特征向量与所述第二多维特征向量进行加权融合，得到第一特征向量。
可选地，所述根据所述第一特征向量对用户群体进行关联性分析，得到第一关联性数据，包括：对所述第一特征向量进行聚类分析，确定用户分组；其中，所述用户分组中各个组内的所述用户之间具有相似特征；对所述第一特征向量进行关联规则挖掘，得到第一关联规则；将所述第一特征向量、所述用户分组和所述第一关联规则进行整合，得到第一关联性数据。
可选地，所述构建初始推荐模型，根据所述第一特征向量和所述第一关联性数据对所述初始推荐模型进行模型训练，得到目标推荐模型，包括：基于多个深度学习神经网络构建混合模型，得到初始推荐模型；将所述第一关联性数据划分为训练集和验证集；利用训练集对所述初始推荐模型进行模型训练，根据训练结果调整所述初始推荐模型的参数，得到第一推荐模型；利用验证集和评估指标评估所述第一推荐模型的性能，确定目标推荐模型。
可选地，所述方法还包括：根据所述用户的咨询请求，将所述用户的所述饮食偏好、所述运动需求和所述生理指标发送到专家咨询端；其中，专家至少包括营养专家和健身专家；获取所述专家咨询端反馈的咨询结果并展示给用户。
可选地，所述方法还包括：获取所述用户对所述推荐结果的反馈信息；根据所述反馈信息，对所述目标推荐模型进行模型优化。
可选地，所述根据所述反馈信息，对所述目标推荐模型进行模型优化，包括：配置奖励函数、状态空间和动作空间；获取用户对所述推荐结果的满意度，将所述用户满意度作为奖励信号；根据所述奖励函数和所述奖励信号，利用强化学习算法更新所述目标推荐模型的模型权重；重复执行所述配置奖励函数、状态空间和动作空间的步骤，直至满足停止条件，完成所述目标推荐模型的优化。
本发明实施例的另一方面提出了一种个性化的饮食与运动推荐系统，包括：数据采集模块，用于实时收集用户的多模态数据；其中，所述多模态数据包括生理数据、饮食记录、运动记录和生活习惯至少之一；多模态数据融合模块，用于对所述多模态数据进行数据融合，得到第一特征向量；还用于根据所述第一特征向量对用户群体进行关联性分析，得到第一关联性数据；模型构建模块，构建初始推荐模型，根据所述第一特征向量和所述第一关联性数据对所述初始推荐模型进行模型训练，得到目标推荐模型；模型应用模块，用于通过所述目标推荐模型预测所述用户的饮食偏好、运动需求和生理指标；根据所述饮食偏好、所述运动需求和所述生理指标为所述用户生成个性化饮食和运动的推荐结果。
本发明实施例的另一方面提出了一种电子设备，包括处理器以及存储器；所述存储器用于存储程序；所述处理器执行所述程序实现如上所述的方法。
本发明实施例的另一方面提出了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如上所述的方法。
本发明的实施例具有如下有益效果：通过实时收集用户的多模态数据；其中，多模态数据包括生理数据、饮食记录和运动记录至少之一；对多模态数据进行数据融合，得到第一特征向量；根据第一特征向量对用户群体进行关联性分析，得到第一关联性数据；构建初始推荐模型，根据第一特征向量和第一关联性数据对初始推荐模型进行模型训练，得到目标推荐模型；通过目标推荐模型预测用户的饮食偏好、运动需求和生理指标；根据饮食偏好、运动需求和生理指标为用户生成个性化饮食和运动的推荐结果的整体步骤，对多模态数据进行数据融合，对用户的多模态数据进行综合分析，为目标推荐模型提供更全面的用户生理状态信息，根据这些生理状态信息，通过目标推荐模型生成推荐结果，能够更准确地了解用户的需求，为用户精准地个性化推荐饮食与运动的建议。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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是本发明的实施例提供的饮食与运动推荐方法的步骤图；
图2是本发明的实施例提供的多模块数据融合过程的树形示意图；
图3是本发明的实施例提供的构建饮食与运动推荐模型过程的树形示意图；
图4是本发明的实施例提供的一种个性化的饮食与运动推荐系统的系统结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的，不是旨在限制本发明。
本发明的实施例提供了一种个性化的饮食与运动推荐方法、系统及电子设备，旨在解决目前在提供提高个性化推荐饮食与运动的准确性。
本发明实施例提供的一种个性化的饮食与运动推荐方法、系统及电子设备，具体通过如下实施例进行说明，首先描述本发明实施例中的一种个性化的饮食与运动推荐方法。
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本发明实施例提供的饮食与运动推荐方法，涉及人工智能技术领域。本发明实施例提供的饮食与运动推荐方法可应用于终端中，也可以应用于服务器端中，还可以是运行于终端或服务器中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现饮食与运动推荐方法的应用等，但并不局限于以上形式。
本发明可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本发明可以由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
需要说明的是，在本发明的各个具体实施方式中，当涉及到需要根据用户信息、用户行为数据，用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时，都会先获得用户的许可或者同意，而且，对这些数据的收集、使用和处理等，都会遵守相关法律法规和标准。此外，当本发明实施例需要获取用户的敏感个人信息时，会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意，在明确获得用户的单独许可或者单独同意之后，再获取用于使本发明实施例能够正常运行的必要的用户相关数据。
图1是本发明的实施例提供的饮食与运动推荐方法的步骤流程图，图1中的方法可以包括但不限于包括步骤S100～S500。
S100、实时收集用户的多模态数据；其中，多模态数据包括生理数据、饮食记录、运动记录和生活习惯至少之一。
具体地，在本发明实施例中，可以通过用户的移动设备、智能手环等多种途径实时收集用户的多模态数据，其中，该多模态收集包括用户的生理数据(如心率、血压、睡眠质量、心率变异性等)、饮食记录、运动记录至少之一，在一些实施例中，还可以收集生活习惯等数据。此外，在一些实施例中，还可以收集用户的文本反馈，例如用户对推荐结果的喜好程度等。
S200、对多模态数据进行数据融合，得到第一特征向量。
具体地，本发明实施例可以采用相关性分析、聚类分析和模式识别等方法对多模态数据进行数据融合。进一步地，相关性分析用于分期多模态数据之间的关联性，聚类分析用于将相似的数据进行归类处理，模式识别用于对多模态数据的特征进行提取和分析，从而识别出用户的行为和生活习惯模式。通过上述数据融合方法可以将本发明实施例的多模态数据融合为具有代表性的第一特征向量。
参照图2，步骤S200包括以下步骤S210～S250。
S210、对多模态数据进行数据预处理，得到初始特征向量；其中，数据预处理包括缺失值填充、异常值处理和数据规范化处理。
具体地，对收集到的包括生理数据、运动数据和饮食数据进行缺失值填充、异常值处理和数据规范化处理，进行上述处理后的得到的初始特征向量具备相同的尺度和格式，便于后续用于降维处理。
S220、对初始特征向量进行特征选择，得到关键特征数据。
具体地，从初始特征向量中筛选出与饮食与运动推荐这一目标任务相关的关键特征，关键特征包括时间特征、频率特征和其他特征，例如关键特征可以有：心率、血压、血糖、运动时长、摄入热量、进食时间等，得到关键特征数据。进行特征选择能够降低数据的复杂性，提升降维处理的效果。
S230、对关键特征数据进行主成分分析，得到第一多维特征向量。
具体地，对关键特征数据进行主成分分析(Principal Component Analysis，PCA)得到第一多维特征向量，具体包括以下步骤S231～S234。
S231、计算关键特征数据的协方差矩阵。
具体地，计算关键特征数据的协方差矩阵能够度量各个关键特征之间的相关性；协方差矩阵的计算公式为：
其中，∑表示协方差矩阵，n为样本数量，即收集到的多模态数据的数量；xi表示第i个样本；μ为样本均值；T表示矩阵的转置。
S232、计算协方差矩阵的特征值和特征向量。
S233、按照特征值的大小降序排列特征向量，并选择前k个特征向量组成投影矩阵，其中k为降维后的维度。
S234、将原始特征数据与投影矩阵相乘，得到降维后的第一多维特征向量。
具体地，该第一多维特征向量的维度为k。
S240、对关键特征数据进行独立成分分析，得到第二多维特征向量。
具体地，对关键特征数据进行独立成分分析(Independent Component Analysis,ICA)得到第二多维特征向量，具体包括以下步骤S241～S244。
S241、将关键特征数据进行白化处理，消除数据特征之间的相关性。
具体地，白化处理是一种预处理方法，用于消除数据特征之间的相关性并使其具有相同的方差。在本发明实施例中，白化处理主要应用于独立成分分析(ICA)过程中，以减少数据特征之间的冗余信息，从而提高数据处理和分析的效率。
白化处理的具体步骤包括以下步骤一至步骤四：
步骤一、计算关键特征数据的均值和协方差矩阵；
步骤二、对协方差矩阵进行特征值分解，得到特征值和特征向量；
步骤三、将特征向量组成的矩阵与特征值的平方根的倒数相乘，得到白化矩阵；
步骤四、将关键特征数据减去均值，然后与白化矩阵相乘，得到白化处理后的数据。经过白化处理后，关键特征数据中的各个特征之间的相关性被消除，有助于提高独立成分分析的效果。
S242、随机初始化一个正交矩阵，将白化处理后得到的数据与正交矩阵相乘，得到独立成分。
S243、使用最大似然估计方法优化正交矩阵，得到优化目标矩阵。
具体地，优化目标矩阵的计算公式为：
其中，W代表优化目标矩阵；m为源信号数量；p为观测信号数量，即收集到的关键特征数据的数量；Gj表示非线性函数；yi表示第i个观测信号；det表示矩阵的行列式。
该优化目标矩阵能够使得独立成分之间的互信息最小。互信息(MutualInformation)是信息论里一种有用的信息度量，它可以看成是一个随机变量中包含的关于另一个随机变量的信息量，或者说是一个随机变量由于已知另一个随机变量而减少的不肯定性。
S245、将优化后目标矩阵与白化处理后的数据相乘，得到降维后的第二多维特征向量。
本发明实施例利用降维技术将用户数据压缩为较低维度的特征向量，便于后续的预测模型构建和数据挖掘。需要说明的是，在本发明实施例中，还可以使用t-SNE降维方法对数据进行降维处理，t-SNE是一种非线性的降维方式，其可以将高纬度的数据降低到2维或者3维。
S250、将第一多维特征向量与第二多维特征向量进行加权融合，得到第一特征向量。
具体地，采用有监督融合的方式或者无监督融合的方式，引入自注意力机制，通过自注意力数据融合算法对第一多维特征向量与第二多维特征向量进行加权融合得到第一特征向量，该第一特征向量能够综合两种降维方法的优势，提高特征的表达能力。本发明实施例的自注意力机制公式为：
其中，Q为查询矩阵；K为键矩阵；V为值矩阵；dk是键向量的维度；T表示矩阵的转置；softmax表示Softmax函数。
S300、根据第一特征向量对用户群体进行关联性分析，得到第一关联性数据。
具体地，步骤S300包括以下步骤S310～S330。
S310、对第一特征向量进行聚类分析，确定用户分组；其中，用户分组中各个组内的用户之间具有相似特征。
具体地，步骤S310的聚类分析包括以下步骤S311～S313。
S311、选择合适的聚类算法，例如k-means算法、DBSCAN算法等。
具体地，根据数据的特点和目标任务，选取合适的聚类算法能够提高聚类效果。
S312、将第一特征向量作为输入，为用户进行聚类，得到用户分组。
具体地，通过聚类，可以发现具有相似特征的用户群体，将这些用户群体确定为用户分组，为后续预测模型提供用户分组信息。
S313、评估聚类效果。使用轮廓系数、Calinski-Harabasz指数等指标评估聚类的质量，以确保挖掘出的用户群体具有较高的内聚性和较低的分离性；其中，轮廓系数是聚类效果好坏的一种评价方式，结合内聚度和分离度两种不同的因素，在相同原始数据的基础上用来评价不同的算法或者算法的不同运行方式对聚类结果所产生的影响；Calinski-Harabasz指数又称为方差比率准则指数，Calinski-Harabasz指数是一种评价聚类效果的指标，它通过计算类间离散度与类内离散度的比值来衡量聚类质量，值越大表示聚类效果越好。
S320、对第一特征向量进行关联规则挖掘，得到第一关联规则。
具体地，步骤S320的关联规则挖掘步骤包括以下步骤S321～S324。
S321、对第一特征向量和用户的饮食、运动记录进行关联，形成适合关联挖掘的数据格式。
S322、配置关联规则挖掘算法。
具体地，本发明实施例选择的关联规则挖掘算法可以为Apriori算法或者FP-growth算法等，其中，Apriori算法是一种关联规则挖掘算法，利用逐层搜索的迭代方法找出数据库中项集的关系，以形成规则，其过程由连接与剪枝组成；FP-growth算法是一种关联分析算法，将采用频繁模式树的数据结构进行关联规则的挖掘。根据数据特点和挖掘目标选择合适的算法，能够提高挖掘的效率。
S323、使用关联规则挖掘算法在步骤S321处理后的得到的数据上发现频繁项集，挖掘出具有较高支持度和置信度的关联规则。这些关联规则能够解释用户的数据特征与饮食偏好、运动需求之间的潜在关系，为后续预测模型提供依据。
S324、对挖掘出的关联规则进行评估和筛选，保留具有较高可信度和实用性的规则作为预测模型构建的基础。
S330、将第一特征向量、用户分组和第一关联规则进行整合，得到第一关联性数据。
具体地，该第一关联性数据作为构建预测模型的输入数据用于模型构建。
通过以上步骤S200～S300，本发明实施例利用聚类分析、关联规则挖掘等方法处理降维后得到的第一特征向量，挖掘多模态数据中存在的潜在规律和关联性。这些规律和关联性为后续的预测模型构建提供了有价值的依据，有助于生成更准确、更个性化的饮食和运动建议。
S400、构建初始推荐模型，根据第一特征向量和第一关联性数据对初始推荐模型进行模型训练，得到目标推荐模型。
具体地，步骤S400包括以下步骤S410～S440。
S410、基于多个深度学习神经网络构建混合模型，得到初始推荐模型。
具体地，本发明实施例结合多个深度神经网络构建混合模型，得到初始推荐模型，初始推荐模型包括输入层、特征提取层、融合层、预测层、输出层、损失函数和优化器。
输入层用于向模型输入第一特征向量和第一关联性数据。
在特征提取层，采用卷积神经网络(CNN)或者循环卷积神经网络(RNN)或者长短时记忆网络(LSTM)对第一特征向量和第一关联性数据进行特征提取。
在融合层进行深度融合处理，将特征提取层提取到的特征进行组合和整合，以捕捉更高层次的特征和关系。深度融合可以通过多种方式实现，例如加权求和、拼接、乘法等。此外，在融合层中引入基于Transformer网络的多头自注意力机制来捕捉第一关联性数据中的长距离依赖关系，以便更好地捕捉和挖掘不同特征之间的关联性。注意力机制可以通过计算特征之间的相似度或者关联程度，为每个特征分配不同的权重，从而突出重要特征并抑制不太重要的特征。
在融合层和预测层，采用BERT模型对长距离依赖关系进行迁移学习，进而实现对多模态数据的预测和分析；其中，BERT模型是一种基于Transformer的预训练模型。在BERT模型中，引入了位置嵌入(Position Embedding)机制来区分输入特征的序列中不同位置的词，以更好地捕捉词之间的相对位置信息，从而提高预测和分析的准确性。词(Word)是指一个单独的、具有特定含义的字符或字符组合，作为自然语言处理(NLP)中的基本单位。在处理多模态数据时，词是文本中的基本组成部分，有助于理解文本的语义和结构。在计算机处理自然语言时，将文本分割成词的过程称为分词(Tokenization)。在本发明中，通过位置嵌入在输入序列中区分不同位置的词，能够捕捉到特征中的语义信息，从而实现对用户的饮食偏好、运动需求的预测和分析。本发明实施例在BERT模型中的位置嵌入公式为：
其中，pos表示词在句子中的位置；i是编码维度的索引，2i表示2×i；d是词嵌入的维度。
在一些实施例中，还可以采用TiDE网络挖掘数据中的时序特征，提高对用户的饮食偏好、运动需求和生理指标的预测准确性和鲁棒性，并且提高推荐的精准度。TiDE(Time-Delay Embedding)网络是一种基于时间延迟嵌入理论的深度学习模型，其主要目的是挖掘数据中的时序特征。在本发明中，TiDE网络用于捕捉用户饮食偏好、运动需求和生理指标的时间变化特征，以提高预测和推荐的准确性。
通过预测用户的饮食偏好、运动需求和生理指标(如血糖、血压等)，为用户生成个性化的饮食和运动建议。
S420、将第一关联性数据划分为训练集和验证集。
具体地，将第一关联性数据划分为训练集和验证集以便对模型进行训练和评估。
S430、利用训练集对初始推荐模型进行模型训练，根据训练结果调整初始推荐模型的参数，得到第一推荐模型。
具体地，利用训练集对初始推荐模型进行模型训练，将交叉熵损失函数和均方差损失函数作为本发明实施例的损失函数，以随机梯度下降(SDG)的方式或者采用亚当优化器(Adam)对计算和更新初始推荐模型的模型参数，以最小化初始推荐模型的损失函数，得到第一推荐模型。
S440、利用验证集和评估指标评估第一推荐模型的性能，确定目标推荐模型。
具体地，本发明实施例的评估指标可以包括准确率、召回率、F1值(即F1分数)等指标，将具有较高的预测准确性和泛化能力的第一推荐模型确定为目标推荐模型。
S500、通过目标推荐模型预测用户的饮食偏好、运动需求和生理指标；根据饮食偏好、运动需求和生理指标为用户生成个性化饮食和运动的推荐结果。
具体地，通过目标推荐模型预测用户的饮食偏好、运动需求和生理指标，并为用户生成个性化的饮食和运动的推荐结果，采用Transformer预训练模型或者融合卷积神经网络和长短时记忆网络的模型的深度学习网络模型可以有效提高预测效果和准确性，为用户提供更为优质的个性化推荐服务。
目标推荐模型通过对用户生理数据、运动数据、饮食偏好等综合分析，根据用户的特征向量生成个性化的饮食和运动建议，能够为用户提供针对性强、合理的饮食搭配和运动计划。例如，针对高血压患者，推荐低盐、低脂的饮食，并推荐适合高血压患者的有氧运动。
本发明实施例的一种个性化的饮食与运动推荐方法还可以包括以下步骤S600～S700。
S600、根据用户的咨询请求，将用户的饮食偏好、运动需求和生理指标发送到专家咨询端。
具体地，引入专家咨询，将本发明实施例的目标推荐模型所预测的饮食偏好、运动需求和生理指标发送到专家咨询端，能够充分利用目标推荐模型生成的预测信息，并且使得专家更快捷地获取到发起咨询请求的用户的相关信息进而进行专家推荐；引入专业的咨询专家也能为用户提供更为精准的建议和指导。
S700、获取专家咨询端反馈的咨询结果并展示给用户。
具体地，专家根据收到的用户的饮食偏好、运动需求和生理指标为用户定制饮食搭配和运动计划作为咨询结果，本发明实施例获取专家咨询端反馈的咨询结果并展现给发起咨询请求的用户。
本发明实施例的一种个性化的饮食与运动推荐方法还可以包括以下步骤S800～S900。
S800、获取用户对推荐结果的反馈信息。
具体地，反馈信息包括用户对推荐结果的执行情况、满意度和喜好程度。
S900、根据反馈信息，对目标推荐模型进行模型优化。
具体地，本发明实施例采用强化学习(RL)方法，将用户的满意度作为奖励信号，根据用户对推荐结果的反馈信息来调整目标推荐模型权重，进而优化目标推荐模型。步骤S900包括以下步骤S910～S930。
S910、配置奖励函数、状态空间和动作空间。
具体地，本发明实施例配置奖励函数以量化用户对推荐结果的喜好程度。该奖励函数的表达式为：
Q(s,a)←Q(s,a)+α[r+γmaxa′Q(s′,a′)-Q(s,a)]
其中，Q(s,a)表示状态s采取动作a的价值函数；α为学习率；r为奖励信号；γ为折扣因子；s'为下一个状态；a'为下一个状态可能的动作。
配置状态空间和动作空间。状态空间包括用户的第一特征向量、饮食偏好、运动需求和生理指标等信息；动作空间包括为用户推荐的饮食和运动建议，每个动作代表一种可能的饮食搭配和运动计划方案。
S920、获取用户对推荐结果的满意度，将用户满意度作为奖励信号。
具体地，在本发明实施例中，满意度可以通过收集用户对推荐结果的执行情况和满意情况进行衡量，例如满意度评分、健康状况的改善程度等。奖励信号可以是正向或者负向，正向表示满意度高，负向表示满意度低。
S930、根据奖励函数和奖励信号，利用强化学习算法更新目标推荐模型的模型权重。
具体地，本发明实施例可以采用例如Q-Learning、(DQN)、Proximal PolicyOptimization(PPO)等强化学习算法用于调整目标推荐模型的权重。Q-Learning是强化学习中一种基于值的学习算法；Deep Q-Network是一种价值学习算法；Proximal PolicyOptimization是近端策略优化算法；上述算法都是可以用于进行强化学习的算法，此处不再赘述。
对目标推荐模型进行优化训练的过程为：
在每个训练阶段，从当前状态(即用户的第一特征向量)选择一个动作(即推荐方案)，并评估执行该动作后的新状态和奖励信号，根据观察到的奖励信号和上述强化学习算法更新模型权重。
S940、重复执行配置奖励函数、状态空间和动作空间的步骤，直至满足停止条件，完成目标推荐模型的优化。
本发明的实施例还提供了一种个性化的饮食与运动推荐系统，参照图4，包括：
数据采集模块，用于实时收集用户的多模态数据；其中，多模态数据包括生理数据、饮食记录、运动记录和生活习惯至少之一。
多模态数据融合模块，用于对多模态数据进行数据融合，得到第一特征向量；还用于根据第一特征向量对用户群体进行关联性分析，得到第一关联性数据。
模型构建模块，用于构建初始推荐模型，根据第一特征向量和第一关联性数据对初始推荐模型进行模型训练，得到目标推荐模型。
模型应用模块，用于通过目标推荐模型预测用户的饮食偏好、运动需求和生理指标；根据饮食偏好、运动需求和生理指标为用户生成个性化饮食和运动的推荐结果。
该系统还可以包括：
自适应学习模块，用于获取用户对推荐结果的反馈信息；根据反馈信息，对目标推荐模型进行模型优化。
专家建议模块，用于根据用户的咨询请求，将用户的饮食偏好、运动需求和生理指标发送到专家咨询端；其中，专家至少包括营养专家和健身专家；获取专家咨询端反馈的咨询结果并展示给用户。
用户交互模块：该模块负责与用户进行交互，展示个性化的饮食和运动建议，并收集用户对推荐内容的反馈。通过友好的用户界面，用户可以方便地查看和执行推荐内容，同时也可以对推荐进行评价和反馈。这些反馈数据将被用于进一步优化推荐模型，实现持续改进。
本发明的实施例还提供了一种电子设备，包括处理器以及存储器；存储器用于存储程序；处理器执行程序实现如上的方法。
本发明的实施例还提供了一种计算机可读存储介质，存储介质存储有程序，程序被处理器执行实现如上的方法。
本发明的实施例具有如下有益效果：
1、对用户的多模态数据进行数据融合和关联性分析，能够使得初始推荐模型更为全面地学习到用户的生理状态和推荐需求，通过训练得到的目标推荐模型，能够更为精准地为用户提供个性化的饮食与运动建议；
2、提出融合卷积神经网络(CNN)、长短时记忆网络(LSTM)、Tide等模型的混合模型以构建本发明实施例的推荐模型，能够提高对用户的饮食偏好、运动需求和生理指标的预测准确性和鲁棒性，并且提高推荐的准确度。
3、能够根据用户的反馈和使用情况不断优化和调整饮食与运动建议，实现个性化推荐。
4、引入专家咨询，能够充分利用目标推荐模型生成的预测信息，并且使得专家更快捷地获取到发起咨询请求的用户的相关信息进而进行专家推荐；引入专业的咨询专家也能为用户提供更为精准的建议和指导。
以下是本发明实施例提供的一个应用实例：
实时收集用户的多模态数据；其中，多模态数据包括生理数据、饮食记录和运动记录至少之一；对多模态数据进行数据融合，得到第一特征向量；根据第一特征向量对用户群体进行关联性分析，得到第一关联性数据；构建初始推荐模型，根据第一特征向量和第一关联性数据对初始推荐模型进行模型训练，得到目标推荐模型；通过目标推荐模型预测用户的饮食偏好、运动需求和生理指标；根据饮食偏好、运动需求和生理指标为用户生成个性化饮食和运动的推荐结果。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本发明权利要求所限定的范围内。

Claims (10)

1.一种个性化的饮食与运动推荐方法，其特征在于，包括：
实时收集用户的多模态数据；其中，所述多模态数据包括生理数据、饮食记录和运动记录至少之一；
对所述多模态数据进行数据融合，得到第一特征向量；
根据所述第一特征向量对用户群体进行关联性分析，得到第一关联性数据；
构建初始推荐模型，根据所述第一特征向量和所述第一关联性数据对所述初始推荐模型进行模型训练，得到目标推荐模型；
通过所述目标推荐模型预测所述用户的饮食偏好、运动需求和生理指标；根据所述饮食偏好、所述运动需求和所述生理指标为所述用户生成个性化饮食和运动的推荐结果。
2.根据权利要求1所述的一种个性化的饮食与运动推荐方法，其特征在于，所述对所述多模态数据进行数据融合，得到第一特征向量，包括：
对所述多模态数据进行数据预处理，得到初始特征向量；其中，所述数据预处理包括缺失值填充、异常值处理和归一化处理；
对所述初始特征向量进行特征提取，得到关键特征数据；
对所述关键特征数据进行主成分分析，得到第一多维特征向量；
对所述关键特征数据进行独立成分分析，得到第二多维特征向量；
将所述第一多维特征向量与所述第二多维特征向量进行加权融合，得到第一特征向量。
3.根据权利要求1所述的一种个性化的饮食与运动推荐方法，其特征在于，所述根据所述第一特征向量对用户群体进行关联性分析，得到第一关联性数据，包括：
对所述第一特征向量进行聚类分析，确定用户分组；其中，所述用户分组中各个组内的所述用户之间具有相似特征；
对所述第一特征向量进行关联规则挖掘，得到第一关联规则；
将所述第一特征向量、所述用户分组和所述第一关联规则进行整合，得到第一关联性数据。
4.根据权利要求1所述的一种个性化的饮食与运动推荐方法，其特征在于，所述构建初始推荐模型，根据所述第一特征向量和所述第一关联性数据对所述初始推荐模型进行模型训练，得到目标推荐模型，包括：
基于多个深度学习神经网络构建混合模型，得到初始推荐模型；
将所述第一关联性数据划分为训练集和验证集；
利用训练集对所述初始推荐模型进行模型训练，根据训练结果调整所述初始推荐模型的参数，得到第一推荐模型；
利用验证集和评估指标评估所述第一推荐模型的性能，确定目标推荐模型。
5.根据权利要求1所述的一种个性化的饮食与运动推荐方法，其特征在于，所述方法还包括：
根据所述用户的咨询请求，将所述用户的所述饮食偏好、所述运动需求和所述生理指标发送到专家咨询端；其中，专家至少包括营养专家和健身专家；
获取所述专家咨询端反馈的咨询结果并展示给用户。
6.根据权利要求1所述的一种个性化的饮食与运动推荐方法，其特征在于，所述方法还包括：
获取所述用户对所述推荐结果的反馈信息；
根据所述反馈信息，对所述目标推荐模型进行模型优化。
7.根据权利要求6所述的一种个性化的饮食与运动推荐方法，其特征在于，所述根据所述反馈信息，对所述目标推荐模型进行模型优化，包括：
配置奖励函数、状态空间和动作空间；
获取用户对所述推荐结果的满意度，将所述用户满意度作为奖励信号；
根据所述奖励函数和所述奖励信号，利用强化学习算法更新所述目标推荐模型的模型权重；
重复执行所述配置奖励函数、状态空间和动作空间的步骤，直至满足停止条件，完成所述目标推荐模型的优化。
8.一种个性化的饮食与运动推荐系统，其特征在于，包括：
数据采集模块，用于实时收集用户的多模态数据；其中，所述多模态数据包括生理数据、饮食记录、运动记录和生活习惯至少之一；
多模态数据融合模块，用于对所述多模态数据进行数据融合，得到第一特征向量；还用于根据所述第一特征向量对用户群体进行关联性分析，得到第一关联性数据；
模型构建模块，构建初始推荐模型，根据所述第一特征向量和所述第一关联性数据对所述初始推荐模型进行模型训练，得到目标推荐模型；
模型应用模块，用于通过所述目标推荐模型预测所述用户的饮食偏好、运动需求和生理指标；根据所述饮食偏好、所述运动需求和所述生理指标为所述用户生成个性化饮食和运动的推荐结果。
9.一种电子设备，其特征在于，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至7中任一项所述的方法。
CN202310647085.1A 2023-06-01 2023-06-01 一种个性化的饮食与运动推荐方法、系统及电子设备 Active CN116994709B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310647085.1A CN116994709B (zh) 2023-06-01 2023-06-01 一种个性化的饮食与运动推荐方法、系统及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310647085.1A CN116994709B (zh) 2023-06-01 2023-06-01 一种个性化的饮食与运动推荐方法、系统及电子设备

Publications (2)

Publication Number Publication Date
CN116994709A true CN116994709A (zh) 2023-11-03
CN116994709B CN116994709B (zh) 2024-04-05

Family

ID=88523965

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310647085.1A Active CN116994709B (zh) 2023-06-01 2023-06-01 一种个性化的饮食与运动推荐方法、系统及电子设备

Country Status (1)

Country Link
CN (1) CN116994709B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117198466A (zh) * 2023-11-08 2023-12-08 北京四海汇智科技有限公司 针对肾病患者的饮食管理方法及系统
CN117577270A (zh) * 2024-01-15 2024-02-20 吉林大学 患者的智能化营养管理方法及系统
CN117594195A (zh) * 2024-01-18 2024-02-23 吉林大学 基于大数据的肾病患者饮食情况分析系统及方法
CN117747058A (zh) * 2023-11-20 2024-03-22 广州景腾医疗科技股份有限公司 一种数字化临床营养智能管理方法及系统
CN117874351A (zh) * 2024-01-23 2024-04-12 中国电子科技集团公司第十五研究所 一种基于情境感知的战场态势信息个性化推荐方法及系统
CN118116550A (zh) * 2024-03-05 2024-05-31 南京九夏信息科技有限公司 基于实时生物标志物监测的动态适应型饮食建议生成方法
CN118645214A (zh) * 2024-08-16 2024-09-13 北京语言大学 一种基于数据融合与知识图谱的营养方案推荐方法及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110178964A1 (en) * 2010-01-21 2011-07-21 National Cheng Kung University Recommendation System Using Rough-Set and Multiple Features Mining Integrally and Method Thereof
US20180361203A1 (en) * 2017-06-16 2018-12-20 Apple Inc. Techniques for providing customized exercise-related recommendations
CN111159539A (zh) * 2019-12-09 2020-05-15 中国科学院计算技术研究所 基于多模态信息关联分析的食物推荐方法和系统
CN111863187A (zh) * 2020-06-22 2020-10-30 厦门钛尚人工智能科技有限公司 一种体育运动方案推荐方法、系统、终端及存储介质
CN114297470A (zh) * 2021-10-26 2022-04-08 腾讯科技（深圳）有限公司 内容的推荐方法、装置、设备、介质及计算机程序产品
EP3996822A1 (en) * 2019-07-11 2022-05-18 Elo Labs, Inc. Interactive personal training system
US20220165389A1 (en) * 2020-11-24 2022-05-26 NGeneBio Co., Ltd. Personalized meal diet and exercise providing method using integrated health information and service system
CN114647231A (zh) * 2022-04-08 2022-06-21 浙江大学 一种数据驱动的工业过程故障检测方法
WO2022160148A1 (zh) * 2021-01-28 2022-08-04 曹庆恒 一种饮食智能推荐的方法、系统
KR20220168142A (ko) * 2021-06-15 2022-12-22 서울대학교산학협력단 개인 맞춤형 식이 제안 플랫폼 제공 시스템 및 방법
WO2023013722A1 (ja) * 2021-08-04 2023-02-09 株式会社Mizkan Holdings プログラム、情報処理方法及び情報処理装置
CN116130058A (zh) * 2022-12-20 2023-05-16 中电信数智科技有限公司 一种基于智慧饮食的食谱推荐方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110178964A1 (en) * 2010-01-21 2011-07-21 National Cheng Kung University Recommendation System Using Rough-Set and Multiple Features Mining Integrally and Method Thereof
US20180361203A1 (en) * 2017-06-16 2018-12-20 Apple Inc. Techniques for providing customized exercise-related recommendations
EP3996822A1 (en) * 2019-07-11 2022-05-18 Elo Labs, Inc. Interactive personal training system
CN111159539A (zh) * 2019-12-09 2020-05-15 中国科学院计算技术研究所 基于多模态信息关联分析的食物推荐方法和系统
CN111863187A (zh) * 2020-06-22 2020-10-30 厦门钛尚人工智能科技有限公司 一种体育运动方案推荐方法、系统、终端及存储介质
US20220165389A1 (en) * 2020-11-24 2022-05-26 NGeneBio Co., Ltd. Personalized meal diet and exercise providing method using integrated health information and service system
WO2022160148A1 (zh) * 2021-01-28 2022-08-04 曹庆恒 一种饮食智能推荐的方法、系统
KR20220168142A (ko) * 2021-06-15 2022-12-22 서울대학교산학협력단 개인 맞춤형 식이 제안 플랫폼 제공 시스템 및 방법
WO2023013722A1 (ja) * 2021-08-04 2023-02-09 株式会社Mizkan Holdings プログラム、情報処理方法及び情報処理装置
CN114297470A (zh) * 2021-10-26 2022-04-08 腾讯科技（深圳）有限公司 内容的推荐方法、装置、设备、介质及计算机程序产品
CN114647231A (zh) * 2022-04-08 2022-06-21 浙江大学 一种数据驱动的工业过程故障检测方法
CN116130058A (zh) * 2022-12-20 2023-05-16 中电信数智科技有限公司 一种基于智慧饮食的食谱推荐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
林雅琴，张威强: "个性化健康管理的定量推荐方案", 《上海管理科学》, 31 December 2022 (2022-12-31), pages 90 - 95 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117198466A (zh) * 2023-11-08 2023-12-08 北京四海汇智科技有限公司 针对肾病患者的饮食管理方法及系统
CN117198466B (zh) * 2023-11-08 2024-01-26 北京四海汇智科技有限公司 针对肾病患者的饮食管理方法及系统
CN117747058A (zh) * 2023-11-20 2024-03-22 广州景腾医疗科技股份有限公司 一种数字化临床营养智能管理方法及系统
CN117577270A (zh) * 2024-01-15 2024-02-20 吉林大学 患者的智能化营养管理方法及系统
CN117577270B (zh) * 2024-01-15 2024-04-26 吉林大学 患者的智能化营养管理方法及系统
CN117594195A (zh) * 2024-01-18 2024-02-23 吉林大学 基于大数据的肾病患者饮食情况分析系统及方法
CN117594195B (zh) * 2024-01-18 2024-04-09 吉林大学 基于大数据的肾病患者饮食情况分析系统及方法
CN117874351A (zh) * 2024-01-23 2024-04-12 中国电子科技集团公司第十五研究所 一种基于情境感知的战场态势信息个性化推荐方法及系统
CN117874351B (zh) * 2024-01-23 2024-06-18 中国电子科技集团公司第十五研究所 一种基于情境感知的战场态势信息个性化推荐方法及系统
CN118116550A (zh) * 2024-03-05 2024-05-31 南京九夏信息科技有限公司 基于实时生物标志物监测的动态适应型饮食建议生成方法
CN118645214A (zh) * 2024-08-16 2024-09-13 北京语言大学 一种基于数据融合与知识图谱的营养方案推荐方法及系统

Also Published As

Publication number Publication date
CN116994709B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
CN116994709B (zh) 一种个性化的饮食与运动推荐方法、系统及电子设备
CN107516110B (zh) 一种基于集成卷积编码的医疗问答语义聚类方法
US9965717B2 (en) Learning image representation by distilling from multi-task networks
CN109670121A (zh) 基于注意力机制的项目级和特征级深度协同过滤推荐算法
CN111708873A (zh) 智能问答方法、装置、计算机设备和存储介质
El Morr et al. Descriptive, predictive, and prescriptive analytics
CN109145245A (zh) 预测点击率的方法、装置、计算机设备及存储介质
WO2020224433A1 (zh) 基于机器学习的目标对象属性预测方法及相关设备
CN113987187B (zh) 基于多标签嵌入的舆情文本分类方法、系统、终端及介质
CN117493491A (zh) 一种基于机器学习的自然语言处理方法及系统
CN111881671B (zh) 一种属性词提取方法
CN113722474A (zh) 文本分类方法、装置、设备及存储介质
CN111625715A (zh) 信息提取方法、装置、电子设备及存储介质
CN114077661A (zh) 信息处理装置、信息处理方法和计算机可读介质
CN115309939A (zh) 基于时空语义分解的视频片段定位系统
CN117972206A (zh) 一种基于人工智能的内容推荐系统、电子设备及存储介质
Somogyi The Application of Artificial Intelligence
CN117764084A (zh) 基于多头注意力机制与多模型融合的短文本情感分析方法
CN117539996A (zh) 一种基于用户画像的咨询问答方法及系统
CN114496231A (zh) 基于知识图谱的体质识别方法、装置、设备和存储介质
CN114330482A (zh) 一种数据处理方法、装置及计算机可读存储介质
CN113643283A (zh) 一种人体衰老状况的检测方法、装置、设备及存储介质
CN116741396A (zh) 文章归类方法和装置、电子设备和存储介质
Spiegel et al. Pattern recognition in multivariate time series: dissertation proposal
CN116956183A (zh) 多媒体资源推荐方法、模型训练方法、装置及存储介质

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
TA01 Transfer of patent application right

Effective date of registration: 20240307

Address after: Rongchao Economic and Trade Center A309-Y27, No. 4028 Jintian Road, Fuzhong Community, Lianhua Street, Futian District, Shenzhen City, Guangdong Province

Applicant after: Precision Nutrition Medical Technology Research Institute (Shenzhen) Co.,Ltd.

Country or region after: Zhong Guo

Address before: Room 5, 6, and 7, No. 67 Dongpu Second Road, Tianhe District, Guangzhou City, Guangdong Province 510000 Location: Room 5-111

Applicant before: Guangzhou Yingyue Nutrition and Health Consulting Co.,Ltd.

Country or region before: Zhong Guo

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant