CN117198466A - 针对肾病患者的饮食管理方法及系统 - Google Patents
针对肾病患者的饮食管理方法及系统 Download PDFInfo
- Publication number
- CN117198466A CN117198466A CN202311477420.4A CN202311477420A CN117198466A CN 117198466 A CN117198466 A CN 117198466A CN 202311477420 A CN202311477420 A CN 202311477420A CN 117198466 A CN117198466 A CN 117198466A
- Authority
- CN
- China
- Prior art keywords
- diet
- target object
- determining
- model
- information
- 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
Links
- 235000005911 diet Nutrition 0.000 title claims abstract description 188
- 230000037213 diet Effects 0.000 title claims abstract description 180
- 208000017169 kidney disease Diseases 0.000 title claims abstract description 24
- 238000007726 management method Methods 0.000 title abstract description 37
- 235000016709 nutrition Nutrition 0.000 claims abstract description 63
- 238000005457 optimization Methods 0.000 claims abstract description 37
- 230000008451 emotion Effects 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 230000035764 nutrition Effects 0.000 claims abstract description 27
- 238000011156 evaluation Methods 0.000 claims abstract description 20
- 230000004913 activation Effects 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 81
- 238000000034 method Methods 0.000 claims description 32
- 235000015097 nutrients Nutrition 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 15
- 235000020785 dietary preference Nutrition 0.000 claims description 12
- 230000000378 dietary effect Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 230000002996 emotional effect Effects 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 description 19
- 108090000623 proteins and genes Proteins 0.000 description 8
- 201000010099 disease Diseases 0.000 description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 7
- 230000035772 mutation Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 102000004169 proteins and genes Human genes 0.000 description 6
- 235000013305 food Nutrition 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 235000006180 nutrition needs Nutrition 0.000 description 4
- 238000002922 simulated annealing Methods 0.000 description 4
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000011574 phosphorus Substances 0.000 description 3
- 229910052698 phosphorus Inorganic materials 0.000 description 3
- 239000011734 sodium Substances 0.000 description 3
- 229910052708 sodium Inorganic materials 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 206010029164 Nephrotic syndrome Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003907 kidney function Effects 0.000 description 2
- 235000012054 meals Nutrition 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 210000002700 urine Anatomy 0.000 description 2
- LNKQQZFLNUVWQQ-UHFFFAOYSA-N 1-chloro-2,2-bis(4'-chlorophenyl)ethylene Chemical compound C=1C=C(Cl)C=CC=1C(=CCl)C1=CC=C(Cl)C=C1 LNKQQZFLNUVWQQ-UHFFFAOYSA-N 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 206010064571 Gene mutation Diseases 0.000 description 1
- 208000031226 Hyperlipidaemia Diseases 0.000 description 1
- 208000003623 Hypoalbuminemia Diseases 0.000 description 1
- 206010030113 Oedema Diseases 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 102000007562 Serum Albumin Human genes 0.000 description 1
- 108010071390 Serum Albumin Proteins 0.000 description 1
- 229930003316 Vitamin D Natural products 0.000 description 1
- QYSXJUFSXHHAJI-XFEUOLMDSA-N Vitamin D3 Natural products C1(/[C@@H]2CC[C@@H]([C@]2(CCC1)C)[C@H](C)CCCC(C)C)=C/C=C1\C[C@@H](O)CCC1=C QYSXJUFSXHHAJI-XFEUOLMDSA-N 0.000 description 1
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 230000003913 calcium metabolism Effects 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 208000035850 clinical syndrome Diseases 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 235000021004 dietary regimen Nutrition 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000003925 fat Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000037323 metabolic rate Effects 0.000 description 1
- 239000002207 metabolite Substances 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 208000022204 primary glomerular disease Diseases 0.000 description 1
- 201000001474 proteinuria Diseases 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 208000022465 secondary glomerular disease Diseases 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 235000019166 vitamin D Nutrition 0.000 description 1
- 239000011710 vitamin D Substances 0.000 description 1
- 150000003710 vitamin D derivatives Chemical class 0.000 description 1
- 229940046008 vitamin d Drugs 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
- 229910052725 zinc Inorganic materials 0.000 description 1
- 239000011701 zinc Substances 0.000 description 1
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供一种针对肾病患者的饮食管理方法及系统，涉及饮食管理技术领域，包括基于目标对象对于多种饮食的评价信息以及所述目标对象的历史饮食信息，通过预设的饮食偏好模型提取所述评价信息和所述历史饮食信息的语义特征，根据所述饮食偏好模型的隐藏层对所述语义特征进行前向传播，基于所述饮食偏好模型的激活函数确定所述目标对象对于多种饮食的情感分数；基于所述目标对象的基本信息以及病情信息，结合营养学知识确定所述目标对象的营养需求；结合所述目标对象对于多种饮食的情感分数确定所述目标对象的饮食偏好，综合所述目标对象的营养需求和所述饮食偏好，通过多目标优化算法确定所述目标对象的饮食管理方案。
Description
技术领域
本发明涉及饮食管理技术，尤其涉及一种针对肾病患者的饮食管理方法及系统。
背景技术
肾病综合征是由各种原发性和继发性肾小球疾病引起的一组临床综合征，其临床特征是大量蛋白尿（24h尿蛋白＞35g、低蛋白血症(血浆白蛋白＜30g/ L)、高脂血症和水肿。因肾病综合征患者铁、锌、铜及调节钙代谢的关键代谢产物均从尿中丢失。此病病程长,病情迁延,易反复。其中 饮食不当是导致复发的重要原因，因此饮食治疗及护理对疾病的预后、转归、康复有重要意义。通过肾病综合征患者营养评价，针对性地进行饮食 管理，能有效的提高患者的饮食依从性,对疾病的预后及患者的生活质量都有显著意义。
CN112201326B，肾病饮食管理方法，该肾病饮食管理方法，包括移动终端、医院检查终端、云端服务器与智能电子秤，所述医院检查终端、云端服务器与智能电子秤均和移动终端连接，所述医院检查终端与云端服务器连接。本发明，通过获取肾病患者的检查结果数据，根据对检查结果数据进行综合性分析，生成患者日常三餐的食谱，并且根据食谱得到每日摄入食材的量，该方法主要适用于每一个肾病患者，针对性比较强，不同患者可生成不同结果，通过有效的饮食管理手段，让肾病患者的饮食习惯能够得到有效的改善。
现有的肾病患者饮食管理方法，只是简单考虑患者的一日三餐，但是对于患者实际需要的营养需求以及饮食偏好，并未进行考虑，给出的管理方法较为简单，难以提高患者实际体验。
发明内容
本发明实施例提供一种针对肾病患者的饮食管理方法及系统，至少能够解决现有技术中部分问题。
本发明实施例的第一方面，
提供一种针对肾病患者的饮食管理方法，包括：
基于目标对象对于多种饮食的评价信息以及所述目标对象的历史饮食信息，通过预设的饮食偏好模型提取所述评价信息和所述历史饮食信息的语义特征，根据所述饮食偏好模型的隐藏层对所述语义特征进行前向传播，基于所述饮食偏好模型的激活函数确定所述目标对象对于多种饮食的情感分数，其中，所述饮食偏好模型基于长短时记忆网络以及多层感知机组合构建而成；
基于所述目标对象的基本信息以及病情信息，结合营养学知识确定所述目标对象的营养需求；
结合所述目标对象对于多种饮食的情感分数确定所述目标对象的饮食偏好，综合所述目标对象的营养需求和所述饮食偏好，通过多目标优化算法确定所述目标对象的饮食管理方案。
在一种可选的实施方式中，
所述饮食偏好模型包括第一子模型和第二子模型，确定所述目标对象对于多种饮食的情感分数包括：
所述第一子模型将所述评价信息和所述历史饮食信息的文本中每个词映射为词向量，通过所述第一子模型的长短期记忆网络层确定所述词向量对应的时序特征，并将所述时序特征进行归一化后输入所述第二子模型；
所述第二子模型的多个隐藏层对所述时序特征进行加权组合，并且通过激活函数引入非线性关系，所述第二子模型的输出层输出情感分数。
在一种可选的实施方式中，
确定所述目标对象对于多种饮食的情感分数之前，所述方法还包括训练所述饮食偏好模型：
将所述饮食偏好模型的待求解参数构建为初始化矩阵，并初始化学习率和指数衰减率，以及设置所述学习率的上限和下限；
根据所述初始化矩阵中待求解参数的梯度，结合指数衰减率确定初始一阶矩估计以及初始二阶矩估计；
通过迭代优化修正所述初始一阶矩估计的一阶矩估计偏差以及所述初始二阶矩估计的二阶矩估计偏差，并且根据所述学习率的上限和下限，迭代更新所述饮食偏好模型的待求解参数，直至满足预设迭代次数或者所述饮食偏好模型收敛。
在一种可选的实施方式中，
通过迭代优化修正所述初始一阶矩估计的一阶矩估计偏差以及所述初始二阶矩估计的二阶矩估计偏差，并且根据所述学习率的上限和下限，迭代更新所述饮食偏好模型的待求解参数包括：
；
；
；
其中，、/>分别表示第t+1轮迭代次数下饮食偏好模型的待求解参数和第t轮迭代次数下饮食偏好模型的待求解参数，t+1、t分别表示第t+1轮迭代次数和第t轮迭代次数，clip()表示限制函数，用于将函数中的值限制在特定范围，R max 、R min 分别表示所述学习率的上限和下限，R t 表示第t轮迭代次数的学习率，e表示常数值，防止除零操作；
m tc 表示第t轮迭代次数的一阶矩估计偏差，m t-1 表示第t-1轮迭代次数的初始一阶矩估计，s t-1 表示第t-1轮迭代次数的指数衰减率，g t 表示第t轮迭代次数的待求解参数的梯度；
v tc 表示第t轮迭代次数的二阶矩估计偏差，v t-1 表示第t-1轮迭代次数的初始二阶矩估计。
在一种可选的实施方式中，
综合所述目标对象的营养需求和所述饮食偏好，通过多目标优化算法确定所述目标对象的饮食管理方案包括：
根据所述目标对象的基本信息以及病情信息，确定所述目标对象的营养需求中的营养元素种类，以及营养元素推荐量；
结合所述目标对象的实际摄入营养元素，并且引入平衡约束系数，考虑所述目标对象的限制营养元素，构建与所述目标对象的营养需求对应的第一目标函数，设置与所述第一目标函数对应的第一约束条件，其中，所述第一约束条件包括实际摄入营养元素不得超过营养元素推荐量；
以满足所述营养需求为基础，所摄入饮食的情感分数最大化为目标构建第二目标函数，设置与所述第二目标函数对应的第二约束条件，其中，所述第二约束条件包括所摄入饮食的营养元素不得低于预设营养阈值；
通过多目标优化算法对所述第一目标函数和所述第二目标函数进行求解，确定所述目标对象的饮食管理方案。
在一种可选的实施方式中，
通过多目标优化算法对所述第一目标函数和所述第二目标函数进行求解，确定所述目标对象的饮食管理方案包括：
将所述第一目标函数和所述第二目标函数中待求解参数作为初始化种群中的个体，每个个体对应一组可行的优化参数；随机选择所述初始化种群中的一对个体作为父个体，通过交叉操作产生新的种群个体；
对于新的种群个体，根据所述第一目标函数对应的第一目标值和第二目标函数对应的第二目标值计算适应度值，将所述新的种群个体中，适应度值高于预设适应度阈值的个体保留；
重复执行交叉、变异、适应度计算、选择，进行多代迭代，直至达到迭代次数，根据适应度值最高的个体确定所述目标对象的饮食管理方案。
本发明实施例的第二方面，
提供一种针对肾病患者的饮食管理系统，包括：
第一单元，用于基于目标对象对于多种饮食的评价信息以及所述目标对象的历史饮食信息，通过预设的饮食偏好模型提取所述评价信息和所述历史饮食信息的语义特征，根据所述饮食偏好模型的隐藏层对所述语义特征进行前向传播，基于所述饮食偏好模型的激活函数确定所述目标对象对于多种饮食的情感分数，其中，所述饮食偏好模型基于长短时记忆网络以及多层感知机组合构建而成；
第二单元，用于基于所述目标对象的基本信息以及病情信息，结合营养学知识确定所述目标对象的营养需求；
第三单元，用于结合所述目标对象对于多种饮食的情感分数确定所述目标对象的饮食偏好，综合所述目标对象的营养需求和所述饮食偏好，通过多目标优化算法确定所述目标对象的饮食管理方案。
本发明实施例的第三方面，
提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
本发明实施例的第四方面，
提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明实施例的有益效果可以参考具体实施方式中技术特征对应的效果，在此不再赘述。
附图说明
图1为本发明实施例针对肾病患者的饮食管理方法的流程示意图；
图2为本发明实施例针对肾病患者的饮食管理系统的结构示意图。
实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本发明实施例针对肾病患者的饮食管理方法的流程示意图，如图1所示，所述方法包括：
S101. 基于目标对象对于多种饮食的评价信息以及所述目标对象的历史饮食信息，通过预设的饮食偏好模型提取所述评价信息和所述历史饮食信息的语义特征，根据所述饮食偏好模型的隐藏层对所述语义特征进行前向传播，基于所述饮食偏好模型的激活函数确定所述目标对象对于多种饮食的情感分数；
示例性地，所述饮食偏好模型基于长短时记忆网络以及多层感知机组合构建而成。
使用自然语言处理（NLP）技术或其他文本处理技术，从评价信息和历史饮食信息中提取语义特征，这可以包括分词、词嵌入、实体识别等处理步骤，将文本信息转化为计算机能够理解的表示形式。
将提取到的语义特征输入到预设的饮食偏好模型中，进行前向传播，在深度学习模型中，前向传播指的是将输入数据通过网络层传递，直到输出层，得到模型的预测结果。在模型的输出层使用适当的激活函数，例如softmax函数，将模型的输出转化为概率分布，这些概率可以被解释为目标对象对多种饮食的偏好程度，即情感分数。比如，如果模型输出是一个包含多个类别的向量，可以使用softmax函数将其转化为概率分布，然后选择概率最高的类别作为目标对象的饮食偏好。
在一种可选的实施方式中，
所述饮食偏好模型包括第一子模型和第二子模型，确定所述目标对象对于多种饮食的情感分数包括：
所述第一子模型将所述评价信息和所述历史饮食信息的文本中每个词映射为词向量，通过所述第一子模型的长短期记忆网络层确定所述词向量对应的时序特征，并将所述时序特征进行归一化后输入所述第二子模型；
所述第二子模型的多个隐藏层对所述时序特征进行加权组合，并且通过激活函数引入非线性关系，所述第二子模型的输出层输出情感分数。
示例性地，第一个子模型可以基于长短时记忆网络的时序特征提取，第二个子模型可以是多层感知机的加权组合与输出；
将评价信息和历史饮食信息的文本中的每个词映射为词向量，这可以使用预训练的词向量模型（如Word2Vec、GloVe等）来实现；将词向量序列输入到LSTM层中，LSTM是一种递归神经网络，能够捕捉文本数据中的时序特征，LSTM的隐藏状态包含了输入序列的时序信息；从LSTM的隐藏状态中提取时序特征，可以选择最后一个时间步的隐藏状态作为时序特征，也可以选择多个时间步的隐藏状态进行拼接或其他操作，以得到更丰富的特征表示。对提取到的时序特征进行归一化处理，确保特征的数值范围在合适的范围内，例如使用Z-score标准化方法。
构建一个多层感知机（MLP）模型作为第二子模型，MLP是一种前馈神经网络，包含多个隐藏层和输出层，能够引入非线性关系。将归一化后的时序特征输入到MLP的输入层，MLP的隐藏层对时序特征进行加权组合，每个隐藏层节点对应一个权重，这些权重在训练过程中学习得到。
在每个隐藏层之后使用激活函数，例如ReLU（Rectified Linear Unit）或Sigmoid函数，引入非线性关系，使得模型能够学习到复杂的特征表示。最后一个隐藏层的输出被连接到输出层。输出层通常只有一个节点，用于输出情感分数。这个节点的输出值可以表示目标对象对于多种饮食的情感偏好，例如使用Sigmoid函数将输出值映射到[0, 1]范围内。
第一子模型使用长短期记忆网络（LSTM）等递归神经网络，能够有效地捕捉文本信息中的时序特征，包括文本中词语的顺序和上下文关系，这种能力使得模型可以更好地理解文本信息，更准确地提取其中的语义和情感特征；第二子模型中的多个隐藏层引入了非线性关系，通过激活函数的作用，模型可以学习到更加复杂的特征表示，这样，模型可以更好地适应不同目标对象的饮食偏好，包括更细微的特征差异，提高了模型的表达能力；结合了深度学习模型的特征学习和非线性关系建模，该饮食偏好模型在预测目标对象对多种饮食的情感分数时，可以提供更准确、更可靠的预测结果。
在一种可选的实施方式中，
确定所述目标对象对于多种饮食的情感分数之前，所述方法还包括训练所述饮食偏好模型：
将所述饮食偏好模型的待求解参数构建为初始化矩阵，并初始化学习率和指数衰减率，以及设置所述学习率的上限和下限；
根据所述初始化矩阵中待求解参数的梯度，结合指数衰减率确定初始一阶矩估计以及初始二阶矩估计；
通过迭代优化修正所述初始一阶矩估计的一阶矩估计偏差以及所述初始二阶矩估计的二阶矩估计偏差，并且根据所述学习率的上限和下限，迭代更新所述饮食偏好模型的待求解参数，直至满足预设迭代次数或者所述饮食偏好模型收敛。
示例性地，将饮食偏好模型的待求解参数构建为初始化矩阵。同时，初始化学习率（通常为一个较小的正数，例如0.001）和指数衰减率（可选，用于调整学习率的下降速度），并设置学习率的上限和下限（用于限制学习率的范围）。
使用训练数据集（包括评价信息、历史饮食信息和对应的情感分数）进行前向传播，计算模型的预测情感分数，使用损失函数（通常使用均方误差等）比较模型的预测情感分数与真实情感分数，计算损失；使用反向传播算法计算损失函数对于模型参数的梯度，这个梯度表示了损失函数随着参数变化的速度和方向。
利用梯度的指数加权移动平均来估计一阶矩（均值）和二阶矩（方差），这些估计通常被初始化为梯度的初始值；利用指数衰减率，修正一阶矩估计的偏差（通常称为动量）和二阶矩估计的偏差（通常称为移动平均方差）；这一步骤的目的是平滑梯度的估计值，减少梯度的波动性，使得训练过程更加稳定。根据修正后的一阶矩估计和二阶矩估计，结合学习率的上限和下限，使用优化算法（例如Adam、RMSProp等）迭代地更新饮食偏好模型的待求解参数。
在每次迭代后，可以计算损失函数的值，如果损失函数的变化小于一个预设的阈值，或者达到预设的迭代次数，就判定模型收敛。如果模型收敛，训练过程结束，参数即为训练好的饮食偏好模型的最终参数。
在一种可选的实施方式中，
通过迭代优化修正所述初始一阶矩估计的一阶矩估计偏差以及所述初始二阶矩估计的二阶矩估计偏差，并且根据所述学习率的上限和下限，迭代更新所述饮食偏好模型的待求解参数包括：
；
；
；
其中，、/>分别表示第t+1轮迭代次数下饮食偏好模型的待求解参数和第t轮迭代次数下饮食偏好模型的待求解参数，t+1、t分别表示第t+1轮迭代次数和第t轮迭代次数，clip()表示限制函数，用于将函数中的值限制在特定范围，R max 、R min 分别表示所述学习率的上限和下限，R t 表示第t轮迭代次数的学习率，e表示常数值，防止除零操作；
m tc 表示第t轮迭代次数的一阶矩估计偏差，m t-1 表示第t-1轮迭代次数的初始一阶矩估计，s t-1 表示第t-1轮迭代次数的指数衰减率，g t 表示第t轮迭代次数的待求解参数的梯度；
v tc 表示第t轮迭代次数的二阶矩估计偏差，v t-1 表示第t-1轮迭代次数的初始二阶矩估计。
通过分析目标对象的评价信息和历史饮食信息，以及应用预设的饮食偏好模型，可以为目标对象提供个性化的饮食建议，这些建议将基于目标对象的口味和偏好，以提高饮食满意度；基于饮食偏好模型的隐藏层和激活函数，可以计算出目标对象对多种饮食的情感分数，这些情感分数可以反映目标对象对不同饮食选择的喜好程度，有助于定制个性化饮食方案；通过预设的饮食偏好模型，可以从评价信息和历史饮食信息中提取语义特征。这有助于更深入地理解目标对象的口味和偏好，以更好地满足其需求；个性化饮食建议和情感分数的计算有望提高目标对象的饮食满意度。
S102. 基于所述目标对象的基本信息以及病情信息，结合营养学知识确定所述目标对象的营养需求；
示例性地，根据患者提供的身体数据和肾功能状态分析结果，计算出患者的营养需求，包括蛋白质、钠、钾、磷等。参考国际饮食指南、医学文献和肾病专业知识来确定特殊的肾病营养需求。
其中，收集患者的基本信息，包括年龄、性别、身高、体重等；获取患者的疾病类型、肾病分期、病史记录、用药情况等；根据患者的基本信息和疾病情况构建特征，例如BMI（体重指数）、肾功能指标、疾病分期等；结合患者的特征和疾病情况，使用营养学知识确定患者的基本营养需求，包括能量、蛋白质、碳水化合物、脂肪、维生素、矿物质等。根据肾病患者的特殊需求，限制某些营养物质的摄入，例如蛋白质、钠、磷等
进一步地，使用Harris-Benedict公式等常用公式，结合患者的性别、年龄、身高和体重等信息，计算基础代谢率（BMR），BMR表示在安静状态下，维持基本生命活动所需的能量消耗。根据患者的日常活动水平（通常分为轻度、中度和重度活动水平），将BMR乘以相应的活动系数，得到每日能量消耗（Total Daily Energy Expenditure, TDEE）。使用体重或者疾病状态等因素，确定患者的蛋白质需求。通常，肾病患者的蛋白质需求会相对较低，需要根据医生或营养师的建议进行调整。
根据肾病患者的具体情况，限制摄入钠、磷等特定营养素的量，以避免加重疾病症状；如果患者有特殊的疾病或需要，可以根据医疗建议增加某些营养素的摄入，例如维生素D、钙等。
S103. 结合所述目标对象对于多种饮食的情感分数确定所述目标对象的饮食偏好，综合所述目标对象的营养需求和所述饮食偏好，通过多目标优化算法确定所述目标对象的饮食管理方案。
示例性地，定义一个多目标优化问题，其中的每个目标函数代表一个目标。一个目标函数可以是最大化营养需求，另一个目标函数可以是最大化饮食偏好（或者最小化偏好与实际摄入之间的差距）。选择适合问题特点的多目标优化算法，例如NSGA-II（Non-dominated Sorting Genetic Algorithm II）、MOEA/D（Multi-Objective EvolutionaryAlgorithm based on Decomposition）等。这些算法能够处理多个冲突的目标，并在解空间中搜索出一组非支配解（Pareto最优解）。
将饮食管理方案编码为一个个体，这个个体包括了食材选择、饮食结构、摄入量等信息，同时，定义适当的解码方法，将个体解码为实际的饮食方案；随机生成一组个体，构成初始种群，这些个体代表了不同的饮食管理方案。
对每个个体计算多个目标函数的值，评估个体的适应度，一个饮食方案的好坏可以由其满足营养需求的程度和符合个体饮食偏好的程度来评估；使用多目标优化算法中的选择操作，例如锦标赛选择（Tournament Selection）或轮盘赌选择（Roulette WheelSelection），选择适应度较好的个体作为父代；对被选择的个体进行交叉操作，产生新的个体，交叉操作可以是单点交叉、多点交叉等，确保产生的新个体保留了父代个体的优秀特性。对交叉后的个体进行变异操作，引入新的基因变化，增加种群的多样性。变异操作可以是基因突变、交换、插入等。
将新生成的个体加入到种群中，形成新一代种群。对种群进行非支配排序，将个体划分为不同的前沿，然后计算拥挤度，以维持种群的多样性。从当前种群和新生成的个体中选择下一代种群。可以采用非支配排序和拥挤度分配结果来进行选择，保留高质量的前沿个体。判断是否满足终止条件，可以是达到预设的迭代次数或者算法收敛到稳定的前沿解；对最终的前沿解进行解码，得到实际的饮食管理方案，输出给用户。
在一种可选的实施方式中，
综合所述目标对象的营养需求和所述饮食偏好，通过多目标优化算法确定所述目标对象的饮食管理方案包括：
根据所述目标对象的基本信息以及病情信息，确定所述目标对象的营养需求中的营养元素种类，以及营养元素推荐量；
结合所述目标对象的实际摄入营养元素，并且引入平衡约束系数，考虑所述目标对象的限制营养元素，构建与所述目标对象的营养需求对应的第一目标函数，设置与所述第一目标函数对应的第一约束条件，其中，所述第一约束条件包括实际摄入营养元素不得超过营养元素推荐量；
以满足所述营养需求为基础，所摄入饮食的情感分数最大化为目标构建第二目标函数，设置与所述第二目标函数对应的第二约束条件，其中，所述第二约束条件包括所摄入饮食的营养元素不得低于预设营养阈值；
通过多目标优化算法对所述第一目标函数和所述第二目标函数进行求解，确定所述目标对象的饮食管理方案。
示例性地，根据目标对象的基本信息和病情信息，确定目标对象的营养需求，包括营养元素种类和推荐量；
第一目标函数：考虑目标对象的限制营养元素和平衡摄入，构建一个目标函数，其中包括实际摄入营养元素与推荐量的差距。第一约束条件：确保实际摄入营养元素不得超过营养元素推荐量，引入平衡约束系数以平衡限制营养元素的摄入。
其中，所述第一目标函数的公式如下所示：
；
其中，OBJ 1 表示所述第一目标函数对应的第一目标值，N表示营养元素的数量，W i 表示第i种营养元素对应的营养权重值，A i 、R i 分别表示实际摄入营养元素i的量以及推荐摄入营养元素i的量，B i 表示第i种营养元素对应的平衡约束系数，e表示常数值，防止除零操作。
其中，平衡约束系数是一种用于调整不同营养元素在饮食中的平衡度的因子。这个系数考虑到了不同营养元素之间的相对重要性。
第二目标函数：以满足营养需求为基础，最大化所摄入饮食的情感分数。情感分数可以根据之前提到的方法，结合目标对象的口味偏好和实际摄入饮食计算得出。第二约束条件：确保所摄入饮食的营养元素不得低于预设的营养阈值，以保证饮食的基本营养。
其中，所述第二目标函数的公式如下所示：
；
其中，OBJ 2 表示所述第二目标函数对应的第二目标值，M表示食材的数量，P j 、S j 分别表示食材j的摄入量以及食材j的情感分数。
在一种可选的实施方式中，
通过多目标优化算法对所述第一目标函数和所述第二目标函数进行求解，确定所述目标对象的饮食管理方案包括：
将所述第一目标函数和所述第二目标函数中待求解参数作为初始化种群中的个体，每个个体对应一组可行的优化参数；随机选择所述初始化种群中的一对个体作为父个体，通过交叉操作产生新的种群个体；
对于新的种群个体，根据所述第一目标函数对应的第一目标值和第二目标函数对应的第二目标值计算适应度值，将所述新的种群个体中，适应度值高于预设适应度阈值的个体保留；
重复执行交叉、变异、适应度计算、选择，进行多代迭代，直至达到迭代次数，根据适应度值最高的个体确定所述目标对象的饮食管理方案。
本申请实施例的多目标优化算法可以是基于遗传算法和模拟退火算法结合的启发式算法，基于生物进化理论的随机化搜索算法，其适用于多维度复杂优化问题，通过模拟自然选择、交叉和变异等进化过程，不断优化种群的适应度值，最终得到全局最优解或近似最优解，在资源调度优化中，可以将每个资源作为一个基因，通过交叉和变异操作，生成新的资源组合，然后使用适应度函数对各组合进行评估，不断迭代搜索最优解；使用模拟退火算法对优化结果进行进一步调整，模拟退火算法是一种基于统计物理学的优化算法，通过模拟物质从高温到低温的过程，对优化过程进行全局搜索，在资源调度优化中，可以使用模拟退火算法对遗传算法得到的结果进行扰动和接受概率控制，以避免局部最优解。
示例性地，将第一目标函数、第二目标函数的待求解变量作为初始化种群中的个体，每个个体对应一组可行的优化参数；随机选择一对父个体，通过交叉操作产生新的种群个体，可以使用单点交叉、多点交叉等方法；对新产生的种群个体进行变异操作，以引入随机性，变异可以通过随机改变某些参数的值来实现；
对新的种群个体，根据第一目标函数和第二目标函数的值来计算适应度值，适应度值可以是目标函数值的组合，或者利用规范化方法获得；根据适应度值，选择适应度较高的个体作为父个体，适应度值高于预设适应度阈值的个体将被保留。
对每个父个体，在其邻域中引入一定扰动，生成一个参考个体，这可以通过微小地修改父个体的参数值来实现；计算父个体与参考个体之间的差值，如果差值大于预设参考阈值，将参考个体替换父个体；如果差值小于预设参考阈值，比较适应度值，保留适应度较高的父个体和/或参考个体。
重复执行交叉、变异、适应度计算、选择、生成参考个体、更新父个体和参考个体的操作，进行多代迭代。在达到预设的迭代次数或适应度值满足一定的收敛条件时终止迭代。
具体地，初始化种群大小可以为100；遗传算子参数：交叉率 0.8，变异率 0.1；邻域扰动参数：在每个维度上引入±5% 的随机扰动；迭代次数：50代；预设适应度阈值和预设参考阈值可以根据实际情况设置。
图2为本发明实施例针对肾病患者的饮食管理系统的结构示意图，如图2所示，所述系统包括：
第一单元，用于基于目标对象对于多种饮食的评价信息以及所述目标对象的历史饮食信息，通过预设的饮食偏好模型提取所述评价信息和所述历史饮食信息的语义特征，根据所述饮食偏好模型的隐藏层对所述语义特征进行前向传播，基于所述饮食偏好模型的激活函数确定所述目标对象对于多种饮食的情感分数，其中，所述饮食偏好模型基于长短时记忆网络以及多层感知机组合构建而成；
第二单元，用于基于所述目标对象的基本信息以及病情信息，结合营养学知识确定所述目标对象的营养需求；
第三单元，用于结合所述目标对象对于多种饮食的情感分数确定所述目标对象的饮食偏好，综合所述目标对象的营养需求和所述饮食偏好，通过多目标优化算法确定所述目标对象的饮食管理方案。
本发明实施例的第三方面，
提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
本发明实施例的第四方面，
提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.一种针对肾病患者的饮食管理方法，其特征在于，包括：
基于目标对象对于多种饮食的评价信息以及所述目标对象的历史饮食信息，通过预设的饮食偏好模型提取所述评价信息和所述历史饮食信息的语义特征，根据所述饮食偏好模型的隐藏层对所述语义特征进行前向传播，基于所述饮食偏好模型的激活函数确定所述目标对象对于多种饮食的情感分数，其中，所述饮食偏好模型基于长短时记忆网络以及多层感知机组合构建而成；
基于所述目标对象的基本信息以及病情信息，结合营养学知识确定所述目标对象的营养需求；
结合所述目标对象对于多种饮食的情感分数确定所述目标对象的饮食偏好，综合所述目标对象的营养需求和所述饮食偏好，通过多目标优化算法确定所述目标对象的饮食管理方案。
2.根据权利要求1所述的方法，其特征在于，所述饮食偏好模型包括第一子模型和第二子模型，确定所述目标对象对于多种饮食的情感分数包括：
所述第一子模型将所述评价信息和所述历史饮食信息的文本中每个词映射为词向量，通过所述第一子模型的长短期记忆网络层确定所述词向量对应的时序特征，并将所述时序特征进行归一化后输入所述第二子模型；
所述第二子模型的多个隐藏层对所述时序特征进行加权组合，并且通过激活函数引入非线性关系，所述第二子模型的输出层输出情感分数。
3.根据权利要求1所述的方法，其特征在于，确定所述目标对象对于多种饮食的情感分数之前，所述方法还包括训练所述饮食偏好模型：
将所述饮食偏好模型的待求解参数构建为初始化矩阵，并初始化学习率和指数衰减率，以及设置所述学习率的上限和下限；
根据所述初始化矩阵中待求解参数的梯度，结合指数衰减率确定初始一阶矩估计以及初始二阶矩估计；
通过迭代优化修正所述初始一阶矩估计的一阶矩估计偏差以及所述初始二阶矩估计的二阶矩估计偏差，并且根据所述学习率的上限和下限，迭代更新所述饮食偏好模型的待求解参数，直至满足预设迭代次数或者所述饮食偏好模型收敛。
4.根据权利要求3所述的方法，其特征在于，通过迭代优化修正所述初始一阶矩估计的一阶矩估计偏差以及所述初始二阶矩估计的二阶矩估计偏差，并且根据所述学习率的上限和下限，迭代更新所述饮食偏好模型的待求解参数包括：
；
；
；
其中，、/>分别表示第t+1轮迭代次数下饮食偏好模型的待求解参数和第t轮迭代次数下饮食偏好模型的待求解参数，t+1、t分别表示第t+1轮迭代次数和第t轮迭代次数，clip()表示限制函数，用于将函数中的值限制在特定范围，R max 、R min 分别表示所述学习率的上限和下限，R t 表示第t轮迭代次数的学习率，e表示常数值，防止除零操作；
m tc 表示第t轮迭代次数的一阶矩估计偏差，m t-1 表示第t-1轮迭代次数的初始一阶矩估计，s t-1 表示第t-1轮迭代次数的指数衰减率，g t 表示第t轮迭代次数的待求解参数的梯度；
v tc 表示第t轮迭代次数的二阶矩估计偏差，v t-1 表示第t-1轮迭代次数的初始二阶矩估计。
5.根据权利要求1所述的方法，其特征在于，综合所述目标对象的营养需求和所述饮食偏好，通过多目标优化算法确定所述目标对象的饮食管理方案包括：
根据所述目标对象的基本信息以及病情信息，确定所述目标对象的营养需求中的营养元素种类，以及营养元素推荐量；
结合所述目标对象的实际摄入营养元素，并且引入平衡约束系数，考虑所述目标对象的限制营养元素，构建与所述目标对象的营养需求对应的第一目标函数，设置与所述第一目标函数对应的第一约束条件，其中，所述第一约束条件包括实际摄入营养元素不得超过营养元素推荐量；
以满足所述营养需求为基础，所摄入饮食的情感分数最大化为目标构建第二目标函数，设置与所述第二目标函数对应的第二约束条件，其中，所述第二约束条件包括所摄入饮食的营养元素不得低于预设营养阈值；
通过多目标优化算法对所述第一目标函数和所述第二目标函数进行求解，确定所述目标对象的饮食管理方案。
6.根据权利要求5所述的方法，其特征在于，通过多目标优化算法对所述第一目标函数和所述第二目标函数进行求解，确定所述目标对象的饮食管理方案包括：
将所述第一目标函数和所述第二目标函数中待求解参数作为初始化种群中的个体，每个个体对应一组可行的优化参数；随机选择所述初始化种群中的一对个体作为父个体，通过交叉操作产生新的种群个体；
对于新的种群个体，根据所述第一目标函数对应的第一目标值和第二目标函数对应的第二目标值计算适应度值，将所述新的种群个体中，适应度值高于预设适应度阈值的个体保留；
重复执行交叉、变异、适应度计算、选择，进行多代迭代，直至达到迭代次数，根据适应度值最高的个体确定所述目标对象的饮食管理方案。
7.一种针对肾病患者的饮食管理系统，其特征在于，包括：
第一单元，用于基于目标对象对于多种饮食的评价信息以及所述目标对象的历史饮食信息，通过预设的饮食偏好模型提取所述评价信息和所述历史饮食信息的语义特征，根据所述饮食偏好模型的隐藏层对所述语义特征进行前向传播，基于所述饮食偏好模型的激活函数确定所述目标对象对于多种饮食的情感分数，其中，所述饮食偏好模型基于长短时记忆网络以及多层感知机组合构建而成；
第二单元，用于基于所述目标对象的基本信息以及病情信息，结合营养学知识确定所述目标对象的营养需求；
第三单元，用于结合所述目标对象对于多种饮食的情感分数确定所述目标对象的饮食偏好，综合所述目标对象的营养需求和所述饮食偏好，通过多目标优化算法确定所述目标对象的饮食管理方案。
8.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至6中任意一项所述的方法。
9.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至6中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311477420.4A CN117198466B (zh) | 2023-11-08 | 2023-11-08 | 针对肾病患者的饮食管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311477420.4A CN117198466B (zh) | 2023-11-08 | 2023-11-08 | 针对肾病患者的饮食管理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117198466A true CN117198466A (zh) | 2023-12-08 |
| CN117198466B CN117198466B (zh) | 2024-01-26 |
Family
ID=88998283
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311477420.4A Active CN117198466B (zh) | 2023-11-08 | 2023-11-08 | 针对肾病患者的饮食管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117198466B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117558410A (zh) * | 2024-01-12 | 2024-02-13 | 吉林大学 | 基于人工智能的糖尿病肾病患者饮食管理系统及方法 |
| 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 |
| CN117972218A (zh) * | 2024-03-28 | 2024-05-03 | 山东怡然信息技术有限公司 | 基于大数据的用户需求精准匹配方法及系统 |
| CN118248287A (zh) * | 2024-05-21 | 2024-06-25 | 吉林大学 | 肠内营养膳食信息管理系统及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107705834A (zh) * | 2017-10-10 | 2018-02-16 | 中山大学 | 一种基于循环神经网络的饮食推荐系统 |
| CN110379483A (zh) * | 2019-06-12 | 2019-10-25 | 北京大学 | 针对疾病人群的饮食监督与推荐方法 |
| 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 |
| KR20210017973A (ko) * | 2019-08-09 | 2021-02-17 | 고려대학교 산학협력단 | 샴쌍둥이 네트워크를 이용한 식재료 페어링 예측 방법 및 서버 |
| US20230035167A1 (en) * | 2021-07-30 | 2023-02-02 | Reviv IP, LLC | Genetically personalized food recommendation systems and methods |
| CN116682533A (zh) * | 2023-08-03 | 2023-09-01 | 北京四海汇智科技有限公司 | 基于机器学习的肾病患者营养管理方法及系统 |
| CN116994709A (zh) * | 2023-06-01 | 2023-11-03 | 广州营悦营养健康咨询有限公司 | 一种个性化的饮食与运动推荐方法、系统及电子设备 |
-
2023
- 2023-11-08 CN CN202311477420.4A patent/CN117198466B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107705834A (zh) * | 2017-10-10 | 2018-02-16 | 中山大学 | 一种基于循环神经网络的饮食推荐系统 |
| CN110379483A (zh) * | 2019-06-12 | 2019-10-25 | 北京大学 | 针对疾病人群的饮食监督与推荐方法 |
| KR20210017973A (ko) * | 2019-08-09 | 2021-02-17 | 고려대학교 산학협력단 | 샴쌍둥이 네트워크를 이용한 식재료 페어링 예측 방법 및 서버 |
| 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 |
| US20230035167A1 (en) * | 2021-07-30 | 2023-02-02 | Reviv IP, LLC | Genetically personalized food recommendation systems and methods |
| CN116994709A (zh) * | 2023-06-01 | 2023-11-03 | 广州营悦营养健康咨询有限公司 | 一种个性化的饮食与运动推荐方法、系统及电子设备 |
| CN116682533A (zh) * | 2023-08-03 | 2023-09-01 | 北京四海汇智科技有限公司 | 基于机器学习的肾病患者营养管理方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 王子岚;: "融合时间上下文的个性化营养饮食推荐研究", 九江学院学报(自然科学版), no. 02 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117558410A (zh) * | 2024-01-12 | 2024-02-13 | 吉林大学 | 基于人工智能的糖尿病肾病患者饮食管理系统及方法 |
| CN117558410B (zh) * | 2024-01-12 | 2024-03-22 | 吉林大学 | 基于人工智能的糖尿病肾病患者饮食管理系统及方法 |
| 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 |
| CN117972218A (zh) * | 2024-03-28 | 2024-05-03 | 山东怡然信息技术有限公司 | 基于大数据的用户需求精准匹配方法及系统 |
| CN118248287A (zh) * | 2024-05-21 | 2024-06-25 | 吉林大学 | 肠内营养膳食信息管理系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117198466B (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117198466B (zh) | 针对肾病患者的饮食管理方法及系统 | |
| CN109902222B (zh) | 一种推荐方法及装置 | |
| Alzubi et al. | Machine learning from theory to algorithms: an overview | |
| US11586826B2 (en) | Managing and measuring semantic coverage in knowledge discovery processes | |
| Wu et al. | Evolving RBF neural networks for rainfall prediction using hybrid particle swarm optimization and genetic algorithm | |
| CN109614471B (zh) | 一种基于生成式对抗网络的开放式问题自动生成方法 | |
| CN110232971B (zh) | 一种医生推荐方法及装置 | |
| CN111104595A (zh) | 一种基于文本信息的深度强化学习交互式推荐方法及系统 | |
| CN112765480B (zh) | 一种信息推送方法、装置及计算机可读存储介质 | |
| Ingle et al. | Ensemble deep learning framework for stock market data prediction (EDLF-DP) | |
| Me et al. | Machine learning approach to model sport training | |
| US20220374812A1 (en) | Systems and methods for generation and traversal of a skill representation graph using machine learning | |
| CN117133407B (zh) | 用于儿童的多标签神经网络的营养均衡评估方法及系统 | |
| CN116417115A (zh) | 妊娠期糖尿病患者个性化营养方案推荐方法及系统 | |
| CN116610218A (zh) | Ai数字人的交互方法、装置及系统 | |
| Tilahun et al. | Vector optimisation using fuzzy preference in evolutionary strategy based firefly algorithm | |
| Chen et al. | Personalized expert recommendation systems for optimized nutrition | |
| Ge et al. | Single stock trading with deep reinforcement learning: A comparative study | |
| Wang | The analysis and re-optimization of food systems by using intelligent optimization algorithms and machine learning | |
| Marzban | Basic statistics and basic AI: neural networks | |
| Stanojevic | Domain Adaptation Applications to Complex High-dimensional Target Data | |
| US12040072B2 (en) | Apparatus and method for generating alimentary data within a geofence | |
| Zhao et al. | Application of Health Education Program based on Intelligent Recommendation Algorithm in the Development of School-age Children's Hand Hygiene Behavior | |
| CN116580817B (zh) | 基于机器学习的个性化营养指导方法及系统 | |
| Kardakis | Machine Learning Techniques for Sentiment Analysis and Emotion Recognition in Natural Language |
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 |