CN117373618A - 一种用于分析仪的局部人体成分数据处理方法 - Google Patents
一种用于分析仪的局部人体成分数据处理方法 Download PDFInfo
- Publication number
- CN117373618A CN117373618A CN202311368397.5A CN202311368397A CN117373618A CN 117373618 A CN117373618 A CN 117373618A CN 202311368397 A CN202311368397 A CN 202311368397A CN 117373618 A CN117373618 A CN 117373618A
- Authority
- CN
- China
- Prior art keywords
- data
- human body
- component
- risk
- human
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 230000008859 change Effects 0.000 claims abstract description 67
- 230000002159 abnormal effect Effects 0.000 claims abstract description 41
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 22
- 230000003993 interaction Effects 0.000 claims abstract description 16
- 239000000203 mixture Substances 0.000 claims description 33
- 230000000153 supplemental effect Effects 0.000 claims description 23
- 230000005540 biological transmission Effects 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 20
- 230000007613 environmental effect Effects 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 230000001172 regenerating effect Effects 0.000 claims description 2
- 230000000699 topical effect Effects 0.000 claims 1
- 235000016709 nutrition Nutrition 0.000 abstract description 5
- 230000035764 nutrition Effects 0.000 abstract description 4
- 230000036541 health Effects 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 4
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000001502 supplementing effect Effects 0.000 description 3
- 210000000577 adipose tissue Anatomy 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000027288 circadian rhythm Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910017053 inorganic salt Inorganic materials 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000009466 transformation Effects 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
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- 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)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Nutrition Science (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请公开了一种用于分析仪的局部人体成分数据处理方法，涉及数据处理技术领域，包括：获取人体成分数据，根据时间分布序列，确定得到目标数据集合；基于目标数据集合，提取人体成分数据相关的成分变化特征，将成分变化特征与预设的对比库进行相似度比对，生成初步分析的人体报告；将初步分析报告输入成分回归模型，获取得到的成分预测数据，若单一成分出现异常，则获取其中最高的人体成分进行推荐，输出人体推荐方案；获取人体推荐方案输出后目标用户的人体交互数据，根据人体推荐方案，提取风险特征；基于风险特征、人体交互数据，输出第一补充变量和第二补充变量；能够实现不同个体在不同环境下的营养管理，提高营养管理的效率和适用性。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种用于分析仪的局部人体成分数据处理方法。
背景技术
大量医学研究表明，人类的健康问题与人体成分的变化有着密切的关系。当疾病发生时，人体内相关体成分含量的变化往往会早于临床症状，通过对人体成分进行量化检测可以判断人体的健康状况，指导人们的饮食运动习惯。因此，如何对人体成分进行检测分析，并提供营养和运动建议颇为必要。
目前的研究已经发现至少有三十种因素可能对人体组分的构成产生影响作用，如年龄、性别、种族、营养、运动、疾病、环境温度、辐射、重力变化、文化甚至昼夜节律及季节交替等天体因素等等。其中研究最多的是年龄、营养、运动和疾病等因素，这也是人体成分学的一个重要研究领域。
但是对人体成分数据处理时，会因为个体和环境的差异性，使得体态密度法测量的人体成分出现异常的信息，导致无法准确测量出体脂等人体成分的变化。
发明内容
本申请实施例提供一种用于分析仪的局部人体成分数据处理方法，用以解决个体差异性以及环境对人体成分的影响，提高人体成分数据处理的准确性和效率。
本申请实施例提供了一种用于分析仪的局部人体成分数据处理方法，包括：
获取人体成分数据，根据时间分布序列，确定得到目标数据集合；
基于目标数据集合，提取人体成分数据相关的成分变化特征，将成分变化特征与预设的对比库进行相似度比对，生成初步分析的人体报告；
将初步分析报告输入成分回归模型，获取得到的成分预测数据，若单一成分出现异常，则获取其中最高的人体成分进行推荐，输出人体推荐方案；
获取人体推荐方案输出后目标用户的人体交互数据，根据人体推荐方案，提取风险特征；基于风险特征、人体交互数据，输出第一补充变量和第二补充变量；
比较每个风险实施方案，基于第一补充变量和第二补充变量，确定最终输出的风险实施方案。
本申请实施例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：
通过对人体成分数据进行分析，提取人体成分数据中的成分变化特征，得出与人体成分变化相关的情况，在根据环境特征对人体成分数据进行结合分析，可以得到基于人体成分的相关的人体推荐方案；通过与用户的人体交互数据，确定人体成分数据中出现的风险与不足，设置相应的第一补充变量和第二补充变量，使得人体方案对于人体成分的处理更具备个性化，能够满足各种情况下的使用。
附图说明
图1为本发明的流程示意图；
图2为本发明的步骤S2的流程示意图；
图3为本发明的步骤S3的流程示意图；
图4为本发明的步骤S4的流程示意图；
图5为本发明的步骤S5的流程示意图。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本申请进行更全面的描述；附图中给出了本发明的较佳实施方式，但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施方式；相反地，提供这些实施方式的目的是使对本发明的公开内容理解的更加透彻全面。
需要说明的是，本文所使用的术语“垂直”、“水平”、“上”、“下”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。
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；本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明；本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
如图1所示，本申请一种用于分析仪的局部人体成分数据处理方法，包括：
S1，获取人体成分数据，根据时间分布序列，确定得到目标数据集合。
人体成分数据是指，在人体中不同的水分、蛋白质、无机盐、体脂肪、肌肉相关的成分数据；此时针对在不同的时间情况下，人体成分的不同组成方式，选择一部分人体成分数据组合行成目标数据集合，对于设置的时间分布序列，时间分布序列是用于记录在特定的测量时间段内，人体成分数据的变化情况，根据人体成分数据的变化，来确定当前的用户是否存在一定的健康风险。
具体的，若在预设时间内未收集到足够的目标数据集合，则获取当前传输通道信息，传输通道信息包括当前数据传输的任一节点。
基于时间分布序列，从传输通道信息中确定人体成分数据的时间分布信息，时间分布信息是用于表示人体成分数据在时间分布序列中每个时间段的状态和信息，其中状态用于表示人体成分数据是否超出正常的范围。
根据时间分布信息，确定人体成分数据在传输过程中出现异常的时间段，并将对应的人体成分数据作为目标数据集。
当预设时间内收集到足够的目标数据集合时，确定每一个目标数据集的时间分布信息，将存在异常状态的目标数据集合作为输出的目标数据集合。
当不存在异常信息时，基于传输通道信息的历史传输状态和历史传输信息，从多个传输通道信息中确定目标数据集。
在本步骤中，根据传输通道信息来确定是否存在异常数据，从而确定数据采集时异常数据的位置，从而获得对应的异常数据，使得对异常数据处理更加具备准确性，当异常信息出现在一个或多个传输通道时，及时获取对应的异常信息，根据对应的异常信息，来确定目标数据集合，当不存在异常信息时，则根据历史采集的数据，选择其中采集异常信息较多的传输通道信息，或者随机选取几个传输通道信息作为目标数据集合。
S2，基于目标数据集合，提取人体成分数据相关的成分变化特征，将成分变化特征与预设的对比库进行相似度比对，生成初步分析的人体报告。
在本步骤中，成分变化特征是表示人体成分的变化曲线，正常的人体成分的变化趋势会较为平稳，此时获取其中变换比较突出的一些成分信息，根据这些变化的成分信息与预先设置的对比库进行比较，选取其中可能出现风险的部分，作为初步分析的人体报告，之后对人体报告进行回归处理，验证其中出现的风险因子，从而起到对人体报告的处理效果。
具体的，如图2所示，对成分变化特征进行处理的形式如下所示：
S21，基于获取的环境状况，对目标数据集合的基础特性进行识别，确定每种人体成分的占比，并对当前人体成分进行修正，获取到修正后的修正比值。
此时对人体成分进行修正，是将获取的人体成分与正常人体成分进行比较，并将数据都修正为正常的人体成分，由此获得的修正比值可以表示当前人体成分的变化情况。
对于步骤S21，对于数据集合的基础特性识别可以通过以下方式实现：
S211，确定目标数据集合的状态信息，状态信息包括，异常状态和正常状态。
目标数据集合的状态信息是用于标识目标数据集合收集数据的状态，异常状态说明当前目标数据集合存在不完整、缺失，无法作为正常处理的数据，正常状态说明可以进行直接处理。
S212，当目标数据集合为正常状态时，确定目标数据集合的数据类型，并根据目标数据集合的数据类型和人体成分占比，确定目标数据集合的数据完整性。
S213，当目标数据集合数据完整时，将目标数据集合进行后续处理。
S214，当目标数据集合为异常状态时，重新生成收集指令，根据目标数据集合对应的时间信息重新收集。
当目标数据集合存在异常状态时，选择目标数据集合中存在的异常状态对应的时间信息，根据原有的时间分布重新采集相同类似的数据。
S22，根据修正比值对获取的人体成分进行判断，确定生成的成分变化特征。
这里得到的成分变化特征是表示人体成分数据与预设人体成分之间的差异变化，根据人体成分的不断变化，来确定所需的成分的增加和减少，从而知道人体成分的变化是往好还是坏的形式变化。
S23，从对比库中获取与成分变化特征对应的对比数据，根据对比数据与成分变化特征的比对结果，生成初步分析的人体报告。
对于步骤S23中对比数据与成分变化特征的比对形式如下所示：
S231，当同一成分变化特征对应的对比数据包含多组子数据，且多组子数据的人体成分占比不同时，根据对比数据的数据类型，以及预设的人体成分编号，将对比数据进行划分，得到多个子数据组。
其中，预设的人体成分编号是指，根据脂肪、水分等人体指标按照一定的权重等级排序，将人体成分中每个组成的部分分为多个权重等级；通过提前对人体成分进行编号优先设置，排序后的多个子数据组会按照不同的人体成分分为多个不同的数据集合。
S232，根据每个子数据组的人体成分编号，确定每个子数据组的优先等级。
根据每个子数据组中人体成分编号进行排序，将包含相对重要的人体成分的子数据组作为优先等级高的子数据组。
S233，根据每个子数据组的优先等级，以优先等级最高的子数据组为起点，比较每个子数据组之间的相似度。
S234，若存在多个子数据组的相似度超过设定阈值，则将超过设定阈值的子数据组作为输出的初步分析报告。
初步分析报告可以包括对每个成分变化特征的相似度得分、对应的成分标签、相似度排名等信息。根据需要还可以调整其他形式的信息，从而得到足够应对用户个人需求的处理形式。
此步骤中，对人体成分数据进行比较，比较每个人体成分的变化情况，获得成分变化特征，在通过成分变化特征输出人体成分数据中成分变化相似度最高的数据作为进行初步分析报告，从而可以确定获得的初步分析后的人体成分与当前用户采集的数据能达到一致性的状况，从而可以根据当前环境状况，得到足够合适的数据，从而能够提出更为精准的人体分析结果。
S3，将初步分析报告输入成分回归模型，获取得到的成分预测数据，若单一成分出现异常，则获取其中最高的人体成分进行推荐，输出人体推荐方案。
此时对初步分析报告根据人体成分的组成进行分析，分析其中可能存在继续变化的趋势，并将按照设置的权重等级，输出其中权重占比最高的人体成分，从而输出人体推荐方案；对于选择的人体推荐方案根据预先设置的方案库中选择。
具体的，如图3所示，步骤S3中对初步分析报告的处理形式如下所示：
S31，将成分回归模型输出的成分预测数据进行筛选，将各个成分预测数据提取为预测数据集；选取每个环境特征下，每个预测数据集的预测指标；以预测指标为基础节点，输出每个环境特征聚类后的预测参数集。
其中，成分回归模型输出的成分预测数据是根据初步分析报告中的某一成分、或者某一组成分可能变化后的数据，根据成分预测数据提取到的预测指标就是选择预测后数据变化的趋势中存在的拐点、峰谷等进行选择的指标。
此时用环境特征对预测指标进行聚类，就是在确定不同环境特征下，指标的变化形式。
S32，对预测参数集中的预测指标进行特征识别，识别其中与当前环境特征相似程度最高的预测指标，作为第一输出指标。
S33，基于第一输出指标，获取成分变化特征，若成分变化特征存在异常，则输出成分变化特征相似度最高的人体推荐方案。
在此步骤中，获取第一输出指标对应的成分变化特征，就是确定第一输出指标是否存在一定形式的异常；若存在异常，则输出与成分变化特征最为相似的人体推荐方案。
S34，若成分变化特征不存在异常，则获取成分变化分布图，基于成分变化分布图，获取成分变化中最接近的拐点的人体成分数据，输出为第二输出指标，基于第二输出指标与第一输出指标的比对结果，输出人体推荐方案。
对于第一输出指标与第二输出指标的比对形式，基于第二输出指标，选取与第二输出指标对应的第一输出指标，以第二输出指标与第一输出指标进行差分，进行差分的形式是根据人体成分的占比值进行运算，最终输出差分后权重等级最高的数据作为第二输出指标与第一输出指标的比对结果。
其中，预测指标是满足人体基础成分组成的指标，预测得到的预测指标是根据目标人体的人体成分数据进行推测，获得其中身体处在健康状态时的指标。
通过对用户人体成分进行回归处理，识别人体成分在不同环境特征下的变化情况，从而预测可能存在风险、或者是可能存在需要着重注意的人体成分；针对可能存在风险的成分预测数据，将环境特征相似情况最高的第一输出指标，作为确定人体推荐方案的指标，对不存在异常的成分预测数据，将变化较为明显的第一输出指标与第一输出指标进行比对，从而确定人体推荐方案。
本步骤中，是基于环境特征获取成分预测数据，目的是将人体成分与环境进行关联，比较环境特征变化是人体成分的相应变化情况，从而可以根据环境输出相应的人体推荐方案，使得得到的方案的适应性更高。
S4，获取人体推荐方案输出后目标用户的人体交互数据，根据人体推荐方案，提取风险特征；基于风险特征、人体交互数据，输出第一补充变量和第二补充变量。
根据得到的人体推荐方案，对其中出现明显成分异常的人体成分数据进行选择，获取对应的风险特征，根据风险特征可以确定人体推荐方案中主要实施的内容。
具体的，如图4所示，步骤S4，包括以下实现方式：
S41，基于风险特征，获取人体交互数据；基于人体交互数据对风险特征进行信息组合，提取风险特征中的关键要素，输出为风险参数集。
其中人体交互数据是指在使用分析仪等设备时，用户对系统给出方案后进行的交互操作形式，例如问卷、输入一些想要查询的信息。
进一步，根据用户对人体推荐方案的答复内容，从中可以获取用户主要关心的健康方面，在通过对这些方面的异常数据进行处理，就可以知道每个用户对于健康状况的反馈范围，从而确定如何针对反馈范围，对用户健康方案进行调整；预先比对结果是根据用户的环境特征推算得到当前年龄、场景、目的中注意权重比例最高的人体成分数据。
S42，基于获取的风险参数集，获取实时检测的测量压力，根据得到的测量压力，确定人体交互数据中的答复内容。
其中，实时检测的测量压力是指用户在对人体推荐方案做出回复时，输入每个文字对屏幕造成的压力，正常来说书写文字时，屏幕受到的压力是平均稳定的，对于某些感兴趣的文字可能会出现较高的压力，或者是用户在回复特定内容是也会造成书写压力的增加，此时就可以根据用户的习惯做出一定的个性化调整。
S43，根据每个答复内容的不同，确定人体推荐方案的第一反馈范围。
第一反馈范围是根据每个答复内容中，每个回答文字的范围来确定；根据回答文字对应的人体成分，并按照每个回答文字周边的文字对应的信息，进行横向延伸，确定用户对人体成分中比较感兴趣的内容作为第一反馈范围。
S44，根据设置的第一反馈范围，对每个的反馈趋势，确定可延伸的第二反馈范围。
第二反馈范围是指获取的第一反馈范围分布的位置，根据第一反馈范围在答复内容上的分布，确定每个第一反馈范围的移动趋势，以及每个第一反馈范围面积变化的程度，当第一反馈范围存在重叠面积时，将重叠面积的部分作为可延伸的第二反馈范围。
S45，对于获取的第一反馈范围，确定第一反馈范围的初始反馈内容，并基于预先比对结果，确定第一反馈范围的第一补充变量。
基于预先比对结果是，比对答复内容中每个字的输入时间与趋势，确定每次答复内容中文字识别的权重分布，为了获得更好的权值分布，在由用户进行确定，使得获取的关键要素可以体现用户的健康状况与需求。
例如，第一反馈范围中，用户对于脂肪相关回复权重较高，此时针对第一反馈范围的第一补充变量就是为了解决用户脂肪过多或者过少的问题。
S46，对于获取的第二反馈范围，判断第二反馈范围内是否存在重复内容，若不存在时，将第一补充变量作为输出变量；当存在时，去除重复内容，选择第二反馈范围中，趋势变化最为突出的前K个变量作为第二补充变量，输出第二补充变量；其中K是指对第二反馈范围进行聚类后的结果。
此时，当第二反馈范围内不存在重复内容时，说明第二反馈范围内不存在较高权重的回复内容，当存在重复内容时，选择趋势变化最为突出的变量进行输出，此时选择趋势变化的方式是对第二反馈范围内的回复文字进行聚类处理，将聚类后得到的回复文字根据预先设置的权重进行输出，从而得到第二补充变量。预先设置的权重以对身体健康的影响程度进行设置。
S47，根据第一补充变量和第二补充变量，确定风险实施方案。
其中，第一反馈范围为正向的反馈范围，选择的是正面的反馈信息，第二反馈范围为第一反馈范围的反面的反馈信息。
具体是，当第一补充变量为向上异常占比超出向下异常占比，第二补充变量是向上异常占比小于向下异常占比；向上异常占比指的是在数据集中超出正常范围的较大值的比例。这些异常值可能表示了某种异常情况或极端事件的发生；例如，在一组身高数据中，如果某个人的身高远远超过了其他人的身高，那么这个人的身高值就可以被认为是向上异常。向下异常占比则相反，指的是在数据集中超出正常范围的较小值的比例。这些异常值可能表示了一些特殊情况或测量错误；例如，在一组体重数据中，如果某个人的体重明显低于其他人，那么这个人的体重值就可以被认为是向下异常。
进一步，在本实施例中，获取第一反馈范围时，若第一反馈范围中存在一些答复异常则根据第二补充变量确定风险实施方案，当问题与自身匹配时，将第一补充变量作为风险实施方案的判断基础。
在本步骤中，对于人体推荐方案中存在的风险特征与人体交互数据进行比对，从而可以精准确定当前用户对于某些风险特征的反映状况，从而可以确定采用什么形式的方案来补充解决出现的异常状况；对于答复内容的不同，获取相应的第一反馈范围和第二反馈范围，根据每个反馈范围可以更为精准的定位到用户的具体想要反馈得到的信息，根据第一补充变量和第二补充变量来对风险实施方案进行补充，从而提高对人体成分数据处理的精准度与效率。
S5，基于第一补充变量和第二补充变量，确定风险实施方案；比较每个风险实施方案，确定最终输出的风险实施方案。
如图5所示，步骤S5的具体实现方式如下所示：
S51，对于获取的风险实施方案，确定每个风险实施方案的检测阵列。
其中，检测阵列是用于检测风险实施方案是敷衍合理的数据信息，此时对设置的检测阵列根据得到的风险实施方案进行调整，突显用户需求。
对于步骤S51，对检测阵列的处理方式如下所示：
S511，对于每个检测阵列进行分析，确定检测阵列中是否存在异常信号；
S512，当存在异常信号时，确定检测阵列对应的检测周期，对检测周期进行信号分析；
确定检测周期对应的所有信号点，将检测周期内信号点的特征信息进行提取，根据存在的信号异常，将检测到的信号异常同步到风险实施方案中。
S52，当检测阵列正常时，获取风险实施方案的第一补充变量和第二补充变量，将第一补充变量和第二补充变量作为风险实施方案的评估指标。
其中，当第一补充变量的占比大于第二补充变量时，选取第一补充变量为主要计算单位。
S53，将风险实施方案进行比对，不断循环，直至满足预设条件时结束循环。
风险实施方案的循环是指，选取正在传输的风险实施方案，将风险实施方案根据人体成分的权重等级依次进行比较，当正在传输的风险实施方案的权重等级低于其他任一的风险实施方案时，将正在传输的风险实施方案放入临时存储区，并更新风险实施方案列表，重新选择传输的风险实施方案；当正在传输的风险实施方案权重等级大于其他任一的风险实施方案时，判断正在传输的风险实施方案是否满足预设条件，输出满足预设条件的风险实施方案，当正在传输的风险实施方案为0时，结束循环。
其中，风险实施方案是用于解决某个人体成分产生的异常生成的，根据风险实施方案对其他人体成分的影响状况确定权重等级，例如可以基于对脂肪、水等成分的重要性和影响程度进行评估。
预设条件包括：正在传输的风险实施方案的第一补充变量和第二补充变量均大于其他任一风险实施方案的第一补充变量和第二补充变量，且第一补充变量权重等级大于第二补充变量的权重等级。
在本步骤中，通过确认风险实施方案的检测阵列，来确定风险实施方案的最终输出结果，将第一补充变量和第二补充变量作为风险实施方案的评估指标，从而使得最终输出的风险实施方案传输的速度更快，可以快速显示出与用户需求相关的风险实施方案，便于用户根据风险实施方案，解决存在的人体成分异常状况。
上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：
通过对人体成分数据进行分析，提取人体成分数据中的成分变化特征，得出与人体成分变化相关的情况，在根据环境特征对人体成分数据进行结合分析，可以得到基于人体成分的相关的人体推荐方案；通过与用户的人体交互数据，确定人体成分数据中出现的风险与不足，设置相应的第一补充变量和第二补充变量，使得人体方案对于人体成分的处理更具备个性化，能够满足各种情况下的使用。
以上所述仅为本发明的优选实施方式，并不用于限制本发明，对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明精神和原则内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于分析仪的局部人体成分数据处理方法，其特征在于，包括：
获取人体成分数据，根据时间分布序列，确定得到目标数据集合；
基于目标数据集合，提取人体成分数据相关的成分变化特征，将成分变化特征与预设的对比库进行相似度比对，生成初步分析的人体报告；
将初步分析报告输入成分回归模型，获取得到的成分预测数据，若单一成分出现异常，则获取其中最高的人体成分进行推荐，输出人体推荐方案；
获取人体推荐方案输出后目标用户的人体交互数据，根据人体推荐方案，提取风险特征；基于风险特征、人体交互数据，输出第一补充变量和第二补充变量；
比较每个风险实施方案，基于第一补充变量和第二补充变量，确定最终输出的风险实施方案。
2.如权利要求1所述的一种用于分析仪的局部人体成分数据处理方法，其特征在于，若在预设时间内未收集到足够的目标数据集合，则获取当前传输通道信息，传输通道信息包括当前数据传输的任一节点；
基于时间分布序列，从传输通道信息中确定人体成分数据的时间分布信息；
根据时间分布信息，确定人体成分数据在传输过程中出现异常的时间段，并将对应的人体成分数据作为目标数据集；
当预设时间内收集到足够的目标数据集合时，确定每一个目标数据集的时间分布信息，将存在异常状态的目标数据集合作为输出的目标数据集合；
当不存在异常信息时，基于传输通道信息的历史传输状态和历史传输信息，从多个传输通道信息中确定目标数据集。
3.如权利要求1所述的一种用于分析仪的局部人体成分数据处理方法，其特征在于，基于获取的环境状况，对目标数据集合的基础特性进行识别，确定每种人体成分的占比，并对当前人体成分进行修正，获取到修正后的修正比值；
根据修正比值对获取的人体成分进行判断，确定生成的成分变化特征；
从对比库中获取与成分变化特征对应的对比数据，根据对比数据与成分变化特征的比对结果，生成初步分析的人体报告。
4.如权利要求1所述的一种用于分析仪的局部人体成分数据处理方法，其特征在于，确定目标数据集合的状态信息，状态信息包括，异常状态和正常状态；
当目标数据集合为正常状态时，确定目标数据集合的数据类型，并根据目标数据集合的数据类型和人体成分占比，确定目标数据集合的数据完整性；当目标数据集合数据完整时，将目标数据集合进行后续处理；
当目标数据集合为异常状态时，重新生成收集指令，根据目标数据集合对应的时间信息重新收集。
5.如权利要求1所述的一种用于分析仪的局部人体成分数据处理方法，其特征在于，当同一成分变化特征对应的对比数据包含多组子数据，且多组子数据的人体成分占比不同时，根据对比数据的数据类型，以及预设的人体成分编号，将对比数据进行划分，得到多个子数据组；
根据每个子数据组的人体成分编号，确定每个子数据组的优先等级；
根据每个子数据组的优先等级，以优先等级最高的子数据组为起点，比较每个子数据组之间的相似度；
若存在多个子数据组的相似度超过设定阈值，则将超过设定阈值的子数据组作为输出的初步分析报告。
6.如权利要求1所述的一种用于分析仪的局部人体成分数据处理方法，其特征在于，将成分回归模型输出的成分预测数据进行筛选，将各个成分预测数据提取为预测数据集；选取每个环境特征下，每个预测数据集的预测指标；以预测指标为基础节点，输出每个环境特征聚类后的预测参数集；
对预测参数集中的预测指标进行特征识别，识别其中与当前环境特征相似程度最高的预测指标，作为第一输出指标；
基于第一输出指标，获取成分变化特征，若成分变化特征存在异常，则输出成分变化特征相似度最高的人体推荐方案；
若成分变化特征不存在异常，则获取成分变化分布图，基于成分变化分布图，获取成分变化中最接近的拐点的人体成分数据，输出为第二输出指标，基于第二输出指标与第一输出指标的比对结果，输出人体推荐方案。
7.如权利要求1所述的一种用于分析仪的局部人体成分数据处理方法，其特征在于，基于风险特征，获取人体交互数据；基于人体交互数据对风险特征进行信息组合，提取风险特征中的关键要素，输出为风险参数集；
基于获取的风险参数集，获取实时检测的测量压力，根据得到的测量压力，确定人体交互数据中的答复内容；
根据每个答复内容的不同，确定人体推荐方案的第一反馈范围；
根据设置的第一反馈范围，对每个的反馈趋势，确定可延伸的第二反馈范围；
对于获取的第一反馈范围，确定第一反馈范围的初始反馈内容，并基于预先比对结果，确定第一反馈范围的第一补充变量；
对于获取的第二反馈范围，判断第二反馈范围内是否存在重复内容，若不存在时，将第一补充变量作为输出变量；当存在时，去除重复内容，选择第二反馈范围中，趋势变化最为突出的前K个变量作为第二补充变量，输出第二补充变量；
根据第一补充变量和第二补充变量，确定风险实施方案。
8.如权利要求1所述的一种用于分析仪的局部人体成分数据处理方法，其特征在于，对于获取的风险实施方案，确定每个风险实施方案的检测阵列；
对于每个检测阵列进行分析，确定检测阵列中是否存在异常信号；
当存在异常信号时，确定检测阵列对应的检测周期，对检测周期进行信号分析；
当检测阵列正常时，获取风险实施方案的第一补充变量和第二补充变量，将第一补充变量和第二补充变量作为风险实施方案的评估指标；
将风险实施方案进行比对，不断循环，直至满足预设条件时结束循环。
9.如权利要求1所述的一种用于分析仪的局部人体成分数据处理方法，其特征在于，选取正在传输的风险实施方案，将风险实施方案根据人体成分的权重等级依次进行比较，当正在传输的风险实施方案的权重等级低于其他任一的风险实施方案时，将正在传输的风险实施方案放入临时存储区，并更新风险实施方案列表，重新选择传输的风险实施方案；当正在传输的风险实施方案权重等级大于其他任一的风险实施方案时，判断正在传输的风险实施方案是否满足预设条件，输出满足预设条件的风险实施方案，当正在传输的风险实施方案数量为0时，结束循环。
10.如权利要求8所述的一种用于分析仪的局部人体成分数据处理方法，其特征在于，预设条件包括：正在传输的风险实施方案的第一补充变量和第二补充变量均大于其他任一风险实施方案的第一补充变量和第二补充变量，且第一补充变量权重等级大于第二补充变量的权重等级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311368397.5A CN117373618A (zh) | 2023-10-23 | 2023-10-23 | 一种用于分析仪的局部人体成分数据处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311368397.5A CN117373618A (zh) | 2023-10-23 | 2023-10-23 | 一种用于分析仪的局部人体成分数据处理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117373618A true CN117373618A (zh) | 2024-01-09 |
Family
ID=89405482
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311368397.5A Pending CN117373618A (zh) | 2023-10-23 | 2023-10-23 | 一种用于分析仪的局部人体成分数据处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117373618A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106562788A (zh) * | 2016-11-09 | 2017-04-19 | 中科院合肥技术创新工程院 | 一种应用于智能健康马桶的人体成分检测分析方法 |
| CN108665957A (zh) * | 2018-04-08 | 2018-10-16 | 浙江康体汇科技有限公司 | 一种人体体成分预测及营养运动方案推荐方法 |
| KR20190063954A (ko) * | 2017-11-30 | 2019-06-10 | 염승민 | 인공지능 클라우드 영양소 변화 예측 방법과 인공지능 클라우드 영양소 대사량 측정 방법 및 그를 사용하는 질병관리 방법 |
| CN111105860A (zh) * | 2019-12-18 | 2020-05-05 | 青岛科技大学 | 面向慢性病康复的精准运动大数据智能预测、分析及优化系统 |
| US20200250408A1 (en) * | 2017-10-27 | 2020-08-06 | Asics Corporation | Motion state evaluation system, motion state evaluation device, motion state evaluation server, motion state evaluation method, and motion state evaluation program |
| CN111798963A (zh) * | 2020-07-07 | 2020-10-20 | 上海交通大学医学院附属瑞金医院 | 基于能量代谢与体重变化的个体化健康管理方法 |
| US20210038166A1 (en) * | 2019-08-05 | 2021-02-11 | Yeda Research And Development Co. Ltd. | Method and system for predicting childhood obesity |
| CN116705238A (zh) * | 2023-06-13 | 2023-09-05 | 陕西中医药大学 | 基于体医结合的运动处方健康数据管理平台 |
-
2023
- 2023-10-23 CN CN202311368397.5A patent/CN117373618A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106562788A (zh) * | 2016-11-09 | 2017-04-19 | 中科院合肥技术创新工程院 | 一种应用于智能健康马桶的人体成分检测分析方法 |
| US20200250408A1 (en) * | 2017-10-27 | 2020-08-06 | Asics Corporation | Motion state evaluation system, motion state evaluation device, motion state evaluation server, motion state evaluation method, and motion state evaluation program |
| KR20190063954A (ko) * | 2017-11-30 | 2019-06-10 | 염승민 | 인공지능 클라우드 영양소 변화 예측 방법과 인공지능 클라우드 영양소 대사량 측정 방법 및 그를 사용하는 질병관리 방법 |
| CN108665957A (zh) * | 2018-04-08 | 2018-10-16 | 浙江康体汇科技有限公司 | 一种人体体成分预测及营养运动方案推荐方法 |
| US20210038166A1 (en) * | 2019-08-05 | 2021-02-11 | Yeda Research And Development Co. Ltd. | Method and system for predicting childhood obesity |
| CN111105860A (zh) * | 2019-12-18 | 2020-05-05 | 青岛科技大学 | 面向慢性病康复的精准运动大数据智能预测、分析及优化系统 |
| CN111798963A (zh) * | 2020-07-07 | 2020-10-20 | 上海交通大学医学院附属瑞金医院 | 基于能量代谢与体重变化的个体化健康管理方法 |
| CN116705238A (zh) * | 2023-06-13 | 2023-09-05 | 陕西中医药大学 | 基于体医结合的运动处方健康数据管理平台 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gogolou et al. | Comparing similarity perception in time series visualizations | |
| CN110051324B (zh) | 一种急性呼吸窘迫综合征死亡率预测方法及系统 | |
| JP4029593B2 (ja) | プロセス分析方法及び情報システム | |
| KR20170061222A (ko) | 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치 | |
| CN116386869B (zh) | 一种基于多变量的病情危重程度评估方法 | |
| Galvan-Tejada et al. | Depression episodes detection in unipolar and bipolar patients: a methodology with feature extraction and feature selection with genetic algorithms using activity motion signal as information source | |
| CN112043252A (zh) | 基于脉搏信号中呼吸成分的情绪识别系统及方法 | |
| Mehmood et al. | Systematic framework to predict early-stage liver carcinoma using hybrid of feature selection techniques and regression techniques | |
| CN111631682B (zh) | 基于去趋势分析的生理特征集成方法、装置和计算机设备 | |
| CN114224343B (zh) | 认知障碍检测方法、装置、设备及存储介质 | |
| CN114943629A (zh) | 一种健康管理保健服务系统及其健康管理方法 | |
| CN116344050A (zh) | 一种基于多维度健康管理模型的评测方法 | |
| KR20110098286A (ko) | 퍼지 추론기법을 이용한 한방 자가 진단방법 | |
| WO2016006042A1 (ja) | データ分析装置、データ分析装置の制御方法、およびデータ分析装置の制御プログラム | |
| CN112037888B (zh) | 生理健康特征数据的监控方法、装置、设备及存储介质 | |
| CN116186561B (zh) | 基于高维时序图网络的跑步姿势识别纠正方法及系统 | |
| CN117373618A (zh) | 一种用于分析仪的局部人体成分数据处理方法 | |
| CN113076347A (zh) | 移动终端上基于情绪的推送程序筛选系统及筛选方法 | |
| Yaghouby et al. | SegWay: A simple framework for unsupervised sleep segmentation in experimental EEG recordings | |
| CN114550918A (zh) | 一种基于绘画特征数据的心理障碍测评方法及系统 | |
| JP2021067618A (ja) | 肉質判別プログラム及びシステム | |
| JP2003157439A (ja) | 画像のカテゴリー化による画像特徴量の相関抽出方法とその相関抽出装置 | |
| RU2609737C1 (ru) | Автоматизированная система распределенной когнитивной поддержки принятия диагностических решений в медицине | |
| Shi et al. | Integrating digital pen devices with traditional medical screening tool for cognitive assessment | |
| Neumann et al. | How do psychological and physiological performance determinants interact within individual athletes? An analytical network approach |
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 |