CN117393109B - 场景自适应的饮食监控方法、装置、设备及存储介质 - Google Patents

场景自适应的饮食监控方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN117393109B
CN117393109B CN202311687017.4A CN202311687017A CN117393109B CN 117393109 B CN117393109 B CN 117393109B CN 202311687017 A CN202311687017 A CN 202311687017A CN 117393109 B CN117393109 B CN 117393109B
Authority
CN
China
Prior art keywords
food
diet
intake
training
adaptive
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202311687017.4A
Other languages
English (en)
Other versions
CN117393109A (zh
Inventor
谢俊
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.)
Yihuiyun Intelligent Technology Shenzhen Co ltd
Original Assignee
Yihuiyun Intelligent Technology Shenzhen 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 Yihuiyun Intelligent Technology Shenzhen Co ltd filed Critical Yihuiyun Intelligent Technology Shenzhen Co ltd
Priority to CN202311687017.4A priority Critical patent/CN117393109B/zh
Publication of CN117393109A publication Critical patent/CN117393109A/zh
Application granted granted Critical
Publication of CN117393109B publication Critical patent/CN117393109B/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
    • G16H20/60—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
    • 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
    • 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
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/68—Food, e.g. fruit or vegetables

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Nutrition Science (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明涉及人工智能技术，揭露了一种场景自适应的饮食监控方法、装置、设备及存储介质。所述方法包括：对预构建的手部环境图像进行食物识别，得到食物类型信息并计算食物类型信息对应的摄入量，将食物类型信息及对应的摄入量存储至预构建的饮食记录列表中；利用预训练的饮食评估模型，根据预构建的用户健康状况信息、目标运动计划及所述饮食记录列表中预设时间段内的各个历史摄入食品及对应的摄入量，对所述食物类型信息进行自适应食量评估操作，得到食量评估结果；判断所述摄入量是否超过所述食量评估结果；当所述摄入量超过所述食量评估结果时，利用所述智能戒指生成报警提示信息。本发明可以通过智能戒指对不同场景下的饮食进行科学把控。

Description

场景自适应的饮食监控方法、装置、设备及存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种场景自适应的饮食监控方法、装置、设备及计算机可读存储介质。
背景技术
饮食监控如今在医疗健康及运动领域起到重要作用，然而饮食健康仍然是人为主观控制，具有较大的不稳定性。医疗领域中，饮食得不到控制，对于一些糖尿病等疾病的治疗造成严重影响。而运动场景下，饮食不规范会造成运动效果下降。
发明内容
本发明提供一种场景自适应的饮食监控方法、装置、设备及存储介质，其主要目的在于通过智能戒指对不同场景下的饮食进行科学把控。
为实现上述目的，本发明提供的一种场景自适应的饮食监控方法，包括：
利用智能戒指中的陀螺仪，获取所述智能戒指的运动轨迹；
当判断所述运动轨迹符合进食特征时，利用所述智能戒指获取手部环境图像；
对所述手部环境图像进行食物识别，得到食物类型信息；
识别所述运动轨迹判定为目标类型轨迹的动作次数，根据所述手部环境图像及所述动作次数计算食物的摄入量，并将所述食物类型信息及对应的摄入量存储至预构建的饮食记录列表中；
利用预训练的饮食评估模型，根据预构建的用户健康状况信息、目标运动计划及所述饮食记录列表中预设时间段内的各个历史摄入食品及对应的摄入量，对所述食物类型信息进行自适应食量评估操作，得到食量评估结果；
判断所述摄入量是否超过所述食量评估结果；
当所述摄入量超过所述食量评估结果时，利用所述智能戒指生成报警提示信息。
可选的，所述利用预训练的饮食评估模型，根据预构建的用户健康状况信息、目标运动计划及所述饮食记录列表中预设时间段内的各个历史摄入食品及对应的摄入量，对所述食物类型信息进行自适应食量评估操作，得到食量评估结果，包括：
利用所述饮食评估模型对所述用户健康状况信息及目标运动计划进行特征工程操作，得到健康及运动特征向量集合；
对所述食物类型信息及所述历史摄入食品分别进行特征提取操作，得到食物特征向量及历史食物特征向量；
对所述健康及运动特征向量集合、食物特征向量及历史食物特征向量进行全连接分类判断，得到食量评估结果。
可选的，所述利用所述饮食评估模型对所述用户健康状况信息及目标运动计划进行特征工程操作，得到健康及运动特征向量集合，包括：
利用所述饮食评估模型对所述用户健康状况信息及所述目标运动计划进行分词处理，得到分词结果，并根据预设的关键词词库，对所述分词结果进行关键词查询，得到关键分词数据集合；
对所述关键分词数据集合进行数据清洗操作，并对数据清洗结果进行量化操作，得到干净分词集合；
根据预设的相关阈值，对所述干净分词集合进行过滤式特征选择，得到有效特征集合；
对所述有效特征集合进行特征提取，得到进阶有效特征集合；
对所述有效特征集合及进阶有效特征集合统一进行量化编码，得到健康及运动特征向量集合。
可选的，所述利用预训练的饮食评估模型之前，所述方法还包括：
获取预构建的饮食评估模型及训练样本集合，将所述训练样本分为预设比例的训练集及测试集；
依次从所述训练集中提取一个训练样本，利用所述饮食评估模型对所述训练样本中的用户健康数据进行用户健康饮食预测，得到健康饮食限制序列；
对所述健康饮食限制序列及所述训练样本中的目标食物进行食物量级预测，得到预测食物最高摄入量；
利用交叉熵损失算法对所述训练样本中的摄入量标签与所述预测食物最高摄入量进行损失值计算，得到模型预测损失值，并对所述模型预测损失值进行最小化操作，得到所述模型预测损失值最小时的网络模型参数，并对所述网络模型参数进行网络逆向更新操作，得到更新饮食评估模型；
判断所述训练集中的训练样本是否全部参与训练过程；
当所述训练集中存在未参与训练的训练样本，则返回上述依次从所述训练集中提取一个训练样本的过程，对所述更新饮食评估模型进行迭代训练；
当所述训练集中各个训练样本全部参与训练过程，则利用所述测试集对所述更新饮食评估模型进行测试，得到测试准确度；
当所述测试准确度小于预设的合格阈值时，返回上述将所述训练样本分为预设比例的训练集及测试集的过程，重新构建训练集及测试集对所述更新饮食评估模型进行训练；
当所述测试准确度大于或等于预设的合格阈值时，停止训练过程，得到训练完成的饮食评估模型。
可选的，所述利用所述智能戒指生成报警提示信息，包括：
利用所述智能戒指生成震动指令，并利用所述智能戒指中的震动马达，根据所述震动指令进行震动提示；
根据所述震动指令调取预设的文本报警模板，根据所述食量评估结果及所述文本报警模板生成报警提示信息，并将所述报警提示信息发送至所述智能戒指连接的电子设备中。
可选的，所述对所述手部环境图像进行食物识别，得到食物类型信息，包括：
对所述手部环境图像进行滤波处理，得到降噪图像；
对所述降噪图像进行特征提取，得到图像特征序列集合；
对所述图像特征序列集合进行基于食物特征的特征分类提取操作，得到食物特征序列集合；
对所述食物特征序列集合进行全连接识别操作，得到食物类型信息。
可选的，所述利用预构建的智能戒指中的陀螺仪，获取所述智能戒指的运动轨迹，包括：
获取所述陀螺仪实时采集到的角速度信息，得到初始角信息序列；
对所述初始角信息序列进行中值滤波处理，得到降噪角信息序列；
对所述降噪角信息序列进行积分操作，得到手部初级运动轨迹；
根据预设的数据校准策略对所述手部初级运动轨迹进行轨迹修复，得到运动轨迹。
为了解决上述问题，本发明还提供一种场景自适应的饮食监控装置，所述装置包括：
进食动作图像获取模块，用于利用智能戒指中的陀螺仪，获取所述智能戒指的运动轨迹，及当判断所述运动轨迹符合进食特征时，利用所述智能戒指获取手部环境图像；
食物及食量识别模块，用于对所述手部环境图像进行食物识别，得到食物类型信息，及识别所述运动轨迹判定为目标类型轨迹的动作次数，根据所述手部环境图像及所述动作次数计算食物的摄入量，并将所述食物类型信息及对应的摄入量存储至预构建的饮食记录列表中；
场景适应食量评估模块，用于利用预训练的饮食评估模型，根据预构建的用户健康状况信息、目标运动计划及所述饮食记录列表中预设时间段内的各个历史摄入食品及对应的摄入量，对所述食物类型信息进行自适应食量评估操作，得到食量评估结果；
报警模块，用于判断所述摄入量是否超过所述食量评估结果，及当所述摄入量超过所述食量评估结果时，利用所述智能戒指生成报警提示信息。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的场景自适应的饮食监控方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的场景自适应的饮食监控方法。
本发明实施例采用陀螺仪监控手部运动轨迹的方法对用户的饮食动作进行监控；当用户开始吃东西时，可以通过智能戒指的图像识别，获取食物类型信息及摄入量，然后根据智能戒指中内嵌的饮食评估模型根据食物类型信息获取用户对所述食物能够接受的限度，得到食量评估结果；最终通过摄入量与食量评估结果进行对比，实现对饮食的量进行把控。因此，本发明实施例提供的一种场景自适应的饮食监控方法、装置、设备及存储介质，能够在于通过智能戒指对饮食进行科学把控。
附图说明
图1为本发明一实施例提供的场景自适应的饮食监控方法的流程示意图；
图2为本发明一实施例提供的场景自适应的饮食监控方法中一个步骤的详细流程示意图；
图3为本发明一实施例提供的场景自适应的饮食监控方法中一个步骤的详细流程示意图；
图4为本发明一实施例提供的场景自适应的饮食监控装置的功能模块图；
图5为本发明一实施例提供的实现所述场景自适应的饮食监控方法的电子设备的结构示意图。
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
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。
本申请实施例提供一种场景自适应的饮食监控方法。本申请实施例中，所述场景自适应的饮食监控方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述场景自适应的饮食监控方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、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、内容分发网络(Content DeliveryNetwork，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。
参照图1所示，为本发明一实施例提供的场景自适应的饮食监控方法的流程示意图。在本实施例中，所述场景自适应的饮食监控方法包括：
S1、利用智能戒指中的陀螺仪，获取所述智能戒指的运动轨迹。
其中，所述陀螺仪是一种用于测量角速度的传感器，内置在所述智能戒指中。当手部进行运动时，陀螺仪可以感应到手部的旋转、倾斜和加速度等变化。
详细的，本发明实施例中，所述利用预构建的智能戒指中的陀螺仪，获取所述智能戒指的运动轨迹，包括：
获取所述陀螺仪实时采集到的角速度信息，得到初始角信息序列；
对所述初始角信息序列进行中值滤波处理，得到降噪角信息序列；
对所述降噪角信息序列进行积分操作，得到手部初级运动轨迹；
根据预设的数据校准策略对所述手部初级运动轨迹进行轨迹修复，得到运动轨迹。
本发明实施例中陀螺仪会不断地采集手部运动时产生的角速度和加速度等数据，并以数字信号的形式传输到智能戒指的处理器中。然后智能戒指的处理器会对采集到的数据进行处理和分析，例如角速度、加速度等数据的滤波、积分等数学运算，以便得到手部的运动轨迹和姿态变化。
此外，本发明实施例中陀螺仪采集到的原始数据可能会受到噪声的干扰，因此需要对数据进行移动平均滤波或中值滤波等滤波处理。而陀螺仪可能存在漂移等问题，因此需要进行零偏校准或尺度因子校准等技术的数据校准操作，以确保测量的准确性。
S2、判断所述运动轨迹是否为进食特征。
为减少对手部数据的监控数据量，本发明实施例采用手部动作监控的方式开启手部环境图像的获取服务。其中，所述进食特征为吃饭喝水等进食类动作的轨迹类型。
当所述运动轨迹为非目标类型轨迹时，返回上述S1的操作，持续对陀螺仪的数据进行监控。
当判断所述运动轨迹为目标类型轨迹时，S3、利用所述智能戒指获取被佩戴手指的手部环境图像。
本发明实施例中可以采用毫米波雷达、红外光等光电技术进行图像采集，得到手部环境图像。
S4、对所述手部环境图像进行食物识别，得到食物类型信息。
详细的，本发明实施例中，所述对所述手部环境图像进行食物识别，得到食物类型信息，包括：
对所述手部环境图像进行滤波处理，得到降噪图像；
对所述降噪图像进行特征提取，得到图像特征序列集合；
对所述图像特征序列集合进行基于食物特征的特征分类提取操作，得到食物特征序列集合；
对所述食物特征序列集合进行全连接识别操作，得到食物类型信息。
本发明实施例中可以通过高斯滤波方法对手部环境图像进行滤波处理，得到降噪图像，其中，所述高斯滤波的基本原理是利用高斯函数的权重来对数据进行加权平均，从而实现平滑处理，可以有效地去除由于传感器噪声或其他干扰引入的不规则波动，从而得到更加平稳和可靠的数据。
本发明实施例中通过全类别的卷积核集合对所述降噪图像进行特征提取得到图像特征序列集合，然后通过分类判断将属于食物类型的特征进行提取，得到食物特征序列集合，最后通过全连接所述食物特征序列集合中的各个特征，从而识别得到食物类型信息。其中，所述卷积核集合中除了识别食品特征的卷积核外，还加入了识别药品的卷积核。
S5、识别所述运动轨迹判定为目标类型轨迹的动作次数，根据所述手部环境图像及所述动作次数计算食物的摄入量，并将所述食物类型信息及对应的摄入量存储至预构建的饮食记录列表中。
本发明实施例中可以通过模式识别对预设的动作次数进行统计。
其中，所述饮食记录列表可以记录前一至三顿的饮食记录，可用于检查用户历史吃的食物与药品，一方面提高用户饮食丰富性，另一方面保证饮食与药物不会产生冲突。
所述模式识别是指利用机器学习和模式识别算法，对手部的运动轨迹进行分析和识别的方法。本发明实施例可以通过模式识别预设的目标轨迹类型，并将识别成功的次数对预设的动作次数的参数进行赋值。
进一步的，本发明实施例通过手部环境图像获取每一次动作的食物量级。
具体的，本发明实施例中可以通过筷子长短、手指粗细等预估数值，利用三角测距算法对筷子夹起的菜量进行体积预估，从而得到单次食量统计，进而通过阶段性计算平均值，得到平均食量数值，最终根据所述入口次数进行乘积计算，得到食物的摄入量。
其中，所述所述三角测距算法是一种基于三角形几何原理的测距方法，通常用于通过已知的几何信息来计算目标物体到观测点的距离。
S6、利用预训练的饮食评估模型，根据预构建的用户健康状况信息、目标运动计划及所述饮食记录列表中预设时间段内的各个历史摄入食品及对应的摄入量，对所述食物类型信息进行自适应食量评估操作，得到食量评估结果。
本发明实施例中，所述饮食评估模型是指基于transformer模型的神经网络回归模型，用于根据用户健康状况信息、运动计划与历史饮食构建针对于目标食物类型的人体消耗的食量评估结果。
详细的，参考图2所示，本发明实施例中，所述利用预训练的饮食评估模型，根据预构建的用户健康状况信息及目标运动计划，对所述食物类型信息进行自适应食量评估操作，得到食量评估结果，包括：
S61、利用所述饮食评估模型对所述用户健康状况信息及目标运动计划进行特征工程操作，得到健康及运动特征向量集合；
S62、对所述食物类型信息及所述历史摄入食品分别进行特征提取操作，得到食物特征向量及历史食物特征向量；
S63、对所述健康及运动特征向量集合、食物特征向量及历史食物特征向量进行全连接分类判断，得到食量评估结果。
本发明实施例中，若存在运动计划的场景，则表明用户需要更多摄入营养，以便于消耗，而若历史食物中存在药物或者重油盐的食物的场景，表明用户可以少吃或者不可以吃一些食物，因此，运动计划通常会导致饮食评估结果朝宽裕的方向变化，而历史食物可能会对饮食评估结果朝着紧张的方向变化。本发明实施例中可以根据场景信息不同而适应性调整饮食计划。
其中，所述特征工程是指利用领域知识和数据分析技术，对原始数据进行处理和转换，以提取出对模型训练和预测有用的特征。
详细的，本发明实施例中，所述利用所述饮食评估模型对所述用户健康状况信息及目标运动计划进行特征工程操作，得到健康及运动特征向量集合，包括：
利用所述饮食评估模型对所述用户健康状况信息及所述目标运动计划进行分词处理，得到分词结果，并根据预设的关键词词库，对所述分词结果进行关键词查询，得到关键分词数据集合；
对所述关键分词数据集合进行数据清洗操作，并对数据清洗结果进行量化操作，得到干净分词集合；
根据预设的相关阈值，对所述干净分词集合进行过滤式特征选择，得到有效特征集合；
对所述有效特征集合进行特征提取，得到进阶有效特征集合；
对所述有效特征集合及进阶有效特征集合统一进行量化编码，得到健康及运动特征向量集合。
本发明实施例中首先需要通过预设的关键词词库，收集用户的身体健康数据，包括身高、体重、年龄、性别、体脂率、骨量等信息。然后通过处理缺失值、异常值和错误数据等数据清洗操作，确保数据的准确性和完整性。然后根据领域知识和数据分析，选择身高、体重、年龄等与饮食评估相关的重要特征，并通过特征提取计算BMI（身体质量指数）、BMR（基础代谢率）等进阶有效特征集合，最终通过独热模型或其他编码方法进行特征量化，得到健康及运动特征向量集合。
本发明实施例中特征工程提取到的健康及运动特征向量集合可以直接用于饮食评估模型的计算过程中而不需要重新提取，因此，只需再将食物类型信息进行特征提取操作，得到食物特征向量，即可进行全部特征的全连接操作，得到食量评估结果。
进一步的，参考图3所示，本发明实施例中，所述利用预训练的饮食评估模型之前，所述方法还包括：
S601、获取预构建的饮食评估模型及训练样本集合，将所述训练样本分为预设比例的训练集及测试集；
S602、依次从所述训练集中提取一个训练样本，利用所述饮食评估模型对所述训练样本中的用户健康数据进行用户健康饮食预测，得到健康饮食限制序列；
S603、对所述健康饮食限制序列及所述训练样本中的目标食物进行食物量级预测，得到预测食物最高摄入量；
S604、利用交叉熵损失算法对所述训练样本中的摄入量标签与所述预测食物最高摄入量进行损失值计算，得到模型预测损失值，并对所述模型预测损失值进行最小化操作，得到所述模型预测损失值最小时的网络模型参数，并对所述网络模型参数进行网络逆向更新操作，得到更新饮食评估模型；
S605、判断所述训练集中的训练样本是否全部参与训练过程；
当所述训练集中存在未参与训练的训练样本，则返回上述S602的过程，对所述更新饮食评估模型进行迭代训练；
当所述训练集中各个训练样本全部参与训练过程，则S606、利用所述测试集对所述更新饮食评估模型进行测试，得到测试准确度；
S607、判断所述测试准确度是否大于或等于预设的合格阈值；
当所述测试准确度小于预设的合格阈值时，返回上述S601的过程，重新构建训练集及测试集对所述更新饮食评估模型进行训练；
当所述测试准确度大于或等于预设的合格阈值时，S608、停止训练过程，得到训练完成的饮食评估模型。
本发明实施例中所述预设比例可以为测试集：训练集=3：7。
本发明实施例中获取训练集及测试集可以通过随机抽取的方式进行，保证每次构建的训练集及测试集不同。
然后，本发明实施例采用交叉熵损失算法对训练样本的摄入量标签与所述预测食物最高摄入量进行损失值计算，得到模型预测损失值，然后通过最小化的方式获取网络模型参数，并进行网络逆向传递，从而得到更新饮食评估模型。
本发明实施例中采用测试模型准确性的方式对更新饮食评估模型进行把控，例如配置合格阈值95%，当测试准确度大于95%可以表明模型较为准确，否则重新构建训练集及测试集进行模型训练，最终得到训练完成的饮食评估模型。
S7、判断所述摄入量是否超过所述食量评估结果；
当所述摄入量未超过所述食量评估结果，则返回上述S5的操作步骤，继续对所述摄入量进行监控。
当所述摄入量超过所述食量评估结果时，S8、利用所述智能戒指生成报警提示信息。
详细的，本发明实施例中，所述利用所述智能戒指生成报警提示信息，包括：
利用所述智能戒指生成震动指令，并利用所述智能戒指中的震动马达，根据所述震动指令进行震动提示；
根据所述震动指令调取预设的文本报警模板，根据所述食量评估结果及所述文本报警模板生成报警提示信息，并将所述报警提示信息发送至所述智能戒指连接的电子设备中。
本发明实施例中不仅可以在食物摄入超标的情况下对用户进行震动提醒，亦可以通过预设的文本报警模板，例如**用户您好，**食物今日已到达适用上限，请规范饮食。并将食量评估结果中的对应信息填充到**位置，从而得到报警提示信息，最后可以发送至所述智能戒指连接的电子设备中，例如智能手机、智能手环等上，这些设备可以通过文本可视化或者语音播报的形式提示用户。
本发明实施例采用陀螺仪监控手部运动轨迹的方法对用户的饮食动作进行监控；当用户开始吃东西时，可以通过智能戒指的图像识别，获取食物类型信息及摄入量，然后根据智能戒指中内嵌的饮食评估模型根据食物类型信息获取用户对所述食物能够接受的限度，得到食量评估结果；最终通过摄入量与食量评估结果进行对比，实现对饮食的量进行把控。因此，本发明实施例提供的一种场景自适应的饮食监控方法，能够在于通过智能戒指对饮食进行科学把控。
如图4所示，是本发明一实施例提供的场景自适应的饮食监控装置的功能模块图。
本发明所述场景自适应的饮食监控装置100可以安装于电子设备中。根据实现的功能，所述场景自适应的饮食监控装置100可以包括进食动作图像获取模块101、食物及食量识别模块102、场景适应食量评估模块103及报警模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述进食动作图像获取模块101，用于利用智能戒指中的陀螺仪，获取所述智能戒指的运动轨迹，及当判断所述运动轨迹符合进食特征时，利用所述智能戒指获取手部环境图像；
所述食物及食量识别模块102，用于对所述手部环境图像进行食物识别，得到食物类型信息，及识别所述运动轨迹判定为目标类型轨迹的动作次数，根据所述手部环境图像及所述动作次数计算食物的摄入量，并将所述食物类型信息及对应的摄入量存储至预构建的饮食记录列表中；
所述场景适应食量评估模块103，用于利用预训练的饮食评估模型，根据预构建的用户健康状况信息、目标运动计划及所述饮食记录列表中预设时间段内的各个历史摄入食品及对应的摄入量，对所述食物类型信息进行自适应食量评估操作，得到食量评估结果；
所述报警模块104，用于判断所述摄入量是否超过所述食量评估结果，及当所述摄入量超过所述食量评估结果时，利用所述智能戒指生成报警提示信息。
详细地，本申请实施例中所述场景自适应的饮食监控装置100中所述的各模块在使用时采用与上述图1至图3中所述的场景自适应的饮食监控方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明一实施例提供的实现场景自适应的饮食监控方法的电子设备1的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如场景自适应的饮食监控程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing Unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备1的控制核心（ControlUnit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如执行场景自适应的饮食监控程序等），以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡（Smart Media Card，SMC）、安全数字（Secure Digital，SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如场景自适应的饮食监控程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准（Peripheral ComponentInterconnect，简称PCI）总线或扩展工业标准结构（Extended Industry StandardArchitecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备1与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的场景自适应的饮食监控程序是多个指令的组合，在所述处理器10中运行时，可以实现：
利用智能戒指中的陀螺仪，获取所述智能戒指的运动轨迹；
当判断所述运动轨迹符合进食特征时，利用所述智能戒指获取手部环境图像；
对所述手部环境图像进行食物识别，得到食物类型信息；
识别所述运动轨迹判定为目标类型轨迹的动作次数，根据所述手部环境图像及所述动作次数计算食物的摄入量，并将所述食物类型信息及对应的摄入量存储至预构建的饮食记录列表中；
利用预训练的饮食评估模型，根据预构建的用户健康状况信息、目标运动计划及所述饮食记录列表中预设时间段内的各个历史摄入食品及对应的摄入量，对所述食物类型信息进行自适应食量评估操作，得到食量评估结果；
判断所述摄入量是否超过所述食量评估结果；
当所述摄入量超过所述食量评估结果时，利用所述智能戒指生成报警提示信息。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
利用智能戒指中的陀螺仪，获取所述智能戒指的运动轨迹；
当判断所述运动轨迹符合进食特征时，利用所述智能戒指获取手部环境图像；
对所述手部环境图像进行食物识别，得到食物类型信息；
识别所述运动轨迹判定为目标类型轨迹的动作次数，根据所述手部环境图像及所述动作次数计算食物的摄入量，并将所述食物类型信息及对应的摄入量存储至预构建的饮食记录列表中；
利用预训练的饮食评估模型，根据预构建的用户健康状况信息、目标运动计划及所述饮食记录列表中预设时间段内的各个历史摄入食品及对应的摄入量，对所述食物类型信息进行自适应食量评估操作，得到食量评估结果；
判断所述摄入量是否超过所述食量评估结果；
当所述摄入量超过所述食量评估结果时，利用所述智能戒指生成报警提示信息。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请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。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (9)

1.一种场景自适应的饮食监控方法，其特征在于，所述方法包括：
利用智能戒指中的陀螺仪，获取所述智能戒指的运动轨迹；
当判断所述运动轨迹符合进食特征时，利用所述智能戒指获取手部环境图像；
对所述手部环境图像进行食物识别，得到食物类型信息；
识别所述运动轨迹判定为目标类型轨迹的动作次数，根据所述手部环境图像及所述动作次数计算食物的摄入量，并将所述食物类型信息及对应的摄入量存储至预构建的饮食记录列表中；
利用预训练的饮食评估模型，根据预构建的用户健康状况信息、目标运动计划及所述饮食记录列表中预设时间段内的各个历史摄入食品及对应的摄入量，对所述食物类型信息进行自适应食量评估操作，得到食量评估结果；
判断所述摄入量是否超过所述食量评估结果；
当所述摄入量超过所述食量评估结果时，利用所述智能戒指生成报警提示信息；
其中，所述利用预训练的饮食评估模型之前，所述方法还包括：
获取预构建的饮食评估模型及训练样本集合，将所述训练样本分为预设比例的训练集及测试集；
依次从所述训练集中提取一个训练样本，利用所述饮食评估模型对所述训练样本中的用户健康数据进行用户健康饮食预测，得到健康饮食限制序列；
对所述健康饮食限制序列及所述训练样本中的目标食物进行食物量级预测，得到预测食物最高摄入量；
利用交叉熵损失算法对所述训练样本中的摄入量标签与所述预测食物最高摄入量进行损失值计算，得到模型预测损失值，并对所述模型预测损失值进行最小化操作，得到所述模型预测损失值最小时的网络模型参数，并对所述网络模型参数进行网络逆向更新操作，得到更新饮食评估模型；
判断所述训练集中的训练样本是否全部参与训练过程；
当所述训练集中存在未参与训练的训练样本，则返回上述依次从所述训练集中提取一个训练样本的过程，对所述更新饮食评估模型进行迭代训练；
当所述训练集中各个训练样本全部参与训练过程，则利用所述测试集对所述更新饮食评估模型进行测试，得到测试准确度；
当所述测试准确度小于预设的合格阈值时，返回上述将所述训练样本分为预设比例的训练集及测试集的过程，重新构建训练集及测试集对所述更新饮食评估模型进行训练；
当所述测试准确度大于或等于预设的合格阈值时，停止训练过程，得到训练完成的饮食评估模型。
2.如权利要求1所述的场景自适应的饮食监控方法，其特征在于，所述利用预训练的饮食评估模型，根据预构建的用户健康状况信息、目标运动计划及所述饮食记录列表中预设时间段内的各个历史摄入食品及对应的摄入量，对所述食物类型信息进行自适应食量评估操作，得到食量评估结果，包括：
利用所述饮食评估模型对所述用户健康状况信息及目标运动计划进行特征工程操作，得到健康及运动特征向量集合；
对所述食物类型信息及所述历史摄入食品分别进行特征提取操作，得到食物特征向量及历史食物特征向量；
对所述健康及运动特征向量集合、食物特征向量及历史食物特征向量进行全连接分类判断，得到食量评估结果。
3.如权利要求2所述的场景自适应的饮食监控方法，其特征在于，所述利用所述饮食评估模型对所述用户健康状况信息及目标运动计划进行特征工程操作，得到健康及运动特征向量集合，包括：
利用所述饮食评估模型对所述用户健康状况信息及所述目标运动计划进行分词处理，得到分词结果，并根据预设的关键词词库，对所述分词结果进行关键词查询，得到关键分词数据集合；
对所述关键分词数据集合进行数据清洗操作，并对数据清洗结果进行量化操作，得到干净分词集合；
根据预设的相关阈值，对所述干净分词集合进行过滤式特征选择，得到有效特征集合；
对所述有效特征集合进行特征提取，得到进阶有效特征集合；
对所述有效特征集合及进阶有效特征集合统一进行量化编码，得到健康及运动特征向量集合。
4.如权利要求1所述的场景自适应的饮食监控方法，其特征在于，所述利用所述智能戒指生成报警提示信息，包括：
利用所述智能戒指生成震动指令，并利用所述智能戒指中的震动马达，根据所述震动指令进行震动提示；
根据所述震动指令调取预设的文本报警模板，根据所述食量评估结果及所述文本报警模板生成报警提示信息，并将所述报警提示信息发送至所述智能戒指连接的电子设备中。
5.如权利要求1所述的场景自适应的饮食监控方法，其特征在于，所述对所述手部环境图像进行食物识别，得到食物类型信息，包括：
对所述手部环境图像进行滤波处理，得到降噪图像；
对所述降噪图像进行特征提取，得到图像特征序列集合；
对所述图像特征序列集合进行基于食物特征的特征分类提取操作，得到食物特征序列集合；
对所述食物特征序列集合进行全连接识别操作，得到食物类型信息。
6.如权利要求1所述的场景自适应的饮食监控方法，其特征在于，所述利用智能戒指中的陀螺仪，获取所述智能戒指的运动轨迹，包括：
获取所述陀螺仪实时采集到的角速度信息，得到初始角信息序列；
对所述初始角信息序列进行中值滤波处理，得到降噪角信息序列；
对所述降噪角信息序列进行积分操作，得到手部初级运动轨迹；
根据预设的数据校准策略对所述手部初级运动轨迹进行轨迹修复，得到运动轨迹。
7.一种场景自适应的饮食监控装置，其特征在于，所述装置包括：
进食动作图像获取模块，用于利用智能戒指中的陀螺仪，获取所述智能戒指的运动轨迹，及当判断所述运动轨迹符合进食特征时，利用所述智能戒指获取手部环境图像；
食物及食量识别模块，用于对所述手部环境图像进行食物识别，得到食物类型信息，及识别所述运动轨迹判定为目标类型轨迹的动作次数，根据所述手部环境图像及所述动作次数计算食物的摄入量，并将所述食物类型信息及对应的摄入量存储至预构建的饮食记录列表中；
场景适应食量评估模块，用于利用预训练的饮食评估模型，根据预构建的用户健康状况信息、目标运动计划及所述饮食记录列表中预设时间段内的各个历史摄入食品及对应的摄入量，对所述食物类型信息进行自适应食量评估操作，得到食量评估结果；
报警模块，用于判断所述摄入量是否超过所述食量评估结果，及当所述摄入量超过所述食量评估结果时，利用所述智能戒指生成报警提示信息；
所述场景适应食量评估模块，还用于获取预构建的饮食评估模型及训练样本集合，将所述训练样本分为预设比例的训练集及测试集；依次从所述训练集中提取一个训练样本，利用所述饮食评估模型对所述训练样本中的用户健康数据进行用户健康饮食预测，得到健康饮食限制序列；对所述健康饮食限制序列及所述训练样本中的目标食物进行食物量级预测，得到预测食物最高摄入量；利用交叉熵损失算法对所述训练样本中的摄入量标签与所述预测食物最高摄入量进行损失值计算，得到模型预测损失值，并对所述模型预测损失值进行最小化操作，得到所述模型预测损失值最小时的网络模型参数，并对所述网络模型参数进行网络逆向更新操作，得到更新饮食评估模型；判断所述训练集中的训练样本是否全部参与训练过程；当所述训练集中存在未参与训练的训练样本，则返回上述依次从所述训练集中提取一个训练样本的过程，对所述更新饮食评估模型进行迭代训练；当所述训练集中各个训练样本全部参与训练过程，则利用所述测试集对所述更新饮食评估模型进行测试，得到测试准确度；当所述测试准确度小于预设的合格阈值时，返回上述将所述训练样本分为预设比例的训练集及测试集的过程，重新构建训练集及测试集对所述更新饮食评估模型进行训练；当所述测试准确度大于或等于预设的合格阈值时，停止训练过程，得到训练完成的饮食评估模型。
8.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6中任意一项所述的场景自适应的饮食监控方法。
9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的场景自适应的饮食监控方法。
CN202311687017.4A 2023-12-11 2023-12-11 场景自适应的饮食监控方法、装置、设备及存储介质 Active CN117393109B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311687017.4A CN117393109B (zh) 2023-12-11 2023-12-11 场景自适应的饮食监控方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311687017.4A CN117393109B (zh) 2023-12-11 2023-12-11 场景自适应的饮食监控方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN117393109A CN117393109A (zh) 2024-01-12
CN117393109B true CN117393109B (zh) 2024-03-22

Family

ID=89437738

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311687017.4A Active CN117393109B (zh) 2023-12-11 2023-12-11 场景自适应的饮食监控方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117393109B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105793887A (zh) * 2013-12-06 2016-07-20 三星电子株式会社 用于捕获用户的食物消耗信息的方法和系统
WO2023159909A1 (zh) * 2022-02-25 2023-08-31 重庆邮电大学 一种基于深度学习食物图像识别模型的营养管理方法及系统
CN116884571A (zh) * 2023-09-07 2023-10-13 北京四海汇智科技有限公司 一种基于图像处理的膳食重量智能评估系统
CN117133407A (zh) * 2023-10-26 2023-11-28 北京四海汇智科技有限公司 用于儿童的多标签神经网络的营养均衡评估方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113035322A (zh) * 2016-01-28 2021-06-25 克鲁有限公司 用于跟踪食物摄入和其它行为并提供相关反馈的方法和设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105793887A (zh) * 2013-12-06 2016-07-20 三星电子株式会社 用于捕获用户的食物消耗信息的方法和系统
WO2023159909A1 (zh) * 2022-02-25 2023-08-31 重庆邮电大学 一种基于深度学习食物图像识别模型的营养管理方法及系统
CN116884571A (zh) * 2023-09-07 2023-10-13 北京四海汇智科技有限公司 一种基于图像处理的膳食重量智能评估系统
CN117133407A (zh) * 2023-10-26 2023-11-28 北京四海汇智科技有限公司 用于儿童的多标签神经网络的营养均衡评估方法及系统

Also Published As

Publication number Publication date
CN117393109A (zh) 2024-01-12

Similar Documents

Publication Publication Date Title
CN109741309B (zh) 一种基于深度回归网络的骨龄预测方法及装置
CN113159147B (zh) 基于神经网络的图像识别方法、装置、电子设备
CN116311539B (zh) 基于毫米波的睡眠动作捕捉方法、装置、设备及存储介质
CN113724848A (zh) 基于人工智能的医疗资源推荐方法、装置、服务器及介质
CN109949280B (zh) 图像处理方法、装置、设备存储介质及生长发育评估系统
CN113674858B (zh) 在线医疗处方用药智能检查方法、装置、设备及存储介质
CN112419326B (zh) 图像分割数据处理方法、装置、设备及存储介质
CN113724847A (zh) 基于人工智能的医疗资源分配方法、装置、终端设备及介质
CN116578704A (zh) 文本情感分类方法、装置、设备及计算机可读介质
CN116942149A (zh) 基于毫米波雷达的腰椎监控方法、装置、设备及存储介质
CN117524413B (zh) 基于毫米波雷达的运动保护方法、装置、设备及介质
CN113990500A (zh) 一种生命体征参数的监测方法、装置以及储存介质
CN117393109B (zh) 场景自适应的饮食监控方法、装置、设备及存储介质
CN117373580A (zh) 基于时序网络实现钛合金产品的性能分析方法及系统
CN116884612A (zh) 疾病风险等级的智能分析方法、装置、设备及存储介质
CN112149602A (zh) 动作计数方法、装置、电子设备及存储介质
CN116257885A (zh) 基于联邦学习的隐私数据通信方法、系统和计算机设备
CN112754457B (zh) 体脂健康状态获取方法、装置和系统
CN115547491A (zh) 健康管理方法、装置、电子设备及存储介质
CN116687357B (zh) 基于毫米波雷达的睡眠监测方法、装置、设备及存储介质
CN116486097B (zh) 应用于啮齿动物喂食场景下的远程自动投喂方法及系统
CN113723554B (zh) 模型调度方法、装置、电子设备及计算机可读存储介质
CN117253096B (zh) 手指自适应的健康指标监控方法、装置、设备及存储介质
CN117838072B (zh) 智能床垫的心血管疾病监控方法、装置、设备及存储介质
CN114373549B (zh) 一种面向老年人的自适应运动处方健康干预方法及系统

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