CN117594195B - 基于大数据的肾病患者饮食情况分析系统及方法 - Google Patents
基于大数据的肾病患者饮食情况分析系统及方法 Download PDFInfo
- Publication number
- CN117594195B CN117594195B CN202410073231.9A CN202410073231A CN117594195B CN 117594195 B CN117594195 B CN 117594195B CN 202410073231 A CN202410073231 A CN 202410073231A CN 117594195 B CN117594195 B CN 117594195B
- Authority
- CN
- China
- Prior art keywords
- data
- diet
- time sequence
- body data
- training
- 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
Links
- 235000005911 diet Nutrition 0.000 title claims abstract description 206
- 230000037213 diet Effects 0.000 title claims abstract description 180
- 238000004458 analytical method Methods 0.000 title claims abstract description 67
- 208000017169 kidney disease Diseases 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 25
- 239000013598 vector Substances 0.000 claims abstract description 208
- 230000003993 interaction Effects 0.000 claims abstract description 57
- 230000004927 fusion Effects 0.000 claims abstract description 52
- 230000000378 dietary effect Effects 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 24
- 230000004043 responsiveness Effects 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 124
- 230000006870 function Effects 0.000 claims description 37
- 230000004044 response Effects 0.000 claims description 33
- 238000000605 extraction Methods 0.000 claims description 28
- 230000002123 temporal effect Effects 0.000 claims description 26
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 235000012054 meals Nutrition 0.000 claims description 14
- 239000008280 blood Substances 0.000 claims description 11
- 210000004369 blood Anatomy 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 10
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 claims description 8
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 7
- 235000013305 food Nutrition 0.000 claims description 7
- 239000008103 glucose Substances 0.000 claims description 7
- 230000000875 corresponding effect Effects 0.000 claims description 6
- 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 claims description 5
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 5
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 claims description 5
- 230000036772 blood pressure Effects 0.000 claims description 5
- 229910052698 phosphorus Inorganic materials 0.000 claims description 5
- 239000011574 phosphorus Substances 0.000 claims description 5
- 239000011591 potassium Substances 0.000 claims description 5
- 229910052700 potassium Inorganic materials 0.000 claims description 5
- 239000011734 sodium Substances 0.000 claims description 5
- 229910052708 sodium Inorganic materials 0.000 claims description 5
- PNNCWTXUWKENPE-UHFFFAOYSA-N [N].NC(N)=O Chemical compound [N].NC(N)=O PNNCWTXUWKENPE-UHFFFAOYSA-N 0.000 claims description 4
- 229940109239 creatinine Drugs 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 3
- 235000008242 dietary patterns Nutrition 0.000 claims description 3
- 230000037406 food intake Effects 0.000 claims 2
- 235000012631 food intake Nutrition 0.000 claims 2
- 238000000638 solvent extraction Methods 0.000 claims 1
- 235000005686 eating Nutrition 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 230000002503 metabolic effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000020595 eating behavior Effects 0.000 description 3
- 210000003734 kidney Anatomy 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 235000015097 nutrients Nutrition 0.000 description 3
- 235000016709 nutrition Nutrition 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008033 biological extinction Effects 0.000 description 2
- 235000014633 carbohydrates Nutrition 0.000 description 2
- 235000006694 eating habits Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 230000004060 metabolic process Effects 0.000 description 2
- 235000006286 nutrient intake Nutrition 0.000 description 2
- 230000035764 nutrition Effects 0.000 description 2
- 235000021075 protein intake Nutrition 0.000 description 2
- 235000018102 proteins Nutrition 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 208000031648 Body Weight Changes Diseases 0.000 description 1
- 208000001647 Renal Insufficiency Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 230000004579 body weight change Effects 0.000 description 1
- 235000019577 caloric intake Nutrition 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000020931 dietary conditions Nutrition 0.000 description 1
- 235000018823 dietary intake Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000029142 excretion Effects 0.000 description 1
- 235000019197 fats Nutrition 0.000 description 1
- 230000004153 glucose metabolism Effects 0.000 description 1
- 230000003345 hyperglycaemic effect Effects 0.000 description 1
- 230000002218 hypoglycaemic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 201000006370 kidney failure Diseases 0.000 description 1
- 230000003907 kidney function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000004066 metabolic change Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000037257 muscle growth Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000022558 protein metabolic process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 230000004584 weight gain Effects 0.000 description 1
- 235000019786 weight gain Nutrition 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Nutrition Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于大数据的肾病患者饮食情况分析系统及方法,涉及饮食管理领域。其首先获取肾病患者对象的饮食数据以及所述肾病患者对象的身体数据时间序列,接着,提取所述身体数据时间序列的身体数据指标时序语义特征以得到身体数据指标时序波动语义编码特征向量,然后,提取所述饮食数据的语义特征以得到饮食数据全连接编码特征向量,接着,使用饮食‑身体状态响应性分析模块对所述身体数据指标时序波动语义编码特征向量和所述饮食数据全连接编码特征向量进行处理以得到饮食‑身体状态时序响应性交互融合特征向量,最后,基于所述饮食‑身体状态时序响应性交互融合特征向量,确定饮食是否合理。这样,可以帮助患者更好地管理饮食。
Description
技术领域
本申请涉及饮食管理领域,且更为具体地,涉及一种基于大数据的肾病患者饮食情况分析系统及方法。
背景技术
肾病患者由于肾功能不全,饮食必须严格控制。例如,肾病患者需要合理控制蛋白质、钠、钾和磷等营养物质的摄入量,以减轻肾脏的负担。
然而,肾病患者的饮食管理往往具有挑战性,需要根据个体情况进行个性化的营养指导。传统的饮食评估方法往往缺乏客观性和实时性。因此,期待一种优化的肾病患者饮食情况分析方案。
发明内容
有鉴于此,本申请提出了一种基于大数据的肾病患者饮食情况分析系统及方法,其可以提供实时的监测和反馈,帮助患者更好地管理饮食。
根据本申请的一方面,提供了一种基于大数据的肾病患者饮食情况分析系统,其包括:
患者数据获取单元,用于获取肾病患者对象的饮食数据以及所述肾病患者对象的身体数据时间序列;
身体数据编码分析单元,用于提取所述身体数据时间序列的身体数据指标时序语义特征以得到身体数据指标时序波动语义编码特征向量;
饮食数据编码分析单元,用于提取所述饮食数据的语义特征以得到饮食数据全连接编码特征向量;
响应性交互融合单元,用于使用饮食-身体状态响应性分析模块对所述身体数据指标时序波动语义编码特征向量和所述饮食数据全连接编码特征向量进行处理以得到饮食-身体状态时序响应性交互融合特征向量;
饮食情况判断单元,用于基于所述饮食-身体状态时序响应性交互融合特征向量,确定饮食是否合理;
其中,所述响应性交互融合单元,用于:
使用如下响应性交互融合公式对所述身体数据指标时序波动语义编码特征向量和所述饮食数据全连接编码特征向量进行处理以得到所述饮食-身体状态时序响应性交互融合特征向量;其中,所述响应性交互融合公式为:
;
其中,为所述饮食-身体状态时序响应性交互融合特征向量,/>为所述身体数据指标时序波动语义编码特征向量,/>为所述饮食数据全连接编码特征向量,/>为所述身体数据指标时序波动语义编码特征向量的转换矩阵,/>为所述饮食数据全连接编码特征向量的转换矩阵,/>为显著化身体数据指标时序波动语义编码特征向量,/>为显著化饮食数据全连接编码特征向量。
在上述的基于大数据的肾病患者饮食情况分析系统中,所述饮食数据包括食物种类、重量、热量、蛋白质含量、钠含量、钾含量和磷含量,所述身体数据包括体重值、血压值、血糖值、血尿素氮含量和肌酐含量。
在上述的基于大数据的肾病患者饮食情况分析系统中,所述身体数据编码分析单元,包括:
身体数据划分子单元,用于对所述身体数据时间序列进行基于预定时间尺度的数据划分以得到身体数据局部时间序列的序列;
身体数据局部时序特征提取子单元,用于利用深度学习网络模型对所述身体数据局部时间序列的序列进行特征提取以得到身体数据指标时序关联特征向量的序列;
身体数据应语义关联特征提取子单元,用于提取所述身体数据指标时序关联特征向量的序列的语义关联特征以得到所述身体数据指标时序波动语义编码特征向量。
在上述的基于大数据的肾病患者饮食情况分析系统中,所述身体数据局部时序特征提取子单元,用于:
将所述身体数据局部时间序列的序列中的各个身体数据局部时间序列通过基于卷积神经网络模型的身体数据指标时序特征提取器以得到所述身体数据指标时序关联特征向量的序列。
在上述的基于大数据的肾病患者饮食情况分析系统中,所述身体数据应语义关联特征提取子单元,用于:
将所述身体数据指标时序关联特征向量的序列通过基于LSTM模型的身体指标时序波动特征提取器以得到所述身体数据指标时序波动语义编码特征向量。
在上述的基于大数据的肾病患者饮食情况分析系统中,所述饮食数据编码分析单元,用于:
将所述饮食数据通过基于全连接层的饮食数据编码器以得到所述饮食数据全连接编码特征向量。
在上述的基于大数据的肾病患者饮食情况分析系统中,所述饮食情况判断单元,用于:
将所述饮食-身体状态时序响应性交互融合特征向量通过分类器以得到分类结果,所述分类结果用于表示饮食是否合理。
在上述的基于大数据的肾病患者饮食情况分析系统中,还包括用于对所述基于卷积神经网络模型的身体数据指标时序特征提取器、所述基于LSTM模型的身体指标时序波动特征提取器、所述基于全连接层的饮食数据编码器、所述饮食-身体状态响应性分析模块和所述分类器进行训练的训练单元;其中,所述训练单元,包括:
训练数据获取子单元,用于获取训练数据,所述训练数据包括肾病患者对象的训练饮食数据以及所述肾病患者对象的训练身体数据时间序列,以及,饮食是否合理的真实值;
训练数据划分子单元,用于对所述训练身体数据时间序列进行基于预定时间尺度的数据划分以得到训练身体数据局部时间序列的序列;
训练身体数据指标时序特征提取子单元,用于将所述训练身体数据局部时间序列的序列中的各个训练身体数据局部时间序列通过所述基于卷积神经网络模型的身体数据指标时序特征提取器以得到训练身体数据指标时序关联特征向量的序列;
训练身体指标时序波动特征提取子单元,用于将所述训练身体数据指标时序关联特征向量的序列通过所述基于LSTM模型的身体指标时序波动特征提取器以得到训练身体数据指标时序波动语义编码特征向量;
训练饮食数据编码子单元,用于将所述训练饮食数据通过所述基于全连接层的饮食数据编码器以得到训练饮食数据全连接编码特征向量;
训练响应性分析子单元,用于使用所述饮食-身体状态响应性分析模块对所述训练身体数据指标时序波动语义编码特征向量和所述训练饮食数据全连接编码特征向量进行处理以得到训练饮食-身体状态时序响应性交互融合特征向量;
分类损失函数值计算子单元,用于将所述训练饮食-身体状态时序响应性交互融合特征向量通过分类器以得到分类损失函数值;
特定损失函数值计算子单元,用于计算所述训练身体数据指标时序波动语义编码特征向量和所述训练饮食数据全连接编码特征向量的特定损失函数值;
损失训练子单元,用于以所述分类损失函数值和所述特定损失函数值的加权和作为损失函数值,来对所述基于卷积神经网络模型的身体数据指标时序特征提取器、所述基于LSTM模型的身体指标时序波动特征提取器、所述基于全连接层的饮食数据编码器、所述饮食-身体状态响应性分析模块和所述分类器进行训练。
根据本申请的另一方面,提供了一种基于大数据的肾病患者饮食情况分析方法,其包括:
获取肾病患者对象的饮食数据以及所述肾病患者对象的身体数据时间序列;
提取所述身体数据时间序列的身体数据指标时序语义特征以得到身体数据指标时序波动语义编码特征向量;
提取所述饮食数据的语义特征以得到饮食数据全连接编码特征向量;
使用饮食-身体状态响应性分析模块对所述身体数据指标时序波动语义编码特征向量和所述饮食数据全连接编码特征向量进行处理以得到饮食-身体状态时序响应性交互融合特征向量;
基于所述饮食-身体状态时序响应性交互融合特征向量,确定饮食是否合理;
其中,使用如下响应性交互融合公式对所述身体数据指标时序波动语义编码特征向量和所述饮食数据全连接编码特征向量进行处理以得到所述饮食-身体状态时序响应性交互融合特征向量;其中,所述响应性交互融合公式为:
;
其中,为所述饮食-身体状态时序响应性交互融合特征向量,/>为所述身体数据指标时序波动语义编码特征向量,/>为所述饮食数据全连接编码特征向量,/>为所述身体数据指标时序波动语义编码特征向量的转换矩阵,/>为所述饮食数据全连接编码特征向量的转换矩阵,/>为显著化身体数据指标时序波动语义编码特征向量,/>为显著化饮食数据全连接编码特征向量。
在本申请中,其首先获取肾病患者对象的饮食数据以及所述肾病患者对象的身体数据时间序列,接着,提取所述身体数据时间序列的身体数据指标时序语义特征以得到身体数据指标时序波动语义编码特征向量,然后,提取所述饮食数据的语义特征以得到饮食数据全连接编码特征向量,接着,使用饮食-身体状态响应性分析模块对所述身体数据指标时序波动语义编码特征向量和所述饮食数据全连接编码特征向量进行处理以得到饮食-身体状态时序响应性交互融合特征向量,最后,基于所述饮食-身体状态时序响应性交互融合特征向量,确定饮食是否合理。这样,可以帮助患者更好地管理饮食。
根据下面参考附图对本申请的详细说明,本申请的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本申请的示例性实施例、特征和方面,并且用于解释本申请的原理。
图1示出根据本申请的实施例的基于大数据的肾病患者饮食情况分析系统的框图。
图2示出根据本申请的实施例的基于大数据的肾病患者饮食情况分析方法的流程图。
图3示出根据本申请的实施例的基于大数据的肾病患者饮食情况分析方法的架构示意图。
图4示出根据本申请的实施例的基于大数据的肾病患者饮食情况分析系统的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,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,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
另外,为了更好的说明本申请,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本申请同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本申请的主旨。
针对上述技术问题,本申请的技术构思为综合利用肾病患者的饮食数据和身体数据,通过采用智能化算法来提取数据中的饮食语义特征信息和身体状态时序变化特征信息,并基于两者之间的响应性关联关系来判断肾病患者的饮食是否合理,以提供实时的监测和反馈,帮助患者更好地管理饮食。
基于此,图1示出根据本申请的实施例的基于大数据的肾病患者饮食情况分析系统的框图示意图。如图1所示,根据本申请实施例的基于大数据的肾病患者饮食情况分析系统100,包括:患者数据获取单元110,用于获取肾病患者对象的饮食数据以及所述肾病患者对象的身体数据时间序列;身体数据编码分析单元120,用于提取所述身体数据时间序列的身体数据指标时序语义特征以得到身体数据指标时序波动语义编码特征向量;饮食数据编码分析单元130,用于提取所述饮食数据的语义特征以得到饮食数据全连接编码特征向量;响应性交互融合单元140,用于使用饮食-身体状态响应性分析模块对所述身体数据指标时序波动语义编码特征向量和所述饮食数据全连接编码特征向量进行处理以得到饮食-身体状态时序响应性交互融合特征向量;以及,饮食情况判断单元150,用于基于所述饮食-身体状态时序响应性交互融合特征向量,确定饮食是否合理。
应可以理解,患者数据获取单元110可以从适当的数据源(例如电子健康记录系统)中收集患者的饮食信息和相关的身体数据。身体数据编码分析单元120对身体数据进行分析和编码,以捕捉其时序变化的语义特征。饮食数据编码分析单元130对饮食数据进行分析和编码,以捕捉其语义特征。响应性交互融合单元140综合考虑饮食和身体状态之间的相互关系,并生成综合特征向量。饮食情况判断单元150可以使用预先定义的规则、模型或算法来评估饮食情况,并给出相应的判断或建议。这些单元共同构成了基于大数据的肾病患者饮食情况分析系统,通过分析患者的饮食和身体数据,以及它们之间的关联性,来评估患者的饮食合理性,并可能提供相关的建议或决策支持。
具体地,在本申请的技术方案中,首先获取肾病患者对象的饮食数据以及所述肾病患者对象的身体数据时间序列,其中,所述饮食数据包括食物种类、重量、热量、蛋白质含量、钠含量、钾含量和磷含量,所述身体数据包括体重值、血压值、血糖值、血尿素氮含量和肌酐含量。这里,肾病患者的饮食数据反映了患者的饮食习惯和营养摄入状况。通过分析饮食数据,可以评估患者的能量摄入、蛋白质摄入以及对钠、钾、磷等营养物质的摄入情况。而肾病患者的身体数据反映了患者的身体状况和代谢情况。体重变化可以反映水分平衡和蛋白质代谢情况;血压值可以评估血管压力和肾脏血流情况;血糖值可以评估糖代谢情况;血尿素氮和肌酐含量可以反映肾脏功能和代谢废物排泄情况。这样,获取肾病患者的饮食数据和身体数据时间序列可以从中挖掘和分析患者的饮食情况和身体代谢状态,从而评估营养摄入和代谢的合理性,为判断饮食是否合理提供重要的数据来源。
接着,对所述身体数据时间序列进行基于预定时间尺度的数据划分以得到身体数据局部时间序列的序列;并将所述身体数据局部时间序列的序列中的各个身体数据局部时间序列通过基于卷积神经网络模型的身体数据指标时序特征提取器以得到身体数据指标时序关联特征向量的序列。其中,对所述身体数据时间序列进行基于预定时间尺度的数据划分可以引导模型关注身体数据中的局部细节,以更加细致地观察身体数据的变化趋势和周期性,以及更精确地分析数据中的异常和突发事件。例如,将血压等身体数据按小时或天划分为局部时间序列,可以更好地观察身体状态在局部时间跨度内的变化规律。再利用卷积神经网络模型来构建所述身体数据指标时序特征提取器以从各个身体数据局部时间序列中提取局部时间邻域内的隐含时序关联特征,从而描述和刻画肾病患者对象的身体状态。
再将所述身体数据指标时序关联特征向量的序列通过基于LSTM模型的身体指标时序波动特征提取器以得到身体数据指标时序波动语义编码特征向量。也就是,捕捉身体数据的时序波动特征,以更深入地理解和描述患者的在较长一段时间周期内的整体身体状况和代谢变化。其中,LSTM(Long Short-Term Memory)模型是一种适用于处理序列数据的循环神经网络模型。它通过一系列的记忆单元来维护和更新信息,能够有效处理长期依赖性和序列中的时序关系。在所述基于LSTM模型的身体指标时序波动特征提取器中,LSTM模型可以学习到身体数据的时序波动模式,包括周期性变化、趋势变化、异常波动等,从而描述身体数据的时序波动情况,反映出患者的身体状况和代谢状态的变化趋势。
相应地,所述身体数据编码分析单元120,包括:身体数据划分子单元,用于对所述身体数据时间序列进行基于预定时间尺度的数据划分以得到身体数据局部时间序列的序列;身体数据局部时序特征提取子单元,用于利用深度学习网络模型对所述身体数据局部时间序列的序列进行特征提取以得到身体数据指标时序关联特征向量的序列;以及,身体数据应语义关联特征提取子单元,用于提取所述身体数据指标时序关联特征向量的序列的语义关联特征以得到所述身体数据指标时序波动语义编码特征向量。
其中,在一个示例中,所述身体数据局部时序特征提取子单元,用于:将所述身体数据局部时间序列的序列中的各个身体数据局部时间序列通过基于卷积神经网络模型的身体数据指标时序特征提取器以得到所述身体数据指标时序关联特征向量的序列。
值得一提的是,卷积神经网络(Convolutional Neural Network,CNN)是一种深度学习模型,主要用于处理具有网格结构的数据。在身体数据编码分析单元中,身体数据局部时序特征提取子单元使用基于卷积神经网络模型的身体数据指标时序特征提取器来提取身体数据局部时间序列的特征。该子单元的目的是捕捉身体数据指标在时间序列中的时序关联特征,并将其表示为时序关联特征向量的序列。卷积神经网络模型在处理时间序列数据时具有以下优势:1.局部感知性:卷积层可以通过滑动窗口的方式在时间序列上进行局部感知,捕捉到不同时间尺度上的特征。这使得卷积神经网络能够有效地提取时间序列中的局部模式。2.参数共享:卷积层的参数在整个时间序列上共享,这样可以大大减少网络的参数量,降低过拟合的风险,并提高模型的泛化能力。3.平移不变性:卷积神经网络对于时间序列中的平移具有不变性,这意味着它可以在不同的时间位置上识别相同的模式,从而提高模型的鲁棒性。通过使用卷积神经网络模型,身体数据局部时序特征提取子单元可以从身体数据局部时间序列中提取有关身体数据指标的时序关联特征,为后续的特征编码和分析提供有用的信息。
其中,在一个示例中,所述身体数据应语义关联特征提取子单元,用于:将所述身体数据指标时序关联特征向量的序列通过基于LSTM模型的身体指标时序波动特征提取器以得到所述身体数据指标时序波动语义编码特征向量。
值得一提的是,LSTM(Long Short-Term Memory)是一种循环神经网络(RecurrentNeural Network,RNN)的变体,专门用于处理具有时间依赖性的序列数据。LSTM通过引入门控机制,可以有效地捕捉和记忆长期依赖关系,从而在处理长序列时表现出色。在身体数据应语义关联特征提取子单元中,LSTM模型被用作身体指标时序波动特征提取器,用于提取身体数据指标时序关联特征向量的语义关联特征,从而得到身体数据指标的时序波动语义编码特征向量。LSTM模型的主要优势包括:1.长期依赖建模:LSTM通过门控单元(如遗忘门、输入门和输出门)来控制信息的流动和保存,从而能够有效地处理长期依赖关系。这使得它在处理时间序列数据时能够捕捉到较长时间范围内的上下文信息。2.防止梯度消失和梯度爆炸:由于LSTM引入了门控机制,可以有效地缓解梯度消失和梯度爆炸的问题。这使得LSTM能够更好地应对梯度在时间序列中传播时的挑战,从而提高模型的训练效果和稳定性。3.序列数据建模:LSTM适用于处理任意长度的序列数据,无论是短序列还是长序列。它可以自动学习序列中的模式和规律,并生成相应的特征表示。通过使用LSTM模型作为身体指标时序波动特征提取器,身体数据应语义关联特征提取子单元可以从身体数据指标时序关联特征向量的序列中提取有关身体数据指标的时序波动的语义关联特征,以获得更丰富和有意义的特征表示。这有助于提高系统对肾病患者身体数据的理解和分析能力。
随后,将所述饮食数据通过基于全连接层的饮食数据编码器以得到饮食数据全连接编码特征向量。其中,将所述饮食数据通过基于全连接层的饮食数据编码器可以将所述饮食数据转化为具有固定长度和语义信息的特征向量表示。也就是,通过由全连接层构建的所述饮食数据编码器可以将饮食数据中关于肾病患者对象的营养成分摄入、饮食习惯等方面的信息进行刻画和表征。
相应地,所述饮食数据编码分析单元130,用于:将所述饮食数据通过基于全连接层的饮食数据编码器以得到所述饮食数据全连接编码特征向量。
值得一提的是,全连接层(Fully Connected Layer),也称为密集连接层或全连接层,是神经网络中最常见的一种层类型。在全连接层中,每个神经元都与前一层的所有神经元相连接。全连接层的主要作用是将前一层的特征进行线性组合,并通过激活函数引入非线性。每个连接都有一个权重,用于调整输入特征的重要性。全连接层可以将输入数据的高维表示映射到输出数据的相应维度,从而实现特征的提取和转换。在饮食数据编码分析单元中,使用基于全连接层的饮食数据编码器来对饮食数据进行编码,以得到饮食数据的全连接编码特征向量。这意味着饮食数据中的每个特征将与编码器中的每个神经元相连接,并通过权重进行线性组合和非线性变换,从而生成具有更高层次表示能力的特征向量。全连接层的引入可以帮助网络学习更复杂的特征表示,从而提高模型的表达能力和性能。通过全连接层,饮食数据编码分析单元可以将输入的饮食数据转化为更具有表征性的编码特征,为后续的分析和判断提供更有用的信息。
应可以理解,饮食是身体获取营养和能量的重要途径,而身体数据则反映了身体的代谢状态和健康状况。具体来说,饮食中的营养摄入(如蛋白质、脂肪、碳水化合物、维生素等)与身体指标(如体重、体脂肪含量、肌肉质量等)之间存在一定关联关系。例如,过高的脂肪摄入可能导致体重增加和脂肪堆积,而适量的蛋白质摄入可能有助于肌肉生长和维持。又如,饮食中的碳水化合物摄入会影响血糖水平的变化。高血糖食物的摄入会导致血糖升高,而低血糖食物的摄入会导致血糖降低。也就是说,仅考虑肾病患者对象的身体数据或仅考虑肾病患者对象的饮食数据来判断该肾病患者的饮食是否合理是有失偏颇的。
在本申请的技术方案中,进一步地使用饮食-身体状态响应性分析模块对所述身体数据指标时序波动语义编码特征向量和所述饮食数据全连接编码特征向量进行处理以捕捉饮食特征信息与身体状态特征信息之间的综合响应性关系,从而得到饮食-身体状态时序响应性交互融合特征向量。也就是,以所述饮食-身体状态时序响应性交互融合特征向量来表征肾病患者对象的饮食因素与身体指标之间的动态变化关系,以刻画饮食因素与身体指标变化之间的内在联系,从而识别哪些食物、营养素或饮食模式对身体状态具有显著影响。
其中,所述饮食-身体状态响应性分析模块充分利用单模态特征分布所表达的语义信息,即所述身体数据指标时序波动语义编码特征向量所表达的身体状态特征信息和所述饮食数据全连接编码特征向量所表达的饮食语义特征信息,来进行基于关联响应的融合和交互,同时消除不同类别信息之间的抑制作用,缓解网络训练过程中的部分缺陷。
相应地,所述响应性交互融合单元140,用于:使用如下响应性交互融合公式对所述身体数据指标时序波动语义编码特征向量和所述饮食数据全连接编码特征向量进行处理以得到所述饮食-身体状态时序响应性交互融合特征向量;其中,所述响应性交互融合公式为:
;
其中,为所述饮食-身体状态时序响应性交互融合特征向量,/>为所述身体数据指标时序波动语义编码特征向量,/>为所述饮食数据全连接编码特征向量,/>为所述身体数据指标时序波动语义编码特征向量的转换矩阵,/>为所述饮食数据全连接编码特征向量的转换矩阵,/>为显著化身体数据指标时序波动语义编码特征向量,/>为显著化饮食数据全连接编码特征向量。
继而,将所述饮食-身体状态时序响应性交互融合特征向量通过分类器以得到分类结果,所述分类结果用于表示饮食是否合理。
相应地,所述饮食情况判断单元150,用于:将所述饮食-身体状态时序响应性交互融合特征向量通过分类器以得到分类结果,所述分类结果用于表示饮食是否合理。具体地,所述饮食情况判断单元150,进一步用于:使用所述分类器的全连接层对所述饮食-身体状态时序响应性交互融合特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM(Support VecorMachine支持向量机)等常用于解决二分类问题,对于多分类问题(multi-classclassification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
进一步地,在本申请的技术方案中,所述的基于大数据的肾病患者饮食情况分析系统,其还包括用于对所述基于卷积神经网络模型的身体数据指标时序特征提取器、所述基于LSTM模型的身体指标时序波动特征提取器、所述基于全连接层的饮食数据编码器、所述饮食-身体状态响应性分析模块和所述分类器进行训练的训练单元。
其中,在一个示例中,所述训练单元,包括:训练数据获取子单元,用于获取训练数据,所述训练数据包括肾病患者对象的训练饮食数据以及所述肾病患者对象的训练身体数据时间序列,以及,饮食是否合理的真实值;训练数据划分子单元,用于对所述训练身体数据时间序列进行基于预定时间尺度的数据划分以得到训练身体数据局部时间序列的序列;训练身体数据指标时序特征提取子单元,用于将所述训练身体数据局部时间序列的序列中的各个训练身体数据局部时间序列通过所述基于卷积神经网络模型的身体数据指标时序特征提取器以得到训练身体数据指标时序关联特征向量的序列;训练身体指标时序波动特征提取子单元,用于将所述训练身体数据指标时序关联特征向量的序列通过所述基于LSTM模型的身体指标时序波动特征提取器以得到训练身体数据指标时序波动语义编码特征向量;训练饮食数据编码子单元,用于将所述训练饮食数据通过所述基于全连接层的饮食数据编码器以得到训练饮食数据全连接编码特征向量;训练响应性分析子单元,用于使用所述饮食-身体状态响应性分析模块对所述训练身体数据指标时序波动语义编码特征向量和所述训练饮食数据全连接编码特征向量进行处理以得到训练饮食-身体状态时序响应性交互融合特征向量;分类损失函数值计算子单元,用于将所述训练饮食-身体状态时序响应性交互融合特征向量通过分类器以得到分类损失函数值;特定损失函数值计算子单元,用于计算所述训练身体数据指标时序波动语义编码特征向量和所述训练饮食数据全连接编码特征向量的特定损失函数值;以及,损失训练子单元,用于以所述分类损失函数值和所述特定损失函数值的加权和作为损失函数值,来对所述基于卷积神经网络模型的身体数据指标时序特征提取器、所述基于LSTM模型的身体指标时序波动特征提取器、所述基于全连接层的饮食数据编码器、所述饮食-身体状态响应性分析模块和所述分类器进行训练。
在上述技术方案中,所述训练身体数据指标时序波动语义编码特征向量表达所述训练身体数据在全局时域经由时间尺度划分确定的局部时域下的局部时域内近程-远程双向上下文时序关联特征,而所述训练饮食数据全连接编码特征向量表达所述训练饮食数据的全时域样本全关联特征,由此,当使用饮食-身体状态响应性分析模块对所述训练身体数据指标时序波动语义编码特征向量和所述训练饮食数据全连接编码特征向量进行处理时,考虑到所述训练身体数据和所述训练饮食数据的源数据异质以及特征提取模式的差异,会使得所述训练身体数据指标时序波动语义编码特征向量和所述训练饮食数据全连接编码特征向量具有基于序列的局部时域间的不同特征群密度表示,从而使得饮食-身体状态响应性分析模块基于不同特征群密度表示存在训练迭代不均衡,影响模型的整体训练效率。
因此,本申请的申请人考虑提升所述训练身体数据指标时序波动语义编码特征向量和所述饮食数据全连接编码特征向量的特征群密度表示一致性,从而进一步引入了针对所述训练身体数据指标时序波动语义编码特征向量和所述训练饮食数据全连接编码特征向量的特定损失函数。
相应地,在一个示例中,所述特定损失函数值计算子单元,进一步用于:以如下特定损失函数值计算公式计算所述训练身体数据指标时序波动语义编码特征向量和所述训练饮食数据全连接编码特征向量的特定损失函数值;其中,所述特定损失函数值计算公式为:
;
其中,是所述训练身体数据指标时序波动语义编码特征向量,/>是所述训练饮食数据全连接编码特征向量,其中所述训练饮食数据全连接编码特征向量/>通过线性插值而与所述训练身体数据指标时序波动语义编码特征向量/>具有相同长度/>,且/>表示向量的二范数的平方,/>是所述训练身体数据指标时序波动语义编码特征向量的特征值,/>是所述训练饮食数据全连接编码特征向量的特征值,/>表示向量减法,/>表示数值的指数运算,所述数值的指数运算表示计算以所述数值为幂的自然指数函数值,是所述特定损失函数值。
这里,所述损失函数基于特征群密度来进行群计数注意力,其通过将群计数作为输出特征群密度的递归映射,来进行所述训练身体数据指标时序波动语义编码特征向量和所述训练饮食数据全连接编码特征向量之间的不同密度表示模式的自适应注意力。通过以其作为损失函数训练模型,可以使得模型针对所述训练身体数据指标时序波动语义编码特征向量和所述训练饮食数据全连接编码特征向量的特征分布下的不同密度模式来避免过估计和欠估计,并学习特征值分布与群密度分布之间的对应关系,从而实现具有不同特征密度的所述训练身体数据指标时序波动语义编码特征向量和所述训练饮食数据全连接编码特征向量之间的特征群密度表示一致性优化,以提升模型的整体训练效率。
综上,基于本申请实施例的基于大数据的肾病患者饮食情况分析系统100被阐明,其可以提供实时的监测和反馈,帮助患者更好地管理饮食。
如上所述,根据本申请实施例的所述基于大数据的肾病患者饮食情况分析系统100可以实现在各种终端设备中,例如具有基于大数据的肾病患者饮食情况分析算法的服务器等。在一个示例中,基于大数据的肾病患者饮食情况分析系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该基于大数据的肾病患者饮食情况分析系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该基于大数据的肾病患者饮食情况分析系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该基于大数据的肾病患者饮食情况分析系统100与该终端设备也可以是分立的设备,并且该基于大数据的肾病患者饮食情况分析系统100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图2示出根据本申请的实施例的基于大数据的肾病患者饮食情况分析方法的流程图。图3示出根据本申请的实施例的基于大数据的肾病患者饮食情况分析方法的系统架构的示意图。如图2和图3所示,根据本申请实施例的基于大数据的肾病患者饮食情况分析方法,其包括:S110,获取肾病患者对象的饮食数据以及所述肾病患者对象的身体数据时间序列;S120,提取所述身体数据时间序列的身体数据指标时序语义特征以得到身体数据指标时序波动语义编码特征向量;S130,提取所述饮食数据的语义特征以得到饮食数据全连接编码特征向量;S140,使用饮食-身体状态响应性分析模块对所述身体数据指标时序波动语义编码特征向量和所述饮食数据全连接编码特征向量进行处理以得到饮食-身体状态时序响应性交互融合特征向量;以及,S150,基于所述饮食-身体状态时序响应性交互融合特征向量,确定饮食是否合理。
这里,本领域技术人员可以理解,上述基于大数据的肾病患者饮食情况分析方法中的各个步骤的具体操作已经在上面参考图1的基于大数据的肾病患者饮食情况分析系统的描述中得到了详细介绍,并因此,将省略其重复描述。
图4示出根据本申请的实施例的基于大数据的肾病患者饮食情况分析系统的应用场景图。如图4所示,在该应用场景中,首先,获取肾病患者对象的饮食数据(例如,图4中所示意的D1)以及所述肾病患者对象的身体数据时间序列(例如,图4中所示意的D2),然后,将所述饮食数据和所述身体数据时间序列输入至部署有基于大数据的肾病患者饮食情况分析算法的服务器(例如,图4中所示意的S)中,其中,所述服务器能够使用所述基于大数据的肾病患者饮食情况分析算法对所述饮食数据和所述身体数据时间序列进行处理以得到用于表示饮食是否合理的分类结果。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器,上述计算机程序指令可由装置的处理组件执行以完成上述方法。
本申请可以是系统、方法和/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,其上载有用于使处理器实现本申请的各个方面的计算机可读程序指令。
附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本申请的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (7)
1.一种基于大数据的肾病患者饮食情况分析系统,其特征在于,包括:
患者数据获取单元,用于获取肾病患者对象的饮食数据以及所述肾病患者对象的身体数据时间序列;
身体数据编码分析单元,用于提取所述身体数据时间序列的身体数据指标时序语义特征以得到身体数据指标时序波动语义编码特征向量;
饮食数据编码分析单元,用于提取所述饮食数据的语义特征以得到饮食数据全连接编码特征向量;
响应性交互融合单元,用于使用饮食-身体状态响应性分析模块对所述身体数据指标时序波动语义编码特征向量和所述饮食数据全连接编码特征向量进行处理以得到饮食-身体状态时序响应性交互融合特征向量;
饮食情况判断单元,用于基于所述饮食-身体状态时序响应性交互融合特征向量,确定饮食是否合理;
其中,所述响应性交互融合单元,用于:
使用如下响应性交互融合公式对所述身体数据指标时序波动语义编码特征向量和所述饮食数据全连接编码特征向量进行处理以得到所述饮食-身体状态时序响应性交互融合特征向量;其中,所述响应性交互融合公式为:
;
;
;
其中,为所述饮食-身体状态时序响应性交互融合特征向量,/>为所述身体数据指标时序波动语义编码特征向量,/>为所述饮食数据全连接编码特征向量,/>为所述身体数据指标时序波动语义编码特征向量的转换矩阵,/>为所述饮食数据全连接编码特征向量的转换矩阵,/>为显著化身体数据指标时序波动语义编码特征向量,/>为显著化饮食数据全连接编码特征向量;
其中,所述身体数据编码分析单元,包括:
身体数据划分子单元,用于对所述身体数据时间序列进行基于预定时间尺度的数据划分以得到身体数据局部时间序列的序列;
身体数据局部时序特征提取子单元,用于利用深度学习网络模型对所述身体数据局部时间序列的序列进行特征提取以得到身体数据指标时序关联特征向量的序列;
身体数据应语义关联特征提取子单元,用于提取所述身体数据指标时序关联特征向量的序列的语义关联特征以得到所述身体数据指标时序波动语义编码特征向量;
其中,所述饮食数据编码分析单元,用于:
将所述饮食数据通过基于全连接层的饮食数据编码器以得到所述饮食数据全连接编码特征向量。
2.根据权利要求1所述的基于大数据的肾病患者饮食情况分析系统,其特征在于,所述饮食数据包括食物种类、重量、热量、蛋白质含量、钠含量、钾含量和磷含量,所述身体数据包括体重值、血压值、血糖值、血尿素氮含量和肌酐含量。
3.根据权利要求2所述的基于大数据的肾病患者饮食情况分析系统,其特征在于,所述身体数据局部时序特征提取子单元,用于:
将所述身体数据局部时间序列的序列中的各个身体数据局部时间序列通过基于卷积神经网络模型的身体数据指标时序特征提取器以得到所述身体数据指标时序关联特征向量的序列。
4.根据权利要求3所述的基于大数据的肾病患者饮食情况分析系统,其特征在于,所述身体数据应语义关联特征提取子单元,用于:
将所述身体数据指标时序关联特征向量的序列通过基于LSTM模型的身体指标时序波动特征提取器以得到所述身体数据指标时序波动语义编码特征向量。
5.根据权利要求4所述的基于大数据的肾病患者饮食情况分析系统,其特征在于,所述饮食情况判断单元,用于:
将所述饮食-身体状态时序响应性交互融合特征向量通过分类器以得到分类结果,所述分类结果用于表示饮食是否合理。
6.根据权利要求5所述的基于大数据的肾病患者饮食情况分析系统,其特征在于,还包括用于对所述基于卷积神经网络模型的身体数据指标时序特征提取器、所述基于LSTM模型的身体指标时序波动特征提取器、所述基于全连接层的饮食数据编码器、所述饮食-身体状态响应性分析模块和所述分类器进行训练的训练单元;其中,所述训练单元,包括:
训练数据获取子单元,用于获取训练数据,所述训练数据包括肾病患者对象的训练饮食数据以及所述肾病患者对象的训练身体数据时间序列,以及,饮食是否合理的真实值;
训练数据划分子单元,用于对所述训练身体数据时间序列进行基于预定时间尺度的数据划分以得到训练身体数据局部时间序列的序列;
训练身体数据指标时序特征提取子单元,用于将所述训练身体数据局部时间序列的序列中的各个训练身体数据局部时间序列通过所述基于卷积神经网络模型的身体数据指标时序特征提取器以得到训练身体数据指标时序关联特征向量的序列;
训练身体指标时序波动特征提取子单元,用于将所述训练身体数据指标时序关联特征向量的序列通过所述基于LSTM模型的身体指标时序波动特征提取器以得到训练身体数据指标时序波动语义编码特征向量;
训练饮食数据编码子单元,用于将所述训练饮食数据通过所述基于全连接层的饮食数据编码器以得到训练饮食数据全连接编码特征向量;
训练响应性分析子单元,用于使用所述饮食-身体状态响应性分析模块对所述训练身体数据指标时序波动语义编码特征向量和所述训练饮食数据全连接编码特征向量进行处理以得到训练饮食-身体状态时序响应性交互融合特征向量;
分类损失函数值计算子单元,用于将所述训练饮食-身体状态时序响应性交互融合特征向量通过分类器以得到分类损失函数值;
特定损失函数值计算子单元,用于计算所述训练身体数据指标时序波动语义编码特征向量和所述训练饮食数据全连接编码特征向量的特定损失函数值;
损失训练子单元,用于以所述分类损失函数值和所述特定损失函数值的加权和作为损失函数值,来对所述基于卷积神经网络模型的身体数据指标时序特征提取器、所述基于LSTM模型的身体指标时序波动特征提取器、所述基于全连接层的饮食数据编码器、所述饮食-身体状态响应性分析模块和所述分类器进行训练。
7.一种基于大数据的肾病患者饮食情况分析方法,其特征在于,包括:
获取肾病患者对象的饮食数据以及所述肾病患者对象的身体数据时间序列;
提取所述身体数据时间序列的身体数据指标时序语义特征以得到身体数据指标时序波动语义编码特征向量;
提取所述饮食数据的语义特征以得到饮食数据全连接编码特征向量;
使用饮食-身体状态响应性分析模块对所述身体数据指标时序波动语义编码特征向量和所述饮食数据全连接编码特征向量进行处理以得到饮食-身体状态时序响应性交互融合特征向量;
基于所述饮食-身体状态时序响应性交互融合特征向量,确定饮食是否合理;
其中,使用如下响应性交互融合公式对所述身体数据指标时序波动语义编码特征向量和所述饮食数据全连接编码特征向量进行处理以得到所述饮食-身体状态时序响应性交互融合特征向量;其中,所述响应性交互融合公式为:
;
;
;
其中,为所述饮食-身体状态时序响应性交互融合特征向量,/>为所述身体数据指标时序波动语义编码特征向量,/>为所述饮食数据全连接编码特征向量,/>为所述身体数据指标时序波动语义编码特征向量的转换矩阵,/>为所述饮食数据全连接编码特征向量的转换矩阵,/>为显著化身体数据指标时序波动语义编码特征向量,/>为显著化饮食数据全连接编码特征向量;
其中,提取所述身体数据时间序列的身体数据指标时序语义特征以得到身体数据指标时序波动语义编码特征向量,包括:
对所述身体数据时间序列进行基于预定时间尺度的数据划分以得到身体数据局部时间序列的序列;
利用深度学习网络模型对所述身体数据局部时间序列的序列进行特征提取以得到身体数据指标时序关联特征向量的序列;
提取所述身体数据指标时序关联特征向量的序列的语义关联特征以得到所述身体数据指标时序波动语义编码特征向量;
其中,提取所述饮食数据的语义特征以得到饮食数据全连接编码特征向量,包括:
将所述饮食数据通过基于全连接层的饮食数据编码器以得到所述饮食数据全连接编码特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410073231.9A CN117594195B (zh) | 2024-01-18 | 2024-01-18 | 基于大数据的肾病患者饮食情况分析系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410073231.9A CN117594195B (zh) | 2024-01-18 | 2024-01-18 | 基于大数据的肾病患者饮食情况分析系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117594195A CN117594195A (zh) | 2024-02-23 |
CN117594195B true CN117594195B (zh) | 2024-04-09 |
Family
ID=89920428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410073231.9A Active CN117594195B (zh) | 2024-01-18 | 2024-01-18 | 基于大数据的肾病患者饮食情况分析系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117594195B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111599438A (zh) * | 2020-04-02 | 2020-08-28 | 浙江工业大学 | 一种基于多模态数据的面向糖尿病患者的实时饮食健康监控方法 |
CN114400071A (zh) * | 2022-01-19 | 2022-04-26 | 平安国际智慧城市科技股份有限公司 | 饮食数据管理方法、相关设备及介质 |
CN116580815A (zh) * | 2023-03-22 | 2023-08-11 | 中南大学湘雅医院 | 一种慢病患者的饮食营养管理方法和系统 |
CN116825373A (zh) * | 2023-06-29 | 2023-09-29 | 平安科技(深圳)有限公司 | 疾病数据分析方法、装置、电子设备及存储介质 |
CN116933046A (zh) * | 2023-09-19 | 2023-10-24 | 山东大学 | 基于深度学习的多模态健康管理方案生成方法和系统 |
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 |
CN117116422A (zh) * | 2023-08-04 | 2023-11-24 | 阜外华中心血管病医院 | 一种用于冠心病的中西医结合康复方案临床数据分析方法 |
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 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190295440A1 (en) * | 2018-03-23 | 2019-09-26 | Nutrino Health Ltd. | Systems and methods for food analysis, personalized recommendations and health management |
-
2024
- 2024-01-18 CN CN202410073231.9A patent/CN117594195B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111599438A (zh) * | 2020-04-02 | 2020-08-28 | 浙江工业大学 | 一种基于多模态数据的面向糖尿病患者的实时饮食健康监控方法 |
CN114400071A (zh) * | 2022-01-19 | 2022-04-26 | 平安国际智慧城市科技股份有限公司 | 饮食数据管理方法、相关设备及介质 |
CN116580815A (zh) * | 2023-03-22 | 2023-08-11 | 中南大学湘雅医院 | 一种慢病患者的饮食营养管理方法和系统 |
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 |
CN116825373A (zh) * | 2023-06-29 | 2023-09-29 | 平安科技(深圳)有限公司 | 疾病数据分析方法、装置、电子设备及存储介质 |
CN117116422A (zh) * | 2023-08-04 | 2023-11-24 | 阜外华中心血管病医院 | 一种用于冠心病的中西医结合康复方案临床数据分析方法 |
CN116933046A (zh) * | 2023-09-19 | 2023-10-24 | 山东大学 | 基于深度学习的多模态健康管理方案生成方法和系统 |
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 |
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 |
Non-Patent Citations (2)
Title |
---|
DeepFood:Food Image Analysis and Dietary Assessment via Deep Model;Landu Jiang等;《IEEE Access》;20200213;全文 * |
面向慢病管理的个性化饮食推荐研究与实现;刘庆;《万方数据知识服务平台》;20221111;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117594195A (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Theis et al. | Improving the in-hospital mortality prediction of diabetes ICU patients using a process mining/deep learning architecture | |
JP7316358B2 (ja) | 生物物理学的モデル化および応答予測のためのシステム、方法、およびデバイス | |
CN113722985B (zh) | 航空发动机健康状态评估和剩余寿命预测方法及系统 | |
CN111666494A (zh) | 分群决策模型生成、分群处理方法、装置、设备及介质 | |
CN116663568B (zh) | 基于优先级的关键任务识别系统及其方法 | |
CN117270082A (zh) | 基于多传感器数据融合的降水量预测系统及其方法 | |
CN114883003A (zh) | 基于卷积神经网络的icu住院时长和死亡风险预测方法 | |
CN116929815A (zh) | 基于物联网的设备工作状态监测系统及其方法 | |
CN117594195B (zh) | 基于大数据的肾病患者饮食情况分析系统及方法 | |
Guo et al. | MHT: A multiscale hourglass-transformer for remaining useful life prediction of aircraft engine | |
US20220164659A1 (en) | Deep Learning Error Minimizing System for Real-Time Generation of Big Data Analysis Models for Mobile App Users and Controlling Method for the Same | |
CN113782209A (zh) | 一种基于循环神经网络的慢性病患者智能预后方法及系统 | |
KR102615749B1 (ko) | 인공지능 모델을 활용한 사용자 맞춤형 식단 관리 컨설팅 정보 생성의 자동화 처리 및 이를 이용한 식단 관리 서비스 및 멘탈 헬스 케어 서비스 제공 방법, 장치 및 시스템 | |
KR20210062265A (ko) | 전자의무기록 데이터 기반 반려동물 생애주기 예측 시스템 및 방법 | |
Van der Waaij et al. | Cow feed intake prediction with machine learning | |
Bashar et al. | ALGAN: Time Series Anomaly Detection with Adjusted-LSTM GAN | |
CN117854738B (zh) | 一种基于智联终端的医疗护理系统 | |
CN117577270B (zh) | 患者的智能化营养管理方法及系统 | |
Rajan et al. | Attend and diagnose: Clinical time series analysis using attention models | |
CN116959652A (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
Rao et al. | STIP: A Seasonal Trend Integrated Predictor for Blood Glucose Level in Time Series | |
Somogyi et al. | Machine Learning by Example | |
Parbat et al. | ADVANCED TECHNIQUE FOR HEART DISEASE PREDICTIONS USING DATA MINING | |
CN117076768A (zh) | 一种面向个人和群体的行为互联网建模与预测推荐方法 | |
Liu | Machine Learning Framework for Real-World Electronic Health Records Regarding Missingness, Interpretability, and Fairness |
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 |