CN111028916A - 一种饮食监测方法、装置、电子设备及存储介质 - Google Patents
一种饮食监测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111028916A CN111028916A CN201911121506.7A CN201911121506A CN111028916A CN 111028916 A CN111028916 A CN 111028916A CN 201911121506 A CN201911121506 A CN 201911121506A CN 111028916 A CN111028916 A CN 111028916A
- Authority
- CN
- China
- Prior art keywords
- diet
- information
- current
- user
- preset
- 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
- 235000005911 diet Nutrition 0.000 title claims abstract description 164
- 230000037213 diet Effects 0.000 title claims abstract description 160
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012544 monitoring process Methods 0.000 title claims abstract description 19
- 238000012806 monitoring device Methods 0.000 claims abstract description 6
- 238000001514 detection method Methods 0.000 claims description 29
- 238000004891 communication Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 15
- 238000002372 labelling Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 9
- 235000005686 eating Nutrition 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 230000000378 dietary effect Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 201000010099 disease Diseases 0.000 abstract description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 3
- 235000013305 food Nutrition 0.000 description 8
- 235000013399 edible fruits Nutrition 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 235000012149 noodles Nutrition 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 210000005069 ears Anatomy 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 235000021056 liquid food Nutrition 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 235000014571 nuts Nutrition 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 244000144730 Amygdalus persica Species 0.000 description 1
- 244000105624 Arachis hypogaea Species 0.000 description 1
- 241000238557 Decapoda Species 0.000 description 1
- 235000011430 Malus pumila Nutrition 0.000 description 1
- 235000015103 Malus silvestris Nutrition 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 1
- 241000018646 Pinus brutia Species 0.000 description 1
- 235000011613 Pinus brutia Nutrition 0.000 description 1
- 240000006711 Pistacia vera Species 0.000 description 1
- 235000003447 Pistacia vera Nutrition 0.000 description 1
- 235000006040 Prunus persica var persica Nutrition 0.000 description 1
- 241000353135 Psenopsis anomala Species 0.000 description 1
- 235000014443 Pyrus communis Nutrition 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 235000008429 bread Nutrition 0.000 description 1
- 235000012495 crackers Nutrition 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000011869 dried fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000008410 fruit bars Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000014490 good eating habits Nutrition 0.000 description 1
- 235000020888 liquid diet Nutrition 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000020232 peanut Nutrition 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 235000020233 pistachio Nutrition 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 235000021395 porridge Nutrition 0.000 description 1
- 235000013606 potato chips Nutrition 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 150000003722 vitamin derivatives Chemical class 0.000 description 1
Images
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
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/04—Training, enrolment or model building
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/18—Artificial neural networks; Connectionist approaches
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Nutrition Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请涉及一种饮食监测方法、装置、电子设备及存储介质,该方法包括:获取用户的当前音频数据;根据所述当前音频数据分析所述用户的饮食信息;当所述饮食信息符合第一预设提醒条件时,发送第一提醒信息。本申请公开的饮食监测方法主要通过对获取的当前音频数据进行分析,得到用户的饮食信息,一方面,能够对不健康饮食信息做出提醒,以此有助于用户养成良好的饮食习惯。另一方面,得到的饮食信息能够为后续医生诊断疾病提供饮食方面的依据。
Description
技术领域
本申请涉及人工智能领域,尤其涉及一种饮食监测方法、装置、电子设备及存储介质。
背景技术
随着智能家居***的出现,给人们的生活提供了不少的便利。但是根据《柳叶刀》提供的数据,在2017年,全球有1100万人死于不健康的饮食结构。由此可见,现有的智能家居***还没有足够重视饮食信息对人体健康的重大影响,尚不能自主的对用户当前的饮食信息进行监测以及提醒。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本申请提供了一种饮食监测方法、装置、电子设备及存储介质。
第一方面,本申请提供了一种饮食监测方法,所述饮食监测方法包括:
获取用户的当前音频数据;
根据所述当前音频数据分析所述用户的饮食信息;
当所述饮食信息符合第一预设提醒条件时,发送第一提醒信息。
在一个可能的实施方式中,所述根据所述当前音频数据分析所述用户的饮食信息,包括:
对所述当前语音数据进行预处理得到当前声纹特征;
将所述当前声纹特征输入预先训练的声纹检测模型中,得到所述当前饮食类型。
在一个可能的实施方式中,所述根据所述当前音频数据分析所述用户的饮食信息,还包括:
获取当前饮食时间;
根据所述当前饮食时间记录所述当前饮食类型的持续时间,当所述持续时间大于第一预设时间时,确认为有效饮食;
统计第二预设时间内所述当前饮食类型对应的有效饮食次数。
在一个可能的实施方式中,所述饮食信息符合预设提醒条件,包括以下至少一项:
所述当前饮食时间不属于预设饮食时间;
所述有效饮食次数大于或等于预设有效饮食次数。
在一个可能的实施方式中,所述方法还包括:
获取音频样本数据;
对所述音频样本数据进行预处理得到声纹特征;
获取所述音频样本数据的标注信息,所述标注信息包括:所述声纹特征对应的饮食类型;
采用预设卷积神经网络模型对所述声纹特征,以及所述声纹特征对应的饮食类型进行迭代训练,得到所述声纹检测模型。
在一个可能的实施方式中,所述方法还包括:
获取所述用户的标识信息,以及所述标识信息对应的历史饮食记录;
根据所述历史饮食记录确定所述当前饮食类型的食用数据;
当所述食用数据满足第二预设提醒条件时,向所述用户发送第二提醒信息。
在一个可能的实施方式中,所述获取所述用户的标识信息,包括:
获取所述用户的脸部图像;
将所述脸部图像输入预先训练内的脸部检测模型中,得到所述用户的标识信息。
第二方面,本申请提供了一种饮食监测装置,所述饮食监测装置包括:
获取模块,用于获取用户的当前音频数据;
分析模块,用于根据所述当前音频数据分析所述用户的饮食信息;
发送模块,用于当所述饮食信息符合第一预设提醒条件时,发送第一提醒信息。
第三方面,本申请提供了一种电子设备,包括:处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行计算机程序时,实现上述方法步骤。
第四方面,本申请提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述方法步骤。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点:饮食监测方法主要通过对获取的当前音频数据进行分析,得到用户的饮食信息,一方面,能够对用户的不健康饮食信息做出提醒,以此有助于用户养成良好的饮食习惯。另一方面,得到的饮食信息能够为后续医生诊断疾病提供饮食方面的依据。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种饮食监测方法的流程图;
图2为本申请另一实施例提供的一种饮食监测方法的流程图;
图3为本申请实施例提供的一种饮食监测装置的框图;
图4为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请提供了一种饮食监测方法、装置、电子设备及存储介质。本发明实施例所提供的方法可以应用于任意需要的电子设备,例如,可以为服务器、终端等电子设备,在此不做具体限定,为描述方便,后续简称为电子设备。下面首先对本发明实施例所提供的一种饮食监测方法进行介绍。
图1为本申请实施例提供的一种饮食监测方法的流程图。如图1所示,该方法包括以下步骤:
步骤S11,获取用户的当前音频数据;
步骤S12,根据当前音频数据分析用户的饮食信息;
步骤S13,当饮食信息符合第一预设提醒条件时,发送第一提醒信息。
本实施例采用的饮食监测方法主要通过对获取的当前音频数据进行分析,得到用户的饮食信息,一方面,能够对不健康的饮食信息做出提醒,以此保证用户的饮食健康。另一方面,得到的饮食信息能够为后续医生诊断疾病提供饮食方面的依据。
本实施例中,通过音频采集器采集用户的当前音频数据。并对采集到的当前音频数据进行预处理得到当前声纹特征,其中,预处理包括降噪、滤波、类型转换和声道转换中的至少一种,当前声纹特征包括梅尔频率倒谱系数,本实施例采用的梅尔频率倒谱系数由13维静态MFCC、13维一阶差分特征和13维二阶差分特征构成。由于人耳的听觉***具有非线性特征,采用梅尔频率倒谱系数恰好能够满足人耳的听觉特性。
得到梅尔频率倒谱系数之后,可以根据梅尔频率倒谱系数分析用户的饮食信息,饮食信息包括:当前饮食类型、持续时间以及有效进食次数。
可选的,当前饮食类型是通过将当前声纹特征输入预先训练的声纹检测模型中得到的。确定当前饮食类型后,通过获取当前饮食时间,根据当前饮食时间记录当前饮食类型的持续时间,当持续时间大于第一预设时间时,确认为有效饮食,统计第二预设时间内当前饮食类型对应的有效饮食次数。
本实施例中,饮食信息符合第一预设提醒条件,包括以下至少一项:当前饮食时间不属于预设饮食时间;有效饮食次数大于或等于预设有效饮食次数。比如:当前饮食时间为11:30pm,当监测到用户正在食用某一种饮食类型时,会向用户发送第一提醒信息,第一提醒信息用户提示用户晚上不宜多食。
或者,监测到当前饮食类型为干果类食品,当前饮食时间为9:00am,当从9:00am开始,食用干果类食品的持续时间大于5s时,判断为进行了一次有效饮食,之后在15min内统计有效饮食次数,当有效饮食次数大于预设有效饮食次数时,向用户发送第一提醒信息,已提示用户该饮食类型已食用过多。
本实施例中,声纹检测模型的训练过程如下:获取第一音频样本数据,本实施例中第一音频样本数据包括家庭环境中五种饮食类型:第一种:流食类音频样本,如水、粥、牛奶等;第二种:面条类音频样本,如烩面、拉面、板面、窝子面等;第三种:水果类音频样本,如苹果、桃子、梨等;第四种:膨化食品类音频样本,如虾条、薯片、锅巴等;第五种:干果类音频样本:如瓜子、花生、松子、开心果等。
对上述五种音频样本数据进行预处理分别得到五种声纹特征,获取第一音频样本数据的标注信息,标注信息包括:声纹特征对应的饮食类型,饮食类型为上述五种饮食类型,之后采用预设卷积神经网络模型对声纹特征,以及声纹特征对应的饮食类型进行迭代训练,得到声纹检测模型。
可选的,本申请还通过获取第二音频样本数据,其中第二音频样本数据用于测试声纹检测模型,对第二音频样本数据进行预处理得到第二声纹特征,之后采用第二声纹特征对声纹检测模型进行测试,并获取测试结果,当测试结果大于或等于预设阈值时,将声纹检测模型作为目标声纹检测模型。
当测试结果小于预设阈值时,获取第三音频样本数据,采用第三音频样本数据对声纹检测模型再次进行迭代训练,直至测试结果大于或等于预设阈值。
本实施例中的声纹检测模型,具有三个两维的卷积层和两个全连接层,每一个卷积层后接一个Relu激活函数、最大池化层和批正则化层,并且对第一个全连接层进行L2正则化处理,并在其后接一个正则化和Dropout层。本实施例中设计的声纹检测模型的结构,能够在保证模型识别效果、使模型获取较为丰富特征的前提下,减少模型的参数。
图2为本申请另一实施例提供的一种饮食监测方法的流程图。如图2所示,该方法还包括以下步骤:
步骤S21,获取用户的标识信息,以及标识信息对应的历史饮食记录;
步骤S22,根据历史饮食记录确定当前饮食类型的食用数据;
步骤S23,当食用数据满足第二预设提醒条件时,向用户发送第二提醒信息。
本实施例中,首先获取用户的脸部图像,将脸部图像输入预先训练的脸部检测模型中,得到用户的标识信息。其中,脸部检测模型通过以下方式得到:获取脸部样本图像,获取脸部样本图像的标注信息,标注信息包括脸部样本图像中的脸部对应的标识信息,采用预设卷积神经网络对脸部样本图像以及标注信息进行训练,得到脸部检测模型。
本实施例还提供了一种获取标识信息的方式,获取当前室内图像,将当前室内图像输入预先训练内的位置检测模型中,得到用户的位置信息。之后根据位置信息生成用户特征图像,将用户特征图像输入特征检测模型中,得到用户的标识信息。
可选的,位置检测模型通过以下方式训练得到:获取第一样本图像,其中第一样本图像中包括至少一个人体,获取第一样本图像中的第一标注信息,第一标注信息包括:人体的特征信息以及标识该特征信息属于人体的特征标签,采用第一预设神经网络模型对第一样本图像以及第一标注信息进行训练得到位置检测模型。
特征检测模型通过以下训练方式得到:获取第二样本图像,第二样本图像为人体图像,获取第二样本图像中的第二标注信息,第二标注信息包括:人体的标识信息,即用户的ID,采用第二预设神经网络模型对第二样本图像以及第二标注信息进行训练得到特征检测模型。
得到标识信息之后,获取与该标识信息对应的历史饮食记录,根据历史饮食记录可以确定每一类饮食类型的食用数据。可选的,将距离当前日期最近7天的饮食记录作为历史饮食记录,由此,可以统计出每一种饮食类型的对应的历史饮食记录。
本实施例中,历史饮食记录中包括:流食类的食用数据为w,面食类的食用数据为n,水果类的食用数据为f,膨化食品类的食用数据为p,干果类的食用数据为d。其中食用数据可以为食用次数。
之后确定当前饮食类型对应的食用数据,如果当前饮食类型对应的食用数据满足第二预设提醒条件时,向用户发送第二提醒信息。比如:当前饮食类型为流食类,提醒阈值为Th1,此时满足第二预设提醒条件为:w<Th1,当w<Th1时,则对用户发送第二提醒信息:“您的喝水任务还没完成哦”。
如果当前饮食类型为面条类时,提醒阈值为Th2,此时满足第二预设提醒条件为:n>Th2,当n>Th2时,则对用户发送第二提醒信息:“主人很喜欢吃面食呀,要不尝尝新花样”。
如果当前饮食类型为水果类时,提醒阈值为Th3,此时满足第二预设提醒条件为:w<Th3,当w<Th3时,则对用户发送第二提醒信息:“该补充维生素啦,再多吃点水果吧”。
如果当前饮食类型为膨化类食品时,提醒阈值为Th4,此时满足第二预设提醒条件为:p>Th4,当p>Th4时,则对用户发送第二提醒信息:“您已经吃了太多容易上火的食物啦,小心长痘痘”。
如果当前饮食类型为干果类时,提醒阈值为Th5,此时满足第二预设提醒条件为:d>Th5,当d>Th5时,则对用户发送第二提醒信息:“吃多了不易消化,记得多喝水”。
本实施例通过统计历史饮食记录能够得到每一种饮食对应的食用数据,能够实时监测到用户的饮食状态,并根据饮食状态发送相应的提示信息。以此能够促进用户养成一个良好的饮食习惯。
图3为本申请实施例提供的一种饮食监测装置的框图,该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。
如图3所示,该装置包括:
获取模块301,用于获取用户的当前音频数据。
分析模块302,用于根据当前音频数据分析用户的饮食信息。
发送模块303,用于当饮食信息符合第一预设提醒条件时,发送第一提醒信息。
本申请实施例还提供一种电子设备,如图4所示,电子设备可以包括:处理器1501、通信接口1502、存储器1503和通信总线1504,其中,处理器1501,通信接口1502,存储器1503通过通信总线1504完成相互间的通信。
存储器1503,用于存放计算机程序;
处理器1501,用于执行存储器1503上所存放的计算机程序时,实现上述实施例的步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,P C I)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(DigitalSignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本申请还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取用户的当前音频数据;
根据当前音频数据分析用户的饮食信息;
当饮食信息符合第一预设提醒条件时,发送第一提醒信息。
可选的,该计算机程序被处理器执行时还实现以下步骤:
根据所述当前音频数据分析用户的饮食信息,包括:
对当前语音数据进行预处理得到当前声纹特征;
将当前声纹特征输入预先训练的声纹检测模型中,得到当前饮食类型。
可选的,该计算机程序被处理器执行时还实现以下步骤:
根据当前音频数据分析用户的饮食信息,还包括:
获取当前饮食时间;
根据当前饮食时间记录当前饮食类型的持续时间,当持续时间大于第一预设时间时,确认为有效饮食;
统计第二预设时间内当前饮食类型对应的有效饮食次数。
可选的,该计算机程序被处理器执行时还实现以下步骤:
饮食信息符合预设提醒条件,包括以下至少一项:
当前饮食时间不属于预设饮食时间;
有效饮食次数大于或等于预设有效饮食次数。
可选的,该计算机程序被处理器执行时还实现以下步骤:
获取音频样本数据;
对音频样本数据进行预处理得到声纹特征;
获取音频样本数据的标注信息,标注信息包括:声纹特征对应的饮食类型;
采用预设卷积神经网络模型对所述声纹特征,以及声纹特征对应的饮食类型进行训练,得到声纹检测模型。
可选的,该计算机程序被处理器执行时还实现以下步骤:
获取用户的标识信息,以及标识信息对应的历史饮食记录;
根据历史饮食记录确定当前饮食类型的食用数据;
当食用数据满足第二预设提醒条件时,向用户发送第二提醒信息。
可选的,该计算机程序被处理器执行时还实现以下步骤:
获取用户的标识信息,包括:
获取用户的脸部图像;
将脸部图像输入预先训练的脸部检测模型中,得到用户的标识信息。
需要说明的是,对于上述装置、电子设备及计算机可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
进一步需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种饮食监测方法,其特征在于,包括:
获取用户的当前音频数据;
根据所述当前音频数据分析所述用户的饮食信息;
当所述饮食信息符合第一预设提醒条件时,发送第一提醒信息。
2.根据权利要求1所述的方法,其特征在于,所述根据所述当前音频数据分析所述用户的饮食信息,包括:
对所述当前语音数据进行预处理得到当前声纹特征;
将所述当前声纹特征输入预先训练的声纹检测模型中,得到所述当前饮食类型。
3.根据权利要求2所述的方法,其特征在于,所述根据所述当前音频数据分析所述用户的饮食信息,还包括:
获取当前饮食时间;
根据所述当前饮食时间记录所述当前饮食类型的持续时间,当所述持续时间大于第一预设时间时,确认为有效饮食;
统计第二预设时间内所述当前饮食类型对应的有效饮食次数。
4.根据权利要求3所述的方法,其特征在于,所述饮食信息符合预设提醒条件,包括以下至少一项:
所述当前饮食时间不属于预设饮食时间;
所述有效饮食次数大于或等于预设有效饮食次数。
5.根据权利要求2所述的方法,其特征在于,所述方法还包括:
获取音频样本数据;
对所述音频样本数据进行预处理得到声纹特征;
获取所述音频样本数据的标注信息,所述标注信息包括:所述声纹特征对应的饮食类型;
采用预设卷积神经网络模型对所述声纹特征,以及所述声纹特征对应的饮食类型进行迭代训练,得到所述声纹检测模型。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述用户的标识信息,以及所述标识信息对应的历史饮食记录;
根据所述历史饮食记录确定所述当前饮食类型的食用数据;
当所述食用数据满足第二预设提醒条件时,向所述用户发送第二提醒信息。
7.根据权利要求6所述的方法,其特征在于,所述获取所述用户的标识信息,包括:
获取所述用户的脸部图像;
将所述脸部图像输入预先训练内的脸部检测模型中,得到所述用户的标识信息。
8.一种饮食监测装置,其特征在于,包括:
获取模块,用于获取用户的当前音频数据;
分析模块,用于根据所述当前音频数据分析所述用户的饮食信息;
发送模块,用于当所述饮食信息符合第一预设提醒条件时,发送第一提醒信息。
9.一种电子设备,其特征在于,包括:处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述计算机程序时,实现权利要求1-7任一项所述的方法步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-7任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911121506.7A CN111028916A (zh) | 2019-11-15 | 2019-11-15 | 一种饮食监测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911121506.7A CN111028916A (zh) | 2019-11-15 | 2019-11-15 | 一种饮食监测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111028916A true CN111028916A (zh) | 2020-04-17 |
Family
ID=70201530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911121506.7A Pending CN111028916A (zh) | 2019-11-15 | 2019-11-15 | 一种饮食监测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111028916A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112687275A (zh) * | 2020-12-25 | 2021-04-20 | 北京中科深智科技有限公司 | 一种语音过滤方法和过滤*** |
CN113852525A (zh) * | 2021-08-20 | 2021-12-28 | 青岛海尔科技有限公司 | 终端设备的控制方法和装置、存储介质及电子装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101038656A (zh) * | 2007-04-13 | 2007-09-19 | 周文乾 | 健康饮食控制***及其方法 |
CN105528525A (zh) * | 2016-01-07 | 2016-04-27 | 中国农业大学 | 一种饮食习惯监测***与监测方法 |
CN107871532A (zh) * | 2017-10-17 | 2018-04-03 | 珠海格力电器股份有限公司 | 一种饮食健康管理*** |
CN109215760A (zh) * | 2018-09-21 | 2019-01-15 | 百度在线网络技术(北京)有限公司 | 提供饮食建议的方法、装置、设备及存储介质 |
CN109726920A (zh) * | 2018-12-29 | 2019-05-07 | 滨州学院 | 一种基于大数据的学生智能管理*** |
CN110236526A (zh) * | 2019-06-28 | 2019-09-17 | 李秋 | 基于咀嚼吞咽动作及心电活动的摄食行为分析和检测方法 |
CN110367934A (zh) * | 2019-07-25 | 2019-10-25 | 深圳大学 | 一种基于非语音身体声音的健康监测方法及监测*** |
-
2019
- 2019-11-15 CN CN201911121506.7A patent/CN111028916A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101038656A (zh) * | 2007-04-13 | 2007-09-19 | 周文乾 | 健康饮食控制***及其方法 |
CN105528525A (zh) * | 2016-01-07 | 2016-04-27 | 中国农业大学 | 一种饮食习惯监测***与监测方法 |
CN107871532A (zh) * | 2017-10-17 | 2018-04-03 | 珠海格力电器股份有限公司 | 一种饮食健康管理*** |
CN109215760A (zh) * | 2018-09-21 | 2019-01-15 | 百度在线网络技术(北京)有限公司 | 提供饮食建议的方法、装置、设备及存储介质 |
CN109726920A (zh) * | 2018-12-29 | 2019-05-07 | 滨州学院 | 一种基于大数据的学生智能管理*** |
CN110236526A (zh) * | 2019-06-28 | 2019-09-17 | 李秋 | 基于咀嚼吞咽动作及心电活动的摄食行为分析和检测方法 |
CN110367934A (zh) * | 2019-07-25 | 2019-10-25 | 深圳大学 | 一种基于非语音身体声音的健康监测方法及监测*** |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112687275A (zh) * | 2020-12-25 | 2021-04-20 | 北京中科深智科技有限公司 | 一种语音过滤方法和过滤*** |
CN113852525A (zh) * | 2021-08-20 | 2021-12-28 | 青岛海尔科技有限公司 | 终端设备的控制方法和装置、存储介质及电子装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kalantarian et al. | Audio-based detection and evaluation of eating behavior using the smartwatch platform | |
Bi et al. | AutoDietary: A wearable acoustic sensor system for food intake recognition in daily life | |
Nabih-Ali et al. | A review of intelligent systems for heart sound signal analysis | |
Amft et al. | Recognition of dietary activity events using on-body sensors | |
US20190295440A1 (en) | Systems and methods for food analysis, personalized recommendations and health management | |
Makeyev et al. | Automatic food intake detection based on swallowing sounds | |
Alqudah | Towards classifying non-segmented heart sound records using instantaneous frequency based features | |
US20210298688A1 (en) | Methods and systems for identifying presence of abnormal heart sounds of a subject | |
Meziani et al. | Analysis of phonocardiogram signals using wavelet transform | |
CN111028916A (zh) | 一种饮食监测方法、装置、电子设备及存储介质 | |
CN114569132A (zh) | 一种基于示教的婴儿训练*** | |
CN111489019B (zh) | 睡眠质量预测方法及装置 | |
Ari et al. | A robust heart sound segmentation algorithm for commonly occurring heart valve diseases | |
Turan et al. | Detection of food intake events from throat microphone recordings using convolutional neural networks | |
Maria et al. | Development of optimal feature selection and deep learning toward hungry stomach detection using audio signals | |
Hantke et al. | EAT- The ICMI 2018 Eating Analysis and Tracking Challenge | |
Rouast et al. | Using Deep Learning and 360 Video to Detect Eating Behavior for User Assistance Systems. | |
Ren et al. | A comprehensive survey on heart sound analysis in the deep learning era | |
Imbeault-Nepton et al. | Filtering data bins of UWB radars for activity recognition with random forest | |
Lee | Automatic estimation of food intake amount using visual and ultrasonic signals | |
Elola et al. | Beyond heart murmur detection: automatic murmur grading from phonocardiogram | |
Paßler et al. | Adaptation of models for food intake sound recognition using maximum a posteriori estimation algorithm | |
Kalantarian et al. | A smartwatch-based system for audio-based monitoring of dietary habits | |
CN112116967B (zh) | 一种提高尿液样本收集效率的信息处理方法和装置 | |
US20210142897A1 (en) | Personalized Extended Digital Migraine Diary |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200417 |