CN113936765A - 周期行为报告的生成方法及装置、存储介质、电子设备 - Google Patents

周期行为报告的生成方法及装置、存储介质、电子设备 Download PDF

Info

Publication number
CN113936765A
CN113936765A CN202111545122.5A CN202111545122A CN113936765A CN 113936765 A CN113936765 A CN 113936765A CN 202111545122 A CN202111545122 A CN 202111545122A CN 113936765 A CN113936765 A CN 113936765A
Authority
CN
China
Prior art keywords
behavior
user
periodic
report
generating
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
Application number
CN202111545122.5A
Other languages
English (en)
Inventor
陈虹
杜硕
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.)
Beijing Factor Health Technology Co ltd
Original Assignee
Beijing Factor Health Technology 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 Beijing Factor Health Technology Co ltd filed Critical Beijing Factor Health Technology Co ltd
Priority to CN202111545122.5A priority Critical patent/CN113936765A/zh
Priority to PCT/IB2021/062068 priority patent/WO2023111670A1/zh
Publication of CN113936765A publication Critical patent/CN113936765A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • 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
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Nutrition Science (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请公开了一种周期行为报告的生成方法及装置、***、存储介质、电子设备，所述方法包括：获取用户在预定周期的行为数据和健康指标参数，所述行为数据包括运动行为、饮食行为、用药行为中的至少之一；至少部分地利用机器学习模型，根据所述行为数据和所述健康指标参数，为所述用户生成所述预定周期的周期行为报告，所述周期行为报告至少包括所述预定周期的评价结果、下一周期的行为建议和/或指标目标；基于所述周期行为报告更新所述用户的行为标签，并获取与所述行为标签相匹配的患教内容；将所述周期行为报告和所述患教内容发送至所述用户。本申请大大提升了对用户行为干预的效果，提升了用户体验。

Description

周期行为报告的生成方法及装置、存储介质、电子设备
技术领域
本申请实施例涉及用户行为指导技术，尤其涉及一种周期行为报告的生成方法及装置、***、存储介质、电子设备。
背景技术
近年来，随着经济不断发展，人们的饮食方式也产生了很大的变化，肥胖者和各种病症患者等不断增加。合理饮食、运动和用药行为有助于预防肥胖超重以及包括诸如糖尿病、高血压、心脏病、中风和癌症在内的非传染性疾病和慢性疾病。其中，在各种病患中，糖尿病患者由于人数众多，需要不断的人为干预，导致很多糖尿病患者的生活质量严重下降，而由于每个患者的情况不同，导致患者的生活无所适从，给其带来了严重的负担。而对于预防或控制糖尿病，干预饮食、运动和用药等行为尤为重要，糖尿病患者通过控制饮食，坚持规律运动，按时用药和检测血糖等，可以很好地控制血糖指标，从而降低对患者的影响。遗憾的是，目前虽然有针对患者的血糖检测仪等设备，但其仅对用户的血糖值进行采集并监测，其并未对用户的相关行为进行任何的指导，即用户坚持了一段时间的运动，该运动对用户的血糖控制是否有影响，用户进行了用药，该一段时间的用药对用户的血糖控制是否带来的帮助，是否过量或用药不足等，用户也无从获知；同样地，用户的饮食行为是否对血糖造成相关影响等，用户也不清楚。特别地，用户需要对之前的行为对血糖控制的作用进行统计，并迫切想知道下一阶段应当如何运动、用药、饮食等，即用户的历史行为对血糖的控制效果，以及当前的行为是否应当持续等，是用户亟需的，而目前并无针对用户的周期行为报告生成的相关技术可供参考。
发明内容
有鉴于此，本申请实施例提供一种周期行为报告的生成方法及装置、***、存储介质、电子设备，以至少解决现有技术中存在的以上技术问题。
根据本申请的第一方面，提供一种周期行为报告的生成方法，包括：
获取用户在预定周期的行为数据和健康指标参数，所述行为数据包括运动行为、饮食行为、用药行为中的至少之一；
至少部分地利用机器学习模型，根据所述行为数据和所述健康指标参数，为所述用户生成所述预定周期的周期行为报告，所述周期行为报告至少包括所述预定周期的评价结果、下一周期的行为建议和/或指标目标；
基于所述周期行为报告更新所述用户的行为标签，并获取与所述行为标签相匹配的患教内容；以及
将所述周期行为报告和所述患教内容发送至所述用户。
优选地，所述为所述用户生成所述预定周期的周期行为报告，包括：
将所述运动行为输入预设的运动行为模型，得到所述用户的运动行为的评价结果，基于所述评价结果为所述用户生成所述下一周期的运动行为建议；
其中，所述运动行为模型包括多个子模型和集成模块，所述集成模块用于根据所述多个子模型的输出确定所述评价结果。
优选地，所述为所述用户生成所述预定周期的周期行为报告，包括：
获取所述用户的饮食内容图像，将所述饮食内容图像输入至饮食行为模型，得到所述用户的饮食行为的评价结果，基于所述评价结果为所述用户生成所述下一周期的饮食行为建议；其中，所述饮食行为模型为卷积神经网络。
优选地，所述为所述用户生成所述预定周期的周期行为报告，包括：
将所述健康指标参数中的血糖指标和/或身体成分指标与对应的阈值进行比较，得到血糖指标和/或身体成分的评价结果，根据所述评价结果并结合所述行为数据，为所述用户调取相应的行为建议模板，生成所述用户在所述下一周期的指标行为建议。
优选地，所述获取与所述行为标签相匹配的患教内容，包括：
利用实体识别算法，基于所述用户的行为数据和健康指标参数生成所述用户的个人标签；
根据所述个人标签在患教内容标签库中进行标签匹配，将匹配度最高的至少一个患教内容标签对应的患教内容作为相匹配的患教内容。
优选地，所述为所述用户生成所述预定周期的周期行为报告，包括：
获取用户在所述预定周期执行所述预定周期对应的行为指导方案所生成的健康指标参数的最新值；
获取用户的身体基础数据、健康指标参数的当前值、用户在所述预定周期执行所述预定周期对应的行为指导方案的执行结果；
利用模型对所述当前值、所述身体基础数据，以及所述执行结果进行预测处理，得到用户在所述下一周期的健康指标参数的预测变化值；
基于所述最新值以及所述预测变化值，确定用户在所述下一周期的健康指标参数的指标目标。
优选地，所述基于所述最新值以及所述预测变化值，确定用户在所述下一周期的健康指标的指标目标，包括：
基于所述最新值和所述预测变化值，确定所述下一周期健康指标参数的估计值；
判断所述估计值是否大于所述健康指标参数对应控制阈值上限；
基于判断结果，确定用户在所述下一周期健康指标参数的指标目标
根据本申请的第二方面，提供一种周期行为报告的生成装置，包括：
第一获取单元，用于获取用户在预定周期的行为数据和健康指标参数，所述行为数据包括运动行为、饮食行为、用药行为中的至少之一；
生成单元，用于至少部分地利用机器学习模型，根据所述行为数据和所述健康指标参数，为所述用户生成所述预定周期的周期行为报告，所述周期行为报告至少包括所述预定周期的评价结果、下一周期的行为建议和/或指标目标；
第二获取单元，用于基于所述周期行为报告更新所述用户的行为标签，并获取与所述行为标签相匹配的患教内容；以及
发送单元，用于将所述周期行为报告和所述患教内容发送至所述用户。
优选地，所述生成单元，还用于：
将所述运动行为输入预设的运动行为模型，得到所述用户的运动行为的评价结果，基于所述评价结果为所述用户生成所述下一周期的运动行为建议；
其中，所述运动行为模型包括多个子模型和集成模块，所述集成模块用于根据所述多个子模型的输出确定所述评价结果。
优选地，所述生成单元，还用于：
获取所述用户的饮食内容图像，将所述饮食内容图像输入至饮食行为模型，得到所述用户的饮食行为的评价结果，基于所述评价结果为所述用户生成所述下一周期的饮食行为建议；其中，所述饮食行为模型为卷积神经网络。
优选地，所述生成单元，还用于：
将所述健康指标参数中的血糖指标和/或身体成分指标与对应的阈值进行比较，得到血糖指标和/或身体成分的评价结果，根据所述评价结果并结合所述行为数据，为所述用户调取相应的行为建议模板，生成所述用户在所述下一周期的指标行为建议。
优选地，所述第二获取单元，还用于：
利用实体识别算法，基于所述用户的行为数据和健康指标参数生成所述用户的个人标签；
根据所述个人标签在患教内容标签库中进行标签匹配，将匹配度最高的至少一个患教内容标签对应的患教内容作为相匹配的患教内容。
优选地，所述生成单元，还用于：
获取用户在所述预定周期执行所述预定周期对应的行为指导方案所生成的健康指标参数的最新值；
获取用户的身体基础数据、健康指标参数的当前值、用户在所述预定周期执行所述预定周期对应的行为指导方案的执行结果；
利用模型对所述当前值、所述身体基础数据，以及所述执行结果进行预测处理，得到用户在所述下一周期的健康指标参数的预测变化值；
基于所述最新值以及所述预测变化值，确定用户在所述下一周期的健康指标参数的指标目标。
优选地，所述生成单元，还用于：
基于所述最新值和所述预测变化值，确定所述下一周期健康指标参数的估计值；
判断所述估计值是否大于所述健康指标参数对应控制阈值上限；
基于判断结果，确定用户在所述下一周期健康指标参数的指标目标。
根据本申请的第三方面，提供一种周期行为报告的生成***，包括客户端、服务器、数据库；其中：
所述客户端获取用户在预定周期的行为数据和健康指标参数，所述行为数据包括运动行为、饮食行为、用药行为中的至少之一；
所述服务器从所述客户端获取行为数据和健康指标参数，至少部分地利用机器学习模型，根据所述行为数据和所述健康指标参数，为所述用户生成所述预定周期的周期行为报告，所述周期行为报告至少包括所述预定周期的评价结果、下一周期的行为建议和/或指标目标；以及基于所述周期行为报告更新所述用户的行为标签，并获取与所述行为标签相匹配的患教内容；将所述周期行为报告和所述患教内容发送至所述客户端。
根据本申请的第四方面，提供一种电子设备，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现所述的周期行为报告的生成方法的步骤。
根据本申请的第五方面，提供一种可读非暂时性存储介质，所述存储介质上存储程序或指令，所述程序或指令被处理器执行时实现所述的周期行为报告的生成方法的步骤。
本申请实施例提供的周期行为报告的生成方法及装置、***、存储介质、电子设备，通过对用户的行为数据及健康指标参数进行采集，并将用户的行为数据及健康指标参数输入至机器学习模型中进行智能分析，为用户生成预定周期的周期行为报告，并基于周期行为报告更新用户的行为标签，从而获取与行为标签相匹配的患教内容，从而帮助用户及时了解自己在健康指标参数管理过程中指导建议，方便用户基于患教内容等对自身的行为进行指导。本申请实施例实现了用户的行为数据及健康指标参数的智能分析，能更科学地根据用户的生理机能参数，以及用户的具体行为如运动、饮食、用药情况等，确定用户日常生活中存在的不佳行为，并给出合理的行为建议，从而可以为不同用户精准地推荐适合其自身的行为及饮食建议等，大大提升了行为干预的效果和对用户生理机能参数的控制，提升了用户体验。
附图说明
图1为本申请实施例提供的周期行为报告的生成方法的流程示意图；
图2为本申请实施例提供的周期行为报告的生成方法的示例流程图；
图3为本申请实施例提供的用户行为分析流程示意图；
图4为本申请实施例提供的用户饮食分析流程示意图；
图5为本申请实施例提供的周期行为报告的生成装置的组成结构示意图；
图6为本申请实施例提供的周期行为报告的生成***的结构图示意图；
图7为本申请实施例的电子设备的结构图。
具体实施方式
以下结合示例，详细阐明本申请实施例的技术方案的实质。
图1为本申请实施例提供的周期行为报告的生成方法的流程示意图，如图1所示，本申请实施例的周期行为报告的生成方法包括以下处理步骤：
步骤101，获取用户在预定周期的行为数据和健康指标参数。
本申请实施例中，所述行为数据包括运动行为、饮食行为、用药行为中的至少之一。
用户的运动行为包括用户所进行的户外或室内的运动情况如跑步、游泳、睡眠等情况，这些运动行为可以通过用户自行输入上传的方式获取，也可以通过相关应用对用户的运动行为进行采集如通过计步器、心率监测仪等方式获取，或通过视频采集的图像进行运动分析等确定。饮食行为包括用户所吃的食物种类、食物量、口味的咸淡等情况，用药行为包括用户是否使用药物，使用了何种药物，药物剂量、频次等信息。用户的健康指标参数包括用户的年龄、性别、体重、身高、心率、血压、血糖、血脂，是否有某种病史，手术或大病病史等数据。本申请实施例中以血糖指标作为示例进行说明，其不应理解为对本申请实施例的技术方案的限定。
本申请实施例中，对于所采集到的用户的行为数据及健康指标参数，需要对其进行预处理，以便在对上述所采集到的数据进行训练时，可以得到更佳的预测结果。预处理包括格式归一，对于图像，将图像缩放至设定的像素大小等。对于采集到的相关数据，剔除并剔除明显错误数值等等。
具体地，对获取的数据进行准确性检查，对不准确的数据进行修正或删除该条不准确的数据。例如将健康指标参数与各指标参数对应的有效范围进行比较，根据比较结果确定该数据是否准确。若数据不准确，再根据比较结果对错误的数据进行修正或删除。
例如，某成年用户的身高为120厘米，该身高不符合本申请实施例对该数据的要求，则删除该条用户数据。或者某用户的血压为200，该血压数据不符合血压有效范围，该用户的血压数据很可能是测量有问题的数据，因此删除该条用户数据。例如，血糖常用的单位有mg/dL与mmol/L，不同血糖单位的有效值域不同，比如：某用户的血糖数据是120mmol/L，显然远超出血糖有效值域，该数据很可能是错误的单位导致，例如将血糖单位修改为mg/dL或者根据两种单位之间的换算关系进行换算，该血糖数据修正为120mg/dL或6.67mmol/L。再例如某男性用户的体重数据为140（单位为kg），但该用户的腰围数据正常，此时很可能是体重数据的单位为“斤”，因此将该体重数据修正为70kg。对于数据中存在缺失值的情况，对存在缺失值的数据进行填充，例如采用均值或众数对缺失的数据进行填充，若获取的数据足够多，则删除该条存在缺失值的数据。
步骤102，至少部分地利用机器学习模型，根据所述行为数据和所述健康指标参数，为所述用户生成所述预定周期的周期行为报告。
本申请实施例中，所述周期行为报告至少包括所述预定周期的评价结果、下一周期的行为建议和/或指标目标。例如，所述周期行为报告可以包括饮食行为在预定周期的评价结果和在下一周期的饮食行为建议，运动行为在预定周期的评价结果和在下一周期的运动行为建议，健康指标参数在预定周期的评价结果、在下一周期的指标行为建议以及在下一周期的指标目标。
其中，一个周期可以是诸如一天、一周或者一个月之类的任意时间长度，本申请实施例对此不作限制。
本申请实施例中，机器学习模型可以是经过预训练的神经网络等的处理模块，其具有基于前述的用户的行为数据、饮食数据及用药数据，以及结合用户的健康指标参数等，综合对用户的各种行为和/或健康指标参数如血糖的变化情况进行智能分析，为用户确定出适合其自身的运动、饮食、用药行为建议，以基于所推荐的行为建议对用户的日常生活行为进行指导，方便其更健康地生活，更方便其对自身的健康指标参数的控制。
作为一种实现方式，所述为所述用户生成所述预定周期的周期行为报告，包括：将所述运动行为输入预设的运动行为模型，得到所述用户的运动行为的评价结果，基于所述评价结果为所述用户生成所述下一周期的运动行为建议；其中，所述运动行为模型包括多个子模型和集成模块，所述集成模块用于根据所述多个子模型的输出确定所述评价结果。
作为一种示例，多个子模型可以包括逻辑回归模型，提督提升决策树GBDT模型，随机森林RF模型，浅层神经网络NN等，但不限于此。
各子模型分别以数据评价结果为目标进行训练，在完成上述各模型的参数调优后，通过集成模块进行择优方式确定出评价结果。其中，逻辑回归模型通过输入特征数据，获取因变量即预测评价结果。GBDT模型根据样本训练出GBDT树，对于每个GBDT树的叶子节点，回溯到根节点都可以得到一组组合特征，并使用叶子节点的标号作为新的组合特征，从而得到训练后的特征向量。RF模型对于每一棵训练树，使用响应的袋外数据计算分类误差；随机将袋外数据所有样本的特征加入噪声（随机改变特征的取值），再次计算分类误差。以此来确定特征的重要性。浅层神经网络能够对训练数据进行快速响应，并获取特征向量，对特征向量进行分类。
作为一种实现方式，集成模块包括投票bagging模块，具体地，使用投票bagging方式将各模型的评价结果结合在一起，输出对用户运动行为的评价结果。
本申请实施例中，运动行为的评价结果包括运动行为是否未达标，如运动量较低，运动量适中，运动量过大等，运动量较低对应的运动行为建议为提升强度，运动量适中对应的运动行为建议为保持强度，运动量过大对应的运动行为建议为降低强度。此外，本申请实施例的评价结果还包括用药行为的评价，如用药量较大，用药适中，用药量不足等，或者是饮食行为的评价，如包括饮食过咸，过油，或过量等的评价结果。
或者，作为一种实现方式，为所述用户生成所述预定周期的周期行为报告，包括：获取所述用户的饮食内容图像，将所述饮食内容图像输入至饮食行为模型，得到所述用户的饮食行为的评价结果，基于所述评价结果为所述用户生成饮食行为建议；其中，所述饮食行为模型为卷积神经网络。
具体地，获取所述用户的饮食内容图像，将所述饮食内容图像缩放至设定的长宽尺寸后，将缩放后的图像的像素输入至神经网络，通过所述神经网络中设定的训练层数，逐层分别对输入的像素特征进行卷积、ReLU函数处理，然后进行池化处理；对池化处理后的多路图像像素数据进行Flatten处理，然后进行DenseNet分类输出对用户的饮食行为的评价结果。
这里的饮食行为的评价结果包括以下至少之一：用户的饮食是否油腻、是否过量、是否过盐等标签评价结果，评价结果并不限于此，而仅是示例性说明。针对用户的饮食行为的评价结果，为用户生成相应的饮食行为建议，如针对饮食过于油腻的评价结果，为用户生成建议下一周期内清淡饮食，减少并控制油脂类食物的摄取；针对用户的饮食过量的评价结果，为用户生成下一周期内减少每餐进食量，少吃零食，控制进食次数的饮食行为建议；针对用户的饮食过盐的评价结果，为用户生成下一周期内饮食清淡，并减少食物中盐分及佐料添加的饮食行为建议等。
或者，作为一种实现方式，为所述用户生成所述预定周期的周期行为报告，包括：根据所述健康指标参数中的血糖指标/身体成分指标与对应的阈值进行比较，得到评价结果，根据所述评价结果并结合所述行为数据，为所述用户调取相应的行为建议模板，作为所述用户的行为建议。
步骤103，基于所述周期行为报告更新所述用户的行为标签，并获取与所述行为标签相匹配的患教内容。
本申请实施例中，预定周期可以为一天，即对用户的日行为进行监测和行为推荐，如作为用户的日小结信息，以帮助血糖较高用户及时了解自己在管理血糖过程中的血糖变化情况、身体成分变化情况、运动执行情况、饮食执行情况。日小结是根据用户当天的空腹血糖、餐后2小时血糖、体重、体脂率、肌肉量等指标数据情况分析前一天饮食、运动执行情况，并给出明确的指导建议。
本申请实施例中，预定周期也可以为其他时长如4小时、8小时，2天、3天、8天等。
步骤104，将所述周期行为报告和所述患教内容发送至所述用户。
本申请实施例中，预定周期也可以为一周，即对用户的周行为进行监测和行为推荐，如作为用户的周小结信息，以帮助血糖较高用户及时了解自己在管理血糖过程中的血糖变化情况、身体成分变化情况、运动执行情况、饮食执行情况。周小结是综合分析用户一周的血糖、身体成分、饮食记录、运动记录数据，给出明确的指导建议及下周血糖监测计划等信息。
本申请实施例中，预定周期也可以是一个月、2周、3周等时长。具体根据用户的监测需求而调整。
本申请实施例中，当为用户确定出行为建议后，在周期到来后，将为用户确定的行为建议向用户输出，方便用户参考行为建议进行运动、饮食或用药等。
本申请实施例中，利用实体识别算法，基于所述用户的行为数据和健康指标参数生成所述用户的个人标签；根据所述个人标签在患教内容标签库中进行标签匹配，将匹配度最高的至少一个患教内容标签对应的患教内容作为相匹配的患教内容。其中，所述患教内容标签库中的患教内容标签通过以下方式获取：利用实体识别算法对每一患教内容进行识别，生成患教内容标签。
本申请实施例中，当接收到用户针对推荐的患教内容的选择使用信息后，则意味着推荐给用户的相关信息是得到了用户的肯定的，本申请实施例还支持对用户发反馈信息进行统计，基于用户的反馈信息对反馈信息对应的内容进行权重值调整，即可以将用户对推荐的患教内容的反馈结果来调整患教内容的推荐权重，以此能获取到针对用户的更准确的患教内容推荐结果。
本申请实施例中，作为前述方法的一种补充，根据所述用户的历史运动行为、历史饮食行为、历史用药行为确定第一健康指标参数的均值、方差信息，在确定所述用户的所述第一健康指标参数的检测指标超出均值的正负两倍方差范围的情况下，向所述用户给出警示提醒信息。也就是说，第一健康指标参数为血糖值时，对于用户而言，血糖高于设定值或低于设定值都是比较危险的，当检测到用户的血糖值等超出均值的正负两倍方差的情况下，需要第一时间通知用户采取相应的行为，避免造成用户的身体不适或造成不可挽回的身体损害。
本申请实施例中，在用户行为采集及行为评价初期，由于用户的行为数据或健康指标参数数据较少，因此将这些值对标简单规则实现的控制阈值上下限作为用户的行为分析及评价依据。随着数据积累比如2周或更长时间后，本申请实施例可以对每个患者计算该患者在该指标上的均值、方差信息，可以依据长期的均值及方差值来对用户的健康指标参数进行监测和进行行为指导。
本申请实施例中，为所述用户生成所述预定周期的周期行为报告，还包括为用户生成在下一周期的健康指标参数的指标目标。
具体地，获取用户在所述预定周期执行所述预定周期对应的行为指导方案所生成的健康指标参数的最新值；获取用户的身体基础数据、健康指标参数的当前值、用户在所述预定周期执行对应的行为指导方案的执行结果；行为指导方案包括饮食行为指导方案、和/或运动行为指导方案、和/或用药行为指导方案。
而后，利用模型对所述当前值、所述身体基础数据，以及所述执行结果进行预测处理，得到用户在所述下一周期的健康指标参数的预测变化值；其中，模型可以是任意神经网络模型，例如浅层神经网络模型。
基于所述最新值以及所述预测变化值，确定用户在所述下一周期的健康指标参数的指标目标。
其中，所述基于所述最新值以及所述预测变化值，确定用户在所述下一周期的健康指标的指标目标，包括：基于所述最新值和所述预测变化值，确定所述下一周期健康指标参数的估计值；判断所述估计值是否大于所述健康指标参数对应控制阈值上限；基于判断结果，确定用户在所述下一周期健康指标参数的指标目标。
具体地，若判断结果表征估计值大于控制阈值上限，则将估计值作为指标目标的上限值，并将健康指标参数对应正常范围的下限作为指标目标的下限值，得到用户在下一周期健康指标参数的指标目标；若判断结果表征估计值不大于控制阈值上限，则将健康指标参数的正常范围作为用户在下一周期健康指标参数的指标目标。健康指标参数对应控制阈值上限是根据用户身体基础数据确定的。举例来说，体重的指标目标的生成方法如下所述：
首先，根据患者身体基础数据，确定体重基线值及体重控制阈值上限，患者身体基础数据包括患者身体成分数据（例如性别、年龄、身高、体重等）以及健康指标数据（例如血糖和血压等）。判断体重基线值是否大于体重控制阈值上限。若判断结果表征体重基线值大于体重控制阈值上限，则将体重控制阈值上限作为初始目标的上限值，并将体重对应正常范围的下限值作为初始目标的下限值，得到用户在初始周期的体重初始目标。若体重基线值不大于体重控制阈值上限，则将体重正常范围作为患者在初始周期体重初始目标。例如，以7天为一个周期，2型糖尿病患者年龄大于65周岁、糖尿病病程在10年以上、低血糖风险高，空腹血糖为8.2mmol，体重60kg，对该患者身体基础数据进行分析后得到体重基线值为60kg，体重控制阈值上限为56kg。由于体重基线值大于体重控制阈值上限，因此用户在第一个7天体重初始目标为44.7-60kg。
其次，使用机器学习的方式来预测下一个周期体重预测变化值。获取患者在预定周期执行与预定周期对应的饮食运动方案（即行为指导方案）所生成的体重最新值；获取患者的身体基础数据，体重的当前值、饮食运动方案和/或用户在预定周期针对饮食运动方案的执行结果；利用训练好的预测模型对身体基础数据、体重的当前值、饮食运动方案和/或饮食运动方案的执行结果进行预测处理，得到用户在下一周期的体重预测变化值，例如，使用机器学习的方式来预测2型糖尿病下一个周期体重降幅。将患者的身体基础数据、体重的当前值、饮食运动方案，以及患者在上一个周期针对饮食运动方案的执行结果共同作为训练样本，并以用户在预定周期内的体重差值，例如7天内体重差值（7天内最高体重-7天内最低体重）作为训练目标，利用浅层神经网络对训练样本进行模型训练，得到训练结果；基于多个训练结果，对模型进行参数调节，得到预测模型。预测阶段：将患者身体基础数据、体重的当前值、饮食运动方案和/或用户在预定周期针对饮食运动方案的执行结果输入预测模型，得到用户在下一周期的体重预测变化值。由此，结合用户的身体基础数据、对饮食运动方案的执行结果及体重当前值作为模型输入，对体重预测变化值进行预测，提高了指标目标的准确性。
最后，基于体重最新值和体重预测变化值，确定下一周期体重估计值；判断体重估计值是否大于体重控制阈值上限；若判断结果表征体重估计值大于体重控制阈值上限，则将体重估计值作为指标目标的上限值，并将体重对应正常范围的下限作为指标目标的下限值，得到用户在下一周期体重的指标目标；若判断结果表征体重估计值不大于体重控制阈值上限，则将体重正常范围作为用户在下一周期体重指标目标。例如：体重最新值为58kg，预测模型输出的体重预测变化值为1kg，体重控制阈值上限为56kg；体重估计值为57kg，由于体重估计值大于体重控制阈值上限，因此用户在下一周期体重指标目标为44.7-57kg。
下面结合具体示例，对本申请实施例作进一步详细说明。
本申请实施例中，以2型糖尿病患者为例进行说明，其他的健康指标参数的监测仍可以参照本申请实施例提供的技术方案进行，因此不应理解为是对本申请实施例的技术方案的限定。本申请实施例对用户采用行为小结的形式，帮助2型糖尿病患者及时了解自己在管理血糖过程中的血糖变化情况、身体成分变化情况、运动执行情况、饮食执行情况。其中的小结包含日小结和周小结两个反馈频率，日小结是根据用户当天上午的空腹血糖、餐后2小时血糖、体重、体脂率、肌肉量指标数据情况分析前一天饮食、运动执行情况，并给出明确的指导建议。周小结是综合分析用户一周的血糖、身体成分、饮食记录、运动记录数据，给出明确的指导建议及下周血糖监测计划。
图2为本申请实施例提供的周期行为报告的生成方法的示例流程图，如图2所示，获取用户的每日行为，如包括饮食情况、运动情况等；以及获取所述用户的基本情况数据和健康指标参数如用户的血糖、体重、体脂等相关参数；将用户的行为数据、用户的基本情况数据和健康指标参数输入预设的机器学习模型中，通过机器学习模型为用户分析生成个人标签库；本申请实施例中，个人标签库主要包括用户的日常行为及其对应的血糖指标的对应关系，主要包括基于所采集的血糖指标进行血糖分析，基于用户的饮食情况进行饮食情况分析，基于用户的身体成分分析所得到的用户身体成分情况指导信息，基于用户的运动情况进行运动分析等。本申请实施例中，主要是基于神经网络技术对用户的行为数据及运动数据等进行智能分析，以为用户确定适合于其自身情况的推荐行为。
具体地，利用所述机器学习模型，基于所述用户的行为数据和健康指标参数生成所述用户的个人标签；个人标签集合形成个人标签库。根据所述个人标签在所述智能标签库中进行标签匹配，将匹配度最高的至少一个智能标签对应的患教内容作为推荐内容，向所述用户输出所推荐的患教内容；其中，所述智能标签库中的智能标签通过以下方式获取：利用实体识别算法对每一患教内容进行识别，生成智能标签。智能标签集合构成智能标签库。
图3为本申请实施例提供的用户行为分析流程示意图，如图3所示，本申请实施例提供的用户行为分析流程包括：将所获取的行为数据和所述基本情况数据按类别进行预处理后，分别输入至逻辑回归模型，提督提升决策树GBDT模型，随机森林RF模型，浅层神经网络NN中，各模型分别以数据评价结果为目标进行训练，在完成上述各模型的参数调优后，使用投票bagging方式将各模型的评价结果结合在一起，为所述用户进行行为预测，作为所述用户的运动行为推荐结果。
本申请实施例中，逻辑回归、提督提升决策树（GBDT）、随机森林（RF）、浅层神经网络（NN）为四种不同的预测模型算法，模型分别以评价结果为目标进行训练，各自完成模型调优后，使用投票（bagging）思想将模型结果结合在一起，用于用户的实际行为的预测，以方便为用户的行为进行指导。
图4为本申请实施例提供的用户饮食分析流程示意图，如图4所示，本申请实施例的用户饮食分析流程包括：获取所述用户的饮食内容图像，将所述饮食内容图像缩放至设定的长宽尺寸后，将缩放后的图像的像素输入至饮食行为模型；这里的饮食行为模型为卷积神经网络。本申请实施例中，通过所述饮食行为模型中设定的训练层数，逐层分别对输入的像素特征进行卷积、ReLU函数处理，然后进行池化处理；对池化处理后的多路图像像素数据进行Flatten处理，然后进行DenseNet分类评价，基于评价结果为所述用户生成下一周期的运动行为建议。
本申请实施例中，对于用户的饮食情况，通过饮食行为模型对用户上传的饮食照片进行分类评价，至少确定用户的饮食是否油腻、是否过量、是否过盐等评价结果，以在后续基于评价结果生成的标签进行知识推荐，方便为用户生成下一周期的饮食行为建议和推荐患教内容。
本申请实施例中，对于用户上传的饮食图像，可以要求用户使用标准餐盘拍照，拍照时，餐盘面积至少占图像面积的二分之一、餐盘要完整呈现在图像内，以此来确定用户的饮食是否过量，以及其中的碳水化合物是否过量，图像中的肉类及蔬菜的量等，方便对用户的整体饮食情况进行分析，以结合用户的血糖情况为其确定适合其自身的饮食信息。本申请实施例中，对于饮食的咸淡情况，可以由用户自行检测并上报。
本申请实施例中，对于日小结，在用户的数据处理初期，由于用户的血糖或身体成分数据稀少，因此将这些值对标简单规则实现的控制阈值上下限来管理用户行为。随着数据积累（比如2周后），可以对每个患者计算该用户在该指标上的均值、方差信息，在未来用户的新指标超出“均值加减2倍方差”范围，向用户输出警示提醒。本申请实施例可以根据指标的特质，选择对低于“均值减2倍方差”进行过低警告，也可以反过来做过高警告。
当用户以减血糖、减体重为目的的情况下，通常设置过高警告。但不排除过低警告可能性，比如，血糖虽然在下降，且没有低于“低血糖”下限，但是若医学上存在“不应该过快下降”的可能性，则认为需要警示，否则不警示。
作为一种示例，基于前述的运动行为模型为用户生成运动行为建议，如生成当前的运动强度适当，保持并继续开展其他建议运动项目等，或输出运动强度过低，需根据自身的体能状况加强运动强度，或输出强度过高。可适当降低运动强度，可以基于用户的运动行为，给出具体的降低哪项运动的运动强度等。本申请实施例即通过上述的运动推荐方式，作为日小结或周小结中关于用户的运动量的建议。
作为一种示例，基于饮食行为训练模型来为用户输出饮食行为建议，如饮食比较油腻，明天或下周应以清淡饮食为主，饮食稍微过量，明天或下周应控制进食量等建议；饮食较咸，应降低饮食中食盐的摄取量等的评价结果；
以及根据用户的健康指标参数中的血糖指标，与标准的血糖指标进行比较，得到评价结果，根据所述评价结果并结合用户的行为数据，生成对用户的运动、饮食等的建议。即通过采集到的用户的血糖值等，直接确定用户的血糖控制情况，生成下一预定周期如天或周的相应建议，如血糖控制较差，应调整用药剂量及加强运动，并减少碳水化合物的摄取等的建议；或根据用户的血脂指标，来确定用户的血脂是否超过或接近医学临界值，通过比较结果向用户输出是否应当清淡饮食或加强运动的建议。本申请实施例中，并不限定日小结或周小结的格式，只要基于用户的行为数据和健康指标参数，通过相关模型的处理，为用户生成相应的推荐运动行为即可。
本申请实施例通过小结的形式，借助神经网络等智能分析手段，帮助2型糖尿病患者及时了解自己在管理血糖过程中的血糖变化情况、身体成分变化情况、运动执行情况、饮食执行情况，并能为其推荐适合其自身的行为方式，使用户能够更佳地对自身的健康状况进行管理。
图5为本申请实施例提供的周期行为报告的生成装置的组成结构示意图，如图5所示，本申请实施例的周期行为报告的生成装置包括：
第一获取单元60，用于获取用户在预定周期的行为数据和健康指标参数，所述行为数据包括运动行为、饮食行为、用药行为中的至少之一；
生成单元61，用于至少部分地利用机器学习模型，根据所述行为数据和所述健康指标参数，为所述用户生成所述预定周期的周期行为报告，所述周期行为报告至少包括所述预定周期的评价结果、下一周期的行为建议和/或指标目标；
第二获取单元62，用于基于所述周期行为报告更新所述用户的行为标签，并获取与所述行为标签相匹配的患教内容；以及
发送单元63，用于将所述周期行为报告和所述患教内容发送至所述用户。
本申请实施例中，所述生成单元61，还用于：将所述运动行为输入预设的运动行为模型，得到所述用户的运动行为的评价结果，基于所述评价结果为所述用户生成所述下一周期的运动行为建议；其中，所述运动行为模型包括多个子模型和集成模块，所述集成模块用于根据所述多个子模型的输出确定所述评价结果。
本申请实施例中，所述生成单元61，还用于：获取所述用户的饮食内容图像，将所述饮食内容图像输入至饮食行为模型，得到所述用户的饮食行为的评价结果，基于所述评价结果为所述用户生成所述下一周期的饮食行为建议；其中，所述饮食行为模型为卷积神经网络。
本申请实施例中，所述生成单元61，还用于：将所述健康指标参数中的血糖指标和/或身体成分指标与对应的阈值进行比较，得到血糖指标和/或身体成分的评价结果，根据所述评价结果并结合所述行为数据，为所述用户调取相应的行为建议模板，生成所述用户在所述下一周期的指标行为建议。
本申请实施例中，所述第二获取单元62，还用于：利用实体识别算法，基于所述用户的行为数据和健康指标参数生成所述用户的个人标签；根据所述个人标签在患教内容标签库中进行标签匹配，将匹配度最高的至少一个患教内容标签对应的患教内容作为相匹配的患教内容。
本申请实施例中，所述生成单元61，还用于：
获取用户在所述预定周期执行所述预定周期对应的行为指导方案所生成的健康指标参数的最新值；
获取用户的身体基础数据、健康指标参数的当前值、用户在所述预定周期执行所述预定周期对应的行为指导方案的执行结果；
利用模型对所述当前值、所述身体基础数据，以及所述执行结果进行预测处理，得到用户在所述下一周期的健康指标参数的预测变化值；
基于所述最新值以及所述预测变化值，确定用户在所述下一周期的健康指标参数的指标目标。
本申请实施例中，所述生成单元61，还用于：
基于所述最新值和所述预测变化值，确定所述下一周期健康指标参数的估计值；
判断所述估计值是否大于所述健康指标参数对应控制阈值上限；
基于判断结果，确定用户在所述下一周期健康指标参数的指标目标。
在示例性实施例中，本申请实施例的周期行为报告的生成装置的上述各处理单元可以被一个或多个中央处理器（CPU，Central Processing Unit）、图像处理器（GPU，Graphics Processing Unit）、基带处理器（BP，Base Processor）、应用专用集成电路（ASIC，Application Specific Integrated Circuit）、DSP、可编程逻辑器件（PLD，Programmable Logic Device）、复杂可编程逻辑器件（CPLD，Complex Programmable LogicDevice）、现场可编程门阵列（FPGA，Field-Programmable Gate Array）、通用处理器、控制器、微控制器（MCU，Micro Controller Unit）、微处理器（Microprocessor）、或其他电子元件实现。
在本申请实施例中，图5示出的周期行为报告的生成装置中各个处理单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图6为本申请实施例提供的周期行为报告的生成***的结构图示意图，如图6所示，本申请实施例还记载了一种周期行为报告的生成***，所述***包括客户端、服务器、数据库；其中：
所述客户端获取用户在预定周期的行为数据和健康指标参数，所述行为数据包括运动行为、饮食行为、用药行为中的至少之一；
所述服务器从所述客户端获取行为数据和健康指标参数，至少部分地利用机器学习模型，根据所述行为数据和所述健康指标参数，为所述用户生成所述预定周期的周期行为报告，所述周期行为报告至少包括所述预定周期的评价结果、下一周期的行为建议和/或指标目标；以及基于所述周期行为报告更新所述用户的行为标签，并获取与所述行为标签相匹配的患教内容；将所述周期行为报告和所述患教内容发送至所述客户端。
本申请实施例中，客户端可以为多个，如客户端1、客户端2、客户端3……，各客户端与服务器之间通过有线或无线网络连接，客户端可以安装于用户的电子设备中如手机、笔记本电脑等中，服务器侧设置有患教内容库，用户行为标签库，以及智能标签库等数据库，以方便服务器对数据库的调用。作为一种实现方式，本申请实施例的周期行为报告的生成方法由软件程序来实现时，也可以将相关应用程序装载于用户的电子设备上，即不通过网络处理方式而直接由用户侧的电子设备来实现数据的采集及行为推荐等，本申请实施例不限于具体的实现手段。
本申请实施例的周期行为报告的生成***，前述实施例已进行了详尽描述，这里不再赘述其具体的实现细节，本领域技术人员应当理解，基于现有的连接手段及相关技术，实现本申请实施例的周期行为报告的生成***是容易实现的，不能以本申请实施例的具体示例的***结构而作为是对本申请实施例的技术方案的限定。
下面，参考图7来描述根据本申请实施例的电子设备12。
如图7所示，电子设备12包括一个或多个处理器121和存储器122。
处理器121可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备12中的其他组件以执行期望的功能。
存储器122可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器121可以运行所述程序指令，以实现上文所述的本申请的各个实施例的周期行为报告的生成方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中，电子设备12还可以包括：输入装置123和输出装置124，这些组件通过总线***和/或其他形式的连接机构（图7中未示出）互连。
该输入装置123可以包括例如键盘、鼠标等等。
该输出装置124可以向外部输出各种信息，包括确定出的距离信息、方向信息等。该输出装置124可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图7中仅示出了该电子设备12中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备12还可以包括任何其他适当的组件。
本申请实施例还记载了一种可读非暂时性存储介质，所述存储介质上存储程序或指令，所述程序或指令被处理器执行时实现所述的周期行为报告的生成方法的步骤。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅是示意性的，例如，所述单元的划分，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，如：多个单元或组件可以结合，或可以集成到另一个***，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本申请各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，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单元的形式实现。
以上所述，仅为本申请的实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (11)

1.一种周期行为报告的生成方法，其特征在于，所述方法包括：
获取用户在预定周期的行为数据和健康指标参数，所述行为数据包括运动行为、饮食行为、用药行为中的至少之一；
至少部分地利用机器学习模型，根据所述行为数据和所述健康指标参数，为所述用户生成所述预定周期的周期行为报告，所述周期行为报告至少包括所述预定周期的评价结果、下一周期的行为建议和/或指标目标；
基于所述周期行为报告更新所述用户的行为标签，并获取与所述行为标签相匹配的患教内容；以及
将所述周期行为报告和所述患教内容发送至所述用户。
2.根据权利要求1所述的方法，其特征在于，所述为所述用户生成所述预定周期的周期行为报告，包括：
将所述运动行为输入预设的运动行为模型，得到所述用户的运动行为的评价结果，基于所述评价结果为所述用户生成所述下一周期的运动行为建议；
其中，所述运动行为模型包括多个子模型和集成模块，所述集成模块用于根据所述多个子模型的输出确定所述评价结果。
3.根据权利要求1所述的方法，其特征在于，所述为所述用户生成所述预定周期的周期行为报告，包括：
获取所述用户的饮食内容图像，将所述饮食内容图像输入至饮食行为模型，得到所述用户的饮食行为的评价结果，基于所述评价结果为所述用户生成所述下一周期的饮食行为建议；其中，所述饮食行为模型为卷积神经网络。
4.根据权利要求1所述的方法，其特征在于，所述为所述用户生成所述预定周期的周期行为报告，包括：
将所述健康指标参数中的血糖指标和/或身体成分指标与对应的阈值进行比较，得到血糖指标和/或身体成分的评价结果，根据所述评价结果并结合所述行为数据，为所述用户调取相应的行为建议模板，生成所述用户在所述下一周期的指标行为建议。
5.根据权利要求2所述的方法，其特征在于，所述获取与所述行为标签相匹配的患教内容，包括：
利用实体识别算法，基于所述用户的行为数据和健康指标参数生成所述用户的个人标签；
根据所述个人标签在患教内容标签库中进行标签匹配，将匹配度最高的至少一个患教内容标签对应的患教内容作为相匹配的患教内容。
6.根据权利要求1所述的方法，其特征在于，所述为所述用户生成所述预定周期的周期行为报告，包括：
获取用户在所述预定周期执行所述预定周期对应的行为指导方案所生成的健康指标参数的最新值；
获取用户的身体基础数据、健康指标参数的当前值、用户在所述预定周期执行所述预定周期对应的行为指导方案的执行结果；
利用模型对所述当前值、所述身体基础数据，以及所述执行结果进行预测处理，得到用户在所述下一周期的健康指标参数的预测变化值；
基于所述最新值以及所述预测变化值，确定用户在所述下一周期的健康指标参数的指标目标。
7.根据权利要求6所述的方法，其特征在于，所述基于所述最新值以及所述预测变化值，确定用户在所述下一周期的健康指标的指标目标，包括：
基于所述最新值和所述预测变化值，确定所述下一周期健康指标参数的估计值；
判断所述估计值是否大于所述健康指标参数对应控制阈值上限；
基于判断结果，确定用户在所述下一周期健康指标参数的指标目标。
8.一种周期行为报告的生成装置，其特征在于，所述装置包括：
第一获取单元，用于获取用户在预定周期的行为数据和健康指标参数，所述行为数据包括运动行为、饮食行为、用药行为中的至少之一；
生成单元，用于至少部分地利用机器学习模型，根据所述行为数据和所述健康指标参数，为所述用户生成所述预定周期的周期行为报告，所述周期行为报告至少包括所述预定周期的评价结果、下一周期的行为建议和/或指标目标；
第二获取单元，用于基于所述周期行为报告更新所述用户的行为标签，并获取与所述行为标签相匹配的患教内容；以及
发送单元，用于将所述周期行为报告和所述患教内容发送至所述用户。
9.一种周期行为报告的生成***，其特征在于，所述***包括客户端、服务器、数据库；其中：
所述客户端获取用户在预定周期的行为数据和健康指标参数，所述行为数据包括运动行为、饮食行为、用药行为中的至少之一；
所述服务器从所述客户端获取行为数据和健康指标参数，至少部分地利用机器学习模型，根据所述行为数据和所述健康指标参数，为所述用户生成所述预定周期的周期行为报告，所述周期行为报告至少包括所述预定周期的评价结果、下一周期的行为建议和/或指标目标；以及基于所述周期行为报告更新所述用户的行为标签，并获取与所述行为标签相匹配的患教内容；将所述周期行为报告和所述患教内容发送至所述客户端。
10.一种电子设备，其特征在于，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现权利要求1至7中任一项所述的周期行为报告的生成方法的步骤。
11.一种可读非暂时性存储介质，其特征在于，所述存储介质上存储程序或指令，所述程序或指令被处理器执行时实现权利要求1至7中任一项所述的周期行为报告的生成方法的步骤。
CN202111545122.5A 2021-12-17 2021-12-17 周期行为报告的生成方法及装置、存储介质、电子设备 Pending CN113936765A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111545122.5A CN113936765A (zh) 2021-12-17 2021-12-17 周期行为报告的生成方法及装置、存储介质、电子设备
PCT/IB2021/062068 WO2023111670A1 (zh) 2021-12-17 2021-12-21 周期行为报告的生成方法及装置、存储介质、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111545122.5A CN113936765A (zh) 2021-12-17 2021-12-17 周期行为报告的生成方法及装置、存储介质、电子设备

Publications (1)

Publication Number Publication Date
CN113936765A true CN113936765A (zh) 2022-01-14

Family

ID=79288995

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111545122.5A Pending CN113936765A (zh) 2021-12-17 2021-12-17 周期行为报告的生成方法及装置、存储介质、电子设备

Country Status (1)

Country Link
CN (1) CN113936765A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115363571A (zh) * 2022-08-31 2022-11-22 重庆联芯致康生物科技有限公司 一种基于cgm传感器的机器学习血糖监测***及方法
CN115602282A (zh) * 2022-09-23 2023-01-13 北京华益精点生物技术有限公司（Cn） 血糖监测的指导方法及相关设备
CN118069931A (zh) * 2024-04-18 2024-05-24 大连陆桥科技有限公司 基于人工智能的糖尿病患者饮食智能推荐方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080162352A1 (en) * 2007-01-03 2008-07-03 Gizewski Theodore M Health maintenance system
CN106294654A (zh) * 2016-08-04 2017-01-04 首都师范大学 一种本体排序方法及***
CN107294993A (zh) * 2017-07-05 2017-10-24 重庆邮电大学 一种基于集成学习的web异常流量监测方法
CN108268619A (zh) * 2018-01-08 2018-07-10 阿里巴巴集团控股有限公司 内容推荐方法及装置
CN109033149A (zh) * 2018-06-12 2018-12-18 北京奇艺世纪科技有限公司 信息推荐方法、装置、服务器及存储介质
US20190122769A1 (en) * 2017-10-24 2019-04-25 Adventia Technology, LLC Systems, methods, and devices for aggregated health data processing and treatment recommendation generation platforms
CN112951430A (zh) * 2021-03-29 2021-06-11 阿斯利康投资(中国)有限公司 多种慢性疾病联合管理设备和计算机可读存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080162352A1 (en) * 2007-01-03 2008-07-03 Gizewski Theodore M Health maintenance system
CN106294654A (zh) * 2016-08-04 2017-01-04 首都师范大学 一种本体排序方法及***
CN107294993A (zh) * 2017-07-05 2017-10-24 重庆邮电大学 一种基于集成学习的web异常流量监测方法
US20190122769A1 (en) * 2017-10-24 2019-04-25 Adventia Technology, LLC Systems, methods, and devices for aggregated health data processing and treatment recommendation generation platforms
CN108268619A (zh) * 2018-01-08 2018-07-10 阿里巴巴集团控股有限公司 内容推荐方法及装置
CN109033149A (zh) * 2018-06-12 2018-12-18 北京奇艺世纪科技有限公司 信息推荐方法、装置、服务器及存储介质
CN112951430A (zh) * 2021-03-29 2021-06-11 阿斯利康投资(中国)有限公司 多种慢性疾病联合管理设备和计算机可读存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115363571A (zh) * 2022-08-31 2022-11-22 重庆联芯致康生物科技有限公司 一种基于cgm传感器的机器学习血糖监测***及方法
CN115602282A (zh) * 2022-09-23 2023-01-13 北京华益精点生物技术有限公司（Cn） 血糖监测的指导方法及相关设备
CN118069931A (zh) * 2024-04-18 2024-05-24 大连陆桥科技有限公司 基于人工智能的糖尿病患者饮食智能推荐方法

Similar Documents

Publication Publication Date Title
Chatrati et al. Smart home health monitoring system for predicting type 2 diabetes and hypertension
Ani et al. Iot based patient monitoring and diagnostic prediction tool using ensemble classifier
Vellappally et al. IoT medical tooth mounted sensor for monitoring teeth and food level using bacterial optimization along with adaptive deep learning neural network
KR20220016487A (ko) 생체 모니터링 및 혈당 예상을 위한 시스템들, 및 연관된 방법들
JP7127086B2 (ja) ヘルストラッキングデバイス
KR102321737B1 (ko) 건강 관리 방법 및 장치
US20210391081A1 (en) Predictive guidance systems for personalized health and self-care, and associated methods
CN109887568B (zh) 基于医嘱的健康管理***
CN114830132A (zh) 用于处理包括生理信号的人类相关数据以利用边缘和云的分布式机器学习来制定情境感知决策的***和方法
US20140316220A1 (en) Personal Health Monitoring System
CN113936765A (zh) 周期行为报告的生成方法及装置、存储介质、电子设备
El-Attar et al. Discrete wavelet transform-based freezing of gait detection in Parkinson’s disease
WO2022082004A1 (en) Systems and methods using ensemble machine learning techniques for future event detection
WO2021158796A1 (en) Forecasting and explaining user health metrics
US20210174971A1 (en) Activity tracking and classification for diabetes management system, apparatus, and method
KR20190063954A (ko) 인공지능 클라우드 영양소 변화 예측 방법과 인공지능 클라우드 영양소 대사량 측정 방법 및 그를 사용하는 질병관리 방법
KR102154763B1 (ko) 스마트 장치를 활용한 치매 발병 예측 시스템 및 방법
JP2023552210A (ja) コンテキスト情報を使用するデータの補完
JP7034687B2 (ja) 異常報知装置及びプログラム
JP2024513618A (ja) 感染症及び敗血症の個別化された予測のための方法及びシステム
CN115547483A (zh) 用于监测患慢性炎症性疾病的患者的远程监测方法和***
WO2022225945A1 (en) System, method, and apparatus for pet condition detection
US20220181023A1 (en) Digital solutions for differentiating asthma from copd
WO2023111670A1 (zh) 周期行为报告的生成方法及装置、存储介质、电子设备
Raju et al. An advanced learning approach for early stage diabetes detection

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