CN115798685B - 一种基于食物图像分割的抑郁症膳食管理方法 - Google Patents
一种基于食物图像分割的抑郁症膳食管理方法 Download PDFInfo
- Publication number
- CN115798685B CN115798685B CN202211628844.1A CN202211628844A CN115798685B CN 115798685 B CN115798685 B CN 115798685B CN 202211628844 A CN202211628844 A CN 202211628844A CN 115798685 B CN115798685 B CN 115798685B
- Authority
- CN
- China
- Prior art keywords
- food
- depression
- meal
- index
- foods
- 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
- 235000013305 food Nutrition 0.000 title claims abstract description 120
- 238000007726 management method Methods 0.000 title claims abstract description 26
- 235000005911 diet Nutrition 0.000 title claims abstract description 24
- 230000037213 diet Effects 0.000 title claims abstract description 24
- 238000003709 image segmentation Methods 0.000 title claims abstract description 12
- 235000012054 meals Nutrition 0.000 claims abstract description 51
- 230000036541 health Effects 0.000 claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 230000001430 anti-depressive effect Effects 0.000 claims abstract description 13
- 239000000935 antidepressant agent Substances 0.000 claims abstract description 13
- 229940005513 antidepressants Drugs 0.000 claims abstract description 13
- 230000011218 segmentation Effects 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 18
- 235000015219 food category Nutrition 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 9
- 230000000994 depressogenic effect Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 235000005686 eating Nutrition 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 208000020401 Depressive disease Diseases 0.000 claims 1
- 238000011156 evaluation Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000036651 mood Effects 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 208000019022 Mood disease Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000005118 dietary health Nutrition 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Classifications
-
- 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
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明属于数字健康管理技术领域，具体涉及一种基于食物图像分割的抑郁症膳食管理方法，包括：构建基于抑郁症膳食指数的数字健康管理数据库；获取当前用户的身体健康状况数据；根据当前用户的身体健康状况数据，结合抑郁症膳食指数的健康管理数据库，进行数据智能分析，推理当前用户的膳食推荐结果；通过数据库获取和存储用户身体健康状况数据和食物图像；对图像进行智能分割，采用Fisher判别分析法，对分割后的食物进行抗抑郁指数分析；对筛选出的食物进行聚类，根据用户的身体健康状况信息和聚类后的食物类别，设置膳食推荐结果；本发明采用的Fisher判别分析法，对食物的抑郁症膳食指数进行分析筛选，使得食物膳食推荐结果更准确。
Description
技术领域
本发明属于数字健康管理技术领域，具体涉及一种基于食物图像分割的抑郁症膳食管理方法。
背景技术
抑郁症是一种常见的心境障碍，可由多种原因引起，以显著而持久的心境低落为主要临床特征，且心境低落与其处境不相称。多数抑郁症病例有反复发作的倾向，每次发作大多数可以缓解，部分可有残留症状或转为慢性。目前有研究表明抑郁症的诱发因素还与患者的饮食***的提高，餐桌上往往都不会缺乏引起抑郁症的食物。特别是每逢过年过节，餐桌上往往会有大量的食物，再有饮酒文化的加持，进一步促进抑郁症的发生。因此，如何对患者进行饮食健康管理，从而利于抑郁患者的治疗。
发明内容
为解决以上现有技术存在的问题，本发明提出了一种基于食物图像分割的抑郁症膳食管理方法，该方法包括：构建基于抑郁症膳食指数的数字健康管理数据库；获取当前用户的身体健康状况数据；根据当前用户的身体健康状况数据，结合基于抑郁症膳食指数的数字健康管理数据库，进行数据智能查询和推理，得到当前用户的膳食推荐结果；
构建基于抑郁症膳食指数的数字健康管理数据库的过程包括：
S1：获取用户的身体健康状况数据信息和食物图片；
S2：对食物图片进行分割处理，得到各个食物图片；
S3：采用Fisher判别分析法，对分割后的食物图像进行抑郁症膳食指数分析，筛选出抑郁症膳食指数的食物数量；
S4：对筛选出的食物进行聚类；
S5：根据用户的身体健康状况信息和聚类后的食物类别，设置膳食推荐结果，并将用户的身体健康状况数据信息和膳食推荐结果存储到数据库中。
优选的，对食物图片进行分割处理的过程包括：对食物图像进行预处理，该预处理包括对图像进行滤波、增强以及补全处理；将预处理后的图片转化为矩阵；采用Robert算子和Sobel算子对矩阵进行边缘分割，输出边缘分割后的图像和矩阵。
优选的，采用Fisher判别分析法对分割后的食物图像进行抑郁症膳食指数分析，其过程包括：将所有的食物划分为两个样本子集，两个子集分别为：对膳食抗抑郁有效的食物种类数据子集，和对膳食抗抑郁无效的食物种类数据子集；分别计算两个子集中食物的抗抑郁指数均值和方差；根据食物的抗抑郁指数均值和方差，计算两个子集的最大阈值a；根据最大阈值a构建Fisher线性判别函数；采用Fisher线性判别函数对两个样本子集中的食物进行筛选，得到抑郁症膳食指数的食物。
优选的，对筛选出的食物类别进行聚类的过程包括：获取的聚类分析样本，该样本为筛选出抑郁症膳食指数的食物数量；计算各个样本点两两之间的马氏距离dij；根据马氏距离计算所有样本之间的离差平方和；根据距离差平方和构建聚类图；根据聚类图将所有的样本进行聚类，得到不同类别的食物。
优选的，设置膳食推荐结果的过程包括：
步骤1：设置食物节点a＝v11、v12、v13、...v1p＝z，每个节点代表一种食物；赋权w(v1i,v1j)＝wij>0，权wij表示吃第i、j种食物能够使病人好转抑郁“值”；
步骤2：选取第i＝k类食物数据；
步骤3：设定抑郁患者食物数量；
步骤4：根据用户的身体健康状况信息和设定的抑郁患者食物数量，采用最短路径算法，计算从结点a到节点b中的最短路径；其中路径为用户的抑郁指数值；
步骤5：判断当前计算的路径是否为最短路径，且当前食物种类i的值是否等于3；是则输出所有最短路径的集合，该最短路径集合为最优的膳食推荐结果；否则食物种类i加1，并返回步骤2。
本发明的有益效果：
本发明通过构建一个基于抑郁症膳食指数的数字健康管理数据库，通过用户自身的数据直接在该数据库中进行膳食智能推荐查询，从而增强用户膳食管理的准确度；本发明采用的Fisher判别分析法，对食物的抑郁症膳食指数进行分析筛选，使得食物膳食推荐结果更准确；本发明通过用户自身的身体数据，采用的最短路径算法，计算不同食物对抑郁症膳食指数的影响，从而有针对性的对食物进行推荐，实现了用户的精准健康管理。
附图说明
图1为本发明的***流程图；
图2为本发明的Sobel算子的均值图；
图3为本发明的对食物图像的进行分割的流程图；
图4为本发明的进行抑郁症膳食指数分析的流程图；
图5为本发明的聚类分析流程图；
图6为本发明的最短路径算法流程图；
图7为本发明的评价分析流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
一种基于食物图像分割的抑郁症膳食管理方法，如图1所示，该方法包括：构建基于抑郁症膳食指数的数字健康管理数据库；获取当前用户的身体健康状况数据；根据当前用户的身体健康状况数据，结合基于抑郁症膳食指数的数字健康管理数据库进行数据智能查询和推理，得到当前用户的膳食推荐结果；
构建基于抑郁症膳食指数的数字健康管理数据库的过程包括：
S1：获取用户的身体健康状况数据信息和食物图片；
S2：对食物图片进行分割处理，得到各个食物图片；
S3：采用Fisher判别分析法，对分割后的食物图像进行抑郁症膳食指数分析，筛选出抑郁症膳食指数的食物数量；
S4：对筛选出的食物进行聚类；
S5：根据用户的身体健康状况信息和聚类后的食物类别，设置膳食推荐结果，并将用户的身体健康状况数据信息和膳食推荐结果存储到数据库中。
如图3所示，对食物图像进行分割包括对食物图像进行预处理，该预处理包括：对图像进行滤波、增强以及补全处理；将预处理后的图片转化为矩阵；采用Robert算子和Sobel算子对矩阵进行边缘分割，输出边缘分割后的图像和矩阵。
具体的，对图像分割采取基于边缘的分割算法，常用的分割算子有Robert、Sobel算子等。其中Robert算子使用了一个2×2的模板，作为相对简单的一阶微分算子、计算量小、对细节反映灵敏，Robert算子相对于其他的3×3算子能够给出相对较细的边缘，最大的优点在于计算速度非常快。Sobel算子是3×3的一阶差分算子，用来运算图像亮度函数的灰度近似值，在图像的任一点使用该算子都将会产生相应的灰度矢量或其法矢量。
Robert算子是一种斜向偏差分的梯度计算方法，梯度大小代表了边缘的强度，梯度方向与边缘走向正交。Robert算子边缘定位准确，对噪声极为敏感。梯度算子定义为：
其中，G(x,y)表示输出图像，表示x方向梯度，f(x,y)表示输入图像，/>表示y方向梯度。
上述算子可以化简为：
根据化简结果，可以得到图像离散化(差分代替偏导)的对角线Robert算子：
如图2所示，Sobel的卷子因子分为两组：Gx和Gy的3×3矩阵，分别表示横向和纵向，将其与图像平面卷积，即可得出横向纵向的亮度差分近似值。若以A代表原始图像，Gx和Gy分别代表横向及纵向边缘检测的图像灰度值。其表达式为：
and/>
Gx＝(-1)·f(x-1,y-1)+0·f(x,y-1)+1·f(x+1,y-1)+(-2)·f(x-1,y)+0·f(x,y)+2·f(x+1,y)+(-1)·f(x-1,y+1)+0·f(x,y+1)+1·f(x+1,y+1)
Gy＝1·f(x-1,y-1)+2·f(x,y-1)+1·f(x+1,y-1)+0·f(x-1,y)+0·f(x,y)+0·f(x+1,y)+(-1)·f(x-1,y+1)+(-2)·f(x,y+1)+(-1)·f(x+1,y+1)
其中f(a,b)表示图像(a,b)点的灰度值。
图像的每一个像素的横向及纵向灰度值，通过以下公式计算该点的灰度大小：
为了提高效率，使用不开方的近似值：
|G|＝|Gx|+|Gy|
如果梯度G大于某一阈值，则认为该点为(x,y)为边缘点。
通过选择的算子计算后，对样本做两种格式的输出：分割后的图像和分割后的像素值。
如图4所示，采用Fisher判别分析法，对分割后的食物图像进行抑郁症膳食指数分析。其过程包括：将所有的食物划分为两个样本子集，两个子集分别为：对膳食抗抑郁有效的食物种类数据子集和对膳食抗抑郁无效的食物种类数据子集；分别计算两个子集中食物的抗抑郁指数均值和方差；根据食物的抗抑郁指数均值和方差，计算两个子集的最大阈值a；根据最大阈值a，构建Fisher线性判别函数；采用Fisher线性判别函数，对两个样本子集中的食物进行筛选，得到抑郁症膳食指数的食物。
具体包括：在对食物进行图像分割之后，需要对其进行判别，看食物属于哪一种类型；在多元统计中采用Fisher判别，对总体样本做判别分析。Fisher判别仅考虑两总体的情况，即只考虑对抑郁指数是否有效。设p维总体X1和X2都具有二阶距。在p维情况下，x的线性组合y＝aTx。即有y的均值为：
μy1＝E(y|y＝aTx,x∈X1)＝aTμ1,
μy2＝E(y|y＝aTx,x∈X2)＝aTμ2,
其中，X1,X2的均值为μ1，μ2，协方差矩阵为Σ(Σ>0)，μy1表示第一种类线性组合的均值，E表示期望，aT表示p维实向量，x表示变量，X1和X2表示属于第一和二类的变量，μ1表示X1的均值，μy2表示第二种类线性组合的均值。
方差为：
其中，表示变量x线性组合的方差，Var表示求x线性组合的方差。
根据方差和均值计算比值，其表达式为：
其中δ＝μ1-μ2为两总体的均值向量差，只需选择a使得上式比值达到最大。
当选择a＝cΣ-1δ(c≠0且为常数)时最大，
当c＝1时，线性函数y＝aTx＝(μ1-μ2)TΣ-1x为Fisher线性判别函数，进一步令：
则有μy1-K>0,μy2-K<0。
根据上述表达式可知：Fisher判别规则为：
令：
则判别规则为：
当总体参数为知时，使用样本对μ，Σ进行估计。
如图5所示，对筛选出的食物类别进行聚类，其过程包括：获取的聚类分析样本，该样本为筛选出抑郁症膳食指数的食物数量；计算各个样本点两两之间的马氏距离dij；根据马氏距离，计算所有样本之间的离差平方和；根据距离差平方和，构建聚类图；根据聚类图，将所有的样本进行聚类，得到不同类别的食物。
本模块主要是使用聚类分析将食物进行聚类，如将食物聚为对抑郁有优、中、无影响三大类。常用的聚类有：最短和最长距离法聚类、K-means聚类、模糊聚类、离差平方和聚类、R型聚类、Q型聚类等；针对不同的数据有不同的聚类方法可供选择。其中，分析食物数据包括食物含有多种营养指标，以及用多个变量表示的抑郁患者特征。
所使用的Q型聚类分析主要是，用数量化方法对食物进行分类，并且描述食物之间的相似程度。其中食物有多维指标。对于待分类的食物样本，需要p个指标来进行刻画描述。每个样本点可作为p维空间当中的一个点。因此，能够使用“距离”来度量每个样本点的相似度。
设Ω为样本点集，距离d(x，y)是Ω×Ω→R+的函数，并且满足以下条件：
(1)d(x,y)≥0，x,y∈Ω；
(2)d(x,y)＝0，当且仅当x＝y；
(3)d(x,y)＝d(y,x),x,y∈Ω；
(4)d(x,y)≤d(x,z)+d(z,y),x,y,z∈Ω.
聚类分析中主要是使用马氏距离，其公式为：
其中x,y来自p维总体Z的观测值；∑为协方差阵，往往需要样本估计；马氏距离对一切线性变换是不变的，不受纲量的影响。此外“距离”还有坐标距离、切比雪夫距离、马氏距离等。
离差平方和：
则有：D(G1,G2)＝D12-D1-D2，聚类保证G1和G2内部距离很小，但两类的总体距离很大。其中，D1、D2、D12表示组间平方、组内平方、总平方和，xi表示第1组元素，表示第1组均值，T表示转置，G1表示样本总体来自第一组，G2表示样本总体来自第二组，xj表示第2组元素，/>表示第二组元素均值，xk表示总元素，/>表示总均值，n1表示样本G1的个数，n2表示样本G2的个数。
如图6所示，设置膳食推荐结果的过程包括：
步骤1：设置食物节点a＝v11、v12、v13、...v1p＝z，每个节点代表一种食物；赋权w(v1i,v1j)＝wij>0，权wij表示吃第i、j种食物能够使病人好转抑郁“值”；
步骤2：选取第i＝k类食物数据；
步骤3：设定抑郁患者食物数量；
步骤4：根据用户的身体健康状况信息和设定的抑郁患者食物数量，采用最短路径算法，计算从结点a到节点b中的最短路径；其中路径为用户的抑郁指数值；
步骤5：判断当前计算的路径是否为最短路径，且当前食物种类i的值是否等于3；是则输出所有最短路径的集合，该最短路径集合为最优的膳食推荐结果；否则食物种类i加1，并返回步骤2。
具体的，连通图的路径表示当前结点到可达结点(食物)的抑郁指数值的增加值。Dijkstra算法是指，在一个加权简单连通图中，求出从结点a(食物a)到节点b(食物b)中的最短路径(抑郁指数值)。将图中所有节点分为两组，每一个节点对应一个距离值；第一组包括已经确定的最短路径的结点，节点对应的值是由v0到此节点的最短路径长度(最小抑郁指数值)；第二组包括尚未确定最短路径的结点，结点对应的距离值是v0经由第一组的结点(中间结点)至此结点的最短距离；按最短路径长度递增的顺序，把第二组的结点加到第一组中去，直到v0可达的所有节点都包含于第一组。在这个过程中总保持：从v0到第一组各结点的最短路径长度，都不大于从v0至第二组任何节点的路径长度。
设源点为v0，初始时v0进入第一组，v0的距离值为0；第二组包含其他所有结点，这些结点对应的距离值定义为：
每次从第二组的结点中选一个其距离最小的结点vm加到第一组中，每往第一组中加入一个结点vm，就要对第二组的各结点的距离做一次修正。
若加入的结点vm使得v0到vi的距离更短(d0i>d0m+wmi)，则要修改vi的距离(d0i←d0m+wmi)。修正后再选距离最小的一个结点加入第一组，直到第一组中囊括所有需要的结点数为止或者没有结点可再加入。
一种基于带权图的饮食推荐的具体实施方式，该方法包括：令G有结点a＝v11，v12，v13，...v1p＝z，每个节点代表一种食物；赋权w(v1i,v1j)＝wij>0,权wij表示吃第i，j种食物能够使病人好转抑郁“值”。若e(v1i,v1j)不是G的边，也即是不可能出现吃第i，j种食物，则wij＝∞。具体步骤包括：
步骤一：由聚类分析的第一类v11,v12,...,v1p；
步骤二：令l(u0)＝0，l(vi)＝∞，i＝1,2,...,n,
步骤三：若则令u取不属于S且l(u)最小的结点，令S＝S∪{u},重复执行步骤二；
步骤四：对于所有不属于S的结点v，若l(u)+w(u,v)<l(v),则令l(v)＝l(u)+w(u,v)；
步骤五：l(z)即为结点a到z的最短长度，也既是最优的饮食。
步骤六：列出具有最短路的所有结点为集合β＝{β1，β2，...，βk}；
步骤七：若实际情况营养不足，则回到步骤一选取聚类第二类的食物作为结点执行步骤二至步骤六。
在本实施例中，本模块实现的是将使用秩和比综合评价方法，对食物推荐模块和医生的建议进行对比分析，计算其无量纲统计量秩和比(RSR)进行排序；秩和比综合评价方法是在一个n行m列的矩阵中，通过秩转换，获得无量纲统计量RSR；以RSR值对评价对象的优劣直接排序或分档排序。
具体包括：设x(1),x2,...,x(n)是样本容量为n的样本从小到大的排序。若xi＝x(k)，则称k是样本中的秩，记为Ri，对每一个i＝1,...,n，称Ri是第i个秩统计量。R1,R2,...,Rn总称为秩统计量。如图7所示，其步骤为：
步骤一：将方案β和医生的方案组成一个n行m列的矩阵A；
步骤二：编秩；编出A矩阵中每个食物各方案的秩，其中效益型指标(食物)从小到大编秩，成本型指标(食物)从大到小编秩，同一指标(食物)数据相同者编平均秩。得到的矩阵记为R＝(Rij)n×m。
步骤三：计算秩和比(RSR)，当各项指标的权重不同时，计算加权秩和比(WRSR)；其中wj为第j个评价指标(食物)的权重，
其中，wj表示第j个指标的权重，RSRi表示第j个评价指标的秩和比，m表示指标个数，n表示当前指标的列元素，Rij表示R矩阵元素，WRSRi表示加权秩和比。
步骤四：分档排序；根据RSRi或WRSRi(i＝1,2,...,n)的值，对评价对象进行分档排序，其值越大效果越好。
以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于食物图像分割的抑郁症膳食管理方法，其特征在于，包括：构建基于抑郁症膳食指数的数字健康管理数据库；获取当前用户的身体健康状况数据；根据当前用户的身体健康状况数据，在基于抑郁症膳食指数的数字健康管理数据库进行数据查询分析，得到当前用户的膳食推荐结果；
构建基于抑郁症膳食指数的数字健康管理数据库的过程包括：
S1：获取用户的身体健康状况数据信息和食物图片；
S2：对食物图片进行分割处理，得到各个食物图片；
S3：采用Fisher判别分析法构建抑郁症膳食指数，并对分割后的食物图像进行抑郁症膳食指数分析，筛选出控制抑郁症膳食指数的食物图片；采用Fisher判别分析法对分割后的食物图像进行抑郁症膳食指数分析包括：将所有的食物划分为两个样本子集，两个子集分别为：对膳食抗抑郁有效的食物种类数据子集和对膳食抗抑郁无效的食物种类数据子集；分别计算两个数据子集中食物的抗抑郁指数均值和方差；根据食物的抗抑郁指数均值和方差计算两个子集的最大阈值a1；根据最大阈值a1构建Fisher线性判别函数；采用Fisher线性判别函数对两个样本子集中的食物进行筛选，得到控制抑郁症膳食指数的食物图片；
S4：对筛选出的食物图片进行聚类；
S5：根据用户的身体健康状况信息和聚类后的食物类别设置膳食推荐结果，并将用户的身体健康状况数据信息和膳食推荐结果存储到数据库中；
设置膳食推荐结果的过程包括：
步骤1：设置食物节点a，每个节点代表一种食物；赋权w(v1i,v1j)＝wij>0，权wij表示吃第i、j种食物能够使病人好转的抑郁指数值；
步骤2：选取第i＝k类食物数据；
步骤3：设定抑郁患者食物数量；
步骤4：根据用户的身体健康状况信息和设定的抑郁患者食物数量，采用最短路径算法计算，从节点a到节点b中的最短路径；
步骤5：判断当前计算的路径是否为最短路径，且当前食物种类i的值是否等于3；确定最短路径为确定用户的抑郁指数值是否为最小数值；是则输出所有最短路径的集合，该最短路径集合为最优的膳食推荐结果；否则食物种类i加1，并返回步骤2。
2.根据权利要求1所述的一种基于食物图像分割的抑郁症膳食管理方法，其特征在于，对食物图片进行分割处理的过程包括：对食物图像进行预处理，该预处理包括对图像进行滤波、增强以及补全处理；将预处理后的图片转化为矩阵；采用Robert算子和Sobel算子对矩阵进行边缘分割，输出边缘分割后的图像和矩阵。
3.根据权利要求1所述的一种基于食物图像分割的抑郁症膳食管理方法，其特征在于，Fisher线性判别函数的表达式为：
其中，u表示食物待判别样本，μ1表示对膳食抗抑郁有效的食物种类数据子集的抗抑郁指数均值，μ2表示对膳食抗抑郁无效的食物种类数据子集的抗抑郁指数均值，Σ表示协方差矩阵。
4.根据权利要求1所述的一种基于食物图像分割的抑郁症膳食管理方法，其特征在于，对筛选出的食物图片进行聚类包括：获取聚类分析样本，该样本为筛选出抑郁症膳食指数的食物图片；计算各个样本点两两之间的马氏距离dij；根据马氏距离计算所有样本之间的距离差平方和；根据距离差平方和构建聚类图；根据聚类图将所有的样本进行聚类，得到不同类别的食物。
5.根据权利要求4所述的一种基于食物图像分割的抑郁症膳食管理方法，其特征在于，计算各个样本点两两之间的马氏距离的公式为：
其中，m和n均表示食物总体中的p维观测值，∑表示协方差矩阵，T表示转置。
6.根据权利要求4所述的一种基于食物图像分割的抑郁症膳食管理方法，其特征在于，计算所有样本之间的距离差平方和的公式为：
其中，D1、D2、D12表示组间平方、组内平方、总平方和，xi表示第1组元素，表示第1组均值，T表示转置，G1表示样本总体来自第一组，G2表示样本总体来自第二组，xj表示第2组元素，/>表示第二组元素均值，xk表示总元素，/>表示总均值，n1表示样本G1的个数，n2表示样本G2的个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211628844.1A CN115798685B (zh) | 2022-12-18 | 2022-12-18 | 一种基于食物图像分割的抑郁症膳食管理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211628844.1A CN115798685B (zh) | 2022-12-18 | 2022-12-18 | 一种基于食物图像分割的抑郁症膳食管理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115798685A CN115798685A (zh) | 2023-03-14 |
| CN115798685B true CN115798685B (zh) | 2024-05-24 |
Family
ID=85425578
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211628844.1A Active CN115798685B (zh) | 2022-12-18 | 2022-12-18 | 一种基于食物图像分割的抑郁症膳食管理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115798685B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116453653B (zh) * | 2023-06-16 | 2023-09-01 | 北京四海汇智科技有限公司 | 基于自动采样技术的膳食数据集构建及查询方法、装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011080957A (ja) * | 2009-10-09 | 2011-04-21 | Ajinomoto Co Inc | 線維筋痛症とうつ病の評価方法、線維筋痛症・うつ病評価装置および線維筋痛症・うつ病評価方法 |
| CN104765980A (zh) * | 2015-05-04 | 2015-07-08 | 哈尔滨理工大学 | 一种基于云计算的智能膳食评估方法 |
| CN104778374A (zh) * | 2015-05-04 | 2015-07-15 | 哈尔滨理工大学 | 一种基于图像处理识别方法的自动膳食评估装置 |
| KR20170030334A (ko) * | 2015-09-09 | 2017-03-17 | 연세대학교 산학협력단 | 음식 영상의 시각적 풍미 강조 장치 및 그 방법 |
| WO2020132478A1 (en) * | 2018-12-20 | 2020-06-25 | Dqpn, Llc | Diet quality fingerprinting |
| CN115130006A (zh) * | 2022-08-04 | 2022-09-30 | 北京富通智康科技有限公司 | 一种基于健康管理标签的用户画像方法 |
| CN115171848A (zh) * | 2022-07-25 | 2022-10-11 | 重庆邮电大学 | 一种基于食物图像分割和尿酸指数的膳食智能推荐*** |
| CN115315752A (zh) * | 2020-04-27 | 2022-11-08 | 雀巢产品有限公司 | 用于为健康微生物组提供个体化推荐的***和方法 |
| CN115424702A (zh) * | 2022-09-06 | 2022-12-02 | 南华大学 | 一种食物选配智能管理*** |
| CN115428094A (zh) * | 2020-04-17 | 2022-12-02 | 派弗股份有限公司 | 用于确定血糖反应的改进方法 |
-
2022
- 2022-12-18 CN CN202211628844.1A patent/CN115798685B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011080957A (ja) * | 2009-10-09 | 2011-04-21 | Ajinomoto Co Inc | 線維筋痛症とうつ病の評価方法、線維筋痛症・うつ病評価装置および線維筋痛症・うつ病評価方法 |
| CN104765980A (zh) * | 2015-05-04 | 2015-07-08 | 哈尔滨理工大学 | 一种基于云计算的智能膳食评估方法 |
| CN104778374A (zh) * | 2015-05-04 | 2015-07-15 | 哈尔滨理工大学 | 一种基于图像处理识别方法的自动膳食评估装置 |
| KR20170030334A (ko) * | 2015-09-09 | 2017-03-17 | 연세대학교 산학협력단 | 음식 영상의 시각적 풍미 강조 장치 및 그 방법 |
| WO2020132478A1 (en) * | 2018-12-20 | 2020-06-25 | Dqpn, Llc | Diet quality fingerprinting |
| CN115428094A (zh) * | 2020-04-17 | 2022-12-02 | 派弗股份有限公司 | 用于确定血糖反应的改进方法 |
| CN115315752A (zh) * | 2020-04-27 | 2022-11-08 | 雀巢产品有限公司 | 用于为健康微生物组提供个体化推荐的***和方法 |
| CN115171848A (zh) * | 2022-07-25 | 2022-10-11 | 重庆邮电大学 | 一种基于食物图像分割和尿酸指数的膳食智能推荐*** |
| CN115130006A (zh) * | 2022-08-04 | 2022-09-30 | 北京富通智康科技有限公司 | 一种基于健康管理标签的用户画像方法 |
| CN115424702A (zh) * | 2022-09-06 | 2022-12-02 | 南华大学 | 一种食物选配智能管理*** |
Non-Patent Citations (1)
| Title |
|---|
| 基于改进人工蜂群模糊聚类的葡萄图像快速分割方法;罗陆锋 等;农业机械学报;第46卷(第03期);第23-28页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115798685A (zh) | 2023-03-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hancer et al. | A survey on feature selection approaches for clustering | |
| Erisoglu et al. | A new algorithm for initial cluster centers in k-means algorithm | |
| CN110929029A (zh) | 一种基于图卷积神经网络的文本分类方法及*** | |
| Dzulkalnine et al. | Missing data imputation with fuzzy feature selection for diabetes dataset | |
| Drab et al. | Clustering in analytical chemistry | |
| Long et al. | Boosting and microarray data | |
| CN113344075A (zh) | 基于特征学***衡数据分类方法 | |
| Abdalameer et al. | A new validity clustering index-based on finding new centroid positions using the mean of clustered data to determine the optimum number of clusters | |
| CN115798685B (zh) | 一种基于食物图像分割的抑郁症膳食管理方法 | |
| Chen et al. | A novel information-theoretic approach for variable clustering and predictive modeling using dirichlet process mixtures | |
| Villmann et al. | Classification of mass-spectrometric data in clinical proteomics using learning vector quantization methods | |
| Purushotham et al. | A comparative study of RIFCM with other related algorithms from their suitability in analysis of satellite images using other supporting techniques | |
| Miglio et al. | The comparison between classification trees through proximity measures | |
| CN109885712B (zh) | 基于内容的肺结节图像检索方法及*** | |
| Kılıçarslan et al. | A comparative study of bread wheat varieties identification on feature extraction, feature selection and machine learning algorithms | |
| Sebag et al. | ROC-based evolutionary learning: Application to medical data mining | |
| Rodosthenous et al. | Multi-view data visualisation via manifold learning | |
| CN113688906A (zh) | 基于量子K-means算法的客户细分方法和*** | |
| CN117195027A (zh) | 基于成员选择的簇加权聚类集成方法 | |
| Gupta et al. | Feature importance for human epithelial (HEp-2) cell image classification | |
| WO2024131524A1 (zh) | 一种基于食物图像分割的抑郁症膳食管理方法 | |
| Krızek | Feature selection: stability, algorithms, and evaluation | |
| Shaik et al. | Fuzzy-adaptive-subspace-iteration-based two-way clustering of microarray data | |
| Elsten et al. | SUBiNN: a stacked uni-and bivariate k NN sparse ensemble | |
| CN113688229B (zh) | 一种文本推荐方法、***、存储介质和设备 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240326 Address after: Room 801, 85 Kefeng Road, Huangpu District, Guangzhou City, Guangdong Province Applicant after: Guangzhou Dayu Chuangfu Technology Co.,Ltd. Country or region after: China Address before: 400065 Chongwen Road, Nanshan Street, Nanan District, Chongqing Applicant before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS Country or region before: China |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240428 Address after: 530000 ASEAN International Cell Bank, No. 32 Yuxiang Road, Nanning Area, China (Guangxi) Pilot Free Trade Zone, Nanning City, Guangxi Zhuang Autonomous Region Applicant after: Guangxi kangjiu Biotechnology Co.,Ltd. Country or region after: China Address before: Room 801, 85 Kefeng Road, Huangpu District, Guangzhou City, Guangdong Province Applicant before: Guangzhou Dayu Chuangfu Technology Co.,Ltd. Country or region before: China |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |