CN117577270A - 患者的智能化营养管理方法及*** - Google Patents
患者的智能化营养管理方法及*** Download PDFInfo
- Publication number
- CN117577270A CN117577270A CN202410051296.3A CN202410051296A CN117577270A CN 117577270 A CN117577270 A CN 117577270A CN 202410051296 A CN202410051296 A CN 202410051296A CN 117577270 A CN117577270 A CN 117577270A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- feature vector
- training
- heart rate
- blood pressure
- 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.)
- Granted
Links
- 235000016709 nutrition Nutrition 0.000 title claims abstract description 65
- 230000035764 nutrition Effects 0.000 title claims abstract description 64
- 238000007726 management method Methods 0.000 title abstract description 56
- 239000013598 vector Substances 0.000 claims abstract description 396
- 239000008280 blood Substances 0.000 claims abstract description 154
- 210000004369 blood Anatomy 0.000 claims abstract description 154
- 230000036772 blood pressure Effects 0.000 claims abstract description 151
- 238000012512 characterization method Methods 0.000 claims abstract description 58
- 238000013507 mapping Methods 0.000 claims abstract description 48
- 235000005911 diet Nutrition 0.000 claims abstract description 35
- 230000037213 diet Effects 0.000 claims abstract description 23
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 174
- 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 74
- 239000008103 glucose Substances 0.000 claims description 74
- 238000000034 method Methods 0.000 claims description 34
- 230000000378 dietary effect Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 235000012054 meals Nutrition 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000036541 health Effects 0.000 abstract description 9
- 230000006870 function Effects 0.000 description 27
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 4
- 230000035790 physiological processes and functions Effects 0.000 description 4
- 230000001737 promoting effect Effects 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010010774 Constipation Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 235000021004 dietary regimen Nutrition 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 235000021192 high fiber diet Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 235000015263 low fat diet Nutrition 0.000 description 1
- 235000014659 low sodium diet Nutrition 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 235000021075 protein intake Nutrition 0.000 description 1
- 235000021025 protein-rich diet Nutrition 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 235000015598 salt intake Nutrition 0.000 description 1
- 230000036186 satiety Effects 0.000 description 1
- 235000019627 satiety Nutrition 0.000 description 1
- 235000021023 sodium intake Nutrition 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 239000013585 weight reducing agent Substances 0.000 description 1
- 235000020985 whole grains Nutrition 0.000 description 1
- 230000029663 wound healing Effects 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
- G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
-
- 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
- G16H10/65—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 stored on portable record carriers, e.g. on smartcards, RFID tags or CD
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Evolutionary Computation (AREA)
- Surgery (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Cardiology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Pulmonology (AREA)
- Nutrition Science (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种患者的智能化营养管理方法及***,涉及营养管理领域。其首先获取由智能手环采集的患者对象在预定时间段内的心率时序序列、血压时序序列和血糖时序序列,接着,提取所述心率时序序列、所述血压时序序列和所述血糖时序序列的时序特征以得到心率时序特征向量、血压时序特征向量和血糖时序特征向量,然后,对所述心率时序特征向量、所述血压时序特征向量和所述血糖时序特征向量进行映射融合以得到患者对象生理特征多模态表征特征向量,最后,基于所述患者对象生理特征多模态表征特征向量,确定推荐的饮食套餐类型。这样,可以实现个性化的营养管理,促进患者康复和健康。
Description
技术领域
本申请涉及营养管理领域,且更为具体地,涉及一种患者的智能化营养管理方法及***。
背景技术
随着医疗技术的进步和人口老龄化趋势的加快,患者的营养管理越来越受到重视。营养管理是指根据患者的病情、体质、年龄、性别等因素,制定合理的饮食计划,提供适量的营养素,促进患者的康复和健康。
然而,传统的营养管理方式存在一些问题,如:缺乏个性化的服务,难以满足不同患者的需求;缺乏及时的监测和反馈,难以调整和优化饮食方案。
因此,期待一种优化的患者的智能化营养管理方法及***。
发明内容
有鉴于此,本申请提出了一种患者的智能化营养管理方法及***,其可以根据患者对象的实时生理状态信息来智能化地判断针对于患者对象的饮食套餐类型,从而实现个性化的营养管理,促进患者康复和健康。
根据本申请的一方面,提供了一种患者的智能化营养管理方法,其包括:
获取由智能手环采集的患者对象在预定时间段内的心率时序序列、血压时序序列和血糖时序序列;
提取所述心率时序序列、所述血压时序序列和所述血糖时序序列的时序特征以得到心率时序特征向量、血压时序特征向量和血糖时序特征向量;
对所述心率时序特征向量、所述血压时序特征向量和所述血糖时序特征向量进行映射融合以得到患者对象生理特征多模态表征特征向量;
基于所述患者对象生理特征多模态表征特征向量,确定推荐的饮食套餐类型;
其中,对所述心率时序特征向量、所述血压时序特征向量和所述血糖时序特征向量进行映射融合以得到患者对象生理特征多模态表征特征向量,包括:
将所述心率时序特征向量、所述血压时序特征向量和所述血糖时序特征向量映射到同一注意力空间以得到映射后心率时序特征向量、映射后血压时序特征向量和映射后血糖时序特征向量;
将所述映射后心率时序特征向量、所述映射后血压时序特征向量和所述映射后血糖时序特征向量通过基于Softmax函数的元权值生成器以得到第一权重值、第二权重值和第三权重值;
基于第一至第三权重值来融合所述映射后心率时序特征向量、所述映射后血压时序特征向量和所述映射后血糖时序特征向量以得到所述患者对象生理特征多模态表征特征向量。
在上述的患者的智能化营养管理方法中,提取所述心率时序序列、所述血压时序序列和所述血糖时序序列的时序特征以得到心率时序特征向量、血压时序特征向量和血糖时序特征向量,包括:
对所述心率时序序列、所述血压时序序列和所述血糖时序序列进行数据预处理以得到心率时序输入向量、血压时序输入向量和血糖时序输入向量;以及,
将所述心率时序输入向量、所述血压时序输入向量和所述血糖时序输入向量分别通过基于一维卷积层的时序特征提取器以得到所述心率时序特征向量、所述血压时序特征向量和所述血糖时序特征向量。
在上述的患者的智能化营养管理方法中,对所述心率时序序列、所述血压时序序列和所述血糖时序序列进行数据预处理以得到心率时序输入向量、血压时序输入向量和血糖时序输入向量,包括:将所述心率时序序列、所述血压时序序列和所述血糖时序序列分别按照时间维度排列为所述心率时序输入向量、所述血压时序输入向量和所述血糖时序输入向量。
在上述的患者的智能化营养管理方法中,将所述心率时序特征向量、所述血压时序特征向量和所述血糖时序特征向量映射到同一注意力空间以得到映射后心率时序特征向量、映射后血压时序特征向量和映射后血糖时序特征向量,包括:将所述心率时序特征向量、所述血压时序特征向量和所述血糖时序特征向量通过基于全连接层的空间映射器以得到所述映射后心率时序特征向量、所述映射后血压时序特征向量和所述映射后血糖时序特征向量。
在上述的患者的智能化营养管理方法中,基于所述患者对象生理特征多模态表征特征向量,确定推荐的饮食套餐类型,包括:将所述患者对象生理特征多模态表征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推荐的饮食套餐类型标签。
在上述的患者的智能化营养管理方法中,将所述患者对象生理特征多模态表征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推荐的饮食套餐类型标签,包括:
使用所述分类器的全连接层对所述患者对象生理特征多模态表征特征向量进行全连接编码以得到编码分类特征向量;
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。
在上述的患者的智能化营养管理方法中,还包括训练步骤:对所述基于一维卷积层的时序特征提取器、所述基于全连接层的空间映射器、所述基于Softmax函数的元权值生成器和所述分类器进行训练。
在上述的患者的智能化营养管理方法中,所述训练步骤,包括:
获取训练数据,所述训练数据包括由智能手环采集的患者对象在预定时间段内的训练心率时序序列、训练血压时序序列和训练血糖时序序列,以及,推荐的饮食套餐类型标签的真实值;
将所述训练心率时序序列、所述训练血压时序序列和所述训练血糖时序序列分别按照时间维度排列为训练心率时序输入向量、训练血压时序输入向量和训练血糖时序输入向量;
将所述训练心率时序输入向量、所述训练血压时序输入向量和所述训练血糖时序输入向量分别通过所述基于一维卷积层的时序特征提取器以得到训练心率时序特征向量、训练血压时序特征向量和训练血糖时序特征向量;
将所述训练心率时序特征向量、所述训练血压时序特征向量和所述训练血糖时序特征向量通过所述基于全连接层的空间映射器以将所述训练心率时序特征向量、所述训练血压时序特征向量和所述训练血糖时序特征向量映射到同一注意力空间以得到训练映射后心率时序特征向量、训练映射后血压时序特征向量和训练映射后血糖时序特征向量;
将所述训练映射后心率时序特征向量、所述训练映射后血压时序特征向量和所述训练映射后血糖时序特征向量通过所述基于Softmax函数的元权值生成器以得到第一训练权重值、第二训练权重值和第三训练权重值;
基于第一至第三训练权重值来融合所述训练映射后心率时序特征向量、所述训练映射后血压时序特征向量和所述训练映射后血糖时序特征向量以得到训练患者对象生理特征多模态表征特征向量;
将所述训练患者对象生理特征多模态表征特征向量通过所述分类器以得到分类损失函数值;
以所述分类损失函数值来对所述基于一维卷积层的时序特征提取器、所述基于全连接层的空间映射器、所述基于Softmax函数的元权值生成器和所述分类器进行训练,其中,在所述训练的每一轮迭代中,对所述训练患者对象生理特征多模态表征特征向量进行优化。
根据本申请的另一方面,提供了一种患者的智能化营养管理***,其包括:
数据采集模块,用于获取由智能手环采集的患者对象在预定时间段内的心率时序序列、血压时序序列和血糖时序序列;
时序特征提取模块,用于提取所述心率时序序列、所述血压时序序列和所述血糖时序序列的时序特征以得到心率时序特征向量、血压时序特征向量和血糖时序特征向量;
映射融合模块,用于对所述心率时序特征向量、所述血压时序特征向量和所述血糖时序特征向量进行映射融合以得到患者对象生理特征多模态表征特征向量;以及,
类型分析模块,用于基于所述患者对象生理特征多模态表征特征向量,确定推荐的饮食套餐类型;
其中,所述映射融合模块,包括:
将所述心率时序特征向量、所述血压时序特征向量和所述血糖时序特征向量映射到同一注意力空间以得到映射后心率时序特征向量、映射后血压时序特征向量和映射后血糖时序特征向量;
将所述映射后心率时序特征向量、所述映射后血压时序特征向量和所述映射后血糖时序特征向量通过基于Softmax函数的元权值生成器以得到第一权重值、第二权重值和第三权重值;
基于第一至第三权重值来融合所述映射后心率时序特征向量、所述映射后血压时序特征向量和所述映射后血糖时序特征向量以得到所述患者对象生理特征多模态表征特征向量。
在本申请中,其首先获取由智能手环采集的患者对象在预定时间段内的心率时序序列、血压时序序列和血糖时序序列,接着,提取所述心率时序序列、所述血压时序序列和所述血糖时序序列的时序特征以得到心率时序特征向量、血压时序特征向量和血糖时序特征向量,然后,对所述心率时序特征向量、所述血压时序特征向量和所述血糖时序特征向量进行映射融合以得到患者对象生理特征多模态表征特征向量,最后,基于所述患者对象生理特征多模态表征特征向量,确定推荐的饮食套餐类型。这样,可以实现个性化的营养管理,促进患者康复和健康。
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患者的智能化营养管理方法的流程图。
图2示出根据本申请的实施例的患者的智能化营养管理方法的架构示意图。
图3示出根据本申请的实施例的患者的智能化营养管理方法的子步骤S120的流程图。
图4示出根据本申请的实施例的患者的智能化营养管理方法的子步骤S130的流程图。
图5示出根据本申请的实施例的患者的智能化营养管理***的框图。
图6示出根据本申请的实施例的患者的智能化营养管理方法的应用场景图。
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利用智能手环采集患者对象的多模态生理数据,结合深度学习算法对多模态生理数据进行处理和分析,从中挖掘患者对象的生理状态信息,并根据患者对象的实时生理状态信息来智能化地判断针对于患者对象的饮食套餐类型,从而实现个性化的营养管理,促进患者康复和健康。
基于此,图1示出根据本申请的实施例的患者的智能化营养管理方法的流程图。图2示出根据本申请的实施例的患者的智能化营养管理方法的架构示意图。如图1和图2所示,根据本申请实施例的患者的智能化营养管理方法,包括步骤:S110,获取由智能手环采集的患者对象在预定时间段内的心率时序序列、血压时序序列和血糖时序序列;S120,提取所述心率时序序列、所述血压时序序列和所述血糖时序序列的时序特征以得到心率时序特征向量、血压时序特征向量和血糖时序特征向量;S130,对所述心率时序特征向量、所述血压时序特征向量和所述血糖时序特征向量进行映射融合以得到患者对象生理特征多模态表征特征向量;以及,S140,基于所述患者对象生理特征多模态表征特征向量,确定推荐的饮食套餐类型。
应可以理解,在步骤S110中,通过智能手环采集这些数据,可以获取患者的生理指标数据。在步骤S120中,从心率时序序列、血压时序序列和血糖时序序列中提取的时序特征可以包括最大值、最小值、平均值、标准差等统计量,以及其他更复杂的特征,如频域特征或时域特征,通过提取时序特征,可以将原始数据转换为具有一定代表性的特征向量。在步骤S130中,对心率时序特征向量、血压时序特征向量和血糖时序特征向量进行映射融合,这意味着将不同的特征向量进行整合,可以通过线性或非线性映射的方式将它们融合成一个更全面的特征向量,这样可以综合考虑不同生理特征之间的关联性,提高特征的表征能力。在步骤S140中,通过分析患者的生理特征,可以确定适合其健康状况和需求的饮食套餐类型,这可以帮助患者实现个性化的营养管理,提高饮食的科学性和有效性。
具体地,在本申请的技术方案中,首先获取由智能手环采集的患者对象在预定时间段内的心率时序序列、血压时序序列和血糖时序序列;并将所述心率时序序列、所述血压时序序列和所述血糖时序序列分别按照时间维度排列为心率时序输入向量、血压时序输入向量和血糖时序输入向量。这里,通过获取患者对象的心率时序数据、血压时序数据和血糖时序数据可以全面了解患者的生理状态和健康状况变化趋势。具体来说,心率时序序列、血压时序序列和血糖时序序列是患者生理数据的重要指标,可以反映出患者心血管***的状况、血糖水平的变化以及身体的代谢情况。通过采集这些时序数据,并按照时间维度排列,可以更加清晰地观察到心率、血压和血糖的变化趋势,是后续模型对患者的健康状况进行分析和评估的重要数据来源。
接着将所述心率时序输入向量、所述血压时序输入向量和所述血糖时序输入向量分别通过基于一维卷积层的时序特征提取器以得到心率时序特征向量、血压时序特征向量和血糖时序特征向量。也就是,利用一维卷积层来构建所述时序特征提取器,以分别捕捉所述心率时序输入向量、所述血压时序输入向量和所述血糖时序输入向量中的局部模式和特征。这样,从这些时序数据中提取出有意义的特征信息。
相应地,在步骤S120中,如图3所示,提取所述心率时序序列、所述血压时序序列和所述血糖时序序列的时序特征以得到心率时序特征向量、血压时序特征向量和血糖时序特征向量,包括:S121,对所述心率时序序列、所述血压时序序列和所述血糖时序序列进行数据预处理以得到心率时序输入向量、血压时序输入向量和血糖时序输入向量;以及,S122,将所述心率时序输入向量、所述血压时序输入向量和所述血糖时序输入向量分别通过基于一维卷积层的时序特征提取器以得到所述心率时序特征向量、所述血压时序特征向量和所述血糖时序特征向量。
值得一提的是,一维卷积层是深度学习中常用的一种神经网络层,用于处理时序数据,它通过对输入数据的局部区域进行滑动窗口的方式,提取出不同时间步之间的特征关系。在S122步骤中,通过基于一维卷积层的时序特征提取器,将心率时序输入向量、血压时序输入向量和血糖时序输入向量转换为对应的时序特征向量。一维卷积层可以自动学习到输入数据中的时序模式和特征,具有以下几个用途:1.特征提取:一维卷积层可以通过卷积操作,从时序数据中提取出不同时间步之间的特征关系,这有助于捕捉到数据中的重要模式和趋势。2.维度降低:通过一维卷积层的操作,可以将原始时序数据的维度降低,提取出更紧凑、更表征性的特征向量,这有助于减少数据的冗余性和噪声干扰,提高后续处理的效果。3.模式识别:一维卷积层在提取特征的同时,还可以通过非线性激活函数和池化操作,进一步增强特征的表达能力,这有助于模式识别和分类任务,如通过特征向量判断患者的生理状态或饮食套餐类型。总体来说,一维卷积层在提取时序数据的特征方面具有很大的优势,可以帮助提高数据的表征能力和后续任务的准确性。
其中,在步骤S121中,对所述心率时序序列、所述血压时序序列和所述血糖时序序列进行数据预处理以得到心率时序输入向量、血压时序输入向量和血糖时序输入向量,包括:将所述心率时序序列、所述血压时序序列和所述血糖时序序列分别按照时间维度排列为所述心率时序输入向量、所述血压时序输入向量和所述血糖时序输入向量。
然后,将所述心率时序特征向量、所述血压时序特征向量和所述血糖时序特征向量通过基于全连接层的空间映射器以将所述心率时序特征向量、所述血压时序特征向量和所述血糖时序特征向量映射到同一注意力空间以得到映射后心率时序特征向量、映射后血压时序特征向量和映射后血糖时序特征向量;并将所述映射后心率时序特征向量、所述映射后血压时序特征向量和所述映射后血糖时序特征向量通过基于Softmax函数的元权值生成器以得到第一权重值、第二权重值和第三权重值;再基于第一至第三权重值来融合所述映射后心率时序特征向量、所述映射后血压时序特征向量和所述映射后血糖时序特征向量以得到患者对象生理特征多模态表征特征向量。也就是,期待利用不同模态的生理数据所表达的特征信息来更全面地描述患者的生理特征和状态。
具体来说,在本申请的技术方案中,通过所述基于全连接层的空间映射器可以将所述心率时序特征向量、所述血压时序特征向量和所述血糖时序特征向量映射到同一注意力空间之中,以将不同生理数据的特征进行统一的表示,使得所述心率时序特征向量、所述血压时序特征向量和所述血糖时序特征向量具有相同的维度,并能够直接进行特征融合。再利用所述基于Softmax函数的元权值生成器来衡量和量化不同模态的生理数据所表达的生理特征信息的重要程度,并基于不同的重要程度将不同生理数据的特征表示进行有效的组合和整合,提高特征的表达能力和鲁棒性。
相应地,在步骤S130中,如图4所示,对所述心率时序特征向量、所述血压时序特征向量和所述血糖时序特征向量进行映射融合以得到患者对象生理特征多模态表征特征向量,包括:S131,将所述心率时序特征向量、所述血压时序特征向量和所述血糖时序特征向量映射到同一注意力空间以得到映射后心率时序特征向量、映射后血压时序特征向量和映射后血糖时序特征向量;S132,将所述映射后心率时序特征向量、所述映射后血压时序特征向量和所述映射后血糖时序特征向量通过基于Softmax函数的元权值生成器以得到第一权重值、第二权重值和第三权重值;以及,S133,基于第一至第三权重值来融合所述映射后心率时序特征向量、所述映射后血压时序特征向量和所述映射后血糖时序特征向量以得到所述患者对象生理特征多模态表征特征向量。
其中,在步骤S131中,将所述心率时序特征向量、所述血压时序特征向量和所述血糖时序特征向量映射到同一注意力空间以得到映射后心率时序特征向量、映射后血压时序特征向量和映射后血糖时序特征向量,包括:将所述心率时序特征向量、所述血压时序特征向量和所述血糖时序特征向量通过基于全连接层的空间映射器以得到所述映射后心率时序特征向量、所述映射后血压时序特征向量和所述映射后血糖时序特征向量。
进一步地,将所述患者对象生理特征多模态表征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推荐的饮食套餐类型标签。也就是,利用分类器来对所述患者对象生理特征多模态表征特征向量与饮食套餐类型进行映射。在本申请的实际应用场景中,推荐的饮食套餐类型标签可以包括以下几种:1.低脂饮食:适用于需要减少体重和控制血脂的患者,饮食中限制高脂食物的摄入;2.低盐饮食:适用于高血压患者或需要限制钠摄入的患者,饮食中限制盐分的摄入;3.低糖饮食:适用于糖尿病患者或需要控制血糖的患者,饮食中限制高糖食物的摄入;4.高纤维饮食:适用于便秘或需要增加饱腹感的患者,饮食中增加蔬菜、水果和全谷类食物的摄入;5.蛋白质丰富饮食:适用于需要增加肌肉质量或促进伤口愈合的患者,饮食中增加蛋白质的摄入。值得一提的是,饮食套餐类型标签的具体选择和应用取决于具体的营养管理目标和需求,在此并不为本申请所局限。
相应地,在步骤S140中,基于所述患者对象生理特征多模态表征特征向量,确定推荐的饮食套餐类型,包括:将所述患者对象生理特征多模态表征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推荐的饮食套餐类型标签。
具体地,将所述患者对象生理特征多模态表征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推荐的饮食套餐类型标签,包括:使用所述分类器的全连接层对所述患者对象生理特征多模态表征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(SupportVector Machines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,所述的患者的智能化营养管理方法,其还包括训练步骤:对所述基于一维卷积层的时序特征提取器、所述基于全连接层的空间映射器、所述基于Softmax函数的元权值生成器和所述分类器进行训练。应可以理解,训练步骤的目的是通过对所述基于一维卷积层的时序特征提取器、基于全连接层的空间映射器、基于Softmax函数的元权值生成器和分类器进行训练,使其能够学习到有效的特征表示和分类模型。训练基于一维卷积层的时序特征提取器的目的是通过训练数据来学习感知字段(也称为卷积核)的权重,以便从输入的时序数据中提取出有用的特征。一维卷积层可以通过滑动窗口的方式在时序数据上提取局部特征,从而捕捉到数据的时序模式和关联性。训练基于全连接层的空间映射器的目的是通过学习权重参数,将时序特征映射到更高维度的特征空间。全连接层可以将卷积层提取的局部时序特征进行组合和整合,得到更全局的特征表达,增强特征的表征能力。训练基于Softmax函数的元权值生成器的目的是通过学习权重参数,将特征向量映射到元权值空间。这些元权值可以用来表示特征向量在不同类别上的重要性,从而实现对不同类别的区分能力。训练分类器的目的是通过学习权重参数,将特征向量映射到具体的饮食套餐类型。分类器可以根据特征向量的表达来判断患者适合的饮食套餐类型,从而实现个性化的营养管理。通过训练这些模型,可以使智能化营养管理***具备准确识别和推荐饮食套餐的能力,为患者提供个性化的营养管理服务。
其中,在一个具体示例中,所述训练步骤,包括:获取训练数据,所述训练数据包括由智能手环采集的患者对象在预定时间段内的训练心率时序序列、训练血压时序序列和训练血糖时序序列,以及,推荐的饮食套餐类型标签的真实值;将所述训练心率时序序列、所述训练血压时序序列和所述训练血糖时序序列分别按照时间维度排列为训练心率时序输入向量、训练血压时序输入向量和训练血糖时序输入向量;将所述训练心率时序输入向量、所述训练血压时序输入向量和所述训练血糖时序输入向量分别通过所述基于一维卷积层的时序特征提取器以得到训练心率时序特征向量、训练血压时序特征向量和训练血糖时序特征向量;将所述训练心率时序特征向量、所述训练血压时序特征向量和所述训练血糖时序特征向量通过所述基于全连接层的空间映射器以将所述训练心率时序特征向量、所述训练血压时序特征向量和所述训练血糖时序特征向量映射到同一注意力空间以得到训练映射后心率时序特征向量、训练映射后血压时序特征向量和训练映射后血糖时序特征向量;将所述训练映射后心率时序特征向量、所述训练映射后血压时序特征向量和所述训练映射后血糖时序特征向量通过所述基于Softmax函数的元权值生成器以得到第一训练权重值、第二训练权重值和第三训练权重值;基于第一至第三训练权重值来融合所述训练映射后心率时序特征向量、所述训练映射后血压时序特征向量和所述训练映射后血糖时序特征向量以得到训练患者对象生理特征多模态表征特征向量;将所述训练患者对象生理特征多模态表征特征向量通过所述分类器以得到分类损失函数值;以及,以所述分类损失函数值来对所述基于一维卷积层的时序特征提取器、所述基于全连接层的空间映射器、所述基于Softmax函数的元权值生成器和所述分类器进行训练,其中,在所述训练的每一轮迭代中,对所述训练患者对象生理特征多模态表征特征向量进行优化。
在本申请的技术方案中,所述训练心率时序特征向量、所述训练血压时序特征向量和所述训练血糖时序特征向量分别表达所述患者对象的训练心率值、训练血压值和训练血糖值的局部时序关联特征,在通过基于全连接层的空间映射器后,可以进一步获得基于时序特征全域关联分布的共同高维特征空间映射,但是,所述训练映射后心率时序特征向量、所述训练映射后血压时序特征向量和所述训练映射后血糖时序特征向量在高维特征空间内仍然存在基于各自的时序特征分布的特征分布信息离散化,这在基于通过基于Softmax函数的元权值生成器得到的所述第一训练权重值、所述第二训练权重值和所述第三训练权重值加权后会更加显著。因此,融合所述训练映射后心率时序特征向量、所述训练映射后血压时序特征向量和所述训练映射后血糖时序特征向量得到的所述训练患者对象生理特征多模态表征特征向量会存在异质时序关联信息博弈离散化,从而影响所述训练患者对象生理特征多模态表征特征向量通过分类器的分类训练。
基于此,本申请的申请人优选地在所述训练患者对象生理特征多模态表征特征向量每次通过分类器进行迭代训练时,对所述训练患者对象生理特征多模态表征特征向量进行优化。
相应地,在一个示例中,在所述训练的每一轮迭代中,以如下优化公式对所述训练患者对象生理特征多模态表征特征向量进行优化以得到优化后训练患者对象生理特征多模态表征特征向量;其中,所述优化公式为:
;
其中,是所述训练患者对象生理特征多模态表征特征向量的第/>个特征值,是所述训练患者对象生理特征多模态表征特征向量的第/>个特征值,且/>是尺度超参数,/>是以2为底的对数函数,/>是所述优化后训练患者对象生理特征多模态表征特征向量的第/>个特征值。
具体地,当所述训练患者对象生理特征多模态表征特征向量通过分类器进行迭代训练时,训练时所述分类器的权重矩阵将作用于所述训练患者对象生理特征多模态表征特征向量上,由于所述权重矩阵本身的致密特性,会使得所述训练患者对象生理特征多模态表征特征向量的各个位置的特征值之间的异质时序关联信息博弈离散化产生大规模信息博弈,导致分类解无法在博弈基础上收敛到纳什均衡,尤其是在存在多源数据时序关联特征分布的大规模非完美博弈离散化信息的情况下,这样,通过基于所述训练患者对象生理特征多模态表征特征向量的向量信息自控均衡邻域对所述训练患者对象生理特征多模态表征特征向量进行信息博弈均衡化的等效收敛,可以通过特征值在局部邻域内的自博弈来促进收敛,从而提高所述训练患者对象生理特征多模态表征特征向量通过分类器的训练效果。
综上,基于本申请实施例的患者的智能化营养管理方法,其可以实现个性化的营养管理,促进患者康复和健康。
图5示出根据本申请的实施例的患者的智能化营养管理***100的框图。如图5所示,根据本申请实施例的患者的智能化营养管理***100,包括:数据采集模块110,用于获取由智能手环采集的患者对象在预定时间段内的心率时序序列、血压时序序列和血糖时序序列;时序特征提取模块120,用于提取所述心率时序序列、所述血压时序序列和所述血糖时序序列的时序特征以得到心率时序特征向量、血压时序特征向量和血糖时序特征向量;映射融合模块130,用于对所述心率时序特征向量、所述血压时序特征向量和所述血糖时序特征向量进行映射融合以得到患者对象生理特征多模态表征特征向量;以及,类型分析模块140,用于基于所述患者对象生理特征多模态表征特征向量,确定推荐的饮食套餐类型。
这里,本领域技术人员可以理解,上述患者的智能化营养管理***100中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的患者的智能化营养管理方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的患者的智能化营养管理***100可以实现在各种无线终端中,例如具有患者的智能化营养管理算法的服务器等。在一种可能的实现方式中,根据本申请实施例的患者的智能化营养管理***100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该患者的智能化营养管理***100可以是该无线终端的操作***中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该患者的智能化营养管理***100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该患者的智能化营养管理***100与该无线终端也可以是分立的设备,并且该患者的智能化营养管理***100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
图6示出根据本申请的实施例的患者的智能化营养管理方法的应用场景图。如图6所示,在该应用场景中,首先,获取由智能手环采集的患者对象在预定时间段内的心率时序序列、血压时序序列和血糖时序序列(例如,图6中所示意的D),然后,将所述心率时序序列、所述血压时序序列和所述血糖时序序列输入至部署有患者的智能化营养管理算法的服务器(例如,图6中所示意的S)中,其中,所述服务器能够使用所述患者的智能化营养管理算法对所述心率时序序列、所述血压时序序列和所述血糖时序序列进行处理以得到用于表示推荐的饮食套餐类型标签的分类结果。
应可以理解,本申请的实施例所述的方法及***具有以下几个优点:个性化:该***能够根据患者的不同情况和需求,提供定制化的营养管理服务;实时性:该***能够实时采集和分析患者的数据,并及时给出反馈和建议;科学性:该***能够利用先进的计算机技术和医学知识,提供科学有效的营养评估和指导;互动性:该***能够通过多种方式与患者进行交流和互动,并增加他们的兴趣和动力。
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***、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***、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***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 (9)
1.一种患者的智能化营养管理方法,其特征在于,包括:
获取由智能手环采集的患者对象在预定时间段内的心率时序序列、血压时序序列和血糖时序序列;
提取所述心率时序序列、所述血压时序序列和所述血糖时序序列的时序特征以得到心率时序特征向量、血压时序特征向量和血糖时序特征向量;
对所述心率时序特征向量、所述血压时序特征向量和所述血糖时序特征向量进行映射融合以得到患者对象生理特征多模态表征特征向量;
基于所述患者对象生理特征多模态表征特征向量,确定推荐的饮食套餐类型;
其中,对所述心率时序特征向量、所述血压时序特征向量和所述血糖时序特征向量进行映射融合以得到患者对象生理特征多模态表征特征向量,包括:
将所述心率时序特征向量、所述血压时序特征向量和所述血糖时序特征向量映射到同一注意力空间以得到映射后心率时序特征向量、映射后血压时序特征向量和映射后血糖时序特征向量;
将所述映射后心率时序特征向量、所述映射后血压时序特征向量和所述映射后血糖时序特征向量通过基于Softmax函数的元权值生成器以得到第一权重值、第二权重值和第三权重值;
基于第一至第三权重值来融合所述映射后心率时序特征向量、所述映射后血压时序特征向量和所述映射后血糖时序特征向量以得到所述患者对象生理特征多模态表征特征向量。
2.根据权利要求1所述的患者的智能化营养管理方法,其特征在于,提取所述心率时序序列、所述血压时序序列和所述血糖时序序列的时序特征以得到心率时序特征向量、血压时序特征向量和血糖时序特征向量,包括:
对所述心率时序序列、所述血压时序序列和所述血糖时序序列进行数据预处理以得到心率时序输入向量、血压时序输入向量和血糖时序输入向量;
将所述心率时序输入向量、所述血压时序输入向量和所述血糖时序输入向量分别通过基于一维卷积层的时序特征提取器以得到所述心率时序特征向量、所述血压时序特征向量和所述血糖时序特征向量。
3.根据权利要求2所述的患者的智能化营养管理方法,其特征在于,对所述心率时序序列、所述血压时序序列和所述血糖时序序列进行数据预处理以得到心率时序输入向量、血压时序输入向量和血糖时序输入向量,包括:将所述心率时序序列、所述血压时序序列和所述血糖时序序列分别按照时间维度排列为所述心率时序输入向量、所述血压时序输入向量和所述血糖时序输入向量。
4.根据权利要求3所述的患者的智能化营养管理方法,其特征在于,将所述心率时序特征向量、所述血压时序特征向量和所述血糖时序特征向量映射到同一注意力空间以得到映射后心率时序特征向量、映射后血压时序特征向量和映射后血糖时序特征向量,包括:将所述心率时序特征向量、所述血压时序特征向量和所述血糖时序特征向量通过基于全连接层的空间映射器以得到所述映射后心率时序特征向量、所述映射后血压时序特征向量和所述映射后血糖时序特征向量。
5.根据权利要求4所述的患者的智能化营养管理方法,其特征在于,基于所述患者对象生理特征多模态表征特征向量,确定推荐的饮食套餐类型,包括:将所述患者对象生理特征多模态表征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推荐的饮食套餐类型标签。
6.根据权利要求5所述的患者的智能化营养管理方法,其特征在于,将所述患者对象生理特征多模态表征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推荐的饮食套餐类型标签,包括:
使用所述分类器的全连接层对所述患者对象生理特征多模态表征特征向量进行全连接编码以得到编码分类特征向量;
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。
7.根据权利要求6所述的患者的智能化营养管理方法,其特征在于,还包括训练步骤:对所述基于一维卷积层的时序特征提取器、所述基于全连接层的空间映射器、所述基于Softmax函数的元权值生成器和所述分类器进行训练。
8.根据权利要求7所述的患者的智能化营养管理方法,其特征在于,所述训练步骤,包括:
获取训练数据,所述训练数据包括由智能手环采集的患者对象在预定时间段内的训练心率时序序列、训练血压时序序列和训练血糖时序序列,以及,推荐的饮食套餐类型标签的真实值;
将所述训练心率时序序列、所述训练血压时序序列和所述训练血糖时序序列分别按照时间维度排列为训练心率时序输入向量、训练血压时序输入向量和训练血糖时序输入向量;
将所述训练心率时序输入向量、所述训练血压时序输入向量和所述训练血糖时序输入向量分别通过所述基于一维卷积层的时序特征提取器以得到训练心率时序特征向量、训练血压时序特征向量和训练血糖时序特征向量;
将所述训练心率时序特征向量、所述训练血压时序特征向量和所述训练血糖时序特征向量通过所述基于全连接层的空间映射器以将所述训练心率时序特征向量、所述训练血压时序特征向量和所述训练血糖时序特征向量映射到同一注意力空间以得到训练映射后心率时序特征向量、训练映射后血压时序特征向量和训练映射后血糖时序特征向量;
将所述训练映射后心率时序特征向量、所述训练映射后血压时序特征向量和所述训练映射后血糖时序特征向量通过所述基于Softmax函数的元权值生成器以得到第一训练权重值、第二训练权重值和第三训练权重值;
基于第一至第三训练权重值来融合所述训练映射后心率时序特征向量、所述训练映射后血压时序特征向量和所述训练映射后血糖时序特征向量以得到训练患者对象生理特征多模态表征特征向量;
将所述训练患者对象生理特征多模态表征特征向量通过所述分类器以得到分类损失函数值;
以所述分类损失函数值来对所述基于一维卷积层的时序特征提取器、所述基于全连接层的空间映射器、所述基于Softmax函数的元权值生成器和所述分类器进行训练,其中,在所述训练的每一轮迭代中,对所述训练患者对象生理特征多模态表征特征向量进行优化。
9.一种患者的智能化营养管理***,其特征在于,包括:
数据采集模块,用于获取由智能手环采集的患者对象在预定时间段内的心率时序序列、血压时序序列和血糖时序序列;
时序特征提取模块,用于提取所述心率时序序列、所述血压时序序列和所述血糖时序序列的时序特征以得到心率时序特征向量、血压时序特征向量和血糖时序特征向量;
映射融合模块,用于对所述心率时序特征向量、所述血压时序特征向量和所述血糖时序特征向量进行映射融合以得到患者对象生理特征多模态表征特征向量;
类型分析模块,用于基于所述患者对象生理特征多模态表征特征向量,确定推荐的饮食套餐类型;
其中,所述映射融合模块,包括:
将所述心率时序特征向量、所述血压时序特征向量和所述血糖时序特征向量映射到同一注意力空间以得到映射后心率时序特征向量、映射后血压时序特征向量和映射后血糖时序特征向量;
将所述映射后心率时序特征向量、所述映射后血压时序特征向量和所述映射后血糖时序特征向量通过基于Softmax函数的元权值生成器以得到第一权重值、第二权重值和第三权重值;以及,
基于第一至第三权重值来融合所述映射后心率时序特征向量、所述映射后血压时序特征向量和所述映射后血糖时序特征向量以得到所述患者对象生理特征多模态表征特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410051296.3A CN117577270B (zh) | 2024-01-15 | 2024-01-15 | 患者的智能化营养管理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410051296.3A CN117577270B (zh) | 2024-01-15 | 2024-01-15 | 患者的智能化营养管理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117577270A true CN117577270A (zh) | 2024-02-20 |
CN117577270B CN117577270B (zh) | 2024-04-26 |
Family
ID=89890385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410051296.3A Active CN117577270B (zh) | 2024-01-15 | 2024-01-15 | 患者的智能化营养管理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117577270B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118197648A (zh) * | 2024-05-14 | 2024-06-14 | 吉林大学 | 患者身体数据远程采集监测***及方法 |
CN118248336A (zh) * | 2024-05-21 | 2024-06-25 | 吉林大学 | 患者感染风险评估***及方法 |
CN118197648B (zh) * | 2024-05-14 | 2024-07-30 | 吉林大学 | 患者身体数据远程采集监测***及方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115422357A (zh) * | 2022-08-31 | 2022-12-02 | 中国工商银行股份有限公司 | 文本分类方法、装置、计算机设备和存储介质 |
WO2023087525A1 (zh) * | 2021-11-19 | 2023-05-25 | 中国华能集团清洁能源技术研究院有限公司 | 多模态深度学习的发电设备异常一体化识别方法及设备 |
CN116186612A (zh) * | 2023-04-28 | 2023-05-30 | 福建省杭氟电子材料有限公司 | 六氟化硫回收利用管理*** |
CN116431004A (zh) * | 2023-06-01 | 2023-07-14 | 山东协和学院 | 康复机器人交互行为的控制方法及*** |
CN116577677A (zh) * | 2023-07-14 | 2023-08-11 | 赣州吉锐新能源科技股份有限公司 | 退役动力电池的放电测试***及其方法 |
CN116597377A (zh) * | 2023-05-11 | 2023-08-15 | 新疆汗庭牧元养殖科技有限责任公司 | 牛养殖的智能监控管理方法及其*** |
CN116712048A (zh) * | 2023-05-18 | 2023-09-08 | 智慧眼科技股份有限公司 | 血压测量方法、装置及相关设备 |
CN116910621A (zh) * | 2023-07-24 | 2023-10-20 | 杭州君方科技有限公司 | 纺织化纤供应链管理决策支持***及其方法 |
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、***及电子设备 |
CN117041017A (zh) * | 2023-10-08 | 2023-11-10 | 北京金信润天信息技术股份有限公司 | 数据中心的智能运维管理方法及*** |
CN117058622A (zh) * | 2023-08-28 | 2023-11-14 | 海宁市立洁环保有限公司 | 污水处理设备的智能监测***及其方法 |
CN117153338A (zh) * | 2023-07-05 | 2023-12-01 | 三峡大学 | 一种基于深度学习的调味料摄入量确定方法与*** |
-
2024
- 2024-01-15 CN CN202410051296.3A patent/CN117577270B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023087525A1 (zh) * | 2021-11-19 | 2023-05-25 | 中国华能集团清洁能源技术研究院有限公司 | 多模态深度学习的发电设备异常一体化识别方法及设备 |
CN115422357A (zh) * | 2022-08-31 | 2022-12-02 | 中国工商银行股份有限公司 | 文本分类方法、装置、计算机设备和存储介质 |
CN116186612A (zh) * | 2023-04-28 | 2023-05-30 | 福建省杭氟电子材料有限公司 | 六氟化硫回收利用管理*** |
CN116597377A (zh) * | 2023-05-11 | 2023-08-15 | 新疆汗庭牧元养殖科技有限责任公司 | 牛养殖的智能监控管理方法及其*** |
CN116712048A (zh) * | 2023-05-18 | 2023-09-08 | 智慧眼科技股份有限公司 | 血压测量方法、装置及相关设备 |
CN116431004A (zh) * | 2023-06-01 | 2023-07-14 | 山东协和学院 | 康复机器人交互行为的控制方法及*** |
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、***及电子设备 |
CN117153338A (zh) * | 2023-07-05 | 2023-12-01 | 三峡大学 | 一种基于深度学习的调味料摄入量确定方法与*** |
CN116577677A (zh) * | 2023-07-14 | 2023-08-11 | 赣州吉锐新能源科技股份有限公司 | 退役动力电池的放电测试***及其方法 |
CN116910621A (zh) * | 2023-07-24 | 2023-10-20 | 杭州君方科技有限公司 | 纺织化纤供应链管理决策支持***及其方法 |
CN117058622A (zh) * | 2023-08-28 | 2023-11-14 | 海宁市立洁环保有限公司 | 污水处理设备的智能监测***及其方法 |
CN117041017A (zh) * | 2023-10-08 | 2023-11-10 | 北京金信润天信息技术股份有限公司 | 数据中心的智能运维管理方法及*** |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118197648A (zh) * | 2024-05-14 | 2024-06-14 | 吉林大学 | 患者身体数据远程采集监测***及方法 |
CN118197648B (zh) * | 2024-05-14 | 2024-07-30 | 吉林大学 | 患者身体数据远程采集监测***及方法 |
CN118248336A (zh) * | 2024-05-21 | 2024-06-25 | 吉林大学 | 患者感染风险评估***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117577270B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117577270B (zh) | 患者的智能化营养管理方法及*** | |
CN110399857A (zh) | 一种基于图卷积神经网络的脑电情感识别方法 | |
Hasan et al. | SmartHeLP: Smartphone-based hemoglobin level prediction using an artificial neural network | |
CN104346503A (zh) | 一种基于人脸图像的情感健康监控方法及手机 | |
Wan et al. | EEG fading data classification based on improved manifold learning with adaptive neighborhood selection | |
CN111954250B (zh) | 一种轻量级Wi-Fi行为感知方法和*** | |
VijayaKumari et al. | Food classification using transfer learning technique | |
CN117598674B (zh) | 多参数心脏功能监测***及方法 | |
Liu et al. | Breast cancer recognition by support vector machine combined with daubechies wavelet transform and principal component analysis | |
CN116383617B (zh) | 一种基于脉搏波波形特征的智能血压检测方法及*** | |
CN117542474A (zh) | 基于大数据的远程护理监测***及方法 | |
Kirubakaran et al. | Echo state learned compositional pattern neural networks for the early diagnosis of cancer on the internet of medical things platform | |
CN115470701A (zh) | 一种基于机器学习的食谱推荐方法及*** | |
CN117198468A (zh) | 基于行为识别和数据分析的干预方案智慧化管理*** | |
CN112233102A (zh) | 图像样本集中噪声的识别方法、装置、设备及存储介质 | |
CN111047590A (zh) | 基于眼底图像的高血压分类方法及设备 | |
CN117010971B (zh) | 一种基于人像识别的智能健康险提供方法及*** | |
CN117530684A (zh) | 一种基于健康大数据的血糖异常检测与预警***及方法 | |
Shermila et al. | DEEPFIC: Food item classification with calorie calculation using dragonfly deep learning network | |
Zhou et al. | CMRDF: A real-time food alerting system based on multimodal data | |
Ramamoorthy et al. | Reliable and accurate plant leaf disease detection with treatment suggestions using enhanced deep learning techniques | |
CN117332300A (zh) | 基于自注意力改进域适应网络的运动想象脑电分类方法 | |
Zhong et al. | A robust frequency-domain-based graph adaptive network for Parkinson's disease detection from gait data | |
CN116631619A (zh) | 术后弯腿训练监控***及其方法 | |
CN115631371A (zh) | 一种脑电信号核心网络的提取方法 |
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 |