一种基于餐食数据的智能饮食评估系统

摘要

本发明提出了一种基于餐食数据的智能饮食评估系统。包括：获取模块，用于获取用户基本信息以及用户历史餐食数据，根据该用户基本信息以及用户历史餐食数据分别获取用户特征信息以及历史餐食特征信息；库构建模块，用于根据该历史餐食特征信息获取对应的疾病特征信息，对用户特征信息、历史餐食特征信息以及疾病特征信息进行预处理，根据处理结果构建关系特征库；识别模块，用于获取待识别用户餐食数据，根据该关系特征库对待识别用户餐食数据进行识别，并生成对应饮食报告。本发明通过多元线性回归决策树算法及贝叶斯判别法对用户一日三餐营养素含量加权计算，实现对饮食行为精确分析，提高系统识别精确度，增强饮食报告的可靠性，提升用户体验。

说明书

技术领域

本发明涉及计算机领域，尤其涉及一种基于餐食数据的智能饮食评估系统。

背景技术

自食物的营养素种类繁多，根据其化学性质和生理作用可将营养素分为七大类，即蛋白质、脂类、碳水化合物、矿物质、维生素、水和膳食纤维。各种营养素彼此间有着密切的联系，起着相辅相成的作用，各种营养素之间要有一个适宜的比例。如果这种平衡关系失调，就会对人体健康造成不良影响，甚至导致某些营养性疾病或慢性病的发生。所以饮食习惯的优劣直接影响着人的健康与管理。

多年来，饮食习惯与健康管理的关系一直是专家研究、探讨的目标，但是目前没有发现一种科学的、基于定量定性的判定方法。所以，亟需一种基于餐食数据的智能饮食评估系统，能够对用户饮食习惯优劣的智能判定等问题，并提供对应的解决方案，从而指导用户实现膳食平衡和健康管理。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

有鉴于此，本发明提出了一种基于餐食数据的智能饮食评估系统，旨在解决现有技术无法用户饮食习惯优劣的智能判定，并提供对应的解决方案的技术问题。

本发明的技术方案是这样实现的：

一方面，本发明提供了一种基于餐食数据的智能饮食评估系统，所述基于餐食数据的智能饮食评估系统包括：

获取模块，用于获取用户基本信息以及用户历史餐食数据，根据该用户基本信息以及用户历史餐食数据分别获取用户特征信息以及历史餐食特征信息；

库构建模块，用于根据该历史餐食特征信息获取对应的疾病特征信息，对用户特征信息、历史餐食特征信息以及疾病特征信息进行预处理，根据处理结果构建关系特征库；

识别模块，用于获取待识别用户餐食数据，根据该关系特征库对待识别用户餐食数据进行识别，并生成对应饮食报告。

在以上技术方案的基础上，优选的，获取模块包括信息采集模块，用于获取用户基本信息以及用户历史餐食数据，所述用户基本信息包括：年龄、性别、既往史以及过敏史，所述用户历史餐食数据包括：早餐食材信息、中餐食材信息、晚餐食材信息以及对应的时间信息，并根据该食材信息获取对应的营养元素含量信息。

在以上技术方案的基础上，优选的，获取模块包括特征提取模块，用于从用户基本信息以及用户历史餐食数据中分别获取用户特征信息以及历史餐食特征信息，并根据用户特征信息以及历史餐食特征信息分别建立用户特征信息集以及历史餐食特征信息集。

在以上技术方案的基础上，优选的，库构建模块包括爬取模块，用于根据营养元素含量信息爬取对应的疾病信息，所述疾病信息包括：疾病名称信息以及对应的症状描述文本信息，根据该疾病名称信息构建不同的疾病名称数据集，并将对应的症状描述文本信息进行存储。

在以上技术方案的基础上，优选的，库构建模块包括归一化模块，用于设定归一化格式，通过该归一化格式对用户特征信息集、历史餐食特征信息集以及疾病名称数据集进行归一化处理，获取归一化处理之后的用户特征信息集、历史餐食特征信息集以及疾病名称数据集。

在以上技术方案的基础上，优选的，库构建模块包括特征库构建模块，用于构建多元线性回归决策树算法，通过该多元线性回归决策树算法对归一化处理之后的用户特征信息集、历史餐食特征信息集以及疾病名称数据集进行加权计算，获取计算结果，并根据计算结果构建用户特征信息集、历史餐食特征信息集以及疾病名称数据集之间的关系特征库。

在以上技术方案的基础上，优选的，识别模块包括识别评价模块，用于获取待识别用户餐食数据，对该待识别用户餐食数据进行预处理，获取待识别用户餐食特征数据，根据该关系特征库对待识别用户餐食特征数据进行识别，并生成对应饮食报告。

更进一步优选的，所述基于餐食数据的智能饮食评估设备包括：

获取单元，用于获取用户基本信息以及用户历史餐食数据，根据该用户基本信息以及用户历史餐食数据分别获取用户特征信息以及历史餐食特征信息；

库构建单元，用于根据该历史餐食特征信息获取对应的疾病特征信息，对用户特征信息、历史餐食特征信息以及疾病特征信息进行预处理，根据处理结果构建关系特征库；

识别单元，用于获取待识别用户餐食数据，根据该关系特征库对待识别用户餐食数据进行识别，并生成对应饮食报告。

本发明的一种基于餐食数据的智能饮食评估系统相对于现有技术具有以下有益效果：

(1)通过多元线性回归决策树算法对食材中营养素含量与用户信息以及每日、一个时间阶段数据进行加权计算，能够得到精确的评估数据，提高后续系统评估精确度和效率；

(2)通过贝叶斯判别法，能够精确对待识别用户餐食数据进行判别，同时减少系统资源占用量，提高系统判别效率，提升用户体验。

附图说明

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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明基于餐食数据的智能饮食评估系统第一实施例的结构框图；

图2为本发明基于餐食数据的智能饮食评估系统的第二实施例结构框图；

图3为本发明基于餐食数据的智能饮食评估系统的第三实施例结构框图；

图4为本发明基于餐食数据的智能饮食评估系统的第四实施例结构框图；

图5为本发明基于餐食数据的智能饮食评估设备结构框图。

具体实施方式

下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。

如图1所示，图1为本发明基于餐食数据的智能饮食评估系统第一实施例的结构框图。其中，所述基于餐食数据的智能饮食评估系统包括：获取模块10、库构建模块20、识别模块30。

获取模块10，用于获取用户基本信息以及用户历史餐食数据，根据该用户基本信息以及用户历史餐食数据分别获取用户特征信息以及历史餐食特征信息；

库构建模块20，用于根据该历史餐食特征信息获取对应的疾病特征信息，对用户特征信息、历史餐食特征信息以及疾病特征信息进行预处理，根据处理结果构建关系特征库；

识别模块30，用于获取待识别用户餐食数据，根据该关系特征库对待识别用户餐食数据进行识别，并生成对应饮食报告。

进一步地，如图2所示，基于上述各实施例提出本发明基于餐食数据的智能饮食评估系统的第二实施例结构框图，在本实施例中，获取模块10还包括：

信息采集模块101，用于获取用户基本信息以及用户历史餐食数据，所述用户基本信息包括：年龄、性别、既往史以及过敏史，所述用户历史餐食数据包括：早餐食材信息、中餐食材信息、晚餐食材信息以及对应的时间信息，并根据该食材信息获取对应的营养元素含量信息。

特征提取模块102，用于从用户基本信息以及用户历史餐食数据中分别获取用户特征信息以及历史餐食特征信息，并根据用户特征信息以及历史餐食特征信息分别建立用户特征信息集以及历史餐食特征信息集。

应当理解的是，系统会获取用户基本信息以及用户历史餐食数据，所述用户基本信息包括：年龄、性别、既往史以及过敏史，所述用户历史餐食数据包括：早餐食材信息、中餐食材信息、晚餐食材信息以及对应的时间信息，并根据该食材信息获取对应的营养元素含量信息。

应当理解的是，系统还会从用户基本信息以及用户历史餐食数据中分别获取用户特征信息以及历史餐食特征信息，并根据用户特征信息以及历史餐食特征信息分别建立用户特征信息集以及历史餐食特征信息集。

应当理解的是，采集用户每日三餐即早餐、中餐、晚餐等食材信息和数据；采集用户一个时间阶段的三餐即早餐、中餐、晚餐等饮食行为和习惯形成的食材信息和数据。

应当理解的是，采集上述这些食材中各种营养元素含量数据和信息以及这些营养元素摄入过量或者偏低对应的、可能的疾病信息。比如，营养素包括：矿物质、维生素、脂肪、热量、蛋白质、碳水化合物、四高(血压-钠、血糖-GL、血脂-胆固醇、血尿酸-嘌呤)10大类。每类营养素知识库录入内容包括不同人群及性别的日摄入量、每日最大耐受量、各种食材及菜谱中营养素对应的含量、营养素摄入量异常时对应疾病。数据统一进行标准化处理后存储。

另外，营养缺乏对健康的危害：蛋白质缺乏，表现为全身水肿，表情淡漠，生长滞缓，头发变脆、变色，易感染；脂类缺乏，表现为消瘦、乏力、皮肤干燥、易出现皱纹等；碳水化合物缺乏，表现为头晕、心悸、出冷汗、饥饿，严重时可出现低血糖昏迷；缺钙儿童及青少年可导致佝偻病，妇女导致软骨病，中老年导致骨质疏松等；缺铁导致贫血；维生素A缺乏导致夜盲症、干眼症。营养过剩对健康的危害：蛋白质摄入过多，加重肝肾负担，可导致脂肪肝、肾炎、高血脂及动脉硬化危险性；维生素C摄入过量，出现恶心、腹泻、腹部痉挛、皮疹等；碘摄入过多，增加甲亢及甲状腺癌的发病率；脂肪摄入过多，导致肥胖，增加心脑血管疾病发病率等。

进一步地，如图3所示，基于上述各实施例提出本发明基于餐食数据的智能饮食评估系统的第三实施例结构框图，在本实施例中，库构建模块20还包括：

爬取模块201，用于根据营养元素含量信息爬取对应的疾病信息，所述疾病信息包括：疾病名称信息以及对应的症状描述文本信息，根据该疾病名称信息构建不同的疾病名称数据集，并将对应的症状描述文本信息进行存储。

归一化模块202，用于设定归一化格式，通过该归一化格式对用户特征信息集、历史餐食特征信息集以及疾病名称数据集进行归一化处理，获取归一化处理之后的用户特征信息集、历史餐食特征信息集以及疾病名称数据集。

特征库构建模块203，用于构建多元线性回归决策树算法，通过该多元线性回归决策树算法对归一化处理之后的用户特征信息集、历史餐食特征信息集以及疾病名称数据集进行加权计算，获取计算结果，并根据计算结果构建用户特征信息集、历史餐食特征信息集以及疾病名称数据集之间的关系特征库。

应当理解的是，系统会根据营养元素含量信息爬取对应的疾病信息，所述疾病信息包括：疾病名称信息以及对应的症状描述文本信息，根据该疾病名称信息构建不同的疾病名称数据集，并将对应的症状描述文本信息进行存储。、

应当理解的是，系统会将所述用户数据库、食材信息数据库、营养元素数据库、疾病与疾病知识库、患病数据库依次进行预处理、归一化、特征提取，构建分时间、分阶段、分层级的与疾病关系特征库。根据上述与疾病关系特征库建立多元线性回归决策树模型，训练所述多元线性回归决策树模型直至其预测误差低于阈值。比如，每日元素平均摄入量：通过记录每餐的食材及重量，利用知识库食材表中每个食材对应的各元素的含量，计算出每餐10类23种元素(GL除外)的含量设为x

再比如，致病风险指数计算方法：计算出每餐10类23种元素(GL除外)的含量设为x

应当理解的是，接下来会设定归一化格式，通过该归一化格式对用户特征信息集、历史餐食特征信息集以及疾病名称数据集进行归一化处理，获取归一化处理之后的用户特征信息集、历史餐食特征信息集以及疾病名称数据集。

应当理解的是，并构建多元线性回归决策树算法，通过该多元线性回归决策树算法对归一化处理之后的用户特征信息集、历史餐食特征信息集以及疾病名称数据集进行加权计算，获取计算结果，并根据计算结果构建用户特征信息集、历史餐食特征信息集以及疾病名称数据集之间的关系特征库。

应当理解的是，利用多元线性回归决策树算法对这些食材中营养素含量与用户信息以及每日、一个时间阶段数据进行加权计算，给出当日、第二日、一周、十五天、一月、两个月、一个季度的三餐数据以及不同的性别和年龄等饮食习惯导致的、可能的发病概率和饮食习惯指数等。

进一步地，如图4所示，基于上述各实施例提出本发明基于餐食数据的智能饮食评估系统的第四实施例结构框图，在本实施例中，识别模块30包括：

识别评价模块301，用于获取待识别用户餐食数据，对该待识别用户餐食数据进行预处理，获取待识别用户餐食特征数据，根据该关系特征库对待识别用户餐食特征数据进行识别，并生成对应饮食报告。

应当理解的是，最后系统会获取待识别用户餐食数据，对该待识别用户餐食数据进行预处理，获取待识别用户餐食特征数据，根据该关系特征库对待识别用户餐食特征数据进行识别，并生成对应饮食报告。

需要说明的是，以上仅为举例说明，并不对本申请的技术方案构成任何限定。

通过上述描述不难发现，本实施例提出了一种基于餐食数据的智能饮食评估系统，包括：获取模块，用于获取用户基本信息以及用户历史餐食数据，根据该用户基本信息以及用户历史餐食数据分别获取用户特征信息以及历史餐食特征信息；库构建模块，用于根据该历史餐食特征信息获取对应的疾病特征信息，对用户特征信息、历史餐食特征信息以及疾病特征信息进行预处理，根据处理结果构建关系特征库；识别模块，用于获取待识别用户餐食数据，根据该关系特征库对待识别用户餐食数据进行识别，并生成对应饮食报告。本实施例通过多元线性回归决策树算法及贝叶斯判别法对用户一日三餐营养素含量加权计算，实现对饮食行为精确分析，提高系统识别精确度，增强饮食报告的可靠性，提升用户体验。

此外，本发明实施例还提出一种基于餐食数据的智能饮食评估设备。如图5所示，该基于餐食数据的智能饮食评估设备包括：获取单元10、库构建单元20、识别单元30。

获取单元10，用于获取用户基本信息以及用户历史餐食数据，根据该用户基本信息以及用户历史餐食数据分别获取用户特征信息以及历史餐食特征信息；

库构建单元20，用于根据该历史餐食特征信息获取对应的疾病特征信息，对用户特征信息、历史餐食特征信息以及疾病特征信息进行预处理，根据处理结果构建关系特征库；

识别单元30，用于获取待识别用户餐食数据，根据该关系特征库对待识别用户餐食数据进行识别，并生成对应饮食报告。

此外，需要说明的是，以上所描述的装置实施例仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的，此处不做限制。

另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的基于餐食数据的智能饮食评估系统，此处不再赘述。

以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，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。