一种多模块智慧健康管理信息系统的制作方法

智慧停车系统通过信息化管理，解决停车难问题 #生活知识# #生活感悟# #科技生活变迁# #智慧城市#

本发明涉及一种帮助人体生理健康的信息综合与分析评价系统，尤其是涉及多模块智慧健康管理信息系统。
背景技术：
：cn2017111065179，公开了一种生理信息数据的分析评价系统，包括数据输入模块、数据分类模块、单项健康指数计算模块、健康指数综合加权模块，所述单项健康指数计算模块中包括升正态分布数据计算模块、降正态分布数据计算模块和平台型分布数据计算模块，所述单项健康指数计算模块中还设有历史数据分析模块，所述历史数据分析模块中设有归一化指数调整模块，所述历史数据分析模块用于对新生理信息数据、相应历史生理信息数据和参考目标值进行对比分析，得到该项生理信息数据的历史变化趋势结果，所述归一化指数调整模块根据历史变化趋势结果对新生理信息数据的归一化指数进行调整；所述单项健康指数计算模块中还设有健康指数调整模块，所述健康指数调整模块对新健康指数及其相应历史健康指数进行综合加权，得到该健康指数的调整值；但由于个体的性别、体重、年龄和生活和运动习惯等方面千差万别，采用一种统一的标准去判断和指导人们的健康生活有失偏颇；而通过科学分类以及最后完善到运动与健康管理的指标涉及到进行增肌增重等方面的综合得分计算，得出用户得分。这样能够起到更有效的健康管理效果。技术实现要素：本发明目的是，提供一种多模块智慧健康管理信息系统，该系统通过科学而吻合的人群分类模块、增肌增重得分模块、能自适应给出健康与运动参数优化指标的模块，帮助人们的健康管理与建议，包括饮食与运动方面的建议，并通过多种智能化的手段进行统计与计算、评估个人的健康状态，且具有目前比较公认的健康评价基础。本发明的技术方案是，一种多模块智慧健康管理信息系统，其特征是，包括模块一人群分类模块、模块二增肌增重得分模块、模块三自适应参数优化模块；其中，模块一获取由收集用户提供的用户年龄、性别、体重、体脂率、运动熟练度、疾病等数据对人群进行健康参数方面的分类，得出分类人群的健康参数范围；模块二获取由模块一提供的人群分类参数、由用户提供的用户饮食、运动记录参数进行健康管理目标——增肌增重目标得分计算，得出用户得分；模块三获取由模块二提供的各分类用户的得分记录，获取由用户提供的增肌增重变化量数据，进行自适应参数优化，得出优化后的得分参数反馈给模块二，以优化模块二的得分，即优化得分参数作为用户的健康管理参数与目标；其中模块一人群分类模块包括两个子模块，分别为子模块1.1数据收集子模块、子模块1.2用户数据-人群分类映射子模块；子模块1.1用户数据收集子模块获取由用户提供用户个人数据，进行用户数据收集；该子模块获取由用户提供的以下用户数据：人种，性别，体脂率，是否患有疾病，运动习性/疲劳感、泵感、酸痛感，身高h，体重w，年龄y，一周需要增加的体重δw，运动时间t，无氧运动组数m，无氧运动每组次数n，无氧运动单位强度重量ω，4种营养素摄入量，运动种类，运动强度数据，进行用户数据收集，得出人群分类映射所需的用户数据；子模块1.2用户数据-人群分类映射子模块获取由子模块1.1提供的人群分类映射所需的用户数据，进行用户数据-人群分类映射计算，得出人群分类参数；在具体实例中，有一用户为亚洲人、健康者、规律运动者、男性、bfr≤25％，其分类参数取值为g1＝0.95；g2＝1，ν1＝1/3，ν2＝1/3，ν3＝1/3；dce2＝275kcal，α＝66.47、β＝13.75、γ＝5.0033、ω＝6.775；wwrf＝485kcal/kg。子模块1.2将人群数据随机划分为测试集和训练集；在训练集中，对人群特征进行特征选择，采取信息增益标准，递归地构建决策树；考虑决策树复杂程度设置损失函数，对决策树进行修剪；最后根据构建的决策树模型对人群进行分类，得到训练模型，并使用测试集对分类模型进行测试；构建决策树；直到所有特征的信息增益均很小或没有特征可以选择为止，最后得到一个决策树；特征选择为人种、疾病、运动习性、男女、体脂率5类特征，人群最终被分为32个类；模块二增肌增重得分模块，包括五个子模块，分别为用户数据收集子模块2.1、运动刺激得分计算子模块2.2、热量得分计算子模块2.3、饮食比例得分计算子模块2.4、增肌增重综合得分计算模块2.5；子模块2.1用户数据收集子模块获取由用户提供的饮食、运动记录，进行用户数据收集，得出用户饮食、运动数据；子模块2.2运动刺激得分计算子模块获取由模块一人群分类模块提供的人群分类参数，获取由子模块2.1用户数据收集子模块提供的用户运动数据，进行运动刺激得分计算，得出用户运动状态计算数据和运动刺激得分；子模块2.3热量得分计算子模块获取由子模块2.1用户数据收集子模块提供的用户饮食、运动数据，获取由子模块2.2运动刺激得分计算子模块提供的用户运动状态数据，获取由模块一人群分类模块提供的人群分类参数，进行热量得分计算，得出热量得分；子模块2.4饮食比例得分计算子模块获取由子模块2.1用户数据收集子模块提供的用户饮食数据，获取由模块一人群分类模块提供的人群分类参数，进行饮食比例得分计算，得出饮食比例得分；子模块2.5增肌增重综合得分计算模块获取由子模块2.2运动刺激得分计算子模块提供的运动刺激得分，获取由子模块2.3热量得分计算子模块提供的热量得分，获取由子模块2.4饮食比例得分计算子模块提供的饮食比例得分，获取由模块三自适应参数优化模块提供的优化后的综合得分超参数，进行增肌增重综合得分计算，得出用户得分；在具体实例中，有一用户初始得分参数为ρ1＝0.4，ρ2＝0.3，ρ3＝0.3，经周期性数据导入模块三进行修正后，得分参数优化为ρ1＝0.35，ρ2＝0.35，ρ3＝0.3。模块三得分超参数自适应优化模块包括两个子模块，分别为用户数据收集子模块3.1、得分超参数自适应优化计算子模块3.2；子模块3.1用户数据收集子模块获取由用户提供的增肌增重变化量数据，获取由模块二增肌增重得分模块提供的用户得分，进行用户数据收集；子模块3.2得分超参数自适应优化计算子模块获取由子模块3.1用户数据收集子模块提供的得分超参数优化所需用户数据，进行得分超参数自适应优化计算，得出优化后的综合得分超参数；得分超参数自适应优化子模块采用特征选择方法评估每个输入变量与目标变量之间的关系，得出最适权重。子模块2.5增肌增重综合得分计算模块获取由子模块2.2运动刺激得分计算子模块提供的运动刺激得分，获取由子模块2.3热量得分计算子模块提供的热量得分，获取由子模块2.4饮食比例得分计算子模块提供的饮食比例得分，获取由模块三自适应参数优化模块提供的优化后的综合得分超参数，进行增肌增重综合得分计算，得出用户得分。有益效果：据科学实证研究表明，本发明涉及的体重指标、运动、宏量营养素参考配比，符合人体健康与能量代谢规律，兼顾增肌及健康目的。如宏量营养素在宏量营养素大比例框架确定的前提下，有待进一步吸纳、逻辑化当代健康的新观点如：(1)蛋白质来源；(2)适当以不饱和脂肪酸；(3)主食搭配组合不同血糖负荷的物质，增进血糖健康。通过获取由模块一人群分类模块提供的人群分类参数，进行饮食比例得分计算，得出饮食比例得分。本发明结构简单、功能强大、操作方便，具有极高的商业价值。附图说明图1：一种多模块智慧健康管理信息系统；图2：人群分类模块数据流图；图3：增肌增重得分模块数据流图；图4：得分超参数自适应优化模块数据流图。具体实施方式参考附图，图1一种多模块智慧健康管理信息系统：模块一人群分类模块对于模块一人群分类模块，子模块数据流图如图2所示。人群分类模块包括两个子模块，分别为数据收集子模块、用户数据-人群分类映射子模块。子模块1.1用户数据收集子模块获取由用户提供用户个人数据，进行用户数据收集；子模块1.2用户数据-人群分类映射子模块获取由子模块1.1提供的人群分类映射所需的用户数据，进行用户数据-人群分类映射计算，得出人群分类参数。参考图2：人群分类模块数据流图模块1.1用户数据收集子模块对于1.1用户数据收集子模块，该子模块获取由用户提供的以下用户数据：人种，性别，体脂率，是否患有疾病，运动习性/疲劳感、泵感、酸痛感，身高h，体重w，年龄y，一周需要增加的体重δw，运动时间t，无氧运动组数m，无氧运动每组次数n，无氧运动单位强度重量ω，4种营养素摄入量，运动种类，运动强度数据，进行用户数据收集，得出人群分类映射所需的用户数据。模块1.2用户数据-人群分类映射子模块对于1.2用户数据-人群分类映射子模块，该子模块获取由模块1.1用户数据收集子模块提供的人群分类映射所需的用户数据，进行用户数据-人群分类映射，得出人群分类参数。具体做法为，模块1.2将人群数据随机划分为测试集和训练集。在训练集中，对人群特征进行特征选择，采取信息增益标准，递归地构建决策树。后考虑决策树复杂程度设置损失函数，对决策树进行修剪。最后根据构建的决策树模型对人群进行分类，得到训练模型，并使用测试集对分类模型进行测试。信息增益标准采用l(xi)＝-log2p(xi)，其中，所述符号xi表示某种分类情况；p(xi)表示选择该分类的概率；l(xi)表示xi的信息量。为了计算熵，我们需要计算所有类别所有可能值所包含的信息期望值其中，p(xi)表示选择该分类的概率，n表示一共有n种分类情况。经验熵为其中，所述d表示训练数据集，ck表示训练数据集某种分类情况，k表示一共有k种分类情况，|ck|为属于类ck的样本个数。条件熵h(y|x)表示在已知随机变量x的条件下随机变量y的不确定性，其中，当随机变量x为xi这种分类情况时，该分类的概率pi＝p(x＝xi)，n表示一共有n种分类情况。特征a对训练数据集d的信息增益g(d，a)＝h(d)-h(d|a)，其中，所述h(d)为集合d的经验熵，h(d|a)表示特征a给定条件下d的经验条件熵之差。后构建决策树，从根结点(rootnode)开始，对结点计算所有可能的特征的信息增益，选择信息增益最大的特征作为结点的特征，由该特征的不同取值建立子节点，再对子结点递归地调用以上方法，构建决策树；直到所有特征的信息增益均很小或没有特征可以选择为止，最后得到一个决策树。后通过极小化决策树整体的损失函数或代价函数对决策树进行修剪，损失函数为其中，所述t表示当前叶子节点，t表示这棵子树所有的叶子节点；ht(t)表示第t个叶子的熵；nt表示该t叶子节点所含的训练样例的个数；α表示惩罚系数。其中，所述nt表示该t叶子节点所含的训练样例的个数；ntk表示该t叶子节点第k个类所含的训练样例的个数，k表示一共有k种分类情况。本案例中，特征选择为5类特征(人种、疾病、运动习性、男女、体脂率)，人群最终被分为32类。人群分类模块变量表、人群分类参数表如表1、表2所示。表1：人群分类模块变量表表2：人群分类参数表模块二增肌增重得分模块对于模块二增肌增重得分模块，子模块数据流图如图3所示。增肌增重得分模块包括五个子模块，分别为用户数据收集子模块2.1、运动刺激得分计算子模块2.2、热量得分计算子模块2.3、饮食比例得分计算子模块2.4、增肌增重综合得分计算模块2.5。子模块2.1用户数据收集子模块获取由用户提供的饮食、运动记录，进行用户数据收集，得出用户饮食、运动数据；子模块2.2运动刺激得分计算子模块获取由模块一人群分类模块提供的人群分类参数，获取由子模块2.1用户数据收集子模块提供的用户运动数据，进行运动刺激得分计算，得出用户运动状态计算数据和运动刺激得分；子模块2.3热量得分计算子模块获取由子模块2.1用户数据收集子模块提供的用户饮食、运动数据，获取由子模块2.2运动刺激得分计算子模块提供的用户运动状态数据，获取由模块一人群分类模块提供的人群分类参数，进行热量得分计算，得出热量得分；子模块2.4饮食比例得分计算子模块获取由子模块2.1用户数据收集子模块提供的用户饮食数据，获取由模块一人群分类模块提供的人群分类参数，进行饮食比例得分计算，得出饮食比例得分；子模块2.5增肌增重综合得分计算模块获取由子模块2.2运动刺激得分计算子模块提供的运动刺激得分，获取由子模块2.3热量得分计算子模块提供的热量得分，获取由子模块2.4饮食比例得分计算子模块提供的饮食比例得分，获取由模块三自适应参数优化模块提供的优化后的综合得分超参数，进行增肌增重综合得分计算，得出用户得分。参考图3：增肌增重得分模块数据流图，对于子模块2.1用户数据收集子模块，该模块获取由用户提供的饮食、运动记录，进行用户数据收集，得出用户饮食、运动数据。模块2.2运动刺激得分计算子模块对于子模块2.2运动刺激得分计算子模块获取由模块一人群分类模块提供的人群分类参数，获取由子模块2.1用户数据收集子模块提供的用户运动数据，进行运动刺激得分计算，得出用户运动状态计算数据和运动刺激得分。所述的控制方法，所述步骤中周期内每日的运动刺激绝对得分sa通过如下公式获取：其中，所述x＝(a1，a2，a3……af)为运动前描述向量，定义为a过程面向f个指标的各实际分量，af为运动前指标f得分，(af)max为运动前指标f最高得分；所述y＝(b1，b2，b3……bf)为运动后描述向量，定义为b过程面向f个指标的各实际分量，bf为运动后指标f得分，(bf)max为运动后指标f最高得分；θ为运动中调节系数，θmax为运动中调节系数的最大值。f取1、2、3……f(f为f的最大值)，现阶段只考虑三种指标。2、运动者的每日运动刺激情况与多个指标相关，现阶段分析认为：应当强化三项参考指标的协同性关系，不再刻意突出疲劳感之奠基性，针对利于评测的两个有效时点——训练前及训练后，得到，其各自在三个指标下量度的行向量，做点乘运算并得到数量积。基于现实情境多样性和个体差异性。还应设法扩展预期值域，故尝试提升用户自我测评维度，在训练结束后，引导用户回想、评估全程训练感受，结合相关高引文献，预设调节系数，展开论之。(1)研究表明，开展一次训练之初，机体疲劳感常见于规律运动人群，此或得之于上述群体自身固有的训练频率及系统训练中目的导向型，逐次训练计划对训练者的刺激深度。故而，在默认运动者处于非完全恢复状态时，锻炼者可感知到的轻度疲劳反倒可以等价为一种良性状态，其间，目标肌肉更易于泵入新鲜血液并帮助激活肌肉----神经系统。诚然，中轻度的疲劳感可对训练产生增益，但应当指出，中等以至强烈的疲劳感会显著增加训练中运动风险(如：心肺系统崩溃，肌肉及筋膜损伤，横纹肌溶解症等)发生的概率，考虑到现实情境中，周期、循环式分化训练理念在上述群体中影响深远，疲劳下负荷训练实属寻常，因而在本系统中，仍应自广义肌肥大视角对其加以讨论，许多实证研究表明中深度疲劳下，肌肉做功的压力增大，血液中皮质醇等压力激素与压力水平存在显著相关性，此时肌肉往往基于人类长期自然选择之下所形成的自我保护机制，调节部分生化代谢过程，特别是氮元素的代谢(如，氮潴留逆向)，简言之，即：引起倍量于往常的肌肉分解，为增肌带来负面影响。进一步富集资料，对运动后机体可感知疲劳也做了相似量化的规定。(2)对于泵感，大量的经验数据表明，“泵感根植于肌肉记忆”，为一种：如非对一动作达到一定的强化次难以浮现出的习得性训练特征。对于高阶运动者而言，强烈泵感对于肌肉形态塑造意义非凡，是衡量训练实在收益的重要参考指标；对于普通运动者，通过外源的实验设计及运动者对执行者----环境系统的适应，亦得以初步获得泵感体验，但由于所处训练阶段的一般性短板(肌肉耐力差，关节稳定性不足及深层肌群开发程度低)，过度的泵感或将伴随延迟觉察的肌肉损伤，抵抗肌肉的存贮。(3)酸胀感存在相当的个体差异，足量，顺应肌肉特性的刺激即可产生酸痛感，一般存在延迟性，短周期中能够积累，然训后附带恰当的拉伸常可缓解之，减少乳酸堆积，促进恢复。训练学的一个重要信条即是：施加负荷，训后合理摄入营养物质，可激励超量恢复产生。而适当范围内，酸痛感与蛋白质的正向平衡无疑是正相关的。附法则图表：指标一：表3：规律运动者指标一得分标准表指标一(规律训练者)感知评估得分(运动前)得分(运动后)疲劳感无32轻度43中度34强烈23表4：普通运动者指标一得分标准表指标一(普通健康者)感知评估得分(运动前)得分(运动后)疲劳感无41轻度32中度23强烈14指标二：表5：规律运动者指标二得分标准表指标二(规律运动者)感知评估得分(运动前)得分(运动后泵感无22轻微33中等44强烈33表6：普通运动者指标二得分标准表指标三：表7：规律运动者指标三得分标准表表8：普通运动者指标三得分标准表指标三(普通运动者)感知评估得分(运动前)得分(运动后酸痛感无31轻微42中等33强烈24全程训练感受评估：表9：调节系数标准表感知评估调节系数断续0.8正常1流畅1.1沉浸1.2表10：运动刺激得分计算子模块变量表3、考虑到得分分布的均匀性和范围限制，对绝对得分进行正态分布转化，使得置性度为95％，中轴取值为绝对得分最大值。即在分布中，且μ＝(sa)max。转化后的sa为最终运动刺激得分。子模块2.3热量得分计算子模块，周期内每日的热量绝对得分sb通过如下公式获取：其中，所述sm为周期内每日实际热量盈余；wrf为目标增重能量；syn为周期内每日的饮食能量摄入；sym为周期内每日的日常消耗能量；ss为周期内每日的运动消耗能量。所述步骤中周期内每日的饮食能量摄入统过如下公式获取：其中，所述fiei为食物中营养素i摄入能量；ki为参考人体消化率的情况下，摄入单位质量营养素i的能量系数；adii为营养素i摄入量；i取1、2、3……i(i为i的最大值)，现阶段只考虑四种营养素，即：fie1代表食物中碳水化合物摄入能量，fie2代表食物中蛋白质摄入能量，fie3代表脂食物中肪摄入能量，fie4代表食物中膳食纤维摄入能量；adi1代表食物中碳水化合物摄入能量，adi2为蛋白质摄入量，adi3为脂肪摄入量，adi4为膳食纤维摄入量；k1为参考人体消化率的情况下，摄入单位质量碳水化合物的能量系数，一般取值4kcal/g；k2为参考人体消化率的情况下，摄入单位质量蛋白质的能量系数，一般取值4kcal/g；k3为参考人体消化率的情况下，摄入单位质量脂肪的能量系数，一般取值9.6kcal/g；k4为参考人体实际消化率的情况下，摄入单位质量的膳食纤维的能量系数，一般取值2kcal/g。本领域技术人员理解由于食物热效应，摄入的每种宏量营养素产生的净可用热量就变少了(和餐前宏量营养素的标识热量相比)。此外，一些宏量营养素在消化、吸收、运输和存储过程中可能需要消耗更多的能量(即有更大的食物热效应)。具体来说，脂肪、碳水化合物和蛋白质的热效应分别为0％～3％、5％～10％和20％～30％。所述步骤中周期内每日的日常消耗能量sym通过如下公式获取：其中，所述dcej为日常活动j消耗能量，j取1、2……j(j为j的最大值)，现阶段只考虑两种日常活动，即：dce1表示基础代谢消耗能量，dce2表示运动后的日常活动消耗能量。其中，所述bmr为基础代谢率；gr为修正系数，r取1、2……r(r为r的最大值)，现阶段只考虑五种修正系数，即：g1为bmr人种修正系数，g2为bmr疾病修正系数。bmr采用harris-benedict公式，bmr＝α+(β×w)+(γ×h)-(ω×y)其中，所述w为体重，所述h为身高，所述y为年龄。用户性别不同，参数α、β、γ、ω取不同值。基于用户基本信息确定用户的性别，当用户为男性时，α＝66.47、β＝13.75、γ＝5.0033、ω＝6.775；当用户为女性时，α＝655.1、β＝9.563、γ＝1.850、ω＝4.676。进一步地，所述g1为bmr人种修正系数，当用户为亚洲人时g1取值0.95，但当用户非亚洲人时g1取值为1。进一步地，所述g2为bmr疾病修正系数，当用户正常为患有疾病时，一般取值1，其余会根据用户的身体状况的综合评价进行设定。dce2包括两个取值，分别用户为规律运动者的275以及用户为普通运动者的100，基于用户基本信息确定与所述用户基本信息相适应地的dce2代入数值。所述步骤中周期内每日的运动消耗能量ss通过如下公式获取：其中，所述sceq为运动q消耗能量，q取1、2、3……q(q为q的最大值)，现阶段只考虑分为三种运动形式，即：sce1为基础运动消耗能量，sce2为有氧运动消耗能量，sce3为无氧运动消耗能量。所述bmr为基础代谢率；所述gr为修正系数，g1为bmr人种修正系数，g2为bmr疾病修正系数。所述mets为不同有氧运动的身体活动强度，所述w为用户体重，所述t为运动时间，所述aets为不同无氧运动的身体活动强度，所述m为无氧运动组数，所述n为无氧运动每组次数，所述ω为无氧运动单位强度重量。本领域技术人员理解，不同的运动方式对身体不同区域的锻炼效率不一样，分为有氧运动和抗阻训练。所述mets为不同有氧运动的身体活动强度，根据不同的有氧运动方式，mets取值不同，在一优选的实施例中，用户选择篮球运动时，mets的取值为6.5，用户选择健身操时，mets的取值为5，用户在选择减肥操时，mets的取值为6，当用户选择游泳运动时，mets的取值为8，当然地，用户在选择骑自行车、跑步或是其他有氧运动时都会有相应的取值，在此不逐一陈述。所述aets为抗阻运动项目范畴内，随身体活动强度差异而有所不同的衡量指标的根据不同；在一优选的实施例中，用户运动强度较低时，aets的取值为1.5；用户运动强度中等时，aets的取值为2.25；用户运动强度较高时，aets的取值为3.5；当然地，参考用户键入的详细训练内容，可进一步量化，校正抗阻训练能耗。所述wrf通过如下公式获取：wrf＝wwrf*δw其中，wwrf为不同的bmi所对应的单位增重因子，所述δw为一周需要增加的体重。当用户为男性，体脂率(bfr)大于25％时，wwrf＝769kcal/kg；当用户为男性，体脂率小于25％时，wwrf＝485kcal/kg；当用户为女性，体脂率大于35％时，wwrf＝769kcal/kg；当用户为女性，体脂率小于35％时，wwrf＝485kcal/kg。本领域技术人员理解，脂肪细胞由80％脂肪、2％蛋白质、18％水组成，肌肉细胞由27％蛋白质、73％水组成，较胖人群每增加增加1kg体重，增加30％-40％肌肉细胞和0％-70％脂肪细胞，较瘦人群每增加增加1kg体重，增加60％-70％肌肉细胞和30％-40％脂肪细胞。男性体脂率大于25％为较胖人群，女性体脂率大于30％为较胖人群。增肌量每周在113g-675g较为合适。以下列表作为一个实施例描述了男性较胖人群取值情况，其他情况不再次赘述。表11：男性较胖人群取值情况表12：热量得分计算子模块变量表对于子模块2.3热量得分计算子模块获取由子模块2.1用户数据收集子模块提供的用户饮食、运动数据，获取由子模块2.2运动刺激得分计算子模块提供的用户运动状态数据，获取由模块一人群分类模块提供的人群分类参数，进行热量得分计算，得出热量得分。考虑到得分分布的均匀性和范围限制，对绝对得分进行正态分布转化，使得置性度为95％，中轴取值为绝对得分最大值。即在分布中，且μ＝(sb)max。转化后的sb为最终热量得分。模块2.4饮食比例得分计算子模块：所述步骤中周期内每日的饮食比例绝对得分sc通过如下公式获取：其中，所述uh为营养素h绝对得分，νh为营养素h的权重，h取1、2、3……h(h为h的最大值)，现阶段只考虑三种营养素，即：u1代表碳水绝对得分，u2代表蛋白质绝对得分，u3代表脂肪绝对得分；ν1表示碳水权重，ν2表示蛋白质权重，ν3表示脂肪权重。所述步骤中周期内每日营养素h在每日饮食摄入总能量的占比ph通过如下公式获取：其中，所述syn为饮食摄入总能量；所述fieh为食物中营养素h摄入能量，h取1、2、3……h(h为h的最大值)，现阶段只考虑三种营养素，即：fie1代表碳水化合物摄入能量，fie2为蛋白质摄入能量，fie3为脂肪摄入能量；p1表示碳水比例，p2表示蛋白质比例，p3表示脂肪比例。3、当用户为健康者时，每个营养素默认分配了相同的权重，现阶段只考虑3种营养素，即ν1＝ν2＝ν3＝1/3。但是，以考虑个体的差别性，某些营养素可能会占更高的比例。比如，某些训练者患有与饮食有关的慢性疾病，包括心血管疾病，2型糖尿病。通过增加该营养元素的权重，在该营养成分上得分高的用户将在总体饮食比例评分中获得较高的评分，即ν1、ν1、ν1取值与饮食有关的慢性疾病种类有关。表13：营养素摄入标准参考表特别地，一般情况下，碳水化合物的能量摄入比例需在55％～60％内，蛋白质的能量摄入比例需在25％～30％内，脂肪能量摄入比例需在15％～20％内。因此，一般情况下，(p1)min即为55％，(p1)max即为60％，(p2)min即为25％，(p2)max即为30％，(p3)min即为15％，(p3)max即为20％。所述步骤中周期内每日饮食中营养素h的绝对得分uh通过如下公式获取：其中，所述ph为周期内每日营养素h在饮食摄入总能量的占比，h取1、2、3……h(h为h的最大值)，现阶段只考虑三种营养素，即：p1表示碳水比例，p2表示蛋白质比例，p3表示脂肪比例；(ph)min为营养素h在饮食摄入总能量的占比的最小值；(ph)max为营养素h在饮食摄入总能量的占比的最大值。本领域技术人员理解，有明确增肌需求人群的三大宏量营养素在日膳食摄入总能量中的比率应为55％～60％为碳水化合物、25％～30％为蛋白质和15％～20％为脂肪。评估机体全日能量状况时，膳食摄入较总消耗量，盈余比例应不低于15％，供给新组织代谢合成所需。该建议能保证摄入充足的蛋白质来促进肌肉增长，也能摄入充足的碳水化合物来为高强度抗阻训练提供充足的能量，还能够提供适量的脂肪来保证血液中含有充足的睾酮。蛋白质的合成亦需三磷酸腺苷(atp)，故充足的能量令蛋白质合成得以保障。最后，据科学实证研究表明，上述宏量营养素参考配比，符合人体能量代谢规律，兼顾增肌及健康目的。事实上，参考新近、发达国家膳食指南等资料发现，在宏量营养素大比例框架确定的前提下，有待进一步吸纳，数字、逻辑化当代健康的新观点如：(1)蛋白质来源尽量选择鱼类等的高质量动物蛋白；(2)适当以不饱和脂肪酸替代饱和脂肪以助益心血管健康；(3)主食方面，可搭配组合不同血糖负荷的物质，以优化碳水摄入，增进血糖健康。表14：饮食比例得分计算子模块变量表子模块2.4饮食比例得分计算子模块获取由子模块2.1用户数据收集子模块提供的用户饮食数据，获取由模块一人群分类模块提供的人群分类参数，进行饮食比例得分计算，得出饮食比例得分。考虑到得分分布的均匀性和范围限制，对绝对得分进行正态分布转化，使得置性度为95％，中轴取值为绝对得分最大值。即在分布中，且μ＝(sc)max。转化后的sc为最终饮食比例得分。子模块2.5增肌增重综合得分计算模块获取由子模块2.2运动刺激得分计算子模块提供的运动刺激得分，获取由子模块2.3热量得分计算子模块提供的热量得分，获取由子模块2.4饮食比例得分计算子模块提供的饮食比例得分，获取由模块三自适应参数优化模块提供的优化后的综合得分超参数，进行增肌增重综合得分计算，得出用户得分。sw为增肌增重综合得分，计算公式如上式所得。其中，表示增肌增重综合得分系数向量，λ1表示运动刺激得分系数、λ2表示热量得分系数、λ3表示饮食比例得分系数；表示增肌增重综合得分向量，sa表示运动刺激得分、sb表示热量得分、sc表示饮食比例得分；对于通过模块三自适应参数优化模块进行不断优化。对于计算得出的增肌增重综合用户得分sw，不同范围内的用户得分代表不同的增肌增重情况：当0≤sw＜60时，表示用户该阶段身体各激素水平、代谢水平下降，身体为了维持体内平衡状态，增肌增重不明显；当60≤sw＜80时，表示用户该阶段激素、代谢水平和各种代谢适应慢慢恢复，用户达到了新的体重水平，在这个阶段里保持1-2周的时间，重新建立与食物之间的关系，保持热量摄入和热量盈余，增肌增重提升显著；当80≤sw＜100时，表示用户该阶段增肌增重情况稳定。表15：增肌增重情况表用户得分sw增肌增重情况0～60激素水平、代谢水平下降，增肌增重不明显60～80激素、代谢水平和各种代谢适应慢慢恢复，增肌增重提升显著80～100增肌增重情况稳定表16：增肌增重综合得分计算模块变量表变量名变量含义变量单位变量取值sw增肌增重综合得分分0100λ1运动刺激得分系数分01λ2热量得分系数分01λ3饮食比例得分系数分01sa运动刺激得分分0100sb热量得分分0100sc饮食比例得分分0100模块三得分超参数自适应优化模块对于模块三得分超参数自适应优化模块，子模块数据流图如图4所示。自适应参数优化模块包括两个子模块，分别为用户数据收集子模块、得分超参数自适应优化计算子模块。子模块3.1用户数据收集子模块获取由用户提供的增肌增重变化量数据，获取由模块二增肌增重得分模块提供的用户得分，进行用户数据收集；子模块3.2得分超参数自适应优化计算子模块获取由子模块3.1用户数据收集子模块提供的得分超参数优化所需用户数据，进行得分超参数自适应优化计算，得出优化后的综合得分超参数。参考图4：得分超参数自适应优化模块数据流图子模块3.1用户数据收集子模块获取由用户提供的增肌增重变化量数据δm，获取由模块二增肌增重得分模块提供的用户得分sw，进行用户数据收集。表17：用户数据收集子模块变量表变量名变量含义变量单位变量取值δm每周增肌增重变化量kg/sw增肌增重综合得分分0-100子模块3.2得分超参数自适应优化计算子模块获取由子模块3.1用户数据收集子模块提供的得分超参数优化所需用户数据，进行得分超参数自适应优化计算，得出优化后的综合得分超参数。得分超参数自适应优化子模块采用特征选择方法评估每个输入变量与目标变量之间的关系，得出最适权重。此处采取皮尔逊相关系数得出饮食比例得分sa、运动刺激得分sb、热量得分sc和增肌增重变化量sδm得分的关系，即：其中，增肌增重变化量得分sδm由子模块3.1用户数据收集子模块得出，计算式为：考虑到得分分布的均匀性和范围限制，对sδm进行正态分布转化，转化方式为对sδm进行正态分布转化，使得置性度为95％，中轴取值为(sδm)max。即在分布中，且μ＝(sδm)max。转化后的sδm为最终饮食比例得分。的确定方式为各相关系数占总相关系数和的比重，计算式为：随着用户数据不断增多，可以通过比较真实值与测量值之间的差值，并将其作为优化参数的标准以进行参数优化，误差计算式为：其中，为超参数向量下sδm与sw的误差。随机划分训练集和测试集，并使用梯度下降算法不断更新参数。超参数向量更新公式为：其中，是参数的梯度，η为学习速率。当最小化时，增肌增重综合得分超参数向量为全局最优值。表18：得分超参数自适应优化计算子模块变量表在具体实例中，有一用户初始得分参数为ρ1＝0.4，ρ2＝0.3，ρ3＝0.3，经周期性数据导入模块三进行修正后，得分参数优化为ρ1＝0.35，ρ2＝0.35，ρ3＝0.3。当前第1页12

网址：一种多模块智慧健康管理信息系统的制作方法 https://www.yuejiaxmz.com/news/view/1252812

相关内容

一种智慧家庭生活管理系统的制作方法
一种智能健康管理系统的制作方法
一种基于人工智能的健康管理系统的制作方法
一种基于机器人的智慧家庭生活管理系统的制作方法
一种交互式智能健康管理系统的制作方法
一种智能个人健康生活管理系统的制作方法
一种智能健康管家系统的制作方法
一种基于智慧管理平台的节能管理系统的制作方法
一种老人健康智能监测系统的制作方法
智能健康管理信息系统

随便看看