一种基于饮食习惯推导高血压的系统、设备及存储介质

技术领域

本发明涉及健康管理领域，尤其涉及一种基于饮食习惯推导高血压的系统、设备及存储介质。

背景技术

研究表明，高血压发病的原因比较复杂，导致高血压的诱因很多。1、年龄因素：高血压发病与年龄有一定的关系。高血压发病的年龄高峰为40岁以后。人步入中年以后，肾气逐渐衰弱，肝肾不足，肝阳容易亢盛，所以容易患高血压；2、遗传因素：高血压具有明显的家族聚集性，约60％的高血压患者有高血压家族史；3、生活习惯因素：俗话说“病从口入”，膳食结构不合理，食用过多的钠盐、低钾饮食、大量饮酒、摄入过多的脂肪、胆固醇及高热量饮食均可使血压升高。抽烟、熬夜可加速动脉粥样硬化的过程，成为诱发高血压的危险因素；4、其他因素：肥胖、静坐不动，紧张，焦虑，工作压力大、药物影响(避孕药、激素、消炎止痛药等均可影响血压)等不良行为方式均可诱发高血压。

饮食因素是导致高血压的高危因素之一，需要针对高血压进行精细化的饮食管理，然而传统诊疗方式无法根据饮食因素高效的对高血压风险进行预测。

发明内容

有鉴于此，本发明提出了一种基于饮食习惯推导高血压的系统、设备及存储介质，用于基于饮食习惯对高血压风险进行准确预测，便于针对高血压风险进行日常饮食管理。

本发明第一方面，公开一种基于饮食习惯推导高血压的系统，所述系统包括：

饮食检测模块：用于获取用户信息及连续时间段内的饮食数据，提取用户高血压相关元素的摄入情况；

数据集模块：用于获取不同人群连续时间段内的饮食情况，提取用户特征，以是否患有高血压为标签制作样本数据集；

模型构建模块：用于构建多层感知模型，基于样本数据集训练多层感知模型；

风险预测模块：用于将用户信息及高血压相关元素的摄入情况输入多层感知模型，预测出的用户患高血压的风险指数。

优选的，所述用户信息包括年龄、性别，体重、身高、酗酒史，抽烟史、家族遗传史；高血压相关元素包括蛋白质、脂肪、胆固醇、盐、热量。

优选的，所述数据集模块还用于：

根据不同人群连续时间段内的饮食情况提取用户高血压相关元素的摄入情况，并分别与标准摄入量比较，判断出高血压相关元素的摄入是否异常。

优选的，所述用户特征为：年龄，性别，热量摄入量，脂肪摄入量，胆固醇摄入量，盐摄入量，蛋白质摄入量，是否肥胖，高血压遗传史，抽烟史，酗酒史。

优选的，所述模型构建模块中，通过多层感知器构建多层感知模型，多层感知器包括输入层，一个输出层和一个或多个隐藏层；层与层之间是全连接的，上一层的任何一个神经元与下一层的所有神经元都有连接。

优选的，训练多层感知器的过程中，使用梯度下降法进行参数优化。

优选的，所述模型构建模块中，通过Adaboost算法构建多层感知模型，以多个多层感知器作为Adaboost算法的弱分类器，通过样本数据集训练每个弱分类器的权重，组成一个强分类器作为多层感知模型。

本发明第二方面，公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；

其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；

所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现如本发明第一方面所述的系统。

本发明第三方面，公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机实现本发明第一方面所述的系统。

本发明相对于现有技术具有以下有益效果：

1)本发明针对高血压的主要诱因进行分析，评估用户连续时间段内的饮食行为，让用户可以快速方便的了解自身营养素的摄入情况，并对不良的饮食行为给予科学合理的饮食风险预测，通过饮食行为预测患高血压的风险指数，帮助用户进行精细化的饮食管理和高血压风险管控。

2)本发明通过多层感知器和/或Adaboost算法构建了多层感知模型，以多个多层感知器作为Adaboost算法的弱分类器，通过用户信息和影响高血压的特征元素训练每个弱分类器的权重，组成一个强分类器作为多层感知模型，实现高血压的智能认知和预测，提高预测精度。

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为本发明的基于饮食习惯推导高血压的方法流程图。

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。

请参阅图1，本发明提出一种基于饮食习惯推导高血压的系统，所述系统包括：

饮食检测模块10：用于获取用户信息及连续时间段内的饮食数据，提取用户高血压相关元素的摄入情况；

所述用户信息包括年龄、性别，体重、身高、酗酒史，抽烟史、家族遗传史；高血压相关元素包括蛋白质、脂肪、胆固醇、盐、热量。

数据集模块20：用于获取不同人群连续时间段内的饮食情况，提取用户特征，以是否患有高血压为标签制作样本数据集；

具体的，提取的用户特征包括所述用户信息和所述高血压相关元素，具体包括：年龄，性别，热量摄入量，脂肪摄入量，胆固醇摄入量，盐摄入量，蛋白质摄入量，是否肥胖，高血压遗传史，抽烟史，酗酒史等根据不同人群连续时间段内的饮食情况提取用户高血压相关特征元素的摄入情况，并分别与标准摄入量比较，判断出高血压相关元素的摄入是否异常。

模型构建模块30：用于构建多层感知模型，基于样本数据集训练多层感知模型；

本发明构建多层感知模型的方式有两种：

第一种是直接通过多层感知器构建多层感知模型，多层感知器包括输入层，一个输出层和一个或多个隐藏层；层与层之间是全连接的，上一层的任何一个神经元与下一层的所有神经元都有连接，使用梯度下降法进行参数训练和优化。

第二种是通过Adaboost算法构建多层感知模型，以多个多层感知器作为Adaboost算法的弱分类器，通过样本数据集训练每个弱分类器的权重，组成一个强分类器作为多层感知模型。

风险预测模块40：用于将用户信息及高血压相关元素的摄入情况输入多层感知模型，预测出的用户患高血压的风险指数。

下面结合具体实例对本发明的技术方案例，如：男，53岁，身高178cm，体重75KG，有抽烟史，无酗酒史，无高血压家族遗传史，获取用户信息及连续时间段内的饮食数据，提取用户高血压相关元素的摄入情况，这些特征元素包括胆固醇、蛋白质、脂肪、热量及盐的摄入情况(高、正常、低)，利用多层感知模型预测患高血压风险指数。

1、特征元素总摄入量计算：获取用户连续180天的饮食数据，对照食物营养元素表中每种食物营养元素含量，分别加权计算出180天的胆固醇总摄入量D

2、特征元素的摄入情况计算：根据特征元素每日标准摄入量，分别计算出180天胆固醇的标准摄入量D

3、训练多层感知模型：本实施例中采用多层感知器(MLP)算法，它由一个输入层，一个输出层和一个或多个隐藏层组成。最底层是输入层，中间是隐藏层，最后是输出层。层与层之间是全连接的，上一层的任何一个神经元与下一层的所有神经元都有连接。比如输入是一个n维向量，就有n个神经元。每个神经元上面都有对于一个输入的权值，以及一个偏置，还有一个激活函数。一个神经网络训练网将一个特征属性转换成特征向量(权重/连接系数)作为输入，将该向量传递到隐藏层，然后通过权重和激励函数来计算结果，并将结果传递给下一层，直到最后传递给输出层才结束。

假设输入层用向量X表示，则隐藏层的输出就是s(W

训练多层感知器(MLP)公式：

f(x

X＝{x

4、多层感知模型预测高血压风险指数：将步骤2计算结果及用户录入信息构建用户特征属性，作为待分类项，利用多层感知模型对其进行预测，可以得到患高血压类的概率和未患高血压类的概率，两个比较，概率值大的即为所属类别。

本发明还公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现本发明前述的基于饮食习惯推导高血压的系统。

本发明还公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机实现本发明实施例所述的基于饮食习惯推导高血压的系统全部或部分模块。所述存储介质包括：U盘、移动硬盘、只议存储器ROM、随机存取存储器RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以分布到多个网络单元上。可以根据实际的衙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。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

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。