一种基于患者案例推理和食物图像分割的智能膳食推荐方法
文献发布时间：2024-04-18 20:01:55
技术领域
本发明属于健康管理技术领域，具体涉及一种基于患者案例推理和食物图像分割的智能膳食推荐方法。
背景技术
人类不仅要通过摄入足够的营养从而得到能量来维持其生命活动，并且还需要适量的营养和微量元素来保持健康状态。然而随着社会的快速发展与生活节奏的加快，人们的饮食越来越不健康，这种营养元素摄入不均衡的饮食结构导致一部分人的身体呈现亚健康的状态，以至于各种疾病的产生。因此，现在急需一种高效且准确的方法来帮助人们改变自己的饮食状况，并提供一种有效的营养跟踪方法。一个新的难题是难以提供目标患者用户的最佳营养摄入目标值。但通过数据积累，可以获得大量用户的健康状态下的营养摄入数据。如何有效利用这些积累的患者案例数据，确定目标患者用户的最佳营养摄入值成为新的技术关键。
目前，常用的膳食摄入信息获取工具包括称重法、膳食回顾和食物频率法(foodfrequency questionnaire，FFQ)。称重法要求对每种食物用餐前后都进行称量，从而获得食物种类和份量的信息，但这种方法适用范围有限。膳食回顾不适用于较长时间的随访和营养调查。但饮食对健康的影响需要一个长期的过程才能显现。因此，传统的饮食调查方法并不十分实用，例如称重法操作较为繁琐而且在日常生活中使用频率不高。为了解决这些问题，急需针对患者营养摄入值值，提供一种具有新的高效性膳食跟踪和目标营养推荐方法。
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患者案例推理和食物图像分割的智能膳食推荐方法，该方法包括：
S1：获取用户待摄入食物图片和电子健康档案数据；
S2：验证食物图片中的食物的完整性，验证电子健康档案数据的真实性；
S3：将验证后的食物图片输入到训练后的语义分割模型，得到分割后的图像；
S4：根据分割后的图像轨迹用户摄入食物的种类以及食物生材体积，根据食物种类以及食物生材体积估计图像中食物的生重以及营养元素；
S5：设置误差阈值，根据食物生材体积计算均方根误差，将误差与误差阈值进行对比，若大于误差阈值，则返回步骤S4；否则输出摄入的食物生材体积、生重以及营养元素；
S6：对电子健康档案数据预处理，得到用户特征数据；
S7：构建数据库，设置相似度阈值；将用户特征数据与数据库进行K-D树检索，并计算用户特征数据与数据库中数据的相似度，若相似度大于设置的相似度阈值，则将执行S8，否则执行S9；
S8：对相似度最大的用户特征数据数据所对应的饮食方案进行调整，根据调整后的方案输出用户每日营养元素推荐摄入量；
S9：设置目标推荐方案，根据目标推荐方案获取用户每日营养元素推荐摄入量，并将目标推荐方案存储到数据库中；
S10：根据摄入的食物生材体积、生重、营养元素以及用户每日营养元素推荐摄入量构建多目标规划模型，不断调整模型参数，当模型参数最优时，输出最优的饮食配餐方案。
本发明的有益效果：
本发明采用案例推理技术，通过新患者用户的健康指数数据与案例库的数据进行基于相似度的案例推理，得到新患者用户的最佳营养摄入目标值；从已有的数据库中调用符合患者特征数据的饮食方案，得到了用户每天需要摄入的食物种类、生重、营养元素含量，这些获取的数据相较于一般的专家给出方案的方法更加方便，并且其准确率也十分高；本发明首先采用图像识别技术对多视图的食物图像进行分割，将食物生材从图像中分离出来。在这个过程中，得到了用户摄入的食物种类、生重、营养元素含量，这些获取的数据相较于一般的测定方法更加准确且全面，尽可能的还原了用户的真实摄入量；本发明构建的多目标优化模型对于实际摄入量，结合案例推理得到的饮食方案以及个性化需求给出了最优的饮食配餐方案相较于先前的饮食推荐给出了最适合该用户且满意度最高的配餐方案，真正实现了对用户营养摄入跟踪和饮食健康的个体化推荐，达到保护健康的目的。
附图说明
图1为本发明的基于患者案例推理和食物图像分割的智能膳食推荐方法的具体流程图；
图2为本发明的图像识别分析流程图；
图3为本发明的语义分割模型处理图像的流程图；
图4为本发明的多目标优化算法流程图；
图5为本发明的高度比例系数计算示意图；
图6为本发明的面积比例系数计算示意图；
图7为本发明的体积计算流程图；
图8为本发明的方案推荐流程；
图9为本发明的数据进行K-D树排序图；
图10为本发明的方案检索排序操作图；
图11为本发明的方案推理流程图。
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。
一种基于患者案例推理和食物图像分割的智能膳食推荐方法，如图1所示，该方法包括：
S1：获取用户待摄入食物图片和电子健康档案数据；
S2：验证食物图片中的食物的完整性，验证电子健康档案数据的真实性；
S3：将验证后的食物图片输入到训练后的语义分割模型，得到分割后的图像；
S4：根据分割后的图像轨迹用户摄入食物的种类以及食物生材体积，根据食物种类以及食物生材体积估计图像中食物的生重以及营养元素；
S5：设置误差阈值，根据食物生材体积计算均方根误差，将误差与误差阈值进行对比，若大于误差阈值，则返回步骤S4；否则输出摄入的食物生材体积、生重以及营养元素；
S6：对电子健康档案数据预处理，得到用户特征数据；
S7：构建数据库，设置相似度阈值；将用户特征数据与数据库进行K-D树检索，并计算用户特征数据与数据库中数据的相似度，若相似度大于设置的相似度阈值，则将执行S8，否则执行S9；
S8：对相似度最大的用户特征数据数据所对应的饮食方案进行调整，根据调整后的方案输出用户每日营养元素推荐摄入量；
S9：设置目标推荐方案，根据目标推荐方案获取用户每日营养元素推荐摄入量，并将目标推荐方案存储到数据库中；
S10：根据摄入的食物生材体积、生重、营养元素以及用户每日营养元素推荐摄入量构建多目标规划模型，不断调整模型参数，当模型参数最优时，输出最优的饮食配餐方案。
基于患者案例推理和食物图像分割的智能膳食推荐方法和系统，包括获取用户的多视图食物图像；对用户的食物图像进行分割，计算得到食物生材的体积；结合食物平均标准密度得到食物的生重，并判断误差，误差过大需要调整模型重新计算食物生材体积，误差较小可进入下一步；结合不同重量食物标准营养元素含量得到用户实际的营养元素摄入量；对用户提交的身体数据进行案例推理，得到用户每日最佳饮食方案；将用户实际摄入的营养元素含量、用户每日营养推荐摄入量、备选菜品的限制数量、每日食用菜品的限制重量输入到多目标优化模型中进行求解，得到最优的配餐方案，不满意配餐方案可再次推荐；将以上过程集成到智能营养推荐系统，用户可以在系统功能中快捷完成。
通过相似度检测在构建案例库时进行案例库冗余删除的具体过程包括：将原案例集合中每个案例进行两两检测，设置相似度阈值，若检测结果大于相似度阈值，则删除其中之一；若检测结果小于相似度阈值，则保留两个案例。其中案例集合按照优先级进行排序，如图10所示。
通过案例推理得到用户日常推荐营养摄入量量的具体过程包括：
步骤1：将用户上传的患者特征数据进行数据离散化，对于目标属性h＝h
步骤2：将离散化的数据作为目标案例在排序好的数据库中进行案例检索，将查询数据Q从根节点开始，按照Q与各个节点的比较结果向下遍历，大于比较属性向右节点遍历，小于比较属性向左节点遍历，直到到达叶子节点为止。到达叶子节点时，计算Q与叶子节点上保存的所有数据之间的距离，记录最小距离对应的数据点，假设当前最邻近点为p_cur，最小距离记为d_cur；进行回溯操作，该操作的目的是找离Q更近的数据点，即在未访问过的分支里，是否还有离Q更近的点，它们的距离小于d_cur。
步骤3：将得到最近的节点作为相似案例进行相似度计算，将目标案例的坐标c
其中，w
步骤4：通过相似度与阈值比较，相似度大于阈值则将相似案例的方案写入优先级最高组X
如图8和图11所示，一种营养膳食推荐方案，具体包括：设置相似度阈值，获取用户数据，并对数据进行预处理；通过手机终端将预处理后的数据上传到数据库中进行案例检索，并进行相似度判断，若相似度大于设置的相似度阈值，则对数据库中的相似案例进行调整后输出，若相似度小于阈值则由专家对于目标案例给出方案作为输出，并且将此案例入库。
构建历史患者的膳食案例案例库的过程具体包括：
在此使用的是K-D树将已有的特征数据进行排序，例如现在有七个二维数据(a,b)，(c,d)，(e,f)，(g,h)，(i,j)，(k,l)，(m,n)设a 对用户食物图像进行分割的过程具体包括： 逻辑流程：用户拍照上传食物多视图图片，对于食物图片分割计算得到食物生材体积、生重、营养成分，为后续智能推荐提供准确的数据，如图2。 详细过程：根据提供食物数据集，使用语义分割模型对目标图像分割，目标在于获取目标体积算计的相关数据。分割图像数据使用P 其中，p 每层卷积由softmax()函数进行激活，损失函数E使用交叉熵函数，表示第k个特征通道上的激活函数。 其中，w(x)表示权重，w 其中，p是经过softmax()处理后的输出值，l：Ω→{1,2,...,k}表示每个像素的真实标签，p 对分割图像进行体积计算的具体过程包括：根据模型输入的图片为x 计算食物体积的过程包括： 步骤1：将P G＝R·0.299+G·0.587+B·0.114 其中，R、G、B表示图片中的三种颜色通道。 步骤2：将G 其中L,K∈(0,255) 其中，L,K表示设置的阈值，用来转换将分割图片P 步骤3：分别计算B 其中，S 其中，α 步骤4：H S 其中，λ 步骤5：计算近似体积为V＝H 根据分割图像的计算体积得到实际摄入重量、营养元素含量的具体过程包括：收集整理的食物平均标准密度、标准营养成分数据，根据计算的食物生材体积，令当前食物的密度为ρ m f 将数据输入模型得到最优配餐方案的具体过程包括：在前一步图像分割得到用户食用食物质量、营养成分后，结合用户自身所需的营养成分等通过案例推理得到的信息，以及影响推荐结果的食物营养成分表、膳食标准数据表、菜品营养成分表等多项因素进行优化求解，给出最优的饮食推荐方案，并按一定的标准对配餐结果进行评价，如图4。 智能营养推荐决策系统定义为一个六元组(X,A,B,Y,F,C)，其中决策变量义表示决策主体(如患者或某些特定人群)选择摄入的某种食物量，常数A表示该食物的属性(相关营养素)，常数B表示营养摄入参考值或医嘱建议的营养摄入值(医学知识中表示为RNI)。观测数据Y表示用户实际摄入的食物类别(分类变量)，观测数据F表示用户实际摄入的食物数据(实际营养摄入，医学知识中表示为ANI),协变量C表示决策主体的相关信息或偏好(如性别和年龄等信息).该系统的观测数据可表示为(x,a,b,y,f,c)，其中类别y是转化为类别数据类型的值，在该系统中，决策变量值x需要建模求解(重量单位g),常数a和b从案例推理中获取(重量单位g)，数据y从食物图像分类中获取食物类别，数据f从食物图像分割中获取的实际营养摄入值(重量单位g)，数据c从用户系统中获取，为方便起见，将每一个摄入营养素含量与需要摄入的食物重量x 构建矩阵A＝A 每一个列向量A 为了建立合理的数学模型，对营养膳食多目标优化问题提出了以下几点作为该问题的约束条件：(1)假定患者所摄入的营养素满足患者对营养素的要求且中间所吸收的营养素无流失现象。(2)患者所食用的菜品满足营养学上每日应该食用的标准。(3)患者所食用的菜品种类能够达到较高的满意度。 营养评价还包括膳食营养评价。膳食营养评价是指健康人群膳食营养素摄入量与国家参考标准进行比较，常用的评价指标为达标率。在理想情况下，用户摄入食物当中所含的营养元素和推荐摄入量相等，基于上述的定义，由此可以得到以下公式： x 对上述公式进行化简，化简后的公式为： AX＝B 其中，RNI为医嘱推荐摄入量，x 记j种营养素的实际摄入量为f 但现实情况中，用户所实际摄入的食物营养ANI与目标推荐量RNI之间一定会存在差距。现引入偏差量d 偏差量包括正偏差量和负偏差量，计算的表达式为： 正偏差量为： 负偏差量为： 其中，f 由于用户各营养素(如脂肪和饱和脂肪酸指数)的推荐摄入量并非固定值，根据实际情况，引入偏差变量，表示与理想推荐摄入量的偏差。假设正偏差变量d 智能营养推荐的平衡约束条件包括：每日摄入营养素的平衡约束、日所食用重量的平衡约束以及食用菜品种类的平衡约束；其表达式为： 摄入营养素的平衡约束表达式为： f 其中，f 每日所食用重量的平衡约束： 其中，w(x)表示所食用菜品的总重量；x 食用菜品种类的平衡约束：设置菜品种类示性函数 食物当中有很多种营养素，人体需要的营养素更是有数十种甚至上百种，不同营养素(如脂肪和饱和脂肪酸指数)的重要程度不同。在判定套餐优劣时优先满足重要营养素需要的套餐更优，在优先营养素目标已经满足的基础上，才考虑比较低优先级的对应营养素满足情况，比如能量、碳水化合物、脂肪、蛋白质三大营养素优先级较高。优先因子也称为优先等级，用P 由于目标规划的目标是让各个偏差变量达到最小化，即尽量接近各个既定目标值，因此目标函数采用极小化形式。 综合多目标优化问题的符号定义、实际问题分析和人群特定营养问题的建模假设，以及多目标优化问题的约束条件，则营养膳食多目标优化问题的数学模型表示为： 其中，P 这一优化模型考虑了每日摄入营养素的平衡约束，每日所食用食物的平衡约束，食用菜品种类的平衡约束，并以医嘱推荐营养素摄入量作为最优的摄入推荐量，以此作为标准评价该饮食是否需要改善。同时，还加入了各营养素(如脂肪和饱和脂肪酸指数)的总摄入量的范围约束和营养素的总摄入约束，保证了模型判别更接近于实际饮食套餐营养素情况。 配餐评价作为对配餐结果的评估，可以通过下列式子进行定义： 其中L 建立智能营养跟踪系统包括：用户可以通过拍照上传食物图像与患者特征数据，并确认图片是否清晰、视图是否正确、患者特征数据是否符合要求等。如果图片与患者特征数据任意一个不满足要求，则可以选择重新拍照上传食物图像。如果图片与患者特征数据满足要求，则可以对上传的食物图像的进行分割识别以及对患者特征数据进行案例检索。首先，通过对多视图图片的识别与计算，得到食物大致的底面积与平均高度，进而估计食物体积V，并结合食物的平均标准密度ρ，根据公式m＝ρV预测出食物重量。然后，将用户上传的数据通过数据预处理得到目标案例的离散形式(x 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。