一种基于深度学习的健康评估方法及系统与流程

所属的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。需要说明的是，上述实施例提供的系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

背景技术：

1、健康风险评估是一种方法或工具，用于描述和评估某一个体未来发生某种特定疾病或因为某种特定疾病导致死亡的可能性，这种分析过程目的在于估计特定时间发生的可能性，而不在于做出明确的诊断，而健康风险评估一般都需要专业的机构评估，在对于一些老、弱、病、残人士来说非常的不方便。

2、公开号为cn114220513a公开了一种老年健康评估系统，运行于计算机装置中，所述系统包括：健康档案管理模块，用于输入或导入用户的病历、体检、健康史并生成针对该用户的健康档案，所述健康档案包括多个特征属性；慢性病评估模块，用于将部分所述特征属性输入预设的健康评估模型，并输出用户未来可能患慢性病的种类；综合评估模块，用于将所述特征属性输入预设的健康评估体系，并输出用户健康状况的综合评估；评估结果生成模块，用于将慢性病评估模块和综合评估模块得到的评估报告自动输入到健康档案管理模块中，并自动更新针对该用户的健康档案。

3、但是，现有技术中的健康评估系统单一，对于健康评估存在局限。

技术实现思路

1、本发明的目的是提供一种基于深度学习的健康评估方法及系统，本发明通过建立历史健康数据模型，与实时采集到的饮食数据进行比对查询，根据查询结果可以在短时间内快速对健康值进行评估，提高评估效率。

2、为了实现上述目的，本发明提供了如下的技术方案：

3、一种基于深度学习的健康评估方法，包括:

4、获取用户在未来的预设时间内的饮食数据，所述饮食数据包括进食时间t、进食速度v以及新陈代谢量r；

5、获取所述用户的若干个历史饮食数据，所述历史饮食数据包括在预设时间内的历史进食时间、历史进食速度、历史新陈代谢量以及历史健康值，并根据若干个所述历史饮食数据建立历史健康数据模型；其中，

6、所述历史健康数据模型内包括有若干个与所述历史进食时间、所述历史进食速度以及所述历史新陈代谢量相对应地所述历史健康值的若干个数据集合；

7、根据所述饮食数据与所述历史健康数据模型，查询是否存在与所述饮食数据相对应地所述数据集合中的所述历史进食时间、所述历史进食速度以及所述历史新陈代谢量，并根据查询结果确定所述用户在未来的预设时间内的健康值；其中，

8、当存在与所述饮食数据相对应地所述数据集合中的所述历史进食时间、所述历史进食速度以及所述历史新陈代谢量时，将相对应地所述历史健康值作为所述用户在未来的预设时间内的健康值；

9、当不存在与所述饮食数据相对应地所述数据集合中的所述历史进食时间、所述历史进食速度以及所述历史新陈代谢量时，根据所述饮食数据计算确定所述用户在未来的预设时间内的健康值，将计算得到的所述健康值以及所述饮食数据建立集合，并将所述集合输入至所述历史健康数据模型。

10、在本技术的一些实施例中，预先设定有预设进食时间矩阵t0和预设评估健康值矩阵a，对于所述预设评估健康值矩阵a，设定a(a1,a2,a3,a4)，其中a1为第一预设评估健康值，a2为第二预设评估健康值，a3为第三预设评估健康值，a4为第四预设评估健康值；

11、对于所述预设进食时间矩阵t0，设定t0(t01,t02,t03,t04),其中，t01为第一预设进食时间，t02为第二预设进食时间，t03为第三预设进食时间，t04为第四预设进食时间，且t01＜t02＜t03＜t04；

12、当不存在与所述饮食数据相对应地所述数据集合中的所述历史进食时间、所述历史进食速度以及所述历史新陈代谢量时，根据t与所述预设进食时间矩阵t0之间的关系选定相应地评估健康值作为所述用户在未来的预设时间内的健康值；

13、当t＜t01时，选定所述第一预设评估健康值a1作为所述用户在未来的预设时间内的健康值；

14、当t01≤t＜t02时，选定所述第二预设评估健康值a2作为所述用户在未来的预设时间内的健康值；

15、当t02≤t＜t03时，选定所述第三预设评估健康值a3作为所述用户在未来的预设时间内的健康值；

16、当t03≤t＜t04时，选定所述第四预设评估健康值a4作为所述用户在未来的预设时间内的健康值。

17、在本技术的一些实施例中，预先设定有预设进食速度矩阵n0和预设评估健康值修正系数矩阵b，对于所述预设评估健康值修正系数矩阵b，设定b(b1,b2,b3,b4)，其中b1为第一预设评估健康值修正系数，b2为第二预设评估健康值修正系数，b3为第三预设评估健康值修正系数，b4为第四预设评估健康值修正系数，且0.8＜b1＜b2＜b3＜b4＜1；

18、对于所述预设进食速度矩阵n0，设定n0(n01,n02,n03,n04),其中，n01为第一预设进食速度，n02为第二预设进食速度，n03为第三预设进食速度，n04为第四预设进食速度，且n01＜n02＜n03＜n04；

19、当不存在与所述饮食数据相对应地所述数据集合中的所述历史进食时间、所述历史进食速度以及所述历史新陈代谢量时，根据v与所述预设进食速度矩阵n0之间的关系选定相应地评估健康值修正系数以对各评估健康值进行修正；

20、当v＜n01时，选定所述第四预设评估健康值修正系数b4对所述第一预设评估健康值a1进行修正，修正后的评估健康值为a1×b4；

21、当n01≤v＜n02，选定所述第三预设评估健康值修正系数b3对所述第二预设评估健康值a2进行修正，修正后的评估健康值为a2×b3；

22、当n02≤v＜n03，选定所述第二预设评估健康值修正系数b2对所述第三预设评估健康值a3进行修正，修正后的评估健康值为a3×b2；

23、当n03≤v＜n04，选定所述第一预设评估健康值修正系数b1对所述第四预设评估健康值a4进行修正，修正后的评估健康值为a4×b1。

24、在本技术的一些实施例中，预先设定有预设新陈代谢量矩阵w0和预设评估健康值二次修正系数矩阵c，对于所述预设评估健康值二次修正系数矩阵c，设定c(c1,c2,c3,c4)，其中c1为第一预设评估健康值二次修正系数，c2为第二预设评估健康值二次修正系数，c3为第三预设评估健康值二次修正系数，c4为第四预设评估健康值二次修正系数，且1＜c1＜c2＜c3＜c4＜1.2；

25、对于所述预设新陈代谢量矩阵w0，设定w0(w01,w02,w03,w04),其中，w01为第一预设新陈代谢量，w02为第二预设新陈代谢量，w03为第三预设新陈代谢量，w04为第四预设新陈代谢量，且w01＜w02＜w03＜w04；

26、当不存在与所述饮食数据相对应地所述数据集合中的所述历史进食时间、所述历史进食速度以及所述历史新陈代谢量时，根据r与所述预设新陈代谢量矩阵w0之间的关系选定相应地评估健康值二次修正系数以对修正后的各评估健康值进行二次修正；

27、当r＜w01时，选定所述第一预设评估健康值二次修正系数c1对修正后的所述第一预设评估健康值a1进行二次修正，二次修正后的评估健康值为a1×b4×c1；

28、当w01≤r＜w02，选定所述第二预设评估健康值二次修正系数c2对修正后的所述第二预设评估健康值a2进行二次修正，二次修正后的评估健康值为a2×b3×c2；

29、当w02≤r＜w03，选定所述第三预设评估健康值二次修正系数c3对修正后的所述第三预设评估健康值a3进行二次修正，二次修正后的评估健康值为a3×b2×c3；

30、当w03≤r＜w04，选定所述第四预设评估健康值二次修正系数c4对修正后的所述第四预设评估健康值a4进行二次修正，二次修正后的评估健康值为a4×b1×c4。

31、在本技术的一些实施例中，当存在与所述饮食数据相对应地所述数据集合中的所述历史进食时间、所述历史进食速度以及所述历史新陈代谢量时，还包括：

32、确定与所述饮食数据相对应地所述历史进食时间、所述历史进食速度以及所述历史新陈代谢量所对应地所述数据集合的数量l，当l≥2时，计算与所述饮食数据相对应地若干个所述数据集合中的所述历史健康值的平均值i，并确定各所述历史健康值与所述平均值i的差值u，根据所述平均值i以及所述差值u确定最终评估健康值，并将所述最终评估健康值作为所述用户在未来的预设时间内的健康值；其中，

33、当各所述历史健康值与所述平均值i的所述差值u均为0时，将所述平均值i确定为所述最终评估健康值，并作为所述用户在未来的预设时间内的健康值；

34、当所述历史健康值与所述平均值i的所述差值u为正数的数量大于所述数据集合的数量l的1/2时，将所述平均值i乘以第一预设系数g1，并将i×g1确定为所述最终评估健康值，并作为所述用户在未来的预设时间内的健康值；

35、当所述历史健康值与所述平均值i的所述差值u为正数的数量等于所述数据集合的数量l的1/2时，将所述平均值i乘以第二预设系数g2，并将i×g2确定为所述最终评估健康值，并作为所述用户在未来的预设时间内的健康值；

36、当所述历史健康值与所述平均值i的所述差值u为正数的数量小于所述数据集合的数量l的1/2时，将所述平均值i乘以第三预设系数g3，并将i×g3确定为所述最终评估健康值，并作为所述用户在未来的预设时间内的健康值；且1＞g1＞g2＞g3＞0.9。

37、为了实现上述目的，本发明还相应地提供了一种基于深度学习的健康评估系统，应用于所述的基于深度学习的健康评估方法中，包括：

38、获取模块，用于获取用户在未来的预设时间内的饮食数据，所述饮食数据包括进食时间t、进食速度v以及新陈代谢量r；

39、处理模块，用于获取所述用户的若干个历史饮食数据，所述历史饮食数据包括在预设时间内的历史进食时间、历史进食速度、历史新陈代谢量以及历史健康值，并根据若干个所述历史饮食数据建立历史健康数据模型；其中，

40、所述历史健康数据模型内包括有若干个与所述历史进食时间、所述历史进食速度以及所述历史新陈代谢量相对应地所述历史健康值的若干个数据集合；

41、评估模块，用于根据所述饮食数据与所述历史健康数据模型，查询是否存在与所述饮食数据相对应地所述数据集合中的所述历史进食时间、所述历史进食速度以及所述历史新陈代谢量，并根据查询结果确定所述用户在未来的预设时间内的健康值；其中，

42、当存在与所述饮食数据相对应地所述数据集合中的所述历史进食时间、所述历史进食速度以及所述历史新陈代谢量时，将相对应地所述历史健康值作为所述用户在未来的预设时间内的健康值；

43、当不存在与所述饮食数据相对应地所述数据集合中的所述历史进食时间、所述历史进食速度以及所述历史新陈代谢量时，根据所述饮食数据计算确定所述用户在未来的预设时间内的健康值，将计算得到的所述健康值以及所述饮食数据建立集合，并将所述集合输入至所述历史健康数据模型。

44、在本技术的一些实施例中，所述评估模块内预先设定有预设进食时间矩阵t0和预设评估健康值矩阵a，对于所述预设评估健康值矩阵a，设定a(a1,a2,a3,a4)，其中a1为第一预设评估健康值，a2为第二预设评估健康值，a3为第三预设评估健康值，a4为第四预设评估健康值；

45、对于所述预设进食时间矩阵t0，设定t0(t01,t02,t03,t04),其中，t01为第一预设进食时间，t02为第二预设进食时间，t03为第三预设进食时间，t04为第四预设进食时间，且t01＜t02＜t03＜t04；

46、所述评估模块还用于当不存在与所述饮食数据相对应地所述数据集合中的所述历史进食时间、所述历史进食速度以及所述历史新陈代谢量时，根据t与所述预设进食时间矩阵t0之间的关系选定相应地评估健康值作为所述用户在未来的预设时间内的健康值；

47、当t＜t01时，选定所述第一预设评估健康值a1作为所述用户在未来的预设时间内的健康值；

48、当t01≤t＜t02时，选定所述第二预设评估健康值a2作为所述用户在未来的预设时间内的健康值；

49、当t02≤t＜t03时，选定所述第三预设评估健康值a3作为所述用户在未来的预设时间内的健康值；

50、当t03≤t＜t04时，选定所述第四预设评估健康值a4作为所述用户在未来的预设时间内的健康值。

51、在本技术的一些实施例中，所述评估模块内预先设定有预设进食速度矩阵n0和预设评估健康值修正系数矩阵b，对于所述预设评估健康值修正系数矩阵b，设定b(b1,b2,b3,b4)，其中b1为第一预设评估健康值修正系数，b2为第二预设评估健康值修正系数，b3为第三预设评估健康值修正系数，b4为第四预设评估健康值修正系数，且0.8＜b1＜b2＜b3＜b4＜1；

52、对于所述预设进食速度矩阵n0，设定n0(n01,n02,n03,n04),其中，n01为第一预设进食速度，n02为第二预设进食速度，n03为第三预设进食速度，n04为第四预设进食速度，且n01＜n02＜n03＜n04；

53、所述评估模块还用于当不存在与所述饮食数据相对应地所述数据集合中的所述历史进食时间、所述历史进食速度以及所述历史新陈代谢量时，根据v与所述预设进食速度矩阵n0之间的关系选定相应地评估健康值修正系数以对各评估健康值进行修正；

54、当v＜n01时，选定所述第四预设评估健康值修正系数b4对所述第一预设评估健康值a1进行修正，修正后的评估健康值为a1×b4；

55、当n01≤v＜n02，选定所述第三预设评估健康值修正系数b3对所述第二预设评估健康值a2进行修正，修正后的评估健康值为a2×b3；

56、当n02≤v＜n03，选定所述第二预设评估健康值修正系数b2对所述第三预设评估健康值a3进行修正，修正后的评估健康值为a3×b2；

57、当n03≤v＜n04，选定所述第一预设评估健康值修正系数b1对所述第四预设评估健康值a4进行修正，修正后的评估健康值为a4×b1。

58、在本技术的一些实施例中，所述评估模块内预先设定有预设新陈代谢量矩阵w0和预设评估健康值二次修正系数矩阵c，对于所述预设评估健康值二次修正系数矩阵c，设定c(c1,c2,c3,c4)，其中c1为第一预设评估健康值二次修正系数，c2为第二预设评估健康值二次修正系数，c3为第三预设评估健康值二次修正系数，c4为第四预设评估健康值二次修正系数，且1＜c1＜c2＜c3＜c4＜1.2；

59、对于所述预设新陈代谢量矩阵w0，设定w0(w01,w02,w03,w04),其中，w01为第一预设新陈代谢量，w02为第二预设新陈代谢量，w03为第三预设新陈代谢量，w04为第四预设新陈代谢量，且w01＜w02＜w03＜w04；

60、所述评估模块还用于当不存在与所述饮食数据相对应地所述数据集合中的所述历史进食时间、所述历史进食速度以及所述历史新陈代谢量时，根据r与所述预设新陈代谢量矩阵w0之间的关系选定相应地评估健康值二次修正系数以对修正后的各评估健康值进行二次修正；

61、当r＜w01时，选定所述第一预设评估健康值二次修正系数c1对修正后的所述第一预设评估健康值a1进行二次修正，二次修正后的评估健康值为a1×b4×c1；

62、当w01≤r＜w02，选定所述第二预设评估健康值二次修正系数c2对修正后的所述第二预设评估健康值a2进行二次修正，二次修正后的评估健康值为a2×b3×c2；

63、当w02≤r＜w03，选定所述第三预设评估健康值二次修正系数c3对修正后的所述第三预设评估健康值a3进行二次修正，二次修正后的评估健康值为a3×b2×c3；

64、当w03≤r＜w04，选定所述第四预设评估健康值二次修正系数c4对修正后的所述第四预设评估健康值a4进行二次修正，二次修正后的评估健康值为a4×b1×c4。

65、在本技术的一些实施例中，所述评估模块还用于当存在与所述饮食数据相对应地所述数据集合中的所述历史进食时间、所述历史进食速度以及所述历史新陈代谢量时，确定与所述饮食数据相对应地所述历史进食时间、所述历史进食速度以及所述历史新陈代谢量所对应地所述数据集合的数量l，当l≥2时，计算与所述饮食数据相对应地若干个所述数据集合中的所述历史健康值的平均值i，并确定各所述历史健康值与所述平均值i的差值u，根据所述平均值i以及所述差值u确定最终评估健康值，并将所述最终评估健康值作为所述用户在未来的预设时间内的健康值；其中，

66、当各所述历史健康值与所述平均值i的所述差值u均为0时，将所述平均值i确定为所述最终评估健康值，并作为所述用户在未来的预设时间内的健康值；

67、当所述历史健康值与所述平均值i的所述差值u为正数的数量大于所述数据集合的数量l的1/2时，将所述平均值i乘以第一预设系数g1，并将i×g1确定为所述最终评估健康值，并作为所述用户在未来的预设时间内的健康值；

68、当所述历史健康值与所述平均值i的所述差值u为正数的数量等于所述数据集合的数量l的1/2时，将所述平均值i乘以第二预设系数g2，并将i×g2确定为所述最终评估健康值，并作为所述用户在未来的预设时间内的健康值；

69、当所述历史健康值与所述平均值i的所述差值u为正数的数量小于所述数据集合的数量l的1/2时，将所述平均值i乘以第三预设系数g3，并将i×g3确定为所述最终评估健康值，并作为所述用户在未来的预设时间内的健康值；且1＞g1＞g2＞g3＞0.9。

70、本发明提供了一种基于深度学习的健康评估方法及系统，与现有技术相比，其有益效果在于：

71、本发明通过采集未来时间内的饮食数据，通过饮食数据的进食时间、进食速度以及新陈代谢量与预设的历史健康数据模型进行比对，当存在比对结果一致的参数时，可以快速进行健康值评估，当不存在时，根据最影响健康值的核心影响参数，快速进行健康值评估，改变了传统方式中需要采集大量数据进行函数计算的方式，从而实现更加迅速准确地健康值评估，维护了人体健康运行的的稳定性。