一种膳食营养干预方法、装置、设备及可读存储介质

本发明涉及计算机领域，特别涉及一种膳食营养干预方法、装置、设备及可读存储介质。

背景技术：

1、随着人口老龄化的不断加剧，与衰老相关的认知障碍等疾病成为当前我国公共卫生面临的严峻挑战。据报道，60岁以上人群中痴呆患者约1507万，轻度认知障碍患者约3877万。认知障碍作为老年人群常见的疾病之一，对患者的正常生活造成严重影响，同时也给家庭和社会带来沉重负担。

2、尽管认知障碍性疾病具有高发病率和患病率，但药物治疗的进展缓慢，临床需求存在明显的未满足现象。近年来，研究表明均衡膳食营养、认知训练、适当运动等非药物干预在预防甚至延缓认知障碍性疾病进展方面具有重要意义。其中，膳食营养作为最容易调控的环境因素之一，在改善疾病进展中具有重要前景。

3、然而，目前营养评估及管理方法存在两大问题。首先，评估对象的广泛性和异质性使得缺乏对认知障碍相关人群的个性化建议，降低了膳食干预方法的个体化程度。其次，现有的膳食营养干预方法通常局限于单一营养素，不能结合患者其他基本信息和生物学指标，缺乏精准、综合且动态更新的营养干预方法。

4、有鉴于此，提出本技术。

技术实现思路

1、本发明公开了一种膳食营养干预方法、装置、设备及可读存储介质，旨在为患者提供精准且综合的营养干预。

2、本发明第一实施例提供了一种膳食营养干预方法，包括

3、获取用户信息特征，构建xgboost模型并利用决策树结构集合对所述用户信息特征进行综合评估，以生成用户的膳食营养状况；

4、调用多目标浣熊算法对所述膳食营养状况进行处理以生成膳食营养干预计划；

5、获取用户对所述膳食营养干预计划的实施情况，基于所述实施情况生成膳食营养干预依从性评价；

6、基于用户对所述用户信息特征的更新，重新生成用户的膳食营养状况，根据所述膳食营养干预依从性评价和所述重新生成用户的膳食营养状况更新所述膳食营养干预计划。

7、优选地，所述获取用户信息特征，构建xgboost模型并利用决策树结构集合对所述用户信息特征进行综合评估，以生成用户的膳食营养状况，具体为：

8、将包含n条m维的数据集，基于如下公式构建函数：

9、

10、其中，yi为第i条样本的目标变量，为对所有决策树的预测结果进行加权求和，fk(xi)为第k棵决策树对第i条样本xi的预测结果，f＝{f(x)＝wq(x)}(q：rm→{1，2，...t}，w∈rt)为cart决策树结构集合，q为样本映射到叶子节点的树结构，t为叶子节点数，w是叶节点的实数分数，

11、在构建xgboost模型时，根据目标函数最小化的原则寻找最优参数，以建立最优模型，并在当输入xi，其目标标签yi属于类别c的概率为：

12、

13、其中，p(yi＝c|xi)为给定输入样本x时，目标标签y属于类别c的概率；k为每棵决策树的索引，fk(xi)为第k棵决策树对第i条样本xi的预测结果，wkc为第k棵树中属于类别c的叶节点权重，c代表目标标签y属于的特定类别，c′表示对所有可能的类别进行求和或计算的临时变量，

14、通过对不同的c进行遍历，计算每个类别的条件概率，所述xgboost模型对所有类别c的概率进行比较，选择使概率最大化的类别作为输出：

15、

16、是第i个数据的分类预测结果，其中，所述分类预测结果为用户的膳食营养状况。

17、优选地，所述调用多目标浣熊算法对所述膳食营养状况进行处理以生成膳食营养干预计划，具体为：

18、随机产生搜索空间中的若干候选解作为初始个体，模拟浣熊对鬣蜥的搜索和捕猎策略，确定最优的浣熊位置；

19、通过由一只浣熊爬上树对树上的鬣蜥进行捕猎或恐吓，其他浣熊在树下等待鬣蜥落下地上，当前种群中的鬣蜥位置则浣熊在树上的位置为：

20、

21、其中，n为种群规模，t为当前迭代次数，r为[0，1]之间的随机数，i为整数集合{1，2}的一个随机整数，为当前迭代下第i个个体的第j维变量值；

22、在鬣蜥落到地面后，其被放置在搜索空间中的随机位置zt(j)，公式为：

23、zt(j)＝lbj+r*(ubj-lbj)

24、其中，lbj表示第j维变量的下界，ubj表示第j维变量的上界，r为[0，1]之间的随机数。

25、根据所述随机位置，地面上的浣熊在搜索空间中移动，利用下列公式更新位置：

26、

27、其中，n为种群规模，t为当前迭代次数，f(·)为适宜度函数，r表示[0，1]之间的随机数，i表示一个随机整数，来自整数集合{1，2}，zt表示鬣蜥落到地面后的新位置；表示当前迭代下第i个个体的第j维变量值，其中，如果为每个浣熊计算的新位置改善了目标函数的值，则新位置可接受，否则保持在先前的位置，如以下公式：

28、

29、模拟浣熊逃避捕食者的策略，浣熊逃离它的位置并在到达接近鬣蜥位置的安全位置；

30、在每个浣熊位置附近生成一个随机位置，表达式为：

31、

32、

33、其中，r表示[0,1]之间的随机数，t为当前迭代次数，t为最大迭代次数，与表示第j维变量随着迭代次数而更新的上下界；

34、基于以下公式，

35、

36、如果新位置改善了目标函数的值，则采纳该新位置，否则保持在先前的位置；

37、生成最优位置，其中，所述最优位置为膳食营养干预计划。

38、优选地，所述获取用户对所述膳食营养干预计划的实施情况，基于所述实施情况生成膳食营养干预依从性评价，具体为：

39、获取由用户上传的膳食照片，调用卷积神经网络对所述膳食照片进行分割，并对分割后的图像区域的颜色、质地、大小和形状进行特征提取；

40、基于bag-of-features模型对提取的特征进行降维后，采用基于卷积神经网络的食物图像进行分类以获得分类结果，其中，分类结果包括膳食照片中的食物并估算其体积；

41、根据图像分类结果，和事先标注的每种食物的营养信息，计算出所述膳食照片中的营养摄入情况；

42、基于所述营养摄入情况，对用户干预期间的食物种类和摄入营养进行处理，输出各类食物种类在全部食物种类中的占比，并与生成膳食营养干预计划中推荐的膳食中的食物配比比例进行比较，计算膳食干预实施的符合率，生成膳食营养干预依从性评价。

43、优选地，所述基于用户对所述用户信息特征的更新，重新生成用户的膳食营养状况，根据所述膳食营养干预依从性评价和所述重新生成用户的膳食营养状况更新所述膳食营养干预计划，具体为：

44、根据所述膳食营养干预依从性评价更新用户的膳食营养状况评估、以及饮食偏好特征；

45、基于所述饮食偏好特征和更新后的膳食营养状况评估更新适应度函数：

46、其中，d1、d2、d3分别为上述调整的参数值，w1、w2、w3分别为相应的权重值；

47、基于更新后的适应度函数调整所述膳食营养干预计划。

48、本发明第二实施例一种膳食营养干预装置，包括：

49、膳食营养状况生成单元，用于获取用户信息特征，构建xgboost模型并利用决策树结构集合对所述用户信息特征进行综合评估，以生成用户的膳食营养状况；

50、膳食营养干预计划生成单元，用于调用多目标浣熊算法对所述膳食营养状况进行处理以生成膳食营养干预计划；

51、膳食营养干预依从性评价生成单元，用于获取用户对所述膳食营养干预计划的实施情况，基于所述实施情况生成膳食营养干预依从性评价；

52、更新单元，用于基于用户对所述用户信息特征的更新，重新生成用户的膳食营养状况，根据所述膳食营养干预依从性评价和所述重新生成用户的膳食营养状况更新所述膳食营养干预计划。

53、本发明第三实施例提供了一种膳食营养干预设备，包括存储器以及处理器，所述存储器内存储有计算机程序，所述计算机程序能够被所述处理器执行，以实现如上任意一种膳食营养干预方法。

54、本发明第四实施例提供了一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序能够被所述计算机可读存储介质所在设备的处理器执行，以实现如上任意一项所述的一种膳食营养干预方法。

55、基于本发明提供的一种膳食营养干预方法、装置、设备及可读存储介质，通过获取用户信息特征，构建xgboost模型并利用决策树结构集合对所述用户信息特征进行综合评估，以生成用户的膳食营养状况；接着，调用多目标浣熊算法对所述膳食营养状况进行处理以生成膳食营养干预计划；再接着，获取用户对所述膳食营养干预计划的实施情况，基于所述实施情况生成膳食营养干预依从性评价；最后，基于用户对所述用户信息特征的更新，重新生成用户的膳食营养状况，根据所述膳食营养干预依从性评价和所述重新生成用户的膳食营养状况更新所述膳食营养干预计划，为患者提供精准且综合的营养干预。