文摘
平衡和充足的营养摄入越来越为人们所期望的,特别是那些受慢性疾病的影响。如何帮助人们意识到适当的营养消费是一个应该在智能医疗解决的问题。本研究提出了一种新颖的分享服务平台,包括饮食记录,营养数据分析,提高远程营养服务和在线营养指导。积极与医院合作进行的试验结果证实了平台的有前途的营养指导和疾病管理的功能。此外,探索营养摄入对人体健康的影响,研究了高血压和营养素摄入量之间的关系,和个人信息作为一个案例研究。研究结果表明,我们的平台可以提供详细的营养分析服务,和machine-learning-based预测方法可以准确地预测用户的血压没有错误。
1。介绍
根据营养科学,食物中的营养物质以不同的方式可能会影响人们的健康。世界卫生组织(世卫组织)问题众多科学教程强调营养摄入的重要性,这样可以改善公共卫生营养学理论与技术(1]。一些组织提出标准营养摄入标准不同群体提供每日食物摄入量参考(2,3]。许多数据库的营养食品也不断更新和丰富世界各地4- - - - - -6]。然而,只提供一个通用的建议参考标准,和营养摄入量应考虑结合个人的饮食需求,尤其是对人患有慢性疾病,如肥胖,高血压,糖尿病7]。
个性化的饮食建议由专业营养师提供通常基于不同膳食调查问卷,这些传统方法导致一些困难在数据收集饮食和营养转换成数据。作为长期和详细的食品营养师要求的记录,消费者可能由于不愿放弃治疗完成繁重的日记。此外,营养等因素的复杂的相互作用,疾病,和个人身体状况进行准确的营养分析困难。
近年来移动通信和智能手机的发展促进越来越方便饮食监测和评价解决方案。饮食摄入量可以通过输入文字,记录发送咀嚼运动受到传感器监控,并认识到智能手机照片的食物。然而,这些方法需要改进,比如使用繁琐,需要额外的设备磨损。此外,他们中的大多数并不认为进一步综合分析用户的营养和健康数据。
针对现有的营养数据收集和分析的缺点,提出了一种分享服务nutrient-service平台来改善公共健康通过分析用户的饮食数据和个人信息,并以高血压为例探讨营养和人类健康之间的关系。本研究的贡献如下:(1)与其他营养数据收集方法相比,该平台集成了三种形式的文字,语音识别,“自定义菜”来简化记录过程。(2)大型food-nutrient数据库构建的平台将食物转化为营养物质,其中包括1280成分,5000多碗,和超过20000的包装食品。(3)平台可以根据user-health概要文件生成个性化参考营养摄入量和专业营养师的指导,并比较他们的实际营养摄入用户通过雷达图表。审判与糖尿病患者的营养指导平台的有效性和疾病管理。(4)一个案例研究的预测血压通过营养摄入和个人信息。这可以结合使用的平台,促进营养服务,以及跨学科研究营养科学和人工智能。
2。相关工作
营养物质可分为营养素和微量元素,化学成分的食物必不可少的人们保持健康1]。不幸的是,许多世界各地的人们正遭受严重的健康问题引起的不平衡的营养摄入。一方面,在不知不觉中摄入过多的糖,盐,或饱和脂肪已经成为许多疾病的主要危险因素,如高血压和其他慢性疾病。另一方面,全球超过20亿人患有微量营养素缺乏,也被称为“隐蔽的饥饿。“人民日益增长的对健康饮食的需求是促进食品相关研究的快速发展8]。
大量的研究已经证实了不同的营养对健康的重要影响。例如,缓解阿尔茨海默病和帕金森病的进展(9- - - - - -11),减少2型糖尿病的发病率(12),和减少急性呼吸道感染的风险和加强免疫系统COVID-19 [13,14]。然而,大多数这些研究的发现是通过传统的方法,如问卷调查和统计数据收集和分析大量的数据,这是非常耗时和费力。因此,迫切需要有一个更有效率和更少的资源密集型的方法进行膳食营养分析。
移动健康(移动医疗)是一个新兴领域适合膳食营养保健的跟踪和监测由于其易用性,远程跟踪和长期管理优势。移动医疗使饮食健康管理和分析的一种方法是通过一个移动应用程序嵌入到智能手机(15,16]。例如,识别和检测咀嚼活动通过一个智能手机应用程序精确地监测食物摄入量(17]。可穿戴设备结合应用程序监控食品消费和自动分析的应力状态(18]。评估饮食通过食物摄取或食物消费和营养摄入照片获得的应用程序(19- - - - - -21]。对慢性疾病的许多移动应用也存在用户提供个性化的营养建议,如适当的菜单和菜建议高血压患者促进健康饮食行为(22]。有针对性的饮食指导糖尿病用户提供基于他们的饮食数据的收集和分析23]。特别是,全球流行的COVID-19使移动医疗的实现更为关键。它允许人们为饮食和营养监测远程访问服务和咨询冷淡地与医疗保健专业人士(24,25]。
移动医疗的最终目标是创建定制的营养建议用户通过全面的数据分析。机器学习等领域的成功应用股票预测,个性化的客户体验,和疾病诊断和管理凸显了其强大的数据分析和挖掘能力(26- - - - - -29日]。因此,机器学习可以分析大型饮食数据探索的饮食习惯和健康结果之间的相关性。例如,研究人员在30.]探讨膳食因素对动脉粥样硬化性心血管疾病的影响(ASCVD)使用贝叶斯内核机器回归(BKMR)。文献[31日]分析了饮食记录识别前驱糖尿病患者等各种机器学习算法随机森林(RF)。在[32),多个健康饮食指南给出改善抗菌素耐药性通过机器学习模型的输出。文献[33- - - - - -35),凸显了强大的维生素对肥胖的影响,血管性痴呆和阿尔茨海默病通过各种机器学习算法。基本结论选择性有效营养摄入量减少COVID-19感染和死亡率也被用多元回归模型和分类算法(36,37]。
移动医疗的结合和机器学习中流行的饮食管理由于个性化的可用性和准确的见解。尽管上述方法可以帮助维护和改善饮食健康,他们仍有一些缺点,如需要带额外的设备监控饮食行为,记录饮食内容只有在文本形式,只提供一些营养摄入的分析。此外,大多数营养健康调查结果分析是基于数据过滤产生的大量的工作,要求更方便访问实际的用户数据。本文提出一种新颖的方法来实现的饮食和营养监测。我们开发一个nutrient-service平台,集成了三种记录方法和一个广泛的数据库来支持一个完整的记录和详细的饮食,进行试验和一个专门的医院评估平台的性能和可用性。另外,我们应用机器学习探索营养摄入和人类健康之间的关系。我们的平台有很大的应用价值与当前的工作相比,尤其是便利使偏远,长期的饮食和营养健康监测和疾病管理。
3所示。方法
3.1。提出Nutrient-Service平台的概述
图1显示了建议的概述nutrient-service平台实现为一个智能手机应用程序。这个平台的目的是帮助人们在不同的州(例如,慢性疾病患者和孕妇吃得更好来改善他们的生活质量。用户记录的数据存储在云端,包括饮食和个人用户信息的数据。个人用户信息用于生成相应的user-health概要文件,和饮食数据转化为营养物质根据food-nutrient数据库由自己。此外,一个方便的和有效的连接用户和营养师之间建立在这个平台实现可靠的数据交换和提供专业的营养建议。
3.1.1。User-Health概要
该平台形式user-health概要文件基于在线问卷的答案来收集用户的个人信息。个人信息描述了用户的主要地位,如年龄、身高、体重、性别、和疾病状态,可以修改或更新。然后,如“数据处理和分析,所述平台法官和user-health概要的分析了数据,生成相应的每日营养摄入量参考。表1显示了一个简单的例子;两个左列是调查问卷的问题和用户的答案包含在user-health文件,和两个用户的相应参考平台产生的营养摄入。
3.1.2。饮食数据记录
这个平台有三种方式促进数据记录:(1)搜索部分或完整的成分或菜肴的名字记录和数量的食物。(2)人民日报的食物通常是由许多不同的成分,所以这个平台提供了“自定义菜”功能;也就是说,用户可以选择和添加成分从数据库使他们的菜。(3)记录通过的声音格式”名称+数量”,比如苹果,50克,大米200克。
在语音识别记录的第三个方法中,我们使用自动语音识别(ASR)和模糊查询匹配的演讲food-nutrient数据库,如图2。用户输入的演讲声音格式,并使用ASR同意将声音转换成一个字符串传输到服务器。之后,服务器使用正则表达式来过滤掉特殊字符,如标点符号的字符串。然后分割字符串来获得一个字符串列表,包含食品的名称。后,执行模糊查询food-nutrient数据库基于字符串列表返回用户五种食物包含食品名称的列表。最后,用户选择正确的食物从列表中记录。
对于营养数据,我们建立了一个food-nutrient数据库包括1280成分,5000多的菜肴,超过20000的包装食品,及其对应的内容超过40营养符合记录要求,如图3。这个平台还邀请专业医生指导视频记录解释如何准确估计食品消费。
3.1.3。数据处理和分析
平台上的用户提交的所有数据存储,加密,并进一步分析在数据处理平台。例如,《每日营养摄入量是推断从user-health概要文件的引用,如表所示1。记录饮食数据转化成营养摄入量根据地图匹配用户的记录和food-nutrient数据库。此外,这些数据可以由营养师咨询在一个方便的和可访问的格式,如营养摄入或相关医学检查用户在一段时间内的数据。
3.1.4。营养摄入评估
转换后的营养摄入与每日参考价值通过雷达图表,以便用户有一个明确的观点的饮食状态,如图4。参考营养摄入量的人在不同的国家和不同的疾病与专业营养师咨询后,各项专业的营养建议,以及存储平台。基于大规模数据的智能分析和积累,该平台可以做出判断和调整雷达图表的顶点值;即每日参考营养摄入值设置在分析user-health概要文件。例如,高血压患者每日摄入800 - 1000毫克的钙,低钠饮食建议慢性肾小球肾炎表明,每日钠摄入量不应超过500毫克。
3.1.5。在线咨询营养师
考虑到需要寻求专业的营养建议,平台之间建立一个连接用户和数百名医生和营养师完整和真实的文件,以确保建议的准确性和可信度。如图5平台为用户提供了两种方式,获得专业的营养建议:在线咨询和posthealth问题。
在线咨询方法允许用户找到一个合适的医生或营养师咨询通过搜索名字,医院,和部门。左边的图所示5,用户问医生关注糖尿病饮食,和医生会做出谨慎判断基于用户的需求和建议。与此同时,在“数据处理和分析”分析结果可以证明这个医生为她或他的参考诊断和提供适当的营养指导,或调优的顶点值雷达图表。发布一个健康问题意味着用户帖子平台上的问题以及关键字(例如,疾病、恢复和减肥)指导。右侧图所示5,用户发布一个问题关于疾病可能是由于过多的脂肪摄入量。问题将被显示在平台上,在相关领域的和医生会做出反应。
3.1.6。额外的功能
平台的附加功能,如饮食记录能被查询,生成专业的医学报告,推荐饮食,和健康知识根据用户数据记录,记录心情,并支持用户增加沟通和分享。此外,该平台可以监测和记录心率、睡眠和体重变化通过通过蓝牙智能手镯和身体脂肪比例。
3.1.7。数据安全性和隐私
用户,包括医生用户和普通用户,登录到平台只能通过个人账户和管理他们的数据。医生只能访问普通用户的数据在咨询。数据上传和存储在服务器在医生和病人之间的交互平台是使用MD5消息摘要算法加密(MD5)抵御外部攻击38]。任何处理个人数据上执行的平台,如收集、记录、存储、和统计分析,用于改善和优化服务。这个平台不与任何第三方共享用户数据用于商业目的,以确保用户数据的安全和隐私。
图4介绍了提出nutrient-service平台的每个进程的细节,可在iOS和Android智能手机上运行。这个平台的主要创新和贡献是多个营养摄入的分析,容易理解为营养摄入评估雷达图表,自行设计大型food-nutrient数据库,用户和营养师之间的联系。这个平台促进专业营养摄入评估和指导,并有效整合分布不均和有限的医疗资源。积累的数据和数据驱动技术的发展,平台的性能将逐渐增强。
3.2。绩效评估建议的平台
3.2.1之上。营养指导和疾病管理的效能评估
评估膳食提出平台的性能监测、营养指导、疾病管理,我们进行了一个小试验与天津市第三中心医院合作。这次审判是对2型糖尿病患者进行。这项研究的目的是评估是否该平台实现可以提供实用营养指导病人和改善他们的疾病状态。具体地说,这次审判是分为以下主要步骤。(1)开发试验协议:糖尿病是一种终身疾病,预防和饮食中起着关键作用,糖尿病的发生和管理(39]。糖尿病监控状态的一个重要指标是糖化血红蛋白(HbA1c), 4 - 6%的标准的范围(40]。审判持续了14天,要求所有参与者做医疗测试开始和结束时获得一个糖化血红蛋白和记录他们的完整的饮食内容通过该平台在审判。与此同时,一个营养师将审查记录参与者的饮食和营养摄入和给营养建议每日在审判期间协助参与者调整饮食内容。最后,评估的有效性提出了平台,提供个性化的远程糖尿病患者的膳食指南和疾病管理基于一个比较两种糖化血红蛋白。(2)招募试验参与者:营养师在天津市第三中心医院主要完成了试验参与者的招聘,和10个参与者了。所有参与者必须是2型糖尿病患者提出的设备和环境运行平台,利用其特性的能力。在审判之前,营养师澄清试验协议,可能的益处和风险,需要合作。试验进行了确认,试验参与者充分了解并同意协议。(3)收集和分析数据:试验中收集的数据主要是饮食数据和糖化血红蛋白数据。数据收集饮食通过该平台,要求参与者记录他们完成每天的饮食,它通过平台发送到营养师进行审查。糖化血红蛋白的数据是通过体检。医学测试在同一家医院,以确保数据的可靠性。参与者并没有要求改变他们的药物和生活习惯在审判过程中排除对试验结果的影响。
3.2.2。可用性评估平台
在审判结束,我们也通过电话采访收集用户体验评估的可用性提出了平台。的目标用户电话采访中10个试验参与者和2营养师为12人,最后数量的参与者在电话采访中12岁的时候,100%的速度。使用认知功能的使用,获得的主要平台性能,平台兼容性。用户1 - 5级,表示很不满意,平均水平,满足,和非常满意。(1)函数用法:这方面包括用户满意度三个饮食记录方法,评估是否food-nutrient数据库可以满足记录需求,和有效性的评估由营养师远程指导。(2)平台性能:这方面包括评估的困难使用平台,平台是否被卡住了,意外退出,或无法加载使用。(3)平台兼容性:这方面包括是否安装失败由于不兼容的操作系统在使用平台。
3.3。案例研究:探索营养摄入量与血压之间的关系
该平台是一个多维数据收集工具。最重要的目标是分析多维数据收集来自用户的执行与营养相关的健康管理,如饮食控制、慢性疾病进展监控、预测和疾病的指标。由于运行时间短的平台和收集的数据量不足,和数据包含在中国健康和营养调查(中文)41)非常类似于我们收集数据的类型和结构,我们使用中文数据进行血压预测实验展示的一个平台,该平台的健康管理功能实现后收集足够的数据。
高血压是心血管疾病的主要危险因素,慢性肾病和糖尿病在全球范围内(42]。血压和饮食之间存在很强的相关性,如更高的总脂肪摄入量,饱和脂肪酸,碳水化合物与高血压有关(43]。探索潜在的血压之间的关系和各种营养物质,我们进行了一个案例研究使用机器学习来预测血压使用营养摄入量和个人信息。具体来说,我们提出的案例研究有以下特点:
(1)建立样本集在中文的基础上,其中包括26种营养素的摄入量,5项的个人信息,和血压数据。(2)个人信息和血压之间的关系计算得到有效的特征更合理的模型。(3)GBDT应用为血压评估构建预测模型。(4)血压预测计划是由营养摄入和个人信息作为输入。实验结果表明,该预测结果可以作为参考营养师的诊断。
3.3.1。数据库准备
中文是一个持续的开放群组和国际合作项目进行了自1989年以来在中国。它收集详细信息参与者连续三天膳食摄入量和血压在每次调查。我们选择膳食摄入量和血压数据的调查从2006年到2011年。所有的膳食26类型的数据转换成数据根据中国食品营养成分(4),平均的舒张压和收缩压值被用来代表每一个参与者的血压状况。
不同物理状态下人们的血压反应是不同的,所以个人信息需要考虑除了营养摄入量。我们选择高血压,身高,体重,腰围,臀围,性别和年龄的中文,并计算它们之间的相关性和血压。图6显示了F价值估计的相关性。因此,我们保留五项个人信息的高度与血压相关的血压预测模型的相关特性。
消除所有样品用缺失值后,得到了超过29400组数据,形成一个样本集包含26个营养素的摄入和5项个人信息的特性,以及血压值标签。在表2,三个人被选中的数据作为一个例子来说明这个样本集。
3.3.2。梯度提高决策树的关系分析
随着血压值是连续的,回归分析称为连续变量的估计已被广泛用于解决预测任务。因此,考虑输入特征矩阵和输出之间的线性相关的血压值,一个简单的解决方案是模型营养素摄入量之间的相关分析,个人信息和血压作为回归问题。
GBDT,也被称为多元添加剂回归树(集市),是一个机器学习算法被广泛用于解决回归和分类问题。一个梯度增强算法,利用决策树为基础的学习者,由多个决策树。每棵树构造基于损失函数的负梯度(残余错误)之前的树。最后,所有树木都积累的结论作为最终结果根据施工顺序。有四个GBDT回归模型的损失函数,我们选择标准差“ls”建立血压预测模型。给定一个数据集 ,“ls”损失函数的公式如下:
回归模型的候选人,我们尝试使用一些常见的回归模型,即。,decision tree (DT), k-nearest neighbors (KNN), adaptive boosting (AdaBoost), and extremely randomized trees (extra-trees), to verify the effectiveness of the proposed GBDT-based blood pressure prediction scheme. We apply data normalization into data preprocessing to improve efficiency and prevent potential performance diminished.
一个不可避免的现象,在实际的应用程序收集到的数据是被噪音,导致性能下降。同样,中文案例研究中使用的数据也可能有一些偏差。为了更好地利用学习的非线性特性,受到最近进展的去噪autoencoder (DAE) [44],反向传播神经网络(BNN)广泛的机器学习任务,我们建议设计一个深度编码器叠加多层体系结构的特性,以确保可以学到更健壮的特性表示减少噪声的影响,并建立31之间的映射特性和基于BNN血压值。
3.3.3。模型建立与验证
图7显示血压预测的实验流程图使用不同的模型。
(1)模型设计。GBDT有几个重要的参数需要优化,包括回归树(n_estimators)的数量、学习速率,每棵树的最大深度(max_depth),并将节点所需的最小数量的样品(min_samples_split)。我们用网格搜索方法来调整这些参数达到最佳的性能,和实验结果表明,血压预测模型的最佳参数值是200,0.1,4和3分别。我们也调整其他预测模型的最佳参数。
(2)评价模型。我们使用合作方法来评估模型的鲁棒性和可靠性。抵抗的方法将数据集划分为两个相互排斥的集在一定比率,这是用作训练集和测试集。我们使用train_test_split将数据集分为训练测试方法和测试集的比例7:3和8:2,并设置20个不同random_state实现随机划分训练集和测试集的数据,分别。最后,我们使用的平均结果报告模型性能的95%(95%置信区间,CI)多个运行在不同的分区和随机数据集。
平均绝对误差(MAE)和均方根误差(RMSE)指标是用来衡量预测排名及其地面真值之间的偏差,如 在哪里 真相歪曲和吗 是预测。
4所示。结果
4.1。分析平台的性能
表3提出了审判的结果2型糖尿病患者为研究人口,包括每一个参与者的性别和年龄,总天数的饮食记录试验过程中,实际的糖化血红蛋白值从两个体检,获得,两糖化血红蛋白的比较结果。糖化血红蛋白的比较表明,在最后的审判,6个参与者降低糖化血红蛋白水平从0.1到0.8,3保持不变,1增加了0.2。糖化血红蛋白反映血糖状态在过去两个月40]。虽然这个试验是进行短时间内只有14天,很明显,大部分参与者在糖化血红蛋白减少,表明组合平台的有效性和营养师营养指导。与此同时,饮食记录的数据平台中所有参与者都存储在服务器上。因此,专业营养师可以分析这些数据找到患者不满意的原因糖化血红蛋白控制和个人及时指导和调整。
关于使用平台的经验,在功能使用,用户给积极的反馈平均分数为4.75(3用户评级4和9用户评级5),说明该平台功能很容易理解和使用,food-nutrient数据库可以满足记录需求,适用于长期营养监测和疾病管理不需要医院访问。5的评级为平台的性能和平台兼容性表明,平台在使用过程中可以稳定运行。此外,这两个营养师认为平台大大减少他们的工作记录和分析数据。饮食和营养摄入收集的数据通过平台为他们提供了充分的参考指导。此外,一个病人显示“自定义菜”功能将简化记录过程记录是否可以修改现有的菜而不是添加成分。
4.2。案例研究的结果的分析
表4列表6血压的平均实验结果预测模型在不同的数据集在这个案例研究中使用的分区。从表4,最好的结果为每个模型得到train-test分裂的8:2,GBDT的美和RMSE指标低于其他模型在不同分区。GBDT预测模型为收缩压预测优于其他方法。至于舒张压预测演算法和DAE + BNN GBDT达到类似的结果,但在实践中运行时间比GBDT更长。
图8直观地显示更详细的实验结果六血压预测模型。的x设在和y分别设在代表不同random_state和美规。我们可以看到GBDT预测模型有较低的美收缩压和舒张压值预测比其他方法和性能鲁棒预测在不同数据集的分区。
图9显示了前12个功能中扮演重要角色的血压预测,计算和排名在模型中通过调用feature_importances_方法。具体来说,基尼不洁杂质的测量数据,和树节点分割是基于选择功能,最大限度地减少基尼分裂后杂质的最佳特性。功能重要性最终计算基于基尼杂质的所有节点分裂功能。图9表明,尽管订单是不同的,高血压,年龄,体重,和腰围是最4的收缩压和舒张压的重要特征,这是相同的危险因素与高血压相关建议的一些研究[45]。排名5 - 7的特性是钠、脂肪和维生素C。根据常见的医学知识,钠和脂肪摄入量将大大影响血压状况,适当补充维生素C可以帮助降低血压46]。排名8 - 12的收缩压和舒张压的影响有不同的特性,但包括水和维生素e .喝大量的水在短期会造成一定增加血压,和矿物质中包含的水也会影响血压,诸如水钠(47]。适当的维生素E摄入量可以改善血压状况,如降低收缩压(48]。
为了直观地观察营养素摄入量与血压之间的关系从血压值,我们排除5个人信息从输入和只使用26个营养素摄入量的实验数据。结果在表5表明,营养摄入也可以预测血压在一定程度的误差。相比之下,表4,这也是符合常见的医学意义,血压也受年龄和体重除了营养素摄入量(49]。
5。讨论
本研究旨在提供一个更方便和有效的方式推广个性化营养管理通过移动医疗的综合运用和机器学习。在此基础上重点,我们设计并实现了一个移动应用膳食营养数据收集和分析,证明了通过小型试验平台的可用性,并进行了一个案例研究探索营养和血压之间的关系。积极成果,糖化血红蛋白水平下降6的10个参与者参与试验,表明提出的能力平台,提供个性化的营养指导和其潜在的疾病管理和改进。案例研究的结果表明,GBDT-based方案可以预测血压在一个较小的误差范围,显示血压值预测的可行性通过营养摄入和个人信息。
本研究的几个优势需要突出显示。
首先,该平台提供了三种方式来记录饮食,大大简化了录音过程相比其他移动健康平台,只有一个。
第二,我们的庞大数据库满足记录需要并提供更详细和全面的自我管理和营养学家的判断参考和指导。
第三,平台可以有效地实现远程,长期饮食监测和疾病管理,缓解医疗资源分布的不均衡的问题。
第四,案例研究的结果对营养健康管理提供更充分的证据。逐渐积累的数据平台将支持更多的深入分析基于机器学习和作为信息对临床研究的支持。
应该说这项研究的局限性。这个平台需要收集更多的数据由于其操作周期短。随着平台的使用逐渐增加,我们将积累足够的和长期的实际数据来探讨膳食营养和健康之间的关系。此外,需要更多的实际用户的反馈来进一步丰富平台的功能。
6。结论和未来的问题
提出一个移动nutrient-service平台为用户提供方便、实时的远程服务,包括饮食记录,多个营养数据的智能分析,为自我管理和在线营养指导。用户可以通过网站下载和使用平台(50]。有前途的潜在平台的个性化营养指导和疾病管理是通过试验证明2型糖尿病患者作为研究对象。此外,该计划需要营养素摄入量之间的关系,个人信息,作为一个案例研究和血压。这种无创血压测量可以诊断和提供适当的健康建议的基础。
目前,该平台实现了本文提到的所有功能和未来将进一步加强在以下工作:多元异构数据获取:添加收藏的个人背景(宗教、文化和传统),习惯(久坐、熬夜),身体测量(腰围和臀围),和其他养分数据。营养物质包括氨基酸可能超过100维度数据的扩张。丰富的数据可以帮助数据驱动技术,如机器学习,描述用户的更全面的健康状况提供更适当的和个性化的营养建议。
可穿戴设备:扩展动态更改个人信息通过智能手镯和身体脂肪比例进行分析,如运动和体脂百分比。
食物图像识别:图像识别可以提高记录的完整性认识到食物为用户无法区分,使更多的营养摄入量的适当的管理。
慢性疾病之间的关联分析和营养摄入:证据表明,营养摄入中扮演着重要的角色在许多慢性疾病的发生和发展。我们将探讨这些疾病和营养数据之间的有意义的联系,帮助人们形成健康的生活方式。
随着信息技术的快速发展和广泛应用,智能化和数字化转型的发展趋势是卫生保健,以及智能手机的广泛应用能使医疗资源整合和有效利用。在本文中,我们提出一个基于智能手机的营养数据收集和分析方法和机器学习作为起点提高营养服务。我们未来的工作将继续关注营养和健康数据的讨论和研究。总的来说,为人们的健康生活提供帮助和建议是保证我们建议的方法的最终目标的关键。
数据可用性
使用的数据来支持本研究的结果可从中国健康和营养调查(中文)。
的利益冲突
作者宣称没有利益冲突。
确认
这项研究是由中国国家自然科学基金批准号下61771338,天津重点科研项目(18 zxrhsy00190),云南主要研究项目(2018 ib007)。