公开/公告号CN112967807A
专利类型发明专利
公开/公告日2021-06-15
原文格式PDF
申请/专利权人 吾征智能技术(北京)有限公司;
申请/专利号CN202110233464.7
申请日2021-03-03
分类号G16H50/30(20180101);G16H20/60(20180101);G16H10/60(20180101);G06K9/62(20060101);
代理机构42247 武汉红观专利代理事务所(普通合伙);
代理人李季
地址 100000 北京市海淀区西三旗沁春家园1号楼、2号楼、3号楼3层301-3045室
入库时间 2023-06-19 11:26:00
技术领域
本发明属于健康管理技术领域，具体涉及一种基于饮食行为预测脑卒中的系统、设备及存储介质。
背景技术
脑卒中包括缺血性和出血性卒中。缺血性卒中的发病率高于出血性卒中，占脑卒中总数的60％～70％。年龄多在40岁以上，男性较女性多，严重者可引起死亡，脑卒中具有发病率高、死亡率高和致残率高的特点。在目前有效特异性治疗手段相对缺乏的情况下，早期预防是减少脑卒中疾病负担的最佳途径。风险评估是识别脑卒中发生、复发的高危人群，明确预防重点的有效工具，对脑卒中一、二级预防具有重要意义。所有应加强对全民普及脑卒中危险因素及先兆症状的教育，才能真正防治脑卒中。
脑卒中的发生原因有很多，其中和饮食是有密切关系的，不健康、不合理的饮食会增加卒中发生的机率，健康饮食能减少卒中发生的机率。长期高盐、高糖、高脂饮食是导致脑卒中和心脑血管病等慢性疾病发生的重要危险因素。高盐饮食容易导致高血压的产生，高糖饮食容易导致糖尿病的产生，高脂饮食容易导致高脂血症的产生，这三个方面都是动脉硬化的基础病。此外，有资料显示水果跟蔬菜摄入比较高的人群，中风发生的机率低于水果蔬菜摄入比较少的人群。
因此，基于用户饮食习惯进行脑卒中风险预测，科学合理的分析出脑卒中风险指数及提供对应的解决方案，对脑卒中防治及健康管理具有重要意义。
发明内容
有鉴于此，本发明提出了一种基于饮食行为预测脑卒中的系统、设备及存储介质，用于解决现有健康管理无法基于营养元素的摄入情况准确预测脑卒中风险的问题。
本发明第一方面，公开一种基于饮食行为预测脑卒中的系统，所述系统包括：
数据库建立单元：用于采集各种食材/制品多维度数据构建食物营养元素表及每种营养元素每日标准摄入量构建元素每日摄入量表，建立饮食数据库；
数据集构建单元：用于计算不同人群连续时间段内的脑卒中相关营养元素摄入情况，结合自身的基础疾病的基本信息作为特征属性，以是否患有脑卒中为标签制作样本数据集；
用户数据获取单元：用于获取采集待测用户的基本信息及连续的饮食记录，基于饮食数据库计算用户饮食记录中的脑卒中相关营养元素摄入情况。
模型构建单元：用于构建随机森林模型，基于样本数据集训练随机森林模型；
风险预测单元：用于将待测用户基本信息及脑卒中相关元素的摄入情况输入随机森林模型，实现对脑卒中的风险指数预测。
优选的，所述食物营养元素表中包括各种食材/制品的多营养元素含量、类别、适宜人群、禁忌人群、相克食物、功效、配料信息、制作步骤；所述营养元素包括：热量、蛋白质、脂肪、碳水化合物、纤维素、胆固醇、维生素B1、维生素B2、烟酸、维生素C、维生素D、维生素E、维生素A、胡萝卜素、视黄醇、钙、镁、铁、锰、锌、铜、钾、磷、钠、硒、水分、GI、嘌呤。
优选的，所述所述特征属性包括脑卒中相关营养元素摄入情况和用户的基本信息；其中脑卒中相关营养元素包括热量、脂肪、GL、盐，营养元素摄入情况分为偏低、偏高、正常；用户的基本信息包括年龄、是否肥胖、脑卒中遗传史、抽烟史、酗酒史、高血压史、糖尿病史、房颤史、心血管疾病史。
优选的，所述模型构建单元中，所述构建随机森林模型包括：
训练集选择子单元：从样本数据集中采用Bootstraping抽样产生k个训练集；
决策树生成子单元：根据所述k个训练集训练决策树，生成k棵决策树，在每一轮生成决策树的过程中，从D个特征中随机选择其中的d个特征组成一个新的特征集，通过使用新的特征集来生成决策树；
决策树筛选子单元：分别计算各个决策树之间的相关度，从k棵决策树中剔除与其他决策树相关度高于预设阈值且准确度低于预设阈值的决策树，得到新的决策树集合；
决策树组合单元：采用鸽群优化算法优化新的决策树集合中各个决策树的权重，组成随机森林模型。
优选的，所述计算各个决策树之间的相关度的方式包括相关系数、互信息。
优选的，所述采用鸽群优化算法优化新的决策树集合中各个决策树的权重具体包括：在鸽群算法的基础上，融合黄金正弦算法进行决策树集合中各个决策树的权重优化，具体的，在鸽群位置更新处引入黄金正弦算法进行位置更新优化，加速收敛。
优选的，所述鸽群优化算法的适应度函数为随机森林模型的综合损失函数最小，损失随机森林模型的综合损失函数为各个决策树的损失函数加权求和，其中权重即为采用鸽群优化算法优化后的权重。
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)本发明针对脑卒中的主要影响因素进行分析，评估用户的饮食行为，运用食材中的营养素含量累计加权及随机森林算法，让用户可以快速方便的了解自身营养素的摄入情况及预测脑卒中风险指数；
2)本发明通过计算各个决策树之间的相关度，剔除与其他决策树相关度高于预设阈值且准确度低于预设阈值的决策树，得到新的决策树集合，可降低各个决策树之间的耦合性，采用鸽群优化算法优化新的决策树集合中各个决策树的权重，收敛速度更快，组成的随机森林模型预测准确度更高，可基于营养元素的摄入情况准确预测脑卒中风险。
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为本发明基于饮食行为预测脑卒中的系统结构示意图；
图2为本发明模型构建单元结构示意图。
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行为预测脑卒中的系统，所述系统包括数据库建立单元10、数据集构建单元20、用户数据获取单元30、模型构建单元40、风险预测单元50；
数据库建立单元10，用于采集各种食材/制品多维度数据构建食物营养元素表及每种营养元素每日标准摄入量构建元素每日摄入量表，建立饮食数据库；
所述食物营养元素表中包括各种食材/制品的多营养元素含量、类别、适宜人群、禁忌人群、相克食物、功效、配料信息、制作步骤；所述营养元素包括：热量、蛋白质、脂肪、碳水化合物、纤维素、胆固醇、维生素B1、维生素B2、烟酸、维生素C、维生素D、维生素E、维生素A、胡萝卜素、视黄醇、钙、镁、铁、锰、锌、铜、钾、磷、钠、硒、水分、GI、嘌呤。
所述所述特征属性包括脑卒中相关营养元素摄入情况和用户的基本信息；其中脑卒中相关营养元素包括热量、脂肪、GL(glycemic load，食物血糖负荷)、盐，营养元素摄入情况分为偏低、偏高、正常；用户的基本信息包括年龄、是否肥胖、脑卒中遗传史、抽烟史、酗酒史、高血压史、糖尿病史、房颤史、心血管疾病史。
数据集构建单元20，用于计算不同人群连续时间段内的脑卒中相关营养元素摄入情况，结合自身的基础疾病的基本信息作为特征属性，以是否患有脑卒中为标签制作样本数据集；
用户数据获取单元30，用于用于获取采集待测用户的基本信息及连续的饮食记录，基于饮食数据库计算用户饮食记录中的脑卒中相关营养元素摄入情况。
相应的，用户信息包括年龄、性别、体重、身高、酗酒史、抽烟史、脑卒中家族遗传史、高血压史、糖尿病史、房颤史、心血管疾病史、脑卒中相关元素包括GL、脂肪、盐、热量。记录用户个人信息和饮食信息，基于饮食数据库食物营养元素表和元素每日摄取量表对标计算用户6个月内饮食记录中的营养元素(GL、脂肪、盐、热量)摄入情况(偏低、偏高、正常)。
模型构建单元40，用于构建随机森林模型，基于样本数据集训练随机森林模型；
请参阅图2，所述模型构建单元40具体包括：
训练集选择子单元：从样本数据集中采用Bootstraping抽样产生k个训练集，分别为T
决策树生成子单元：根据所述k个训练集训练决策树，生成k棵决策树，在每一轮生成决策树的过程中，从D个特征中随机选择其中的d个特征组成一个新的特征集，通过使用新的特征集来生成决策树。具体可根据ID3算法生成决策树，根据新的特征集信息，计算每个特征的信息增益值，根据信息增益的结果，选取最大结果的特征作为根节点，结果依次减小的特征作为子节点，再对子结点递归地调用以上方法,构建决策树，直到所有特征的信息增益均很小或没有特征可以选择为止，最终得到一个决策树。
决策树筛选子单元：分别计算各个决策树之间的相关度，计算相关度的方式包括相关系数、互信息等，从k棵决策树中剔除与其他决策树相关度高于预设阈值且准确度低于预设阈值的决策树，得到新的决策树集合；
决策树组合子单元：采用鸽群优化算法优化新的决策树集合中各个决策树的权重，组成随机森林模型。
具体的，可直接使用鸽群算法进行决策树集合中各个决策树的权重优化，也可在鸽群算法的基础上，融合黄金正弦算法进行决策树集合中各个决策树的权重优化，具体在鸽群位置更新处引入黄金正弦算法进行位置更新优化。黄金正弦算法(Gold-SA)在位置更新过程中引入两个黄金分割系数，使“搜索”和“开发”达到良好的平衡，一方面遍历单位圆上的所有点进行全局搜索，另一方面通过黄金分割系数的随机选择控制位置更新距离和方向，可以逐步缩小搜索空间。本发明将黄金正弦算法与鸽群算法相结合，黄金正弦算法快速引导鸽群个体趋近最优值，从而减少算法的寻优时间，提高算法的寻优速度和精度，得到各个决策树的最优权重系数。
所述鸽群优化算法的适应度函数为随机森林模型的综合损失函数最小，损失随机森林模型的综合损失函数为各个决策树的损失函数加权求和，其中权重即为采用鸽群优化算法优化后的权重。
最后从原始样本集中选择没有被使用过的样例进行模型验证。
风险预测子单元50，用于将待测用户基本信息及脑卒中相关元素的摄入情况输入随机森林模型，实现对脑卒中的风险指数预测。
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方法。
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方法的全部或部分步骤。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。
机译： 预测模型发生器，特定行为预测设备，特定行为预测系统设备，预测模型生产方法，特定行为预测结果信息的生产方法，程序和记录介质
机译： 基于个体血压值的脑卒中发作预测系统
机译： 用于基于驾驶员行为来预测踏板位置并基于预测的踏板位置来控制一个或多个发动机致动器的系统和方法
