一种基于机器学习的食谱推荐方法及系统与流程

1.本发明属于人工智能领域，涉及食谱推荐技术，具体是一种基于机器学习的食谱推荐方法及系统。

背景技术：

2.中国居民慢性非传染性疾病(慢性病)死亡占总死亡例数的86.6％，每年约350万人死于心脑血管疾病，18岁及以上人高血压患病率为25.2％，糖尿病患病率为9.7％。慢性病与吸烟、缺少身体活动、不健康饮食和有害饮酒密切相关，其中饮食因素占慢性病所有危险因素的首位。饮食行为直接影响营养物质获取和健康状况，是慢性病发生发展过程中的重要影响因素。应用人工智能技术，对用户的饮食行为习惯进行分析，预测其致病方向，并予以正确的改善建议，让用户获取健康的饮食和生活习惯。
3.为此，提出一种基于机器学习的食谱推荐方法及系统。

技术实现要素：

4.本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于机器学习的食谱推荐方法及系统，该一种基于机器学习的食谱推荐方法及系统解决了用户的饮食行为直接影响营养物质获取和健康状况的问题。
5.为实现上述目的，根据本发明的第一方面的实施例提出一种基于机器学习的食谱推荐方法及系统，包括数据采集模块、数据处理模块以及智能推荐模块；各个模块之间基于数字信号的方式进行信息交互；
6.所述数据采集模块用于获取用户的行为数据、食物数据以及个人属性；其中，所述行为数据包括烟草摄入量、吃饭速度、饮酒量、锻炼时间、睡眠时间以及个人情绪；
7.所述食物分析数据包括食物的种类、温度、荤素比例、主食粗细粮比例、饮食口味、奶制品使用量；食物的碳水化合物的含量、脂肪的含量、蛋白质的含量、水的含量、矿物质的含量、维生素的含量和膳食纤维的含量；食物的新鲜度数据；
8.所述个人属性包括性别、年龄、地区；
9.并将所述行为数据、所述食物数据以及所述个人属性发送至所述数据处理模块；
10.所述数据处理模块用于接收所述行为数据、所述食物数据以及所述个人属性，根据所述行为数据、所述食物数据、所述个人属性以及饮食行为致病方向预测模型获取；其中，所述饮食行为致病方向预测模型基于人工智能模型获取；
11.所述智能推荐模块用于根据预测出的该用户的饮食生活习惯可能会导致的慢性疾病方向后，由专家系统向其推荐食谱及健康生活方式。
12.优选的，所述数据采集模块包括智能穿戴设备，所述智能穿戴设备包括摄像头装置、语音识别装置以及气味检测装置。
13.优选的，所述数据采集模块获取用户的行为数据、食物数据以及个人属性，具体过程包括：
14.用户通过智能终端填写性别、年龄以及地区；
15.用户佩戴智能穿戴设备；
16.所述智能穿戴设备获取用户的烟草摄入量、吃饭速度、饮酒量、锻炼时间、睡眠时间以及个人情绪；
17.所述智能穿戴设备获取用户的食物图像；
18.所述数据采集模块将所述行为数据、所述食物数据以及所述个人属性发送至所述数据处理模块。
19.优选的，所述智能终端包括智能手机和电脑。
20.优选的，所述数据处理模块接收所述行为数据、所述食物数据以及所述个人属性，根据所述行为数据、所述食物数据、所述个人属性以及饮食行为致病方向预测模型获取，具体过程包括：
21.所述数据处理模块接收所述个人属性、所述行为数据以及所述食物分析数据；
22.根据典型慢性病与饮食行为关系数据库，提炼足够的训练样本，并建立饮食行为致病方向预测模型；
23.选取用户一段时间的食物分析数据、行为数据、个人属性数据进行预处理形成测试样本；
24.将所述测试样本与典型慢性病与饮食行为关系数据库数据进行匹配，预测出该用户的饮食生活习惯可能会导致的慢性疾病方向。
25.优选的，基于人工智能模型建立所述饮食行为致病方向预测模型，包括：
26.根据典型慢性病与饮食行为关系数据库，提炼足够的训练样本，并建立基于深度神经网络的饮食行为致病预测模型；
27.将穿戴式数据采集装置获取用户一段时间的食物分析数据、行为数据、个人属性数据作为新样本输入至基于深度神经网络的饮食行为致病方向预测模型中，即预测出该用户的饮食生活习惯可能会导致的慢性疾病方向。
28.人工智能模型包括深度卷积神经网络模型或者rbf神经网络模型等具有强大非线性拟合能力的模型。
29.优选的，所述智能推荐模块根据预测出的该用户的饮食生活习惯可能会导致的慢性疾病方向后，由专家系统向其推荐食谱及健康生活方式，具体过程包括：
30.所述智能推荐模块接收所述慢性疾病方向，由专家系统向其推荐食谱及健康生活方式。
31.优选的，所述数据采集模块与所述数据处理模块通信和/或电气连接；
32.所述数据处理模块与所述智能推荐模块通信和/或电气连接。
33.一种基于机器学习的食谱推荐方法，包括以下步骤：
34.步骤一：获取用户的行为数据、食物数据以及个人属性；其中，所述行为数据包括烟草摄入量、吃饭速度、饮酒量、锻炼时间、睡眠时间以及个人情绪；
35.所述食物分析数据包括食物的种类、温度、荤素比例、主食粗细粮比例、饮食口味、奶制品使用量；食物的碳水化合物的含量、脂肪的含量、蛋白质的含量、水的含量、矿物质的含量、维生素的含量和膳食纤维的含量；食物的新鲜度数据；
36.所述个人属性包括性别、年龄、地区；
37.步骤二：接收所述行为数据、所述食物数据以及所述个人属性，根据所述行为数据、所述食物数据、所述个人属性以及饮食行为致病方向预测模型获取；其中，所述饮食行为致病方向预测模型基于人工智能模型获取；
38.步骤三：根据预测出的该用户的饮食生活习惯可能会导致的慢性疾病方向后，由专家系统向其推荐食谱及健康生活方式。
39.与现有技术相比，本发明的有益效果是：
40.本发明提出一种基于机器学习的食谱推荐方法及系统，该方法包括：收集18-70岁高血压、高血糖、高血脂、心血管疾病、糖尿病、肥胖症、肠胃疾病以及癌症患者的长期食谱数据、行为数据，形成一套典型的慢性病与饮食行为关系数据库，采用深度神经网络模型分析上述疾病与饮食行为的关联，后根据用户的饮食和行为数据，预测该用户可能的致病方向，并推荐合适的食谱和行为优化方案；该方法可以分析成年人饮食行为与上述疾病发病的关系，为慢性病防治提供依据。
附图说明
41.图1为本发明的原理图；
42.图2为本发明的流程图。
具体实施方式
43.下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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它实施例，都属于本发明保护的范围。
44.如图1所示，一种基于机器学习的食谱推荐系统，包括数据采集模块、数据处理模块以及智能推荐模块；各个模块之间基于数字信号的方式进行信息交互；
45.所述数据采集模块用于获取用户的行为数据、食物数据以及个人属性；其中，所述行为数据包括烟草摄入量、吃饭速度、饮酒量、锻炼时间、睡眠时间以及个人情绪；
46.所述食物分析数据包括食物的种类、温度、荤素比例、主食粗细粮比例、饮食口味、奶制品使用量；食物的碳水化合物的含量、脂肪的含量、蛋白质的含量、水的含量、矿物质的含量、维生素的含量和膳食纤维的含量；嗅觉ai感应系统检测的食物的新鲜度数据；
47.所述个人属性包括性别、年龄、地区；并排除家族遗传、意外事故等非典型因素；
48.并将所述行为数据和所述食物数据以及所述个人属性发送至所述数据处理模块；
49.所述数据处理模块用于接收所述行为数据和所述食物数据以及所述个人属性，根据所述行为数据和所述食物数据、所述个人属性以及饮食行为致病方向预测模型获取；其中，所述饮食行为致病方向预测模型基于人工智能模型获取；
50.所述智能推荐模块用于根据预测出的该用户的饮食生活习惯可能会导致的慢性疾病方向后，由专家系统向其推荐食谱及健康生活方式。
51.本实施例中，所述数据采集模块包括智能穿戴设备，所述智能穿戴设备包括摄像头装置、语音识别装置以及气味检测装置。
52.本实施例中，所述数据采集模块获取用户的行为数据、食物数据以及个人属性，具
体过程包括：
53.用户通过智能终端填写个人属性；其中，所述个人属性包括性别、年龄以及地区；需要进一步说明的是，排除家族遗传、意外事故等非典型因素；
54.用户佩戴智能穿戴设备；
55.所述智能穿戴设备获取用户的行为数据；其中，所述行为数据包括烟草摄入量、吃饭速度、饮酒量、锻炼时间、睡眠时间以及个人情绪；需要进一步说明的是，所述个人情绪通过智能穿戴设备的语音识别功能通过获取音调和关键词的方法识别用户的情绪；可对单位时间内的情绪进行定性，悲伤、平稳以及快乐；
56.所述智能穿戴设备获取用户的食物图像；
57.所述智能穿戴设备获取用户的行为数据和食物图像；
58.根据所述食物图像和专家系统获取食物分析数据；
59.需要进一步说明的是，所述专家系统是人工智能中最重要的也是最活跃的一个应用领域，它实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。专家系统是早期人工智能的一个重要分支，它可以看作是一类具有专门知识和经验的计算机智能程序系统，一般采用人工智能中的知识表示和知识推理技术来模拟通常由领域专家才能解决的复杂问题；
60.根据图像识别技术与专家系统，不同食物对应不同的检测方法：如蔬菜类，经图像识别，检测其斑和相是否异常；
61.肉类，可经气体检测氨类物质、氮类气体以及硫类等物质是否异常；将所述行为数据和所述食物分析数据发送至所述数据处理模块。
62.本实施例中，所述智能终端包括智能手机和电脑等智能设备。
63.所述数据处理模块接收所述行为数据和所述食物数据，根据所述行为数据和所述食物数据以及饮食行为致病方向预测模型获取，具体过程包括：
64.所述数据处理模块接收所述个人属性、所述行为数据以及所述食物分析数据；
65.根据典型慢性病与饮食行为关系数据库，提炼足够的训练样本，并建立饮食行为致病方向预测模型；
66.选取用户一段时间的食物分析数据、行为数据、个人属性数据进行预处理形成测试样本；
67.将所述测试样本与典型慢性病与饮食行为关系数据库数据进行匹配，预测出该用户的饮食生活习惯可能会导致的慢性疾病方向。
68.本实施例中，所述数据处理模块中进行标准化处理，表示为：
[0069][0070]
其中，x
′
为标准化后的数值，x为原数值，x
mean
为该变量的平均值，x
max
为变量的最大值。
[0071]
本实施例中，所述处理模块中从输入层到隐藏层采用使用sigmoid函数处理的。
[0072]
在一个可选的实施例中，基于人工智能模型建立所述饮食行为致病方向预测模型，包括：
[0073]
根据典型慢性病与饮食行为关系数据库，提炼足够的训练样本，并建立基于深度神经网络的饮食行为致病预测模型；
[0074]
将穿戴式数据采集装置获取用户一段时间的食物分析数据、行为数据、个人属性数据作为新样本输入至基于深度神经网络的饮食行为致病方向预测模型中，即预测出该用户的饮食生活习惯可能会导致的慢性疾病方向。
[0075]
本实施例中，人工智能模型包括深度卷积神经网络模型或者rbf神经网络模型等具有强大非线性拟合能力的模型。
[0076]
所述智能推荐模块根据预测出的该用户的饮食生活习惯可能会导致的慢性疾病方向后，由专家系统向其推荐食谱及健康生活方式，具体过程包括：
[0077]
所述智能推荐模块接收所述慢性疾病方向，由专家系统向其推荐食谱及健康生活方式。
[0078]
本实施例中，所述数据采集模块与所述数据处理模块通信和/或电气连接；
[0079]
所述数据处理模块与所述智能推荐模块通信和/或电气连接。
[0080]
如图2所示，一种基于机器学习的食谱推荐方法，具体方法包括以下步骤：
[0081]
步骤一：获取用户的行为数据、食物数据以及个人属性；其中，所述行为数据包括烟草摄入量、吃饭速度、饮酒量、锻炼时间、睡眠时间以及个人情绪；
[0082]
所述食物分析数据包括食物的种类、温度、荤素比例、主食粗细粮比例、饮食口味、奶制品使用量；二是食物的碳水化合物的含量、脂肪的含量、蛋白质的含量、水的含量、矿物质的含量、维生素的含量和膳食纤维的含量；三是嗅觉ai感应系统检测的食物的新鲜度数据；
[0083]
所述个人属性包括性别、年龄、地区；并排除家族遗传、意外事故等非典型因素；
[0084]
步骤二：接收所述行为数据和所述食物数据，根据所述行为数据和所述食物数据以及饮食行为致病方向预测模型获取；其中，所述饮食行为致病方向预测模型基于人工智能模型获取；
[0085]
步骤三：根据预测出的该用户的饮食生活习惯可能会导致的慢性疾病方向后，由专家系统向其推荐食谱及健康生活方式。
[0086]
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

技术特征：

1.一种基于机器学习的食谱推荐系统，其特征在于，包括数据采集模块、数据处理模块以及智能推荐模块；各个模块之间基于数字信号的方式进行信息交互；所述数据采集模块用于获取用户的行为数据、食物数据以及个人属性；其中，所述行为数据包括烟草摄入量、吃饭速度、饮酒量、锻炼时间、睡眠时间以及个人情绪；所述食物分析数据包括食物的种类、温度、荤素比例、主食粗细粮比例、饮食口味、奶制品使用量；食物的碳水化合物的含量、脂肪的含量、蛋白质的含量、水的含量、矿物质的含量、维生素的含量和膳食纤维的含量；食物的新鲜度数据；所述个人属性包括性别、年龄、地区；并将所述行为数据、所述食物数据以及所述个人属性发送至所述数据处理模块；所述数据处理模块用于接收所述行为数据、所述食物数据以及所述个人属性，根据所述行为数据、所述食物数据、所述个人属性以及饮食行为致病方向预测模型获取；其中，所述饮食行为致病方向预测模型基于人工智能模型获取；所述智能推荐模块用于根据预测出的该用户的饮食生活习惯可能会导致的慢性疾病方向后，由专家系统向其推荐食谱及健康生活方式。2.根据权利要求1所述的一种基于机器学习的食谱推荐系统，其特征在于，所述数据采集模块包括智能穿戴设备，所述智能穿戴设备包括摄像头装置、语音识别装置以及气味检测装置。3.根据权利要求2所述的一种基于机器学习的食谱推荐系统，其特征在于，所述数据采集模块获取用户的行为数据、食物数据以及个人属性，具体过程包括：用户通过智能终端填写性别、年龄以及地区；用户佩戴智能穿戴设备；所述智能穿戴设备获取用户的烟草摄入量、吃饭速度、饮酒量、锻炼时间、睡眠时间以及个人情绪；所述智能穿戴设备获取用户的食物图像；所述数据采集模块将所述行为数据、所述食物数据以及所述个人属性发送至所述数据处理模块。4.根据权利要求3所述的一种基于机器学习的食谱推荐系统，其特征在于，所述智能终端包括智能手机和电脑。5.根据权利要求4所述的一种基于机器学习的食谱推荐系统，其特征在于，所述数据处理模块接收所述行为数据、所述食物数据以及所述个人属性，根据所述行为数据、所述食物数据、所述个人属性以及饮食行为致病方向预测模型获取，具体过程包括：所述数据处理模块接收所述个人属性、所述行为数据以及所述食物分析数据；根据典型慢性病与饮食行为关系数据库，提炼足够的训练样本，并建立饮食行为致病方向预测模型；选取用户一段时间的食物分析数据、行为数据、个人属性数据进行预处理形成测试样本；将所述测试样本与典型慢性病与饮食行为关系数据库数据进行匹配，预测出该用户的饮食生活习惯可能会导致的慢性疾病方向。6.根据权利要求5所述的一种基于机器学习的食谱推荐系统，其特征在于，基于人工智
能模型建立所述饮食行为致病方向预测模型，包括：根据典型慢性病与饮食行为关系数据库，提炼足够的训练样本，并建立基于深度神经网络的饮食行为致病预测模型；将穿戴式数据采集装置获取用户一段时间的食物分析数据、行为数据、个人属性数据作为新样本输入至基于深度神经网络的饮食行为致病方向预测模型中，即预测出该用户的饮食生活习惯可能会导致的慢性疾病方向；人工智能模型包括深度卷积神经网络模型或者rbf神经网络模型等具有强大非线性拟合能力的模型。7.根据权利要求6所述的一种基于机器学习的食谱推荐系统，其特征在于，所述智能推荐模块根据预测出的该用户的饮食生活习惯可能会导致的慢性疾病方向后，由专家系统向其推荐食谱及健康生活方式，具体过程包括：所述智能推荐模块接收所述慢性疾病方向，由专家系统向其推荐食谱及健康生活方式。8.根据权利要求7所述的一种基于机器学习的食谱推荐系统，其特征在于，所述数据采集模块与所述数据处理模块通信和/或电气连接；所述数据处理模块与所述智能推荐模块通信和/或电气连接。9.一种基于机器学习的食谱推荐方法，其特征在于，包括以下步骤：步骤一：获取用户的行为数据、食物数据以及个人属性；其中，所述行为数据包括烟草摄入量、吃饭速度、饮酒量、锻炼时间、睡眠时间以及个人情绪；所述食物分析数据包括食物的种类、温度、荤素比例、主食粗细粮比例、饮食口味、奶制品使用量；食物的碳水化合物的含量、脂肪的含量、蛋白质的含量、水的含量、矿物质的含量、维生素的含量和膳食纤维的含量；食物的新鲜度数据；所述个人属性包括性别、年龄、地区；步骤二：接收所述行为数据、所述食物数据以及所述个人属性，根据所述行为数据、所述食物数据、所述个人属性以及饮食行为致病方向预测模型获取；其中，所述饮食行为致病方向预测模型基于人工智能模型获取；步骤三：根据预测出的该用户的饮食生活习惯可能会导致的慢性疾病方向后，由专家系统向其推荐食谱及健康生活方式。

技术总结

本发明公开了一种基于机器学习的食谱推荐方法及系统，涉及食谱推荐技术领域，解决了用户的饮食行为直接影响营养物质获取和健康状况的技术问题；该方法包括：收集18-70岁高血压、高血糖、高血脂、心血管疾病、糖尿病、肥胖症、肠胃疾病以及癌症患者的长期食谱数据、行为数据，形成一套典型的慢性病与饮食行为关系数据库，采用深度神经网络模型分析上述疾病与饮食行为的关联，后根据用户的饮食和行为数据，预测该用户可能的致病方向，并推荐合适的食谱和行为优化方案；该方法可以分析成年人饮食行为与上述疾病发病的关系，为慢性病防治提供依据。提供依据。提供依据。