一种体现个体化精准体质调理的方法及装置
阅读：151发布：2024-02-23
专利汇可以提供一种体现个体化精准体质调理的方法及装置专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种体现个体化精准体质调理的方法及装置，涉及数据计算技术领域，该方法包括：根据获取的目标个体的个人信息生成第一问卷，以使目标个体生成第一问卷的答案，并根据获取的第一问卷的答案，确定目标个体所属的初始人群类型；根据目标个体所属的初始人群类型，确定目标个体的身体状态信息；根据目标个体的身体状态信息，确定目标个体所属的目标人群类型；根据目标个体所属的目标人群类型，确定与目标人群类型对应的预设体质调理方案，并将体质调理方案发送给目标个体。本 申请 提供的一种体现个体化精准体质调理的方法及装置，可以针对每个人的具体情况，进行精准的人群划分，进而可以进行个性化的体质调理。，下面是一种体现个体化精准体质调理的方法及装置专利的具体信息内容。
1.一种体现个体化精准体质调理的方法，其特征在于，包括：
根据获取的目标个体的个人信息生成第一问卷，以使所述目标个体生成第一问卷的答案，并根据获取的第一问卷的答案，确定所述目标个体所属的初始人群类型；
根据所述目标个体所属的初始人群类型，确定所述目标个体的身体状态信息；
根据所述目标个体的身体状态信息，确定所述目标个体所属的目标人群类型；
根据所述目标个体所属的目标人群类型，确定与所述目标人群类型对应的预设体质调理方案，并将所述体质调理方案发送给所述目标个体。
2.根据权利要求1所述的方法，其特征在于，所述根据所述目标个体的身体状态信息，确定所述目标个体所属的目标人群类型，包括：
根据获取的每个样本个体的身体状态信息，计算样本个体的身体状态信息的标准差；
根据所述目标个体的身体状态信息，确定所述目标个体的身体状态信息和所述标准差之间的偏离度；
根据所述偏离度，确定所述目标个体所述的目标人群类型。
3.根据权利要求1所述的方法，其特征在于，所述根据所述目标个体所属的初始人群类型，确定所述目标个体的身体状态信息，采用以下至少一种方法实现：
获取根据所述初始人群类型生成的第二问卷的答案、获取所述目标个体的日常活动信息、获取所述目标个体的医疗信息和获取所述目标个体的历史体质调理方案。
4.根据权利要求3所述的方法，其特征在于，在获取所述目标个体的身体状态信息包括获取所述目标个体的日常活动信息的情况下，所述日常活动信息包括人体姿态向量。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
获取样本个体的日常活动信息；
获取样本个体的日常活动信息中的关键运动体态信息；其中，所述关键运动体态信息为满足预设条件的日常生活信息；
生成第三问卷，以使所述样本个体生成第三问卷的答案；
基于所述样本个体的日常活动信息、关键运动体态信息以及获取的第三问卷的答案，对人群分类模型进行训练，得到目标人群分类模型；
利用所述目标人群分类模型，根据所述目标个体的医疗信息和获取的所述目标个体的关键运动体态信息，确定所述目标个体所属的目标人群类型。
6.根据权利要求5所述的方法，其特征在于，训练所述人群分类模型之前，还包括：
对所述日常活动信息进行滤波；
计算每个所述日常活动信息的模，得到多个模数据；
去除所述多个模数据中的噪声；
将所述模数据分解到多个频段，并根据所述模数据的频率对所述模数据在多个频段进行抽样。
7.根据权利要求5所述的方法，其特征在于，所述日常活动信息包含多个方向的方向姿态向量；
所述获取样本个体的日常活动信息中的关键运动体态信息，具体包括：
分别针对日常活动信息中每个方向的方向姿态向量，计算每个方向姿态向量的模，得到每个方向姿态向量的模数据；
根据所述每个方向姿态向量的模数据绘制每个方向姿态向量对应的方向姿态曲线，根据所述每个方向对应的所述方向姿态曲线的波峰点和/或波谷点，获取关键运动体态信息。
8.根据权利要求5所述的方法，其特征在于，获取满足预设条件的所述关键运动体态信息，还包括：
根据竖直方向的方向姿态曲线的波谷点和/或时间，对齐每个方向的所述方向姿态曲线；
从每个方向的对齐后的所述方向姿态曲线中，提取频域特征数据；
根据所述每个方向对应的所述方向姿态曲线的波峰点和/或波谷点，提取每个方向的所述方向姿态曲线中的时域特征数据；
根据所述频域特征数据和所述时域特征数据，确定关键运动体态信息。
9.根据权利要求5所述的方法，其特征在于，所述对人群分类模型进行训练，得到目标人群分类模型，包括：
将每个样本个体的日常活动信息和关键运动体态信息输入人群分类模型，得到每个样本个体的人群类型；
根据获取的第三问卷的答案，以及每个样本个体的人群类型，确定本轮人群分类模型的损失值；
当计算的损失值大于预设的损失阈值时，调整所述人群分类模型的模型参数，并返回执行所述将每个样本个体的日常活动信息和关键运动体态信息输入人群分类模型，直到计算的损失值小于预设的损失阈值；
当计算的损失值小于预设的损失阈值时，将最后一轮迭代得到的人群分类模型作为目标人群分类模型。
10.一种体现个体化精准体质调理的装置，其特征在于，包括：
问卷信息获取模块，用于根据获取的目标个体的个人信息生成第一问卷，以使所述目标个体生成第一问卷的答案，还用于获取第一问卷的答案；
初步分类模块，用于根据获取的第一问卷的答案，确定所述目标个体所属的初始人群类型；
身体状态信息确定模块，用于根据所述目标个体所属的初始人群类型，确定所述目标个体的身体状态信息；
人群分类模块，用于根据所述目标个体的身体状态信息，确定所述目标个体所属的目标人群类型；
方案确定模块，用于根据所述目标个体所属的目标人群类型，确定与所述目标人群类型对应的预设体质调理方案，并将所述体质调理方案发送给所述目标个体。
一种体现个体化精准体质调理的方法及装置
技术领域
[0001] 本申请涉及数据计算技术领域，尤其是涉及一种体现个体化精准体质调理的方法及装置。
背景技术
[0002] 由于每个人都是独特的个体，现有的体制调理方法虽然已根据中医九种体质类型，将人群进行了大致的分类，并依据每种人群的体质类型给予体质调理和保养。
[0003] 然而由于受到技术手段的限制，现有的体质调理方法没有考虑每个人的医疗信息和日常活动信息，对人群类型的判断不够细致、不够准确，因此，无法针对每个人的具体情况，进行精准的人群划分，进而无法进行个性化的体质调理。发明内容
[0004] 有鉴于此，本申请的目的在于提供一种体现个体化精准体质调理的方法及装置，可以针对每个人的具体情况，进行精准的人群划分，进而可以进行个性化的体质调理。
[0005] 第一方面，本申请实施例提供了一种体现个体化精准体质调理的方法，包括：
[0006] 根据获取的目标个体的个人信息生成第一问卷，以使所述目标个体生成第一问卷的答案；
[0007] 根据获取的第一问卷的答案，确定所述目标个体所属的初始人群类型；
[0008] 根据所述目标个体所属的初始人群类型，生成第二问卷，以使所述目标个体生成第二问卷的答案；
[0009] 根据获取的第二问卷的答案，确定所述目标个体的医疗身体状态信息；
[0010] 根据所述目标个体的医疗身体状态信息和获取的所述目标个体的日常活动信息，确定所述目标个体所属的目标人群类型；
[0011] 根据所述目标个体所属的目标人群类型，确定与所述目标人群类型对应的预设体质调理方案，并将所述体质调理方案发送给所述目标个体。
[0012] 一种可能的实施方式，其中，
[0013] 所述根据所述目标个体的身体状态信息，确定所述目标个体所属的目标人群类型确定所述目标个体的目标人群类型，包括：
[0014] 根据获取的每个样本个体的身体状态信息，计算样本个体的身体状态信息日常活动信息的标准差；
[0015] 根据所述目标个体的身体状态信息日常活动信息，确定所述目标个体的身体状态信息日常活动信息和所述标准差之间的偏离度；
[0016] 根据所述目标个体的医疗信息和所述偏离度，确定所述目标个体所述的目标人群类型。
[0017] 一种可能的实施方式，其中，所述根据所述目标个体所属的初始人群类型，确定所述目标个体的身体状态信息，可以采用以下至少一种方法实现：
[0018] 获取根据所述初始人群类型生成的第二问卷的答案、获取所述目标个体的日常活动信息、获取所述目标个体的医疗信息和获取所述目标个体的历史体质调理方案。
[0019] 一种可能的实施方式，其中，在获取所述目标个体的身体状态信息包括获取所述目标个体的日常活动信息的情况下，所述日常活动信息包括人体姿态向量。
[0020] 一种可能的实施方式，其中，所述方法还包括：
[0021] 获取样本个体的日常活动信息；
[0022] 获取样本个体的日常活动信息中的关键运动体态信息；其中，所述关键运动体态信息为满足预设条件的日常生活信息；
[0023] 生成第三问卷，以使所述样本个体生成第三问卷的答案；
[0024] 基于所述样本个体的日常活动信息、关键运动体态信息以及获取的第三问卷的答案，对人群分类模型进行训练，得到目标人群分类模型；
[0025] 利用所述目标人群分类模型，根据所述目标个体的医疗信息和获取的所述目标个体的关键运动体态信息，确定所述目标个体所属的目标人群类型。
[0026] 一种可能的实施方式，其中，训练所述人群分类模型之前，还包括：
[0027] 对所述日常活动信息进行滤波；
[0028] 计算每个所述日常活动信息的模，得到多个模数据；
[0029] 去除所述多个模数据中的噪声；
[0030] 将所述模数据分解到多个频段，并根据所述模数据的频率对所述模数据在多个频段进行抽样。
[0031] 一种可能的实施方式，其中，所述日常活动信息包含多个方向的方向姿态向量；
[0032] 所述获取样本个体的日常活动信息中的关键运动体态信息，具体包括：
[0033] 分别针对日常活动信息中每个方向的方向姿态向量，计算每个方向姿态向量的模，得到每个方向姿态向量的模数据；
[0034] 根据所述每个方向姿态向量的模数据绘制每个方向姿态向量对应的方向姿态曲线，根据所述每个方向对应的所述方向姿态曲线的波峰点和/或波谷点，获取关键运动体态信息。
[0035] 一种可能的实施方式，其中，所述获取满足预设条件的关键运动体态信息，还包括：
[0036] 根据竖直方向的方向姿态曲线的波谷点和/或时间，对齐每个方向的所述方向姿态曲线；
[0037] 从每个方向的对齐后的所述方向姿态曲线中，提取频域特征数据；
[0038] 根据所述每个方向对应的所述方向姿态曲线的波峰点和/或波谷点，提取每个方向的所述方向姿态曲线中的时域特征数据；
[0039] 根据所述频域特征数据和所述时域特征数据，确定关键运动体态信息。
[0040] 一种可能的实施方式中，所述对人群分类模型进行训练，得到目标人群分类模型，包括：
[0041] 将每个样本个体的日常活动信息和关键运动体态信息输入人群分类模型，得到每个样本个体的人群类型；
[0042] 根据获取的第三问卷的答案，以及每个样本个体的人群类型，确定本轮人群分类模型的损失值；
[0044] 当计算的损失值小于预设的损失阈值时，将最后一轮迭代得到的人群分类模型作为目标人群分类模型。
[0045] 第二方面，本申请实施例还提供一种体现个体化精准体质调理的装置，包括：
[0046] 问卷信息获取模块，用于根据获取的目标个体的个人信息生成第一问卷，以使所述目标个体生成第一问卷的答案，还用于获取第一问卷的答案；
[0047] 初步分类模块，用于根据获取的第一问卷的答案，确定所述目标个体所属的初始人群类型；
[0048] 身体状态信息确定模块，用于根据所述目标个体所属的初始人群类型，确定所述目标个体的身体状态信息；
[0049] 人群分类模块，用于根据所述目标个体的身体状态信息，确定所述目标个体所属的目标人群类型；
[0050] 方案确定模块，用于根据所述目标个体所属的目标人群类型，确定与所述目标人群类型对应的预设体质调理方案，并将所述体质调理方案发送给所述目标个体。
[0051] 第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面任一种可能的实施方式中的步骤。
[0052] 第四方面，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面，或第一方面的任一种可能的实施方式中的步骤。
[0053] 本申请实施例提供的一种体现个体化精准体质调理的方法及装置，针对每个目标个体的身体状态信息，确定了目标个体所述的目标人群类型，从而确定与目标人群类型对应的预设体质调理方案，在进行人群分类的过程中，考虑的信息更加全面，从而可以针对每个人的具体情况，进行精准的人群划分，进而可以进行个性化的体质调理。
附图说明
[0055] 为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
[0056] 图1示出了本申请实施例所提供的一种体现个体化精准体质调理的方法的流程图；
[0057] 图2示出了本申请实施例所提供的另一种体现个体化精准体质调理的方法的流程图；
[0058] 图3示出了本申请实施例所提供的一种体现个体化精准体质调理的装置的结构示意图；
[0059] 图4示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
[0060] 为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0061] 为便于对本实施例进行理解，首先对本申请实施例所公开的一种体现个体化精准体质调理的方法进行详细介绍。
[0062] 实施例一
[0063] 本申请实施例提供的体现个体化精准体质调理的方法可以用于对任一人群类型进行体制调理，例如，利用中医辨证的思维，对需要中医学调理的人群提供体制调理方案。
[0064] 中医通过2300多年的经验摸索，总结了各种疾病的证候演变规律和治疗体系，形成了独特思维方式和技术。“辨证论治”是中医认识疾病和治疗疾病的基本原则，是中医学对疾病的一种特殊的研究和处理方法，即将人群分为不同体质、病症分为不同的症型给予针对性的解决治疗和康复调理方案。随着人工智能和用户画像技术的发展，尤其是人工神经网络的发展，使得形成基于个体和群体特征的用户画像，从而形成针对每个目标个体的“千人千面”的调理模型成为可能。本申请实施例可以根据每个目标个体的自身情况和身体机能反馈，科学、精确地定制相应的健康管理方案、提供膳食指导计划、推送养生食品产品，并根据定期体质评估和不断反馈修正个体模型。
[0065] 如图1所示，本申请实施例一提供的体现个体化精准体质调理的方法，包括：
[0066] S101：根据获取的目标个体的个人信息生成第一问卷，以使所述目标个体生成第一问卷的答案，并根据获取的第一问卷的答案，确定所述目标个体所属的初始人群类型。
[0067] 这里，目标个体的个人信息，包括：性别、年龄、身高、体重、家族病史等。根据目标个体的个人信息，生成第一问卷，这里，第一问卷可以在人机交互界面上显示，以使所述目标个体生成第一问卷的答案。并根据获取的第一问卷的答案，确定所述目标个体所属的初始人群类型。
[0068] S102：根据所述目标个体所属的初始人群类型，确定所述目标个体的身体状态信息。
[0069] 具体的，所述根据所述目标个体所属的初始人群类型，确定所述目标个体的身体状态信息，可以采用以下至少一种方法实现：
[0070] 获取根据所述初始人群类型生成的第二问卷的答案、获取所述目标个体的日常活动信息、获取所述目标个体的医疗信息和获取所述目标个体的历史体质调理方案。
[0071] 如果采用获取根据所述初始人群类型生成的第二问卷的答案的方式，确定所述目标个体的身体状态信息，可以采用下述步骤实现：
[0072] 步骤1、根据所述目标个体所属的初始人群类型，生成第二问卷，以使所述目标个体生成第二问卷的答案。
[0073] 步骤2、根据获取的第二问卷的答案，确定所述目标个体的医疗信息。
[0074] 这里，目标个体的医疗信息包括：目标个体的日常饮食，目标个体现在正在进行的外用调理方案，例如推拿、艾灸、拔罐等，目标个体现在正在进行的药物调理方案等。
[0075] 在采用获取所述目标个体的日常活动信息的方式，确定所述目标个体的身体状态信息的情况下，目标个体的日常活动信息包括人体姿态向量。具体地例如，用于对需要中医学调理的人群进行分类时，所述人体姿态向量包括人体运动中的加速度向量和角速度向量。在具体实施时，可以使用智能采集设备，采集目标个体的日常活动信息。例如可以使用智能手环、智能手表或智能鞋，采集目标个体的日常活动信息。并且，所述人体姿态向量中可以包含多个方向的方向姿态向量，具体地，包括前后、左右、垂直六个方向的方向姿态向量，分别对应三维空间关系中的x轴，y轴和z轴。并且，可以使用智能采集设备获取多个方向的方向姿态向量，包括可以获得六个方向的加速度向量和六个方向的角速度向量。
[0076] 除此之外，还可以获取所述目标个体的医疗信息或者获取所述目标个体的历史体质调理方案，具体的，目标个体的医疗信息包括目标个体的各种急慢性疾病的病史等，在具体实施时，可以采用网络病例或者输入实体病例等方式获取。目标个体的历史体质调理方案包括，历史确定的与所述目标个体所属的目标人群类型对应的预设体质调理方案，还可以包括，历史体质调理方案的应用反馈等。
[0077] 这里，所述根据所述目标个体所属的初始人群类型，确定所述目标个体的身体状态信息，可以采用获取根据所述初始人群类型生成的第二问卷的答案、获取所述目标个体的日常活动信息、获取所述目标个体的医疗信息和获取所述目标个体的历史体质调理方案中的任一种方法实现，也可以采用上述方法中的任意多种方法实现，可以采用全部的方法实现。
[0078] S103：根据所述目标个体的身体状态信息，确定所述目标个体所属的目标人群类型。
[0079] 这里，所述确定所述目标个体的目标人群类型，具体包括：
[0080] 根据获取的每个样本个体的身体状态信息，计算样本个体的身体状态信息的标准差；根据所述目标个体的身体状态信息，确定所述目标个体的身体状态信息和所述标准差之间的偏离度；根据所述偏离度，确定所述目标个体所述的目标人群类型。
[0081] 具体的，在采用获取所述目标个体的日常活动信息的方式，确定所述目标个体的身体状态信息的情况下，所述方法还包括：
[0082] 获取样本个体的日常活动信息；获取样本个体的日常活动信息中的关键运动体态信息；其中，所述关键运动体态信息为满足预设条件的日常生活信息；生成第三问卷，以使所述样本个体生成第三问卷的答案；基于所述样本个体的日常活动信息、关键运动体态信息以及获取的第三问卷的答案，对人群分类模型进行训练，得到目标人群分类模型；利用所述目标人群分类模型，根据所述目标个体的医疗信息和获取的所述目标个体的关键运动体态信息，确定所述目标个体所属的目标人群类型。
[0083] 这里，在训练所述人群分类模型之前，还包括：
[0084] 对所述日常活动信息进行滤波；计算每个人所述日常活动信息的模，得到多个模数据；去除所述多个模数据中的噪声；将所述模数据分解到多个频段，并根据所述模数据的频率对所述模数据在多个频段进行抽样。
[0085] 这里，所述日常活动信息包含多个方向的方向姿态向量，具体地，包括前后、左右、垂直六个方向的方向姿态向量，分别对应三维空间关系中的x轴，y轴和z轴；
[0086] 所述获取样本个体的日常活动信息中的关键运动体态信息，具体包括：
[0087] 分别针对日常活动信息中每个方向的方向姿态向量，计算每个方向姿态向量的模，得到每个方向姿态向量的模数据；
[0088] 根据所述每个方向姿态向量的模数据绘制每个方向姿态向量对应的方向姿态曲线，根据所述每个方向对应的所述方向姿态曲线的波峰点和/或波谷点，获取关键运动体态信息。
[0089] 这里，所述获取满足预设条件的关键运动体态信息，还包括：
[0090] 根据竖直方向的方向姿态曲线的波谷点和/或时间，对齐每个方向的所述方向姿态曲线，具体地，可以根据上述z轴方向的方向姿态曲线的波谷点和/或时间，对齐每个方向的所述方向姿态曲线；
[0091] 从每个方向的对齐后的所述方向姿态曲线中，提取频域特征数据；
[0092] 根据所述每个方向对应的所述方向姿态曲线的波峰点和/或波谷点，提取每个方向的所述方向姿态曲线中的时域特征数据；
[0093] 根据所述频域特征数据和所述时域特征数据，确定关键运动体态信息。
[0094] 并且利用下述步骤对人群分类模型进行训练，得到目标人群分类模型：
[0095] 将每个样本个体的日常活动信息和关键运动体态信息输入人群分类模型，得到每个样本个体的人群类型；
[0096] 根据获取的第三问卷的答案，以及每个样本个体的人群类型，确定本轮人群分类模型的损失值；
[0097] 当计算的损失值大于预设的损失阈值时，调整所述人群分类模型的模型参数，并返回执行所述将每个样本个体的日常活动信息和关键运动体态信息输入人群分类模型，直到计算的损失值小于预设的损失阈值；
[0098] 当计算的损失值小于预设的损失阈值时，将最后一轮迭代得到的人群分类模型作为目标人群分类模型。
[0099] S104：根据所述目标个体所属的目标人群类型，确定与所述目标人群类型对应的预设体质调理方案，并将所述体质调理方案发送给所述目标个体。
[0100] 这里，预设体质调理方案可以包括：膳食调理建议，按摩、拔罐、艾灸、中药等中医调理建议，或者可以包括提醒目标个体及时就医的就医警示等。
[0101] 实施例二
[0103] 如图2所示，本申请实施例二公开的体现个体化精准体质调理的方法，包括：
[0104] S201：根据获取的目标个体的个人信息生成第一问卷，以使所述目标个体生成第一问卷的答案。
[0105] 这里，目标个体的个人信息，包括：性别、年龄、身高、体重、家族病史等。根据目标个体的个人信息，生成第一问卷，这里，第一问卷可以在人机交互界面上显示，以使所述目标个体生成第一问卷的答案。
[0106] 具体地例如，用于对需要中医学调理的人群进行分类时，根据目标个体的个人信息进行分析，根据中医学的辨证理论，得出的目标个体大致属于的人群类型，获知目标个体对应的人群类型最容易出现的亚健康状态，从而根据所述亚健康状态生成第一文件。例如，如果根据中医学的辨证理论，判定目标个体对应的人群类型较为容易产生肥胖、便秘等健康问题，则生成有关肥胖或便秘的问询信息列表。具体地，为说明问题方便，以便秘为例：在中医领域，气虚体质人群便秘通常表现为大使不干不硬，虽有便意，但排便困难，用力努挣则汗出气短，使后乏力，面白神疲，肢倦懒言，舌淡苔白，脉弱等。因此，根据目标个体的个人信息进行分析，判定目标个体对应的人群类型较为容易产生便秘问题时，生成包括大便状态、是否排便困难、面色状态、舌苔状态等问题的第一问卷，以使所述目标个体生成第一问卷的答案。
[0107] S202：根据获取的第一问卷的答案，确定所述目标个体所属的初始人群类型。
[0108] 具体地例如，用于对需要中医学调理的人群进行分类时，根据获取的第一问卷的答案，根据中医学的辨证理论，确定所述目标个体所属的初始人群类型。具体地，为说明问题方便，以步骤S201中给出的第一问卷为例，根据目标个体对于包括大便状态、是否排便困难、面色状态、舌苔状态等问题的第一问卷的答案，确定所述目标个体是否是气虚体质人群。当然，这里只是给出一种实施例，实际实施时，可以进一步丰富第一问卷，根据中医学的辨证理论，通过获取的第一问卷的答案，确定所述目标个体所属的初始人群类型。
[0109] S203：根据所述目标个体所属的初始人群类型，生成第二问卷，以使所述目标个体生成第二问卷的答案。
[0110] 具体地例如，用于对需要中医学调理的人群进行分类时，根据获取的第一问卷的答案，可以根据目标个体所属的初始人群类型，获取目标个体常见的慢性病情况和亚健康情况，生成第二问卷。例如，如果目标个体所属的初始人群类型易患糖尿病，在第二问卷中可以包含有关血糖指数的问题；如果目标个体所属的初始人群类型易患高血压，在第二问卷中可以包含有关血压指数的问题等。
[0111] S204：根据获取的第二问卷的答案，确定所述目标个体的医疗信息。
[0112] 这里，目标个体的医疗信息包括：目标个体的日常饮食，目标个体现在正在进行的外用调理方案，例如推拿、艾灸、拔罐等，目标个体现在正在进行的药物调理方案，目标个体的血糖指数，目标个体的血压指数等。
[0113] S205：获取所述目标个体的日常活动信息。
[0114] 本申请实施例以智能鞋作为采集硬件为例，简述目标个体的日常活动信息的获取过程。
[0115] 智能鞋通常通过足底的多个传感器获取目标个体的日常活动信息，这里，目标个体的日常活动信息包括人体姿态向量。具体地，例如在使用智能鞋作为采集硬件时，人体姿态向量包括：人体运动中的加速度向量和角速度向量。其中，加速度向量可以使用加速度传感器获取；角速度向量可以使用角速度传感器，例如陀螺仪，获取。
[0116] 例如，目标个体的日常活动信息，可以包括六个方向的人体姿态向量，六个方向的人体姿态向量分别对应了三维空间中x轴、y轴和z轴的人体姿态向量。在具体实施时，三维空间中的x轴对应了目标个体前进方向上的前后方向，三维空间中的y轴对应了目标个体前进方向上的左右方向，三维空间中的z轴对应了目标个体与地面垂直的方向。六个方向的人体姿态向量分别对应了目标个体前进方向上的前后方向、左右方向和目标个体与地面垂直方向的人体姿态向量。
[0117] 由于以智能鞋作为采集硬件，主要是采集目标个体的步频和步态信息作为目标个体的日常活动信息，人行走的频率一般在110步/分钟，即1.8Hz，人跑步时的频率不会超过5Hz，因此，可以采用70-500Hz的采样频率对采集硬件上的传感器数据进行采样，从而在采集数据的准确性、采集硬件的采集效率、采集硬件的能耗等方面达到最好平衡效果。
[0118] 由于以智能鞋作为采集硬件，主要是采集目标个体的步频和步态信息作为目标个体的日常活动信息，而步频和步态信息具有明显的规律性。例如，目标个体在水平运动中，垂直和前进两个加速度会呈现周期性变化。在步行收脚的动作中，由于重心向上单只脚触地，垂直方向加速度是呈正向增加的趋势，之后继续向前，重心下移两脚触底，加速度相反。水平加速度在收脚时减小，在迈步时增加。
[0119] 加速度向量适合用于方向明确的运动的判别，可以判断目标个体正在进行走路还是跑步，上坡还是下楼。但是加速度向量无法对目标用户进行跌倒检测、运动周期环节检测、八字脚判别等，这是需要使用角速度向量来判别。因此，人体姿态向量还需要包括角速度向量。
[0120] 并且，人体运动中的加速度向量包括：六个方向的加速度向量，分别对应了目标个体前进方向上的前后方向、左右方向和目标个体与地面垂直方向的加速度向量。人体运动中的角速度向量包括：六个方向的角速度向量，分别对应了目标个体前进方向上的前后方向、左右方向和目标个体与地面垂直方向的角速度向量。
[0121] S206：对所述目标个体的日常活动信息进行预处理。
[0122] 由于目标个体的日常活动信息的数据量很大，以智能鞋作为采集硬件为例，智能鞋通过鞋底的传感器采集足底压力数据作为目标个体的日常活动信息，假设采样率为100Hz的情况下，每个足底通常布置3000个传感器，即采集3000个点在六个方向上的足底压力数据，因此每一秒钟内，每个目标个体的原始采样数据量为360万个，在数据挖掘领域中，即原始数据的维度在360万维度以上，这会给后面的数据处理带来巨大的运算量。因此为了降低运算量和运算复杂度，需要对目标个体的日常活动信息进行预处理。对目标个体的日常活动数据进行预处理的主要目的包括：降低日常活动数据中的噪声；降低原始的日常活动数据的维度；对原始的日常活动数据进行抽样。从而减低参与人群分类模型计算过程的日常活动数据的计算量，降低人体分类模型的运算复杂度。
[0123] 对目标个体的日常活动信息进行滤波，例如可以使用高通滤波器和低通滤波器对目标个体的日常活动信息进行滤波、可以使用低通滤波器对目标个体的日常活动信息进行滤波、或者使用带通滤波器对目标个体的日常活动信息进行滤波。
[0124] 以智能鞋作为采集硬件为例，智能鞋对目标个体的日常活动信息进行采集的过程中，电路中的电磁干扰是主要的信号干扰源，由于电磁干扰为高频噪声，而人体运动主要是在50Hz以内的低频信号，因此，可以使用低通滤波器滤除高频的电磁干扰噪声，例如，可以使用小波变换阈值法实现低通滤波器，从而滤除高频的电磁干扰噪声。
[0125] 由于，采集硬件对目标个体的水平运动进行采集时，如图4所示，得到的加速度向量与时间大致为一个正弦曲线。因此，在对目标个体的日常活动信息进行滤波时，可以进一步考虑目标个体的步频，也就是说相邻两步的时间间隔至少应该大于目标个体的连续两步之间的时间差，通常用秒为单位来描述目标个体的连续两步之间的时间差。结合目标个体的步频来过滤高频噪声，可以在准确性、硬件效率、能耗等方面取得最好平衡效果。
[0126] 同理，采集硬件获取的角速度向量也需要通过滤波，滤除高频噪声。
[0127] 滤除高频噪声后，分别计算每个所述日常活动信息的模，得到多个模数据，来降低人体姿态向量的维度。这里，用ax,ay,az分别表征x轴、y轴、z轴六个方向的加速度向量，用wx,wy,wz分别表征x轴、y轴、z轴六个方向的角速度向量。
[0128] 接下来，去除所述多个模数据中的噪声。
[0129] 对采集到四个区域的压力数据，在一个步态周期内平均化二值轮廓，由此，每个包含大量步态周期的步态视频序列被表示为一系列灰度均值化图片。
[0130] 将所述模数据分解到多个频段，并根据所述模数据的频率对所述模数据在多个频段进行抽样。
[0131] 可以使用任一小波变换操作，以智能鞋作为采集硬件为例，可以进行小波分解、对高频小波系数处理、小波重构三个步骤的小波变换操作，将模数据的时域信号离散化。这时，所述模数据是多种频率成分的混合信号。将所述模数据分解到不同频段，然后根据分解到不同频段后的所述模数据中的各种子信号在频域上的不同特征，对所述模数据进行抽样。
[0133] 具体地，以智能鞋作为采集硬件为例，也可以采用硬阈值法进行小波变换操作。
[0134] S207：获取日常活动信息中的关键运动体态信息。
[0135] 以智能鞋作为采集硬件为例，由于日常活动信息包含六个方向的人体姿态向量，因此，分别针对日常活动信息中每个方向的方向姿态向量，计算每个方向姿态向量的模，得到每个方向姿态向量的模数据；根据所述每个方向姿态向量的模数据绘制每个方向姿态向量对应的方向姿态曲线。如图4所示，是采集硬件获取的加速度向量模曲线。这里，根据所述每个方向对应的所述方向姿态曲线的波峰点和/或波谷点，获取关键运动体态信息。
[0136] 具体地，根据竖直方向的方向姿态曲线的波谷点和/或时间，对齐每个方向的所述方向姿态曲线。
[0137] 为了提高频域特征的统一性、对比性，提高根据频域特征对人目标个体进行人群分类的能力。根据垂直方向地方向姿态向量，即是z轴方向地方向姿态向量，对方向姿态向量进行对齐。根据相近时间的竖直方向的方向姿态曲线的波谷点，可以对齐每个方向的方向姿态曲线。
[0138] 具体地，以智能鞋作为采集硬件为例，先用线性插值算法将每个方向姿态向量地维数归一化到同一值，通过一阶差分算法搜索出归一化后垂直方向的方向姿态向量曲线上的波谷点，将上述波谷点作为参考点，用线性插值法将作用力中的前后、左右和垂直方向上的方向姿态向量曲线波形对齐，再用L层小波包分解算法，从每个方向的对齐后的所述方向姿态曲线中，提取频域特征数据。
[0139] 根据所述每个方向对应的所述方向姿态曲线的波峰点和/或波谷点，提取每个方向的所述方向姿态曲线中的时域特征数据。
[0140] 以智能鞋作为采集硬件为例，垂直方向上的方向姿态曲线的波峰点和波谷点为提取方向姿态曲线中的时域特征数据的关键点。
[0141] 方向姿态曲线中的时域特征数据包括：以垂直方向上的方向姿态曲线的关键点处的力值、上述力值出现的时相、相邻关键点作用力变化率和冲量；关键点对应的前后、左右方向上的方向姿态曲线上的波峰点和/或波谷点处的力值、驱动冲量(力-时间曲线上居于0点以上的力与时间的积分)和制动冲量(力-时间曲线上居于0点以下的力与时间的积分)等。
[0142] 根据所述频域特征数据和所述时域特征数据，确定关键运动体态信息。
[0143] 将上述时域特征和频域特征结合，进行融合后，得到关键运动体态信息。
[0144] S208：利用所述人群分类模型，根据所述目标个体的医疗信息和获取的所述目标个体的关键运动体态信息，确定所述目标个体所属的目标人群类型。
[0145] 具体地，人群分类模型可以使用任一种常用的机器学习算法，包括：非监督机器学习算法、监督机器学习算法、神经网络算法等。具体地例如，用于对需要中医学调理的人群进行分类时，可以使用支持向量机(Support Vector Machine，SVM)算法和/或神经网络模型。
[0146] 采用非线性映射径向基核函数将线性不可分的低维空间映射到线性可分的高维空间。N维空间线性函数的VC维大大减小，使算法具有良好的可扩展性；原问题转化为对偶问题后，算法运算量主要取决于样本中的支持向量数，使算法具有了较低的复杂度。这些特点使算法可以高效的解决高维问题。
[0147] 具体地，可以首先使用神经网络模型对目标个体的医疗信息进行处理，将目标个体的医疗信息作为神经网络模型的输入层，通过中间层神经元的计算，得到预测的目标个体的体制分类体质信息。例如，根据目标个体的年龄、性别、体重、病程、当前的血糖指数、当前的血压指数和当前运动所消耗的卡路里数，预测目标个体今后的血糖指数和血压指数，从而确定目标个体是否属于糖尿病人群或高血压人群。
[0148] 之后，根据神经网络模型的预测结果，根据目标个体的日常活动信息，确定目标个体所属的目标人群类型，这时得到的是细分的人群类型。
[0149] 计算样本个体的日常活动信息的标准差。
[0150] 以智能鞋作为采集硬件为例，a、b、c、d分别表示智能鞋的左脚在前后左右四个区域上的传感器采集的四个区域的日常活动信息，例如关键日常活动信息，对已经获取的样本个体的上述a、b、c、d的关键日常活动信息整体取标准差。
[0151] 根据所述目标个体的日常活动信息，确定所述目标个体的日常活动信息和所述标准差之间的偏离度。
[0152] 根据所述目标个体的医疗信息和所述偏离度，确定所述目标个体所述的目标人群类型。
[0153] 例如，正常人站立和行走时，左、右足底压力峰值压力分布基本相同；而糖尿病患者及临界者，关节活动度变小导致前足/后足压力明显增大，且压力分布不均衡。这样如站立状态，被进一步划分为正常站立和病态站立。也可以进一步划分目标个体属于何种病态步态。假设结合上述神经网络模型的预测结果，目标个体属于糖尿病人群，并且结合日常活动信息的分类结果，目标个体的步态呈现糖尿病的病态步态，可以将目标个体划分为糖尿病伤害到关节，从而影响日常运动的一类人群中去。
[0154] 对需要中医学调理的人群进行分类时，优选的使用SVM分类模型对人群进行分类。
[0155] SVM分类模型需要在高维空间中求最优分类面。在高维空间中求最优分类面的思路能够降低算法的复杂度，但算法的变换过程很复杂，然而通过对对偶问题中的寻优函数和分类函数仅需要计算训练样本的内积，因此，变换后的高维空间没有必要知道变换形式及过程，仅需要利用原空间函数计算其内积值。
[0156] 因而，将合适的内积函数应用于最优分类面中，非线性变换后就可以实现线性分类，并且计算复杂度反而减少。
[0157] 在初始人群类型和目标个体的医疗信息不同的情况下，按照上述方法分别根据初始人群类型和目标个体的医疗信息进行建模，形成不同的人群分类模型，这样可以用于不同目标个体的远程健康检测，形成针对每个目标个体体质的细分人群类型。
[0158] 这里，所述偏离度在机器学习算法中可以用人群边界中心距特征表示，边界中心距的定义是边界点到质心的距离。
[0159] 在确定所述目标个体所述的目标人群类型之前，还可以对目标个体的医疗信息、对目标个体的关键日常活动信息的时域特征数据和频域特征数据使用主成分分析技术(principal component analysis，PCA)进行预处理，从而进一步降维。这样，既使用了固定工作样本集方法，从而具有计算速度快的优点，又避免了当向量的个数超出工作样本集的规模时，人群分类模型仅优化支持向量中的一部分，从而带来的范围局限性的问题。
[0160] 以目标个体的关键日常活动信息为例。
[0161] 为了消除数据间不同量纲、不同数量级的影响，需要对目标个体的关键日常活动信息和/或偏离度的原始数据进行标准化处理，使其具有可比性，通过举证中的每个元素减去所在列的均值，然后除以所在列的标准差的方法，使得每个变量标准化为均值为0，方差为1的矩阵X。
[0162] 之后，确定相关系数矩阵，上述相关系数矩阵是实对称矩阵。并且，确定累计贡献率，根据累计贡献率和相关系数矩阵，挑选利用人群分类模型确定目标人群类型的样本集。
[0163] 当累计贡献率达到50％以上时，采用比高法将最高贡献率的目标个体的关键日常活动信息的时域特征数据和频域特征数据留下，作为固定工作样本集，其余的目标个体的关键日常活动信息的时域特征数据和频域特征数据舍弃。
[0164] 最后计算得分矩阵，通过累计贡献率挑选得到的样本集作为新变量的主成分。
[0165] 在分类过程中，根据所述目标个体的医疗信息和所述偏离度，确定所述目标个体所述的目标人群类型，如果所述人群分类模型中不存在与所述目标人群类型之间的相似度大于预设阈值的人群类型，根据所述目标人群类型新增一个人群类型，并更新所述人群分类模型。
[0166] S209：生成第三问卷，以使所述样本个体生成第三问卷的答案。
[0167] 这里，第三问卷的主要目的，是为了收集目标个体对于其所属的目标人群类型的认可度，从而佐证本申请实施例提供的体现个体化精准体质调理的方法的准确度和正确性。
[0168] S210：基于所述样本个体的日常活动信息、关键运动体态信息以及获取的第三问卷的答案，训练得到人群分类模型。
[0169] 随着样本量的增加，人群分类模型能够自适应不断优化完善，本方法在遗传算法的开始和结束阶段需要有适当的选择率。
[0170] 以SVM算法为例，SVM算法的适应度函数可以用来表征为SVM算法对样本划分正确率。根据样本划分正确率、所述样本个体的日常活动信息、关键运动体态信息以及获取的第三问卷的答案，训练得到人群分类模型。
[0171] 这里，通过保持多个群体和恰当地控制群体间的相互作用来模拟并行执行过程，从而即使不使用并行计算机，也能提高算法的执行效率。
[0172] 基于相同的技术构思，本申请实施例还提供一种基于人群类型的体质调理装置、电子设备、以及计算机存储介质等，具体可参见以下实施例。
[0173] 实施例三
[0174] 如图3所示是本申请实施例提供的一种体现个体化精准体质调理的装置300，包括：
[0175] 问卷信息获取模块301，用于根据获取的目标个体的个人信息生成第一问卷，以使所述目标个体生成第一问卷的答案，还用于获取第一问卷的答案；
[0176] 初步分类模块302，用于根据获取的第一问卷的答案，确定所述目标个体所属的初始人群类型；
[0177] 身体状态信息确定模块303，用于根据所述目标个体所属的初始人群类型，确定所述目标个体的身体状态信息；
[0178] 人群分类模块304，用于根据所述目标个体的身体状态信息，确定所述目标个体所属的目标人群类型；
[0179] 方案确定模块305，用于根据所述目标个体所属的目标人群类型，确定与所述目标人群类型对应的预设体质调理方案，并将所述体质调理方案发送给所述目标个体。
[0180] 实施例四
[0181] 如图4所示，是本申请实施例所提供的一种电子设备400的结构示意图，包括处理器401，存储器402，总线403，所述处理器401和存储器402通过总线403连接；处理器401用于执行存储器402中存储的可执行模块，例如计算机程序。
[0182] 其中，存储器402可能包含高速随机存取存储器(Random Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0183] 总线403可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component Interconnect，PCI)总线或扩充工业标准总结结构(Extended Industry Standard Architecture，EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
[0184] 其中，存储器402用于存储程序，所述处理器401在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器401中，或者由处理器401实现。
[0185] 处理器401可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器401中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器401可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器402，处理器401读取存储器402中的信息，结合其硬件完成上述方法的步骤。
[0186] 本发明实施例提供的一种体现个体化精准体质调理的装置及电子设备，与上述实施例提供的一种体现个体化精准体质调理的方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
[0187] 实施例五
[0188] 本实施例公开了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述实施例的体现个体化精准体质调理的方法中的步骤。
[0189] 本申请实施例所提供的进行一种体现个体化精准体质调理的方法的计算机程序产品，包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
[0190] 所属领域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、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0191] 在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0192] 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，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0193] 另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0194] 所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
[0195] 最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种电力物联网中基于D2D通信的MEC定价卸载方法 | 2020-05-08 | 206 |
| 一种包含参数跟踪的感应电机状态强跟踪滤波估计方法 | 2020-05-08 | 958 |
| 一种输电断面热稳定功率极限区间识别方法及系统 | 2020-05-08 | 776 |
| 一种固体火箭发动机装药燃面确定方法 | 2020-05-08 | 909 |
| 一种基于比特币交易时序序列相似性的用户聚类方法 | 2020-05-11 | 540 |
| 一种适用于水下机器人目标抓取的连续跟踪方法 | 2020-05-08 | 843 |
| 一种存储设备量产方法、装置、存储介质及电子设备 | 2020-05-11 | 157 |
| 在大规模MIMO中基于光滑范数的压缩感知信道估计方法 | 2020-05-08 | 150 |
| 一种基于深度学习的白细胞大视场图像检测系统及方法 | 2020-05-08 | 863 |
| 基于改进决策树的客户分群方法及装置 | 2020-05-08 | 214 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈