[发明专利]一种基于人工智能自适应个体体征进行“量身定制”饮食滋补模型方法

权利要求书

1.一种基于人工智能自适应个体体征进行“量身定制”饮食滋补模型方法，其特征在于：所述基于人工智能自适应个体体征进行“量身定制”饮食滋补模型方法包括如下步骤：

1)输入因子的确定：输入因子包括静态特征和动态特征两级特征。静态特征包括：年龄、性别、身高、体重、生理周期、慢性病；动态特征包括：季节、气候、节气；

2)整体人群对象画像调理模型，当首次使用，未形成最适合个人的“个体体质画像饮食调理模型”时，使用“整体人群对象画像调理模型”，即根据医生；建议，进行饮食管理调节；

3)个体体质画像特征调理模型；因每个人有具体的年龄、体重、性别、慢性病史等用户画像信息，个人均有其在人群中的属性，本方法则根据使用者静态特征和不断调整的动态特征，结合饮食干预后的身体机能反馈，根据定期体质评估不断反馈修正个体模型，同时，个人模型作为“整体人群对象画像调理模型”的输入因子，影响该整体人群的该对应画像类型的模型；

4)三角质量评价矩阵，采集用户实际运动、饮食、外用、调理及体质评估数据。运动通过智能手环/手表，或智能鞋作为运动采集硬件，饮食、外用、调理情况、体质评估通过app或医生问诊后台录入；

5)预处理(降维/典型验证模块)，由于处理的数据包括通过智能手环/手表，或智能鞋作为运动采集的加速度运动饮食调理、体质评估数据，数据量较大，通过降维、去噪等方式，简化计算量，用优化的支持向量机分层级结合不同层级数据，用于定时采集用户佩戴的加速度传感器输出的加速度数据，并经小波变换过滤高频噪声，通过自适应的算法匹配，在不同特定判别过程只调用有限的不同传感器功能工作，提取不同特定的特征计算，分析环节综合不同特征降维取样，大大减少了计算量，通过重点计算验证环节，又保证了正确性；同时将重点验证环节放在云端，其余计算放在可穿戴设备端，有效地平衡了快速反应和计算量的矛盾，既全面采集运动状态的细节特征，计算量和功耗大大减少；

6)深度学习模块，将运动预处理后的数据和预判准确性判别模块进行准确性判断；对用户基本信息采集单元采集到的用户基本信息进行分析以确定该用户的初级类别：次级用户信息采集单元生成单元，用于根据所述用户的初级类别，生成用于进一步采集用户信息的包括次级用户信息边工页的人机交互界面，次级用户信息采集单元，将所述人机交互界面提供给用户，计算单元，利用所述次级用户信息采集单元采集到的用户特征数据和数据库单元存储的特征与事件之间的相关性数据计算所述用户特征与事件之间的综合关联值，用户分类单元，对所述计算单元计算的所述相关值对用户进行分类:结果输出单元，输出分类结果；

还包括数据库单元，用于存储特征与事件之间的相关性数据，所述计算单元为分级嵌套计算单元，包括第一级分级嵌套计算单元到第N级分级嵌套计算单元，N为大于等于2的自然数，所述数据库单元中存储的特征与事件之间的相关性数据是根据己有的经验数据构建，上述相关性数据不必然是数字，其包括但不限于是比值、百分数、概率；

用户基本信息包括:性别、年龄、身高、体重、家族病史；

次级用户信息包括:运动数据、饮食、外用、调理方案；

三级所述分类结果为目标客户具体体质评估数值，X为模型需求精度得分，得分高于该企业模型历史最高分则将监督因子置为1，否则为0。