【技術實現步驟摘要】
本專利技術涉及大數據分析，具體是基于大數據分析的評估脂肪酸平衡脂肪粉應用效果的方法。
技術介紹
1、脂肪酸平衡通常指脂肪酸的組成比例達到一個較為適宜的水平，避免某一種類型的脂肪酸占比過高或過低。
2、常見的主要脂肪酸類型包括：飽和脂肪酸(sfa)、單不飽和脂肪酸(mufa)、多不飽和脂肪酸(pufa)；
3、其中，mufa和pufa一般被認為對健康較為有利，而sfa長期過量攝入可能會增加一些疾病風險。
4、而脂肪酸平衡脂肪粉的作用是為人體提供含量均衡且適宜的不同類型脂肪酸。
5、目前向受眾人群提供脂肪粉的攝入建議往往是粗略的和依靠主觀經驗的，一般是根據受眾的年齡性別等直觀的因素提供建議，然而不同的受眾身體的各項生理參數差異較大，因此實際上，脂肪粉對不同受眾的應用效果也存在巨大差異，也難以對應用效果做出一個客觀的評估；因此，需要一種對應用效果進行評估，并針對不同的人群，生成能提供良好應用效果的建議攝入參數的方法，以為營養師向用戶提供攝入參數建議時提供參考；
6、為此，本專利技術提出基于大數據分析的評估脂肪酸平衡脂肪粉應用效果的方法。
技術實現思路
1、本專利技術旨在至少解決現有技術中存在的技術問題之一。為此，本專利技術提出基于大數據分析的評估脂肪酸平衡脂肪粉應用效果的方法，以量化方式解決不同人群脂肪酸平衡脂肪粉應用效果的預測評估和應用效果提升的問題。
2、為實現上述目的，提出基于大數據分析的評估脂肪酸平衡脂肪粉應
3、步驟一：預先收集n個測試人員的歷史應用人群生理樣本數據、歷史攝入參數樣本數據和歷史應用效果樣本數據；n為選擇的測試人員的數量；
4、步驟二：基于歷史應用人群生理樣本數據，使用聚類算法，將測試人員劃分為k個人群聚類簇；k為預設的人群聚類簇的數量；
5、步驟三：對于每個人群聚類簇，基于歷史攝入參數樣本數據和歷史應用效果樣本數據，為每個攝入參數設置攝入范圍；
6、步驟四：對于每個人群聚類簇，以歷史應用人群生理樣本數據和歷史攝入參數樣本數據為輸入，以歷史應用效果樣本數據為輸出，訓練應用效果預測模型；
7、步驟五：收集待評估人員的生理數據，基于生理數據和人群聚類簇，獲得待評估人員所屬于的聚類簇作為目標聚類簇；
8、步驟六：基于目標聚類簇的應用效果預測模型，各個攝入參數的攝入范圍以及生理數據，構建應用效果優化問題；通過求解應用效果優化問題，輸出建議的脂肪粉攝入參數；
9、其中，所述預先收集n個測試人員的歷史應用人群生理樣本數據、歷史攝入參數樣本數據和歷史應用效果樣本數據包括以下步驟：
10、步驟11：預先征集n個志愿者作為測試人員；
11、步驟12：在監測周期開始前為每個志愿者設置不同脂肪粉的攝入參數，且在監測周期開始前收集每個志愿者的生理參數集合，在監測周期結束時，收集每個志愿者的應用效果參數；其中，監測周期的時長為預設的時長參數；
12、所述應用效果參數為監測周期前后，效果評估指標lrs的變化量；所述效果評估指標lrs可以是皮下脂肪厚度；
13、步驟13：將每個測試人員的生理參數集合組成歷史應用人群生理樣本數據，將每個測試人員的應用效果參數組成歷史應用效果樣本數據；
14、所述將測試人員劃分為k個人群聚類簇包括以下步驟：
15、步驟21：對于每個測試人員，將該測試人員的每個監測周期的生理參數集合組成一組生理特征向量；
16、將每個生理特征向量作為一個m維離散點；其中，m為生理特征向量的維度，所述m維離散點在每一個維度的坐標對應生理特征向量中的一個生理參數；
17、步驟22：隨機選擇k個m維離散點作為初始聚類中心，其余的m維離散點作為非初始聚類中心；
18、步驟23：對于每個非初始聚類中心，計算到每個初始聚類中心的歐式距離，將每個m維離散點劃分至離其最近的初始聚類中心所在的聚類簇中；
19、步驟24：計算每個聚類簇內m維離散點的每個維度對應的生理參數的平均值，將每個維度對應的生理參數的平均值組成新的m維離散點，將該新的m維離散點作為該聚類簇的新聚類中心；
20、步驟25：重新計算每個m維離散點到每個新聚類中心的歐式距離，將每個m維離散點重新劃分到最近的新聚類中心所在的聚類簇中；
21、步驟26：重復步驟24-25，直至所有劃分的聚類簇中的m維離散點不再變化，將每個聚類簇的編號標記為k，k＝1，2，3，...k；獲得每個聚類簇中包含的所有m維離散點，將其中的所有m維離散點組成離散點集合；每個聚類簇對應一個人群聚類簇，第k個所述人群聚類簇包括第k個聚類簇的新聚類中心的m維空間坐標，以及第k個聚類簇中每個m維離散點對應的測試人員以及測試人員的生理特征向量；
22、所述對于每個人群聚類簇，基于歷史攝入參數樣本數據和歷史應用效果樣本數據，為每個攝入參數設置攝入范圍的方式為：
23、對第k個人群聚類簇中所有測試人員的應用效果參數進行評估，篩選出效果評估指標lrs變化量未超范圍的測試人員，組成正常測試人員集合，將正常測試人員集合標記為ek；
24、收集正常測試人員集合ek中，每個測試人員的各項攝入參數的參數值；
25、將各個攝入參數的編號標記為i，對于第i個攝入參數，統計正常測試人員集合ek中各個測試人員該攝入參數的最大值和最小值，將第i個攝入參數的最大值標記為ki_max，將第i個攝入參數的最小值標記為ki_min；
26、所述訓練應用效果預測模型的方式為：
27、對于第k個人群聚類簇：
28、將第k個人群聚類簇對應的每個測試人員的生理特征向量和各個攝入參數的參數值組成一組應用效果特征向量；
29、將第k個人群聚類簇的每組應用效果特征向量作為應用效果預測模型的輸入，所述應用效果預測模型以對每個測試人員對應的應用效果參數的預測值作為輸出；所述應用效果預測模型以每個測試人員的應用效果參數的參數值作為預測目標，以應用效果參數的預測值和應用效果參數的參數值之間的差值作為預測誤差，以最小化各個測試人員的預測誤差的平方和均值作為訓練目標；對應用效果預測模型進行訓練，直至預測誤差的平方和均值達到收斂時停止訓練；所述應用效果預測模型為多項式回歸模型；
30、所述收集待評估人員的生理數據，基于生理數據和人群聚類簇，獲得待評估人員所屬于的聚類簇作為目標聚類簇的方式為：
31、收集待評估人員的各項生理參數的參數值組成待評估人員的生理數據；
32、將生理數據作為一組待評估生理特征向量，將待評估生理特征向量對應的m維離散點作為目標點，計算目標點與每個人群聚類簇的中心點的歐式距離，將歐式距離最小的人群聚類簇作為目標聚類簇；
33、所述構建應用效果優化問題的方式為：
34、將目標聚類簇對應本文檔來自技高網...
【技術保護點】
1.基于大數據分析的評估脂肪酸平衡脂肪粉應用效果的方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于大數據分析的評估脂肪酸平衡脂肪粉應用效果的方法，其特征在于，所述預先收集N個測試人員的歷史應用人群生理樣本數據、歷史攝入參數樣本數據和歷史應用效果樣本數據包括以下步驟：
3.根據權利要求2所述的基于大數據分析的評估脂肪酸平衡脂肪粉應用效果的方法，其特征在于，所述應用效果參數為監測周期前后，效果評估指標LRS的變化量。
4.根據權利要求3所述的基于大數據分析的評估脂肪酸平衡脂肪粉應用效果的方法，其特征在于，所述將測試人員劃分為K個人群聚類簇包括以下步驟：
5.根據權利要求4所述的基于大數據分析的評估脂肪酸平衡脂肪粉應用效果的方法，其特征在于，所述對于每個人群聚類簇，基于歷史攝入參數樣本數據和歷史應用效果樣本數據，為每個攝入參數設置攝入范圍的方式為：
6.根據權利要求5所述的基于大數據分析的評估脂肪酸平衡脂肪粉應用效果的方法，其特征在于，所述訓練應用效果預測模型的方式為：
7.根據權利要求6所述的基于大
8.根據權利要求7所述的基于大數據分析的評估脂肪酸平衡脂肪粉應用效果的方法，其特征在于，所述構建應用效果優化問題的方式為：
9.根據權利要求8所述的基于大數據分析的評估脂肪酸平衡脂肪粉應用效果的方法，其特征在于，所述應用效果優化問題以目標優化函數為優化目標，以所有攝入參數的約束條件作為約束條件集合；
10.一種電子設備，其特征在于，包括：處理器和存儲器，其中：
11.一種計算機可讀存儲介質，其特征在于，其上存儲有可擦寫的計算機程序；
...【技術特征摘要】
1.基于大數據分析的評估脂肪酸平衡脂肪粉應用效果的方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于大數據分析的評估脂肪酸平衡脂肪粉應用效果的方法，其特征在于，所述預先收集n個測試人員的歷史應用人群生理樣本數據、歷史攝入參數樣本數據和歷史應用效果樣本數據包括以下步驟：
3.根據權利要求2所述的基于大數據分析的評估脂肪酸平衡脂肪粉應用效果的方法，其特征在于，所述應用效果參數為監測周期前后，效果評估指標lrs的變化量。
4.根據權利要求3所述的基于大數據分析的評估脂肪酸平衡脂肪粉應用效果的方法，其特征在于，所述將測試人員劃分為k個人群聚類簇包括以下步驟：
5.根據權利要求4所述的基于大數據分析的評估脂肪酸平衡脂肪粉應用效果的方法，其特征在于，所述對于每個人群聚類簇，基于歷史攝入參數樣本數據和歷史應用效果樣本數據，為每個攝入參數設置攝入范圍的方式為：
<...【專利技術屬性】
技術研發人員：張燕兵，魏偉，趙世偉，尹華孟，
申請(專利權)人：山東創脂生物科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。