【技術實現步驟摘要】
本申請涉及飲食管理及數據采集，具體而言，涉及一種基于物聯網的糖尿病患者飲食數據采集方法及系統。
技術介紹
1、糖尿病患者在日常飲食中必須特別注意控制糖分的攝入量，同時也要關注進食的總量和營養的均衡性。為了保持健康，糖尿病患者應當盡量選擇清淡的食物，避免攝入過多的高脂肪食品。因此，對于糖尿病患者而言，嚴格監控飲食數據顯得尤為重要。
2、在現實生活中，糖尿病患者通常會采用手動記錄的方式來追蹤他們的飲食數據。例如，他們可能會通過筆記的方式詳細記錄下每一種食物的類型以及相應的數量。然而，這種手動記錄的方法不僅過程繁瑣，而且容易出現各種問題。例如，患者可能會因為各種原因忘記記錄某些食物的攝入量，或者在記錄過程中出現筆誤，甚至在估算食物數量時產生偏差。這些問題都會導致飲食數據的不準確，進而影響到糖尿病患者的健康管理。
3、基于此，有必要研究一種更加科學、簡便的飲食數據采集方法及系統，以監控糖尿病患者的飲食情況。
技術實現思路
1、為解決上述問題，本申請實施例的一個方面提供一種基于物聯網的糖尿病患者飲食數據采集方法，該方法包括：
2、獲取目標食物的重量數據，以及所述目標食物對應的待識別食物圖像；
3、利用特征識別模型中的第一特征提取網絡對所述目標食物對應的待識別食物圖像進行表層特征提取處理，得到表層圖像特征；
4、通過所述特征識別模型中的第二特征提取網絡對所述表層圖像特征進行第一深度特征提取處理，得到第一深度圖像特征，并通過所述特征識別
5、利用所述特征識別模型中的自適應網絡，根據所述表層圖像特征確定所述第一深度圖像特征和所述第二深度圖像特征分別對應的特征權重；
6、根據所述第一深度圖像特征、所述第二深度圖像特征、以及所述第一深度圖像特征和所述第二深度圖像特征分別對應的特征權重，確定所述待識別食物圖像反映出來的飲食數據特征；
7、基于所述重量數據以及所述飲食數據特征執行飲食數據采集任務。
8、在一些實施例中，所述目標食物的重量數據包括食用前的第一重量數據和食用后的第二重量數據，所述目標食物對應的待識別食物圖像包括食用前采集的至少一張第一狀態圖像和食用后采集的至少一張第二狀態圖像；
9、所述待識別食物圖像反映出來的飲食數據特征包括所述至少一張第一狀態圖像反映出來的第一飲食數據特征和所述至少一張第二狀態圖像反映出來的第二飲食數據特征；
10、所述基于所述重量數據以及所述飲食數據特征執行飲食數據采集任務，包括：基于所述第一重量數據與所述第二重量數據的差異，以及所述第一飲食數據特征與所述第二飲食數據特征的差異執行所述飲食數據采集任務。
11、在一些實施例中，在未采集到所述第二重量數據和/或所述第二狀態圖像時，基于預設的第二重量數據和/或預設的第二飲食數據特征執行所述飲食數據采集任務。
12、在一些實施例中，所述基于所述第一重量數據與所述第二重量數據的差異，以及所述第一飲食數據特征與所述第二飲食數據特征的差異執行所述飲食數據采集任務，包括：
13、基于所述第一重量數據與所述第二重量數據的差異得到第一特征向量，基于所述第一飲食數據特征與所述第二飲食數據特征的差異得到第二特征向量；
14、對所述第一特征向量和所述第二特征向量進行融合，得到融合特征向量；
15、將所述融合特征向量輸入訓練好的飲食數據識別模型進行處理，得到目標飲食數據，其中，所述目標飲食數據包括至少一種攝入食物類型及其對應的數量。
16、在一些實施例中，所述飲食數據識別模型基于如下方式訓練得到：
17、獲取樣本融合特征向量以及所述樣本融合特征向量對應的標簽信息，其中，所述標簽信息包括所述樣本融合特征向量對應的食物類型及食物數量；
18、將所述樣本融合特征向量輸入初始飲食數據識別模型，得到初始預測結果；
19、計算所述初始預測結果與所述標簽信息之間的差異，得到誤差信號，并根據所述誤差信號調整所述初始飲食數據識別模型的參數，以減小所述誤差信號；
20、當所述誤差信號小于預設閾值時，得到訓練好的飲食數據識別模型。
21、在一些實施例中，所述第一特征提取網絡基于第一樣本集訓練得到，所述第一樣本集包括分區食物圖像和混合食物圖像，所述第一特征提取網絡用于對所述分區食物圖像和/或混合食物圖像進行表層特征提取處理，得到表層訓練圖像特征；
22、所述第二特征提取網絡基于第二樣本集訓練得到，所述第二樣本集包括分區食物圖像，所述第二特征提取網絡用于對所述第一特征提取網絡輸出的表層訓練圖像特征進行深度特征提取處理，得到第一深度訓練圖像特征；
23、所述第三特征提取網絡基于第三樣本集訓練得到，所述第三樣本集至少包括混合食物圖像，所述第三特征提取網絡用于對所述第一特征提取網絡輸出的表層訓練圖像特征進行深度特征提取處理，得到第二深度訓練圖像特征；
24、所述自適應網絡用于根據所述第一特征提取網絡輸出的表層訓練圖像特征，確定所述第二特征提取網絡輸出的第一深度訓練圖像特征和所述第三特征提取網絡輸出的第二深度訓練圖像特征分別對應的特征權重；
25、所述特征識別模型基于所述第一特征提取網絡、所述第二特征提取網絡、所述第三特征提取網絡以及所述自適應網絡構建得到。
26、在一些實施例中，所述特征識別模型與所述飲食數據識別模型通過協同訓練得到，所述協同訓練過程包括：根據所述誤差信號調整所述特征識別模型及所述初始飲食數據識別模型的參數，以減小所述誤差信號。
27、在一些實施例中，所述特征識別模型中包括m個第三特征提取網絡，m為大于或等于1的整數；當m大于1時，所述m個第三特征提取網絡分別側重于不同混合方式的混合食物圖像的特征提取，所述m個第三特征提取網絡基于大量具有不同混合方式的混合食物圖像訓練得到；
28、所述利用所述特征識別模型中的自適應網絡，根據所述表層圖像特征確定所述第一深度圖像特征和所述第二深度圖像特征分別對應的特征權重，包括：
29、通過所述自適應網絡，根據所述表層圖像特征確定多維特征權重，其中，所述多維特征權重中包括所述第一深度圖像特征對應的特征權重和m個所述第二深度圖像特征分別對應的特征權重，m個所述第二深度圖像特征通過m個所述第三特征提取網絡進行特征提取得到。
30、本申請實施例的另一個方面還提供一種基于物聯網的糖尿病患者飲食數據采集系統，該系統包括：
31、獲取模塊，用于獲取目標食物的重量數據，以及所述目標食物對應的待識別食物圖像；
32、表層特征提取模塊，用于利用特征識別模型中的第一特征提取網絡對所述本文檔來自技高網...
【技術保護點】
1.一種基于物聯網的糖尿病患者飲食數據采集方法，其特征在于，包括：
2.如權利要求1所述的方法，其特征在于，所述目標食物的重量數據包括食用前的第一重量數據和食用后的第二重量數據，所述目標食物對應的待識別食物圖像包括食用前采集的至少一張第一狀態圖像和食用后采集的至少一張第二狀態圖像；
3.如權利要求2所述的方法，其特征在于，在未采集到所述第二重量數據和/或所述第二狀態圖像時，基于預設的第二重量數據和/或預設的第二飲食數據特征執行所述飲食數據采集任務。
4.如權利要求2所述的方法，其特征在于，所述基于所述第一重量數據與所述第二重量數據的差異，以及所述第一飲食數據特征與所述第二飲食數據特征的差異執行所述飲食數據采集任務，包括：
5.如權利要求4所述的方法，其特征在于，所述飲食數據識別模型基于如下方式訓練得到：
6.如權利要求5所述的方法，其特征在于，所述第一特征提取網絡基于第一樣本集訓練得到，所述第一樣本集包括分區食物圖像和混合食物圖像，所述第一特征提取網絡用于對所述分區食物圖像和/或混合食物圖像進行表層特征提取處理，得到表層
7.如權利要求6所述的方法，其特征在于，所述特征識別模型與所述飲食數據識別模型通過協同訓練得到，所述協同訓練過程包括：根據所述誤差信號調整所述特征識別模型及所述初始飲食數據識別模型的參數，以減小所述誤差信號。
8.如權利要求7所述的方法，其特征在于，所述特征識別模型中包括m個第三特征提取網絡，m為大于或等于1的整數；當m大于1時，所述m個第三特征提取網絡分別側重于不同混合方式的混合食物圖像的特征提取，所述m個第三特征提取網絡基于大量具有不同混合方式的混合食物圖像訓練得到；
9.一種基于物聯網的糖尿病患者飲食數據采集系統，其特征在于，包括：
10.如權利要求9所述的系統，其特征在于，所述目標食物的重量數據包括食用前的第一重量數據和食用后的第二重量數據，所述目標食物對應的待識別食物圖像包括食用前采集的至少一張第一狀態圖像和食用后采集的至少一張第二狀態圖像；
...【技術特征摘要】
1.一種基于物聯網的糖尿病患者飲食數據采集方法，其特征在于，包括：
2.如權利要求1所述的方法，其特征在于，所述目標食物的重量數據包括食用前的第一重量數據和食用后的第二重量數據，所述目標食物對應的待識別食物圖像包括食用前采集的至少一張第一狀態圖像和食用后采集的至少一張第二狀態圖像；
3.如權利要求2所述的方法，其特征在于，在未采集到所述第二重量數據和/或所述第二狀態圖像時，基于預設的第二重量數據和/或預設的第二飲食數據特征執行所述飲食數據采集任務。
4.如權利要求2所述的方法，其特征在于，所述基于所述第一重量數據與所述第二重量數據的差異，以及所述第一飲食數據特征與所述第二飲食數據特征的差異執行所述飲食數據采集任務，包括：
5.如權利要求4所述的方法，其特征在于，所述飲食數據識別模型基于如下方式訓練得到：
6.如權利要求5所述的方法，其特征在于，所述第一特征提取網絡基于第一樣本集訓練得到，所述第一樣本集包括分區食物圖像和混合食物圖像，所述第...
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。