一种基于智能体脂秤的提醒方法及系统与流程

本发明涉及健康检查领域，具体为一种基于智能体脂秤的提醒方法及系统。

背景技术：

1、近年来，随着公众健康意识的显著提高，人们对于个人健康管理的关注也日益增强。在众多健康指标中，体脂率因其直接关系到个体的身体成分和健康状况，而受到广泛重视。有效的体脂管理不仅有助于保持良好的体型，更是预防多种慢性疾病的关键。

2、然而，传统的体脂检测方法，如使用体脂秤，通常只能提供用户当前的体脂数据，这些数据往往是孤立的，难以反映出用户体脂的长期变化趋势。用户仅凭这些即时的数据点，很难对自身的体脂状况形成一个全面、动态的认识。此外，这种传统方法也无法根据个体的具体情况提供个性化的体脂管理建议，使得用户在制定和执行健康管理计划时缺乏针对性和有效性。因此，全面地掌握个人体脂状况及其未来变化趋势，并据此采取有效的健康管理措施，对个人的健康管理显得尤为重要。为此，我们提出一种基于智能体脂秤的提醒方法及系统。

技术实现思路

1、本发明的目的在于提供一种基于智能体脂秤的提醒方法及系统，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：一种基于智能体脂秤的提醒方法，所述方法的步骤包括：

3、采集步骤，通过体脂采集设备获取用户的体脂数据；

4、识别步骤，确定当前使用体脂秤的用户身份，并检索对应的用户信息；

5、预测步骤，利用预测模型，基于采集的体脂数据和用户信息，预测用户未来六个月内的每个月体脂的变化趋势；

6、记录步骤，将用户的体脂数据、用户信息及体脂变化趋势的预测数据存储于一数据库中；

7、反馈步骤，将体脂检测结果及体脂变化趋势通过一显示设备展示给用户，并将该信息发送至用户指定的接收渠道，以便提醒用户其体脂状况及未来的体脂变化趋势。

8、一种实现上述方法的系统，包括体脂获取层、体脂检测层、数据记录层和结果反馈层；

9、所述体脂获取层包括用户识别模块和体脂采集模块；

10、所述用户识别模块，用于识别当前进行体脂检测的用户，并获取用户信息，该模块具有判断用户是否为新用户的功能，对于新用户，提示输入相关信息，对于非新用户，则从数据记录层查询已存储的用户信息；最后将获取的用户信息发送到体脂检测层；

11、所述体脂采集模块，用于采集人体的体脂数据，并将这些数据发送到体脂检测层；

12、所述体脂检测层包括体脂预测模块和体脂分析模块；

13、所述体脂预测模块，用于构建和训练预测模型，该预测模型能够基于采集的体脂数据和用户信息，预测用户未来六个月内的每个月体脂的变化趋势；

14、所述体脂分析模块，接收来自体脂采集模块的数据以及用户识别模块的用户信息，将这些数据输入到体脂预测模块中的预测模型，得出体脂变化的预测数据，并将体脂采集数据、用户信息和预测数据一并发送到数据记录层进行存储；

15、所述数据记录层包括存储模块，该存储模块用于保存和更新用户信息、体脂采集记录以及体脂变化趋势的预测记录；

16、所述结果反馈层包括展示模块和提醒模块；

17、所述展示模块，从数据记录层的存储模块中查询并获取当前用户的体脂检测结果，并通过显示设备向用户展示；

18、所述提醒模块，与展示模块相连，用于将体脂检测结果发送到用户指定的信息接收渠道，以便及时提醒用户的体脂状况及预测趋势。

19、优选的，所述用户识别模块包括人脸识别装置，采用人脸识别技术辨认当前用户身份。

20、优选的，所述用户识别模块提示新用户输入的相关信息包括姓名、性别、年龄、体重、最近一个月平均每日摄入卡路里和最近一个月平均每日运动量。

21、优选的，所述预测模型的构建和训练步骤包括：

22、步骤1：收集大量体脂检测数据，构建成一个训练数据集，其中每一条数据记录均以个人为维度进行组织和存储；针对每一条数据记录，包含个人的基本信息和动态信息，其中基本信息至少包括个人的性别和年龄；所述动态信息以月为维度进行记录，且涵盖个人连续六个月的测量信息，每个月的测量信息至少包括测量时的体重、该月内平均每日摄入的卡路里量、该月内平均每日运动量以及体脂量；

23、步骤2：数据预处理，将步骤1中收集的训练数据集进行清洗，处理缺失值和异常值，形成规整的数据集；

24、步骤3：特征选择，从规整的数据集中取出基本信息和动态信息作为体脂变化密切相关的特征；

25、步骤4：划分数据集，将处理后的数据集划分为训练集、验证集和测试集，其中训练集用于模型的训练，验证集用于模型效果的验证和优化，测试集用于在未知数据集上验证模型的泛化能力；

26、步骤5：模型选择，根据体脂预测问题的特性，选择适合的模型，该模型应能处理时间序列数据并预测未来体脂变化趋势；

27、步骤6：初始化模型参数，为所选预测模型设定初始参数，准备进行训练；

28、步骤7：模型训练，使用训练集对预测模型进行训练，通过优化算法不断调整模型参数，以最小化预测值与实际值之间的差距；

29、步骤8：模型验证与优化，使用验证集对训练好的模型进行验证，根据验证结果调整模型参数或结构，以提高预测的准确性；

30、步骤9：模型评估，使用测试集通过设定的评估指标对优化后的模型进行全面评估，确保模型性能达到预期标准；

31、步骤10：模型保存与部署，将训练并验证完成的预测模型保存，并部署到体脂检测层的体脂预测模块中，以供后续实时预测用户使用。

32、优选的，选择长短期记忆网络lstm模型创建预测模型，具体方法为：设计一个多层的lstm神经网络结构，包含至少一个输入层、一个或多个lstm隐藏层，以及一个输出层；配置输入层以接收并处理多个时间步长的训练数据；在lstm隐藏层中，设置适当数量的lstm单元，用于学习并记忆数据中的时间依赖性，捕捉体脂变化趋势；配置输出层以产生未来体脂值的预测结果。

33、优选的，初始化预测模型参数的步骤包括：s1、初始化lstm神经网络的权重参数和偏置参数；s2、设定学习率，用于控制网络权重更新的步长，以保证训练的稳定性和收敛速度；s3、确定批次大小，即每次训练迭代中使用的样本数量，以平衡训练速度和内存使用；s4、设定训练轮次，即整个数据集的训练遍数；s5、选择自适应性矩估计adam作为优化器，用于在训练过程中调整网络权重；s6、定义均方误差mse作为损失函数，用于量化模型预测与实际体脂值之间的差距。

34、优选的，在步骤7中训练模型的具体方法为：

35、a、使用划分好的训练数据集对lstm神经网络进行迭代训练，每次迭代中，将训练数据作为输入，对应的未来体脂值作为目标输出；

36、b、通过前向传播计算网络的输出，并利用定义的损失函数计算预测值与实际值之间的误差；

37、c、应用反向传播算法和优化器，根据计算出的误差更新网络的权重参数和偏置参数，以最小化预测误差；

38、d、在训练过程中，定期使用验证数据集评估模型的性能，通过监控损失函数值和验证误差来判断是否出现过拟合，并据此调整模型结构或提前终止训练；

39、e、完成训练后，使用测试数据集评估模型的泛化能力，通过计算测试误差来量化模型的预测精度。

40、优选的，所述展示模块提供用户友好的数据分析报告，该报告能够清晰展示用户体脂数据的变化趋势，帮助用户掌握自身健康状态的演变，并根据体脂数据为用户提供合理的饮食建议和运动建议。

41、优选的，所述提醒模块采用多元化的提醒方式，包括手机app推送通知、短信以及电子邮件，以确保用户能够在第一时间接收到体脂检测结果和相关的健康建议。

42、与现有技术相比，本发明的有益效果是：

43、传统的体脂秤只能提供即时的体脂数据，本发明通过采集用户的体脂数据和其他相关信息，利用先进的预测模型，能够为用户个性化地预测未来六个月内每个月的体脂变化趋势，为用户提供了一个长期、动态的体脂管理视角，有助于用户更科学地规划自己的健康计划；通过多元化的提醒方式，包括手机app推送、短信和电子邮件，确保用户能够在第一时间接收到体脂检测结果及预测趋势，通过即时的反馈机制有助于增强用户的健康管理意识，促使及时采取行动以改善体脂状况。