周 期行 为报告 的生 成方 法及 装置 、 存储介质 、 电子设 备 相关 申请的交叉 引用 本申请基于申请号为 2021115451225, 申请日为 2021年 12月 17日的中国专利申请， 以 及申请号为 2021115451210申请日为 2021年 12月 17日的中国专利申请提出， 并要求中国 专利申请的优先权， 该中国专利申请的全部内容在此引入本申请作 为参考。 背景技 术 近年来， 随着经济不断发展， 人们的饮食方式 也产生了很 大的变化， 肥胖 者和各 种病症患者 等不断增加 。 合理饮食、 运动和用药行为有助于预 防肥胖超 重以 及包括诸如糖 尿病、 高血压、 心脏病、 中风和癌症在内的非传 染性疾病和 慢性 疾病。 其中， 在各种病患中， 糖尿病患者由于人数 众多， 需要不断的人为 干预 ， 导致很多糖尿病患者的生活质 量严重下降 ， 而由于每个患者的情况不同 ， 导致 患者的生活无 所适从， 给其带来了严重 的负担。 对于预防 或控制糖尿病 ， 干预饮食、 运动和用药等行为尤为 重要， 糖尿病 患者通 过控制饮食 ， 坚持规律运动， 按时用药和检测血糖 等， 可以很好地控制 血糖指 标， 从而降低对患者的 影响。 遗憾的是， 目前虽然有针对患者 的血糖检 测仪 等设备， 但其仅对用户的血 糖值进行采 集并监测， 其并未对用户的相关行 为进行 任何的指导 ， 即用户坚持了一段时 间的运动， 该运动对用户的 血糖控制 是否 有影响， 用户进行了用药 ， 该一段时间的用药对用 户的血糖控制 是否带来 的帮助 ， 是否过量或用药不足 等， 用户也无从获知； 同样地， 用户的饮食行为 是否对 血糖造成相 关影响等， 用户也不清楚。 特别地， 用户需要对之前的行为 对血糖 控制的作 用进行统计， 并迫切想知道下一阶段应 当如何运动 、 用药、 饮 食等 ， 即用户的历史行为对血糖的控 制效果， 以及当前的行为是否 应当持续等, 是用 户亟需的，而目前并无针 对用户的周 期行为报告 生成的相关技 术可供参考 。 发明 内容 有鉴于此 ， 本申请实施例提供一种周期 行为报告的生 成方法及装 置、 系统、 存储介 质、 电子设备， 以至少解决现有技术 中存在的以上 技术问题。 根据本 申请的第一方 面， 提供一种周期行为报告 的生成方 法， 包括： 获取 用户在 预定周期的 行为数据和健 康指标参数 ， 所述行为数据包括运动 行为、 饮 食行 为、 用药行为中的至少之 一； 至少部分地利用机器 学习模型， 根据所述行 为数据 和所述健康 指标参数， 为所述用户生成所述预定 周期的周期行 为报告， 所述周 期行为报告 至少包括所述 预定周期的 评价结果、下一周期的 行为建议和/ 或指标 目标； 基于所述周期行 为报告更新所 述用户的行 为标签， 并获取与所述 行为标 签相匹配的 患教内容； 以及将所述周期行为报告 和所述患教 内容发送至 所述 用户。 优选地， 所述为所述用户生成所述 预定周期的 周期行为报告 ， 包括： 将所 述运动 行为输入预设 的运动行为 模型， 得到所述用户的运 动行为的评价 结果， 基于所 述评价结果 为所述用户 生成所述下一 周期的运动行 为建议； 其中， 所述 运动行 为模型包括 多个子模型和 集成模块， 所述集成模块配置为根据 所述多个 子模型 的输出确定所 述评价结果 。 优选地， 所述为所述用户生成所述 预定周期的 周期行为报告 ， 包括： 获取 所述 用户的饮食 内容图像， 将所述饮食内容 图像输入至饮 食行为模型 ， 得到所 述用 户的饮食行为 的评价结果 ， 基于所述评价结果为所 述用户生成所 述下一周 期的饮 食行为建议 ； 其中， 所述饮食行为模型为卷积神经 网络。 优选地， 所述为所述用户生成所述 预定周期的 周期行为报告 ， 包括： 将所 述健康 指标参数 中的血糖指标和 /或身体成分指标与对应的 阈值进行比较 ，得到 血糖指 标和 /或身体成分的评价结 果， 根据所述评价结果并 结合所述行 为数据， 为所 述用户调取相 应的行为建 议模板， 生成所述用户在 所述下一周期 的指标行 为建议 。 优选地， 所述获取与所述行为标签 相匹配的患教 内容， 包括： 利用实体识 别算 法， 基于所述用户的行为数 据和健康指 标参数生成 所述用户的个 人标签； 根据所 述个人标签 在患教内容标 签库中进行 标签匹配， 将匹配度最 高的至少一 个患教 内容标签对应 的患教内容 作为相匹配 的患教内容。 优选地， 所述为所述用户生成所述 预定周期的 周期行为报告 ， 包括： 获取 用户在 所述预定周 期执行所述预 定周期对应 的行为指导 方案所生成 的健康指标 参数 的最新值； 获取用户的身体 基础数据、 健康指标参数的当前值 、 用户在所 述预 定周期执行所 述预定周期对 应的行为指 导方案的执 行结果； 利用模型对所 述当前 值、 所述身体基础数据 ， 以及所述执行结果进行 预测处理， 得到用户在 所述下 一周期的健 康指标参数 的预测变化值 ； 基于所述最新值以及所 述预测变 化值 ， 确定用户在所述下一周期 的健康指标参 数的指标 目标。 优选地， 所述基于所述最新值以及 所述预测变 化值， 确定用户在所述下 一 周期 的健康指标的 指标目标， 包括： 基于所述最新值和所述预测变化 值， 确定 所述下 一周期健康 指标参数的 估计值； 判断所述估计值 是否大于所述 健康指标 参数对 应控制阈值 上限； 基于判断结果， 确定用户在所述 下一周期健 康指标参 数的指 标目标。 优选地， 所述基于判断结果， 确定用户在下一周 期健康指标 参数的指标 目 标， 包括： 若判断结果表征所述估计值大于 所述控制阈值 上限， 则确定将所述 估计值 作为指标 目标的上限值 ， 并将所述健康指标参数 对应正常范 围的下限作 为指标 目标的下限值 ， 得到用户在下一周期 健康指标参数 的指标 目标； 若判断 结果表 征所述估计值 不大于所 述控制阈值上 限， 则将所述健康指标参 数的正常 范围作 为用户在下一 周期健康指 标参数的指标 目标。 优选地， 所述的方法还包括： 基于用户的身体 基础数据， 确定健康指标 参 数的基 线值和控制 阈值上限； 判断所述基线 值是否大于 所述控制阈值 上限； 基 于判 断结果， 确定所述用户在初 始周期健康指 标参数的初始 目标。 优选地， 所述基于判断结果， 确定所述用户在初 始周期健康 指标参数的 初 始 目标， 包括： 若所述基线值大于所述控制 阈值上限， 则将所述控制阈值上限 作为所 述初始 目标的上限值， 并将所述健康指标参数对 应正常范围 的下限作为 所述初 始目标的下 限值， 得到初始目标； 若所述基线值 不大于所述控 制阈值上 限， 则将健康指标参数的正常 范围作为初始 目标。 优选地， 所述行为指导方 案包括饮食行 为指导方案 、和 /或运动行为指导方 案、 和/或用药行为指 导方案。 根据本 申请的第二方 面， 提供一种周期行为报告 的生成装 置， 包括： 第一 获取 单元， 配置为获取用户在 预定周期的行 为数据和健 康指标参数 ， 所述行为 数据 包括运动行为 、 饮食行为、 用药行为中的至少之一 ； 生成单元， 配置为至 少部分 地利用机器 学习模型， 根据所述行 为数据和所述 健康指标参数 ， 为所述 用户 生成所述预定 周期的周期 行为报告， 所述周期行为报 告至少包括 所述预定 周期 的评价结果、 下一周期的行为 建议和/或指标 目标； 第二获取单元， 配置为 基于所 述周期行为 报告更新所 述用户的行 为标签， 并获取与所述行 为标签相匹 配的 患教内容； 以及发送单元， 配置为将所述周期行为报 告和所述 患教内容发 送至所 述用户。 优选地， 所述生成单元， 还配置为： 将所述运动行为输入预 设的运动行 为 模型 ， 得到所述用户的运动行 为的评价结果 ， 基于所述评价结果为所 述用户生 成所 述下一周期的 运动行为建议 ； 其中， 所述运动行为模型包括多个 子模型和 集成模 块，所述集成模块配 置为根据所述 多个子模型 的输出确定所 述评价结果 。 优选地， 所述生成单元， 还配置为： 获取所述用户的饮食 内容图像， 将所 述饮食 内容图像输 入至饮食行 为模型， 得到所述用户的饮 食行为的评 价结果， 基于所 述评价结果 为所述用户 生成所述下一 周期的饮食 行为建议； 其中， 所述 饮食行 为模型为卷积 神经网络 。 优选地， 所述生成单元， 还配置为： 将所述健康指标参数 中的血糖指标 和 / 或身体 成分指标与 对应的阈值进 行比较，得到血糖指 标和/或身体成 分的评价结 果， 根据所述评价 结果并结合 所述行为数据 ， 为所述用户调取相应 的行为建议 模板 ， 生成所述用户在所述 .下一周期的指标行为建议。 优选地， 所述第二获取单元， 还配置为： 利用实体识别算 法， 基于所述用 户的行 为数据和健 康指标参数 生成所述用户 的个人标签 ； 根据所述个人标签在 患教 内容标签库 中进行标签匹 配， 将匹配度最高的至少 一个患教内容 标签对应 的患教 内容作为相 匹配的患教 内容。 优选地， 所述生成单元， 还配置为： 获取用户在所述预定周 期执行所述 预 足周期 对应的行为 指导方案所 生成的健康指 标参数的最 新值； 获取用户的身体 基础数 据、 健康指标参数的 当前值、 用户在所述预定周 期执行所述预 定周期对 应的行 为指导方案 的执行结果 ； 利用模型对所述当前值 、 所述身体基础数据， 以及所 述执行结果 进行预测处 理， 得到用户在所述下一 周期的健康指 标参数的 预测 变化值； 基于所述最新值 以及所述预测 变化值， 确定用户在所述 下一周期 的健康 指标参数的 指标目标。 优选地， 所述生成单元， 还配置为： 基于所述最新值和所 述预测变化值 ， 确定所 述下一周期健 康指标参数 的估计值 ； 判断所述估计值是否大 于所述健康 指标 参数对应控制 阈值上限； 基于判断结果， 确定用户在所述下一周 期健康指 标参数 的指标 目标。 根据本 申请的第三方 面， 提供一种周期行为报告的生 成系统， 包括客户端、 服务 器、 数据库； 其中： 所述客户端获取用户在预定周 期的行为数据 和健康指 标参数 ， 所述行为数据包括运动 行为、 饮食行为、 用药行为中的至 少之一； 所 述服 务器从所述客 户端获取行 为数据和健康 指标参数， 至少部分地利用机器学 习模型 ， 根据所述行为数据和 所述健康指标 参数， 为所述用户生成所 述预定周 期的周 期行为报告 ， 所述周期行为报告至 少包括所述预 定周期的评价 结果、 下 一周期 的行为建议和 /或指标目标；以及基于所述周期行 为报告更新 所述用户的 行为标 签， 并获取与所述行为 标签相匹配的 患教内容 ； 将所述周期行为报告和 所述 患教内容发送 至所述客户端 。 根据本 申请的第四方 面， 提供一种电子设备， 包括处理器， 存储器及存储 在所 述存储器上并 可在所述处 理器上运行的 程序或指令 ， 所述程序或指令被所 述处理 器执行时实 现所述的周期 行为报告的 生成方法的 步骤。 根据本 申请的第五方 面， 提供一种可读非暂时 性存储介质 ， 所述存储介质 上存储 程序或指令 ， 所述程序或指令被处理 器执行时实 现所述的周期 行为报告 的生成 方法的步骤 。 本申请实 施例提供的周 期行为报告 的生成方法 及装置、 系统、 存储介质、 电子设 备， 通过对用户的行为数 据及健康指 标参数进行 采集， 并将用户的行为 数据 及健康指标参 数输入至机 器学习模型 中进行智能分 析， 为用户生成预定周 期的周 期行为报告 ， 并基于周期行为报告更 新用户的行 为标签， 从而获取与行 为标 签相匹配的患 教内容， 从而帮助用户及 时了解 自己在健康指标参 数管理过 程中指 导建议， 方便用户基于 患教内容等对 自身的行为 进行指导。 本申请实施 例实现 了用户的行 为数据及健康 指标参数的 智能分析， 能更科学地根据用户的 生理机 能参数， 以及用户的具体行为如运动 、 饮食、 用药情况等， 确定用户日 常生 活中存在的不 佳行为， 并给出合理的行 为建议， 从而可以为不 同用户精准 地推荐 适合其自身 的行为及饮食 建议等， 大大提升了行为干预的效果 和对用户 生理机 能参数的控 制， 提升了用户体验。 附图说 明 图 1为本申请实施例提供 的周期行为报 告的生成方 法的流程示 意图； 图 2为本申请实施例提供 的周期行为报 告的生成方 法的示例流程 图； 图 3为本申请实施例提供 的用户行为分 析流程示意 图； 图 4为本申请实施例提供 的用户饮食分 析流程示意 图； 图 5为本申请实施例提供 的周期行为报 告的生成装 置的组成结构 示意图； 图 6为本申请实施例提供 的周期行为报 告的生成 系统的结构图示 意图； 图 7为本申请实施例的 电子设备的结构 图。 具体 实施方式 以下结合 示例， 详细阐明本申请实 施例的技术 方案的实质。 图 1为本申请实施例提供 的周期行为 报告的生成 方法的流程示 意图， 如图 1 所示 ， 本申请实施例的周期行 为报告的生成 方法包括以下 处理步骤 ： 步骤 101 , 获取用户在预定周期的行为数据和 健康指标参数 。 本申请实 施例中， 行为数据包括运 动行为、 饮食行为、 用药行为中的至 少 之一 。 用户的运动 行为包括 用户所进行的 户外或室内 的运动情况如 跑步、 游泳、 睡眠 等情况， 这些运动行为可 以通过用户 自行输入上传 的方式获取 ， 也可以通 过相 关应用对用户 的运动行为进 行采集如通过 计步器、心率监测仪 等方式获取, 或通过 视频采集的 图像进行运动 分析等确定 。 饮食行为包括用户所吃 的食物种 类、 食物量、 口味的咸淡等情 况， 用药行为包括用户是 否使用药物 ， 使用了何 种药物 ， 药物剂量、 频次等信息。 用户的健康指标参数包括用 户的年龄、 性别、 体重 、 身高、 心率、 血压、 血糖、 血脂， 是否有某种病史， 手术或大病病史等 数据 。 本申请实施例中以血糖 指标、 体重作为示例进行说 明， 其不应理解为对 本申请 实施例的技 术方案的限 定。 本申请实 施例中， 对于所采集到的 用户的行为 数据及健康指 标参数， 需要 对其进 行预处理， 以便在对上述所采集到的 数据进行训 练时， 可以得到更佳的 预测 结果。预处理包括 格式归一， 对于图像， 将图像缩放至设定的 像素大小等 。 对于采 集到的相关数 据， 剔除并剔除明显错误 数值等等。 具体地， 对获取的数据进行准确性检 查， 对不准确的数据进 行修正或删除 该条 不准确的数据 。 例如将健康指标参数与 各指标参数对 应的有效 范围进行比 较， 根据比较结果 确定该数据是 否准确。 若数据不准确， 再根据比较结果对错 误的数 据进行修正 或删除。 例如， 某成年用户的身高 为 120厘米， 该身高不符合本申请实施例对该数据 的要 求， 则删除该条用户数据。 或者某用户的血压 为 200, 该血压数据不符合血 压有 效范围， 该用户的血压数据 很可能是测 量有问题的 数据， 因此删除该条用 户数据 。 例如， 血糖常用的单位 有 mg/dL与 mmo I /L , 不同血糖单位的有效值域不同， 比如 ： 某用户的血糖数据是 120mmo l /L, 显然远超出血糖有效值域， 该数据很可 能是错 误的单位导 致，例如将血糖单位修 改为 mg/dL或者根据两种单位之间的 换 算关 系进行换算， 该血糖数据修正为 120mg/dL或 6. 67mmo l /L。 再例如某男性用 户的体 重数据为 140 (单位为 kg) , 但该用户的腰围数据正常， 此时很可能是体 重数据 的单位为 “斤” ， 因此将该体重数据修正为 70kg。 对于数据 中存在缺失值 的情况， 对存在缺失值 的数据进行填 充， 例如采用 均值 或众数对缺失 的数据进行 填充， 若获取的数据足够 多， 则删除该条存在缺 失值 的数据。 步骤 102, 至少部分地利用机器 学习模型， 根据行为数据和 健康指标参 数， 为用 户生成预定周期 的周期行 为报告。 本申请实 施例中， 所述周期行为报 告至少包括 所述预定周期 的评价结果 、 下一周 期的行为建 议和/或指标 目标。例如， 所述周期行为报告可 以包括饮食行 为在预 定周期的评 价结果和在 下一周期的饮 食行为建议 ， 运动行为在预定周期 的评价 结果和在下 一周期的运动 行为建议， 健康指标参数在预定周期 的评价结 果、 在下一周期的 指标行为建议 以及在下一 周期的指标 目标。 其中， 一个周期可以是 诸如一天 、 一周或者一个月之类的任 意时间长度 ， 本申请 实施例对此 不作限制。 本申请实 施例中， 机器学习模型可 以是经过预 训练的神经 网络等的处理模 块， 其具有基于前 述的用户的 行为数据、 饮食数据及 用药数据， 以及结合用户 的健康 指标参数等 ，综合对用户的各种行 为和 /或健康指标参数如血糖 的变化情 况进行 智能分析， 为用户确定出适合其 自身的运动、 饮食、 用药行为建议， 以 基于所 推荐的行为建 议对用户的 日常生活行 为进行指导，方便其更健 康地生活, 更方便 其对自身的健 康指标参数 的控制。 作为一种 实现方式， 所述为用户生 成预定周期 的周期行为报 告， 包括： 将 运动行 为输入预设 的运动行为模 型， 得到用户的运动行为 的评价结果 ， 基于评 价结 果为用户生成 下一周期的 运动行为建议 ； 其中， 运动行为模型包括多个子 模型和 集成模块， 集成模块用于根据多个子模 型的输出确 定评价结果 。 作为一种 示例，多个子模型可以 包括逻辑回 归模型，梯度提升决策树 (GBDT, Grad i ent Boost i ng Dec i s i on T ree) 模型， 随机森林 (RF, Random Forest) 模型 ， 浅层神经网络 (SNN, Sha l l ow neura l networks) 等， 但不限于此。 各子模型 分别以数据评 价结果为 目标进行训练 ， 在完成上述各模型的参 数 调优后 ， 通过集成模块进行择优 方式确定 出评价结果。 其中， 逻辑回归模型通 过输 入特征数据， 获取因变量即预测评价结 果。 GBDT模型根据样本训练出 GBDT 树， 对于每个 GBDT树的叶子节点， 回溯到根节点都 可以得到一组 组合特征， 并 使用 叶子节点的标 号作为新的 组合特征， 从而得到训练 后的特征向量 。 RF模型 对于每 一棵训练树 ， 使用相应的袋外数据计 算分类误差 ； 随机将袋外数据所有 样本 的特征加入噪 声 （随机改变特征的取值） ， 再次计算分类误差。 以此来确 定特征 的重要性。 浅层神经网络能够对训练 数据进行快速 响应， 并获取特征向 量, 对特征向量进行分 类。 作为一种 实现方式， 集成模块包括投 票 （bagg i ng） 模块， 具体地， 使用投 票 （bagg i ng） 方式将各模型的评价结果结合在一起， 输出对用户运动行为的评 价结 果。 本申请实 施例中， 运动行为的评价 结果包括运动 行为是否未 达标， 如运动 量较低 ， 运动量适中， 运动量过大等， 运动量较低对应的 运动行为建议 为提升 强度 ， 运动量适中对应的运动行 为建议为保持 强度， 运动量过大对应 的运动行 为建议 为降低强度 。 此外， 本申请实施例的评价结果还 包括用药行 为的评价， 如用 药量较大， 用药适中， 用药量不足等， 或者是饮食行为的评价 ， 如包括饮 食过咸 ， 过油， 或过量等的评价结果。 或者， 作为一种实现 方式， 为用户生成预定周 期的周期行 为报告， 包括： 获取 用户的饮食 内容图像， 将饮食内容图像 输入至饮食 行为模型， 得到用户的 饮食行 为的评价结 果， 基于评价结果为用户 生成饮食行 为建议； 其中， 饮食行 为模型 为卷积神经 网络。 具体地， 获取用户的饮食内容图像 ， 将饮食内容图像缩放 至设定的长 宽尺 寸后 ， 将缩放后的图像的像素输 入至神经 网络， 通过神经网络中设定 的训练层 数， 逐层分别对输入 的像素特征进 行卷积、 ReLU函数处理， 然后进行池化处理； 对池化 处理后的多路 图像像素数 据进行 F l atten处理，然后进行 DenseNet分类输 出对 用户的饮食行 为的评价结果 。 这里的饮 食行为的评价 结果包括 以下至少之一 ： 用户的饮食是否油腻、 是 否过量 、 是否过盐等评价结果 ， 评价结果并不限于此， 而仅是示例性说明。 针 对用 户的饮食行为 的评价结果 ， 为用户生成相应的饮食 行为建议， 如针对饮食 过于 油腻的评价结 果， 为用户生成建议下一 周期内清淡饮 食， 减少并控制油脂 类食物 的摄取； 针对用户的饮食 过量的评价 结果， 为用户生成下一周 期内减少 每餐进 食量， 少吃零食， 控制进食次数的饮 食行为建议 ； 针对用户的饮食过盐 的评价 结果， 为用户生成下一 周期内饮食清 淡， 并减少食物中盐分 及佐料添加 的饮食 行为建议等 。 或者， 作为一种实现 方式， 为用户生成预定周 期的周期行 为报告， 包括： 将健康 指标参数 （例如血糖指标/身体 成分指标 ） 与对应的阈值进行比较， 得到 评价 结果， 根据评价结果并结 合行为数据 ， 为用户调取相应的行为建 议模板， 作为 用户的行为建 议。 步骤 103, 基于周期行为报告更新用 户的行为标签 ， 并获取与行为标签相匹 配的 患教内容。 在一些实 施例中， 预定周期可以 为一天， 即对用户的日行 为进行监测和 行 为推荐 ， 如作为用户的日小结信 息， 以帮助血糖较高用 户及时了解 自己在管理 血糖过 程中的血糖 变化情况、 身体成分变化情况、 运动执行情况、 饮食执行情 况。 日小结是根据用户当天的空腹 血糖、 餐后 2小时血糖、 体重、 体脂率、 肌肉 量等指 标数据情况 分析前一天饮 食、 运动执行情况， 并给出明确的指导 建议。 本申请实 施例中， 预定周期也可以为其 他时长如 4小时、 8小时， 2天、 3天、 8天等。 步骤 104, 将周期行为报告和患教 内容发送至 用户。 本申请实 施例中， 预定周期也可 以为一周， 即对用户的周行 为进行监测 和 行为推 荐， 如作为用户的周小 结信息， 以帮助血糖较高 用户及时了解 自己在管 理血糖 过程中的血 糖变化情况 、 身体成分变化情况、 运动执行情况 、 饮食执行 情况 。 周小结是综合分析用户 一周的血糖 、 身体成分、 饮食记录、 运动记录数 据， 给出明确的指导建议及下周 血糖监测计 划等信息。 本申请实 施例中， 预定周期也可 以是一个月、 2周、 3周等时长。 具体根据 用户 的监测需求而 调整。 本申请实 施例中， 当为用户确定出行为建议后 ， 在周期到来后， 将为用户 确定的 行为建议向 用户输出， 方便用户参考行为建 议进行运动 、饮食或用药等。 本申请实 施例中， 利用实体识别算 法， 基于用户的行为数据 和健康指标 参 数生成 用户的个人 标签； 根据个人标签在 患教内容标签 库中进行标 签匹配， 将 匹配度 最高的至少 一个患教内 容标签对应的 患教内容作 为相匹配的 患教内容。 其中 ， 患教内容标签库中的患教 内容标签通 过以下方式 获取： 利用实体识别算 法对每 一患教内容进 行识别， 生成患教内容 标签。 本申请实 施例中， 当接收到用户针对推荐的患教 内容的选择 使用信息后 ， 则意味 着推荐给用 户的相关信 息是得到了 用户的肯定的 ， 本申请实施例还支持 对用 户发反馈信息 进行统计， 基于用户的反馈信息对反 馈信息对应 的内容进行 权重值 调整， 即可以将用户对 推荐的患教 内容的反馈结 果来调整患教 内容的推 荐权重 ， 以此能获取到针对用户 的更准确的 患教内容推荐结 果。 本申请实 施例中， 作为前述方法的 一种补充， 根据用户的历史运动行为 、 历史饮 食行为、 历史用药行为确 定第一健康 指标参数的 均值、 方差信息， 在确 定用 户的第一 健康指标 参数的检 测指标超 出均值的正 负两倍 方差范围的 情况 下， 向用户给出警示提醒信息 。 也就是说， 第一健康指标参数为血糖 值时， 对 于用 户而言， 血糖高于设定值 或低于设定值 都是比较危 险的， 当检测到用户的 血糖值 等超出均值 的正负两倍 方差的情况下 ， 需要第一时间通知用 户采取相应 的行 为， 避免造成用户的身体不 适或造成不 可挽回的身体 损害。 本申请实 施例中， 在用户行为采集 及行为评价 初期， 由于用户的行为数 据 或健康 指标参数数 据较少， 因此将这些值对 标简单规则 实现的控制 阈值上下限 作为 用户的行为分析 及评价依据 。随着数据积 累比如 2周或更长时间后， 本申请 实施例 可以对每个 患者计算该 患者在该指标 上的均值、 方差信息， 可以依据长 期的 均值及方差值 来对用户的健 康指标参数进 行监测和进 行行为指导 。 本申请实 施例中， 为用户生成预 定周期的周期 行为报告， 还包括为用户 生 成在 下一周期的健康 指标参数 的指标目标。 具体地， 获取用户在预定周期执行 预定周期对 应的行为指 导方案所生成 的 健康指 标参数的最 新值； 获取用户的身体基 础数据、 健康指标参数 的当前值、 用户在 预定周期执 行对应的行 为指导方案的 执行结果 ； 行为指导方案包括饮食 行为指 导方案、 和 /或运动行为指导方案、 和/或用药行为指 导方案。 之后利用 模型对 当前值、 身体基础数据， 以及执行结果进行预测 处理， 得到用户在下一 周期 的健康指标参 数的预测变 化值； 其中， 模型可以是任意神经 网络模型， 例 如浅层 神经网络模型 。 确定用户在 上一周期 中执行行为指 导方案时所 生成健康指标 参数的初始 目 标。 初始目标可 以是基于预设得 到的， 也可以是利用模 型对用户的基 础数据进 行处理 得到的， 或者是对用户 的基础数据进 行分析处理 后得到的； 在这里不做 太多 的限定。 健康指标参数是 可以根据指标 目标生成方 法的实际应 用场景而确 定的 ； 健康指标参数， 例如： 空腹血糖、 餐后血糖、 体重或者血压等， 在这里 不做 太多限定。 其中， 行为指导方案 可以是预设行 为指导方案 ， 也可以是基于初始 目标和 用户 身体基础数据 而确定的行 为指导方案。 行为指导方案可以随着 用户健康指 标参数 的目标变化 而变化， 例如： 上一周期行为指导方 案是针对上一 周期的、 下一周 期行为指导 方案是与下 一周期指标 目标对应的。 每一个周期饮食运动方 案可 以由医师安排 给出， 也可以由 AI计算调整。 身体基础 数据包括但 不限于年龄 、 性别、 身高、 体重、 体脂、 腰围、 胰岛 功能 、 血糖或者血压等。 健康指标参数的 当前值可以是 上一周期结束 时健康指 标参数 的最新值， 也可以是下一周期开始时健 康指标参数 的最新值。 在这里， 可以对身体基础数据， 健康指标参数 的当前值， 以及用户在上一 周期针 对行为指导 方案的执行 结果进行分析 处理， 得到用户在下一周 期健康指 标参数 的预测变化 值； 还可以使用机器学 习的方法预测 下一周期健康 指标参数 的预 测变化值。 具体地， 训练阶段： 将用户的身体基础数据、 健康指标参数的当前值， 以 及用 户在上一周期 针对行为指 导方案执行结 果共同作为 训练样本， 并以上一周 期结束 时健康指标 参数的预测 变化值作为训 练目标； 利用浅层神经 网络对训练 样本进 行模型训练 ， 得到训练结果； 基于多个训练结果， 对模型进行参数调节 ， 得到预 测模型。 预测阶段： 利用预测模型对 用户在上一 周期的待测样 本进行预 处理 ， 得到用户在下一周期健康 指标参数的 预测变化值 。 上一周期的待测样本 包括 身体基础数据 、 健康指标参数的当前值 ， 以及用户在上一周期针 对行为指 导方 案执行结果。 例如： 当健康指标参数为身高时， 利用预测模型预 处理后得 到的是 身高预测 变化值； 当健康指标参数 为空腹血糖时 ， 利用预测模型预处理 后得 到的是空腹血 糖预测变化值 ； 当健康指标参数为餐 后血糖时， 利用预测模 型预 处理后得到的 是餐后血糖预 测变化值。 需要说 明的是， 还可以在训练阶段 的训练样本 中以及预测 阶段的待测样 本 中加 入标准行为指 导方案， 标准行为指导 方案不同于上 一周期行为指 导方案。 标准行 为指导方案 是用户身体 处于理想状 态下的行为指 导方案； 上一周期的行 为指 导方案是 综合考虑 了用户的 身体情况 且与初始 目标相适应 的行为指 导方 案。 例如： 当健康指标参数为 空腹血糖或者 餐后血糖时 ， 标准行为指导方案为 血糖标 准范围、 体重标准范围 、 体脂标准范围、 肌肉量标准范围。 当健康指标 参数 为体重时， 标准行为指导 方案包括标准 饮食方案和 标准运动方 案； 标准饮 食方 案比如饮食的 营养配比均衡 且用户能够 按照饮食方 案严格执行 ； 标准运动 方案 比如运动心率 、 运动时长均选取符合运动 要求前提下 的心率下限 及时长下 限， 通常要求用户运动 时心率保持到 某个心率范 围、 并运动至少某个时长要求。 还需要说 明的是， 预测变化值配置 为指示从一 个周期开始 时算起到该周 期 结束 时健康指标参 数的增幅或 降幅。 另外， 本发明的用户可以是普通 用户， 也 可以 患有慢性疾病 的患者， 例如 2型糖尿病患者， 或者高血压患者等。 在这里， 下一周期是与上一周期相 邻的下一周 期； 上一周期可以是初始 周 期， 也可以是用户在 执行饮食运 动方案中的任 一周期。 本发明实 施例能够根据 用户在上一 周期的真实 执行结果、 身体基础数据， 以及健 康指标参数 的当前值， 动态调整下一周期的指标 目标， 从而使得用户在 整个 降血糖过程 中对于各个健康 指标参数对 应目标制定 更符合用户真 实身体情 况， 进而更易执行 达到， 实现了用户对 目标的有效管理 ， 增强了用户血糖管理 的 目标感。 作为一种 实现方式， 基于最新值 以及预测变化值 ， 确定用户在下一周期 的 健康指 标的指标 目标， 包括： 基于最新值和预测变化值 ， 确定下一周期健康指 标参数 的估计值 ； 判断估计值是否大于健康 指标参数对 应控制阈值上 限； 基于 判断 结果， 确定用户在下一周期 健康指标参数 的指标 目标。 具体地， 若判断结果表征估计值 大于控制阈值 上限， 则将估计值作为指 标 目标 的上限值，并将健康指 标参数对应正 常范围的下 限作为指标 目标的下限值, 得到 用户在下一周 期健康指标 参数的指标 目标； 若判断结果表征估 计值不大于 控制 阈值上限， 则将健康指标 参数的正常 范围作为用户 在下一周期健 康指标参 数的指 标目标。 健康指标参数 对应控制阈值 上限是根据 用户身体基础 数据确定 的。 例如， 当本实施例的生成方法应配 置为糖尿病 患者血糖控 制且健康指标 参 数为 空腹血糖时 ； 基于用户的年龄、 性别、 身高、 体重、 体脂、 腰围、 胰岛功 能、 血糖等基础 身体数据， 确定用户空腹血 糖的控制阈值 上限； 将空腹血糖最 新值和 空腹血糖预 测变化值作 差值， 并将该差值确定为 用户在下一周 期空腹血 糖的 估计值； 判断估计值是否 大于空腹血糖 对应的控制 阈值上限， 若判断结果 表征 估计值大于 空腹血糖对应 的控制阈值上 限， 则将空腹血糖对应正 常范围的 下限作 为指标 目标的下限值， 并将估计值作为指标 目标的上限值， 从而得到用 户在 下一周期空腹 血糖的指标 目标。 若判断结果表征估 计值不大于控 制阈值上 限， 则将空腹血糖的正 常范围作为 用户在下一周期 空腹血糖的 指标目标。 同理, 第三周 期空腹血糖 指标目标的确 定过程与下 一周期空腹血 糖指标 目标的确定过 程相 类似，区别在于第三周期 空腹血糖指 标目标是基 于下一周期的 数据获得的 。 本实施例 能够基于用 户真实执行过 程中健康指 标参数的最新 值， 动态调整 健康指 标参数的指 标目标， 从而使指标 目标的制定更符 合用户真实 身体情况， 不仅加 强了用户的 目标感， 有利于用户对 目标的执行， 而且有利于用户对健康 指标 参数进行有效 管理。 作为一种 实现方式， 确定用户初始 目标的方法 ， 至少包括如下操作流程 ： 基于 用户的身体基 础数据， 确定健康指标参 数的基线值和 控制阈值上 限； 判断 基线值 是否大于控 制阈值上限 ； 基于判断结果， 确定用户在初始周期 健康指标 参数 的初始目标。 具体地， 若基线值大于控制阈值上 限， 则将控制阈值上限作 为初始 目标的 上限值 ， 并将健康指标参数对 应正常范围的 下限作为初 始目标的下 限值， 得到 初始 目标； 若基线值不大于控 制阈值上限 ， 则将健康指标参数的正 常范围作为 初始 目标。 以健康指 标参数为空腹 血糖为例进 行说明， 空腹血糖的基 线值是指用户 即 将执行 初始周期行 为指导方案 前的血糖值 。 本实施例能够结合用户 身体情况确 定初始 周期健康指 标参数的初始 目标， 使得用户在一开 始执行行为指 导方案时 就有 明确的目标， 加强了用户的 目标感 , 提高了用户的体验性 。 下面将结 合 2型糖尿病对健康指标 目标的迭代生成 方法进行详 细说明。

2型糖尿病 患者健康指标 参数包括空腹 血糖、餐后血糖 以及体重。 由于空腹 血糖指 标目标和餐 后血糖健康 指标目标的迭 代生成方法 相类似， 因此以空腹血 糖指标 目标和体重 指标目标的生 成为例进行说 明。 空腹血糖 健康指标 目标的迭代生成 方法如下所述 ： 首先， 根据患者身体基 础数据， 确定空腹血糖 的基线值及 空腹血糖控制 阈 值上 限， 患者身体基础数据包括 患者身体成 分数据 （例如性别、 年龄、 身高、 体重 等） 以及身体指标数据 （例如血糖和血压等） 。 判断空腹血糖基线值是否 大于 空腹血糖控制 阈值上限。 若判断结果表征空腹血糖 基线值大于 空腹血糖控 制阈值 上限， 则将空腹血糖控 制阈值上限作 为初始 目标的上限值， 并将空腹血 糖对应 正常范围的 下限作为初始 目标的下 限值， 得到用户在上一周期 空腹血糖 的初始 目标。 若空腹血糖基线值 不大于空腹 血糖控制 阈值上限， 则将空腹血糖 的正 常范围作为 用户在上一周期 空腹血糖的 初始目标。例如，以 7天为一个周期， 2型糖尿 病患者年龄 大于 65周岁、 糖尿病病程在 10年以上、 低血糖风险高， 空腹 血糖 为 8. 2mmo I , 体重 60kg, 对该患者身体基础数据进行分析后得到空腹血 糖基 线值 为 8. 2mmo l , 空腹血糖控制阈值上限为 6. 9mmo I □ 由于空腹血糖基线值大于 空 腹血 糖控 制阈值 上 限， 因此用户在 第一 个 7天空腹 血糖 初始 目标 为 4-8. 2mmo I /L _o 其次， 获取患者在上 一周期执行针 对上一周期 的行为指导 方案所生成 空腹 血糖 的最新值； 获取患者的身 体基础数据 ， 空腹血糖的当前值， 标准行为指导 方案 或者行为指导 方案， 和 /或用户在上一周期针对行为指 导方案的执行 结果； 标准 行为指导方案 包括血糖标 准范围、 体重标准范围 、 体脂标准范围、 肌肉量 标准 范围； 利用训练好的预测模 型对身体基 础数据， 空腹血糖的当前值， 行为 指导 方案或者标准 行为指导方 案， 以及执行结果进行预 测处理， 得到用户在下 一周期 空腹血糖预 测变化值。 例如， 使用机器学习的方式来预测下 一个周期空 腹血糖 降幅。 将患者的身体基础 数据、 空腹血糖的当前 值， 血糖标准范围、 体 重标 准范围、 体脂标准范围、 肌肉量标准 范围， 以及患者在上一周期 针对行为 指导 方案的执行结 果共同作为 训练样本， 并以患者上一 周期空腹血糖 变化差值 （例如一个周期为 7天，上一周期空腹血糖值为 7天内最高血糖- 7天内最低血糖） 作为 训练目标， 利用浅层神经 网络对训练样 本进行模型 训练， 得到训练结果； 基于 多个训练结果 ， 对模型进行参数调节 ， 得到预测模型。 预测阶段： 将患者 身体 基础数据、 空腹血糖的当前值、 血糖标准范围、 体重标准范 围、 体脂标准 范围 、 肌肉量标准范围， 以及用户在上一周 期针对行 为指导方案执 行结果输入 预测模 型， 得到用户在下一周 期空腹血糖 的变化值。 由此， 结合用户的身体基 础数据 、 生活习惯及当前空腹血 糖作为预测 模型的输入 ， 对空腹血糖预测变化 值进 行预测， 提高了空腹血糖预 测的准确性 。 最后， 基于空腹血糖 的最新值和 空腹血糖预测 变化值， 确定下一周期 空腹 血糖 估计值； 判断空腹血糖估 计值是否大 于空腹血糖控 制阈值上限 ； 若判断结 果表征 空腹血糖估 计值大于空 腹血糖控制 阈值上限， 则将空腹血糖 估计值作为 指标 目标的上限值 ，并将空腹血糖对应正 常范围的下 限作为指标 目标的下限值 , 得到 用户在下一周 期空腹血糖 的指标目标 ； 若判断结果表征空腹血糖 估计值不 大于 空腹血糖控制 阈值上限， 则将空腹血糖正常范围作 为用户在下一 周期空腹 血糖 指标 目标。 例如： 空腹血糖最新 值为 7. 3mmo l , 空腹血糖预测变化值为 0. 1 mmo I , 空腹血糖控制阈值上限为 6. 9mmo I : 空腹血糖估计值为 7. 2mmo l , 由于 空腹血 糖估计值 大于空腹血糖控 制阈值上 限， 因此用户在下一周期 空腹血糖指 标 目标为 4. 4-7. 2 mmo I。 体重健康 指标目标的迭 代生成方法如 下所述： 首先， 根据患者身体基 础数据， 确定体重基线值 及体重控制 阈值上限， 患 者身体 基础数据 包括患者身体 成分数据 （例如性别、 年龄、 身高、 体重等） 以 及身体 指标数据 （例如血糖和血压等） O 判断体重基线值是 否大于体重 控制阈 值上 限。 若判断结果表征体重 基线值大于体 重控制阈值 上限， 则将体重控制阈 值上 限作为初始 目标的上限值 ， 并将体重对应正常范 围的下限值作 为初始目标 的下 限值， 得到用户在上一周期 的体重初始 目标。 若体重基线值不 大于体重控 制阈值 上限， 则将体重正常范围作 为患者在上一 周期体重初 始目标。例如， 以 7 天为一 个周期， 2型糖尿病患者年龄 大于 65周岁、 糖尿病病程在 10年以上、 低血 糖风 险高， 空腹血糖为 8. 2mmo l , 体重 60kg, 对该患者身体基础数据进行分析后 得到体 重基线值为 60kg, 体重控制阈值上限为 56kg _o 由于体重基线值大于体重 控制 阈值上限， 因此用户在第一个 7天体重初始目标为 44. 7-60kg _o 其次， 使用机器学习 的方式来预测 下一个周期 体重预测变化 值。 获取患者 在上一 周期执行针 对上一周期 的饮食运动方 案所生成体 重最新值； 获取患者的 身体基 础数据， 体重的当前值， 饮食运动方案或者 标准饮食运动 方案， 和 /或用 户在上 一周期针对 饮食运动方 案的执行结果 ； 利用训练好的预测模型 对身体基 础数据 、 体重的当前值， 饮食运动方案或者标准饮食 运动方案， 和 /或执行结果 进行预 测处理， 得到用户在下 一周期体重预 测变化值， 例如， 使用机器学习的 方式 来预测 2型糖尿病下一个周期 体重降幅。将患者 的身体基础 数据、体重的当 前值 、饮食运动方案或者 标准饮食运 动方案， 和/或患者在上一周期针 对饮食运 动方 案的执行结果 共同作为训 练样本， 并以用户 7天内体重差值 （7天内最高体 重 -7天内最低体重） 作为训练 目标， 利用浅层神经网络对训 练样本进行模 型训 练， 得到训练结果 ； 基于多个训练结果， 对模型进行参数调节 ， 得到预测模型。 预测 阶段： 将患者身体基础数 据、 体重的当前值、 饮食运动方案或者 标准饮食 运动 方案，和/或用户在第一个 7天内针对饮食运动方案执行 结果输入预 测模型， 得到 用户在第二个 7天的体重预测变化值。 由此， 结合用户的身体基础数据、 生 活习 惯及体重当前 值作为模型 输入， 对体重预测变化值 进行预测， 提高了体重 预测 的准确性。 最后， 基于体重最新值 和体重预测 变化值， 确定第二个 7天内体重估计值 ； 判断体 重估计值是 否大于体重 控制阈值上 限； 若判断结果表征体重 估计值大于 体重控 制阈值上 限， 则将体重估计值作为指 标目标的上 限值， 并将体重对应正 常范 围的下限作为 指标目标的 下限值， 得到用户在第二个 7天体重的指标目标； 若判 断结果表征体 重估计值不 大于体重控制 阈值上限 ， 则将体重正常范围作为 用户在 第二个 7天体重指标目标。 例如： 体重最新值为 58kg, 预测模型输出的体 重预 测变化值为 1 kg, 体重控制阈值上限为 56kg； 体重估计值为 57kg, 由于体重 估 计值 大于体 重控制 阈值 上限， 因此用户在 第二 个 7天体重指 标 目标为 44. 7-57kgo 经过反 复执 行行为 指导方 案， 第 n个周期达标 后空腹 血糖指 标目标 为 4. 4-6. Ommo l /L, 体重指标目标为 47. 4-55kg。 需要说 明的是， 体重的当前值可以是第 一个 7天体重的最新值， 还可以是第 二个 7天开始时第一 天体重的最新 值。 空腹血糖的当前值 可以是在第一 个 7天空 腹血糖 的最新值， 还可以是在第二个 7天开始时第一天空腹 血糖的最新值 。 由此， 采用本实施例健康指 标目标的迭 代生成方法 ， 有利于 2型糖尿病患者 对血糖 的管理， 从而使得 2型糖尿病患者能够根 据身体情况 有效控制血糖 。 下面结合 具体示例， 对本申请实施 例作进一步详 细说明。 本申请实 施例中， 以 2型糖尿病患者为例进行说明， 其他的健康指标参数 的 监测仍 可以参照 本申请实施例提 供的技术 方案进行， 因此不应理解为是对本申 请实 施例的技术方 案的限定。本申请 实施例对 用户采用行为 小结的形式， 帮助 2 型糖尿 病患者及 时了解自己在 管理血糖过程 中的血糖 变化情况、 身体成分变化 情况 、 运动执行情况、 饮食执行情况。 其中的小结包含 日小结和周 小结两个反 馈频 率， 日小结是根据用户当天上 午的空腹血糖 、 餐后 2小时血糖、 体重、 体脂 率、 肌肉量指标数 据情况分析 前一天饮食 、 运动执行情况， 并给出明确的指导 建议 。 周小结是综合分析用户 一周的血糖 、 身体成分、 饮食记录、 运动记录数 据， 给出明确的指导建议及下周 血糖监测计 划。 图 2为本申请实施例提供 的周期行为 报告的生成 方法的示例流 程图， 如图 2 所示 ， 获取用户的每日行为， 如包括饮食情 况、 运动情况等； 以及获取所述用 户的基 本情况数据 和健康指标 参数如用户的 血糖、 体重、 体脂等相关参数； 将 用户 的行为数据、 用户的基本情况数据和健 康指标参数 输入预设的机 器学习模 型中 ， 通过机器学习模型为用 户分析生成个 人标签库 ； 本申请实施例中， 个人 标签库 主要包括 用户的日常行 为及其对应的 血糖指标的 对应关系， 主要包括基 于所采 集的血糖指 标进行血糖 分析， 基于用户的饮食情 况进行饮食 情况分析， 基于 用户的身体成 分分析所得 到的用户身体 成分情况指 导信息， 基于用户的运 动情 况进行运动分析 等。 本申请实施例中， 主要是基于神经网络技术 对用户的 行为数 据及运动数据 等进行智 能分析， 以为用户确定适合 于其自身情 况的推荐 行为 。 具体地， 利用机器学习模型， 基于用户的行为 数据和健康指 标参数生成 用 户的个 人标签； 个人标签集合 形成个人标签 库。 根据个人标签在智 能标签库中 进行标 签匹配， 将匹配度最高 的至少一个智 能标签对应 的患教内容作 为推荐内 容， 向用户输出所推荐的患教 内容； 其中， 智能标签库中的智能标签 通过以下 方式获 取： 利用实体识别算法 对每一患教 内容进行识别 ， 生成智能标签。 智能 标签 集合构成智能标 签库。 图 3为本申请实施例提供 的用户行为 分析流程示 意图， 如图 3所示， 本申请 实施例 提供的用户 行为分析流程 包括： 将所获取的行为 数据和所述基 本情况数 据按 类别进行预处 理后， 分别输入至逻辑 回归模型， 梯度提升决策树 (GBDT) 模型 ， 随机森林 (RF) 模型， 浅层神经网络 (SNN) 中， 各模型分别以数据评价 结果 为目标进行训 练， 在完成上述各模型的 参数调优后， 使用投票 (bagg i ng) 方式将 各模型的评 价结果结合在 一起， 为所述用户进行 行为预测， 作为所述用 户的运 动行为推荐结 果。 本申请实 施例中， 逻辑回归、 梯度提升决策树 (GBDT) 、 随机森林 (RF) 、 浅层神 经网络 (SNN) 为四种不同的预测模型算法， 模型分别以评价 结果为目标 进行训 练， 各自完成模型调优后 ， 使用投票 (bagg i ng) 思想将模型结果结合在 一起 ， 用于用户的实际行为的预 测， 以方便为用户的行为 进行指导。 图 4为本申请实施例提供 的用户饮食 分析流程示 意图， 如图 4所示， 本申请 实施例 的用户饮食 分析流程包括 ： 获取用户的饮食内容 图像， 将饮食内容图像 缩放 至设定的长 宽尺寸后， 将缩放后的图像 的像素输入 至饮食行为模 型； 这里 的饮食 行为模型为 卷积神经 网络。 本申请实施例中， 通过饮食行为模 型中设定 的训 练层数， 逐层分别对输入 的像素特征进 行卷积、 ReLU函数处理， 然后进行 池化 处理； 对池化处 理后的 多路图像 像素数据 进行 F I atten处理， 然后进行 DenseNet分类评价， 基于评价结果 为用户生成下 一周期的运动 行为建议。 本申请实 施例中， 对于用户的饮食 情况， 通过饮食行为模型 对用户上传 的 饮食 照片进行分 类评价， 至少确定用户的饮 食是否油腻 、 是否过量、 是否过盐 等评价 结果， 以在后续基于评价 结果生成的 标签进行知 识推荐， 方便为用户生 成下一 周期的饮食 行为建议和推 荐患教内容 。 本申请实 施例中， 对于用户上传的 饮食图像， 可以要求用户使用标准餐 盘 拍照 ， 拍照时， 餐盘面积至少占图像面积的 二分之一、 餐盘要完整呈现在图像 内， 以此来确定用户的饮食是 否过量， 以及其中的碳水化 合物是否过 量， 图像 中的 肉类及蔬菜的量 等， 方便对用户的整体 饮食情况进行 分析， 以结合用户的 血糖 情况为其确定 适合其自身的 饮食信息。 本申请实施例中， 对于饮食的咸淡 情况 ， 可以由用户自行检测并上 报。 本申请实 施例中， 对于日小结， 在用户的数据 处理初期， 由于用户的血糖 或身体 成分数据稀 少， 因此将这些值对标 简单规则实现 的控制阈值上 下限来管 理用 户行为。 随着数据积累 (比如 2周后) ， 可以对每个患者计算该用户在该指 标上 的均值、 方差信息， 在未来用户的新指 标超出 “均值加减 2倍方差” 范围， 向用 户输出警示提 醒。 本申请实施例可以根 据指标的特 质， 选择对低于 “均值 减 2倍方差” 进行过低警告 ， 也可以反过来做过高 警告。 当用户 以减血糖、 减体重为目的的 情况下， 通常设置过高 警告。 但不排除 过低 警告可能性， 比如， 血糖虽然在下降， 且没有低于 “低血糖” 下限， 但是 若医 学上存在 “不应该过快下降” 的可能性， 则认为需要警示， 否则不警示。 作为一种 示例， 基于前述的运动行 为模型为用 户生成运动行 为建议， 如生 成当前 的运动强度 适当， 保持并继续开展其他 建议运动项 目等， 或输出运动强 度过低 ， 需根据自身的体能状 况加强运动强 度， 或输出强度过高。 可适当降低 运动强 度， 可以基于用户的运动行为 ， 给出具体的降低哪项运动的运 动强度等。 本申请 实施例即通 过上述的运动 推荐方式， 作为日小结或 周小结中关 于用户的 运动量 的建议。 作为一种 示例， 基于饮食行为训练 模型来为 用户输出饮食行 为建议， 如饮 食比较 油腻， 明天或下周应以 清淡饮食为主 ， 饮食稍微过量， 明天或下周应控 制进食 量等建议 ； 饮食较成， 应降低饮食中食盐的摄取量 等的评价结 果； 以及根据 用户的健康指 标参数中的血 糖指标，与标准的血 糖指标进行 比较 , 得到评 价结果， 根据所述评价结果并 结合用户的行 为数据， 生成对用户的运动 、 饮食 等的建议。 即通过采集到 的用户的血糖 值等， 直接确定用户的血 糖控制情 况， 生成下一预定周期如天或 周的相应建议 ， 如血糖控制较差， 应调整用药剂 量及加 强运动， 并减少碳水化合 物的摄取等 的建议； 或根据用户的血 脂指标， 来确 定用户的血脂 是否超过或接 近医学临界 值， 通过比较结果向用 户输出是否 应当 清淡饮食或加 强运动的建议 。 本申请实施例中， 并不限定日小结 或周小结 的格 式， 只要基于用户的行为数 据和健康指 标参数， 通过相关模型 的处理， 为 用户 生成相应的推 荐运动行为即 可。 本申请实 施例通过小结 的形式， 借助神经网络等智能 分析手段， 帮助 2型糖 尿病 患者及时了解 自己在管理血 糖过程中的血 糖变化情况 、身体成分变化情况 、 运动执 行情况、 饮食执行情况 ， 并能为其推荐适合其 自身的行为方式 ， 使用户 能够 更佳地对 自身的健康状况进 行管理。 图 5为本申请实施例提供 的周期行为报 告的生成装 置的组成结构 示意图，如 图 5所示， 本申请实施例的周期行为报 告的生成装 置包括： 第一获取模块 60, 配 置为获 取用户在预 定周期的行 为数据和健康 指标参数，行为数据 包括运动行为 、 饮食行 为、 用药行为中的至少 之一； 生成单元 61 , 配置为至少部分地利用机器 学习模 型， 根据行为数据和健康 指标参数 ， 为用户生成预定周期的周 期行为报 告， 周期行为报告至少 包括预定周期 的评价结果 、 下一周期的行为建议和 /或指 标 目标； 第二获取单元 62, 配置为基于周期行为报告 更新用户 的行为标签 ， 并 获取 与行为标签相 匹配的患教 内容； 以及发送单元 63, 配置为将周期行为报 告 和患教 内容发送至 用户。 本申请实 施例中， 生成单元 61 , 还配置为： 将运动行为输入预设的运动行 为模型 ， 得到用户的运动行为 的评价结果， 基于评价结果为用户生成 下一周期 的运动 行为建议 ； 其中， 运动行为模型包括多个子模型和 集成模块， 集成模块 配置 为根据多个子模 型的输出确 定所述评价 结果。 本申请实 施例中， 生成单元 61 , 还配置为： 获取用户的饮食内容图像， 将 饮食 内容图像输入 至饮食行为模 型， 得到用户的饮食行 为的评价结 果， 基于评 价结 果为用户生成 下一周期的饮 食行为建议 ； 其中， 饮食行为模型为卷积神经 网络 。 本申请实 施例中， 生成单元 61 , 还配置为： 将健康指标参数中的血糖指标 和 /或身体成分指标 与对应的阈值 进行比较， 得到血糖指标和 /或身体成分的评 价结 果， 根据评价结果并结合 行为数据， 为用户调取相应的行为建议 模板， 生 成用 户在下一周期 的指标行为建 议。 本申请实 施例中， 第二获取单元 62, 还配置为： 利用实体识别算法 ， 基于 用户 的行为数据和 健康指标参数 生成所述 用户的个人标 签； 根据个人标签在患 教内容 标签库中进 行标签匹配 ， 将匹配度最高的至少一 个患教内容标 签对应的 患教 内容作为相 匹配的患教内容 。 本申请实 施例中， 生成单元 61 , 还配置为： 获取用户在预定周期执行预定 周期对 应的行为指 导方案所生 成的健康指标 参数的最新值 ； 获取用户的身体基 础数据 、 健康指标参数的当前值 、 用户在预定周期执行 预定周期对应 的行为指 导方 案的执行结果 ； 利用模型对当前值、 身体基础数据， 以及执行结果进行预 测处理 ， 得到用户在下一周期 的健康指标参 数的预测 变化值； 基于最新值以及 所述预 测变化值， 确定用户在下 一周期的健康 指标参数的 指标目标。 本申请实 施例中， 生成单元 61 , 还配置为： 基于最新值和预测变化值， 确 定下一 周期健康指 标参数的估 计值； 判断估计值是否 大于健康指标 参数对应控 制阈值 上限； 基于判断结果， 确定用户在下一 周期健康指 标参数的指标 目标。 本申请实 施例中， 生成单元 61 , 还配置为： 若判断结果表征估计值大于控 制阈值 上限， 则确定将估计值作 为指标 目标的上限值， 并将健康指标参数对应 正常 范围的下限作 为指标 目标的下限值， 得到用户在下 一周期健康指 标参数的 指标 目标； 若判断结果表征估 计值不大于控 制阈值上限 ， 则将健康指标参数的 正常 范围作为用户在 下一周期健 康指标参数 的指标目标。 本申请实 施例中， 生成单元 61 , 还配置为： 基于用户的身体基础数据， 确 定健康 指标参数的 基线值和控制 阈值上限 ；判断基线值是否大于控 制阈值上限 ； 基于判 断结果， 确定用户在初始 周期健康指标 参数的初始 目标。 本申请实 施例中， 生成单元 61 , 还配置为： 若基线值大于控制阈值上限， 则将控 制阈值上限 作为初始 目标的上限值 ， 并将健康指标参数对应正 常范围的 下限作 为初始 目标的下限值， 得到初始 目标； 若基线值不大于控制 阈值上限， 则将健 康指标参数 的正常范围作 为初始 目标。 本申请实 施例中， 生成单元 61 , 还配置为： 行为指导方案包括饮食方案和 / 或运动 方案。 在示例性 实施例中， 本申请实施例的周期行为报 告的生成装 置的上述各 处 理单 元可以被一个 或多个中央 处理器 (CPU, Centra I Process i ng Un i t) 、 图 像处理 器 (GPU, Graph i cs Process i ng Un i t ) >基带处理器 (BP, Base Processor )、 应用 专用集成电路 (AS I C, App I i cat i on Spec i f i c I ntegrated Ci rcu i t) 、 DSP、 可编程 逻辑器件 (PLD, Programmable Logic Device) 、 复杂可编程逻辑器件 (CPLD, Complex Programmable Logic Device) 、 现场可编程门阵列 (FPGA, Field-Programmable Gate Array) 、 通用处理器、 控制器、 微控制器 (MCU, Micro Controller Unit) 、 微处理器 (Microprocessor) 、 或其他电子元件实现。 在本公开 实施例中，图 5示出的周期行为报告 的生成装置 中各个处理单 元执 行操 作的具体方 式已经在有关 该方法的实 施例中进行 了详细描述， 此处将不做 详细 阐述说明。 图 6为本申请实施例提供 的周期行为报 告的生成 系统的结构图示 意图，如图 6所示 ， 本申请实施例还记载了一种周 期行为报告 的生成系统 ， 所述系统包括客 户端 、 服务器、 数据库； 其中： 所述客户端获取用户在预定周期的 行为数据和 健康 指标参数， 所述行为数据 包括运动行 为、 饮食行为、 用药行为中的至少之 一 ； 所述服务器从所述客户端 获取行为数据 和健康指标 参数， 至少部分地利用 机器 学习模型， 根据所述行为 数据和所述健 康指标参数 ， 为所述用户生成所述 预定 周期的周期行 为报告， 所述周期行为报 告至少包括 所述预定周 期的评价结 果、下一 周期的行为建 议和/或指标 目标； 以及基于所述周期行为报 告更新所述 用户 的行为标签 ， 并获取与所述行为标签相 匹配的患教 内容； 将所述周期行为 报告 和所述患教 内容发送至所 述客户端。 客户端包括客 户端 1、 客户端 2以及客 户端 3。 本申请 实施例中， 客户端与服务 器之间通过有 线或无线 网络连接， 客户端 可 以安装于用户 的电子设备 中如手机、 笔记本电脑等 中， 服务器侧设置有患教 内容 库， 用户行为标签库， 以及智能标签库等数据库 ， 以方便服务器对数据库 的调 用。 作为一种实现方式， 本申请实施例的周期行 为报告的生成 方法由软件 程序 来实现时， 也可以将相关 应用程序装载 于用户的 电子设备上， 即不通过网 络处 理方式而直接 由用户侧的 电子设备来 实现数据的采 集及行为推 荐等， 本申 请实 施例不限于具 体的实现手段 。 本申请 实施例的周期 行为报告的生 成系统，前述实施例 已进行了详尽 描述, 这里 不再赘述其具 体的实现细 节， 本领域技术人员应 当理解， 基于现有的连接 手段 及相关技术 ，实现本申请实施例的周 期行为报告 的生成系统是 容易实现的 ， 不能 以本申请实施 例的具体示 例的系统结构 而作为是对 本申请实施例 的技术方 案的 限定。 下面， 参考图 7来描述根据本申请实 施例的电子设 备 12。 如图 7所示， 电子设备 12包括一个或多个处理器 121和存储器 122。 处理器 121可以是中央处理单 元（CPU）或者具有数据处理 能力和 /或指令执 行能 力的其他形式 的处理单元 ， 并且可以控制电子设备 12中的其他组件以执行 期望 的功能。 存储器 122可以包括一个或 多个计算机程 序产品，所述计算机程 序产品可 以 包括 各种形式的 计算机可读 存储介质 ， 例如易失性存储器和 /或非易失性存储 器。 所述易失性存 储器例如可 以包括随机存 取存储器 （RAM） 和 /或高速缓冲存 储器 （cache） 等。 所述非易失性存储器例如可以包括只读存储器 （ROM） 、 硬 盘、 闪存等。 在所述计算机可读存储介质上 可以存储一 个或多个计算 机程序指 令， 处理器 121可以运行所述程序指令， 以实现上文所述的 本申请的各个 实施例 的周期 行为报告的 生成方法以及 /或者其他期望的功能。在所述计算 机可读存储 介质 中还可以存储 诸如输入信号 、 信号分量、 噪声分量等各种内容。 在一个示 例中， 电子设备 12还可以包括： 输入装置 123和输出装置 124, 这 些组件 通过总线 系统和/或其他形 式的连接机构 （图 7中未示出） 互连。 该输入装 置 123可以包括例如键盘、 鼠标等等。 该输出装 置 124可以向外部输出各种信息 ， 包括确定出的距离信息、 方向信 息等 。 该输出装置 124可以包括例如显示器、 扬声器、 打印机、 以及通信网络及 其所连 接的远程输 出设备等等 。 当然， 为了简化， 图 7中仅示出了该电子设备 12中与本申请有关的组件中的 一些 ， 省略了诸如总线、 输入 /输出接口等等的组件。 除此之外， 根据具体应用 情况 ， 电子设备 12还可以包括任何其他适当的组件 。 本申请实 施例还记载 了一种可读非 暂时性存储 介质， 所述存储介质上存 储 程序 或指令， 所述程序或指令被 处理器执行 时实现所述 的周期行为报 告的生成 方法 的步骤。 应理解， 说明书通篇 中提到的 “一个实施例 " 或 “一实施例” 意味着与实 施例 有关的特定特 征、 结构或特性包括在本 申请的至少一 个实施例 中。 因此， 在整个 说明书各处 出现的 “在一个实施例中" 或 “在实施例中 " 未必一定指相 同的 实施例。 此外， 这些特定的特征、 结构或特性可 以任意适合的方 式结合在 一个 或多个实施例 中。 应理解， 在本申请的各种实施例 中， 上述各过程的序号 的大 小并不意味着 执行顺序的 先后， 各过程的执行顺序 应以其功能和 内在逻辑 确定 ， 而不应对本申请实施例 的实施过程构 成任何限定 。 上述本申请实施例序 号仅仅 为了描述， 不代表实施例的优劣。 需要说 明的是， 在本文中， 术语 “包括” 、 “包含” 或者其任何其他变体 意在 涵盖非排他性 的包含， 从而使得包括一 系列要素的过 程、 方法、 物品或者 装置 不仅包括那些 要素， 而且还包括没有 明确列出的其他 要素， 或者是还包括 为这种 过程、 方法、 物品或者装置所固有的 要素。 在没有更多限制 的情况下， 由语 句 “包括一个 …… " 限定的要素， 并不排除在包括该要 素的过程 、 方法、 物品 或者装置中还 存在另外的相 同要素。 在本申请 所提供的几个 实施例中 ， 应该理解到， 所揭露的设备和方法， 可 以通过 其它的方式 实现。 以上所描述的设备 实施例仅是 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， 如： 多个单元或组件可以结合 ， 或可以集成到另一个 系统， 或一些特征可以忽 略， 或不执行。 另外， 所显示或讨论的各组成部分相互之 间的耦合、 或直接耦 合、 或通信连接可以是通过一 些接口， 设备或单元的 间接耦合或通信 连接， 可 以是 电性的、 机械的或其它形 式的。 上述作为 分离部件说 明的单元可 以是、 或也可以不是物理上 分开的， 作为 单元 显示的部件可 以是、 或也可以不是物理 单元； 既可以位于一个地 方， 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 中的部分或全 部单元来 实现 本实施例方案 的目的。 另外，在本申请各 实施例中的各 功能单元可 以全部集成在 一个处理单元 中， 也可 以是各单元分 别单独作为 一个单元， 也可以两个或 两个以上单元 集成在一 个单 元中； 上述集成的单元既 可以采用硬件 的形式实现 ， 也可以采用硬件加软 件功 能单元的形式 实现。 以上所述 ， 仅为本申请的实施方 式， 但本申请的保护范围 并不局限于此 ， 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， 可轻易想到变化 或替换 ， 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以所 述权 利要求的保护 范围为准