WO/2007/150004 | VERIFICATION OF EXTRACTED DATA |
WO/1999/038052 | MEDICAL REMINDER SYSTEM AND MESSAGING WATCH |
WO/1998/050871 | METHOD AND SYSTEM FOR FACILITATING PATIENT CARE PATHS |
DU SHUO (SG)
CN111145908A | 2020-05-12 | |||
US20190159677A1 | 2019-05-30 | |||
US20200202997A1 | 2020-06-25 | |||
US20210050085A1 | 2021-02-18 | |||
CN113571152A | 2021-10-29 |
权 利 要 求 书 1、 一种周期行为报告的 生成方法, 其特征在于, 所述方法包括: 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。 2、 根据权利要求 1所述的方法, 其特征在于, 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, 所述集成模块用 于 根据所 述多个子模型 的输出确定 所述评价结果 。 3、 根据权利要求 1所述的方法, 其特征在于, 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 。 4、 根据权利要求 1所述的方法, 其特征在于, 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 。 28 5、 根据权利要求 2所述的方法, 其特征在于, 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。 6、 根据权利要求 1所述的方法, 其特征在于, 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。 7、 根据权利要求 6所述的方法, 其特征在于, 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 康指标参数 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。 8、 根据权利要求 7所述的方法, 其特征在于, 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。 9、 根据权利要求 6所述的方法, 其特征在于, 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。 10、 根据权利要求 9所述的方法, 其特征在于, 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。 1 1、 根据权利要求 6所述的方法, 其特征在于, 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。 12、 一种周期行为报告的 生成装置, 其特征在于, 所述装置包括 : 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 。 13、 一种周期行为报告的 生成系统, 其特征在于, 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。 14、 一种电子设备, 其特征在于, 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 实现权利要求 1至 11中任一项所述的周期行为报告的生成 方法的步骤。 15、 一种可读非暂时性存 储介质, 其特征在于, 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 时实现权利要 求 1至 1 1中任一项所述的周 期行 为报告的生成 方法的步骤 。 |
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