用于儿童的多标签神经网络的营养均衡评估方法及系统

摘要

本发明提供一种用于儿童的多标签神经网络的营养均衡评估方法及系统，涉及营养领域，包括记录目标对象一定时间周期内的饮食信息以及通过可穿戴设备获取目标对象在一定时间周期内的运动信息，对饮食信息和运动信息进行数据预处理后，通过特征选择算法提取饮食信息对应的饮食特征以及运动信息对应的运动特征；根据饮食特征，通过营养评估模型评估饮食特征是否满足所述目标对象的营养要求，营养评估模型基于多标签神经网络模型构建，用于评估输入模型的多种输入信息是否满足预设要求；若饮食特征不满足目标对象的营养要求，则根据目标对象的营养需求偏差和摄入量平衡性提供满足目标对象的营养要求的饮食方案。

权利要求

1.一种用于儿童的多标签神经网络的营养均衡评估方法，其特征在于，包括：

记录目标对象一定时间周期内的饮食信息以及通过可穿戴设备获取所述目标对象在一定时间周期内的运动信息，对所述饮食信息和所述运动信息进行数据预处理后，通过特征选择算法提取所述饮食信息对应的饮食特征以及所述运动信息对应的运动特征；

根据所述饮食特征，结合所述运动特征和预先获取的所述目标对象的基本属性特征，通过预先构建的营养评估模型评估所述饮食特征是否满足所述目标对象的营养要求，其中，所述营养评估模型基于多标签神经网络模型构建，用于评估输入模型的多种输入信息是否满足预设要求；

若所述饮食特征不满足所述目标对象的营养要求，则根据所述目标对象的营养需求偏差和摄入量平衡性提供满足所述目标对象的营养要求的饮食方案；

通过特征选择算法提取所述饮食信息对应的饮食特征以及所述运动信息对应的运动特征包括：将所述饮食信息和所述运动信息进行标准化，使用自适应核函数确定标准化后的饮食信息对应的饮食核矩阵和标准化后的运动信息对应的运动核矩阵，其中，核矩阵用于指示所述饮食信息和所述运动信息在高维空间的内积，所述自适应核函数；

分别对所述饮食核矩阵和所述运动核矩阵进行去中心化处理，得到自适应饮食矩阵和自适应运动矩阵，对所述自适应饮食矩阵和所述自适应运动矩阵进行特征值分解，确定所述自适应饮食矩阵对应的饮食特征值和所述自适应运动矩阵对应的运动特征值；

按照所述饮食特征值和所述运动特征值的大小进行排序，将所述饮食特征值和所述运动特征值的空间维度符合预设维度条件的特征值对应的特征作为所述饮食信息对应的饮食特征以及所述运动信息对应的运动特征；

根据所述饮食特征，结合所述运动特征和预先获取的所述目标对象的基本属性特征，通过预先构建的营养评估模型评估所述饮食特征是否满足所述目标对象的营养要求包括：通过所述营养评估模型确定所述饮食特征所对应的多种营养成分；

融合所述目标对象的基本属性特征和所述运动特征得到属性融合特征，基于预设的营养属性对应关系，确定所述属性融合特征对应的能量需求信息和营养需求信息；

判断所述多种营养成分与所述能量需求信息和所述营养需求信息是否匹配，若匹配则满足所述目标对象的营养要求，若不匹配则不满足所述目标对象的营养要求；

所述方法还包括训练营养评估模型：

获取营养评估训练数据集，其中，所述营养评估训练数据集的样本包括多种营养成分，并且将不同的营养成分视为不同任务，确定所述营养评估训练数据集的样本对应的样本标签；

初始化待训练的营养评估模型的网络权重和偏置参数，将营养评估待训练数据集输入待训练的营养评估模型，确定营养评估模型的模型输出与所述营养评估训练数据集的样本对应的样本标签的预测偏差；

基于不同营养成分之间的相关性，并且为每种营养成分分配对应的营养权重，以及为不同营养成分之间的相关性分配对应的相关性权重，结合所述预测偏差，构建损失函数；

根据所述损失函数的损失值，通过反向传播算法确定待训练的营养评估模型的网络权重和偏置参数对损失函数的梯度，迭代自动调整学习率并更新待训练的营养评估模型的网络权重和偏置参数，使得损失函数的损失值最小化。

2.根据权利要求1所述的方法，其特征在于，基于不同营养成分之间的相关性，并且为每种营养成分分配对应的营养权重，以及为不同营养成分之间的相关性分配对应的相关性权重，结合所述预测偏差，构建损失函数包括：；

其中，LOSS表示损失函数对应的损失值，i,j分别表示第i种营养成分和第j种营养成分，N表示营养成分数量，wi表示第i种营养成分对应的营养权重，pi、yi分别表示第i种营养成分对应的模型输出和第i种营养成分对应的样本标签，rij表示第i种营养成分和第j种营养成分对应的相关性权重，yj表示第j种营养成分对应的样本标签。

3.根据权利要求1所述的方法，其特征在于，若所述饮食特征不满足所述目标对象的营养要求，则根据所述目标对象的营养需求偏差和摄入量平衡性提供满足所述目标对象的营养要求的饮食方案包括：若所述饮食特征不满足所述目标对象的营养要求，根据所述目标对象的基本属性特征以及所述目标对象的营养要求，确定符合所述目标对象的营养要求的每种营养成分的理想摄入量，结合所述目标对象的饮食信息确定实际摄入量，根据所述理想摄入量以及实际摄入量确定营养需求偏差；

根据所述饮食信息确定所述目标对象的营养成分的平均摄入量，结合实际摄入量确定摄入量平衡性；

基于所述营养需求偏差和所述摄入量平衡性构建适应度函数，根据适应度函数对应的适应度值进行排序，选择适应度值大于预设排序阈值的个体作为繁殖下一代的父母；对选中的父母个体进行交叉操作，产生子代个体，对交叉后的个体进行变异操作，引入随机因子，生成新的子代个体；

确定所述父母个体与所述子代个体的差值，

若所述差值大于预设参考阈值，则将所述子代个体替换所述父母个体；

若所述差值小于预设参考阈值，则结合预设的接受阈值保留所述子代个体，将最终保留的子代个体作为满足所述目标对象的营养要求的饮食方案。

4.一种用于儿童的多标签神经网络的营养均衡评估系统，用于实现前述权利要求1至3中任一项所述的用于儿童的多标签神经网络的营养均衡评估方法，其特征在于，包括：第一单元，用于记录目标对象一定时间周期内的饮食信息以及通过可穿戴设备获取所述目标对象在一定时间周期内的运动信息，对所述饮食信息和所述运动信息进行数据预处理后，通过特征选择算法提取所述饮食信息对应的饮食特征以及所述运动信息对应的运动特征；

第二单元，用于根据所述饮食特征，结合所述运动特征和预先获取的所述目标对象的基本属性特征，通过预先构建的营养评估模型评估所述饮食特征是否满足所述目标对象的营养要求，其中，所述营养评估模型基于多标签神经网络模型构建，用于评估输入模型的多种输入信息是否满足预设要求；

第三单元，用于若所述饮食特征不满足所述目标对象的营养要求，则根据所述目标对象的营养需求偏差和摄入量平衡性提供满足所述目标对象的营养要求的饮食方案。

5.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至3中任意一项所述的方法。

6.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至3中任意一项所述的方法。

说明书

用于儿童的多标签神经网络的营养均衡评估方法及系统

技术领域

[0001] 本发明涉及营养技术，尤其涉及一种用于儿童的多标签神经网络的营养均衡评估方法及系统。

背景技术

[0002] 在儿童的成长过程中，由于对营养素的吸收会受到先天因素和后天因素的影响，不同人群在成长中对不同营养物质的吸收程度不同，因此导致成长过程部分儿童会出现缺乏营养素的情况，但同时人类体格和大脑发育最快的时期是0‑6岁，这个时期的营养摄入和生长发育状态将影响儿童一生。

[0003] CN110033845A，一种儿童营养素缺乏风险等级评估系统，包括：数据获取模块，用于获取基因检测数据、儿童膳食数据及儿童身体指标数据；基因检测结果评估模块，用于根据基因检测数据对营养素相关基因评估；膳食摄入营养素量评估模块，用于根据儿童膳食数据对膳食摄入营养素水平评估；营养素缺乏症状评估模块，用于根据儿童身体指标数据对儿童各营养素缺乏症状评估；综合风险等级评估模块，用于根据各评估结果综合分析，确定营养素缺乏风险。

[0004] CN111242427A，公开了一种儿童营养与生长发育关系的评估方法及系统，所述儿童营养与生长发育关系的评估方法包括：采集儿童姓名、年龄的个人信息数据，采集儿童身高数据、体重数据、儿童血液元素指数数据；根据采集的数据绘制儿童营养与生长发育关系曲线图像，并对儿童心理进行测试；评测儿童发育能力、儿童认知能力以及综合能力；最后对采集的数据进行存储及显示。

[0005] 在现有技术中，虽然能够通过检测确定摄入的营养素情况，但不能根据每个儿童的身体情况和摄入习惯，为每个儿童制定单独的营养素摄入计划。

发明内容

[0006] 本发明实施例提供一种用于儿童的多标签神经网络的营养均衡评估方法及系统，能够根据儿童的实际摄入的营养位置和运动情况等信息，评估儿童的营养摄入是否均衡合理。

[0007] 本发明实施例的第一方面，

[0008] 提供一种用于儿童的多标签神经网络的营养均衡评估方法，包括：

[0009] 记录目标对象一定时间周期内的饮食信息以及通过可穿戴设备获取所述目标对象在一定时间周期内的运动信息，对所述饮食信息和所述运动信息进行数据预处理后，通过特征选择算法提取所述饮食信息对应的饮食特征以及所述运动信息对应的运动特征；

[0010] 根据所述饮食特征，结合所述运动特征和预先获取的所述目标对象的基本属性特征，通过预先构建的营养评估模型评估所述饮食特征是否满足所述目标对象的营养要求，其中，所述营养评估模型基于多标签神经网络模型构建，用于评估输入模型的多种输入信息是否满足预设要求；

[0011] 若所述饮食特征不满足所述目标对象的营养要求，则根据所述目标对象的营养需求偏差和摄入量平衡性提供满足所述目标对象的营养要求的饮食方案。

[0012] 在一种可选的实施方式中，

[0013] 通过特征选择算法提取所述饮食信息对应的饮食特征以及所述运动信息对应的运动特征包括：

[0014] 将所述饮食信息和所述运动信息进行标准化，使用自适应核函数确定标准化后的饮食信息对应的饮食核矩阵和标准化后的运动信息对应的运动核矩阵，其中，核矩阵用于指示所述饮食信息和所述运动信息在高维空间的内积，所述自适应核函数；

[0015] 分别对所述饮食核矩阵和所述运动核矩阵进行去中心化处理，得到自适应饮食矩阵和自适应运动矩阵，对所述自适应饮食矩阵和所述自适应运动矩阵进行特征值分解，确定所述自适应饮食矩阵对应的饮食特征值和所述自适应运动矩阵对应的运动特征值；

[0016] 按照所述饮食特征值和所述运动特征值的大小进行排序，将所述饮食特征值和所述运动特征值的空间维度符合预设维度条件的特征值对应的特征作为所述饮食信息对应的饮食特征以及所述运动信息对应的运动特征。

[0017] 在一种可选的实施方式中，

[0018] 根据所述饮食特征，结合所述运动特征和预先获取的所述目标对象的基本属性特征，通过预先构建的营养评估模型评估所述饮食特征是否满足所述目标对象的营养要求包括：

[0019] 通过所述营养评估模型确定所述饮食特征所对应的多种营养成分；

[0020] 融合所述目标对象的基本属性特征和所述运动特征得到属性融合特征，基于预设的营养属性对应关系，确定所述属性融合特征对应的能量需求信息和营养需求信息；

[0021] 判断所述多种营养成分与所述能量需求信息和所述营养需求信息是否匹配，若匹配则满足所述目标对象的营养要求，若不匹配则不满足所述目标对象的营养要求。

[0022] 在一种可选的实施方式中，

[0023] 所述方法还包括训练营养评估模型：

[0024] 获取营养评估训练数据集，其中，所述营养评估训练数据集的样本包括多种营养成分，并且将不同的营养成分视为不同任务，确定所述营养评估训练数据集的样本对应的样本标签；

[0025] 初始化待训练的营养评估模型的网络权重和偏置参数，将营养评估待训练数据集输入待训练的营养评估模型，确定营养评估模型的模型输出与所述营养评估训练数据集的样本对应的样本标签的预测偏差；

[0026] 基于不同营养成分之间的相关性，并且为每种营养成分分配对应的营养权重，以及为不同营养成分之间的相关性分配对应的相关性权重，结合所述预测偏差，构建损失函数；

[0027] 根据所述损失函数的损失值，通过反向传播算法确定待训练的营养评估模型的网络权重和偏置参数对损失函数的梯度，迭代自动调整学习率并更新待训练的营养评估模型的网络权重和偏置参数，使得损失函数的损失值最小化。

[0028] 在一种可选的实施方式中，

[0029] 基于不同营养成分之间的相关性，并且为每种营养成分分配对应的营养权重，以及为不同营养成分之间的相关性分配对应的相关性权重，结合所述预测偏差，构建损失函数包括：

[0030]

[0031] 其中，LOSS表示损失函数对应的损失值，i,j分别表示第i种营养成分和第j种营养成分，N表示营养成分数量，wi表示第i种营养成分对应的营养权重，pi、yi分别表示第i种营养成分对应的模型输出和第i种营养成分对应的样本标签，rij表示第i种营养成分和第j种营养成分对应的相关性权重，yj表示第j种营养成分对应的样本标签。

[0032] 在一种可选的实施方式中，

[0033] 若所述饮食特征不满足所述目标对象的营养要求，则根据所述目标对象的营养需求偏差和摄入量平衡性提供满足所述目标对象的营养要求的饮食方案包括：

[0034] 若所述饮食特征不满足所述目标对象的营养要求，根据所述目标对象的基本属性特征以及所述目标对象的营养要求，确定符合所述目标对象的营养要求的每种营养成分的理想摄入量，结合所述目标对象的饮食信息确定实际摄入量，根据所述理想摄入量以及实际摄入量确定营养需求偏差；

[0035] 根据所述饮食信息确定所述目标对象的营养成分的平均摄入量，结合实际摄入量确定摄入量平衡性；

[0036] 基于所述营养需求偏差和所述摄入量平衡性构建适应度函数，根据适应度函数对应的适应度值进行排序，选择适应度值大于预设排序阈值的个体作为繁殖下一代的父母；对选中的父母个体进行交叉操作，产生子代个体，对交叉后的个体进行变异操作，引入随机因子，生成新的子代个体；

[0037] 确定所述父母个体与所述子代个体的差值，

[0038] 若所述差值大于预设参考阈值，则将所述子代个体替换所述父母个体；

[0039] 若所述差值小于预设参考阈值，则结合预设的接受阈值保留所述子代个体，将最终保留的子代个体作为满足所述目标对象的营养要求的饮食方案。

[0040] 本发明实施例的第二方面

[0041] 提供一种用于儿童的多标签神经网络的营养均衡评估系统，包括：

[0042] 第一单元，用于记录目标对象一定时间周期内的饮食信息以及通过可穿戴设备获取所述目标对象在一定时间周期内的运动信息，对所述饮食信息和所述运动信息进行数据预处理后，通过特征选择算法提取所述饮食信息对应的饮食特征以及所述运动信息对应的运动特征；

[0043] 第二单元，用于根据所述饮食特征，结合所述运动特征和预先获取的所述目标对象的基本属性特征，通过预先构建的营养评估模型评估所述饮食特征是否满足所述目标对象的营养要求，其中，所述营养评估模型基于多标签神经网络模型构建，用于评估输入模型的多种输入信息是否满足预设要求；

[0044] 第三单元，用于若所述饮食特征不满足所述目标对象的营养要求，则根据所述目标对象的营养需求偏差和摄入量平衡性提供满足所述目标对象的营养要求的饮食方案。

[0045] 本发明实施例的第三方面，

[0046] 提供一种电子设备，包括：

[0047] 处理器；

[0048] 用于存储处理器可执行指令的存储器；

[0049] 其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。

[0050] 本发明实施例的第四方面，

[0051] 提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。

[0052] 本发明实施例的有益效果可以参考具体实施方式中技术特征对应的效果，在此不再赘述。

附图说明

[0053] 图1为本发明实施例用于儿童的多标签神经网络的营养均衡评估方法的流程示意图；

[0054] 图2为本发明实施例用于儿童的多标签神经网络的营养均衡评估系统的结构示意图。

具体实施方式

[0055] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0056] 下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

[0057] 图1为本发明实施例用于儿童的多标签神经网络的营养均衡评估方法的流程示意图，如图1所示，所述方法包括：

[0058] S1.记录目标对象一定时间周期内的饮食信息以及通过可穿戴设备获取所述目标对象在一定时间周期内的运动信息，对所述饮食信息和所述运动信息进行数据预处理后，通过特征选择算法提取所述饮食信息对应的饮食特征以及所述运动信息对应的运动特征；

[0059] 所述饮食信息指的是有关食物和饮料的各种相关数据和知识，包括食物的成分，营养价值等信息；

[0060] 所述运动信息是指与体育运动、锻炼和身体活动相关的数据和知识，具体包括运动类型，锻炼强度，锻炼频率等信息；

[0061] 所述饮食特征是通过对目标对象在一定时间周期内的饮食信息进行处理和分析后，提取出的具有代表性的特征或模式；

[0062] 所述运动特征是通过对目标对象在一定时间周期内的运动信息进行处理和分析后，提取出的具有代表性的运动行为或模式；

[0063] 在一种可选的实施方式中，

[0064] 通过特征选择算法提取所述饮食信息对应的饮食特征以及所述运动信息对应的运动特征包括：

[0065] 将所述饮食信息和所述运动信息进行标准化，使用自适应核函数确定标准化后的饮食信息对应的饮食核矩阵和标准化后的运动信息对应的运动核矩阵，其中，核矩阵用于指示所述饮食信息和所述运动信息在高维空间的内积，所述自适应核函数；

[0066] 所述自适应核函数是一种核函数，其特点是能够自动调整核函数中的参数，以适应数据的特征，目的是提高模型的泛化能力，使其能够更好地适应不同数据集的特征。

[0067] 收集和整理饮食信息和运动信息的数据并确保数据格式的一致性和可用性；

[0068] 对于饮食信息和运动信息，将文本信息转化为数值特征，或者使用现有的特征向量表示，并进行特征提取，将它们表示为向量形式；

[0069] 选择适当的自适应核函数，根据数据的分布动态调整核函数的参数；

[0070] 根据选定的自适应核函数，计算饮食信息的核矩阵；

[0071] 使用均值和标准差对所述饮食信息的核矩阵进行标准化；

[0072] 分别对所述饮食核矩阵和所述运动核矩阵进行去中心化处理，得到自适应饮食矩阵和自适应运动矩阵，对所述自适应饮食矩阵和所述自适应运动矩阵进行特征值分解，确定所述自适应饮食矩阵对应的饮食特征值和所述自适应运动矩阵对应的运动特征值；

[0073] 所述饮食特征值，在矩阵去中心化后是描述饮食信息的矩阵中每个维度的重要性的度量。每个特征值对应一个特征向量，该特征向量定义了饮食信息在数据空间中的方向；

[0074] 所述运动特征值描述了运动信息的矩阵中每个维度的重要性。同样，每个特征值对应一个特征向量，定义了运动信息在数据空间中的方向；

[0075] 首先，计算饮食核矩阵的每一行的均值，并从每个元素中减去对应行的均值，使矩阵变为零均值矩阵，得到去中心化的饮食核矩阵；

[0076] 计算运动核矩阵的每一行的均值，并从每个元素中减去对应行的均值，得到去中心化的运动核矩阵。

[0077] 对去中心化的饮食核矩阵和去中心化的运动核矩阵进行特征值分解，得到饮食特征值和对应的特征向量以及运动特征值和对应的特征向量；

[0078] 按照所述饮食特征值和所述运动特征值的大小进行排序，将所述饮食特征值和所述运动特征值的空间维度符合预设维度条件的特征值对应的特征作为所述饮食信息对应的饮食特征以及所述运动信息对应的运动特征。

[0079] 对饮食特征值和运动特征值按照从大到小进行排序；

[0080] 确定所需的维度数量，根据预设维度条件选择保留多少个最大的特征值和对应的特征向量；

[0081] 选择与排序后的特征值相对应的特征向量，这些特征向量将成为饮食信息和运动信息的特征，其中特征向量的数量为符合预设维度条件的特征的数量；

[0082] 将所选的特征向量分别视为饮食信息和运动信息的特征。

[0083] 在本步骤中，自适应核函数可以根据数据的分布调整核函数的参数，提高模型的适应性。这有助于更准确地捕捉饮食和运动信息的内在结构；

[0084] 核矩阵的构建可以捕获不同信息之间的相似性和关联性。通过计算核矩阵的内积，可以在高维空间中测量饮食信息和运动信息之间的相似性；

[0085] 去中心化可以提高数据的稳定性，确保数据在处理过程中不会受到偏置的影响。特征值分解则能够提取数据的主要特征，减少数据的维度；

[0086] 根据特征值的大小排序，选择最重要的特征向量。这有助于减少噪音，保留主要信息，提高后续分析的准确性；

[0087] 综上，本步骤有助于更好地理解儿童的饮食和运动习惯，从而更准确地评估其营养均衡状况。这有助于个性化的、有针对性的干预措施的设计，促进儿童的健康成长。

[0088] S2.根据所述饮食特征，结合所述运动特征和预先获取的所述目标对象的基本属性特征，通过预先构建的营养评估模型评估所述饮食特征是否满足所述目标对象的营养要求，其中，所述营养评估模型基于多标签神经网络模型构建，用于评估输入模型的多种输入信息是否满足预设要求；

[0089] 所述营养评估模型是用于评估目标对象的饮食和运动特征是否满足其营养需求的模型；

[0090] 所述基本属性特征是指目标对象的基本信息，包括但不限于年龄、性别、身高、体重等。这些特征对于评估个体的能量需求、营养代谢和整体健康状况都具有重要作用；

[0091] 在一种可选的实施方式中，

[0092] 根据所述饮食特征，结合所述运动特征和预先获取的所述目标对象的基本属性特征，通过预先构建的营养评估模型评估所述饮食特征是否满足所述目标对象的营养要求包括：

[0093] 通过所述营养评估模型确定所述饮食特征所对应的多种营养成分；

[0094] 准备一个包含各种食物的营养成分信息的数据库，例如食物成分数据库，这个数据库包含了各种食物的营养成分，如蛋白质、碳水化合物、脂肪、维生素、矿物质等；

[0095] 通过建立一个映射关系，将饮食特征中的食物与数据库中的食物进行匹配，将饮食特征映射到营养数据库中的相应食物；

[0096] 使用数据库中的营养成分信息，计算每个饮食特征所对应的多种营养成分；

[0097] 融合所述目标对象的基本属性特征和所述运动特征得到属性融合特征，基于预设的营养属性对应关系，确定所述属性融合特征对应的能量需求信息和营养需求信息；

[0098] 收集目标对象的基本属性特征，如年龄、性别、身高、体重等，以及运动特征，例如运动类型、强度、频率等；

[0099] 通过简单的拼接、加权平均或者特征提取方法，将目标对象的基本属性特征和运动特征进行融合，得到一个综合的属性融合特征；

[0100] 建立预设的营养属性对应关系，即确定不同属性融合特征与能量需求信息以及营养需求信息之间的关系；

[0101] 根据预设的营养属性对应关系，将属性融合特征映射到相应的能量需求信息和营养需求信息；

[0102] 利用映射得到的关系，计算目标对象对应的能量需求信息和营养需求信息并解释计算得到的能量需求信息和营养需求信息。

[0103] 判断所述多种营养成分与所述能量需求信息和所述营养需求信息是否匹配，若匹配则满足所述目标对象的营养要求，若不匹配则不满足所述目标对象的营养要求。

[0104] 获取根据所述营养评估模型确定的多种营养成分；

[0105] 将多种营养成分数据与能量需求信息和营养需求信息进行匹配；

[0106] 设定匹配标准，即定义多种营养成分与能量需求信息和营养需求信息之间的匹配条件；

[0107] 根据设定的匹配标准，判断多种营养成分是否与能量需求信息和营养需求信息匹配，如果匹配则认为满足营养要求，否则不满足；

[0108] 输出判断结果，明确指出目标对象是否满足其营养要求，以及哪些方面可能不匹配。

[0109] 在一种可选的实施方式中，

[0110] 所述方法还包括训练营养评估模型：

[0111] 获取营养评估训练数据集，其中，所述营养评估训练数据集的样本包括多种营养成分，并且将不同的营养成分视为不同任务，确定所述营养评估训练数据集的样本对应的样本标签；

[0112] 确定获取所述营养评估训练数据集的数据来源；

[0113] 根据确定的数据源，收集与营养评估相关的数据；

[0114] 对收集的数据进行清理和预处理，包括缺失值处理，异常值处理和数据格式统一；

[0115] 根据营养评估的目标，进行特征工程，包括根据数据中的特征，创建新的特征以提高模型的性能，以及对特征进行标准化或归一化，确保模型训练的稳定性；

[0116] 初始化待训练的营养评估模型的网络权重和偏置参数，将营养评估待训练数据集输入待训练的营养评估模型，确定营养评估模型的模型输出与所述营养评估训练数据集的样本对应的样本标签的预测偏差；

[0117] 根据选择的营养评估模型，使用随机初始化、预训练模型的加载等方法，初始化神经网络的权重和偏置参数；

[0118] 选择适当的损失函数，以度量模型输出与样本标签之间的差异；

[0119] 选择优化算法设置学习率和其他优化器的超参数；

[0120] 将预处理后的训练数据集输入模型并确保输入数据的维度和模型的输入层匹配；

[0121] 执行前向传播操作，将输入数据通过神经网络的各层进行计算，得到模型的输出；

[0122] 使用选择的损失函数计算模型输出与样本标签的差异；

[0123] 执行反向传播操作，通过网络层向后传递误差梯度，计算损失对模型参数的梯度；

[0124] 使用选择的优化器，根据梯度更新模型的权重和偏置；

[0125] 重复执行签署操作，迭代训练模型，直至训练完成；

[0126] 将测试数据集输入模型，得到模型输出与所述营养评估训练数据集的样本对应的样本标签的预测偏差

[0127] 基于不同营养成分之间的相关性，并且为每种营养成分分配对应的营养权重，以及为不同营养成分之间的相关性分配对应的相关性权重，结合所述预测偏差，构建损失函数；

[0128] 使用相关系数计算不同营养成分之间的相关性；

[0129] 基于领域知识、实验数据或其他先验信息为每一种营养成分分配权重；

[0130] 为不同营养成分之间的相关性分配权重；

[0131] 基于所述相关性和相关性权重，构建损失函数；

[0132] 根据所述损失函数的损失值，通过反向传播算法确定待训练的营养评估模型的网络权重和偏置参数对损失函数的梯度，迭代自动调整学习率并更新待训练的营养评估模型的网络权重和偏置参数，使得损失函数的损失值最小化。

[0133] 在模型中初始化权重和偏置参数，准备训练数据集，包括输入数据和相应的目标标签；

[0134] 初始化学习率和迭代次数，进行迭代训练；

[0135] 将训练数据输入模型，计算模型的输出，使用定义的损失函数计算模型输出与实际样本标签的差异，使用反向传播算法计算损失函数对于模型参数（权重和偏置）的梯度，根据需要，动态调整学习率，使用梯度下降或其他优化算法，根据梯度和学习率来更新模型的参数；

[0136] 在每次迭代后，检查损失值是否足够小或者是否趋于稳定，如果损失值满足停止训练的条件，则停止训练；

[0137] 在一种可选的实施方式中，

[0138] 基于不同营养成分之间的相关性，并且为每种营养成分分配对应的营养权重，以及为不同营养成分之间的相关性分配对应的相关性权重，结合所述预测偏差，构建损失函数包括：

[0139]

[0140] 其中，LOSS表示损失函数对应的损失值，i,j分别表示第i种营养成分和第j种营养成分，N表示营养成分数量，wi表示第i种营养成分对应的营养权重，pi、yi分别表示第i种营养成分对应的模型输出和第i种营养成分对应的样本标签，rij表示第i种营养成分和第j种营养成分对应的相关性权重，yj表示第j种营养成分对应的样本标签。

[0141] 本函数中，考虑了不同营养成分之间的相关性和权重，模型更有可能生成与实际情况更匹配的营养评估结果，通过为不同营养成分分配权重，可以根据每个成分的重要性进行个性化评估，从而更好地满足目标对象的营养需求，通过引入相关性权重，可以更好地捕捉不同营养成分之间的关联。

[0142] 本步骤中，通过营养评估模型，能够准确地确定饮食特征所对应的多种营养成分。这有助于全面了解目标对象的饮食状况；

[0143] 融合目标对象的基本属性和运动特征，得到属性融合特征，能够更全面地考虑个体差异。通过预设的营养属性对应关系，确定属性融合特征对应的能量需求信息和营养需求信息，使评估更为个性化和精准；

[0144] 判断多种营养成分与能量需求信息和营养需求信息是否匹配，能够提供对于目标对象是否满足营养要求的判断。这有助于及时调整饮食和生活方式，以满足儿童的健康需求；

[0145] 获取包含多种营养成分的训练数据集，将不同营养成分视为不同任务，这有助于模型更好地学习和理解各个任务之间的关系；

[0146] 构建包含多个方面考虑的损失函数，包括权重分配、相关性和预测偏差等，能够更全面地衡量模型的性能。通过反向传播算法优化模型，使得综合损失最小化；

[0147] 综上，本步骤考虑了多个因素，使评估更加全面和个性化，有助于提高儿童营养评估的准确性和实用性。

[0148] S3.若所述饮食特征不满足所述目标对象的营养要求，则根据所述目标对象的营养需求偏差和摄入量平衡性提供满足所述目标对象的营养要求的饮食方案。

[0149] 在一种可选的实施方式中，

[0150] 若所述饮食特征不满足所述目标对象的营养要求，则根据所述目标对象的营养需求偏差和摄入量平衡性提供满足所述目标对象的营养要求的饮食方案包括：

[0151] 若所述饮食特征不满足所述目标对象的营养要求，根据所述目标对象的基本属性特征以及所述目标对象的营养要求，确定符合所述目标对象的营养要求的每种营养成分的理想摄入量，结合所述目标对象的饮食信息确定实际摄入量，根据所述理想摄入量以及实际摄入量确定营养需求偏差；

[0152] 依据医学、营养学的知识定义营养标准，设定阈值，判断饮食特征是否在合理的范围内，由此判断所述饮食特征是否满足目标对象的营养要求；

[0153] 若不满足，则根据专业的营养学知识、医学标准或专业机构发布的建议摄入量确定每种营养成分的理想摄入量；

[0154] 确定目标对象的实际饮食数据，包括各种食物的摄入量、食物成分等；

[0155] 对于每种营养成分，计算实际摄入量与理想摄入量之间的差异，以确定营养需求偏差；

[0156] 根据所述饮食信息确定所述目标对象的营养成分的平均摄入量，结合实际摄入量确定摄入量平衡性；

[0157] 获取目标对象的饮食信息，包括摄入食物的种类，摄入量和饮食频率等信息；

[0158] 对于每种营养成分，将目标对象在一定时间范围内摄入的总量除以时间，得到平均摄入量；

[0159] 对于每种营养成分，计算实际摄入量与平均摄入量之间的差异，用于评估摄入量平衡性；

[0160] 解释计算得到的摄入量平衡性，确定哪些营养成分存在过量或不足。

[0161] 基于所述营养需求偏差和所述摄入量平衡性构建适应度函数，根据适应度函数对应的适应度值进行排序，选择适应度值大于预设排序阈值的个体作为繁殖下一代的父母；对选中的父母个体进行交叉操作，产生子代个体，对交叉后的个体进行变异操作，引入随机因子，生成新的子代个体；

[0162] 适应度函数可以综合考虑营养需求偏差和摄入量平衡性，形成一个评价目标对象健康状况的指标；

[0163] 计算每个个体的适应度函数值，按照适应度值从大到小进行排序；

[0164] 根据排序结果，选择适应度值大于预设排序阈值的个体作为繁殖下一代的父母；

[0165] 通过交叉操作，将两个父母个体的基因信息互换，生成子代个体；

[0166] 引入随机因子，对个体的基因信息进行变异，生成新的子代个体；

[0167] 将父母个体和生成的子代个体结合，形成新一代种群；

[0168] 确定所述父母个体与所述子代个体的差值，

[0169] 若所述差值大于预设参考阈值，则将所述子代个体替换所述父母个体；

[0170] 若所述差值小于预设参考阈值，则结合预设的接受阈值保留所述子代个体，将最终保留的子代个体作为满足所述目标对象的营养要求的饮食方案。

[0171] 对每个个体，采用各个适应度值的绝对值差异或其他度量方式，计算其适应度值的差异；

[0172] 若差值大于预设参考阈值，则选择替换，将子代个体替换父母个体；

[0173] 若差值小于预设参考阈值，结合预设的接受阈值保留子代个体；

[0174] 如果选择替换，将子代个体替换父母个体。如果选择保留，则将子代个体保留；

[0175] 最终的饮食方案是由经过筛选和选择后的子代个体组成，这些子代个体满足目标对象的营养要求。

[0176] 本步骤中，通过构建适应度函数，综合考虑营养需求偏差和摄入量平衡性，能够更全面地评估每个饮食方案的优劣。这种个性化的评估有助于根据目标对象的特定情况，制定更符合实际需求的饮食建议；

[0177] 利用遗传算法进行繁殖和进化，使得每一代的饮食方案都在前代的基础上进行了一定的优化。通过选择适应度值较高的个体作为父母，以及交叉和变异操作引入的随机性，可以加速找到更优秀的饮食方案；

[0178] 通过判断父母与子代之间的差值，实现一种基于反馈的自适应优化策略。对于性能较差的个体，采用替换策略，而对于性能较好的个体，通过保留一定比例的方式，增加搜索空间的多样性，有助于全局搜索和局部优化的平衡；

[0179] 通过多代进化，最终得到的子代个体是在考虑了理想摄入量、实际摄入量、适应度评估等多个因素的基础上，满足目标对象的营养要求的饮食方案。这种方法有助于提供更为全面和科学的饮食建议，以满足儿童的营养需求。

[0180] 综上，本步骤有助于优化搜索空间、提高饮食方案个性化和整体适应度，为制定更符合儿童实际需求的饮食方案提供了一种有效的方法。

[0181] 图2为本发明实施例用于儿童的多标签神经网络的营养均衡评估系统的结构示意图，如图2所示，所述系统包括：

[0182] 第一单元，用于记录目标对象一定时间周期内的饮食信息以及通过可穿戴设备获取所述目标对象在一定时间周期内的运动信息，对所述饮食信息和所述运动信息进行数据预处理后，通过特征选择算法提取所述饮食信息对应的饮食特征以及所述运动信息对应的运动特征；

[0183] 第二单元，用于根据所述饮食特征，结合所述运动特征和预先获取的所述目标对象的基本属性特征，通过预先构建的营养评估模型评估所述饮食特征是否满足所述目标对象的营养要求，其中，所述营养评估模型基于多标签神经网络模型构建，用于评估输入模型的多种输入信息是否满足预设要求；

[0184] 第三单元，用于若所述饮食特征不满足所述目标对象的营养要求，则根据所述目标对象的营养需求偏差和摄入量平衡性提供满足所述目标对象的营养要求的饮食方案。

[0185] 本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。

[0186] 最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。