一種體重管理方法及系統
2024-04-16 16:42:05
1.本發明涉及人工智慧技術領域，具體涉及一種體重管理方法及系統。
背景技術：
2.對於很多慢性病患者，尤其是維持性血液透析的患者等，精確的控制體重是保障其治療效果以及維持其長期預後的關鍵。
3.現有技術中對患者進行體重管理時，一般根據患者體型給出參考體重然後進行管理，無法根據患者健康情況變化進行時效性較高的體重管理，存在著體重管理不智能、不準確的技術問題。
技術實現要素：
4.本技術提供了一種體重管理方法及系統，用於針對解決現有技術中對患者進行體重管理時，一般根據患者體型給出參考體重然後進行管理，無法根據患者健康情況變化進行時效性較高的體重管理，存在著體重管理不智能、不準確的技術問題。
5.鑑於上述問題，本技術提供了一種體重管理方法及系統。
6.本技術的第一個方面，提供了一種體重管理方法，所述方法包括：
7.對用戶進行體重檢測，獲得第一體重數據；
8.基於多個健康體徵指標，對所述用戶進行檢測，獲得健康體徵信息集合；
9.將所述健康體徵信息集合輸入健康狀態評價模型中，獲得實時健康狀態評價結果；
10.分析體重與所述用戶的健康狀態的關係，獲得健康狀態關係；
11.根據所述實時健康狀態評價結果輸入所述健康狀態關係，獲得第二體重數據；
12.將所述第一體重數據和所述第二體重數據輸入體重管理分析模型內，獲得體重管理方案，進行所述用戶的體重管理。
13.本技術的第二個方面，提供了一種體重管理系統，所述系統包括：
14.體重檢測模塊，用於對用戶進行體重檢測，獲得第一體重數據；
15.健康體徵監測模塊，用於基於多個健康體徵指標，對所述用戶進行檢測，獲得健康體徵信息集合；
16.健康評價模塊，用於將所述健康體徵信息集合輸入健康狀態評價模型中，獲得實時健康狀態評價結果；
17.健康體徵關係分析模塊，用於分析體重與所述用戶的健康狀態的關係，獲得健康狀態關係；
18.體重預期模塊，用於根據所述實時健康狀態評價結果輸入所述健康狀態關係，獲得第二體重數據；
19.體重管理分析模塊，用於將所述第一體重數據和所述第二體重數據輸入體重管理分析模型內，獲得體重管理方案，進行所述用戶的體重管理。
20.本技術的第三個方面，提供了一種計算機設備，所述計算機設備包括存儲器和處理器，所述存儲器內存儲有電腦程式，所述電腦程式被所述處理器執行時實現第一方面中方法的步驟。
21.本技術的第四個方面，提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質內存儲有電腦程式，所述電腦程式被處理器執行時實現第一方面中方法的步驟。
22.本技術中提供的一個或多個技術方案，至少具有如下技術效果或優點：
23.本技術實施例提供的技術方案通過對用戶進行體重檢測，獲取當前的體重數據，然後檢測用戶當前的健康體徵信息集合，將健康體徵信息集合輸入健康狀態評價模型內，獲得實時健康狀態評價結果，將其輸入健康狀態關係內，獲得預期的體重數據，將檢測的體重數據和預期的體重數據輸入體重管理分析模型內，獲得體重管理方案，進行用戶的體重管理，可以監測患者的體重情況，進而調整患者的飲食或用藥情況，對患者實現更好的照顧。本技術實施例通過評價用戶的健康狀態，獲取預期的健康體重，作為體重管理的基礎，更為準確和智能，以及採集獲得實際體重，結合預期的健康體徵，進行當前體重管理方案的分析輸出，更為準確和智能，使得獲得的體重管理方案更為適應用戶的健康狀態，達到提升體重管理準確性、智能性的技術效果。
附圖說明
24.圖1為本技術提供的一種體重管理方法流程示意圖；
25.圖2為本技術提供的一種體重管理方法中獲得實時健康狀態評價結果的流程示意圖；
26.圖3為本技術提供的一種體重管理方法中構建獲得體重管理分析模型的流程示意圖；
27.圖4為本技術提供的一種體重管理系統的結構示意圖。
28.圖5為本技術實施例示例性計算機設備的結構示意圖。
29.附圖標記說明：體重檢測模塊11，健康體徵監測模塊12，健康評價模塊13，健康體徵關係分析模塊14，體重預期模塊15，體重管理分析模塊16，計算機設備300，存儲器301，處理器302，通信接口303，總線架構304。
具體實施方式
30.本技術通過提供了一種體重管理方法及系統，用於針對解決現有技術中對患者進行體重管理時，一般根據患者體型給出參考體重然後進行管理，無法根據患者健康情況變化進行時效性較高的體重管理，存在著體重管理不智能、不準確的技術問題。
31.實施例一
32.如圖1所示，本技術提供了一種體重管理方法，所述方法包括：
33.s100：對用戶進行體重檢測，獲得第一體重數據；
34.本技術實施例中，該用戶即為需要實施本技術實施例提供的體重管理方法，進行體重管理的用戶，具體可以為慢性病患者、癱瘓患者等，但不限於此。
35.對該用戶進行體重檢測，可採用現有技術中任意的、準確的體重檢測方式，進行檢測，獲得第一體重數據，第一體重數據即為該用戶當前實時的體重數據。
36.示例性地，本技術實施例通過氣墊上預先安裝的多個傳感器或其他數據採集裝置的體重檢測裝置，檢測獲取該用戶當前實時的體重數據，該體重檢測裝置包括充氣氣墊、充氣管路、排氣管路和主機，該充氣氣墊長度為200cm，寬度為90cm，且包括用以支撐用戶頭部的第一部分和用以支撐用戶身體的第二部分，第一部分正常充氣後的高度優選為18cm左右，第二部分正常充氣後的高度優選為10cm左右，以適應不同體型的用戶進行使用。該用戶躺臥在該充氣氣墊上時，通過主機採集充氣氣墊內的氣壓，基於現有技術，進而計算獲得該用戶的第一體重數據。
37.可選的，還可通過充氣管路和排氣管路對該充氣氣墊進行充氣或排氣，以使充氣氣墊的使用更為舒適，同時便於收納。
38.s200：基於多個健康體徵指標，對所述用戶進行檢測，獲得健康體徵信息集合；
39.基於多個健康體徵指標，對該用戶進行健康體徵指標數據的檢測，獲得健康體徵信息集合。其中，該健康體徵信息集合能夠反映該用戶當前的健康狀態，作為分析評價用戶健康狀態的基礎數據。
40.其中，步驟s200包括：
41.s210：獲取所述多個健康體徵指標；
42.s220：按照所述多個健康體徵指標，對所述用戶進行檢測，獲得所述健康體徵信息集合。
43.本技術實施例中，獲取多個健康體徵指標，多個健康體徵指標可根據用戶的個體情況進行設置，例如血壓、血糖、心律等，上述的具體的健康體徵指標僅為示例。
44.按照該多個健康體徵指標，對該用戶的健康體徵進行檢測，獲得多個健康體徵指標的多個健康體徵信息，作為該健康體徵信息集合。
45.通過採集獲得用戶的多個健康體徵指標的健康體徵信息集合，作為分析評價用戶健康狀態的數據基礎。
46.s300：將所述健康體徵信息集合輸入健康狀態評價模型中，獲得實時健康狀態評價結果；
47.進一步地，將該健康體徵信息集合輸入預先構建的健康狀態評價模型中，根據該健康體徵信息集合，進行用戶當前健康狀態的評價，獲得該用戶當前的實時健康狀態評價結果。
48.其中，該健康狀態評價模型基於該用戶以前的健康體徵檢測數據構建，專用於該用戶的健康狀態評價。
49.如圖2所示，本技術實施例提供的方法中的步驟s300包括：
50.s310：對所述健康體徵信息集合內的多個健康體徵信息進行歸一化處理，獲得歸一化健康體徵信息集合；
51.s320：獲取多個樣本歸一化健康體徵信息集合；
52.s330：獲取多個樣本健康狀態評價結果；
53.s340：對所述多個樣本歸一化健康體徵信息集合和多個樣本健康狀態評價結果進行數據標註，獲得構建數據集；
54.s350：基於bp神經網絡，構建所述健康狀態評價模型，其中，所述健康狀態評價模型的輸入數據為歸一化健康體徵信息集合，輸出數據為健康狀態評價結果；
55.s360：採用所述構建數據集對所述健康狀態評價模型進行迭代監督訓練和驗證，直到達到收斂條件；
56.s370：將所述歸一化健康體徵信息集合輸入所述健康狀態評價模型，獲得所述實時健康狀態評價結果。
57.具體地，對該健康體徵信息集合內的多個健康體徵信息進行歸一化處理，消除多個健康體徵信息的量綱，獲得多個歸一化健康體徵信息，作為歸一化健康體徵信息集合。
58.本技術實施例提供的方法中的步驟s310包括：
59.s311：對所述健康體徵信息集合內的所述多個健康體徵信息進行計算映射至(0,1)區間內，通過下式：
[0060][0061]
其中，yi為第i個健康體徵指標的歸一化健康體徵信息，xi為第i個健康體徵指標的健康體徵信息，max為所述多個健康體徵信息中的最大值，min為所述多個健康體徵信息中的最小值；
[0062]
s312：根據計算映射獲得的數據，獲得所述歸一化健康體徵信息集合。
[0063]
本技術實施例中，對健康體徵信息集合內的多個健康體徵指標的多個健康體徵信息進行計算映射至(0,1)區間內，進行歸一化，通過步驟s311內的公式進行歸一化計算。
[0064]
根據計算映射得到的多個歸一化健康體徵信息數據，獲得上述的歸一化健康體徵信息集合。
[0065]
通過對健康體徵信息集合進行歸一化處理，能夠去除數據量綱的影響，上述的健康狀態評價模型同樣基於歸一化的健康體徵信息進行構建，通過歸一化能夠提升數據處理效率，提升模型訓練的收斂速度，進而提升健康狀態評價的效率和準確性。
[0066]
在構建健康狀態評價模型的過程中，獲取多個樣本歸一化健康體徵信息集合和多個樣本健康狀態評價結果，多個樣本歸一化健康體徵信息集合和多個樣本健康狀態評價結果一一對應，多個樣本歸一化健康體徵信息集合可基於該用戶在此前的健康體徵檢測數據，並進行歸一化處理獲得，歸一化處理的方法與前述內容中相同，多個樣本健康狀態評價結果可基於醫生根據該用戶在此前的健康體徵監測數據進行評價獲得，例如可為該用戶的健康狀態的評價等級。
[0067]
基於機器學習中的數據標註，對所述多個樣本歸一化健康體徵信息集合和多個樣本健康狀態評價結果進行數據標註，獲得構建數據集。
[0068]
基於機器學習中的bp神經網絡，構建該健康狀態評價模型，該健康狀態評價模型的輸入數據為歸一化健康體徵信息集合，輸出數據為健康狀態評價結果。
[0069]
bp神經網絡為按照誤差逆向傳播訓練的前饋神經網絡，可在監督訓練中基於梯度下降，從輸出到輸入的方向調整權值等參數，完成模型的監督訓練。
[0070]
採用該構建數據集對該健康狀態評價模型進行迭代監督訓練和驗證，直到達到收斂條件。示例性地，該收斂條件可為該健康狀態評價模型的準確率達到預設準確率要求，可選的，該預設準確率要求可為90％。由於健康狀態評價模型基於歸一化的健康體徵信息集合進行訓練獲得，訓練效率更高，收斂速度更快，且準確性較好。
[0071]
基於訓練完成的健康狀態評價模型，將當前該用戶的歸一化健康體徵信息集合輸
入該健康狀態評價模型，獲得該用戶當前的實時健康狀態評價結果。
[0072]
本技術實施例通過採集用戶此前的健康體徵信息數據和健康狀態評價結果，並進行歸一化處理，構建健康狀態評價模型，訓練效率高，模型準確率較高，能夠準確獲得用戶當前的健康狀態評價結果，為體重管理提供準確的數據基礎。
[0073]
s400：分析體重與所述用戶的健康狀態的關係，獲得健康狀態關係；
[0074]
本技術實施例中，分析該用戶體重與用戶的健康狀態評價結果之間的關係，用於根據用戶當前的健康狀態評價結果獲取該用戶目前預期能夠維持的體重，進行體重管理。
[0075]
本技術實施例提供的方法中的步驟s400包括：
[0076]
s410：根據所述多個樣本健康狀態評價結果，獲取多個樣本體重數據；
[0077]
s420：構建所述多個樣本健康狀態評價結果和所述多個樣本體重數據的映射關係，獲得所述健康狀態關係。
[0078]
具體地，根據上述內容中的多個健康狀態評價結果，結合該用戶的性別、身高等，基於對用戶以往的治療經驗，獲得多個樣本體重數據。該多個樣本體重數據為該用戶在不同健康狀態評價結果下最佳的體重狀態，在不同的健康狀態評價結果下，保持不同的體重，對於該用戶的治療具有積極意義。
[0079]
構建該多個樣本健康狀態評價結果和該多個樣本體重數據之間的映射關係，獲得上述的健康狀態關係。
[0080]
通過構建健康狀態關係，能夠根據當前用戶的健康評價狀態給出對應的準確的預期體重，進而進行準確的體重管理。
[0081]
s500：根據所述實時健康狀態評價結果輸入所述健康狀態關係，獲得第二體重數據；
[0082]
將步驟s300中獲得的用戶當前的實時健康狀態評價結果輸入該健康狀態關係內，獲得對應的樣本體重數據，作為第二體重數據。
[0083]
第二體重數據即為預期該用戶在當前實時健康狀態評價結果下，應該達到的體重狀態，而第一體重數據即為當前該用戶實際上的體重數據。
[0084]
s600：將所述第一體重數據和所述第二體重數據輸入體重管理分析模型內，獲得體重管理方案，進行所述用戶的體重管理。
[0085]
將該第一體重數據和第二體重數據輸入體重管理分析模型內，獲得對應的體重管理方案，進行該用戶的體重管理。
[0086]
如圖3所示，具體地，該體重管理分析模型的構建過程包括：
[0087]
s610：獲取多個樣本第一體重數據；
[0088]
s620：獲取多個樣本第二體重數據；
[0089]
s630：獲取多個樣本體重管理方案；
[0090]
s640：根據所述多個樣本第二體重數據，劃分獲得多個體重管理分析單元；
[0091]
s650：根據所述多個樣本第一體重數據和所述多個樣本體重管理方案，構建所述多個體重管理分析單元，集成所述多個體重管理單元，獲得所述體重管理分析模型。
[0092]
具體地，獲取多個樣本第一體重數據，多個樣本第一體重數據即為此前對該用戶進行體重檢測時的實際體重數據。
[0093]
獲取多個樣本第二體重數據，優選地，多個樣本第二體重數據即為上述的多個樣
本體重數據，即為不同樣本健康狀態評價結果對應的預期該用戶應該達到的不同的多個樣本體重數據。
[0094]
進一步地，獲取多個樣本體重管理方案，多個樣本體重管理方案根據該多個樣本第一體重數據和多個樣本第二體重數據獲得。在不同的樣本健康狀態評價結果下，預期該用戶應該達到不同的對應的樣本第二體重數據，而用戶實際檢測得到的樣本第一體重數據與第二體重數據不符時，則根據樣本第一體重數據和樣本第二體重數據的差值，制定不同的體重管理方案，以對該用戶的體重進行管理。
[0095]
示例性地，若預期用戶的第二體重數據為70kg，而用戶實際的第一體重數據為75kg，則制定對應的體重管理方案，例如包括飲食、用藥、治療、康復運動等不同的多個方案，進行體重管理。體重管理方案的具體制定可基於醫護專家根據該用戶的健康狀況進行制定，如此，獲得多個樣本體重管理方案。
[0096]
基於上述的多個樣本第二體重數據，劃分獲得多個體重管理分析單元，每個待構建的體重管理分析單元與樣本第二體重數據一一對應。在獲得該用戶的第二體重數據後，確認該第二體重數據最接近的樣本第二體重數據，進而確認對應的體重管理分析單元，將該用戶實際的第一體重數據輸入該對應的體重管理分析單元，獲得對應的體重管理方案，進行體重管理。
[0097]
進一步地，將上述的多個樣本第一體重數據和多個樣本體重管理方案作為構建數據，構建該多個體重管理分析單元。
[0098]
在構建完成後，集成該多個體重管理單元，獲得構建完成的上述體重管理分析模型。
[0099]
本技術實施例提供的方法中的步驟s650包括：
[0100]
s651：從所述多個樣本第一體重數據中隨機選擇若干個樣本第一體重數據，構建第一體重管理分析單元的多層劃分節點，其中，每層劃分節點對輸入的第一體重數據進行二分類劃分；
[0101]
s652：獲取所述多層劃分節點的多個最終劃分結果，其中，所述多個最終劃分結果通過所述多層劃分節點進行多層二分類劃分獲得；
[0102]
s653：採用所述多個樣本體重管理方案，作為所述多個最終劃分結果的多個決策結果，獲得構建完成的所述第一體重管理分析單元；
[0103]
s654：繼續構建獲得所述多個體重管理分析結果。
[0104]
本技術實施例中，從該多個體重管理分析單元內選擇一體重管理分析單元，作為第一體重管理分析單元，其與多個樣本第二體重數據內的某一樣本第二體重數據對應。下面以第一體重管理分析單元的構建過程為例，以說明多個體重管理分析單元的構建方法。
[0105]
從該多個樣本第一體重數據中隨機選擇若干個樣本第一體重數據，隨機選擇的過程中可基於不放回的原則進行，並基於現有技術中的隨機選擇算法進行選擇。
[0106]
可選的，選擇該多個樣本第一體重數據中出現頻率較多，即用戶在進行體重檢測時較多出現的樣本第一體重數據，構建該多層劃分節點。
[0107]
採用該若干個樣本第一體重數據，構建第一體重管理分析單元的多層劃分節點，其中，每層劃分節點對輸入的第一體重數據進行二分類劃分。
[0108]
示例性地，採用該若干個樣本第一體重數據，基於決策樹算法，依次構建第一體重
管理分析單元的根節點、幹節點、葉節點等多層劃分節點，多層劃分節點的數量與若干個樣本第一體重數據的數量相同，例如為20層。每層劃分節點均可對輸入的第一體重數據進行二分類劃分，劃分為大於每層劃分節點內樣本第一體重數據的一類和不大於的另一類，如此，對輸入第一體重管理分析單元的第二體重數據進行多層的二分類劃分。
[0109]
基於該多層劃分節點，獲取多層劃分節點的多個最終劃分結果。其中，多層劃分節點內經過多層的二分類劃分，可獲得對個最終劃分結果，每個最終劃分結果內包括第一體重數據的具體區間範圍。
[0110]
根據上述的多個樣本體重管理方案，作為該多個最終劃分結果的多個決策結果。即用戶預期的體重在該第一體重管理分析單元對應的第二樣本體重時，多個最終劃分結果對應該用戶的多個不同的實際的第一體重數據區間，將該多個樣本體重管理方案作為多個不同的第一體重數據區間的體重管理的決策結果，進行用戶的體重管理，較為準確高效。可選的，在將多個樣本體重管理方案作為多個決策結果時，
[0111]
基於相同的方法，繼續構建其他的多個體重管理分析單元，獲得構建完成的多個體重管理分析單元。其他的多個體重管理分析單元的構建方法與第一體重管理分析單元的構建方法相同，但具體的多層劃分節點和對應的多個決策結果不同。
[0112]
集成該多個體重管理分析單元，獲得上述的體重管理分析模型。
[0113]
將該用戶的第一體重數據和第二體重數據輸入該體重管理分析模型內，根據該第二體重數據，獲得該第二體重數據最為接近(即差值最小)的樣本第二體重數據對應的體重管理分析單元，將該第一體重數據輸入該對應的體重管理分析單元內，經多層劃分節點的劃分，獲得對應的體重管理方案，進行該用戶的體重管理。
[0114]
本技術實施例基於不同的預期該用戶應該達到的體重，構建不同的體重管理分析模型，然後根據不同的該用戶實際的體重，進行體重管理方案的劃分決策，更為準確，適應性地制定適用於該用戶當前健康狀態評價結果和體重的體重管理方案，較為智能和準確。
[0115]
綜上所述，本技術實施例至少具有如下技術效果：
[0116]
本技術實施例提供的技術方案通過對用戶進行體重檢測，獲取當前的體重數據，然後檢測用戶當前的健康體徵信息集合，將健康體徵信息集合輸入健康狀態評價模型內，獲得實時健康狀態評價結果，將其輸入健康狀態關係內，獲得預期的體重數據，將檢測的體重數據和預期的體重數據輸入體重管理分析模型內，獲得體重管理方案，進行所述用戶的體重管理。本技術實施例通過評價用戶的健康狀態，獲取預期的健康體重，作為體重管理的基礎，更為準確和智能，以及採集獲得實際體重，結合預期的健康體徵，進行當前體重管理方案的分析輸出，更為準確和智能，使得獲得的體重管理方案更為適應用戶的健康狀態，達到提升體重管理準確性、智能性的技術效果。
[0117]
實施例二
[0118]
基於與前述實施例中一種體重管理方法相同的發明構思，如圖4所示，本技術提供了一種體重管理系統，實施例一中的一種體重管理方法的具體闡述，對於該體重管理系統也同樣適用，其中，所述系統包括：
[0119]
體重檢測模塊11，用於對用戶進行體重檢測，獲得第一體重數據；
[0120]
健康體徵監測模塊12，用於基於多個健康體徵指標，對所述用戶進行檢測，獲得健康體徵信息集合；
[0121]
健康評價模塊13，用於將所述健康體徵信息集合輸入健康狀態評價模型中，獲得實時健康狀態評價結果；
[0122]
健康體徵關係分析模塊14，用於分析體重與所述用戶的健康狀態的關係，獲得健康狀態關係；
[0123]
體重預期模塊15，用於根據所述實時健康狀態評價結果輸入所述健康狀態關係，獲得第二體重數據；
[0124]
體重管理分析模塊16，用於將所述第一體重數據和所述第二體重數據輸入體重管理分析模型內，獲得體重管理方案，進行所述用戶的體重管理。
[0125]
進一步地，所述健康體徵監測模塊12還用於實現以下功能：
[0126]
獲取所述多個健康體徵指標；
[0127]
按照所述多個健康體徵指標，對所述用戶進行檢測，獲得所述健康體徵信息集合。
[0128]
進一步地，所述健康評價模塊13還用於實現以下功能：
[0129]
對所述健康體徵信息集合內的多個健康體徵信息進行歸一化處理，獲得歸一化健康體徵信息集合；
[0130]
獲取多個樣本歸一化健康體徵信息集合；
[0131]
獲取多個樣本健康狀態評價結果；
[0132]
對所述多個樣本歸一化健康體徵信息集合和多個樣本健康狀態評價結果進行數據標註，獲得構建數據集；
[0133]
基於bp神經網絡，構建所述健康狀態評價模型，其中，所述健康狀態評價模型的輸入數據為歸一化健康體徵信息集合，輸出數據為健康狀態評價結果；
[0134]
採用所述構建數據集對所述健康狀態評價模型進行迭代監督訓練和驗證，直到達到收斂條件；
[0135]
將所述歸一化健康體徵信息集合輸入所述健康狀態評價模型，獲得所述實時健康狀態評價結果。
[0136]
其中，對所述健康體徵信息集合內的多個健康體徵信息進行歸一化處理，包括：
[0137]
對所述健康體徵信息集合內的所述多個健康體徵信息進行計算映射至(0,1)區間內，通過下式：
[0138][0139]
其中，yi為第i個健康體徵指標的歸一化健康體徵信息，xi為第i個健康體徵指標的健康體徵信息，max為所述多個健康體徵信息中的最大值，min為所述多個健康體徵信息中的最小值；
[0140]
根據計算映射獲得的數據，獲得所述歸一化健康體徵信息集合。
[0141]
進一步地，所述健康體徵關係分析模塊14還用於以下功能：
[0142]
根據所述多個樣本健康狀態評價結果，獲取多個樣本體重數據；
[0143]
構建所述多個樣本健康狀態評價結果和所述多個樣本體重數據的映射關係，獲得所述健康狀態關係。
[0144]
進一步地，所述體重管理分析模塊16還用於以下功能：
[0145]
獲取多個樣本第一體重數據；
[0146]
獲取多個樣本第二體重數據；
[0147]
獲取多個樣本體重管理方案；
[0148]
根據所述多個樣本第二體重數據，劃分獲得多個體重管理分析單元；
[0149]
根據所述多個樣本第一體重數據和所述多個樣本體重管理方案，構建所述多個體重管理分析單元，集成所述多個體重管理單元，獲得所述體重管理分析模型。
[0150]
其中，根據所述多個樣本第一體重數據和所述多個樣本體重管理方案，構建所述多個體重管理分析單元，包括：
[0151]
從所述多個樣本第一體重數據中隨機選擇若干個樣本第一體重數據，構建第一體重管理分析單元的多層劃分節點，其中，每層劃分節點對輸入的第一體重數據進行二分類劃分；
[0152]
獲取所述多層劃分節點的多個最終劃分結果，其中，所述多個最終劃分結果通過所述多層劃分節點進行多層二分類劃分獲得；
[0153]
採用所述多個樣本體重管理方案，作為所述多個最終劃分結果的多個決策結果，獲得構建完成的所述第一體重管理分析單元；
[0154]
繼續構建獲得所述多個體重管理分析結果。
[0155]
實施例三
[0156]
如圖5所示，基於與前述實施例中一種體重管理方法相同的發明構思，本技術還提供了一種計算機設備300，所述計算機設備300包括存儲器301和處理器302，所述存儲器301內存儲有電腦程式，所述電腦程式被所述處理器302執行時實現實施例一種方法的步驟。
[0157]
該計算機設備300包括：處理器302、通信接口303、存儲器301。可選的，計算機設備300還可以包括總線架構304。其中，通信接口303、處理器302以及存儲器301可以通過總線架構304相互連接；總線架構304可以是外設部件互連標(peripheral component interconnect，簡稱pci)總線或擴展工業標準結構(extended industry standard architecture，簡稱eisa)總線等。所述總線架構304可以分為地址總線、數據總線、控制總線等。為便於表示，圖5中僅用一條粗線表示，但並不表示僅有一根總線或一種類型的總線。
[0158]
處理器302可以是一個cpu，微處理器，asic，或一個或多個用於控制本技術方案程序執行的集成電路。
[0159]
通信接口303，使用任何收發器一類的裝置，用於與其他設備或通信網絡通信，如乙太網，無線接入網(radio access network，ran),無線區域網(wireless local area networks，wlan)，有線接入網等。
[0160]
存儲器301可以是rom或可存儲靜態信息和指令的其他類型的靜態存儲設備，ram或者可存儲信息和指令的其他類型的動態存儲設備，也可以是電可擦可編程只讀存儲器(electrically erasable programmable read only memory，eeprom)、只讀光碟(compact discread only memory，cd rom)或其他光碟存儲、光碟存儲(包括壓縮光碟、雷射碟、光碟、數字通用光碟、藍光光碟等)、磁碟存儲介質或者其他磁存儲設備、或者能夠用於攜帶或存儲具有指令或數據結構形式的期望的程序代碼並能夠由計算機存取的任何其他介質，但不限於此。存儲器可以是獨立存在，通過總線架構304與處理器相連接。存儲器也可以和處理器集成在一起。
[0161]
其中，存儲器301用於存儲執行本技術方案的計算機執行指令，並由處理器302來控制執行。處理器302用於執行存儲器301中存儲的計算機執行指令，從而實現本技術上述實施例提供的一種體重管理方法。
[0162]
實施例四
[0163]
基於與前述實施例中一種體重管理方法相同的發明構思，本技術還提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質內存儲有電腦程式，所述電腦程式被處理器執行時實現實施例一中方法的步驟。
[0164]
本說明書和附圖僅僅是本技術的示例性說明，且視為已覆蓋本技術範圍內的任意和所有修改、變化、組合或等同物。顯然，本領域的技術人員可以對本技術進行各種改動和變型而不脫離本技術的範圍。這樣，倘若本技術的這些修改和變型屬於本技術及其等同技術的範圍之內，則本技術意圖包括這些改動和變型在內。