基于医疗数据挖掘的营养配餐系统的设计与实现

安徽财经大学管理科学与工程学院 候梦如

基于医疗数据挖掘的营养配餐系统的设计与实现

安徽财经大学管理科学与工程学院 候梦如

近年来，营养配餐成为越来越多人的饮食理念。针对人们对通过营养配餐来保障健康的迫切需求，设计一个基于医疗大数据的营养配餐系统。当下信息技术的飞速发展，使得医疗数据成为人们健康饮食中的一项重要参数，本系统以对医疗数据的数据挖掘结果为数据基础，结合系统数据库以及配餐算法，实现针对用户个人的个性化营养配餐功能，对于帮助人们预防、远离疾病，更健康的生活有一定的现实意义。

营养配餐；数据挖掘；个性化

0 引言

随着我国慢性病患者人数的快速增长，慢性病成为人们日益担忧的问题。我国成人超重、肥胖、血脂异常、高血压、糖尿病等慢性病已渗入到普通群众的日常生活中[1]，据称现确诊患者2.6亿人，也就是说将近每五人当中就有一个是慢性病患者。慢性病给人们带来不便和威胁，成为普遍存在的公共健康问题，而专家称其根源是人体内营养元素的失衡。合理的膳食可以保证人体内各种营养元素的均衡，使得身体机能正常运行，从而达到预防和缓解慢性病的效果，所以营养配餐成为越来越多人的需求。

近年来关于营养配餐的研究有许多，比如：刘文杰和徐坚英开发的中医食疗与营养配餐系统，此系统能够根据用户的病情、疗效及食物的营养成分等信息提供相应疾病的日常食谱，可使用户通过饮食进行治疗；学者王向红研究的模拟退火算法实现了针对合并症患者的营养配餐等等[2]。而随着信息技术的飞速发展，大数据已成为社会各领域的共同特征，利用先进的数据挖掘技术对医疗领域的大数据进行处理，分析出慢性病与人体内的营养元素之间的关系，为设计出更符合患者个人的营养配餐系统提供了新的思路。本文拟在以数据挖掘技术中的关联规则算法对医疗数据挖掘得出的慢性病与营养元素的关系为数据基础，设计出更个性化的营养配餐系统。

1 营养配餐系统的数据基础：对医疗数据的挖掘

（1）根据最小支持度阈值找出所有的频繁项集。

（2）通过对频繁项集支持度和置信度阈值的过滤找到有价值的关联规则[3]。

其中，找出频繁项集是整个挖掘的重点。在关联规则算法中比较经典的是Apriori算法，Apriori算法已经广泛且有效的应用于医疗领域，比如同济大学附属医院的冯波等人通过对大量糖尿病患者的脂肪组织含量、肌肉组织、骨密度等数据进行分析，利用数据挖掘技术得到了若能提高糖尿病患者体内肌肉和脂肪组织含量就可以降低髓骨骨折的可能性的结论[4]。

由于频繁项集的获取是整个挖掘的重点和难点，而Apriori算法中针对频繁项集提出的逐层搜索方法简单且方便，所以本营养配餐系统也采用Apriori算法对各种慢性病和营养元素之间的关系进行数据挖掘。逐层搜索方法包括以下两个步骤[5]：

（1）自连接获取候选集。第一轮的候选集就是确定的某一数据集中的项，而其他轮次的候选集则是由前一轮次频繁集自连接得到（频繁集由候选集剪枝得到）。

（2）对于候选集进行剪枝。对于候选集的每一条记录，如果它的支持度小于最小支持度，那么就会被剪掉；

2.1 克氏原螯虾品质变化 使用液体冷却介质急速冻结和常规冷冻克氏原螯虾并在色泽、体表、肌肉、气味以及汤汁方面对其进行评定，结果如图1所示。由图1可见，使用液体冷却介质急速冻结的克氏原螯虾在-18 ℃冷冻贮藏30 d后，感官品质显著高于常规冷冻克氏原螯虾组(P<0.05)。

此外，如果一条记录的子集有不是频繁集的，也会被剪掉。该算法的终止条件是，如果自连接得到的已经不再是频繁集，那么取最后一次得到的频繁集作为结果。

2 营养配餐系统的设计

2.1 系统总体结构

本系统主要由3个模块构成：数据库模块：存储和管理所需的各种数据；系统配餐模块：为用户配出个人营养套餐；人机交互模块：用于各种信息的交互。系统的总体结构如图1所示。

表3 食物分配表

表4 配餐结果表

图1 系统结构图

2.2 系统功能模块

本系统设计的根本目标是为患者提供符合个人身体状况的营养餐进而达到帮助患者恢复健康、改善身体状况的目的。为更准确、更合理的为患者配餐，本系统实现获取用户信息、用户反馈、数据库运行、以多元线性回归数学模型为思想的算法配餐等功能。

（1）获取用户信息：用户输入个人信息，包括年龄、身高、体重、性别、疾病、工作、所在地区等资料。

（2）用户反馈：用户提交用户食用后调查表。

（3）数据库运行：在系统程序执行时提供高效、准确的各种数据支持，本系统中主要有慢性病与人体内营养元素含量的关系表、营养素数据表、食物数据表、菜谱信息表、食物分配表、用户个人信息表、用户用餐记录表、用户食用后调查表等。

（4）算法配餐：此算法以多元线性回归数学模型为思想，能够准确的为患者配餐。

2.3 系统算法的数学模型

回归分析是一种研究变量之间关系的方法，能够通过易知的、可控的变量来有效的估计出未知的人们想要的随机变量的值，现已广泛应用于社会各研究领域。多元线性回归一般用来研究两个及两个以上的影响因素作为自变量与因变量之间的线性关系问题[6]，是相对简单的一种回归形式，但它很多情况下都能非常好的满足需求。

对营养配餐系统中各种变量进行分析时，发现患者每日食用多种食物、多种营养素，通过获取食物中的营养素来达到理论上要求的每一种营养素的日需量，所以将每种食物实际摄入的重量视为自变量，把对每一种营养素的总需求量作为因变量时，则两者之间存在密切的线性关系2。

我们以糖尿病患者为例，研究此线性关系。假设有m种食物，早餐食物为（F1,F2,F3,...Fi），午餐为（Fi+1,Fi+2,Fi+3,...Fi+j），晚餐为（Fi+j+1,Fi+j+2,Fi+j+3,...Fm）；假设共n中营养素，根据用户个人信息，在《慢性病与人体内营养元素含量的关系表》中查询到该用户作为糖尿病患者其体内个营养素的含量情况，并结合《营养素表》进行数据分析后得到该用户每日每种营养素参考摄入量分别为C1,C2,C3,...Cn;配平的结果为m种食物分别需要摄入的重量X1,X2,X3,...Xm。显然，可以得到以下多元线性回归方程[7]：

式中apq表示每单位样本中第p中食物关于第q种营养素的含量；

由于该用户为糖尿病患者，遵循之前数据分析得出的相关结果，其三餐热量分配按照1:2:2进行分配[8]，可得到关系式：

上式可分解为：

则本系统的线性回归模型可表示为：

针对此多元线性回归方程组，本系统采用生物遗传算法来进行求解。遗传算法是一类借鉴生物界自然选择和进化规律演化形成的随机、自动搜索方法，由于其具有高效的全局寻优能力，且运算过程只需要目标函数和适应度函数，所以很适应于本系统，可以帮助求得最优的一组食物分配结果[9]。

2.4 系统测试结果分析

为检验本系统的可行性，对营养配餐系统进行如下测试：

用户首次使用时输入个人基本信息，系统获取用户信息后，调用系统配餐算法和数据库为用户配餐，首先得到推荐给用户的全天所需食物种类及各自用量的食物分配表，如表3所示；然后系统根据此食物分配表在菜谱信息表中查询相关的菜谱，得到多种配餐结果，表4为供用户选择的配餐结果中的一种。

表2 用户信息

为验证以上配餐结果的合理性，本系统针对菜谱进行各营养素的分析[10]，并与标准量进行对比，结果如表5所示，从表中可得出各营养素的实际含量与标准量之间差别很小，所以能够很好的满足用户的身体需求，从而本系统的配餐符合实际营养标准。

表5 结果分析表

3 总结与展望

基于医疗数据挖掘的营养配餐系统根据数据挖掘技术获取的慢性病与营养元素之间的关系，结合患者的病情、体质、工作、饮食习惯等数据通过高效的配餐算法为患者提供针对其个人的营养配餐，能够有效地帮助患者恢复健康。但是也有很多可以改进的地方，比如增加用户自己的配餐设置、添加多人用餐时的配餐设置，提供一些专家的建议和健康饮食的小常识等等。总之，本系统通过医疗数据挖掘的方式为营养配餐研究提供了一个新思路，对于指导人们更健康饮食、远离疾病有很大帮助，也有一定的经济效益和社会效益。

[1]张云渡.数据挖掘技术在营养配餐系统中的应用研究[D].北京工业大学,2014.

[2]寇文心.智能营养配餐系统及其核心算法的研究[D].北京工业大学,2015.

[3]Savasere A,Omiecinski E R,Navathe S B.An efficient algorithm for mining association rules in large databases[J].1995.

[4]冯波,倪亚芳,孙勤,等.糖尿病患者肌肉和脂肪组织含量与其骨密度的关系[J].中华物理医学与康复杂志,2002,24(7):414-416.

[5]何月顺.关联规则挖掘技术的研究及应用[J].南京航航天大学,博[学位论文],2010.

[6]Wang H,Shangguan L,Wu J,et al.Multiple linear regression modeling for compositional data[J].Neurocomputing,2013,122:490-500.

[7]魏凤梅,胡文.基于模拟退火算法营养膳食优选的研究[J].哈尔滨商业大学学报:自然科学版,2006,22(6):80-83.

[8]梅正钦.糖尿病医学营养管理系统的功能设计与实现[D].广州医科大学,2014.

[9]崔珊珊.遗传算法的一些改进及其应用[D].合肥:中国科技大学,2010.

[10]陆遥,魏皎,陈丽果.基于 Web 的个性化营养评估保障系统设计与实现[J].计算机技术与发展,2010,20(3):1-4.

候梦如，大学本科，现就读于安徽财经大学。