伊朗基于人工智能设计军人个性化膳食软件

伊朗《军事医学》（مجله طب نظامي）杂志2026年2-3月出版的第27卷第6期发表文章，探索基于人工智能面向军事人员的个性化膳食计划软件的设计与实现。

文章作者为：伊朗伊玛目阿里军事大学工程与飞行学院计算机与网络工程系的阿里·哈利利（Ali Khalili），内扎贾健康与医疗卓越中心教育与研究部的穆罕默德·埃巴德·拉法特（Mohammad Ebad Rafaat）。

一、引言

营养学是一个复杂的领域，研究饮食、健康与疾病之间的关系。在其核心概念层面，该科学探讨与营养相关的生理和化学过程，研究食物如何提供能量或如何转化为身体组织。

目前，人们正在使用人工智能技术来设计个性化的膳食方案，这有助于改善健康指标。与过去仅对全体人群使用通用、统一的营养建议不同，人工智能系统能够提供完全定制的饮食计划，精确匹配每个个体的独特特征。

军事人员在不同任务中，无论是在作战状态还是非作战状态下，都面临高强度的体力活动、持续的心理压力以及有限的医疗卫生资源。在这种背景下，如果没有营养师的直接在场，提供精确且符合个人特征的膳食计划实际上是不可能的。这一空白可能对部队的战斗力、精神集中度、免疫系统能力和作战效能产生显著的负面影响。过去，为这些人员制定膳食计划主要基于通用模式、经验性建议和统一化方法。这些方法即使在最理想的情况下，也只是有限地关注气候差异或体型，无法满足个体真实且即时的需求。随着人们对人类生理、遗传和代谢差异以及环境对身体营养系统功能影响的科学认识不断提高，这类方法的低效性变得越来越明显。

人工智能中常见的工具之一是食物推荐系统，其目的是根据饮食结构、食谱和用户偏好提供建议。这些系统被认为有助于用户改变饮食习惯，转向健康且符合个人偏好的饮食。迄今为止介绍的许多食物推荐系统并未考虑食物的健康与营养方面，这限制了其生成健康推荐的能力。在智能营养系统设计领域已经进行了多项研究。

Patel 等人利用可解释的机器学习模型研究了母亲的身体健康状况。该研究指出，一些在一般社会科学研究中被忽视的特征，如地形（起伏状况）和特定区域的气候-农业特征，可能在分析中起关键作用。他们的研究表明，使用人工智能模型并采用比通用方法更细致的方法，对设计精准的健康政策以改善母亲健康状况具有显著意义。Karkera 及其同事提出了一种基于机器学习和人工智能的新方法，用于为印度2至12岁儿童制定饮食计划。该系统被介绍为一款服务性软件，通过接收个人信息，向用户推荐食物及其相应的食谱。此外，该系统还考虑到印度居民的口味，推荐适合他们的食物。

Kaur 等人提出了一种基于图像的方法，向女性推荐合适的饮食计划以克服多囊卵巢综合征（PCOS）。该研究表明，人工智能与膳食的结合可以帮助PCOS患者管理体重和适当营养摄入。这种方法可以提高饮食建议的准确性和个性化程度，最终有助于改善患者的生活质量。Lee 及其同事在其论文中，通过关注饮食因素，创建了一个模型来预测个体肥胖风险，从而更好地识别这些复杂的关系和相互作用。他们的方法成功识别了DMS 530、SNP213以及49种饮食和生活方式因素作为肥胖的重要预测因子。Hsieh 及其同事在其研究中，利用人工智能和数据整合，开发了一个预测营养不良风险的机器学习模型，旨在提高对重症患者营养不良风险评估的准确性。该模型可以确定患者的营养状况并提供早期预警，使高危患者能够及时、准确地获得营养支持。该模型仍处于用于重症患者营养不良风险评估的早期阶段。他们计划通过收集反馈和改进模型，继续提高其功能，以更好地支持营养师的日常工作。

Iwendi 及其同事针对健康医疗数据集提出了一种基于深度学习的解决方案，表明人工智能，尤其是长短期记忆网络（LSTM）等深度学习模型，在帮助营养师为患者提供更精确、更个性化的饮食方案方面具有巨大潜力。Dopohoski 及其同事利用深度网络预测了头颈部放疗患者对膳食补充剂的需求，这可以作为临床医生判断患者是否需要营养补充的工具。该研究表明，人工智能有助于早期识别在放疗期间需要营养管支持的患者。

Cunha 及其同事通过提出一种基于深度网络的营养控制系统的架构、实现和初步结果，设计并制定了个体饮食计划，考虑了个体信息，包括遗传因素和生活方式相关因素。Mogaveera 及其同事设计了一个旨在改善患有各种疾病的患者健康的系统，该智能健康系统根据每位患者的健康状况提供营养和运动建议，有助于控制慢性病和提升人群健康水平。Shabani 等人利用人工神经网络设计了一个推荐膳食的专家系统，该系统利用人工神经网络并考虑个人特征，以92%的准确率推荐最合适的饮食计划。Rostami 等人提出了一种基于社区及其条件识别的有效食物推荐方法，使用了聚类方法和深度网络。该文章提出了一种基于图像且可解释的食物推荐系统方法，通过利用用户偏好和提高结果透明度来改善推荐质量。

Lampignano 及其同事利用基于机器学习的方法分析饮食模式，研究了老年人患肝脏疾病风险的预测。该研究再次强调了饮食模式作为影响最常见肝脏疾病发生因素的重要性。然而，为了更好理解特定食物摄入对肝脏脂肪堆积的因果影响，还需要进行纵向研究。

Maurya 及其同事提出了一种利用机器学习技术的自动化系统，通过检查患者信息来确定其肾脏状况，帮助医生预测慢性肾病，从而开出适当的治疗方案。他们研究的最终目标是，利用机器学习算法对医疗检测记录中的信息进行分类，除了诊断疾病外，还为慢性肾病患者推荐合适的饮食。总之，这个基于人工智能的系统可以通过早期诊断和提供合适的饮食方案，帮助医生更好地管理慢性肾病并改善患者健康水平。Wang 及其同事结合机器学习算法和传统统计方法，研究了美国的医疗费用。该研究强调了分析医疗保健数据对于理解该系统复杂性的重要性。他们的发现强调了使用人工智能预测未来成本的重要性、数据分析在该领域的重要性以及制定有效政策应对这一挑战的必要性。

Rostami 等人开发了一个创新的健康意识食物推荐系统，该系统明确考虑了食物成分、食物类别和时间因素。该系统通过分析预测的用户偏好和每项食物的健康因素，向目标用户提供最终建议。Shabani 等人也利用人工神经网络和模糊逻辑，介绍了一个智能膳食推荐系统。

Masoumianfar 等人也利用深度学习，根据不同个体的身体状况提出了膳食推荐系统。该系统通过评估身体健康状况和了解用户的营养需求，根据年龄、身高、体重等身体状况推荐合适的饮食计划。

总的来说，可以认为人工智能正迅速成为营养科学领域的强大工具。在人工智能应用于营养领域已经进行了多项研究，并显示出有希望的结果。然而，仍需要在该领域进行更多研究，以便能够充分利用人工智能来改善人们的健康和营养。

智能模型能够通过同时分析临床、环境、行为甚至遗传数据，提供有针对性和个性化的建议——这些建议与个体即时和操作条件更加契合。尽管在智能营养系统设计方面已经进行了多项研究，但这些研究大多集中在一般环境、医院环境或稳定状态。然而，在军事行动领域，决策必须在压力、时间限制且没有人类专家在场的情况下做出。在这样的背景下，对一种本土化、精确、能够即时依靠可分析数据识别并满足个体营养需求的系统的需求比以往任何时候都更加迫切。因此，本研究旨在设计一个利用人工智能确定具有军事导向的膳食计划的系统。

二、研究方法

本研究在目的上属于应用型研究，在方法上属于描述性-调查性研究。收集了超过2700个与军事结构内人员相关的临床和操作数据样本。这些数据包括人口统计学特征（年龄、性别、身高、体重、身体质量指数）和操作信息（任务类型、活动强度、气候环境、作战持续时间）。数据通过实地方式、从现有数据库以及通过健康评估工具和专业问卷收集。

本研究过程分四个独立且互补的步骤执行，每一步都有明确的目标，并采用定性和定量方法设计。这四个步骤包括：(1) 文献分析及通用营养指标的统计；(2) 专家分析及针对军事人员指标的本地化；(3) 使用人工智能算法的技术设计和数据建模；(4) 可在Windows操作系统上使用的软件实现。这些步骤的组合为开发一个系统奠定了基础，该系统在概念上基于真实需求和本地环境，在技术上基于精确的数据和科学的信息处理方法。

在第一阶段，采用定性方法，围绕营养基础、一般身体需求、生物指标、营养组织标准以及国内外先前研究进行图书馆和文献研究。该阶段的目的是统计影响膳食制定的通用和科学指标。审查的文件包括权威科学文章、国际营养指南以及关于营养对部队实地表现影响的国内军事报告。在此步骤中，提取了基础营养指标和变量的初步框架。最终，制定了一份用于分析膳食的初步指标清单，作为构建最终数据集的基础。这些指标的选择确保其在后续步骤中可测量、可建模，并且在临床和操作上具有意义和实用性。

在该过程中，收集了超过70个初始来源（包括文章、报告和专业指南），并通过筛选标准（包括与主题相关性、科学依据和在军事领域的适用性）将其缩减至20个权威关键来源。对这些来源的内容分析导致统计和提取了一组初步指标，作为最终数据集设计的基础。

这些指标分为两大类：「临床和身体指标」与「操作和环境指标」。所选变量的设计使其具备可数值化、可比较性以及可使用机器学习方法建模的特性。同时，在概念上，每个变量都可在真实环境中追溯并应用于决策支持系统。

表-1. 从文献中提取的临床变量

在第二步，重点是将识别的通用指标进行调整和本地化，以适应军事人员的特定条件。在此阶段，采用了「专家导向方法」，并与临床营养专家、武装部队医疗卫生专家以及经验丰富的作战军官举行了多次会议。该阶段的主要目标是认识军事环境中的特殊营养需求，并制定符合其要求和限制的框架。在此阶段，环境因素也作为关键组成部分纳入概念框架。考察的指标包括任务类型（边境、安全、情报等）、任务持续时间、作战区域（山区、沙漠、潮湿）以及营养资源的可及性。此外，部队的特殊身体特征，如体能水平、疾病史、携带装备重量和睡眠状况，也被作为营养分析的补充因素。此阶段的输出是一组为军事条件定义和组合的变量，用于构建数据集。换句话说，专家分析使研究的数据驱动框架不仅限于医学和临床指标，而且能够根据作战现场的实际情况进行设计。

表-2. 从文献中提取的军事和操作变量

表-3. 制定的临床和操作变量

在第三步，收集、处理并分析与军事人员相关的一组实地、临床和操作数据。

为了降低维度并提取影响膳食分析的有效特征，计算了特征与输出变量之间的相关矩阵。通过检查相关系数，识别出与目标响应最相关的特征。由于许多初始变量存在相关性且数量较多，为了降低模型复杂性和消除冗余，在数据标准化过程之后对数据应用了主成分分析（PCA）。在PCA之前进行标准化操作可以防止数值较大的数据主导数值较小的数据，并揭示数据间真实的结构和相关性。应用该技术后，数据被降维至2个主成分，这些主成分共同保留了数据信息方差的绝大部分。

图1. 主成分分析结果图

主成分分析表明，研究数据具有良好的可区分性，但使用非线性机器学习算法才能实现这一点。因此，根据数据的结构特征和研究目标，采用了三种算法：带径向基核（RBF）的支持向量机（SVM）、随机森林（Random Forest）和人工神经网络（ANN）来解决问题。为了防止过拟合并准确评估模型性能，使用了K折交叉验证技术。在该方法中，数据被分为k个子集（本研究中k=5），在每次迭代中，将一个子集作为测试数据，其余作为训练数据输入模型。该方法能够更好地估计模型在面对新数据时的真实性能，并有助于在各种条件下优化模型。在验证过程中，使用了多种指标来比较模型性能，包括：准确率（Accuracy）、召回率（Recall）、精确率（Precision）、F1分数（F1-Score）以及混淆矩阵（Confusion Matrix）。

决策树算法作为一种有监督学习方法，被用于对军事人员的临床和操作数据进行分类。该算法的逻辑基于根据最能区分不同类别的特征对数据进行连续分割。使用基尼指数（Gini index）来评估分割质量，因为它在计算简单的同时，在多类别数据中具有高精度。树的深度限制为12，以使模型能够理解复杂模式，同时防止过度生长和过拟合。每个节点分割所需的最小样本数设为3，每个叶节点的最小样本数设为2，以避免产生噪声或过度细化的节点。同时对类别进行了平衡加权，以使模型对不平衡数据具有适当的敏感性。

在本研究中，使用了人工神经网络算法，网络架构包含三个隐藏层，分别有64、128和32个神经元。这种结构的选择使得模型能够从全局模式逐步学习到更紧凑的特征组合。所有隐藏层均使用修正线性单元（ReLU）激活函数，以减轻梯度消失问题并提高网络收敛速度。输出层使用Softmax函数，使网络能够计算每个样本属于目标类别的概率。为了控制过拟合，在每个隐藏层之后使用了随机失活（Dropout），前两层失活率为30%，第三层为20%。这一措施迫使模型学习更通用的模式，而不是记住训练数据的细节。同时应用了权重正则化以防止参数过度增长。此外，每层后的批量归一化（Batch Normalization）提高了训练稳定性和激活分布的均匀性。

同时采用了支持向量机（SVM）算法，旨在对非线性关系建模并对类别进行精确区分。为此，选择径向基函数（RBF）作为核函数，因为该类核函数能够有效识别类别间复杂的多维边界，并且在具有特定结构的数据上表现良好。同时对类别进行了平衡加权，以使算法对各类别样本数量的不对称性敏感，防止模型决策偏向于多数类。通过设置随机种子常数，确保了结果的可重现性。启用输出概率计算功能使模型除了确定最终类别外，还能估计样本属于每个类别的概率，这对于后续分析以及向健康和营养领域的专家提供更好的可解释性具有重要意义。这些设置使得支持向量机能够有效区分不同的生理和操作模式，并在验证过程中提供稳定的性能。

在第四步，使用Python编程语言和PyQT库，实现了一款本地的波斯语软件，以便在当前研究的各种条件下使用结果。利用PyQT库，可以生成可在各种操作系统（包括Windows、Linux和Mac）上安装的输出。

三、研究结果

根据表4，带有RBF核的SVM模型的准确率为0.923214，F1分数为0.921498。精确率和召回率分别为0.929125和0.923214。这些结果表明该模型在建立精确决策边界以分类非线性数据方面具有强大能力。然而，其表现略逊于非线性增强模型，这可能是由于临床-操作数据的复杂性质所致。

随机森林模型的准确率为0.972857，F1分数为0.972673，精确率和召回率分别为0.973494和0.972857，在三个模型中表现最佳。这些结果表明，多棵决策树的组合能够同时降低方差、提高准确率，并创造出显著的稳定性。该模型能生成可靠的膳食建议，是智能营养系统中适合操作使用的选择。

多层神经网络模型的准确率为0.951071，F1分数为0.950658，精确率为0.952074，召回率为0.951071，是仅次于随机森林的第二佳选择。该模型能够保持非线性数据模式，提供强大的性能。尽管表现略逊于随机森林，但仍显示出对复杂案例进行分类的强大能力。

表-4. 三种模型的准确率、F1分数、精确率和召回率

图2. 三种模型（SVM、随机森林和神经网络）的比较

根据图2，结果显示随机森林模型在性能上显著领先。该模型兼具可解释性和稳定性的优势，使其在营养系统应用中表现突出。相比之下，尽管SVM具有较高的准确率，但在处理结构极其复杂和非线性的数据时，其灵活性略低于随机森林。神经网络虽然被选用于模拟非线性复杂性，但其性能中等但表现尚可，表明如果使用更大规模的数据或更先进的架构进行训练，它可以与随机森林进行更持久的竞争。

图3. 三种模型（SVM、随机森林和神经网络）的误差分析

根据图3，误差分析显示，模型的错误主要发生在临床特征相似的样本上，这些样本被错误地分配了类别。在这些错误中，随机森林通过使用更多样化的特征集表现更好；而SVM由于其结构对参数敏感，偶尔会出现错误。

图4. 本研究所实现软件中收集个人临床信息的表单

图5. 本研究所实现软件的输出结果页面（推荐适合军事人员状况的饮食计划）

在本研究的第四步也是最后一步，利用SVM、随机森林和神经网络算法的运行结果，实现了一款为军事人员选择个性化膳食计划的软件。在该软件中，在接收每个人的临床和操作信息后，会根据其状况推荐合适的饮食计划。该软件可安装并运行于基于Windows、Linux和Mac操作系统的设备上。因此，它可以在大多数军事人员在各种行动中使用的常见设备上使用。

根据图4和图5，在Windows环境下实现的软件可以在所有情况下使用，包括特殊的和常规的军事情况，用户通过输入临床和操作信息，能够查看适合该行动的饮食计划。此外，在最终软件经过营养与健康领域专家使用和评估后，收到的反馈表明，研究得出的模型在最终软件中具有令人满意且显著的表现。

四、讨论

结果表明，随机森林模型的准确率为0.9728，F1分数为0.9726，性能优于其他模型。神经网络模型的准确率为0.9510，F1分数为0.9506，表明其在分析复杂营养模式方面具有能力。相比之下，尽管SVM具有相对较高的准确率（0.9233），但在某些场景下表现逊于其他模型。使用K折交叉验证也增加了结果的有效性并防止了过拟合。结果分析表明，身高、压力承受能力、对水分和营养素的需求以及任务持续时间等特征在确定饮食方案方面具有较大贡献。在大多数情况下，模型的输出与医学逻辑和现场经验一致。这表明所设计的系统不仅在数值上精确，而且在概念上也能够适应临床现实。本研究的优势之一在于依赖真实的操作和临床数据，并同时分析营养和生理数据——这是大多数类似公共卫生或医学研究中较少关注的方面。另一方面，在军事环境中应用系统需要能够抵抗噪声和变化的稳定算法。在这方面，随机森林算法凭借其集成结构，显示出满足此类需求的能力。鉴于模型的高准确率，可以得出结论：所设计的系统可以作为营养决策的辅助工具，尤其是在营养师无法到场或决策时间有限的情况下。此外，将本研究结果以可在现有各类操作系统上使用的软件形式实现，可以推广到其他军事、救援甚至非军事机构开发类似系统。随机森林算法的另一个优点是实现简单，不需要强大且昂贵的硬件资源。因此，该算法在模式识别方面表现出比其他算法更高的准确性，同时也需要更低的实施成本。在先前的研究中，已经探讨和使用了多种在营养与健康科学中应用人工智能的方法。在回顾所有这些研究后，发现针对个人，特别是军事人员在特定军事条件下的饮食方案制定存在科学和实践上的空白，因此本研究被定义、探讨并最终实现。在本研究中实现的系统，可以在需要营养师来确保作战和战斗成功，但其在场又不可能的特殊复杂军事条件下使用。

五、结论

结果表明，所提出的系统通过使用三种机器学习算法并控制过拟合，在饮食方案选择方面达到了高水平的准确性。特别是，随机森林模型具有很高的潜力，是在军事条件下进行作战应用的可靠选择。最后，可以说人工智能不仅可以作为数据分析的工具，还可以作为优化人力资源管理和军事人员健康的战略要素。本研究设计的系统通过利用数据分析和精确建模，在这一方向上迈出了有效的一步，并可能在不久的将来在战场上发挥作战作用。

尽管取得了这些成果，本研究也存在一些局限性。例如，数据是在特定范围内的人员和任务中收集的，在某些特定的作战场景中，可能需要重新训练或调整模型。对于未来的研究，建议通过扩展数据范围，增加诸如遗传数据、心理状态、睡眠模式和既往营养史等输入变量，设计更先进的模型。同时，也应研究将所提出的系统与军事数字基础设施（如士兵健康系统或现场智能助手）相结合的可能性。

对军事社区的实用临床要点

军事行动前，有必要使用个性化膳食方案确定系统，以及这些系统对提升军事人员健康水平的影响。
在危急情况下操作性地使用上述系统，可以在面对高水平压力时，对维护健康和改善身体生理系统功能发挥重要作用。
军事人员作为系统的最终用户，在长期内操作性地使用上述系统，并能够编辑和修正军人的营养习惯，可以减少基础性疾病（如与个人饮食方案直接相关的糖尿病和高血压）的患病率，从而避免给武装部队保险机构带来沉重的治疗费用负担。
此外，继续开发上述系统可以实现对膳食方案的更精确监测，从而改善军队医疗卫生系统的预防性功能和角色。