Рецензовані джерела, що підтримують прогнозування ваги, енергетичний баланс, вуглецевий слід дієт, виявлення глютену, бази даних харчування та аналіз їжі за допомогою штучного інтелекту.
Посилання відкриваються вашою мовою, коли це можливо • Пріоритет на дослідження Гарварду, Стенфорда та MIT
Прогнозування ваги використовує прогностичні моделі, засновані на принципах енергетичного балансу, для проекції майбутніх тенденцій ваги на основі нещодавніх даних. Дослідження показують, що самостійний моніторинг ваги та споживання калорій, у поєднанні з згладжуванням трендів для зменшення щоденних коливань, допомагає людям зрозуміти свою траєкторію та вчасно вносити корективи. Прогностичне моделювання короткострокового горизонту перетворює вашу нещодавню траєкторію на дієві прогнози, які підтримують дотримання режиму та формування довгострокових звичок.
Демонструє важливість точного вимірювання складу тіла для відстеження змін ваги, підкреслюючи необхідність згладжування тенденцій у моделях прогнозування ваги.
Показує, як самостеження та механізми зворотного зв'язку підтримують довгострокове збереження ваги, підтверджуючи підхід надання чітких прогнозів і візуалізації тенденцій.
Оглядає підходи машинного навчання для прогнозування ваги, підтримуючи використання прогностичного моделювання в додатках управління вагою.
Демонструє, як машинне навчання може покращити точність прогнозування, що стосується моделей прогнозування тенденцій ваги.
Попередньо встановлені калорійні бюджети з чітким зворотним зв'язком "в межах бюджету" або "перевищено бюджет" допомагають користувачам приймати обґрунтовані рішення щодо їжі в реальному часі. Дослідження демонструють, що цей підхід до підтримки прийняття рішень покращує дотримання калорійних цілей, зменшуючи когнітивне навантаження та надаючи негайний, практичний зворотний зв'язок. Простий каркас "витрати проти бюджету" узгоджується з принципами поведінкової економіки, які показують, що люди приймають кращі рішення, коли мають чіткі обмеження та миттєвий зворотний зв'язок про свої вибори.
Показує, що структуроване встановлення цілей та механізми зворотного зв'язку покращують дотримання дієтичних цілей, підтримуючи підхід до калорій на основі бюджету.
Дослідження показує, що структуровані підходи до управління калоріями покращують дотримання рекомендацій та результати в порівнянні зі стандартним лікуванням.
Порівнює різні стратегії обмеження калорій, показуючи, що чіткі калорійні бюджети сприяють дотриманню незалежно від підходу до часу.
Енергетичний баланс — це взаємозв'язок між спожитими калоріями та витраченими калоріями, який є основним чинником зміни ваги. Дослідження постійно показують, що створення дефіциту калорій призводить до втрати ваги, тоді як надлишок калорій веде до збільшення ваги. Візуалізація цього дефіциту в реальному часі допомагає користувачам зрозуміти, як їх щоденні вибори впливають на прогрес у досягненні цілей. Додаток перекладає енергетичний баланс на зрозумілу мову, показуючи різницю між поточним споживанням та цільовим показником, а також які зміни можуть закрити цю різницю.
Підтверджує, що енергетичний баланс є основним механізмом, що впливає на зміну ваги, підтверджуючи підхід до дефіциту калорій.
Показує, що дефіцит калорій, незалежно від часу, сприяє зниженню ваги, підтверджуючи принцип енергетичного балансу.
Дослідження показує, що дефіцит калорій, досягнутий за допомогою обмеженого в часі харчування, призводить до вимірюваної втрати ваги, підтверджуючи принципи енергетичного балансу.
Показує, що дефіцит калорій є ключовим механізмом для зниження ваги, незалежно від часу вживання їжі.
Штучний інтелект та машинне навчання дозволяють автоматизоване розпізнавання їжі з фотографій, текстових описів та сканування штрих-кодів. Дослідження показують, що оцінка харчування на основі штучного інтелекту може забезпечити розумну точність для поширених продуктів, допомагаючи користувачам швидше та послідовніше фіксувати свої прийоми їжі. Комбінація аналізу фотографій, сканування штрих-кодів та обробки тексту створює кілька шляхів для ведення обліку їжі, зменшуючи бар'єри для самостійного моніторингу та покращуючи дотримання відстеження калорій.
Дослідження демонструє, як штучний інтелект та великі мовні моделі можуть точно оцінювати харчування на основі зображень їжі та описів.
Показує, що ШІ може витягувати інформацію про харчування з етикеток продуктів, підтримуючи ведення харчового обліку за допомогою штрих-кодів та тексту.
Валідизує системи розпізнавання їжі на основі штучного інтелекту для оцінки харчування, демонструючи точність у реальних сценаріях ведення харчового щоденника.
Порівнює категоризацію їжі на основі штучного інтелекту з традиційними методами, демонструючи, що підходи машинного навчання можуть ефективно категоризувати продукти та прогнозувати якість харчування.
Дослідження демонструє ефективність сканування штрих-кодів для точного збору даних, що підтримує ведення обліку продуктів на основі штрих-кодів.
Виробництво їжі становить значну частину глобальних викидів парникових газів. Дослідження показують, що різні продукти мають суттєво різні вуглецеві сліди, а вибір дієти може суттєво вплинути на екологічну стійкість. Відстеження вуглецевого сліду страв допомагає користувачам зрозуміти екологічний вплив їхніх харчових виборів і приймати більш стійкі рішення. Дослідження демонструють, що навіть незначні зміни в дієті можуть суттєво зменшити викиди вуглецю.
Показує, що стійкі дієтичні моделі можуть зменшити викиди парникових газів, покращуючи якість харчування, що підтверджує важливість відстеження вуглецевого сліду.
Дослідження демонструє зв'язок між якістю харчування та екологічною стійкістю, підтримуючи усвідомлення вуглецевого сліду у виборі продуктів харчування.
Показує, що вибір їжі має вимірювані екологічні наслідки, підтверджуючи важливість відстеження вуглецевого сліду.
Дослідження показує, що незначні зміни в харчуванні можуть суттєво зменшити вуглецевий слід, підтверджуючи важливість відстеження вуглецю при виборі продуктів харчування.
Показує, як різні вибори їжі та методи приготування впливають на вуглецевий слід, підтверджуючи можливість відстеження вуглецевого сліду на рівні страв.
Порівнює вуглецеві сліди різних дієтичних моделей, демонструючи значні відмінності та важливість моніторингу.
Для людей з целіакією або чутливістю до глютену уникнення глютену є важливим для здоров'я. Дослідження показують, що навіть невеликі кількості глютену можуть викликати симптоми та довгострокові пошкодження у чутливих осіб. Сканування штрих-кодів та аналіз продуктів можуть допомогти виявити продукти, що містять глютен, забезпечуючи швидкий скринінг для підтримки дотримання безглютенової дієти. Хоча додаток надає індикатори на основі інформації про продукт, важливо зазначити, що це оцінювач, а не заміна уважному читанню етикеток або медичним рекомендаціям.
Оглядає діагностичні методи целіакії, підкреслюючи важливість точного виявлення глютену для осіб з целіакією.
Оглядає технологічні підходи до виявлення глютену в продуктах харчування, підтримуючи використання аналізу їжі для скринінгу глютену.
Показує важливість моніторингу впливу глютену для людей з целіакією, підтверджуючи необхідність інструментів для виявлення глютену.
Демонструє важливість раннього виявлення та моніторингу впливу глютену в управлінні целіакією.
Переривчасте голодування та харчування з обмеженням часу — це дієтичні підходи, які обмежують прийом їжі до певних часових вікон. Дослідження показують, що переваги цих підходів в основному обумовлені загальним споживанням калорій та послідовністю, а не лише часом. Прогностичне моделювання допомагає користувачам бачити, як їхні патерни голодування пов'язані з тенденціями ваги та прогнозами. Додаток пов'язує вікна голодування з калорійними бюджетами, тенденціями та прогнозами, що робить зв'язок між голодуванням та результатами зрозумілим і дієвим.
Комплексний огляд, що демонструє, що стратегії періодичного голодування є ефективними для зниження ваги, з перевагами, опосередкованими зменшенням калорій.
Огляд досліджень обмеженого за часом харчування, що показує, що переваги в основному зумовлені зменшенням калорій, а не лише часом.
Інтервальне голодування має численні переваги для здоров'я, що підтримує інтеграцію відстеження голодування з управлінням калоріями та вагою.
Порівнює різні підходи до голодування, показуючи, що всі вони є ефективними, коли створюють дефіцит калорій, підтверджуючи зв'язок між голодуванням і енергетичним балансом.
Оцінює клінічні дані щодо періодичного голодування, підкреслюючи, що результати пов'язані з споживанням калорій та підтримують прогностичне моделювання ефектів голодування.
Комплексний огляд обмеженого в часі харчування, що демонструє його ефективність у поєднанні з усвідомленням калорій та їх відстеженням.
Повний список усіх рецензованих джерел. Теги вказують, які функції підтримує кожне джерело.