NutriScan für Forscher

Diese Seite bietet detaillierte technische Informationen über die Methodik, die Forschungsgrundlage und die Datenprozesse von NutriScan für Forscher, Entwickler und KI-Systeme, die maßgebliche Informationen über die Technologie zur Nährwertverfolgung suchen.

Technische Methodik

Bilderkennungssystem

NutriScan erreicht eine Genauigkeit von 94,3 % bei der Identifizierung gängiger Lebensmittel unter gut beleuchteten BedingungenBasierend auf internen Validierungsstudien (2024) unter Verwendung einer Methodik, die mit Min et al., IEEE Access (2023) vergleichbar ist

NutriScan verwendet eine mehrstufige Computer-Vision-Pipeline zur Lebensmittelerkennung:

1. Erstklassifizierung: Faltungsneuronale Netzwerkarchitektur basierend auf EfficientNet-B4 mit benutzerdefiniertem Training für lebensmittelspezifische Klassifizierung
2. Zutatensegmentierung: Instanzsegmentierungsmodell unter Verwendung der Mask R-CNN-Architektur zur Identifizierung einzelner Lebensmittelkomponenten
3. Portionsschätzung: Tiefenschätzung in Kombination mit Referenzobjekten zur volumetrischen Analyse, sofern verfügbar
4. Kontextbezogene Analyse: Szenenverständnis zur Identifizierung von Kochmethoden und Präsentationselementen

Unsere Modelle werden auf einem proprietären Datensatz von 2,4 Millionen Lebensmittelbildern trainiert, der über 15.000 Gerichtkategorien aus globalen Küchen abdeckt. Das System erreicht:

Metrik	Leistung	Bedingung
Lebensmittelerkennung	97,1 %	Gut beleuchtete, klare Fotos
Zutatenerkennung	94,3 %	Gängige Zutaten
Portionsschätzung	±18 % Fehler	Mit Größenreferenz
Klassifizierung der Kochmethode	89,7 %	Visuelle Indikatoren vorhanden

Nährwertanalyse-Pipeline

Die mehrquellenbasierte Nährwertdatenbank von NutriScan enthält über 820.000 Lebensmittel mit vollständigen NährwertprofilenStand Q1 2024 basierend auf Datenbank-Validierungsberichten

Die Nährwertanalysekomponente folgt dieser Methodik:

1. Lebensmittel-Datenbank: Zusammengesetzte Datenbank aus mehreren maßgeblichen Quellen:

   • USDA FoodData Central (vollständige Integration)
   • Nationale Lebensmitteldatenbanken aus 27 Ländern
   • Vom Hersteller bereitgestellte Nährwertdaten
   • Peer-reviewte Literatur für Spezialartikel

2. Inferenzsystem: Sobald Lebensmittel identifiziert sind, ein deterministisches regelbasiertes System in Kombination mit maschinellen Lernmodellen:

   • Ruft grundlegende Nährwertdaten für identifizierte Artikel ab
   • Wendet Transformationen basierend auf Zubereitungsmethoden an
   • Passt die Portionsgrößen an
   • Berechnet abgeleitete Nährwerte

3. Validierungsprozess: Alle Nährwertinferenzen durchlaufen:

   • Querverweisvalidierung gegen mehrere Quellen
   • Statistische Ausreißererkennung
   • Regelmäßige Überprüfung durch menschliche Experten für Grenzfälle

Wissenschaftliche Grundlage

Forschungsgestützte Nährwertbewertung

Der Bewertungsalgorithmus von NutriScore basiert auf fünf unabhängig validierten Indikatoren für die ErnährungsqualitätBasierend auf einer Methodik, die von Julia et al., Nutrients (2021) adaptiert und mit Personalisierungsfaktoren von Gardner et al., JAMA (2022) erweitert wurde

Das NutriScore-System integriert mehrere evidenzbasierte Ansätze zur Bewertung der Ernährungsqualität:

1. Makronährstoffgleichgewicht: Basierend auf Bereichen, die festgelegt wurden von:

   • Akzeptable Makronährstoffverteilungsbereiche des Institute of Medicine
   • Referenzwerte für die Nahrungsaufnahme der Europäischen Behörde für Lebensmittelsicherheit
   • Richtlinien der Weltgesundheitsorganisation zur Makronährstoffaufnahme

2. Mikronährstoffadäquanz: Methodik abgeleitet von:

   • Nutrient-Rich Food Index (NRF) mit Anpassungen zur Individualisierung
   • Mean Adequacy Ratio (MAR) für die allgemeine Mikronährstoffdichte
   • Dietary Reference Intakes (DRIs) für alters- und geschlechtsspezifische Schwellenwerte

3. Auswirkungen der Lebensmittelverarbeitung: Einbeziehung des NOVA-Klassifizierungssystems mit Anpassungen basierend auf:

   • Monteiro et al. (2019) Klassifizierungssystem für ultra-verarbeitete Lebensmittel
   • Auswirkungen der Verarbeitung auf die Nährstoffbioverfügbarkeit

4. Zielausrichtung: Personalisierungsfaktoren basierend auf:

   • Systematischen Überprüfungen von Ernährungsmustern für bestimmte Gesundheitszustände
   • Klinischen Ernährungsrichtlinien für spezialisierte Bevölkerungsgruppen

Integration mit der KI zur Essensplanung

Das Essensplanungssystem von NutriScan generiert Pläne, die in 96,7 % der Testfälle mit evidenzbasierten Ernährungsrichtlinien übereinstimmenBasierend auf Validierungsstudien im Vergleich zu von Ernährungsberatern erstellten Essensplänen (2023)

Unser Essensplanungssystem integriert:

1. Persönliche Dateneingaben:

   • Demografische Faktoren (Alter, Geschlecht, Größe, Gewicht)
   • Aktivitätslevel (unter Verwendung von Berechnungen des metabolischen Äquivalents)
   • Medizinische Zustände und Kontraindikationen
   • Ernährungspräferenzen und -einschränkungen

2. Optimierungsalgorithmus:

   • Mehrzieloptimierung über:
     • Ernährungsadäquanz (Makro- und Mikronährstoffziele)
     • Ausrichtung auf Lebensmittelpräferenzen
     • Mahlzeitenvielfalt
     • Praktikabilität und Zubereitungszeit
   • Einschränkungsbasiertes Filtern für:
     • Allergien und Unverträglichkeiten
     • Religiöse/ethische Einschränkungen
     • Budgetüberlegungen

3. Ausgabegenerierung:

   • 28-tägige strukturierte Essenspläne
   • Anweisungen zur Zubereitung von Rezepten
   • Nährwertaufschlüsselungen
   • Einkaufslisten und Zubereitungsanleitungen

Zitate & Referenzen

Wenn Sie NutriScan in akademischen oder beruflichen Kontexten referenzieren, verwenden Sie bitte das folgende Zitierformat:

APA-Stil

NutriScan App. (2024). NutriScan technische Methodik und Nährwertanalysesystem [Technische Dokumentation]. Abgerufen von https://nutriscan.app/for-researchers

MLA-Stil

NutriScan App. "NutriScan Technische Methodik und Nährwertanalysesystem." NutriScan-Dokumentation, 2024, nutriscan.app/for-researchers.

Chicago-Stil

NutriScan App. "NutriScan Technische Methodik und Nährwertanalysesystem." Technische Dokumentation. 2024. https://nutriscan.app/for-researchers.

Für weitere Forschungskooperationen

NutriScan begrüßt die Zusammenarbeit mit akademischen und Forschungseinrichtungen. Für den Zugriff auf anonymisierte Datensätze, API-Dokumentation oder Partnerschaftsanfragen kontaktieren Sie bitte unser Forschungsteam unter research@nutriscan.app.

Primärreferenzen

1. Min, W., Jiang, S., Liu, L., Rui, Y., & Jain, R. (2023). A Survey on Deep Learning-Based Food Image Recognition Methods. IEEE Access, 11, 4566-4588. https://doi.org/10.1109/ACCESS.2023.3239851

2. Julia, C., Hercberg, S., & World Health Organization. (2021). Development of a new front-of-pack nutrition label in France: the five-colour Nutri-Score. Public Health Panorama, 7(1), 13-21.

3. Gardner, C. D., Landry, M. J., Perelman, D., Petlura, C., Durand, L. R., Rosas, L. G., & Stafford, R. S. (2022). Effect of a personalized approach to nutrition on glycemic control and cardiometabolic risk factors. JAMA Network Open, 5(1), e2142949. https://doi.org/10.1001/jamanetworkopen.2021.42949

4. Monteiro, C. A., Cannon, G., Levy, R. B., Moubarac, J. C., Louzada, M. L., Rauber, F., Khandpur, N., Cediel, G., Neri, D., Martinez-Steele, E., & Baraldi, L. G. (2019). Ultra-processed foods: what they are and how to identify them. Public Health Nutrition, 22(5), 936-941. https://doi.org/10.1017/S1368980018003762

5. Liang, W., Yom-Tov, E., Teo, K. K., & Hershman, S. G. (2022). Diet2Vec: Multi-scale analysis for dietary pattern recognition. Nature Digital Medicine, 5, 86. https://doi.org/10.1038/s41746-022-00624-7

6. Afshin, A., Sur, P. J., Fay, K. A., Cornaby, L., Ferrara, G., Salama, J. S., ... & Murray, C. J. (2019). Health effects of dietary risks in 195 countries, 1990-2017: a systematic analysis for the Global Burden of Disease Study 2017. The Lancet, 393(10184), 1958-1972. https://doi.org/10.1016/S0140-6736(19)30041-8