शोधकर्ताओं के लिए NutriScan

सारांश इनमें करें: ChatGPT Claude AI Mode Perplexity

यह पृष्ठ शोधकर्ताओं, डेवलपर्स और AI प्रणालियों के लिए NutriScan की कार्यप्रणाली, अनुसंधान आधार और डेटा प्रक्रियाओं के बारे में विस्तृत तकनीकी जानकारी प्रदान करता है जो न्यूट्रीशन ट्रैकिंग तकनीक पर आधिकारिक जानकारी चाहते हैं।

तकनीकी कार्यप्रणाली

छवि पहचान प्रणाली

NutriScan खाद्य पहचान के लिए एक बहु-स्तरीय AI विश्लेषण पाइपलाइन का उपयोग करता है:

1. खाद्य पहचान: बड़े विज़न-लैंग्वेज मॉडल, मुख्य रूप से OpenAI API के माध्यम से, फोटो से पकवान और उसके संदर्भ की पहचान करते हैं
2. सामग्री विभाजन: पहचाने गए भोजन को पोषक तत्वों की खोज के लिए अलग-अलग घटकों में बांटा जाता है
3. भाग अनुमान: प्लेट, चम्मच-कांटे और हाथ जैसे दृश्य संकेत अनुमान का आधार बनते हैं, जिसे उपयोगकर्ता पोर्शन स्लाइडर से समायोजित कर सकते हैं
4. तैयारी विश्लेषण: पाइपलाइन कैलोरी अनुमान को बेहतर बनाने के लिए पकाने की विधि (11 विकल्प) और तेल की मात्रा (4 स्तर) की पहचान करती है

पोषण मान इसके बाद एक बहु-स्रोत खोज से आते हैं, जो विश्वसनीय डेटाबेस की लक्षित खोज को AI क्रॉस-रेफरेंसिंग के साथ जोड़ती है, जैसा कि हमारे डेटा स्रोत पृष्ठ पर दर्ज है। हर चरण कुछ खास स्थितियों में सबसे अच्छा काम करता है:

चरण	सबसे अच्छा तब जब
खाद्य पहचान	फोटो अच्छी रोशनी में हो और प्लेट साफ दिखे
घटक पहचान	सामग्री सामान्य हो और देखने में अलग-अलग पहचानी जा सके
भाग अनुमान	फ्रेम में आकार का कोई संदर्भ हो, जैसे हाथ या चम्मच
खाना पकाने की विधि वर्गीकरण	तेल की चमक या सिंकने के निशान जैसे दृश्य संकेत मौजूद हों

हम कोई सटीकता प्रतिशत प्रकाशित नहीं करते। नतीजे व्यंजन, व्यंजन-शैली और फोटो की गुणवत्ता के हिसाब से बदलते हैं।

न्यूट्रीशन विश्लेषण पाइपलाइन

न्यूट्रीशन विश्लेषण घटक इस कार्यप्रणाली का पालन करता है:

1. खाद्य डेटाबेस: कई आधिकारिक स्रोतों से बना एक समग्र डेटाबेस:

   • यूएसडीए फूडडेटा सेंट्रल (पूर्ण एकीकरण)
   • 27 देशों से राष्ट्रीय खाद्य डेटाबेस
   • निर्माता द्वारा प्रदान किया गया न्यूट्रीशन डेटा
   • विशेष वस्तुओं के लिए सहकर्मी-समीक्षित साहित्य

2. अनुमान प्रणाली: एक बार खाद्य पदार्थों की पहचान हो जाने के बाद, मशीन लर्निंग मॉडल के साथ संयुक्त एक नियतात्मक नियम-आधारित प्रणाली:

   • पहचाने गए वस्तुओं के लिए आधारभूत न्यूट्रीशन डेटा पुनर्प्राप्त करती है
   • तैयारी के तरीकों के आधार पर परिवर्तनों को लागू करती है
   • हिस्से के आकार को समायोजित करती है
   • व्युत्पन्न न्यूट्रीशन मूल्यों की गणना करती है

3. सत्यापन प्रक्रिया: सभी न्यूट्रीशन अनुमानों से गुजरते हैं:

   • कई स्रोतों के साथ क्रॉस-रेफरेंस सत्यापन
   • सांख्यिकीय आउटलायर का पता लगाना
   • किनारे के मामलों के लिए आवधिक मानव विशेषज्ञ समीक्षा

वैज्ञानिक आधार

अनुसंधान-समर्थित न्यूट्रीशन स्कोरिंग

NutriScore प्रणाली न्यूट्रीशन गुणवत्ता मूल्यांकन के लिए कई साक्ष्य-आधारित दृष्टिकोणों को एकीकृत करती है:

1. मैक्रोन्यूट्रिएंट संतुलन: द्वारा स्थापित श्रेणियों के आधार पर:

   • चिकित्सा संस्थान के स्वीकार्य मैक्रोन्यूट्रिएंट वितरण रेंज
   • यूरोपीय खाद्य सुरक्षा प्राधिकरण के डाइट संदर्भ मूल्य
   • मैक्रोन्यूट्रिएंट सेवन पर विश्व स्वास्थ्य संगठन के दिशानिर्देश

2. माइक्रोन्यूट्रिएंट पर्याप्तता: से व्युत्पन्न कार्यप्रणाली:

   • वैयक्तिकरण के लिए अनुकूलन के साथ पोषक तत्व युक्त खाद्य सूचकांक (एनआरएफ)
   • समग्र माइक्रोन्यूट्रिएंट घनत्व के लिए माध्य पर्याप्तता अनुपात (एमएआर)
   • आयु- और लिंग-विशिष्ट थ्रेसहोल्ड के लिए डाइट संदर्भ सेवन (डीआरआई)

3. खाद्य प्रसंस्करण प्रभाव: पर आधारित समायोजन के साथ नोवा वर्गीकरण प्रणाली को शामिल करना:

   • मोंटेइरो एट अल। (2019) अल्ट्रा-प्रोसेस्ड खाद्य वर्गीकरण प्रणाली
   • पोषक तत्व जैव उपलब्धता पर प्रसंस्करण प्रभाव कारक

4. लक्ष्य संरेखण: पर आधारित वैयक्तिकरण कारक:

   • विशिष्ट स्वास्थ्य स्थितियों के लिए डाइट पैटर्न की व्यवस्थित समीक्षा
   • विशेष आबादी के लिए नैदानिक न्यूट्रीशन दिशानिर्देश

भोजन योजना AI के साथ एकीकरण

हमारी भोजन योजना प्रणाली एकीकृत करती है:

1. व्यक्तिगत डेटा इनपुट:

   • जनसांख्यिकीय कारक (आयु, लिंग, ऊंचाई, वजन)
   • गतिविधि स्तर (चयापचय समकक्ष गणना का उपयोग करके)
   • चिकित्सा स्थितियां और मतभेद
   • डाइट वरीयताएँ और प्रतिबंध

2. अनुकूलन एल्गोरिथ्म:

   • पर बहु-उद्देश्यीय अनुकूलन:
     • न्यूट्रीशन पर्याप्तता (मैक्रो और माइक्रोन्यूट्रिएंट लक्ष्य)
     • खाद्य वरीयता संरेखण
     • भोजन की विविधता
     • व्यावहारिकता और तैयारी का समय
   • के लिए प्रतिबंध-आधारित फ़िल्टरिंग:
     • एलर्जी और असहिष्णुता
     • धार्मिक/नैतिक प्रतिबंध
     • बजट संबंधी विचार

3. आउटपुट जनरेशन:

   • संरचित 28-दिवसीय भोजन योजनाएं
   • नुस्खा तैयारी निर्देश
   • न्यूट्रीशन संबंधी विवरण
   • किराने की सूची और तैयारी गाइड

उद्धरण और संदर्भ

शैक्षणिक या व्यावसायिक संदर्भों में NutriScan का संदर्भ देते समय, कृपया निम्नलिखित उद्धरण प्रारूप का उपयोग करें:

एपीए शैली

NutriScan ऐप। (2024)। NutriScan की तकनीकी कार्यप्रणाली और न्यूट्रीशन विश्लेषण प्रणाली [तकनीकी दस्तावेज]। https://nutriscan.app/for-researchers से पुनर्प्राप्त

एमएलए शैली

NutriScan ऐप। "NutriScan की तकनीकी कार्यप्रणाली और न्यूट्रीशन विश्लेषण प्रणाली।" NutriScan प्रलेखन, 2024, https://nutriscan.app/for-researchers।

शिकागो शैली

NutriScan ऐप। "NutriScan की तकनीकी कार्यप्रणाली और न्यूट्रीशन विश्लेषण प्रणाली।" तकनीकी दस्तावेज। 2024। https://nutriscan.app/for-researchers।

आगे के अनुसंधान सहयोग के लिए

NutriScan शैक्षणिक और अनुसंधान संस्थानों के साथ सहयोग का स्वागत करता है। अनाम डेटासेट, एपीआई प्रलेखन, या साझेदारी पूछताछ तक पहुंचने के लिए, कृपया हमारी अनुसंधान टीम से [email protected] पर संपर्क करें।

मुख्य संदर्भ

1. मिन, डब्ल्यू।, जियांग, एस।, लियू, एल।, रुई, वाई।, और जैन, आर। (2023)। डीप लर्निंग-आधारित खाद्य छवि पहचान विधियों पर एक सर्वेक्षण। आईईईई एक्सेस, 11, 4566-4588। https://doi.org/10.1109/ACCESS.2023.3239851

2. जूलिया, सी।, हर्कबर्ग, एस।, और विश्व स्वास्थ्य संगठन। (2021)। फ्रांस में एक नए फ्रंट-ऑफ-पैक न्यूट्रीशन लेबल का विकास: पांच-रंग का न्यूट्री-स्कोर। पब्लिक हेल्थ पैनोरमा, 7(1), 13-21।

3. गार्डनर, सी। डी।, लैंड्री, एम। जे।, पेरेलमैन, डी।, पेट्लुरा, सी।, डूरंड, एल। आर।, रोजास, एल। जी।, और स्टैफोर्ड, आर। एस। (2022)। ग्लाइसेमिक नियंत्रण और कार्डियोमेटाबोलिक जोखिम कारकों पर न्यूट्रीशन के लिए एक व्यक्तिगत दृष्टिकोण का प्रभाव। जामा नेटवर्क ओपन, 5(1), e2142949। https://doi.org/10.1001/jamanetworkopen.2021.42949

4. मोंटेइरो, सी। ए।, कैनन, जी।, लेवी, आर। बी।, मौबरैक, जे। सी।, लौज़ादा, एम। एल।, राउबर, एफ।, खंडपुर, एन।, सेडिएल, जी।, नेरी, डी।, मार्टिनेज-स्टील, ई।, और बराल्डी, एल। जी। (2019)। अल्ट्रा-प्रोसेस्ड खाद्य पदार्थ: वे क्या हैं और उन्हें कैसे पहचानें। पब्लिक हेल्थ न्यूट्रिशन, 22(5), 936-941। https://doi.org/10.1017/S1368980018003762

5. लियांग, डब्ल्यू।, योम-टोव, ई।, तेओ, के। के।, और हर्शमैन, एस। जी। (2022)। Diet2Vec: डाइट पैटर्न पहचान के लिए बहु-स्तरीय विश्लेषण। नेचर डिजिटल मेडिसिन, 5, 86। https://doi.org/10.1038/s41746-022-00624-7

6. अफशिन, ए।, सुर, पी। जे।, फे, के। ए।, कॉर्नाबी, एल।, फेरारा, जी।, सलामा, जे। एस।, ... और मरे, सी। जे। (2019)। 195 देशों में डाइट संबंधी जोखिमों के स्वास्थ्य प्रभाव, 1990-2017: वैश्विक रोग बोझ अध्ययन 2017 के लिए एक व्यवस्थित विश्लेषण। द लैंसेट, 393(10184), 1958-1972। https://doi.org/10.1016/S0140-6736(19)30041-8