CN102113038A - 鉴别饮食选项的方法和装置 - Google Patents

鉴别饮食选项的方法和装置 Download PDF

Info

Publication number
CN102113038A
CN102113038A CN2009801307207A CN200980130720A CN102113038A CN 102113038 A CN102113038 A CN 102113038A CN 2009801307207 A CN2009801307207 A CN 2009801307207A CN 200980130720 A CN200980130720 A CN 200980130720A CN 102113038 A CN102113038 A CN 102113038A
Authority
CN
China
Prior art keywords
food
equation
mark
raw score
diet
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN2009801307207A
Other languages
English (en)
Inventor
R·布莱克
T·K·阿布拉罕
K·R·埃伯哈德特
L·L·莱彻尔
S·J·莫里尔
A·O·萨诺伊
B·A·耶林
K·H·鲁宾
N·V·马特谢斯基
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Intercontinental Great Brands LLC
Original Assignee
Kraft Foods Global Brands LLC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Kraft Foods Global Brands LLC filed Critical Kraft Foods Global Brands LLC
Publication of CN102113038A publication Critical patent/CN102113038A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B19/00—Teaching not covered by other main groups of this subclass
    • G09B19/0092—Nutrition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B19/00—Teaching not covered by other main groups of this subclass
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Nutrition Science (AREA)
  • Educational Technology (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Epidemiology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Child & Adolescent Psychology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Coloring Foods And Improving Nutritive Qualities (AREA)
  • General Preparation And Processing Of Foods (AREA)
  • Details Of Rigid Or Semi-Rigid Containers (AREA)

Abstract

本发明提供一种将相对分数分配给食品的方法。将相对分数分配给食品允许消费者选择提供需要饮食的食品。本发明提供了一些方程，这些方程根据测定性质有效的得到预测原始分数。预测原始分数在统计学上与通过实际专家小组确定的原始分数相关。再进一步处理预测原始分数，以提供可容易由消费者跟踪的相对分数。

Description

鉴别饮食选项的方法和装置
本申请要求2008年5月28日提交的美国临时申请号61/056,538和2009年1月5日提交的美国临时申请号61/142,533的权益，两者通过引用而全文结合到本文中。
本发明涉及评价选项的方法和装置，例如评价食品以帮助选择提供健康平衡饮食的食品的方法和装置。更具体地讲，本发明提供将相对分数分配给食品的方法和装置，所述方法和装置允许消费者选择提供满足饮食准则的饮食的食品，例如美国糖尿病协会和美国人饮食准则制定的准则。
发明背景
通常用专家小组评价各种选项的可取性，尤其例如饮食选项。在大多数情况下，这些专家小组可只评价有限数目的项目(items)，这些项目与可用于考虑的巨大(且不断增加)数目的候选项目相当。遗憾的是，也可能很难确定什么专家评价可用于一些项目。由于专家未必关于在所给饮食程序中包含的所给食品项目的相关可取性在所有情况下相互一致，因此这会进一步复杂化。因此，不能从专家小组提供的实际信息明显看出选择一个项目相对于另一个项目(尤其是未由专家小组评价的项目)的可取性的信息。
消费者通常对作出健康食品选项感兴趣。由于各种健康相关的原因，很多消费者需要作出帮助他们保持饮食的食品选项。例如，将血糖水平(相当于血糖浓度)保持在一定限度内有显著的健康优点。
目前，通常指导患糖尿病的患者和试图食用健康饮食的个体遵循复杂的饮食交换系统或计算碳水化合物或热量。对于个体来讲，这些系统倾向于遵循困难和令人沮丧。
发明概述
本发明提供方法和装置，所述方法和装置有效的用于对各种选项评级，和/或鉴别(或有助于鉴别)多个选项中更需要的选项，尤其例如饮食选项。所述方法对由知情域(informed domain)代表专家小组作出的需要和不需要选项提供预测。在一个优选的实施方案中，用专家小组进行强迫性选项比较过程。强迫性选项比较过程产生偏好分数，在本文中有时称为原始分数。专家小组可包括(排他性或至少包含性)在普通域(common domain)中的个体，例如饮食专家。再开发和利用一些方程，这些方程根据测定性质有效的得到预测的原始分数。预测的原始分数在统计学上有利地与通过实际专家小组确定的原始分数相关。
进一步处理原始分数，以提供相对分数。在此方面，根据需要将原始分数简化成允许更容易跟踪它们的范围/等级。所得相对分数提供能够容易记录的相对较低整数。例如，范围0至100可由7等除，以提供7个种类，以便将具有0和小于14.3之间原始分数的食品或饮料分类为0，具有14.3和小于28.6之间原始分数的食品或饮料分类为1，等等。所用种类数可以增加或减少，以提供精确且方便的原始分数分类，并使所得相对分数成为消费者能够容易利用的整数和相对低的数(例如单位数)两者。
根据此方面，本发明提供一种有助于需要选项的选择的方法。所述方法包括从知情域代表专家小组产生用于第一组选项的相对分数。测定第二组选项中各选项的至少两种性质。用测定的性质提供用于第二组选项的预测相对分数。测定的性质可包括碳水化合物、糖、纤维、蛋白质、总脂肪、总脂肪酸、总饱和脂肪酸、反式脂肪酸、钙、钠、铁、维生素、血糖指数、血糖负荷、抗性淀粉、糖醇及其混合物。在有形介质中记录预测的相对分数，以传递预测的相对分数，并有助于需要选项的选择。知情域代表的实例可包括饮食专家。在有形介质中记录预测的相对分数可包括例如在食品项目的包装上记录预测的相对分数，在计算机装置中记录分数，和在印刷品中记录分数，例如分发的印刷品或广告。
一方面，本发明提供一种帮助人保持预定饮食的方法。该方法包括，确定在一段时间内有效保持预定饮食的最小和最大相对分数，例如单一零食、单一饭餐、一日、一星期或两星期时间。计算许多可能食品供应选项每种的相对分数，并且可记录各食品选项经所给时间的相对分数，以提供总的相对分数。然后鉴别食品供应选项，这将提供在所需时间内，在预定最小和最大值范围内的总的相对分数。
另一方面，可计算食品项目的相对分数，并通过首先用以下方程16A计算原始分数来分配到食品项目。
方程16A
原始分数＝k0+k1×f1(x1)+k2×f2(x2)+k3×f3(x3)+…
系数k0，k1，k2，k3...为-50至50的数字常数，函数f1，f2，f3...为自身由x1，x2，x3...表示的营养值的合适函数。表达xi也可表示相应于所讨论食品项目的两个或更多个营养值的函数。f1，f2，f3的函数形式可包括线性、对数、指数、三角、样条、小波和其他单调(和近单调)函数，这些函数可以为增函数或减函数。适合有用的函数的几个实例在以下描述(方程16-22)。
本发明提供一种计算相对分数的方法，所述方法包括以下步骤：
在所述部分包括具有5克或更少碳水化合物和小于20千卡的食品或非酒精饮料时，分配包括固定值的原始分数；
对于具有3克碳水化合物或更多的食品部分，测定碳水化合物、蛋白质、纤维、反式脂肪酸、饱和脂肪酸、总脂肪酸、钙和钠、铁和维生素及矿物质值，并用方程1A或方程1B或方程1C(以下显示和描述这些方程)来计算原始分数；
对于具有小于3克碳水化合物的食品部分，测定蛋白质、饱和脂肪酸、总脂肪酸和钠值，并用方程2(以下显示和讨论)计算原始分数；
在所述部分包括具有20千卡或更多的非酒精饮料时，测定糖、总脂肪酸、钙、维生素和矿物质值，并用方程3(以下显示和讨论)计算原始分数；
在所述部分包括酒精饮料时，用方程4(以下显示和讨论)确定原始分数；并且
用原始分数确定相对分数。
也可用方程5-15计算原始分数，方程5-15也在以下显示和讨论。
另一方面，本发明提供一种用相对分数标记食品项目的方法。所述方法包括用本文所述的方程计算相对分数，尤其用方程16A和方程16-22。然后用其计算的相对分数标记食品项目。
另一方面，本发明提供一种装置，所述装置包括容器、置于容器中的食用项目部分和置于容器表面上的相对分数。通过一种方法，此容器可包括用于食品的包装，例如袋或箱。通过另一种方法，此容器可包括售货机，该售货机具有在上面出现一个或多个相对分数的显示器，例如平面屏幕显示器。相对分数可用本文所述的方程计算，尤其用方程16A和方程16-22计算。然后用其计算的相对分数标记容器。
另一方面，本发明提供一种装置，所述装置包括存储器，该存储器具有在其中储存的一系列数字计算机指令，以有助于测定不同食品、非酒精饮料和酒精饮料部分的相对分数。这可包括例如使用一个或多个本文所述的方程，以计算这些相对分数。通过一种方法，这可包括实现许多不同项目的批计算。通过另一种方法(如果需要)，这可包括在需要的基础上，实现在传输过程中的计算。
另一方面，本发明提供一种预测实际原始分数的方法。所述方法包括用专家小组进行强迫性选项配对比较，以对规定的项目组产生实际原始分数。研究方程，以根据测定性质产生预测的原始分数，使得实际和预测的原始分数之间的相关性有利于提供0.5或更大的r2和20或更小的均方根误差值，优选提供0.6或更大的r2和12或更小的均方根误差值。
另一方面，本发明提供一种用于选择食品的方法，所述食品适用于预定饮食。所述方法包括从专家小组收集关于一组食品项目的输入。根据收集的输入计算相对分数，并分配到各食品项目。确定经一段时间，有效保持预定饮食的最小和最大的总相对分数。选择食品，这些食品提供在最小和最大的总相对分数范围内的总相对分数。
本领域的技术人员应认识和理解，本文教授可高度伸缩，并且很容易适应包括固体食品和饮料(包括基于酒精的饮料和无酒精饮料两者)的经加工或未加工的基本任何可食用或可口物质的应用。应进一步理解，相对复杂的分级和评级标准(包括客观和相对主观标准)很容易适应，同时最终保持消费者用很少或不用训练就能够理解和应用的非常直觉和有用的指数结果。
附图简述
图1一般描述用于作出饮食选项的系统。
图2显示测定食品、非酒精饮料或酒精饮料的原始分数的流程图。
图3显示如何能够使原始分数转化成相对分数。
图4包括描绘如何能够获取信息并用信息提供相对分数和/或饮食计划的框图。
图5显示用于糖尿病患者的饮食系统的流程图。
图6显示跨2个星期平均的日餐计划的能含量与分数目标的相关性。
图7显示跨1个星期平均的日餐计划的能含量与分数目标的相关性。
图8显示具有相对分数的包装。
图9显示具有相对分数的袋式包装。
发明详述
图1提供用于作出饮食选项的系统的一般描述。如图1所示，熟练设计有效的用于提供所需结果的具体饮食的专家小组将相对分数分配给各单独的食品项目。将这些相对分数泛化，以便能够通过测定食品项目的至少两种性质将相对分数分配到任何食品项目，甚至是专家小组未明确评分的那些。用不同食品的相对分数确定具体饮食类型的适合分数范围。有效的用于提供所需结果的具体饮食或预定饮食的实例可包括适用于糖尿病、心脏病、血压调节、代谢综合征、体重调节、健康老化、认知和癌症预防的饮食。然后，个体可用此信息来选择适用于具体饮食的食品的组合。
如图2所示，对于食品或非酒精饮料或酒精饮料，可测定提供相对分数所用的分数。将具有小于约5克碳水化合物和小于20千卡的食品或非酒精饮料分配零的相对分数。根据美国糖尿病协会选择食品系统(American Diabetes Association Choose Your Foods system)的“自由食品”名称，给予具有小于20千卡的食品和非酒精饮料零分。
测定具有20千卡或更多的食品的总碳水化合物。进一步测定具有3克碳水化合物或更多的食品，以测定蛋白质克数、纤维克数、反式脂肪酸克数、饱和脂肪酸克数、总脂肪酸克数、钠毫克数和维生素A、C和矿物质铁和钙的每日百分数值的总和(％D，基于2000千卡饮食)。使用测定量，用方程1A、1B或1C(如下所示)计算原始分数。进一步测定具有小于3克碳水化合物的食品，以测定蛋白质克数、饱和脂肪酸克数、总脂肪酸克数、钙毫克数和钠毫克数。使用测定量，用方程2(如下所示)计算原始分数。
进一步测定具有20千卡或更大的非酒精饮料的糖克数、总脂肪酸克数、钠毫克数和维生素A、C和矿物质铁和钙的％DV总和(基于2000千卡饮食)。使用测定量，用方程3(如下所示)计算原始分数。
对于酒精饮料，确定份(servings)数，并从方程4(以下显示)计算原始分数。一份规定为5盎司葡萄酒、12盎司啤酒或1盎司烈性酒。
本文所做的所有测定用在本领域已知的技术进行。
如图3所示，进一步处理原始分数，以提供相对分数。例如，确定所需种类数和种类界限(category boundaries)。如本文进一步描述，可利用任何所需种类数。另外，种类可具有相等大小的界限，或者种类的大小可在高端或低端延伸。将原始分数分配成合适的种类。种类数变成相对分数。
如图4所示，可用任何方式获取确定相对分数和最终饮食计划的信息。例如，产品可包括条形码，这些条形码提供产品信息，或者可用于获得这些信息。可用分析产品的检测仪器提供产品特征。产品信息可从网站得到。另外，可提供所需的饮食参数。任何此信息或任何其他信息可直接提供到计算机，或者可用任何已知方法输入计算机。然后，使用此信息和在应用本文提出的具体教授时，可以使用具有存储器入口的计算机计算相对分数和/或饮食计划，所述存储器在其中储存有适合的指令。
然后，可按对节食者有用的一些方式显示所得计算的相对分数。这可包括例如将所给食品项目的相对分数置于包含那种食品项目的容器上。作为举例说明而不在这些方面作出任何限制，如图8中所示，这可包括在包含食用项目一些预定部分(例如，一份或多份食品部分)的纸板盒上布置相对分数(在此情况下，为“3”)。此相对分数可以为一定大小、处于一定位置和/或具有颜色，以有利于消费者容易地看到。由于考虑到这一点，如果需要，可在盒上在多于一个位置显示相对分数，如虚线显示的“3”所示。作为在这些方面中的另一个非限制实例，现在参考图9，可在包含食品项目的袋的外表面上类似布置相对分数。
测定实际原始分数
募集约315位被认为是2型糖尿病患者饮食咨询专家的参与者(专家)的专家小组，以评价250种不同食品和饮料在2型糖尿病患者饮食中包含的适用性。这些专家由目前为糖尿病患者提供咨询并且在本领域已有至少5年经验的持证糖尿病教育工作者(CDEs)和饮食学家组成。使用Thurstonian强迫性选项配对比较的身心方法和不完全的随机分组设计，各食品作为一对食品中的一种食品提供，并询问专家所提供两种食品中选择哪一种食品更适合包含于2型糖尿病患者的饮食中。对于所提供的各对食品，在提供下一对食品之前必须作出选择(因此为“强迫性选择”)。
一方面，以此方式评价所有250种食品，使得各食品与来自250种食品清单的约42和约59种其他项目之间配对。然后，将各对提交至少约15个专家进行强迫性选项评价。每对的实际专家判断为约15至约45。未给专家任何机会指示选择的原因或理由。
所有食品以类似方式呈现。具体地讲，照片的角度和照明接近相同，餐具为没有图案的单一设计，所示的食品量为通常消耗参照量(Reference Amount Customarily Consumed)或RACC，或者在适当时，为准备食用一般购买的食品购买为单份，并且那份食品的营养情况表(NFP)与食品图像一起提供。在NFP内包含的信息是：每份食物大小(g)、卡量、来自脂肪的卡量、总脂肪(g，％DV)、饱和脂肪(g，％DV)、反式脂肪(g)、胆固醇(mg，％DV)、钠(mg，％DV)、总碳水化合物(g，％DV)、饮食纤维(g，％DV)、糖(g)、蛋白质(g)、维生素A(％DV)、维生素C(％DV)、钙(％DV)、铁(％DV)，所有这些信息均基于2000卡(calorie)饮食。另外，各图像带有适合描述性标题，例如在全麦包上的所有牛肉热狗(All Beef Hotdog on Whole Wheat Bun)。
按照Thurston技术，所给食品比所有其他食品更适合选择的可能性可确定为0到100.00(即，从不作为更适合选择到总是作为更适合选择)。因此，不仅以顺序方式将250种食品分级，而且相邻食品之间的距离可以变化。换句话讲，尽管简单分级使各食品离开其相邻食品100/250个单位，但Thurstonian比较显示此等级的食品之间的认知距离。
为了说明这一点，如果我们要将一份燕麦粉、一份水果和一块巧克力糖按照在糖尿病饮食中包含的适合程度分成等级，则很可能有从最佳到最差的分级：
燕麦粉    水果    块糖
然而，非常明显，无糖燕麦粉和含糖水果之间的感觉差异(认知距离)比含糖水果和满糖块糖之间的差异小得多。Thurstonian方法允许这些认知距离的定量。
通过等级倒转，可将分数分配(称为原始分数)给250种食品中的每一种，使得低分数更需要，高分数较不需要。由于这些分数从约315位专家的组合独立评价意见得出，原始分数代表食品的最适合相对分数。
确定预测的原始分数
由于专家可能使用对食品作出选择的各种信息，并且由于可能或甚至很可能两个专家对信息要使用的选项和分配给不同条信息的权重不同，专家们在这些点达成一致极难。因此，关于食品的所有可用信息和可能一般不被了解但可能被专家所知的信息假定有助于强迫性选项比较中的决定过程。为了能够进行统计分析，此信息收集在数据文件中，以确定食品的什么信息能够用于最可靠和最精确地预测那种食品的原始分数。用逐步回归推出预测方程，其中具有少到3个变量到多达17个变量。
可潜在用于此回归的信息包括在NFP中专家见到的所有信息，以及单不饱和脂肪(g)、多不饱和脂肪(g)、钾(mg)、不溶性纤维(g)、可溶性纤维(g)、所有的各维生素B(包括叶酸)(％DV，基于2000千卡饮食)、维生素A、D、E(％DV，基于2000千卡饮食)、矿物质Mg和P，这些信息专家见不到，但可能专家已知，并因此用于决定过程。另外，各种条信息的组合也允许作为变量用于回归分析(例如，饱和脂肪(g)加反式脂肪(g)、总脂肪(g)加碳水化合物(g)加蛋白质(g)、Ca(％DV)加铁(％DV)加维生素A(％DV)加维生素C(％DV)等)，也就是这些变量转换(平方根、自然对数、指数等)。
通过了解营养，并且由于需要研究可用于研发新食品的最强、最可靠和精确的预测方程或算法，经反复分析，研究出本文所述的算法或方程。在此方面，方程应提供0.5或更大的R平方值和20或更小的RMSE(均方根误差值)，在一个重要方面，提供0.6或更大的R平方值和12或更小的RMSE(均方根误差值)，以合理预测实际专家小组指定的值。
研究以下算法来预测250种食品的原始分数：
方程1A、1B、1C       具有至少3g碳水化合物的食品
方程2                具有小于3g碳水化合物的食品
方程3                饮料
在方程中使用的项(terms)定义如下。可使用任何数目的这些特征。
项            含义
carb          碳水化合物，克
糖            糖，克
纤维          纤维，克
fatT          总脂肪酸，克
fatS          饱和脂肪酸，克
TFA           反式脂肪酸，克
calc          钙，mg
sod           钠，mg
prot          蛋白质，克
vit           维生素A、C和矿物质铁和钙的％DV的总和(基于2000千卡饮食)
方程1A：具有至少3g碳水化合物的食品的7-变量模型.
Figure BPA00001309470800141
Figure BPA00001309470800142
常数      范围         优选
k1        0至15        4.4933
k2        0至5         0.47854
k3        0至15        6.7149
k4        0至30        9.4861
k5        0至30        8.0378
k6        0至30        10.786
k7        0至10        0.7647
k8        0至10        0.17039
其中至少3个常数具有大于0的数值。
方程1B：具有至少3g碳水化合物的食品的6-变量模型.
Figure BPA00001309470800143
Figure BPA00001309470800144
常数       范围         优选
k9         0至20        0.63775
k10        0至15        0.46815
k11        0至30        7.9301
k12        0至30        10.247
k13        0至30        7.5270
k14        0至40        11.991
k15        0至10        0.25301
其中至少3个常数具有大于0的数值。
方程1C：其中反式脂肪酸含量未知的具有至少3g碳水化合物的食品的E7-变量模型。
Figure BPA00001309470800151
Figure BPA00001309470800152
常数        范围         优选
k99         0至45        3.53534
k100        0至5         0.48132
k101        0至30        6.81916
k102        0至20        9.56127
k103        0至30        7.9144
k104        0至40        11.21475
k105        0至10        0.200544
其中至少3个常数具有大于0的数值。
方程2：具有小于3g碳水化合物的食品的5-变量模型。
Figure BPA00001309470800153
常数   范围     优选
k16    0至45    14.586
k17    0至20    5.1344
k18    0至20    3.5972
k19    0至5     0.79163
k20    0至20    3.0349
k21    0至10    0.043416
其中至少3个常数具有大于0的数值。
方程3：非酒精饮料的4-变量模型。
Figure BPA00001309470800161
常数       范围         优选
K22        0至90        45.125
K23        0至30        11.360
K24        0至20        2.7076
K25        0至20        6.6295
k26        0至20        1.6514
其中至少3个常数具有大于0的数值。
方程4：酒精饮料的模型。
原始分数＝k27*酒精饮料份数
常数        范围        优选
K27         0至100      58.7
在各算法的拟合表汇总中有指示预测关系强度(可以为0至1.0，越高越好)的相关系数(r2)，即改变r2的调节相关系数(调节的r2)，取决于回归中观察的数目、为精确度量度的均方根误差(越低越好)、所有观察的平均值和观察的数目。对于具有3g或更多碳水化合物的食品，提供三种算法，两种算法具有7个变量(一个已知反式脂肪酸含量，另外的未知反式脂肪酸含量)，一种算法具有6个变量。所有分数均基于那种食品项目的RACC。
使用优选常数的方程1A、1B、1C、2和3的数据汇总在下面列出。
方程1A：具有至少3g碳水化合物的食品的7-变量模型
(1A)
Figure BPA00001309470800171
Figure BPA00001309470800172
拟合汇总
  R平方   0.930578
  调节的R平方   0.928007
  均方根误差   5.194836
  响应的平均值   45.43088
  观察值(或权重总和)   197
方程1B：具有至少3g碳水化合物的食品的6-变量模型.
(1B)
Figure BPA00001309470800173
Figure BPA00001309470800174
拟合汇总
  R平方   0.915021
  调节的R平方   0.912337
  均方根误差   5.732374
  响应的平均值   45.43088
  观察值(或权重总和)   197
方程1C：其中反式脂肪酸含量未知的具有至少3g碳水化合物的食品的7-变量模型.
(1C)
Figure BPA00001309470800175
Figure BPA00001309470800176
拟合汇总
  R平方   0.925065
  调节的R平方   0.92229
  均方根误差   5.39718
  响应的平均值   45.43088
  观察值(或权重总和)   197
方程2：具有小于3g碳水化合物的食品的5-变量模型
(2)
Figure BPA00001309470800181
Figure BPA00001309470800182
拟合汇总
  R平方   0.908986
  调节的R平方   0.894307
  均方根误差   4.268039
  响应的平均值   36.05331
  观察值(或权重总和)   37
方程3：饮料的4-变量模型
(3)
Figure BPA00001309470800183
拟合汇总
  R平方   0.967907
  调节的R平方   0.953644
  均方根误差   4.099568
  响应的平均值   44.95692
  观察值(或权重总和)   14
另一方面，可使用包含更多或更少项的方程，只要R平方值大于0.5，并且RMSE为20或更小。可测定并用于方程的其他项包括Cals(卡)、GI(血糖指数)。可利用的提供高R平方和低RMSE的其他方程的一些实例如下。
方程5：8-变量模型：
Figure BPA00001309470800191
Figure BPA00001309470800192
常数       范围         优选
K28        0至40        5.07998251048528
k29        0至30        3.08655243659106
k30        0至10        0.39720589714128
k31        0至30        5.7926048164755
k32        0至40        8.2403126030837
k33        0至5         0.59193413376308
k34        0至30        7.22441491236448
k35        0至20        2.47726777649662
k36        0至5         0.7054061052952
其中至少3个常数具有大于0的数值。
拟合汇总
(基于优选值)
  R平方   0.93195
  调节的R平方   0.931395
  均方根误差   5.071149
  响应的平均值   45.43088
  观察值(或权重总和)   197
方程6：5-变量模型：
Figure BPA00001309470800201
Figure BPA00001309470800202
常数        范围         优选
K37         0至30        5.55540458870087
K38         0至10        0.45731182226438
k39         0至40        8.236932977385
k40         0至40        8.8197607076037
k41         0至40        8.88845433941743
k42         0至40        9.21339238330349
其中至少3个常数具有大于0的数值。
拟合汇总
(基于优选值)
  R平方   0.911884
  调节的R平方   0.909577
  均方根误差   5.821915
  响应的平均值   45.43088
  观察值(或权重总和)   197
方程7：4-变量模型：
Figure BPA00001309470800203
常数       范围         优选
K43        0至20        2.58046353630472
K44        0至30        5.20010498301525
K45        0至10        0.48625072812575
k46        0至40        8.3009000471813
k47        0至40        8.6704847762015
其中至少3个常数具有大于0的数值。
拟合汇总
(基于优选值)
  R平方   0.899698
  调节的R平方   0.897608
  均方根误差   6.195267
  响应的平均值   45.43088
  观察值(或权重总和)   197
方程8：3-变量模型：
Figure BPA00001309470800211
常数        范围         优选
k48         0至30        1.62437284640872
k49         0至30        5.66015133153736
k50         0至40        9.1962004078949
k51         0至40        6.9382001155386
其中至少3个常数具有大于0的数值。
拟合汇总
(基于优选值)
  R平方   0.877904
  调节的R平方   0.876006
  均方根误差   6.81755
  响应的平均值   45.43088
  观察值(或权重总和)   197
可接受的方程具有小于约12的RMSE。此数字基于具有菜单计划的经验试验，其中用约12个种类划分0至100的范围。可利用并提供较低R平方和较高RMSE的其他方程的一些实例如下。
方程9：3-变量模型：
Figure BPA00001309470800221
常数       范围         优选
k52        0至40        8.81710431118241
k53        0至30        3.60543550452391
k54        0至10        0.27081834702902
k55        0至50        11.443344392202
其中至少3个常数具有大于0的数值。
拟合汇总
(基于优选值)
  R平方   0.818428
  调节的R平方   0.815605
  均方根误差   8.313843
  响应的平均值   45.43088
  观察值(或权重总和)   197
方程10：4-变量模型：
Figure BPA00001309470800222
常数        范围     优选
k56         0至10    0.7304091450721
k57         0至50    15.8650914166848
k58         0至5     0.00939164579211
k59         0至20    1.3303209449489
k60         0至30    6.86086908729767
其中至少3个常数具有大于0的数值。
拟合汇总
(基于优选值)
  R平方   0.818571
  调节的R平方   0.814792
  均方根误差   8.332165
  响应的平均值   45.43088
  观察值(或权重总和)   197
方程11：5-变量模型：
Figure BPA00001309470800231
常数       范围         优选
k61        0至75        30.1899062392207
k62        0至75        17.5810089046405
k63        0至10        0.5837157936449
k64        0至10        0.45567486954981
k65        0至30        5.6886855205404
k66        0至20        1.4170049720046
其中至少3个常数具有大于0的数值。
拟合汇总
(基于优选值)
  R平方   0.819476
  调节的R平方   0.81475
  均方根误差   8.333093
  响应的平均值   45.43088
  观察值(或权重总和)   197
方程12：6-变量模型：
Figure BPA00001309470800242
常数       范围     优选
k67        0至30    5.40979065461035
k68        0至20    3.17982018618149
k69        0至20    1.203172246566227
k70        0至20    1.7403988156846
k71        0至30    4.7931109239109
k72        0至5     0.0175448804951
k73        0至20    1.6911060120534
其中至少3个常数具有大于0的数值。
拟合汇总
(基于优选值)
  R平方   0.820042
  调节的R平方   0.814749
  均方根误差   8.333123
  响应的平均值   45.43088
  观察值(或权重总和)   197
方程13：7-变量模型：
Figure BPA00001309470800251
常数       范围     优选
k74        0至50    12.5256181946947
k75        0至50    12.4800045725714
k76        0至5     0.0833575851909
k77        0至30    6.78893684477268
k78        0至5     0.0174038243731
k79        0至5     0.0198692527924
k80        0至75    21.2311078503332
k81        0至75    40.908654917931
其中至少3个常数具有大于0的数值。
拟合汇总
(基于优选值)
  R平方   0.821362
  调节的R平方   0.814746
  均方根误差   8.333196
  响应的平均值   45.43088
  观察值(或权重总和)   197
方程14：8-变量模型：
Figure BPA00001309470800261
Figure BPA00001309470800262
常数       范围     优选
k82        0至20    1.0598531282242
k83        0至10    0.35571238326255
k84        0至40    11.9878327496585
k85        0至5     0.0137706296504
k86        0至5     0.50117972933279
k87        0至20    2.0173860269672
k88        0至5     0.0223417157976
k89        0至5     0.11961402558121
k90        0至30    5.61334484441492
其中至少3个常数具有大于0的数值。
拟合汇总
(基于优选值)
  R平方   0.822302
  调节的R平方   0.81474
  均方根误差   8.333321
  响应的平均值   45.43088
  观察值(或权重总和)   197
另一方面，可用以下方程15提供具有至少3克碳水化合物的食品的原始分数。
Figure BPA00001309470800272
常数        范围        优选
k91        0至20        2.924
k92        0至30        4.8089
k93        0至5         0.43276
k94        0至20        1.8397
k95        0至5         0.459679
k96        0至30        7.0313
k97        0至40        8.7050
k98        0至30        5.3078
其中至少3个常数具有大于0的数值。
拟合汇总
(基于优选值)
  R平方   0.92
  均方根误差   5.61
另一方面，用于计算原始分数的函数具有以下方程16A所列的一般形式。
原始分数＝k0+k1×f1(x1)+k2×f2(x2)+k3×f3(x3)+…
在系数k0，k1，k2，k3...为可为-50至50的数字常数时，并且在一个重要方面为0至50，函数f1，f2，f3...为由x1，x2，x3...表示的营养值的合适函数。xi也可表示相当于所讨论食品项目的两个或更多个营养值的函数。
f1，f2，f3...的函数形式可包括线性、对数、指数、三角、样条、小波和其他单调(和近单调)函数，这些函数可以为增函数或减函数。
以下描述适合有用的函数的几个实例。在这些实例中(方程16-22)，系数k0＝0，其他ki值在标题“估计”下列出，营养值(xi)在标题“项”下列出，函数为恒等函数，对于所有i，fi(x)＝x。例如，对于纤维，ki值可以为0至10或0至-10。这些模型为基于n＝220种食品(排除kcal＞300的食品，啤酒和葡萄酒)和基于原始0至100等级的零截距模型。如以下所列各方程中所述，为了将参数向下重新分成种类分数等级，将各参数估计值除以12.15，然后四舍五入到最接近的非负整数。
方程16：
分数＝[1.2574377(Carb，克)+0.3610161(糖，克)-2.250235(纤维，克)+2.0426632(总脂肪，克)+0.0156387(钠，毫克)+2.3307644(Sat Fat，克)]/(12.15)
6-变量模型(不使用TFA)：
拟合汇总
均方根误差                11.61348
响应的平均值              40.45341
观察值(或权重总和)        220
参数估计值
项      估计值       标准误差    t比值     Prob＞|t|
Carb    1.2574377    0.098593    12.75     ＜.0001
糖      0.3610161    0.139817    2.58      0.0105
纤维    -2.250235    0.473327    -4.75     ＜.0001
TotFat  2.0426632    0.241232    8.47      ＜.0001
Sod     0.0156387    0.003812    4.10      ＜.0001
SatFat  2.3307644    0.753441    3.09      0.0022
方程17：
分数＝[1.2449301(Carb，克)+0.3761927(糖，克)-2.201028(纤维，克)+1.9032449(总脂肪，克)+0.0158553(钠，毫克)+2.654095(Sat Fat克+反式脂肪克)]/(12.15)
具有用于(SatFat+TFA)的单项的6-变量模型：
拟合汇总
均方根误差                  11.47471
响应的平均值                40.45341
观察值(或权重总和)          220
参数估计值
项          估计值       标准误差    T比值     Prob＞|t|
Carb        1.2449301    0.096501    12.90     ＜.0001
糖          0.3761927    0.136378    2.76      0.0063
纤维        -2.201028    0.468158    -4.70     ＜.0001
TotFat      1.9032449    0.238335    7.99      ＜.0001
Sod         0.0158553    0.003718    4.26      ＜.0001
SatFat+TFA  2.654095     0.685055    3.87      0.0001
方程18：
分数＝[1.22775(Carb，克)+0.4028086(糖，克)-2.195542(纤维，克)+1.9422293(总脂肪，克)+0.0165285(钠，毫克)+2.3742248(Sat Fat，克)+4.1002263(反式脂肪，克)]/(12.15)
具有TFA作为单独项的7-变量模型：
拟合汇总
均方根误差                11.47688
响应的平均值              40.45341
观察值(或权重总和)        220
参数估计值
项        估计值       标准误差    t比值    Prob＞|t|
TotFat    1.9422293    0.241824    8.03     ＜.0001
SatFat    2.3742248    0.744785    3.19     0.0016
Sod       0.0165285    0.003784    4.37     ＜.0001
糖        0.4028086    0.1392      2.89     0.0042
Carb      1.22775      0.098169    12.51    ＜.0001
纤维      -2.195542    0.468281    -4.69    ＜.0001
TFA       4.1002263    1.656804    2.47     0.0141
方程19：
分数＝[1.3727221(Carb克-纤维克)+1.7677025(总脂肪，克)+0.0112093(钠，毫克)+3.1746396(Sat Fat克+反式脂肪克)]/(12.15)
4-变量模型：
拟合汇总
均方根误差                11.79232
响应的平均值              40.45341
观察值(或权重总和)        220
参数估计值
项          估计值       标准误差    T比值    Prob＞|t|
TotFat      1.7677025    0.242075    7.30     ＜.0001
Sod         0.0112093    0.003576    3.13     0.0020
SatFat+TFA  3.1746396    0.689475    4.60     ＜.0001
Carb-纤维   1.3727221    0.056342    24.36    ＜.0001
方程20：
分数＝[1.1615888(Carb  克-纤维克)+0.4072277(糖，克)+1.8468236(总脂肪，克)+0.0149536(钠，毫克)+2.8420381(Sat Fat克+反式脂肪克)]/(12.15)
5-变量模型[用(Carb-纤维)差作为单一项]：
拟合汇总
均方根误差                11.58401
响应的平均值              40.45341
观察值(或权重总和)        220
参数估计值
项          估计值       标准误差    t比值   Prob＞|t|
TotFat      1.8468236    0.239284    7.72    ＜.0001
Sod         0.0149536    0.003732    4.01    ＜.0001
糖          0.4072277    0.136978    2.97    0.0033
SatFat+TFA  2.8420381    0.686473    4.14    ＜.0001
Carb-纤维   1.1615888    0.090038    12.90   ＜.0001
方程21：
分数＝[1.1728067(Carb克-纤维克)+0.3904063(糖，克)+1.9836139(总脂肪，克)+0.0146349(钠，毫克)+2.5446574(Sat Fat，克)]/(12.15)
不使用TFA的5-变量模型：
拟合汇总
均方根误差                11.73127
响应的平均值              40.45341
观察值(或权重总和)        220
参数估计值
项          估计值       标准误差        t比值    Prob＞|t|
TotFat      1.9836139    0.242318        8.19     ＜.0001
SatFat      2.5446574    0.755363        3.37     0.0009
Sod         0.0146349    0.003826        3.83     0.0002
糖          0.3904063    0.140654        2.78     0.0060
Carb-纤维   1.1728067    0.092526        12.68    ＜.0001
方程22：
分数＝[1.255412(Carb，克)+0.3807178(糖，克)-2.181852(纤维，克)+1.8712286(总脂肪，克)+0.0164532(钠，毫克)-0.096065(钙，％DV)+2.8216669(Sat Fat克+反式脂肪克)]/(12.15)
7-变量模型：
拟合汇总
均方根误差            11.46567
响应的平均值          40.45341
观察值(或权重总和)    220
参数估计值
项          估计值        标准误差    t比值    Prob＞|t|
TotFat      1.8712286     0.239751    7.80     ＜.0001
Sod         0.0164532     0.003751    4.39     ＜.0001
糖          0.3807178     0.136326    2.79     0.0057
Carb        1.255412      0.09685     12.96    ＜.0001
纤维        -2.181852     0.468083    -4.66    ＜.0001
CalcPct     -0.096065     0.083067    -1.16    0.2488
SatFat+TFA  2.8216669     0.699684    4.03     ＜.0001
CalcPCT是食品中钙的量，作为代表日值百分数(％DV)的十进制。例如，25％代表为十进制0.25。
确定相对分数
原始分数代表糖尿病患者饮食中食品包含的“适合程度”，低分食品可更容易包含，因此，可表征为更适合，高分食品不太容易，因此可表征为不太适合。另外，这些方程可适用于饮食中的所有食品，超过初始比较中使用的250种食品。然而，如果食品能够分配具有四位有效数字的分数，并且每个这些分数相加提供这一天的记录，对于大多数个体来讲，要跟踪一天总饮食分数极难。因此，修改预测的原始分数，以更有用且更容易地保持消费者的跟踪。在一种方法中，这意味单份食品(一般RACC，或者如食谱、食品包装或其他类似工具中所述的一份)的相对分数可以为0至最大值7(或8，或9，或10或...或20，这取决于种类数)。现在将这些分数称为相对分数。
可使用任何种类数。在此方面，总种类数可以为约5至约21，优选约6至约15，最优选约11或12。选择总种类数，以降低食品不正确分类的任何可能性，允许在具有不同营养物需要的餐计划之间作出区分，并提供平均成人消费者容易跟踪的整数相对分数和最终总整数相对分数。如以下进一步描述，在原始分数分配到12个种类时，基于1600、2000和2400日热量摄取的餐计划最佳。在此方面，消耗提供33的相对分数的食品提供约1600的总日热量摄取，消耗提供43的总相对分数的食品提供约2000的总日热量摄取，消耗提供53的总相对分数的食品提供约2400的总日热量摄取。
小于零的任何原始分数分配零的原始分数，大于100的任何原始分数分配100的原始分数。将各食品或饮料项目的原始分数简化，以便可以给予食品或饮料项目相对分数。根据所用等级，相对分数可以为0至5、0至6、0至7等。例如，范围0至100可由7等除，以便将具有0和小于14.3之间原始分数的食品或饮料分类为0，具有14.3和小于28.6之间原始分数的食品或饮料分类为1，等等。可修改种类之间的过渡，以根据需要使种类在分数的高端或低端延伸或缩减。
具有2型糖尿病的患者必须控制碳水化合物的摄取(不太多，不太少)，所用的任何系统必须在含(可消化)碳水化合物的食品和不含的食品之间区分。根据美国糖尿病协会和美国饮食协会共同研究的指导，将每份食物含5g或更少碳水化合物的食品(例如，在碳水化合物计数系统(carbohydrate Counting system)中0Carb计数)认为是具有可忽略量的碳水化合物。在此方面，给予每RACC具有5克或更少碳水化合物和小于20千卡能量的食品零相对分数。
在数学上，种类界限定义如下：
假设N＝种类数
p＝控制种类界限形状的指数(一般0.5＜p＜2，但需要至少p＞0)
k＝种类值，范围是k＝0，1，2，...，N-1
因此，种类界限定义如下：
(4)种类“k”的下限＝100*(k/N)p
(5)种类“k”的上限＝100*((k+1)/N)p
将食品项目置于种类k中，如果那种食品的预测原始分数满足以下不等式：
(6)100*(k/N)p≤原始分数＜100*((k+1)/N)p
当k＝0时，用于下限的公式＝0，尽管它可用于很多应用环境，以实际使用-10，这允许略负的预测原始分数。
当k＝N-1时，用于上限的公式＝100，尽管它可用于很多应用环境，以实际使用110，这允许达到略高于100的预测原始分数。
最后，可如下对种类应用另外的限制：
定义另外的参数M，使得
M＝要使用的最大种类值(1≤M≤N-1)。
因此，修改(4)和(5)定义的种类界限，使得当：
(6)100*(k/N)p≤原始分数＜100*((k+1)/N)p时，
将食品分配至种类＝MIN(k，M)，其中MIN指最小值。
由于以此方式将预测原始分数分类，将分数的范围压缩，以便能够给予食品0至5(或0至6，或0至7，或....或0至20)的相对分数。由于p变得渐进地小于1.0，因此，在具有低预测原始分数的食品之间有较大分辨率，具有较高分数的食品有较小分辨率。反之亦然，此时p大小增加高于1.0。另外，当N减小时，我们在食品之间区分的能力减小，而当N增加时，分辨率可能增加，但有在食品之间提供不实际存在的错误区分的可能性。最后，当M变得渐进地小于N-1时，较高种类收缩成具有值M的单一种类。这减小在较高预测原始分数食品差异的分辨率。
种类界限的最佳位置是重要的。如果不充分区分食品，那么有不同营养物需要的不同个体的餐计划就不可区分。如果食品区分太精细，那么与原始分数比较基于预测原始分数将食品错分类或在食品之间提供错误区分的风险就会增加。
当食品的每份食物量不同于RACC时，另一种修改是有用的。在这些情况下，将食品的营养物归一化到RACC，并给予食品预测的原始分数，然后根据这些归一化营养物给予种类分数。然后，由等于每份食物量除以RACC的因数修改此种类分数。因此，如果每份食物量大于RACC，分数就会增加。如果每份食物量小于RACC，分数就会减小。所有整数的分数上入计算。
或者，在食品的营养物归一化到RACC，并给予食品预测的原始分数时，可得到在食品的每份食物量不同于RACC时需要的修改。然后，由等于每份食物量除以RACC的因数修改此原始分数。因此，如果每份食物量大于RACC，分数就会增加。如果每份食物量小于RACC，分数就会减小。然后，按照前面所述方法，可得到基于这些估计的原始分数的相对分数。
饮食计划研究
本发明提供了研究饮食计划的方法，这些方法利用相对分数，并且需要从不同种类选择食品。例如，饮食计划的一个方面可能需要总的相对分数等于某一数值或在一定范围内经历一段时间(例如一天)。通过对那天期间所消耗或要消耗的各食品项目的相对分数相加，可确定总的相对分数。在饮食计划的另外方面，可从两个不同种类选择食品，以便从各食品种类中的选择得到一定水平的相对分数总和。可用任何适合术语鉴别食品种类。作为非限制说明实例并且根据饮食计划的一个方面，进一步将食品和饮料称为“绿色食品”或“蓝色食品”。绿色食品一般(但不限于)定义为含碳水化合物的水果和蔬菜、粮食、牛奶、果汁、甜食和这些食品的组合。蓝色食品一般(但不限于)限定为肉类、奶酪、坚果、油和主要含蛋白质或脂肪的其他食品和每份食物碳水化合物含量≤5.5g的食品。因此，所给天的总的相对分数应包括代表来自绿色食品的相对分数的一定数值的总和加上代表来自蓝色食品的相对分数的一定数值的总和。在例如用于相应食品项目的包装上提供分数信息时，可用此类颜色编码作为背景颜色。作为另一个实例，可用相应的适合颜色显示分数本身。在这些方面，应了解，可考虑利用大量其他可能性。在代表食品项目(如多项目进入包装)时，多种颜色组合也是可能的。
在实际中，在以日热量摄取水平1600kcal、2000kcal和2400kcal经一段时间(例如每种14天)提供适用于糖尿病患者的饮食，各食品用合适的算法评分以产生预测的原始分数，并且用简单系统(N＝8，p＝1.0，M＝N-1)分类时，在所给能量摄取的总日分数在约15的范围内变化。这导致在不同能量水平的饮食之间日分数相当大重叠。理想的是使此重叠减到最小。因此，利用上述方程，修改种类数N(5至21)，修改最大种类分数M，修改指数p，以改变种类界限形状，这都是为了使三种饮食之间的总日分数重叠减到最小。这在N＝12，p＝0.81和M＝11时达到。这得到平均分数33、43和53(分别对于1600kcal、2000kcal和2400kcal/天)，范围一般为±5或6。
用种类运算算法，以产生可用于选择食品的相对分数，形成在以下条件下产生的营养充分的饮食：
1.饮料报告为绿色分数。
2.平均绿色分数代表在各3分餐计划中平均总分数的70-80％。因此，消费者的指定绿色分数为总分数的约75％。日分数基于年龄、身高、体重和活动水平。
3.有必要对每份饭餐和零食*的最小绿色分数提供建议，以保证为了避免低血糖的碳水化合物消耗。
4.不制定每份饭餐或零食的最大绿色分数，也不建议在那天分配蓝色分数。这应为消费者提供更大的灵活性。例如，不要分配所有绿色和蓝色分数且使不满足消费者的规则和经验减到最少可能很重要。
5.消费者应努力每天消耗建议总分数。任何剩余分数不能“储存”用于未来消耗。
Figure BPA00001309470800391
*假定3份饭餐和1份零食
可根据以下准则实施饮食计划。
1.在提供一些基础身体和健康信息后，为消费者指定分数分配。分数基于身高、体重、年龄和活动水平。
2.将分数分配分成2个种类。
·绿色食品(含carb：水果和蔬菜、粮食、牛奶、果汁、甜食和组合食品)
·蓝色食品(肉类、奶酪、坚果、油和主要含蛋白质或脂肪的其他食品和每份食物carb含量≤5.5g的食品)
3.为避免低血糖，消费者在一整天接受一定比例绿色分数分配的建议配给。
4.消费者受到作出良好选项的提示，并制定平衡餐计划。这些准则与美国2005饮食准则(2005 Dietary Guidelines for Americans)和MyPyramid(由美国农业部公布)一致。这些准则中的一些包括：
·力求3份饭餐/天加一份夜晚零食。
·设法将柔性分数分配到一整天。
·设法包括至少2种减脂奶制品，如脱脂乳或1％乳、减脂奶酪和减脂酸牛奶(用于骨健康)。
·每日包括3至5份新鲜或冷冻蔬菜。
·选择较低钠罐头制品，如汤、蔬菜和其他制品。
·只要可能，就选择全谷类食品。
·只要可能，就选择瘦肉；力求2份鱼/星期。
·为了延迟血糖反应，选择全新鲜水果代替果汁
·分数为0的食品每次饮食时只“自由”食用一份(例如所给饭餐，如早餐、午餐或晚饭)，随后，对于在那次饮食内各另外份记为1分。
本发明方法的应用包括确定用于Atkins饮食(或类似低carb饮食)、肺病患者、低血糖患者、心血管病等的饮食。
糖尿病饮食系统
另一方面，本发明提供一种根据其营养分布将分数分配给任何食品的饮食系统。回归模型(方程16-22)的数个迭代具有强制零截距。所有这些模型使用营养物数据的精确线性函数，因此，指数可以为小于1至小于5，优选等于1。
限制回归模型使用的训练数据。这些回归模型根据由n＝220种食品项目组成的简化数据集来研究，简化数据集可认为是专家(CDE和饮食学专家)评价的原始250种食品项目的数据的子集。从线性模型拟合过程排除的剩余30种食品项目包括啤酒和葡萄酒加上28种另外的食品项目，它们各具有大于300kcal的能含量。220种未排除的食品项目均具有小于300kcal的能含量。实际上，具有大于300kcal的食品项目可通过模型处理成多份较小量的食品项目，并且分数成比例改变。可用原始数据子集研究更稳健模型这一事实令人惊讶。
如图5中所示，使由模型提供的计算原始分数转化成整数值种类分数。然而，可提炼此方法，以便在预测的原始分数(十进制数值在0至100等级)转化成种类分数(整数0至约8或更多，取决于每份食物量)时，原始分数除以12.15。将得到的商四舍五入成最接近的整数(尽管也可一致地上入到下一个最高整数，或一致地下舍到下一个最低整数)。选择除数12.15，以在平均日分数和需要的热量目标值之间达到最佳(最合适)关系。因此，例如日总分数45相应于2000kcal热量目标。选择不同除数值(范围1至45)将产生不同的日分数(分别比45高得多或低得多)。离12.15作为除数越远，饮食系统越不稳健和无用。
本发明的模型(方程16-22)具有需要的性质，使2(或3)份食品项目的种类分数等于1份分数的2(或3)倍，最高到舍入误差。这对所有模型都是事实(方程16-22)，并且与在每份食物量和分数之间没有正比例关系的前面种类显著不同。虽然两种方法均产生稳健并可用于修改饮食的评分系统，但此迭代使食品的计算和评分简化，并且每份食物量增加。由于此线性比例性质，不必为了将模型应用于计算原始分数和种类分数而参照食品的标准化每份食物量，如RACC。目前模型的另外益处是，对于相应于真实食品项目的任何营养物分布，它几乎从不对对预测的原始分数或种类分数产生负值。因此，所有食品均可评分，算法独立于每份食物量，独立于含热量，并且对所有食品和饮料(除酒精饮料外)都是相同的。
如前-用糖尿病交换方法(Diabetes Exchange approach)指导研究的饮食中食品评分计算日分数，一般为日热量水平。可在饮食系统中包含另外的饮食规则，以减小常量和微量营养物消耗的可变性，虽然这以简单性为代价。各规则增加或规则组合可影响饮食的最终营养分布、具体食品/饮料项目的选择和/或食品分配。因此，在饮食控制和使用容易程度之间应总有折衷方案。有很多方式组合这些规则。以下描述这些规则。在最佳情况下，利用饭餐和零食规则。包括哪种以可接受简单性损失增加控制的下一个规则是将食品分配至有或无碳水化合物的两个种类之一。
规则1：颜色编码
已建议糖尿病患者设法每天大约在相同时间食用大约相同(合理)量的碳水化合物。在一个方面，饮食系统可增加颜色编码规则，以帮助人们了解哪种食品主要为碳水化合物，哪些不是。不依赖食品的单独分数，可用营养信息分配颜色编码。例如，可用特殊颜色分数编码具有＜10g碳水化合物和/或＜50％来自碳水化合物的kcal热量的食品。同时，具有≥10g碳水化合物的食品可用不同的颜色分数编码。或者，可根据所给食品中来自碳水化合物的热量的百分数来分配颜色编码。例如，可给其中25％(或更多)热量来自碳水化合物的食品分配一种颜色，具有较少碳水化合物热量的食品具有不同颜色。可改变日分数的颜色编码比，以使饮食中碳水化合物的百分数在理论上为0-100％，但实际上在40-65％热量来自碳水化合物的一般规定范围内。也可用颜色编码表示食品代表的碳水化合物选项数值。除了碳水化合物外，也可用其他食品成分(总脂肪、饱和脂肪、单不饱和脂肪、多不饱和脂肪、反式脂肪、钠、糖、食物纤维、蛋白质等)确定颜色编码。因此，结合颜色编码规则需要日分数分成两个(或更多个)颜色(例如，绿色和蓝色)。为了帮助在一整天分配日分数，系统可提供在各饮食时刻使用的具体颜色分数值的准则。应将分数分级，以反映所需的日常量营养物摄取。
规则2：饭餐和零食分数
糖尿病患者应每天吃三餐，吃零食是个体的常见饮食方式。为了平衡一整天的饭餐和零食量，也可将日分数分成单独的饭餐和零食分数。类似地，可将单独的颜色编码分数(如规则1)细分成单独的饭餐和零食分数。最后，对于一个或多个颜色编码的分数可规定饭餐和零食分数，同时为了增加灵活性，可在一天过程中自由分配一个或多个剩余的颜色编码分数。应将分数分级，以反映所需的日常量营养物摄取。例如，如果日分数为45，可将此分数跨三份饭餐和一份零食分为饭餐分数13(3×13＝39)和零食分数6。
规则3：水果和蔬菜需要
增加每日水果和蔬菜需要也可影响饮食的最终营养分布。水果和蔬菜需要应根据日热量水平和/或MyPyramid建议分级，因此，各分数水平可具有建议整天消耗的不同的水果和蔬菜值。例如，分数水平45可具有每天4份水果需要和5份蔬菜需要。
规则4：基于前述绿色和蓝色食品的饮食计划。
上述规则可以多种方式组合：
1.可单独使用各规则
2.可组合使用两个规则
3.可组合使用三个(或更多个)规则
4.可使用所有规则
5.可不使用任何规则(只使用日分数)
也可以分步方式加入规则，其中个体以单独日分数(或其他规则)开始系统，并且根据单个的个体需要增加规则。
饭餐和零食分配范围
在日饭餐计划过程中，在最多8个饮食时刻，日分数水平可变分配。饮食时刻可分成饭餐和零食，其中饭餐限定为具有比零食更高的相对分数，零食限定为具有比饭餐更低的相对分数。
与分数偏差的范围
与分配的分数有一些偏差可以接受，然而，为了给具有2型糖尿病患者计划令人满意的饮食，仍要保持系统的实用性：
与分配的饮食时刻(饭餐或零食)分数偏差范围0-40％。
与分配的日分数偏差范围0-25％。
饮食计划数据
用“零截距线性模型”(方程16)收集两组以下所述饮食计划数据。
饮食计划活动#1
方法：根据USDA关键食品列表(Haytowitz et al，2002 J.FoodComp.Anal.)建立含661种普通消费食品的数据库。用方程16分配各食品的相对食品分数。对由5个男性和8个女性组成的13人组随机分配相应于不同热量水平的日分数(表1)。只用相对食品分数和规则1-3(蓝色/绿色、饭餐/零食和水果/蔬菜)作为饮食计划的基础，要求这些个体计划2星期时间每天的所有饭餐和零食。在此活动期间，如果使用多于3种零分食品，将各另外的零分食品分配1的分数。也提供健康饮食准则(如别处所述)。随后，根据经2星期饮食计划期间的平均日摄取，汇总最终饮食计划的能含量和营养物含量。
表1：相应于日能量需要的日分数
Figure BPA00001309470800451
结果：这些个体用新评分系统建立的饮食计划在其能含量和常量营养物分布方面令人满意。饮食计划的能含量紧密反映由分配分数规定的目标能量摄取水平(图6)。可认为饮食计划的平均营养物含量适用于2型糖尿病患者(表2)。
表2：跨2个星期平均的日餐计划的常量营养物分布和纤维含量.
Figure BPA00001309470800461
饮食计划活动#2
方法：进行饮食计划活动#2，以确定增加不同规则对计划饮食的营养物分布的影响。扩充来自饮食计划活动#1的食品数据库，以包括1001种普通消费食品。用方程16分配各食品的相对食品分数。对由4个男性和11个女性组成的15人组分配至相应于2000千卡水平的单日分数(分数＝45)，如表1所示。只用相对食品分数作为饮食计划的基础，要求这些个体计划2星期时间每天的所有饭餐和零食。在此活动期间，要求所有个体计划饮食，可单独或组合应用规则(蓝色/绿色、饭餐/零食和水果/蔬菜，如上所述)。将零分食品总是认为零分，不考虑在一天期间使用的零分食品数。也提供健康饮食准则。根据经2星期饮食计划期间的平均日摄取，汇总最终饮食计划的能含量和营养物含量。要求这些个体将在饮食计划中执行不同规则的难度进行评级。
结果：这些参与者用此评分系统建立的饮食计划在其能含量和常量营养物分布方面令人满意。饮食计划的能含量紧密反映由分配分数45规定的目标能量摄取水平。可认为饮食计划的平均营养物含量适用于2型糖尿病患者(表3)。不使用规则或只使用饭餐和零食分数规则由饮食计划中参与的个体判断最简单。
表3：跨2个星期平均的日餐计划(分数＝45)的常量营养物分布和纤维含量。
饮食计划活动#3
方法：进行饮食计划活动#3，以确定是否在只使用单一规则时保持日分数和饮食能含量之间的相关性。使用来自饮食计划活动#2的食品数据库。用方程16分配各食品的相对食品分数。将相同的15个个体分配至相应于不同能量水平的日分数，如表4中所示。只用相对食品分数作为饮食计划的基础，要求这些个体计划2星期时间每天的所有饭餐和零食。在此活动期间，只应用饭餐/零食规则。将零分食品总认为零分，不考虑在一天期间使用的零分食品数。也提供健康饮食准则。根据经2星期饮食计划期间的平均日摄取，汇总最终饮食计划的能含量和营养物含量。
表4：相应于日能量需要的日分数以及饭餐和零食分数
  日能量需要(kcal)   日分数   饭餐分数   零食分数
  1600   35   10   5
  2000   45   13   6
  2400   55   16   7
  3000   70   20   10
结果：用此评分系统建立的饮食计划在其能含量和常量营养物分布方面令人满意。饮食计划的能含量紧密反映由分配分数规定的目标能量摄取水平(图7)。可认为饮食计划的平均营养物含量适用于2型糖尿病患者(表5)。
表5：跨所有可用星期平均的日餐计划的常量营养物分布和纤维含量。
在一个重要方面，可用以下方法计算分数。
如果热卡＜20，并且总碳水化合物＜5.5，则分数＝0。
否则用方程23至28之一计算分数。例如，对于纤维，ki值可以为0至10或0至-10。这些方程中的系数已预除以12.15。
方程23：
相对分数＝
0.156645669442622*总脂肪+0.00130496192617028*钠
+0.03096235920085*糖+0.102463379833054*总Carb
-0.181154549031557*食物纤维+0.218444033740931*(SatFat+TFA)
四舍五入到最接近的非负整数。
方程24：(缺少TFA数据的食品的方程)
相对分数＝
0.168120424543066*总脂肪+0.191832459717235*SatFat
+0.0012871370715744*钠+0.103492811011505*总Carb
-0.185204527271864*食物纤维+0.0297132567884848*糖
四舍五入到最接近的非负整数。
方程25：(缺少TFA和糖的数据的食品的方程)
相对分数＝
0.161935991116738*总脂肪+0.207406290645869*SatFat
+0.00111104498953334*钠+0.11741246378783*总Carb
-0.217625438759603*食物纤维
四舍五入到最接近的非负整数。
方程26：(缺少TFA和纤维的数据的食品的方程)
相对分数＝
0.0326985155139462*总脂肪+0.211265063840429*SatFat
+0.00131122105057051*钠+0.029463585398812*总Carb
+0.0147759231820284*热卡-0.067204486301925*蛋白质
+0.0419438579732438*糖
四舍五入到最接近的非负整数。
方程27：(缺少TFA、纤维和糖的数据的食品的方程)
Figure BPA00001309470800501
四舍五入到最接近的非负整数。
在方程27中，铁的值代表铁的USDA日值的十进制部分(例如，如以上公式中所用，十进制部分0.25应相应于在营养情况表上的“25％DV”)。
方程28：(缺少TFA和SatFat的数据的食品的方程)
相对分数＝
0.220546668684559*总脂肪+0.00130891980845418*钠
+0.100112811169218*总Carb-0.203608691363277*食物纤维
+0.0335033374531092*糖+0.000972373425585813*热卡
四舍五入到最接近的非负整数。
其中使用项的方程
Figure BPA00001309470800502
Figure BPA00001309470800511
在本发明的这一方面，营养值必须相应于各食品项目的规定每份食物量。在公式中，缺少的营养值不作为零处理。例如，如果缺少所需的营养值，则必须使用不同的公式。不能那样的话，就不能计算相对分数。
在使用食谱食品的方面，计算食谱营养值，代表所有食谱成分的总和。将食谱营养值重新分级，以相应于所需的每份食物量。将得到的每份饮食营养值输入适合公式，以得到分数。
另一方面，方程23-28不用于酒精饮料，酒精饮料按照以下准则。
·在线饭餐计划者必须有能力在日餐计划中跟踪酒精饮料的份数。
·女性应限制酒精消耗1杯(drink)或更少/天，男性应限制摄取2杯或更少/天。
·一“杯”定义为酒精饮料的一份量，如以下表中所示。例如，一份啤酒相当于一罐或一瓶。两品脱啤酒(各16oz)超过建议量，并将触发警告。
·在此方面，如果消费者的条目超过建议摄取，弹出警告就应出现。
Figure BPA00001309470800512
Figure BPA00001309470800521
本领域的技术人员应认识到，可在不脱离本发明的精神和范围下对上述实施方案进行各种修改、变化和组合，并且这些修改、变化和组合应作为在本发明概念的范围内看待。
只作为这些方面中的一个实例，小的手持式条形码读出器可构造成有能力将所给食品项目的读条码(read barcode)送到数据库，并反过来接收关于那种食品项目内容的信息。然后，可通过读出器与这些教授结合利用此信息，以计算那种食品项目的相应相对分数。当此条形码读出器包括例如蜂窝式电话等时，分数可显示在装置的显示器上，以允许最终用户在决定例如是否要购买此食品项目时利用那条信息。通过另一种方法，此条形码读出器可具有完整的标签印刷机。在此情况下，标签可印刷有此分数。然后可将此标签附贴到食品项目上。此方法允许零售店雇员以此方式标记它们的食品项目，尽管这些项目的制造商可能不提供分数。

Claims (21)

1.一种有助于需要选项的选择的方法，所述方法包括：
从知情域代表专家小组产生用于第一组选项的相对分数；
测定第二组选项中各选项的至少两种性质，并用测定的性质来提供用于第二组选项的预测相对分数；
在有形介质中记录所述预测的相对分数，以传递预测的相对分数，从而有助于需要选项的选择。
2.权利要求1的方法，其中所述知情域代表为饮食专家，并且其中记录预测的相对分数包括在食品项目的包装上包括预测的相对分数。
3.权利要求2的方法，其中所述选项为用于饮食的饮食选项，所述饮食选自用于糖尿病、心脏病、血压调节、代谢综合征、体重调节、健康老化、认知和癌症预防的饮食。
4.权利要求3的方法，其中所述测定的性质为在选项中包含的物质的量，所述物质选自碳水化合物、糖、纤维、蛋白质、总脂肪、总脂肪酸、总饱和脂肪酸、反式脂肪酸、钙、钠、铁、维生素、血糖指数、血糖负荷、抗性淀粉、糖醇及其混合物。
5.一种帮助人保持预定饮食的方法，所述方法包括：
确定经一段时间有效保持预定饮食的最小和最大相对分数；
计算许多可能的食品供应选项中每一种的相对分数；
鉴别食品供应选项，此类食品供应选项将提供在所确定的最小和最大相对分数之间的合计的总相对分数；和
用鉴别的食品供应选项建立饮食计划，从而帮助人保持预定饮食。
6.权利要求5的方法，其中所述预定饮食选自用于糖尿病、心脏病、血压调节、代谢综合征、体重调节、健康老化、认知和癌症预防的饮食。
7.权利要求5的方法，其中所述相对分数通过计算原始分数计算，其中所述原始分数用方程16A计算，其中方程16A为
原始分数＝k0+k1×f1(x1)+k2×f2(x2)+k3×f3(x3)+…
其中系数k0，k1，k2，k3...为可以为-50至50的数字常数，函数f1，f2，f3...为选自可增或可减的线性、对数、指数、三角、样条、小波、单调和近单调函数的函数，并且x1，x2，x3...为单独的营养值或相应于食品供应选项的两个或更多个营养值的函数。
8.权利要求7的方法，其中原始分数用选自方程16-22的方程计算。
9.权利要求5的方法，其中所述相对分数通过以下步骤计算：
在食品供应选项之一的每份饮食部分包括具有5克或更少碳水化合物和小于20千卡的食品或非酒精饮料时，分配包括固定值的原始分数；
对于具有3克碳水化合物或更多的食品供应选项之一的每份饮食部分，测定蛋白质、纤维、反式脂肪酸、饱和脂肪酸、总脂肪酸、钠和维生素值，并用方程1A或方程1B或方程1C计算原始分数；
对于具有小于3克碳水化合物的食品供应选项之一的每份饮食部分，测定蛋白质、饱和脂肪酸、总脂肪酸、钙和钠值，并用方程2计算原始分数；
在食品供应选项之一的每份饮食部分包括具有20千卡或更多的非酒精饮料时，测定糖、总脂肪酸、钙和维生素值，并用方程3计算原始分数；和
在食品供应选项之一的每份饮食部分包括酒精饮料时，用方程4确定原始分数。
10.权利要求5的方法，其中原始分数用选自方程5-15的方程计算。
11.一种用相对分数标记食品项目的方法，所述方法包括计算反映食品项目的饮食适合程度的相对分数，并用所述相对分数标记所述食品项目。
12.权利要求11的方法，其中所述相对分数通过计算原始分数计算，其中所述原始分数用方程16A计算，其中方程16A为
原始分数＝k0+k1×f1(x1)+k2×f2(x2)+k3×f3(x3)+…
其中系数k0，k1，k2，k3...为可以为-50至50的数字常数，函数f1，f2，f3...为选自可增或可减的线性、对数、指数、三角、样条、小波、单调和近单调函数的函数，并且x1，x2，x3...为单独的营养值或相应于所述食品项目的两个或更多个营养值的函数。
13.权利要求12的方法，其中原始分数用选自方程16-22的方程计算。
14.一种容器，所述容器包含置于容器内的食用项目部分和置于容器表面上的相对分数，其中所述相对分数通过计算原始分数来计算，其中所述原始分数用方程16A计算，其中方程16A为
原始分数＝k0+k1×f1(x1)+k2×f2(x2)+k3×f3(x3)+…
其中系数k0，k1，k2，k3...为可以为-50至50的数字常数，函数f1，f2，f3...为选自可增或可减的线性、对数、指数、三角、样条、小波、单调和近单调函数的函数，并且x1，x2，x3...为单独的营养值或相应于所述食用项目的食品部分的两个或更多个营养值的函数。
15.权利要求14的容器，其中原始分数用选自方程16-22的方程计算。
16.一种装置，所述装置包括数字存储器，所述数字存储器具有在其中储存的数字计算机指令，在由数字计算机执行，以促进计算反映食品、非酒精饮料和酒精饮料的饮食适合程度的相对分数时，电子计算机指令提供相对分数的计算。
17.权利要求16的装置，其中所述相对分数通过计算原始分数计算，其中所述原始分数用方程16A计算，其中方程16A为
原始分数＝k0+k1×f1(x1)+k2×f2(x2)+k3×f3(x3)+…
其中系数k0，k1，k2，k3...为可以为-50至50的数字常数，函数f1，f2，f3...为选自可增或可减的线性、对数、指数、三角、样条、小波、单调和近单调函数的函数，并且x1，x2，x3...为单独的营养值或相应于所述食品供应选项的两个或更多个营养值的函数。
18.权利要求17的装置，其中原始分数用选自方程16-22的方程计算。
19.一种预测实际原始分数的方法，所述方法包括：
用专家小组进行强迫性选项配对比较，以产生规定组项目的实际原始分数；和
研究方程，以根据测定性质产生预测的原始分数，使得实际和预测的原始分数之间的相关性提供0.5或更大的r2和20或更小的均方根误差值。
20.一种选择适用于预定饮食的食品的方法，所述方法包括：
从专家小组收集一组食品项目的输入；
根据收集的输入计算食品项目中至少一个的相对分数，并将该相对分数分配至食品项目；
确定经所给时间有效保持预定饮食的最小和最大的总相对分数；和
选择食品组合，该食品组合提供在最小和最大的总相对分数内的总相对分数。
21.一种帮助人保持预定饮食的方法，所述方法包括：
确定经一段时间有效保持预定饮食的最小和最大的总相对分数；
测定食品供应选项中至少总脂肪酸、钠和总碳水化合物；
用方程计算许多可能的食品供应选项中每一种的相对分数，所述方程选自方程23、方程24、方程25、方程26、方程27和方程28；
鉴别食品供应选项，此类食品供应选项将提供在所确定最小和最大相对分数范围内的合计的总相对分数；和
在人用饮食中使用鉴别的食品供应选项，从而帮助人保持预定饮食。
CN2009801307207A 2008-05-28 2009-05-28 鉴别饮食选项的方法和装置 Pending CN102113038A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US5653808P 2008-05-28 2008-05-28
US61/056538 2008-05-28
US14253309P 2009-01-05 2009-01-05
US61/142533 2009-01-05
PCT/US2009/045509 WO2009155065A2 (en) 2008-05-28 2009-05-28 Method and apparatus for identifying dietary choices

Publications (1)

Publication Number Publication Date
CN102113038A true CN102113038A (zh) 2011-06-29

Family

ID=41380292

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2009801307207A Pending CN102113038A (zh) 2008-05-28 2009-05-28 鉴别饮食选项的方法和装置

Country Status (16)

Country Link
US (2) US8920175B2 (zh)
EP (1) EP2304709A2 (zh)
JP (1) JP2011522293A (zh)
KR (1) KR20110021966A (zh)
CN (1) CN102113038A (zh)
AR (1) AR075745A1 (zh)
AU (1) AU2009260480A1 (zh)
BR (1) BRPI0912053A2 (zh)
CA (1) CA2728020A1 (zh)
CR (1) CR11844A (zh)
IL (1) IL209587A0 (zh)
MX (1) MX2010012925A (zh)
NZ (1) NZ589854A (zh)
RU (1) RU2010152463A (zh)
WO (1) WO2009155065A2 (zh)
ZA (1) ZA201008490B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108140328A (zh) * 2015-09-09 2018-06-08 菲特利公司 利用食物图像识别来用于营养分析的系统和方法

Families Citing this family (57)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2919095A1 (fr) * 2007-07-19 2009-01-23 Gerard Saulet Procede de structuration de repas equilibres et varies
AR075745A1 (es) 2008-05-28 2011-04-27 Kraft Foods Global Brands Llc Metodo y aparato para identificar opciones deseables, un metodo para ayu-dar a una persona a mantener una dieta predeterminada, un metodo para ro-tular items de alimento con un numero de calificacion relativa, un recipien-te que comprende una porcion de un item comestible dispuesto dentro del recipi
US20100055652A1 (en) * 2008-08-29 2010-03-04 Karen Miller-Kovach Processes and systems based on dietary fiber as energy
US9659320B2 (en) * 2008-09-24 2017-05-23 Jennifer Martucci System and method to enable a customer to select a wine based upon available inventory
JP2013507713A (ja) * 2009-10-13 2013-03-04 ネステク ソシエテ アノニム 食物摂取を評定するシステム及びそのシステムを使用する方法
US20110151414A1 (en) * 2009-12-11 2011-06-23 Indices, Inc. System for Control and Loss of Fat Weight
US20110202359A1 (en) * 2010-02-16 2011-08-18 Rak Stanley C System and method for determining a nutritional value of a food item
JP2011221637A (ja) * 2010-04-06 2011-11-04 Sony Corp 情報処理装置、情報出力方法及びプログラム
US20130004923A1 (en) * 2011-06-10 2013-01-03 Aliphcom Nutrition management method and apparatus for a wellness application using data from a data-capable band
US20120329012A1 (en) * 2011-06-27 2012-12-27 Remund Twila M Labeling System and Method to Improve Food Selection within a Retail Environment
US20130108993A1 (en) * 2011-10-28 2013-05-02 Griffin Hospital Method and system for scoring a diet
US20130157233A1 (en) * 2011-12-12 2013-06-20 Kevin Leville Methods and systems for preparing a customized health condition-specific personal eating plan
US20140324899A1 (en) * 2013-04-24 2014-10-30 Kitchology Inc. Enhanced food information management and presentation on a selective dynamic basis and associated services
WO2014052727A2 (en) 2012-09-28 2014-04-03 Intercontinental Great Brands Llc Method for facilitating menu planning
US20150235562A1 (en) * 2012-10-12 2015-08-20 Elencee, Inc. Wellness and weight management system and method
US8777624B2 (en) * 2012-10-12 2014-07-15 Elencee, Inc. Wellness and weight management system and method
JP2014089564A (ja) * 2012-10-30 2014-05-15 Sony Corp 情報処理装置および情報処理方法
US20150118659A1 (en) * 2013-10-31 2015-04-30 Cal Pro Method LLC Systems and methods for evaluating food products in a health-management context
JP2015102937A (ja) * 2013-11-22 2015-06-04 日本電信電話株式会社 食事療法支援装置及び食事療法支援方法
US20150356886A1 (en) * 2014-06-09 2015-12-10 Electronics And Telecommunications Research Nstitute Customized apparatus and method for managing an amount of meal or workout
WO2016007793A1 (en) 2014-07-09 2016-01-14 Cedars-Sinai Medical Center Methods and kits for identifying food sensitivities and intolerances
CN107076735A (zh) * 2014-07-18 2017-08-18 杰诺瓦诊断公司 基于证据的转换算法特别用于评估生物标志物的用途
US20190027068A1 (en) * 2016-02-17 2019-01-24 Vireo Health LLC System and methods for communicating the content of cannabis products
US20180068584A1 (en) * 2016-09-07 2018-03-08 Charles Tuan Nguyen Method of Weight Control by Monitoring and Controlling Insulin Level
US10460520B2 (en) 2017-01-13 2019-10-29 Simpsx Technologies Llc Computer ball device for mixed reality, virtual reality, or augmented reality
US20190272589A1 (en) 2016-09-15 2019-09-05 Erik M. Simpson Securitization of transportation units
US11138827B2 (en) 2016-09-15 2021-10-05 Simpsx Technologies Llc Implementations of a computerized business transaction exchange for various users
US11880883B2 (en) 2016-09-15 2024-01-23 Circlesx Llc Systems and methods for geolocation portfolio exchanges
US11035682B2 (en) 2016-09-15 2021-06-15 Simpsx Technologies Llc Navigation routes as community object virtual hub sequences to which users may subscribe
US20190228351A1 (en) 2018-01-23 2019-07-25 Erik M. Simpson Electronic forward market exchange for transportation seats and capacity in transportation spaces and vehicles
US11138661B2 (en) 2016-09-15 2021-10-05 Simpsx Technologies Llc Agriculture community objects with price-time priority queues for transformed agriculture units
US11740777B2 (en) 2016-09-15 2023-08-29 Circlesx Llc Multi-dimension information service helmet method and system
US11810023B2 (en) 2018-10-22 2023-11-07 Circlesx Llc System and method for a transportation or freight capacity exchange for one or more transportation or freight capacity units
US11823090B2 (en) 2016-09-15 2023-11-21 Circlesx Llc Transportation and freight and parking and tolling and curb capacity unit IPO method and system
US11157852B2 (en) 2016-09-15 2021-10-26 Simpsx Technologies Llc Tool appliance community objects with price-time priority queues for transformed tool appliance units
US11861527B2 (en) 2018-11-07 2024-01-02 Circlesx Llc Financial swap payment structure method and system on transportation capacity unit assets
US11215466B2 (en) 2016-09-15 2022-01-04 Circlesx Llc Route community objects with price-time priority queues for transformed transportation units
US11790382B2 (en) 2016-09-15 2023-10-17 Circlesx Llc Method to transmit geolocation exchange based markets
US12001999B2 (en) 2016-09-15 2024-06-04 Circlesx Llc Price based navigation
US10585900B2 (en) 2017-11-01 2020-03-10 International Business Machines Corporation System and method to select substitute ingredients in a food recipe
US11250942B1 (en) * 2017-12-27 2022-02-15 Invoy Holdings Inc. Health monitoring and coaching system
US10942932B2 (en) 2018-01-22 2021-03-09 Everything Food, Inc. System and method for grading and scoring food
WO2019147818A1 (en) * 2018-01-24 2019-08-01 The Engineered Non-Diet, Llc System, method, process and apparatus for assisting in formulating and attaining healty weight management goals
US20210125701A1 (en) * 2018-01-24 2021-04-29 One Number, LLC System, Method, Process and Apparatus for Assisting in Formulating and Attaining Healthy Weight Management Goals
US10599109B2 (en) 2018-03-20 2020-03-24 International Business Machines Corporation Optimizing appliance based on preparation time
US11226319B1 (en) * 2018-10-04 2022-01-18 Aimée Sunseri Method for assessing ability to distinguish consumables
WO2020163700A1 (en) * 2019-02-07 2020-08-13 Gian Corporation System and method of managing grocery cart based on health information
US10983674B1 (en) * 2020-05-28 2021-04-20 Kpn Innovations, Llc Methods and systems for providing alimentary combinations in a packet-based graphical user interface generated using distance metrics
US10861076B1 (en) 2020-05-29 2020-12-08 Kpn Innovations, Llc Methods, systems, and devices for generating a refreshment instruction set based on individual preferences
US11651413B2 (en) 2020-06-02 2023-05-16 Kpn Innovations, Llc. Methods and systems for connecting food interests with food providers
US11823785B2 (en) 2020-07-02 2023-11-21 Kpn Innovations, Llc. Methods and systems for calculating nutritional requirements in a display interface
US11688506B2 (en) 2020-08-03 2023-06-27 Kpn Innovations, Llc. Methods and systems for calculating an edible score in a display interface
US11687813B2 (en) 2020-08-24 2023-06-27 Kpn Innovations, Llc. Systems and methods for ranking alimentary combinations using machine-learning
US11437147B2 (en) 2020-08-31 2022-09-06 Kpn Innovations, Llc. Method and systems for simulating a vitality metric
JP7017174B2 (ja) * 2020-10-12 2022-02-08 花王株式会社 食事に対する内臓脂肪のつきにくさの評価方法
US11688507B2 (en) * 2020-12-29 2023-06-27 Kpn Innovations, Llc. Systems and methods for generating a metabolic dysfunction nourishment program
EP4033494A1 (en) * 2021-01-21 2022-07-27 Koninklijke Philips N.V. Processing of recipe information

Family Cites Families (144)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US424020A (en) * 1890-03-25 Fender for feed-troughs
US3572585A (en) * 1968-10-01 1971-03-30 Upjohn Co Weight reduction calculator
US4151668A (en) * 1975-10-30 1979-05-01 Hungerford Daniel C Individual well-balanced meal planning device
US4048477A (en) * 1975-12-19 1977-09-13 Daniel Comstock Hungerford Weight control calculator
US4095274A (en) * 1977-04-27 1978-06-13 Carl Gordon Apparatus for determining food content
US4310316A (en) * 1977-12-01 1982-01-12 Thomann Patricia L Diet control apparatus
US4244020A (en) 1979-01-15 1981-01-06 Ratcliff Lloyd P Caloric and/or carbohydrate calculator
CA1106500A (en) * 1979-06-20 1981-08-04 Lester Krames Nutritional value accumulating and display device
JPS576963A (en) 1980-06-17 1982-01-13 Mitsubishi Electric Corp Calorie calculator
GB2130769A (en) 1982-11-12 1984-06-06 Roberts M L Dietary apparatus
JPS60150170A (ja) 1984-01-13 1985-08-07 Matsushita Electric Works Ltd 栄養摂取量計
US4828498A (en) * 1985-01-29 1989-05-09 Catherine Tilney Food exchanges kit, and methods of constructing and utilizing same
US4689019A (en) * 1985-01-29 1987-08-25 Catherine Tilney Food exchanges kit, and methods of constructing and utilizing same
WO1986007447A1 (en) 1985-06-07 1986-12-18 Sentron Limited Dietetic measurement apparatus
US4891576A (en) * 1988-08-22 1990-01-02 The United States Of America As Represented By The Secretary Of The Interior Ground-based transmission line conductor motion sensor
US5841115A (en) 1989-09-27 1998-11-24 Shepley; Kenneth James Nutritional information system for shoppers
US5478989A (en) * 1989-09-27 1995-12-26 Shepley; Kenneth J. Nutritional information system for shoppers
US6024281A (en) * 1989-09-27 2000-02-15 Shepley; Kenneth James Nutritional information system for shoppers
DE3933732A1 (de) 1989-10-09 1991-04-18 Heinrich Schmitz Verfahren zur ermittlung von art, menge und zeitlicher verteilung der optimalen nahrungsmittelaufnahme von diabetikern
US4976622A (en) 1989-10-17 1990-12-11 Clark Rita M Diabetic diet plan aid and method
US4950164A (en) 1989-11-17 1990-08-21 Kraft General Foods, Inc. Diet planning and control system and method
US5178416A (en) 1990-11-26 1993-01-12 Wennik Roberta S Apparatus for monitoring and modifying the intake of nutrients
WO1992012490A1 (en) * 1991-01-11 1992-07-23 Health Innovations, Inc. Method and apparatus to control diet and weight using human behavior modification techniques
US5412560A (en) 1991-08-27 1995-05-02 Dine Systems, Inc. Method for evaluating and analyzing food choices
JPH0675976A (ja) 1992-08-26 1994-03-18 Olympus Optical Co Ltd 料理入力装置
AU1766201A (en) * 1992-11-17 2001-05-30 Health Hero Network, Inc. Method and system for improving adherence with a diet program or other medical regimen
US5412564A (en) 1994-02-03 1995-05-02 Ecer; Gunes M. System and method for diet control
US5704350A (en) 1994-03-25 1998-01-06 Nutritec Corporation Nutritional microcomputer and method
US5558742A (en) * 1994-04-28 1996-09-24 Kiefer; Helen C. Process for analyzing nutritional content of a composition of food to produce a calculated printed representation
US5691927A (en) 1994-08-26 1997-11-25 Gump; Carolyn Nutritional aid and method of operating the same
CA2222176A1 (en) 1995-06-06 1996-12-12 Campbell Soup Company Compliance support package for increasing health management system compliance
US5639471A (en) 1995-06-06 1997-06-17 Campbell Soup Company Method for determining diet program effectiveness
US5640774A (en) 1995-06-26 1997-06-24 Goldman; Millicent F. Diet aid device and method
US5726899A (en) * 1995-08-10 1998-03-10 Karen Ferguson Method of indicating fat content of a food product
CA2235517A1 (en) * 1995-11-01 1997-05-09 Weight Watchers (Uk) Limited Slimmer's calculator
US6436036B1 (en) * 1995-11-01 2002-08-20 Weight Watchers (Uk) Limited Process for controlling body weight
US5836312A (en) 1996-01-02 1998-11-17 Moore; Steven Jerome Computer-assisted system and method for adjudging the effect of consumable intakes on physiological parameters
JPH09231472A (ja) 1996-02-20 1997-09-05 Dainippon Printing Co Ltd 栄養バランス情報提供システム
US5890128A (en) 1996-03-04 1999-03-30 Diaz; H. Benjamin Personalized hand held calorie computer (ECC)
US5819735A (en) 1996-08-15 1998-10-13 Mansfield; Elizabeth A. Device and method for monitoring dietary intake of calories and nutrients
WO1998045766A1 (en) 1997-04-08 1998-10-15 A.C.A. International, Llc A food group nutritional value calculator device and method
US6623040B1 (en) * 1997-09-03 2003-09-23 Recot, Inc. Method for determining forced choice consumer preferences by hedonic testing
US6556963B1 (en) * 1997-09-24 2003-04-29 International Business Machines Corporation User state sensitive system and method for nutrient analysis using natural language interface
JP2000098898A (ja) 1998-09-28 2000-04-07 Seiko Epson Corp 食品ラベル及びこれを用いた管理システム
US20020128992A1 (en) 1998-12-14 2002-09-12 Oliver Alabaster Computerized visual behavior analysis and training method
US20010000810A1 (en) 1998-12-14 2001-05-03 Oliver Alabaster Computerized visual behavior analysis and training method
US6246998B1 (en) 1999-02-25 2001-06-12 Fujitsu Limited System and method for home grocery shopping including item categorization for efficient delivery and pick-up
KR100280782B1 (ko) * 1999-07-28 2001-01-15 이세원 음식물의 신규한 포장방법 및 그 포장용기
US6083006A (en) 1999-10-18 2000-07-04 Coffman; Regina Personalized nutrition planning
JP2001160044A (ja) 1999-12-02 2001-06-12 Nippon Syst Akad:Kk 食生活支援システム
US6336136B1 (en) 1999-12-24 2002-01-01 Scott C. Harris Internet weight reduction system
JP2001216133A (ja) * 2000-01-31 2001-08-10 Tanita Corp 音声認識カロリー管理装置
EP1209609A4 (en) 2000-03-15 2002-08-07 Matsushita Electric Works Ltd FOOD ADVICE SYSTEM FOR DIET-TIED PERSON
US20020015723A1 (en) * 2000-04-13 2002-02-07 Koenig Donna L. Diabetic diet management system
DE10023141A1 (de) 2000-05-12 2001-11-15 Joerg Tomczak Verfahren zur Durchführung einer Ernährungsanalyse
US20030226695A1 (en) 2000-05-25 2003-12-11 Mault James R. Weight control method using physical activity based parameters
US20060122474A1 (en) * 2000-06-16 2006-06-08 Bodymedia, Inc. Apparatus for monitoring health, wellness and fitness
US7689437B1 (en) * 2000-06-16 2010-03-30 Bodymedia, Inc. System for monitoring health, wellness and fitness
JP2002032487A (ja) 2000-07-18 2002-01-31 Masahiro Seki ダイエット支援システム
AU2001288902A1 (en) 2000-09-07 2002-03-22 Healthetech, Inc. Portable computing apparatus particularly useful in a weight management program
DE60136091D1 (de) * 2000-10-13 2008-11-20 E Z Em Inc Ernährungssystem, formulierung, set und methode zur verwendung bei der vorbereitung einer person für eine bestimmte tätigkeit
JP2002183311A (ja) * 2000-12-19 2002-06-28 Nec Infrontia Corp 食事情報提供システムとその食事情報提供サービス方法
JP2002222263A (ja) 2001-01-24 2002-08-09 Iscg Kk 健康の自己管理用携帯端末、及び健康の自己管理支援システム
US6635015B2 (en) * 2001-04-20 2003-10-21 The Procter & Gamble Company Body weight management system
US20030208409A1 (en) 2001-04-30 2003-11-06 Mault James R. Method and apparatus for diet control
US6817863B2 (en) * 2001-06-11 2004-11-16 Joseph J. Bisogno Computer program, method, and system for monitoring nutrition content of consumables and for facilitating menu planning
AUPR651501A0 (en) 2001-07-20 2001-08-16 Chait, Daryl Diet monitoring apparatus and system
US6872077B2 (en) * 2001-09-06 2005-03-29 John J. Yeager System and method for generating personalized meal plans
US7076438B1 (en) * 2001-09-14 2006-07-11 General Mills, Inc. Systems and methods for determining nutrients within dietary intake
US20040078218A1 (en) 2002-10-16 2004-04-22 Ellen Badinelli System and apparatus for a consumer to determine food/medicine interactions on a real-time basis
US6588670B2 (en) * 2001-10-30 2003-07-08 Symbol Technologies, Inc. Medical diagnostic monitoring
US6585516B1 (en) * 2002-01-09 2003-07-01 Oliver Alabaster Method and system for computerized visual behavior analysis, training, and planning
EP1480553B1 (en) 2002-02-01 2016-12-28 Weightwatchers.Com Software and hardware system for enabling weight control
US20030159857A1 (en) 2002-02-25 2003-08-28 Bor-Shing Lin Electronic scale with body fat and food nutrition/calorie measuring device
JP2003267443A (ja) 2002-03-14 2003-09-25 Otomi Tsusho:Kk カロリーが点数表示された飲食物又表示物
US20060085272A1 (en) * 2002-05-07 2006-04-20 Case James A System and method for facilitating determination and evaluation of and placing orders for nutritional blend formulations
US20050226970A1 (en) * 2002-05-21 2005-10-13 Centrition Ltd. Personal nutrition control method and measuring devices
US20030219513A1 (en) * 2002-05-21 2003-11-27 Roni Gordon Personal nutrition control method
US7090638B2 (en) * 2002-06-03 2006-08-15 Edward Vidgen System and method for optimized dietary menu planning
US20030236696A1 (en) * 2002-06-20 2003-12-25 Unilever Home & Personal Care Usa, Division Of Conopco, Inc. Method and system for visual comparison and/or evaluation
US20040045202A1 (en) 2002-09-09 2004-03-11 Arrendale Thomas A. Package labeling for a nutritionally enhanced composite food product
US6796507B2 (en) * 2002-09-27 2004-09-28 Hewlett-Packard Development Company, L.P. Apparatus and method for determining ingredients by label scanning
US20040138949A1 (en) 2002-12-06 2004-07-15 Darnton James E. Sponsored appliances
GB0229467D0 (en) * 2002-12-18 2003-01-22 Weight Watchers Uk Ltd Food displaying nutritional information
US20040138820A1 (en) 2003-01-10 2004-07-15 Morris Deborah A. Method to control body weight
US20050113649A1 (en) 2003-07-28 2005-05-26 Bergantino Paul V. Method and apparatus for managing a user's health
JP2005092261A (ja) * 2003-09-11 2005-04-07 Tokatsu Foods Co Ltd 調理済み食品の販売方法
JP2005141502A (ja) * 2003-11-06 2005-06-02 Saito Kazue 食品情報管理システム
US7348500B2 (en) * 2003-11-07 2008-03-25 Shenzhen Baihua Electronics Co. Ltd. Diabetes mellitus nutritional balance for monitoring the food and nutritional intake
US20050156032A1 (en) 2004-01-20 2005-07-21 Milstein Mitch N. Aids in the purchase and sale of packaged foods
JP2005222191A (ja) * 2004-02-04 2005-08-18 Fujitsu Ltd メニューオーダ選択支援システム、データセンタおよび店舗システム
US20050184148A1 (en) 2004-02-24 2005-08-25 Jack Perlman Scale having nutritional information readouts
IL160578A (en) * 2004-02-25 2013-11-28 Newvaltech Knowledge Services And Invest Ltd Remote training service and server
US20050240434A1 (en) 2004-04-26 2005-10-27 Healthport Corp. System and method of implementing multi-level marketing of weight management products
US20050247213A1 (en) * 2004-05-04 2005-11-10 Slilaty George E Method of identifying particular attributes of food products consistent with consumer needs and/or desires
US20060263750A1 (en) * 2004-06-01 2006-11-23 Roni Gordon Personal nutrition control devices
US20050276840A1 (en) 2004-06-15 2005-12-15 Scott Mann Enterprises Method and system for weight management
US20060018998A1 (en) * 2004-07-21 2006-01-26 Green Nancy R Methods of providing consumers with a recognizable nutritional identifier
US20060035200A1 (en) 2004-08-16 2006-02-16 Ms. Dorinda Pittman NutriMeter
US20060074279A1 (en) * 2004-09-29 2006-04-06 Evgeny Brover Interactive dieting and exercise system
JP2006134114A (ja) 2004-11-05 2006-05-25 Xing Inc 摂取カロリー管理方法、カロリー情報処理システム、カロリー情報処理装置及びコンピュータプログラム
US20060165756A1 (en) * 2005-01-27 2006-07-27 Catani Steven J Method for weight management
US20060199155A1 (en) * 2005-03-01 2006-09-07 Mosher Michele L System and method for automated dietary planning
JP4893907B2 (ja) 2005-03-11 2012-03-07 公立大学法人島根県立大学 １型糖尿病用献立判定装置および１型糖尿病用献立判定プログラム
WO2006104534A2 (en) * 2005-03-25 2006-10-05 The Motley Fool, Inc. Scoring items based on user sentiment and determining the proficiency of predictors
US20060229504A1 (en) * 2005-04-08 2006-10-12 Johnson Marvin R Jr Methods and sytems for lifestyle management
US20070012324A1 (en) * 2005-07-18 2007-01-18 Ratna Nirkondar Handheld Dedicated Device for Diabetes Management
US20070059672A1 (en) * 2005-09-12 2007-03-15 Matthew Shaw Nutrition tracking systems and methods
WO2007031895A1 (en) * 2005-09-15 2007-03-22 Koninklijke Philips Electronics N.V. Weight management system with simple data input
JP2007133525A (ja) 2005-10-11 2007-05-31 Hitachi Ltd 食事指導支援システム
US7620531B1 (en) * 2005-12-12 2009-11-17 Condenet, Inc. Method for determining and representing food products based on nutrient density rating and predicted satiating effect
US9144381B2 (en) * 2005-12-30 2015-09-29 LifeWIRE Corporation Mobile self-management compliance and notification method, system and computer program product
WO2007081967A2 (en) * 2006-01-10 2007-07-19 Buzz Holdings, Inc. Healthy city living guide and related functionality for managing health
US20070218107A1 (en) * 2006-03-14 2007-09-20 Schnur Steven A Method of dieting and tools for implementing same
JP2007286985A (ja) 2006-04-18 2007-11-01 Takahito Matsumura 飲食物の摂取量を算出する携帯端末装置、サーバ及びシステム
US20070269557A1 (en) * 2006-05-19 2007-11-22 Hannaford Licensing Corp. Method and system for assessing, scoring, grouping and presenting nutritional value information of food products
RU2472427C2 (ru) * 2006-07-19 2013-01-20 Кросс Текнолоджи Солюшнз Аб Мобильное устройство, способ и система для обработки факторов, влияющих на уровень сахара в крови
US20080033827A1 (en) * 2006-08-02 2008-02-07 Shaobo Kuang Nutrition / diet control system
US7788113B2 (en) * 2006-09-29 2010-08-31 Nutritional Excellence, Llc Methods for developing and conducting a nutritional treatment program
WO2008045739A1 (en) * 2006-10-03 2008-04-17 Myers Michael D Meal replacement compositions and weight control method
US7837111B2 (en) * 2006-10-10 2010-11-23 Henry Yang Electronic nutrition journal
NZ550989A (en) 2006-11-01 2009-04-30 Feijter Jacobus Aarnout De Nutrition information service
CA2678109C (en) * 2007-01-15 2020-05-26 Deka Products Limited Partnership Device and method for food management
EP1947583A1 (en) 2007-01-17 2008-07-23 Giuliano Da Villa Device for controlling the caloric contents of alimentary diets
JP2009003848A (ja) 2007-06-25 2009-01-08 Nec Corp 摂取カロリー管理システム、方法およびプログラム
US8326646B2 (en) * 2007-09-18 2012-12-04 Humana Innovations Enterprises, Inc. Method and system for suggesting meals based on tastes and preferences of individual users
US20090191514A1 (en) * 2008-01-25 2009-07-30 Judy Barnow Calorie Counter
AR075745A1 (es) 2008-05-28 2011-04-27 Kraft Foods Global Brands Llc Metodo y aparato para identificar opciones deseables, un metodo para ayu-dar a una persona a mantener una dieta predeterminada, un metodo para ro-tular items de alimento con un numero de calificacion relativa, un recipien-te que comprende una porcion de un item comestible dispuesto dentro del recipi
US20100003647A1 (en) * 2008-07-04 2010-01-07 Wendell Brown System and Method for Automated Meal Recommendations
US20100010318A1 (en) * 2008-07-11 2010-01-14 Siemens Enterprise Communications Gmbh & Co. Kg Identifying Products Containing a Food Item That Cause a Food Sensitivity
US20100055652A1 (en) * 2008-08-29 2010-03-04 Karen Miller-Kovach Processes and systems based on dietary fiber as energy
US20100136508A1 (en) * 2008-10-23 2010-06-03 Damir Zekhtser Meal Plan Management
WO2010096787A2 (en) * 2009-02-20 2010-08-26 The Johnsie and Aubary Montgomery Institute of Education and Medical Research (JAM Institute) Nutritional food level system
GB0909193D0 (en) 2009-05-29 2009-07-15 Comparing Food Ltd Food selection
US20110151414A1 (en) * 2009-12-11 2011-06-23 Indices, Inc. System for Control and Loss of Fat Weight
US20110264665A1 (en) * 2010-04-26 2011-10-27 Microsoft Corporation Information retrieval system with customization
TWI604391B (zh) * 2010-12-30 2017-11-01 萬國商業機器公司 自動化的飲食規劃方法與行動裝置
TW201228632A (en) * 2011-01-07 2012-07-16 Access Business Group Int Llc Health monitoring system
US20120219931A1 (en) * 2011-02-28 2012-08-30 Pinnisi Michael D System, method, and program product for modifying eating behavior
US20120270187A1 (en) * 2011-04-25 2012-10-25 Gourmetrics Food container behavior modification system and method
IL219858A0 (en) * 2011-05-18 2012-07-31 Makemyplate Ltd Computerized system and method for monitoring food consumption
US20130004923A1 (en) * 2011-06-10 2013-01-03 Aliphcom Nutrition management method and apparatus for a wellness application using data from a data-capable band
US20130108993A1 (en) * 2011-10-28 2013-05-02 Griffin Hospital Method and system for scoring a diet
US20130105565A1 (en) * 2011-10-29 2013-05-02 Richard Alan Kamprath Nutritional Information System

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108140328A (zh) * 2015-09-09 2018-06-08 菲特利公司 利用食物图像识别来用于营养分析的系统和方法

Also Published As

Publication number Publication date
WO2009155065A2 (en) 2009-12-23
KR20110021966A (ko) 2011-03-04
MX2010012925A (es) 2011-02-24
ZA201008490B (en) 2011-08-31
WO2009155065A9 (en) 2010-05-06
BRPI0912053A2 (pt) 2016-04-26
CR11844A (es) 2011-05-04
RU2010152463A (ru) 2012-07-10
IL209587A0 (en) 2011-01-31
US20150099246A1 (en) 2015-04-09
AU2009260480A1 (en) 2009-12-23
CA2728020A1 (en) 2009-12-23
AR075745A1 (es) 2011-04-27
EP2304709A2 (en) 2011-04-06
NZ589854A (en) 2013-11-29
US8920175B2 (en) 2014-12-30
US20090298021A1 (en) 2009-12-03
JP2011522293A (ja) 2011-07-28

Similar Documents

Publication Publication Date Title
CN102113038A (zh) 鉴别饮食选项的方法和装置
Bucher et al. What is healthy food? Objective nutrient profile scores and subjective lay evaluations in comparison
Reedy et al. Evaluating the food environment: application of the Healthy Eating Index-2005
Cox et al. A Food Variety Index for Toddlers (VIT): development and application
Arsenault et al. A novel approach to selecting and weighting nutrients for nutrient profiling of foods and diets
Aparicio-Ugarriza et al. Relative validation of the adapted Mediterranean Diet Score for Adolescents by comparison with nutritional biomarkers and nutrient and food intakes: The Healthy Lifestyle in Europe by Nutrition in Adolescence (HELENA) study
da Rocha et al. Adherence to Mediterranean diet is inversely associated with the consumption of ultra-processed foods among Spanish children: The SENDO project
US20090286212A1 (en) Personal nutrition control method and measuring devices
De Vlieger et al. What is a nutritious snack? Level of processing and macronutrient content influences young adults' perceptions
Freedman et al. Canned vegetable and fruit consumption is associated with changes in nutrient intake and higher diet quality in children and adults: National Health and Nutrition Examination Survey 2001-2010
Embling et al. ‘Edible seaweeds’ as an alternative to animal-based proteins in the UK: Identifying product beliefs and consumer traits as drivers of consumer acceptability for macroalgae
AU2023203236A1 (en) Systems and methods for quantifying calorie values for a plurality of different caloric food categories
Tepper et al. Assessing the importance of health and nutrition related factors on food demand: a variable preference investigation
CN114360688A (zh) 可识别及评价预包装食品健康程度的食品入库方法及系统
JPS6073459A (ja) 栄養診断法およびその装置
US20220406438A1 (en) Systems and methods for nutrient scoring according to labelled nutrients on a food or beverage product
Temple et al. COMMENTARY: AProposed NEW FOOD GUIDE: WHY PYRAMIDS SHOULD STOP AT TRAFFIC LIGHTS
Holden Food sampling strategies for energy intake estimates
US20210125701A1 (en) System, Method, Process and Apparatus for Assisting in Formulating and Attaining Healthy Weight Management Goals
Gava et al. Factors in bread choice
Cunningham Sampling of foods for nutrient composition studies
Drewnowski Nutrient density and health: How to develop global nutrient density metrics
BE1019035A3 (nl) Methode en inrichting voor het controleren van de energiebalans.
National Research Council Dietary Intake and Nutritional Status: Trends and Assessment
WO2024037702A2 (en) A quantization system and device to determine the health benefits of food, dietary items and different products

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C53 Correction of patent of invention or patent application
CB02 Change of applicant information

Address after: new jersey

Applicant after: Intercontinental Great Brands LLC

Address before: Illinois State

Applicant before: Kraft Foods Global Brands LLC

C12 Rejection of a patent application after its publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20110629