CN103370703A - 监控、分析并优化营养的生理状态的方法和设备 - Google Patents

Abstract

用于监控个人的营养的生理状态并自适应地分析该输入数据以预期个人的营养需要的方法和设备。可以使用饱腹感计量器来分析用户的配置文件，包括营养状态，确定用户应该何时消耗以及消耗多少，以防止饥饿的发生并传递到判断引擎。判断引擎可以基于用户的营养计划和/或食物疗法来生成消息，并通过客户端设备将消息传递到用户，以在饥饿发生之前规定个人的营养的预防性的摄取。

Description

监控、分析并优化营养的生理状态的方法和设备

对相关申请的交叉引用

本申请要求2010年3月8日提交的的美国临时专利申请序列号No.61/311,614以及2011年3月8日提交的美国专利申请No.13/042,694的优先权，其内容以引用的方式并入本文中。

技术领域

本发明一般涉及饮食、食欲以及营养。更具体而言，本发明涉及对个人的营养的生理和精神状态以及食欲的监控和分析，以及向用户提供反馈以实现所希望的目标。

背景技术

在美国，大约66%的成年人口（≥20岁）被分类为超重或肥胖，许多健康问题和慢性疾病部分地或者完全地可归因于这两个因素。参见Ogden,C.L.,Carroll,M.D.,Curtin,L.R.,McDowell,M.A.,Tabak,C.J.,Flegal,K.M.的Prevalence of overweight and obesity inthe United States,1999-2004.JAMA.2006年4月5日;295(13):1549-55。例如，肥胖症与许多种类型的心血管疾病（CVD）有牵连，心血管疾病在美国代表了死亡率的主要原因（在2004年871517人死亡）。Rosamond等人的American Heart Association StatisticsCommittee and Stroke Statistics Subcommittee;Heart disease andstroke statistics-2007 update:a report from the American HeartAssociation Statistics Committee and Stroke Statistics Subcommittee.Circulation，2007年2月6日;115(5):e69-171。另外，研究表明，肥胖症还与所有癌症病例中的多达三分之一有牵连，癌症在美国是死亡率的第二主要原因（美国癌症学会）。Wolk,A.,Gridley,G.,Svensson,M.,Nyren,O.,McLaughlin,J.K.,Fraumeni,J.F.,Adam,H.O.Aprospective study of obesity and cancer risk(瑞典)。Cancer CausesControl.2001年1月;12(l):13-21。此外，肥胖症还与诸如高血压和2型糖尿病之类的许多慢性疾病有牵连。Burton,B.T.,Foster,W.R.,Hirsch,J.,Van Itallie,T.B.Health implications of obesity:an NIHConsensus Development Conference.Int J Obes.1985;9(3):155-70。肥胖症相关的疾病对世界医疗卫生系统具有严重的经济影响：在2004年，估计仅CVD就花费美国的健康管理系统$431.8亿。Rosamond等人,2007年。

由于这些疾病状态中的大部分都与肥胖症有因果关系，因此，可以通过简单地改变受影响的个人的饮食、营养和食欲来减轻或者防止它们。通过饮食食物疗法来减肥的概念已为大家所熟知。体重管理的现有技术系统可以广泛地分成多种类型。

一种类型基本上告诉一个个人吃什么。例如，美国专利No.5,683,251提供了教导儿童各种食品组以便他们可以了解合适的营养的方法。在美国专利No.6,336,136中呈现了为成人设计的方法，该专利提供了一种基于可以由用户输入的各种数据来为个人确定减肥计划（即，选择适当的膳食）的计算机程序。

另一种类型包括给个人提供特定食品供他吃的预先包装的食品的系统，例如，如在美国专利No.6,102,706、美国专利No.5,994,295，以及美国出版物No.20050118233中所提及的。

另一种类型帮助个人保持以前确立的饮食计划。例如，美国出版物No.20070208593提供了一种基于计算机的系统，该系统接受有关当前饮食习惯的用户输入并提供有关用户的朝着所定义的减肥目标的进展的反馈和鼓励。类似地，美国出版物No.20060058586提供了一种基于计算机的程序，该程序在某时间段内监控个人的饮食，然后，建议符合个人的目标的替换的饮食消耗。美国出版物No.20070135266提供一种基于计算机的系统，该系统接受有关当前饮食习惯和/或锻炼级别的用户输入并提供有关要吃什么食品而而不吃什么食品的反馈和鼓励。此外，CA专利No.514,822讲述了一种基于食品组列表的图表来监控热量摄取并帮助用户遵循确立的饮食计划的设备。

美国出版物No.20050096637（下面简称为′637出版物）引用了测量随着食物摄入变化而变化的生理参数（例如，核心体温、葡萄糖、经腹部阻抗、胃肠道的电活动，以及身体运动）的多种不同的医疗器械/传感器。′637出版物公开了包括下列各项的系统：

“感应随着病人消耗的食品量而变化的病人的生理参数的传感器；根据感应到的生理参数来估计病人消耗的食品量并根据估计值来产生控制药物分发系统的控制信号的处理器；以及，被配置成响应于控制信号来向病人的身体输送药物的药物分发系统。”

′637出版物描述了通过输送适当的药物对食物消耗的变化作出响应的反应系统。在解决与饮食/减肥食物疗法相关的营养状态的系统中没有配置′637出版物的传感器。此外，′637出版物的系统也没有以任何方式解决其他营养或食欲相关的目标。

美国专利No.5,673,691（下面简称为′691专利）公开了供单个用户使用的手持式微型计算机体重控制设备。′691中的设备接受身体特征和要达到的目标的用户输入。′691专利中的设备监控用户的身体特征、锻炼，以及热量摄取，并提供关于用户的进展的反馈，并可以响应于用户的对目标的遵守，调整用户的计划，诸如通过降低或提高向用户建议的热量摄取。′691专利还将诸如刺激控制、提升、塑形、目标设置之类的行为修正过程，以及反馈包括到被设计用于改变用户的营养和锻炼习惯的减肥计划中。设备生成可视和音频提示以表示吃、喝水和锻炼的时间，规定吃什么以及什么量，以及锻炼的持续时间。′691专利的计划的影响是，通过遵循设备的提示，用户培养了在一致的时间吃饭、每周锻炼三次、每天称重，以及在全天每隔一定的时间间隔喝水的结构化的惯例。

′691专利公开了提示用户在特定时间吃饭、喝水和锻炼以使用户能培养结构化并且一致的惯例的单个用户设备。′691专利没有公开监控个人的营养的生理状态并自适应地分析该数据以预期个人的营养需要并在饥饿发生之前提示个人吃饭和/或喝水。′691专利没有使用生理的或行为的和态度的数据，而是使用诸如年龄、身高，以及体重之类的身体数据来监控用户。′691专利涉及单个用户设备，因此，没有使用可以被修改并包括到用户体验中的第三方数据。

一般而言，现有技术系统和/或方法基于一般规则（即，总热量摄入或百分比碳水化合物摄取），并且不考虑个人生理变化，也不考虑涉及个人的并发的生理要求、行为的和/或态度的因素。它们不实时地监控个人吃什么。它们只基于一般静态信息和参数来向个人提供有限的指导性的反馈。它们不考虑成功或基于来自个人或类似的个人的信息基于某时间段的规则的成功来修改规则。此外，并且非常严重地，它们没有先发制人地规定针对个人的生理和需求而作为对吃得过多的预防来定制的营养度量或指令，这又会使健康/营养行为变差。

发明内容

本发明的各实施例提供了用于监控个人的营养的生理状态和态度状态并自适应地分析数据输入以预期个人的营养和心理需求的方法和设备。现有的饮食/减肥技术所存在的中心问题是，人们由于饥饿原因开始吃饭，但是一旦满足了他们的营养需要，他们不一定停止。对饥饿的控制涉及上消化道（胃和小肠）和大脑的各区域（例如，大脑的下丘脑区域）之间的复杂的反馈循环。在此系统中有固有的时间滞后，如此，在上消化道的信令分子能够将“饱了”的感觉中继到大脑并使大脑相应地调节行为即停止吃之前个人有可能吃得比需要的要多。类似地，在启动“正常的”饥饿感之前个人的营养状态可能会变得太低，打开了比较大的营养缺乏（“我饿死了！”）和对于该缺乏的过度补偿（例如，导致贪吃）的可能性。最后，只有一种形式的营养的缺乏（例如，简单碳水化合物）可能会引起对许多类别的过食。本发明的各实施例试图通过在生理级别监控个人的营养的状态和食欲、预期缺乏，并在饥饿发生之前规定个人的营养的预防性的摄取来解决这些问题。关于这一点，本发明的各实施例是前瞻性的，而并非反应性的。本发明对营养生理的变化或被估计为生理的计算出的回归作出响应，领先于扩大的并且有问题的响应。

本发明的说明性实施例提供用于接受和分析来自用户的关于各种饥饿标志以及相关的心理状态的生理输入的监测方法和设备。本发明的说明性实施例确立个人的生理的、行为的和态度的基准。一旦创建，该基准可以被用来确立自适应反馈循环，该反馈循环可以被用来通过将用户的当前生理饥饿标志和态度与用户的已确立的基准进行比较，并规定适当的行动，来监控和调节用户的营养摄取。反馈循环的自适应本质可使监测方法和设备针对唯一营养生理，以及用户的行为的和态度的需求而定制，以获得肯定和否定的增强。

可以被监控的生理输入包括，但不仅限于，血糖水平、温度、电解质水平，和/或氧含量。另外，生理输入还可包括各种通常调节吃的内生上消化反馈信号中的任何一种，诸如胃饥饿素、缩胆囊肽、致轻素、胰岛素、胰高血糖素，以及胰淀素。态度的和行为的输入可包括对饥饿的自我描述、对营养和减肥的态度以及对引导计划的肯定和否定的感觉的程度，以及对查询的响应速度，和触摸屏上的特定触觉度量。

监控并分析个人的营养的生理状态和食欲，以及行为的和态度的状态并优化营养摄取的方法和设备的说明性实施例包括基于计算机的系统。该基于计算机的系统包括一台或多台服务器计算机、互连了服务器计算机或数据处理设备与一个或多个数据库的网络，以及可以通过有线或无线网络访问、提供、发送、接收，并修改信息的一台或多台电子通信或客户端设备。基于计算机的系统与一个或多个用户/客户的客户端设备进行通信。客户端设备可以持续地连接到该基于计算机的系统或与该基于计算机的系统分开/断开连接。客户端设备可以是电子通信设备，诸如但不限于个人计算机、个人数字助理（PDA）、蜂窝或移动电话，及其他可以通过有线或无线网络访问、提供、发送、接收，并修改信息的设备。网络可以是局域网或广域网，并可以是任何大小或范围的专用或公共网络。在一说明性实施例中，网络是因特网。

在一说明性实施例中，基于计算机的系统通过客户端设备从客户端和/或用户接收输入数据。来自用户的输入数据可以被存储在基于计算机的系统内的或链接到基于计算机的系统的配置文件数据库中。输入可包括有关用户的身体特征、个人日程计划的信息，或到有关日程计划的信息的链接，及其他链接以允许对有关用户的事态、生理特征、当前食物消耗、碳水化合物摄取、热量摄取、锻炼活动、态度、行为、饥饿级别、不久之前的以及当前目标、进展，以及用户可能希望遵循的营养计划的类型的信息进行连续的更新。此外，输入可包括用户可以在全天输入和/或周期性地更新的运行数据，诸如但不仅限于，用户的生理特征、心理特征、当前食物消耗、碳水化合物摄取、热量摄取、锻炼活动、态度、行为，以及饥饿级别。此数据也可以从直接地从用户的身体收集输入的各种监视设备接收。

该基于计算机的系统可包括营养食物疗法模板数据库和/或处理器。营养食物疗法模板数据库可包括营养食物疗法模板，这些模板包括已知的饮食事务疗法，并可以是基于用户的输入数据可扩展的、可定制的，并可参数化的，以适应学习和调整。营养食物疗法模板可以是基于用户的配置文件可扩展和可定制的，用户的配置文件包括但不仅限于用户的输入数据、公民假日、宗教信仰、个人日程，以及个人目标以及正在进行中的营养食物疗法的功效。

该基于计算机的系统可包括判断引擎和/或进展跟踪器。判断引擎可以分析和监控用户的输入数据，并通过客户端设备向用户提供反馈、推荐、建议和消息。进展跟踪器可以与判断引擎集成或与判断引擎进行通信。进展跟踪器可以从判断引擎接收用户输入数据，并随着时间的推移跟踪用户的体重和营养状况。众所周知，一个个人的营养状况不是只由某一时刻用户的参数给出的，而是通过这些参数在某时间段内的变化的过程，例如，从来没有减肥的90kg的人在生理上不同于在最近3月内从110kg减肥的90kg的人。后者代表每月大约6%的身体质量的损失，并将引起“对抗饥饿”生理反应。如此，进展跟踪器，为测量用户向哪里发展，需要知道用户是从哪里发展过来的。

大多数复杂的吃的食物疗法包括多个阶段，最小通常是确立规则的强化阶段，然后是维持阶段。例如，在艾特金斯饮食法（Atkins Diet）中，有四个阶段：诱导、进展，维持前和维持。通常，最大的进步在起始阶段取得，然后，当实现一些目标之后，逐步将食品添加回饮食食物疗法中。从一个阶段过渡到另一个阶段通常只基于体重目标，并且随着用户和饮食没有适当地适应，常常在下一周期丢失。甚至四阶段方法只是用户的生物学和新陈代谢的变化的粗略的近似；因此，在根据本发明的系统和方法中，连续地并瞬时地跟踪进展，并包括大量的体重以外的其他因素。

进展跟踪器不仅对照用户的初始目标测量个人的进展，并使该个人在营养食物疗法的各阶段移动，而且还对照其他目标监控用户的进展，例如，与食品、聚会和活动中的行为的情感联系。另外，随着经验的获得，营养食物疗法发展以在用户的生命的特定情况下以及用户周围的世界，最佳适合该个人。进展跟踪器还是不仅仅在实现减肥中而且还在遵循概述的营养食物疗法中指出用户的成功的用户输出线索。进展跟踪器还向用户提供反馈，诸如但不仅限于，表扬，确认关于在一个活动中避免某一食品或饮料的成功，或就一天未失败的进步进行表扬。这些增加的肯定的消息在适应的营养和行为食物疗法的背景中聚焦于行为以及成绩。

该基于计算机的系统可以存储第三方数据，该数据集体地称为“群众数据”，这是基于计算机的系统内的或链接到基于计算机的系统的数据库中的由系统基于使用了该系统的其他人而收集到的数据。可以分析第三方数据以确定在过去对于其他人发生了什么。第三方数据，特别是与用户相关的配置文件的数据，可以被包括到用户体验中，以为特定用户提供最有效的经验。用户的输入和第三方数据的组合可以创建综合配置文件，该综合配置文件可以存储在该基于计算机的系统内的或链接到该基于计算机的系统的数据库中。

该基于计算机的系统可包括一个或多个模块、程序或处理器，诸如但不仅限于，暴饮暴食预防器、饱腹感计量器、学习过程和激励系统。暴饮暴食预防器可以与判断引擎进行通信。暴饮暴食预防器可以从判断引擎接收用户的输入数据，比如但不限于，有关用户的个人日程事件、生理特征、态度、行为和类似配置文件的类似的数据的信息。暴饮暴食预防器可以分析和监控这样的数据，并尝试确定用户何时可能会遇到用户可能被引诱暴饮暴食的情况。此外，暴饮暴食预防器可以确立正确的心理框架，并确定用户何时参与了暴饮暴食，并调整用户的营养食物疗法以纠正或减轻这样的暴饮暴食。如果发生了暴饮暴食，暴饮暴食预防器还将集中发送适当的激励消息以结束暴饮暴食。

饱腹感计量器可以与判断引擎进行通信。饱腹感计量器可以从判断引擎接收用户的输入数据，比如但不限于，用户的生理特征、当前食物消耗、碳水化合物摄取、热量摄取、锻炼活动、态度，以及行为。饱腹感计量器可以链接到规则数据库，该数据库可以包含用于持久的并且健康的减肥的科学数据和算法，可以将这些科学数据和算法应用于用户的输入数据，以便确定用户的营养需要，以及用户应该消耗什么以及何时消耗，以防止用户感到开始饥饿。

学习过程可以接收用户的输入数据和进展数据、第三方数据，和/或综合配置文件。学习过程可以分析和监控数据。学习过程可以基于用户的进展和/或对计划的适应以及系统的其他方面，来修改和/或更新营养和食欲计划的参数。例如，学习过程可以基于到目前为止观察到的用户或类似用户的成功或失败，来修改饱腹感计量器的参数和/或判断引擎的参数，以优化用户的减肥计划，和/或更新用户的配置文件或进展数据。

激励系统维护了一种基于来自消息库的用户输入来生成激励消息的模型。系统将与学习系统协力地细化那些消息的类型、节奏和表示手段，以实现最大有效性。应该理解，这可以在营养或食物疗法的不同的阶段变化，并且系统必须是连续地自适应的。

激励系统可包括与消息数据库进行交互的消息计算器。消息数据库可包括模板消息，和/或基于用户和第三方数据创建的新消息。激励消息计算器可以分析包括用户的营养和食欲状态的用户的配置文件，并计算和/或确定要通过客户端设备发送到用户的激励消息，以鼓励用户遵循和/或防止用户参与某一行动。消息计算器可以包括心理学和/或第三方数据的结果，以规划要通过客户端设备发送给用户的激励消息。激励消息计算器选择消息、消息传递类型（包括但不仅限于图形、口头，书面的），时序以及频率以最大化影响。判断引擎可以从上面的处理器和数据库中的任何一个，比如但不限于，用户的输入、进展跟踪器、暴饮暴食预防器、饱腹感计量器、学习过程、消息计算器，以及营养食物疗法模板数据库和/或处理器，接受数据和/或信息。判断引擎可以编译接收到的信息，并确定用户应该采取的下一进程的行动，诸如要消耗什么，何时消耗，和/或通过客户端设备将推荐、建议，以及激励消息传输到用户。

在其他说明性实施例中，本发明可以以在有形的介质（如软盘、CD-ROM、硬盘驱动器，或任何其他计算机可读的存储介质）中实现的包含指令的计算机程序代码的形式来实现，其中，计算机程序代码被加载到计算机中并由计算机执行。监测方法和设备可以被用来促进特定用户的减肥和/或维持食物疗法。在另一实施例中，监测方法和设备可以以一个或多个专用集成电路（ASIC）来实现和/或可以被用来促进实现用户的特定营养和食欲目标。该监测方法和设备可以被用来简化针对特定目标，诸如健身（长肌块）、运动调节（发展肌肉力量或耐久性）、降低心脏病发作的风险，或控制带有饮食限制的人（诸如糖尿病人）的营养和食欲，来简化营养摄取。

虽然该基于计算机的系统在此被描述为具有一个以上的数据库和处理器，但是，应该理解，该基于计算机的系统可包括可以执行如此处所描述的所有功能的单个处理器和数据库。

附图说明

在各个附图的图形中示出了本发明，各个附图只是示例性而不是限制性的，其中，相同的附图标记一般表示相同的或对应的部分，其中：

图1示出了分析营养的生理状态和食欲并优化营养摄取的基于客户端/服务器的系统的实施例；

图2示出了分析营养的生理状态和食欲并优化营养摄取的基于计算机的系统的实施例的框图；

图3示出了该基于计算机的系统的判断引擎和营养引擎之间的关系和功能的框图；

图4示出了该基于计算机的系统的饱腹感计量器的实施例的框图；

图5示出了该基于计算机的系统的暴饮暴食预防器的实施例的框图；

图6示出了该基于计算机的系统的激励系统和消息计算器的实施例的框图；

图7示出了在该基于计算机的系统的背景中学习过程的实施例的框图；

图8A-8B示出了该基于计算机的系统的学习过程的内部过程的实施例的框图和流程图；

图9A-9B示出了该基于计算机的系统的学习过程的另一内部过程的实施例的框图和流程图；以及

图10A-10B示出了用于监控和分析营养的生理和精神状态并优化营养摄取的方法的流程图和状态图。

具体实施方式

此处阐述了本公开的详细的实施例，然而，可以理解，所公开的各实施例只是本发明的示例，本发明可以以各种形式来实现。因此，此处所公开的特定功能细节不应该被解释为限制性的，而是只作为权利要求的基础并作为用于教导所属领域技术人员以不同的方式使用本公开的代表性的基础。

参考图1描述了根据本发明的说明性实施例的分析营养的生理状态和食欲，以及个人的行为的和态度的状态并优化营养摄取的基于客户端/服务器的系统。监控和分析营养的生理状态和食欲并优化营养摄取的方法和设备可包括基于计算机的系统100。

说明性实施例中的该基于计算机的系统100包括一台或多台服务器计算机、互连了服务器计算机或数据处理设备与一个或多个数据库的网络，以及可以通过有线或无线网络访问、提供、发送、接收，并修改信息的一台或多台电子通信或客户端设备。基于计算机的系统100与一个或多个用户/客户的客户端设备102进行通信。客户端设备102可以连续地或周期性地连接到基于计算机的系统100或与基于计算机的系统100分开/断开连接。客户端设备102可以是电子通信设备，比如但不限于计算机、个人数字助理（PDA）、蜂窝式或移动电话，及其他可以通过有线或无线网络访问、提供、发送、接收，并修改信息的设备。网络可以是局域网或广域网，并可以是任何大小或范围的专用或公共网络。在一说明性实施例中，网络是因特网。

进一步参考图2描述的基于计算机的系统100可以通过客户端设备102从用户接收输入数据200，根据输入数据200，基于计算机的系统100可以创建用户的配置文件。输入数据200可包括有关用户的身体特征的信息，比如但不限于年龄、性别、身高、体重、体质指数，及其他身体特征。输入数据200可包括关于用户的其他信息，比如但不限于姓名和地址。输入数据200可包括有关用户的生理特征的信息，比如但不限于血糖水平；心率；电活动；温度；电解质水平；氧含量；通常调节吃的内生上消化反馈信号，诸如胃饥饿素、缩胆囊肽、致轻素、胰岛素、胰高血糖素，以及胰淀素；及其他生理特征。输入数据200可包括有关用户的食物偏爱和/或回避、过敏反应、食物消耗量以及时序、碳水化合物摄取、热量摄取、锻炼活动、态度、行为、饥饿级别，及该类型的其他输入数据的信息。输入数据200可包括有关用户的健康和营养目标的信息，比如但不限于，用户的长期和短期减肥/增重目标。输入数据200可包括有关用户可能希望遵循的营养和食欲计划的类型的信息。输入数据200可包括关于用户的个人信息，比如但不限于，用户的宗教，用户是否是严格的素食主义者或素食者、个人日程，包括旅游、度假、活动、聚会、关系的日期和/或时间，及该类型的其他个人信息。输入数据200也可以包括从用户那里推导或搜集信息的链接或其他电子手段，包括用户的日程、用户的社交网络站点、用户的twitter帐户或将生成关于与根据本发明的系统和方法有关的用户的相关数据的其他系统或过程。例如，该基于计算机的系统100可以被配置成自动地与用户的outlook日程、电子邮件或其他类似的系统同步，以确定涉及食物消耗、旅游或其他活动的社交活动。

此外，输入数据200还可包括常规的实时信息，该基于计算机的系统100可以使用该实时信息来更新和/或监控用户在用户的整个计划中的进展。这样的常规输入数据200可包括上文所提及的信息/数据中的任何一种。可以由基于计算机的系统100实时例行地，例如，每日和/或每月1-3、1-5或1-10次，接收或收集常规输入数据200。此外，系统可以判断它要求更多信息，在这样的情况下，将通过输出224向用户发送输出消息，这些输出消息将造成更多输入200。

基于计算机的系统100可以通过客户端设备102，通过使用客户端/用户界面，诸如安装在客户端设备102上的界面、电话应用程序，和/或远程可访问的界面，接收或收集输入数据200。用户界面可包括可视、音频、图形、图表，及该类型的其他特征。用户界面可包括合并了若干个用户可以回答（例如，通过打字、指示笔/触摸屏、口述和/或书写）的特定问题的菜单。用户界面可包括合并了若干个选择框的菜单和/或下拉菜单，其中，用户选择对若干个特定问题的正确的答案。用户界面可包括提示用户通过客户端设备102向基于计算机的系统100键入或打字输入输入数据200的提示，其中，可以通过客户端设备102提示用户在一天或多天输入实时输入数据200。用户界面可包括用于选择和/或评价用户的个人营养和食欲相关的活动、态度、饥饿，及其他参数的有选择地级联输入的机制。

另外，基于计算机的系统100还可以通过生物/电子监控系统，比如但不限于，电子秤、计步器、心率监视器、血液测试仪器、血压监视器，侵入性的或非侵入性的遥控系统，及该类型的其他生物监控系统，来接收或收集输入数据200。

基于计算机的系统100可以通过客户端设备102接收输入数据200，并创建个人用户配置文件202。个人用户配置文件202可以存储在数据库中，该数据库可以被集成到基于计算机的系统100中和/或通过有线或无线网络链接到基于计算机的系统100。在一说明性实施例中，当用户设置用户的帐户时，创建个人用户配置文件202。

个人用户配置文件202可以保留有关用户的运行的/实时配置文件。个人用户配置文件202可包括用户输入数据200，涉及用户的当前新陈代谢状态和条件的信息；激励状态和条件；营养计划阶段；食欲周期；消耗模型；基准生物学；基准新陈代谢；高级新陈代谢；体重目标；调整的体重目标；与目标的距离；历史用户数据，诸如用户输入消息以及输出消息；及该类型的其他信息。个人用户配置文件202也可以跟踪用户输入用户输入数据200的每一部分的时间和日期，以及通过客户端设备102向用户发送的输出消息的时间和日期。

此外，个人用户配置文件202可以被用来基于用户的状态和/或进展发布报告。个人用户配置文件202也可以链接到诸如，例如，医生、营养师，或其他卫生保健专业人员、保险公司之类的第三方，及该类型的其他各方。然而，为了使个人用户配置文件202对第三方可用，用户可能必须允许或授权该第三方对个人用户配置文件202的访问，并遵循诸如HIPPA之类的联邦法典。

在说明性实施例中，基于计算机的系统100包括外因数据204和/或群众数据206。外因数据204可以存储在数据库中，该数据库可以被集成到基于计算机的系统100中和/或通过有线或无线网络链接到基于计算机的系统100。外因数据204可包括关于用户的个人信息，比如但不限于，个人日程，包括旅游、度假、事件、聚会、关系、事件的日期和/或时间，及该类型的其他个人信息。外因数据204可包括国家日程，比如但不限于，在各个国家庆祝的假日和事件。外因数据204可包括宗教日程，比如但不限于，宗教假日、宗教事件，以及与各种宗教相关联的宗教日期。外因数据204可包括历史数据。外因数据204可包括其他数据，比如但不限于，天气、新闻、股票市场、特定城镇、城市，和/或州的事件计划表，及该类型的其他数据。外因数据可包括有关雇主、有关用户的财富、相对财富，以及相对于用户的社区的财富和投资以及到用户的社交网络站点的链接的信息。

外因数据204的全部或一部分可以被用户输入到基于计算机的系统100中，通过个人用户配置文件202获取、通过与用户的outlook日程、电子邮件，或其他类似的系统的同步功能导入、通过可扩展标记语言（XML）馈送获得，和/或通过被配置成搜索万维网中的相关的内容Web爬行器或蜘蛛来获取。此外，外因数据204的全部或一部分可以是静态数据，例如日程；和/或可以周期性地和/或连续地诸如通过用户输入，实况XML馈送和/或Web爬行器更新的数据。

群众数据206可以存储在数据库中，该数据库可以被集成到基于计算机的系统100中和/或通过有线或无线网络链接到基于计算机的系统100。群众数据206可包括由基于计算机的系统100所收集的所有数据，特别是，但不仅限于，基于计算机的系统100的过去和/或当前用户或第三方用户的进展和结果信息（例如，趋势、建议、反应，以及有效性）。在说明性示例中，群众数据206是来自单个用户的“进展报告”，即，可使基于计算机的系统100学习许多用户的经验的信息，无论基于计算机的系统100是否提供了有效的经验。单个用户们的进展和结果信息可以被用来修改决策规则，例如，通过改变或废弃不太有效的规则。群众数据206可以是静态数据和/或诸如通过包括到基于计算机的系统100中的与所有数据（包括用户的数据）的同步功能周期性地和/或连续地更新的数据。群众数据可以被存为签名或浓缩的配置文件，以概括数据挖掘过程的结果，以减轻确定群众数据与用户的相关性的计算强度。

基于计算机的系统100可以使用群众数据206来分析第三方用户对第三方用户的特定营养食物疗法有何反应，并将信息包括到当前用户的营养食物疗法中，以使用户的营养食物疗法更有效。在一说明性实施例中，群众数据206通过机器学习算法来运行和一般化。这些类型的学习系统一般包括决策树、贝叶斯学习网络、马尔可夫模型、支持向量、高斯混合模型，和/或回归系统，它们被用来对照群众数据206对最相关的用户数据进行加权。更具体而言，群众数据206被带入跨与配置文件、目标、饮食相关的若干个不同的参数分类的数据库中，其中，配置文件包括进展跟踪器。使用包括高斯分类器、决策树、神经网络、贝叶斯网络、马尔可夫模型及其他类似的技术的机器学习技术，创建对照不同的配置文件的模板的不同实例的成功的签名，包括不同类型的外因数据的影响。此集成被用来帮助更准确地预测什么将适用于类似的个人，并理解某些外部因素的影响。

基本上，基于计算机的系统100以被感觉为“正确的”方式实例化规则，例如，何时以及以什么形式发送消息，以使得用户将遵循消息的指导的可能性更大。在一说明性实施例中，基于计算机的系统遵循“务必要问，务必要告诉”策略。例如，基于计算机的系统100查询用户吃了什么，以及何时；此外，用户对饱腹感以及减肥感觉如何。用这种方式，基于计算机的系统100可以在两个方面（规则以及方法）评价其本身。评估首先并且首要地应用于单个用户。基本上，基于计算机的系统100希望知道用户是否理解了消息、用户是否遵循了指导，就两个方面而言遵循指导是否有效：在遵循指导（或不）之后用户感觉如何（在适当的时间窗口），以及用户的营养食物疗法进展如何。

这些分级和评估可以发送到中心储存库，在那里，可以检查宏观现象，例如：“遵循了声称‘在晚餐之前2小时喝水会增大饱腹感’的规则，但是用户报告饱腹感低”。这可以以形式“规则17；遵循9；效能3”的形式传输。如果规则似乎是只有20%的时间起作用，如在此示例中看到的，可以向该单个用户的营养和食欲计划和方法发送弱化该规则的指令，完全删除它，或具有低的删除它的阈值，如果表现出了早期的失败的迹象的话。

在说明性实施例中，基于计算机的系统100包括综合配置文件208。综合配置文件208可包括与群众数据206和外因数据204集成的个人用户配置文件202。综合配置文件208可以被基于计算机的系统100用来修改、更改，和/或更新用户的营养食物疗法。综合配置文件208可以存储在数据库中，该数据库可以被集成到基于计算机的系统100中和/或通过有线或无线网络链接到基于计算机的系统100。一般而言，综合配置文件208是通过将个人用户配置文件202、外因数据204，以及群众数据206集成在一起来生成的配置文件。在一说明性实施例中，综合配置文件208是通过利用机器学习算法将个人用户配置文件202、外因数据204，以及群众数据206集成在一起来创建的。这些类型的学习系统一般包括决策树、贝叶斯学习网络、马尔可夫模型、支持向量、高斯混合模型，和/或回归系统，它们被用来对照群众数据206对最相关的用户数据进行加权，以对照包括不同类型的外因数据的影响的不同的配置文件确定模板的不同的实例的成功的签名。此集成被用来帮助更准确地预测什么将适用于类似的个人，并理解某些外部因素的影响。

在说明性实施例中，基于计算机的系统100包括营养食物疗法模板数据210。营养食物疗法模板数据210可以存储在数据库中，该数据库可以被集成到基于计算机的系统100中和/或通过有线或无线网络链接到基于计算机的系统100。营养食物疗法模板数据210可包括已知的饮食计划和/或营养食物疗法的模板，比如但不限于，基于分份控制和节省的营养食物疗法、健身、代谢变化、食品类型、食品选择或混合、耗尽和厌倦、食欲抑制、血糖指数方法、锻炼、蛋白质消耗、卡路里统计、价值体系（例如：严格的素食主义者、伊斯兰教律法的合法食物、按犹太教规允许的食品、过敏反应，以及厌恶的食物），及该类型的其他饮食计划或营养食物疗法。营养食物疗法模板数据210基于单个用户的输入数据200和个人用户配置文件202，如用户的目标，可以对任何饮食或营养和食欲价值体系和用户是可定制的和/或可参数化的。饮食计划和营养食物疗法也可以是可定制的，以使学习系统修改营养和行为规则212，以便基于这些规则相对于个人用户配置文件202的效能是可修改的，而不改变营养食物疗法的不可改变的方面。

在说明性实施例中，基于计算机的系统100包括营养引擎212。营养引擎212可以是可以被集成到基于计算机的系统100中和/或通过有线或无线网络链接到基于计算机的系统100的模块、处理器或程序。营养引擎212可以与判断引擎214、营养食物疗法模板数据210、科学数据和/或规则216，以及学习过程218进行通信，下面将对所有这些比较详细地讨论。营养引擎212可以通过判断引擎214接收营养食物疗法模板数据210，以及用户的输入数据200和配置文件202。营养引擎212可以集成营养食物疗法模板数据210，以及用户的输入数据200和个人用户配置文件202，以为用户创建定制的和/或参数化的营养和食欲计划。营养引擎212可以例如基于营养策略、模态、类型、阶段、目标、时间管理，以及食品选择而被定制和/或参数化。目标，可包括但不仅限于，将饮食习惯与食欲匹配、在有食欲之前吃、少吃多餐、吃蛋白质（而不只是糖）以抑制反弹的饥饿、减肥、减肥以获取目标体重、长肌肉、卡路里监控，以及碳水化合物监控。

营养引擎212还可以进一步接收科学数据和/或规则216，科学数据和/或规则216可以被保存数据库中，该数据库可以被集成到基于计算机的系统100中和/或通过有线或无线网络链接到基于计算机的系统100。营养引擎212可以集成科学数据和/或规则216与营养食物疗法模板数据210，以及用户的输入数据200和个人用户配置文件202，以为用户创建就营养和行为规则而言最有效的营养和食欲计划和/或食物疗法。

科学数据和/或规则216可包括比如但不限于包含卡路里统计、血糖指数、饱食可能、新陈代谢效果、粗粮，及所有可用的食物的其他营养信息的食品指数列表之类的数据和/或规则。在一说明性实施例中，通过将单个参数应用到营养食物疗法模板，产生营养食物疗法。营养食物疗法通过营养食物疗法的价值体系来通知（例如，“单程描述（on-one-leg description）”、“高蛋白”和/或“所有葡萄柚”），并且此价值体系在一组规则216中出现。然后，该规则集216针对特定单个用户被实例化，产生特定组的规定和禁止的食物（在概念上，食品室）和消耗的计划（示例菜单）。传递到营养食物疗法的特定单个用户参数包括，作为示例，下列各项中的某些：性别、年龄、体质指数、基准的每日能量消耗、当前体重、目标体重和食品过敏反应/厌恶。总的来说，营养规则和单个参数只使用“食品室”中的食品产生示例菜单。

在说明性示例中，营养食物疗法基于“低碳水化合物饮食”的价值体系。在低碳水化合物饮食中，一般“科学”规则216可包括但不仅限于：将复合碳水化合物消耗限制到总热量摄入的30%即4千卡/克，蛋白质（也是4千卡/克）定在40%，脂肪（9千卡/克）定在30%，并将总热量摄入限制到基准的每日能量消耗的90%。基于年龄和BMI的参数产生计算出的基准每日能量消耗（以千卡为单位）；其90%是目标每日摄入量（TDI）。然后，设置饮食：TDI*.3/4定义复合碳水化合物的克数，TDI*.4/4定义蛋白质的克数，TDI*.3/9定义脂肪的克数。然后，创建示例菜单，特定食品的供应大小满足该（数学）约束。进一步通过指出喜欢/不喜欢/厌恶等等的模板参数来修改所选食品——例如，从5盎司的牛排或鲑鱼中选择35克蛋白质，但是，对鱼过敏的用户将不会被提供鲑鱼。

营养食物疗法的参数化使系统替换并修改喜欢的食品类型、出现次数、顺序，以适应于增加进展或用于非计划的事件，诸如去餐厅而并非吃准备的餐。

参考图3描述了根据说明性实施例的判断引擎和营养引擎之间的关系和功能的框图。在此说明性实施例中，营养引擎212与判断引擎214进行通信，以编译外因数据300、模板数据302，以及内部数据304。外因数据300是来自个人用户配置文件202、外因数据204、和/或群众数据206的信息，诸如，例如，涉及日期、用户的位置、温度、时间的信息，及该类型的其他这样的参数。模板数据302是来自营养食物疗法模板数据210的信息，并基于用户的营养和食欲计划或食物疗法（即，饮食的类型），诸如，例如，用户将消耗的食品的类型和份额大小。内部数据304是来自个人用户配置文件202的信息，诸如，例如，涉及用户的生理、历史、配置文件，以及关系的信息。

作为说明性示例，现在是星期一上午11:00的外因数据300传递到营养引擎212。用户在星期一将消耗三盎司鱼，具体而言金枪鱼或鲑鱼来当午饭的模板数据302被传递到营养引擎212。用户最近没有消耗鱼并且用户喜爱金枪鱼的内部数据304传递到营养引擎212。然后，营养引擎212可以编译该信息，并将该信息传递到判断引擎214，在那里，判断引擎214确定要发送到用户的客户端设备102的消息，例如，用户今天将消耗三盎司金枪鱼当午餐。

应该理解，上面的示例只是一个过程的说明。基于信息的任意数量的不同组合，通过客户端设备102发送到用户的消息和/或输出可能是不同的。

在说明性实施例中，基于计算机的系统100包括饱腹感计量器220。饱腹感计量器220可以是可以被集成到基于计算机的系统100中和/或通过有线或无线网络链接到基于计算机的系统100的模块、处理器或程序。饱腹感计量器220可以与科学数据和/或规则216，以及判断引擎214进行通信。饱腹感计量器220可以从判断引擎214接收用户输入数据200和个人用户配置文件202，如用户的生理信息。饱腹感计量器220可以分析用户输入数据200和个人用户配置文件202，并确立用户的基准状态，包括营养、饥饿及其他相关信息来计算饱腹感。例如，可以通过评估禁食与筵席营养状态、平均一段时间内用户的营养状态、并使用人类新陈代谢的类属模型，来确定基准营养状态。基准营养状态的确立可以使基于计算机的系统100适应于给定用户的唯一营养生理，这是重要的方面，因为营养生理随着若干个因素而显著改变，这些因素包括但不仅限于体质、性别以及年龄。或者，该系统可以读取葡萄糖监视器的连续输出，以确定用户的预测模型。或者，该系统可以一天多次查询用户，并基于输入来监控用户何时吃了东西，以便创建用户何时将饥饿的预测模型。

参考图4描述了根据说明性实施例的饱腹感计量器的实施例的框图。如图4所示，饱腹感计量器220可以基于输入数据200，来分析和监控用户的配置文件202，包括用户的营养状态400。此监控可以以指定的时间间隔完成，或实时地完成。饱腹感计量器220可以根据科学数据和/或规则216，将包括用户的营养状态400的用户的配置文件202与用户的历史营养状态402或用户的基准营养状态进行比较，并分析该状态，以计算微分值404。可以将该微分值与确立的目标相关联以预期用户的营养需要。然后，饱腹感计量器220可以前瞻性地确定用户的适当的营养摄取，以防止饥饿的发生，并将信息传递到判断引擎214。

饱腹感计量器220可以实现反馈循环406，该反馈循环406可以在一段时间内在生理级别监控用户的饥饿的基本节奏和态度，并通过监控营养和食欲相关的生理线索的变化来预期用户的饥饿的发生（根据态度）。如此，饱腹感计量器220可以与判断引擎214协作，以确定用户应该消耗的食品类型以及何时应该消耗，以防止用户感觉到饥饿。此外，饱腹感计量器220可以向判断引擎214和消息计算器228提供输入，该输入有助于以通过客户端设备102发送到用户的输出消息的形式生成食品建议或激励消息224，通知用户何时消耗以及消耗什么，以防止饥饿的发生，和/或使用户遵循用户的营养和食欲计划和/或食物疗法。尽管在上文中饱腹感计量器220被描述为集成到基于计算机的系统中，但是应该理解，饱腹感计量器220也可以是分开的系统和功能。应该注意，饱腹感计量器与几乎每一种类型的营养食物疗法和这些营养食物疗法的规则实例兼容。此外，对饱腹感计量器的建模应该服从基本科学规则216，并利用学习系统218来改善。

在说明性实施例中，基于计算机的系统100包括暴饮暴食预防器222。暴饮暴食预防器222可以是可以被集成到基于计算机的系统100中和/或通过有线或无线网络链接到基于计算机的系统100的模块、处理器或程序。暴饮暴食预防器222可以与判断引擎214进行通信。暴饮暴食预防器222可以通过判断引擎214来接收用户的输入数据200、个人用户配置文件202和外因数据204，并可以分析和监控这样的数据，以确定用户何时具有和/或可能遇到用户可能被引诱暴饮暴食或被引诱偏离用户的营养和食欲计划和/或食物疗法的情况，并将该信息传递到判断引擎214。暴饮暴食预防器222可以确定何时用户参与了暴饮暴食，并与判断引擎214进行通信，以调整用户的营养和食欲计划和/或食物疗法，以纠正或补偿这样的活动。此外，暴饮暴食预防器222可以与判断引擎214和消息计算器228进行通信，以生成通过客户端设备102发送到用户的输出消息的形式的激励消息224，以给予用户积极的强化，以防止用户参与暴饮暴食，或者如果用户偏离用户的营养和食欲计划和/或食物疗法，则补救暴饮暴食。该积极的强化是重要的，因为通过设置营养食物疗法不是关于好的和坏的动作的概念，情感的和智力的行为暴饮暴食不应该产生正常饮食时所发生的罪恶关联。暴饮暴食预防器规则或逻辑也可以通过学习系统218来更新。

参考图5描述了根据说明性实施例的基于计算机的系统的暴饮暴食预防器的框图。该暴饮暴食预防器222通过来自个人用户配置文件202和外因数据204的信息来监控用户。暴饮暴食预防器跨所有饮食实例工作（即，是饮食模板“不可知的”）。暴饮暴食预防器监控，并在极端情况下，暴饮暴食预防器222根据需要来实现。暴饮暴食预防器222包括阈值检测器500、规则数据库502，以及动作过程504。阈值检测器接收来自个人用户配置文件202以及外因数据204的信息，并分析和监控接收到的信息，以确定用户何时具有和/或可能遇到用户可能被引诱暴饮暴食或被引诱偏离用户的营养和食欲计划和/或食物疗法的情况。如果阈值检测器500基于接收到的信息确定用户具有和/或可能遇到用户可能被引诱暴饮暴食或被引诱偏离用户的营养和食欲计划和/或食物疗法的情况，则阈值检测器500将该信息传递到规则数据库502，该规则数据库502与动作过程504进行通信。动作过程504基于对于用户输入和/或外因数据为用户设置的阈值，分析可以表示一系列“如果-则”规则的规则，并确定是否要在极端情况下实现某动作，例如，以提示判断引擎214通过客户端设备102将输出消息传递到用户，以刺激用户遵循用户的营养和食欲计划和/或食物疗法和/或防止用户参与某一行动。暴饮暴食引擎的逻辑不仅限于基于规则的系统，而且还包括能够存储逻辑计算或推理系统的任何其他机制。尽管在上文中暴饮暴食预防器222被描述为集成到基于计算机的系统中，但是，应该理解，暴饮暴食预防器222也可以是分开的系统和功能。

在说明性实施例中，判断引擎214包括在基于计算机的系统100中。判断引擎214可以是可以被集成到基于计算机的系统100中和/或通过有线或无线网络链接到基于计算机的系统100的模块、处理器或程序。判断引擎214可以基于营养引擎212、用户的营养和食欲策略，和/或用户的相关的行为，基于用户的输入204，连续地更新、分析和/或监控单个用户的配置文件202、用户的定制和/或参数化的营养和食欲计划和/或食物疗法，并通过客户端设备102向用户提供诸如反馈、推荐、建议以及消息之类的输出224。可以使用消息传递以连续地刺激和引导用户的行为，以优化营养和食欲策略的有效性。判断引擎214可以提供食品消耗策略以防止饥饿、暴饮暴食行为，并预期常常会导致营养和食欲计划失败的情况。可以通过客户端设备102作为电子邮件、视觉引导、音频消息向用户传送消息，并且最终可以作为营养品和simuli的直接传递。消息可包括消耗某些食品的指导、对于营养和食欲计划的当前状态的查询，以及提供肯定和否定反馈的激励消息。如此，基于计算机的系统100可以是用于收集用户的营养和食欲相关的活动和态度以及通过通信网络作为输出224分发定制的行为消息以优化对饮食或营养和食欲计划的遵守的双向系统。

如图2所示，判断引擎214可以接收从用户通过客户端设备102的输入数据200、单个用户的配置文件202、暴饮暴食预防器222、饱腹感计量器220、营养引擎212、营养食物疗法模板数据210、科学数据和/或规则216、外因数据204，和/或群众数据206传递或发送的数据和/或信息。判断引擎214可以编译接收到的信息并根据接收到的信息、用户的营养和食欲计划的状态和用户的营养和食欲计划的规则（即，饮食模板）来确定用户应该采取的下一行动，诸如要消耗什么，何时消耗，和/或通过客户端设备102作为输出224向用户传输推荐、建议，以及激励消息，其中，输出224可以通过用户界面被发送到客户端设备102。

在说明性实施例中，仍参考图2，进展跟踪器230可以被包括在基于计算机的系统100中。进展跟踪器230可以是可以被集成到基于计算机的系统100中和/或通过有线或无线网络链接到基于计算机的系统100的模块、处理器或程序。进展跟踪器230可以从判断引擎214接收用户输入数据200，并随着时间的推移跟踪用户的体重和营养状况。众所周知，一个个人的营养状况不是只由某一时刻用户的参数给出的，而是通过这些参数随时间变化的过程给出的，例如，从来没有减肥的90kg的人在生理上不同于在最近3月内从110kg减到90kg的人。后者表示每月大约6%的体重的损失，并将引起“对抗饥饿”生理反应。如此，进展跟踪器为了测量用户进展方向需要知道用户从哪里发展过来。

大多数复杂的吃的食物疗法包括多个阶段，最小通常是确立规则的强化阶段，然后是维持阶段。例如，在艾特金斯饮食法中，有四个阶段：诱导、进展，维持前和维持。通常，最大的进步在起始阶段取得，然后，当实现一些目标之后，逐步将食品添加回饮食食物疗法中。从一个阶段过渡到另一个阶段通常只基于体重目标，并且随着用户和饮食没有适当地适应，常常在下一周期丢失。甚至四阶段方法只是用户的生物学和新陈代谢的变化的粗略的近似；因此，在根据本发明的系统和方法中，连续地并瞬时地跟踪进展，并包括大量的体重以外的其他因素。

进展跟踪器230不仅对照用户的初始目标测量个人的进展，并使该个人在营养食物疗法的各阶段移动，而且还对照其他目标监控用户的进展，例如，与食品、聚会和活动中的行为的情感联系。另外，随着经验的获得，营养食物疗法发展以在用户的生命的特定情况下以及用户周围的世界，最佳适合该个人。进展跟踪器230还是不仅仅在实现减肥中而且还在遵循概述的营养食物疗法中指出用户的成功的用户输出线索。进展跟踪器230还通过判断引擎214以输出建议/消息224的形式向用户提供反馈，诸如但不仅限于，表扬，确认关于在一个活动中避免某一食品或饮料的成功，或就一天未失败的进步进行表扬。这些增加的肯定的消息在适应的营养和行为食物疗法的背景中聚焦于行为以及成绩。

回头参考图3，判断引擎214实现核心规则，在此说明性实施例中，包括规则306、规则引擎308，以及结果310。在图3中所示出的实施例中，如上文所讨论的，判断引擎214与营养引擎212进行通信。判断引擎214从营养引擎212接收信息，并对接收到的信息应用规则306。然后，规则引擎308处理信息和规则，以确定结果310。结果310可包括要通过客户端设备102传递给用户的输出224。结果310可包括从下一动作的表中选择的下一动作，诸如向客户端设备102发送输出224消息的查询。作为示例，结果310包括提示通过客户端设备102作为输出224向用户发送的激励消息的查询，指示用户消耗特定量的某一种食品。

输出224可以是书面消息、音频消息或可视消息或显示的形式。可视消息和/或显示可包括但不仅限于图形、图表、身体部位的图标的变化的形状/大小、人物的图标、自我图像视图、向上统计和/或向下统计的计数器、食品线索、以及食品份额线索。输出224可以包括视频游戏的各方面，诸如用户可能进步到的级别和/或基于用户的进步解除锁定，提供辅助的积极的强化。

要由判断引擎214通过客户端设备102向用户发送的输出224消息可包括保存在数据库中的消息226，数据库可以被集成到基于计算机的系统100中和/或通过有线或无线网络链接到基于计算机的系统100。消息226可包括多种类型的消息，比如但不限于激励消息、查询消息、交易消息、营养素的输出、要消耗的食品的类型的推荐、何时消耗食品的推荐、涉及锻炼的消息，及可包括给其他设备的消息的该类型的其他消息，其他设备包括但不仅限于锻炼机器、混合器以及智能电冰箱。

在说明性实施例中，基于计算机的系统100包括激励消息计算器228。激励消息计算器228可以是可以被集成到基于计算机的系统100中和/或通过有线或无线网络链接到基于计算机的系统100的模块、处理器或程序。说明性地，激励消息计算器228是营养和食欲计划不可知的。与判断引擎214进行通信的激励消息计算器228，可以分析用户的当前营养和食欲计划状态和行为的和态度的状态，并计算和/或确定要通过客户端设备102从输出消息数据库226或表发送到用户的输出224消息，以鼓励用户遵循和/或防止用户参与某一行动或鼓励用户参与某一行动。消息计算器228可以包括心理学和/或第三方数据的结果以表达或选择要给用户的消息或确定适当的时间和一个或多个消息的序列。激励消息计算器228可以通过心理学过滤器来过滤消息，以确保消息最大限度地是激励性的。

激励消息计算器228可以基于用户的和第三方数据，诸如如通过学习系统218所确定的过去的对消息的反应，来创建新的消息。激励消息计算器228可以在确定和/或选择输出224时，考虑食品的厌倦、社交信号及其他非营养方面。激励消息计算器228可以基于来自用户的消息输入或输入数据200、个人用户配置文件202、判断引擎214、营养和食欲策略、外因数据204，以及群众数据206，定制要发送给用户的消息。例如，外因数据204可以被用来导航可能对于适当地维持饮食行为突出的情况，包括假日、业务和个人计划、温度、活动以及外在事件。尽管在上文中激励消息计算器228被描述为集成到中基于计算机的系统中，但是，应该理解，消息计算器228也可以是分开的系统和功能。

参考图6描述了根据说明性实施例的基于计算机的系统的激励消息计算器的框图。如图6所示，消息计算器228包括态度监视器600、激励模型602，以及比较器604。在此说明性实施例中，消息计算器228可以针对用户的意愿、用户的情感，以及向用户提供的指引以向用户提供积极的激励消息。态度监视器600基于输入200、个人用户配置文件202、外因数据204，以及群众数据206，监控用户的态度。激励模型602被设计成根据用户的营养和食欲计划，以及现代的行为科学，融合意愿、情感，以及路径（食物疗法）。态度监视器600和激励模型602与比较器604进行通信。比较器604基于来自态度监视器600的信息，将用户的态度（意愿和情感）与来自激励模型602的信息进行比较，以确定用户是否正在偏离、将偏离，或已经偏离用户的营养和食欲计划。作为示例，意愿可以是对应于方向和幅度的瞬时矢量，而情感是对应于相同方向的意愿和情感的瞬时矢量。比较器604编译这些矢量并确定与正确路径的偏离级别。如果偏离级别大于安全级别，则比较器利用激励消息补充对应于判断引擎214的下一动作。另外，消息计算器228可以提示判断引擎通过客户端设备102通过输出224和输入200来查询该用户，以确定该用户的当前态度。激励消息计算器的一个方面将是查询该用户以激励更多输入，例如，提醒用户输入上午时用户的态度。

在说明性实施例中，基于计算机的系统100包括学习过程218。学习过程218可以是可以被集成到基于计算机的系统100中和/或通过有线或无线网络链接到基于计算机的系统100的模块、处理器或程序。参考图7描述了在根据一个实施例的基于计算机的系统中所实现的学习过程的框图。如图7所示，学习过程218可以接收用户的输入数据200、个人用户配置文件202、外因数据204、群众数据206、来自进展跟踪器230的信息，以及综合配置文件208。学习过程218可以监控、评价和/或分析用户的输入数据200、个人用户配置文件202、外因数据204、群众数据206、进展跟踪器230，以及综合配置文件208，以确定增强用户的营养和食欲计划和/或食物疗法的方式。学习过程218可以与营养引擎212、消息计算器228、饱腹感计量器220，以及暴饮暴食预防器222进行通信；并可以基于用户的进展和/或对营养和食欲计划的适应，来修改和/或更新用户的营养和食欲计划的参数。例如，学习过程218可以修改营养引擎212和/或判断引擎214的参数，以优化用户的营养和食欲计划，和/或更新用户的配置文件或进展。如此，基于计算机的系统100可以学习并基于用户对输出224的响应，以及基于群众数据206的其他用户的类似的经验，改善用户的营养和食欲策略。

学习过程218可以使用传统的机器学习模型及其他学习模型，诸如，例如，受监督的学习、无监督的学习、半监督的学习、加强学习、转导，及该类型的其他学习模型。在此说明性实施例中，学习过程218对照判断引擎214的接下来的动作、外因数据204、营养和食欲计划、饱腹感计量器和来自激励消息计算器228和判断引擎214的激励消息，分类综合配置文件208的总和的成功和失败。然后，学习过程218基于综合配置文件208的总和的成功和失败，生成更新，诸如营养和食欲计划或修改方案、激励类型，以及输出224类型（诸如通过客户端设备102向用户的音频、文本，和/或视频类型输出）。

学习过程218还与一个或多个个人用户配置文件202交换信息，以分类和确定和/或学习用户的外因数据204（诸如假日、天气、人员、旅游、工作等等）的效果。然后，学习过程218基于用户的外因数据204的效果，确定预防性的动作和/或治疗。作为示例，学习过程218可能已经了解，每当用户参加酒和乳酪聚会时，用户都会偏离营养食物疗法，并且用户的态度下降。如果然后学习系统将更新营养系统212中的规则以使用外因数据204，则包括关于酒和乳酪聚会的规则。系统也可以包括使用外因数据来查询用户的营养和食欲计划的地方、邻近地区、时间、下一动作，诸如那个晚上用户将消耗什么，及其他这样的信息，以基于外因数据204、个人用户配置文件202、群众数据206、综合配置文件208，以及用户的营养和食欲计划，来确定用户应该消耗的正确食品、商店、餐厅，和/或通过客户端设备102发送到用户的正确的输出224类型。如此，学习过程218可以基于过去的用户经验，修改用户的经验，包括作为输出224发送到用户的激励消息，以及营养和食欲计划，以最佳地适合用户。

学习过程218可以基于外因数据204、个人用户配置文件202、群众数据206、综合配置文件208，以及用户的营养和食欲计划，基于什么类型的消息（包括内容、样式，以及诸如音频、文本，或可视之类的形式）是有效的，来修改输出224。如此，学习过程218学习包括激励的什么技术是有效的，以及肯定和否定的增强的正确平衡，以优化包括营养和食欲计划以及用户的经验的系统中的所有规则的有效性。

学习过程218可以基于个人用户配置文件202，来修改用户的营养和食欲计划以及激励消息计算器228的参数，以优化输出224。作为示例，如果根据用户的营养和食欲计划，用户将消耗鱼，则学习过程218可以基于个人用户配置文件202和用户的输入200，来确定用户应该消耗哪一种类型的鱼和/或用户不应该消耗哪一种类型的鱼。作为示例，如果过去提示用户消耗金枪鱼而金枪鱼消耗成功的概率低或低于阈值级别，和/或用户对金枪鱼的反应是负面的/用户对金枪鱼的态度是消极的，那么，学习过程218可以降低用户对金枪鱼的接受性，并提高用户对于其他替代类型的鱼的接受性。如此，用户下一次根据用户的营养和食欲计划消耗鱼时，就不应该提示用户消耗金枪鱼。在此示例中，学习过程218依赖于营养和行为规则212的实例中的规则是可参数化的，如此它们可以被调整、发展和修改这一事实。

学习过程218可以修改暴饮暴食预防器222的参数，包括阈值检测器500的参数。在此说明性实施例中，学习过程218可以通过三个动作：“发现它”动作、“防止它”动作，以及“治疗它”动作，来修改暴饮暴食预防器222。“发现它”动作涉及从外因数据204、个人用户配置文件202、群众数据206、综合配置文件208学习度量，以预测何时可能会发生暴饮暴食。“防止它”动作涉及学习什么输出224类型可以防止暴饮暴食活动。“治疗它”动作涉及学习什么以及如何还原营养和食欲计划的平衡状态，以将用户驱动回遵循用户的营养和食欲计划。学习动作可以被传递到暴饮暴食预防器222的阈值检测器500，以使暴饮暴食预防器222准确地发现、防止，并治疗暴饮暴食活动。如此，学习过程218可以基于外因数据204、个人用户配置文件202、群众数据206、综合配置文件208来预测、防止以及治疗暴饮暴食活动，以增强用户的营养和食欲计划的有效性。

学习过程218对照一系列输入，包括对营养食物疗法模板的选择、初始配置文件数据、外因数据、过去的动作，试图分类由基于计算机的系统100记录并生成的动作的序列，以便测量单个用户和组合的效能。计算机器学习的领域提供了若干个受监控的和不受监控的技术，来基于对经验数据或带有已知结果的试验集的检查来改善系统。此处所公开的基于计算机的系统100通过不断地监控基于计算机的系统100在实现目标和实现这样的目标的最佳路径方面的效能，来生成这样的数据。

学习过程218可使基于计算机的系统100在分析行为的和营养模板的实例的效能的微观级别学习，而且还通过对照基于计算机的系统100的所有用户的所有输入来细化所有动作，在宏观或“群众”级别学习，以跨类似的情况学习。

在一说明性实施例中，参考图8A和8B描述了学习过程218的内部过程。对于单个用户，所有动作组，包括输入200和输出224，都存储在个人用户配置文件202中。输入200包括，例如，由系统所获得的任何信息，包括由用户输入的东西，由设备或遥控系统所收集的信息。输出224包括，例如，发回到用户的消息——有时，这些消息将尝试产生额外的输入。例如，系统可以询问用户对营养计划感觉如何或用户的体重。个人用户配置文件202还存储用户的初始目标，输入到基于计算机的系统100中的任何外因数据，以及相关群众数据206。个人用户配置文件202还可以记录任何输出224，诸如发送到用户的消息。在输入200的每一个序列之后，判断引擎214可以计算输出动作224，并监控对该输出的局部反应可能是什么。学习过程218获取所有输入200和输出224的序列，被示为800。

然后，学习过程218就发送到用户的相关消息而言，处理序列800，以学习加权的序列和本地序列消息，被示为802。更具体而言，学习过程218确定序列800中的输入200和输出224中有多少在当前时刻是相关的；也称为序列的深度。学习过程218，在802，使用机器学习技术来对序列进行加权。这些类型的学习系统一般包括决策树、贝叶斯学习网络、马尔可夫模型、支持向量、高斯混合模型，和/或回归系统。每当基于计算机的系统100学习时，学习中的一个考虑是序列多长是与分析相关的，也可能要学习该项。可以理解，在某些情况下，一年前的学习可能是非常相关的，而在其他情况下一点也不相关，反之亦然。

在学习过程218处理序列800之后，学习过程218与个人用户配置文件202和目标一起处理本地序列消息802，以确定本地序列输入200与输出224的关联的性质，被示为804。在一说明性实施例中，通过学习过程218，在804，使用机器学习技术，包括高斯分类器、决策树、神经网络、贝叶斯网络、马尔可夫模型和/或其他类似的技术，来分析数据，以确定如何正确地标识输出224在驱动行为中的有效性以及与输入200的关联度。

如果输入200和输出224的最新的集合与个人用户配置文件202关联得很好，或具有高度关联，那么，使用数据来增强806系统规则和权重。例如，为增强806规则，学习过程218可以重复训练基于计算机的系统100，被示为808，以使规则相同和/或增大被给予这些规则的权重。更具体而言，学习过程218可以分离与外因数据204、暴饮暴食预防器222、营养引擎212、消息计算器228，以及饱腹感计量器220中的每一项相关联的规则中的每一个规则，并增强这些规则。

可另选地，如果输入200和输出224的最新的集合与个人用户配置文件202关联得不好，或具有低度相关，那么，学习过程218学习并重复训练808操作（在一些实现中，独立地）的各种规则系统，包括与外因数据204、暴饮暴食预防器222、营养引擎212、饱腹感计量器220，以及消息计算器228中的每一项相关联的规则。更具体而言，学习过程218可以分离与外因数据204、暴饮暴食预防器222、营养引擎212、饱腹感计量器220，以及消息计算器228中的每一项相关联的规则中的每一个规则，并根据学习了什么，来更新或修改这些规则。在学习进行之后，可能必须更新多个规则集，可以预期，此过程可以运行多次，以通过使用多个算法的多次操作，来标识最佳拟合。

一旦系统完成了对规则或控制模块的逻辑的其他逻辑表示法的最佳编辑，学习过程218对照个人用户配置文件202重复测试810新模块，以确保对规则的更新、修改和/或编辑是有效的，例如，导致输入200和输出224与个人用户配置文件202的高度关联。所有这些处理都在基于网络的设备100中进行，以不会产生性能问题，并能够对于多个用户应用这些技术。

应该理解，所提出的结果和下一输入结果之间的任何分歧都会为学习系统产生更多分类数据，供其分析。例如，如果向个人用户配置文件202中输入了今天晚上要举行鸡尾酒会的外因数据204，则受营养引擎212和激励消息计算器228支配的判断引擎214可以决定向用户发送在鸡尾酒会之前吃一些东西的消息。如果基于计算机的系统100从用户那里获悉，这种预防性的吃没有进行，则基于计算机的系统100可以选择更改消息的类型（听觉的，文本的，可视的）、更改发送消息的时间、更改发送消息的次数，和/或更改消息的内容。每一次基于计算机的系统100都学习并尝试修改输出224，以增强它们的效能。如此，随着输入200和/或输出224的序列增长，基于计算机的系统100将不断地监控包括规则的其他类似的配置文件签名，以看看从第三方用户那里学习的东西是否适用于改善本地用户的配置文件或永久地更新规则的初始实例。随着时间的推移，这将确保基于计算机的系统100的性能将随着越来越多的用户与系统进行交互而不断地改善。

在一说明性实施例中，参考图9A和9B描述了学习过程218的另一内部过程。以相同方式，如上文所讨论的，基于计算机的系统100收集系统的用户的多个配置文件、群众数据206，并通过将它们与类似的配置文件进行匹配，形成综合的配置文件签名208，包括各种规则模块，来不断地细化个人用户配置文件202，以确定跨多个用户配置文件的优化学习。如此处所使用的，类似的配置文件包括其配置文件与用户的个人用户配置文件202共享共同的属性的第三方用户的配置文件。如图9A和9B所示，学习过程218标识并分类900可以被用来改善用户的个人用户配置文件202的功能的类似的配置文件组。此比较过程包括不仅仅检查个人用户配置文件202和目标，而且还检查类似的配置文件的综合配置文件签名208，以及所有用户如何对基于计算机的系统100的输出224作出反应，如在跨系统，包括但不仅限于暴饮暴食预防器222、营养和行为规则212、激励消息系统228、饱腹感计量器220和外因数据204以及如何对它作出响应的规则，进行的学习中所反映的。

一旦标识了类似的配置文件，系统就可以改善和重新学习902单个用户规则（如此处所使用的，规则不仅仅包括形式规则系统，而且还包括可以传达逻辑规则的任何系统，包括但不仅限于，图形、感知器、决策树、分类器、马尔可夫链等等）。更具体而言，学习过程218可以分离与外因数据204、暴饮暴食预防器222、营养引擎212、饱腹感计量器220，以及消息计算器228中的每一项相关联的规则中的每一个规则，并根据学习了什么来更新或修改这些规则。在学习进行之后，可能必须更新多个规则集，并可以预期，此过程可以运行多次，以通过使用多个算法的多次操作，来标识最佳拟合。

类似的配置文件将用于重新训练的类似的示例数据持续地作用于单个用户的配置文件202以改善性能904，直到利用当前数据集达到最佳结果。作为示例，它可能是用于某一类型的配置文件：情人节会导致人们暴饮暴食。然而，如果一个新用户在秋季通过学习类似的配置文件来开始系统，可以预先警告基于计算机的系统100，应该警惕暴饮暴食，并试图防止暴饮暴食，即使单个用户的配置文件没有指出某一个日期将有问题。如此，在图9A和9B中，学习过程218可以使新用户学习其他人的经验。

随着越来越多的用户使用，整个配置文件网络的系统将变得越来越聪明，因为系统跨若干个类似的配置文件进行概括。正如在图8A和8B中那样，跨所有适当的规则模块应用学习，并重复测试910系统，以确保历史数据仍相关联。更具体而言，一旦系统完成了对规则或控制模块的逻辑的其他逻辑表示法的最佳编辑，学习过程218对照个人用户配置文件202重复测试910新模块，以确保对规则的更新、修改和/或编辑是有效的。

尽管在上文中学习过程218被描述为修改基于计算机的系统100内的某些参数和过程，但是，应该理解，学习过程也可以应用于基于计算机的系统100的参数、过程，及其他部分中的任何一个，以优化用户的营养和食欲计划和经验。

应该理解，基于计算机的系统100可包括额外的通信网络。例如，基于计算机的系统100可包括伙伴系统，其中，一个用户与一个或多个用户配对，并可以通过客户端设备102，通过基于计算机的系统100相互进行通信，以直接地或者也许通过社交网络彼此鼓励，以遵循营养和食欲计划和/或食物疗法。在另一示例中，基于计算机的系统100可包括通信平台，其中，用户可以通过客户端设备102直接地与现实中的人进行通信，以获得鼓励、激励和/或其他建议。

参考图1、2、10A，以及10B描述了根据说明性实施例的用于监控和分析营养的生理状态并优化营养摄取的方法的方块流程图。为开始饮食或营养计划，用户可以通过客户端设备102来访问用户界面，并开始初始输入会话1000，以在基于计算机的系统100中创建配置文件，如上文所描述的配置文件202。为创建配置文件，用户可以通过客户端设备102输入数据，诸如上文所描述的输入数据200，给基于计算机的系统100提供对诸如上文所描述的外因数据204之类的外因数据的访问，和/或诸如通过使用上文所描述的营养引擎212来选择营养和食欲计划。如图10A和10B所示，基于计算机的系统100获取1002初始用户输入数据200，并获取1004外因数据204的源。此外，基于计算机的系统100还作为获取1002初始用户输入数据200的一部分，来获取1006用户的对营养和食欲食物疗法的选择。然后，基于计算机的系统100获取所有初始输入1008，并为用户1010创建用户配置文件。

可以由判断引擎214接收1012配置文件，判断引擎214监控、分析，并更新用户的配置文件。判断引擎214也可以获取实时输入（例如，通过提示用户），如用户已经消耗了什么，何时消耗食品的，用户感觉如何，用户的态度，及其他诸如上文描述为输入数据200的信息。如图所示，基于计算机的系统100可以在整个营养食物疗法过程中从用户那里获取1014实时和/或非实时输入，获取1016外部或外因数据204，并获取1018群众数据206。由基于计算机的系统100所获取的所有数据可以连续地组合1020，并用来更新/创建1010用户配置文件。

在一说明性实施例中，用户配置文件可以由基于计算机的系统100发布，以用作群众数据的一部分，并可以通过访问1018来自其他用户的群众数据206来增强配置文件。在整个用户的营养食物疗法过程中，用户配置文件也可以被进展跟踪器230使用1024连续地监控和更新用户的进展。

然后，判断引擎214可以将用户配置文件传递和/或发送到饱腹感计量器220、营养引擎或营养和行为规则212、激励消息计算器228，以及暴饮暴食预防器222。然后，饱腹感计量器220、营养引擎或营养和行为规则212、激励消息计算器228，以及暴饮暴食预防器222中的一个或多个分别运行，被示为1026、1028、1030，以及1032。更具体而言，饱腹感计量器220、营养引擎或营养和行为规则212、激励消息计算器228，以及暴饮暴食预防器222中的一个或多个可以咨询其模型和/或科学数据和/或规则，以为用户确定所建议的下一动作。然后，饱腹感计量器220、营养引擎或营养和行为规则212、激励消息计算器228，以及暴饮暴食预防器222中的一个或多个可以将建议的下一动作传递和/或发送到判断引擎214。然后，判断引擎214可以咨询用户的营养和食欲计划，并确定系统应该采取什么动作，包括是否指示用户消耗食品和/或何时消耗食品，以防止用户感觉到饥饿，或向用户发送查询以获得更多信息。

在说明性示例中，判断引擎214可以将用户的输入数据和配置文件传递或发送到饱腹感计量器220。饱腹感计量器220可以接收用户输入数据200和个人用户配置文件202信息，如用户的生理信息。饱腹感计量器220可以运行1026，并评估用户输入数据200和个人用户配置文件202，并确立用户的基准营养或食欲状态。例如，可以通过评估禁食与筵席营养状态，平均一段时间内用户的营养状态，并使用人类新陈代谢的类属模型，来确定基准营养或食欲状态。基准营养状态的确立可以使基于计算机的系统100适应于给定用户的唯一营养生理，这是重要的方面，因为营养生理随着若干个因素而显著改变，包括但不仅限于体重、性别以及年龄。

判断引擎214也可以通过提示用户通过客户端设备102提供输入，如用户已经消耗了什么、何时消耗食品的、用户感觉如何、用户的态度、计划的和/或已执行的活动，及其他诸如上文描述为输入数据200的信息，来获取实时和/或非实时输入，被示为1014。判断引擎214可以将用户的实时和/或非实时输入传输到饱腹感计量器220。饱腹感计量器220可以基于实时输入数据，来评估和监控用户的配置文件202，包括用户的营养状态。此监控可以以指定的时间间隔完成，或实时地完成。饱腹感计量器220可以根据科学数据和/或规则216，将包括用户的营养状态的用户的配置文件202与用户的基准营养状态进行比较，并分析这些状态，以确定微分值。可以将该微分值与确立的目标相关联，以预期用户的营养需要。然后，饱腹感计量器220可以前瞻性地确定用户的适当的营养摄取，以防止饥饿的发生。

饱腹感计量器220可以将确定的用户的适当的营养摄取传递和/或发送到判断引擎214。然后，判断引擎214可以咨询用户的营养和食欲计划，并确定是否指示用户消耗食品和/或何时消耗食品，以防止用户感觉到饥饿。然后，判断引擎可以与保存在数据库中的消息226和激励消息计算器228进行通信1034，以构建通过客户端设备102作为输出发送1036到用户的消息，通知用户何时消耗以及消耗什么，以防止饥饿的发生，和/或使用户遵循用户的营养和食欲计划和/或食物疗法。在通过客户端设备102将消息发送到用户之前，可以将该消息通过心理学过滤器，以确保消息媒体和内容最大限度地是激励性的，这可以是消息计算器228的功能。然后，判断引擎可以通过客户端设备102作为输出224向用户发送1036该消息。输出224可以通过用户界面，通过客户端设备102被传递给用户。

然后，饱腹感计量器220可以进入反馈循环，该反馈循环可以在一段时间内在生理级别监控用户的饥饿的基本节奏，并通过监控营养相关的生理线索的变化来预期用户的饥饿的发生。

如1030和1032所示，也可以分别运行激励消息计算器228和暴饮暴食预防器222。当激励消息计算器228和暴饮暴食预防器222所述每一个运行时，每一个都可以咨询其相应的模型和/或科学数据和/或规则，以为用户确定建议的下一动作。激励消息计算器228和暴饮暴食预防器222中的每一个都可以与判断引擎214进行通信和/或向判断引擎214传输其相应的建议的下一动作。然后，判断引擎214可以咨询用户的营养和食欲计划，并确定系统应该采取什么动作，如上文所描述的。虽然饱腹感计量器220、营养引擎或营养和行为规则212、激励消息计算器228，以及暴饮暴食预防器222被示为串行地运行，但是，应该理解，饱腹感计量器220、营养引擎或营养和行为规则212、激励消息计算器228、暴饮暴食预防器222，以及此处所描述的任何其他过程中的每一个，都可以独立地、串行地、并行地，或以其任何组合地运行。

此外，判断引擎214和进展跟踪器230可以在用户输入数据并对输出224作出响应时跟踪用户的进展，被示为1014。进展数据、用户输入数据、用户配置文件、外因数据，以及用户对输出数据的反应可以与诸如上文所描述的群众数据206的群众数据相结合。如上文所讨论的，基于计算机的系统100可以在整个营养食物疗法过程中从用户那里获取1014实时输入，获取1016外部或外因数据204，并获取1018群众数据206。由基于计算机的系统100所获取的所有数据可以连续地组合1020，并用来更新/创建1010用户配置文件。

组合的数据可以传递和/或发送1038到学习过程218。学习过程218可以与用户的进展数据、输入数据，以及配置文件一起分析组合的数据，以确定用户反应如何和/或对用户的营养和食欲计划的适应性如何。学习过程218可以学习1040，并基于用户的配置文件202和外因数据204，来修改和/或更新用户的营养和食欲计划的参数。学习过程218可以学习1042，并修改和/或更新与饱腹感计量器220、激励消息计算器228、暴饮暴食预防器222、以及营养引擎或营养和行为规则212中的任何一个相关联的规则，以确保用户的营养和食欲计划和体验被最大化。学习过程218可以学习1044，并基于群众数据206，修改和/或更新用户的营养和食欲计划的参数。更具体而言，学习过程218可以学习1046群众数据，并修改和/或更新与饱腹感计量器220、激励消息计算器228、暴饮暴食预防器222、以及营养引擎或营养和行为规则212中的任何一个相关联的规则，以确保用户的营养和食欲计划和经验被最大化。学习过程218连续地在系统上迭代并连续地更新用户的配置文件和经验，以最大化用户的营养和食欲食物疗法和经验的有效性。

尽管是关于饮食/减肥目标的实现来描述说明性实施例的，但是，所属领域技术人员将理解，本发明也可以被用来实现特定的与营养相关的目标。例如，本发明也可以被实现以针对特定理由，如健身或耐力训练，来优化个人的营养摄取。另外，例如，本发明也可以被士兵用作生存辅助，以最大化在生存条件下有限的食品供应的营养价值。

尽管是利用优选实施例来描述和示出本公开的，但是，在不偏离本公开的精神和范围的情况下，许多方案和修改对本领域的技术人员是显而易见的，并可以实现它们。如此，本公开不仅限于上文所阐述的方法或结构的准确的细节，因为这样的变化和修改方案也包括在本公开的范围内。

Claims (20)

1.一种用于监控和分析营养的生理状态的系统，包括：

至少一个客户端设备；以及

与所述至少一台客户端设备进行通信的至少一台服务器计算机，所述至少一台服务器计算机被配置成：

通过所述至少一台客户端设备，从至少一个用户接收输入数据；

给所述至少一个用户提供个体化的营养计划；

基于所述输入数据，确定所述至少一个用户的营养需要；

通过所述至少一台客户端设备，向所述至少一个用户提供刺激；以及

基于所述至少一个用户的营养需要和瞬时状态，前瞻性地产生动作并修改所述个体化的营养计划。

2.如权利要求1所述的系统，其中，所述至少一台服务器计算机进一步被配置成通过所述至少一台客户端设备向所述至少一个用户发送下一动作。

3.如权利要求1所述的系统，其中，所述至少一台服务器计算机进一步被配置成基于所述输入数据来监控所述至少一个用户的饥饿的基本节奏和态度。

4.如权利要求3所述的系统，其中，所述至少一台服务器计算机进一步被配置成通过所述至少一台客户端设备向所述至少一个用户发送下一动作，通知所述至少一个用户消耗什么以及何时消耗，以防止饥饿的发生。

5.一种用于监控和分析营养的生理状态的系统，包括：

至少一台客户端设备；以及

与所述至少一台客户端设备进行通信的至少一台服务器计算机，所述至少一台服务器计算机被配置成：

给至少一个用户提供个体化的营养计划；

通过所述至少一台客户端设备从所述至少一个用户接收关于所述至少一个用户的对所述个体化的营养计划的体验的输入数据；以及

基于所述至少一个用户的输入数据，产生动作并修改所述个体化的营养计划。

6.如权利要求5所述的系统，其中，所述至少一台服务器计算机进一步被配置成监控所述至少一个用户的行为的和态度的状态。

7.如权利要求6所述的系统，其中，所述至少一台服务器计算机进一步被配置成将所述行为的和态度的状态与所述个体化的营养计划融合。

8.如权利要求7所述的系统，其中，所述至少一台服务器计算机进一步被配置成通过所述至少一台客户端设备向所述至少一个用户发送定制的激励消息。

9.一种用于监控和分析营养的生理状态的系统，包括：

至少一台客户端设备；以及

与所述至少一台客户端设备进行通信的至少一台服务器计算机，所述至少一台服务器计算机被配置成：

给具有用户配置文件的至少一个用户提供个体化的营养计划；

通过所述至少一台客户端设备，从所述至少一个用户接收输入数据；

识别具有与所述用户配置文件共享共同的属性的第三方配置文件的第三方用户；以及

基于所述第三方配置文件，前瞻性地产生动作并修改所述个体化的营养计划。

10.如权利要求9所述的系统，其中，所述至少一台服务器计算机进一步被配置成将所述第三方配置文件与所述用户配置文件相关联。

11.如权利要求10所述的系统，其中，所述至少一台服务器计算机进一步被配置成确定对于所述第三方用户有效的所述规则。

12.如权利要求11所述的系统，其中，所述至少一台服务器计算机进一步被配置成前瞻性地产生动作并修改所述个体化的营养计划，以包括所述有效规则。

13.一种用于监控和分析营养的生理状态的系统，包括：

至少一台客户端设备；以及

与所述至少一台客户端设备进行通信的至少一台服务器计算机，所述至少一台服务器计算机被配置成：

给具有用户配置文件的至少一个用户提供个体化的营养计划；

通过所述至少一台客户端设备，从所述至少一个用户接收外因数据输入，所述外因数据标识所述至少一个用户计划参加的规划的事件；以及

基于所述用户的规划的事件，前瞻性地向所述至少一个用户发送激励消息，鼓励所述至少一个用户遵循所述个体化的营养计划。

14.如权利要求13所述的系统，其中，所述外因数据还包括从包括下列各项的组中选择的信息：旅游信息、度假、聚会、关系、假日、宗教假日、宗教事件、天气、新闻、股票市场变化，以及特定城镇、城市和/或州的事件规划表。

15.如权利要求14所述的系统，其中，所述至少一台服务器计算机进一步被配置成基于所述外因数据来识别有问题的情况。

16.如权利要求15所述的系统，其中，所述至少一台服务器计算机进一步被配置成基于所述外因数据来前瞻性地产生动作并修改所述个体化的营养计划。

17.一种用于监控和分析营养的生理状态的系统，包括：

至少一台客户端设备；以及

与所述至少一台客户端设备进行通信的至少一台服务器计算机，所述至少一台服务器计算机被配置成：

给具有用户配置文件的至少一个用户提供个体化的营养计划；

通过所述至少一台客户端设备，从所述至少一个用户接收外因数据；

接收第三方数据；

基于所述外因数据和所述第三方数据，来标识导致暴饮暴食行为的情况；以及

前瞻性地向所述至少一个用户发送激励消息，以防止所述至少一个用户参与所述暴饮暴食行为。

18.如权利要求17所述的系统，其中，所述至少一台服务器计算机进一步被配置成识别所述至少一个用户何时参与了所述暴饮暴食行为。

19.如权利要求18所述的系统，其中，所述至少一台服务器计算机进一步被配置成前瞻性地产生动作并修改所述个体化的营养计划，以补救所述暴饮暴食行为。

20.如权利要求19所述的系统，其中，所述至少一台服务器计算机进一步被配置成通过所述至少一台客户端设备向所述至少一个用户发送被设计用于刺激所述至少一个用户以补救所述暴饮暴食行为的下一动作。

Images