CN111902878A - 用于食品分析、个性化推荐和健康管理的系统和方法 - Google Patents

用于食品分析、个性化推荐和健康管理的系统和方法 Download PDF

Info

Publication number
CN111902878A
CN111902878A CN201980020361.3A CN201980020361A CN111902878A CN 111902878 A CN111902878 A CN 111902878A CN 201980020361 A CN201980020361 A CN 201980020361A CN 111902878 A CN111902878 A CN 111902878A
Authority
CN
China
Prior art keywords
food
user
data
glucose
monitor
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
CN201980020361.3A
Other languages
English (en)
Inventor
亚龙·哈达德
乔纳森·立普尼克
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.)
Medtronic Minimed Inc
Original Assignee
Medtronic Minimed Inc
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
Priority claimed from US15/981,832 external-priority patent/US20190295440A1/en
Application filed by Medtronic Minimed Inc filed Critical Medtronic Minimed Inc
Publication of CN111902878A publication Critical patent/CN111902878A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9032—Query formulation
    • G06F16/90324—Query formulation using system suggestions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Nutrition Science (AREA)
  • Computational Linguistics (AREA)
  • Optics & Photonics (AREA)
  • Emergency Medicine (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本公开提供了用于提供个性化食品和健康管理推荐的方法和系统。所述方法可以包括通过对来自与食品相关的数据的信息进行抽象化以开发食品本体来对食品进行映射。所述方法可以包括收集并聚集与用户的食品、健康或营养信息相关的多个数据集。所述多个数据集可以从多个来源以两种或更多种不同格式提供。所述方法可以包括将所述多个数据集转换成可以针对所述用户被个体化的标准化格式。所述方法可以包括将预测模型应用于所述食品本体以及所述用户的呈所述标准化格式的所述多个数据集，以确定所述用户身体的食品消耗的影响。

Description

用于食品分析、个性化推荐和健康管理的系统和方法
相关申请的交叉引用
本申请要求于2018年3月23日提交的美国临时专利申请第62/647,552号、于2018年12月20日提交的美国临时专利申请第62/783,100号、于2018年5月16日提交的美国专利申请第号15/981,832号、于2019年3月20日提交的美国专利申请第16/359,611号的优先权，所述申请出于所有目通过引用以其整体并入本文。
背景技术
大量的数据库和服务可用于提供食品和营养建议。此类数据库和服务的实例包含医疗保健提供者、食品或营养制造商、餐厅、在线和离线食品食谱以及科学文章。无论是出于娱乐、美容、医疗还是其它目的，每天个体都不可避免地不得不依赖于多种信息来源来作出食品和营养相关的决定。
已经进行了许多尝试来生成关于通常消耗的食品的营养信息及其对人体健康的影响的数据的集合。然而，这些数据库通常要与不一致、不可靠以及普遍低的质量作斗争，因为数据通常是从用户输入收集或众包的。另外，因为许多尝试都针对限定时间段内的特定人群、地域或食品类别，因此产生的数据库在范围和时间上通常是碎片化的。此碎片化限制了其适用性。此外，这些数据库依赖于通常彼此不兼容的不同数据源(例如，移动装置、葡萄糖监测仪、社交媒体等)。在没有替代方案的情况下，个体会继续依赖于有限的且不完整的数据库和/或服务来将针对食品和营养的决策拼凑在一起。
因此，需要可以从离散来源连续收集大量数据(例如，菜肴中的成分、营养信息、葡萄糖水平、血压、温度等)，分析数据并且将数据重构为通用格式，评估和预测个体所消耗的食品与生物标记之间的相关性，并且基于在任何给定时间个体的健康状况和代谢状况提供个性化营养推荐的系统和方法。
发明内容
本文公开了一种用于对食品进行映射的计算机实施的方法。所述方法的示例性实施例涉及：从多个不同来源获得食品相关的数据；以及使用一种或多种算法对来自所述食品相关的数据的信息进行抽象化，所述一种或多种算法包括用于开发食品本体的至少一种机器学习算法。
本文还公开了一种用于确定一种或多种食品的消耗对用户身体的影响的计算机实施的系统。所述系统的示例性实施例涉及：(a)装置和数据集线器，所述装置和数据集线器被配置成在一种或多种处理器的帮助下：收集并聚集来自多个应用程序接口(API)的多个数据集，其中所述多个数据集包括(1)指示所述用户所消耗的所述一种或多种食品的数据以及(2)指示与所述用户相关联的生理输入的数据，并且其中所述多个数据集以两种或更多种不同格式提供；并且将呈所述两种或更多种不同格式的所述多个数据集转换成针对所述用户被个体化的标准化格式。所述系统的示例性实施例还包括：(b)分析引擎，所述分析引擎被配置成在一个或多个处理器的帮助下：通过将预测模型应用于包括(1)指示所述用户所消耗的所述一种或多种食品的所述数据以及(2)指示与所述用户相关联的所述生理输入的所述数据的多个标准化数据集，通过部分使用(3)关于所述用户所消耗的来自食品本体的所述一种或多种食品的信息，确定所述一种或多种食品的所述消耗对所述用户身体的所述影响；并且基于由所述预测模型输出的结果生成针对所述用户的多个个性化食品和健康指标。所述针对所述用户的多个个性化食品和健康指标被配置成以图形视觉对象集的形式显示在用户装置的电子显示器上。
本文还公开了一种用于确定一种或多种食品的消耗对用户身体的影响的计算机实施的方法。所述方法的示例性实施例涉及：(a)在装置和数据集线器的帮助下：收集并聚集来自多个应用程序接口(API)的多个数据集，其中所述多个数据集包括(1)指示所述用户所消耗的所述一种或多种食品的数据以及(2)指示与所述用户相关联的生理输入的数据，并且其中所述多个数据集以两种或更多种不同格式提供；以及将呈所述两种或更多种不同格式的所述多个数据集转换成针对所述用户被个体化的标准化格式。所述方法的示例性实施例还涉及：(b)在分析引擎的帮助下：通过将预测模型应用于包括(1)指示所述用户所消耗的所述一种或多种食品的所述数据以及(2)指示与所述用户相关联的所述生理输入的所述数据的多个标准化数据集，通过部分使用(3)关于所述用户所消耗的来自食品本体的所述一种或多种食品的信息，确定所述一种或多种食品的所述消耗对所述用户身体的所述影响；以及基于由所述预测模型输出的结果生成针对所述用户的多个个性化食品和健康指标。针对所述用户的所述多个个性化食品和健康指标被配置成以图形视觉对象集的形式显示在用户装置的电子显示器上。
本文还公开了一种存储指令的有形计算机可读介质，所述指令在由一个或多个处理器执行时使所述一个或多个处理器执行用于确定一种或多种食品的消耗对用户身体的影响的计算机实施的方法。所述方法的示例性实施例涉及：(a)在装置和数据集线器的帮助下：收集并聚集来自多个应用程序接口(API)的多个数据集，其中所述多个数据集包括(1)指示所述用户所消耗的所述一种或多种食品的数据以及(2)指示与所述用户相关联的生理输入的数据，并且其中所述多个数据集以两种或更多种不同格式提供；以及将呈所述两种或更多种不同格式的所述多个数据集转换成针对所述用户被个体化的标准化格式。所述方法的示例性实施例还涉及：(b)在分析引擎的帮助下：通过将预测模型应用于包括(1)指示所述用户所消耗的所述一种或多种食品的所述数据以及(2)指示与所述用户相关联的所述生理输入的所述数据的多个标准化数据集，通过部分使用(3)关于所述用户所消耗的来自食品本体的所述一种或多种食品的信息，确定所述一种或多种食品的所述消耗对所述用户身体的所述影响；以及基于由所述预测模型输出的结果生成针对所述用户的多个个性化食品和健康指标。所述针对所述用户的多个个性化食品和健康指标被配置成以图形视觉对象集的形式显示在用户装置的电子显示器上。
本文还公开了一种饮食葡萄糖监测仪。所述饮食葡萄糖监测仪的示例性实施例包含与葡萄糖水平监测仪通信的食品分析模块。所述食品分析模块被配置成(1)分析指示用户所消耗的食品的数据，并且(2)基于如通过所述葡萄糖水平监测仪所测量的所述用户的葡萄糖水平的变化，确定单个食品对所述用户的葡萄糖水平的影响。
本文还公开了一种用于确定食品对用户的葡萄糖水平的影响的方法。所述方法的示例性实施例涉及：(a)提供与葡萄糖水平监测仪通信的食品分析模块；(b)通过使用所述食品分析模块分析指示所述用户所消耗的食品的数据，以及(c)基于如通过所述葡萄糖水平监测仪所测量的所述用户的葡萄糖水平的变化，通过使用所述食品分析模块，确定单个食品对所述用户的葡萄糖水平的影响。
本文还提供了一种计算机程序产品，所述计算机程序产品具有其中编码有计算机可执行代码的非暂时性计算机可读介质。所述计算机可执行代码适于被执行以实施先前段落中所汇总的所述方法。
通过引用结合
本说明书中所提到的所有公开、专利、和专利申请均通过以相同的程度引用结合在此，如同特定且单独地指示每个单独的公开、专利、或专利申请是通过引用结合的。
附图说明
在所附权利要求书中对本公开的新颖特征进行了具体阐述。通过参考阐述了说明性实施例的以下详细说明，将获得对本公开的特征和优点的更好理解，在所述实施例中利用了本公开的原理，并且在附图中：
图1展示了根据一些实施例的用于食品分析和个性化健康管理的生态系统；
图2展示了根据一些实施例的针对食品相关的数据的来源的实例；
图3是根据一些实施例的食品分析的方法的流程图；
图4展示了根据一些实施例的针对食品分析算法的训练集的示例性表格；
图5展示了根据一些实施例的来自测试食品分析算法的结果的示例性表格；
图6展示了根据一些实施例的针对食品分析算法的示例性词汇列表；
图7展示了根据一些实施例的针对不同食品分析算法的训练集的示例性表格；
图8展示了根据一些实施例的食品标记器的示例性流水线；
图9展示了根据一些实施例的食品标记器的第二示例性流水线；
图10展示了根据一些实施例的食品标记器的第三示例性流水线；
图11展示了根据一些实施例的问题解决器和其统计分析的示例性表格；
图12A-12C展示了根据一些实施例对来自消费者食品包装的信息进行抽象化和分类；
图13展示了根据一些实施例的经过抽象化的和经过分类的消费者食品包装的示例性表格；
图14展示了根据一些实施例的用于食品分析的示例性餐厅菜单；
图15展示了根据一些实施例的从餐厅菜单抽象化的信息的示例性表格；
图16展示了根据一些实施例的食品本体的示例性二维图形表示；
图17A-17D展示了根据一些实施例的基于GUI的软件界面的针对食品图像记录的示例性窗口；
图18A-18C展示了根据一些实施例的基于GUI的软件界面的针对语音识别分析的示例性窗口；
图19A和19B展示了根据一些实施例的具有基本上不同的卡路里含量的相似外观的食品的并行比较；
图20展示了根据一些实施例的见解和推荐引擎的特征；
图21是两个个体的血糖水平的曲线图；
图22展示了利用本公开的实施例的潜在实体合作伙伴；
图23是根据一些实施例的个体的血糖水平与时间函数的曲线图；
图24A和24B展示了根据一些实施例的根据食品对生物标记的影响进行的对食品的分类；
图25A-25C展示了根据一些实施例的基于GUI的软件界面的针对菜单项上的个人推荐的示例性窗口；
图26展示了根据一些实施例的基于GUI的软件界面的针对血糖记录的示例性窗口；
图27展示了根据一些实施例的基于GUI的软件界面的针对基于自动血糖记录的推荐的示例性窗口；
图28是根据一些实施例的对身体内的葡萄糖和胰岛素相互作用进行建模的方法的流程图；
图29是根据一些实施例的绘制所测量的和所估计的血糖水平的图；
图30是根据一些实施例的将外源性胰岛素传播到身体内的图；
图31展示了根据一些实施例的葡萄糖吸收和胰岛素同化模型的示例性拟合；
图32A-32B展示了根据一些实施例的基于GUI的软件界面的示出了对就餐模式的预测的示例性窗口；
图33A-33C展示了根据一些实施例的基于GUI的软件界面的示出了多个特征的示例性窗口；
图34A-34C展示了根据一些实施例的基于GUI的软件界面的示出了通过见解和推荐引擎进行的综合报道的示例性窗口；
图35示出了根据一些实施例的示例性校准套件；
图36展示了根据一些实施例的医疗保健提供者的门户网站的示例性窗口；
图37(部分A到F)展示了根据一些实施例的示出了移动应用的初始设置的移动应用的示例性窗口；
图38(部分A到C)展示了根据一些实施例的示出了基线数据集合的组件的移动应用的示例性窗口；
图39(部分A到D)展示了根据一些实施例的示出了食品图像记录界面的移动应用的示例性窗口；
图40A和40B展示了根据一些实施例的基于GUI的软件界面的示出了用户的数据的分析报告的示例性窗口；
图41展示了根据一些实施例的示例性网络布局；
图42示出了根据一些实施例的标准偏差图像区域的实例；
图43示出了根据一些实施例的矩形检测图像区域的实例；
图44示出了根据一些实施例的钟乳石洞穴式OCR文本类型分离的实例；
图45示出了要从其提取营养信息的包装食品标签的示例性图像；
图46展示了根据一些实施例的基于对超过40000个食品产品进行的营养信息提取的营养素NLP评分直方图；
图47展示了根据一些实施例的基于对超过40000个食品产品进行的营养信息提取的成分NLP评分直方图；
图48展示了根据一些实施例的基于对超过40000个食品产品进行的营养信息提取的过敏原NLP评分直方图；
图49示出了根据一些实施例的图像标志训练结果的曲线图；
图50示出了根据一些实施例的文本标志识别结果的曲线图；
图51A和51B展示了根据一些实施例的针对多个不同标志的每标志结果；
图52展示了根据一些实施例的用于对食品项是否无大豆进行分类的模型；
图53展示了根据一些实施例的学习曲线的实例；
图54示出了根据一些实施例的用于针对食品分类管理训练集的图形用户界面(GUI)；
图55示出了根据一些实施例的通过置信度的食品分类成功的直方图；
图56展示了与成分分类法相关的食品本体的示例性图形表示；
图57A和57B展示了使用一种或多种计算机算法生成食品之间的统计相关性的示例性过程；
图58A和58B展示了对餐食进行分组以进行餐食概括的示例性过程；
图59展示了根据一些实施例的饮食葡萄糖监测仪的用于进行食品分析和个性化葡萄糖水平管理的生态系统；
图60展示了根据一些实施例的饮食葡萄糖监测仪的用于进行食品分析和个性化葡萄糖水平管理的另一生态系统；
图61A和61B展示了根据一些实施例的基于GUI的软件界面的针对食品图像评级的示例性窗口；
图62A和62B展示了根据一些实施例的基于GUI的软件界面的示出了用户的数据的分析报告的示例性窗口；
图63展示了基于GUI的软件界面的示出了用户与另一人之间的视频的示例性窗口；
图64展示了基于GUI的软件界面的示出了用户与教练之间的消息交换的示例性窗口；
图65示出了根据一些实施例的示例性校准套件；并且
图66示出了被编程或以其它方式被配置成实施本文所提供的方法的计算机系统。
具体实施方式
现将详细参照本公开的一些实施例，在附图中展示所述实施例的实例。适当的时候，贯穿附图，将使用相同的附图标记来指代相同或相似的部分。
介绍
不仅两个人对相同的食品可能作出不同的反应，而且单个个体在不同的时间对相同的食品也可能作出不同的反应。然而，食品和营养服务的当前状况继续依赖于先前生成的静态数据库来提供对食品和健康管理的通用、非定制化建议。
针对食品和营养的当前可用数据库由于用户输入依赖性而不一致，被限制在其范围和时间尺度内，并且通常彼此不兼容。因此，目前缺乏可以将碎片化的食品相关的信息策划为单一格式、评估食品与每个个体的生物标记之间的关系并且提供随着个体的生活方式继续演进的个性化营养推荐的系统和方法。
本文的公开可以通过以下提供上述的解决方案：(1)创造和/或使用从各个来源(例如，从互联网、预先存在的数据库、用户输入等)继续更新的食品本体，以组织和分析所有食品类型(例如初级食品、包装食品、食谱、餐厅菜肴等)的任何可获得信息；(2)在多种数据集合装置和服务(例如，移动装置、葡萄糖传感器、医疗保健提供者数据库等)中生成个性化数据网络，以集成可能受新陈代谢(例如，睡眠、运动、血液测试等)影响或可能影响新陈代谢的生物标记的任何可获得信息；以及(3)将食品本体与个性化数据网络连接，以得到对食品如何可以影响每个个体的见解并且生成针对每个个体的个性化食品、保健和健康推荐。
食品的实例包含初级食品(例如，水果、蔬菜、肉、盐、糖等)、包装食品和餐厅菜肴。食品还可以包含饮品(例如液体、水、咖啡、茶、酒精、果汁、奶昔、粉末饮料等)。
接下来，将参考附图对本公开的各个实施例进行描述。
平台
本公开的实施例可以被实施为装置、一个或多个数据库和平台的用于向用户提供个性化营养见解的生态系统。
图1展示了根据一些实施例的生态系统100。在一方面，生态系统100可以包含平台200。平台200可以包含三个组件：食品分析系统210、装置/数据集线器220以及见解和推荐引擎230。平台200中的三个组件可以单独或彼此互连。生态系统100还可以包含装置110。装置110可以包含可穿戴装置112(例如，智能手表、健身跟踪器等)、移动装置114(例如，手机、智能电话、录音机等)、医疗装置116(例如，葡萄糖监测仪、胰岛素泵、心率监测仪(HRV)、皮肤温度传感器等)或更多。装置110中的一个或多个装置(例如，移动装置114)可以访问一个或多个社会网络服务(SNS)账号(例如，Facebook、Instagram、Twitter、Snapchat、Reddit、Yelp、Google+、Tumblr等)，从而允许平台200可获得用户的任何信息或数据(例如，图像、视频、文本、音频记录等)。装置110可以彼此通信。平台200可以与装置110通信。平台200可以与互联网120和一个或多个数据库130(例如，其它食品、营养或医疗保健提供者)通信。在一些情况下，一个或多个数据库130可以包含用于检索用户的基因组信息的基因组数据库。基因组数据库的实例可以包含但不限于23andMe、deCODE Genetics、Gene by Gene、GenePlanet、DNA Ancestry、uBiome和医疗保健提供者。平台200还可以与一个或多个另外的数据库240通信以存储由平台200收集和生成的任何数据或信息。一个或多个另外的数据库240可以是安全云数据库的集合。
食品分析系统210可以创造、更新和/或利用食品本体。食品分析系统210可以连接到各种数据来源，包含装置110(例如，可穿戴装置112、移动装置114等)、互联网120和现有数据库130。食品分析系统210可以充当内容管理系统，以连续接收、分析所有食品类型(例如，初级食品、包装食品、食谱、餐厅菜肴等)的营养信息并将所述营养信息组织到食品本体中。
装置/数据集线器220可以生成装置110之间的用户的个性化数据网络。装置/数据集线器220可以自动聚集用户的来自多个应用程序接口(API)和医疗保健提供者数据库的生物标记和健康数据(例如，睡眠、运动、血液测试、基因测试等)。
见解和推荐引擎230可以与食品分析系统210和装置/数据集线器220通信。如此，引擎230可以在来自食品本体的信息与来自个性化数据网络的信息之间创造任何相关性并且对所述任何相关性进行分析。引擎230构成平台200的“大脑”，并且充当用户的食品全球定位系统(食品GPS)。引擎230可以基于用户的生物标记在不同时间对不同食品如何反应来解决用户自身的逐日营养需求。因此，引擎230可以生成针对用户的个性化食品、保健和健康推荐。引擎230可以直接或通过与装置/数据集线器220通信而与装置110通信。在一个实例中，引擎230可以使用装置110以将推荐以可见格式中继给用户。
可以使用一个或多个图形用户界面(GUI；图1中未示出)来实施平台200，以使用户能够选择和采用以下三个组件的特征：食品分析系统210、装置/数据集线器220以及见解和推荐引擎230。通常，与基于文本的界面、输入的明亮标签或文本导航相反，GUI可以是界面的允许用户通过图形图标和视觉指示器(如二级符号)与电子装置交互的类型。GUI可以呈现在用户装置上的显示屏上。GUI中的动作可以通过直接操纵图形元素来执行。除计算机外，GUI还可呈现在手持式装置上，如智能手机、便携式媒体播放器、游戏装置以及办公和工业设备。平台200的GUI可以设置在软件、软件应用、网页浏览器等中。GUI可以显示在用户装置上。GUI可以通过移动应用设置。本公开的一个或多个GUI可以被称为平台GUI。平台GUI可以与其它GUI通信，所述其它GUI如可穿戴装置112、移动装置114、医疗装置116、智能家居装置118(例如，智能冰箱)等。平台的最终用户可以包含婴儿、青少年、大学生、成人、健康个体、患者、健康计划的参与者、各种提供者的被保险人等。
食品分析系统
食品分析系统210可以通过对来自与食品相关的数据的信息进行抽象化以开发食品本体来绘制食品。食品分析系统210可以从与所有食品类型相关的数据中连续接收、分析营养信息，并将所述营养信息组织到食品本体中。食品本体可以另外被称为食品的网络。食品相关的数据可以从多个来源获得。多个来源可以包含装置110(例如，可穿戴装置112、移动装置114等)、互联网120和一个或多个现有数据库130。食品相关的数据的来源的实例在图2中展示。食品相关的数据的来源的实例可以包含食品制造商、餐厅、杂货店、自助餐厅，航空食品、医疗保健提供者等。一个或多个现有数据库130可以是竞争者的食品数据库。
食品相关的数据可以被分类为多个不同的类别，例如2个、3个、4个、5个或更多个类别。在一些情况下，类别可以包含一个或多个子类别。
在一些实施例中，由食品分析系统210分析的食品相关的数据可以被分为四个不同类别，例如(1)初级食品，(2)食谱，(3)包装食品和(4)餐厅菜肴。食品可以包含饮品(例如水、咖啡、茶、酒精等)。
类别(1)中的初级食品可以包含通常食用的食品和成分。初级食品可以进一步被分成两种或更多种构成，例如(a)初级成分和(b)初级食谱。初级成分是含有除了水以外的单一成分的食品项。初级成分的实例可以包含香蕉、杏仁、冷冻蓝莓、生蓝莓等。初级食谱是含有多于一种单一成分的常见食用食品的抽象。初级食谱的实例可以包含泰式炒河粉、鸡捞面、法式炸薯条等。
类别(2)中的食谱可以包含包括多种成分的食品连同制备说明。类别(2)中的食谱可以仅包含特定食谱，并且可能与类别(1)中的初级食谱根本不同。例如，类别(1)中的通用“泰式炒河粉”是对被称为“泰式炒河粉”的菜肴(通常包含面条、油、花生等)的概念的抽象，并且因此是初级食谱。相反，不同的泰式炒河粉食谱(例如，在各个互联网来源上找到的那些食谱)是特定食谱，并且是对初级食谱“泰式炒河粉”的实现，并且因此是(非初级)食谱。类别(2)中的食谱的其它实例可以包含例如阿尔弗雷多白脱奶油面的来自不同来源的多种食谱。
类别(3)中的包装食品可以包含带有条形码并且以包装形式出售的食品，例如具有特定通用产品代码(UPC)的巧克力Clif棒。大多数包装食品可以被视为包含食品制造商的食谱，因为需要食谱来制备包装食品。但是，由于通常不会在包装食品上提供或列示每种成分的量和确切制备说明，因此包装食品的类别可以与食谱分开。可能需要单独的类别，因为通常需要由本文其它地方公开的机器学习模型对包装食品和食谱进行不同的分析。
类别(4)中的餐厅菜肴可以包含来自餐厅的菜单项，例如麦当劳(McDonald's)的巨无霸。实际上，这些餐厅菜肴是根据餐厅本身内部的食谱创造的。然而，在大多数餐厅中，未向顾客提供确切成分清单和制备说明或所述确切成分清单和制备说明对顾客是未知的。因此，餐厅菜肴与食谱是不同的，因为其需要以与食谱不同的方式处理(分析)。
通常，关于食品的营养相关数据通常是部分的(不完整)，因为信息中的一些信息通常会丢失或难以获取。例如，类别(1)中的初级食品可能缺乏标签，并且添加新食品项和新营养素可能是挑战性的。类别(2)中的包装食品通常不显示不同成分的量。同样，当可能存在更多营养素时，包装食品上的大多数食品标签可以仅包含有限数量的营养素(例如10-14)。此外，食品标签的数据可以以图像形式捕获，并且包装食品的实际内容与食品标签上的信息之间可能存在差异。对于类别(3)中的食谱，食谱上通常无标签，并且因此营养信息可能不准确。同样，对于类别(4)中的餐厅菜肴，餐厅菜单通常不具有标签并且可能不包含营养信息。餐厅菜肴中的成分通常是餐厅菜肴的说明中的自由文本的一部分。此外，餐厅菜肴的数据通常以图像形式(例如菜单的图像形式)捕获，并且在餐厅菜单上描述或描绘菜肴的方式中存在很大的差异。
有鉴于此，上述食品类别(1)-(4)中的每种食品类别都单独可能具有一定的差距或局限性。但是，这些差距或局限性可以通过本文描述的算法解决，从而使得食品分析系统可以通过利用不同类别内和之间的数据来生成对每个食品对象的完整理解。在大多数情况下，关于每种食品的成分和量的知识可以允许确定关于每种食品的另外的数据。
食品分析系统210可以利用包括至少一种机器学习算法的一种或多种算法来对来自与食品相关的数据的信息进行抽象化。食品分析系统可以将经过抽象化的数据分类为食品本体的一个或多个类别。类别可以是抽象层。一种或多种算法可以包含自然语言处理(NLP)、计算机视觉系统或统计模型。计算机视觉系统可以包含人工智能(AI)、深度学习或光学字符识别(OCR)能力。计算机视觉系统与NLP组合可以将消费者包装食品的图像或餐厅菜单的图像转换为结构化数据，可以对所述结构化数据进行分析并将其分类为食品本体。
食品本体中的食品的类别或抽象层可以包含名称、描述、用户评级、图像、特点(例如饮食需求、过敏、菜系、调味剂、质地等)、成分分解(类型和量)、营养素分解(类型和量)、加工信息以及食品地理位置和/或可获得性信息。食品分析系统可以使用至少一种机器学习算法来生成食品的另外的抽象层或元数据。可以将食品的另外的抽象层或元数据并入到食品本体中。食品项可以具有一个或多个抽象层。抽象层可用于描述一个或多个食品项。
饮食需求可以是食品本体的抽象层。饮食需求可以包含素食者饮食、乳蛋素食者饮食、鱼素食者饮食、乳素食者饮食、蛋素食者饮食、严格素食者饮食或任何其它饮食，这取决于或基于特定地区的流行度。素食者通常可能不吃肉类或鱼类。乳蛋素食者可能避免所有动物的肉(肉类和鱼类两者)。鱼素食者可能吃鱼类但不吃肉类。乳素食者可以消耗乳产品但不消耗鸡蛋。蛋素食者可以消耗鸡蛋但不消耗乳类。严格素食者可能避免所有动物性食品，包含蜂蜜。
饮食需求可以包含无麸质饮食。无麸质饮食对患有乳糜泻病(乳糜泻)的个体可能是重要的，乳糜泻病是麸质消化不良的严重自身免疫性病症，可能会破坏小肠。乳糜泻病可能影响全世界100分之1的人。不能用于无麸质饮食的实例包含小麦、大麦、黑麦和燕麦。含有小麦、大麦、黑麦或燕麦的常见经过加工的食品的实例可以包含有麦芽的产品、谷物、冷切、肉汁、调味米类混合物、小道混合物和仿鱼或培根。
饮食需求可以包含针对患有1型或2型糖尿病的个体的糖尿病饮食。糖尿病可以是导致血液中糖分过多(例如葡萄糖)的疾病。糖尿病饮食可以包含富含纤维的食品，包含水果、蔬菜、全谷类、豆类(豆子、小扁豆和小扁豆)和低脂乳产品。糖尿病饮食可以包含富含ω-3脂肪酸的鱼类，包括鲑鱼和鲭鱼。糖尿病饮食可能不包含高糖(碳水化合物)的食品。例如，患有糖尿病的摄入1,600卡路里饮食的个体消耗的这些卡路里的不超过约50％可以来自碳水化合物。
饮食需求可以包含各种宗教饮食，包含清真饮食和犹太饮食。清真饮食可以根据传统伊斯兰饮食法中所允许的或合法的。在一个实例中，清真饮食可能不包含猪肉或猪肉类产品。犹太饮食可以根据一套被称为科谢鲁特(kashrut)的犹太宗教饮食法中所允许或合法的。在一个实例中，犹太饮食可能不包含野兔、蹄兔、骆驼和猪。食品分析系统210可以与包含美国伊斯兰食品营养委员会(Islamic Food and Nutrition Council of America)(IFANCA)、美国犹太监督局(Kosher Supervision of America)(KSA)等数个食品认证计划通信，以持续监控和更新其针对宗教饮食的算法。
饮食需求可以包含针对患有乳糖不耐受的个体的无乳糖饮食。乳糖不耐受可能是与消化乳糖(发现于奶产品中的糖)的能力降低相关的疾病。患有乳糖不耐受的个体在消耗含奶产品或奶类产品而没有任何药物治疗(例如乳糖酶)之后，会显示出包含腹痛、腹胀、腹泻、放气和恶心的症状。因此，食品分析系统210可以分析并报告食品项是否可以含有奶或奶类成分。
饮食需求可以包含有机食品饮食。有机食品可以包含来自未给予任何抗生素或生长激素的动物的产品。有机食品可以包含不使用利用合成成分制成的常规农药或肥料的植物。市售有机产品的标签中使用的术语的实例可以包含“100％有机”、“有机”和“由有机成分制成”。
饮食需要可以包含非基因修饰的生物体(non-GMO)饮食。GMO成分可以是在超越传统杂交的实验室环境中通过基因工程的方式创造的植物或动物。基因工程可以结合来自不同物种的基因来创造新物种。因为有机食品可能被禁止使用一种或多种GMO成分，所以有机食品通常可以是非GMO食品。市售非GMO产品的标签中使用的术语的实例可以包含“非GMO项目验证”。“非GMO项目验证”标签可以由非GMO项目认证。
饮食需求可以包含用户所偏爱的其它饮食，如阿特金斯(Atkins)饮食、区域饮食、生酮饮食和生食饮食。阿特金斯饮食可以是罗伯特·阿特金斯设想的减肥计划。阿特金斯饮食可以是低碳水化合物饮食的第一变化。区域饮食可以是低碳水化合物饮食的第二变化。区域饮食可能需要每种餐食中的特定食品比率为40％碳水化合物、30％脂肪和30％蛋白质。区域饮食可以推荐每天就餐五次，以帮助防止过量就餐。生酮饮食可以用于患有癫痫的儿童。生酮饮食可以是低碳水化合物饮食的第三变化。生酮饮食可以鼓励高脂肪饮食。生酮可能会导致身体内的脂肪沉积物分解以用作燃料，并且通过被称为酮症的过程产生被称为酮的物。生酮饮食可以鼓励消耗来自鳄梨、椰子、巴西坚果、橄榄和油性鱼类中的油。生食饮食可以鼓励消耗未经加工的食品和饮料。生食饮食可能不包含带有人造食品防腐剂的食品产品，所述人工食品防腐剂包含丙酸钙、硝酸钠、丁基羟基茴香醚(BHA)和丁基羟基甲苯(BHT)。食品分析系统210可以利用至少一种机器学习算法来检测或估计来自消费者包装食品的一种或多种人工食品防腐剂的存在。
过敏可能是食品本体的抽象层。对于关于食品过敏的信息，食品分析系统210可以与如食品过敏研究和资源计划(Food Allergy Research and Resource Program)(FARRP)等现有数据库通信，以连续监测和更新其算法以对来自过敏食品的信息进行抽象化或对过敏食品进行分类。过敏食品可以被分解为一个或多个组，包含小麦或麸质(大麦、玉米、包谷、燕麦、大米、黑麦、小麦、其它含麸质的谷物等)、乳糖或乳产品(牛奶、山羊奶、绵羊奶等)、蛋(母鸡、鹅、鸭)，树坚果(杏仁、巴西坚果、腰果、栗子、榛子、澳洲坚果、山核桃、开心果，胡桃等)、豆类(鹰嘴豆、小扁豆、羽扇豆、花生、豌豆等)、鱼类(阿拉斯加鳕鱼、鲤鱼、鳕鱼、角鲨鱼、鲭鱼、鲑鱼、龙利鱼、金枪鱼等)和甲壳类贝类(蟹、龙虾、虾等)。另外的过敏食品可以包含水果(阿西罗拉樱桃、苹果、杏、香蕉、樱桃、椰子、枣、无花果、葡萄、芒果、瓜、橙、桃、菠萝等)和蔬菜(芦笋、鳄梨、胡萝卜、芹菜等)。
食品调味剂可以是食品本体的抽象层。食品调味剂可包含食品的感觉印象。食品调味剂可以通过对味道和气味的化学感觉来确定。味道的一些实例可以包含甜、酸、苦、咸和美味(也被称为鲜味)。可以通过人类嗅觉系统区分的气味或臭味的一些实例可以包含芳香的(例如，花香和香水)、果味的(所有非柑橘类水果)、柑橘类的(例如，柠檬、酸橙、橙子)、木质的或树脂质的(例如，松树或鲜切草)、化学的(例如，氨、漂白剂)、甜的(例如巧克力、香草、焦糖)、薄荷味的(例如，桉树和樟脑)、烤的或坚果味的(例如，爆米花、花生酱、杏仁)、刺激性的(例如，蓝奶酪、雪茄烟)和腐烂的(例如，腐烂的肉类、酸牛奶)。可替代地或另外，可以通过温度范围(例如，热、室温、冷、冷冻等)确定食品调味剂。
作为食品中的物质，食品调味剂可以是食用香料或调味品。针对味道的天然或人工食用香料的一些实例可以包含谷氨酸、甘氨酸、鸟苷酸、肌苷酸、5'-呈味核苷酸二钠、乙酸、抗坏血酸、柠檬酸、富马酸、乳酸，苹果酸、磷酸和酒石酸。针对臭味的天然或人工食用香料的一些实例可以包含二乙酰基、乙酰丙酰基、乙偶姻、乙酸异戊酯、苯甲醛肉桂醛、丙酸乙酯、邻氨基苯甲酸甲酯、柠檬烯、癸二烯酸乙酯、己酸烯丙酯、乙基麦芽酚、乙基香兰素、水杨酸甲酯和母菊酯。
食品调味剂还可包含颜色。食品的颜色会影响个人对食品的一种或多种调味剂的期望。在一个实例中，向饮料添加更多红颜色可以增加饮料的甜度。食品分析系统210可以以一种或多种方式标记颜色。可以通过标准命名法对颜色进行标记，包含红色、橙色、黄色、绿色、蓝色、海军蓝、紫色、黑色等。可以以预先定义的调色板或色轮中的位置的形式标记颜色。可替代地或另外，可以按照在电磁光谱的至少一部分中食品的特性吸收曲线来标记颜色。特性吸收曲线可以由电磁光谱的至少一部分的位置和强度来定义。电磁光谱的至少一部分可以是可见光谱。可见光谱可以包含约400纳米到约750纳米范围内的电磁辐射。以电磁光谱内的位置和强度的形式标记颜色可以避免对患有或未患有色盲的用户的偏见。
营养特性可以是食品本体的抽象层。营养特性可以包含向用户建议或由用户定义的一个或多个饮食目标或约束。饮食目标可以包含低脂肪、高脂肪和高钙。营养特性可以包含针对怀孕的营养推荐。针对怀孕的营养推荐可以包含：用于防止李斯特菌(Listeria)感染的经过巴氏消毒的食品；具有高叶酸、钙或铁的食品；具有低咖啡因的食品或饮料；以及避免或消耗具有高水平的汞的不超过6盎司每周的鱼类。具有高水平的汞的鱼类可以包含王鲭鱼、马林鱼、剑鱼、瓦鱼和金枪鱼。
质地可以是食品本体的抽象层。质地可以包含：柔软、紧实、乳脂状、易碎、脆、酥脆、脆弱、嫩、耐嚼、坚韧、浓密、稀薄、粘稠、通风、蓬松、油腻、胶粘、潮湿、糊状、块状、浆状、粒状等。
由食品分析系统210生成的食品本体可以与包含现有食品数据库的任何适合的食品数据库兼容。食品的通用数据库包含美国农业部(U.S.Department of Agriculture)(USDA)数据库、开放食品标贴(Open Food Facts)和ItemMaster。包装食品的数据库包含Nutritionix、Fatsecret和Myfitnesspal。食谱的数据库包含Yummly、BBC Good Food、Allrecipes、The Kitchn、EatingWell和MyRecipes。餐厅菜肴的数据库包含HealthyDiningFinder、Nutritionix、MyNetDiary、FatSecret、HealthyOut和OpenMenu。可替代地或另外，由食品分析系统210生成的食品本体可以补充现有食品数据库的限制。由于完全或部分依赖于用户生成的和报告的内容，所以现有食品数据库的数据质量可能较低。现有食品数据库的范围可能有限，因为其可能无法覆盖所有食品类别和/或在数据收集期间已经针对特定人群和/或地理位置。同样，由于对在过去收集的数据的依赖性，现有的食品数据库可能是静态的或过时的。另外，现有食品数据库可能无法维持食品的具有详细抽象层(例如特性、成分分解等)的稳健本体。
图3是食品分析系统210的方法300的流程图。食品分析系统210可以连接到互联网310并且收集与食品相关的图像。食品可以包含消费者包装食品。图像可以包含ImmaculateBakery无麸质巧克力块饼干315的正面和背面图片。图像可以包含营养标贴标签。食品分析系统210还可以被配置成连接到用户的移动装置320并且收集用户拍摄或保存的食品相关的图像325。食品分析系统210还可以从互联网310、移动装置320或其它来源收集食品相关的文本(例如出版物、文本消息等)。食品分析系统210可以使用包含OCR的各种算法来从图像315、325中自动分离食品相关的文本信息330。食品分析系统210可以使用NLP和其它机器学习算法以将所收集的食品相关的文本解析为结构化格式340，分析其特性350并且验证结果分析是正确的360。食品分析系统210可以使用经过验证的特性来将食品映射在食品本体中。
在一些实施例中，食品分析系统可以执行光学字符识别(OCR)以从图像中提取文本信息。食品分析系统还可以实施卷积神经网络以从包装食品上经常出现的各种图标中提取信息。接下来描述在本公开的实施例中使用的OCR技术的示例。
如本文所描述的营养信息提取可以包括使用产品的图片提取消费者产品的营养标贴、成分或过敏原。这可以通过首先使用例如图像裁剪算法将图像分为含有具有文本的区域的多个子图像来实施。图像裁剪算法可以包括用于提取含有文本的图像的部分的方法。通过图像裁剪算法实施的方法可以包括以下步骤：(1)搜索并提取图像中的矩形；(2)计算标准偏差图像并且拉动具有大标准偏差的区域；(3)去除重叠区域并且计算与矩形区域重叠的标准偏差区域之间的差；(4)返回从图像中拉动的区域的列表。图42示出了标准偏差图像区域的实例，并且图43示出了矩形检测图像区域的实例。参照图42，标准偏差图像区域可以包含围绕文本的多个自由形式轮廓4202以及其间的空白空间4204。参照图43，矩形检测图像区域包含围绕文本的多个矩形框4302。因此，可以从原始图像中裁剪各种形状和大小的区域(子图像)。
接下来，可以对经过裁剪的子图像中的每个经过剪裁的子图像实施OCR算法。可以在所提取的文本的段落中搜索与过敏原、成分或营养标贴有关的单词。
对于过敏原和成分，首先可以使用专门的拼写检查器纠正其拼写。拼写检查器可用于校正OCR拼错的单词。使用每个单词在训练集中的频率确定其概率，所述概率例如由齐夫定律(Zipf's law)设定，所述齐夫定律规定，在给定自然语言话语的某些语料库的情况下，任何单词的频率都与其在频率表中的排名成反比。对于由OCR检测到的每个单词，食品分析系统可以检查所述单词是否在所存储的词汇表中。如果所述单词不在所存储的词汇表中，则以下选项可能可用：(1)假定存在拼写错误，在词汇表中查找最高匹配的预定数量(例如，最高八个匹配)，并且选择具有最高概率的匹配，或(2)假定检测到的单词是由OCR串联的两个不同单词的结果，并且然后选择提供最高概率的拆分。在拼写校正之后，可以通过使用例如钟乳石洞穴算法最大化其置信度，来将每个所提取的文本分为成分和过敏原的章节。钟乳石洞穴算法可以用于检测含有成分段落和过敏原段落的文本的部分。钟乳石洞穴算法可以通过训练模型来将表达式分类为三类来实施，例如：(i)成分，(ii)过敏原和(iii)其它。模型可以包含tfidf变换和逻辑回归分类器。可以使用模型检查每三个单词的置信度。可以使用动态编程来断言含有每个组的部分(成分和过敏原)，使得置信度图下的面积被最大化。图44示出了钟乳石洞穴OCR文本类型分离的实例。图44的曲线图的x轴示出了文本中单词的索引(例如，针对食品菜肴)。图44的曲线图的y轴示出了从索引开始的单词对属于各个类(例如，成分、过敏原等)的概率。在将每个所提取的文本分为成分和过敏原的章节之后，选择具有最高置信度的段落，作为对于过敏原和成分来说最具相关性的。
对于营养标贴，本文所描述的食品分析系统可以针对每个品系断言所述品系是否含有营养标贴。接下来，将品系分为名称(通过拟合到单词库)、量和度量。然后，选择具有最高置信度的段落，作为对于营养标贴来说最具相关性的。
接下来参照图45描述营养信息提取的实例，所述图示出了包装食品标签的图像。OCR输出提供如下：
过敏原：含有小麦和大豆成分。
成分：草莓填充梨汁浓缩物、木薯糖浆、干蔗糖浆、苹果粉、草莓果泥浓缩物、玉米淀粉、植物甘油、天然调味剂、接骨木果汁浓缩物，用于七色喀什全谷物全粉：猫、硬红小麦、糙米、黑麦、黑小麦、大麦、荞麦全麦粉、转化蔗糖浆、压榨机压榨的菜籽油、轧制猫、蜂蜜、木薯糖浆、阿拉伯胶、植物甘油、毛纤维、发酵酸式焦磷酸钠、烘烤苏打大豆卵磷脂、黄原胶、天然调味剂。
营养标贴：
名称 量 百分比 单位
膳食纤维 3 12 g
糖 9 -- g
铁 2 2
多元不饱和脂肪 1 -- g
饱和脂肪酸 0 0 g
不可溶性纤维 2 -- g
钠 100 4 mg
卡路里 120
不饱和脂肪 1.5 -- g
钙 0 0
维生素A 0 0
可溶性纤维 1 -- g
总脂肪 3 5 g
胆固醇 0 0 mg
总碳水化合物 23 8 g
蛋白质 2 4 g
反式脂肪 0 -- g
图46-48展示了关于超过40000种食品产品的营养信息提取的结果。具体地，图46说明了营养标贴准确度，所述营养标贴准确度显示了营养素NLP评分直方图为0.843。图47说明了成分准确度，所述成分准确度显示成分NLP评分直方图为0.887。图48说明了过敏原准确度，所述过敏原准确度显示了过敏原NLP评分直方图为0.937。基于以上结果，可以观察到本文所描述的营养信息提取过程中利用的各种算法能够提取关于营养标贴、成分和过敏原的高度准确的信息。
在一些实施例中，本文所描述的包装食品OCR可以进一步包含标志识别技术。标志识别技术可以单独或与上文所描述的营养信息提取技术结合应用。可以针对标志识别提供两个主要分类器：1)基于文本的分类器，以及(2)图像分类器。
文本分类器可以利用OCR来从图像中提取文本。可以使用tfidf矢量化器使将文本转化为数值向量。可以使用以下一种或多种执行文本向量的分类：逻辑回归、决策树或随机森林。
图像分类器可以基于对图像网络数据进行预训练的图像识别(ResNet50)的深度残差学习。多层感知器(MLP)的多层(例如3层)可以附接到ResNet50的输出并进行训练。可以通过训练除了前n层(例如前50层)以外的所有层对神经网络进行微调。可以通过包含专门的图像增强，对小图像集执行训练。图像增强可以包含对带有标志的图像进行以下随机变化：(a)图像旋转，(b)γ校正，(c)亮度变化，以及(d)转移为灰度图像。相反，可以使用不带标志的图像以通过将标志插入到不具有标志的图像中来放大标志图像训练集。可以执行以下步骤以确保标志插入的大的多样性：(i)利用单应性变换使标志图像弯曲，以及(ii)将标志添加到图像中的随机位置。图49示出图像标志训练结果的实例。在100个波(epoch)后进行微调。图50示出了文本标志识别结果的实例，特别是在针对多个不同标志的超过1000次运行的每平均样品数的准确度。图51A和51B进一步展示了针对多个不同标志的每个标志的结果。
在一些实施例中，本文公开的食品分析系统可以包含食品图像识别引擎。食品图像识别引擎可以是被配置成根据图像对食品进行分类并且分析食品的内容、体积和营养值的计算机视觉系统。
常规市售食品图像分析系统通常限于单独食品分类，并且缺乏估计食品内单个内容物的体积的能力。现有食品图像分析系统也可能存在其它缺陷。例如，现有食品图像分析系统基于图像上显示的食品内容来分析食品，并且不能考虑从图像上看在视觉上不明显的成分。这些成分中的一些成分(从图像上看不可见)会显著破坏并改变给定食品的营养估算。此类成分的实例是油族，其中1tbsp的油可以贡献超过100卡路里。图19A和19B各自展示了相似外观的但是由于单个食品内容的量和在视觉上不明显的其它成分(如油)的差异而具有基本上不同的卡路里含量的食品的并行比较。例如，在图19A中，两个碗含有相同的成分，但量不同。图19A的左侧的碗含有：用1tsp油烹饪的180g未经修饰的牛排。2杯生菜、4圈红洋葱、50克鳄梨、1杯经过烹饪的米粉、30g黄瓜、2个樱桃番茄、2tsp芝麻油、2tsp柠檬汁、1tsp酱油。图19A的右侧的碗含有：100g经过修饰的牛排(烤的)，并且具有与左侧的碗相同的量的生菜、红洋葱和酸橙汁。然而，与左侧的碗相比，右侧的碗具有一半鳄梨和米粉、50g黄瓜，两倍樱桃番茄、1/2中号胡萝卜和一半芝麻油。如此，左侧的碗含有770卡路里，而右侧的碗仅含有405卡路里。参照图19B，左侧的碗含有：以2tsp特级初榨橄榄油烹饪的200g鸡肉、30g经过半修饰的培根、2杯经过烹饪的意大利面、30g全脂切达干酪、2个大花椰菜、1个中号蘑菇。图19B的右侧的碗含有：100克经过水煮的鸡肉、1杯经过烹饪的意大利面、1tsp刺山柑、10g低脂切达干酪、1/4大辣椒、4个大花椰菜、2个中号蘑菇。由于多余的意大利面，左侧的碗含有800卡路里，而右侧的碗仅含有380卡路里。
常规/现有食品图像分析系统可能由于以下原因而受到限制。
首先，研究已经示出，在美国，50％的餐食是外出就餐。这意味着，对于要产生良好真实世界结果的模型，其必须能够以高准确度处理餐厅菜肴。关于所述主题的大多数领先学术论文以及可用的商业食品图像分析解决方案都期望具有每个餐厅的每道菜肴的足够数量的图像。单独在美国，就有超过700,000家餐厅，每家餐厅平均有61道菜肴，这产生了4,200万道菜肴的巨大下限。不幸的是，大多数餐厅都没有提供其菜肴的足够图像(甚至连锁餐厅的每个菜肴通常也仅具有很少的图像)。此外，菜肴图像的在线来源(如，在YelpTM上找到的图像)并未解决问题。这意味着，为了使解决方案能够在真实数据中提供非常准确的结果，其必须克服“外出就餐数据缺口”的问题。也就是说，即使所述模式从未暴露于来自特定餐厅的图像，其也必须能够标识菜肴的图像。
第二，如参照图19A和19B所讨论的，很多食品似乎很相似，但是却可以大不相同(例如面食菜肴，如泰式炒河粉、捞面等)。尽管在许多情况下，深度神经网络在区分对象方面表现可能相当不错，但这并不总是可能的。出于此目的，在标识菜肴以及其成分两者，并且尝试使用前者来提供关于后者的更多信息，并且以单向和多向的方式反之亦然方面具有足够的值。为了实现这一点，将不得不利用菜肴的结构以及其与成分的关系(也就是说食品本体，如本文所描述的食品本体)。
第三，在许多情况下，现有系统可能会提供针对给定图像的几个建议，其中图像中的许多图像的分类可能很差。这主要是由于以下事实：当根据图像进行分析时，许多食品都是欺骗性的，并且没有计算机视觉系统可以完美执行。特别是在数字营养(和其它数字医疗保健解决方案)的情况下，接收不良结果可能会降低用户对计算机视觉系统的信心。用户可能会停止使用此类系统。这意味着仅在提供正确或足够准确的结果方面，存在足够的值。虽然计算机视觉系统通常不可能始终准确，但是在分类的特殊性(例如面食菜肴->泰式炒河粉->鸡肉泰式炒河粉)和系统的置信度之间存在微妙的平衡。当前的现有系统往往不能概括其不确定的结果。例如，当前的现有系统可能不能够为用户生成更准确(但更概括化)的结果。
最后，在从食品图像到营养值的映射的非唯一性中存在问题。许多现有系统试图将食品图像映射成营养值，但并未被配置成了解缺乏的特征以完成映射。现有系统也未被配置成协助用户弥合知识鸿沟。
本文描述的食品图像识别引擎可以解决现有系统的上述缺点。本文公开的食品图像识别引擎能够进行以下一项或多项：(1)标识图像中肯定有哪些食品(即100％概率)；(2)通过研究图像、图像所拍摄的环境、用户的历史或某些食品一起出现的可能性来标识图像中可能存在的食品(概率)；(3)区分菜肴(例如泰式炒河粉)与菜肴可能含有的成分(例如花生)；以及(4)利用用户的历史就餐模式以及用户就餐的环境来估计体积并且因此估计营养值。特别地，这可以包含当用户外出就餐时使用已知菜单。
为了实现上述目的，食品图像识别引擎可以包含包括以下的算法。首先，构建了食品视觉提示(VICUF)的完整本体。这是人类(或计算机)可以使用以标识其面前的食品的任何视觉提示的本体，并且可以包含：(1)组合食品项(例如希腊沙拉或墨西哥卷饼)；(2)成分(例如香蕉、苹果、虾)；以及(3)其它提示(例如杯子、液体、油炸物等)。了解VICUF的整个本体可以与其它输入结合使用，以获得对餐厅菜肴的更准确的识别。接下来，创建针对VICUF中的每个标签的稳健的语料库。理想情况下，应该对训练集中的每个标签进行注释。接下来，对VICUF(二进制分类器)中的每个标签训练卷积神经网络(CNN)，或者训练能够进行多标记的CNN。后面的CNN可以提供更好的结果，因为某些食品通常会一起出现，而其它食品则不会。接下来，每次供应新图像时，CNN都会将其映射到概率向量，其中每个分量代表具体食品相关的视觉提示存在于图像中的概率。以上步骤可能足以创建食品记录体验。给定了图像，食品图像识别引擎可以在食品记录器中根据其在输出向量中的概率值对项进行分类。可以包含阈值，使得具有低概率的项不会出现。
在一些实施例中，可以使用例如基于光谱学和不可见光(红外)的另外的传感器和输入来检测外观类似的食品与单个体积/含量之间的细微差别。在一些实施例中，可以基于用于食品的3D重构的图像或视频的序列来估计体积/含量。在一些实施例中，可以使用红外系统来执行距离估计，所述红外系统被配置成测量距食品盘上的各个点的距离。
食品分析系统210可以包含贴标机。贴标机可以是用于发现关于食品的类别或抽象层(在本文中也被称为标签)的机器学习系统。贴标机可以是用于对食品对象进行文本分析并为其贴标的自动化系统。这允许添加系统正在使用的元数据的另一层来理解每种食品的各种特性。可以由系统，例如由个性化推荐引擎以不同方式使用这些特性(标签)。
标签的实例可以包含至少一种成分(例如，牛肉、猪肉、橡子、芹菜等)、至少一种营养素(例如，维生素A、维生素C、钙、铁等)、至少一种饮食需求(例如、素食者、严格素食者、无麸质等)，至少一种过敏症(例如，无花生、无麸质等)、至少一种菜肴类型(例如，沙拉、三明治、汤等)、至少一种菜系(例如种族和/或宗教菜系等)、至少一种调味剂(例如，甜、水果味等)、至少一种营养特性(例如，低脂肪、高蛋白等)以及至少一种质地(例如，柔软、紧实等)。标签通常可以分为以下类别中的一种或多种，例如：饮食需求(包含饮食和过敏原)、加工方法、口味、餐食和菜肴。饮食需求是允许个性化推荐引擎过滤某些个体由于某些饮食约束而永不食用的食品的食品标签。标签可以由贴标机自动生成。饮食需求通常可以被分为两种种类：(1)由于食品过敏引起的饮食需求；(2)由于用于出于道德、宗教或环境原因而经常遵循的特定饮食而引起的饮食需求。与食品过敏相关的饮食需求的实例可以包含无麸质、无乳类、无贝类、无鱼类、无大豆、无蛋、无花生等。饮食需求的其它实例可以包含素食者、鱼素食者或严格素食者。
贴标机可以使用机器学习方法或非机器学习启发式方法来开发可以发现关于食品的特性的食品标记器。机器学习方法可以被称为“标签分类器”方法。非机器学习启发式方法可以被称为“启发式标记器”方法。标签分类器方法或启发式标记器方法可以生成至少一种算法，以供至少一个食品标记器标识并标记至少一种食品的至少一个特定抽象层。食品的特定抽象层的标识和标记可以被称为食品标记。标签分类器和启发式标记器可以使用被称为分析仪和问题解决器的一个或多个逻辑实体来进行食品标记。标签分类器和启发式标记器两者都可以使用预先定义的食品数据的语料库进行评定，以评估每个食品标记器的性能如何。贴标机可以使用各种统计模型(例如精度、调用等)来评定食品标记器的性能。
作为贴标机的逻辑实体，分析仪可以是具有特定逻辑的单个模型。分析仪可用于确定食品项的具体属性(例如，项是还是不是严格素食者)。因此，可能需要多个分析仪来确定食品项的多个属性。分析仪可以包含训练集。对于每个分析仪，可以创建一个或多个训练集，并且每个训练集可以具有可区分的名称(例如，针对不同语言为“英语”或“西班牙语”，或针对不同饮食需求为“无麸质”或“严格素食者”)。问题解决器可以是用于基于其涵盖分析仪的组合逻辑来确定食品项的属性的两个或更多个分析器的组合。问题解决器可以包含至少一个标签分类器分析仪或一个启发式标签分析仪。问题解决器可以涵盖至少一个另外的问题解决器。
对于标签分类器和启发式标记器方法两者，对食品数据进行标记和分类是具有以下三个主要过程的过程：(1)训练各种分析仪；(2)定义两个或更多个分析仪的至少一种组合以形成问题解决器；以及(3)运行问题解决器以标识来自食品数据的一个或多个特征并且对所述一个或多个特征进行标记和分类。此外，训练不同的分析仪过程可以包含两个子过程：(i)针对每个分析仪建立至少一个训练集，以及(ii)基于至少一个训练集执行训练。
贴标机可以使用标签分类器方法来开发分析仪。在标签分类器方法中，分析仪的训练集可以含有至少一个输入数据对以及其对应正确答案(也被称为目标)。目标可以是分析仪的“黄金标准”。分析仪的学习算法可以在输入数据与目标之间的训练集中找到一种或多种模式，并且生成可以捕获一种或多种模式的改进的机器学习算法。可以分别使用多于一种训练集对分析仪进行训练，以生成针对相同特性的多于一种改进的机器学习算法。相继地，可以使用测试集来测试分析仪的所述多于一种改进的机器学习算法的准确性，并且可以选择最佳性能的算法以供使用。选择最佳性能的算法可以涉及比较每种算法的准确度测试的统计分析，包含调用值、精度值和F1评分。调用值可以指示实际上选择了多少应被标记的项。精度值可以指示正确标记了多少项。F1评分可以是根据以下方程的作为准确度的量度的调用率和精度值的谐波均值：
Figure BDA0002689256150000281
其中F1评分在1时可以达到其最佳值并且在0时可以达到其最差值。
因此，如果多个分析仪算法被训练为标记相同的食品特性，则可以选择具有最高F1评分的分析仪算法作为工作分析仪。
图4展示了基于标签分类器方法的针对分析仪的训练集400的表格。分析仪可以被分配任务以对来自输入数据410(原始成分文本)的成分进行分类。可以将特定训练集命名为“英语”，因为所述训练集被设计为训练分析仪以对用英语书写的成分进行分类。每个输入数据提供有对应目标420(匹配的初级食品项)。在此实例中，“1磅90％瘦牛肉馅”的输入数据可以具有“90％瘦牛肉馅”的对应目标。训练集400的表还可以指示何时选择了输入数据对应目标对以供使用430(批准)。内容开发人员可以从训练集中取消选择输入数据对应目标对。训练集400的表还可以在平台200的一个或多个数据库中显示多个样品440(Tot#样品)，所述数据库含有相同对应目标。图5展示了来自测试多个经过训练的分析仪的结果500的表格。每个分析仪被训练为标识和标记以英语书写的成分。所述表格指示所测试的每个分析仪的调用值510、精度值520和F1评分530。在一些实施例中，标签分类器可以使用包含单词单数化的流水线，例如，可以使用计数矢量化器和逻辑回归来确定食品项是否标有某个标签。标签分类器可以使用作为训练集的由本文所描述的启发式标记器使用的相同的验证集。例如，用于对食品项是无大豆还是有大豆进行分类的完整模型可以被构建为如图52中示出的。因此，仅被两个分类器均分类为无大豆并且其组合分类置信度超过85％的食品项才可以被视为无大豆。为了研究模型组合物的影响，可以检查单独模型的精度和调用度，以及所构成的模型(对于上述无大豆标记器的实例)，并在下表中进行了总结。可以观察到，所述模型极大地受益于组合物，将精度提高了大约20％(在此情况下)：
模型 精度 调用
启发式 71％ 96％
分析仪 74％ 90％
构成 93％ 94％
图53展示了本文所描述的大多数分类器的学习曲线的实例。可以观察到所述模型能够几乎完全学习训练集，并且所述模型能够进行概括。学习曲线还示出，获取更多数据可能会进一步改进概括性。
可替代地或另外，贴标机可以使用启发式标记器方法来开发分析仪。启发式标记器方法的分析仪可以针对特定食品特性(例如饮食需求，如素食者、严格素食者、无麸质等)分析食品项。此分析仪可以使用针对每个特定特性预先定义的特殊词汇表来确定是应该利用特性还是不利用特征来标记新食品项。启发式标记器方法的每个分析仪都可以含有三个组件：词汇表、标记逻辑和训练集。
启发式标记器方法的分析仪可以包含词汇表。词汇表可以含有与食品特性(例如，不含麸质)相关的单词组，也被称为食品标签。当提供来自食品项的文本数据作为输入时，启发式标记器方法会将文本数据中找到的单词与词汇表中的单词组进行比较。词汇表中的单词组可以包含消极术语、积极术语、菜单积极术语和非消极术语。具有至少一个匹配消极术语可以指示食品项可能不属于食品标签。具有至少一个匹配积极术语(尽管具有至少一个匹配消极术语)可以指示食品项可以属于食品标签。具有至少一个匹配菜单积极术语可以指示仅当单词来自菜单类别标题时，食品项才可以属于特定食品标签。最后，非消极术语可以是曾经是消极术语但已被证实并非如此的单词。可以保留非消极术语，以确保不会再次将此类术语添加为消极术语。
图6展示了针对食品标签“鱼素食者”的示例性词汇表。鱼素食者可以是不食用肉类而食用鱼类的人。食品标签“鱼素食者”的词汇表可以具有消极术语、积极术语、积极术语以及任选地非消极术语。消极术语可以包含凯撒、里脊肉、沙朗、棕肉汁、潘塞塔、牛胸肉、乡村肉汁、牛排、猪肉、汉堡、牛肉汉堡、芝士汉堡、鸭肉、鸡肉、牛肉、羊肉、小牛肉、熏牛肉、香肠、肉丸、火腿、口利左、火鸡、兔肉、培根、腊肉肠、肉、翅、菲力、肋骨、狗肉、香肠、肉卷、牛排汉堡、烤宽面条、芝士牛排、烤宽面条、美洲野牛肉、排骨、萨拉米、卡波科洛、费城、风干火腿和伍斯特郡。积极术语可以包含素食汉堡和无肉。积极菜单术语可以包含严格素食者和素食者。可能会或可能不会发现非消极术语。
启发式标记器方法的分析仪可以包含标记逻辑。基于词汇表，标记逻辑可以具有针对对食品项进行标记的三个规则。首先，如果食品项的名称、描述或菜单类别标题中没有匹配的消极术语、积极术语或菜单积极术语，则可以用标签对食品项进行标记。其次，如果存在至少一个匹配消极术语而不存在任何其它匹配术语，则将无法利用标签对食品项进行标记。第三，如果在食品项的菜单或子菜单中存在至少一个匹配积极术语或至少一个匹配菜单积极术语，则可以用标签对食品项进行标记。即使还存在至少一个匹配消极术语，标记逻辑的第三规则也可以保持有效。
除了词汇表和标签逻辑外，启发式标记器方法的分析仪还可以包含训练集。训练集的目的可以是验证针对某个食品标签生成的词汇表是否充分。训练集可以包含具有已知特性的食品项列表。可以将对应词汇表应用于训练集中的每个食品项，以评估是应该应用还是不应用标记。之后，训练集可以确定标记评估是否正确，并且报告词汇表的精度值(％)。
图7展示了基于启发式标记器方法针对食品标签“鱼素食者”的训练集的示例性表格。训练集可以包含各种食品项，包含鱼素食者可以或不可以食用的食品项。各种食品项中的每种食品项都可以通过以下列表定义：名称(例如草莓瑞士卷)、描述(例如马斯卡彭奶油、蜂蜜燕麦和草莓雪芭)、菜单(甜点)和子菜单(甜点)。如果食品项被列示于没有子菜单的菜单中，则子菜单可以被列示为与菜单相同。测试词汇表可以涉及应用词汇表来分析训练集中的各种食品项，并且记录词汇表可以还是不可以正确区分鱼素食者友好的食品项。训练集还可以报告精度值(例如98％)和调用值(例如92％)，以确定词汇表的可靠性和有效性。在此实例中，精度值可以指示所分析的项中有多少被正确标记为“鱼素食者”。调用值会告诉实际选择了多少应被标记为“鱼素食者”的项。
在训练期间或在使用中，基于启发式标记器方法的分析仪可以检测从食品项提取的在适当的词汇表中找不到的一个或多个单词。如果一个或多个未知单词(例如通过机器学习)被评估为与至少一个消极术语相关，则分析仪可以将一个或多个单词连同在词汇表中找到的可能相关的至少一个单词一起存储在数据库240中。之后可以检查一个或多个单词(例如，通过机器学习或内容开发人员)，并将其作为新术语添加在分析仪的适当词汇表中(例如，作为新的消极术语)。添加的一个或多个单词可以扩大分析仪的容量和效率。
作为贴标机的逻辑实体，问题解决器可以是至少两个分析仪的组合，以集成至少两个分析仪的逻辑。在一些实例中，来自机器学习方法(标签分类器)的针对特定食品属性的分析仪和来自启发式方法(启发式标记器)的针对特定食品属性的分析仪可以被组合为问题解决器，以对具有特定食品属性的食品进行标记。所产生的问题解决器可以被表示为“属性”食品标记器。例如，用于标识和标记无麸质食品的问题解决器可以被称为“无麸质”食品标记器。
图8展示了“无麸质”食品标记器的示例性流水线800。流水线可以是代表不同分析仪的组合的图。“无麸质”食品标记器810可以通过组合两个分析仪节点来设计：标签分类器820和启发式标记器830，所述两个分析仪节点均被训练为标识“无麸质”属性。两个分析仪节点之间的用于定义食品标记器810的关系可以通过逻辑节点来描述。逻辑节点可以是与节点或或节点。与节点可以以严格的方法组合两个分析仪的结果。如图8所展示的，如果“无麸质”食品标记器由与节点840定义，则仅当两个分析仪节点均认为食品项为“无麸质”时，才可以将食品项标记为“无麸质”。另一方面，使用中的或节点可以以不太严格的方式组合两个分析仪的结果。例如(图8中未示出)，如果“无麸质”食品标记器由或节点定义，则当两个分析仪中的至少一个分析仪认为其“无麸质”时就可以将食品项标记为“无麸质”。流水线还包含连接节点之间的关系的箭头850、852、854。
问题解决器可以是用于集成多个问题解决器的逻辑从而细化食品属性的多个问题解决器的组合。所产生的问题解决器还可以被表示为“属性”食品标记器。图9展示了“严格素食者”食品标记器的示例性流水线。“严格素食者”食品标记器可以通过多个节点的组合来定义，包含针对“严格素食者”属性的标签分类器、针对“严格素食者”属性的启发式分类器以及针对另外的食品属性的另外预先定义的食品标记器。“严格素食者”标签分类器和“严格素食者”启发式分类器之间的关系由与逻辑节点定义。另外预先定义的食品标记器中的每个食品标记器可以是另外的食品属性之一的标签分类器和启发式分类器的组合。另外的食品属性可以是“无乳”，“无蛋”和“素食者”，并且其关系由与逻辑节点定义。仅当以下四个要求为真时，所产生的“严格素食者”食品标记器才可以将食品项标记为“严格素食者”：(1)“严格素食者”标签分类器和“严格素食者”启发式分类器两者均认为食品项为“严格素食者”；(2)“无乳”食品标记器认为食品项为“无乳”；(3)“无蛋”食品标记器认为食品项为“无蛋”；(4)“素食者”食品标记器认为食品项为“素食者”。如果四个要求中的任何要求不为真，则图9中的“严格素食者”食品标记器将不会将食品标记为“素食者”。
问题解决器(或食品标记器)的每个版本可以使用训练集来测试并且使用统计进行分析。来自问题解决器的统计可以不同于分析仪的统计，因为问题解决器是其包含分析仪的结果的组合。与精度、调用率和F1评分一起，还可以报告利用率值。利用率值可以是训练集项的可以通过问题解决器的流水线中定义的置信度阈值的分数。具有预先定义的置信度阈值的问题解决器可以具有高精度和调用值，但具有低利用率值。低利用率值可以表示问题解决器的结果的高的部分不准确，并且问题解决器可能无法用作食品标记器。
在一个实例中，70％的置信度阈值节点可以添加到图9中展示的“严格素食者”食品标记器的流水线中以利用图10中展示的流水线生成新“严格素食者”食品标记器。新“严格素食者”食品标记器可以使用训练集测试，并且可以报告包含利用率值的统计。新“严格素食者”食品标记器的利用率值可以代表训练集项的可以通过新“严格素食者”食品标记器的问题解决器流水线中定义的70％置信度阈值的分数。多个问题解决器的表格和其相应统计分析展示在图11中。
食品分析系统210可以使用贴标机来分析与食品相关的多种类型的数据并将所述数据映射到食品本体。食品分析系统210可以从一个或多个来源(例如，互联网120、杂货店网站、餐厅网站、食谱博客、用户输入等)自动获得与食品(例如营养标贴标签、制造商的产品信息、餐厅菜单、食谱等)相关的数据(图像或文本)。食品分析系统210可以根据系统的优选格式，利用深度学习、OCR和/或NLP能力将至少一种消费者包装食品、至少一个餐厅菜单项或至少一种食品食谱的图像转换为结构化数据。食品分析系统210还可以根据系统的优选格式将获得的文本数据重新组织为结构化数据。利用新结构化数据，食品分析系统210可以实时地对至少一种消费者包装食品、至少一个餐厅菜单项或至少一种食品食谱的特征进行分析和分类并且将至少一种消费者包装食品、至少一个餐厅菜单项或至少一种食品食谱映射到食品本体。
在食品的分析和分类期间，食品分析系统210可以对获得的数据中指定的成分的类型和量进行自动解析和分类。在食品的分析和分类期间，食品分析系统210可以基于获得的数据中指定的已知成分或食品本体中的其它类似食品自动估计未知成分的类型和量。食品分析系统210可以使用至少概率模型来估计食品中必须的或可能出现的成分(例如，餐厅菜肴)。食品分析系统还可以计算具有所估计成分的食品的概率(或置信度水平)以及每种所估计成分的量的期望范围。
食品分类可以包括将原始成分的文本与食品本体中的等效初级食品项进行匹配。食品分类可以例如通过以下流水线在scikit-learn中实施。首先，可以通过使用曲折库对原始文本进行处理以将所有名词转化为其单数形式来执行单词单数化。曲折库可以用于正确生成复数、单数名词、序数、不定冠词，并且将数字转换为单词。接下来，可以使用计数矢量化器将特征提取为单词矢向量。接下来，根据卡方检验(chi-squared test)选择k个最佳特征。最后，可以利用多项逻辑回归进行分类。可以利用交叉验证在网格搜索中执行上述流水线，以找到最佳k值。
图54示出了用于针对食品分类管理训练集的图形用户界面(GUI)。GUI实现了以下用于训练集管理的能力。例如，可以添加训练样品(文本到初级食品的映射)。在添加样品时，可能的是针对样品文本搜索食谱成分。相反，可以去除训练样品。界面还允许查看现有训练样品，并且改变其所映射的食品项。可以批准样品。另外，如果那些样品是自动创建的并且并不非常准确，则可以去除对某些样品的批准。界面还可以允许按文本/食品项/批准状态过滤数据。界面可以允许用户容易/方便地访问相关信息。
食品分类可以包含置信度评分，所述置信度评分可以用于过滤或添加对结果的人验证输入。图55示出了根据一些实施例的通过置信度的食品分类成功的直方图。例如，如果对样品数据集选择了置信度阈值0.7，则在阈值之上可能存在971个正确的成分匹配和29个不正确的成分匹配，并且在阈值之下可能存在353个正确的成分匹配和55个不正确的成分匹配。
如先前所描述的，不同的食品类别可以以不同的方式呈现成分信息，并且因此可能需要以不同方式进行分析。在一些实施例中，食品类别可以被分类为多个不同的模型(例如4个不同的模型)，所述模型中的每个模型都建立于先前模型的结果之上。
第一模型可以包含食品分类模型。第一模型可以利用本文其它地方描述的食品分类技术。第一模型的相关食品类别可以包含包装食品、某些餐厅菜单以及在一些情况下的食谱(尽管通常可能不会将食谱输入到第一模型中)。第一模型的输入可以包括描述食品项的自由文本，例如“蔗糖”或“糙米”，并且第一模型的输出可以包括食品标识(食品ID)。
第二模型可以包含食品解析模型。第二模型的相关食品类别可以包含食谱以及在一些情况下包装食品(但是通常可能不会将包装食品输入到第二模型中)以及在一些情况下餐厅菜肴(但是可能很少会将餐厅菜肴输入到第二模型中)。第二模型的输入可以包括描述食品项以及其量的自由文本，例如“1杯古斯米”，并且第二模型的输出可以包括食品标识(食品ID)、成分的量和度量ID。食品解析可以包括根据食品本体将单个原始文本成分(例如，“1杯红糖”)转化为等效食品项、份和/或量。食品解析可以例如使用以下过程来执行。首先，可以使用来自第一模型的食品分类来确定初级食品项。可以从文本中提取所有可能测量结果的列表，并且使用标准单位库对所述列表进行标准化，从而将每个单位与相应量相关联。上面的列表可以利用不同单位之间的转换来进一步扩展。例如，如果在文本中找到了“汤匙”，但没有找到“茶匙”，则可以添加对应于“汤匙”的3倍的量的“茶匙”度量。可以从数据库中检索匹配的食品项的所有度量单位(例如“杯”、“汤匙”等)。然后，将两个列表进行匹配，以选择最可能的度量以及其量。食品解析功能可以被实施为本文描述的食品分析系统的一部分。
第三模型可以包含自由文本分析模型。第三模型的相关食品类别可以包含餐厅菜肴，以及在一些情况下包装食品(但是可能很少将包装食品输入到第三模型中)。第三模型的输入可以包括例如食品描述串：“奶油红辣椒莎莎醬拌自制深度油炸薯条。覆盖腰果奶油和香菜。以及口利左和两个煮熟的蛋。”第三模型的输出可以包括包含食品ID、成分的量和度量ID的列表。在某些情况下，量或度量不以自由文本的一部分的形式提供。在那些情况下，可以将模型配置为提取成分ID，并且将度量ID和量标为未知。
自由文本分析可以包括使用本文描述的任何NLP算法。自由文本分析可以包括对自由文本执行实体提取以提取文本中提供的食品信息。实体可以包括代表成分的对象。另外，实体还可以包括不一定代表成分但是尽管如此可以提供关于食品的标签或营养素的见解的对象。例如，在描述命名为“Totopos”的食品项的情况下：
{{自制[深度油炸]加工方法[薯片]拌奶油的食品[奶油红辣椒莎莎醬]食品。覆盖[腰果奶油]食品和[香菜]食品。配有[口利左]食品[两个]量[煮熟的蛋]食品}}。
实体可以包括例如：食品项、量、度量、加工方法、饮食需求、餐厅名称等。自由文本分析可以将每个实体与一个或多个其它相关实体相关联，例如，串结尾的“两个”是关于“鸡蛋”。一旦实体已被检测为“食品实体”，就可以通过成分分类器运行实体，以确定确切的食品ID。实体提取可以使用统计方法(如条件随机字段(CRF))来解决。在一些情况下，如果实体的语料库足够大，则也可以使用深度学习技术来解决实体提取。在串含有由逗号分隔开的食品项的情况下，可以简化实体提取，因为可以在运行食品解析之前基于逗号分隔来拆分串。
第四模型可以包含菜单项分析模型。第四模型的相关食品类别可以包含餐厅菜肴。第四模型的输入可以包括菜肴的名称和描述。第四模型的输出可以包括包含食品ID、成分的量、度量ID以及每种成分存在于菜肴中的概率的列表。
在菜单项分析下，菜单项不同于纯文本描述，因为菜单项含有菜肴的名称以及描述两者。描述不一定总是含有所有成分，并且因此菜单项的名称可以用于使用本文描述的统计方法中的任何统计方法来估计潜在成分。
例如，考虑来自菜单中的以下两个项：
(1)名称：鸡肉泰式炒河粉。描述：鸡肉、蛋、蘑菇、洋葱、香菜和花生炒的蒸米粉。
(2)名称：炒饭。描述：选择牛肉、猪肉或鸡肉。
菜单项分析流水线可以包含多个步骤。在统计名称分析下，假定存在食品的完整本体(其可以通过分类法用树表示)，并且可以基于食品名称找到分类法中的分支。
可以进行元素中的所有成分在分支中的并集，并且可以计算每种成分出现在食品项中的概率。例如：“鸡肉泰式炒河粉”可以是其自己的分支，也可以是常规分支“泰式炒河粉”的一部分。所有泰式炒河粉均具有米粉，其80％可能具有鱼酱，其23％可能含有蘑菇等。每种食品出现的概率(通过分支计算)可以通过以下方式给出：
P(食品中的成分)＝(含有成分的食品项的数量)/(食品项的数量)
如果分支中某个元素具有太少实例，则可以通过在分类法上升来重新计算概率。
每种食品出现的概率可以允许从菜单中提取更多信息。在一些实施例中，可以通过从用户和/或餐厅众包关于用户不确定的特定成分的出现来进一步细化数据。
可以对描述执行自由文本分析，然后可以将在先前步骤中发现的某些成分的概率增加到100％(或接近100％)。例如，在以上实例(1)中，蘑菇可以作为成分出现，并且因此食品项中具有蘑菇的置信度可以增加(例如，从23％增加到100％)。通过估计成分的量，可以生成针对每种成分的出现的概率列表。接下来，可以针对每种成分的量应用概率模型。考虑阈值θ，在所述阈值之上，成分假定为菜肴的一部分。最初，此阈值可以假定为值(例如50％)。在一些实施例中，阈值可以通过机器学习技术来估计，以最大化结果的精度。
为了估计量，再次考虑食品项出现的分支，并且针对每种成分的量对概率模型进行拟合。概率模型应用于分支中含有所述成分的所有样品。由于量始终为正，因此概率模型可以是对数正态分布，所述对数正态分布可以提供期望的量以及标准偏差两者。
食品分析系统210可以估计来自至少一种消费者包装食品、至少一个餐厅菜单项或至少一种食品食谱的未知营养素。一旦使用OCR、NLP、贴标机或食品分析系统210的其它算法对已知和未知成分的类型和量进行抽象化和估计，就可以使用此类信息来估计至少一种消费者包装食品、至少一个餐厅菜单项或至少一种食品食谱中未显示的营养素。食品分析系统210可以估计未显示的营养素的范围。在一些实例中，营养素的范围可以依据其量(例如，克、毫克等)或其基于营养素中的每种营养素的推荐的总日需要的百分比(％)。在一些实例中，未显示的营养素可以是大量营养素，包含总脂肪(例如饱和脂肪、反式脂肪)的分解或总碳水化合物(例如，膳食纤维、总糖、添加的糖)的分解。在一些实例中，未显示的营养素可以是微量营养素，包含维生素、宏量矿物质和微量矿物质。维生素可以包含生物素、叶酸、烟酸、泛酸、核黄素、硫胺素、维生素A、维生素B6、维生素B12、维生素C、维生素D、维生素E和维生素K。宏量矿物质可以包含钙、磷、镁、钠、钾、氯和硫。微量矿物质可以包含铁、锰、铜、碘、锌、钴、氟和硒。在一些实例中，未显示的营养素可以是植物营养素。植物营养素可以是花青素、鞣花单宁，类黄酮、硫化烯丙基和异黄酮。
食品分析系统210可以估计来自至少一种消费者包装食品的未知营养素。食品分析系统210可以对从营养标贴标签和至少一种消费者包装食品的成分列表中获得的数据进行解析和分类。营养标贴标签可以显示至少一种消费者包装食品中发现的一些但并非所有营养素。另外，营养标贴标签可能没有公开此类营养素的量(例如，毫克)。因此，食品分析系统210可以从使用贴标机和本公开中描述的其它算法获得的数据推断已知或未知成分以及其量。使用来自平台200的一个或多个数据库240的已知或未知成分中的每种成分的营养分解，食品分析系统210可以计算可以在至少一种消费者包装食品中发现的营养素的类型和量。通过使用营养标贴标签中的显示的项(例如，每份卡路里、总脂肪、总碳水化合物、蛋白质)，食品分析系统210可以针对相应显示的项将其计算的值进行比较，以验证其估计。
食品分析系统210可以估计来自至少一种食品食谱的未知营养素。食品分析系统210可以使用贴标机和本公开中描述的其它算法对来自至少一种食品食谱的成分和其相应的量的列表进行解析和分类。食品分析系统210可以聚集在成分中发现的营养素的类型和量，并且提供对所产生的食谱的营养值的估计。营养素可以包含至少一种大量营养素、至少一种微量营养素或两者。此估计可以产生高可靠性，因为至少一种大量营养素和至少一种微量营养素受烹饪方法的影响最小。用于估计来自至少一种食品食谱的未知营养素的流水线可以包含：(1)接收包含成分的食品食谱的自由文本，(2)对成分和其相应的量进行解析和分类，以及(3)使用来自一个或多个数据库的成分中的每种成分的营养分解来叠加成分的估计的营养值。可替代地或另外，食品分析系统210可以包含基于至少NLP、统计分析和多种化学数据库的用于估计食品加工(例如，油炸、煮沸、微波、烹饪时间等)对食品的营养素和其营养值的一种或多种影响的至少一个机器学习算法。在一些实例中，此机器学习算法可以被称为食品加工算法。食品加工算法可以包含针对一种或多种营养素的特定加工参数(例如，吸收系数、蒸发系数、扩散系数等)。一种或多种营养素中的每一种营养素的扩散系数可以考虑烹饪期间相应成分的大小。估计来自至少一种食品食谱的未知营养素的另外的流水线可以包含：(1)接收食品食谱的自由文本，包含成分、烹饪方法和烹饪时间，(2)通过使用至少机器标记器和食品加工算法对成分和其相应的量进行解析和分类，以及(3)叠加成分的估计的营养值。在烹饪过程期间，可以在烹饪期间的两个或更多个步骤中使用至少一种成分。可以分别对烹饪期间的两个或更多个步骤多次计算至少一种成分的营养值。
食品分析系统210可以估计来自至少一种餐厅菜肴的未知营养素。食品分析系统210可以将至少一种餐厅菜肴映射到食品本体。随后，食品分析系统210可以使用本公开中描述的其算法来检测哪些成分必须或可以出现在至少一种餐厅菜肴中。对于每种成分，食品分析系统210可以计算可能发现的营养素的类型和期望的量。
食品分析系统210可以利用自动蜘蛛构建器(也被称为“爬虫”)来爬互联网，以获得与食品相关的所有数据，对食品相关的信息进行抽象化和分类，并且将信息存储在一个或多个数据库240中。互联网120可以包含具有其菜单的餐厅、食品制造商和食谱博客的网站。每个网站可能具有不同的结构，并且可能是杂乱无章且过时的。食品分析系统210的自动蜘蛛生成器可以通过检测与每个食品名称、描述、价格、成分等对应的XPath来检测每个网站的布局。XPath(或XML路径语言)可以是用于从XML(可扩展标记语言)数据结构中选择数据点，如餐厅网站的数据点的查询语言。自动蜘蛛构建器可以按量级比例放大食品分析系统210的数据收集过程。自动蜘蛛构建器可以允许没有技术技能的内容管理团队容易地将数千种新食品添加到食品分析系统210中。
食品分析系统可以分析不具有关于食品的任何文本信息的食品菜肴的图片。在一个实例中，用户可以在餐厅使用移动装置拍摄食品项的图片。连接到移动装置的食品分析系统210可以自动接收食品项的图片。食品分析系统210可以使用至少其深度学习和OCR能力来对可能出现在食品项中的成分进行抽象化和分类。食品分析系统210可以将食品项与已经处于食品本体中的类似菜肴进行比较，以对可能出现在食品项中的成分进行抽象化和分类。如果通过食品分析系统210的内部测试模型证明成功，则可以将食品项映射到食品本体。食品分析系统210可以将用户的食品项的图片的电磁光谱的至少第一部分中的第一特性吸收曲线与已经处于食品本体中的类似菜肴中的至少一种菜肴的电磁光谱的至少第二部分中的第二特性吸收曲线进行比较。
对来自消费者食品包装的信息进行抽象化和分类的实例将在下面参照图12A-12C进行详细描述。
图12A展示了来自Dierbergs Bakehouse的柠檬芝士蛋糕1210的图片1200。一旦导入到平台200中，平台200中的食品标记系统210就使用机器学习和OCR来自动识别图片1200的一个或多个信息章节1211、1212并且在所述章节周围绘制边界框。第一信息章节1211含有柠檬乳酪蛋糕中的成分，包含牛奶、奶油、糖、大麦粉等。第二信息章节1212含有来自制造商的警告声明，包含制造商的设施中已经利用的其它成分。然后，食品标记系统210实时使用NLP算法对来自信息章节1211、1212中的每个单词进行抽象化。随后，食品标记系统210使用贴标机对信息进行标记和分类。
图12B展示了来自柠檬乳酪蛋糕1210的抽象化的和分类的信息的表1220。在表1220中，柠檬芝士蛋糕1210由其产品代码1230标识。表1220呈现了营养素(例如，卡路里、总脂肪、钠等)以及其相应的按重量计的量(例如，130g、6g、170mg等)1240-1250。表1220呈现了成分1260、1261的列表。表1220呈现了来自制造商1270-1275的另外的信息，包含包装含有什么、包装可以含有什么、已通过来自同一设施的同一设备制备了什么其它产品以及同一设施中已经利用的成分。重要的是，表1220呈现了根据表1220中抽象化的和结构化的数据由食品分析系统210的贴标机生成的一个或多个抽象标签1280、1281(例如，含有添加的糖、所有天然成分、无人工色素、无人工调味剂等)。表1220还含有对OCR和1290-1297中使用的所有食品标记器的置信度评分和准确度评分。人工智能生成的信息也可以以其它格式格式化，例如图12C中所展示的。贴标机可以对单个图片或一批不限数量的图片进行处理，并且可以在总计大约3分钟到大约5分钟的时间内完成分析。如果一张图片具有多于一种包装食品，则食品分析系统210可以将图片分解为多个子图片。每个子图片可以含有一个包装食品。
图13展示了抽象和分类之后的多种消费者包装食品的示例性表格。多种消费者包装食品可以通过机器生成的编号系统或通过其相应的产品代码来组织。每个消费者包装食品可以含有多张图片(例如，不同年份或来自不同角度的图片等)。所述表格还保持跟踪许多成分、营养素、检测到的过敏原以及已被发现为真实(积极的)的许多食品特性标签和已被发现贴标机不适用(消极的)的许多食品特征标签。
图14展示了由食品分析系统210获得并分析的示例性餐厅菜单。食品分析系统210可以使用OCR和其它算法来检测食品菜肴以及其相应的菜单和子菜单标题并且绘制围绕食品菜肴以及其相应的菜单和子菜单标题的边界框。如图14中示出的，仅通过实例的方式，食品分析系统210可以将菜单1400分解为食品菜肴及其标题1410和其它非食品相关的信息1420。图15展示了从餐厅菜单抽象化的信息的示例性表格。这是可扩展的方法，其可以使用AI、OCR和/或其它算法来捕获跨美国的至少约350,000个餐厅位定位的菜单。另外，AI可以连续监测新网站或先前分析的网站的网络，以标识新菜单并且扩展数据库。
平台200的食品分析系统210可以将所有分析的信息编译到食品本体中。食品本体可以用作所有食品的网络。食品本体可以描述食品、成分、营养素和其它特性之间的关系。本公开中提供的食品本体可以描述包括或食品、成分、营养素和/或特性的两个或更多个类别之间的一种或多种关系。本公开中提供的食品本体可以描述上述类别之一内的两种或更多种组分之间的一种或多种关系。
食品本体可以包括描绘与不同食品相关的信息的图形表示。食品本体可以进一步包括在电子显示器上显示食品本体的图形表示。食品本体的图形表示可以是二维的。食品本体的图形表示可以是多维的，包括三个或更多个维度。
食品本体可以是图形数据库。图形数据库可以包括一个或多个节点。一个或多个节点可以连接到一个或多个边缘。每个边缘可以代表两个节点之间的关系。在食品本体的实施例中使用的一个或多个节点以及一个或多个边缘的实例在本公开中上面提及的。
图形数据库可以包括食品相关的概念的一种或多种“分类法”(例如，食品项、成分、量、尺寸、体积、加工方法、饮食需求、营养值、餐厅名称、食品菜肴名称、饮食限制、地理来源等)。分类学可以为食品本体的基本构件块。分类法可以由一个或多个节点(例如，一个或多个食品项节点)和一个或多个边缘表示。分类可以是至少“食品空间”中的维度。因此，分类法的一种或多种组合可以呈现呈多个维度的食品本体。分类法的一种或多种组合可以允许沿多个维度中的任何维度对食品空间进行分析和/或可视化。在一些情况下，食品本体的分类法可以被表示为具有一个或多个节点以及一个或多个边缘的树形图，如本公开中其它地方上面提及的和描述的。在一些实例中，边缘可以表示两个节点之间的“是(IS A)”关系(例如，“鸡肉”是“家禽产品”；“烹饪”是“加工方法”等)。在其它实例中，边缘可以表示两个节点之间的“良好替代”关系。
在一些情况下，食品本体的分类法可以是成分。成分分类法可以可操作地连接到一个或多个食品数据库(例如，初级食品数据库，如美国农业部(USDA)国家标准营养素参考数据库、USDA品牌食品产品数据库等)。在成分分类法中，每个节点都可以代表一种食品。食品可以是特定食品(例如，可口可乐，香蕉等)，或可以呈一种或多种特定食品的组合的抽象食品(例如沙拉、金枪鱼三明治、mac和奶酪等)。在一些情况下，食品可以是特定食品属(例如，牛肉、坚果、蔬菜、水果等)的抽象类别。边缘可以代表两种食品之间的关系。可以允许两种食品之间的关系的几种类型。在一个实例中，可以允许两种食品之间的关系两种类型。两种食品之间的关系第一类型可以是“IS_A”，表示可以是另一种食品的变型或一部分的食品。一些实例可以包含(1)“黄鳍金枪鱼IS_A金枪鱼(的变型)”并且“金枪鱼IS_A(鱼类的变型)”，以及(2)“鸡大腿IS_A鸡肉(的一部分)”并且“鸡肉IS_A家禽肉(的变型)”。两种食品之间的关系的第二类型可以是“含有”，表示可以含有第二食品的第一食品。第一食品可以含有某种类型的加工、转化之后的或直接第二食品。如果此含有包含单个成分的加工，则边缘可以包含加工方法信息。如果此含有包含对两种或更多种成分的加工，则节点可以包含加工方法信息。一些实例可以包含：(1)“杏仁粉含有(经过研磨的)杏仁”，并且(2)“煮熟的白大米含有(白大米、水)。”食品本体可以具有预先定义的边缘的另外的类型，以描述任何两个节点对之间的另外的关系。食品分析系统210可以生成针对食品本体的一个或多个新边缘。
如上所述，在一些情况下，食品本体的分类法可以是一种或多种加工方法。一种或多种加工方法可以表示食品组分在各个阶段的制备期间所经历的各种一种或多种过程(例如，生长、收获、运输、烹饪等)。可以采用的烹饪的类型的实例可以包含：熟化、烘焙、烘烤、烤制、嫩煎、烧、蒸、煮、铁扒、深度油炸、煎锅油炸、空气炸、撞击烹饪、蒸炖、沸腾、煲、蒸炖、真空烹调、烟熏、冷熏和/或上述的任意组合等。
食品本体中的节点可以是特定食品项。特定食品项可以包含特定种类的种子、特定种类的蔬菜、特定种类的块茎、特定种类的食用真菌、特定种类的肉类等。特定食品项可以被称为食品本体的图形数据库的叶节点(或叶)。叶节点可以是不具有儿童节点的节点。例如，马铃薯(育空金马铃薯(Yukon Gold Potato))不能被分解为子食品，而可以注册为食品本体中的叶节点。因此，叶节点中的每个叶节点可以是存在于每个特定食品项以上的元对象。另外地或另外，食品分析系统210可以(i)接收来自其它营养服务(例如，USDA)的特定食品项的数据，(ii)分析数据并且将数据映射在食品本体中，以及(iii)使用至少一个机器学习算法来学习如何概括特定食品组并创建新的叶节点。例如，“长糙米”和“短糙米”可以被概括为“糙米”，并且食品本体可以具有“长糙米”、“短糙米”和“糙米”叶节点。如果食品分析系统210确定已经概括了来自第三方数据库的进入数据(例如“糙米”)，则可以将该数据绘制为食品本体中的叶节点。
食品本体的图形表示可以是多维的，包含二个、三个或更多个维度。图16展示了与潘娜拉面包店(Panera Bread)的金枪鱼沙拉相关的食品本体1600的示例性二维图形表示。食品本体1600含有多种类型的节点。食品本体含有多种类型的边缘。粗边缘表示从原始输入数据直接抽象化的两个节点之间的关系。细边缘表示两个节点之间的由食品分析系统210间接估计的关系。第一类型的节点可以是消费者包装食品(例如潘娜拉面包店的金枪鱼沙拉)、抽象食品类型(例如，金枪鱼沙拉、沙拉、小麦卷饼、金枪鱼沙拉卷饼或卷饼)或成分(例如，鱼类、金枪鱼、泡菜、蛋黄酱、蛋、醋或盐)。节点可以是更高类的节点的子类，并且此关系可以由IS_A边缘表示。一些实例包含“潘娜拉面包店的金枪鱼沙拉IS_A金枪鱼沙拉(的子类)”并且“金枪鱼沙拉IS_A沙拉(的子类)”并且“金枪鱼沙拉卷饼IS_A卷饼(的子类)”。如果子类作为整体包含在更高类的节点中，则此关系可以由含有边缘表示。在一个实例中，“金枪鱼沙拉卷饼含有(金枪鱼沙拉、小麦卷饼)。”可替代地，节点可以是包含在更高成分节点中的成分，并且此关系可以由含有边缘表示。如图16所展示的，金枪鱼沙拉的成分包含金枪鱼、蛋黄酱、泡菜、蛋、醋和盐。由于金枪鱼和蛋黄酱是已知成分，因此食品本体如在“金枪鱼沙拉含有(金枪鱼、蛋黄酱)”中使用厚含有边缘描述金枪鱼和蛋黄酱。同样，由于蛋、醋和盐是蛋黄酱的已知成分，因此食品本体如在“蛋黄酱含有(蛋、醋、盐)”中使用厚含有边缘对前三个项进行自动分类。另一方面，由于泡菜为由食品分析系统210估计的未知成分，因此食品本体如在“金枪鱼沙拉含有(泡菜)”中使用薄含有边缘来描述泡菜。节点可以滚动，指示平台200的一个或多个数据库240具有连接到节点项目的特定营养值。
图56展示了与成分分类学相关的食品本体1600的示例性二维图形表示。中央“谷物和谷粒”节点可以通过边缘连接到多个子节点中的每个子节点(其中每个边缘由沿从子节点到中心节点的方向指向的箭头指示)。子节点中的一个或多个子节点可以表示“谷物和谷粒”节点的已知或未知成分。“谷物和谷粒”节点的子节点(成分)的实例可以包含伪谷物、燕麦、大米、大麦、小麦、玉米、黑麦谷粒、黍、苔麸、高粱谷粒和黑小麦。节点与每个子节点之间的关系的性质可以在食品本体上通过边缘的长度(例如，箭头的长度)、边缘的宽度或颜色、节点与子节点之间的距离、子节点的颜色/形状/大小等来表示。节点与每个子节点之间的关系的性质的实例可以包含，例如，成分子节点是否应该或可以存在于食品节点、成分的来源、成分的替代物等中。
食品本体可用于利用一种或多种算法来推断食品之间或与食品相关的数据之间(例如，每种食品内的成分之间)的关联(例如，已知或未知关联、抽象关联等)。一种或多种算法可以包括一种或多种统计方法。在一些情况下，食品本体可以用至少两个组分表示：(1)分类法，其可以是各种“食品空间”维度的层级(例如，成分、加工方法、上菜方法、营养素组合物、菜系等)，以及(2)构成每种分类法的节点和边缘(例如，食品项节点)。至少两个组分的此类表示可以用于推断、生成、评估、确认或拒绝分类法内的节点之间的一种或多种关联。在一些情况下，此食品本体结构可以用于推断节点之间的常见关联。在一个实例中，在食谱的上下文中，用户可以输入“BLT”，并且食品本体可以揭示针对培根-生菜-番茄三明治的食谱。在另一实例中，在餐食的上下文中，用户可以输入给定食品项(或关于食品项的部分信息)，并且食品本体可以预测哪些另外的食品也可以包含在用户输入餐食中(例如，作为食品项的一部分或除了食品项)。
可替代地或另外，食品本体可以比较两种或更多种分类法，并且生成包括新节点和边缘的新分类法，以表示食品相关的信息之间的先前未知或未识别的关联。
一种或多种统计方法可以用于生成食品之间或与食品相关的数据之间的统计关联。本文提供了生成此类统计关联的示例实施例。给定食谱的集合(即，“人群”)和食谱的子集(即，“样品”)，一种或多种统计方法可以标识成分分类法中具有关联的两个或更多个节点(例如，“强烈关联”的节点)。例如，给定20,000个食谱，其中包括12个含有作为食谱的一部分的“BLT”的食谱(例如，在标题、描述、成分等中)，则食品本体可以使用其一种或多种算法来找到与“BLT”食谱有关的节点(例如，成分节点)。一种或多种算法可以利用多个步骤。成分分类法中的每个节点都可以被视为人群的二元变量(例如，每种食谱与“培根”、“生菜”和/或“番茄”是连接的还是未连接)。在一些情况下，一种或多种算法可以假定人群大到足以代表一般人群，并且可以将人群中的节点的频率视为随机食谱含有节点的概率的标准化近似。随后，对于每个节点，一种或多种算法可以提出零假设(例如，样品与节点不相关联，即，节点出现在样品中的概率与节点出现在人群中的概率相同)，并且通过计算样品将含有与其所含有的节点的一样多的实例的机会(例如概率评分)来测试零假设。阈值可以定义或预先确定，并且在给定零假设的情况下观察到的数据的概率低于该阈值时，一种或多种算法可以拒绝零假设并且将节点添加到食谱的关联的列表中。
在数学上，每个节点都可以被视为随机二元变量，其中概率p＝食谱的人群中节点的频率。如果样品(或子集样品)大小为n，则可以将连接到节点的食谱的数视为具有概率p和重复数n的二项式随机变量。在一些情况下，如果k是连接到节点的食谱的实际数量，则计算给定场景或一个或多个极端的概率可以包括计算p、n和k-1的二项式生存函数。要接受或拒绝零假设，如上所述，可以使用约0.01％到约10％的阈值范围。在一些情况下，阈值可以为至少约0.01％、0.02％、0.03％、0.04％、0.05％、0.06％、0.07％、0.08％、0.09％、0.1％、0.2％、0.3％、0.4％、0.5％、0.6％、0.7％、0.8％、0.9％、1％、2％、3％、4％、5％、6％、7％、8％、9％、10％或更多。在一些情况下，阈值可以为至少约10％、9％、8％、7％、6％、5％、4％、3％、2％、1％、0.9％、0.8％、0.7％、0.6％、0.5％、0.4％、0.3％、0.2％、0.1％、0.09％、0.08％、0.07％、0.06％、0.05％、0.04％、0.03％、0.02％、0.01％或更少。在一个实例中，上述“BLT”实例可以使用0.1％的阈值，这与5％阈值相比，可以被视为更“严格”的阈值。
此外，食品本体可以利用其一种或多种统计方法作为概括工具来标识一个或多个重要统计模式。在一些情况下，两个用户可以消耗法式炸薯条(例如，每天、隔日、每周一次、每月一次等)。一个用户可能对油炸食品作出消极反应(例如，在消耗油炸食品之后经历过敏反应、恶心、头痛等)，而另一用户可能对淀粉类蔬菜(例如马铃薯)作出消极反应。可以将对法式炸薯条可以是油炸的并且含有淀粉类蔬菜成分的知识存储在食品本体中并在寻找关联时传播(例如，通过使用矩阵乘法)。如此，含有法式炸薯条的两个用户的餐食都可以连接到节点“朋友”和/或“淀粉类蔬菜”，从而允许一种或多种统计方法概括跨用户的相关餐食的所有餐食的模式(例如，含有第一用户的其它油炸食品的餐食以及含有第二用户的其它淀粉类蔬菜的餐食)。
图57A和57B展示了使用算法(例如，一种或多种统计方法)来生成食品之间或与食品相关的数据之间的统计关联的示例性过程。图57A展示了多个食谱之间的用于标识一个或多个样品(食谱)以及其如何与“BLT”相关联的“BLT”文本查询的示例性结果。在此情况下，对“BLT”(或“blt”)的查询搜索已标识出12个样品，其中12个样品通过节点(如培根、番茄、三明治、生菜和罗勒)相关联。所列示的关联中的每个关联可以通过与查询搜索相关联的所标识节点的概率评分指示。
图57B展示了将一种或多种统计方法应用于食品本体以进行预测性餐食记录的示例性方式。食品本体可以已经映射了一个或多个用户的多种(例如，数千种)餐食。每一种餐食可以被描述为食品项的列表，其中每个项可以被描述为节点的集合(例如，成分的集合)。对于至少部分地描述用户已经消耗的食品项(例如，“蛋”)的节点，可以对食品本体应用一种或多种统计方法来标识一个或多个用户可能已经消耗的一个或多个节点作为餐食的一部分。此类一个或多个节点可以用一个或多个用户可能已经消耗的概率评分来标识，和/或可以通过此概率评分来排名。在一些情况下，一个或多个节点可以由两个或更多个关联来分类别，如“内部”关联(描述所关注的食品项的一个或多个属性，例如，“煮”为煮蛋、“油炸”为油炸蛋等)和“外部”关联(例如，描述一个或多个用户先前与蛋一起消耗的不同食品项，如奶酪、面包等的一个或多个属性)。所列示的关联中的每个关联可以通过与查询节点相关联的所标识节点的概率评分指示。
如上所述，可以使用食品本体来进行食品概括或餐食概括。用户可以直接(例如，通过在数字日记上写下每种餐食)或间接(例如，通过在移动手机上拍摄并保存餐食的图片以将其发布在社交媒体上)来生成食品日志(例如，用户所消耗的食品或餐食的图像的集合或书面列表)。在一些情况下，可能有利的是，将膳食概括为一种或多种一般膳食以促进(例如，自动促进)用户的食品记录经验和/或理解用户的共同餐食趋势。
用于比较多种餐食(例如，至少2种、3种、4种、5种、6种、7种、8种、9种、10种餐食或更多；最多10种、9种、8种、7种、6种、5种、4种、3种或2种餐食)的指标可以类似于或基于用于比较和评估初级食品项之间相似性的指标。对于初级食品项，可以利用各种方法来定义食品本体中的节点之间的相似性。在一些情况下，方法可以强调特异性(例如，相比于“鸡肉”，“煎蛋”可能对“蛋”更具特异性，并且相似性指标随着食品本体中节点之间的距离的减小而增加)和/或共同上代(例如，“法式炸薯条”和“土豆泥”可以共享共同“马铃薯”上代，并且相似性指标随着节点之间的共同上代的数量的增加而增加)。在餐食的上下文中，测量或标识两种餐食之间的相似性可以包括迭代地标识两种餐食之间的共同组分(例如，食品项)，标识比另一组分更常见的组分(即，最接近的组分)，“匹配”最接近的组分并且将其从两种餐食中去除。可以重复此过程，直到两种餐食中的至少一种餐食中无剩余组分为止，其中不具有剩余组分的餐食可以被标记为“小餐食”，并且具有剩余组分的餐食可以被标记为“大餐食”。随后，可以根据一个或多个指标(例如，较小餐食中的共同组分的第一百分比、较大餐食中的共同组分的第二百分比、第一百分比和第二百分比的平均、第一百分比与第二百分比之间的差、共同组分的数量)来生成相似性。
通过使用本文描述的指标中的一个或多个指标或其修改形式，可以通过将餐食分组到一个或多个不同的组(或子组)来概括膳食。对餐食分组的一种方法可以包括聚类，如分层聚类、具有噪声的应用的基于密度的空间聚类(DBSCAN)、其变体或其组合。对餐食分组的另一种方法可以包括用于通过其相似性在视觉上呈现和安排餐食，并且开发针对用户、主管和/或计算算法的界面以对餐食进行分组的多维缩放(MDS)。
图58A和58B展示了基于MDS对餐食进行分组的示例性过程。如图58A所展示的，MDS可以在视觉上呈现多种餐食(由单个点或圈表示)。多种餐食可以通过其相似性布置，并且相似性可以由颜色5810、5820、5830、5840、5850、5860和5870以及其相对于彼此的相应位置指示。例如，颜色5830指示的食品呈组的形式时可以具有广泛的相似性，其中布置在新月状的左上方的食品5830a和布置在新月状的右下方的食品5830b在颜色5830组内的彼此之间可以展示出最低程度的类似性。例如，颜色5830可以指示多种快速食品餐食，其中食品5830a可以代表素食者餐食(例如，泰国豆腐炒河粉)，并且食品5830b可以代表非素食者餐食(例如，韩式牛肉短肋骨烧烤)。在一些情况下，颜色5870指示的单个食品可以代表单个餐食。可以将图58A中的图形表示提供给用户、主管和/或计算算法以对餐食进行分组。
图58B展示了对图58A中呈现的餐食进行分组的结果。如图58B中所示出的，先前已由颜色5810、5820、5830、5840和5850布置的餐食被分组为新组5880，而先前已由颜色5860和5870指示的餐食被分组为新组5890。
对于餐食归纳，一旦已将多种餐食分组为一个或多个组(例如，如图58A和58B中所展示的)，就可以标识(或生成)每个组的经过概括的餐食。一种方法可以包含标识所有餐食中出现的一个或多个分支(每种餐食内的节点)，并且在每个餐食组内选择餐食中最常见(最普遍，例如，餐食的至少30％、40％、50％、60％、70％、80％、90％、99％或更多)的一个或多个节点。可替代地或另外，方法可以包含评估在每个餐食组内的餐食中可能常见的节点，然后生成最代表餐食中常见的一个或多个节点(例如，在餐食的至少30％、40％、50％、60％、70％、80％、90％、99％或更多)的新餐食。在一些情况下，可以将新生成的餐食包含在多种餐食的池中，并且可以对此类池进行重新评估以进行餐食归纳，从而确认新生成的餐食确实是代表部先前标识的餐食组中的一些或最多的概括的餐食。
重要的是，食品分析系统210可以对来自其它营养跟踪器的数据进行标准化。来自此类数据库的数据可能是非结构化的，碎片化的和/或杂乱无章的，并且通常彼此可能不兼容。食品分析系统210可以(1)获得来自其它营养跟踪器的数据，(2)将此类数据转换为具有一种通用格式的结构化数据，以及(3)将结构化数据组织为食品本体中的多层信息。因此，食品本体可以用作存在于现有食品和/或营养数据库之上的标准化元对象。例如，食品分析系统210可以对来自多个数据库(例如，MyFitnessPal、LoseIt、FatSecret等)中的每个数据库的“墨西哥卷饼”进行分析和映射并且跟踪用户的食品和/或饮品摄入。
图41展示了平台200的食品分析系统210与一个或多个营养跟踪器4110a–4110c之间的示例性网络布局4100。一个或多个营养跟踪器4110a–4110c可以分别与API 4120a–4120c进行数字通信。API 4120a–4120c可以与以下数字通信：(1)用于存储数据的一个或多个数据库4130a-4130c，以及(2)包括用于从用户接收数据和/或向用户发送数据的GUI的软件和/或应用(图41中未示出)。一个或多个营养跟踪器4110a–4110c的API 4120a–4120c可以允许用户记录用户的食品摄入，并且提供用户的食品摄入的营养信息和卡路里信息。API4120a–4120c分别可以馈送一个或多个数据库4130a–4130c中的所有数据。一个或多个数据库4130a-4130c中的数据是无结构的、碎片化的和/或杂乱无章的。因此，在接收关于食品的来自一个或多个营养跟踪器4110a–4110c的数据时，食品分析系统210使用一种或多种算法来(1)将数据转换成结构化数据并且(2)将结构化数据组织成食品本体4140中的多层信息。此类结构化数据被标准化为食品本体4140的通用格式。因此，将含有来自一个或多个营养跟踪器4110a–4110c中的每个营养跟踪器的一个或多个数据库4130a–4130c的信息的丰度的食品项映射到食品本体4140，其中食品本体4140通过构建一个或多个层组织信息。
当与平台200的另外的健康相关的数据和/或机器学习算法结合时，食品本体对于许多应用可能是有用的。此类应用的实例可以包含但不限于：(1)估计食谱和/或餐厅菜肴的营养值；(2)将食品和健康推荐提供给用户并且获得对用户的口味概况(例如，用户对食品菜肴或食品类型的偏好)的理解；(3)构建食品日志；(4)根据现有包装食品生成缺失的初级食品；(5)生成食品特性的更准确的标签；(6)分析食品成本；(7)对烹饪对营养值的影响进行建模并且估计食品加工的程度；(8)食品的改进的图像分类或计算机视觉分类；(9)基于语音的食品日志的改进的分析；(10)标识食品替代品或替代物(例如，将食谱变成无麸质，使食谱少咸，使食谱“更健康”等)；并且(11)创建一种或多种新食品(例如，根据现有食品生成新食品菜肴，根据现有包装食品生成新初级食品等)。
装置/数据集线器
装置/数据集线器220可以在平台200和装置110与一个或多个第三方数据库130之间生成用户的个性化数据网络。装置/数据集线器220可以与以下数字通信：(i)包括食品数据、健康数据和/或营养数据的一个或多个装置(例如，人装置，如移动电话)；和/或(ii)包括食品数据、健康数据和/或营养数据的一个或多个数据库。装置/数据集线器220可以收集和聚集食品数据、健康数据或营养数据。装置/数据集线器220可以是用于收集和聚集来自多个应用程序接口(API)的多个数据集的系统。多个数据集可以以两种或更多种不同格式提供。多个数据集可以包含与用户相关联的多个生理输入。多个数据集可以从另外的来源，如一个或多个第三方数据库130(例如，医疗保健提供者)收集。装置/数据集线器220可以自动聚集用户的食品数据、生物标记数据和健康数据(例如营养、活动、睡眠、遗传学、葡萄糖、月经周期等)。用户的此类数据可以由装置/数据集线器220连续地流式传输。装置/数据集线器220可以连接到一个或多个装置和/或一种或多种服务，并且每月收集一个或多个数据点。装置/数据集线器220可以连接到超过100个装置和服务，并且每月收集大约4亿个或更多个数据点。不管其来源如何，所有进入数据都可以完全集成到装置/数据集线器220的格式中。所有进入数据可以完全集成到装置/数据集线器的软件框架中。软件框架可以是网络框架(WF)或网络应用框架(WAF)。
装置/数据集线器220可以是用于在食品分析系统210或见解和推荐引擎230进行分析之前存储来自装置110的原始数据的无服务器系统。API中的一种或多种变化不会影响存储在装置/数据集线器220中的原始数据。在装置/数据集线器220中任何原始数据都不会丢失。可与装置/数据集线器220兼容的装置110和一个或多个数据库130以及其相应的API可以包含移动装置、可穿戴电子设备、医疗装置、护理点(POC)装置或套件、传感器等。传感器可以包含葡萄糖传感器、GPS接收器、心率监测仪、皮肤电反应(GSR)传感器、皮肤温度传感器、电容性传感器和代谢传感器。传感器各自可以为具有离散API的离散装置。传感器各自可以为装置110中的一个或多个装置的集成组件或功能。
提供了装置110和其相应的数据类型的实例。从雅培(Abbott)葡萄糖监测仪，可以获得血糖水平的数据。从Fitbit，可以获得包括活动、步数、重量和睡眠的数据。从Jawbone，可以获得包含活动、步数、重量和睡眠的数据。从GoogleFit，可以获得包含活动和步数的数据。从Moves，可以获得关于活动的数据。从Runkeeper，可以获得包含活动、重量和睡眠的数据。装置110的另外的类型可以包含具有心率监测仪的智能衣物、跟踪并调整个体打呼的传感器实现的床垫、配备有入耳式温度计的耳塞、通过传感器收集刷牙数据(频率、持续时间、刷牙的区域等)的人工智能嵌入式牙刷、跟踪个体的生物标记(例如，活动、步数、睡眠、心律等)的智能环、可穿戴心电图监测仪、便携式空气质量跟踪器、被设计为放置在用户的药物治疗药片附近并提醒用户已安排的药物治疗的药物治疗附着集线器、电子烟或蒸气、设计为抵消由帕金森氏(Parkinson's)病的手颤和其它引起不稳定性状况的智能器具、可以帮助女性跟踪和了解宫缩的怀孕跟踪可穿戴装置、助听器、用于测量皮肤中的抗氧化剂的传感器、用于诊断肠胃问题或测量食品摄入和/或消化状况的可植入式(例如通过吞咽)传感器、就坐于口中以检测通过咀嚼食品发出的声音的装置、用于测量食品的吸收光谱的便携式光谱仪以及用于提供食品的部分化学组合物的便携式质谱仪。
包含装置/数据集线器200的平台200可以在基于GUI的软件界面中实施。基于GUI的软件界面可以将包含装置/数据集线器220的平台200连接到用户装置(例如，个人计算机、智能电话等)。基于GUI的软件界面可与用户装置的任何操作系统兼容。在使用时，基于GUI的软件界面可以不受限制地访问用户装置中的数据或可通过用户装置访问的数据。基于GUI的软件界面可以自动收集数据，而不依赖于用户输入。用户装置中的数据可以包含图片、视频、语音记录、文本、位置服务等。可通过用户装置访问的数据还可以包含用户的云存储服务中的数据。可通过用户装置访问的数据可以包含来自将用户装置连接到一个或多个第三方装置(例如，葡萄糖监测仪、温度传感器等)的至少一个第三方应用的数据。
装置/数据集线器220可以是无缝食品图像记录器。通过使用可以安装在用户装置中的基于GUI的软件界面，装置/数据集线器220可以不受限制地访问用户装置的相机胶卷。每次用户装置拍摄图像时，装置/数据集线器220的卷积网络就可以分析图像以决定图像是含有还是不含有至少一种食品或饮品。卷积网络可以分析用户使用除了基于GUI的软件界面之外的应用(例如，用户装置的照片应用、Instagram等)时的图像。如果卷积网络可以标识图像中的至少一种食品或饮品，则将图像与时间戳和地理位置一起自动聚集在一个或多个数据库240中。所存储的图像数据可以用于由食品分析系统210以及见解和推荐引擎230进行分析。分析可以包含研究用户身体指标(例如，血糖水平、睡眠时间、步数等)可能如何受到图像中的至少一种食品或饮品的影响。装置/数据集线器220的无缝食品图像记录器功能可以促进食品分析系统210所需的食品跟踪的繁琐且不断的过程。基于GUI的软件界面的针对无缝食品图像记录器功能的示例性窗口展示在图17A-17D中。在用户装置中安装期间或之后，基于GUI的软件界面可以要求用户访问用户装置的相机胶卷。
装置/数据集线器220可以通过文本和语音识别分析来执行食品跟踪。通过使用安装在用户装置中的基于GUI的软件界面，用户可以将关于食品(例如，用户已经食用的食品、用户计划食用的食品、用户想要了解更多的食品等)的至少一个自由文本或至少一条语音消息记录并存储到装置/数据集线器220。装置/数据集线器220可以利用第三方服务(例如，Speech2Text)将至少一条语音消息自动转换为相应的自由文本。所存储的至少一个自由文本或至少一条语音消息的数据可以用于由食品分析系统210以及见解和推荐引擎230进行分析。在一个实例中，如果用户将自由文本“1片面包加两个蛋和一杯咖啡”敲入到基于GUI的软件界面，则装置/数据集线器220可以将自由文本的数据保存到一个或多个数据库240，并且指示食品分析系统210进行数据分析。食品分析系统210可以对自由文本中提到的食品的营养信息(例如，碳水化合物或营养素摄入)进行抽象化和分类，并且将食品映射到食品本体。随后，与食品分析系统210通信的装置数据集线器220可以告知用户分析的结果。装置/数据集线器220的文本和语音识别功能可以促进食品分析系统210所需的食品跟踪的繁琐且不断的过程。基于GUI的软件界面的针对语音识别分析功能的示例性窗口展示在图18A-18C中。基于GUI的软件界面窗口可以显示用户可以使用以将语音消息记录到装置/数据集线器220的示例句子结构，如图18A中示出的。在将语音消息自动转换为自由文本之后，基于GUI的软件界面窗口可以向用户显示自由文本，如图18B中示出的。在立即分析来自自由文本的食品相关的信息之后，基于GUI的软件界面窗口可以显示分析的结果(例如，食品项和预测的卡路里和份量)，并且还要求用户在将结果保存在一个或多个数据库240中之前验证或编辑准确度的结果，如图18C中示出的。
装置/数据集线器220可以与许多医疗装置和医疗保健数据库通信，以连续地流式传输和存储用户的个性化数据。所存储的用户的个性化数据可以用于由见解和推荐引擎230进行分析。用户的个性化数据可以包含葡萄糖水平。装置/数据集线器220可以与葡萄糖仪通信。装置/数据集线器220可以与连续葡萄糖监测(CGM)装置通信，所述连续葡萄糖监测装置另外被称为实时CGM(RT-CGM)装置。CGM装置与其在装置上和/或在用户装置上的对应GUI的组合可以在连续的基础上确定血液中的葡萄糖水平。CGM装置可以监测间质液的如与血糖水平密切相关的葡萄糖水平。间质液的葡萄糖水平的测量结果可以具有与相应血糖水平相比最多约15％、14％、13％、12％、11％、10％、9％、8％、7％、6％、5％或更少的误差。间质液的葡萄糖水平的测量结果可以具有相应地与血糖水平相比较短的延迟。CGM装置在用户的日常活动，包含淋浴、运动、睡眠等期间可以保持功能性。可以对患有1型糖尿病或2型糖尿病的用户使用CGM装置，以评估用户何时应注射胰岛素。CGM装置对于运动员优化其运动表现可能是有用的。CGM装置对于对跟踪食品摄入作为监测其减重饮食的方式感兴趣的个体可能是有用的。CGM装置可以包含任何适合的连续葡萄糖监测设备。
根据本公开的网络可以包括装置/数据集线器220、装置110、一个或多个第三方数据库130和平台240的一个或多个数据库。平台240可以是用于数据存储的虚拟私有云(VPC)(例如，亚马逊(Amazon)VPC)。网络可以利用许多独立软件组件，所述独立软件组件被统称为开源Apache HadoopTM堆栈。这些组件可以包含如以下产品：CassandraTM、CloudStackTM、HDFS、ContinumTM、CordovaTM、PivotTM、SparkTM、StormTM和/或ZooKeeperTM。本文所描述的机器学习/NLP算法可以利用现有技术机器学习库，包含如建立于Apache SparkTM和
Figure BDA0002689256150000581
系统上的那些公共库。
见解和推荐引擎
见解和推荐引擎230可以(1)访问食品分析系统210中的食品本体，(2)访问来自装置/数据集线器220的大量个人生物标记数据，(3)分析食品如何影响用户的生物标记，以及(4)连续生成对用户的个人营养推荐。平台200的三个组件之间的关系展示在图20中。在分析和验证食品可以如何影响用户的生物标记之后，见解和推荐引擎230可以生成对于用户而言唯一的一个或多个个性化数字签名。个性化数字签名可以是用于估计用户的特定生物标记对消耗特定食品项的反应的算法。例如，血糖(或糖)水平的数字签名可以考虑在相同时间两个个体的血糖水平对消耗相同的食品项(咖啡、苹果和三明治)可能作出不同反应，如通过图21中的曲线图示出的。一个或多个个性化数字签名对于与个体相关的许多其它因素而言可以是唯一的，所述其它因素包含性别、年龄、种族、遗传学、微生物组、宗教饮食限制、地理位置、高度、重量以及天、月或年中的时间。除了本公开中提供的见解和推荐引擎230以及其它功能的最终用户之外，可能受益的另外的合作伙伴包含医疗保健装置制造商、第三方大数据、第三方数据库和保险公司，如图22中示出的。
见解和推荐引擎230可以通过对多个数据集应用至少一种预测模型来确定食品消耗对用户身体的各种影响。多个数据集可以包含用户消耗的食品和与用户相关联的生理输入。此类数据可以从包含离散API的多个来源获得。多个数据集还可以包含关于用户所消耗的食品的来自食品本体的信息。对多个数据集应用至少一个预测模型可以生成用户的多个个性化食品和健康指标。
见解和推荐引擎230可以包含许多分析和深度学习算法，包含统计分析和人工神经网络(ANN)。ANN可以是受生物神经网络的结构方面或功能方面启发的数学模型或计算模型。ANN可以包含互连的人工神经元(单元)组。ANN可以是被配置成基于学习阶段期间流经网络的外部或内部信息来改变其结构(例如，单元之间的连接)的自适应系统。ANN可以用于对输入与输出之间的复杂关系进行建模或找到数据中的模式，在这些模式中，无法容易实现输入与输出之间的依赖性。在一些实例中，复杂关系可以包含食品如何在多种生物标记方面影响用户的身体。
作为ANN的替代或除了ANN之外，见解和推荐引擎230可以包含使用度量空间、决策树和决策树学习算法的生物数学预测模型。度量空间可以提供两个特征向量如何不同的“标尺”或绝对度量。度量空间可以用于定义两个特征向量之间的“距离”。决策树可以是使用树状图或决策模型以及其可能后果的支持工具。决策树可以包含代表最终决策的一个或多个叶节点(叶)。通往一个或多个叶节点的完整路径可以分别表示用于达成一个或多个决策的规则。决策树学习算法可以是根据给定的过去(已知)事件集推断关于未来事件(未知)的准确预测的归纳机器学习机制。决策树学习算法还可以提供预测正确的置信度(例如，覆盖率、准确率和置信区间)的度量。可以将树学习算法的准确度的最小置信区间维持在至少约70％、75％、80％、85％、90％、95％或更高。
见解和推荐引擎230可以使用由食品分析系统210和装置/数据集线器220收集并分析的数据来生成至少一种决策树学习算法。至少一种决策树学习算法可以用于预测用户先前消耗的食品可以如何影响用户的个性化生物标记(例如葡萄糖水平)。至少一种决策树学习算法还可以用于预测用户从未消耗的食品或可能影响用户的生物标记(例如葡萄糖水平)的生活方式事件如何。
详细描述了见解和推荐引擎230如何可以分析由装置/数据集线器220聚集的数据的集合的实例。与用户的CGM装置通信的装置/数据集线器220可以随时间函数连续记录用户的血糖水平，如图23中的曲线所展示的。装置/数据集线器220还可以记录用户已经消耗了哪些食品以及其相应的时间戳。图23示出了用户在上午8:00食用了谷物和牛奶，在上午9:00食用了坚果，并且在上午10:00食用了枣。数据还示出了血糖水平图中的不同程度的峰值。为了部分数据并且生成用户的“血糖水平”数字签名，见解和推荐引擎230可以提取已知事件(例如，食品消耗)以及其相关联的血糖水平，并且通过响应于每个事件的血糖水平的变化的程度来对已知事件进行分类。可以使用生物数学预测模型执行分解。图24A-24B展示了如何可以基于其对个体的血糖水平的影响将6种不同的食品项分类成两个趋势组。图24A的曲线图展示了白面包和包子(也来自白小麦)可以类似地并且消极地影响用户的血糖水平。血糖水平的相对大的变化可以暗示作为对相应食品的反应的胰岛素介导的脂肪储存。另一方面，图24B中的曲线图展示了椰子冰淇淋、小扁豆和沙拉对用户的血糖水平具有相对小的影响。尽管在图24A-24B中未示出，但是可以以类似方法分析其它生物标记。
见解和推荐引擎230可以生成并使用用户的一个或多个数字签名，以向用户提供一个或多个推荐。一个或多个推荐可以涉及食品、健康或保健。在一些实例中，见解和推荐引擎230可以建议针对个体的身体以及其反应定制的餐食计划推荐。推荐可以包含要消耗哪些具体食品、在哪里找到具体食品(例如，餐厅的名称和位置)、具体食品的基本成分、如何制备具体食品(例如，烹饪方法)、何时消耗具体食品(例如，在下午4:30-5:30之间)、消耗多少、在消耗具体食品后应进行(或避免)哪些活动或步骤等。见解和推荐引擎230还可以跟踪用户喜欢吃什么和不喜欢吃。见解和推荐引擎230还可以预测用户会喜欢或不喜欢哪些其它类型的食品，并且使用此类一个或多个预测来生成个性化推荐。个性化推荐可以产生高的用户依从率。
在用户使用基于GUI的软件界面时，见解和推荐引擎230可以向用户发送一个或多个个性化消息。另外，当用户不使用基于GUI的软件界面时，一条或多条个性化消息可以是弹出消息以及到用户装置的电子邮件。一个或多个个性化消息可以建议用户消耗更少(或更多)的一种或多种食品项，或停止(或开始)消耗一种或多种食品项。见解和推荐引擎230可以发送所预测的一种或多种食品对用户身体的影响。
见解和推荐引擎230可以建议可以驱动用户的行为变化的推荐。行为变化可以是由用户选择的偏好，或由见解和推荐引擎230生成的建议。行为变化可包含食用较少碳水化合物以减轻重量。例如，用户可能经常食用比萨作为午餐，并且见解和推荐引擎230可以检测到比萨饼的消耗与用户的血糖水平的急剧增加相关。见解和推荐引擎230可以标识当与披萨一起食用时可以降低血糖水平的其它食品。见解和推荐引擎230还可以标识用于替代披萨的一种或多种替代性食品项。
通过使用用户装置中的基于GUI的软件界面，见解和推荐引擎230可以接收菜单输入，使用用户装置的GPS跟踪用户的地理位置，搜索附近的餐厅，并且推荐用户附近可用的不同的菜单项。见解和推荐引擎230可以提供针对不同菜单项的订购提示和原因。基于GUI的软件界面的针对对菜单项的个人推荐的示例性窗口展示在图25A-25C中。
见解和推荐引擎230可用于患有1型糖尿病或2型糖尿病的个体。个体的血糖水平可能受到所消耗的食品和个体的生活方式(例如，物理活动、睡眠、压力等)的影响。如果血糖水平过高，则个体的身体可能分泌被称为胰岛素的激素，以通过引导脂肪细胞吸收葡萄糖来帮助调节血糖。胰岛素还可以引导其它细胞类型吸收血糖作为能量的来源。对于糖尿病，由于身体的产生胰岛素或对胰岛素作出反应的能力受损，所以血糖水平可能会高于正常水平。患有1型糖尿病的个体可能在个体的身体中产生的胰岛素不足。患有2型糖尿病的个体可能在身体中产生的胰岛素和/或胰岛素抗性不足。患有1型或2型糖尿病的个体可以依赖于胰岛素注射来控制其血糖水平。因此，见解和推荐引擎230可以(1)监测用户的食品摄入、血糖水平(连续地从CGM装置或以离散方式使用常规血糖仪)以及使用胰岛素注射疗法的用户的胰岛素水平；以及(2)分析具体食品类型、胰岛素注射和血糖水平反应之间的关系。见解和推荐引擎230可以使用用户装置中的基于GUI的软件界面来向用户显示推荐。根据推荐，用户可以具体找出用户的血糖水平对哪些食品项反应最强、更多避免或消耗哪些食品项、胰岛素注射的最佳时间间隔等。在一个实例中，推荐可以建议，“当您向您的三明治中添加鳄梨时，您的葡萄糖反应会低30％以上[发生6分之5次]。”可以由见解和推荐引擎230收集并与胰岛素和血糖水平相关联的其它生物标记可以包含运动、压力、活动、药物治疗、月经周期等。食品与其它因素中的至少一种或多种其它因素的组合可以提高由见解和推荐引擎230生成的推荐的质量。
图26展示了基于GUI的软件界面的针对血糖记录的示例性窗口。血糖记录可以使用常规血糖仪或CGM装置执行。窗口可以显示用户已经消耗的食品项(例如，鳄梨吐司)。窗口可以显示在消耗食品项之后的一个具体时间点时用户的血糖水平的变化。另外，窗口可以显示关于一段时间内用户的血糖水平概况的报告。时间段可以捕获消耗食品之前和之后的时间点(例如餐前或餐后2小时和3小时)。见解和推荐引擎230可以基于食品和血糖相关的数据的概况来改变时间段的长度和时间段内的时间点的数。基于推荐的血糖水平的范围，见解和推荐引擎230可以评估所测量的血糖水平中每个所测量血糖水平是处于推荐的范围之内还是之外，并且将评估显示在窗口上。
图27展示了基于GUI的软件界面的用于显示基于自动血糖记录的推荐的示例性窗口。自动血糖记录可以使用CGM装置。CGM装置可以与用户装置中的基于GUI的软件界面通信(例如，通过蓝牙、Wi-Fi等)。基于GUI的软件界面可以连接到平台200的所有特征并且利用所述所有特征，所述特征包含食品分析系统210、装置/数据集线器220以及见解和推荐引擎230。窗口可以显示用户的血糖水平的曲线图，包含来自CGM装置的最近测量结果。对于用户可能有兴趣消耗的食品项，见解和推荐引擎230可以生成关于过去食品项如何影响用户的血糖水平的见解(例如，自由文本、图像、曲线图等)。见解可以在窗口上显示给用户。见解可以帮助用户做出关于食品项的消耗的信息决定。如果用户具有可穿戴式胰岛素递送装置，则窗口上的见解也可以通知用户可穿戴式胰岛素递送装置中可用的不同推注选项。
见解和推荐引擎230可以使用本公开中描述的一个或多个生物数学模型来预测用户的一般生物标记。在一个实例中，见解和推荐引擎230可以预测用户的葡萄糖代谢。葡萄糖代谢过程可以开始于消化。在消化后，葡萄糖可以在进入小肠时被吸收到血流中。当血糖水平增加时，胰腺可以释放被称为胰岛素的激素来控制血糖。胰岛素可以帮助将葡萄糖转移到具有胰岛素受体的多种细胞类型中。细胞类型的实例可以包含脂肪细胞(脂肪组织)、肌肉肌细胞(肌肉)和肝细胞(肝脏)。因此，用户的葡萄糖代谢可以取决于一个或多个因素，包含但不限于用户的葡萄糖和胰岛素的产生水平、食品食用之前的血糖水平、食品中的碳水化合物含量、身体内的胰岛素水平、血压、物理活动、用户的胰岛素敏感度、一天中的时间、压力、生病、怀孕、药物治疗等。因此，可以存在许多方式来生成具有一个或多个数学参数的生物数学模型，以描述和预测此类因素与用户的葡萄糖代谢之间的关系。在一些实例中，因素中的一些因素可能比其它因素对葡萄糖代谢更具相关性。另外，此类因素与用户的相关性可能随时间的推移而变化。
在一个实例中，葡萄糖吸收和胰岛素同化(GAIA)模型可以是用于描述和预测用户的葡萄糖代谢以及其与胰岛素的相互作用的生物数学模型。对于接受胰岛素注射或内源性胰岛素的患者而言，胰岛素可以是注射型(外源性)胰岛素。GAIA模型可以使用用户的关于食品消耗以及血糖和胰岛素水平的历史数据来预测葡萄糖反应。GAIA模型可以使用来自用户的2种、3种、4种、5种、6种、7种、8种、9种、10种、11种、12种或更多种历史餐食，外加其相应的葡萄糖和胰岛素水平，来预测用户的葡萄糖和胰岛对一种或多种新餐食反应。图28展示了用于预测身体中的葡萄糖和胰岛素相互作用的GAIA模型的流程图。图29中示出了绘制所测量的葡萄糖水平和GAIA-估计的血糖水平的示例性曲线图。
GAIA模型可以通过使用针对血液中的葡萄糖G(t)和胰岛素I(t)定义。在一个实例中，葡萄糖模型可以是根据时间的血液中的葡萄糖的浓度的微分方程，如通过以下方程示出的：
Figure BDA0002689256150000641
其中a(t)是血液中来自食品的葡萄糖吸收的速率，
e(t)是通过肝脏的内源性葡萄糖产生的速率，
u(t)是通过身体的葡萄糖利用的速率，并且
φ(G,I)代表血液中的葡萄糖-胰岛素相互作用。
在具有正常血糖水平的健康个体中，总葡萄糖摄入(利用率+相互作用；或u(t)+φ(G,I))的范围可以为1.9到约2.2mgkg-1·min-1。图29展示了使用以上方程进行建模的四臂血糖模型。
来自食品a(t)的葡萄糖吸收的速率可以取决于几个参数。此类参数可以是餐食相关的或餐食无关的。例如，来自食品a(t)的葡萄糖吸收的速率可以通过四个餐食相关的参数(a1,a2,a3,a4)来描述，所述参数可以代表葡萄糖吸收增加或减少的速率以及给予餐食之后吸收的葡萄糖的总量。
可以构建示出对餐食之后的紧接持续时间(例如，少于2小时)内的餐食或对延长的时间段内(例如，超过2小时、3小时、4小时、5小时、6小时、7小时、8小时、9小时、10小时或更多小时)内的非复杂餐食的期望的葡萄糖吸收速率的简化模型。如果餐食含有大量的脂肪或蛋白质，则葡萄糖吸收可能会较慢。如此，计算葡萄糖吸收可以包含此模型未捕获的多个极大值。在此类情况下，可以仅在餐食之后的紧接持续期间(例如，少于2小时)内使用模型。通过肝脏进入血流的内源性葡萄糖产生(EGP)的速率e(t)取决于几个参数。此类参数可以是餐食相关的或餐食无关的。例如，EGP的速率可以通过两个餐食相关的参数(ε1,ε2)和I(t)来描述，所述参数为血液中的胰岛素的函数并且其中ε1代表在不存在胰岛素的情况下的基线内源性葡萄糖产生，并且ε2代表随着血浆胰岛素的内源性葡萄糖产生减少的速率。
葡萄糖利用率的速率u(t)可以取决于依靠几个参数。此类参数可以是餐食相关的或餐食无关的。例如，葡萄糖利用率u(t)的速率可以被描述为餐食的持续期间非线性增长的函数，所述函数可以取决于三个餐食无关的参数，其中v1和v3代表葡萄糖利用率速率的两条渐近线(分别在初始时间和最终时间)，并且v2代表利用率速率u(t)变化的速率。葡萄糖利用率的u(t)速率对于早餐可能有用，因为预期葡萄糖利用率在早晨在个体从睡眠醒来之后上升。
血液中的葡萄糖-胰岛素相互作用φ(G,I)可以是餐食相关的，也可以是餐食无关的。例如，血液中的葡萄糖-胰岛素相互作用φ(G,I)可以被建模为餐食无关的非线性相互作用。血液中的葡萄糖-胰岛素相互作用φ(G,I)可以是不同参数的函数，例如血糖浓度G(t)、血浆胰岛素浓度I(t)、胰岛素敏感度λ以及G0其代表随着每位患者的血糖水平的增加，胰岛素敏感度降低了多少。相互作用术语φ(G,I)可以使用围绕不同血糖浓度的泰勒级数进行近似。
血浆胰岛素的浓度I(t)对于每个患者可能会变化。例如，对于患有1型糖尿病一年以上的患者，可以假定身体内的所有胰岛素都是由外源性来源提供的S。来源S可以是胰岛素泵或手动胰岛素注射。针对患有1型糖尿病的患者的胰岛素模型可以使用三室模型，如通过以下微分方程所描述的：
Figure BDA0002689256150000651
其中Iinj是注射部位处的胰岛素的体积，
Iisf是间质(间质液)中胰岛素的体积，
I是根据时间的血浆胰岛素浓度，
S是通过来源(通常是胰岛素泵)提供的胰岛素的速率。
来源S可以表示为固定基础速率、平方推注和正常推注的叠加(由δ函数表示)。通过各个室的胰岛素转移的速率常数由矩阵M表示：
Figure BDA0002689256150000661
其中m为以公斤计的患者的质量，
k0为胰岛素从注射部位转移到间质液的速率常数(1/小时)，
k1为胰岛素从间质液转移到血浆的速率常数(1/小时)，
kd为部位处的胰岛素损失的速率常数(1/小时)，
kx为胰岛素从血液外的间质液转移的速率常数(未使用的胰岛素；1/小时)，
kI为处置血浆胰岛素(未使用的胰岛素；1/小时)的速率常数，并且
Vi为每身体重量血浆的有效体积(升每公斤)。
图30展示了外源性胰岛素从注射到间质液到血浆的此传播以及相应速率常数的流程图。流程图还包含胰岛素的潜在损失以及其速率常数。
如上所展示的，仅通过举例的方式，GAIA模型可以利用11个参数，包含4个葡萄糖吸收参数(a1,a2,a3,a4))、2个内源性葡萄糖产生参数(ε1,ε2)、3个葡萄糖利用率参数(v1,v2,v3)以及2个葡萄糖-胰岛素相互作用参数(λ,φ)。参数中的一些参数可以是餐食相关的，因此可以在餐食之间彼此不同。参数中的一些参数可以是餐食无关的，因此可以在多种餐食持续期间保持固定。一些参数可以从餐食到餐食在餐食相关的与餐食无关的之间切换。
GAIA模型可以使用至少一个预测流水线来进行对用户血糖水平中的变化的至少一个预测。在一个实例中，流水线可以包含以下步骤：(1)标识具有充分且可靠的数据的一种或多种历史餐食(例如，具有已知成分、其中对餐食之前2小时和餐食之后4小时葡萄糖和胰岛素水平分别进行跟踪的历史餐食)；(2)将一种或多种历史餐食中的每种餐食的所测量的葡萄糖和胰岛素水平拟合到以上模型/方程，并且获得GAIA模型的所有物理值和11个参数的参数空间，其中所述参数空间可以是物理值和11个参数的所有可能组合的集合；(3)生成参数空间的分布函数；(4)通过以下对来自参数空间的每个组合进行重复采样：(i)用所生成的餐食无关的参数重新计算餐食相关的参数；(ii)计算每种参数的拟合中的误差；(iii)计算所有餐食之上的总误差；并且(iv)只要总误差降低就重复(i)-(iii)；并且(5)使用最终确定的参数生成针对用户进行个性化的预测模型。此外，见解和推荐引擎230可以使用最终确定的参数和机器学习来研究用户的其它生物标记可能如何影响餐食相关的参数。
图31展示了GAIA模型的示例性拟合3100。线3110是所测量的血糖水平3115的变化速率。线3120是所估计的血糖水平3125的变化速率。所估计的血糖水平的变化速率与所测量的血糖水平的变化速率类似。线3130是血液3135中的葡萄糖-胰岛素相互作用。线3140是从通过肝脏3145的内源性葡萄糖产生的速率减去通过身体的葡萄糖利用率的速率。线3150是血液3155中来自食品的葡萄糖吸收的速率。
见解和推荐引擎230可以用于被动食品跟踪。如物理活动和睡眠等因素可以通过可穿戴装置(例如Apple手表、Fitbit、Samsung Gear、Samsung Galaxy手表、Android Wear等)进行被动和自动跟踪。另外，可以通过CGM装置被动和自动跟踪血糖水平。另一方面，跟踪食品摄入可能需要由用户进行主动和频繁干预(例如，通过语音或文本手动记录)。此食品摄入跟踪对于数据收集而言可能是乏味且不可靠的过程。通过使用机器学习，见解和推荐引擎230可以组合用户特定的参数组来生成用于被动食品跟踪的预测模型。参数可以包含在用户装置上使用GPS的用户地理位置。参数可以包含通过自动血糖记录功能监测的用户的血糖水平的变化。参数可以包含用户历史食品和/或饮品消耗和血糖反应数据，以及食品分析系统210的食品本体。在一个实例中，当用户的血糖水平中出现尖峰时，见解和推荐引擎230可以(1)搜索用户的具有类似血糖反应(例如，强度和持续时间)的历史食品项；(2)生成用户附近的可用食品的列表；(3)使用GAIA模型来预测用户对(2)中的可用食品中的每种可用食品的血糖反应；(4)查找用户反复消耗的食品项；(5)找到步骤(1)到(4)中具有类似葡萄糖概况的常见食品项；并且(6)预测用户在过去2-3小时内最可能消耗的常见食品项。前述步骤可以用于辅助被动食品跟踪。用于生成用于被动食品跟踪的预测模型的另外的参数可以包含由咀嚼食品产生的声音、食品的吸收光谱以及食品的部分化学组合物。
见解和推荐引擎230可以预测用户的就餐模式或习惯。多达78％的餐食对于个体的饮食自身可以重复。见解和推荐引擎230可以基于以下找到饮食中的重复发生模式：(1)用户的历史餐食或饮品消耗数据；(2)衍生自食品本体的不同食品之间的关系，以及(3)位置和/或一天中的时间。例如，如图图32A-32B中所展示的，用户可能具有在第一天食用香蕉、红番茄、全麦吐司和白米饭，并且在第二天食用西兰花饭的习惯。下次用户消耗香蕉、红番茄、全麦吐司和白米饭的子组合或整体时，见解和推荐引擎230可以预测下一餐食将为西兰花饭。见解和推荐引擎230可以使用基于GUI的软件界面要求用户在记录餐食之前确认或纠正预测。基于用户的反应，见解和推荐引擎230可以确认或改进其就餐模式预测算法。在另一实例中，用户可以在基于GUI的软件界面中输入“煎蛋”，并且见解和推荐引擎230可以预测待记录的下一最可能的食品可能是“面包”和“咖啡”并自将用户的餐食自动补全为“煎蛋配切片面包和一杯咖啡。”此自动补全能力可以允许用户的点击和/或输入减少至少30％、40％、50％、60％、70％或更多。
因此，如果用户打开用户装置上的基于GUI的软件界面，则见解和推荐引擎230可以(1)使用GPS检测时间和/或用户的地理位置；(2)在相似的时间时或地理位置处搜索用户的重复历史餐食；(3)生成用户附近的可用餐食的列表；(4)找到(1)-(3)中的常见食品项；(5)预测用户最有可能很快消耗哪些常见食品项。如图32B中示出的，见解和推荐引擎230可以使用基于GUI的软件界面来询问和/或确认预测是否正确。基于使用反应，见解和推荐引擎230可以确认或改进其就餐模式算法。
见解和推荐引擎230还可以找到每个用户和广泛人群的食品消耗模式。广泛人群可以是5个、10个、100个、10,000个、100,000个或更多个个体用户的集合。见解和推荐引擎230可以将用户的检测到的食品消耗模式与检测到的广泛人群的食品消费模式组合，以确定用户可以属于哪种人口类型。
除葡萄糖和胰岛素外，见解和推荐引擎230(在本文中被称为“引擎”)可以用于跟踪和/或预测可能影响食品和/或受食品影响的其它因素。引擎可以用于计算抗氧化剂(例如硫醇、维生素C等)水平。通过使用可以自动或在人工干预下测量人体中的某个位置(例如皮肤)处的抗氧化剂的装置，引擎可以生成用户的一个或多个数字签名，以跟踪并且预测对食品的抗氧化剂反应。引擎可以用于计算血压水平。通过使用连续血压监测装置，引擎可以提供对食品与血压之间的关系的见解，尤其是对于患有高血压或其它心血管疾病的用户。引擎可以用于计算消化问题。通过使用植入式(半永久性或完全永久性)或可吞咽(临时性)传感器，引擎可以提供对食品与消化道的状况(例如，pH、收缩强度和/或频率等)之间的关系的见解。此功能可以帮助具有消化问题(例如，胃食管反流病(GERD)、肠易激综合征(IBS)等)的患者排除可能阻碍其生活质量的食品。引擎可以用于计算偏头痛的发作。通过研究食品与偏头痛之间的关联性(例如，从手动用户输入)，引擎可以帮助患有慢性偏头痛的用户排除被预测为可能会引起偏头痛的食品。引擎可以用于帮助用户睡眠。睡眠质量可以使用可穿戴装置(例如Apple手表、Fitbit、Samsung Gear等)测量。睡眠可能受到食品摄入的影响，但是相反，睡眠也会影响用户的饥饿感或新陈代谢。因此，引擎可以找到用户的食品摄入与睡眠质量之间的相关性，并且相应地提供见解和推荐。例如，引擎可以使用基于GUI的软件界面来通知用户“在92％的时间内，您在下午4点之后喝咖啡，您的睡眠会不好。”可替代地或另外，引擎可以食品与其它因素之间的关系，所述其它因素包含但不限于嗜睡/疲劳、困倦或皮质醇水平。可以由引擎对可以由可穿戴装置或医疗装置测量的用户的日常活动或生理的任何特征进行分析，以连续为用户提供对其身体和/或更健康的饮食的更好理解。
图33A-33C展示了基于GUI的软件界面的示出了多个特征的示例性窗口。如图33A中示出的，窗口可以显示用户已经消耗了哪些食品项(例如梨冰沙)、发现或预测食品项中存在多少成分(例如芒果、枸杞、绿色安茹梨等)、食品项的通用或具体图片(例如，直接从相应餐厅的网站导入的)以及对用户的血糖水平和一次或多次胰岛素注射的连续跟踪。如图33B中示出的，窗口可以显示多个事件的时间线，包含胰岛素注射和其剂量、日常活动(例如骑车)以及食品项或菜肴(例如，青菜拌青菜沙拉、早晨冰沙)。如图33C中示出的，窗口可以显示用户频繁消耗了哪些食品(例如，枸杞、芒果)以及对此类食品项的平均血糖反应。
图34A-34C展示了基于GUI的软件界面的示出了通过见解和推荐引擎进行的230进行的综合报道的示例性窗口。如图34A中示出的，窗口可以显示示出用户全天的血糖测量结果的曲线图。窗口可以显示关于血糖的另外的细节，包含用户的每周平均血糖水平和其标准偏差值、已处于预定目标范围(目标时间)、低于目标范围以及高于目标范围内的葡萄糖测量结果的百分比。窗口还可以显示流行就餐时间，所述流就餐时间用全天每小时所消耗的餐食数的平均表示；以及全天每小时所消耗的碳水化合物(例如，以克计)的分布图。窗口还可以显示餐后(例如，早餐、午餐和晚餐)2小时的平均血糖值。窗口还可以指示餐后2小时的平均血糖值是高于还是低于血糖水平的预定目标范围。如图34B中示出的，窗口可以显示关于对餐食的分析的更多细节。餐食可以被分组为早餐、午餐和晚餐。对于每个组，窗口可以显示餐后2小时时间段期间的血糖水平的分钟到分钟(或其它间隔)变化、平均餐食营养分解(例如，蛋白质、碳水化合物、脂肪等)以及对平均餐食营养分解的平衡的评估。另外，对餐食的分析可以包含血糖水平中具有显着变化的前三种餐食以及血糖水平中具有最小变化的前三种餐食。如图34C中示出的，窗口可以显示经常食用的食品以及其在血糖水平方面的影响。除了食品外，窗口还可以显示血糖水平与其它因素之间的相关性。其它因素可以包含睡眠质量、睡眠持续时间、活动类型和每天的步数的数。
本文所描述的实施例中的任何实施例(例如，与食品分析、食品本体和个性化食品/健康/营养推荐有关的)也适用于与美国专利申请第13/784,845(以US2014/0255882公开)中描述的用于管理营养健康的系统和方法一起使用，所述美国专利申请通过引用以其整体在此并入。
校准套件
校准套件可以针对用户对不同食品的生理反应对平台200进行优化。对平台200进行优化可以包含优化食品分析系统210、装置/数据集线器220以及见解和推荐引擎230的功能。由于用户可以对同一食品作出不同反应并且可穿戴和/或医疗装置对不同用户可以具有不同的兼容性，因此校准套件可以用于设置针对所有用户的食品基线。生成针对用户的食品基线概况可以包含在用户在一段时间内消耗一种或多种预先包装的餐食时监测不同食品对用户身体的影响。一种或多种预先包装的餐食可以含有已知量的食品。可以使用监测到的影响来生成食品基线概况。校准套件可以是模块化套件。校准套件可以包含监测系统(例如，葡萄糖监测系统、血液测试、基因测试等)以及一种或多种标准化餐食(也被称为“校准餐食”)。校准餐食可以包含食品棒、饮品或两者。平台200可以了解并已经测试了校准餐食的所有特征(例如，成分、营养素、加工等)。在一些实例中，用户可以将装置放置在身体上(或执行所提供的监测测试)，并且消耗一种校准餐食/每天早晨。可能要求用户在整个前一天晚上禁食(例如12个小时)。装置可以测量用户对校准餐食的反应。用户可以全天消耗其它食品并且通过基于GUI的软件界面将食品跟踪到平台200(例如，通过文本和语音识别分析、无缝食品图像记录器等进行食品跟踪)。在短时间段(例如一周)之后，平台200可以使用数据和预测来设置针对用户的基线。基线可以被称为用户的唯一个性化食品“指纹”。
图35展示了示例性校准套件3500。校准套件可以含有第一框3502，所述第一框包含CGM装置；第二框3504，所述第二框包含用于DNA测试的DNA收集试剂盒(例如，唾液收集试剂盒)；第三框3506，所述第三框包含用于微生物组分析的生物群系收集试剂盒(例如，从肠、生殖器、口、鼻和/或皮肤收集的样品)；第四框3508，所述第四框包含一种或多种校准餐食。校准套件可以任选地包含以上框中的任何框，或框的不同组合。校准套件可以包含1种、2种、3种、4种、5种或更多种校准食品。校准套件可包含2个、3个、4个、5个、6个或更多个框。校准套件可以包含1个、2个、3个、4个、5个或更多个监测系统。在一些实施例中，校准套件可以包含帮助生成用户的基线健康状态的一种或多种其它组件/装置(例如血液测试套件、可穿戴装置或其它生物标记测试/装置)。校准套件还可以包含以便用户容易遵守的说明的详细列表。如果需要，校准套件可以包含用于每个收集套件的容器。
实例1：医疗保健提供者
平台200的见解和推荐引擎230以及其它特征的最终用户可以包含医疗保健提供者。医疗保健提供者可以使用基于GUI的软件界面(例如，门户网站)来监测和研究不同食品可能具有的对患者身体的影响。医疗保健提供者和患者可以通过各自连接到作为集线器的平台200来共享或交换信息。在一些实例中，门户网站可以用于监测具有2型糖尿病和前期糖尿病的患者。图36展示了医疗保健提供者的门户网站的示例性窗口3600。在门户网站上，如窗口3600中示出的，医疗保健提供者可以邀请新患者3610，对已经接受邀请的活跃患者3620的数进行计数，跟踪参与者如何记录餐食3630和/或活动3640的数。医疗保健提供者可以在窗口3600上选择餐食3630和/或活动3640图像以连接到至少一个另外的窗口(图35中未示出)并且访问更多数据和分析。
新用户(例如，医疗保健提供者的患者参与者)可以接收来自医疗保健提供者的邀请，以将基于GUI的软件界面(例如移动应用)安装在用户装置(例如只能电话)上。图37(部分A到F)展示了用户装置上的移动应用的示例性窗口3710-3760。在首次启动应用(窗口3710)之后，移动应用可以要求用户创建帐户(窗口3720)、输入关于患者的基本信息，包含重量(窗口3730)、高度(未示出)、性别(窗口3740)、糖尿病疗法类型(如有)(窗口3750)，并且启用对用户装置上其它特征的访问(窗口3760)。其它特征可以包含用户装置的通知功能或者用于健康监测、运动检测、摄影等的其它移动应用。启用对其它特征的访问可以使平台200的多个过程自动化并且减少其对用户输入的依赖性。
用户还可以接收校准套件，以针对患者的生理反应启动对平台200的优化。用户可以使用一个或多个装置，并且消耗校准套件中包含的一种或多种校准食品，以进行初始短程序(例如1周)，以进行基线收集。用户还可以消耗和跟踪其它食品和/或饮品。平台200可以使用从初始短程序生成的数据和预测来生成针对用户的基线。基线可以反映用户对食品的生理反应。图38(部分A到C)展示了用户装置上的用于基线数据收集的移动应用的示例性窗口3810、3820和3830。所记录的数据可以包含餐食(例如，早餐、午餐、晚餐等；窗口3810)、日常活动(例如，睡眠、步数等；未示出)以及另外的生物标记(例如葡萄糖水平、胰岛素水平、心率等；窗口3820)。数据可以通过用户输入或通过使用跟踪器(如可穿戴装置)来记录。在基线收集期间，用户可以访问所收集数据的汇总(见解)。汇总可以包含餐食、行走步数、睡眠时间的数等。
图39(部分A到D)展示了用户装置上的移动应用的示出了食品图像记录界面的示例性窗口3910-3940。用户可以选择餐食(例如，早餐、午餐或晚餐；窗口3910)。为了准确记录和基线数据收集，移动应用可以允许用户记录小吃。可以提示用户到窗口3920拍摄要消耗的食品项(例如，苹果)的图片。可以记录食品项的图片，并且移动应用可以要求用户输入对食品项的描述和餐食时间(窗口3930)。如果用户记录了早餐的食品项，则移动应用可以从要记录的餐食的列表中核对早餐(窗口3940)。
在完成基线数据收集之后，用户可以访问由见解和推荐引擎230生成的分析和见解的报告。如果用户链接到医疗保健提供者系统或健康相关的研究，则医疗保健提供者或健康相关的研究的协调者可以访问报告的一部分或整体。图40A和40B展示了基于GUI的软件界面的示出了关于用户的数据的示例性窗口。在一些实例中，报告可以集中于可能影响血糖水平的因素：食品、活动和睡眠。报告可以告知用户的预先定义的目标葡萄糖水平范围(例如70-170mg/dL)连同用户的平均葡萄糖水平。报告可以包含基于用户的葡萄糖水平对一种或多种餐食如何作出反应而对一种或多种餐食进行的评估。评估可以利用评级系统(例如，“A”为平衡的葡萄糖反应，“F”为不良的葡萄糖反应等)。报告还可以显示由见解和推荐引擎230生成的推荐。推荐可以将用户消耗的两种食品项进行比较，并且基于用户的生理反应，建议两种食品项中的一种食品项是否是与两种食品项中的另一种食品项相比更健康的选项。在一些实例中，推荐可以将两种类型的面包进行比较(全麦面包对白面包)，并推荐将白面包调换成全麦替代方案。另一推荐是可以将两种类型的甜品进行比较(冰淇淋和水果对枣夹核桃)，并且建议枣夹核桃可能是与冰淇淋水果相比更健康的选项。不同推荐可以将两种类型的饮品进行比较(含蜂蜜的饮料对含人造甜味剂的饮料)，并且推荐将人造甜味剂调换成一汤匙蜂蜜。另外，报告可以示出用户进行的步数的数与用户的相应的平均血糖水平之间的相关性。报告可以通知用户，当用户将步数的数从每天少于3,000步增加到多于10,000步时，用户的血糖水平从132mg/dL降低到125mg/dL。此外，报告可以示出睡眠与血糖水平之间的相关性。报告可以通知用户，当用户将睡眠的小时数从少于6小时增加到多于8小时时，用户的血糖水平从129mg/dL降低到115mg/dL。
实例2：饮食葡萄糖监测
介绍
每个个体都是唯一的。每个个体的身体可以以与其它个体不同的方式加工食品(例如，餐食、饮品等)。因此，一种或多种相同的食品可能对不同个体的生物标记(例如，葡萄糖水平)具有不同影响。另外，当在不同时间(例如，在上午和在下午)消耗时，一种或多种相同的食品可能会对每个个体的生物标记具有不同的影响。
大量的数据库和服务可用于提供食品建议、营养建议和健康建议。此类数据库和服务的实例包含医疗保健提供者、食品或营养制造商、餐厅、在线和离线食品食谱以及科学文章。然而，可用的此类营养和/或饮食指南迄今为止尚未针对每个个体进行定制并且在范围上受到限制(例如，食品的类型、生物标记、健康状况等)。无论是出于娱乐、美容、医疗还是其它目的，个体每天都不可避免地不得不依赖于多种信息来源来做出食品和营养相关的决定，以改善后维持健康。
因此，需要可以提供关于食品对每个个体的健康的影响的实时反馈的系统和方法。需要可以进行以下的系统和方法：从离散来源连续收集大量数据(例如，菜肴中的成分、营养信息、葡萄糖水平、血压、温度等)，对数据进行分析并将数据重构为通用格式，评估并预测个体的所消耗的食品与生物标记之间的相关性，并且在任何给定时间基于个体的健康和代谢状态提供个性化营养推荐。
饮食葡萄糖监测仪
生态系统100包括可以被实施为根据一些实施例的膳食葡萄糖监测仪(DGM)101的一部分的平台200。DGM 101可基于不同食品对至少用户的葡萄糖水平的影响，为每个用户提供个性化营养见解。DGM 101可以提供关于用户已经消耗或将消耗的一种或多种食品对用户血糖水平的影响的实时反馈。DGM101可以提供关于调整用户的饮食或生活方式以维持或改善用户的葡萄糖水平，从而维持用户的健康的建议。DGM 101可以适用于任何用户，无论年龄、性别、种族、健康状况等如何。DGM 101可能需要或可能不需要在其使用之前由用户进行校准。
术语“食品分析系统”和“食品分析模块”(例如，图1中示出的食品分析系统210)在本公开中可以互换地使用。
DGM 101可以包括生态系统100的一些或全部组件，如图1中示出的。在一些实施例中，DGM 101可以包括平台200，所述平台200包括食品分析模块210、装置/数据集线器220、见解和推荐引擎230以及装置110中的一个或多个装置。平台200的组件可以彼此通信。因此，当描述平台200的组件的功能时，本领域的技术人员将能够理解，其可以被解释为是组件单独或与平台200的一个或多个另外的组件的组合的功能。在一个实例中，当描述食品分析模块201的功能时，本领域的技术人员将能够理解，其可以被解释为食品分析模块201单独或与装置/数据集线器220和/或见解和推荐引擎230的组合的功能。
DGM 101可以可适用于许多用户应用。DGM 101可以用于患有1型糖尿病或2型糖尿病的用户，以评估用户何时应注射胰岛素。DGM 101对于运动员优化其运动表现可能是有用的。DGM 101对于对跟踪食品摄入作为监测其减重饮食的方式感兴趣的个体可能是有用的。
图59展示了DGM 101的实例。DGM 101的葡萄糖水平监测仪111可以放置在受试者102的皮肤上或附近。葡萄糖水平监测仪111可以与DGM 101的平台200通信121(例如，蓝牙、NFC、WiFi等)。
图60展示了根据一些实施例的DGM 101的另外的细节。DGM 101可以包括与葡萄糖水平监测仪111通信的食品分析模块210，其中食品分析模块210被配置成(1)分析指示用户所消耗的食品的数据，以及(2)基于如由葡萄糖水平监测仪测量的用户的血糖水平的变化，确定单个食品对用户的葡萄糖水平的影响。DGM 101可以包括葡萄糖水平监测仪111。
在放置在受试者102的身体中的任何地方时，葡萄糖水平监测仪111都可以起作用。葡萄糖水平监测仪111可以与平台200操作地和/或数字地通信，使得可以将由葡萄糖水平监测仪收集的任何数据实时地传输给平台的一个或多个组件(例如，装置/数据集线器220、见解和推荐引擎230等)。在一些情况下，葡萄糖水平监测仪111可以被配置成在预定时间段内(例如，每5分钟、10分钟、20分钟、30分钟、60分钟、2小时、3小时、4小时、5小时、6小时、8小时、12小时、18小时、24小时等至少一次)传输数据的集合。在一些情况下，葡萄糖水平监测仪111可以被配置成一旦数字大小(例如，字节)数据的集合达到预定阈值(例如，5兆字节)，就传输数据的集合。
在一些情况下，葡萄糖水平监测仪111可以是“一体适用(one size fits all)”的葡萄糖水平监测仪，其可以适用于各种用户，无论年龄、性别、高度、重量、疾病(例如，1型对2型糖尿病)如何。在一些情况下，葡萄糖水平监测仪111可以是针对每个用户的个性化葡萄糖水平监测仪(例如，针对特定用户的特定位置的特定形状、针对用户的特定疾病的特定检测机制等)。
食品可以是初级食品(例如，水果、蔬菜、牛奶、蛋、肉类、家禽、鱼类、坚果等)、食品的食谱、包装食品、餐厅菜肴、家常菜肴等。单个食品可以是初级食品的成分和/或营养素。在一个实例中，食品是泰式炒河粉的菜肴，并且单个食品可以是泰式炒河粉的成分，例如面条、油、大蒜、蛋、酱油、酸橙汁、红糖、鱼露、洋葱、罗勒叶、花生、豆腐、虾等。
葡萄糖水平监测仪111可以在某一时刻测量体液(例如，间质液、血液等)中的葡萄糖的量。在一些情况下，葡萄糖水平监测仪111可以测量非血液流体中的葡萄糖的量，作为对血糖水平的指示。在一些情况下，葡萄糖水平监测仪111可以直接测量血液中的葡萄糖的量。DGM 101(例如，DGM 101的见解和推荐引擎230)可以使用从葡萄糖水平监测仪111和从食品分析模块210获得的数据来量化食品(或单个食品)对个体的个性化影响。DGM 101可以检测一段时间内葡萄糖水平的变化(例如，随时间推移葡萄糖水平的曲线图的斜率)，作为葡萄糖水平变化的指标。
葡萄糖水平监测仪可以被配置成测量从约0.1毫摩尔每升(mmol/L)到约100mmol/L的葡萄糖水平的范围。由葡萄糖水平监测仪测量的葡萄糖水平可以为至少约0.1mmol/L、0.2mmol/L、0.3mmol/L、0.4mmol/L、0.5mmol/L、1mmol/L、2mmol/L、3mmol/L、4mmol/L、5mmol/L、10mmol/L、20mmol/L、30mmol/L、40mmol/L、50mmol/L、100mmol/L或更高。由葡萄糖水平监测仪测量的葡萄糖水平可以为至多约100mmol/L、50mmol/L、40mmol/L、30mmol/L、20mmol/L、10mmol/L、5mmol/L、4mmol/L、3mmol/L、2mmol/L、1mmol/L、0.5mmol/L、0.4mmol/L、0.3mmol/L、0.2mmol/L、0.1mmol/L或更高。
葡萄糖水平监测仪可以被配置成测量从约1毫克每分升(mg/dL)到约500mg/dL的葡萄糖水平的范围。由葡萄糖水平监测仪测量的葡萄糖水平可以为至少约1mg/dL、2mg/dL、3mg/dL、4mg/dL、5mg/dL、10mg/dL、20mg/dL、30mg/dL、40mg/dL、50mg/dL、100mg/dL、200mg/dL、300mg/dL、400mg/dL、500mg/dL或更高。由葡萄糖水平监测仪测量的葡萄糖水平可以为至多约500mg/dL、400mg/dL、300mg/dL、200mg/dL、100mg/dL、50mg/dL、40mg/dL、30mg/dL、20mg/dL、10mg/dL、5mg/dL、4mg/dL、3mg/dL、2mg/dL、1mg/dL或更低。
可能存在多种将单个餐食的血糖反应量化为单个餐食的方法：(1)曲线下的增量面积(iAUC)；(2)范围内百分比(范围内％)；(3)尖峰；(4)总变化。首先，可以将iAUC计算为在餐食开始时葡萄糖曲线与高于基线葡萄糖之间的面积。iAUC的单位可以为mg小时/dL(mg·hr/dL)。iAUC可以允许连续值范围。iAUC可以对随时间推移的整个葡萄糖水平曲线进行采样。其次，范围内％可以是餐食后时间的葡萄糖水平处于预先定义的范围内的百分比。在一些情况下，预先定义的范围可以由医师针对用户或用户组提供或建议。第三，尖峰可以是“峰值”与基线葡萄糖水平之间的差。在一些情况下，基线葡萄糖水平可以是在当用户未消耗任何食品或任何显著量的食品的时间段内用户的葡萄糖水平的平均。第四，总变化可以被定义为所有连续值之间的绝对差之和。
可以使用一个或多个GUI(图3中未示出)来实施DGM 101的平台200，以使用户能够选择和采用三个组件210、220和230的特征。GUI可以呈现在用户装置上的显示屏上。如此，DGM 101(例如，食品分析模块210)可以与显示GUI的用户装置通信。用户装置的实例可以包含装置110中的一个或多个装置，如移动装置114或可穿戴装置112。DGM 101的一个或多个组件可以彼此通信(例如，共享数据)。在一些情况下，见解和推荐引擎230可以(1)使用来自食品分析模块210的关于用户所消耗的食品的信息和来自装置/数据集线器220的关于用户的生物信号的信息，并且(2)分析用户所消耗的食品与生物信号之间的任何相关性(例如，因果关系)。
食品分析模块210可以被配置成分析指示用户所消耗的食品的数据和指示用户未消耗的食品的其它数据。当食品分析模块210最初接收(例如，收集)食品时，指示食品的此类数据可以是结构化的或非结构化的。食品分析模块210可以能够将此类非结构化(例如，不同格式的)数据映射为结构化(例如，相同格式)的数据。食品分析模块210可以将与所有食品有关的此类结构化数据表示为食品的地图(即，食品的网络、食品本体)。
指示用户所消耗的食品的数据可以包括用户所消耗的食品的一个或多个图像、食品的一个或多个视频、食品的一个或多个语音日志、食品的一个或多个文本日志、食品的每个包装上的一个或多个条形码。因此，食品分析模块210可以被配置为使用来自食品本体的信息预测(或确定)食品内的一种或多种成分来构建和/或分析数据(例如，一个或多个图像、一个或多个视频、一个或多个语音日志、一个或多个文本日志、一个或多个条形码等)。食品分析模块210还可以被进一步配置成使用来自食品本体的信息来确定一种或多种营养素(例如，卡路里、总脂肪、钠等)以及其所估计的来自一种或多种预测(或确定)的成分的量。
食品分析模块210可以与移动装置114或可穿戴装置112通信。移动装置114或可穿戴装置112可以被配置成部分地收集指示用户所消耗的食品的数据(例如，一个或多个图像、一个或多个视频、一个或多个语音日志、一个或多个文本日志、一个或多个条形码等)。食品分析模块210可以被配置成例如通过使用食品本体对与食品有关的来自食品或食品包装的一个或多个捕获的图像、一种或多种食品、一个或多个语音日志、一个或多个文本日志或一个或多个条形码的信息进行抽象化和/或分析。食品分析模块210还可以被进一步配置成基于从用户和DGM 101(或生态系统100)的其它用户的一个或多个用户装置获得的此类数据更新食品本体。食品分析模块210可以进一步与智能家居装置118(例如，智能冰箱)通信。在一个实例中，食品分析模块210可以与智能冰箱通信。智能冰箱可以被配置为跟踪食品在冰箱内和外的移动，以跟踪或预测用户的食品消耗。智能冰箱可以通过使用传感器(例如，相机)来跟踪食品的移动，所述传感器捕获食品的图像或视频，或者读取预先包装的食品或餐食的条形码。
DGM 101的一个或多个GUI可以被配置成利用预测数据中存在的每个食品项以及每个食品项内的成分的名称在视觉上注释用户所消耗的食品的数据(例如，一个或多个图像、一个或多个视频、一个或多个语音日志、一个或多个文本日志、一个或多个条形码等)。在一些情况下，DGM 101的一个或多个GUI(即，DGM 101的一个或多个图形模块)可以被配置成利用每个食品项和/或每个食品项内的成分的名称在视觉上注释用户所消耗的食品的一个或多个图像。
葡萄糖水平监测仪111可以包括血糖监测仪、连续葡萄糖监测仪(CGM)、闪速葡萄糖监测仪(FGM)或葡萄糖感测生物植入物。葡萄糖水平监测仪111可以被配置成测量分析物(例如，体液)中的用户的葡萄糖水平，所述分析物包括血液、间质液、汗液、眼泪和/或唾液。葡萄糖水平监测仪111可以放置在用户的皮肤上或附近，或用户身体内(例如，皮肤下面)。在一些情况下，葡萄糖水平监测仪111的一部分可以与用户的分析物流体连通以测量分析物中的葡萄糖水平。在一些情况下，葡萄糖水平监测仪111可以是在不刺穿用户的皮肤并且不从用户的皮肤抽取血液的情况下能够测量用户的葡萄糖水平的非侵入性设备(例如，非侵入性医疗装置)。在一个实例中，葡萄糖水平监测仪111可以引导电磁辐射(例如，无线电波、微波、红外光、可见光、紫外线(UV)光)穿过用户的皮肤并且朝向用户的体液。之后，葡萄糖水平监测仪111可以读取由用户的体液透射或反射的定向电磁辐射的至少一部分，所述透射或反射读数指示体液的葡萄糖水平。电磁辐射可以包括一个或多个波长(例如，具有一个波长的激光)。类似地，葡萄糖水平监测仪111可以利用电信号来非侵入性地检测用户的葡萄糖水平。
装置/数据集线器220可以与CGM通信以连续地流式传输和存储用户的关于葡萄糖水平的个性化数据。所存储的用户的个性化数据可以用于由见解和推荐引擎230进行分析。间质液的CGM的测量结果可以具有与相应血糖水平相比最多约15％、14％、13％、12％、11％、10％、9％、8％、7％、6％、5％或更少的误差。间质液的葡萄糖水平的测量结果可以具有相应地与血糖水平相比较短的延迟。CGM可以在用户的日常活动期间保持起作用，所述用户的日常活动包含淋浴、锻炼、睡觉等。葡萄糖水平监测仪111可以包含任何合适的连续葡萄糖监测设备。
装置/数据集线器220可以与FGM通信。FGM可以是穿戴的或用户的皮肤的小传感器。FGM的一部分可以落座于皮肤下面，以与间质液流体连通。FGM可以确定间质液的如与血糖水平密切相关的葡萄糖水平。FGM可以连续或间歇地记录用户的葡萄糖水平(例如，每5分钟、10分钟、15分钟、20分钟、30分钟、60分钟一次、更频繁、不太频繁等)，并且用户可以通过利用单独扫描仪(例如，具体监测仪或用户装置，如移动装置)扫描FGM来访问包括用户的收集的葡萄糖水平的数据。
用户可以佩戴葡萄糖监测仪(例如CGM或FGM)约10天到30天。用户可以佩戴葡萄糖监测仪至少约5天、10天、15天、20天、25天、30天、40天、50天或更多天。用户可以佩戴葡萄糖监测仪至多约50天、40天、30天、25天、20天、15天、10天、5天或更短的天数。使用之后，可以去除葡萄糖监测仪并且用新的葡萄糖监测仪更换。新的葡萄糖监测仪可以需要或可以不需要针对用户进行校准。
葡萄糖水平监测仪111可以与用户装置通信以传输指示用户的葡萄糖水平的数据。通信可以包括电磁辐射、声音、电气和电子工程师协会(IEEE)802.11无线局域网(WLAN)标准、蓝牙、Zigbee、Z-Wave、近场通信(NFC)、磁安全传输(MST)、其功能修改或其组合。在一些情况下，葡萄糖水平监测仪111可以与用户装置硬连线。
葡萄糖水平监测仪111可以以每0.5分钟、1分钟、2分钟、3分钟、4分钟、5分钟、10分钟、15分钟、20分钟、30分钟、60分钟、90分钟、120分钟或更长时间至少约一次测量(或读取)的频率测量用户的葡萄糖水平。葡萄糖水平监测仪111可以以每120分钟、90分钟、60分钟、30分钟、20分钟、15分钟、10分钟、5分钟、4分钟、3分钟、2分钟、1分钟、0.5分钟或更短时间至多约一次测量(或读取)的频率测量用户的葡萄糖水平。葡萄糖水平监测仪111可以以不规则模式测量用户的一种或多种葡萄糖水平。在一些情况下，葡萄糖水平监测仪111可以是自适应的。在一些情况下，葡萄糖水平监测仪111可以被配置成以第一速率监测用户的葡萄糖水平，并且当葡萄糖水平监测仪111检测到葡萄糖水平(例如，通过将其与用户的葡萄糖水平的历史、预定参考葡萄糖水平或预定参考葡萄糖水平范围等进行比较)中的的急剧变化(例如，增加或减少)时，葡萄糖水平监测仪111可以以高于第一速率的第二速率监测用户的葡萄糖水平。葡萄糖水平检测的速率的此变换可以是自动的(例如，在瞬间没有人工干预或指示的情况下)，或者是用户协助的(例如，葡萄糖水平监测仪111可以通过用户装置提示用户批准葡萄糖检测的速率的变化)。
葡萄糖水平监测仪111可能进一步能够测量用户的另外的生物标记水平。葡萄糖水平监测仪111可能能够测量用户的至少约1种、2种、3种、4种、5种、6种、7种、8种、9种、10种或更多种另外的生物标记水平。葡萄糖水平监测仪111可能能够测量用户的至多约10种、9种、8种、7种、6种、5种、4种、3种、2种或1种另外的生物标记水平。在此情况下，食品分析模块可以被进一步配置成(1)分析指示用户所消耗的食品的数据，并且(2)基于如通过葡萄糖水平监测仪所测量的用户的另外的生物标记水平的变化，确定单个食品对所述用户的所述另外的生物标记水平的影响。
另外的生物标记可以包括基因、肽、蛋白质、脂质、代谢物等。另外的生物标记的实例包含胰岛素、乳酸、酮、抗氧化剂、神经递质、胺、维生素、胆固醇、碳水化合物、醇、氨基酸、核酸等。另外的生物标记可以进一步包含用户的另外的生物学特征，如体温、心率、汗水或身体运动。
可替代地或另外，食品分析模块可以进一步与医疗装置116(如图60中示出的)通信126，所述医疗装置被配置成测量用户身体内的另外的生物标记。医疗装置116可能能够测量用户的至少约1种、2种、3种、4种、5种、6种、7种、8种、9种、10种或更多种另外的生物标记水平。医疗装置116可能能够测量用户的至多约10种、9种、8种、7种、6种、5种、4种、3种、2种或1种另外的生物标记水平。在此情况下，食品分析模块可以被进一步配置成(1)分析指示用户所消耗的食品的数据，并且(2)基于如通过医疗装置所测量的用户的另外的生物标记水平的变化，确定单个食品对所述用户的所述另外的生物标记水平的影响。医疗装置116可以包括心率监测仪、血压监测仪、汗液传感器、皮肤电反应(GSR)传感器、心电图(ECG)监测仪、生物电阻抗分析(BIA)监测仪(例如，人体脂肪监测仪)、其功能性修改形式或其组合。医疗装置116可以包括情绪监测仪，例如，放置在用户的皮肤上或附近并且被配置成测量皮肤温度、皮肤电传导和/或动脉脉搏波作为对用户的压力水平的指示的压力监测仪。
医疗装置116可以与用户装置通信以传输指示用户的另外的生物标记的数据。通信可以包括电磁辐射、声音、电气和电子工程师协会(IEEE)802.11无线局域网(WLAN)标准、蓝牙、Zigbee、Z-Wave、近场通信(NFC)、磁安全传输(MST)、其功能修改或其组合。在一些情况下，医疗装置116可以与用户装置硬连线。
医疗装置116可以以每0.5分钟、1分钟、2分钟、3分钟、4分钟、5分钟、10分钟、15分钟、20分钟、30分钟、60分钟、90分钟、120分钟或更长时间至少约一次测量(或读取)的频率测量用户的另外的生物标记水平。医疗装置116可以以每120分钟、90分钟、60分钟、30分钟、20分钟、15分钟、10分钟、5分钟、4分钟、3分钟、2分钟、1分钟、0.5分钟或更短时间至多约一次测量(或读取)的频率测量用户的另外的生物标记水平。医疗装置116可以以不规则模式测量用户的另外的生物标记水平。在一些情况下，医疗装置116可以是自适应的。在一些情况下，医疗装置116可以被配置成以第一速率监测用户的另外的生物标记水平，并且在葡萄糖水平(例如，通过将其与用户的葡萄糖水平的历史、预定参考葡萄糖水平或预定参考葡萄糖水平范围等进行比较)或另外的生物标记水平(与葡萄糖水平的方式类似的方式)中存在急剧变化(例如，增加或减少)，医疗装置116可以开始以高于第一速率的第二速率监测用户的另外的生物标记水平。另外的生物标记水平检测的速率的此变换可以是自动的(例如，在瞬间没有人工干预或指示的情况下)，或者是用户协助的(例如，医疗装置116可以通过用户装置提示用户批准葡萄糖检测的速率的变化)。
在一些情况下，可穿戴装置112(如图1中示出的)可以除了或代替医疗装置116使用来监测用户的另外的生物标记水平。可穿戴装置112的实例包含但不限于Apple手表、Fitbit、Samsung Gear、Android Wear装置等。
食品分析模块210可以被进一步配置成确定用户的葡萄糖水平与用户的另外的生物标记水平之间的相关性。在一个实例中，食品分析模块可以确定来自食品的消耗的葡萄糖水平的变化如何影响用户的乳酸水平(例如，血液中的)或用户的体温。
由于葡萄糖与胰岛素之间的关系，饮食葡萄糖监测仪还可以通过使用葡萄糖-胰岛素模型计算胰岛素水平来间接测量胰岛素。葡萄糖-胰岛素模型可以是生物数学模型(例如上面描述的GAIA模型)、机器学习模型或任何其它合适的模型。由于胰岛素被视为是身体内的脂肪储存的主要调节剂，因此这允许利用饮食葡萄糖监测仪作为对减重的帮助。尽管葡萄糖是胰岛素的相对较好的代用物，但其间的关系可能并非微不足道(参见例如HoltSHA、Brand Miller JC、Petocz P.,“食品的胰岛素索引：通过共同食品的1000-kJ部分生成的胰岛素需求(insulin index of foods:the insulin demand generated by 1000-kJportions of common foods.)”,《美国临床营养学杂志(Am.J.Clin.Nutr.)》66,1264-1276(1997))，并且可能需要用于衍生所估计的胰岛素水平的适合的模型。一旦对胰岛素水平进行了估计，饮食葡萄糖监测仪就可以因此提供关于哪些食品、食品的组合或生活方式事件影响个体的重量的见解和推荐，从而提供基于生物标记测量结果的个性化减重计划。
食品分析模块210(和/或与食品分析模块210通信的见解和推荐引擎230)可以被进一步配置成基于不同食品对用户的葡萄糖水平的影响向用户提供一个或多个推荐，以管理用户的葡萄糖水平。食品分析模块210可以被进一步配置成基于不同食品对用户的另外的生物标记水平的影响向用户提供一个或多个推荐，以管理用户的另外的生物标记水平。一个或多个推荐可以包括用户的饮食的变化。例如，用户可能患有糖尿病，并且用户的医师可能已经向其推荐了专门的饮食。
一个或多个推荐可以包括要消耗或避免的至少一种食品、要消耗或避免的两种或更多种食品的组合、或至少要消耗或避免至少一种食品的时间。在一些情况下，食品分析模块210可以检测到当一起(例如，同时作为两种项或作为同一菜肴中的成分)或一个接一个消耗两种特定食品时用户的葡萄糖水平的降低或维持，并且推荐用户消耗此类食品组合。在一些情况下，食品分析模块210可以检测到当一起(例如，同时作为两种项或作为同一菜肴中的成分)或一个接一个消耗两种特定食品时用户的葡萄糖水平的突然增加，并且推荐用户避免消耗此类食品组合。在一些情况下，食品分析模块210可以检测到，与在一天的较早时间(例如，下午6点之前)消耗相同食品时用户的葡萄糖的增加相比，当在深夜(例如，过了下午9点)食用食品(例如，甜甜圈、冰淇淋、意大利面等)时，用户的葡萄糖水平更急剧增加。在此情况下，食品分析模块210可以推荐用户避免过了某个时间(例如，下午6点)食用此类食品。
参照图60，食品分析模块210可以被进一步配置成引导向用户递送一种或多种食品。食品分析模块210可以与一个或多个食品递送或餐食计划服务250通信，例如HelloFresh、Green Chef、EveryPlate、太阳篮子(Sun Basket)、Home Chef、蓝色围裙(BlueApron)、BistroMD、Freshly，NutriSystem、Plated、紫胡萝卜(Purple Carrot)、GreenBlender、PeachDish、Chef'd、Terra的厨房(Terra's Kitchen)、生鲜直达(FreshDirect)、Daily Harvest、Instacart、Uber Eats等。食品分析模块210可以建议由一个或多个食品递送或餐食计划服务250提供的与其一个或多个推荐一致的餐食，所述推荐包括要消耗或避免的至少一种食品、要消耗或避免的两种或更多种食品的组合、或至少要消耗或避免至少一种食品的时间。食品分析模块210可以自动引导一个或多个食品递送或餐食计划服务250，以在有或没有用户确认的情况下向用户递送此餐食(和/或补充物)。用户可以提供事先同意，使得食品分析模块210可以自动引导所推荐食品或餐食的订购和递送。一个或多个食品递送或餐食计划服务250可以提供个性化和精选的杂货列表(例如，通过在Instacart上自动生成杂货列表)、食谱和建议。提供的食谱可以是现有食谱或通过本文所描述的系统针对用户生成的新食谱。食品分析模块210可以引导递送约1种、2种、3种、4种、5种、6种、7种、8种、9种、10种或更多种食品(例如一种)。食品分析模块210可以引导每天递送1种、2种、3种或更多种餐食。食品分析模块210可以引导一周递送至少约1次、2次、3次、4次、5次、6次、7次、8次、9次、10次或更多次食品。食品分析模块210可以引导一周递送至多约10次、9次、8次、7次、6次、5次、4次、3次、2次或1次食品。食品分析模块210可以基于用户的偏好、食品的评级或在葡萄糖水平或另外的生物标记水平方面的反应来更新或改变正在订购和递送的食品的偏好。另外，食品分析模块210可以与快递服务通信，例如，美国邮政服务(USPS)、联邦快递(FedEx)、联合包裹服务(UPS)、戴尔西、希尔布鲁姆和林恩(DHL)、Google快递(Google Express)、Amazon等，以关于对用户的一种或多种食品的递送来对用户进行跟踪和更新。
食品分析模块210可以被进一步配置成向用户推荐餐食或饮食计划的食谱，其中食谱反映了提供给用户的一个或多个推荐。食品分析模块210可以与一个或多个来源(例如，网站、在线或离线出版物等)通信以推荐此类食谱。一个或多个来源的实例可以包含但不限于cookpad、allrecipes、chefkoch、dianping、marmiton、foodnetwork、russianfood、geniuskitchen、bbcgoodfood、thekitchn、cuisineaz、epicurious、seriouseats、1000.menu、yummly、foodandwine、bonappetit、taste、allrecipes、eater、tasty等。
食品分析模块210提供的一个或多个推荐可以进一步包括用户的生活方式的变化。在一些情况下，基于用户的历史或两个或更多个用户的汇编历史，食品分析模块210可以建议用户的生活方式的可以直接或间接提供用户的葡萄糖水平或另外的生物标记水平的变化或维持的变化。用户的生活方式可以包括锻炼、散步、站立、就坐、压力管理、冥想、药物治疗、饮食补充、性活动或睡眠。食品分析模块210可以与一个或多个用户装置(例如，葡萄糖水平监测仪111、可穿戴装置112、移动装置114或医疗装置116等)通信，以确定包括以下的组中的一个或多个组之间的关系：用户的生活方式、一种或多种食品或一种或多种单个食品的消费或用户的葡萄糖水平或另外的生物标记水平。食品分析模块210可以建议已经示出或预测的用户的生活方式的变化以(例如，由医疗保健专业人员或通过使用机器学习算法)帮助维持或改变用户的葡萄糖水平或另外的生物标记水平。
DGM 101的一个或多个GUI可以被配置成视觉上注释具有每个食品项内的成分、每个食品项的评级或排名、每个食品项的粉丝见解和/或饮食推荐的食品的数据(例如，一个或多个图像、一个或多个视频或其一个或多个屏幕截图、一个或多个语音日志的转录、一个或多个文本日志等)。评级或排名可以指示食品对用户的葡萄糖水平和/或另外的生物标记水平的影响(例如，积极的或消极的)。
评级可以是数字评级、字母评级、字母数字评级、百分比、图形系统等。在一些情况下，评级可以基于某一尺度来提供，其中与更低的评级相比，更高评级对用户的葡萄糖水平可以具有更积极的影响。在一些情况下，评级可以基于百分之0(％)到100％的尺度，较高的百分比值表示对用户的葡萄糖或另外的生物标记水平的更积极的影响。评级可以为至少约0％、1％、2％、3％、4％、5％、6％、7％、8％、9％、10％、20％、30％、40％、50％、60％、70％、80％、90％、99％或更高。评级可以为至多约100％、90％、80％、70％、60％、50％、40％、30％、20％、10％、9％、8％、％、6％、5％、4％、3％、2％、1％或更少。在一些情况下，评级可以基于另一数字尺度，例如0到10的尺度(例如以积极影响的顺序为0、1、2、3、4、5、6、7、8、9和10)。在一些情况下，评级可以基于图形尺度，例如1星到5星的尺度(例如，以积极影响的顺序为1星、2星、3星、4星和5星)。在一些情况下，评级可以为字母评级系统，例如D-、D、D+、C-、C、C+、B-、B、B+、A-、A和A+中的一个或多个。
评级中的每个评级可以指示对应食品项或成分对用户的葡萄糖水平或另外的生物标记水平的所测量的或所预测的影响。在一些情况下，DGM 101可以确定用户何时就餐或已经消耗了一种或多种食品(例如，通过用户输入或基于用户的地理位置)。DGM 101可以基于一种或多种食品的数据来对关于一种多种食品的信息(例如，成分、营养等)进行抽象化。之后，DGM 101可以基于其过去对用户或用户人群的葡萄糖水平或另外的生物标记水平的影响来提供对一种或多种食品的评级。可替代地或另外，DGM 101可以使用在或大约消耗一种或多种食品时用户的葡萄糖水平或另外的生物标记水平的实时数据，然后基于其对葡萄糖水平或另外的生物标记水平的影响提供对一种或多种食品的评级。
对用户的葡萄糖水平的积极影响可以包括用户的葡萄糖水平的增加或降低。对于某些用户而言，食品的积极影响可以是葡萄糖水平或另外的生物标记水平的增加。对于某些用户而言，食品的积极影响可以是葡萄糖水平或另外的生物标记水平的降低。对于某些用户而言，食品的消极影响可以是葡萄糖水平或另外的生物标记水平的增加。对于某些用户而言，食品的消极影响可以是葡萄糖水平或另外的生物标记水平的降低。对于某些用户而言，食品的积极影响可以是将葡萄糖水平或另外的生物标记水平维持在用户的预先定义的范围内。对于某些用户而言，食品的消极影响可以是将葡萄糖水平或另外的生物标记水平维持在用户的预先定义的范围内。此预先定义的范围可以是用户定义的(例如，用户的个人目标)或由医学专业人员或营养学家建议的。
食品分析模块210可以被配置成确定单个食品实时、周期性地或在一个或多个预定时间点处对用户的葡萄糖水平的影响。食品分析模块210可以确定单个食品在实时(例如同时)和/或在消耗单个食品(或包括单个食品的食品)的时间左右的时间持续期间内对用户的葡萄糖水平或另外的生物标记水平的影响。食品分析模块210可以通过每1小时、2小时、3小时、4小时、6小时、8小时、12小时、24小时、2天、3天、4天、5天、6天、1周、2周、3周、4周，1个月等分析先前收集的数据来确定单个食品对用户的葡萄糖水平或另外的生物标记水平的影响。食品分析模块210可以确定在一个或多个预定时间点处单个食品对用户的葡萄糖水平或另外的生物标记水平的影响，所述一个或多个预定时间点为例如：上午6点(例如，使得食品分析模块210可以在用户消耗早餐之前提供推荐)、上午11点(例如，使得食品分析模块210可以在用户消耗午餐之前提供推荐)下午5点(例如，使得食品分析模块210可以在用户消耗晚餐之前提供推荐)、晚上10点(例如，使得食品分析模块210可以在用户睡觉前提供对所消耗的食品与葡萄糖或另外的生物标记水平之间的相关性的汇总等)。
图61A和61B展示了根据一些实施例的通过DGM 101的一个或多个GUI进行的视觉注释的实例。参照图61A，用户可以通过用户装置(例如，移动装置114)访问DGM 101的一个或多个GUI。用户可以使用DGM 101的一个或多个GUI来捕获要消耗的菜肴(例如，沙拉)的图像6105。在一些情况下，用户可以使用移动装置114的一个或多个其它GUI(例如，相机应用)来捕获要消耗的菜肴的图像6105。在一些情况下，用户可以从其它来源，例如，餐厅的网站或一个或多个SNS网络(例如,Yelp))获得菜肴的图像6105。在一些情况下，可以捕获要消耗的菜肴的视频而非图像6105，并且DGM 101可以被配置成根据此视频生成至少菜肴的图像6105。DGM 101的一个或多个GUI可以扫描6110图像6105以标识来自图像6105的一种或多种食品项(例如，菜肴中的单个食品或成分)。图像6105的一个或多个食品项的名称可以由DGM101在DGM 101的一个或多个GUI上视觉地注释。参照图61B，DGM 101可以分析一个或多个食品项6115，并且提供对一个或多个食品项6115的一个或多个评级6120(或排名)。一个或多个评级6120可以指示一个或多个食品项6115对用户的葡萄糖水平和/或另外的生物标记水平的影响。在一个实例中，一个或多个食品项6115的一个或多个评级6120可以是字母系统，其中最高评级A+指示用户的葡萄糖水平增加最少并且较低评级(例如，B、C、D等)指示用户的葡萄糖水平增加高于评级A+。另外，DGM 101可以基于根据图像6105预测(或标识)的一个或多个食品项来预测用户正在消耗的食品，然后在一个或多个GUI上显示对菜肴的一个或多个预测6125(例如,奎黎沙拉、法式虾沙拉、凯撒沙拉等)。在一些情况下，食品预测6125功能可以允许用户提供菜肴的名称。
图62A和62B展示了根据一些实施例的基于GUI的软件界面的示出了用户的食品数据的分析报告的示例性窗口。参照图62A，分析报告可以集中于可能影响血糖水平的因素：食品、活动和睡眠。报告可以基于针对用户的预先定义的目标葡萄糖水平范围(例如70mg/dL-170mg/dL)。报告可以包含基于用户的葡萄糖水平对一种或多种餐食如何作出反应而对一种或多种餐食进行的评估。评估可以利用评级系统(例如，“A”为平衡的葡萄糖反应，“F”为不良的葡萄糖反应等)。报告还可以显示由见解和推荐引擎230生成的推荐。推荐可以将(用户消耗的)两种食品项进行比较，并且基于用户的生理反应，建议两种食品项中的一种食品项是否是与两种食品项中的另一种食品项相比更健康的选项。在一些实例中，推荐可以将两种类型的水果进行比较(油桃对葡萄)，并且还推荐将任一水果与蛋白质或脂肪配对。另一推荐可以将两种类型的小吃进行比较(毛豆对薯条)，并且建议小能量棒可能是更健康的零食选项。不同推荐可以将两种类型的饮品进行比较(果汁对可乐)，并且推荐避免添加糖的饮料。另外，报告可以示出用户进行的步数的数与用户的相应的平均血糖水平之间的相关性。报告可以通知用户，当用户将步数的数从每天少于3,000步增加到多于10,000步时，用户的血糖水平从132mg/dL降低到125mg/dL。此外，报告可以示出睡眠与血糖水平之间的相关性。报告可以通知用户，当用户将睡眠的小时数从少于6小时增加到多于8小时时，用户的血糖水平从129mg/dL降低到115mg/dL。参照图62B，另一分析报告可以包含关于在设定的时间段(例如1天、2天、3天、4天、5天、6天、7天、8天、9天、10天或更长时间)内用户的平均峰值葡萄糖水平的报告。在一个实例中，分析报告可以通知用户，根据1周的数据收集在平均一天中，用户的葡萄糖水平在上午7:35达到峰值172mg/dL。另外，分析报告可以通知用户，用户在给定的时间段(例如，1周)内已经消耗的具有平衡的葡萄糖反应的一种或多种菜肴(例如，具有“A”评级的菜肴)。分析报告还可以通知用户，用户在给定的时间段(例如，1周)内已经消耗的具有不良葡萄糖反应的一种或多种菜肴(例如，具有“F”评级的菜肴)。
参照图60，DGM 101可以是连接两个或更多个用户260的工具。DGM 101可以是用于小组疗法、支持小组、饮食和/或健康管理的对等支持的工具。此类小组疗法、支持小组或对等支持可以帮助促进或维持行为变化，以实现更好的葡萄糖水平或另外的生物标记水平管理。食品分析模块210可以被进一步配置成基于比较启动由两个或更多个用户组成的组。即使未将两个或更多个用户指定为预先定义的组，食品分析模块210仍可以启动两个或更多个用户的基于不同的因素，例如，性别、年龄段、种族、地理位置、工作小时、职业、状况或疾病等的组。另外，食品分析模块210可以被进一步配置成生成组中的一个或多个子组。
DGM 101可以被进一步配置成允许用户与可能是或可能不是DGM 101的用户的其它人共享由DGM 101针对用户收集和/或生成的任何信息。DGM 101可以被配置成允许用户与CDE、营养师、营养学家、医师、护士或体育教练共享信息。DGM 101可以被配置成允许用户与朋友或家庭成员共享信息。由DGM101针对用户收集和/或生成的信息的实例可以包含对以下的分析：用户所消耗的食品、用户的葡萄糖或另外的生物标记水平、或所消耗的食品与用户的葡萄糖或另外的生物标记水平之间的相关性和/或对其的预测。
食品分析模块210可以被进一步配置成在两个或更多个用户之间比较单个食品对葡萄糖水平的影响。DGM 101的用户可以使用同一平台200，并且如此，包括食品分析模块210的平台200可以将与两个或多个用户有关的数据进行关联和比较。食品分析模块210可以将以下两个或更多个用户的数据(例如，葡萄糖水平或另外的生物标记水平)进行关联和比较：同一性别、年龄段(例如10-20岁、20-30岁、30-40岁、40-50岁、50-60岁、60-70岁、70-80岁等)、种族、地理位置(例如，按大陆、国家、城市、城镇、学校等)、工作小时(例如，白班、夜班等)、职业(例如，运动员、医生、学生、餐厅工作人员、住家父母、办公室文员、邮件递送人员等)、状况或疾病(例如，健康、1型或2型糖尿病、高血压或低血压、部分或全部麻痹、中风历史、病毒感染、癌症、睡眠障碍、情绪障碍等)。
食品分析模块210可以将预先定义的组的两个或更多个用户的数据(例如，葡萄糖水平或另外的生物标记水平)进行关联和比较。医疗保健提供者可以访问(受限地访问)与两个或更多个用户同步的DGM 101。医疗保健提供者可以在组，例如，用于对具体食品或状况进行研究的组中分配两个或更多个用户。例如，医疗保健提供者可以在DGM 101内生成患有1型糖尿病的患者组，并且使用DGM 101来跟踪其葡萄糖水平(例如，通过用户中的每个用户的葡萄糖水平监测仪111)和/或向组中的用户提供推荐。另外，组中的用户可以访问(受限地访问权)彼此的信息，并且这在一些情况下可以促进竞争和激发用户遵循推荐的饮食。
无论是在预先定义的组还是由食品分析模块210生成的组中，食品分析模块210都被进一步配置成允许由两个或更多个用户组成的组通过与每个用户相关联的用户装置)上的GUI(例如，通过DGM 101的GUI彼此通信。两个或更多用户可以通过彼此的移动装置114或可穿戴装置112上的GUI彼此通信。由两个或更多个用户组成的组之间的通信可以包括通过图形用户界面共享的信息，所述信息包括文本、图像、视频和/或语音记录。
参照图60，DGM 101可以被进一步配置成将用户连接到医疗保健或健身专家270。DGM 101(例如，食品分析模块210和/或见解和推荐引擎230)可以被配置成基于单个食品对用户的葡萄糖水平或另外的生物标记的影响标识针对用户的医疗保健或健身专家270。医疗保健或健身专家270可以包括经过认证的糖尿病教育者(CDE)、营养师、营养学家、医师、护士或体育教练。医疗保健或健身专家270可以提供远程医疗(例如，通过远程通讯提供对健康状况或疾病的诊断或治疗)、营养建议(例如，有关葡萄糖管理以及其与饮食和其它生活方式的关系)以及指导(例如，锻炼例程)。
图63展示了基于GUI的软件界面的示出了用户与另一人之间的视频的示例性窗口。DGM 101可以提供用于用户与DGM 101的一个或多个其它用户谈话的基于GUI的软件界面。一个或多个其它用户可以具有与所述用户类似的饮食计划和/或健康状况(例如2型糖尿病)。一个或多个其它用户可能已经进行了所述用户当前正在进行的饮食计划，并且一个或多个其它用户可能会向所述用户提供支持和鼓励。DGM 101可以提供用于用户与医疗保健或健身专家270谈话的基于GUI的软件界面。在一些情况下，来自医疗保健或健身专家270的现场反馈在用户对饮食和饮食目标的依从性方面可能更有效。
参照图60，DGM 101可以被进一步配置成提醒用户关于与用户的健康相关的一个或多个测试290。一个或多个测试290可以与用户的饮食、葡萄糖水平、另外的生物标记水平、疾病和/或其它状况相关。在一些情况下，一个或多个测试290可以是A1C测试的每年两次或每季度一次的测试。A1C测试可以是血液测试，所述血液测试可以提供关于在一段时间(例如，过去的3个月)内用户的血糖的平均水平的信息。A1C测试可以用于诊断2型糖尿病和/或前期糖尿病。A1C测试还可以用作糖尿病管理。A1C测试也可以被称为血红蛋白A1C、HbA1c、糖基化血红蛋白或糖化血红蛋白测试。A1C测试结果可以以百分比形式报告(例如，百分比越高，用户的血糖水平越高)。在一个实例中，健康A1C水平可以低于10％(例如5.7％)。在一些情况下，DGM 101可以预约一个或多个测试290。DGM 101可以可操作地链接到用于一个或多个测试290的数据库，以接收或检索用户的一个或多个测试290的结果以进行进一步分析。
参照图60，DGM 101可以被进一步配置成将用户连接到虚拟健康助手280。虚拟健康助手280可以与DGM 101的一个或多个组件(例如，食品分析模块210和/或见解和推荐引擎230)通信。虚拟健康助手280可以被配置成自动生成一个或多个推荐并将其提供给用户。虚拟健康助手280可以被配置成通过用户装置(例如，移动装置114)与用户通信。虚拟健康助手280和用户可以通过用户装置上的DGM 101的一个或多个GUI通信。虚拟健康助手280可以使用包括一种或多种机器学习算法的人工智能来(1)理解来自用户的问题或评论；(2)基于单个食品对用户的葡萄糖水平的影响标识一种或多种推荐；以及(3)生成一个或多个推荐并且将其提供给用户。虚拟健康助手280可以使用包括一种或多种机器学习算法的人工智能来(1)理解来自用户的问题或评论；(2)基于单个食品对用户的葡萄糖水平和/或另外的生物标记水平的影响标识一种或多种推荐；以及(3)生成一个或多个推荐并且将其提供给用户。一种或多种机器学习算法可以包含自然语言处理(NLP)、光学字符识别(OCR)能力、计算机视觉系统或统计模型。
一种或多种机器学习算法可以包含一个或多个训练数据集，所述一个或多个训练数据集包括来自用户的关于食品、单个食品、用户的葡萄糖水平、用户的另外的生物标记水平、用户的生活方式、对其的任何预测或其间的任何相关性的示例问题或评论。一个或多个训练数据集可以允许一个或多个机器学习算法来学习多个参数，以生成可以用于区别或区分用户的问题或评论的不同方面，从而提供返回给用户的适当的答案或评论的一个或多个模型(例如，数学模型、分类器)。
在一个实例中，用户可以询问虚拟健康助手280(例如，通过发送语音消息或文本消息)“我的葡萄糖水平如何？”，虚拟健康助手280可以提供对用户的葡萄糖水平的汇总，如：(1)“下午2:30后，当您消耗咖啡与玛芬时，您的葡萄糖水平会下降”；(2)“在消耗肉丸意大利面后您的葡萄糖水平出现峰值”；(3)“在过去2个月内，注意到当您过了晚上8点吃晚餐时，您的葡萄糖水平出现峰值”；(4)“跑步或游泳在管理葡萄糖水平方面比举重更有效”；或(5)“在过去2天内您的血糖水平中出现异常趋势。请尽快去看内分泌医师。Christine Emdy博士在您的保险网络中是具有高度评价的内分泌医师并且本周可以预约。”虚拟健康助手280可以与医疗保健提供者和用户的医疗保健保险信息通信，以在得到或未得到用户同意的情况下自动进行预约(例如，与护士、普通医师、专家、牙医、验光师等)。
可以由虚拟健康助手280自动生成由DMG 101(例如，由食品分析模块210)进行的一个或多个推荐，并且将所述推荐提供给用户。虚拟健康助手280可以每1小时、2小时、3小时、4小时、6小时、12小时、24小时、2天、3天、4天、5天、6天、1周、2周、3周、4周、2个月或更长时间至少一次向用户提供一个或多个推荐。虚拟健康助手280可以每2个月、4周、3周、2周、1周、6天、5天、4天、3天、2天、25小时、12小时、6小时、4小时、3小时、2小时、1小时或更少至多一次向用户提供一个或多个推荐。
用户可以通过向虚拟健康助手280提供(例如，通过语音或文本消息)问题(例如，关于用户的饮食、葡萄糖或另外的生物标记水平等)来发起与虚拟健康助手280的通信。虚拟健康助手280可以在至少约1秒、2秒、3秒、4秒、5秒、6秒、7秒、8秒、9秒、10秒、20秒、30秒、40秒、50秒、1分钟、2分钟、3分钟、4分钟、5分钟、10分钟、20分钟、30分钟、40分钟、50分钟、1小时、2小时、3小时、4小时、5小时或更长时间提供对用户的问题的答案。虚拟健康助手280可以至多约5小时、4小时、3小时、2小时、1小时、50分钟、40分钟、30分钟、20分钟、10分钟、9分钟、8分钟、7分钟、6分钟、5分钟、4分钟、3分钟、2分钟、1分钟、50秒、40秒、30秒、20秒、10秒、9秒、8秒、7秒、6秒、4秒、3秒、2秒、1秒或更短的时间提供对用户的问题的答案。在一些情况下，虚拟健康助手280可以一次或多次提供对用户的问题的答案。虚拟健康助手280可以提供至少约1次、2次、3次、4次、5次、6次、7次、8次、9次、10次或更多次答案。
在一些情况下，虚拟健康助手280可以被配置成在接收到用户的问题(例如，用户的原始问题)之后向用户询问一个或多个问题。虚拟健康助手280可以询问一个或多个问题以接收关于用户的问题的更多信息。关于用户的问题的信息可以帮助虚拟健康助手280更好地理解用户的问题并且提供对所述问题的相关答案。
图64展示了基于GUI的软件界面的示出了用户与教练之间的消息交换(例如，对话)的窗口。教练可以是专家(例如，护士、医师、营养专家等)，所述专家有权通过DGM 101(例如，通过见解和推荐引擎230)不受限地或受限地访问用户的数据以及其分析。可替代地或另外，教练可以是可操作地联接到DGM 101的平台200的人工智能算法(例如，聊天机器人)。人工智能算法可以使用上述机器学习算法中的一种或多种机器学习算法与用户通信。教练与用户之间的对话可以由用户发起。可替代地，教练与用户之间的对话可以由教练发起。教练可以通知用户由DGM 101(例如，由见解和推荐引擎230)生成的一个或多个推荐。在一些情况下，当通过与教练的对话而非由DGM 101生成的分析报告被通知或指示时，用户对于一个或多个推荐可能更容易接受(更积极、更受鼓励等)。在一些实例中，教练可以通知用户，用户是已经示出了平衡的葡萄糖反应还是没有。在一些实例中，教练和通知用户指示不良葡萄糖反应的任何食品和/或时间。教练还可以提供关于用户的一个或多个另外的生物标记水平的一个或多个推荐。教练还可以向用户询问DGM 101可能需要的以对用户的数据进行进一步分析的问题。
DGM 101可以进一步包括含有已知量的食品的一种或多种预先包装的餐食，其中食品分析模块210可以被进一步配置成(1)监测在用户消耗一种或多种预先包装的餐食一段时间之后，一种或多种预先包装的餐食中的食品对用户的葡萄糖水平和/或另外的生物标记水平的影响；以及(2)基于监测到的影响生成用户的葡萄糖和/或另外的生物标记基线概况。可以将预先包装的餐食以校准套件的形式提供给用户，所述校准套件可以用于优化DGM 101(例如，DGM 101的平台200)对用户对不同食品的生理反应。
优化DGM 101(例如，DGM 101的平台200)可以包含优化食品分析模块210、装置/数据集线器220以及见解和推荐引擎230以及与这些组件通信的至少葡萄糖水平监测仪111的功能。由于用户可以对同一食品作出不同反应并且葡萄糖水平监测仪111和医疗装置116对不同用户可以具有不同的兼容性，因此校准套件可以用于设置针对一个或多个用户的食品基线。生成针对用户的食品基线概况可以包含在用户在一段时间内消耗一种或多种预先包装的餐食时监测不同食品(或单个食品)对用户身体的影响。一种或多种预先包装的餐食可以含有已知量的食品。可以使用监测到的影响来生成食品基线概况。校准套件可以是模块化套件。校准套件可以包含监测系统(例如，葡萄糖水平监测仪111、医疗装置116、血液测试试剂盒、基因测试等)以及一种或多种标准化餐食(也被称为“校准餐食”)。校准餐食可以包含食品棒、饮品或两者。DGM 101的平台200可以了解并已经测试了校准餐食的所有特征(例如，成分、营养素、加工等)。在一些实例中，用户可以将装置(例如，葡萄糖水平监测仪111)放置在身体上(或执行所提供的监测测试，例如，血液测试试剂盒)，并且消耗一种校准餐食/每天早晨。可能要求用户在整个前一天晚上禁食(例如12个小时)。装置可以测量用户对校准餐食的反应。用户可以全天消耗其它食品并且通过基于GUI的软件界面将食品跟踪到平台200(例如，通过文本和语音识别分析、无缝食品图像记录器等进行食品跟踪)。在短时间段(例如一周)之后，平台200可以使用数据和预测来设置针对用户的基线。基线可以被称为用户的唯一个性化食品“指纹”。
图65展示了示例性校准套件6500。校准套件可以含有包含葡萄糖水平监测仪111的框6502，以及包含一种或多种校准餐食的另外的框6504。校准套件可以含有包含用于DNA测试的DNA收集试剂盒(例如，唾液收集试剂盒)的不同的框6506。校准套件可以含有包含用于微生物组分析的生物群系收集试剂盒(例如，从肠、生殖器、口、鼻和/或皮肤收集的样品)的另一个不同的框6508。校准套件可以任选地包含以上框中的任何框，或框的不同组合。校准套件可以包含1种、2种、3种、4种、5种或更多种校准食品。校准套件可包含2个、3个、4个、5个、6个或更多个框。校准套件可以包含1个、2个、3个、4个、5个或更多个监测系统。在一些实施例中，校准套件可以包含帮助生成用户的基线健康状态的一种或多种其它组件/装置(例如医疗装置116、可穿戴装置或其它生物标记测试/装置)。校准套件还可以包含以便用户容易遵守的说明的详细列表。如果需要，校准套件可以包含用于每个收集套件的容器。
计算机系统
本公开提供了被编程为实施本公开的方法的计算机系统。图66示出了被编程或以其它方式被配置为操作DGM 101的计算机系统6601。计算机系统6601可以调节本公开的DGM101的各个方面，例如，包括食品分析模块210、装置/数据集线器220以及见解和推荐引擎230的平台200。计算机系统6601可以是用户的电子装置或相对于电子装置远程定位的计算机系统。电子装置可以是移动电子装置。
计算机系统6601包含中央处理单元(CPU，在此也被称为“处理器”和“计算机处理器”)6605，所述中央处理单元可以是单核或多核处理器、或用于并行处理的多个处理器。计算机系统6601还包含存储器或存储器位置6610(例如，随机存取存储器、只读存储器、闪存存储器)、电子存储单元6615(例如，硬盘)、用于与一个或多个其它系统通信的通信接口6620(例如，网络适配器)以及外围装置6625，如高速缓存、其它存储器、数据存储区和/或电子显示适配器。存储器6610、存储单元6615、接口6620和外围装置6625通过通信总线(实线)，如母板与CPU 6605通信。存储单元6615可以是用于存储数据的数据存储单元(或数据储存库)。计算机系统6601可以借助于通信接口6620可操作地耦接到计算机网络(“网络”)6630。网络6630可以是互联网、互联网和/或外联网、或与互联网通信的内联网和/或外联网。网络6630在一些情况下是电信网络和/或数据网络。网络6630可以包含可以实现分布式计算，如云计算的一个或多个计算机服务器。网络6630在一些情况下借助于计算机系统6601可以实施对等网络，所述对等网络可以实现将装置耦接到计算机系统6601以充当客户端或服务器。
CPU 6605可以执行一系列机器可读指令，所述一系列机器可读指令可以体现在程序或软件中。指令可以存储在如存储器6610的存储器位置中。指令可以涉及CPU 6605，所述指令可以随后编程或以其它方式配置CPU 6605以实现本公开的方法。由CPU 6605执行的操作的实例可以包含取得、解码、执行和写回。
CPU 6605可以是电路，如集成电路的一部分。系统6601的一个或多个其它组件可以包含在电路中。在一些情况下，电路是专用集成电路(ASIC)。
存储单元6615可以存储文件，如驱动程序、库和保存的程序。存储单元6615可以存储用户数据，例如，用户偏好和用户程序。计算机系统6601在一些情况下可以包含一个或多个另外的数据存储单元，所述一个或多个另外的数据存储单元位于计算机系统6601外部，如定位在通过内联网或互联网与计算机系统6601通信的远程服务器上。
计算机系统6601可以通过网络6630与一个或多个远程计算机系统通信。例如，计算机系统6601可以与用户的远程计算机系统通信。远程计算机系统的实例包含个人计算机(例如，便携式PC)、平板或平板PC(例如，
Figure BDA0002689256150001011
iPad、
Figure BDA0002689256150001012
Galaxy Tab)、电话、智能电话(例如，
Figure BDA0002689256150001013
iPhone、安卓使能的装置、
Figure BDA0002689256150001014
)或个人数字助理。用户可以通过网络6630访问计算机系统6601。远程计算机系统的其它实例包含葡萄糖水平监测仪111和医疗装置116。
可以通过存储在计算机系统6601的电子存储位置上(例如存储器6610或电子存储单元6615上)的机器(例如，计算机处理器)可执行代码实施如本文所描述的方法。机器可执行或机器可读代码可以以软件的形式提供。在使用期间，代码可以由处理器6605执行。在一些情况下，代码可以从存储单元6615检索并且存储在存储器6610上以供处理器6605随时访问。在某些情形下，可以排除电子存储单元6615，并且机器可执行指令存储在存储器6610上。
代码可以被预先编译和配置成用于与具有被适配成执行所述代码的处理器的机器一起使用，或可以在运行期间进行编译。代码可以以编程语言供应，可以选择所述编程语言以实现以预先编译或类编译(as-compiled)的方式执行代码。
本文提供的系统和方法的各方面(如服务器6601)可以体现在编程中。技术的各个方面可以被视为通常呈机器(或处理器)可执行代码和/或相关联的数据形式的“产品”或“制品”，所述机器可执行代码和/或相关联的数据在一种类型的机器可读介质上执行或在所述一种类型的机器可读介质中实施。机器可执行代码可以存储在电子存储单元，如存储器(例如，只读存储器、随机存取存储器、闪存存储器)或硬盘上。“存储区”类型介质可以包含计算机、处理器等的任何或全部有形存储器或其相关联的模块，如可以在任何时间为软件编程提供非暂时性存储的各种半导体存储器、磁带驱动、硬盘驱动等。软件的全部或部分有时可以通过互联网或各种其它电信网络通信。此类通信例如可以实现将软件从一个计算机或处理器加载到另一个计算机或处理器中，例如从管理服务器或主计算机加载到应用服务器的计算机平台中。因此，可以承载软件元素的另一种类型的介质包含如通过有线和光学陆地线网络以及在各个空中链路之上跨本地装置之间的物理接口使用的光波、电波和电磁波。承载此类波的物理元素，如有线或无线链路、光学链路等还可以被视为承载软件的介质。如本文所使用的，除非限制为非暂时性、有形“存储”介质，否则如计算机或机器“可读介质”等术语是指参与向处理器提供指令以供执行的任何介质。
因此，机器可读介质(如计算机可执行代码)可以采取许多形式，包含但不限于有形存储介质、载波介质或物理传输介质。非易失性存储介质包含例如光盘或磁盘，如一个或多个任何计算机中的存储装置中的任何存储装置等，如可以用于实施附图中示出的数据库等。易失性存储介质包含动态存储器，如此计算机平台的主存储器。有形传输介质包含同轴电缆；铜线和光纤光学器件，包含在计算机系统内包括总线的导线。载波传输介质可以采用电信号或电磁信号的形式，或声波或光波的形式，如在射频(RF)和红外(IR)数据通信期间生成的那些。因此，计算机可读介质的常见形式包含例如：软盘、软磁盘、硬盘、磁带、任何其它磁性介质、CD-ROM、DVD或DVD-ROM、任何其它光学介质、穿孔卡、纸带、任何其它带有孔图案的物理存储介质、RAM、ROM、PROM和EPROM、闪速-EPROM、任何其它存储器芯片或存储器盒、承载数据或指令的载波、承载此类载波的电缆或链路、或计算机可以从其读取程序代码和/或数据的任何其它介质。计算机可读介质中的这些形式的许多形式可以涉及将一个或多个指令的一个或多个序列承载到处理器以供执行。
计算机系统6601可以包含电子显示器6635或与所述电子显示器通信，所述电子显示器包括用于提供例如食品图像评级、分析报告和/或一个或多个推荐的用户界面(UI)6640。UI的实例包含但不限于图形用户界面(GUI)和基于Web的用户界面。
备注
虽然已经在本文示出并描述了本公开的优选实施例，但是对本领域的普通技术人员而言应当显而易见的是此类实施例仅以举例方式提供。在不背离本公开的情况下，本领域的技术人员现在将会想到众多变体、变化以及取代。应当理解，可以采用本文所描述的实施例的各种替代方案。预期的是以下权利要求限定本公开的范围以及由此覆盖在这些权利要求和其等效物的范围内的方法和结构。

Claims (103)

1.一种用于对食品进行映射的计算机实施的方法，所述方法包括：
从多个不同来源获得食品相关的数据；以及
使用一种或多种算法对来自所述食品相关的数据的信息进行抽象化，所述一种或多种算法包括用于开发食品本体的至少一种机器学习算法。
2.根据权利要求1所述的方法，其中所述一种或多种算法包括(1)自然语言处理(NLP)算法；(2)计算机视觉算法；或(3)统计模型。
3.根据权利要求2所述的方法，其中所述食品本体包括一个或多个类别，所述一个或多个类别包含(1)初级食品，(2)包装食品，(3)食品食谱，或(4)食品菜肴。
4.根据权利要求3所述的方法，其中所述食品本体包括不同食品或其在(i)两个或更多个类别内，或(ii)同一类别内的相应营养素之间的相互关系。
5.根据权利要求1所述的方法，其中所述信息涉及以下一种或多种：(1)一种或多种食品内的成分，(2)食品所属的一个或多个类别，(3)不同食品或食品类型之间的相互关系，或(4)微量营养素、大量营养素、植物营养素、分子成分、化学品、抗氧化剂或一种或多种食品内的添加剂。
6.根据权利要求1所述的方法，其中所述食品本体包括针对不同食品的一个或多个抽象层，并且所述一个或多个抽象层包括食品的一个或多个类或子类。
7.根据权利要求6所述的方法，其中所述一个或多个抽象层包括针对每种食品的多个元数据层，并且所述针对每种食品的多个元数据层包括针对以下一种或多种的元数据层：(1)食品名称，(2)对所述食品的描述，(3)对所述食品的评级，(4)所述食品的一个或多个图像，(5)食品特性，(6)食品成分，(7)食品加工信息，或(8)食品制造商的要求。
8.根据权利要求7所述的方法，其中所述食品特性包括(1)饮食需求，(2)过敏，(3)一个或多个类别，(4)菜系的类型，(5)调味剂，(6)营养特性，(7)食品质地，或(8)食品地理位置和可用性信息。
9.根据权利要求3所述的方法，其中所述NLP算法被配置成自动解析来自所述食品食谱的成分的名称。
10.根据权利要求3所述的方法，其中所述一种或多种算法被配置成估计所述包装食品中的未知或未列示的成分的一种或多种类型以及一种或多种量。
11.根据权利要求10所述的方法，其中所述包装食品中的未知或未列示的成分的所述一种或多种类型以及一种或多种量在已确定所述包装食品中的每种已知成分的量之后估计。
12.根据权利要求1所述的方法，其中来自所述多个不同来源的所述食品相关的数据包括非结构化数据，并且所述一种或多种算法被配置成将所述非结构化数据转换成结构化数据并且将所述结构化数据进一步映射到所述食品本体。
13.根据权利要求1所述的方法，其中所述食品相关的数据的至少一部分使用一个或多个自动化网络爬虫获得，所述一个或多个自动化网络爬虫被配置成以连续方式搜索互联网来源并且基本上实时更新所述食品本体。
14.根据权利要求1所述的方法，其进一步包括：利用所述食品本体以用于以下目的中的一个或多个目的：(1)估计食谱和/或餐厅菜肴的营养值；(2)将食品和健康推荐提供给用户并且获得对所述用户的口味概况的理解；(3)构建食品日志；(4)根据现有包装食品生成缺失的初级食品；(5)生成食品特性的更准确的标签；(6)分析食品成本；(7)对烹饪对营养值的影响进行建模并且估计食品加工的程度；(8)食品的改进的图像分类或计算机视觉分类；(9)基于语音的食品日志的改进的分析；以及(10)在包含可穿戴装置和/或可消化装置的多个装置的帮助下跟踪食品消耗。
15.根据权利要求1所述的方法，其进一步包括：利用所述食品本体以构建基于以下至少两种或更多种预测一个或多个用户就餐习惯的一个或多个模型：(1)所述一个或多个用户的历史食品消耗数据，(2)衍生自所述食品本体的不同食品之间的关系，以及(3)包括所述一个或多个用户的一个或多个位置和一天中的时间的环境。
16.根据权利要求1所述的方法，其中含有从一个或多个数据库或营养跟踪器接收到的多个信息的食品项被映射到所述食品本体，并且所述食品本体通过构建一个或多个层组织所述多个信息。
17.根据权利要求1所述的方法，其中所述食品本体包括描绘与所述多个不同食品相关的所述信息的图形表示。
18.根据权利要求17所述的方法，其中所述食品本体的所述图形表示是二维的。
19.根据权利要求17所述的方法，其中所述食品本体的所述图形表示是多维的，包括三个或更多个维度。
20.根据权利要求17所述的方法，其进一步包括将所述食品本体的所述图形表示显示在电子显示器上。
21.根据权利要求1所述的方法，其中所述多个不同来源包括(1)移动装置，以及(2)现有食品或营养数据库。
22.根据权利要求2所述的方法，其中所述计算机视觉算法进一步包括人工智能(AI)、深度学习或光学字符识别(OCR)能力。
23.根据权利要求5所述的方法，其中所述添加剂包括防腐剂、人工色素、调味剂或一种或多种食品内的填充剂。
24.根据权利要求7所述的方法，其中食品制造商的所述要求包括如由所述食品制造商所宣称的关于其产品标签、网站或广告的信息。
25.根据权利要求7所述的方法，其中所述针对每种食品的多个元数据层包括第一元数据层和第二元数据层，所述第一元数据层包括关于所述食品的营养信息，所述第二元数据层包括关于所述食品的非营养信息。
26.根据权利要求13所述的方法，其中所述互联网来源包括(1)具有在线发布的菜单的餐厅网站，(2)食品制造商的网站，或(3)食品食谱网站。
27.根据权利要求13所述的方法，其进一步包括通过检测与每种食品的名称、描述、价格或成分相对应的XPath来检测所述互联网来源中的一个或多个互联网来源的结构。
28.根据权利要求8所述的方法，其中所述饮食需求包括针对患有1型或2型糖尿病的个体的糖尿病饮食。
29.根据权利要求13所述的方法，其中所述一个或多个自动化网络爬虫被配置成，如与不使用所述自动化网络爬虫相比，对来自所述互联网来源的所述食品相关的数据的检索基本上增强两个或更多个量级。
30.根据权利要求1所述的方法，其中所述信息的所述抽象化包括连续分析并且组织来自所述食品相关的数据的任何可获得信息。
31.一种用于确定一种或多种食品的消耗对用户身体的影响的计算机实施的系统，所述系统包括：
(a)装置和数据集线器，所述装置和数据集线器被配置成在一个或多个处理器的帮助下：
收集并聚集来自多个应用程序接口(API)的多个数据集，其中所述多个数据集包括(1)指示所述用户所消耗的所述一种或多种食品的数据以及(2)指示与所述用户相关联的生理输入的数据，并且其中所述多个数据集以两种或更多种不同格式提供；并且
将呈所述两种或更多种不同格式的所述多个数据集转换成针对所述用户被个体化的标准化格式；以及
(b)分析引擎，所述分析引擎被配置成在一个或多个处理器的帮助下：
通过将预测模型应用于包括(1)指示所述用户所消耗的所述一种或多种食品的所述数据以及(2)指示与所述用户相关联的所述生理输入的所述数据的多个标准化数据集，通过部分使用(3)关于所述用户所消耗的来自食品本体的所述一种或多种食品的信息，确定所述一种或多种食品的所述消耗对所述用户身体的所述影响；并且
基于由所述预测模型输出的结果生成针对所述用户的多个个性化食品和健康指标，
其中所述针对所述用户的多个个性化食品和健康指标被配置成以图形视觉对象集的形式显示在用户装置的电子显示器上。
32.根据权利要求31所述的系统，其中指示所述用户所消耗的所述一种或多种食品的所述数据包括关于所述用户所消耗的所述一种或多种食品的营养信息。
33.根据权利要求31所述的系统，其中所述针对所述用户的多个个性化食品和健康指标包括(i)预测到的所述用户所消耗的所述一种或多种食品对所述用户的健康或幸福感的影响，和/或(ii)所述用户所消耗的所述一种或多种食品的健康排名。
34.根据权利要求31所述的系统，其中(1)指示所述用户所消耗的所述一种或多种食品的所述数据以及(2)指示与所述用户相关联的所述生理输入的所述数据包括所述一种或多种食品的所述消耗以及所述生理输入的时间序列数据，并且
其中所述分析引擎的所述预测模型被进一步配置成分析所述时间序列数据。
35.根据权利要求34所述的系统，其中所述时间序列数据包括所述用户身体内的一种或多种生物标记在一段时间内的变化的测量结果，并且
其中所述分析引擎的所述预测模型被进一步配置成分析所述用户身体内的所述一种或多种生物标记在所述一段时间内的所述变化。
36.根据权利要求35所述的系统，其中所述分析引擎的所述预测模型被进一步配置成确定(i)所述一种或多种食品的所述消耗与所述用户身体内的所述一种或多种生物标记之间的一种或多种循环模式，和/或(ii)所述一种或多种食品与其对所述一种或多种生物标记的影响之间的一种或多种相关性。
37.根据权利要求36所述的系统，其中所述一种或多种生物标记包括血液生物标记，所述血液生物标记包含葡萄糖、皮质醇或甘油三酯，其中所述一种或多种生物标记进一步包括葡萄糖水平、血压、抗氧化剂水平、皮质醇水平、胆固醇值和/或所述用户的体温，并且其中所述一种或多种生物标记受睡眠、锻炼、一种或多种血液测试、遗传学、压力、一种或多种药物治疗、月经周期和/或所述用户的情绪的影响。
38.根据权利要求31所述的系统，其中所述生理输入中的一种或多种生理输入受所述用户的食品、饮料和/或营养摄入的影响，并且其中所述生理输入中的所述一种或多种生理输入影响所述用户的新陈代谢。
39.根据权利要求31所述的系统，其中所述多个API设置在一个或多个装置和/或健康数据服务上，所述一个或多个装置包括所述用户装置，
其中所述一个或多个装置包括(i)包括智能手机的移动装置，(ii)包括智能手表的可穿戴装置，和/或(iii)包括以下至少一种的医疗装置：葡萄糖监测仪、心率监测仪、血压监测仪、汗液传感器或皮肤电反应传感器。
40.根据权利要求39所述的系统，其中所述多个数据集进一步包括从所述一个或多个装置中的存储器中获得的多个图像，并且其中所述多个图像是在不使用任何移动应用的情况下从所述一个或多个装置中的所述存储器中自动检索的。
41.根据权利要求40所述的系统，其中所述多个图像包括多个食品图像，并且其中所述装置和数据集线器被进一步配置成：
自动收集并聚集来自所述一个或多个装置中的所述存储器的所述多个食品图像；并且
将所述多个食品图像转换成具有针对所述多个食品图像中的每个食品图像的时间戳和地理位置的所述标准化格式，从而实现对所述一种或多种食品的所述消耗的时间和空间跟踪。
42.根据权利要求39所述的系统，其中所述多个数据集进一步包括由所述用户输入到所述一个或多个装置中的对所述一种或多种食品的文本和/或音频描述，并且其中所述装置和数据集线器被进一步配置成：
使用自然语言处理算法分析对所述一种或多种食品的所述文本和/或音频描述；并且
确定(i)所述一种或多种食品的一种或多种类型，以及(ii)所述用户所消耗的所述一种或多种食品的一种或多种量，从而促进对所述一种或多种食品的所述消耗的跟踪。
43.根据权利要求31所述的系统，其中所述预测模型可以包括一种或多种机器学习模型，所述一种或多种机器学习模型包含监督学习模型、半监督学习模型和/或无监督学习模型。
44.根据权利要求31所述的系统，其中关于来自所述食品本体的所述一种或多种食品的所述信息包括以下一种或多种：(1)一种或多种食品内的成分，(2)食品所属的一个或多个类别，(3)不同食品或食品类型之间的相互关系，或(4)微量营养素、大量营养素、植物营养素、分子成分、化学品、抗氧化剂或一种或多种食品内的添加剂。
45.根据权利要求31所述的系统，其进一步包括：
(c)食品基线引擎，所述食品基线引擎被配置成在一个或多个处理器的帮助下：
在所述用户消耗含有已知量的所述不同食品的一种或多种预先包装的餐食一段时间时监测不同食品对所述用户身体的影响；并且
基于监测到的影响生成所述用户的食品基线概况，
其中所述分析引擎被进一步配置成通过将所述预测模型应用于包括(1)指示所述用户所消耗的所述一种或多种食品的所述数据以及(2)指示与所述用户相关联的所述生理输入的所述数据的所述多个标准化数据集，通过部分使用(3)关于所述用户所消耗的来自所述食品本体的所述一种或多种食品的所述信息以及(4)所述用户的所述食品基线概况，确定所述食品消耗对所述用户身体的所述影响。
46.根据权利要求45所述的系统，其中所述食品基线引擎被进一步配置成通过使用一个或多个装置监测所述不同食品对所述用户身体的所述影响，所述一个或多个装置包括葡萄糖监测仪、血液测试装置、基因测试监测仪和/或穿戴在所述用户身体上的可穿戴装置。
47.根据权利要求46所述的系统，其中所述食品基线引擎被进一步配置成在所述用户消化所述不同食品时，基本上实时监测所述不同食品中的每种食品对所述用户身体的所述影响。
48.一种用于确定一种或多种食品的消耗对用户身体的影响的计算机实施的方法，所述方法包括：
(a)在装置和数据集线器的帮助下：
收集并聚集来自多个应用程序接口(API)的多个数据集，其中所述多个数据集包括(1)指示所述用户所消耗的所述一种或多种食品的数据以及(2)指示与所述用户相关联的生理输入的数据，并且其中所述多个数据集以两种或更多种不同格式提供；以及
将呈所述两种或更多种不同格式的所述多个数据集转换成针对所述用户被个体化的标准化格式；以及
(b)在分析引擎的帮助下：
通过将预测模型应用于包括(1)指示所述用户所消耗的所述一种或多种食品的所述数据以及(2)指示与所述用户相关联的所述生理输入的所述数据的多个标准化数据集，通过部分使用(3)关于所述用户所消耗的来自食品本体的所述一种或多种食品的信息，确定所述一种或多种食品的所述消耗对所述用户身体的所述影响；以及
基于由所述预测模型输出的结果生成针对所述用户的多个个性化食品和健康指标，
其中所述针对所述用户的多个个性化食品和健康指标被配置成以图形视觉对象集的形式显示在用户装置的电子显示器上。
49.根据权利要求48所述的方法，其中(1)指示所述用户所消耗的所述一种或多种食品的所述数据以及(2)指示与所述用户相关联的所述生理输入的所述数据包括所述一种或多种食品的所述消耗以及所述生理输入的时间序列数据，并且其中所述方法进一步包括，在(b)中，应用所述预测模型来分析所述时间序列数据。
50.根据权利要求49所述的方法，其中所述时间序列数据包括所述用户身体内的一种或多种生物标记在一段时间内的变化的测量结果，并且其中所述方法进一步包括，在(b)中，应用所述预测模型来分析所述用户身体内的所述一种或多种生物标记在所述一段时间内的所述变化。
51.根据权利要求48所述的方法，其中所述多个API设置在一个或多个装置和/或健康数据服务上，所述一个或多个装置包括所述用户装置，
其中所述一个或多个装置包括(i)包括智能手机的移动装置，(ii)包括智能手表的可穿戴装置，和/或(iii)包括以下至少一种的医疗装置：葡萄糖监测仪、心率监测仪、血压监测仪、汗液传感器或皮肤电反应传感器。
52.根据权利要求51所述的方法，其中所述多个数据集进一步包括从所述一个或多个装置中的存储器中获得的多个图像，并且其中所述方法进一步包括，在(a)中，在不使用任何移动应用的情况下从所述一个或多个装置中的所述存储器中自动检索所述多个图像。
53.根据权利要求52所述的方法，其中所述多个图像包括多个食品图像，并且其中所述方法进一步包括，在(a)中：
自动收集并聚集来自所述一个或多个装置中的所述存储器的所述多个食品图像；以及
将所述多个食品图像转换成具有针对所述多个食品图像中的每个食品图像的时间戳和地理位置的所述标准化格式，从而实现对所述一种或多种食品的所述消耗的时间和空间跟踪。
54.根据权利要求51所述的方法，其中所述多个数据集进一步包括由所述用户输入到所述一个或多个装置中的对所述一种或多种食品的文本和/或音频描述，并且其中所述方法进一步包括，在(a)中：
使用自然语言处理算法分析对所述一种或多种食品的所述文本和/或音频描述；以及
确定(i)所述一种或多种食品的一种或多种类型，以及(ii)所述用户所消耗的所述一种或多种食品的一种或多种量，从而促进对所述一种或多种食品的所述消耗的跟踪。
55.一种存储指令的有形计算机可读介质，所述指令在由一个或多个处理器执行时使所述一个或多个处理器执行用于确定一种或多种食品的消耗对用户身体的影响的计算机实施的方法，所述方法包括：
(a)在装置和数据集线器的帮助下：
收集并聚集来自多个应用程序接口(API)的多个数据集，其中所述多个数据集包括(1)指示所述用户所消耗的所述一种或多种食品的数据以及(2)指示与所述用户相关联的生理输入的数据，并且其中所述多个数据集以两种或更多种不同格式提供；以及
将呈所述两种或更多种不同格式的所述多个数据集转换成针对所述用户被个体化的标准化格式；以及
(b)在分析引擎的帮助下：
通过将预测模型应用于包括(1)指示所述用户所消耗的所述一种或多种食品的所述数据以及(2)指示与所述用户相关联的所述生理输入的所述数据的多个标准化数据集，通过部分使用(3)关于所述用户所消耗的来自食品本体的所述一种或多种食品的信息，确定所述一种或多种食品的所述消耗对所述用户身体的所述影响；以及
基于由所述预测模型输出的结果生成针对所述用户的多个个性化食品和健康指标，
其中所述针对所述用户的多个个性化食品和健康指标被配置成以图形视觉对象集的形式显示在用户装置的电子显示器上。
56.一种饮食葡萄糖监测仪，其包括：
食品分析模块，所述食品分析模块与葡萄糖水平监测仪通信，
其中所述食品分析模块被配置成(1)分析指示用户所消耗的食品的数据，并且(2)基于如通过所述葡萄糖水平监测仪所测量的所述用户的葡萄糖水平的变化，确定单个食品对所述用户的葡萄糖水平的影响。
57.根据权利要求56所述的饮食葡萄糖监测仪，其中所述葡萄糖水平监测仪包括血糖监测仪、连续葡萄糖监测仪、闪速葡萄糖监测仪或葡萄糖感测生物植入物。
58.根据权利要求56所述的饮食葡萄糖监测仪，其中所述葡萄糖水平监测仪是在不刺穿所述用户的皮肤并且不从所述用户的皮肤抽取血液的情况下能够测量所述用户的葡萄糖水平的非侵入性医疗装置。
59.根据权利要求56所述的饮食葡萄糖监测仪，其中所述葡萄糖水平监测仪被配置成测量分析物中的所述用户的葡萄糖水平，所述分析物包括血液、间质液、汗液、眼泪和/或唾液。
60.根据权利要求56所述的饮食葡萄糖监测仪，其中所述葡萄糖水平监测仪与用户装置通信，以传输指示所述用户的葡萄糖水平的数据，其中所述通信包括蓝牙、NFC或WiFi。
61.根据权利要求56所述的饮食葡萄糖监测仪，其中所述食品包括饮品。
62.根据权利要求56所述的饮食葡萄糖监测仪，其中指示所述用户所消耗的食品的所述数据包括所述用户所消耗的所述食品的一个或多个图像、所述食品的一个或多个视频、所述食品的一个或多个语音日志、所述食品的一个或多个文本日志和/或所述食品的每个包装上的一个或多个条形码。
63.根据权利要求62所述的饮食葡萄糖监测仪，其中所述食品分析模块被配置成使用来自食品本体的信息分析所述数据，以确定所述食品内的一种或多种成分。
64.根据权利要求63所述的饮食葡萄糖监测仪，其进一步包括图形模块，所述图形模块被配置成利用每个食品项的名称以及每个食品项内的所述成分视觉地注释所述用户所消耗的所述食品的所述一个或多个图像。
65.根据权利要求64所述的饮食葡萄糖监测仪，其中所述图形模块被进一步配置成利用每个食品项内的所述成分、每个食品项的评级或排名、对每个食品项的见解以及饮食推荐视觉地注释所述食品的所述一个或多个图像。
66.根据权利要求65所述的饮食葡萄糖监测仪，其中所述评级中的每个评级指示对应食品项或成分对所述用户的葡萄糖水平的所测量的或所预测的影响。
67.根据权利要求65所述的饮食葡萄糖监测仪，其中所述评级基于某一尺度提供，并且其中相比于较低评级，较高评级对所述用户的葡萄糖水平具有更积极的影响。
68.根据权利要求67所述的饮食葡萄糖监测仪，其中对所述用户的葡萄糖水平的所述积极影响包括所述用户的葡萄糖水平的增加或降低。
69.根据权利要求67所述的饮食葡萄糖监测仪，其中对所述用户的葡萄糖水平的所述积极影响包括将所述用户的葡萄糖水平维持在针对所述用户预先定义的范围内。
70.根据权利要求56所述的饮食葡萄糖监测仪，其进一步包括一种或多种预先包装的餐食，所述一种或多种预先包装的餐食含有已知量的食品，
其中所述食品分析模块被进一步配置成(1)在所述用户消耗所述一种或多种预先包装的餐食一段时间时，监测所述一种或多种预先包装的餐食中的所述食品对所述用户的葡萄糖水平的影响；并且(2)基于监测到的影响生成所述用户的葡萄糖基线概况。
71.根据权利要求56所述的饮食葡萄糖监测仪，其中所述食品分析模块被进一步配置成基于不同食品对所述用户的葡萄糖水平的所述影响向所述用户提供一个或多个推荐，以管理所述用户的葡萄糖水平。
72.根据权利要求71所述的饮食葡萄糖监测仪，其中所述一个或多个推荐包括所述用户的饮食的变化。
73.根据权利要求72所述的饮食葡萄糖监测仪，其中所述一个或多个推荐包括要消耗或避免的至少一种食品、要消耗或避免的两种或更多种食品的组合、或至少要消耗或避免至少一种食品的时间。
74.根据权利要求71所述的饮食葡萄糖监测仪，其中所述食品分析模块被进一步配置成引导向所述用户递送一种或多种食品。
75.根据权利要求71所述的饮食葡萄糖监测仪，其中所述一个或多个推荐包括所述用户的生活方式的变化。
76.根据权利要求75所述的饮食葡萄糖监测仪，其中所述生活方式包括锻炼、散步、站立、就坐、压力管理、冥想、药物治疗、饮食补充、性活动或睡眠。
77.根据权利要求71所述的饮食葡萄糖监测仪，其中所述食品分析模块被配置成通过用户装置向所述用户提供所述一个或多个推荐。
78.根据权利要求77所述的饮食葡萄糖监测仪，其中所述用户装置包括移动装置、可穿戴装置或智能家用电器。
79.根据权利要求56所述的饮食葡萄糖监测仪，其中所述葡萄糖水平监测仪进一步能够测量所述用户的另外的生物标记水平。
80.根据权利要求79所述的饮食葡萄糖监测仪，其中所述另外的生物标记包括乳酸、酮或抗氧化剂。
81.根据权利要求79所述的饮食葡萄糖监测仪，其中所述食品分析模块被进一步配置成(1)分析指示所述用户所消耗的食品的所述数据，并且(2)基于如通过所述葡萄糖水平监测仪所测量的所述用户的另外的生物标记水平的变化，确定单个食品对所述用户的所述另外的生物标记水平的影响。
82.根据权利要求79所述的饮食葡萄糖监测仪，其中所述另外的生物标记包括胰岛素。
83.根据权利要求82所述的饮食葡萄糖监测仪，其中所述饮食葡萄糖监测仪通过使用葡萄糖-胰岛素模型计算胰岛素水平来直接测量所述胰岛素。
84.根据权利要求83所述的饮食葡萄糖监测仪，其中所述葡萄糖-胰岛素模型进一步包括生物数学模型，所述生物数学模型包含GAIA模型或机器学习模型。
85.根据权利要求83所述的饮食葡萄糖监测仪，其中所述饮食葡萄糖监测仪响应于计算所述胰岛素水平而提供包括影响用户的重量的食品或事件推荐的推荐。
86.根据权利要求85所述的饮食葡萄糖监测仪，其中所述饮食葡萄糖监测仪提供基于所述另外的生物标记水平的个性化减重计划。
87.根据权利要求56所述的饮食葡萄糖监测仪，其中所述食品分析模块与医疗装置进一步通信，所述医疗装置被配置成测量所述用户身体中的另外的生物标记。
88.根据权利要求87所述的饮食葡萄糖监测仪，其中所述医疗装置包括以下一种或多种：心率监测仪、血压监测仪、汗液传感器、皮肤电反应(GSR)传感器或心电图(ECG)监测仪。
89.根据权利要求87所述的饮食葡萄糖监测仪，其中所述食品分析模块被进一步配置成(1)分析指示所述用户所消耗的食品的所述数据，并且(2)基于如通过所述医疗装置所测量的所述用户的另外的生物标记水平的变化，确定单个食品对所述用户的所述另外的生物标记水平的影响。
90.根据权利要求56所述的饮食葡萄糖监测仪，其中所述食品分析模块与移动装置或可穿戴装置进一步通信。
91.根据权利要求90所述的饮食葡萄糖监测仪，其中所述移动装置或所述可穿戴装置被配置成部分地收集指示所述用户所消耗的食品的所述数据。
92.根据权利要求91所述的饮食葡萄糖监测仪，其中所述移动装置或所述可穿戴装置被配置成捕获所述用户所消耗的所述食品的一个或多个图像、所述食品的一个或多个视频、所述食品的一个或多个语音日志、所述食品的一个或多个文本日志或所述食品的每个包装上的一个或多个条形码。
93.根据权利要求56所述的饮食葡萄糖监测仪，其中所述食品分析模块被配置成确定单个食品实时、周期性地或在一个或多个预定时间点处对所述用户的所述葡萄糖水平的所述影响。
94.根据权利要求77所述的饮食葡萄糖监测仪，其中所述食品分析模被进一步配置成在两个或更多个用户之间比较单个食品对所述葡萄糖水平的所述影响。
95.根据权利要求94所述的饮食葡萄糖监测仪，其中所述食品分析模块被进一步配置成基于所述比较启动两个或更多个用户的组。
96.根据权利要求95所述的饮食葡萄糖监测仪，其中所述食品分析模块被进一步配置成允许所述两个或更多个用户的组通过与每个用户相关联的用户装置上的图形用户界面彼此通信。
97.根据权利要求95所述的饮食葡萄糖监测仪，其中所述两个或更多个用户的组之间的所述通信包括通过所述图形用户界面共享的信息，所述信息包括文本、图像、视频和/或语音记录。
98.根据权利要求77所述的饮食葡萄糖监测仪，其中所述食品分析模块被进一步配置成基于单个食品对所述用户的所述葡萄糖水平的所述影响标识针对所述用户的医疗保健或健身专家。
99.根据权利要求98所述的饮食葡萄糖监测仪，其中所述医疗保健或健身专家包括经过认证的糖尿病教育者(CDE)、营养师、营养学家、医师、护士或体育教练。
100.根据权利要求77所述的饮食葡萄糖监测仪，其中所述一个或多个推荐通过虚拟健康助手自动生成并且提供给所述用户。
101.根据权利要求100所述的饮食葡萄糖监测仪，其中使用至少一个机器学习算法实施所述虚拟健康助手，以基于单个食品对所述用户的所述葡萄糖水平的所述影响标识所述一个或多个推荐。
102.一种用于确定食品对用户的葡萄糖水平的影响的方法，所述方法包括：
(a)提供与葡萄糖水平监测仪通信的食品分析模块；
(b)通过使用所述食品分析模块分析指示所述用户所消耗的食品的数据；以及
(c)基于如通过所述葡萄糖水平监测仪所测量的所述用户的葡萄糖水平的变化，通过使用所述食品分析模块，确定单个食品对所述用户的所述葡萄糖水平的影响。
103.一种计算机程序产品，所述计算机程序产品包括其中编码有计算机可执行代码的非暂时性计算机可读介质，所述计算机可执行代码适于被执行以实施根据权利要求102所述的方法。
CN201980020361.3A 2018-03-23 2019-03-21 用于食品分析、个性化推荐和健康管理的系统和方法 Pending CN111902878A (zh)

Applications Claiming Priority (9)

Application Number Priority Date Filing Date Title
US201862647552P 2018-03-23 2018-03-23
US62/647,552 2018-03-23
US15/981,832 US20190295440A1 (en) 2018-03-23 2018-05-16 Systems and methods for food analysis, personalized recommendations and health management
US15/981,832 2018-05-16
US201862783100P 2018-12-20 2018-12-20
US62/783,100 2018-12-20
US16/359,611 US11672446B2 (en) 2018-03-23 2019-03-20 Insulin delivery recommendations based on nutritional information
US16/359,611 2019-03-20
PCT/US2019/023445 WO2019183404A1 (en) 2018-03-23 2019-03-21 Systems and methods for food analysis, personalized recommendations, and health management

Publications (1)

Publication Number Publication Date
CN111902878A true CN111902878A (zh) 2020-11-06

Family

ID=67983969

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980020361.3A Pending CN111902878A (zh) 2018-03-23 2019-03-21 用于食品分析、个性化推荐和健康管理的系统和方法

Country Status (5)

Country Link
US (2) US11672446B2 (zh)
EP (1) EP3769314A1 (zh)
CN (1) CN111902878A (zh)
CA (1) CA3092694A1 (zh)
WO (1) WO2019183404A1 (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109643581A (zh) * 2016-06-14 2019-04-16 萨纳雷蒂卡股份有限公司 具有持续的反馈回路的个性化营养物剂量
CN112509697A (zh) * 2020-12-04 2021-03-16 南京大学 一种多模块智慧健康管理信息系统
CN112632935A (zh) * 2020-12-23 2021-04-09 广州城市职业学院 食品营养标签生成方法、计算机装置和存储介质
CN112908445A (zh) * 2021-02-20 2021-06-04 上海市第四人民医院 基于强化学习的糖尿病患者血糖管理方法、系统、介质及终端
CN113435555A (zh) * 2021-06-29 2021-09-24 贵州贵科大数据有限责任公司 一种食品映射标注系统及食品编码方法
CN114783629A (zh) * 2022-06-21 2022-07-22 广州源高网络科技有限公司 一种智能医疗互联网数字化系统平台
CN116114870A (zh) * 2023-01-10 2023-05-16 中国人民解放军国防科技大学 一种模块化全能型能量棒的制作方法及系统
CN116417114A (zh) * 2023-06-06 2023-07-11 平安云厨科技集团有限公司 一种基于全生命周期的学生健康饮食管理系统

Families Citing this family (60)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8932216B2 (en) 2006-08-07 2015-01-13 Abbott Diabetes Care Inc. Method and system for providing data management in integrated analyte monitoring and infusion system
US11754542B2 (en) 2012-06-14 2023-09-12 Medibotics Llc System for nutritional monitoring and management
US11475988B1 (en) 2018-01-17 2022-10-18 Verily Ufe Sciences LLC Imputation of blood glucose monitoring data
US11089980B1 (en) 2018-01-17 2021-08-17 Verily Life Sciences Llc Investigation of glycemic events in blood glucose data
US10624591B1 (en) 2018-02-07 2020-04-21 Verily Life Sciences Llc Annotations of continuous glucose monitoring data
US11182815B1 (en) * 2018-08-21 2021-11-23 Sarath Chandar Krishnan Methods and apparatus for a dish rating and management system
CA3121205A1 (en) * 2018-11-29 2020-06-04 Codify AI Inc. Method and system of food product comparison
US11166670B1 (en) * 2019-04-30 2021-11-09 Verily Life Sciences Llc Managing meal excursions in blood glucose data
KR20200127470A (ko) * 2019-05-02 2020-11-11 삼성전자주식회사 개인화된 생체 정보 보정 장치 및 방법
US11144982B1 (en) * 2019-05-08 2021-10-12 Inmar Clearing, Inc. System for recommending a meal kit based upon use-by dates and related methods
US11449792B2 (en) * 2019-07-03 2022-09-20 Kpn Innovations, Llc. Methods and systems for generating a supplement instruction set using artificial intelligence
US11688505B2 (en) * 2019-07-03 2023-06-27 Kpn Innovations, Llc. Methods and systems for generating a supplement instruction set using artificial intelligence
CN114206207A (zh) * 2019-08-02 2022-03-18 雅培糖尿病护理公司 与药物剂量指导相关的系统、装置和方法
US11610683B2 (en) * 2019-08-05 2023-03-21 Kpn Innovations, Llc. Methods and systems for generating a vibrant compatibility plan using artificial intelligence
US10832172B1 (en) * 2019-08-22 2020-11-10 Kpn Innovations, Llc. Systems and methods for arranging transport of adapted nutrimental artifacts with user-defined restriction requirements using artificial intelligence
JP1658050S (zh) * 2019-10-11 2020-04-20
US10990884B1 (en) 2019-10-22 2021-04-27 Kpn Innovations, Llc Methods and systems for identifying compatible meal options
RU2721234C1 (ru) * 2019-11-04 2020-05-18 Общество с ограниченной ответственностью "Атлас" Способ и система отслеживания рациона и формирования заключения о качестве питания и/или индивидуальных рекомендаций по питанию
US11688504B2 (en) 2019-11-30 2023-06-27 Kpn Innovations, Llc. Methods and systems for informing food element decisions in the acquisition of edible materials from any source
WO2021125908A1 (ko) * 2019-12-20 2021-06-24 서울대학교산학협력단 개체별 최적화된 먹이 정보 제공 장치 및 방법
US11222719B2 (en) * 2019-12-28 2022-01-11 Kpn Innovations, Llc Methods and systems for informing product decisions
US11741557B2 (en) * 2020-01-01 2023-08-29 Rockspoon, Inc. Biomarker-based food item design system and method
JP2021111326A (ja) * 2020-01-08 2021-08-02 株式会社ユカシカド 栄養関連商品レコメンド装置及び方法
US20230072252A1 (en) * 2020-01-22 2023-03-09 Loewi Gmbh System and method for data-driven individualized nutrition
US11244753B2 (en) * 2020-01-30 2022-02-08 Medtronic Minimed, Inc. Activity monitoring systems and methods
WO2021158951A1 (en) * 2020-02-06 2021-08-12 Northeastern University Systems and methods for identifying food processing and prescribing a diet
US20210256872A1 (en) * 2020-02-17 2021-08-19 GlucoGear Tecnologia LTDA Devices, systems, and methods for predicting blood glucose levels based on a personalized blood glucose regulation model
US11056224B1 (en) * 2020-02-24 2021-07-06 Simple Design Ltd. Intermittent fasting assistance terminal and method
US11875889B2 (en) * 2020-05-29 2024-01-16 Kpn Innovations, Llc. Methods and systems of alimentary provisioning
US11651413B2 (en) * 2020-06-02 2023-05-16 Kpn Innovations, Llc. Methods and systems for connecting food interests with food providers
US11625673B2 (en) * 2020-06-02 2023-04-11 Kpn Innovations, Llc. Methods and systems for path selection using vehicle route guidance
US11704917B2 (en) * 2020-07-09 2023-07-18 Infineon Technologies Ag Multi-sensor analysis of food
US11403694B2 (en) 2020-07-17 2022-08-02 YUTYBAZAR Limited System and method for intelligent context-based personalized beauty product recommendation and matching
CN114159052B (zh) * 2020-09-11 2023-10-31 王志轩 具个人化饮食代谢监测、分析、预测及管理系统的血糖机
US11599831B2 (en) * 2020-11-03 2023-03-07 Kpn Innovations, Llc. Method and system for generating an alimentary element prediction machine-learning model
US11393572B2 (en) * 2020-11-03 2022-07-19 Kpn Innovations, Llc. System and method for modifying a nutrition requirement
EP4247186A1 (en) * 2020-11-18 2023-09-27 Loewi GmbH System for composing individualized nutrition for or from different resources
US11232259B1 (en) * 2020-11-30 2022-01-25 Kpn Innovations, Llc. Methods and systems for personal recipe generation
US11862322B2 (en) 2020-11-30 2024-01-02 Kpn Innovations, Llc. System and method for generating a dynamic weighted combination
US11426117B2 (en) * 2020-12-29 2022-08-30 Kpn Innovations, Llc. Methods and systems for dietary communications using intelligent systems regarding endocrinal measurements
US20220208375A1 (en) * 2020-12-29 2022-06-30 Kpn Innovations, Llc. System and method for generating a digestive disease functional program
US11164669B1 (en) 2020-12-29 2021-11-02 Kpn Innovations, Llc. Systems and methods for generating a viral alleviation program
US11158417B1 (en) * 2020-12-29 2021-10-26 Kpn Innovations, Llc. System and method for generating a digestive disease nourishment program
US20220261722A1 (en) * 2021-02-12 2022-08-18 International Business Machines Corporation Agricultural supply chain optimizer
US11854685B2 (en) * 2021-03-01 2023-12-26 Kpn Innovations, Llc. System and method for generating a gestational disorder nourishment program
US20220383433A1 (en) * 2021-05-26 2022-12-01 At&T Intellectual Property I, L.P. Dynamic taste palate profiles
JP7437818B2 (ja) 2021-05-28 2024-02-26 株式会社ファーストスクリーニング 健康管理支援システム及び健康管理支援方法
US20220392609A1 (en) * 2021-06-04 2022-12-08 Medtronic Minimed, Inc. Personalized food recommendations based on sensed biomarker data
US20220399099A1 (en) * 2021-06-15 2022-12-15 Seoul National University R&Db Foundation System and method for providing personalized dietary suggestion platform
WO2023002144A1 (en) * 2021-07-19 2023-01-26 YUTYBAZAR Limited System and method for intelligent context-based personalized beauty product recommendation and matching
US11600375B2 (en) 2021-07-30 2023-03-07 Reviv Global Ltd Genetically personalized food recommendation systems and methods
US11894121B2 (en) 2021-08-06 2024-02-06 Reviv Global Ltd Prescriptive nutrition-based IV and IM infusion treatment formula creation systems and methods
WO2023019265A1 (en) * 2021-08-12 2023-02-16 Helthy Inc. Grocery shopping assistant
US11676410B1 (en) * 2021-09-27 2023-06-13 Amazon Technologies, Inc. Latent space encoding of text for named entity recognition
CN114408232B (zh) * 2021-12-01 2024-04-09 江苏大学 中央厨房多配菜炒饭的自适应定量分装方法及其装置
US20230196802A1 (en) * 2021-12-20 2023-06-22 Skoopin Inc. Multi-sensor device for dietary tracking
WO2023235247A1 (en) * 2022-05-31 2023-12-07 January, Inc. Methods and systems for predicting quantitative measures of food items from text
JP7138839B1 (ja) 2022-07-06 2022-09-20 ロゴスサイエンス株式会社 月経に伴う身体的及び／又は精神的不快症状の改善システム
US11893464B1 (en) * 2023-03-16 2024-02-06 edYou Apparatus and methods for training an educational machine-learning model
CN117095792A (zh) * 2023-08-04 2023-11-21 广州捷蜂网络科技有限公司 一种健康饮食食谱推荐方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7837111B2 (en) * 2006-10-10 2010-11-23 Henry Yang Electronic nutrition journal

Family Cites Families (108)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5338157B1 (en) 1992-09-09 1999-11-02 Sims Deltec Inc Systems and methods for communicating with ambulat
US4755173A (en) 1986-02-25 1988-07-05 Pacesetter Infusion, Ltd. Soft cannula subcutaneous injection set
US5832448A (en) 1996-10-16 1998-11-03 Health Hero Network Multiple patient monitoring system for proactive health management
US5956501A (en) 1997-01-10 1999-09-21 Health Hero Network, Inc. Disease simulation system and method
US5307263A (en) 1992-11-17 1994-04-26 Raya Systems, Inc. Modular microprocessor-based health monitoring system
US5545143A (en) 1993-01-21 1996-08-13 T. S. I. Medical Device for subcutaneous medication delivery
DK25793A (da) 1993-03-09 1994-09-10 Pharma Plast Int As Infusionssæt til intermitterende eller kontinuerlig indgivelse af et terapeutisk middel
US5536249A (en) 1994-03-09 1996-07-16 Visionary Medical Products, Inc. Pen-type injector with a microprocessor and blood characteristic monitor
US5391250A (en) 1994-03-15 1995-02-21 Minimed Inc. Method of fabricating thin film sensors
IE72524B1 (en) 1994-11-04 1997-04-23 Elan Med Tech Analyte-controlled liquid delivery device and analyte monitor
US5665065A (en) 1995-05-26 1997-09-09 Minimed Inc. Medication infusion device with blood glucose data input
US6766183B2 (en) 1995-11-22 2004-07-20 Medtronic Minimed, Inc. Long wave fluorophore sensor compounds and other fluorescent sensor compounds in polymers
ATE278801T1 (de) 1995-11-22 2004-10-15 Medtronic Minimed Inc Detektion von biologischen molekülen unter verwendung von chemischer amplifikation und optischem sensor
US5954640A (en) 1996-06-27 1999-09-21 Szabo; Andrew J. Nutritional optimization method
US6607509B2 (en) 1997-12-31 2003-08-19 Medtronic Minimed, Inc. Insertion device for an insertion set and method of using the same
DE19717107B4 (de) 1997-04-23 2005-06-23 Disetronic Licensing Ag System aus Behältnis und Antriebsvorrichtung für einen Kolben, der in dem ein Medikamentfluid enthaltenden Behältnis gehalten ist
US6186982B1 (en) 1998-05-05 2001-02-13 Elan Corporation, Plc Subcutaneous drug delivery device with improved filling system
US6558351B1 (en) 1999-06-03 2003-05-06 Medtronic Minimed, Inc. Closed loop system for controlling insulin infusion
US5954643A (en) 1997-06-09 1999-09-21 Minimid Inc. Insertion set for a transcutaneous sensor
US7647237B2 (en) 1998-04-29 2010-01-12 Minimed, Inc. Communication station and software for interfacing with an infusion pump, analyte monitor, analyte meter, or the like
US6175752B1 (en) 1998-04-30 2001-01-16 Therasense, Inc. Analyte monitoring device and methods of use
US6736797B1 (en) 1998-06-19 2004-05-18 Unomedical A/S Subcutaneous infusion set
US6355021B1 (en) 1998-07-14 2002-03-12 Maersk Medical A/S Medical puncturing device
US6554798B1 (en) 1998-08-18 2003-04-29 Medtronic Minimed, Inc. External infusion device with remote programming, bolus estimator and/or vibration alarm capabilities
US6558320B1 (en) 2000-01-20 2003-05-06 Medtronic Minimed, Inc. Handheld personal data assistant (PDA) with a medical device and method of using the same
US6248067B1 (en) 1999-02-05 2001-06-19 Minimed Inc. Analyte sensor and holter-type monitor system and method of using the same
EP1413245B1 (en) 1998-10-08 2011-06-29 Medtronic MiniMed, Inc. Telemetered characteristic monitor system
US7193521B2 (en) 1998-10-29 2007-03-20 Medtronic Minimed, Inc. Method and apparatus for detecting errors, fluid pressure, and occlusions in an ambulatory infusion pump
US6248093B1 (en) 1998-10-29 2001-06-19 Minimed Inc. Compact pump drive system
CA2345439C (en) 1998-10-29 2005-08-09 Minimed, Inc. Compact pump drive system
US7806886B2 (en) 1999-06-03 2010-10-05 Medtronic Minimed, Inc. Apparatus and method for controlling insulin infusion with state variable feedback
US6453956B2 (en) 1999-11-05 2002-09-24 Medtronic Minimed, Inc. Needle safe transfer guard
US7003336B2 (en) 2000-02-10 2006-02-21 Medtronic Minimed, Inc. Analyte sensor method of making the same
US6895263B2 (en) 2000-02-23 2005-05-17 Medtronic Minimed, Inc. Real time self-adjusting calibration algorithm
US7890295B2 (en) 2000-02-23 2011-02-15 Medtronic Minimed, Inc. Real time self-adjusting calibration algorithm
US20010041869A1 (en) 2000-03-23 2001-11-15 Causey James D. Control tabs for infusion devices and methods of using the same
WO2002020073A2 (en) 2000-09-08 2002-03-14 Insulet Corporation Devices, systems and methods for patient infusion
CA2434731C (en) 2001-02-22 2010-01-26 Insulet Corporation Modular infusion device and method
DK3210637T3 (da) 2001-04-06 2021-04-06 Hoffmann La Roche Infusionssæt
US20020071225A1 (en) 2001-04-19 2002-06-13 Minimed Inc. Direct current motor safety circuits for fluid delivery systems
US6544212B2 (en) 2001-07-31 2003-04-08 Roche Diagnostics Corporation Diabetes management system
US7399277B2 (en) 2001-12-27 2008-07-15 Medtronic Minimed, Inc. System for monitoring physiological characteristics
US8010174B2 (en) 2003-08-22 2011-08-30 Dexcom, Inc. Systems and methods for replacing signal artifacts in a glucose sensor data stream
US7041082B2 (en) 2002-02-28 2006-05-09 Smiths Medical Md, Inc. Syringe pump control systems and methods
US6960192B1 (en) 2002-04-23 2005-11-01 Insulet Corporation Transcutaneous fluid delivery system
US20040068230A1 (en) 2002-07-24 2004-04-08 Medtronic Minimed, Inc. System for providing blood glucose measurements to an infusion device
US7278983B2 (en) 2002-07-24 2007-10-09 Medtronic Minimed, Inc. Physiological monitoring device for controlling a medication infusion device
US7404796B2 (en) * 2004-03-01 2008-07-29 Becton Dickinson And Company System for determining insulin dose using carbohydrate to insulin ratio and insulin sensitivity factor
US7488601B2 (en) 2003-06-20 2009-02-10 Roche Diagnostic Operations, Inc. System and method for determining an abused sensor during analyte measurement
US8275437B2 (en) 2003-08-01 2012-09-25 Dexcom, Inc. Transcutaneous analyte sensor
US7699807B2 (en) 2003-11-10 2010-04-20 Smiths Medical Asd, Inc. Device and method for insertion of a cannula of an infusion device
EP2301428B1 (en) 2003-12-09 2016-11-30 Dexcom, Inc. Signal processing for continuous analyte sensor
GB0329161D0 (en) 2003-12-16 2004-01-21 Precisense As Reagant for detecting an analyte
GB0329849D0 (en) 2003-12-23 2004-01-28 Precisense As Fluorometers
US7344500B2 (en) 2004-07-27 2008-03-18 Medtronic Minimed, Inc. Sensing system with auxiliary display
US8313433B2 (en) 2004-08-06 2012-11-20 Medtronic Minimed, Inc. Medical data management system and process
US7468033B2 (en) 2004-09-08 2008-12-23 Medtronic Minimed, Inc. Blood contacting sensor
CA2581664A1 (en) 2004-09-30 2006-04-13 Cargill, Incorporated Recipe generating methods and systems
CN101180093B (zh) 2005-03-21 2012-07-18 雅培糖尿病护理公司 用于提供结合的药剂输液以及分析物监测系统的方法和系统
WO2006108809A1 (en) 2005-04-13 2006-10-19 Novo Nordisk A/S Medical skin mountable device and system
US7955305B2 (en) 2005-05-06 2011-06-07 Medtronic Minimed, Inc. Needle inserter and method for infusion device
US8137314B2 (en) 2006-08-23 2012-03-20 Medtronic Minimed, Inc. Infusion medium delivery device and method with compressible or curved reservoir or conduit
US20080097291A1 (en) 2006-08-23 2008-04-24 Hanson Ian B Infusion pumps and methods and delivery devices and methods with same
US8277415B2 (en) 2006-08-23 2012-10-02 Medtronic Minimed, Inc. Infusion medium delivery device and method with drive device for driving plunger in reservoir
US7713240B2 (en) 2005-09-13 2010-05-11 Medtronic Minimed, Inc. Modular external infusion device
US8475408B2 (en) 2005-11-08 2013-07-02 Asante Solutions, Inc. Infusion pump system
US7590649B2 (en) 2005-12-20 2009-09-15 At&T Intellectual Property, I,L.P. Methods, systems, and computer program products for implementing intelligent agent services
US8114268B2 (en) 2005-12-30 2012-02-14 Medtronic Minimed, Inc. Method and system for remedying sensor malfunctions detected by electrochemical impedance spectroscopy
US7985330B2 (en) 2005-12-30 2011-07-26 Medtronic Minimed, Inc. Method and system for detecting age, hydration, and functional states of sensors using electrochemical impedance spectroscopy
US8114269B2 (en) 2005-12-30 2012-02-14 Medtronic Minimed, Inc. System and method for determining the point of hydration and proper time to apply potential to a glucose sensor
US20070255125A1 (en) 2006-04-28 2007-11-01 Moberg Sheldon B Monitor devices for networked fluid infusion systems
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
US7455663B2 (en) 2006-08-23 2008-11-25 Medtronic Minimed, Inc. Infusion medium delivery system, device and method with needle inserter and needle inserter device and method
US7828764B2 (en) 2006-08-23 2010-11-09 Medtronic Minimed, Inc. Systems and methods allowing for reservoir filling and infusion medium delivery
US20080125700A1 (en) 2006-11-29 2008-05-29 Moberg Sheldon B Methods and apparatuses for detecting medical device acceleration, temperature, and humidity conditions
US7946985B2 (en) 2006-12-29 2011-05-24 Medtronic Minimed, Inc. Method and system for providing sensor redundancy
US20080269714A1 (en) 2007-04-25 2008-10-30 Medtronic Minimed, Inc. Closed loop/semi-closed loop therapy modification system
US8323250B2 (en) 2007-04-30 2012-12-04 Medtronic Minimed, Inc. Adhesive patch systems and methods
US7963954B2 (en) 2007-04-30 2011-06-21 Medtronic Minimed, Inc. Automated filling systems and methods
EP2183006B1 (en) 2007-07-20 2019-02-13 Roche Diabetes Care GmbH Manually operable portable infusion device
US7882150B2 (en) 2007-12-24 2011-02-01 Accenture Global Services Ltd. Health advisor
US8207859B2 (en) 2008-04-28 2012-06-26 Medtronic Minimed, Inc. Automobile physiological monitoring system and method for using the same
US20090275002A1 (en) 2008-04-30 2009-11-05 Lindsey Hoggle Nutrition informatics method
US8210849B1 (en) 2008-06-09 2012-07-03 Humana Inc. Online game system and method to promote healthy behaviors
US8647121B1 (en) 2008-10-17 2014-02-11 Yottamark, Inc. Food item grading
US20100136508A1 (en) 2008-10-23 2010-06-03 Damir Zekhtser Meal Plan Management
US8181849B2 (en) 2008-12-30 2012-05-22 Medtronic Minimed, Inc. Color detection system for detecting reservoir presence and content in device
US20110053122A1 (en) 2009-05-29 2011-03-03 Wellness Foundations, LLC Nutritional analysis system and method
US20110009708A1 (en) 2009-06-30 2011-01-13 Jeffery Boyes System and apparatus for improved nutrition analysis
US8308679B2 (en) 2009-12-30 2012-11-13 Medtronic Minimed, Inc. Alignment systems and methods
US20110125783A1 (en) 2009-11-19 2011-05-26 Whale Peter Apparatus and method of adaptive questioning and recommending
US20110166881A1 (en) 2010-01-07 2011-07-07 Paul Eugene Brazzo Method and system for generating food recommendations
US20120083669A1 (en) 2010-10-04 2012-04-05 Abujbara Nabil M Personal Nutrition and Wellness Advisor
US20120179665A1 (en) 2011-01-07 2012-07-12 Access Business Group International Llc Health monitoring system
US20130108993A1 (en) 2011-10-28 2013-05-02 Griffin Hospital Method and system for scoring a diet
AU2013101802A4 (en) 2012-02-17 2019-05-16 Good Measures, Llc Systems and methods for user-specific modulation of nutrient intake
US20140099614A1 (en) 2012-10-08 2014-04-10 Lark Technologies, Inc. Method for delivering behavior change directives to a user
US20140255882A1 (en) 2013-03-05 2014-09-11 Comocomo Ltd Interactive engine to provide personal recommendations for nutrition, to help the general public to live a balanced healthier lifestyle
US20150370766A1 (en) 2014-06-18 2015-12-24 Airbus Operations Limited Ontology-driven requirements engineering methodology mind-mapper
US9916520B2 (en) 2014-09-03 2018-03-13 Sri International Automated food recognition and nutritional estimation with a personal mobile electronic device
DE102015214060A1 (de) 2015-07-24 2017-01-26 BSH Hausgeräte GmbH System und Verfahren zur Bereitstellung eines Rezeptes
US9519620B1 (en) 2016-01-29 2016-12-13 International Business Machines Corporation Identifying substitute ingredients using a natural language processing system
US9721008B1 (en) 2016-06-09 2017-08-01 International Business Machines Corporation Recipe generation utilizing natural language processing
WO2018151818A1 (en) 2017-02-17 2018-08-23 NutriCern, Inc. Biochemical and nutritional application platform
US20190005201A1 (en) 2017-07-01 2019-01-03 International Business Machines Corporation Cognitive diabetic regulator
US10572632B2 (en) * 2017-10-02 2020-02-25 Robert M. Buckley Using augmented reality interface and real-time glucose data to control insulin delivery device
EP3694583A4 (en) * 2017-10-12 2021-08-04 Companion Medical, Inc. INTELLIGENT DRUG DELIVERY SYSTEMS AND METHODS FOR DOSAGE RECOMMENDATION AND ADMINISTRATION
AU2019217879B2 (en) 2018-02-09 2023-12-21 Dexcom, Inc. System and method for decision support

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7837111B2 (en) * 2006-10-10 2010-11-23 Henry Yang Electronic nutrition journal

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"Oeliverable 02.4 Final implementation of QSP", Retrieved from the Internet <URL:http://www.qualify-fp7.eu/uploads/2018/06/D2-4-QuaLiFY_Final-implementation-of-QSP. pdf> *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109643581A (zh) * 2016-06-14 2019-04-16 萨纳雷蒂卡股份有限公司 具有持续的反馈回路的个性化营养物剂量
CN109643581B (zh) * 2016-06-14 2023-09-15 贝兹实验室有限责任公司 具有持续的反馈回路的个性化营养物剂量
CN112509697A (zh) * 2020-12-04 2021-03-16 南京大学 一种多模块智慧健康管理信息系统
CN112509697B (zh) * 2020-12-04 2023-08-22 南京大学 一种多模块智慧健康管理信息系统
CN112632935A (zh) * 2020-12-23 2021-04-09 广州城市职业学院 食品营养标签生成方法、计算机装置和存储介质
CN112632935B (zh) * 2020-12-23 2024-02-09 广州城市职业学院 食品营养标签生成方法、计算机装置和存储介质
CN112908445A (zh) * 2021-02-20 2021-06-04 上海市第四人民医院 基于强化学习的糖尿病患者血糖管理方法、系统、介质及终端
CN113435555A (zh) * 2021-06-29 2021-09-24 贵州贵科大数据有限责任公司 一种食品映射标注系统及食品编码方法
CN114783629A (zh) * 2022-06-21 2022-07-22 广州源高网络科技有限公司 一种智能医疗互联网数字化系统平台
CN116114870A (zh) * 2023-01-10 2023-05-16 中国人民解放军国防科技大学 一种模块化全能型能量棒的制作方法及系统
CN116417114A (zh) * 2023-06-06 2023-07-11 平安云厨科技集团有限公司 一种基于全生命周期的学生健康饮食管理系统
CN116417114B (zh) * 2023-06-06 2023-08-08 平安云厨科技集团有限公司 一种基于全生命周期的学生健康饮食管理系统

Also Published As

Publication number Publication date
US20230255520A1 (en) 2023-08-17
EP3769314A1 (en) 2021-01-27
WO2019183404A1 (en) 2019-09-26
CA3092694A1 (en) 2019-09-26
US20190290172A1 (en) 2019-09-26
US11672446B2 (en) 2023-06-13

Similar Documents

Publication Publication Date Title
US11672446B2 (en) Insulin delivery recommendations based on nutritional information
US20190295440A1 (en) Systems and methods for food analysis, personalized recommendations and health management
Conrad et al. Relationship between food waste, diet quality, and environmental sustainability
US20160379520A1 (en) Nutrient density determinations to select health promoting consumables and to predict consumable recommendations
Cioara et al. Expert system for nutrition care process of older adults
US8777624B2 (en) Wellness and weight management system and method
Weigel et al. Food insufficiency in the households of reproductive-age ecuadorian women: association with food and nutritional status indicators
Anderson A survey of food recommenders
US20210057077A1 (en) Systems and methods for arranging transport of adapted nutrimental artifacts with user-defined restriction requirements using artificial intelligence
M. Silva et al. Investigating preferred food description practices in digital food journaling
Andrade et al. Multidimensional analysis of food consumption reveals a unique dietary profile associated with overweight and obesity in adolescents
Comerford et al. Application of a new carbohydrate food quality scoring system: An expert panel report
US10832172B1 (en) Systems and methods for arranging transport of adapted nutrimental artifacts with user-defined restriction requirements using artificial intelligence
KR20210052123A (ko) 사용자 맞춤형 식품 정보 서비스를 제공하는 방법 및 그를 이용한 서버
Mainardi et al. Personalized nutrient profiling of food patterns: Nestlé’s nutrition algorithm applied to dietary intakes from NHANES
Nagarajan et al. Nutritional monitoring in older people prevention services
CN114388102A (zh) 饮食推荐方法及装置和电子设备
Mejova et al. Comfort Foods and Community Connectedness: Investigating Diet Change during COVID-19 Using YouTube Videos on Twitter
US11929161B2 (en) Systems and methods for displaying nutrimental artifacts on a user device
US12001796B2 (en) Methods and systems for personal recipe generation
US20220171933A1 (en) Methods and systems for personal recipe generation
US20230274812A1 (en) Methods and systems for calculating an edible score in a display interface
US20230230674A1 (en) Systems and methods for arranging transport of adapted nutrimental artifacts with user-defined restriction requirements using artificial intelligence
Monteiro et al. Is there a convergence between the food classification adopted by food-based dietary guidelines and food science and technology?
US11688506B2 (en) Methods and systems for calculating an edible score in a display interface

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: California, USA

Applicant after: MEDTRONIC MINIMED, Inc.

Address before: California, USA

Applicant before: MEDTRONIC MINIMED, Inc.

CB02 Change of applicant information