智能饮食：通过基于Grounding DINO的膳食辅助应用程序推进健康信息学

发布时间：2024-12-13 23:01

健康应用程序提供健康食谱推荐，辅助饮食管理 #生活知识# #科技生活# #健康生活技巧# #科技与健康融合#

撰写：王雪洁

今天介绍一篇由Abdelilah Nossair和Hamza El Housni于2024年6月发表在International Journal of Scientific Research and Innovative Studies（IJSRIS）上的文章。这篇文章主要介绍了一个名为Smart Dietary Assistant的项目，该项目结合了技术和机器学习，为有饮食需求的人群（如糖尿病患者）提供个性化的饮食建议。应用程序使用Grounding DINO模型来提高食物识别的准确性，而无需依赖标记数据集，使其适用于多种食物类型。

摘要

Smart Dietary Assistant项目结合了技术和机器学习(ML)，为患有糖尿病等饮食问题的人提供个性化建议这种方法侧重于用户使用Grounding DIN0模型帮助他们做出饮食决策。应用程序使用Grounding DINO模型来提高食物识别的准确性，而无需依赖标记数据集，使其适用于多种食物类型。它具有自我管理的PostgreSQL数据库，确保数据完整性和用户隐私，允许用户创建个人资料并获得量身定制的营养信息，包括卡路里和营养素信息。应用程序使用React Native和TypeScript开发，支持跨设备功能，并包括摄像头扫描食物、习惯跟踪和个性化推荐等功能。未来可能会增加与健身设备同步的功能，以提供实时健康建议。该应用程序强调用户体验、数据安全和隐私，解决了现有营养应用程序在准确性和个性化指导方面的不足。此外，文章还提到该应用程序的系统架构，包括使用Firebase Authentication进行安全登录，Python和Django作为后端处理，TensorFlow用于机器学习任务，特别是使用Grounding DINO模型进行食物识别。应用程序使用PostgreSQL进行数据库管理，并实施AES加密和TLS协议以确保数据安全。用户可以上传餐食图片，应用程序会识别食物并提供营养分析。通过对385名用户的调查，评估了应用程序的可用性、饮食建议的准确性和整体用户满意度，反馈积极。应用程序使用COCO数据集训练其机器学习模型，确保数据预处理和清理的全面性，以提高准确性并避免食物检测中的偏差。

研究亮点

• 个性化饮食建议：Smart Dietary Assistant项目通过结合技术和机器学习，提供个性化的饮食建议。

• 先进食物识别：使用Grounding DINO模型提高食物识别准确性，无需标记数据集。

• 数据安全与隐私：采用PostgreSQL数据库和AES加密，确保数据完整性和用户隐私。

• 跨设备支持：使用React Native和TypeScript开发，支持摄像头扫描、习惯跟踪等功能。

• 用户体验与满意度：用户反馈显示高满意度，应用程序在识别食物方面表现出色，平均评分为4.52，净推荐值（NPS）为41.3。

图文赏析

图1. Smart Dietary Assistant应用程序的系统架构。该图强调了应用程序各组件之间的互联特性，突出展示了数据的无缝流动以及系统中嵌入的强大隐私和安全层。

总结

文章指出该应用程序在满足用户饮食需求方面表现出色，特别是对于糖尿病患者。用户反馈显示满意度高，平均评分为4.52，净推荐值（NPS）为41.3，表明用户忠诚度强且推荐意愿高。尽管应用程序表现出潜力，但在识别稀有食物和提高处理效率方面仍有改进空间。未来的发展将侧重于整合实时生理数据，以提供更个性化的建议。限制包括食物项目覆盖的潜在差距和设备能力的考虑。总体而言，该应用程序在数字健康领域展示了显著的市场潜力和增长机会。

参考文献

Eating Smart: Advancing Health Informatics with the Grounding DINO-based Dietary Assistant App, International Journal of Scientific and Innovative Studies, June 2024, Volume 3, Number 3, Pages 26-34, Available online at IJSRIS.

1、本公众号推送文章仅用于学术交流，『原创』代表原创编译，不代表本平台对文本主张版权。
2、凡是“转载”的稿件，均已注明来源，作者如不希望被转载或有侵权，请后台联系修改或删除。