ಮುಖಪುಟ  /  ಕ್ಯಾಲೊರಿಗಳನ್ನು ಹೇಗೆ ಎಣಿಸಬೇಕು
ಗೈಡ್ · ಕ್ಯಾಲೊರಿ ಟ್ರ್ಯಾಕಿಂಗ್

ನಿಮ್ಮ ಜೀವನವನ್ನೇ ಇದಕ್ಕೆ ಹಾಕದೆ ಕ್ಯಾಲೊರಿ ಎಣಿಸುವುದು ಹೇಗೆ. 4 ವಿಧಾನಗಳ ಹೋಲಿಕೆ, ಅವುಗಳ ನಿಜವಾದ ನಿಖರತೆ, ಮತ್ತು 6 ತಿಂಗಳ ನಂತರವೂ ನೀವು ಮುಂದುವರಿಸುವ ವಿಧಾನ ಯಾವುದು.

ಫೋಟೋ ಆಧಾರಿತ AI ಸ್ಕ್ಯಾನ್, ಬಾರ್‌ಕೋಡ್, ಡೇಟಾಬೇಸ್, ತ್ವರಿತ ಸೇರಿಸುವುದು: ಪ್ರತಿ ವಿಧಾನ ನಿಜವಾಗಿಯೂ ಎಷ್ಟು ಮೌಲ್ಯವಿದೆ, 80 % ಜನರು 3 ತಿಂಗಳಲ್ಲಿ ಏಕೆ ಕೈಬಿಡುತ್ತಾರೆ, ಮತ್ತು ನಿಮ್ಮ ಪ್ರೊಫೈಲ್‌ಗೆ ಅನುಗುಣವಾಗಿ ಹೇಗೆ ಆಯ್ಕೆ ಮಾಡಬೇಕು.

Lean ತಂಡ · ಓದುವ ಸಮಯ 11 ನಿಮಿಷ · 11 ಜೂನ್ 2026 ರಂದು ನವೀಕರಿಸಲಾಗಿದೆ
App Store ನಲ್ಲಿ ಡೌನ್‌ಲೋಡ್ ಮಾಡಿ Google Play ನಲ್ಲಿ ಲಭ್ಯ ಉಚಿತ ಡೌನ್‌ಲೋಡ್
ಆಹಾರ ದಿನಚರಿ ಇಡುವುದು ವೈಜ್ಞಾನಿಕ ಸಾಹಿತ್ಯದಲ್ಲಿ ಯಶಸ್ವಿ ತೂಕ ಇಳಿಕೆಗೆ ಅತ್ಯಂತ ನಿರಂತರವಾಗಿ ಸಂಬಂಧಿಸಿದ ವರ್ತನೆ (Burke, 2011). ಸಮಸ್ಯೆ ಎಂದಿಗೂ ಪರಿಣಾಮಕಾರಿತ್ವವಾಗಿರಲಿಲ್ಲ, ಅದು ಪಾಲನೆ: ಆಹಾರದಿಂದ ಆಹಾರಕ್ಕೆ ಕೈಯಾರೆ ನಮೂದಿಸುವುದು ಎಲ್ಲರನ್ನೂ ದಣಿಸುತ್ತದೆ, ಮತ್ತು ಸುಮಾರು 80 % ಜನರು 3 ತಿಂಗಳಿಗಿಂತ ಕಡಿಮೆ ಅವಧಿಯಲ್ಲಿ ಕೈಬಿಡುತ್ತಾರೆ. ಈ ಮಾರ್ಗದರ್ಶಿ ಕ್ಯಾಲೊರಿಗಳನ್ನು ಎಣಿಸುವ 4 ವಿಧಾನಗಳನ್ನು ಹೋಲಿಸುತ್ತದೆ, ಅತಿ ವೇಗವಾದದ್ದು (AI ಫೋಟೋ ಸ್ಕ್ಯಾನ್, 5 ಸೆಕೆಂಡುಗಳು) ರಿಂದ ಅತಿ ನಿಖರವಾದದ್ದು (ಡೇಟಾಬೇಸ್ + ತೂಕಮಾಪಕ) ವರೆಗೆ, ಮತ್ತು ನಿಮ್ಮ ಪ್ರೊಫೈಲ್‌ಗೆ ಅನುಗುಣವಾಗಿ ಯಾವದನ್ನು ಆಯ್ಕೆ ಮಾಡಬೇಕು ಎಂದು ಹೇಳುತ್ತದೆ.
ತ್ವರಿತ ಉತ್ತರ

ಕ್ಯಾಲೊರಿಗಳನ್ನು ಎಣಿಸಲು ನಾಲ್ಕು ವಿಧಾನಗಳು: ಎಐ ಫೋಟೋ ಸ್ಕ್ಯಾನ್ (ನೀವು ನಿಮ್ಮ ತಟ್ಟೆಯ ಫೋಟೋ ತೆಗೆಯುತ್ತೀರಿ, ಎಐ ಪ್ರತಿ ಆಹಾರ ಮತ್ತು ಅದರ ಪ್ರಮಾಣವನ್ನು ಗುರುತಿಸುತ್ತದೆ), ಬಾರ್‌ಕೋಡ್ ಸ್ಕ್ಯಾನ್ (ಪ್ಯಾಕ್ ಮಾಡಿದ ಉತ್ಪನ್ನಗಳು, ತಯಾರಕ ಡೇಟಾ), ಡೇಟಾಬೇಸ್ (ಹುಡುಕು + ತೂಕ ಹಾಕುವುದು, ಅತ್ಯಂತ ನಿಖರವಾದ ವಿಧಾನ) ಮತ್ತು ತ್ವರಿತ ಸೇರಿಕೆ (10 ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಒಟ್ಟು ಅಂದಾಜು). ನೀವು 6 ತಿಂಗಳು ಮುಂದುವರಿಸಬಹುದಾದ ವಿಧಾನವೇ ಸರಿಯಾದದು, ಕಾಗದದ ಮೇಲೆ ಅತ್ಯಂತ ನಿಖರವಾದುದು ಅಲ್ಲ. ಮತ್ತು ನಿಮ್ಮ ಒಳಹಾಕುವಿಕೆಯನ್ನು ಎಣಿಸುವುದು ನಿಮ್ಮ ಖರ್ಚು, TDEEಒಟ್ಟು ದೈನಂದಿನ ಶಕ್ತಿ ವೆಚ್ಚ: 24 ಗಂಟೆಗಳಲ್ಲಿ ನಿಮ್ಮ ಒಟ್ಟು ಕ್ಯಾಲೊರಿ ಖರ್ಚು. TDEE = BMR + NEAT + EAT + TEF., ಸರಿಯಾಗಿ ಲೆಕ್ಕ ಹಾಕಿದಾಗ ಮಾತ್ರ ಉಪಯುಕ್ತ.

01 · ಗಮನಿಸಿದ ವಿಷಯ

3 ತಿಂಗಳಲ್ಲಿ 80 % ಜನರು ಏಕೆ ಎಣಿಸುವುದನ್ನು ನಿಲ್ಲಿಸುತ್ತಾರೆ

ಕ್ಯಾಲೊರಿಗಳನ್ನು ಎಣಿಸುವುದು ಕೆಲಸ ಮಾಡುತ್ತದೆ. ಅದು ಪ್ರಶ್ನೆಯಲ್ಲ. ಪ್ರಶ್ನೆ ಏನೆಂದರೆ, ಬಹುತೇಕ ಯಾರೂ ಅದನ್ನು ಮುಂದುವರಿಸುವುದಿಲ್ಲ: ತೂಕ ಇಳಿಕೆ ಕಾರ್ಯಕ್ರಮಗಳ ಅಧ್ಯಯನಗಳು, ಮೊದಲ ಕಾಣಿಸಬಹುದಾದ ಫಲಿತಾಂಶಕ್ಕೂ ಮುನ್ನವೇ, ಮೊದಲ ಕೆಲವು ವಾರಗಳಲ್ಲೇ ದೊಡ್ಡ ಪ್ರಮಾಣದ ಕೈಬಿಡುವಿಕೆಯನ್ನು ತೋರಿಸುತ್ತವೆ.

80 %
ತೂಕ ಇಳಿಸುವ ಕಾರ್ಯಕ್ರಮಕ್ಕೆ ನೋಂದಾಯಿಸಿಕೊಂಡವರಲ್ಲಿ 3 ಮೊದಲ ತಿಂಗಳಲ್ಲಿ ಬಹಳಷ್ಟು ಮಂದಿ ಕೈಬಿಡುತ್ತಾರೆ (Alexander et al., 2018). ಮುಖ್ಯ ಕಾರಣ, ಟ್ರ್ಯಾಕಿಂಗ್‌ನ ತೊಂದರೆ, ಇಚ್ಛಾಶಕ್ತಿಯ ಕೊರತೆ ಅಲ್ಲ.

ತೊಂದರೆ, ನಿಜವಾಗಿ: ಪಟ್ಟಿಯಲ್ಲಿ « ಚಿಕನ್ ಬ್ರೆಸ್ಟ್ » ಹುಡುಕುವುದು, 40 ನಕಲುಗಳ ನಡುವೆ ಸರಿಯಾದ ನಮೂದನ್ನು ಆಯ್ಕೆ ಮಾಡುವುದು, 150 g ಅನ್ನು ಕಣ್ಣಾರೆ ಅಂದಾಜಿಸುವುದು, ಬೀನ್ಸ್‌ಗಾಗಿ ಮತ್ತೆ ಮಾಡುವುದು, ನಂತರ ಆಲಿವ್ ಎಣ್ಣೆಗಾಗಿ. ದಿನಕ್ಕೆ ಮೂರು ಬಾರಿ. ತಿಂಗಳಿಗೆ 90 ಬಾರಿ. ಟ್ರ್ಯಾಕಿಂಗ್ ಅನ್ನು ಕೊಲ್ಲುವುದು ಈ ಲೆಕ್ಕಾಚಾರವೇ, ಟ್ರ್ಯಾಕ್ ಮಾಡುವ ಕಲ್ಪನೆ ಅಲ್ಲ.

ಪ್ರಾಯೋಗಿಕ ತೀರ್ಮಾನ: ನಿಮ್ಮ ಡೇಟಾ ಎಂಟ್ರಿ ವಿಧಾನವನ್ನು ಆಯ್ಕೆ ಮಾಡುವುದು ಕೇವಲ ಬಳಕೆಸೌಕರ್ಯದ ಸಣ್ಣ ವಿಷಯ ಅಲ್ಲ. ಮುಂದಿನ 3 ತಿಂಗಳಲ್ಲಿ ನಿಮ್ಮ ಡೇಟಾ ಇನ್ನೂ ಇರುತ್ತದೆಯೇ ಇಲ್ಲವೇ ಎಂದು ನಿರ್ಧರಿಸುವುದು ಇದೇ ಪ್ರಮುಖ ಅಂಶ. ಇಲ್ಲಿವೆ 4 ವಿಧಾನಗಳು, ಅತ್ಯಂತ ವೇಗವಾದುದರಿಂದ ಅತ್ಯಂತ ಕಷ್ಟದವರೆಗೆ ಕ್ರಮಬದ್ಧವಾಗಿ.

02 · ವಿಧಾನ 1

AI ಫೋಟೋ ಸ್ಕ್ಯಾನ್, ಪ್ರತಿ ಊಟಕ್ಕೆ 5 ಸೆಕೆಂಡುಗಳು

ನೀವು ನಿಮ್ಮ ತಟ್ಟೆಯ ಫೋಟೋ ತೆಗೆದುಕೊಳ್ಳುತ್ತೀರಿ. Lean‌ನ ಎಐ ಎರಡು ಹಂತದ ಗುರುತಿಸುವಿಕೆ ಮಾಡುತ್ತದೆ: ಮೊದಲು ಅದು ಇರುವ ಪ್ರತಿಯೊಂದು ಆಹಾರವನ್ನು ಗುರುತಿಸುತ್ತದೆ (ಗ್ರಿಲ್ ಮಾಡಿದ ಚಿಕನ್, ಹಸಿರು ಬೀನ್ಸ್), ನಂತರ ಪ್ರತಿಯೊಂದರ ಪ್ರಮಾಣವನ್ನು ಅಂದಾಜಿಸುತ್ತದೆ. ಫಲಿತಾಂಶವು ಎಲ್ಲಿಂದಲೋ ಬಂದ ಒಟ್ಟು ಸಂಖ್ಯೆ ಅಲ್ಲ: ಅದು ಆಹಾರದಿಂದ ಆಹಾರಕ್ಕೆ ವಿಭಜನೆ, ಪ್ರತಿ ಸಾಲಿಗೆ ಕ್ಯಾಲೊರಿ ಮತ್ತು ಮ್ಯಾಕ್ರೋಗಳೊಂದಿಗೆ.

ನೈಜ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ AI ಸ್ಕ್ಯಾನ್: ಫೋಟೋ, ವಿಶ್ಲೇಷಣೆ, ಫಲಿತಾಂಶ.

ಚಿತ್ರಗಳಲ್ಲಿ, ಹಂತ ಹಂತವಾಗಿ, ನಿಜವಾದ ಊಟದ ಮೇಲೆ:

Lean ನಲ್ಲಿ AI ಸ್ಕ್ಯಾನ್: ತಟ್ಟೆಯ ಫೋಟೋ ತೆಗೆದಿದೆ, ವಿವರಗಳ ಫೀಲ್ಡ್ ಅನ್ನು ಕೀಬೋರ್ಡ್‌ನಿಂದ ಐಚ್ಛಿಕವಾಗಿ ತುಂಬಬಹುದು
ನೀವು ಫ್ರೇಮ್ ಮಾಡುತ್ತೀರಿ. ಬೇಕಾದರೆ ಕೀಬೋರ್ಡ್‌ನಲ್ಲಿ ಒಂದು ವಿವರ ಸೇರಿಸಬಹುದು.
Lean ನಲ್ಲಿ AI ವಿಶ್ಲೇಷಣೆ ನಡೆಯುತ್ತಿದೆ: ತಟ್ಟೆಯ ಫೋಟೋ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲಾಗುತ್ತಿದೆ
AI ತಟ್ಟೆಯನ್ನು ವಿಶ್ಲೇಷಿಸುತ್ತದೆ.
AI ಸ್ಕ್ಯಾನ್ ಫಲಿತಾಂಶ: ಪ್ರತಿ ಆಹಾರಕ್ಕೂ ಕ್ಯಾಲೊರಿ ಮತ್ತು ಮ್ಯಾಕ್ರೋಸ್ ಜೊತೆಗೆ ಎಣಿಸಲಾಗಿದೆ
ಪ್ರತಿ ಆಹಾರವನ್ನು ಎಣಿಸಲಾಗಿದೆ.

ಸಾಮಾನ್ಯ ತಿನಿಸುಗಳಲ್ಲಿ, ಸಾಮಾನ್ಯ ತಪ್ಪು ಪ್ರತಿ ಊಟಕ್ಕೆ ಸುಮಾರು ±10 % ಇರುತ್ತದೆ. ಇದು ತೂಕಮಾಪಕಕ್ಕಿಂತ ಕಡಿಮೆ ನಿಖರ, ಮತ್ತು ಕೊಬ್ಬು ಕಡಿಮೆ ಮಾಡುವುದನ್ನು ನಿಯಂತ್ರಿಸಲು ಸಾಕಷ್ಟು (ಕೆಳಗೆ ದೊಡ್ಡ ಸಂಖ್ಯೆಗಳ ನಿಯಮದೊಂದಿಗೆ ಇದಕ್ಕೆ ಮತ್ತೆ ಬರುತ್ತೇವೆ). ಮುಖ್ಯವಾಗಿ, ಲೇಬಲ್ ಇಲ್ಲದ ಊಟಗಳನ್ನು ಇದು ಮಾತ್ರ ಕವರ್ ಮಾಡುತ್ತದೆ: ಮನೆ, ರೆಸ್ಟೋರೆಂಟ್, ಕ್ಯಾಂಟೀನ್.

Lean ಇನ್ನೂ ಮುಂದೆ ಹೋಗುವ ಜಾಗ, ನೀವು ನಿಯಂತ್ರಣವನ್ನು ನಿಮ್ಮ ಕೈಯಲ್ಲಿ ಇಟ್ಟುಕೊಳ್ಳುತ್ತೀರಿ

ಒಂದು AI ಸ್ಕ್ಯಾನ್ ಉಪಯುಕ್ತವಾಗುವುದು, ಅದು ಸೂಚಿಸುವುದನ್ನು ನೀವು ಸರಿಪಡಿಸಬಹುದಾದರೆ ಮಾತ್ರ. Lean ನಿಮಗೆ ಪ್ರತಿ ಆಹಾರಕ್ಕೆ ಮೂರು ನಿಯಂತ್ರಣಗಳನ್ನು ಕೊಡುತ್ತದೆ:

ಲೆವರ್ 1

ಪ್ರಮಾಣಗಳನ್ನು ಬದಲಾಯಿಸುವುದು

ಪ್ರತಿ ಆಹಾರಕ್ಕೆ ಒಂದು ಸ್ಲೈಡರ್: ಇಲ್ಲಿ, AI 101,4 g ಎಂದು ಅಂದಾಜಿಸಿದ ಬ್ರೆಡ್ ಅನ್ನು 70 g ಗೆ ಸರಿಪಡಿಸಲಾಗಿದೆ. ಕ್ಯಾಲೊರಿ ಮತ್ತು ತಿನಿಸಿನ ಒಟ್ಟು ತಕ್ಷಣವೇ ಮರುಲೆಕ್ಕವಾಗುತ್ತದೆ.

Lean ನಲ್ಲಿ ಸರಿಪಡಿಸುವ ಮೊದಲು ಸ್ಕ್ಯಾನ್ ಮಾಡಿದ ಊಟ: ಬ್ರೆಡ್ ಅನ್ನು 101,4 g ಎಂದು ಅಂದಾಜಿಸಲಾಗಿದೆ
ಎಐ 101,4 g ಎಂದು ಅಂದಾಜಿಸಿದ ಬ್ರೆಡ್.
Lean ನಲ್ಲಿ ಪ್ರಮಾಣ ಸ್ಲೈಡರ್: ಬ್ರೆಡ್ ಅನ್ನು 70 g ಗೆ ಸರಿಪಡಿಸಲಾಗಿದೆ, ತಕ್ಷಣ ಮರುಲೆಕ್ಕಾಚಾರ
70 g ಗೆ ಸರಿಪಡಿಸಿದ ನಂತರ, ಎಲ್ಲವೂ ಮರುಲೆಕ್ಕವಾಗುತ್ತದೆ.
ಲೆವರ್ 2

ಮ್ಯಾಕ್ರೋಗಳನ್ನು ಬದಲಾಯಿಸುವುದು

ನಿಮ್ಮ ರೆಸಿಪಿ ಸರಾಸರಿಗಿಂತ ನಿಮಗೆ ಚೆನ್ನಾಗಿ ಗೊತ್ತಾ? ಇಲ್ಲಿ, ಚಿಪ್ಸ್: AI 4,1 g ಕೊಬ್ಬು ಎಂದು ಸೂಚಿಸುತ್ತದೆ, ನೀವು ಅದನ್ನು 14 g ಗೆ ಸರಿಪಡಿಸುತ್ತೀರಿ. ಡೋನಟ್ ಮತ್ತು ಒಟ್ಟು ಕೂಡ ಅದಕ್ಕೆ ಅನುಸರಿಸಿ ಬದಲಾಗುತ್ತವೆ.

Lean ನಲ್ಲಿ AI ಅಂದಾಜಿಸಿದ ಚಿಪ್ಸ್‌ನ ಮ್ಯಾಕ್ರೋಸ್: 4,1 g ಕೊಬ್ಬು
AI ಪ್ರಕಾರ ಚಿಪ್ಸ್, 4,1 g ಕೊಬ್ಬು.
Lean ನಲ್ಲಿ ಕೈಯಿಂದ ಸರಿಪಡಿಸಿದ ಚಿಪ್ಸ್‌ನ ಮ್ಯಾಕ್ರೋಸ್: 14 g ಕೊಬ್ಬು
ಕೈಯಾರೆ ಸರಿಪಡಿಸಿದವು, 14 g.
ಲೆವರ್ 3

ಒಂದು ಆಹಾರವನ್ನು ಮಾತ್ರ ಮರು-ಸ್ಕ್ಯಾನ್ ಮಾಡುವುದು

AI ಟರ್ಕಿಯನ್ನು ಚೀಸ್ ಎಂದು ತಪ್ಪಾಗಿ ಗುರುತಿಸಿತಾ? ನೀವು ಸರಿಯಾದ ಹೆಸರನ್ನು ಟೈಪ್ ಮಾಡುತ್ತೀರಿ, ಆ ಸಾಲು ಮಾತ್ರ ಸ್ವತಃ ಮರು-ವಿಶ್ಲೇಷಣೆ ಆಗುತ್ತದೆ, ಇಡೀ ತಿನಿಸನ್ನು ಮತ್ತೆ ಮಾಡಬೇಕಾಗಿಲ್ಲ.

Lean ನಲ್ಲಿ ಆಹಾರವನ್ನು ಮರು-ಸ್ಕ್ಯಾನ್ ಮಾಡುವುದು: ಸರಿಯಾದ ಹೆಸರನ್ನು ಕೀಬೋರ್ಡ್‌ನಲ್ಲಿ ನಮೂದಿಸುವುದು
ನೀವು ಸ್ಪಷ್ಟಪಡಿಸುತ್ತೀರಿ: ಟರ್ಕಿ ಹ್ಯಾಮ್.
Lean ನಲ್ಲಿ ಮರು-ಸ್ಕ್ಯಾನ್ ನಂತರದ ಫಲಿತಾಂಶ: ಟರ್ಕಿ ಹ್ಯಾಮ್ ಗುರುತಿಸಲಾಗಿದೆ, ಒಟ್ಟು ಮರುಲೆಕ್ಕಿಸಲಾಗಿದೆ
ಟರ್ಕಿ ಹ್ಯಾಮ್, 53 kcal. ಒಟ್ಟು ಮರುಗಣನೆ ಮಾಡಲಾಗಿದೆ.

Cal AI ಎದುರಿನ ಪರೀಕ್ಷೆ: ವಿಭಜನೆ ವಿರುದ್ಧ ಒಟ್ಟಾರೆ ಅಂದಾಜು

ಒಂದೇ ಫೋಟೋ, ಎರಡು ಆ್ಯಪ್‌ಗಳು. ವ್ಯತ್ಯಾಸ ತಕ್ಷಣ ಕಣ್ಣಿಗೆ ಬೀಳುತ್ತದೆ:

AI ಸ್ಕ್ಯಾನ್ ಹೋಲಿಕೆ: ಅದೇ ಊಟದ ಫೋಟೋವನ್ನು Lean ಮತ್ತು Cal AI ಗೆ ನೀಡಲಾಗಿದೆ
ಒಂದೇ ಫೋಟೋ, ಎರಡೂ ಆ್ಯಪ್‌ಗಳಿಗೆ ನೀಡಲಾಗಿದೆ.
Lean ಫಲಿತಾಂಶ: ಸ್ಯಾಂಡ್‌ವಿಚ್ ಮತ್ತು ಚಿಪ್ಸ್ ಅನ್ನು ಆಹಾರದಿಂದ ಆಹಾರಕ್ಕೆ ವಿಭಜಿಸಿ ತೋರಿಸಲಾಗಿದೆ
Lean: ಪ್ರತಿ ಆಹಾರ, ವಿವರವಾದ ಒಟ್ಟು.
Cal AI ಫಲಿತಾಂಶ: ವಿಭಜನೆ ಇಲ್ಲದೆ ಸಂಪೂರ್ಣ ತಿನಿಸಿನ ಒಟ್ಟು ಅಂದಾಜು
Cal AI: ಪ್ರತಿ ತಿನಿಸಿಗೆ ಒಂದು ಒಟ್ಟಾರೆ ಅಂದಾಜು.

ಇದು ಬಹುತೇಕ ಸ್ಕ್ಯಾನ್ ಆ್ಯಪ್‌ಗಳೊಂದಿಗೆ ಇರುವ ರಚನಾತ್ಮಕ ವ್ಯತ್ಯಾಸ, Cal AI ಮುಂಚೂಣಿಯಲ್ಲಿ: ಅವು ಒಂದು ತಿನಿಸಿಗೆ ಒಟ್ಟು ಅಂದಾಜು ನೀಡುತ್ತವೆ, ಆಹಾರದಿಂದ ಆಹಾರಕ್ಕೆ ಸಂಪಾದಿಸಬಹುದಾದ ವಿಭಜನೆ ಇಲ್ಲದೆ ಕ್ಯಾಲೊರಿ ಮತ್ತು ಮ್ಯಾಕ್ರೋಗಳ ಒಟ್ಟು. ಅಂದಾಜು ತಪ್ಪಿದ್ದರೆ, ಅದನ್ನು ನೀವು ಒಪ್ಪಿಕೊಳ್ಳಬೇಕು ಅಥವಾ ತಿರಸ್ಕರಿಸಬೇಕು. ಆಹಾರದಿಂದ ಆಹಾರಕ್ಕೆ ವಿಭಜನೆ ಇದ್ದರೆ, ತಪ್ಪನ್ನು ಎರಡು ಟ್ಯಾಪ್‌ಗಳಲ್ಲಿ ಸರಿಪಡಿಸಬಹುದು.

ಸರಿಯಾದ ಬಳಕೆ: ಮನೆಯಲ್ಲೇ ಮಾಡಿದ ಊಟ, ರೆಸ್ಟೋರೆಂಟ್, ಕ್ಯಾಂಟೀನ್, ಬಾರ್‌ಕೋಡ್ ಇಲ್ಲದ ಎಲ್ಲ ಊಟಗಳು. 90 % ಊಟಗಳಿಗೆ ಡೀಫಾಲ್ಟ್ ವಿಧಾನ.

03 · ವಿಧಾನ 2

ಬಾರ್‌ಕೋಡ್ ಸ್ಕ್ಯಾನ್: ಲೇಬಲ್‌ನ ನಿಖರತೆ

ಪ್ಯಾಕೆಟ್‌ನಿಂದ ಹೊರಬರುವ ಎಲ್ಲದರಿಗೂ, ಬಾರ್‌ಕೋಡ್ ಅತಿ ನಿಖರ: ಪೌಷ್ಟಿಕ ಮೌಲ್ಯಗಳು ನೇರವಾಗಿ ತಯಾರಕರ ಡೇಟಾದಿಂದ ಬರುತ್ತವೆ. Lean USDA ಮತ್ತು OpenFoodFacts ಡೇಟಾಬೇಸ್‌ಗಳ ಮೇಲೆ ಅವಲಂಬಿಸಿದೆ, ಅಂದರೆ ಲಕ್ಷಾಂತರ ದಾಖಲೆಗಳು. ನೀವು ಸ್ಕ್ಯಾನ್ ಮಾಡುತ್ತೀರಿ, ಪ್ರಮಾಣವನ್ನು ಸರಿಪಡಿಸುತ್ತೀರಿ, ಕೆಲಸ ಮುಗಿಯುತ್ತದೆ.

ಬಾರ್‌ಕೋಡ್ ಸ್ಕ್ಯಾನ್, ನಿಖರ ಉತ್ಪನ್ನ ವಿವರ, ನೇರವಾಗಿ ಸೇರಿಕೆ.

ಮಿತಿ ಸ್ಪಷ್ಟವಾಗಿದೆ: ನಿಮ್ಮ ಮನೆಯ ಪಾಸ್ತಾ ತಟ್ಟೆಗೆ ಬಾರ್‌ಕೋಡ್ ಇಲ್ಲ. ಅದಕ್ಕೇ ಈ ವಿಧಾನವು ಫೋಟೋ AI ಸ್ಕ್ಯಾನ್ ಜೊತೆ ಸಹಜವಾಗಿ ಸೇರಿಕೊಳ್ಳುತ್ತದೆ, ಅದನ್ನು ಬದಲಿಸುವುದಿಲ್ಲ.

ಸರಿಯಾದ ಬಳಕೆ: ದಿನಸಿ ಖರೀದಿ, ಸ್ನ್ಯಾಕ್ಸ್, ಪ್ರೊಸೆಸ್ಡ್ ಉತ್ಪನ್ನಗಳು, ಶೇಕ್‌ಗಳು. ಪ್ಯಾಕ್ ಮಾಡಿದ ಆಹಾರಗಳಿಗೆ ಗರಿಷ್ಠ ನಿಖರತೆ, ಶೂನ್ಯ ಪ್ರಯತ್ನ.

04 · ವಿಧಾನ 3

ಡೇಟಾಬೇಸ್ + ಅಡುಗೆ ತ್ರಾಸು, ನಿಖರತಾ ಮೋಡ್

ಐತಿಹಾಸಿಕ ವಿಧಾನ: ನೀವು ನಿಮ್ಮ ಆಹಾರವನ್ನು ತೂಕ ಮಾಡುತ್ತೀರಿ, ಡೇಟಾಬೇಸ್‌ನಲ್ಲಿ ಅದನ್ನು ಹುಡುಕುತ್ತೀರಿ, ಗ್ರಾಂಗಳನ್ನು ನಮೂದಿಸುತ್ತೀರಿ. ಅಡುಗೆ ತ್ರಾಸು ಇದ್ದರೆ, ಇದು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಅತ್ಯಂತ ನಿಖರ ವಿಧಾನ, ಸ್ಪರ್ಧಾತ್ಮಕ ತಯಾರಿಕೆಗಳು ಮತ್ತು ಕ್ಲಿನಿಕಲ್ ಪ್ರೋಟೋಕಾಲ್‌ಗಳ ವಿಧಾನ.

ಇತಿಹಾಸ ಮತ್ತು ತ್ವರಿತ ಸೇರಿಸುವಿಕೆಯೊಂದಿಗೆ Lean ಡೇಟಾಬೇಸ್‌ನಲ್ಲಿ ಒಂದು ಆಹಾರವನ್ನು ಹುಡುಕುವುದು
ಹುಡುಕು, ಇತಿಹಾಸ, ಎರಡು ಟ್ಯಾಪ್‌ಗಳಲ್ಲಿ ನೇರ ಸೇರಿಕೆ.
Lean ನಲ್ಲಿ ಒಂದು ಉತ್ಪನ್ನದ ನಿಖರ ಪೌಷ್ಟಿಕ ಮಾಹಿತಿ, ದಿನದ ಬಜೆಟ್‌ಗಳ ಮೇಲೆ ಪರಿಣಾಮದೊಂದಿಗೆ
ಉತ್ಪನ್ನದ ನಿಖರ ವಿವರ, ತಕ್ಷಣದ ಪರಿಣಾಮ.

« ಉಳಿದವು / ಪರಿಣಾಮ » ಪ್ಯಾನೆಲ್, ನೀವು ದೃಢೀಕರಿಸುವ ಮೊದಲುಲೇ, ಆ ಆಹಾರವು ನಿಮ್ಮ ಇಂದಿನ ಬಜೆಟ್‌ಗಳಲ್ಲಿ ಏನು ಬದಲಾವಣೆ ತರುತ್ತದೆ ಎಂಬುದನ್ನು ತೋರಿಸುತ್ತದೆ: ಕ್ಯಾಲೊರಿಗಳು, ಪ್ರೋಟೀನ್, ಕಾರ್ಬ್ಸ್, ಫ್ಯಾಟ್, ಫೈಬರ್. ನೀವು ತಿಳಿದ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುತ್ತೀರಿ, ನಂತರ ಅಲ್ಲ.

Lean ಘರ್ಷಣೆಯನ್ನು ಕನಿಷ್ಠಕ್ಕೆ ಇಳಿಸುತ್ತದೆ: ನಿಮ್ಮ ಸಾಮಾನ್ಯ ಆಹಾರಗಳ ಇತಿಹಾಸ, USDA + OpenFoodFacts ನಲ್ಲಿ ಹುಡುಕು, ಪಟ್ಟಿಯಿಂದ ಎರಡು ಟ್ಯಾಪ್‌ಗಳಲ್ಲಿ ಸೇರಿಕೆ. ಆದರೆ ನಿಜವಾದ ವೆಚ್ಚದ ಬಗ್ಗೆ ಸತ್ಯವಾಗಿರೋಣ: ಪ್ರತಿ ಊಟಕ್ಕೆ 2 ರಿಂದ 3 ನಿಮಿಷಗಳು, ಮತ್ತು ತೂಕ ಮಾಡುವ ಶಿಸ್ತು. ಈ ಘರ್ಷಣೆಯೇ ಕ್ಲಾಸಿಕ್ ವಿಧಾನದಲ್ಲಿ 80 % ಕೈಬಿಡುವಿಕೆಯನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ.

ಸರಿಯಾದ ಬಳಕೆ: ಕಟ್ಟುನಿಟ್ಟಾದ ಡಯೆಟ್, ಮುಂದುವರೆದ ರಿಕಂಪೊಸಿಷನ್, ತೂಕ ವರ್ಗದ ಕ್ರೀಡೆಗಳು. ಮತ್ತು ನಿಮ್ಮ ದಿನನಿತ್ಯದ 5 ರಿಂದ 10 ಮರುಮರು ಬರುವ ಆಹಾರಗಳು, ಇತಿಹಾಸದಿಂದ ಅವು ಬಹುತೇಕ ತಕ್ಷಣವಾಗುತ್ತವೆ.

05 · ವಿಧಾನ 4

ತ್ವರಿತ ಸೇರಿಕೆ, ದಿನವನ್ನು ಉಳಿಸುವ ಒಟ್ಟು ಅಂದಾಜು

ಹುಟ್ಟುಹಬ್ಬದ ಬಫೆ, ತುಂಬಾ ಬ್ಯುಸಿ ದಿನ, ಎರಡು ಮೀಟಿಂಗ್‌ಗಳ ನಡುವೆ ನಿಂತುಕೊಂಡೇ ಊಟ: ಕೆಲವು ಊಟಗಳನ್ನು ಎಂದಿಗೂ ಸೂಕ್ಷ್ಮವಾಗಿ ಟ್ರ್ಯಾಕ್ ಮಾಡಲಾಗುವುದಿಲ್ಲ. ತ್ವರಿತ ಸೇರಿಕೆ ನಿಮಗೆ ಒಟ್ಟು ಅಂದಾಜನ್ನು, ಅಂದಾಜು ಕ್ಯಾಲೊರಿಗಳು ಮತ್ತು ಮ್ಯಾಕ್ರೋಗಳೊಂದಿಗೆ, 10 ಸೆಕೆಂಡುಗಳಲ್ಲಿ ನಮೂದಿಸಲು ಬಿಡುತ್ತದೆ. ಕಡಿಮೆ ನಿಖರ, ಆದರೆ ಡೇಟಾ ಖಾಲಿಗಿಂತ ಅನಂತವಾಗಿ ಉತ್ತಮ.

Lean ನಲ್ಲಿ ತ್ವರಿತ ಸೇರಿಸುವ ಫಾರ್ಮ್: ಹೆಸರು, ಕ್ಯಾಲೊರಿ ಮತ್ತು ಮ್ಯಾಕ್ರೋಗಳನ್ನು ಕೈಯಿಂದ ನಮೂದಿಸಲಾಗಿದೆ
ಹೆಸರು, ಕ್ಯಾಲೊರಿಗಳು, ಮ್ಯಾಕ್ರೋಗಳು: 10 ಸೆಕೆಂಡುಗಳು.
ತ್ವರಿತ ಸೇರಿಸುವಿಕೆ Lean ಆಹಾರ ದಿನಚರಿಯಲ್ಲಿ ಉಳಿಸಲಾಗಿದೆ
ಒಂದು ಬಫರ್, ದಿನ ಉಳಿಯಿತು.

ಲೈವ್ ಕ್ಯಾಲೊರಿ ಬ್ಯಾಲೆನ್ಸ್ ಉಳಿದುದನ್ನು ಮಾಡುತ್ತದೆ: ಸ್ಕ್ರೀನ್‌ಶಾಟ್‌ನಲ್ಲಿ, 2 143 kcal ಗುರಿ, 1 000 ಸೇವಿಸಲಾಗಿದೆ, 1 143 ಉಳಿದಿವೆ, ದಿನ ಮುಂದುವರಿದಂತೆ ನಿರಂತರವಾಗಿ ಮರುಗಣನೆ ಆಗುತ್ತಿವೆ. ಅಂದಾಜಿನ ದಿನವಾದರೂ ಟ್ರ್ಯಾಕ್ ಮಾಡಿದ ದಿನ, ಕೈಬಿಟ್ಟ ಪರಿಪೂರ್ಣ ದಿನಕ್ಕಿಂತ ಉತ್ತಮ: ಫಲಿತಾಂಶವನ್ನು ನಿರ್ಧರಿಸುವುದು ವಾರದ ಸರಾಸರಿ, ಒಂದೇ ದಿನದ ಶುದ್ಧತೆ ಅಲ್ಲ.

Lean ನಲ್ಲಿ ತ್ವರಿತ ಸೇರಿಸುವ ಮೂಲಕ ಒಂದು ಊಟದ ಪೌಷ್ಟಿಕ ವಿವರಗಳು: ಉಳಿದಿರುವವು ಮತ್ತು ಪರಿಣಾಮ
ಉಳಿದವು ಮತ್ತು ಪರಿಣಾಮ, ಲೈವ್‌ನಲ್ಲಿ ಮರುಗಣನೆ ಆಗುತ್ತವೆ.

ಸರಿಯಾದ ಬಳಕೆ: ಬ್ಯುಸಿ ದಿನಗಳು, ಸಾಮಾಜಿಕ ಊಟಗಳು, ಕೈಬಿಡದಂತೆ ತಡೆಯುವ ಬ್ಯಾಕಪ್. “ಒಂದು ಊಟ ತಪ್ಪಿತು, ಇಡೀ ವಾರವೇ ಹಾಳು” ಎನ್ನುವುದನ್ನು ತಡೆಯುವ ವಿಧಾನ.

App Store ನಲ್ಲಿ ಡೌನ್‌ಲೋಡ್ ಮಾಡಿ Google Play ನಲ್ಲಿ ಲಭ್ಯ ಉಚಿತ ಡೌನ್‌ಲೋಡ್
06 · ಆಯ್ಕೆಮಾಡಿ

ಯಾವ ಪ್ರೊಫೈಲ್‌ಗೆ ಯಾವ ವಿಧಾನ

ಮೊದಲು, ಮುಖ್ಯವಾಗಿರುವ 4 ಮಾನದಂಡಗಳ ಮೇಲೆ 4 ವಿಧಾನಗಳ ಹೋಲಿಕೆ: ಪ್ರತಿ ಊಟಕ್ಕೆ ಸುಲಭತೆ, ಲಭ್ಯತೆ (ಎಲ್ಲೆಡೆ, ಯಾವಾಗಲೂ ಕೆಲಸ ಮಾಡುತ್ತದೆಯೇ), ದೀರ್ಘಕಾಲದ ಸ್ಥಿರತೆ, ಮತ್ತು ನಿಖರತೆ.

AI ಫೋಟೋ ಸ್ಕ್ಯಾನ್

ಫೋಟೋ, 5 ಸೆಕೆಂಡುಗಳು

ಸುಲಭತೆ++
ಲಭ್ಯತೆ++
ದೀರ್ಘಕಾಲ++
ನಿಖರತೆ+

ಬಾರ್‌ಕೋಡ್

ನಿಖರ ಲೇಬಲ್

ಸುಲಭತೆ+
ಲಭ್ಯತೆ+
ದೀರ್ಘಕಾಲ+
ನಿಖರತೆ++

ಡೇಟಾಬೇಸ್ + ತೂಕದ ತಕ್ಕಡಿ

ನಿಖರತಾ ಮೋಡ್

ಸುಲಭತೆ−
ಲಭ್ಯತೆ+
ದೀರ್ಘಕಾಲ−
ನಿಖರತೆ++

ತ್ವರಿತ ಸೇರಿಕೆ

ಬ್ಯಾಕಪ್ ಬಫರ್

ಸುಲಭತೆ++
ಲಭ್ಯತೆ++
ದೀರ್ಘಕಾಲ−
ನಿಖರತೆ−

++ ಅತ್ಯುತ್ತಮ + ಉತ್ತಮ − ದುರ್ಬಲ ಅಂಶ. “ದೀರ್ಘಾವಧಿ” = 6 ತಿಂಗಳ ನಂತರವೂ ನೀವು ಈ ವಿಧಾನವನ್ನು ಇನ್ನೂ ಬಳಸುವ ಸಾಧ್ಯತೆ.

ಮ್ಯಾಚ್ ಓದು: ಯಾವ ವಿಧಾನವೂ ಎಲ್ಲೆಡೆ ಗೆಲ್ಲುವುದಿಲ್ಲ. AI ಸ್ಕ್ಯಾನ್ ಅನುಸರಣೆ ವಿಷಯದಲ್ಲಿ ಮುಂಚೂಣಿಯಲ್ಲಿದೆ, ಡೇಟಾಬೇಸ್ + ತೂಕದ ತಕ್ಕಡಿ ನಿಖರತೆಯಲ್ಲಿ ಮುಂಚೂಣಿಯಲ್ಲಿದೆ, ಮತ್ತು ತ್ವರಿತ ಸೇರಿಕೆ ಖಾಲಿ ಜಾಗ ತುಂಬಲು ಮಾತ್ರ ಇದೆ. ಅದಕ್ಕಾಗಿಯೇ ಪ್ರೊಫೈಲ್‌ಗಳು: 4 ವಿಧಾನಗಳು ಪರಸ್ಪರ ಹೊರತುಪಡಿಸುವುದಿಲ್ಲ, ಸರಿಯಾದ ತಂತ್ರವೆಂದರೆ ಮಿಶ್ರಣ, ನಿಮ್ಮ ಆ ಕ್ಷಣದ ಅಗತ್ಯ ಮತ್ತು ವೇಳಾಪಟ್ಟಿಗೆ ಅನುಗುಣವಾಗಿ ಹೊಂದಿಸಿದದ್ದು. ಬಹುತೇಕ ಎಲ್ಲ ಸಂದರ್ಭಗಳನ್ನು 3 ಪ್ರೊಫೈಲ್‌ಗಳು ಆವರಿಸುತ್ತವೆ.

ಪ್ರೊಫೈಲ್ 1 · ಆರಂಭಿಕ

ಶೂನ್ಯ ಅಡ್ಡಿ, ಮಾಡುತ್ತಾ ಕಲಿಯುವುದು

ಎಲ್ಲೆಡೆ ಎಐ ಫೋಟೋ ಸ್ಕ್ಯಾನ್, ಪ್ಯಾಕ್ ಮಾಡಿದ ಆಹಾರಕ್ಕೆ ಬಾರ್‌ಕೋಡ್, ತೂಕ ಹಾಕುವ ಅಗತ್ಯವೇ ಇಲ್ಲ. ಒಂದೇ ಗುರಿ: 3 ತಿಂಗಳು ಮುಂದುವರಿಸುವುದು ಮತ್ತು ಪೋಷನ್‌ಗಳ ಬಗ್ಗೆ ನಿಮ್ಮ ಕಣ್ಣಿಗೆ ತರಬೇತಿ ನೀಡುವುದು. ನಂತರ ನಿಖರತೆ ಬರುತ್ತದೆ, ಮೊದಲು ಅಭ್ಯಾಸ.

ಪ್ರೊಫೈಲ್ 2 · ಗರಿಷ್ಠ ಕಟ್ಟುನಿಟ್ಟು

ಪ್ರತಿ ಶೇಕಡಾವಾರು ಮುಖ್ಯ

ಮನೆಯಲ್ಲಿ ಮಾಡಿದ ಊಟಗಳಿಗೆ ತೂಕದ ತಕ್ಕಡಿ + ಡೇಟಾಬೇಸ್, ಪ್ಯಾಕ್ ಮಾಡಿದ ಆಹಾರಕ್ಕೆ ಬಾರ್‌ಕೋಡ್, ರೆಸ್ಟೋರೆಂಟ್‌ನಲ್ಲಿ ಎಐ ಸ್ಕ್ಯಾನ್. ನಿಖರತೆ ನಿಜವಾಗಿಯೂ ಫಲ ನೀಡುವ ಚಿಕ್ಕ ಹಂತಗಳಿಗೆ: ಕಟ್‌ನ ಅಂತ್ಯ, ಅಧಿಕೃತ ತೂಕಮಾಪನ.

ಪ್ರೊಫೈಲ್ 3 · ಬೇಗ ಇರುವವರು ಅಥವಾ ಮುಂದುವರಿದವರು

ಯೋಚಿಸದೇ ನಂಬಬಹುದಾದ ಡೇಟಾ

ಪ್ರತಿದಿನ ಬಾರ್‌ಕೋಡ್ ಮತ್ತು ಎಐ ಸ್ಕ್ಯಾನ್, ಅಸಾಧ್ಯ ದಿನಗಳಿಗೆ ಬ್ಯಾಕಪ್ ಆಗಿ ತ್ವರಿತ ಸೇರ್ಪಡೆ. ನಿಮ್ಮ ಪಾಲುಗಳು ನಿಮಗೆ ಈಗಾಗಲೇ ಗೊತ್ತು, ಡೇಟಾ ಇದ್ದರೆ ಸಾಕು.

ಎಲ್ಲರಿಗೂ ಅನ್ವಯಿಸುವ ತೀರ್ಮಾನ ನಿಯಮ: ಅನುಮಾನ ಇದ್ದರೆ, ನೀವು ಖಂಡಿತವಾಗಿ ಮುಂದುವರಿಸಬಲ್ಲ ಅತ್ಯಂತ ಹಗುರವಾದ ವಿಧಾನವನ್ನು ಆರಿಸಿ. 3 ವಾರಗಳ ನಂತರ ನಿಲ್ಲಿಸುವ ಪರಿಪೂರ್ಣ ಡೇಟಾ ಶೂನ್ಯಕ್ಕೆ ಸಮಾನ.

07 · ನಿಖರತೆ

ಒಂದು ತಿಂಗಳಲ್ಲಿ ಮಾಯವಾಗುವ ±10 % ದೋಷ

ಎಐ ಸ್ಕ್ಯಾನ್‌ಗೆ ಸಾಮಾನ್ಯ ಆಕ್ಷೇಪ: « ±10 % ದೋಷ, ಅದು ತುಂಬಾ ». ಇದು ಒಂದೇ ಊಟದ ಬಗ್ಗೆ ಯೋಚಿಸುವುದು. ಆದರೆ ನೀವು ಒಂದು ಊಟವನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡುತ್ತಿಲ್ಲ, ತಿಂಗಳಿಗೆ ಸುಮಾರು 90 ಊಟಗಳನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡುತ್ತಿದ್ದೀರಿ.

ಊಟ 1ಊಟ 12

ಗುಲಾಬಿ: ಹೆಚ್ಚಾಗಿ ಅಂದಾಜಿಸಿದ ಊಟಗಳು. ಹಸಿರು: ಕಡಿಮೆ ಅಂದಾಜಿಸಿದ ಊಟಗಳು. ಕಪ್ಪು ರೇಖೆ: ನಿಮ್ಮ ನಿಜವಾದ ಸೇವನೆ. ಒಂದು ತಿಂಗಳಲ್ಲಿ, ವ್ಯತ್ಯಾಸಗಳು ಪರಸ್ಪರ ಸಮತೋಲನಗೊಳ್ಳುತ್ತವೆ.

ಇದು ದೊಡ್ಡ ಸಂಖ್ಯೆಗಳ ನಿಯಮ (Kolmogorov): ಸ್ವತಂತ್ರ ಯಾದೃಚ್ಛಿಕ ದೋಷಗಳು ವೀಕ್ಷಣೆಗಳ ಸಂಖ್ಯೆ ಹೆಚ್ಚಾದಂತೆ ಪರಸ್ಪರ ಸಮತೋಲನಗೊಳ್ಳುತ್ತವೆ. ಸೋಮವಾರದ +12 % ಗಳು ಮಂಗಳವಾರದ 8 % ಕೊರತೆಯನ್ನು ಸಮತೋಲನಗೊಳಿಸುತ್ತವೆ. ಒಂದು ತಿಂಗಳ ನಂತರ ಉಳಿಯುವುದು ಮಾದರಿಯ ಸರಾಸರಿ ಪಕ್ಷಪಾತ, ಚೆನ್ನಾಗಿ ಕ್ಯಾಲಿಬ್ರೇಟ್ ಮಾಡಿದ ಸ್ಕ್ಯಾನ್‌ನಲ್ಲಿ ಶೂನ್ಯಕ್ಕೆ ಸಮೀಪ, ಒಂದು ಊಟದ ಶಬ್ದವಲ್ಲ.

ಹಸ್ತಚಾಲಿತ ನಮೂದು, ಮತ್ತೊಂದೆಡೆ, ಸಂಪೂರ್ಣ ಬೇರೆ ಸ್ವಭಾವದ ಸಮಸ್ಯೆಯಿಂದ ಬಳಲುತ್ತದೆ: ಒಂದು ಸಿಸ್ಟಮ್ಯಾಟಿಕ್ ಬಯಸ್. ಜನರು ತಾವು ತಿನ್ನುವುದನ್ನು ಯಾವಾಗಲೂ ಕಡಿಮೆಯಾಗಿ ಹೇಳುತ್ತಾರೆ, ಯಾವಾಗಲೂ ಒಂದೇ ದಿಕ್ಕಿನಲ್ಲಿ, ಮತ್ತು ಬಯಸ್ ಎಂದಿಗೂ ಸರಾಸರಿಯಾಗುವುದಿಲ್ಲ.

47 %
ಕೈಯಾರೆ ಘೋಷಿಸಿದ ಕ್ಯಾಲೊರಿಗಳು ಮತ್ತು ನಿಜವಾಗಿ ಸೇವಿಸಿದ ಕ್ಯಾಲೊರಿಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸ, ಡಬಲ್-ಲೇಬಲ್ಡ್ ವಾಟರ್ ಮೂಲಕ ತೂಕ ಇಳಿಕೆ ವಿಫಲವಾದ ವ್ಯಕ್ತಿಗಳಲ್ಲಿ ಅಳೆಯಲಾಗಿದೆ (Lichtman, NEJM 1992). ಮಾನವ ಪಕ್ಷಪಾತವು ಸಮತೋಲನಗೊಳ್ಳುವುದಿಲ್ಲ, ಸ್ಕ್ಯಾನ್‌ನ ಯಾದೃಚ್ಛಿಕ ಶಬ್ದ ಮಾತ್ರ ಸಮತೋಲನಗೊಳ್ಳುತ್ತದೆ.

ಸಾರಾಂಶ: ಪ್ರಶ್ನೆ « AI ಸ್ಕ್ಯಾನ್ ಪರಿಪೂರ್ಣವೇ? » ಅಲ್ಲ, ಬದಲಾಗಿ « 90 ಊಟಗಳಲ್ಲಿ ಅತ್ಯಂತ ನಿಖರವಾದ ಡೇಟಾವನ್ನು ಯಾವ ವಿಧಾನ ಕೊಡುತ್ತದೆ? ». ಇಲ್ಲಿ, ಸ್ವಯಂಚಾಲನೆ ಗೆಲ್ಲುತ್ತದೆ, ಏಕೆಂದರೆ ಅದು ದಿಕ್ಕುಪಕ್ಷಪಾತವನ್ನು ಸಮವಾಗುವ ಶಬ್ದದಿಂದ ಬದಲಿಸುತ್ತದೆ.

08 · Expenditure

ಎಣಿಸುವುದಷ್ಟೇ ಸಾಕಾಗದು: ಸಮೀಕರಣದ ಇನ್ನೊಂದು ಅರ್ಧ ಕಾಣೆಯಾಗಿದೆ

ಪರಿಪೂರ್ಣ ಆಹಾರ ದಿನಚರಿ ತಾನೇ ಏನನ್ನೂ ಹೇಳುವುದಿಲ್ಲ. ಕೊಬ್ಬು ಕಡಿಮೆ ಮಾಡುವುದು ಎಂದರೆ ಶಕ್ತಿಯ ಸಮತೋಲನ ನೆಗೆಟಿವ್ ಆಗಿರುವುದು: ಒಳಹರಿವು, ಹೊರಹರಿವಿಗಿಂತ ಕಡಿಮೆ. ನಿಮ್ಮ expenditure ತಪ್ಪಾಗಿ ಲೆಕ್ಕ ಹಾಕಿದರೆ, ನಿಮ್ಮ ಕೊರತೆ ಕೇವಲ ಲೆಕ್ಕಪತ್ರದ ಕಲ್ಪನೆ, ಮತ್ತು ನೀವು ಕ್ಯಾಲೊರಿಗಳನ್ನು ಗ್ರಾಂ ಮಟ್ಟದಲ್ಲಿ ಎಣಿಸಿದರೂ ಎಂದಿಗೂ ಮುಂದಕ್ಕೆ ಸಾಗುವುದಿಲ್ಲ.

TDEE = BMR + NEAT + EAT + TEF
Expenditure ನ ಮಾನಕ ಸಮೀಕರಣ. BMR = ಮೂಲ ಚಯಾಪಚಯ. NEAT = ವ್ಯಾಯಾಮವಲ್ಲದ ಚಟುವಟಿಕೆ. EAT = ವರ್ಕೌಟ್ ಸೆಷನ್‌ಗಳು. TEF = ಜೀರ್ಣಕ್ರಿಯೆ.

ಸಮಸ್ಯೆ ಏನೆಂದರೆ, ಬಹುತೇಕ ಎಲ್ಲಾ ಆ್ಯಪ್‌ಗಳು Harris-Benedict (1919) ಅಥವಾ Mifflin-St Jeor (1990) ಬಳಸಿ ನಿಮ್ಮ Expenditure ಅನ್ನು ಅಂದಾಜಿಸುತ್ತವೆ, ಇವು ಒಟ್ಟು ತೂಕದ ಆಧಾರದ ಸೂತ್ರಗಳು, ನಿಮ್ಮ ದೇಹದ ಸಂಯೋಜನೆಯನ್ನು ಕಡೆಗಣಿಸುತ್ತವೆ. ಒಂದೇ ತೂಕ ಇದ್ದರೂ, 15 % ದೇಹದ ಕೊಬ್ಬು ಇರುವ ದೇಹ ಮತ್ತು 30 % ಇರುವ ದೇಹ ಒಂದೇ ರೀತಿ ಕ್ಯಾಲೊರಿ ಸುಡುವುದಿಲ್ಲ. Lean ನಾಲ್ಕು ಹಂತಗಳಲ್ಲಿ Expenditure ಅನ್ನು ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಲೆಕ್ಕ ಹಾಕುತ್ತದೆ:

ನಿಜವಾದ ದೇಹದ ಕೊಬ್ಬು. ಫೋಟೋ, 5 ಸೆಕೆಂಡುಗಳು.
ಹಂತ 1

BodyScan AI

ನೀವು ಆ್ಯಪ್‌ನಲ್ಲಿ ಒಂದು ಫೋಟೋ ತೆಗೆದುಕೊಳ್ಳುತ್ತೀರಿ. AI ನಿಮ್ಮ ಕಾಣುವ ದೇಹದ ಆಕಾರದಿಂದ ನಿಮ್ಮ ದೇಹದ ಕೊಬ್ಬನ್ನು ಅಂದಾಜಿಸಿ, ಪ್ರತಿ ವಾರ ಮತ್ತೆ ಲೆಕ್ಕ ಹಾಕುತ್ತದೆ. ಈ ಅಳತೆಯೇ ಎಲ್ಲ ಲೆಕ್ಕಾಚಾರವನ್ನು ನಿಮ್ಮ ಕೊಬ್ಬುರಹಿತ ದೇಹದ ತೂಕದ ಮೇಲೆ ಆಧಾರಿಸುತ್ತದೆ, ನಿಮ್ಮ ಒಟ್ಟು ತೂಕದ ಮೇಲೆ ಅಲ್ಲ.

ಹಂತ 2

ಪೇಟೆಂಟ್ ಪಡೆದ ಸ್ವಂತ ಮಾದರಿಯ ಮೂಲಕ BMR

Lean‌ನ ಪೇಟೆಂಟ್ ಪಡೆದ ಅಲ್ಗೋರಿದಮ್ ನಿಮ್ಮ ನಿಜವಾದ ಲೀನ್ ಮಾಸ್ ಆಧರಿಸಿ ನಿಮ್ಮ ಮೂಲ ಚಯಾಪಚಯವನ್ನು ಲೆಕ್ಕ ಹಾಕುತ್ತದೆ. Harris-Benedict 1919 ಅಥವಾ Mifflin-St Jeor 1990 ಗಿಂತ ಹೆಚ್ಚು ನಿಖರ, ಏಕೆಂದರೆ ಅವುಗಳಿಗೆ ನಿಮ್ಮ ತೂಕ ಮಾತ್ರ ಗೊತ್ತು.

ಹಂತ 3

NEAT, EAT ಮತ್ತು TEF ಅಳೆಯಲ್ಪಟ್ಟಿವೆ, ಫ್ಲಾಟ್ ದರದಲ್ಲಿ ಅಲ್ಲ

ನಿಮ್ಮ ಹೆಜ್ಜೆಗಳು NEAT ನಲ್ಲಿ ಎಣಿಸಲ್ಪಡುತ್ತವೆ, ನಿಮ್ಮ ವರ್ಕೌಟ್ ಸೆಷನ್‌ಗಳು EAT ನಲ್ಲಿ ರೆಫರೆನ್ಸ್ MET ಟೇಬಲ್‌ಗಳ ಮೂಲಕ ಸೇರಿಸಲಾಗುತ್ತವೆ, ಮತ್ತು TEF ನೀವು ನಿಜವಾಗಿ ತಿಂದಿರುವ ಮ್ಯಾಕ್ರೋಗಳ ಮೇಲೆ ಲೆಕ್ಕ ಹಾಕಲಾಗುತ್ತದೆ, ಇದಕ್ಕೆ ಕಾರಣ ನಿಮ್ಮ ಟ್ರ್ಯಾಕಿಂಗ್.

ಹಂತ 4

ಮರುಗಣನೆ ಮಾಡಿದ ಮೆಟಾಬಾಲಿಕ್ ಅಡಾಪ್ಟೇಶನ್

ದೀರ್ಘಕಾಲದ ಕ್ಯಾಲೊರಿ ಕೊರತೆಯಲ್ಲಿ, BMR ಇಳಿಯುತ್ತದೆ. Lean ಈ ಗುಣಾಂಕವನ್ನು ಮಾದರಿಗೊಳಿಸಿ, ಅದನ್ನು BMR ಗೆ ಗುಣಾಕಾರವಾಗಿ ಅನ್ವಯಿಸುವ ಮೊದಲ ಆ್ಯಪ್. ಸಂಪ್ರದಾಯ 100 % = ಅತ್ಯುತ್ತಮ, 90 % = 10 ಅಂಕಗಳ ಅಡಾಪ್ಟೇಶನ್.

ಫಲಿತಾಂಶ: ಲೈವ್ ಬ್ಯಾಲೆನ್ಸ್ ನೀವು ತಿನ್ನುವುದನ್ನು (ಈ ಮಾರ್ಗದರ್ಶಿಯ 4 ವಿಧಾನಗಳಿಂದ ಎಣಿಸಿದದ್ದು) ನೀವು ನಿಜವಾಗಿ ಖರ್ಚು ಮಾಡುವುದರೊಂದಿಗೆ ಹೋಲಿಸುತ್ತದೆ, ನಿರಂತರವಾಗಿ ಮರುಲೆಕ್ಕ ಹಾಕಲಾಗುತ್ತದೆ. ಸರಿಯಾದ ಒಳಹರಿವುಗಳು ಮತ್ತು ಸರಿಯಾದ ಹೊರಹರಿವುಗಳು, ಈ ಎರಡು ಅರ್ಧಗಳ ಸಂಯೋಜನೆಯೇ ಕೊಬ್ಬು ಕಡಿತವನ್ನು ಊಹಿಸಬಹುದಾಗಿಸುತ್ತದೆ. ಒಂದಿಲ್ಲದೆ ಇನ್ನೊಂದು ಇದ್ದರೆ, ಅದು ಶೂನ್ಯದಲ್ಲಿ ಲೆಕ್ಕಪತ್ರ ಮಾತ್ರ.

App Store ನಲ್ಲಿ ಡೌನ್‌ಲೋಡ್ ಮಾಡಿ Google Play ನಲ್ಲಿ ಲಭ್ಯ ಉಚಿತ ಡೌನ್‌ಲೋಡ್
09 · FAQ

ಕ್ಯಾಲೊರಿ ಎಣಿಕೆ ಬಗ್ಗೆ ಸಾಮಾನ್ಯ ಪ್ರಶ್ನೆಗಳು

ತೂಕ ಕಡಿಮೆ ಮಾಡಲು ದಿನಕ್ಕೆ ಎಷ್ಟು ಕ್ಯಾಲೊರಿ ಬೇಕು?
ಒಂದು ವಿಶ್ವವ್ಯಾಪಿ ಸಂಖ್ಯೆ ಇಲ್ಲ: ಎಲ್ಲವೂ ನಿಮ್ಮ ಒಟ್ಟು Expenditure (TDEE) ಮೇಲೆ ಅವಲಂಬಿತ, ಅದು ನಿಮ್ಮ BMR, ದಿನನಿತ್ಯದ ಚಟುವಟಿಕೆ, ನಿಮ್ಮ ವರ್ಕೌಟ್ ಮತ್ತು ದೇಹದ ಸಂಯೋಜನೆಗೆ ಅನುಗುಣವಾಗಿ ಬದಲಾಗುತ್ತದೆ. ನಂಬಬಹುದಾದ ನಿಯಮ: ನಿಮ್ಮ ನಿಜವಾದ TDEE ಗಿಂತ 300 ರಿಂದ 500 kcal ಕಡಿಮೆ ಕ್ಯಾಲೊರಿ ಕೊರತೆ, ಎಂದಿಗೂ ಎಲ್ಲಿಂದಲೋ ತೆಗೆದ « 1 500 kcal » ತರಹದ ಸಾಮಾನ್ಯ ಸಂಖ್ಯೆ ಅಲ್ಲ. ನೀವು ನಿಮ್ಮದನ್ನು TDEE ಕ್ಯಾಲ್ಕುಲೇಟರ್‌ನೊಂದಿಗೆ ಅಂದಾಜಿಸಬಹುದು. ಕ್ಯಾಲೊರಿ ಕೊರತೆ ಕ್ಯಾಲ್ಕುಲೇಟರ್.
AI ಫೋಟೋ ಸ್ಕ್ಯಾನ್ ಕ್ಯಾಲೊರಿ ಎಣಿಸಲು ನಂಬಬಹುದೇ?
ಹೌದು, ನೀವು ಏನು ಅಳೆಯುತ್ತಿದ್ದೀರಿ ಎಂಬುದು ಅರ್ಥವಾಗಿದ್ದರೆ. ಸಾಮಾನ್ಯ ಊಟಗಳಲ್ಲಿ, ಸಾಮಾನ್ಯ ದೋಷ ಪ್ರತಿ ಊಟಕ್ಕೆ ಸುಮಾರು ±10 % ಇರುತ್ತದೆ, ಮತ್ತು ಆಹಾರಕ್ಕೊಂದು ಗುರುತಿಸುವಿಕೆಯನ್ನು ನೀವು ಸರಿಪಡಿಸಬಹುದು (ಪ್ರಮಾಣಗಳು, ಮ್ಯಾಕ್ರೋಗಳು, ಮರು-ಸ್ಕ್ಯಾನ್). ಒಂದು ತಿಂಗಳಲ್ಲಿ, ಸುಮಾರು 90 ಊಟಗಳ ಮೇಲೆ, ಯಾದೃಚ್ಛಿಕ ದೋಷಗಳು ದೊಡ್ಡ ಸಂಖ್ಯೆಗಳ ನಿಯಮದಿಂದ ಪರಸ್ಪರ ಸಮತೋಲನಗೊಳ್ಳುತ್ತವೆ: ಮುಖ್ಯವಾದುದು ಸರಾಸರಿ ಪಕ್ಷಪಾತ, ಒಂದೇ ಊಟದ ವ್ಯತ್ಯಾಸವಲ್ಲ.
ಕ್ಯಾಲೊರಿ ಎಣಿಸಲು ಆಹಾರವನ್ನು ತೂಗಬೇಕೇ?
ಪ್ರತಿ ಶೇಕಡಾವಾರು ಕೂಡ ಮುಖ್ಯವಾಗಿರುವ ಹಂತದಲ್ಲಿದ್ದರೆ ಮಾತ್ರ: ಕಟ್ಟುನಿಟ್ಟಾದ ಕಟ್, ಮುಂದುವರಿದ ರಿಕಂಪ್, ತೂಕ ವರ್ಗದ ಕ್ರೀಡೆ. ಬಹುತೇಕ ಜನರಿಗೆ, AI ಫೋಟೋ ಸ್ಕ್ಯಾನ್ ಮತ್ತು ಬಾರ್‌ಕೋಡ್ ಸಾಕಷ್ಟೇ. 6 ತಿಂಗಳ ಕಾಲ ನಿರಂತರವಾಗಿ ಬಳಸುವುದು, ನೀವು ನಂತರ ಬಿಟ್ಟುಬಿಡುವ ತೂಕಮಾಪನದ ಸೈದ್ಧಾಂತಿಕ ನಿಖರತೆಯಿಗಿಂತ ಅಂತಿಮ ಫಲಿತಾಂಶಕ್ಕೆ ಬಹಳ ಹೆಚ್ಚು ಪ್ರಭಾವ ಬೀರುತ್ತದೆ.
ಪ್ರತಿ ದಿನ ಕ್ಯಾಲೊರಿ ಎಣಿಸಬೇಕೇ?
ಫಲಿತಾಂಶವನ್ನು ನಿಯಂತ್ರಿಸುವುದು ವಾರದ ಸರಾಸರಿ, ದಿನನಿತ್ಯದ ಪರಿಪೂರ್ಣತೆ ಅಲ್ಲ. ಕೆಲಸದ ದಿನಗಳಲ್ಲಿ, 10 ಸೆಕೆಂಡುಗಳ ತ್ವರಿತ ಸೇರಿಸುವಿಕೆ ಡೇಟಾ ಖಾಲಿತನಕ್ಕಿಂತ ಅನಂತವಾಗಿ ಉತ್ತಮ. ಒಂದು ಊಟ ಅಂದಾಜಾಗಿ ಇದ್ದರೂ ಏನೂ ಹಾಳಾಗುವುದಿಲ್ಲ; ಒಂದು ವಾರ ಯಾವುದೇ ಡೇಟಾ ಇಲ್ಲದಿದ್ದರೆ ಹಾಳಾಗುತ್ತದೆ, ಏಕೆಂದರೆ ಅದು ಪ್ರವೃತ್ತಿಯನ್ನು ಮುಚ್ಚಿಡುತ್ತದೆ.
ನಾನು ಕ್ಯಾಲೊರಿ ಎಣಿಸುತ್ತಿದ್ದರೂ ತೂಕ ಏಕೆ ಇಳಿಯುತ್ತಿಲ್ಲ?
ಎರಡು ಕಾರಣಗಳು ಮುಖ್ಯ. ಒಂದು, ಕಡಿಮೆ ವರದಿ ಮಾಡುವುದು: ಕೈಯಿಂದ ದಾಖಲಿಸಿದ ಕ್ಯಾಲೊರಿಗಳು ಮತ್ತು ನಿಜವಾಗಿ ಸೇವಿಸಿದ ಕ್ಯಾಲೊರಿಗಳ ನಡುವೆ 47 % ವರೆಗೆ ಅಳೆಯಲಾದ ವ್ಯತ್ಯಾಸ (Lichtman, 1992) ; AI ಸ್ಕ್ಯಾನ್ ನಿಮ್ಮ ನೆನಪಿನ ಬದಲು ತಟ್ಟೆಯನ್ನು ಅಳೆಯುವ ಮೂಲಕ ಈ ಪಕ್ಷಪಾತವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ. ಎರಡು, ಖರ್ಚನ್ನು ಹೆಚ್ಚಾಗಿ ಅಂದಾಜಿಸುವುದು: ಬಹುತೇಕ ಆ್ಯಪ್‌ಗಳು ನಿಮ್ಮ TDEE ಅನ್ನು ಒಟ್ಟು ತೂಕದ ಸೂತ್ರಗಳಿಂದ ಲೆಕ್ಕಿಸುತ್ತವೆ, ಅವು ನಿಮ್ಮ ದೇಹದ ಕೊಬ್ಬು ಮತ್ತು ಮೆಟಾಬಾಲಿಕ್ ಅಡಾಪ್ಟೇಶನ್ ಅನ್ನು ಕಡೆಗಣಿಸುತ್ತವೆ. ಔಟ್‌ಪುಟ್‌ಗಳು ತಪ್ಪಾಗಿದ್ದರೆ, ತೋರಿಸಲಾದ ಕೊರತೆ ಅಸ್ತಿತ್ವದಲ್ಲೇ ಇರುವುದಿಲ್ಲ.
ಕ್ಯಾಲೊರಿ ಎಣಿಸುವುದು ಒಬ್ಸೆಸಿವ್ ಆಗಿಸುತ್ತದೆಯೇ?
ಗುರಿ ನಿಖರವಾಗಿ ಇದಕ್ಕೆ ವಿರುದ್ಧ: ಪ್ರತಿ ಊಟಕ್ಕೆ ಕೆಲವೇ ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಟ್ರ್ಯಾಕ್ ಆಗುವಂತೆ ಮಾಡುವುದು, ಇದರಿಂದ ಅದು ಮಾನಸಿಕವಾಗಿ ಜಾಗ ತೆಗೆದುಕೊಳ್ಳುವುದೇ ಇಲ್ಲ, ಆದರೆ ಕೈಯಿಂದ ಮಾಡುವ ಲೆಕ್ಕಾಚಾರ ಮಾತ್ರ ಅತಿಯಾಗಿ ತಲೆಕೆಡಿಸಬಹುದು. ಕೆಲವು ತಿಂಗಳುಗಳ ಟ್ರ್ಯಾಕಿಂಗ್ ನಿಮ್ಮ ಕಣ್ಣುಗಳಿಗೆ ಪೋರ್ಟಿಯನ್‌ಗಳನ್ನು ಗುರುತಿಸಲು ಕಲಿಸುತ್ತದೆ, ನಂತರ ನೀವು ಅದನ್ನು ಹಗುರಗೊಳಿಸಬಹುದು, ಅಥವಾ ತ್ವರಿತ ಸೇರಿಸುವಿಕೆಗೆ ಹೋಗಬಹುದು. ಆಹಾರ ಸಂಬಂಧಿತ ವರ್ತನಾ ಅಸ್ವಸ್ಥತೆ ನಿರ್ಣಯವಾಗಿದ್ದರೆ, ಟ್ರ್ಯಾಕ್ ಮಾಡುವ ಮೊದಲು ಆರೋಗ್ಯ ವೃತ್ತಿಪರರೊಂದಿಗೆ ಮಾತನಾಡಿ.
ಕ್ಯಾಲೊರಿ ಎಣಿಸಲು Lean ಮತ್ತು MyFitnessPal ನಡುವೆ ಏನು ವ್ಯತ್ಯಾಸ?
MyFitnessPal ದೊಡ್ಡ ಸಹಕಾರಿ ಡೇಟಾಬೇಸ್ ಮೇಲೆ ನಿಂತಿದೆ, ಆದರೆ ಮುಖ್ಯವಾಗಿ ಕೈಯಾರೆ ನಮೂದಿಸುವ ವಿಧಾನ, ಮತ್ತು ಒಟ್ಟು TDEE ಅನ್ನು ಒಟ್ಟು ತೂಕದ ಆಧಾರದಲ್ಲಿ ಅಂದಾಜಿಸುತ್ತದೆ. Lean ಪ್ರತಿ ತಿನಿಸನ್ನು AI ಸ್ಕ್ಯಾನ್ ಮೂಲಕ ಪದಾರ್ಥಗಳಾಗಿ ವಿಭಜಿಸುತ್ತದೆ, ಮತ್ತು ಮುಖ್ಯವಾಗಿ BodyScan ಮೂಲಕ ಅಳೆಯಲಾದ ನಿಮ್ಮ ನಿಜವಾದ ದೇಹದ ಕೊಬ್ಬಿನ ಆಧಾರದಲ್ಲಿ ನಿಮ್ಮ ಖರ್ಚನ್ನು ಲೆಕ್ಕಿಸುತ್ತದೆ, ಜೊತೆಗೆ ಮೆಟಾಬಾಲಿಕ್ ಅಡಾಪ್ಟೇಶನ್‌ನೊಂದಿಗೆ. ಒಳಹಾಕುವ ಸಂಖ್ಯೆಗಳನ್ನೇ ಎಣಿಸುವುದು, ಹೊರಹಾಕುವ ಸಂಖ್ಯೆಗಳು ಸರಿಯಾಗಿದ್ದಾಗ ಮಾತ್ರ ಅರ್ಥವಿದೆ. ಆ್ಯಪ್‌ಗಳ ವಿವರವಾದ ಹೋಲಿಕೆ ನಮ್ಮ ಅತ್ಯುತ್ತಮ ಕ್ಯಾಲೊರಿ ಆ್ಯಪ್‌ಗಳ ಹೋಲಿಕೆಯಲ್ಲಿ.
ಮೂಲಗಳು

ಉಲ್ಲೇಖಗಳು

  1. Burke L.E., Wang J., Sevick M.A. (2011). Self-monitoring in weight loss: a systematic review of the literature. J Am Diet Assoc. PubMed 21185970.
  2. Alexander E., Tseng E., Durkin N. et al. (2018). Factors associated with early dropout in an employer-based commercial weight-loss program. Obes Sci Pract. PMC6298204.
  3. Lichtman S.W. et al. (1992). Discrepancy between self-reported and actual caloric intake and exercise in obese subjects. N Engl J Med. PubMed 1454084.
  4. Martin C.K. et al. (2009). A novel method to remotely measure food intake of free-living individuals in real time: the remote food photography method. Br J Nutr. PubMed 18616837.
  5. USDA FoodData Central. ಉಲ್ಲೇಖದ ಪೌಷ್ಟಿಕ ಡೇಟಾಬೇಸ್. fdc.nal.usda.gov.
  6. Open Food Facts. ಪ್ಯಾಕ್ ಮಾಡಿದ ಆಹಾರ ಉತ್ಪನ್ನಗಳ ಜಾಗತಿಕ ಸಹಕಾರಿ ಡೇಟಾಬೇಸ್. world.openfoodfacts.org.
  7. Hall K.D. et al. (2011). Quantification of the effect of energy imbalance on bodyweight. Lancet. PubMed 21872751.
  8. Mifflin M.D. et al. (1990). A new predictive equation for resting energy expenditure in healthy individuals. Am J Clin Nutr. PubMed 2305711.
  9. Harris J.A., Benedict F.G. (1919). A Biometric Study of Basal Metabolism in Man. Carnegie Institution of Washington.
  10. Ainsworth B.E. et al. (2011). Compendium of Physical Activities: a second update of codes and MET values. Med Sci Sports Exerc. PubMed 21681120.