Kā skaitīt kalorijas, netērējot tam pusi dzīves. Salīdzinātas 4 metodes, to reālā precizitāte un tā, kuru tu vēl izmantosi arī pēc 6 mēnešiem.
Foto AI skenēšana, svītrkods, datubāze, ātrā pievienošana: ko katra metode patiesībā dod, kāpēc 80 % cilvēku pamet to 3 mēnešu laikā un kā izvēlēties savam profilam.
Lean komanda · Lasīšanas laiks 11 min · Atjaunināts 2026. gada 11. jūnijā
Bezmaksas lejupielāde
Ir četras metodes, kā skaitīt kalorijas: AI foto skenēšana (tu nofotografē savu šķīvi, AI atpazīst katru ēdienu un tā daudzumu), svītrkoda skenēšana (fasēti produkti, ražotāja dati), datu bāze (meklēšana + svēršana, visprecīzākais režīms) un ātrā pievienošana (kopējs aptuvens ieraksts 10 sekundēs). Pareizā metode ir tā, kuru tu spēsi ievērot 6 mēnešus, nevis tā, kas uz papīra ir visprecīzākā. Un uzņemtā uzskaite ir noderīga tikai tad, ja tavs patēriņš, TDEETotal Daily Energy Expenditure: tavs kopējais kaloriju patēriņš 24 h laikā. TDEE = BMR + NEAT + EAT + TEF., ir aprēķināts pareizi.
Kāpēc 80 % cilvēku pārtrauc skaitīt 3 mēnešu laikā
Kaloriju skaitīšana darbojas. Tas nav jautājums. Jautājums ir tas, ka gandrīz neviens to neievēro līdz galam: svara zaudēšanas programmu pētījumi rāda masveida dalībnieku atbirumu jau pirmajās nedēļās, vēl pirms pirmā redzamā rezultāta uz svariem.
Berze, konkrēti: meklēt “vistas krūtiņa” sarakstā, izvēlēties pareizo ierakstu starp 40 dublikātiem, ar aci novērtēt 150 g, sākt no jauna ar pupiņām, tad ar olīveļļu. Trīs reizes dienā. 90 reizes mēnesī. Tieši šī uzskaite nogalina tracking, nevis pati ideja par tracking.
Praktisks secinājums: tavas ievades metodes izvēle nav sīkums par lietojamību. Tā ir TĀ mainīgā, kas nosaka, vai tavi dati vēl pastāvēs pēc 3 mēnešiem. Lūk, 4 metodes, sakārtotas no ātrākās līdz visprasīgākajai.
Foto AI skenēšana: 5 sekundes uz maltīti
Tu nofotografē savu šķīvi. Lean AI veic dubultu atpazīšanu: vispirms tas atpazīst katru ēdienu uz šķīvja (grilēta vista, zaļās pupiņas), pēc tam novērtē katra daudzumu. Rezultāts nav no zila gaisa izvilkts kopējs skaitlis: tas ir sadalījums pa produktiem, ar kalorijām un makroelementiem katrai pozīcijai.
Attēlos, soli pa solim, ar īstu maltīti:
Parastos ēdienos tipiskā kļūda ir apmēram ±10 % uz vienu maltīti. Tas ir mazāk precīzi nekā svari, un pilnīgi pietiekami, lai vadītu tauku zudumu (pie tā vēl atgriezīsimies ar lielo skaitļu likumu zemāk). Un pats galvenais, tā ir vienīgā metode, kas aptver maltītes bez etiķetes: mājās, restorānā, ēdnīcā.
Kur Lean iet tālāk: tu saglabā kontroli
MI skenējums ir noderīgs tikai tad, ja vari labot to, ko tas piedāvā. Lean dod tev trīs sviras katram produktam:
Mainīt daudzumus
Viens slīdnis katram produktam: te maize, ko MI bija novērtējis uz 101,4 g, tiek labota uz 70 g. Kalorijas un ēdiena kopējais apjoms pārrēķinās uzreiz.
Mainīt makro
Tu savu recepti zini labāk nekā vidējo? Te čipsi: MI piedāvā 4,1 g tauku, tu labo uz 14 g. Donuts un kopējais apjoms seko.
Pārskenēt vienu produktu
MI sajauca tītaru ar sieru? Tu ieraksti pareizo nosaukumu, un rinda tiek pāranalizēta pati, bez visa ēdiena pārrēķināšanas.
Tests pret Cal AI: sadalījums pret kopējo aploksni
Tā pati fotogrāfija, divas lietotnes. Atšķirība ir acīmredzama:
Tā ir būtiskā atšķirība no vairuma skenēšanas lietotņu, tostarp Cal AI: tās atgriež kopēju aptuvenu novērtējumu visam ēdienam, kopējo kaloriju un makroelementu summu bez rediģējama sadalījuma pa produktiem. Ja novērtējums ir kļūdains, tev tas vai nu jāpieņem, vai jāatmet. Ja ir sadalījums pa produktiem, kļūdu var izlabot ar diviem pieskārieniem.
Piemērotākais lietojums: mājās gatavoti ēdieni, restorāns, ēdnīca, visas maltītes bez svītrkoda. Noklusējuma metode 90 % maltīšu.
Svītrkoda skenēšana: etiķetes precizitāte
Visam, kas nāk no iepakojuma, svītrkods ir nepārspējams: uzturvērtības dati nāk tieši no ražotāja informācijas. Lean balstās uz USDA un OpenFoodFacts datubāzēm, tas ir, miljoniem ierakstu. Tu noskenē, pielāgo daudzumu, un viss.
Ierobežojums ir acīmredzams: tavai mājās gatavotai makaronu porcijai nav svītrkoda. Tāpēc šī metode dabiski papildina MI foto skenējumu, nevis to aizstāj.
Piemērotākais lietojums: iepirkumi, uzkodas, pārstrādāti produkti, šeiki. Maksimāla precizitāte rūpnieciski ražotiem produktiem, bez piepūles.
Datubāze + svari: precizitātes režīms
Vēsturiskā metode: tu nosver produktu, atrodi to datubāzē, ievadi gramus. Ar virtuves svariem tā ir visprecīzākā metode, kāda pastāv, tā, ko izmanto sacensību sagatavošanā un klīniskajos protokolos.
Panelis «Atlikums / Ietekme» tev parāda vēl pirms apstiprināšanas, ko produkts maina tavos dienas budžetos: kalorijas, olbaltumvielas, ogļhidrātus, taukus, šķiedrvielas. Tu pieņem lēmumu, zinot visus faktus, nevis pēc tam.
Lean samazina berzi līdz minimumam: biežāko produktu vēsture, meklēšana USDA + OpenFoodFacts datubāzēs, pievienošana no saraksta divos pieskārienos. Bet būsim godīgi par reālajām izmaksām: 2 līdz 3 minūtes uz vienu maltīti un disciplīna svērt. Tieši šī berze izraisa 80 % atteikšanos no klasiskās metodes.
Piemērotākais lietojums: stingra žāvēšanās, progresīva ķermeņa rekompozīcija, sporta veidi ar svara kategorijām. Un tavi 5 līdz 10 ikdienā atkārtojošies produkti, kurus vēsture padara gandrīz tūlītēji ievadāmus.
Ātrā pievienošana: aploksne, kas izglābj dienu
Dzimšanas dienas bufete, pārslogota diena, maltīte stāvus starp divām sapulcēm: dažas maltītes nekad netiks precīzi izsekotas. Ātrā pievienošana ļauj ievadīt kopējo aploksni, aptuvenas kalorijas un makro, 10 sekundēs. Mazāk precīzi, bet bezgalīgi labāk nekā datu caurums.
Dzīvā kaloriju bilance izdara pārējo: ekrānuzņēmumā 2 143 kcal mērķis, 1 000 patērētas, 1 143 atlikušas, pārrēķinātas nepārtraukti visas dienas garumā. Aptuvena, bet izsekota diena ir labāka nekā perfekta, bet pamesta diena: rezultātu nosaka nedēļas vidējais, nevis vienas atsevišķas dienas tīrība.
Piemērotākais lietojums: aizņemtas dienas, sociālas maltītes, rezerves variants, lai nepamestu iesākto. Metode, kas neļauj nonākt līdz domai: «vienu maltīti izlaidu, nu tad visa nedēļa vējā».
Bezmaksas lejupielāde
Kura metode kuram profilam
Vispirms 4 metožu salīdzinājums pēc 4 svarīgākajiem kritērijiem: ērtums uz vienu maltīti, pieejamība (vai tā darbojas visur un vienmēr), noturība ilgtermiņā un precizitāte.
MI foto skenējums
Viena fotogrāfija, 5 sekundes
Svītrkods
Precīzā etiķete
Datubāze + svari
Precizitātes režīms
Ātrā pievienošana
Rezerves aploksne
++ izcili + labi − vājā vieta. “Ilgtermiņš” = varbūtība, ka tu šo metodi vēl izmantosi pēc 6 mēnešiem.
Salīdzinājuma secinājums: neviena metode neuzvar visur. AI skenēšana dominē noturībā, datubāze + svari precizitātē, bet ātrā pievienošana pastāv tikai, lai aizpildītu robus. Tāpēc ir profili: 4 metodes viena otru neizslēdz, pareizā stratēģija ir kombinācija, pielāgota tavām attiecīgā brīža prasībām un grafikam. Trīs profili aptver gandrīz visus gadījumus.
Bez berzes, mācies darot
AI foto skenēšana visur, svītrkods uz iepakotā, nekādas svēršanas. Vienīgais mērķis: noturēties 3 mēnešus un iemācīt acij uztvert porcijas. Precizitāte nāks vēlāk, vispirms ieradums.
Katrs procents ir svarīgs
Svari + datubāze mājās gatavotām maltītēm, svītrkods iepakotiem produktiem, AI skenēšana restorānā. Īsām fāzēm, kur precizitāte tiešām atmaksājas: žāvēšanas beigas, oficiāla svēršanās.
Uzticami dati, par to nedomājot
Svītrkods un AI skenēšana ikdienā, ātrā pievienošana kā rezerves variants neiespējamās dienās. Tu savas porcijas jau zini, tev vienkārši vajag, lai dati eksistē.
Izšķirošais noteikums, derīgs visiem: ja šaubies, izvēlies vieglāko metodi, kuru esi drošs, ka spēsi ievērot. Perfekti dati, kurus pārstāj ievadīt pēc 3 nedēļām, ir nulle vērti.
±10 % kļūda, kas pazūd mēneša laikā
Klasiskais iebildums pret AI skenēšanu: «±10 % kļūda ir par daudz». Tā ir domāšana par vienu atsevišķu maltīti. Bet tu neseko vienai maltītei: tu seko apmēram 90 mēnesī.
Rozā: pārvērtētas maltītes. Zaļš: novērtētas par zemu. Melnā līnija: tavs faktiskais patēriņš. Mēneša laikā starpības izlīdzinās.
Tas ir lielo skaitļu likums (Kolmogorovs): neatkarīgas nejaušas kļūdas kompensējas, kad novērojumu skaits pieaug. Pirmdienas +12 % atceļ otrdienas trūkstošos 8 %. Tas, kas paliek mēneša griezumā, ir modeļa vidējā nobīde, kas labi kalibrētā skenēšanā ir tuvu nullei, nevis vienas maltītes troksnis.
Savukārt manuālajai ievadei ir pavisam cita rakstura problēma, sistemātiska kļūda. Cilvēki vienmēr uzrāda mazāk, nekā patiesībā apēd, un sistemātiska kļūda nekad neizlīdzinās.
Morāle: jautājums nav «vai AI skenēšana ir perfekta?», bet gan «kura metode 90 maltītēs rada visprecīzākos datus?». Un te automatizācija uzvar, jo tā aizstāj virziena nobīdi ar troksni, kas pats sevi dzēš.
Skaitīšana nav pietiekama: trūkst otras vienādojuma puses
Perfekta uztura dienasgrāmata pati par sevi neko nepasaka. Tauku zaudēšana ir negatīva enerģijas bilance: uzņemtais ir mazāks par patērēto. Ja tavs patēriņš ir nepareizi aprēķināts, tavs deficīts ir grāmatvediska fikcija, un tu vari skaitīt kalorijas līdz gramam, bet tā arī nekad nevirzīties uz priekšu.
Problēma: gandrīz visas lietotnes tavu patēriņu novērtē ar Harris-Benedict (1919) vai Mifflin-St Jeor (1990), bruto svara formulām, kas ignorē ķermeņa kompozīciju. Pie vienāda svara ķermenis ar 15 % bodyfat un ķermenis ar 30 % nemaz nesadedzina vienādi. Lean patēriņu aprēķina citādi, četros soļos:
BodyScan MI
Tu uzņem foto lietotnē. AI pēc redzamās ķermeņa uzbūves novērtē tavu bodyfat, un to atkārto katru nedēļu. Tieši šis mērījums balsta visu aprēķinu uz tavu lieso masu, nevis bruto svaru.
BMR, izmantojot patentētu īpašumtiesību modeli
Lean patentētais algoritms aprēķina tavu bazālo vielmaiņas ātrumu no tavas faktiskās liesās masas. Precīzāk nekā Harris-Benedict 1919 vai Mifflin-St Jeor 1990, kas zina tikai tavu svaru.
NEAT, EAT un TEF mērīti, nevis fiksēti pēc standarta
Tavi soļi tiek ieskaitīti NEAT, tavi treniņi - EAT, izmantojot atsauces MET tabulas, un TEF tiek aprēķināts no makro, ko tu patiešām esi apēdis, tieši pateicoties tavai uzskaitei.
Pārrēķināta metabolisma adaptācija
Ilgstoša deficīta laikā BMR samazinās. Lean ir pirmā lietotne, kas šo koeficientu modelē un piemēro to BMR multiplicatīvi. Konvencija: 100 % = optimāli, 90 % = 10 punktu adaptācija.
Rezultāts: tiešsaistes bilance salīdzina to, ko tu apēd (saskaitīts ar 4 šī ceļveža metodēm), ar to, ko tu patiešām patērē, nepārtraukti pārrēķinātu. Tieši abu pušu kombinācija, precīzs uzņemtais un precīzs patēriņš, padara tauku zudumu prognozējamu. Viena bez otras ir grāmatvedība tukšumā.
Bezmaksas lejupielāde
Biežāk uzdotie jautājumi par kaloriju skaitīšanu
Cik kaloriju dienā, lai zaudētu svaru?
Vai AI foto skenēšana ir uzticama kaloriju skaitīšanai?
Vai kaloriju skaitīšanai ir jāsver produkti?
Vai kalorijas jāsaskaita katru dienu?
Kāpēc es nezaudēju svaru, lai gan skaitu kalorijas?
Vai kaloriju skaitīšana padara tevi apsēstu?
Kāda ir atšķirība starp Lean un MyFitnessPal, skaitot kalorijas?
Bibliogrāfija
- 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.
- 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.
- 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.
- 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.
- USDA FoodData Central. Atsauces uzturvērtības datubāze. fdc.nal.usda.gov.
- Open Food Facts. Pasaules mēroga sadarbībā veidota iepakotu pārtikas produktu datubāze. world.openfoodfacts.org.
- Hall K.D. et al. (2011). Quantification of the effect of energy imbalance on bodyweight. Lancet. PubMed 21872751.
- Mifflin M.D. et al. (1990). A new predictive equation for resting energy expenditure in healthy individuals. Am J Clin Nutr. PubMed 2305711.
- Harris J.A., Benedict F.G. (1919). A Biometric Study of Basal Metabolism in Man. Carnegie Institution of Washington.
- Ainsworth B.E. et al. (2011). Compendium of Physical Activities: a second update of codes and MET values. Med Sci Sports Exerc. PubMed 21681120.