मुख्यपृष्ठ  /  कॅलरी कशा मोजायच्या
मार्गदर्शक · कॅलरी ट्रॅकिंग

तुमचे आयुष्य त्यात घालवू न देता कॅलरी कशा मोजायच्या. 4 पद्धतींची तुलना, त्यांची खरी अचूकता, आणि 6 महिन्यांनंतरही तुम्ही जी पद्धत वापरत राहाल ती.

फोटोवरून AI स्कॅन, बारकोड, डेटाबेस, झटपट जोडणे, प्रत्येक पद्धत खरंच किती उपयोगी आहे, 80% लोक 3 महिन्यांत का सोडतात, आणि तुमच्या प्रोफाइलनुसार कसं निवडायचं.

Lean टीम · वाचन 11 मिनिटे · 11 जून 2026 रोजी अद्ययावत
App Store वर डाउनलोड करा Google Play वर उपलब्ध मोफत डाउनलोड
अन्नाचा जर्नल ठेवणे हे वैज्ञानिक साहित्यामध्ये यशस्वी वजन कमी होण्याशी सर्वात सातत्याने जोडलेले वर्तन आहे (Burke, 2011). समस्या कधीच परिणामकारकतेची नव्हती, ती होती सातत्याची: अन्नानुसार हाताने नोंद करणे सगळ्यांनाच थकवते, आणि जवळपास 80% लोक 3 महिन्यांपेक्षा कमी वेळात सोडून देतात. हा मार्गदर्शक कॅलरी मोजण्याच्या 4 पद्धतींची तुलना करतो, सर्वात जलद (फोटोवरून AI स्कॅन, 5 सेकंद) ते सर्वात अचूक (डेटाबेस + वजनकाटा), आणि तुमच्या प्रोफाइलनुसार कोणती निवडायची ते सांगतो.
जलद उत्तर

कॅलरी मोजण्याच्या चार पद्धती: फोटो AI स्कॅन (तुम्ही तुमच्या ताटाचा फोटो काढता, AI प्रत्येक अन्नपदार्थ आणि त्याचे प्रमाण ओळखते), बारकोड स्कॅन (पॅक केलेली उत्पादने, उत्पादकाचा डेटा), डेटाबेस (शोध + वजन, सर्वात अचूक पद्धत) आणि जलद जोड (10 सेकंदांत एक एकूण अंदाज). जी पद्धत तुम्ही 6 महिने टिकवू शकाल, तीच योग्य, कागदावर सर्वात अचूक असलेली नाही. आणि तुमचे सेवन मोजणे तेव्हाच उपयोगी, जेव्हा तुमचा खर्च, TDEETotal Daily Energy Expenditure: 24 तासांतील तुमचा एकूण कॅलरी खर्च. TDEE = BMR + NEAT + EAT + TEF., अचूक मोजलेला असेल.

01 · निरीक्षण

80% लोक 3 महिन्यांत कॅलरी मोजणे का सोडतात

कॅलरी मोजणं काम करतं. मुद्दा तो नाही. मुद्दा हा आहे की जवळपास कोणीच ते सातत्याने करत नाही: वजन कमी करण्याच्या कार्यक्रमांवरील अभ्यासांमध्ये पहिल्या काही आठवड्यांतच मोठ्या प्रमाणात लोक सोडून देतात, वजनकाट्यावर पहिला दिसणारा निकाल येण्याआधीच.

80 %
वजन कमी करण्याच्या कार्यक्रमात नोंदणी केलेल्यांपैकी 3 पहिल्या महिन्यांत सोडून देतात (Alexander et al., 2018). मुख्य कारण, ट्रॅकिंगमधला अडथळा, इच्छाशक्तीचा अभाव नाही.

अडचण प्रत्यक्षात अशी आहे: यादीत « चिकन ब्रेस्ट » शोधणे, 40 डुप्लिकेट्समधून योग्य नोंद निवडणे, 150 g अंदाजे डोळ्याने मोजणे, शेंगांसाठी पुन्हा तेच करणे, मग ऑलिव्ह तेलासाठी. दिवसातून तीन वेळा. महिन्यातून 90 वेळा. ट्रॅकिंग मारणारे हे हिशोब आहे, ट्रॅक करण्याची कल्पना नाही.

व्यावहारिक निष्कर्ष: तुमची नोंद करण्याची पद्धत निवडणे हा केवळ वापर-सुलभतेचा तपशील नाही. हाच तो घटक आहे, जो ठरवतो की 3 महिन्यांनी तुमचा डेटा अजूनही असेल की नाही. इथे 4 पद्धती आहेत, सर्वात जलद ते सर्वात कष्टाची अशा क्रमाने.

02 · पद्धत 1

AI फोटो स्कॅन: प्रत्येक जेवणासाठी 5 सेकंद

तुम्ही तुमच्या ताटाचा फोटो काढता. Lean चे AI दुहेरी ओळख करते: आधी ते ताटात असलेला प्रत्येक पदार्थ ओळखते (ग्रिल्ड चिकन, हिरव्या शेंगा), मग ते प्रत्येकाचे प्रमाण अंदाजते. निकाल कुठूनतरी काढलेला एक एकूण आकडा नसतो: तो पदार्थानुसार विभागलेला असतो, आणि प्रत्येक ओळीसाठी कॅलरी आणि मॅक्रोज असतात.

खऱ्या परिस्थितीत AI स्कॅन: फोटो, विश्लेषण, निकाल.

प्रतिमांमध्ये, टप्प्याटप्प्याने, एका खऱ्या जेवणावर:

Lean मधील AI स्कॅन: पदार्थाचा फोटो घेतला, तपशील फील्ड ऐच्छिक, कीबोर्डने भरायचे
तुम्ही फ्रेममध्ये आणता. हवे असल्यास, टाइप करून एक छोटा तपशील द्या.
Lean मधील AI विश्लेषण सुरू आहे: पदार्थाच्या फोटोवर प्रक्रिया केली जात आहे
AI ताटाचे विश्लेषण करते.
AI स्कॅनचा निकाल: प्रत्येक अन्नपदार्थ कॅलरी आणि मॅक्रोन्यूट्रिएंट्ससह मोजला गेला
प्रत्येक अन्नपदार्थ ट्रॅक केला जातो.

सामान्य पदार्थांमध्ये, नेहमीची चूक प्रति जेवण सुमारे ±10 % असते. हे किचन स्केलपेक्षा कमी अचूक आहे, आणि चरबी कमी करण्यासाठी मार्गदर्शन करण्याइतके पुरेसे आहे (मोठ्या संख्यांचा नियम खाली पुन्हा पाहू). सर्वात महत्त्वाचे म्हणजे, लेबल नसलेल्या जेवणांसाठी हीच एकमेव पद्धत आहे: घरचे, रेस्टॉरंट, कॅन्टीन.

Lean इथे आणखी पुढे जाते: तुम्ही नियंत्रण तुमच्याकडे ठेवता

AI स्कॅन तेव्हाच उपयोगी ठरतो, जेव्हा तुम्ही त्याने सुचवलेले दुरुस्त करू शकता. Lean तुम्हाला प्रत्येक अन्नपदार्थासाठी 3 पर्याय देते:

लीव्हर 1

प्रमाण बदलणे

प्रत्येक अन्नपदार्थासाठी एक स्लायडर: इथे, AI ने ब्रेडचे 101,4 ग्रॅम अंदाजले, ते 70 ग्रॅमवर दुरुस्त केले. कॅलरी आणि पदार्थाचे एकूण मूल्य लगेच पुन्हा मोजले जाते.

Lean मधील स्कॅन केलेले जेवण, दुरुस्तीपूर्वी: ब्रेड 101,4 g असा अंदाज
AI ने 101,4 ग्रॅम असा अंदाजलेला ब्रेड.
Lean मधील प्रमाण स्लायडर: ब्रेड 70 g वर दुरुस्त, त्वरित पुनर्गणना
70 ग्रॅमवर दुरुस्त केले, सगळे पुन्हा मोजले जाते.
लीव्हर 2

मॅक्रोज बदला

तुम्हाला तुमची रेसिपी सरासरीपेक्षा जास्त माहीत आहे का? इथे, चिप्स: AI 4,1 ग्रॅम फॅट्स सुचवते, तुम्ही ते 14 ग्रॅमवर दुरुस्त करता. डोनट आणि एकूण आपोआप जुळतात.

Lean मधील चिप्सचे मॅक्रोज AI ने अंदाजले: 4,1 g चरबी
AI नुसार चिप्स: 4,1 ग्रॅम फॅट्स.
Lean मधील चिप्सचे मॅक्रोज हाताने दुरुस्त केले: 14 g चरबी
हाताने दुरुस्त केलेले: 14 ग्रॅम.
लीव्हर 3

एकच अन्न पुन्हा स्कॅन करा

AI ने टर्कीला चीज समजले का? तुम्ही बरोबर नाव टाइप करता, ती ओळ आपोआप पुन्हा विश्लेषित होते, संपूर्ण पदार्थ पुन्हा करावा लागत नाही.

Lean मधील अन्नपदार्थाचा पुन्हा स्कॅन: कीबोर्डवर योग्य नाव टाकले
तुम्ही स्पष्ट करता: टर्की हॅम.
Lean मधील पुन्हा स्कॅननंतरचा निकाल: टर्की हॅम ओळखला गेला, एकूण पुन्हा मोजले गेले
टर्की हॅम, 53 kcal. एकूण पुन्हा मोजले जाते.

Cal AI विरुद्ध चाचणी, विघटन विरुद्ध एकूण आवरण

तीच फोटो, दोन ॲप्स. फरक लगेच दिसतो:

AI स्कॅन तुलना: जेवणाचा तोच फोटो Lean आणि Cal AI ला दिला
तीच फोटो, दोन्ही ॲप्सना दिलेली.
Lean परिणाम: सँडविच आणि चिप्स, अन्नानुसार वेगळे केलेले
Lean: प्रत्येक अन्नपदार्थ, तपशीलवार एकूण.
Cal AI परिणाम: पदार्थाचा एकूण अंदाज, वेगळे न करता
Cal AI: प्रत्येक पदार्थासाठी एकच एकूण आवरण.

हा बहुतेक स्कॅन ॲप्सपासूनचा रचनात्मक फरक आहे, Cal AI तर आघाडीवर आहे: त्या प्रत्येक डिशसाठी एक एकूण अंदाज देतात, कॅलरी आणि मॅक्रोजचा एकूण आकडा, पण पदार्थानुसार बदलता येईल अशी विभागणी नसते. अंदाज चुकला, तर तो स्वीकारायचा किंवा फेकून द्यायचा. पदार्थानुसार विभागणी असेल, तर चूक दोन टॅप्समध्ये दुरुस्त होते.

योग्य वापर : घरचे पदार्थ, रेस्टॉरंट, कँटीन, बारकोड नसलेले सगळे जेवण. 90 % जेवणांसाठी डीफॉल्ट पद्धत.

03 · पद्धत 2

बारकोड स्कॅन, लेबलची अचूकता

पॅकेजमधून येणाऱ्या प्रत्येक गोष्टीसाठी, बारकोड अतुलनीय आहे: पोषणमूल्ये थेट उत्पादकाच्या डेटामधून येतात. Lean USDA आणि OpenFoodFacts या डेटाबेसेसवर आधारलेले आहे, म्हणजे लाखो नोंदी. तुम्ही स्कॅन करता, प्रमाण समायोजित करता, आणि काम झाले.

बारकोड स्कॅन, अचूक माहिती, थेट जोडणी.

मर्यादा स्पष्ट आहे: तुमच्या घरच्या पास्ताच्या ताटावर बारकोड नसतो. म्हणूनच ही पद्धत फोटो AI स्कॅनसोबत नैसर्गिकरीत्या एकत्र वापरली जाते, ती त्याची जागा घेत नाही.

योग्य वापर : खरेदी, स्नॅक्स, प्रोसेस्ड पदार्थ, शेकर्स. औद्योगिक पदार्थांसाठी कमाल अचूकता, शून्य मेहनत.

04 · पद्धत 3

डेटाबेस + किचन स्केल, अचूकतेचा मोड

पारंपरिक पद्धत: तुम्ही अन्नाचे वजन करता, डेटाबेसमध्ये शोधता, ग्रॅम टाकता. किचन स्केलसह, ही उपलब्ध असलेली सर्वात अचूक पद्धत आहे, स्पर्धेच्या तयारीत आणि क्लिनिकल प्रोटोकॉल्समध्ये वापरली जाणारी.

Lean च्या डेटाबेसमध्ये एखादे अन्न शोधणे, इतिहास आणि जलद जोडणीसह
शोध, इतिहास, दोन टॅपमध्ये जोडणी.
Lean मधील एखाद्या उत्पादनाची अचूक पोषण माहिती, दिवसाच्या बजेटवर परिणामासह
उत्पादनाची अचूक माहिती, थेट परिणाम.

« उरलेले / Impact » पॅनेल तुम्हाला, पुष्टी करण्याआधीच, अन्नामुळे तुमच्या आजच्या बजेटमध्ये काय बदल होतो ते दाखवते: कॅलरी, प्रोटीन, कार्ब्स, फॅट्स, फायबर. तुम्ही माहितीच्या आधारावर निर्णय घेता, नंतर नाही.

Lean अडथळे कमीत कमी करते: तुमच्या नेहमीच्या अन्नांचा इतिहास, USDA + OpenFoodFacts मध्ये शोध, यादीतून दोन टॅपमध्ये जोडणी. पण प्रत्यक्ष खर्चाबद्दल प्रामाणिक राहूया: प्रत्येक जेवणासाठी 2 ते 3 मिनिटे, आणि वजन करण्याची शिस्त. हाच अडथळा पारंपरिक पद्धतीतील 80 % सोडून देण्यामागचे कारण ठरतो.

योग्य वापर : कडक फॅट लॉस, प्रगत रीकॉम्प, वजन-गटाचे खेळ. आणि तुमचे रोजचे 5 ते 10 वारंवार खाल्ले जाणारे पदार्थ, ज्यांचा इतिहास त्यांना जवळजवळ तात्काळ करतो.

05 · पद्धत 4

जलद जोडणी: दिवस वाचवणारा अंदाज

वाढदिवसाचा बुफे, गजबजलेला दिवस, दोन मीटिंग्जमध्ये उभ्याने घेतलेले जेवण: काही जेवणं कधीच बारकाईने ट्रॅक होणार नाहीत. जलद जोडणी तुम्हाला कॅलरी आणि मॅक्रोजचा एकूण अंदाज, 10 सेकंदांत टाकू देते. कमी अचूक, पण डेटा नसलेल्या पोकळीपेक्षा खूपच चांगले.

Lean मधील जलद जोडणी फॉर्म: नाव, कॅलरी आणि मॅक्रोज हाताने भरलेले
नाव, कॅलरी, मॅक्रोज: 10 सेकंद.
Lean च्या अन्न नोंदीत जलद जोडणी जतन केली
एक अंदाज, दिवस वाचला.

लाईव्ह कॅलरी बॅलन्स उरलेलं काम करते: स्क्रीनशॉटवर, 2 143 kcal चे उद्दिष्ट, 1 000 घेतलेले, 1 143 उरलेले, दिवसभर सतत पुन्हा मोजलेले. अंदाजे पण ट्रॅक केलेला दिवस, सोडून दिलेल्या परिपूर्ण दिवसापेक्षा चांगला असतो: निकाल ठरवते ती साप्ताहिक सरासरी, एखाद्या एकट्या दिवसाची शुद्धता नाही.

Lean मधील जलद जोडणीतील जेवणाचे पोषण तपशील: उरलेले आणि परिणाम
उरलेले आणि प्रभाव, लाईव्ह पुन्हा मोजलेले.

योग्य वापर : व्यस्त दिवस, सामाजिक जेवणं, सोडून देण्यापासून वाचवणारा आधार. ही पद्धत “एक जेवण चुकलं, मग आठवड्याचं काय” असं होऊ देत नाही.

App Store वर डाउनलोड करा Google Play वर उपलब्ध मोफत डाउनलोड
06 · निवडा

कोणत्या प्रोफाइलसाठी कोणती पद्धत

सुरुवातीला, 4 पद्धतींची 4 महत्त्वाच्या निकषांवर तुलना: प्रत्येक जेवणासाठी सोय, उपलब्धता (हे सर्वत्र, नेहमी चालते का), दीर्घकालीन टिकाव, आणि अचूकता.

एआय फोटो स्कॅन

फोटो, 5 सेकंद

सोय++
उपलब्धता++
दीर्घकालीन++
अचूकता+

बारकोड

अचूक लेबल

सोय+
उपलब्धता+
दीर्घकालीन+
अचूकता++

डेटाबेस + वजनकाटा

अचूकता मोड

सोय−
उपलब्धता+
दीर्घकालीन−
अचूकता++

जलद जोड

बॅकअप पर्याय

सोय++
उपलब्धता++
दीर्घकालीन−
अचूकता−

++ उत्कृष्ट + चांगले − कमकुवत बाजू. “दीर्घकालीन” = 6 महिन्यांनंतरही तुम्ही ही पद्धत वापरत राहण्याची शक्यता.

मॅचचा अर्थ: कोणतीही पद्धत सगळीकडे जिंकत नाही. एआय स्कॅन टिकून राहण्यात आघाडीवर आहे, डेटाबेस + वजनकाटा अचूकतेत, आणि जलद जोड फक्त उरलेली पोकळी भरून काढण्यासाठी आहे. म्हणून प्रोफाइल्स: 4 पद्धती एकमेकींना वगळत नाहीत, योग्य रणनीती म्हणजे मिश्रण, तुमच्या त्या क्षणाच्या गरजेनुसार आणि वेळापत्रकानुसार प्रमाण ठरवलेले. जवळपास सगळ्या परिस्थितींसाठी 3 प्रोफाइल पुरेसे आहेत.

प्रोफाइल 1 · नवशिक्या

शून्य अडथळा, करत करत शिकणे

AI फोटो स्कॅन सर्वत्र, पॅक केलेल्या पदार्थांवर बारकोड, वजनकाटा नाही. एकच उद्दिष्ट: 3 महिने टिकवणे आणि भागांबद्दल तुमची नजर प्रशिक्षित करणे. अचूकता नंतर येईल, सवय आधी.

प्रोफाइल 2 · कमाल काटेकोरपणा

प्रत्येक टक्का महत्त्वाचा

घरच्या जेवणांसाठी वजनकाटा + डेटाबेस, पॅक केलेल्या पदार्थांवर बारकोड, रेस्टॉरंटमध्ये AI स्कॅन. ज्या छोट्या टप्प्यांमध्ये अचूकता खरोखरच फायद्याची ठरते: कटिंगचा शेवट, अधिकृत वजन.

प्रोफाइल 3 · घाईत किंवा प्रगत

विचार न करता विश्वासार्ह डेटा

दररोज बारकोड आणि AI स्कॅन, आणि अशक्य दिवसांसाठी बॅकअप म्हणून जलद भर. तुमच्या भागांचे प्रमाण तुम्हाला आधीच माहीत आहे, तुम्हाला फक्त डेटा असावा इतकेच हवे आहे.

सर्वांसाठी लागू होणारा निवडीचा नियम: शंका असेल तर, तुम्ही सातत्याने करू शकाल अशी सर्वात हलकी पद्धत निवडा. 3 आठवड्यांनंतर नोंदवणे थांबवलेला परफेक्ट डेटा शून्यच असतो.

07 · अचूकता

एका महिन्यात नाहीशी होणारी ±10 % ची चूक

AI स्कॅनबाबतची नेहमीची हरकत: « ±10 % चूक, खूप आहे ». हे एका वेगळ्या जेवणावरून विचार करणं आहे. पण तुम्ही एक जेवण ट्रॅक करत नाही, तुम्ही महिन्यात सुमारे 90 जेवणं ट्रॅक करता.

जेवण 1जेवण 12

गुलाबी: जास्त अंदाज लावलेली जेवणं. हिरवा: कमी अंदाज लावलेली जेवणं. काळी रेषा: तुमचे प्रत्यक्ष सेवन. एका महिन्यात, फरक एकमेकांना समतोल करतात.

हा मोठ्या संख्यांचा नियम (Kolmogorov) आहे: स्वतंत्र यादृच्छिक चुका निरीक्षणांची संख्या वाढली की एकमेकींना समतोल करतात. सोमवारचे +12 % मंगळवारचे 8 % कमी भरून काढतात. महिन्याच्या शेवटी जे उरते, तो मॉडेलचा सरासरी बायस असतो, चांगल्या प्रकारे कॅलिब्रेट केलेल्या स्कॅनमध्ये तो शून्याजवळ असतो, एखाद्या जेवणाचा आवाज नाही.

मॅन्युअल नोंदणीला मात्र अगदी वेगळ्या प्रकारची अडचण असते, एक पद्धतशीर पक्षपात. माणसं आपण काय खातो ते कमी दाखवतात, नेहमी त्याच दिशेने, आणि पक्षपात कधीच आपोआप कमी होत नाही.

47 %
हाताने नोंदवलेल्या कॅलरी आणि प्रत्यक्षात घेतलेल्या कॅलरी यांच्यातील फरक, दुहेरी चिन्हांकित पाण्याने मोजलेला, आहारात अपयशी ठरलेल्या व्यक्तींमध्ये (Lichtman, NEJM 1992). मानवी बायस भरून निघत नाही, स्कॅनचा यादृच्छिक आवाज मात्र भरून निघतो.

म्हणून मुद्दा हा नाही की « AI स्कॅन परफेक्ट आहे का? » तर हा आहे की « 90 जेवणांवर कोणती पद्धत सर्वात अचूक डेटा देते? ». आणि इथे ऑटोमेशन जिंकते, कारण ते दिशात्मक बायसच्या जागी असा आवाज आणते जो स्वतःच नाहीसा होतो.

08 · Expenditure

मोजणे पुरेसे नाही: समीकरणाचा दुसरा अर्धा भाग कमी पडतो

परफेक्ट फूड जर्नल स्वतःहून काहीच सांगत नाही. चरबी कमी करणे म्हणजे ऊर्जा संतुलन निगेटिव्ह असणे: आत येणारे, बाहेर जाणाऱ्यांपेक्षा कमी. तुमचा Expenditure चुकून मोजला असेल, तर तुमची तूट ही फक्त हिशोबाची कल्पना ठरते, आणि तुम्ही कॅलरी ग्रामाग्राम मोजल्या तरीही कधीच पुढे जाऊ शकत नाही.

TDEE = BMR + NEAT + EAT + TEF
Expenditure चे कॅनॉनिकल समीकरण. BMR = बेसल मेटाबॉलिझम दर. NEAT = व्यायामाबाहेरील क्रिया. EAT = वर्कआउट सत्रे. TEF = पचन.

समस्या अशी आहे, जवळपास सगळ्या ॲप्स Harris-Benedict (1919) किंवा Mifflin-St Jeor (1990) वापरून तुमचा खर्चाचा अंदाज लावतात, या एकूण वजनावर आधारित सूत्रांमध्ये तुमची शरीररचना लक्षात घेतली जात नाही. समान वजन असलं तरी, 15 % शरीरातील चरबी असलेलं शरीर आणि 30 % असलेलं शरीर अजिबात सारखं कॅलरी जाळत नाही. Lean खर्च वेगळ्या पद्धतीने, चार टप्प्यांत मोजतो:

खरी शरीरातील चरबी. फोटो, 5 सेकंद.
पायरी 1

BodyScan AI

तुम्ही ॲपमध्ये एक फोटो काढता. AI तुमच्या दिसणाऱ्या शरीररचनेवरून तुमची शरीरातील चरबी अंदाजते, आणि हे दर आठवड्याला पुन्हा केले जाते. हाच मोजमाप संपूर्ण गणित तुमच्या लीन मासवर आधारतो, एकूण वजनावर नाही.

पायरी 2

पेटंटेड मालकी मॉडेलद्वारे BMR

Lean चा पेटंटेड अल्गोरिदम तुमच्या खऱ्या लीन मासवरून तुमचा बेसल मेटाबॉलिझम मोजतो. Harris-Benedict 1919 किंवा Mifflin-St Jeor 1990 पेक्षा अधिक अचूक, कारण त्यांना फक्त तुमचे वजन माहीत असते.

पायरी 3

NEAT, EAT आणि TEF मोजलेले, ठराविक नाहीत

तुमची पावले NEAT मध्ये मोजली जातात, तुमची वर्कआउट सत्रे EAT मध्ये संदर्भ MET टेबल्सद्वारे मोजली जातात, आणि TEF तुम्ही प्रत्यक्षात खाल्लेल्या मॅक्रोजवर मोजला जातो, नेमके तुमच्या ट्रॅकिंगमुळे.

पायरी 4

पुन्हा मोजलेले मेटाबॉलिक अ‍ॅडॅप्टेशन

दीर्घकाळच्या तुटीत, BMR कमी होतो. Lean हे हे गुणांक मॉडेल करणारे आणि ते BMR वर गुणाकाराने लागू करणारे पहिले ॲप आहे. पद्धत, 100% = optimal, 90% = 10 points ची adaptation.

निकाल: लाईव्ह बॅलन्स तुम्ही जे खाता ते (या मार्गदर्शकातील 4 पद्धतींनी मोजलेले) आणि तुम्ही प्रत्यक्षात जे खर्च करता ते, सतत पुन्हा मोजून, यांची तुलना करते. योग्य इनपुट्स आणि योग्य आउटपुट्स, या दोन अर्ध्यांच्या संयोजनामुळेच चरबी कमी होणे अंदाज करता येते. एकाशिवाय दुसरे, म्हणजे रिकाम्या हिशोबातली लेखापालकी.

App Store वर डाउनलोड करा Google Play वर उपलब्ध मोफत डाउनलोड
09 · FAQ

कॅलरी मोजण्याबद्दल वारंवार विचारले जाणारे प्रश्न

वजन कमी करण्यासाठी दिवसाला किती कॅलरी लागतात?
कोणताही सार्वत्रिक आकडा अस्तित्वात नाही: सगळं तुमच्या एकूण खर्चावर (TDEE) अवलंबून असतं, जो तुमचा बेसल मेटाबॉलिझम, दैनंदिन हालचाल, वर्कआउट आणि शरीररचना यानुसार बदलतो. विश्वासार्ह नियम: तुमच्या खऱ्या TDEE पेक्षा 300 ते 500 kcal कमी तूट ठेवा, कधीही कुठूनतरी काढलेला « 1 500 kcal » सारखा सर्वसाधारण आकडा नाही. तुम्ही तुमचा आकडा या कॅल्क्युलेटरने अंदाजू शकता कॅलरी तूट कॅल्क्युलेटर.
AI फोटो स्कॅन कॅलरी मोजण्यासाठी विश्वासार्ह आहे का?
हो, पण तुम्ही काय मोजता ते समजून घेतलंत तरच. सामान्य पदार्थांवर, प्रत्येक जेवणासाठी साधारण चूक सुमारे ±10 % असते, आणि अन्नानुसार ओळख अशी असते की तुम्ही ती दुरुस्त करू शकता (मात्रा, मॅक्रोज, पुन्हा स्कॅन). महिनाभरात, सुमारे 90 जेवणांमध्ये, यादृच्छिक चुका मोठ्या संख्यांच्या नियमानुसार एकमेकींना समतोल करतात: महत्त्वाचं असतं सरासरी बायस, एखाद्या एकट्या जेवणाचा फरक नाही.
कॅलरी मोजण्यासाठी पदार्थ वजन करून घ्यावे लागतात का?
फक्त तेव्हाच, जेव्हा तुम्ही अशा टप्प्यात असता की प्रत्येक टक्का महत्त्वाचा असतो: कडक कट, प्रगत रीकॉम्प, वजनगटातील खेळ. बहुतेक लोकांसाठी, AI फोटो स्कॅन आणि बारकोड पुरेसे असतात. 6 महिन्यांची सातत्यपूर्ण सवय, तुम्ही सोडून देणार असलेल्या वजनमापनाच्या सैद्धांतिक अचूकतेपेक्षा अंतिम निकालात खूप जास्त महत्त्वाची असते.
कॅलरी रोज मोजाव्या लागतात का?
निकाल चालवते ती साप्ताहिक सरासरी, रोजची परिपूर्णता नाही. व्यस्त दिवसांत, 10 सेकंदांची जलद नोंद, डेटामधल्या पोकळीपेक्षा अनंतपटीने चांगली असते. अंदाजे जेवण काहीही बिघडवत नाही, पण एकही डेटा नसलेला आठवडा बिघडवतो, कारण तो ट्रेंड लपवतो.
मी कॅलरी मोजत असतानाही माझं वजन का कमी होत नाही?
दोन कारणे सगळ्यात जास्त महत्त्वाची आहेत. एक, कमी नोंदवणे: हाताने सांगितलेल्या कॅलरी आणि प्रत्यक्ष खाल्लेल्या कॅलरी यांच्यात 47 % पर्यंतचा फरक मोजला गेला आहे (Lichtman, 1992), AI स्कॅन हा पक्षपात कमी करतो, कारण तो तुमच्या आठवणीऐवजी ताट मोजतो. दोन, खर्च जास्त गृहीत धरणे: बहुतेक ॲप्स तुमचा TDEE एकूण वजनावरच्या सूत्रांनी काढतात, ज्यात तुमची शरीरातील चरबी आणि मेटाबॉलिक अ‍ॅडॅप्टेशन दुर्लक्षित होते. आउटपुटच चुकले, तर दाखवलेला डेफिसिट अस्तित्वातच नसतो.
कॅलरी मोजल्याने माणूस वेडसर होतो का?
उद्दिष्ट अगदी उलट आहे: प्रत्येक जेवणासाठी ट्रॅकिंग काही सेकंदांपुरते मर्यादित ठेवणे, जेणेकरून त्याचा मानसिक भारच राहू नये, तर हाताने हिशोब करणे मात्र त्रासदायक होऊ शकते. काही महिने ट्रॅकिंग केल्याने भागांच्या प्रमाणाबद्दल तुमची नजर तयार होते, मग तुम्ही ते हलके करू शकता, किंवा जलद नोंदणीवर जाऊ शकता. खाण्याच्या वर्तनाचा निदान झालेला विकार असल्यास, ट्रॅक करण्यापूर्वी आरोग्यतज्ज्ञाशी बोला.
कॅलरी मोजण्यासाठी Lean आणि MyFitnessPal मध्ये काय फरक आहे?
MyFitnessPal एका प्रचंड सहयोगी डेटाबेसवर अवलंबून आहे, पण नोंदणी मुख्यतः हाताने करावी लागते, आणि TDEE देखील एकूण वजनावरून अंदाजे काढला जातो. Lean AI स्कॅनद्वारे प्रत्येक पदार्थ वेगळा करून दाखवतो, आणि सर्वात महत्त्वाचे म्हणजे, BodyScan ने मोजलेल्या तुमच्या प्रत्यक्ष शरीरातील चरबीवर आधारित तुमचा खर्च काढतो, मेटाबॉलिक अ‍ॅडॅप्टेशनसह. इनपुट मोजण्याला अर्थ तेव्हाच आहे, जेव्हा आउटपुट बरोबर असतात. ॲपनुसार सविस्तर तुलना आमच्या सर्वोत्तम कॅलरी ॲप्सची तुलना.
स्रोत

संदर्भसूची

  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. संदर्भासाठी पोषण डेटाबेस. fdc.nal.usda.gov.
  6. Open Food Facts. पॅक केलेल्या अन्नपदार्थांचा जागतिक सहयोगी डेटाबेस. 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.