మీ జీవితాన్ని దానికి అంకితం చేయకుండా కేలరీలను ఎలా లెక్కించాలి. 4 పద్ధతుల పోలిక, వాటి నిజమైన ఖచ్చితత్వం, ఇంకా 6 నెలల తర్వాత కూడా మీరు కొనసాగించే పద్ధతి.
ఫోటో AI స్కాన్, బార్‌కోడ్, డేటాబేస్, త్వరిత జోడింపు: ప్రతి పద్ధతి నిజంగా ఎంత విలువైనది, 80 % మంది 3 నెలల్లో ఎందుకు వదిలేస్తారు, మీ ప్రొఫైల్‌కి ఏది సరిపోతుందో తెలుసుకోండి.
Lean బృందం · చదవడానికి 11 నిమి · 11 జూన్ 2026న నవీకరించబడింది
ఉచిత డౌన్‌లోడ్
కేలరీలను లెక్కించడానికి నాలుగు పద్ధతులు: ఫోటో AI స్కాన్ (మీరు మీ ప్లేట్‌ను ఫోటో తీస్తారు, AI ప్రతి ఆహారం, దాని పరిమాణాన్ని గుర్తిస్తుంది), బార్‌కోడ్ స్కాన్ (ప్యాక్ చేసిన ఉత్పత్తులు, తయారీదారు డేటా), డేటాబేస్ (శోధన + తూకం, అత్యంత ఖచ్చితమైన మోడ్) మరియు త్వరిత జోడింపు (10 సెకన్లలో ఒక మొత్తం అంచనా). మీరు 6 నెలలు కొనసాగించగలిగే పద్ధతే సరైనది, కాగితంపై అత్యంత ఖచ్చితమైనది కాదు. మీరు నమోదు చేసే వాటిని లెక్కించడం, మీ Expenditure, TDEEరోజుకు మొత్తం శక్తి వినియోగం: 24 గంటల్లో మీ మొత్తం కేలరీ ఖర్చు. TDEE = BMR + NEAT + EAT + TEF., సరిగ్గా లెక్కించినప్పుడే ఉపయోగపడుతుంది.
80 % మంది 3 నెలల్లో కేలరీలు లెక్కించడం ఎందుకు ఆపేస్తారు
కేలరీలు లెక్కించడం పనిచేస్తుంది. విషయం అది కాదు. విషయం ఏమిటంటే, దాదాపు ఎవరూ కొనసాగించరు: బరువు తగ్గింపు ప్రోగ్రామ్‌లపై ఉన్న అధ్యయనాలు, మొదటి కొన్ని వారాల్లోనే భారీగా మధ్యలో వదిలేయడం చూపిస్తున్నాయి, తూకంలో మొదటి కనిపించే ఫలితం రాకముందే.
అడ్డంకి, సూటిగా చెప్పాలంటే: జాబితాలో « చికెన్ బ్రెస్ట్ » వెతకడం, 40 డూప్లికేట్లలో సరైన ఎంట్రీ ఎంచుకోవడం, 150 g ను కంటితో అంచనా వేయడం, మళ్లీ బీన్స్‌కి, తర్వాత ఆలివ్ ఆయిల్‌కి అదే చేయడం. రోజుకు మూడు సార్లు. నెలకు 90 సార్లు. ట్రాకింగ్ను చంపేది ఇదే లెక్కల పని, ట్రాక్ చేయాలనే ఆలోచన కాదు.
ప్రాక్టికల్ ముగింపు: మీ ఎంట్రీ పద్ధతి ఎంపిక చిన్న యూజర్ అనుభవం విషయం కాదు. 3 నెలల్లో మీ డేటా ఇంకా ఉంటుందా లేదా అని నిర్ణయించే అసలు అంశం అదే. ఇక్కడ 4 పద్ధతులు ఉన్నాయి, వేగవంతమైనదానినుంచి ఎక్కువ శ్రమ అవసరమైనదాకా క్రమంలో.
ఫోటో AI స్కాన్: ప్రతి భోజనానికి 5 సెకన్లు
మీరు మీ ప్లేట్‌ను ఫోటో తీస్తారు. Lean యొక్క AI ఒక డబుల్ గుర్తింపు చేస్తుంది: ముందుగా అది ఉన్న ప్రతి ఆహారాన్ని గుర్తిస్తుంది (గ్రిల్ చేసిన చికెన్, గ్రీన్ బీన్స్), తర్వాత వాటిలో ప్రతి దాని పరిమాణాన్ని అంచనా వేస్తుంది. ఫలితం ఎక్కడో నుంచి వచ్చిన ఒక మొత్తం సంఖ్య కాదు: ఇది ఆహారం వారీగా విభజన, ప్రతి లైన్‌కు కేలరీలు మరియు మాక్రోలు ఉంటాయి.
చిత్రాల్లో, దశలవారీగా, ఒక నిజమైన భోజనంపై:
సాధారణ వంటకాలలో, సాధారణ తప్పు ప్రతి భోజనానికి సుమారు ±10 % ఉంటుంది. ఇది తూకం కంటే తక్కువ ఖచ్చితమైనది, కానీ కొవ్వు తగ్గింపును నియంత్రించడానికి చాలిపోతుంది (దీనికి సంబంధించిన పెద్ద సంఖ్యల నియమం గురించి కింద మళ్లీ వస్తాం). ముఖ్యంగా, లేబుల్ లేని భోజనాలను కవర్ చేసే ఏకైక పద్ధతి ఇదే: ఇంటి వంట, రెస్టారెంట్, క్యాంటీన్.
Lean ఇంకా ముందుకు వెళ్లే చోటు: నియంత్రణ మీ చేతిలోనే ఉంటుంది
ఒక AI స్కాన్ ఉపయోగకరంగా ఉండేది, అది సూచించినదాన్ని మీరు సరిచేయగలిగితేనే. Lean ప్రతి ఆహారానికి మూడు నియంత్రణలను ఇస్తుంది:
పరిమాణాలను మార్చడం
ప్రతి ఆహారానికి ఒక స్లైడర్: ఇక్కడ, AI అంచనా వేసిన బ్రెడ్ 101,4 g, దాన్ని 70 gకి సరిచేశారు. కేలరీలు మరియు ప్లేట్ మొత్తం వెంటనే మళ్లీ లెక్కించబడతాయి.
మాక్రోలను మార్చు
మీ రెసిపీని సగటు కంటే బాగా మీరే తెలుసు కదా? ఇక్కడ, చిప్స్: AI 4,1 g కొవ్వులు సూచిస్తుంది, మీరు దాన్ని 14 gకి సరిచేస్తారు. డోనట్, మొత్తం కూడా అలాగే మారతాయి.
ఒకే ఆహారాన్ని మళ్లీ స్కాన్ చేయి
AI టర్కీని చీజ్‌గా తీసుకుందా? మీరు సరైన పేరు టైప్ చేస్తే, మొత్తం వంటకం మళ్లీ చేయకుండా ఆ లైన్ మాత్రమే తిరిగి విశ్లేషిస్తుంది.
Cal AIతో పోలిక పరీక్ష: విడగొట్టడం వర్సెస్ మొత్తం అంచనా
అదే ఫోటో, రెండు యాప్‌లు. తేడా వెంటనే కనిపిస్తుంది:
ఇది చాలా ఇతర స్కాన్ యాప్‌లతో, ముఖ్యంగా Cal AIతో ఉన్న నిర్మాణాత్మక తేడా: అవి ప్రతి వంటకానికి ఒక మొత్తం అంచనా ఇస్తాయి, అంటే ఆహారం వారీగా మార్చుకోగల విభజన లేకుండా కేలరీలు మరియు మాక్రోల మొత్తం. అంచనా తప్పైతే, మీరు దాన్ని అంగీకరించాలి లేదా తీసేయాలి. ఆహారం వారీగా విభజన ఉంటే, తప్పును రెండు ట్యాప్‌లలో సరిచేయొచ్చు.
సరైన ఉపయోగం: ఇంట్లో చేసిన వంటలు, రెస్టారెంట్, క్యాంటీన్, బార్‌కోడ్ లేని అన్ని భోజనాలు. 90 % భోజనాలకు డిఫాల్ట్ పద్ధతి.
బార్‌కోడ్ స్కాన్: లేబుల్ ఖచ్చితత్వం
ప్యాకెట్‌లో వచ్చే వాటికి, బార్‌కోడ్‌కు మించినది లేదు: పోషక విలువలు నేరుగా తయారీదారు డేటా నుంచి వస్తాయి. Lean USDA, OpenFoodFacts డేటాబేస్‌లపై ఆధారపడుతుంది, అంటే మిలియన్ల రిఫరెన్స్‌లు. మీరు స్కాన్ చేస్తారు, పరిమాణాన్ని సర్దుతారు, పని అయిపోయింది.
పరిమితి స్పష్టంగా ఉంది: మీ ఇంట్లో చేసిన పాస్తా ప్లేట్‌కి బార్‌కోడ్ ఉండదు. అందుకే ఈ పద్ధతి AI ఫోటో స్కాన్‌తో సహజంగా కలుస్తుంది, దాన్ని భర్తీ చేయదు.
సరైన ఉపయోగం: కిరాణా సరుకులు, స్నాక్స్, ప్రాసెస్ చేసిన ఉత్పత్తులు, షేకర్లు. ఇండస్ట్రియల్ ఆహారంపై గరిష్ఠ ఖచ్చితత్వం, శ్రమ దాదాపు లేదు.
డేటాబేస్ + తూకం: ఖచ్చితత్వ మోడ్
చారిత్రక పద్ధతి: మీరు మీ ఆహారాన్ని తూకం వేస్తారు, డేటాబేస్‌లో వెతుకుతారు, గ్రాములు నమోదు చేస్తారు. కిచెన్ తూకంతో, ఇది ఉన్న వాటిలో అత్యంత ఖచ్చితమైన పద్ధతి, పోటీ తయారీలు మరియు క్లినికల్ ప్రోటోకాల్స్‌ది.
« మిగిలినవి / ప్రభావం » ప్యానెల్, మీరు ధృవీకరించే ముందే, ఆ ఆహారం మీ రోజు బడ్జెట్లపై ఏమి మారుస్తుందో చూపిస్తుంది: కేలరీలు, ప్రోటీన్లు, కార్బ్స్, ఫ్యాట్స్, ఫైబర్. మీరు తర్వాత కాదు, తెలుసుకుని నిర్ణయిస్తారు.
Lean ఘర్షణను కనిష్ఠానికి తగ్గిస్తుంది: మీ తరచు తినే ఆహారాల చరిత్ర, USDA + OpenFoodFactsలో శోధన, జాబితా నుంచి రెండు టాప్స్‌లో జోడింపు. కానీ నిజమైన ఖర్చు గురించి నిజాయితీగా ఉండాలి: ప్రతి భోజనానికి 2 నుంచి 3 నిమిషాలు, అలాగే తూకం వేయాలనే క్రమశిక్షణ. క్లాసిక్ పద్ధతిలో 80 % మంది వదిలేయడానికి కారణం అయ్యేది ఇదే ఘర్షణ.
సరైన ఉపయోగం: కఠినమైన డైట్, అడ్వాన్స్‌డ్ రీకంపోజిషన్, బరువు వర్గ క్రీడలు. అలాగే మీ రోజువారీ 5 నుంచి 10 పునరావృత ఆహారాలు, వాటి హిస్టరీ వల్ల దాదాపు వెంటనే నమోదు చేయొచ్చు.
త్వరిత జోడింపు: రోజును కాపాడే సింపుల్ ఎంట్రీ
పుట్టినరోజు బఫే, పనులతో నిండిన రోజు, రెండు మీటింగ్స్ మధ్య నిల్చుని తినే భోజనం: కొన్ని భోజనాలు ఎప్పటికీ సూక్ష్మంగా ట్రాక్ చేయబడవు. త్వరిత జోడింపు ద్వారా మీరు మొత్తం సింపుల్ ఎంట్రీని నమోదు చేయవచ్చు, అంచనా కేలరీలు మరియు మాక్రోలు, 10 సెకన్లలో. తక్కువ ఖచ్చితత్వం, కానీ డేటా ఖాళీ కంటే ఎంతో మెరుగైనది.
లైవ్ కేలరీ బ్యాలెన్స్ మిగతా పనిని చేస్తుంది: స్క్రీన్‌షాట్‌లో, 2 143 kcal లక్ష్యం, 1 000 వినియోగించబడింది, 1 143 మిగిలింది, రోజంతా నిరంతరం మళ్లీ లెక్కించబడుతోంది. ట్రాక్ చేసిన అంచనా రోజు, వదిలేసిన పరిపూర్ణ రోజుకంటే మెరుగైనది: ఫలితాన్ని నడిపేది వారపు సగటు, ఒంటరి రోజు స్వచ్ఛత కాదు.
సరైన ఉపయోగం: బిజీ రోజులు, సామాజిక భోజనాలు, వదిలేయకుండా ఉండేందుకు బ్యాకప్. “ఒక భోజనం మిస్ అయ్యింది, ఇక వారం మొత్తం వదిలేద్దాం” అనే ఆలోచనను ఆపే పద్ధతి.
ఉచిత డౌన్‌లోడ్
ఏ పద్ధతి, ఏ ప్రొఫైల్‌కు
ముందుగా, నిజంగా ముఖ్యం అయిన 4 ప్రమాణాలపై 4 పద్ధతుల పోలిక: ప్రతి భోజనానికి సౌలభ్యం, అందుబాటు (ఇది ఎక్కడైనా, ఎప్పుడైనా పనిచేస్తుందా), దీర్ఘకాలంలో కొనసాగింపు, మరియు ఖచ్చితత్వం.
AI ఫోటో స్కాన్
ఫోటో, 5 సెకన్లు
బార్‌కోడ్
ఖచ్చితమైన లేబుల్
డేటాబేస్ + తూకం
ప్రెసిషన్ మోడ్
త్వరిత జోడింపు
బ్యాకప్ కవచం
++ అద్భుతం + బాగుంది − బలహీనత. “దీర్ఘకాలం” = 6 నెలల తర్వాత కూడా మీరు ఈ పద్ధతిని ఇంకా ఉపయోగించే అవకాశం.
మ్యాచ్ విశ్లేషణ: ఏ పద్ధతీ అన్నిచోట్లా గెలవదు. AI స్కాన్ కొనసాగింపులో ముందుంటుంది, డేటాబేస్ + తూకం ఖచ్చితత్వంలో ముందుంటుంది, త్వరిత జోడింపు మాత్రం ఖాళీలు పూడ్చడానికి మాత్రమే ఉంది. అందుకే ప్రొఫైల్స్: ఈ 4 పద్ధతులు ఒకదానికొకటి విరుద్ధం కావు, సరైన వ్యూహం ఒక మిక్స్, మీ ప్రస్తుత అవసరం, మీ షెడ్యూల్‌ను బట్టి దాన్ని సర్దుకోవాలి. దాదాపు అన్ని సందర్భాలను 3 ప్రొఫైల్స్ కవర్ చేస్తాయి.
శూన్య ఘర్షణ, చేస్తూ నేర్చుకోవడం
ఎక్కడైనా ఫోటో AI స్కాన్, ప్యాక్ చేసిన వాటికి బార్‌కోడ్, తూకం వేయడం లేదు. ఒక్క లక్ష్యం: 3 నెలలు కొనసాగించడం, భాగాలపై మీ కంటిని శిక్షణ ఇవ్వడం. తర్వాత ఖచ్చితత్వం వస్తుంది, ముందు అలవాటు.
ప్రతి శాతం ముఖ్యం
ఇంట్లో చేసిన భోజనాలకు తూకం + డేటాబేస్, ప్యాక్ చేసిన వాటికి బార్‌కోడ్, రెస్టారెంట్‌లో AI స్కాన్. ఖచ్చితత్వం నిజంగా ఫలితం ఇచ్చే చిన్న దశల కోసం: కట్ చివరి దశ, అధికారిక తూకం.
ఆలోచించకుండానే నమ్మదగిన డేటా
రోజూ బార్‌కోడ్ మరియు AI స్కాన్, అసాధ్యమైన రోజుల్లో బ్యాకప్‌గా త్వరిత జోడింపు. మీకు ఇప్పటికే మీ భాగాలు తెలుసు, డేటా ఉండటం మాత్రమే కావాలి.
అందరికీ వర్తించే నిర్ణయ నియమం: సందేహం ఉంటే, మీరు ఖచ్చితంగా కొనసాగించగలిగే అతి తేలికైన పద్ధతిని ఎంచుకోండి. 3 వారాల తర్వాత నమోదు చేయడం ఆపేసే పర్ఫెక్ట్ డేటాకు విలువ శూన్యం.
ఒక నెలలో మాయమయ్యే ±10 % పొరపాటు
AI స్కాన్‌పై సాధారణ అభ్యంతరం: « ±10 % పొరపాటు, అది ఎక్కువ ». ఇది ఒకే భోజనాన్ని చూసి ఆలోచించడం. కానీ మీరు ఒక భోజనాన్ని ట్రాక్ చేయడం లేదు: నెలకు సుమారు 90 భోజనాలను ట్రాక్ చేస్తున్నారు.
గులాబీ: ఎక్కువగా అంచనా వేసిన భోజనాలు. ఆకుపచ్చ: తక్కువగా అంచనా వేసిన భోజనాలు. నల్ల గీత: మీ నిజమైన వినియోగం. ఒక నెలలో, తేడాలు పరస్పరం సర్దుబాటు అవుతాయి.
ఇది పెద్ద సంఖ్యల నియమం (Kolmogorov): స్వతంత్ర యాదృచ్ఛిక తప్పులు, పరిశీలనల సంఖ్య పెరిగే కొద్దీ పరస్పరం సమతుల్యం అవుతాయి. సోమవారం వచ్చిన +12% మంగళవారం మిస్సైన 8% ను సమతుల్యం చేస్తాయి. ఒక నెల తర్వాత మిగిలేది, మోడల్ యొక్క సగటు పక్షపాతం, బాగా కాలిబ్రేట్ చేసిన స్కాన్‌లో అది సున్నాకు దగ్గరగా ఉంటుంది, ఒక భోజనంలోని శబ్దం కాదు.
మాన్యువల్ ఎంట్రీకి, మరో రకమైన సమస్య ఉంది: ఒక వ్యవస్థాత్మక పక్షపాతం. మనుషులు తాము తినేదాన్ని తక్కువగా నమోదు చేస్తారు, ఎప్పుడూ ఒకే దిశలో, పక్షపాతం మాత్రం ఎప్పటికీ సరిచేయబడదు.
సారాంశం: ప్రశ్న « AI స్కాన్ పర్ఫెక్ట్‌గా ఉందా? » కాదు, « 90 భోజనాలపై ఏ పద్ధతి అత్యంత ఖచ్చితమైన డేటాను ఇస్తుంది? ». ఇక్కడ ఆటోమేషన్ గెలుస్తుంది, ఎందుకంటే అది దిశాత్మక పక్షపాతాన్ని, తానే రద్దయ్యే శబ్దంతో భర్తీ చేస్తుంది.
లెక్కించడం మాత్రమే సరిపోదు: సమీకరణంలోని మరో సగం మిస్సవుతోంది
పర్ఫెక్ట్ ఫుడ్ జర్నల్ ఒక్కటే ఏమీ చెప్పదు. కొవ్వు తగ్గడం అంటే నెగటివ్ ఎనర్జీ బ్యాలెన్స్: బయటికి వెళ్లేదానికంటే లోపలికి వచ్చే కేలరీలు తక్కువగా ఉండాలి. మీ expenditure తప్పుగా లెక్కిస్తే, మీ డెఫిసిట్ ఒక అకౌంటింగ్ కల్పితం మాత్రమే, అప్పుడు మీరు కేలరీలను గ్రాము స్థాయిలో లెక్కించినా ఎప్పటికీ ముందుకు వెళ్లలేరు.
సమస్య ఏమిటంటే, దాదాపు అన్ని యాప్‌లు మీ ఖర్చును Harris-Benedict (1919) లేదా Mifflin-St Jeor (1990) తో అంచనా వేస్తాయి, ఇవి శరీర కూర్పును పట్టించుకోని మొత్తం బరువు ఆధారిత ఫార్ములాలు. ఒకే బరువు ఉన్నా, 15 % bodyfat ఉన్న శరీరం, 30 % ఉన్న శరీరం ఒకేలా కేలరీలు ఖర్చు చేయవు. Lean ఖర్చును వేరేలా, నాలుగు దశల్లో లెక్కిస్తుంది:
BodyScan AI
మీరు యాప్‌లో ఒక ఫోటో తీస్తారు. AI మీ కనిపించే శరీర ఆకృతి ఆధారంగా మీ శరీర కొవ్వును అంచనా వేస్తుంది, ప్రతి వారం మళ్లీ చేస్తుంది. ఈ కొలతే అన్నీ మీ లీన్ మాస్‌పై ఆధారపడేలా చేస్తుంది, మీ మొత్తం బరువుపై కాదు.
పేటెంట్ పొందిన యాజమాన్య మోడల్ ద్వారా BMR
Lean యొక్క పేటెంట్ పొందిన అల్గోరిథం, మీ నిజమైన లీన్ మాస్ ఆధారంగా మీ బేసల్ మెటబాలిజాన్ని లెక్కిస్తుంది. Harris-Benedict 1919 లేదా Mifflin-St Jeor 1990 కంటే ఖచ్చితమైనది, అవి మీ బరువును మాత్రమే తెలుసుకుంటాయి.
NEAT, EAT మరియు TEF, కొలిచినవి, స్థిరంగా పెట్టినవి కాదు
మీ అడుగులు NEATలో లెక్కపడతాయి, మీ వ్యాయామ సెషన్లు MET రిఫరెన్స్ టేబుళ్ల ద్వారా EATలో లెక్కపడతాయి, ఇంకా TEF మీరు నిజంగా తిన్న మాక్రోస్ మీద లెక్కించబడుతుంది, ఇది మీ ట్రాకింగ్ వల్లే సాధ్యం.
మెటబాలిక్ అడాప్టేషన్ మళ్లీ లెక్కించబడింది
దీర్ఘకాలిక లోటులో, BMR తగ్గుతుంది. Lean BMRకు ఈ గుణకాన్ని మోడల్ చేసి, దాన్ని BMRపై గుణాత్మకంగా వర్తింపజేసిన మొదటి యాప్. కన్వెన్షన్ 100 % = ఆప్టిమల్, 90 % = 10 పాయింట్ల అనుకూలనం.
ఫలితం: లైవ్ స్కేల్, మీరు ఏమి తింటున్నారో (ఈ గైడ్‌లోని 4 పద్ధతులతో లెక్కించినది) మరియు మీరు నిజంగా ఏమి ఖర్చు చేస్తున్నారో, నిరంతరం మళ్లీ లెక్కించినది, రెండింటినీ పోల్చుతుంది. కొవ్వు తగ్గుదల అంచనా వేయదగినదిగా మారేది, ఈ రెండు భాగాల కలయికతోనే, ఇన్‌పుట్స్ సరిగ్గా, అవుట్‌పుట్స్ సరిగ్గా. ఒకటి లేకుండా మరొకటి, అది ఖాళీలో లెక్కలు వేసినట్టే.
ఉచిత డౌన్‌లోడ్
కేలరీల లెక్కింపు గురించి తరచుగా అడిగే ప్రశ్నలు
బరువు తగ్గడానికి రోజుకు ఎన్ని కేలరీలు?
ఫోటో AI స్కాన్‌తో కేలరీలను లెక్కించడం నమ్మదగినదా?
కేలరీలు లెక్కించడానికి ఆహారాన్ని తూకం వేయాలా?
ప్రతి రోజూ కేలరీలు లెక్కించాలా?
నేను కేలరీలు లెక్కిస్తున్నా కూడా బరువు ఎందుకు తగ్గడం లేదు?
కేలరీలు లెక్కించడం వల్ల మనసు ఎక్కువగా అదే మీదే ఉంటుందా?
కేలరీలు లెక్కించడానికి Lean, MyFitnessPal మధ్య తేడా ఏమిటి?
రిఫరెన్సులు
- 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. ప్రామాణిక పోషక డేటాబేస్. fdc.nal.usda.gov.
- Open Food Facts. ప్యాక్ చేసిన ఆహార ఉత్పత్తుల ప్రపంచ సహకార డేటాబేస్. 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.