膳食调查是科研工作者评估饮食结构对慢性疾病(肥胖、癌症、心血管疾病和糖尿病)的影响所开展的必要科研活动[1]。基于自我报告的膳食评估方法广泛用于调查受试者的能量和营养素摄入。在此基础上,综合心理状况和临床表现等因素以制定科学的膳食干预策略,降低疾病发生的风险[2]。传统的膳食评估方法,其数据收集的载体多为参与者的纸质自我报告,实操简单成本低,但问卷过程繁琐且数据收集时往往存在漏报、误报等情况,一定程度上降低了膳食评估的准确性。当前,基于移动智能设备开发的各类膳食调查程序日渐兴盛,其在饮食数据收集、分析以及辅助膳食干预决策等方面可突破上述传统膳食评估方法面临的困境。相较于传统膳食评估方法,移动食物记录程序(mobile food recorder,MFR)用于膳食评估可更精确地记录受访者的食物摄入量、膳食结构和膳食习惯。此外,包括平板电脑、手机以及各种智能穿戴设备在内的各类移动终端早已渗入消费者的日常生活之中,因此,依托这些终端的MFR可大幅提升受访者参与膳食调查时的依从性[3]。本文综述了移动食物记录在食品科学和营养学领域内的应用及研究进展,以期为MFR的创新发展以及基于MFR的科研活动提供一定的数据参考与理论支撑。
1 传统膳食调查方法
通过开展膳食调查工作,研究者通常可收集受访者其特定时期内饮食信息,包括食物的种类、摄入量和进食频率等信息。在此基础上,科研工作者利用食物成分表来评估计算受访者的能量和各类营养素的摄入量。目前,常用的膳食调查方法有称重法、记账法、24小时膳食回顾法、食物频率问卷法[4]等。现简要介绍几类重要的膳食调查方法。
1.1 称重法(weighed food record,WFR)
根据WS/T 426.2—2013《膳食调查方法,第2部分称重法》,定义WFR是记录食物摄入量最有效的方法,通过称量来记录食物的购进量、结存量、消耗量和剩余量来计算实际的食物消耗量,并根据生熟系数、食物成分表计算出摄入的能量和营养素。由于其不依赖受试者的记忆和对份量的感知,常被视为“黄金标准”用于衡量其他膳食调查方法的准确性[5]。MUELLER-STIERLIN等[6]研究了WFR和基于图像的食物记录法在精神疾病患者中的可接受性,发现后者更易被受试者接受,可能是准确称取食物重量较为繁琐,降低其可接受性。OFEI等[7]对比研究了膳食摄入程序和WFR的准确性,2种方法在评估蛋白质和能量摄入时无显著性差异,表明膳食摄入程序是一种有效的膳食评估工具。
1.2 记账法(bookkeeping,BK)
BK是通过记录调查前所储存的、购进的以及调查结束时剩余食物数量和种类来计算出膳食调查期间受试者所消耗的食物,该法适用于群体的膳食调查[8]。于斌等[9]利用BK调查某部队的膳食营养状况,发现受访者能量及大部分营养素的摄入较充足,但食物种类单一,维生素和钙元素摄入不均衡。但该研究未考虑食物加工及弃余情况,实际营养素摄入量可能低于计算结果。崔秀等[10]通过BK和WFR对某幼儿园进行了膳食调查,发现膳食结构不合理、果蔬摄入量不足等问题,根据调查结果科研工作者对于优化该园区的膳食方案给出了科学合理的建议。
1.3 24小时膳食回顾法(24-h dietary recall,24HR)
24HR要求受访者与调查者进行面对面或电话交流,报告他们自身的食物摄入量,并要求受访者尽可能详细地回顾或记录过去24 h内的进食量和食品类型。由于完全依赖于受访者对自身进食行为的回顾,因而对受访者的记忆力和依从性有较高的要求,往往导致收集的数据存在误差和遗漏。ARSENAULT等[11]利用24HR评估青少年的营养摄入,发现自我报告的24HR低估了食物摄入量,但低估范围在15%以内是可以接受的,可通过进一步的培训来降低实验误差。邵莹莹等[12]验证基于智能手机的膳食评估工具——膳食小助手的准确性,该研究以24HR为参考标准,发现2种方法评估能量及营养素摄入无明显差异,研究认为该评估工具不依赖受试者的记忆,可显著提高数据的准确性,因此可进行普遍推广用于膳食调查。
1.4 食物频率问卷法(food frequency questionnaires,FFQ)
FFQ是通过询问受试者在过去某个时间段内摄入的食物频率来进行膳食调查,该方法适用于调查群体的日常膳食摄入量,是营养流行病学研究中使用最广泛的工具之一[13]。谢金丽等[14]结合国内不同地区的饮食特点,并加以修改创建新的FFQ。该研究以三天膳食称重法为标准,评价该FFQ在191名男性青年运动员中的信效度。该FFQ在评估能量及营养素摄入量之间的相关系数为0.45以上,具有较好的信度,但评估的维生素、脂肪、碳水化合物、蛋白质等与三天膳食称重法相比,效度具有显著差异,这可能是由于饮食习惯及烹饪方式导致。其研究认为,该FFQ未考虑季节对膳食摄入量的影响,且无法反映长期饮食摄入量。JARD
等[15]采用FFQ调查孕妇在妊娠期和产后的饮食变化,发现从怀孕到产后,其水果的摄入量显著下降,而加工肉类和甜食超过建议摄入量,该研究认为年龄、社会阶层、教育程度和吸烟等因素会影响受访者的膳食质量。吕榕霞等[16]综述了孕妇及青少年FFQ信效度的研究进展,通过文献数据库筛查,最终12篇文献纳入该研究,其研究结果显示,FFQ在孕妇及青少年等特殊人群中的信效度存在差异,孕妇群体中,信度和效度范围分别为0.29～0.72、0.12～0.63,青少年群体中,信度和效度范围分别为0.40～0.53、0.21～0.60。该研究认为,12篇文献的原始FFQ数据不易获取,因此综述结果存在偏差,且后续研究还需考虑不同地区及人群差异并规范FFQ调查流程。
2 基于MFR的膳食调查方法
上述评估过程通常是基于纸笔记录完成的,操作繁琐且耗费时间,不太适合于大规模或长期的营养学研究[17]。近年来,研究者开发了大量的移动应用程序来跟踪调查受访者的膳食结构。这种移动应用程序包含一个在线食物数据库,可以立即将食物图像转化为能量、营养素含量。以Technology Assisted Dietary Assessment (TADA)应用程序为例[18](图1),使用MFR获取进食场合的图像,餐前餐后各一张图像,并将它们发送至服务器。图像分析(图像分割和食物识别)在服务器(步骤2)上完成。图像分析的结果发送回MFR(步骤3),此时受访者审查并确认图像信息(步骤4)。在步骤5中,服务器接收受访者确认的图像信息,并使用这些信息进行最终的食物份量估计及营养成分的分析,并将它们存储在数据库系统中。最后,这些结果基于网络界面提供给科研工作者(步骤6)。应用此方法,可根据受试者摄入食物照片来跟踪记录其能量及营养素摄入。不仅对于挖掘受访者的膳食习惯与其营养健康之间的相关性至关重要,也为科研工作者开展相关研究提供了极大的便利。
图1 TADA应用程序的架构[18]
Fig.1 Architecture of the TADA applications[18]
2.1 MFR的功能描述
近年来,MFR在膳食干预和慢性病预防方面的应用日渐流行,其突出的成本效益及其对膳食习惯积极的引导作用引起了相关学者渐增的关注。当前基于图像识别与分析技术的方法,可用于分析记录消费群体的摄食场景,为膳食评估提供重要数据来源。此外,精准且可溯源的数据也为膳食风险评估、公共卫生政策及相关决策分析奠定坚实的理论基础。这类MFR可根据食物数据库实现食物图像的自动识别,从而计算食物的营养素构成与能量。国内外已经开发了多种移动膳食评估程序,现将其列于表1。
表1 国内外MFR及其相关概述
Table 1 Domestic and foreign MFR and related overview
程序名称兼容性下载量/万功能描述相关研究薄荷健康Android&iOS 12.0及以上版本10 000+食物数据库全面可实时查看;提供个性化服务;健康及高效的自我膳食管理肖艳萍等[19]探究了“薄荷健康”联合“Keep”APP在个性化体重管理中的应用价值。轻断食Android&iOS 11.0及以上版本5 600+提供个性化膳食计划;追踪轻断食计划完成度;实时记录饮水量、体重等数据;数据可视化/体重小本Android&iOS 11.0及以上版本1 460+支持自定义体重标签;以列表、柱形图、趋势线等多种形式展现减肥进展/热量减肥法Android&iOS 9.0及以上版本819+超过65万的食物数据;专注饮食记录;是良好的体重管理工具;含有低脂食谱教程/MyFitnessPaliOS&Android10 000+食物数据库全面,方便获取能量和营养成分数据;利用卡路里跟踪器记录运动量;包含条形码扫描仪,可快速添加包装食品SEPTIYANA等[20]研究认为该程序可降低超重和肥胖大学生的含糖饮料摄入量。8fitiOS&Android1 000+干预膳食习惯;制定个性化膳食方案;食谱种类多,适用人群广FARROKHI等[21]综述了8fit与其他程序的不同点,对比分析了其优劣势。Lose it!iOS&Android 5.0及以上版本1 000+跟踪膳食摄入量;条形码扫描仪;快速添加食物种类;拍照记录食物摄入量;提供个性化膳食方案LAUDENSLAGER等[22]综述了不同应用程序在肥胖人群中体重管理的有效性,并分析了Lose it!的功能。FatSecretiOS&Android1 000+快速查找能量和营养素的数据;图像识别及分析技术,记录并计算能量消耗;跟踪体重变化ROSLAN等[23]利用FatSecret监测受试者营养和能量摄入,并对其方法进行研究。
2.2 MFR用于膳食调查的比较优势
有效的营养干预决策需要及时、准确、全面的个人或群体的饮食数据,传统膳食评估法因其较高的实施成本以及较低的结果时效性而日渐式微。科技的迅猛发展不断推动传统膳食评估法向数字化、电子化与智能化转变,基于移动智能终端开发的各类膳食调查程序用于膳食数据收集备受研究者关注,此类智慧工具辅助科研工作者进行膳食干预决策,可突破传统膳食评估法面临的困境,且该类程序用于科研的可靠性也得到营养流行病学研究者越来越多的验证。
MAUNDER等[24]开发的Mobile Intake程序具有高效实时反馈数据的特点,因此受试者依从性较高,获取膳食信息的数据准确,表明MFR是一种有效的数据采集方法可辅助科研工作者进行膳食干预决策。邢新新等[25]根据Mate分析,发现基于图像的膳食评估方法与传统的WFR、24HR在评估微量营养素方面无显著差异。该研究认为,依托智能化移动应用程序,基于图像的膳食评估方法可较为准确地识别食物图像,使得评估数据与传统方法准确性保持一致。表2对比了传统膳食调查法和基于MFR的膳食调查法的差异。
表2 传统膳食调查法和基于MFR的膳食调查法的差异
Table 2 Differences between traditional and MFR-based dietary surveys
比较项目传统膳食调查方法基于MFR的膳食调查法参考文献调查方法WFR、BK、24HR、FFQ各类植入MFR的智能终端如手机等[26-27]参与人员受访者,较高专业素养的科研工作者受访者(熟练操作智能手机)[28-29]数据来源自我报告的膳食行为和习惯基于图像和自动捕获膳食、评估能量和营养素的摄入[30-31]调查周期数周至数月甚至更长受访者可实时记录[32-33]局限性耗时、不准确的数据传输和处理; 适合样本量小的调查、不适合表达障碍人群及大规模流行病学研究不同地区饮食差异,食物数据库需迭代完善;受试群体要求精通智能电子产品[28-29,34]评估准确性高达33%的误差以及受访者依从性要求较高有效提高膳食评估的效率和数据的准确性[35-36]调查形式通常涉及面对面或者电话交流数字化、智能化、自动化提醒和合规性的监测[37-38]调查特点对受访者的记忆力有一定的要求,有能力记录自己的饮食细节易于访问,通常成本低/免费,可提供个性化需求,受访者接受性较高[39-40]
3 MFR在膳食评估中的应用
3.1 食物量评估
研究者以提高数据准确性、降低数据收集成本和减轻受访者负担为目标,不断驱动着膳食评估的方法/工具的革新。近年来,随着智能技术的高质量发展,MFR可自动识别膳食照片中的食物份量和体积大小(图2),进而评估食物中的能量含量和营养素组成。
图2 基于图像分析技术评估食物份量[44]
Fig.2 Theestimated portion sizes based on image analysis techniques[44]
MFR在量化食物份量方面的有效性已被广泛论证。RAJU等[41]开发FOODCAM移动程序捕获食品立体图像并精准构建3D模型,进而评估食物份量,并使用5种不同形状的食物(鹰嘴豆、薯条、面包、香蕉、爆米花)进行验证,该程序估计食物份量准确度高达94.4%,表明该程序能准确地反馈膳食信息,受试者可根据反馈信息进而了解自身营养需求,因此,该程序可用作干预膳食行为研究的有效工具。MAKHSOUS等[42]利用移动应用程序对食物进行3D重建,扫描食物后捕获其体积和份量信息,进而估算该食物的营养成分。与传统纸笔记录法相比,该方法测量食物体积或份量的准确性提高了约40%。马兰芳等[43]通过受试者上传的图像,采用图像分割技术获得食物的体积、食材种类及对应的营养素成分,对食物识别的准确率为89.72%,高效实时的信息反馈,可大幅提高受试者的依从性,有助于慢性病患者进行每日膳食的自我管理。
3.2 监测膳食结构
精准的膳食评估和膳食行为干预是科研工作者保障公共卫生安全的必要措施,营养学家对于应用MFR来监测受访者的饮食摄入以辅助膳食干预决策往往持积极态度。LEE等[45]通过Diet-A移动应用程序记录33名青年受试者每日摄入的食物及饮料,经过3个月的试验干预,57.1%的受试者表示在使用移动程序期间更能方便快捷地了解自身的饮食摄入量,61.9%的受试者对该程序实时监测的特点表示满意,研究认为,该程序有助于受试者饮食习惯的改变,以此来降低疾病发生的风险。ALLMAN-FARINELLI等[46]利用TXT2BfiT移动应用程序在具有高增重风险的年轻受试者中进行了饮食摄入量的调查,经过12周的自我监测,受试者的体重、含糖饮料摄入量、高能量膳食和蔬菜摄入量均显著降低,说明了该程序可以有效地进行自我管理,从而促进健康饮食。CALVO-LERMA等[47]利用新开发的移动应用程序MyCyFAPP对84名儿童受试者进行了为期6个月的饮食监测,研究结果显示,受试者能量摄入略有减少,常量营养素分布更接近膳食指南建议,但该研究受试者范围有限,对于青少年群体,需要在监护人的陪护下完成调查。
3.3 膳食习惯干预
营养流行病学研究者普遍认为,不良的膳食习惯是导致肥胖、糖尿病和心血管疾病等慢性疾病的关键因素[48],鉴于其对人体健康带来的不良后果,如何有效地改变膳食习惯及高效、准确地开展膳食调查等问题引起学界的密切关注。为了调查受试者的膳食习惯,传统方法大多采用面对面纸笔记录的问卷调查,虽然该方法很有成效,但在资源有限的环境中大规模开展调查活动成本较高[49],且调查者需要收集大量问卷调查材料和繁琐的数据处理,因此工作负担较重。近年来,MFR用于膳食调查往往更加方便快捷且能实时反馈信息,一定程度上提高了受试者的依从性,进而提高科研工作的准确性。
CAON等[33]通过e-Diary应用程序跟踪357名青少年饮食行为,该程序可自动地将不同的食物份量、种类和零食数量转换为相应的食物营养成分,且通过短信通知的方式提醒受试者及时记录摄入的食物。经过6个月的膳食调查,发现受试者水果蔬菜的摄入量增加,不吃早餐的行为有所改善,但该程序使用量在2周后有所下降,可能是受试者群体为青少年,除学习压力外,额外增加监护人的工作负担。LEW等[50]开发Nature Detox程序,该程序包括饮食和运动模块,通过音乐播放器辅助受试者完成运动。该程序可提高受试者健康饮食、加强锻炼的意识。SCARRY等[51]综述了MFR对受试者饮食习惯的影响,通过文献数据库检索出5 342项研究,发现在移动应用程序的干预下,受试者的饮食习惯有所改善,其中果蔬摄入量的变化较为明显。
3.4 辅助体重管理
肥胖会提高代谢综合征(如糖尿病、高血压、动脉硬化和癌症)的发病率,对个体健康和预期寿命造成极大损害[52]。鉴于其对个体健康和社会经济产生的严峻后果,近年来,营养流行病学研究者开发了系列MFR来干预饮食,以此达到抵抗肥胖的目的。
MFR可以有效地促进受试者进行体重管理。ROSS等[53]通过Fitbit程序记录293名受试者每日食物摄入,并配有Zip活动跟踪器和Aria体重秤,用于实时跟踪受试者步数、体重变化及卡路里消耗量。经过6个月的程序干预,受试者平均减重6.4 kg,44%的受试者体重减轻5%,该研究认为MFR是一种有效的体重管理工具,有助于肥胖人群进行自我管理。HU等[54]利用Foodsmart移动应用程序,为8 977名肥胖人群提供个性化营养食谱,研究结果显示,经过24个月的膳食干预,59%的受试者体重减轻,其中24%的受试者体重减轻5%,此外,在长时间的干预下,受访者的依从性并未出现大幅度降低,表明该程序有助于受访者进行自我体重管理,且体重变化较为显著。THORGEIRSSON等[55]通过Sidekick移动应用程序,记录肥胖人群的膳食摄入及身体活动频率,研究结果显示,实验组平均身体质量指数降低1.4 kg/m2,27%受试者体重减轻5%,该研究认为,移动应用程序可能会改变肥胖人群的生活方式,帮助具有高增重风险人群进行体重管理,从而降低其慢性病的患病风险。
3.5 跟踪食物浪费
食物浪费是当今全球面临的共同课题,每年浪费或丢弃的食物占生产总量的1/3[56],鉴于其带来的经济和环境负担,近年来,科研工作者研发了系列MFR用于量化浪费的食物,大幅度减少了科研工作者的调查时间和经济负担。
QUESTED等[57]综述了传统膳食评估方法低估浪费的食物量主要原因:(1)膳食调查期间受访者故意减少食物浪费的行为;(2)并非所有产生的浪费食物量都被如实记录;(3)将非特定质量食物(如一串葡萄、面包片数等)转换为质量时带来的测量偏差;(4)研究调查期间,受试群体不能代表广泛人群所造成的选择偏差。该研究同时也认为传统膳食评估方法在跟踪食物浪费方面,易受外界环境干扰,数据误差来源广泛,且受试者的依从性有待提高。HAJJDIAB等[58]开发了foodreduce程序,该程序允许餐厅工作人员登录,上传未食用的食物图片及菜品的描述和取餐地点,受助人群登录并选择所需的食物,通过应用程序发送请求后取餐,该方式可有效减少食物浪费,且有助于改善贫困人口的温饱问题。LEVERENZ等[59]开发了Resourcemanager Food跟踪食物浪费的应用程序,通过USB端将电子秤的称重数据直接传输至该程序,其主要目的是通过智能化的干预措施,准确报告浪费的食物量。
4 挑战与展望
随着智能移动设备的快速发展,其功能愈发强大完善,因此也日渐融入到人们的日常生活之中。后疫情时代,各类快速、精准且智能的应用程序也在推动基于纸笔记录的科研调查方法不断地迭代更新。各类MFR层出不穷,其依托各种移动智能终端,不仅能满足消费者的体重管理和饮食监督需求,一定程度上也为科研工作者开展膳食调查提供了便利。然而,当前的各类MFR用于膳食调查还存在诸多不尽如人意之处,主要有以下几个问题:(1)由于食品种类复杂、形式多样等问题的存在,精准构建食物图像与其分量(体积、质量)、营养素、能量含量之间的数学关系存在较大困难。(2)由于识别食物图像准确度取决于图像质量、拍摄图像的距离等诸多因素,食物图像的标准化捕捉存在一定的障碍。(3)适用对象有一定限制,要求受访者能够较熟练地使用智能设备,但传统膳食评估方法也同样存在此类问题。(4)相比于国外对于MFR的开发与应用,国内相关研究领域相对较为滞后。推动该研究领域的持续发展有赖于“深度学习”“卷积神经网络”等人工智能技术在用户数据收集与整合、标准化食物图像捕捉、食物精确分割等方面的开发与应用,结合更全面的数据库,将有望解决上述问题。此外,5G技术的应用使得实时地专业性指导成为可能,从而有望扩大MFR的应用范围。综上所述,未来随着膳食数据库的不断完善以及计算机视觉算法的不断优化与5G网络传输技术的深入应用,MFR应用于膳食调查将更加精准便捷,从而将更有利于营养学家与食品科学工作者开展基于膳食评估的相关研究。
[1] L
PEZ-SOBALER A M, APARICIO A, RUBIO J, et al.Adequacy of usual macronutrient intake and macronutrient distribution in children and adolescents in Spain:A National Dietary Survey on the Child and Adolescent Population, ENALIA 2013-2014[J].European Journal of Nutrition, 2019, 58(2):705-719.
[2] THOMPSON F E, SUBAR A F.Dietary Assessment Methodology[M]//Nutrition in the Prevention and Treatment of Disease.Amsterdam:Elsevier, 2017:5-48.
[3] CORNEJO L, URBANO R, UGARTE W.Mobile application for controlling a healthy diet in Peru using image recognition[C]//2021 30th Conference of Open Innovations Association FRUCT.IEEE, 2021:32-41.
[4] 夏娟, 卓勤, 何宇纳.24小时膳食回顾法和食物频率法评估人群脂肪摄入的比较[J].卫生研究, 2016, 45(3):420-424.
XIA J, ZHUO Q, HE Y N.Comparison of 24 hour dietary recalls with a food frequency questionnaire in evaluating dietary fat intakes[J].Journal of Hygiene Research, 2016, 45(3):420-424.
[5] 李艳平, 何宇纳, 翟凤英, 等.称重法、回顾法和食物频率法评估人群食物摄入量的比较[J].中华预防医学杂志, 2006, 40(4):273-280.
LI Y P, HE Y N, ZHAI F Y, et al.Comparison of assessment of food intakes by using 3 dietary survey methods[J].Chinese Journal of Preventive Medicine, 2006, 40(4):273-280.
[6] MUELLER-STIERLIN A S, TEASDALE S B, DINC U, et al.Feasibility and acceptability of photographic food record, food diary and weighed food record in people with serious mental illness[J].Nutrients, 2021, 13(8):2862.
[7] OFEI K T, MIKKELSEN B E, SCHELLER R A.Validation of a novel image-weighed technique for monitoring food intake and estimation of portion size in hospital settings:A pilot study[J].Public Health Nutrition, 2019, 22(7):1 203-1 208.
[8] 熊政委. 3～6岁儿童营养膳食调查的研究进展[J].食品安全导刊, 2021(25):117-118.
XIONG Z W.Research progress on nutritional diet survey of children aged 3-6 years[J].China Food Safety Magazine, 2021(25):117-118.
[9] 于斌, 付留杰, 刘勇.驻鲁陆军某部防空与通信部队膳食营养调查与对比评价[J].解放军预防医学杂志, 2017, 35(6):556-558;574.
YU B, FU L J, LIU Y.Survey, comparison and evaluation of dietary nutrition in air-defense and signal troops in Shandong Province[J].Journal of Preventive Medicine of Chinese PLA, 2017, 35(6):556-558;574.
[10] 崔秀, 黄丰, 吴兰兰, 等.桂林市城区2019—2021年幼儿园膳食营养调查分析[J].中国食物与营养, 2022, 28(9):69-74;81.
CUI X, HUANG F, WU L L, et al.Investigation and analysis on dietary nutrition in kindergartens in urban areas of Guilin in 2019—2021[J].Food and Nutrition in China, 2022, 28(9):69-74;81.
[11] ARSENAULT J E, MOURSI M, OLNEY D K, et al.Validation of 24-h dietary recall for estimating nutrient intakes and adequacy in adolescents in Burkina Faso[J].Maternal &Child Nutrition, 2020, 16(4):e13014.
[12] 邵莹莹, 罗红良, 汪之顼, 等.网络膳食评估工具的使用效果[J].卫生研究, 2017, 46(2):272-276.
SHAO Y Y, LUO H L, WANG Z X, et al.Validation of an online dietary assessment tool[J].Journal of Hygiene Research, 2017, 46(2):272-276.
[13] AOUN C, BOU DAHER R, EL OSTA N, et al.Reproducibility and relative validity of a food frequency questionnaire to assess dietary intake of adults living in a Mediterranean country[J].PLoS One, 2019, 14(6):e0218541.
[14] 谢金丽, 张丽, 张予弦, 等.男性青年运动员食物频率问卷信度和效度研究[J].营养学报, 2022:1-8.
XIE J L, ZHANG L, ZHANG Y X, et al.Reliability and validity of a food frequency questionnaire in male youth athletes[J].Acta Nutrimenta Sinica, 2022:1-8.
[15] JARD
C, APARICIO E, BEDMAR C, et al.Food consumption during pregnancy and post-partum.ECLIPSES study[J].Nutrients, 2019, 11(10):2447.
[16] 吕榕霞, 黄礼妍, 何丽, 等.中国孕妇及儿童青少年食物频率问卷信效度系统综述[J].现代预防医学, 2022, 49(13):2 335-2 340;2 359.
LYU R X, HUANG L Y, HE L, et al.A systematic review of the reproducibility and validity of food frequency questionnaire among Chinese pregnant women, children and adolescents[J].Modern Preventive Medicine, 2022, 49(13):2 335-2 340;2 359.
[17] MAUGERI A, BARCHITTA M.A systematic review of ecological momentary assessment of diet:Implications and perspectives for nutritional epidemiology[J].Nutrients, 2019, 11(11):2696.
[18] SHAO Z M, HAN Y, HE J P, et al.An integrated system for mobile image-based dietary assessment[C]//Proceedings of the 3rd Workshop on AIxFood.New York:ACM, 2021:19-23.
[19] 肖艳萍, 张春梅, 漆敏, 等.“薄荷健康”联合“Keep”APP在个性化体重管理中的应用价值[J].中国医学创新, 2020, 17(26):92-96.
XIAO Y P, ZHANG C M, QI M, et al.Application value of “mint health” combined with “Keep” APP in personalized weight management[J].Medical Innovation of China, 2020, 17(26):92-96.
[20] SEPTIYANA S M, AJI A S, NURYANDINI E, et al.The smartphone app (MyFitnessPal) reduce sugar-sweetened beverages intake among overweight and obese college students[J].Jurnal Gizi Dan Dietetik Indonesia (Indonesian Journal of Nutrition and Dietetics), 2022, 9(3):130.
[21] FARROKHI A, FARAHBAKHSH R, REZAZADEH J, et al.Application of Internet of Things and artificial intelligence for smart fitness:A survey[J].Computer Networks, 2021, 189:107859.
[22] LAUDENSLAGER M, CHAUDHRY Z W, RAJAGOPAL S, et al.Commercial weight loss programs in the management of obesity:An update[J].Current Obesity Reports, 2021, 10(2):90-99.
[23] ROSLAN N N, JAMALUDDIN M N F, IBRAHIM A F, et al.iNutritionApp:Mobile application for nutrition monitoring using FatSecret API[J].Journal of Computing Research and Innovation, 2021, 6(2):119-127.
[24] MAUNDER K, MARSHALL K, SYED K, et al.Validation of an electronic food intake tool and its usability and efficacy in the healthcare setting[J].Journal of Human Nutrition and Dietetics, 2022, 35(3):613-620.
[25] 邢新新, 金子程, 杨旭博, 等.基于图像辅助的膳食微量营养素评估方法有效性研究[J].中国食物与营养, 2022, 28(3):1-11.
XING X X, JIN Z C, YANG X B, et al.Validity of image-based dietary assessment method based on micronutrients[J].Food and Nutrition in China, 2022, 28(3):1-11.
[26] WHITTON C, HEALY J D, COLLINS C E, et al.Accuracy and cost-effectiveness of technology-assisted dietary assessment comparing the automated self-administered dietary assessment tool, Intake24, and an image-assisted mobile food record 24-hour recall relative to observed intake:Protocol for a randomized crossover feeding study[J].JMIR Research Protocols, 2021, 10(12):e32891.
[27] ROGERS B, SOMÉ J W, BAKUN P, et al.Validation of the INDDEX24 mobile app v.a pen-and-paper 24-hour dietary recall using the weighed food record as a benchmark in Burkina Faso[J].The British Journal of Nutrition, 2022, 128(9):1 817-1 831.
[28] ELDRIDGE A L, PIERNAS C, ILLNER A K, et al.Evaluation of new technology-based tools for dietary intake assessment-an ILSI Europe dietary intake and exposure task force evaluation[J].Nutrients, 2018, 11(1):55.
[29] VASILOGLOU M F, VAN DER HORST K, STATHOPOULOU T, et al.The human factor in automated image-based nutrition apps:Analysis of common mistakes using the goFOOD lite app[J].JMIR MHealth and UHealth, 2021, 9(1):e24467.
[30] CHAN V, DAVIES A, WELLARD-COLE L, et al.Using wearable cameras to assess foods and beverages omitted in 24 hour dietary recalls and a text entry food record app[J].Nutrients, 2021, 13(6):1806.
[31] ISHIKAWA-TAKATA K, OKAMOTO K, TAGUCHI M.Development and validation of a food frequency questionnaire for Japanese athletes (FFQJA)[J].Journal of the International Society of Sports Nutrition, 2021, 18(1):34.
[32] JIANG L D, QIU B J, LIU X, et al.DeepFood:Food image analysis and dietary assessment via deep model[J].IEEE Access, 2020, 8:47 477-47 489.
[33] CAON M, PRINELLI F, ANGELINI L, et al.PEGASO e-Diary:User engagement and dietary behavior change of a mobile food record for adolescents[J].Frontiers in Nutrition, 2022, 9:727480.
[34] ZHAO X Y, XU X C, LI X Y, et al.Emerging trends of technology-based dietary assessment:A perspective study[J].European Journal of Clinical Nutrition, 2021, 75(4):582-587.
[35] CIOCCA G, NAPOLETANO P, SCHETTINI R.Food recognition:A new dataset, experiments, and results[J].IEEE Journal of Biomedical and Health Informatics, 2017, 21(3):588-598.
[36] DAS S K, MIKI A J, BLANCHARD C M, et al.Perspective:Opportunities and challenges of technology tools in dietary and activity assessment:Bridging stakeholder viewpoints[J].Advances in Nutrition, 2022, 13(1):1-15.
[37] MURAKAMI K, SHINOZAKI N, KIMOTO N, et al.Relative validity of food intake in each meal type and overall food intake derived using the meal-based diet history questionnaire against the 4-day weighed dietary record in Japanese adults[J].Nutrients, 2022, 14(15):3193.
[38] MICHA R, COATES J, LECLERCQ C, et al.Global dietary surveillance:Data gaps and challenges[J].Food and Nutrition Bulletin, 2018, 39(2):175-205.
[39] SCARRY A, RICE J, O’ CONNOR E M, et al.Does the use of mobile applications or mobile health technology improve diet quality in adults? A protocol for a systematic literature review[J].HRB Open Research, 2022, 5:1.
[40] GAZAN R, VIEUX F, MORA S, et al.Potential of existing online 24-h dietary recall tools for national dietary surveys[J].Public Health Nutrition, 2021, 24(16):5 361-5 386.
[41] RAJU V B, SAZONOV E.FOODCAM:A novel structured light-stereo imaging system for food portion size estimation[J].Sensors (Basel, Switzerland), 2022, 22(9):3300.
[42] MAKHSOUS S, MOHAMMAD H M, SCHENK J M, et al.A novel mobile structured light system in food 3D reconstruction and volume estimation[J].Sensors (Basel, Switzerland), 2019, 19(3):564.
[43] 马兰芳, 薛怡蓉.面向慢性病人群的智能膳食评估系统[J].首都医科大学学报, 2021, 42(2):262-268.
MA L F, XUE Y R.An efficient and convenient intelligent dietary assessment system for patients with chronic diseases[J].Journal of Capital Medical University, 2021, 42(2):262-268.
[44] WANG Y, HE Y, BOUSHEY C J, et al.Context based image analysis with application in dietary assessment and evaluation[J].Multimedia Tools and Applications, 2018, 77(15):19 769-19 794.
[45] LEE J E, SONG S H, AHN J S, et al.Use of a mobile application for self-monitoring dietary intake:Feasibility test and an intervention study[J].Nutrients, 2017, 9(7):748.
[46] ALLMAN-FARINELLI M, PARTRIDGE S R, MCGEECHAN K, et al.A mobile health lifestyle program for prevention of weight gain in young adults (TXT2BFiT):Nine-month outcomes of a randomized controlled trial[J].JMIR MHealth and UHealth, 2016, 4(2):e78.
[47] CALVO-LERMA J, BOON M, HULST J, et al.Change in nutrient and dietary intake in European children with cystic fibrosis after a 6-month intervention with a self-management mHealth tool[J].Nutrients, 2021, 13(6):1801.
[48] WU X Y, ZHUANG L H, LI W, et al.The influence of diet quality and dietary behavior on health-related quality of life in the general population of children and adolescents:A systematic review and meta-analysis[J].Quality of Life Research, 2019, 28(8):1 989-2 015.
[49] KAUR J, KAUR M, CHAKRAPANI V, et al.Effectiveness of information technology-enabled ‘SMART Eating’ health promotion intervention:A cluster randomized controlled trial[J].PLoS One, 2020, 15(1):e0225892.
[50] LEW E V, MURLI N.Development of nature detox android based mobile application[J].Applied Information Technology and Computer Science, 2021, 2(2):436-454.
[51] SCARRY A, RICE J, O’CONNOR E M, et al.Usage of mobile applications or mobile health technology to improve diet quality in adults[J].Nutrients, 2022, 14(12):2437.
[52] LPEZ-OTN C, KROEMER G.Hallmarks of health[J].Cell, 2021, 184(1):33-63.
[53] ROSS K M, WING R R.Impact of newer self-monitoring technology and brief phone-based intervention on weight loss:A randomized pilot study[J].Obesity, 2016, 24(8):1 653-1 659.
[54] HU E A, NGUYEN V, LANGHEIER J, et al.Weight reduction through a digital nutrition and food purchasing platform among users with obesity:Longitudinal study[J].Journal of Medical Internet Research, 2020, 22(9):e19634.
[55] THORGEIRSSON T, TORFADOTTIR J E, EGILSSON E, et al.Randomized trial for weight loss using a digital therapeutic application[J].Journal of Diabetes Science and Technology, 2022, 16(5):1 150-1 158.
[56] DEY S, SAHA S M, SINGH A K, et al.SmartNoshWaste:Using blockchain, machine learning, cloud computing and QR code to reduce food waste in decentralized web 3.0 enabled smart cities[J].Smart Cities, 2022, 5(1):162-176.
[57] QUESTED T E, PALMER G, MORENO L C, et al.Comparing diaries and waste compositional analysis for measuring food waste in the home[J].Journal of Cleaner Production, 2020, 262:121263.
[58] HAJJDIAB H, ANZER A, TABAZA H A, et al.A food wastage reduction mobile application[C]//2018 6th International Conference on Future Internet of Things and Cloud Workshops (FiCloudW).IEEE, 2018:152-157.
[59] LEVERENZ D, HAFNER G, MOUSSAWEL S, et al.Reducing food waste in hotel kitchens based on self-reported data[J].Industrial Marketing Management, 2021, 93:617-627.