論文の概要: Human Behavior-based Personalized Meal Recommendation and Menu Planning
Social System
- arxiv url: http://arxiv.org/abs/2308.06549v1
- Date: Sat, 12 Aug 2023 12:19:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-15 16:45:16.988447
- Title: Human Behavior-based Personalized Meal Recommendation and Menu Planning
Social System
- Title（参考訳）: 行動に基づくパーソナライズド食事推薦とメニュー計画社会システム
- Authors: Tanvir Islam, Anika Rahman Joyita, Md. Golam Rabiul Alam, Mohammad
Mehedi Hassan, Md. Rafiul Hassan, Raffaele Gravina
- Abstract要約: 提案するフレームワークには、異なる食事の影響を認識するソーシャル・アフェクティブ・コンピューティング・モジュールが含まれている。
脳波は脳の信号を捉え、それを分析し、食べ物に対する感情を予測できる。
実験結果から, 感情計算, 食事推奨, メニュー計画アルゴリズムは, 様々な評価パラメータで良好に機能することが示唆された。
- 参考スコア（独自算出の注目度）: 9.633565294243175
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The traditional dietary recommendation systems are basically nutrition or
health-aware where the human feelings on food are ignored. Human affects vary
when it comes to food cravings, and not all foods are appealing in all moods. A
questionnaire-based and preference-aware meal recommendation system can be a
solution. However, automated recognition of social affects on different foods
and planning the menu considering nutritional demand and social-affect has some
significant benefits of the questionnaire-based and preference-aware meal
recommendations. A patient with severe illness, a person in a coma, or patients
with locked-in syndrome and amyotrophic lateral sclerosis (ALS) cannot express
their meal preferences. Therefore, the proposed framework includes a
social-affective computing module to recognize the affects of different meals
where the person's affect is detected using electroencephalography signals. EEG
allows to capture the brain signals and analyze them to anticipate affective
toward a food. In this study, we have used a 14-channel wireless Emotive Epoc+
to measure affectivity for different food items. A hierarchical ensemble method
is applied to predict affectivity upon multiple feature extraction methods and
TOPSIS (Technique for Order of Preference by Similarity to Ideal Solution) is
used to generate a food list based on the predicted affectivity. In addition to
the meal recommendation, an automated menu planning approach is also proposed
considering a person's energy intake requirement, affectivity, and nutritional
values of the different menus. The bin-packing algorithm is used for the
personalized menu planning of breakfast, lunch, dinner, and snacks. The
experimental findings reveal that the suggested affective computing, meal
recommendation, and menu planning algorithms perform well across a variety of
assessment parameters.
- Abstract（参考訳）: 従来の食事レコメンデーションシステムは基本的に、食事に対する人間の感情を無視する栄養または健康対策である。
食欲に関して人の影響は様々であり、すべての食べ物があらゆる気分で魅力的であるわけではない。
質問紙ベースおよび嗜好認識型食事推薦システムは解決できる。
しかし, 異なる食材に対する社会的影響の自動認識や, 栄養負荷や社会的影響を考慮したメニューの計画は, 質問紙・嗜好に配慮した食事推奨の有益である。
重篤な疾患の患者、コマの患者、またはロックイン症候群と筋萎縮性側索硬化症(ALS)の患者は食事の嗜好を表現できない。
そこで,提案フレームワークは,脳波信号を用いて人の感情が検出される食事の影響を認識する社会的影響コンピューティングモジュールを含む。
eegは脳の信号を捉えて分析し、食物に対する感情を予測できる。
本研究では,14チャンネルのEmotive Epoc+を用いて,異なる食品に対する愛着度を測定した。
複数の特徴抽出法による感情の予測に階層的アンサンブル法を適用し、予測された感情の予測に基づいて食品リストを生成するためにTOPSIS (Technique for Order of Preference by similarity to Ideal Solution) を用いる。
また, 食事の推奨に加えて, メニューのエネルギー摂取量, 嗜好性, 栄養価を考慮した自動メニュー計画手法も提案した。
bin-packingアルゴリズムは、朝食、ランチ、ディナー、スナックのパーソナライズされたメニュー計画に使用される。
実験結果から, 感情計算, 食事推奨, メニュー計画アルゴリズムは, 様々な評価パラメータで良好に機能することが示唆された。
関連論文リスト
- NutrifyAI: An AI-Powered System for Real-Time Food Detection, Nutritional Analysis, and Personalized Meal Recommendations [14.036206693783198]
本稿では,先進的なコンピュータビジョン技術と栄養分析を組み合わせた総合システムを提案する。
予備的な結果は、即時かつ正確な食事の洞察を提供することによって、システムの有効性を示し、食品認識精度は80%近くである。
論文 参考訳（メタデータ） (2024-08-20T04:18:53Z) - NutritionVerse-Direct: Exploring Deep Neural Networks for Multitask Nutrition Prediction from Food Images [63.314702537010355]
自己申告法はしばしば不正確であり、重大な偏見に悩まされる。
近年、食品画像から栄養情報を予測するためにコンピュータビジョン予測システムを用いた研究が進められている。
本稿では,様々なニューラルネットワークアーキテクチャを活用することにより,食事摂取量推定の有効性を高めることを目的とする。
論文 参考訳（メタデータ） (2024-05-13T14:56:55Z) - How Much You Ate? Food Portion Estimation on Spoons [63.611551981684244]
現在の画像に基づく食品部分推定アルゴリズムは、ユーザが食事の画像を1、2回取ることを前提としている。
本稿では,静止型ユーザ向けカメラを用いて,機器上の食品の追跡を行う革新的なソリューションを提案する。
本システムは,スープやシチューなどの液状固形不均一混合物の栄養含量の推定に信頼性が高い。
論文 参考訳（メタデータ） (2024-05-12T00:16:02Z) - ChatDiet: Empowering Personalized Nutrition-Oriented Food Recommender Chatbots through an LLM-Augmented Framework [2.3221599497640915]
ChatDietは、パーソナライズされた栄養指向の食品レコメンデーションチャットボット用に特別に設計された、新しいフレームワークである。
ChatDietは、オーケストラが補完する個人モデルと人口モデルを統合し、シームレスに関連する情報を検索し、処理する。
ChatDietの評価には説得力のあるケーススタディが含まれており、個別の栄養効果を推定するための因果的個人モデルを確立している。
論文 参考訳（メタデータ） (2024-02-18T06:07:17Z) - NutritionVerse-Real: An Open Access Manually Collected 2D Food Scene
Dataset for Dietary Intake Estimation [68.49526750115429]
食事摂取推定のための2D食品シーンデータセットであるNutritionVerse-Realを導入する。
NutritionVerse-Realデータセットは、実生活における食品シーンのイメージを手作業で収集し、各成分の重量を測定し、各料理の食生活内容を計算することによって作成されました。
論文 参考訳（メタデータ） (2023-11-20T11:05:20Z) - MenuAI: Restaurant Food Recommendation System via a Transformer-based
Deep Learning Model [15.248362664235845]
本稿では,新しいレストラン料理推薦システムを提案する。
光学文字認識(OCR)技術とトランスフォーマーベースのディープラーニングモデルであるLearning to Rank(LTR)モデルを使用する。
我々のシステムは、入力された検索キー(例えば、カロリー、タンパク質レベル)で食品料理をランク付けすることができる。
論文 参考訳（メタデータ） (2022-10-15T11:45:44Z) - Towards the Creation of a Nutrition and Food Group Based Image Database [58.429385707376554]
栄養・食品群に基づく画像データベースを構築するための枠組みを提案する。
米国農務省食品栄養データベース(FNDDS)における食品群に基づく食品コードリンクプロトコルを設計する。
提案手法は16,114個の食品データセットを含む栄養・食品群に基づく画像データベースを構築するために用いられる。
論文 参考訳（メタデータ） (2022-06-05T02:41:44Z) - Learning Personal Food Preferences via Food Logs Embedding [1.1534313664323634]
食品ログから食品の嗜好を学習する手法を提案する。
提案手法は,ユーザの最も頻繁に食べられる食品の82%を同定する。
論文 参考訳（メタデータ） (2021-10-29T02:36:24Z) - Vision-Based Food Analysis for Automatic Dietary Assessment [49.32348549508578]
本総説では, 食品画像分析, 容積推定, 栄養素抽出の3段階からなる, 統合型ビジョンベース食事評価(VBDA)の枠組みを概説する。
深層学習により、VBDAは徐々にエンドツーエンドの実装へと移行し、単一のネットワークに食品画像を適用して栄養を直接見積もる。
論文 参考訳（メタデータ） (2021-08-06T05:46:01Z) - Towards Building a Food Knowledge Graph for Internet of Food [66.57235827087092]
食品分類から食品分類、食品知識グラフまで、食品知識組織の進化を概観する。
食品知識グラフは、食品検索と質問回答(QA)、パーソナライズされた食事レコメンデーション、食品分析、可視化において重要な役割を果たす。
食品知識グラフの今後の方向性は、マルチモーダル食品知識グラフや食品インテリジェンスなど、いくつかの分野をカバーする。
論文 参考訳（メタデータ） (2021-07-13T06:26:53Z) - Personalized Food Recommendation as Constrained Question Answering over
a Large-scale Food Knowledge Graph [16.58534326000209]
本稿では,大規模食品知識ベース/グラフ(KBQA)上での制約付き質問応答として,食品推薦のための新たな問題定式化を提案する。
ユーザクエリからの要求に加えて、ユーザの食事嗜好と健康ガイドラインからのパーソナライズされた要求が統一された方法で処理される。
我々のアプローチは非パーソナライズドのアプローチを大きく上回っている。
論文 参考訳（メタデータ） (2021-01-05T20:38:16Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。