基于 AI 的程序识别食物和估计食物份量的有效性 (PortionSizeAI)

• Openfit的培训和使用
• 在 PBRC 或 LSU 的实验室中使用该应用程序估计模拟膳食的食物摄入量（参与者在用餐期间不会进食）
• 评价应用程序的可用性和满意度

围绕所提供的食品和饮料标识与已知标识进行比较的协议，在项目级别以及所有项目中，其中标识由以下方式确定：1) 无需校正的营养 AI（自动），2) 具有用户校正的营养 AI（半自动）

为了使通过营养人工智能识别的食物被视为完全匹配的食物，所识别的食物的名称必须与所提供的食物匹配或密切匹配。 例如，被确定为水果沙拉的水果鸡尾酒是可接受的搭配。 比例将用于评估营养 AI 正确识别的食品百分比是否不同于标准方法（人类评分者）正确识别的食品百分比。 描述性数据还将用于描述所有参与者的所有食品正确识别食品盘的频率。 所有参与者总共测试了 255 种食品。

镀食品 (kcal) 和已知镀食品 (kcal) 的平均估计值之间的误差，由以下因素确定：1) 无需用户校正的营养 AI（自动），2) 具有用户校正的营养 AI（半自动）

将进行平均误差和 Bland-Altman 分析，以确定营养 AI 估算的食品与标准测量（称重食品）的估算相比的误差。

完成对食品的评估后，参与者将完成用户满意度调查（USS）。 USS 改编自之前用于评估饮食评估移动应用程序可用性的版本。 USS 包括五个定量问题和三个开放式回答问题。 每个定量问题将使用 6 分李克特量表进行评分，1 为最低和最差分数，6 为最高和最佳分数。

USS 中五个定量响应中每一个的数据将在参与者之间进行平均，并单独以平均值 (SD) 形式呈现。 将使用定性方法评估开放式答复，以确定共同主题。

与已知标识相比，在项目级别和所有项目中围绕盘子废物标识的协议，其中标识由以下因素确定：1) 无需用户校正的营养 AI（自动），2) 带用户校正的营养 AI（半自动）

对于通过 Nutrition AI 识别的食物被认为是完全匹配的食物，识别的食物的名称必须与供应的食物匹配或接近匹配。 例如，标识为水果沙拉的水果鸡尾酒是可以接受的搭配。 比例将用于评估 Nutrition AI 正确识别的食品百分比是否与标准方法（人工评分者）正确识别的食品百分比不同。 描述性数据也将用于描述正确识别印版废料的频率。

份重（克重）和已知份重（克重）的平均估计值之间的误差，其中盘子浪费的估计值由以下因素确定：1）无需用户校正的营养 AI（自动），2）带用户校正的营养 AI（半-自动化）

将执行平均误差和 Bland-Altman 分析，以确定与标准测量（称重食物）的估计值相比，营养 AI 对盘子废物的估计误差。

份量大小 (kcal) 的平均估计值与已知份量大小 (kcal) 之间的误差，其中盘子浪费的估计值由以下因素确定：1) 无需用户校正的营养 AI（自动），2) 带用户校正的营养 AI（半自动）

将执行平均误差和 Bland-Altman 分析，以确定与标准测量（称重食物）的估计值相比，营养 AI 对盘子废物的估计误差。

完成印版废弃物评估后，参与者将完成用户满意度调查。 研究人员采用了一项包含 10 个问题的用户满意度调查，该调查已在之前的研究中进行过，以量化移动应用程序的满意度、易用性和培训的充分性。

将使用李克特量表数据的频率和百分比评估对用户满意度调查问卷的答复。 将使用定性方法评估开放式响应以确定共同主题。

份量重量（克重）和已知份量重量（克重）的平均估计值之间的误差，其中食物摄入量估计值（装盘食物 - 盘子浪费）由以下因素确定：1) 营养 AI，无需用户校正（自动），2) 营养具有用户校正功能的 AI（半自动）

将执行平均误差和 Bland-Altman 分析，以确定与标准测量（称重食物）的估计值相比，营养 AI 的食物摄入量估计值的误差。

食物摄入量 (kcal) 和已知食物摄入量 (kcal) 的平均估计值之间的误差，其中食物摄入量估计值（装盘食物 - 盘子浪费）由以下因素确定：1) 没有用户校正的营养 AI（自动），2) 营养 AI 有用户更正（半自动）

将执行平均误差和 Bland-Altman 分析，以确定与标准测量（称重食物）的估计值相比，营养 AI 的食物摄入量估计值的误差。