春节饮食终极指南:AI助你健康享用美食!

马上就到春节了。对于广大吃货朋友们来说,无数的火锅、牛排、奶茶、烤串、饺子等美食正在向他们招手。今天,我们就来盘点一下AI在饮食方面的近期研究成果和应用,希望能帮助你更健康地享用美食。

AI算法可以量身定制喝咖啡的最佳模式

对于很多人来说,咖啡是他们日常生活中不可缺少的元素。最近,研究人员开发出了一种新的人工智能自动优化算法,能够确定摄入咖啡因的最佳剂量和最优时间,从而在缺乏睡眠的情况下,最大程度地提高人的机敏性。

图片来源:Pixabay

该研究使用了一个已验证的数学模型,可以预测缺乏睡眠和咖啡因对精神运动警觉性实验(PVT)结果的影响。研究人员将这个模型与人工智能自动优化算法相结合,以确定在缺乏睡眠时摄取咖啡因的数量和时间,从而在保证安全性的前提下,将人体机敏性最大化。该算法通过输入用户的睡眠时间表及允许摄取的最大咖啡因剂量,来得出最佳摄入咖啡因策略。

与之前使用的剂量策略相比,这种新开发的算法能够将神经行为状态提升多达64%,或者减少高达65%的咖啡因摄入剂量。这些结果表明,该算法可以根据不同的睡眠和觉醒时间表来调整摄取咖啡因的时间和数量,从而最大限度地发挥咖啡因的作用。

个性化医疗和啤酒之间的关联是?

来自英国Francis Crick Institute的研究人员们开发了一种新型机器算法,能够从蛋白质含量来预测酵母细胞的新陈代谢。这项研究不仅有助于更好地控制啤酒的口味,未来甚至也可以为代谢紊乱患者提供个性化治疗方案。

图片来源:Pixabay

在一个细胞内,新陈代谢能够产生数百个被称为代谢物的小分子。尽管酵母在进化上与人类差距很大,但其产生的一些代谢物却是相同的,而且制造这些代谢物的方式也非常类似。然而,直到现在,科学家们对新陈代谢是自我调节,还是受基因表达变化控制这一点上一直存在分歧。造成这种分歧的部分原因就是,现有方法未能检测出基因、蛋白质和代谢物之间的强相关性

这项最新研究表明,在很大程度上,如果向机器学习算法提供大量的蛋白质表达信息,那么就可以利用这种技术对酵母细胞的新陈代谢进行预测。因此,研究人员对97种不同的啤酒酵母菌株酶表达进行了量化,并将其与测量的代谢物浓度变化联系到了一起。同时,研究人员开发了一个机器学习算法,能够识别出基因表达变化与产生的代谢物之间的复杂关系。他们发现,新陈代谢是由许多协同作用的酶控制的——没有任何一种酶本身具有主要作用。

研究人员表示,这项研究可以帮助预测酵母细胞等简单细胞的新陈代谢情况,有助于在未来对人体组织中的新陈代谢情况进行更好的理解和预测。

糖尿病患者也能当个吃货?

如果你患上了糖尿病,就会在饮食方面受到很大的限制,甚至一个不小心,还有可能加重病情。对于糖尿病患者来说,如何才能在不影响病情的情况下,吃到丰富的美食呢?一家总部位于英国的人工智能型营养平台公司Whisk正在致力于解决这一问题。这家公司正在与治疗糖尿病的公司Ascensia Diabetes Care开展合作,为2型糖尿病患者提供个性化饮食方案

图片来源:Pixabay

Whisk的核心技术平台名为Food Genome,通过整合宏观和微观的营养、配料等数据,让用户能够根据个人口味偏好、时间限制、预算、天气和饮食限制或过敏症等因素,定制自己的专属饮食方案,并可以从该平台一键购买食物原材料。目前,Whisk已经与沃尔玛(Walmart)、乐购(Tesco)和亚马逊旗下的Amazon Fresh等大型食品零售企业开展了合作。

Whisk计划推出面向2型糖尿病患者的个性化饮食方案,利用Ascensia提供的血糖数据,来训练其人工智能技术平台,从而满足用户的个性化需求。通过Whisk的人工智能平台,用户可以看到自己的血糖水平对于不同食物产生了什么样的变化,从而根据不同饮食对病情的影响,来定制自己的膳食计划。同时,Whisk计划在未来将这一平台扩展至方便食品和餐馆的菜单等,从而为用户提供一整套选择方案。

寻找安全餐馆哪家强?谷歌AI来帮忙


来自谷歌和哈佛大学的研究人员建立了一个机器学习模型,可以根据人们手机中的Google搜索信息和定位信息,来识别具有潜在食品安全风险的餐厅。

该模型的工作原理如下:首先,算法对可以表明和食源性疾病相关的搜索关键词进行分类,如“胃痉挛”或“腹泻”等词语。然后,该模型使用来自智能手机中去除身份信息后的定位,来识别出搜索这些词语的人最近访问过哪些餐厅。在芝加哥和拉斯维加斯进行测试期间,机器学习模型在两个城市检测到的有食品安全问题餐馆的准确率为52.3%,而常规卫生检查的检测率只有22.7%

▲有38%的餐厅并不是食源性疾病患者最近一次访问的餐厅(图片来源:《npj Digital Medicine》)

有趣的是,在该模型检测到的所有具有食品安全隐患的餐厅中,有38%的餐厅并不是那些搜索与症状相关词汇的人们最近一次访问的餐厅。这是一个非常重要的发现,因为之前的研究已经表明,人们倾向于认为他们最近一次去用餐的餐厅是导致他们不适症状的“罪魁祸首”,因此可能会对错误的餐馆提出投诉。然而在临床上,食源性疾病可能需要48小时甚至更长的时间才能出现相关的症状。 

一不小心“中招”腹泻?AI精准锁定元凶!

假期美食吃的太多,就会有拉肚子的风险。导致这种现象发生的原因之一便是食物生产过程中的沙门氏菌污染。沙门氏菌是腹泻病全球四大病因之一。不幸中招,不但扫兴,对身体健康也有影响。佐治亚大学食品安全中心的助理教授邓翔宇博士利用了机器学习中的随机森林分类方法,成功地使AI辨别沙门氏菌的来源

▲沙门氏菌(图片来源:Pixabay)

沙门氏菌最常见的来源有猪、牛、家禽、野生鸟类。由于基因变异和族群的原因,同一来源的沙门氏菌会有相同的基因特性。邓翔宇博士团队利用了机器学习的方式,让AI学习了1400多种鼠伤寒沙门氏菌(Salmonella Typhimurium)的基因组序列,并通过随机森林分类的方法辨别不同沙门氏菌的基因特性。鼠伤寒沙门氏菌是在美国最常见的沙门氏菌种类,并导致了美国大多数的沙门氏菌污染事件。

AI这次也没有让人失望。研究结果表明,AI的学习效果非常好,对于沙门氏菌来源的辨别准确率达到了87.5%。研究人员给出了美国过去20年间八次沙门氏菌病疫情的细菌样本,AI成功地识别了其中七次的细菌源头。同时,AI辨别禽类和猪来源沙门氏菌的能力要更优秀一些。

看了上面的这些研究,你对于如何更好地当个吃货是不是更有信心了呢?虽然AI可以为我们打造出更加优化的饮食方案,但是我们仍然要记住,健康饮食加以科学锻炼,才是实现健康生活的最佳方式

参考资料:

[1] New algorithm determines ideal caffeine dosage and timing for alertness. Retrieved October 8, 2018, from https://www.sciencedaily.com/releases/2018/06/180604093116.htm

[2] Machine learning predicts metabolism, helping drug developers and brewers. Retrieved September 7, 2018, from https://www.eurekalert.org/pub_releases/2018-09/tfci-mlp090318.php

[3] Whisk to Partner With Ascensia to Help Tackle Type 2 Diabetes After Being Named Winner of Global Innovation Competition. Retrieved October 8, 2018, from https://whisk.com/press/whisk-partners-with-ascensia-to-help-tackle-type-2-diabetes/

[4] Scientists Have Trained an AI to Spot Obesity From Space. Retrieved September 4, 2018, from https://www.sciencealert.com/scientists-have-used-ai-to-identify-obesity-from-space-deep-learning-neural-network

药明康德AI
药明康德AI

药明康德微信团队专业打造。当人工智能遇上大健康,带你看全AI时代的智慧之光。

专栏二维码
产业饮食春节机器学习
相关数据
亚马逊机构

亚马逊(英语:Amazon.com Inc.,NASDAQ:AMZN)是一家总部位于美国西雅图的跨国电子商务企业,业务起始于线上书店,不久之后商品走向多元化。目前是全球最大的互联网线上零售商之一,也是美国《财富》杂志2016年评选的全球最大500家公司的排行榜中的第44名。

https://www.amazon.com/
相关技术
机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

随机森林技术

在机器学习中,随机森林是一个包含多个决策树的分类器,并且其输出的类别是由个别树输出的类别的众数而定。 Leo Breiman和Adele Cutler发展出推论出随机森林的算法。而"Random Forests"是他们的商标。这个术语是1995年由贝尔实验室的Tin Kam Ho所提出的随机决策森林(random decision forests)而来的。这个方法则是结合Breimans的"Bootstrap aggregating"想法和Ho的"random subspace method" 以建造决策树的集合。

准确率技术

分类模型的正确预测所占的比例。在多类别分类中,准确率的定义为:正确的预测数/样本总数。 在二元分类中,准确率的定义为:(真正例数+真负例数)/样本总数

暂无评论
暂无评论~