登录
 机构网站
  1. 首页
  2. 情报产品
  3. 快讯详情

《个性化的营养︰ Food4Me 项目》

  • 来源专题：食物与营养
  • 编译者： lixiaoman
  • 发布时间：2017-03-30

  • Food4Me是欧盟资助的项目，用来证明完全的互联网交互的个性化的营养建议可以改变人们的生活方式。该项目的个性化营养咨询具体在以下三个层次：

    第一：饮食与人的表型知识相结合，表型知识是指可测量的特征，如物理和生化特征的测量，身高体重或胆固醇等。饮食，表型特征和基因型的关系，确定一个人的遗传基因身份，例如与体重增加相关的基因变异。

    第二：Food4Me开发了一种新型的互联网交互方式，提供了个性化的膳食分析的食物频率问卷。它基于食物的主题选择反馈的意见。利用了新的方法，包括数字摄影方法来量化食物的摄入量，时间为20分钟作用，并利用同行评审的方式来验证相关研究。

    第三：个性化的营养工作，来自欧洲的7个参与中心的超过1200的参与者被随机分为四种不同类型来进行个性化的建议。其他三种对照组分别为：单纯饮食、饮食与表型、饮食表型和基因型。平均而言，个性化营养组与对照组相比总是表现出更好的饮食摄入量的改善。

    在未来，个性化的膳食分析可以在零售部门和食堂环境中转化为膳食模式分析和整合的数字数据。数据还可以与智能厨房设备集成，如冰箱利用最近的营养摄入和智能化的方向发展的即时反馈对于未来食物的选择。

138浏览量
原文链接
相关报告

  • 《个性化营养的利弊》
    • 来源专题：食物与营养
    • 编译者：殷小溪
    • 发布时间：2019-01-14
    • 自1980年以来，美国膳食指南一直建议美国人食用适当数量的蔬菜、水果、全麦、乳制品和各种蛋白质食品(包括鸡蛋、海鲜和瘦肉)，以创造一个健康的饮食模式。如果严格遵循这些建议，将有助于美国消费者达到并保持健康的体重，营养充足，并降低慢性病的风险。然而，自该指南首次发布以来的38年里，美国人的体重增加了，并且患某些慢性病的风险也增加了。在目睹了他们的腰围增大和健康状况恶化后，越来越多的人认为，标准化的营养建议过于宽泛，无法有效实现他们的饮食目标。对这些人来说，一项高科技的个性化营养评估，明确一种适合他们的饮食是非常吸引人。公司承诺提供个性化营养测试，唾液或粪便样本将揭示最适合个人饮食需求、体重管理和健身目标的食物类型。但基于唾液或粪便进行的营养测试真的能达到预期效果吗？ 近年来，科学界和普通大众都清楚地认识到，对健康和营养采取一刀切的方法可能并不那么有效。个性化营养公司Habit的创始人兼首席执行官尼尔•格里默(Neil Grimmer)表示:“价值660亿美元的饮食行业每天都在推出新的食谱，这证明许多人并没有找到一刀切的成功之道。”每个人的身体都是不一样的。微生物组测试剂开发人员uBiome的产品营销主管埃琳娜•托瓦尔(Elena Tovar)对此表示赞同:“即使在相同性别、年龄和活动水平的人群中，我们对营养的耐受性、代谢和利用方式也存在差异，这就产生了对个性化营养的需求。”很明显，年龄、性别、体型、体力活动水平和遗传都会导致营养需求的变化，这就是为什么个性化营养成为一种监测和改善健康状况的方式。 个性化营养的概念并不新鲜，几十年来，营养师和营养学家一直在为他们的客户设计饮食计划。但个性化营养出现了新的变化，它依靠技术提供定制。由于消费者已经接受了科技驱动的约会、社交互动、购物和拼车服务，许多初创公司现在相信他们已经准备好接受科技驱动的饮食和营养建议。 硅谷、西雅图等地的公司已经利用了人们对个性化营养解决方案日益增长的兴趣，这些公司声称，只要支付合理的费用，就能根据通过科学生物标志物收集到的个人资料，制定定制的饮食计划。因此，有基于遗传信息(DNA)的个性化营养评估，一些基于肠道微生物群，一些基于血液。英国的DNAFit、加拿大生物科技公司Nutrigenomix和美国的电商公司Habit都在提供了基于人的基因构成的个性化营养测试。从他们的角度来看，一个人应该吃什么以及为什么应该吃这些东西的一切都根植于基因之中。 “营养基因组学是研究我们的基因组和我们吃的食物之间关系的科学。它的目标之一是了解食物成分如何调节我们基因的表达，以及它们对健康和疾病之间平衡的影响。”塔夫茨大学营养科学与政策学院教授、塔夫茨人类衰老营养研究中心营养与基因组实验室主任何塞•奥多瓦斯说。营养基因组学的另一方面是研究个体间对食物反应差异的遗传基础。研究饮食反应中这些个体间差异的遗传基础是营养遗传学的一部分。因此，营养基因组学强调营养对基因组的影响以及这些相互作用如何影响基因表达和健康结果。DNAFit、Habit和Nutri.mix提供的个性化营养测试基于营养遗传学。这些公司表示，只需要唾液样本，就可以通过测序和分析一个人的基因型来提供个性化的营养要求和饮食建议。 不过，美国联邦贸易委员会建议，每个人都应该注意向公司网站和数据库提交DNA和其他个人健康数据。FTC警告称:“黑客攻击时有发生。”因此，用户应该注意自己是否真的愿意向初创营养品公司提交此类敏感信息。没有一家公司可以免受黑客攻击，对于那些没有建立基础设施来防范或至少显著减少多次黑客攻击的初创公司来说尤其如此。即使一家公司声称其收集的敏感个人信息是匿名的，匿名数据也不安全，可能会受到黑客攻击和滥用。23andMe的联合创始人之一琳达•艾维(Linda Avey)是这么说的:“认为基因组数据可以完全匿名是一种谬论”(Pitts, 2017年)。选择性基因检测和微生物组筛选的其他问题包括由于意外健康结果而增加的心理压力，由于基因在与饮食有关的疾病的易感性中所占的比例不到10%，用户可能会对可解释或可操作的数据少得可怜而深感失望，营养建议可能导致饮食失调和营养缺乏，或进一步加剧奇怪饮食习惯的普遍存在。也许最重要的是，对于所有形式的个性化营养测试，没有临床数据可以验证这些测试的准确性和有效性。一些科学家指出，大多数基于遗传营养的结果提出的膳食建议，几乎与美国《美国膳食指南》(U.S. dietary Guidelines for Americans)中免费提供的建议相同。对那些进行个性化营养测试的人来说，精确度是基于这样的概念:分析基因和肠道微生物群的组成将揭示人们为什么应该吃某些食物的一些原因。然而，几乎没有科学证据支持这种饮食和营养的方法，因为科学家还没有确定是什么使健康的肠道菌群和基因在饮食相关疾病的易感性中占不到10%。尽管如此，那些进行个性化营养测试的人可能会有动力去遵循他们提供的建议。这是第一世界的技术。它的目标人群是受过教育的、富裕的人，他们本来就很健康，但想要更健康。我不确定这样的东西能让健康的人更健康，但如果它能激励人们吃得更健康，我就会支持它。史蒂文斯补充道:“这真的是‘食品即医药’时代的开始，我们很高兴能成为其中一员。”因为食物的营养质量是经验的，美国膳食指南中对美国人的建议适用于大多数人，不管他们的基因或微生物状况如何。美国膳食指南的问题不在于太标准化，而在于消费者很少遵守其饮食和生活方式建议。个性化的营养测试有一个奇特的方面，即有趣的尝试，但用户仍然必须坚持规定的饮食。最后，保持健康就像平衡的饮食一样简单:多吃蔬菜、水果和全谷物，适量的瘦肉和海鲜，注意摄入热量。
    65浏览量
    原文链接

  • 《让AI个性化而且功耗更低 IBM研发新型神经网络芯片》
    • 来源专题：半导体工艺技术
    • 编译者：shenxiang
    • 发布时间：2018-06-27
    • 在GPU上运行的神经网络已经在人工智能领域取得了一些惊人的进步，但这两者的合作还并不完美。IBM的研究人员希望能设计出一种专门用于运行神经网络的新的芯片，从而提供更快、更有效的替代方案。 直到本世纪初，研究人员才意识到，为视频游戏设计的GPU（图形处理单元）可以被用作硬件加速器，以运行比以前更大的神经网络。 这要归功于这些芯片能够并行进行大量计算，而不是像传统CPU那样按顺序处理它们。这对于同时计算构成深度学习神经网络的数百个神经元的权重特别有用。 GPU的引入使这一领域得到了发展，但这些芯片仍然需要将处理和存储分开，这意味着大量的时间和精力都花在了两者之间的数据传输上。这促使人们开始研究新的存储技术，这些技术能够存储和处理同一位置的权重数据，从而提高速度和能源效率。 这种新的存储设备通过调整它们的电阻水平，以模拟的形式存储数据——也就是说，数据被存储在一个连续的范围内，而不是数字存储器的二进制1和0。因为信息存储在存储单元的电导中，所以可以简单地在存储单元间传递电压并让系统通过物理方法来进行计算。 但是这些设备固有的物理缺陷意味着它们的行为并不一致，这导致了目前使用它们来训练神经网络的分类精度明显低于使用GPU。 “我们可以在一个比GPU更快的系统上进行训练，但如果训练操作不那么准确，那是没有用的，”领导该项目的IBM Research博士后研究员Stefano Ambrogio在接受Singularity Hub采访时说，“到目前为止，还没有证据表明使用这些新设备能像使用GPU一样精确。” 但研究又有了新的进展。在上周发表在《自然》杂志上的一篇论文中，Ambrogio和他的同事们描述了他们是如何利用新兴的模拟记忆和更传统的电子元件组合来创造出一种芯片，这种芯片可以与GPU的精度相匹配，同时运行速度更快，能耗更少。 这些新的存储技术难以训练深层神经网络的原因是，这个过程需要将每个神经元的权重进行上下数千次的刺激，直到网络完全对齐。改变这些设备的电阻需要重新配置它们的原子结构，而且每次的操作过程都不一样，Ambrogio说。这些刺激并不总是完全相同，这导致了对神经元权重的不精确的调整。 研究人员通过创造“突触单元”来解决这个问题，这些“突触单元”每一个都对应于网络中的单个神经元，同时具有长期和短期记忆。每个单元格由一对相变存储器（PCM）单元和三个晶体管以及一个电容的组合构成，PCM在电阻中存储权重数据，电容将权重数据存储为电荷。 PCM是一种“非易失性存储器”，这意味着即使没有外部电源，它也能保留存储的信息，而电容器是“易失性的”，所以只能在几毫秒内保持它的电荷。但是电容器没有PCM设备的可变性，因此可以快速而准确地编程。 当神经网络对图像进行训练以完成分类任务时，只有电容器的权重会被更新。在浏览到几千张图片后，权重数据会被转移到PCM单元进行长期存储。PCM的可变性意味着，权重数据的转移仍然有可能包含错误，但是由于该单元只是偶尔更新，所以可以在不增加系统复杂性的情况下再次检查电导。Ambrogio说，如果直接在PCM单元上进行训练，这就不可行了。 为了测试他们的设备，研究人员对他们的网络进行了一系列流行图像识别的基准测试，结果达到了与谷歌领先的神经网络软件TensorFlow相当的精确度。但重要的是，他们预测，最终构建出的芯片将比GPU的能效高280倍，而且在每平方毫米面积上实现的算力将达到CPU的100倍。值得注意的是，研究人员还没有完全构建出这一芯片。 虽然在测试中使用了真正的PCM单元，但其它组件是在计算机上模拟的。Ambrogio表示，他们希望在投入时间和精力打造完整的芯片之前，先检查一下这种方法是否可行。他说，他们决定使用真正的PCM设备，因为对这些设备的模拟还不太可靠，但其它组件的模拟技术已经很成熟了，他们有信心基于这个设计建立一个完整的芯片。 它目前也只能在全连接神经网络上与GPU竞争，在这个神经网络中，每个神经元都与上一层的神经元相连接，Ambrogio说。但实际上许多神经网络并没有完全连接，或者只有某些层完全连接在一起。 但Ambrogio说，最终的芯片将被设计成可以与GPU合作的形式，从而在处理其它连接时也能够处理全连接层的计算。他还认为，这种处理全连接层的更有效的方法可以被更广泛地应用。 Ambrogio说，这样的专用芯片有两个主要的应用：一是将人工智能应用到个人设备上，二是使数据中心更加高效。后者是大型科技公司的一大担忧，因为它们的服务器消耗了大量的电费。 如果直接在个人设备上应用人工智能，用户就可以不必在云端分享他们的数据，从而增加隐私性，但Ambrogio说，更令人兴奋的前景是人工智能的个性化。 他说：“在你的汽车或智能手机上应用这个神经网络，它们就能够不断地从你的经验中学习。” “你的手机会专门针对你的声音进行个性化，你的汽车也会根据你的习惯形成独特的驾驶方式。”
    122浏览量
    原文链接