Мобільна інформаційна система контролю раціону харчування людини

2022;
: cc. 145 - 172
1
Національний університет «Львівська політехніка»
2
Національний університет "Львівська політехніка", кафедра інформаційних систем та мереж

Життя кожної людини, групи людей і нації залежить від географічних, економічних, політичних, культурних і релігійних умов. Спосіб життя формується у результаті щоденного повторення і складається із таких факторів: харчування, фізичні навантаження, наявність шкідливих звичок, моральний і духовний розвиток тощо. В останні десятиліття спосіб життя вважають невід’ємною частиною добробуту, що сприяло збільшенню кількості досліджень. Медики стверджують, що більш ніж половина проблем зі здоров’ям пов’язані із дієтою. Мільйони людей харчуються неправильно, навіть не підозрюючи про це. Актуальність теми зумовлена численністю підходів до вирішення проблеми контролю дієти, проте різні аналоги пропонують можливості, які відрізняються і не завжди зрозумілі та зручні, оскільки існує кілька способів досягнення однієї мети. Дослідження стосовно здорового харчування в сучасних умовах є одним із пріоритетних завдань задля покращення фізичного стану різних вікових груп. Мета – створення системи, спрямованої на те, щоб допомогти кінцевому споживачеві дотримуватися здорового харчування, визначаючи склад та калорійність продукту, сформувати рекомендації відповідно до ритму життя. Система призначена для вирішення конкретних завдань: розпіз- навати продукти, співвідносити продукт і його калорійність, формувати харчовий щоденник, нагадувати користувачеві про пропущені прийоми їжі та вести статистику.

  1. Kryvoruchko O., Khorolska K., Chubaievskyi V. (2019). Usage of neural networks in image recognition. Зовнішня торгівля: економіка, фінанси, право. № 3. С. 83–92.
  2. Vapnik V. N. The nature of statistical learning theory. Springer, 1999. P. 314.
  3. Бодянський Є. В., Дейнеко А. О., Дейнеко Ж. В., Шаламов М. О. Адаптивне навчання нейронної мережі опорних векторів найменших квадратів. Інформаційно-керуючі системи на залізничному транспорті. 2015. № 2. С. 71–74. DOI: http://doi.org/10.18664/ikszt.v0i2.52045.
  4. Альперт С. І. Сучасні критерії оцінки точності класифікації зображень. Математичні машини і системи. 2013. № 4. С. 187–197.
  5. Бодянський Є. В., Тесленко Н. О., Дейнеко А. О. Еволюційна нейронна мережа з ядерними функціями активації й адаптивний алгоритм її навчання. Наукові праці [Чорноморського державного університету ім. Петра Могили]. Сер.: Комп’ютерні технології. 2011. Т. 160, Вип. 148. С. 53–58.
  6. Shalkoff R. J. Digital image processing and computer vision. New York; Chichester; Brisbane; Toronto; Singapore: John Wiley & Sons, 1989. 489 p.
  7. Гороховатский В. А., Пупченко Д. В. Классификация изображений визуальных объектов по мно- жеству дескрипторов особенных точек на основе нейронной сети Кохонена. Системи управління, навігації та зв’язку. 2018. Вип. 2. С. 68–72.
  8. Білашенко С. В., Шаповалова Н. Н., Рибальченко О. Г. Розпізнавання зображень за допомогою згорткових нейронних мереж з використанням бібліотеки Keras. Гірничий вісник. 2018. Вип. 10. С. 148–154. DOI:     http://doi.org/10.31721/2306-5435-2018-1-103-148-154.
  9. Бортник К. Я., Ольшевський О. В., Кирилюк А. Л. Машинне навчання, як основа для розвитку тех- нологій майбутнього. Комп’ютерно-інтегровані технології: освіта, наука, виробництво. 2017. № 27. С. 85–88.
  10. Бродкевич В. М., Ремесло В. Я. Алгоритми машинного навчання та глибокого навчання (ГН) і їх використання в прикладних додатках. Інтернаука. 2018. № 11(1). С. 56–60.
  11. Бутирська І. В., Мангул А. В. Технологія QR-коду як інструмент підвищення ефективності функціонування сервісних систем. Вісник Чернівецького торговельно-економічного інституту. Економічні науки. 2015. Вип. 1. С. 165–171.
  12. Вітлінський В. В. Штучний інтелект у системі прийняття рішень. Нейро-нечіткі технології моделювання в економіці. 2012. № 1. С. 97–118.
  13. Волошин Г. Я. Методы распознавания образов. Владивосток : ВГУЭС, 2000. 74 с.
  14. Гадецька С., Гороховатський В. Методи структурної класифікації зображень на засадах баєсовської теорії прийняття рішень. Радіоелектроніка, інформатика, управління. 2018. № 2. С. 90–97. DOI: http://doi.org/10.15588/1607-3274-2018-2-10.
  15. Гаманюк І. Варіант застосування байєсівських методів для машинного навчання штучного інтелекту системи підтримки прийняття рішень у боротьбі зі спамом. Зв’язок. 2018. № 6. С. 14–18.
  16. Глухова Н. В., Пісоцька Л. А. Розробка методу аналізу кольорових зображень газорозрядного випромі- нювання. Системи управління, навігації та зв’язку. 2018. Вип. 2. С. 59–62. DOI: http://doi.org/10.26906/SUNZ.2018.2.059.
  17. Глухова Н. В., Пісоцька Л. А., Кучук Н. Г. Розробка системи експрес-класифікації води на основі бази даних зображень. Збірник наукових праць Харківського університету Повітряних Сил. 2015. Вип. 3. С. 112–118.
  18. Береговий В. К. Основи наукової організації здорового харчування. Ефективна економіка, 2011, № 11. Режим доступу: http://nbuv.gov.ua/UJRN/efek_2011_11_19.
  19. Глущенко Л. Перспективи використання штучного інтелекту для розробки функціональному харчуванні. Вісник Львівського університету. Серія біологічна. 2016. Вип. 73. С. 437.
  20. Клименко Д. О., Руденко О. А. Веб-додаток для сервісу складання раціону здорового харчування та доставки продуктів. Системи управління, навігації та зв’язку. 2019, Вип. 2, С. 103-109. DOI: https://doi.org/10.26906/SUNZ.2019.2.103.
  21. Лещенко О. Б., Хлюпіна А. С., Богдан Д. О. Веб-додаток для ведення щоденника харчування та тренування: вимоги, розроблення і впровадження. Радіоелектронні і комп’ютерні системи. 2018. № 3. С. 49– 62. DOI: https://doi.org/10.32620/reks.2018.3.06.
  22. Макарова Г. В. Створення мобільного додатку для оптимізації ваги та харчування людини. Системи обробки інформації, 2017. Вип. 2, С. 187–191.
  23. Мостенська Т. Л., Кундєєва Г. О. Харчування як складова продовольчої безпеки. Наукові праці Національного університету харчових технологій, 2016, Т. 22, № 3, С. 113–122.
  24. Мотузка Ю. Харчова та енергетична цінність продуктів для спеціальних медичних цілей. Товари і ринки, 2017, № 2(1), С. 59–66.
  25. Сластин В. В., Самусева Е. С., Москальчук Л. В. Сбалансированный рацион питания. Проблеми харчування, 2014, № 1, С. 33–39.
  26. Трачук Т. В., Радіщук Т. П. Метод математичного моделювання як засіб реалізації щоденного раціону. Педагогічний пошук, 2014, № 1, С. 34–36.
  27. Янінович Й. Є., Качай Г. В., Швець Т. М. Енергетична цінність продуктів. Рибогосподарська наука України, 2011, № 2, С. 122–126.
  28. Григоренко О. Наукові підходи до формування раціонів харчування. Прогресивні техніка та технології харчових виробництв ресторанного господарства і торгівлі, 2009, Вип. 2, С. 210–218.
  29. Гриньов Д. В. Метод розпізнавання зображень об’єктів засобами видової розвідки. Системи озброєння і військова техніка, 2007, Вип. 4, С. 72–75.
  30. Грицик В.  В.  Метод обробки  складних зображень та  їх розпізнавання. Доповiдi Національної академії наук України, 2011, № 1, С. 28–32.
  31. Грицик В. В. Обробка складних зображень та їх розпізнавання в інформаційно-аналітичних системах комп’ютерного зору. Доповiдi Національної академії наук України, 2009, № 7, С. 36–41.
  32. Довбиш А. С., Шелехов І. В. Основи теорії розпізнавання образів: навч. посіб.: у 2 ч. Суми: Сумський державний університет, 2015. Ч. 1. 109 с.
  33. Доманецька І. М., Федусенко О. В., Хроленко В. М. Нейромережеві технологї опрацювання зображень в адаптивних системах навчання. Штучний інтелект, 2017, № 3–4, С. 24–31.
  34. Дрофа В. О., Єфіменко Т. М. Інформаційно-екстремальний алгоритм розпізнавання нестаціонарних за яскравістю зображень. Бионика интеллекта, 2015, № 2, С. 100–104.
  35. Местецкий Л. М. Математические методы распознавания образов: курс лекций. Москва: МГУ, 2004. 85 с.
  36. Мокрінцев О. А. Попередня обробка зображень для автоматичного розпізнавання одновимірних штрих-кодів. Системи управління, навігації та зв’язку. 2017. Вип. 1. С. 111–113.
  37. Симаков В. С., Луценко Е. В. Адаптивное управление сложными системами на основе теории распознавания образов. Краснодар : КГТУ, 1999. 318 с.
  38. Терейковський І. Нейромережева методологія розпізнавання Інтернет-орієнтованого шкідливого програмного забезпечення. Безпека інформації, 2013, Т. 19, № 1, С. 24–28. DOI: https://doi.org/10.18372/2225- 5036.19.4688.
  39. Bolohova N., Ruban I. Image processing models and methods research and ways of improving marker recognition technologies in added reality systems. Сучасний стан наукових досліджень та технологій в промисловості, 2019, № 1, С. 25–33. DOI: https://doi.org/10.30837/2522-9818.2019.7.025.
  40. Довбиш А. С., Стадник Г. А. Інформаційно-екстремальний алгоритм навчання системи підтримки прийняття рішень з гіперциліндроїдним класифікатором. Радіоелектронні і комп’ютерні системи, 2015, № 3, С. 11–18.
  41. Красиленко В. Г., Яцковська Р. О., Яцковський В. І. Моделювання методів розпізнавання та класи- фікації фрагментів кольорових зображень земель сільськогосподарського призначення при їх дистанційному моніторингу. Системи обробки інформації, 2017, Вип. 5, С. 55–61.
  42. Мороз О. Я. Штучний інтелект versus природний інтелект? (майбутнє людини в контексті викликів інтелектуальних супертехнологій). Політологічний вісник, 2014, Вип. 72, С. 18–35.
  43. Олдендерфер М., Блэшфилд Р. К. Кластерный анализ. Факторный, дискриминантный и кластерный анализ: пер. с англ.; под. ред. И. С. Енюкова. Москва: Финансы и статистика, 1989. 215 с.
  44. Duda R. O., Hart P. E., Stork D. G. Pattern Classification, second ed.. John Wiley & Sons, New York, 2001. 738 p.
  45. Han J., Kamber M., Pei J. Morgan Kaufmann Data mining: concepts and techniques. 3rd ed. Elsevier, 2012. 744 p.
  46. Melnychuk S., Gubarev V., Salnikov N. Using Information Features in Computer Vision for 3d Pose Estimation in Space. Кибернетика и вычислительная техника, 2017, No. 190, 33–55. DOI: https://doi.org/10.15407/kvt190.04.033.
  47. Motuzka I., Antiushko D. Сlassification of products for enteral nutrition. Товари і ринки, 2015, № 2, С. 17–24.
  48. Pantelyat M. G. Application of the finite element nethod to computer simulation of electromagnetic and thermal processes in induction cookers and heated dishes. Вісник Черкаського університету. Серія: Фізико- математичні науки, 2017, № 1, С. 79–85.
  49. Ziglio E. The WHO cross-national study of health behavior in school aged children from 35 countries. New York; Chichester; Brisbane; Toronto; Singapore: J. School Health, 2001. 206 p. DOI: https://doi.org/10.1111/j.1746-1561.2004.tb07933.x.
  50. Данилюк І. Г. Актуальні проблеми методу глибинного навчання. Лінгвістичні студії, 2018, Вип. 35, С. 155–158.
  51. Лендюк Т. В. Моделювання комп’ютерного адаптивного навчання і тестування. Праці Одеського політехнічного університету, 2013, № 1, С. 110–115.
  52. Малярець Л. М., Рижих І. Ю. Застосування QR-розкладу прямокутних матриць Хаусхолдеровими відображеннями в регресійному аналізі. Економіка розвитку, 2009, № 1, С. 16–20.
  53. Матвєєва Н. О. Дослідження засобів машинного навчання із залученням сучасних мов програмування. Системні технології, 2018, Вип. 1, С. 85–91. 
  54. Мінцер О. П. Обрії розвитку адаптивного навчання. Медична інформатика та інженерія, 2017, № 1, С. 5–11. DOI: https://doi.org/10.11603/mie.1996-1960.2017.1.7665.
  55. Пішванова В. О. Принципи адаптивного навчання. Вісник Запорізького національного універ- ситету. Педагогічні науки, 2015, № 1, С. 178–183.
  56. Тупало Я. О. Використання методів машинного навчання на практиці. Комп’ютерні засоби, мережі та системи, 2018, № 17, С. 101–110.
  57. Федусенко О. В., Федусенко А. О., Доманецька І. М. Концептуальна модель адаптивної інформаційної системи навчання. Управління розвитком складних систем, 2017, Вип. 32, С. 86–90.
  58. Muller K. R., Mika S., Ratsch G., et al. An introduction to kernelbased learning algorithms. IEEE 108 Transactions on Neural Networks. 2001, No. 12(2), 181–202. DOI: https://doi.org/10.1109/72.914517.
  59. Al-Janabi Aqeel Bahp Tarkhan Computer vision system for froth flotation based on centroid. Системи обробки інформації, 2014, Вип. 9, С. 3–5.
  60. Dovbysh A. S., Velykodnyi D. V., Protsenko O. B., Zimovets V. I. Optimization of parameters of machine learning of the system of functional diagnostics of the electric drive of a shaft lifting machine. Радіоелектроніка, інформатика, управління, 2018, № 2, С. 44–50. DOI: https://doi.org/10.15588/1607-3274-2018-2-5.
  61. Long, J., Shelhamer, E. and Darrell, T. Fully convolutional networks for semantic segmentation, 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2015, 3431–3440. DOI: http://doi.org/10.1109/CVPR.2015.7298965.