Estimando calorias em alimentos usando aprendizado de máquina

• Cleanio Talmo de Queiroz Paiva UFERSA https://orcid.org/0000-0000-0000-0000
• Silvio Martins Santos UFERSA https://orcid.org/0009-0002-6745-7737
• Rosana Cibely B. Rego UFERSA https://orcid.org/0000-0001-5997-1221

DOI: https://doi.org/10.5753/latinoware.2024.245299

Resumo

Este trabalho explora a integração entre tecnologia e nutrição por meio da predição de calorias em alimentos com base em seus nutrientes. Para isso, foram desenvolvidos modelos de aprendizado de máquina, incluindo eliminação recursiva de atributos e redes neurais perceptron multicamadas, com o objetivo de prever a quantidade de calorias a partir dos valores dos nutrientes presentes no alimento. O modelo de rede neural destacou-se, demonstrando um desempenho com um MSE de 142,94, um MAE de 5,88 e um R² de aproximadamente 99,5%. Além disso, a aplicação de técnicas de Inteligência Artificial Explicável permitiu compreender o impacto de cada nutriente na predição das calorias, contribuindo para uma maior transparência e confiança nos modelos.

Palavras-chave: redes neurais, aprendizado de máquina, predição de calorias, perceptron multicamadas

Referências

World Health Organization(WHO). Healthy diet. Disponível em: [link]. Acesso em: 12 ago. 2024.

BRUNSTROM, Jeffrey M.; ROGERS, Peter J. How many calories are on our plate? Expected fullness, not liking, determines meal-size selection. Obesity, v. 17, n. 10, p. 1884-1890, 2009.

ELBEL, Brian. Consumer estimation of recommended and actual calories at fast food restaurants. Obesity, v. 19, n. 10, p. 1971-1978, 2011. Acesso em: 15 ago. 2024.

MIYAZAKI, Tatsuya; DE SILVA, Gamhewage C.; AIZAWA, Kiyoharu. Image-based calorie content estimation for dietary assessment. In: IEEE International Symposium on Multimedia, 2011, Dana Point IEEE, 2011. p. 363-368.

The Nutritional Content of Food - A Comprehensive [recurso eletrônico]. Disponível em: [link]. Acesso em: 15 ago. 2024.

LUO, Wei et al. Guidelines for developing and reporting machine learning predictive models in biomedical research: a multidisciplinary view. Journal of Medical Internet Research, v. 18, n. 12, p. e323, 2016.

Data Science Academy. Deep Learning Book, 2022. Disponível em: [link]. Acesso em: 17 ago. 2023.

JAVEED, Arshad; ZHOU, Shuang; YONGJIAN, Liu; QASIM, Irfan; NOOR, Ahmad; NOUR, Rehan. An intelligent learning system based on random search algorithm and optimized random forest model for improved heart disease detection. IEEE Access, v. 7, p. 180235–180243, 2019.

SCIKIT-LEARN. sklearn.feature_selection.RFE. Disponível em: [link]. Acesso em: 17 ago. 2024.

TensorFlow. An end-to-end open source machine learning platform. Disponível em: [link]. Acesso em: 15 ago. 2024.

CARVALHO, André Ponce de Leon F. de. Redes Neurais Artificiais, 2009. Disponível em: [link]. Acesso em: 17 de ago. 2024.

HARRISON, Matt. Machine Learning – Guia de Referência Rápida: Trabalhando com dados estruturados em Python. (2019). Brasil: Novatec Editora. Brasil: Novatec Editora, 2019.

PEREIRA, Daiane M.; COUTO, Rodrigo S. Predição de métricas em grafos temporais utilizando redes neurais. In: Anais do XX Workshop em Desempenho de Sistemas Computacionais e de Comunicação. SBC, 2021. p. 84-95.

SHAP. SHAP Documentation. Disponível em: [link]. Acesso em: 18 ago. 2024.

DA ROCHA FERNANDES, Anita Maria; PINHEIRO, Marcel Borges; NAZÁRIO, Abraão Gualberto. Aplicação de Algoritmos de Aprendizado de Máquina no Apoio a Elaboração de Planos Nutricionais. Brazilian Journal of Development, v. 6, n. 8, p. 60935-60944, 2020.