Die neuartigen Ernährungsformen, die in food4future entwickelt werden, sollen in optimierter Form Konsument*innen empfohlen und angeboten werden. Dafür ist es erforderlich, den aktuellen individuellen Ernährungszustand der Personen zu erkennen. In diesem Projekt wird auf der Basis von Sensordaten und einer phänotypischen Klassifikation eine Typen- und Zustandserkennung von Konsument*innen realisiert. Zunächst an Testpersonen im Rahmen einer Proband*innenstudie. Moderne Sensortechnologien wie z.B. Smartwatches oder tragbare Sensoren liefern eine Fülle an Daten, die zu einem bestimmten Zeitpunkt mit Hilfe von maschinellen Lernens zur Klassifikation ihres Trägers eingesetzt werden. Auf der Basis einer physiologisch-medizinischen Phänotypisierung und des dazu korrelierten Ernährungsbedarfes sollen konkrete Lebensmittelvorschläge gegeben werden. Die eingesetzte Sensorik erfasst die Körperdaten ausschließlich nicht-invasiv und soll für den*die Träger*innen nahezu unbemerkt arbeiten. Die Auswahl passender Sensoren und die Entwicklung eines geeigneten Sensorsystems ist dabei Bestandteil dieses Projekts.

Basierend auf den Erkenntnissen, die aus der Proband*innenstudie hervorgehen, wird eine mobile Anwendung (App) für Endnutzer*innen entwickelt. Diese generiert Lebensmittelvorschläge einerseits auf Basis der in foodf4uture generierten Smart Foods und andererseits auf Basis der lokalen Nahrungsangebote. In Rückkopplung mit den anderen foodf4uture-Forschungsfeldern wird die Zusammensetzung und Darbietungsform der designten Nahrung bestimmt. Nährwertangaben der lokalen Nahrung werden aus den kommerziellen Nährwerttabellen entnommen. Alle Sensordaten und ggf. zusätzliche Nutzerbilder und -eingaben werden für die weitere Analyse auf einem zentralen Server zur Verfügung gestellt.

Eine von Nutzer*innen gewollte Veränderung wie eine schlankere Figur oder eine sportlichere Erscheinung wird in einer Modellstudie mit vorher festgelegter Zielvorstellung für die Probanden evaluiert. Beispielhaft wird eine Gewichtsreduzierung angestrebt und dafür eine proteinreiche Ernährung empfohlen. Das System soll dann lernen welche Ernährungsformen zum Ziel führen. Die Zieleingabe kann ergänzt werden durch die Möglichkeit personenspezifisch bevorzugte oder abgelehnte Nahrungsmittel zu definieren. Es entsteht so ein zeitlich wachsendes Kommunikationssystem, das die Endnutzer*innen nach ihren Vorlieben in die Entscheidungsfindung einbezieht.

Das zu entwickelnde System soll im späteren Projektverlauf durch die Etablierung von rückkoppelndem dauerhaftem Lernen mit Selbstkorrektur in der Lage sein, den Lernerfolg und die Qualität der ausgesprochenen Empfehlungen selbstständig zu messen und kontinuierlich zu verbessern. Dafür werden die eingesetzten mobilen Messsysteme als Teil einer Internet-of-Things-(IoT)-Architektur untereinander vernetzt. Durch Korrelation des Zeitverlaufs der Phänotyp-Klassifikation in Abhängigkeit der Lebensmittelempfehlung wird die Auswirkung der empfohlenen Produkte auf die Proband*innen einbezogen und im laufenden Betrieb durch Algorithmen des maschinellen Lernens verbessert.

Text: P. Wagner, E. Gedat, TH Wildau