Dự án này xây dựng một hệ thống **gợi ý thực đơn dinh dưỡng cá nhân hóa** sử dụng dữ liệu người dùng, thông tin thành phần dinh dưỡng và mô hình **Học máy/Deep Learning**. Người dùng có thể nhập thông tin cá nhân (tuổi, cân nặng, chiều cao, mục tiêu dinh dưỡng) và nhận được các đề xuất món ăn phù hợp với nhu cầu dinh dưỡng, sở thích và chế độ ăn uống. Hệ thống kết hợp phân tích dữ liệu, tiền xử lý và mô hình dự đoán để tối ưu hóa chế độ ăn một cách thông minh và tiện lợi. 🚀
- Dữ liệu dinh dưỡng: Bao gồm calo, protein, carbohydrate, chất béo, vitamin và khoáng chất.
- Mô hình AI: Sử dụng các thuật toán ML/DL (Random Forest, LSTM, hoặc Mạng nơ-ron) để gợi ý thực đơn.
- Giao diện tương tác: Web app/GUI cho phép người dùng nhập dữ liệu, nhận đề xuất, đánh giá và lưu lại các bữa ăn.
- Tùy chỉnh cá nhân: Điều chỉnh theo lượng calo mục tiêu, dị ứng, sở thích món ăn hoặc chế độ ăn đặc biệt (Vegetarian, Keto, Low-carb…).
Hệ thống gồm 3 khối chính:
- Khối Dữ liệu: Thu thập dữ liệu thực phẩm, thành phần dinh dưỡng, dữ liệu người dùng.
- Khối Xử lý & AI: Tiền xử lý dữ liệu, chuẩn hóa, xây dựng và huấn luyện mô hình dự đoán thực đơn phù hợp.
- Khối Giao diện Người dùng: Web app/GUI hiển thị gợi ý thực đơn và cho phép tương tác.
project/
│
├─ raw-data_recipe.csv # Dữ liệu gốc các công thức nấu ăn
├─ Food_and_Nutrition__.csv # Dữ liệu thông tin người dùng
├─ recipes_clean.csv # Dữ liệu đã làm sạch
├─ model_cal.pkl # Mô hình dự đoán nhu cầu calo
├─ model_prot.pkl # Mô hình dự đoán nhu cầu protein
├─ app.py # Ứng dụng Streamlit cho người dùng
├─ xu_ly_du_lieu.ipynb # Notebook tiền xử lý, huấn luyện mô hình
└─ README.md # Hướng dẫn dự án
| Lĩnh vực | Công nghệ | Chi tiết |
|---|---|---|
| Dữ liệu | Python, Pandas, NumPy, ast | Tiền xử lý, chuyển đổi cấu trúc dữ liệu dinh dưỡng (JSON |
| Học máy (ML) | scikit-learn (RandomForestRegressor) | Dự đoán nhu cầu Calo/Protein cá nhân hóa. |
| Gợi ý & Phân loại | TfidfVectorizer, KMeans | Phân loại món ăn thành 5 nhóm cluster để gợi ý món thay thế. |
| Giao diện | Streamlit | Xây dựng Web App tương tác (Sidebar, Bảng, Biểu đồ). |
Yêu cầu Phần mềm: Python 3.x, và các thư viện trong requirements.txt (streamlit, scikit-learn, pandas, matplotlib, pickle).
Dữ liệu thô được chuẩn hóa để xây dựng Ground Truth cho mô hình AI và các tính năng lọc.
-
Chỉ số BMI: Tính toán dựa trên cân nặng (kg) và chiều cao (m).
$$BMI = \frac{\text{weight_kg}}{(\text{height_m})^2}$$ -
Nhu cầu Calo (Target TDEE): Tính TDEE dựa trên công thức BMR (Harris-Benedict hoặc Mifflin-St Jeor), mức độ vận động, và điều chỉnh theo mục tiêu/BMI.
-
Điều chỉnh theo BMI: BMI > 25
$\to$ giảm 15% TDEE; BMI < 18.5$\to$ tăng 15% TDEE.
-
Điều chỉnh theo BMI: BMI > 25
- Nhu cầu Protein (Target Protein): Thiết lập là 2g / kg trọng lượng cơ thể (phù hợp với người tập luyện/kiểm soát cân nặng).
- Làm sạch: Bỏ các cột không cần thiết (
aver_rate,image_url, v.v.). - Parse Dinh dưỡng: Chuyển đổi cột
nutritions(chuỗi JSON) thành các cột số (calories,protein,fat,carbohydrates, v.v.). - Lọc Cá nhân: Xây dựng hàm lọc món ăn dựa trên danh sách
Thực phẩm muốn tránhvàThực phẩm ưu tiêncủa người dùng.
Mô hình học máy được sử dụng để dự đoán nhu cầu dinh dưỡng cá nhân hóa.
- Dữ liệu Đầu vào (X): Các thông số cơ thể đã được số hóa (
BMI,age,gender_num,height_cm,weight_kg,activity_num). - Mục tiêu Dự đoán (Y):
target_caloriesvàtarget_protein. - Mô hình:
RandomForestRegressorđược huấn luyện độc lập cho Calo (model_cal.pkl) và Protein (model_prot.pkl). - Đánh giá: Sử dụng R² Score, MAE, và RMSE để đánh giá độ chính xác của mô hình so với Ground Truth.
Ứng dụng web cho phép người dùng tương tác và nhận thực đơn tức thì.
- Dự đoán Nhu cầu: Sử dụng mô hình
RandomForestRegressorđã lưu (.pkl) để dự đoán Calo và Protein mục tiêu. - Clustering Món ăn (KMeans):
- Sử dụng TF-IDF trên Nguyên liệu và Chuẩn hóa Dinh dưỡng làm đầu vào.
- Phân loại thành 5 Nhóm (Cluster):
Low-Calorie,High-Protein,Balanced,High-Fat,Carb-Heavy. - Mỗi món ăn được gán một Nhóm món (Cluster Label).
- Tạo Thực đơn: Chia tổng Calo mục tiêu thành 4 bữa (Sáng, Trưa, Tối, Phụ) theo tỷ lệ phần trăm cố định. Gợi ý món ăn trong phạm vi Calo mục tiêu của từng bữa.
- Gợi ý Món Thay thế: Đề xuất các món ăn cùng nhóm Cluster với món ăn hiện tại, cho phép người dùng thay thế và cập nhật dinh dưỡng.
- Lưu Lịch sử: Lưu lại tối đa 10 thực đơn đã tạo.
| Bữa | Món ăn | Calo | Protein (g) | Chất béo (g) | Nhóm món |
|---|---|---|---|---|---|
| Bữa sáng | Trứng ốp la | 300 | 20 | 15 | High-Protein |
| Bữa trưa | Cơm gà | 550 | 35 | 20 | Balanced |
| Bữa tối | Salad cá hồi | 400 | 25 | 18 | Low-Calorie |
| Bữa phụ | Sữa chua | 150 | 8 | 5 | Balanced |
Tải các tập dữ liệu gốc về và đặt chúng trong thư mục chính của dự án:
| Tên file | Liên kết Tải xuống |
|---|---|
raw-data_recipe.csv |
[Link Google Drive] |
Food_and_Nutrition__.csv |
[Link Google Drive] |
-
Chạy Notebook: Mở file
xu_ly_du_lieu.ipynb(hoặc tên file notebook tương ứng) và thực hiện Run All.Run All trong file ipynb # Bước này sẽ tạo ra recipes_clean.csv, model_cal.pkl, model_prot.pkl
-
Cài đặt Thư viện: Đảm bảo bạn đã cài đặt tất cả các thư viện cần thiết (
pip install -r requirements.txt). -
Khởi động Ứng dụng: Chạy ứng dụng bằng lệnh sau trong terminal:
streamlit run app.py # Lưu ý: Nếu tên file là app_multilang_full.py, hãy chạy lệnh tương ứng.
- Nhập thông tin cá nhân trên Sidebar, sau đó nhấn Tạo thực đơn AI để nhận gợi ý.
- Cá nhân hóa Sâu: Kết hợp phân tích BMI, TDEE, Mục tiêu và Thói quen ăn uống.
- Độ tin cậy: Sử dụng Mô hình AI (Random Forest) để xác định nhu cầu dinh dưỡng, tăng cường tính chính xác so với công thức truyền thống.
- Tính linh hoạt: Cho phép người dùng tùy chỉnh và thay thế món ăn theo nhóm dinh dưỡng.
- Tối ưu hóa Vĩ mô: Áp dụng các thuật toán Tối ưu hóa (Optimization) để đảm bảo tổng lượng Calo, Protein, Carb và Fat trong ngày đạt chính xác mục tiêu đề ra (thay vì chỉ cố gắng đạt mục tiêu Calo cho từng bữa).
-
Ràng buộc Bệnh lý: Thêm logic lọc món ăn theo các bệnh lý đặc biệt (ví dụ: Tăng huyết áp
$\to$ giảm Sodium).
Dự án được phát triển bởi:
- Trần Hồng Quân
© 2025 NHÓM 20, KHOA CÔNG NGHỆ THÔNG TIN, TRƯỜNG ĐẠI HỌC ĐẠI NAM.