【计算机毕设/任务书-免费领取源码】基于SpringBoot的智能化膳食营养健康管理平台设计与实现

1. 研究目的

当前我国居民膳食营养状况面临”营养不足与过剩并存、饮食相关慢性病高发”的双重挑战。传统膳食健康管理存在信息碎片化、建议同质化、依从性差、缺乏个性化、监测手段落后等核心痛点。人们难以获取科学、精准、可执行的营养指导，而医疗机构又难以实现对大众日常饮食的持续跟踪与管理。

本课题旨在设计并实现一个基于SpringBoot的智能化膳食营养健康管理平台，力求达成以下核心目标：

• 构建权威、科学的营养知识图谱与个性化推荐引擎：集成《中国居民膳食指南》《中国食物成分表》 等权威标准，构建结构化的营养素数据库、疾病营养知识库、食材功效知识图谱。在此基础上，开发基于用户多维健康数据（生理、生化、行为、遗传）的AI营养推荐系统，实现从”通用建议”到”千人千面”的精准营养方案生成，包括个性化食谱、营养素补充建议、饮食禁忌预警等。

• 实现全场景、多模态的饮食数据智能采集与精准分析：突破传统手动记录的局限。支持拍照识别膳食、扫描食品条形码、语音描述录入、可穿戴设备数据同步、实验室检测报告上传等多种数据采集方式。通过计算机视觉与自然语言处理技术，自动解析饮食内容，并关联权威营养数据库，实现热量与40+种营养素的精准估算，形成动态的”个人营养摄入数字孪生”。

• 打造”监测-评估-干预-追踪”的数字化健康管理闭环：平台不仅是记录工具，更是管理工具。基于连续采集的饮食、运动、生理指标数据，系统自动进行营养状况评估（如膳食结构分析、营养素盈亏分析），结合健康目标（慢病管理、体重控制、运动表现提升）给出个性化干预方案，并通过消息推送、打卡任务、虚拟营养师对话等形式督促执行，最终追踪干预效果，形成完整的数字化健康管理PDCA循环。

• 建立连接用户、营养师、医疗机构、食品企业的可信生态：为注册营养师提供专业的客户管理、方案制定、远程随访工具；为医疗机构提供患者院外饮食管理的数字化解决方案；为食品企业提供合规的营养标签生成与产品精准推荐服务。通过区块链技术实现饮食与健康数据的可信存证与授权流转，在保护隐私的前提下促进数据价值流通。

2. 研究要求

a. 需求分析

1. 功能性需求

• 多角色协同服务体系：

• 普通用户/患者：核心服务对象。需完成健康档案建立、多途径饮食记录、获取个性化推荐与计划、查看营养分析报告、参与健康挑战、与营养师沟通、管理可穿戴设备数据。

• 注册营养师/健康管理师：专业服务提供者。可管理名下客户，查看客户全景健康数据，制定与调整营养方案，发送随访提醒，进行在线咨询，使用专业分析工具。

• 医疗机构/体检中心管理员：机构服务方。可批量管理员工与客户，将平台与体检系统对接，为团体客户制定标准化营养干预模板，查看群体健康数据报告。

• 平台运营与研发管理员：负责营养数据库维护、AI模型训练与优化、系统运维、数据安全、商业合作对接。

• 核心业务流程需求：

• 智能化个体营养评估与方案生成：用户录入基础信息（及可选的基因检测、体检报告）后，系统应能自动评估其当前营养状况与风险，结合其健康目标，生成包含每日热量与营养素目标、食物交换份建议、个性化食谱推荐、补充剂建议、饮食行为建议的综合性方案。方案需可动态调整。

• 多源异构健康数据的融合分析与解读：必须能够整合来自饮食记录、运动手环（步数、心率）、智能体重秤、血糖仪、体检报告等不同来源、不同频率的数据。通过数据融合算法，分析饮食、运动、生理指标之间的关联关系，生成通俗易懂的洞察报告，如”近期钠摄入升高与血压波动趋势相关”。

• 循证营养教育与个性化内容推送：建立基于证据等级的营养知识库。根据用户的健康状况、关注问题、知识盲区，自动推送匹配的科普文章、视频课程、研究成果。支持用户订阅感兴趣的营养话题。

• 合规性管理与数据安全交换：所有营养计算、推荐方案必须符合国家相关法规与标准。用户健康数据为核心隐私，需实现联邦学习或隐私计算支持下的数据安全利用模式。为临床研究或产品研发提供合规的数据脱敏与授权使用接口。

2. 非功能性需求

• 数据精确性与算法可靠性：营养推荐关乎健康，必须保证极高可靠性。营养计算模型、推荐算法需经过营养学专家评审与真实世界数据验证，误差在可接受范围内。关键算法需有可解释性。

• 高并发与实时性：在餐后时段，大量用户可能同时上传饮食图片进行分析。AI识别与营养计算服务需具备高并发处理能力，响应时间应在秒级，以保证用户体验。

• 隐私安全与合规性：系统必须满足《个人信息保护法》《健康医疗数据安全指南》 等要求。实现数据分类分级、加密存储、脱敏展示、操作全链路审计。支持用户数据”可携带、可删除”。

• 多端协同与一致性：用户可能在手机、平板、电脑、智能电视等多设备上使用。需保证各端数据实时同步，核心功能体验一致，并针对不同设备优化交互。

b. 系统功能设计

系统设计为10个核心功能模块，每个模块包含5-7个具体的增删改查功能点。

模块一：用户中心与全景健康档案模块

• 功能点1（增）：多维健康档案初始化。用户录入人口学信息、体格测量（身高、体重、腰围）、实验室检查（血脂、血糖、尿酸等上传报告或手动输入）、基因检测结果（可选）、疾病史、用药史、食物过敏/不耐受信息。系统自动计算BMI、体脂率、基础代谢率等。

• 功能点2（删）：动态健康目标管理。支持设置多个健康目标，如体重管理（减重/增重目标及周期）、血糖控制、血压管理、运动表现提升。目标可量化、可调整，系统将目标分解为每日营养与行为任务。

• 功能点3（改）：第三方健康数据接入。通过标准接口（如Google Fit、苹果健康Kit）或厂商SDK，接入主流智能手环、体重秤、血糖仪的数据，自动同步步数、睡眠、心率、体重、血糖等时序数据。

• 功能点4（查）：我的健康数据全景仪表盘。以卡片和图表形式集中展示核心健康指标的最新值、历史趋势、与目标对比。仪表盘可自定义，显示用户最关注的指标。

• 功能点5（查）：健康报告与时间轴。系统定期（周/月/季）自动生成健康趋势报告，汇总期间内的饮食、运动、生理指标变化，并提供简要解读。所有健康事件（就诊、体检、方案调整）形成时间轴。

• 功能点6（改）：隐私与数据授权管理。用户可精细控制每类健康数据对营养师、家人、研究机构的共享范围与期限。查看所有数据被访问的历史记录。

模块二：智能饮食记录与分析模块

• 功能点1（增）：多模态饮食记录。支持：① 拍照/拍视频识别：AI识别菜品、估计分量；② 扫码识别：识别包装食品条形码，获取商品化营养信息；③ 语音输入：说”中午吃了一碗米饭，半条清蒸鱼”，NLP解析；④ 手动选择：从食物库中搜索添加。记录时可添加餐次、地点、心情、饱腹感。

• 功能点2（删）：AI视觉识别引擎。集成或自研深度学习模型，支持数千种常见中餐菜品、食材的识别，并能估算重量（借助参照物）。对于复杂菜品，可识别主要成分。识别结果允许用户手动修正，修正数据用于模型迭代优化。

• 功能点3（改）：精准营养计算与数据库。后台维护权威、全面的食物营养数据库，包含常规营养素、氨基酸、脂肪酸、维生素、矿物质等。记录完成后，系统自动计算该餐次的详细营养素摄入，并累加至当日、当周总量。

• 功能点4（查）：膳食结构与营养素分析。以膳食宝塔可视化对比用户各类食物摄入量与推荐量。以营养素雷达图展示各宏量及微量营养素的摄入充足情况，标识缺乏或过量风险。

• 功能点5（查）：饮食日志与回顾。以日历或列表形式查看历史饮食记录，支持按餐次、地点、标签筛选。可快速复制某天饮食记录。

• 功能点6（改）：饮食模式识别。基于长期饮食数据，系统可自动识别用户的饮食模式（如”高钠模式”、”低碳水模式”、”零食频率高”），并与健康结局进行关联分析，提供预警。

模块三：个性化营养推荐引擎模块

• 功能点1（增）：个性化营养素需求模型。基于用户的年龄、性别、体重、身体活动水平、健康目标、生理状态（如孕期），采用DRIs等多种模型，计算其每日能量及40+种营养素的个性化推荐摄入量范围，而非单一固定值。

• 功能点2（删）：智能食谱生成与推荐。系统根据用户营养素需求、饮食偏好、禁忌、当地食材、烹饪条件，从海量食谱库中智能匹配，或利用生成式AI动态生成一日三餐的食谱方案，确保总营养符合目标。支持生成一周食谱。

• 功能点3（改）：实时饮食建议与纠偏。在用户记录饮食过程中或完成后，系统实时分析其与目标的差距，提供即时建议，如”今日蛋白质摄入已达标，晚餐建议选择蔬菜为主”或”钙摄入不足，建议加一杯牛奶或酸奶”。

• 功能点4（查）：”食物交换份”个性化适配。为慢病用户提供个性化的食物交换份系统。用户可选择不同种类的食物，系统自动计算其对应的”份”数，并显示对血糖、热量的影响预测，方便饮食替换。

• 功能点5（查）：补充剂评估与推荐。根据用户膳食调查结果、缺乏症风险、特殊生理阶段，评估其是否需要及适合何种膳食补充剂，并提供产品选择建议与注意事项，避免盲目补充。

• 功能点6（改）：推荐解释与反馈。系统在给出推荐时，提供简单易懂的解释，如”推荐富含Ω-3的鱼类，因您近期血脂偏高”。用户可对推荐结果进行反馈，优化后续推荐。

模块四：营养师专业工作台模块

• 功能点1（增）：客户管理与分组。营养师可管理分配给自己的客户，为客户分组（如糖尿病组、孕期组），并为不同组设置不同的沟通模板与干预重点。

• 功能点2（删）：客户全景健康视图。营养师可一站式查看任一客户的完整健康档案、饮食记录、运动数据、消息互动历史，形成全面的评估基础。

• 功能点3（改）：专业营养评估与方案制定。为营养师提供专业的评估工具，如膳食回顾分析表、营养诊断工具。营养师可在系统内为客户制定详细的营养干预方案，包括营养处方、教育计划、随访计划，方案可同步给客户。

• 功能点4（查）：远程随访与消息互动。营养师可与客户进行图文、语音消息沟通，发送随访问卷，查看客户完成情况。系统可设置自动随访提醒。

• 功能点5（查）：工作量与效果统计。营养师可查看自己的工作量统计、客户满意度、客户健康指标改善率等数据，用于个人工作评估与提升。

• 功能点6（改）：专业知识库与协作。平台为营养师提供最新的指南、文献、工具分享。营养师之间可就疑难案例进行安全脱敏后的内部讨论。

模块五：慢病营养管理专项模块

• 功能点1（增）：疾病专属营养计算模型。为糖尿病、高血压、肾病、痛风等常见慢病建立专项营养计算模型。如为糖尿病患者计算碳水化合物计数、血糖负荷；为肾病患者计算蛋白质、钾、磷、钠的摄入。

• 功能点2（删）：餐后血糖预测与饮食日志关联。对于糖尿病患者，支持记录指尖血糖或动态血糖仪数据。系统尝试建立该用户个人的”饮食-血糖”反应模型，预测不同食物对其餐后血糖的影响，给出个性化排序建议。

• 功能点3（改）：低GI/低嘌呤/低钠食品库。建立并维护针对不同慢病的特需食品数据库，方便用户快速筛选和记录。

• 功能点4（查）：慢病管理数据看板。为慢病患者定制数据看板，重点展示与其疾病相关的核心指标（如血糖曲线、血压记录、尿酸值）与饮食、药物的关联趋势图。

• 功能点5（查）：药物-营养相互作用提醒。维护常用药物与营养素相互作用的数据库。当用户录入用药记录时，系统可提示需要注意的营养素补充或饮食禁忌（如华法林与维生素K）。

• 功能点6（改）：结构化教育课程。为不同慢病患者提供结构化的线上营养教育课程，学习进度与效果可追踪。

模块六：社区互动与健康促进模块

• 功能点1（增）：健康挑战与任务打卡。发布平台或营养师发起的健康挑战，如”21天少盐挑战”、”每日吃够一斤蔬菜挑战”。用户参与后，每日打卡完成任务，与挑战成员互动。

• 功能点2（删）：科学内容社区与问答。建立以科学证据为基础的营养健康内容社区。专家发布文章、视频，用户可学习、提问。问答由专家或AI优先回答，形成高质量知识库。

• 功能点3（改）：匿名健康小组与同伴支持。用户可根据自身健康问题（如产后恢复、抗癌饮食）加入匿名支持小组，分享经验、互相鼓励，由营养师或管理员引导讨论方向，确保信息科学。

• 功能点4（查）：成就系统与激励机制。用户达成健康目标、坚持打卡、学习课程可获得虚拟勋章、积分。积分可兑换实体礼品、课程优惠或咨询时长，形成正向激励。

• 功能点5（查）：家人关爱与数据共享。用户可添加家人，在授权下查看家人的基本饮食与健康数据，特别适用于关爱老人、儿童的家庭场景，便于家人间互相督促。

• 功能点6（改）：线下活动与服务对接。发布线上线下的营养讲座、烹饪课程、健康餐品鉴活动报名信息，实现O2O服务衔接。

模块七：数据洞察与科研分析模块

• 功能点1（增）：群体健康数据洞察。在严格脱敏和聚合后，平台可分析不同地域、年龄、职业人群的膳食模式、营养素缺乏状况、健康指标分布，生成公共卫生价值的数据报告。

• 功能点2（删）：营养干预效果评估。对于参与特定营养干预计划的群体，系统可自动进行干预前后指标的对比分析，计算效果量，为项目评估提供数据支持。

• 功能点3（改）：真实世界研究支持。为医药、营养等领域的科研人员提供符合伦理的数据合作方案。研究者可提交经伦理审查的研究方案，在用户知情同意的前提下，平台可协助招募受试者、收集特定维度的数据。

• 功能点4（查）：自定义数据分析看板。管理员或研究人员可通过拖拽方式，自定义需要分析的维度、指标、人群、时间范围，快速生成可视化图表，进行探索性数据分析。

• 功能点5（查）：数据导出与对接。支持将脱敏后的聚合数据以标准格式导出，或通过API提供给合作的研究机构或公共卫生部门。

• 功能点6（改）：预测模型开发与验证。基于平台积累的海量真实世界数据，与AI团队合作，开发疾病风险预测、营养需求预测等模型，并利用平台进行持续验证与迭代。

模块八：企业服务与商品合规模块

• 功能点1（增）：食品企业营养标签服务。为食品生产企业提供在线营养标签计算与生成服务。企业输入配方，系统自动根据原料数据库计算成品营养成分，并生成符合国标的营养标签图。

• 功能点2（删）：智能配餐与供应链管理。为团餐、外卖、轻食企业提供智能配餐系统，可根据不同人群营养需求，自动生成周食谱，并计算原料需求，联动供应链。

• 功能点3（改）：产品精准推荐与营销。基于用户健康数据与饮食偏好，在合适场景为合规的健康食品、补充剂进行精准推荐，实现”人-货”精准匹配。为品牌方提供营销效果分析。

• 功能点4（查）：政策法规库与合规自查。建立国内外营养健康相关法规、标准数据库，为企业提供查询与合规性自查工具。

• 功能点5（查）：营养声称评价服务。企业可提交产品信息与检测报告，系统可自动评估其是否符合进行某项”营养声称”（如”低脂”、”高钙”）的条件。

• 功能点6（改）：B2B数据合作接口。为体检机构、保险公司、智能硬件厂商提供安全的数据接口，实现双向数据授权共享与服务融合。

模块九：知识库与AI模型管理模块

• 功能点1（增）：结构化营养知识图谱构建与管理。以本体形式构建食物、营养素、功效、疾病、人群之间的关联关系，支持推理和智能问答。

• 功能点2（删）：AI模型全生命周期管理。对菜品识别模型、营养需求模型、推荐模型等进行集中管理，包括版本控制、效果监控、A/B测试、回滚更新。

• 功能点3（改）：循证证据库与推荐强度管理。收录营养相关研究文献、指南，并对证据等级和推荐强度进行标注，确保平台推荐的科学性与透明度。

• 功能点4（查）：用户反馈与模型优化闭环。收集用户对识别结果、推荐内容的纠错与反馈，将其转化为训练数据，持续优化AI模型。

• 功能点5（查）：多语言与本地化适配。管理不同国家/地区的膳食指南、食物成分数据，为国际化扩展做准备。

• 功能点6（改）：专家审核与知识入库流程。建立新知识、新模型上线前的专家审核流程，确保内容的科学性与安全性。

模块十：系统安全、隐私与区块链存证模块

• 功能点1（增）：全链路数据加密与隐私计算。用户敏感健康数据在传输、存储时均需加密。探索应用联邦学习、多方安全计算等技术，实现”数据可用不可见”的分析与建模。

• 功能点2（删）：细粒度权限控制与访问审计。实现基于属性（ABAC）的动态权限控制。所有对用户数据的访问、修改、导出操作均记录详细审计日志，包括操作人、时间、IP、内容。

• 功能点3（改）：健康数据区块链存证。将用户关键健康事件、营养师出具的重要方案、用户授权记录等哈希值存入区块链，实现数据可信存证与追溯，防止篡改，厘清权责。

• 功能点4（查）：安全漏洞扫描与威胁感知。定期对系统进行自动化安全扫描，监控异常访问模式，及时发现潜在威胁。

• 功能点5（查）：数据备份与灾难恢复。制定完善的数据备份策略与灾难恢复预案，定期演练，确保业务连续性与数据安全。

• 功能点6（改）：合规性自检与报告。系统自动检查自身运行是否符合相关法律法规要求，并生成合规性自检报告。

c. 系统实现

1. 技术架构

• 后端技术栈：

• 模型服务：Python (FastAPI) 搭建独立的AI服务，提供菜品识别、需求计算、生成推荐等能力，通过gRPC/REST与Java服务通信。

• 实时计算：Flink，处理用户行为流，实时更新用户画像和预警。

• 离线计算：Spark，处理T+1的分析报表、模型训练任务。

• MySQL：核心业务关系数据。

• MongoDB：存储非结构化的饮食记录详情、报告JSON。

• Redis集群：缓存热点数据、会话、分布式锁。

• Elasticsearch：支持食谱、知识、商品的复杂搜索与推荐召回。

• 图数据库（Neo4j）：存储营养知识图谱，支持关联查询与推理。

• 核心框架：Spring Boot 3.x + Spring Cloud。采用微服务架构，拆分为用户服务、档案服务、记录服务、识别服务、推荐服务、分析服务、社区服务、B端服务、AI模型服务、区块链服务等。

• 安全与权限：Spring Security OAuth2 + JWT + 自定义注解实现细粒度权限控制。集成Vault管理密钥。

• 数据层：

• AI与大数据：

• 区块链：集成FISCO BCOS或Hyperledger Fabric，搭建存证联盟链，部署存证智能合约。

• 前端技术栈：

• 用户主站/Web后台：React 18 + Next.js (App Router)，SSR/SSG优化。采用微前端架构。

• 移动端App：React Native + 部分原生模块（如相机优化）。

• 微信小程序：Taro。

• 基础设施：

• 容器化：Docker。

• 编排：Kubernetes，实现弹性伸缩。

• 服务网格：Istio，治理微服务流量。

• 监控：Prometheus + Grafana + ELK + SkyWalking。

2. 关键实现方案

• 个性化营养需求计算引擎：

• 设计为可插拔的规则引擎。集成多种经典模型（如 Mifflin-St Jeor, WHO/FAO），并根据中国人群特点进行校正。针对特殊人群（孕妇、运动员、患者）接入专家规则。计算结果为一个范围（区间），为后续推荐提供灵活性。

• 联邦学习下的营养推荐模型：

• 为保护用户隐私，采用联邦学习框架。模型训练在用户本地设备或边缘服务器上进行，平台只聚合加密的模型参数更新，不接触原始数据。最终得到一个通用的、保护隐私的智能推荐模型。

• 区块链存证流程：

• 关键数据（如营养师签名方案、用户知情同意书）Hash -> 调用区块链存证服务 -> 返回存证交易哈希和区块信息 -> 将该信息与原始数据关联存储。验真时，重新计算Hash，与链上记录比对。

d. 系统测试

1. 测试思路

采取基于风险与价值的验证策略。优先确保核心健康算法（营养计算、推荐）的准确性与安全性，以及涉及用户隐私的安全合规性。测试需覆盖科学验证、功能、性能、安全、隐私、法规遵从等多个维度。

2. 测试方案

• 科学验证与算法测试：

• 营养计算准确性测试：选取《中国食物成分表》标准食物，由资深营养师手工计算营养值，与系统计算结果比对，误差需在允许范围内（如热量±5%，微量元素±10%）。

• AI识别模型效果测试：构建涵盖不同菜系、拍摄环境、餐具的测试图片集，评估菜品识别模型的精确率、召回率、mAP。

• 推荐方案专家评审：邀请营养学专家组成评审组，对系统为不同类型虚拟用户生成的营养方案进行盲审，评估其科学性、合理性与安全性。

• 功能与非功能测试：

• 渗透测试：覆盖OWASP TOP 10，重点测试越权访问健康数据、篡改营养方案、绕过支付等。

• 隐私合规审计：检查数据收集、存储、使用、共享、删除的全流程是否符合《个人信息保护法》要求，检查隐私政策与实际操作的一致性。

• 区块链存证有效性测试：验证存证、取证流程的完整性与抗篡改性。

• 端到端用户旅程与慢病管理专项测试：模拟糖尿病患者从建档、记录饮食血糖、获取建议、与营养师互动的全流程，验证数据流与业务规则。

• 高并发压力测试：模拟早、中、晚餐后1小时，数万用户同时上传饮食图片进行识别的场景，测试识别服务、计算服务的响应能力与资源消耗。

• 安全渗透与隐私合规测试：

• 法规符合性测试：检查所有营养声称、健康建议、产品推荐是否符合《食品安全法》《广告法》及相关标准的规定。

3. 总体进度和安排

阶段	时间安排	主要任务	产出物
第一阶段：科学基础研究与架构设计	第1-6周	1. 深入研究营养学原理、国内外指南、监管要求，完成科学需求规格说明书。 2. 完成高安全、高可用的微服务与隐私计算架构详细设计。 3. 设计核心数据模型，重点设计营养计算引擎、知识图谱、个人健康数字孪生模型。 4. 制定AI模型训练与区块链存证技术方案。	科学需求文档、系统架构设计文档、核心算法与数据模型设计、隐私安全方案白皮书
第二阶段：基础平台、核心算法与服务开发	第7-18周	1. 搭建Kubernetes云原生基础平台与DevSecOps流水线。 2. 实现用户、档案、权限、知识图谱等基础服务。 3. 构建营养计算引擎与个性化需求模型服务。 4. 开发AI菜品识别与多模态记录服务。 5. 实现联邦学习框架集成与区块链存证服务。 6. 开发Web前端基础框架。	可运行的云原生基础平台、核心算法服务、AI与区块链服务、前端基础框架
第三阶段：核心业务模块与智能系统实现	第19-30周	1. 实现智能推荐与食谱生成服务。 2. 实现营养师工作台与慢病管理专项服务。 3. 实现数据分析、社区、企业服务等业务模块。 4. 开发并上线移动端App、微信小程序、管理后台。 5. 进行多轮AI模型训练与调优。	完整的业务微服务集群、多端应用上线、优化后的AI模型
第四阶段：全链路集成、科学验证与调优	第31-36周	1. 全链路集成与稳定性测试。 2. 进行科学准确性验证与算法效果评估。 3. 进行高并发压力测试、安全渗透测试与隐私合规审计。 4. 根据测试结果，优化算法、性能与安全性。 5. 编写科学白皮书、用户手册、运维手册。	科学验证报告、全链路压测与安全审计报告、优化后的系统、全套文档
第五阶段：试点研究、论文撰写与答辩	第37-48周	1. 与合作医院、体检中心开展小范围真实世界试点研究，收集效果与反馈。 2. 系统总结项目在营养学、计算机科学、隐私计算交叉领域的创新与实践，撰写高水平毕业设计论文。 3. 制作答辩PPT，准备系统科学性与技术先进性的综合演示。 4. 完成毕业答辩。	试点研究报告、毕业设计论文、答辩材料、项目完整交付物

4. 推荐参考文献

[1] 中国营养学会. 中国居民膳食营养素参考摄入量（2023版）[M]. 北京: 科学出版社, 2023. （核心科学依据）

[2] 中国营养学会. 中国居民膳食指南（2022）[M]. 北京: 人民卫生出版社, 2022.

[3] 杨月欣, 等. 中国食物成分表（标准版）[M]. 北京: 北京大学医学出版社, 2018.

[4] (美) 中华人民共和国国家标准. 食品安全国家标准 预包装食品营养标签通则（GB 28050-2011）[S]. 2011.

[5] Peter J. Turnbaugh, et al. The Human Microbiome Project[J]. Nature, 2007. （前瞻方向参考）

[6] 周志华. 机器学习[M]. 北京: 清华大学出版社, 2016.

[7] Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning[M]. MIT Press, 2016.

[8] 邹磊, 等. 知识图谱：方法、实践与应用[M]. 北京: 电子工业出版社, 2019.

[9] 刘洋, 等. 联邦学习[M]. 北京: 电子工业出版社, 2020.

[10] 华为区块链技术开发团队. 区块链技术及应用[M]. 北京: 清华大学出版社, 2019.