Ich habe in letzter Zeit ziemlich oft über den Einsatz von Graph Builder für die Visualisierung meiner Diät- und Fitnessdaten gebloggt alle Beiträge dieser Serie . Beim Erstellen meines Discovery Summit 2014 E-Poster Bei diesem Projekt habe ich meine Fähigkeiten als JMP-Benutzer erheblich erweitert. Dies war das erste Mal, dass ich eine benutzerdefinierte JSL schrieb, um den Import, die Kombination und die Formatierung von Daten aus einer großen Anzahl von Dateien zu automatisieren ( ~ 50 Excel und ~ 50 Textdateien mit Aktivitäts- bzw. Lebensmittelprotokolldaten). Diese Zeitinvestition hat sich wirklich gelohnt, da ich meine erlernten Fähigkeiten auf andere arbeitsrelevante Datenimport- und Visualisierungsaufgaben anwenden konnte.
Neben den Erfahrungen mit JMP und JSL habe ich durch dieses Projekt viel über mich und meine Gewohnheiten gelernt. Eine meiner wichtigsten Entdeckungen war, dass selbst meine sorgfältig gesammelten Daten zum Selbstbericht Mängel und Verzerrungen enthielten, die sich auf die Verwendung meiner Geräte und die Protokollierung von Nahrungsmitteln bezogen. Diese Entdeckung hat meine Gedanken über groß angelegte Bemühungen beeinflusst, Diät- und Fitnessdaten für Personen zusammenzufassen, um die Gewichtsabnahme-Muster zu verstehen, und auch darauf, wie ich weiterhin meine eigenen Daten sammle.
ich habe gebloggt zuvor, wie ich meine Armbänder-Aktivitätsüberwachung in den Sommermonaten weniger getragen habe, um Riemenbräunungslinien zu vermeiden, und wie dieses Nutzungsmuster die Vollständigkeit meiner Aktivitätsdaten beeinflusste. Es erscheint vernünftig, dass jede Person, die einen Aktivitätsmonitor verwendet, über ein einzigartiges Nutzungsmuster verfügt, das die Vollständigkeit und Genauigkeit ihrer eigenen Daten beeinflusst. Mein Gerät gibt mir eine tägliche "Percent Onbody" -Metrik an, die mir hilft, Daten mit ähnlichen Gebrauchszeiten zu vergleichen. Auch wenn dies vielleicht noch nicht perfekt ist, ist es ein Schritt in die richtige Richtung. Unten sehen Sie die Grafik, die ich in mein Poster aufgenommen habe, um meine eigenen Abnutzungsmuster zu veranschaulichen.
In ähnlicher Weise ist es wahrscheinlich, dass sich die Muster für die Lebensmittelaufzeichnung von Person zu Person unterscheiden. Frühere Forschungen haben bestätigt, dass Menschen Schwierigkeiten haben, sich an die Details von Lebensmitteln zu erinnern, die sie vor Tagen oder sogar vor Stunden gegessen hatten, und noch viel weniger an Diätmuster vom Tag, der Woche oder dem Jahr zuvor. Teilnehmer an Diät-Studien neigen dazu, den Lebensmittelkonsum zu unterschätzen. Die Schätzung der Portionsgröße ist eine weitere Fehlerquelle bei der Protokollierung von Lebensmitteln und kann sich von Person zu Person unterscheiden. Ob beabsichtigt oder unbeabsichtigt, Häufigkeit, Aktualität und Genauigkeit der Protokollierung von Lebensmitteln sind für eine Gruppe von Personen sicher unterschiedlich. (Weitere Informationen zu diesen und anderen Themen finden Sie in einem frei zugänglichen Kapitel, das 2013 veröffentlicht wurde Ernährungsbewertungsmethode .)
Ich habe festgestellt, dass das Abmelden meiner Lebensmittel vor oder unmittelbar nach einer Mahlzeit dazu beiträgt, meine Vorliebe für die Erinnerung zu minimieren. Durch Erkundung meiner eigenen Essensprotokolldaten In Graph Builder konnte ich verschiedene Gruppen von Ausreißertagen identifizieren, an denen meine eigenen Protokolldaten aus verschiedenen Gründen unvollständig waren. Sogar eine groß angelegte Studie, deren Teilnehmer eine Food-Logging-App wie ich benutzten, würde sich einer Entscheidung stellen müssen: Nehmen Sie die Daten von Teilnehmern wahr, die wissen, dass die Protokollierungs-Compliance und die Datenqualität sehr unterschiedlich sind, oder nehmen Sie eine Bewertung der Compliance-Muster der einzelnen Benutzer vor. Ohne die zugrunde liegende Wahrheit über die Essgewohnheiten jedes Einzelnen zu kennen, wäre es äußerst schwierig zu beurteilen, ob die Daten unvollständig oder falsch waren und wie sich dies auf die Schlussfolgerungen der gesamten Studie auswirken könnte.
Ich habe viele Beispiele für Unstimmigkeiten zwischen den angegebenen Portionsgrößen und den tatsächlichen Lebensmittelgewichten auf Lebensmitteletiketten gesehen, und ich habe viele Artikel gelesen, die darauf hinweisen, dass Kalorienzahlen in Menüs oft unzuverlässig sind. Ähnlich aussehende Lebensmittel können aufgrund der Unterschiede in weitgehend verborgenen Zutaten wie Zucker, Butter oder Öl sehr unterschiedliche Kalorienwerte aufweisen. Wenn möglich, wiege oder messe ich Portionen, um die Genauigkeit meiner Lebensmittelprotokolldaten zu verbessern. Um die Unterschätzung von Kalorien in verpackten oder im Restaurant zubereiteten Lebensmitteln in meiner eigenen Datenerfassung auszugleichen, füge ich oft 10% der Portionsgröße hinzu, die ich für einen Artikel protokolliere, obwohl ich weiß, dass Fehler manchmal viel größer sein können!
Fehler bei der Schätzung des Verbrauchs werden mit Fehlern bei der Berechnung des Trainingsbrennens bei der Berechnung des Defizits und der Überschusszahlen, die letztendlich den Gewichtsverlust bestimmen, verstärkt. Bei den meisten Apps, die Speisen protokollieren, können Sie auch die Übung protokollieren, wodurch Sie mehr Kalorien zum Essen "verdienen". Leider entsprechen Standardschätzungen der Kalorienverbrennung für Aktivitäten oft nicht den tatsächlichen Umständen. Sie können die tatsächliche Verbrennung für einige Personen überschätzen oder Grundkalorien enthalten, die auch ohne körperliche Anstrengung verbrannt worden wären. Unter dem Strich denken die Leute normalerweise, dass Sport viel mehr Kalorien verbrennt, als dies der Fall ist. Insbesondere für kurze Frauen, deren körperliche Kalorienverbrennung die geringste ist, ist es eine sehr fehlerhafte Strategie, sich ausschließlich auf Bewegung zur Gewichtsabnahme zu verlassen, was ich leider über ein Leben lang an Gewichtskämpfen mehrfach bewiesen habe.
Während meiner jüngsten erfolgreichen Gewichtsabnahme habe ich mich darauf konzentriert, ein Defizit zwischen Einnahme und Verbrennung aufrechtzuerhalten. Ich erreiche das Defizit, indem ich weniger isst, als ich verbrenne, und dieses Gleichgewicht an das gewünschte Ergebnis anpasse. Ich teilte Gewichtszunahme und Gewichtsabnahme-Daten meiner letzten Schwangerschaft und Gewichtsabnahme nach dem Baby in mit ein früherer Posten; Ein Graph Builder-Diagramm zeigte deutlich, dass ich an Gewicht zugenommen habe, wenn ich einen Überschuss hatte, und als ich ein Defizit hatte, ich abnahm. Mein Gewinn während der Schwangerschaft lag weit über dem Betrag, der dem Baby- / Wassergewicht zuzuschreiben ist, und machte etwa 20 Pfund überschüssiges Körperfett aus, für das ich Monate brauchte, um zu verlieren. Ich habe den gleichen Zusammenhang zwischen der Kalorienbilanz während meiner letzten Jahre der Gewichtserhaltung gesehen. Obwohl meine Gewichtsschwankungen viel geringer sind, gelten dieselben Grundkonzepte.
Alles, was ich bisher über selbst gemeldete Lebensmittelprotokolldaten und Aktivitätsmessungen gelernt habe, hat meine Augen über die Grenzen meiner eigenen Daten und die Herausforderungen geöffnet, denen sich Forscher stellen müssen, die auf der Grundlage von selbst gemeldeten Daten umfangreiche Gewichtsabnahme-Studien durchführen. Große Studien zielen darauf ab, aus einer heterogenen Gruppe von Individuen mit unterschiedlichen Genetiken, Lebensstilen und Berichterstattungsmethoden breite Schlussfolgerungen zu ziehen.
Ich habe jetzt in meiner eigenen n = 1-Studie genug Daten zum Leben gesammelt, um zu quantifizieren, wie ich abnehmen und in einem gesunden Bereich bleiben kann - ein Verständnis, das mir bis zu diesem Zeitpunkt in meinem Leben weitgehend entgangen ist. Es ist nicht überraschend, dass ich mich auf die gleiche Defizitstrategie konzentriert habe, die in Gewichtsabnahme-Studien verwendet wird, die Menschen wie im Käfig gehaltene Ratten behandelt. Ich bin wirklich dankbar, dass ich nicht in einem Käfig leben musste, um zu lernen, was ich in den letzten Jahren hatte. In vielerlei Hinsicht hat es mich geholfen, meine Daten aus meinen Daten zu lernen.
