CarbCam fotoğrafınızı alır, bir yapay zeka hizmetine gönderir, bileşenlerin tahminini alır, değerleri standart beslenme veritabanlarına karşı doğrular ve size sonucu gösterir.

Her analiz altı adıma kadar geçer:

Görselleştirilmiş akış: karşılaştırma için gerçek ekran görüntüleri altta:

1. Tarama sekmesi

2. Yapay zeka analizi

3. Sonuç

1 Fotoğraf çekimi & yerel görüntü kırpma

Fotoğraf başlangıçta tamamen cihazınızda kalır. Kırpabilir, döndürebilir veya yeniden çekebilirsiniz. “Analiz et”e dokunana kadar hiçbir şey yüklenmez.

2 Sunucu önbellek sorgusu (Ön kontrol)

Görüntü yapay zekaya gönderilmeden önce, uygulama SHA-512 özeti ve algısal özet üzerinden sunucu önbelleğinde aynı veya çok benzer bir fotoğrafın zaten olup olmadığını kontrol eder. Bir eşleşme varsa, kayıtlı sonucu hemen geri alırsınız: başka bir yapay zeka çağrısı olmadan. Sonraki bir Onayla adımı önbellek kaydını tüketilmiş olarak işaretler (kota sayımı).

3 Yapay zeka analizine yükleme

Önbellek eşleşmesi yoksa, (kırpılmış) fotoğraf analiz uç noktamıza gönderilir. Orada bir görüntü modeli (uygulama ayarlarındaki seçiminize bağlı olarak Gemini, Claude veya OpenAI) çağrılır ve görüntüyü tanımlar, tek tek bileşenleri adlandırır ve yaklaşık miktarları tahmin eder.

4 Arka plan doğrulaması (yalnızca düşük güven için)

Yapay zeka tahmini düşük güven bildirirse, sunucu besin veritabanlarına (USDA FoodData Central, Open Food Facts) karşı bir arka plan çapraz kontrolü başlatır. Düzeltilmiş değerler önbelleğe akar: aynı veya benzer bir fotoğraf bir dahaki sefere eşleştiğinde, iyileştirilmiş sonucu görürsünüz. Yüksek güvenli taramalar için bu adım atlanır.

Ancak barkodlar için, üretici besin tablosu buradaki birincil kaynak olduğundan Open Food Facts / USDA karşılaştırması her zaman doğrudan gerçekleştirilir.

5 Sizin tarafınızdan düzenleme

Herhangi bir değeri geçersiz kılabilirsiniz: miktar, karbonhidrat, kkal, FPE, bileşen. Kaydederken yapay zeka tahmini değil, sizin değerleriniz kullanılır. Uygulama, toplam karbonhidrat düzeltmenizi (Kullanıcı: Xg vs Yapay Zeka: Yg) istatistiksel amaçlarla bir fark olarak saklar.

6 Kaydet & Nightscout senkronizasyonu

Yerel olarak bir SQLite veritabanında. İsteğe bağlı olarak ayrıca Nightscout senkronizasyonu ile Nightscout sunucunuza, ancak yalnızca tedavi tablosunda bir not olarak (CarbCam etiketiyle), aktif bir karbonhidrat/insülin tedavisi olarak değil. Loop/AAPS/iAPS hesaplamalarınız CarbCam kayıtlarından etkilenmez: öğün yalnızca bir not olarak görünür. ns.10be.de'den Yönetilen Nightscout kullanıyorsanız, kurulum özellikle kolaydır: Nightscout URL'sini ve API şifresini girin, tamamdır.

Karbonhidratları aktif olarak bir tedavi olarak istiyorsanız, tarama sonucundaki Paylaş düğmesini kullanın: karbonhidrat değerini derin bağlantı yoluyla AAPS/AndroidAPS, Loop, iAPS veya Trio'ya gönderir ya da sistem paylaşım sayfasını açar.

FPE, Yağ-Protein Birimleri anlamına gelir. Yağ ve proteinden gelen enerjinin kan şekerini gecikmeli olarak ne kadar etkilediğini tanımlar.

Bir FPE, yağ ve proteinden yaklaşık 100 kkal'ye eşittir. Örnek:

• 30 g yağ + 20 g protein = (270 + 80) ÷ 100 = 3,5 FPE

Pompa kullanıcıları genellikle uzatılmış bolus parametrelerini (örn. kare dalga veya çift dalga) ayarlamak için FPE kullanır. Kalem kullanıcıları, geç bir düzeltme atıştırmalığı veya küçük bir öğleden sonra düzeltmesi için FPE'yi kaba bir gösterge olarak kullanabilir.

CarbCam, sonuç kartında FPE'yi sarı bir çip olarak gösterir. Besin değeri renkleri:

• Karbonhidrat Karbonhidratlar
• kkal Kalori
• FPE Yağ-Protein Birimleri
• Yağ Yağ
• Protein Protein

Nightscout yapılandırıldığında, CarbCam Nightscout sunucunuzdan BG verilerini yükler ve geçmiş sekmesinde her öğünün altında kan şekeri eğrisini gösterir. Zaman penceresi platforma bağlıdır ve öğün etrafında otomatik olarak seçilir. Nightscout ile birlikte CarbCam, öğün sonrası hedefli BG takibini mümkün kılar.

BG eğrisinin özellikleri (Nightscout verileri):

• Öğün etrafında zaman penceresi (platforma bağlı)
• Öğün zamanı için işaretçi
• Seviyeye göre renkli vurgulanmış tepe noktası (kırmızı/sarı/yeşil)
• Kilit metrikler olarak yükseliş ve son değer
• İsteğe bağlı bindirme çizgileri olarak IOB / COB

Doğruluk, öğün türüne bağlıdır:

Doğruluğu artıran etkenler:

• İyi aydınlatma & net fotoğraf: tabak üzerinde gölge olmasın
• Tüm bileşenler görünür olsun: makarnayı sosun altında boğmayın
• Boyut referansı: tabak kenarını, çatal bıçağı veya eli kadraj içinde tutun
• Standart yemekler: yapay zeka iyi bilinen yemeklerde başarılıdır

Doğruluğu azaltan etkenler:

• Birçok küçük yığın içeren büfe tabakları
• Yoğun şekilde sosla kaplı bileşenler
• Net bir referans veritabanı olmayan çok alışılmadık bölgesel yemekler
• Boyut referansı olmadan yandan açılı fotoğraflanmış

Bunun bolusunuz için anlamı:

• Normal öğünler için: tahmini bir başlangıç noktası olarak kullanın, kendi bilginizi uygulayın ve gerekirse kaydetmeden önce değeri ayarlayın
• Kritik bolus kararları için (çok yüksek karbonhidrat, hipo riski): her zaman kendi bilginize / veritabanınıza / paketleme bilgisine danışın
• Pompa ile: öğünlerinizin genellikle ne kadar saptığı konusunda deneyim kazanın: ardından tahmini kişisel faktörünüzle düzeltin

İnternet bağlantısı olmadan aşağıdaki özellikler çalışır:

• Geçmişe göz atma ve filtreleme
• Girişleri manuel olarak oluşturma ve düzenleme
• İstatistik sekmesini görüntüleme
• Veri dışa aktarma (CSV/JSON)
• Fotoğraf çekme ve daha sonraki analiz için kuyruğa alma

Aşağıdakiler bir bağlantı gerektirir:

• Yapay zeka analizi (fotoğraf sağlayıcıya gönderilir)
• Otomatik barkod sorgusu (Open Food Facts)
• Nightscout senkronizasyonu (BG eğrisi, tedavi yüklemesi)