{"lang":"en","output_system":"metric","bmi":{"value":27.61,"prime":1.1,"category":"Overweight (pre-obesity)","risk":"Increased cardiometabolic risk"},"ideal_weight":{"min":70.3,"max":94.7},"whr":{"value":0.94,"risk":"Moderate"},"whtr":{"value":48.21,"risk":"Healthy"},"body_fat":{"value":18.8,"method":"US Navy"},"bmr":{"value":2073.75,"formula":"Mifflin-St Jeor"},"tdee":{"value":3214,"activity_level":"moderate"},"ponderal_index":14.16,"body_surface_area":2.38,"display_measurements":{"weight":105,"height":195,"waist":94,"hip":100,"neck":40},"sex":"m","age":40,"units":{"weight":"kg","height":"cm","waist":"cm","hip":"cm","neck":"cm","system":"metric"},"source":"NA"}
curl --location --request POST 'https://zylalabs.com/api/10982/retrieve+bmi+data+analysis+api/20704/bmi+calculation' --header 'Authorization: Bearer YOUR_API_KEY'
--data-raw '{
"weight": {
"value": 105,
"unit": "kg"
},
"height": {
"value": 195,
"unit": "cm"
},
"waist": {
"value": 94,
"unit": "cm"
},
"hip": {
"value": 100,
"unit": "cm"
},
"neck": {
"value": 40,
"unit": "cm"
},
"sex": "m",
"age": 40,
"activity_level": "moderate",
"lang": "en",
"output_system": "metric"
}'
注册后,每个开发者都会被分配一个个人 API 访问密钥,这是一个唯一的字母和数字组合,用于访问我们的 API 端点。要使用 获取BMI数据分析 API 进行身份验证,只需在 Authorization 标头中包含您的 bearer token。
| 标头 | 描述 |
|---|---|
授权
|
必需
应为 Bearer access_key. 订阅后,请查看上方的"您的 API 访问密钥"。
|
无长期承诺。随时升级、降级或取消。 免费试用包括最多 50 个请求。
(年度计费可节省 2 个月 🎉)
领先企业的信赖之选
检索BMI数据分析API提供基于基本身体测量的个人身体和代谢状态的综合分析。该API使用体重、身高、腰围、臀围、颈围、年龄、性别和体育活动水平等参数生成广泛的健康指标,提供以不同单位制(如公制或英制)表示的结果
它的主要功能是计算身体质量指数(BMI),这是一个标准指标,用于对个人的体重状态(体重过轻、正常、超重或不同程度的肥胖)进行分类。然而,该API远不止于BMI,集成了补充性指标,使得对身体健康状况进行更准确和个性化的评估成为可能
总体而言,检索BMI数据分析API是希望在其应用程序或平台中集成可靠身体评估系统的用户的全面解决方案,支持多语言,并基于科学验证的公式提供清晰、实用、可解释的结果
BMI计算端点返回一套全面的健康指标,包括BMI、体脂百分比、基础代谢率(BMR)、每日总能量消耗(TDEE)、腰臀比(WHR)、腰高比(WHtR)和理想体重范围等
响应中的关键字段包括“bmi”(值,类别,风险)、“body_fat”(值,方法)、“bmr”(值,公式)、“tdee”(值,活动水平)和“ideal_weight”(最小值,最大值)每个字段提供了个体健康状态的重要见解
用户可以输入参数,如体重、身高、腰围、臀围、颈围、年龄、性别和身体活动水平,以自定义他们的健康评估并获得量身定制的结果
响应数据以JSON格式结构化,包含针对特定指标如BMI和体脂的嵌套对象。每个指标都包含相关的值和类别,便于在应用中解析和使用
该API利用经过科学验证的公式和方法,如针对基础代谢率的Mifflin-St Jeor方程和美国海军的方法进行体脂计算,从而确保结果的高准确性和可靠性
通过使用经过科学验证的公式进行计算来保证数据的准确性,例如用于基础代谢率的米夫林-圣杰奥方程和用于体脂估算的美国海军方法,从而确保可靠的结果
典型的用例包括健康和健身应用程序、个性化保健方案和医学评估,用户可以跟踪和分析他们的身体和新陈代谢健康指标
例如 "bmi.category" 表示体重状态(例如 "超重"),而 "bmr.value" 显示休息时的每日卡路里需求。理解这些字段有助于用户有效解释他们的健康指标
用户可以利用返回的数据来监测健康趋势设定健身目标并根据他们的身体质量指数体脂百分比和响应中提供的其他指标做出明智的生活方式选择
用户可以期待一致的数据模式,例如BMI类别(体重不足、正常、超重、肥胖)和风险评估(例如,心脏代谢风险增加),这有助于有效地解释健康状况