Design og evaluering af smarte briller for fødeindtagelse og fysisk aktivitet klassificering
Summary
Denne undersøgelse præsenterer en protokol af designe og fremstille en briller-type wearable enhed, der registrerer mønstrene af fødeindtagelse og andre Fremhævede fysiske aktiviteter ved hjælp af vejeceller indsat i begge hængsler til briller.
Abstract
Denne undersøgelse præsenterer en række protokoller af designe og fremstille en briller-type wearable enhed, der registrerer mønstrene af temporalis musklen aktiviteter under fødeindtagelse og andre fysiske aktiviteter. Vi fabrikeret en 3D-trykt ramme briller og en belastning celle-integreret trykte kredsløb bestyrelsen (PCB) modul indsat i begge hængsler af rammen. Modulet blev brugt til at erhverve kraft signaler og sender dem trådløst. Disse procedurer levere systemet med højere mobilitet, som kan evalueres i praktiske iført betingelser såsom gåture og waggling. En præstation af klassificering er også evalueret ved at skelne mønstrene af fødeindtagelse fra de fysiske aktiviteter. En række algoritmer blev brugt til at forbehandle signalerne, genererer funktionen vektorer og genkende mønstre af flere udvalgte aktiviteter (tygge og blinkede), og andre fysiske aktiviteter (stillesiddende resten, tale og gå). Resultaterne viste, at den gennemsnitlige F1 score klassifikation blandt de fremhævede aktiviteter var 91,4%. Vi mener, at denne tilgang kan være potentielt nyttige for automatisk og objektive overvågning af ingestive adfærd med højere nøjagtighed som praktisk middel til behandling af ingestive problemer.
Introduction
Kontinuerlig og objektive overvågning af indtagelse af fødevarer er afgørende for at opretholde energibalancen i den menneskelige krop, som overdreven energi ophobning kan forårsage overweightness og fedme1, hvilket kan resultere i forskellige medicinske komplikationer2. De vigtigste faktorer i energiubalance er kendt for at være både overdreven fødeindtagelse og utilstrækkelig fysisk aktivitet3. Forskellige undersøgelser om overvågning af daglig energi udgifter har blevet indført med automatisk og objektiv måling af fysisk aktivitet mønstre gennem wearable enheder4,5,6, selv på de endelige forbruger niveau og medicinsk trin7. Forskning om overvågning af fødeindtagelse, men er stadig i den laboratorium indstilling, da det er vanskeligt at påvise mad indtag aktivitet i en direkte og objektiv måde. Her, tilstræber vi at præsentere en enhed design og evaluering for overvågning af fødeindtagelse og fysisk aktivitet mønstre på det praktiske plan i dagligdagen.
Der har været forskellige indirekte metoder til at overvåge fødeindtag gennem tygge og synke lyde8,9,10, bevægelse af håndleddet11,12,13, image analyse14, og electromyogram (EMG)15. Disse metoder var imidlertid vanskeligt at anvende til daglige liv programmer, på grund af deres iboende begrænsninger: de metoder, ved hjælp af lyd var sårbare overfor påvirkes af miljømæssige lyd; de metoder, ved hjælp af bevægelse af håndleddet var vanskelige at skelne fra andre fysiske aktiviteter, når ikke indtager fødevaren og metoder ved hjælp af billeder og EMG signaler er begrænset af grænsen for bevægelighed og miljø. Disse undersøgelser viste evne til automatiseret påvisning af fødeindtagelse ved hjælp af sensorer, men stadig havde en begrænsning af praktiske anvendelighed i hverdagen uden for laboratoriet indstillinger.
I denne undersøgelse brugte vi mønstre af temporalis musklen aktivitet som automatisk og objektive overvågning af fødeindtagelse. Generelt gentager temporalis musklen sammentrækning og afslapning som en del af masticatory muskel under mad indtag16,17; således, mad indtag aktivitet kan overvåges ved at afsløre de periodiske mønstre af temporalis musklen aktivitet. For nylig har der været adskillige undersøgelser udnytter temporalis muskel aktivitet18,19,20,21, som brugte EMG eller piezoelektriske stammen sensor og vedhæfte dem direkte på menneskelige hud. Disse tilgange, dog var følsomme hud placeringen af EMG elektroder eller stamme sensorer, og blev let adskilt fra huden på grund af fysisk bevægelse eller sved. Vi foreslog derfor en ny og effektiv metode ved hjælp af et par briller den forstand temporalis muskel aktivitet gennem to vejeceller indsat i begge hængslerne i vores tidligere undersøgelse22. Denne metode viste store potentiale af afsløre mad indtag aktivitet med en høj præcision uden at røre huden. Det var også un-påtrængende og ikke-påtrængende, da vi brugte en fælles briller-type enhed.
I denne undersøgelse præsenterer vi en række detaljerede protokoller om hvordan man gennemfører briller-type enhed og hvordan man bruger mønstre af temporalis musklen aktivitet til overvågning af fødeindtagelse og fysisk aktivitet. Protokollerne omfatter processen med hardwaredesign og fabrikation, der består af en 3D-trykt ramme af glas, et kredsløb modul og en data erhvervelse modul, og omfatter Softwarealgoritmer for databehandling og analyse. Vi undersøgte endvidere klassifikation blandt flere Fremhævede aktiviteter (f.eks.tygge, walking og blinkede) at vise potentiale som et praktisk system, der kan fortælle en minut forskel mellem fødeindtagelse og andre fysisk aktivitet mønstre.
Protocol
Representative Results
Discussion
I denne undersøgelse foreslået vi først design- og fremstillingsprocesserne briller, fornemmer mønstre af fødeindtagelse og fysisk aktivitet. Som denne undersøgelse primært fokuseret på dataanalyse til at skelne fødeindtagelse fra de andre fysiske aktiviteter (såsom gåture og blinkede), sensor og data erhvervelse system krævede gennemførelsen af mobilitet optagelse. Således omfattede systemet sensorer, MCU med trådløs kommunikation evnen og batteriet. Den foreslåede protokol leveret en roman og praktisk …
Disclosures
The authors have nothing to disclose.
Acknowledgements
Dette arbejde blev støttet af Envisible, Inc. Denne undersøgelse blev også støttet af en bevilling af koreansk sundhed Technology R & D-projektet, Ministeriet for Sundhed & velfærd, Republikken Korea (HI15C1027). Denne forskning blev også støttet af den nationale forskning fundament af Korea (NRF-2016R1A1A1A05005348).
Materials
| FSS1500NSB | Honeywell, USA | Load cell | |
| INA125U | Texas Instruments, USA | Amplifier | |
| ESP-07 | Shenzhen Anxinke Technology, China | MCU with Wi-Fi module | |
| 74LVC1G3157 | Nexperia, The Netherlands | Multiplexer | |
| MP701435P | Maxpower, China | LiPo battery | |
| U1V10F3 | Pololu, USA | Voltage regulator | |
| Ultimaker 2 | Ultimaker, The Netherlands | 3D printer | |
| ColorFabb XT-CF20 | ColorFabb, The Netherlands | Carbon fiber filament | |
| iPhone 6s Plus | Apple, USA | Data acquisition device | |
| Jelly Belly | Jelly Belly Candy Company, USA | Food texture for user study |
References
- Sharma, A. M., Padwal, R. Obesity is a sign-over-eating is a symptom: an aetiological framework for the assessment and management of obesity. Obes Rev. 11 (5), 362-370 (2010).
- Pi-Sunyer, F. X., et al. Clinical guidelines on the identification, evaluation, and treatment of overweight and obesity in adults. Am J Clin Nutr. 68 (4), 899-917 (1998).
- McCrory, P., Strauss, B., Wahlqvist, M. L. Energy balance, food intake and obesity. Exer Obes. , (1994).
- Albinali, F., Intille, S., Haskell, W., Rosenberger, M. . Proceedings of the 12th ACM international conference on Ubiquitous computing. , 311-320 (2010).
- Bonomi, A., Westerterp, K. Advances in physical activity monitoring and lifestyle interventions in obesity: a review. Int J Obes. 36 (2), 167-177 (2012).
- Jung, S., Lee, J., Hyeon, T., Lee, M., Kim, D. H. Fabric-Based Integrated Energy Devices for Wearable Activity Monitors. Adv Mater. 26 (36), 6329-6334 (2014).
- Fulk, G. D., Sazonov, E. Using sensors to measure activity in people with stroke. Top Stroke Rehabil. 18 (6), 746-757 (2011).
- Makeyev, O., Lopez-Meyer, P., Schuckers, S., Besio, W., Sazonov, E. Automatic food intake detection based on swallowing sounds. Biomed Signal Process Control. 7 (6), 649-656 (2012).
- Päßler, S., Fischer, W. Food intake activity detection using an artificial neural network. Biomed Tech (Berl). , (2012).
- Passler, S., Fischer, W. -. J. Food intake monitoring: Automated chew event detection in chewing sounds. IEEE J Biomed Health Inform. 18 (1), 278-289 (2014).
- Kadomura, A., et al. . CHI’13 Extended Abstracts on Human Factors in Computing Systems. , 1551-1556 (2013).
- Fontana, J. M., Farooq, M., Sazonov, E. Automatic ingestion monitor: A novel wearable device for monitoring of ingestive behavior. IEEE Trans Biomed Eng. 61 (6), 1772-1779 (2014).
- Shen, Y., Salley, J., Muth, E., Hoover, A. Assessing the Accuracy of a Wrist Motion Tracking Method for Counting Bites across Demographic and Food Variables. IEEE J Biomed Health Inform. , (2016).
- Farooq, M., Sazonov, E. . International Conference on Bioinformatics and Biomedical Engineering. , 464-472 (2017).
- Grigoriadis, A., Johansson, R. S., Trulsson, M. Temporal profile and amplitude of human masseter muscle activity is adapted to food properties during individual chewing cycles. J Oral Rehab. 41 (5), 367-373 (2014).
- Strini, P. J. S. A., Strini, P. J. S. A., de Souza Barbosa, T., Gavião, M. B. D. Assessment of thickness and function of masticatory and cervical muscles in adults with and without temporomandibular disorders. Arch Oral Biol. 58 (9), 1100-1108 (2013).
- Standring, S. . Gray’s anatomy: the anatomical basis of clinical practice. , (2015).
- Farooq, M., Sazonov, E. A novel wearable device for food intake and physical activity recognition. Sensors. 16 (7), 1067 (2016).
- Zhang, R., Amft, O. . Proceedings of the 2016 ACM International Symposium on Wearable Computers. , 50-52 (2016).
- Farooq, M., Sazonov, E. Segmentation and Characterization of Chewing Bouts by Monitoring Temporalis Muscle Using Smart Glasses with Piezoelectric Sensor. IEEE J Biomed Health Inform. , (2016).
- Huang, Q., Wang, W., Zhang, Q. Your Glasses Know Your Diet: Dietary Monitoring using Electromyography Sensors. IEEE Internet of Things Journal. , (2017).
- Chung, J., et al. A glasses-type wearable device for monitoring the patterns of food intake and facial activity. Scientific Reports. 7, 41690 (2017).
- Cristianini, N., Shawe-Taylor, J. . An introduction to support Vector Machines: and other kernel-based learning methods. , (2000).
- Giannakopoulos, T., Pikrakis, A. . Introduction to Audio Analysis: A MATLAB Approach. , (2014).
- Chang, C. -. C., Lin, C. -. J. LIBSVM: a library for support vector machines. ACM Trans Intell Syst Technol. 2 (3), 27 (2011).
- Po, J., et al. Time-frequency analysis of chewing activity in the natural environment. J Dent Res. 90 (10), 1206-1210 (2011).
- Ji, T. Frequency and velocity of people walking. Struct Eng. 84 (3), 36-40 (2005).
- Knoblauch, R., Pietrucha, M., Nitzburg, M. Field studies of pedestrian walking speed and start-up time. Transp Res Red. 1538, 27-38 (1996).
