Design og evaluering av Smart briller for matinntaket og fysisk aktivitet klassifisering
Summary
Denne studien presenterer en protokoll i produksjon en briller-type bærbar enhet som oppdager mønstrene av matinntaket og og andre utvalgte fysiske aktiviteter bruker veieceller inn i begge hengsler av glass.
Abstract
Denne studien presenterer en rekke protokoller i produksjon en briller-type bærbar enhet som oppdager de temporalis muskel aktiviteter under matinntaket og andre fysiske aktiviteter og. Vi laget en 3D-trykt rammen av glass og en belastning celle-integrerte kretskort board (PCB) modul i begge hengsler på rammen. Modulen ble brukt til å skaffe kraft signalene, og overføre dem trådløst. Disse fremgangsmåtene gir systemet høyere mobilitet, som kan evalueres i praktisk bruk forhold som gåing og waggling. En forestilling av klassifisering er også evaluert av skille mønstre av matinntaket fra de fysiske aktivitetene. En rekke algoritmer ble brukt til å forhåndsbehandle signalene generere funksjonen vektorer og gjenkjenne mønstre av flere aktiviteter (tygge og blunker) og andre fysiske aktiviteter (stillesittende resten, snakke, og gangavstand). Resultatene viste at gjennomsnittlig F1 poengsummen for klassifisering blant de utvalgte var 91.4%. Vi tror denne tilnærmingen kan være potensielt nyttig for automatisk og objektiv overvåking av ingestive atferd med høyere nøyaktighet som praktisk måte å behandle ingestive problemer.
Introduction
Kontinuerlig og objektiv overvåking av matinntaket er avgjørende for å opprettholde energibalansen i kroppen, overdreven energi opphopning kan forårsake overweightness og fedme1, som kan føre til ulike medisinske komplikasjoner2. De viktigste faktorene i energi ubalansen er kjent for å være både overdreven matinntaket og ikke nok fysisk aktivitet3. Forskjellige studier på overvåking av daglig energiforbruk har blitt introdusert med automatisk og objektiv måling av fysisk aktivitet mønstre gjennom bærbar enheter4,5,6, selv på den forbruker nivå og medisinsk trinn7. Forskning på overvåking av matinntak, men er fortsatt i laboratoriet innstillingen, siden det er vanskelig å oppdage mat inntak aktiviteten i en direkte og objektiv måte. Her, ønsker vi å presentere en konstruksjon og evalueringen for overvåking matinntaket og fysisk aktivitet mønstre på det praktiske nivået i dagliglivet.
Det har vært ulike indirekte tilnærminger til overvåke matinntaket og chewing og svelge lyder8,9,10, bevegelse av håndleddet11,12,13, bilde analyse14, og eletromyografi (EMG)15. Men disse var vanskelig å bruke på daglig livet programmer, på grunn av sine iboende begrensninger: metodene bruke sound var sårbare for påvirkes av miljømessige lyd; metodene bruker bevegelsen av håndleddet var vanskelig å skille fra andre fysiske aktiviteter når ikke konsumere mat. og metodene ved hjelp av bilder og EMG signaler er begrenset av grensen og miljø. Disse studiene viste evnen til Automatisert påvisning av matinntaket med sensorer, men fortsatt hadde en begrensning av praktisk anvendbarhet til hverdagen utover laboratorium innstillinger.
I denne studien brukte vi mønstre av temporalis muskelaktivitet som automatisk og objektiv overvåking av matinntaket. Generelt gjentar temporalis muskelen Sammentrekningen og avslappingen som en del av masticatory muskel under de mat inntak16,17; Dermed kan mat inntak aktiviteten overvåkes ved å registrere periodiske mønstre av temporalis muskelaktivitet. Nylig har det vært flere studier utnytte temporalis muskel aktivitet18,19,20,21, som brukt EMG eller Piezoelektriske press sensor og feste dem direkte på menneskelige huden. Disse metodene, men var hurtigmenyvalgene avhenger huden EMG elektrodene eller belastning sensorer, og var lett løsrevet fra huden på grunn av fysisk bevegelse eller svette. Derfor foreslått vi en ny og effektiv metode som bruker et par briller følelsen temporalis muskel aktivitet gjennom to load cellene i begge hengslene i våre tidligere studie22. Denne metoden viste stort potensial for å oppdage mat inntak aktiviteten med en høy nøyaktighet uten å berøre huden. Det var også un påtrengende og ikke-påtrengende, siden vi brukte en felles briller-type enhet.
I denne studien presenterer vi en rekke detaljerte protokoller av hvordan implementere briller-type enhet og hvordan du bruker mønstre av temporalis muskelaktivitet for overvåking matinntaket og fysisk aktivitet. Protokollene inkluderer prosessen med hardware design og fabrikasjon som består av en 3D-trykt ramme av glass, en krets modul og en data oppkjøpet modul, og inkluderer programvare algoritmer for databehandling og analyse. Vi videre undersøkt klassifisering blant flere utvalgte aktiviteter (f.eks, tygge, vandre og blunker) å demonstrere potensialet som et praktisk system som kan fortelle en liten forskjell mellom matinntaket og andre fysisk aktivitet mønstre.
Protocol
Representative Results
Discussion
I denne studien foreslått vi først design og produksjonsprosessen briller som forstand mønstre av matinntaket og fysiske aktiviteter. Som denne studien hovedsakelig fokusert på dataanalyse å skille matinntaket fra andre fysiske aktiviteter (som turgåing og blunker), sensoren og data oppkjøpet systemet kreves gjennomføringen av mobilitet opptak. Dermed inkludert systemet sensorer, MCU med trådløs kommunikasjon evne og batteriet. Den foreslåtte protokollen gitt en ny og praktisk måte å måle mønstre av tempor…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Dette arbeidet ble støttet av Envisible, Inc. Denne studien ble også støttet av et tilskudd på koreansk helse teknologi R & D prosjektet, helse og velferd, Sør-Korea (HI15C1027). Denne forskningen ble også støttet av den nasjonale Research Foundation av 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).
