Diseño y evaluación de gafas inteligentes para la toma de comida y clasificación de actividad física
Summary
Este estudio presenta un protocolo de diseño y fabricación de un dispositivo usable de gafas tipo que detecta los patrones de consumo de alimentos y actividad física recomendados mediante células de carga se inserta en ambas bisagras de las gafas.
Abstract
Este estudio presenta una serie de protocolos de diseño y fabricación de un dispositivo usable de gafas tipo que detecta los patrones de las actividades del músculo de los temporalis durante la ingesta de alimentos y otras actividades físicas. Hemos fabricado un marco impreso en 3D de las gafas y un módulo de carga celular integrado de circuitos impresos (PWB) insertada en ambas bisagras del marco de la. El módulo se utilizó para adquirir las señales de fuerza y transmitirlas de forma inalámbrica. Estos procedimientos proporcionan el sistema con mayor movilidad, que puede ser evaluado en condiciones de usar prácticas como caminar y esquiva. Un rendimiento de la clasificación también es evaluado por distinguir los patrones de consumo de alimentos de las actividades físicas. Una serie de algoritmos se utilizaron para preprocesar las señales, generar vectores de la característica y reconocer los patrones de varios destacados actividades (masticación y guiñando un ojo) y otras actividades físicas (resto sedentario, hablar y caminar). Los resultados mostraron que la puntuación de1 medio F de la clasificación entre las actividades destacadas fue de 91.4%. Creemos que este enfoque puede ser potencialmente útil para el monitoreo automático y objetivo de comportamiento ingestiva con mayor precisión como medio práctico para tratar los problemas ingestiva.
Introduction
Monitoreo continuo y objetivo de ingesta de alimentos es esencial para mantener el equilibrio de la energía en el cuerpo humano, como acumulación de energía excesivo puede causar obesidad y overweightness1, que puede provocar varias complicaciones médicas2. Los principales factores en el desequilibrio de energía son conocidos por ser la ingesta excesiva de alimentos y actividad física insuficiente3. Varios estudios sobre el seguimiento del gasto de energía diario se han introducido con medición automática y objetiva de los patrones de actividad física a través de dispositivos portátiles4,5,6, incluso en el consumidor final etapa médica y nivel7. Investigación sobre el control de la ingesta de alimentos, sin embargo, todavía está en el ajuste del laboratorio, ya que es difícil detectar la actividad de ingesta de alimentos en forma directa y objetiva. Aquí, nuestro objetivo es presentar un diseño de dispositivo y su evaluación para vigilar la ingesta de alimentos y patrones de actividad física en un nivel práctico en la vida diaria.
Ha habido diversos enfoques indirectos para controlar la ingesta de alimentos mediante la masticación y deglución sonidos8,9,10, movimiento de la muñeca11,12,13, de la imagen Análisis14y15de la electromiografía (EMG). Sin embargo, estos enfoques eran difíciles de aplicar para aplicaciones de la vida diaria, debido a sus limitaciones inherentes: los métodos utilizando el sonido eran vulnerables a ser influenciados por el sonido ambiental; los métodos mediante el movimiento de la muñeca eran difíciles de distinguir de otras actividades físicas cuando no consumo de alimentos; y los métodos utilizando las imágenes y las señales de EMG están restringidos por los límites de movimiento y el medio ambiente. Estos estudios demostraron la capacidad de detección automatizada de la ingesta de alimentos mediante sensores, pero todavía tenían una limitación de la aplicabilidad práctica a la vida cotidiana más allá del laboratorio.
En este estudio, utilizamos los patrones de actividad del músculo de los temporalis como el seguimiento automático y objetivo de la ingesta de alimentos. En general, el músculo de los temporalis repite la contracción y la relajación como parte del músculo del masticatorio durante la ingesta de alimentos16,17; así, la actividad de ingesta de alimentos puede controlarse mediante la detección de los patrones periódicos de actividad del músculo de los temporalis. Recientemente, ha habido varios estudios utilizando el temporalis músculo actividad18,19,20,21, que utilizan el EMG o tensión piezoeléctrica sensor y adjuntarlos directamente en humanos piel. Estos enfoques, sin embargo, eran sensibles a la ubicación de la piel de la tensión sensores o electrodos de EMG y fueron fácilmente separados de la piel debido al movimiento físico o la transpiración. Por lo tanto, hemos propuesto un método nuevo y efectivo utilizando un par de gafas sentido los temporalis músculo actividad por las celdas de carga dos en ambos las bisagras en nuestro anterior estudio22. Este método demostró gran potencial de detectar la actividad de ingesta de alimentos con una alta precisión sin tocar la piel. También fue poco molesto y no intrusiva, ya que utilizamos un dispositivo tipo gafas comunes.
En este estudio, presentamos una serie de protocolos detallados de cómo ejecutar los gafas-tipo de dispositivo y cómo utilizar los patrones de actividad del músculo de los temporalis para monitorear el consumo de alimentos y actividad física. Los protocolos incluyen el proceso de fabricación que consiste en un cuadro impreso en 3D de las gafas, un módulo de circuito y un módulo de adquisición de datos y diseño de hardware e incluyen los algoritmos de software para procesamiento de datos y análisis. Se analizó además la clasificación entre varias actividades recomendadas (p. ej., masticar, caminar y guiñando un ojo) para demostrar el potencial como un práctico sistema que puede decir una diferencia de minutos entre la toma de comida y otras actividades físicas patrones.
Protocol
Representative Results
Discussion
En este estudio, primero se propuso el diseño y proceso de fabricación de vidrios que percibir los patrones de consumo de alimentos y actividades físicas. Como este estudio se centra principalmente en el análisis de datos para distinguir el consumo de alimentos de las otras actividades físicas (como caminar y guiñando un ojo), el sistema de adquisición de datos y sensor requiere la aplicación de grabación de movilidad. Así, el sistema incluye los sensores, el MCU con capacidad de comunicación inalámbrica y la…
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
Este trabajo fue apoyado por Envisible, Inc. Este estudio también fue apoyado por una subvención de Coreano salud tecnología R & D proyectos, Ministerio de salud y bienestar, República de Corea (HI15C1027). Esta investigación también fue apoyada por la Fundación Nacional de investigación de Corea (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 |
Riferimenti
- 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).
