Design och utvärdering av smarta glasögon för födointag och fysisk aktivitet klassificering
Summary
Denna studie presenterar ett protokoll för utformning och tillverkning av en glasögon-typen bärbar enhet som identifierar mönster av födointag och andra utvalda fysiska aktiviteter med lastceller infogas i båda gångjärnen på glasen.
Abstract
Denna studie presenterar en serie av protokoll för utformning och tillverkning av en glasögon-typen bärbar enhet som identifierar mönster av temporalis muskel aktiviteter under födointag och andra fysiska aktiviteter. Vi tillverkade en 3D-tryckt stomme i glasen och en belastning cell-integrerade kretskort styrelsen (PCB) modul införas i båda gångjärnen på ramen. Modulen användes för att förvärva kraft signalerna och sänder dem trådlöst. Dessa förfaranden ger systemet med högre rörlighet, som kan utvärderas i praktiska bär villkor såsom promenader och waggling. En föreställning av klassificeringen är också utvärderas genom att skilja mönster av födointag från de fysiska aktiviteterna. En rad algoritmer användes för att Förbearbeta signalerna, generera funktionen vektorer och identifiera mönster av flera erbjudna aktiviteter (tugga och blinka) och andra fysiska aktiviteter (stillasittande vila, prata och promenader). Resultaten visade att den genomsnittliga F1 poängen av klassificeringen bland de utvalda verksamheter var 91,4%. Vi anser att denna strategi kan vara potentiellt användbara för automatisk och objektiva övervakning av ingestive beteenden med högre noggrannhet som praktiska sätt att behandla ingestive problem.
Introduction
Kontinuerlig och objektiv övervakning av födointag är avgörande för att upprätthålla energibalans i den mänskliga kroppen, eftersom överdriven energi ackumulering kan orsaka overweightness och fetma1, vilket kan leda till olika medicinska komplikationer2. De viktigaste faktorerna i energitillförseln är kända för att vara både överdrivet födointag och otillräcklig fysisk aktivitet3. Olika studier om övervakning av daglig energiförbrukning har införts med automatisk och objektiv mätning av fysisk aktivitetsmönster till bärbara enheter4,5,6, även vid de slutkonsumenten nivå och medicinska etapp7. Forskning om övervakning av födointag, är dock fortfarande i laboratoriet inställningen, eftersom det är svårt att upptäcka aktiviteten mat intag i en direkt och objektivt sätt. Här, vill vi presentera en enhet design och dess utvärdering för att övervaka födointag och fysiska aktivitetsmönster på praktisk nivå i vardagen.
Det har varit olika indirekta metoder för att övervaka födointag genom tugga och svälja ljud8,9,10, rörelse av handleden11,12,13, bild analys14, och Elektromyogram (EMG)15. Dessa metoder var dock svårt att tillämpa på dagliga liv program, på grund av deras inneboende begränsningar: metoderna använder ljud var utsatta påverkas av miljö-ljud; metoderna med rörelsen av handleden var svår att skilja från andra fysiska aktiviteter när inte konsumerar mat; och de metoder som med hjälp av bilder och EMG signaler begränsas av gränsen för rörelse och miljö. Dessa studier visade funktioner för automatisk detektion av födointag med sensorer, men hade fortfarande en begränsning av praktiska tillämplighet på vardagen utanför laboratoriemiljö.
I denna studie använde vi mönster av temporalis muskelaktivitet som automatisk och objektiv övervakning av födointag. I allmänhet, upprepar temporalis muskeln den kontraktion och avslappning som en del av käkmuskulatur muskel under den mat intag16,17; Således kan aktiviteten mat intag övervakas genom att upptäcka de periodiska mönster av temporalis muskelaktivitet. Nyligen har det varit flera studier utnyttjar temporalis muskel aktivitet18,19,20,21, som använde EMG eller piezoelektriska stam sensor och fästa dem direkt på mänskliga huden. Dessa metoder, dock var känsliga för huden platsen av EMG elektroder eller stam sensorer, och var enkelt loss från huden på grund av den fysiska rörelsen eller svett. Vi föreslog därför en ny och effektiv metod med ett par glasögon att känsla temporalis muskel aktivitet genom två lastceller införas i båda gångjärnen i vår tidigare studie22. Denna metod visade stor potential för att upptäcka mat intag aktiviteten med en hög noggrannhet utan att vidröra huden. Det var också un-påträngande och inkräktande eftersom vi använde en gemensam glasögon-typ anordning.
I denna studie presenterar vi en rad detaljerade protokoll för hur du implementerar glasögon-typ enheten och hur man använder mönster av temporalis muskelaktivitet för att övervaka födointag och fysisk aktivitet. Protokollen omfattar hårdvarudesign och fabrication som består av en 3D-tryckt stomme i glasen, en krets-modul och en data förvärv modul, och inkluderar Programvarualgoritmer för databehandling och analys. Vi har dessutom granskat klassificering bland flera utvalda aktiviteter (t.ex., tugga, promenader och winking) kan påvisa att ett praktiskt system som kan tala om en minut skillnad mellan födointag och annan fysisk aktivitet mönster.
Protocol
Representative Results
Discussion
I denna studie föreslog vi först design och tillverkningsprocessen för glasögon som känner av mönster av födointag och fysiska aktiviteter. Som denna studie främst fokuserat på dataanalys att skilja födointag från andra fysiska aktiviteter (såsom promenader och winking), systemet sensor och data förvärv krävs för genomförandet av rörlighet inspelning. Systemet ingår således sensorerna, MCU med trådlös kommunikation kapacitet och batteriet. Föreslagna protokollet föreskrivs en roman och praktiska s…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Detta arbete stöds av Envisible, Inc. Denna studie stöddes också av ett bidrag på koreanska hälsa teknik R & D projekt, ministeriet för hälsa & välfärd, Sydkorea (HI15C1027). Denna forskning stöddes också av den National Research Foundation of 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).
