Tasarım ve gıda alımı ve fiziksel aktivite sınıflandırma için akıllı gözlük değerlendirme
Summary
Bu çalışmada, tasarlamak ve gıda alımı şekillerinin algılar bir gözlük-türü giyilebilir cihaz üretim bir protokol sunar ve yük hücreleri kullanarak seçme diğer fiziksel aktiviteler gözlük her iki menteşeler eklenmiş.
Abstract
Bu çalışmada, tasarlamak ve gıda alımı ve diğer fiziksel aktiviteler sırasında temporalis kas faaliyetleri şekillerinin algılar bir gözlük-türü giyilebilir cihaz üretim protokolleri bir dizi sunuyor. Biz 3D baskılı şasesi gözlük ve her iki menteşeler çerçeve içinde eklenen bir yük hücre entegre baskılı devre kartı (PCB) modülü imal edilmiştir. Modül kuvvet sinyalleri almak ve onları kablosuz olarak iletmek için kullanıldı. Bu yordamlar sisteme yürüyüş ve salladıktan gibi pratik giyen koşullarında değerlendirilmesi daha yüksek mobilite sağlayan. Sınıflandırma performansını da gıda alımı şekillerinin bu fiziksel aktivitelerden ayırt tarafından değerlendirilir. Sinyalleri önişlem, özellik vektörel çizimler oluşturmak ve birkaç kalıpları tanımak için kullanılan algoritmaları bir dizi özel (çiğneme ve göz kırpıyor) faaliyetleri ve diğer fiziksel aktiviteler (sedanter dinlenme, konuşma ve yürüme). Sonuçları ortalama F1 Puan sınıflandırma seçme aktivitelerin yanı sıra %91.4 olduğunu gösterdi. Biz bu yaklaşım otomatik ve objektif ingestive davranışlarını ingestive sorunlarını tedavi etmek için pratik araç olarak daha yüksek doğruluk ile izlemek için potansiyel olarak yararlı olabilir inanıyoruz.
Introduction
Aşırı enerji birikimi olan çeşitli tıbbi komplikasyonlar2‘ neden olabilir overweightness ve obezite1, neden olabilir gibi sürekli ve objektif gıda alımı izleme insan vücudundaki enerji dengesini korumak için önemlidir. Enerji dengesizliği ana faktörler aşırı gıda alımı ve yetersiz fiziksel aktivite3olduğu bilinmektedir. Günlük enerji harcama izleme çeşitli çalışmalar ile otomatik ve objektif ölçüm ile takılabilir cihazlar4,5,6, fiziksel aktivite desen bile, ortaya konan son tüketici düzey ve tıbbi sahne7. Gıda alımı izleme ancak, gıda alımı faaliyet doğrudan ve objektif bir şekilde tespit etmek zordur bu yana hala laboratuvar, ortamda araştırmadır. Burada, mevcut bir aygıt tasarım ve gıda alımı ve fiziksel aktivite desen günlük yaşamda pratik düzeyde izleme, değerlendirme hedefliyoruz.
Gıda alımı ile çiğneme ve yutma sesler8,9,10, bilek11,12,13hareketi izlemek için görüntü çeşitli dolaylı yaklaşımlar olmuştur analiz14ve electromyogram (EMG)15. Ancak, bu yaklaşımların günlük yaşam uygulamaları için doğal sınırlamaları nedeniyle uygulamak zordu: ses kullanarak yöntemler tarafından çevresel ses; etkisinde savunmasız edildi bilek hareketi kullanarak yöntemler gıda tüketen değil ne zaman diğer fiziksel aktivitelerden ayırt etmek zor; ve belgili tanımlık imge ve EMG sinyalleri kullanarak yöntemler hareketi ve çevre sınır tarafından kısıtlanır. Bu çalışmalar sensörleri kullanarak gıda alımının otomatik algılama yeteneğini gösterdi ama hala pratik uygulanabilirliği laboratuvar ayarlardan günlük yaşam için bir sınırlama vardı.
Bu çalışmada, biz temporalis kas aktivitesi şekillerinin otomatik ve objektif gıda alımı izleme olarak kullanılır. Genel olarak, temporalis kas kasılma ve gevşeme sırasında gıda alımı16,17masticatory kas bir parçası olarak yineler; Böylece, gıda alımı etkinlik temporalis kas aktivitesi periyodik şekillerinin algılayarak izlenebilir. Son zamanlarda, birçok araştırma temporalis kullanan EMG veya piezoelektrik zorlanma kullanılan etkinlik18,19,20,21, kas olmuştur sensör ve onlara doğrudan insan bağlama Cilt. Bu yaklaşımlar, ancak, EMG elektrotlar veya zorlanma sensörleri cilt konumunu hassas olduğunu ve fiziksel hareketini ve terleme nedeniyle deriden kolayca müstakil. Bu nedenle, bu anlamda temporalis etkinlik aracılığıyla bizim önceki çalışma22her iki menteşeler takılı iki yük hücreleri kas gözlük kullanarak yeni ve etkili bir yöntem önerdi. Bu yöntem deri temas etmeden yüksek bir doğruluk ile gıda alımı aktivite tespit büyük potansiyel gösterdi. Biz ortak bir gözlük-türü aygıtı kullanılan o da un rahatsızlık verici ve non-müdahaleci, vardı.
Bu çalışmada, biz mevcut bir dizi ayrıntılı protokol, gözlük-türü aygıt uygulamak ve desenler temporalis kas aktivitesinin gıda alımı ve fiziksel aktivite izlemek için kullanın. İletişim kuralları donanım tasarımı ve bir 3D baskılı çerçeve gözlük, bir devre modülü ve bir veri alma modülü oluşan üretim süreci ve veri işleme ve analiz için kullanılan yazılım algoritmaları içerir. Ayrıca birkaç seçme faaliyetleri (çiğneme, yürüyüş ve göz kırpıyorörneğin,) arasında sınıflandırma incelendiğinde potansiyel gıda alımı ve diğer fiziksel aktivite arasında bir dakika fark söyleyebilirim pratik bir sistem olarak göstermek için desenler.
Protocol
Representative Results
Discussion
Bu çalışmada, ilk tasarım ve üretim sürecini gıda alımı ve fiziksel aktivite alışkanlıkları anlamda gözlük önerdi. Bu çalışma olarak ağırlıklı olarak gıda alımı (yürüyüş ve göz kırpıyor gibi) diğer fiziksel aktiviteler ayırmak için veri analizi üzerinde duruldu, sensör ve veri toplama sistemi hareketlilik kayıt uygulanması gerekli. Böylece sistem sensörler, kablosuz iletişim yeteneği ile MCU ve pil dahil. Bir roman ve bir temassız şekilde temporalis kas aktivitesi nedeniyle g…
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
Bu eser Envisible, Inc. tarafından desteklenmiştir Bu çalışma aynı zamanda vermek için refah, Kore Cumhuriyeti (HI15C1027) Korece sağlık teknoloji R & D proje, Sağlık Bakanlığı tarafından desteklenmiştir. Bu araştırma da Ulusal Araştırma Vakfı Kore tarafından (NMK-2016R1A1A1A05005348) destek verdi.
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).
