डिजाइन और खाद्य सेवन और शारीरिक गतिविधि वर्गीकरण के लिए स्मार्ट चश्मे का मूल्यांकन
Summary
यह अध्ययन डिजाइन और एक चश्मा प्रकार पहनने योग्य उपकरण है कि भोजन का सेवन और अंय विशेषताओं के पैटर्न का पता लगाता है विनिर्माण शारीरिक गतिविधियों का एक प्रोटोकॉल प्रस्तुत करता है लोड के चश्मे के दोनों टिका में डाला कोशिकाओं का उपयोग कर ।
Abstract
यह अध्ययन डिजाइन और एक चश्मा प्रकार पहनने योग्य उपकरण है कि भोजन के सेवन और अंय शारीरिक गतिविधियों के दौरान temporalis मांसपेशियों की गतिविधियों के पैटर्न का पता लगाता है विनिर्माण के प्रोटोकॉल की एक श्रृंखला प्रस्तुत करता है । हम चश्मा और एक लोड सेल एकीकृत मुद्रित सर्किट बोर्ड (पीसीबी) फ्रेम के दोनों टिका में डाला मॉड्यूल का एक 3d मुद्रित फ्रेम गढ़े । मॉड्यूल बल संकेतों को प्राप्त करने के लिए इस्तेमाल किया गया था, और उन्हें wirelessly संचारित. इन प्रक्रियाओं उच्च गतिशीलता के साथ प्रणाली प्रदान करते हैं, जो व्यावहारिक पहनने की स्थिति में ऐसे घूमना और waggling के रूप में मूल्यांकन किया जा सकता है । वर्गीकरण का एक प्रदर्शन भी उन शारीरिक गतिविधियों से भोजन का सेवन के पैटर्न भेद द्वारा मूल्यांकन किया जाता है । एल्गोरिदम की एक श्रृंखला संकेतों को संसाधित करने के लिए इस्तेमाल किया गया, सुविधा वैक्टर उत्पन्न, और कई विशेष रुप से प्रदर्शित गतिविधियों के पैटर्न को पहचान (चबाने और पलक), और अन्य शारीरिक गतिविधियों (आसीन आराम, बात कर रहे हैं, और घूमना). परिणामों से पता चला कि विशेष रुप से प्रदर्शित गतिविधियों के बीच वर्गीकरण का औसत F1 स्कोर ९१.४% था । हमारा मानना है कि इस दृष्टिकोण को संभावित रूप से व्यावहारिक साधन के रूप में उच्च सटीकता के साथ घूस व्यवहार के स्वत: और उद्देश्य निगरानी के लिए उपयोगी हो सकता है घूस समस्याओं का इलाज ।
Introduction
भोजन के सेवन की सतत और उद्देश्य निगरानी मानव शरीर में ऊर्जा संतुलन बनाए रखने के लिए आवश्यक है, के रूप में अत्यधिक ऊर्जा संचय अधिक वजन और मोटापे का कारण हो सकता है1, जो विभिन्न चिकित्सा जटिलताओं में परिणाम सकता है2. ऊर्जा असंतुलन में मुख्य कारकों दोनों अत्यधिक भोजन का सेवन और अपर्याप्त शारीरिक गतिविधि के लिए जाना जाता है3। दैनिक ऊर्जा व्यय की निगरानी पर विभिंन अध्ययनों में पहनने योग्य उपकरणों के माध्यम से शारीरिक गतिविधि पैटर्न के स्वचालित और उद्देश्य माप के साथ शुरू किया गया है4,5,6, यहां तक कि अंत उपभोक्ता स्तर और चिकित्सा चरण7। भोजन के सेवन की निगरानी पर अनुसंधान, तथापि, प्रयोगशाला की स्थापना में अभी भी है, क्योंकि यह एक प्रत्यक्ष और उद्देश्य तरीके से भोजन का सेवन गतिविधि का पता लगाने के लिए मुश्किल है । यहां, हम दैनिक जीवन में एक व्यावहारिक स्तर पर भोजन के सेवन और शारीरिक गतिविधि पैटर्न की निगरानी के लिए एक डिवाइस डिजाइन और उसके मूल्यांकन पेश करने का लक्ष्य है ।
चबाने और निगलने लगता है के माध्यम से भोजन की खपत पर नजर रखने के लिए विभिन्न अप्रत्यक्ष दृष्टिकोण किया गया है8,9,10, कलाई11,12के आंदोलन,13, छवि विश्लेषण14, और electromyogram (ईएमजी)15। हालांकि, इन तरीकों क्योंकि उनके अंतर्निहित सीमाओं के दैनिक जीवन अनुप्रयोगों के लिए लागू करने के लिए मुश्किल थे: ध्वनि का उपयोग कर तरीके पर्यावरणीय ध्वनि से प्रभावित होने की चपेट में थे; कलाई के आंदोलन का उपयोग कर तरीकों को अंय शारीरिक गतिविधियों से अलग जब उपभोग भोजन नहीं मुश्किल थे; और छवियों और ईएमजी संकेतों का उपयोग कर तरीकों आंदोलन और पर्यावरण की सीमा तक ही सीमित हैं । इन अध्ययनों ने सेंसर का उपयोग कर भोजन का स्वचालित पता लगाने की क्षमता दिखाई, लेकिन अभी भी प्रयोगशाला सेटिंग्स से परे रोजमर्रा की जिंदगी के लिए व्यावहारिक प्रयोज्यता की एक सीमा थी ।
इस अध्ययन में, हम temporalis मांसपेशी गतिविधि के पैटर्न स्वचालित और भोजन के सेवन के उद्देश्य की निगरानी के रूप में इस्तेमाल किया । आम तौर पर, temporalis मांसपेशी भोजन का सेवन करने के दौरान masticatory मांसपेशी के एक भाग के रूप में संकुचन और छूट को दोहराता है16,17; इस प्रकार, भोजन का सेवन गतिविधि temporalis मांसपेशी गतिविधि के आवधिक पैटर्न का पता लगाने के द्वारा निगरानी की जा सकती है । हाल ही में, वहां कई temporalis मांसपेशी गतिविधि का उपयोग अध्ययन किया गया है18,19,20,21, जो ईएमजी या piezoelectric तनाव संवेदक इस्तेमाल किया और उंहें सीधे संलग्न मानव पर त्वचा. इन तरीकों, तथापि, ईएमजी इलेक्ट्रोड या तनाव सेंसर की त्वचा स्थान के प्रति संवेदनशील थे, और आसानी से शारीरिक आंदोलन या पसीना के कारण त्वचा से अलग थे । इसलिए, हम एक नया और प्रभावी विधि का प्रस्ताव चश्मे की एक जोड़ी है कि दो लोड हमारे पिछले अध्ययन22में दोनों टिका में डाला कोशिकाओं के माध्यम से temporalis मांसपेशी गतिविधि भावना का उपयोग कर । इस विधि त्वचा को छूने के बिना एक उच्च सटीकता के साथ खाद्य सेवन गतिविधि का पता लगाने की महान क्षमता दिखाई । यह भी संयुक्त राष्ट्र निकला हुआ और गैर दखल था, क्योंकि हम एक आम चश्मे-प्रकार के उपकरण का इस्तेमाल किया ।
इस अध्ययन में, हम कैसे चश्मा प्रकार के उपकरण को लागू करने के लिए और कैसे भोजन का सेवन और शारीरिक गतिविधि की निगरानी के लिए temporalis मांसपेशी गतिविधि के पैटर्न का उपयोग करने के विस्तृत प्रोटोकॉल की एक श्रृंखला पेश करते हैं । प्रोटोकॉल हार्डवेयर डिजाइन और निर्माण कि चश्मे, एक सर्किट मॉड्यूल के एक 3d-मुद्रित फ्रेम के होते हैं, और एक डेटा अधिग्रहण मॉड्यूल की प्रक्रिया में शामिल हैं, और डेटा प्रोसेसिंग और विश्लेषण के लिए सॉफ्टवेयर एल्गोरिदम शामिल हैं । हम इसके अलावा कई विशेष रुप से प्रदर्शित गतिविधियों के बीच वर्गीकरण की जांच (जैसे, चबाने, घूमना, और पलक) एक व्यावहारिक प्रणाली है कि भोजन के सेवन और अंय शारीरिक गतिविधि के बीच एक मिनट के अंतर बता सकते है के रूप में क्षमता का प्रदर्शन पैटर्न.
Protocol
Representative Results
Discussion
इस अध्ययन में, हम पहले चश्मे के डिजाइन और विनिर्माण प्रक्रिया का प्रस्ताव है कि भोजन का सेवन और शारीरिक गतिविधियों के पैटर्न भावना । इस अध्ययन के रूप में मुख्य रूप से डेटा विश्लेषण पर ध्यान केंद्रित कर?…
Disclosures
The authors have nothing to disclose.
Acknowledgements
यह काम Envisible, Inc द्वारा समर्थित किया गया था इस अध्ययन में कोरियाई स्वास्थ्य प्रौद्योगिकी अनुसंधान एवं विकास परियोजना, स्वास्थ्य एवं कल्याण मंत्रालय, कोरिया गणराज्य (HI15C1027) के अनुदान का भी समर्थन किया गया । इस शोध को नेशनल रिसर्च फाउंडेशन ऑफ कोरिया (एनआरएफ-2016R1A1A1A05005348) ने भी समर्थन दिया था ।
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).
