Дизайн и оценка смарт-очки для классификации физической активности и приема пищи
Summary
Это исследование представляет протокол проектирования и изготовления очки тип носимых устройство, которое обнаруживает моделей потребления пищи и другие Рекомендуемые физической деятельности, с использованием тензодатчиков вставляется в обе петли очки.
Abstract
Это исследование представляет собой серию протоколов проектирования и изготовления очки тип носимых устройство, которое обнаруживает характере деятельности височной мышцы во время приема пищи и других физической деятельности. Мы готовых 3D-печати кадр очки и нагрузки ячейки интегрированных печатной платы (PCB) модуль вставлен в обе петли кадра. Модуль был использован приобрести силу сигналов, и передавать их без проводов. Эти процедуры обеспечивают системы с более высокой мобильности, который может быть оценен в практических условиях носить такие как ходьба и тряся. Также производительность классификации оценивается путем разграничения структур приема пищи от этих физических видов деятельности. Серии алгоритмов были использованы для предварительной обработки сигналов, генерировать функция векторов и признать моделей нескольких Рекомендуемые мероприятия (жевательный и подмигивая) и другие физические нагрузки (малоподвижный отдых, разговаривали и ходьба). Результаты показали, что средний F1 классификации среди Рекомендуемые мероприятия был 91,4%. Мы считаем, что этот подход может быть потенциально полезно для автоматического и объективного мониторинга фильтры поведения с высокой точностью в качестве практического средства для лечения фильтры проблем.
Introduction
Непрерывное и объективный мониторинг потребления пищи имеет важное значение для поддержания энергетического баланса в организме человека, как накопления чрезмерной энергии может привести к overweightness и ожирение1, которые могут привести к различных медицинских осложнений2. Основными факторами в энергетического дисбаланса известны чрезмерное пищи и недостаточная физическая активность3. Различные исследования по мониторингу ежедневных расходов энергии были введены с автоматической и объективного измерения моделей физической активности путем носимых устройств4,5,6, даже в конец потребитель уровня и медицинской этап7. Исследования по мониторингу потребления пищи, однако, все еще находится в лаборатории параметр, так как это трудно обнаружить деятельность потребление пищи в прямой и объективным образом. Здесь мы стремимся представить дизайн устройства и его оценки для контроля за приемом пищи и моделей физической активности на практическом уровне в повседневной жизни.
Там были различные косвенные подходы к контролировать потребление пищи через жевания и глотания звуки8,9,10, движение запястья11,12,13, изображения анализ14и15электромиограммы (ЭМГ). Однако, эти подходы были трудно применять в повседневной жизни приложения, из-за их ограничений, присущих: методы, с помощью звук уязвимы под влиянием окружающей среды звук; методы, с помощью движений запястья было трудно отличить от других физической деятельности, когда не потребления пищи; и методы, с помощью изображений и сигналов ГРП ограничены граница движения и охраны окружающей среды. Эти исследования показали возможность автоматического обнаружения потребляемой пищи, используя датчики, но по-прежнему имел ограничение практической применимости к повседневной жизни за пределами лабораторные параметры.
В этом исследовании мы использовали моделей деятельности височной мышцы как автоматическое и объективный мониторинг приема пищи. В общем височной мышцы повторяет сокращение и расслабление как частью жевательных мышц во время питания потребление16,17; Таким образом деятельность потребление пищи может контролироваться путем обнаружения периодических моделей деятельности височной мышцы. Недавно, там было несколько исследований с использованием височной мышцы деятельность18,19,20,21, который используется ГРП или пьезоэлектрического напряжения датчика и подключая их непосредственно на человека кожи. Эти подходы, однако, были чувствительны к месту кожи ГРП электродов или Тензодатчики и были легко отделяться от кожи вследствие физического перемещения или пот. Таким образом мы предложили новый и эффективный метод, с помощью пары очков это чувство, что височной мышцы деятельность через две тензодатчики, вставляется в обе петли в наших предыдущих исследования22. Этот метод показал огромный потенциал обнаружения активности потребление пищи с высокой точностью не трогая кожу. Это было также ООН навязчивой и неинтрузивный, поскольку мы использовали общие очки типа устройства.
В этом исследовании мы представляем серию подробных протоколов как реализовать очки тип устройства и способы использования моделей деятельности височной мышцы для контроля питания и физической активности. Протоколы включают процесс дизайн оборудования и изготовление, который состоит из 3D-печати кадр очки, цепи модуля и модуля сбора данных и включить алгоритмы программного обеспечения для обработки и анализа данных. Кроме того, мы изучили классификации среди нескольких Рекомендуемые мероприятия (например, жевательные, ходьбу и подмигивая) чтобы продемонстрировать потенциал как практическая система, которая может сказать мельчайшая разница между потребление пищи и других физической активности шаблоны.
Protocol
Representative Results
Discussion
В этом исследовании мы впервые предложил дизайн и процесс изготовления стекол, которые чувство моделей потребления пищи и физической деятельности. Как это исследование главным образом сосредоточена на анализе данных, чтобы отличить от других физической деятельности (например, ходьба…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Эта работа была поддержана Envisible, Inc. Это исследование было также поддержано грант Корейского здравоохранения технологии R & D проекта, министерства здравоохранения и благосостояния, Республика Корея (HI15C1027). Это исследование было также поддержано Национальный исследовательский фонд Кореи (СР 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).
