Konceptudvikling og brug af en automatiseret metode til vurdering af fødeindtagelse og spiseadfærd
Summary
Denne protokol viser og forklarer en ny teknologibaseret kostvurderingsmetode. Metoden består af en spisebakke med flere indbyggede vægte og et videokamera. Enheden er unik i den forstand, at den inkorporerer automatiserede foranstaltninger af mad- og drikkeindtag og spiseadfærd i løbet af et måltid.
Abstract
Langt de fleste kost-og spiseadfærd vurderingsmetoder er baseret på selvrapportering. De er besværlige og også tilbøjelige til at måle fejl. Nylige teknologiske innovationer giver mulighed for udvikling af mere præcise kost-og spiseadfærd vurdering værktøjer, der kræver en mindre indsats for både brugeren og forskeren. Derfor blev der udviklet en ny sensorbaseret enhed til vurdering af fødeindtagelse og spiseadfærd. Enheden er en almindelig spisebakke udstyret med et videokamera og tre separate indbyggede vejestationer. Vejestationerne måler vægten af skålen, pladen og drikkebægeret kontinuerligt i løbet af et måltid. Videokameraet placeret i ansigtet registrerer spiseadfærdskarakteristika (tygger, bid), som analyseres ved hjælp af kunstig intelligens (AI)-baseret automatisk ansigtsudtrykssoftware. Bakkevægten og videodataene transporteres i realtid til en pc ved hjælp af en trådløs modtager. Resultaterne af interesse, såsom mængden spist, spise sats og bid størrelse, kan beregnes ved at trække data om disse foranstaltninger på de tidspunkter af interesse. De oplysninger, der opnås ved den nuværende version af bakken kan bruges til forskningsformål, en opgraderet version af enheden vil også lette leveringen af mere personlig rådgivning om indtagelse af kosten og spiseadfærd. I modsætning til de konventionelle kostvurderingsmetoder måler denne diætvurderingsanordning fødeindtagelse direkte i et måltid og er ikke afhængig af hukommelse eller skøn over portionsstørrelse. I sidste ende er denne enhed derfor velegnet til dagligt hovedmåltidsfødevareindtag og spiseadfærdsforanstaltninger. I fremtiden kan denne teknologibaserede diætvurderingsmetode knyttes til sundhedsapplikationer eller smarte ure for at få et komplet overblik over motion, energiindtag og spiseadfærd.
Introduction
I ernæringsforskning og kostpraksis er det vigtigt at have gode foranstaltninger af hvad, hvor meget og hvordan folk spiser, for at finde løsninger på overvægts- og fedmeproblemerne. For at vurdere indtagelsen gennem kosten anvendes ofte konventionelle selvrapporteringsspørgeskemaer såsom fødevaredagbøger, 24 timers tilbagekaldelser eller spørgeskemaer om fødevarefrekvens1. Disse metoder er afhængige af selvrapportering og er derfor tidskrævende og tilbøjelige til bias på grund af social-ønskelige svar, hukommelses utilstrækkelighed og vanskeligheder med at estimere portionsstørrelser2,3. Ud over foranstaltninger af kostkvaliteten (madtype og mængde spist) er det også vigtigt at vide, hvordan maden spises, da spiseadfærd, der bremser fødeindtagelsen, har vist sig at forhindre overforbrug inden for et måltid4. At vurdere spiseadfærd den gyldne standard er at have to observatører kommentere videooptagelser af mennesker, der spiser et måltid5. Denne metode er temmelig arbejdskrævende og tidskrævende og giver ikke mulighed for øjeblikkelig feedback på adfærden.
De seneste teknologiske fremskridt giver nu mulighed for at kombinere automatiserede foranstaltninger af fødeindtagelse med automatiserede foranstaltninger af spiseadfærd i løbet af et måltid. Som reaktion på denne udvikling blev der udviklet en ny sensorbaseret kostvurderingsmetode, kaldet mEETr, forkortelsen for de to hollandske ord ‘Meter’ (oversat: måleapparat) og ‘eet’ (oversat: at spise). mEETr er en almindelig spisebakke med tre indbyggede vejestationer(Figur 1 demonstrerer bakkens og sensorpladernes design) og en kameraholder. Hver vejestation består af tre trekantede målepunkter til fordeling af vægten. Vejestationerne måler vægten af skålen, pladen og drikkebægeret eller glasset kontinuerligt over måltidet. MEETr indeholder også en videokameraholder. I øjeblikket er kameraholderen adskilt fra bakken, men til standardiseringsformål ville et integreret kamera efter den næste opgradering af mEETr (en foldevideokamerapind) være ideel. Kameraet letter automatiseret realtidsanalyse af antallet af bid og tygger og spisevarighed, hvilket giver mulighed for generering af information om spisehastigheden og bidstørrelsen. Automatiseret analyse af spiseadfærd udføres ved hjælp af en nyudviklet algoritme. Forskellige forskergrupper har udviklet enheder til at give folk feedback i realtid om accelerationen af at spise og den mængde, folk spiser6. Også, augmented gafler er blevet udviklet til at give real-time feedback på antallet af bid og deres hyppighed inden for et måltid7. Derudover blev en øresensor udviklet til at måle mikrostrukturen ved at spise under frie levevilkår8,9. Svarende til denne enhed er den opsætning, der bruges af Ioakimidis et al.10, hvor videomål blev kombineret med en vejeplade for at bestemme fødeindtaget, antallet af bid og tyggeadfærd.
Sammenlignet med disse enheder er mEETr’s nyhed, at den kombinerer automatiserede målinger af fødeindtagelse af to plader og en drikkekop (n = 3) og spiseadfærd (f.eks. spisehastighed, antal bid, bidestørrelse og tyggeadfærd) i en enhed. Den mEETr, som demonstreret, er egnet til inden måltid foranstaltninger af fødeindtagelse og spiseadfærd inden for en kontrolleret (spise lab) miljø, men i sidste ende målet er at bruge mEETr i mindre kontrollerede miljøer, hvor genforekomne måltid planer anvendes såsom dagpleje, ældre-hjem, og hospitaler.
I sidste ende vil mEETr give et mere objektivt og som sådan mere præcist og præcist mål for fødeindtagelse og spiseadfærd end konventionelle diætvurderingsmetoder og manuel kodning af videoer. Bedre foranstaltninger i forbindelse med fødeindtagelsen vil gavne ernærings- og sundhedsforskningen, men også sundhedspersonalet i deres udfordring med at bekæmpe stigningen i fødevarerelaterede ikke-smitsomme sygdomme11. I sidste ende mEETr kan bruges i forskning og sundhedspleje indstillinger samt af sundhedsbevidste brugere derhjemme ved at knytte mEETr til eksisterende teknologier og software, såsom andre sundhed apps eller smart ure. Samlet set giver disse sundhedsforanstaltninger brugeren eller sundhedspersonalet et ret varieret og komplet overblik over en række sundhedsadfærdsmønstre (f.eks. fødeindtagelse, spiseadfærd, energiforbrug baseret på virkelige foranstaltninger, søvn, stress), der gør det muligt for brugeren at optimere deres kost og skabe en sund livsstil.
Protocol
Representative Results
Discussion
En sund kost og en sund kost adfærd har vist sig at spille en central rolle i forebyggelsen af og løsningen på overvægt og fedme11. Men mange af de metoder, der anvendes til at måle indtagelsen af kosten og spiseadfærd er belastende for brugere, forskere og sundhedspersonale og kan være forudindtaget, da de er afhængige af hukommelse og portionsstørrelse skøn. Brug af mEETr, uafhængigt eller sammen med konventionelle video- og diætvurderingsmetoder, ville reducere indsatsen og nøjagti…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Vi takker J.M.C D. Meijer fra Wageningen Universitets tekniske udviklingsstudie og forskning for hans hjælp til udviklingen af mEETr-bakken. Denne forskning blev finansieret af de 4 hollandske tekniske universiteter, 4TU- Pride and Prejudice-projektet.
Materials
| Battery | na | na | Battery pack (LiPo) and charge electronics via an USB port connector. No data from this port. |
| Connector program | Noldus | Noldus Information technology software dashboard nview | |
| Dinner tray | na | na | Standard dinner tray from glass inforced epoxy |
| Larger scale | na | na | One high range custom made scale based on a triple force sensor method. |
| Mainboard | na | na | A mainboard converting the three scale measurements to calibrated weight numbers. This board also contains the low power short range RF transmitter. |
| OS Windows | Microsoft | windows 10 Pro 64 bit | |
| Processor program | Noldus | Noldus Information technology software FaceReader | |
| Receiver program | Noldus | Noldus Information technology software Observer | |
| RF receiver | na | na | Custom build USB converter connected to a RF receiver. This receiver has a squelch setting for making it low range sensitive. |
| Small scales | na | na | Two low range custom made scales based on a triple force sensor method. |
References
- Burrows, T. L., Ho, Y. Y., Rollo, M. E., Collins, C. E. Validity of dietary assessment methods when compared to the method of doubly labeled water: A systematic review in adults. Frontiers in Endocrinology. 10, 850 (2019).
- Brouwer-Brolsma, E. M., et al. Dietary intake assessment: From traditional paper-pencil questionnaires to technology-based tools. Environmental software systems. Data science in action. Advances in Information and Communication Technology. 554, (2020).
- Palese, A., et al. What nursing home environment can maximise eating independence among residents with cognitive impairment? Findings from a secondary analysis. Geriatric Nursing. 41 (6), 709-716 (2020).
- Krop, E. M., et al. Influence of oral processing on appetite and food intake – A systematic review and meta-analysis. Appetite. 125, 253-269 (2018).
- Nicolas, E., Veyrune, J. L., Lassauzay, C., Peyron, M. A., Hennequin, M. Validation of video versus electromyography for chewing evaluation of the elderly wearing a complete denture. Journal of Oral Rehabilitation. 34 (8), 566-571 (2007).
- Sabin, M. A., et al. A novel treatment for childhood obesity using Mandometer® technology. International Journal of Obesity. 7, (2006).
- Hermsen, S., et al. Evaluation of a Smart fork to decelerate eating rate. Journal of the Academy of Nutrition and Dietetics. 116 (7), 1066-1068 (2016).
- vanden Boer, J., et al. The splendid eating detection sensor: Development and feasibility study. JMIR mHealth and uHealth. 6 (9), 170 (2018).
- Papapanagiotou, V., et al. A novel chewing detection system based on ppg, audio, and accelerometry. IEEE Journal of Biomedical and Health Informatics. 21 (3), 607-618 (2016).
- Ioakimidis, I., et al. Description of chewing and food intake over the course of a meal. Physiology & Behavior. 104 (5), 761-769 (2011).
- Ruiz, L. D., Zuelch, M. L., Dimitratos, S. M., Scherr, R. E. Adolescent obesity: Diet quality, psychosocial health, and cardiometabolic risk factors. Nutrients. 12 (1), 43 (2020).
- Forde, C. G., van Kuijk, N., Thaler, T., de Graaf, C., Martin, N. Oral processing characteristics of solid savoury meal components, and relationship with food composition, sensory attributes and expected satiation. Appetite. 60 (1), 208-219 (2013).
- Weijzen, P. L. G., Smeets, P. A. M., de Graaf, C. Sip size of orangeade: effects on intake and sensory-specific satiation. British Journal of Nutrition. 102 (07), 1091-1097 (2009).
- Zijlstra, N., de Wijk, R. A., Mars, M., Stafleu, A., de Graaf, C. Effect of bite size and oral processing time of a semisolid food on satiation. The American Journal of Clinical Nutrition. 90 (2), 269-275 (2009).
- Bolhuis, D. P., et al. Slow food: sustained impact of harder foods on the reduction in energy intake over the course of the day. PloS One. 9 (4), 93370 (2014).
- Grinyer, A. The anonymity of research participants: assumptions, ethics and practicalities. Social Research Update. 36 (1), 4 (2002).
