Konseptutvikling og bruk av en automatisert metode for vurdering av matinntak og spiseatferd
Summary
Denne protokollen viser og forklarer en ny teknologibasert kostholdsvurderingsmetode. Metoden består av et spisebrett med flere innebygde veievekter og et videokamera. Enheten er unik i den forstand at den inneholder automatiserte mål på mat- og drikkeinntak og spiseatferd i løpet av et måltid.
Abstract
De aller fleste vurderingsmetoder for kostholds- og spiseatferd er basert på selvrapporter. De er tyngende og også utsatt for målefeil. Nyere teknologiske innovasjoner muliggjør utvikling av mer nøyaktige og presise kostholds- og spiseatferdsvurderingsverktøy som krever mindre innsats for både brukeren og forskeren. Derfor ble det utviklet en ny sensorbasert enhet for å vurdere matinntak og spiseatferd. Enheten er et vanlig spisebrett utstyrt med et videokamera og tre separate innebygde veiestasjoner. Veiestasjonene måler vekten av bollen, tallerkenen og drikkekoppen kontinuerlig i løpet av et måltid. Videokameraet plassert i ansiktet registrerer spiseatferdskarakteristikker (tygger, biter), som analyseres ved hjelp av kunstig intelligens (AI) -basert automatisk ansiktsuttrykksprogramvare. Skuffvekten og videodataene transporteres i sanntid til en PC ved hjelp av en trådløs mottaker. Utfallet av renter, for eksempel mengden spist, spiserate og bitestørrelse, kan beregnes ved å trekke fra dataene til disse tiltakene på rentepunktene. Informasjonen oppnådd av den nåværende versjonen av brettet kan brukes til forskningsformål, en oppgradert versjon av enheten vil også lette levering av mer personlige råd om kostholdsinntak og spiseatferd. I motsetning til de konvensjonelle kostholdsvurderingsmetodene måler denne diettvurderingsenheten matinntak direkte i et måltid og er ikke avhengig av minne eller porsjonsstørrelsesestimering. Til syvende og sist er denne enheten derfor egnet for daglig hovedmatinntak og spiseatferdstiltak. I fremtiden kan denne teknologibaserte kostholdsvurderingsmetoden knyttes til helseapplikasjoner eller smarte klokker for å få en fullstendig oversikt over trening, energiinntak og spiseatferd.
Introduction
I ernæringsforskning og kostholdspraksis er det viktig å ha gode mål på hva, hvor mye og hvordan folk spiser, for å finne løsninger på overvekt og fedmeproblemer. For å vurdere kostholdsinntaket brukes ofte konvensjonelle selvrapporteringsspørreskjemaer som matdagbøker, 24 timers tilbakekallinger eller spørreskjemaer for matfrekvens1. Disse metodene er avhengige av selvrapportering og er derfor tidkrevende og utsatt for skjevheter på grunn av sosiale ønskelige svar, hukommelses utilstrekkelighet og vanskeligheter med å estimere porsjonsstørrelser2,3. I tillegg til mål på diettkvaliteten (mattype og mengde spist), er det også viktig å vite hvordan maten spises, da spiseatferd som bremser matinntaket har vist seg å forhindre overforbruk i et måltid4. For å vurdere spiseatferd er den gylne standarden å ha to observatører som kommenterer videoopptak av folk som spiser et måltid5. Denne metoden er ganske arbeidskrevende og tidkrevende og tillater ikke umiddelbar tilbakemelding på oppførselen.
Nylige teknologiske fremskritt gir nå muligheten til å kombinere automatiserte mål på matinntak med automatiserte tiltak for spiseatferd i løpet av et måltid. Som svar på denne utviklingen ble det utviklet en ny sensorbasert kostholdsvurderingsmetode, kalt mEETr, akronymet til de to nederlandske ordene ‘Meter’ (oversatt: måleenhet) og ‘eet’ (oversatt: å spise). mEETr er et vanlig spisebrett med tre innebygde veiestasjoner (figur 1 demonstrerer utformingen av brettet og sensorplatene) og en kameraholder. Hver veiestasjon består av tre trekantede plasserte målepunkter for å fordele vekten. Veiestasjonene måler vekten av bollen, tallerkenen og drikkekoppen eller glasset kontinuerlig over måltidet. mEETr har også en videokameraholder. For øyeblikket er kameraholderen atskilt fra skuffen, men for standardisering vil et integrert kamera etter neste oppgradering av mEETr (en sammenleggbar videokamerapinne) være ideell. Kameraet letter automatisert sanntidsanalyse av antall biter og tygger, og spisevarighet, noe som gir mulighet for generering av informasjon om spisehastigheten og bitestørrelsen. Automatisert analyse av spiseatferd gjøres ved bruk av en nyutviklet algoritme. Ulike forskningsgrupper har utviklet enheter for å gi folk tilbakemelding i sanntid om akselerasjonen av å spise og mengden folk spiser6. Også augmented gafler er utviklet for å gi tilbakemelding i sanntid på antall biter og deres frekvens i et måltid7. I tillegg ble en øresensor utviklet for å måle mikrostrukturen ved å spise i frie levekår8,9. I likhet med denne enheten er oppsettet som brukes av Ioakimidis et al.10, hvor videotiltak ble kombinert med en veieplate for å bestemme matinntaket, antall biter og tyggeadferd.
Sammenlignet med disse enhetene er nyheten til mEETr at den kombinerer automatiserte mål på matinntak av to tallerkener og en drikkekopp (n = 3) og spiseatferd (f.eks. spisehastighet, antall biter, bitestørrelse og tyggeadferd) i en enhet. mEETr, som demonstrert, er egnet for innenfor måltidstiltak for matinntak og spiseatferd i et kontrollert (spiselaboratorium) miljø, men til slutt er målet å bruke mEETr i mindre kontrollerte miljøer der gjenoppnømte måltidsplaner brukes som barnehager, eldrehjem og sykehus.
Til syvende og sist vil mEETr gi et mer objektivt, og som sådan mer nøyaktig og presist mål på matinntak og spiseatferd enn konvensjonelle kostholdsvurderingsmetoder og manuell koding av videoer. Bedre tiltak for matinntaket vil være til nytte for ernærings- og helseforskningen, men også helsepersonellet i deres utfordring for å bekjempe økningen i matrelaterte ikke-smittsomme sykdommer11. Til syvende og sist kan mEETr brukes i forsknings- og helsetjenesteinnstillinger så vel som av helsebevisste brukere hjemme ved å koble mEETr til eksisterende teknologier og programvare, for eksempel andre helseapper eller smarte klokker. Samlet sett gir disse helsetiltakene brukeren eller helsepersonellet en ganske variert og fullstendig oversikt over en rekke helseatferdsmønstre (f.eks. matinntak, spiseatferd, energiforbruk basert på virkelige tiltak, søvn, stress) som gjør det mulig for brukeren å optimalisere kostholdet og skape en sunn livsstil.
Protocol
Representative Results
Discussion
Et sunt kosthold og en sunn spiseatferd har vist seg å spille en nøkkelrolle i forebygging av og løsning på overvekt og fedme11. Imidlertid er mange av metodene som brukes til å måle kostholdsinntaket og spiseatferden belastende for brukere, forskere og helsepersonell, og kan være partisk da de er avhengige av hukommelses- og porsjonsstørrelsesestimater. Ved hjelp av mEETr, uavhengig eller sammen med konvensjonelle video- og kostholdsvurderingsmetoder, ville redusere innsatsen og nøyaktig…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Vi takker J.M.C. D. Meijer fraTechnical Development Studio of Wageningen University and Research for hans hjelp i utviklingen av mEETr-brettet. Denne forskningen ble finansiert av 4 Nederlandske tekniske universiteter, 4TU- Pride and Prejudice-prosjektet.
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).
