Konceptutveckling och användning av en automatiserad metod för bedömning av matintag och ätbeteende
Summary
Detta protokoll visar och förklarar en ny teknikbaserad kostbedömningsmetod. Metoden består av en matbricka med flera inbyggda vågskålar och en videokamera. Enheten är unik i den meningen att den innehåller automatiserade mått på mat- och dryckesintag och ätbeteende under en måltid.
Abstract
De allra flesta metoder för bedömning av kost- och ätbeteende baseras på självrapporter. De är betungande och också benägna att mäta fel. Nya tekniska innovationer möjliggör utveckling av mer exakta och exakta verktyg för bedömning av kost- och ätbeteende som kräver mindre ansträngning för både användaren och forskaren. Därför utvecklades en ny sensorbaserad enhet för att bedöma matintag och ätbeteende. Enheten är en vanlig matbricka utrustad med en videokamera och tre separata inbyggda vägningsstationer. Vägningsstationerna mäter skålens, tallrikens och dryckeskoppens vikt kontinuerligt under en måltid. Videokameran som är placerad i ansiktet registrerar ätbeteendeegenskaper (tuggor, bett), som analyseras med hjälp av artificiell intelligens (AI)-baserad automatisk ansiktsuttrycksprogram. Fackets vikt och videodata transporteras i realtid till en persondator (PC) med hjälp av en trådlös mottagare. Resultaten av ränta, såsom mängden som äts, äthastighet och bettstorlek, kan beräknas genom att subtrahera data för dessa mått vid tidpunkterna för intresse. Informationen som erhålls av den nuvarande versionen av brickan kan användas för forskningsändamål, en uppgraderad version av enheten skulle också underlätta tillhandahållandet av mer personliga råd om kostintag och ätbeteende. I motsats till de konventionella kostbedömningsmetoderna mäter denna kostbedömningsanordning matintag direkt inom en måltid och är inte beroende av minne eller portionsstorleksuppskattningen. I slutändan är denna enhet därför lämplig för dagliga åtgärder för huvudmatintag och ätbeteende. I framtiden kan denna teknikbaserade kostbedömningsmetod kopplas till hälsoapplikationer eller smarta klockor för att få en fullständig översikt över träning, energiintag och ätbeteende.
Introduction
Inom näringsforskning och kostpraxis är det viktigt att ha bra mått på vad, hur mycket och hur människor äter, för att hitta lösningar på övervikts- och fetmaproblemen. För att bedöma intaget via kosten används ofta konventionella självrapportformulär som matdagböcker, 24 h återkallelser eller frågeformulär om livsmedelsfrekvens1. Dessa metoder förlitar sig på självrapport och är därför tidskrävande och benägna att partiskhet på grund av socialt önskvärda svar, minnesotillgängliga och svårigheter att uppskatta portionsstorlekar2,3. Förutom mått på kostkvaliteten (mattyp och uppäten mängd) är det också viktigt att veta hur maten äts, eftersom ätbeteenden som saktar ner matintaget har visat sig förhindra överkonsumtion inom en måltid4. För att bedöma ätbeteende är den gyllene standarden att ha två observatörer kommentera videoinspelningar av människor som äter en måltid5. Denna metod är ganska arbetsintensiv och tidskrävande och tillåter inte omedelbar feedback om beteendet.
De senaste tekniska framstegen ger nu möjlighet att kombinera automatiserade mått på matintag med automatiserade mått på ätbeteendet under en måltid. Som svar på denna utveckling utvecklades en ny sensorbaserad dietbedömningsmetod, kallad mEETr, förkortningen för de två nederländska orden “Meter” (översatt: mätanordning) och “eet” (översatt: att äta). MEETr är en vanlig matbricka med tre inbyggda vägningsstationer(figur 1 visar brickans och sensorplattorns design) och en kamerahållare. Varje vägningsstation består av tre triangulärt placerade mätpunkter för att fördela vikten. Vägningsstationerna mäter skålens, tallrikens och drickskoppens eller glasets vikt kontinuerligt över måltiden. MEETr har även en videokamerahållare. För närvarande är kamerahållaren separat från facket, men för standardiseringsändamål skulle en integrerad kamera efter nästa uppgradering av mEETr (en vikbar videokamerapinne) vara idealisk. Kameran underlättar automatiserad realtidsanalys av antalet bett och tuggor och ättid, vilket möjliggör generering av information om äthastigheten och bettstorleken. Automatiserad analys av ätbeteende görs med hjälp av en nyutvecklad algoritm. Olika forskargrupper har utvecklat enheter för att ge människor feedback i realtid om accelerationen av att äta och mängden människor äter6. Dessutom har förstärkta gafflar utvecklats för att ge feedback i realtid om antalet bett och deras frekvens inom en måltid7. Dessutom utvecklades en öronsensor för att mäta mikrostrukturen att äta under fria levnadsförhållanden8,9. Liknar denna enhet är den uppsättning som används av Ioakimidis et al.10, där videoåtgärder kombinerades med en vägningsplatta för att bestämma matintaget, antalet bett och tuggbeteende.
Jämfört med dessa enheter är mEETr nyhet att den kombinerar automatiserade mått på matintag av två tallrikar och en drickkopp (n = 3) och ätbeteende (t.ex. äthastighet, antal bett, bettstorlek och tuggbeteende) i en enhet. MEETr, som visats, är lämplig för måltidsmått av matintag och ätbeteende inom en kontrollerad (äta labb) miljö, men så småningom är målet att använda mEETr i mindre kontrollerade miljöer där återutförda måltidsplaner används som daghem, äldreboenden och sjukhus.
I slutändan kommer mEETr att ge ett mer objektivt och som sådant mer exakt och exakt mått på matintag och ätbeteende än konventionella kostbedömningsmetoder och manuell kodning av videor. Bättre åtgärder för födointaget skulle gynna närings- och hälsoforskningen, men också hälso- och sjukvårdspersonalen i deras utmaning att bekämpa ökningen av livsmedelsrelaterade icke-smittsamma sjukdomar11. I slutändan kan mEETr användas i forsknings- och hälsovårdsmiljöer samt av hälsomedvetna användare hemma genom att länka mEETr till befintlig teknik och programvara, till exempel andra hälsoappar eller smarta klockor. Sammantaget ger dessa hälsoåtgärder användaren eller hälso- och sjukvårdsproffset en ganska mångsidig och fullständig översikt över en mängd olika hälsobeteendemönster (t.ex. matintag, ätbeteende, energiförbrukning baserad på verkliga åtgärder, sömn, stress) som gör det möjligt för användaren att optimera sin kost och skapa en hälsosam livsstil.
Protocol
Representative Results
Discussion
En hälsosam kost och ett hälsosamt ätbeteende har visat sig spela en nyckelroll i förebyggandet av och lösningen på övervikt och fetma11. Många av de metoder som används för att mäta intaget via kosten och ätbeteendet är dock betungande för användare, forskare och vårdpersonal och kan vara partiska eftersom de är beroende av minne och uppskattningar av portionsstorlek. Att använda mEETr, självständigt eller tillsammans med konventionella video- och kostbedömningsmetoder, skull…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Vi tackar J.M.C. D. Meijer frånTechnical Development Studio of Wageningen University and Research för hans hjälp med utvecklingen av mEETr-brickan. Denna forskning finansierades av de 4 nederländska tekniska universiteten, 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).
