Gestaltung und Bewertung von Datenbrillen für Nahrungsaufnahme und körperliche Aktivität Klassifizierung
Summary
Diese Studie stellt ein Protokoll der Entwicklung und Herstellung eine Brillen-Typ tragbares Gerät, die erkennt die Muster der Nahrungsaufnahme und andere empfohlenen körperlichen Aktivitäten mit Wägezellen in beide Scharniere der Gläser eingefügt.
Abstract
Diese Studie stellt eine Reihe von Protokollen der Entwicklung und Herstellung eine Brillen-Typ tragbare Gerät, die die Muster der Temporalis Muskelaktivitäten während der Nahrungsaufnahme und andere körperlichen Aktivitäten erkennt. Wir fabrizierten einen 3D-gedruckten Rahmen der Gläser und eine Zelle integriert Printed Circuit Board (PCB) Lademodul in beiden Seiten des Rahmens eingefügt. Das Modul wurde zur erwerben die Kraft-Signale und drahtlos zu übertragen. Diese Verfahren bieten das System höhere Mobilität, die ausgewertet werden kann, tragen Praxisbedingungen wie Wandern und wackeln. Eine Aufführung der Klassifikation wird auch durch die Unterscheidung der Muster der Nahrungsaufnahme von diesen körperlichen Aktivitäten ausgewertet. Eine Reihe von Algorithmen wurden zur Vorverarbeitung Signale generieren Merkmalsvektoren und erkennen der Muster von mehreren vorgestellten Aktivitäten (kauen und zwinkert) und andere körperlichen Aktivitäten (sitzende Rest, reden, und zu Fuß). Die Ergebnisse zeigten, dass die durchschnittliche F1 Ergebnis der Klassifizierung unter den vorgestellten Aktivitäten 91,4 %. Wir glauben, dass dieser Ansatz für die automatische und objektive Überwachung medikamentöser Verhaltensweisen mit einer höheren Genauigkeit als praktisches Mittel zur medikamentöser Behandlung möglicherweise nützlich sein kann.
Introduction
Laufende und objektive Überwachung der Nahrungsaufnahme ist unerlässlich für die Aufrechterhaltung der Energiebilanz im menschlichen Körper als übermäßige Energieansammlung verursachen Übergewicht und Adipositas1, mit verschiedenen medizinischen Komplikationen2führen kann. Die wichtigsten Faktoren in der Energie-Ungleichgewicht sind bekannt, übermäßige Nahrungsaufnahme und unzureichende körperliche Aktivität3. Verschiedene Studien über die Überwachung der täglichen Energieverbrauch wurden mit automatischen und objektive Messung von körperlicher Aktivitätsmuster durch tragbare Geräte4,5,6, auch bei der Endverbraucher Ebene und medizinische Stufe7. Forschung über die Kontrolle der Nahrungsaufnahme, ist jedoch noch im Labor einrichten, da es schwierig ist, die Nahrung Aufnahme Aktivität in einer direkten und objektiven Weise erkennen. Hier wollen wir eine Gerätekonstruktion und deren Bewertung für die Überwachung der Nahrungsaufnahme und körperliche Aktivitätsmuster auf praktischer Ebene im täglichen Leben zu präsentieren.
Es wurden verschiedene indirekte Ansätze zur Überwachung der Nahrungsaufnahme durch Kauen und schlucken Geräusche8,9,10, Bewegung des Handgelenks11,12,13, Bild Analyse14und Elektromyogramm (EMG)15. Diese Ansätze waren jedoch schwer zu täglichen Leben, wegen ihrer inhärenten Einschränkungen gelten: die Methoden mit Sound waren anfällig für beeinflusst werden ökologische Klang; die Methoden, die durch die Bewegung des Handgelenks waren schwierig zu unterscheiden, andere körperlichen Aktivitäten, beim Essen nicht verarbeiten; und die Methoden mit den Bildern und EMG-Signale werden durch die Begrenzung der Bewegung und Umwelt eingeschränkt. Diese Studien zeigten die Möglichkeit der automatischen Erkennung von der Nahrungsaufnahme mit Hilfe von Sensoren, sondern hatte noch eine Einschränkung der praktischen Anwendbarkeit in den Alltag über Labor-Einstellungen.
In dieser Studie verwendeten wir die Muster der Temporalis Muskel-Aktivität als eine automatische und objektive Überwachung der Nahrungsaufnahme. In der Regel wiederholt Temporalis Muskel der Kontraktion und Entspannung als Teil der physiologischen Muskel während Essen Einlass16,17; Somit kann die Lebensmittel Aufnahme Aktivität überwacht werden, durch den Nachweis der periodischen Mustern Temporalis Muskel-Aktivität. Vor kurzem gab es mehrere Studien, die unter Verwendung der Temporalis Muskel-Aktivität18,19,20,21, die die EMG oder piezoelektrische Belastung verwendet Sensor und befestigen sie direkt auf Menschen Haut. Diese Ansätze jedoch waren empfindlich auf der Haut-Standort des EMG-Elektroden oder Belastung Sensoren und leicht von der Haut durch die körperliche Bewegung oder Schweiß gelöst wurden. Daher haben wir vorgeschlagen, eine neue und effektive Methode, mit ein paar Gläser das Gefühl, dass die Temporalis Muskel-Aktivität durch zwei Wägezellen in beide Scharniere in unserem vorherigen Studie22eingefügt. Diese Methode zeigte großes Potenzial Essen Aufnahme Aktivität ohne Berührung der Haut mit einer hohen Genauigkeit zu erkennen. Es war auch nicht aufdringlich und nicht aufdringlich, da wir ein gemeinsame Brillen-Typ-Gerät verwendet.
In dieser Studie stellen wir eine Reihe von detaillierten Protokollen wie Brillen-Typ-Gerät zu implementieren und die Muster des Temporalis Muskel-Aktivität verwenden zur Überwachung der Nahrungsaufnahme und körperliche Aktivität. Die Protokolle beinhalten den Prozess der Hardware-Design und Fertigung, die aus einem 3D-gedruckten Rahmen die Gläser, ein Schaltungsmoduls und ein Datenmodul Erwerb besteht und die Softwarealgorithmen zur Datenverarbeitung und-Analyse. Wir weiterhin die Einstufung unter mehreren vorgestellten Aktivitäten (z. B.kauen, zu Fuß und einem Augenzwinkern) untersucht das Potenzial als ein praktisches System zu demonstrieren, die eine Minute die Nahrungsaufnahme und andere körperliche Aktivität unterscheiden können Muster.
Protocol
Representative Results
Discussion
In dieser Studie haben wir zunächst vorgeschlagen, die Konstruktions- und Fertigungsprozess von Gläsern, die die Muster der Nahrungsaufnahme und körperliche Aktivitäten zu spüren. Als diese Studie konzentrierte sich hauptsächlich auf die Datenanalyse, die Nahrungsaufnahme von anderen körperlichen Aktivitäten (z. B. zu Fuß und zwinkert) zu unterscheiden, das Sensor- und Erfassungssystem erforderlich, die Umsetzung der Mobilität Aufnahme. Daher das System aufgenommen, die Sensoren, die MCU mit drahtloser Kommunik…
Divulgations
The authors have nothing to disclose.
Acknowledgements
Diese Arbeit wurde unterstützt von Envisible, Inc. Diese Studie wurde auch unterstützt durch einen Zuschuss von Koreanisch Health Technology R & D Projekt, Gesundheitsministerium Wohlfahrt, Republik Korea (HI15C1027). Diese Forschung wurde auch von der National Research Foundation of Korea (NRF-2016R1A1A1A05005348) unterstützt.
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).
