Summary

설계 및 스마트 유리의 음식 섭취 량과 신체 활동 분류에 대 한 평가

Published: February 14, 2018
doi:

Summary

이 연구 설계 및 음식 섭취 량의 패턴을 감지 하는 안경 형 착용 형 장치 제조의 프로토콜을 선물 하 고 로드 셀을 사용 하 여 다른 추천된 신체적 활동 안경의 두 경첩에 삽입.

Abstract

이 연구는 디자인 하 고 음식 섭취 량 그리고 다른 신체 활동 하는 동안 temporalis 근육 활동의 패턴을 감지 하는 안경 형 착용 형 장치 제조의 프로토콜의 일련을 제공 합니다. 우리는 유리와 프레임의 두 경첩에 삽입 된 부하 셀 통합 인쇄 회로 기판 (PCB) 모듈의 3D 인쇄 프레임 조작. 힘 신호를 취득 하 고 그들을 무선으로 전송 하는 모듈 사용 되었다. 이 절차는 높은 이동성, 산책 등 waggling 실용적인 착용 조건에서 계산 될 수 있는 시스템을 제공 합니다. 분류의 성능 또한 그 신체 활동에서 음식 섭취 량의 패턴을 구분 하 여 평가 됩니다. 알고리즘의 시리즈 신호 전처리 기능 벡터를 생성 하 고 몇몇의 패턴을 인식 하는 데 사용 했다 활동 (씹는 및 윙크), 그리고 다른 신체 활동 (앉아있는 나머지, 이야기, 및 산책). 결과 평균 F1 점수 추천된 활동 중 분류의 91.4%가 나타났다. 우리는이 이렇게 자동이 고 객관적인 ingestive 문제를 치료 하는 실용적인 수단으로 높은 정확도와 ingestive 동작의 모니터링을 위한 잠재적으로 유용할 수 있습니다 믿습니다.

Introduction

음식 섭취 량의 지속적이 고 객관적인 모니터링으로 과도 한 에너지 축적 overweightness 및 비만1, 다양 한 의료 합병증2발생할 수 발생할 수 있습니다 인간의 신체의 에너지 균형을 유지 하기 위한 필수적 이다. 에너지 불균형에 주요 요인으로 과도 한 음식 섭취 및 부족 한 신체 활동3알려져 있습니다. 일일 에너지 지출을 모니터링에 대 한 다양 한 연구 에서도 착용 할 수 있는 장치4,,56, 신체 활동 패턴의 자동 및 객관적인 측정으로 도입 되어 있는 최종 소비자의 수준과 의료 단계7. 그러나 음식 섭취 량의 모니터링에 대 한 연구는, 실험실 설정, 직접적이 고 객관적인 방식으로 음식 섭취 활동을 감지 하기가 어렵습니다 때문에 아직도 이다. 여기, 우리는 장치 설계 및 음식 섭취 및 일상 생활에 실용적인 수준에서 신체 활동 패턴을 모니터링을 위한 그것의 평가 제시 하고자 합니다.

씹는 삼 키는 소리8,9,10, 손목11,,1213의 움직임을 통해 음식 섭취 량을 모니터링, 이미지를 다양 한 간접 접근 되었습니다. 분석14, 그리고 치십시오 (EMG)15. 그러나, 이러한 접근은 그들의 한계 때문에 일상 생활에 대 한 응용 프로그램에 적용 하기 어려운: 소리를 사용 하 여 방법 환경 소리;에 의해 영향을 받을에 취약 했다 손목의 움직임을 사용 하 여 방법 음식;를 소모 하지 때 다른 신체 활동에서 구별 하기 어려운 했다 그리고 이미지와 EMG 신호를 사용 하 여 방법 운동과 환경의 경계에 의해 제한 됩니다. 이러한 연구의 센서를 사용 하 여 음식 섭취 량의 자동된 감지 기능을 보여주지만 여전히 실험실 설정 외에 일상 생활에 실용적인 적용의 제한 했다.

본이 연구에서는 우리 음식 섭취 량을 자동 및 객관적인 모니터링으로 temporalis 근육 활동의 패턴을 사용. Temporalis 근육 수축과 음식 섭취 량16,17; 하는 동안 masticatory 근육의 일환으로 이완을 반복 하는 일반적으로 따라서, 음식 섭취 활동 temporalis 근육 활동의 주기적 패턴을 감지 하 여 모니터링할 수 있습니다. 최근, 여러 연구는 temporalis를 이용 하 여 근육 활동18,19,20,21, EMG 또는 압 전 긴장 사용 되었습니다 센서 및 인간에 직접 연결 피부입니다. 그러나 이러한 접근, EMG 전극 또는 스트레인 센서의 피부 위치에 민감한 되었고 실제 운동 또는 땀이 피부에서 쉽게 분리 했다. 따라서, 우리 안경의 쌍을 사용 하 여 새롭고 효과적인 방법 그런 의미는 temporalis 근육 활동 우리의 이전 연구22에서 두 관절에 삽입 하는 두 개의 로드 셀을 통해 제안 했다. 이 방법은 피부를 건드리지 않고 높은 정확도로 음식 섭취 활동을 감지의 위대한 잠재력을 보여주었다. 그것은 또한 취소 돌출 및 비-간섭, 이후 일반적인 안경 형 장치를 사용 하는 우리.

이 연구에서는 선물이 안경 형 장치를 구현 하는 방법 및 음식 섭취 량과 신체 활동 모니터링을 위한 temporalis 근육 활동의 패턴을 사용 하는 방법의 상세한 프로토콜의 시리즈. 프로토콜의 하드웨어 설계 및 3D 인쇄 프레임 안경, 회로 모듈 및 데이터 수집 모듈의 구성 된 제조 과정을 포함 하 고 데이터 처리 및 분석을 위한 소프트웨어 알고리즘을 포함. 우리는 또한 여러 추천된 활동 (예를 들어, 씹는, 산책, 그리고 윙크) 중 분류 검사 음식 섭취 량 그리고 다른 신체 활동 분 차이 말할 수 있는 실용적인 시스템으로 가능성을 입증 하 패턴입니다.

Protocol

참고: 인간을 대상의 사용을 포함 한 모든 절차는 단순히 착용 하는 안경의 한 쌍의 비-침략 적 방법에 의해 달성 되었다. 모든 데이터는 로드 셀 피부와 직접 접촉에서 되지 않은 안경에 삽입에서 힘 신호를 측정 하 여 인수 했다. 데이터, 경우에이 연구에 대 한 지정 된 smartphone 데이터 기록 모듈, 무선 전송 했다. 모든 프로토콜은 관련이 없는 비보에/생체 외에서 인간 연구. 아니 약?…

Representative Results

프로토콜에서 설명 하는 절차를 통해 우리 준비 3D 인쇄 프레임의 두 가지 버전의 머리 조각, LH (133 및 138 m m), 그리고 사원, LT (110 및 125 m m), 길이 차별화 하 여 그림 4에서처럼. 따라서, 우리는 과목 머리 크기, 모양, 등 과목 선택 사용자 연구에 대 한 그들의 머리에 맞게 프레임 중 하나에서 변화 될 수 있는 여러 가지 착용 조건…

Discussion

이 연구에서 우리는 먼저 설계 및 음식 섭취 량과 신체 활동의 패턴을 감지 하는 안경의 제조 과정을 제안 했다. 이 연구는 다른 신체 활동 (산책과 윙크)에서 음식 섭취 량을 구분 하는 데이터 분석에 주로 집중, 센서 및 데이터 수집 시스템 필요한 이동성 녹음의 구현. 따라서, 시스템 센서, 무선 통신 기능, MCU와 배터리 포함 되어있습니다. 소설과 비 접촉 방식으로 음식 섭취 량과 윙크 temporalis 근…

Divulgations

The authors have nothing to disclose.

Acknowledgements

이 작품은 Envisible, i n c.에 의해 지원 되었다 이 연구는 한국 건강 기술 R & D 프로젝트, 보건 복지, 한국 공화국 (HI15C1027)의 교부 금에 의해 또한 지원 되었다. 이 연구는 국립 연구 재단의 한국 (NRF-2016R1A1A1A05005348)에 의해 또한 지원 되었다.

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

  1. 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).
  2. 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).
  3. McCrory, P., Strauss, B., Wahlqvist, M. L. Energy balance, food intake and obesity. Exer Obes. , (1994).
  4. Albinali, F., Intille, S., Haskell, W., Rosenberger, M. . Proceedings of the 12th ACM international conference on Ubiquitous computing. , 311-320 (2010).
  5. Bonomi, A., Westerterp, K. Advances in physical activity monitoring and lifestyle interventions in obesity: a review. Int J Obes. 36 (2), 167-177 (2012).
  6. 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).
  7. Fulk, G. D., Sazonov, E. Using sensors to measure activity in people with stroke. Top Stroke Rehabil. 18 (6), 746-757 (2011).
  8. 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).
  9. Päßler, S., Fischer, W. Food intake activity detection using an artificial neural network. Biomed Tech (Berl). , (2012).
  10. 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).
  11. Kadomura, A., et al. . CHI’13 Extended Abstracts on Human Factors in Computing Systems. , 1551-1556 (2013).
  12. 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).
  13. 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).
  14. Farooq, M., Sazonov, E. . International Conference on Bioinformatics and Biomedical Engineering. , 464-472 (2017).
  15. 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).
  16. 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).
  17. Standring, S. . Gray’s anatomy: the anatomical basis of clinical practice. , (2015).
  18. Farooq, M., Sazonov, E. A novel wearable device for food intake and physical activity recognition. Sensors. 16 (7), 1067 (2016).
  19. Zhang, R., Amft, O. . Proceedings of the 2016 ACM International Symposium on Wearable Computers. , 50-52 (2016).
  20. 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).
  21. Huang, Q., Wang, W., Zhang, Q. Your Glasses Know Your Diet: Dietary Monitoring using Electromyography Sensors. IEEE Internet of Things Journal. , (2017).
  22. Chung, J., et al. A glasses-type wearable device for monitoring the patterns of food intake and facial activity. Scientific Reports. 7, 41690 (2017).
  23. Cristianini, N., Shawe-Taylor, J. . An introduction to support Vector Machines: and other kernel-based learning methods. , (2000).
  24. Giannakopoulos, T., Pikrakis, A. . Introduction to Audio Analysis: A MATLAB Approach. , (2014).
  25. Chang, C. -. C., Lin, C. -. J. LIBSVM: a library for support vector machines. ACM Trans Intell Syst Technol. 2 (3), 27 (2011).
  26. Po, J., et al. Time-frequency analysis of chewing activity in the natural environment. J Dent Res. 90 (10), 1206-1210 (2011).
  27. Ji, T. Frequency and velocity of people walking. Struct Eng. 84 (3), 36-40 (2005).
  28. Knoblauch, R., Pietrucha, M., Nitzburg, M. Field studies of pedestrian walking speed and start-up time. Transp Res Red. 1538, 27-38 (1996).

Play Video

Citer Cet Article
Chung, J., Oh, W., Baek, D., Ryu, S., Lee, W. G., Bang, H. Design and Evaluation of Smart Glasses for Food Intake and Physical Activity Classification. J. Vis. Exp. (132), e56633, doi:10.3791/56633 (2018).

View Video