Conception et évaluation des lunettes actives de la prise alimentaire et de la Classification de l’activité physique
Summary
Cette étude présente un protocole de conception et de fabrication d’un dispositif portable de verres de type qui détecte les patrons de l’apport alimentaire et autres activités physiques recommandées, à l’aide de capteurs insérés dans les deux charnières des verres.
Abstract
Cette étude présente une série de protocoles de conception et de fabrication d’un dispositif portable de type lunettes qui détecte les patrons des activités musculaires temporalis pendant la prise de nourriture et d’autres activités physiques. Nous avons fabriqué un cadre 3D-imprimés de lunettes et un module de Conseil (PCB) de cellule intégrée de circuit imprimé de charge inséré dans les deux charnières du cadre. Le module a été utilisé pour acquérir les signaux de force et les transmettre sans fil. Ces procédures prévoient le système avec une plus grande mobilité, qui peut être évaluée en conditions pratiques de porter comme la marche et en agitant. Une représentation de la classification est également évaluée en distinguant les patrons de l’apport alimentaire de ces activités physiques. Une série d’algorithmes ont été utilisées pour prétraiter les signaux, générer des vecteurs de fonctionnalité et reconnaître les patrons de plusieurs vedette (mastication et un clin de œil) et autres activités physiques (reste sédentaire, parler et la marche). Les résultats ont montré que le score de1 moyenne F du classement parmi les activités recommandés était de 91,4 %. Nous croyons que cette approche peut être potentiellement utile pour la surveillance automatique et objective des comportements ingestive avec une précision plus élevée comme un moyen pratique pour traiter les problèmes.
Introduction
Un suivi continu et objective de l’apport alimentaire est essentiel au maintien de l’équilibre énergétique du corps humain, car l’accumulation d’énergie excessive peut causer des overweightness et l’obésité1, qui peut entraîner diverses complications médicales2. Les principaux facteurs dans le déséquilibre de l’énergie sont connus pour être les apport alimentaire excessif et une activité physique insuffisante,3. Diverses études sur le suivi de la dépense énergétique quotidienne ont été introduits avec mesure automatique et objective des patterns d’activité physique par le biais de dispositifs portables4,5,6, même à la consommateur final scène médicale et de niveau7. Recherche sur le suivi de la prise alimentaire, cependant, est toujours dans le cadre de laboratoire, car il est difficile de détecter l’activité de l’apport alimentaire d’une manière directe et objective. Ici, notre objectif est de présenter une conception de l’appareil et de son évaluation pour la surveillance de la consommation d’aliments et les patterns d’activité physique sur le plan pratique dans la vie quotidienne.
Il y a eu diverses approches indirectes pour surveiller la consommation alimentaire par le biais de mastication et déglutition sons8,9,10, mouvement du poignet11,12,13, image analyse14et électromyogramme (EMG)15. Cependant, ces approches ont été difficiles à appliquer aux demandes de la vie quotidienne, à cause de leurs limitations inhérentes : les méthodes en utilisant son risquaient d’être influencé par son environnement ; les méthodes utilisant le mouvement du poignet étaient difficiles à distinguer des autres activités physiques lors de la consommation non alimentaire ; et les méthodes en utilisant les images et les signaux EMG sont limités par la limite du mouvement et de l’environnement. Ces études ont montré la capacité de détection automatique de l’apport de nourriture à l’aide de capteurs, mais avaient encore une limitation de l’application pratique de la vie quotidienne au-delà des paramètres de laboratoire.
Dans cette étude, nous avons utilisé les tendances de l’activité de muscle temporalis comme le suivi automatique et objective de l’apport alimentaire. En général, le muscle temporalis répète la contraction et la relaxation dans le cadre des muscles masticateurs au cours de la nourriture prise16,17; ainsi, l’activité de l’apport alimentaire peut être surveillée en détectant les patrons périodiques de l’activité du muscle temporal. Récemment, il y a eu plusieurs études utilisant le temporalis muscle activité18,19,20,21, qui utilisaient les EMG ou un souche piézoélectrique capteur et les fixer directement sur l’homme peau. Ces approches, toutefois, étaient sensibles à l’emplacement de la peau des électrodes EMG ou capteurs de déformation et sont détachés facilement de la peau due au mouvement physique ou de la transpiration. Par conséquent, nous avons proposé une méthode nouvelle et efficace à l’aide d’une paire de lunettes ce sens les temporalis muscle activité grâce à deux capteurs insérés dans les deux charnières dans notre précédente étude22. Cette méthode a montré un grand potentiel de détection de l’activité de l’apport alimentaire avec une grande précision sans toucher la peau. C’est également non envahissant et non intrusive, puisque nous avons utilisé un dispositif commun de verres-type.
Dans cette étude, nous présentons une série de protocoles détaillés de la mise en œuvre de l’unité de verres-type et comment utiliser les modèles d’activité du muscle temporal pour la surveillance de l’apport alimentaire et l’activité physique. Les protocoles comprennent le processus de conception de matériel et de fabrication qui comprend un châssis 3D-imprimé les lunettes, un module de circuit et d’un module d’acquisition de données et comprennent les algorithmes logiciels de traitement de données et d’analyse. Nous avons par ailleurs étudié la classification parmi plusieurs activités recommandées (par exemple, à mâcher, la marche et un clin de œil) pour démontrer le potentiel comme un système pratique qui peut faire une différence minute entre l’apport alimentaire et toute autre activité physique patrons.
Protocol
Representative Results
Discussion
Dans cette étude, nous avons proposé tout d’abord la conception et la fabrication des verres qui détectent les patrons de consommation d’aliments et d’activités physiques. Comme cette étude principalement axée sur l’analyse des données de distinguer l’apport alimentaire des autres activités physiques (comme la marche et un clin de œil), le système d’acquisition de données et capteur requis la mise en œuvre de l’enregistrement de la mobilité. Ainsi, le système comprenait les capteurs, le MCU av…
Declarações
The authors have nothing to disclose.
Acknowledgements
Ce travail a été soutenu par Envisible, Inc. Cette étude a été également soutenue par une subvention de la Korean Health Technology R & D Project, ministère de la santé bien-être, République de Corée (HI15C1027). Cette recherche a été financée également par la Fondation nationale de recherche de Corée (FRO-2016R1A1A1A05005348).
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 |
Referências
- 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).
