Progettazione e valutazione di vetri per ingestione di cibo e la classificazione di attività fisica
Summary
Questo studio presenta un protocollo di progettazione e produzione di un dispositivo indossabile occhiali-tipo che rileva i modelli dell’ingestione di cibo e altre attività fisiche consigliati utilizzando celle di carico inserito in entrambe le cerniere dei vetri.
Abstract
Questo studio presenta una serie di protocolli di progettazione e produzione di un dispositivo indossabile occhiali-tipo che rileva i modelli di attività del muscolo di temporalis durante l’assunzione di cibo e altre attività fisiche. Abbiamo fabbricato una cornice 3D-stampato dei bicchieri e un modulo di scheda (PCB) integrata in cella circuito stampato di carico inserito in entrambe le cerniere del telaio. Il modulo è stato utilizzato per acquisire i segnali di forza e li trasmette in modalità wireless. Queste procedure forniscono il sistema con maggiore mobilità, che possono essere valutate in condizioni pratiche da portare come camminare e agitando. Una performance della classificazione viene valutata anche distinguendo i modelli dell’ingestione di cibo da quelle attività fisica. Una serie di algoritmi sono stati utilizzati per pre-elaborare i segnali, generare vettori di feature e riconoscere i modelli di diversi presenti attività (masticazione e sbattere le palpebre) e altre attività fisiche (il resto è sedentario, parlare e camminare). I risultati hanno mostrato che il Punteggio di1 media F della classificazione tra le attività consigliate era 91,4%. Crediamo che questo approccio può essere potenzialmente utile per il monitoraggio automatico e oggettiva dei comportamenti ingestive con maggiore precisione come strumento pratico per trattare problemi ingestive.
Introduction
Monitoraggio continuo e oggettivo dell’ingestione di cibo è essenziale per mantenere l’equilibrio di energia nel corpo umano, come accumulo di energia eccessiva può causare overweightness e obesità1, che potrebbe tradursi in varie complicazioni mediche2. I principali fattori lo squilibrio di energia sono noti per essere sia eccessiva ingestione di cibo e attività fisica insufficiente3. Vari studi sul monitoraggio del dispendio energetico quotidiano sono state introdotte con misura automatica e oggettiva dei modelli di attività fisica attraverso dispositivi indossabili4,5,6, anche presso il consumatore finale livello e medici fase7. Ricerca sul controllo dell’assunzione di cibo, tuttavia, è ancora nella cornice laboratorio, dal momento che è difficile da rilevare l’attività di assunzione di cibo in modo diretto e obiettivo. Qui, ci proponiamo di presentare un disegno di dispositivo e la relativa valutazione per monitorare l’assunzione di cibo e modelli di attività fisica a livello pratico nella vita quotidiana.
Ci sono stati vari approcci indiretti per monitorare l’assunzione di cibo attraverso la masticazione e deglutizione suoni8,9,10, movimento del polso11,12,13, immagine analisi14ed elettromiogramma (EMG)15. Tuttavia, questi approcci sono stati difficili da applicare per applicazioni quotidiane di vita, a causa delle loro limitazioni inerenti: i metodi utilizzando il suono erano vulnerabili ad essere influenzato dal suono ambientale; i metodi utilizzando il movimento del polso erano difficili da distinguere da altre attività fisiche, quando non consumano cibo; e i metodi utilizzando le immagini e i segnali di EMG sono limitati dal limite del movimento e ambiente. Questi studi hanno mostrato la capacità di rilevamento automatico dell’ingestione di cibo utilizzando sensori, ma avevano ancora una limitazione dell’applicabilità pratica alla vita quotidiana di là di regolazioni del laboratorio.
In questo studio, abbiamo usato i modelli di attività di muscolo di temporalis come il monitoraggio automatico e oggettiva dell’ingestione di cibo. In generale, il muscolo di temporalis ripete la contrazione e il rilassamento come parte dei muscoli masticatori durante il cibo assunzione16,17; così, l’attività di assunzione di cibo può essere monitorata rilevando i modelli periodici di attività di muscolo di temporalis. Recentemente, ci sono stati diversi studi che utilizzano i temporalis muscle attività18,19,20,21, che utilizzato il EMG o piezoelettrico ceppo sensore e collegandoli direttamente su umani pelle. Questi approcci, tuttavia, erano sensibili alla posizione della pelle di elettrodi EMG/i sensori di sforzo e furono facilmente staccati dalla pelle a causa del movimento fisico o la traspirazione. Di conseguenza, abbiamo proposto un metodo innovativo ed efficace con un paio di occhiali che senso i temporalis muscle attività mediante celle di carico due inserito in entrambe le cerniere nel nostro precedente studio22. Questo metodo ha mostrato un grande potenziale di rilevare l’attività di assunzione di cibo con una precisione senza toccare la pelle. È stato anche non invadente e non intrusiva, dato che abbiamo usato un comune dispositivo di occhiali-tipo.
In questo studio, presentiamo una serie di protocolli dettagliati di come implementare il dispositivo di occhiali-tipo e come utilizzare i modelli di attività di muscolo di temporalis per monitorare l’assunzione di cibo e attività fisica. I protocolli includono il processo di progettazione hardware e fabbricazione che consiste di un telaio 3D-stampato dei bicchieri, un modulo di circuito e un modulo di acquisizione dati e gli algoritmi software per l’elaborazione dati e analisi. Abbiamo inoltre esaminato la classificazione tra le diverse attività consigliati (ad es., da masticare, camminare e sbattere le palpebre) per dimostrare il potenziale come un pratico sistema che può raccontare una differenza minuta tra l’assunzione di cibo e altre attività fisiche modelli.
Protocol
Representative Results
Discussion
In questo studio, abbiamo proposto in primo luogo la progettazione e il processo di fabbricazione di occhiali che senso i modelli di assunzione di cibo e attività fisica. Come questo studio principalmente focalizzato sull’analisi dei dati per distinguere l’ingestione di cibo dalle altre attività fisica (come camminare e sbattere le palpebre), il sistema di acquisizione dati e sensore richiedeva l’attuazione della registrazione di mobilità. Così, il sistema incluso i sensori, il MCU con funzionalità di comunicazione …
Declarações
The authors have nothing to disclose.
Acknowledgements
Questo lavoro è stato supportato da Envisible, Inc. Questo studio è stato anche sostenuto da una sovvenzione del coreano salute tecnologia R & D Project, Ministero della salute & benessere, Repubblica di Corea (HI15C1027). Questa ricerca è stata sostenuta anche dal National Research Foundation della Corea (NRF-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).
