Summary
Bu çalışmada, tasarlamak ve gıda alımı şekillerinin algılar bir gözlük-türü giyilebilir cihaz üretim bir protokol sunar ve yük hücreleri kullanarak seçme diğer fiziksel aktiviteler gözlük her iki menteşeler eklenmiş.
Abstract
Bu çalışmada, tasarlamak ve gıda alımı ve diğer fiziksel aktiviteler sırasında temporalis kas faaliyetleri şekillerinin algılar bir gözlük-türü giyilebilir cihaz üretim protokolleri bir dizi sunuyor. Biz 3D baskılı şasesi gözlük ve her iki menteşeler çerçeve içinde eklenen bir yük hücre entegre baskılı devre kartı (PCB) modülü imal edilmiştir. Modül kuvvet sinyalleri almak ve onları kablosuz olarak iletmek için kullanıldı. Bu yordamlar sisteme yürüyüş ve salladıktan gibi pratik giyen koşullarında değerlendirilmesi daha yüksek mobilite sağlayan. Sınıflandırma performansını da gıda alımı şekillerinin bu fiziksel aktivitelerden ayırt tarafından değerlendirilir. Sinyalleri önişlem, özellik vektörel çizimler oluşturmak ve birkaç kalıpları tanımak için kullanılan algoritmaları bir dizi özel (çiğneme ve göz kırpıyor) faaliyetleri ve diğer fiziksel aktiviteler (sedanter dinlenme, konuşma ve yürüme). Sonuçları ortalama F1 Puan sınıflandırma seçme aktivitelerin yanı sıra %91.4 olduğunu gösterdi. Biz bu yaklaşım otomatik ve objektif ingestive davranışlarını ingestive sorunlarını tedavi etmek için pratik araç olarak daha yüksek doğruluk ile izlemek için potansiyel olarak yararlı olabilir inanıyoruz.
Introduction
Aşırı enerji birikimi olan çeşitli tıbbi komplikasyonlar2' neden olabilir overweightness ve obezite1, neden olabilir gibi sürekli ve objektif gıda alımı izleme insan vücudundaki enerji dengesini korumak için önemlidir. Enerji dengesizliği ana faktörler aşırı gıda alımı ve yetersiz fiziksel aktivite3olduğu bilinmektedir. Günlük enerji harcama izleme çeşitli çalışmalar ile otomatik ve objektif ölçüm ile takılabilir cihazlar4,5,6, fiziksel aktivite desen bile, ortaya konan son tüketici düzey ve tıbbi sahne7. Gıda alımı izleme ancak, gıda alımı faaliyet doğrudan ve objektif bir şekilde tespit etmek zordur bu yana hala laboratuvar, ortamda araştırmadır. Burada, mevcut bir aygıt tasarım ve gıda alımı ve fiziksel aktivite desen günlük yaşamda pratik düzeyde izleme, değerlendirme hedefliyoruz.
Gıda alımı ile çiğneme ve yutma sesler8,9,10, bilek11,12,13hareketi izlemek için görüntü çeşitli dolaylı yaklaşımlar olmuştur analiz14ve electromyogram (EMG)15. Ancak, bu yaklaşımların günlük yaşam uygulamaları için doğal sınırlamaları nedeniyle uygulamak zordu: ses kullanarak yöntemler tarafından çevresel ses; etkisinde savunmasız edildi bilek hareketi kullanarak yöntemler gıda tüketen değil ne zaman diğer fiziksel aktivitelerden ayırt etmek zor; ve belgili tanımlık imge ve EMG sinyalleri kullanarak yöntemler hareketi ve çevre sınır tarafından kısıtlanır. Bu çalışmalar sensörleri kullanarak gıda alımının otomatik algılama yeteneğini gösterdi ama hala pratik uygulanabilirliği laboratuvar ayarlardan günlük yaşam için bir sınırlama vardı.
Bu çalışmada, biz temporalis kas aktivitesi şekillerinin otomatik ve objektif gıda alımı izleme olarak kullanılır. Genel olarak, temporalis kas kasılma ve gevşeme sırasında gıda alımı16,17masticatory kas bir parçası olarak yineler; Böylece, gıda alımı etkinlik temporalis kas aktivitesi periyodik şekillerinin algılayarak izlenebilir. Son zamanlarda, birçok araştırma temporalis kullanan EMG veya piezoelektrik zorlanma kullanılan etkinlik18,19,20,21, kas olmuştur sensör ve onlara doğrudan insan bağlama Cilt. Bu yaklaşımlar, ancak, EMG elektrotlar veya zorlanma sensörleri cilt konumunu hassas olduğunu ve fiziksel hareketini ve terleme nedeniyle deriden kolayca müstakil. Bu nedenle, bu anlamda temporalis etkinlik aracılığıyla bizim önceki çalışma22her iki menteşeler takılı iki yük hücreleri kas gözlük kullanarak yeni ve etkili bir yöntem önerdi. Bu yöntem deri temas etmeden yüksek bir doğruluk ile gıda alımı aktivite tespit büyük potansiyel gösterdi. Biz ortak bir gözlük-türü aygıtı kullanılan o da un rahatsızlık verici ve non-müdahaleci, vardı.
Bu çalışmada, biz mevcut bir dizi ayrıntılı protokol, gözlük-türü aygıt uygulamak ve desenler temporalis kas aktivitesinin gıda alımı ve fiziksel aktivite izlemek için kullanın. İletişim kuralları donanım tasarımı ve bir 3D baskılı çerçeve gözlük, bir devre modülü ve bir veri alma modülü oluşan üretim süreci ve veri işleme ve analiz için kullanılan yazılım algoritmaları içerir. Ayrıca birkaç seçme faaliyetleri (çiğneme, yürüyüş ve göz kırpıyorörneğin,) arasında sınıflandırma incelendiğinde potansiyel gıda alımı ve diğer fiziksel aktivite arasında bir dakika fark söyleyebilirim pratik bir sistem olarak göstermek için desenler.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Not: sadece gözlük takıyor non-invaziv bir şekilde tarafından insan denekler kullanımı da dahil olmak üzere tüm yordamları başarılı. Tüm verileri güç sinyal--dan yük hücreleri cilt ile doğrudan temas değildi gözlüklü eklenen ölçerek elde. Kablosuz olarak, ki bu durumda çalışma için belirlenmiş bir smartphone veri kayıt modülü için aktarılan veri. Tüm iletişim kuralları için in vivoilgili değil /vitro insan çalışmaları. Hiçbir ilaç ve kan örnekleri deneyler için kullanılmıştır. Aydınlatılmış onam deneyler tüm konular elde edildi.
1. bir sensör ile tümleşik devre modül imalatı
-
Elektronik bileşenleri devre modül üretimi için satın.
- Satınalma iki ball-tipi yük hücreleri, her biri 0 N ve 15 N arasında bir aralık içinde çalışır ve düşük fark voltaj 3,3 V uyarma maksimum 120 mV aralığında ile bir çıktı oluşturur.
Not: Bu yük hücreleri ölçmek için kullanılan zorla sinyalleri hem sol hem de sağ tarafında gözlük. - İki araçları amplifikatörler ve iki 15 kΩ kazanç ayarı dirençler satın alabilirsiniz.
Not: Araçları amplifikatör ve kazanç ayarı direnç yük hücresi güç sinyal sekiz kez, 960 kadar yükseltmek için kullanılan mV. - Bir mikro denetleyici birim (MCU) kablosuz özelliği (örneğin, Wi-Fi connectivity) ve bir 10-bit analog dijital dönüştürücü (ADC) ile satın alabilirsiniz.
Not: MCU kuvvet sinyalleri okumak ve onları bir veri alma modülü için kablosuz olarak iletmek için kullanılır. Bir analog giriş Pini iki analog güç girişi için kullanıldığından, bir Çoklayıcı kullanılması sonraki adımda 1.1.4 giriliyor. - İki giriş sinyalleri ile bir ADC pin MCU üzerinde işleyen bir iki kanallı analog multiplexer satın.
- Bir lityum iyon polimer (liposuction) pil 3.7 V nominal voltaj, 300 mAh nominal kapasitesi ve 1 C akıntı hızı ile satın.
Not: Pil kapasitesi yeterli akım saatte 200'den fazla mAh sağlamak için ve güvenilir için yaklaşık 1,5 saat sisteminin bir denemenin çalışması için seçildi. - Doğrusal aşağı-Yönetmeliğin 3.7 V akü voltaj 3,3 V için için 3,3 V voltaj regülatörü satın sisteminin gerilimi.
- Satınalma beş 12 kΩ yüzey modüler cihazlar (SMD) türü dirençler MCU pull-up dirençler olarak. Direnç'ın ayak izi 2.0 mm x 1.2 mm (boy 2012) olduğunu.
- Satınalma iki ball-tipi yük hücreleri, her biri 0 N ve 15 N arasında bir aralık içinde çalışır ve düşük fark voltaj 3,3 V uyarma maksimum 120 mV aralığında ile bir çıktı oluşturur.
-
Baskılı devre kartları (PCB) imal. Bu devre kartlarına çizim ve sanat (Yani, Kurulu düzen, .brd dosyası) ve (Yani, .sch dosyasını) şematik PCB imalat için yapma hakkında bir adımdır. Sanat ve şematik dosyaları oluşturma sürecinin temel bir anlayış geliştirme için gereklidir.
- Şekil 1A' gösterildiği gibi bir elektronik tasarım uygulama kullanılarak pilin içeren bir sol devre çizmeliyim. Sonucu sanat (.brd) ve şema (.sch) dosyaları kaydedin.
- Doğru bir devre içeren bir elektronik tasarım uygulama şekil 1Badımında gösterildiği gibi kullanarak MCU çizmeliyim. Sonucu sanat (.brd) ve şema (.sch) dosyaları kaydedin.
- Devre kartlarına bir PCB imalat şirketi ile sipariş yerleştirerek imal.
- Şekil 2 ve şekil 3' te gösterildiği gibi PCB 1.1. adımda hazırlanan her elektronik komponent lehim.
Dikkat: Araçları amplifikatör lehimleme sıcaklık çok hassastır. Kurşun sıcaklık 10 için 300 ° C aşmadığı emin olun s lehimleme sırasında aksi takdirde bileşeni kalıcı hasara neden.
2. gözlük çerçeve 3D baskı
- Şekil 4Aiçinde gösterildiği gibi bir 3D modelleme aracı kullanarak gözlük baş parça 3 boyutlu model çizin. Sonuç .stl dosya formatına dışa aktarın.
- Bir 3D modelleme aracı şekil 4B ve 4 c şekilgösterildiği gibi kullanarak gözlük sol ve sağ tapınakları 3D modeli çizin. Sonuçları .stl dosya formatına dışa aktarın.
- Baş parça ve tapınak parçalar bir 3D printerlere harcama maddeler ve bir karbon fiber filaman 240 ° C'de bir meme sıcaklık ve yatak sıcaklığı 80 ° C kullanarak yazdırın.
Not: Herhangi bir ticari 3D printerlere harcama maddeler ve filamentler Akrilonitril bütadien stiren (ABS) ve polylactide (PLA) gibi herhangi bir tür kullanımına izin. Meme ve yatak sıcaklığı filament ve yazdırma koşulları göre ayarlanabilir. - 180 ° C ayarının bir sıcak hava üfleyici kullanarak tapınaklar ipuçları ısı ve onları epidermis temporalis kas geleneksel gözlük gibi başvurma içe yaklaşık 15 derece bükün.
Not: gözlük Tapınağı bükme derecesi bir form faktörü donatılmış bir kişinin kafasına uygun gözlük yardımcı olarak artırmak için eğrilik amacı olduğu gibi titiz olmak gerekmez. Ancak, dikkatli aşırı bükme tapınaklar önemli kalıpları toplamak olanaksız kılıyor temporalis kas dokunmaktan engeller gibi. - Şekil 4' te gösterildiği gibi birden fazla baş boyutlarına uyum sağlayacak şekilde gözlük çerçevesinin iki farklı boyutta yazdırmak için adım 2.1-2.4 adımları yineleyin.
3. tüm parçaları gözlük Meclisi
- Şekil 5' te gösterildiği gibi M2 civata kullanarak gözlük tapınakları her iki tarafında PCB yerleştirin.
- Baş parça ve tapınaklar M2 civata menteşe eklem içine ekleyerek bir araya getirin.
- Sol ve sağ PCB şekil 5' te gösterildiği gibi 3 pinli bağlantı kablo kullanarak bağlayın.
- Pil sol devre bağlanmak ve sol tapınağa bir yapışkan bant ile bağlamak. Beri PCB tasarımına bağlı olarak değişebilir batarya montaj tarafında çok önemli değildir.
- Gözlük ucu ve burun panelindeki şekil 5' te gösterildiği gibi daha fazla sürtünme insan derisi ile eklemek için lastik bantlar ile kapak.
4. veri toplama sisteminin geliştirilmesi
Not: Veri koordinat belirleme sistemi verici modül ve veri alma modülü bir veri oluşur. Veri aktarma modülü zaman okur ve kuvvet her iki sinyalleri ve sonra alınan verileri toplar ve bunları .tsv için yazar veri alan modüle gönderir.
-
MCU için uygulama adımları 4.1.1–4.1.3 prosedürleri aşağıdaki PCB modülünün verici verileri karşıya.
- Bir bilgisayar kullanarak ek dosyalarına bağlı "GlasSense_Server" projeyi çalıştırın.
Not: Bu proje Arduino entegre geliştirme ortamı (IDE) ile inşa edilmiştir. Zaman okumak ve 200 örnekleri/s ile sinyal güç ve onları veri alıcı modülü iletimi için yeteneği sağlar. - PCB modülü bir evrensel seri veri yolu (USB) bağlayıcı üzerinden bilgisayara bağlayın.
- Adım 4.1.1 MCU içine programlama kodları flash için Arduino IDE üzerinde "Upload" butonuna basın.
- Bir bilgisayar kullanarak ek dosyalarına bağlı "GlasSense_Server" projeyi çalıştırın.
-
Kablosuz veri almak için kullanılır, bir smartphone veri alan uygulamaya adımları 4.2.1–4.2.3 konusundaki yordamları izleyerek yükleyin.
- Bir bilgisayar kullanarak ek dosyalarına bağlı "GlasSense_Client" projeyi çalıştırın.
Not: Bu proje ile C# programlama dili yaptırılmıştır. Veri alma ve ad, cinsiyet, yaş ve vücut kitle indeksi (VKİ) gibi bir konuyu bilgiler içeren .tsv dosyaları kaydetme olanağı sağlar. - Belgili tanımlık smartphone veri alma uygulaması oluşturmak için bir USB bağlantısı ile bilgisayarınıza bağlayın.
- C# projesindeki smartphone veri alan uygulamaya oluşturmak için "Dosya > inşa & Çalıştır" düğmesine basın.
- Bir bilgisayar kullanarak ek dosyalarına bağlı "GlasSense_Client" projeyi çalıştırın.
5. veri toplama bir kullanıcı çalışma
Not: Bu çalışmada altı seçme etkinliği kümeleri toplanan: yerleşik kalan (SR), sedanter çiğneme (SC), (W) yürüyüş, (CW) yürürken çiğneme, sedanter konuşan (ST) ve sedanter wink (SW).
- Test edilecek kullanıcıya uygun bir boyut olan gözlük seçin. Her iki menteşeler (şekil 5), destek cıvata ile gerginlik ince ayar yapın.
Dikkat: Bu çalışmada kullanılan kuvvet sensörleri çalışma aralığı ötesinde iyi doğrusal karakteristik kaybedebilirsiniz beri 15 N, kuvvet değerleri aşmamalıdır. Kuvvet değerleri gevşeterek tarafından ince ayar veya destek sıkma cıvata. -
Kayıt faaliyetleri üzerinde uygulama "Kaydet" düğmesine basarak tüm konuların adım 4.2.3 inşa.
- 120-s blok sırasında etkinlik kaydetmek ve bu, bir kayıt dosyası oluşturma.
- SR, söz konusu olduğunda konu bir sandalyede oturup onları bir smartphone kullanın veya bir kitap okumak. Hareketi baş izin, ancak tüm vücut hareketi önlemek.
- SC ve CW durumlarında, yemek yiyecek doku (ekmek ve çiğneme jöle) farklı gıda özelliklerini yansıtmak için iki tür konulara sahip. Kızarmış ekmek yemek için iyi bir boyut ve 20 mm x 20 mm, dilimler halinde hizmet.
- W söz konusu olduğunda, bir koşu bandı üzerinde 4.5 km/s hızda yürümek konulara sahip.
- ST, söz konusu olduğunda konular otur ve onları bir kitabı yüksek sesle normal sesi ve hız okudum.
- SW söz konusu olduğunda, bir zil sesi 0,5 zamanlama üzerinde wink konularının bilgilendirmek s uzun her 3 s.
- 5.2.1. adımda toplanan verilerden .tsv biçiminde bir kayıt dosyası oluşturun.
Not: Bu dosya ne zaman veri alınan zaman bir dizi, bir sol güç sinyal, doğru kuvvet sinyal ve geçerli yüz faaliyet gösteren bir etiket içerir. Bir kullanıcı bir blok tüm faaliyetlerin zamansal sinyalleri görsel şekil 6' tasvir. Altı seçme etkinliği setleri (SR, SC, W, CW, ST ve SW) sırasıyla 1, 2, 3, 4, 5 ve 6, etiketli. Etiketleri Bölüm 8 Protokolü'nün tahmin edilen sınıflarda karşılaştırmak için kullanılmıştır. - Kayıt bloğundan sonra 60 s ara. Gözlükleri çıkar sırasında ara verip kayıt blok yeniden başlatıldığında onları tekrar yeniden giymek.
- Adım 5.2.1 ve 5.2.2 blok ve ara kümesi her faaliyet için dört kez tekrarlayın.
- SW söz konusu olduğunda, tekrar tekrar sırasında bir blok ile sol göz kırpmak ve tekrar tekrar ileri sokağın sırasında sağ gözü ile göz kırp konu var.
- 120-s blok sırasında etkinlik kaydetmek ve bu, bir kayıt dosyası oluşturma.
- 5.1-5,2 adımları yineleyin ve 10 konular veri toplayabilir. Bu çalışmada, kullandığımız beş ve beş erkek, ortalama yaş oldu 27,9 ± 4.3 (Standart sapma; s.d.) yıl, hangi 19-33 yıl arasında değişiyordu ve ortalama BMI yapıldı 21,6 ± (SD) 3.2 kg/m217,9-27,4 kg/m2de değişiyordu,.
Not: Bu çalışmada, gıda, çiğnemek için herhangi bir tıbbi durumlar yoktu konular wink ve yürüyüş işe ve bu durum için katılım kriterleri kullanıldı.
6. sinyal ön işleme ve segmentasyon
Not: Sol ve sağ sinyalleri aşağıdaki yordamlarda da ayrı ayrı hesaplanır.
-
2 geçici kare bir dizi hazırlamak uzun s.
- Segment 120 s sinyalleri 2 s kare bir dizi içine MATLAB şekil 6' da gösterildiği gibi kullanarak 1-s aralıklarla atlamalı tarafından kaydedildi.
Not: 2 parçalı çerçeveler uzun s bölümünde 7 özellik ayıklamak için kullanılmıştır. 1 s atlamalı alan sinyalleri zaten 5.2.1 adımda belirtilen 3 s wink aralığa göre bölmek için tespit edilmiştir. - Her çerçeve için 10 Hz bir kesme frekansı ile 5inci sırada Butterworth filtre kullanarak bir alçak geçiren Filtre (LPF) uygulanır.
- 7.1. adımda sonraki adımlar için geçici çerçeveler olarak adım 6.1.2 sonuçlarını kaydedin.
- Segment 120 s sinyalleri 2 s kare bir dizi içine MATLAB şekil 6' da gösterildiği gibi kullanarak 1-s aralıklarla atlamalı tarafından kaydedildi.
-
Spektral kare bir dizi hazır olun.
- Gözlük takan preload kaldırmak için özgün sinyalleri her çerçevenin orta çıkarma.
Not: Önceden yüklemesi değeri aşağıdaki frekans analizi için gerekli değildir, bu olabilir, ancak, çiğneme, yürüme, wink, vb hakkında herhangi bir bilgi içermez bu yana gelen konu tabi gelen değişebilir önemli bilgiler de içerebilir Her gözlük ve hatta andan itibaren bir konu ayarlama gözlük takıyor. - Bir Hanning pencere frekans analizi spektral bir kaçağı azaltmak için her çerçeve için geçerlidir.
- Üretmek ve her çerçeve için bir Hızlı Fourier dönüşümü (FFT) uygulayarak tek taraflı bir spektrum kaydedin.
- Gözlük takan preload kaldırmak için özgün sinyalleri her çerçevenin orta çıkarma.
- Zamansal bir ve aynı zamanda bir kare blok olarak bir tayf çerçeve (veya sadece bir çerçeve) tanımlayın.
7. nesil özelliği vektörel çizimler
Not: Bir özelliği vektör çerçeve Protokolü bölümünde 6 üretilen başına oluşturulur. Sol ve sağ çerçeve ayrı ayrı hesaplanır ve aşağıdaki yordamları özelliği vektörde birleştirilecektir. Tüm yordamları MATLAB'de uygulanan edildi.
- İstatistiksel özellikleri iletişim kuralının adım 6.1 zamansal bir çerçevede ayıklayın. Toplam dizi 54 özellik listesi Tablo 1' de verilmiştir.
- Adım 6.2 iletişim kuralının spektral çerçevede istatistiksel özellikleri ayıklamak. Toplam dizi 30 özellik listesi Tablo 2' de verilmiştir.
- Bir 84-boyutlu özellik vektör zamansal ve spektral özellikleri yukarıdaki birleştirerek oluşturmak.
- Adım 5.2 Protokolü'nün kayıtları oluşturulan özelliği vektörlerinden etiketleyin.
- Tüm çerçeve blokları için 7.1-7,4 adımlardan adımları yineleyin ve bir dizi özellik vektörel çizimler oluşturmak.
8. sınıf etkinliklerine sınıflandırılması
Not: Verilen sorunu (Yani, özellik vektörel çizimler) en iyi doğruluk gösteren parametreleri belirleyerek bir destek vektör makine (SVM)23 Sınıflandırıcısı modelini seçin Bu adımdır. SVM tekniği, genelleme ve sınıflar ile çekirdek işlevi arasında en yüksek bir marj kullanarak sağlamlık mükemmel performans gösteren öğrenme iyi bilinen denetimli bir makinedir. Biz bir-arama ve çapraz doğrulama yöntemi bir ceza parametre C ve bir çekirdek tanımlamak için kullanılan parametre γ Radyal temel işlevi (RBF) çekirdek. Öğrenme teknikleri ve SVM makine en az bir anlayış aşağıdaki yordamları gerçekleştirmek için gereklidir. Bazı başvuru malzemeleri23,24,25 öğrenme teknikleri ve SVM algoritması makine daha iyi anlamak için tavsiye edilir. Bu bölümdeki yordamlar LibSVM25 yazılım paketi kullanarak uygulanan edildi.
- (C, γ) çift oluşan bir kılavuz için kılavuz arama tanımlayın. C dizisi katlanarak büyüyen kullanımı (2-10, 2-5,..., 230) ve γ (2-30, 2-25,..., 210).
Not: Bu dizilere buluşsal olarak belirlenmiştir. - (C, γ) bir çift tanımla (örneğin, (2-10, 2-30)).
-
Adım 8.2 tanımlanmış kılavuz, 10 kat çapraz doğrulama düzeni gerçekleştirmek.
Not: Bu düzen tüm özellik vektörel çizimler 10-bölüm alt kümeleri böler, sonra diğer alt kümeleri tarafından eğitilmiş Sınıflandırıcısı modelinden bir alt test ve tüm alt kümeleri üzerinde tekrar tek tek. Bu nedenle, her özellik vektörel çizimler ardışık olarak test edilebilir.- Tüm özellik vektörel çizimler 10-bölüm alt kümeleri bölmek.
- Bir alt ve bir eğitim kalan 9 alt kümeleri ayarlamak sınama kümesi tanımlar.
- Özellik vektörel çizimler aralığına tüm unsurları ölçekler bir ölçek vektörü tanımlamak [0, 1] eğitim kümesi için.
Not: Ölçek vektörü özelliği vektör ile aynı boyuta sahiptir. Bu oluşan tüm özellik vektörel çizimler aynı satır (veya sütun) ölçekler bir küme çarpanları aralığına [0, 1]. Örneğin, bir özellik vektörünün ilk uzun metraj doğrusal dizi için ölçeklenir [0, 1] eğitim özelliği vektörel çizimler bütün ilk özellikleri için. Sınama kümesi bilinmeyen olarak kabul çünkü ölçek vektörü eğitim kümesi tanımlanır unutmayın. Bu adımı eşit Aralık şekil verme ve hesaplama sırasında sayısal hata kaçınarak tarafından sınıflandırma doğruluğu artırır. - Her özellik için aralığını ayarlamak eğitim ölçek [0, 1] ölçek vektörü kullanılarak elde adım 8.2.3.
- Her özellik için aralığı ayarla test ölçek [0, 1] ölçek vektörü kullanılarak elde adım 8.2.3.
- Eğitim kümesi aracılığıyla SVM (C, γ) tanımlanmış çifti adım 8.2 ile tren ve bir Sınıflandırıcısı model oluşturmak.
- Sınama kümesi aracılığıyla SVM (C, γ) tanımlanmış çifti ile adım 8.2 sınama ve Sınıflandırıcısı modeli eğitim prosedürü elde.
- Bir sınıflandırma doğruluğu sınama kümesi üzerinde hesaplama. Doğruluğu özelliği doğru olarak sınıflandırılır vektörel çizimler yüzdesi hesaplanmıştır.
- Adımları 8.2.2–8.2.8 tüm alt kümeleri için yineleyin ve tüm alt kümeleri ortalama doğruluğunu hesaplamak.
- (C, γ) tüm ızgara noktalarını bir çift için 8.2-8.3.9 adımları yineleyin.
- Kılavuzun en yüksek doğruluk yerel maksimum bulmak. Bölüm 8 tüm yordamları Şekil 7' de gösterilmiştir.
- (İsteğe bağlı) Adım kılavuz kaba olduğu düşünülürse, yerel maksimum yakınındaki ince bir kılavuzda 8.1-8,5 adımları 8.5. adımda bulunan ve yeni yerel en ince ızgara çok bulmak tekrarlayın.
- Hesaplama duyarlığı, hatırlama ve F1 puan üzerinden aşağıdaki denklemler faaliyetlerin her sınıfın:
Denklem 1
Denklem 2
Denklem 3
nerede TP, FP ve FN gerçek pozitif, yanlış pozitif ve yanlış negatif her etkinlik için sırasıyla temsil eder. Tüm faaliyetlerin karışıklık matris Tablo 3' te verilmiştir.
Denklem 1
Denklem 2
Denklem 3Subscription Required. Please recommend JoVE to your librarian.
Representative Results
İletişim kuralında belirtilen işlemleri yoluyla iki yorum-in 3D yazdırılan çerçeve baş parça, LH (133 ve 138 mm) ve tapınaklar, LT (110 ve 125 mm), uzunluğu ayırt tarafından şekil 4' te gösterildiği gibi hazırladık. Bu nedenle, çeşitli konularda kafa büyüklüğü, şekli, vb konularda bir kullanıcı çalışma için kafasına uyacak çerçeve açmadı olabilir birkaç giyen koşulları kapağı olabilir. Böylece güçlendirilmiş kuvvet 15 N, yük hücresi doğrusal çalışma aralığı fazla olamaz dikey mesafe, Lh, menteşe eklem ve destek cıvata için delik arasında 7.5 mm için ayarlandı. Son olarak, baş parça donatılmış her iki destek cıvata aktarılan bükme an karşı bir Kalınlık tH, olmalıdır. Sezgisel bir yaklaşım karbon fiber malzeme kullanımı ile 6 mm olmakH t seçtik. Temas noktaları gözlük gerginlik şekil 5' te gösterildiği gibi ince ayar yapmak için destek civatalar üzerinden ayarlanabilir.
Tablo 3 etkinlik kümeleri için sınıflandırma temsilcisi sonuçlarını gösterir. Ortalama F1 puanı %80,5 sonuçlandı. Tek bir puan olarak görülürse, performans bizim önceki çalışma22sonuca göre nispeten bozulmuş gibi görünebilir. Biz, ancak, sonuçlar her faaliyet arasında karşılaştırarak önemli bilgiler ayıklayabilirsiniz. SR nispeten iyi SC, CW ve SW, ancak W ve ST seçkin. Her iki çiğneme faaliyetleri, SC ve CW, birbirinden ayırt etmek zor. Öte yandan, hem çiğneme aktiviteleri kolayca SR, W, ST ve SW, diğer fiziksel aktiviteler temsil ayrılır ki görülebilmektedir. SW söz konusu olduğunda, wink etkinlik biraz diğer etkinlikler misclassified için ortaya çıktı.
Tablo 3sonuçlarından, ayrıntılı sınıflandırma ayrıntılarını gözlemleyebilirsiniz. İlk olarak, iki çiğneme aktivitesi, SC ve CW, diğer faaliyetlerden açıkça ayırt edici. Bunlar arasında bu çalışmanın temel amacı olan gıda alımı etkinlik sistemimizi kullanarak kolayca ayrılabilir etkin fiziksel aktivite, yürüyüş gibi olabilir bir olasılık yürüyen aktivitesindeki ayrım öneriyor. Şekil 6' da gösterildiği gibi temporalis kas etkinliğinden aktif çiğneme ve wink sinyalleri bu temporalis kas aktivitesi tarafından etkinleştirilmemesini önemli ölçüde farklı doğrulanabilir. Öte yandan, iki çiğneme faaliyetler arasındaki farkı nispeten yüksek misclassifications gösterdi. Onlar her iki hassasiyet düşürücü baskın bir rol oynadı ve geri çağırmak-in çiğneme faaliyetleri.
Algılama çiğneme açısından, SR, W ve ST günlük yaşamda istenmeyen gürültü olarak kabul edilebilir. Ayrıca temporalis kas etkinliğinden de aktif olduğu wink etkinlik, öte yandan, anlamlı ölçü kabul edilebilir. Yukarıdaki dayanarak, iki çiğneme aktivitesi bir çiğneme aktivitesi (CH) birbirine bağlanmış ve diğer etkinlikler wink dışında bir fiziksel aktivite (PA) gruplandırılmış. Tablo 4 gösterir sınıflandırma sonuçları bu faaliyetleri: (CH) çiğneme, fiziksel aktivite (PA) ve sedanter wink (SW). Daha dikkat çekici sonuçlarından bulabiliriz. Sistem tarafından diğer fiziksel aktiviteler etkilenmeden gıda alımı algılamak için sağlam olup olmadığı hakkında bilgi ve tahmin. Ayrıca, bu da gıda alımı wink gibi diğer yüz etkinlikleri ayırmak mümkün olup olmadığını gösterir. Sonuçlar çiğneme etkinlik diğer faaliyetlerden de ayırt edici bir yüksek F1 Puan %93.4 tarafından olabilir gösterir. Wink söz konusu olduğunda, geri çekme (%85,5) biraz diğer faaliyetleri daha düşük. Bu wink toplanan verilerin kalitesini tam olarak zamanda 3 s aralıklarla wink için kullanıcıların olduğu gibi düşük olma olasılığı anlamına gelir. Aslında, kullanıcılar wink ya da zaman zaman kullanıcı çalışma sırasında kaymıştır gözlük cevapsız gözlendi.
Yukarıdan daha anlamlı sonuçlar elde etmek için gruplandırılmış ve yenilerini etkinliklerine yeniden tanımlanmış. İki çiğneme aktivitesi, SC ve CW, bir faaliyet içine gruplandırılmış ve çiğneme olarak tanımlanmış. SR, W ve ST, misclassification kendi aralarında büyük bir ölçüde vardı, aynı zamanda fiziksel aktivite tanımlanan bir faaliyet içine gruplandırılmış. Sonuç olarak, biz (CH) çiğneme, fiziksel aktivite (PA) ve sedanter wink (SW), Tablo 4' te gösterildiği gibi özellikli etkinliklerle gerçekleştirilen yeniden sınıflandırma yeni temsilcisi sonuçlar elde. Sonuçlar bu %91.4 bir ortalama F1 puanı yüksek tahmin puanı gösterdi.
Şekil 1: sol ve sağ devreleri şematik diyagramların. (A)sol devre şematik diyagramların. Sol ve sağ devre güç kaynağı için bir pil içerir. 3.3 V voltaj regülatörü bypass kondansatör ile istikrarlı bir sisteme voltaji sağlamak için sağlandı. Burada sunulan yük hücreleri sağ devre devre (B) şematik diyagramların her iki tarafın yerleştirildi. Wi-Fi yeteneklilik ile mikro denetleyici birlik (MCU) içerir. İki kanallı çoğullayıcı bir analog dijital dönüştürücü (ADC) MCU ile her iki taraftan iki kuvvet sinyal işlemeye sağlandı. Evrensel zaman uyumsuz alıcı/verici (UART) bağlayıcı MCU flash için kullanıldı. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.
Şekil 2: sol ve sağ devreleri PCB sanat. (A) sol bir sanat eseri PCB. Tüm elektronik bileşenler gerçek ölçümlerin gösterileceği mm. (B) PCB hakkının bir sanat eseri olarak görüntülenir. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.
Şekil 3: tüm bileşenleri ile lehim PCB temsilcisi sonuçlarını. (A) sol devre modülü. Yük hücresi kurulu entegre edildi. Pil için 2 pinli konektör ve bir 3 pinli konektör doğru panosuna bağlanmak içerir. (B) doğru devre modülü. Yük hücresi de kurulu entegre edildi. Bir 4 pinli konektör modu MCU ve 3 pinli konektör sol devre bağlanmak için yanıp sönen için içerir. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.
Şekil 4: 3D modeli tasarımı gözlük çerçevesinin. (A) baş tasarımını parça. Üst şekil açık bir görünümü gösterir ve alt şekil baş parça üst bir görünümünü gösterir. Baş parça, LH, konuların çeşitli kafa büyüklüğü kapsayacak bir tasarım parametre uzunluğudur. Biz 3D baş parça iki sürümü ayırt tarafından basılmış. Baş parça, tH, kalınlığı sezgisel tarafından tanımlanmıştır. Menteşe ortak ve destek cıvata, Lh, için bir delik arasındaki mesafe elde edilen Mekanik büyütme faktörü ayarlandı. (B) tasarım tapınaklar. Üst şekil sol tapınak gösterir ve doğru tapınağın alt resimde görülmektedir. Şekil 3 ' te PCB yuvalarına yerleştirildi ve bir pil pil sahibine takıldı. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.
Şekil 5: temsilcisi bir sonuç thePCB entegre gözlük. PCB cıvata ile yuva içine yerleştirildi. Burun yastıkları ve tapınaklar ipuçları cilt ile sürtünme eklemek için lastik bantlar tarafından kaplıydı. Gözlük donatılmıştır, yük hücreleri destek cıvata her iki tarafından basılı. Gözlük gerginlik gevşeterek tarafından ince ayar veya destek sıkma cıvata. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.
Şekil 6: tüm faaliyetler için bir kullanıcı bir kayıt blok zamansal sinyalleri. Y ekseni kayıt blok, medyan tarafından bir görselleştirme amaçla düşülen ölçülen gücü temsil eder. Çiğneme faaliyetlerinin en yüksek genlikleri diğer faaliyetleri büyüktür. Sol ve sağ sinyalleri wink faaliyet tersine çevrilir. Rakam sol wink bir örneği gösterilir. 2 bir s çerçevesi özelliği vektör 1 s aralığında sinyalleri atlamalı tarafından belirlemek için kullanılmıştır. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.
Şekil 7: çeşitli çiftleri (c, γ) aracılığıyla yerel maksimum doğruluk bulma temsilcisi sonuçları. (A) A çapraz doğrulanmış doğruluğu Tablo 3' te tanımlanan tüm faaliyetlerin dağılımı arsa. Her eksen üssel artırır ve Aralık buluşsal olarak seçilmiştir. Yerel maksimum doğruluk %80.4 oluştu (C, γ) = (25, 20). (B) A çapraz doğrulanmış doğruluğu Tablo4 yeniden tanımlanmış faaliyetlerin dağılımı arsa. %92,3 maksimum doğruluğunu oluştu (C, γ) = (25, 20) ve(a)sonucu çok doğruydu. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.
| No | Özellik açıklaması | No | Özellik açıklaması | ||
| 1 | Standart sapma L | 28 | Skenwness R | ||
| 2 | Standart sapma R | 29 | Basıklık L | ||
| 3 | L varyasyon katsayısı | 30 | Basıklık R | ||
| 4 | Varyasyon R katsayısı | 31 | Otokorelasyon işlevi katsayıları L | ||
| 5 | Sıfır geçiş oranı L | 32 | Otokorelasyon işlevi katsayıları R | ||
| 6 | Sıfır geçiş oranı R | 33 | Sinyal enerji L | ||
| 7 | 20 yüzde birlik L | 34 | Sinyal enerji R | ||
| 8 | 20 yüzde birlik R | 35 | Günlük sinyal enerji L | ||
| 9 | 50inci yüzdebirlik L | 36 | Günlük sinyal enerji R | ||
| 10 | 50inci yüzdebirlik R | 37 | Entropi enerji L | ||
| 11 | 80 yüzdebirlik L | 38 | Entropi enerji R | ||
| 12 | 80 yüzdebirlik R | 39 | Pik pik genlik L | ||
| 13 | İnterquartile aralığı L | 40 | Pik pik genlik R | ||
| 14 | İnterquartile aralığı R | 41 | Tepeler L sayısı | ||
| 15 | 20 yüzde birlik L kare toplamı | 42 | Tepeler R sayısı | ||
| 16 | 20 yüzde birlik R kare toplamı | 43 | Ben dorukları arasında geçen süre demek | ||
| 17 | 50inci yüzdebirlik L kare toplamı | 44 | Tepeler R arasındaki süre demek | ||
| 18 | 50inci yüzdebirlik R kare toplamı | 45 | Std. doruklarına L arasındaki süre | ||
| 19 | 80 yüzdebirlik L kare toplamı | 46 | Std. doruklarına R arasındaki süre | ||
| 20 | 80 yüzdebirlik R kare toplamı | 47 | Tahmin oranı L | ||
| 21 | dönüştüm dağıtım L 1 depo gözü | 48 | Tahmin oranı R | ||
| 22 | dönüştüm dağıtım R 1 depo gözü | 49 | Harmonik oranı L | ||
| 23 | 2 bin dönüştüm dağıtım L | 50 | Harmonik oranı R | ||
| 24 | 2 bin dönüştüm dağıtım R | 51 | Temel frekans L | ||
| 25 | 3 bin dönüştüm dağıtım L | 52 | Temel frekans R | ||
| 26 | 3 bin dönüştüm dağıtım R | 53 | Korelasyon katsayısı L ve R | ||
| 27 | Skenwness L | 54 | Sigmal büyüklüğü alan L ve R | ||
Tablo 1: çıkarılan istatistiksel özellikleri zamansal bir çerçevenin. Toplam 54 özellikleri ayıklanır. Sol ve sağ sinyalleri ayrı ayrı hesaplanan korelasyon özellikleri dışındaki 53 ve 54.
| No | Özellik açıklaması | No | Özellik açıklaması | ||
| 1 | Spektral enerji L | 16 | Spektral yayılmış R | ||
| 2 | Spektral enerji R | 17 | Spektral entropi L | ||
| 3 | Spektral bölge 1 enerji L | 18 | Spektral entropi R | ||
| 4 | Spektral bölge 1 enerji R | 19 | L enerjinin tayf entropi | ||
| 5 | Spektral Bölge 2 enerji L | 20 | Enerji R spektral entropi | ||
| 6 | Spektral Bölge 2 enerji R | 21 | Spektral akı L | ||
| 7 | Spektral bölge 3 enerji L | 22 | Spektral akı R | ||
| 8 | Spektral bölge 3 enerji R | 23 | Spektral rolloff L | ||
| 9 | Spektral enerji L 4. bölge | 24 | Spektral rolloff R | ||
| 10 | Spektral enerji R 4. bölge | 25 | En yüksek spektral kret L | ||
| 11 | Spektral bölge 5 enerji L | 26 | En yüksek spektral kret R | ||
| 12 | Spektral bölge 5 enerji R | 27 | Spektral çarpıklık L | ||
| 13 | Spektral centroid L | 28 | Spektral çarpıklık R | ||
| 14 | Spektral centroid R | 29 | Spektral basıklık L | ||
| 15 | Spektral yayılmış L | 30 | Spektral basıklık R | ||
Tablo 2: çıkarılan tayf çerçeve istatistiksel özellikleri. Toplam 30 özellikleri ayıklanır. Sol ve sağ sinyalleri ayrı ayrı hesaplanır. Tablo 1 ve Tablo 2özellikleri, özellik vektör Toplam 84 özelliklerinden oluşur.
| Tahmin etkinlik |
Gerçek faaliyet | Toplam | Hassas | |||||
| bir SR | b SC | c W | d CW | e ST | f SW | |||
| SR | 1222 | 18 | 79 | 6 | 168 | 75 | 1568 | %77.9 |
| SC | 10 | 1268 | 17 | 159 | 46 | 15 | 1515 | %83.7 |
| W | 55 | 19 | 1212 | 32 | 144 | 20 | 1482 | %81.8 |
| CW | 3 | 158 | 34 | 1327 | 28 | 12 | 1562 | %85.0 |
| ST | 192 | 75 | 185 | 19 | 1117 | 55 | 1643 | %68.0 |
| SW | 78 | 22 | 33 | 17 | 57 | 1383 | 1590 | %87.0 |
| Toplam | 1560 | 1560 | 1560 | 1560 | 1560 | 1560 | 9360 | |
| Geri çekme | %78.3 | %81,3 | %77,7 | %85.1 | %71,6 | %88.7 | %80.4 | |
| F1 Puan | %78.1 | %82,5 | %79.7 | %85.0 | %69.7 | %87.8 | ||
| F1 Puan ortalaması | %80,5 | |||||||
Tablo 3: Karışıklık matris tüm faaliyetlerin ne zaman (C, γ) = (25, 20) içinde şekil 7A. Bu matris tüm faaliyetler için tüm tahmin sonuçlar gösterir: birSR: sedanter dinlenme, bSC: sedanter çiğneme, cW: yürüme, dCW: yürürken, eST çiğneme: sedanter söz, fSW: sedanter wink.
| Tahmin etkinlik |
Gerçek faaliyet | Toplam | Hassas | ||
| bir C | b PA | c SW | |||
| C | 2898 | 162 | 26 | 3086 | %93,9 |
| PA | 201 | 4404 | 200 | 4805 | %91,7 |
| SW | 21 | 114 | 1334 | 1469 | %90.8 |
| Toplam | 3120 | 4680 | 1560 | 9360 | |
| Geri çekme | %92,9 | %94.1 | %85,5 | %92,3 | |
| F1 Puan | %93.4 | %92,9 | %88.1 | ||
| F1 Puan ortalaması | %91.4 | ||||
Tablo 4: Karışıklık matris yeniden tanımlanmış faaliyetlerin ne zaman (C, γ) = (25, 20) içinde şekil 7B. Bu matris tüm yeniden tanımlanan faaliyetler için tüm tahmin sonuçlar gösterir: birCH: çiğneme, bPA: fiziksel aktivite, cSW: sedanter wink.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Bu çalışmada, ilk tasarım ve üretim sürecini gıda alımı ve fiziksel aktivite alışkanlıkları anlamda gözlük önerdi. Bu çalışma olarak ağırlıklı olarak gıda alımı (yürüyüş ve göz kırpıyor gibi) diğer fiziksel aktiviteler ayırmak için veri analizi üzerinde duruldu, sensör ve veri toplama sistemi hareketlilik kayıt uygulanması gerekli. Böylece sistem sensörler, kablosuz iletişim yeteneği ile MCU ve pil dahil. Bir roman ve bir temassız şekilde temporalis kas aktivitesi nedeniyle gıda alımı ve wink şekillerinin ölçmek için pratik şekilde düşünülmüş bir protokol sağlanan: araçlar ve metodolojileri kolayca herhangi olmadan günlük yaşamda gıda alımı algılamak için hantal ekipman anlattı.
Gözlük üretim yordamı için önemli hususlar vardır. Tapınak parçalar adım şekil 4B ve 4 c şekilgösterildiği gibi 1.2 fabrikasyon PCB modülleri entegre için tasarlanmış olması. Böylece bir destek cıvata bir destek plaka baş parça şekil 5menteşe bölümünün üst bölümünde gösterildiği gibi donatılmış tarafından basıldığında yük hücresi yer almalıdır. 2.4. adımda gözlük Tapınağı bükme derecesi gözlük bir kişinin kafasına daha iyi uyum için bir form faktörü artırmak için eğrilik amacı olduğu gibi titiz, olması gerekli değil. Ancak, dikkatli aşırı bükme tapınaklar önemli kalıpları toplamak imkansız hale temporalis kas dokunmaktan engeller gibi.
Farklı baş boyut ve şekillerde konuların yansıtan güvenilir veri elde etmek için iki yorum-in belgili tanımlık gözlük baş parça ve tapınaklar uzunluğu değişen tarafından temin edilmiştir. Buna ek olarak, giyim-yetenek ince ayar yapmak için destek volt kullanarak, gözlük gerginlik ayarlamak. Böylece, çeşitli gözlüklerle, konular, veri toplanan ve giyen koşulları içi ve arası individual değişkenliği ve farklı form faktörleri yansıtabilir.
Kullanıcı çalışma konusu gözlüklerimi çıkardım sırasında ara verdi ve ne zaman kayıt blok yeniden onları yeniden giydi. Bu eylem veri her zaman giyen koşulları (örneğin, sol ve sağ dengesi, yük hücreleri, deri, vbile temas bölgesinin üzerinde önceden yüklemesi) değişti çünkü belirli bir giyen durumuna overfitting konu engelledi Gözlükleri yeniden vardı.
Frekans çiğneme bir önceki araştırmaya göre çiğneme aktivitesi esas olarak değişmektedir 0,94 Hz (5inci persentil): 2.17 Hz (95inci persentil)26. Böylece, çerçeve boyutu 2 olarak ayarlanan s böylece bir çerçeve birden fazla çiğneme faaliyetleri içerir. Bu çerçeve boyutu genellikle 2.5 Hz27ile 1.4 Hz aralığı bir veya daha fazla yürüme dönemleri, içeren için uygundur. Normal yürüme hızı için 6.5 km/h27,283.3 km/h dan değiştiğinden 4.5 km/h hızı bir koşu bandı üzerinde yürüme etkinliği düzenledi. Şekil 6 hop boyutunda nerede konular 3 sn aralıklarla wink için bilinçli olduğunu kaydedilen wink verilerden tespit edilmiştir. Çünkü herhangi bir önemli bilgi algılama22çiğneme 10 Hz vardı sinyalleri bizim önceki kursundan bulduk biz de 10 Hz, kesme frekans ile verilere filtre.
Sistem iki yük hücreleri her iki tarafta olduğundan, bizim önceki çalışma22yılında kanıtlamış gibi çiğneme ve wink, sol ve sağ olayları ayırt etmek mümkün olduğu. Ancak, önceki çalışmada farklı olarak, bu çalışmada sistemin etkin bir şekilde fiziksel aktivitelerden gıda alımı ayrı göstermekti. Verileri yeterince kullanıcı çalışma ile toplanır, araştırma soldaki daha fazla ve doğru sınıflandırma özelliği vektörde bulunan korelasyon özellikleri kullanarak yürütülen. Öte yandan, sedanter etkinlik ve sistem içinde yürüyüş ayırt etmek zordur. Sisteme daha fazla değişiklikler ise oturma ve hareket halinde, yüksek bir doğruluk ile yemek yemek gibi gıda alımı, detaylı sınıflandırma sağlayabilir. Bu bir sensör füzyon tekniği ile bir atalet ölçü birimi (IMU) için sistem18ekleyerek uygulanabilir. Eğer öyleyse, sistem enerji harcaması ve enerji alımı aynı anda takip edebilirsiniz. Biz bizim yaklaşım gıda alımı ve fiziksel aktiviteler tespiti için pratik ve potansiyel yol sağlar inanıyoruz.
Tahmin enerji alımının izleme diyet araştırma çok önemli bir hedeftir ve örneğin, yiyecek türü sınıflandırma ve önceden tanımlanmış kalori bilgileri kalori dönüştürme tarafından çözümlenebilir. Yeni yapılan bir çalışmada gıda görüntüleri ve öğrenme algoritmaları14derin kullanarak yemek türleri sınıflandırmak için bir yöntem önerdi. Ancak, bu çalışmada kullanılan kuvvet sensörleri ile yemek türleri ayırmak zordur; Cihazın önüne bir görüntü sensörü eklenmesi, görüntü işleme ve öğrenme teknikleri makine gıda türlerini tanır ve böylece yemek türleri sınıflandırmak. Bu sensör füzyon tekniği ile kuvvet ve görüntü sensörleri, uygulama izleme uygulamaları genel diyet doğru bu çalışmanın potansiyelidir.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Yazarlar ifşa gerek yok.
Acknowledgments
Bu eser Envisible, Inc. tarafından desteklenmiştir Bu çalışma aynı zamanda vermek için refah, Kore Cumhuriyeti (HI15C1027) Korece sağlık teknoloji R & D proje, Sağlık Bakanlığı tarafından desteklenmiştir. Bu araştırma da Ulusal Araştırma Vakfı Kore tarafından (NMK-2016R1A1A1A05005348) destek verdi.
Materials
| Name | Company | Catalog Number | Comments |
| 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. , London. (1994).
- Albinali, F., Intille, S., Haskell, W., Rosenberger, M. Proceedings of the 12th ACM international conference on Ubiquitous computing. , ACM. 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. , ACM. 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. , Springer. 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. , Elsevier Health Sciences. (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. , ACM. 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. , Cambridge University Press Cambridge. (2000).
- Giannakopoulos, T., Pikrakis, A. Introduction to Audio Analysis: A MATLAB Approach. , Academic Press. (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).
