Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.

Methodenartikel

Ontwerp en evaluatie van slimme bril voor voeding en lichaamsbeweging classificatie

11.2K weergaven

⸱

DOI:

10.3791/56633

⸱

14 februari 2018

 ,  ,  ,  ,  , 
1School of Mechanical and Aerospace Engineering, Seoul National University, 2Envisible, Inc., 3Curiosis, Inc., 4Department of Mechanical Engineering, Kyung Hee University

In dit artikel

Samenvatting

Deze studie presenteert een protocol van ontwerpen en produceren van een bril-type draagbaar apparaat dat de patronen van de voedselinname detecteert en andere aanbevolen fysieke activiteiten met behulp van meetcellen ingevoegd in beide scharnieren van de bril.

Samenvatting

Deze studie presenteert een reeks van protocollen van ontwerpen en produceren van een bril-achtige draagbaar apparaat dat de patronen van temporalis spier activiteiten tijdens de inname van voedsel en andere fysieke activiteiten aantreft. Wij verzonnen een 3D bedrukt frame van de glazen en een lading cel-geïntegreerd printed circuit board (PCB) module in beide scharnieren van het frame ingevoegd. De module werd gebruikt voor het verwerven van de kracht-signalen, en om deze draadloos verzenden. Deze procedures bieden het systeem met een hogere mobiliteit, die kan worden geëvalueerd in praktijkomstandigheden dragen zoals wandel- en waggling. Een voorstelling van de classificatie wordt ook beoordeeld door de patronen van de voedselinname van die fysieke activiteiten te onderscheiden. Een aantal algoritmen werden gebruikt voor het voorbehandelen van de signalen, genereren functie vectoren en herkennen van de patronen van verscheidene aanbevolen (kauwen en knipogen), en andere fysieke activiteiten (sedentaire rest, praten, wandelen). De resultaten toonden aan dat de gemiddelde F1 score van de classificatie onder de aanbevolen activiteiten 91,4% bedroeg. Wij geloven dat deze aanpak kan zinvol zijn potentieel voor automatische en objectieve bewaking van ingestive gedrag met grotere nauwkeurigheid als praktische middelen voor de behandeling van ingestive problemen.

Inleiding

Voortdurende en objectieve controle voedselinname is essentieel voor het energie-evenwicht in het menselijk lichaam, zoals bovenmatige energie accumulatie kan leiden tot overweightness en obesitas1, die leiden verschillende medische complicaties2 tot kunnen. De belangrijkste factoren in de energiebalans bekend is dat ze zowel buitensporig voedselinname en onvoldoende lichaamsbeweging3. Verschillende studies inzake de bewaking van de dagelijkse energie-uitgaven hebben ingevoerd met automatische en objectieve meting van lichaamsbeweging patronen via draagbare apparaten4,5,6, zelfs bij de eindgebruiker niveau en medische fase7. Onderzoek inzake de bewaking van de voedselinname, is echter nog steeds in het laboratorium opzetten, want het is moeilijk op te sporen van de activiteit van de inname van voedsel op een directe en objectieve wijze. Hier willen we presenteren een apparaat-ontwerp en de evaluatie ervan voor het toezicht op de inname van voedsel en lichaamsbeweging patronen op praktisch niveau in het dagelijks leven.

Zijn er verschillende indirecte benaderingen van toezicht op de inname van het voedsel door kauwen en slikken geluiden8,9,10, beweging van de pols11,12,13, afbeelding analyse14, en15van de electromyogram (EMG). Deze benaderingen waren echter moeilijk toe te passen op het dagelijkse leven toepassingen, vanwege hun inherente beperkingen: de methoden met behulp van geluid waren kwetsbaar worden beïnvloed door milieu-geluid; de methoden met behulp van de beweging van de pols waren moeilijk te onderscheiden van andere fysieke activiteiten bij het niet nuttigen van voedsel; en de methoden met behulp van de beelden en EMG signalen zijn beperkt door de begrenzing van het verkeer en milieu. Deze studies toonden de mogelijkheid van automatische detectie van de voedselinname met behulp van sensoren, maar had nog steeds een beperking van de praktische toepasbaarheid in het dagelijkse leven buiten laboratorium instellingen.

In deze studie gebruikten we de patronen van spieractiviteit temporalis als de automatische en objectieve controle van de voedselinname. In het algemeen, herhaalt de musculus temporalis de samentrekking en ontspanning als onderdeel van de Triggerpunten spier tijdens de voedsel-inname16,17; Dus, de voedsel-inname activiteit kan worden gecontroleerd door het detecteren van de periodieke patronen van spieractiviteit temporalis. Onlangs, zijn er verschillende onderzoeken met behulp van de temporalis spier activiteit18,19,20,21, waarmee de EMG of piëzo-elektrische spanning sensor en hen rechtstreeks op de mens te koppelen huid. Deze benaderingen, echter, waren gevoelig voor de locatie van de huid van de EMG elektroden of druk sensoren, en waren gemakkelijk los van de huid als gevolg van de fysieke beweging of zweet. Daarom voorgesteld hebben wij een nieuwe en doeltreffende methode met behulp van een paar glazen die zin de temporalis spier activiteit via twee meetcellen ingevoegd in beide de scharnieren in onze eerdere studie22. Deze methode bleek groot potentieel voor het opsporen van de activiteit van de inname van voedsel met een hoge nauwkeurigheid zonder het aanraken van de huid. Het was ook niet-opdringerig en onopvallende, aangezien wij een gemeenschappelijk bril-achtige apparaat gebruikt.

In deze studie presenteren wij een aantal gedetailleerde protocollen van het implementeren van de bril-type apparaat en het gebruik van de patronen van spieractiviteit temporalis voor monitoring van de inname van voedsel en fysieke activiteit. De protocollen omvatten van het proces van hardwareontwerp en fabricage die uit een frame van 3D-afgedrukt van de bril, een circuit-module en een data acquisition module bestaat en de softwarealgoritmen voor gegevensverwerking en -analyse. Wij bovendien bespreking van de classificatie onder verscheidene aanbevolen activiteiten (bijvoorbeeldkauwen, wandelen en knipogen) om aan te tonen van het potentieel als een praktisch systeem dat een minieme verschil tussen de inname van voedsel en andere fysieke activiteit vertellen kan patronen.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

Opmerking: Alle procedures met inbegrip van het gebruik van menselijke proefpersonen werden uitgevoerd door een niet-invasieve manier gewoon dragen een paar glazen. Alle gegevens werden verworven door het meten van de signalen van de kracht van meetcellen ingevoegd in de bril die niet in direct contact met de huid. De gegevens werden draadloos overgebracht naar de module voor het opnemen van gegevens, die, in dit geval is een aangewezen smartphone voor de studie. Alle protocollen waren niet verwant aan in vivo/in vitro menselijke studies. Geen drugs- en bloed monsters werden gebruikt voor de experimenten. Geïnformeerde toestemming was verkregen van alle onderwerpen van de experimenten.

1. de productie van een Sensor-geïntegreerd Circuit-Module

  1. Aankoop van elektronische componenten voor het vervaardigen van de module van het circuit.
    1. Aankoop twee bal-type meetcellen, die opereert in een bereik tussen 0 N en 15 N, en produceert een output van differentiële laagspanning met maximaal 120 mV span in een 3,3 V excitatie.
      Opmerking: Deze belasting cellen worden gebruikt als eenheid dwingen signalen aan zowel de linker- en rechterkant van de bril.
    2. Koop twee instrumentatie versterkers en twee 15 kΩ winst-instelling weerstanden.
      Opmerking: De instrumentatie versterker en de weerstand van de winst-instelling worden gebruikt om het signaal van de kracht van de lading cel achtmaal, versterken tot 960 mV.
    3. Koop een micro-controller eenheid (MCU) met draadloos vermogen (bijvoorbeeld, connectiviteit Wi-Fi), en een 10-bits analoog-digitaalomzetter (ADC).
      Opmerking: De MCU wordt gebruikt om te lezen van de kracht-signalen en geeft deze informatie aan een data acquisition module draadloos. Omdat één analoge invoer pin wordt gebruikt voor twee ingangen van de analoge werking, wordt het gebruik van een multiplexer ingevoerd in de volgende stap 1.1.4.
    4. Koop een tweekanaals analoog multiplexer die de twee ingangssignalen met een ADC pin op de MCU behandelt.
    5. Koop een lithium-ion-polymeer (LiPo) accu met 3,7 V nominale spanning, nominale capaciteit van 300 mAh en 1 C geen kwijting stemmen.
      Opmerking: De accucapaciteit werd gekozen om te leveren genoeg stroom per uur meer dan 200 mAh en functioneren van het systeem betrouwbaar voor ongeveer 1,5 h van een experiment.
    6. Koop een 3,3 V spanningsregelaar voor lineaire down-regulatie van de 3,7 V accuspanning aan de 3.3 V bedrijfsspanning van het systeem.
    7. Aankoop vijf 12 kΩ oppervlak gemonteerde apparaten (SMD) type weerstanden als pull-up weerstanden van de MCU. De weerstand van de voetafdruk is 2.0 x 1,2 mm (maat 2012).
  2. Fabriceren van printplaten (PCB's). Deze stap is over het tekenen van de printplaten en het maken van de illustratie (dat wil zeggen, de Raad van bestuur-indeling, het .brd-bestand) en het schema (dat wil zeggen, het .sch-bestand) voor PCB fabricage. Een basiskennis van het proces van het maken van illustraties en schema bestanden is vereist voor ontwikkeling.
    1. Teken een schema van een linker schakeling met de batterij met behulp van een elektronische modeldepot zoals weergegeven in figuur 1A. Sla het resultaat als zowel artwork (.brd) en schema (.sch) bestanden.
    2. Teken een schema van een juiste circuit met de MCU met behulp van een elektronische modeldepot zoals weergegeven in figuur 1B. Sla het resultaat als zowel artwork (.brd) en schema (.sch) bestanden.
    3. Fabriceren de kringsraad door het plaatsen van een bestelling met een PCB fabricage bedrijf.
    4. Soldeer elke elektronische component bereid in stap 1.1 aan de PCB's zoals aangegeven in Figuur 2 en Figuur 3.
      Let op: De instrumentatie versterker is zeer gevoelig voor het solderen temperatuur. Ervoor te zorgen dat lood temperatuur niet meer dan 300 ° C gedurende 10 s tijdens het solderen, anders kan het permanente schade aan de component veroorzaken.

2. 3D printen van een Frame van de bril

  1. Tekenen van het 3D-model van het hoofd stuk van de bril met behulp van een 3D modeling instrument zoals aangegeven in figuur 4A. Het resultaat exporteren naar de bestandsindeling .stl.
  2. Tekenen van het 3D-model van de tempels van het linker- en rechterkant van de bril met behulp van een 3D modeling instrument zoals aangegeven in figuur 4B en figuur 4C. De resultaten exporteren naar de bestandsindeling .stl.
  3. Afdrukken van de hoofd stuk en tempel delen met behulp van een 3D-printer en een koolstofvezel gloeidraad op 240 ° C van een mondstuk temperatuur en 80 ° C voor de temperatuur van een bed.
    Opmerking: Het gebruik van elke commerciële 3D printer en alle types van filamenten zoals acrylonitril butadieen styreen (ABS) en polylactide (PLA) kan worden toegestaan. Het mondstuk en bed temperaturen kunnen worden aangepast volgens de gloeidraad en afdrukvoorwaarden.
  4. De toppen van de tempels met behulp van een hete lucht blower van een instelling van 180 ° C verhit en buig ze naar binnen ongeveer 15 graden om contact met de opperhuid van de musculus temporalis zoals conventionele glazen.
    Opmerking: De mate van het buigen van de tempel van de bril hoeft niet te streng worden als het doel van de kromming is een form factor verhogen door te helpen de bril past op een betreft's hoofd wanneer uitgerust. Wees voorzichtig, echter, zoals overmatig buigen de tempels voorkomen zal van het aanraken van de spier temporalis, waardoor het onmogelijk is om te verzamelen van belangrijke patronen.
  5. Herhaal de stappen uit stap 2.1-2.4 aan twee verschillende afdrukformaten van het frame van de bril aan verschillende kop formaten zoals weergegeven in Figuur 4.

3. assemblage van alle onderdelen van de bril

  1. Plaats de PCB's aan beide zijden van de tempels van de bril M2 bouten gebruiken, zoals in Figuur 5.
  2. Monteer het hoofd stuk en de tempels door het invoegen van de M2 bouten in de gewrichten van het scharnier.
  3. Sluit de linker- en PCB's met behulp van de 3-pins aansluitende draden zoals afgebeeld in Figuur 5.
  4. Sluit de accu aan op het linker circuit en bevestig het met een plakband aan de linker tempel. De kant van de montage van de accu is niet kritisch, omdat hij afhankelijk van het ontwerp van de PCB variëren kan.
  5. Dekking van de bril met rubber banden op het uiteinde en de neus pad toe te voegen meer wrijving met de menselijke huid zoals afgebeeld in Figuur 5.

4. ontwikkeling van een Data-acquisitiesysteem

Opmerking: Het data-acquisitiesysteem is samengesteld uit een data uitzendende module en een ontvangende module van gegevens. De verzendende module gegevens leest de tijd en de kracht van beide zijden signalen en stuurt ze naar de ontvangende module van gegevens, die de ontvangen gegevens verzamelt en schrijft ze naar .tsv-bestanden.

  1. De gegevens overbrengen van toepassing op de MCU van de PCB-module volgens de procedures in stappen 4.1.1–4.1.3 uploaden.
    1. Het project van de "GlasSense_Server" gekoppeld aan de aanvullende bestanden met behulp van een computer worden uitgevoerd.
      Opmerking: Dit project werd gebouwd met Arduino geïntegreerde ontwikkelomgeving (IDE). Het biedt de mogelijkheid om de tijd lezen en dwingen signalen met 200 monsters/s, en geeft deze informatie aan de ontvangende module van gegevens.
    2. De PCB-module verbinden met de computer via een universele seriële bus (USB)-connector.
    3. Druk op de "Upload" knop op de Arduino IDE te knipperen de programmering codes uit stap 4.1.1 in het MCU.
  2. Upload de ontvangende toepassing van gegevens aan een smartphone, die wordt gebruikt voor het ontvangen van de gegevens draadloos, volgens de procedures in stappen 4.2.1–4.2.3.
    1. Het project van de "GlasSense_Client" gekoppeld aan de aanvullende bestanden met behulp van een computer worden uitgevoerd.
      Opmerking: Dit project werd gebouwd met C# programmeertaal. Het biedt de mogelijkheid om te ontvangen van gegevens en sla de .tsv-bestanden, die van een onderwerp gegevens, zoals naam, geslacht, leeftijd en index van de lichaamsmassa (BMI bevatten).
    2. De smartphone verbinden met de computer via een USB-aansluiting om te bouwen van de ontvangende toepassing van gegevens.
    3. Druk op de knop "Bestand > bouwen & Run" op de C#-project om te bouwen van de ontvangende toepassing van de gegevens op de smartphone.

5. gegevens verzamelen van een gebruiker-studie

Opmerking: Deze studie verzamelde zes aanbevolen activiteit sets: sedentaire rest (SR), sedentaire kauwen (SC), lopen (W), kauwen tijdens het lopen (CW), sedentaire pratende (ST) en sedentaire knipoog (SW).

  1. Selecteer een paar glazen hebben een passende maat aan de gebruiker te worden getest. Fine-tunen van de krapte met de bouten van de steun aan zowel de scharnieren (Figuur 5).
    Let op: De waarden van de kracht mag niet meer dan 15 N, aangezien de krachtsensors gebruikt in deze studie de fijne lineaire karakteristiek buiten het bereik van de operatie verliezen kunnen. De waarden van kracht kunnen worden verfijnd door het losdraaien of aanscherping van de steun bouten.
  2. Record de activiteiten van alle vakken door te drukken op de "Record" knop op de toepassing gebouwd in stap 4.2.3.
    1. Een activiteit opnemen tijdens een 120-s-blok en het genereren van een opnamebestand hiervan.
      1. In het geval van SR, het onderwerp in een stoel zitten en hebben ze gebruik van een smartphone of lees een boek. Toestaan van beweging van het hoofd, maar Vermijd beweging het hele lichaam.
      2. In de gevallen van SC en CW, hebben de proefpersonen twee soorten voedsel textuur (geroosterd brood en kauwen gelei) teneinde de eigenschappen van de verschillende voedsel eten. Serveer het geroosterde brood in plakjes van 20 mm x 20 mm, dat is een goede maat voor het eten.
      3. In het geval van W, hebben de onderwerpen lopen met een snelheid van 4,5 km/h op een loopband.
      4. In het geval van ST, hebben de onderwerpen zitten en ze een boek lezen hardop in een normale Toon en de snelheid.
      5. In het geval van SW, informeren de onderwerpen aan het wink over de timing van een bell geluid van 0,5 s lang elke 3 s.
    2. Een opnamebestand genereren in .tsv-formaat van de verzamelde gegevens in stap 5.2.1.
      Opmerking: Dit bestand bevat een reeks van de tijd wanneer de gegevens zijn ontvangen, een linker kracht signaal, een signaal van de juiste kracht en een label vertegenwoordigen de huidige gezicht activiteit. Visualisaties van temporele signalen van alle activiteiten in een blok van een gebruiker werden afgebeeld in Figuur 6. De zes aanbevolen activiteit sets (SR, SC, W, CW, ST en SW) werden aangeduid als 1, 2, 3, 4, 5 en 6, respectievelijk. De labels werden gebruikt voor het vergelijken van de voorspelde klassen in vak 8 van het protocol.
    3. Weekendje weg 60-s na het blok van de opname. Opstijgen van de bril tijdens de pauze, en opnieuw dragen hen opnieuw wanneer het blok van de opname opnieuw wordt opgestart.
    4. Herhaal de blok-en-break stappenreeks 5.2.1 en 5.2.2 viermaal voor elke activiteit.
    5. In het geval van SW, hebben het onderwerp knipoog herhaaldelijk met het linker oog tijdens één blok, en vervolgens herhaaldelijk knipoog met het rechteroog tijdens het volgende blok.
  3. Herhaal stap 5.1-5.2 en verzamelen van de gegevens van 10 onderwerpen. In deze studie, gebruikten we vijf mannen en vijf vrouwen, de gemiddelde leeftijd was 27.9 ± 4.3 (standaardafwijking; s.d.) jaren, die varieerden 19 – 33 jaar, en de gemiddelde BMI was 21.6 ± 3.2 (s.d.) kg/m2, die van 17,9 – 27,4 kg/m2 varieerden.
    Opmerking: In deze studie, de onderwerpen die niet over een medische voorwaarden te kauwen van voedsel, knipoog, en lopen werden aangeworven, en deze voorwaarde werd gebruikt voor inclusie criteria.

6. signaal voorbewerken en segmentatie

Opmerking: De linker- en signalen worden in de volgende procedures afzonderlijk berekend.

  1. Bereid een reeks van temporele frames van 2 s lange.
    1. Segment de 120 s opgenomen signalen in een set 2 s frames door hoppen hen tussenpozen 1-s gebruik van MATLAB zoals aangegeven in Figuur 6.
      Opmerking: De gesegmenteerde frames van 2 s lange werden gebruikt voor het onttrekken van functies in hoofdstuk 7. De 1 s hoppen grootte was vastbesloten om het verdelen van de signalen door de 3 s knipoog interval al vermeld in stap 5.2.1.
    2. Toepassing van een low-pass filter (LPF) met behulp van een 5th orde Butterworth filter met cutoff frequentie van 10 Hz voor elk frame.
    3. Sla de resultaten van stap 6.1.2 als de temporele frames voor de volgende stappen in stap 7.1.
  2. Bereid een reeks van spectrale frames.
    1. Aftrekken van de mediaan van de originele signalen van elk frame te verwijderen van de voorspanning bij het dragen van de bril.
      Opmerking: De preload waarde is niet vereist voor de volgende frequentie-analyse, aangezien het omvat niet alle informatie over kauwen, wandelen, knipoog, etc. het kon, maar bevatten belangrijke informatie, die van onderworpen onderwerp, van variëren kan elke instelling van de bril, en zelfs vanaf het moment dat een onderwerp draagt de bril.
    2. Een venster Hanning toepassen op elk frame te verminderen van een spectrale lekkage op frequentie-analyse.
    3. Produceren en opslaan van een ' single-sided spectrum door een snelle Fouriertransformatie (FFT) op elk frame passen.
  3. Een combinatie van een temporele en een spectrale frame van hetzelfde moment als een blok van het frame (of gewoon een frame) definiëren.

7. generatie van functie vectoren

Opmerking: De vector van een functie wordt gegenereerd per frame geproduceerd in sectie 6 van het protocol. De linker- en frames zijn afzonderlijk berekend en gecombineerd tot een functie vector in de volgende procedures. Alle procedures werden uitgevoerd in MATLAB.

  1. Het uittreksel van statistische functies van een temporele frame bij stap 6.1 van het protocol. Een lijst van het totale aantal 54 functies is gegeven in tabel 1.
  2. Het uittreksel van statistische functies van een spectrale frame in stap 6.2 van het protocol. Een lijst van het totale aantal 30 functies is gegeven in tabel 2.
  3. Een 84-dimensionale functie vector genereren door het combineren van de temporele en spectrale kenmerken hierboven.
  4. Label de gegenereerde functie vectoren uit de opnamen in stap 5.2 van het protocol.
  5. Herhaal de stappen uit stap 7.1-7.4 voor alle frame blokken en het genereren van een reeks van vectoren van de functie.

8. de indeling van de activiteiten in de klassen

Opmerking: Deze stap is te selecteren van het model van de classificatie van een support vector machine (SVM)23 door bepaling van de parameters die aantonen dat de beste nauwkeurigheid van de gegeven probleem (dat wil zeggen, functie vectoren). De SVM is een bekende gecontroleerde machine leren van de techniek, die uitstekende prestaties in generalisatie en robuustheid met behulp van een maximale marge tussen de klassen en de functie van een kernel toont. We een raster-Zoek- en een kruis-validation-methode gebruikt om te definiëren een straf parameter C en een kernel parameter γ van de radiale basis functie (RBF) kernel. Een minimale kennis van machine leren van technieken en het SVM is vereist voor de volgende procedures uitvoeren. Sommige referentiële materialen23,24,25 worden aanbevolen voor een beter begrip van machine leren van technieken en het SVM-algoritme. Alle procedures in deze sectie werden uitgevoerd met behulp van LibSVM25 softwarepakket.

  1. Definieert een raster van paren (C, γ) voor het raster-zoeken. Gebruik exponentieel groeit sequenties van C (2-10, 2-5,..., 230) en γ (2-30, 2-25,..., 210).
    Opmerking: Deze sequenties werden heuristisch bepaald.
  2. Een paar (C, γ) definiëren (bijvoorbeeld(2-10, 2-30)).
  3. Voor het gedefinieerde raster in stap 8.2, de 10-fold regeling van de Kruis-validatie uit te voeren.
    Opmerking: Deze regeling verdeelt de gehele functie vectoren in 10-delige deelverzamelingen, vervolgens een subset van het classificatie model getraind door de andere subsets testen en herhaal het boven alle de subsets kunt weergeven, één voor één. Daarom kunnen elke functie vectoren sequentieel worden getest.
    1. Verdeel de gehele functie vectoren in 10-delige deelverzamelingen.
    2. Een test set van een subset, en een opleiding ingesteld van de resterende 9 subsets definiëren.
    3. Definiëren van een schaal-vector die alle elementen van de vectoren van de functie aan het bereik van Weegschaal [0, 1] voor de training set.
      Opmerking: De schaal vector heeft dezelfde dimensie met de functie vector. Het bestaat uit een set van multiplicatoren waarvan de dezelfde rij (of kolom) van alle vectoren van de functie wordt aangepast aan het bereik van [0, 1]. Bijvoorbeeld, is het eerste kenmerk van een functie vector lineair geschaald naar het bereik van [0, 1] voor de alle eerste kenmerken van de vectoren van de functie opleiding. Merk op dat de schaal vector is gedefinieerd uit de opleiding set, omdat de test set moet worden aangenomen dat onbekend. Deze stap verhoogt de nauwkeurigheid van de classificatie door het maken van de functies het gelijk bereik en het vermijden van numerieke fouten tijdens de berekening.
    4. Elke functie van de opleiding ingesteld op het bereik van de schalen [0, 1] verkregen met behulp van de schaal vector in stap 8.2.3.
    5. Elke functie van het testen ingesteld op het bereik van de schalen [0, 1] verkregen met behulp van de schaal vector in stap 8.2.3.
    6. De opleiding ingesteld door middel van de SVM met de gedefinieerde paar (C, γ) in stap 8.2 trainen, en dan het bouwen van een model van de classificatie.
    7. De test set door middel van de SVM met de gedefinieerde paar (C, γ) test in stap 8.2 en het classificatie model verkregen van de opleiding-procedure.
    8. Bereken de juistheid van een classificatie op de test set. De nauwkeurigheid was berekend op basis van het percentage van de functie vectoren die correct zijn ingedeeld.
    9. Herhaal de stappen 8.2.2–8.2.8 voor alle de subsets kunt weergeven en berekenen van de gemiddelde nauwkeurigheid van alle deelverzamelingen.
  4. Herhaal de stappen 8.2 – 8.3.9 voor alle rasterpunten van een paar (c, γ).
  5. Vinden de lokale maximale waarde van de hoogste nauwkeurigheid van het raster. Alle procedures van hoofdstuk 8 worden geïllustreerd in Figuur 7.
  6. (Optioneel) Als de stap van het raster wordt beschouwd als grof, herhaalt u de stappen in een fijner raster in de buurt van de lokale maximale 8.1 – 8,5 gevonden in stap 8.5, en vinden het fijn raster nieuwe lokale maximaal.
  7. Het berekenen van de precisie, terugroepen en F1 score van elke categorie van activiteiten van de volgende vergelijkingen:
    figure-protocol-1                                   Vergelijking 1
    figure-protocol-2                                             Vergelijking 2
    figure-protocol-3          Vergelijking 3
    waar TP, FP en FN waar positieven, valse positieven en valse negatieven voor elke activiteit, respectievelijk vertegenwoordigen. De matrix van de verwarring van alle activiteiten is gegeven in tabel 3.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

Door middel van de procedures die worden beschreven in het protocol wij twee versies van het 3D afgedrukte frame door te differentiëren van de lengte van het hoofd stuk, LH (133 en 138 mm), en de tempels, LT (110 en 125 mm), zoals wordt weergegeven in Figuur 4. Daarom kunnen we verschillende dragen voorwaarden, die van de onderwerpen hoofd grootte, vorm, etc. die de onderwerpen een van de frames variëren kunnen voor aanpassing a...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

In deze studie, we voor het eerst voorgesteld het ontwerp- en productieproces van de bril die het gevoel van de patronen van de voedselinname en fysieke activiteiten. Als deze studie voornamelijk gericht op de gegevensanalyse te onderscheiden van de voedselinname van de andere fysieke activiteiten (zoals wandelen en knipogen), de sensor en data-acquisitie-systeem vereist de uitvoering van mobiliteit opname. Het systeem bevatte dus de sensoren, de MCU met het vermogen van de draadloze communicatie en de batterij. Het voor...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

De auteurs hebben niets te onthullen.

Dankbetuigingen

Dit werk werd gesteund door Envisible, Inc. Deze studie werd gesteund door een subsidie van de Koreaanse Health Technology R & D Project, ministerie van gezondheid & welzijn, Republiek Korea (HI15C1027). Dit onderzoek werd ook ondersteund door de National Research Foundation Korea (NRF-2016R1A1A1A05005348).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
FSS1500NSBHoneywell, USALoad cell
INA125UTexas Instruments, USAVersterker
ESP-07Shenzhen Anxinke Technology, ChinaMCU met Wi-Fi-module
74LVC1G3157Nexperia, NederlandMultiplexer
MP701435PMaxpower, ChinaLiPo-batterij
U1V10F3Pololu, USASpanningsregelaar
Ultimaker 2Ultimaker, Nederland3D-printer
ColorFabb XT-CF20ColorFabb, NederlandKoolenvezelfilament
iPhone 6s PlusApple, USAGegevensverzamelapparaat
Jelly BellyJelly Belly Candy Company, USAVoedseltextuur voor gebruikersstudie

Referenties

  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. , London. (1994).
  4. Albinali, F., Intille, S., Haskell, W., Rosenberger, M. Proceedings of the 12th ACM international conference on Ubiquitous computing. , ACM. 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. , ACM. 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. , Springer. 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. , Elsevier Health Sciences. (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. , ACM. 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. , Cambridge University Press Cambridge. (2000).
  24. Giannakopoulos, T., Pikrakis, A. Introduction to Audio Analysis: A MATLAB Approach. , Academic Press. (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).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Trefwoorden

Draagbaar apparaatmusculus temporalis3D geprint framekrachtsensordraadloze transmissiemachine learning classificatiekenmerkvector
Ontwerp en evaluatie van slimme bril voor voeding en lichaamsbeweging classificatie
Neem contact met ons op
Aanbevelen aan bibliotheek

Privacy

Gebruiksvoorwaarden

Beleid

Copyright © 2026 MyJoVE Corporation. Alle rechten voorbehouden.