Methodenartikel

Conceptontwikkeling en gebruik van een geautomatiseerde methode voor voedselinname en beoordeling van eetgedrag

4.9K weergaven

⸱

DOI:

10.3791/62144

⸱

19 februari 2021

 ,  ,  ,  ,  ,  , 
1Division of Human Nutrition and Health, Wageningen University & Research

In dit artikel

Erratum-melding

Important: There has been an erratum issued for this article. View Erratum Notice

Samenvatting

Dit protocol toont en verklaart een nieuwe op technologie gebaseerde dieetbeoordelingsmethode. De methode bestaat uit een eetbak met meerdere ingebouwde weegschalen en een videocamera. Het apparaat is uniek in de zin dat het geautomatiseerde metingen van voedsel- en drankinname en eetgedrag in de loop van een maaltijd bevat.

Samenvatting

De overgrote meerderheid van de methoden voor het beoordelen van voedings- en eetgedrag is gebaseerd op zelfrapportages. Ze zijn omslachtig en ook gevoelig voor meetfouten. Recente technologische innovaties maken de ontwikkeling mogelijk van nauwkeurigere en nauwkeurigere voedings- en eetgedragsbeoordelingsinstrumenten die minder inspanning vereisen voor zowel de gebruiker als de onderzoeker. Daarom werd een nieuw sensorgebaseerd apparaat ontwikkeld om voedselinname en eetgedrag te beoordelen. Het apparaat is een gewone eetbak uitgerust met een videocamera en drie afzonderlijke ingebouwde weegstations. De weegstations meten het gewicht van de kom, het bord en de drinkbeker continu tijdens een maaltijd. De videocamera die op het gezicht is geplaatst, registreert eetgedragskenmerken (kauwen, beten), die worden geanalyseerd met behulp van op kunstmatige intelligentie (AI) gebaseerde automatische gezichtsuitdrukkingssoftware. Het gewicht van de lade en de videogegevens worden in realtime naar een pc (pc) getransporteerd met behulp van een draadloze ontvanger. De uitkomsten van rente, zoals de gegeten hoeveelheid, eetsnelheid en bijtgrootte, kunnen worden berekend door de gegevens van deze metingen af te trekken op de tijdstippen van rente. De informatie verkregen door de huidige versie van de lade kan worden gebruikt voor onderzoeksdoeleinden, een verbeterde versie van het apparaat zou ook het verstrekken van meer gepersonaliseerd advies over dieetinname en eetgedrag vergemakkelijken. In tegenstelling tot de conventionele dieetbeoordelingsmethoden meet dit voedingsbeoordelingsapparaat de voedselinname direct binnen een maaltijd en is het niet afhankelijk van het geheugen of de schatting van de portiegrootte. Uiteindelijk is dit apparaat daarom geschikt voor dagelijkse voedselinname en eetgedragsmaatregelen. In de toekomst kan deze op technologie gebaseerde dieetbeoordelingsmethode worden gekoppeld aan gezondheidstoepassingen of slimme horloges om een volledig overzicht te krijgen van lichaamsbeweging, energie-inname en eetgedrag.

Inleiding

In voedingsonderzoek en voedingspraktijk is het belangrijk om goede metingen te hebben van wat, hoeveel en hoe mensen eten, om oplossingen te vinden voor de problemen met overgewicht en obesitas. Om de inname via de voeding te beoordelen, worden vaak conventionele zelfrapportagevragenlijsten gebruikt, zoals voedseldagboeken, 24-uurs recalls of voedselfrequentievragenlijsten1. Deze methoden zijn gebaseerd op zelfrapportage en zijn daarom tijdrovend en vatbaar voor bias als gevolg van sociaal wenselijke antwoorden, ontoereikend geheugen en moeilijkheden bij het schatten vanportiegroottes 2,3. Naast metingen van de dieetkwaliteit (voedseltype en hoeveelheid gegeten), is het ook belangrijk om te weten hoe het voedsel wordt gegeten, omdat eetgedrag dat de voedselinname vertraagt, is aangetoond dat het overconsumptie binnen een maaltijd voorkomt4. Om het eetgedrag te beoordelen, is de gouden standaard om twee waarnemers video-opnamen te laten maken van mensen die een maaltijd eten5. Deze methode is nogal arbeidsintensief en tijdrovend en laat geen onmiddellijke feedback op het gedrag toe.

Recente technologische ontwikkelingen bieden nu de mogelijkheid om geautomatiseerde metingen van voedselinname te combineren met geautomatiseerde metingen van het eetgedrag tijdens een maaltijd. Als reactie op deze ontwikkelingen is een nieuwe sensorgebaseerde voedingsbeoordelingsmethode ontwikkeld, de mEETr, het acroniem van de twee Nederlandse woorden 'Meter' (vertaald: meetapparaat) en 'eet' (vertaald: eten). De mEETr is een gewone eettafel met drie ingebouwde weegstations(figuur 1 toont het ontwerp van de lade en de sensorplaten) en een camerahouder. Elk weegstation bestaat uit drie driehoekig gepositioneerde meetpunten om het gewicht te verdelen. De weegstations meten het gewicht van de kom, het bord en de drinkbeker of het glas continu tijdens de maaltijd. De mEETr bevat ook een videocamerahouder. Momenteel staat de camerahouder los van de lade, maar voor standaardisatiedoeleinden zou een geïntegreerde camera na de volgende upgrade van mEETr (een opvouwbare videocamerastick) ideaal zijn. De camera vergemakkelijkt geautomatiseerde real-time analyse van het aantal beten en kauwen en de eetduur, waardoor informatie over de eetsnelheid en de bijtgrootte kan worden genereren. Geautomatiseerde analyse van eetgedrag wordt gedaan met behulp van een nieuw ontwikkeld algoritme. Verschillende onderzoeksgroepen hebben apparaten ontwikkeld om mensen realtime feedback te geven over de versnelling van het eten en de hoeveelheid die mensen eten6. Ook zijn augmented vorken ontwikkeld om real-time feedback te geven over het aantal beten en hun frequentie binnen een maaltijd7. Bovendien werd een oorsensor ontwikkeld om de microstructuur van het eten in vrije levensomstandigheden te meten8,9. Vergelijkbaar met dit apparaat is de opstelling die wordt gebruikt door Ioakimidis et al.10, waar videometingen werden gecombineerd met een weegplateau om de voedselinname, het aantal beten en het kauwgedrag te bepalen.

In vergelijking met deze apparaten is de nieuwigheid van de mEETr dat het geautomatiseerde metingen van voedselinname van twee borden en een drinkbeker (n = 3) en eetgedrag (bijv. eetsnelheid, aantal beten, bijtgrootte en kauwgedrag) in één apparaat combineert. De mEETr is, zoals aangetoond, geschikt voor maaltijdmetingen van voedselinname en eetgedrag binnen een gecontroleerde (eetlab)omgeving, maar uiteindelijk is het doel om de mEETr te gebruiken in minder gecontroleerde omgevingen waar re-voorkomende maaltijdplannen worden gebruikt, zoals kinderdagverblijven, bejaardentehuizen en ziekenhuizen.

Uiteindelijk zal de mEETr een objectievere en als zodanig nauwkeurigere en nauwkeurigere meting van voedselinname en eetgedrag bieden dan conventionele dieetbeoordelingsmethoden en handmatige codering van video's. Betere maatregelen van de voedselinname zouden ten goede komen aan voedings- en gezondheidsonderzoek, maar ook aan de gezondheidswerkers in hun uitdaging om de toename van voedselgerelateerde niet-overdraagbare ziekten te bestrijden11. Uiteindelijk kan de mEETr worden gebruikt in onderzoeks- en gezondheidszorginstellingen en door gezondheidsbewuste gebruikers thuis door de mEETr te koppelen aan bestaande technologieën en software, zoals andere gezondheidsapps of slimme horloges. Over het algemeen bieden deze gezondheidsmaatregelen de gebruiker of de zorgverlener een vrij divers en volledig overzicht van een verscheidenheid aan gezondheidsgedragspatronen (bijv. voedselinname, eetgedrag, energieverbruik op basis van real-life maatregelen, slaap, stress) waardoor de gebruiker zijn dieet kan optimaliseren en een gezonde levensstijl kan creëren.

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

Protocol

Deze pilotstudie is voorafgaand aan de start van het project goedgekeurd door het METC van Wageningen University.

LET OP: Alle deelnemers die aan dit project hebben bijgedragen, hebben een geïnformeerde toestemming gegeven, inclusief de goedkeuring van videobeelden met zichtbare en herkenbare gezichten.

1. Monstervoorbereiding en toestemming van de deelnemer

  1. Bereid een sap (glas of kopje), fruityoghurt (kom) en fruitstukjes (bord).
    OPMERKING: Deze voedingsmiddelen zijn alleen geselecteerd voor demonstratiedoeleinden (Figuur 2).
  2. Rekruteer een deelnemer of een vrijwilliger die ermee instemt deel te nemen aan het onderzoek.
  3. Sluit de deelnemers uit die een bril dragen (die geen contactlenzen kan gebruiken) en/of gezichtshaar (baard of snor) hebben om meetfouten te voorkomen.
  4. Informeer de deelnemers over het onderzoek en de dataverzameling (dataopslag, toegankelijkheid). Verkrijg afzonderlijke machtigingen in het geval van niet-anonieme video-opnamen. Ontvang de handtekening van de deelnemer op de geïnformeerde toestemming voordat u gegevens verzamelt.

2. Opstelling van apparaat- en meetlocatie

OPMERKING: Dit protocol is geschikt voor het verzamelen van gegevens in een gecontroleerde (eetlaboratorium) omgeving.

  1. Zorg ervoor dat het licht in de kamer gelijkmatig verdeeld is en vermijd schaduwen op de gezichten van de deelnemers.
  2. Vermijd het achtergrondgeluid op de video-opnamen vanwege de aanwezigheid van andere personen dan de deelnemer.
  3. Plaats de deelnemer op een stoel voor een tafel; met tafelblad net onder de borst van de deelnemer.
  4. Sluit de draadloze ontvanger van de lade en de webcam aan op een laptop.
  5. Start de laptop op. Zorg ervoor dat de laptop de volgende specificaties heeft: CPU i7-10750H, SSD M.2 512 GB, Geheugen 1x 16 GB, DDR4 2933 MHz niet-ECC-geheugen, Besturingssysteem 64 bit.
  6. Schakel de lade in en zorg ervoor dat er lading in de lade zit (groen licht).
  7. Open respectievelijk het connectorprogramma (dos), de ontvanger en het processorsoftwareprogramma samen met het dashboard.
  8. Controleer de binnenkomende beeldkwaliteit in het processorprogramma (Figuur 3).
    OPMERKING: Om het eetgedrag te detecteren, moet de beeldkwaliteit zich binnen het laatste kwartaal van de taakbalk (groen) liggen; zo dicht mogelijk bij 100% groen. Schaduwvorming kan leiden tot een lage beeldkwaliteit.
  9. Zorg ervoor dat het afbeeldingskader correct is om een slechte beeldkwaliteit te voorkomen. Zorg ervoor dat het hoofd van de deelnemer (boven de schedel) tot aan de borst, inclusief armen en schouders, duidelijk zichtbaar is.

3. Weegsysteem en datatransport

  1. Valideer de metingen voorafgaand aan het gebruik van de mEETr voor de eerste keer.
    OPMERKING: Het mEETr-apparaat bestaat uit een reguliere in de handel verkrijgde eetbak (vezelgebonden epoxy dinerbak) met drie ingebouwde weegstations (figuur 2).
  2. Om de opstelling te valideren, moet u ervoor zorgen dat de lade continu het gewicht van een bord, kom en drinkglas meet.
    OPMERKING: De precisie van de weegbrug over het hele bereik moet 0,3% zijn.
  3. Plaats niet te veel gewicht op elk weegplateau. Het maximale gewicht voor het grootste platform (dinerbord) is 1,5 kg. Het maximale gewicht van de twee kleinere weegplateaus (kom en glas) is 800 g. Het minimumgewicht dat nauwkeurig kan worden gemeten is 1 g voor elk weegstation.
  4. Zorg ervoor dat de plaat, de beker en de kom niet op het platform of de omliggende bak rusten. Maak gebruik van de middelste ring om dit te voorkomen.
    OPMERKING: Elk weegstation bestaat uit drie driehoekige krachtsensoren die samen als één weegschaal werken. Een driehoekspositie werd gekozen om het gewicht in evenwicht te brengen.
  5. Zorg ervoor dat u de lade droog houdt. De lade bevat een 50 mm dun basispaneel (centrale printplaat) onder de lade die de elektronica bevat.
  6. Voor gegevensoverdracht moet u ervoor zorgen dat de lade verbinding maakt met een draadloze ontvanger.
    OPMERKING: Breng de weeggegevens met een interval van 1 s over via een radiosignaal op korte afstand (ongeveer 1 m afstand). Sluit de ontvanger via een USB-poort aan op een pc.
  7. De drie krachtsensoren meten de krachten (of gewichten), vatten ze samen en zetten ze om in een gekalibreerde gewichtswaarde.
  8. Laad de lade na elk gebruik op.
    OPMERKING: De lade wordt gevoed door een intern batterijpakket en kan worden opgeladen met een USB-oplader. Een aan/uit-schuifschakelaar bevindt zich in de buurt van de USB-aansluiting. Een volledige batterijlading zorgt voor ongeveer 20 uur gebruik.
  9. Maak de lade niet schoon in de vaatwasser; de lade is niet vaatwasmachinebestendig. Reinig de lade met een reinigingsspray. Zorg ervoor dat de lade schoon en droog wordt gehouden. Lekkanalen langs de platforms voeren vloeistoflekken af.

4. Uitleg van de deelnemer en begin van de waarneming

  1. Plaats de mEETr voor de deelnemer.
  2. Instrueer de deelnemer om 1) zoveel of zo weinig te eten als hij / zij wil, 2) kijk recht in de webcam tijdens het eten en 3) leg geen handen voor het gezicht tijdens het eten.
  3. Start een nieuwe observatie in de ontvangersoftware. Registreer de datum, het deelnemersnummer, het geslacht, de leeftijd en antropometrische gegevens van de deelnemer, zoals gewicht en lengte. Voeg aanvullende informatie zoals de studievoorwaarde en het studiebezoek toe aan de observatienaam.
  4. Druk op Opnemen in de ontvangersoftware om de waarneming op te nemen.
  5. Activeer het dashboard om de video-opnamen en de binnenkomende gegevens tijdens het verzamelen van gegevens te controleren (figuur 4).
  6. Vraag de deelnemer voorafgaand aan de opname om 1) de kaart met het deelnemersnummer op te tillen en 2) de hand op te steken aan het begin en einde van de maaltijd.
  7. Beëindig de observatie wanneer de deelnemer klaar is met eten. Het duurt 2 minuten om alle gegevens over te zetten naar een spreadsheet.
  8. Dit is het einde van de sessie voor de deelnemer.
  9. Koppel de webcam en de lade-ontvanger los van de laptop en maak deze schoon met een reinigingsdoekje of reinigingsspray.

5. Evaluatie en overdracht van gegevens

  1. Open de laatste waarneming in de ontvangersoftware. Geautomatiseerde metingen van eetgedrag worden opgeslagen onder het kopje Gegevens. Klik op Gegevens exporteren om de onbewerkte gegevens te extraheren. Het daaropvolgende uitvoerbestand bevat gegevens over het deelnemersnummer, real-time, relatieve (om te beginnen) tijd en eetgedragsvariabelen (aantal beten, aantal kauwen, kauwduur) per testdeelnemer.
    OPMERKING: Alle gedragingen zijn gestempeld. In de ontvangersoftware kunnen extra externe gegevens van de lade worden geëxtraheerd, bijvoorbeeld de gegevens over het gewicht van elk van de drie trays. De gegevens worden 10 keer per seconde geregistreerd en overgedragen. De tijd voor het verzamelen van traygegevens wordt gesynchroniseerd met de opname van het eetgedrag.
  2. Vat de resultaten samen en visualiseer ze in verschillende staafdiagrammen binnen het programma zelf. Exporteer de resultaten als onbewerkte gegevens in logbestanden (.xsl) (Figuur 5).
  3. Exporteer de logbestanden naar een spreadsheet en voer de gegevensanalyse uit met behulp van het statistische programma van voorkeur.
  4. Reinig de gegevens vóór gegevensanalyse.
    OPMERKING: Vanwege de vervormingen van het persen met bestek op de borden (wat een toename van het gewicht veroorzaakt), moeten weeggegevens van de lade worden gereinigd tot een Kaplan Meier-curve met stapgrootte die de bijtgrootte aangeeft, de staplengte die de tijd tussen de beten aangeeft. Het begin van de curve geeft het begingewicht aan, de laatste stap geeft het eindgewicht aan) als volgt.
    1. Maak de tijdspunten vloeiender tot metingen per seconde om extreme waarden uit te filteren.
    2. Stel 5 g grens in, detecteer gewichtsplateaus (d.w.z. geen verandering binnen +/- 5 g) en gewichtsveranderingen (veranderingen in de loop van de tijd groter dan 5 g) om bijtgroottes en portieveranderingen aan te geven.
    3. Sluit gewichtstoename uit omdat er bestek op het bord blijft liggen.
      OPMERKING: De output is de totale gewichtsveranderingen per begin en einde van de maaltijd (= maaltijdgrootte), gemiddelde bijtgrootte en beten per min.
  5. Om de veranderingen in eetsnelheid (g/sec) en bijtgrootte (g/beet) in de loop van de maaltijd te bepalen, integreert u handmatig de gewichtsgegevens van de lade en het eetgedrag (figuur 6, figuur 7, figuur 8, figuur 9, figuur 10).

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

Resultaten

Een langzamere inname (figuur 7), kleinere sip/bite maten (figuur 8) en meer kauwen (figuur 9) leidden tot een lagere inname van de salade in vergelijking met de yoghurt en het sap (figuur 6) zoals gemeten door de mEETr tray. De deelnemers aten 17% minder van de fruitsalade in vergelijking met het vruchtensap. Alle eetgedragskenmerken verschilden tussen sap, yoghurt en salade (figuu...

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

Discussie

Een gezond dieet en een gezond eetgedrag hebben aangetoond een sleutelrol te spelen bij de preventie van en oplossing voor overgewicht en obesitas11. Veel van de methoden die worden gebruikt om de inname van de voeding en het eetgedrag te meten, zijn echter belastend voor gebruikers, onderzoekers en professionals in de gezondheidszorg en kunnen bevooroordeeld zijn omdat ze afhankelijk zijn van schattingen van het geheugen en de portiegrootte. Het gebruik van de mEETr, onafhankelijk of naast conven...

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

Openbaarmakingen

Het mEETr-apparaat en de begeleidende software zijn ontwikkeld in samenwerking met een commerciële partner; Noldus Informatietechnologie. De auteurs verklaren geen belangenconflicten.

Dankbetuigingen

Wij danken J.M.C. D. Meijer van de Technische Ontwikkelingsstudio van Wageningen University and Research voor zijn hulp bij de ontwikkeling van de mEETr tray. Dit onderzoek is gefinancierd door het project 4 Nederlandse Technische Universiteiten, 4TU- Pride and Prejudice.

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

Materialen

```html
Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
BatterynanaBatterijpakket (LiPo) en laadelektronica via een USB-poortconnector. Geen gegevens van deze poort.
Connector programmaNoldusNoldus Informatietechnologie software dashboard nview
Avondmaaltijd dienbladnanaStandaard avondmaaltijd dienblad van glas versterkt epoxy
Grotere schaalnanaEen hoogwaardige aangepaste schaal gebaseerd op een drievoudige krachtsensormethode.
HoofdbordnanaEen hoofdbord dat de drie schaalmetingen omzet in gekalibreerd gewichtsnummers. Dit bord bevat ook de laagvermogen korteafstands RF-zender.
OS WindowsMicrosoftwindows 10 Pro 64 bit
VerwerkerprogrammaNoldusNoldus Informatietechnologie software FaceReader
OntvangerprogrammaNoldusNoldus Informatietechnologie software Observer
RF ontvangernanaAangepaste bouw USB-converter verbonden met een RF-ontvanger. Deze ontvanger heeft een squelch-instelling om hem gevoelig te maken op korte afstand.
Kleine schalennanaTwee laagwaardige aangepaste schalen gebaseerd op een drievoudige krachtsensormethode.
```

Referenties

  1. Burrows, T. L., Ho, Y. Y., Rollo, M. E., Collins, C. E. Validity of dietary assessment methods when compared to the method of doubly labeled water: A systematic review in adults. Frontiers in Endocrinology. 10, 850(2019).
  2. Brouwer-Brolsma, E. M., et al. Dietary intake assessment: From traditional paper-pencil questionnaires to technology-based tools. Environmental software systems. Data science in action. Advances in Information and Communication Technology. 554, (2020).
  3. Palese, A., et al. What nursing home environment can maximise eating independence among residents with cognitive impairment? Findings from a secondary analysis. Geriatric Nursing. 41 (6), 709-716 (2020).
  4. Krop, E. M., et al. Influence of oral processing on appetite and food intake - A systematic review and meta-analysis. Appetite. 125, 253-269 (2018).
  5. Nicolas, E., Veyrune, J. L., Lassauzay, C., Peyron, M. A., Hennequin, M. Validation of video versus electromyography for chewing evaluation of the elderly wearing a complete denture. Journal of Oral Rehabilitation. 34 (8), 566-571 (2007).
  6. Sabin, M. A., et al. A novel treatment for childhood obesity using Mandometer® technology. International Journal of Obesity. 7, (2006).
  7. Hermsen, S., et al. Evaluation of a Smart fork to decelerate eating rate. Journal of the Academy of Nutrition and Dietetics. 116 (7), 1066-1068 (2016).
  8. vanden Boer, J., et al. The splendid eating detection sensor: Development and feasibility study. JMIR mHealth and uHealth. 6 (9), 170(2018).
  9. Papapanagiotou, V., et al. A novel chewing detection system based on ppg, audio, and accelerometry. IEEE Journal of Biomedical and Health Informatics. 21 (3), 607-618 (2016).
  10. Ioakimidis, I., et al. Description of chewing and food intake over the course of a meal. Physiology & Behavior. 104 (5), 761-769 (2011).
  11. Ruiz, L. D., Zuelch, M. L., Dimitratos, S. M., Scherr, R. E. Adolescent obesity: Diet quality, psychosocial health, and cardiometabolic risk factors. Nutrients. 12 (1), 43(2020).
  12. Forde, C. G., van Kuijk, N., Thaler, T., de Graaf, C., Martin, N. Oral processing characteristics of solid savoury meal components, and relationship with food composition, sensory attributes and expected satiation. Appetite. 60 (1), 208-219 (2013).
  13. Weijzen, P. L. G., Smeets, P. A. M., de Graaf, C. Sip size of orangeade: effects on intake and sensory-specific satiation. British Journal of Nutrition. 102 (07), 1091-1097 (2009).
  14. Zijlstra, N., de Wijk, R. A., Mars, M., Stafleu, A., de Graaf, C. Effect of bite size and oral processing time of a semisolid food on satiation. The American Journal of Clinical Nutrition. 90 (2), 269-275 (2009).
  15. Bolhuis, D. P., et al. Slow food: sustained impact of harder foods on the reduction in energy intake over the course of the day. PloS One. 9 (4), 93370(2014).
  16. Grinyer, A. The anonymity of research participants: assumptions, ethics and practicalities. Social Research Update. 36 (1), 4(2002).

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

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Erratum


Formal Correction: Erratum: Concept Development and Use of an Automated Food Intake and Eating Behavior Assessment Method
Posted by JoVE Editors on 6/24/2021. Citeable Link.

An erratum was issued for: Concept Development and Use of an Automated Food Intake and Eating Behavior Assessment Method. An author name was updated.

The name was updated from:

Cees de Graaf

to:

Kees de Graaf

Trefwoorden

Apparaat voor voedingsanalysesensorgebaseerd dienbladmeting van de eetnelheidanalyse van de hapgroottekauwgedraganalyse via kunstmatige intelligentievideogebaseerde monitoringdraadloze dataoverdracht

Gerelateerde artikelen