Artykuł metodologiczny

Projektowanie i ocena inteligentnych okularów do przyjmowania pokarmu i klasyfikacji aktywności fizycznej

11.2K wyświetleń

⸱

DOI:

10.3791/56633

⸱

14 lutego 2018

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

W tym artykule

Podsumowanie

To badanie przedstawia protokół projektowania i produkcji okularowego urządzenia do noszenia, które wykrywa wzorce przyjmowania jedzenia i innych aktywności fizycznych za pomocą ogniw obciążnikowych umieszczonych w obu zawiasach okularów.

Streszczenie

To badanie przedstawia serię protokołów projektowania i produkcji okularowego urządzenia do noszenia, które wykrywa wzorce aktywności mięśni skroniowych podczas przyjmowania pokarmu i innych aktywności fizycznych. Wyprodukowaliśmy wydrukowaną w 3D ramkę okularów oraz moduł płytki drukowanej (PCB) zintegrowany z ogniwem obciążnikowym umieszczony w obu zawiasach ramy. Moduł służył do pozyskiwania sygnałów siły i przesyłania ich bezprzewodowo. Procedury te zapewniają systemowi większą mobilność, którą można ocenić w praktycznych warunkach noszenia, takich jak chodzenie i machanie. Wydajność klasyfikacji jest również oceniana poprzez rozróżnienie wzorców przyjmowania pokarmu od tych aktywności fizycznych. Szereg algorytmów wykorzystano do wstępnego przetworzenia sygnałów, wygenerowania wektorów cech i rozpoznania wzorców kilku wyróżnionych czynności (żucie i mruganie) oraz innych aktywności fizycznych (siedzący odpoczynek, mówienie i chodzenie). Wyniki pokazały, że średni wynik F1 klasyfikacji wśród wyróżnionych działań wyniósł 91,4%. Uważamy, że to podejście może być potencjalnie przydatne do automatycznego i obiektywnego monitorowania zachowań związanych ze spożywaniem z większą dokładnością jako praktyczne sposoby leczenia problemów związanych ze spożyciem.

Wprowadzenie

Ciągłe i obiektywne monitorowanie spożycia pokarmu jest niezbędne do utrzymania równowagi energetycznej w ludzkim ciele, ponieważ nadmierne gromadzenie energii może powodować nadwagę i otyłość1, co może skutkować różnymi komplikacjami medycznymi2. Wiadomo, że głównymi czynnikami powodującymi nierównowagę energetyczną są zarówno nadmierne spożycie pokarmu, jak i niewystarczająca aktywność fizyczna3. Wprowadzono różne badania nad monitorowaniem dziennego wydatku energetycznego z automatycznym i obiektywnym pomiarem wzorców aktywności fizycznej za pomocą urządzeń do noszenia4,5,6, nawet na poziomie konsumenta końcowego i na etapie medycznym7. Badania nad monitorowaniem spożycia pokarmu są jednak nadal prowadzone w warunkach laboratoryjnych, ponieważ trudno jest wykryć aktywność związaną z przyjmowaniem pokarmu w sposób bezpośredni i obiektywny. W tym miejscu staramy się przedstawić projekt urządzenia i jego ocenę w celu monitorowania spożycia pokarmu i wzorców aktywności fizycznej na poziomie praktycznym w życiu codziennym.

Istniały różne pośrednie podejścia do monitorowania spożycia pokarmu poprzez odgłosy żucia i połykania8,9,10, ruch nadgarstka11,12,13, analiza obrazu14, oraz elektromiogram (EMG)15. Podejścia te były jednak trudne do zastosowania w zastosowaniach życia codziennego ze względu na ich nieodłączne ograniczenia: metody wykorzystujące dźwięk były podatne na wpływ dźwięków otoczenia; metody wykorzystujące ruch nadgarstka były trudne do odróżnienia od innych aktywności fizycznych, gdy nie spożywano pokarmów; a metody wykorzystujące obrazy i sygnały EMG są ograniczone granicą ruchu i środowiska. Badania te wykazały zdolność do automatycznego wykrywania spożycia pokarmu za pomocą czujników, ale nadal miały ograniczone praktyczne zastosowanie w życiu codziennym poza warunkami laboratoryjnymi.

W tym badaniu użyliśmy wzorców aktywności mięśni skroniowych jako automatycznego i obiektywnego monitorowania spożycia pokarmu. Ogólnie rzecz biorąc, mięsień skroniowy powtarza skurcz i rozluźnienie jako część mięśnia żucia podczas przyjmowania pokarmu16,17; W ten sposób aktywność przyjmowania pokarmu może być monitorowana poprzez wykrywanie okresowych wzorców aktywności mięśni skroniowych. Ostatnio przeprowadzono kilka badań wykorzystujących aktywność mięśni skroniowych18,19,20,21, które wykorzystywały EMG lub piezoelektryczny czujnik napięcia i mocowały je bezpośrednio do ludzkiej skóry. Podejścia te były jednak wrażliwe na położenie elektrod EMG lub czujników naprężeń na skórze i łatwo odrywały się od skóry pod wpływem ruchu fizycznego lub potu. Dlatego zaproponowaliśmy nową i skuteczną metodę przy użyciu pary okularów, które wykrywają aktywność mięśnia skroniowego przez dwa ogniwa obciążnikowe umieszczone w obu zawiasach w naszym poprzednim badaniu22. Metoda ta wykazała duży potencjał wykrywania aktywności pobierania pokarmu z dużą dokładnością bez dotykania skóry. Był również dyskretny i nienachalny, ponieważ używaliśmy zwykłego urządzenia typu okulary.

W tym badaniu prezentujemy szereg szczegółowych protokołów, jak wdrożyć urządzenie typu okularowego i jak wykorzystać wzorce aktywności mięśni skroniowych do monitorowania spożycia pokarmu i aktywności fizycznej. Protokoły obejmują proces projektowania i produkcji sprzętu, który składa się z wydrukowanej w 3D ramki okularów, modułu obwodu i modułu akwizycji danych, a także obejmują algorytmy oprogramowania do przetwarzania i analizy danych. Ponadto zbadaliśmy klasyfikację wśród kilku wyróżnionych czynności (np. żucie, chodzenie i mruganie), aby zademonstrować potencjał jako praktycznego systemu, który może stwierdzić niewielką różnicę między spożyciem pokarmu a innymi wzorcami aktywności fizycznej.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

UWAGA: Wszystkie procedury, w tym z udziałem ludzi, zostały przeprowadzone w sposób nieinwazyjny, polegający jedynie na noszeniu okularów. Wszystkie dane pozyskano poprzez pomiar sygnałów siły z ogniw obciążeniowych wbudowanych w okulary, które nie miały bezpośredniego kontaktu ze skórą. Dane były przesyłane bezprzewodowo do modułu rejestrującego, którym w tym przypadku był wyznaczony na potrzeby badania smartfon. Żaden z protokołów nie odnosił się do badań in vivo/in vitro na ludziach. W eksperymentach nie wykorzystano leków ani próbek krwi. Od wszystkich uczestników eksperymentów uzyskano świadomą zgodę.

1. Produkcja modułu obwodu zintegrowanego z czujnikiem

  1. Zakup komponentów elektronicznych do budowy modułu obwodu.
    1. Zakupić dwa kuliste przetworniki siły, z których każdy pracuje w zakresie od 0 N do 15 N i generuje sygnał wyjściowy w postaci niskiego napięcia różnicowego o maksymalnym rozpięciu 120 mV przy pobudzeniu 3.3 V.
      UWAGA: Przetworniki te służą do pomiaru sygnałów siły po lewej i prawej stronie okularów.
    2. Zakupić dwa wzmacniacze pomiarowe oraz dwa rezystory ustawiające wzmocnienie o wartości 15 kΩ.
      UWAGA: Wzmacniacz pomiarowy i rezystor ustawiający wzmocnienie służą do ośmiokrotnego wzmocnienia sygnału siły z przetwornika, do poziomu 960 mV.
    3. Zakupić jednostkę mikrokontrolera (MCU) z funkcją łączności bezprzewodowej (np. Wi-Fi) oraz 10-bitowy przetwornik analogowo-cyfrowy (ADC).
      UWAGA: MCU służy do odczytu sygnałów siły i ich bezprzewodowego przesyłania do modułu akwizycji danych. Ponieważ jeden pin wejściowy analogowy jest wykorzystywany dla dwóch analogowych wejść sygnałów siły, w następnym kroku 1.1.4 wprowadzono zastosowanie multipleksera.
    4. Zakupić dwukanałowy multiplekser analogowy, który obsługuje dwa sygnały wejściowe za pomocą jednego pinu ADC w MCU.
    5. Zakupić akumulator litowo-polimerowy (LiPo) o nominalnym napięciu 3.7 V, nominalnej pojemności 30 mAh i prądzie rozładowania 1 C.
      UWAGA: Pojemność akumulatora dobrano tak, aby dostarczał prąd powyżej 20 mAh na godzinę i zapewniał niezawodne działanie systemu przez około 1.5 h eksperymentu.
    6. Zakupić regulator napięcia 3.3 V do liniowego obniżenia napięcia akumulatora z 3.7 V do napięcia roboczego systemu 3.3 V.
    7. Zakupić pięć rezystorów typu SMD o wartości 12 kΩ do zastosowania jako rezystory podciągające (pull-up) w MCU. Obrys rezystora wynosi 2.0 mm x 1.2 mm (rozmiar 2012).
  2. Wytworzenie płytek drukowanych (PCB). Krok ten obejmuje projektowanie płytek, tworzenie projektu wykonawczego (tzn. układu płytki, pliku .brd) oraz schematu (tzn. pliku .sch) do produkcji PCB. Do opracowania tych elementów wymagana jest podstawowa wiedza na temat procesu tworzenia plików projektowych i schematów.
    1. Narysować schemat lewego obwodu zawierającego akumulator, korzystając z aplikacji do projektowania elektronicznego, jak pokazano na Rysunku 1A. Wynik zapisać zarówno jako plik projektu wykonawczego (.brd), jak i schematu (.sch).
    2. Narysować schemat prawego obwodu zawierającego MCU, korzystając z aplikacji do projektowania elektronicznego, jak pokazano na Rysunku 1B. Wynik zapisać zarówno jako plik projektu wykonawczego (.brd), jak i schematu (.sch).
    3. Wytworzyć płytki obwodowe, składając zamówienie w firmie zajmującej się produkcją PCB.
    4. Przylutować wszystkie komponenty elektroniczne przygotowane w kroku 1.1 do płytek PCB, zgodnie z Rysunkiem 2 i Rysunkiem 3.
      OSTROŻNIE: Wzmacniacz pomiarowy jest bardzo wrażliwy na temperaturę lutowania. Należy upewnić się, że temperatura grotu nie przekracza 300 °C przez czas dłuższy niż 10 s podczas lutowania, w przeciwnym razie może dojść do trwałego uszkodzenia komponentu.

2. Drukowanie 3D oprawki okularów

  1. Narysuj model 3D przedniej części oprawek okularów za pomocą narzędzia do modelowania 3D, tak jak pokazano na Rysunku 4A. Eksportuj wynik do formatu pliku .stl.
  2. Narysuj model 3D lewego i prawego zausznika okularów za pomocą narzędzia do modelowania 3D, tak jak pokazano na Rysunku 4B oraz Rysunku 4C. Eksportuj wyniki do formatu pliku .stl.
  3. Wydrukuj przednią część oraz zauszniki za pomocą drukarki 3D i filamentu z włókna węglowego, przy temperaturze dyszy 240 °C i temperaturze stołu 80 °C.
    UWAGA: Można używać dowolnej komercyjnej drukarki 3D oraz dowolnych rodzajów filamentów, takich jak akrylonitrylo-butadien-styren (ABS) i polilaktyd (PLA). Temperatury dyszy i stołu mogą być dostosowane do rodzaju filamentu i warunków drukowania.
  4. Podgrzej końcówki zauszników za pomocą opalarki ustawionej na 180 °C i wygnij je do wewnątrz o około 15 stopni, aby stykały się z naskórkiem w okolicy mięśnia skroniowego, podobnie jak w przypadku konwencjonalnych okularów.
    UWAGA: Stopień wygięcia zausznika nie musi być rygorystycznie określony, ponieważ celem zakrzywienia jest poprawa ergonomii, aby okulary dopasowały się do głowy badanego podczas zakładania. Należy jednak uważać, gdyż nadmierne wygięcie uniemożliwi kontakt zauszników z mięśniem skroniowym, co uniemożliwi zebranie istotnych wzorców danych.
  5. Powtórz czynności z kroków 2.1–2.4, aby wydrukować oprawki okularów w dwóch różnych rozmiarach, tak aby pasowały do różnych obwodów głowy, jak pokazano na Rysunku 4.

3. Montaż wszystkich elementów okularów

  1. Zamocuj płytki PCB po obu stronach zauszników okularów, używając śrub M2, jak pokazano na Ryc. 5.
  2. Zmontuj oprawkę i zauszniki, wkładając śruby M2 w zawiasy.
  3. Połącz lewą i prawą płytkę PCB za pomocą 3-pinowych przewodów połączeniowych, jak pokazano na Ryc. 5.
  4. Podłącz baterię do lewego obwodu i przymocuj ją taśmą klejącą do lewego zausznika. Strona montażu baterii nie jest krytyczna, ponieważ może się ona różnić w zależności od projektu PCB.
  5. Oklej końcówki zauszników oraz noski okularów gumowymi taśmami w celu zwiększenia tarcia przy kontakcie ze skórą, jak pokazano na Ryc. 5.

4. Opracowanie systemu akwizycji danych

UWAGA: System akwizycji danych składa się z modułu nadawczego i modułu odbiorczego. Moduł nadawczy odczytuje sygnały czasu oraz siły z obu stron, a następnie przesyła je do modułu odbiorczego, który gromadzi otrzymane dane i zapisuje je w plikach .tsv.

  1. Wgraj aplikację do przesyłania danych do MCU modułu PCB, postępując zgodnie z procedurami opisanymi w krokach 4.1.1–4.1.3.
    1. Uruchom na komputerze projekt „GlasSense_Server” dołączony do plików uzupełniających.
      UWAGA: Projekt ten został opracowany w zintegrowanym środowisku programistycznym (IDE) Arduino. Umożliwia on odczyt sygnałów czasu i siły z częstotliwością 20 próbek/s oraz ich przesyłanie do modułu odbierającego dane.
    2. Podłącz moduł PCB do komputera za pomocą złącza uniwersalnej magistraly szeregowej (USB).
    3. Naciśnij przycisk „Upload” w IDE Arduino, aby wgrać kody programistyczne z kroku 4.1.1 do MCU.
  2. Wgraj aplikację do odbierania danych na smartfon, który służy do bezprzewodowego odbierania danych, postępując zgodnie z procedurami opisanymi w krokach 4.2.1–4.2.3.
    1. Uruchom na komputerze projekt „GlasSense_Client” dołączony do plików uzupełniających.
      UWAGA: Projekt ten został opracowany w języku programowania C#. Umożliwia on odbieranie danych i zapisywanie plików .tsv, które zawierają informacje o badanym, takie jak imię, płeć, wiek i wskaźnik masy ciała (BMI).
    2. Podłącz smartfon do komputera za pomocą złącza USB, aby zbudować aplikację do odbierania danych.
    3. Naciśnij przycisk „File > Build & Run” w projekcie C#, aby zainstalować aplikację do odbierania danych na smartfonie.

5. Gromadzenie danych z badania użytkowników

UWAGA: W badaniu tym zebrało sześć wybranych zestawów aktywności: odpoczynek w pozycji siedzącej (SR), żucie w pozycji siedzącej (SC), chodzenie (W), żucie podczas chodzenia (CW), mówienie w pozycji siedzącej (ST) oraz mruganie w pozycji siedzącej (SW).

  1. Wybierz okulary o rozmiarze odpowiednim dla osoby badanej. Dostrój stopień dopasowania za pomocą śrub mocujących znajdujących się przy obu zawiasach (Rysunek 5).
    UWAGA: Wartości siły nie mogą przekraczać 15 N, ponieważ czujniki siły użyte w tej badaniu mogą stracić precyzyjną charakterystykę liniową poza zakresem pracy. Wartości siły można precyzyjnie dostroić, poluzowując lub dokręcając śruby mocujące.
  2. Należy zarejestrować aktywność wszystkich obiektów, naciskając przycisk „Record” w aplikacji stworzonej w kroku 4.2.3.
    1. Należy zarejestrować aktywność w bloku trwającym 120 s i wygenerować plik z tym zapisem.
      1. W przypadku SR należy posadzić badanego na krześle i poprosić o korzystanie ze smartfona lub czytanie książki. Należy dopuścić ruchy głowy, unikając jednak poruszania całym ciałem.
      2. W przypadku SC i CW badani powinni spożyć dwa rodzaje tekstur pokarmowych (tosty z chleba oraz żelkę do żucia), aby odzwierciedlić różne właściwości pokarmu. Tosty z chleba należy podawać w plastrach o wymiarach 20 mm x 20 mm, co stanowi odpowiednią wielkość kęsa.
      3. W przypadku W poproś badanych o marsz na bieżni z prędkością 4,5 km/h.
      4. W przypadku ST należy posadzić badanych i poprosić ich o głośne czytanie książki w normalnym tonie i tempie.
      5. W przypadku SW poinformuj badanych, aby mrugali w momencie dźwięku dzwonka o czasie trwania 0,5 s, emitowanego co 3 s.
    2. Wygeneruj plik z zapisem w formacie .tsv na podstawie danych zebranych w kroku 5.2.1.
      UWAGA: Plik ten zawiera sekwencję czasu otrzymania danych, sygnał siły lewej, sygnał siły prawej oraz etykietę reprezentującą aktualną aktywność twarzy. Wizualizacje sygnałów czasowych wszystkich aktywności w bloku użytkownika przedstawiono w Rysunek 6Sześć wyróżnionych zestawów aktywności (SR, SC, W, CW, ST i SW) oznaczono odpowiednio numerami 1, 2, 3, 4, 5 i 6. Etykiety te posłużyły do porównania przewidzianych klas w sekcji 8 protokołu.
    3. Zastosuj 60-sekundową przerwę po bloku nagrań. Zdejmij okulary podczas przerwy i załóż je ponownie po wznowieniu bloku nagrań.
    4. Powtórz cykl kroków 5.2.1 i 5.2.2 (blokowanie i przerywanie) cztery razy dla każdej aktywności.
    5. W przypadku SW poproś badanego o wielokrotne mruganie lewym okiem podczas jednego bloku, a następnie o wielokrotne mruganie prawym okiem podczas następnego bloku.
  3. Powtórz kroki 5.1–5.2 i zbierz dane od 10 badanych. W niniejszym badaniu wykorzystano pięciu mężczyzn i pięć kobiet; średni wiek wynosił 27,9 ± 4,3 (odchylenie standardowe; s.d.) lat, w przedziale od 19 do 3 lat, a średni wskaźnik BMI wynosił 21,6 ± 3,2 (s.d.) kg/m²2, które mieściły się w przedziale 17,9–27,4 kg/m²2.
    UWAGA: W niniejszym badaniu do grupy rekrutacyjnej włączono osoby, które nie miały żadnych przeciwwskazań medycznych do żucia pokarmów, mrugania oraz chodzenia; warunek ten posłużył jako kryterium włączenia.

6. Wstępne przetwarzanie sygnału i segmentacja

UWAGA: W poniższych procedurach sygnały lewy i prawy są obliczane oddzielnie.

  1. Przygotuj serię ram czasowych o długości 2 s każda.
    1. Podziel zarejestrowane sygnały o długości 120 s na zestaw ramek 2-sekundowych, przesuwając je w odstępach 1 s przy użyciu programu MATLAB, jak pokazano w Rycina 6.
      UWAGA: Do ekstrakcji cech w sekcji 7 wykorzystano podzielone ramki o długości 2 s. Wielkość skoku wynosząca 1 s została ustalona w celu podzielenia sygnałów przez wspomniany wcześniej w kroku 5.2.1 3-sekundowy odstęp między mrugnięciami.
    2. Zastosuj filtr dolnoprzepustowy (LPF), używając 5th filtr Butterworth z częstotliwością odcięcia 10 Hz dla każdej ramki.
    3. Zapisz wyniki kroku 6.1.2 jako klatki czasowe dla kolejnych etapów w kroku 7.1.
  2. Przygotuj serię klatek widmowych.
    1. Odejmij medianę od oryginalnych sygnałów z każdej klatki, aby usunąć obciążenie wstępne występujące podczas noszenia okularów.
      UWAGA: Wartość obciążenia wstępnego nie jest wymagana w poniższej analizie częstotliwości, ponieważ nie zawiera ona żadnych informacji o żuciu, chodzeniu ani mruganiu. itp. Mogłoby ono jednak zawierać istotne informacje, które mogą różnić się w zależności od badanego, od każdego ustawienia okularów, a nawet od momentu, w którym badany je nosi.
    2. Zastosuj okno Hanninga do każdej ramki w celu zredukowania wycieku widma podczas analizy częstotliwościowej.
    3. Wygeneruj i zapisz widmo jednostronne, stosując szybką transformatę Fouriera (FFT) do każdej klatki.
  3. Kombinację ramki czasowej i ramki widmowej z tego samego momentu czasu definiuje się jako blok ramek (lub po prostu ramkę).

7. Generowanie wektorów cech

UWAGA: Wektor cech jest generowany dla każdej klatki utworzonej w sekcji 6 protokołu. Klatki lewa i prawa są obliczane oddzielnie, a następnie łączone w wektor cech w poniższych procedurach. Wszystkie procedury zostały zaimplementowane w programie MATLAB.

  1. Wyodrębnij cechy statystyczne z ramki czasowej zgodnie z krokiem 6.1 protokołu. Lista wszystkich 54 cech znajduje się w Tabeli 1.
  2. Wyodrębnij cechy statystyczne z ramki widmowej zgodnie z krokiem 6.2 protokołu. Lista wszystkich 30 cech znajduje się w Tabeli 2.
  3. Wygeneruj 84-wymiarowy wektor cech poprzez połączenie powyższych cech czasowych i widmowych.
  4. Oznacz wygenerowane wektory cech z nagrań zgodnie z krokiem 5.2 protokołu.
  5. Powtórz kroki od 7.1 do 7.4 dla wszystkich bloków ramek i wygeneruj serię wektorów cech.

8. Klasyfikacja działań do klas

UWAGA: Ten etap służy do wyboru modelu klasyfikatora maszyny wektorów wspierających (SVM)23 poprzez określenie parametrów zapewniających najwyższą dokładność dla danego problemu (tj. wektorów cech). SVM jest dobrze znaną techniką nadzorowanego uczenia maszynowego, która wykazuje doskonałą wydajność w zakresie generalizacji i odporności, wykorzystując maksymalny margines między klasami oraz funkcję jądra. W celu zdefiniowania parametru kary C oraz parametru jądra γ funkcji radialnej bazowej (RBF) zastosowaliśmy metodę przeszukiwania siatki (grid-search) oraz walidację krzyżową. Do przeprowadzenia poniższych procedur wymagana jest podstawowa znajomość technik uczenia maszynowego oraz SVM. W celu lepszego zrozumienia technik uczenia maszynowego i algorytmu SVM zaleca się skorzystanie z materiałów referencyjnych23,24,25. Wszystkie procedury opisane w tej sekcji zostały zaimplementowane przy użyciu pakietu oprogramowania LibSVM25.

  1. Zdefiniuj siatkę par (C, γ) dla przeszukiwania siatki (grid-search). Użyj rosnących wykładniczo ciągów C (2-10, 2-5, …, 230) i γ (2-30, 2-25, …, 210).
    UWAGA: Sekwencje te zostały wyznaczone heurystycznie.
  2. Zdefiniuj parę (C, γ) (np., (2-10, 2-30)).
  3. Dla siatki zdefiniowanej w kroku 8.2 przeprowadź 10-krotną walidację krzyżową.
    UWAGA: Ten schemat polega na podziale wszystkich wektorów cech na 10 podzbiorów, a następnie testowaniu jednego z nich przy użyciu modelu klasyfikatora wytrenowanego na pozostałych podzbiorach; proces ten jest powtarzany dla każdego podzbioru po kolei. Dzięki temu każdy wektor cech może zostać przetestowany sekwencyjnie.
    1. Podziel całe wektory cech na podzbiory składające się z 10 części.
    2. Zdefiniuj zestaw testowy z jednego podzbioru oraz zestaw treningowy z pozostałych 9 podzbiorów.
    3. Zdefiniuj wektor skalowania, który przeskaluje wszystkie elementy wektorów cech do zakresu [0, 1] dla zbioru treningowego.
      UWAGA: Wektor skalujący ma ten sam wymiar co wektor cech. Składa się on ze zbioru mnożników, które skalują ten sam wiersz (lub kolumnę) wszystkich wektorów cech do zakresu [0, 1]. Na przykład pierwsza cecha wektora cech jest skalowana liniowo do zakresu [0, 1] dla wszystkich pierwszych cech wektorów cech zbioru treningowego. Należy zauważyć, że wektor skalujący jest definiowany na podstawie zbioru treningowego, ponieważ przyjmuje się, że zbiór testowy jest nieznany. Ten krok zwiększa dokładność klasyfikacji poprzez sprowadzenie cech do wspólnego zakresu i uniknięcie błędów numerycznych podczas obliczeń.
    4. Przeskaluj każdą cechę zbioru treningowego do zakresu [0, 1], korzystając z wektora skalowania otrzymanego w kroku 8.2.3.
    5. Przeskaluj każdą cechę zbioru testowego do zakresu [0, 1], wykorzystując wektor skalowania uzyskany w kroku 8.2.3.
    6. Wytrenuj zbiór treningowy za pomocą SVM, stosując zdefiniowaną w kroku 8.2 parę (C, γ), a następnie zbuduj model klasyfikatora.
    7. Przetestuj zbiór testowy za pomocą SVM, wykorzystując zdefiniowaną w kroku 8.2 parę parametrów (C, γ) oraz model klasyfikatora uzyskany w procedurze trenowania.
    8. Oblicz dokładność klasyfikacji na zbiorze testowym. Dokładność obliczono jako procent poprawnie zaklasyfikowanych wektorów cech.
    9. Powtórz kroki 8.2.2–8.2.8 dla wszystkich podzbiorów i oblicz średnią dokładność wszystkich podzbiorów.
  4. Powtórz kroki 8.2–8.3.9 dla wszystkich punktów siatki dla pary (C, γ).
  5. Znajdź lokalne maksimum najwyższej dokładności siatki. Wszystkie procedury z sekcji 8 zostały przedstawione w Rycina 7.
  6. (Opcjonalnie) Jeśli krok siatki zostanie uznany za zbyt gruby, należy powtórzyć kroki 8.1–8.5 przy zastosowaniu gęstszej siatki w pobliżu lokalnego maksimum wyznaczonego w kroku 8.5, a następnie wyznaczyć nowe lokalne maksimum dla gęstszej siatki.
  7. Oblicz precyzję, pełność (recall) oraz miarę F11 wynik dla każdej klasy aktywności z następujących równań:
    Wzór na precyzję, TP/(TP+ΣFP), równanie matematyczne do pomiaru dokładności analizy danych.                                   Równanie 1
    wzór na czułość (recall) TP/(TP+ΣFN), równanie precyzja-czułość stosowane w analizie danych, ocenie statystycznej                                             Równanie 2
    Wzór na wskaźnik F1: 2 × (precyzja × czułość) / (precyzja + czułość). Schemat wyrażenia matematycznego.          Równanie 3
    gdzie TP, FP i FN reprezentują odpowiednio wyniki prawdziwie dodatnie, fałszywie dodatnie i fałszywie ujemne dla każdej aktywności. Macierz pomyłek dla wszystkich aktywności przedstawiono w Tabela 3.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Za pomocą procedur opisanych w protokole przygotowano dwie wersje drukowanej w 3D ramy, różniące się długością elementu głowowego, LH (133 i 138 mm) oraz skronie, LT (110 i 125 mm), jak pokazano w Rycina 4. Dlatego możemy uwzględnić kilka warunków użytkowania, które mogą się różnić w zależności od rozmiaru i kształtu głowy użytkowników, itp. Podmioty wybrały jedną z opraw, aby dopasować ją do głowy w trakcie badania użytkownika....

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

W tym badaniu najpierw zaproponowaliśmy projekt i proces produkcji okularów, które wyczuwają wzorce przyjmowania pokarmu i aktywności fizycznej. Ponieważ badanie to koncentrowało się głównie na analizie danych w celu odróżnienia spożycia pokarmu od innych aktywności fizycznych (takich jak chodzenie i mruganie), czujnik i system akwizycji danych wymagały wdrożenia rejestracji mobilności. W związku z tym system zawierał czujniki, MCU z możliwością komunikacji bezprzewodowej oraz baterię. Proponowany protokół zapewnił nowat...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autorzy nie mają nic do ujawnienia.

Podziękowania

Ta praca była wspierana przez Envisible, Inc. Badanie to zostało również wsparte grantem w ramach Koreańskiego Projektu Badawczo-Rozwojowego w zakresie Technologii Medycznych, Ministerstwa Zdrowia i Opieki Społecznej Republiki Korei (HI15C1027). Badania te były również wspierane przez Narodową Fundację Badawczą Korei (NRF-2016R1A1A1A05005348).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
FSS1500NSBHoneywell, USAOgniwo obciążnikowe
INA125UTexas Instruments, USAWzmacniacz
ESP-07Shenzhen Anxinke Technology, ChinyMCU z modułem Wi-Fi
74LVC1G3157Nexperia, HolandiaMultiplekser
MP701435PMaxpower, ChinyBateria
LiPoU1V10F3Pololu, Stany ZjednoczoneRegulator napięcia
Ultimaker 2Ultimaker, HolandiaDrukarka 3D
ColorFabb XT-CF20ColorFabb, HolandiaFilament z włókna węglowego
iPhone 6s PlusApple, USAUrządzenie do akwizycji danych
Jelly BellyJelly Belly Candy Company, USATekstura żywności do badania użytkowników

Bibliografia

  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).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Urz dzenie ubieralnemi sie skroniowywydrukowana w technologii 3D ramaogniwo odkszta caj cetransmisja bezprzewodowaklasyfikacja uczeniem maszynowymwektor cech

Powiązane artykuły