Summary
Este estudo apresenta um protocolo de projetar e fabricar um óculos-tipo dispositivo wearable que detecta os padrões de ingestão de alimentos e outras atividades físicas indicadas usando células de carga inserida em ambas as dobradiças dos óculos.
Abstract
Este estudo apresenta uma série de protocolos de projetar e fabricar um óculos-tipo dispositivo wearable que detecta os padrões de atividades de músculo temporalis durante a ingestão de alimentos e outras atividades físicas. Temos fabricado um quadro 3D-impresso de óculos e um módulo de placa (PCB) de circuito integrado de célula de carga inserido em ambas as dobradiças do quadro. O módulo foi usado para adquirir os sinais de força e transmiti-los sem fio. Esses procedimentos fornecem o sistema com maior mobilidade, que pode ser avaliada em condições usando práticas como caminhadas e abanar. Um desempenho da classificação também é avaliado por distinguem os padrões de ingestão de alimentos aquelas atividades físicas. Uma série de algoritmos foram usados para pré-processar os sinais, gerar vetores de recurso e reconhecer os padrões de vários destaque atividades (mastigação e piscando) e outras atividades físicas (resto sedentário, falando e andando). Os resultados mostraram que o placar de1 média F da classificação entre as atividades de destaque foi 91,4%. Acreditamos que esta abordagem pode ser potencialmente útil para monitoramento automático e objectiva de comportamentos ingestor com maior precisão como meios práticos para tratar problemas de ingestor.
Introduction
Monitoramento contínuo e objectiva de ingestão de alimentos é essencial para manter o equilíbrio de energia no corpo humano, como a acumulação de energia excessiva pode causar obesidade e overweightness1, que poderia resultar em várias complicações médicas2. Os principais fatores do desequilíbrio da energia são conhecidos por serem tanto a ingestão excessiva de alimentos e atividade física insuficiente3. Vários estudos sobre o controlo de gasto de energia diário foram introduzidos com medição automática e objetiva dos padrões de actividade física através de dispositivos wearable4,5,6, mesmo com o consumidor final estágio médico e nível7. Pesquisa sobre o controlo da ingestão de alimentos, no entanto, ainda se encontra a configuração de laboratório, uma vez que é difícil de detectar a atividade de ingestão de alimentos de forma direta e objetiva. Aqui, nosso objetivo é apresentar um projeto de dispositivo e a sua avaliação para monitoramento da ingestão de alimentos e padrões de atividade física em um nível prático na vida diária.
Há diversas abordagens indiretas para monitorar a ingestão de alimentos através da mastigação e deglutição sons8,9,10, movimento do pulso11,12,13, imagem análise de14e eletromiografia (EMG)15. No entanto, essas abordagens foram difíceis de aplicar para aplicações diárias da vida, por causa de suas limitações inerentes: os métodos usando som eram vulneráveis a ser influenciado pelo som ambiental; os métodos usando o movimento do pulso eram difíceis de distinguir de outras atividades físicas, quando não consumir alimentos; e os métodos usando as imagens e sinais de EMG são restritos pelo limite de movimento e ambiente. Estes estudos mostraram a capacidade de detecção automática da ingestão de alimentos, usando sensores, mas ainda tinham uma limitação da aplicabilidade prática à vida cotidiana, além de configurações de laboratório.
Neste estudo, nós usamos os padrões de atividade do músculo temporalis como o monitoramento automático e objetiva da ingestão de alimentos. Em geral, o músculo temporalis repete a contração e relaxamento como uma parte do músculo mastigatório durante a comida ingestão16,17; assim, a atividade de ingestão de alimentos pode ser monitorada, detectando os padrões periódicos de atividade do músculo temporalis. Recentemente, tem havido vários estudos utilizando os temporalis muscular atividade18,19,20,,21, que usou o EMG ou estirpe piezoelétrico sensor e anexá-las diretamente em humanos pele. Essas abordagens, no entanto, foram sensíveis à posição de pele dos eletrodos de EMG ou sensores de tensão e foram facilmente separadas da pele devido a movimentos físicos ou transpiração. Por conseguinte, propusemos um método novo e eficaz, usando um par de óculos nesse sentido os temporalis muscular atividade através de células de carga de dois inserido em ambas as dobradiças no nosso anterior estudo22. Esse método mostrou um grande potencial de detectar a atividade de ingestão de alimentos com uma alta precisão sem tocar a pele. Também foi não-intrusiva e não intrusiva, uma vez que usamos um dispositivo tipo óculos comuns.
Neste estudo, apresentamos uma série de protocolos detalhados de como implementar o óculos-tipo de dispositivo e como usar os padrões de atividade do músculo temporalis para monitoramento da ingestão de alimentos e atividade física. Os protocolos incluem o processo de design de hardware e de fabricação que consiste em um frame 3D-impresso de óculos, um módulo de circuito e um módulo de aquisição de dados e incluem os algoritmos de software para processamento de dados e análise. Examinamos, além disso, a classificação entre várias atividades indicadas (por exemplo, mastigar, caminhando e piscando) para demonstrar o potencial como um sistema prático que pode distinguir um minuto a ingestão de alimentos e outras atividades físicas padrões.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Nota: Todos os procedimentos, incluindo o uso de cobaias humanas foram realizados de forma não-invasiva de simplesmente usar um par de óculos. Todos os dados foram adquiridos através da medição dos sinais de força de células de carga, inseridos em copos que não estavam em contato direto com a pele. Os dados foram transmitidos sem fio para o módulo de gravação de dados, que, neste caso, é um smartphone designado para o estudo. Todos os protocolos não foram relacionados na vivo/em vitro estudos humanos. Não há amostras de sangue e drogas foram utilizadas para os experimentos. Foi obtido o consentimento de todos os sujeitos dos experimentos.
1. a fabricação de um módulo de circuito Sensor integrado
-
Compra de componentes eletrônicos para fabricação do módulo de circuito.
- Células de carga tipo bola compra dois, cada um dos quais opera em uma escala entre 0 N e 15 N e produz uma saída de baixa tensão diferencial com máxima 120 mV span em uma excitação V 3.3.
Nota: Estas células são usadas para medir de carga force sinais em ambos os lados esquerdo e direito dos óculos. - Compra dois amplificadores de instrumentação e kΩ dois 15 resistores de ganho de definição.
Nota: O amplificador de instrumentação e o resistor de ajuste de ganho são usados para amplificar o sinal de força da célula de carga de oito vezes, até 960 mV. - Compre uma unidade de micro controlador (MCU) com capacidade sem fio (por exemplo, conectividade Wi-Fi) e um conversor analógico-digital de 10 bits (ADC).
Nota: O MCU é usado para ler os sinais de força e transmiti-las a um módulo de aquisição de dados sem fio. Porque um pino de entrada analógico é usado para duas entradas analógicas de força, o uso de um multiplexador é introduzido na próxima etapa 1.1.4. - Compra um multiplexador de analógico de dois canais que manipula os dois sinais de entrada com um pino de ADC no MCU.
- Compre uma bateria de lítio-íon polímero (LiPo) com 3,7 V de tensão nominal, 300 mAh de capacidade nominal e taxa de descarga de 1 C.
Nota: A capacidade da bateria foi escolhida para fornecer a corrente suficiente por hora mais de 200 mAh e operar o sistema confiável para cerca de 1,5 h de um experimento. - Compra um regulador de tensão 3.3 V para baixo-Regulamento linear da tensão da bateria 3.7 V para o 3.3 V tensão do sistema de funcionamento.
- Compra cinco 12 kΩ dispositivos de montagem em superfície (SMD) tipo resistores como resistores pull-up do MCU. Pegada do resistor é 2,0 x 1,2 mm (tamanho 2012).
- Células de carga tipo bola compra dois, cada um dos quais opera em uma escala entre 0 N e 15 N e produz uma saída de baixa tensão diferencial com máxima 120 mV span em uma excitação V 3.3.
-
Fabrica placas de circuito impresso (PCB). Esta etapa é sobre desenho de placas de circuito e fazendo a obra de arte (ou seja, o layout da placa, o arquivo de .brd) e os esquemas (ou seja, o arquivo SCH) para fabricação de PCB. Uma compreensão básica do processo de criação de arquivos de arte-final e a planta é necessária para o desenvolvimento.
- Desenhe um diagrama esquemático de um circuito esquerdo contendo a bateria usando um aplicativo de design eletrônico, conforme mostrado na figura 1A. Salve o resultado como obra de arte (.brd) e arquivos de esquema (SCH).
- Desenhe um diagrama esquemático de um certo circuito contendo o MCU usando um aplicativo de design eletrônico, conforme mostrado na figura 1B. Salve o resultado como obra de arte (.brd) e arquivos de esquema (SCH).
- Fabrica as placas de circuito, colocando uma ordem com uma empresa de fabricação de PCB.
- Solde cada componente eletrônico, preparado na etapa 1.1 para os PCB, como mostrado na Figura 2 e Figura 3.
Atenção: O amplificador de instrumentação é muito sensível à temperatura de soldagem. Certifique-se que a temperatura de chumbo não exceda 300 ° C, durante 10 s durante a soldagem, caso contrário pode causar danos permanentes ao componente.
2. 3D impressão de um quadro dos óculos
- Desenhe o modelo 3D da peça cabeça dos vidros usando uma ferramenta de modelagem 3D, como indicado na Figura 4A. Exporte o resultado para o formato. STL.
- Desenhe o modelo 3D dos templos à esquerda e à direito dos óculos usando uma ferramenta de modelagem, como mostrado na Figura 4e Figura 4B 3D. Exporte os resultados para o formato de arquivo. STL.
- Imprima as peça e templo peças usando uma impressora 3D e um filamento de fibra de carbono a 240 ° C de temperatura do bocal e 80 ° C, uma temperatura de cama.
Nota: Pode ser autorizada a utilização de qualquer impressora 3D comercial e quaisquer tipos de filamentos como acrilonitrila-butadieno-estireno (ABS) e polilactida (PLA). As temperaturas do bocal e cama podem ser ajustadas de acordo com o filamento e condições de impressão. - Aqueça as pontas dos templos usando um soprador de ar quente de um ajuste de 180 ° C e dobre-as para dentro cerca de 15 graus para entrar em contato com a epiderme do músculo temporalis como óculos convencionais.
Nota: O grau de flexão do Templo de óculos não precisa ser rigoroso, como a finalidade da curvatura é aumentar um fator de forma, ajudando os óculos caber na cabeça de um sujeito quando equipado. Tenha cuidado, porém, como a curvatura excessiva impedirá os templos de tocar o músculo temporalis, que torna impossível para recolher padrões significativos. - Repita os passos da etapa 2.1 – 2.4 para imprimir dois diferentes tamanhos de quadro de óculos para caber vários tamanhos de cabeça, como mostrado na Figura 4.
3. montagem de todas as partes dos óculos
- Inserir a PCB sob a forma de ambos os lados dos templos dos vidros usando parafusos M2, conforme mostrado na Figura 5.
- Monte a peça principal e os templos, inserindo os parafusos M2 para as juntas de articulação.
- Conecte os PCB de esquerda e direito usando os fios de ligação de 3 pinos, conforme mostrado na Figura 5.
- Conecte a bateria ao circuito esquerdo e anexá-lo com uma fita adesiva para a têmpora esquerda. O lado de montagem da bateria não é crítico, já que isso pode variar dependendo do design de PCB.
- Cobrir os vidros com fitas de borracha na ponta e almofada para o nariz para adicionar mais atrito com a pele humana, como mostrado na Figura 5.
4. desenvolvimento de um sistema de aquisição de dados
Nota: O sistema de aquisição de dados é composto de uma transmissão de módulo e um módulo de recepção de dados de dados. O módulo de transmissão de dados lê o tempo e a força os sinais de ambos os lados e em seguida, envia-los para o módulo de recebimento de dados, que reúne os dados recebidos e os grava arquivos TSV.
-
Carregar os aplicativo para o MCU do módulo PCB seguindo os procedimentos em etapas 4.1.1–4.1.3 de transmissão de dados.
- Execute o projeto de "GlasSense_Server" anexado aos arquivos complementares usando um computador.
Nota: Este projeto foi construído com Arduino ambiente de desenvolvimento integrado (IDE). Ele fornece a capacidade para ler o tempo e forçar os sinais com 200 amostras/s e transmiti-los para o módulo de recebimento de dados. - Ligar o módulo PCB ao computador através de um conector de barramento serial universal (USB).
- Pressione o botão de "Upload" no Arduino IDE flash os códigos de programação da etapa 4.1.1 em MCU.
- Execute o projeto de "GlasSense_Server" anexado aos arquivos complementares usando um computador.
-
Carregar o aplicativo de recebimento de dados para um smartphone, que é usado para receber os dados sem fio, seguindo os procedimentos em etapas 4.2.1–4.2.3.
- Execute o projeto de "GlasSense_Client" anexado aos arquivos complementares usando um computador.
Nota: Este projeto foi construído com c# linguagem de programação. Ele fornece a capacidade de receber dados e salvar os arquivos TSV, que contêm informações de um assunto, tais como nome, sexo, idade e índice de massa corporal (IMC). - Conecte o smartphone ao computador através de um conector USB para construir o aplicativo de recebimento de dados.
- Pressione o botão "Arquivo > Build & Run" no c# projeto parComCompilação o aplicativo de recebimento de dados para o smartphone.
- Execute o projeto de "GlasSense_Client" anexado aos arquivos complementares usando um computador.
5. dados coleção de um estudo de usuário
Nota: Este estudo coletados seis conjuntos Indicados: atividade: resto sedentário (SR), sedentários mastigação (SC), andar (W), mastigar enquanto caminhava (CW), sedentário falante (ST) e piscadela sedentária (SW).
- Selecione um par de óculos que têm um tamanho adequado para o usuário a ser testado. Ajuste a tensão com os parafusos de suporte em ambas as dobradiças (Figura 5).
Atenção: Os valores de força não devem exceder 15 N, uma vez que os sensores de força utilizados neste estudo podem perder a característica linear bem acima da faixa de operação. Os valores de força podem aperfeiçoá-lo pelo afrouxamento ou o apoio de aperto dos parafusos. -
Recorde as atividades de todas as disciplinas, pressionando o botão "Gravar" o aplicativo construídas na etapa 4.2.3.
- Gravar uma actividade durante um bloco de 120-s e gerar um arquivo de gravação do mesmo.
- No caso do SR, sente-se o sujeito em uma cadeira e tê-los a usar um smartphone ou ler um livro. Permitir o movimento da cabeça, mas evitar o movimento de todo o corpo.
- Nos casos de SC e CW, tem os assuntos comer dois tipos de textura de alimentos (pão torrado e mastigação geleia) a fim de refletir as propriedades de diferentes alimentos. Sirva o pão torrado em fatias de 20 mm x 20 mm, que é um bom tamanho para comer.
- No caso de W, tem os assuntos andar a uma velocidade de 4,5 km/h em uma esteira.
- No caso de ST, sente-se os temas e os leu um livro em voz alta em um tom normal e velocidade.
- No caso de SW, informar os assuntos a piscar sobre o calendário de um som de sino de 0,5 s longo cada 3 s.
- Gere um arquivo de gravação no formato TSV a partir dos dados coletados na etapa 5.2.1.
Nota: Este arquivo contém uma sequência do tempo quando os dados foram recebidos, um sinal de força à esquerda, um certa força sinal e um rótulo que representa a atual atividade facial. Visualizações de sinais temporais de todas as atividades em um bloco de um usuário eram representadas na Figura 6. Os seis conjuntos de atividade indicados (RS, SC, W, CW, ST e SW) foram rotulados como 1, 2, 3, 4, 5 e 6, respectivamente. Os rótulos foram utilizados para comparar as classes previstas na secção 8 do protocolo. - Fazer uma pausa de 60-s após o bloco de gravação. Tire os óculos durante o intervalo e re-usar novamente quando for reiniciado o bloco de gravação.
- Repita o conjunto bloco-e-ruptura de etapas 5.2.1 e 5.2.2 quatro vezes para cada atividade.
- No caso de SW, com o assunto piscar repetidamente com o olho esquerdo durante um quarteirão e em seguida piscar repetidamente com o olho direito durante o próximo bloco.
- Gravar uma actividade durante um bloco de 120-s e gerar um arquivo de gravação do mesmo.
- Repita as etapas de 5,1-5,2 e coletar os dados de 10 indivíduos. Neste estudo, usamos cinco machos e cinco fêmeas, a idade média foi de 27,9 ± 4.3 (desvio-padrão; s.d.) anos, que variou em 19 – 33 anos, e o IMC médio foi de 21,6 ± 3,2 (s.d.) kg/m2, que variou em 17,9 – 27,4 kg/m2.
Nota: Neste estudo, os sujeitos que não tiveram quaisquer condições médicas para mastigar comida, piscar de olhos e a pé foram recrutados, e essa condição foi utilizada como critério de inclusão.
6. sinal de pré-processamento e segmentação
Nota: Os sinais de esquerda e direito são calculados separadamente nos procedimentos a seguir.
-
Preparar uma série de quadros temporais de 2 s longo.
- Segmento a 120 s gravado sinais em um conjunto de 2 quadros-s por saltar-lhes em intervalos de 1-s usando MATLAB, conforme mostrado na Figura 6.
Nota: Os quadros segmentados de 2 s longos foram usados para extrair recursos na seção 7. O 1 tamanho salto s estava determinado a dividir os sinais pelo intervalo de piscadela s 3 já mencionado na etapa 5.2.1. - Aplica um filtro passa-baixa (LPF) usando um filtro de Butterworth de ordemth 5 com uma frequência de corte de 10 Hz para cada quadro.
- Salve os resultados da etapa 6.1.2 como os quadros temporais para os próximos passos no passo 7.1.
- Segmento a 120 s gravado sinais em um conjunto de 2 quadros-s por saltar-lhes em intervalos de 1-s usando MATLAB, conforme mostrado na Figura 6.
-
Prepare uma série de quadros espectrais.
- Subtrai a mediana de sinais originais de cada frame para remover a pré-carga quando usar os óculos.
Nota: O valor de pré-carga não é necessário para a análise de frequência a seguir, uma vez que não inclui qualquer informação sobre mastigação, caminhando, piscada, etc. pode, no entanto, conter informações significativas, que podem variar de sujeito a sujeito, de cada configuração dos óculos e até mesmo a partir do momento um sujeito usa os óculos. - Aplica uma janela Hanning em cada quadro para reduzir um vazamento espectral na análise de frequência.
- Produzir e salvar um espectro de lado único, aplicando a transformada rápida de Fourier (FFT) para cada quadro.
- Subtrai a mediana de sinais originais de cada frame para remover a pré-carga quando usar os óculos.
- Defina uma combinação de um temporal e um quadro espectral do mesmo tempo como um bloco de quadro (ou simplesmente um quadro).
7. geração de vetores de recurso
Nota: Um vetor de característica é gerado por quadro produzido na seção 6 do protocolo. Os quadros de esquerda e direito são calculados separadamente e combinados em um vetor de característica nos procedimentos a seguir. Todos os procedimentos foram implementados em MATLAB.
- Extrai recursos estatísticos de um quadro temporal na etapa 6.1 do protocolo. Uma lista do número total de 54 recursos é dado na tabela 1.
- Extrai recursos estatísticos de um frame espectral no passo 6.2 do protocolo. Uma lista do número total de 30 recursos é dado na tabela 2.
- Gere um vetor de característica 84-dimensional combinando as características temporais e espectrais acima.
- Rotule os vetores de recurso gerado das gravações na etapa 5.2 do protocolo.
- Repita os passos de passos 7.1 – 7.4 para todos os blocos de quadro e gerar uma série de vetores de recurso.
8. a classificação das atividades em Classes
Nota: Este passo é selecionar o modelo de classificação de um suporte vector machine (SVM)23 determinando parâmetros que mostram a melhor precisão de determinado problema (i.e., vetores de recurso). O SVM é uma máquina supervisionada conhecida aprendizagem técnica, que mostra um desempenho excelente na generalização e robustez usando uma margem máxima entre as classes e uma função do kernel. Usamos uma busca e um método de validação cruzada para definir um parâmetro de penalidade C e um kernel γ parâmetro do kernel base radial (RBF) de função. Uma compreensão mínima da máquina, aprendendo as técnicas e o SVM é necessário para executar os procedimentos a seguir. Alguns materiais referencial23,24,25 são recomendadas para uma melhor compreensão da máquina, aprendendo as técnicas e o algoritmo SVM. Todos os procedimentos nesta seção foram implementados usando LibSVM25 pacote de software.
- Defina uma grade de pares de (C, γ) para a busca. Uso crescendo exponencialmente sequências de C (2-10, 2-5,..., 230) e γ (2-30, 2-25,..., 210).
Nota: Estas sequências foram determinadas heuristicamente. - Definir um par de (C, γ) (por exemplo, (2-10, 2-30)).
-
Para a grade definida na etapa 8.2, execute o esquema de validação cruzada 10 vezes.
Nota: Este regime divide os vetores de todo o recurso em subconjuntos de 10 partes, então testar um subconjunto do modelo de classificador treinado pelos outros subconjuntos e repeti-la ao longo de todos os subconjuntos, um por um. Portanto, todos os vetores de recurso podem ser testados sequencialmente.- Divida os vetores de todo o recurso em subconjuntos de 10 partes.
- Defina um conjunto de teste de um subconjunto e uma conjunto de 9 restantes subconjuntos de formação.
- Definir um vetor de escala que as escalas de todos os elementos dos vetores de recurso para o intervalo de [0, 1] para o conjunto de treinamento.
Nota: O vetor de escala tem a mesma dimensão com o vetor de característica. Consiste em um conjunto de multiplicadores que dimensiona a mesma linha (ou coluna) de todos os vetores de recurso para o intervalo de [0, 1]. Por exemplo, a primeira característica de um vetor de característica linearmente é dimensionada para o intervalo de [0, 1] para as primeiras todas as características dos vetores de recurso de formação. Observe que o vetor de escala é definida do conjunto de treinamento, porque o conjunto de teste deve ser suposto ser desconhecido. Esta etapa aumenta a precisão da classificação, tornando os recursos do intervalo igual e evitando erros numéricos durante o cálculo. - Escala de cada recurso do treinamento definido como o intervalo de [0, 1] usar o vetor de escala obtidas na etapa 8.2.3.
- Escala de cada recurso do teste definido como o intervalo de [0, 1] usar o vetor de escala obtidas na etapa 8.2.3.
- Treinar o conjunto de treinamento através do SVM com um par definido de (C, γ) na etapa de 8,2 e então construir um modelo de classificador.
- Testar o conjunto de teste através do SVM com um par definido de (C, γ) na etapa 8.2 e o modelo de classificador obtidos do processo de formação.
- Calcule uma precisão de classificação sobre o conjunto de teste. Calculou-se a precisão da porcentagem de vetores de recurso que estão correctamente classificados.
- Repita as etapas 8.2.2–8.2.8 para todos os subconjuntos e calcular a precisão média de todos os subconjuntos.
- Repita as etapas de 8.2 – 8.3.9 para todos os pontos da grade de um par de (C, γ).
- Encontre o máximo local da precisão mais alta da grade. Todos os procedimentos da seção 8 são ilustrados na Figura 7.
- (Opcional) Se a etapa da grade é considerada grosseira, repita as etapas 8.1 – 8,5 em uma grade mais fina perto do máximo local encontraram no passo 8.5 e encontrar um novo máximo local da grade bem.
- Calcule a precisão, lembre-se e F1 escore de cada classe de atividades a partir das seguintes equações:
Equação 1
Equação 2
Equação 3
Onde TP, FP e FN representam verdadeiros positivos falsos positivos e falsos negativos para cada atividade, respectivamente. A matriz de confusão de todas as atividades é dada na tabela 3.
Equação 1
Equação 2
Equação 3Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Através dos procedimentos descritos no protocolo, preparamos duas versões do quadro 3D impresso por diferenciar o comprimento da parte da cabeça, LH (133 e 138 mm) e os templos, LT (110 e 125 mm), conforme mostrado na Figura 4. Portanto, podemos cobrir várias condições usando, que podem ser variadas de tamanho da cabeça dos assuntos, forma, etc. , que os sujeitos escolheram um dos quadros para caber sua cabeça para o estudo do usuário. A distância vertical, Lh, entre a junção da dobradiça e o furo para o parafuso de apoio foi definida como 7,5 mm para que a força amplificada não exceda 15 N, que é a faixa operacional linear da célula de carga. Finalmente, a peça principal deve ter uma espessura, tH, que pode resistir o momento de torção transmitido de ambos os parafusos de suporte quando equipado. Nós escolhemos o tH 6 mm com a utilização de material de fibra de carbono de uma abordagem heurística. Os pontos de contacto podem ser ajustados através os parafusos do suporte para ajustar a tensão dos óculos, conforme mostrado na Figura 5.
A tabela 3 mostra os resultados representativos da classificação para todos os conjuntos de atividade. O placar de1 média F resultou em 80,5%. Se considerado como um resultado individual, o desempenho pode parecer ser relativamente degradado em comparação com o resultado da nossa anterior estudo22. No entanto, podemos extrair informações significativas, comparando os resultados entre cada atividade. O SR foi relativamente bem distinguido do SC, CW e SW, mas não do W e ST. As duas atividades de mastigação, SC e CW, eram difíceis de distinguir um do outro. Por outro lado, pode-se observar que as duas atividades de mastigação facilmente distingue o SR, W, ST e SW, que representam as outras atividades físicas. No caso do SW, a atividade de piscadela acabou por ser erroneamente classificada ligeiramente durante as atividades.
Partir dos resultados da tabela 3, podemos observar em profundidade detalhes da classificação. Em primeiro lugar, as duas atividades de mastigação, SC e CW, foram claramente distinguidas de outras actividades. Entre eles, a distinção da atividade ambulante sugere uma possibilidade de que a atividade de ingestão de alimentos, que é o objetivo principal deste estudo, pode ser facilmente separável da atividade física ativa, tais como caminhar, usando o nosso sistema. Como mostrado na Figura 6, pode ser confirmado que os sinais de mastigação e wink, ativados a partir da atividade do músculo temporalis, eram significativamente diferentes daqueles não ativados pela atividade do músculo temporalis. Por outro lado, a distinção entre as duas atividades de mastigação mostrou erros relativamente altos. Eles desempenharam um papel dominante em abaixar a ambos a precisão e a recordação das atividades mastigação.
Em termos de mastigação deteção, o SR, W e ST podem ser considerado como ruído não intencional na vida diária. A atividade de piscar de olhos, por outro lado, pode ser considerada como medida significativa, porque é também ativado da atividade muscular temporalis também. Com base no que precede, as duas atividades de mastigação foram delimitadas em uma atividade de mastigação (CH), e as outras actividades, excepto o wink foram agrupadas em uma atividade física (PA). A tabela 4 mostra os resultados de classificação sobre estas actividades: mastigação (CH), atividade física (PA) e sedentário wink (SW). Podemos encontrar resultados mais notáveis dele. Prediz informações sobre se o sistema é robusto para detectar a ingestão de alimentos sem ser afetado por outras atividades físicas. Além disso, ele também indica se é possível distinguir a ingestão de alimentos de outra atividade cara como piscar de olhos. Os resultados mostram que a atividade de mastigação pode ser bem distinta de outras actividades por um placar de1 F alto de 93,4%. No caso de piscar de olhos, o recall (85,5%) foi ligeiramente inferior das outras actividades. Isto significa que a qualidade dos dados recolhidos de piscadela era susceptível de ser baixa, pois os usuários precisavam piscadela no exato momento em 3 intervalos de s. Na verdade, foi observado que os usuários perdeu o wink ou os óculos mudou-se para baixo ocasionalmente durante o estudo de usuário.
A fim de obter resultados mais significativos do acima exposto, estamos agrupados e re-definidas as atividades para os novos. As duas atividades de mastigação, SC e CW, foram agrupadas em uma atividade e definidas como mastigar. O SR, W e ST, que tinha um grande grau de erros de classificação entre si, também foram agrupados em uma atividade, definida como atividade física. Como resultado, obtivemos novos resultados representativos da classificação re-interpretada por meio das atividades de destaque como mastigar (CH), atividade física (PA) e sedentário wink (SW), conforme mostrado na tabela 4. Os resultados mostraram que uma pontuação de previsão de alta com uma pontuação de1 média F de 91,4%.
Figura 1: Diagramas esquemáticos de circuitos de esquerda e direito. (A) Diagramas esquemáticos do circuito esquerdo. Contém uma bateria para fornecer energia para o circuito de esquerda e direita. Um regulador de tensão 3.3 V com capacitor de desvio foi fornecido para fornecer um estábulo de tensão para o sistema de funcionamento. Células de carga aqui apresentadas foram inseridas em ambos os lados dos diagramas esquemático circuito (B) do mesmo circuito. Ele contém uma unidade de micro controlador (MCU) com capacidade Wi-Fi. Um dois-canal multiplexador foi fornecido para processar dois sinais de força de ambos os lados com um conversor analógico-digital (ADC) do MCU. Um conector de receptor/transmissor assíncrono universal (UART) foi usado para flash o MCU. Clique aqui para ver uma versão maior desta figura.
Figura 2: PCB artes-finais dos circuitos de esquerda e direita. (A), uma obra de arte da esquerda PCB. Todos os componentes eletrônicos são exibidos como reais medidas em mm. (B), uma obra de arte do direito PCB. Clique aqui para ver uma versão maior desta figura.
Figura 3: resultados representativos de PCB soldados com todos os componentes. (A) o módulo de circuito esquerdo. Célula de carga foi integrada na placa. Ele contém um conector de 2 pinos para bateria e um conector de 3 pinos conectar a placa correta. (B) o módulo de circuito certo. Célula de carga também foi integrada na placa. Ele contém um conector de 4 pinos para o modo do MCU e um conector de 3 pinos para conectar ao circuito esquerdo de piscamento. Clique aqui para ver uma versão maior desta figura.
Figura 4: um projeto de modelo 3D da armação dos óculos. (A), o desenho da cabeça do pedaço. A figura superior mostra uma vista frontal, e a figura inferior mostra uma vista superior da parte da cabeça. O comprimento da peça cabeça, L,H, é um parâmetro de projeto para cobrir o tamanho da cabeça de assuntos diversos. Nós 3D impresso duas versões da peça cabeça por diferenciando. A espessura da peça cabeça, tH, foi definida pela heurística. A distância entre uma junção da dobradiça e um buraco para um parafuso de suporte, Lh, estava situada o fator de amplificação mecânica. (B) a concepção dos templos. A figura superior mostra a têmpora esquerda, e a figura inferior mostra a têmpora direita. Os PCB na Figura 3 foram inseridos nas ranhuras e uma bateria foi montada para um suporte de bateria. Clique aqui para ver uma versão maior desta figura.
Figura 5: um resultado representativo de óculos inclusive integrado. Os PCB foram inseridos nas ranhuras com parafusos. As almofadas do nariz e as pontas dos templos foram cobertas por fitas de borracha para adicionar o atrito com a pele. Quando os óculos são equipados, as células de carga são pressionadas pelos parafusos de suporte em ambos os lados. A estanquidade dos óculos pode aperfeiçoá-lo pelo afrouxamento ou o apoio de aperto dos parafusos. Clique aqui para ver uma versão maior desta figura.
Figura 6: sinais Temporal em um bloco de gravação de um usuário para todas as atividades. O eixo y representa a força medida, que foi subtraída pela sua mediana do bloco de gravação para um efeito de visualização. As amplitudes máximos das atividades mastigação são maiores do que as outras atividades. Esquerda e direito sinais de atividade piscadela são invertidos. A figura mostra um exemplo do wink esquerdo. Um quadro s 2 foi usado para definir um vetor de característica por pulando os sinais no intervalo de 1 s. Clique aqui para ver uma versão maior desta figura.
Figura 7: resultados representativos de encontrar o local máxima precisão através de vários pares de (C, γ). (A), A trama contorno da Cruz-validado exatidões de todas as actividades definidas na tabela 3. Cada eixo aumenta exponencialmente e heuristicamente foi selecionado o intervalo. A precisão máxima local de 80,4% ocorreu na alínea C, γ = (25, 20). (B) um contorno lote de cruz-validado exatidões de atividades re-definidas na tabela 4. A precisão máxima de 92,3% ocorreu na alínea C, γ = (25, 20) e era muito precisa do que o resultado de (A). Clique aqui para ver uma versão maior desta figura.
| Não. | Descrição do recurso | Não. | Descrição do recurso | ||
| 1 | Desvio padrão L | 28 | Skenwness R | ||
| 2 | Desvio padrão R | 29 | Curtose L | ||
| 3 | Coeficiente de variação L | 30 | Curtose R | ||
| 4 | Coeficiente de variação R | 31 | Coeficientes de autocorrelação função L | ||
| 5 | Zero taxa de cruzamento L | 32 | Coeficientes de autocorrelação função R | ||
| 6 | Zero taxa de cruzamento R | 33 | Sinal de energia L | ||
| 7 | percentil 20 L | 34 | Sinal de energia R | ||
| 8 | 20 percentil R | 35 | Sinal de registro de energia L | ||
| 9 | percentil 50 L | 36 | Sinal de registro de energia R | ||
| 10 | percentil 50 R | 37 | Entropia de energia L | ||
| 11 | 80º percentil L | 38 | Entropia de energia R | ||
| 12 | 80º percentil R | 39 | Pico-a-pico amplitude L | ||
| 13 | Intervalo interquartil L | 40 | Pico-a-pico amplitude R | ||
| 14 | Intervalo interquartil R | 41 | O número de picos L | ||
| 15 | Soma de quadrados de percentil 20 L | 42 | O número de picos R | ||
| 16 | Soma de quadrados de 20 percentil R | 43 | Quer dizer do tempo entre picos L | ||
| 17 | Soma de quadrados do percentil 50 L | 44 | Quer dizer do tempo entre picos R | ||
| 18 | Soma de quadrados do percentil 50 R | 45 | Padrão de tempo entre picos L | ||
| 19 | Soma de quadrados de percentil 80 L | 46 | Padrão de tempo entre picos R | ||
| 20 | Soma de quadrados de 80º percentil R | 47 | Relação de previsão L | ||
| 21 | 1º bin de distribuição binned L | 48 | Relação de previsão R | ||
| 22 | 1º bin de distribuição binned R | 49 | Relação harmônica L | ||
| 23 | 2º bin de distribuição binned L | 50 | Relação harmônica R | ||
| 24 | 2º bin de distribuição binned R | 51 | Frequência fundamental L | ||
| 25 | 3 bin de distribuição binned L | 52 | Frequência fundamental R | ||
| 26 | 3 bin de distribuição binned R | 53 | Coeficiente de correlação de L e R | ||
| 27 | Skenwness L | 54 | Área de magnitude sigmal de L e R | ||
Tabela 1: extraídos recursos estatísticos de um quadro temporal. Um total de 54 recursos foram extraídos. Os sinais de esquerda e direito foram calculados separadamente exceto as características de correlação, 53 e 54.
| Não. | Descrição do recurso | Não. | Descrição do recurso | ||
| 1 | Energia espectral L | 16 | Propagação espectral R | ||
| 2 | Energia espectral R | 17 | Entropia espectral L | ||
| 3 | Espectral zona 1 de energia L | 18 | Entropia espectral R | ||
| 4 | Espectral zona 1 de energia R | 19 | Entropia espectral de energia L | ||
| 5 | Espectral zona 2 de energia L | 20 | Entropia espectral de energia R | ||
| 6 | Espectral zona 2 de energia R | 21 | Fluxo espectral L | ||
| 7 | Espectral zona 3 de energia L | 22 | Fluxo espectral R | ||
| 8 | Espectral zona 3 de energia R | 23 | Ajustável espectral L | ||
| 9 | Espectral zona 4 de energia L | 24 | Ajustável espectral R | ||
| 10 | Espectral zona 4 de energia R | 25 | Máxima crista espectral L | ||
| 11 | Espectral zona 5 de energia L | 26 | Máxima crista espectral R | ||
| 12 | Espectral zona 5 de energia R | 27 | Distorção espectral L | ||
| 13 | Centroide espectral L | 28 | Distorção espectral R | ||
| 14 | Centroide espectral R | 29 | Curtose espectral L | ||
| 15 | Propagação espectral L | 30 | Curtose espectral R | ||
Tabela 2: extraídos recursos estatísticos de um frame espectral. Um total de 30 recursos foram extraídos. Os sinais de esquerda e direito foram calculados separadamente. As características na tabela 1 e tabela 2, um vetor de característica consiste de um total de 84 características.
| Previu atividade |
Atividade real | Total | Precisão | |||||
| um 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% |
| Total | 1560 | 1560 | 1560 | 1560 | 1560 | 1560 | 9360 | |
| Lembre-se | 78,3% | 81,3% | 77,7% | 85,1% | 71,6% | 88,7% | 80,4% | |
| Placar de1 F | 78,1% | 82,5% | 79,7% | 85,0% | 69,7% | 87,8% | ||
| Pontuação média de1 F | 80,5% | |||||||
Tabela 3: Matriz de confusão de todas as atividades quando (C, γ) = (25, 20) em Figura 7A. Esta matriz mostra todos os resultados de previsão de todas as actividades: umSR: resto sedentário, bSC: sedentários mastigação, cw: andar, dCW: mastigar enquanto caminhava, eST: falando sedentários, fSW: piscadela sedentária.
| Previu atividade |
Atividade real | Total | Precisão | ||
| um 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% |
| Total | 3120 | 4680 | 1560 | 9360 | |
| Lembre-se | 92,9% | 94,1% | 85,5% | 92,3% | |
| Placar de1 F | 93,4% | 92,9% | 88,1% | ||
| Pontuação média de1 F | 91,4% | ||||
Tabela 4: Matriz de confusão de todas as atividades re-definidas quando (C, γ) = (25, 20) em Figura 7B. Esta matriz mostra todos os resultados de previsão para todas as atividades re-definidos: umCH: mastigação, bPA: atividade física, cSW: piscadela sedentária.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Neste estudo, primeiro, propusemos o projeto e o processo de fabricação de vidros que detetam os padrões de ingestão de alimentos e atividades físicas. Como este estudo principalmente focado na análise dos dados para distinguir a ingestão de alimentos de outras actividades físicas (tais como caminhar e piscando), o sistema de aquisição de dados e sensor necessário a aplicação de gravação de mobilidade. Assim, o sistema inclui os sensores, o MCU com capacidade de comunicação sem fio e a bateria. O protocolo proposto fornecido um romance e a maneira prática de medir os padrões de atividade do músculo temporalis devido à ingestão de alimentos e a piscadela de modo não-contato: as ferramentas e metodologias para detectar facilmente a ingestão de alimentos na vida diária sem qualquer incómodo equipamentos foram descritos.
Existem considerações importantes para o processo de fabricação dos óculos. As partes do templo devem ser projetadas para integrar os módulos de PCB fabricados na etapa 1.2 como mostrado na Figura 4e Figura 4B . Célula de carga deve ser colocada para que ele é pressionado por um parafuso de suporte em uma placa de apoio da parte da cabeça quando equipados conforme ilustrado na vista superior a parte da dobradiça na Figura 5. Na etapa 2.4, o grau de flexão do Templo de óculos não precisa ser rigoroso, como a finalidade da curvatura é aumentar um fator de forma para adequar os óculos na cabeça de um sujeito. Tenha cuidado, porém, como a curvatura excessiva impedirá os templos de tocar o músculo temporalis, o que tornaria impossível recolher padrões significativos.
Para obter dados fiáveis, refletindo a cabeça tamanhos e formas diferentes de assuntos, duas versões dos vidros foram fornecidas, variando o comprimento da peça, cabeça e os templos. Além disso, utilizando os suporte volts para aperfeiçoar a capacidade de desgaste, podemos ajustar a tensão dos óculos. Assim, os dados recolhidos através de vários copos, temas, e vestindo-condições podem refletir a variabilidade intra e inter individual e fatores de forma diferente.
No estudo de usuário, o sujeito tirou os óculos durante o intervalo e usei novamente quando reiniciado o bloco de gravação. Essa ação impediu os dados sobreajuste para uma condição específica usando porque mudou as condições de desgaste (por exemplo, balanço de esquerda e direita, pré-carga sobre as células de carga, área de contato com a pele, etc.) cada vez que o assunto Re-usava óculos.
De acordo com um estudo anterior de mastigar a frequência, a atividade de mastigação principalmente variou de 0,94 Hz (5th percentil) para 2,17 Hz (95ésimo percentil)26. Assim, podemos definir o tamanho do quadro para 2 s para que um frame contém várias atividades de mastigação. Este tamanho de quadro também é adequado para contendo os um ou mais ciclos ambulante, que geralmente variam de Hz 1,4 a 2,5 Hz27. Realizamos a atividade ambulante a uma velocidade de 4,5 km/h em uma esteira, porque a velocidade de caminhada normal varia de 3,3 km/h a 6,5 km/h27,28. O tamanho de salto na Figura 6 , determinou-se a partir dos dados gravados piscadela onde os sujeitos foram informados que pisca em intervalos de 3 s. Nós também filtrados os dados com a frequência de corte de 10 Hz, porque encontramos nosso estudo anterior que sinaliza a mais de 10 Hz tinha nenhuma informação significativa mastigação deteção22.
Porque o sistema tem duas células de carga de ambos os lados, é possível distinguir os eventos de esquerda e direito da mastigação e piscar de olhos, como ficou provado no nosso anterior estudo22. No entanto, ao contrário do estudo anterior, o objetivo deste estudo foi demonstrar que o sistema poderia efetivamente separar ingestão de alimentos as atividades físicas. Se os dados são suficientemente acumulados através do estudo de usuário, então promover pesquisa à esquerda e direita classificação pode ser conduzida, utilizando os recursos de correlação incluídos do vetor de característica. Por outro lado, é difícil distinguir entre a atividade sedentária e andando dentro do sistema. Outras modificações ao sistema podem fornecer classificação detalhada da ingestão de alimentos, como comer enquanto sentado e comendo em movimento, com uma alta precisão. Isso pode ser implementado através de uma técnica de fusão de sensor, adicionando uma unidade de medida inercial (IMU) para o sistema de18. Em caso afirmativo, o sistema pode rastrear o gasto energético e a ingestão de energia simultaneamente. Acreditamos que nossa abordagem fornece maneiras práticas e potenciais para detecção de ingestão de alimentos e atividades físicas.
Estimativa da ingestão de energia é um objetivo fundamental da pesquisa sobre dieta monitoramento e por exemplo, pode ser analisada pela classificação do tipo de alimento e em seguida, convertê-lo em calorias de informações previamente definidas e calóricas. Um estudo recente sugeriu um método de classificar os tipos de alimentos, usando imagens de comida e profundo aprendendo algoritmos14. No entanto, é difícil separar os tipos de alimentos com os sensores de força utilizados neste estudo; a adição de um sensor de imagem para a parte frontal do dispositivo poderia reconhecer os tipos de alimentos através de processamento de imagem e técnicas de aprendizagem de máquina e, portanto, classificar os tipos de comida. Através desta técnica de fusão de sensor com os sensores de força e de imagem, o potencial deste estudo é a aplicação em direção geral dietéticas aplicações de monitoramento.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Os autores não têm nada para divulgar.
Acknowledgments
Este trabalho foi apoiado pela Envisible, Inc. Este estudo foi suportado também por uma concessão do coreano saúde tecnologia R & D projeto, Ministério da saúde & bem-estar, República da Coreia (HI15C1027). Esta pesquisa também foi apoiada pela Fundação de pesquisa nacional da Coreia (NRF-2016R1A1A1A05005348).
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).
