Summary
Denne undersøgelse præsenterer en protokol af designe og fremstille en briller-type wearable enhed, der registrerer mønstrene af fødeindtagelse og andre Fremhævede fysiske aktiviteter ved hjælp af vejeceller indsat i begge hængsler til briller.
Abstract
Denne undersøgelse præsenterer en række protokoller af designe og fremstille en briller-type wearable enhed, der registrerer mønstrene af temporalis musklen aktiviteter under fødeindtagelse og andre fysiske aktiviteter. Vi fabrikeret en 3D-trykt ramme briller og en belastning celle-integreret trykte kredsløb bestyrelsen (PCB) modul indsat i begge hængsler af rammen. Modulet blev brugt til at erhverve kraft signaler og sender dem trådløst. Disse procedurer levere systemet med højere mobilitet, som kan evalueres i praktiske iført betingelser såsom gåture og waggling. En præstation af klassificering er også evalueret ved at skelne mønstrene af fødeindtagelse fra de fysiske aktiviteter. En række algoritmer blev brugt til at forbehandle signalerne, genererer funktionen vektorer og genkende mønstre af flere udvalgte aktiviteter (tygge og blinkede), og andre fysiske aktiviteter (stillesiddende resten, tale og gå). Resultaterne viste, at den gennemsnitlige F1 score klassifikation blandt de fremhævede aktiviteter var 91,4%. Vi mener, at denne tilgang kan være potentielt nyttige for automatisk og objektive overvågning af ingestive adfærd med højere nøjagtighed som praktisk middel til behandling af ingestive problemer.
Introduction
Kontinuerlig og objektive overvågning af indtagelse af fødevarer er afgørende for at opretholde energibalancen i den menneskelige krop, som overdreven energi ophobning kan forårsage overweightness og fedme1, hvilket kan resultere i forskellige medicinske komplikationer2. De vigtigste faktorer i energiubalance er kendt for at være både overdreven fødeindtagelse og utilstrækkelig fysisk aktivitet3. Forskellige undersøgelser om overvågning af daglig energi udgifter har blevet indført med automatisk og objektiv måling af fysisk aktivitet mønstre gennem wearable enheder4,5,6, selv på de endelige forbruger niveau og medicinsk trin7. Forskning om overvågning af fødeindtagelse, men er stadig i den laboratorium indstilling, da det er vanskeligt at påvise mad indtag aktivitet i en direkte og objektiv måde. Her, tilstræber vi at præsentere en enhed design og evaluering for overvågning af fødeindtagelse og fysisk aktivitet mønstre på det praktiske plan i dagligdagen.
Der har været forskellige indirekte metoder til at overvåge fødeindtag gennem tygge og synke lyde8,9,10, bevægelse af håndleddet11,12,13, image analyse14, og electromyogram (EMG)15. Disse metoder var imidlertid vanskeligt at anvende til daglige liv programmer, på grund af deres iboende begrænsninger: de metoder, ved hjælp af lyd var sårbare overfor påvirkes af miljømæssige lyd; de metoder, ved hjælp af bevægelse af håndleddet var vanskelige at skelne fra andre fysiske aktiviteter, når ikke indtager fødevaren og metoder ved hjælp af billeder og EMG signaler er begrænset af grænsen for bevægelighed og miljø. Disse undersøgelser viste evne til automatiseret påvisning af fødeindtagelse ved hjælp af sensorer, men stadig havde en begrænsning af praktiske anvendelighed i hverdagen uden for laboratoriet indstillinger.
I denne undersøgelse brugte vi mønstre af temporalis musklen aktivitet som automatisk og objektive overvågning af fødeindtagelse. Generelt gentager temporalis musklen sammentrækning og afslapning som en del af masticatory muskel under mad indtag16,17; således, mad indtag aktivitet kan overvåges ved at afsløre de periodiske mønstre af temporalis musklen aktivitet. For nylig har der været adskillige undersøgelser udnytter temporalis muskel aktivitet18,19,20,21, som brugte EMG eller piezoelektriske stammen sensor og vedhæfte dem direkte på menneskelige hud. Disse tilgange, dog var følsomme hud placeringen af EMG elektroder eller stamme sensorer, og blev let adskilt fra huden på grund af fysisk bevægelse eller sved. Vi foreslog derfor en ny og effektiv metode ved hjælp af et par briller den forstand temporalis muskel aktivitet gennem to vejeceller indsat i begge hængslerne i vores tidligere undersøgelse22. Denne metode viste store potentiale af afsløre mad indtag aktivitet med en høj præcision uden at røre huden. Det var også un-påtrængende og ikke-påtrængende, da vi brugte en fælles briller-type enhed.
I denne undersøgelse præsenterer vi en række detaljerede protokoller om hvordan man gennemfører briller-type enhed og hvordan man bruger mønstre af temporalis musklen aktivitet til overvågning af fødeindtagelse og fysisk aktivitet. Protokollerne omfatter processen med hardwaredesign og fabrikation, der består af en 3D-trykt ramme af glas, et kredsløb modul og en data erhvervelse modul, og omfatter Softwarealgoritmer for databehandling og analyse. Vi undersøgte endvidere klassifikation blandt flere Fremhævede aktiviteter (f.eks.tygge, walking og blinkede) at vise potentiale som et praktisk system, der kan fortælle en minut forskel mellem fødeindtagelse og andre fysisk aktivitet mønstre.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Bemærk: Alle de procedurer, herunder brugen af forsøgspersoner blev udført af en ikke-invasiv måde blot iført et par briller. Alle dataene, der er anskaffet ved at måle kraft signalerne fra vejeceller indsat i glas, der ikke var i direkte kontakt med huden. Dataene blev trådløst overføres til modulet data optagelse, som i dette tilfælde er en udpeget smartphone for undersøgelsen. Alle protokollerne var ikke relateret til in vivo/in vitro- humane undersøgelser. Ingen stof og blod prøver blev brugt til eksperimenter. Informeret samtykke blev opnået fra alle fag af forsøgene.
1. fremstilling af en Sensor-integreret kredsløb modul
-
Køb elektroniske komponenter til fremstilling af modulet kredsløb.
- Køb to ball-typen load celler, hver især opererer i et interval mellem 0 N og 15 N, og producerer en produktion på lavt differentieret spænding med maksimalt 120 mV spændvidde i en 3,3 V excitation.
Bemærk: Disse load celler anvendes til at måle tvinge signaler på både venstre og højre side af briller. - Køb to instrumentation forstærkere og to 15 kΩ gain-indstillingen modstande.
Bemærk: Instrumentation forstærker og gain-indstillingen modstand er brugt til at forstærke det gældende signal om vejecelle otte gange, op til 960 mV. - Købe en micro controller-enhed (MCU) med trådløse funktioner (fx, Wi-Fi-forbindelse), og en 10-bit analog til digital konverter (ADC).
Bemærk: MCU bruges til at læse de gældende signaler og overføre dem til en data erhvervelse modul trådløst. Fordi én analog input pin bruges til to analoge kraft input, er brugen af en multiplexer indført i det næste trin 1.1.4. - Købe en to-kanals analog multiplexer, der håndterer de to indgangssignaler med en ADC pin på MCU.
- Køb et lithium-ion polymer (LiPo) batteri 3,7 V nominelle spænding, 300 mAh nominelle kapacitet og 1 C decharge sats.
Bemærk: Batteriets kapacitet blev valgt til at levere nok strøm i timen mere end 200 mAh og til at drive systemet pålideligt for omkring 1,5 h af et eksperiment. - Købe en 3,3 V spændingsregulator for lineær ned-regulering af de 3,7 V batterispænding til 3,3 V driftsspænding for systemet.
- Køb fem 12 kΩ overflade-monteret enheder (SMD) type modstande som pull-up modstande af MCU. Den modstand fodaftryk er 2,0 mm x 1.2 mm (størrelse 2012).
- Køb to ball-typen load celler, hver især opererer i et interval mellem 0 N og 15 N, og producerer en produktion på lavt differentieret spænding med maksimalt 120 mV spændvidde i en 3,3 V excitation.
-
Fremstil trykte kredsløb (PCB). Dette trin er om tegning af printkort, og gøre illustrationen (dvs., bord layout, filen .brd) og skematiske (dvs..sch fil) for PCB fabrikation. En grundlæggende forståelse af processen med at skabe illustrationer og skematisk filer er nødvendige for udvikling.
- Tegne en skematisk af en venstre kredsløb indeholdende batteriet ved hjælp af et elektronisk design program som vist i figur 1A. Gemme resultatet som både illustration (.brd) og skematisk (.sch) filer.
- Tegne et diagram af en rigtige kredsløb indeholdende MCU ved hjælp af et elektronisk design program som vist i figur 1B. Gemme resultatet som både illustration (.brd) og skematisk (.sch) filer.
- Fremstil circuit boards ved at placere en ordre med en PCB fremstilling virksomhed.
- Lodde hver elektronisk komponent forberedt i trin 1.1 til PCB som vist i figur 2 og figur 3.
Forsigtig: Instrumentation forstærker er meget følsomme over for lodning temperaturen. Sørg for, at bly temperatur ikke overstiger 300 ° C i 10 s under lodning, ellers kan det forårsage varig skade på komponenten.
2. 3D udskrivning af en ramme af glas
- Tegne den 3D model af den hoved stykke af glas ved hjælp af et 3D-modelleringsværktøj, som vist i figur 4A. Eksportere resultatet til .stl filformat.
- Tegne den 3D model af de venstre og højre templer af glas ved hjælp af en 3D-modellering værktøj, som vist i figur 4B og 4 c figur. Eksportere resultaterne til .stl filformat.
- Udskrive de hoved stykke og templet dele ved hjælp af en 3D printer og en kulfiber glødetråd på 240 ° C af en dyse temperatur og 80 ° C i en seng temperatur.
Bemærk: Brugen af enhver kommerciel 3D printer og alle typer af filamenter som acrylonitril butadien styren (ABS) og polylaktid (PLA) kan tillades. Dyse og bed temperaturer kan justeres efter glødetråd og udskriftsbetingelser. - Varme tips af templerne ved hjælp af en varm luft blæser i en 180 ° C indstilling og bøje dem indad ca. 15 grader for at kontakte epidermis af temporalis musklen som konventionelle briller.
Bemærk: Graden af bøjning af briller templet behøver ikke at være streng som formålet med krumning er at øge en formfaktor ved at hjælpe briller passer på en motivets hoved når udstyret. Vær forsigtig, men som overdreven bøjning vil forhindre templerne fra rørende temporalis musklen, hvilket gør det umuligt at indsamle betydelige mønstre. - Gentag trinene fra trin 2.1-2.4 udskrive to forskellige størrelser af briller ramme der passer flere hoved størrelser som vist i figur 4.
3. samling af alle dele af glas
- Indsæt PCB på begge sider af templer af glas ved hjælp af M2 bolte, som vist i figur 5.
- Samle den hoved stykke og templerne ved at indsætte M2 bolte i hængsel leddene.
- Tilslut venstre og højre PCB ved hjælp af 3-pin tilslutning tråde, som vist i figur 5.
- Tilslutte batteriet til venstre kredsløb og fastgør den med en selvklæbende tape til den venstre tempel. Montage side af batteriet er ikke kritisk, da det kan variere afhængigt af PCB design.
- Dække briller med gummi bånd på spidsen og næse-pad til at tilføje mere friktion med den menneskelige hud, som vist i figur 5.
4. udvikling af en dataoptegningssystem
Bemærk: Dataoptegningssystem er sammensat af en data overførsel modul og en modtagende modul, data. Modulet data fremsendende læser tid og kraften signaler fra begge sider, og sender dem derefter til den modtagende modul, data, der samler de modtagne data og skriver dem til .tsv filer.
-
Uploade data sender ansøgningen til MCU af PCB modul efter procedurerne i trin 4.1.1–4.1.3.
- Kør "GlasSense_Server" projekt knyttet til de supplerende filer ved hjælp af en computer.
Bemærk: Dette projekt blev bygget med Arduino integreret udviklingsmiljø (IDE). Det giver mulighed for at læse tid og kraft signaler med 200 prøver/s og sende dem til data modtager modul. - Tilslut PCB-modul til computeren via en universal serial bus (USB)-stik.
- Tryk på knappen "Upload" på Arduino IDE til flash programmering koderne fra trin 4.1.1 til MCU.
- Kør "GlasSense_Server" projekt knyttet til de supplerende filer ved hjælp af en computer.
-
Uploade data modtagende program til en smartphone, som bruges til at modtage data trådløst, efter procedurerne i trin 4.2.1–4.2.3.
- Kør "GlasSense_Client" projekt knyttet til de supplerende filer ved hjælp af en computer.
Bemærk: Dette projekt blev bygget med C# programmeringssprog. Det giver mulighed for at modtage data og gemme .tsv filer, der indeholder et emne oplysninger, såsom navn, køn, alder og body mass index (BMI). - Tilslut din smartphone til computeren via et USB-stik til at bygge data modtagerprogrammet.
- Tryk på knappen "Fil > bygge & Run" på C#-projektet at bygge data modtagende program til din smartphone.
- Kør "GlasSense_Client" projekt knyttet til de supplerende filer ved hjælp af en computer.
5. dataindsamling fra en bruger undersøgelse
Bemærk: Denne undersøgelse indsamlet seks Fremhævede aktivitet sæt: stillesiddende resten (SR), stillesiddende tygge (SC), walking (W), tygge samtidigt med at omvandrende (CW), stillesiddende taler (ST) og stillesiddende wink (SW).
- Vælg et par briller, som har en passende størrelse til brugeren skal testes. Finjustere tæthed med støtte bolte på begge hængslerne (figur 5).
Forsigtig: Force værdierne må ikke overstige 15 N, da Kraftmålerne anvendes i denne undersøgelse kan miste den fine lineære karakteristiske uden operation interval. De gældende værdier kan være finjusteres ved at løsne eller stramme støtte bolte. -
Optage aktiviteter af alle emner ved at trykke på "Record"-knappen på ansøgningen bygget i trin 4.2.3.
- Optage en aktivitet under en 120-s blok og generere en recording-fil af det.
- I forbindelse med SR, sidde emnet i en stol og få dem til at bruge en smartphone eller læse en bog. Tillader bevægelse af hovedet, men undgå bevægelser af hele kroppen.
- I tilfælde af SC og CW har fag spise to typer af fødevarer tekstur (ristet brød og tygge jelly) for at afspejle forskellige fødevarer egenskaber. Tjene den ristet brød i skiver af 20 mm x 20 mm, hvilket er en god størrelse til at spise.
- I forbindelse med W, har emnerne gå ved en hastighed på 4,5 km/h på et løbebånd.
- For ST, sidde emnerne og have dem læst en bog højt i en normal tone og hastighed.
- SW, underretter emnerne at blinke på tidspunktet for en klokke lyd på 0,5 s lang hver 3 s.
- Generere en fil, optagelse i .tsv format fra data indsamlet i trin 5.2.1.
Bemærk: Denne fil indeholder en sekvens af den tid, da data blev modtaget, en venstre kraft signal, et signal om rigtige kraft og en etiket, der repræsenterer den aktuelle facial aktivitet. Visualiseringer af tidsmæssige signaler af alle aktiviteter i en blok af en bruger var afbildet i figur 6. Seks Fremhævede aktivitet sæt (SR, SC, W, CW, ST og SW) var mærket som 1, 2, 3, 4, 5 og 6, henholdsvis. Etiketterne, der blev brugt til at sammenligne de forudsagte klasser i afsnit 8 i protokollen. - Tage en 60-s pause efter optagelse blok. Tage brillerne i pausen, og igen bære dem igen når optagelse blok genstartes.
- Gentag trin 5.2.1 og 5.2.2 blok og pause sæt fire gange for hver aktivitet.
- I forbindelse med SW, har emnet wink gentagne gange med venstre øje under en blok, og derefter blinke gentagne gange med det højre øje under den næste klods.
- Optage en aktivitet under en 120-s blok og generere en recording-fil af det.
- Gentag trin 5.1 – 5.2 og indsamle data fra 10 emner. I denne undersøgelse, brugte vi fem mænd og fem kvinder, Gennemsnitsalderen var 27,9 ± 4.3 (standardafvigelse, s.d.) år, der varierede på 19-33 år, og den gennemsnitlige BMI var 21,6 ± 3.2 (s.d.) kg/m2, der varierede på 17,9 – 27,4 kg/m2.
Bemærk: I denne undersøgelse, de emner, der ikke har nogen medicinske tilstande til at tygge maden, wink, og gang blev ansat, og denne betingelse blev brugt til inklusionskriterierne.
6. signal forbehandling og segmentering
Bemærk: De venstre og højre signaler beregnes separat i følgende procedurer.
-
Forberede en serie af tidsmæssige rammer 2 s lang.
- Målgruppen 120 s registreret signaler til et sæt af 2 s rammer af hopping dem 1-s mellemrum ved hjælp af MATLAB, som vist i figur 6.
Bemærk: De segmenterede rammer 2 s lang blev brugt til at udtrække funktioner i afsnit 7. 1 s hopping størrelse var fast besluttet på at opdele signaler fra den 3 s wink interval allerede nævnt i trin 5.2.1. - Anvende et low-pass filter (LPF) ved hjælp af en 5th ordre Butterworth filter med en cutoff frekvens på 10 Hz for hver ramme.
- Gem resultaterne af trin 6.1.2 som de tidsmæssige rammer for de næste skridt i trin 7.1.
- Målgruppen 120 s registreret signaler til et sæt af 2 s rammer af hopping dem 1-s mellemrum ved hjælp af MATLAB, som vist i figur 6.
-
Forberede en række spektrale rammer.
- Subtrahere median fra de oprindelige signaler af hver ramme til at fjerne preload, når iført briller.
Bemærk: Værdien preload kræves ikke for følgende frekvens analyse, da det ikke omfatter oplysninger om tygge, walking, blink, osv det kan dog indeholde væsentlige oplysninger, som kan variere fra underlagt emne, fra hver indstilling af glassene, og selv fra øjeblikket et emne bærer briller. - Anvende en Hanning vindue på hver ramme for at reducere en spektral lækage på frekvens analyse.
- Oprette og gemme et enkeltsidet spektrum ved at anvende en hurtig Fouriertransformation (FFT) til hver ramme.
- Subtrahere median fra de oprindelige signaler af hver ramme til at fjerne preload, når iført briller.
- Definere en kombination af en tidsmæssig og en spektral ramme på samme tid som en ramme blok (eller blot en ramme).
7. generation af funktionen vektorer
Bemærk: Funktionen vektor er genereret pr. ramme produceret i afsnit 6 i protokollen. De venstre og højre rammer beregnes separat og kombineret i et indslag vektor i følgende procedurer. Alle procedurer gennemføres i MATLAB.
- Udtrække statistiske funktioner fra en tidsmæssig ramme i trin 6.1 i protokollen. En liste over det samlede antal 54 funktioner er givet i tabel 1.
- Udtrække statistiske funktioner fra en spektral ramme i trin 6.2 i protokollen. En liste over det samlede antal 30 funktioner er givet i tabel 2.
- Generere en 84-dimensionelle funktion vektor ved at kombinere funktionerne tidsmæssige og spektral ovenfor.
- Mærke de genererede funktion vektorer fra optagelser i trin 5.2 i protokollen.
- Gentag trinene fra trin 7.1-7.4 for alle ramme blokke og generere en serie af funktionen vektorer.
8. klassificering af aktiviteter i klasser
Bemærk: Dette trin er at vælge klassificeringen model af en støtte vektor maskine (SVM)23 ved bestemmelse af parametre, der viser den bedste nøjagtighed fra det givne problem (dvs. funktion vektorer). SVM er en velkendt overvåget maskinen læring teknik, der viser fremragende ydeevne i generalisering og robusthed ved hjælp af en maksimal margen mellem klasserne og en kerne funktion. Vi brugte en gitter-søgning og en cross-validering metode til at definere en straf parameteren C og en kerne parameter γ af radial grundlag funktion (RBF) kerne. Et minimum forståelse af maskine lære teknikker og SVM er forpligtet til at udføre følgende procedurer. Nogle referentiel materialer23,24,25 anbefales til bedre forståelse af maskine lære teknikker og SVM algoritme. Alle procedurerne i dette afsnit blev gennemført ved hjælp af LibSVM25 softwarepakke.
- Definere et gitter af par (c, γ) til gitter-søgning. Brug eksponentielt voksende sekvenser af C (2-10, 2-5,..., 230) og γ (2-30, 2-25,..., 210).
Bemærk: Disse sekvenser blev bestemt heuristisk. - Definere et par (C, γ) (f.eks., (2-10, 2-30)).
-
Foretage ordningen 10-fold cross-validering af gitteret definerede i trin 8.2.
Bemærk: Denne ordning opdeler funktion og alle underfunktioner vektorer i 10-del delmængder, derefter teste et undersæt fra klassificeringen model trænet af de andre delmængder, og Gentag det over alle delgrupper, én efter én. Hver funktion vektorer kan derfor blive testet sekventielt.- Opdele hele funktion vektorer i 10-del undersæt.
- Definere et test sæt fra en delmængde, og en uddannelse sæt fra de resterende 9 undersæt.
- Definere en skala vektor, der kan skaleres alle elementer af funktionen vektorer til rækken af [0, 1] uddannelse sæt.
NOTE: Skalaen vektor har samme dimension med funktionen vektor. Det består af et sæt multiplikatorer, der skalerer den samme række (eller kolonne) af alle funktion vektorer til rækken af [0, 1]. For eksempel, den første træk af en funktion vektor lineært skaleres til rækken af [0, 1] til alle første funktionerne i uddannelse funktionen vektorer. Bemærk at omfang vektoren er defineret ud fra uddannelse sæt, fordi den test sæt må antages for at være ukendt. Dette trin øger nøjagtigheden af klassificeringen af at gøre funktionerne lig området og undgå numeriske fejl under beregningen. - Skalere hver funktion af uddannelsen til rækken af [0, 1] ved hjælp af skalaen vektor fremstillet i trin 8.2.3.
- Skalere hver funktion af afprøvning indstillet til rækken af [0, 1] ved hjælp af skalaen vektor fremstillet i trin 8.2.3.
- Tog uddannelse sæt gennem SVM med den definerede par (c, γ) i trin 8.2, og derefter opbygge en klassificering model.
- Test den test sæt gennem SVM med den definerede par (c, γ) i trin 8.2, og klassificeringen model opnås fra proceduren for uddannelse.
- Beregne en klassificering nøjagtighed på test sæt. Nøjagtigheden blev beregnet ud fra procentdelen af funktionen vektorer, som klassificeres korrekt.
- Gentag trin 8.2.2–8.2.8 for alle delgrupper, og beregne den gennemsnitlige nøjagtigheden af alle delmængder.
- Gentag trin 8.2 – 8.3.9 for alle gitter point i et par af (C, γ).
- Find den lokale maksimum af den højeste nøjagtighed af gitteret. Alle procedurer i punkt 8 er illustreret i figur 7.
- (Valgfrit) Hvis trin i gitteret betragtes som grove, Gentag trin 8.1 – 8.5 i en finere gitter nær den lokale maksimale fundet i skridt 8,5, og finde de fine gitter nye lokale maksimalt.
- Beregne præcision, tilbagekaldelse og F1 score af hver klasse af aktiviteter fra følgende ligninger:
Ligning 1
Ligning 2
Ligning 3
hvor TP, FP, og FN repræsenterer sande positiver, falske positiver og falske negativer for hver aktivitet, henholdsvis. Matrixen forvirring for alle aktiviteter, der er givet i tabel 3.
Ligning 1
Ligning 2
Ligning 3Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Gennem de procedurer, der er skitseret i protokollen, udarbejdet vi to versioner af 3D trykte rammen ved at differentiere længden af de hoved stykke, LH (133 og 138 mm), og templer, LT (110 og 125 mm), som vist i figur 4. Derfor kan vi dække flere iført betingelser, som kan varieres fra den registreredes hoved størrelse, form, osv emnerne, der valgte en af rammer til at passe til deres hoved til brugeren undersøgelse. Den lodrette afstand, Lh, mellem hængsel fælles og hul til støtte bolt var indstillet til 7.5 mm så at den forstærkede kraft ikke overstige 15 N, som er vejecelle lineær driftsområdet. Endelig bør det hoved stykke have en tykkelse, tHansen, der kan modstå et bøjende moment overføres fra både støtte bolte når udstyret. Vi valgte tH 6 mm med en anvendelse af kulfiber materiale fra en heuristisk metode. Kontaktpunkterne kan justeres via støtte bolte til at finjustere tæthed af glas som vist i figur 5.
Tabel 3 viser de repræsentative resultater af klassificeringen for alle aktivitet sæt. Den gennemsnitlige F1 score resulterede i 80,5%. Hvis betragtes som en enkelt score, kan udførelsen synes at være relativt forringet i forhold til resultatet af vores tidligere undersøgelse22. Vi, kan dog uddrage væsentlige oplysninger ved at sammenligne resultater mellem hver aktivitet. SR var relativt godt skelnes fra SC, CW og SW, men ikke fra W og ST. Begge tygge aktiviteter, SC og CW, var vanskelige at skelne fra hinanden. På den anden side kan det konstateres, at både tygge aktiviteter kan adskilles let fra den SR, W, ST og SW, som repræsenterer andre fysiske aktiviteter. I tilfælde af SW, wink aktivitet viste sig at være kategoriseret lidt hele andre aktiviteter.
Fra resultaterne af tabel 3, kan vi iagttage dybdegående oplysninger om klassifikationen. Først var de to tygge aktiviteter, SC og CW, klart adskilles fra de øvrige aktiviteter. Blandt dem foreslår at skelne fra den omvandrende aktivitet en mulighed for at føde indtagelse aktivitet, som er det vigtigste formål med denne undersøgelse, kan være let kan adskilles fra den aktive fysisk aktivitet, såsom vandreture, ved hjælp af vores system. Som vist i figur 6, kan det kontrolleres, at tygge og wink signalerne, aktiveres fra temporalis muskel aktivitet, var markant forskellige fra dem, der ikke aktiveres af temporalis musklen aktivitet. På den anden side viste sondringen mellem de to tygge aktiviteter relativt høje proformatransaktioner. De spillede en dominerende rolle i at sænke både præcision og tilbagekaldelse af de tygge aktiviteter.
I form af tygge detektering, kan SR, W og ST betragtes som utilsigtede støj i dagligdagen. Wink aktivitet, på den anden side kan betragtes som meningsfuld måling, fordi det er også aktiveret fra temporalis muskel aktivitet så godt. Baseret på ovenstående, de to tygge aktiviteter blev afgrænset i en chewing aktivitet (CH), og andre aktiviteter med undtagelse af blinket var grupperet i en fysisk aktivitet (PA). Tabel 4 viser klassificering resultater på disse aktiviteter: tygge (CH), fysisk aktivitet (PA) og stillesiddende wink (SW). Vi kan finde mere bemærkelsesværdige resultater fra det. Det forudser angiver, om systemet er robust til påvisning af fødeindtagelse uden at blive ramt af andre fysiske aktiviteter. Desuden, det viser også, om det er muligt at skelne fødeindtagelse fra andre ansigt aktivitet såsom wink. Resultaterne viser, at tygge aktiviteten kan være godt adskilt fra de andre aktiviteter af en høj F1 score af 93,4%. I tilfælde af wink var hjemkalde (85.5%) lidt lavere end for de andre aktiviteter. Det betyder, at kvaliteten af de indsamlede data af wink var tilbøjelige til at være lav, da brugerne havde at blinke på det nøjagtige tidspunkt i 3 s intervaller. Faktisk blev det observeret at brugerne savnet blink eller glassene flyttet lejlighedsvis under bruger undersøgelse.
For at opnå mere meningsfulde resultater fra ovenstående, vi grupperet og igen defineret aktiviteter i nye. De to tygge aktiviteter, SC og CW, var grupperet i én aktivitet, og defineret som tygge. SR, W og ST, som havde en stor grad af fejltarifering indbyrdes, var også grupperet i én aktivitet, defineret som fysisk aktivitet. Som et resultat, opnåede vi nye repræsentative resultater af klassificeringen re udført gennem de aktiviteter, der fremhævede som tygge (CH), fysisk aktivitet (PA) og stillesiddende wink (SW), som vist i tabel 4. Resultaterne viste, at en høj forudsigelse score med en gennemsnitlig F1 score 91,4% af.
Figur 1: skematisk diagrammer af både venstre og højre kredsløb. (A) skematiske diagrammer af den venstre kredsløb. Det indeholder et batteri for at levere strøm til både venstre og højre kredsløb. En 3,3 V spændingsregulator med bypass kondensator var fastsat til at levere en stabil driftsspænding for systemet. Vejeceller præsenteres her blev indsat i begge sider af kredsløb (B) skematiske diagrammer i det rigtige kredsløb. Det indeholder en micro controller enhed (MCU) med Wi-Fi-kapacitet. En to-kanal mulitplekser var fastsat til at behandle to kraft signaler fra begge sider med en analog til digital konverter (ADC) af MCU. En universelle asynkrone receiver/senderen (UART) stik blev brugt til at flashe MCU. Venligst klik her for at se en større version af dette tal.
Figur 2: PCB kunstværker af både venstre og højre kredsløb. (A) et kunstværk af venstre PCB. Alle elektroniske komponenter vises som faktiske målinger i mm. (B) en illustration af højre PCB. Venligst klik her for at se en større version af dette tal.
Figur 3: repræsentative resultater af PCB loddet med alle komponenter. (A) modulet venstre kredsløb. Vejecelle blev integreret i bestyrelsen. Det indeholder en 2-benet stik til batteri og en 3-pin stik til at forbinde til den rigtige bord. (B) den rigtige kredsløb modul. Vejecelle var også integreret i bestyrelsen. Det indeholder en 4-benet stik til blinkende tilstand af MCU, og en 3-pin stik til at forbinde til den venstre kredsløb. Venligst klik her for at se en større version af dette tal.
Figur 4: en 3D-model design af rammen briller. (A) design af hovedet stykke. Det øverste tal viser en forfra, og den nederste figur viser en ovenfra af de hoved stykke. Længden af den hoved stykke, LH, er en design parameter til at dække forskellige hoved størrelse af emner. Vi 3D udskrives to versioner af den hoved stykke ved at differentiere det. Tykkelsen af den hoved stykke, tH, blev defineret af heuristisk. Afstanden mellem en hængsel fælles og et hul til en støtte bolt, Lh, blev indstillet fra den mekaniske forstærkning faktor. (B) udformningen af templerne. Det øverste tal viser den venstre tempel, og den nederste figur viser den rigtige tempel. PCB i figur 3 blev indsat i slots og et batteri var monteret på et batteri holder. Venligst klik her for at se en større version af dette tal.
Figur 5: et repræsentativt resultat af thePCB-integreret briller. PCB blev indsat i slots med bolte. Næse puder og tips af templerne var omfattet af gummi bånd til at tilføje friktion med huden. Når brillerne er udstyret, er load celler presset af støtte bolte på begge sider. Tæthed af glas kan være finjusteres ved at løsne eller stramme støtte bolte. Venligst klik her for at se en større version af dette tal.
Figur 6: tidsmæssige signaler i en optagelse af en bruger til alle aktiviteter. Y-aksen repræsenterer den målte kraft, som blev trukket af dens medianen af optagelse blok til visualisering formål. De maksimale amplituder af de tygge aktiviteter er større end de andre aktiviteter. Venstre og højre signaler af wink aktivitet er inverteret. Figuren viser et eksempel på den venstre wink. En 2 s-indramme blev brugt til at definere en funktion vektor af hopping signaler på 1 s interval. Venligst klik her for at se en større version af dette tal.
Figur 7: repræsentative resultater for at finde den lokale maksimal nøjagtighed gennem forskellige par (c, γ). (A) A contour plot af cross-valideret nøjagtigheder for alle aktiviteter som defineret i tabel 3. Hver akse stiger eksponentielt, og området blev heuristisk valgt. Den lokale maksimal nøjagtighed af 80,4% opstod ved (C, γ) = (25, 20). (B) en kontur plot af cross-valideret nøjagtigheder for omdefineret aktiviteter i tabel 4. Den maksimale nøjagtighed af 92,3% opstod ved (C, γ) = (25, 20), og var meget præcis end resultatet af (A). Venligst klik her for at se en større version af dette tal.
| Lol | Funktion beskrivelse | Lol | Funktion beskrivelse | ||
| 1 | Standardafvigelsen L | 28 | Skenwness Rasmussen | ||
| 2 | Standardafvigelsen Rasmussen | 29 | Kurtosis L | ||
| 3 | Variationskoefficienten L | 30 | Kurtosis Rasmussen | ||
| 4 | Variationskoefficienten Rasmussen | 31 | Autokorrelation funktion koefficienter L | ||
| 5 | Nul passage sats L | 32 | Autokorrelation funktion koefficienter Rasmussen | ||
| 6 | Nul passage sats Rasmussen | 33 | Signal energi L | ||
| 7 | 20. fraktil L | 34 | Signal energi Rasmussen | ||
| 8 | 20. fraktil Rasmussen | 35 | Log signal energi L | ||
| 9 | 50. fraktil L | 36 | Log signal energi Rasmussen | ||
| 10 | 50. fraktil Rasmussen | 37 | Entropi af energi L | ||
| 11 | 80 års percentil L | 38 | Entropi af energi Rasmussen | ||
| 12 | 80 års percentil Rasmussen | 39 | Peak-peak amplitude L | ||
| 13 | Interkvartil sortiment L | 40 | Peak-peak amplitude Rasmussen | ||
| 14 | Interkvartil sortiment Rasmussen | 41 | Antallet af toppe L | ||
| 15 | Kvadratisk sum af 20 fraktil L | 42 | Antallet af toppe R | ||
| 16 | Kvadratisk sum af 20 fraktil Rasmussen | 43 | Betyde tid mellem toppene L | ||
| 17 | Kvadratisk sum af 50-percentilen L | 44 | Betyde tid mellem toppene Rasmussen | ||
| 18 | Kvadratisk sum af 50-percentilen Rasmussen | 45 | Std. mellem toppene L | ||
| 19 | Kvadratisk sum af 80 års percentil L | 46 | Std. mellem toppene Rasmussen | ||
| 20 | Kvadratisk sum af 80 års percentil Rasmussen | 47 | Forudsigelse forholdet L | ||
| 21 | 1. placering af arkiveret lodret fordeling L | 48 | Forudsigelse forholdet R | ||
| 22 | 1. placering af arkiveret lodret fordeling Rasmussen | 49 | Harmoniske forhold L | ||
| 23 | 2. placering af arkiveret lodret fordeling L | 50 | Harmonisk forholdet R | ||
| 24 | 2. placering af arkiveret lodret fordeling Rasmussen | 51 | Grundlæggende frekvens L | ||
| 25 | 3. placering af arkiveret lodret fordeling L | 52 | Grundlæggende frekvens Rasmussen | ||
| 26 | 3. placering af arkiveret lodret fordeling Rasmussen | 53 | Korrelationskoefficient på L og R | ||
| 27 | Skenwness Larsen | 54 | Sigmal størrelsesorden område af L og R | ||
Tabel 1: udvundet statistiske funktioner i en tidsmæssig ramme. Ialt 54 funktioner blev udvundet. De venstre og højre signaler blev beregnet særskilt bortset fra funktionerne, korrelation, 53 og 54.
| Lol | Funktion beskrivelse | Lol | Funktion beskrivelse | ||
| 1 | Spektrale energi L | 16 | Spektrale spredning Rasmussen | ||
| 2 | Spektrale energi Rasmussen | 17 | Spektrale entropi L | ||
| 3 | Spektrale zone 1 energi L | 18 | Spektrale entropi Rasmussen | ||
| 4 | Spektrale zone 1 energi Rasmussen | 19 | Spektrale entropi af energi L | ||
| 5 | Spektrale zone 2 energi L | 20 | Spektrale entropi af energi Rasmussen | ||
| 6 | Spektrale zone 2 energi Rasmussen | 21 | Spektrale flux L | ||
| 7 | Spektrale zone 3 energi L | 22 | Spektrale flux Rasmussen | ||
| 8 | Spektrale zone 3 energi Rasmussen | 23 | Spektrale rolloff L | ||
| 9 | Spektrale zone 4 energi L | 24 | Spektrale rolloff Rasmussen | ||
| 10 | Spektrale zone 4 energi Rasmussen | 25 | Maksimale spektrale crest L | ||
| 11 | Spektrale zone 5 energi L | 26 | Maksimale spektrale crest Rasmussen | ||
| 12 | Spektrale zone 5 energi Rasmussen | 27 | Spektrale skævhed L | ||
| 13 | Spektrale barycentrum L | 28 | Spektrale skævhed Rasmussen | ||
| 14 | Spektrale barycentrum Rasmussen | 29 | Spektrale kurtosis L | ||
| 15 | Spektrale spredning L | 30 | Spektrale kurtosis Rasmussen | ||
Tabel 2: udvundet statistiske funktioner af en spektral ramme. Ialt 30 funktioner blev udvundet. De venstre og højre signaler blev beregnet særskilt. Fra funktionerne i tabel 1 og tabel 2består en feature vektor af i alt 84 funktioner.
| Forudsagde aktivitet |
Faktiske aktivitet | I alt | Præcision | |||||
| en 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% |
| I alt | 1560 | 1560 | 1560 | 1560 | 1560 | 1560 | 9360 | |
| Tilbagekaldelse | 78,3% | 81,3% | 77.7% | 85,1% | 71,6% | 88,7% | 80,4% | |
| F1 score | 78.1% | 82,5% | 79,7% | 85.0% | 69,7% | 87,8% | ||
| Gennemsnitlige F1 score | 80,5% | |||||||
Tabel 3: Forvirring matrix af alle aktiviteter når (C, γ) = (25, 20) i figur 7A. Denne matrix viser alle forudsigelse resultater for alle aktiviteter: enSR: stillesiddende resten, bSC: stillesiddende tygge, cW: gå, dCW: tygge samtidigt med at omvandrende, eST: stillesiddende taler, fSW: stillesiddende wink.
| Forudsagde aktivitet |
Faktiske aktivitet | I alt | Præcision | ||
| en 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% |
| I alt | 3120 | 4680 | 1560 | 9360 | |
| Tilbagekaldelse | 92,9% | 94,1% | 85.5% | 92,3% | |
| F1 score | 93,4% | 92,9% | 88.1% | ||
| Gennemsnitlige F1 score | 91,4% | ||||
Tabel 4: Forvirring matrix af alle de aktiviteter, der er omdefineret når (C, γ) = (25, 20) i figur 7B. Denne matrix viser alle forudsigelse resultater for alle omdefineret aktiviteter: enCH: tygning, bPA: fysisk aktivitet, cSW: stillesiddende wink.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
I denne undersøgelse foreslået vi først design- og fremstillingsprocesserne briller, fornemmer mønstre af fødeindtagelse og fysisk aktivitet. Som denne undersøgelse primært fokuseret på dataanalyse til at skelne fødeindtagelse fra de andre fysiske aktiviteter (såsom gåture og blinkede), sensor og data erhvervelse system krævede gennemførelsen af mobilitet optagelse. Således omfattede systemet sensorer, MCU med trådløs kommunikation evnen og batteriet. Den foreslåede protokol leveret en roman og praktisk måde at måle mønstrene af temporalis musklen aktivitet på grund af fødeindtagelse og blink på en ikke-kontakt måde: de værktøjer og metoder til nemt opdage fødeindtagelse i dagligdagen uden besværlige udstyr blev beskrevet.
Der er vigtige overvejelser for proceduren for fremstilling af glas. Templet dele skal være designet til at integrere PCB moduler fremstillet i trin 1.2 som vist i figur 4B og 4 c figur. Vejecelle bør være placeret, så det er presset af en støtte bolt på en støtte plade af den hoved stykke når udstyret som illustreret i den øverste visning af hængsel del i figur 5. I trin 2.4 behøver graden af bøjning af briller templet ikke at være streng, da formålet med krumning er at øge en formfaktor bedre passer til brillerne på en motivets hoved. Vær forsigtig, men som overdreven bøjning vil forhindre templerne fra rørende temporalis musklen, som ville gøre det umuligt at indsamle betydelige mønstre.
For at få pålidelige data afspejler forskellige hoved størrelser og udformninger af fag, blev to versioner af glassene leveret af varierende længde hoved stykke og templer. Derudover ved at udnytte de støtte volt for at finjustere slid-evne, kan vi justere tæthed af glas. Således, data indsamlet gennem de forskellige briller, fag, og iført betingelser kan afspejle intra og Inter-Diesel individual variabilitet og forskellige formfaktorer.
I undersøgelsen bruger emnet tog brillerne i pausen, og bar dem igen, når optagelse blok genstartes. Denne handling forhindrede data fra overfitting til en bestemt iført tilstand, fordi det ændrede iført betingelser (fx, venstre og højre balance, preload på vejeceller, kontakt område med huden, etc.) hver gang emnet re bar briller.
Ifølge en tidligere undersøgelse af tygge frekvens, tygge aktiviteten hovedsageligt varierede fra 0,94 Hz (5th percentil) til 2.17 Hz (95th percentil)26. Dermed, vi indstiller billedstørrelsen til 2 s så at en tekstrude indeholder flere tygge aktiviteter. Denne rammestørrelse er også velegnet til indeholdende en eller flere omvandrende cyklusser, der generelt spænder fra 1,4 Hz til 2,5 Hz27. Vi gennemførte den omvandrende aktivitet med en hastighed på 4,5 km/h på et løbebånd, fordi den normale walking hastighed varierer fra 3,3 km/h til 6,5 km/h27,28. Hop størrelse i figur 6 blev bestemt ud fra registrerede wink data hvor forsøgspersoner blev informeret at blinke med 3-s intervaller. Vi også filtreres dataene med den cutoff frekvens på 10 Hz, fordi vi fandt fra vores tidligere undersøgelse, der signalerer over 10 Hz havde ingen væsentlige oplysninger tygge detektering22.
Fordi systemet har to vejeceller på begge sider, er det muligt at skelne de venstre og højre begivenheder af tygge og blink, som vist i vores tidligere undersøgelse22. Men i modsætning til den tidligere undersøgelse, formålet med denne undersøgelse var at vise, at systemet effektivt kunne adskille fødeindtagelse fra de fysiske aktiviteter. Hvis dataene er tilstrækkeligt akkumuleret gennem bruger undersøgelse, derefter yderligere forskning på venstre og højre klassifikation kan foretages, udnytte korrelation funktioner inkluderet i indslag vektoren. På den anden side er det vanskeligt at skelne mellem den stillesiddende aktivitet og gå i systemet. Yderligere ændringer til systemet kan give detaljerede klassificering af fødeindtagelse, som at spise mens du sidder og spiser på farten, med en høj nøjagtighed. Dette kan gennemføres via en sensor fusion teknik ved at tilføje en inertial måleenhed (IMU) system18. Hvis det er tilfældet, kan systemet spore energi udgifter og energiindtag samtidigt. Vi mener, at vores tilgang giver praktisk og mulige måder til registrering af fødeindtagelse og fysisk aktivitet.
Skøn over energiindtag er et afgørende mål for forskning på kosten overvågning, og for eksempel kan analyseres ved klassificering af typen mad, og derefter konvertere det til kalorier fra foruddefinerede kaloriefattige oplysninger. En undersøgelse for nylig foreslået en metode til klassificering af typer fødevarer ved hjælp af mad billeder og dyb læring algoritmer14. Det er imidlertid vanskeligt at adskille typer fødevarer med Kraftmålerne anvendes i denne undersøgelse; tilføjelsen af en billedsensor på forsiden af enheden kunne genkende typer fødevarer gennem billedbehandling og maskine lære teknikker, og dermed klassificerer typer fødevarer. Gennem denne sensor fusion teknik med kraft og billed-sensorer er potentialet i denne undersøgelse program mod generelle kosten kontrol applikationer.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Forfatterne har ikke noget at oplyse.
Acknowledgments
Dette arbejde blev støttet af Envisible, Inc. Denne undersøgelse blev også støttet af en bevilling af koreansk sundhed Technology R & D-projektet, Ministeriet for Sundhed & velfærd, Republikken Korea (HI15C1027). Denne forskning blev også støttet af den nationale forskning fundament af Korea (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).
