Summary

Ontwerp en evaluatie van slimme bril voor voeding en lichaamsbeweging classificatie

Published: February 14, 2018
doi:

Summary

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

Abstract

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

Introduction

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

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

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

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

Protocol

Opmerking: Alle procedures met inbegrip van het gebruik van menselijke proefpersonen werden uitgevoerd door een niet-invasieve manier gewoon dragen een paar glazen. Alle gegevens werden verworven door het meten van de signalen van de kracht van meetcellen ingevoegd in de bril die niet in direct contact met de huid. De gegevens werden draadloos overgebracht naar de module voor het opnemen van gegevens, die, in dit geval is een aangewezen smartphone voor de studie. Alle protocollen waren niet verwant aan in vivo/<…

Representative Results

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

Discussion

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

Disclosures

The authors have nothing to disclose.

Acknowledgements

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

Materials

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

  1. Sharma, A. M., Padwal, R. Obesity is a sign-over-eating is a symptom: an aetiological framework for the assessment and management of obesity. Obes Rev. 11 (5), 362-370 (2010).
  2. Pi-Sunyer, F. X., et al. Clinical guidelines on the identification, evaluation, and treatment of overweight and obesity in adults. Am J Clin Nutr. 68 (4), 899-917 (1998).
  3. McCrory, P., Strauss, B., Wahlqvist, M. L. Energy balance, food intake and obesity. Exer Obes. , (1994).
  4. Albinali, F., Intille, S., Haskell, W., Rosenberger, M. . Proceedings of the 12th ACM international conference on Ubiquitous computing. , 311-320 (2010).
  5. Bonomi, A., Westerterp, K. Advances in physical activity monitoring and lifestyle interventions in obesity: a review. Int J Obes. 36 (2), 167-177 (2012).
  6. Jung, S., Lee, J., Hyeon, T., Lee, M., Kim, D. H. Fabric-Based Integrated Energy Devices for Wearable Activity Monitors. Adv Mater. 26 (36), 6329-6334 (2014).
  7. Fulk, G. D., Sazonov, E. Using sensors to measure activity in people with stroke. Top Stroke Rehabil. 18 (6), 746-757 (2011).
  8. Makeyev, O., Lopez-Meyer, P., Schuckers, S., Besio, W., Sazonov, E. Automatic food intake detection based on swallowing sounds. Biomed Signal Process Control. 7 (6), 649-656 (2012).
  9. Päßler, S., Fischer, W. Food intake activity detection using an artificial neural network. Biomed Tech (Berl). , (2012).
  10. Passler, S., Fischer, W. -. J. Food intake monitoring: Automated chew event detection in chewing sounds. IEEE J Biomed Health Inform. 18 (1), 278-289 (2014).
  11. Kadomura, A., et al. . CHI’13 Extended Abstracts on Human Factors in Computing Systems. , 1551-1556 (2013).
  12. Fontana, J. M., Farooq, M., Sazonov, E. Automatic ingestion monitor: A novel wearable device for monitoring of ingestive behavior. IEEE Trans Biomed Eng. 61 (6), 1772-1779 (2014).
  13. Shen, Y., Salley, J., Muth, E., Hoover, A. Assessing the Accuracy of a Wrist Motion Tracking Method for Counting Bites across Demographic and Food Variables. IEEE J Biomed Health Inform. , (2016).
  14. Farooq, M., Sazonov, E. . International Conference on Bioinformatics and Biomedical Engineering. , 464-472 (2017).
  15. Grigoriadis, A., Johansson, R. S., Trulsson, M. Temporal profile and amplitude of human masseter muscle activity is adapted to food properties during individual chewing cycles. J Oral Rehab. 41 (5), 367-373 (2014).
  16. Strini, P. J. S. A., Strini, P. J. S. A., de Souza Barbosa, T., Gavião, M. B. D. Assessment of thickness and function of masticatory and cervical muscles in adults with and without temporomandibular disorders. Arch Oral Biol. 58 (9), 1100-1108 (2013).
  17. Standring, S. . Gray’s anatomy: the anatomical basis of clinical practice. , (2015).
  18. Farooq, M., Sazonov, E. A novel wearable device for food intake and physical activity recognition. Sensors. 16 (7), 1067 (2016).
  19. Zhang, R., Amft, O. . Proceedings of the 2016 ACM International Symposium on Wearable Computers. , 50-52 (2016).
  20. Farooq, M., Sazonov, E. Segmentation and Characterization of Chewing Bouts by Monitoring Temporalis Muscle Using Smart Glasses with Piezoelectric Sensor. IEEE J Biomed Health Inform. , (2016).
  21. Huang, Q., Wang, W., Zhang, Q. Your Glasses Know Your Diet: Dietary Monitoring using Electromyography Sensors. IEEE Internet of Things Journal. , (2017).
  22. Chung, J., et al. A glasses-type wearable device for monitoring the patterns of food intake and facial activity. Scientific Reports. 7, 41690 (2017).
  23. Cristianini, N., Shawe-Taylor, J. . An introduction to support Vector Machines: and other kernel-based learning methods. , (2000).
  24. Giannakopoulos, T., Pikrakis, A. . Introduction to Audio Analysis: A MATLAB Approach. , (2014).
  25. Chang, C. -. C., Lin, C. -. J. LIBSVM: a library for support vector machines. ACM Trans Intell Syst Technol. 2 (3), 27 (2011).
  26. Po, J., et al. Time-frequency analysis of chewing activity in the natural environment. J Dent Res. 90 (10), 1206-1210 (2011).
  27. Ji, T. Frequency and velocity of people walking. Struct Eng. 84 (3), 36-40 (2005).
  28. Knoblauch, R., Pietrucha, M., Nitzburg, M. Field studies of pedestrian walking speed and start-up time. Transp Res Red. 1538, 27-38 (1996).

Play Video

Cite This Article
Chung, J., Oh, W., Baek, D., Ryu, S., Lee, W. G., Bang, H. Design and Evaluation of Smart Glasses for Food Intake and Physical Activity Classification. J. Vis. Exp. (132), e56633, doi:10.3791/56633 (2018).

View Video