Summary
Diese Studie stellt ein Protokoll der Entwicklung und Herstellung eine Brillen-Typ tragbares Gerät, die erkennt die Muster der Nahrungsaufnahme und andere empfohlenen körperlichen Aktivitäten mit Wägezellen in beide Scharniere der Gläser eingefügt.
Abstract
Diese Studie stellt eine Reihe von Protokollen der Entwicklung und Herstellung eine Brillen-Typ tragbare Gerät, die die Muster der Temporalis Muskelaktivitäten während der Nahrungsaufnahme und andere körperlichen Aktivitäten erkennt. Wir fabrizierten einen 3D-gedruckten Rahmen der Gläser und eine Zelle integriert Printed Circuit Board (PCB) Lademodul in beiden Seiten des Rahmens eingefügt. Das Modul wurde zur erwerben die Kraft-Signale und drahtlos zu übertragen. Diese Verfahren bieten das System höhere Mobilität, die ausgewertet werden kann, tragen Praxisbedingungen wie Wandern und wackeln. Eine Aufführung der Klassifikation wird auch durch die Unterscheidung der Muster der Nahrungsaufnahme von diesen körperlichen Aktivitäten ausgewertet. Eine Reihe von Algorithmen wurden zur Vorverarbeitung Signale generieren Merkmalsvektoren und erkennen der Muster von mehreren vorgestellten Aktivitäten (kauen und zwinkert) und andere körperlichen Aktivitäten (sitzende Rest, reden, und zu Fuß). Die Ergebnisse zeigten, dass die durchschnittliche F1 Ergebnis der Klassifizierung unter den vorgestellten Aktivitäten 91,4 %. Wir glauben, dass dieser Ansatz für die automatische und objektive Überwachung medikamentöser Verhaltensweisen mit einer höheren Genauigkeit als praktisches Mittel zur medikamentöser Behandlung möglicherweise nützlich sein kann.
Introduction
Laufende und objektive Überwachung der Nahrungsaufnahme ist unerlässlich für die Aufrechterhaltung der Energiebilanz im menschlichen Körper als übermäßige Energieansammlung verursachen Übergewicht und Adipositas1, mit verschiedenen medizinischen Komplikationen2führen kann. Die wichtigsten Faktoren in der Energie-Ungleichgewicht sind bekannt, übermäßige Nahrungsaufnahme und unzureichende körperliche Aktivität3. Verschiedene Studien über die Überwachung der täglichen Energieverbrauch wurden mit automatischen und objektive Messung von körperlicher Aktivitätsmuster durch tragbare Geräte4,5,6, auch bei der Endverbraucher Ebene und medizinische Stufe7. Forschung über die Kontrolle der Nahrungsaufnahme, ist jedoch noch im Labor einrichten, da es schwierig ist, die Nahrung Aufnahme Aktivität in einer direkten und objektiven Weise erkennen. Hier wollen wir eine Gerätekonstruktion und deren Bewertung für die Überwachung der Nahrungsaufnahme und körperliche Aktivitätsmuster auf praktischer Ebene im täglichen Leben zu präsentieren.
Es wurden verschiedene indirekte Ansätze zur Überwachung der Nahrungsaufnahme durch Kauen und schlucken Geräusche8,9,10, Bewegung des Handgelenks11,12,13, Bild Analyse14und Elektromyogramm (EMG)15. Diese Ansätze waren jedoch schwer zu täglichen Leben, wegen ihrer inhärenten Einschränkungen gelten: die Methoden mit Sound waren anfällig für beeinflusst werden ökologische Klang; die Methoden, die durch die Bewegung des Handgelenks waren schwierig zu unterscheiden, andere körperlichen Aktivitäten, beim Essen nicht verarbeiten; und die Methoden mit den Bildern und EMG-Signale werden durch die Begrenzung der Bewegung und Umwelt eingeschränkt. Diese Studien zeigten die Möglichkeit der automatischen Erkennung von der Nahrungsaufnahme mit Hilfe von Sensoren, sondern hatte noch eine Einschränkung der praktischen Anwendbarkeit in den Alltag über Labor-Einstellungen.
In dieser Studie verwendeten wir die Muster der Temporalis Muskel-Aktivität als eine automatische und objektive Überwachung der Nahrungsaufnahme. In der Regel wiederholt Temporalis Muskel der Kontraktion und Entspannung als Teil der physiologischen Muskel während Essen Einlass16,17; Somit kann die Lebensmittel Aufnahme Aktivität überwacht werden, durch den Nachweis der periodischen Mustern Temporalis Muskel-Aktivität. Vor kurzem gab es mehrere Studien, die unter Verwendung der Temporalis Muskel-Aktivität18,19,20,21, die die EMG oder piezoelektrische Belastung verwendet Sensor und befestigen sie direkt auf Menschen Haut. Diese Ansätze jedoch waren empfindlich auf der Haut-Standort des EMG-Elektroden oder Belastung Sensoren und leicht von der Haut durch die körperliche Bewegung oder Schweiß gelöst wurden. Daher haben wir vorgeschlagen, eine neue und effektive Methode, mit ein paar Gläser das Gefühl, dass die Temporalis Muskel-Aktivität durch zwei Wägezellen in beide Scharniere in unserem vorherigen Studie22eingefügt. Diese Methode zeigte großes Potenzial Essen Aufnahme Aktivität ohne Berührung der Haut mit einer hohen Genauigkeit zu erkennen. Es war auch nicht aufdringlich und nicht aufdringlich, da wir ein gemeinsame Brillen-Typ-Gerät verwendet.
In dieser Studie stellen wir eine Reihe von detaillierten Protokollen wie Brillen-Typ-Gerät zu implementieren und die Muster des Temporalis Muskel-Aktivität verwenden zur Überwachung der Nahrungsaufnahme und körperliche Aktivität. Die Protokolle beinhalten den Prozess der Hardware-Design und Fertigung, die aus einem 3D-gedruckten Rahmen die Gläser, ein Schaltungsmoduls und ein Datenmodul Erwerb besteht und die Softwarealgorithmen zur Datenverarbeitung und-Analyse. Wir weiterhin die Einstufung unter mehreren vorgestellten Aktivitäten (z. B.kauen, zu Fuß und einem Augenzwinkern) untersucht das Potenzial als ein praktisches System zu demonstrieren, die eine Minute die Nahrungsaufnahme und andere körperliche Aktivität unterscheiden können Muster.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Hinweis: Alle Verfahren, einschließlich der Verwendung von menschlichen Probanden wurden durch eine nicht-invasive Weise einfach tragen ein paar Gläser erreicht. Alle Daten wurden übernommen, durch die Messung der Kraft-Signale von Wägezellen, eingefügt in die Gläser, die nicht in direktem Kontakt mit der Haut. Die Daten wurden drahtlos übertragen, Daten-Aufnahme-Modul, die, in diesem Fall ist ein ausgewiesenen Smartphone für die Studie. Die Protokolle wurden nicht im Zusammenhang mit in Vivo/in-vitro- Studien am Menschen. Keine Droge und Blut Proben wurden für die Experimente verwendet. Die Einwilligung wurde aus allen Fächern der Experimente.
1. Herstellung eines Sensor-integrierte Schaltung-Moduls
-
Elektronische Komponenten für die Herstellung von Schaltungsmoduls zu kaufen.
- Kaufen Sie zwei Kugel-Typ Wägezellen, von die jede arbeitet in einem Bereich zwischen 0 N und 15 N und erzeugt eine Leistung von differenziellen Niedervolt mit maximal 120 mV Spannweite in eine 3,3 V Erregung.
Hinweis: Diese Last, die Zellen werden zur Messung der Kraft Signale auf der linken und rechten Seiten der Gläser. - Kaufen Sie zwei Messverstärker und zwei 15 kΩ Verstärkungseinstellung Widerstände.
Hinweis: Der Messverstärker und die Gain-Einstellung Widerstand werden verwendet um das Kraft-Signal der Wägezelle achtmal, bis zu 960 verstärken mV. - Kaufen Sie ein Mikro-Controller Unit (MCU) mit Wireless-Funktion (z.B. Wi-Fi-Konnektivität) und ein 10-Bit Analog-Digital-Wandler (ADC).
Hinweis: Die MCU wird verwendet, um lesen die Kraft-Signale und leiten sie an ein Datenmodul Erwerb drahtlos. Da eine analoge input-Pin für zwei analoge Kraft Eingaben verwendet wird, ist die Verwendung von einen multiplexer im nächsten Schritt 1.1.4 eingeführt. - Kaufen Sie eine 2-Kanal Analog multiplexer, die die beiden Eingangssignale mit einem ADC-Pin auf der MCU behandelt.
- Kaufen Sie einen Lithium-Ionen-Polymer (LiPo) Akku mit 3,7 V Nennspannung, 300 mAh Kapazität und 1 C Entladungsrate.
Hinweis: Die Kapazität der Batterie war genug Strom pro Stunde mehr als 200 mAh liefern und zum Betrieb des Systems zuverlässig für ca. 1,5 h von einem Experiment ausgewählt. - Kaufen ein 3,3 V-Spannungsregler für lineare Down-Regulierung der 3,7 V Batteriespannung auf 3,3 V Betriebsspannung des Systems.
- Kauf 5 12 kΩ Aufputz-Geräte (SMD) Typ Widerstände als Pull-up Widerstände der MCU. Der Widerstand Fußabdruck ist 2,0 x 1,2 mm (Größe 2012).
- Kaufen Sie zwei Kugel-Typ Wägezellen, von die jede arbeitet in einem Bereich zwischen 0 N und 15 N und erzeugt eine Leistung von differenziellen Niedervolt mit maximal 120 mV Spannweite in eine 3,3 V Erregung.
-
Fertigen Sie Leiterplatten (PCB). Dieser Schritt ist über die Leiterplatten, und macht das Kunstwerk (d.h. das Board-Layout, die .brd Datei) und den Schaltplan (d. h.die .sch-Datei) für PCB Fertigung. Ein grundlegendes Verständnis des Prozesses der Erstellung von Grafiken und Schaltplan Dateien ist für die Entwicklung erforderlich.
- Zeichnen Sie eine schematische Darstellung einer linken Schaltung enthält die Batterie mit einer Elektronikdesign-Anwendung, wie in Figur 1Adargestellt. Speichern Sie das Ergebnis als Kunstwerk (.brd) und Schaltplan (.sch) Dateien.
- Zeichnen Sie einen Schaltplan einer richtigen Schaltung mit der MCU mit einer Elektronikdesign-Anwendung, wie in Abbildung 1 bgezeigt. Speichern Sie das Ergebnis als Kunstwerk (.brd) und Schaltplan (.sch) Dateien.
- Die Platinen durch Erteilung eines Auftrages mit einem PCB Fertigung Unternehmen zu fabrizieren.
- Löten Sie jede elektronische Komponente vorbereitet im Schritt 1.1 PCB wie in Abbildung 2 und Abbildung 3dargestellt.
Achtung: Der Messverstärker reagiert sehr empfindlich auf die Löttemperatur. Stellen Sie sicher, dass Blei Temperatur nicht mehr 300 ° C für 10 als s beim Löten, sonst kann es verursachen bleibende Schäden an der Komponente.
2. 3D Druck eines Rahmens der Gläser
- Zeichnen Sie das 3D-Modell des Kopfteils der Gläser mit einem 3D Modellierungs-Tool wie in Abbildung 4Agezeigt. Exportieren Sie das Ergebnis im STL-Format.
- Zeichnen Sie das 3D-Modell der linken und rechten Tempel der Gläser mit einem 3D Modellieren Werkzeug, wie in Abbildung 4 b und Abbildung 4gezeigt. Exportieren Sie die Ergebnisse im STL-Format.
- Drucken Sie das Stück und Tempel Kopfteile mit einem 3D Drucker und eine Kohlefaser-Filament bei 240 ° C ein Düsentemperatur und 80 ° C einer Bett-Temperatur.
Hinweis: Die Verwendung von kommerziellen 3D-Drucker und alle Arten von Fasern wie Acrylnitril-Butadien-Styrol (ABS) und Polylactid (PLA) ist möglich. Die Düse und Bett Temperaturen können nach den Heizfaden und Druckbedingungen angepasst werden. - Erhitzen Sie die Tipps von den Schläfen mit einem Heißluftfön einer 180 ° C Einstellung und biegen sie nach innen etwa 15 Grad um die Epidermis der Temporalis Muskel wie herkömmliche Gläser zu kontaktieren.
Hinweis: Der Grad der Biegung des Tempels Brille muss nicht streng sein, da der Zweck der Krümmung einen Formfaktor zu erhöhen, hilft die Brille passen, auf ein Thema Kopf ausgestattet. Seien Sie jedoch vorsichtig, da übermäßige Biegung die Tempel vom Berühren des Temporalis Muskels, wodurch es unmöglich verhindert, bedeutende Muster zu sammeln. - Wiederholen Sie die Schritte ab Schritt 2.1-2.4, zwei verschiedene Größen von Brillengestell um mehrere Kopfgrößen zu passen, wie in Abbildung 4gezeigt zu drucken.
3. Zusammenbau aller Teile der Gläser
- Legen Sie die Platinen auf beiden Seiten der Tempel der Gläser mit M2-Schrauben, wie in Abbildung 5dargestellt.
- Montieren Sie das Kopfstück und die Tempel, indem einfügen die M2-Schrauben in die Scharnier-Gelenke.
- Schließen Sie die linken und rechten Platinen die 3-poligen Verbindungskabel verwenden, wie in Abbildung 5dargestellt.
- Schließen Sie die Batterie an der linken Schaltung und befestigen Sie sie mit Klebeband an der linken Schläfe. Die Montageseite der Batterie ist nicht kritisch, da sie je nach der PCB-Design variieren.
- Decken Sie die Gläser mit Kautschuk Bänder auf die Spitze und den Nasenpad hinzufügen mehr Reibung mit der menschlichen Haut, wie in Abbildung 5dargestellt.
4. Entwicklung des Datenerfassungssystems
Hinweis: Das Datenerfassungssystem besteht aus einem Daten-Modul und ein Daten-Empfangsmodul übertragen. Das Daten-Übertragung-Modul liest die Zeit und die Kraft beider Signale und sendet sie an das Empfangsmodul Daten, welche die empfangenen Daten sammelt und schreibt sie in haben.TSV-Dateien.
-
Laden Sie die Datenübertragung Anwendung an die MCU das PCB-Modul nach den Verfahren in den Schritten 4.1.1–4.1.3.
- Führen Sie die "GlasSense_Server"-Projekts, das die zusätzlichen Dateien mithilfe eines Computers zugeordnet.
Hinweis: Dieses Projekt wurde mit Arduino integrierte Entwicklungsumgebung (IDE) gebaut. Es bietet die Möglichkeit, lesen die Zeit und Kraft Signale mit 200 Proben/s an das Empfangsmodul Daten übertragen. - Das PCB-Modul über einen universellen seriellen Bus (USB)-Stecker an den Computer anschließen.
- Drücken Sie die Schaltfläche "Hochladen" auf dem Arduino IDE Programmiercodes aus 4.1.1 betreten die MCU Flash.
- Führen Sie die "GlasSense_Server"-Projekts, das die zusätzlichen Dateien mithilfe eines Computers zugeordnet.
-
Laden Sie die Daten empfangende Anwendung auf ein Smartphone, das verwendet wird, um die Daten drahtlos empfangen, nach den Verfahren in den Schritten 4.2.1–4.2.3.
- Führen Sie die "GlasSense_Client"-Projekts, das die zusätzlichen Dateien mithilfe eines Computers zugeordnet.
Hinweis: Dieses Projekt wurde mit c# gebaut Programmiersprache. Es bietet die Möglichkeit, Daten zu empfangen und speichern die Dateien haben.TSV, die ein Thema Informationen, wie Name, Geschlecht, Alter und Body-mass-Index (BMI) enthalten. - Verbinden Sie das Smartphone mit dem Computer über ein USB-Anschluss zum Erstellen der Daten empfangenden Anwendung.
- Drücken Sie "Datei > Build & Run" auf das c#-Projekt, die Daten empfangende Anwendung auf das Smartphone zu bauen.
- Führen Sie die "GlasSense_Client"-Projekts, das die zusätzlichen Dateien mithilfe eines Computers zugeordnet.
5. Datenerhebung aus einer Benutzerstudie
Hinweis: Diese Studie erfasst sechs vorgestellten Aktivität Sets: sitzende Rest (SR), sitzende kauen (SC), Wandern (W), kauen während des Gehens (CW), sitzende reden (ST) und sitzende Wink (SW).
- Wählen Sie ein paar Gläser haben eine angemessene Größe für den Benutzer getestet werden. Optimieren Sie die Dichtigkeit bei der Unterstützung Schrauben an beiden Scharniere (Abbildung 5).
Achtung: Die Kraftwerte darf nicht 15 N, da die Kraftsensoren in dieser Studie verwendeten die feine lineare Kennlinie jenseits der Reichweite verlieren können. Die Kraftwerte können angepasst werden, durch lösen oder anziehen der Unterstützung Schrauben. -
Aufzeichnung der Aktivitäten aller Fächer durch Drücken der Taste "Record" auf die Anwendung in Schritt 4.2.3 gebaut.
- Aufzeichnen einer Aktivitäts in einem 120-s-Block und eine Aufnahmedatei zu generieren.
- Im Falle der SR sitzen Sie das Thema in einem Stuhl und sie nutzen ein Smartphone oder ein Buch lesen. Ermöglichen Sie Bewegung des Kopfes zu, aber vermeiden Sie Bewegungen des ganzen Körpers.
- Haben Sie in den Fällen von SC und CW die Themen Essen, zwei Arten von Lebensmittel Textur (geröstetes Brot und kauen Gelee), um verschiedene Lebensmittel Eigenschaften Rechnung zu tragen. Servieren Sie das Toastbrot in Scheiben von 20 mm x 20 mm, das ist eine gute Größe für das Essen.
- Bei W sind die Themen, die mit einer Geschwindigkeit von 4,5 km/h auf einem Laufband laufen.
- Im Falle von ST die Themen hinzusetzen und haben ihnen vorlesen eines Buches in einem normalen Ton und Geschwindigkeit.
- Bei SW, informieren die Themen Augenzwinkern hinsichtlich des Zeitpunkts der Glockenklang von 0,5 s lang alle 3 s.
- Erzeugen Sie eine Aufnahme-Datei im haben.TSV-Format von der in Schritt 5.2.1 erhobenen Daten.
Hinweis: Diese Datei enthält eine Sequenz von der Zeit, wann die Daten empfangen wurden, ein Signal des linken Kraft, einen richtigen Kraft-Signal und eine Beschriftung, die aktuelle Gesichts Aktivität darstellt. Visualisierungen von zeitlichen Signale aller Aktivitäten in einem Block eines Benutzers wurden in Abbildung 6dargestellt. Die sechs vorgestellten Aktivität-Sets (SR, SC, W CW, ST und SW) wurden jeweils als 1, 2, 3, 4, 5 und 6, beschriftet. Die Etiketten wurden verwendet, um die vorhergesagten Klassen in Abschnitt 8 des Protokolls zu vergleichen. - 60 s Pause nach dem Aufnahme-Block. Nehmen Sie die Brille während der Pause, und wieder tragen sie wieder wenn der Aufnahme-Block neu gestartet wird.
- Wiederholen Sie die Block-Pause-Reihe von Schritten 5.2.1 und 5.2.2 viermal für jede Aktivität.
- Im Falle von SW haben Sie das Thema wink immer wieder mit dem linken Auge in einen Block, und dann wiederholt mit dem rechten Auge zwinkern, während den nächsten Block.
- Aufzeichnen einer Aktivitäts in einem 120-s-Block und eine Aufnahmedatei zu generieren.
- Wiederholen Sie die Schritte 5.1, 5.2 und erfassen Sie die Daten von 10 Themen. In dieser Studie verwendeten wir fünf Männer und fünf Frauen, das Durchschnittsalter betrug 27,9 ± 4,3 (Standardabweichung, s.d.), die auf 19 – 33 Jahre reichten, und der durchschnittliche BMI betrug 21,6 ± 3.2 (s.d.) kg/m2, die bei 17,9-27,4 kg/m2reichten.
Hinweis: In dieser Studie, die Themen, die nicht über irgendwelche medizinischen Bedingungen zu kauen, Wink und Spaziergang wurden rekrutiert, und dieser Zustand war für Einschlusskriterien verwendet.
(6) Signal Vorverarbeitung und Segmentierung
Hinweis: Die linken und rechten Signale werden in den folgenden Verfahren gesondert berechnet.
-
Bereiten Sie eine Reihe von zeitlichen Rahmen von 2 s lang.
- Segment der 120 s erfassten Signale in einen Satz von 2 s Frames hüpfen sie in 1-s-Intervallen mit MATLAB, wie in Abbildung 6gezeigt.
Hinweis: Die segmentierte Bilder von 2 s lang wurden verwendet, um Funktionen in Abschnitt 7 zu extrahieren. Die 1 s-hopping-Größe war entschlossen, die Signale von der 3 s Augenzwinkern Intervall bereits im Schritt 5.2.1 teilen. - Wenden Sie einen Tiefpass-Filter (LPF) cutoff-Frequenz von 10 Hz für jeden Frame eine 5th Bestellung Butterworth-Filter mit an.
- Speichern Sie die Ergebnisse der Schritte 6.1.2 als den zeitlichen Rahmen für die nächsten Schritte in Schritt 7.1.
- Segment der 120 s erfassten Signale in einen Satz von 2 s Frames hüpfen sie in 1-s-Intervallen mit MATLAB, wie in Abbildung 6gezeigt.
-
Bereiten Sie eine Reihe von spektralen Frames.
- Subtrahieren Sie den Median aus den original-Signale der einzelnen Frames um die Vorspannung zu entfernen, wenn die Brille.
Hinweis: Die Vorspannung Wert ist nicht für die folgenden Frequenzanalyse erforderlich, da es keine enthält keine Informationen über Kauen, zu Fuß, Wink, etc. , es könnte jedoch enthalten wichtige Informationen, die von variieren kann, je nach Thema, aus jede Einstellung der Gläser und sogar von dem Moment an ein Thema trägt die Brille. - Gelten Sie ein Hanning-Fenster für jeden Frame eine spektrale Leckage auf Frequenzanalyse reduzieren.
- Produzieren Sie und retten Sie eine einseitige Spektrum zu, indem Sie jeden Frame eine schnelle Fourier-Transformation (FFT) zuweisen.
- Subtrahieren Sie den Median aus den original-Signale der einzelnen Frames um die Vorspannung zu entfernen, wenn die Brille.
- Definieren Sie eine Kombination aus einen zeitlichen und spektralen Rahmen zur gleichen Zeit wie eine Frame-Block (oder einfach einen Rahmen).
7. Generation von Merkmalsvektoren
Hinweis: Pro Frame produziert in Abschnitt 6 des Protokolls wird ein Merkmalsvektor generiert. Die linken und rechten Rahmen werden separat berechnet und in einem Merkmalsvektor in den folgenden Verfahren kombiniert. Alle Verfahren wurden in MATLAB implementiert.
- Statistische Funktionen von einem zeitlichen Rahmen im Schritt 6.1 des Protokolls zu extrahieren. Die Gesamtzahl der 54 Funktionen ist in Tabelle 1aufgeführt.
- Statistische Funktionen aus einem spektralen Frame im Schritt 6.2 des Protokolls zu extrahieren. Die Gesamtzahl der 30 Funktionen ist in Tabelle 2aufgeführt.
- Generieren Sie eine 84-dimensionalen Merkmalsvektor durch die Kombination der oben genannten zeitlichen und spektralen Funktionen.
- Beschriften Sie die generierten Merkmalsvektoren von den Aufnahmen im Schritt 5.2 des Protokolls.
- Wiederholen Sie die Schritte von Schritten 7.1-7.4 für alle Rahmen-Blöcke und generieren Sie eine Reihe von Merkmalsvektoren zu.
(8) Systematik der Wirtschaftszweige in Klassen
Hinweis: Dieser Schritt ist, wählen das Modell Klassifikator ein Support Vektor Maschinen (SVM)23 durch die Bestimmung der Parameter, die die beste Genauigkeit von der Problemstellung (d. h. Merkmalsvektoren) zeigen. Der SVM ist ein bekannter betreute Machine learning-Technik, die exzellenten Leistung in Verallgemeinerung und Robustheit mit einen maximalen Spielraum zwischen den Klassen und eine Kernfunktion zeigt. Wir nutzten eine Raster-Suche und eine Kreuzvalidierung Methode Strafe Parameter C und einen Kernel definieren Parameter γ des radialen Grundlage Funktion (RBF) Kernels. Eine minimale Verständnis des maschinellen Lernens Techniken und der SVM ist erforderlich, um die folgenden Vorgänge durchführen. Einige referenzielle Materialien23,24,25 sind zu empfehlen für ein besseres Verständnis des maschinellen Lernens Techniken und der SVM-Algorithmus. Die Verfahren in diesem Abschnitt wurden mit LibSVM25 Softwarepaket implementiert.
- Definieren Sie ein Raster von Paaren (c, γ) für die Raster-Suche. Verwendung exponentiell wachsenden Sequenzen von C (2-10, 2-5,..., 230) und γ (2-30, 2-25,..., 210).
Hinweis: Diese Sequenzen wurden heuristisch ermittelt. - Ein paar (C, γ) zu definieren (z.B., (2-10, 2-30)).
-
Führen Sie für die definierten Raster im Schritt 8.2 die 10-divisibel Kreuzvalidierung Regelung.
Hinweis: Dieses Schema teilt die gesamte Merkmalsvektoren in 10-teilige Teilmengen, dann testen Sie eine Teilmenge aus dem Sichter-Modell von den anderen Teilmengen ausgebildet und wiederholen Sie es über die Teilmengen, eins nach dem anderen. Daher können jeder Merkmalsvektoren nacheinander getestet werden.- Unterteilen Sie die gesamte Merkmalsvektoren in 10-teilige Untergruppen.
- Definieren Sie einen Testsatz aus einer Teilmenge und einem Ausbildungs-set aus den verbleibenden 9 Teilmengen.
- Eine Skalierungsvektors, die alle Elemente der Merkmalsvektoren auf den Bereich der Skalen zu definieren [0, 1] für die Ausbildung gesetzt.
Hinweis: Die Skala-Vektor hat dieselbe Dimension mit dem Merkmalsvektor. Es besteht aus einer Reihe von Multiplikatoren, die die gleiche Zeile (oder Spalte) von allen Merkmalsvektoren Skalen auf den Bereich von [0, 1]. Z. B. ist das erste Merkmal des einen Merkmalsvektor linear skaliert auf den Bereich von [0, 1] für die aller erste Features der Merkmalsvektoren Training. Beachten Sie, dass der Skala Vektor aus den Trainingssatz definiert ist, da der Testsatz unbekannt angenommen werden sollte. Dieser Schritt erhöht die Genauigkeit der Klassifizierung durch die Merkmale die gleiche Reichweite und numerische Fehler bei der Berechnung zu vermeiden. - Jeder Bestandteil der Ausbildung auf den Bereich der Skala [0, 1] mit Hilfe des Skalierungsvektors in Schritt 8.2.3 erhalten.
- Skalieren Sie jedes Feature der Tests soll das Angebot an [0, 1] mit Hilfe des Skalierungsvektors in Schritt 8.2.3 erhalten.
- Trainieren Sie die Ausbildung gesetzt durch die SVM mit dem definierten paar (C, γ) in Schritt 8.2 zu, und erstellen Sie ein Klassifikator-Modell.
- Der Testsatz durch die SVM mit dem definierten paar (C, γ) im Schritt 8.2 testen und Sichter Modell erhalten aus dem Training-Verfahren.
- Berechnen Sie eine Klassifizierung Genauigkeit auf dem Testsatz. Die Genauigkeit war der Prozentsatz der Merkmalsvektoren Ausgangs-und richtig klassifiziert werden.
- Wiederholen Sie die Schritte 8.2.2–8.2.8 für alle Teilmengen, und berechnen Sie die durchschnittliche Genauigkeit von allen Teilmengen.
- Wiederholen Sie die Schritte 8.2 – 8.3.9 für alle Gitterpunkte eines Paares (c, γ).
- Lokale Maximum der höchste Genauigkeit des Rasters zu finden. Die Verfahren des Abschnitts 8 sind in Abbildung 7dargestellt.
- (Optional) Wenn der Schritt des Rasters grob betrachtet wird, wiederholen Sie Schritte 8.1-8.5 in einem feineren Raster in der Nähe der lokalen Maximums in Schritt 8,5 und finden neue lokale maximal das feine Raster.
- Berechnen Sie die Präzision, Rückruf und F-1 -Wert der einzelnen Klassen von Tätigkeiten aus den folgenden Gleichungen:
Gleichung 1
Gleichung 2
Gleichung 3
wo TP, FP und FN richtig positive Ergebnisse, false Positives und false negative für jede Aktivität bzw. darstellen. Die Wahrheitsmatrix aller Aktivitäten ist in Tabelle 3angegeben.
Gleichung 1
Gleichung 2
Gleichung 3Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Durch die im Protokoll beschriebenen Verfahren haben wir zwei Versionen des 3D gedruckte Rahmens durch Differenzierung die Länge des Kopfteils, LH (133 bis 138 mm), und die Tempel, LT (110 und 125 mm), wie in Abbildung 4dargestellt. Daher können wir mehrere Bedingungen tragen, die variiert werden kann, von den Themen Kopfgröße, Form, etc. wählte einen der Rahmen zu ihren Kopf für die Nutzerstudie passen die Themen abdecken. Der vertikale Abstand Lh, zwischen das Scharniergelenk und das Loch für die Schraube Unterstützung wurde auf 7,5 mm festgelegt, damit die verstärkte Kraft nicht 15 N, überschreiten würde die linearen Betriebsbereich der Wägezelle ist. Schließlich sollte das Kopfstück eine dicke, tH, haben, die das Biegemoment übertragen von beiden Unterstützung Schrauben bei der Ausstattung nicht widerstehen können. Wir entschieden uns für das tH 6 mm mit einem Einsatz von Kohlefaser-Material von einem heuristischen Ansatz sein. Die Kontaktstellen einstellbar durch die Unterstützung Schrauben um die Dichtheit der Gläser zu optimieren, wie in Abbildung 5dargestellt.
Tabelle 3 zeigt die repräsentativen Ergebnisse der Klassifizierung für die Aktivität-Sets. Die durchschnittliche F1 Partitur führte zu 80,5 %. Betrachtet man als einzelne Partitur, scheint die Leistung relativ degradiert werden im Vergleich zum Ergebnis von unserem vorherigen Studie22. Wir können jedoch wichtige Informationen extrahieren, durch den Vergleich der Ergebnisse zwischen den einzelnen Aktivitäten. Die SR war relativ gut vom SC, CW und SW, aber nicht von der W und ST unterschieden. Beide kauen Aktivitäten, SC und CW, waren schwer voneinander zu unterscheiden. Auf der anderen Seite kann beobachtet werden, dass beide kauen Aktivitäten leicht unterschieden werden können, von der SR, W, ST und SW, die der andere körperlichen Aktivitäten darstellen. Bei der SW Augenzwinkern Tätigkeit erwies sich in ganz anderen Aktivitäten etwas falsch klassifiziert werden.
Aus den Ergebnissen der Tabelle 3beobachten wir tiefergehende Details der Klassifikation. Zuerst waren die beiden kauen Tätigkeiten, SC und CW, klar abgegrenzt von den anderen Aktivitäten. Die Unterscheidung von der walking Aktivität schlägt unter anderem eine Möglichkeit, dass die Lebensmittel Aufnahme Tätigkeit, die das Hauptziel dieser Studie ist, leicht trennbar von der aktiven Bewegung, wie Wandern, kann mit unserem System. Wie in Abbildung 6dargestellt, kann überprüft werden, dass die kauen und Wink Signale aktiviert aus der Temporalis Muskel-Aktivität erheblich abweichen von der Temporalis Muskel-Aktivität nicht aktiviert wurden. Auf der anderen Seite zeigten die Unterscheidung zwischen den zwei kauen Aktivitäten relativ hohe Risikoinformationsblatt. Sie spielten eine dominierende Rolle bei der Senkung der Präzision und Rückruf von Kauen Aktivitäten.
In Bezug auf die Erkennung kauen, können die SR, W und ST als ungewollte Geräusche im Alltag angesehen werden. Die Wink-Aktivität kann auf der anderen Seite als sinnvolle Messung betrachtet werden, weil die Temporalis Muskel-Aktivität sowie auch aktiviert ist. Basierend auf den oben, die beiden kauen Aktivitäten wurden in einer kauen Aktivität (CH) begrenzt, und die anderen Aktivitäten außer den Wink wurden in eine körperliche Aktivität (PA) gruppiert. Tabelle 4 zeigt die Klassifizierungsergebnisse auf diese Aktivitäten: kauen (CH), körperliche Aktivität (PA) und sitzende Wink (SW). Wir finden mehr bemerkenswerte Ergebnisse daraus. Informationen darüber, ob das System zur Erkennung von Nahrungsaufnahme ohne Beeinträchtigung durch andere körperlichen Aktivitäten robust ist prognostiziert. Darüber hinaus zeigt es auch ob es möglich ist, andere Gesicht-Aktivitäten, wie Wink Nahrungsaufnahme unterscheiden. Die Ergebnisse zeigen, dass die kauende Aktivität von anderen Aktivitäten mit einem hohen F-1 -Score von 93,4 % gut unterschieden werden kann. Bei Wink wurde der Rückruf (85,5 %) etwas niedriger als die der anderen Aktivitäten. Dies bedeutet, dass die Qualität der gesammelten Daten Wink wahrscheinlich gering war, da der Benutzer musste die genaue Zeit in Intervallen von 3 s wink. In der Tat wurde festgestellt, dass die Benutzer den Wink oder die Brille nach unten verschoben, gelegentlich während der Nutzerstudie verpasst.
Um von den oben genannten aussagekräftigere Ergebnisse zu erzielen, haben wir zusammengefasst und neu definiert die Aktivitäten in neue. Die beiden kauen Tätigkeiten, SC und CW, wurden in einer Aktivität gruppiert und als kauen definiert. Die SR, W und ST, die ein hohes Maß an Fehlklassifikation unter sich hatte, wurden auch in einer Aktivität, definiert als körperliche Aktivität gruppiert. Dadurch erhalten wir neue repräsentative Ergebnisse der Klassifizierung erneut durchgeführt, durch die Tätigkeit als kauen (CH), körperliche Aktivität (PA) und sitzende Wink (SW), featured, wie in Tabelle 4dargestellt. Die Ergebnisse zeigten, dass eine hohe Vorhersage Partitur mit einer durchschnittlichen F1 Kerbe von 91,4 %.
Abbildung 1: schematische Darstellungen der linken und rechten Schaltungen. (A) schematische Darstellungen der linken Schaltung. Es enthält eine Batterie zur Stromversorgung der linken und rechten Schaltung. Ein 3,3 V Spannungsregler mit Bypass-Kondensator wurde bereitgestellt, um eine stabile Betriebsspannung an das System zu liefern. Wägezellen, die hier vorgestellt wurden in beide Seiten der Schaltung (B) schematische Diagramme der rechten Schaltung eingefügt. Es enthält eine Mikro-Controller-Einheit (MCU) mit Wi-Fi-Funktion. Ein zwei-Kanal-multiplexer lieferte zwei Kraft-Signale von beiden Seiten mit einem Analog-Digital-Wandler (ADC) der MCU verarbeiten. Ein universelle asynchrone Empfänger/Sender (UART)-Connector wurde verwendet, um die MCU flash. Bitte klicken Sie hier für eine größere Version dieser Figur.
Abbildung 2: PCB-Kunstwerke von linken und rechten Schaltungen. (A) ein Kunstwerk der linken PCB. Alle elektronische Komponenten werden als tatsächliche Maße in mm. (B) ein Kunstwerk des Rechts PCB angezeigt. Bitte klicken Sie hier für eine größere Version dieser Figur.
Abbildung 3: repräsentative Ergebnisse von Leiterplatten mit allen Komponenten gelötet. (A) der linken Schaltungsmodul. Die Wägezelle wurde in das Board integriert. Es enthält einen 2-poligen Stecker für Akku und einem 3-poligen Stecker an das richtige Board anzuschließen. (B) die richtige Schaltungsmodul. Die Wägezelle wurde auch in die Platine integriert. Es enthält einen 4-poligen Stecker für Blinkmodus der MCU und einen 3-poligen Stecker an der linken Schaltung anzuschließen. Bitte klicken Sie hier für eine größere Version dieser Figur.
Abbildung 4: ein 3D Modell-Design des Rahmens der Gläser. (A) das Design des Kopfes Stück. Die obere Abbildung zeigt eine Vorderansicht, und die untere Abbildung zeigt eine Draufsicht des Kopfteils. Die Länge des Kopfteils, LH, ist ein Design-Parameter zu verschiedenen Kopfgröße von Themen abdecken. Wir 3D gedruckt durch Differenzierung es zwei Versionen des Kopfteils. Die Dicke des Kopfteils, tH, wurde von Heuristik definiert. Der Abstand zwischen ein Scharniergelenk und ein Loch für eine Stützschraube Lh, wurde von der mechanische Verstärkungsfaktor eingestellt. (B) das Design der Tempel. Die obere Abbildung zeigt die Linke Schläfe, und die untere Abbildung zeigt die rechte Schläfe. Die PCB in Abbildung 3 in Schlitze eingesetzt wurden und eine Batterie wurde auf einen Batteriehalter montiert. Bitte klicken Sie hier für eine größere Version dieser Figur.
Abbildung 5: ein repräsentatives Ergebnis Frontplattenmodul integrierte Brille. Die Platinen wurden in die Schlitze mit Schrauben eingesetzt. Die Nasenpads und die Spitzen der Tempel wurden von Kautschuk Bänder hinzufügen Reibung mit Haut bedeckt. Wenn die Gläser ausgestattet sind, sind die Wägezellen von Unterstützung Schrauben auf beiden Seiten gedrückt. Die Dichtheit der Gläser kann durch lösen angepasst oder Schrauben festziehen der Unterstützung. Bitte klicken Sie hier für eine größere Version dieser Figur.
Abbildung 6: zeitliche Signale in einem Aufnahme-Block eines Benutzers für alle Aktivitäten. Die y-Achse stellt die gemessene Kraft, die durch den Median des Aufnahme-Blocks für eine Visualisierung Zweck abgezogen wurde. Die maximalen Amplituden der kauen-Aktivitäten sind größer als die anderen Aktivitäten. Linken und rechten Signale Augenzwinkern Aktivität werden invertiert. Die Abbildung zeigt ein Beispiel für den linken Wink. Ein 2 s-Frame wurde verwendet, um einen Merkmalsvektor definieren durch hüpfen die Signale in 1 s-Intervall. Bitte klicken Sie hier für eine größere Version dieser Figur.
Abbildung 7: repräsentative Ergebnisse zu finden, die lokalen maximale Genauigkeit durch verschiedene Paare von (C, γ). (A) A Konturdiagramm Kreuz validiert Genauigkeiten aller Aktivitäten, die in Tabelle 3definiert. Jede Achse steigt exponentiell und die Reichweite wurde heuristisch ausgewählt. Die lokalen maximale Genauigkeit von 80,4 % ereignete sich um (C, γ) = (2520). (B) ein Konturdiagramm Kreuz validiert Genauigkeiten der neu definierten Aktivitäten in Tabelle 4. Die maximale Genauigkeit von 92,3 % ereignete sich um (C, γ) = (2520), und war viel genauer als das Ergebnis von (A). Bitte klicken Sie hier für eine größere Version dieser Figur.
| Nein. | Funktion Beschreibung | Nein. | Funktion Beschreibung | ||
| 1 | Standardabweichung L | 28 | Skenwness R | ||
| 2 | Standardabweichung R | 29 | Kurtosis L | ||
| 3 | Variationskoeffizient L | 30 | Kurtosis R | ||
| 4 | Variationskoeffizient R | 31 | Autokorrelation Funktion Koeffizienten L | ||
| 5 | Nullsatz Kreuzung L | 32 | Autokorrelation Funktion Koeffizienten R | ||
| 6 | Nullsatz Kreuzung R | 33 | Signal-Energie L | ||
| 7 | 20. Perzentil L | 34 | Signal-Energie R | ||
| 8 | 20. Perzentil R | 35 | Log-Signal Energie L | ||
| 9 | 50. Perzentil L | 36 | Log-Signal Energie R | ||
| 10 | 50. Perzentil R | 37 | Entropie von Energie L | ||
| 11 | 80. Perzentil L | 38 | Entropie von Energie R | ||
| 12 | 80. Perzentil R | 39 | Spitze-Spitze-Amplitude L | ||
| 13 | Interquartilbereich L | 40 | Spitze-Spitze-Amplitude R | ||
| 14 | Interquartilbereich R | 41 | Die Anzahl der Spitzen L | ||
| 15 | Quadratsumme der 20. Perzentil L | 42 | Die Anzahl der Spitzen R | ||
| 16 | Quadratsumme der 20. Perzentil R | 43 | Meine Zeit zwischen Gipfeln L | ||
| 17 | Quadratsumme der 50. Perzentil L | 44 | Meine Zeit zwischen Gipfeln R | ||
| 18 | Quadratsumme der 50. Perzentil R | 45 | Std. Zeit zwischen Gipfeln L | ||
| 19 | Quadratsumme der 80. Perzentil L | 46 | Std. Zeit zwischen Gipfeln R | ||
| 20 | Quadratsumme der 80. Perzentil R | 47 | Vorhersage-Verhältnis L | ||
| 21 | 1. bin der gebinnten Verteilung L | 48 | Vorhersage-Verhältnis R | ||
| 22 | 1. bin der gebinnten Verteilung R | 49 | Harmonischen Verhältnis L | ||
| 23 | 2. bin der gebinnten Verteilung L | 50 | Harmonischen Verhältnis R | ||
| 24 | 2. bin der gebinnten Verteilung R | 51 | Grundfrequenz L | ||
| 25 | 3. bin der gebinnten Verteilung L | 52 | Grundfrequenz R | ||
| 26 | 3. bin der gebinnten Verteilung R | 53 | Korrelationskoeffizienten von L und R | ||
| 27 | Skenwness L | 54 | Sigmal Größe Fläche von L und R | ||
Tabelle 1: statistische Funktionen eines zeitlichen Rahmens extrahiert. Insgesamt 54 Funktionen wurden extrahiert. Die linken und rechten Signale wurden separat berechnet, mit Ausnahme der Korrelation Eigenschaften, 53 und 54.
| Nein. | Funktion Beschreibung | Nein. | Funktion Beschreibung | ||
| 1 | Spektrale Energie L | 16 | Spektrale Verteilung R | ||
| 2 | Spektrale Energie R | 17 | Spektrale Entropie L | ||
| 3 | Spektrale Zone 1 Energie L | 18 | Spektrale Entropie R | ||
| 4 | Spektrale Zone 1 Energie R | 19 | Spektrale Entropie Energie L | ||
| 5 | Spektrale Zone 2 Energie L | 20 | Spektrale Entropie Energie R | ||
| 6 | Spektrale Zone 2 Energie R | 21 | Spektrale Flussmittel L | ||
| 7 | Spektrale Zone 3 Energie L | 22 | Spektrale Flussmittel R | ||
| 8 | Spektrale Zone 3 Energie R | 23 | Spektrale Rolloff L | ||
| 9 | Spektrale Zone 4 Energie L | 24 | Spektrale Rolloff R | ||
| 10 | Spektrale Zone 4 Energie R | 25 | Maximale spektrale Kamm L | ||
| 11 | Spektrale Zone 5 Energie L | 26 | Maximale spektrale Kamm R | ||
| 12 | Spektrale Zone 5 Energie R | 27 | Spektrale schiefe L | ||
| 13 | Spektrale Zentroid L | 28 | Spektrale schiefe R | ||
| 14 | Spektrale Zentroid R | 29 | Spektrale Kurtosis L | ||
| 15 | Spektrale Verteilung L | 30 | Spektrale Kurtosis R | ||
Tabelle 2: statistische Funktionen eines spektralen Frames extrahiert. Insgesamt 30 Features wurden extrahiert. Die linken und rechten Signale wurden separat berechnet. Von den Funktionen in Tabelle 1 und Tabelle 2besteht ein Merkmalsvektor aus insgesamt 84 Funktionen.
| Vorhergesagt Aktivität |
Tatsächliche Aktivität | Insgesamt | Präzision | |||||
| ein 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 % |
| Insgesamt | 1560 | 1560 | 1560 | 1560 | 1560 | 1560 | 9360 | |
| Rückruf | 78,3 % | 81,3 % | 77,7 % | 85,1 % | 71,6 % | 88,7 % | 80,4 % | |
| F-1 -score | 78,1 % | 82,5 % | 79,7 % | 85,0 % | 69,7 % | 87,8 % | ||
| F1 Durchschnittsnote | 80,5 % | |||||||
Tabelle 3: Wahrheitsmatrix aller Aktivitäten bei (C, γ) = (2520) in Abbildung 7A. Diese Matrix enthält die Vorhersageergebnisse für alle Aktivitäten: einSR: sitzende Rest, bSC: sitzende kauen, cW: Wandern, dCW: kauen während des Gehens, eST: sitzende sprechen, fSW: sitzende Augenzwinkern.
| Vorhergesagt Aktivität |
Tatsächliche Aktivität | Insgesamt | Präzision | ||
| ein 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 % |
| Insgesamt | 3120 | 4680 | 1560 | 9360 | |
| Rückruf | 92,9 % | 94,1 % | 85,5 % | 92,3 % | |
| F-1 -score | 93,4 % | 92,9 % | 88,1 % | ||
| F1 Durchschnittsnote | 91,4 % | ||||
Tabelle 4: Wahrheitsmatrix der neu definierten Aktivitäten wenn (C, γ) = (2520) in Abbildung 7 b. Diese Matrix zeigt die Vorhersageergebnisse für alle neu definiert: einCH: kauen, bPA: körperliche Aktivität, cSW: sitzende Augenzwinkern.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
In dieser Studie haben wir zunächst vorgeschlagen, die Konstruktions- und Fertigungsprozess von Gläsern, die die Muster der Nahrungsaufnahme und körperliche Aktivitäten zu spüren. Als diese Studie konzentrierte sich hauptsächlich auf die Datenanalyse, die Nahrungsaufnahme von anderen körperlichen Aktivitäten (z. B. zu Fuß und zwinkert) zu unterscheiden, das Sensor- und Erfassungssystem erforderlich, die Umsetzung der Mobilität Aufnahme. Daher das System aufgenommen, die Sensoren, die MCU mit drahtloser Kommunikationsfähigkeit und der Batterie. Das vorgeschlagene Protokoll zur Verfügung gestellt, eine neuartige und praktische Möglichkeit, die Muster der Temporalis Muskel-Aktivität durch die Nahrungsaufnahme und Augenzwinkern in gewissem Sinne berührungslos messen: die Werkzeuge und Methoden, die leicht zu erkennen, die Nahrungsaufnahme im täglichen Leben ohne umständlich Geräte wurden beschrieben.
Gibt es wichtige Aspekte für das Verfahren der Herstellung der Gläser. Die Tempel-Teile sollten entworfen werden, um die PCB-Module hergestellt in Schritt 1.2 wie in Abbildung 4 b und Abbildung 4gezeigt zu integrieren. Die Wägezelle sollte platziert werden, so dass es durch eine Stützschraube auf einer Trägerplatte des Kopfteils ausgestattet wie in der Draufsicht auf das Scharnierteil in Abbildung 5dargestellt gedrückt wird. Im Schritt 2.4 muss der Grad der Biegung des Tempels Gläser nicht streng, sein, da die Krümmung einen Formfaktor um besser passen die Gläser auf dem Kopf eine zu erhöhen soll. Seien Sie jedoch vorsichtig, da übermäßige Biegung die Tempel vom Berühren des Temporalis Muskels, was würde es unmöglich verhindert, bedeutende Muster zu sammeln.
Um zuverlässige Daten reflektieren die unterschiedlichen Kopfgrößen und Formen der Themen zu erhalten, wurden zwei Versionen der Gläser zur Verfügung gestellt durch die Variation der Länge Kopfstück und den Tempeln. Darüber hinaus konnten wir durch die Nutzung der Unterstützung Volt für die Feinabstimmung die Verschleiß-Fähigkeit, die Dichtheit der Gläser anpassen. So, die Daten durch die verschiedenen Gläser, Themen, und tragen-Bedingungen können Intra - und inter - individuelle Variabilität und verschiedene Formfaktoren.
In der Benutzerstudie zum Thema nahm Sie die Brille während der Pause, und trug sie wieder, wenn die Aufnahme-Block neu gestartet. Diese Aktion verhindert den Daten Überanpassung auf einen bestimmten Zustand, tragen, weil es die tragen Bedingungen (z.B., rechts-links-Balance, Vorspannung auf die Wägezellen, Kontaktfläche mit der Haut, usw.) jedes Mal verändert das Thema erneut trug die Brille.
Nach einer früheren Studie der Frequenz kauen kauende Aktivität vor allem reichten von 0,94 Hz(5 Perzentil) auf 2,17 Hz(95 Perzentil) 26. So legen Sie die Frame-Größe auf 2 s so, dass ein Frame mehrere kauende Aktivitäten enthält. Diese Frame-Größe eignet sich auch zur Eindämmung der eine oder mehrere zu Fuß Zyklen, die in der Regel von 1,4 Hz bis 2,5 Hz27 Reichen. Weil die normale Gehgeschwindigkeit von 3,3 km/h 6,5 km/h27,28 variiert, führten wir die walking Aktivität mit einer Geschwindigkeit von 4,5 km/h auf dem Laufband. Die Hop-Größe in Abbildung 6 wurde aus den aufgezeichneten Augenzwinkern Daten bestimmt wo Themen in Abständen von 3-s Augenzwinkern informiert waren. Wir gefiltert auch die Daten mit der cutoff-Frequenz von 10 Hz, da wir von unserer vorherigen Studie, die Signale über 10 Hz hatte keine wesentlichen Informationen gefunden auf Erkennung22kauen.
Weil das System zwei Wägezellen auf beiden Seiten, ist es möglich, die linke und Rechte Ereignisse der kauen und Wink, zu unterscheiden, wie in unserem vorherigen Studie22bewiesen. Das Ziel dieser Studie war jedoch im Gegensatz zur vorherigen Studie zeigen, dass das System effektiv Nahrungsaufnahme von körperlichen Aktivitäten trennen könnte. Wenn die Daten ausreichend durch die Nutzerstudie angesammelt sind, dann weitere Nachforschungen auf der linken Seite und rechts Klassifizierung durchgeführt werden kann, unter Verwendung der Korrelation Funktionen in dem Merkmalsvektor. Auf der anderen Seite ist es schwierig zu unterscheiden, die sitzende Tätigkeit und zu Fuß innerhalb des Systems. Weitere Änderungen am System bieten detaillierte Aufgliederung der Nahrungsaufnahme, wie das Essen beim sitzen und Essen unterwegs, mit einer hohen Genauigkeit. Dies kann durch einen Sensor Fusion Technik implementiert werden, indem Sie die System-18eine inertiale Messeinheit (IMU) hinzufügen. Wenn ja, kann das System den Energieaufwand und die Energiezufuhr gleichzeitig verfolgen. Wir glauben, dass unser Ansatz praktische und mögliche Wege für die Erkennung von Nahrungsaufnahme und körperliche Aktivitäten bietet.
Schätzung der Energieaufnahme ist eine entscheidende Ziel der Forschung über diätetische Überwachung und kann beispielsweise durch Klassifizierung der Art der Nahrung, und dann in Kalorien aus vordefinierten kalorische Informationen umwandeln analysiert werden. Eine aktuelle Studie vorgeschlagen, eine Methode der Klassifizierung der Arten von Lebensmitteln mit Essen Bilder und tief lernen Algorithmen14. Es ist jedoch schwierig, die Arten von Lebensmitteln mit Kraftsensoren, die in dieser Studie verwendeten zu trennen; die Zugabe von einem Bildsensor an der Vorderseite des Gerätes könnte Futtersorten durch Bildverarbeitung und maschinelles lernen Techniken zu erkennen und so klassifizieren die Futtersorten. Durch diese Sensor-Fusion-Technik mit Kraft und Bild-Sensoren ist das Potenzial dieser Studie Anwendung in Richtung allgemeine diätetische monitoring-Anwendungen.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Die Autoren haben nichts preisgeben.
Acknowledgments
Diese Arbeit wurde unterstützt von Envisible, Inc. Diese Studie wurde auch unterstützt durch einen Zuschuss von Koreanisch Health Technology R & D Projekt, Gesundheitsministerium Wohlfahrt, Republik Korea (HI15C1027). Diese Forschung wurde auch von der National Research Foundation of Korea (NRF-2016R1A1A1A05005348) unterstützt.
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).
