Summary
यह अध्ययन डिजाइन और एक चश्मा प्रकार पहनने योग्य उपकरण है कि भोजन का सेवन और अंय विशेषताओं के पैटर्न का पता लगाता है विनिर्माण शारीरिक गतिविधियों का एक प्रोटोकॉल प्रस्तुत करता है लोड के चश्मे के दोनों टिका में डाला कोशिकाओं का उपयोग कर ।
Abstract
यह अध्ययन डिजाइन और एक चश्मा प्रकार पहनने योग्य उपकरण है कि भोजन के सेवन और अंय शारीरिक गतिविधियों के दौरान temporalis मांसपेशियों की गतिविधियों के पैटर्न का पता लगाता है विनिर्माण के प्रोटोकॉल की एक श्रृंखला प्रस्तुत करता है । हम चश्मा और एक लोड सेल एकीकृत मुद्रित सर्किट बोर्ड (पीसीबी) फ्रेम के दोनों टिका में डाला मॉड्यूल का एक 3d मुद्रित फ्रेम गढ़े । मॉड्यूल बल संकेतों को प्राप्त करने के लिए इस्तेमाल किया गया था, और उन्हें wirelessly संचारित. इन प्रक्रियाओं उच्च गतिशीलता के साथ प्रणाली प्रदान करते हैं, जो व्यावहारिक पहनने की स्थिति में ऐसे घूमना और waggling के रूप में मूल्यांकन किया जा सकता है । वर्गीकरण का एक प्रदर्शन भी उन शारीरिक गतिविधियों से भोजन का सेवन के पैटर्न भेद द्वारा मूल्यांकन किया जाता है । एल्गोरिदम की एक श्रृंखला संकेतों को संसाधित करने के लिए इस्तेमाल किया गया, सुविधा वैक्टर उत्पन्न, और कई विशेष रुप से प्रदर्शित गतिविधियों के पैटर्न को पहचान (चबाने और पलक), और अन्य शारीरिक गतिविधियों (आसीन आराम, बात कर रहे हैं, और घूमना). परिणामों से पता चला कि विशेष रुप से प्रदर्शित गतिविधियों के बीच वर्गीकरण का औसत F1 स्कोर ९१.४% था । हमारा मानना है कि इस दृष्टिकोण को संभावित रूप से व्यावहारिक साधन के रूप में उच्च सटीकता के साथ घूस व्यवहार के स्वत: और उद्देश्य निगरानी के लिए उपयोगी हो सकता है घूस समस्याओं का इलाज ।
Introduction
भोजन के सेवन की सतत और उद्देश्य निगरानी मानव शरीर में ऊर्जा संतुलन बनाए रखने के लिए आवश्यक है, के रूप में अत्यधिक ऊर्जा संचय अधिक वजन और मोटापे का कारण हो सकता है1, जो विभिन्न चिकित्सा जटिलताओं में परिणाम सकता है2. ऊर्जा असंतुलन में मुख्य कारकों दोनों अत्यधिक भोजन का सेवन और अपर्याप्त शारीरिक गतिविधि के लिए जाना जाता है3। दैनिक ऊर्जा व्यय की निगरानी पर विभिंन अध्ययनों में पहनने योग्य उपकरणों के माध्यम से शारीरिक गतिविधि पैटर्न के स्वचालित और उद्देश्य माप के साथ शुरू किया गया है4,5,6, यहां तक कि अंत उपभोक्ता स्तर और चिकित्सा चरण7। भोजन के सेवन की निगरानी पर अनुसंधान, तथापि, प्रयोगशाला की स्थापना में अभी भी है, क्योंकि यह एक प्रत्यक्ष और उद्देश्य तरीके से भोजन का सेवन गतिविधि का पता लगाने के लिए मुश्किल है । यहां, हम दैनिक जीवन में एक व्यावहारिक स्तर पर भोजन के सेवन और शारीरिक गतिविधि पैटर्न की निगरानी के लिए एक डिवाइस डिजाइन और उसके मूल्यांकन पेश करने का लक्ष्य है ।
चबाने और निगलने लगता है के माध्यम से भोजन की खपत पर नजर रखने के लिए विभिन्न अप्रत्यक्ष दृष्टिकोण किया गया है8,9,10, कलाई11,12के आंदोलन,13, छवि विश्लेषण14, और electromyogram (ईएमजी)15। हालांकि, इन तरीकों क्योंकि उनके अंतर्निहित सीमाओं के दैनिक जीवन अनुप्रयोगों के लिए लागू करने के लिए मुश्किल थे: ध्वनि का उपयोग कर तरीके पर्यावरणीय ध्वनि से प्रभावित होने की चपेट में थे; कलाई के आंदोलन का उपयोग कर तरीकों को अंय शारीरिक गतिविधियों से अलग जब उपभोग भोजन नहीं मुश्किल थे; और छवियों और ईएमजी संकेतों का उपयोग कर तरीकों आंदोलन और पर्यावरण की सीमा तक ही सीमित हैं । इन अध्ययनों ने सेंसर का उपयोग कर भोजन का स्वचालित पता लगाने की क्षमता दिखाई, लेकिन अभी भी प्रयोगशाला सेटिंग्स से परे रोजमर्रा की जिंदगी के लिए व्यावहारिक प्रयोज्यता की एक सीमा थी ।
इस अध्ययन में, हम temporalis मांसपेशी गतिविधि के पैटर्न स्वचालित और भोजन के सेवन के उद्देश्य की निगरानी के रूप में इस्तेमाल किया । आम तौर पर, temporalis मांसपेशी भोजन का सेवन करने के दौरान masticatory मांसपेशी के एक भाग के रूप में संकुचन और छूट को दोहराता है16,17; इस प्रकार, भोजन का सेवन गतिविधि temporalis मांसपेशी गतिविधि के आवधिक पैटर्न का पता लगाने के द्वारा निगरानी की जा सकती है । हाल ही में, वहां कई temporalis मांसपेशी गतिविधि का उपयोग अध्ययन किया गया है18,19,20,21, जो ईएमजी या piezoelectric तनाव संवेदक इस्तेमाल किया और उंहें सीधे संलग्न मानव पर त्वचा. इन तरीकों, तथापि, ईएमजी इलेक्ट्रोड या तनाव सेंसर की त्वचा स्थान के प्रति संवेदनशील थे, और आसानी से शारीरिक आंदोलन या पसीना के कारण त्वचा से अलग थे । इसलिए, हम एक नया और प्रभावी विधि का प्रस्ताव चश्मे की एक जोड़ी है कि दो लोड हमारे पिछले अध्ययन22में दोनों टिका में डाला कोशिकाओं के माध्यम से temporalis मांसपेशी गतिविधि भावना का उपयोग कर । इस विधि त्वचा को छूने के बिना एक उच्च सटीकता के साथ खाद्य सेवन गतिविधि का पता लगाने की महान क्षमता दिखाई । यह भी संयुक्त राष्ट्र निकला हुआ और गैर दखल था, क्योंकि हम एक आम चश्मे-प्रकार के उपकरण का इस्तेमाल किया ।
इस अध्ययन में, हम कैसे चश्मा प्रकार के उपकरण को लागू करने के लिए और कैसे भोजन का सेवन और शारीरिक गतिविधि की निगरानी के लिए temporalis मांसपेशी गतिविधि के पैटर्न का उपयोग करने के विस्तृत प्रोटोकॉल की एक श्रृंखला पेश करते हैं । प्रोटोकॉल हार्डवेयर डिजाइन और निर्माण कि चश्मे, एक सर्किट मॉड्यूल के एक 3d-मुद्रित फ्रेम के होते हैं, और एक डेटा अधिग्रहण मॉड्यूल की प्रक्रिया में शामिल हैं, और डेटा प्रोसेसिंग और विश्लेषण के लिए सॉफ्टवेयर एल्गोरिदम शामिल हैं । हम इसके अलावा कई विशेष रुप से प्रदर्शित गतिविधियों के बीच वर्गीकरण की जांच (जैसे, चबाने, घूमना, और पलक) एक व्यावहारिक प्रणाली है कि भोजन के सेवन और अंय शारीरिक गतिविधि के बीच एक मिनट के अंतर बता सकते है के रूप में क्षमता का प्रदर्शन पैटर्न.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
नोट: सभी मानव विषयों के उपयोग सहित प्रक्रियाओं बस चश्मे की एक जोड़ी पहनने के एक गैर इनवेसिव तरीके से पूरा किया गया । सभी डेटा लोड कोशिकाओं है कि त्वचा के साथ सीधे संपर्क में नहीं थे चश्मे में डाला से बल संकेतों को मापने के द्वारा अधिग्रहीत किया गया । डेटा wirelessly डेटा रिकॉर्डिंग मॉड्यूल है, जो, इस मामले में अध्ययन के लिए एक नामित smartphone के लिए प्रेषित किया गया । सभी प्रोटोकॉल से संबंधित नहीं थे vivo में/इनविट्रो मानव अध्ययन । प्रयोगों के लिए कोई दवा और रक्त के नमूने का उपयोग नहीं किया गया । प्रयोगों के सभी विषयों से अवगत कराते हुए सहमति प्राप्त की गई.
1. एक सेंसर के विनिर्माण-एकीकृत परिपथ मॉड्यूल
-
सर्किट मॉड्यूल के निर्माण के लिए इलेक्ट्रॉनिक उपकरणों की खरीद ।
- खरीद दो गेंद प्रकार लोड कोशिकाओं, जिनमें से प्रत्येक 0 एन और 15 एन के बीच एक सीमा में चल रही है, और एक ३.३ V उत्तेजना में अधिकतम १२० एमवी अवधि के साथ कम अंतर वोल्टेज के एक उत्पादन का उत्पादन ।
नोट: इन लोड कोशिकाओं के चश्मे के दोनों बाएँ और दाएँ पक्ष पर बल संकेतों को मापने के लिए उपयोग किया जाता है. - दो इंस्ट्रूमेंटेशन एम्पलीफायरों और २ १५ kΩ लाभ सेटिंग प्रतिरोधों खरीद.
नोट: इंस्ट्रूमेंटेशन एम्पलीफायर और लाभ सेटिंग रोकनेवाला लोड सेल के बल संकेत बढ़ाना करने के लिए इस्तेमाल कर रहे हैं आठ बार, अप करने के लिए ९६० एमवी. - वायरलेस क्षमता (उदा., Wi-Fi कनेक्टिविटी), और 10-बिट एनालॉग-टू-डिजिटल कनवर्टर (ADC) के साथ एक माइक्रो कंट्रोलर इकाई (MCU) खरीदें ।
नोट: MCU बल संकेतों को पढ़ने के लिए और wirelessly एक डेटा अधिग्रहण मॉड्यूल के लिए उन्हें संचारित करने के लिए प्रयोग किया जाता है. क्योंकि एक एनालॉग इनपुट पिन दो एनालॉग बल आदानों के लिए प्रयोग किया जाता है, एक मल्टीप्लेक्स के उपयोग के अगले कदम में शुरू की है 1.1.4 । - MCU पर एक ADC पिन के साथ दो इनपुट संकेतों संभालती है कि एक दो चैनल एनालॉग मल्टीप्लेक्स खरीद.
- खरीद एक लिथियम आयन बहुलक (लाइपो) बैटरी के साथ ३.७ V नाममात्र की वोल्टेज, ३०० mAh नाममात्र की क्षमता, और 1 सी निर्वहन दर ।
नोट: बैटरी क्षमता के लिए पर्याप्त वर्तमान प्रति घंटे से अधिक २०० mAh की आपूर्ति करने के लिए और एक प्रयोग के बारे में १.५ ज के लिए मज़बूती से प्रणाली संचालित करने के लिए चुना गया था । - एक ३.३ वी वोल्टेज नियामक के लिए नीचे रेखीय-३.७ v बैटरी वोल्टेज के विनियमन ३.३ v ऑपरेटिंग सिस्टम के वोल्टेज के लिए खरीद ।
- खरीद ५ १२ kΩ सतह घुड़सवार उपकरणों (SMD) प्रकार प्रतिरोधों MCU के pull-up प्रतिरोधों के रूप में । रोकनेवाला के पदचिह्न २.० मिमी x १.२ मिमी (आकार २०१२) है.
- खरीद दो गेंद प्रकार लोड कोशिकाओं, जिनमें से प्रत्येक 0 एन और 15 एन के बीच एक सीमा में चल रही है, और एक ३.३ V उत्तेजना में अधिकतम १२० एमवी अवधि के साथ कम अंतर वोल्टेज के एक उत्पादन का उत्पादन ।
-
गढ़े मुद्रित सर्किट बोर्डों (पीसीबी) । इस कदम के बारे में सर्किट बोर्डों ड्राइंग है, और कलाकृति बनाने (यानी, बोर्ड लेआउट,. बीआरडी फ़ाइल) और योजनाबद्ध (यानी, पीसीबी निर्माण के लिए. sch फ़ाइल) । कलाकृति और योजनाबद्ध फ़ाइलों को बनाने की प्रक्रिया की एक बुनियादी समझ के विकास के लिए आवश्यक है ।
- चित्र 1aमें दिखाए गए के रूप में एक इलेक्ट्रॉनिक डिजाइन आवेदन का उपयोग बैटरी युक्त एक बाएँ सर्किट की एक योजनाबद्ध ड्रा. दोनों कलाकृति (. बीआरडी) और योजनाबद्ध (. sch) फ़ाइलों के रूप में परिणाम सहेजें ।
- चित्र 1bमें दिखाए गए के रूप में एक इलेक्ट्रॉनिक डिजाइन अनुप्रयोग का उपयोग कर MCU युक्त एक सही सर्किट के एक योजनाबद्ध ड्रा । दोनों कलाकृति (. बीआरडी) और योजनाबद्ध (. sch) फ़ाइलों के रूप में परिणाम सहेजें ।
- एक पीसीबी निर्माण कंपनी के साथ एक आदेश रखकर सर्किट बोर्डों बनाना ।
- मिलाप चित्रा 2 और चित्रा 3में दिखाया के रूप में पीसीबी के लिए कदम १.१ में तैयार हर इलेक्ट्रॉनिक घटक ।
चेतावनी: इंस्ट्रूमेंटेशन एम्पलीफायर टांका तापमान के लिए बहुत संवेदनशील है । सुनिश्चित करें कि सीसा तापमान ३०० डिग्री सेल्सियस से अधिक नहीं है 10 एस के लिए टांका लगाने के दौरान, अंयथा यह घटक को स्थाई क्षति हो सकती है ।
2. चश्मे के एक फ्रेम के 3 डी मुद्रण
- चित्रा 4aमें दिखाया गया के रूप में एक 3 डी मॉडलिंग उपकरण का उपयोग कर चश्मे के सिर टुकड़ा के 3 डी मॉडल ड्रा. परिणाम को. stl फ़ाइल स्वरूप में निर्यात करें ।
- चित्रा 4B और चित्रा 4cमें दिखाया गया है के रूप में एक 3 डी मॉडलिंग उपकरण का उपयोग कर चश्मे के बाएँ और दाएँ मंदिरों के 3 डी मॉडल ड्रा. परिणाम को. stl फ़ाइल स्वरूप में निर्यात करें ।
- एक 3 डी प्रिंटर और एक नोजल तापमान के २४० डिग्री सेल्सियस और एक बिस्तर के तापमान के ८० डिग्री सेल्सियस पर एक कार्बन फाइबर रेशा का उपयोग कर सिर टुकड़ा और मंदिर भागों प्रिंट ।
नोट: किसी भी व्यावसायिक 3डी प्रिंटर और acrylonitrile ब्यूटाडाइन styrene (ABS) और polylactide (पीएलए) जैसे तंतुओं के किसी भी प्रकार के उपयोग की अनुमति दी जा सकती है । नोजल और बिस्तर तापमान रेशा और मुद्रण की स्थिति के अनुसार समायोजित किया जा सकता है । - एक १८० डिग्री सेल्सियस की स्थापना के एक गर्म हवा धौंकनी का उपयोग कर मंदिरों के सुझावों गर्मी और उंहें लगभग 15 डिग्री की आवक के लिए पारंपरिक चश्मे की तरह temporalis मांसपेशी के एपिडर्मिस संपर्क मोड़ ।
नोट: चश्मा मंदिर के झुकने की डिग्री के लिए वक्रता के प्रयोजन के रूप में कठोर होने की जरूरत नहीं है एक विषय के सिर पर चश्मे फिट की मदद से एक फार्म का कारक बढ़ाने के लिए जब सुसज्जित है । सावधान रहना, तथापि, के रूप में अत्यधिक झुकने temporalis मांसपेशी है, जो इसे असंभव महत्वपूर्ण पैटर्न इकट्ठा करने के लिए बनाता है छू से मंदिरों को रोकने जाएगा । - चरण 2.1 से कदम दोहराएं-2.4 चश्मे फ्रेम के दो विभिंन आकारों को मुद्रित करने के लिए कई सिर आकार फिट के रूप में चित्रा 4में दिखाया गया ।
3. चश्मा के सभी भागों की विधानसभा
- चित्रा 5में दिखाया गया के रूप में M2 बोल्ट का उपयोग कर चश्मे के मंदिरों के दोनों किनारों पर पीसीबी डालें.
- सिर टुकड़ा इकट्ठा और काज जोड़ों में M2 बोल्ट डालने के द्वारा मंदिरों ।
- 3-पिन कनेक्टिंग तारों का उपयोग करके बाएं और दाएं पीसीबी कनेक्ट करें जैसा चित्र 5में दिखाया गया है ।
- बाईं सर्किट के लिए बैटरी कनेक्ट और यह बाईं मंदिर के लिए एक चिपकने वाला टेप के साथ संलग्न. बैटरी के बढ़ते पक्ष महत्वपूर्ण नहीं है, क्योंकि यह पीसीबी डिजाइन के आधार पर भिंन हो सकते हैं ।
- टिप और नाक पैड पर रबर टेप के साथ चश्मा कवर के रूप में मानव त्वचा के साथ और अधिक घर्षण जोड़ने के लिए चित्रा 5में दिखाया गया है ।
4. एक डाटा अधिग्रहण प्रणाली का विकास
नोट: डेटा अधिग्रहण प्रणाली एक मॉड्यूल संचारण डेटा और एक मॉड्यूल प्राप्त डेटा से बना है । मॉड्यूल संचारण डेटा समय और दोनों पक्षों के बल संकेतों पढ़ता है, और फिर उंहें प्राप्त मॉड्यूल है, जो डेटा एकत्र करने के लिए भेजता है और उंहें. tsv फ़ाइलों को लिखता है ।
-
आंकड़ों को अपलोड करें पीसीबी मॉड्यूल के MCU के लिए आवेदन सर् चरणों में प्रक्रियाओं का पालन शुू – 4.1.3.
- कंप्यूटर का उपयोग करके अनुपूरक फ़ाइलों से अनुलग्न "GlasSense_Server" प्रोजेक्ट चलाएं ।
नोट: इस परियोजना के साथ बनाया गया था Arduino एकीकृत विकास पर्यावरण (IDE). यह २०० नमूनों के साथ समय और बल संकेतों को पढ़ने की क्षमता प्रदान करता है, और उन्हें मॉड्यूल प्राप्त करने के लिए डेटा संचारित. - एक यूनिवर्सल सीरियल बस (USB) कनेक्टर के माध्यम से कंप्यूटर के लिए पीसीबी मॉड्यूल कनेक्ट करें ।
- Arduino आईडीई पर "अपलोड" बटन दबाएँ करने के लिए कदम से प्रोग्रामिंग कोड फ्लैश करने के लिए MCU में शुू ।
- कंप्यूटर का उपयोग करके अनुपूरक फ़ाइलों से अनुलग्न "GlasSense_Server" प्रोजेक्ट चलाएं ।
-
एक smartphone के लिए आवेदन प्राप्त डेटा अपलोड करें, जो wirelessly डेटा प्राप्त करने के लिए उपयोग किया जाता है, चरणों में प्रक्रियाओं का पालन 4.2.1 – 4.2.3.
- कंप्यूटर का उपयोग करके अनुपूरक फ़ाइलों से अनुलग्न "GlasSense_Client" प्रोजेक्ट चलाएं ।
नोट: यह प्रोजेक्ट C# प्रोग्रामिंग भाषा के साथ बनाया गया था । यह डेटा प्राप्त करने और. tsv फ़ाइलों को सहेजने की क्षमता प्रदान करता है, जिसमें किसी विषय की जानकारी, जैसे नाम, लिंग, आयु, और बॉडी मास इंडेक्स (बीएमआई) होते हैं । - अनुप्रयोग प्राप्त डेटा बनाने के लिए एक USB कनेक्टर के माध्यम से कंप्यूटर से स्मार्टफ़ोन कनेक्ट करें ।
- स्मार्टफ़ोन के लिए अनुप्रयोग प्राप्त करने के लिए C# प्रोजेक्ट पर "फ़ाइल > बिल्ड एंड रन" बटन दबाएँ ।
- कंप्यूटर का उपयोग करके अनुपूरक फ़ाइलों से अनुलग्न "GlasSense_Client" प्रोजेक्ट चलाएं ।
5. एक उपयोगकर्ता अध्ययन से डेटा संग्रह
नोट: यह अध्ययन छह विशेष रुप से प्रदर्शित गतिविधि सेट एकत्र: आसीन आराम (SR), आसीन चबाने (अनुसूचित जाति), घूमना (डब्ल्यू), जबकि घूमना (CW), आसीन बात कर (अनुसूचित जनजाति), और आसीन पलक (SW) ।
- चुनें चश्मे की एक जोड़ी है जो उपयोगकर्ता के लिए एक उपयुक्त आकार का परीक्षण किया जाना है । ठीक है, दोनों टिका (चित्रा 5) में समर्थन बोल्ट के साथ जकड़न धुन ।
चेतावनी: बल मान 15 N से अधिक नहीं होना चाहिए, क्योंकि इस अध्ययन में प्रयुक्त बल सेंसर ऑपरेशन रेंज से परे ठीक रैखिक विशेषता खो सकते हैं । बल मूल्यों ठीक किया जा सकता है ढीला या समर्थन बोल्ट कस द्वारा देखते । -
चरण 4.2.3 में निर्मित आवेदन पर "रिकॉर्ड" बटन दबाकर सभी विषयों की गतिविधियों को रिकॉर्ड करें ।
- एक १२०-s ब्लॉक के दौरान एक गतिविधि रिकॉर्ड और इसे की एक रिकॉर्डिंग फ़ाइल उत्पंन करते हैं ।
- एसआर के मामले में, एक कुर्सी में विषय बैठते हैं और उन्हें एक स्मार्टफोन का उपयोग करें या एक किताब पढ़ी है । सिर के आंदोलन की अनुमति है, लेकिन पूरे शरीर की आवाजाही से बचें ।
- अनुसूचित जाति और CW के मामलों में, विषयों खाद्य बनावट के दो प्रकार के खाने (टोस्ट की रोटी और चबाने जेली) आदेश में विभिंन खाद्य संपत्तियों को प्रतिबिंबित करने के लिए । 20 मिमी x 20 मिमी है, जो खाने के लिए एक अच्छा आकार है के स्लाइस में टोस्ट की रोटी की सेवा ।
- डब्ल्यू के मामले में, विषयों एक ट्रेडमिल पर ४.५ किमी की रफ्तार से चल रहा है ।
- अनुसूचित जनजाति के मामले में, नीचे विषयों बैठो और उंहें एक सामांय टोन और गति में जोर से एक किताब पढ़ी है ।
- SW के मामले में, एक घंटी ध्वनि के समय पर पलक को विषयों को सूचित ०.५ s लंबे समय तक हर 3 एस ।
- चरण 5.2.1 में संग्रहीत डेटा से. tsv स्वरूप में कोई रिकॉर्डिंग फ़ाइल जनरेट करें ।
नोट: इस फ़ाइल में उस समय का एक अनुक्रम होता है जब डेटा प्राप्त किया गया था, एक बायां बल संकेत, एक दायां बल संकेत, और वर्तमान चेहरे की गतिविधि का प्रतिनिधित्व करने वाला लेबल । उपयोगकर्ता के किसी खंड में सभी गतिविधियों के लौकिक संकेतों के विज़ुअलाइज़ेशन चित्र 6में दर्शाए गए थे । छह विशेष रुप से प्रदर्शित गतिविधि सेट (SR, अनुसूचित जाति, डब्ल्यू, CW, अनुसूचित जनजाति, और SW) 1, 2, 3, 4, 5, और 6 के रूप में लेबल, क्रमशः थे । लेबल का उपयोग किया गया प्रोटोकॉल की धारा 8 में अनुमानित वर्गों की तुलना करने के लिए । - रिकॉर्डिंग ब्लॉक के बाद एक ६०-s ब्रेक ले लो । ब्रेक के दौरान बंद चश्मा ले लो, और फिर से उन्हें फिर से पहनते हैं जब रिकॉर्डिंग ब्लॉक पुनरारंभ होता है ।
- चरण 5.2.1 के ब्लॉक और विराम सेट को दोहराएँ और प्रत्येक गतिविधि के लिए चार बार 5.2.2.
- SW के मामले में, विषय एक ब्लॉक के दौरान बाईं आंख के साथ बार पलक है, और फिर पलक बार अगले ब्लॉक के दौरान सही आंख के साथ ।
- एक १२०-s ब्लॉक के दौरान एक गतिविधि रिकॉर्ड और इसे की एक रिकॉर्डिंग फ़ाइल उत्पंन करते हैं ।
- दोहराएं कदम 5.1 – 5.2 और 10 विषयों से डेटा इकट्ठा । इस अध्ययन में, हम पांच पुरुषों और पांच महिलाओं का इस्तेमाल किया, औसत आयु २७.९ ± ४.३ (मानक विचलन; s.d.) साल था, जो 19-33 साल में होता था, और औसत बीएमआई २१.६ ± ३.२ (s.d.) किग्रा/m2था, जो 17.9 – 27.4 kg/
नोट: इस अध्ययन में, जो विषयों के लिए भोजन, पलक चबाने के लिए कोई चिकित्सा शर्तों नहीं था, और चलना भर्ती किया गया था, और इस शर्त को शामिल करने के मानदंडों के लिए इस्तेमाल किया गया था ।
6. संकेत प्रक्रिया और विभाजन
नोट: बाएँ और दाएँ संकेतों की निम्नलिखित कार्यविधियों में अलग से गणना की जाती है.
-
2 s लंबे समय के लौकिक फ्रेम की एक श्रृंखला तैयार करते हैं ।
- खंड १२० एस 2 एस फ्रेम का एक सेट में उंहें 1-s अंतराल पर hopping द्वारा MATLAB का उपयोग कर के रूप में चित्रा 6में दिखाया गया संकेतों दर्ज की गई ।
नोट: 2 s लंबी के विभाजित फ्रेम्स खंड 7 में सुविधाओं को निकालने के लिए उपयोग किया गया । 1 एस hopping आकार 3 एस पलक पहले से ही कदम 5.2.1 में उल्लेख किया अंतराल से संकेतों को विभाजित करने के लिए निर्धारित किया गया था । - प्रत्येक फ्रेम के लिए 10 हर्ट्ज की एक cutoff आवृत्ति के साथ एक 5th आदेश Butterworth फिल्टर का उपयोग कर एक कम पास फिल्टर (LPF) लागू करें ।
- चरण ७.१ में अगले चरणों के लिए लौकिक फ़्रेम के रूप में step 6.1.2 के परिणामों को सहेजें ।
- खंड १२० एस 2 एस फ्रेम का एक सेट में उंहें 1-s अंतराल पर hopping द्वारा MATLAB का उपयोग कर के रूप में चित्रा 6में दिखाया गया संकेतों दर्ज की गई ।
-
वर्णक्रमीय फ्रेम की एक श्रृंखला तैयार करते हैं ।
- प्रत्येक फ्रेम के मूल संकेतों से औसत घटाना जब चश्मा पहने हुए प्रीलोड को दूर करने के लिए ।
नोट: प्रीलोड मान निम्नलिखित आवृत्ति विश्लेषण के लिए आवश्यक नहीं है, क्योंकि यह चबाने के बारे में कोई जानकारी शामिल नहीं है, घूमना, पलक, आदि. यह, तथापि, महत्वपूर्ण जानकारी है, जो विषय से भिंन हो सकते हैं, शामिल नहीं है चश्मे की हर सेटिंग, और यहां तक कि पल एक विषय से चश्मा पहनता है । - आवृत्ति विश्लेषण पर एक वर्णक्रमीय रिसाव को कम करने के लिए प्रत्येक फ्रेम करने के लिए एक Hanning खिड़की लागू करें ।
- उत्पादन और प्रत्येक फ्रेम करने के लिए एक तेजी से रूपान्तर रूपांतरण (FFT) लागू करने से एक तरफा स्पेक्ट्रम बचाने के लिए ।
- प्रत्येक फ्रेम के मूल संकेतों से औसत घटाना जब चश्मा पहने हुए प्रीलोड को दूर करने के लिए ।
- एक लौकिक और एक फ्रेम ब्लॉक (या बस एक फ्रेम) के रूप में एक ही समय के एक वर्णक्रमीय फ्रेम का एक संयोजन को परिभाषित करें ।
7. सुविधा वैक्टर की पीढ़ी
नोट: एक सुविधा सदिश फ़्रेम प्रोटोकॉल के खंड 6 में उत्पादित प्रति जनरेट किया गया है । बाएँ और दाएँ फ़्रेम अलग से परिकलित की जाती हैं और निम्न कार्यविधियों में वेक्टर एक सुविधा में संयोजित है । सभी प्रक्रियाओं को MATLAB में लागू किया गया ।
- प्रोटोकॉल के चरण ६.१ में एक अस्थाई फ़्रेम से सांख्यिकीय सुविधाएं निकालें । ५४ सुविधाओं की कुल संख्या की एक सूची तालिका 1में दी गई है ।
- प्रोटोकॉल के चरण ६.२ में एक वर्णक्रमीय फ्रेम से सांख्यिकीय सुविधाओं को निकालें । 30 सुविधाओं की कुल संख्या की एक सूची तालिका 2में दी गई है ।
- ऊपर लौकिक और वर्णक्रमीय सुविधाओं के संयोजन से एक ८४ आयामी सुविधा वेक्टर उत्पन्न करते हैं ।
- प्रोटोकॉल के चरण ५.२ में रिकॉर्डिंग से जनरेट की गई सुविधा वैक्टर लेबल ।
- सभी फ़्रेम ब्लॉक्स के लिए चरण 7.1 – 7.4 से चरण दोहराएँ और सुविधा वैक्टर की एक श्रृंखला उत्पन्न करें ।
8. कक्षाओं में गतिविधियों का वर्गीकरण
नोट: इस कदम के लिए एक समर्थन सदिश मशीन (SVM)23 के वर्गीकारक मॉडल का चयन करने के लिए पैरामीटर है कि दिया समस्या (यानी, सुविधा वैक्टर) से सबसे अच्छा सटीकता दिखाने के द्वारा निर्धारित है । SVM एक प्रसिद्ध पर्यवेक्षण तकनीक सीखने की मशीन है, जो सामांयीकरण और मजबूती में उत्कृष्ट प्रदर्शन वर्गों और एक कर्नेल समारोह के बीच एक अधिकतम मार्जिन का उपयोग कर दिखाता है । हम एक ग्रिड खोज और एक पार सत्यापन विधि एक दंड पैरामीटर सी और एक कर्नेल पैरामीटर रेडियल आधार समारोह (RBF) कर्नेल के γ परिभाषित करने के लिए इस्तेमाल किया । मशीन सीखने की तकनीक और SVM की एक ंयूनतम समझ के लिए निंनलिखित प्रक्रियाओं प्रदर्शन की आवश्यकता है । कुछ अधिमान सामग्री23,24,25 मशीन सीखने की तकनीक और SVM एल्गोरिथ्म की बेहतर समझ के लिए सिफारिश कर रहे हैं । इस खंड में सभी प्रक्रियाओं LibSVM25 सॉफ्टवेयर पैकेज का उपयोग कर लागू किया गया ।
- ग्रिड-खोज के लिए (C, γ) के जोड़े का एक ग्रिड को परिभाषित करें । सी (2-10, 2-5,..., 230) और γ (2-30, 2-25,..., 210) की तेजी से बढ़ते दृश्यों का उपयोग करें ।
नोट: ये अनुक्रम अनुमान के हिसाब से निर्धारित किए गए थे । - (C, γ) की एक जोड़ी को परिभाषित (उदा, (2-10, 2-30)) ।
-
चरण ८.२ में निर्धारित ग्रिड के लिए, 10-गुना क्रॉस-मांयता योजना निष्पादित करें ।
नोट: इस योजना के 10-भाग उपसेट में पूरी सुविधा वैक्टर विभाजित है, तो वर्गीकारक मॉडल से एक सबसेट परीक्षण अंय उपसमुच्चय द्वारा प्रशिक्षित है, और यह सब उपसेट पर दोहराएं, एक एक करके । इसलिए, प्रत्येक सुविधा वैक्टर क्रमिक रूप से परीक्षण किया जा सकता है ।- 10-भाग सबसेट में पूरे सुविधा वैक्टर विभाजित ।
- एक सबसेट से सेट परीक्षण निर्धारित करें, और शेष 9 उपसमूह से एक प्रशिक्षण सेट ।
- परिभाषित एक पैमाने पर वेक्टर कि तराजू की सुविधा वैक्टर के सभी तत्वों की सीमा के लिए [0, 1] प्रशिक्षण के लिए सेट ।
नोट: स्केल वेक्टर सुविधा वेक्टर के साथ एक ही आयाम है । यह गुणक का एक सेट है कि एक ही पंक्ति (या स्तंभ) के सभी सुविधा वैक्टर की सीमा के लिए [0, 1] के होते हैं । उदाहरण के लिए, एक सुविधा वेक्टर की पहली विशेषता रैखिक रूप से प्रशिक्षण सुविधा वैक्टर के सभी पहली सुविधाओं के लिए [0, 1] की श्रेणी के लिए स्केलेड है । ध्यान दें कि स्केल वेक्टर प्रशिक्षण सेट से परिभाषित किया गया है, क्योंकि परीक्षण सेट को अज्ञात माना जाना चाहिए । यह चरण सुविधाओं को समान श्रेणी बनाने और परिकलन के दौरान संख्यात्मक त्रुटियों से बचने के द्वारा वर्गीकरण की सटीकता बढ़ाता है. - प्रशिक्षण की प्रत्येक सुविधा को स्केल [0, 1] की श्रेणी में सेट करें स्केल सदिश का उपयोग कर चरण 8.2.3 में प्राप्त किया ।
- चरण 8.2.3 में प्राप्त किए गए स्केल वेक्टर का उपयोग कर [0, 1] की श्रेणी में परीक्षण सेट की प्रत्येक सुविधा स्केल करें ।
- SVM के माध्यम से निर्धारित जोड़ी (C, γ) चरण ८.२ में के माध्यम से सेट प्रशिक्षण ट्रेन, और उसके बाद एक वर्गीकारक मॉडल का निर्माण ।
- परीक्षण SVM के माध्यम से निर्धारित जोड़ी (C, γ) चरण ८.२ में, और प्रशिक्षण प्रक्रिया से प्राप्त वर्गीकारक मॉडल के माध्यम से सेट करें ।
- परीक्षण सेट पर एक वर्गीकरण सटीकता परिकलित करें । सटीकता सुविधा वैक्टर जो सही ढंग से वर्गीकृत कर रहे है के प्रतिशत से गणना की गई ।
- दोहराएँ चरणों 8.2.2-सभी उपसमुच्चय के लिए 8.2.8, और सभी सबसेट की औसत सटीकता की गणना.
- दोहराएँ चरण 8.2 – 8.3.9 (C, γ) की एक जोड़ी के सभी ग्रिड बिंदुओं के लिए.
- ग्रिड की उच्चतम सटीकता की स्थानीय अधिकतम खोजें । धारा 8 की सभी प्रक्रियाएं चित्रा 7में सचित्र हैं ।
- वैकल्पिक) यदि ग्रिड के चरण मोटे माने जाते हैं, तो चरण 8.1 – 8.5 में स्थानीय अधिकतम के पास एक महीन ग्रिड में कदम ८.५ दोहराएँ, और ठीक ग्रिड की एक नई स्थानीय अधिकतम ढूँढें ।
- निंन समीकरणों से गतिविधियों के प्रत्येक वर्ग के परिशुद्धता, स्मरण, और F1 स्कोर की गणना करें:
समीकरण 1
समीकरण 2
समीकरण 3
जहां TP, FP, और एफ एन सच सकारात्मक प्रतिनिधित्व करते हैं, झूठी सकारात्मक, और प्रत्येक गतिविधि के लिए झूठी नकारात्मक, क्रमशः । सभी गतिविधियों का भ्रम मैट्रिक्स तालिका 3में दिया गया है ।
समीकरण 1
समीकरण 2
समीकरण 3Subscription Required. Please recommend JoVE to your librarian.
Representative Results
प्रोटोकॉल में उल्लिखित प्रक्रियाओं के माध्यम से, हम सिर टुकड़ा की लंबाई, एलएच (१३३ और १३८ mm), और मंदिरों, एलटी (११० और १२५ mm), के रूप में अंतर से 3 डी मुद्रित फ्रेम के दो संस्करणों को तैयार चित्रा 4में दिखाया गया है । इसलिए, हम कई पहनने की स्थिति है, जो विषयों के सिर आकार, आकार, आदि विषयों से अलग किया जा सकता है कवर कर सकते है फ्रेम में से एक को चुना उपयोगकर्ता अध्ययन के लिए अपने सिर को फिट । ऊर्ध्वाधर दूरी, एलएच, टिका संयुक्त और समर्थन बोल्ट के लिए छेद के बीच ७.५ mm करने के लिए सेट किया गया था ताकि प्रवर्धित बल 15 N से अधिक नहीं होगा, जो लोड सेल के रैखिक ऑपरेटिंग रेंज है । अंत में, सिर टुकड़ा एक मोटाई, टीएच, कि झुकने पल दोनों का समर्थन बोल्ट जब सुसज्जित से संचारित विरोध कर सकते है चाहिए । हम एक अनुमानी दृष्टिकोण से कार्बन फाइबर सामग्री के एक प्रयोग के साथ 6 मिमी होने के लिए टीज चुना. संपर्क अंक समर्थन बोल्ट के माध्यम से समायोजित किया जा सकता है ठीक धुन चश्मे की जकड़न के रूप में चित्रा 5में दिखाया गया है ।
तालिका 3 सभी गतिविधि सेट्स के लिए वर्गीकरण के प्रतिनिधि परिणाम दिखाता है । औसत एफ1 स्कोर ८०.५% के परिणामस्वरूप । यदि एक भी अंक के रूप में माना जाता है, प्रदर्शन के लिए अपेक्षाकृत हमारे पिछले अध्ययन के परिणाम की तुलना में नीचा होना लग सकता है22। हालांकि, हम प्रत्येक गतिविधि के बीच परिणामों की तुलना करके महत्वपूर्ण जानकारी निकाल सकते हैं । SR अपेक्षाकृत अच्छी तरह से अनुसूचित जाति, CW, और SW से प्रतिष्ठित था, लेकिन डब्ल्यू और सेंट से नहीं । दोनों चबाने गतिविधियों, अनुसूचित जाति और CW, एक दूसरे से अंतर करने के लिए मुश्किल थे । दूसरी ओर, यह देखा जा सकता है कि दोनों चबाने गतिविधियों को आसानी से सीनियर, डब्ल्यू, सेंट, और SW, जो अंय शारीरिक गतिविधियों का प्रतिनिधित्व से प्रतिष्ठित किया जा सकता है । दप के मामले में, पलक गतिविधि निकला अंय गतिविधियों के दौरान थोड़ा वर्गीकृत किया जाएगा ।
तालिका 3के परिणामों से, हम वर्गीकरण का गहन विवरण निरीक्षण कर सकते हैं । पहले, दो चबाने गतिविधियों, अनुसूचित जाति और CW, स्पष्ट रूप से अंय गतिविधियों से प्रतिष्ठित थे । उनमें, चलने गतिविधि से भेद एक संभावना है कि भोजन का सेवन गतिविधि, जो इस अध्ययन का मुख्य उद्देश्य है पता चलता है, आसानी से सक्रिय शारीरिक गतिविधि से अविभाज्य जा सकता है, जैसे घूमना, हमारी प्रणाली का उपयोग कर । के रूप में चित्रा 6में दिखाया गया है, यह सत्यापित किया जा सकता है कि चबाने और पलक संकेतों, temporalis मांसपेशी गतिविधि से सक्रिय, temporalis मांसपेशी गतिविधि द्वारा सक्रिय नहीं उन लोगों से काफी अलग थे. दूसरी ओर, दोनों के बीच अंतर चबाने गतिविधियों अपेक्षाकृत उच्च वर्गीकरण दिखाया । वे दोनों सटीक और चबाने गतिविधियों की याद को कम करने में एक प्रमुख भूमिका निभाई ।
चबाने का पता लगाने के संदर्भ में, एसआर, डब्ल्यू, और सेंट दैनिक जीवन में अवांछित शोर के रूप में माना जा सकता है । पलक गतिविधि, दूसरी ओर, सार्थक माप के रूप में माना जा सकता है, क्योंकि यह भी temporalis मांसपेशी गतिविधि से सक्रिय है के रूप में अच्छी तरह से । इसके बाद के संस्करण के आधार पर, दो चबाने गतिविधियों एक चबाने गतिविधि (CH), और पलक के अलावा अंय गतिविधियों में बंधे थे एक शारीरिक गतिविधि (फिलीस्तीनी अथॉरिटी) में वर्गीकृत किया गया । तालिका 4 इन गतिविधियों पर वर्गीकरण परिणाम दिखाता है: चबाने (CH), शारीरिक गतिविधि (फिलीस्तीनी अथॉरिटी), और आसीन पलक (SW) । हम इसे से अधिक उल्लेखनीय परिणाम पा सकते हैं । यह प्रणाली अंय शारीरिक गतिविधियों से प्रभावित होने के बिना भोजन के सेवन का पता लगाने के लिए मजबूत है कि क्या के बारे में जानकारी खरीदेगा । इसके अलावा, यह भी इंगित करता है कि क्या यह पलक जैसे अंय चेहरे गतिविधि से भोजन का सेवन भेद संभव है । परिणाम बताते है कि चबाने गतिविधि अच्छी तरह से अंय गतिविधियों से ९३.४% की एक उच्च एफ1 स्कोर द्वारा प्रतिष्ठित किया जा सकता है । पलक के मामले में, याद (८५.५%) अंय गतिविधियों की तुलना में थोड़ा कम था । इसका मतलब यह है कि पलक के एकत्र आंकड़ों की गुणवत्ता कम होने की संभावना थी, के रूप में उपयोगकर्ताओं को 3 एस अंतराल में सही समय पर पलक था । वास्तव में, यह देखा गया है कि उपयोगकर्ताओं को पलक या चश्मा याद किया उपयोगकर्ता अध्ययन के दौरान कभी कभार नीचे खिसक गया ।
आदेश में ऊपर से अधिक सार्थक परिणाम प्राप्त करने के लिए, हम समूहीकृत और नए लोगों में गतिविधियों को फिर से परिभाषित किया । दो चबाने गतिविधियों, अनुसूचित जाति और CW, एक गतिविधि में बांटा गया, और चबाने के रूप में परिभाषित किया गया । SR, डब्ल्यू, और अनुसूचित जनजाति, जो खुद के बीच में वर्गीकरण की एक बड़ी डिग्री थी भी एक गतिविधि, शारीरिक गतिविधि के रूप में परिभाषित में वर्गीकृत किया गया । एक परिणाम के रूप में, हम फिर से वर्गीकरण के नए प्रतिनिधि परिणाम प्राप्त की गतिविधियों के माध्यम से प्रदर्शन किया चबाने (CH), शारीरिक गतिविधि (फिलीस्तीनी अथॉरिटी), और आसीन पलक (SW), के रूप में तालिका 4में दिखाया गया के रूप में छपी । परिणाम से पता चला कि एक उच्च भविष्यवाणी स्कोर के साथ एक औसत F1 स्कोर के ९१.४%.
चित्र 1: दोनों बाएँ और दाएँ सर्किट के योजनाबद्ध आरेख. (एक) बाएँ सर्किट के योजनाबद्ध आरेख. यह दोनों बाएँ और दाएँ सर्किट के लिए बिजली की आपूर्ति करने के लिए एक बैटरी शामिल है । बाईपास संधारित्र के साथ एक ३.३ वी वोल्टेज नियामक प्रणाली के लिए एक स्थिर ऑपरेटिंग वोल्टेज की आपूर्ति करने के लिए प्रदान किया गया था । यहां प्रस्तुत लोड कोशिकाओं सर्किट के दोनों पक्षों में डाला गया था (ख) सही सर्किट के योजनाबद्ध आरेख । इसमें वाई-फाई क्षमता के साथ माइक्रो कंट्रोलर एकता (MCU) होता है । एक दो चैनल मल्टीप्लेक्स के MCU के एक एनालॉग-टू-डिजिटल कनवर्टर (ADC) के साथ दोनों पक्षों से दो बल संकेतों को संसाधित करने के लिए प्रदान किया गया था । MCU फ़्लैश करने के लिए एक यूनिवर्सल एसिंक्रोनस रिसीवर/ट्रांसमीटर (UART) कनेक्टर का उपयोग किया गया था । कृपया यहां क्लिक करें इस आंकड़े का एक बड़ा संस्करण को देखने के लिए ।
चित्रा 2: दोनों बाएँ और दाएँ सर्किट के पीसीबी कलाकृतियों. (क) वामपंथी पीसीबी की एक कलाकृति. सभी इलेक्ट्रॉनिक उपकरणों मिमी में वास्तविक माप के रूप में प्रदर्शित कर रहे हैं. (ख) सही पीसीबी की एक कलाकृति । कृपया यहां क्लिक करें इस आंकड़े का एक बड़ा संस्करण को देखने के लिए ।
चित्रा 3: पीसीबी के प्रतिनिधि परिणाम सभी घटकों के साथ मिलाप । (A) बायां सर्किट मॉड्यूल । लोड सेल बोर्ड में एकीकृत किया गया था । यह एक 2-पिन कनेक्टर बैटरी और एक 3-पिन कनेक्टर के लिए सही बोर्ड से कनेक्ट करने के लिए शामिल है । (ख) सही सर्किट मॉड्यूल । लोड सेल को भी बोर्ड में इंटीग्रेटेड किया गया था । यह एक 4-पिन कनेक्टर MCU के मोड चमकती के लिए, और एक 3-पिन कनेक्टर बाएँ सर्किट से कनेक्ट करने के लिए शामिल है । कृपया यहां क्लिक करें इस आंकड़े का एक बड़ा संस्करण को देखने के लिए ।
चित्रा 4: चश्मे के फ्रेम का एक 3d मॉडल डिजाइन. (क) सिर के टुकड़े का डिजाइन । ऊपरी आंकड़ा एक सामने देखने से पता चलता है, और कम आंकड़ा सिर टुकड़ा के एक शीर्ष दृष्टिकोण से पता चलता है । सिर टुकड़ा की लंबाई, एलएच, विषयों के विभिंन सिर आकार को कवर करने के लिए एक डिजाइन पैरामीटर है । हम 3 डी यह अंतर से सिर टुकड़ा के दो संस्करणों मुद्रित । प्रमुख टुकड़ा की मोटाई, टीएच, अनुमान से परिभाषित किया गया था । एक संयुक्त काज और एक समर्थन बोल्ट के लिए एक छेद के बीच की दूरी, एलएच, यांत्रिक प्रवर्धन कारक से स्थापित किया गया था । (ख) मंदिरों की डिजाइन । ऊपरी आंकड़ा बाएं मंदिर से पता चलता है, और कम आंकड़ा सही मंदिर दिखाता है । चित्रा 3 में पीसीबी स्लॉट में डाला गया था और एक बैटरी एक बैटरी धारक के लिए मुहिम शुरू की थी. कृपया यहां क्लिक करें इस आंकड़े का एक बड़ा संस्करण को देखने के लिए ।
चित्रा 5: thePCB-एकीकृत चश्मे का एक प्रतिनिधि परिणाम । पीसीबी को बोल्ट के साथ स्लॉट में डाला गया । नाक पैड और मंदिरों के सुझावों को रबर टेप से कवर किया गया था त्वचा के साथ घर्षण जोड़ने । जब चश्मे से लैस होते हैं, तो दोनों तरफ सपोर्ट बोल्ट द्वारा लोड कोशिकाओं को दबाया जाता है । चश्मे की तंगी को ढीला करके या समर्थन वाले बोल्ट कस कर ठीक-ठाक देखते जा सकते हैं. कृपया यहां क्लिक करें इस आंकड़े का एक बड़ा संस्करण को देखने के लिए ।
चित्रा 6: सभी गतिविधियों के लिए एक उपयोगकर्ता के एक रिकॉर्डिंग ब्लॉक में लौकिक संकेतों. y-अक्ष मापा गया बल का प्रतिनिधित्व करता है, जो एक दृश्यावलोकन उद्देश्य के लिए रिकॉर्डिंग ब्लॉक के माध्य से घटाया गया था । चबाने की गतिविधियों के अधिकतम आयाम अन्य गतिविधियों की तुलना में बड़े हैं । वाम और पलक गतिविधि के सही संकेत औंधा हैं । चित्रा छोड़ दिया पलक का एक उदाहरण से पता चलता है । एक 2 एस फ्रेम 1 s अंतराल पर संकेतों hopping द्वारा एक विशेषता वेक्टर को परिभाषित करने के लिए इस्तेमाल किया गया था । कृपया यहां क्लिक करें इस आंकड़े का एक बड़ा संस्करण को देखने के लिए ।
चित्रा 7: (सी, γ) के विभिन्न जोड़े के माध्यम से स्थानीय अधिकतम सटीकता खोजने के प्रतिनिधि परिणाम. (क) तालिका 3में परिभाषित सभी गतिविधियों के पार-मान्य accuracies की एक समोच्च साजिश. प्रत्येक अक्ष तीव्र रूप से बढ़ाता है और श्रेणी का अनुमानात्मक रूप से चयन किया गया था । ८०.४% की स्थानीय अधिकतम सटीकता (C, γ) = (25, 20) पर हुई । (B) तालिका 4में पुनः परिभाषित गतिविधियों के क्रॉस-सत्यापित accuracies की एक समोच्च साजिश । ९२.३% की अधिकतम सटीकता (सी, γ) = (25, 20) पर हुई, और (A) के परिणाम से बहुत सटीक था । कृपया यहां क्लिक करें इस आंकड़े का एक बड़ा संस्करण को देखने के लिए ।
| नहीं. | फ़ीचर विवरण | नहीं. | फ़ीचर विवरण | ||
| 1 | मानक विचलन L | 28 | Skenwness आर | ||
| 2 | मानक विचलन R | 29 | ककुदता L | ||
| 3 | भिंनता का गुणांक L | 30 | ककुदता आर | ||
| 4 | भिंनता के गुणांक R | 31 | सहसंबंध फ़ंक्शन सहसंबंध L | ||
| 5 | जीरो क्रासिंग रेट L | ३२ | सहसंबंध फ़ंक्शन सहसंबंध R | ||
| 6 | शूंय पार दर आर | ३३ | सिग्नल ऊर्जा L | ||
| 7 | 20वां शतमक L | ३४ | सिग्नल ऊर्जा आर | ||
| 8 | 20वां शतमक R | ३५ | लॉग सिग्नल ऊर्जा L | ||
| 9 | 50 वां शतमक L | ३६ | लॉग संकेत ऊर्जा आर | ||
| 10 | 50 वां शतमक R | ३७ | ऊर्जा का एन्ट्रापी L | ||
| 11 | 80th शतमक L | ३८ | ऊर्जा आर के एन्ट्रापी | ||
| 12 | 80th शतमक R | ३९ | पीक-से-पीक आयाम L | ||
| 13 | Interquartile रेंज एल | ४० | पीक-से-पीक आयाम R | ||
| 14 | Interquartile रेंज आर | ४१ | चोटियों की संख्या एल | ||
| 15 | 20वें शतमक का वर्ग योग L | ४२ | चोटियों की संख्या आर | ||
| 16 | 20वें शतमक का वर्ग योग R | ४३ | चोटियों के बीच समय का मतलब L | ||
| 17 | 50 वां शतमक का वर्ग योग L | ४४ | चोटियों आर के बीच समय का मतलब | ||
| 18 | 50 वां शतमक का वर्ग योग R | ४५ | चोटियों के बीच समय की सातवी L | ||
| 19 | 80th शतमक का वर्ग योग L | ४६ | चोटियों R के बीच समय की सातवी. | ||
| 20 | 80th शतमक का वर्ग योग R | ४७ | पूर्वानुमान अनुपात L | ||
| 21 | बिन्नी का 1 बिन वितरण L | ४८ | पूर्वानुमान अनुपात R | ||
| 22 | बिन्नी वितरण आर के 1 बिन | ४९ | हार्मोनिक अनुपात एल | ||
| 23 | बिन्नी वितरण के 2 बिन L | ५० | हार्मोनिक अनुपात आर | ||
| 24 | बिन्नी वितरण आर के 2 बिन | ५१ | मौलिक आवृत्ति L | ||
| 25 | बिन्नी का 3 बिन वितरण L | ५२ | मौलिक आवृत्ति आर | ||
| 26 | बिन्नी वितरण आर के 3 बिन | ५३ | एल और आर के सहसंबंध गुणांक | ||
| 27 | Skenwness L | ५४ | एल और आर के Sigmal परिमाण क्षेत्र | ||
तालिका 1: एक लौकिक फ्रेम के निकाली सांख्यिकीय विशेषताएं । कुल ५४ सुविधाएँ निकाली गईं. बाएँ और दाएँ संकेतों सहसंबंध सुविधाएँ, ५३ और ५४ को छोड़कर अलग से गणना की गई थी ।
| नहीं. | फ़ीचर विवरण | नहीं. | फ़ीचर विवरण | ||
| 1 | वर्णक्रमीय ऊर्जा L | 16 | वर्णक्रमीय प्रसार आर | ||
| 2 | वर्णक्रमीय ऊर्जा आर | 17 | वर्णक्रमीय एन्ट्रापी L | ||
| 3 | वर्णक्रमीय जोन 1 के ऊर्जा L | 18 | वर्णक्रमीय एन्ट्रापी आर | ||
| 4 | वर्णक्रमीय ऊर्जा आर के जोन 1 | 19 | वर्णक्रमीय एन्ट्रापी of energy L | ||
| 5 | वर्णक्रमीय जोन 2 की ऊर्जा L | 20 | वर्णक्रमीय एन्ट्रापी ऑफ एनर्जी आर | ||
| 6 | वर्णक्रमीय जोन 2 ऊर्जा आर के | 21 | वर्णक्रमीय फ्लक्स L | ||
| 7 | वर्णक्रमीय जोन 3 की ऊर्जा L | 22 | वर्णक्रमीय फ्लक्स आर | ||
| 8 | वर्णक्रमीय जोन 3 ऊर्जा आर के | 23 | वर्णक्रमीय rolloff L | ||
| 9 | वर्णक्रमीय जोन 4 के ऊर्जा L | 24 | वर्णक्रमीय rolloff आर | ||
| 10 | वर्णक्रमीय जोन 4 के ऊर्जा आर | 25 | अधिकतम वर्णक्रमीय शिखा एल | ||
| 11 | वर्णक्रमीय जोन 5 की ऊर्जा L | 26 | अधिकतम वर्णक्रमीय शिखा आर | ||
| 12 | वर्णक्रमीय जोन 5 ऑफ एनर्जी आर | 27 | वर्णक्रमीय विषमता L | ||
| 13 | वर्णक्रमीय केन्द्रक L | 28 | वर्णक्रमीय विषमता R | ||
| 14 | वर्णक्रमीय केन्द्रक आर | 29 | वर्णक्रमीय ककुदता L | ||
| 15 | वर्णक्रमीय स्प्रेड L | 30 | वर्णक्रमीय ककुदता आर | ||
तालिका 2: एक वर्णक्रमीय फ्रेम की निकाली सांख्यिकीय विशेषताएं । कुल 30 फीचर्स निकाले गए । बाएँ और दाएँ संकेतों की अलग से गणना की गई. तालिका 1 और तालिका 2में सुविधाओं से, एक सुविधा वेक्टर में कुल ८४ सुविधाएं होती हैं ।
| भविष्यवाणी गतिविधि |
वास्तविक गतिविधि | कुल | परिशुद्धता | |||||
| एक sr | ख एससी | ग w | d cw | ई सेंट | च दप | |||
| sr | १२२२ | 18 | ७९ | 6 | १६८ | ७५ | १५६८ | ७७.९% |
| एससी | 10 | १२६८ | 17 | १५९ | ४६ | 15 | १५१५ | ८३.७% |
| w | ५५ | 19 | १२१२ | ३२ | १४४ | 20 | १४८२ | ८१.८% |
| cw | 3 | १५८ | ३४ | १३२७ | 28 | 12 | १५६२ | ८५.०% |
| सेंट | १९२ | ७५ | १८५ | 19 | १११७ | ५५ | १६४३ | ६८.०% |
| दप | ७८ | 22 | ३३ | 17 | ५७ | १३८३ | १५९० | ८७.०% |
| कुल | १५६० | १५६० | १५६० | १५६० | १५६० | १५६० | ९३६० | |
| याद | ७८.३% | ८१.३% | ७७.७% | ८५.१% | ७१.६% | ८८.७% | ८०.४% | |
| एफ1 स्कोर | ७८.१% | ८२.५% | ७९.७% | ८५.०% | ६९.७% | ८७.८% | ||
| औसत F1 स्कोर | ८०.५% | |||||||
तालिका 3: भ्रम मैट्रिक्स सभी गतिविधियों की जब (C, γ) = (25, 20) चित्रा 7Aमें। यह मैट्रिक्स सभी गतिविधियों के लिए सभी पूर्वानुमान परिणाम दिखाता है: एकSR: गतिहीन आराम, बीएससी: आसीन चबाने, सीडब्ल्यू: घूमना, डीCW: जबकि घूमना, ईसेंट: आसीन बात कर, एफSW: आसीन पलक चबाने ।
| भविष्यवाणी गतिविधि |
वास्तविक गतिविधि | कुल | परिशुद्धता | ||
| एक सी | ख पीए | ग दप | |||
| सी | २८९८ | १६२ | 26 | ३०८६ | ९३.९% |
| पीए | २०१ | ४४०४ | २०० | ४८०५ | ९१.७% |
| दप | 21 | ११४ | १३३४ | १४६९ | ९०.८% |
| कुल | ३१२० | ४६८० | १५६० | ९३६० | |
| याद | ९२.९% | ९४.१% | ८५.५% | ९२.३% | |
| एफ1 स्कोर | ९३.४% | ९२.९% | ८८.१% | ||
| औसत F1 स्कोर | ९१.४% | ||||
तालिका 4: सभी re-डिफ़ाइंड गतिविधियों का भ्रम मैट्रिक्स जब (C, γ) = (25, 20) चित्रा 7Bमें। यह मैट्रिक्स सभी फिर से परिभाषित गतिविधियों के लिए सभी पूर्वानुमान परिणाम: एकCH: चबाने, बीपीए: शारीरिक गतिविधि, सीSW: आसीन पलक दिखाता है ।
Subscription Required. Please recommend JoVE to your librarian.
Discussion
इस अध्ययन में, हम पहले चश्मे के डिजाइन और विनिर्माण प्रक्रिया का प्रस्ताव है कि भोजन का सेवन और शारीरिक गतिविधियों के पैटर्न भावना । इस अध्ययन के रूप में मुख्य रूप से डेटा विश्लेषण पर ध्यान केंद्रित करने के लिए अंय शारीरिक गतिविधियों से भोजन का सेवन भेद (जैसे घूमना और पलक के रूप में), सेंसर और डेटा अधिग्रहण प्रणाली गतिशीलता रिकॉर्डिंग के कार्यांवयन की आवश्यकता है । इस प्रकार, प्रणाली सेंसर, वायरलेस संचार क्षमता के साथ MCU, और बैटरी शामिल थे । प्रस्तावित प्रोटोकॉल एक उपंयास और व्यावहारिक तरीका है एक गैर में खाद्य सेवन और पलक के कारण temporalis मांसपेशी गतिविधि के पैटर्न को मापने के लिए संपर्क तरीके से प्रदान की: उपकरण और तरीकों को आसानी से किसी भी बोझिल बिना दैनिक जीवन में भोजन के सेवन का पता लगाने के लिए उपकरण बताए गए ।
वहां चश्मे के निर्माण की प्रक्रिया के लिए महत्वपूर्ण विचार कर रहे हैं । मंदिर भागों के रूप में चित्रा 4B और आंकड़ा 4cमें दिखाए गए चरण १.२ में गढ़े पीसीबी मॉड्यूल एकीकृत करने के लिए डिज़ाइन किया जाना चाहिए । लोड सेल इतना रखा जाना चाहिए कि यह सिर टुकड़ा की एक समर्थन प्लेट में एक समर्थन बोल्ट द्वारा दबाया जब सुसज्जित के रूप में चित्रा 5में टिका भाग के शीर्ष दृश्य में सचित्र है । चरण २.४ में, चश्मा मंदिर के झुकने की डिग्री के लिए कठोर होने की जरूरत नहीं है, के रूप में वक्रता का उद्देश्य बेहतर एक विषय के सिर पर चश्मा फिट करने के लिए एक फार्म का कारक बढ़ाने के लिए है । सावधान रहना, तथापि, के रूप में अत्यधिक झुकने temporalis मांसपेशियों को छूने से मंदिरों को रोकने जाएगा, जो इसे असंभव महत्वपूर्ण पैटर्न इकट्ठा करने के लिए करना होगा ।
विभिंन प्रमुख आकारों और विषयों के आकार को प्रतिबिंबित करने वाले विश्वसनीय डेटा को प्राप्त करने के लिए, चश्मे के दो संस्करण सिर के टुकड़े और मंदिरों की लंबाई अलग करके प्रदान किए गए थे । इसके अलावा, के लिए समर्थन वोल्ट ठीक धुन पहनने की क्षमता का उपयोग करके, हम चश्मे की जकड़न समायोजित सकता है । इस प्रकार, विभिंन चश्मे, विषयों, और पहनने की स्थितियों के माध्यम से एकत्र आंकड़ों अंतर और अंतर व्यक्तिगत परिवर्तनशीलता और विभिंन फार्म कारकों को प्रतिबिंबित कर सकते हैं ।
उपयोगकर्ता अध्ययन में, विषय को तोड़ने के दौरान चश्मा ले लिया, और उंहें फिर से पहना जब रिकॉर्डिंग ब्लॉक पुनः आरंभ । यह क्रिया एक विशिष्ट पहनने की हालत को ढाले से डेटा रोका क्योंकि यह पहनने की स्थिति (जैसे, छोड़ दिया और सही संतुलन, लोड कोशिकाओं, त्वचा के साथ संपर्क क्षेत्र पर प्रीलोड, आदि) हर बार विषय फिर से चश्मा पहना था.
चबाने आवृत्ति के एक पहले के अध्ययन के अनुसार, चबाने गतिविधि मुख्य रूप से ०.९४ हर्ट्ज (5वें शतमक) से लेकर २.१७ हर्ट्ज (९५वें प्रतिशत)26. इस प्रकार, हम फ्रेम आकार 2 एस इतना है कि एक फ्रेम कई चबाने गतिविधियों में शामिल है सेट । यह फ्रेम आकार एक या एक से अधिक चलने चक्र, जो आम तौर पर १.४ हर्ट्ज से २.५ हर्ट्ज के लिए सीमा से युक्त के लिए भी उपयुक्त है27. हम एक ट्रेडमिल पर ४.५ किमी की गति से चलने गतिविधि का आयोजन किया, क्योंकि सामांय चलने की गति ३.३ किमी से ६.५ किमी/27,28से भिंन होता है । चित्रा 6 में हॉप आकार दर्ज पलक डेटा जहां विषयों 3-s अंतराल पर पलक को सूचित किया गया से निर्धारित किया गया था । हम भी 10 हर्ट्ज की कटऑफ आवृत्ति के साथ डेटा फ़िल्टर, क्योंकि हम अपने पिछले अध्ययन से पाया गया है कि संकेतों पर १० hz चबाने का पता लगाने के बारे में कोई महत्वपूर्ण जानकारी नहीं थी22.
क्योंकि प्रणाली दोनों पक्षों पर दो लोड कोशिकाओं है, यह संभव है कि चबाने और पलक की बाईं और सही घटनाओं में अंतर, के रूप में हमारे पिछले अध्ययन में साबित22। हालांकि, पिछले अध्ययन के विपरीत, इस अध्ययन का उद्देश्य यह है कि प्रणाली को प्रभावी ढंग से शारीरिक गतिविधियों से भोजन का सेवन अलग कर सकते थे प्रदर्शित किया गया । यदि डेटा पर्याप्त उपयोगकर्ता अध्ययन के माध्यम से जमा कर रहे हैं, तो छोड़ दिया और सही वर्गीकरण पर आगे अनुसंधान आयोजित किया जा सकता है, सहसंबंध सुविधाओं का उपयोग सुविधा वेक्टर में शामिल थे । दूसरी ओर, यह कठिन है गतिहीन गतिविधि और व्यवस्था के भीतर चलने के बीच अंतर । इसके अलावा प्रणाली में संशोधन भोजन की मात्रा का विस्तृत वर्गीकरण प्रदान करते हैं, जबकि बैठे खाने और चाल पर खाने की तरह, एक उच्च सटीकता के साथ कर सकते हैं । इस प्रणाली के लिए एक inertial माप इकाई (IMU) जोड़कर एक सेंसर फ्यूजन तकनीक के माध्यम से लागू किया जा सकता है18. यदि हां, तो प्रणाली ऊर्जा खर्च और ऊर्जा का सेवन एक साथ ट्रैक कर सकते हैं । हमारा मानना है कि हमारा दृष्टिकोण भोजन के सेवन और शारीरिक गतिविधियों का पता लगाने के लिए व्यावहारिक और संभावित तरीके प्रदान करता है ।
ऊर्जा के सेवन का आकलन आहार की निगरानी पर अनुसंधान का एक महत्वपूर्ण लक्ष्य है, और उदाहरण के लिए, भोजन के प्रकार वर्गीकृत द्वारा विश्लेषण किया जा सकता है, और फिर यह पूर्वनिर्धारित गरमी जानकारी से कैलोरी में परिवर्तित । हाल के एक अध्ययन में खाद्य छवियों और गहरी सीखने एल्गोरिदम का उपयोग कर खाद्य प्रकार वर्गीकृत करने की एक विधि का सुझाव दिया14। तथापि, इस अध्ययन में प्रयुक्त बल सेंसरों के साथ खाद्य प्रकारों को अलग करना कठिन है; डिवाइस के सामने एक छवि संवेदक के अलावा छवि प्रसंस्करण और मशीन सीखने की तकनीक के माध्यम से भोजन के प्रकार को पहचान सकता है, और इस तरह के भोजन के प्रकार वर्गीकृत । बल और छवि सेंसर के साथ इस सेंसर फ्यूजन तकनीक के माध्यम से, इस अध्ययन की क्षमता सामान्य आहार निगरानी अनुप्रयोगों की ओर आवेदन है.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
लेखकों का खुलासा करने के लिए कुछ नहीं है ।
Acknowledgments
यह काम Envisible, Inc द्वारा समर्थित किया गया था इस अध्ययन में कोरियाई स्वास्थ्य प्रौद्योगिकी अनुसंधान एवं विकास परियोजना, स्वास्थ्य एवं कल्याण मंत्रालय, कोरिया गणराज्य (HI15C1027) के अनुदान का भी समर्थन किया गया । इस शोध को नेशनल रिसर्च फाउंडेशन ऑफ कोरिया (एनआरएफ-2016R1A1A1A05005348) ने भी समर्थन दिया था ।
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).
