Summary
이 연구 설계 및 음식 섭취 량의 패턴을 감지 하는 안경 형 착용 형 장치 제조의 프로토콜을 선물 하 고 로드 셀을 사용 하 여 다른 추천된 신체적 활동 안경의 두 경첩에 삽입.
Abstract
이 연구는 디자인 하 고 음식 섭취 량 그리고 다른 신체 활동 하는 동안 temporalis 근육 활동의 패턴을 감지 하는 안경 형 착용 형 장치 제조의 프로토콜의 일련을 제공 합니다. 우리는 유리와 프레임의 두 경첩에 삽입 된 부하 셀 통합 인쇄 회로 기판 (PCB) 모듈의 3D 인쇄 프레임 조작. 힘 신호를 취득 하 고 그들을 무선으로 전송 하는 모듈 사용 되었다. 이 절차는 높은 이동성, 산책 등 waggling 실용적인 착용 조건에서 계산 될 수 있는 시스템을 제공 합니다. 분류의 성능 또한 그 신체 활동에서 음식 섭취 량의 패턴을 구분 하 여 평가 됩니다. 알고리즘의 시리즈 신호 전처리 기능 벡터를 생성 하 고 몇몇의 패턴을 인식 하는 데 사용 했다 활동 (씹는 및 윙크), 그리고 다른 신체 활동 (앉아있는 나머지, 이야기, 및 산책). 결과 평균 F1 점수 추천된 활동 중 분류의 91.4%가 나타났다. 우리는이 이렇게 자동이 고 객관적인 ingestive 문제를 치료 하는 실용적인 수단으로 높은 정확도와 ingestive 동작의 모니터링을 위한 잠재적으로 유용할 수 있습니다 믿습니다.
Introduction
음식 섭취 량의 지속적이 고 객관적인 모니터링으로 과도 한 에너지 축적 overweightness 및 비만1, 다양 한 의료 합병증2발생할 수 발생할 수 있습니다 인간의 신체의 에너지 균형을 유지 하기 위한 필수적 이다. 에너지 불균형에 주요 요인으로 과도 한 음식 섭취 및 부족 한 신체 활동3알려져 있습니다. 일일 에너지 지출을 모니터링에 대 한 다양 한 연구 에서도 착용 할 수 있는 장치4,,56, 신체 활동 패턴의 자동 및 객관적인 측정으로 도입 되어 있는 최종 소비자의 수준과 의료 단계7. 그러나 음식 섭취 량의 모니터링에 대 한 연구는, 실험실 설정, 직접적이 고 객관적인 방식으로 음식 섭취 활동을 감지 하기가 어렵습니다 때문에 아직도 이다. 여기, 우리는 장치 설계 및 음식 섭취 및 일상 생활에 실용적인 수준에서 신체 활동 패턴을 모니터링을 위한 그것의 평가 제시 하고자 합니다.
씹는 삼 키는 소리8,9,10, 손목11,,1213의 움직임을 통해 음식 섭취 량을 모니터링, 이미지를 다양 한 간접 접근 되었습니다. 분석14, 그리고 치십시오 (EMG)15. 그러나, 이러한 접근은 그들의 한계 때문에 일상 생활에 대 한 응용 프로그램에 적용 하기 어려운: 소리를 사용 하 여 방법 환경 소리;에 의해 영향을 받을에 취약 했다 손목의 움직임을 사용 하 여 방법 음식;를 소모 하지 때 다른 신체 활동에서 구별 하기 어려운 했다 그리고 이미지와 EMG 신호를 사용 하 여 방법 운동과 환경의 경계에 의해 제한 됩니다. 이러한 연구의 센서를 사용 하 여 음식 섭취 량의 자동된 감지 기능을 보여주지만 여전히 실험실 설정 외에 일상 생활에 실용적인 적용의 제한 했다.
본이 연구에서는 우리 음식 섭취 량을 자동 및 객관적인 모니터링으로 temporalis 근육 활동의 패턴을 사용. Temporalis 근육 수축과 음식 섭취 량16,17; 하는 동안 masticatory 근육의 일환으로 이완을 반복 하는 일반적으로 따라서, 음식 섭취 활동 temporalis 근육 활동의 주기적 패턴을 감지 하 여 모니터링할 수 있습니다. 최근, 여러 연구는 temporalis를 이용 하 여 근육 활동18,19,20,21, EMG 또는 압 전 긴장 사용 되었습니다 센서 및 인간에 직접 연결 피부입니다. 그러나 이러한 접근, EMG 전극 또는 스트레인 센서의 피부 위치에 민감한 되었고 실제 운동 또는 땀이 피부에서 쉽게 분리 했다. 따라서, 우리 안경의 쌍을 사용 하 여 새롭고 효과적인 방법 그런 의미는 temporalis 근육 활동 우리의 이전 연구22에서 두 관절에 삽입 하는 두 개의 로드 셀을 통해 제안 했다. 이 방법은 피부를 건드리지 않고 높은 정확도로 음식 섭취 활동을 감지의 위대한 잠재력을 보여주었다. 그것은 또한 취소 돌출 및 비-간섭, 이후 일반적인 안경 형 장치를 사용 하는 우리.
이 연구에서는 선물이 안경 형 장치를 구현 하는 방법 및 음식 섭취 량과 신체 활동 모니터링을 위한 temporalis 근육 활동의 패턴을 사용 하는 방법의 상세한 프로토콜의 시리즈. 프로토콜의 하드웨어 설계 및 3D 인쇄 프레임 안경, 회로 모듈 및 데이터 수집 모듈의 구성 된 제조 과정을 포함 하 고 데이터 처리 및 분석을 위한 소프트웨어 알고리즘을 포함. 우리는 또한 여러 추천된 활동 (예를 들어, 씹는, 산책, 그리고 윙크) 중 분류 검사 음식 섭취 량 그리고 다른 신체 활동 분 차이 말할 수 있는 실용적인 시스템으로 가능성을 입증 하 패턴입니다.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
참고: 인간을 대상의 사용을 포함 한 모든 절차는 단순히 착용 하는 안경의 한 쌍의 비-침략 적 방법에 의해 달성 되었다. 모든 데이터는 로드 셀 피부와 직접 접촉에서 되지 않은 안경에 삽입에서 힘 신호를 측정 하 여 인수 했다. 데이터, 경우에이 연구에 대 한 지정 된 smartphone 데이터 기록 모듈, 무선 전송 했다. 모든 프로토콜은 관련이 없는 비보에/생체 외에서 인간 연구. 아니 약물과 혈액 샘플 실험에 사용 되었다. 동의 실험의 모든 과목에서 얻은 했다.
1. 센서 통합 회로 모듈의 제조
-
전자 부품 회로 모듈 제조 구매.
- 구입 두 공 형 로드 셀, 각각 0 N과 N, 15 사이의 범위에서 동작 하며 3.3 V 여기에서 최대 120 mV 범위와 낮은 차동 전압의 출력을 생성 합니다.
참고:이 로드 셀을 측정 하 되 왼쪽 안경의 오른쪽 측면에 신호를 강제로. - 2 계측 증폭기와 2 개의 15 k ω 이득 설정 저항 구입.
참고: 계측 증폭기 및 이득 설정 저항 960까지 8 회, 로드 셀의 힘 신호를 증폭 하는 데 사용 됩니다 mV. - (예를 들어, Wi-Fi를 연결), 무선 기능 및 10 비트 아날로그-디지털 컨버터 (ADC)와 마이크로 컨트롤러 유닛 (MCU)를 구입.
참고: MCU는 힘 신호를 읽고 무선 데이터 수집 모듈을 그들을 전송 하는 데 사용 됩니다. 2 개의 아날로그 힘 입력 한 아날로그 입력된 핀 사용 됩니다, 때문에 멀티플렉서의 사용 다음 단계 1.1.4에서에서 소개 된다. - MCU에 대 한 ADC 핀 2 개의 입력된 신호를 처리 하는 2 채널 아날로그 멀티플렉서를 구입.
- 3.7 V 공칭 전압, 300 mAh 공칭 용량, 그리고 1 C 방전 율 리튬 이온 중합체 (LiPo) 배터리를 구입.
참고: 배터리 용량 200 mAh 시간당 충분 한 전류를 공급 하 고 실험의 약 1.5 h에 대 한 안정적으로 시스템을 작동 하도록 선택 되었다. - 3.7 V 배터리 전압 3.3 V의 선형 다운 규제에 대 한 3.3 V 전압 조정기를 구입 운영 시스템의 전압.
- MCU의 풀업 저항으로 구매 5 12 k ω 표면 실장 소자 (SMD) 타입 저항 저항기의 발자국은 2.0 m m x 1.2 m m (크기 2012).
- 구입 두 공 형 로드 셀, 각각 0 N과 N, 15 사이의 범위에서 동작 하며 3.3 V 여기에서 최대 120 mV 범위와 낮은 차동 전압의 출력을 생성 합니다.
-
인쇄 회로 기판 (Pcb) 조작. 이 단계는 회로 기판, 그리고 PCB 제조에 대 한 (즉, 보드 레이아웃,.brd 파일) 삽화와 회로도 (즉,.sch 파일)를 만드는 대 한 것 이다. 회로도 아트 워크 파일을 만드는 과정에 대 한 기본적인 이해는 개발에 대 한 필요 합니다.
- 그림 1A와 같이 전자 디자인 응용 프로그램을 사용 하 여 배터리를 포함 하는 왼쪽된 회로의 설계도 그리기. 두 작품 (.brd) 및 회로도 (.sch) 파일 결과 저장 합니다.
- 그림 1B와 같이 전자 디자인 응용 프로그램을 사용 하 여 MCU를 포함 하는 바로 회로의 설계도 그리기. 두 작품 (.brd) 및 회로도 (.sch) 파일 결과 저장 합니다.
- 회로 기판 PCB 제조 회사와 순서를 배치 하 여 조작.
- 그림 2 및 그림 3에서 같이 Pcb 1.1 단계에서 준비 하는 모든 전자 부품을 땜 납.
주의: 계측 증폭기는 납땜 온도에 매우 민감합니다. 리드 온도 10 300 ° C를 초과 하지 않습니다 납땜 하는 동안 s, 그렇지 않으면 발생할 수 있습니다 구성 요소에 영구적인 손상을.
2. 3D 안경의 프레임 인쇄
- 그림 4A와 같이 3D 모델링 도구를 사용 하는 안경의 머리 조각의 3D 모델을 그립니다. .Stl 파일 형식으로 결과 내보냅니다.
- 3D 그림 4B 에 그림 4C와 같이 모델링 도구를 사용 하 여 안경의 왼쪽과 오른쪽 사원의 3D 모델을 그립니다. .Stl 파일 형식으로 결과 내보냅니다.
- 머리 조각 및 사원 부품 노즐 온도 침대 온도 80 ° C 240 ° C에서 3 차원 프린터와 탄소 섬유 필 라 멘 트를 사용 하 여 인쇄 합니다.
참고: 어떤 상업적인 3 차원 프린터와 아크릴로 니트 릴 부 타 디 엔 스 티 렌 (ABS) 등 polylactide (PLA) 필 라 멘 트의 어떤 종류를 사용 하 여 허용 될 수 있습니다. 노즐 및 침대 온도 필 라 멘 트 및 인쇄 조건에 따라 조정할 수 있다. - 180 ° C의 뜨거운 공기 송풍기를 사용 하 여 사원의 팁이 열 하 고 그들에 벤드 안쪽으로 약 15도 기존의 안경 같은 temporalis 근육의 표 피에 연결할.
참고: 안경 템플의 굴곡의 정도 곡률의 목적 때 피사체의 머리에 안경 여 형태 요소를 증가 하는 엄격한 될 필요가 없습니다. 그러나 조심,, 중요 한 패턴을 수집 하는 게 불가능 한 시키는 temporalis 근육을 만지기에서 사원 방지 것입니다 과도 한 굽 힘. - 두 가지 다른 크기의 그림 4와 같이 여러 머리 크기에 맞게 안경 프레임을 인쇄 하려면 2.1-2.4 단계에서 단계를 반복 합니다.
3. 안경의 모든 부품의 조립
- M2 볼트를 사용 하 여 그림 5와 같이 안경의 양쪽에 Pcb를 삽입 합니다.
- 머리 조각과 사원 경첩 관절에 M2 볼트를 삽입 하 여 조립.
- 그림 5와 같이 3 핀 연결 와이어를 사용 하 여 왼쪽 및 오른쪽 PCBs를 연결 합니다.
- 왼쪽된 회로에 배터리를 연결 하 고 접착 테이프로 왼쪽된 관자놀이 연결할. PCB 설계에 따라 다를 수 있습니다 그것은 배터리의 장착 면 중요 하지 않습니다.
- 커버 고무 테이프 끝에 그림 5와 같이 인간의 피부와 함께 더 많은 마찰을 추가 하려면 코 패드와 안경.
4입니다. 데이터 수집 시스템의 개발
참고: 데이터 수집 시스템 데이터 전송 모듈 및 데이터 수신 모듈 구성 됩니다. 데이터 전송 모듈에 읽어들이고 힘 양측의 신호 수신된 데이터를 수집 하 고.tsv 파일에 기록 하는 데이터 수신 모듈에 보냅니다.
-
절차 단계 4.1.1–4.1.3에 따라 PCB 모듈의 MCU 응용 프로그램을 전송 하는 데이터를 업로드.
- 컴퓨터를 사용 하 여 보조 파일에 연결 된 "GlasSense_Server" 프로젝트를 실행 합니다.
참고:이 프로젝트는 Arduino 통합된 개발 환경 (IDE)으로 건축 되었다. 그것은 시간 200 샘플/s, 신호를 강제로 고 데이터 수신 모듈에 전송 하는 기능을 제공 합니다. - 범용 직렬 버스 (USB) 커넥터를 통해 컴퓨터에 PCB 모듈을 연결 합니다.
- Arduino IDE 플래시 MCU에 4.1.1 단계에서 프로그래밍 코드를에 "업로드" 버튼을 누릅니다.
- 컴퓨터를 사용 하 여 보조 파일에 연결 된 "GlasSense_Server" 프로젝트를 실행 합니다.
-
절차 단계 4.2.1–4.2.3에 따라 데이터를 무선으로 수신 하는 데 사용 되는 스마트폰 데이터 수신 응용 프로그램에 업로드.
- 컴퓨터를 사용 하 여 보조 파일에 연결 된 "GlasSense_Client" 프로젝트를 실행 합니다.
참고:이 프로젝트와 함께 만들어진 C# 프로그래밍 언어. 데이터 수신.tsv 파일을 이름, 성별, 나이, 몸 대량 색인 (BMI) 등 피사체의 정보를 포함 하는 저장 하는 기능을 제공 합니다. - 스마트폰 데이터 수신 응용 프로그램을 구축 하는 USB 커넥터를 통해 컴퓨터에 연결 합니다.
- C# 프로젝트는 스마트폰 데이터 수신 응용 프로그램에 "파일 > 빌드 및 실행" 버튼을 누릅니다.
- 컴퓨터를 사용 하 여 보조 파일에 연결 된 "GlasSense_Client" 프로젝트를 실행 합니다.
5. 데이터 수집 사용자 연구에서
참고:이 연구 수집 6 추천된 활동 세트: 앉아있는 (SR), 앉아 있는 씹는 (SC), 걷기 (W), (CW)를 걷는 동안 씹는, 앉아 이야기 (ST), 휴식과 앉아있는 윙크 (남서).
- 테스트할 사용자에 게 적절 한 크기는 안경의 한 쌍을 선택 합니다. 경첩 (그림 5)에서 지원 볼트로 견고를 미 조정 하십시오.
주의: 힘 값이이 연구에 사용 된 힘 센서 동작 범위를 넘어 좋은 선형 특성을 잃을 수 있습니다 이후 15 N를 초과 해서는 안. 힘 값 느슨하게 하 여 미세 하 게 될 수 있습니다 또는 볼트 지원 강화. -
기록 응용 프로그램에 "기록" 버튼을 누르면 모든 과목의 활동 단계 4.2.3 내장.
- 120-s 블록 중 활동을 기록 하 고 그것의 기록 파일을 생성.
- SR의 경우 주제는의 자에 앉아서 그들이 스마트폰 사용 하거나 책을 읽고. 머리의 움직임을 허용 하지만 전신의 움직임을 피하십시오.
- 사우스 캐롤라이나와 CW의 경우, 과목 (구운된 빵과 씹는 젤리) 다른 음식 속성을 반영 하기 위하여 음식 텍스처의 두 종류를 먹고 있다. 식사에 대 한 좋은 크기 20 m m x 20 m m, 조각에서 구운된 빵을 제공 합니다.
- W의 경우 4.5 km/h의 속도에 디딜 방 아에 걸어 주제 있다.
- ST의 경우 과목 앉아서 그들 책을 읽고는 크게 일반 색조와 속도.
- SW의 경우 0.5의 벨 소리의 타이밍에 윙크 하는 과목을 알려 s 긴 모든 3 s.
- 5.2.1 단계에서 수집 된 데이터에서.tsv 형식으로 녹음 파일을 생성 합니다.
참고:이 파일은 데이터 수신 될 때 시간 순서, 왼쪽된 힘 신호, 바로 힘 신호 및 현재 얼굴 활동을 나타내는 레이블이 포함 되어 있습니다. 시각화의 블록 사용자의 모든 활동의 일시적인 신호는 그림 6에서 묘사 했다. 6 추천된 활동 세트 (SR, 사우스 캐롤라이나, W, CW, 세인트와 소프트웨어)는 각각 1, 2, 3, 4, 5, 및 6으로 분류 했다. 프로토콜의 섹션 8에에서 예측된 클래스를 비교 하는 레이블 사용 되었다. - 녹화 블록 후 60의 휴식을 취하. 휴식 시간 동안, 안경 떨어져가지고 고 다시 그들을 입을 다시 녹화 블록 다시 시작 될 때.
- 각 활동 단계 5.2.1 5.2.2 블록 브레이크 세트 4 번을 반복 합니다.
- SW의 경우 반복적으로 한 블록, 동안 왼쪽된 눈으로 윙크 하 고 다음 다음 블록 중 오른쪽 눈으로 반복적으로 윙크 주제가 있다.
- 120-s 블록 중 활동을 기록 하 고 그것의 기록 파일을 생성.
- 5.1-5.2 단계를 반복 하 고 10 과목에서 데이터를 수집 합니다. 이 연구에서 우리는 5 남성과 여성 5를 사용, 평균 연령은 27.9 ± 4.3 (표준 편차, 사 우 스 다코타) 년,는 19-33 년에, 원거리 및 평균 BMI는 21.6 ± 3.2 (사 우 스 다코타) k g/m2는 17.9-27.4 k g/m2에서 배열 했다.
참고:이 연구에서 누가 어떤 의료 조건, 음식을 씹을 하지 않은 과목 윙크, 산책 했다 모집, 그리고이 조건은 포함 기준에 사용 되었다.
6. 신호 전처리 및 시장 세분화
참고: 왼쪽 및 오른쪽 신호는 다음 절차에서 별도로 계산 됩니다.
-
2의 시간 프레임을 준비 s 긴.
- 세그먼트는 120의 1-s 간격으로 그림 6과 같이 MATLAB를 사용 하 여 호핑에 의해 2 s 프레임의 집합으로 신호를 기록.
참고: 세그먼트 프레임 2의 s 긴 섹션 7에서에서 특징을 추출 하는 데 사용 했다. 1 s 도약 크기 단계 5.2.1에서에서 이미 언급 한 3 s 윙크 간격으로 신호를 분할 하기로 결정 했습니다. - 각 프레임에 대 한 10 Hz의 컷오프 주파수 5번째 차 버터워스 필터를 사용 하 여 저역 통과 필터 (LPF)를 적용 합니다.
- 7.1 단계에서 다음 단계에 대 한 시간 프레임으로 단계 6.1.2의 결과 저장 합니다.
- 세그먼트는 120의 1-s 간격으로 그림 6과 같이 MATLAB를 사용 하 여 호핑에 의해 2 s 프레임의 집합으로 신호를 기록.
-
일련의 스펙트럼 프레임을 준비.
- 안경을 착용 했을 때 미리 로드를 제거 하는 각 프레임의 원래 신호에서 평균을 뺍니다.
그러나 참고: 미리 값 다음 주파수 분석에 대 한 필요 하지 않습니다, 그리고 때문에 그것은 수 있었다, 씹는, 산책, 윙크, 등 에 대 한 정보를 포함 하지 않습니다에서 주제, 주제에서 다를 수 있습니다 중요 한 정보를 포함 모든 설정의 안경, 그리고 순간에서 주제는 안경 착용. - 해 창 주파수 분석, 스펙트럼 누설을 줄이기 위해 각 프레임에 적용 됩니다.
- 생성 하 고 각 프레임에는 고속 푸리에 변환 (FFT)을 적용 하 여 단면 스펙트럼을 저장 합니다.
- 안경을 착용 했을 때 미리 로드를 제거 하는 각 프레임의 원래 신호에서 평균을 뺍니다.
- 시간적 및 프레임 블록으로 동시의 스펙트럼 프레임 (또는 단순히 프레임)의 조합을 정의 합니다.
7입니다. 특징 벡터의 생성
참고: 기능 벡터 프로토콜의 섹션 6에서에서 생산 하는 프레임 마다 생성 됩니다. 왼쪽 및 오른쪽 프레임은 별도로 계산 하 고 다음 절차에서 기능 벡터에 결합. 모든 절차는 MATLAB에 구현 했다.
- 프로토콜의 단계 6.1에서에서 시간 프레임에서 통계 기능을 추출 합니다. 54 특징의 총 수의 목록 표 1에 주어진 다.
- 6.2 프로토콜의 단계에서 스펙트럼 프레임에서 통계 기능을 추출 합니다. 표 2에 30 특징의 총 수의 목록이 제공 됩니다.
- 위의 일시 및 스펙트럼 기능을 결합 하 여 84 차원 특징 벡터를 생성 합니다.
- 5.2 프로토콜의 단계에서 녹음에서 생성 된 특징 벡터를 레이블을 지정 합니다.
- 모든 프레임 블록 단계 7.1-7.4에서에서 단계를 반복 하 고 기능 벡터의 일련을 생성.
8입니다. 클래스에 활동의 분류
참고:이 단계는 주어진된 문제 (즉, 기능 벡터)에서 최고의 정확도 표시 하는 매개 변수를 확인 하 여 지원 벡터 기계 (SVM)23 의 분류자 모델을 선택 하는. SVM은 잘 알려진 감독된 기계 학습 기법을 일반화 및 견고성 클래스와 커널 함수 사이의 최대 여백을 사용 하 여 우수한 성능을 보여줍니다. 우리 페널티 매개 변수 C와 커널 정의를 그리드 검색 및 교차 유효성 검사 메서드를 사용의 방사형으로 함수 (RBF) 커널 매개 변수 γ. 컴퓨터 기술과 SVM 학습의 최소 이해는 다음 절차를 수행 해야 합니다. 일부 참조 자료23,,2425 는 기계 학습 기술 및 SVM 알고리즘의 더 나은 이해 하는 것이 좋습니다. 이 섹션의 모든 절차는 LibSVM25 소프트웨어 패키지를 사용 하 여 구현 되었습니다.
- 그리드 검색에 대 한 쌍 (C, γ)의 표를 정의 합니다. 사용 기 하 급수적으로 성장 하는 C의 시퀀스 (2-10, 2-5,..., 230)와 γ (2-25,..., 2, 2-30,10).
참고: 이러한 시퀀스는 스스로 결정 했다. - 한 쌍 (C, γ)의 정의 (예를 들어, (2-10, 2-30)).
-
8.2 단계에서 정의 된 격자 10 교차 유효성 검사 체계를 수행 합니다.
참고:이 전체 기능 벡터 10 일부 하위 집합으로, 다음 다른 하위에 의해 훈련 분류자 모델에서 하나의 하위 집합을 테스트 나누고 모든 하위 집합을 통해 반복 하나. 따라서, 모든 기능은 벡터는 순차적으로 테스트할 수 있습니다.- 전체 기능 벡터 10 일부 하위 집합으로 나눕니다.
- 하위 집합, 그리고 나머지 9 하위 집합에서 설정 하는 훈련에서 테스트 집합을 정의 합니다.
- 배율 벡터의 범위에 기능 벡터의 모든 요소를 확장 하는 정의 [0, 1] 학습 집합에 대 한.
참고: 배율 벡터는 특징 벡터와 동일한 차원의. 그것은 이루어져 있다 모든 기능 벡터 같은 행 (또는 열)를 확장 하는 멀티 플라이어의 집합의 범위를 [0, 1]. 예를 들어 기능 벡터의 첫 번째 기능은 선형 조정 됩니다의 범위 [0, 1] 훈련 특징 벡터의 모든 첫 번째 기능에 대 한. Note 테스트 세트를 알 수 없는으로 간주 한다 때문에 배율 벡터 학습 집합에서 정의 됩니다. 이 단계 기능 동일 범위 및 계산 하는 동안 숫자 오류를 방지 함으로써 분류의 정확도 증가 한다. - 범위를 설정 하는 훈련의 각 기능을 확장 [0, 1] 단계 8.2.3에서에서 얻은 배율 벡터를 사용 하 여.
- 범위를 설정 하는 테스트의 각 기능을 확장 [0, 1] 단계 8.2.3에서에서 얻은 배율 벡터를 사용 하 여.
- 훈련 단계 8.2, (γ, C)의 정의 된 쌍으로 SVM 통해 학습 집합 빌드하고 분류자 모델.
- (Γ, C)의 정의 된 쌍으로 SVM 통해 테스트 집합을 테스트 하는 단계 8.2에서 그리고 분류자 모델 훈련 절차에서.
- 테스트 집합에 분류 정확도 계산 합니다. 정확도 올바르게 분류 기능 벡터의 비율에서 산출 되었다.
- 모든 하위 집합에 대 한 단계 8.2.2–8.2.8를 반복 하 고 모든 하위 집합의 평균 정확도 계산 합니다.
- (C, γ)의 한 쌍의 모든 격자 포인트 8.2-8.3.9 단계를 반복 합니다.
- 격자의 가장 높은 정확도의 현지 최대를 찾아. 섹션 8의 모든 절차는 그림 7에 설명 됩니다.
- (선택 사항) 그리드의 단계 거친 간주 됩니다, 지역 최대 근처 미세한 격자 단계 8.1-8.5 8.5, 단계에서 발견 하 고 정밀한 격자의 새로운 현지 최대를 찾을 반복 합니다.
- 정밀, 리콜, 그리고 다음 방정식에서 활동의 각 클래스의 F1 점수 계산:
공식 1
공식 2
식 3
어디 TP, FP, 그리고 FN 참 긍정, 거짓 긍정, 그리고 각 활동에 대 한 false 네거티브 각각 나타냅니다. 모든 활동의 혼란 매트릭스 표 3에서 제공 됩니다.
공식 1
공식 2
식 3Subscription Required. Please recommend JoVE to your librarian.
Representative Results
프로토콜에서 설명 하는 절차를 통해 우리 준비 3D 인쇄 프레임의 두 가지 버전의 머리 조각, LH (133 및 138 m m), 그리고 사원, LT (110 및 125 m m), 길이 차별화 하 여 그림 4에서처럼. 따라서, 우리는 과목 머리 크기, 모양, 등 과목 선택 사용자 연구에 대 한 그들의 머리에 맞게 프레임 중 하나에서 변화 될 수 있는 여러 가지 착용 조건 포함할 수 있다. 수직 거리, Lh, 힌지 조인트와 지원 볼트 구멍 사이의 증폭 된 힘 15 N으로, 로드 셀의 선형 동작 범위는 초과 하지 있도록 7.5 m m로 설정 했다. 마지막으로, 머리 조각 두께, tH, 장비 될 때 두 지원 볼트에서 전송 벤딩 순간을 견딜 수 있는 있어야 합니다. TH 추론 접근에서 탄소 섬유 재질의 사용으로 6 m m를 선택 했습니다. 접점은 그림 5와 같이 안경의 압박감을 세밀 하 게 조정 지원 볼트를 통해 조정할 수 있습니다.
표 3 모든 활동 집합에 대 한 분류의 대표적인 결과 보여 줍니다. 평균 F1 점수 결과 80.5%. 하나의 점수를 간주 하는 경우 성능이 상대적으로 저하 될 우리의 이전 연구22의 결과에 비해 보일 수 있습니다. 그러나 우리는,, 각 활동 간의 결과 비교 하 여 중요 한 정보를 추출할 수 있습니다. SC, CW, 및 남서, 하지만 안 W ST에서 SR 구별 비교적 잘 했다. 두 씹는 활동, 사우스 캐롤라이나 및 CW, 서로 구별 하기 어려웠습니다. 다른 한편으로, 그것 두 씹는 활동에서 SR, W, 세인트, SW, 다른 신체적 활동을 대표 하는 쉽게 구별 될 수 있다을 볼 수 있습니다. SW, 경우 윙크 활동은 다른 활동을 통해 약간 misclassified 것으로 밝혀졌다.
표 3의 결과에서 우리는 분류의 보다 자세한 정보를 확인할 수 있습니다. 먼저, 두 개의 씹는 활동, 사우스 캐롤라이나 및 CW, 다른 활동에 명확 하 게 구별 했다. 그 중 걷는 활동에서 구별 가능성은이 연구의 주요 목적은, 음식 섭취 활동 될 수 있는, 같은 적극적인 신체 활동에서 쉽게 분리할 수 우리의 시스템을 사용 하 여 제안 합니다. 그림 6에서 같이, 그것은 씹는 및 윙크 신호, temporalis 근육 활동에서 활성화 했다 크게 다르다 temporalis 근육의 활동에 의해 활성화 되지 확인할 수 있습니다. 다른 한편으로, 두 씹는 활동 사이 구별은 상대적으로 높은 misclassifications를 보여주었다. 그들은 모두는 정밀 인하에 지배적인 역할 및 씹는 활동의 회.
탐지, 씹는 면에서 SR, W, 및 ST 일상 생활에서 의도 하지 않은 잡음으로 간주 될 수 있습니다. 윙크 활동, 다른 한편으로, 여겨질 수 있다 의미 있는 측정으로 temporalis 근육 활동 뿐만에서 활성화 또한 때문에. 상기에 따라, 두 씹는 활동 (채널), 씹는 활동으로 제한 했다 그리고는 윙크를 제외한 다른 활동 신체 활동 (PA)로 분류 되었다. 표 4 는 이러한 활동에 분류 결과 보여줍니다: (채널)를 씹는, 신체 활동 (PA), 및 앉아 있는 윙크 (남서). 우리는 그것에서 더 놀라운 결과 찾을 수 있습니다. 그것은 다른 신체적 활동에 의해 영향을 받지 않고 음식 섭취 량을 탐지 하기 위한 강력한 시스템 인지에 대 한 정보를 예측 합니다. 또한, 그것은 또한 윙크 등 다른 얼굴 활동에서 음식 섭취 량을 구별 수 인지 표시 합니다. 결과 표시 씹는 활동 93.4%의 높은 F1 점수에 의해 다른 활동에 잘 구별 될 수 있다. 윙크, 경우 회 (85.5%) 했다 다른 활동 보다 약간 낮은. 즉, 윙크의 수집 된 데이터의 품질은 가능성이 낮은, 사용자가 3 s 간격에 정확한 시간에 윙크를 했다. 사실, 사용자는 윙크 또는 때때로 사용자 연구 기간 동안 이동 안경 보고 관찰 되었다.
위에서 더 의미 있는 결과 얻으려면, 우리는 그룹화 하 고 다시 새 것으로 활동을 정의. 두 씹는 활동, 사우스 캐롤라이나 및 CW, 하나의 활동으로 그룹화 하 고 씹는로 정의 했다. SR, W, 및 ST, misclassification 자신 들의 큰 학위를 했다, 또한 신체 활동으로 정의 하는 하나의 활동으로 분류 되었다. 결과적으로, 우리는 다시 표 4와 같이 씹는 (CH), 신체 활동 (PA), 및 앉아 있는 윙크 (SW), 기능 활동을 통해 수행 하는 분류의 새로운 대표 결과를 얻었다. 결과의 91.4%의 평균 F1 점수로 높은 예측 점수를 보여주었다.
그림 1: 왼쪽 및 오른쪽 회로의 도식 다이어그램. (A) 왼쪽된 회로의 도식 다이어그램. 왼쪽 및 오른쪽 회로에 전원을 공급 하는 배터리를 포함 합니다. 3.3 V 전압 레 귤 레이 터 바이패스 커패시터와 동작 전압 시스템에 안정적인 공급을 제공 했다. 여기에 제시 된 부하 셀 오른쪽 회로의 회로 (B) 도식 다이어그램의 양쪽 모두에 삽입 되었다. 그것은 Wi-Fi 기능을 마이크로 컨트롤러 (MCU) 화합을 포함 되어 있습니다. 2 채널 멀티플렉서는 MCU의 한 아날로그-디지털 컨버터 (ADC)와 양쪽에서 두 개의 힘 신호 처리를 제공 했다. 플래시 MCU는 범용 비동기 수신기/송신기 (UART) 커넥터 사용 되었다. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
그림 2: 왼쪽 및 오른쪽 회로의 PCB 삽화. (A) 왼쪽의 작품의 PCB 모든 전자 부품. (B) 오른쪽 PCB의 작품에 실제 측정으로 표시 됩니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
그림 3: 모든 구성 요소와 납땜 PCBs의 대표적인 결과. (A) 왼쪽된 회로 모듈. 로드 셀 보드에 통합 되었다. 배터리에 대 한 2-핀 커넥터와 3 핀 커넥터 오른쪽 보드에 연결을 포함 합니다. (B) 오른쪽 회로 모듈. 로드 셀은 또한 보드에 통합 됩니다. 그것은 깜박이 MCU, 그리고 왼쪽된 회로에 연결 하는 3-핀 커넥터의 모드에 대 한 4-핀 커넥터를 포함 합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
그림 4: 안경의 프레임의 3D 모델 디자인. (A) 머리의 디자인 조각. 위 그림 전면 보기, 그리고 더 낮은 그림 머리 조각의 상단 보기. 머리 조각, LH, 길이 과목의 다양 한 머리 크기를 커버 하는 디자인 매개 변수입니다. 우리가 3D 그것을 차별화 하 여 머리의 두 가지 버전을 인쇄. 머리 조각, tH, 두께 추론에 의해 정의 되었다. 힌지 조인트와 지원 볼트, Lh, 구멍 사이의 거리는 기계 증폭 요인은에서 설정 했다. (B)는 사찰의 디자인. 위 그림 왼쪽된 사원, 그리고 낮은 그림 오른쪽 사원. 그림 3 에서 PCBs 슬롯에 삽입 된 고 배터리 홀더를 배터리를 탑재 했다. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
그림 5: thePCB 통합 안경의 대표적인 결과. PCBs는 볼트와 슬롯에 삽입 되었다. 코 패드와 사원의 팁 추가 피부와의 마찰을 고무 테이프에 의해 덮여 있었다. 안경 장착은 로드 셀 양쪽 모두 지원 볼트에 의해 눌러 진다. 안경의 압박감을 끈 하 여 완화 하 여 수 또는 볼트 지원 강화. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
그림 6: 녹화 블록 사용자의 모든 활동에 대 한 일시적인 신호. Y 녹화 블록의 그것의 중앙값에 의해 시각화 목적에 대 한 공제 했다 측정된 힘을 나타냅니다. 씹는 활동의 최대 진폭은 다른 활동 보다 큽니다. 윙크 활동의 왼쪽 및 오른쪽 신호 반전 됩니다. 그림 왼쪽된 윙크의 예를 보여 줍니다. 2 s 프레임 1 s 간격에서 신호를 호핑 하 여 특징 벡터를 정의 하는 데 사용 되었습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
그림 7: 다양 한 쌍 (C, γ) 통해 로컬 최대 정확도 찾는 대표적인 결과. 표 3에 정의 된 모든 활동의 교차 유효성 검사 정확도의 (A) A 등고선 플롯. 각 축 기 하 급수적으로 증가 하 고는 범위를 스스로 선택 했다. (C, γ)에서 발생 한 80.4%의 현지 최대 정확도 = (2520). 표 4에서 다시 정의 된 동작의 교차 유효성 검사 정확도의 (B) A 등고선 플롯. 92.3%의 최대 정확도 (C, γ)에서 발생 = (2520), 그리고 (A)의 결과 보다 훨씬 정확 했다. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
| 롤 | 기능 설명 | 롤 | 기능 설명 | ||
| 1 | 표준 편차 L | 28 | Skenwness R | ||
| 2 | 표준 편차 R | 29 | 첨도 L | ||
| 3 | 변이 L의 계수 | 30 | 첨도 R | ||
| 4 | 변이 R의 계수 | 31 | 자기 상관 함수 계수 L | ||
| 5 | 제로 크로 싱 속도 L | 32 | 자기 상관 함수 계수 R | ||
| 6 | 제로 크로 싱 속도 R | 33 | 신호 에너지 L | ||
| 7 | 20 번째 백분위 수 L | 34 | 신호 에너지 연구 | ||
| 8 | 20 백분위 R | 35 | 로그 신호 에너지 L | ||
| 9 | 50 번째 백분위 수 L | 36 | 로그 신호 에너지 연구 | ||
| 10 | 50 번째 백분위 수 R | 37 | 에너지 L의 엔트로피 | ||
| 11 | 80 백분위 L | 38 | 에너지 연구의 엔트로피 | ||
| 12 | 80 백분위 R | 39 | 피크 대 피크 진폭 L | ||
| 13 | Interquartile 범위 L | 40 | 피크 대 피크 진폭 R | ||
| 14 | Interquartile 범위 R | 41 | 봉우리 L의 수 | ||
| 15 | 20 백분위 L의 제곱 합 | 42 | 봉우리 R의 수 | ||
| 16 | 20 백분위 R의 제곱 합 | 43 | 봉우리 L 사이의 시간의 의미 | ||
| 17 | 50 번째 백분위 수 L의 제곱 합 | 44 | 봉우리 R 사이의 시간의 의미 | ||
| 18 | 50 번째 백분위 수 R의 제곱 합 | 45 | 봉우리 L 사이의 시간의 경우 | ||
| 19 | 80 백분위 L의 제곱 합 | 46 | 봉우리 R 사이의 시간의 경우 | ||
| 20 | 80 백분위 R의 제곱 합 | 47 | 예측 비율 L | ||
| 21 | 1 빈 범주화 된 배포 L의 | 48 | 예측 비율 R | ||
| 22 | 범주화 된 유통 연구의 제 1 회 빈 | 49 | 고조파 비율 L | ||
| 23 | 범주화 된 배포 L의 2 빈 | 50 | 고조파 비율 R | ||
| 24 | 범주화 된 배포 R의 2 빈 | 51 | 기본 주파수 L | ||
| 25 | 범주화 된 배포 L의 3 빈 | 52 | 기본 주파수 연구 | ||
| 26 | 3 빈 범주화 된 분포 연구 | 53 | L과 R의 상관 계수 | ||
| 27 | Skenwness L | 54 | L과 R의 sigmal 크기 영역 | ||
표 1: 시간 프레임의 통계적 특징 추출. 총 54 기능 추출 되었다. 왼쪽 및 오른쪽 신호 상관 관계 기능을 제외 하 고 별도로 계산 된 53 및 54.
| 아니요. | 기능 설명 | 아니요. | 기능 설명 | ||
| 1 | 스펙트럼 에너지 L | 16 | 스펙트럼 확산 연구 | ||
| 2 | 스펙트럼 에너지 연구 | 17 | 스펙트럼 엔트로피 L | ||
| 3 | 에너지 L의 스펙트럼 영역 1 | 18 | 스펙트럼 엔트로피 R | ||
| 4 | 에너지 연구의 스펙트럼 영역 1 | 19 | 에너지 L의 스펙트럼 엔트로피 | ||
| 5 | 에너지 L의 스펙트럼 영역 2 | 20 | 에너지 연구의 스펙트럼 엔트로피 | ||
| 6 | 에너지 연구의 스펙트럼 영역 2 | 21 | 스펙트럼 플럭스 L | ||
| 7 | 에너지 L의 스펙트럼 영역 3 | 22 | 스펙트럼 플럭스 연구 | ||
| 8 | 에너지 연구의 스펙트럼 영역 3 | 23 | 스펙트럼 롤오프 L | ||
| 9 | 에너지 L의 스펙트럼 영역 4 | 24 | 스펙트럼 롤오프 R | ||
| 10 | 에너지 연구의 스펙트럼 영역 4 | 25 | 최대 스펙트럼 크레스트 L | ||
| 11 | 에너지 L의 스펙트럼 영역 5 | 26 | 최대 스펙트럼 크레스트 R | ||
| 12 | 에너지 연구의 스펙트럼 영역 5 | 27 | 스펙트럼 왜곡도 L | ||
| 13 | 스펙트럼 중심 L | 28 | 스펙트럼 왜곡도 R | ||
| 14 | 스펙트럼 중심 연구 | 29 | 스펙트럼 첨도 L | ||
| 15 | 스펙트럼 확산 L | 30 | 스펙트럼 첨도 R | ||
표 2: 스펙트럼 프레임의 통계적 특징 추출. 총 30 특징 추출 되었다. 왼쪽 및 오른쪽 신호 별도로 계산 했다. 표 1 과 표 2에 기능에서 총 84 기능 기능 벡터에 의하여 이루어져 있다.
| 예측 활동 |
실제 활동 | 총 | 정밀 | |||||
| 는 SR | b 사우스 캐롤라이나 | c W | d CW | e ST | f 소프트웨어 | |||
| SR | 1222 | 18 | 79 | 6 | 168 | 75 | 1568 | 77.9% |
| 사우스 캐롤라이나 | 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% |
| 소프트웨어 | 78 | 22 | 33 | 17 | 57 | 1383 | 1590 | 87.0% |
| 총 | 1560 | 1560 | 1560 | 1560 | 1560 | 1560 | 9360 | |
| 리콜 | 78.3% | 81.3% | 77.7% | 85.1% | 71.6% | 88.7% | 80.4% | |
| F1 점수 | 78.1% | 82.5% | 79.7% | 85.0% | 69.7% | 87.8% | ||
| 평균 F1 점수 | 80.5% | |||||||
표 3: 혼동 행렬이 모든 활동의 때 (C, γ) = (2520)에서 그림 7A. 이 매트릭스는 모든 활동에 대 한 모든 예측 결과 보여줍니다: 는SR: 앉아 있는 나머지, bSC: 앉아있는 씹는, cw: 산책, dCW: 산책, 전자세인트 씹는: 앉아 얘기, f소프트웨어: 앉아있는 윙크.
| 예측 활동 |
실제 활동 | 총 | 정밀 | ||
| 는 C | b PA | c 소프트웨어 | |||
| C | 2898 | 162 | 26 | 3086 | 93.9% |
| PA | 201 | 4404 | 200 | 4805 | 91.7% |
| 소프트웨어 | 21 | 114 | 1334 | 1469 | 90.8% |
| 총 | 3120 | 4680 | 1560 | 9360 | |
| 리콜 | 92.9% | 94.1% | 85.5% | 92.3% | |
| F1 점수 | 93.4% | 92.9% | 88.1% | ||
| 평균 F1 점수 | 91.4% | ||||
표 4: 혼동 행렬이 모든 다시 정의 된 동작의 경우 (C, γ) = (25, 20)에서 그림 7B. 이 매트릭스 표시 모든 다시 정의 된 동작에 대 한 모든 예측 결과: 한채널: 씹는, bPA: 신체 활동, c소프트웨어: 앉아 있는 윙크.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
이 연구에서 우리는 먼저 설계 및 음식 섭취 량과 신체 활동의 패턴을 감지 하는 안경의 제조 과정을 제안 했다. 이 연구는 다른 신체 활동 (산책과 윙크)에서 음식 섭취 량을 구분 하는 데이터 분석에 주로 집중, 센서 및 데이터 수집 시스템 필요한 이동성 녹음의 구현. 따라서, 시스템 센서, 무선 통신 기능, MCU와 배터리 포함 되어있습니다. 소설과 비 접촉 방식으로 음식 섭취 량과 윙크 temporalis 근육 활동의 패턴을 측정 하는 실용적인 방법으로 제공 하는 제안 된 프로토콜: 도구와 방법론 없이 일상 생활에서 음식 섭취 량을 쉽게 감지를 복잡 장비 설명 했다.
안경 제조 절차에 대 한 중요 한 고려 사항이 있다. 사원 부품 단계 1.2 그림 4B 에 그림 4C와 같이 조작 하는 PCB 모듈을 통합 하기 위해 설계 되어야 한다. 로드 셀 때 그림 5에 힌지 (hinge) 부품의 평면도에서 볼 수 있듯이 머리 조각의 지원 플레이트에서 지원 볼트에 의해 눌러질 수 있도록 배치 되어야 합니다. 2.4 단계에서 안경 템플의 굴곡의 정도 해야 엄격한, 곡률의 목적은 더 나은 피사체의 머리에 안경에 맞게 형태 요소를 증가 필요 하지 않습니다. 그러나 조심,, 과도 한 절곡 됩니다 하지 사원 감동 temporalis 근육, 중요 한 패턴을 수집 하는 것이 불가능 합니다.
다양 한 머리 크기와 과목의 반영 하는 신뢰할 수 있는 데이터를 얻으려면, 안경의 두 가지 버전 머리 조각과 사원의 길이 변화에 의해 제공 되었다. 또한, 마모 능력을 세밀 하 게 조정 지원 볼트를 활용 하 여, 우리 안경의 압박감을 조정할 수 있습니다. 따라서, 다양 한 안경, 과목를 통해 수집 된 데이터 및 착용 조건 내 고 남북 개인 변화 및 다른 폼 팩터를 반영할 수 있다.
사용자 연구에서 주제는 휴식 시간 동안, 안경 벗 었 고 녹화 블록 다시 시작할 때 다시 그들을 입고. 이 이렇게 주제에서 그것 착용 조건 (예를 들어, 왼쪽 및 오른쪽 균형, 로드 셀, 피부, 등접촉 영역에 미리) 언제나 변화 하기 때문에 특정 착용 조건에 overfitting 데이터 방해 다시 입고 안경.
주파수를 씹는의 이전 연구에의 하면 주로 씹는 활동 0.94 Hz에서 240 (5번째 백분위 수) 2.17 Hz (95번째 백분위 수)26. 따라서, 우리는 2 프레임 크기 설정 s 프레임 여러 씹는 활동 포함 되도록. 이 프레임 크기는 또한 포함 하는 하나 이상의 워킹 사이클, 일반적으로 2.5 Hz27까지의 1.4 Hz에서 적합 합니다. 일반 워킹 속도 6.5 km/h27,283.3 km/h에서 다르기 때문에 우리는 디딜 방 아에 4.5 km/h의 속도로 걷는 활동 실시. 그림 6에서 홉 크기 과목 3-s 간격 윙크 형성 되지 않은 기록된 윙크 데이터에서 결정 되었다. 우리는 또한 우리가 신호를 10 Hz 이상 했다 중요 한 정보 씹는 탐지22우리의 이전 연구에서 발견 하기 때문에 10 Hz의 차단 주파수를 사용 하 여 데이터 필터링.
시스템은 양쪽에 두 개의 로드 셀, 때문에 그건 씹는과 윙크, 왼쪽 및 오른쪽 이벤트를 구별할 수 우리의 이전 연구22에서 입증. 그러나, 이전 연구와는 달리이 연구의 목표는 시스템 신체 활동에서 음식 섭취 량을 구분 효과적으로 수 입증 했다. 데이터는 충분히 사용자 연구를 통해 축적 된, 다음 왼쪽에 대 한 연구를 추가 하 고 기능 벡터에 포함 된 상관 관계 기능을 활용 하 여 오른쪽 분류 실시 될 수 있습니다. 다른 한편으로, 앉아 있는 활동과 시스템 내에서 산책을 구분 하기가 어렵습니다. 시스템에 추가 수정 처럼 앉아서 높은 정확도로 이동, 먹는 동안 먹는 음식 섭취 량의 세부 분류를 제공할 수 있습니다. 이 센서 융합 기술을 통해 시스템18관성 측정 단위 (IMU)를 추가 하 여 구현할 수 있습니다. 그렇다면, 시스템 추적할 수 있습니다 에너지 섭취와 에너지 지출을 동시에. 우리는 우리의 접근 방법의 음식 섭취 량과 신체 활동에 대 한 실용적이 고 잠재적인 방법을 제공 믿습니다.
에너지 섭취 량의 추정 식이 모니터링에 대 한 연구의 중요 한 목표 이며, 예를 들어, 음식의 종류를 분류 하 고 미리 정의 된 열 량 정보에서 열 량으로 변환 하 여 분석 될 수 있다. 최근 연구는 음식 이미지와 깊은 학습 알고리즘14를 사용 하 여 음식 종류를 분류 하는 방법을 제안 했다. 그러나, 그것은 어려운이 연구;에 사용 된 힘 센서와 음식 종류를 분리 하 장치의 전면에 있는 이미지 센서의 추가 영상 처리 및 기계 학습 기법을 통해 음식 종류를 인식 하 고 따라서 음식 종류를 분류할 수 있습니다. 힘 및 이미지 센서와 함께이 센서 융합 기술을 통해이 연구의 잠재적인 응용 프로그램을 모니터링 하는 일반적인 규정식으로 응용 프로그램입니다.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
저자는 공개 없다.
Acknowledgments
이 작품은 Envisible, i n c.에 의해 지원 되었다 이 연구는 한국 건강 기술 R & D 프로젝트, 보건 복지, 한국 공화국 (HI15C1027)의 교부 금에 의해 또한 지원 되었다. 이 연구는 국립 연구 재단의 한국 (NRF-2016R1A1A1A05005348)에 의해 또한 지원 되었다.
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).
