Denne studien presenterer en protokoll i produksjon en briller-type bærbar enhet som oppdager mønstrene av matinntaket og og andre utvalgte fysiske aktiviteter bruker veieceller inn i begge hengsler av glass.
Denne studien presenterer en rekke protokoller i produksjon en briller-type bærbar enhet som oppdager de temporalis muskel aktiviteter under matinntaket og andre fysiske aktiviteter og. Vi laget en 3D-trykt rammen av glass og en belastning celle-integrerte kretskort board (PCB) modul i begge hengsler på rammen. Modulen ble brukt til å skaffe kraft signalene, og overføre dem trådløst. Disse fremgangsmåtene gir systemet høyere mobilitet, som kan evalueres i praktisk bruk forhold som gåing og waggling. En forestilling av klassifisering er også evaluert av skille mønstre av matinntaket fra de fysiske aktivitetene. En rekke algoritmer ble brukt til å forhåndsbehandle signalene generere funksjonen vektorer og gjenkjenne mønstre av flere aktiviteter (tygge og blunker) og andre fysiske aktiviteter (stillesittende resten, snakke, og gangavstand). Resultatene viste at gjennomsnittlig F1 poengsummen for klassifisering blant de utvalgte var 91.4%. Vi tror denne tilnærmingen kan være potensielt nyttig for automatisk og objektiv overvåking av ingestive atferd med høyere nøyaktighet som praktisk måte å behandle ingestive problemer.
Kontinuerlig og objektiv overvåking av matinntaket er avgjørende for å opprettholde energibalansen i kroppen, overdreven energi opphopning kan forårsake overweightness og fedme1, som kan føre til ulike medisinske komplikasjoner2. De viktigste faktorene i energi ubalansen er kjent for å være både overdreven matinntaket og ikke nok fysisk aktivitet3. Forskjellige studier på overvåking av daglig energiforbruk har blitt introdusert med automatisk og objektiv måling av fysisk aktivitet mønstre gjennom bærbar enheter4,5,6, selv på den forbruker nivå og medisinsk trinn7. Forskning på overvåking av matinntak, men er fortsatt i laboratoriet innstillingen, siden det er vanskelig å oppdage mat inntak aktiviteten i en direkte og objektiv måte. Her, ønsker vi å presentere en konstruksjon og evalueringen for overvåking matinntaket og fysisk aktivitet mønstre på det praktiske nivået i dagliglivet.
Det har vært ulike indirekte tilnærminger til overvåke matinntaket og chewing og svelge lyder8,9,10, bevegelse av håndleddet11,12,13, bilde analyse14, og eletromyografi (EMG)15. Men disse var vanskelig å bruke på daglig livet programmer, på grunn av sine iboende begrensninger: metodene bruke sound var sårbare for påvirkes av miljømessige lyd; metodene bruker bevegelsen av håndleddet var vanskelig å skille fra andre fysiske aktiviteter når ikke konsumere mat. og metodene ved hjelp av bilder og EMG signaler er begrenset av grensen og miljø. Disse studiene viste evnen til Automatisert påvisning av matinntaket med sensorer, men fortsatt hadde en begrensning av praktisk anvendbarhet til hverdagen utover laboratorium innstillinger.
I denne studien brukte vi mønstre av temporalis muskelaktivitet som automatisk og objektiv overvåking av matinntaket. Generelt gjentar temporalis muskelen Sammentrekningen og avslappingen som en del av masticatory muskel under de mat inntak16,17; Dermed kan mat inntak aktiviteten overvåkes ved å registrere periodiske mønstre av temporalis muskelaktivitet. Nylig har det vært flere studier utnytte temporalis muskel aktivitet18,19,20,21, som brukt EMG eller Piezoelektriske press sensor og feste dem direkte på menneskelige huden. Disse metodene, men var hurtigmenyvalgene avhenger huden EMG elektrodene eller belastning sensorer, og var lett løsrevet fra huden på grunn av fysisk bevegelse eller svette. Derfor foreslått vi en ny og effektiv metode som bruker et par briller følelsen temporalis muskel aktivitet gjennom to load cellene i begge hengslene i våre tidligere studie22. Denne metoden viste stort potensial for å oppdage mat inntak aktiviteten med en høy nøyaktighet uten å berøre huden. Det var også un påtrengende og ikke-påtrengende, siden vi brukte en felles briller-type enhet.
I denne studien presenterer vi en rekke detaljerte protokoller av hvordan implementere briller-type enhet og hvordan du bruker mønstre av temporalis muskelaktivitet for overvåking matinntaket og fysisk aktivitet. Protokollene inkluderer prosessen med hardware design og fabrikasjon som består av en 3D-trykt ramme av glass, en krets modul og en data oppkjøpet modul, og inkluderer programvare algoritmer for databehandling og analyse. Vi videre undersøkt klassifisering blant flere utvalgte aktiviteter (f.eks, tygge, vandre og blunker) å demonstrere potensialet som et praktisk system som kan fortelle en liten forskjell mellom matinntaket og andre fysisk aktivitet mønstre.
I denne studien foreslått vi først design og produksjonsprosessen briller som forstand mønstre av matinntaket og fysiske aktiviteter. Som denne studien hovedsakelig fokusert på dataanalyse å skille matinntaket fra andre fysiske aktiviteter (som turgåing og blunker), sensoren og data oppkjøpet systemet kreves gjennomføringen av mobilitet opptak. Dermed inkludert systemet sensorer, MCU med trådløs kommunikasjon evne og batteriet. Den foreslåtte protokollen gitt en ny og praktisk måte å måle mønstre av tempor…
The authors have nothing to disclose.
Dette arbeidet ble støttet av Envisible, Inc. Denne studien ble også støttet av et tilskudd på koreansk helse teknologi R & D prosjektet, helse og velferd, Sør-Korea (HI15C1027). Denne forskningen ble også støttet av den nasjonale Research Foundation av Korea (NRF-2016R1A1A1A05005348).
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 |