Summary

Concepção e avaliação de vidros inteligentes para a ingestão de alimentos e a classificação de atividade física

Published: February 14, 2018
doi:

Summary

Este estudo apresenta um protocolo de projetar e fabricar um óculos-tipo dispositivo wearable que detecta os padrões de ingestão de alimentos e outras atividades físicas indicadas usando células de carga inserida em ambas as dobradiças dos óculos.

Abstract

Este estudo apresenta uma série de protocolos de projetar e fabricar um óculos-tipo dispositivo wearable que detecta os padrões de atividades de músculo temporalis durante a ingestão de alimentos e outras atividades físicas. Temos fabricado um quadro 3D-impresso de óculos e um módulo de placa (PCB) de circuito integrado de célula de carga inserido em ambas as dobradiças do quadro. O módulo foi usado para adquirir os sinais de força e transmiti-los sem fio. Esses procedimentos fornecem o sistema com maior mobilidade, que pode ser avaliada em condições usando práticas como caminhadas e abanar. Um desempenho da classificação também é avaliado por distinguem os padrões de ingestão de alimentos aquelas atividades físicas. Uma série de algoritmos foram usados para pré-processar os sinais, gerar vetores de recurso e reconhecer os padrões de vários destaque atividades (mastigação e piscando) e outras atividades físicas (resto sedentário, falando e andando). Os resultados mostraram que o placar de1 média F da classificação entre as atividades de destaque foi 91,4%. Acreditamos que esta abordagem pode ser potencialmente útil para monitoramento automático e objectiva de comportamentos ingestor com maior precisão como meios práticos para tratar problemas de ingestor.

Introduction

Monitoramento contínuo e objectiva de ingestão de alimentos é essencial para manter o equilíbrio de energia no corpo humano, como a acumulação de energia excessiva pode causar obesidade e overweightness1, que poderia resultar em várias complicações médicas2. Os principais fatores do desequilíbrio da energia são conhecidos por serem tanto a ingestão excessiva de alimentos e atividade física insuficiente3. Vários estudos sobre o controlo de gasto de energia diário foram introduzidos com medição automática e objetiva dos padrões de actividade física através de dispositivos wearable4,5,6, mesmo com o consumidor final estágio médico e nível7. Pesquisa sobre o controlo da ingestão de alimentos, no entanto, ainda se encontra a configuração de laboratório, uma vez que é difícil de detectar a atividade de ingestão de alimentos de forma direta e objetiva. Aqui, nosso objetivo é apresentar um projeto de dispositivo e a sua avaliação para monitoramento da ingestão de alimentos e padrões de atividade física em um nível prático na vida diária.

Há diversas abordagens indiretas para monitorar a ingestão de alimentos através da mastigação e deglutição sons8,9,10, movimento do pulso11,12,13, imagem análise de14e eletromiografia (EMG)15. No entanto, essas abordagens foram difíceis de aplicar para aplicações diárias da vida, por causa de suas limitações inerentes: os métodos usando som eram vulneráveis a ser influenciado pelo som ambiental; os métodos usando o movimento do pulso eram difíceis de distinguir de outras atividades físicas, quando não consumir alimentos; e os métodos usando as imagens e sinais de EMG são restritos pelo limite de movimento e ambiente. Estes estudos mostraram a capacidade de detecção automática da ingestão de alimentos, usando sensores, mas ainda tinham uma limitação da aplicabilidade prática à vida cotidiana, além de configurações de laboratório.

Neste estudo, nós usamos os padrões de atividade do músculo temporalis como o monitoramento automático e objetiva da ingestão de alimentos. Em geral, o músculo temporalis repete a contração e relaxamento como uma parte do músculo mastigatório durante a comida ingestão16,17; assim, a atividade de ingestão de alimentos pode ser monitorada, detectando os padrões periódicos de atividade do músculo temporalis. Recentemente, tem havido vários estudos utilizando os temporalis muscular atividade18,19,20,,21, que usou o EMG ou estirpe piezoelétrico sensor e anexá-las diretamente em humanos pele. Essas abordagens, no entanto, foram sensíveis à posição de pele dos eletrodos de EMG ou sensores de tensão e foram facilmente separadas da pele devido a movimentos físicos ou transpiração. Por conseguinte, propusemos um método novo e eficaz, usando um par de óculos nesse sentido os temporalis muscular atividade através de células de carga de dois inserido em ambas as dobradiças no nosso anterior estudo22. Esse método mostrou um grande potencial de detectar a atividade de ingestão de alimentos com uma alta precisão sem tocar a pele. Também foi não-intrusiva e não intrusiva, uma vez que usamos um dispositivo tipo óculos comuns.

Neste estudo, apresentamos uma série de protocolos detalhados de como implementar o óculos-tipo de dispositivo e como usar os padrões de atividade do músculo temporalis para monitoramento da ingestão de alimentos e atividade física. Os protocolos incluem o processo de design de hardware e de fabricação que consiste em um frame 3D-impresso de óculos, um módulo de circuito e um módulo de aquisição de dados e incluem os algoritmos de software para processamento de dados e análise. Examinamos, além disso, a classificação entre várias atividades indicadas (por exemplo, mastigar, caminhando e piscando) para demonstrar o potencial como um sistema prático que pode distinguir um minuto a ingestão de alimentos e outras atividades físicas padrões.

Protocol

Nota: Todos os procedimentos, incluindo o uso de cobaias humanas foram realizados de forma não-invasiva de simplesmente usar um par de óculos. Todos os dados foram adquiridos através da medição dos sinais de força de células de carga, inseridos em copos que não estavam em contato direto com a pele. Os dados foram transmitidos sem fio para o módulo de gravação de dados, que, neste caso, é um smartphone designado para o estudo. Todos os protocolos não foram relacionados na vivo/em vitro estud…

Representative Results

Através dos procedimentos descritos no protocolo, preparamos duas versões do quadro 3D impresso por diferenciar o comprimento da parte da cabeça, LH (133 e 138 mm) e os templos, LT (110 e 125 mm), conforme mostrado na Figura 4. Portanto, podemos cobrir várias condições usando, que podem ser variadas de tamanho da cabeça dos assuntos, forma, etc. , que os sujeitos escolheram um dos quadros para caber sua cabeça para o est…

Discussion

Neste estudo, primeiro, propusemos o projeto e o processo de fabricação de vidros que detetam os padrões de ingestão de alimentos e atividades físicas. Como este estudo principalmente focado na análise dos dados para distinguir a ingestão de alimentos de outras actividades físicas (tais como caminhar e piscando), o sistema de aquisição de dados e sensor necessário a aplicação de gravação de mobilidade. Assim, o sistema inclui os sensores, o MCU com capacidade de comunicação sem fio e a bateria. O protoco…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Este trabalho foi apoiado pela Envisible, Inc. Este estudo foi suportado também por uma concessão do coreano saúde tecnologia R & D projeto, Ministério da saúde & bem-estar, República da Coreia (HI15C1027). Esta pesquisa também foi apoiada pela Fundação de pesquisa nacional da Coreia (NRF-2016R1A1A1A05005348).

Materials

FSS1500NSB Honeywell, USA Load cell
INA125U Texas Instruments, USA Amplifier
ESP-07 Shenzhen Anxinke Technology, China MCU with Wi-Fi module
74LVC1G3157 Nexperia, The Netherlands Multiplexer
MP701435P Maxpower, China LiPo battery
U1V10F3 Pololu, USA Voltage regulator
Ultimaker 2 Ultimaker, The Netherlands 3D printer
ColorFabb XT-CF20 ColorFabb, The Netherlands Carbon fiber filament
iPhone 6s Plus Apple, USA Data acquisition device
Jelly Belly Jelly Belly Candy Company, USA Food texture for user study

References

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

Play Video

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

View Video