Summary
Este estudio presenta un protocolo de diseño y fabricación de un dispositivo usable de gafas tipo que detecta los patrones de consumo de alimentos y actividad física recomendados mediante células de carga se inserta en ambas bisagras de las gafas.
Abstract
Este estudio presenta una serie de protocolos de diseño y fabricación de un dispositivo usable de gafas tipo que detecta los patrones de las actividades del músculo de los temporalis durante la ingesta de alimentos y otras actividades físicas. Hemos fabricado un marco impreso en 3D de las gafas y un módulo de carga celular integrado de circuitos impresos (PWB) insertada en ambas bisagras del marco de la. El módulo se utilizó para adquirir las señales de fuerza y transmitirlas de forma inalámbrica. Estos procedimientos proporcionan el sistema con mayor movilidad, que puede ser evaluado en condiciones de usar prácticas como caminar y esquiva. Un rendimiento de la clasificación también es evaluado por distinguir los patrones de consumo de alimentos de las actividades físicas. Una serie de algoritmos se utilizaron para preprocesar las señales, generar vectores de la característica y reconocer los patrones de varios destacados actividades (masticación y guiñando un ojo) y otras actividades físicas (resto sedentario, hablar y caminar). Los resultados mostraron que la puntuación de1 medio F de la clasificación entre las actividades destacadas fue de 91.4%. Creemos que este enfoque puede ser potencialmente útil para el monitoreo automático y objetivo de comportamiento ingestiva con mayor precisión como medio práctico para tratar los problemas ingestiva.
Introduction
Monitoreo continuo y objetivo de ingesta de alimentos es esencial para mantener el equilibrio de la energía en el cuerpo humano, como acumulación de energía excesivo puede causar obesidad y overweightness1, que puede provocar varias complicaciones médicas2. Los principales factores en el desequilibrio de energía son conocidos por ser la ingesta excesiva de alimentos y actividad física insuficiente3. Varios estudios sobre el seguimiento del gasto de energía diario se han introducido con medición automática y objetiva de los patrones de actividad física a través de dispositivos portátiles4,5,6, incluso en el consumidor final etapa médica y nivel7. Investigación sobre el control de la ingesta de alimentos, sin embargo, todavía está en el ajuste del laboratorio, ya que es difícil detectar la actividad de ingesta de alimentos en forma directa y objetiva. Aquí, nuestro objetivo es presentar un diseño de dispositivo y su evaluación para vigilar la ingesta de alimentos y patrones de actividad física en un nivel práctico en la vida diaria.
Ha habido diversos enfoques indirectos para controlar la ingesta de alimentos mediante la masticación y deglución sonidos8,9,10, movimiento de la muñeca11,12,13, de la imagen Análisis14y15de la electromiografía (EMG). Sin embargo, estos enfoques eran difíciles de aplicar para aplicaciones de la vida diaria, debido a sus limitaciones inherentes: los métodos utilizando el sonido eran vulnerables a ser influenciados por el sonido ambiental; los métodos mediante el movimiento de la muñeca eran difíciles de distinguir de otras actividades físicas cuando no consumo de alimentos; y los métodos utilizando las imágenes y las señales de EMG están restringidos por los límites de movimiento y el medio ambiente. Estos estudios demostraron la capacidad de detección automatizada de la ingesta de alimentos mediante sensores, pero todavía tenían una limitación de la aplicabilidad práctica a la vida cotidiana más allá del laboratorio.
En este estudio, utilizamos los patrones de actividad del músculo de los temporalis como el seguimiento automático y objetivo de la ingesta de alimentos. En general, el músculo de los temporalis repite la contracción y la relajación como parte del músculo del masticatorio durante la ingesta de alimentos16,17; así, la actividad de ingesta de alimentos puede controlarse mediante la detección de los patrones periódicos de actividad del músculo de los temporalis. Recientemente, ha habido varios estudios utilizando el temporalis músculo actividad18,19,20,21, que utilizan el EMG o tensión piezoeléctrica sensor y adjuntarlos directamente en humanos piel. Estos enfoques, sin embargo, eran sensibles a la ubicación de la piel de la tensión sensores o electrodos de EMG y fueron fácilmente separados de la piel debido al movimiento físico o la transpiración. Por lo tanto, hemos propuesto un método nuevo y efectivo utilizando un par de gafas sentido los temporalis músculo actividad por las celdas de carga dos en ambos las bisagras en nuestro anterior estudio22. Este método demostró gran potencial de detectar la actividad de ingesta de alimentos con una alta precisión sin tocar la piel. También fue poco molesto y no intrusiva, ya que utilizamos un dispositivo tipo gafas comunes.
En este estudio, presentamos una serie de protocolos detallados de cómo ejecutar los gafas-tipo de dispositivo y cómo utilizar los patrones de actividad del músculo de los temporalis para monitorear el consumo de alimentos y actividad física. Los protocolos incluyen el proceso de fabricación que consiste en un cuadro impreso en 3D de las gafas, un módulo de circuito y un módulo de adquisición de datos y diseño de hardware e incluyen los algoritmos de software para procesamiento de datos y análisis. Se analizó además la clasificación entre varias actividades recomendadas (p. ej., masticar, caminar y guiñando un ojo) para demostrar el potencial como un práctico sistema que puede decir una diferencia de minutos entre la toma de comida y otras actividades físicas patrones.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Nota: Todos los procedimientos incluyendo el uso de sujetos humanos fueron logrados por una forma no invasiva de simplemente usando un par de gafas. Todos los datos fueron adquiridos mediante la medición de las señales de la fuerza de las células de carga en los vidrios que no estaban en contacto directo con la piel. Los datos fueron transmitidos inalámbricamente al módulo de grabación de datos, que, en este caso es un smartphone designado para el estudio. Todos los protocolos no fueron relacionadas con en vivo/en vitro los estudios en humanos. No muestras de sangre y drogas fueron utilizadas para los experimentos. Se obtuvo consentimiento informado de todos los sujetos de los experimentos.
1. fabricación de un módulo de circuito de Sensor integrado
-
Comprar componentes electrónicos para el módulo de circuito de la fabricación.
- Compra de celdas de carga tipo bola dos, cada uno de ellos opera en un rango entre 0 N y 15 N y produce una salida de bajo voltaje diferencial con máxima 120 mV span en una excitación V 3.3.
Nota: Estas carga las células se utilizan para medir fuerza de las señales en ambos los lados izquierdo y derecho de las gafas. - Comprar dos amplificadores de instrumentación y kΩ dos 15 resistencias de ajuste de ganancia.
Nota: El amplificador de instrumentación y el resistor de ajuste de ganancia se utilizan para amplificar la señal de la fuerza de la célula de carga ocho veces, hasta 960 mV. - Comprar una unidad del microcontrolador (MCU) con capacidad inalámbrica (p. ej., conectividad Wi-Fi) y un convertidor de analógico a digital de 10 bits (ADC).
Nota: El MCU se utiliza para leer las señales de fuerza y transmitirlos a un módulo de adquisición de datos inalámbrica. Porque se utiliza una clavija de entrada analógica para dos entradas analógicas de la fuerza, el uso de un multiplexor se introduce en el siguiente paso 1.1.4. - Compra un multiplexor de dos canales análogo que controla las dos señales de entrada con un pasador de ADC del MCU.
- Comprar una batería de iones de litio polímero (LiPo) con 3,7 V de tensión nominal, capacidad nominal de 300 mAh y 1 C caudal.
Nota: La capacidad de la batería fue elegida para suministrar suficiente corriente por hora más de 200 mAh y operar el sistema fiable de aproximadamente 1,5 h de un experimento. - Comprar un regulador de voltaje V 3.3 para regulación lineal de la tensión de batería de V 3.7 3.3 V tensión del sistema.
- Compra cinco 12 kΩ dispositivos montados en superficie (SMD) tipo resistencias como resistencias de pull-up de la MCU. La presencia de la resistencia es 2,0 x 1,2 mm (tamaño de 2012).
- Compra de celdas de carga tipo bola dos, cada uno de ellos opera en un rango entre 0 N y 15 N y produce una salida de bajo voltaje diferencial con máxima 120 mV span en una excitación V 3.3.
-
Fabricar tableros del circuito impreso (PCB). Este paso es sobre elaboración de placas de circuito impreso y la obra de arte (es decir, el diseño, el archivo .brd) y el esquema (es decir, el archivo SCH) para fabricación de PCB. Una comprensión básica del proceso de creación de archivos de arte y esquema se requiere para el desarrollo.
- Dibujar un esquema de un circuito izquierdo que contiene la batería usando una aplicación de diseño electrónico como se muestra en la figura 1A. Guarde el resultado como obra de arte (BRD) y archivos de esquema (SCH).
- Dibujar un esquema de un circuito adecuado que contenga el MCU mediante una aplicación de diseño electrónico como se muestra en la figura 1B. Guarde el resultado como obra de arte (BRD) y archivos de esquema (SCH).
- Fabricar placas de circuito impreso mediante la colocación de un pedido a una empresa de fabricación de PCB.
- Soldar cada componente electrónico preparado en el paso 1.1 a los PCB como se muestra en la figura 2 y figura 3.
PRECAUCIÓN: El amplificador de instrumentación es muy sensible a la temperatura de soldadura. Asegúrese de que plomo temperatura no exceda de 300 ° C durante 10 s durante la soldadura, de lo contrario puede causar daños permanentes en el componente.
2. 3D impresión de un marco de los vidrios
- Dibujar el modelo 3D de la pieza principal de los vidrios utilizando una herramienta de modelado 3D como se muestra en la Figura 4A. El resultado de la exportación al formato de archivo .stl.
- Dibujar el modelo 3D de los templos de izquierda y derecho de los vasos utilizando una herramienta de modelado como se muestra en la figura 4y Figura 4B en 3D. Exportar los resultados al formato de archivo .stl.
- Imprimir las pieza y Templo de piezas de la cabeza utilizando una impresora 3D y un filamento de fibra de carbono a 240 ° C una temperatura de boquilla y 80 ° C una temperatura de cama.
Nota: Puede ser permitido el uso de cualquier impresora 3D comercial y cualquier tipo de filamentos tales como acrilonitrilo butadieno estireno (ABS) y polylactide (PLA). Las temperaturas del inyector y la cama se pueden ajustar según el filamento y condiciones de impresión. - Las puntas de los templos usando un soplador de aire caliente de un ajuste de 180 ° C de calor y doblarlas hacia dentro unos 15 grados para póngase en contacto con la epidermis de los temporalis muscle como gafas convencionales.
Nota: El grado de flexión del templo gafas no se necesita ser riguroso como el propósito de la curvatura es aumentar un factor de forma, ayudando a los vasos caben en cabeza del sujeto cuando está equipado. Tenga cuidado, sin embargo, como flexión excesiva impide que los templos tocar el músculo de los temporalis, que es imposible recoger patrones importantes. - Repita los pasos del paso 2.1 – 2.4 imprimir dos tamaños diferentes del marco de los vidrios para caber tamaños múltiples de la cabeza como se muestra en la figura 4.
3. conjunto de todas las partes de las gafas
- Introducir el PCB en ambos lados de los templos de los vidrios utilizando tornillos de M2 como se muestra en la figura 5.
- Montar la pieza principal y los templos mediante la inserción de los tornillos de M2 en las articulaciones de bisagra.
- Conectar los PCB izquierdos y derecho utilizando los cables de conexión de 3 pines como se muestra en la figura 5.
- Conectar la batería al circuito izquierdo y fíjelo con cinta adhesiva a la sien izquierda. El lado de montaje de la batería no es crítico, ya que puede variar dependiendo del diseño de PCB.
- Cubrir los vidrios con cintas de goma en la punta y la almohadilla de la nariz para agregar más fricción con la piel humana como se muestra en la figura 5.
4. desarrollo de un sistema de adquisición de datos
Nota: El sistema de adquisición de datos se compone de unas módulo y un módulo de recepción de datos datos. El módulo de transmisión de datos lee el tiempo y la fuerza de las señales de ambos lados y entonces envía al módulo de recepción de datos, que recoge los datos recibidos y los escribe en archivos .tsv.
-
Cargar los datos de aplicación para el MCU del módulo PCB siguiendo los procedimientos en pasos 4.1.1–4.1.3.
- Ejecute el proyecto de "GlasSense_Server" a los archivos suplementarios usando una computadora.
Nota: Este proyecto fue construido con el entorno de desarrollo integrado de Arduino (IDE). Proporciona la capacidad de leer la hora y forzar las señales con 200 muestras/s y transmite al módulo de recepción de datos. - Conecte el módulo PCB a la computadora por un conector de bus serie universal (USB).
- Presione el botón de "Upload" en el IDE de Arduino a flash los códigos de programación de paso 4.1.1 en el MCU.
- Ejecute el proyecto de "GlasSense_Server" a los archivos suplementarios usando una computadora.
-
Subir la aplicación recibe datos de un smartphone, que se utiliza para recibir los datos de forma inalámbrica, siguiendo los procedimientos en pasos 4.2.1–4.2.3.
- Ejecute el proyecto de "GlasSense_Client" a los archivos suplementarios usando una computadora.
Nota: Este proyecto fue construido con C# lenguaje de programación. Proporciona la capacidad para recibir datos y guardar los archivos .tsv, que contienen información de un sujeto, como nombre, sexo, edad, índice de masa corporal (IMC). - Conecte el smartphone al ordenador mediante un conector USB para generar la aplicación de recepción de datos.
- Presione el botón "Archivo > crear y ejecutar" en el proyecto de C# para construir la aplicación receptora de datos para el smartphone.
- Ejecute el proyecto de "GlasSense_Client" a los archivos suplementarios usando una computadora.
5. recopilación de un estudio de usuario
Nota: Este estudio recogió seis conjuntos de actividad recomendados: resto sedentario (SR), sedentaria masticación (SC), caminar (W), masticar mientras camina (CW), sedentaria hablando (ST) y wink sedentario (SW).
- Seleccione un par de gafas que tienen un tamaño adecuado al usuario para ser probado. Ajustar la tirantez con los tornillos de soporte en ambas las bisagras (figura 5).
PRECAUCIÓN: Los valores de fuerza no deben superar 15 N, ya que los sensores de fuerza utilizados en este estudio pueden perder la característica lineal fineza más allá del rango de operación. Los valores de fuerza pueden ser ajustados aflojando o apretando el soporte tornillos. -
Registro de las actividades de todos los temas pulsando el botón "Record" en la aplicación construidas en paso 4.2.3.
- Registrar una actividad durante un bloque de 120 s y generar un archivo de grabación de la misma.
- En el caso del SR, el tema se sientan en una silla y que utiliza un smartphone o leer un libro. Permitir el movimiento de la cabeza, pero evitar el movimiento del cuerpo entero.
- En los casos de SC y CW, tiene los temas comer dos tipos de textura de alimentos (pan tostado y gelatina de masticación) para reflejar las propiedades de los diferentes alimentos. Servir el pan tostado en rebanadas de 20 mm x 20 mm, que es un buen tamaño para comer.
- En el caso de W, tienen los sujetos caminar a una velocidad de 4,5 kilómetros por hora en una cinta rodante.
- En el caso de ST, los sujetos se sientan abajo y les e leido un libro en voz alta en un tono normal y la velocidad.
- En el caso de SW, informar a los sujetos a wink en la sincronización de un sonido de campana de 0,5 s de largo cada 3 s.
- Generar un archivo de grabación en formato .tsv de los datos recogidos en el paso 5.2.1.
Nota: Este archivo contiene una secuencia de tiempo cuando se recibieron los datos, una señal de fuerza de izquierda, una señal de fuerza derecha y una etiqueta que representa la actividad facial actual. Visualizaciones de señales temporales de todas las actividades en un bloque de un usuario se muestra en la figura 6. Los seis conjuntos de actividad recomendados (SC, SR, W, CW, ST y SW) fueron etiquetados como 1, 2, 3, 4, 5 y 6, respectivamente. Las etiquetas se utilizaron para comparar las clases previstas en el artículo 8 del protocolo. - Tomar un descanso de 60 s después de que el bloque de registro. Quítate las gafas durante la pausa y volver a poner otra vez cuando se reinicia el bloque de la grabación.
- Repetir el conjunto del bloque y rotura de pasos 5.2.1 y 5.2.2 cuatro veces para cada actividad.
- En el caso de SW, con el tema repetidamente guiño con el ojo izquierdo durante una cuadra y entonces guiñar repetidamente con el ojo derecho durante el siguiente bloque.
- Registrar una actividad durante un bloque de 120 s y generar un archivo de grabación de la misma.
- Repita los pasos 5.1 – 5.2 y recopilar los datos de 10 temas. En este estudio, se utilizaron cinco machos y cinco hembras, la edad promedio fue de 27,9 ± 4.3 (desviación típica, s.d.) años, que se extendieron a 19 – 33 años, y el IMC promedio fue de 21,6 ± 3.2 (s.d.) kg/m2, el cual varió de 17.9 – 27,4 kg/m2.
Nota: En este estudio, los sujetos que no tienen alguna condición médica para masticar los alimentos, wink y a pie fueron reclutados, y esta condición fue utilizada para los criterios de inclusión.
6. señal procesamiento y segmentación
Nota: Las señales izquierdas y derecha se calculan por separado en los siguientes procedimientos.
-
Preparar una serie de marcos temporales de 2 s largo.
- Segmento el 120 s grabado señales en un conjunto de 2 marcos de s por salto a intervalos de 1 s utilizando MATLAB como se muestra en la figura 6.
Nota: Los cuadros segmentados de 2 s largo fueron utilizados para extraer características en la sección 7. Se determinó la talla del salto 1 para dividir las señales por el intervalo de wink s 3 ya mencionado en el paso 5.2.1. - Aplicar un filtro de paso bajo (LPF) usando un filtro de Butterworth de ordenth 5 con una frecuencia de corte de 10 Hz para cada fotograma.
- Guardar los resultados de paso 6.1.2 como los marcos temporales para los próximos pasos en el paso 7.1.
- Segmento el 120 s grabado señales en un conjunto de 2 marcos de s por salto a intervalos de 1 s utilizando MATLAB como se muestra en la figura 6.
-
Preparar una serie de fotogramas espectrales.
- Restar la media de las señales originales de cada fotograma para quitar la precarga al usar las gafas.
Nota: El valor de precarga no es necesario para el siguiente análisis de frecuencia, ya que no incluye ninguna información acerca de masticar, caminar, guiño, etc. podría, sin embargo, contienen información significativa, que puede variar de sujeto a sujeto, de cada ajuste de las gafas e incluso desde el momento en que un sujeto viste con las gafas. - Una ventana de Hanning se aplican a cada fotograma para reducir una salida espectral en el análisis de frecuencia.
- Producir y guardar un espectro un solo lado aplicando una transformada rápida de Fourier (FFT) para cada marco.
- Restar la media de las señales originales de cada fotograma para quitar la precarga al usar las gafas.
- Definir una combinación de un temporal y un marco espectral de al mismo tiempo como un marco (o simplemente un marco).
7. generación de vectores de la característica
Nota: Un vector de características se genera por marco producido en el apartado 6 del protocolo. Los marcos izquierdos y derecho se calculan por separado y se combinan en un vector de la función en los procedimientos siguientes. Todos los procedimientos fueron implementados en MATLAB.
- Extraer características estadísticas de un marco temporal en el paso 6.1 del protocolo. En la tabla 1se da una lista del número total de 54 funciones.
- Extracto estadísticos características de un marco espectral en el paso 6.2 del protocolo. Se da una lista del total de 30 funciones en la tabla 2.
- Generar un vector característica 84 dimensiones combinando las características temporales y espectrales arriba.
- Los vectores generados característica de las grabaciones en el paso 5.2 de protocolo de la etiqueta.
- Repita los pasos de pasos 7.1-7.4 para todos los bloques de marco y generan una serie de vectores de la característica.
8. clasificación de las actividades en clases
Nota: Este paso es seleccionar el modelo clasificador de un soporte vectorial (SVM) de la máquina23 mediante la determinación de los parámetros que muestran la máxima precisión de problema dado (es decir, vectores de la característica). El SVM es una máquina supervisada conocida técnica, que demuestra funcionamiento excelente en generalización y robustez con un margen máximo entre las clases y una función de núcleo de aprendizaje. Utilizamos una red de búsqueda y un método de validación cruzada para definir un parámetro de pena C y un núcleo parámetro γ del kernel de base radial (RBF) la función. Una comprensión mínima de la SVM y técnicas de aprendizaje máquina es necesaria para realizar los siguientes procedimientos. Algunos materiales referencial23,24,25 se recomienda para una mejor comprensión de la máquina de aprendizaje técnicas y el algoritmo SVM. Se aplicaron todos los procedimientos de esta sección usando LibSVM25 paquete de software.
- Definir una red de pares de (C, γ) para la búsqueda de la red. Uso crece exponencialmente secuencias de C (2-10, 2-5,..., 230) y γ (2-30, 2-25,..., 210).
Nota: Estas secuencias se determinan heurísticamente. - Definir un par de (C, γ) (p. ej., (2-10, 2-30)).
-
Para la red definida en el paso 8.2, realizar el esquema de validación cruzada de 10 veces.
Nota: Este esquema divide a los vectores de toda la función en parte 10 subconjuntos, entonces prueba un subconjunto del modelo clasificador entrenado por los otros subconjuntos y repetir sobre todos los subconjuntos, uno por uno. Por lo tanto, los vectores de cada característica pueden ser probado secuencialmente.- Los vectores de toda la función se dividen en 10 partes subconjuntos.
- Definir un conjunto de pruebas de un subconjunto y un entrenamiento de los restantes 9 subconjuntos.
- Definir un vector de escala que todos los elementos de los vectores de la característica para el rango de [0, 1] para el conjunto de entrenamiento.
Nota: El vector de escala tiene la misma dimensión con el vector de la función. Consiste en un conjunto de multiplicadores que escala la misma fila (o columna) de los vectores de la característica para el rango de [0, 1]. Por ejemplo, la primera característica de un vector de características se escala linealmente al rango de [0, 1] para las primera todas las características de los vectores de la característica de entrenamiento. Tenga en cuenta que el vector de escala está definido desde el conjunto de entrenamiento, porque el conjunto de pruebas debe suponerse a ser desconocido. Este paso aumenta la exactitud de la clasificación de las características de la gama igual y evitando errores numéricos durante el cálculo. - Escala de cada característica de la formación establecida en el rango de [0, 1] utilizando el vector de escala obtenida en el paso 8.2.3.
- Escala de cada característica de la prueba en el rango de [0, 1] utilizando el vector de escala obtenida en el paso 8.2.3.
- El conjunto de la formación a través de la SVM con el par definido de (C, γ) en el paso 8.2 de tren y luego construir un modelo clasificador.
- De prueba la prueba a través de la SVM con el par definido de (C, γ) en el paso 8.2, y el modelo clasificador obtenido por el procedimiento de formación.
- Calcular una precisión de clasificación en el conjunto de pruebas. La exactitud se calculó a partir del porcentaje de vectores de la característica que son correctamente clasificados.
- Repita los pasos 8.2.2–8.2.8 para todos los subconjuntos y calcular la precisión promedio de todos los subconjuntos.
- Repita los pasos 8.2 – 8.3.9 para todos los puntos de rejilla de un par de (C, γ).
- Encontrar el máximo local de la más alta precisión de la red. Todos los procedimientos de la sección 8 se ilustran en la figura 7.
- (Opcional) Si el paso de la red se considera grueso, repita los pasos 8.1-8.5 en una cuadrícula más fina cerca del máximo local encontraron en el paso 8.5 y encuentran un nuevo máximo local de la rejilla fina.
- Calcular la precisión, memoria así como F1 calificación de cada clase de las actividades de las siguientes ecuaciones:
Ecuación 1
Ecuación 2
Ecuación 3
donde TP, FP y FN representan verdaderos positivos, falsos positivos y falsos negativos para cada actividad, respectivamente. La matriz de confusión de todas las actividades se da en la tabla 3.
Ecuación 1
Ecuación 2
Ecuación 3Subscription Required. Please recommend JoVE to your librarian.
Representative Results
A través de los procedimientos descritos en el protocolo, preparamos dos versiones del 3D marco impreso por distinción de la longitud de la pieza principal, LH (133 y 138 mm) y los templos, LT (110 y 125 mm), como se muestra en la figura 4. Por lo tanto, podemos cubrir varias condiciones de uso, que pueden variar de tamaño de la cabeza de los sujetos, forma, etc. de que los sujetos eligieron uno de los marcos para ajustarse a la cabeza para el estudio de usuario. La distancia vertical, Lh, entre el empalme de la bisagra y el agujero para el perno de soporte se establece en 7,5 mm para que la fuerza amplificada no excedería de 15 N, que es el rango operativo lineal de la célula de carga. Finalmente, la pieza central debe tener un espesor, tH, que puede resistir el momento flector transmitido de ambos pernos de apoyo cuando está equipado. Elegimos la tH a ser de 6 mm con un uso de material de fibra de carbono desde un enfoque heurístico. A través de los tornillos de soporte para ajustar la tirantez de las gafas como se muestra en la figura 5se pueden ajustar los puntos de contacto.
Tabla 3 muestra los resultados representativos de la clasificación de todos los grupos de actividad. La puntuación de1 medio F resultó en 80,5%. Si se considera como una puntuación individual, el rendimiento puede parecer relativamente degradadas en comparación con el resultado de nuestro anterior estudio22. Sin embargo, podemos extraer información significativa al comparar los resultados entre cada actividad. El SR relativamente bien fue distinguida de la SC, CW y SW, pero no de la W y ST. Ambas actividades masticación, SC y CW, eran difíciles de distinguir unos de otros. Por otra parte, puede observarse que ambas actividades masticación pueden distinguirse fácilmente de la SR, W, ST y SW, que representan las otras actividades físicas. En el caso de SW, la actividad de wink resultó ser mal clasificado ligeramente a lo largo de las otras actividades.
De los resultados de la tabla 3, podemos observar detalles en profundidad de la clasificación. En primer lugar, las dos actividades de masticación, SC y CW, se distingue claramente de otras actividades. Entre ellos, la distinción de la poca actividad sugiere la posibilidad de que la actividad de ingesta de alimentos, que es el propósito principal de este estudio, puede ser fácilmente separable de la actividad física activa, como caminar, utilizando nuestro sistema. Como se muestra en la figura 6, se puede verificar que las señales de masticación y wink, activadas de la actividad del músculo de los temporalis, fueron significativamente diferentes de los no activados por la actividad del músculo de los temporalis. Por otro lado, la distinción entre las dos actividades de masticación demostró misclassifications relativamente altas. Desempeñaron un papel dominante en la disminución de la la precisión y la recuperación de las actividades de masticación.
En cuanto a la detección de la masticación, el SR, W y ST pueden considerarse como ruido accidental en la vida diaria. La actividad de wink, por otra parte, puede considerarse como medida significativa, porque también se activa de la actividad del músculo de temporalis así. Basado en lo anterior, las dos actividades de masticación se limita a una actividad masticatoria (CH), y las demás actividades excepto el guiño se agruparon en una actividad física (PA). La tabla 4 muestra los resultados de la clasificación de estas actividades: masticación (CH), actividad física (PA) y wink sedentario (SW). Podemos encontrar resultados más notables de ella. Predice información sobre si el sistema es robusto para la detección de consumo de alimentos sin ser afectados por otras actividades físicas. Además, también indica si es posible distinguir la ingestión de alimentos de otras actividades de la cara como guiño. Los resultados muestran que la actividad de masticación puede ser bien diferencia de las otras actividades por una puntuación de1 F alta de 93,4%. En el caso de wink, la destitución (85.5%) fue ligeramente inferior a la de las otras actividades. Esto significa que la calidad de los datos recogidos de wink parece ser baja, como los usuarios tenían que guiñan en el momento exacto en intervalos s 3. De hecho, se observó que los usuarios perdieron el guiño o las gafas cambió de puesto hacia abajo de vez en cuando durante el estudio del usuario.
Para obtener resultados más significativos de la anterior, agrupados y volver a definir las actividades en los nuevos. Las dos actividades de masticación, SC y CW, fueron agrupadas en una actividad y define como masticar. El SR, W y ST, que tenía un alto grado de clasificación errónea entre sí mismos, también se agruparon en una actividad, definida como la actividad física. Como resultado, obtuvimos nuevos resultados representativos de la clasificación volver a realizar a través de las actividades aparece como masticar (CH), actividad física (PA) y wink sedentario (SW), como se muestra en la tabla 4. Los resultados mostraron que una puntuación de predicción alta con una puntuación de1 medio F del 91.4% de.
Figura 1: diagramas esquemáticos de los circuitos tanto izquierdos como derecho. (A) diagramas esquemáticos del circuito izquierdo. Contiene una batería para alimentar el circuito de la izquierda y derecho. Un regulador de voltaje V 3.3 con capacitor de bypass se prestó a un estable de voltaje para el sistema de funcionamiento de la fuente. Células de carga presentadas aquí fueron insertadas a ambos lados de los diagramas esquemáticos del circuito (B) del circuito derecho. Contiene una unidad de microcontrolador (MCU) con capacidad Wi-Fi. Un multiplexor de dos canales se prestó a procesar dos señales de fuerza de ambos lados con un convertidor de analógico a digital (ADC) de la MCU. Se usa un conector de receptor/transmisor asincrónico universal (UART) para flash el MCU. Haga clic aquí para ver una versión más grande de esta figura.
Figura 2: obras de arte de PCB de circuitos izquierdos y derecho. PCB (A) una obra de arte de la izquierda. Todos los componentes electrónicos se muestran como reales medidas en mm. (B) una obra de arte de la derecha del PCB. Haga clic aquí para ver una versión más grande de esta figura.
Figura 3: resultados representativos de PCB suelda con todos los componentes de. (A) el módulo de la izquierda del circuito. La celda de carga fue integrada en el tablero. Contiene un conector de 2 pines para batería y un conector de 3 pines para conectar a la tabla de la derecha. (B) el modulo adecuado. La célula de carga también fue integrada en el tablero. Contiene un conector de 4 pines para flashear en modo de la MCU y un conector de 3 pines para conectar al circuito de la izquierda. Haga clic aquí para ver una versión más grande de esta figura.
Figura 4: un diseño de modelo 3D de la estructura de los cristales. Pieza (A) el diseño de la cabeza. La figura superior muestra una vista frontal y en la figura inferior muestra una vista superior del cabezal. La longitud de la pieza principal, L.H, es un parámetro de diseño para cubrir diferentes tamaño de la cabeza de los sujetos. Nos 3D impreso dos versiones del cabezal por diferenciándolo. El espesor de la pieza principal, tH, fue definido por heurística. La distancia entre un empalme de la bisagra y un agujero para un perno de soporte, Lh, fue fijada por el factor de amplificación mecánica. (B) el diseño de los templos. La figura superior muestra la sien izquierda, y la figura inferior muestra la sien derecha. Los PCB en la figura 3 fueron insertados en las ranuras y se montó una batería a un soporte de la batería. Haga clic aquí para ver una versión más grande de esta figura.
Figura 5: un resultado representativo de vidrios integrado en thePCB. Los PCB fueron insertados en las ranuras con los pernos. Las almohadillas de la nariz y las puntas de los templos fueron cubiertas con cintas de goma para añadir fricción con la piel. Cuando las gafas están equipadas, las células de carga se presionan por pernos de apoyo en ambos lados. La estrechez de los vasos puede ajustada aflojando o apretando el soporte tornillos. Haga clic aquí para ver una versión más grande de esta figura.
Figura 6: señales temporales en un bloque de registro de usuario para todas las actividades. El eje y representa la fuerza medida, que fue restada por su punto medio del bloque de registro para un objeto de visualización. Las amplitudes máxima de las actividades de masticación son más grandes que las otras actividades. Se invierten las señales izquierdas y derecha de la actividad de wink. La figura muestra un ejemplo del guiño izquierdo. Un marco de s 2 fue usado para definir un vector característica saltando las señales en el intervalo s 1. Haga clic aquí para ver una versión más grande de esta figura.
Figura 7: resultados representativos de encontrar la máxima precisión local a través de varios pares de (C, γ). (A) A terreno contorno de exactitudes Cruz validado de todas las actividades definidas en la tabla 3. Cada eje aumenta exponencialmente y la gama heurísticamente fue seleccionada. La exactitud máxima local de 80.4% ocurrió en (C, γ) = (25, 20). (B) una parcela contorno de exactitudes validado Cruz de actividades re-definidas en la tabla 4. La máxima precisión de 92.3% se produjo en (C, γ) = (25, 20) y era mucho más exacto que el resultado de (A). Haga clic aquí para ver una versión más grande de esta figura.
| Jajaja | Característica Descripción | Jajaja | Característica Descripción | ||
| 1 | Desviación estándar L | 28 | Skenwness R | ||
| 2 | Desviación estándar R | 29 | Curtosis L | ||
| 3 | Coeficiente de variación L | 30 | Curtosis R | ||
| 4 | Coeficiente de variación R | 31 | Coeficientes de la función de autocorrelación L | ||
| 5 | Cero tasa de cruce L | 32 | Coeficientes de la función de autocorrelación R | ||
| 6 | Cero tasa de cruce R | 33 | Energía de la señal L | ||
| 7 | percentil 20 L | 34 | Energía de la señal R | ||
| 8 | percentil 20 R | 35 | Energía de la señal de registro L | ||
| 9 | 50 ° percentil L | 36 | Energía de la señal de log R | ||
| 10 | 50 ° percentil R | 37 | Entropía de la energía L | ||
| 11 | percentil 80 L | 38 | Entropía de la energía R | ||
| 12 | percentil 80 R | 39 | Amplitud pico a pico L | ||
| 13 | Rango intercuartílico: L | 40 | Amplitud pico a pico R | ||
| 14 | Rango intercuartílico: R | 41 | El número de picos L | ||
| 15 | Suma de cuadrados de percentil 20 L | 42 | El número de picos R | ||
| 16 | Suma de cuadrados de percentil 20 R | 43 | Media de tiempo entre picos L | ||
| 17 | Suma de cuadrados de 50 ° percentil L | 44 | Media de tiempo entre picos R | ||
| 18 | Suma de cuadrados de 50 ° percentil R | 45 | Estándar del tiempo entre picos L | ||
| 19 | Suma de cuadrados de percentil 80 L | 46 | Estándar del tiempo entre picos R | ||
| 20 | Suma de cuadrados de percentil 80 R | 47 | Relación de predicción L | ||
| 21 | 1 cubo de desechado distribución L | 48 | Relación de predicción R | ||
| 22 | 1 cubo de desechado distribución R | 49 | Proporción armónica L | ||
| 23 | 2 º depósito de distribución desechado L | 50 | Proporción armónica R | ||
| 24 | 2 º depósito de distribución desechado R | 51 | Frecuencia fundamental L | ||
| 25 | 3 compartimiento de distribución desechado L | 52 | Frecuencia fundamental R | ||
| 26 | 3 compartimiento de distribución desechado R | 53 | Coeficiente de correlación de L y R | ||
| 27 | Skenwness L | 54 | Área de magnitud sigmal de L y R | ||
Tabla 1: extrae las características estadísticas de un marco temporal. Se extrajeron un total de 54 funciones. Las señales izquierdas y derecha se calcularon por separado excepto las funciones de correlación, 53 y 54.
| Jajaja | Característica Descripción | Jajaja | Característica Descripción | ||
| 1 | Energía espectral L | 16 | Expansión espectral R | ||
| 2 | Energía espectral R | 17 | Entropía espectral L | ||
| 3 | Zona espectral 1 de energía L | 18 | Entropía espectral R | ||
| 4 | Zona espectral 1 de energía R | 19 | Entropía espectral de la energía L | ||
| 5 | Zona espectral 2 de energía L | 20 | Entropía espectral de energía R | ||
| 6 | Zona espectral 2 de energía R | 21 | Flujo espectral L | ||
| 7 | Zona espectral 3 de energía L | 22 | Flujo espectral R | ||
| 8 | Zona espectral 3 de energía R | 23 | Atenuación espectral L | ||
| 9 | Zona espectral 4 de energía L | 24 | Atenuación espectral R | ||
| 10 | Zona espectral 4 de energía R | 25 | Máxima cresta espectral L | ||
| 11 | Zona espectral 5 de energía L | 26 | Cresta espectral máxima R | ||
| 12 | Zona espectral 5 de energía R | 27 | Asimetría espectral L | ||
| 13 | Centroide espectral L | 28 | Asimetría espectral R | ||
| 14 | Centroide espectral R | 29 | Curtosis espectral L | ||
| 15 | Expansión espectral L | 30 | Curtosis espectral R | ||
Tabla 2: extraen estadísticas características de un marco espectral. Se extrajeron un total de 30 funciones. Las señales izquierdas y derecha se calcularon por separado. De las características en la tabla 1 y tabla 2, un vector de funciones consta de un total de 84 características.
| Predijo actividad |
Actividad real | Total | Precisión | |||||
| un 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% |
| Total | 1560 | 1560 | 1560 | 1560 | 1560 | 1560 | 9360 | |
| Recordar | 78.3% | 81.3% | 77,7% | 85,1% | 71.6% | 88.7% | 80.4% | |
| Puntuación de F1 | 78.1% | 82.5% | 79.7% | 85.0% | 69,7% | 87.8% | ||
| Puntaje promedio de1 F | 80,5% | |||||||
Tabla 3: Matriz de confusión de todas las actividades cuando (C, γ) = (25, 20) en Figura 7A. Esta matriz muestra todos los resultados de predicción para todas las actividades: unSR: resto sedentario, bSC: masticación, sedentarios cW: caminando, dCW: masticar mientras camina, eST: hablando de sedentarios, fSW: wink sedentario.
| Predijo actividad |
Actividad real | Total | Precisión | ||
| un 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% |
| Total | 3120 | 4680 | 1560 | 9360 | |
| Recordar | 92.9% | 94.1% | 85.5% | 92.3% | |
| Puntuación de F1 | 93,4% | 92.9% | 88.1% | ||
| Puntaje promedio de1 F | 91.4% | ||||
Tabla 4: Matriz de confusión de todas las actividades redefinirse cuando (C, γ) = (25, 20) en figura 7B. Esta matriz muestra todos los resultados de predicción para todas las actividades re-definidas: unaCH: masticación, bPA: actividad física, cSW: wink sedentario.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
En este estudio, primero se propuso el diseño y proceso de fabricación de vidrios que percibir los patrones de consumo de alimentos y actividades físicas. Como este estudio se centra principalmente en el análisis de datos para distinguir el consumo de alimentos de las otras actividades físicas (como caminar y guiñando un ojo), el sistema de adquisición de datos y sensor requiere la aplicación de grabación de movilidad. Así, el sistema incluye los sensores, el MCU con capacidad de comunicación inalámbrica y la batería. El protocolo propuesto proporciona una manera novedosa y práctica para medir los patrones de actividad del músculo de los temporalis debido a la ingesta de alimentos y el guiño de una manera sin contacto: las metodologías y herramientas para detectar fácilmente la ingesta de alimentos en la vida diaria sin ningún engorroso equipo fueron descritos.
Hay consideraciones importantes para el procedimiento de fabricación de los vidrios. Las partes del templo será diseñadas para integrar los módulos de PCB fabricados en el paso 1.2 como se muestra en la figura 4y Figura 4B . La celda de carga se debe colocar por lo que es pulsado por un perno de soporte en una placa de soporte del cabezal equipado como se muestra en la vista superior de la parte de la bisagra en la figura 5. En el paso 2.4, el grado de flexión del templo gafas no necesita ser riguroso, ya que el propósito de la curvatura es aumentar un factor de forma para adaptarse mejor a las gafas en cabeza del sujeto. Tenga cuidado, sin embargo, como flexión excesiva impide que los templos tocar el músculo de los temporalis, que sería imposible recoger patrones importantes.
Para obtener datos fiables que reflejan los diferentes tamaños de la cabeza y las formas de temas, dos versiones de las gafas fueron proporcionadas mediante la variación de la longitud de la pieza principal y los templos. Además, mediante la utilización de los voltios de apoyo para afinar la capacidad de desgaste, podríamos ajustar la tirantez de las gafas. Así, los datos recogidos a través de los vidrios varios, temas y condiciones de uso pueden reflejar variabilidad inter-individual intra y inter y factores de forma diferentes.
En el estudio de usuario, el tema sacó las gafas durante la pausa y llevaba una vez más cuando el bloque de la grabación se reinicia. Esta acción impidió los datos sobreajuste a una condición de uso específica porque cambió las condiciones de uso (por ejemplo, balance de izquierda y derecha, carga en las células de carga, área de contacto con la piel, etc.) cada vez el tema nuevamente llevaba las gafas.
Según un estudio anterior de masticar la frecuencia, la actividad masticatoria principalmente entre 0,94 Hz(percentil 5) a 2,17 Hz(percentil 95) 26. Así, establece el tamaño de marco en 2 s para que una estructura contiene múltiples actividades de masticación. Este tamaño también es adecuado para contener el uno o varios ciclos a pie, que generalmente van desde Hz 1,4 a 2,5 Hz27. Llevamos a cabo la actividad de caminar a una velocidad de 4,5 kilómetros por hora en una cinta de correr porque la velocidad que camina normal varía de 3.3 km/h a 6.5 km/h27,28. El tamaño del salto en la figura 6 se determinó a partir de los datos grabados guiño donde los sujetos fueron informados a guiño a intervalos de 3-s. También nos filtran los datos con la frecuencia de corte de 10 Hz, ya que encontramos de nuestro estudio anterior que señala más de 10 Hz no tenía importante información masticación detección22.
Porque el sistema tiene dos células de carga en ambos lados, es posible distinguir los eventos de la masticación y wink, izquierdos y derecho como en nuestro anterior estudio22. Sin embargo, a diferencia del estudio anterior, el objetivo de este estudio fue demostrar que el sistema efectivamente podría separar la ingestión de alimentos de las actividades físicas. Si los datos son suficientemente acumulados mediante el estudio de usuario, entonces fomente la investigación sobre la izquierda y derecha clasificación puede llevarse a cabo, utilizando las funciones de correlación incluidas en el vector de la función. Por otro lado, es difícil distinguir entre la actividad sedentaria y caminar dentro del sistema. Otras modificaciones al sistema pueden proporcionar una clasificación detallada de la ingesta de alimentos, como comer sentado y comer en movimiento, con una alta precisión. Esto se puede implementar a través de una técnica de fusión de sensor mediante la adición de una unidad de medición inercial (IMU) al sistema18. Si es así, el sistema puede seguir el gasto energético y el consumo de energía al mismo tiempo. Creemos que nuestro enfoque proporciona maneras prácticas y posibles para la detección de consumo de alimentos y actividades físicas.
Estimación de la ingesta energética es un objetivo crucial de la investigación sobre la dieta control y por ejemplo, puede ser analizada por clasificar el tipo de comida y luego convirtiéndola en calorías derivadas de la información calórica predefinido. Un estudio reciente sugiere un método de clasificar los tipos de alimentos utilizando imágenes de alimentos y profundo aprendizaje de algoritmos14. Sin embargo, es difícil separar los tipos de alimentos con los sensores de fuerza utilizados en este estudio; la adición de un sensor de imagen a la parte frontal del dispositivo podría reconocer los tipos de alimentos a través de procesamiento de imágenes y técnicas de aprendizaje de máquina y así clasificar los tipos de alimentos. A través de esta técnica de la fusión del sensor con los sensores de fuerza y de la imagen, el potencial de este estudio es la aplicación hacia dieta general aplicaciones de control.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Los autores no tienen nada que revelar.
Acknowledgments
Este trabajo fue apoyado por Envisible, Inc. Este estudio también fue apoyado por una subvención de Coreano salud tecnología R & D proyectos, Ministerio de salud y bienestar, República de Corea (HI15C1027). Esta investigación también fue apoyada por la Fundación Nacional de investigación de Corea (NRF-2016R1A1A1A05005348).
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).
