ERRATUM NOTICE
Important: There has been an erratum issued for this article. Read more …
Summary
Denne protokollen viser og forklarer en ny teknologibasert kostholdsvurderingsmetode. Metoden består av et spisebrett med flere innebygde veievekter og et videokamera. Enheten er unik i den forstand at den inneholder automatiserte mål på mat- og drikkeinntak og spiseatferd i løpet av et måltid.
Abstract
De aller fleste vurderingsmetoder for kostholds- og spiseatferd er basert på selvrapporter. De er tyngende og også utsatt for målefeil. Nyere teknologiske innovasjoner muliggjør utvikling av mer nøyaktige og presise kostholds- og spiseatferdsvurderingsverktøy som krever mindre innsats for både brukeren og forskeren. Derfor ble det utviklet en ny sensorbasert enhet for å vurdere matinntak og spiseatferd. Enheten er et vanlig spisebrett utstyrt med et videokamera og tre separate innebygde veiestasjoner. Veiestasjonene måler vekten av bollen, tallerkenen og drikkekoppen kontinuerlig i løpet av et måltid. Videokameraet plassert i ansiktet registrerer spiseatferdskarakteristikker (tygger, biter), som analyseres ved hjelp av kunstig intelligens (AI) -basert automatisk ansiktsuttrykksprogramvare. Skuffvekten og videodataene transporteres i sanntid til en PC ved hjelp av en trådløs mottaker. Utfallet av renter, for eksempel mengden spist, spiserate og bitestørrelse, kan beregnes ved å trekke fra dataene til disse tiltakene på rentepunktene. Informasjonen oppnådd av den nåværende versjonen av brettet kan brukes til forskningsformål, en oppgradert versjon av enheten vil også lette levering av mer personlige råd om kostholdsinntak og spiseatferd. I motsetning til de konvensjonelle kostholdsvurderingsmetodene måler denne diettvurderingsenheten matinntak direkte i et måltid og er ikke avhengig av minne eller porsjonsstørrelsesestimering. Til syvende og sist er denne enheten derfor egnet for daglig hovedmatinntak og spiseatferdstiltak. I fremtiden kan denne teknologibaserte kostholdsvurderingsmetoden knyttes til helseapplikasjoner eller smarte klokker for å få en fullstendig oversikt over trening, energiinntak og spiseatferd.
Introduction
I ernæringsforskning og kostholdspraksis er det viktig å ha gode mål på hva, hvor mye og hvordan folk spiser, for å finne løsninger på overvekt og fedmeproblemer. For å vurdere kostholdsinntaket brukes ofte konvensjonelle selvrapporteringsspørreskjemaer som matdagbøker, 24 timers tilbakekallinger eller spørreskjemaer for matfrekvens1. Disse metodene er avhengige av selvrapportering og er derfor tidkrevende og utsatt for skjevheter på grunn av sosiale ønskelige svar, hukommelses utilstrekkelighet og vanskeligheter med å estimere porsjonsstørrelser2,3. I tillegg til mål på diettkvaliteten (mattype og mengde spist), er det også viktig å vite hvordan maten spises, da spiseatferd som bremser matinntaket har vist seg å forhindre overforbruk i et måltid4. For å vurdere spiseatferd er den gylne standarden å ha to observatører som kommenterer videoopptak av folk som spiser et måltid5. Denne metoden er ganske arbeidskrevende og tidkrevende og tillater ikke umiddelbar tilbakemelding på oppførselen.
Nylige teknologiske fremskritt gir nå muligheten til å kombinere automatiserte mål på matinntak med automatiserte tiltak for spiseatferd i løpet av et måltid. Som svar på denne utviklingen ble det utviklet en ny sensorbasert kostholdsvurderingsmetode, kalt mEETr, akronymet til de to nederlandske ordene 'Meter' (oversatt: måleenhet) og 'eet' (oversatt: å spise). mEETr er et vanlig spisebrett med tre innebygde veiestasjoner (figur 1 demonstrerer utformingen av brettet og sensorplatene) og en kameraholder. Hver veiestasjon består av tre trekantede plasserte målepunkter for å fordele vekten. Veiestasjonene måler vekten av bollen, tallerkenen og drikkekoppen eller glasset kontinuerlig over måltidet. mEETr har også en videokameraholder. For øyeblikket er kameraholderen atskilt fra skuffen, men for standardisering vil et integrert kamera etter neste oppgradering av mEETr (en sammenleggbar videokamerapinne) være ideell. Kameraet letter automatisert sanntidsanalyse av antall biter og tygger, og spisevarighet, noe som gir mulighet for generering av informasjon om spisehastigheten og bitestørrelsen. Automatisert analyse av spiseatferd gjøres ved bruk av en nyutviklet algoritme. Ulike forskningsgrupper har utviklet enheter for å gi folk tilbakemelding i sanntid om akselerasjonen av å spise og mengden folk spiser6. Også augmented gafler er utviklet for å gi tilbakemelding i sanntid på antall biter og deres frekvens i et måltid7. I tillegg ble en øresensor utviklet for å måle mikrostrukturen ved å spise i frie levekår8,9. I likhet med denne enheten er oppsettet som brukes av Ioakimidis et al.10, hvor videotiltak ble kombinert med en veieplate for å bestemme matinntaket, antall biter og tyggeadferd.
Sammenlignet med disse enhetene er nyheten til mEETr at den kombinerer automatiserte mål på matinntak av to tallerkener og en drikkekopp (n = 3) og spiseatferd (f.eks. spisehastighet, antall biter, bitestørrelse og tyggeadferd) i en enhet. mEETr, som demonstrert, er egnet for innenfor måltidstiltak for matinntak og spiseatferd i et kontrollert (spiselaboratorium) miljø, men til slutt er målet å bruke mEETr i mindre kontrollerte miljøer der gjenoppnømte måltidsplaner brukes som barnehager, eldrehjem og sykehus.
Til syvende og sist vil mEETr gi et mer objektivt, og som sådan mer nøyaktig og presist mål på matinntak og spiseatferd enn konvensjonelle kostholdsvurderingsmetoder og manuell koding av videoer. Bedre tiltak for matinntaket vil være til nytte for ernærings- og helseforskningen, men også helsepersonellet i deres utfordring for å bekjempe økningen i matrelaterte ikke-smittsomme sykdommer11. Til syvende og sist kan mEETr brukes i forsknings- og helsetjenesteinnstillinger så vel som av helsebevisste brukere hjemme ved å koble mEETr til eksisterende teknologier og programvare, for eksempel andre helseapper eller smarte klokker. Samlet sett gir disse helsetiltakene brukeren eller helsepersonellet en ganske variert og fullstendig oversikt over en rekke helseatferdsmønstre (f.eks. matinntak, spiseatferd, energiforbruk basert på virkelige tiltak, søvn, stress) som gjør det mulig for brukeren å optimalisere kostholdet og skape en sunn livsstil.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Denne pilotstudien ble godkjent av METC ved Wageningen University før prosjektet startet.
FORSIKTIG: Alle deltakerne som bidro til dette prosjektet ga et informert samtykke, inkludert godkjenning av videobilder som viser synlige og gjenkjennelige ansikter.
1. Eksempelforberedelse og deltakersamtykke
- Forbered en juice (glass eller kopp), frukt yoghurt (bolle) og fruktstykker (tallerken).
MERK: Disse matvarene er kun valgt for demonstrasjonsformål (figur 2). - Rekruttere en deltaker eller en frivillig som samtykker i å delta i studien.
- Utelat deltakerne med briller (som ikke kan bruke kontaktlinser) og/eller ha ansiktshår (skjegg eller bart) for å unngå målefeil.
- Informer deltakerne om studien og datainnsamlingen (datalagring, tilgjengelighet). Få separate tillatelser i tilfelle ikke-anonyme videoopptak. Få signaturen til deltakeren på det informerte samtykket før du samler inn data.
2. Oppsett av enhets- og måleposisjon
MERK: Denne protokollen er egnet for datainnsamling i en kontrollert (spiselaboratorium) innstilling.
- Sørg for at lyset i rommet er jevnt fordelt, unngå skygger på deltakernes ansikter.
- Unngå bakgrunnsstøyen på videoopptakene på grunn av tilstedeværelsen av andre personer enn deltakeren.
- Sett deltakeren på en stol før et bord; med bordplate rett under deltakerens bryst.
- Koble den trådløse mottakeren av skuffen og webkameraet til en bærbar DATAMASKIN.
- Start den bærbare datamaskinen. Forsikre deg om at den bærbare datamaskinen har følgende spesifikasjoner: CPU i7-10750H, SSD M.2 512 GB, Minne 1x 16 GB, DDR4 2933 MHz ikke-ECC-minne, Operativsystem 64 bit.
- Slå på brettet og sørg for at det er ladning i skuffen (grønt lys).
- Åpne kontaktprogrammet (dos), mottakeren og prosessorprogrammet sammen med henholdsvis dashbordet.
- Kontroller den innkommende bildekvaliteten i prosessorprogrammet (figur 3).
MERK: For å oppdage spiseatferden, bør bildekvaliteten være innenfor siste kvartal av oppgavelinjen (grønn); så nær 100% grønn som mulig. Skyggeforming kan føre til lav bildekvalitet. - Kontroller at bilderammen er riktig for å unngå dårlig bildekvalitet. Sørg for at deltakerens hode (over kraniet) til brystet, inkludert armer og skuldre er tydelig synlige.
3. Veiesystem og datatransport
- Valider målene før bruk av mEETr for første gang.
MERK: mEETr-enheten består av et vanlig kommersielt tilgjengelig spisebrett (fiberforsterket epoksymiddagsbrett) med tre innebygde veiestasjoner (figur 2). - For å validere oppsettet må du sørge for at brettet kontinuerlig måler vekten av en tallerken, bolle og drikkeglass.
MERK: Presisjonen til veievekten over hele området skal være 0,3 %. - Ikke legg for mye vekt på hver veieplattform. Maksimal vekt for den største plattformen (middagstallerken) er 1,5 kg. Maksimal vekt på de to mindre veieplattformene (bolle og glass) er 800 g. Minimumsvekten som kan måles nøyaktig er 1 g for hver veiestasjon.
- Pass på at platen, koppen og bollen ikke hviler på plattformen eller den omkringliggende skuffen. Benytt deg av midtringen for å unngå dette.
MERK: Hver veiestasjon består av tre trekantposisjonerte kraftsensorer som fungerer sammen som én vekt. En trekantposisjon ble valgt for å balansere vekt. - Sørg for å holde brettet tørt. Brettet inkluderer et 50 mm tynt basepanel (sentralkretskort) under brettet som inneholder elektronikken.
- For dataoverføring må du kontrollere at skuffen kobles til en trådløs mottaker.
MERK: Overfør veiedataene med et intervall på 1 s via et radiosignal med kort rekkevidde (ca. 1 m avstand). Koble mottakeren til en PC via en USB-port. - De tre kraftsensorene måler kreftene (eller vektene), oppsummerer dem og konverterer dem til en kalibrert vektverdi.
- Lad opp brettet etter hver bruk.
MERK: Skuffen drives av en intern batteripakke og kan lades med en USB-lader. En av/på-skyvebryter er plassert i nærheten av USB-kontakten. En full batterilading gir ca. 20 timers bruk. - Ikke rengjør brettet i oppvaskmaskin; skuffen ikke kan vaskes i oppvaskmaskin. Rengjør brettet med en rengjøringsspray. Pass på at brettet holdes rent og tørt. Lekkasjekanaler langs plattformene drenerer væskesøl.
4. Deltakerforklaringer og observasjonsstart
- Plasser mEETr foran deltakeren.
- Be deltakeren om å 1) spise så mye eller så lite han / hun vil, 2) se rett inn i webkameraet mens du spiser, og 3) ikke legg hendene foran ansiktet mens du spiser.
- Start en ny observasjon i mottakerprogramvaren. Logg dato, deltakernummer, deltakerens kjønn, alder og antropometriske data, for eksempel vekt og høyde. Ta med tilleggsinformasjon som studiebetingelsen og studiebesøket i observasjonsnavnet.
- Trykk Record i mottakerprogramvaren for å registrere observasjonen.
- Aktiver instrumentbordet for å kontrollere videoopptakene og innkommende data under datainnsamling (figur 4).
- Før innspillingen, be deltakeren om å 1) heve kortet med deltakernummeret, og 2) rekke opp hånden ved starten og slutten av måltidet.
- Avslutt observasjonen når deltakeren er ferdig med å spise. Det tar 2 min å overføre alle dataene til et regneark.
- Dette er slutten på økten for deltakeren.
- Koble webkameraet og skuffmottakeren fra den bærbare datamaskinen og rengjør det med et rengjøringsvev eller rengjøringsspray.
5. Evaluering og overføring av data
- Åpne den siste observasjonen i mottakerprogramvaren. Automatiserte tiltak for spiseatferd lagres under overskriften Data. Klikk på Eksporter data for å trekke ut rådataene. Den påfølgende utdatafilen inneholder data om deltakernummer, sanntid, relativ (til start) tid og spiseatferdsvariabler (antall biter, antall tygger, tyggevarighet) per testdeltaker.
MERK: All atferd er tidsstemplet. I mottakerprogramvaren kan ytterligere eksterne data i skuffen trekkes ut, for eksempel dataene på vekten av hver av de tre skuffene. Dataene registreres 10 ganger per sekund og overføres. Innsamlingstiden for skuffdata synkroniseres med opptakene av spiseatferd. - Oppsummer og visualiser resultatene i forskjellige liggende stolpediagrammer i selve programmet. Eksporter resultatene som rådata i loggfiler (XSL) (Figur 5).
- Eksporter loggfilene til et regneark og utfør dataanalysen ved hjelp av det statistiske preferanseprogrammet.
- Rengjør dataene før dataanalyse.
MERK: På grunn av forvrengningene ved å trykke med bestikk på platene (forårsaker en økning i vekt), må veiedata i brettet rengjøres til en Kaplan Meier-kurve med trinnstørrelse som indikerer bittstørrelse, trinnlengden som indikerer tid mellom biter. Begynnelsen av kurven indikerer starttykkelse, det siste trinnet indikerer slutttykkelse) som følger.- Jevn ut over tidspunktene til målinger per sekund for å filtrere ut ekstreme verdier.
- Sett 5 g grense, oppdag vektplatåer (dvs. ingen endring innenfor +/- 5 g), og vektendringer (endres over tid større enn 5 g) for å indikere bittstørrelser og porsjonsendringer.
- Utelat vektøkning på grunn av gjenværende bestikk på platen.
MERK: Utgangen er de totale vektendringene per vektstasjon begynner og slutter på måltidet (= måltidsstørrelse), gjennomsnittlig bitestørrelse og biter per min.
- For å bestemme spisehastigheten (g/sek) og bittstørrelsen (g/bite) endres i løpet av måltidet, må du manuelt integrere skuffvektdataene og spiseatferden (Figur 6, Figur 7, Figur 8, Figur 9, Figur 10).
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
En langsommere inntakshastighet (figur 7), mindre slurk/bitestørrelser (figur 8) og flere tygger (figur 9) førte til lavere inntak av salaten sammenlignet med yoghurt og juice (figur 6) målt ved mEETr-brettet. Deltakerne spiste 17% mindre av fruktsalaten sammenlignet med fruktjuicen. Alle egenskapene for spiseatferd varierte mellom saft, yoghurt og salat (Figur 7, Figur 8, Figur 9). Deltakerne tygget betydelig mer på fruktsalaten sammenlignet med yoghurt og juice. Det observerte antall tygger varierte med en faktor på tre mellom yoghurt og fruktsalat. I tillegg var bittstørrelsen den minste for salaten 6,5 g per bit sammenlignet med saften: 8 g per slurk. Totalt sett så antall tygger, bittstørrelsen og spisehastigheten ut til å påvirke mengden som ble spist under måltidet i et spiselaboratorium. Disse funnene er i samsvar med andre studier som rapporterer at økt oral behandlingstid (høyere antall tygger, mindre bitestørrelser) reduserer matinntaket12,13,14,15.
Figur 1: Bilde av skuffen nedenfor med de tre veiestasjonene, og de tre trykksensorene på trykkplaten ovenfor. Klikk her for å se en større versjon av denne figuren.
Figur 2: MEETr-oppsettet med de testede matvarene. Klikk her for å se en større versjon av denne figuren.
Figur 3: Automatisert deteksjon av spiseatferden ved hjelp av faste punkter i ansiktet (øyne og munn). Klikk her for å se en større versjon av denne figuren.
Figur 4: Dashbord som visualiserer innkommende data fra de tre veievektene i skuffen, samt innkommende videodata. Klikk her for å se en større versjon av denne figuren.
Figur 5: Oversikt over datainnsamling. Nedgangen i matvekten på de tre veievektene i løpet av måltidet vises av de tre øvre grafene; topper er forårsaket av trykket av bestikk. Biter og slurker (inkludert varighet) og antall tygger vises i siste rad av de fargede horisontale stolpene. Klikk her for å se en større versjon av denne figuren.
Figur 6: Matinntak (g) per produkt målt med mEETr-skuffen.
Figur 7: Spisefrekvens (g/min) per produkt basert på mEETr-skuffen og automatisk videoanalyse for spiseatferd. Klikk her for å se en større versjon av denne figuren.
Figur 8: Gjennomsnittlig bitestørrelse (g) per produkt basert på mEETr-brettet og automatisk videoanalyse for spiseatferd. Klikk her for å se en større versjon av denne figuren.
Figur 9: Totalt antall tygger per produkt basert på mEETr-skuffen og automatisk videoanalyse for spiseatferd. Klikk her for å se en større versjon av denne figuren.
Figur 10: Rådatautgang for en måling, inkludert de tre veieplattformene, virkemåten og tidsstemplene.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Et sunt kosthold og en sunn spiseatferd har vist seg å spille en nøkkelrolle i forebygging av og løsning på overvekt og fedme11. Imidlertid er mange av metodene som brukes til å måle kostholdsinntaket og spiseatferden belastende for brukere, forskere og helsepersonell, og kan være partisk da de er avhengige av hukommelses- og porsjonsstørrelsesestimater. Ved hjelp av mEETr, uavhengig eller sammen med konvensjonelle video- og kostholdsvurderingsmetoder, ville redusere innsatsen og nøyaktigheten og presisjonen til kostholdsinntak og spiseatferdsvurdering.
Før mEETr kan brukes, må noen få kritiske trinn løses. En grunnleggende metodisk vurdering er personvern knyttet til ansiktsanalysen av innspilt video. Anonymitet for deltakerne er et integrert trekk ved etisk forskning. Men med ansiktsanalysen som en del av mEETr, er anonymitet nesten umulig16. Bruken av mEETr i en forskningssetting krever derfor omfattende bestemmelser om datasikkerhet og tilsier oppmerksomhet i informert samtykke og annen deltakerdokumentasjon. Til syvende og sist, i en oppgradert versjon av mEETr ansiktsopptak behandles sanntid i enheten uten å lagre videodata. Følgelig vil ingen lagring av ansiktsopptakene være berettiget, noe som vil tillate anonym datainnsamling.
Et annet kritisk skritt i protokollen er at i denne versjonen av mEETr er alle datastrømmer uavhengige, noe som krever integrering av målene for videoanalysene og de tre forskjellige skalaene under etterbehandling. Analysen av data utføres bare på grunnlag av veiestasjonen; Det er da opp til forskeren å koble dataene etter hoc til det som ble servert i den spesifikke bollen eller på den spesifikke platen eller i koppstedet. For å unngå blanding av datastrømmer, håndhever strukturen på brettet at bollen, platen eller koppen bare kan plasseres på bestemte steder på grunn av ringer som passer til det spesifikke stykke servise.
Etter hvert må den umiddelbare integrasjonen av datastrømmene finne sted, noe som vil tjene som et ekstra valideringstiltak for beslutningstaking i sanntid med vektendring i bollen / platen / koppen som validerer bitt eller slurk og omvendt, og som sådan tillater automatisert tilbakemelding på spiseatferd umiddelbart etter måltidet.
I tillegg til disse kritiske trinnene, bør dataovervåking og feilsøking eller feilfangst forenkles, noe som kan oppnås ved hjelp av følgende modifikasjoner: (1) Automisering av oppstart av systemet, (2) Integrasjon av kvalitetsindikatorer på dashbordet som gir informasjon om videokvalitet for automatisert oppdagelse av spiseatferd, (3) Lavere minnekrav for den bærbare datamaskinen , (4) Automatisert hendelsesregistrering som forhindrer målingsforsøkene under ikke-spisetider.
På toppen av disse forbedringsområdene er det noen utfordringer ved bruk av mEETr som krever oppmerksomhet. Først bør følgende versjoner av mEETr gjøres vanntett slik at de kan rengjøres i oppvaskmaskin. For det andre, for å oppnå gyldige tiltak for spiseatferden, må deltakeren følge ulike restriksjoner og regler. For gyldig bruk av mEETr er det viktig at videoen er uavbrutt, og at brukeren ser rett inn i kameraet mens han tygger. I tillegg, for at algoritmen skal oppdage tygger og svaler, må brukeren være 1) fullt synlig i rammen, inkludert skuldre og hender 2) har ingen skygger i ansiktet; standardisering av lys er nødvendig. Disse forutsetningene forstyrrer den naturlige eller normale spiseatferden. Siden spising er en iboende sosial affære under normale levekår, er det ikke uanstrengt å ha disse restriksjonene på plass med normal sosial spiseatferd. Dermed krever nøyaktig bruk av mEETr foreløpig en ikke-konvensjonell måte å spise på. Endringer i algoritmen må gjøres i fremtiden for å ha en mer robust måling som ikke krever at deltakeren overholder visse spiseregler eller restriksjoner. Generelt kan bruk av mEETr skape brukerreaktivitet, noe som resulterer i endret matinntak på grunn av bevissthet om hva som spises ved hjelp av mEETr-brettet. Dette kan forhindres når de innebygde veiestasjonene er helt skjult, og det brukes et vis-eye-kamera som er innlemmet i brettet slik at en standard ansiktshøyde ikke er nødvendig. Den nåværende versjonen av mEEtr er derfor kun egnet for laboratoriebaserte studier. På grunn av begrensningene og reglene som kreves av denne teknikken, oversettes ikke resultatene direkte til frittlevende spisemønstre.
Ved siden av disse endringene er det to funksjonelle utvidelser av det nåværende systemet som må innlemmes i fremtiden. For det første må ytterligere hyperspektral kamerateknologi legges til mEETr for å analysere makronæringsstoffinnhold i matvarene på tallerkenen. Dette vil omgå behovet for kunnskap om den eksakte matvaren som er på tallerkenen, samtidig som kaloriinntaksmålinger per måltid tillates. For det andre kan en maskinlæringstilnærming for automatisk gjenkjennelse av matvarer festes til den nåværende videoanalysen, noe som gir ytterligere automatisering av systemet. For ytterligere å øke måltidsgjenkjenningen, kan et annet kamera legges til som utelukkende fokuserer på mat og drikke på tallerkenene.
Ideelt sett kan mEETr-skuffen og kameraet kobles til det eksisterende økosystemet for diettapper, noe som vil tillate direkte inngang av mEETr-resultatene i kostholdsapper og kostholdseksperter2. Basert på informasjonen som samles inn av mEETr, kan umiddelbar tilbakemelding og råd gis til forbrukeren eller pasienten som vurderer (makro) næringsinntak og spiseatferd (mattekstur og spiserate). Dette vil gjøre det mulig for brukeren å optimalisere kostholdet og spiseatferden for å skape en sunn livsstil.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
mEETr-enheten og tilhørende programvare er utviklet i samarbeid med en kommersiell partner; Noldus Informasjonsteknologi. Forfatterne erklærer ingen interessekonflikter.
Acknowledgments
Vi takker J.M.C. D. Meijer fraTechnical Development Studio of Wageningen University and Research for hans hjelp i utviklingen av mEETr-brettet. Denne forskningen ble finansiert av 4 Nederlandske tekniske universiteter, 4TU- Pride and Prejudice-prosjektet.
Materials
| Name | Company | Catalog Number | Comments |
| Battery | na | na | Battery pack (LiPo) and charge electronics via an USB port connector. No data from this port. |
| Connector program | Noldus | Noldus Information technology software dashboard nview | |
| Dinner tray | na | na | Standard dinner tray from glass inforced epoxy |
| Larger scale | na | na | One high range custom made scale based on a triple force sensor method. |
| Mainboard | na | na | A mainboard converting the three scale measurements to calibrated weight numbers. This board also contains the low power short range RF transmitter. |
| OS Windows | Microsoft | windows 10 Pro 64 bit | |
| Processor program | Noldus | Noldus Information technology software FaceReader | |
| Receiver program | Noldus | Noldus Information technology software Observer | |
| RF receiver | na | na | Custom build USB converter connected to a RF receiver. This receiver has a squelch setting for making it low range sensitive. |
| Small scales | na | na | Two low range custom made scales based on a triple force sensor method. |
References
- Burrows, T. L., Ho, Y. Y., Rollo, M. E., Collins, C. E. Validity of dietary assessment methods when compared to the method of doubly labeled water: A systematic review in adults. Frontiers in Endocrinology. 10, 850 (2019).
- Brouwer-Brolsma, E. M., et al. Dietary intake assessment: From traditional paper-pencil questionnaires to technology-based tools. Environmental software systems. Data science in action. Advances in Information and Communication Technology. 554, (2020).
- Palese, A., et al. What nursing home environment can maximise eating independence among residents with cognitive impairment? Findings from a secondary analysis. Geriatric Nursing. 41 (6), 709-716 (2020).
- Krop, E. M., et al. Influence of oral processing on appetite and food intake - A systematic review and meta-analysis. Appetite. 125, 253-269 (2018).
- Nicolas, E., Veyrune, J. L., Lassauzay, C., Peyron, M. A., Hennequin, M. Validation of video versus electromyography for chewing evaluation of the elderly wearing a complete denture. Journal of Oral Rehabilitation. 34 (8), 566-571 (2007).
- Sabin, M. A., et al. A novel treatment for childhood obesity using Mandometer® technology. International Journal of Obesity. 7, (2006).
- Hermsen, S., et al. Evaluation of a Smart fork to decelerate eating rate. Journal of the Academy of Nutrition and Dietetics. 116 (7), 1066-1068 (2016).
- vanden Boer, J., et al. The splendid eating detection sensor: Development and feasibility study. JMIR mHealth and uHealth. 6 (9), 170 (2018).
- Papapanagiotou, V., et al. A novel chewing detection system based on ppg, audio, and accelerometry. IEEE Journal of Biomedical and Health Informatics. 21 (3), 607-618 (2016).
- Ioakimidis, I., et al. Description of chewing and food intake over the course of a meal. Physiology & Behavior. 104 (5), 761-769 (2011).
- Ruiz, L. D., Zuelch, M. L., Dimitratos, S. M., Scherr, R. E. Adolescent obesity: Diet quality, psychosocial health, and cardiometabolic risk factors. Nutrients. 12 (1), 43 (2020).
- Forde, C. G., van Kuijk, N., Thaler, T., de Graaf, C., Martin, N. Oral processing characteristics of solid savoury meal components, and relationship with food composition, sensory attributes and expected satiation. Appetite. 60 (1), 208-219 (2013).
- Weijzen, P. L. G., Smeets, P. A. M., de Graaf, C. Sip size of orangeade: effects on intake and sensory-specific satiation. British Journal of Nutrition. 102 (07), 1091-1097 (2009).
- Zijlstra, N., de Wijk, R. A., Mars, M., Stafleu, A., de Graaf, C. Effect of bite size and oral processing time of a semisolid food on satiation. The American Journal of Clinical Nutrition. 90 (2), 269-275 (2009).
- Bolhuis, D. P., et al. Slow food: sustained impact of harder foods on the reduction in energy intake over the course of the day. PloS One. 9 (4), 93370 (2014).
- Grinyer, A. The anonymity of research participants: assumptions, ethics and practicalities. Social Research Update. 36 (1), 4 (2002).
Tags
Atferd Utgave 168 kostholdsvurdering teknologi kunstig intelligens matinntak spiseatferd tyggeErratum
Formal Correction: Erratum: Concept Development and Use of an Automated Food Intake and Eating Behavior Assessment Method
Posted by JoVE Editors on 06/24/2021.
Citeable Link.
An erratum was issued for: Concept Development and Use of an Automated Food Intake and Eating Behavior Assessment Method. An author name was updated.
The name was updated from:
Cees de Graaf
to:
Kees de Graaf
