Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
Click here for the English version

Behavior

Konceptudvikling og brug af en automatiseret metode til vurdering af fødeindtagelse og spiseadfærd

Published: February 19, 2021 doi: 10.3791/62144

ERRATUM NOTICE

Summary

Denne protokol viser og forklarer en ny teknologibaseret kostvurderingsmetode. Metoden består af en spisebakke med flere indbyggede vægte og et videokamera. Enheden er unik i den forstand, at den inkorporerer automatiserede foranstaltninger af mad- og drikkeindtag og spiseadfærd i løbet af et måltid.

Abstract

Langt de fleste kost-og spiseadfærd vurderingsmetoder er baseret på selvrapportering. De er besværlige og også tilbøjelige til at måle fejl. Nylige teknologiske innovationer giver mulighed for udvikling af mere præcise kost-og spiseadfærd vurdering værktøjer, der kræver en mindre indsats for både brugeren og forskeren. Derfor blev der udviklet en ny sensorbaseret enhed til vurdering af fødeindtagelse og spiseadfærd. Enheden er en almindelig spisebakke udstyret med et videokamera og tre separate indbyggede vejestationer. Vejestationerne måler vægten af skålen, pladen og drikkebægeret kontinuerligt i løbet af et måltid. Videokameraet placeret i ansigtet registrerer spiseadfærdskarakteristika (tygger, bid), som analyseres ved hjælp af kunstig intelligens (AI)-baseret automatisk ansigtsudtrykssoftware. Bakkevægten og videodataene transporteres i realtid til en pc ved hjælp af en trådløs modtager. Resultaterne af interesse, såsom mængden spist, spise sats og bid størrelse, kan beregnes ved at trække data om disse foranstaltninger på de tidspunkter af interesse. De oplysninger, der opnås ved den nuværende version af bakken kan bruges til forskningsformål, en opgraderet version af enheden vil også lette leveringen af mere personlig rådgivning om indtagelse af kosten og spiseadfærd. I modsætning til de konventionelle kostvurderingsmetoder måler denne diætvurderingsanordning fødeindtagelse direkte i et måltid og er ikke afhængig af hukommelse eller skøn over portionsstørrelse. I sidste ende er denne enhed derfor velegnet til dagligt hovedmåltidsfødevareindtag og spiseadfærdsforanstaltninger. I fremtiden kan denne teknologibaserede diætvurderingsmetode knyttes til sundhedsapplikationer eller smarte ure for at få et komplet overblik over motion, energiindtag og spiseadfærd.

Introduction

I ernæringsforskning og kostpraksis er det vigtigt at have gode foranstaltninger af hvad, hvor meget og hvordan folk spiser, for at finde løsninger på overvægts- og fedmeproblemerne. For at vurdere indtagelsen gennem kosten anvendes ofte konventionelle selvrapporteringsspørgeskemaer såsom fødevaredagbøger, 24 timers tilbagekaldelser eller spørgeskemaer om fødevarefrekvens1. Disse metoder er afhængige af selvrapportering og er derfor tidskrævende og tilbøjelige til bias på grund af social-ønskelige svar, hukommelses utilstrækkelighed og vanskeligheder med at estimere portionsstørrelser2,3. Ud over foranstaltninger af kostkvaliteten (madtype og mængde spist) er det også vigtigt at vide, hvordan maden spises, da spiseadfærd, der bremser fødeindtagelsen, har vist sig at forhindre overforbrug inden for et måltid4. At vurdere spiseadfærd den gyldne standard er at have to observatører kommentere videooptagelser af mennesker, der spiser et måltid5. Denne metode er temmelig arbejdskrævende og tidskrævende og giver ikke mulighed for øjeblikkelig feedback på adfærden.

De seneste teknologiske fremskridt giver nu mulighed for at kombinere automatiserede foranstaltninger af fødeindtagelse med automatiserede foranstaltninger af spiseadfærd i løbet af et måltid. Som reaktion på denne udvikling blev der udviklet en ny sensorbaseret kostvurderingsmetode, kaldet mEETr, forkortelsen for de to hollandske ord 'Meter' (oversat: måleapparat) og 'eet' (oversat: at spise). mEETr er en almindelig spisebakke med tre indbyggede vejestationer(Figur 1 demonstrerer bakkens og sensorpladernes design) og en kameraholder. Hver vejestation består af tre trekantede målepunkter til fordeling af vægten. Vejestationerne måler vægten af skålen, pladen og drikkebægeret eller glasset kontinuerligt over måltidet. MEETr indeholder også en videokameraholder. I øjeblikket er kameraholderen adskilt fra bakken, men til standardiseringsformål ville et integreret kamera efter den næste opgradering af mEETr (en foldevideokamerapind) være ideel. Kameraet letter automatiseret realtidsanalyse af antallet af bid og tygger og spisevarighed, hvilket giver mulighed for generering af information om spisehastigheden og bidstørrelsen. Automatiseret analyse af spiseadfærd udføres ved hjælp af en nyudviklet algoritme. Forskellige forskergrupper har udviklet enheder til at give folk feedback i realtid om accelerationen af at spise og den mængde, folk spiser6. Også, augmented gafler er blevet udviklet til at give real-time feedback på antallet af bid og deres hyppighed inden for et måltid7. Derudover blev en øresensor udviklet til at måle mikrostrukturen ved at spise under frie levevilkår8,9. Svarende til denne enhed er den opsætning, der bruges af Ioakimidis et al.10, hvor videomål blev kombineret med en vejeplade for at bestemme fødeindtaget, antallet af bid og tyggeadfærd.

Sammenlignet med disse enheder er mEETr's nyhed, at den kombinerer automatiserede målinger af fødeindtagelse af to plader og en drikkekop (n = 3) og spiseadfærd (f.eks. spisehastighed, antal bid, bidestørrelse og tyggeadfærd) i en enhed. Den mEETr, som demonstreret, er egnet til inden måltid foranstaltninger af fødeindtagelse og spiseadfærd inden for en kontrolleret (spise lab) miljø, men i sidste ende målet er at bruge mEETr i mindre kontrollerede miljøer, hvor genforekomne måltid planer anvendes såsom dagpleje, ældre-hjem, og hospitaler.

I sidste ende vil mEETr give et mere objektivt og som sådan mere præcist og præcist mål for fødeindtagelse og spiseadfærd end konventionelle diætvurderingsmetoder og manuel kodning af videoer. Bedre foranstaltninger i forbindelse med fødeindtagelsen vil gavne ernærings- og sundhedsforskningen, men også sundhedspersonalet i deres udfordring med at bekæmpe stigningen i fødevarerelaterede ikke-smitsomme sygdomme11. I sidste ende mEETr kan bruges i forskning og sundhedspleje indstillinger samt af sundhedsbevidste brugere derhjemme ved at knytte mEETr til eksisterende teknologier og software, såsom andre sundhed apps eller smart ure. Samlet set giver disse sundhedsforanstaltninger brugeren eller sundhedspersonalet et ret varieret og komplet overblik over en række sundhedsadfærdsmønstre (f.eks. fødeindtagelse, spiseadfærd, energiforbrug baseret på virkelige foranstaltninger, søvn, stress), der gør det muligt for brugeren at optimere deres kost og skabe en sund livsstil.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Denne pilotundersøgelse blev godkendt af METC fra Wageningen University, inden projektet blev startet.

ADVARSEL: Alle deltagere, der bidrog til dette projekt, gav et informeret samtykke, herunder godkendelse af videobilleder, der viser synlige og genkendelige ansigter.

1. Prøveforberedelse og deltagersamtykke

  1. Forbered en juice (glas eller kop), frugtyoghurt (skål) og frugtstykker (plade).
    BEMÆRK: Disse fødevarer udvælges kun til demonstrationsformål (figur 2).
  2. Rekruttér en deltager eller en frivillig, der indvilliger i at deltage i undersøgelsen.
  3. Ekskluder deltagere med briller (som ikke kan bruge kontaktlinser) og/eller med ansigtshår (skæg eller overskæg) for at undgå målefejl.
  4. Informere deltagerne om undersøgelsen og dataindsamlingen (datalagring, tilgængelighed). Få separate tilladelser i tilfælde af ikke-anonyme videooptagelser. Få deltagerens underskrift på det informerede samtykke, før du indsamler data.

2. Opsætning af udstyr og målested

BEMÆRK: Denne protokol er velegnet til dataindsamling i en kontrolleret (spiselaboratorium) indstilling.

  1. Sørg for, at lyset i rummet er jævnt fordelt undgå skygger på deltagernes ansigter.
  2. Undgå baggrundsstøjen på videooptagelserne på grund af tilstedeværelsen af andre personer end deltageren.
  3. Sæt deltageren på en stol foran et bord. med bordplade placeret lige under deltagerens bryst.
  4. den trådløse modtager på bakken og webkameraet til en bærbar computer.
  5. Start den bærbare computer. Kontroller, at den bærbare computer har følgende specifikationer: CPU i7-10750H, SSD M.2 512 GB, Hukommelse 1x 16 GB, DDR4 2933 MHz ikke-ECC-hukommelse, Operativsystem 64 bit.
  6. Tænd bakken, og sørg for, at der er opladning i bakken (grønt lys).
  7. Åbn forbindelsesprogrammet (dos), modtageren og processorsoftwareprogrammet sammen med henholdsvis instrumentbrættet.
  8. Kontroller den indgående billedkvalitet i processorprogrammet (Figur 3).
    BEMÆRK: For at opdage spiseadfærden skal billedkvaliteten være inden for sidste fjerdedel af proceslinjen (grøn); så tæt på 100% grøn som muligt. Skyggedannelse kan føre til lav billedkvalitet.
  9. Sørg for, at billedrammen er korrekt for at forhindre dårlig billedkvalitet. Sørg for, at deltagerens hoved (over kraniet) indtil brystet, herunder arme og skuldre, er tydeligt synlige.

3. Vejesystem og datatransport

  1. Valider målingerne før brugen af mEETr for første gang.
    BEMÆRK: mEETr-enheden består af en almindelig kommercielt tilgængelig spisebakke (fiber håndhævet epoxy-middagsbakke) med tre indbyggede vejestationer(figur 2).
  2. For at validere opsætningen skal du sikre dig, at bakken kontinuerligt måler vægten af en tallerken, skål og drikkeglas.
    BEMÆRK: Vægtskalaens præcision i hele området skal være 0,3%.
  3. Læg ikke for meget vægt på hver vejeplatform. Den maksimale vægt for den største platform (middagstallerken) er 1,5 kg. Den maksimale vægt af de to mindre vejeplatforme (skål og glas) er 800 g. Den mindste vægt, der kan måles nøjagtigt, er 1 g for hver vejestation.
  4. Sørg for, at pladen, koppen og skålen ikke hviler på platformen eller den omgivende bakke. Gør brug af midterringen for at undgå dette.
    BEMÆRK: Hver vejestation består af tre trekantspositionerede kraftsensorer, der fungerer sammen som én skala. En trekant position blev valgt til at afbalancere vægt.
  5. Sørg for at holde bakken tør. Bakken indeholder et 50 mm tyndt underlag (centralt kredsløbskort) under bakken, der indeholder elektronikken.
  6. I forbindelse med dataoverførsel skal du sørge for, at bakken opretter forbindelse til en trådløs modtager.
    BEMÆRK: Vejedataene overføres med 1 s interval via et kortdistanceradiosignal (ca. 1 m afstand). modtageren til en pc via en USB-port.
  7. De tre kraftsensorer måler kræfterne (eller vægtene), opsummerer dem og konverterer dem til en kalibreret vægtværdi.
  8. Genoplad bakken efter hver brug.
    BEMÆRK: Bakken drives af en intern batteripakke og kan oplades med en USB-oplader. Der er en tænd/sluk-lyskontakt tæt på USB-stikket. En fuld batteriopladning giver ca. 20 timers brug.
  9. Bakken må ikke rengøres i opvaskemaskine. bakken ikke tåler opvaskemaskine. Rengør bakken med en rengøringsspray. Sørg for, at bakken holdes ren og tør. Lækkekanaler langs platformene dræner væskeudslip.

4. Deltager forklaringer og start af observation

  1. Placer mEETr foran deltageren.
  2. Instruer deltageren til 1) spise så meget eller så lidt som han / hun ønsker, 2) se lige ind i webcam, mens du spiser, og 3) ikke lægge hænderne foran ansigtet, mens du spiser.
  3. Start en ny observation i modtagersoftwaren. Logfør dato, deltagernummer, deltagerens køn, alder og antropometriske data, f.eks. Medtag yderligere oplysninger såsom undersøgelsestilstanden og studiebesøget i observationsnavnet.
  4. Tryk på Optag i modtagersoftwaren for at registrere observationen.
  5. Aktiver dashboardet for at kontrollere videooptagelserne og de indgående data under dataindsamlingen (Figur 4).
  6. Før optagelsen skal du bede deltageren om at hæve kortet med deltagernummeret og 2) række hånden op i starten og slutningen af måltidet.
  7. Afslut observationen, når deltageren er færdig med at spise. Det tager 2 minutter at overføre alle data til et regneark.
  8. Dette er slutningen af sessionen for deltageren.
  9. Frakoble webcam og bakken-modtageren fra den bærbare computer og rense det med et rengøringsvæv eller rengøring spray.

5. Evaluering og overførsel af data

  1. Åbn den sidste observation i modtagersoftwaren. Automatiserede målinger af spiseadfærd gemmes under overskriften Data. Klik på Eksporter data for at udtrække de rå data. Den efterfølgende outputfil indeholder data om deltagernummeret, realtid, relativ (for at starte) tid og spiseadfærdsvariabler (antal bid, antal tygger, tyggevarighed) pr. testdeltager.
    BEMÆRK: Alle funktionsmåder er tidsstemplet. I modtagersoftwaren kan yderligere eksterne data fra bakken udtrækkes, for eksempel dataene på vægten af hver af de tre bakker. Dataene registreres 10 gange i sekundet og overføres. Bakken dataindsamling tid er synkroniseret med spise adfærd optagelser.
  2. Opsummer og visualiser resultaterne i forskellige søjlediagrammer i selve programmet. Eksporter resultaterne som rådata i logfiler (.xsl) (Figur 5).
  3. Eksporter logfilerne til et regneark, og udfør dataanalysen ved hjælp af det statistiske præferenceprogram.
  4. Rens dataene før dataanalyse.
    BEMÆRK: På grund af forvrængninger af presning med bestik på pladerne (hvilket medfører en stigning i vægten), skal vejedata for bakken rengøres til en Kaplan Meier-kurve med trinstørrelse, der angiver bidestørrelse, trinlængden, der angiver tid mellem bid. Begyndelsen af kurven angiver startvægt, det sidste trin angiver slutvægt) som følger.
    1. Udjævn over tidspunkterne til målinger pr. sekund for at bortfiltrere ekstreme værdier.
    2. Sæt 5 g grænse, detektere vægt plateauer (dvs. ingen ændring inden for +/- 5 g), og vægtændringer (ændringer over tid større end 5 g) for at angive bid størrelser og portion ændringer.
    3. Ekskluder vægtforøgelse på grund af bestik, der forbliver på pladen.
      BEMÆRK: Output er den samlede vægt ændringer pr vægt station begynder og slutningen af måltidet (= måltid størrelse), gennemsnitlig bid størrelse, og bider per min.
  5. For at bestemme spisehastigheden (g/sek. og bidestørrelsen (g/bid) ændres i løbet af måltidet, skal du manuelt integrere bakkevægtdataene og spiseadfærden (Figur 6, Figur 7, Figur 8, Figur 9, Figur 10).

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

En langsommere indtagelseshastighed (figur 7), mindre sip/bite størrelser (Figur 8) og flere tygger (Figur 9) førte til lavere indtagelse af salaten sammenlignet med yoghurt og juice (figur 6) målt ved mEETr-bakken. Deltagerne spiste 17% mindre af frugtsalaten sammenlignet med frugtsaft. Alle spiseadfærdskarakteristika varierede mellem saften, yoghurten og salaten(figur 7, figur 8, figur 9). Deltagerne tyggede betydeligt mere på frugtsalaten sammenlignet med yoghurt og juice. Det observerede antal tygger varierede med en faktor tre mellem yoghurt og frugtsalat. Derudover var bidstørrelsen den mindste til salaten 6,5 g pr. Bid sammenlignet med saften: 8 g pr. Slurk. Samlet set antallet af tygger, bid størrelse, og spise sats syntes at påvirke det beløb, der blev spist under måltidet i en spise lab indstilling. Disse fund er i overensstemmelse med andre undersøgelser, der rapporterer, at en øget oral behandlingstid (højere antal tygger, mindre bidstørrelser) reducerer fødeindtaget12,13,14,15.

Figure 1
Figur 1: Billede af bakken nedenfor med de tre vejestationer og de tre tryksensorer på printpladen ovenfor. Klik her for at se en større version af dette tal.

Figure 2
Figur 2: MEETr-opsætningen med de testede fødevarer. Klik her for at se en større version af dette tal.

Figure 3
Figur 3: Automatiseret påvisning af spiseadfærden ved hjælp af faste punkter i ansigtet (øjne og mund).

Figure 4
Figur 4: Dashboard visualisering af indgående data af de tre vægte af bakken samt indgående video data. Klik her for at se en større version af dette tal.

Figure 5
Figur 5: Oversigt over dataindsamling. Faldet i fødevarevægten på de tre vægte i løbet af måltidet fremgår af de tre øvre grafer. toppe er forårsaget af presset fra bestik. Bites og slurke (herunder varighed) og antal tygger vises i den sidste række af de farvede vandrette bjælker. Klik her for at se en større version af dette tal.

Figure 6
Figur 6: Fødeindtagelse (g) pr. produkt målt med mEETr-bakken. Klik her for at se en større version af dette tal.

Figure 7
Figur 7: Spisehastighed (g/min) pr. produkt baseret på mEETr-bakken og automatiseret videoanalyse af spiseadfærd. Klik her for at se en større version af dette tal.

Figure 8
Figur 8: Gennemsnitlig bidestørrelse (g) pr. produkt baseret på mEETr-bakken og automatiseret videoanalyse af spiseadfærd. Klik her for at se en større version af dette tal.

Figure 9
Figur 9: Samlet antal tygger pr. produkt baseret på mEETr-bakken og automatiseret videoanalyse af spiseadfærd.

Figure 10
Figur 10: Rå dataoutput fra en måling, herunder de tre vejeplatforme, funktionsmåde og tidsstempler.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

En sund kost og en sund kost adfærd har vist sig at spille en central rolle i forebyggelsen af og løsningen på overvægt og fedme11. Men mange af de metoder, der anvendes til at måle indtagelsen af kosten og spiseadfærd er belastende for brugere, forskere og sundhedspersonale og kan være forudindtaget, da de er afhængige af hukommelse og portionsstørrelse skøn. Brug af mEETr, uafhængigt eller sammen med konventionelle video- og diætvurderingsmetoder, ville reducere indsatsen og nøjagtigheden og præcisionen af diætindtag og spiseadfærdsvurdering.

Før mEETr kan bruges, skal der tages et par kritiske skridt. En grundlæggende metodologisk overvejelse er privatlivets fred relateret til ansigtsanalysen af optaget video. Anonymitet for deltagerne er et integreret træk ved etisk forskning. Men med ansigtsanalysen er en del af mEETr, anonymitet er næsten umuligt16. Brugen af mEETr i forskningsmiljø kræver således omfattende bestemmelser om datasikkerhed og fortjener opmærksomhed i det informerede samtykke og anden deltagerdokumentation. I sidste ende behandles i en opgraderet version af mEETr-ansigtsoptagelserne i realtid i enheden uden at gemme videodata. Derfor ville det ikke være berettiget at opbevare ansigtsoptagelserne, hvilket ville gøre det muligt at indsamle anonyme data.

Et andet kritisk skridt i protokollen er, at i denne version af mEETr er alle datastrømme uafhængige, hvilket kræver integration af videoanalysernes mål og de tre forskellige skalaer under efterbehandling. Analysen af data udføres udelukkende på grundlag af vejestationen; det er så op til forskeren at parre dataene efter hoc til, hvad der blev serveret i den specifikke skål eller på den specifikke plade eller i kopplaceringen. For at forhindre blanding af datastrømme tvinger bakkens struktur til, at skålen, pladen eller koppen kun kan placeres på bestemte steder på grund af ringe, der passer til det specifikke stykke service.

Til sidst skal den umiddelbare integration af datastrømmene finde sted, hvilket ville tjene som en ekstra valideringsforanstaltning til beslutning i realtid med vægtændring i skålen / pladen / koplen, der validerer bid eller slurk og omvendt, og som sådan tillader automatiseret feedback på spiseadfærd umiddelbart efter måltidet.

Ud over disse kritiske trin bør dataovervågning og fejlfinding eller fejlfangst forenkles, hvilket kan opnås ved hjælp af følgende ændringer: (1) Automisering af systemets opstart, (2) Integration af kvalitetsindikatorer på instrumentbrættet, der giver oplysninger om videokvalitet til automatisk registrering af spiseadfærd, (3) Lavere hukommelseskrav til den bærbare computer , (4) Automatiseret hændelsesregistrering, der forhindrer måleforsøg under ikke-spisetider.

Ud over disse områder til forbedring er der nogle udfordringer, når du bruger mEETr, der fortjener opmærksomhed. For det første skal følgende versioner af mEETr gøres vandtæt, så de kan rengøres i en opvaskemaskine. For det andet, for at opnå gyldige foranstaltninger af spiseadfærden, skal deltageren overholde forskellige begrænsninger og regler. For gyldig brug af mEETr er det vigtigt, at videoen er uafbrudt, og at brugeren ser lige ind i kameraet, mens han tygger. Derudover, for at algoritmen kan detektere tygger og svaler, skal brugeren være 1) fuldt synlig i rammen, herunder skuldre og hænder 2) har ingen skygger i ansigtet; standardisering af lys er nødvendig. Disse forudsætninger forstyrrer den naturlige eller normale spiseadfærd. Da spisning i sig selv er en social affære under normale levevilkår, er det ikke ubesværet forbundet med normal social spiseadfærd at have disse begrænsninger på plads. Således kræver den nøjagtige brug af mEETr indtil videre en ikke-konventionel måde at spise på. Ændringer af algoritmen skal foretages i fremtiden for at have en mere robust måling, der ikke kræver, at deltageren overholder visse spiseregler eller begrænsninger. Generelt kan brugen af mEETr skabe brugerreaktivitet, hvilket resulterer i ændret fødeindtagelse på grund af bevidsthed om, hvad der spises ved hjælp af mEETr-bakken. Dette kan forhindres, når de indbyggede vejestationer er helt skjult, og der anvendes et vis-eye-kamera, der er indbygget i bakken, således at en standard ansigtshøjde ikke er påkrævet. Den nuværende version af mEEtr er derfor kun egnet til laboratoriebaserede undersøgelser. På grund af de begrænsninger og regler, der kræves af denne teknik, omsættes resultaterne ikke direkte til fritlevende spisemønstre.

Ved siden af disse ændringer er der to funktionelle udvidelser af det nuværende system, der skal indarbejdes i fremtiden. For det første skal der tilføjes yderligere hyperspektral kamerateknologi til mEETr for at analysere makronæringsstoffernes indhold af fødevareartiklerne på pladen. Dette ville omgå behovet for viden om den nøjagtige fødevare, der er på pladen, mens der stadig tillader kalorieindtag målinger pr måltid. For det andet kan der knyttes en maskinlæringsmetode til automatisk at genkende fødevarer til den aktuelle videoanalyse, hvilket giver mulighed for yderligere automatisering af systemet. For yderligere at øge måltidsgenkendelsen kunne der tilføjes et andet kamera, der udelukkende fokuserer på mad og drikke på pladerne.

Ideelt set kan mEETr-bakken og kameraet knyttes til det eksisterende diætapp-økosystem, hvilket ville give direkte input af mEETr-resultaterne i diætapps og diætister2. Baseret på de oplysninger, der indsamles af mEETr, kan øjeblikkelig feedback og rådgivning gives til forbrugeren eller patienten overvejer (makro) næringsstofindtag og spiseadfærd (mad tekstur og spise sats). Dette ville gøre det muligt for brugeren at optimere deres kost og spise adfærd for at skabe en sund livsstil.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

mEETr-enheden og ledsaget software er udviklet i samarbejde med en kommerciel partner; Noldus Informationsteknologi. Forfatterne erklærer ingen interessekonflikter.

Acknowledgments

Vi takker J.M.C D. Meijer fra Wageningen Universitets tekniske udviklingsstudie og forskning for hans hjælp til udviklingen af mEETr-bakken. Denne forskning blev finansieret af de 4 hollandske tekniske universiteter, 4TU- Pride and Prejudice-projektet.

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.

DOWNLOAD MATERIALS LIST

References

  1. 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).
  2. 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).
  3. 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).
  4. 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).
  5. 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).
  6. Sabin, M. A., et al. A novel treatment for childhood obesity using Mandometer® technology. International Journal of Obesity. 7, (2006).
  7. 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).
  8. vanden Boer, J., et al. The splendid eating detection sensor: Development and feasibility study. JMIR mHealth and uHealth. 6 (9), 170 (2018).
  9. 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).
  10. Ioakimidis, I., et al. Description of chewing and food intake over the course of a meal. Physiology & Behavior. 104 (5), 761-769 (2011).
  11. 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).
  12. 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).
  13. 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).
  14. 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).
  15. 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).
  16. Grinyer, A. The anonymity of research participants: assumptions, ethics and practicalities. Social Research Update. 36 (1), 4 (2002).

Tags

Adfærd Problem 168 kostvurdering teknologi kunstig intelligens fødeindtagelse spiseadfærd tygge

Erratum

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

Konceptudvikling og brug af en automatiseret metode til vurdering af fødeindtagelse og spiseadfærd
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Lasschuijt, M. P., Brouwer-Brolsma,More

Lasschuijt, M. P., Brouwer-Brolsma, E., Mars, M., Siebelink, E., Feskens, E., de Graaf, K., Camps, G. Concept Development and Use of an Automated Food Intake and Eating Behavior Assessment Method. J. Vis. Exp. (168), e62144, doi:10.3791/62144 (2021).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter