Waiting
Login processing...

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

Behavior

Élaboration de concepts et utilisation d’une méthode automatisée d’évaluation de l’apport alimentaire et du comportement alimentaire

Published: February 19, 2021 doi: 10.3791/62144
Automatic Translation
1, 1, 1, 1, 1, 1, 1
1Division of Human Nutrition and Health, Wageningen University & Research

ERRATUM NOTICE

Summary

Ce protocole montre et explique une nouvelle méthode d’évaluation diététique basée sur la technologie. La méthode consiste en un plateau-salle à manger avec plusieurs balances intégrées et une caméra vidéo. L’appareil est unique en ce sens qu’il intègre des mesures automatisées de la consommation de nourriture et de boissons et du comportement alimentaire au cours d’un repas.

Abstract

La grande majorité des méthodes d’évaluation du comportement alimentaire et alimentaire sont basées sur des auto-déclarations. Ils sont lourds et également sujets aux erreurs de mesure. Les innovations technologiques récentes permettent le développement d’outils d’évaluation du comportement alimentaire et alimentaire plus précis et plus précis qui nécessitent moins d’efforts pour l’utilisateur et le chercheur. Par conséquent, un nouveau dispositif basé sur des capteurs pour évaluer la prise alimentaire et le comportement alimentaire a été développé. L’appareil est un plateau-salle à manger ordinaire équipé d’une caméra vidéo et de trois stations de pesage intégrées distinctes. Les stations de pesée mesurent le poids du bol, de l’assiette et de la tasse à boire en continu au cours d’un repas. La caméra vidéo positionnée sur le visage enregistre les caractéristiques de comportement alimentaire (mâches, morsures), qui sont analysées à l’aide d’un logiciel d’expression faciale automatique basé sur l’intelligence artificielle (IA). Le poids du plateau et les données vidéo sont transportés en temps réel vers un ordinateur personnel (PC) à l’aide d’un récepteur sans fil. Les résultats d’intérêt, tels que la quantité consommée, le taux de consommation et la taille de la morsure, peuvent être calculés en soustrayant les données de ces mesures aux points d’intérêt. Les informations obtenues par la version actuelle du plateau peuvent être utilisées à des fins de recherche, une version améliorée de l’appareil faciliterait également la fourniture de conseils plus personnalisés sur l’apport alimentaire et le comportement alimentaire. Contrairement aux méthodes d’évaluation alimentaire conventionnelles, ce dispositif d’évaluation alimentaire mesure l’apport alimentaire directement dans un repas et ne dépend pas de la mémoire ou de l’estimation de la taille des portions. En fin de compte, cet appareil est donc adapté à l’apport alimentaire principal quotidien et aux mesures de comportement alimentaire. À l’avenir, cette méthode d’évaluation alimentaire basée sur la technologie peut être liée à des applications de santé ou à des montres intelligentes pour obtenir un aperçu complet de l’exercice, de l’apport énergétique et du comportement alimentaire.

Introduction

Dans la recherche nutritionnelle et la pratique alimentaire, il est essentiel d’avoir de bonnes mesures de ce que, combien et comment les gens mangent, pour trouver des solutions aux problèmes de surpoids et d’obésité. Pour évaluer l’apport alimentaire, des questionnaires d’auto-évaluation souvent conventionnels sont utilisés tels que des journaux alimentaires, des rappels de 24 h ou des questionnaires de fréquence alimentaire1. Ces méthodes reposent sur l’auto-déclaration et sont donc longues et sujettes aux biais en raison des réponses socialement souhaitables, de l’insuffisance de la mémoire et des difficultés à estimer la taille des portions2,3. En plus des mesures de la qualité du régime alimentaire (type d’aliment et quantité consommée), il est également important de savoir comment l’aliment est consommé, car il a été démontré que les comportements alimentaires qui ralentissent l’apport alimentaire empêchent la surconsommation dans un repas4. Pour évaluer le comportement alimentaire, la norme d’or est de demander à deux observateurs d’annoter des enregistrements vidéo de personnes mangeant un repas5. Cette méthode est plutôt laborieuse et prend beaucoup de temps et ne permet pas de commentaires immédiats sur le comportement.

Les progrès technologiques récents offrent maintenant la possibilité de combiner des mesures automatisées de l’apport alimentaire avec des mesures automatisées du comportement alimentaire au cours d’un repas. En réponse à ces développements, une nouvelle méthode d’évaluation alimentaire basée sur des capteurs a été développée, appelée mEETr, l’acronyme des deux mots néerlandais « Meter » (traduit: appareil de mesure), et « eet » (traduit: manger). Le mEETr est un plateau-salle à manger ordinaire avec trois stations de pesage intégrées(la figure 1 illustre la conception du plateau et des plaques de capteurs) et un support de caméra. Chaque station de pesage se compose de trois points de mesure positionnés triangulairement pour répartir le poids. Les stations de pesée mesurent le poids du bol, de l’assiette et de la tasse à boire ou du verre en continu pendant le repas. Le mEETr comprend également un support de caméra vidéo. Actuellement, le support de la caméra est séparé du plateau, mais à des fins de normalisation, une caméra intégrée après la prochaine mise à niveau de mEETr (un stick de caméra vidéo pliante) serait idéale. La caméra facilite l’analyse automatisée en temps réel du nombre de morsures et de mâches, et de la durée de consommation, ce qui permet de générer des informations sur le taux de consommation et la taille de la morsure. L’analyse automatisée du comportement alimentaire est effectuée à l’aide d’un algorithme nouvellement développé. Divers groupes de recherche ont développé des dispositifs pour fournir aux gens une rétroaction en temps réel sur l’accélération de l’alimentation et la quantité de nourriture que les gens mangent6. En outre, des fourches augmentées ont été développées pour fournir une rétroaction en temps réel sur le nombre de piqûres et leur fréquence dans un repas7. De plus, un capteur d’oreille a été développé pour mesurer la microstructure de l’alimentation dans des conditions de vie libres8,9. Semblable à ce dispositif est la configuration utilisée par Ioakimidis et al.10, où les mesures vidéo ont été combinées avec une plaque de pesée pour déterminer l’apport alimentaire, le nombre de piqûres et le comportement de mastication.

Par rapport à ces appareils, la nouveauté du mEETr est qu’il combine des mesures automatisées de l’apport alimentaire de deux assiettes et d’une tasse à boire (n = 3) et du comportement alimentaire (par exemple, le taux de consommation, le nombre de piqûres, la taille des morsures et le comportement de mastication) dans un seul appareil. Le mEETr, tel que démontré, est adapté pour les mesures de repas de l’apport alimentaire et du comportement alimentaire dans un environnement contrôlé (laboratoire alimentaire), mais éventuellement l’objectif est d’utiliser le mEETr dans des environnements moins contrôlés où des plans de repas réapparition sont utilisés tels que les garderies, les maisons de retraite et les hôpitaux.

En fin de compte, le mEETr fournira une mesure plus objective et, en tant que telle, plus précise et plus précise de l’apport alimentaire et du comportement alimentaire que les méthodes d’évaluation alimentaire conventionnelles et le codage manuel des vidéos. De meilleures mesures de l’apport alimentaire profiteraient à la recherche sur la nutrition et la santé, mais aussi aux professionnels de la santé dans leur défi de lutter contre l’augmentation des maladies non transmissibles liées à l’alimentation11. En fin de compte, le mEETr peut être utilisé dans des contextes de recherche et de soins de santé ainsi que par les utilisateurs soucieux de leur santé à la maison en reliant le mEETr aux technologies et logiciels existants, tels que d’autres applications de santé ou des montres intelligentes. Dans l’ensemble, ces mesures de santé fournissent à l’utilisateur ou au professionnel de la santé un aperçu assez diversifié et complet d’une variété de modèles de comportement en matière de santé (par exemple, l’apport alimentaire, le comportement alimentaire, la dépense énergétique basée sur des mesures de la vie réelle, le sommeil, le stress) permettant à l’utilisateur d’optimiser son alimentation et de créer un mode de vie sain.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Cette étude pilote a été approuvée par le METC de l’Université de Wageningen avant le début du projet.

ATTENTION : Tous les participants qui ont contribué à ce projet ont donné leur consentement éclairé, y compris l’approbation d’images vidéo montrant des visages visibles et reconnaissables.

1. Préparation de l’échantillon et consentement du participant

  1. Préparez un jus (verre ou tasse), un yaourt aux fruits (bol) et des morceaux de fruits (assiette).
    NOTA : Ces aliments sont sélectionnés à des fins de démonstration seulement (figure 2).
  2. Recruter un participant ou un bénévole qui accepte de participer à l’étude.
  3. Exclure les participants qui portent des lunettes (qui ne peuvent pas utiliser de lentilles cornéennes) et/ou qui ont des poils au visage (barbe ou moustache) pour éviter les erreurs de mesure.
  4. Informer les participants sur l’étude et la collecte de données (stockage des données, accessibilité). Obtenez des autorisations distinctes en cas d’enregistrements vidéo non anonymes. Obtenez la signature du participant sur le consentement éclairé avant de collecter des données.

2. Configuration de l’appareil et de l’emplacement de mesure

REMARQUE: Ce protocole est adapté à la collecte de données dans un environnement contrôlé (laboratoirealimentaire).

  1. Assurez-vous que la lumière dans la pièce est répartie uniformément - évitez les ombres sur les visages des participants.
  2. Évitez le bruit de fond sur les enregistrements vidéo en raison de la présence de personnes autres que le participant.
  3. Asseoir le participant sur une chaise avant une table; avec plateau situé juste en dessous de la poitrine du participant.
  4. Connectez le récepteur sans fil du plateau et la webcam à un ordinateur portable.
  5. Démarrez l’ordinateur portable. Assurez-vous que l’ordinateur portable a les spécifications suivantes: CPU i7-10750H, SSD M.2 512 GB, Mémoire 1x 16 GB, DDR4 2933 MHz non-ECC-memory, Système d’exploitation 64 bits.
  6. Allumez le plateau et assurez-vous qu’il y a une charge dans le plateau (feu vert).
  7. Ouvrez le programme de connecteur (dos), le récepteur et le logiciel du processeur ainsi que le tableau de bord, respectivement.
  8. Vérifiez la qualité de l’image entrante dans le programme du processeur (Figure 3).
    Remarque : pour détecter le comportement alimentaire, la qualité de l’image doit être dans le dernier quart de la barre des tâches (vert) ; aussi près de 100% vert que possible. La formation d’ombres peut entraîner une faible qualité d’image.
  9. Assurez-vous que le cadre de l’image est correct pour éviter une mauvaise qualité d’image. Assurez-vous que la tête du participant (au-dessus du crâne) jusqu’à la poitrine, y compris les bras et les épaules, est clairement visible.

3. Système de pesage et transport de données

  1. Valider les mesures avant l’utilisation du mEETr pour la première fois.
    REMARQUE : Le dispositif mEETr se compose d’un plateau-repas ordinaire disponible dans le commerce (plateau à dîner en époxy renforcé par fibre) avec trois stations de pesage intégrées(Figure 2).
  2. Pour valider la configuration, assurez-vous que le plateau mesure en permanence le poids d’une assiette, d’un bol et d’un verre à boire.
    REMARQUE: La précision de la balance de pesée sur toute la gamme doit être de 0,3%.
  3. Ne placez pas trop de poids sur chaque plate-forme de pesée. Le poids maximum pour la plus grande plate-forme (assiette) est de 1,5 kg. Le poids maximal des deux plates-formes de pesage plus petites (bol et verre) est de 800 g. Le poids minimal qui peut être mesuré avec précision est de 1 g pour chaque station de pesage.
  4. Assurez-vous que l’assiette, la tasse et le bol ne reposent pas sur la plate-forme ou le plateau environnant. Utilisez l’anneau central pour éviter cela.
    REMARQUE : Chaque station de pesage se compose de trois capteurs de force positionnés en triangle qui agissent ensemble comme une seule balance. Une position de triangle a été choisie pour équilibrer le poids.
  5. Assurez-vous de garder le plateau au sec. Le plateau comprend un panneau de base mince de 50 mm (carte de circuit imprimé centrale) sous le plateau qui contient l’électronique.
  6. Pour le transfert de données, assurez-vous que le plateau se connecte à un récepteur sans fil.
    REMARQUE: Transférer les données de pesée à un intervalle de 1 s via un signal radio à courte portée (environ 1 m de distance). Connectez le récepteur à un ordinateur personnel (PC) via un port USB.
  7. Les trois capteurs de force mesurent les forces (ou poids), les additionnent et les convertissent en une valeur de poids calibrée.
  8. Rechargez le plateau après chaque utilisation.
    REMARQUE: Le plateau est alimenté par une batterie interne et peut être chargé avec un chargeur USB. Un interrupteur à glissière marche/arrêt est situé près de la prise USB. Une charge complète de la batterie permet environ 20 h d’utilisation.
  9. Ne nettoyez pas le plateau dans un lave-vaisselle; le plateau n’est pas à l’épreuve du lave-vaisselle. Nettoyez le plateau à l’aide d’un spray nettoyant. Assurez-vous que le plateau est propre et sec. Les canaux de fuite le long des plates-formes drainent les déversements de liquide.

4. Explications des participants et début de l’observation

  1. Placez le mEETr devant le participant.
  2. Demandez au participant de 1) manger autant ou aussi peu qu’il le souhaite, 2) regarder directement dans la webcam en mangeant, et 3) ne pas mettre les mains devant le visage en mangeant.
  3. Démarrez une nouvelle observation dans le logiciel récepteur. Consignez la date, le numéro du participant, le sexe du participant, son âge et les données anthropométriques, telles que le poids et la taille. Incluez des renseignements supplémentaires tels que la condition de l’étude et la visite d’étude dans le nom de l’observation.
  4. Appuyez sur Enregistrer dans le logiciel récepteur pour enregistrer l’observation.
  5. Activez le tableau de bord afin de vérifier les enregistrements vidéo et les données entrantes lors de la collecte de données (Figure 4).
  6. Avant l’enregistrement, demandez au participant de 1) soulever la carte avec le numéro de participant et 2) de lever la main au début et à la fin du repas.
  7. Terminez l’observation lorsque le participant a fini de manger. Il faut 2 min pour transférer toutes les données vers une feuille de calcul.
  8. C’est la fin de la session pour le participant.
  9. Déconnectez la webcam et le plateau-récepteur de l’ordinateur portable et nettoyez-le avec un mouchoir de nettoyage ou un spray de nettoyage.

5. Évaluation et transfert de données

  1. Ouvrez la dernière observation dans le logiciel récepteur. Les mesures automatisées du comportement alimentaire sont stockées sous la rubrique Données. Cliquez sur Exporter les données pour extraire les données brutes. Le fichier de sortie suivant contient des données sur le nombre de participants, le temps réel, l’heure relative (au début) et les variables de comportement alimentaire (nombre de morsures, nombre de mastications, durée de mastication) par participant au test.
    Remarque : tous les comportements sont horodatés. Dans le logiciel récepteur, des données externes supplémentaires du plateau peuvent être extraites, par exemple, les données sur le poids de chacun des trois plateaux. Les données sont enregistrées 10 fois par seconde et transférées. Le temps de collecte des données du bac est synchronisé avec les enregistrements du comportement alimentaire.
  2. Résumez et visualisez les résultats dans différents diagrammes à barres au sein du programme lui-même. Exportez les résultats en tant que données brutes dans les fichiers journaux (.xsl) (Figure 5).
  3. Exportez les fichiers journaux dans une feuille de calcul et effectuez l’analyse des données à l’aide du programme statistique de préférence.
  4. Nettoyez les données avant l’analyse des données.
    REMARQUE: En raison des distorsions de pressage avec des couverts sur les plaques (provoquant une augmentation du poids), les données de pesée du plateau doivent être nettoyées selon une courbe Kaplan Meier avec la taille du pas indiquant la taille de la morsure, la longueur du pas indiquant le temps entre les piqûres. Le début de la courbe indique l’épaisseur de départ, la dernière étape indique l’épaisseur de fin) comme suit.
    1. Lisser sur les points de temps aux mesures par seconde pour filtrer les valeurs extrêmes.
    2. Fixez la limite de 5 g, détectez les plateaux de poids (c.-à-d. aucun changement à l’intérieur de +/- 5 g) et les changements de poids (changements au fil du temps supérieurs à 5 g) pour indiquer la taille des morsures et les changements de portions.
    3. Exclure l’augmentation de poids due au fait que les couverts restent sur la plaque.
      REMARQUE: La sortie est les changements de poids totaux par station de poids début et fin de repas (= taille du repas), taille moyenne des bouchées et morsures par minute.
  5. Pour déterminer les changements de taux d’alimentation (g/s) et de taille de la morsure (g/morsure) au cours du repas, intégrez manuellement les données sur le poids du plateau et le comportement alimentaire(Figure 6, Figure 7, Figure 8, Figure 9, Figure 10).

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Un taux d’ingestion plus lent(figure 7),des gorgées/bouchées plus petites(figure 8)et un plus grand nombre de mâches(figure 9)ont entraîné une consommation plus faible de la salade que celle du yaourt et du jus(figure 6),tels que mesurés par le plateau de mEETr. Les participants ont mangé 17% de moins de salade de fruits par rapport au jus de fruits. Toutes les caractéristiques du comportement alimentaire différaient entre le jus, le yaourt et la salade(figure 7, figure 8, figure 9). Les participants ont mâché beaucoup plus sur la salade de fruits que sur le yaourt et le jus. Le nombre observé de mastications différait d’un facteur de trois entre le yaourt et la salade de fruits. De plus, la taille de la bouchée était la plus petite pour la salade 6,5 g par bouchée par rapport au jus: 8 g par gorgée. Dans l’ensemble, le nombre de mâches, la taille des bouchées et le taux d’alimentation semblaient affecter la quantité consommée pendant le repas dans un laboratoire alimentaire. Ces résultats sont conformes à d’autres études qui rapportent qu’un temps de traitement oral accru (nombre plus élevé de mâches, plus petites tailles de morsure) diminue l’apport alimentaire12,13,14,15.

Figure 1
Figure 1: Image du plateau ci-dessous avec les trois stations de pesage et les trois capteurs de pression sur la plaque d’impression ci-dessus. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 2
Figure 2: La configuration du mEETr avec les produits alimentaires testés. Veuillez cliquer ici pour voir une version plus grande de cette figure.

Figure 3
Figure 3: Détection automatisée du comportement alimentaire à l’aide de points fixes sur le visage (yeux et bouche). Cliquez ici pour voir une version plus grande de cette figure.

Figure 4
Figure 4: Tableau de bord visualisant les données entrantes des trois balances du plateau ainsi que les données vidéo entrantes. Veuillez cliquer ici pour voir une version plus grande de cette figure.

Figure 5
Figure 5: Vue d’ensemble de la collecte de données. La diminution du poids des aliments sur les trois balances au cours du repas est illustrée par les trois graphiques supérieurs; les pics sont causés par la pression des couverts. Les morsures et les gorgées (y compris la durée) et le nombre de mâches sont indiqués dans la dernière rangée par les barres horizontales colorées. Veuillez cliquer ici pour voir une version plus grande de cette figure.

Figure 6
Figure 6: Apport alimentaire (g) par produit mesuré avec le plateau mEETr. Veuillez cliquer ici pour voir une version plus grande de cette figure.

Figure 7
Figure 7: Taux de consommation (g/min) par produit basé sur le plateau mEETr et l’analyse vidéo automatisée du comportement alimentaire. Veuillez cliquer ici pour voir une version plus grande de cette figure.

Figure 8
Figure 8: Taille moyenne des bouchées (g) par produit sur la base du plateau mEETr et de l’analyse vidéo automatisée du comportement alimentaire. Veuillez cliquer ici pour voir une version plus grande de cette figure.

Figure 9
Figure 9: Nombre total de mastications par produit sur la base du plateau mEETr et de l’analyse vidéo automatisée du comportement alimentaire. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 10
Figure 10: Sortie de données brutes d’une mesure, y compris les trois plates-formes de pesage, le comportement et les horodatages. Veuillez cliquer ici pour afficher une version plus grande de cette figure.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Une alimentation saine et un comportement alimentaire sain ont montré qu’ils jouent un rôle clé dans la prévention et la solution du surpoids et de l’obésité11. Cependant, bon nombre des méthodes utilisées pour mesurer l’apport alimentaire et le comportement alimentaire sont lourdes pour les utilisateurs, les chercheurs et les professionnels de la santé et peuvent être biaisées car elles dépendent des estimations de la mémoire et de la taille des portions. L’utilisation du mEETr, indépendamment ou parallèlement aux méthodes conventionnelles d’évaluation vidéo et diététique, diminuerait l’effort, l’exactitude et la précision de l’évaluation de l’apport alimentaire et du comportement alimentaire.

Avant que le mEETr puisse être utilisé, quelques étapes critiques doivent être abordées. Une considération méthodologique de base est la protection de la vie privée liée à l’analyse faciale de la vidéo enregistrée. L’anonymat des participants fait partie intégrante de la recherche éthique. Cependant, l’analyse faciale faisant partie du mEETr, l’anonymat est presque impossible16. Ainsi, l’utilisation du mEETr dans un cadre de recherche nécessite des dispositions détaillées concernant la sécurité des données et mérite une attention particulière dans le consentement éclairé et d’autres documents du participant. En fin de compte, dans une version améliorée du mEETr, les enregistrements faciaux sont traités en temps réel dans l’appareil sans stocker de données vidéo. Par conséquent, aucun stockage des enregistrements faciaux ne serait justifié, ce qui permettrait la collecte de données anonymes.

Une autre étape critique du protocole est que dans cette version du mEETr, tous les flux de données sont indépendants, ce qui nécessite l’intégration des mesures des analyses vidéo et des trois échelles différentes lors du post-traitement. L’analyse des données est effectuée simplement sur la base de la station de pesage; c’est ensuite au chercheur de coupler les données a posteriori à ce qui a été servi dans ce bol spécifique ou sur cette assiette spécifique ou à l’emplacement de la tasse. Pour éviter le mélange des flux de données, la structure du plateau impose que le bol, la plaque ou la tasse ne puisse être placé qu’à des endroits spécifiques en raison d’anneaux qui s’adaptent à la vaisselle spécifique.

Finalement, l’intégration immédiate des flux de données doit avoir lieu, ce qui servirait de mesure de validation supplémentaire pour la prise de décision en temps réel avec un changement de poids dans le bol / assiette / tasse validant la morsure ou la gorgée et vice versa, et en tant que tel permettant une rétroaction automatisée sur le comportement alimentaire immédiatement après le repas.

En plus de ces étapes critiques, la surveillance et le dépannage des données ou la capture d’erreurs devraient être simplifiés, ce qui pourrait être réalisé à l’aide des modifications suivantes: (1) Automisation du démarrage du système, (2) Intégration d’indicateurs de qualité sur le tableau de bord qui fournissent les informations sur la qualité vidéo pour la détection automatisée du comportement alimentaire, (3) Réduction des besoins en mémoire pour l’ordinateur portable , (4) Détection automatisée des événements qui empêche les tentatives de mesure pendant les périodes de non-consommation.

En plus de ces domaines à améliorer, il y a certains défis lors de l’utilisation de l’eemtro-m qui méritent une attention particulière. Tout d’abord, les versions suivantes du mEETr doivent être rendues étanches de manière à pouvoir être nettoyées dans un lave-vaisselle. Deuxièmement, pour obtenir des mesures valides du comportement alimentaire, le participant doit respecter diverses restrictions et règles. Pour une utilisation valide du mEETr, il est essentiel que la vidéo soit ininterrompue et que l’utilisateur regarde directement dans la caméra pendant la mastication. De plus, pour que l’algorithme détecte les mâches et les hirondelles, l’utilisateur doit être 1) entièrement visible dans le cadre, y compris les épaules et les mains 2) n’avoir aucune ombre sur le visage; une normalisation de la lumière est nécessaire. Ces prérequis perturbent le comportement alimentaire naturel ou normal. Comme manger est une affaire intrinsèquement sociale dans des conditions de vie normales, avoir ces restrictions en place ne s’intègre pas sans effort avec un comportement alimentaire social normal. Ainsi, l’utilisation précise du mEETr, pour l’instant, nécessite une façon non conventionnelle de manger. Des modifications doivent être apportées à l’algorithme à l’avenir pour avoir une mesure plus robuste qui n’oblige pas le participant à respecter certaines règles ou restrictions alimentaires. En général, l’utilisation du mEETr peut créer une réactivité de l’utilisateur, ce qui entraîne une modification de l’apport alimentaire en raison de la sensibilisation à ce qui est consommé à l’aide du plateau du mEETr. Cela peut être évité lorsque les stations de pesage intégrées sont complètement cachées et qu’une caméra vis-à-vis est utilisée qui est incorporée dans le plateau de sorte qu’une hauteur de taille standard n’est pas requise. La version actuelle du mEEtr n’est donc adaptée qu’aux études en laboratoire. En raison des restrictions et des règles requises par cette technique, les résultats ne se traduisent pas directement par des habitudes alimentaires libres.

À côté de ces modifications, il y a deux extensions fonctionnelles du système actuel qui doivent être incorporées à l’avenir. Tout d’abord, une technologie de caméra hyperspectrale supplémentaire doit être ajoutée au mEETr pour analyser la teneur en macronutriments des aliments dans l’assiette. Cela éviterait le besoin de connaissance de l’aliment exact qui se trouve dans l’assiette tout en permettant des mesures de l’apport calorique par repas. Deuxièmement, une approche d’apprentissage automatique pour reconnaître automatiquement les produits alimentaires peut être attachée à l’analyse vidéo actuelle, ce qui permet une automatisation supplémentaire du système. Pour augmenter encore la reconnaissance des repas, une deuxième caméra pourrait être ajoutée qui se concentre uniquement sur la nourriture et les boissons dans les assiettes.

Idéalement, le plateau et la caméra mEETr peuvent être liés à l’écosystème d’applications diététiques existant, ce qui permettrait une entrée directe des résultats mEETr dans les applications diététiques et les diététiciens2. Sur la base des informations recueillies par le mEETr, une rétroaction et des conseils immédiats peuvent être donnés au consommateur ou au patient en tenant compte de l’apport (macro)nutritif et du comportement alimentaire (texture et taux d’alimentation des aliments). Cela permettrait à l’utilisateur d’optimiser son alimentation et son comportement alimentaire pour créer un mode de vie sain.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Le dispositif mEETr et le logiciel qui l’accompagne ont été développés en coopération avec un partenaire commercial; Noldus Technologie de l’information. Les auteurs ne déclarent aucun conflit d’intérêts.

Acknowledgments

Nous remercions J.M.C. D. Meijer du Studio de développement technique de l’Université et de la Recherche de Wageningen pour son aide dans le développement du plateau mEETr. Cette recherche a été financée par le projet 4TU-Pride and Prejudice des 4 universités techniques néerlandaises.

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

Comportement Numéro 168 évaluation alimentaire technologie intelligence artificielle apport alimentaire comportement alimentaire mastication

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

Élaboration de concepts et utilisation d’une méthode automatisée d’évaluation de l’apport alimentaire et du comportement alimentaire
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