Konceptutveckling och användning av en automatiserad metod för bedömning av matintag och ätbeteende

Summary

Detta protokoll visar och förklarar en ny teknikbaserad kostbedömningsmetod. Metoden består av en matbricka med flera inbyggda vågskålar och en videokamera. Enheten är unik i den meningen att den innehåller automatiserade mått på mat- och dryckesintag och ätbeteende under en måltid.

Abstract

De allra flesta metoder för bedömning av kost- och ätbeteende baseras på självrapporter. De är betungande och också benägna att mäta fel. Nya tekniska innovationer möjliggör utveckling av mer exakta och exakta verktyg för bedömning av kost- och ätbeteende som kräver mindre ansträngning för både användaren och forskaren. Därför utvecklades en ny sensorbaserad enhet för att bedöma matintag och ätbeteende. Enheten är en vanlig matbricka utrustad med en videokamera och tre separata inbyggda vägningsstationer. Vägningsstationerna mäter skålens, tallrikens och dryckeskoppens vikt kontinuerligt under en måltid. Videokameran som är placerad i ansiktet registrerar ätbeteendeegenskaper (tuggor, bett), som analyseras med hjälp av artificiell intelligens (AI)-baserad automatisk ansiktsuttrycksprogram. Fackets vikt och videodata transporteras i realtid till en persondator (PC) med hjälp av en trådlös mottagare. Resultaten av ränta, såsom mängden som äts, äthastighet och bettstorlek, kan beräknas genom att subtrahera data för dessa mått vid tidpunkterna för intresse. Informationen som erhålls av den nuvarande versionen av brickan kan användas för forskningsändamål, en uppgraderad version av enheten skulle också underlätta tillhandahållandet av mer personliga råd om kostintag och ätbeteende. I motsats till de konventionella kostbedömningsmetoderna mäter denna kostbedömningsanordning matintag direkt inom en måltid och är inte beroende av minne eller portionsstorleksuppskattningen. I slutändan är denna enhet därför lämplig för dagliga åtgärder för huvudmatintag och ätbeteende. I framtiden kan denna teknikbaserade kostbedömningsmetod kopplas till hälsoapplikationer eller smarta klockor för att få en fullständig översikt över träning, energiintag och ätbeteende.

Introduction

Inom näringsforskning och kostpraxis är det viktigt att ha bra mått på vad, hur mycket och hur människor äter, för att hitta lösningar på övervikts- och fetmaproblemen. För att bedöma intaget via kosten används ofta konventionella självrapportformulär som matdagböcker, 24 h återkallelser eller frågeformulär om livsmedelsfrekvens¹. Dessa metoder förlitar sig på självrapport och är därför tidskrävande och benägna att partiskhet på grund av socialt önskvärda svar, minnesotillgängliga och svårigheter att uppskatta portionsstorlekar^2,3. Förutom mått på kostkvaliteten (mattyp och uppäten mängd) är det också viktigt att veta hur maten äts, eftersom ätbeteenden som saktar ner matintaget har visat sig förhindra överkonsumtion inom en måltid⁴. För att bedöma ätbeteende är den gyllene standarden att ha två observatörer kommentera videoinspelningar av människor som äter en måltid⁵. Denna metod är ganska arbetsintensiv och tidskrävande och tillåter inte omedelbar feedback om beteendet.

De senaste tekniska framstegen ger nu möjlighet att kombinera automatiserade mått på matintag med automatiserade mått på ätbeteendet under en måltid. Som svar på denna utveckling utvecklades en ny sensorbaserad dietbedömningsmetod, kallad mEETr, förkortningen för de två nederländska orden "Meter" (översatt: mätanordning) och "eet" (översatt: att äta). MEETr är en vanlig matbricka med tre inbyggda vägningsstationer(figur 1 visar brickans och sensorplattorns design) och en kamerahållare. Varje vägningsstation består av tre triangulärt placerade mätpunkter för att fördela vikten. Vägningsstationerna mäter skålens, tallrikens och drickskoppens eller glasets vikt kontinuerligt över måltiden. MEETr har även en videokamerahållare. För närvarande är kamerahållaren separat från facket, men för standardiseringsändamål skulle en integrerad kamera efter nästa uppgradering av mEETr (en vikbar videokamerapinne) vara idealisk. Kameran underlättar automatiserad realtidsanalys av antalet bett och tuggor och ättid, vilket möjliggör generering av information om äthastigheten och bettstorleken. Automatiserad analys av ätbeteende görs med hjälp av en nyutvecklad algoritm. Olika forskargrupper har utvecklat enheter för att ge människor feedback i realtid om accelerationen av att äta och mängden människor äter⁶. Dessutom har förstärkta gafflar utvecklats för att ge feedback i realtid om antalet bett och deras frekvens inom en måltid⁷. Dessutom utvecklades en öronsensor för att mäta mikrostrukturen att äta under fria levnadsförhållanden^8,9. Liknar denna enhet är den uppsättning som används av Ioakimidis et al.¹⁰, där videoåtgärder kombinerades med en vägningsplatta för att bestämma matintaget, antalet bett och tuggbeteende.

Jämfört med dessa enheter är mEETr nyhet att den kombinerar automatiserade mått på matintag av två tallrikar och en drickkopp (n = 3) och ätbeteende (t.ex. äthastighet, antal bett, bettstorlek och tuggbeteende) i en enhet. MEETr, som visats, är lämplig för måltidsmått av matintag och ätbeteende inom en kontrollerad (äta labb) miljö, men så småningom är målet att använda mEETr i mindre kontrollerade miljöer där återutförda måltidsplaner används som daghem, äldreboenden och sjukhus.

I slutändan kommer mEETr att ge ett mer objektivt och som sådant mer exakt och exakt mått på matintag och ätbeteende än konventionella kostbedömningsmetoder och manuell kodning av videor. Bättre åtgärder för födointaget skulle gynna närings- och hälsoforskningen, men också hälso- och sjukvårdspersonalen i deras utmaning att bekämpa ökningen av livsmedelsrelaterade icke-smittsamma sjukdomar¹¹. I slutändan kan mEETr användas i forsknings- och hälsovårdsmiljöer samt av hälsomedvetna användare hemma genom att länka mEETr till befintlig teknik och programvara, till exempel andra hälsoappar eller smarta klockor. Sammantaget ger dessa hälsoåtgärder användaren eller hälso- och sjukvårdsproffset en ganska mångsidig och fullständig översikt över en mängd olika hälsobeteendemönster (t.ex. matintag, ätbeteende, energiförbrukning baserad på verkliga åtgärder, sömn, stress) som gör det möjligt för användaren att optimera sin kost och skapa en hälsosam livsstil.

Protocol

Denna pilotstudie godkändes av METC vid Wageningen University innan projektet startades.

VARNING: Alla deltagare som bidrar till detta projekt gav ett informerat samtycke, inklusive godkännande av videobilder som visar synliga och igenkännliga ansikten.

1. Provberedning och deltagarnas samtycke

1. Förbered en juice (glas eller kopp), fruktyoghurt (skål) och fruktbitar (tallrik).
   OBS: Dessa livsmedel väljs endast ut för demonstrationsändamål (figur 2).
2. Rekrytera en deltagare eller en volontär som går med på att delta i studien.
3. Exkludera deltagare som bär glasögon (som inte kan använda kontaktlinser) och/eller har ansiktshår (skägg eller mustasch) för att undvika mätfel.
4. Informera deltagarna om studien och datainsamlingen (datalagring, tillgänglighet). Få separata behörigheter vid icke-anonyma videoinspelningar. Få deltagarens underskrift på det informerade medgivandet innan du samlar in data.

2. Enhets- och mätplatsuppsättning

OBS: Detta protokoll är lämpligt för datainsamling i en kontrollerad (ätande laboratorie) inställning.

1. Se till att ljuset i rummet är jämnt fördelat på skuggor på deltagarnas ansikten.
2. Undvik bakgrundsljudet på videoinspelningarna på grund av närvaron av andra individer än deltagaren.
3. Placera deltagaren på en stol framför ett bord. med bordsskivan placerad precis under deltagarens bröstkorg.
4. Anslut den trådlösa mottagaren av facket och webbkameran till en bärbar dator.
5. Starta den bärbara datorn. Se till att den bärbara datorn har följande specifikationer: CPU i7-10750H, SSD M.2 512 GB, Minne 1x 16 GB, DDR4 2933 MHz icke-ECC-minne, Operativsystem 64 bit.
6. Slå på facket och se till att det finns laddning i facket (grönt ljus).
7. Öppna anslutningsprogrammet (dos), mottagaren och processorprogrammet tillsammans med instrumentpanelen.
8. Kontrollera den inkommande bildkvaliteten i processorprogrammet (bild 3).
   OBS: För att upptäcka ätbeteendet bör bildkvaliteten vara inom det sista kvartalet i aktivitetsfältet (grönt); så nära 100% grön som möjligt. Skuggformning kan leda till låg bildkvalitet.
9. Kontrollera att bildramen är korrekt för att förhindra dålig bildkvalitet. Se till att deltagarens huvud (ovanför kraniet) till bröstet, inklusive armar och axlar, är tydligt synliga.

3. Vägningssystem och datatransport

1. Validera åtgärderna före användningen av mEETr för första gången.
   OBS: MEETr-enheten består av en vanlig kommersiellt tillgänglig matbricka (fiberförstramad epoximiddagsbricka) med tre inbyggda vägningsstationer(figur 2).
2. För att validera ikonen, se till att brickan kontinuerligt mäter vikten av en tallrik, skål och dricksglas.
   OBS: Vågskalan ska vara exakt över hela intervallet och vara 0,3 %.
3. Lägg inte för mycket vikt på varje vägningsplattform. Maxvikten för den största plattformen (middagsplatta) är 1,5 kg. Den maximala vikten av de två mindre vägningsplattformarna (skål och glas) är 800 g. Den minsta vikt som kan mätas noggrant är 1 g för varje vägningsstation.
4. Se till att tallriken, koppen och skålen inte vilar på plattformen eller den omgivande brickan. Använd mittringen för att undvika detta.
   OBS: Varje vågstation består av tre triangelpositionerade kraftsensorer som fungerar tillsammans som en skala. En triangelposition valdes för att balansera vikt.
5. Se till att hålla brickan torr. Brickan innehåller en 50 mm tunn baspanel (mitt kretskort) under facket som innehåller elektroniken.
6. För dataöverföring, se till att facket ansluter till en trådlös mottagare.
   OBS: Överför vägningsdata med ett intervall på 1 s via en kortdistansradiosignal (ca 1 m avstånd). Anslut mottagaren till en persondator (PC) via en USB-port.
7. De tre kraftsensorerna mäter krafterna (eller vikterna), summerar dem och konverterar dem till ett kalibrerat viktvärde.
8. Ladda brickan efter varje användning.
   OBS: Facket drivs av ett internt batteripaket och kan laddas med en USB-laddare. En på/av-bildbrytare finns nära USB-uttaget. En full batteriladdning ger ca 20 h användning.
9. Rengör inte brickan i diskmaskin. brickan inte är diskmaskinssäker. Rengör brickan med en rengöringsspray. Se till att brickan hålls ren och torr. Läckagekanaler längs plattformarna dränerar vätskespill.

4. Förklaring till deltagare och början av observationen

1. Placera mEETr framför deltagaren.
2. Instruera deltagaren att 1) äta så mycket eller så lite som han / hon vill, 2) titta rakt in i webbkameran medan du äter, och 3) lägg inte händerna framför ansiktet medan du äter.
3. Starta en ny observation i mottagarens programvara. Logga datum, deltagarnummer, deltagarens kön, ålder och antropometriska data, till exempel vikt och längd. Inkludera ytterligare information som studietillståndet och studiebesöket i observationsnamnet.
4. Tryck på Spela in i mottagarens programvara för att spela in observationen.
5. Aktivera instrumentpanelen för att kontrollera videoinspelningarna och inkommande data under datainsamlingen (bild 4).
6. Före inspelningen, be deltagaren att 1) höja kortet med deltagarnumret och 2) räcka upp handen i början och slutet av måltiden.
7. Avsluta observationen när deltagaren har ätit klart. Det tar 2 minuter att överföra alla data till ett kalkylblad.
8. Detta är slutet på sessionen för deltagaren.
9. Koppla bort webbkameran och brickmottagaren från den bärbara datorn och rengör den med en rengöringsvävnad eller rengöringsspray.

5. Utvärdering och överföring av uppgifter

1. Öppna den sista observationen i mottagarens programvara. Automatiserade mått på ätbeteende lagras under rubriken Data. Klicka på Exportera data för att extrahera rådata. Den efterföljande utdatafilen innehåller data om deltagarnummer, realtid, relativ (till start) tid och ätbeteendevariabler (antal bett, antal tuggor, tugglängd) per testdeltagare.
   Alla beteenden är tidsstämplade. I mottagarens programvara kan ytterligare externa data för facket extraheras, till exempel data om vikten på var och en av de tre facken. Uppgifterna registreras 10 gånger per sekund och överförs. Insamlingstiden för fackdata synkroniseras med inspelningarna av ätbeteende.
2. Sammanfatta och visualisera resultaten i olika stapeldiagram i själva programmet. Exportera resultaten som rådata i loggfiler (.xsl) (bild 5).
3. Exportera loggfilerna till ett kalkylblad och utför dataanalysen med hjälp av det statistiska preferensprogrammet.
4. Rengör data före dataanalys.
   OBS: På grund av snedvridningen av pressning med bestick på plattorna (vilket orsakar en ökning av vikten) måste brickan väga data rengöras till en Kaplan Meier-kurva med stegstorlek som indikerar bettstorlek, steglängden som anger tid mellan bett. Kurvans början indikerar startvikt, det sista steget anger slutvikt) enligt följande.
   1. Jämna ut över tidspunkterna till mått per sekund för att filtrera bort extrema värden.
   2. Ställ in 5 g gräns, detektera viktplatåer (dvs. ingen förändring inom +/- 5 g) och viktförändringar (förändringar över tid större än 5 g) för att indikera bettstorlekar och portionsförändringar.
   3. Exkludera viktökning på grund av bestick kvar på plattan.
      OBS: Effekten är de totala viktförändringar per viktstation som börjar och slutar med måltid (= måltidsstorlek), genomsnittlig bettstorlek och bett per min.
5. För att bestämma äthastigheten (g/sek) och bettstorleken (g/bite) förändras under måltiden, integrera manuellt brickviktsdata och ätbeteendet(figur 6, figur 7, figur 8, figur 9, figur 10).

Representative Results

En långsammare förtäringshastighet (figur 7),mindre sip/bite-storlekar (figur 8) och fler tuggor (figur 9) ledde till lägre intag av salladen jämfört med yoghurt och juice (figur 6) mätt med mEETr-brickan. Deltagarna åt 17% mindre av fruktsalladen jämfört med fruktjuicen. Alla ätbeteendeegenskaper skilde sig mellan juice, yoghurt och sallad(figur 7, figur 8, figur 9). Deltagarna tuggade betydligt mer på fruktsalladen jämfört med yoghurt och juice. Det observerade antalet tuggor skilde sig åt med en faktor på tre mellan yoghurt och fruktsallad. Dessutom var bitstorleken den minsta för salladen 6,5 g per bit jämfört med saften: 8 g per klunk. Sammantaget verkade antalet tuggor, bettstorleken och äthastigheten påverka mängden som åts under måltiden i en ätande labbmiljö. Dessa resultat är i enlighet med andra studier som rapporterar att en ökad oral bearbetningstid (högre antal tuggor, mindre bettstorlekar) minskar^{matintaget 12,13,14,15}.

Bild 1: Bild på brickan nedan med de tre vågstationerna och de tre trycksensorerna på tryckplattan ovan.

Figur 2: MEETr-uppsättningen med de testade livsmedelsvarorna. Klicka här om du vill visa en större version av den här figuren.

Bild 3: Automatisk detektering av ätbeteendet med fasta punkter i ansiktet (ögon och mun). Klicka här för att se en större version av den här figuren.

Bild 4: Instrumentpanelen visualiserar inkommande data för fackets trevågskålar samt inkommande videodata.

Bild 5: Översikt över datainsamling. Minskningen av matvikten på de tre vågskålarna under måltidens gång visas av de tre övre diagrammen; toppar orsakas av trycket från bestick. Bett och klunkar (inklusive varaktighet) och antal tuggor visas på sista raden av de färgade horisontella staplarna. Klicka här om du vill visa en större version av den här figuren.

Bild 6:Matintag (g) per produkt mätt med mEETr-facket. Klicka här för att se en större version av denna siffra.

Bild 7:Äthastighet (g/min) per produkt baserat på mEETr-facket och videoanalys av automatiserat ätbeteende.

Bild 8:Genomsnittlig bitstorlek (g) per produkt baserat på mEETr-facket och automatisk analys av ätbeteendevideo.

Bild 9:Totalt antal tuggor per produkt baserat på mEETr-facket och videoanalys av automatiserat ätbeteende.

Bild 10: Rådata från en mätning, inklusive de tre vägningsplattformarna, beteendet ochtidsstämplarna.

Discussion

En hälsosam kost och ett hälsosamt ätbeteende har visat sig spela en nyckelroll i förebyggandet av och lösningen på övervikt och fetma¹¹. Många av de metoder som används för att mäta intaget via kosten och ätbeteendet är dock betungande för användare, forskare och vårdpersonal och kan vara partiska eftersom de är beroende av minne och uppskattningar av portionsstorlek. Att använda mEETr, självständigt eller tillsammans med konventionella video- och kostbedömningsmetoder, skulle minska ansträngningen och noggrannheten och precisionen i kostintag och bedömning av ätbeteende.

Innan mEETr kan användas måste några kritiska steg åtgärdas. En grundläggande metodologisk övervägande är integritet relaterad till ansiktsanalys av inspelad video. Anonymitet för deltagarna är ett integrerat inslag i etisk forskning. Men med ansiktsanalysen som en del av mEETr är anonymitet nästan omöjlig¹⁶. Användningen av mEETr i en forskningsmiljö kräver därför omfattande bestämmelser om datasäkerhet och förtjänar uppmärksamhet i informerat samtycke och annan deltagardokumentation. I slutändan behandlas i en uppgraderad version av mEETr-ansiktsinspelningarna i realtid inom enheten utan att lagra videodata. Följaktligen skulle ingen lagring av ansiktsinspelningarna vara berättigad, vilket skulle möjliggöra anonym datainsamling.

Ett annat kritiskt steg i protokollet är att i denna version av mEETr är alla dataströmmar oberoende vilket kräver integrering av måtten på videoanalyserna och de tre olika skalorna under efterbehandlingen. Analysen av data utförs helt enkelt på grundval av vägningsstationen; Det är sedan upp till forskaren att koppla data efter hoc till vad som serverades i den specifika skålen eller på den specifika plattan eller på koppens plats. För att förhindra blandning av dataströmmar tvingar brickans struktur att skålen, plattan eller koppen endast kan placeras på specifika platser på grund av ringar som passar den specifika biten av servisen.

Så småningom måste den omedelbara integrationen av dataströmmarna ske, vilket skulle fungera som en extra valideringsåtgärd för beslutsfattande i realtid med viktförändring i skålen / tallriken / koppen validera bettet eller sippa och vice versa, och som sådan tillåta automatiserad feedback om ätbeteende omedelbart efter måltiden.

Utöver dessa kritiska steg bör dataövervakning och felsökning eller felfångning förenklas, vilket kan uppnås med hjälp av följande ändringar: (1) Automatisk identifiering av systemets start, (2) Integrering av kvalitetsindikatorer på instrumentpanelen som ger information om videokvalitet för automatisk ätande beteendedetektering, (3) Lägre minneskrav för den bärbara datorn , (4) Automatisk händelsedetektering som förhindrar mätförsök under icke-ättider.

Utöver dessa förbättringsområden finns det vissa utmaningar när du använder mEETr som förtjänar uppmärksamhet. För det första bör följande versioner av mEETr göras vattentäta så att de kan rengöras i diskmaskin. För det andra, för att få giltiga mått på ätbeteendet måste deltagaren följa olika begränsningar och regler. För giltig användning av mEETr är det viktigt att videon är oavbruten och att användaren tittar rakt in i kameran medan han tuggar. För att algoritmen ska upptäcka tuggor och svalor måste användaren dessutom vara 1) fullt synlig i ramen inklusive axlar och händer 2) har inga skuggor i ansiktet; standardisering av ljus behövs. Dessa förutsättningar stör det naturliga eller normala ätbeteendet. Eftersom äta är en inneboende social affär under normala levnadsförhållanden, att ha dessa begränsningar på plats inte mesh utan problem med normalt socialt ätbeteende. Således kräver den exakta användningen av mEETr för närvarande ett icke-konventionellt sätt att äta. Ändringar i algoritmen måste göras i framtiden för att ha en mer robust mätning som inte kräver att deltagaren följer vissa ätregler eller begränsningar. I allmänhet kan användningen av mEETr skapa användarreaktivitet, vilket resulterar i förändrat matintag på grund av medvetenhet om vad som äts med mEETr-brickan. Detta kan förhindras när de inbyggda vägningsstationerna är helt dolda, och en vis-eye-kamera används som ingår i brickan så att en standard ansiktshöjd inte krävs. Den nuvarande versionen av mEEtr är därför endast lämplig för labbbaserade studier. På grund av de begränsningar och regler som krävs enligt denna teknik översätter resultaten inte direkt till fri levande ätmönster.

Bredvid dessa förändringar finns det två funktionella förlängningar av det nuvarande systemet som måste införlivas i framtiden. För det första måste ytterligare hyperspektral kamerateknik läggas till mEETr för att analysera makronäringsämnets makronäringsinnehåll på tallriken. Detta skulle kringgå behovet av kunskap om den exakta livsmedelsvaran som finns på tallriken samtidigt som kaloriintagsmätningar tillåts per måltid. För det andra kan en maskininlärningsmetod för att automatiskt känna igen matvaror kopplas till den aktuella videoanalysen, vilket möjliggör ytterligare automatisering av systemet. För att ytterligare öka måltidsigenkänningen kan en andra kamera läggas till som enbart fokuserar på mat och dryck på tallrikarna.

Helst kan mEETr-brickan och kameran kopplas till det befintliga ekosystemet för kostappar, vilket skulle möjliggöra direkt inmatning av mEETr-resultaten i kostappar och dietister². Baserat på den information som samlas in av mEETr kan omedelbar feedback och råd ges till konsumenten eller patienten med tanke på (makro)näringsintag och ätbeteende (matstruktur och äthastighet). Detta skulle göra det möjligt för användaren att optimera sin kost och ätbeteende för att skapa en hälsosam livsstil.

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.