Gestaltung und Bewertung von Datenbrillen für Nahrungsaufnahme und körperliche Aktivität Klassifizierung

Zusammenfassung

Diese Studie stellt ein Protokoll der Entwicklung und Herstellung eine Brillen-Typ tragbares Gerät, die erkennt die Muster der Nahrungsaufnahme und andere empfohlenen körperlichen Aktivitäten mit Wägezellen in beide Scharniere der Gläser eingefügt.

Zusammenfassung

Diese Studie stellt eine Reihe von Protokollen der Entwicklung und Herstellung eine Brillen-Typ tragbare Gerät, die die Muster der Temporalis Muskelaktivitäten während der Nahrungsaufnahme und andere körperlichen Aktivitäten erkennt. Wir fabrizierten einen 3D-gedruckten Rahmen der Gläser und eine Zelle integriert Printed Circuit Board (PCB) Lademodul in beiden Seiten des Rahmens eingefügt. Das Modul wurde zur erwerben die Kraft-Signale und drahtlos zu übertragen. Diese Verfahren bieten das System höhere Mobilität, die ausgewertet werden kann, tragen Praxisbedingungen wie Wandern und wackeln. Eine Aufführung der Klassifikation wird auch durch die Unterscheidung der Muster der Nahrungsaufnahme von diesen körperlichen Aktivitäten ausgewertet. Eine Reihe von Algorithmen wurden zur Vorverarbeitung Signale generieren Merkmalsvektoren und erkennen der Muster von mehreren vorgestellten Aktivitäten (kauen und zwinkert) und andere körperlichen Aktivitäten (sitzende Rest, reden, und zu Fuß). Die Ergebnisse zeigten, dass die durchschnittliche F₁ Ergebnis der Klassifizierung unter den vorgestellten Aktivitäten 91,4 %. Wir glauben, dass dieser Ansatz für die automatische und objektive Überwachung medikamentöser Verhaltensweisen mit einer höheren Genauigkeit als praktisches Mittel zur medikamentöser Behandlung möglicherweise nützlich sein kann.

Einleitung

Laufende und objektive Überwachung der Nahrungsaufnahme ist unerlässlich für die Aufrechterhaltung der Energiebilanz im menschlichen Körper als übermäßige Energieansammlung verursachen Übergewicht und Adipositas¹, mit verschiedenen medizinischen Komplikationen²führen kann. Die wichtigsten Faktoren in der Energie-Ungleichgewicht sind bekannt, übermäßige Nahrungsaufnahme und unzureichende körperliche Aktivität³. Verschiedene Studien über die Überwachung der täglichen Energieverbrauch wurden mit automatischen und objektive Messung von körperlicher Aktivitätsmuster durch tragbare Geräte^4,5,6, auch bei der Endverbraucher Ebene und medizinische Stufe⁷. Forschung über die Kontrolle der Nahrungsaufnahme, ist jedoch noch im Labor einrichten, da es schwierig ist, die Nahrung Aufnahme Aktivität in einer direkten und objektiven Weise erkennen. Hier wollen wir eine Gerätekonstruktion und deren Bewertung für die Überwachung der Nahrungsaufnahme und körperliche Aktivitätsmuster auf praktischer Ebene im täglichen Leben zu präsentieren.

Es wurden verschiedene indirekte Ansätze zur Überwachung der Nahrungsaufnahme durch Kauen und schlucken Geräusche^8,9,10, Bewegung des Handgelenks^11,12,13, Bild Analyse¹⁴und Elektromyogramm (EMG)¹⁵. Diese Ansätze waren jedoch schwer zu täglichen Leben, wegen ihrer inhärenten Einschränkungen gelten: die Methoden mit Sound waren anfällig für beeinflusst werden ökologische Klang; die Methoden, die durch die Bewegung des Handgelenks waren schwierig zu unterscheiden, andere körperlichen Aktivitäten, beim Essen nicht verarbeiten; und die Methoden mit den Bildern und EMG-Signale werden durch die Begrenzung der Bewegung und Umwelt eingeschränkt. Diese Studien zeigten die Möglichkeit der automatischen Erkennung von der Nahrungsaufnahme mit Hilfe von Sensoren, sondern hatte noch eine Einschränkung der praktischen Anwendbarkeit in den Alltag über Labor-Einstellungen.

In dieser Studie verwendeten wir die Muster der Temporalis Muskel-Aktivität als eine automatische und objektive Überwachung der Nahrungsaufnahme. In der Regel wiederholt Temporalis Muskel der Kontraktion und Entspannung als Teil der physiologischen Muskel während Essen Einlass^16,17; Somit kann die Lebensmittel Aufnahme Aktivität überwacht werden, durch den Nachweis der periodischen Mustern Temporalis Muskel-Aktivität. Vor kurzem gab es mehrere Studien, die unter Verwendung der Temporalis Muskel-Aktivität^18,19,20,21, die die EMG oder piezoelektrische Belastung verwendet Sensor und befestigen sie direkt auf Menschen Haut. Diese Ansätze jedoch waren empfindlich auf der Haut-Standort des EMG-Elektroden oder Belastung Sensoren und leicht von der Haut durch die körperliche Bewegung oder Schweiß gelöst wurden. Daher haben wir vorgeschlagen, eine neue und effektive Methode, mit ein paar Gläser das Gefühl, dass die Temporalis Muskel-Aktivität durch zwei Wägezellen in beide Scharniere in unserem vorherigen Studie²²eingefügt. Diese Methode zeigte großes Potenzial Essen Aufnahme Aktivität ohne Berührung der Haut mit einer hohen Genauigkeit zu erkennen. Es war auch nicht aufdringlich und nicht aufdringlich, da wir ein gemeinsame Brillen-Typ-Gerät verwendet.

In dieser Studie stellen wir eine Reihe von detaillierten Protokollen wie Brillen-Typ-Gerät zu implementieren und die Muster des Temporalis Muskel-Aktivität verwenden zur Überwachung der Nahrungsaufnahme und körperliche Aktivität. Die Protokolle beinhalten den Prozess der Hardware-Design und Fertigung, die aus einem 3D-gedruckten Rahmen die Gläser, ein Schaltungsmoduls und ein Datenmodul Erwerb besteht und die Softwarealgorithmen zur Datenverarbeitung und-Analyse. Wir weiterhin die Einstufung unter mehreren vorgestellten Aktivitäten (z. B.kauen, zu Fuß und einem Augenzwinkern) untersucht das Potenzial als ein praktisches System zu demonstrieren, die eine Minute die Nahrungsaufnahme und andere körperliche Aktivität unterscheiden können Muster.

Protokoll

Hinweis: Alle Verfahren, einschließlich der Verwendung von menschlichen Probanden wurden durch eine nicht-invasive Weise einfach tragen ein paar Gläser erreicht. Alle Daten wurden übernommen, durch die Messung der Kraft-Signale von Wägezellen, eingefügt in die Gläser, die nicht in direktem Kontakt mit der Haut. Die Daten wurden drahtlos übertragen, Daten-Aufnahme-Modul, die, in diesem Fall ist ein ausgewiesenen Smartphone für die Studie. Die Protokolle wurden nicht im Zusammenhang mit in Vivo/in-vitro- Studien am Menschen. Keine Droge und Blut Proben wurden für die Experimente verwendet. Die Einwilligung wurde aus allen Fächern der Experimente.

1. Herstellung eines Sensor-integrierte Schaltung-Moduls

1. Elektronische Komponenten für die Herstellung von Schaltungsmoduls zu kaufen.
   1. Kaufen Sie zwei Kugel-Typ Wägezellen, von die jede arbeitet in einem Bereich zwischen 0 N und 15 N und erzeugt eine Leistung von differenziellen Niedervolt mit maximal 120 mV Spannweite in eine 3,3 V Erregung.
      Hinweis: Diese Last, die Zellen werden zur Messung der Kraft Signale auf der linken und rechten Seiten der Gläser.
   2. Kaufen Sie zwei Messverstärker und zwei 15 kΩ Verstärkungseinstellung Widerstände.
      Hinweis: Der Messverstärker und die Gain-Einstellung Widerstand werden verwendet um das Kraft-Signal der Wägezelle achtmal, bis zu 960 verstärken mV.
   3. Kaufen Sie ein Mikro-Controller Unit (MCU) mit Wireless-Funktion (z.B. Wi-Fi-Konnektivität) und ein 10-Bit Analog-Digital-Wandler (ADC).
      Hinweis: Die MCU wird verwendet, um lesen die Kraft-Signale und leiten sie an ein Datenmodul Erwerb drahtlos. Da eine analoge input-Pin für zwei analoge Kraft Eingaben verwendet wird, ist die Verwendung von einen multiplexer im nächsten Schritt 1.1.4 eingeführt.
   4. Kaufen Sie eine 2-Kanal Analog multiplexer, die die beiden Eingangssignale mit einem ADC-Pin auf der MCU behandelt.
   5. Kaufen Sie einen Lithium-Ionen-Polymer (LiPo) Akku mit 3,7 V Nennspannung, 300 mAh Kapazität und 1 C Entladungsrate.
      Hinweis: Die Kapazität der Batterie war genug Strom pro Stunde mehr als 200 mAh liefern und zum Betrieb des Systems zuverlässig für ca. 1,5 h von einem Experiment ausgewählt.
   6. Kaufen ein 3,3 V-Spannungsregler für lineare Down-Regulierung der 3,7 V Batteriespannung auf 3,3 V Betriebsspannung des Systems.
   7. Kauf 5 12 kΩ Aufputz-Geräte (SMD) Typ Widerstände als Pull-up Widerstände der MCU. Der Widerstand Fußabdruck ist 2,0 x 1,2 mm (Größe 2012).
2. Fertigen Sie Leiterplatten (PCB). Dieser Schritt ist über die Leiterplatten, und macht das Kunstwerk (d.h. das Board-Layout, die .brd Datei) und den Schaltplan (d. h.die .sch-Datei) für PCB Fertigung. Ein grundlegendes Verständnis des Prozesses der Erstellung von Grafiken und Schaltplan Dateien ist für die Entwicklung erforderlich.
   1. Zeichnen Sie eine schematische Darstellung einer linken Schaltung enthält die Batterie mit einer Elektronikdesign-Anwendung, wie in Figur 1Adargestellt. Speichern Sie das Ergebnis als Kunstwerk (.brd) und Schaltplan (.sch) Dateien.
   2. Zeichnen Sie einen Schaltplan einer richtigen Schaltung mit der MCU mit einer Elektronikdesign-Anwendung, wie in Abbildung 1 bgezeigt. Speichern Sie das Ergebnis als Kunstwerk (.brd) und Schaltplan (.sch) Dateien.
   3. Die Platinen durch Erteilung eines Auftrages mit einem PCB Fertigung Unternehmen zu fabrizieren.
   4. Löten Sie jede elektronische Komponente vorbereitet im Schritt 1.1 PCB wie in Abbildung 2 und Abbildung 3dargestellt.
      Achtung: Der Messverstärker reagiert sehr empfindlich auf die Löttemperatur. Stellen Sie sicher, dass Blei Temperatur nicht mehr 300 ° C für 10 als s beim Löten, sonst kann es verursachen bleibende Schäden an der Komponente.

2. 3D Druck eines Rahmens der Gläser

1. Zeichnen Sie das 3D-Modell des Kopfteils der Gläser mit einem 3D Modellierungs-Tool wie in Abbildung 4Agezeigt. Exportieren Sie das Ergebnis im STL-Format.
2. Zeichnen Sie das 3D-Modell der linken und rechten Tempel der Gläser mit einem 3D Modellieren Werkzeug, wie in Abbildung 4 b und Abbildung 4gezeigt. Exportieren Sie die Ergebnisse im STL-Format.
3. Drucken Sie das Stück und Tempel Kopfteile mit einem 3D Drucker und eine Kohlefaser-Filament bei 240 ° C ein Düsentemperatur und 80 ° C einer Bett-Temperatur.
   Hinweis: Die Verwendung von kommerziellen 3D-Drucker und alle Arten von Fasern wie Acrylnitril-Butadien-Styrol (ABS) und Polylactid (PLA) ist möglich. Die Düse und Bett Temperaturen können nach den Heizfaden und Druckbedingungen angepasst werden.
4. Erhitzen Sie die Tipps von den Schläfen mit einem Heißluftfön einer 180 ° C Einstellung und biegen sie nach innen etwa 15 Grad um die Epidermis der Temporalis Muskel wie herkömmliche Gläser zu kontaktieren.
   Hinweis: Der Grad der Biegung des Tempels Brille muss nicht streng sein, da der Zweck der Krümmung einen Formfaktor zu erhöhen, hilft die Brille passen, auf ein Thema Kopf ausgestattet. Seien Sie jedoch vorsichtig, da übermäßige Biegung die Tempel vom Berühren des Temporalis Muskels, wodurch es unmöglich verhindert, bedeutende Muster zu sammeln.
5. Wiederholen Sie die Schritte ab Schritt 2.1-2.4, zwei verschiedene Größen von Brillengestell um mehrere Kopfgrößen zu passen, wie in Abbildung 4gezeigt zu drucken.

3. Zusammenbau aller Teile der Gläser

1. Legen Sie die Platinen auf beiden Seiten der Tempel der Gläser mit M2-Schrauben, wie in Abbildung 5dargestellt.
2. Montieren Sie das Kopfstück und die Tempel, indem einfügen die M2-Schrauben in die Scharnier-Gelenke.
3. Schließen Sie die linken und rechten Platinen die 3-poligen Verbindungskabel verwenden, wie in Abbildung 5dargestellt.
4. Schließen Sie die Batterie an der linken Schaltung und befestigen Sie sie mit Klebeband an der linken Schläfe. Die Montageseite der Batterie ist nicht kritisch, da sie je nach der PCB-Design variieren.
5. Decken Sie die Gläser mit Kautschuk Bänder auf die Spitze und den Nasenpad hinzufügen mehr Reibung mit der menschlichen Haut, wie in Abbildung 5dargestellt.

4. Entwicklung des Datenerfassungssystems

Hinweis: Das Datenerfassungssystem besteht aus einem Daten-Modul und ein Daten-Empfangsmodul übertragen. Das Daten-Übertragung-Modul liest die Zeit und die Kraft beider Signale und sendet sie an das Empfangsmodul Daten, welche die empfangenen Daten sammelt und schreibt sie in haben.TSV-Dateien.

1. Laden Sie die Datenübertragung Anwendung an die MCU das PCB-Modul nach den Verfahren in den Schritten 4.1.1–4.1.3.
   1. Führen Sie die "GlasSense_Server"-Projekts, das die zusätzlichen Dateien mithilfe eines Computers zugeordnet.
      Hinweis: Dieses Projekt wurde mit Arduino integrierte Entwicklungsumgebung (IDE) gebaut. Es bietet die Möglichkeit, lesen die Zeit und Kraft Signale mit 200 Proben/s an das Empfangsmodul Daten übertragen.
   2. Das PCB-Modul über einen universellen seriellen Bus (USB)-Stecker an den Computer anschließen.
   3. Drücken Sie die Schaltfläche "Hochladen" auf dem Arduino IDE Programmiercodes aus 4.1.1 betreten die MCU Flash.
2. Laden Sie die Daten empfangende Anwendung auf ein Smartphone, das verwendet wird, um die Daten drahtlos empfangen, nach den Verfahren in den Schritten 4.2.1–4.2.3.
   1. Führen Sie die "GlasSense_Client"-Projekts, das die zusätzlichen Dateien mithilfe eines Computers zugeordnet.
      Hinweis: Dieses Projekt wurde mit c# gebaut Programmiersprache. Es bietet die Möglichkeit, Daten zu empfangen und speichern die Dateien haben.TSV, die ein Thema Informationen, wie Name, Geschlecht, Alter und Body-mass-Index (BMI) enthalten.
   2. Verbinden Sie das Smartphone mit dem Computer über ein USB-Anschluss zum Erstellen der Daten empfangenden Anwendung.
   3. Drücken Sie "Datei > Build & Run" auf das c#-Projekt, die Daten empfangende Anwendung auf das Smartphone zu bauen.

5. Datenerhebung aus einer Benutzerstudie

Hinweis: Diese Studie erfasst sechs vorgestellten Aktivität Sets: sitzende Rest (SR), sitzende kauen (SC), Wandern (W), kauen während des Gehens (CW), sitzende reden (ST) und sitzende Wink (SW).

1. Wählen Sie ein paar Gläser haben eine angemessene Größe für den Benutzer getestet werden. Optimieren Sie die Dichtigkeit bei der Unterstützung Schrauben an beiden Scharniere (Abbildung 5).
   Achtung: Die Kraftwerte darf nicht 15 N, da die Kraftsensoren in dieser Studie verwendeten die feine lineare Kennlinie jenseits der Reichweite verlieren können. Die Kraftwerte können angepasst werden, durch lösen oder anziehen der Unterstützung Schrauben.
2. Aufzeichnung der Aktivitäten aller Fächer durch Drücken der Taste "Record" auf die Anwendung in Schritt 4.2.3 gebaut.
   1. Aufzeichnen einer Aktivitäts in einem 120-s-Block und eine Aufnahmedatei zu generieren.
      1. Im Falle der SR sitzen Sie das Thema in einem Stuhl und sie nutzen ein Smartphone oder ein Buch lesen. Ermöglichen Sie Bewegung des Kopfes zu, aber vermeiden Sie Bewegungen des ganzen Körpers.
      2. Haben Sie in den Fällen von SC und CW die Themen Essen, zwei Arten von Lebensmittel Textur (geröstetes Brot und kauen Gelee), um verschiedene Lebensmittel Eigenschaften Rechnung zu tragen. Servieren Sie das Toastbrot in Scheiben von 20 mm x 20 mm, das ist eine gute Größe für das Essen.
      3. Bei W sind die Themen, die mit einer Geschwindigkeit von 4,5 km/h auf einem Laufband laufen.
      4. Im Falle von ST die Themen hinzusetzen und haben ihnen vorlesen eines Buches in einem normalen Ton und Geschwindigkeit.
      5. Bei SW, informieren die Themen Augenzwinkern hinsichtlich des Zeitpunkts der Glockenklang von 0,5 s lang alle 3 s.
   2. Erzeugen Sie eine Aufnahme-Datei im haben.TSV-Format von der in Schritt 5.2.1 erhobenen Daten.
      Hinweis: Diese Datei enthält eine Sequenz von der Zeit, wann die Daten empfangen wurden, ein Signal des linken Kraft, einen richtigen Kraft-Signal und eine Beschriftung, die aktuelle Gesichts Aktivität darstellt. Visualisierungen von zeitlichen Signale aller Aktivitäten in einem Block eines Benutzers wurden in Abbildung 6dargestellt. Die sechs vorgestellten Aktivität-Sets (SR, SC, W CW, ST und SW) wurden jeweils als 1, 2, 3, 4, 5 und 6, beschriftet. Die Etiketten wurden verwendet, um die vorhergesagten Klassen in Abschnitt 8 des Protokolls zu vergleichen.
   3. 60 s Pause nach dem Aufnahme-Block. Nehmen Sie die Brille während der Pause, und wieder tragen sie wieder wenn der Aufnahme-Block neu gestartet wird.
   4. Wiederholen Sie die Block-Pause-Reihe von Schritten 5.2.1 und 5.2.2 viermal für jede Aktivität.
   5. Im Falle von SW haben Sie das Thema wink immer wieder mit dem linken Auge in einen Block, und dann wiederholt mit dem rechten Auge zwinkern, während den nächsten Block.
3. Wiederholen Sie die Schritte 5.1, 5.2 und erfassen Sie die Daten von 10 Themen. In dieser Studie verwendeten wir fünf Männer und fünf Frauen, das Durchschnittsalter betrug 27,9 ± 4,3 (Standardabweichung, s.d.), die auf 19 – 33 Jahre reichten, und der durchschnittliche BMI betrug 21,6 ± 3.2 (s.d.) kg/m², die bei 17,9-27,4 kg/m²reichten.
   Hinweis: In dieser Studie, die Themen, die nicht über irgendwelche medizinischen Bedingungen zu kauen, Wink und Spaziergang wurden rekrutiert, und dieser Zustand war für Einschlusskriterien verwendet.

(6) Signal Vorverarbeitung und Segmentierung

Hinweis: Die linken und rechten Signale werden in den folgenden Verfahren gesondert berechnet.

1. Bereiten Sie eine Reihe von zeitlichen Rahmen von 2 s lang.
   1. Segment der 120 s erfassten Signale in einen Satz von 2 s Frames hüpfen sie in 1-s-Intervallen mit MATLAB, wie in Abbildung 6gezeigt.
      Hinweis: Die segmentierte Bilder von 2 s lang wurden verwendet, um Funktionen in Abschnitt 7 zu extrahieren. Die 1 s-hopping-Größe war entschlossen, die Signale von der 3 s Augenzwinkern Intervall bereits im Schritt 5.2.1 teilen.
   2. Wenden Sie einen Tiefpass-Filter (LPF) cutoff-Frequenz von 10 Hz für jeden Frame eine 5^th Bestellung Butterworth-Filter mit an.
   3. Speichern Sie die Ergebnisse der Schritte 6.1.2 als den zeitlichen Rahmen für die nächsten Schritte in Schritt 7.1.
2. Bereiten Sie eine Reihe von spektralen Frames.
   1. Subtrahieren Sie den Median aus den original-Signale der einzelnen Frames um die Vorspannung zu entfernen, wenn die Brille.
      Hinweis: Die Vorspannung Wert ist nicht für die folgenden Frequenzanalyse erforderlich, da es keine enthält keine Informationen über Kauen, zu Fuß, Wink, etc. , es könnte jedoch enthalten wichtige Informationen, die von variieren kann, je nach Thema, aus jede Einstellung der Gläser und sogar von dem Moment an ein Thema trägt die Brille.
   2. Gelten Sie ein Hanning-Fenster für jeden Frame eine spektrale Leckage auf Frequenzanalyse reduzieren.
   3. Produzieren Sie und retten Sie eine einseitige Spektrum zu, indem Sie jeden Frame eine schnelle Fourier-Transformation (FFT) zuweisen.
3. Definieren Sie eine Kombination aus einen zeitlichen und spektralen Rahmen zur gleichen Zeit wie eine Frame-Block (oder einfach einen Rahmen).

7. Generation von Merkmalsvektoren

Hinweis: Pro Frame produziert in Abschnitt 6 des Protokolls wird ein Merkmalsvektor generiert. Die linken und rechten Rahmen werden separat berechnet und in einem Merkmalsvektor in den folgenden Verfahren kombiniert. Alle Verfahren wurden in MATLAB implementiert.

1. Statistische Funktionen von einem zeitlichen Rahmen im Schritt 6.1 des Protokolls zu extrahieren. Die Gesamtzahl der 54 Funktionen ist in Tabelle 1aufgeführt.
2. Statistische Funktionen aus einem spektralen Frame im Schritt 6.2 des Protokolls zu extrahieren. Die Gesamtzahl der 30 Funktionen ist in Tabelle 2aufgeführt.
3. Generieren Sie eine 84-dimensionalen Merkmalsvektor durch die Kombination der oben genannten zeitlichen und spektralen Funktionen.
4. Beschriften Sie die generierten Merkmalsvektoren von den Aufnahmen im Schritt 5.2 des Protokolls.
5. Wiederholen Sie die Schritte von Schritten 7.1-7.4 für alle Rahmen-Blöcke und generieren Sie eine Reihe von Merkmalsvektoren zu.

(8) Systematik der Wirtschaftszweige in Klassen

Hinweis: Dieser Schritt ist, wählen das Modell Klassifikator ein Support Vektor Maschinen (SVM)²³ durch die Bestimmung der Parameter, die die beste Genauigkeit von der Problemstellung (d. h. Merkmalsvektoren) zeigen. Der SVM ist ein bekannter betreute Machine learning-Technik, die exzellenten Leistung in Verallgemeinerung und Robustheit mit einen maximalen Spielraum zwischen den Klassen und eine Kernfunktion zeigt. Wir nutzten eine Raster-Suche und eine Kreuzvalidierung Methode Strafe Parameter C und einen Kernel definieren Parameter γ des radialen Grundlage Funktion (RBF) Kernels. Eine minimale Verständnis des maschinellen Lernens Techniken und der SVM ist erforderlich, um die folgenden Vorgänge durchführen. Einige referenzielle Materialien^23,24,25 sind zu empfehlen für ein besseres Verständnis des maschinellen Lernens Techniken und der SVM-Algorithmus. Die Verfahren in diesem Abschnitt wurden mit LibSVM²⁵ Softwarepaket implementiert.

1. Definieren Sie ein Raster von Paaren (c, γ) für die Raster-Suche. Verwendung exponentiell wachsenden Sequenzen von C (2^-10, 2^-5,..., 2³⁰) und γ (2^-30, 2^-25,..., 2¹⁰).
   Hinweis: Diese Sequenzen wurden heuristisch ermittelt.
2. Ein paar (C, γ) zu definieren (z.B., (2^-10, 2^-30)).
3. Führen Sie für die definierten Raster im Schritt 8.2 die 10-divisibel Kreuzvalidierung Regelung.
   Hinweis: Dieses Schema teilt die gesamte Merkmalsvektoren in 10-teilige Teilmengen, dann testen Sie eine Teilmenge aus dem Sichter-Modell von den anderen Teilmengen ausgebildet und wiederholen Sie es über die Teilmengen, eins nach dem anderen. Daher können jeder Merkmalsvektoren nacheinander getestet werden.
   1. Unterteilen Sie die gesamte Merkmalsvektoren in 10-teilige Untergruppen.
   2. Definieren Sie einen Testsatz aus einer Teilmenge und einem Ausbildungs-set aus den verbleibenden 9 Teilmengen.
   3. Eine Skalierungsvektors, die alle Elemente der Merkmalsvektoren auf den Bereich der Skalen zu definieren [0, 1] für die Ausbildung gesetzt.
      Hinweis: Die Skala-Vektor hat dieselbe Dimension mit dem Merkmalsvektor. Es besteht aus einer Reihe von Multiplikatoren, die die gleiche Zeile (oder Spalte) von allen Merkmalsvektoren Skalen auf den Bereich von [0, 1]. Z. B. ist das erste Merkmal des einen Merkmalsvektor linear skaliert auf den Bereich von [0, 1] für die aller erste Features der Merkmalsvektoren Training. Beachten Sie, dass der Skala Vektor aus den Trainingssatz definiert ist, da der Testsatz unbekannt angenommen werden sollte. Dieser Schritt erhöht die Genauigkeit der Klassifizierung durch die Merkmale die gleiche Reichweite und numerische Fehler bei der Berechnung zu vermeiden.
   4. Jeder Bestandteil der Ausbildung auf den Bereich der Skala [0, 1] mit Hilfe des Skalierungsvektors in Schritt 8.2.3 erhalten.
   5. Skalieren Sie jedes Feature der Tests soll das Angebot an [0, 1] mit Hilfe des Skalierungsvektors in Schritt 8.2.3 erhalten.
   6. Trainieren Sie die Ausbildung gesetzt durch die SVM mit dem definierten paar (C, γ) in Schritt 8.2 zu, und erstellen Sie ein Klassifikator-Modell.
   7. Der Testsatz durch die SVM mit dem definierten paar (C, γ) im Schritt 8.2 testen und Sichter Modell erhalten aus dem Training-Verfahren.
   8. Berechnen Sie eine Klassifizierung Genauigkeit auf dem Testsatz. Die Genauigkeit war der Prozentsatz der Merkmalsvektoren Ausgangs-und richtig klassifiziert werden.
   9. Wiederholen Sie die Schritte 8.2.2–8.2.8 für alle Teilmengen, und berechnen Sie die durchschnittliche Genauigkeit von allen Teilmengen.
4. Wiederholen Sie die Schritte 8.2 – 8.3.9 für alle Gitterpunkte eines Paares (c, γ).
5. Lokale Maximum der höchste Genauigkeit des Rasters zu finden. Die Verfahren des Abschnitts 8 sind in Abbildung 7dargestellt.
6. (Optional) Wenn der Schritt des Rasters grob betrachtet wird, wiederholen Sie Schritte 8.1-8.5 in einem feineren Raster in der Nähe der lokalen Maximums in Schritt 8,5 und finden neue lokale maximal das feine Raster.
7. Berechnen Sie die Präzision, Rückruf und F-₁ -Wert der einzelnen Klassen von Tätigkeiten aus den folgenden Gleichungen:
                                      Gleichung 1
                                                Gleichung 2
             Gleichung 3
   wo TP, FP und FN richtig positive Ergebnisse, false Positives und false negative für jede Aktivität bzw. darstellen. Die Wahrheitsmatrix aller Aktivitäten ist in Tabelle 3angegeben.

Ergebnisse

Durch die im Protokoll beschriebenen Verfahren haben wir zwei Versionen des 3D gedruckte Rahmens durch Differenzierung die Länge des Kopfteils, L_H (133 bis 138 mm), und die Tempel, L_T (110 und 125 mm), wie in Abbildung 4dargestellt. Daher können wir mehrere Bedingungen tragen, die variiert werden kann, von den Themen Kopfgröße, Form, etc. wählte einen der Rahmen zu ihren Kopf für die Nutzerstudie passen die Themen abdecken...

Diskussion

In dieser Studie haben wir zunächst vorgeschlagen, die Konstruktions- und Fertigungsprozess von Gläsern, die die Muster der Nahrungsaufnahme und körperliche Aktivitäten zu spüren. Als diese Studie konzentrierte sich hauptsächlich auf die Datenanalyse, die Nahrungsaufnahme von anderen körperlichen Aktivitäten (z. B. zu Fuß und zwinkert) zu unterscheiden, das Sensor- und Erfassungssystem erforderlich, die Umsetzung der Mobilität Aufnahme. Daher das System aufgenommen, die Sensoren, die MCU mit drahtloser Kommunik...

Materialien

Name	Company	Catalog Number	Comments
FSS1500NSB	Honeywell, USA		Load cell
INA125U	Texas Instruments, USA		Amplifier
ESP-07	Shenzhen Anxinke Technology, China		MCU with Wi-Fi module
74LVC1G3157	Nexperia, The Netherlands		Multiplexer
MP701435P	Maxpower, China		LiPo battery
U1V10F3	Pololu, USA		Voltage regulator
Ultimaker 2	Ultimaker, The Netherlands		3D printer
ColorFabb XT-CF20	ColorFabb, The Netherlands		Carbon fiber filament
iPhone 6s Plus	Apple, USA		Data acquisition device
Jelly Belly	Jelly Belly Candy Company, USA		Food texture for user study