JoVE Logo
Authors
Contact Us

Sign In

A subscription to JoVE is required to view this content. Sign in or start your free trial.

In This Article

  • Summary
  • Abstract
  • Introduction
  • Protocol
  • תוצאות
  • Discussion
  • Disclosures
  • Acknowledgements
  • Materials
  • References
  • Reprints and Permissions

Summary

מחקר זה מציג פרוטוקול של תכנון וייצור משקפיים-סוג התקן לביש מזהה דפוסי צריכת המזון ומוספים אחרים פעילות גופנית נבחרים באמצעות טען תאים בשני הצירים של המשקפיים.

Abstract

מחקר זה מציג סדרה של פרוטוקולים של תכנון וייצור משקפיים-סוג התקן לביש מזהה דפוסי פעילות שרירים temporalis במהלך צריכת המזון ופעילויות גופניות אחרות. אנחנו מפוברק מודפס 3D מסגרת של המשקפיים ומודול עומס משולבת תא מעגל מודפס לוח (PCB) הוכנס בשני הצירים של המסגרת. המודול שימש כדי לרכוש את האותות כוח, ולהעביר אותם באופן אלחוטי. הליכים אלה מספקים את המערכת עם ניידות גבוהה יותר, אשר ניתן להעריך בתנאים לובש מעשיים כגון הליכה, מניד. הופעה של הסיווג מוערך גם על-ידי הבחנה דפוסי צריכת המזון של פעילות גופנית. סדרה של אלגוריתמי שימשו ליצירה של תהליך מוקדם את האותות, תכונה וקטורים, לזהות את הדפוסים של כמה נבחרים (לעיסה, קריצות), ופעילויות אחרות פעילות גופנית (לנוח בישיבה, מדבר, והליכה). התוצאות הראו כי הייתה התוצאה1 הממוצע F של הסיווג בין הפעילויות נבחרים 91.4%. אנו מאמינים שבגישה זו יכול להיות שעשוי להיות שימושי עבור אוטומטי ואובייקטיבי ניטור של התנהגויות ingestive עם דיוק גבוה יותר כאמצעי המעשי לטיפול בבעיות ingestive.

Introduction

רציף ואובייקטיבי ניטור צריכת המזון הוא חיוני לשמירה על איזון האנרגיה בגוף האדם, כמו הצטברות עודף אנרגיה עלול לגרום overweightness והשמנה1, אשר יכול לגרום לסיבוכים רפואיים שונים2. הגורמים העיקריים בחוסר איזון אנרגיה ידועים להיות צריכת המזון מופרז וגם לא מספיק פעילות גופנית3. מחקרים שונים על הפיקוח על ההוצאה האנרגטית היומית הוכנסו עם מדידת אוטומטי ואובייקטיבי דפוסי פעילות גופנית דרך מכשירים שכאלו4,5,6, גם צרכן הקצה ברמה ורפואי שלב7. מחקר על הפיקוח על צריכת המזון, אולם הוא עדיין באווירה מעבדה, מכיוון שזה קשה לזהות את הפעילות צריכת מזון באופן ישיר ואובייקטיבי. כאן, אנו שואפים להציג עיצוב המכשיר ואת ההערכה שלו עבור ניטור צריכת המזון ודפוסי פעילות גופנית ברמה המעשית בחיי היומיום.

היו מגוון גישות עקיף כדי לפקח על צריכת המזון דרך הלעיסה, הבליעה נשמע8,9,10, תנועת היד11,12,13, תמונה ניתוח14ו- electromyogram (EMG)15. עם זאת, גישות אלה היו קשים להחיל על יישומים חיי היומיום, בשל מגבלות הטבועות שלהם: השיטות באמצעות קול היו פגיעות להיות מושפע צלילים סביבתיים; השיטות באמצעות התנועה של כף היד היו שקשה להבדיל בין פעילויות גופניות אחרות, כאשר לא לצרוך מזון; השיטות שימוש תמונות ו- EMG אותות מוגבלים על ידי הגבול של התנועה ואת הסביבה. מחקרים אלו הראו את היכולת של זיהוי אוטומטי של צריכת המזון באמצעות חיישנים, אך עדיין יש מגבלה של ישימות מעשיים לחיי היומיום מעבר מעבדה הגדרות.

במחקר זה, השתמשנו דפוסי הפעילות שריר temporalis כמו אוטומטי ואובייקטיבי הפיקוח על צריכת המזון. באופן כללי, השריר temporalis חוזר להתכווצות והרפיה כחלק masticatory השריר במהלך ה מזון צריכת16,17; לפיכך, ניתן לנטר את פעילות צריכת מזון על ידי גילוי דפוסי הפעילות שריר temporalis תקופתי. לאחרונה, היו מספר מחקרים ניצול temporalis את השריר פעילות18,19,20,21, אשר השתמש EMG או זן פיזואלקטריים חיישן וצירופם ישירות על האדם העור. גישות אלה, עם זאת, היו רגישים למיקום העור של EMG אלקטרודות או חיישנים זן והיו בקלות מנותק מן העור עקב התנועה הפיזית או זיעה. לכן, אנחנו הציע שיטה חדשה ויעילה באמצעות זוג משקפיים חוש זה temporalis השריר בפעילות באמצעות טען שני תאים מוכנס בשני הצירים שלנו המחקר הקודם22. שיטה זו הראה פוטנציאל גדול של זיהוי הפעילות צריכת מזון עם רמת דיוק גבוהה בלי לגעת בעור. זה היה גם בלתי פולשנית ובלתי פולשנית, מאז היינו מכשיר משקפיים-סוג נפוץ.

במחקר זה, אנו מציגים סדרת הפרוטוקולים מפורט של איך ליישם את המשקפיים-סוג ההתקן וכיצד להשתמש דפוסי הפעילות שריר temporalis עבור ניטור צריכת המזון ופעילות גופנית. הפרוטוקולים לכלול התהליך של תכנון החומרה ועל פבריקציה נוספת המורכבת מודפס 3D מסגרת של המשקפיים, מודול מעגל מודול רכישת הנתונים וכלול את האלגוריתמים תוכנה עבור עיבוד נתונים וניתוח. יתר על כן נבחנו הסיווג בין מספר פעילויות נבחרים (למשל, לעיסה, הליכה, קריצות) כדי להדגים את הפוטנציאל כמערכת מעשי זה רואים הבדל דקה בין צריכת המזון ופעילות גופנית אחרת תבניות.

Protocol

הערה: כל ההליכים לרבות השימוש בני אדם היו לבצע זאת באמצעות בצורה לא פולשנית פשוט ללבוש זוג משקפיים. כל הנתונים נרכשו על ידי מדידת אותות כוח מתאי עומס מוכנס במשקפיים שלא היו במגע ישיר עם העור. הנתונים ששודרו באופן אלחוטי למודול הקלטה נתונים, אשר, במקרה זה הוא בסמארטפון המיועד לצורך המחקר. כל הפרוטוקולים היו קשורות ל ויוו/במבחנה מחקרים בבני אדם. . בלי דוגמיות דם והסמים שימשו את הניסויים. הסכמה מדעת הושג מן הנבדקים כל הניסויים.

1. ייצור של מודול מעגל משולב-חיישן

  1. לרכוש רכיבים אלקטרוניים לייצור המודול במעגל.
    1. לרכוש תאים עומס כדור מסוג שני, שכל אחד מהם פועל בטווח שבין 0 N ו- 15 N, ומפיקה פלט של מתח נמוך דיפרנציאלית עם מקסימום טווח mV 120 ב עירור V 3.3.
      הערה: אלה טען תאים משמשים כדי למדוד בכוח אותות על הן השמאלי והימני של המשקפיים.
    2. לרכוש שני מגברים אינסטרומנטציה, kΩ 15 שני נגדים רווח-הגדרה.
      הערה: את מגבר מכשור ו- resistor רווח-הגדרה של משמשים כדי להגביר את האות כוח של תא המטען שמונה פעמים, עד 960 mV.
    3. לרכוש יחידת מיקרו בקר (MCU) עם יכולת אלחוטית (למשל, קישוריות Wi-Fi), ממיר אנלוגי-לדיגיטלי 10-bit (ADC).
      הערה: לפשעים חמורים משמש כדי לקרוא את האותות כוח ולהעביר אותם למודול רכישת נתונים באופן אלחוטי. מאחר סיכה קלט אנלוגי אחת משמשת לקלט כוח אנלוגי שני, השימוש מרבב מוצג בשלב הבא 1.1.4.
    4. לרכוש אנלוגי שני ערוצים מרבב שמטפל שני אותות הקלט עם סיכה אחת ADC על לפשעים חמורים.
    5. לרכוש סוללה ליתיום פולימר (LiPo) עם 3.7 V מתח נומינלי, 300 mAh קיבולת נומינלית של קצב הפריקה 1 C.
      הערה: קיבולת הסוללה נבחרה לספק מספיק זרם לשעה יותר מ 200 מיליאמפר וכדי להפעיל את המערכת בצורה אמינה במשך כ 1.5 שעות של ניסוי.
    6. לרכוש הרגולטור מתח V 3.3 עבור ליניארי למטה-ויסות מתח סוללה V 3.7 עד 3.3 V מתח של המערכת ההפעלה.
    7. רכישה 12 חמש kΩ התקנים התלויות על פני השטח (SMD) סוג נגדים כמו מתח נגדים של לפשעים חמורים. טביעת רגל של resistor הוא 2.0 מ"מ x 1.2 מ"מ (גודל 2012).
  2. לפברק מעגלים מודפסים (Pcb). השלב זה על ציור של מעגלים, שהופך את הגרפיקה (קרי, פריסת לוח, הקובץ .brd), התרשים (כלומר, קובץ .sch) עבור ייצור מעגלים מודפסים. הבנה בסיסית של התהליך של יצירת קבצי גרפיקה ומפרטים טכניים נדרש פיתוח.
    1. ציור סכימטי של מעגל השמאלי המכיל את הסוללה באמצעות יישום תכנון אלקטרוני כפי שמוצג באיור 1A. לשמור את התוצאה גם יצירות אמנות (.brd) ואת קבצי מפרטים טכניים (.sch).
    2. ציור סכימטי של מעגל נכון המכיל לפשעים חמורים באמצעות יישום תכנון אלקטרוני כפי שמוצג באיור 1B. לשמור את התוצאה גם יצירות אמנות (.brd) ואת קבצי מפרטים טכניים (.sch).
    3. לפברק את מעגלים על ידי ביצוע הזמנה עם חברת ייצור מעגלים מודפסים.
    4. הלחמה כל רכיב אלקטרוני המבושלות צעד 1.1 Pcb כפי שמוצג באיור 2 , איור 3.
      התראה: המגבר מכשור רגיש מאוד לטמפרטורה להלחמה. ודא כי כיוון הטמפרטורה לא תעלה על 300 ° C מעלות במשך 10 s במהלך הלחמה, אחרת הוא עלול לגרום נזק בלתי הפיך הרכיב.

2. הדפסה תלת-ממדית של מסגרת של משקפיים

  1. לצייר את דגם התלת-ממד של היצירה ראש של המשקפיים בעזרת כלי מידול תלת מימד, כפי שמוצג באיור 4A. לייצא את התוצאה לתבנית הקובץ .stl.
  2. לצייר את דגם התלת-ממד של המקדשים ימינה ושמאלה של המשקפיים באמצעות 3D דוגמנות הכלי כפי שמוצג באיור 4B וכן 4C איור. לייצא את התוצאות לתבנית הקובץ .stl.
  3. הדפס חלקי היצירה ומקדש הראש את באמצעות מדפסת תלת-ממד ונימה של סיבי פחמן ב 240 מעלות צלזיוס של חום זרבובית, 80 ° C של חום המיטה.
    הערה: השימוש של כל מדפסת תלת-ממד מסחרי ואת כל סוגי חוטים styrene טבעי בוטאדיאן (ABS) ו polylactide (PLA) יכול להיות מותרת. הטמפרטורות זרבובית ומיטת עשוי להיות מותאם על פי הלהט ובתנאי ההדפסה.
  4. מחממים את הטיפים של המקדשים באמצעות מפוח אוויר חם של הגדרה 180 ° C, לכופף אותן פנימה כ-15 מעלות לפנות האפידרמיס של שריר temporalis כמו משקפיים קונבנציונליים.
    הערה: מידת הכיפוף של המקדש משקפיים לא צריך להיות קפדני כמו מטרת שכדור היא להגביר את גורם טופס על-ידי סיוע המשקפיים מתאימים על ראשו של הנבדק כאשר מצוידים. להיות זהיר, עם זאת, כפי מופרזת הכיפוף ימנע את המקדשים של נגיעה בשריר temporalis, מה שהופך אותו בלתי אפשרי לאסוף דפוסים משמעותיים.
  5. חזור על השלבים משלב 2.1 – 2.4 להדפיס בשני גדלים שונים של מסגרת המשקפיים כדי להתאים גדלים ראש כפי שמוצג באיור4.

3. הרכבה של כל החלקים של המשקפיים

  1. הכנס Pcb משני הצדדים של המקדשים של המשקפיים באמצעות ברגים M2, כמוצג באיור5.
  2. להרכיב את החתיכה ראש ומקדשים על-ידי הוספת את המנעולים M2 המפרקים ציר.
  3. להתחבר Pcb ימינה ושמאלה באמצעות החוטים חיבור 3 פינים, כמוצג באיור5.
  4. להתחבר הסוללה המעגל השמאלי ולחבר אותו עם דבק המקדש השמאלי. הצד הרכבה של הסוללה אינה קריטית, מאז זה עשוי להשתנות בהתאם לעיצוב PCB.
  5. מכסים את הכוסות עם סרטי גומי על הטיפ, כרית האף כדי להוסיף עוד חיכוך עם העור האנושי, כמוצג באיור5.

4. פיתוח של מערכת רכישת נתונים

הערה: מערכת רכישת נתונים מורכב נתונים משדר מודול ומודול המקבל נתונים. המודול להעברת נתונים קורא את הזמן, הכוח אותות של שני הצדדים, ולאחר מכן שולח אותם מודול המקבל הנתונים, אשר אוספת את הנתונים שהתקבלו, כותב אותם לקבצים .tsv.

  1. להעלות את הנתונים משדר ליישום לפשעים חמורים של המודול PCB הפרוצדורות הבאות ב שלבים 4.1.1–4.1.3.
    1. להפעיל את הפרוייקט "GlasSense_Server" המצורפת את הקבצים המשלימים באמצעות מחשב.
      הערה: פרויקט זה נבנה עם Arduino סביבת פיתוח משולבת (IDE). הוא מספק את היכולת לקרוא את הזמן, כוח אותות עם דגימות בשנייה 200 ואת לשדר אותן למודול המקבל נתונים.
    2. לחבר את המודול PCB למחשב באמצעות מחבר מסוג אפיק טורי אוניברסלי (USB).
    3. לחץ על לחצן "להעלות" על ה-IDE Arduino הבזק את קודי התכנות מהשלב 4.1.1 לתוך לפשעים חמורים.
  2. להעלות נתונים ליישום המקבל הטלפון החכם, אשר משמש כדי לקבל את הנתונים באופן אלחוטי, הפרוצדורות הבאות ב שלבים 4.2.1–4.2.3.
    1. להפעיל את הפרוייקט "GlasSense_Client" המצורפת את הקבצים המשלימים באמצעות מחשב.
      הערה: פרויקט זה נבנה עם C# שפת תכנות. הוא מספק את היכולת לקבל נתונים ולשמור את הקבצים .tsv, אשר מכילים המידע של נושא, כגון שם, מין, גיל, אינדקס מסת הגוף (BMI).
    2. חבר את הטלפון החכם למחשב באמצעות מחבר USB לבניית היישום המקבל נתונים.
    3. לחץ על לחצן "קובץ > לבנות & Run" על פרויקט C# לבניית היישום המקבל נתונים כדי החכם.

5. איסוף נתונים ממחקר משתמש

הערה: מחקר זה אסף שש קבוצות פעילות נבחרים: לנוח בישיבה (SR) בישיבה לעיסה (SC), הליכה (W), לעיסה תוך כדי הליכה (CW), מדבר בישיבה (רח'), קריצה בישיבה (SW).

  1. בחר זוג משקפיים אשר יש גודל של המתאים למשתמש להיבדק. לכוונן ההידוק בעלות תמיכה בשני הצירים (איור 5).
    התראה: הערכים כוח חייב לא יעלה על 15 N, מאז החיישנים כוח השתמשו במחקר זה עלול לאבד האופיינית ליניארי בסדר מעבר לתחום של המבצע. הערכים כוח יכול להיות יסודי על ידי שחרור או הידוק התמיכה בורחת.
  2. שיא הפעילות של כל הנושאים על-ידי לחיצה על כפתור "שיא" על היישום נבנה בשלב 4.2.3.
    1. להקליט את פעילות במהלך בלוק 120-s וצור קובץ הקלטה של זה.
      1. במקרה של SR, לשבת את הנושא ויש להם להשתמש ב- smartphone או לקרוא ספר. לאפשר תנועה של הראש, אלא למנוע תנועה של כל הגוף.
      2. במקרים של SC ו CW, יש את הנושאים לאכול שני סוגי מרקם המזון (לחם קלוי, הריבה לעיסה) על מנת לשקף את מאפייני מזון שונים. מגישים לחם קלוי פרוסות של 20 מ מ x 20 מ מ, שזה בגודל טוב לאכילה.
      3. במקרה של W, יש את הנושאים הליכה במהירות של 4.5 ק מ/שעה על הליכון.
      4. במקרה של ST, שב הנושאים, יש להם לקרוא ספר בקול רם צליל נורמלי, מהירות.
      5. במקרה של SW, ליידע את הנושאים לקרוץ על עיתוי צליל הפעמון של 0.5 s ארוך בכל 3 s.
    2. צור קובץ הקלטה בפורמט .tsv מן הנתונים שנאספו בשלב 5.2.1.
      הערה: קובץ זה מכיל רצף הזמן כאשר הנתונים התקבלו, אות כח השמאלי, אות העוצמה הנכונה ואת תווית המייצג את הפעילות הפנים הנוכחית. פריטים חזותיים של אותות הטמפורלי של כל הפעילויות בבלוק של משתמש היו מתואר באיור6. ערכות פעילות נבחרים שישה (SR, SC, W, CW, ST ו- SW) תוויות של 1, 2, 3, 4, 5 ו 6, בהתאמה. התוויות שימשו כדי להשוות בין המעמדות החזוי בסעיף 8 של הפרוטוקול.
    3. קחו הפסקה 60-s לאחר שאבן הקלטה. תוריד את המשקפיים בהפסקה, מחדש ללבוש אותם שוב בעת ההפעלה מחדש של הרחוב הקלטה.
    4. חזור על קבוצת בלוק-ו-break שלבים 5.2.1 ו- 5.2.2 ארבע פעמים עבור כל פעילות.
    5. במקרה של SW, יש את הנושא קריצה שוב ושוב עם העין השמאלית במהלך בלוק אחד ולאחר מכן קריצה שוב ושוב עם עין ימין במהלך הבלוק הבא.
  3. חזור על שלבים 5.1 – 5.2 ולאסוף את הנתונים מן הנבדקים 10. במחקר זה, השתמשנו חמישה זכרים ונקבות חמש, הגיל הממוצע היה ± 27.9 4.3 (סטיית תקן; ש) שנים, אשר נע ב 19-33 שנים, ה-BMI הממוצע היה ± 21.6 3.2 (ש) kg/m2, אשר נע-17.9 – 27.4 kg/m2.
    הערה: במחקר זה, הנושאים שלא הייתה תנאים רפואיים ללעוס מזון, קריצה, ובמרחק הליכה גויסו, מצב זה שימש קריטריוני ההכללה.

6. האות Preprocessing ואת פילוח

הערה: האותות ימינה ושמאלה מחושבים בנפרד בהליכים הבאים.

  1. להכין סדרת מסגרות הטמפורלי של 2 s ארוכה.
    1. קטע 120 s הקליטה אותות לתוך ערכת מסגרות s 2 ידי הקופצנית אותם במרווחים 1-s באמצעות MATLAB, כפי שמוצג באיור 6.
      הערה: מסגרות מקוטע של 2 s ארוכה ננקטו כדי לחלץ את תכונות בסעיף 7. גודל hopping 1 s נקבע כדי לחלק את האותות על ידי s 3 קריצה למרווח שכבר הוזכרו בשלב 5.2.1.
    2. החל מסנן נמוך לעבור (LPF) באמצעות מסנן Butterworth סדרth 5 עם תדירות סף של 10 הרץ לכל מסגרת.
    3. שמור את התוצאות של שלב 6.1.2 המסגרות טמפורלית על השלבים הבאים בשלב 7.1.
  2. להכין סדרת מסגרות ספקטרלי.
    1. להחסיר את החציון של האותות המקורי של כל מסגרת כדי להסיר את preload כאשר להרכיב את המשקפיים.
      הערה: הערך preload אינו נדרש עבור ניתוח תדירות הבאים, מאז הוא אינו כולל מידע אודות לעיסה, הליכה, קריצה, וכו ' זה יכול לעבוד, לעומת זאת, מכילים מידע משמעותי, אשר יכול להשתנות בכפוף נושא, מ כל הגדרה של המשקפיים, אפילו מהרגע נושא לובש המשקפיים.
    2. חלון הנינג חלות על כל מסגרת לצמצום של זליגת ספקטרלי על ניתוח תדירות.
    3. לייצר ולשמור קשת חד צדדית על-ידי החלת בהתמרת פורייה מהירה (FFT) בכל מסגרת.
  3. להגדיר שילוב של זמני, מסגרת ספקטרלי באותו זמן כמו בלוק מסגרת (או פשוט מסגרת).

7. דור של תכונה וקטורים

הערה: תכונת וקטור נוצר לכל מסגרת המיוצר בסעיף 6 של הפרוטוקול. המסגרות ימינה ושמאלה מחושב בנפרד, לשלב תכונה וקטור בהליכים הבאים. כל ההליכים ךלהמב MATLAB.

  1. תמצית תכונות סטטיסטיות מן המסגרת טמפורלית בשלב 6.1 של הפרוטוקול. רשימה של המספר הכולל של תכונות 54 ניתנת טבלה1.
  2. תמצית תכונות סטטיסטיות מן המסגרת ספקטרלי בשלב 6.2 של הפרוטוקול. רשימה של המספר הכולל של תכונות 30 נתונה בטבלה מס ' 2.
  3. צור וקטור תכונה 84-ממדי על ידי שילוב טמפורלית ספקטרלי התכונות לעיל.
  4. תווית הווקטורים תכונה שנוצר מן ההקלטות בשלב 5.2 של הפרוטוקול.
  5. חזור על השלבים מצעדי 7.1-7.4 עבור כל מסגרת גושי ולהפיק סדרה של תכונה וקטורים.

8. סיווג הפעילויות למחלקות

הערה: השלב זה כדי לבחור את מודל המסווג של המכונה (מכונת וקטורים תומכים) וקטור תמיכה23 על-ידי קביעת פרמטרים המציגים את הדיוק הטוב ביותר את הבעיה הנתונה (קרי, תכונה וקטורים). מכונת וקטורים תומכים הוא מכונת תחת פיקוח ידועים לימוד טכניקה, אשר מציג ביצועים מצוינים הכללה ועמידות באמצעות שוליים המרבי בין המעמדות פונקציה ליבה. השתמשנו רשת-חיפוש ואת שיטת קרוס-אימות להגדיר פרמטר עונש C של קרנל פרמטר γ של הקרנל פונקציה (RBF) בסיס רדיאלי. הבנה מינימלית של תורת הלמידה את מכונת וקטורים תומכים וטכניקות נדרש לבצע את ההליכים הבאים. 24,23,25 כמה חומרים הקשרים, מומלץ לקבל הבנה טובה יותר של תורת הלמידה האלגוריתם מכונת וקטורים תומכים וטכניקות. כל ההליכים בסעיף זה יושמו באמצעות חבילת תוכנה25 LibSVM.

  1. הגדר רשת של זוגות (C, וγ) של הרשת החיפוש. שימוש שמתקדמות רצפים של C (2-10, 2-5,..., 230) וγ (2-30, 2--25,..., 210).
    הערה: רצפים אלה היו נחושים בשיטה יוריסטית.
  2. הגדרת זוג (C, וγ) (למשל, (2-10, 2-30)).
  3. עבור רשת מוגדר בשלב 8.2, לבצע את ערכת אימות הצלב 10-fold.
    הערה: ערכה זו מחלק את הווקטורים כל תכונה לערכות 10-חלק, מבחן תת-קבוצה אחת מן המודל מסווג מאומנים על ידי קבוצות משנה אחרים, ואז לחזור על זה על כל קבוצות משנה, אחד אחד. לכן, כל הווקטורים תכונה יכול להיבדק באופן רציף.
    1. לחלק את הווקטורים כל תכונה לערכות 10 חלקים.
    2. להגדיר ערכה בדיקה מתוך קבוצת משנה ולאחר אימון של קבוצות משנה 9 הנותרים.
    3. מגדירים וקטור סולם שמדרג את כל האלמנטים של הווקטורים תכונה אל טווח [0, 1] עבור ערכת הדרכה.
      הערה: וקטור סולם יש ממדים עם וקטור תכונה. הוא מורכב קבוצת מכפילי שמדרג באותה שורה (או עמודה) של כל תכונה כיווני אל טווח [0, 1]. לדוגמה, התכונה הראשונה של וקטור תכונה תוגדל באופן ליניארי לטווח [0, 1] עבור כל תכונות הראשון של הווקטורים כוללים הדרכה. שימו לב כי הווקטור קנה מידה מוגדר מתוך ערכת הדרכה, כי צריך להניח, ערכת בדיקה לא ידוע. שלב זה מגדיל את הדיוק של הסיווג על ידי הפיכת התכונות הטווח שווה והימנעות מספרי שגיאות במהלך החישוב.
    4. קנה המידה של כל תכונה של האימונים מוגדר הטווח [0, 1] באמצעות וקטור סולם שהושג בשלב 8.2.3.
    5. קנה המידה של כל תכונה להגדיר את הטווח של בדיקות [0, 1] באמצעות וקטור סולם שהושג בשלב 8.2.3.
    6. הרכבת ערכת הדרכה דרך מכונת וקטורים תומכים עם הזוג (C, וγ) שהוגדרו בשלב 8.2 ולאחר מכן לבנות מודל המסווג.
    7. לבדוק את ערכת בדיקה דרך מכונת וקטורים תומכים עם הזוג (C, וγ) מוגדרת בשלב 8.2, המודל מסווג המתקבל בהליך הכשרה.
    8. חישוב של דיוק סיווג על ערכת בדיקה. הדיוק מחושב מן האחוז של וקטורים תכונה אשר מסווגים כראוי.
    9. חזור על 8.2.2–8.2.8 את הפעולות הבאות עבור כל קבוצות משנה, לחשב את הדיוק הממוצע של כל קבוצות משנה.
  4. חזור על השלבים 8.2 – 8.3.9 עבור כל רשת נקודות של זוג של (C, וγ).
  5. למצוא את מקומי לכל היותר הדיוק הגבוה ביותר של הרשת. כל ההליכים של סעיף 8 מומחשים איור 7.
  6. (אופציונלי) אם השלב של הרשת נחשב גס, חזור על השלבים 8.1 – 8.5 ברשת פיינר ליד המקסימלי המקומי שנמצא בשלב 8.5, ולמצוא המקסימלי המקומי החדש של רשת בסדר גמור.
  7. לחשב את דיוק, האחזור ו F1 הציון של כל מחלקה של פעילויות של המשוואות הבאות:
    figure-protocol-14629                                   משוואה 1
    figure-protocol-14758                                             משוואה 2
    figure-protocol-14897          משוואה 3
    איפה TP FP, FN לייצג אמת תוצאות חיוביות מוטעות, שווא שליליות עבור כל פעילות, בהתאמה. המטריקס בלבול של כל הפעילויות נתונה בטבלה3.

תוצאות

באמצעות ההליכים שפורטו בפרוטוקול, הכנו שתי גרסאות של המסגרת מודפס 3D על ידי הבחנה על אורך היצירה ראש, LH (133 ו- 138 מ"מ), ועל המקדשים, הT (110 ו- 125 מ מ), כפי שמוצג באיור4. לכן, שנכסה מספר תנאים לובש, אשר יכולים להיות מגוונים של הנבדקים גודל הראש, צורה, וכו

Discussion

במחקר זה, אנחנו הציע לראשונה את העיצוב ואת תהליך הייצור של המשקפיים, לחוש את דפוסי צריכת המזון ופעילות גופנית. כמו במחקר זה התמקדו בעיקר ניתוח הנתונים כדי להבחין בין צריכת המזון מפעילויות גופניות אחרות (כגון הליכה, קריצות), מערכת רכישה חיישן ונתונים נדרש יישום ניידות הקלטה. לפיכך, המערכת כל...

Disclosures

המחברים אין לחשוף.

Acknowledgements

עבודה זו נתמכה על ידי Envisible, inc. מחקר זה גם נתמך על ידי מענק של קוריאנית בריאות טכנולוגיית R & D הפרוייקט, משרד הבריאות & רווחה, הרפובליקה של קוריאה (HI15C1027). מחקר זה גם נתמך על ידי נבחרת מחקר קרן של קוריאה (ה-NRF-2016R1A1A1A05005348).

Materials

NameCompanyCatalog NumberComments
FSS1500NSBHoneywell, USALoad cell
INA125UTexas Instruments, USAAmplifier
ESP-07Shenzhen Anxinke Technology, ChinaMCU with Wi-Fi module
74LVC1G3157Nexperia, The NetherlandsMultiplexer
MP701435PMaxpower, ChinaLiPo battery
U1V10F3Pololu, USAVoltage regulator
Ultimaker 2Ultimaker, The Netherlands3D printer
ColorFabb XT-CF20ColorFabb, The NetherlandsCarbon fiber filament
iPhone 6s PlusApple, USAData acquisition device
Jelly BellyJelly Belly Candy Company, USAFood texture for user study

References

  1. Sharma, A. M., Padwal, R. Obesity is a sign-over-eating is a symptom: an aetiological framework for the assessment and management of obesity. Obes Rev. 11 (5), 362-370 (2010).
  2. Pi-Sunyer, F. X., et al. Clinical guidelines on the identification, evaluation, and treatment of overweight and obesity in adults. Am J Clin Nutr. 68 (4), 899-917 (1998).
  3. McCrory, P., Strauss, B., Wahlqvist, M. L. Energy balance, food intake and obesity. Exer Obes. , (1994).
  4. Albinali, F., Intille, S., Haskell, W., Rosenberger, M. . Proceedings of the 12th ACM international conference on Ubiquitous computing. , 311-320 (2010).
  5. Bonomi, A., Westerterp, K. Advances in physical activity monitoring and lifestyle interventions in obesity: a review. Int J Obes. 36 (2), 167-177 (2012).
  6. Jung, S., Lee, J., Hyeon, T., Lee, M., Kim, D. H. Fabric-Based Integrated Energy Devices for Wearable Activity Monitors. Adv Mater. 26 (36), 6329-6334 (2014).
  7. Fulk, G. D., Sazonov, E. Using sensors to measure activity in people with stroke. Top Stroke Rehabil. 18 (6), 746-757 (2011).
  8. Makeyev, O., Lopez-Meyer, P., Schuckers, S., Besio, W., Sazonov, E. Automatic food intake detection based on swallowing sounds. Biomed Signal Process Control. 7 (6), 649-656 (2012).
  9. Päßler, S., Fischer, W. Food intake activity detection using an artificial neural network. Biomed Tech (Berl). , (2012).
  10. Passler, S., Fischer, W. -. J. Food intake monitoring: Automated chew event detection in chewing sounds. IEEE J Biomed Health Inform. 18 (1), 278-289 (2014).
  11. Kadomura, A., et al. . CHI'13 Extended Abstracts on Human Factors in Computing Systems. , 1551-1556 (2013).
  12. Fontana, J. M., Farooq, M., Sazonov, E. Automatic ingestion monitor: A novel wearable device for monitoring of ingestive behavior. IEEE Trans Biomed Eng. 61 (6), 1772-1779 (2014).
  13. Shen, Y., Salley, J., Muth, E., Hoover, A. Assessing the Accuracy of a Wrist Motion Tracking Method for Counting Bites across Demographic and Food Variables. IEEE J Biomed Health Inform. , (2016).
  14. Farooq, M., Sazonov, E. . International Conference on Bioinformatics and Biomedical Engineering. , 464-472 (2017).
  15. Grigoriadis, A., Johansson, R. S., Trulsson, M. Temporal profile and amplitude of human masseter muscle activity is adapted to food properties during individual chewing cycles. J Oral Rehab. 41 (5), 367-373 (2014).
  16. Strini, P. J. S. A., Strini, P. J. S. A., de Souza Barbosa, T., Gavião, M. B. D. Assessment of thickness and function of masticatory and cervical muscles in adults with and without temporomandibular disorders. Arch Oral Biol. 58 (9), 1100-1108 (2013).
  17. Standring, S. . Gray's anatomy: the anatomical basis of clinical practice. , (2015).
  18. Farooq, M., Sazonov, E. A novel wearable device for food intake and physical activity recognition. Sensors. 16 (7), 1067 (2016).
  19. Zhang, R., Amft, O. . Proceedings of the 2016 ACM International Symposium on Wearable Computers. , 50-52 (2016).
  20. Farooq, M., Sazonov, E. Segmentation and Characterization of Chewing Bouts by Monitoring Temporalis Muscle Using Smart Glasses with Piezoelectric Sensor. IEEE J Biomed Health Inform. , (2016).
  21. Huang, Q., Wang, W., Zhang, Q. Your Glasses Know Your Diet: Dietary Monitoring using Electromyography Sensors. IEEE Internet of Things Journal. , (2017).
  22. Chung, J., et al. A glasses-type wearable device for monitoring the patterns of food intake and facial activity. Scientific Reports. 7, 41690 (2017).
  23. Cristianini, N., Shawe-Taylor, J. . An introduction to support Vector Machines: and other kernel-based learning methods. , (2000).
  24. Giannakopoulos, T., Pikrakis, A. . Introduction to Audio Analysis: A MATLAB Approach. , (2014).
  25. Chang, C. -. C., Lin, C. -. J. LIBSVM: a library for support vector machines. ACM Trans Intell Syst Technol. 2 (3), 27 (2011).
  26. Po, J., et al. Time-frequency analysis of chewing activity in the natural environment. J Dent Res. 90 (10), 1206-1210 (2011).
  27. Ji, T. Frequency and velocity of people walking. Struct Eng. 84 (3), 36-40 (2005).
  28. Knoblauch, R., Pietrucha, M., Nitzburg, M. Field studies of pedestrian walking speed and start-up time. Transp Res Red. 1538, 27-38 (1996).

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Explore More Articles

132ingestive MIB

This article has been published

Video Coming Soon

JoVE Logo

Privacy

Terms of Use

Policies

Contact Us

Recommend to library

JoVE NEWSLETTERS

Research

Education

Authors

Librarians

ABOUT JoVE

Copyright © 2025 MyJoVE Corporation. All rights reserved