설계 및 스마트 유리의 음식 섭취 량과 신체 활동 분류에 대 한 평가

요약

이 연구 설계 및 음식 섭취 량의 패턴을 감지 하는 안경 형 착용 형 장치 제조의 프로토콜을 선물 하 고 로드 셀을 사용 하 여 다른 추천된 신체적 활동 안경의 두 경첩에 삽입.

초록

이 연구는 디자인 하 고 음식 섭취 량 그리고 다른 신체 활동 하는 동안 temporalis 근육 활동의 패턴을 감지 하는 안경 형 착용 형 장치 제조의 프로토콜의 일련을 제공 합니다. 우리는 유리와 프레임의 두 경첩에 삽입 된 부하 셀 통합 인쇄 회로 기판 (PCB) 모듈의 3D 인쇄 프레임 조작. 힘 신호를 취득 하 고 그들을 무선으로 전송 하는 모듈 사용 되었다. 이 절차는 높은 이동성, 산책 등 waggling 실용적인 착용 조건에서 계산 될 수 있는 시스템을 제공 합니다. 분류의 성능 또한 그 신체 활동에서 음식 섭취 량의 패턴을 구분 하 여 평가 됩니다. 알고리즘의 시리즈 신호 전처리 기능 벡터를 생성 하 고 몇몇의 패턴을 인식 하는 데 사용 했다 활동 (씹는 및 윙크), 그리고 다른 신체 활동 (앉아있는 나머지, 이야기, 및 산책). 결과 평균 F₁ 점수 추천된 활동 중 분류의 91.4%가 나타났다. 우리는이 이렇게 자동이 고 객관적인 ingestive 문제를 치료 하는 실용적인 수단으로 높은 정확도와 ingestive 동작의 모니터링을 위한 잠재적으로 유용할 수 있습니다 믿습니다.

서문

음식 섭취 량의 지속적이 고 객관적인 모니터링으로 과도 한 에너지 축적 overweightness 및 비만¹, 다양 한 의료 합병증²발생할 수 발생할 수 있습니다 인간의 신체의 에너지 균형을 유지 하기 위한 필수적 이다. 에너지 불균형에 주요 요인으로 과도 한 음식 섭취 및 부족 한 신체 활동³알려져 있습니다. 일일 에너지 지출을 모니터링에 대 한 다양 한 연구 에서도 착용 할 수 있는 장치^4,,56, 신체 활동 패턴의 자동 및 객관적인 측정으로 도입 되어 있는 최종 소비자의 수준과 의료 단계⁷. 그러나 음식 섭취 량의 모니터링에 대 한 연구는, 실험실 설정, 직접적이 고 객관적인 방식으로 음식 섭취 활동을 감지 하기가 어렵습니다 때문에 아직도 이다. 여기, 우리는 장치 설계 및 음식 섭취 및 일상 생활에 실용적인 수준에서 신체 활동 패턴을 모니터링을 위한 그것의 평가 제시 하고자 합니다.

씹는 삼 키는 소리^8,9,10, 손목^11,,1213의 움직임을 통해 음식 섭취 량을 모니터링, 이미지를 다양 한 간접 접근 되었습니다. 분석¹⁴, 그리고 치십시오 (EMG)¹⁵. 그러나, 이러한 접근은 그들의 한계 때문에 일상 생활에 대 한 응용 프로그램에 적용 하기 어려운: 소리를 사용 하 여 방법 환경 소리;에 의해 영향을 받을에 취약 했다 손목의 움직임을 사용 하 여 방법 음식;를 소모 하지 때 다른 신체 활동에서 구별 하기 어려운 했다 그리고 이미지와 EMG 신호를 사용 하 여 방법 운동과 환경의 경계에 의해 제한 됩니다. 이러한 연구의 센서를 사용 하 여 음식 섭취 량의 자동된 감지 기능을 보여주지만 여전히 실험실 설정 외에 일상 생활에 실용적인 적용의 제한 했다.

본이 연구에서는 우리 음식 섭취 량을 자동 및 객관적인 모니터링으로 temporalis 근육 활동의 패턴을 사용. Temporalis 근육 수축과 음식 섭취 량^16,17; 하는 동안 masticatory 근육의 일환으로 이완을 반복 하는 일반적으로 따라서, 음식 섭취 활동 temporalis 근육 활동의 주기적 패턴을 감지 하 여 모니터링할 수 있습니다. 최근, 여러 연구는 temporalis를 이용 하 여 근육 활동^18,19,20,21, EMG 또는 압 전 긴장 사용 되었습니다 센서 및 인간에 직접 연결 피부입니다. 그러나 이러한 접근, EMG 전극 또는 스트레인 센서의 피부 위치에 민감한 되었고 실제 운동 또는 땀이 피부에서 쉽게 분리 했다. 따라서, 우리 안경의 쌍을 사용 하 여 새롭고 효과적인 방법 그런 의미는 temporalis 근육 활동 우리의 이전 연구²²에서 두 관절에 삽입 하는 두 개의 로드 셀을 통해 제안 했다. 이 방법은 피부를 건드리지 않고 높은 정확도로 음식 섭취 활동을 감지의 위대한 잠재력을 보여주었다. 그것은 또한 취소 돌출 및 비-간섭, 이후 일반적인 안경 형 장치를 사용 하는 우리.

이 연구에서는 선물이 안경 형 장치를 구현 하는 방법 및 음식 섭취 량과 신체 활동 모니터링을 위한 temporalis 근육 활동의 패턴을 사용 하는 방법의 상세한 프로토콜의 시리즈. 프로토콜의 하드웨어 설계 및 3D 인쇄 프레임 안경, 회로 모듈 및 데이터 수집 모듈의 구성 된 제조 과정을 포함 하 고 데이터 처리 및 분석을 위한 소프트웨어 알고리즘을 포함. 우리는 또한 여러 추천된 활동 (예를 들어, 씹는, 산책, 그리고 윙크) 중 분류 검사 음식 섭취 량 그리고 다른 신체 활동 분 차이 말할 수 있는 실용적인 시스템으로 가능성을 입증 하 패턴입니다.

프로토콜

참고: 인간을 대상의 사용을 포함 한 모든 절차는 단순히 착용 하는 안경의 한 쌍의 비-침략 적 방법에 의해 달성 되었다. 모든 데이터는 로드 셀 피부와 직접 접촉에서 되지 않은 안경에 삽입에서 힘 신호를 측정 하 여 인수 했다. 데이터, 경우에이 연구에 대 한 지정 된 smartphone 데이터 기록 모듈, 무선 전송 했다. 모든 프로토콜은 관련이 없는 비보에/생체 외에서 인간 연구. 아니 약물과 혈액 샘플 실험에 사용 되었다. 동의 실험의 모든 과목에서 얻은 했다.

1. 센서 통합 회로 모듈의 제조

1. 전자 부품 회로 모듈 제조 구매.
   1. 구입 두 공 형 로드 셀, 각각 0 N과 N, 15 사이의 범위에서 동작 하며 3.3 V 여기에서 최대 120 mV 범위와 낮은 차동 전압의 출력을 생성 합니다.
      참고:이 로드 셀을 측정 하 되 왼쪽 안경의 오른쪽 측면에 신호를 강제로.
   2. 2 계측 증폭기와 2 개의 15 k ω 이득 설정 저항 구입.
      참고: 계측 증폭기 및 이득 설정 저항 960까지 8 회, 로드 셀의 힘 신호를 증폭 하는 데 사용 됩니다 mV.
   3. (예를 들어, Wi-Fi를 연결), 무선 기능 및 10 비트 아날로그-디지털 컨버터 (ADC)와 마이크로 컨트롤러 유닛 (MCU)를 구입.
      참고: MCU는 힘 신호를 읽고 무선 데이터 수집 모듈을 그들을 전송 하는 데 사용 됩니다. 2 개의 아날로그 힘 입력 한 아날로그 입력된 핀 사용 됩니다, 때문에 멀티플렉서의 사용 다음 단계 1.1.4에서에서 소개 된다.
   4. MCU에 대 한 ADC 핀 2 개의 입력된 신호를 처리 하는 2 채널 아날로그 멀티플렉서를 구입.
   5. 3.7 V 공칭 전압, 300 mAh 공칭 용량, 그리고 1 C 방전 율 리튬 이온 중합체 (LiPo) 배터리를 구입.
      참고: 배터리 용량 200 mAh 시간당 충분 한 전류를 공급 하 고 실험의 약 1.5 h에 대 한 안정적으로 시스템을 작동 하도록 선택 되었다.
   6. 3.7 V 배터리 전압 3.3 V의 선형 다운 규제에 대 한 3.3 V 전압 조정기를 구입 운영 시스템의 전압.
   7. MCU의 풀업 저항으로 구매 5 12 k ω 표면 실장 소자 (SMD) 타입 저항 저항기의 발자국은 2.0 m m x 1.2 m m (크기 2012).
2. 인쇄 회로 기판 (Pcb) 조작. 이 단계는 회로 기판, 그리고 PCB 제조에 대 한 (즉, 보드 레이아웃,.brd 파일) 삽화와 회로도 (즉,.sch 파일)를 만드는 대 한 것 이다. 회로도 아트 워크 파일을 만드는 과정에 대 한 기본적인 이해는 개발에 대 한 필요 합니다.
   1. 그림 1A와 같이 전자 디자인 응용 프로그램을 사용 하 여 배터리를 포함 하는 왼쪽된 회로의 설계도 그리기. 두 작품 (.brd) 및 회로도 (.sch) 파일 결과 저장 합니다.
   2. 그림 1B와 같이 전자 디자인 응용 프로그램을 사용 하 여 MCU를 포함 하는 바로 회로의 설계도 그리기. 두 작품 (.brd) 및 회로도 (.sch) 파일 결과 저장 합니다.
   3. 회로 기판 PCB 제조 회사와 순서를 배치 하 여 조작.
   4. 그림 2 및 그림 3에서 같이 Pcb 1.1 단계에서 준비 하는 모든 전자 부품을 땜 납.
      주의: 계측 증폭기는 납땜 온도에 매우 민감합니다. 리드 온도 10 300 ° C를 초과 하지 않습니다 납땜 하는 동안 s, 그렇지 않으면 발생할 수 있습니다 구성 요소에 영구적인 손상을.

2. 3D 안경의 프레임 인쇄

1. 그림 4A와 같이 3D 모델링 도구를 사용 하는 안경의 머리 조각의 3D 모델을 그립니다. .Stl 파일 형식으로 결과 내보냅니다.
2. 3D 그림 4B 에 그림 4C와 같이 모델링 도구를 사용 하 여 안경의 왼쪽과 오른쪽 사원의 3D 모델을 그립니다. .Stl 파일 형식으로 결과 내보냅니다.
3. 머리 조각 및 사원 부품 노즐 온도 침대 온도 80 ° C 240 ° C에서 3 차원 프린터와 탄소 섬유 필 라 멘 트를 사용 하 여 인쇄 합니다.
   참고: 어떤 상업적인 3 차원 프린터와 아크릴로 니트 릴 부 타 디 엔 스 티 렌 (ABS) 등 polylactide (PLA) 필 라 멘 트의 어떤 종류를 사용 하 여 허용 될 수 있습니다. 노즐 및 침대 온도 필 라 멘 트 및 인쇄 조건에 따라 조정할 수 있다.
4. 180 ° C의 뜨거운 공기 송풍기를 사용 하 여 사원의 팁이 열 하 고 그들에 벤드 안쪽으로 약 15도 기존의 안경 같은 temporalis 근육의 표 피에 연결할.
   참고: 안경 템플의 굴곡의 정도 곡률의 목적 때 피사체의 머리에 안경 여 형태 요소를 증가 하는 엄격한 될 필요가 없습니다. 그러나 조심,, 중요 한 패턴을 수집 하는 게 불가능 한 시키는 temporalis 근육을 만지기에서 사원 방지 것입니다 과도 한 굽 힘.
5. 두 가지 다른 크기의 그림 4와 같이 여러 머리 크기에 맞게 안경 프레임을 인쇄 하려면 2.1-2.4 단계에서 단계를 반복 합니다.

3. 안경의 모든 부품의 조립

1. M2 볼트를 사용 하 여 그림 5와 같이 안경의 양쪽에 Pcb를 삽입 합니다.
2. 머리 조각과 사원 경첩 관절에 M2 볼트를 삽입 하 여 조립.
3. 그림 5와 같이 3 핀 연결 와이어를 사용 하 여 왼쪽 및 오른쪽 PCBs를 연결 합니다.
4. 왼쪽된 회로에 배터리를 연결 하 고 접착 테이프로 왼쪽된 관자놀이 연결할. PCB 설계에 따라 다를 수 있습니다 그것은 배터리의 장착 면 중요 하지 않습니다.
5. 커버 고무 테이프 끝에 그림 5와 같이 인간의 피부와 함께 더 많은 마찰을 추가 하려면 코 패드와 안경.

4입니다. 데이터 수집 시스템의 개발

참고: 데이터 수집 시스템 데이터 전송 모듈 및 데이터 수신 모듈 구성 됩니다. 데이터 전송 모듈에 읽어들이고 힘 양측의 신호 수신된 데이터를 수집 하 고.tsv 파일에 기록 하는 데이터 수신 모듈에 보냅니다.

1. 절차 단계 4.1.1–4.1.3에 따라 PCB 모듈의 MCU 응용 프로그램을 전송 하는 데이터를 업로드.
   1. 컴퓨터를 사용 하 여 보조 파일에 연결 된 "GlasSense_Server" 프로젝트를 실행 합니다.
      참고:이 프로젝트는 Arduino 통합된 개발 환경 (IDE)으로 건축 되었다. 그것은 시간 200 샘플/s, 신호를 강제로 고 데이터 수신 모듈에 전송 하는 기능을 제공 합니다.
   2. 범용 직렬 버스 (USB) 커넥터를 통해 컴퓨터에 PCB 모듈을 연결 합니다.
   3. Arduino IDE 플래시 MCU에 4.1.1 단계에서 프로그래밍 코드를에 "업로드" 버튼을 누릅니다.
2. 절차 단계 4.2.1–4.2.3에 따라 데이터를 무선으로 수신 하는 데 사용 되는 스마트폰 데이터 수신 응용 프로그램에 업로드.
   1. 컴퓨터를 사용 하 여 보조 파일에 연결 된 "GlasSense_Client" 프로젝트를 실행 합니다.
      참고:이 프로젝트와 함께 만들어진 C# 프로그래밍 언어. 데이터 수신.tsv 파일을 이름, 성별, 나이, 몸 대량 색인 (BMI) 등 피사체의 정보를 포함 하는 저장 하는 기능을 제공 합니다.
   2. 스마트폰 데이터 수신 응용 프로그램을 구축 하는 USB 커넥터를 통해 컴퓨터에 연결 합니다.
   3. C# 프로젝트는 스마트폰 데이터 수신 응용 프로그램에 "파일 > 빌드 및 실행" 버튼을 누릅니다.

5. 데이터 수집 사용자 연구에서

참고:이 연구 수집 6 추천된 활동 세트: 앉아있는 (SR), 앉아 있는 씹는 (SC), 걷기 (W), (CW)를 걷는 동안 씹는, 앉아 이야기 (ST), 휴식과 앉아있는 윙크 (남서).

1. 테스트할 사용자에 게 적절 한 크기는 안경의 한 쌍을 선택 합니다. 경첩 (그림 5)에서 지원 볼트로 견고를 미 조정 하십시오.
   주의: 힘 값이이 연구에 사용 된 힘 센서 동작 범위를 넘어 좋은 선형 특성을 잃을 수 있습니다 이후 15 N를 초과 해서는 안. 힘 값 느슨하게 하 여 미세 하 게 될 수 있습니다 또는 볼트 지원 강화.
2. 기록 응용 프로그램에 "기록" 버튼을 누르면 모든 과목의 활동 단계 4.2.3 내장.
   1. 120-s 블록 중 활동을 기록 하 고 그것의 기록 파일을 생성.
      1. SR의 경우 주제는의 자에 앉아서 그들이 스마트폰 사용 하거나 책을 읽고. 머리의 움직임을 허용 하지만 전신의 움직임을 피하십시오.
      2. 사우스 캐롤라이나와 CW의 경우, 과목 (구운된 빵과 씹는 젤리) 다른 음식 속성을 반영 하기 위하여 음식 텍스처의 두 종류를 먹고 있다. 식사에 대 한 좋은 크기 20 m m x 20 m m, 조각에서 구운된 빵을 제공 합니다.
      3. W의 경우 4.5 km/h의 속도에 디딜 방 아에 걸어 주제 있다.
      4. ST의 경우 과목 앉아서 그들 책을 읽고는 크게 일반 색조와 속도.
      5. SW의 경우 0.5의 벨 소리의 타이밍에 윙크 하는 과목을 알려 s 긴 모든 3 s.
   2. 5.2.1 단계에서 수집 된 데이터에서.tsv 형식으로 녹음 파일을 생성 합니다.
      참고:이 파일은 데이터 수신 될 때 시간 순서, 왼쪽된 힘 신호, 바로 힘 신호 및 현재 얼굴 활동을 나타내는 레이블이 포함 되어 있습니다. 시각화의 블록 사용자의 모든 활동의 일시적인 신호는 그림 6에서 묘사 했다. 6 추천된 활동 세트 (SR, 사우스 캐롤라이나, W, CW, 세인트와 소프트웨어)는 각각 1, 2, 3, 4, 5, 및 6으로 분류 했다. 프로토콜의 섹션 8에에서 예측된 클래스를 비교 하는 레이블 사용 되었다.
   3. 녹화 블록 후 60의 휴식을 취하. 휴식 시간 동안, 안경 떨어져가지고 고 다시 그들을 입을 다시 녹화 블록 다시 시작 될 때.
   4. 각 활동 단계 5.2.1 5.2.2 블록 브레이크 세트 4 번을 반복 합니다.
   5. SW의 경우 반복적으로 한 블록, 동안 왼쪽된 눈으로 윙크 하 고 다음 다음 블록 중 오른쪽 눈으로 반복적으로 윙크 주제가 있다.
3. 5.1-5.2 단계를 반복 하 고 10 과목에서 데이터를 수집 합니다. 이 연구에서 우리는 5 남성과 여성 5를 사용, 평균 연령은 27.9 ± 4.3 (표준 편차, 사 우 스 다코타) 년,는 19-33 년에, 원거리 및 평균 BMI는 21.6 ± 3.2 (사 우 스 다코타) k g/m²는 17.9-27.4 k g/m²에서 배열 했다.
   참고:이 연구에서 누가 어떤 의료 조건, 음식을 씹을 하지 않은 과목 윙크, 산책 했다 모집, 그리고이 조건은 포함 기준에 사용 되었다.

6. 신호 전처리 및 시장 세분화

참고: 왼쪽 및 오른쪽 신호는 다음 절차에서 별도로 계산 됩니다.

1. 2의 시간 프레임을 준비 s 긴.
   1. 세그먼트는 120의 1-s 간격으로 그림 6과 같이 MATLAB를 사용 하 여 호핑에 의해 2 s 프레임의 집합으로 신호를 기록.
      참고: 세그먼트 프레임 2의 s 긴 섹션 7에서에서 특징을 추출 하는 데 사용 했다. 1 s 도약 크기 단계 5.2.1에서에서 이미 언급 한 3 s 윙크 간격으로 신호를 분할 하기로 결정 했습니다.
   2. 각 프레임에 대 한 10 Hz의 컷오프 주파수 5^번째 차 버터워스 필터를 사용 하 여 저역 통과 필터 (LPF)를 적용 합니다.
   3. 7.1 단계에서 다음 단계에 대 한 시간 프레임으로 단계 6.1.2의 결과 저장 합니다.
2. 일련의 스펙트럼 프레임을 준비.
   1. 안경을 착용 했을 때 미리 로드를 제거 하는 각 프레임의 원래 신호에서 평균을 뺍니다.
      그러나 참고: 미리 값 다음 주파수 분석에 대 한 필요 하지 않습니다, 그리고 때문에 그것은 수 있었다, 씹는, 산책, 윙크, 등 에 대 한 정보를 포함 하지 않습니다에서 주제, 주제에서 다를 수 있습니다 중요 한 정보를 포함 모든 설정의 안경, 그리고 순간에서 주제는 안경 착용.
   2. 해 창 주파수 분석, 스펙트럼 누설을 줄이기 위해 각 프레임에 적용 됩니다.
   3. 생성 하 고 각 프레임에는 고속 푸리에 변환 (FFT)을 적용 하 여 단면 스펙트럼을 저장 합니다.
3. 시간적 및 프레임 블록으로 동시의 스펙트럼 프레임 (또는 단순히 프레임)의 조합을 정의 합니다.

7입니다. 특징 벡터의 생성

참고: 기능 벡터 프로토콜의 섹션 6에서에서 생산 하는 프레임 마다 생성 됩니다. 왼쪽 및 오른쪽 프레임은 별도로 계산 하 고 다음 절차에서 기능 벡터에 결합. 모든 절차는 MATLAB에 구현 했다.

1. 프로토콜의 단계 6.1에서에서 시간 프레임에서 통계 기능을 추출 합니다. 54 특징의 총 수의 목록 표 1에 주어진 다.
2. 6.2 프로토콜의 단계에서 스펙트럼 프레임에서 통계 기능을 추출 합니다. 표 2에 30 특징의 총 수의 목록이 제공 됩니다.
3. 위의 일시 및 스펙트럼 기능을 결합 하 여 84 차원 특징 벡터를 생성 합니다.
4. 5.2 프로토콜의 단계에서 녹음에서 생성 된 특징 벡터를 레이블을 지정 합니다.
5. 모든 프레임 블록 단계 7.1-7.4에서에서 단계를 반복 하 고 기능 벡터의 일련을 생성.

8입니다. 클래스에 활동의 분류

참고:이 단계는 주어진된 문제 (즉, 기능 벡터)에서 최고의 정확도 표시 하는 매개 변수를 확인 하 여 지원 벡터 기계 (SVM)²³ 의 분류자 모델을 선택 하는. SVM은 잘 알려진 감독된 기계 학습 기법을 일반화 및 견고성 클래스와 커널 함수 사이의 최대 여백을 사용 하 여 우수한 성능을 보여줍니다. 우리 페널티 매개 변수 C와 커널 정의를 그리드 검색 및 교차 유효성 검사 메서드를 사용의 방사형으로 함수 (RBF) 커널 매개 변수 γ. 컴퓨터 기술과 SVM 학습의 최소 이해는 다음 절차를 수행 해야 합니다. 일부 참조 자료^23,,2425 는 기계 학습 기술 및 SVM 알고리즘의 더 나은 이해 하는 것이 좋습니다. 이 섹션의 모든 절차는 LibSVM²⁵ 소프트웨어 패키지를 사용 하 여 구현 되었습니다.

1. 그리드 검색에 대 한 쌍 (C, γ)의 표를 정의 합니다. 사용 기 하 급수적으로 성장 하는 C의 시퀀스 (2^-10, 2^-5,..., 2³⁰)와 γ (2^-25,..., 2, 2^-30,¹⁰).
   참고: 이러한 시퀀스는 스스로 결정 했다.
2. 한 쌍 (C, γ)의 정의 (예를 들어, (2^-10, 2^-30)).
3. 8.2 단계에서 정의 된 격자 10 교차 유효성 검사 체계를 수행 합니다.
   참고:이 전체 기능 벡터 10 일부 하위 집합으로, 다음 다른 하위에 의해 훈련 분류자 모델에서 하나의 하위 집합을 테스트 나누고 모든 하위 집합을 통해 반복 하나. 따라서, 모든 기능은 벡터는 순차적으로 테스트할 수 있습니다.
   1. 전체 기능 벡터 10 일부 하위 집합으로 나눕니다.
   2. 하위 집합, 그리고 나머지 9 하위 집합에서 설정 하는 훈련에서 테스트 집합을 정의 합니다.
   3. 배율 벡터의 범위에 기능 벡터의 모든 요소를 확장 하는 정의 [0, 1] 학습 집합에 대 한.
      참고: 배율 벡터는 특징 벡터와 동일한 차원의. 그것은 이루어져 있다 모든 기능 벡터 같은 행 (또는 열)를 확장 하는 멀티 플라이어의 집합의 범위를 [0, 1]. 예를 들어 기능 벡터의 첫 번째 기능은 선형 조정 됩니다의 범위 [0, 1] 훈련 특징 벡터의 모든 첫 번째 기능에 대 한. Note 테스트 세트를 알 수 없는으로 간주 한다 때문에 배율 벡터 학습 집합에서 정의 됩니다. 이 단계 기능 동일 범위 및 계산 하는 동안 숫자 오류를 방지 함으로써 분류의 정확도 증가 한다.
   4. 범위를 설정 하는 훈련의 각 기능을 확장 [0, 1] 단계 8.2.3에서에서 얻은 배율 벡터를 사용 하 여.
   5. 범위를 설정 하는 테스트의 각 기능을 확장 [0, 1] 단계 8.2.3에서에서 얻은 배율 벡터를 사용 하 여.
   6. 훈련 단계 8.2, (γ, C)의 정의 된 쌍으로 SVM 통해 학습 집합 빌드하고 분류자 모델.
   7. (Γ, C)의 정의 된 쌍으로 SVM 통해 테스트 집합을 테스트 하는 단계 8.2에서 그리고 분류자 모델 훈련 절차에서.
   8. 테스트 집합에 분류 정확도 계산 합니다. 정확도 올바르게 분류 기능 벡터의 비율에서 산출 되었다.
   9. 모든 하위 집합에 대 한 단계 8.2.2–8.2.8를 반복 하 고 모든 하위 집합의 평균 정확도 계산 합니다.
4. (C, γ)의 한 쌍의 모든 격자 포인트 8.2-8.3.9 단계를 반복 합니다.
5. 격자의 가장 높은 정확도의 현지 최대를 찾아. 섹션 8의 모든 절차는 그림 7에 설명 됩니다.
6. (선택 사항) 그리드의 단계 거친 간주 됩니다, 지역 최대 근처 미세한 격자 단계 8.1-8.5 8.5, 단계에서 발견 하 고 정밀한 격자의 새로운 현지 최대를 찾을 반복 합니다.
7. 정밀, 리콜, 그리고 다음 방정식에서 활동의 각 클래스의 F₁ 점수 계산:
                                      공식 1
                                                공식 2
             식 3
   어디 TP, FP, 그리고 FN 참 긍정, 거짓 긍정, 그리고 각 활동에 대 한 false 네거티브 각각 나타냅니다. 모든 활동의 혼란 매트릭스 표 3에서 제공 됩니다.

결과

프로토콜에서 설명 하는 절차를 통해 우리 준비 3D 인쇄 프레임의 두 가지 버전의 머리 조각, L_H (133 및 138 m m), 그리고 사원, L_T (110 및 125 m m), 길이 차별화 하 여 그림 4에서처럼. 따라서, 우리는 과목 머리 크기, 모양, 등 과목 선택 사용자 연구에 대 한 그들의 머리에 맞게 프레임 중 하나에서 변화 될 수 있는 여러 가지 착용 조건...

토론

이 연구에서 우리는 먼저 설계 및 음식 섭취 량과 신체 활동의 패턴을 감지 하는 안경의 제조 과정을 제안 했다. 이 연구는 다른 신체 활동 (산책과 윙크)에서 음식 섭취 량을 구분 하는 데이터 분석에 주로 집중, 센서 및 데이터 수집 시스템 필요한 이동성 녹음의 구현. 따라서, 시스템 센서, 무선 통신 기능, MCU와 배터리 포함 되어있습니다. 소설과 비 접촉 방식으로 음식 섭취 량과 윙크 temporalis 근...

자료

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