Concepção e avaliação de vidros inteligentes para a ingestão de alimentos e a classificação de atividade física

Resumo

Este estudo apresenta um protocolo de projetar e fabricar um óculos-tipo dispositivo wearable que detecta os padrões de ingestão de alimentos e outras atividades físicas indicadas usando células de carga inserida em ambas as dobradiças dos óculos.

Resumo

Este estudo apresenta uma série de protocolos de projetar e fabricar um óculos-tipo dispositivo wearable que detecta os padrões de atividades de músculo temporalis durante a ingestão de alimentos e outras atividades físicas. Temos fabricado um quadro 3D-impresso de óculos e um módulo de placa (PCB) de circuito integrado de célula de carga inserido em ambas as dobradiças do quadro. O módulo foi usado para adquirir os sinais de força e transmiti-los sem fio. Esses procedimentos fornecem o sistema com maior mobilidade, que pode ser avaliada em condições usando práticas como caminhadas e abanar. Um desempenho da classificação também é avaliado por distinguem os padrões de ingestão de alimentos aquelas atividades físicas. Uma série de algoritmos foram usados para pré-processar os sinais, gerar vetores de recurso e reconhecer os padrões de vários destaque atividades (mastigação e piscando) e outras atividades físicas (resto sedentário, falando e andando). Os resultados mostraram que o placar de₁ média F da classificação entre as atividades de destaque foi 91,4%. Acreditamos que esta abordagem pode ser potencialmente útil para monitoramento automático e objectiva de comportamentos ingestor com maior precisão como meios práticos para tratar problemas de ingestor.

Introdução

Monitoramento contínuo e objectiva de ingestão de alimentos é essencial para manter o equilíbrio de energia no corpo humano, como a acumulação de energia excessiva pode causar obesidade e overweightness¹, que poderia resultar em várias complicações médicas². Os principais fatores do desequilíbrio da energia são conhecidos por serem tanto a ingestão excessiva de alimentos e atividade física insuficiente³. Vários estudos sobre o controlo de gasto de energia diário foram introduzidos com medição automática e objetiva dos padrões de actividade física através de dispositivos wearable^4,5,6, mesmo com o consumidor final estágio médico e nível⁷. Pesquisa sobre o controlo da ingestão de alimentos, no entanto, ainda se encontra a configuração de laboratório, uma vez que é difícil de detectar a atividade de ingestão de alimentos de forma direta e objetiva. Aqui, nosso objetivo é apresentar um projeto de dispositivo e a sua avaliação para monitoramento da ingestão de alimentos e padrões de atividade física em um nível prático na vida diária.

Há diversas abordagens indiretas para monitorar a ingestão de alimentos através da mastigação e deglutição sons^8,9,10, movimento do pulso^11,12,13, imagem análise de¹⁴e eletromiografia (EMG)¹⁵. No entanto, essas abordagens foram difíceis de aplicar para aplicações diárias da vida, por causa de suas limitações inerentes: os métodos usando som eram vulneráveis a ser influenciado pelo som ambiental; os métodos usando o movimento do pulso eram difíceis de distinguir de outras atividades físicas, quando não consumir alimentos; e os métodos usando as imagens e sinais de EMG são restritos pelo limite de movimento e ambiente. Estes estudos mostraram a capacidade de detecção automática da ingestão de alimentos, usando sensores, mas ainda tinham uma limitação da aplicabilidade prática à vida cotidiana, além de configurações de laboratório.

Neste estudo, nós usamos os padrões de atividade do músculo temporalis como o monitoramento automático e objetiva da ingestão de alimentos. Em geral, o músculo temporalis repete a contração e relaxamento como uma parte do músculo mastigatório durante a comida ingestão^16,17; assim, a atividade de ingestão de alimentos pode ser monitorada, detectando os padrões periódicos de atividade do músculo temporalis. Recentemente, tem havido vários estudos utilizando os temporalis muscular atividade^18,19,20,,²¹, que usou o EMG ou estirpe piezoelétrico sensor e anexá-las diretamente em humanos pele. Essas abordagens, no entanto, foram sensíveis à posição de pele dos eletrodos de EMG ou sensores de tensão e foram facilmente separadas da pele devido a movimentos físicos ou transpiração. Por conseguinte, propusemos um método novo e eficaz, usando um par de óculos nesse sentido os temporalis muscular atividade através de células de carga de dois inserido em ambas as dobradiças no nosso anterior estudo²². Esse método mostrou um grande potencial de detectar a atividade de ingestão de alimentos com uma alta precisão sem tocar a pele. Também foi não-intrusiva e não intrusiva, uma vez que usamos um dispositivo tipo óculos comuns.

Neste estudo, apresentamos uma série de protocolos detalhados de como implementar o óculos-tipo de dispositivo e como usar os padrões de atividade do músculo temporalis para monitoramento da ingestão de alimentos e atividade física. Os protocolos incluem o processo de design de hardware e de fabricação que consiste em um frame 3D-impresso de óculos, um módulo de circuito e um módulo de aquisição de dados e incluem os algoritmos de software para processamento de dados e análise. Examinamos, além disso, a classificação entre várias atividades indicadas (por exemplo, mastigar, caminhando e piscando) para demonstrar o potencial como um sistema prático que pode distinguir um minuto a ingestão de alimentos e outras atividades físicas padrões.

Protocolo

Nota: Todos os procedimentos, incluindo o uso de cobaias humanas foram realizados de forma não-invasiva de simplesmente usar um par de óculos. Todos os dados foram adquiridos através da medição dos sinais de força de células de carga, inseridos em copos que não estavam em contato direto com a pele. Os dados foram transmitidos sem fio para o módulo de gravação de dados, que, neste caso, é um smartphone designado para o estudo. Todos os protocolos não foram relacionados na vivo/em vitro estudos humanos. Não há amostras de sangue e drogas foram utilizadas para os experimentos. Foi obtido o consentimento de todos os sujeitos dos experimentos.

1. a fabricação de um módulo de circuito Sensor integrado

1. Compra de componentes eletrônicos para fabricação do módulo de circuito.
   1. Células de carga tipo bola compra dois, cada um dos quais opera em uma escala entre 0 N e 15 N e produz uma saída de baixa tensão diferencial com máxima 120 mV span em uma excitação V 3.3.
      Nota: Estas células são usadas para medir de carga force sinais em ambos os lados esquerdo e direito dos óculos.
   2. Compra dois amplificadores de instrumentação e kΩ dois 15 resistores de ganho de definição.
      Nota: O amplificador de instrumentação e o resistor de ajuste de ganho são usados para amplificar o sinal de força da célula de carga de oito vezes, até 960 mV.
   3. Compre uma unidade de micro controlador (MCU) com capacidade sem fio (por exemplo, conectividade Wi-Fi) e um conversor analógico-digital de 10 bits (ADC).
      Nota: O MCU é usado para ler os sinais de força e transmiti-las a um módulo de aquisição de dados sem fio. Porque um pino de entrada analógico é usado para duas entradas analógicas de força, o uso de um multiplexador é introduzido na próxima etapa 1.1.4.
   4. Compra um multiplexador de analógico de dois canais que manipula os dois sinais de entrada com um pino de ADC no MCU.
   5. Compre uma bateria de lítio-íon polímero (LiPo) com 3,7 V de tensão nominal, 300 mAh de capacidade nominal e taxa de descarga de 1 C.
      Nota: A capacidade da bateria foi escolhida para fornecer a corrente suficiente por hora mais de 200 mAh e operar o sistema confiável para cerca de 1,5 h de um experimento.
   6. Compra um regulador de tensão 3.3 V para baixo-Regulamento linear da tensão da bateria 3.7 V para o 3.3 V tensão do sistema de funcionamento.
   7. Compra cinco 12 kΩ dispositivos de montagem em superfície (SMD) tipo resistores como resistores pull-up do MCU. Pegada do resistor é 2,0 x 1,2 mm (tamanho 2012).
2. Fabrica placas de circuito impresso (PCB). Esta etapa é sobre desenho de placas de circuito e fazendo a obra de arte (ou seja, o layout da placa, o arquivo de .brd) e os esquemas (ou seja, o arquivo SCH) para fabricação de PCB. Uma compreensão básica do processo de criação de arquivos de arte-final e a planta é necessária para o desenvolvimento.
   1. Desenhe um diagrama esquemático de um circuito esquerdo contendo a bateria usando um aplicativo de design eletrônico, conforme mostrado na figura 1A. Salve o resultado como obra de arte (.brd) e arquivos de esquema (SCH).
   2. Desenhe um diagrama esquemático de um certo circuito contendo o MCU usando um aplicativo de design eletrônico, conforme mostrado na figura 1B. Salve o resultado como obra de arte (.brd) e arquivos de esquema (SCH).
   3. Fabrica as placas de circuito, colocando uma ordem com uma empresa de fabricação de PCB.
   4. Solde cada componente eletrônico, preparado na etapa 1.1 para os PCB, como mostrado na Figura 2 e Figura 3.
      Atenção: O amplificador de instrumentação é muito sensível à temperatura de soldagem. Certifique-se que a temperatura de chumbo não exceda 300 ° C, durante 10 s durante a soldagem, caso contrário pode causar danos permanentes ao componente.

2. 3D impressão de um quadro dos óculos

1. Desenhe o modelo 3D da peça cabeça dos vidros usando uma ferramenta de modelagem 3D, como indicado na Figura 4A. Exporte o resultado para o formato. STL.
2. Desenhe o modelo 3D dos templos à esquerda e à direito dos óculos usando uma ferramenta de modelagem, como mostrado na Figura 4e Figura 4B 3D. Exporte os resultados para o formato de arquivo. STL.
3. Imprima as peça e templo peças usando uma impressora 3D e um filamento de fibra de carbono a 240 ° C de temperatura do bocal e 80 ° C, uma temperatura de cama.
   Nota: Pode ser autorizada a utilização de qualquer impressora 3D comercial e quaisquer tipos de filamentos como acrilonitrila-butadieno-estireno (ABS) e polilactida (PLA). As temperaturas do bocal e cama podem ser ajustadas de acordo com o filamento e condições de impressão.
4. Aqueça as pontas dos templos usando um soprador de ar quente de um ajuste de 180 ° C e dobre-as para dentro cerca de 15 graus para entrar em contato com a epiderme do músculo temporalis como óculos convencionais.
   Nota: O grau de flexão do Templo de óculos não precisa ser rigoroso, como a finalidade da curvatura é aumentar um fator de forma, ajudando os óculos caber na cabeça de um sujeito quando equipado. Tenha cuidado, porém, como a curvatura excessiva impedirá os templos de tocar o músculo temporalis, que torna impossível para recolher padrões significativos.
5. Repita os passos da etapa 2.1 – 2.4 para imprimir dois diferentes tamanhos de quadro de óculos para caber vários tamanhos de cabeça, como mostrado na Figura 4.

3. montagem de todas as partes dos óculos

1. Inserir a PCB sob a forma de ambos os lados dos templos dos vidros usando parafusos M2, conforme mostrado na Figura 5.
2. Monte a peça principal e os templos, inserindo os parafusos M2 para as juntas de articulação.
3. Conecte os PCB de esquerda e direito usando os fios de ligação de 3 pinos, conforme mostrado na Figura 5.
4. Conecte a bateria ao circuito esquerdo e anexá-lo com uma fita adesiva para a têmpora esquerda. O lado de montagem da bateria não é crítico, já que isso pode variar dependendo do design de PCB.
5. Cobrir os vidros com fitas de borracha na ponta e almofada para o nariz para adicionar mais atrito com a pele humana, como mostrado na Figura 5.

4. desenvolvimento de um sistema de aquisição de dados

Nota: O sistema de aquisição de dados é composto de uma transmissão de módulo e um módulo de recepção de dados de dados. O módulo de transmissão de dados lê o tempo e a força os sinais de ambos os lados e em seguida, envia-los para o módulo de recebimento de dados, que reúne os dados recebidos e os grava arquivos TSV.

1. Carregar os aplicativo para o MCU do módulo PCB seguindo os procedimentos em etapas 4.1.1–4.1.3 de transmissão de dados.
   1. Execute o projeto de "GlasSense_Server" anexado aos arquivos complementares usando um computador.
      Nota: Este projeto foi construído com Arduino ambiente de desenvolvimento integrado (IDE). Ele fornece a capacidade para ler o tempo e forçar os sinais com 200 amostras/s e transmiti-los para o módulo de recebimento de dados.
   2. Ligar o módulo PCB ao computador através de um conector de barramento serial universal (USB).
   3. Pressione o botão de "Upload" no Arduino IDE flash os códigos de programação da etapa 4.1.1 em MCU.
2. Carregar o aplicativo de recebimento de dados para um smartphone, que é usado para receber os dados sem fio, seguindo os procedimentos em etapas 4.2.1–4.2.3.
   1. Execute o projeto de "GlasSense_Client" anexado aos arquivos complementares usando um computador.
      Nota: Este projeto foi construído com c# linguagem de programação. Ele fornece a capacidade de receber dados e salvar os arquivos TSV, que contêm informações de um assunto, tais como nome, sexo, idade e índice de massa corporal (IMC).
   2. Conecte o smartphone ao computador através de um conector USB para construir o aplicativo de recebimento de dados.
   3. Pressione o botão "Arquivo > Build & Run" no c# projeto parComCompilação o aplicativo de recebimento de dados para o smartphone.

5. dados coleção de um estudo de usuário

Nota: Este estudo coletados seis conjuntos Indicados: atividade: resto sedentário (SR), sedentários mastigação (SC), andar (W), mastigar enquanto caminhava (CW), sedentário falante (ST) e piscadela sedentária (SW).

1. Selecione um par de óculos que têm um tamanho adequado para o usuário a ser testado. Ajuste a tensão com os parafusos de suporte em ambas as dobradiças (Figura 5).
   Atenção: Os valores de força não devem exceder 15 N, uma vez que os sensores de força utilizados neste estudo podem perder a característica linear bem acima da faixa de operação. Os valores de força podem aperfeiçoá-lo pelo afrouxamento ou o apoio de aperto dos parafusos.
2. Recorde as atividades de todas as disciplinas, pressionando o botão "Gravar" o aplicativo construídas na etapa 4.2.3.
   1. Gravar uma actividade durante um bloco de 120-s e gerar um arquivo de gravação do mesmo.
      1. No caso do SR, sente-se o sujeito em uma cadeira e tê-los a usar um smartphone ou ler um livro. Permitir o movimento da cabeça, mas evitar o movimento de todo o corpo.
      2. Nos casos de SC e CW, tem os assuntos comer dois tipos de textura de alimentos (pão torrado e mastigação geleia) a fim de refletir as propriedades de diferentes alimentos. Sirva o pão torrado em fatias de 20 mm x 20 mm, que é um bom tamanho para comer.
      3. No caso de W, tem os assuntos andar a uma velocidade de 4,5 km/h em uma esteira.
      4. No caso de ST, sente-se os temas e os leu um livro em voz alta em um tom normal e velocidade.
      5. No caso de SW, informar os assuntos a piscar sobre o calendário de um som de sino de 0,5 s longo cada 3 s.
   2. Gere um arquivo de gravação no formato TSV a partir dos dados coletados na etapa 5.2.1.
      Nota: Este arquivo contém uma sequência do tempo quando os dados foram recebidos, um sinal de força à esquerda, um certa força sinal e um rótulo que representa a atual atividade facial. Visualizações de sinais temporais de todas as atividades em um bloco de um usuário eram representadas na Figura 6. Os seis conjuntos de atividade indicados (RS, SC, W, CW, ST e SW) foram rotulados como 1, 2, 3, 4, 5 e 6, respectivamente. Os rótulos foram utilizados para comparar as classes previstas na secção 8 do protocolo.
   3. Fazer uma pausa de 60-s após o bloco de gravação. Tire os óculos durante o intervalo e re-usar novamente quando for reiniciado o bloco de gravação.
   4. Repita o conjunto bloco-e-ruptura de etapas 5.2.1 e 5.2.2 quatro vezes para cada atividade.
   5. No caso de SW, com o assunto piscar repetidamente com o olho esquerdo durante um quarteirão e em seguida piscar repetidamente com o olho direito durante o próximo bloco.
3. Repita as etapas de 5,1-5,2 e coletar os dados de 10 indivíduos. Neste estudo, usamos cinco machos e cinco fêmeas, a idade média foi de 27,9 ± 4.3 (desvio-padrão; s.d.) anos, que variou em 19 – 33 anos, e o IMC médio foi de 21,6 ± 3,2 (s.d.) kg/m², que variou em 17,9 – 27,4 kg/m².
   Nota: Neste estudo, os sujeitos que não tiveram quaisquer condições médicas para mastigar comida, piscar de olhos e a pé foram recrutados, e essa condição foi utilizada como critério de inclusão.

6. sinal de pré-processamento e segmentação

Nota: Os sinais de esquerda e direito são calculados separadamente nos procedimentos a seguir.

1. Preparar uma série de quadros temporais de 2 s longo.
   1. Segmento a 120 s gravado sinais em um conjunto de 2 quadros-s por saltar-lhes em intervalos de 1-s usando MATLAB, conforme mostrado na Figura 6.
      Nota: Os quadros segmentados de 2 s longos foram usados para extrair recursos na seção 7. O 1 tamanho salto s estava determinado a dividir os sinais pelo intervalo de piscadela s 3 já mencionado na etapa 5.2.1.
   2. Aplica um filtro passa-baixa (LPF) usando um filtro de Butterworth de ordem^th 5 com uma frequência de corte de 10 Hz para cada quadro.
   3. Salve os resultados da etapa 6.1.2 como os quadros temporais para os próximos passos no passo 7.1.
2. Prepare uma série de quadros espectrais.
   1. Subtrai a mediana de sinais originais de cada frame para remover a pré-carga quando usar os óculos.
      Nota: O valor de pré-carga não é necessário para a análise de frequência a seguir, uma vez que não inclui qualquer informação sobre mastigação, caminhando, piscada, etc. pode, no entanto, conter informações significativas, que podem variar de sujeito a sujeito, de cada configuração dos óculos e até mesmo a partir do momento um sujeito usa os óculos.
   2. Aplica uma janela Hanning em cada quadro para reduzir um vazamento espectral na análise de frequência.
   3. Produzir e salvar um espectro de lado único, aplicando a transformada rápida de Fourier (FFT) para cada quadro.
3. Defina uma combinação de um temporal e um quadro espectral do mesmo tempo como um bloco de quadro (ou simplesmente um quadro).

7. geração de vetores de recurso

Nota: Um vetor de característica é gerado por quadro produzido na seção 6 do protocolo. Os quadros de esquerda e direito são calculados separadamente e combinados em um vetor de característica nos procedimentos a seguir. Todos os procedimentos foram implementados em MATLAB.

1. Extrai recursos estatísticos de um quadro temporal na etapa 6.1 do protocolo. Uma lista do número total de 54 recursos é dado na tabela 1.
2. Extrai recursos estatísticos de um frame espectral no passo 6.2 do protocolo. Uma lista do número total de 30 recursos é dado na tabela 2.
3. Gere um vetor de característica 84-dimensional combinando as características temporais e espectrais acima.
4. Rotule os vetores de recurso gerado das gravações na etapa 5.2 do protocolo.
5. Repita os passos de passos 7.1 – 7.4 para todos os blocos de quadro e gerar uma série de vetores de recurso.

8. a classificação das atividades em Classes

Nota: Este passo é selecionar o modelo de classificação de um suporte vector machine (SVM)²³ determinando parâmetros que mostram a melhor precisão de determinado problema (i.e., vetores de recurso). O SVM é uma máquina supervisionada conhecida aprendizagem técnica, que mostra um desempenho excelente na generalização e robustez usando uma margem máxima entre as classes e uma função do kernel. Usamos uma busca e um método de validação cruzada para definir um parâmetro de penalidade C e um kernel γ parâmetro do kernel base radial (RBF) de função. Uma compreensão mínima da máquina, aprendendo as técnicas e o SVM é necessário para executar os procedimentos a seguir. Alguns materiais referencial^23,24,25 são recomendadas para uma melhor compreensão da máquina, aprendendo as técnicas e o algoritmo SVM. Todos os procedimentos nesta seção foram implementados usando LibSVM²⁵ pacote de software.

1. Defina uma grade de pares de (C, γ) para a busca. Uso crescendo exponencialmente sequências de C (2^-10, 2^-5,..., 2³⁰) e γ (2^-30, 2^-25,..., 2¹⁰).
   Nota: Estas sequências foram determinadas heuristicamente.
2. Definir um par de (C, γ) (por exemplo, (2^-10, 2^-30)).
3. Para a grade definida na etapa 8.2, execute o esquema de validação cruzada 10 vezes.
   Nota: Este regime divide os vetores de todo o recurso em subconjuntos de 10 partes, então testar um subconjunto do modelo de classificador treinado pelos outros subconjuntos e repeti-la ao longo de todos os subconjuntos, um por um. Portanto, todos os vetores de recurso podem ser testados sequencialmente.
   1. Divida os vetores de todo o recurso em subconjuntos de 10 partes.
   2. Defina um conjunto de teste de um subconjunto e uma conjunto de 9 restantes subconjuntos de formação.
   3. Definir um vetor de escala que as escalas de todos os elementos dos vetores de recurso para o intervalo de [0, 1] para o conjunto de treinamento.
      Nota: O vetor de escala tem a mesma dimensão com o vetor de característica. Consiste em um conjunto de multiplicadores que dimensiona a mesma linha (ou coluna) de todos os vetores de recurso para o intervalo de [0, 1]. Por exemplo, a primeira característica de um vetor de característica linearmente é dimensionada para o intervalo de [0, 1] para as primeiras todas as características dos vetores de recurso de formação. Observe que o vetor de escala é definida do conjunto de treinamento, porque o conjunto de teste deve ser suposto ser desconhecido. Esta etapa aumenta a precisão da classificação, tornando os recursos do intervalo igual e evitando erros numéricos durante o cálculo.
   4. Escala de cada recurso do treinamento definido como o intervalo de [0, 1] usar o vetor de escala obtidas na etapa 8.2.3.
   5. Escala de cada recurso do teste definido como o intervalo de [0, 1] usar o vetor de escala obtidas na etapa 8.2.3.
   6. Treinar o conjunto de treinamento através do SVM com um par definido de (C, γ) na etapa de 8,2 e então construir um modelo de classificador.
   7. Testar o conjunto de teste através do SVM com um par definido de (C, γ) na etapa 8.2 e o modelo de classificador obtidos do processo de formação.
   8. Calcule uma precisão de classificação sobre o conjunto de teste. Calculou-se a precisão da porcentagem de vetores de recurso que estão correctamente classificados.
   9. Repita as etapas 8.2.2–8.2.8 para todos os subconjuntos e calcular a precisão média de todos os subconjuntos.
4. Repita as etapas de 8.2 – 8.3.9 para todos os pontos da grade de um par de (C, γ).
5. Encontre o máximo local da precisão mais alta da grade. Todos os procedimentos da seção 8 são ilustrados na Figura 7.
6. (Opcional) Se a etapa da grade é considerada grosseira, repita as etapas 8.1 – 8,5 em uma grade mais fina perto do máximo local encontraram no passo 8.5 e encontrar um novo máximo local da grade bem.
7. Calcule a precisão, lembre-se e F₁ escore de cada classe de atividades a partir das seguintes equações:
                                      Equação 1
                                                Equação 2
             Equação 3
   Onde TP, FP e FN representam verdadeiros positivos falsos positivos e falsos negativos para cada atividade, respectivamente. A matriz de confusão de todas as atividades é dada na tabela 3.

Resultados

Através dos procedimentos descritos no protocolo, preparamos duas versões do quadro 3D impresso por diferenciar o comprimento da parte da cabeça, L_H (133 e 138 mm) e os templos, L_T (110 e 125 mm), conforme mostrado na Figura 4. Portanto, podemos cobrir várias condições usando, que podem ser variadas de tamanho da cabeça dos assuntos, forma, etc. , que os sujeitos escolheram um dos quadros para caber sua cabeça para o est...

Discussão

Neste estudo, primeiro, propusemos o projeto e o processo de fabricação de vidros que detetam os padrões de ingestão de alimentos e atividades físicas. Como este estudo principalmente focado na análise dos dados para distinguir a ingestão de alimentos de outras actividades físicas (tais como caminhar e piscando), o sistema de aquisição de dados e sensor necessário a aplicação de gravação de mobilidade. Assim, o sistema inclui os sensores, o MCU com capacidade de comunicação sem fio e a bateria. O protoco...

Materiais

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