Name: design and evaluation of smart glasses for food intake and physical activity classification
Uploaded: 2018-02-14T13:00:00.000+00:00
Duration: 7 min 47 s
Description: Watch this Scientific Journal Video about Design and Evaluation of Smart Glasses for Food Intake and Physical Activity Classification at JoVE.com

Bu eser Envisible, Inc. tarafından desteklenmiştir Bu çalışma aynı zamanda vermek için refah, Kore Cumhuriyeti (HI15C1027) Korece sağlık teknoloji R & D proje, Sağlık Bakanlığı tarafından desteklenmiştir. Bu araştırma da Ulusal Araştırma Vakfı Kore tarafından (NMK-2016R1A1A1A05005348) destek verdi.

Not: sadece gözlük takıyor non-invaziv bir şekilde tarafından insan denekler kullanımı da dahil olmak üzere tüm yordamları başarılı. Tüm verileri güç sinyal--dan yük hücreleri cilt ile doğrudan temas değildi gözlüklü eklenen ölçerek elde. Kablosuz olarak, ki bu durumda çalışma için belirlenmiş bir smartphone veri kayıt modülü için aktarılan veri. Tüm iletişim kuralları için in vivoilgili değil /vitro insan çalışmaları. Hiçbir ilaç ve kan örnekleri deneyler için kullanılmıştır. Aydınlatılmış onam deneyler tüm konular elde edildi.
1. bir sensör ile tümleşik devre modül imalatı
<ol><li>
Elektronik bileşenleri devre modül üretimi için satın.
	<ol>
<li>Satınalma iki ball-tipi yük hücreleri, her biri 0 N ve 15 N arasında bir aralık içinde çalışır ve düşük fark voltaj 3,3 V uyarma maksimum 120 mV aralığında ile bir çıktı oluşturur. Not: Bu yük hücreleri ölçmek için kullanılan zorla sinyalleri hem sol hem de sağ tarafında gözlük.</li>
		<li>İki araçları amplifikatörler ve iki 15 kΩ kazanç ayarı dirençler satın alabilirsiniz. Not: Araçları amplifikatör ve kazanç ayarı direnç yük hücresi güç sinyal sekiz kez, 960 kadar yükseltmek için kullanılan mV.</li>
		<li>Bir mikro denetleyici birim (MCU) kablosuz özelliği (örneğin, Wi-Fi connectivity) ve bir 10-bit analog dijital dönüştürücü (ADC) ile satın alabilirsiniz. Not: MCU kuvvet sinyalleri okumak ve onları bir veri alma modülü için kablosuz olarak iletmek için kullanılır. Bir analog giriş Pini iki analog güç girişi için kullanıldığından, bir Çoklayıcı kullanılması sonraki adımda 1.1.4 giriliyor.</li>
		<li>İki giriş sinyalleri ile bir ADC pin MCU üzerinde işleyen bir iki kanallı analog multiplexer satın.</li>
		<li>Bir lityum iyon polimer (liposuction) pil 3.7 V nominal voltaj, 300 mAh nominal kapasitesi ve 1 C akıntı hızı ile satın. Not: Pil kapasitesi yeterli akım saatte 200'den fazla mAh sağlamak için ve güvenilir için yaklaşık 1,5 saat sisteminin bir denemenin çalışması için seçildi.</li>
		<li>Doğrusal aşağı-Yönetmeliğin 3.7 V akü voltaj 3,3 V için için 3,3 V voltaj regülatörü satın sisteminin gerilimi.</li>
		<li>Satınalma beş 12 kΩ yüzey modüler cihazlar (SMD) türü dirençler MCU pull-up dirençler olarak. Direnç'ın ayak izi 2.0 mm x 1.2 mm (boy 2012) olduğunu.</li>
	</ol>
</li>
	<li>
Baskılı devre kartları (PCB) imal. Bu devre kartlarına çizim ve sanat (Yani, Kurulu düzen, .brd dosyası) ve (Yani, .sch dosyasını) şematik PCB imalat için yapma hakkında bir adımdır. Sanat ve şematik dosyaları oluşturma sürecinin temel bir anlayış geliştirme için gereklidir.
	<ol>
<li>Şekil 1A' gösterildiği gibi bir elektronik tasarım uygulama kullanılarak pilin içeren bir sol devre çizmeliyim. Sonucu sanat (.brd) ve şema (.sch) dosyaları kaydedin.</li>
		<li>Doğru bir devre içeren bir elektronik tasarım uygulama şekil 1Badımında gösterildiği gibi kullanarak MCU çizmeliyim. Sonucu sanat (.brd) ve şema (.sch) dosyaları kaydedin.</li>
		<li>Devre kartlarına bir PCB imalat şirketi ile sipariş yerleştirerek imal.</li>
		<li>Şekil 2 ve şekil 3' te gösterildiği gibi PCB 1.1. adımda hazırlanan her elektronik komponent lehim. Dikkat: Araçları amplifikatör lehimleme sıcaklık çok hassastır. Kurşun sıcaklık 10 için 300 ° C aşmadığı emin olun s lehimleme sırasında aksi takdirde bileşeni kalıcı hasara neden.</li>
	</ol>
</li>
</ol>2. gözlük çerçeve 3D baskı
<ol><li>Şekil 4Aiçinde gösterildiği gibi bir 3D modelleme aracı kullanarak gözlük baş parça 3 boyutlu model çizin. Sonuç .stl dosya formatına dışa aktarın.</li>
	<li>Bir 3D modelleme aracı şekil 4B ve 4 c şekilgösterildiği gibi kullanarak gözlük sol ve sağ tapınakları 3D modeli çizin. Sonuçları .stl dosya formatına dışa aktarın.</li>
	<li>Baş parça ve tapınak parçalar bir 3D printerlere harcama maddeler ve bir karbon fiber filaman 240 ° C'de bir meme sıcaklık ve yatak sıcaklığı 80 ° C kullanarak yazdırın. Not: Herhangi bir ticari 3D printerlere harcama maddeler ve filamentler Akrilonitril bütadien stiren (ABS) ve polylactide (PLA) gibi herhangi bir tür kullanımına izin. Meme ve yatak sıcaklığı filament ve yazdırma koşulları göre ayarlanabilir.</li>
	<li>180 ° C ayarının bir sıcak hava üfleyici kullanarak tapınaklar ipuçları ısı ve onları epidermis temporalis kas geleneksel gözlük gibi başvurma içe yaklaşık 15 derece bükün. Not: gözlük Tapınağı bükme derecesi bir form faktörü donatılmış bir kişinin kafasına uygun gözlük yardımcı olarak artırmak için eğrilik amacı olduğu gibi titiz olmak gerekmez. Ancak, dikkatli aşırı bükme tapınaklar önemli kalıpları toplamak olanaksız kılıyor temporalis kas dokunmaktan engeller gibi.</li>
	<li>Şekil 4' te gösterildiği gibi birden fazla baş boyutlarına uyum sağlayacak şekilde gözlük çerçevesinin iki farklı boyutta yazdırmak için adım 2.1-2.4 adımları yineleyin.</li>
</ol>3. tüm parçaları gözlük Meclisi
<ol><li>Şekil 5' te gösterildiği gibi M2 civata kullanarak gözlük tapınakları her iki tarafında PCB yerleştirin.</li>
	<li>Baş parça ve tapınaklar M2 civata menteşe eklem içine ekleyerek bir araya getirin.</li>
	<li>Sol ve sağ PCB şekil 5' te gösterildiği gibi 3 pinli bağlantı kablo kullanarak bağlayın.</li>
	<li>Pil sol devre bağlanmak ve sol tapınağa bir yapışkan bant ile bağlamak. Beri PCB tasarımına bağlı olarak değişebilir batarya montaj tarafında çok önemli değildir.</li>
	<li>Gözlük ucu ve burun panelindeki şekil 5' te gösterildiği gibi daha fazla sürtünme insan derisi ile eklemek için lastik bantlar ile kapak.</li>
</ol>4. veri toplama sisteminin geliştirilmesi
Not: Veri koordinat belirleme sistemi verici modül ve veri alma modülü bir veri oluşur. Veri aktarma modülü zaman okur ve kuvvet her iki sinyalleri ve sonra alınan verileri toplar ve bunları .tsv için yazar veri alan modüle gönderir.
<ol><li>
MCU için uygulama adımları 4.1.1–4.1.3 prosedürleri aşağıdaki PCB modülünün verici verileri karşıya.
	<ol>
<li>Bir bilgisayar kullanarak ek dosyalarına bağlı "GlasSense_Server" projeyi çalıştırın. Not: Bu proje Arduino entegre geliştirme ortamı (IDE) ile inşa edilmiştir. Zaman okumak ve 200 örnekleri/s ile sinyal güç ve onları veri alıcı modülü iletimi için yeteneği sağlar.</li>
		<li>PCB modülü bir evrensel seri veri yolu (USB) bağlayıcı üzerinden bilgisayara bağlayın.</li>
		<li>Adım 4.1.1 MCU içine programlama kodları flash için Arduino IDE üzerinde "Upload" butonuna basın.</li>
	</ol>
</li>
	<li>
Kablosuz veri almak için kullanılır, bir smartphone veri alan uygulamaya adımları 4.2.1–4.2.3 konusundaki yordamları izleyerek yükleyin.
	<ol>
<li>Bir bilgisayar kullanarak ek dosyalarına bağlı "GlasSense_Client" projeyi çalıştırın. Not: Bu proje ile C# programlama dili yaptırılmıştır. Veri alma ve ad, cinsiyet, yaş ve vücut kitle indeksi (VKİ) gibi bir konuyu bilgiler içeren .tsv dosyaları kaydetme olanağı sağlar.</li>
		<li>Belgili tanımlık smartphone veri alma uygulaması oluşturmak için bir USB bağlantısı ile bilgisayarınıza bağlayın.</li>
		<li>C# projesindeki smartphone veri alan uygulamaya oluşturmak için "Dosya > inşa & Çalıştır" düğmesine basın.</li>
	</ol>
</li>
</ol>5. veri toplama bir kullanıcı çalışma
Not: Bu çalışmada altı seçme etkinliği kümeleri toplanan: yerleşik kalan (SR), sedanter çiğneme (SC), (W) yürüyüş, (CW) yürürken çiğneme, sedanter konuşan (ST) ve sedanter wink (SW).
<ol><li>Test edilecek kullanıcıya uygun bir boyut olan gözlük seçin. Her iki menteşeler (şekil 5), destek cıvata ile gerginlik ince ayar yapın. Dikkat: Bu çalışmada kullanılan kuvvet sensörleri çalışma aralığı ötesinde iyi doğrusal karakteristik kaybedebilirsiniz beri 15 N, kuvvet değerleri aşmamalıdır. Kuvvet değerleri gevşeterek tarafından ince ayar veya destek sıkma cıvata.</li>
	<li>
Kayıt faaliyetleri üzerinde uygulama "Kaydet" düğmesine basarak tüm konuların adım 4.2.3 inşa.
	<ol>
<li>120-s blok sırasında etkinlik kaydetmek ve bu, bir kayıt dosyası oluşturma.<ol>
<li>SR, söz konusu olduğunda konu bir sandalyede oturup onları bir smartphone kullanın veya bir kitap okumak. Hareketi baş izin, ancak tüm vücut hareketi önlemek.</li>
			<li>SC ve CW durumlarında, yemek yiyecek doku (ekmek ve çiğneme jöle) farklı gıda özelliklerini yansıtmak için iki tür konulara sahip. Kızarmış ekmek yemek için iyi bir boyut ve 20 mm x 20 mm, dilimler halinde hizmet.</li>
			<li>W söz konusu olduğunda, bir koşu bandı üzerinde 4.5 km/s hızda yürümek konulara sahip.</li>
			<li>ST, söz konusu olduğunda konular otur ve onları bir kitabı yüksek sesle normal sesi ve hız okudum.</li>
			<li>SW söz konusu olduğunda, bir zil sesi 0,5 zamanlama üzerinde wink konularının bilgilendirmek s uzun her 3 s.</li>
		</ol>
</li>
		<li>5.2.1. adımda toplanan verilerden .tsv biçiminde bir kayıt dosyası oluşturun. Not: Bu dosya ne zaman veri alınan zaman bir dizi, bir sol güç sinyal, doğru kuvvet sinyal ve geçerli yüz faaliyet gösteren bir etiket içerir. Bir kullanıcı bir blok tüm faaliyetlerin zamansal sinyalleri görsel şekil 6' tasvir. Altı seçme etkinliği setleri (SR, SC, W, CW, ST ve SW) sırasıyla 1, 2, 3, 4, 5 ve 6, etiketli. Etiketleri Bölüm 8 Protokolü'nün tahmin edilen sınıflarda karşılaştırmak için kullanılmıştır.</li>
		<li>Kayıt bloğundan sonra 60 s ara. Gözlükleri çıkar sırasında ara verip kayıt blok yeniden başlatıldığında onları tekrar yeniden giymek.</li>
		<li>Adım 5.2.1 ve 5.2.2 blok ve ara kümesi her faaliyet için dört kez tekrarlayın.</li>
		<li>SW söz konusu olduğunda, tekrar tekrar sırasında bir blok ile sol göz kırpmak ve tekrar tekrar ileri sokağın sırasında sağ gözü ile göz kırp konu var.</li>
	</ol>
</li>
	<li>5.1-5,2 adımları yineleyin ve 10 konular veri toplayabilir. Bu çalışmada, kullandığımız beş ve beş erkek, ortalama yaş oldu 27,9 ± 4.3 (Standart sapma; s.d.) yıl, hangi 19-33 yıl arasında değişiyordu ve ortalama BMI yapıldı 21,6 ± (SD) 3.2 kg/m217,9-27,4 kg/m2de değişiyordu,. Not: Bu çalışmada, gıda, çiğnemek için herhangi bir tıbbi durumlar yoktu konular wink ve yürüyüş işe ve bu durum için katılım kriterleri kullanıldı.</li>
</ol>6. sinyal ön işleme ve segmentasyon
Not: Sol ve sağ sinyalleri aşağıdaki yordamlarda da ayrı ayrı hesaplanır.
<ol><li>
2 geçici kare bir dizi hazırlamak uzun s.
	<ol>
<li>Segment 120 s sinyalleri 2 s kare bir dizi içine MATLAB şekil 6' da gösterildiği gibi kullanarak 1-s aralıklarla atlamalı tarafından kaydedildi. Not: 2 parçalı çerçeveler uzun s bölümünde 7 özellik ayıklamak için kullanılmıştır. 1 s atlamalı alan sinyalleri zaten 5.2.1 adımda belirtilen 3 s wink aralığa göre bölmek için tespit edilmiştir.</li>
		<li>Her çerçeve için 10 Hz bir kesme frekansı ile 5inci sırada Butterworth filtre kullanarak bir alçak geçiren Filtre (LPF) uygulanır.</li>
		<li>7.1. adımda sonraki adımlar için geçici çerçeveler olarak adım 6.1.2 sonuçlarını kaydedin.</li>
	</ol>
</li>
	<li>
Spektral kare bir dizi hazır olun.
	<ol>
<li>Gözlük takan preload kaldırmak için özgün sinyalleri her çerçevenin orta çıkarma. Not: Önceden yüklemesi değeri aşağıdaki frekans analizi için gerekli değildir, bu olabilir, ancak, çiğneme, yürüme, wink, vb hakkında herhangi bir bilgi içermez bu yana gelen konu tabi gelen değişebilir önemli bilgiler de içerebilir Her gözlük ve hatta andan itibaren bir konu ayarlama gözlük takıyor.</li>
		<li>Bir Hanning pencere frekans analizi spektral bir kaçağı azaltmak için her çerçeve için geçerlidir.</li>
		<li>Üretmek ve her çerçeve için bir Hızlı Fourier dönüşümü (FFT) uygulayarak tek taraflı bir spektrum kaydedin.</li>
	</ol>
</li>
	<li>Zamansal bir ve aynı zamanda bir kare blok olarak bir tayf çerçeve (veya sadece bir çerçeve) tanımlayın.</li>
</ol>7. nesil özelliği vektörel çizimler
Not: Bir özelliği vektör çerçeve Protokolü bölümünde 6 üretilen başına oluşturulur. Sol ve sağ çerçeve ayrı ayrı hesaplanır ve aşağıdaki yordamları özelliği vektörde birleştirilecektir. Tüm yordamları MATLAB'de uygulanan edildi.
<ol><li>İstatistiksel özellikleri iletişim kuralının adım 6.1 zamansal bir çerçevede ayıklayın. Toplam dizi 54 özellik listesi Tablo 1' de verilmiştir.</li>
	<li>Adım 6.2 iletişim kuralının spektral çerçevede istatistiksel özellikleri ayıklamak. Toplam dizi 30 özellik listesi Tablo 2' de verilmiştir.</li>
	<li>Bir 84-boyutlu özellik vektör zamansal ve spektral özellikleri yukarıdaki birleştirerek oluşturmak.</li>
	<li>Adım 5.2 Protokolü'nün kayıtları oluşturulan özelliği vektörlerinden etiketleyin.</li>
	<li>Tüm çerçeve blokları için 7.1-7,4 adımlardan adımları yineleyin ve bir dizi özellik vektörel çizimler oluşturmak.</li>
</ol>8. sınıf etkinliklerine sınıflandırılması
Not: Verilen sorunu (Yani, özellik vektörel çizimler) en iyi doğruluk gösteren parametreleri belirleyerek bir destek vektör makine (SVM)23 Sınıflandırıcısı modelini seçin Bu adımdır. SVM tekniği, genelleme ve sınıflar ile çekirdek işlevi arasında en yüksek bir marj kullanarak sağlamlık mükemmel performans gösteren öğrenme iyi bilinen denetimli bir makinedir. Biz bir-arama ve çapraz doğrulama yöntemi bir ceza parametre C ve bir çekirdek tanımlamak için kullanılan parametre γ Radyal temel işlevi (RBF) çekirdek. Öğrenme teknikleri ve SVM makine en az bir anlayış aşağıdaki yordamları gerçekleştirmek için gereklidir. Bazı başvuru malzemeleri23,24,25 öğrenme teknikleri ve SVM algoritması makine daha iyi anlamak için tavsiye edilir. Bu bölümdeki yordamlar LibSVM25 yazılım paketi kullanarak uygulanan edildi.
<ol><li>(C, γ) çift oluşan bir kılavuz için kılavuz arama tanımlayın. C dizisi katlanarak büyüyen kullanımı (2-10, 2-5,..., 230) ve γ (2-30, 2-25,..., 210). Not: Bu dizilere buluşsal olarak belirlenmiştir.</li>
	<li>(C, γ) bir çift tanımla (örneğin, (2-10, 2-30)).</li>
	<li>
Adım 8.2 tanımlanmış kılavuz, 10 kat çapraz doğrulama düzeni gerçekleştirmek. Not: Bu düzen tüm özellik vektörel çizimler 10-bölüm alt kümeleri böler, sonra diğer alt kümeleri tarafından eğitilmiş Sınıflandırıcısı modelinden bir alt test ve tüm alt kümeleri üzerinde tekrar tek tek. Bu nedenle, her özellik vektörel çizimler ardışık olarak test edilebilir.<ol>
<li>Tüm özellik vektörel çizimler 10-bölüm alt kümeleri bölmek.</li>
		<li>Bir alt ve bir eğitim kalan 9 alt kümeleri ayarlamak sınama kümesi tanımlar.</li>
		<li>Özellik vektörel çizimler aralığına tüm unsurları ölçekler bir ölçek vektörü tanımlamak [0, 1] eğitim kümesi için. Not: Ölçek vektörü özelliği vektör ile aynı boyuta sahiptir. Bu oluşan tüm özellik vektörel çizimler aynı satır (veya sütun) ölçekler bir küme çarpanları aralığına [0, 1]. Örneğin, bir özellik vektörünün ilk uzun metraj doğrusal dizi için ölçeklenir [0, 1] eğitim özelliği vektörel çizimler bütün ilk özellikleri için. Sınama kümesi bilinmeyen olarak kabul çünkü ölçek vektörü eğitim kümesi tanımlanır unutmayın. Bu adımı eşit Aralık şekil verme ve hesaplama sırasında sayısal hata kaçınarak tarafından sınıflandırma doğruluğu artırır.</li>
		<li>Her özellik için aralığını ayarlamak eğitim ölçek [0, 1] ölçek vektörü kullanılarak elde adım 8.2.3.</li>
		<li>Her özellik için aralığı ayarla test ölçek [0, 1] ölçek vektörü kullanılarak elde adım 8.2.3.</li>
		<li>Eğitim kümesi aracılığıyla SVM (C, γ) tanımlanmış çifti adım 8.2 ile tren ve bir Sınıflandırıcısı model oluşturmak.</li>
		<li>Sınama kümesi aracılığıyla SVM (C, γ) tanımlanmış çifti ile adım 8.2 sınama ve Sınıflandırıcısı modeli eğitim prosedürü elde.</li>
		<li>Bir sınıflandırma doğruluğu sınama kümesi üzerinde hesaplama. Doğruluğu özelliği doğru olarak sınıflandırılır vektörel çizimler yüzdesi hesaplanmıştır.</li>
		<li>Adımları 8.2.2–8.2.8 tüm alt kümeleri için yineleyin ve tüm alt kümeleri ortalama doğruluğunu hesaplamak.</li>
	</ol>
</li>
	<li>(C, γ) tüm ızgara noktalarını bir çift için 8.2-8.3.9 adımları yineleyin.</li>
	<li>Kılavuzun en yüksek doğruluk yerel maksimum bulmak. Bölüm 8 tüm yordamları Şekil 7' de gösterilmiştir.</li>
	<li>(İsteğe bağlı) Adım kılavuz kaba olduğu düşünülürse, yerel maksimum yakınındaki ince bir kılavuzda 8.1-8,5 adımları 8.5. adımda bulunan ve yeni yerel en ince ızgara çok bulmak tekrarlayın.</li>
	<li>Hesaplama duyarlığı, hatırlama ve F1 puan üzerinden aşağıdaki denklemler faaliyetlerin her sınıfın: <img alt="Equation 1" src="/files/ftp_upload/56633/56633eq1.jpg">                                   Denklem 1 <img alt="Equation 2" src="/files/ftp_upload/56633/56633eq2.jpg">                                             Denklem 2 <img alt="Equation 3" src="/files/ftp_upload/56633/56633eq3.jpg">          Denklem 3 nerede TP, FP ve FN gerçek pozitif, yanlış pozitif ve yanlış negatif her etkinlik için sırasıyla temsil eder. Tüm faaliyetlerin karışıklık matris Tablo 3' te verilmiştir.</li>
</ol>

<ol>
	<li>Sharma, A. M., Padwal, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Obesity+is+a+sign-over-eating+is+a+symptom:+an+aetiological+framework+for+the+assessment+and+management+of+obesity.">Obesity is a sign-over-eating is a symptom: an aetiological framework for the assessment and management of obesity.</a> Obes Rev. 11 (5), 362-370 (2010).</li><li>Pi-Sunyer, F. X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Clinical+guidelines+on+the+identification,+evaluation,+and+treatment+of+overweight+and+obesity+in+adults.">Clinical guidelines on the identification, evaluation, and treatment of overweight and obesity in adults.</a> Am J Clin Nutr. 68 (4), 899-917 (1998).</li><li>McCrory, P., Strauss, B., Wahlqvist, M. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Energy+balance,+food+intake+and+obesity.">Energy balance, food intake and obesity.</a> Exer Obes. , (1994).</li><li>Albinali, F., Intille, S., Haskell, W., Rosenberger, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Proceedings of the 12th ACM international conference on Ubiquitous computing. , 311-320 (2010).</li><li>Bonomi, A., Westerterp, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Advances+in+physical+activity+monitoring+and+lifestyle+interventions+in+obesity:+a+review.">Advances in physical activity monitoring and lifestyle interventions in obesity: a review.</a> Int J Obes. 36 (2), 167-177 (2012).</li><li>Jung, S., Lee, J., Hyeon, T., Lee, M., Kim, D. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Fabric-Based+Integrated+Energy+Devices+for+Wearable+Activity+Monitors.">Fabric-Based Integrated Energy Devices for Wearable Activity Monitors.</a> Adv Mater. 26 (36), 6329-6334 (2014).</li><li>Fulk, G. D., Sazonov, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Using+sensors+to+measure+activity+in+people+with+stroke.">Using sensors to measure activity in people with stroke.</a> Top Stroke Rehabil. 18 (6), 746-757 (2011).</li><li>Makeyev, O., Lopez-Meyer, P., Schuckers, S., Besio, W., Sazonov, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Automatic+food+intake+detection+based+on+swallowing+sounds.">Automatic food intake detection based on swallowing sounds.</a> Biomed Signal Process Control. 7 (6), 649-656 (2012).</li><li>P&#228;&#223;ler, S., Fischer, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Food+intake+activity+detection+using+an+artificial+neural+network.">Food intake activity detection using an artificial neural network.</a> Biomed Tech (Berl). , (2012).</li><li>Passler, S., Fischer, W. -. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Food+intake+monitoring:+Automated+chew+event+detection+in+chewing+sounds.">Food intake monitoring: Automated chew event detection in chewing sounds.</a> IEEE J Biomed Health Inform. 18 (1), 278-289 (2014).</li><li>Kadomura, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> CHI'13 Extended Abstracts on Human Factors in Computing Systems. , 1551-1556 (2013).</li><li>Fontana, J. M., Farooq, M., Sazonov, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Automatic+ingestion+monitor:+A+novel+wearable+device+for+monitoring+of+ingestive+behavior.">Automatic ingestion monitor: A novel wearable device for monitoring of ingestive behavior.</a> IEEE Trans Biomed Eng. 61 (6), 1772-1779 (2014).</li><li>Shen, Y., Salley, J., Muth, E., Hoover, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Assessing+the+Accuracy+of+a+Wrist+Motion+Tracking+Method+for+Counting+Bites+across+Demographic+and+Food+Variables.">Assessing the Accuracy of a Wrist Motion Tracking Method for Counting Bites across Demographic and Food Variables.</a> IEEE J Biomed Health Inform. , (2016).</li><li>Farooq, M., Sazonov, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> International Conference on Bioinformatics and Biomedical Engineering. , 464-472 (2017).</li><li>Grigoriadis, A., Johansson, R. S., Trulsson, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Temporal+profile+and+amplitude+of+human+masseter+muscle+activity+is+adapted+to+food+properties+during+individual+chewing+cycles.">Temporal profile and amplitude of human masseter muscle activity is adapted to food properties during individual chewing cycles.</a> J Oral Rehab. 41 (5), 367-373 (2014).</li><li>Strini, P. J. S. A., Strini, P. J. S. A., de Souza Barbosa, T., Gavi&#227;o, M. B. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Assessment+of+thickness+and+function+of+masticatory+and+cervical+muscles+in+adults+with+and+without+temporomandibular+disorders.">Assessment of thickness and function of masticatory and cervical muscles in adults with and without temporomandibular disorders.</a> Arch Oral Biol. 58 (9), 1100-1108 (2013).</li><li>Standring, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Gray's anatomy: the anatomical basis of clinical practice. , (2015).</li><li>Farooq, M., Sazonov, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+novel+wearable+device+for+food+intake+and+physical+activity+recognition.">A novel wearable device for food intake and physical activity recognition.</a> Sensors. 16 (7), 1067 (2016).</li><li>Zhang, R., Amft, O. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Proceedings of the 2016 ACM International Symposium on Wearable Computers. , 50-52 (2016).</li><li>Farooq, M., Sazonov, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Segmentation+and+Characterization+of+Chewing+Bouts+by+Monitoring+Temporalis+Muscle+Using+Smart+Glasses+with+Piezoelectric+Sensor.">Segmentation and Characterization of Chewing Bouts by Monitoring Temporalis Muscle Using Smart Glasses with Piezoelectric Sensor.</a> IEEE J Biomed Health Inform. , (2016).</li><li>Huang, Q., Wang, W., Zhang, Q. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Your+Glasses+Know+Your+Diet:+Dietary+Monitoring+using+Electromyography+Sensors.">Your Glasses Know Your Diet: Dietary Monitoring using Electromyography Sensors.</a> IEEE Internet of Things Journal. , (2017).</li><li>Chung, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+glasses-type+wearable+device+for+monitoring+the+patterns+of+food+intake+and+facial+activity.">A glasses-type wearable device for monitoring the patterns of food intake and facial activity.</a> Scientific Reports. 7, 41690 (2017).</li><li>Cristianini, N., Shawe-Taylor, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> An introduction to support Vector Machines: and other kernel-based learning methods. , (2000).</li><li>Giannakopoulos, T., Pikrakis, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Introduction to Audio Analysis: A MATLAB Approach. , (2014).</li><li>Chang, C. -. C., Lin, C. -. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=LIBSVM:+a+library+for+support+vector+machines.">LIBSVM: a library for support vector machines.</a> ACM Trans Intell Syst Technol. 2 (3), 27 (2011).</li><li>Po, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Time-frequency+analysis+of+chewing+activity+in+the+natural+environment.">Time-frequency analysis of chewing activity in the natural environment.</a> J Dent Res. 90 (10), 1206-1210 (2011).</li><li>Ji, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Frequency+and+velocity+of+people+walking.">Frequency and velocity of people walking.</a> Struct Eng. 84 (3), 36-40 (2005).</li><li>Knoblauch, R., Pietrucha, M., Nitzburg, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Field+studies+of+pedestrian+walking+speed+and+start-up+time.">Field studies of pedestrian walking speed and start-up time.</a> Transp Res Red. 1538, 27-38 (1996).</li></ol>

Yazarlar ifşa gerek yok.

Bu çalışmada, ilk tasarım ve üretim sürecini gıda alımı ve fiziksel aktivite alışkanlıkları anlamda gözlük önerdi. Bu çalışma olarak ağırlıklı olarak gıda alımı (yürüyüş ve göz kırpıyor gibi) diğer fiziksel aktiviteler ayırmak için veri analizi üzerinde duruldu, sensör ve veri toplama sistemi hareketlilik kayıt uygulanması gerekli. Böylece sistem sensörler, kablosuz iletişim yeteneği ile MCU ve pil dahil. Bir roman ve bir temassız şekilde temporalis kas aktivitesi nedeniyle g...

Aşırı enerji birikimi olan çeşitli tıbbi komplikasyonlar2' neden olabilir overweightness ve obezite1, neden olabilir gibi sürekli ve objektif gıda alımı izleme insan vücudundaki enerji dengesini korumak için önemlidir. Enerji dengesizliği ana faktörler aşırı gıda alımı ve yetersiz fiziksel aktivite3olduğu bilinmektedir. Günlük enerji harcama izleme çeşitli çalışmalar ile otomatik ve objektif ölçüm ile takılabilir cihazlar4,5,6, fiziksel aktivite desen bile, ortaya konan son tüketici düzey ve tıbbi sahne7. Gıda alımı izleme ancak, gıda alımı faaliyet doğrudan ve objektif bir şekilde tespit etmek zordur bu yana hala laboratuvar, ortamda araştırmadır. Burada, mevcut bir aygıt tasarım ve gıda alımı ve fiziksel aktivite desen günlük yaşamda pratik düzeyde izleme, değerlendirme hedefliyoruz.
Gıda alımı ile çiğneme ve yutma sesler8,9,10, bilek11,12,13hareketi izlemek için görüntü çeşitli dolaylı yaklaşımlar olmuştur analiz14ve electromyogram (EMG)15. Ancak, bu yaklaşımların günlük yaşam uygulamaları için doğal sınırlamaları nedeniyle uygulamak zordu: ses kullanarak yöntemler tarafından çevresel ses; etkisinde savunmasız edildi bilek hareketi kullanarak yöntemler gıda tüketen değil ne zaman diğer fiziksel aktivitelerden ayırt etmek zor; ve belgili tanımlık imge ve EMG sinyalleri kullanarak yöntemler hareketi ve çevre sınır tarafından kısıtlanır. Bu çalışmalar sensörleri kullanarak gıda alımının otomatik algılama yeteneğini gösterdi ama hala pratik uygulanabilirliği laboratuvar ayarlardan günlük yaşam için bir sınırlama vardı.
Bu çalışmada, biz temporalis kas aktivitesi şekillerinin otomatik ve objektif gıda alımı izleme olarak kullanılır. Genel olarak, temporalis kas kasılma ve gevşeme sırasında gıda alımı16,17masticatory kas bir parçası olarak yineler; Böylece, gıda alımı etkinlik temporalis kas aktivitesi periyodik şekillerinin algılayarak izlenebilir. Son zamanlarda, birçok araştırma temporalis kullanan EMG veya piezoelektrik zorlanma kullanılan etkinlik18,19,20,21, kas olmuştur sensör ve onlara doğrudan insan bağlama Cilt. Bu yaklaşımlar, ancak, EMG elektrotlar veya zorlanma sensörleri cilt konumunu hassas olduğunu ve fiziksel hareketini ve terleme nedeniyle deriden kolayca müstakil. Bu nedenle, bu anlamda temporalis etkinlik aracılığıyla bizim önceki çalışma22her iki menteşeler takılı iki yük hücreleri kas gözlük kullanarak yeni ve etkili bir yöntem önerdi. Bu yöntem deri temas etmeden yüksek bir doğruluk ile gıda alımı aktivite tespit büyük potansiyel gösterdi. Biz ortak bir gözlük-türü aygıtı kullanılan o da un rahatsızlık verici ve non-müdahaleci, vardı.
Bu çalışmada, biz mevcut bir dizi ayrıntılı protokol, gözlük-türü aygıt uygulamak ve desenler temporalis kas aktivitesinin gıda alımı ve fiziksel aktivite izlemek için kullanın. İletişim kuralları donanım tasarımı ve bir 3D baskılı çerçeve gözlük, bir devre modülü ve bir veri alma modülü oluşan üretim süreci ve veri işleme ve analiz için kullanılan yazılım algoritmaları içerir. Ayrıca birkaç seçme faaliyetleri (çiğneme, yürüyüş ve göz kırpıyorörneğin,) arasında sınıflandırma incelendiğinde potansiyel gıda alımı ve diğer fiziksel aktivite arasında bir dakika fark söyleyebilirim pratik bir sistem olarak göstermek için desenler.

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

design and evaluation of smart glasses for food intake and physical activity classification

Bu çalışmada, tasarlamak ve gıda alımı ve diğer fiziksel aktiviteler sırasında temporalis kas faaliyetleri şekillerinin algılar bir gözlük-türü giyilebilir cihaz üretim protokolleri bir dizi sunuyor. Biz 3D baskılı şasesi gözlük ve her iki menteşeler çerçeve içinde eklenen bir yük hücre entegre baskılı devre kartı (PCB) modülü imal edilmiştir. Modül kuvvet sinyalleri almak ve onları kablosuz olarak iletmek için kullanıldı. Bu yordamlar sisteme yürüyüş ve salladıktan gibi pratik giyen koşullarında değerlendirilmesi daha yüksek mobilite sağlayan. Sınıflandırma performansını da gıda alımı şekillerinin bu fiziksel aktivitelerden ayırt tarafından değerlendirilir. Sinyalleri önişlem, özellik vektörel çizimler oluşturmak ve birkaç kalıpları tanımak için kullanılan algoritmaları bir dizi özel (çiğneme ve göz kırpıyor) faaliyetleri ve diğer fiziksel aktiviteler (sedanter dinlenme, konuşma ve yürüme). Sonuçları ortalama F1 Puan sınıflandırma seçme aktivitelerin yanı sıra %91.4 olduğunu gösterdi. Biz bu yaklaşım otomatik ve objektif ingestive davranışlarını ingestive sorunlarını tedavi etmek için pratik araç olarak daha yüksek doğruluk ile izlemek için potansiyel olarak yararlı olabilir inanıyoruz.

İletişim kuralında belirtilen işlemleri yoluyla iki yorum-in 3D yazdırılan çerçeve baş parça, LH (133 ve 138 mm) ve tapınaklar, LT (110 ve 125 mm), uzunluğu ayırt tarafından şekil 4' te gösterildiği gibi hazırladık. Bu nedenle, çeşitli konularda kafa büyüklüğü, şekli, vb konularda bir kullanıcı çalışma için kafasına uyacak çerçeve açmadı olabilir birkaç giyen koşulları kapağı olabilir. ...

Watch this Scientific Journal Video about Design and Evaluation of Smart Glasses for Food Intake and Physical Activity Classification at JoVE.com

Design and Evaluation of Smart Glasses for Food Intake and Physical Activity Classification

Tasarım ve gıda alımı ve fiziksel aktivite sınıflandırma için akıllı gözlük değerlendirme

Bu çalışmada, tasarlamak ve gıda alımı şekillerinin algılar bir gözlük-türü giyilebilir cihaz üretim bir protokol sunar ve yük hücreleri kullanarak seçme diğer fiziksel aktiviteler gözlük her iki menteşeler eklenmiş.

This study presents a series of protocols of designing and manufacturing a glasses-type wearable device that detects the patterns of temporalis muscle ...

design-evaluation-smart-glasses-for-food-intake-physical-activity

Research

JoVE Journal

Engineering

11.1K Görüntüleme.  Seoul National University. Bu çalışmada, tasarlamak ve gıda alımı şekillerinin algılar bir gözlük-türü giyilebilir cihaz üretim bir protokol sunar ve yük hücreleri kullanarak seçme diğer fiziksel aktiviteler gözlük her iki menteşeler eklenmiş.

Video: Design and Evaluation of Smart Glasses for Food Intake and Physical Activity Classification

Evaluation of a Smartphone-based Human Activity Recognition System in a Daily Living Environment

An evaluation method that includes continuous activities in a daily-living environment was developed for Wearable Mobility Monitoring Systems (WMMS) that attempt to recognize user activities. Participants performed a pre-determined set of daily living actions within a continuous test circuit that included mobility activities (walking, standing, sitting, lying, ascending/descending stairs), daily living tasks (combing hair, brushing teeth, preparing food, eating, washing dishes), and subtle environment changes (opening doors, using an elevator, walking on inclines, traversing staircase landings, walking outdoors). 
To evaluate WMMS performance on this circuit, fifteen able-bodied participants completed the tasks while wearing a smartphone at their right front pelvis. The WMMS application used smartphone accelerometer and gyroscope signals to classify activity states. A gold standard comparison data set was created by video-recording each trial and manually logging activity onset times. Gold standard and WMMS data were analyzed offline. Three classification sets were calculated for each circuit: (i) mobility or immobility, ii) sit, stand, lie, or walking, and (iii) sit, stand, lie, walking, climbing stairs, or small standing movement. Sensitivities, specificities, and F-Scores for activity categorization and changes-of-state were calculated.
The mobile versus immobile classification set had a sensitivity of 86.30% &#177; 7.2% and specificity of 98.96% &#177; 0.6%, while the second prediction set had a sensitivity of 88.35% &#177; 7.80% and specificity of 98.51% &#177; 0.62%. For the third classification set, sensitivity was 84.92% &#177; 6.38% and specificity was 98.17 &#177; 0.62. F1 scores for the first, second and third classification sets were 86.17 &#177; 6.3, 80.19 &#177; 6.36, and 78.42 &#177; 5.96, respectively. This demonstrates that WMMS performance depends on the evaluation protocol in addition to the algorithms. The demonstrated protocol can be used and tailored for evaluating human activity recognition systems in rehabilitation medicine where mobility monitoring may be beneficial in clinical decision-making.

A standardized evaluation method was developed for Wearable Mobility Monitoring Systems (WMMS) that includes continuous activities in a realistic daily living environment. Testing with a series of daily living activities can decrease activity recognition sensitivity; therefore, realistic testing circuits are encouraged for valid evaluation of WMMS performance.

Bir Günlük Yaşam Ortamında Smartphone merkezli İnsan Aktivitesi Tanıma Sisteminin Değerlendirilmesi

An evaluation method that includes continuous activities in a daily-living environment was developed for Wearable Mobility Monitoring Systems (WMMS) that ...

Davranış

Control of Eating Behavior Using a Novel Feedback System

Subjects eat food from a plate that sits on a scale connected to a computer that records the weight loss of the plate during the meal and makes up a curve of food intake, meal duration and rate of eating modeled by a quadratic equation. The purpose of the method is to change eating behavior by providing visual feedback on the computer screen that the subject can adapt to because her/his own rate of eating appears on the screen during the meal. The data generated by the method is automatically analyzed and fitted to the quadratic equation using a custom made algorithm. The method has the advantage of recording eating behavior objectively and offers the possibility of changing eating behavior both in experiments and in clinical practice. A limitation may be that experimental subjects are affected by the method. The same limitation may be an advantage in clinical practice, as eating behavior is more easily stabilized by the method. A treatment that uses this method has normalized body weight and restored the health of several hundred patients with anorexia nervosa and other eating disorders and has reduced the weight and improved the health of severely overweight patients.

Subjects eat food from a plate placed on a scale connected to a computer that records the weight loss of the plate during the meal. Feedback on the computer screen allows the subject to adapt her/his eating behavior to reference curves thus normalizing body weight.

Yeme davranışı bir roman geribildirim sistemi kullanarak denetim

Subjects eat food from a plate that sits on a scale connected to a computer that records the weight loss of the plate during the meal and makes up a curve ...

A Novel Digital Platform for a Monitored Home-based Cardiac Rehabilitation Program

Despite the evidence that cardiac rehabilitation (CR) reduces the risk of recurrent cardiac events, only a minority of eligible patients are willing to join existing programs at cardiac rehabilitation centers. The unique remote patient monitoring system presented here enables healthcare providers to monitor CR patients at home in real-time and at low cost. The system combines mobile technology, artificial intelligence, and supportive services, expanding the delivery of medical care to the patient&#39;s home. The primary aim of the study is to increase the long-term adherence to physical activity in patients who participate in CR via the addition of a home-based digitally monitored CR component to the standard CR program in patients with ischemic heart disease (IHD), with the idea of forming new habitual health behaviors and increasing the long-term motivation for physical exercise (PE) habits at home. Secondary aims are to assess the program&#39;s impact on the physical activity level measured by average steps per day, minutes of exercise per week, blood pressure, metabolic parameters, body mass index, and waist-to-hip ratio, as well as a quality-of-life (QoL) questionnaire.The study has two arms: (1) home-based monitored exercise using a smart digital garment and wristband, in addition to motivation and reinforcement via text messages; (2) standard CR facility-based exercise. The study design is a randomized, controlled trial comparing standard CR to a home-based monitoring and reinforcement program. The study program is designed for 12 weeks.Clinical tests and anthropometric measurements are performed before and after the study, measuring height, weight, waist circumference, visceral fat and body mass index (BMI), blood pressure, and HbA1c and lipid profile. Patients have to complete a baseline survey including socio-demographic characteristics and QoL questionnaire SF-36. At the end of the study, patients complete a survey regarding the use of the smart digital garment&#39;s benefits and usability. The study is currently underway.

The aim is to promote a new approach to cardiac rehabilitation (CR), using a unique remote patient monitoring system that will enable healthcare providers to monitor CR patients at home at low cost, with the intention of making CR services more accessible and improving compliance. The study is currently underway.

Bir ev tabanlı izlenen kardiyak rehabilitasyon programı için bir roman dijital Platform

Despite the evidence that cardiac rehabilitation (CR) reduces the risk of recurrent cardiac events, only a minority of eligible patients are willing to ...

A Methodology for Capturing Joint Visual Attention Using Mobile Eye-Trackers

With the advent of new technological advances, it is possible to study social interactions at a microlevel with unprecedented accuracy. High frequency sensors, such as eye-trackers, electrodermal activity wristbands, EEG bands, and motion sensors provide observations at the millisecond level. This level of precision allows researchers to collect large datasets on social interactions. In this paper, I discuss how multiple eye-trackers can capture a fundamental construct in social interactions, joint visual attention (JVA). JVA has been studied by developmental psychologists to understand how children acquire language, learning scientists to understand how small groups of learners work together, and social scientists to understand interactions in small teams. This paper describes a methodology for capturing JVA in colocated settings using mobile eye-trackers. It presents some empirical results and discusses implications of capturing microobservations to understand social interactions.

Using multimodal sensors is a promising way to understand the role of social interactions in educational settings. This paper describes a methodology for capturing joint visual attention from colocated dyads using mobile eye-trackers.

Mobil Göz İzleyicileri Kullanarak Ortak Görsel Dikkat Yakalama Için Bir Metodoloji

With the advent of new technological advances, it is possible to study social interactions at a microlevel with unprecedented accuracy. High frequency ...

Iterative Development of an Innovative Smartphone-Based Dietary Assessment Tool: Traqq

To collect dietary intake data in a fast and reliable manner, a flexible and innovative smartphone application (app) called Traqq was developed (iOS/Android). This app can be used as a food record and&#160;24-h recall (or shorter recall periods). Different sampling schemes can be created on either prespecified or random days/times within a predetermined period for both methods, with&#160;push notifications to urge the participants to register their food intake. In case of non-response, notifications are automatically rescheduled to ensure complete data collection. For use as a food record, respondents can access the app and log their food intake throughout the day. Food records close automatically at the end of the day; recalls close after submission of the consumed items. The recall as well as the food record module provide access to an extensive food list based on the Dutch food composition database (FCDB), which can be accustomed to fit different research purposes. When selecting a food item, respondents are simultaneously prompted to insert portion size, i.e., in household measures (e.g., cups, spoons, glasses), standard portion sizes (e.g., small, medium, large), or weight in grams, and eating occasion/time of consumption. Portion size options can be adjusted, e.g., only entry in grams in case of a weighed food record or time of consumption instead of eating occasion). The app also includes a My Dishes function, which allows the respondent to create their own recipes or product combinations (e.g., a daily breakfast) and only report the total quantity consumed. Subsequently, the app accounts for yield and retention factors. The data are stored on a secure server. If desired, additional questions, i.e., in general or those related to specific food items or eating occasions can be incorporated. This paper describes the development of the system (app and backend), including expert evaluations and usability testing.

This article describes the protocol for the development of an innovative smartphone-based dietary assessment application Traqq, including expert evaluations and usability testing.

Yenilikçi Akıllı Telefon Tabanlı Diyet Değerlendirme Aracının Yinelemeli Gelişimi: Traqq

To collect dietary intake data in a fast and reliable manner, a flexible and innovative smartphone application (app) called Traqq was developed ...

Concept Development and Use of an Automated Food Intake and Eating Behavior Assessment Method

The vast majority of dietary and eating behavior assessment methods are based on self-reports. They are burdensome and also prone to measurement errors. Recent technological innovations allow for the development of more accurate and precise dietary and eating behavior assessment tools that require less effort for both the user and the researcher. Therefore, a new sensor-based device to assess food intake and eating behavior was developed. The device is a regular dining tray equipped with a video camera and three separate built-in weighing stations. The weighing stations measure the weight of the bowl, plate, and drinking cup continuously over the course of a meal. The video camera positioned to the face records eating behavior characteristics (chews, bites), which are analyzed using artificial intelligence (AI)-based automatic facial expression software. The tray weight and the video data are transported at real-time to a personal computer (PC) using a wireless receiver. The outcomes of interest, such as the amount eaten, eating rate and bite size, can be calculated by subtracting the data of these measures at the timepoints of interest. The information obtained by the current version of the tray can be used for research purposes, an upgraded version of the device would also facilitate the provision of more personalized advice on dietary intake and eating behavior. Contrary to the conventional dietary assessment methods, this dietary assessment device measures food intake directly within a meal and is not dependent on memory or the portion size estimation. Ultimately, this device is therefore suited for daily main meal food intake and eating behavior measures. In the future, this technology based dietary assessment method can be linked to health applications or smart watches to obtain a complete overview of exercise, energy intake, and eating behavior.

This protocol shows and explains a new technology-based dietary assessment method. The method consists of a dining tray with multiple built-in weighing scales and a video camera. The device is unique in the sense that it incorporates automated measures of food and drink intake and eating behavior over the course of a meal.

Kavram Geliştirme ve Otomatik Gıda Alımı ve Yeme Davranışı Değerlendirme Yönteminin Kullanımı

The vast majority of dietary and eating behavior assessment methods are based on self-reports. They are burdensome and also prone to measurement errors. ...

Evaluating Usability Aspects of a Mixed Reality Solution for Immersive Analytics in Industry 4.0 Scenarios

In medicine or industry, the analysis of high-dimensional data sets is increasingly required. However, available technical solutions are often complex to use. Therefore, new approaches like immersive analytics are welcome. Immersive analytics promise to experience high-dimensional data sets in a convenient manner for various user groups and data sets. Technically, virtual-reality devices are used to enable immersive analytics. In Industry 4.0, for example, scenarios like the identification of outliers or anomalies in high-dimensional data sets are pursued goals of immersive analytics. In this context, two important questions should be addressed for any developed technical solution on immersive analytics: First, is the technical solutions being helpful or not? Second, is the bodily experience of the technical solution positive or negative? The first question aims at the general feasibility of a technical solution, while the second one aims at the wearing comfort. Extant studies and protocols, which systematically address these questions are still rare. In this work, a study protocol is presented, which mainly investigates the usability for immersive analytics in Industry 4.0 scenarios. Specifically, the protocol is based on four pillars. First, it categorizes users based on previous experiences. Second, tasks are presented, which can be used to evaluate the feasibility of the technical solution. Third, measures are presented, which quantify the learning effect of a user. Fourth, a questionnaire&#160;evaluates the stress level when performing tasks. Based on these pillars, a technical setting was implemented that uses mixed reality smartglasses to apply the study protocol. The results of the conducted study show the applicability of the protocol on the one hand and the feasibility of immersive analytics in Industry 4.0 scenarios on the other. The presented protocol includes a discussion of discovered limitations.

This protocol delineates the technical setting of a developed mixed reality application that is used for immersive analytics. Based on this, measures are presented, which were used in a study to gain insights into usability aspects of the developed technical solution.

Endüstri 4.0 Senaryolarında Sürükleyici Analizler için Karma Gerçeklik Çözümünün Kullanılabilirlik Yönlerini Değerlendirme

In medicine or industry, the analysis of high-dimensional data sets is increasingly required. However, available technical solutions are often complex to ...

Mühendislik

Deep Neural Networks for Image-Based Dietary Assessment

Due to the issues and costs associated with manual dietary assessment approaches, automated solutions are required to ease and speed up the work and increase its quality. Today, automated solutions are able to record a person's dietary intake in a much simpler way, such as by taking an image with a smartphone camera. In this article, we will focus on such image-based approaches to dietary assessment. For the food image recognition problem, deep neural networks have achieved the state of the art in recent years, and we present our work in this field. In particular, we first describe the method for food and beverage image recognition using a deep neural network architecture, called NutriNet. This method, like most research done in the early days of deep learning-based food image recognition, is limited to one output per image, and therefore unsuitable for images with multiple food or beverage items. That is why approaches that perform food image segmentation are considerably more robust, as they are able to identify any number of food or beverage items in the image. We therefore also present two methods for food image segmentation - one is based on fully convolutional networks (FCNs), and the other on deep residual networks (ResNet).

The goal of the work presented in this article is to develop technology for automated recognition of food and beverage items from images taken by mobile devices. The technology comprises of two different approaches - the first one performs food image recognition while the second one performs food image segmentation.

Görüntü Tabanlı Diyet Değerlendirmesi için Derin Sinir Ağları

Due to the issues and costs associated with manual dietary assessment approaches, automated solutions are required to ease and speed up the work and ...

A Single-Channel and Non-Invasive Wearable Brain-Computer Interface for Industry and Healthcare

The present work focuses on how to build a wearable brain-computer interface (BCI). BCIs are a novel means of human-computer interaction that relies on direct measurements of brain signals to assist both people with disabilities and those who are able-bodied. Application examples include robotic control, industrial inspection, and neurorehabilitation. Notably, recent studies have shown that steady-state visually evoked potentials (SSVEPs) are particularly suited for communication and control applications, and efforts are currently being made to bring BCI technology into daily life. To achieve this aim, the final system must rely on wearable, portable, and low-cost instrumentation. In exploiting SSVEPs, a flickering visual stimulus with fixed frequencies is required. Thus, in considering daily-life constraints, the possibility to provide visual stimuli by means of smart glasses was explored in this study. Moreover, to detect the elicited potentials, a commercial device for electroencephalography (EEG) was considered. This consists of a single differential channel with dry electrodes (no conductive gel), thus achieving the utmost wearability and portability. In such a BCI, the user can interact with the smart glasses by merely staring at icons appearing on the display. Upon this simple principle, a user-friendly, low-cost BCI was built by integrating extended reality (XR) glasses with a commercially available EEG device. The functionality of this wearable XR-BCI was examined with an experimental campaign involving 20 subjects. The classification accuracy was between 80%-95% on average depending on the stimulation time. Given these results, the system can be used as a human-machine interface for industrial inspection but also for rehabilitation in ADHD and autism.

This paper discusses how to build a brain-computer interface by relying on consumer-grade equipment and steady-state visually evoked potentials. For this, a single-channel electroencephalograph exploiting dry electrodes was integrated with augmented reality glasses for stimuli presentation and output data visualization. The final system was non-invasive, wearable, and portable.

Endüstri ve sağlık hizmetleri için tek kanallı ve non-invaziv giyilebilir beyin-bilgisayar arayüzü

The present work focuses on how to build a wearable brain-computer interface (BCI). BCIs are a novel means of human-computer interaction that relies on ...

Sınıf Katılımını Artırma: Öğrenci Dikkat Düzeylerinin Yapay Zeka Tabanlı Analizi

Artificial Intelligence-Based System for Detecting Attention Levels in Students

The attention level of students in a classroom can be improved through the use of Artificial Intelligence (AI) techniques. By automatically identifying the attention level, teachers can employ strategies to regain students' focus. This can be achieved through various sources of information.
One source is to analyze the emotions reflected on students' faces. AI can detect emotions, such as neutral, disgust, surprise, sadness, fear, happiness, and anger. Additionally, the direction of the students' gaze can also potentially indicate their level of attention. Another source is to observe the students' body posture. By using cameras and deep learning techniques, posture can be analyzed to determine the level of attention. For example, students who are slouching or resting their heads on their desks may have a lower level of attention. Smartwatches distributed to the students can provide biometric and other data, including heart rate and inertial measurements, which can also be used as indicators of attention. By combining these sources of information, an AI system can be trained to identify the level of attention in the classroom. However, integrating the different types of data poses a challenge that requires creating a labeled dataset. Expert input and existing studies are consulted for accurate labeling. In this paper, we propose the integration of such measurements and the creation of a dataset and a potential attention classifier. To provide feedback to the teacher, we explore various methods, such as smartwatches or direct computers. Once the teacher becomes aware of attention issues, they can adjust their teaching approach to re-engage and motivate the students. In summary, AI techniques can automatically identify the students' attention level by analyzing their emotions, gaze direction, body posture, and biometric data. This information can assist teachers in optimizing the teaching-learning process.

Yazar Spotlight: Sınıf Dikkatini Ölçmede Teknik ve Öznel Zorlukların Ele Alınması

This paper proposes an artificial intelligence-based system to automatically detect whether students are paying attention to the class or are distracted. This system is designed to help teachers maintain students' attention, optimize their lessons, and dynamically introduce modifications in order for them to be more engaging.

Öğrencilerdeki Dikkat Düzeylerini Tespit Etmek İçin Yapay Zeka Tabanlı Sistem

The attention level of students in a classroom can be improved through the use of Artificial Intelligence (AI) techniques. By automatically identifying ...