集成的图像和基于传感器的食物摄入检测在自由生活中
Tonmoy Ghosh1, Yue Han2, Viprav Raju3
1Electrical and Computer Engineering Department, University of Alabama, Tuscaloosa, AL, 35401, USA. tghosh@crimson.ua.edu.
Scientific reports
|January 18, 2024
概括
这项研究改进了使用自动摄入监测器v2 (AIM-2) 可穿戴传感器的自动食用情节检测. 结合图像和加速度计数据,显著减少了假阳性,从而更准确地监测饮食.
科学领域:
- 生物医学工程 生物医学工程
- 可穿戴技术可穿戴技术
- 饮食监测 饮食监测 饮食监测
背景情况:
- 准确的饮食监测依赖于检测饮食事件.
- 像自动摄入监测器v2 (AIM-2) 这样的可穿戴传感器可以检测进食事件,但可能产生错误的阳性.
- 仅仅使用图像或传感器数据的现有方法在精度上有局限性.
研究的目的:
- 为了减少使用AIM-2可穿戴传感器检测食用情节的错误阳性.
- 提高饮食监测系统的准确性.
- 评估一种结合图像和基于传感器的方法来检测饮食情节.
主要方法:
- 使用AIM-2可穿戴传感器与三十名参与者在伪自由生活和自由生活条件下进行了实验.
- 采用了三种检测方法:食品/饮料的图像识别,加速度计的识别,以及将两者结合在一起的等级分类.
- 收集的传感器和图像数据超过两天,每个参与者.
主要成果:
- 综合图像和基于传感器的方法在自由生活环境中实现了94.59%的灵敏度,70.47%的精度和80.77%的F1得分.
- 与单个方法相比,这种综合方法的灵敏度高出8%.
- 层次分类显著提高了吃饭情节检测的准确性.
结论:
- 来自AIM-2传感器的图像和加速度计数据的结合有效地减少了进食事件检测中的错误阳性.
- 提出的等级分类方法为饮食监测提供了更强大的解决方案.
- 这一进步有助于更准确,更可靠的自动化饮食评估工具.
