使用深度学习对智能眼镜中的光学跟踪传感器进行受控和现实调查,以监测使用深度学习的饮食行为:横截面研究.

科学领域:

• 生物医学工程 生物医学工程
• 医疗卫生技术 技术 技术
• 可穿戴式传感器 穿戴式传感器

背景情况:

• 肥胖率的上升凸显了需要更好的饮食监测.
• 传统方法遭受参与者负担和回忆偏差.
• 微量饮食活动对于了解肥胖和疾病风险至关重要.

研究的目的:

• 开发一个准确的,非侵入性系统,使用智能眼镜监控饮食和.
• 为了区分与其他面部活动,如说话.
• 在受控和现实环境中评估系统性能.

主要方法:

• 在智能眼镜中使用OCO光学传感器来捕捉面部肌肉激活.
• 采用深度学习 (DL) 来分析传感器数据和区分.
• 集成了一个隐藏的马尔科夫模型来解决事件中的时间依赖.

主要成果:

• 传感器数据显示各项活动之间存在显著差异 (P<.001).
• 一个卷积式长期短期记忆DL模型在检测方面获得了0.91的F1得分.
• 现实生活中的测试产生了高精度 (0.95) 和回忆 (0.82) 的进食部分.

结论:

• 该系统在非侵入性饮食监测方面取得了重大进展.
• 它有可能改变用于健康干预的饮食数据收集.
• 能够更深入地了解饮食习惯及其对健康的影响.