在吃饭时分类食品:一种机器学习方法,使用斜率动力学来对窗口动态数据进行分类
Ileana Baldi1, Corrado Lanera1, Mohammad Junayed Bhuyan1
1Unit of Biostatistics, Epidemiology and Public Health, Department of Cardiac, Thoracic, Vascular Sciences and Public Health, University of Padova, 35131 Padova, Italy.
Foods (Basel, Switzerland)
|January 25, 2025
概括
可穿戴式传感器可以监测食物摄入量,机器学习模型可以在某些食物 (如肉丸) 中实现高精度. 需要进一步的研究,以提高所有食品类型的准确性.
科学领域:
- 生物医学工程 生物医学工程
- 人与计算机的交互
- 营养科学 营养科学
背景情况:
- 可穿戴式传感器为健康和生活方式监测提供了有希望的功能.
- 饮食监测是改善个人健康结果的关键领域.
研究的目的:
- 通过可穿戴设备的动态数据,研究和开发可靠的饮食监测方法.
- 评估使用原始传感器数据用于食品识别的可行性.
主要方法:
- 利用了来自NOTION研究的数据,其中20名健康受试者在吃饭时佩戴智能手表.
- 使用随机森林 (RF) 模型分析加速数据,用于食品识别的5倍交叉验证.
- 评估了使用袋外灵敏度和特异性的分类器性能.
主要成果:
- 沿x轴的加速是食品识别中最重要的变量.
- 增加窗口大小提高了大多数食品的性能.
- 射频分类器在肉丸方面取得了很高的准确性 (89.4%的灵敏度),但在三明治方面达到较低的准确性 (74.6%的灵敏度).
结论:
- 基于腕带的可穿戴设备可以在可接受的准确度下监控一些食品.
- 在饮食监测中,机器学习对于解释复杂的传感器信号至关重要.
- 目前正在进行的研究旨在提高准确性,并实现大规模的实时实施.


