相关实验视频
Updated: Jan 14, 2026
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.9K
字节跟踪 (ByteTrack):一种深度学习方法,用于使用儿童食视频来检测咬数和咬率
Yashaswini Rajendra Bhat1, Kathleen L Keller1,2, Timothy R Brick3,4
1Department of Nutritional Sciences, Pennsylvania State University, University Park, PA, United States.
Frontiers in nutrition
|October 20, 2025
概括
字节跟踪 (ByteTrack) 是一个自动化系统,可以准确地检测儿童的饮食行为,比如从视频中看到的咬合数. 这项技术为评估过度消费和肥胖风险提供了一个可扩展的解决方案.
科学领域:
- 儿科营养和行为分析.
- 开发人工智能驱动的健康监测工具.
- 肥胖和过度消费研究.
背景情况:
- 评估饮食行为,如饮食速度,对于识别过度消费和肥胖的风险至关重要.
- 目前分析饮食行为的方法,如传感器使用或手动视频编码,在可扩展性和自然性方面存在局限性.
研究的目的:
- 开发和评估ByteTrack,这是一个用于自动化咬伤数和儿童用餐中咬伤率检测的深度学习系统.
- 与现有方法相比,为分析饮食行为提供一种可扩展和不那么破坏性的方法.
主要方法:
- 开发了ByteTrack,这是一个两阶段的深度学习系统,利用Faster R-CNN,YOLOv7,EfficientNet和LSTM进行面部检测和咬伤分类.
- 在94名儿童 (7-9岁) 的1440分钟视频数据上训练并测试了该模型.
- 设计了该模型,以应对常见的视频挑战,如模糊,低光,相机震动和屏蔽等.
主要成果:
- 在51个视频的测试组中,ByteTrack的平均精度为79.4%,回忆率为67.9%,F1得分为70.6%.
- 类内相关系数表明,与手动编码的平均一致性为0.66,尽管可靠性随着移动和遮而变化.
结论:
- 这项试点研究证实了ByteTrack作为可扩展,自动化工具的可行性,用于检测儿童用餐中的咬.
- 未来的研究将旨在增强不同种群和具有挑战性的记录条件的模型稳定性.
