MyDJ：附在眼镜框上的食物摄入感应器

文献标题

MyDJ: Sensing Food Intakes with an Attachable on Your Eyeglass Frame

文献信息

• 主题领域: 可穿戴设备、自动饮食检测、健康技术
• 关键词: 着戴式设备、自动饮食监测、多模态传感、能量效率、社会接受性、眼镜框架

研究背景与问题

• 发现的问题或挑战

  1. 传统的手动饮食记录方法繁琐且常被遗忘。
  2. 现有的自动饮食检测系统，在实验室外的准确性有限或形式过于干扰（如头套设备）。
  3. 使用眼镜作为饮食检测设备已有研究，但大多需要定制的框架，且功率消耗大、不适合广泛使用。

• 重要性 饮食监控对维持健康的饮食习惯和管理体重及慢性疾病至关重要。开发准确、高效且社会接受度高的检测设备可以提高使用率，并为用户提供自动化饮食干预工具。

• 研究动机与相关工作

  • 自动饮食监测的潜在社会影响巨大，但现有方法的社会接受度和长时间使用受限。
  • 眼镜作为普遍接受的日常穿戴形式，其靠近口腔的结构有利于准确检测咀嚼信号。
  • 本研究旨在设计可轻松挂接到任何眼镜框架的装置，同时克服功率消耗和传感器可靠性的问题。

解决方案

• 提出的方法或解决方案

  1. 开发MyDJ系统，可附加至任何眼镜框架的饮食检测设备。
  2. 采用压电传感器和加速计，结合多模态信号，捕捉不同但互补的咀嚼信号。
  3. 硬件设计低功耗，结合特征提取与深度神经网络（DNN）模型，实现实时数据处理和分类。

• 创新之处

  1. 不需要定制眼镜框架，适配范围广。
  2. 低功耗传感器的多模态融合，显著提高了检测精度和环境鲁棒性。
  3. 通过改进的数据处理算法和轻量化模型设计，实现更高效的功耗管理。

• 实施步骤及关键技术

  1. 硬件架构设计：
     • 压电传感器用于检测颞肌（temporalis muscle）的机械振动。
     • 加速计检测因咀嚼产生的机械波传播。
     • 自定义PCB与微控制单元（MCU），结合蓝牙通信和小型电池。
  2. 数据预处理与特征提取：
     • 利用短时傅里叶变换（STFT）、梅尔频率倒谱系数（MFCC）等特征生成信号窗口。
     • 特征选择算法（JMIM）筛选最优特征集，平衡功耗与精度。
  3. 深度神经网络分类：
     • 使用DNN模型对窗口级数据进行分类为“饮食/非饮食”。
     • 基于15秒的时间帧检测完整饮食事件。

研究成果

• 具体成果

  1. 在实验中，MyDJ在饮食检测的F1得分为0.919，准确率为0.984。
  2. 电池寿命显著延长：在220mAh电池支持下，续航时间达66小时，为现有方案的4.03倍。
  3. 经过一周的长期使用研究，MyDJ检测出93%的饮食事件。

• 优势

  1. 社会接受度高：用户报告佩戴MyDJ眼镜的舒适度达到94.95%，接近普通眼镜。
  2. 与现有饮食监测方法相比，显著减少False Alarms（误报）和功耗。
  3. 适配性强：MyDJ适用于多种眼镜框架且无需定制。

• 实验或评估结果

  1. 数据收集与评估：
     • 237小时数据（24名受试者，日间研究）。
     • 477小时数据（6名受试者，周间研究）。
  2. 在一周实验中，MyDJ平均对0.777的F1得分进一步通过个性化模型优化到0.849。
  3. 使用压电传感器与加速计组合模式的检测效果优于单一传感器。

• 局限性与未来方向

  1. 局限性：
     • 不适合不需或不喜欢佩戴眼镜的人群。
     • 单一眼镜框架训练数据的泛化性能需进一步验证。
  2. 未来方向：
     • 加强对不同眼镜框架的兼容测试及数据集扩展。
     • 开发更轻便、小型化与封装更佳的设备版本。
     • 探索用户友好的标记工具，降低个性化模型调试的时间成本。

备注

本研究从可穿戴设备设计、数据分析到用户接受度调查，进行了全面探索，代表了饮食检测系统向实用化和社会化迈出的重要一步。