FitNibble：一项关于眼镜式可穿戴设备自动饮食监测在食物日志中实用性与可用性的实地研究

文献标题

FitNibble: A Field Study to Evaluate the Utility and Usability of Automatic Diet Monitoring in Food Journaling Using an Eyeglasses-based Wearable

文献信息

• 主题领域: 可穿戴设备与自动饮食监测系统
• 关键词: 饮食监测, 进食检测, 食物记录, 可穿戴设备, 实用性, 易用性, 合规性, 自动饮食监测

研究背景与问题

• 发现的问题或挑战:
  • 饮食监测对健康的重要性已被广泛认可，但现有记录方法多依赖用户自我报告，难以为普通用户持续采用。
  • 自动饮食监测系统（ADM）在实验室之外的实际场景中表现欠佳，受生态效度低、社会接受度低和隐私问题等多重因素影响。
  • 饮食监测任务复杂（需同时跟踪 "吃什么"、"吃多少" 和 "什么时候吃"），当前技术多集中于 "什么时候吃" 的检测，食物类型和食物摄入量的自动化研究仍存技术瓶颈。
• 研究的重要性:
  • 亟需开发一种使食物记录变得像使用智能手表计步那样简单的解决方案，从而提升用户的参与度和持续性。
  • 增强饮食监测系统的生态效度、用户实用性和社会可接受性将显著推动其在实际生活中的应用，特别是在疾病预防和健康改善领域。
• 研究动机与相关工作:
  • 过去的研究已构建了多种ADM原型系统，但缺乏对这些系统在真实场景中长期使用的实用性和易用性评估。
  • 本研究受到近期基于眼镜形态的FitByte系统（可检测进食和饮水行为）的启发，其在自由生活环境中的良好检测表现使其成为适应实际应用的参考设计。

解决方案

• 提出的方法或解决方案:
  • 本文推出了一种基于眼镜的可穿戴ADM系统——FitNibble，能够实时监测用户的饮食行为，并在进食开始时推送即时提醒，帮助用户记录食物日记。
  • 通过改良FitByte的设计，纳入了传感器、低功耗蓝牙模块和智能手机应用程序，形成端到端的ADM系统。
• 解决方案的创新之处:
  • 基于最新机器学习模型的实时进食检测，具备良好的自由环境检测能力。
  • 系统设计符合社会接受性，形态紧凑、重量轻，能够适应日常佩戴。
  • 增强的提醒功能使得用户更容易记得记录饮食行为，克服典型手动记录方法中的遗忘问题。
• 实施步骤与关键技术:
  • 硬件: 在眼镜上安装传感器（如靠近传感器和惯性测量单元）。
  • 软件: 开发FitNibble智能手机应用程序以处理数据、触发提醒并与用户交互。
  • 后端: 使用深度神经网络模型从传感器数据中实时检测进食行为。

研究成果

• 具体成果:
  • 通过13名参与者18天的野外实验，FitNibble显著提高了饮食记录的合规率（漏记事件减少19.6%，p = 0.0132）。
  • 使用ADM后，用户的记录难度显著降低（p = 0.005），感知的饮食行为尤其是零食摄入显著提高。
  • 测试结果表明，近一半记录事件是由系统提醒带来的，反映用户高度依赖FitNibble的通知功能。
• 与现有解决方案的优势:
  • 相较于传统的手动记录方法（或基于时间提醒的方式），FitNibble通过即刻通知显著减少了用户的遗忘率和认知负担。
  • 系统同时兼具良好的社会接受性和隐私意识，许多用户表示愿意在日常生活中采用此设备。
• 实验或评估结果:
  • 用户的整体依从性显著改善：从基线的54.7%跃升至77.4%。
  • 尽管部分用户收到较高的误报率（即错误触发的提醒），系统整体的实用性和潜在效益仍被认可。
  • 用户访问调查数据显示，大部分用户对该设备的整体用法反应积极，部分用户甚至观察到饮食习惯的行为改变。
• 局限性与未来方向:
  • 当前实验的样本规模较小，实验设计未包含平衡干预顺序的对照组，可能存在顺序效应的影响。
  • 系统硬件仍为原型设计，改进设备轻量化、防水性及完成产品化至关重要。
  • 建议今后在更大规模的随机对照实验中验证本研究发现，进一步优化机器学习模型以减小误报率，同时探索整合摄像功能的可行性及隐私保护方案。

附加部分

使用者对完备产品形式的人机交互需求（如增加语音控制、个性化提醒调整）以及网络摄像头功能的接受度也被提出，应纳入未来设计中的考量。