論文の概要: Detecting impending malnutrition of elderly people in domestic smart home environments

• arxiv url: http://arxiv.org/abs/2003.14159v2
• Date: Wed, 10 Mar 2021 10:06:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-27 07:52:11.959201
• Title: Detecting impending malnutrition of elderly people in domestic smart home environments
• Title（参考訳）: 家庭内スマートホーム環境における高齢者の栄養失調の検出
• Authors: Bj\"orn Friedrich, J\"urgen Bauer, Andreas Hein
• Abstract要約: BMIの継続的なモニタリングにより、医師や栄養学者は、差し迫った栄養失調に介入することができる。 環境センサに基づくBMIのトレンドモニタリング手法を提案する。 この手法は、85歳以上の20人の被験者による10ヶ月のフィールド調査で収集された実世界のデータセットでテストされている。
• 参考スコア（独自算出の注目度）: 1.2354076490479515
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Proper nutrition is very important for the well-being and independence of elderly people. A significant loss of body weight or a decrease of the Body Mass Index respectively is an indicator for malnutrition. A continuous monitoring of the BMI enables doctors and nutritionists to intervene on impending malnutrition. However, continuous monitoring of the BMI by professionals is not applicable and self-monitoring not reliable. In this article a method for monitoring the trend of the BMI based on ambient sensors is introduced. The ambient sensors are used to measure the time a person spends for preparing meals at home. When the trend of the average time for 4 weeks changes, so does the trend of the BMI for those 4 weeks. Both values show a very strong correlation. Thus, the average time for preparing a meal is a suitable indicator for doctors and nutritionists to examine the patient further, become aware of an impending malnutrition, and intervene at an early stage of malnutrition. The method has been tested on a real-world dataset collected during a 10-month field study with 20 participants of an age of about 85 years.
• Abstract（参考訳）: 適切な栄養は高齢者の健康と自立にとって非常に重要である。 体重の著しい減少や体重指数の低下は栄養失調の指標である。 bmiの継続的なモニタリングにより、医師や栄養士は栄養失調に介入することができる。 しかしながら、プロフェッショナルによるBMIの継続的監視は適用不可能であり、自己監視は信頼性が低い。 本稿では,環境センサを用いたBMIのトレンドモニタリング手法を紹介する。 環境センサーは、人が家で食事を準備するのに費やす時間を測定するために使用される。 4週間の平均時間の傾向が変わると、この4週間のBMIの傾向も変わる。 どちらの値も強い相関を示す。 したがって、食事準備の平均時間は、医師や栄養士がさらに患者を診察し、差し迫った栄養失調を認識し、栄養失調の初期段階に介入するのに適した指標である。 この手法は、85歳以上の20人の被験者による10ヶ月のフィールド調査で収集された実世界のデータセットでテストされている。

関連論文リスト

• NutriBench: A Dataset for Evaluating Large Language Models on Nutrition Estimation from Meal Descriptions [6.223619389512576]
  NutriBenchは、初めて公開された自然言語による食事記述栄養ベンチマークである。 世界の食事摂取データから生成された11,857件の食事記述から成っている。 データは人間によって検証され、炭水化物、タンパク質、脂肪、カロリーを含むマクロ栄養ラベルで注釈付けされている。
  論文  参考訳（メタデータ） (2024-07-04T15:10:51Z)
• NutritionVerse-Direct: Exploring Deep Neural Networks for Multitask Nutrition Prediction from Food Images [63.314702537010355]
  自己申告法はしばしば不正確であり、重大な偏見に悩まされる。 近年、食品画像から栄養情報を予測するためにコンピュータビジョン予測システムを用いた研究が進められている。 本稿では,様々なニューラルネットワークアーキテクチャを活用することにより,食事摂取量推定の有効性を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-05-13T14:56:55Z)
• NutritionVerse-Real: An Open Access Manually Collected 2D Food Scene Dataset for Dietary Intake Estimation [68.49526750115429]
  食事摂取推定のための2D食品シーンデータセットであるNutritionVerse-Realを導入する。 NutritionVerse-Realデータセットは、実生活における食品シーンのイメージを手作業で収集し、各成分の重量を測定し、各料理の食生活内容を計算することによって作成されました。
  論文  参考訳（メタデータ） (2023-11-20T11:05:20Z)
• NutritionVerse: Empirical Study of Various Dietary Intake Estimation Approaches [59.38343165508926]
  食事の正確な摂取推定は、健康的な食事を支援するための政策やプログラムを伝える上で重要である。 最近の研究は、コンピュータービジョンと機械学習を使用して、食物画像から食事摂取を自動的に推定することに焦点を当てている。 我々は,84,984個の合成2D食品画像と関連する食事情報を用いた最初の大規模データセットであるNutritionVerse-Synthを紹介した。 また、リアルなイメージデータセットであるNutritionVerse-Realを収集し、リアル性を評価するために、251の料理の889のイメージを含む。
  論文  参考訳（メタデータ） (2023-09-14T13:29:41Z)
• Advancing Smart Malnutrition Monitoring: A Multi-Modal Learning Approach for Vital Health Parameter Estimation [0.0]
  本研究は, 画期的な, スケーラブルで, 堅牢な栄養失調モニタリングシステムを提案する。 身長、体重、その他の重要な健康パラメータを推定するために、個人の1つのフルボディ画像を使用する。 本モデルでは, 平均絶対誤差 (MAE) が4.7cm, 5.3kg, 平均誤差 (MAE) は5.3kgと推定される。
  論文  参考訳（メタデータ） (2023-07-31T15:08:02Z)
• Body Fat Estimation from Surface Meshes using Graph Neural Networks [48.85291874087541]
  三角体表面メッシュを用いて,グラフニューラルネットワークを用いて,VATおよびASATボリュームを正確に予測できることを示す。 本手法は,この領域の最先端畳み込みニューラルネットワークと比較して,トレーニング時間と必要なリソースを削減しつつ高い性能を実現する。
  論文  参考訳（メタデータ） (2023-07-13T10:21:34Z)
• Machine Learning and Bioinformatics for Diagnosis Analysis of Obesity Spectrum Disorders [0.0]
  肥満患者の数は、摂食生活と不適切な食事が原因で倍増している。 肥満の人は異なる慢性疾患に苦しむため、平均寿命は80歳から75歳に低下した。 本報告では,肥満の原因を特徴付け,予測し,分析するためにMLデータセットを用いた小児・成人の肥満問題に対処する。
  論文  参考訳（メタデータ） (2022-08-05T13:07:27Z)
• Enhancing Food Intake Tracking in Long-Term Care with Automated Food Imaging and Nutrient Intake Tracking (AFINI-T) Technology [71.37011431958805]
  長期医療(LTC)の住民の半数は、入院、死亡、死亡率、生活の質の低下が悪化している。 本稿では,LCCのための食品自動撮像・栄養摂取追跡技術(AFINI-T)について述べる。
  論文  参考訳（メタデータ） (2021-12-08T22:25:52Z)
• Vision-Based Food Analysis for Automatic Dietary Assessment [49.32348549508578]
  本総説では, 食品画像分析, 容積推定, 栄養素抽出の3段階からなる, 統合型ビジョンベース食事評価(VBDA)の枠組みを概説する。 深層学習により、VBDAは徐々にエンドツーエンドの実装へと移行し、単一のネットワークに食品画像を適用して栄養を直接見積もる。
  論文  参考訳（メタデータ） (2021-08-06T05:46:01Z)
• A Data Driven End-to-end Approach for In-the-wild Monitoring of Eating Behavior Using Smartwatches [8.257740966456172]
  本稿では, 食事中の食行動の自動化と, 食事の時間的局在のモデル化に向けて, 完全な枠組みを提案する。 食物摂取事象(すなわち噛み跡)を検出するエンドツーエンドニューラルネットワークを提案する。 食事の開始点と終了点を信号処理アルゴリズムを用いて推定するために,検出した噛み跡の1日を通して分布を推定する方法を示す。
  論文  参考訳（メタデータ） (2020-10-12T12:35:56Z)
• MFED: A System for Monitoring Family Eating Dynamics [7.390103907991721]
  家族の摂食動態(FED)は、子と親の食事摂取に影響を与える可能性が高く、最終的には肥満のリスクがある。 現在、FEDをリアルタイムに監視するシステムは存在しない。 本稿では,野生生物のFEDをリアルタイムにモニタリングするシステムであるMFEDについて述べる。
  論文  参考訳（メタデータ） (2020-07-11T19:00:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。