論文の概要: A Data Driven End-to-end Approach for In-the-wild Monitoring of Eating Behavior Using Smartwatches

• arxiv url: http://arxiv.org/abs/2010.07051v1
• Date: Mon, 12 Oct 2020 12:35:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-08 08:11:47.371645
• Title: A Data Driven End-to-end Approach for In-the-wild Monitoring of Eating Behavior Using Smartwatches
• Title（参考訳）: データ駆動型エンドツーエンドによるスマートウォッチを用いた食事行動監視
• Authors: Konstantinos Kyritsis, Christos Diou and Anastasios Delopoulos
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 8.257740966456172
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increased worldwide prevalence of obesity has sparked the interest of the scientific community towards tools that objectively and automatically monitor eating behavior. Despite the study of obesity being in the spotlight, such tools can also be used to study eating disorders (e.g. anorexia nervosa) or provide a personalized monitoring platform for patients or athletes. This paper presents a complete framework towards the automated i) modeling of in-meal eating behavior and ii) temporal localization of meals, from raw inertial data collected in-the-wild using commercially available smartwatches. Initially, we present an end-to-end Neural Network which detects food intake events (i.e. bites). The proposed network uses both convolutional and recurrent layers that are trained simultaneously. Subsequently, we show how the distribution of the detected bites throughout the day can be used to estimate the start and end points of meals, using signal processing algorithms. We perform extensive evaluation on each framework part individually. Leave-one-subject-out (LOSO) evaluation shows that our bite detection approach outperforms four state-of-the-art algorithms towards the detection of bites during the course of a meal (0.923 F1 score). Furthermore, LOSO and held-out set experiments regarding the estimation of meal start/end points reveal that the proposed approach outperforms a relevant approach found in the literature (Jaccard Index of 0.820 and 0.821 for the LOSO and heldout experiments, respectively). Experiments are performed using our publicly available FIC and the newly introduced FreeFIC datasets.
• Abstract（参考訳）: 世界の肥満の流行が高まり、科学界は食行動の客観的かつ自動監視を行うツールに関心を寄せている。 肥満の研究が注目されているにもかかわらず、このようなツールは摂食障害(例えば食欲不振)の研究や、患者やアスリートにパーソナライズされたモニタリングプラットフォームを提供するためにも利用できる。 本稿では,自動化に向けた完全な枠組みを提案する。 i)内食行動のモデル化と課題 二 市販のスマートウォッチを用いて収集した生慣性データから食事の時間的局所化 まず,摂食イベント(噛み込み)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。 提案するネットワークは、同時にトレーニングされる畳み込み層と繰り返し層の両方を使用する。 その後,信号処理アルゴリズムを用いて1日を通して検出された咬合の分布を用いて食事の開始点と終了点を推定する方法を示す。 各フレームワークを個別に広範囲に評価する。 leave-one-subject-out (loso) 評価では,食事中(0.923 f1スコア)の咬合検出において,咬合検出アプローチが4つの最先端アルゴリズムよりも優れていることが示された。 さらに, 食事開始点・終了点の推定に関するLOSOとホールトアウトセット実験の結果, 提案手法は文献上の関連するアプローチ(LOSOではJaccard Index, 0.820, 0.821)より優れていた。 FICと新たに導入されたFreeFICデータセットを用いて実験を行った。

関連論文リスト

• Automatic Recognition of Food Ingestion Environment from the AIM-2 Wearable Sensor [3.9956522522260447]
  本稿では,2段階の学習フレームワークを組み込んだニューラルネットワークベースの手法を提案する。 本手法は,エゴセントリックなウェアラブルカメラであるAIM-2センサを用いて,自由生活環境下での食品消費をシミュレートするUA Free Living Studyを用いて評価した。 収集したデータセットに対する実験結果から,提案手法による自動摂取環境認識は,データセットの困難なデータ不均衡問題に対処し,96.63%という有望な総合的分類精度を実現することができた。
  論文  参考訳（メタデータ） (2024-05-13T15:12:21Z)
• 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: Empirical Study of Various Dietary Intake Estimation Approaches [60.97896788599621]
  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)
• Food Image Classification and Segmentation with Attention-based Multiple Instance Learning [51.279800092581844]
  本稿では,食品画像分類とセマンティックセグメンテーションモデルを訓練するための弱教師付き方法論を提案する。 提案手法は、注意に基づくメカニズムと組み合わせて、複数のインスタンス学習アプローチに基づいている。 提案手法の有効性を検証するため,FoodSeg103データセット内の2つのメタクラスについて実験を行った。
  論文  参考訳（メタデータ） (2023-08-22T13:59:47Z)
• Intake Monitoring in Free-Living Conditions: Overview and Lessons we Have Learned [5.118928796825531]
  スマートウォッチを用いたインテークモニタリングに関する最近の研究の概要を概観する。 また,これらの手法の評価結果を実世界の挑戦的データセットに適用する。
  論文  参考訳（メタデータ） (2022-06-04T08:38:23Z)
• 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)
• MyFood: A Food Segmentation and Classification System to Aid Nutritional Monitoring [1.5469452301122173]
  食料モニタリングの欠如は、人口の体重増加に大きく寄与している。 食品画像を認識するためにコンピュータビジョンでいくつかのソリューションが提案されているが、栄養モニタリングに特化しているものはほとんどない。 本研究は, ユーザの食事と栄養摂取の自動モニタリングを支援するために, 画像に提示された食品を分類・分別するインテリジェントシステムの開発について述べる。
  論文  参考訳（メタデータ） (2020-12-05T17:40:05Z)
• 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)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)
• Proximity-Based Active Learning on Streaming Data: A Personalized Eating Moment Recognition [17.961752949636306]
  本稿では,身近な身近な身近な行動認識モデルである,ストリーミングデータに基づくプロクシミティベースのアクティブラーニングを提案する。 制御および制御されていない設定の両方で収集されたデータから、PLASのFスコアは10から60のクエリの予算に対して22%から39%の範囲であることが示された。
  論文  参考訳（メタデータ） (2020-03-29T18:17:29Z)

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。