論文の概要: Intake Monitoring in Free-Living Conditions: Overview and Lessons we
Have Learned
- arxiv url: http://arxiv.org/abs/2206.02784v1
- Date: Sat, 4 Jun 2022 08:38:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-12 10:53:44.849432
- Title: Intake Monitoring in Free-Living Conditions: Overview and Lessons we
Have Learned
- Title(参考訳): 自由生活環境におけるインテークモニタリング -概要と教訓-
- Authors: Christos Diou, Konstantinos Kyritsis, Vasileios Papapanagiotou and
Ioannis Sarafis
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 5.118928796825531
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The progress in artificial intelligence and machine learning algorithms over
the past decade has enabled the development of new methods for the objective
measurement of eating, including both the measurement of eating episodes as
well as the measurement of in-meal eating behavior. These allow the study of
eating behavior outside the laboratory in free-living conditions, without the
need for video recordings and laborious manual annotations. In this paper, we
present a high-level overview of our recent work on intake monitoring using a
smartwatch, as well as methods using an in-ear microphone. We also present
evaluation results of these methods in challenging, real-world datasets.
Furthermore, we discuss use-cases of such intake monitoring tools for advancing
research in eating behavior, for improving dietary monitoring, as well as for
developing evidence-based health policies. Our goal is to inform researchers
and users of intake monitoring methods regarding (i) the development of new
methods based on commercially available devices, (ii) what to expect in terms
of effectiveness, and (iii) how these methods can be used in research as well
as in practical applications.
- Abstract(参考訳): 過去10年間の人工知能と機械学習アルゴリズムの進歩は、食事エピソードの測定と食事中の食事行動の測定の両方を含む、食事の客観的測定のための新しい方法の開発を可能にした。
これにより、ビデオ記録や退屈な手作業のアノテーションを必要とせずに、実験室外での食事行動の研究が可能になる。
本稿では,スマートウォッチを用いた intake monitoring に関する最近の研究の概要と,耳内マイクロホンを用いた手法について述べる。
また,本手法の評価結果を実世界の挑戦的なデータセットで提示する。
さらに,摂食行動研究の進展,食事モニタリングの改善,エビデンスに基づく健康政策の策定等を目的とした,摂食モニタリングツールの利用事例について検討した。
我々の目標は 研究者や利用者に 摂取監視方法を知らせることです
(i)市販デバイスに基づく新規手法の開発
(ii)有効性を期待するもの、及び
(iii)これらの方法が、研究や実用化においてどのように用いられるか。
関連論文リスト
- From Canteen Food to Daily Meals: Generalizing Food Recognition to More
Practical Scenarios [92.58097090916166]
DailyFood-172とDailyFood-16という2つの新しいベンチマークを、毎日の食事から食のイメージをキュレートする。
これらの2つのデータセットは、よく計算された食品画像領域から日常的な食品画像領域へのアプローチの伝達性を評価するために使用される。
論文 参考訳(メタデータ) (2024-03-12T08:32:23Z) - Livestock feeding behavior: A tutorial review on automated techniques
for ruminant monitoring [34.82692226532414]
本論文は,反響者の摂食行動の分析に関する最初のチュートリアルスタイルのレビューである。
給餌行動に関連する信号を計測・分析するための主要なセンシング手法と主要な技術を評価する。
また、価値ある情報を提供する自動監視システムの可能性を強調している。
論文 参考訳(メタデータ) (2023-12-03T13:42:55Z) - 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) - Food Recognition and Nutritional Apps [0.0]
食品認識と栄養アプリ(英語版)は、糖尿病患者が食事を管理する方法に革命をもたらすかもしれないトレンド技術である。
これらのアプリは糖尿病を管理するための有望なソリューションを提供するが、患者が使うことはめったにない。
本章は、食品の認識と栄養に関するアプリの現状を詳細に評価し、使用を阻害または促進する要因を特定することを目的としている。
論文 参考訳(メタデータ) (2023-06-20T13:23:59Z) - A Matter of Annotation: An Empirical Study on In Situ and Self-Recall
Activity Annotations from Wearable Sensors [79.57744087902266]
そこで本研究では,Wildデータに着目した4つのアノテーション手法を比較した。
本研究は,異なるラベル付け手法がアノテーションの品質に直接影響を及ぼすことを示す。
アクティビティダイアログと可視化ツールを組み合わせることで,参加者のアクティビティデータを検査し,ラベル付けすることができる。
論文 参考訳(メタデータ) (2023-05-15T16:02:56Z) - 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) - An Intelligent Passive Food Intake Assessment System with Egocentric
Cameras [14.067860492694251]
栄養失調は低所得国(LMIC)の主要な公衆衛生問題である
我々は,エゴセントリックカメラを用いた知的受動的摂食評価システムの実装を提案する。
摂取量を確実に監視し、ユーザの食行動にフィードバックを与えることができます。
論文 参考訳(メタデータ) (2021-05-07T09:47:51Z) - 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) - 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)
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。