論文の概要: Estimation of Food Intake Quantity Using Inertial Signals from Smartwatches
- arxiv url: http://arxiv.org/abs/2502.06649v1
- Date: Mon, 10 Feb 2025 16:38:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-11 14:29:33.993119
- Title: Estimation of Food Intake Quantity Using Inertial Signals from Smartwatches
- Title（参考訳）: スマートウォッチからの慣性信号を用いた食事摂取量の推定
- Authors: Ioannis Levi, Konstantinos Kyritsis, Vasileios Papapanagiotou, Georgios Tsakiridis, Anastasios Delopoulos,
- Abstract要約: 本稿では,市販スマートウォッチの噛み込み重量を推定するための新しいアプローチを提案する。
私たちの公開データセットには、10人の参加者によるスマートウォッチ慣性データが含まれています。
提案手法は,食材を装填するのに要する時間などの抽出された行動特徴と慣性信号の統計的特徴を組み合わせ,噛み重量を推定するための支持ベクトル回帰モデルへの入力として機能する。
- 参考スコア（独自算出の注目度）: 5.168970348618107
- License:
- Abstract: Accurate monitoring of eating behavior is crucial for managing obesity and eating disorders such as bulimia nervosa. At the same time, existing methods rely on multiple and/or specialized sensors, greatly harming adherence and ultimately, the quality and continuity of data. This paper introduces a novel approach for estimating the weight of a bite, from a commercial smartwatch. Our publicly-available dataset contains smartwatch inertial data from ten participants, with manually annotated start and end times of each bite along with their corresponding weights from a smart scale, under semi-controlled conditions. The proposed method combines extracted behavioral features such as the time required to load the utensil with food, with statistical features of inertial signals, that serve as input to a Support Vector Regression model to estimate bite weights. Under a leave-one-subject-out cross-validation scheme, our approach achieves a mean absolute error (MAE) of 3.99 grams per bite. To contextualize this performance, we introduce the improvement metric, that measures the relative MAE difference compared to a baseline model. Our method demonstrates a 17.41% improvement, while the adapted state-of-the art method shows a -28.89% performance against that same baseline. The results presented in this work establish the feasibility of extracting meaningful bite weight estimates from commercial smartwatch inertial sensors alone, laying the groundwork for future accessible, non-invasive dietary monitoring systems.
- Abstract（参考訳）: 食行動の正確なモニタリングは、肥満やウズラなどの摂食障害の管理に不可欠である。
同時に、既存の手法は複数のセンサーと/または特殊なセンサーに依存しており、データの品質と連続性を著しく損なう。
本稿では,市販スマートウォッチの噛み込み重量を推定するための新しいアプローチを提案する。
私たちの公開データセットには、10人の参加者によるスマートウォッチ慣性データが含まれています。
提案手法は,食材を装填するのに要する時間などの抽出された行動特徴と慣性信号の統計的特徴を組み合わせ,噛み重量を推定するための支持ベクトル回帰モデルへの入力として機能する。
提案手法では, 平均絶対誤差(MAE)が3.99gである。
この性能を文脈的に評価するために,ベースラインモデルと比較して相対的なMAE差を測定する改良指標を導入する。
提案手法は17.41%の改善を示し, 適用された最先端技術は, 同じベースラインに対して-28.89%の性能を示した。
この研究で示された結果は、市販のスマートウォッチ慣性センサーだけで有意な噛み付き重量推定を抽出できる可能性を確立し、将来アクセス可能で非侵襲的な食事監視システムのための基盤を築き上げた。
関連論文リスト
- On Practical Aspects of Aggregation Defenses against Data Poisoning
Attacks [58.718697580177356]
悪意のあるトレーニングサンプルを持つディープラーニングモデルに対する攻撃は、データ中毒として知られている。
データ中毒に対する防衛戦略の最近の進歩は、認証された毒性の堅牢性を達成するためのアグリゲーション・スキームの有効性を強調している。
ここでは、Deep Partition Aggregation(ディープ・パーティション・アグリゲーション・アグリゲーション)、代表的アグリゲーション・ディフェンス(アグリゲーション・ディフェンス)に焦点を当て、効率、性能、堅牢性など、その実践的側面を評価する。
論文 参考訳（メタデータ） (2023-06-28T17:59:35Z) - Mutual Wasserstein Discrepancy Minimization for Sequential
Recommendation [82.0801585843835]
逐次リコメンデーションのためのMutual WasserStein差分最小化MSteinに基づく新しい自己教師型学習フレームワークを提案する。
また,ワッサーシュタイン離散度測定に基づく新しい学習損失を提案する。
論文 参考訳（メタデータ） (2023-01-28T13:38:48Z) - Propagating Variational Model Uncertainty for Bioacoustic Call Label
Smoothing [15.929064190849665]
ベイズニューラルネットワークが計算した予測不確実性信号を用いて、モデルが訓練している自己学習タスクの学習をガイドすることに焦点を当てる。
コストのかかるモンテカルロサンプリングを選ばず、近似的な隠れ分散をエンドツーエンドに伝播する。
損失計算における不確かさの明示的利用により, 変動モデルにより予測・校正性能が向上したことを示す。
論文 参考訳（メタデータ） (2022-10-19T13:04:26Z) - Monotonicity and Double Descent in Uncertainty Estimation with Gaussian
Processes [52.92110730286403]
限界確率はクロスバリデーションの指標を思い起こさせるべきであり、どちらもより大きな入力次元で劣化すべきである、と一般的に信じられている。
我々は,ハイパーパラメータをチューニングすることにより,入力次元と単調に改善できることを証明した。
また、クロスバリデーションの指標は、二重降下の特徴である質的に異なる挙動を示すことも証明した。
論文 参考訳（メタデータ） (2022-10-14T08:09:33Z) - Semi-Supervised Learning and Data Augmentation in Wearable-based
Momentary Stress Detection in the Wild [14.745523471054744]
本研究は、未ラベルのウェアラブルセンサデータを野生でのストレス検出に活用することを検討する。
まず生理的・行動的データにデータ拡張手法を適用し, 教師付きストレス検出モデルのロバスト性を向上させる。
ラベルのないデータシーケンスを活用するための半教師付き学習フレームワークを開発した。
論文 参考訳（メタデータ） (2022-02-22T01:10:02Z) - An algorithm-based multiple detection influence measure for high
dimensional regression using expectile [0.4999814847776096]
本稿では,アルゴリズムに基づく多段階多重検出手法を提案する。
データ中の望ましくない変数を識別し、キャプチャする3ステップのアルゴリズムである$asymMIP,$は2つの相補的な統計に基づく。
自閉症脳画像データ交換データセットへの本手法の適用により,脳の成熟度をよりバランスよく正確に予測することができた。
論文 参考訳（メタデータ） (2021-05-26T01:16:24Z) - Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle
Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。
私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。
提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
論文 参考訳（メタデータ） (2021-04-29T00:11:32Z) - 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) - Accurate and Robust Feature Importance Estimation under Distribution
Shifts [49.58991359544005]
PRoFILEは、新しい特徴重要度推定法である。
忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
論文 参考訳（メタデータ） (2020-09-30T05:29:01Z) - Evaluating Prediction-Time Batch Normalization for Robustness under
Covariate Shift [81.74795324629712]
我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。
予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。
この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
論文 参考訳（メタデータ） (2020-06-19T05:08:43Z) - 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。