Automatic and objective measurement of eating behavior using wrist mounted inertial sensors

Abstract

The increased worldwide prevalence of obesity has sparked the interest of the scientific community towards tools that can, objectively and automatically, monitor human eating behavior. In spite of the study of obesity being in the spotlight, such tools can also be used to study eating disorders (eg anorexia nervosa) or provide a personalized monitoring platform for patients or athletes. Moreover, Parkinson’s disease is a neurodegenerative disorder with both motor and non-motor symptoms. Despite the progressive nature of Parkinson’s disease, early diagnosis, tracking the disease’s natural history and measuring the drug response are factors that play a major role in determining the quality of life of the affected individual. Apart from the common motor symptoms, tremor at rest, rigidity and bradykinesia, studies suggest that Parkinson’s disease is associated with disturbances in eating behavior and energy intake. The thesis presented herein deals with the topic of monitoring the human eating behavior in an automatic and objective fashion using the data from wrist-mounted inertial measurement unit sensors. To achieve this, we first propose an eating behavior model that is based on three fundamental components, namely the meal, the food intake cycle and the wrist micromovement. Using the adopted model, we present signal processing and machine learning algorithms capable of calculating important parameters of eating behavior such as the frequency of meals during the day, the average meal duration, the number of food intake cycles during a meal, the eating rate and the time required to place a quantity of food from the plate into the mouth.

Ο αυξημένος παγκόσμιος επιπολασμός της παχυσαρκίας έχει προκαλέσει το ενδιαφέρον της επιστημονικής κοινότητας για εργαλεία που μπορούν, με αντικειμενικό και αυτόματο τρόπο, να παρακολουθήσουν την ανθρώπινη διατροφική συμπεριφορά. Παρά το γεγονός ότι η μελέτη της παχυσαρκίας βρίσκεται στο επίκεντρο, τέτοια εργαλεία μπορούν επίσης να χρησιμοποιηθούν για τη μελέτη διατροφικών διαταραχών (πχ νευρική ανορεξία) ή να παρέχουν μια εξατομικευμένη πλατφόρμα παρακολούθησης για ασθενείς ή αθλητές. Επιπλέον, η νόσος του Πάρκινσον είναι μια νευροεκφυλιστική διαταραχή με κινητικά και μη-κινητικά συμπτώματα. Παρά την προοδευτική φύση της νόσου του Πάρκινσον, η έγκαιρη διάγνωση, η παρακολούθηση του ιστορικού νόσησης και η μέτρηση της ανταπόκρισης στην φαρμακευτική αγωγή είναι παράγοντες που παίζουν σημαντικό ρόλο στον καθορισμό της ποιότητας ζωής του προσβεβλημένου ατόμου. Εκτός από τα κινητικά συμπτώματα, δηλαδή τον τρόμο ηρεμίας, την ακαμψία και τη βραδυκινησία, οι μελέτες δείχνουν ότι η νόσος του Πάρκινσον σχετίζεται με διαταραχές στη διατροφική συμπεριφορά και την πρόσληψη ενέργειας. Η παρούσα διατριβή πραγματεύεται το θέμα της παρακολούθησης της ανθρώπινης διατροφικής συμπεριφοράς με αυτόματο και αντικειμενικό τρόπο χρησιμοποιώντας δεδομένα από αδρανειακούς αισθητήρες που τοποθετούνται γύρω από τον καρπό. Για να το πετύχουμε αυτό, αρχικά προτείνουμε ένα μοντέλο διατροφικής συμπεριφοράς που βασίζεται σε τρία θεμελιώδη συστατικά, δηλαδή το γεύμα, τον κύκλο λήψης τροφής και τη μικροκίνηση του καρπού. Κάνοντας χρήση του παραπάνω μοντέλου, προτείνουμε αλγορίθμους ψηφιακής επεξεργασίας σήματος και μηχανικής μάθησης που στοχεύουν στον υπολογισμό σημαντικών παραμέτρων διατροφικής συμπεριφοράς, πχ τη συχνότητα των γευμάτων κατά τη διάρκεια της ημέρας, τη μέση διάρκεια ενός γεύματος, τον αριθμό κύκλων λήψης τροφής κατά τη διάρκεια ενός γεύματος, τον ρυθμό λήψης τροφής και τον χρόνο που απαιτείται για την τοποθέτηση μιας ποσότητας φαγητού από το πιάτο στο στόμα.