دانلود مقاله ISI انگلیسی شماره 131509
ترجمه فارسی عنوان مقاله

تشخیص خوردن غذای مبتنی بر الکترومیوگرافی بدون دخالت در زندگی روزمره: یک ابزار جدید برای رفع کم آگاهی؟

عنوان انگلیسی
Unobtrusive electromyography-based eating detection in daily life: A new tool to address underreporting?
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی
131509 2017 6 صفحه PDF
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Appetite, Volume 118, 1 November 2017, Pages 168-173

ترجمه چکیده
تحقیق در مورد رفتار خوردن توسط بیش از حد وابسته به خود گزارش محدود شده است. به خوبی شناخته شده است که مصرف غذای واقعی اغلب گزارش نشده است و احتمال دارد این مشکل در جمعیت آسیب پذیر بیش از حد نمایان شود. در این تحقیق روش تشخیص جویدن مورد آزمایش قرار گرفت که می تواند روش های گزارش خود را ارائه دهد. یک نمونه آموزش دیده از 15 شرکت کننده (اطلاعات قابل استفاده از 14 شرکت کننده) در طول یک روز و یک شب در حین حمل یک دستگاه ضبط، سوابق غذا خوردن دقیق را نگه داشت. سیگنالهای ثبت شده از سنسورهای الکترومیوگرافی که به صورت غیر مستقیم از گوش راست قرار داده شده بودند، برای توسعه الگوریتم تشخیص جویدن مورد استفاده قرار گرفتند. نتایج نشان داد که خوردن می تواند با دقت بالا (حساسیت، ویژگی> 90٪) در مقایسه با خود گزارش شده آموزش دیده تشخیص داده شود. بنابراین تشخیص غذا بر اساس الکترومیوگرافی ممکن است به لحاظ مفیدی در مطالعات مصرف مواد غذایی در افراد سالم و آسیب پذیر تکمیل شود.
پیش نمایش مقاله
پیش نمایش مقاله  تشخیص خوردن غذای مبتنی بر الکترومیوگرافی بدون دخالت در زندگی روزمره: یک ابزار جدید برای رفع کم آگاهی؟

چکیده انگلیسی

Research on eating behavior is limited by an overreliance on self-report. It is well known that actual food intake is frequently underreported, and it is likely that this problem is overrepresented in vulnerable populations. The present research tested a chewing detection method that could assist self-report methods. A trained sample of 15 participants (usable data of 14 participants) kept detailed eating records during one day and one night while carrying a recording device. Signals recorded from electromyography sensors unobtrusively placed behind the right ear were used to develop a chewing detection algorithm. Results showed that eating could be detected with high accuracy (sensitivity, specificity >90%) compared to trained self-report. Thus, electromyography-based eating detection might usefully complement future food intake studies in healthy and vulnerable populations.