基于自我中心摄像头的智能被动食物摄入评估系统

营养不良是中低收入国家（LMICs）的一个主要公共卫生问题。了解社区、家庭和个体的食物与营养素摄入对于制定卫生政策与干预措施至关重要。为简化大规模膳食评估流程，我们提议通过自我中心摄像头实现一种智能被动食物摄入评估系统，专门面向加纳与乌干达的家庭。首先设计算法以去除冗余图像，从而最小化存储内存。在运行时，应用基于深度学习的语义分割来识别多种食物类型，并提取新设计的手工特征以进一步监测已消耗食物重量。我们开展了综合实验，在模拟独特LMIC条件、由加纳与肯尼亚裔参与者食用常见加纳/肯亚菜肴的设置下捕获的实地数据集上验证我们的方法。为证明有效性，本研究邀请了经验丰富的营养师进行视觉份量估计，并将其预测与我们所提方法比较。 promising的结果表明，我们的方法能够可靠监测食物摄入并就用户饮食行为给出反馈，为营养师常规膳食评估提供指导。