基于智能手表惯性信号的食物摄入量估计
信号处理
2025-12-09 v2 机器学习
摘要
准确监测饮食行为对于管理肥胖和乃至肥厌症（bulimia nervosa）等饮食障碍至关重要。然而现有方法依赖多个和/或专业化的传感器，这严重影响依从性，从而最终影响数据质量和连续性。本文介绍了一种 novel 方法，用于从商业智能手表估计一次进食的重量。我们公开的数据集包含来自10名参与者的智能手表惯性数据，包含手动标注的每口进食的开始和结束时间以及来自智能秤的对应重量，在半受控环境下收集。该方法结合了从提取的行为特征（如装取�具到食物的时间），与惯性信号的统计特征，这些特征作为支持向量回归模型的输入，用于估计进食重量。在离散被试交叉验证方案下，我们的方法在每次进食上的平均绝对误差（MAE）为3.99克。为了 contextualize 这种性能，我们引入改进指标，用于衡量与基线模型相比的相对MAE差异。我们的方法显示相对于该基线模型实现了17.41%的改进，而所采纳的 state-of-the-art 方法相对于该基线模型显示-28.89%的性能。本文所呈现的结果确立了仅从商业智能手表惯性传感器中提取有意义的进食重量估计的可行性，为未来可访问、非侵入性的饮食监测系统奠定了基础。
引用
@article{arxiv.2502.06649,
title = {Estimation of Food Intake Quantity Using Inertial Signals from Smartwatches},
author = {Ioannis Levi and Konstantinos Kyritsis and Vasileios Papapanagiotou and Georgios Tsakiridis and Anastasios Delopoulos},
journal= {arXiv preprint arXiv:2502.06649},
year = {2025}
}
备注
Accepted for presentation at the 47th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), 2025, Copenhagen, Denmark