基于自由生活腕戴式可穿戴数据的饮食事件检测的通用框架

准确评估饮食行为对于理解和管理饮食失调、肥胖和糖尿病等疾病至关重要。基于可穿戴设备的食物摄入检测已显示出相当大的前景；然而，大多数现有方法使用单一数据集进行内部验证来训练和评估，该数据集具有固定的传感器方向和已知的佩戴手，这限制了它们在现实世界环境中的泛化能力。此外，许多现有方法依赖加速度计（acc）和陀螺仪（gyro）信号来实现强大的性能。然而，由于电池限制，在一些实际部署中可能无法获得陀螺仪测量值，并且当仅使用加速度计数据时，性能通常会下降。我们提出了一个用于方向不变饮食事件检测的通用框架，其中包含一个acc2gyro模块，以提高仅使用加速度计场景下的性能。该框架使用细粒度的腕戴式数据集进行训练，并在三个异构数据集上进行了外部验证：Clemson All-Day (CAD)和Capture-24数据集，以及Physio-ED（一个从饮食失调个体收集的数据集）。在外部评估中，尽管传感器模态、佩戴手、参与者群体和注释协议存在显著差异，所提出的框架仍表现出稳健的性能。具体来说，该框架在CAD、Capture-24和Physio-ED上分别实现了0.751、0.592和0.793的F1分数，其中CAD性能超过了最近仅使用内部验证进行评估的最先进方法。这项研究提供了在饮食失调人群中进行饮食事件检测的首次外部验证。此外，acc2gyro模块提高了仅使用加速度计场景下的性能。这些发现证明了方向不变的可穿戴传感在可扩展和临床适用的饮食行为评估方面的潜力。