訂閱
糾錯(cuò)
加入自媒體

AI在可穿戴設(shè)備上對(duì)飲食評(píng)估的幫助

飲食評(píng)估可以幫助人們監(jiān)督管理飲食,幫助人們科學(xué)攝入。近年來,智能手機(jī)和一些可穿戴設(shè)備可以達(dá)到一定的效果,但無論從便捷度、隱私性、數(shù)據(jù)負(fù)擔(dān)上,都有一定的缺陷。AI圖像分類不僅能有效解決這些問題,還可以在飲食數(shù)據(jù)庫(kù)中檢索出有關(guān)食物營(yíng)養(yǎng)和能量含量的信息。

本文編譯自公共健康營(yíng)養(yǎng)近期的一篇同行審閱文章,由Thomas等學(xué)者共同執(zhí)筆。

算力觀點(diǎn)

人工智能技術(shù)可以從低像素、可穿戴相機(jī)中獲取真實(shí)圖像,從中自動(dòng)檢測(cè)食物,F(xiàn)階段數(shù)據(jù)的準(zhǔn)確度也十分高,同時(shí)這個(gè)技術(shù)減少了數(shù)據(jù)處理負(fù)擔(dān)和隱私問題,對(duì)研究飲食評(píng)估等應(yīng)用方面打下了堅(jiān)實(shí)的基礎(chǔ)。

AI食物圖像分類

近年來,通過智能手機(jī)拍攝飲食照片被用作為一種新的飲食評(píng)估方式。每盤食物在食用前后都必須主動(dòng)拍照,這既不方便又不實(shí)用。這種方法也可能因?yàn)榕恼者^程而破壞正常的飲食習(xí)慣。因此,很難用這種方法進(jìn)行長(zhǎng)期的飲食評(píng)估。

由于可穿戴相機(jī)能夠連續(xù)、自動(dòng)地記錄佩戴者面前的場(chǎng)景,人們借此開發(fā)在飲食研究方面的潛在應(yīng)用,如The SenseCAM (由微軟開發(fā)),the ebutton (由原文作者開發(fā))。研究表明,借助可穿戴的照相機(jī),不僅可以評(píng)估食物攝入量,而且可以研究飲食環(huán)境以及行為。然而,這樣的方法既沒有減少圖像審查的負(fù)擔(dān),也沒有減少人工處理引起的隱私問題。因此,運(yùn)用AI食物圖像分類從采集圖像中檢測(cè)食物的想法應(yīng)運(yùn)而生。

兩種數(shù)據(jù)集在食物圖像分類上的驗(yàn)證

1. Food-5k

Food-5K是一個(gè)公開數(shù)據(jù)集。原作者使用這個(gè)數(shù)據(jù)集來比較研究算法與現(xiàn)有研究的性能。在這組數(shù)據(jù)中,圖像是由智能手機(jī)和手持相機(jī)而不是可穿戴設(shè)備采集的,大多數(shù)食物圖像只包含一種食物,該數(shù)據(jù)集的分類相對(duì)容易。

對(duì)評(píng)估集的分類結(jié)果顯示在表1中,使用不同的相似性度量(jaccard和dice)。標(biāo)簽字典是n 761的訓(xùn)練數(shù)據(jù)集構(gòu)建的。由表1可以看出,當(dāng)閾值設(shè)置為3(即k=3)時(shí),用骰子相似性度量,總體準(zhǔn)確度、靈敏度、特異性和精密度分別為98.7%、98.2%、99.2%和99.2%。我們注意到,錯(cuò)誤分類的圖像大多是困難的情況,即使是人類執(zhí)行任務(wù)也很困難。

表1 (圖片來源:PHN)

2. ebutton數(shù)據(jù)集:食品/非食品數(shù)據(jù)集

從電子按鈕(包含一個(gè)微型相機(jī)和一個(gè)運(yùn)動(dòng)傳感器)中采集的圖像中選擇了3900幅真實(shí)圖像。這些圖像的分辨率為640像素×480像素。在匹茲堡大學(xué)進(jìn)行的兩項(xiàng)實(shí)地研究中,12名參與者獲得了一半的圖像,包括950張食物圖像和1000張非食物圖像。另一半主要由18名實(shí)驗(yàn)室成員和合作者在日常生活或旅行中獲得。

在這個(gè)實(shí)驗(yàn)中,首先從隨機(jī)選擇的電子按鈕圖像中建立了一本標(biāo)簽字典,包括不同的日常活動(dòng)。這些圖片中只有很小的一部分包含與食物相關(guān)的內(nèi)容,因此本標(biāo)簽字典中只包含一些與食物相關(guān)的標(biāo)簽。為了使標(biāo)簽字典更適合研究,原作者建立了一本1253個(gè)標(biāo)簽的字典。由于這兩組數(shù)據(jù)中的圖像都是由不同的人單獨(dú)獲取的,因此進(jìn)行了交叉數(shù)據(jù)集評(píng)估。結(jié)果如圖一所示。可以看出,閾值k是決定分類結(jié)果的一個(gè)重要因素。當(dāng)k=2時(shí),敏感性和特異性均較高。這兩種情況的總體準(zhǔn)確度測(cè)量值分別為91.5%和86.4%。

圖一(圖片來源:PHN)

1  2  下一頁(yè)>  
聲明: 本文由入駐維科號(hào)的作者撰寫,觀點(diǎn)僅代表作者本人,不代表OFweek立場(chǎng)。如有侵權(quán)或其他問題,請(qǐng)聯(lián)系舉報(bào)。

發(fā)表評(píng)論

0條評(píng)論,0人參與

請(qǐng)輸入評(píng)論內(nèi)容...

請(qǐng)輸入評(píng)論/評(píng)論長(zhǎng)度6~500個(gè)字

您提交的評(píng)論過于頻繁,請(qǐng)輸入驗(yàn)證碼繼續(xù)

  • 看不清,點(diǎn)擊換一張  刷新

暫無評(píng)論

暫無評(píng)論

人工智能 獵頭職位 更多
掃碼關(guān)注公眾號(hào)
OFweek人工智能網(wǎng)
獲取更多精彩內(nèi)容
文章糾錯(cuò)
x
*文字標(biāo)題:
*糾錯(cuò)內(nèi)容:
聯(lián)系郵箱:
*驗(yàn) 證 碼:

粵公網(wǎng)安備 44030502002758號(hào)