Modeling and automatically measuring human eating behavior

Η παρούσα διατριβή προτείνει μοντέλα και αλγόριθμους οι οποίοι αξιοποιούν σήματα από φορητούς αισθητήρες με στόχο την αντικειμενική ποσοτικοποίηση της ανθρώπινης, σχετικής με βρώση συμπεριφοράς. Εστιάζουμε σε δύο συσκευές οι οποίοι καταγράφουν διαφορετικού τύπου πληροφορία και προτείνουμε αλγόριθμους για κάθε αισθητήρα οι οποίοι εξάγουν συγκεκριμένους συμπεριφορικούς δείκτες, και εστιάζουμε κυρίως στη γενίκευση κάτω από διαφορετικές συνθήκες όπως θορυβώδες περιβάλλον και ρεαλιστικές συνθήκες. Η πρώτη συσκευή είναι ένα πρωτότυπο μοντέλο και περιλαμβάνει μικρόφωνο, και φωτοπλυθησμογράφο τοποθετημένους στο αυτί, και τρισδιάστατο επιταγχυνσιόμετρο τοποθετημένο στη ζώνη. Παρουσιάζεται μία ανάλυση των ήχων μάσησης με έμφαση στη fractal διάστασή τους, και προτείνονται αλγόριθμοι βασισμένοι στην εξαγωγή χαρακτηριστικών και ταξινομητές τύπου support vector machine, καθώς και συνελικτικά νευρωνικά δίκτυα. Επίσης προτείνουμε (για πρώτη φόρα στη βιβλιογραφία) τη χρήση φωτοπλυθησμογράφου για την ανίχνευση μάσησης, τόσο αυτόνομα όσο και σε συνδυασμό με το μικρόφωνο. Προτείνονται αλγόριθμοι ανίχνευσης μάσησης, ο καλύτερος εκ των οποίων χρησιμοποιεί ταξινομητές τύπου support vector machine με χαρακτηριστικά φάσματος, και μπορεί να συνδυαστεί με τον αντίστοιχο αλγόριθμο ήχου, βελτιώνοντας την επίδοση της ανίχνευσης. Επίσης, η χρήση του επιταγχυνσιομέτρου μπορεί να βελτιώσει ακόμα περισσότερο την επίδοση (0.76 F1-score για leave-one-subject-out πειράματα σε ένα μεγάλο, ρεαλιστικό σύνολο δεδομένων). Το μικρόφωνο χρησιμοποιείται επίσης για την αναγνώριση χαρακτηριστικών τροφής όπως πχ τραγανότητα. Εισάγουμε το πρόβλημα ως ένα πρόβλημα πολλαπλών ετικετών όπου κάθε ετικέτα αντιστοιχεί σε ένα χαρακτηριστικό και προτείνουμε αλγόριθμούς αναγνώρισης τόσο σε επίπεδο μασήματος όσο και σε μπουκιάς. Τα πειραματικά αποτελέσματα δείχνουν ότι μπορούμε να γενικεύσουμε τόσο σε νέους χρήστες όσο και σε νέους τύπους τροφής με μεγάλη ακρίβεια σε κάποιες περιπτώσεις (0.92 βεβαρυμμένη ακρίβεια ανά μπουκιά για leave-one-subject-out πείραμα). Η δεύτερη συσκευή καταγράφει το βάρος της τροφής που βρίσκεται μέσα σε ένα πιάτο, καθ’ όλη τη διάρκεια ενός γεύματος. Από τέτοιου τύπου καταγραφές μπορούν να εξαχθούν δείκτες που αφορούν το γεύμα, όπως πχ ο ρυθμός πρόσληψης τροφής. Προτείνουμε δύο αλγόριθμους. Ο πρώτος εντοπίζει χρονικές στιγμές κατά τις οποίες προστίθεται επιπλέον ποσότητα φαγητού, καθώς κατά τις στιγμές αυτές αλλοιώνεται η γενικώς φθίνουσα τάση του σήματος. Στη συνέχεια, το καταγεγραμμένο σήμα επεξεργάζεται ώστε να αναιρεθεί η επίδραση της πρόσθεσης φαγητού στο σήμα, και στη συνέχεια εντοπίζονται μπουκιές από τις μικρές πτώσεις στο καταγραφόμενο βάρος. Ο δεύτερος αλγόριθμος μοντελοποιεί την ανθρώπινη συμπεριφορά κατά τη διάρκεια ενός γεύματος με τη χρήση μίας γραμματικής χωρίς συμφραζόμενα. Κάθε γεύμα αντιστοιχεί σε μία συμβολοσειρά των τελικών συμβόλων της γραμματικής, ενώ κάθε ανθρώπινη δράση (όπως μπουκιά, πρόσθεση φαγητού, κλπ) αντιστοιχεί σε ένα μη-τελικό σύμβολο. Σε κάθε συμβολοσειρά αντιστοιχούν πολλαπλά δένδρα, και προτείνουμε έναν τρόπο εκτίμησης της πιθανοφάνειας κάθε δένδρου ώστε να επιλέξουμε το πιο πιθανοφανές. Από το πιο πιθανοφανές δένδρο εξάγονται οι μπουκιές και στη συνέχεια οι συμπεριφορικοί δείκτες. Ο δεύτερος αλγόριθμος επιτυγχάνει τα χαμηλότερα μέσα απόλυτα σφάλματα ανά δείκτη (σε σχέση και με άλλους αλγόριθμους της βιβλιογραφίας), πχ 24 γραμμάρια για το συνολικό βάρος του γεύματος, και 1 λεπτό για τη συνολική διάρκεια.