Comportamentul copiilor în timp ce mănâncă, analizat de inteligența artificială, pentru a stabili riscul de obezitate/ A fost studiat felul în care copiii mușcă din alimente și s-a concluzionat că riscul de obezitate este crescut la cei care iau îmbucături mari și mănâncă repede

Modul de a manca al copiilor analizt de inteligenta artificiala pentru a stabili riscul de obezitate Sursa foto: Pexels

Studiul, numit ByteTrack, detectarea numărului și frecvenței mușcăturilor, folosind videoclipuri cu copii în timpul meselor.

Urmărește mai jos producțiile video ale G4Food:

- articolul continuă mai jos -

Învațând inteligența artificială să observe fiecare mușcătură pe care o ia un copil, oamenii de știință dezvăluie tipare ascunse de alimentație care ar putea transforma modul în care prevenim obezitatea – pornind de la masa de seară și dincolo de aceasta, potrivit news-medical.net.

Comportamentele alimentare oferă indicii despre riscul de obezitate

Un nou studiu publicat în jurnalul Frontiers in Nutrition prezintă un sistem bazat pe deep learning (învățare profundă) care analizează comportamentul de mușcare la copii, folosind videoclipuri care înregistrează mesele acestora.

Microstructura mesei descrie diverse comportamente care apar în timpul unei mese: mușcături, mestecat, ritmul și dimensiunea mușcăturilor. Analizarea microstructurii mesei ajută la identificarea tiparelor individuale de alimentație și a variațiilor acestora, în funcție de tipul alimentelor, dezvăluind mecanismele care stau la baza tulburărilor alimentare și obezității.

Inteligența artificială a studiat cum mănâncă micuții care riscă să dezvolte obezitate?

Copiii care riscă să dezvolte obezitate au tendința de a lua mușcături mai mari și de a mânca mai repede – ambele comportamente cresc cantitatea totală de mâncare consumată. Intervențiile preventive ar putea fi personalizate prin observarea microstructurii meselor, oferind un mod inovator de a combate această epidemie de obezitate.

Standardul de aur în analizarea comportamentului alimentar este codificarea observațională manuală, care implică vizionarea manuală a videoclipurilor cu copii în timp ce mănâncă și adăugarea de adnotări cu timpii corespunzători. Deși este foarte precisă, această metodă este consumatoare de timp, costisitoare și solicitantă.

În comparație, sistemele automate de detectare a mușcăturilor ar putea fi mai eficiente și scalabile. Totuși, acestea folosesc în principal date de la adulți, bazate pe senzori acustici și accelerometri, ceea ce poate duce la interpretări greșite (de exemplu, confundarea gesturilor cu mușcăturile).

Diferitele metode de a mânca (cu lingura, bețișoare sau cu mâna) complică detectarea automatizată, iar variabilitatea mare a comportamentului face dificilă aplicarea generală a acestor sisteme.

De aceea, s-au dezvoltat platforme automate pentru detectarea mușcăturilor, folosind criterii bazate pe poziționare (distanța mână-față, deschiderea gurii) sau metode de optical flow pentru a urmări mișcările în cadre succesive. Totuși, acestea nu pot distinge în mod fiabil comportamentele de alimentație de alte mișcări, mai ales la copii.

Inteligența artificială a analizat 242 de videoclipuri cu mesele ale copiilor

ByteTrack este un sistem bazat pe deep learning care folosește videoclipuri cu mese ale copiilor pentru a detecta numărul și frecvența mușcăturilor. A fost antrenat pe 242 de videoclipuri (1440 de minute) înregistrate de la 94 de copii cu vârste între 7 și 9 ani, fiecare având patru sesiuni de masă la distanță de o săptămână.

Un subset de 52 de videoclipuri a fost folosit pentru antrenarea componentei de detecție facială a sistemului. Videoclipurile au fost augmentate pentru a introduce condiții variabile asemănătoare cu cele din lumea reală.

În timpul înregistrărilor, copiii au mâncat patru mese identice, dar în cantități diferite. Sistemul funcționează în două etape:

Detectarea feței – sistemul se fixează pe fața copilului, ignorând alte persoane sau obiecte. S-au folosit două sisteme: unul pentru recunoaștere rapidă, altul pentru situații dificile (când fața e parțial blocată).

Detectarea mușcăturii – folosind o combinație de rețele – CNN (EfficientNet) și  LSTM – ce permite distingerea mușcăturilor de alte mișcări.

Testele ByteTrack au arătat o precizie și acuratețe ridicate, cu rate de reamintire și precizie de peste 98% în etapa de detecție facial și de peste 70% în detectarea mușcăturilor.

S-a observat o tendință de supraestimare a numărului de mușcături la începutul mesei și subestimare în a doua parte. Explicațiile includ mușcatul rapid sau mișcările care blochează vederea gurii.

ByteTrack reflectă mai bine situațiile din lumea reală, deoarece în 80% dintre videoclipuri erau prezente și alte persoane în jurul copilului, simulând un mediu natural de masă.

În viitor, camerele smartphone ar putea fi folosite împreună cu platforme ca ByteTrack, dacă se va putea asigura protejarea datelor. Tehnologia economisește timp și efort și elimină erorile umane cauzate de oboseală sau lipsa de experiență.

Studiul dovedește fezabilitatea unui instrument automat

Acest studiu pilot demonstrează fezabilitatea unui instrument automatizat, scalabil, pentru detectarea mușcăturilor în mesele copiilor.

ByteTrack este primul sistem automatizat dezvoltat special pentru analiza comportamentului alimentar pediatric, iar succesul său moderat este încurajator.

Limitările metodei sunt evidente, și sunt necesare noi tehnici pentru a crește fiabilitatea în prezența obstrucțiilor sau mișcărilor intense. Viitoare cercetări sunt esențiale pentru a face platforma mai robustă, aplicabilă pe scară largă, în diferite populații și condiții de înregistrare.

 

Lasă un răspuns

Adresa ta de email nu va fi publicată. Câmpurile obligatorii sunt marcate cu *