Estimation of Food Intake Quantity Using Inertial Signals from Smartwatches Dataset

该数据集包含智能手表在半控制条件下收集的惯性数据，用于估计每次咬合的重量，包括十名参与者的手动注释的咬合开始和结束时间以及智能秤的相应重量。

This dataset contains inertial data collected by smartwatches under semi-controlled conditions, intended for estimating the weight of each individual bite. It encompasses manually annotated start and end timestamps of biting events from ten participants, along with the corresponding weight values measured by smart scales.

原始信息汇总

数据集概述

数据集名称

Data Collection Applications

数据集简介

这是一套用于实时捕获惯性、音频和重量数据的Android + Wear OS应用程序。这些工具作为 Aristotle University of Thessaloniki 电气和计算机工程系的 Multimedia Understanding Group 实验室下的论文的一部分而开发。

论文信息

• 论文标题：Estimation of Food Intake Quantity Using Inertial Signals from Smartwatches
• 论文摘要：准确监测饮食习惯对于管理肥胖和饮食失调（如暴食症）至关重要。现有方法依赖于多个或专门的传感器，这极大地损害了依从性，以及数据的质量和连续性。本文介绍了一种新颖的方法，通过商业智能手表估计一口食物的重量。我们公开的数据库包含了来自十名参与者的智能手表惯性数据，以及手动注释的每次咬的开始和结束时间，以及相应的智能秤重量，处于半控制条件下。
• 论文性能：在留一法交叉验证方案下，该方法实现了每咬3.99克的平均绝对误差（MAE），并展示了相对于基线模型的17.41%的改进。

数据集构成

• 智能手机应用程序（app文件夹）：协调数据收集，管理与服务器的通信，是收集过程的主要交互点。
• 智能手表应用程序（wear文件夹）：收集高频加速度计和陀螺仪数据（约52Hz），分割文件，监控电池，确保与手机的可靠同步。
• 传感器捕获模块（sensorcapture文件夹）：集中传感器处理逻辑，具有健壮的数据收集、存储和检索例程。
• Mandometer（遗留，mandometer文件夹）：集成蓝牙秤进行可选重量测量。代码从较老的项目中调整和集成。
• 音频（audio文件夹）：处理音频捕获逻辑。

关键特性

1. 多设备集成：通过蓝牙低能耗实现无缝数据交换，自动重连和ACK-based重试机制。
2. 高频感知：Wear OS上的原始IMU数据（约51.56Hz），文件分割以便于处理。
3. 数据可靠性与存储：每个设备上的本地Room数据库用于安全缓存和状态跟踪，时间戳和唯一命名防止重复，基于Retrofit的-server上传与状态跟踪。
4. 能效：后台服务，部分唤醒锁，自定义自适应电池逻辑，最小化手表UI减少CPU负载。
5. 远程控制：从手机启动/停止手表录音，可选Mandometer配对以捕获重量数据。

技术与方法

• 多线程与并发：执行器、信号量、锁用于并行任务。
• 网络：蓝牙低能耗（BLE），Retrofit用于服务器通信，DataLayerAPI用于双边应用通信。
• 数据库：Room用于本地缓存和元数据跟踪。
• 传感器与硬件：加速度计、陀螺仪、蓝牙秤。
• Android生命周期与组件：活动、服务、工作者、广播接收器。
• 通知与UI：最小化手表显示，手机UI使用ConstraintLayout。
• 测试与调试：日志记录、手表电池监控、重试策略。

致谢

该项目在 Aristotle University of Thessaloniki 的 Multimedia Understanding Group 实验室下完成。音频捕获逻辑和智能手机应用程序的核心部分由同事Georgios Tsakiridis为其论文创建。

搜集汇总

数据集介绍

构建方式

该数据集的构建基于一套Android + Wear OS的应用程序，实现了实时捕获惯性、音频和重量数据。通过特制的应用程序，从智能手表中收集了10名参与者在半控制条件下的惯性数据，以及通过智能秤手动标注的每次咬合的起始和结束时间及其相应的重量。收集的数据经过精细的标注，同步信号和标记了342次咬合事件，为后续的特征提取和模型训练提供了坚实基础。

特点

数据集的特点在于其创新性地使用商业智能手表的惯性传感器数据来估计咬合重量。它包含高频率的加速度计和陀螺仪数据，以及通过精心设计的微运动检测算法提取的行为特征和统计特征。此外，数据集还具备多设备集成、高频率传感、数据可靠性与存储、电源效率以及远程控制等关键特性，使其在食品摄入跟踪领域具有显著的应用价值。

使用方法

使用该数据集时，用户需关注智能手表和智能手机应用程序的集成，通过这些应用程序进行数据收集和管理。数据集提供了丰富的工具和方法，包括多线程处理、网络通信、数据库管理、传感器硬件集成、生命周期管理、用户界面设计以及测试调试策略，确保用户能够有效地进行数据分析和模型训练。

背景与挑战

背景概述

Estimation of Food Intake Quantity Using Inertial Signals from Smartwatches数据集是在亚里士多德大学萨洛尼卡电子与计算机工程系的Multimedia Understanding Group实验室中，作为一项硕士论文研究而创建的。该数据集旨在通过智能手表的惯性信号来估算食物摄入量，对于管理肥胖症和饮食失调等健康问题具有重要意义。研究核心问题是如何利用智能手表的惯性数据，无需依赖多种或专用传感器，实现对食物摄入量的准确监测。该数据集由10名参与者在半控制条件下收集的智能手表惯性数据组成，包含手动注释的每次咬合的起始和结束时间及其相应重量。此数据集的创建不仅推动了饮食习惯监测领域的研究，也为开发更便捷、非侵入式的饮食监测系统奠定了基础。

当前挑战

该数据集面临的挑战主要涉及领域问题的解决和构建过程中的困难。领域问题方面，如何准确估算每次咬合的食物重量，需要克服信号噪声、个体差异等因素。构建过程中的挑战包括：1) 实时捕获并处理高频率的惯性数据，保持数据的高可靠性和低延迟；2) 在有限的智能手表硬件资源下，实现高效的算法和数据处理；3) 精确标注数据，确保模型训练的有效性和准确性；4) 在保证隐私和安全的前提下，实现多设备间的数据同步和传输。

常用场景

经典使用场景

在智能健康监测领域，Estimation of Food Intake Quantity Using Inertial Signals from Smartwatches Dataset数据集的应用显得尤为重要。该数据集通过智能手表收集的惯性信号，对食物摄入量进行估计，其经典使用场景在于为用户提供一种非侵入性的饮食习惯监测方法。

衍生相关工作

基于该数据集，研究者们已经开展了一系列相关工作，包括进一步优化咀嚼重量估计模型、探索新的特征提取方法以及将此技术应用于其他健康监测场景。这些衍生工作不仅推动了相关技术的发展，也为智能健康管理领域带来了新的研究方向和应用前景。

数据集最近研究

最新研究方向

在精准监测饮食习惯对于管理肥胖和饮食失调等疾病至关重要的当下，本数据集通过智能手表的惯性信号来估算食物摄入量，开辟了非侵入性、易于获取的饮食监测新途径。研究团队开发了一套全面的数据收集系统，不仅包含智能手机和智能手表的集成应用，还实现了对23名参与者在9.64小时内的饮食习惯的细致记录与分析。该研究采用支持向量回归模型，结合行为特征和惯性信号的统计特征，成功估算出每次咀嚼的重量，为单一设备估算咀嚼重量提供了可行性研究，为未来的饮食跟踪研究奠定了基础。