
-
生物通官微
陪你抓住生命科技
跳动的脉搏
利用智能可穿戴设备实现饮食评估:一种用于精准营养的被动式、可扩展方法
《Proceedings of the Nutrition Society》:Enabling dietary assessment with smart wearables: a passive, scalable approach for precision nutrition
【字体: 大 中 小 】 时间:2026年06月09日 来源:Proceedings of the Nutrition Society 7.1
编辑推荐:
摘要 该内容不支持核心分享和HTML查看功能。不过,由于您有权限访问此内容,可通过“保存PDF”按钮获取完整的PDF版本。 自我报告的饮食评估长期以来一直是推动精准营养领域发展的限制因素。这主要是由于存在未记录的进食情况、回忆偏差以及食物份量估算错误等问题(1)。我们开发了一套系
自我报告的饮食评估长期以来一直是推动精准营养领域发展的限制因素。这主要是由于存在未记录的进食情况、回忆偏差以及食物份量估算错误等问题(1)。我们开发了一套系统,利用定制的可穿戴摄像头以及具备推理能力的大规模视觉语言模型,构建出全自动的流程,以实现可扩展且客观的饮食评估。此类方法不仅能减轻用户负担,还能捕捉到通常会被忽略的短暂或偶发性进食情况,而大规模视觉语言模型的应用则有助于在不同环境中更准确地识别食物。然而,这类系统的可行性、隐私保护措施以及量化性能仍需进一步研究。本研究旨在评估基于大规模视觉语言模型的被动系统在现实环境中的表现,重点考察其准确捕捉和分析饮食摄入情况的能力。
我们在哈默史密斯医院和雷丁大学两个地点开展了可行性研究(2),共有30名英国参与者在清醒状态下佩戴安装在眼镜上的定制摄像头(采用STM32微控制器,配备128GB SD卡,可充电),同时食用两种经过严格控制的标准化饮食——其中一种符合英国健康饮食指南,另一种则不符合。每种饮食分别在四天的研究时间内食用,期间参与者一直留在研究场所,并食用研究团队提供的食物。模型输出结果会与营养师核实的参考菜单以及实际食用的食物份量进行对比。首先通过预处理流程对拍摄图像中的面部和屏幕进行模糊处理,以保护隐私。随后,基于大规模视觉语言模型的流程会执行三项任务:(i)提取进食事件;(ii)在不同环境中识别食物种类;(iii)结合容器、餐具和手的特征进行情境感知的份量估算,从而避免单目视觉下的尺寸判断误差(3)。那些没有拍摄到图像的进食时段会被排除在后续分析之外。
在八天的研究时间内,30名参与者(哈默史密斯15人,雷丁15人)通过可穿戴摄像头被动拍摄到的原始图像数量分别为208万张和215万张。经过隐私过滤和冗余帧删除后,两个地点分别保留了0.49%和0.46%的图像。总体而言,通过被动拍摄的图像识别食物种类的准确率为82%(95%置信区间为81%–84%)。在份量估算方面,食物的平均绝对误差为44.7克(95%置信区间为42.2克–47.3克),饮料的平均绝对误差为70.4毫升(95%置信区间为67.4毫升),这些数值都是与实际称量的食物份量相比得出的。
这项可行性研究为基于大规模视觉语言模型的被动式摄像头饮食监测方法提供了初步证据,也为其在现实环境中的应用奠定了基础。这些研究结果支持进一步在多个地点开展验证,纳入除识别率之外的其他指标(如能量和宏量营养素评估),并在不同场景(家庭 vs.户外)及不同群体中测试该系统的性能,从而在人群层面准确掌握营养摄入情况,进一步提升精准营养研究的水平。