Early Meal Detection Based on Abdominal Sound

Abstract

Denne oppgaven beskriver utvikling og implementasjon av en algoritme for måltidsdeteksjon basert på lyd fra magen. Målet er at en slik algoritme skal være en del av en automatisk insulinpumpe, også kalt en kunstig bukspyttkjertel. Insulinpumper brukes i dag av mange diabetespasienter og krever manuell dosering ved måltid. Å inkludere en algoritme for deteksjon av måltid vil være et viktig steg i arbeidet mot en kunstig bukspyttkjertel. Tidligere har kontinuerlig blodsukkermåling blitt brukt for å detektere måltid, men ettersom det tar tid før blodsukkeret stiger etter et måltid, vil deteksjonen ofte komme for sent. I denne oppgaven er lydopptak fra et stetoskop på magen brukt for å oppnå raskere måltidsdeteksjon.

Et eksisterende datasett med opptak fra én person ble brukt, samt fire nye opptak ble gjort på en ny forsøksperson. Algoritmen ble til slutt testet på 4 måltider fra hver av de to forsøkspersonene. Algoritmen utviklet i denne oppgaven består av en kombinasjon av preprosessering av lydsignal, signalbehandlingsteknikker for egenskapsuttrekking og mønstergjenkjenning for å klassifisere segmenter med lyd som enten måltid eller ingen måltid. To ulike sett med egenskaper av lydsignalene ble testet som inngang til nevralt nettverk for klassifisering. En grense ble satt for utgangen av nettverket, og dersom fire segmenter på rad oversteg denne verdien, ble et måltid markert.

Begge settene med egenskaper gav lovende resultat for måltidsdeteksjon, men bare det ene settet virket like bra på lydopptak fra begge forsøkspersonene. Generelt blir måltidene detektert etter bare 1-4 minutter med noen få falske positive resultat. Deteksjonen var generelt betydelig raskere enn måltidsdeteksjon fra blodsukkermåling. Forslag til forbedring av deteksjonsalgoritmen, samt viktige steg som gjenstår før en slik algoritme kan inkluderes i en kunstig bukspyttkjertel, er også diskutert.

This thesis describes the development and implementation of a sound based meal detection algorithm. The long term aim is to include such an algorithm in an automatic insulin pump, also called an artificial pancreas. Insulin pumps are currently used by many diabetic patients and require manual dosing at mealtime. Including a meal detection algorithm will be an important step towards an automatic insulin pump. Previously, continuous blood glucose monitoring has been used to detect meals, but as it takes time before the blood sugar rises after a meal, the detection can be too late. In this thesis, sound recordings from a stethoscope attached to the abdominal wall are used to achieve faster meal detection.

An existing data set with recorded meals from one person, and four new recordings from a second subject, were used for testing the system. The algorithm developed, consists of a combination of preprocessing audio signals, feature extraction, signal processing techniques, and pattern recognition to classify audio segments as either meal or no meal. Two different sets of features were tested as input to a neural network for classification. A threshold was set for the output of the net, and if four consecutive segments exceeded the threshold value, a meal was detected.

Both sets of features gave promising results for meal detection, but only one set provided good results for both subjects. Generally, meals were detected after only 1-4 minutes with a few false positive results. The detection was significantly faster than meal detection based on blood glucose measurements. Suggestions for further improvements and important steps towards the integration of a meal detection system in an artificial pancreas are also being discussed.