Meal or No Meal: Using Machine Learning for Acoustic-Based Meal Detection
Master thesis
Permanent lenke
https://hdl.handle.net/11250/3097114Utgivelsesdato
2023Metadata
Vis full innførselSamlinger
Beskrivelse
Full text not available
Sammendrag
I dag er personer med type 1-diabetes avhengige av eksogen insulininfusjon for å kunne kontrollere blodsukkernivået sitt på en ordentlig måte. Automatisering av denne prosessen for å fjerne den mentale belastningen det er for pasientene å kontrollere deres eget blodsukkernivå, er hovedmålet med et kunstig bukspyttkjertelsystem. Forskningsgruppen Artificial Pancreas Trondheim (APT) ved NTNU har som mål å utvikle et slikt system.En del av løsningen deres er utviklingen av en automatisk måltidsdetektor, som kan gi AP-systemet informasjon om nært forestående økninger i blodsukkernivåer, forårsaket av måltider.
Målet med denne avhandlingen var derfor å utvikle en akustisk basert måltidsdetektor og analysere dens ytelse når den utsettes for realistiske støytyper i lydsignalene.Et nytt studiedesign ble utviklet og brukt til å samle 9 nye opptak, fordelt på 3 eksperimenter. 3 mikrofoner ble brukt per eksperiment, plassert i 3 faste posisjoner på deltakerens hals, nakke og bak øret. Det var én deltaker i eksperimentene.
Det ble også utviklet en metode for å lagre og behandle dataene på en konsekvent måte, med mål om at datasettet lett kan bli brukt videre i fremtidige studier.
Dataanalysedelen av avhandlingen ble noe amputert, men en Random Forest-classifier ble utviklet, som gjorde prediksjoner på hele seksjoner av tygging og svelging, definert som "bouts".
Classifieren oppnådde en prediksjonspresisjon på 83 prosent for bouts fra salatmåltider, 61 prosent for bouts fra havregryn, og 55 prosent for bouts fra suppemåltider. På grunn av tidsmangel ble bare denne første evalueringen utført, men resultatene antyder at bruk av bouts kan være lovende for fremtidige studier. Today, people with type 1 diabetes rely on exogenous insulin infusion to properly control their blood glucose level. In the pursuit of relieving patients of the mental chore of maintaining their own blood glucose levels, the automation of this process is the main goal of an artificial pancreas system. The research group Artificial Pancreas Trondheim (APT) at NTNU are aiming to develop such a system.A part of their solution is the development of an automatic meal detector, which can provide the AP system with information about future increases in blood glucose levels caused by meals.
The aim of this thesis was therefore to develop an acoustic-based meal detector, and analyze its performance when subjected to realistic noise types in the audio signals.A new study design was developed and used to collect 9 new recordings, distributed across 3 experiments. 3 microphones were used per experiment, placed in 3 fixed positions on the participant's neck, throat and behind the ear. There was one participant in the experiments.
A method to store and process the data in a consistent way was also developed, with the aim of facilitating easy use of the dataset in future studies.
The data analysis part of the system was cut short, but a Random Forest classifier was developed, making predictions on entire sections of chewing and swallowing, defined as 'bouts'.
The classifier achieved a prediction precision of 83 percent for the bouts from salad meals, 61 percent for bouts from oats, and 55 percent for bouts from soup meals. Due to a lack of time, only this initial evaluation was made, but the results imply that the use of bouts can be promising for future studies.