Ανάλυση των συνηθειών κατανάλωσης φαγητού στα παιδιά μέσω τεχνητής νοημοσύνης
Μια νέα μελέτη που δημοσιεύθηκε στο περιοδικό Frontiers in Nutrition εξετάζει πώς η τεχνητή νοημοσύνη μπορεί να αναλύσει τις συνήθειες κατανάλωσης φαγητού στα παιδιά, αποκαλύπτοντας κρυφές συμπεριφορές που θα μπορούσαν να επηρεάσουν την πρόληψη της παχυσαρκίας. Οι ερευνητές ανέπτυξαν ένα σύστημα βαθιάς μάθησης για να παρακολουθούν τη διαδικασία κατανάλωσης φαγητού στα παιδιά μέσω βίντεο που καταγράφουν τα γεύματά τους.
Μικροδομή γευμάτων και η σημασία της
Η μικροδομή του γεύματος περιλαμβάνει διάφορες συμπεριφορές που παρατηρούνται κατά τη διάρκεια της κατανάλωσης, όπως το μέγεθος των μπουκιών, η ταχύτητα κατανάλωσης και η συχνότητα των μπουκιών. Η ανάλυση αυτών των παραμέτρων μπορεί να βοηθήσει στην αναγνώριση ατομικών προτύπων κατανάλωσης και των διαφορών τους ανάμεσα σε διάφορους τύπους τροφίμων, αποκαλύπτοντας τους μηχανισμούς που κρύβονται πίσω από τις διαταραχές της διατροφής και την παχυσαρκία.
Η τεχνολογία πίσω από την ανάλυση
Τα παιδιά που αναπτύσσουν παχυσαρκία τείνουν να καταναλώνουν μεγαλύτερες μπουκιές και να τρώνε πιο γρήγορα, γεγονός που αυξάνει την ποσότητα του φαγητού που καταναλώνεται. Η ανάπτυξη προληπτικών παρεμβάσεων μπορεί να βασιστεί σε παρατηρήσεις της μικροδομής των γευμάτων, προσφέροντας μια καινοτόμο προσέγγιση για την καταπολέμηση αυτής της επιδημίας.
Η παραδοσιακή μέθοδος ανάλυσης της μικροδομής των γευμάτων περιλαμβάνει την χειροκίνητη παρακολούθηση βίντεο των συμπεριφορών κατανάλωσης φαγητού, κάτι που απαιτεί πολύ χρόνο και είναι κοστοβόρο. Αντίθετα, τα αυτοματοποιημένα συστήματα ανίχνευσης μπουκιών προσφέρουν μεγαλύτερη αποδοτικότητα και κλίμακα, αν και συχνά βασίζονται σε δεδομένα ενηλίκων και μπορεί να μην είναι ακριβή σε περιβάλλοντα με παιδιά.
Η χρήση βαθιάς μάθησης με τη βοήθεια συνελικτικών νευρωνικών δικτύων (CNNs) μπορεί να βοηθήσει στην υπέρβαση των δυσκολιών ερμηνείας που προκαλούνται από κακές συνθήκες φωτισμού και ποικιλία κινήσεων κατά την κατανάλωση. Το σύστημα ByteTrack εκπαιδεύτηκε με 242 βίντεο που καταγράφηκαν από 94 παιδιά ηλικίας 7-9 ετών, καταγράφοντας τέσσερα γεύματα σε διάστημα μιας εβδομάδας.
Το ByteTrack λειτουργεί σε δύο στάδια: το πρώτο στάδιο εστιάζει στην ανίχνευση προσώπου, ενώ το δεύτερο διαχωρίζει τη δραστηριότητα των μπουκιών από άλλες κινήσεις. Αυτή η καινοτόμος προσέγγιση μπορεί να συμβάλει στη βελτίωση της κατανόησης των διατροφικών συνηθειών στα παιδιά και να παρέχει πολύτιμες πληροφορίες για την πρόληψη της παχυσαρκίας.
