AI在可穿戴設備上對飲食評估的幫助

2019-05-30 14:05

3． ebutton數(shù)據(jù)集：一周數(shù)據(jù)集

實驗是通過一名志愿者在白天連續(xù)戴著一個電子按鈕一周，記錄下各種現(xiàn)實生活活動。首先，電子按鈕對圖像序列進行采樣（10秒一次）。然后使用Picasa軟件檢測到人臉，并在發(fā)送給觀察者之前篩選出可能存在隱私問題的圖像，并按照上一個案例中描述的方式對圖像進行注釋。完成這些步驟后，獲得29515張圖像。這些圖像最后由人工智能軟件（Clarifai CNN）處理，為每個圖像生成20個標簽。

圖二（圖片來源：PHN）

原文作者定義了一個負擔指數(shù)來表示總陽性圖像的數(shù)量和所有圖像的數(shù)量之間的比率。

閥值k是該算法中的一個可調(diào)參數(shù)。較小的k會導致跟高的靈敏度，但也會帶來更高的負擔。當k＝1時，37．8％的總圖像需要進一步檢查，這對研究人員來說可能是太大的負擔，盡管總靈敏度高達89．5％。當k＝2時，總負荷降低到18％，敏感性為74．0％，特異性為87．0％。第1天和第6天的敏感性顯著低于其他兩天。在提取了所有的假陰性圖像后，可以發(fā)現(xiàn)第一天的354個“飲料”圖像中，有206個由于黑暗環(huán)境和小咖啡杯而被丟失，而在第六天的154個進食圖像中，有78個由于過度曝光的圖像和食物面積太小的圖像而被丟失。