在为期三周的家庭研究中验证OCOsense智能眼镜：评估其检测进食行为、识别食物的能力，以及利用触觉反馈辅助行为改进建设的效果

《Appetite》：Validating OCOsense Smart Glasses in a Three-Week Home-based Study: Assessing Detection of Eating, Food Identification and the Use of Haptic Feedback to Aid Behaviour Modification.

　　智能眼镜OCOsense?监测日常进食行为，三周实验显示算法在自然场景中检测准确率达0.89-0.91（F1值），并通过实时触觉反馈使参与者咀嚼速度降低8%、每口咀嚼次数增加3%、咀嚼间隔延长12%。对比发现参与者自报告的进食次数比传感器检测少13.7%，证实传感器可减少回忆偏差

　　本研究聚焦于一种名为OCOsense?的智能眼镜在日常生活中监测进食行为并支持行为改变的潜力。研究团队招募了23名志愿者，包括14名女性、7名男性和2名非二元性别个体，要求他们佩戴这些智能眼镜，每天至少7小时，连续三周。研究分为三个阶段：第一周为基线期，参与者仅佩戴眼镜而无任何干预；第二周为标注期，参与者需要手动记录进食事件并拍摄食物照片以评估算法的检测精度；第三周为干预期，参与者在眼镜检测到进食时会收到实时提示，并通过触觉反馈（即眼镜震动）鼓励他们采用更慢的咀嚼速度、增加每次咀嚼的次数或延长两次咀嚼之间的间隔。研究结果表明，OCOsense?智能眼镜在检测进食行为方面表现出色，且触觉反馈在促进行为改变方面具有一定的潜力。

进食行为在人体健康和疾病预防中扮演着至关重要的角色。无论是从身体健康还是心理健康的角度来看，进食习惯都会对个体产生深远影响。例如，快速进食可能与能量摄入过多、体重增加以及慢性疾病如肥胖、2型糖尿病和心血管疾病的发生密切相关。因此，调控进食速度被视为一种简单而有效的方式，以帮助管理能量摄入并维持健康的体重。然而，目前在自然环境中评估进食行为仍面临重大挑战。传统的评估方法，如食物日记、24小时饮食回顾和生态瞬时评估，通常依赖于自我报告，这容易受到回忆偏差、低估摄入量以及增加参与者负担的影响。此外，这些方法虽然在估算能量和宏量营养素摄入方面具有一定价值，但并未设计用于捕捉进食行为的微观结构特征，如进食速度、咀嚼频率或咀嚼模式。因此，即使没有回忆误差，这些工具也无法提供关于进食过程的详细行为信息，而仅仅是关于摄入食物种类的信息。

鉴于上述挑战，可穿戴技术，尤其是配备多模态传感器的智能眼镜，为实时监测和调整进食行为提供了一种有前景的解决方案。这些设备能够检测面部肌肉活动、下颌运动和咀嚼行为，从而实现被动且自动的进食识别。真实世界的监测对于理解日常进食行为的复杂性和多样性至关重要，因为实验室数据或自我报告数据往往无法全面反映实际进食模式。连续、客观的监测有助于更准确地了解自然进食习惯、情境因素和行为触发机制，这对于设计有效且个性化的干预措施具有重要意义。此外，将相机集成到智能眼镜中可以进一步提升这一方法，使系统能够自动识别食物，提供关于食物类型和摄入量的详细信息，而无需手动输入。这种自动化支持了客观的饮食评估，减少了参与者的负担，降低了回忆偏差，并提高了营养数据的粒度。

OCOsense?智能眼镜利用高分辨率的光肌图（Optomyography）传感器，能够检测面部肌肉活动和下颌运动，从而实现对咀嚼行为的连续、被动监测。这些传感器无需直接接触皮肤，便能捕捉到由肌肉活动引起的微小皮肤位移。研究团队通过一项为期三周的现场研究，评估了这些智能眼镜在真实环境中的有效性和适用性。参与者每天佩戴眼镜，研究分为三个阶段：第一周用于建立基线数据，第二周用于手动标注进食事件并拍摄食物照片以验证算法的准确性，第三周则引入实时触觉反馈，以鼓励参与者改变进食行为。

研究结果显示，OCOsense?智能眼镜在检测进食行为方面表现出较高的准确率。在第二周，通过手动标注的进食事件数据，算法成功识别了476/498个进食事件，F1分数为0.89。在第三周，通过实时确认的进食事件，算法成功识别了528/548个事件，F1分数为0.91。此外，系统通过分析598张图片（共1,036个食物项目）验证了其自动识别食物的能力，算法正确识别了919/1036个项目，F1分数为0.94。这些结果表明，OCOsense?系统在真实世界中的检测和识别能力得到了充分验证。

在行为改变方面，研究团队发现，那些试图改变进食行为的参与者，其咀嚼速度有所下降，而未尝试改变行为的参与者则略有上升。具体而言，尝试减缓咀嚼速度的参与者在第三周的平均咀嚼速度从1.63次/秒降至1.57次/秒，而未尝试改变的参与者则从1.70次/秒升至1.73次/秒。此外，尝试增加每次咀嚼次数的参与者在第三周的咀嚼次数从22.0次增加至22.8次，而未尝试改变的参与者则从22.8次降至19.5次。尝试延长两次咀嚼之间间隔的参与者在第三周的平均间隔时间从4.69秒增加至5.33秒，而未尝试改变的参与者则从5.16秒降至4.85秒。这些变化表明，OCOsense?智能眼镜的实时触觉反馈能够有效引导参与者调整其进食行为。

研究团队还发现，参与者在使用OCOsense?系统时，其自我报告的进食事件数量明显低于系统检测到的数量。在第三周，参与者通过每日问卷报告了482次进食事件，而系统检测到了548次，显示出13.7%的低估率。这进一步证明了基于传感器的监测方法在捕捉进食行为方面的优势，尤其是与传统的自我报告方法相比，其在准确性和完整性方面具有显著提升。此外，系统通过分析参与者拍摄的食物图片，实现了自动的食物识别，这为未来的营养监测和饮食干预提供了新的可能性。

OCOsense?智能眼镜的设计不仅关注于进食行为的检测，还强调了行为反馈的实时性和个性化。在第三周，参与者在系统检测到进食时会收到触觉提示，并通过一个弹出窗口选择他们希望尝试的进食策略。研究团队发现，这种反馈方式在大多数参与者中得到了良好接受，且在一定程度上能够引导他们改变进食行为。然而，由于所有参与者都收到了固定的触觉反馈，因此无法明确判断这种反馈是否显著提高了行为改变的成功率。未来的研究可以探索更加个性化的反馈机制，以进一步提升系统的干预效果。

尽管OCOsense?系统在检测和识别方面表现出色，但仍存在一些局限性。首先，个体之间的咀嚼方式、面部结构和进食情境可能会影响检测的准确性。虽然整体算法表现良好，但某些特定的个体因素，如进食习惯、环境干扰或传感器适配性，可能会影响其性能。其次，系统主要依赖于与咀嚼相关的面部活动，这可能对那些需要较少咀嚼的食物（如汤或奶昔）的检测效果有限。此外，自我报告与传感器数据的比较仅限于一个研究周，可能无法全面反映长期的低估情况。最后，触觉反馈是按照固定的时间间隔（每30秒）进行的，而不是根据实际进食行为实时调整。更精准的反馈机制可能有助于提高干预的有效性。

研究团队认为，OCOsense?系统提供了一种集成的解决方案，结合了传感器检测、行为反馈和自动食物识别，从而克服了传统饮食研究中的许多局限。这种综合方法不仅能够提供更准确的进食行为数据，还能够通过实时干预支持行为改变。然而，未来的研究需要进一步探索系统的长期适用性，扩展其监测范围（如区分进食与说话），并评估其在更广泛人群中的临床相关性。此外，研究团队还提到，由于样本量有限，当前研究未能充分探讨性别差异对进食行为的影响，这为未来研究提供了方向。

综上所述，OCOsense?智能眼镜在监测进食行为和促进行为改变方面展现出显著潜力。其高准确率的检测能力，结合实时触觉反馈，为未来的饮食干预和健康促进提供了新的工具。然而，系统仍需进一步优化，以提高其在不同情境下的适用性，并探索更个性化的反馈机制。通过这些改进，OCOsense?有望成为一种有效的个性化数字健康工具，帮助人们更好地管理饮食行为，从而改善整体健康状况。