迈向被动式饮食监测：基于扩张卷积神经网络和动态高分辨率胃电图的进餐检测

背景：尽管饮食、睡眠与运动构成健康三要素，且纵向饮食监测具有重要意义，但用于客观饮食监测的工具仍然有限。广泛可用的动态监测方案包括连续血糖监测，但其反映的是延迟响应；以及人工记录，但其中充斥着人为误差。临床工具如胃排空闪烁显像并不适用于日常使用。高分辨率胃电图（HR-EGG）通过将胃肌电活动视为消化状态的生物标志物，提供了一种替代方案。然而，其在动态进食检测中的效用仍不明确。我们假设，HR-EGG与加速度测量相结合，能够编码不同的餐后胃部特征，从而实现自动化进食检测；同时，体位背景是影响信号可检测性的一个相关变异来源。 方法：在经机构审查委员会（IRB）批准的方案下，从7名健康成年人处采集了16次、每次150分钟的进食实验中的HR-EGG和加速度测量数据。每次实验包括30分钟空腹基线期、标准化餐食摄入，以及90分钟餐后期；餐后期包含坐位、行走和卧位三种状态，其顺序随机安排。提取的特征包括胃慢波的原始及归一化带功率、相位梯度方向性（PGD）、波传播方向和波速，并结合三轴加速度计幅值。一种扩张型一维卷积网络（1D CNN）采用留一受试者交叉验证进行训练，以5分钟分辨率对进食行为进行分类。采用Friedman检验评估体位对胃肌电指标的影响。 结果：该模型获得了平均AUROC为0.925（95% CI：[0.857, 0.993]），平均AUPRC为0.824（95% CI：[0.668, 0.980]；空模型：0.20）。特征消融分析显示，PGD是信息量最大的输入特征（ΔAUPRC = -0.188），而波传播速度的信息量最少（ΔAUPRC = -0.105）。行走产生了最高的信噪比（9.94 dB），卧位表现出最稳定的胃节律（89.1%为正常胃节律），而坐位表现出最大的频率不稳定性（主导频率标准差 = 0.825 cpm）。 结论：将扩张型1D CNN应用于HR-EGG的时空特征，能够在动态生活场景中实现具有时间感知能力的被动进食检测。本研究框架弥补了临床对客观饮食监测的需求与当前检测方法局限性之间的空白。

本网站正在使用一项安全服务来保护自身免受在线攻击。您刚才执行的操作触发了该安全防护机制。可能触发此拦截的行为有多种，包括提交某个特定词语或短语、SQL 命令，或格式错误的数据。

您可以向网站所有者发送电子邮件，告知您的访问被拦截。请在邮件中说明当该页面出现时您正在进行的操作，并附上本页面底部显示的 Cloudflare Ray ID。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.13.731982v1?rss=1

🏷️ 被动饮食监测 高分辨率胃电图 扩张卷积神经网络 进餐检测 可穿戴传感 胃慢波