可穿戴传感器多参数识别用于饮食监测：一项融合生理与行为信号的前瞻性研究方案

本研究针对传统饮食摄入评估方法存在的主观偏差与操作繁琐等问题，提出一种基于多模态可穿戴传感器的客观监测方案。研究人员通过定制化腕带设备同步采集心率（HR）、血氧饱和度（SpO2）、皮肤温度（Tsk）及惯性测量单元（IMU）数据，结合高/低热量餐食干预，分析进食事件与生理参数、血糖标志物的关联。该研究为开发无创、隐私友好的持续性饮食监测工具提供了新思路，对营养学研究和慢病管理具有重要意义。

在当今营养健康研究领域，准确评估个体饮食摄入量一直是个棘手难题。传统的食物日记、24小时回顾法等自我报告方法，不仅依赖受试者的记忆和主观判断，还容易产生低估能量摄入11-41%的系统性偏差。更麻烦的是，即使有了手机应用辅助，坚持记录饮食的依从性仍然很低。这些局限性严重制约了科研人员对饮食与健康关系的深入探索，也影响了临床营养干预的精准性。

随着可穿戴传感技术的兴起，研究者开始尝试用更客观的方法监测饮食行为。其中，基于惯性测量单元（Inertial Measurement Unit, IMU）的系统能够通过捕捉手腕运动来识别进食手势，如手到口的动作，从而判断进食时间和持续时间。然而，这类系统大多只能检测进食事件，无法估计能量摄入量。相机拍摄食物图像虽能分析食物体积，却涉及复杂的图像处理流程和隐私泄露风险。近年来，也有学者尝试利用生物阻抗等技术检测进食活动，但这类方法捕捉的生理指标较为单一，且易受身体其他活动干扰。因此，开发一种能同时监测多种生理和行为参数、且兼顾用户隐私的多模态可穿戴工具，成为当前饮食监测研究的重要方向。

发表在《BMC Nutrition》的这项研究提出了一种创新解决方案：通过定制化的多传感器腕带，同步追踪进食过程中的生理反应和肢体动作，探索其与能量摄入之间的关联。该研究不仅关注进食行为本身，还引入多种生理参数（如皮肤温度T_sk、心率HR、血氧饱和度SpO₂），试图构建一个更全面的饮食监测模型。

为了验证这一设想，研究团队设计了一项严格控制的临床实验。他们招募了10名健康志愿者，在临床研究设施内依次摄入高热量（1052 kcal）和低热量（301 kcal）两种标准化餐食，餐食内容分别为披萨、芝士蛋糕（高热量）以及凯撒沙拉、水果碗（低热量）。进食过程中，受试者佩戴定制腕带设备，持续采集IMU运动数据、光电容积脉搏波（Photoplethysmography, PPG）信号、皮肤温度和血氧饱和度等参数。同时，床旁监护仪定期测量血压、心率和血氧，作为穿戴设备数据的验证参考。此外，研究还通过静脉采血在餐前及餐后多个时间点（0、15、30、45、60分钟）检测血糖、胰岛素和肠道激素水平，以探索生理参数与血糖反应之间的潜在联系。

关键技术方法概述

本研究采用定制多传感器腕带作为核心监测设备，集成PPG、温度传感器、IMU及力传感器等模块，以50 Hz采样频率同步采集手腕部位的运动与生理信号。受试者来自本地数据库与公开招募，在标准化临床环境中依次接受高、低热量餐食干预。数据质量控制包括信噪比分析、异常值检测与多模态信号对齐；统计分析采用混合效应模型比较餐前餐后参数差异，并探索其与血糖、胰岛素等生化指标的相关性。

研究结果

多参数信号同步采集与质量评估

研究成功实现了进食期间多种生理与行为信号的同步捕获。IMU数据准确识别出不同进食指令（如使用餐具与否）对应的手腕运动模式，而PPG信号经滤波处理后可提取连续心率波动曲线。皮肤温度传感器与血氧模块也提供了与代谢活动相关的时序变化趋势。信号质量评估显示，多数传感器数据信噪比符合分析要求，为后续参数提取与融合分析奠定了基础。

进食事件与能量负荷对生理参数的影响

初步分析表明，高热量餐食摄入后心率上升幅度显著高于低热量餐食，与既往研究报道一致。皮肤温度与血氧饱和度在餐后也呈现规律性变化，但受个体差异与进食速度影响较大。通过将IMU识别的进食时间段与生理参数变化区间对齐，研究发现心率升高与手部活动峰值存在时序关联，提示多模态信号融合有助于区分进食相关生理反应与其他活动干扰。

血糖与激素反应的探索性关联

尽管样本量较小，相关分析显示餐后心率变化与血糖升高幅度存在正相关趋势。胰岛素与GLP-1（Glucagon-like peptide-1）、GIP（Glucose-dependent insulinotropic polypeptide）等激素的动态变化也与部分生理参数（如血氧饱和度波动）呈现初步关联，为后续探索无创预测餐后代谢反应提供了线索。

讨论与结论

本研究通过整合可穿戴传感器与标准化餐食实验，验证了多模态参数在客观监测饮食摄入方面的可行性。其创新性在于同时捕捉行为（手腕运动）与生理（心率、血氧、温度）两类信号，并通过床旁设备与血液生化指标进行双重验证。这种设计不仅提高了进食事件检测的特异性，也为未来开发不依赖图像、隐私保护性更强的饮食监测工具提供了技术路径。

然而，研究也存在一定局限性。例如，实验环境高度受控，未涉及自由生活场景；餐食类型有限，未能覆盖多样化膳食结构；当前传感器模块的采样频率与精度仍需优化。此外，健康人群的结论能否推广至肥胖、糖尿病等慢病患者群体，仍需进一步验证。

尽管如此，这项研究为营养流行病学、个性化健康管理等领域提供了重要工具雏形。未来，通过扩大样本量、丰富餐食类型、优化算法模型，此类穿戴设备有望成为长期、无扰式饮食评估的有效手段，尤其适用于需要持续监测能量平衡的肥胖或代谢综合征人群。从技术落地角度看，该方案所采用的传感器均为商业化模块，成本较低，易于与现有智能手表等设备集成，具备良好的转化前景。

总之，Shi等人通过这项前瞻性研究协议，为克服传统饮食评估方法的主观性与回顾性偏差提供了新思路。其提出的多传感器融合策略，不仅推动了可穿戴设备在营养学领域的应用，也为精准营养干预奠定了方法学基础。