用AirPods咀嚼识别食物：可穿戴设备上的饮食监测新思路

核心观点：一项创新研究探索利用AirPods Pro内置的IMU传感器捕捉咀嚼动作，通过机器学习模型识别不同食物类型，为被动式饮食追踪提供了隐私友好、易于坚持的全新技术方案，解决传统饮食追踪方法（手动记录繁琐、摄像头方案隐私顾虑）的局限。

饮食追踪是健康管理的重要部分，但现有方案存在明显局限：传统手动记录需持续投入时间精力，易因繁琐放弃；基于摄像头的食物识别自动化程度高，但涉及隐私顾虑且需主动拍摄。德国研究项目提出利用日常佩戴的AirPods Pro捕捉咀嚼信号实现食物识别，寻求更被动、隐私友好的方案。

AirPods Pro内置高精度惯性测量单元（IMU，含加速度计和陀螺仪），原用于空间音频和降噪，以约50Hz频率采集运动状态数据。咀嚼时下颌运动通过骨传导和机械振动传递到耳道，被传感器捕获。不同食物（如苹果脆硬、口香糖弹性、酸奶流质）的物理特性差异，在咀嚼频率、振幅和节奏上形成独特“声音指纹”，为机器学习分类提供可区分特征。

研究团队使用Sensor Logger iOS应用从AirPods Pro提取原始传感器数据（加速度、角速度、设备方向）。实验设置四个类别：苹果、口香糖、冰岛酸奶（skyr）、静止状态（非进食）。已完成12轮数据收集会话，每轮记录受试者进食特定食物时的传感器数据，为模型训练提供标注清晰的样本。

研究团队从原始信号中提取37个特征（时域统计量如均值/方差/峰值、频域特征、时序模式描述符），输入随机森林分类器训练。初步实验在留一交叉验证策略下，12个会话数据集上达到92%分类准确率，表明AirPods捕获的咀嚼信号蕴含足够食物类型信息。

当前项目处于早期阶段，92%准确率基于有限数据集，模型泛化能力待验证。后续重点工作包括特征选择优化、更大规模数据收集、更鲁棒的模型评估。若技术成熟，未来可实现自动记录饮食、识别不健康零食习惯、监测咀嚼障碍等应用。

ChewML项目展示了可穿戴设备的新潜力：智能耳机不仅是音频设备，更是人体传感器节点。边缘计算和TinyML技术发展使耳机端本地运行轻量级推理模型成为可能，无需上传敏感数据到云端。这种“隐形计算”范式（技术融入日常物品，不知不觉提供服务）或为可穿戴设备发展终极形态。