Хранително поведение

Тази статия е част от изследователската тема

Жажда за храна Вижте всички 11 статии

food-pics

  • Изтеглете статия
    • Изтеглете PDF
    • ReadCube
    • EPUB
    • XML (NLM)
    • Допълнителни
      Материал
  • Цитат за износ
    • EndNote
    • Референтен мениджър
    • Прост ТЕКСТ файл
    • BibTex
СПОДЕЛИ НА

Оригинални изследвания СТАТИЯ

  • 1 Отдел по клинична психология, психотерапия и здравна психология, Университет в Залцбург, Залцбург, Австрия
  • 2 Институт по психология, Университет във Вюрцбург, Вюрцбург, Германия
  • 3 Болница за детска и юношеска психиатрия, Университетска болница LWL на Рурския университет, Бохум, Хам, Германия
  • 4 Институт по медицинска психология, Charité – Universitätsmedizin, Берлин, Германия
  • 5 Берлинско училище за ум и мозък, Humboldt Universität zu Berlin, Берлин, Германия
  • 6 Секция Психофизиология, Катедра по молекулярна генетика, Немски институт за човешко хранене Потсдам-Рехбрюке, Nuthetal, Германия

Въведение

Настоящата ни среда се характеризира с чести сигнали за изключително вкусни храни. Много изследователи частично отдават на този фактор нарастващите нива на затлъстяване и проблеми в саморегулацията, свързана с храненето (Meule и Vögele, 2013). За да се изследват факторите, залегнали в основата на апетитните реакции към храните, изследванията все повече използват изображения на храни (Van Der Laan et al., 2011). Визуалните сигнали за храна представляват, подобно на миризмите, основен сензорен вход, който позволява прогнози за ядливостта и вкусовите качества на хранителен обект. По този начин визуалните сигнали за храна могат да се считат за условни стимули, които са свързани с хедоничните и хомеостатичните ефекти на поглъщането и следователно самите те възнаграждават (Dagher, 2012). Освен това явното поведение на хранене е под силен съзнателен контрол и следователно не винаги разкрива основните тенденции на реакция. Използвайки изображения на храни, неврокогнитивните и индиректните мерки са особено успешни при изучаването на фини апетитни и регулаторни детерминанти на явното хранително поведение.

Не само има голямо разнообразие от видове храни, от които да избирате, но изследователите трябва да вземат предвид целевата популация и следователно индивидуални различия за избор на изображение. Например, ако вегетарианци или вегани са част от пробата, изображенията, съдържащи месо, вероятно трябва да се избягват, тъй като те предизвикват променени нервни и поведенчески реакции при вегетарианците в сравнение с всеядни животни (Stockburger et al., 2009a). Подобни съображения се отнасят и за хранителните предпочитания въз основа на културни, религиозни или здравословни причини (Hoffman et al., 2013). Индивидуалните предпочитания засягат мозъчните реакции, поради което някои изследвания индивидуализират стимулите, за да съответстват на предпочитанията на всеки участник (например, Hollmann et al., 2012; Giuliani et al., 2013). По-нататъшни индивидуални разлики във възрастта и пола, образователния статус и индекса на телесна маса (ИТМ) трябва да бъдат взети под внимание при подбора на изображения (Caine-Bish and Scheule, 2009; Raffensperger et al., 2010; Berthoud and Zheng, 2012).

Методи

Стимули

Характеристики на изображението

За всяко изображение изчислихме съответните свойства на изображението, които характеризират физическия вид на изображенията, използвайки персонализирани скриптове, написани в Matlab R2011b (The Mathworks, Inc. Natick, САЩ). Скриптове могат да бъдат изтеглени от храна-снимки уебсайт (www.food-pics.sbg.ac.at). С изключение на приноса на RGB канала, всички свойства са изчислени след преобразуване на цветното изображение в сиви стойности чрез формиране на претеглена сума от червените, зелените и сините цветни канали: 0,2989 × червено + 0,5870 × зелено + 0,1140 × синьо. Тази процедура преобразува RGB изображения в сива скала, като елиминира информацията за нюанса и наситеността, като същевременно запазва яркостта на изображението (Poynton, 2012). Анализирани са следните свойства на изображението:

Цвят, количествено определено като пропорционален принос на червения, зеления и синия канал, усреднен за всички не-бели пиксели. Например, доматът се характеризира със силен принос на червения канал (виж фигура 1).

Фигура 1. Примерни снимки, илюстриращи характеристики на изображението от ниска (вляво) до висока стойност на параметъра (вдясно).

Размер, количествено определена като пропорция на не-белите пиксели спрямо общия брой на пикселите (идентичен като в Foroni et al., 2013).

Яркост, количествено определена като разлика между средната яркост на всички не-бели пиксели на изображението в сивата скала и белия фон (Foroni et al., 2013). По този начин най-забележимите обекти (т.е. много тъмни обекти на бял фон) дават най-високите стойности на яркостта.

Контраст в обекта, количествено изразено като стандартно отклонение на яркостта на всички не-бели пиксели на изображението в сиво. Например изображение на черен шоколад върху бяла плоча съдържа пиксели със стойности на яркост, вариращи от много тъмен до бял. По този начин това изображение се характеризира с високо стандартно отклонение на стойностите на яркостта. За разлика от това, изображението на бита сметана върху бяла плоча съдържа много малко тъмни пиксели и затова се характеризира с малко стандартно отклонение.

Пространствени честоти

Средната мощност на всеки обект се анализира чрез изчисляване на двуизмерно бързо преобразуване на Фурие върху изображенията в сив мащаб. Едномерните спектри на мощността са получени чрез изчисляване на радиална средна стойност на двумерните спектри на мощността. Тази процедура дава мярка за пространствените честоти на изображението, отразяващи вариациите в яркостта на пикселите, независимо от тяхното местоположение в изображението. За да представим спектралната мощност в една стойност за всяко изображение, изчислихме средната мощност във всички пространствени честоти.

Сложност

Докато някои изображения показват един хомогенен обект (например парче сирене), други изображения показват множество обекти (напр. Асортимент от различни плодове) или обекти, състоящи се от множество компоненти (например пица). Сложните в този смисъл изображения се характеризират с множество контури на обекта. По този начин анализирахме изображенията за контури, използвайки алгоритъм за откриване на ръба на Canny (Canny, 1986) и определихме количествено сложността на изображението, като изчислихме дела на свързаните с контурите пиксели в изображението. Броят на контурите-пиксели обаче също се определя от размера на обекта - увеличена версия на идентичния обект ще има по-големи контури и ще доведе до по-висока стойност на сложност. Следователно ние също изчислихме a нормализирана сложност мярка, която е независима от размера на обекта, чрез допълнително разделяне на дела на свързаните с контурите пиксели на общия брой небели пиксели в изображението. Размерът и яркостта се изчисляват по същия начин, както се съобщава от Foroni et al. (2013).

Макронутриенти

Броят на ккал и състав на макроелементи (протеини, въглехидрати, мазнини) на изобразена храна е оценен за всяко изображение на храна от обучен асистент изследовател (студент по магистърска степен по психология), използвайки бази данни за храни в интернет и информация за опаковане на храни. Kcal и макроелементите се предоставят като kcal/100g и грама/100g, както и общо kcal и грами, съответно, за изобразената част. Винаги, когато бяха показани множество хранителни продукти (напр. Грозде), се предоставяше брой, за да се улеснят анализите на експериментални тестови ястия. За да провери кръстосано точността на тези данни, втори изследовател (също студент по магистърска степен по психология) изчисли тези данни за втори път за произволно избрана подпроба от 38 хранителни продукта 1. Съгласието между двата кодера беше отлично; Корелациите на Пиърсън варират от r = 0,84 до r = 0,99 със средна стойност r = 0,95.

Участници

Четири проби попълниха анонимно онлайн проучване (вж. Таблица 1 за описания на пробите), за да предоставят нормативни данни за храна-снимки. Включени са само участници, попълнили всички оценки за поне 3 изображения на храни (вижте „Онлайн проучване“ по-долу). Първата проба („UniHagen проба,” н = 638) включваше студенти от университета в Хаген, немски университет за дистанционно обучение, които попълниха анкетата в замяна на кредит за курс и възможност за участие в томбола за 3 × 50 евро при завършване. Втората извадка е набрана чрез пощенски списъци на няколко университета в Германия, Швейцария и Австрия („Немскоговоряща извадка,” н = 831). Третата извадка се обърна към американски участници („Американска проба,” н = 496), нает чрез онлайн пазара за работа „Mechanical Turk“ в Amazon, където регистрираните потребители работят по онлайн задачи в замяна на плащане. Четвъртата извадка е насочена към деца и младежи в австрийска гимназия („Извадка за деца/младежи,” н = 23) за разширяване на възрастовия диапазон. На немскоговорящите и пробите за деца/младежи също беше предложено участие в томбола за 3 × 50 евро. Всички проучвания бяха завършени между май и август 2013 г. Етичният съвет на университета в Залцбург одобри проучването.

Таблица 1. Демографски характеристики по извадка.

Онлайн проучване

Тъй като не може да се очаква от участниците да оценят надеждно всички 882 изображения, всеки участник е оценил произволно подмножество от изображения, отделно извлечени от изображения за нехранителни стоки и храни. Поради различни начини на компенсация (кредит на курса, плащане, томбола) пробите се различават по броя изображения, оценени от всеки участник: UniHagen проба 40 нехранителни продукти/80 храни, немскоезична проба 25/40, американска проба 17/35, и Деца/Младежи извадка 5/35. Средно всяко изображение е оценено с 48,8 (SD = 22,9) участници.

Анализи на данни

За описване и изследване на храна-снимки нормативна база данни и за да подчертаем някои променливи, които биха могли да насочат потребителите по време на избора на изображение и дизайна на изследването, направихме следните анализи:

(1) Тип на изображението: В базата данни са дадени описателни данни за валентност и възбуда на стимулите за различни класове стимули (включително изображения, нехранителни). За храните (и повечето останали анализи) вкусовите качества и желанието за ядене са от първостепенно значение и се отчитат като функция от калорично съдържание (високо- или нискокалорични храни), сладост (сладки срещу солени храни) и степен на обработка (цели срещу преработени храни).

(2) Индивидуални различия и демографски данни: Ефектите от пола, възрастта и ИТМ, както и диетата (всеядно срещу вегетарианско) и култура (немскоезично срещу северноамериканско) бяха изследвани по отношение на вкусовите качества и желанието за ядене.

(3) Променливи на състоянието: Оценките на глада са свързани с вкуса и желанието за ядене. По същия начин диетите („текуща диета за намаляване на теглото“) са сравнени с не-диетите по вкусови качества и желание за ядене.

(4) Характеристики на изображенията, оценки и макронутриенти: Корелационните анализи изследват връзките между субективните оценки, характеристиките на изображението и хранителните вещества.

Като цяло, поради високата статистическа мощност в настоящата извадка, ние отчитаме ефекти само с най-малко средни (η 2> 0,06, Cohen’s д > 0,3) размери на ефекта, освен ако не е посочено друго. Във всяка подгрупа на сравненията използвахме сдвоена извадка Student t-тест за сравняване на подгрупи от изображения или показване на 95% доверителни интервали.

Резултати

Тип на изображението

За да се даде примерна характеристика хранителните и нехранителните обекти бяха класифицирани в няколко специфични категории. Хранителните обекти са категоризирани въз основа на преобладаващата храна в изображението, на плодове (13,3% от всички изображения на храни), зеленчуци (20,7%), шоколади (11,4%), месо (11,1%), риба (2,28%), ядки (1,76%), напитки (1,58%) и 38% други храни без ясно доминиране на един вид храна. Нехранителните изображения са категоризирани по цветя и листа (13,4%), животни (10,1%), инструменти (7,32%), предмети от бита (некухня, 28,3%), кухненски прибори (14,6%), офис доставки (6,37%) ), опаковки за храни (10,5%) и други артикули (1%). Фигура 2 показва валентност, възбуда, вкус и желание да се ядат оценки за тези категории, заедно с 95% доверителни интервали. Предметите, цветята и листата и животните са оценени по-положително на валентност в сравнение с инструментите, домакинските и кухненските прибори, както се разкрива от неприпокриващи се интервали на доверие. Цветята и листата и животните също са оценени по-положително по отношение на валентността, отколкото повечето храни, с изключение на плодовете. В рамките на храните плодовете бяха най-популярни както по отношение на валентността и вкусовите качества, така и по отношение на желанието за ядене. Интересното е, че месото е оценено най-ниско по вкус и желание за ядене (последвано от ядки за желание за ядене).

Фигура 2. (A) Средства и 95% доверителни интервали за валентност („много отрицателно“ до „много положително“) и възбуда („много малко“ до „много високо“) във всички категории изображения. (Б) Средства и 95% доверителни интервали за вкус и желание за ядене (и двете "изобщо" до "изключително") за различните видове храни.

В допълнение, както предишни изследвания са контрастирали храни според калорична плътност, степен на обработка и вкусови качества, класифицирахме нашите хранителни снимки в висока спрямо ниска калорийна плътност (средно разделение по отношение на калорийна плътност = kcal/100 g), както и в преработени (32,0% от всички храни) спрямо цели (66,7% от всички храни, 1,3% не могат да бъдат класифицирани) ) и сладки (42,8%) спрямо солени храни (38,8%, 18,4% не могат да бъдат класифицирани; вижте Таблица 2 за средните стойности и стандартните отклонения на всички оценки за различните видове храни) и определена вкусовост и желание за ядене рейтинги за всяка категория. Високо спрямо нискокалорично храните са получили по-ниски оценки по отношение на вкуса, т(1942) = 13,0, стр 93,2% от всички храни са оценени като разпознаваеми и 94,6% от всички храни са оценени като познати).

Таблица 2. Субективни оценки като функция при различни видове храни (средно, стандартни отклонения).

Влияние на демографията и индивидуалните променливи на разликата: Култура, пол и вегетарианство, ИТМ и възраст

Накратко, въздействието на културата (Северна Америка срещу говорещия немски) върху всички оценки на храните (всички храни, висококалорични срещу нискокалорични/преработени срещу необработени храни, месо срещу не-месо) бяха значителни, но с малък ефект размер (η 2 стр Ключови думи: стандартизирани изображения на храни, снимки на храни, хранителни сигнали, свойства на изображението, ERP, fMRI, хранително поведение, затлъстяване

Цитиране: Blechert J, Meule A, Busch NA и Ohla K (2014) Храни-снимки: база данни с изображения за експериментални изследвания върху храненето и апетита. Отпред. Психол. 5: 617. doi: 10.3389/fpsyg.2014.00617

Получено: 19 март 2014 г .; Приет: 31 май 2014 г .;
Публикувано онлайн: 24 юни 2014 г.

Борис С. Родригес-Мартин, Централен университет „Марта Абреу“ от Лас Вилас, Куба

Мартин Йеоманс, Университет в Съсекс, Великобритания
Ейми Клер Райхелт, Университет на Нов Южен Уелс, Австралия
Мишел Далтън, Университет в Лийдс, Великобритания