أنظمة الأثاث الذكية المدفوعة بإنترنت الأشياء للتخصيص المرتكز على الإنسان: تقييم تجريبي باستخدام بيانات حساسات سلوكية

ملخص

تقدم هذه الدراسة نظام أثاث ذكي يستخدم التعزيز العميق والتعلم الميتا الموحد لتخصيص تجارب المستخدم في الوقت الحقيقي. من خلال نمذجة سلوك المستخدم كعملية قرار متسلسلة، يقلل ذلك من الانزعاج بنسبة 43٪ واستهلاك الطاقة بنسبة 21٪ مع الحفاظ على الخصوصية. تظهر النتائج إطارا قويا ومتجاوبا مناسبا لمساحات العمل الواعية بالصحة والمنازل الذكية.

الملخص

تقدم هذه الورقة نظام أثاث ذكي متقدم يعتمد على إنترنت الأشياء (IoT)، مصمم للتكيف ديناميكيا مع المستخدمين الأفراد من خلال دمج التعلم المعزز العميق مع التعلم الميتا الفيدرالي. يتم صياغة التخصيص كعملية قرار ماركوف، مما يمكن النظام من إجراء تعديلات متتالية محسنة ومصممة خصيصا لسلوك كل مستخدم. لتقدير التفضيلات المريحة الخفية في الوقت الحقيقي، يتم تطبيق مرشح كالمان التكيفي، بينما يقلل المشفر الذاتي المتناثر من إشارات المستشعر الخام بنسبة 82٪، مما يحافظ على الميزات الزمنية الرئيسية الضرورية للنمذجة الدقيقة. في دراسة شاملة للمستخدمين شملت 48 مشاركا وأكثر من 160,000 عينة من أجهزة الاستشعار من السلاسل الزمنية، خفض الإطار بشكل ملحوظ عدم رضا المستخدمين التراكمي بنسبة 43٪ وخفض استهلاك الطاقة بنسبة 21٪ مقارنة بأنظمة التحكم التقليدية القائمة على القواعد. تحدث التكيفات في الوقت الحقيقي بمتوسط زمن استجابة يبلغ 280 مللي ثانية، ويتم الحفاظ على قيود علم الراحة في 95٪ من حالات الاستخدام، مما يؤكد أن النظام يعمل بسرعة وأمان. يتيح التعلم الفيدرالي (FL) التعاون للحفاظ على الخصوصية عبر وحدات الأثاث الموزعة. يقارب التدريب إلى 87٪ من الأداء العالمي خلال 30 تكرارا عالميا، دون أي تبادل بيانات خام، مما يعزز كل من قابلية التوسع وخصوصية البيانات. تدعم هذه النتائج التجريبية بقوة ملاءمة الإطار للنشر في أماكن العمل الصحية، والمنازل الذكية، وبيئات رعاية كبار السن، مقدمة حلا قويا ومتجاوبا وقابلا للتفسير لتعزيز التفاعل بين الإنسان والأثاث.

المقدمة

مكن إنترنت الأشياء (IoT) دمج الاستشعار والحوسبة والتفعيل في البيئات الفيزيائية، داعما الأنظمة التكيفية القادرة على التفاعل الواعي بالسياق واتخاذ القرار في الوقت الحقيقي ^1,2,3. ضمن هذا النموذج، تدمج أنظمة الأثاث الذكية حساسات الضغط، ووحدات القياس بالقصور الذاتي، وأجهزة مراقبة بيئية، ومتحكمات دقيقة، ووحدات اتصالات لاسلكية، وخوارزميات ذكاء اصطناعي لمراقبة الوضعية. الظروف البيئية وأنماط التفاعل⁴. على عكس المعدات المريحة التقليدية، تهدف هذه الأنظمة إلى تمكين التخصيص المستمر من خلال النمذجة السلوكية القائمة على البيانات وآليات التغذية الراجعة التكيفية^5،6.

أدى انتشار نماذج العمل الهجينة، وأنماط الحياة الخاملة، ونمو السكان في العمر إلى تكثيف الاهتمام البحثي بالأثاث المتجاوب مريح الوراثة القادر على دعم الراحة والإنتاجية ومراقبة الصحة ^7,8,9,10. تم استكشاف منصات الأثاث الذكية في سياقات السكنية والمكاتب والرعاية الصحية والتعليمية، حيث يسمح الذكاء المدمج للأثاث بأن يعمل كواجهة تفاعلية بين المستخدمين وبيئاتهم^11,12. بحثت أبحاث حديثة في التعلم المعزز والتعلم الموحد للتخصيص التكيفي في الأنظمة الموزعة 13,14,15. سلطت طرق التعلم المعزز التي تحافظ على الخصوصية للتطبيقات المدعومة بإنترنت الأشياء الضوء على المقايضات بين التكيف وحماية البيانات¹³. لقد تناولت أطر التعلم الموحدة في الحوسبة الطرفية تحديات كفاءة الاتصالات والتحسين اللامركزي¹⁴. لقد أظهر التعلم المعزز العميق فعالية في خدمات التخصيص الرقمي¹⁵. ومع ذلك، ركز معظم الأعمال السابقة على منصات الخدمة الافتراضية بدلا من الأنظمة المادية المجسدة مثل Smart Furniture¹⁶.

تدخل بيئات الأثاث الذكية الفيزيائية قيودا إضافية، بما في ذلك ديناميكيات المشغلات، ومتطلبات السلامة الميكانيكية، وحدود استهلاك الطاقة، وضوضاء المستشعرات، وقيود التأخير، وتعقيد التفاعل بين المستخدمين^{المتعدد 17}. على سبيل المثال، يجب أن تدمج الكراسي الذكية التي تراقب الوضعية وأسرة تتبع النوم الاستشعار البيوميكانيكي مع آليات التنسيق البيئي مثل أنظمة التدفئة والتهوية وتكييف الهواء^{(HVAC) 18}. لذا يتطلب التخصيص في هذه السياقات نمذجة ديناميكية للإشارات الفسيولوجية والسلوكية والبيئية بدلا من رسم التفضيلات الثابتة^19,20.

يمكن لأجهزة استشعار إنترنت الأشياء المدمجة في المكونات الهيكلية مثل وسائد المقاعد، ومسند الذراع، ومسند الظهر، وأسطح الطاولات التقاط بيانات متعددة المتغيرات من السلاسل الزمنية، بما في ذلك الحركة (مقاييس التسارع، الجيروسكوبات)، توزيع الضغط، القياسات الحرارية، السياق الصوتي، والمؤشرات الفسيولوجية مثل النشاط الكهربائي الجلدي (EDA) وتقلب معدل ضربات القلب^21,22. تعمل الحساسات المدمجة وفقا لمعايير السلامة الاستهلاكية منخفضة الطاقة وتصدر إشعاعا كهرومغناطيسيا غير مؤينة ضئيلا جدا. تظل مستويات تعرضهم أقل بكثير من عتبات السلامة الدولية. عادة ما تكون إشارات المستشعرات الخام عالية الأبعاد، صاخبة، وتعتمد على السياق²³، مما يتطلب معالجة إشارات منظمة، واستخراج الميزات، ودمج المستشعرات لبناء تمثيلات حالة مستخدم موثوقة²⁴.

تم تطبيق طرق تعلم الآلة بما في ذلك التصنيف الخاضع للإشراف، والتجميع غير الخاضع للإشراف، والشبكات العصبية العميقة على النمذجة السلوكية في البيئات الذكية^25,26. تلتقط الشبكات العصبية المتكررة (RNNs) والشبكات العصبية الالتفافية (CNNs) الاعتماديات الزمنية في حركة المستخدم، بينما تقسم طرق التجميع المستخدمين إلى مجموعات سلوكية²⁶. على الرغم من أن هذه التقنيات تحسن التعرف على الأنماط، إلا أنها لا تحسن قرارات التحكم التسلسلية في ظل عدم اليقين بشكل جوهري. استراتيجيات التحكم القائمة على القواعد التي تطبق عادة في الأنظمة المريحة تربط عتبات المستشعرات بأفعال محددة مسبقا لكنها تفتقر إلى قدرة التعلم التكيفي²⁷. وبالتالي، قد تفشل التعيينات الثابتة في استيعاب التفضيلات المتغيرة والتغيرات السياقية^{مع مرور الوقت}.

تتطلب البيئات متعددة المستخدمين أيضا تمييزا ديناميكيا في السياق وتبديل الملفات التكيفية للحفاظ على الأداء عبر المستخدمين غير المتجانسين²⁹. لذا يتطلب تحقيق التخصيص القابل للتوسع نماذج قادرة على التعلم السلوكي الطولي مع الحفاظ على الخصوصية والكفاءة الحاسوبية³⁰. دمج الذكاء السياقي مباشرة في بنية الأثاث يعزز استجابة التفاعل؛ ومع ذلك، يجب على أنظمة إنترنت الأشياء الموزعة أيضا معالجة حماية الخصوصية وقيود التعامل الآمن مع البيانات^31,32. لمعالجة هذه التحديات، تقترح هذه الدراسة إطار عمل تحكم ذكي موحد لأنظمة الأثاث الذكية المدعومة بإنترنت الأشياء، يدمج التعلم التعزيزي، والتقدير التكيفي للحالات، والتعلم الميتا الفيدرالي. يتم صياغة التخصيص كعملية قرار ماركوف (MDP)، مما يتيح تحسين تسلسلي لراحة المستخدم وكفاءة الطاقة تحت الانتقالات العشوائية. يقوم التعلم المعزز باستمرار بتحسين سياسات التحكم بناء على تغذية راجعة المكافأة التراكمية، متغلبا على قيود أساليب التعيين الاستدلالية أو الثابتة.

يتم دمج مرشح كالمان التكيفي لتقدير حالات تفضيل المستخدم الكامنة من الملاحظات متعددة المتغيرات الصاخبة، مما يفصل ضوضاء القياس عن النية المريحة الأساسية ويحسن استقرار التحكم. هذا المرشح هو خوارزمية تقدير الحالة الاحتمالية التكرارية تستخدم لاستنتاج التفضيلات المريحة الكامنة من خلال الملاحظات المزعجة. تم توضيح دوره في فصل ضوضاء القياس عن نية المستخدم المخفية بشكل صريح. يتيح التعلم الموحد تجميع النماذج الموزعة دون تبادل البيانات الخام، بينما يسرع التعلم الفوقي التكيف مع المستخدمين الجدد من خلال تهيئة ممثلة عبر مجموعات سكانية مختلفة. يعرض الشكل 1 البنية المعمارية متعددة الطبقات لنظام الأثاث الذكي المقترح، المنظمة إلى طبقات الاستشعار، الاستنتاج، التخصيص، والبنية التحتية الأخلاقية. يوضح الرسم البياني كيف يتم دمج اكتساب المستشعرات، وذكاء الحواف/السحابة، والتحكم التكيفي، وإدارة البيانات الآمنة ضمن إطار موحد لتخصيص الوقت الحقيقي.

الهدف الأساسي من هذه الدراسة هو تصميم وتقييم معمارية تخصيص قابلة للتوسع، واعية للطاقة، وتحافظ على الخصوصية لأنظمة الأثاث الذكية. يدمج الإطار المقترح الاستشعار، وتعلم التمثيل، وتقدير الحالة الاحتمالية، وتحسين القرار التسلسلي، والتعاون الموحد ضمن هيكل متماسك. يظهر التحقق التجريبي باستخدام وحدات الأثاث الذكية النموذجية تحسينات ملموسة مقارنة بأساليب التحكم الاستدلالية من حيث تقليل استياء المستخدمين وكفاءة الطاقة. من خلال توسيع التعلم المعزز والتكيف الفيدرالي من الخدمات الرقمية إلى بيئات مادية متجسدة، يؤسس هذا العمل مسارا تقنيا نحو أنظمة أثاث ذكية قابلة للتفسير والتحقق تجريبيا.

البروتوكول

لم تكن هذه الدراسة مطلوبة للحصول على موافقة أخلاقية. شملت الإجراءات التجريبية تفاعلا غير جراحي مريح مع وحدات أثاث ذكي نموذجية، دون تدخل طبي أو اختبارات سريرية أو جمع معلومات صحية شخصية محددة. تم إخفاء هوية جميع بيانات المستشعرات المسجلة قبل التخزين والتحليل. كانت المشاركة طوعية، ولم يتم جمع أي بيانات حساسة أو سريرية.

1. تجهيز الأجهزة والنظام

1. تجميع وحدة الأثاث الذكية
   1. قم بتركيب مصفوفة حساس ضغط سعوية مكونة من 16 قناة في وسادة المقعد.
   2. تركيب وحدة قياس قصور ذاتي بستة محاور (مقياس تسارع + جيروسكوب) على مسند الظهر.
   3. قم بتركيب حساسات درجة الحرارة، الرطوبة، الضوء المحيط والصوت.
   4. دمج وحدات النشاط الكهربائي الجلدي (EDA) ووحدات حساس معدل ضربات القلب الاختيارية.
   5. قم بتوصيل جميع الحساسات بمتحكم دقيق ESP32 عبر واجهات I2C/SPI.
2. تكوين نظام التشغيل
   1. قم بتركيب محركات سيرفو لضبط الارتفاع والإمالة.
   2. اضبط نطاق ضبط الإمالة على ±15°.
   3. اضبط نطاق ضبط الارتفاع إلى 40–70 سم.
   4. حدد حجم خطوة التشغيل إلى ΔS_كحد أقصى = 2° لكل دورة تحديث.
3. تكوين منصة الحوسبة
   1. قم بتثبيت أوبونتو 20.04 على NVIDIA Jetson Nano (ذاكرة RAM بسعة 4 جيجابايت) أو ما يعادله.
   2. قم بتثبيت بايثون 3.9.
   3. قم بتثبيت PyTorch 1.13 وNumPy وSciPy وScikit-learn.
   4. فعل تسريع CUDA إذا كان هناك بطاقة رسومات متوفرة.

2. جمع البيانات

1. تكوين أخذ العينات
   1. اضبط معدل أخذ عينات المستشعر على 20 هرتز.
   2. قم بمزامنة جميع تدفقات المستشعرات باستخدام محاذاة الطابع الزمني.
   3. تخزين البيانات بصيغة CSV.
2. إجراء جلسات التفاعل
   1. استقطبوا 48 مشاركا بالغا.
   2. سجل جلسات تفاعل جالسة لمدة 60 دقيقة لكل مشارك.
   3. اجمع درجات الراحة الذاتية على مقياس ليكرت من 1 إلى 5.
3. مجموعة بيانات التقسيم
   1. قم بإزالة معرفات المشاركين.
   2. قسم مجموعة البيانات إلى 70٪ تدريب، 15٪ تحقق، و15٪ مجموعات اختبار.

3. معالجة البيانات مسبقا

1. إشارات المرشح
   1. تطبيق فلتر باتروورث منخفض التمرير (تردد القطع = 5 هرتز).
   2. قم بتطبيع كل قناة مستشعر إلى متوسط صفر وتباين وحدة.
2. تمثيل الحالة البنوي.
   1. يربط حالة الأثاث S(t) مع متجه المستشعر X_i(t).
   2. إشارات المقاطع باستخدام نوافذ منزلقة (حجم النافذة = 50 خطوة زمنية).

4. تدريب الترميز الذاتي المتناثر

1. عرف العمارة.
   1. اضبط بعد الإدخال d.
   2. اضبط البعد الكامن p = 0.3d.
   3. استخدم تفعيل ReLU.
2. نموذج القطار
   1. استخدم محسن آدم (معدل التعلم = 0.001).
   2. تعيين حجم الدفعة = 64.
   3. تدرب لمدة 100 عصر.
   4. تقليل الخسارة:
      1. عرف L_SE كدالة فقدان المشفر الذاتي المتناثرة.
      2. عرف كمصفوفة بيانات مستشعر الإدخال الأصلية.
      3. عرف n هو عدد العينات و هو عدد ميزات المستشعر.
      4. عرف على أنه الناتج المعاد بناؤه من شبكة فك الترميز.
      5. عرف كخطأ إعادة بناء إقليدي مربع المربع.
      6. عرف W⁽¹⁾ كمصفوفة الوزن لطبقة المشفر الأولى.
      7. عرف كمعيار L1 لأوزان المشفر، مما يعزز التفرقة في التمثيل المتعلم.
      8. عرف λ > 0 كمعامل تنظيم التباجدت المتفرقة الذي يتحكم في المقايضة بين دقة إعادة البناء والرقيقة.
      9.   
      10. اضبط λ = 0.001.
3. مشفر التصدير
   1. وفر أوزان الترميز المدربة.
   2. تجميد معلمات الترميز لمرحلة التعلم التعزيزي.

5. صياغة عملية القرار ماركوف

1. تعريف فضاء الحالات
   1. عرف S(t) بأنه تكوين الأثاث.
   2. عرف h(t) كتضمين مستشعر مضغوط.
   3. بناء متجه الحالة .
2. تعريف فضاء الأفعال
   1. تعريف
   2. القيود
3. تعريف دالة المكافأة
   1. عدم رضا الحساب
      1. عرف D(t) بأنه عدم رضا المستخدم الفوري عند الخطوة الزمنية t.
      2. عرف كمتجه حالة الأثاث الفعلي في الزمن.
      3. عرف m كعدد المعاملات الميكانيكية القابلة للتحكم.
      4. عرف كالحالة المثالية (المثلى) المريحة التي يفضلها المستخدم في الوقت الحالي.
      5. عرف كمعيار إقليدي مربع.
         
   2. تعريف المكافأة
      عرف بأنه مقدار إقليدي مربع تعديل التحكم.
      
      المجموعة λ = 0.05

6. تقدير مرشح كالمان

1. تهيئة حالة التفضيل الكامن والتغاير.
   1. تحديد تقدير الحالة الأولي
   2. تغاير البداية P(0) = 1
2. التنبؤ بديناميكيات التفضيل الكامن
   1. تنبأ بحالة التفضيل الكامنة في اللحظة الزمنية التالية.
      1. عرف على أنه التطور المتوقع لحالة تفضيل المستخدم الكامنة.
      2. عرف كتأثير التعديل السابق للأثاث على التفضيل الكامن المتوقع في الزمن .
   2. نشر عدم اليقين في تقدير الحالة المتوقع.
      1. عرف على أنه التغاير المنتشر لتقدير الحالة الكامنة.
      2. عرف A كمصفوفة ديناميكيات النظام.
      3. عرف Q كمصفوفة تغاير ضوضاء العملية.
         
      4. المجموعة Q = 0..01
3. قس تصحيح تقدير التفضيل الكامن.
   1. احسب كالمان كسب K(t).
   2. تحديث تقدير الحالة والتغاير.
   3. المجموعة R = 0.05

7. تدريب DDPG

1. تهيئة الشبكات
   1. استخدم طبقتين مخفيتين (كل واحدة 128 عصبية) للممثل والناقد.
   2. قم بتهيئة الشبكات المستهدفة.
2. تعيين المعاملات الفائقة
   1. معدل تعلم الممثل = 1 × ^10-4
   2. معدل تعلم النقد = 1 × ^10-3.
   3. عامل الخصم γ = 0.99
   4. تحديث برمي τ = 0.005
   5. حجم مخزن إعادة التشغيل = 100,000
3. سياسة القطارات
   1. تدرب على 200,000 خطوة تفاعل.
   2. عينات من دفعات صغيرة بحجم 64.
   3. قم بتحديث الناقد قبل الممثل.

8. التعلم الميتا الموحد

1. توزيع النموذج العالمي.
   1. أرسل النموذج العالمي إلى أجهزة الطرف.
2. أداء التدريب المحلي
   1. تدرب محليا لمدة 5 فترات في كل جولة.
   2. احسب التدرجات.
3. المجموع
   1. قم بإجراء المتوسط الوزني.
   2. كرر ذلك لمدة 30 جولة اتصال.

9. تحسين محدود بالطاقة

1. تعريف القيد
   عرف_{الحد الأقصى} ε كأقصى حد مسموح به لعدم الرضا
   1. التنفيذ
2. تطبيق شروط كاروش–كون–تاكر (KKT)
   1. نعرف كتدرج دالة لاغرانجيان L بالنسبة لمتجه ضبط التحكم ΔS.
   2. احسب .
   3. تحديث مضاعف لاغرانج.

10. التقييم الأساسي

1. تنفيذ الخطوط الأساسية
   1. تنفيذ التحكم في العتبة القائم على القواعد.
   2. تنفيذ التعلم الجزائي Q-learning.
   3. نفذ متنبئ الغابة العشوائي.
   4. تنفيذ سياسة قائمة على المحولات.
2. تقييم أداء استراتيجيات التحكم المطبقة
   1. قس الاستياء التراكمي.
   2. قس استهلاك الطاقة.
   3. قس التأخير.

11. النتائج المتوقعة

1. احصل على سياسة تخصيص مدربة.
2. احصل على انخفاض في عدم الرضا مقارنة بالحالة الأساسية.
3. احصل على سلوك تشغيل فعال فعال للطاقة.
4. احتفظ بأوزان النماذج المدربة لتكون قابلية للتكرار.

النتائج

تكامل الأجهزة والتحقق من صحة النظام
عمل نظام الأثاث الذكي بشكل موثوق تحت الاستشعار المستمر متعدد الوسائط والتشغيل في الوقت الحقيقي. جميع الحساسات كانت تبث بيانات متزامنة على تردد 20 هرتز دون فقدان حزم ملحوظ. تم تطبيق الحدود الميكانيكية بشكل مستمر، مع تقييد ميل إلى ±15°، وارتفاع محدود بين 40–70 سم، وتغييرات الخطوات تحد ب Δ_{S max} = 2⁰ لكل دورة تحكم. ظل استدلال الحافة مستقرا طوال الجلسات الطويلة، مؤكدا جدوى التحكم التكيفي المدمج. يتم عرض بنية النظام الكاملة في

المناقشة

تظهر الدراسة الحالية أن الإطار الهجين الذي يدمج التعلم التعزيزي، والترشيح التكيفي لطريقة كالمان، والتعلم التمثيلي المتفرق، والتعلم الميتا الفيدرالي يمكن أن يحسن بشكل كبير التخصيص المتجسد في أنظمة الأثاث الذكية تحت قيود الوقت الحقيقي. عبر 48 مشاركا، حقق الإطار انخفاضا بنسبة 43.2٪ في عدم الرضا التراكمي مقارنة بالتحكم القائم على القواعد (p < 0.001) وانخفاضا بنسبة 21.2٪ في إجمالي استهلاك الطاقة (p < 0.001)، مع الحفاظ على متوسط زمن الاستجابة في التشغيل أقل من 300 مللي ثانية. لم تكن هذه التحسينات تدريجية بل كانت قوية إحص...

المواد

قائمة المواد المستخدمة في هذه المقالة

الاسم	الشركة	رقم فهرسي	التعليقات
Actuators	Generic Manufacturer	N/A	Adjustments
Adaptive Kalman Filter	Custom Implementation	N/A	State estimation algorithm
Bio-signal (EDA/HRV/Resp.)	Generic Manufacturer	N/A	Health awareness
Connectivity	Generic Manufacturer	N/A	Network uplink
DDPG (Actor–Critic)	OpenAI Baselines / PyTorch	DDPG Module	Deep deterministic policy gradient RL
Edge MCU	Generic Manufacturer	N/A	Low-latency
Federated Learning	Google Research	FedAvg Protocol	Federated averaging aggregation method
Federated Meta-Learning	Custom / Open-source	N/A	Meta-initialization minimizes meta-loss
IMU (Accel/Gyro)	TDK InvenSense	MPU-6050	6-axis accelerometer and gyroscope module
Light Sensor	ROHM Semiconductor	BH1750FVI	Digital ambient light sensor
MDP Formulation	Custom Implementation	N/A	Markov decision process modeling
Microphone	Adafruit Industries	1713 (MAX9814)	Electret microphone amplifier module
Pressure Matrix	Interlink Electronics	FSR-400 Series	16-channel capacitive pressure sensing array
Sparse Autoencoder (SAE)	Meta AI	PyTorch 1.13	Neural network training framework
Thermal Sensor	Adafruit Industries	385 (DHT22)	Digital temperature and humidity sensor