מערכות רהיטים חכמות מונעות אינטרנט של הדברים להתאמה אישית ממוקדת אדם: הערכה ניסויית באמצעות נתוני חיישני התנהגות

סיכום

מחקר זה מציג מערכת רהיטים חכמה המשתמשת בחיזוק עמוק ובלמידה מטא-משולבת כדי להתאים אישית את חוויות המשתמש בזמן אמת. על ידי מידול התנהגות המשתמש כתהליך החלטה רציף, הוא מפחית את אי הנוחות ב-43% ואת צריכת האנרגיה ב-21% תוך שמירה על פרטיות. התוצאות מדגימות מסגרת חזקה ותגובתית, המתאימה למרחבי עבודה מודעים לבריאות ולבתים חכמים.

תקציר

מאמר זה מציג מערכת רהיטים חכמה מתקדמת המונעת על ידי אינטרנט של הדברים (IoT), שנועדה להסתגל דינמית למשתמשים פרטיים על ידי שילוב למידה מחוזקת עמוקה עם למידת מטא מאוחדת. התאמה אישית מנוסחת כתהליך החלטה מרקוב, המאפשר למערכת לבצע התאמות אופטימליות וסדרתיות המותאמות להתנהגות כל משתמש. כדי להעריך העדפות ארגונומיות נסתרות בזמן אמת, מיושם מסנן קלמן אדפטיבי, בעוד שמקודד אוטומטי דליל מפחית אותות חיישנים גולמיים ב-82%, תוך שמירה על תכונות זמניות מרכזיות החיוניות למידול מדויק. במחקר משתמשים מקיף שכלל 48 משתתפים ויותר מ-160,000 דגימות חיישנים בסדרת זמן, המסגרת הפחיתה משמעותית את אי שביעות הרצון המצטברת של המשתמשים ב-43% והפחיתה את צריכת האנרגיה ב-21% בהשוואה למערכות בקרה מבוססות כללים מסורתיות. התאמות בזמן אמת מתרחשות עם השהיה ממוצעת של 280 מילישניות, ומגבלות ארגונומיה נשמרות ב-95% ממקרי השימוש, מה שמאשר שהמערכת פועלת במהירות ובבטחה. למידה פדרטיבית (FL) מאפשרת שיתוף פעולה לשמירה על פרטיות בין יחידות רהיטים מבוזרות. ההכשרה מתכנסת ל-87% מהביצועים הגלובליים בתוך 30 איטרציות גלובליות, ללא חילופי נתונים גולמיים, מה שמחזק הן את ההרחבה והן את פרטיות הנתונים. תוצאות אמפיריות אלו תומכות בחוזקה בהתאמת המסגרת לפריסה בסביבות עבודה מודעות לבריאות, בתים חכמים וסביבות טיפול בקשישים, ומספקות פתרון חזק, תגובתי וניתן לפרשנות להעשיר את האינטראקציה בין אדם לרהיטים.

מבוא

האינטרנט של הדברים (IoT) אפשר שילוב של חישה, חישוב והפעלה בסביבות פיזיות, התומכות במערכות אדפטיביות המסוגלות לאינטראקציה מודעת הקשר וקבלת החלטות בזמן אמת ^1,2,3 בתוך פרדיגמה זו, מערכות רהיטים חכמות משלבות חיישני לחץ, יחידות מדידה אינרציאליות, מוניטורים סביבתיים, מיקרו-בקרים, מודולי תקשורת אלחוטית ואלגוריתמים של בינה מלאכותית לניטור יציבה. תנאים סביבתיים ודפוסי אינטראקציה⁴. בניגוד לציוד ארגונומי קונבנציונלי, מערכות אלו שואפות לאפשר התאמה אישית רציפה באמצעות מידול התנהגותי מונחה נתונים ומנגנוני משוב אדפטיביים ^5,6.

השכיחות הגוברת של מודלים היברידיים, אורחות חיים יושבני ואוכלוסיות מזדקנות הגבירה את העניין המחקרי ברהיטים תגובתיים ארגונומית היכולים לתמוך בנוחות, פרודוקטיביות וניטור בריאות 7,8,9,10. פלטפורמות רהיטים חכמות נחקרו בהקשרים למגורים, משרדים, בריאות וחינוך, שבהם אינטליגנציה מוטמעת מאפשרת לרהיטים לתפקד כממשק אינטראקטיבי בין המשתמשים לסביבותיהם^11,12. מחקרים עדכניים חקרו למידת חיזוק ולמידה פדרטיבית להתאמה אישית אדפטיבית במערכות מבוזרות 13,14,15. שיטות למידה מחזקות לשמירה על פרטיות עבור יישומים מבוססי IoT הדגישו את הפשרות בין אדפטיביות להגנת נתונים¹³. מסגרות למידה מאוחדות במחשוב קצה התמודדו עם אתגרי יעילות תקשורת ואופטימיזציה מבוזרת¹⁴. למידת חיזוק עמוקה הראתה יעילות בשירותי התאמה אישית^{דיגיטלית 15}. עם זאת, רוב העבודות הקודמות התמקדו בפלטפורמות שירות וירטואליות ולא במערכות פיזיות מגולמות כמו Smart Furniture¹⁶.

סביבות רהיטים חכמות פיזיות מציגות מגבלות נוספות, כולל דינמיקת מפעילים, דרישות בטיחות מכניות, מגבלות צריכת אנרגיה, רעש חיישנים, מגבלות השהיה ומורכבות אינטראקציה מרובת משתמשים¹⁷. לדוגמה, כיסאות חכמים לניטור יציבה ומיטות חכמות למעקב שינה חייבים לשלב חישה ביומכנית עם מנגנוני תיאום סביבתיים כגון מערכות חימום, אוורור ומיזוג אוויר (HVAC)¹⁸. לכן, התאמה אישית בהקשרים אלו דורשת מידול דינמי של אותות פיזיולוגיים, התנהגותיים וסביבתיים במקום מיפוי העדפות סטטי^19,20.

חיישני IoT מוטמעים המשולבים ברכיבים מבניים כמו כריות ישיבה, משענות יד, משענות גב ושולחנות יכולים ללכוד נתוני סדרות זמן רב-משתניות, כולל תנועה (מד תאוצה, ג'ירוסקופים), התפלגות לחץ, מדידות תרמיות, הקשר אקוסטי ואינדיקטורים פיזיולוגיים כגון פעילות אלקטרודרמלית (EDA) ושונות דופק^21,22. החיישנים המוטמעים פועלים לפי תקני בטיחות צרכנים בעוצמה נמוכה ופולטים רק קרינה אלקטרומגנטית לא מייננת זניחה. רמות החשיפה שלהם נשארות נמוכות משמעותית מספי בטיחות בינלאומיים. אותות חיישנים גולמיים הם בדרך כלל בעלי ממדים גבוהים, רועשים ותלויי הקשר²³, מה שמצריך עיבוד אותות מובנה, חילוץ תכונות ומיזוג חיישנים לבניית ייצוגי מצב משתמש אמינים²⁴.

שיטות למידת מכונה כולל סיווג מפוקח, אשכולות לא מפוקחים ורשתות עצביות עמוקות יושמו במידול התנהגותי בסביבות חכמות^25,26. רשתות עצביות חוזרות (RNNs) ורשתות עצביות קונבולוציונליות (CNNs) לוכדות תלות זמנית בתנועת המשתמש, בעוד שגישות הקיבוץ מחלקות את המשתמשים לקבוצות התנהגות²⁶. למרות שטכניקות אלו משפרות את זיהוי התבניות, הן אינן מייעלות באופן מהותי החלטות בקרה סדרתיות תחת אי-ודאות. אסטרטגיות בקרה מבוססות כללים שמיושמות בדרך כלל במערכות ארגונומיות מפות את ספי החיישנים לפעולות מוגדרות מראש אך חסרות יכולת למידה אדפטיבית²⁷. כתוצאה מכך, מיפויים סטטיים עלולים לא להתאים להעדפות משתנות ולשונות הקונטקסטואלית לאורך זמן²⁸.

סביבות רב-משתמשיות דורשות גם הבדלה דינמית בהקשר והחלפת פרופילים אדפטיבית כדי לשמור על ביצועים בין משתמשים הטרוגניים²⁹. השגת התאמה אישית ניתנת להרחבה דורשת לכן מודלים המסוגלים למידה התנהגותית לאורך זמן תוך שמירה על פרטיות ויעילות חישובית³⁰. הטמעת אינטליגנציה קונטקסטואלית ישירות בתשתיות רהיטים משפרת את תגובתיות האינטראקציה; עם זאת, מערכות IoT מבוזרות חייבות גם להתמודד עם מגבלות הגנה על פרטיות וטיפול מאובטח בנתונים^31,32. כדי להתמודד עם אתגרים אלו, מחקר זה מציע מסגרת בקרה אינטליגנטית מאוחדת למערכות רהיטים חכמות המופעלות ב-IoT, המשלבת למידת חיזוק, הערכת מצבים אדפטיבית ומטה-למידה מאוחדת. התאמה אישית מנוסחת כתהליך החלטה מרקוב (MDP), המאפשר אופטימיזציה רציפה של נוחות המשתמש ויעילות אנרגטית במעברים סטוכסטיים. למידת חיזוק משפרת באופן מתמיד מדיניות בקרה המבוססת על משוב תגמול מצטבר, ומתגברת על מגבלות של גישות היוריסטיות או מיפוי סטטי.

מסנן קלמן אדפטיבי משולב להערכת מצבי העדפת משתמש סמויים מתצפיות רב-משתניות רועשות, ומפריד רעש מדידה מהכוונה הארגונומית הבסיסית ומשפר את יציבות הבקרה. מסנן זה הוא אלגוריתם הערכת מצב הסתברותי רקורסיבי המשמש להסקת העדפות ארגונומיות סמויות מתצפיות רועשות. תפקידו בהפרדת רעש מדידה מכוונת משתמש נסתרת הובהר במפורש. למידה מאוחדת מאפשרת אגרגציה מבוזרת של מודלים ללא החלפת נתונים גולמיים, בעוד שמטה-למידה מאיצה את ההתאמה למשתמשים חדשים באמצעות אתחול אופטימלי בין אוכלוסיות הטרוגניות. איור 1 מציג את הארכיטקטורה הרב-שכבתית של מערכת הרהיטים החכמה המוצעת, המאורגת לשכבות חישה, הסקנה, התאמה אישית ותשתית אתית. התרשים ממחיש כיצד רכישת חיישנים, אינטליגנציה של קצה/ענן, שליטה אדפטיבית וניהול נתונים מאובטח משולבים במסגרת התאמה אישית מאוחדת בזמן אמת.

המטרה העיקרית של מחקר זה היא לעצב ולהעריך בניסוי ארכיטקטורת התאמה אישית ניתנת להרחבה, מודעת לאנרגיה ושומרת פרטיות עבור מערכות רהיטים חכמות. המסגרת המוצעת משלבת חישה, למידת ייצוג, הערכת מצב הסתברותית, אופטימיזציה של החלטות סדרתיות ושיתוף פעולה פדרטיבי בתוך מבנה מגובש. אימות ניסיוני באמצעות יחידות רהיט חכמות אב-טיפוס מדגים שיפורים מדידים לעומת גישות בקרה היוריסטית מבחינת הפחתת אי שביעות רצון של המשתמשים ויעילות אנרגטית. על ידי הרחבת הלמידה החיזוקית וההתאמה הפדרטיבית משירותים דיגיטליים לסביבות פיזיות מגולמות, עבודה זו יוצרת מסלול טכני למערכות רהיטים חכמות שניתן לפרש ומאומתות ניסיונית.

פרוטוקול

לא נדרש אישור אתי למחקר זה. ההליכים הניסיוניים כללו אינטראקציה ארגונומית לא פולשנית עם יחידות רהיטים חכמות אב-טיפוס, ללא התערבות רפואית, בדיקות קליניות או איסוף מידע בריאותי אישי מזוהה. כל נתוני החיישנים שהוקלטו היו אנונימיים לפני אחסון וניתוח. ההשתתפות הייתה וולונטרית, ולא נאספו נתונים רגישים או קליניים.

1. הכנת חומרה ומערכת

1. הרכבת יחידת הרהיטים החכמה
   1. התקן מערך חיישני לחץ קיבולי בן 16 ערוצים בכרית המושב.
   2. התקן יחידת מדידה אינרציאלית בעלת 6 צירים (מד תאוצה + ג'ירוסקופ) על משענת הגב.
   3. התקן חיישני טמפרטורה, לחות, תאורה סביבתית וקול.
   4. שלבו מודולים אופציונליים לפעילות אלקטרודרמלית (EDA) וחיישני קצב לב.
   5. חבר את כל החיישנים למיקרו-בקר ESP32 דרך ממשקי I2C/SPI.
2. הגדרת מערכת הפעלה
   1. התקן מנועי סרוו לכיוון גובה והטיה.
   2. הגדר את טווח כיוון ההטיה ל-±15°.
   3. הגדר את טווח התאמת הגובה ל-40–70 ס"מ.
   4. הגבל את גודל שלב ההפעלה_{ל-Δ S מקסימום} = 2° לכל מחזור עדכון.
3. הגדרת פלטפורמת המחשוב
   1. התקן את אובונטו 20.04 על NVIDIA Jetson Nano (4GB RAM) או שווה ערך.
   2. התקן את פייתון 3.9.
   3. התקן את PyTorch 1.13, NumPy, SciPy ו-Scikit-learn.
   4. הפעל את האצת CUDA אם יש כרטיס מסך זמין.

2. רכישת נתונים

1. הגדרת דגימה
   1. הגדר את קצב דגימת החיישן ל-20 הרץ.
   2. סנכרן את כל זרמי החיישנים באמצעות יישור חותמת זמן.
   3. אחסן נתונים בפורמט CSV.
2. קיום מפגשי אינטראקציה
   1. גייסו 48 משתתפים מבוגרים.
   2. להקליט מפגשי אינטראקציה ישיבה של 60 דקות לכל משתתף.
   3. אסוף ציוני נוחות סובייקטיבית בסולם ליקרט 1–5.
3. מערך נתונים של חלוקה
   1. הסר מזהי משתתפים.
   2. חלק את מערך הנתונים ל-70% אימון, 15% אימות ו-15% סט בדיקות.

3. עיבוד נתונים מוקדם

1. אותות סינון
   1. החלו פילטר Butterworth נמוך (תדירות חיתוך = 5 הרץ).
   2. נרמל כל ערוץ חיישן לממוצע אפס ולשונות יחידה.
2. ייצוג מצבים בונה.
   1. קושר מצב רהיטים S(t) עם וקטור החיישן X_i(t).
   2. אותות מקטעים באמצעות חלונות הזזה (גודל חלון = 50 צעדי זמן).

4. אימון מקודד אוטומטי דליל

1. הגדר אדריכלות.
   1. הגדר מימד קלט d.
   2. הגדר ממד סמוי p = 0.3d.
   3. השתמש בהפעלת ReLU.
2. מודל הרכבת
   1. השתמש באופטימיזציה של אדם (קצב למידה = 0.001).
   2. הגדר גודל אצווה = 64.
   3. תאמן ל-100 תקופות.
   4. מזעור אובדן:
      1. הגדר L_SE כפונקציית אובדן מקודד אוטומטי דליל.
      2. הגדר כמטריצת נתוני חיישן הקלט המקורית.
      3. הגדר n הוא מספר הדגימות ו- הוא מספר תכונות החיישן.
      4. מגדירים כפלט המשוחזר שנוצר על ידי רשת המפענחים.
      5. הגדר כריבוע שגיאת השחזור האוקלידי.
      6. הגדר W⁽¹⁾ כמטריצת המשקל של שכבת המקודד הראשונה.
      7. מגדירים כנורמה L1 של משקלי המקודדים, ומעודדים דלילות בייצוג הנלמד.
      8. הגדר λ > 0 כמקדם הרגולריזציה של הדלילות השולט בפשרה בין נאמנות השיקום לדלילות.
      9.   
      10. הגדר λ = 0.001.
3. מקודד ייצוא
   1. שמור משקלים של מקודד מאומן.
   2. הקפאת פרמטרי המקודד לשלב למידת החיזוק.

5. ניסוח תהליך ההחלטה של מרקוב

1. הגדרת מרחב מצבים
   1. הגדר S(t) כתצורת רהיטים.
   2. הגדר h(t) כהטמעת חיישנים דחוסים.
   3. בנה וקטור מצב .
2. הגדר מרחב פעולות
   1. הגדר
   2. הגבלה
3. הגדרת פונקציית תגמול
   1. אי-שביעות רצון חישובית
      1. הגדר D(t) כחוסר שביעות הרצון המיידית של המשתמש בשלב הזמן t.
      2. הגדר את וקטור מצב הרהיטים בפועל בזמן.
      3. הגדר m כמספר הפרמטרים המכניים הניתנים לשליטה.
      4. הגדר כמצב ארגונומי אידיאלי (אופטימלי) המועדף על המשתמש באותו זמן.
      5. הגדר כנורמה אוקלידית בריבוע.
         
   2. הגדר תגמול
      הגדר כריבוע הגודל האוקלידי של התאמת הבקרה.
      
      Set λ = 0.05

6. הערכת מסנן קלמן

1. אתחול מצב ההעדפה החבוי והקווריאנטיות.
   1. קבעו הערכת מצב ראשונית
   2. קובריאנטיות התחלתית קבועה P(0) = 1
2. חיזוי דינמיקת העדפה סמויה
   1. חזו את מצב ההעדפה הארגונומית החבוי בצעד הזמן הבא.
      1. הגדר כהתפתחות החזויה של מצב העדפת המשתמש החבוי.
      2. הגדר כהשפעת התאמת הריהוט שהוחלה קודם על ההעדפה החבויה בזמן .
   2. הפיץ את אי-הוודאות של ההערכה הצפויה במדינה.
      1. מגדירים כקווריאנטיות המופצת של אומדן המצב החבוי.
      2. הגדר A כמטריצת דינמיקת המערכות.
      3. הגדר Q כמטריצת הקווריאנטיות של רעש התהליך.
         
      4. סט Q = 0..01
3. מדוד את תיקון ההערכה של ההעדפה החבויה.
   1. חשב קלמן מקבל K(t).
   2. עדכן את הערכת המדינה והקווריאנטיות.
   3. סט R = 0.05

7. אימוני DDPG

1. אתחול רשתות
   1. השתמש בשתי שכבות נסתרות (128 נוירונים כל אחת) עבור השחקן והמבקר.
   2. אתחול רשתות יעד.
2. הגדרת היפרפרמטרים
   1. קצב למידת שחקן = 1 × ^10-4
   2. קצב למידה ביקורתי = 1 × ^10-3.
   3. פקטור ההנחה γ = 0.99
   4. עדכון רך τ = 0.005
   5. גודל מאגר ההפעלה החוזרת = 100,000
3. מדיניות רכבות
   1. התאמנו ל-200,000 צעדי אינטראקציה.
   2. דוגמה למנות קטנות בגודל 64.
   3. עדכן את המבקר לפני השחקן.

8. למידת מטא מאוחדת

1. הפצה את המודל הגלובלי.
   1. שלח מודל גלובלי למכשירי קצה.
2. ביצוע הכשרה מקומית
   1. תאמן מקומית במשך 5 אפוקים בכל סיבוב.
   2. חשב גרדיאנטים.
3. אגרגט
   1. בצע ממוצע משוקלל.
   2. חזור על זה במשך 30 סבבי תקשורת.

9. אופטימיזציה מוגבלת אנרגטית

1. הגדר מגבלה
   הגדר_{ε מקסימום} כסף אי-שביעות רצון מקסימלי מותר
   1. אכיפה
2. החלו תנאי קרוש–קון–טאקר (KKT)
   1. מגדירים כגרדיאנט של פונקציית הלגרנג'יאן L ביחס לוקטור התאמת הבקרה ΔS.
   2. חשב .
   3. עדכן את מכפיל לגרנז'.

10. הערכת בסיס

1. מימוש קווי בסיס
   1. יישם שליטה על סף מבוססת כללים.
   2. יישם למידת Q טבלאית.
   3. יישם מנבא יער אקראי.
   4. יישום מדיניות מבוססת שנאי.
2. הערכת ביצועים של אסטרטגיות הבקרה המיושמות
   1. מדדו את חוסר שביעות הרצון המצטברת.
   2. מדדו את צריכת האנרגיה.
   3. מדד השהיה.

11. תפוקות צפויות

1. קבל מדיניות התאמה אישית מיומנת.
2. תקבל אי-שביעות רצון מופחתת בהשוואה למצב הבסיס.
3. קבל התנהגות הפעלה חסכונית באנרגיה.
4. שמור משקלים של מודלים מאומנים לשחזור.

תוצאות

אינטגרציה של חומרה ואימות מערכת
מערכת הרהיטים החכמה פעלה באמינות תחת חישה מולטימודלית רציפה והפעלה בזמן אמת. כל החיישנים שידרו נתונים מסונכרנים בתדר 20 הרץ ללא אובדן חבילות נראה. גבולות מכניים נשמרו בעקביות, עם ההטיה מוגבלת ל-±15°, הגבלת גובה ל-40–70 ס"מ, ושינויים בשלבים מוגבלים על ידי ΔS_{מקסימום} = 2⁰ לכל מחזור בקרה. הסקת קצה נותרה יציבה לאורך סשנים ממושכים, ואישרה את היתכנות בקרה אדפטיבית מוטמעת. ארכיטקטורת המערכת המלאה מוצגת באיור 1, ומסגרת...

דיון

המחקר הנוכחי מראה כי מסגרת היברידית המשלבת למידת חיזוק, סינון קלמן אדפטיבי, למידת ייצוג דליל ולמידת מטא מפדרטיבית יכולה לשפר משמעותית התאמה אישית מגולמת במערכות רהיטים חכמות תחת מגבלות בזמן אמת. בקרב 48 משתתפים, המסגרת השיגה ירידה של 43.2% באי שביעות הרצון המצטברת ביחס לבקרה מבוססת כללים (p < 0.001) וירידה של 21.2% בצריכת האנרגיה הכוללת (p < 0.001), תוך שמירה על השהיית הפעלה ממוצעת מתחת ל-300 מילישניות. השיפורים הללו לא היו הדרגתיים אלא חזקים סטטיסטית בין המשתתפים, עם טווחי אמון צרים ושונות נמוכה בין המשתמשים. מערכ...

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה

שם	חברה	מספר קטלוג	הערות
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