Internet of Things-gedreven slimme meubelsystemen voor mensgerichte personalisatie: Experimentele evaluatie met behulp van gedragssensorgegevens

Samenvatting

Deze studie presenteert een slim meubelsysteem dat gebruikmaakt van diepe versterking en gefedereerd meta-leren om gebruikerservaringen in realtime te personaliseren. Door gebruikersgedrag te modelleren als een sequentiële beslissingsproces, vermindert het ongemak met 43% en het energieverbruik met 21%, terwijl privacy behouden blijft. De resultaten tonen een robuust, responsief kader aan dat geschikt is voor gezondheidsbewuste werkruimtes en slimme huizen.

Samenvatting

Dit artikel introduceert een geavanceerd, door het Internet of Things (IoT)-gedreven slim meubelsysteem, ontworpen om zich dynamisch aan te passen aan individuele gebruikers door deep reinforcement learning te integreren met gefedereerd meta-learning. Personalisatie is geformuleerd als een Markov-besluitvormingsproces, waarmee het systeem geoptimaliseerde, sequentiële aanpassingen kan maken die zijn afgestemd op het gedrag van elke gebruiker. Om verborgen ergonomische voorkeuren in realtime te schatten, wordt een adaptief Kalman-filter toegepast, terwijl een spaarzame autoencoder de ruwe sensorsignalen met 82% vermindert, waardoor belangrijke temporele kenmerken behouden blijven die essentieel zijn voor nauwkeurige modellering. In een uitgebreide gebruikersstudie met 48 deelnemers en meer dan 160.000 tijdreeks-sensormonsters verminderde het kader de cumulatieve ontevredenheid van gebruikers aanzienlijk met 43% en verlaagde het energieverbruik met 21%, vergeleken met conventionele regelgebaseerde regelsystemen. Realtime aanpassingen vinden plaats met een gemiddelde latentie van 280 ms, en ergonomische beperkingen worden in 95% van de gebruiksgevallen gehandhaafd, wat bevestigt dat het systeem snel en veilig werkt. Gefedereerd leren (FL) maakt privacybehoudende samenwerking mogelijk over gedistribueerde meubelunits. Training convergeert naar 87% van de wereldwijde prestaties binnen 30 wereldwijde iteraties, zonder enige uitwisseling van ruwe data, wat zowel schaalbaarheid als gegevensprivacy versterkt. Deze empirische resultaten ondersteunen sterk de geschiktheid van het framework voor implementatie in gezondheidsbewuste werkruimtes, slimme huizen en ouderenzorgomgevingen, en leveren een robuuste, responsieve en interpreteerbare oplossing voor het verrijken van de interactie tussen mens en meubels.

Inleiding

Het Internet of Things (IoT) heeft de integratie van sensoren, berekeningen en actuatie in fysieke omgevingen mogelijk gemaakt, en ondersteunt adaptieve systemen die contextbewuste interactie en realtime besluitvorming kunnen uitvoeren ^1,2,3 Binnen dit paradigma bevatten slimme meubelsystemen druksensoren, traagheidsmeetunits, omgevingsmonitoren, microcontrollers, draadloze communicatiemodules en kunstmatige intelligentie-algoritmen om de houding te monitoren, Omgevingsomstandigheden en interactiepatronen⁴. In tegenstelling tot conventionele ergonomische apparatuur zijn deze systemen gericht op continue personalisatie via datagedreven gedragsmodellering en adaptieve feedbackmechanismen ^5,6.

De toegenomen prevalentie van hybride werkmodellen, zittende levensstijlen en vergrijzende bevolkingsgroepen heeft de interesse in ergonomisch responsief meubilair dat comfort, productiviteit en gezondheidsmonitoring ondersteunt^versterkt 7,8,9,10. Slimme meubelplatforms zijn onderzocht in residentiele, kantoor-, gezondheidszorg- en onderwijscontexten, waar embedded intelligence het mogelijk maakt dat meubels functioneren als een interactieve interface tussen gebruikers en hun omgevingen^11,12. Recent onderzoek heeft reinforcement learning en gefedereerd leren onderzocht voor adaptieve personalisatie in gedistribueerde systemen 13,14,15. Privacybeschermende versterkingsleermethoden voor IoT-ondersteunde applicaties hebben afwegingen tussen adaptiviteit en gegevensbescherming^{benadrukt 13}. Gefedereerde leerframeworks in edge computing hebben communicatie-efficiëntie en gedecentraliseerde optimalisatie-uitdagingen aangepakt¹⁴. Deep reinforcement learning heeft aangetoond effectiviteit te hebben in digitale personalisatiediensten¹⁵. Het meeste eerdere werk richtte zich echter op virtuele serviceplatforms in plaats van op belichaamde fysieke systemen zoals Smart Furniture¹⁶.

Fysieke slimme meubelomgevingen brengen extra beperkingen met zich mee, waaronder actuatordynamica, mechanische veiligheidseisen, energieverbruiksbeperkingen, sensorruis, latentiebeperkingen en complexiteit van multi-user interactie¹⁷. Zo moeten houdingsmonitorende slimme stoelen en slaaptracking slimme bedden biomechanische detectie integreren met omgevingscoördinatiemechanismen zoals verwarming, ventilatie en airconditioning (HVAC)^{systemen 18}. Personalisatie in deze contexten vereist daarom dynamische modellering van fysiologische, gedrags- en omgevingssignalen in plaats van statische voorkeurmapping^19,20.

Ingebedde IoT-sensoren geïntegreerd in structurele componenten zoals zitkussens, armleuningen, rugleuningen en tafelbladen kunnen multivariate tijdreeksgegevens vastleggen, waaronder beweging (versnellingsmeters, gyroscopen), drukverdeling, thermische metingen, akoestische context en fysiologische indicatoren zoals elektrodermale activiteit (EDA) en hartslagvariabiliteit^21,22. De ingebouwde sensoren werken volgens laagstroomveiligheidsnormen voor consumenten en zenden slechts verwaarloosbare niet-ioniserende elektromagnetische straling uit. Hun blootstellingsniveaus blijven ruim onder de internationale veiligheidsdrempels. Ruwe sensorsignalen zijn doorgaans hoog-dimensionaal, ruiserig en contextafhankelijk²³, wat gestructureerde signaalverwerking, feature-extractie en sensorfusie noodzakelijk maakt om betrouwbare gebruikerstoestandsrepresentaties te construeren.

Machine learning-methoden, waaronder supervised classification, unsupervised clustering en deep neural networks, zijn toegepast op gedragsmodellering in slimme omgevingen ^25,26. Recurrente neurale netwerken (RNN's) en convolutionele neurale netwerken (CNN's) vangen temporele afhankelijkheden in gebruikersbeweging vast, terwijl clusterbenaderingen gebruikers segmenteren in gedragsgroepen²⁶. Hoewel deze technieken patroonherkenning verbeteren, optimaliseren ze niet inherent sequentiële controlebeslissingen onder onzekerheid. Regelgebaseerde besturingsstrategieën die vaak in ergonomische systemen worden geïmplementeerd, brengen sensordrempels toe aan vooraf gedefinieerde acties, maar missen adaptieve leermogelijkheden²⁷. Daardoor kunnen statische mappings geen rekening houden met veranderende voorkeuren en contextuele variabiliteit in de loop van de tijd²⁸.

Multi-user omgevingen vereisen bovendien dynamische contextuele differentiatie en adaptief profielwisselen om prestaties te behouden over heterogene gebruikers²⁹. Het bereiken van schaalbare personalisatie vereist daarom modellen die in staat zijn tot longitudinaal gedragsmatig leren, terwijl privacy en computationele efficiëntie behouden^blijven. Het direct integreren van contextuele intelligentie in meubelinfrastructuur verbetert de responsiviteit van interacties; echter, gedistribueerde IoT-systemen moeten ook rekening houden met privacybescherming en beperkingen voor de verwerking van beveiligde gegevens^31,32. Om deze uitdagingen aan te pakken, stelt deze studie een geïntegreerd intelligent besturingsraamwerk voor IoT-ondersteunde slimme meubelsystemen voor, dat reinforcement learning, adaptieve toestandsschatting en gefedereerd meta-leren integreert. Personalisatie is geformuleerd als een Markov-besluitvormingsproces (MDP), dat sequentiële optimalisatie van gebruikerscomfort en energie-efficiëntie mogelijk maakt onder stochastische overgangen. Reinforcement learning verfijnt continu controlebeleid op basis van cumulatieve beloningsfeedback, waarmee beperkingen van heuristische of statische mappingmethoden worden overwonnen.

Een adaptief Kalman-filter is geïntegreerd om latente gebruikersvoorkeurstoestanden te schatten uit ruisachtige multivariate waarnemingen, waardoor meetruis wordt gescheiden van onderliggende ergonomische intentie en de controlestabiliteit verbetert. Dit filter is een recursief probabilistisch toestandsschattingsalgoritme dat wordt gebruikt om latente ergonomische voorkeuren af te leiden uit ruisachtige waarnemingen. De rol ervan bij het scheiden van meetruis van verborgen gebruikersintentie is expliciet verduidelijkt. Gefedereerd leren maakt gedistribueerde modelaggregatie mogelijk zonder ruwe data-uitwisseling, terwijl meta-leren de aanpassing aan nieuwe gebruikers versnelt door geoptimaliseerde initialisatie over heterogene populaties. Figuur 1 toont de meerlaagse architectuur van het voorgestelde slimme meubelsysteem, georganiseerd in lagen van sensing, inferentie, personalisatie en ethische infrastructuur. Het diagram laat zien hoe sensoracquisitie, edge/cloud-intelligentie, adaptieve controle en veilig databeheer zijn geïntegreerd binnen een uniform realtime personalisatiekader.

Het primaire doel van deze studie is het ontwerpen en experimenteel evalueren van een schaalbare, energiebewuste en privacybehoudende personalisatiearchitectuur voor slimme meubelsystemen. Het voorgestelde raamwerk integreert sensing, representatieleren, probabilistische toestandsschatting, sequentiële besluitoptimalisatie en gefedereerde samenwerking binnen een samenhangende structuur. Experimentele validatie met prototype slimme meubelunits toont meetbare verbeteringen ten opzichte van heuristische controlemethoden op het gebied van vermindering van gebruikersontevredenheid en energie-efficiëntie. Door reinforcement learning en gefedereerde aanpassing van digitale diensten uit te breiden naar belichaamde fysieke omgevingen, legt dit werk een technisch onderbouwde weg naar interpreteerbare en experimenteel gevalideerde intelligente meubelsystemen.

Protocol

Ethische goedkeuring was niet vereist voor deze studie. De experimentele procedures omvatten niet-invasieve ergonomische interactie met prototype slimme meubelunits, zonder medische interventie, klinische tests of het verzamelen van identificeerbare persoonlijke gezondheidsinformatie. Alle opgenomen sensorgegevens werden geanonimiseerd vóór opslag en analyse. Deelname was vrijwillig en er werden geen gevoelige of klinische gegevens verzameld.

1. Hardware- en systeemvoorbereiding

1. Zet de slimme meubelunit in elkaar
   1. Installeer een 16-kanaals capacitieve druksensorarray in het zitkussen.
   2. Bevestig een 6-assige traagheidsmeeteenheid (versnellingsmeter + gyroscoop) op de rugleuning.
   3. Installeer temperatuur-, luchtvochtigheids-, omgevingslicht- en geluidssensoren.
   4. Integreer optionele elektrodermale activiteit (EDA) en hartslagsensormodules.
   5. Verbind alle sensoren met een ESP32-microcontroller via I2C/SPI-interfaces.
2. Actuatiesysteem configureren
   1. Installeer servomotoren voor hoogte- en kantelverstelling.
   2. Stel het kantelverstelbereik in op ±15°.
   3. Stel het hoogteverstelbereik in op 40–70 cm.
   4. Beperk de stapgrootte van de actuatie tot ΔS_max = 2° per updatecyclus.
3. Configureer compute platform
   1. Installeer Ubuntu 20.04 op NVIDIA Jetson Nano (4 GB RAM) of gelijkwaardig.
   2. Installeer Python 3.9.
   3. Installeer PyTorch 1.13, NumPy, SciPy en Scikit-learn.
   4. Schakel CUDA-versnelling in als er een GPU beschikbaar is.

2. Data-acquisitie

1. Configureer bemonstering
   1. Stel de sensorbemonsteringsfrequentie in op 20 Hz.
   2. Synchroniseer alle sensorstromen met behulp van tijdstempeluitlijning.
   3. Sla data op in CSV-formaat.
2. Voer interactiesessies uit
   1. Werf 48 volwassen deelnemers.
   2. Neem 60 minuten durende zittende interactiesessies per deelnemer op.
   3. Verzamel subjectieve comfortscores op een Likert-schaal van 1–5.
3. Partitiedataset
   1. Verwijder deelnemersidentificaties.
   2. Splits de dataset op in 70% training, 15% validatie en 15% testsets.

3. Voorverwerking van gegevens

1. Filtersignalen
   1. Pas een laagdoorlaatfilter Butterworth toe (cutofffrequentie = 5 Hz).
   2. Normaliseer elk sensorkanaal tot nul gemiddelde en eenheidsvariantie.
2. Construeer toestandrepresentatie.
   1. Verbind meubeltoestand S(t) met sensorvector X_i(t).
   2. Segmentsignalen met schuifvensters (venstergrootte = 50 stappen per tijd).

4. Spaarzame auto-encoder training

1. Definieer architectuur.
   1. Stel invoerdimensie d in.
   2. Stel latente dimensie p = 0.3d.
   3. Gebruik ReLU-activatie.
2. Treinmodel
   1. Gebruik de Adam-optimizer (leersnelheid = 0,001).
   2. Stel batchgrootte = 64.
   3. Train voor 100 epochs.
   4. Minimaliseer verlies:
      1. Definieer L_SE als de verloren functie van de sparse autoencoder.
      2. Definieer als de oorspronkelijke inputsensor datamatrix.
      3. Definieer n als het aantal samples en is het aantal sensorkenmerken.
      4. Definieer als de gereconstrueerde output die door het decodernetwerk wordt gegenereerd.
      5. Definieer als de kwadratische Euclidische reconstructiefout.
      6. Definieer W⁽¹⁾ als de gewichtsmatrix van de eerste encoderlaag.
      7. Definieer als de L1-norm van de encodergewichten, wat de schaarsheid in de geleerde representatie bevordert.
      8. Definieer λ > 0 als de sparsiteitsregularisatiecoëfficiënt die de afweging tussen reconstructietrouw en spaarzaamheid regelt.
      9.   
      10. Stel λ = 0,001.
3. Exportcoder
   1. Bewaar getrainde encodergewichten.
   2. Bevries encoderparameters voor de reinforcement learning-fase.

5. Formulering van het beslissingsproces van Markov

1. Definieer toestandsruimte
   1. Definieer S(t) als meubelconfiguratie.
   2. Definieer h(t) als gecomprimeerde sensor embedding.
   3. Constructeer toestandsvector .
2. Definieer actieruimte
   1. Definieer
   2. Beperking
3. Definieer beloningsfunctie
   1. Ontevredenheid over berekeningen
      1. Definieer D(t) als de onmiddellijke ontevredenheid van de gebruiker op moment stap t.
      2. Definieer als de werkelijke meubilair toestandsvector op tijd.
      3. Definieer m als het aantal regelbare mechanische parameters.
      4. Definieer als de ideale (optimale) ergonomische toestand die de gebruiker op dat moment prefereert.
      5. Definieer als de kwadratische Euclidische norm.
         
   2. Definieer beloning
      Definieer als de kwadratische Euclidische grootte van de regelafstelling.
      
      Set λ = 0,05

6. Kalman-filterschatting

1. Initialisatie van de latente voorkeurstoestand en covariantie.
   1. Stel de initiële toestandsschatting in
   2. Stel initiële covariantie P(0) = 1
2. Voorspelling van latente voorkeursdynamiek
   1. Voorspel de latente ergonomische voorkeurstoestand bij de volgende tijdstap.
      1. Definieer als de voorspelde evolutie van de latente gebruikersvoorkeurstoestand.
      2. Definieer als de invloed van de eerder toegepaste meubelaanpassing op de voorspelde latente voorkeur op tijdstip .
   2. Verspreid de onzekerheid van de voorspelde toestandsschatting.
      1. Definieer als de voortgezette covariantie van de schatting van de latente toestand.
      2. Definieer A als de systeemdynamica-matrix.
      3. Definieer Q als de procesruiscovariantiematrix.
         
      4. Set Q = 0..01
3. Meet de correctie van de schatting van de latente voorkeur.
   1. Bereken Kalman-gain K(t).
   2. Werk de staatsschatting en covariantie bij.
   3. Set R = 0,05

7. DDPG-training

1. Initialiseer netwerken
   1. Gebruik twee verborgen lagen (elk 128 neuronen) voor de acteur en de criticus.
   2. Initialiseer doelnetwerken.
2. Stel hyperparameters
   1. Actor learning rate = 1 × ^10-4
   2. Critic learning rate = 1 × ^10-3.
   3. Discontofactor γ = 0,99
   4. Zachte update τ = 0,005
   5. Replay-buffergrootte = 100.000
3. Treinbeleid
   1. Train voor 200.000 interactiestappen.
   2. Steek mini-batches van grootte 64 uit.
   3. Update criticus vóór acteur.

8. Gefedereerd meta-leren

1. Verspreid het globale model.
   1. Stuur het globale model naar edge-apparaten.
2. Voer lokale training uit
   1. Train lokaal voor 5 epochs per ronde.
   2. Bereken gradiënten.
3. Aggregate
   1. Voer gewogen gemiddelden uit.
   2. Herhaal dit voor 30 communicatierondes.

9. Energiebeperkte optimalisatie

1. Definieer beperking
   Definieer ε_maximum als de maximaal toegestane ontevredenheidsdrempel
   1. Handhaven
2. Pas Karush–Kuhn–Tucker (KKT) voorwaarden toe
   1. Definieer als de gradiënt van de Lagrangiaanse functie L ten opzichte van de regelaanpassingsvector ΔS.
   2. Bereken .
   3. Update de Lagrange-multiplier.

10. Baseline-evaluatie

1. Implementeer baselines
   1. Implementeer regelgebaseerde drempelcontrole.
   2. Voer tabulaire Q-learning uit.
   3. Implementeer een random forest predictor.
   4. Voer een transformator-gebaseerd beleid uit.
2. Prestatie-evaluatie van de geïmplementeerde controlestrategieën
   1. Meet cumulatieve ontevredenheid.
   2. Meet het energieverbruik.
   3. Meet de latentie.

11. Verwachte output

1. Zoek een getraind personalisatiebeleid aan.
2. Minder ontevredenheid vergeleken met de basislijn.
3. Verkrijg energie-efficiënt actuatiegedrag.
4. Bewaar getrainde modelgewichten voor reproduceerbaarheid.

Resultaten

Hardware-integratie en systeemvalidatie
Het slimme meubelsysteem werkte betrouwbaar onder continue multimodale detectie en realtime bediening. Alle sensoren stroomden gesynchroniseerde data op 20 Hz zonder waarneembaar pakketverlies. Mechanische limieten werden consequent gehandhaafd, met helling beperkt tot ±15°, hoogte beperkt tot 40–70 cm, en stapwisselingen begrensd door Δ_{S max} = 2⁰ per controlecyclus. Randinferentie bleef stabiel gedurende langdurige sessies, wat de...

Discussie

De huidige studie toont aan dat een hybride framework dat reinforcement learning, adaptieve Kalman-filtering, sparse representation learning en gefedereerd meta-leren integreert, de belichaamde personalisatie in slimme meubelsystemen aanzienlijk kan verbeteren onder realtime beperkingen. Onder 48 deelnemers behaalde het kader een vermindering van 43,2% in cumulatieve ontevredenheid ten opzichte van regelgebaseerde controle (p < 0,001) en een vermindering van 21,2% in het totale energieverbruik (p < 0,001), terwijl ...

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
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