Системы умной мебели на базе Интернета вещей для персонализации, ориентированной на человека: экспериментальная оценка с использованием данных поведенческих сенсоров

Краткое содержание

В данном исследовании представлена система умной мебели, использующая глубокое подкрепление и федеративное мета-обучение для персонализации пользовательского опыта в реальном времени. Моделируя поведение пользователя как последовательный процесс принятия решений, он снижает дискомфорт на 43% и энергопотребление на 21%, сохраняя при этом конфиденциальность. Результаты демонстрируют надёжную, адаптивную структуру, подходящую для рабочих пространств, ориентированных на здоровье, и умных домов.

Аннотация

В этой статье представлена продвинутая система умной мебели на базе Интернета вещей (IoT), разработанная для динамической адаптации к индивидуальным пользователям путём интеграции глубокого подкрепления обучения с федеративным мета-обучением. Персонализация формируется как процесс принятия решений Маркова, позволяющий системе вносить оптимизированные последовательные корректировки, адаптированные к поведению каждого пользователя. Для оценки скрытых эргономических предпочтений в реальном времени применяется адаптивный фильтр Калмана, а разреженный автоэнкодер снижает исходные сигналы сенсора на 82%, сохраняя ключевые временные особенности, необходимые для точного моделирования. В комплексном исследовании пользователей с участием 48 участников и более 160 000 образцов временных рядов система значительно снизила накопленное недовольство пользователей на 43 % и сократила энергопотребление на 21 % по сравнению с традиционными системами управления на основе правил. Адаптации в реальном времени происходят со средней задержкой 280 мс, а ограничения по эргономике соблюдаются в 95% случаев использования, что подтверждает быструю и безопасную работу системы. Федеративное обучение (FL) обеспечивает сотрудничество, сохраняющее конфиденциальность, между распределёнными мебельными подразделениями. Обучение достигает 87% глобальной производительности в течение 30 глобальных итераций без какого-либо обмена необработавшими данными, что укрепляет как масштабируемость, так и конфиденциальность данных. Эти эмпирические результаты убедительно подтверждают пригодность фреймворка для внедрения в ориентированных на здоровье рабочих пространствах, умных домах и учреждениях ухода за пожилыми, обеспечивая надёжное, отзывчивое и понятное решение для обогащения взаимодействия человека и мебели.

Введение

Интернет вещей (IoT) позволил интегрировать сенсорность, вычисления и актуацию в физические среды, поддерживая адаптивные системы, способные к контекстно-ориентированному взаимодействию и принятию решений в реальном^{времени 1,2,3} В рамках этой парадигмы умные мебельные системы встроены датчики давления, инерциальные измерительные блоки, экологические мониторы, микроконтроллеры, беспроводные коммуникационные модули и алгоритмы искусственного интеллекта для мониторинга осанки, условия окружающей среды и паттерны^{взаимодействия 4}. В отличие от традиционного эргономического оборудования, эти системы направлены на обеспечение непрерывной персонализации с помощью поведенческого моделирования на основе данных и адаптивных механизмов обратной^{связи 5,6}.

Рост распространения гибридных рабочих моделей, малоподвижного образа жизни и стареющего населения усилил интерес исследований к эргономически отзывчивой мебели, способной поддерживать мониторинг комфорта, продуктивности и здоровья ^7,8,9,10. Умные мебельные платформы были исследованы в жилом, офисном, медицинском и образовательном пространствах, где встроенный интеллект позволяет мебели функционировать как интерактивный интерфейс между пользователями и их средой^{11, 12}. Недавние исследования изучают обучение с подкреплением и федеративное обучение для адаптивной персонализации в распределённых^{системах} 13,14,15. Методы усиленного обучения, сохраняющие конфиденциальность, для приложений с поддержкой IoT, выявили компромиссы между адаптивностью и защитой данных¹³. Федеративные обучающие фреймворки в периферийных вычислениях решали задачи эффективности коммуникации и децентрализованной^{оптимизации 14}. Глубокое подкрепляющее обучение показало свою эффективность в услугах цифровой^{персонализации 15}. Однако большинство предыдущих работ были сосредоточены на виртуальных платформах сервиса, а не на реализованных физических системах, таких как smart^{furniture 16}.

Физические умные мебельные среды вводят дополнительные ограничения, включая динамику привода, требования к механической безопасности, ограничения энергопотребления, шум датчиков, ограничения задержки и сложность взаимодействия с многопользовательским^{элементом 17}. Например, умные кресла с мониторингом осанки и умные кровати с отслеживанием сна должны интегрировать биомеханические датчики с механизмами координации окружающей среды, такими как системы отопления, вентиляции и кондиционирования воздуха (HVAC)¹⁸. Персонализация в этих контекстах, таким образом, требует динамического моделирования физиологических, поведенческих и окружающих сигналов, а не статического отображения^{предпочтений 19,20}.

Встроенные IoT-датчики, интегрированные в структурные компоненты, такие как подушки сидений, подлокотники, спинки и столешницы, могут фиксировать многомерные временные ряды, включая движение (акселерометры, гироскопы), распределение давления, тепловые измерения, акустический контекст и физиологические показатели, такие как электродермальная активность (EDA) и вариабельность сердечного^{ритма 21,22}. Встроенные датчики работают по низкоэнергетическим стандартам безопасности потребителей и излучают лишь незначительное неионизирующее электромагнитное излучение. Их уровень воздействия остаётся значительно ниже международных порогов безопасности. Сырые сигналы сенсоров обычно являются высокоразмерными, шумными и зависящими от^{контекста 23}, что требует структурированной обработки сигналов, извлечения признаков и слияния датчиков для построения надёжных представлений состояния^{пользователя 24}.

Методы машинного обучения, включая контролируемую классификацию, неконтролируемое кластерирование и глубокие нейронные сети, применялись к поведенческому моделированию в умных^{средах 25,26}. Рекуррентные нейронные сети (RNN) и сверточные нейронные сети (CNN) фиксируют временные зависимости в движении пользователя, в то время как подходы к кластеризации сегментируют пользователей на^{поведенческие группы 26}. Хотя эти методы улучшают распознавание паттернов, они не оптимизируют последовательные решения по контролю в условиях неопределённости. Стратегии управления, основанные на правилах, часто применяемые в эргономичных системах, сопоставляют пороги датчиков с заранее определёнными действиями, но не обладают адаптивными возможностями^{обучения 27}. Следовательно, статические отображения могут не учитывать меняющиеся предпочтения и контекстную изменчивость во времени²⁸.

Многопользовательские среды дополнительно требуют динамической контекстной дифференцировки и адаптивного переключения профилей для поддержания производительности среди гетерогенных^{пользователей 29}. Достижение масштабируемой персонализации, таким образом, требует моделей, способных к лонгитюдному поведенческому обучению при сохранении конфиденциальности и вычислительной^{эффективности 30}. Внедрение контекстного интеллекта непосредственно в инфраструктуру мебели повышает оперативность взаимодействия; однако распределённые IoT-системы также должны учитывать ограничения по защите конфиденциальности и безопасности обработки данных^31,32. Для решения этих проблем в исследовании предлагается единая система интеллектуального управления для умных мебельных систем с поддержкой IoT, интегрирующая обучение с подкреплением, адаптивную оценку состояния и федеративное мета-обучение. Персонализация формулируется как процесс принятия решений по Маркове (MDP), позволяющий последовательно оптимизировать комфорт пользователя и энергоэффективность при стохастических переходах. Обучение с подкреплением постоянно совершенствует политику управления на основе накопленной обратной связи по вознаграждениям, преодолевая ограничения эвристических или статических подходов к отображению.

Адаптивный фильтр Калмана используется для оценки латентных предпочтений пользователя на основе шумных многомерных наблюдений, отделяя шум измерения от подлежащей эргономической цели и повышая устойчивость управления. Этот фильтр представляет собой рекурсивный вероятностный алгоритм оценки состояния, используемый для вывода скрытых эргономических предпочтений на основе шумных наблюдений. Её роль в разделении шума измерения от скрытого пользовательского намерения была явно прояснена. Федеративное обучение позволяет агрегировать распределённые модели без обмена необработавшими данными, а мета-обучение ускоряет адаптацию к новым пользователям через оптимизированную инициализацию среди гетерогенных популяций. На рисунке 1 представлена многоуровневая архитектура предлагаемой системы умной мебели, организованная по уровням сенсоров, вывода, персонализации и этической инфраструктуры. Диаграмма иллюстрирует, как интеграция данных с датчиков, интеллект на периферии/облаке, адаптивное управление и безопасное управление данными интегрированы в единую систему персонализации в реальном времени.

Основная цель этого исследования — разработать и экспериментально оценить масштабируемую, энергососознанную и сохраняющую конфиденциальность архитектуру персонализации для умных мебельных систем. Предлагаемая структура интегрирует сенсорность, обучение представлениям, вероятностную оценку состояния, последовательное оптимизирование принятия решений и федеративное сотрудничество в рамках целостной структуры. Экспериментальная валидация с использованием прототипов умной мебели демонстрирует измеримые улучшения по сравнению с эвристическими методами управления в плане снижения неудовлетворённости пользователей и энергоэффективности. Расширяя обучение с подкреплением и федеративную адаптацию с цифровых сервисов в воплощённые физические среды, эта работа прокладывает технически обоснованный путь к интерпретируемым и экспериментально валидируемым интеллектуальным мебельным системам.

Протокол

Этическое одобрение для этого исследования не требовалось. Экспериментальные процедуры включали неинвазивное эргономическое взаимодействие с прототипами умной мебели без медицинского вмешательства, клинических испытаний или сбора идентифицируемой личной медицинской информации. Все записанные данные датчиков были анонимизированы перед хранением и анализом. Участие было добровольным, не собирались ни чувствительные, ни клинические данные.

1. Подготовка аппаратного обеспечения и системы

1. Соберите умный мебельный блок
   1. Установите 16-канальный массив емкостных датчиков давления в подушку сиденья.
   2. Установите 6-осевой инерциальный измерительный блок (акселерометр + гироскоп) на спинку.
   3. Установите датчики температуры, влажности, окружающего освещения и звука.
   4. Интегрируйте опциональные модули электродермальной активности (EDA) и датчиков сердечного ритма.
   5. Подключите все датчики к микроконтроллеру ESP32 через интерфейсы I2C/SPI.
2. Настройка системы привода
   1. Установите сервомоторы для регулировки высоты и наклона.
   2. Установите диапазон регулировки наклона на ±15°.
   3. Установите диапазон регулировки высоты на 40–70 см.
   4. Ограничить размер шага срабатывания Δ_{S max} = 2° за цикл обновления.
3. Configure compute platform
   1. Установите Ubuntu 20.04 на NVIDIA Jetson Nano (4 ГБ оперативной памяти) или эквивалент.
   2. Установите Python 3.9.
   3. Установите PyTorch 1.13, NumPy, SciPy и Scikit-learn.
   4. Включите ускорение CUDA, если доступна видеокарта.

2. Сбор данных

1. Настройка дискретизации
   1. Установите частоту дискретизации датчика на 20 Гц.
   2. Синхронизируйте все потоки датчиков с помощью выравнивания временной метки.
   3. Храните данные в формате CSV.
2. Проводите сессии взаимодействия
   1. Набрать 48 взрослых участников.
   2. Запишите 60-минутные сессии сидячего взаимодействия на каждого участника.
   3. Собирайте субъективные оценки комфорта по шкале Ликерта от 1 до 5.
3. Набор данных разделов
   1. Удалите идентификаторы участников.
   2. Разделите набор данных на 70% обучения, 15% валидации и 15% тестовых наборов.

3. Предварительная обработка данных

1. Фильтр-сигналы
   1. Примените низкочастотный фильтр Баттерворта (частота среза = 5 Гц).
   2. Нормализуйте каждый канал датчика до нуля среднего и дисперсии единицы.
2. Постройте представление состояния.
   1. Соедините состояние мебели S(t) с вектором датчика X_i(t).
   2. Сегментные сигналы с помощью скользящих окон (размер окна = 50-временные шаги).

4. Обучение разрежённых автоэнкодеров

1. Определите архитектуру.
   1. Задайте входную размерность d.
   2. Установить латентную размерность p = 0.3d.
   3. Используйте активацию ReLU.
2. Модель поезда
   1. Используйте оптимизатор Adam (скорость обучения = 0.001).
   2. Размер партии = 64.
   3. Тренируйтесь на 100 эпох.
   4. Минимизировать потери:
      1. Определим L_SE как функцию потерь разреженного автоэнкодера.
      2. Определим как исходную матрицу данных входного датчика.
      3. Определим, n — количество образцов, а — количество признаков сенсора.
      4. Определим как восстановленный выход, генерируемый сетью декодеров.
      5. Определим как квадратичную евклидовую ошибку реконструкции.
      6. Определим W⁽¹⁾ как матрицу весов первого слоя энкодера.
      7. Определим как L1-норму весов энкодера, способствующую разрежению в изученном представлении.
      8. Определим λ > 0 как коэффициент регуляризации разрежённости, контролирующий компромисс между верностью реконструкции и разрежённостью.
      9.   
      10. Установить λ = 0.001.
3. Экспортный энкодер
   1. Экономьте тренированные веса энкодера.
   2. Параметры энкодера заморозки для фазы обучения с подкреплением.

5. Формулировка процесса принятия решения в Маркове

1. Определить пространство состояний
   1. Определите S(t) как конфигурацию мебели.
   2. Определите h(t) как вложение сжатого сенсора.
   3. Построим вектор состояния .
2. Определите пространство действий
   1. Определите
   2. Ограничение
3. Определите функцию вознаграждения
   1. Вычисление неудовлетворённости
      1. Определим D(t) как мгновенное недовольство пользователя на шаге времени t.
      2. Определите как фактический вектор состояния мебели в момент времени.
      3. Определим m как число управляемых механических параметров.
      4. Определите как идеальное (оптимальное) эргономическое состояние, предпочитаемое пользователем в данный момент.
      5. Определим как квадратичную евклидову норму.
         
   2. Определите награду
      Определим как квадратичную евклидову величину корректировки управления.
      
      Множество λ = 0.05

6. Оценка фильтра Калмана

1. Инициализация латентного предпочтетельного состояния и ковариации.
   1. Установка начальной оценки состояния
   2. Установите начальную ковариацию P(0) = 1
2. Прогнозирование динамики латентных предпочтений
   1. Предсказать латентное состояние эргономических предпочтений на следующем шаге времени.
      1. Определим как предсказанную эволюцию латентного состояния предпочтений пользователя.
      2. Определим как влияние ранее применённой корректировки мебели на предсказанное латентное предпочтение в момент времени .
   2. Распространять неопределённость прогнозируемой оценки состояния.
      1. Определим как распространяемую ковариацию оценки латентного состояния.
      2. Определите A как матрицу системной динамики.
      3. Определим Q как матрицу ковариации шума процесса.
         
      4. Набор Q = 0..01
3. Измерьте коррекцию оценки латентных предпочтений.
   1. Вычислить Kalman gain K(t).
   2. Обновить оценку состояния и ковариацию.
   3. Набор R = 0,05

7. Обучение DDPG

1. Инициализация сетей
   1. Используйте два скрытых слоя (по 128 нейронов в каждом) для актёра и критика.
   2. Инициализируйте целевые сети.
2. Задайте гиперпараметры
   1. Скорость обучения актёров = 1 × ^10-4
   2. Скорость обучения критики = 1 × ^10-3.
   3. Коэффициент дисконта γ = 0,99
   4. Мягкое обновление τ = 0.005
   5. Размер буфера повторов = 100 000
3. Политика в отношении поездов
   1. Тренируйтесь на 200 000 шагов взаимодействия.
   2. Пробуйте мини-партии размера 64.
   3. Обновляйте критика, а не актёра.

8. Федеративное мета-обучение

1. Распределите глобальную модель.
   1. Отправьте глобальную модель на edge-устройства.
2. Проведите местные тренировки
   1. Тренируйтесь локально по 5 эпох за раунд.
   2. Вычисляйте градиенты.
3. Агрегат
   1. Выполняйте усреднение с весом.
   2. Повторяйте 30 раундов связи.

9. Оптимизация с энергетическими ограничениями

1. Определить ограничение
   Определите_{ε max} как максимально допустимый порог неудовлетворенности
   1. Применение
2. Применение условий Каруша–Куна–Такера (KKT)
   1. Определим как градиент функции Лагранжа L относительно управляющего вектора корректировки ΔS.
   2. Вычислите .
   3. Обновить множитель Лагранжа.

10. Базовая оценка

1. Реализация базовых линий
   1. Внедрить пороговый контроль на основе правил.
   2. Реализуйте табличное Q-обучение.
   3. Реализуйте предсказатель случайного леса.
   4. Реализовать политику на основе трансформаторов.
2. Оценка эффективности реализованных стратегий управления
   1. Измерьте накопленное недовольство.
   2. Измеряйте энергопотребление.
   3. Измерьте задержку.

11. Ожидаемые результаты

1. Получите обученную политику персонализации.
2. Получить снижение неудовлетворённости по сравнению с исходным уровнем.
3. Достичь энергоэффективного поведения при срабатывании.
4. Сохраняйте тренированные веса модели для воспроизводимости.

Результаты

Интеграция аппаратного обеспечения и валидация системы
Система умной мебели надёжно работала под непрерывным мультимодальным датчиком и приводом в реальном времени. Все датчики передавали синхронизированные данные с частотой 20 Гц без заметных потерь пакетов. Механические ограничения постоянно соблюдались: наклон ограничивался ±15°, высота — 40–70 см, а шаговые изменения — Δ_{S max} = 2⁰ за контрольный цикл. Вывод по краям оставался стабильным на протяжении длительных сесси...

Обсуждение

Настоящее исследование демонстрирует, что гибридная структура, интегрирующая обучение с подкреплением, адаптивную фильтрацию Калмана, обучение разреженному представлению и федеративное мета-обучение, может значительно улучшить воплощённую персонализацию в умных мебельных системах в условиях реального времени. Среди 48 участников система достигла 43,2% снижения накопленного недовольства по сравнению с правилами контроля (p < 0,001) и снижения общего энергопотребления на 21,2% (p < 0,001), при сохранении средней заде...

Материалы

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
Исполнительные устройства	Универсальный производитель	Н/Д	Регулировки
Адаптивный фильтр Калмана	Индивидуальная реализация	Н/Д	Алгоритм оценки состояния
Био-сигнал (EDA/HRV/Resp.)	Универсальный производитель	Н/Д	Осознание состояния здоровья
Связь	Универсальный производитель	Н/Д	Сетевое подключение
DDPG (Актор-Критик)	OpenAI Baselines / PyTorch	Модуль DDPG	Глубокий детерминированный политический градиент RL
Приборное устройство MCU	Универсальный производитель	Н/Д	Низкая задержка
Федеративное обучение	Google Research	Протокол FedAvg	Метод агрегирования федеративного среднего
Федеративное мета-обучение	Индивидуальная / Открытый исходный код	Н/Д	Мета-инициализация минимизирует мета-потерю
IMU (Акселерометр/Гироскоп)	TDK InvenSense	MPU-6050	6-осевой акселерометр и гироскопный модуль
Датчик света	ROHM Semiconductor	BH1750FVI	Цифровой датчик освещенности
Формулировка МДП	Индивидуальная реализация	Н/Д	Моделирование марковского процесса с принятием решений
Микрофон	Adafruit Industries	1713 (MAX9814)	Модуль усилителя электретного микрофона
Матрица давления	Interlink Electronics	Серия FSR-400	16-канальная емкостная матрица датчиков давления
Разреженный автокодер (SAE)	Meta AI	PyTorch 1.13	Фреймворк обучения нейронной сети
Термодатчик	Adafruit Industries	385 (DHT22)	Цифровой датчик температуры и влажности