İnsan Merkezli Kişiselleştirme İçin Nesnelerin İnterneti Odaklı Akıllı Mobilya Sistemleri: Davranışsal Sensör Verileri Kullanılarak Deneysel Değerlendirme

Özet

Bu çalışma, derin pekiştirme ve federe meta-öğrenme kullanarak kullanıcı deneyimlerini gerçek zamanlı kişiselleştiren akıllı bir mobilya sistemi sunmaktadır. Kullanıcı davranışını ardışık bir karar süreci olarak modelleyerek, rahatsızlık %43, enerji kullanımı ise %21 azalır ve mahremiyeti korur. Sonuçlar, sağlığa duyarlı çalışma alanları ve akıllı evler için uygun, sağlam ve duyarlı bir çerçeve olduğunu göstermektedir.

Özet

Bu makale, derin pekiştirme öğrenmesini federasyon meta-öğrenme ile entegre ederek bireysel kullanıcılara dinamik olarak uyum sağlamak için tasarlanmış gelişmiş bir Nesnelerin İnterneti (IoT) odaklı akıllı mobilya sistemini tanıtmaktadır. Kişiselleştirme, Markov karar süreci olarak formüle edilir ve sistemin her kullanıcının davranışına göre optimize edilmiş, ardışık ayarlamalar yapmasını sağlar. Gizli ergonomik tercihleri gerçek zamanlı olarak tahmin etmek için uyarlanabilir bir Kalman filtresi uygulanırken, seyrek bir otomatik kodlayıcı ham sensör sinyallerini %82 oranında azaltarak doğru modelleme için gerekli olan temel zamansal özellikleri korur. 48 katılımcı ve 160.000'den fazla zaman serisi sensörü örneğini içeren kapsamlı bir kullanıcı çalışmasında, çerçeve kümülatif kullanıcı memnuniyetsizliğini %43 oranında önemli ölçüde azaltmış ve enerji tüketimini %21 oranında azaltmıştır; geleneksel kural tabanlı kontrol sistemlerine kıyaslamıştır. Gerçek zamanlı uyarlamalar ortalama 280 ms gecikmeyle gerçekleşir ve ergonomi kısıtlamaları kullanım durumlarının %95'inde korunur, bu da sistemin hızlı ve güvenli çalıştığını doğrular. Federated Learning (FL), dağıtık mobilya birimleri arasında gizlilik koruma işbirliğini mümkün kılar. Eğitim, 30 küresel iterasyon içinde küresel performansın %87'sine yakınlaşır ve hiç ham veri alışverişi olmadan, hem ölçeklenebilirliği hem de veri gizliliğini güçlendirir. Bu ampirik sonuçlar, çerçevenin sağlık farkında çalışma alanları, akıllı evler ve yaşlı bakım ortamlarında uygulanmaya uygunluğunu güçlü şekilde desteklemekte, insan-mobilya etkileşimini zenginleştirmek için sağlam, duyarlı ve yorumlanabilir bir çözüm sunmaktadır.

Giriş

Nesnelerin İnterneti (IoT), algılama, hesaplama ve aktuasyonun fiziksel ortamlara entegrasyonunu mümkün kılmıştır; bağlam farkında etkileşim ve gerçek zamanlı karar alma yeteneğine sahip adaptif sistemleri^{destekler 1,2,3} Bu paradigma içinde, akıllı mobilya sistemleri duruşu izlemek için basınç sensörleri, atalet ölçüm birimleri, çevresel monitörler, mikrodenetleyiciler, kablosuz iletişim modülleri ve yapay zeka algoritmalarını entegre eder. Çevresel koşullar ve etkileşim^{kalıpları 4}. Geleneksel ergonomik ekipmanların aksine, bu sistemler veri odaklı davranış modelleme ve uyarlanabilir geri bildirim mekanizmaları aracılığıyla sürekli kişiselleştirmeyi^{mümkün kılmayı amaçlar 5,6}.

Hibrit çalışma modellerinin, hareketsiz yaşam tarzlarının ve yaşlanan nüfusların artan yaygınlığı, konfor, verimlilik ve sağlık takimini destekleyebilen ergonomik duyarlı mobilyalara yönelik araştırma ilgisini^{artırmıştır} 7,8,9,10. Akıllı mobilya platformları, gömülü zekânın kullanıcılar ile ortamları arasında etkileşimli bir arayüz olarak işlev görmesini sağlayan konut, ofis, sağlık ve eğitim alanlarında^{keşfedilmiştir 11,12}. Son araştırmalar, dağıtık sistemlerde uyarlanabilir kişiselleştirme için güçlendirme öğrenme ve federasyon öğrenmeyi^{incelemiştir} 13,14,15. IoT destekli uygulamalar için gizliliği koruyan pekiştirme öğrenme yöntemleri, uyum sağlama ile veri koruması arasındaki dengeleri ortaya^{koymuştur 13}. Kenar bilişimdeki federasyone dayalı öğrenme çerçeveleri, iletişim verimliliği ve merkeziyetsiz optimizasyon zorluklarını ele^{aldı 14}. Derin pekiştirme öğrenme, dijital kişiselleştirme hizmetlerinde etkinliğini^{göstermiştir 15}. Ancak, önceki çalışmaların çoğu, akıllı mobilya gibi bedenli fiziksel sistemler yerine sanal hizmet platformlarına^{odaklanmıştır 16}.

Fiziksel akıllı mobilya ortamları, aktüatör dinamikleri, mekanik güvenlik gereksinimleri, enerji tüketimi sınırlamaları, sensör gürültüsü, gecikme kısıtlamaları ve çoklu kullanıcı etkileşim karmaşıklığı gibi ek kısıtlamalar getirir¹⁷. Örneğin, duruş izleme akıllı sandalyeleri ve uyku takip eden akıllı yataklar, biyomekanik algılamayı, ısıtma, havalandırma ve klima (HVAC) sistemleri gibi çevresel koordinasyon mekanizmalarıyla entegre^{etmelidir 18}. Bu bağlamlarda kişiselleştirme, statik tercih haritalaması yerine fizyolojik, davranışsal ve çevresel sinyallerin dinamik modellemesini gerektirir^19,20.

Oturma yastıkları, kol dayamaları, sırt dayakları ve masa üstü gibi yapısal bileşenlere entegre edilen gömülü IoT sensörleri, hareket (ivmeölçerler, jiroskoplar), basınç dağılımı, termal ölçümler, akustik bağlam ve elektrodermal aktivite (EDA) ile kalp atış hızı değişkenliği gibi fizyolojik göstergeler gibi çok değişkenli zaman serisi^{verilerini yakalayabilir 21,22}. Gömülü sensörler, düşük güçlü tüketici güvenlik standartları altında çalışır ve yalnızca önemsiz bir iyonlaştırıcı olmayan elektromanyetik radyasyon yaymaktadır. Maruziyet seviyeleri uluslararası güvenlik eşiklerinin oldukça altında kalıyor. Ham sensör sinyalleri genellikle yüksek boyutlu, gürültülü ve bağlama bağlı²³ olur; bu da güvenilir kullanıcı durumu temsilleri oluşturmak için yapılandırılmış sinyal işleme, özellik çıkarma ve sensör birleşimi gerektirir²⁴.

Denetli sınıflandırma, denetimsiz kümeleme ve derin sinir ağları gibi makine öğrenimi yöntemleri akıllı ortamlarda davranışsal modellemede^{uygulanmıştır 25,26}. Tekrarlayan sinir ağları (RNN'ler) ve konvolüsyon sinir ağları (CNN'ler), kullanıcı hareketindeki zamansal bağımlılıkları yakalarken, kümeleme yaklaşımları kullanıcıları davranışsal gruplara^{ayırır 26}. Bu teknikler desen tanıma konusunda geliştirse de, belirsizlik altında ardışık kontrol kararlarını doğal olarak optimize etmezler. Kural tabanlı kontrol stratejileri, ergonomik sistemlerde yaygın olarak uygulanan sensör eşiklerini önceden tanımlanmış eylemlerle eşleştirir ancak uyarlanabilir öğrenme yeteneğinden^{yoksundur 27}. Sonuç olarak, statik eşlemeler zaman içinde değişen tercihleri ve bağlamsal değişkenliği^{karşılayamayabilir28}.

Çok kullanıcılı ortamlar, heterojen kullanıcılar arasında performansı sürdürmek için dinamik bağlamsal farklılaşma ve uyarlanabilir profil değiştirme gerektirir²⁹. Bu nedenle ölçeklenebilir kişiselleştirmeye ulaşmak, gizlilik ve hesaplama verimliliğini koruyarak uzunlamasına davranışsal öğrenme yapabilen modelleri gerektirir³⁰. Bağlamsal zekayı mobilya altyapısına doğrudan gömmek, etkileşim duyarlılığını artırır; ancak dağıtık IoT sistemleri ayrıca gizlilik koruması ve güvenli veri işleme kısıtlamalarını^{da ele almak zorundadır 31,32}. Bu zorlukları ele almak için, bu çalışma, IoT destekli akıllı mobilya sistemleri için pekiştirici öğrenme, uyarlanabilir durum tahmini ve federasyon meta-öğrenmeyi entegre eden birleşik bir akıllı kontrol çerçevesi önermektedir. Kişiselleştirme, stokastik geçişler altında kullanıcı konforu ve enerji verimliliğinin ardışık optimizasyonunu mümkün kılan bir Markov karar süreci (MDP) olarak formüle edilmiştir. Pekiştirme öğrenme, kümülatif ödül geri bildirimine dayalı kontrol politikalarını sürekli olarak geliştirir, sezgisel veya statik haritalama yaklaşımlarının sınırlamalarını aşmaktadır.

Uyarlanabilir bir Kalman filtresi, gürültülü çok değişkenli gözlemlerden gizli kullanıcı tercih durumlarını tahmin etmek için entegre edilir; ölçüm gürültüsünü altta yatan ergonomik niyetten ayırır ve kontrol kararlılığını artırır. Bu filtre, gürültülü gözlemlerden gizli ergonomik tercihleri çıkarmak için kullanılan özyinelemeli olasılıksal durum tahmini algoritmasıdır. Ölçüm gürültüsünü gizli kullanıcı niyetinden ayırmadaki rolü açıkça netleştirilmiştir. Federe öğrenme, ham veri alışverişi olmadan dağıtık model toplama sağlarken, meta-öğrenme, heterojen popülasyonlar arasında optimize edilmiş başlangıllaştırma yoluyla yeni kullanıcılara uyumu hızlandırır. Şekil 1 , önerilen akıllı mobilya sisteminin çok katmanlı mimarisini, algılama, çıkarım, kişiselleştirme ve etik altyapı katmanlarına ayrılmış olarak sunmaktadır. Diyagram, sensör edinimi, kenar/bulut zekası, uyarlanabilir kontrol ve güvenli veri yönetiminin birleşik gerçek zamanlı kişiselleştirme çerçevesinde nasıl entegre edildiğini gösteriyor.

Bu çalışmanın temel amacı, akıllı mobilya sistemleri için ölçeklenebilir, enerji duyarlı ve mahremiyeti koruyan kişiselleştirme mimarisi tasarlamak ve deneysel olarak değerlendirmektir. Önerilen çerçeve, algılama, temsil öğrenimi, olasılıksal durum tahmini, ardışık karar optimizasyonu ve federasyon iş birliğini bütünleşik bir yapı içinde birleştiriyor. Prototip akıllı mobilya üniteleri kullanılarak deneysel doğrulama, sezgisel kontrol yaklaşımlarına göre kullanıcı memnuniyetsizliği azaltılması ve enerji verimliliği açısından ölçülebilir gelişmeler göstermektedir. Dijital hizmetlerden bedenli fiziksel ortamlara güçlendirme öğrenme ve federasyon adaptasyonunu genişleterek, bu çalışma, yorumlanabilir ve deneysel olarak doğrulanmış akıllı mobilya sistemlerine teknik olarak temelli bir yol kurmaktadır.

Protokol

Bu çalışma için etik onay gerekmemiştir. Deneysel işlemler, tıbbi müdahale, klinik test veya tanımlanabilir kişisel sağlık bilgisi toplama olmadan prototip akıllı mobilya üniteleriyle invaziv olmayan ergonomik etkileşimi içeriyordu. Tüm kaydedilen sensör verileri depolama ve analiz öncesinde anonimleştirildi. Katılım gönüllüydü ve hassas veya klinik veriler toplanmadı.

1. Donanım ve sistem hazırlığı

1. Akıllı mobilya ünitesini monte edin
   1. Koltuk yastığına 16 kanallı kapasitif basınç sensörü dizisi takın.
   2. Sırt dayama üzerine 6 eksenli bir atalet ölçüm birimi (ivmeölçer + jiroskop) takın.
   3. Sıcaklık, nem, ortam ışığı ve ses sensörleri kurun.
   4. Isteğe bağlı elektrodermal aktivite (EDA) ve kalp atış hızı sensörü modüllerini entegre edin.
   5. Tüm sensörleri I2C/SPI arayüzleri aracılığıyla bir ESP32 mikrodenetleyiciye bağlayın.
2. Aktüasyon sistemini yapılandırın
   1. Yükseklik ve eğim ayarlaması için servo motorlar takın.
   2. Eğim ayar aralığını ±15°'ye ayarlayın.
   3. Yükseklik ayarını 40–70 cm olarak ayarlayın.
   4. Aktüasyon adım boyutunu güncelleme döngüsü_başına maksimum Δ S = 2° ile sınırlayın.
3. Configure compute platform
   1. Ubuntu 20.04'ü NVIDIA Jetson Nano (4 GB RAM) veya eşdeğerine kurun.
   2. Python 3.9'u yükle.
   3. PyTorch 1.13, NumPy, SciPy ve Scikit-learn kur.
   4. GPU varsa CUDA hızlandırmasını etkinleştirin.

2. Veri Toplama

1. Örnekleme yapılandır
   1. Sensör örnekleme hızını 20 Hz'e ayarlayın.
   2. Tüm sensör akışlarını zaman damgası hizalamayla senkronize edin.
   3. Verileri CSV formatında depolayın.
2. Etkileşim Oturumları Düzenleyin
   1. 48 yetişkin katılımcı kazanın.
   2. Her katılımcı başına 60 dakikalık oturma etkileşim oturumlarını kaydet.
   3. 1–5 Likert ölçeğinde öznel konfor puanları toplayın.
3. Bölüm veri seti
   1. Katılımcı tanımlayıcılarını kaldırın.
   2. Veri setini %70 eğitim, %15 doğrulama ve %15 test seti olarak böl.

3. Veri ön işleme

1. Filtre sinyalleri
   1. Düşük geçirimli bir Butterworth filtresi uygulayın (kesme frekansı = 5 Hz).
   2. Her sensör kanalını sıfır ortalama ve birim varyansı olarak normalleştirin.
2. durum temsili oluşturmak.
   1. Mobilya durumunu S(t) sensör vektörü X_i(t) ile birleştirin.
   2. Segment sinyalleri kaydırmalı pencereler kullanılarak yapılır (pencere boyutu = 50 zaman adımı).

4. Seyrek otomatik kodlayıcı eğitimi

1. Mimariyi tanımlayın.
   1. Giriş boyutunu ayarlayın d.
   2. Gizli boyut p = 0.3d kur.
   3. ReLU aktivasyonunu kullanın.
2. Tren modeli
   1. Adam optimizer kullanın (öğrenme hızı = 0.001).
   2. Parti boyutu ayarlandı = 64.
   3. 100 dönem için tren.
   4. Kaybı en aza indirin:
      1. L_SE'yi seyrek otomatik kodlayıcı kayıp fonksiyonu olarak tanımlayın.
      2. Orijinal giriş sensör veri matrisi olarak tanımlanır .
      3. n'i tanımlayın, örnek sayısı ve sensör özelliklerinin sayısıdır.
      4. Dekoder ağı tarafından üretilen yeniden oluşturulmuş çıktı olarak tanımlanır .
      5. Kare Öklid yeniden yapılandırma hatası olarak tanımlayın .
      6. W⁽¹⁾'i birinci kodlayıcı katmanının ağırlık matrisi olarak tanımlayın.
      7. Kodlayıcı ağırlıklarının L1 normu olarak tanımlanır , öğrenilen temsilde seyrekliği teşvik eder.
      8. λ > 0'ı, yeniden yapı sadakati ile seyreklik arasındaki dengeyi kontrol eden seyreklik düzenleme katsayısı olarak tanımlayın.
      9.   
      10. λ = 0.001 ayarla.
3. İhracat kodlayıcısı
   1. Eğitilmiş enkoder ağırlıklarını saklayın.
   2. Güçlendirme öğrenme aşaması için kodlayıcı parametrelerini dondurun.

5. Markov karar süreci formülasyonu

1. Durum Uzayını Tanımlayın
   1. S(t)'yi mobilya konfigürasyonu olarak tanımlayın.
   2. h(t) kelimesini sıkıştırılmış sensör gömülmesi olarak tanımlayın.
   3. Durum vektörünü oluştur.
2. Eylem uzayını tanımlayın
   1. Tanımlayın
   2. Sınırlama
3. Ödül fonksiyonunu tanımlayın
   1. Memnuniyetsizliği hesaplayın
      1. D(t)'yi t zaman adımında anında kullanıcı memnuniyetsizliği olarak tanımlayın.
      2. Gerçek mobilya durum vektörü olarak tanımlanır.
      3. m'yi kontrol edilebilir mekanik parametrelerin sayısı olarak tanımlayın.
      4. Kullanıcının o anda tercih ettiği ideal (optimal) ergonomik durum olarak tanımlanır .
      5. Kare Öklid normu olarak tanımlanır .
         
   2. Ödülü tanımlayın
      Kontrol ayarının kare Öklid büyüklüğü olarak tanımlanır .
      
      λ = 0.05 kümesi

6. Kalman filtre tahmini

1. Gizli tercih durumu ve kovaryansının başlatılması.
   1. İlk durum tahminini ayarlayın
   2. Başlangıç kovaryansı P(0) = 1
2. Gizli tercih dinamiklerinin tahmini
   1. Bir sonraki zaman adımında gizli ergonomik tercih durumunu tahmin edin.
      1. Gizli kullanıcı tercihi durumunun öngörülen evrimi olarak tanımlayın .
      2. Daha önce uygulanan mobilya ayarlamasının tahmin edilen gizli tercih üzerindeki etkisi olarak tanımlanır.
   2. Tahmin edilen durum tahmininin belirsizliğini yayımlayın.
      1. Gizli durum tahmininin yayılan kovaryansı olarak tanımlanır .
      2. A'yı sistem dinamiği matrisi olarak tanımlayın.
      3. Q'yu süreç gürültüsü kovaryans matrisi olarak tanımlayın.
         
      4. Q Kümesi = 0..01
3. Gizli tercih tahmininin düzeltmesini ölç.
   1. Kalman kazanımı K(t) hesapla.
   2. Durum tahmini ve kovaryansı güncelleyin.
   3. R kümesi = 0.05

7. DDPG eğitimi

1. Ağları başlatma
   1. Oyuncu ve eleştirmen için iki gizli katman (her biri 128 nöron) kullanın.
   2. Hedef ağları başlatın.
2. Hiperparametreleri küme
   1. Oyuncu öğrenme hızı = 1 × ^10-4
   2. Eleştirmen öğrenme oranı = 1 × ^10-3.
   3. İnkont faktörü γ = 0.99
   4. Yumuşak güncelleme τ = 0.005
   5. Tekrar oynatma tamponu boyutu = 100.000
3. Tren politikası
   1. 200.000 etkileşim adımı için eğitim yapın.
   2. 64 boyutlu mini partileri örnekleyin.
   3. Oyuncudan önce eleştirmeni güncelleme.

8. Federe meta-öğrenme

1. Küresel modeli dağıtın.
   1. Küresel modeli kenar cihazlara gönderin.
2. Yerel eğitim yapmak
   1. Yerel olarak antrenman yapın, her tur için 5 dönem için.
   2. Gradyanları hesaplayın.
3. Toplam
   1. Ağırlıklı ortalamalar yapın.
   2. 30 iletişim turu boyunca tekrarlayın.

9. Enerji kısıtlı optimizasyon

1. Kısıtlamayı tanımlayın
   ε max'i izin verilen maksimum memnuniyetsizlik eşiği olarak tanımlayın
   1. Uygulama
2. Karush–Kuhn–Tucker (KKT) koşullarını uygula
   1. Lagrangian fonksiyonu L'nin kontrol ayarlama vektörü ΔS'ye göre gradyanı olarak tanımlayın.
   2. Hesaplama .
   3. Lagrange çarpanı güncelleme.

10. Temel değerlendirme

1. Temel çizgileri uygula
   1. Kural tabanlı eşik kontrolü uygulayın.
   2. Tablo şeklinde Q-öğrenme uygulayın.
   3. Rastgele orman tahmincisi uygulayın.
   4. Transformatör tabanlı politika uygulayın.
2. Uygulanan kontrol stratejilerinin performans değerlendirmesi
   1. Kümülatif memnuniyetsizliği ölç.
   2. Enerji tüketimini ölç.
   3. Gecikmeyi ölç.

11. Beklenen çıktılar

1. Eğitimli kişiselleştirme politikası alın.
2. Başlangıç seviyesine kıyasla daha az memnuniyetsizlik elde edin.
3. Enerji verimli aktuasyon davranışını elde edin.
4. Tekrarlanabilirlik için eğitilmiş model ağırlıklarını saklayın.

Sonuçlar

Donanım entegrasyonu ve sistem doğrulaması
Akıllı mobilya sistemi, sürekli multimodal algılama ve gerçek zamanlı aktuasyon altında güvenilir şekilde çalışıyordu. Tüm sensörler, 20 Hz'de senkronize veri akışı yapardı ve gözlemlenebilir paket kaybı olmadan. Mekanik sınırlar tutarlı şekilde uygulanıyordu; eğim ±15° ile sınırlandırılmış, yükseklik 40–70 cm ile sınırlanmış ve basamak değişiklikleri kontrol döngüsü başına Δ_{S max} = 2⁰ ile sınırlandırılmıştır. Kenar çıkarımı uzu...

Tartışma

Mevcut çalışma, pekiştirme öğrenme, uyarlanabilir Kalman filtreleme, seyrek temsil öğrenimi ve federasyon meta-öğrenmeyi entegre eden hibrit bir çerçevenin, gerçek zamanlı kısıtlamalar altında akıllı mobilya sistemlerinde bedenli kişiselleştirmeyi önemli ölçüde iyileştirebileceğini göstermektedir. 48 katılımcı arasında, çerçeve kural tabanlı kontrole göre kümülatif memnuniyetsizlikte %43,2 azalma (p < 0,001) ve toplam enerji tüketiminde %21,2 azalma (p < 0,001) elde etti; ortalama aktîasyon gecikmesi 300 ms'nin alt...

Malzemeler

Bu makalede kullanılan malzemelerin listesi

Ad	Şirket	Katalog numarası	Yorumlar
Aktüatörler	Genel Üretici	Yok	Ayarlar
Adaptif Kalman Filtresi	Özel Uygulama	Yok	Durum tahmini algoritması
Biyolojik sinyal (EDA/HRV/Resp.)	Genel Üretici	Yok	Sağlık farkındalık
Bağlanabilirlik	Genel Üretici	Yok	Ağ bağlantısı
DDPG (Aktör – Eleştirmen)	OpenAI Baselines / PyTorch	DDPG Modülü	Derin belirleyici politika gradyanı RL
Kenar MCU	Genel Üretici	Yok	Düşük gecikmeli
Federe Öğrenme	Google Araştırma	FedAvg Protokolü	Federe ortalama toplama yöntemi
Federe Meta-Öğrenme	Özel / Açık kaynak	Yok	Meta başlangıç meta kaybı en aza indirir
IMU (Hızlandırma/Dönme)	TDK InvenSense	MPU-6050	6 eksenli hızlandırıcı ve jiroskop modülü
Işık Sensörü	ROHM Yarı İletken	BH1750FVI	Dijital ortam ışığı sensörü
MDP Formülasyonu	Özel Uygulama	Yok	Markov karar süreci modellemesi
Mikrofon	Adafruit Industries	1713 (MAX9814)	Elektret mikrofon amplifikatörü modülü
Basınç Matrisi	Interlink Electronics	FSR-400 Serisi	16 kanallı kapasitif basınç algılama dizisi
Yoğun Otomatik Kodlayıcı (YAK)	Meta AI	PyTorch 1.13	Sinir ağı eğitim çerçevesi
Termal Sensör	Adafruit Industries	385 (DHT22)	Dijital sıcaklık ve nem sensörü