人工智能技術下的老年人電子產品設計研究

摘 要：人工智能技術已應用于體育、醫學等方面，而傳統的老年人電子產品智能化程度較低，滿足不了老年人的日益需求，人工智能、產品設計相結合是大勢所趨。因此本文結合人工智能和大數據技術，采用人工神經網絡、決策樹和隨機森林等算法，進行老年人電子產品設計。將人工智能運用于輔助設備上，采集老年人的軀干與三維立體運動數據并得出結果進行分析，了解相關數據和生理指標。該產品設計可提高智能化水平和用戶體驗，對老年人身體健康進行全面監控，為老年人身體健康保駕護航。

關鍵詞：人工智能；人工神經網絡；隨機森林；產品設計

中圖分類號：TP 18" " " " " 文獻標志碼：A

2016年AlphaGo擊敗人類職業圍棋選手后，人工智能發展呈正相關趨勢發展，有了人工智能這個強大的驅動力，很多產品更具有應用價值和使用價值。人工智能是一種人造智能，可以反映身體內在和外部特征，并以數據的形式參與產品設計。人工智能具有獨特的載體、資源和工作條件[1]，通過計算機編程就可以實現，因此本文結合老年人的身體狀況、行為和需求，以期設計出具有智能化、人性化和情感化的老年人電子產品。

1 人工智能技術下的老年人電子產品設計理念

在現代社會，伴隨著科學技術迅猛發展，AI已逐漸滲透人們的日常生活中。在老年人群中，這項科技的使用尤其具有重大意義[2]。

人工智能利用數據分析、穿戴設備以及各類App[3]，加強對老年人的身體監測，提供智能化的服務指導，并幫助老年人進行訓練，具有以下3個主要作用。1） 利用人工智能收集老年人各項活動的指數并進行分析，分析老年人運動訓練中的不足，為老年人的訓練設計智能化、情感化且人性化的產品。2） 模擬各種虛擬場景，解決老年人運動場地不足的問題；利用虛擬技術，提升產品設計對老年人的用戶體驗。3） 利用遠程交流，進行一對多的老年人運動訓練，方便老年人間的交流。該老年人電子產品設計更趨向于身體健康方面，包括基本身體檢測數據和訓練計劃安排，能夠為老人提供一個全方位的身體檢測，相當于“24 h貼身管家”。

2 人工智能技術下的老年人電子產品設計的相關算法

2.1 人工神經網絡

MATLAB神經網絡工具箱屬于BP前向型神經網絡。典型的BP網絡是3層網絡結構，分別為輸入層、隱含層和輸出層[4]。中間的每個神經元都是從上一層的多個神經元接受輸入信息，再輸出給下一層的多個神經元[5]。BP算法是以反向誤差迭代的模式進行反復訓練的多層前向神經網絡，是神經網絡中最常用的神經網絡模型之一，根據統計數據可知，近90%的神經網絡模型采用BP網絡，如圖1所示。

神經網絡包括以下 4 個特點。1） 容錯能力較強。2） 自學習和自適應能力較強。3） 并行計算能力，速度較快。4） 非線性和分布存儲，可實現多種映射關系。BP-NN基本結構如圖2所示。由圖2可知，BP-NN由3層網絡構成，即輸入層、隱含層和輸出層。輸出層中神經元的個數為1。

BP-NN模擬人的大腦處理各種問題，具有人腦的某些基本特征，能夠自主學習各種數據間的特征，適應各種環境，還能通過不斷迭代得到最優的解，屬于非線性動態系統。

隱含層的神經元動量sj如公式（1）所示。

式中：xj為第i個輸入量；θj為第j個神經元的閥值。

隱含層各神經元的輸出bj如公式（2）所示。

輸出層第k個神經元動量sk如公式（3）所示。

式中：wkj為輸出層第k個神經元與隱含層第j個神經元的連接權值；θk為第k個神經元的閥值。

輸出層的第k個神經元輸出結果yk 如公式（4）所示。

利用BP-NN對各層進行計算過程中，要根據計算誤差對權值進行修改。設輸出實際結果為yk，期望的輸出結果為ok，則輸出層的誤差dk如公式（5）所示。

dk=（ok-yk）yk（1-yk）" " " "（5）

重新回到隱含層的誤差ej，如公式（6）所示。

式中：vkj為隱含層第k個神經元與輸入層第j個神經元的連接權值。

輸出層與隱含層的連接權重Δvkj如公式（7）所示。

Δvkj=α?dk?bj" " " " " " （7）

式中：α為校正輸出層和隱含層權值和閥值的學習系數。

閥值的修正量Δθk如公式（8）所示。

Δθk=α?dk" " " " " " " （8）

隱含層與輸入層的連接權值Δwji如公式（9）所示。

Δwji=β?ej?xi" " " " " " " （9）

閥值的修正量Δθj如公式（10）所示。

Δθj=β?ej " " " " " " " "（10）

式中：β為校正隱含層和輸入層權重和閥值的學習系數；ej為第j個節點誤差。

2.2 決策樹

決策樹算法是一種近似離散函數值的方法，利用歸納算法處理數據，生成讀取決策樹的規則[3]。決策過程主要是根據一系列規則對數據進行分類的過程，可改進剪枝技術和預測變量的求導規則，并可用于分類問題。

2.3 隨機森林

多個決策樹分類器組成一個隨機森林，各個決策樹分類器獨立且相互不干擾。隨機森林基于Bagging算法框架。Bagging每個弱學習器的訓練集合均是由無序且有放回抽樣得到的，即每次從最初的樣本中無序放回N個訓練樣本，經過抽樣可得T-M訓練集合，再對T-M訓練集合自主訓練T個弱學習器，這T個弱學習器組成一個強學習器，整體的結果輸出就是強學習器的結果，如圖3所示。

首先，用N表示樣本個數，M表示特征個數。

公式（11）表示每次抽樣時，原樣本集中的數據有約37%的樣本不會被抽中，這些數據被稱為袋外數據。沒被抽中的數據集可直接作為測試集，用于測試模型的預測精度。

最后，按照一定比例確定特征數（通常取總特征數的平方根），輸入m（m＜M）個特征，將其作為決策樹上的決策點。用pk表示選中的樣本屬于k類別的概率，則這個樣本被分錯的概率是（1-pk）。以基尼系數下降最快來確定最優的特征，將其作為決策點。基尼系數如公式（12）所示。

3 人工智能技術下的老年人電子產品設計和結果分析

3.1 數據預處理

因為RDS（on）的下降曲線是一個時間序列。使用深度LSTM網絡設計模型，使用相同的過濾方法進行訓練其中的數據集，利用不同設備的數據對網絡進行訓練。對于SiC MOSFET的每個數據集訓練和迭代，應創建批次（batch）。因此，基于RDS（on）提供的最后輸入序列（τ）預測的下n個樣本，批量應由RDS（on）和（τ+n）的大小構成。每個周期均添加設備渡輪，以擴展網絡并模仿適當的復雜降級，從而提高預測路徑的準確性。SiC MOSFET壽命預測網絡模型基于多源數據，采用深層堆疊結構。LSTM的獨特門結構引入了門控機制和特殊的記憶單元，可以較好地處理SiC MOSFET加速壽命試驗產生的較長輸入序列。預測模型采用前n個功率循環的導通預測第n+1次功率循環下的導通。建立LSTM網絡之前，一些LSTM的初始參數需要提前設置。這些超參數包括隱藏層數、節點數目、損失函數、激活函數和迭代次數等。

目前確定超參數還沒有統一的方法，通常根據經驗和試驗效果來確定。本文通過試驗確定迭代次數為100，每次梯度的樣本數為1，隱藏層有4個神經元，將均方誤差（Mean Squared Error，MSE）作為損失函數，如公式（13）所示。

將訓練集送入LSTM進行訓練。每次迭代時，選取前70%數據進行訓練，后30%為預測部分，可有效避免欠擬合和過擬合情況。當模型訓練到每次迭代且損失誤差趨于穩定或者達到設定的迭代次數上限時，保留超參數，完成訓練并記錄結果。

根據老年人行為的AIS數據可以得出BP神經網絡預測模型，包括12個輸入層、4個輸出神經元節點的網絡，可估算出隱含層神經元的最佳個數區間為[5，14]。

對訓練數據進行離差歸一化處理，在試驗中可以設置不同的隱含層神經元節點數。試驗過程中不同隱含層神經元節點下的均方誤差如圖4所示。

所有老年人的平均百分比誤差均為0.01～0.04，誤差較低，可以證明該神經網絡在老年人人體運動預測中具有良好的泛用性。隨著訓練量增加，損失函數的相對損失逐漸減少，表明模型的擬合精度提高。該模型已經將與實際退化試驗數據的擬合誤差控制在穩定范圍內。

3.2 設計結果

對單個目標的進行跟蹤分析受數據采集的限制，最基本的人工智能分析為分析單個目標的跟蹤情況，收集有價值的信息，為運動訓練創造新的條件。虛擬技術融合了計算機技術、多媒體技術、人工智能技術、圖形技術以及人機界面技術等產業技術。為了觀察和體驗虛擬世界，技術的綜合應用使操作更智能化，例如人機對話可集成虛擬技術了解老年人的訓練過程，從最初的原始直觀體驗深化到更細致、理性的認知和體驗。動作捕捉如圖5所示。

該老年人電子產品將運動訓練過程中的視頻、圖像數據結果和訓練過程中的其他數據作為運動記錄添加到個人檔案中，更新用戶模型以提高訓練質量。科學訓練離不開運動生理學等基礎學科指標的科學應用。雖然人工智能是一種科學的、現代化的訓練方法，但其目標仍然是活生生的老年人，因此有必要為老年人建立相關的數據和標準，如圖6所示，從感知→傳輸→云計算→反饋→用戶，包括基本健康信息、身體狀態以及訓練指導等，以更好地為老年人服務。

本文以老年人產品中防摔倒氣囊為例。為進行老年人防摔設計，防摔倒氣囊需要符合老年人人體需求和人體工學，并從安全方面考慮，增加面積，避免磕碰導致損壞。該設計還體現在智能化上，可對老年人進行運動捕捉和身體監控，以便了解老年人身體狀態，設計結果如圖7所示。當老人快要摔倒時，該設計能夠進行智能化充氣，提高老人活動安全性，還可以根據老年人自身情況進行身體狀態播報，例如疲勞程度、心率以及運動強度等，是符合老年人需求的智能化、系統化的電子產品。

4 結論

人工智能是社會發展的潮流，將人工智能技術應用于老年人電子產品設計將是大勢所趨。本文以老年人電子產品為切入點，研究了人工智能在電子產品設計中的應用。本文由人工智能入手，介紹了人工智能設計重點、基于人工智能訓練的相關數據標準和算法，探討了人工智能在體育訓練中的具體應用。結合人工神經網絡、決策樹以及隨機森林等算法，并通過信息采集為精準訓練提供依據，對數據進行預處理，最后得出訓練結果和設計結果。訓練結果表明，隨著訓練量增加，損失函數的相對損失逐漸減少，說明誤差被控制在合理范圍內。設計結果表明，本文的老年人電子產品能夠進行動作捕捉，該動作捕捉可對用戶行動進行分析，保障老年人的安全。在人工智能技術的強大推動下，老年人電子產品設計會更智能化、情感化和人性化。

參考文獻

[1]高榮良.人工智能技術在現代農業機械中的應用研究[J].現代農機，2024（3）：121-124.

[2]鮑桂霞.人工智能技術在中學田徑訓練中的應用分析[J].文體用品與科技，2024（9）：187-189.

[3]柴建軍.人工智能技術與高校思想政治教育融合發展對策研究[J].湖北開放職業學院學報，2024，37（8）：153-154，157.

[4]王書娟.人工智能技術在電力系統中的應用研究[J].智慧中國，2024（4）：80-81.

[5]焦時儒.基于人工智能技術的計算機信息管理系統研究[J].通訊世界，2024，31（4）：190-192.