در دنیای امروز، خانه‌های هوشمند به سرعت در حال تبدیل شدن به بخشی جدایی‌ناپذیر از زندگی ما هستند. این خانه‌ها با استفاده از شبکه‌ای از حسگرها و دستگاه‌های هوشمند، قادرند اطلاعات مختلفی را در مورد محیط و ساکنان جمع‌آوری کنند. یکی از مهم‌ترین کاربردهای این اطلاعات، بازشناسی فعالیت‌های روزمره انسان است که می‌تواند در زمینه‌های مختلفی از جمله مراقبت از سالمندان، بهینه‌سازی مصرف انرژی و افزایش امنیت مورد استفاده قرار گیرد.

مقاله حاضر، با عنوان “کاربرد مدل زبانی در بوت‌استرپ بازشناسی فعالیت انسان مبتنی بر حسگرهای محیطی در خانه‌های هوشمند”، توسط Damien Bouchabou, Sao Mai Nguyen, Christophe Lohr, Benoit Leduc و Ioannis Kanellos نگارش شده است. این محققان، با تمرکز بر چالش‌های موجود در زمینه بازشناسی فعالیت انسان در خانه‌های هوشمند، به دنبال راهکارهایی برای بهبود دقت و کارایی این سیستم‌ها هستند. زمینه تحقیقاتی این افراد، یادگیری ماشین، پردازش زبان طبیعی و اینترنت اشیا (IoT) است که همگی در راستای توسعه و بهبود سیستم‌های هوشمند مورد استفاده در خانه‌های هوشمند قرار دارند.

چکیده این مقاله به این صورت است: ساختارهای مبتنی بر حافظه کوتاه‌مدت بلند (LSTM) کارایی خود را در بازشناسی فعالیت‌های روزمره زندگی در خانه‌های هوشمند با ثبت توالی فعال‌سازی حسگرها و وابستگی‌های زمانی آن‌ها نشان داده‌اند. با این وجود، این ساختارها هنوز در برخورد با معناشناسی و زمینه حسگرها با مشکل مواجه هستند. حسگرها، فراتر از شناسه مجزا و مقادیر فعال‌سازی مرتب شده، معنای خاصی را نیز با خود حمل می‌کنند. در واقع، ماهیت و نوع فعال‌سازی آن‌ها می‌تواند فعالیت‌های مختلفی را بیان کند. لاگ‌های آن‌ها با یکدیگر مرتبط هستند و یک زمینه کلی را ایجاد می‌کنند. در این مقاله، پیشنهاد شده است که از دو روش تعبیه‌سازی پردازش زبان طبیعی (NLP) برای بهبود ساختارهای مبتنی بر LSTM در وظایف طبقه‌بندی توالی فعالیت‌ها استفاده شود: Word2Vec، یک تعبیه‌سازی معنایی ایستا، و ELMo، یک تعبیه‌سازی زمینه‌ای. نتایج حاصل از مجموعه‌داده‌های واقعی خانه‌های هوشمند نشان می‌دهد که این رویکرد اطلاعات مفیدی را ارائه می‌دهد، مانند نقشه سازماندهی حسگرها، و باعث کاهش سردرگمی بین کلاس‌های فعالیت‌های روزانه می‌شود. این روش به عملکرد بهتر در مجموعه‌داده‌هایی با فعالیت‌های رقیب سایر ساکنان یا حیوانات خانگی کمک می‌کند. آزمایش‌های ما همچنین نشان می‌دهد که تعبیه‌سازی‌ها می‌توانند بر روی مجموعه‌داده‌های مختلف از مجموعه داده هدف، از قبل آموزش داده شوند و انتقال یادگیری را امکان‌پذیر کنند. بنابراین، نشان می‌دهیم که در نظر گرفتن زمینه حسگرها و معناشناسی آن‌ها باعث افزایش عملکرد طبقه‌بندی و امکان انتقال یادگیری می‌شود.

به طور خلاصه، این مقاله به بررسی این موضوع می‌پردازد که چگونه می‌توان از مدل‌های زبانی برای بهبود عملکرد سیستم‌های بازشناسی فعالیت انسان در خانه‌های هوشمند استفاده کرد. ایده اصلی این است که حسگرها در یک خانه هوشمند، نه تنها اطلاعات عددی را ثبت می‌کنند، بلکه دارای یک “معنی” و “زمینه” هستند که می‌تواند برای درک بهتر فعالیت‌های در حال انجام مورد استفاده قرار گیرد.

محققان در این مقاله از یک روش ترکیبی استفاده کرده‌اند که شامل موارد زیر است:

• جمع‌آوری داده‌ها: استفاده از مجموعه‌داده‌های موجود از خانه‌های هوشمند واقعی که شامل اطلاعات حسگرهای مختلف (مانند حسگرهای حرکتی، درب، و فشار) و فعالیت‌های انجام شده توسط ساکنان است.
• پیش‌پردازش داده‌ها: تبدیل داده‌های حسگر به یک فرمت قابل پردازش توسط مدل‌های زبانی. این شامل تبدیل شناسه‌های حسگر به “کلمات” و ترتیب فعال‌سازی آن‌ها به “جملات” است. به عنوان مثال، فعال شدن حسگر درب ورودی، سپس حسگر آشپزخانه، و در نهایت حسگر یخچال، می‌تواند به عنوان جمله “درب ورودی آشپزخانه یخچال” در نظر گرفته شود.
• آموزش مدل‌های زبانی: استفاده از مدل‌های Word2Vec و ELMo برای یادگیری تعبیه‌سازی (embedding) برای حسگرها. تعبیه‌سازی، نمایش برداری از کلمات است که در آن کلمات مشابه در فضای برداری به یکدیگر نزدیک‌تر هستند.
• بهبود مدل LSTM: ادغام تعبیه‌سازی‌های حسگرهای یادگیری شده با مدل‌های LSTM برای بهبود دقت طبقه‌بندی فعالیت‌ها. مدل LSTM، توالی فعال‌سازی حسگرها را به عنوان ورودی دریافت کرده و فعالیت مربوطه را پیش‌بینی می‌کند.
• ارزیابی عملکرد: مقایسه عملکرد مدل‌های بهبود یافته با مدل‌های LSTM پایه بر روی مجموعه‌داده‌های خانه‌های هوشمند. معیارهای ارزیابی شامل دقت، صحت و فراخوانی است.

برای مثال، فرض کنید می‌خواهیم فعالیت “تهیه قهوه” را بازشناسی کنیم. مدل بدون استفاده از مدل‌های زبانی، صرفاً توالی فعال‌سازی حسگرها (مثلاً “کتری روشن شد، درب کابینت باز شد، فنجان برداشته شد”) را در نظر می‌گیرد. اما با استفاده از مدل‌های زبانی، مدل می‌فهمد که حسگر “کتری” با حسگر “قهوه ساز” ارتباط معنایی دارد و فعال شدن آن‌ها به احتمال زیاد نشان‌دهنده فعالیت “تهیه قهوه” است.

نتایج این تحقیق نشان داد که استفاده از مدل‌های زبانی Word2Vec و ELMo به طور قابل توجهی عملکرد سیستم‌های بازشناسی فعالیت انسان را بهبود می‌بخشد. یافته‌های کلیدی عبارتند از:

• افزایش دقت طبقه‌بندی: مدل‌های بهبود یافته با استفاده از تعبیه‌سازی‌های حسگرها، دقت بالاتری در طبقه‌بندی فعالیت‌های روزمره زندگی نسبت به مدل‌های LSTM پایه داشتند.
• کاهش سردرگمی بین فعالیت‌ها: مدل‌های زبانی به مدل کمک می‌کنند تا بین فعالیت‌های مشابه که ممکن است توالی فعال‌سازی حسگرهای یکسانی داشته باشند، تمایز قائل شود. به عنوان مثال، تشخیص تفاوت بین “تهیه چای” و “تهیه قهوه” با در نظر گرفتن ارتباط معنایی بین حسگرهای “چای ساز” و “قهوه ساز” آسان‌تر می‌شود.
• انتقال یادگیری: تعبیه‌سازی‌های یادگیری شده بر روی یک مجموعه داده می‌توانند برای بهبود عملکرد مدل بر روی مجموعه داده‌های دیگر مورد استفاده قرار گیرند. این ویژگی، “انتقال یادگیری” نامیده می‌شود و به ویژه در مواردی که داده‌های آموزشی محدودی در دسترس است، بسیار مفید است.
• ایجاد نقشه سازماندهی حسگرها: تعبیه‌سازی‌های یادگیری شده می‌توانند برای ایجاد یک نقشه از روابط بین حسگرها استفاده شوند. این نقشه می‌تواند به محققان و توسعه‌دهندگان کمک کند تا سازماندهی حسگرها در یک خانه هوشمند را بهتر درک کنند و سیستم‌های هوشمندتری را طراحی کنند.

برای مثال، محققان با استفاده از مدل ELMo توانستند نشان دهند که حسگرهای “مایکروویو” و “اجاق گاز” به یکدیگر نزدیک‌تر هستند، زیرا هر دو برای گرم کردن غذا استفاده می‌شوند. این اطلاعات می‌تواند برای بهبود عملکرد سیستم‌های اتوماسیون خانگی مورد استفاده قرار گیرد.

دستاوردها و کاربردهای این تحقیق در زمینه‌های مختلف قابل توجه است:

• مراقبت از سالمندان: بهبود سیستم‌های نظارت بر سلامت و ایمنی سالمندان در خانه‌های هوشمند. با بازشناسی دقیق‌تر فعالیت‌های روزمره سالمندان، می‌توان الگوهای غیرطبیعی را تشخیص داد و در صورت نیاز، به سرعت مداخله کرد.
• بهینه‌سازی مصرف انرژی: با درک بهتر الگوهای مصرف انرژی در خانه، می‌توان سیستم‌های هوشمندی را طراحی کرد که به طور خودکار مصرف انرژی را بهینه می‌کنند. به عنوان مثال، اگر سیستم تشخیص دهد که ساکنان خانه معمولاً بعد از ساعت 10 شب به خواب می‌روند، می‌تواند به طور خودکار سیستم‌های گرمایشی و روشنایی را خاموش کند.
• افزایش امنیت: تشخیص فعالیت‌های مشکوک در خانه، مانند ورود غیرمجاز افراد. با تحلیل توالی فعال‌سازی حسگرها، می‌توان الگوهای غیرعادی را شناسایی و هشدارهای لازم را صادر کرد.
• توسعه سیستم‌های اتوماسیون خانگی هوشمندتر: ایجاد سیستم‌هایی که می‌توانند به طور خودکار به نیازهای ساکنان پاسخ دهند. به عنوان مثال، اگر سیستم تشخیص دهد که ساکنان در حال تماشای فیلم هستند، می‌تواند به طور خودکار نور اتاق را کم کرده و صدای سیستم صوتی را تنظیم کند.

علاوه بر این، این تحقیق می‌تواند به عنوان مبنایی برای تحقیقات آینده در زمینه بازشناسی فعالیت انسان در خانه‌های هوشمند مورد استفاده قرار گیرد.

در مجموع، مقاله حاضر نشان می‌دهد که استفاده از مدل‌های زبانی در بازشناسی فعالیت انسان در خانه‌های هوشمند، یک رویکرد امیدوارکننده است. با در نظر گرفتن معنا و زمینه حسگرها، می‌توان دقت و کارایی سیستم‌های بازشناسی فعالیت را به طور قابل توجهی بهبود بخشید. یافته‌های این تحقیق می‌تواند در زمینه‌های مختلفی از جمله مراقبت از سالمندان، بهینه‌سازی مصرف انرژی و افزایش امنیت مورد استفاده قرار گیرد و راه را برای توسعه سیستم‌های اتوماسیون خانگی هوشمندتر هموار سازد.