摘 要：人工智能技術(shù)已應(yīng)用于體育、醫(yī)學(xué)等方面，而傳統(tǒng)的老年人電子產(chǎn)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(chǎn)品設(shè)計相結(jié)合是大勢所趨。因此本文結(jié)合人工智能和大數(shù)據(jù)技術(shù)，采用人工神經(jīng)網(wǎng)絡(luò)、決策樹和隨機(jī)森林等算法，進(jìn)行老年人電子產(chǎn)品設(shè)計。將人工智能運(yùn)用于輔助設(shè)備上，采集老年人的軀干與三維立體運(yùn)動數(shù)據(jù)并得出結(jié)果進(jìn)行分析，了解相關(guān)數(shù)據(jù)和生理指標(biāo)。該產(chǎn)品設(shè)計可提高智能化水平和用戶體驗，對老年人身體健康進(jìn)行全面監(jiān)控，為老年人身體健康保駕護(hù)航。

關(guān)鍵詞：人工智能；人工神經(jīng)網(wǎng)絡(luò)；隨機(jī)森林；產(chǎn)品設(shè)計

中圖分類號：TP 18" " " " " 文獻(xiàn)標(biāo)志碼：A

2016年AlphaGo擊敗人類職業(yè)圍棋選手后，人工智能發(fā)展呈正相關(guān)趨勢發(fā)展，有了人工智能這個強(qiáng)大的驅(qū)動力，很多產(chǎn)品更具有應(yīng)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(nèi)在和外部特征，并以數(shù)據(jù)的形式參與產(chǎn)品設(shè)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(jī)編程就可以實現(xiàn)，因此本文結(jié)合老年人的身體狀況、行為和需求，以期設(shè)計出具有智能化、人性化和情感化的老年人電子產(chǎn)品。

1 人工智能技術(shù)下的老年人電子產(chǎn)品設(shè)計理念

在現(xiàn)代社會，伴隨著科學(xué)技術(shù)迅猛發(fā)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(shù)據(jù)分析、穿戴設(shè)備以及各類App[3]，加強(qiáng)對老年人的身體監(jiān)測，提供智能化的服務(wù)指導(dǎo)，并幫助老年人進(jìn)行訓(xùn)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(shù)并進(jìn)行分析，分析老年人運(yùn)動訓(xùn)練中的不足，為老年人的訓(xùn)練設(shè)計智能化、情感化且人性化的產(chǎn)品。2） 模擬各種虛擬場景，解決老年人運(yùn)動場地不足的問題；利用虛擬技術(shù)，提升產(chǎn)品設(shè)計對老年人的用戶體驗。3） 利用遠(yuǎn)程交流，進(jìn)行一對多的老年人運(yùn)動訓(xùn)練，方便老年人間的交流。該老年人電子產(chǎn)品設(shè)計更趨向于身體健康方面，包括基本身體檢測數(shù)據(jù)和訓(xùn)練計劃安排，能夠為老人提供一個全方位的身體檢測，相當(dāng)于“24 h貼身管家”。

2 人工智能技術(shù)下的老年人電子產(chǎn)品設(shè)計的相關(guān)算法

2.1 人工神經(jīng)網(wǎng)絡(luò)

MATLAB神經(jīng)網(wǎng)絡(luò)工具箱屬于BP前向型神經(jīng)網(wǎng)絡(luò)。典型的BP網(wǎng)絡(luò)是3層網(wǎng)絡(luò)結(jié)構(gòu)，分別為輸入層、隱含層和輸出層[4]。中間的每個神經(jīng)元都是從上一層的多個神經(jīng)元接受輸入信息，再輸出給下一層的多個神經(jīng)元[5]。BP算法是以反向誤差迭代的模式進(jìn)行反復(fù)訓(xùn)練的多層前向神經(jīng)網(wǎng)絡(luò)，是神經(jīng)網(wǎng)絡(luò)中最常用的神經(jīng)網(wǎng)絡(luò)模型之一，根據(jù)統(tǒng)計數(shù)據(jù)可知，近90%的神經(jīng)網(wǎng)絡(luò)模型采用BP網(wǎng)絡(luò)，如圖1所示。

神經(jīng)網(wǎng)絡(luò)包括以下 4 個特點。1） 容錯能力較強(qiáng)。2） 自學(xué)習(xí)和自適應(yīng)能力較強(qiáng)。3） 并行計算能力，速度較快。4） 非線性和分布存儲，可實現(xiàn)多種映射關(guān)系。BP-NN基本結(jié)構(gòu)如圖2所示。由圖2可知，BP-NN由3層網(wǎng)絡(luò)構(gòu)成，即輸入層、隱含層和輸出層。輸出層中神經(jīng)元的個數(shù)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(xué)習(xí)各種數(shù)據(jù)間的特征，適應(yīng)各種環(huán)境，還能通過不斷迭代得到最優(yōu)的解，屬于非線性動態(tài)系統(tǒng)。

隱含層的神經(jīng)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(jīng)元的閥值。

隱含層各神經(jīng)元的輸出bj如公式（2）所示。

輸出層第k個神經(jīng)元動量sk如公式（3）所示。

式中：wkj為輸出層第k個神經(jīng)元與隱含層第j個神經(jīng)元的連接權(quán)值；θk為第k個神經(jīng)元的閥值。

輸出層的第k個神經(jīng)元輸出結(jié)果yk 如公式（4）所示。

利用BP-NN對各層進(jìn)行計算過程中，要根據(jù)計算誤差對權(quán)值進(jìn)行修改。設(shè)輸出實際結(jié)果為yk，期望的輸出結(jié)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(jīng)元與輸入層第j個神經(jīng)元的連接權(quán)值。

輸出層與隱含層的連接權(quán)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(quán)值和閥值的學(xué)習(xí)系數(shù)。

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(quán)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(quán)重和閥值的學(xué)習(xí)系數(shù)；ej為第j個節(jié)點誤差。

2.2 決策樹

決策樹算法是一種近似離散函數(shù)值的方法，利用歸納算法處理數(shù)據(jù)，生成讀取決策樹的規(guī)則[3]。決策過程主要是根據(jù)一系列規(guī)則對數(shù)據(jù)進(jìn)行分類的過程，可改進(jìn)剪枝技術(shù)和預(yù)測變量的求導(dǎo)規(guī)則，并可用于分類問題。

2.3 隨機(jī)森林

多個決策樹分類器組成一個隨機(jī)森林，各個決策樹分類器獨立且相互不干擾。隨機(jī)森林基于Bagging算法框架。Bagging每個弱學(xué)習(xí)器的訓(xùn)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(xùn)練樣本，經(jīng)過抽樣可得T-M訓(xùn)練集合，再對T-M訓(xùn)練集合自主訓(xùn)練T個弱學(xué)習(xí)器，這T個弱學(xué)習(xí)器組成一個強(qiáng)學(xué)習(xí)器，整體的結(jié)果輸出就是強(qiáng)學(xué)習(xí)器的結(jié)果，如圖3所示。

首先，用N表示樣本個數(shù)，M表示特征個數(shù)。

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

最后，按照一定比例確定特征數(shù)（通常取總特征數(shù)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(shù)下降最快來確定最優(yōu)的特征，將其作為決策點?；嵯禂?shù)如公式（12）所示。

3 人工智能技術(shù)下的老年人電子產(chǎn)品設(shè)計和結(jié)果分析

3.1 數(shù)據(jù)預(yù)處理

因為RDS（on）的下降曲線是一個時間序列。使用深度LSTM網(wǎng)絡(luò)設(shè)計模型，使用相同的過濾方法進(jìn)行訓(xùn)練其中的數(shù)據(jù)集，利用不同設(shè)備的數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。對于SiC MOSFET的每個數(shù)據(jù)集訓(xùn)練和迭代，應(yīng)創(chuàng)建批次（batch）。因此，基于RDS（on）提供的最后輸入序列（τ）預(yù)測的下n個樣本，批量應(yīng)由RDS（on）和（τ+n）的大小構(gòu)成。每個周期均添加設(shè)備渡輪，以擴(kuò)展網(wǎng)絡(luò)并模仿適當(dāng)?shù)膹?fù)雜降級，從而提高預(yù)測路徑的準(zhǔn)確性。SiC MOSFET壽命預(yù)測網(wǎng)絡(luò)模型基于多源數(shù)據(jù)，采用深層堆疊結(jié)構(gòu)。LSTM的獨特門結(jié)構(gòu)引入了門控機(jī)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(chǎn)生的較長輸入序列。預(yù)測模型采用前n個功率循環(huán)的導(dǎo)通預(yù)測第n+1次功率循環(huán)下的導(dǎo)通。建立LSTM網(wǎng)絡(luò)之前，一些LSTM的初始參數(shù)需要提前設(shè)置。這些超參數(shù)包括隱藏層數(shù)、節(jié)點數(shù)目、損失函數(shù)、激活函數(shù)和迭代次數(shù)等。

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

將訓(xùn)練集送入LSTM進(jìn)行訓(xùn)練。每次迭代時，選取前70%數(shù)據(jù)進(jìn)行訓(xùn)練，后30%為預(yù)測部分，可有效避免欠擬合和過擬合情況。當(dāng)模型訓(xùn)練到每次迭代且損失誤差趨于穩(wěn)定或者達(dá)到設(shè)定的迭代次數(shù)上限時，保留超參數(shù)，完成訓(xùn)練并記錄結(jié)果。

根據(jù)老年人行為的AIS數(shù)據(jù)可以得出BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，包括12個輸入層、4個輸出神經(jīng)元節(jié)點的網(wǎng)絡(luò)，可估算出隱含層神經(jīng)元的最佳個數(shù)區(qū)間為[5，14]。

對訓(xùn)練數(shù)據(jù)進(jìn)行離差歸一化處理，在試驗中可以設(shè)置不同的隱含層神經(jīng)元節(jié)點數(shù)。試驗過程中不同隱含層神經(jīng)元節(jié)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(jīng)網(wǎng)絡(luò)在老年人人體運(yùn)動預(yù)測中具有良好的泛用性。隨著訓(xùn)練量增加，損失函數(shù)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(jīng)將與實際退化試驗數(shù)據(jù)的擬合誤差控制在穩(wěn)定范圍內(nèi)。

3.2 設(shè)計結(jié)果

對單個目標(biāo)的進(jìn)行跟蹤分析受數(shù)據(jù)采集的限制，最基本的人工智能分析為分析單個目標(biāo)的跟蹤情況，收集有價值的信息，為運(yùn)動訓(xùn)練創(chuàng)造新的條件。虛擬技術(shù)融合了計算機(jī)技術(shù)、多媒體技術(shù)、人工智能技術(shù)、圖形技術(shù)以及人機(jī)界面技術(shù)等產(chǎn)業(yè)技術(shù)。為了觀察和體驗虛擬世界，技術(shù)的綜合應(yīng)用使操作更智能化，例如人機(jī)對話可集成虛擬技術(shù)了解老年人的訓(xùn)練過程，從最初的原始直觀體驗深化到更細(xì)致、理性的認(rèn)知和體驗。動作捕捉如圖5所示。

該老年人電子產(chǎn)品將運(yùn)動訓(xùn)練過程中的視頻、圖像數(shù)據(jù)結(jié)果和訓(xùn)練過程中的其他數(shù)據(jù)作為運(yùn)動記錄添加到個人檔案中，更新用戶模型以提高訓(xùn)練質(zhì)量。科學(xué)訓(xùn)練離不開運(yùn)動生理學(xué)等基礎(chǔ)學(xué)科指標(biāo)的科學(xué)應(yīng)用。雖然人工智能是一種科學(xué)的、現(xiàn)代化的訓(xùn)練方法，但其目標(biāo)仍然是活生生的老年人，因此有必要為老年人建立相關(guān)的數(shù)據(jù)和標(biāo)準(zhǔn)，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(tài)以及訓(xùn)練指導(dǎo)等，以更好地為老年人服務(wù)。

本文以老年人產(chǎn)品中防摔倒氣囊為例。為進(jìn)行老年人防摔設(shè)計，防摔倒氣囊需要符合老年人人體需求和人體工學(xué)，并從安全方面考慮，增加面積，避免磕碰導(dǎo)致?lián)p壞。該設(shè)計還體現(xiàn)在智能化上，可對老年人進(jìn)行運(yùn)動捕捉和身體監(jiān)控，以便了解老年人身體狀態(tài)，設(shè)計結(jié)果如圖7所示。當(dāng)老人快要摔倒時，該設(shè)計能夠進(jìn)行智能化充氣，提高老人活動安全性，還可以根據(jù)老年人自身情況進(jìn)行身體狀態(tài)播報，例如疲勞程度、心率以及運(yùn)動強(qiáng)度等，是符合老年人需求的智能化、系統(tǒng)化的電子產(chǎn)品。

4 結(jié)論

人工智能是社會發(fā)展的潮流，將人工智能技術(shù)應(yīng)用于老年人電子產(chǎn)品設(shè)計將是大勢所趨。本文以老年人電子產(chǎn)品為切入點，研究了人工智能在電子產(chǎn)品設(shè)計中的應(yīng)用。本文由人工智能入手，介紹了人工智能設(shè)計重點、基于人工智能訓(xùn)練的相關(guān)數(shù)據(jù)標(biāo)準(zhǔn)和算法，探討了人工智能在體育訓(xùn)練中的具體應(yīng)用。結(jié)合人工神經(jīng)網(wǎng)絡(luò)、決策樹以及隨機(jī)森林等算法，并通過信息采集為精準(zhǔn)訓(xùn)練提供依據(jù)，對數(shù)據(jù)進(jìn)行預(yù)處理，最后得出訓(xùn)練結(jié)果和設(shè)計結(jié)果。訓(xùn)練結(jié)果表明，隨著訓(xùn)練量增加，損失函數(shù)的相對損失逐漸減少，說明誤差被控制在合理范圍內(nèi)。設(shè)計結(jié)果表明，本文的老年人電子產(chǎn)品能夠進(jìn)行動作捕捉，該動作捕捉可對用戶行動進(jìn)行分析，保障老年人的安全。在人工智能技術(shù)的強(qiáng)大推動下，老年人電子產(chǎn)品設(shè)計會更智能化、情感化和人性化。

參考文獻(xiàn)

[1]高榮良.人工智能技術(shù)在現(xiàn)代農(nóng)業(yè)機(jī)械中的應(yīng)用研究[J].現(xiàn)代農(nóng)機(jī)，2024（3）：121-124.

[2]鮑桂霞.人工智能技術(shù)在中學(xué)田徑訓(xùn)練中的應(yīng)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(shù)與高校思想政治教育融合發(fā)展對策研究[J].湖北開放職業(yè)學(xué)院學(xué)報，2024，37（8）：153-154，157.

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

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