阅读此文前，麻烦您点击一下“关注”，方便您进行讨论和分享，给您带来不一样的参与感，感谢您的支持。

文 | 枫月书生A

编辑 | 枫月书生A

前言

根据世界卫生组织的数据，世界上约有15%的人口患有某种形式的残疾。

在这种情况下，辅助技术直接有助于克服残疾人在日常生活中遇到的困难，使他们能够接受教育，并以有价值的方式成为劳动力市场和社会的一部分。

辅助技术在与物联网人工智能（AIoT）设备的集成方面取得了长足的进步。

AIoT处理和分析物联网（IoT）设备产生的大量数据，并应用人工智能模型，特别是机器学习，以发现产生见解和协助决策的模式。

辅助技术、AIoT 和机器学习

机器学习模型确定应用于辅助技术的物联网人工智能的不同研究中使用。

强调了此类研究的背景、应用、使用的物联网设备以及进一步发展的差距和机会。调查结果显示，50%的分析研究涉及视力障碍，因此，大多数主题都涵盖了与计算视觉相关的问题。

便携式设备、可穿戴设备和智能手机构成了物联网设备的大多数，深度神经网络占所审查研究中应用的机器学习模型的81%。

SLR对先前针对特定主题或研究问题进行的相关研究进行调查，以找到其回答其拟议目标的证据。

而SLR被认为是基于证据的研究。这个过程是通过严格、可靠和可复制的方法进行的。

为了尽量减少、消除因残疾或丧失行为能力而对个人施加的限制和限制，世界卫生组织将辅助技术定义为一个更广泛的术语，包括与辅助产品和服务相关的任何系统或服务。

辅助技术行业协会将辅助技术的产品和服务定义为旨在帮助某种类型残疾人士的任何项目、设备、硬件或软件。这些产品和服务是AT和AIoT结合的结果。

工业4.0是改善AT的盟友，以低成本开发基于人工智能和物联网的设备将使依赖AT改善生活条件的很大一部分社会受益。

残疾人可以通过使用ATs在工业4.0环境中有资格进入劳动力市场。辅助技术的设计与形式极为重要，其任务是使残疾人更多地参与就业领域。

物联网人工智能是通过物联网才和人工智能（AI）技术的组合获得的。

而物联网被定义为任何能够互连的设备（例如传感器），并且可以实时收集相关数据。

通过人工智能模型处理获得的数据，特别是利用机器学习（ML），可以揭示这种相关性。

在某些情况下，还需要使用深度学习（DL）来分析收集的数据，以提取有用的信息用于决策。

ML技术的应用通过提高该领域的效率，显示出医疗保健行业的希望。

人工智能一词是由约翰·麦卡锡创造的，他被认为是人工智能之父，于1956年在达特茅斯学院举行的第一届人工智能会议上。

麦卡锡将人工智能定义为：它是制造智能机器，尤其是智能计算机程序的科学和工程。

它与使用计算机来理解人类智能的类似任务有关，但人工智能不必局限于生物学上可观察的方法。

最近，有几个领域扩张得更快，需要可以用人工智能解决的动态解决方案，例如可持续性，健康，电信系统，数据隐私，电动汽车和电力系统。

然而，机器能思考吗？然后启动了图灵测试，目的是确定计算机是否可以表现出与人类相同的智能。

为了通过这个测试，系统需要具备目前机器学习研究的主题，如自然语言处理，知识表示和自动推理。

鉴于人工智能模型的进步，一些应用程序被用于改善肢体残疾人的生活质量并改善智能医疗保健的应用，例如使用智能机器人，或更具体的应用，例如手语。

机器学习是人工智能的一个子领域，旨在开发模型和计算机程序，这些模型和计算机程序可以通过从数据中提取知识来自动学习。

这些程序必须能够从经验中改进和扩展自己，而无需明确编程，在物联网环境中，这些模型用于处理和分析设备收集的大量数据，自动发现模式，并从这些数据中生成有意义的见解。这样的任务是人类不可能手动执行的。

其中一些ML模型是回声状态网络，集成学习方法，k-最近邻（K-NN），数据处理组方法（GMDH），长短期记忆（LSTM），卷积神经网络（CNN）和自适应神经模糊推理系统（ANFIS）。

深度学习是机器学习的一个子领域，深度学习专门研究深度神经网络，与 ML 一样，深度学习也使用基于数据的学习方法。

计算和处理是使用多层神经网络完成的。实验结果和启发式考虑表明，深度架构比浅层架构更适合面临非常复杂问题的现代应用。

例如视觉和人类语言理解以及大数据处理，这些模型可以应用于预测，分类和优化问题。

于具有残疾特征的大量情况，本研究的范围被界定为针对以下残疾的研究：视力障碍、听力障碍、认知障碍和退化性疾病，如ALS、老年痴呆症和帕金森病。

表1 问题

QP1旨在确定应用于辅助技术的AIoT开发中的机器学习模型，在选定的主要文章中提到的所有型号都是为此目的确定的。

QP2旨在提供与应用于辅助技术的AIoT发展中所涉及的主题相关的背景。QP3打算提供与用于开发应用于辅助技术的AIoT的IoT设备类型相关的上下文，这些设备也被归类为Arduino、RaspberryPY或Nvidia Jetson。

QP4确定了AIoT应用于辅助技术研究和开发的差距，表明打算为哪些残疾或无行为能力制定解决方案。

它包括使用搜索字符串，搜索字符串由使用逻辑运算符（如OR和AND）组合的关键字组成。

通常，每个关键字的同义词由OR运算符分组，并且使用AND运算来连接这些组。

本研究定义的关键词有：辅助技术、AIoT和机器学习。对每个数据库进行了互动式测试，以确定在研究范围和相关性方面返回最重要的搜索字符串。

选定的图书馆被认为是计算机科学研究中使用最多的图书馆之一， 表2显示使用的数据库和在迭代验证过程后定义的相应搜索字符串。

表2 数据库和搜索字符串

数据库自动检索于2021年9月14日进行，每个数据库返回一组文章，如表3。

表3 每个数据库中所选文章的数量

对这些文章进行处理以删除重复条目；此任务由Parsifal工具自动执行。最初，共有267篇文章被选中，其中79篇是重复的，剩下188篇文章。

这一部分的目的是单反，它包括使用搜索字符串，搜索字符串由使用逻辑运算符（如OR和AND）组合的关键字组成。

通常，每个关键字的同义词由OR运算符分组，并且使用AND运算来连接这些组。

所提出的标准是在SLR中接受或排除某篇文章的先决条件，该标准适用于搜索过程中产生的一组文章。

根据可用的过滤器，有些标准直接适用于数据库，每个数据库都有所不同。

表4 纳入标准

表4介绍了纳入标准，以及那些直接应用于碱基的适应症， 表5列出排除标准。

表5 排除标准

值得一提的是，只要符合其中一项排除标准，该条就被排除在外。

另一方面，要选择一个条目，就必须满足所有的列入标准，最初阅读每篇文章的标题和摘要，并在应用选择标准时加以考虑，在阅读不足以做到这一点的情况下。

质量评估

阅读该文章，直到可以确认选择或排除，在这一阶段结束时，总共剩下30篇文章，这组文章进入了流程的下一个阶段，质量评估。

采用数据库检索或自动检索策略，它包括使用搜索字符串搜索数字图书馆。

搜索字符串由使用 OR 和 AND 等逻辑运算符组合关键字组成，通常每个关键字的同义词按 OR 运算符分组，并使用 AND 操作来联接这些组。

定义的关键词是：辅助技术、AIoT和机器学习。对每个数据库进行了交互式测试，以确定其返回在研究范围和相关性方面最重要的检索字符串。

所选库是计算机科学研究中使用最多的库之一，表2显示使用的数据库以及在迭代验证过程之后定义的相应搜索字符串。

自动数据库检索于2021年9月14日进行。每个数据库返回一组项目，如表3.处理这些文章以删除重复的条目。

最初，共选择了二百六十七篇文章，其中七十九篇是重复的，剩下一百八十八篇文章。

数据提取过程使用Parsifal工具生成的数据提取表单，专门针对此SLR。在阅读每篇选定文章后填写此表格的字段可以恢复数据以回答本SLR提出的研究问题，如表1.该表格还收集用于单独识别研究的元数据，从而协助提取过程。表 8显示提取表单中每个字段的字段和用途。

表 8带来了为本研究定义的十个数据属性，其中PD1到PD3用于识别和定位文章。其他属性被定义为回答PD4回答QP1的研究问题。

表8 数据提取形式

PD5 和 PD6 回答 QP2;PD7 回答 QP3;PD8 回答 QP4。在完整阅读每篇选定文章后，Parsifal工具提取和组织数据（参见表 7），从而促进提取过程。

表7 质量评估选定的文章

在识别主要文章和从文章中提取数据方面的偏见得到了以下事实的证实：每个研究人员都负责评估一组脱节的文章，在选择和质量评估中，没有同行验证，对研究的有效性构成威胁。

另一个威胁是本SLR中选择的文章数量很少，这意味着样本可能无法代表提取可以有效回答问题的证据。

数据库或数字图书馆的选择也可以被视为一种威胁，因为这些数据库可能无法涵盖在问题背景下进行的研究的完整性，其中包括来自社会学和医学不同领域的问题。

辅助技术

在研究的27篇主要文章中，81%提出了基于ANN的解决方案，其中15%应用了其他ML技术，7%没有介绍所使用的技术。

如表 9，在神经网络的背景下，解决了以下ML技术：ANN，CNN，使用多CNN，聪明的CNN，R-CNN（基于区域的CNN），更快的R-CNN，PNN（概率神经网络），RNN（递归神经网络）和多训练的DL模型。

表9 算法和机器学习技术的应用，并针对每个研究各自的不足之处

不基于神经网络的模型是：Hoeffding树，逻辑回归，朴素贝叶斯，随机森林，k均值，线性回归，独立分量分析，支持向量机（SVM）和HOG（定向梯度直方图）。

图3呈现一个词云，使用每篇文章的关键字创建，以提供有关所选主要文章正在研究的主题的一般概念。

图3 字云

主要文章中讨论的研究主题是辅助运动，辅助导航，面部识别，人类活动识别，图像标题，对象检测，对象识别，OCR（光学字符识别），场景到语音，自平衡对象，智能助手，语音识别，康复，文本到语音和文本检测。

提出的解决方案中使用的物联网设备：便携式设备、可穿戴设备、各种传感器、智能手机、手杖、手指佩戴无线、外骨骼、轮椅等，表 11介绍使用这些设备的物品。

表11 物联网设备及其在选定文章中的出现

在主要文章中，60%显示了基于RaspberryPY，Arduino和Nvidia Jetson的设备，分别占设备总数的41%，15%和7%。

应用于辅助技术的AIoT开发存在巨大差异。总共有52%的文章涉及与视力障碍有关的问题，其中19%涉及与听力障碍有关的问题，其余的分布在11%的运动协调障碍，7%的退行性疾病和4%的认知障碍之间。

这表明，在所选文章中，大多数应用于辅助技术发展的AIoT都解决了视力障碍。

在识别主要文章和从文章中提取数据方面的偏见得到了以下事实的证实：每个研究人员都负责评估一组脱节的文章，在选择和质量评估中，没有同行验证，对研究的有效性构成威胁。

另一个威胁是本SLR中选择的文章数量很少，这意味着样本可能无法代表提取可以有效回答研究问题的证据。

数据库或数字图书馆的选择也可以被视为一种威胁，因为这些数据库可能无法涵盖在问题背景下进行的研究的完整性，其中包括来自社会学和医学不同领域的问题。

结论

旨在确定AIoT应用于辅助技术解决方案的机器学习算法和技术，以及其应用背景。

267篇文章是使用自动检索机制对先前选定的数据库或数字图书馆进行预选的。在应用选择标准和质量评估过程后，从最初的集合中考虑了27篇文章。

最后一组文章被提交给数据提取过程，然后在提取后，对数据进行组织、总结和分析，以回答本单反中提出的研究问题。

在对调查结果进行调查后，可以得出结论，50%的分析文章涉及视力障碍，从而确定了差距和为所有其他残疾开发辅助技术的机会。

还可以观察到，大多数主题都受到许多专注于视觉障碍的研究的影响，导致大多数主题与计算机视觉相关或基于计算机视觉。

可以确定81%的研究使用基于神经网络的机器学习算法和技术，只有15%的研究使用不同的技术。

这不仅显示了研究人员对神经网络的兴趣，还显示了这些学习技术在解决辅助技术问题方面的巨大适用性。

相反，它也表明，相对于其他算法和技术，存在等待填补的空白。

还提出了对结果有效性的一些威胁，例如在识别主要文章和提取结果、数字图书馆的选择以及SLR中选择的研究数量方面的偏见。

关于第一个威胁，未来的工作应该打算在SLR阶段采用同行评审，例如应用选择标准，质量评估和数据提取。

为了应对第二个威胁，纳入本SLR未涵盖的其他数字图书馆和数据库也可以大大增加主要文章的范围。

最后，对于最后一个威胁，除了自动搜索之外，还应考虑采用混合搜索策略，可能使用滚雪球和手动搜索。