In den letzten Jahren haben die schnellen Fortschritte in der künstlichen Intelligenz die Fähigkeiten von Wearable-Geräten bei der Verarbeitung komplexer Daten erheblich gestärkt. Maschinelles Lernen, ein wichtiger Bereich der KI-Algorithmen, und insbesondere Deep Learning, waren entscheidend für diesen technologischen Aufschwung. Maschinelles Lernen reduziert die Notwendigkeit der manuellen Extraktion von Datenmerkmalen, während Deep Learning darauf spezialisiert ist, versteckte Muster zu identifizieren. Beide erfordern große Mengen an Daten, eine Anforderung, die gut zur heutigen Ära der Informationsüberlastung passt.
Dieser Artikel hat die maschinellen Lernalgorithmen untersucht, die erfolgreich in Faseroptiksensoren integriert wurden, und sie in herkömmliche maschinelle Lernmethoden und Deep-Learning-Techniken eingeteilt. Zu den herkömmlichen Algorithmen gehören lineare Regression (LR), k-nearest neighbors (KNN), Support Vector Machine (SVM), Random Forest, XGBoost und K-means-Clustering. Die Faserosensoren werden auch anhand ihrer Betriebsprinzipien und Größen kategorisiert.
Faseroptiksensoren bieten eine vielversprechende Alternative zu starren elektronischen Geräten für den täglichen Gebrauch, insbesondere in Kombination mit maschinellem Lernen, was die Entwicklung von Smart Clothing ermöglicht. Es gibt jedoch weiterhin bedeutende Herausforderungen. Die meisten aktuellen Faserosensoren, die maschinelles Lernen nutzen, konzentrieren sich auf die Erfassung eines einzigen Signaltyps, der in der Regel mit mechanischer Kraft und Verformung zusammenhängt, wie beispielsweise die druckbasierte Gestenerkennung in Handschuhen. Andere wertvolle Daten wie Lichtintensität, Farbe, Temperatur, Luftfeuchtigkeit und Oberflächenrauheit werden oft nicht integriert. Während maschinelles Lernen weiterhin schnell voranschreitet, haben neuere Algorithmen wie Verstärkendes Lernen, Generative Gegnerische Netzwerke (GANs), Selbstüberwachtes Lernen und Aufmerksamkeitsmechanismen (z.B. GPT) nur begrenzte Anwendung in diesem Bereich gefunden. Mit dem Fortschritt der Forschung in diesen Bereichen wird erwartet, dass Faseroptiksensor-basierte Wearable-Geräte, die durch künstliche Intelligenz verbessert werden, intelligenter, bequemer und effizienter werden und ihren Weg in den Alltag finden.