环境辅助生活(AAL)是一个总括术语，描述了一种技术设计的一般方法，用于在辅助用户周围构建安全环境并帮助他们保持独立生活[ 1］．随着时间的推移，它的目标用户主要是老年人(年龄为>65岁)。

为这一群体开发技术是一项日益重要的设计挑战，因为他们在晚年生活中会出现特定的缺陷[ 2］．除了可用性之外，越来越多的人强调为老年人设计技术，使他们不仅能够满足他们的需求，而且还能改善他们的身心健康和福祉。 3.， 4］．这一挑战尤其重大，因为老年人正在成为最大的人口群体。2020年，欧盟超过五分之一(20.6%)的人口年龄≥65岁[ 5]，到2030年，估计16.6%的世界人口年龄将≥60岁[ 6］．

在过去的十年里，随着人们年龄的增长，许多技术设备被开发出来支持积极的生活方式，这与促进健康有关[ 4， 7， 8］．健康促进系指"通过卫生扫盲工作和采取多部门行动增加健康行为，增强人民对其健康及其决定因素的控制能力的进程" [ 9］．关于技术设计，目标是找到具有成本效益的解决方案，以帮助独立生活，并提供保健和福祉[ 10］．对信息和通信技术研究和开发的全面分析显示，这些技术的共同目标是提供健康、无障碍和安全[ 11， 12］．许多技术都试图帮助老年人进行日常活动[ 4， 11， 13- 15］．

为了支持无残疾和独立生活以及老年用户的福祉，AAL系统使用自动化决策机制，集成、分析和解释复杂的多模式和多设备信息[ 7］．这些系统专注于涉及老年用户的自动化决策的2个一般场景- 健康监测而且 活动识别［ 8， 16， 17］．

不同的 监控各种技术系统针对不同的情境，包括使用可穿戴设备和环境传感技术的预防跌倒监测系统[ 18以及为痴呆症和轻度认知障碍患者提供福利的社交机器人[ 13]到休闲游戏，以及治疗和康复期间的用户粘性[ 14］．

机器人技术已被广泛利用，作为支持健康监测和移动能力的工具，如力量、平衡和活动范围[ 15]，或作为同伴[ 19]以协助老年人在家中进行日常和社交活动。前者可能是非社交机器人，而后者则是社交机器人，其主要目标是提供陪伴。

远程临场感机器人已经成功地用于支持老年人在家进行日常活动的自主性。Giraff是一款远程呈现机器人，它使用视频接口，让护理人员和亲属能够远程拜访家中的老年人。 20.］．它运行隐式数据收集(血压、体温、运动和跌倒)，然后分析数据，以提醒护理人员发生紧急情况。同样，Matilda是一个具有人类属性的社交机器人(如娃娃脸的外表、人类的声音、手势和身体动作)，可以识别声音和面孔，并进行播放音乐、跳舞和玩纸牌游戏等活动[ 21］．

虽然生物衰老无法阻止，但定期锻炼可以最大限度地减少其生理影响，提高生活满意度，并延长老年人功能能力的衰退[ 22］．有关老年人最喜欢的活动的研究表明，散步、慢跑和户外保养等体育活动最为重要。 23］．特定技术，如exergames [ 10]或网上练习及活动[ 24， 25]，激励、维持和监测老年人家中的身体和社会活动。结合人类行为理论的特征，如目标设定、自我监控、成就、个性化反馈和进展，这些应用程序对老年人的效率更高(即，增加体育活动的参与和相关的健康结果)[ 26］．

在AAL的背景下， 活动识别关注追踪老年人和体弱者的日常行为。它可以检测跌倒和识别日常生活活动(ADL)，这对于识别与特定疾病发展相关的复杂模式至关重要。兹德拉夫斯基等[ 27]提出了一种自动化方法来分析来自各种传感器的多元时间序列，并促进日常活动的稳健分类。

可穿戴［ 28), 移动技术( 29， 30.]已用于隐式数据收集和分析，以识别老年人的活动，以跟踪他们的健康状况和检测紧急情况。

从技术角度来看，可穿戴技术的能源效率似乎是持续测量和活动识别的主要限制因素[ 28］．它进一步影响到向用户提供及时和翔实的反馈和建议。与用户有关的主要问题是隐私和接受度[ 28原因是用例不明确，而且针对老年人的设备与智能手机配对存在困难。对可穿戴设备的更稳定的承诺要求用例具有明显的好处，并减少老年人使用的工作量。

移动技术是老年人健康和活动数据收集的多功能来源[ 29， 30.］．它们有助于老年人的家庭护理和自我健康和福祉管理。这些应用程序基于目标活动和健康识别功能实现各种服务，以支持医疗保健和独立生活(例如，提醒、陪伴或推荐最喜欢的活动或治疗)。然而，在实践中使用移动技术的重大障碍包括隐私[ 30.]以及触摸屏交互风格的技术素养和可用性[ 31］．

AAL技术使用各种人工智能(AI)模型来了解用户的习惯和健康状况，以自动决策提供充分的服务。 表1显示了常见的AI分类，而 表2总结了现有人工智能模型的学习和决策技术，以及它们所解决的问题(使用相应的算法)[ 32- 34］．我们分离了分类和模型，因为多个模型可以属于同一个类。相反，一些模型可以实现不同的类(例如，聚类可以以监督和非监督的方式完成)。

本研究探讨了现有AAL技术支持独立生活的AI模型。模型的决策质量有利于积极的行为改变，为老年人和其他需要帮助的用户群体保持积极和健康的生活方式。这对于预防功能衰退和支持健康治疗至关重要。我们的工作旨在确定研究和实践中的积极方面和差距，为未来的AAL系统提供启示。

这一范围分析集中在以下研究问题(RQs):

本研究回顾了AAL中的AI模型，涉及它们在2010年至2022年的文献中发表的领域、技术和关注点。研究结果旨在供卫生和护理专业人员、研究人员、技术提供商和最终用户在开发、部署和评估智能AAL技术时参考。

本文继续如下:方法部分包括研究范围内文献综述的方法;结果部分描述了对108篇选定文章的分析结果;讨论部分包含了关于rq的审查结果的讨论，并概述了结论、限制和对未来工作的影响。

本文被组织为范围审查，包括对现有文献的综合和分析，以提供一个概念性框架，系统化和澄清AAL系统中的具体现象- ai模型。我们通过在IEEE、PubMed、施普林格、Elsevier和MDPI研究文章数据库中进行系统的文献搜索，确定了要审查的文章。该研究实施了用于系统评价的PRISMA(系统评价和元分析首选报告项目)工作流程[ 35]，详见 图1．

在检索过程中，对图书馆文章的标题、摘要和关键字进行查询，检索词的结构为 表3．AAL和AI分类和模型类别的搜索词对所有文章都是强制性的，其余类别是可选的。我们根据类别作为属性运行搜索，并使用关键字。为此，我们使用了我们开发的用于自动文献搜索、筛选和分析的自然语言处理(NLP)工具包[ 36］．工具箱接受关键字集合作为输入，以检索可能相关的文章，并结合文章要满足的属性集(或类别)和属性组(作为子类别)。输入可以使用关键字和属性同义词进行扩展，以优化搜索和筛选过程。工具包的细节可以在Zdravevski等人的文章中找到[ 36］．

该搜索于2022年7月进行，包括2010年至2022年期间用英语撰写并发表的研究文章。鉴于人工智能的快速发展也影响了技术支持的AAL的显著增长，我们希望覆盖有关时间框架的充分研究景观。

搜索过程有时通过多个关键字和短语来识别同一篇文章 表3．例如，文章可以描述多个AI模型或分类的使用。在这些情况下，我们对文章进行多次统计，根据每个找到的关键字，并将其呈现在 图2- 13在结果部分。

在筛选阶段，我们对检索到的文章进行评估，以评估其与本综述的相关性 文本框1．

前3位作者(MJ、GM和EZ)独立手动筛选每篇文章的内容，并对其进行编码，以表明其与纳入标准的相关性。在作者之间的定期讨论中交叉检查、解决和确认了这些包含。

在这个阶段，我们详细地分析了每篇包含的文章。我们识别并提取了AAL系统中的AI类和模型、模型的目标领域和技术，以及最终用户的类别和关注点(每篇文章都有)。从文章中提取的信息保存在共享的电子表格中，以方便编码和作者之间的讨论。提取的信息包括发表地点和日期、文章摘要、使用的人工智能模型(包括相应的人工智能算法和工具)、模型的目标领域(如果可用)、使用模型的技术(如果有)以及关于最终用户的信息及其对模型的关注(如果可用)。

在这一阶段，我们对提取的信息进行了手册式的专题分析。我们的目标是对AAL系统的AI类、模型、领域、技术和关注点进行分类。编码数据是处理评审rq的基础。特别是，我们根据文章的主要结果对文章进行了分组，以指导分析如下:描述AAL系统的AI类和模型的文章，处理模型领域的文章，展示使用模型的技术的文章，以及模型的受益者和使用关注点的文章。

我们将描述分析特定项目组的一般方法。

AAL中人工智能类和模型的分析系统涉及识别和描述系统的自动学习和决策功能，包括特定的人工智能算法或工具。 AI模型的领域分析考虑具有受支持活动的特定应用程序场景。 人工智能模型的技术分析通过它自动生成决策并将其传达给最终用户。 模型关注点的分析包括各种终端用户对模型功能和结果的看法和倾向。

NLP搜索工具包最初确定了36,370项潜在相关研究( 图1)．然后，重复的基因被消除，数量减少到20295个。自动筛选过程进一步删除了60篇发表于2010年之前或由于解析错误、不可用或其他原因而无法分析标题或摘要的文章。NLP工具包的高级功能评估了剩余20235篇文章的合格性，并保留了305篇文章。自动化处理后，根据纳入和排除标准对文章进行详细分析。最后，108篇文章被认为符合深入人工调查的条件，以确定和阐明研究结果、趋势和影响。文章在 多媒体附件1［ 27， 37- 142］．

我们通过响应指导我们评审的rq来描述结果。

图2说明了包含不同人工智能类别和模型的相关文章的年度出现情况。“辅助生活”一词在文献中常用来描述根据AAL的定义，具有类似上下文和使用目的的系统[ 1， 4］．它在某些年份(例如2019年)的文章数量超过了AAL，并且在2018年和2020年与AAL相当。在较小的情况下，仅使用缩写。总的来说，在整个搜索时间框架内，有一个增长的趋势，偶尔在特定的年份下降。下降是由于我们的搜索条件和纳入标准。许多文章讨论了人工智能，但没有明确提到人工智能模型的应用和结果。

综合数字图书馆和相关文章出版年份的信息可以看出，IEEE处于领先地位，并呈上升趋势，在2020年达到峰值( 图3)．这是意料之中的，因为发行商以技术为导向，有许多与AI模型和AAL相关的场所。PubMed紧随其后，更多地处理了主题的最终用户方面，例如不同类型的用户评估。我们可以注意到2020年之前的增长趋势和之后的振荡期。施普林格库结合了技术文章和面向用户的文章。爱思唯尔图书馆的相关文章数量较少，年度趋势不规律，而MDPI从2020年开始发表相关文章。

由于在检讨期间内有关文章的总数有所增加，与相关类别有关的文章数目亦随之改变( 图4)．至于三个强制性类别( 光芒四射， 人工智能分类, 人工智能模型)，到2020年总体呈增长趋势，前一年偶有下降，2021年有所下降。作为一个可选类别， 域遵循了领先的趋势，但文章较少，这表明有时它没有被考虑(即，以独立于领域的方式使用或测试AI模型)。的 受益人遵循领先趋势，但小于领域，这表明人工智能模型有时被研究时与特定的用户组或组无关。的 受益人在总量上与技术相当，但由于相关文章中不同类型的AI模型验证(即，有或没有用户的部署和评估)，每年都会出现振荡。的 担忧随着时间的增长而出现最小的数量，并在某些年份出现振荡，这表明相关文章关注的是AAL中AI模型的各个方面，超出了用户的关注点(即算法的准确性和性能)。

我们的分析显示搜索类别之间有重叠。我们的目标是平等地表示所有类别，同时突出特定的联系作为信息(例如，来自不同类别或类别内的实例的高共现率)。

图5展示了人工智能模型和它们使用的类的关联。半监督学习是深度学习(DL)和NLP模型的主要方法(51次出现)。无监督学习主要出现在聚类(14次)、基于实例的学习(12次)和深度学习(11次)中。监督学习盛行于基于实例的学习和深度学习(每个模型出现9次)。最后，强化学习是DL和NLP的偶尔方法(每个模型出现7次)。

这项研究揭示了不同类别之间的特定协同效应。关于课程，有20篇文章结合了监督学习和非监督学习。强化学习与之前的17次每节课一起使用。这些研究将课程按顺序组合起来，或在解决具体问题时相互比较。关于模型，我们注意到NLP任务主要是用DL算法和工具处理的(51次)。

图6介绍了人工智能模型、领域和受益者的组合。活动辅助(33次)、活动识别(25次)和交互(14次)主要使用DL模型。类似地，在较小的程度上，NLP模型在活动辅助(26次)、活动识别(19次)、交互(15次)和通信(10次)方面提供了帮助。

人工智能模型和受益者的组合突出表明，老年人是DL(27次)和NLP(26次)的主要用户。患者和体弱者与DL模型各共存11次。

受益人和领域的共同出现表明，活动援助主要针对老年人(27次)，其次是活动识别(17次)和交流(10次)。

至于类别内的联系，活动识别是一种常见的协助形式(38次)，其次是通信(12次)、交互(12次)和运行状况监视(10次)。患者与体弱者共发生11次。老年人分别被称为体弱者和患者9次，这表明人工智能模型主要服务于健康的老年用户。家庭、护理人员和医护人员很少同时出现在这些文章中。

图7显示技术、受益者和关注点之间的实例和联系。不同类别的节点之间的关系显示，老年人常用的环境传感技术(9次)，移动设备(7次)和机器人(6次)。与此同时，他们的主要关注点是可用性(7次)、可用性(5次)以及安全性和可访问性(每个类别4次)。可获得性是患者关注的问题(4次)。此外，可用性是可穿戴技术的主要关注点(5次)，以及环境传感和移动技术(每类4次)。

一个类别内的实例之间的联系表明，移动设备偶尔使用环境传感和可穿戴技术的次数分别为4次和3次。

关于班级，相关文章分析( 图8)表现出最高的半监督学习(52次)，其次是无监督学习(50次)，监督学习(29次)和强化学习(20次)。

AI类的分布如图所示 半监督式学习自2010年代以来，模型一直占主导地位，直到2017年才出现不规则的增长趋势，当时它们弥补了特定输入缺乏足够数量的标记数据。具体的例子包括身体活动识别的聚类[ 37]，寻找相关的输入特征，以改善活动识别[ 27]，并从图像序列中检测用户与对象的交互[ 143］．

的 无监督学习模型趋势紧随前一类，出场次数略少。使用它们的动机是，早期AAL解决方案旨在支持的各种活动普遍缺乏注释(或标记)训练数据[ 4， 8］．这类问题主要是通过根据共享属性分组或简化输入数据来解决的。随后出现的增长趋势是由于出现了新的卫生领域和活动，解决方案针对这些领域和活动，但不存在这些领域和活动的标记数据。这些例子包括从未标记的数据中识别和测量日常活动[ 38]，聚类创建人类活动的本体[ 39]，或预测用户在室内活动的分类[ 40］．

监督式学习模型显示，到2020年，经济将普遍增长。它们补充了其他方法(例如，无监督和强化学习; 图5)用于存在标记数据的特定用户活动。它们被用于各种 分类AAL内的任务，例如用红绿蓝深度(RGBD)摄像机重新识别用户[ 41]和使用可穿戴传感器的ADL识别[ 42］．

强化学习这些型号从2010年开始使用，直到2015年使用量增加，2017年之后使用量减少。它们可以作为数据驱动方法(即聚类和回归)的替代方案，通过促进可取的行为和消除不可取的用户行为。隐马尔可夫模型是应用程序中最常见的算法，包括从设备消费数据识别用户活动[ 43]或多台Kinect设备[ 44］．

关于模型，研究显示DL的患病率(63次)，其次是NLP(54次);基于实例的学习(20次);聚类(17次);集成学习(12次);回归(7次);贝叶斯学习、决策树学习、降维(各4个);人工神经网络;3出现);正则化学习(2次)。

在下面的章节中，我们将根据每种模型的流行程度( 图9)．

戴斯。莱纳姆:模型在2017年获得了发展势头，迄今为止扩展了它们的用例。它们的应用假定大量生成不同结构和语义的标记输入数据。卷积神经网络是该模型中最常见的独立或组合使用的算法。例如，通过将智能手机传感器的数据转换为基于图像的表示来进行活动识别[ 45]或使用RGBD相机检测人体姿势[ 46］．

使用 NLP模型可以分为两个阶段:早期应用程序(截至2015年)，主要关注语音识别和自然语言理解;后期应用程序也可以执行对话管理和自然语言生成。我们可以用DL算法促进的对话人工智能的关键进步来解释这一趋势，这些算法与我们的搜索时间框架重叠[ 34］．例如，在ADL中检测老年人的声学事件(如敲门、咳嗽和拍手)[ 47]和与机器人同伴对话[ 144］．

基于实例的学习在整个搜索期间都使用了模型，趋势不规则，最近从2020年开始下降。他们主要使用k近邻和支持向量机算法。用例包括使用多视图红外运动传感系统识别家中的身体活动模式[ 48]或从深度相机捕捉的人体关节轨迹中检测ADL [ 49］．

聚类学习在搜索时间框架的特定年份中使用模型，主要是无监督的，作为在缺乏关于特定用例的标记数据的情况下的替代方法。用例包括在机器人设备中预测连接用户的一系列动作[ 50]或从运动传感器数据中检测与用餐相关的姿势[ 51］．

整体学习模型从2014年开始使用。该模型的主要算法是Boosting和random forest，包括来自可穿戴传感器的身体活动分类[ 52]以及智能手机加速计数据的癫痫和跌倒检测[ 53),分别。

其余模型在搜索时间框架内使用的范围较小。

回归学习模型主要为线性回归，如负重行走和踝外骨骼辅助下的斜坡行走时的实时能量消耗估算[ 54]或使用脑电图从手抓物中识别ADL [ 55］． 贝叶斯学习模型应用于分类问题，如使用可穿戴运动传感器收集的数据进行ADL识别(即检测和分类)[ 42］． 决策树而且 降维模型用于分类任务。相应的例子根据步数对体育活动进行分类[ 56或者Wi-Fi和可穿戴设备的数据[ 57］．ann被应用于分类问题，作为DL模型的前身，例如安全关键环境中的活动识别(例如，跌倒检测)[ 58］．最后, 正则化学习模型应用于回归任务，如选择预测性输入特征用于RGBD摄像机的人员识别[ 41］．

尽管在以前的、相关的或将来的工作中，一些文章中提到了它们，但我们的分析并没有揭示的例子 关联规则学习模型的算法。

AI模型应用于多个领域、每个领域或组合( 图10)．最受欢迎的域名是 援助活动(61次)和 活动识别(45出现)。直到2020年，区域呈增长趋势，并在时间范围内周期性振荡。如前所述，在之前的研究中，它们主要是相互关联的(38次; 图6)．活动辅助一直是AAL和辅助技术的重要目标。移动是一种常见的辅助活动，例如老年人的移动机器人步行者[ 59]或帮助视障人士在物理空间中导航的智能眼镜[ 60］．人类活动识别(HAR)是一个常用的术语，用来描述各种身体活动的识别。这些活动通常分为注重健康的活动和工具性的活动。以福祉为重点)，表明智能AAL系统支持健康和生活质量。活动识别的一个基本挑战是预测长期行为[ 61］．同样，一些研究处理了用于室内辅助的机器人步行者的多传感器数据融合问题[ 62］．

交互(21次)指使用不同的AAL系统，而 沟通(17次)主要从技术角度考虑(例如，传感器、服务器和基于云的系统之间的通信)。前者的例子包括与创新的面部情绪识别家庭平台交互[ 46]或药物递送申请[ 63］．后者是一种用于获取患者数据的分布式多媒体系统[ 64]或数字足迹应用程序，以预测辅助用户的活动[ 65］．

健康监测(14次)通常指观察用户的生命体征，以发现健康状况的变化和紧急情况，例如在用户家中收集与健康有关的数据[ 64]或使用雷达传感器进行家庭门分析[ 61］．

康复(8次)，治疗(3次)和娱乐(1次)在搜索时间框架内较少受到研究界的关注。一个康复的例子是在秋季康复期间建议药物治疗和锻炼的家庭系统[ 66］．

环境遥感而且 移动技术(每类别15次)以AAL ( 图11)．它是一个涵盖性术语，指的是各种传感器，用于测量所观察到的环境(或周围环境)的参数，以检测和分析用户行为。在这方面，研究使用特定的传感器或组合多个传感器。在前一种情况下，视觉[ 49]及雷达[ 67传感器分别用于识别活动和测量生命体征。在后一种情况下，研究合并了来自各种传感器的信号，以提高能源效率，提高精度和性能(称为传感器融合)。例如，活动识别结合了深度图像序列和音频数据[ 68］．

移动技术暴露2个典型角色。一个 被动的角色通过使用他们的嵌入式传感器并提供一个用户界面来测量用户环境中的条件或他们的行为状态[ 53］．一个 积极的作用在使用者中推广健康的习惯和行为，以积极改变生活方式，建议活动[ 65］．

机器人技术(14次)在时间段内使用，趋势不规则。机器人很符合人工智能的模式，因为它们可以复制人类的能力和特征，但开发和部署的成本可能会影响它们的使用。在相关工作中，我们注意到了他们 辅助而且 陪伴目的。前者涉及上肢手势识别，以帮助患有ADL的用户[ 69］．后者通过与老年人互动来防止社会隔离，并在老年人、环境和AAL系统之间进行调解来证明[ 144］．

可穿戴技术使用频率低于以前(10次)。一方面，与环境传感器单独使用相比，它可以引入一定程度的侵入性。另一方面，它可以通过移动设备(如智能手表和手环)获得，该研究发现了3个重叠部分( 图7)．Slade等人的研究[ 54他们将可穿戴式传感器安装在用户的脚踝上，以估算步行时的能量消耗。另一个例子是活动识别，它解释了可穿戴传感器的测量不确定性[ 42］．

会话而且 游戏技术各出现3次。对话示例是一个社交机器人，它与用户进行简化的闲聊对话[ 144］．总的来说，与用于语音和文本识别的大量NLP模型相比，对话是罕见的。游戏是指使用游戏技术(如Kinect RGBD摄像头)来识别人类活动[ 145］．

老年人是智能AAL系统的主要受益者(42次; 图12)．针对这一目标群体使用AI模型的不同AAL系统中出现的共享元素包括HAR和测量生命体征。因此，Saeed等人描述的研究[ 70研究人员利用雷达传感器的数据来推断居住在社区的老年人的活动，而埃皮等人的研究[ 71通过分析加速度计和气压传感器数据来检测坠落。

病人(n=26)为接受不同治疗的健康状况下降者。例子包括预防高危患者跌倒的活动预测[ 44]以及利用多种生命体征(如心率、血压和呼吸频率)诊断患者的临床异常[ 72］．与老年人的重叠(9倍; 图6)表明，对于大多数老年人来说，AAL系统的目的更具有辅助性，旨在促进健康而不是治疗。

虚弱的人(n=21)处于特定的脆弱状态，摔倒或残疾的风险增加。AAL对这些受益人的支持体现在诊断各种健康衰退方面。例如，利用磁共振图像诊断阿尔茨海默病[ 73]及利用使用者的机动性来侦测紧急情况[ 54］．

卫生保健人员(n=7)、护理人员(n=5)和家庭(n=2)的到场人数比以前大大减少。由于AAL技术的使用，他们似乎成为更有效和有效的护理的受益者。例如，协助医护人员在家中监测病人的情况[ 66]并在病人病情恶化时通知医生和家属[ 64］．

可用性智能AAL系统是用户主要关注的问题(17次; 图13)．它主要涉及一项特定的技术。例如，受益者偏爱现成的技术，如移动设备，因为它们可以提供的服务的可用性和成本[ 53］．相反，特定设备的可用性，如外骨骼[ 54]或多个Kinect设备[ 145，被强调为使用它们的潜在障碍。

可访问性， 采用, 可用性各出现了6次。AAL系统服务的可访问性反映了获取这些服务的便利性，例如物联网设备的功能，可以根据用户的活动生成用户档案[ 74］．采用指的是更持久和稳定地使用引进的技术，并将其纳入受益者的日常生活，例如使用广泛采用的技术(即智能手机)进行人工智能[ 45］．可用性被描述为各种AAL系统的易用性，包括使用药物管理应用程序时成功完成任务的百分比[ 63］．

可靠性， 安全, 安全各发生5次。可靠性从受益者的角度描述了人工智能模型结果的可靠性水平，例如活动跟踪器的感知准确性[ 56］．安全性是AAL应用程序防止对其用户造成任何伤害的要求，例如检测异常人类行为以避免危险情况[ 75］．安全性是指在使用AAL技术时保护用户免受外部威胁;例如，当使用用户的电器消费数据来推断他们的活动时[ 43］．

隐私(2次)和 验收(1次发生)受到的关注最少。私隐表现为在AAL系统收集、分析和使用期间需要保护受益人的资料，例如保护个人的身分[ 41］．接受度是AAL技术的一个理想品质，它促进了态度，例如用于患者监测的基于雷达的传感器的不突兀性[ 61］．

本节总结了范围审查的结果。人工智能模型是人工智能系统的关键驱动因素。在这方面，本研究通过考虑领域、技术和最终用户，阐明了它们在过去十年中的作用和意义。同时，它突出了关键的用户关注点，以确定需要进一步研究的差距。

总体目标是提供AAL中AI类和模型研究的概述和综合(RQ1)，它们应用的领域(RQ2)，使用它们的技术(RQ3)，以及它们的受益者和使用关注点(RQ4)。

以下部分讨论关于人工智能模型的演变和相关类别的主要发现，以及对不同利益相关者群体的影响，包括福祉和医疗保健、技术和研究。

我们承认，作为我们搜索基础的人工智能和机器学习(ML)类和模型分类并不全面、详尽或排他。尽管还有其他分类法，但我们的目标是强调这些类和模型的底层机制，以便对它们在AAL系统中的作用提供正确的理解。

此外，类别和相关关键字可能限制了搜索结果。因此，我们将文献中常见的同义词作为关键词，以牺牲更多不相关的文章为代价获取更多的结果。尽管如此，我们可能会错过使用其他术语或没有明确使用搜索关键字的相关材料。

我们研究的另一个局限性是必须为包括在审查中的文章设置一个时间框架。我们选择覆盖AAL系统的早期回顾和人工智能学习算法的进展。然而，与任何日期限制一样，存在没有考虑潜在相关工作的风险。

进一步的限制涉及检索到的文章的手动提取和分类(用于纳入)，这可能会引入编码员的主观看法。风险是通过交叉分析和讨论彼此的结果达成一致来解决的。相关地，关于流行或趋势的发现可能主要代表研究人员的兴趣，但不是所有利益相关者的观点，包括用户的观点的客观抽样。

最后，本研究考虑了5个数字图书馆。考虑到数字图书馆关于RQs的规模、覆盖范围和多样性，我们认为所获得的结果充分响应了RQs。

与相关工作相比，我们的重点是前人对相关主题和比较研究的综述和元评论，优先考虑AI模型。评论、元评论和研究的范围通常比我们的范围更有限。

climate - perez等人提出的元综述[ 16]研究了基于视频的老年人AAL生活记录技术。生活日志假设记录用户日常生活的个人数据。它生成一个数据集，作为关于一个人的计算知识(也称为量化自我)，可以用于不同的目的，例如检测紧急情况和预测用户行为。目标模型为DL、域HAR和技术RGBD传感器件。这项研究阐明了这些应用的伦理意义。

Singh等人的检讨[ 149]通过现有传感器技术的实现，分析了现有的跌倒检测系统。它提供了一个描述性框架来帮助为特定的部署场景和位置选择合适的传感器。技术改进的主要领域是不引人注目、安装成本和电力需求。

Demrozi等人的调查[ 150]讨论了基于传感器的老年人HAR的ML和DL算法的准确性和数量(已识别活动的覆盖率)。ML模型需要更少的数据和计算资源，而DL模型可以更好地识别复杂的活动。

痴呆症手机应用程序综述[ 151]显示，护理人员是主要用户，应用内容主要提供有关痴呆症的信息。这些应用程序可用性的障碍是缺乏应用程序市场的导航和痴呆症信息的质量指标。

DL技术在智能手机和基于传感器的可穿戴HAR系统中的应用综述[ 152]证明了DL技术优于其他ML技术。然而，它们是在已有的数据集上进行验证的，而不是实时获得的数据。

使用移动和可穿戴传感器网络的HAR DL算法的深入分析[ 146移动和可穿戴设备需要更高的计算资源，以实现基于网络的实时决策。

对老年人辅助技术进行更全面的回顾，将技术分类为集群，如一般信息和通信技术(如计算机和互联网应用)、机器人、远程医疗、传感器技术、药物管理应用和视频游戏[ 17］．

一项研究分析了辅助技术对痴呆症患者记忆支持有效性的随机对照试验[ 153］．测量结果包括ADL、依赖水平、临床和护理相关结果以及感知的生活质量和福祉。证据是混杂和不一致的，没有得出一般性的结论。

另一项综述调查了中风成人的移动健康干预措施[ 154］．干预措施针对不同的患者功能，主要是上肢功能、功能性活动能力以及语言和演讲技能。然而，它们主要是初步的，专注于技术开发到试点测试，缺乏大规模试验的证据。

有运动、语言和认知障碍的人使用现成的语音助手[ 155］．尽管与其他辅助技术相比，这些系统广泛使用，价格低廉，而且不受歧视，但参与者的表现取决于他们的认知和语言技能水平。

HAR的不同ML算法比较研究[ 156]使用了现有的数据集，并指出基于传感器的技术比基于视觉的技术更受欢迎，因为它们能更好地保护用户隐私。一项类似的研究[ 157]研究了特定的算法，即决策树、k-最近邻、支持向量机、naïve贝叶斯、线性判别分析和集成学习，以识别特定的ADL(做饭、吃饭、家务等)。总的来说，算法在所选数据集上的表现同样出色。

我们描述了基于系统搜索和分析的范围审查，确定了关于人工智能模型、领域、技术、受益者及其关注的研究趋势。从文献中提取的AI模型、领域、技术、受益者和关注点代表了一个知识库，在开发和部署AI注入的AAL系统时可以参考和使用。它的发现可以(1)告知最终用户、卫生保健专业人员和护理人员可用的技术及其目标医疗领域;(2)指导卫生保健提供者和工程师实施和部署这些技术;并且(3)帮助最终用户理解技术的好处和权衡。

研究活动提高了人工智能模型在人工智能领域的认识，并揭示了该领域的差距。在使AAL系统更加高效、有效和用户友好方面还需要进一步的工作。特别是，混合医生模式的决策、技术设计中照顾者的纳入以及遵守与健康相关的法规将导致社会接受人工智能。此外，提高透明度和隐私性、与遗留系统的集成以及平等纳入不同受益人将提高AAL系统的接受度和可用性。最后，解释自动化决策、采用标准评估指标和验证设计指南的努力将识别不同的AAL方法，以确保它们在数字医疗保健中得到应用。