多通道传感器数据集成Ambient-Assisted生活环境的室内定位

文摘

一个可靠的室内定位系统(IPS)是一种重要的一部分Ambient-Assisted生活(AAL)的概念。使用wi - fi的指纹识别技术来确定用户的位置,基于接收信号强度指示(RSSI)的映射,避免了需要部署一个专用的定位基础设施但有自己的问题。异质性的设备和RSSI变化在时间和空间上由于环境变化条件构成挑战,基于这种技术的定位系统。本研究的主要目的是检查利用其他传感器的可行性在协助定位系统提供更准确的预测。特别是实验提出了工作表明,惯性运动单位(IMU),默认情况下出现在智能手机等智能设备或smartwatches,可以提高室内定位系统的性能在光芒四射的环境。此外,本文评估了一组技术来预测未来的性能定位系统基于训练数据,以及互补策略如数据缩放和连续使用wi - fi扫描进一步提高IPS预测的可靠性。这个研究表明,一个健壮的定位估计可以来自这些策略。

1。介绍

当前人口的平均年龄增加1)会导致新的需求在医疗保健领域,尤其是在等方面关心,家庭援助,康复,早期发现疾病,或物理支持(2]。援助和医疗需要老年人越来越必要的社会和经济原因。这一趋势要求提供合适的辅助系统,提高老年人的生活质量(3),目的是帮助他们生活积极和富有成效的老化一个负担得起的成本(4]。由于潜在的和经常使人衰弱的疾病,老年人,日常生活的各个方面可以成为身心挑战。技术可以集成到老年人的医疗保健提供安全、高品质的生活,提高他们的健康和幸福,并使更长一段独立的生活。辅助技术应用程序应该很容易使用,不引人注目的,适当的设计,适应不断变化的需求和个人喜好。

环境辅助生活(AAL)概念被定义为一系列的产品和服务,旨在构建智能环境的援助这些团体的人(5]。光芒四射的目标之一是提供可靠和有意义的信息的健康专业人士,护理人员、心理学家、或家庭成员。AAL应用程序包括异构网络信息家电和智能工件,可以帮助那些有特殊需要的人在一些地区如日常任务便利化,流动性援助,医疗保健和康复和社会包容和沟通。人工智能(AI)的帮助下,AAL促进使用技术不干扰的方式来支持安全、高质量、虚弱和老人和独立生活。AAL平台强烈依赖于准确的基础定位系统以老年用户提供及时和可靠的服务。知道他们的立场和行动是至关重要的医学观察,及时的事故预防、行为模式特征,或异常检测6]。

而在户外环境中定位的问题已经解决了,用卫星定位系统,如GPS或伽利略,提供一个可接受的水平的准确度和精密度,室内定位仍然是一个悬而未决的问题。Satellital建筑物内信号是不可用的,因为他们是减毒和在屋顶,墙壁,和其他建筑元素和无法达到用户的设备有足够的强度提供精确定位服务。研究人员和行业目前正在参与调查,开发和完善可靠的室内定位系统。尽管已经取得了重大进展,没有一个精确的和被广泛接受的解决方案这个话题。

室内定位系统(IPS)系统定位和跟踪的人或对象建筑物内使用无线电波,磁场,声学信号,图像,或其他传感器收集的信息(7]。AAL合适的IPS系统必须能够定位辅助人在室内环境中,以足够高的精度和性能可靠地监控他/她的活动和提供有意义的帮助和服务。这些系统必须部署在用户的生活,在真实场景的特定建设性建筑的特征和特点可能影响信号传播的方式。这种类型的场景非常不同于控制实验环境条件提前知道。房屋是多样化的,不同的布局和不同的建筑特性使它复杂,费时和昂贵的射频信号的传播模型每次定位系统必须安装。此外,技术提案AAL应该易于使用,不引人注目的和便宜的,所以部署必须尽可能简单。

为了预测一个代理的位置在一个室内环境中,传统方法依赖于可靠的信号传播模型的建设,这是一个复杂的话题。这些方法的性能取决于正确的假设底层规则观察到的信号。如果的假设是错误的,该模型不能描述观察和将无法做出可靠的预测。另一方面,机器学习(ML)算法允许识别相关的数据集,而不需要一个合适的底层模型的决心。换句话说,毫升的模型作为黑盒技术治疗一个显式的特征是未知的。监督培训过程的ML算法能够发现有意义的和直接从数据特征模式,建立有效的预测模型,对看不见的数据表现良好。

wi - fi的指纹,它使用毫升技术利用一个已经部署的基础设施,是一个不错的选择,这样的系统(8,9]。然而,通道等因素干扰,传感器定位,或多路径传播和衰减引入的不确定性水平wi - fi传感器读数,负面影响在这种定位方法的性能10]。在房间场景精度水平足以提供相关服务,适当地选择一个合适的分类器算法和收集数据可以显著提高精度。此外,考虑从其他传感器读数,如惯性运动单位(IMU),连同wi - fi指纹,可以帮助占用户的位置的变化,提供有价值的信息,可以用来提高IPS的结果。

本文研究的结果来评估对IPS性能的影响策略的基础上,利用运动传感器读数来检测用户状态。这项工作也提出了一些初步的数据研究技巧可以帮助预测用户,记录的数据的质量直接影响IPS系统的准确性。此外,我们还进行了一系列的实验来评估的有效性的一系列行动旨在减少无线信号的影响的不确定性和选择最合适的ML算法定位系统。作为总结,本文的主要贡献如下:(我)我们执行一组数据分析技术,有助于预测的性能定位系统基于训练数据的特征由用户记录(2)我们评估考虑的性能从穿在身上惯性传感器读数识别空间转换(3)我们比较的影响,一些策略来提高定位算法的定位性能,减少不确定性wi - fi信号(iv)我们也比较四个房间的机器学习算法的性能水平的室内定位任务

这项工作的初步版本,名为“环境辅助生活环境中改善定位精度。多传感器的方法”11)是15^th国际会议在智能环境(IE19)。对初步版本,我们已经延长和部分重写所有的部分。此外,我们添加了一个新的部分致力于探索数据特点和他们的关系与分类算法的性能实验。

本文的组织如下:“背景”部分提供了上下文环境辅助生活不久,室内定位系统。“系统概述”部分概述了定位系统用于执行实验。“数据”部分提出了研究数据,并讨论了结果。“实验描述”小节描述了执行的实验和部分“结果”讨论了他们的结果。最后,部分“结论和未来工作”强调了这项工作的主要结论和探索未来可能的研究。

2。背景

基于人工智能和机器学习(ML)的系统正在开发和使用等领域的环境敏感,基于代理技术或计算机视觉,提供更聪明,灵活,自然和医疗支持服务。基于人工智能的一些例子如何服务和ML技术可以用在医疗保健服务是:

•人类活动识别(HAR):系统可以结合来自多个传感器的数据来识别用户的活动和识别行为模式。日常活动的性能可以用作衡量老年人的认知和身体状况12- - - - - -14]。

•异常检测:异常检测技术可以使健康状况下降。变化和异常的用户行为可以用于慢性病监测(15和早期抑郁症检测16),可以表示elder-specific疾病如认知能力下降、阿尔茨海默氏症、痴呆或功能障碍(17,18]。

•决策支持:决策支持系统组装不同类型的数据来自多个病人,帮助医生和卫生保健专业人员来组织他们的工作,分析人们的个人需求,或调查一些常见的现象

的一些关键方面部署环境的IPS辅助生活选择正确的定位相关技术实现系统在一个被动的,device-free,低调的方式。这一目标可能需要使用一个现有的基础设施,部署一个新的,使用所谓的signals-of-opportunity,甚至这些技术的结合。许多这些技术利用射频信号发出的设备,其位置可以知道与否,估计用户的位置感知强度的这些信号,接收信号强度指示(RSSI)。RSSI是用来测量相对一个客户端设备接收信号的质量。设备阅读的价值给出对数刻度,可以对应于一个即时阅读或某种连续的意思是阅读,但是每个芯片制造商是免费为这个术语定义自己的规模。有很多种设备和技术可用于定位的目的,如wi - fi接入点,蓝牙信号,射频识别(RFID),或者超宽波段(超宽频)设备(19]。这些技术可以提高的有效性通过利用其他传感器的使用,通常出现在可穿戴设备。

除了wi - fi和蓝牙信号,利用地球磁场来构建一个室内定位系统已经在许多研究探讨近年来工作。人造结构导致改变磁场的干扰。这些磁异常位置特定的和暂时的稳定,可用于建立一个室内定位框架。在许多作品中,这种方法是结合其他传感器来提高其性能。例如,在[20.),作者使用磁场以及投机取巧的wi - fi信号达到90百分位3.5米的定位精度。使用不同的深度学习架构,如深层神经网络(款)或卷积神经网络(CNN),也被证明是实现良好的定位精度(21- - - - - -23]。

利用惯性传感器的数据之前已经被应用于解决各种问题与定位有关。在[24),作者提出一个行人航迹跟踪系统,依赖于两个模块:步进计数器和步幅估计量。虽然报道的结果是好的,他们的解决方案是基于齐次走路,不能认为在家庭等一些小型室内场景。结合射频信号和其他传感器的数据已经实现在几个以前的作品。例如,谢et al。25)达到良好的精度在大型室内建筑使用磁场指纹增强粒子滤波。粒子过滤器的使用来自各种传感器的数据融合已经成为司空见惯的室内定位系统(26,27),通常提供良好的结果。在[28),作者使用磁场数据以及wi - fi创建一个时空信号融合图识别人群流动在商场等大型室内场景或机场。这种技术可以应用到应用程序或服务广告和推荐或urban-flow监测系统。

技术用于室内位置可分为三大类:接近,三角,指纹识别29日]:(我)距离方法比较不同发射机的RSSI值并确定客户的位置假设价值最高的接收信号来自最近的接入点。精度普遍较低,与部署信标的密度和它的信号范围。(2)三角测量方法使用三角形的几何特性来确定目标的位置。当至少有三个发射器的位置是已知的,移动节点的位置估计可以计算每个设备的距离。困难的任务是找到合适的模型转换RSSI距离。三角测量方法可以分为两类:lateration到场时间等技术(ToA) Time-Difference-of-Arrival(辐射源脉冲),或Round-Trip-Travel-Time (RTTT),基于传播时间的测量,测角技术,如的着陆角度(AoA),基于到达波的角度。这些技术不提供廉价的定位基础设施由于天线阵列或时间同步的必要性30.]。(3)指纹识别方法假定,对于给定的室内环境,存在一个信号映射,这种映射可以重建测量RSSI信号离散位置的映射区域。wi - fi的指纹,其主要优势依赖于事实已经是现有的无线网络基础设施在大部分城市地区。因此,可以获得用户的位置没有部署任何额外的设备。障碍,反射、多路径干扰、环境变化、或设备定位信号传播的影响因素(31日),可以降低IPS基于无线指纹识别的性能。

映射指纹假定一个RSSI地图的存在,它是由测量RSSI一些感兴趣的地方。收音机地图或指纹数据集,是由一组收集指纹和相关职位进行了测量和可能包含一些额外的变量,如使用的设备类型或时间戳的观察,以及任何其他有用的数据。这一阶段的数据获得构建无线地图被称为训练,离线,或调查阶段。在操作过程中,一旦完成收音机地图,IPS将使用这个映射为数据库位置的目的(32]。这一阶段被称为在线阶段(见图1)。

确定接收机设备的位置在空间层面上基于RSSI映射可以被看作是一个分类问题,在类映射的房间和RSSI信号的特性。然而,也有一些问题很难在IPS实现良好的分类性能。造成的主要问题是设备和RSSI的异质性变化在时间和空间上由于环境变化的条件。对于前者,因为RSSI不是标准化的指示接收功率的无线设备,任意设备制造商可能实现其测量方式不同。因此,RSSI值取决于硬件、软件驱动程序库、操作系统或软件监控的实现。关于后者,RSSI敏感动态环境条件如信道噪声、干扰,反射和衰减。这可能会降低性能的IPS当情况改变从离线到在线阶段。有一些建议来解决异构问题的不同方面。例如,在[33),作者发现的关系不同APs的RSS值的顺序在一个固定的位置比价值更稳定自己,提出使用一种算法,它使用这个关系构建一个更加稳定的指纹。其他作品(34]提出了混合动力系统的基础上,利用热释电红外传感器基于zone指纹的过程集的目标不包括异常值由于设备多样性或阴影效果。其他作者(35]无视传统的指纹识别方法,提出一个系统,利用wi - fi接入点的覆盖区域独特性和覆盖范围重叠计算用户的当前位置,同时减轻使用异构设备的影响。

此外,收集和维护一个电台指纹数据库是一项高成本和耗时的任务。这个成本可以大大降低在家庭环境中,当房间定位足以提供最光芒四射的服务水平。在这些情况下,训练阶段必须在每个房间至少执行一次。在一个典型的房子,有6个房间,这个过程可能需要10 - 20分钟。

无处不在的智能手机和smartwatches和不同的无线接口的可用性,如wi - fi, 3 g,蓝牙,让他们为室内监控一个有吸引力的平台。智能家庭行为数据已经被发现是有用的帮助老年人独立生活和监控健康状态和年龄相关疾病的发病和进展和障碍,如痴呆和阿尔茨海默病(36]。老年人心理健康(孤独、抑郁、或情绪)也在评估通过这些数据(37]。然而,技术准备家庭健康监测技术水平仍然很低(38]。

在选择一个特定的设备来实现一个IPS在光芒四射,需要考虑的最重要因素之一是,它必须是尽可能不引人注目的,不修改,打扰,限制或干涉用户的日常活动或生活方式。大多数wi - fi指纹定位系统是基于智能手机的使用。然而,追踪用户位置意味着设备永久连接到用户,这可能并不适用于家庭日常生活。例如,忘记了设备在床头柜的顶部会点“诱导多能性”假设用户还在睡觉。

Smartwatches可以被看作是一个扩展的智能手机看起来像一个普通的手表。smartwatch总是连接到用户,所以不太可能被遗忘比智能手机在床头柜上。此外,它是一个nonobtrusive,相对便宜,和易于使用的工具,它还可以提供直接用户和医护人员之间的沟通,护士或全科医生。

因为大多数智能手机,smartwatches也体现几个加速度计等传感器,陀螺仪,环境光强度,和指南针。连接层,它们中的大多数也体现了蓝牙,NFC和无线通信,它允许使用wi - fi指纹技术等一个合适的候选人被部署在定位设备。此外,大多数的这些设备还包括一个GPS芯片。可以使用此传感器以及一个IPS提供用户在户外和室内的位置。

3所示。系统概述

室内定位系统设计来执行这些实验是研究项目的一部分“高级监控”(39),旨在提供解决方案监控老年人的行为和检测短期问题(瀑布)以及长期问题(认知衰变)。的IPS由smartwatch正在密切关注的用户,和智能手机配对,用于配置和控制smartwatch行为和交流中心云服务器(见图2)。服务器存储通过smartwatch感官收集的数据和提供援助提供决策支持服务通过执行分析任务,如室内定位,活动识别,或异常检测。

3.1。硬件

本文中描述的IPS需要使用smartwatch附加到用户的手腕和智能手机与前通过一个用户友好的应用程序通信的下面。

•Smartwatch:可穿戴设备使用模型Smartwatch 3,由索尼。这个设备运行Android穿其操作系统和体现无线芯片以及GPS、加速度计、指南针、陀螺仪、环境光传感器。通过wi - fi连接支持,NFC和蓝牙。1.8“屏幕的分辨率为320×320像素。这个设备运行一个应用程序,该应用程序可以设置为连续扫描任何附近的无线访问点(wap)信号,以及从其他传感器记录读数。这个应用程序是通过配对控制Android运行相应的应用程序版本。

•智能手机:smartwatch搭配了一个智能手机控制其行为。智能手机用于配置一些传感器选项如扫描间隔、连续扫描,传感器激活。两个设备通过蓝牙进行通信。所有smartwatch数据被发送到一个中央服务器通过智能手机。设备不在范围内,smartwatch缓冲区的数据网络连接可用时发送。

3.2。软件

Android应用程序运行在smartwatch负责收集传感器数据。此应用程序的配置和行为控制通过互惠成对安装的应用程序的智能手机。图3显示主屏幕的智能手机应用程序。这个版本的软件是用于研究目的,所以它只显示了一些相关的信息,这个目的,以及终端用户的信息是有用的。老年人的智能手机是接口用户可以执行任务,比如检查smartwatch状态,查看他/她的身体活动水平,观察活动传感器的读数和状态,或回复通知由他/她的照护者、健康专家、心理学家、或自动分析系统提供的医疗保健服务。

智能手机将感官数据发送到云服务器使用MQTT协议。服务器存储数据后分析用Elasticsearch NoSQL数据库。通过用户交互提供的数据,比如登录数据或交互通过通知,发送到云服务器和存储在同一个数据库中。

3.3。传感器

到目前为止所描述的结构的目标是收集有意义的感官数据建立系统能够为用户提供可靠的AAL服务。为此,以前列举的软件设计使用以下传感器:

3.3.1。无线网络

这个传感器构成的定位系统。连续smartwatch执行给定的wi - fi扫描每一分钟。默认扫描数是5,但这个设置可以通过智能手机的应用程序被修改。过程描述如下:(1)应用程序发送一个startScan命令无线模块扫描附近的AP信号。(2)无线模块执行扫描并将结果存储在缓存中。发送通知给操作系统。(3)操作系统扫描完成时通知应用程序。然后应用程序发送一个getScanResults命令请求扫描结果存储在缓存中。

执行扫描时,无线模块更新一些缓存中的数据,同时保持完好无损。可能存在一些wap的扫描结果,尽管他们没有被发现在最近的扫描。缓存更新算法的细节不明,但过时的数据可能会持续在扫描。此外,在非常拥挤的WAP环境中,信道干扰是很有可能的。这意味着一些WAP信号,特别是那些RSSI低,可能随机地出现和消失。采暖通风等情况下都有自己的对无线电信号的影响。由于上述状况,采集的信号不正确的位置不正确的时候可能会发生,在数据分析中引入错误。这种行为的影响降到最低,减少特性转化,应用程序完成一个默认的5连续扫描,每一个花费大约一秒完成。smartwatch模型用于实验,这些设置允许大约15个小时的电池持续时间,足够长的时间来收集数据在一天夜里时间和充电设备。

3.3.2。重要的运动传感器

用户身体活动可以确定使用惯性加速度计和陀螺仪等传感器。人类运动传感器能够测量和估计身体位置,使决定用户执行的体育活动,如散步、跑步,和坐40]。这些传感器的使用的主要缺点smartwatch是其能源成本。持续监控惯性数据使系统进入低功耗/睡眠模式,大大降低了电池持续时间不到一天,这是一个最低要求监控应用程序。

另一种方法是使用重要的运动传感器(SMS),使用物理加速计的虚拟传感器触发但只有当它检测到一个运动,可能会导致用户的位置的变化。因此,尽管这个传感器不允许确定用户执行的活动,它提供了一种方法来检测可能改变他/她的位置。相反,如果没有触发短信在一个间隔的时间,这可能是假定用户在此期间并没有改变它的位置。

3.3.3。步进计数器

这个传感器检测步骤的数量由用户自上次传感器激活。应用程序自动重置计数器每天午夜。类似于短信,步进计数器可以帮助检测间隔期间,用户没有散步。

3.3.4。活动识别

为了自动监控用户的活动,至少一个惯性传感器,最好是加速度计,必须不断监测及其数据搜索的模式,分析了描述感兴趣的活动。这将导致一个相当大的电池消耗,严重影响设备的实用性。为解决这个问题,Android API允许注册活动识别更新。保持最低的用电,活动检测是通过定期醒来smartwatch和阅读的短脉冲运动传感器数据。它可以检测用户目前步行,汽车,或骑自行车或仍在,但预测的准确性取决于更新间隔。较大的区间值将导致更少的活动检测而较小值将导致更频繁的活动检测但会消耗太多的权力。每个检测结果包含一系列活动排序的概率表明活动的可能性。

为了防止过度使用电池,活动报告服务可能停止设备时不动一段时间了。一旦设备再次移动,这是发现通过短信服务将简历。

3.3.5。磁场

地磁指纹(GF)是一种地图的技术造成的地球磁场干扰建筑物的金属结构,并使用这些数据来实现室内定位通过模式匹配41]。

3 d smartwatch测量磁场的磁力仪在其坐标系统。作为面向smartwatch可能任意用户的手腕,测量必须转换成室内的坐标系统计划,这可以借助惯性加速度计和陀螺仪等传感器。这个变换另一种是只使用该模块的信号,因此不再需要其他传感器读但妥协的质量定位。

地磁指纹与其他定位技术可以集成传感器融合系统提高本地化。例如,无线指纹可用于确定位置在空间层面和女朋友在房间估计最可能的位置。

不断smartwatch扫描磁场,将收集到的数据发送到服务器的每一分钟。

4所示。数据

当系统部署在一个家里,用户手动创建电台地图虽然穿着smartwatch和智能手机应用程序的迹象。用户首先选择一套房间,然后软件引导他们收集的训练数据在某些点选择房间,如中心或任何常用的位置。当这个过程完成后,将收集到的训练数据发送到服务器。系统的正常运行期间,设备传感器获得的数据被发送到每一分钟配对的智能手机,进而将该服务器存储和分析。

收集的数据用于执行这些实验四个用户,两个男人和两个女人,在家里两个月。在此期间,用户手动报道许多间隔的时间他们是在一个特定的房间里进行日常生活活动。这个标签信息构成了测试数据用于评估预测的准确性。表1显示每个数据集的一些特征,如数据点的数量为每个房间,发现访问点的总数,或房间的数量被每个用户选择。

4.1。数据探索

因为数据已经被标记在空间层面,鉴于通常房间由墙的感知强度减弱wi - fi信号,数据的特征空间应该反映;也就是说,我们应该能够找到一个方法来分离RSSI数据集群的数量等于标签的数量。每一个集群是由信号,其中有很高的相似性,但在其他集群不同的信号。因此,我们可以有一个测量数据的预测质量的找到这些集群和比较实际的标签。越相似集群的标签,更可行的是机器学习算法来找到这些类之间的区别的模式,实现良好的分类精度。

著名的k - means聚类算法通过数据分组到一个给定数量的集群通过计算数据实例和分配每个观测之间的欧氏距离与最近的集群的意思。算法迭代的最小化within-cluster平方欧氏距离,直到解是收敛的;也就是说,从先前的迭代中没有变化或者直到迭代的最大数量。

为了找到如果训练数据分段,知道我们可以期待良好的分类精度,我们应用k - means算法从每个用户的数据,然后比较了集群与实际标签。图4结果显示了四个的热图,深色代表高集群相关和价值观表示百分比。完美的相关性将显示每个对角值100%,也就是说,每个集群是由只有通过正确的数据标签(房间)。

因为用户通常不花同样的时间在所有房间,训练和测试数据集可能是不平衡的。因此,我们采用f1度量的指标分类性能,因为它是更有弹性比精度不平衡数据集:

当超过两类被认为是,我们报告个人的加权平均f1-scores所有类的每个模型的评价指标: 在哪里c类和数量吗重量(实例的数量)的吗我^th类。

为每个用户计算指标,见表2,可以被视为一种预测数据的质量。更高的值将表明良好定义的类之间的界限,揭示潜在有用的隐藏的预测信息,方便分类器分配正确的空间数据的一个新实例。从这些结果,很明显,k - means聚类算法能够找到一个更好的分区数据空间的用户2和3比1和4。因此,我们为这些用户可能期望更好的分类结果。

用户2和3也用户检测到更多的无线接入点,这可以部分解释获得的结果。由于传感器用于记录所有用户的数据都是一样的,除了每个特定的房子布局等因素,这是未知的,我们可以假设wap的数量明显影响k - means算法来区分的能力类。

可视化表示可以更容易发现有意义的模式和一组数据中的异常值。能够找到一个数据结构可以可视化的方式,我们需要降低其维数,同时试图保持大部分的知识。有许多种技术可以自动降低高维数据的复杂性。这些技术如下。(我)主成分分析(PCA)是一种无监督的技术发现的组件持有的大部分数据的方差(信息)。每个组件都有方向和大小。轴的方向代表了在数据方差,方差和表达量大小,捕获的数据投影到轴。每个后续的主成分正交于前,更少的方差。最终的结果是一组不相关的主成分。(2)线性判别分析(LDA)确定一个合适的低维表示原始数据的发现不仅最大化的方差数据的组件轴的轴(PCA),也最大化多个类之间的分离,从而维护class-discriminatory信息。LDA是一个监督技术,因为它需要标签信息来确定一个合适的特征空间,以区分模式,属于不同的类。(3)t-Distributed随机邻居嵌入(t-SNE)是一种无监督,非线性技术主要用于勘探和高维数据的可视化。它与PCA只保留当地小两两距离或相似之处而PCA保留大两两距离最大化方差。计算相似度度量算法对实例之间在高维空间和低维空间并试图最小化之间的区别这两个相似的措施使用梯度下降法和Kullback-Leibler散度(吉隆坡)作为成本函数

图5显示了每个用户和获得的可视化算法。PCA似乎并没有透露任何明确的任何用户模式。为用户2和3,似乎有一些房间分割,但仍有一些困惑与其余组织。对LDA,能够找到一个好的数据集1类之间的分离,专门为2和3。用户4表示发现看起来更凌乱。最后,t-SNE算法显示了一些结构数据集2和3,我们可以想象一个明确的一些类之间的分离。另一方面,用户1和4的数据对应的情节看起来更混乱。

为了得到一个数值评估这些数据,我们使用轮廓度规42]。轮廓分析可以用来研究之间的分离距离产生的集群,作为衡量聚类质量的实现。这个值的措施之间的空间集群范围−1中的值为1。如果集群凝聚力是好的和集群分离好,价值将接近1。另一方面,如果样品已经分配给了错误的集群,分数将在−1。图6显示了该度量值获得的每一个算法用于可视化。

结论来自于这些可视化和轮廓情节与k - means聚类的结果一致。我们可以期待机器学习分类器更难以找到区别的模式对这些数据集的聚类和可视化技术一直未能发现重大分化组间的实例属于不同的房间。特别是,轮廓值预测更好的分类精度为用户2和3对用户1和4,算法的簇之间找不到清晰的界限。

5。实验的描述

实验的目的是评估一组参数的影响在定位系统的准确性,以及评估的影响考虑到缺乏运动作为其预测的约束。每个实验的评价分类指标的一组特定的数据集和一个给定的参数值。每个实验的参数将决定以下。

•分类器:共有四个分类算法检测:决策树(DT),再邻居(资讯),神经网络(NN)和随机森林(RF)。每个分类器的最佳参数测定实验前通过一系列的测试:(我)DT:max。深度= 20(2)资讯:k= 3,距离=欧几里得(3)神经网络:5隐藏层,单位= 50,行为= RELU(iv)射频:max。深度= 20,马克斯节点= 50

•缩放:wi - fi的RSSI值指纹通常范围内(100−−30)。一个常见的策略43)来缓解工作的分类算法和提高他们的性能是规模这些值范围(0,1),其中0意味着WAP指纹不存在,和1代表RSSI的最大值(见方程(1))。我们比较这一策略对喂分类器的性能没有预处理的数据:

•减少特性转化:如上所述3,这项工作描述的IPS执行一系列连续扫描的影响降到最低wi - fi指纹的RSSI值的不确定性。这些扫描情况下,五个默认情况下,通过分类和预测是由多数投票决定的。我们评估这个策略的性能影响分类只有第一个扫描实例。

•最小间隔没有显著运动(乐观主义):提高室内定位精度,特别在房间级别应用程序中,运动传感器可以发挥重要作用,因为检测的步骤或任何重要的运动可以用来发现转换从一个房间到另一个。如果穿在身上传感器不登记在给定的时间内一个重要的运动,它可以认为用户并没有改变他/她的位置。在这个场景中,所有指纹收到在这个时间间隔内必须对应于相同的房间。知道了这一点,最合理的过程似乎采取的位置估计的IPS,假设所有事件对应的位置更频繁地发生。

例如,让我们考虑用户进入客厅,坐在沙发上。因为用户是移动,我们有一个信号从SMS。现在她在沙发上呆30分钟,然后去洗手间。当她从沙发上站起来,我们从短信接收另一个信号。我们知道,她是在同一个房间里30分钟,但是我们不知道它是哪个房间。在这段时间里,无线传感器发送信号的每一分钟,我们有30个指纹。让我们现在假设推断用户的wi - fi信号的位置给了我们这些结果:22在客厅,厨房里6和2在浴室里。它是安全的假设,因为我们知道,她没有动,她在客厅里吗?

乐观主义参数代表了最低时期考虑当用户没有认识到间隔的做了一个重要的运动,因此,应该是在一个房间里。我们认为20个不同的间隔,10年至200年,10分钟的步骤。

•预测阈值(PT):在用户的间隔时间保持在一个特定的房间里,IPS生成一系列的预测,具体地说,一个每分钟。由于无线信号的特殊性,环境的变化,或用户定位、分类算法产生的预测这一时期可能不是制服,包含不同预测的房间。如果我们假设用户并没有改变他/她的位置,最好的策略来确定实际的位置可能是选择最常见的预测。在这个实验中,我们评估后这种策略的性能,与最发生的比率预测超过总数的预测。为此,我们认为50这个比例值,范围在(0.50,1.00)值为0.01。比率值为0.50时将对应于一个最发生情况预测对应IPS预测的50%。比率为1.00将对应情况下所有的预测都是平等的。在这种情况下,不会有任何改善当考虑运动传感器修改IPS预测。

这个配置给16000为每个数据集的实验。这图分解如下:

比较结果确定最佳参数值,我们使用了Wilcoxon符号秩检验(44),配对差异测试评估意味着我们应用于等级差异f1度规。

6。结果

图7显示了一个箱线图展示每个分类器的结果在四个数据集。随机森林算法在所有场景似乎表现得更好。检测性能之间的显著差异的四个算法和确定最可靠的选择,我们应用Wilcoxon符号秩检验的统计方法测试结果之间的差异。测试的结果,比较RF算法与每一个剩下的每个数据集的分类算法,如表所示3。在所有情况下,等效的零假设(H0)意味着可以拒绝了(值< 0.05)。因此,实验结果显示改进的性能检测在使用房间的RF算法。

这些结果也支持获得的结果部分4.1。随机森林分类器获得更好的结果在这些数据集的测试数据显示一个重要结构或模式时使用集群或可视化技术。具体来说,最好的结果获得了用户平均2和3显示f1)分别为0.88和0.89。另一方面,结果为用户1和4,平均f1的0.83和0.76,也证实了直觉,训练数据聚类组和房间之间的关系是一个很好的预测对定位系统的性能测试数据。

图8显示一个箱线图比较分类按比例缩小的数据与原始数据的有效性。表4显示的结果Wilcoxon符号秩检验用于比较结果。结果表明,所有的数据集,可以拒绝零假设(H0),显示比例数据增量算法的性能。

关于减少wi - fi信号特性转化的影响,图9箱线图显示一个评估使用的多数投票策略应用到连续样本通过无线传感器在每个扫描过程。如表所示5数据集,零假设被拒绝,表明多数投票策略显著增加定位算法的准确性。

前面的测试帮助确定最佳定位算法和策略来提高定位精度。为了评估的影响考虑到短信数据进一步提高性能的IPS,我们使用缩放和多数投票策略和射频选中的分类器。图10显示了平均获得的性能提升取决于工党参数的值,对所有可能的值的乐观主义。

平均结果显示f1增加3%左右的0.50至0.8的范围。因此,结果表明,它是安全的假设大多数预测类的结果定位系统对于一个给定的时间段内没有检测到运动。此外,性能提升主要是独立于乐观主义的参数。

每个特定的数据集的结果显示多变化PT的范围在0.5和0.7之间,做一个不正确的预测的准确性成本更大。这种差异可能是由于不同的房子房间在每个数据集的分布。空间像开放式厨房/餐厅可能需要额外的信息,比如蓝牙信号或磁场传感器的使用,帮助IPS歧视领域相同的开放空间。然而,最大的成本不正确的预测的准确性是1%左右,它只发生PT值低于0.65。因此,PT值大于0.65,有一种普遍的性能提高定位系统在使用SMS /作为一个指示器的房间位置的变化。

的过程中不断提高的性能定位系统的目标和评估这些研究结果的有效性,我们计划新一轮的数据收集四个月后的数据用于以前的实验记录。这些新数据集被七老用户记录,两个女性和五个男性,他们执行后的训练过程,并同时迹象显示应用程序。以同样的方式与前面的数据集,这个过程是在家里进行的,他们使用不同的定位系统期间一至两个月。结论出现后,从早些时候的实验中,我们使用这些新数据验证的方法使用SMS作为里程碑式的检测可能的空间变化。结果如图所示11。

第二阶段的结果显示了类似的模式结果显示,但结果变异性增加PT的范围在0.5和0.7之间。在这个区间,没有一般的性能增益,因为大多数的用户报告的准确性下降。这种行为已经发现了两个数据集在第一阶段,现在它发生了四个用户。正如前面所讨论的,这个下降的性能在这个区间的PT值可以预期,因为它是危险的假设正确的房间可以预测只有50 - 65%的出现在一个给定的一段时间。PT值大于0.65,结果验证该方法,因为有一个普遍获得所有用户的性能。

7所示。结论和未来的工作

实验提出一种改进的展示房间的精度检测当使用策略如数据比例和连续使用wi - fi扫描。的结果还表明,使用运动传感器以及无线指纹有助于显著提高室内定位系统的性能。

未来的工作,更多的数据从各种各样的新用户被收集并将用于验证这项工作的结论,同时提供更多的数据来测试新策略,如步进计数器和活动识别API来提高定位精度和使用磁场数据评估的可能性空间中确定用户的位置。

数据可用性

这项工作中所使用的数据是可用的要求作者。

信息披露

这项工作的初步版本,名为“环境辅助生活环境中改善定位精度。提出了一种多传感器方法”在15^th国际会议在智能环境(IE19)。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作已经被西班牙的部分资助科学、创新和大学通过“里特•Investigacion”计划(rti2018 - 095168 b - c53)和大学Jaume我“解放军de promocio de la investigacio 2017”计划(UJI-B2017-45)。奥斯卡Belmonte-Fernandez从西班牙科技部资助创新和大学(PRX18/00123)开发工作的一部分。作者也要感谢皮拉尔Bayarri Iturralde为她贡献的组织实验。

引用

1. e . Kanasi a .斯和j·琼斯,“老年人口:人口和老化的生物学,”牙周病学,卷72,不。1,十三至十八页,2000。视图:谷歌学术搜索
2. 杨z z . Wang, t .盾”的老年人护理可穿戴技术可以准确地跟踪室内位置,认识到体育活动和实时监测生命体征,”传感器,17卷,不。2,p。341年,2017年。视图:出版商的网站|谷歌学术搜索
3. a . Anouar a Touhafi, a . Tahiri”aal-paas对soa架构模型设计和开发的挑战,”国际期刊《先进的计算机科学和应用程序,8卷,不。7日,2017年。视图:谷歌学术搜索
4. p . Rashidi和A . Mihailidis”调查ambient-assisted老年人生活的工具,”IEEE生物医学和卫生信息学杂志》上,17卷,不。3、579 - 590年,2013页。视图:出版商的网站|谷歌学术搜索
5. 奎罗斯,席尔瓦,j . Alvarelhao n . p .罗查a特谢拉,“可用性、可访问性和ambient-assisted生:一个系统的文献回顾,“在信息社会普及,14卷,不。1,57 - 66,2015页。视图:出版商的网站|谷歌学术搜索
6. g . Chiarini p . Ray akt, c . Masella和a . Ganz“移动医疗技术为慢性疾病和长老:系统回顾,“IEEE在选定地区通讯》杂志上没有,卷。31日。9日- 18,2013页。视图:出版商的网站|谷歌学术搜索
7. r·f·Brena c . e . Galvan-Tejada d . Munoz-Rodriguez c . Vargas-Rosales和j . Fangmeyer”进化的室内定位技术:一项调查,”杂志上的传感器,2017卷,2017年。视图:出版商的网站|谷歌学术搜索
8. O。Belmonte-Fernandez, a . Puertas-Cabedo j . Torres-Sospedra r . Montoliu-Colas和s . Trilles-Oliver”的室内定位系统基于这套ambient-assisted生活,”传感器,17卷,不。1,36页,2017年。视图:谷歌学术搜索
9. k·科瑞娜,”概述上下文意识到光芒四射的室内定位技术应用”环境辅助生活施普林格,页273 - 291年,柏林,德国,2011年。视图:谷歌学术搜索
10. j·托雷斯,O。Belmonte, r . Montoliu颤音,和a . Calia”如何wifi fingerprint-based室内定位为家庭监测是可行的?2016。视图:谷歌学术搜索
11. 大肠Sansano Sansano, o . Belmonte-Fernandez r . Montoliu和a . Gasco-Compte环境辅助生活环境中“改善定位精度。多传感器的方法,2019。视图:谷歌学术搜索
12. d . Arifoglu和a . Bouchachia”活动识别和与复发性神经网络异常行为检测,”Procedia计算机科学卷,110年,第93 - 86页,2017年。视图:出版商的网站|谷歌学术搜索
13. 类似,博世,m . Marin-Perianu r . Marin-Perianu和h·保罗,”活动识别使用惯性传感医疗、健康和运动的应用:一项调查,”23号国际会议的程序计算系统的体系结构,VDE,纽约,纽约,美国,2010年。视图:谷歌学术搜索
14. 马丁j .营地,a .央行m . et al .,“深度学习步态检测冻结的帕金森症患者在家中使用waist-worn惯性测量单元,“以知识为基础的系统卷,139年,第131 - 119页,2018年。视图:出版商的网站|谷歌学术搜索
15. e . Chiauzzi c .罗达特,p . DasMahapatra,“以病人为中心的自我管理活动监视的慢性疾病,”BMC医学,13卷,不。1,p。77年,2015。视图:出版商的网站|谷歌学术搜索
16. a . Doryab j . k . Min j .威斯·j·齐默尔曼,和j .香港“检测抑郁症患者行为改变的”学报在28日的研讨会AAAI会议上人工智能,魁北克,加拿大,2014。视图:谷歌学术搜索
17. c . Galambos m . Skubic王s, m . Rantz“痴呆和抑郁症的管理利用家庭被动传感器数据,”Gerontechnology:国际期刊的基本技术为老龄化社会的各个方面,11卷,不。3,p。457年,2013年。视图:出版商的网站|谷歌学术搜索
18. t·l·海耶斯f . Abendroth阿达米a . et al .,“不引人注目的评估与轻度认知障碍相关的活动模式,”阿尔茨海默氏症和老年痴呆症,4卷,不。6,395 - 405年,2008页。视图:出版商的网站|谷歌学术搜索
19. m·a·Al-Ammar s Alhadhrami a Al-Salman et al .,“室内定位技术的比较调查、技术和算法,”《2014年国际会议上虚拟世界(CW)IEEE,页245 - 252年,桑坦德银行,西班牙,2014。视图:谷歌学术搜索
20. y, c . Bo g .沈c .赵l·李和f .赵”Magicol:室内定位使用普遍的磁场和投机取巧的无线传感、”IEEE在选定地区通讯》杂志上,33卷,不。7,1443 - 1457年,2015页。视图:出版商的网站|谷歌学术搜索
21. 伊姆兰,户珥,公园,和y公园,“Deeplocate:基于智能手机的室内定位与深层神经网络集成的分类器,”传感器,20卷,不。1,p。133年,2020。视图:出版商的网站|谷歌学术搜索
22. 阿什拉夫,户珥,和y公园,“卷积神经网络和智能手机的应用传感器对于室内定位,“应用科学,9卷,不。11,2337年,页2019。视图:出版商的网站|谷歌学术搜索
23. 阿什拉夫,m·康美国户珥,y公园,“MINLOC:磁场使用卷积神经网络基于模式的室内定位,“IEEE访问,8卷,第66227 - 66213页,2020年。视图:出版商的网站|谷歌学术搜索
24. m . Alzantot和m·优素福”,正常运行时间:无处不在的行人跟踪使用手机”学报2012年IEEE无线通信和网络会议(WCNC)IEEE p。3204年,巴黎,法国,2012年。视图:谷歌学术搜索
25. h·谢,t·顾x道,h .你们和j . Lv”Maloc:实际磁指纹识别方法对室内定位使用智能手机,”《2014年ACM国际联合会议上普遍的和无处不在的计算,页243 - 253,纽约,纽约,美国,2014年。视图:谷歌学术搜索
26. 他黄,w•李•德•罗,w . DongY。高”、“地磁室内定位的改进粒子滤波算法,”杂志上的传感器,2018卷,2018年。视图:出版商的网站|谷歌学术搜索
27. n .朱h .赵、w·冯和z王”一种新的粒子滤波方法对室内定位,通过wifi和惯性传感器融合”中国航空杂志,28卷,不。6,1725 - 1734年,2015页。视图:出版商的网站|谷歌学术搜索
28. 美国他和k . g . Shin“Crowd-flow图建设和认同时空融合信号特性,”IEEE INFOCOM学报》2019 - IEEE计算机通讯大会上IEEE,页757 - 765年,巴黎,法国,2019年。视图:谷歌学术搜索
29. z法,r . Nordin m·伊斯梅尔,“最近无线室内定位技术和系统的进步,”计算机网络和通讯》杂志上,2013卷,2013年。视图:出版商的网站|谷歌学术搜索
30. j·詹姆斯和g . l .存根”概述的无线电定位在cdma蜂窝系统中,“IEEE通讯杂志,36卷,不。4,38-45,1998页。视图:谷歌学术搜索
31. k . Kaemarungsi和p•”属性wlan室内接收信号强度的位置指纹”移动和无处不在的系统:网络和服务5,页,IEEE,柏林,德国,2004年。视图:谷歌学术搜索
32. 他和工程学系。g . Chan“wi - fi fingerprint-based室内定位:最新进展和比较,”IEEE通信调查和教程,18卷,不。1,第490 - 466页,2016。视图:出版商的网站|谷歌学术搜索
33. 陈y, z郑t .他f·李·d·陈,“Weight-Rss: calibration-free wlan-based室内定位和健壮的方法,”国际期刊的分布式传感器网络,11卷,不。4 p。573582年,2015年。视图:出版商的网站|谷歌学术搜索
34. m·a·Bitew R.-S。萧,H.-P。林,D.-B。林,“人类混合室内定位系统解决问题的rss指纹的变化,“国际期刊的分布式传感器网络,11卷,不。3,2015。视图:谷歌学术搜索
35. 答:阿什拉夫,户珥,和y公园,“室内定位在不同的商业智能手机使用wi - fi接入点覆盖区域,”传感器,19卷,不。19日,第4351页,2019年。视图:出版商的网站|谷歌学术搜索
36. 答:a . Aramendi a . Weakley a . a . Goenaga m . Schmitter-Edgecombe和j·黛安娜,“自动评估功能性健康老年人基于智能家居数据下降,”生物医学信息学杂志卷,81年,第130 - 119页,2018年。视图:谷歌学术搜索
37. j·奥斯汀·h·d·宽子,t·赖利·g·雅各布斯t·斯蒂芬·j·凯,“悄无声息地智能系统,并不断评估老年人的孤独,”IEEE平移工程在健康和医学杂志》上,4卷,2016年。视图:出版商的网站|谷歌学术搜索
38. l . Liu e . Stroulia Nikolaidis, a . Miguel-Cruz和a·里奥斯林康”智能家居和家庭老年人的健康监测技术:系统回顾,“国际医学信息学杂志》上卷。91年,44-59,2016页。视图:出版商的网站|谷歌学术搜索
39. r . Montoliu e . Sansano a . Gasco o . Belmonte和a .阴谋家”高级监控:一个真正的应用一个wifi fingerprinting-based室内定位方法监视的人,“2016人。视图:谷歌学术搜索
40. d . OscarM。A .拉布拉多等。”一个调查人类活动识别使用可穿戴传感器,”IEEE通信调查和教程,15卷,不。3、1192 - 1209年,2013页。视图:谷歌学术搜索
41. c·比·d·Vandermeulen, m . Weyn”室内使用磁通密度地图定位的建筑,”2013年。视图:谷歌学术搜索
42. j·彼得,”剪影:图形援助的解释和验证聚类分析,“计算和应用数学杂志》上卷。20日,53 - 65年,1987页。视图:谷歌学术搜索
43. j . Torres-Sospedra r . Montoliu颤音,O。Belmonte, j·韦尔塔”,综合分析距离和相似性措施wi - fi指纹室内定位系统,”专家系统与应用程序,42卷,不。23日,第9278 - 9263页,2015年。视图:出版商的网站|谷歌学术搜索
44. f . Wilcoxon”,个人排名比较的方法,”生物识别技术公告,1卷,不。6,80 - 83年,1945页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020埃米利奥Sansano-Sansano等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。