多模式感应器数据集成

抽象性

可靠的室内定位系统是AAL概念关键部分使用Wi-Fi指纹技术确定用户位置,基于接收信号强度标识映射,避免部署专用定位基础设施的需要,但有其自身问题设备异质性以及RSSI因环境变化条件而在时空上变异性对基于此技术的定位系统构成挑战这项研究的主要目的是研究利用其他传感器帮助定位系统提供更精确预测的可行性特别是,本项实验显示,惯用单元默认出现在智能手机或智能观察器等智能设备中,可提高室内定位系统在AAL环境的性能。论文还评估一套技术预测定位系统未来性能,这些技术以培训数据为基础,并评估补充策略,如数据缩放和使用连续Wi-Fi扫描以进一步提高IPS预测可靠性研究表明,从这些策略中可以推导出强定位估计值

开工导 言

当前人口平均年龄增长一号导致保健领域新需求,特别是在护理、家庭帮助、复健、疾病早期检测或身体支持方面2..老年人援助和保健需求正变得越来越为社会及经济原因所需要这一趋势敦促提供合适的援助系统提高老年人的生活质量[3以支付得起的成本帮助生活积极和有生产力老化4..与长者相关联的底层和往往是虚弱的健康状况,日常生活方面可能对他们产生身心挑战。技术可融入老年公民保健中,以提供安全高质量生活,改善他们的健康和幸福感,并促成较长段独立生活辅助技术应用应易用、无侵扰性、适当设计并适应不断变化的需求和个人偏好

面向辅助生活概念定义为一套产品和服务,旨在建设智能环境帮助这些人群5..AAL目标之一是向卫生专业人员、护理人员、心理学家或家属提供可靠和有意义的信息AAL应用网由各种信息器件和智能手工艺品组成,可在多个领域帮助有特殊需求者,如日常任务便利、移动辅助、医疗复健以及社会包容和通信AAL帮助人工智能非侵入性使用技术支持弱者和长者安全、高质量和独立生活AAL平台强烈依赖精确基础定位系统,以便向老年用户提供及时和可靠的服务。了解自身位置和行动对医学观察、及时事故预防、行为模式定性或异常检测都至关重要6..

户外定位问题通过使用卫星定位系统解决,如GPS或Galileo提供可接受的精度和精度,室内定位仍然是一个未决问题。楼内无法获取卫星信号,因为这些信号被顶部、墙和其他建筑元件削弱散乱,无法以足够强度到达用户设备以提供精确定位服务研究人员和业界目前正在参与可靠的室内定位系统的调查、开发和改进虽已取得重大进展,但没有准确和广泛接受的解决这一专题的办法。

室内定位系统使用无线电波、磁场、声信号、图像或传感器收集的其他信息查找并跟踪建筑物内人或对象7..适合AALIPS系统必须能够在室内环境定位辅助人员,精度和性能高到可靠监控活动并提供有意义的帮助和服务系统必须在用户生活地部署,在真实假设中,特定建设性特征和特征可能影响信号传播方式。环境条件预知的受控实验与这类假设大相径庭家形色色、布局多变和建筑特征多变使得建模每次安装定位系统时传播射频信号复杂费时费钱此外,AAL技术建议应易于使用、不受侵扰和廉价,因此部署必须尽量简单化

为了预测代理物在室内环境的位置,传统方法依赖构建可靠的信号传播模型,这是一个复杂题目。方法性能取决于正确假设观察信号基本规则假设错误时,模型不描述观察结果,无法作出实战预测。另一方面,机器学习算法允许识别数据集中的关联性而无需正确确定底层模型换句话说,ML技术视模型为黑盒,并不清楚清晰特征受监督ML算法培训过程能够直接从数据中发现有意义特征模式,并构建有效预测模型,在不可见数据上运行良好。

Wi-Fi指纹使用ML技术利用已经部署的基础设施,是这类系统的良好选择8,九九..通道干扰、传感器定向或多路传播消退等因素在Wi-Fi传感器读取中引入一定程度的不确定性,对定位法性能产生消极影响[10..假设室级精度足以提供相关服务,选择适当的分类算法和适当收集资料可大大提高精度此外,考虑到惯性运动单元等其他传感器的读数,加上Wi-Fi指纹,可帮助计算用户位置变化,提供宝贵的信息可用以改善IPS结果

论文介绍一项研究的结果,评估使用运动传感器读数检测用户状态策略对IPS性能的影响这项工作还提供一些初步数据研究技巧,帮助预测用户记录数据的质量,直接影响到IPS系统精度此外,我们还进行了一系列实验,评价一系列行动的有效性,这些行动旨在减少Wi-Fi信号不确定性的影响并选择最适当的ML算法定位系统概括而言,本文件的主要贡献如下:i)一组数据分析技术帮助预测定位系统性能二)性能增益分析 从体态惯性传感器读取识别室转换三)比较某些策略的影响提高定位算法定位性能并减少Wi-Fi信号不确定性四)室内定位任务四机学习算法性能对比

初步版工作题目为“提高环境辅助生活环境定位精度”。多传感器方法11提交时15^线程智能环境国际会议关于初步版,我们扩展并部分重写所有部分此外,我们新增加一节专门探索数据特征及其与实验所用分类算法性能的关系

论文组织方式如下:Background部分不久将提供环境辅助生活定位系统上下文系统概述部分概述用于实验的定位系统数据部分介绍数据研究并讨论结果实验描述 实验和结果讨论最后,“结论和未来工作”部分强调这项工作的主要结论并探索未来可能的研究线

二叉后台

通用AI和机器学习系统正在开发并用于环境认知、代理技术或计算机视觉等领域,为保健提供更智能、灵活、自然和辅助服务依据AI和ML技术服务如何用于医疗保健服务的一些例子如下:

人类活动识别系统可综合多重传感器数据识别用户活动并识别行为模式日常活动性能可计量老年人认知和物理条件12-14..

异常检测:异常检测技术可暴露健康状况下降用户行为变化异常可用于慢性病监控15和早期萧条检测16可表示长者特有疾病,如认知下降、阿尔茨海默氏病、痴呆或功能缺陷17,18号..

决策支持:决策支持系统收集多病人的不同类型数据,帮助医生和保健专业人员组织工作,分析个人需求或调查一些常见现象

部署iPS面向辅助生活的一些关键方面与选择正确定位技术相关联,同时以被动、无装置和无干扰方式实施系统这一目标可能要求使用现有基础设施、部署新基础设施、使用所谓的机会信号或甚至综合使用其中一些技术其中许多技术利用设备发射的射频信号估计用户位置,即接收信号强度说明RSSI用于测量客户端设备接收信号相对质量由设备读取值以对数尺度表示,并可对应即时读取或连续读取平均值,但每个芯片制造商可自由定义本词自定义尺度多种装置和技术可用于定位目的,如Wi-Fi接入点、蓝牙信标、RFID或UltraWide带设备[19号..利用可穿戴设备中常见的其他传感器可提高这些技术的效能。

除Wi-Fi或Bluetooth信号外,近些年来数项研究探索使用地球磁场构建室内定位系统人工构造引起干扰改变磁场磁异常具体定位并保持时间稳定,并可用于搭建室内定位框架在许多作品中,该方法与其他传感器合并提高性能例举中20码写者使用磁场和机机Wi-Fi信号实现百分百精度3.5m使用深神经网络或卷积神经网络等不同深学习架构也证明实现良好定位精度21号-23号..

惯性传感器数据使用前曾用于解决与定位相关的各种问题中24码写者展示行人死计数系统依赖两个模块:台阶计数器和长度估计器虽然报告结果良好,但解决办法是基于同质行走,在家庭等小室内场景中无法假设这一点。将射频信号与其他传感器数据并发已在前几部作品中实施例举Xie等[25码大室内建筑使用磁场指纹加增粒子滤波实现精度粒子滤波整合各种传感器数据一直是室内定位系统常用做法26,27号通常提供良好结果中28码磁场读法和Wi-Fi创建时信聚变图识别大型室内景象如商场或机场的群流技术可应用到广告推荐或城市流监控系统等应用或服务

室内定位技术可划分为三大类:近距离定位、三角定位和指纹鉴别29:i)近似性方法比较不同发报机的RSSI值并判定客户方位置,假设接收信号最高值来自最接近访问点精度一般较低,与部署信标密度及其信号范围相关二)三角形几何属性判定目标位置已知至少三发报机位置时,移动节点位置可估计计算与设备距离难点是寻找正确的模型 将RSSI转换为距离三角方法可划分为两类:分级技术,如回抵时间差或回转回程程技术,基于传播时间测量法;安回回调技术,基于进抵波角法廉价定位基础设施无法使用这些技术,因为需要天线阵列或时间同步30码..三)指纹方法假设,对给定室内环境而言,存在信号映射,可重构该映射图,测量地图内离散位置的RSSI信号以Wi-Fi指纹鉴别为例,其主要优势在于大多数城区已有Wi-Fi基础设施因此,用户定位无需部署额外设备即可获取阻塞、反射、多路干扰、环境变化或设备定向是影响信号传播的因素[31号并可以下降IPS性能 基于Wi-Fi指纹

映射指纹假设 RSSI地图存在,它通过测量RSSI在某些感兴趣的地点构建无线电地图或指纹数据集由收集的指纹和测量相关位置组成,并可能包含一些附加变量,如所用设备类型或观察时间戳以及任何其他有用数据获取数据构建无线电地图的阶段称为培训、离线或测量阶段操作期间,一旦完成电台地图,IPS将使用该地图数据库定位32码..本阶段被称为在线阶段(见图二)。一号)

基于RSSI映射确定室级接收器位置可视之为分类问题,类类为映射室,特征为RSSI信号然而,有些问题难以在IPS实现良好的分类性能主要问题是由设备异质和环境变化条件造成的RSSI时空变异引起的。关于前一问题,由于RSSI非标准表示无线设备接收电位,任何设备制造商都可用不同方式实施测距RSSI值因硬件驱动库、操作系统或软件监控实现而异关于后者,RSSI敏感环境动态条件,如通道噪声、干扰、反射和衰减这可能降低IPS性能-当环境从离线转联机阶段时有一些建议处理异质问题的不同方面。例举中三十三作者发现定点不同APs的RSS值排序关系比值本身稳定,并提议使用算法构建更稳定的指纹其它作品34号以热电红外传感器处理区基指纹集为基础建议混合系统,目的是排除因设备多样性或影射效果而异值其它作者35码忽略传统取指纹方法并提议系统利用Wi-Fi访问点覆盖区的独特性与覆盖区重叠性计算用户当前位置并同时减少使用多功能设备的影响

此外,收集并维护电台指纹数据库是一项高成本耗时任务。室级定位足以提供大多数AAL服务时,家庭环境成本可大幅下降遇有这种情况,培训阶段必须在每个房间至少执行一次典型家有6个房间 这一过程需要10至20分钟

智能手机和智能观察器无处不在,无线接口可用性强,如Wi-Fi、3G和Bluetooth等,使它们成为有吸引力室内监控平台。智能家庭行为数据已被发现有用帮助老年人独立生活并监测健康状况和与年龄有关的疾病和失序的发病进度,如痴呆症和阿尔茨海默氏病36号..老年人心理健康(孤独、萧条或情感状态)也通过这些数据评估[37号..尽管如此,家庭卫生监测技术技术准备水平仍然很低[38号..

选择设备实施AALIPS时,最重要的因素之一是它必须尽可能不受干扰,不修改、扰动、限制或干扰用户日常活动或生活方式多数Wi-Fi指纹定位系统基于智能手机使用尽管如此,跟踪用户位置意味着设备永久连接用户,这可能不适用于家居日常生活举例说 忘记床头表顶部的设备 会指IPS假设用户仍在床上

Smartwatchs可被视为智能手机扩展件,它看起来像普通手表智能手表总是附属用户,因此它不太可能比智能手机被忘记在床头表顶上此外,它是一种非侵扰性、相对廉价易用工具,也可以提供用户和护理者、护士或全科医师之间的直接通信

与大多数智能手机一样,智能观察还包含数个传感器,如加速计、陀螺仪、环境光强度和指南针连通层中,多半还包含蓝牙通信、NFC通信和Wi-Fi通信,允许使用Wi-Fi指纹技术作为合适的定位候选程序部署到这些设备中。此外,这些设备大都包括GPS芯片传感器可与IPS并用提供用户户外定位

3级系统概述

室内定位系统设计进行这些实验是研究项目“高级监控”的一部分三十九目的是提供解决方案监测老年人行为并检测短期问题(瀑布)和长期问题(认知衰变)。IPS由智能观察组成,由受监控用户穿戴,并配对智能手机组成,用于配置和控制智能观察行为并与中央云服务器通信(见图图)。2)服务器存储通过智能观察收集的感官数据并提供援助提供决策支持服务,执行分析任务,如室内定位、活动识别或异常检测

3.1.硬件

本文描述的IPS要求使用连接用户手腕的智能手势和智能手机,通过方便用户应用与前用户通信,方式如下

SmartWatch:可穿戴设备使用Sony制作的智能Watch3模型Android穿行系统并装有Wi-Fi芯片以及GPS、加速计、罗盘、陀螺仪和环境光传感器连通性通过Wi-Fi、NFC和Bluetooth支持分辨率1.8++320像素设备运行程序可持续扫描附近无线接入点信号并记录从其他一些传感器读出数程序通过对齐 Android操作程序

SmartWatch配机控制行为智能手机用于配置传感器选项,如扫描间隔、连续扫描数、传感器激活两种设备通过蓝牙通信智能观察通过智能手机发送到中心服务器万一设备不在范围内,智能监视缓冲区提供网络连接可用时发送的数据

3.2软件类

Android智能监视程序负责采集传感器数据配置和行为程序通过对称智能手机安装对等应用控制图3主屏幕智能手机应用软件本版用于研究目的,显示仅与此目的相关的某些信息,并显示对终端用户实用的一般信息智能手机即常客可执行任务界面,如检查智能观察状态,观察运动水平,观察主动传感器的读数和状态,或响应他/她的护理者、保健专业人员、心理学家或分析系统自动提供保健服务所发通知

智能手机使用MQT协议向云服务器发送感官数据服务器存储后台分析数据通过用户交互提供数据,例如登录数据或通知交互发送到REST云服务器并存储在同一数据库中

3cm3传感器

结构迄今描述的目标是收集有意义的感官数据,以建立系统向用户提供可靠的AAL服务为此目的,前述软件设计使用下列传感器:

3.3.1Wi-Fi系统

传感器组成定位系统基Smartwatch执行数列连续Wi-Fi扫描默认扫描数为5,但此设置可以通过智能手机应用修改程序描述如下:(1)程序向Wi-Fi模块发送启动Scan命令扫描邻近AP信号(2)Wi-Fi模块执行扫描并存储结果缓存通知发送操作系统3级操作系统通知程序扫描完成程序发送获取ScanResults命令请求扫描存储缓存结果

执行扫描时,Wi-Fi模块更新缓存中的一些数据,同时保留部分原封不动扫描结果中可能出现某些WAP,尽管最近的扫描中尚未检测到这些WAP细节缓存更新算法未知,但过期数据在某些扫描中可能持久此外,在高度拥挤WAP环境里,通道干扰极有可能意指WAP信号,尤其是RSSI低信号,可能出现并蒸发取暖和通风等其他环境本身对无线电信号有作用由于上述条件,从错误地点收集错误时间信号有可能发生,引入数据分析错误最小化该行为的影响并降低随机性,应用完成5次连续扫描默认数,每次扫描取约一秒完成smartwatch模型实验允许约15小时电池持续时间,长到足以收集白天数据并夜间充电设备

3.3.2.重要运动传感器

用户物理活动可使用惯性传感器确定,如加速计和陀螺仪两种传感器均能测量人运动和估计体位,从而确定用户所执行的物理活动,如步行、跑和坐40码..智能观察使用这些传感器的主要缺陷是其能量成本持续监控惯性读数使系统无法进入低功率/沉睡模式并大幅度缩短电池持续时间到不到一整天,这是监控应用的最低要求。

替代方式是使用运动感应器虚拟传感器使用物理加速计,但只有在检测运动可能导致用户位置改变时才触发因此,虽然传感器不允许确定用户执行的活动,但它为检测可能改变位置提供一种方法。反之,如果短信没有在段间触发,可假设用户在此期间没有改变地址

33.3.阶梯计数器

自传感器上次激活以来,该传感器检测用户步数程序每天午夜自动重置计数器与短信相似,台阶计数器可帮助检测用户不步行的间隔时间

3.3.4活动识别

为了自动监控用户活动,至少一个惯性传感器,最好是加速计,必须持续监控并分析数据,以寻找特征活动模式这会引起大量的电池排水线 严重损耗设备实用性AndroidAPI允许注册活动识别更新将功用保持在最小度上,活动检测通过定期唤醒智能观察并读取运动传感器短波数据实现它可以检测用户目前是否步行或乘车或仍行,但预测的精度取决于更新区间大区间值将减少活动检测量,小值将增加活动检测量,但耗电量大检测结果均包含按概率排序的活动列表,显示该活动有多大似然性

为了防止电池用量过大,活动报告服务可停用时设备可停用较长时间设备一动即恢复服务

3.3.5磁场

地磁指纹学技术映射因建筑物金属构造引起的地球磁场扰动并使用这些数据通过模式匹配实现室内定位41号..

三维磁强计智能观察测量磁场坐标系智能观察可能在用户手腕中任意取向,测量结果必须转换成室内规划坐标系,这可以通过加速计和陀螺仪等惯性传感器辅助实现。替代变换方式是只使用信号模块,从而消除对传感器阅读的需求,但损害定位质量

地磁指纹可与传感器聚变系统中其他一些定位技术相融合,提高定位性举例说,Wi-Fi指纹可用以确定室级位置和GF估计室内最可能位置

SmartWatch连续扫描磁场并每分钟向服务器发送所收集的数据

4级数据类

系统安装到家后,用户手动制作电台地图,同时穿戴智能手表并跟踪智能手机应用信号用户先选择一组机房,然后软件引导用户收集选定机房某些点的培训数据,如中心或常用位置进程完成后,收集培训数据寄送服务器系统正常操作期间,设备传感器获取的数据每分钟发送配对智能手机,再由配对智能手机发送服务器存储分析

用于实验的数据由四位用户收集,二位男性和二位女性在家工作两个月。在此期间,用户人工报告多段时间时段,他们在某个房间执行日常活动标签信息构成用于评估预测精度的测试数据表2一号显示每个数据集的一些特征,如每个机房数据点数、检测到存取点总数或每个用户选择的房间数

4.1.数据探索

数据贴上室级标签并分房墙以减低Wi-Fi信号感知强度,数据特征空间应反映这一点即,我们应该能找到一种方法 将RSSI数据分解成数组 等量标签数每一组都由信号组成,信号高度相似,但异于其他组的信号因此,我们可以测量数据预测质量,找到这些集群并比较实际标签集群越相似标签越可行 机器学习算法越能发现类间这些偏差模式 并实现良好的分类精度

已知k-points集群算法工作通过计算欧几里得数据实例间距离将数据归到数组中并用最接近平均值分配对聚类的观察算法迭代最小化集群内欧几里得距离即前迭代不变或直到最大迭代数实现

以查找训练数据分割得分并知道我们能否期望高分类精度,我们将k值算法应用到每个用户提供的数据中,然后比较所得集群和实际标签图4显示四大热映射结果,深色表示高室集群相关值和值表示百分比完全相关显示对角值100%,即每个集群仅由正确标签数据组成

用户通常不在所有机房同时使用,火车测试数据集可能不平衡。f1度量测量分类性能, 因为它比偏差数据集精度强抗药性

考虑两个以上类时,报告个人加权平均值f级所有类的一分数作为每个模型的评价度量 去哪儿C级数类 表示权重(实例数)一^线程类中

表显示为每个用户计算度量2可视之为数据质量预测器高值表示清晰定义类别间边界,显示潜在有用隐性预测信息,使分类者更容易分配新实例数据正确空间从这些结果中可以明显看出,k值聚类算法找到了比用户1和4更好的数据空间划分2和3因此,我们期望这些用户有更好的分类结果

用户2和3也是检测到更多Wi-Fi访问点的用户,这可部分解释所得结果感应器记录数据对所有用户都是一样的,并留置各种因素,例如未知的每个特定房子布局,我们可以假设WAP数显然会影响k值算法辨别类别的能力。

可视化表示法可更容易检测出数据群中有意义的模式和异常值以可视化方式查找数据结构时,我们需要在努力保留大部分知识的同时减少数据维度多技术可自动减少高维数据复杂性其中一些技术如下i)主构分析技术不受监督发现组件持有数据大半差分(信息)。每一构件都有方向和大小方向表示主轴最大差值,值表示投入该轴时数据记录差值后继各主构件对齐前向并差小最终结果为非coor主组件集二)线性偏差分析发现原创数据合适的低维表示法,不仅查找最大差数据分片轴(PCA),还查找最大多级分离轴以维护类偏差信息LDA是一种监督技术,因为它需要标签信息来确定合适的特征空间,以便区分属于不同类的图案三)t分布式邻里嵌入式技术(t-SNE)是一种无人监督的非线性技术,主要用于高维数据探索和可视化与五氯苯甲醚不同之处是只保留小对相距离或局部相似点,而五氯苯甲醚则保留大对相距离以最大化差分算法计算高维空间和低维空间实例之对相似度量并试图用渐变下降法和Kullback-Lible

图5显示为每位用户获取的可视化算法PCA似乎没有显示任何用户的任何清晰模式用户2和3似乎分治得很好,但与剩余分组仍有混淆关于LDA,它发现类间有良好的分离数据集1, 特别是2和3对用户 4 表示发现看起来比较混乱最终,t-SNE算法显示2和3数据集结构,我们可以视觉分解某些类反之,对应用户数据图1和4看起来比较混乱

获取数字评价使用Silhouette矩阵42号..轮廓分析可用于研究所生成集群之间的距离,以此衡量聚类实现的质量值测量集群间空间范围-1-1集群内聚性良好和集群分离良好,值接近1另一方面,如果样本分配错误集群,分数接近-1图6显示为每一算法可视化而获取的值

从可视化和轮廓图中得出的结论与k值聚类所获结果一致机器学习分类器比较难为那些数据集查找偏差模式,在这些数据集上聚类和可视化技术无法发现属于不同机房的各类实例有显著差别。光影值预测用户2和3对用户1和4的分类精度提高,算法无法找出集群间清晰边界

5级实验描述

实验的目的是评价一组参数对定位系统精度的影响,并评估将运动缺失视为预测约束的影响每项实验都包括评价特定数据集和特定参数值的分类度量参数判定每项实验如下

分类器:共测试四种分类算法:决策树(DT)、k-NNW、NeuralNet(NN)和随机森林最佳参数由实验前一系列测试确定i)DT:最大值深度=20二)kNN:k=3距离问题=欧几里得三)NN:5隐藏层,单元=50动作化=RELU四)RF:最大值深度=20最大节点=50

缩放:RSSIWi-Fi指纹值通常范围(-100--30)常用策略43号方便分类算法工作并增加性能是将这些值缩放到范围(0,1),0表示WAP不在指纹中,1表示RSSI最大值(见方程(见方程))。一号中文本不适用对比策略性能与喂食分类器不预处理数据

· 减少存储性:如分节所述3中描述的IPS连续执行数次扫描以最小化 RSSIWi-Fi指纹值不确定性的影响5例默认扫描传递给分类者,预测由多数表决确定评估策略性能效果 避免分类

最小区间无重大运动:提高室内定位精度,特别是在室级应用中,运动传感器可发挥重要作用,因为检测阶或任何重大运动可用于发现从一个室向另一个室的转换体形传感器在一定时间里不登记重大运动,可假设用户没有改变位置在此假想中,所有此区间收到的指纹必须对应同室最合理的程序似取IPS估计该期间的地点并假设所有事件都与更频繁发生的地点对应

举个例子,让我们考虑用户进起居室并坐在沙发上自用户移动后,我们有短信信号现在她待在沙发上30分钟 然后去卫生间等她从沙发上台时,我们从短信接收另一个信号我们知道她在同一间房30分钟,但我们不知道是哪间房在此期间,Wi-Fi传感器每分钟发送信号,所以我们有30个指纹假设从Wi-Fi信号推断用户位置后产生结果:22客厅,6厨房和2卫生间安全假设,因为我们知道她没有搬家

MISM参数表示最小时间段识别间隔时考虑,用户没有进行重大运动,因此应在同一间房中20个不同间隔 10到200间 阶乘10分钟

前沿阈值(PT):用户停留在特定房间的间隔期间,IPS生成数列预测,具体地说,即每分钟一分一秒因Wi-Fi信号特殊性、环境变化或面向用户,分类算法对这一期间的预测可能不统一并包含不同的预测室假设用户没有改变位置,确定实际位置的最佳策略可能是选择最常发生预测在这次实验中,我们评价执行策略的性能增益,相对于最常发生预测与预测总数之比为此,我们考虑50值比值,范围为0.50和1.00,步数值为0.01比率值0.50表示最常发生预测对应IPS预测的50%比例为1.00表示所有预测都相等在本案中,考虑运动传感器修改IPS预测时不会有任何改进

配置为每个数据集共提供16000项实验下图细分如下:

对比结果确定最优参数值时,我们使用Wilcoxon签名级测试44号双差测试评价平均级差f级一度

6级结果

图7显示盒式图显示四数据集中为每个分类者获取的结果随机森林算法似乎在所有假想中都表现得更好检测四种算法性能的重大差异并判定最可靠的选项时,我们应用Wilcoxon签名级测试作为统计方法测试结果差异表表显示测试结果,比较RF算法和每个数据集剩余分类算法3.在所有情况下都可拒绝等值方法Null假设sise 值 < 0.05)实验结果显示使用RF算法时室检测性能提高

以上结果还支持C节所得结果4.1.随机森林分类器在测试数据集数据中获取更好的结果,这些数据集使用聚类或可视化技术时显示重要结构或模式用户2和3获取最佳结果显示平均f级分别为0.88和0.89用户结果1和4平均f级0.83和0.76中的1还证实了直觉,即集群分组和机房在培训数据中的关联性是定位系统测试数据性能的良好预测器

图8显示盒式图比较尺度化数据相对于原数据分类效果表24显示Wilcoxon签名排序测试结果以比较结果结果显示,所有数据集Null假设sis(H0)都可拒绝,显示数据缩放增加算法性能

关于削弱Wi-Fi信号随机性的影响,图九九显示盒状图评价使用多数投票策略对Wi-Fi传感器在每次扫描过程连续采集样本应用表显示5,所有数据集都拒绝Null假设,表示多数票策略显著提高定位算法的精度

前次测试帮助确定最佳定位算法和战略提高定位精度为了评估考虑短信数据以进一步提高IPS性能的影响,我们使用比例和多数投票策略和RF选择分类器图10显示平均性能提高取决于PT参数值和MISM所有可能值

平均结果显示f级0.50至0.8范围增加约3%因此,结果显示安全假设最预测级为定位系统在一段特定期间的结果,不检测运动性能提高大都独立于MISM参数

每种数据集的结果显示PT范围在0.5至0.7之间的多变性,误预测的精度成本更高。可变性可能出自每个数据集内不同单元分布开放规划厨房/餐厅等空间可能需要额外信息,例如使用蓝牙信标或磁场传感器帮助IPS在同一开放空间划分区误预测最大精度约1%,只有0.65微值才发生因此,PT值大于0.65时,使用短信显示室/位置变化时定位系统性能普遍提高

在持续提高定位系统性能的过程中,并为了评估这些结果的有效性,我们在记录前实验数据四个月后安排新一轮数据收集7位老年用户录制这些新数据集,2位女性和5位男性,他们执行培训过程并跟踪应用显示的标识与前一数据集相同,进程在他们的家中展开,他们在一至两个月不等的期间使用定位系统。后从前几个实验中得出的结论后,我们使用这些新数据验证使用短信方法,作为检测可能房间变化的标志结果显示图11.

二级结果显示相似模式前显示结果,但结果变异性增加,PT范围介于0.5至0.7之间间隔期间性能不普遍增益,因为大多数用户报告精度下降行为已经在第一阶段检测到2个数据集,而现在7个用户中就有4个出现。上文讨论过,PT值间段性能下降是可以预期的,因为假设正确空间预测有风险,在一定时间段内只有50-65%事件发生PT值大于0.65,结果验证拟议方法,因为所有用户性能普遍提高

7结论未来工作

论文介绍的实验显示,使用数据缩放和使用连续Wi-Fi扫描等策略时室检测精度提高结果还显示,使用重要运动传感器和Wi-Fi指纹可帮助大大提高室内定位系统性能

未来工作正在收集来自各种新用户的更多数据并用于验证这项工作的结论,同时提供更多数据测试新策略,如阶梯计数器和活动识别API提高定位精度并使用磁场读数评估确定用户在室内位置的可能性

数据可用性

本文使用的数据可应请求向作者提供。

披露

初步版工作题目为“提高环境辅助生活环境定位精度”。多传感器方法^线程智能环境国际会议

利益冲突

撰文者声明,本论文的发布不存在利益冲突问题。

感知感知

这项工作部分由西班牙科学、创新和大学部通过Ritos Investiación方案(RTI2018-095168-B-C53)和Jaume大学iOscar Belmonte-Fernandez获得西班牙科学创新大学部赠款(PRX18/00123)开发这部分工作撰文者还想感谢Pilar Bayarri Iturra

引用

1. E.卡那西州Srinivas和JJones,“老化人口统计学和老化生物学”,句法学,vol.72号公元前1页13-18,2000年Viewat:谷歌学者
2. Z级王新Yang和T东大审查老年人护理可穿技术 精确跟踪室内位置 识别物理活动 实时监控生命信号传感器,vol.17号2页341 2017Viewat:发布者网站|谷歌学者
3. A.AnouarA图哈非和A塔希里,“面向a-pas设计与阻塞挑战的soa建筑模型”,高级计算机科学应用国际杂志,vol.8号72017Viewat:谷歌学者
4. P.拉希迪和Amailidis,“环境辅助工具调查老年人”,IEEE生物医学和健康信息学杂志,vol.17号3页579-5902013Viewat:发布者网站|谷歌学者
5. A.Queiros A席尔瓦JAlvarelhãoP.罗查和ATeixeira,“可行性、无障碍环境辅助生活:系统文献评审”,信息社会通用存取,vol.14号公元前1页57-662015Viewat:发布者网站|谷歌学者
6. G.奇亚里尼雷 SAkter C马塞拉和AGanz,“慢性病和长者保健技术:系统审查”,IEEJournal通讯选领域,vol.31号9页6-182013Viewat:发布者网站|谷歌学者
7. R.F.布雷纳市E.Galván-Tejada穆尼奥斯-罗德里格兹Vargas-Rosales和JFangmeyer,“室内定位技术演化:调查”,传感器杂志,vol.2017 2017Viewat:发布者网站|谷歌学者
8. Ó.贝蒙特-费尔南德斯Puertas-CabedoTorres-SopedraMontoliu-Colástrilles-Oliver,“室内定位系统基于环境辅助生活可穿戴性”,传感器,vol.17号公元前1页362017Viewat:谷歌学者
9. K.Corina,“室内定位技术概述上下文感知肛门应用”,环境辅助生活pp.273-291,Springer,德国柏林,2011年Viewat:谷歌学者
10. J.Torres,OZ贝蒙特蒙托柳trilles和ACalia 2016年Wifi指纹室内定位Viewat:谷歌学者
11. E.山野山野O贝蒙特-费尔南德斯蒙托柳和AGascó-Compte,“提高环境辅助生活环境定位精度多传感器接近 2019Viewat:谷歌学者
12. 公元前阿里福格鲁和ABouchachia,“活动识别和异常行为检测循环神经网络”,Procedia计算机科学,vol.110页86-932017Viewat:发布者网站|谷歌学者
13. A.安金博希市万宝路马拉宁-波列亚努和HPaul使用惯性感促进保健、福利和体育应用:调查第23次计算系统架构国际会议记录VDE,2010年,纽约州纽约市Viewat:谷歌学者
14. J.夏令营萨马市Martn等,“深入学习用腰部惯性测量单元冻结Parkinson病人家里的行情检测”,知识系统,vol.139页119-131,2018Viewat:发布者网站|谷歌学者
15. E.千济市罗达特和PDasmapatra,“面向活动监控慢性健康状况自我管理”,BMC医学,vol.13号公元前1页77,2015Viewat:发布者网站|谷歌学者
16. A.Doryab J.K.敏J维塞州J齐默曼和JHong,“检测患抑郁症者行为变化”,第二十八届AAI人工智能会议讲习班记录Quebec,Canada,2014年Viewat:谷歌学者
17. C.加兰博斯Skubic S.王和MRantz使用家庭被动传感器数据管理痴呆和抑郁Geron技术:国际技术基本面为老化社会服务杂志,vol.11号3页4572013Viewat:发布者网站|谷歌学者
18. T.L.海叶斯Abendroth A阿达米等人,“无侵性评估活动模式与轻认知缺陷相关联”,老年痴呆症,vol.4号6页395至405,2008年Viewat:发布者网站|谷歌学者
19. M.A.Al-Ammar公司Alhadhrami AAl-Salman et al.,“室内定位技术、技巧和算法比较调查”,in2014年网络世界国际会议记录pp.245-252,IEEE 西班牙桑坦德市,2014年Viewat:谷歌学者
20. Y.秀C波哥沈市赵州和F化工使用广度磁场和机机wif感知实现室内定位IEEJournal通讯选领域,vol.33号7页1443-1457,2015Viewat:发布者网站|谷歌学者
21. A.Imran S.Hur S.公园和YPark深定位智能手机室内定位传感器,vol.20号公元前1页133 2020Viewat:发布者网站|谷歌学者
22. I.阿什拉夫呼尔和Y公园深卷积神经网络和智能传感器应用实现室内定位应用科学,vol.9号11页23372019Viewat:发布者网站|谷歌学者
23. I.阿什拉夫市Kang S.呼尔和YPark,MINLOC:磁场模式基础室内定位使用卷积神经网络IEEE访问,vol.8页66213-66227,2020Viewat:发布者网站|谷歌学者
24. M.Alzantat和MYoussef使用手机全景行人跟踪iEE无线通信联网会议记录,p.3204IEE,法国巴黎,2012Viewat:谷歌学者
25. H.谢特古城陶族H叶和JLv,“maloc:实用磁指纹法使用智能手机实现室内定位”,ACM渗透式和虚构式计算国际联合会议记录pp.243-253,纽约州纽约市,美国,2014年Viewat:谷歌学者
26. 黄兴李安路东义市加奥提高粒子滤波算法传感器杂志,vol.2018 2018Viewat:发布者网站|谷歌学者
27. N.珠H赵州风和Z王新粒子滤波法 通过fusingwif和惯性传感器实现室内定位中文航空杂志,vol.28号6页1725-1734,2015Viewat:发布者网站|谷歌学者
28. S.和KG.st流图构建并识别时空信号特征IEEINFOCOM 2019-IEE计算机通信会议记录pp.757-765IEE,法国巴黎2019Viewat:谷歌学者
29. Z级法里德诺丁和M伊斯梅尔,“无线室内定位技巧和系统最新进步”,计算机网络通讯杂志,vol.2013年2013年Viewat:发布者网站|谷歌学者
30. J.James和GL.Stuber,Cdma手机系统无线电定位概述IEE通讯杂志,vol.36号4页38-45,1998Viewat:谷歌学者
31. K.开马龙西市krishnamurthy,“室内接收信号强度 wlan定位指纹制作”,移动和虚构系统:联网和服务pp.14-23,IEE,Berlin,德国,2004年Viewat:谷歌学者
32. S.和SHG.Chan,Wi-fi指纹室内定位:最新进展和比较IEE通信调查教程,vol.18号公元前1页466-4902016Viewat:发布者网站|谷歌学者
33. Z级郑元陈TF. H.和DChen,“WightRss:免标强法 wlan基础室内定位”,分布式传感器网络国际杂志,vol.11号4页573582,2015Viewat:发布者网站|谷歌学者
34. M.A.Bitew R.S.萧HPLin和DBLin,Hybrid室内人体定位系统 解决rss变异指纹问题分布式传感器网络国际杂志,vol.11号32015Viewat:谷歌学者
35. A.阿什拉夫呼尔和YPark使用wifi接入点覆盖区传感器,vol.19号公元前19页43512019Viewat:发布者网站|谷歌学者
36. A.A.阿里门迪弱力AA.Goenaga市Schmitter-Edgecombe和JDiane基于智能家庭数据自主评估 老年功能健康下降生物医学信息学杂志,vol.81页119-1302018Viewat:谷歌学者
37. J.奥斯汀市公元前广子T莱利PG.雅各斯Stephen和JKaye,Smart-Home系统 无阻持续评估老年人孤独感IEEJournal健康医学翻译工程,vol.42016Viewat:发布者网站|谷歌学者
38. L.刘易德stroulia,I尼古拉底斯Miguel-Cruz和Ris Rincon,Smart家庭健康监控技术面向老年人:系统审查国际医学信息学杂志,vol.91页44-59,2016Viewat:发布者网站|谷歌学者
39. R.蒙托柳山野AGascoO贝蒙特和ACaballer,“高级监控:实例应用wif基础室内定位法用于人监控”,2016年Viewat:谷歌学者
40. 公元前OscarMA.Labrador et al.,“使用可穿感应器识别人类活动调查”,IEE通信调查教程,vol.15号3页1192-12092013Viewat:谷歌学者
41. 公元前Vandermeulen市Vercauten和MWeyn使用磁通量密度图实现室内定位,2013年Viewat:谷歌学者
42. J.Peter,Silhouettes-a图形帮助解释和验证集群分析计算应用数学杂志,vol.20页53-65,1987Viewat:谷歌学者
43. J.Torres-Sopedra蒙托柳trilles公司贝蒙特和JHuerta综合分析距离相似度测量wifi室内定位系统专家系统应用,vol.42号23页9263-9278,2015Viewat:发布者网站|谷歌学者
44. F.Wilcoxon,“自定义排序方法比较”,生物度量公告,vol.一号6页80-83,1945Viewat:发布者网站|谷歌学者

版权

版权所有_2020Emilio Sansano-Sansano等开放访问文章分发创用CC授权允许在任何介质上不受限制使用、分发和复制,只要原创作品正确引用