Vastuvõetud signaalide tugevusel põhinev lokaliseerimine siseruumides

Date

2018

Journal Title

Journal ISSN

Volume Title

Publisher

Abstract

Inimeste lokaliseerimine siseruumides on viimase aastakümne jooksulkõvasti populaarsust kogunud. Selleks on välja pakutud ning testitud erinevaid viise.Käesolev töö proovib ennustada inimese asukohta SPHERE testmajas. SPHERE ontervisehoiuga seotud projekt, mille eesmärgiks on kasutada sensortehnoloogiat, et näiteks varakult tuvastada erinevaid haiguseid, jälgides inimese tegevusi tema kodus. Täpne inimese asukoha määramine võib selleks olulist infot anda. Lokaliseerimiseks kasutatakse siin töös vastuvõetud signaali tugevuse (ingl received signal strength indicator - RSSI) väärtuseid fikseeritud vastuvõtjate ja mobiilse sensori vahel. Selleks kasutatakse kahte masinõppe meetodit: peidetud Markovi ahelaid (ingl hidden Markov model - HMM) ning k-lähima naabri (ingl k-nearest neighbor - k-NN) algoritmi. Antakse ka detailne ülevaade mõlema meetodi implementatsiooni protsessist kasutades SPHERE andmestikku. Viimaseks esitatakse mõlema meetodiga saadud tulemused ning võrreldakse neid. Leiti, et k-NNi võimekus peale tunnuste eeltöötlemist oli oodatust parem, saavutades ruumisiseseid täpsusi 90% ümber. Esialgne HMMi võimekus oli sarnane k-NNi omaga, kuid meie pakutud HMMi muudatustega suudeti viimaks saavutada täpsuseid kuni 96%.
Indoor localisation of people has gained a lot of interest during the last decade. Different approaches have been proposed and tested in various environments. This thesis tries to predict a person’s location in the SPHERE testing house. SPHERE is a project with an aim to use sensor technology for healthcare, such as early diagnosis of different illnesses by monitoring person’s activity in their homes. Accurate localisation of the person can provide useful information for this purpose. We use the received signal strength indicator (RSSI) values between the receivers with fixed positions and one mobile node to perform the localisation. For this we use two machine learning methods: hidden Markov models (HMMs) and k-nearest neighbors algorithm (k-NN). A detaileddescription of the implementation process of both models used on the SPEHRE dataset is also given. Finally, we provide the results and the comparison of both approaches.We found that after feature pre-processing, the k-NN performed surprisingly well by achieving room-level accuracies around 90%. The initial performance of the HMM was found to be similar to k-NN’s but with our modifications to the HMM, we finally achieved accuracies up to 96%.

Description

Keywords

Citation