Vastuvõetud signaalide tugevusel põhinev lokaliseerimine siseruumides
Nimi
Henry Teigar
Kokkuvõte
Inimeste lokaliseerimine siseruumides on viimase aastakümne jooksul
kõvasti populaarsust kogunud. Selleks on välja pakutud ning testitud erinevaid viise.
Käesolev töö proovib ennustada inimese asukohta SPHERE testmajas. SPHERE on
tervisehoiuga 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%.
kõvasti populaarsust kogunud. Selleks on välja pakutud ning testitud erinevaid viise.
Käesolev töö proovib ennustada inimese asukohta SPHERE testmajas. SPHERE on
tervisehoiuga 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%.
Lõputöö keel
inglise
Lõputöö tüüp
Bakalaureus - Informaatika
Juhendaja(d)
Meelis Kull
Kaitsmise aasta
2018