基于条件生成对抗网络的迁移学习在室内定位中的应用
机器学习
2024-12-13 v1
摘要
随着健康监测系统需求的增长，居家定位对于跟踪患者状态至关重要。每座房子的独特空间特征需要针对蓝牙低能耗（BLE）接收信号强度（RSSI）基准监测系统进行标注数据。然而，收集标注训练数据在患者健康状况有限的情况下较为耗时。为此，我们提出了基于条件生成对抗网络（ConGAN）的数据增强方法，结合我们的迁移学习框架（T-ConGAN），以实现在不同家庭之间传输通用RSSI信息，即使数据收集使用的实验协议不同亦可。通过减少每个家庭的标注需求，这种方法增强了智能系统的性能和可扩展性。我们首次证明BLE RSSI数据可跨不同家庭共享，且共享信息可提升室内定位性能。我们的T-ConGAN使房间级室内定位的宏观F1分数提升最高可达12.2%，在楼梯间等具有挑战性的区域实现了高达51%的改进。该领先的RSSI增强模型显著提升了居家健康监测系统的鲁棒性。
引用
@article{arxiv.2412.09292,
title = {Transfer Learning of RSSI to Improve Indoor Localisation Performance},
author = {Thanaphon Suwannaphong and Ryan McConville and Ian Craddock},
journal= {arXiv preprint arXiv:2412.09292},
year = {2024}
}