Occupancy Monitoring Using BLE Beacons: Intelligent Bluetooth Virtual Door System
Notice bibliographique
Résumé
Occupancy monitoring (OM) and the localization of individuals within indoor environments using wearable devices offer a very promising data communication solution in applications such as home automation, smart office management, outbreak monitoring, and emergency operating plans. OM is challenging when developing solutions that focus on reduced power consumption and cost. Bluetooth low energy (BLE) technology is energy- and cost-efficient compared to other technologies. Integrating BLE Received Signal Strength Indicator (RSSI) signals with machine learning (ML) introduces a new Artificial Intelligence- (AI-) enhanced OM approach. In this paper, we propose an Intelligent Bluetooth Virtual Door (IBVD) OM system for the indoor/outdoor tracking of individuals using the interaction between a BLE device worn by the occupant and two BLE beacons located at the entrance/exit points of a doorway. ML algorithms are used to perform intelligent OM through pattern detection from the BLE RSSI signal(s). This approach differs from other technologies in that it does not require any floorplan information. The developed OM system achieves a range between 96.6% and 97.3% classification accuracy for all tested ML models, where the error translates to a minor delay in the time in which an individual's location is classified, introducing a highly reliable indoor/outdoor tracking system.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».