DOI: https://doi.org/10.1109/tmc.2025.3552538
تاريخ النشر: 2025-03-18
المؤلف: Jie Zhang وآخرون
الموضوع الرئيسي: تقنيات تحديد المواقع الداخلية والخارجية
نظرة عامة
تقدم البحث إطار عمل جديد قائم على البيانات عبر الإنترنت يهدف إلى تعزيز قوة تحديد المواقع بدون أجهزة المعتمدة على الواي فاي (DFL) عبر بيئات متنوعة. يتناول الإطار التحديات المرتبطة بالحصول على بصمات عالية الجودة من معلومات حالة القناة (CSI) بسبب الظروف المعقدة والمتغيرة زمنياً. من خلال استخدام بنية آلة التعلم المتطرفة المكدسة عبر الإنترنت (OS-ML-ELM)، يعزز الإطار بيانات CSI الخام مع معلمات الطبقة المخفية، مما يحسن الربط بين تباينات الإشارة ومواقع الأهداف. يمكن تحديث خريطة الراديو المعززة في الوقت الحقيقي مع بيانات تسلسلية جديدة من سياقات مختلفة، مثل الأوقات والتخطيطات المتغيرة، دون الحاجة إلى إعادة التدريب.
تقدم الدراسة أيضاً نموذج DFL قائم على OS-ELM-FF يعزز قدرات التكيف مع المجالات. يسمح هذا النموذج، مثل عملية تعزيز البصمة، بالتحديثات المباشرة مع بيانات جديدة، مدعومة بآلية نسيان تعطي الأولوية للمعلومات الحديثة بينما تقلل من تأثير البيانات القديمة. تؤكد التجارب الواسعة التي أجريت في بيئات متنوعة فعالية الإطار وقوته، مما يظهر قدرته على التتبع الاستجابة وتحسين أداء تحديد المواقع. بشكل عام، يمثل الإطار المقترح تقدماً كبيراً في مجال DFL، خاصة للتطبيقات في الرعاية الصحية الذكية والمنازل الذكية.
مقدمة
تتناول مقدمة هذه الورقة البحثية الدور الحاسم لتحديد المواقع في تطبيقات متنوعة، وخاصة في الرعاية الصحية والمراقبة الأمنية. تواجه طرق تحديد المواقع التقليدية، التي تعتمد على أجهزة مثل الهواتف الذكية والكاميرات، قيوداً مثل مخاوف الخصوصية والأداء الضعيف في ظروف الإضاءة المنخفضة. بالمقابل، تستفيد تحديد المواقع بدون أجهزة (DFL) من إشارات الواي فاي لتقدير موقع الهدف دون الحاجة إلى حمل المستخدم لجهاز أو ارتدائه. تستفيد هذه الطريقة من العلاقة بين النشاط البشري وتباينات خصائص القناة اللاسلكية، مما يسمح باستنتاج المعلمات الفسيولوجية والحركات من خلال تحليل معلومات حالة القناة (CSI) وقوة الإشارة المستلمة (RSS).
على الرغم من إمكانيات DFL المعتمدة على الواي فاي، تواجه الطرق الحالية صعوبات مع تباين البيئة، حيث يمكن أن تحمل إشارات الواي فاي كلاً من موقع الهدف ومعلومات البيئة، مما يؤدي إلى تدهور الأداء. تقترح الورقة إطار عمل جديد لـ DFL يدمج قدرات التكيف مع المجالات، مما يمكّن النموذج من الانتقال بفعالية عبر بيئات مختلفة مع الحد الأدنى من التكاليف. يتناول هذا الإطار تحديين رئيسيين: حساسية الميزات الأولية للتغيرات البيئية وتعقيد تدريب نماذج التعلم الآلي المتطورة. يستخدم الحل المقترح آلة التعلم المتطرفة متعددة الطبقات المتسلسلة عبر الإنترنت (OS-ML-ELM) لتعزيز البصمة وآلة التعلم المتطرفة المتسلسلة عبر الإنترنت مع تضمين عامل النسيان (OS-ELM-FF) لتعزيز التكيف مع المجالات. تظهر النتائج التجريبية قوة الإطار وفعاليته في سيناريوهات العالم الحقيقي المختلفة، مما يشير إلى إمكانيته للنشر العملي في مهام تحديد المواقع الداخلية.
طرق
توضح قسم المنهجية نهجاً جديداً قائمًا على البيانات عبر الإنترنت لتحديد المواقع بدون أجهزة (DFL) يدمج استخراج الميزات عبر الإنترنت، وتعزيز البصمة المعتمد على التعلم العميق، ونموذج التعلم التكيفي. يستخدم الإطار آلية نسيان لتهيئة الموقع المقدر والتحديثات عبر الإنترنت، كما هو موضح في الشكل المقدم.
تم إجراء التجارب في ثلاثة بيئات متميزة: غرفة نشاط، غرفة اجتماعات، ومختبر، باستخدام إعداد مرسل ومستقبل الواي فاي. شملت جمع البيانات عشرة متطوعين يقفون عند نقاط مرجعية محددة لمدة عشر ثوانٍ، مع جمع معلومات حالة القناة الخام (CSI) باستخدام CSITOOL تحت معيار IEEE 802.11n بعرض نطاق 20 ميغاهرتز ومعدل أخذ عينات 200 هرتز. تظهر النتائج، المقدمة في الجدول III، أن طريقة DFL المعتمدة على OS-ELM-FF المقترحة تتفوق على أنواع البصمات التقليدية في دقة تحديد المواقع عبر جميع البيئات، محققة أخطاء تحديد مواقع متوسطة قدرها 0.99 م، 0.95 م، و1.01 م، على التوالي.
يظهر الإطار المقترح مزايا كبيرة مقارنة بالطرق التقليدية، مثل آلات الدعم الناقل (SVM)، من خلال الحفاظ على أداء ثابت على الرغم من التحولات الزمنية والتغيرات البيئية. على عكس الأساليب الأساسية التي تتطلب إعادة تدريب واسعة مع بيانات مصنفة للظروف الجديدة، يقوم هذا النموذج بالتحديث الذاتي في الوقت الحقيقي، مما يقلل من تكاليف الصيانة ويعزز العملية للتطبيقات الواقعية. يمثل هذا البحث خطوة كبيرة نحو تحسين أداء تحديد المواقع من خلال تعزيز الميزات ومنهجيات التعلم المستمر عبر الإنترنت القابلة للتطبيق على DFL وسياقات الاستشعار اللاسلكية الأخرى.
مناقشة
في مناقشة الورقة البحثية، يتناول المؤلفون التحديات التي تواجهها في التعرف على النشاط البشري المستقل عن المجال والتكيف مع المجال القائم على التعلم الانتقالي باستخدام أجهزة الواي فاي التجارية. يحددون عاملين رئيسيين يؤثران سلباً على أداء تحديد المواقع في البيئات الداخلية: تأثيرات المسار المتعدد والتغيرات البيئية. يتم تسليط الضوء على ظاهرة “اختفاء البصمة”، حيث يؤدي عرض النطاق المحدود لأجهزة الواي فاي إلى بصمات غير قابلة للتفريق في البيئات الغنية بالمسارات المتعددة، مما يؤثر بشكل كبير على فعالية الخرائط المستمدة من البصمة والموقع. تظهر الدراسات التجريبية أن التغيرات في معلومات حالة القناة (CSI) بسبب انتشار المسار المتعدد والتغيرات البيئية يمكن أن تتجاوز نسبة الإشارة إلى الضوضاء (SNR)، مما يعقد إنشاء نماذج DFL قوية.
لمعالجة هذه القضايا، يقترح المؤلفون إطار تعلم عبر الإنترنت يستخدم مشفر تلقائي (AE) مع قدرات استخراج الميزات عبر الإنترنت، يُشار إليه باسم OS-ELM-AE. يسمح هذا النموذج بالتحديث المستمر لنموذج DFL مع البيانات التي تم جمعها حديثًا، مما يعزز قابليته للتكيف مع ديناميات البيئة. بالإضافة إلى ذلك، يتضمن الإطار آلية عامل النسيان لإعطاء الأولوية للبيانات الحديثة على المعلومات القديمة، مما يحسن دقة تحديد المواقع. تكشف تقييمات الأداء عبر بيئات داخلية متنوعة أن نموذج DFL المعتمد على OS-ELM-FF المقترح يتفوق على الطرق التقليدية، مما يظهر أداءً متفوقًا في تحديد المواقع وقوة ضد التغيرات في أشكال الجسم وتكوينات الأجهزة. تؤكد النتائج على ضرورة وجود تمثيلات متقدمة للبصمة واستراتيجيات تعلم تكيفية لتعزيز موثوقية أنظمة تحديد المواقع المعتمدة على الواي فاي.
القيود
تسلط قسم القيود في نموذج OS-ELM-FF الضوء على عدة مجالات حرجة للتحسين. بينما يعالج النموذج بشكل فعال تأثير البيانات القديمة على أداء تحديد المواقع من خلال آلية النسيان، فإنه يفتقر إلى القدرة على تقييم ما إذا كانت البيانات التسلسلية الجديدة ستعزز نموذج تحديد المواقع الديناميكي القائم على البصمة (DFL) الحالي. تشير هذه القيود إلى أن النموذج قد يتضمن أحيانًا تحديثات غير ضرورية، حيث قد يكون قد التقط بالفعل التغيرات البيئية بشكل كافٍ. لمعالجة ذلك، يُوصى بآلية تصفية بيانات تكيفية لتمييز البيانات ذات الصلة التي قد تحسن أداء النموذج من البيانات غير ذات الصلة التي يجب التخلص منها.
علاوة على ذلك، قد لا تكون البنية الثابتة لشبكة OS-ELM-FF بعد التهيئة مثالية لدمج البيانات الجديدة، مما يشير إلى الحاجة إلى طريقة تسمح بإجراء تعديلات تلقائية على بنية الشبكة أثناء التحديثات. لا يتناول نموذج OS-ML-ELM، الذي يتم بناؤه عن طريق تكديس OS-ELM-AEs، بشكل كافٍ تصميم بنية شبكة مثالية أو اختيار المعلمات للطبقات المخفية. قد تؤدي التوليد العشوائي لمعايير الطبقة المخفية في OS-ELM-AE إلى مساهمات غير متسقة من العقد المخفية في تعزيز البصمة. يمكن أن تركز الأبحاث المستقبلية على تعزيز تماسك الشبكة من خلال اختيار العقد المخفية الأكثر صلة، مما قد يستفيد من تقنيات تقليل الأبعاد مثل تحليل المكونات الرئيسية (PCA) لتحسين قوة النموذج بشكل عام.
DOI: https://doi.org/10.1109/tmc.2025.3552538
Publication Date: 2025-03-18
Author(s): Jie Zhang et al.
Primary Topic: Indoor and Outdoor Localization Technologies
Overview
The research presents a novel online data-driven modeling framework aimed at enhancing the robustness of Wi-Fi-based device-free localization (DFL) across varying environments. The framework addresses challenges associated with obtaining high-quality fingerprints from channel state information (CSI) due to complex, time-varying multipath conditions. By employing an online stacked extreme learning machine (OS-ML-ELM) architecture, the framework augments raw CSI data with hidden layer parameters, thereby improving the mapping between signal variations and target locations. This augmented radio map can be updated in real-time with new sequential data from different contexts, such as varying times and layouts, without necessitating retraining.
The study further introduces an OS-ELM-FF-based DFL model that enhances domain adaptation capabilities. This model, like the fingerprint augmentation process, allows for direct updates with new data, supported by a forgetting mechanism that prioritizes recent information while diminishing the influence of outdated data. Extensive experiments conducted in diverse environments validate the framework’s effectiveness and robustness, demonstrating its responsive tracking ability and improved localization performance. Overall, the proposed framework represents a significant advancement in the field of DFL, particularly for applications in smart healthcare and smart homes.
Introduction
The introduction of this research paper addresses the critical role of target localization in various applications, particularly in healthcare and security surveillance. Traditional localization methods, which rely on devices like smartphones and cameras, face limitations such as privacy concerns and poor performance in low-light conditions. In contrast, device-free localization (DFL) leverages Wi-Fi signals to estimate a target’s location without requiring the user to carry or wear a device. This method capitalizes on the correlation between human activity and variations in wireless channel characteristics, allowing for the inference of physiological parameters and movements through analysis of channel state information (CSI) and received signal strength (RSS).
Despite the potential of Wi-Fi-based DFL, existing methods struggle with environmental variability, as Wi-Fi signals can carry both target location and environmental information, leading to performance degradation. The paper proposes a novel DFL framework that incorporates domain adaptation capabilities, enabling the model to transfer effectively across different environments with minimal overhead. This framework addresses two primary challenges: the sensitivity of primitive features to environmental changes and the complexity of training sophisticated machine learning models. The proposed solution employs an online sequential multilayer extreme learning machine (OS-ML-ELM) for fingerprint augmentation and an online sequential extreme learning machine with forgetting factor embedding (OS-ELM-FF) for enhanced domain adaptation. The experimental results demonstrate the framework’s robustness and effectiveness in various real-world scenarios, indicating its potential for practical deployment in indoor localization tasks.
Methods
The methodology section outlines a novel online data-driven modeling approach for Device-Free Localization (DFL) that integrates online feature extraction, deep learning-based fingerprint augmentation, and an adaptive learning model. The framework employs a forgetting mechanism for estimated location initialization and online updates, as illustrated in the provided figure.
Experiments were conducted in three distinct environments: an activity room, a meeting room, and a laboratory, utilizing a Wi-Fi transmitter and receiver setup. Data collection involved ten volunteers standing at designated reference points for ten seconds, with raw Channel State Information (CSI) gathered using CSITOOL under the IEEE 802.11n standard at a bandwidth of 20 MHz and a sampling rate of 200 Hz. The results, presented in Table III, demonstrate that the proposed OS-ELM-FF-based DFL method outperforms traditional fingerprint types in localization accuracy across all environments, achieving mean localization errors of 0.99 m, 0.95 m, and 1.01 m, respectively.
The proposed framework exhibits significant advantages over traditional methods, such as Support Vector Machines (SVM), by maintaining consistent performance despite temporal shifts and environmental changes. Unlike baseline approaches that require extensive retraining with labeled data for new conditions, this model self-updates in real-time, thereby reducing maintenance costs and enhancing practicality for real-world applications. This research represents a significant step towards improving localization performance through feature augmentation and continuous online learning methodologies applicable to DFL and other wireless sensing contexts.
Discussion
In the discussion of the research paper, the authors address the challenges faced in domain-independent human activity recognition and transfer learning-based domain adaptation using commodity Wi-Fi devices. They identify two primary factors that degrade localization performance in indoor environments: multipath effects and environmental variations. The phenomenon of “fingerprint vanishing” is highlighted, where the limited bandwidth of Wi-Fi devices leads to indistinguishable fingerprints in multipath-rich environments, significantly affecting the effectiveness of the derived fingerprint-location mappings. Empirical studies demonstrate that variations in the channel state information (CSI) due to multipath propagation and environmental changes can overwhelm the signal-to-noise ratio (SNR), complicating the creation of robust DFL models.
To address these issues, the authors propose an online learning framework that utilizes an autoencoder (AE) with online feature extraction capabilities, referred to as OS-ELM-AE. This model allows for the continuous updating of the DFL model with newly collected data, enhancing its adaptability to environmental dynamics. Additionally, the framework incorporates a forgetting factor mechanism to prioritize recent data over outdated information, thereby improving localization accuracy. Performance evaluations across various indoor environments reveal that the proposed OS-ELM-FF-based DFL model outperforms traditional methods, demonstrating superior localization performance and robustness against variations in body shapes and device configurations. The findings underscore the necessity for advanced fingerprint representations and adaptive learning strategies to enhance the reliability of Wi-Fi-based localization systems.
Limitations
The section on limitations of the OS-ELM-FF model highlights several critical areas for improvement. While the model effectively addresses the impact of outdated data on localization performance through a forgetting mechanism, it lacks the capability to evaluate whether new sequential data will enhance the existing Dynamic Fingerprinting Localization (DFL) model. This limitation suggests that the model may sometimes incorporate unnecessary updates, as it may already adequately capture environmental variations. To address this, an adaptive data filtering mechanism is recommended to discern relevant data that could improve model performance from irrelevant data that should be discarded.
Furthermore, the fixed architecture of the OS-ELM-FF network post-initialization may not be optimal for integrating new data, indicating a need for a method that allows for automatic adjustments to the network architecture during updates. The OS-ML-ELM model, which is built by stacking OS-ELM-AEs, does not adequately tackle the design of an optimal network architecture or the selection of parameters for hidden layers. The random generation of hidden layer parameters in OS-ELM-AE could lead to inconsistent contributions from hidden nodes to fingerprint augmentation. Future research could focus on enhancing network compactness by selecting the most relevant hidden nodes, potentially utilizing dimensionality reduction techniques such as principal component analysis (PCA) to improve overall model robustness.