Proximity detection using Bluetooth low energy technology to identify seated people

This work presents a non-invasive monitoring system to recognize if a person is seated in a chair using Bluetooth Low Energy (BLE) technology. The system is composed by devices that can be easily attached to a piece of furniture: a transmitter module or beacon that continuously broadcasts a Bluetooth Low Energy signal, and a client which collects the RSSI value of the received messages. All this is analyzed in a central server that evaluates the attenuation of the BLE signal within the 2.4GHz band, correlating it to the presence of a human body in the proximity of the device. This is performed using an unsupervised machine learning algorithm that learns the behaviour of the BLE signal. The BLE signal is noisy by nature, i.e. it is affected by several environment variables. To prevent this from damaging the predictions, a filter was introduced to remove the noise from the signal. More over, to further improve the estimations, more beacons are added, providing more information and a clearer picture of the state of the chair. To reduce the noise and incorporate the measurements of different beacons, a Kalman Filter with sensor fusion is implemented.

Questo lavoro presenta un sistema di monitoraggio non invasivo per riconoscere se una persona è seduta in una sedia utilizzando la tennologia Bluetooth Low Energy (BLE). Il sistema è costituito da dispositivi che possono essere facilmente collegati a una mobilia: un modulo trasmettitore o beacon che emette continuamente una segnale BLE e un cliente che raccoglie il valore RSSI dei messaggi ricevuti. Tutto ciò viene analizzato in un server centrale che valuta l'attenuazione del segnale BLE entro la banda di 2,4 GHz, correlandolo con la presenza di un corpo umano nelle vicinanze del dispositivo. Questo viene fatto usando un algoritmo di machine learning non supervisionato che impara il comportamento della segnale BLE. La segnale BLE è rumorosa per natura, cioè è influenzato da diverse variabili ambientali. Per evitare che ciò danneggi le previsioni, è stato introdotto un filtro per eliminare il rumore della segnale. Inoltre, per migliorare ulteriormente le stime, vengono aggiunti più beacon che forniscono maggiori informazioni e un quadro più chiaro dello stato della sedia. Per ridurre il rumore e incorporare le misure di diversi beacon, viene implementato un filtro Kalman con fusione di sensori.