Este trabajo realiza múltiples contribuciones científicas al campo de la Localización Interior para la Vida Asistida en Hogares Inteligentes. Primero, presenta una metodología impulsada por Big Data que estudia los componentes multimodales de las interacciones del usuario y analiza los datos de balizas de Bluetooth Low Energy (BLE) y escáneres BLE para detectar la ubicación interior de un usuario en una "zona basada en actividades" durante las Actividades de la Vida Diaria. En segundo lugar, introduce un enfoque independiente del contexto que puede interpretar los datos del acelerómetro y del giroscopio de diversos patrones de comportamiento para detectar la ubicación interior "basada en zonas" de un usuario en cualquier entorno basado en Internet de las Cosas (IoT). Estos dos enfoques lograron precisiones de rendimiento del 81.36% y 81.13%, respectivamente, cuando se probaron en un conjunto de datos. En tercer lugar, presenta una metodología para detectar las coordenadas espaciales de la posición interior de un usuario que supera todos los trabajos similares en este campo, según el error cuadrático medio asociado, una de las métricas de evaluación del rendimiento en ISO/IEC18305:2016, un estándar internacional para probar Sistemas de Localización y Seguimiento. Finalmente, presenta un estudio comparativo integral que incluye Bosque Aleatorio, Red Neuronal Artificial, Árbol de Decisión, Máquina de Vectores de Soporte, k-NN, Árboles Aumentados por Gradiente, Aprendizaje Profundo y Regresión Lineal, para abordar el desafío de identificar el enfoque óptimo de aprendizaje automático para la Localización Interior.