Fugu-MT 論文翻訳(概要): Coronavirus Contact Tracing: Evaluating The Potential Of Using Bluetooth Received Signal Strength For Proximity Detection

論文の概要: Coronavirus Contact Tracing: Evaluating The Potential Of Using Bluetooth Received Signal Strength For Proximity Detection

arxiv url: http://arxiv.org/abs/2006.06822v1
Date: Tue, 19 May 2020 13:51:23 GMT
ステータス: 処理完了
システム内更新日: 2022-12-01 15:02:00.293351
Title: Coronavirus Contact Tracing: Evaluating The Potential Of Using Bluetooth Received Signal Strength For Proximity Detection
Title（参考訳）: 新型コロナウイルス接触追跡 : bluetooth受信信号強度を用いた近接検出の可能性評価
Authors: Douglas J. Leith and Stephen Farrell
Abstract要約: 本報告では,Bluetooth Low Energy (LE) の受信信号強度を携帯端末上で測定する。また,Bluetooth LEの受信信号強度は,端末の相対方向によって大きく異なることがわかった。このことから,Bluetooth LE受信信号強度に基づく近接検出のための精度の高い手法の開発が困難である可能性が示唆された。
参考スコア（独自算出の注目度）: 14.749535590735965
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We report on measurements of Bluetooth Low Energy (LE) received signal strength taken on mobile handsets in a variety of common, real-world settings. We note that a key difficulty is obtaining the ground truth as to when people are in close proximity to one another. Knowledge of this ground truth is important for accurately evaluating the accuracy with which contact events are detected by Bluetooth LE. We approach this by adopting a scenario-based approach. In summary, we find that the Bluetooth LE received signal strength can vary substantially depending on the relative orientation of handsets, on absorption by the human body, reflection/absorption of radio signals in buildings and trains. Indeed we observe that the received signal strength need not decrease with increasing distance. This suggests that the development of accurate methods for proximity detection based on Bluetooth LE received signal strength is likely to be challenging. Our measurements also suggest that combining use of Bluetooth LE contact tracing apps with adoption of new social protocols may yield benefits but this requires further investigation. For example, placing phones on the table during meetings is likely to simplify proximity detection using received signal strength. Similarly, carrying handbags with phones placed close to the outside surface. In locations where the complexity of signal propagation makes proximity detection using received signal strength problematic entry/exit from the location might instead be logged in an app by e.g. scanning a time-varying QR code or the like.
Abstract（参考訳）: 本報告では,Bluetooth Low Energy (LE) の受信信号強度を携帯端末上で測定する。注意すべき課題は、人々が互いに近接しているときに、基礎的な真理を得ることである。この基礎的真実の知識は、Bluetooth LEによって接触イベントが検出される精度を正確に評価するために重要である。シナリオベースのアプローチを採用することで、この問題にアプローチします。まとめると、Bluetooth LE受信信号強度は、ハンドセットの相対的な向き、人体による吸収、建物や電車における電波信号の反射・吸収などによって大きく変化する。実際、受信した信号強度は距離の増大とともに減少する必要はない。このことから,Bluetooth LE受信信号強度に基づく近接検出手法の開発が困難である可能性が示唆された。また,Bluetooth LEコンタクトトレーシングアプリの利用と新たなソーシャルプロトコルの採用を併用することで,メリットがもたらされることが示唆された。例えば、会議中に電話をテーブルに置くと、受信した信号強度を使って近接検出が簡単になる。同様に、携帯でハンドバッグを外面の近くに運んでいる。信号伝搬の複雑さが受信した信号強度を用いた近接検出を行う場所では、例えば、時間変化QRコード等をスキャンすることで、その位置からの入出力をアプリに記録する。

関連論文リスト

Task-Oriented Communications for NextG: End-to-End Deep Learning and AI Security Aspects [78.84264189471936]
NextG通信システムは,タスク指向通信などのタスクを確実に実行するために,この設計パラダイムのシフトを探求し始めている。無線信号分類はNextG Radio Access Network (RAN) のタスクであり、エッジデバイスはスペクトル認識のための無線信号を収集し、信号ラベルを識別する必要があるNextGベースステーション(gNodeB)と通信する。エッジデバイスとgNodeB用のエンコーダデコーダ対として、送信機、受信機、および分類器機能を共同で訓練することで、タスク指向通信を考える。
論文参考訳（メタデータ） (2022-12-19T17:54:36Z)
Automatic Contact Tracing using Bluetooth Low Energy Signals and IMU Sensor Readings [0.0]
本稿では,SFI Centre for Machine Learning (ML-Labs) が提供する課題に対する解決策を提案する。 NIST Too Close For Too Long (TC4TL) Challengeの修正版であり、時間的側面は除外されている。本稿では,Bluetooth RSSI と IMU センサデータに基づく特徴に基づく手法を提案する。
論文参考訳（メタデータ） (2022-06-13T10:39:03Z)
GraSens: A Gabor Residual Anti-aliasing Sensing Framework for Action Recognition using WiFi [52.530330427538885]
WiFiベースのヒューマンアクション認識(HAR)は、スマートリビングやリモート監視といったアプリケーションにおいて、有望なソリューションと見なされている。本稿では,無線機器からのWiFi信号を用いた動作を,多様なシナリオで直接認識する,エンド・ツー・エンドのGabor残差検知ネットワーク(GraSens)を提案する。
論文参考訳（メタデータ） (2022-05-24T10:20:16Z)
Mobile Behavioral Biometrics for Passive Authentication [65.94403066225384]
本研究は, 単モーダルおよび多モーダルな行動的生体特性の比較分析を行った。 HuMIdbは、最大かつ最も包括的なモバイルユーザインタラクションデータベースである。我々の実験では、最も識別可能な背景センサーは磁力計であり、タッチタスクではキーストロークで最良の結果が得られる。
論文参考訳（メタデータ） (2022-03-14T17:05:59Z)
Immediate Proximity Detection Using Wi-Fi-Enabled Smartphones [1.3706331473063877]
本稿では,2つのWi-Fi対応デバイスが物理的に近接しているかどうかを検知する新しい手法を提案する。我々の目標は、スマートフォンによる露出通知と接触追跡システムの精度を高めることである。
論文参考訳（メタデータ） (2021-06-05T02:17:01Z)
SonicPACT: An Ultrasonic Ranging Method for the Private Automated Contact Tracing (PACT) Protocol [5.551038132998202]
本稿では,SonicPACTプロトコルの設計と実装について述べる。最初の実験結果は有望であり、SonicPACTはAppleとGoogleによる実装として検討されるべきであることを示唆している。
論文参考訳（メタデータ） (2020-12-08T22:33:39Z)
An Empirical Evaluation of Bluetooth-based Decentralized Contact Tracing in Crowds [7.469941131704084]
本研究は, 参加者80名を対象に, 群集環境におけるBluetoothによる接触追跡の有効性を実証的に検討した。結果,Bluetooth RSSIは近接検出には信頼性が低く,特に混み合っている環境では不正確性が悪化することが確認された。既存の接触追跡アプリは、粗い粒度の近接検出に焦点を合わせるために再利用できることを推奨する。
論文参考訳（メタデータ） (2020-11-09T10:44:03Z)
Bluetooth based Proximity, Multi-hop Analysis and Bi-directional Trust: Epidemics and More [11.091278344742545]
本稿では,Bluetoothおよび類似の無線通信技術上に,メッシュネットワークを形成するための信頼層を提案する。我々は、これらの信頼スコアを決定するための要因とアプローチを説明し、COVID-19などの流行時にその応用を強調する。
論文参考訳（メタデータ） (2020-09-10T17:23:00Z)
Vision Meets Wireless Positioning: Effective Person Re-identification with Recurrent Context Propagation [120.18969251405485]
既存の人物再識別方法は、歩行者を捕獲する視覚センサーに依存している。携帯電話は、無線測位信号の形で、WiFiや携帯電話ネットワークによって感知することができる。本稿では,視覚データと無線位置決めデータの間で情報伝達を可能にする新しいコンテキスト伝搬モジュールを提案する。
論文参考訳（メタデータ） (2020-08-10T14:19:15Z)
Mind the GAP: Security & Privacy Risks of Contact Tracing Apps [75.7995398006171]
GoogleとAppleは共同で,Bluetooth Low Energyを使用した分散型コントラクトトレースアプリを実装するための公開通知APIを提供している。実世界のシナリオでは、GAP設計は(i)プロファイリングに脆弱で、(ii)偽の連絡先を生成できるリレーベースのワームホール攻撃に弱いことを実証する。
論文参考訳（メタデータ） (2020-06-10T16:05:05Z)
Drone-based RGB-Infrared Cross-Modality Vehicle Detection via Uncertainty-Aware Learning [59.19469551774703]
ドローンによる車両検出は、空中画像中の車両の位置とカテゴリーを見つけることを目的としている。我々はDroneVehicleと呼ばれる大規模ドローンベースのRGB赤外線車両検出データセットを構築した。私たちのDroneVehicleは28,439RGBの赤外線画像を収集し、都市道路、住宅地、駐車場、その他のシナリオを昼から夜までカバーしています。
論文参考訳（メタデータ） (2020-03-05T05:29:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。