論文の概要: Inferring proximity from Bluetooth Low Energy RSSI with Unscented Kalman Smoothers

• arxiv url: http://arxiv.org/abs/2007.05057v1
• Date: Thu, 9 Jul 2020 20:47:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-12 05:19:59.504179
• Title: Inferring proximity from Bluetooth Low Energy RSSI with Unscented Kalman Smoothers
• Title（参考訳）: 無人Kalman Smootherを用いたBluetooth低エネルギーRSSIからの近接推定
• Authors: Tom Lovett, Mark Briers, Marcos Charalambides, Radka Jersakova, James Lomax and Chris Holmes
• Abstract要約: 本稿では, RSSI 値の任意の配列から後部確率を推定する手法を提案する。 この結果から,実世界のデータセット上での$mathcalO(n)$時間で良好なリスク予測が達成できることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Covid-19 pandemic has resulted in a variety of approaches for managing infection outbreaks in international populations. One example is mobile phone applications, which attempt to alert infected individuals and their contacts by automatically inferring two key components of infection risk: the proximity to an individual who may be infected, and the duration of proximity. The former component, proximity, relies on Bluetooth Low Energy (BLE) Received Signal Strength Indicator(RSSI) as a distance sensor, and this has been shown to be problematic; not least because of unpredictable variations caused by different device types, device location on-body, device orientation, the local environment and the general noise associated with radio frequency propagation. In this paper, we present an approach that infers posterior probabilities over distance given sequences of RSSI values. Using a single-dimensional Unscented Kalman Smoother (UKS) for non-linear state space modelling, we outline several Gaussian process observation transforms, including: a generative model that directly captures sources of variation; and a discriminative model that learns a suitable observation function from training data using both distance and infection risk as optimisation objective functions. Our results show that good risk prediction can be achieved in $\mathcal{O}(n)$ time on real-world data sets, with the UKS outperforming more traditional classification methods learned from the same training data.
• Abstract（参考訳）: コビッドウイルスのパンデミックは、国際人口の感染拡大を管理する様々なアプローチをもたらした。 例えば、携帯電話のアプリケーションでは、感染リスクの2つの重要な要素、感染している可能性のある個人との近接と近接期間を自動的に推測することで、感染した個人とその接触者を警告する。 前者のコンポーネントである near は、距離センサとして bluetooth low energy (ble) 受信信号強度インジケータ (rssi) に依存しており、デバイスタイプの違い、オンボディのデバイス位置、デバイス方向、ローカル環境、電波伝搬に関連する一般的なノイズなど、予測不能な変動が原因で問題となっている。 本稿では,RSSI値の与えられた距離列よりも後方確率を推定する手法を提案する。 非線型状態空間モデリングに単次元アンセントカルマン・スモーザー(UKS)を用い、変動源を直接キャプチャする生成モデルや、距離と感染リスクの両方を最適化目的関数として用いたトレーニングデータから適切な観測関数を学習する識別モデルなど、いくつかのガウス過程観察変換を概説する。 その結果、実世界のデータセット上では$\mathcal{o}(n)$ timeで優れたリスク予測が可能となり、同じトレーニングデータから得られた従来の分類方法よりも英国の方が優れていることがわかった。

関連論文リスト

• Evaluating ML Robustness in GNSS Interference Classification, Characterization \& Localization [42.14439854721613]
  ジャミング装置は、グローバルナビゲーション衛星システム(GNSS)からの信号を妨害することで重大な脅威をもたらす 周波数スナップショット内の異常の検出は、これらの干渉を効果的に対処するために重要である。 本稿では,制御されたマルチパス効果を含む大規模環境下での干渉をキャプチャする広範囲なデータセットを提案する。
  論文  参考訳（メタデータ） (2024-09-23T15:20:33Z)
• Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
  デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。 無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。 そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
  論文  参考訳（メタデータ） (2023-12-08T13:50:30Z)
• CSI-Based Efficient Self-Quarantine Monitoring System Using Branchy Convolution Neural Network [2.609279398946235]
  そこで我々は,Wi-Fiをベースとしたデバイスフリーの自己検疫監視システムを提案する。 We exploit channel state information (CSI) from Wi-Fi signal as human activity features。 実験の結果,提案モデルでは,5つの異なる人間の活動の分類において,平均98.19%の精度が得られることがわかった。
  論文  参考訳（メタデータ） (2023-05-24T04:02:49Z)
• Hand-breathe: Non-Contact Monitoring of Breathing Abnormalities from Hand Palm [0.5799785223420273]
  19年後の世界では、無線周波数(RF)ベースの非接触法が、人間の生命体のインテリジェントなリモートセンシングの候補として期待されている。 この研究は、USRP(Universal Software Radio peripherals)ベースのSDRと古典的な機械学習(ML)手法を用いて、異なる呼吸異常を監視する非接触法を設計する。
  論文  参考訳（メタデータ） (2022-12-12T18:02:40Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
  自律運転システムには2つの主要なアルゴリズムアプローチがある。 ディープラーニングだけでは、多くの分野で最先端の結果が得られています。 しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
  論文  参考訳（メタデータ） (2022-03-28T20:29:50Z)
• Early Detection of COVID-19 Hotspots Using Spatio-Temporal Data [66.70036251870988]
  疾病予防管理センター(CDC)は他の連邦機関と協力して、新型コロナウイルス(COVID-19)の感染が増加する郡(ホットスポット)を特定する。 本稿では,米国における新型コロナウイルスホットスポットの早期発見のためのスパースモデルを提案する。 深層ニューラルネットワークは、カーネルの解釈可能性を維持しながらモデルの代表的なパワーを高めるために導入されている。
  論文  参考訳（メタデータ） (2021-05-31T19:28:17Z)
• Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel EEG Signal [63.18666008322476]
  睡眠障害は、世界中の主要な病気の1つです。 専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。 専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
  論文  参考訳（メタデータ） (2021-03-30T09:59:56Z)
• CRISP: A Probabilistic Model for Individual-Level COVID-19 Infection Risk Estimation Based on Contact Data [6.0785913977668935]
  本稿では,SEIRモデルに基づく集団内感染の確率的グラフィカルモデルを提案する。 当社のマイクロレベルモデルでは、各時点の感染状況が記録されており、感染、感染、感染、回復まで様々です。 これは、個々のレベルの接触データに基づいて、新型コロナウイルスの感染拡大を効率的に推測する最初のモデルである。
  論文  参考訳（メタデータ） (2020-06-09T04:25:56Z)
• Continuous Learning and Inference of Individual Probability of SARS-CoV-2 Infection Based on Interaction Data [0.0]
  本研究は,SARS-CoV-2ウイルスの非感染性キャリアーの確率を,対話型連続学習と,感染性ランキングのための個別確率推定(CLIIP)を用いて決定する新しい手法を提案する。 従来の接触追跡法と比較して,非血縁性ウイルスキャリアーの探索に必要なスクリーニングと検疫を最大94%削減する。
  論文  参考訳（メタデータ） (2020-06-08T14:52:04Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。