論文の概要: Immediate Proximity Detection Using Wi-Fi-Enabled Smartphones
- arxiv url: http://arxiv.org/abs/2106.02777v1
- Date: Sat, 5 Jun 2021 02:17:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-08 17:25:53.747182
- Title: Immediate Proximity Detection Using Wi-Fi-Enabled Smartphones
- Title（参考訳）: Wi-Fi対応スマートフォンを用いた即時近接検出
- Authors: Zach Van Hyfte and Avideh Zakhor
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.3706331473063877
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Smartphone apps for exposure notification and contact tracing have been shown
to be effective in controlling the COVID-19 pandemic. However, Bluetooth Low
Energy tokens similar to those broadcast by existing apps can still be picked
up far away from the transmitting device. In this paper, we present a new class
of methods for detecting whether or not two Wi-Fi-enabled devices are in
immediate physical proximity, i.e. 2 or fewer meters apart, as established by
the U.S. Centers for Disease Control and Prevention (CDC). Our goal is to
enhance the accuracy of smartphone-based exposure notification and contact
tracing systems. We present a set of binary machine learning classifiers that
take as input pairs of Wi-Fi RSSI fingerprints. We empirically verify that a
single classifier cannot generalize well to a range of different environments
with vastly different numbers of detectable Wi-Fi Access Points (APs). However,
specialized classifiers, tailored to situations where the number of detectable
APs falls within a certain range, are able to detect immediate physical
proximity significantly more accurately. As such, we design three classifiers
for situations with low, medium, and high numbers of detectable APs. These
classifiers distinguish between pairs of RSSI fingerprints recorded 2 or fewer
meters apart and pairs recorded further apart but still in Bluetooth range. We
characterize their balanced accuracy for this task to be between 66.8% and
77.8%.
- Abstract（参考訳）: 露出通知や接触追跡のためのスマートフォンアプリは、新型コロナウイルス(COVID-19)のパンデミックを抑えるのに有効であることが示されている。
しかし、既存のアプリによってブロードキャストされるようなbluetooth低エネルギートークンは、送信デバイスから遠く離れた場所から拾うことができる。
本稿では、2つのWi-Fi対応デバイスがすぐに物理的に近接しているかどうかを検知する新しい手法について述べる。
アメリカ疾病予防管理センター(CDC)が設立した。
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。
本稿では,Wi-Fi RSSI指紋の入力ペアとして扱う2進機械学習分類器を提案する。
我々は、単一分類器が、検出可能なWi-Fiアクセスポイント(AP)の数が大幅に異なる様々な環境に対して、うまく一般化できないことを実証的に検証した。
しかし、特定分類器は、検出可能なAPの数が一定の範囲内にある状況に合わせて調整され、即座に物理的近接を検出することができる。
そこで我々は,低,中,高数のAPが検出可能な状況に対する3つの分類器を設計する。
これらの分類器は、RSSI指紋のペアを2～4メートルの間隔で記録し、ペアをさらに離れたBluetooth範囲で記録する。
このタスクのバランスの取れた精度は66.8%から77.8%である。
関連論文リスト
- Time-Selective RNN for Device-Free Multi-Room Human Presence Detection
Using WiFi CSI [9.927073290898848]
デバイスなしの人間の存在検知は、ホームオートメーション、セキュリティ、ヘルスケアなど、さまざまなアプリケーションにとって重要な技術である。
近年,商用WiFiアクセスポイント(AP)から抽出した無線チャネル状態情報を用いて,詳細なチャネル特性について検討している。
本稿では,時間選択型条件付き二重特徴抽出再帰ネットワークを用いたマルチルームシナリオのためのデバイスフリーな人間の存在検知システムを提案する。
論文 参考訳（メタデータ） (2023-04-25T19:21:47Z) - A Wireless-Vision Dataset for Privacy Preserving Human Activity
Recognition [53.41825941088989]
アクティビティ認識の堅牢性を改善するため,WiNN(WiFi-based and video-based neural network)が提案されている。
以上の結果から,WiViデータセットは一次需要を満足し,パイプライン内の3つのブランチはすべて,80%以上のアクティビティ認識精度を維持していることがわかった。
論文 参考訳（メタデータ） (2022-05-24T10:49:11Z) - 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) - Self-Supervised WiFi-Based Activity Recognition [3.4473723375416188]
屋内環境における受動的活動認識のためのWi-Fiデバイスから微細な物理層情報を抽出する。
自己監督型コントラスト学習による活動認識性能の向上を提案する。
WiFiによる活動認識のタスクにおいて,マクロ平均F1スコアの17.7%の増加が観察された。
論文 参考訳（メタデータ） (2021-04-19T06:40:21Z) - Moving Object Classification with a Sub-6 GHz Massive MIMO Array using
Real Data [64.48836187884325]
無線信号を用いた屋内環境における各種活動の分類は,様々な応用の新たな技術である。
本論文では,屋内環境におけるマルチインプット・マルチアウトプット(MIMO)システムから,機械学習を用いて移動物体の分類を解析する。
論文 参考訳（メタデータ） (2021-02-09T15:48:35Z) - 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) - Discriminative Nearest Neighbor Few-Shot Intent Detection by
Transferring Natural Language Inference [150.07326223077405]
データ不足を緩和するためには、ほとんどショットラーニングが注目を集めている。
深部自己注意を伴う識別的近傍分類を提示する。
自然言語推論モデル(NLI)を変換することで識別能力を高めることを提案する。
論文 参考訳（メタデータ） (2020-10-25T00:39:32Z) - Inferring proximity from Bluetooth Low Energy RSSI with Unscented Kalman
Smoothers [0.0]
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。
論文 参考訳（メタデータ） (2020-07-09T20:47:02Z) - Coronavirus Contact Tracing: Evaluating The Potential Of Using Bluetooth
Received Signal Strength For Proximity Detection [14.749535590735965]
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。
論文 参考訳（メタデータ） (2020-05-19T13:51:23Z) - Efficient Intent Detection with Dual Sentence Encoders [53.16532285820849]
本稿では,USE や ConveRT などの事前訓練された二重文エンコーダによるインテント検出手法を提案する。
提案するインテント検出器の有用性と適用性を示し,完全なBERT-Largeモデルに基づくインテント検出器よりも優れた性能を示す。
コードだけでなく、新しい挑戦的な単一ドメイン意図検出データセットもリリースしています。
論文 参考訳（メタデータ） (2020-03-10T15:33:54Z)
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。