論文の概要: Designing a Secure and Resilient Distributed Smartphone Participant Data Collection System
- arxiv url: http://arxiv.org/abs/2510.19938v1
- Date: Wed, 22 Oct 2025 18:07:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-25 03:08:16.625896
- Title: Designing a Secure and Resilient Distributed Smartphone Participant Data Collection System
- Title（参考訳）: セキュアでレジリエントな分散スマートフォン参加型データ収集システムの設計
- Authors: Foad Namjoo, Neng Wan, Devan Mallory, Yuyi Chang, Nithin Sugavanam, Long Yin Lee, Ning Xiong, Emre Ertin, Jeff M. Phillips,
- Abstract要約: MotionPIはスマートフォンベースのシステムで、センサーやサーベイを通じて行動データや健康データを収集する。
データをローカルとセキュアなクラウドサーバの両方に、暗号化された送信とストレージで保存する。
- 参考スコア（独自算出の注目度）: 5.708820498491868
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Real-world health studies require continuous and secure data collection from mobile and wearable devices. We introduce MotionPI, a smartphone-based system designed to collect behavioral and health data through sensors and surveys with minimal interaction from participants. The system integrates passive data collection (such as GPS and wristband motion data) with Ecological Momentary Assessment (EMA) surveys, which can be triggered randomly or based on physical activity. MotionPI is designed to work under real-life constraints, including limited battery life, weak or intermittent cellular connection, and minimal user supervision. It stores data both locally and on a secure cloud server, with encrypted transmission and storage. It integrates through Bluetooth Low Energy (BLE) into wristband devices that store raw data and communicate motion summaries and trigger events. MotionPI demonstrates a practical solution for secure and scalable mobile data collection in cyber-physical health studies.
- Abstract（参考訳）: 実世界の健康研究は、モバイルおよびウェアラブルデバイスから連続的でセキュアなデータ収集を必要とする。
スマートフォンベースのMotionPIは,センサを通じて行動データや健康データを収集し,参加者とのインタラクションを最小限に抑えた調査を行う。
このシステムは、受動的データ収集(GPSやリストバンドの動きデータなど)とエコロジー・モメンタリー・アセスメント(EMA)調査を統合する。
MotionPIは、バッテリー寿命の制限、弱いまたは断続的なセル接続、最小限のユーザー管理など、現実の制約の下で動作するよう設計されている。
データをローカルとセキュアなクラウドサーバの両方に、暗号化された送信とストレージで保存する。
Bluetooth Low Energy(BLE)を通じて、生データを格納し、モーションサマリーを通信し、イベントをトリガーするリストバンドデバイスに統合する。
MotionPIは、サイバー物理健康研究において、セキュアでスケーラブルなモバイルデータ収集のための実用的なソリューションを実証する。
関連論文リスト
- Colepp: uma ferramenta multiplataforma para coleta de dados de dispositivos vestiveis [0.0]
Coleppはオープンソースのツールで、複数のウェアラブルデバイスからデータを収集して同期する。
このシステムは、スマートフォンを中央ハブとして統合し、Polar H10チェストストラップとWear OSスマートウォッチからデータを受け取り、同期データセットをCSV形式でエクスポートする。
ユースケースは、一貫性のある同期信号を生成するツールの有効性を示している。
論文 参考訳（メタデータ） (2025-10-17T11:50:43Z) - Collecting Human Motion Data in Large and Occlusion-Prone Environments using Ultra-Wideband Localization [1.3852370777848657]
本稿では,UWB(Ultra-Wideband)ローカライゼーション技術の適用の可能性について検討する。
我々は、視線追跡、搭載ロボットLiDAR、レーダーセンサーなどの追加のセンシングモードや、モーションキャプチャデータを地上の真実として記録し、評価と比較を行う。
論文 参考訳（メタデータ） (2025-05-09T07:44:57Z) - Towards Sustainable Personalized On-Device Human Activity Recognition with TinyML and Cloud-Enabled Auto Deployment [6.9604565273682955]
この研究は、オンデバイスのTinyML駆動コンピューティングとクラウド対応の自動デプロイを組み合わせた新しい組み合わせによって、課題に対処するために設計された、手首のスマートバンドを導入している。
アクティビティクラスを、最小限のキャリブレーションで独自のムーブメントスタイルに調整することができる。
システムはパーソナライズされた設定において、一般化されたモデルよりも精度が37%向上する。
論文 参考訳（メタデータ） (2024-08-26T13:28:41Z) - Incremental Semi-supervised Federated Learning for Health Inference via
Mobile Sensing [5.434366992553875]
我々は,段階的な半教師付きフェデレート学習アルゴリズムであるFedMobileを提案する。
インフルエンザ様症状認識のための実世界のモバイルセンシングデータセットを用いてFedMobileを評価した。
論文 参考訳（メタデータ） (2023-12-19T23:39:33Z) - Reconfigurable Data Glove for Reconstructing Physical and Virtual Grasps [100.72245315180433]
本研究では,人間の手-物体相互作用の異なるモードを捉えるために,再構成可能なデータグローブの設計を提案する。
グローブは3つのモードで動作し、異なる特徴を持つ様々な下流タスクを実行する。
i)手の動きと関連力を記録し,(ii)VRの操作流速を改善するとともに,(iii)様々なツールの現実的なシミュレーション効果を生み出すことにより,システムの3つのモードを評価する。
論文 参考訳（メタデータ） (2023-01-14T05:35:50Z) - PulseImpute: A Novel Benchmark Task for Pulsative Physiological Signal
Imputation [54.839600943189915]
モバイルヘルス(英語: Mobile Health、mHealth)は、ウェアラブルセンサーを使用して、日常生活中の参加者の生理状態を高頻度で監視し、時間的に精度の高い健康介入を可能にする能力である。
豊富な計算文学にもかかわらず、既存の技術は多くのmHealthアプリケーションを構成する脈動信号には効果がない。
このギャップに対処するPulseImputeは、現実的なmHealth欠損モデル、幅広いベースラインセット、臨床関連下流タスクを含む、最初の大規模パルス信号計算チャレンジである。
論文 参考訳（メタデータ） (2022-12-14T21:39:15Z) - 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) - A Computer Vision System to Help Prevent the Transmission of COVID-19 [79.62140902232628]
新型コロナウイルスのパンデミックは世界中の日常生活のあらゆる領域に影響を与える。
保健機関は、ソーシャルディスタンス、フェイスマスクを着用し、触れる顔を避けることをアドバイスします。
我々は、新型コロナウイルスの感染を防ぐためのディープラーニングベースのコンピュータビジョンシステムを開発した。
論文 参考訳（メタデータ） (2021-03-16T00:00:04Z) - Synthesizing Skeletal Motion and Physiological Signals as a Function of
a Virtual Human's Actions and Emotions [10.59409233835301]
本研究では, 同期運動, 心電図, 血圧, 呼吸, 皮膚伝導信号の計算モデルからなるシステムを開発した。
提案されたフレームワークはモジュール化されており、柔軟性によってさまざまなモデルを試すことができる。
ラウンド・ザ・タイム・モニタリングのためのML研究を低コストで行うことに加えて、提案されたフレームワークはコードとデータの再利用を可能にする。
論文 参考訳（メタデータ） (2021-02-08T21:56:15Z)
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。