[論文レビュー] Detection of presence and number of persons by a Wi-Fi signal: a practical RSSI-based approach

Dario Jukić, Silvije Domazet+7 more|arXiv (Cornell University)|Aug 13, 2023

Human Mobility and Location-Based AnalysisSocial Sciences被引用数 3

ひとこと要約

本稿では、個人の能動的協力が不要なWi-Fi信号強度（RSSI）に基づく実用的手法を提案し、部屋内の人の存在を検出するとともに人数を数える。RSSI時系列の標準偏差を分析し、4台の検出器からのデータに機械学習（特にランダムフォレスト）を適用することで、人数予測の正確性が98%に達し、5台の検出器では99%の正確性を達成する。

ABSTRACT

We present experimental results and theoretical methods for the precise determination of the presence and the number of persons in an observed area by using Wi-Fi signals. Our setup does not require active cooperation of persons present in the Wi-Fi field, and relies only on the Received Signal Strength Indicator (RSSI), which is read by the detectors. We first show that the standard deviation of the measured RSSI data can be used as a practical tool to establish the presence of a person (or more persons) with high precision, in particular when the signal source is inside the measurement room. For the more difficult problem of counting the number of persons, we have employed machine learning algorithms to analyze data collected on nine different detectors and up to nine people present in our experiment. We have achieved excellent results (prediction accuracy of $98 \%$ and above) for counting already with only few detectors utilized in the analysis. While generalizations to nontrivial indoor geometries (such as odd shapes, more rooms, and greater size) may be of interest in some applications, where additional care with respect to positioning od detectors can be needed (or even placing additional detectors), this approach may be useful due to its conceptual practicality and solid prediction results.

研究の動機と目的

• 屋内環境において、個人の協力が不要な受動的かつ非協力的な方法で、Wi-Fi RSSI信号のみを用いて人の存在を検出し、人数を数えること。
• RSSI時系列の標準偏差が、人の存在を信頼できる指標として機能するかどうかを検証すること。
• 複数の検出器からのRSSIデータに基づいて、人数を正確に分類する機械学習アルゴリズムの性能を評価すること。
• 人数数え上げの予測精度を高めるために必要な最小限の検出器数を特定すること。
• 信号源の配置（部屋内 vs. 部屋外）が検出および数え上げ性能に与える影響を評価すること。

提案手法

• 研究では、屋内環境に固定された9台の検出器から収集したRSSI測定値を用い、時間経過に伴う信号強度の変動をモニタリングする。
• 人の存在を検出するための主要な特徴量として、RSSI時系列の標準偏差が用いられ、人の存在時に顕著に増加することを特徴としている。
• 人数数え上げの目的で、K近傍法、決定木、およびランダムフォレストを含む機械学習アルゴリズムが、1〜9人の人数を分類するRSSIデータを用いて学習される。
• 1台から9台までの異なる数の検出器を用いて、各アルゴリズムの予測精度を評価し、最小限の効果的構成を特定する。
• Wi-Fiアクセスポイントが部屋内にある場合と外にある場合の両方のシナリオを含め、耐障害性を評価する。
• ランダムフォレストアルゴリズムが、高い正確性と異なる検出器構成における安定性の両面で優れた性能を示したため、最良のモデルとして選定された。

Figure 1: Floor plan of the measurement area and the position of the source and detectors during (a) the first and (b) the second set of measurements. The dimension of the measurement room is $3.5\times 4.5$ m 2 . (a) The source and detectors are inside the room. (b) The source is moved outside the

実験結果

リサーチクエスチョン

• RQ1 RSSI時系列の標準偏差は、能動的協力が不要な状況下でも、1人以上の人の存在を信頼できる指標として機能するか？
• RQ2 RSSI信号を用いて高精度な人数数え上げを達成するために必要な最小限の検出器数は何か？
• RQ3 Wi-Fiアクセスポイントの配置（部屋内 vs. 部屋外）が、検出および数え上げ性能に与える影響は何か？
• RQ4 RSSIデータに基づいて学習された機械学習モデルが、部屋内の人数をどれほど正確に分類できるか？
• RQ5 検出器の数を増やすことで予測正確性はどのように向上するか？また、少数の検出器で正確性が飽和するか？

主な発見

• RSSI時系列の標準偏差は、1台の検出器でも高い精度で1人以上の人の存在を検出するのに非常に効果的な特徴量である。
• Wi-Fiアクセスポイントが部屋内に配置されている場合、標準偏差に基づく手法により、人の存在を二値分類で正確に検出できる。
• 人数数え上げの目的では、4台の検出器からのデータを用いて機械学習モデルが98%の予測正確性を達成し、5台では99%の正確性を達成する。
• ランダムフォレストアルゴリズムは他のモデルを上回り、奇数（1〜9）の人数を分類する平均99%の正確性に達する。
• 検出器の数を増やすことで予測正確性は向上するが、4〜5台程度で飽和する傾向が強く、最小限の構成でも優れた性能を発揮することが示された。
• 信号源が部屋外にあっても本手法は有効であるが、アクセスポイントが部屋内にある場合に性能が一般的に優れる。

Figure 2: Mean value (a) and standard deviation (b) of the RSSI signal as a function of the number of people in the room covered by the Wi-Fi signal. Noise is marked with the number 0. Total length of the measurement is 20 minutes for each number of people, and the signal is split into series of 20-