[論文レビュー] Inferring proximity from Bluetooth Low Energy RSSI with Unscented Kalman Smoothers

Tom Lovett, Mark Briers+4 more|arXiv (Cornell University)|Jul 9, 2020

Bluetooth and Wireless Communication Technologies参考文献 20被引用数 12

ひとこと要約

本論文では、ノイズの多いBluetooth Low Energy (BLE) RSSI値から近接性を推定するために、ガウス過程観測モデルを用いたアンサンブルカルマンスムージング（UKS）を用いた確率的アプローチを提案する。ノイズと不確実性、および連続するRSSIパターンをモデル化することで、実世界のデータセットにおいて従来の勾配ブースティング回帰モデルを上回り、O(n)時間で高精度な近接性推定を達成する。

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.

研究の動機と目的

• 新型コロナウイルス感染症の拡大期において、環境的要因やデバイス固有のばらつきによりBLE RSSIが不安定な近接センサーとして信頼性が低いという課題に対処する。
• ノイズと不確実性を考慮した上で、RSSI値の時系列系列から距離の事後確率を推定する堅牢な手法を開発する。
• UKSを用いた時系列推論を用いて、RSSIから距離へのマッピングにおける生成的モデルと判別的モデルのアプローチを比較する。
• 時間的RSSI系列と不確実性の定量化を活用することで、接触追跡アプリケーションにおけるリスク予測の正確性を向上させる。

提案手法

• RSSIを観測値として用い、距離の非線形時系列状態空間をモデル化するため、1次元のアンサンブルカルマンスムージング（UKS）を採用する。
• 2つのガウス過程ベースの観測モデルを実装する：生成的モデル（デバイス型番や姿勢など、RSSI変動の原因を明示的に捉える）、および訓練データから学習する判別的モデル。
• 二重目的（近接性と感染リスク予測）で最適化されたベイズ最適化を用いて、判別的モデルを最適化する。
• 実環境で観測されるRSSIの長尾分布を反映させるために、RSSIから距離へのマッピングに対数正規分布を採用する。
• UKSを用いて距離の事後分布を推定し、近接性推定における不確実性の定量化を可能にする。
• MIT H0H1およびトリニティ・カレッジ・ダブリンの2つの実世界データセットを用い、デバイスをポケットや手に持つ状況を含むさまざまな条件下で性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 従来の分類手法と比較して、ノイズの多いBLE RSSIからの近接性推定において、確率的時系列モデルが性能向上をもたらすか？
• RQ2 異なるデバイスおよび環境的条件下でのRSSIばらつきをモデル化する際、生成的モデルと判別的モデルの性能はどのように比較されるか？
• RQ3 RSSIを対数正規確率変数としてモデル化することで、正規分布を用いた場合と比較して近接性推定の正確性が向上するか？
• RQ4 デバイスがポケットや手にあり、RSSIが最も不安定になるような困難な状況下でも、UKSベースのアプローチはどの程度の性能を示すか？
• RQ5 事後分布による不確実性の定量化は、実世界での展開において近接性推定の信頼性をどの程度向上させるか？

主な発見

• アンサンブルカルマンスムージング（UKS）は、MIT H0H1およびトリニティ・カレッジ・ダブリンの両データセットにおいて勾配ブースティング回帰モデルを上回り、リスク予測の正確性が優れていることが示された。
• 感染リスク予測を最適化対象とした判別的モデルは、近接性のみを最適化したモデルよりもわずかに高い性能を示した。これは、リスクに配慮した学習が推定を改善することを示唆している。
• RSSIから距離へのマッピングに対数正規分布を用いた場合、正規分布を用いた場合よりもわずかに高い平均性能が得られ、特に長尾分布を示すRSSIの変動に対処する上で優れた性能を発揮した。
• 誤って「陰性」と判定されるケース（偽陰性）は、デバイスをポケットに入れた状態（座っている状況）で最も多く発生した。一方、偽陽性はデバイスを手に持っている状況で多く発生した。これは、これらの設定が依然として根本的な課題を抱えていることを示している。
• UKSフレームワークにより、リアルタイムでO(n)時間で推論が可能であり、完全な事後分布の不確実性推定が可能となった。これは、非確率的モデルに比べて顕著な利点を有する。
• 生成的モデルが判別的モデルを上回る明確な証拠は得られなかったが、両モデルとも多様な実世界条件下で堅牢な性能を示した。