[논문 리뷰] Detection of presence and number of persons by a Wi-Fi signal: a practical RSSI-based approach

Dario Jukić, Silvije Domazet외 7명|arXiv (Cornell University)|2023. 08. 13.

Human Mobility and Location-Based AnalysisSocial Sciences인용 수 3

한 줄 요약

이 논문은 개인의 능동적 협조 없이 오직 Wi-Fi 신호 세기만을 사용하여 실내에서 사람의 존재를 감지하고 수를 세는 실용적인 RSSI 기반 방법을 제안한다. RSSI 시간 시리즈의 표준편차를 분석하고, 최소 4개의 감지기에서 수집한 데이터에 기계학습(특히 Random Forest)을 적용함으로써, 사람 수 예측 정확도가 98%에 이를 뿐만 아니라, 5개의 감지기를 사용할 경우 99%의 정확도를 달성한다.

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.

연구 동기 및 목표

• 실내 환경에서 개인의 능동적 협조 없이 오직 Wi-Fi RSSI 신호만을 사용하여 사람의 존재를 감지하고 수를 세는 수동적 방법을 개발하는 것.
• RSSI 시간 시리즈의 표준편차가 인간 존재를 신뢰할 만한 지표로 기능할 수 있는지 확인하는 것.
• 다중 감지기에서 수집한 RSSI 데이터 기반으로 사람 수를 정확하게 분류하는 기계학습 알고리즘의 성능을 평가하는 것.
• 사람 수 세기에서 높은 예측 정확도를 달성하기 위해 필요한 최소 감지기 수를 규명하는 것.
• 신호 원천의 위치(실내 또는 실외)가 감지 및 수세기 성능에 미치는 영향을 평가하는 것.

제안 방법

• 연구는 실내 환경에 고정된 아홉 대의 감지기에서 수집한 RSSI 측정치를 사용하여 시간에 따른 신호 세기 변화를 모니터링한다.
• 사람이 존재할 경우 크게 증가하므로, RSSI 시간 시리즈의 표준편차를 사람 존재 감지의 핵심 특징으로 사용한다.
• 사람 수 계산을 위해, K-최근접 이웃, 결정 트리, Random Forest와 같은 기계학습 알고리즘을 RSSI 데이터에 훈련시켜 1명에서 9명까지의 사람 수를 분류한다.
• 다양한 감지기 수(1대에서 9대까지)를 사용하여 각 알고리즘의 예측 정확도를 평가함으로써 최소한의 효과적인 설정을 규명한다.
• 감지기 수 증가에 따른 성능 향상을 평가하기 위해, Wi-Fi 액세스 포인트가 실내에 있는 경우와 실외에 있는 경우의 두 상황을 모두 분석한다.
• Random Forest 알고리즘이 다양한 감지기 구성에서 높은 정확도와 안정성을 보여 최고의 성능을 보였기 때문에 최종적으로 선택되었다.

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

실험 결과

연구 질문

• RQ1 RSSI 시간 시리즈의 표준편차는 능동적 협조 없이 실내에서 한 명 이상의 사람이 존재하는지를 신뢰할 만하게 감지할 수 있는가?
• RQ2 RSSI 신호를 사용할 때 높은 정확도의 사람 수 세기 성능을 달성하기 위해 필요한 최소 감지기 수는 얼마인가?
• RQ3 Wi-Fi 액세스 포인트의 위치(실내 또는 실외)가 감지 및 수세기 성능에 어떤 영향을 미치는가?
• RQ4 RSSI 데이터 기반으로 훈련된 기계학습 모델이 실내에 있는 사람 수를 얼마나 정확하게 분류할 수 있는가?
• RQ5 감지기 수가 증가함에 따라 예측 정확도가 어떻게 향상되는가? 그리고 소수의 감지기로도 정확도가 포화 상태에 도달하는가?

주요 결과

• RSSI 시간 시리즈의 표준편차는 한 명 이상의 사람이 존재하는지 감지하는 데 매우 효과적인 특징이며, 단일 감지기로도 높은 정밀도를 달성한다.
• Wi-Fi 액세스 포인트가 실내에 위치할 경우, 표준편차 기반 방법은 인간 존재의 정확한 이진 감지가 가능하다.
• 사람 수 계산의 경우, 기계학습 모델이 단지 네 대의 감지기에서 수집한 데이터로 98%의 예측 정확도를 달성하고, 다섯 대의 감지기를 사용할 경우 99%의 정확도를 기록한다.
• Random Forest 알고리즘이 다른 모델보다 뛰어난 성능을 보이며, 홀수 인원(1명에서 9명까지)의 사람 수 분류 평균 정확도가 99%에 이른다.
• 감지기 수가 증가함에 따라 예측 정확도가 향상되지만, 네 대에서 다섯 대 이후로는 정확도가 상당히 포화 상태에 도달함을 확인하여, 최소한의 구성으로도 뛰어난 성능을 달성할 수 있음을 시사한다.
• 신호 원천이 실외에 있을 경우에도 방법은 효과적이지만, 액세스 포인트가 실내에 있을 경우 성능이 일반적으로 더 우수하다.

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-