[논문 리뷰] Proximity Sensing: Modeling and Understanding Noisy RSSI-BLE Signals and Other Mobile Sensor Data for Digital Contact Tracing

Sheshank Shankar, Rishank Kanaparti외 7명|arXiv (Cornell University)|2020. 09. 04.

COVID-19 Digital Contact Tracing참고 문헌 15인용 수 11

한 줄 요약

이 논문은 블루투스 저전력(BLE) 수신 신호 강도(RSSI)와 가속도계, 자석계, 자이로스코프 데이터를 융합하여 디지털 접촉 추적 정확도를 향상시키는 다중모달 근접 감지 시스템을 제안한다. 150단계 시간 간격의 시계열 데이터를 대상으로 시간적 1차원 컨볼루션 신경망(Conv1D)을 적용하여 MITRE 데이터셋에서 최저의 정규화된 결정 비용 함수(nDCF) 0.58를 달성하며, 다른 모델들을 능가하고 BLE 신호 노이즈를 완화하는 센서 융합의 효과를 입증한다.

ABSTRACT

As we await a vaccine, social-distancing via efficient contact tracing has emerged as the primary health strategy to dampen the spread of COVID-19. To enable efficient digital contact tracing, we present a novel system to estimate pair-wise individual proximity, via a joint model of Bluetooth Low Energy (BLE) signals with other on-device sensors (accelerometer, magnetometer, gyroscope). We explore multiple ways of interpreting the sensor data stream (time-series, histogram, etc) and use several statistical and deep learning methods to learn representations for sensing proximity. We report the normalized Decision Cost Function (nDCF) metric and analyze the differential impact of the various input signals, as well as discuss various challenges associated with this task.

연구 동기 및 목표

• 디지털 접촉 추적에서 근접도 추정을 위한 BLE RSSI 신호의 내재된 노이즈와 부정확성을 해결한다.
• 추가적인 모바일 센서 데이터(가속도계, 자석계, 자이로스코프)를 통합할 경우 RSSI만을 사용할 때보다 근접도 검출 성능이 향상되는지 조사한다.
• MITRE 데이터셋에서 학습한 모델이 NIST 데이터셋에서 테스트되었을 때의 일반화 성능을 평가하며, 데이터 분포의 변화 문제를 부각한다.
• 다중모달 센서 데이터를 사용한 근접도 감지에 가장 효과적인 딥러닝 및 전통적 기계학습 모델을 규명한다.
• 제거 실험을 통해 각 센서와 메타데이터의 기여도를 분석하여 모델 성능에 미치는 영향을 규명한다.

제안 방법

• 4초 간격의 상호작용을 고정 길이의 시계열로 모델링하며, 각 시간 단위는 정규화된 센서 읽기 값과 원-핫 인코딩된 메타데이터를 포함한다.
• 센서 시계열에서 시공간적 표현을 학습하기 위해 주로 1차원 컨볼루션 신경망(Conv1D)을 사용한다.
• 히스토그램 기반 RSSI 값과 믹스업 데이터 증강 기법을 포함한 대안적 입력 표현 방식을 탐색하여 모델의 강건성을 향상시킨다.
• 다양한 모델을 학습하고 비교한다: 피드포워드 네트워크, RNN(GRU), LSTM, ConvGRU, SVM, XGBoost, 랜덤 포레스트, 나이브 베이즈를 분류 목적으로 사용한다.
• 클래스 간 분리 가능성과 MITRE 및 NIST 데이터셋 간 데이터 분포의 불일치를 평가하기 위해 주성분 분석(PCA)을 적용한다.
• 시스템적으로 센서 입력을 제거하여 제거 실험을 수행함으로써 각 입력의 모델 성능에 기여도를 정량화한다.

실험 결과

연구 질문

• RQ1 BLE RSSI와 관성 센서 데이터(가속도계, 자석계, 자이로스코프)를 융합할 경우, RSSI만을 사용할 때보다 근접도 추정 오차를 유의미하게 감소시킬 수 있는가?
• RQ2 다중모달 센서 시계열에 대해 근접도 분류 작업에서 Conv1D, LSTM, GRU 또는 하이브리드 모델 중 어떤 딥러닝 아키텍처가 가장 우수한 성능을 보이는가?
• RQ3 실험 수준의 메타데이터(예: 기기 모델, 전원 상태 등) 포함 여부가 모델의 일반화 능력과 과적합에 어떤 영향을 미치는가?
• RQ4 MITRE와 NIST 데이터셋 간의 분포 이탈이 실제 환경 구현에서의 모델 일반화 능력에 얼마나 큰 영향을 미치는가?
• RQ5 제거 실험을 통해 각 센서 모odal의 근접도 검출 성능에 기여도가 어느 정도인지 규명할 수 있는가?

주요 결과

• Conv1D 모델은 MITRE 데이터셋에서 모든 테스트된 다른 모델보다 낮은 정규화된 결정 비용 함수(nDCF) 0.58을 기록하며 최고의 성능을 보였다.
• RSSI-BLE 신호만을 사용할 경우 과적합이 심해지고 학습 및 테스트 세트 간 성능 격차가 커져 강건성 부족을 보였다.
• 성능이 가장 뛰어난 모델은 자이로스코프, 가속도계, 자석계 및 RSSI-BLE 데이터를 모두 사용했으며, 메타데이터 기여도는 미미했고 오히려 과적합을 유발할 수 있었다.
• 제거 실험 결과, 메타데이터를 제거해도 성능 저하가 없었고, 두 클래스에서 과적합이 감소하는 경향을 보였으며, 이는 메타데이터가 노이즈를 유발할 수 있음을 시사한다.
• MITRE와 NIST 데이터셋 간에 심각한 분포 이탈이 존재한다: 다른 클래스의 근접 이웃 간 평균 ℓ₂ 거리는 200이며, 같은 클래스 쌍의 경우 24로 매우 낮다. 이는 교차 데이터셋 일반화 능력이 열악함을 의미한다.
• PCA 시각화 결과, 두 데이터셋 모두 클래스 클러스터가 중첩되어 있으며, 저차원 공간에서 명확한 결정 경계가 없어 복잡한 비선형 분리 가능성임을 시사한다.