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

Sheshank Shankar, Rishank Kanaparti+7 more|arXiv (Cornell University)|Sep 4, 2020

COVID-19 Digital Contact Tracing参考文献 15被引用 11

一句话总结

本文提出了一种多模态接近感应系统，通过融合蓝牙低能耗（BLE）接收信号强度指示（RSSI）与加速度计、磁力计和陀螺仪数据，以提高数字接触追踪的准确性。采用150个时间步长的时序一维卷积神经网络（Conv1D）对序列进行建模，在MITRE数据集上实现了最低的归一化决策成本函数（nDCF）0.58，优于其他模型，表明传感器融合可有效缓解BLE信号噪声的影响。

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.

研究动机与目标

• 解决BLE RSSI信号在数字接触追踪中固有的噪声和不准确性问题，以提升接近估计的精度。
• 探究整合额外移动传感器数据（加速度计、磁力计、陀螺仪）是否能超越仅使用RSSI的接近检测性能。
• 评估在MITRE数据集上训练的模型在NIST数据集上的泛化性能，突出分布偏移带来的挑战。
• 识别在使用多模态传感器数据进行接近感应时，最有效的深度学习与传统机器学习模型。
• 通过消融研究分析各传感器和元数据对模型性能的贡献。

提出的方法

• 将每个4秒的交互过程建模为固定长度的150个时间步长的时间序列，每个时间步长代表归一化的传感器读数和独热编码的元数据。
• 使用一维卷积神经网络（Conv1D）作为主模型，从传感器时间序列中学习时空表征。
• 探索其他输入表示方式，包括基于直方图的RSSI值和混合数据增强技术，以提升模型鲁棒性。
• 训练并比较多种模型：前馈网络、RNN（GRU）、LSTM、ConvGRU、SVM、XGBoost、随机森林和朴素贝叶斯，用于分类任务。
• 应用主成分分析（PCA）可视化类别可分性，并评估MITRE与NIST数据集间的数据分布差异。
• 通过系统性地排除传感器输入进行消融研究，量化其对模型性能的贡献。

实验结果

研究问题

• RQ1 将BLE RSSI与惯性传感器数据（加速度计、磁力计、陀螺仪）结合，是否能显著降低仅使用RSSI时的接近估计误差？
• RQ2 在多模态传感器时间序列上，哪种深度学习架构——Conv1D、LSTM、GRU或混合模型——在接近分类任务中表现最佳？
• RQ3 实验级别的元数据（如设备型号、电源状态）的引入如何影响模型的泛化能力与过拟合现象？
• RQ4 MITRE与NIST数据集之间的分布偏移在多大程度上阻碍了模型在真实部署中的泛化能力？
• RQ5 通过消融分析，各传感器模态对接近检测性能的相对贡献如何？

主要发现

• Conv1D模型在MITRE数据集上实现了最低的归一化决策成本函数（nDCF）0.58，优于所有其他测试模型。
• 仅使用RSSI-BLE信号导致更高的过拟合现象，且训练集与测试集性能出现显著偏差，表明其鲁棒性较差。
• 表现最佳的模型同时使用了陀螺仪、加速度计、磁力计和RSSI-BLE数据，而元数据贡献甚微，甚至可能加剧过拟合。
• 消融研究显示，排除元数据并未降低性能，反而在两个类别上减少了过拟合，表明元数据可能引入噪声。
• MITRE与NIST数据集之间存在显著的分布偏移：不同类别最近邻的平均ℓ₂距离为200，而同类别对的平均ℓ₂距离仅为24，表明跨数据集泛化能力差。
• PCA可视化显示，两个数据集中类别簇高度重叠，低维空间中无明显决策边界，表明存在复杂且非线性的可分性。