利用无迹卡尔曼平滑器从蓝牙低功耗 RSSI 推断邻近距离
信号处理
2020-07-13 v1 计算机与社会
应用统计
机器学习
摘要
Covid-19 大流行导致了多种管理国际人群感染暴发的方案。一个例子是手机应用程序，其试图通过自动推断感染风险的两个关键组成部分来警示感染者及其接触者：与可能感染个体的邻近距离，以及邻近持续时间。前者即邻近距离，依赖于蓝牙低功耗（BLE）接收信号强度指示（RSSI）作为距离传感器，而这已被证明存在问题；尤其是由于不同设备类型、设备佩戴位置、设备方向、局部环境以及与射频传播相关的普遍噪声所引起的不可预测变化。在本文中，我们提出一种方法，在给定 RSSI 值序列的情况下推断距离的后验概率。使用用于非线性状态空间建模的一维无迹卡尔曼平滑器（UKS），我们概述了几种高斯过程观测变换，包括：直接捕捉变化来源的生成模型；以及利用距离和感染风险作为优化目标函数从训练数据中学习合适观测函数的判别模型。我们的结果表明，在真实世界数据集上可在 时间内实现良好的风险预测，且 UKS 优于从相同训练数据学习的更传统的分类方法。
引用
@article{arxiv.2007.05057,
title = {Inferring proximity from Bluetooth Low Energy RSSI with Unscented Kalman Smoothers},
author = {Tom Lovett and Mark Briers and Marcos Charalambides and Radka Jersakova and James Lomax and Chris Holmes},
journal= {arXiv preprint arXiv:2007.05057},
year = {2020}
}