SleepMore：基于多设备 WiFi 感知的大规模睡眠时长推断

配备监测睡眠时长和质量功能的商用可穿戴追踪器的可用性，使得更有用的睡眠健康监测应用和分析成为可能。然而，许多研究报道了通过这些方式长期留存用户进行睡眠监测的挑战。由于现代互联网用户拥有多个移动设备，我们的工作探索了利用普适移动设备和被动 WiFi 感知技术来预测睡眠时长，作为补充长期睡眠监测计划的基本度量的可能性。在本文中，我们提出 SleepMore，一种基于用户 WiFi 网络活动上机器学习的准确且易于部署的睡眠追踪方法。它首先采用半个性化随机森林模型与无穷小刀切方差估计方法，将用户每分钟粒度的网络活动行为分类为睡眠和清醒状态。通过移动平均技术，系统利用这些状态序列估计用户的夜间睡眠时段及其不确定率。不确定性量化使 SleepMore 能够克服噪声 WiFi 数据的影响，后者可能导致较大的预测误差。我们使用一项涉及 46 名大学生的为期一个月用户研究的数据验证 SleepMore，并与 Oura Ring 可穿戴设备进行比较。在大学校园之外，我们在具有不同住房情况的非学生用户上评估 SleepMore。我们的结果表明，在 5% 不确定率内的预测，SleepMore 产生的睡眠统计与 Oura Ring 基线在统计上无差异。这些误差在确定睡眠时间上为 15-28 分钟，在确定醒来时间上为 7-29 分钟，证明相较先前工作有统计显著改进。我们的深入分析解释了误差来源。