SleepMore：通过多设备WiFi感知大规模推断睡眠时间

配备睡眠时长和质量监测功能的商用可穿戴设备为睡眠健康监测应用和分析提供了更多可能。然而，大量研究报告指出通过这些方式监测睡眠存在长期用户留存挑战。由于现代互联网用户拥有多个移动设备，我们的工作探索了使用普遍存在的移动设备和被动WiFi感知技术来预测睡眠时长的可能性，作为补充长期睡眠监测的基础性措施。在本文中，我们提出SleepMore，一种基于用户WiFi网络活动的机器学习的精准易部署睡眠追踪方法。它首先使用半个性化随机森林模型结合无限小刀切方差估计方法，以分钟级精度将用户网络活动行为分类为睡眠和清醒状态。通过移动平均技术，系统使用这些状态序列来估计用户的夜间睡眠周期及其不确定率。不确定性量化使SleepMore能够克服嘈杂WiFi数据的影响，避免产生较大预测误差。我们使用涉及46名大学生、历时一个月的研究收集的数据验证SleepMore，并与Oura Ring可穿戴设备进行比较。除了大学校园，我们还评估了不同住房配置的非学生用户。我们的结果表明，对于5%不确定率内的预测，SleepMore产生的睡眠统计数据与Oura Ring基线在统计上无法区分。这些误差在确定睡眠时间方面为15-28分钟，在确定清醒时间方面为7-29分钟，相较于先前工作证明了统计学上的显著改进。我们深入分析了误差来源。