本研究探讨使用机器学习方法及蓝牙低功耗技术，通过对移动设备的传感数据和元数据分析距离，以改善传统手动接触追踪实践，达到防控传染病的目的。实验结果表明，使用 TableNet 结构和特征工程，可以显著提高模型性能，使得 nDCF 总得分从 2.08 下降到 0.21。

Mar, 2022

为了有效地进行数字化接触追踪，我们提出了一种新的系统，通过蓝牙低功耗信号和其他设备传感器（加速计、磁力计、陀螺仪）的联合模型来估计成对个体接近度，并探索多种方法来解释传感器数据流以及使用多种统计和深度学习方法来学习传感接近度的表示，并报告规范化决策成本函数（nDCF）度量值，分析各种输入信号的差异影响，并讨论相关挑战。

Sep, 2020

本文评述数字接触追踪的三个部件 —— 个人设备、网络技术和传感特征，在基于智能手机和可穿戴设备进行接触追踪的情境下的应用，探讨中心化和去中心化的网络方法、以及利用智能手机和可穿戴设备上的传感特征来检测用户之间的接触风险并对两种设备的接近距离检测性能进行实验比较。

Aug, 2021

通过在现实环境下对各种移动手持设备上的 Bluetooth Low Energy 接收信号强度进行测量，我们发现该方式在检测接触事件时的准确性取决于相对定位、人体吸收和场地传播。因此，使用 Bluetooth LE 接触追踪应用程序结合采用新的社交协议可能会带来好处，例如，在会议期间将手机放在桌子上可以简化使用接收信号强度进行接近距离探测。

May, 2020

介绍了一个在加拿大开发的名为 “COVI” 的基于移动应用、利用点对点技术实现的新冠肺炎病毒接触者跟踪与风险意识软件，该软件采用机器学习技术辅助个性化提供病毒感染风险意识，且符合隐私保护标准。

May, 2020

通过 WiFi 传感器实现无需客户端参与的网络中心式接触者追踪，使用图算法提升传统方法的效率，基于实验验证其可行性和有效性。

May, 2020

该研究介绍了一种名为 DP3T 的系统，该系统可用于安全、隐私地进行大规模的近距离追踪。该系统通过智能手机应用程序，帮助用户匿名地记录接近其的其他智能手机的随机 ID，以确保保密性和数据保护，并在 COVID-19 患者上传其 ID 后，通知所有接触过该患者的智能手机用户。

May, 2020

本文分析了新型传染病疫情期间手机应用程序如 TraceTogether 等的隐私权问题，并提出了一些如何改善隐私问题而不降低公共卫生效果的方法。我们希望在编写本文时，确保隐私权是围绕移动接触追踪应用程序的讨论的核心特征，并鼓励社区努力开发具有更强的隐私保护的替代解决方案。

Mar, 2020

通过集成概率技术进行风险评估，在 COVID-19 疫情的控制和流行扩展阶段，使用口罩和系统性实施的接触追踪策略可能是一种有效且社会影响较小的替代方案。研究发现，概率接触追踪技术在捕获病原体扩散的逆向传播和超级传播事件方面表现出显著的功效。

Dec, 2023

提出了一种全新的接触追踪范例，基于网络理论的力量，通过向周围人告知传染源与自己之间的距离，从而激发每个人自我保护的本能，提高社交附近感染的注意，减少病毒传播。该系统通过引入行为变革协调问题的解决方案，以极低的采纳阈值实现了用户视角的关键质量体现，并具有更强的加速计划实现更广泛采纳的自然动力和更有效的预警能力。

Oct, 2020