[論文レビュー] ApproxCS: Near-Sensor Approximate Compressed Sensing for IoT-Healthcare Systems

Ayesha Siddique, Osman Hasan+2 more|arXiv (Cornell University)|Nov 18, 2018

Analog and Mixed-Signal Circuit Design被引用数 8

ひとこと要約

本稿では、心電図信号に内在する誤り耐性を活用し、近センサー近似圧縮センシングフレームワークであるApproxCSを提案する。この手法は、ベルヌーイ型センシングに基づくCS取得において低消費電力近似加算器（LPAA）を活用することで、深刻な不整脈検出に影響を与えることなく最大59%のエネルギー節約を実現する。${\rm l}_2^d$ RLSアルゴリズムと辞書学習を用いることで、近似ノイズ下でも高精度な診断を維持するエネルギー効率の良い信号再構成を実現する。

ABSTRACT

Internet of Things (IoTs) is an emerging trend that has enabled an upgrade in the design of wearable healthcare monitoring systems through the (integrated) edge, fog, and cloud computing paradigm. Energy efficiency is one of the most important design metrics in such IoT-healthcare systems especially, for the edge and fog nodes. Due to the sensing noise and inherent redundancy in the input data, even the most safety-critical biomedical applications can sometimes afford a slight degradation in the output quality. Hence, such inherent error tolerance in the bio-signals can be exploited to achieve high energy savings through the emerging trends like, the Approximate Computing which is applicable at both software and hardware levels. In this paper, we propose to leverage the approximate computing in digital Compressed Sensing (CS), through low-power approximate adders (LPAA) in an accurate Bernoulli sensing-based CS acquisition (BCS). We demonstrate that approximations can indeed be safely employed in IoT healthcare without affecting the detection of critical events in the biomedical signals. Towards this, we explored the trade-of between energy efficiency and output quality using the state-of-the-art lp2d RLS reconstruction algorithm. The proposed framework is validated with the MIT-BIH Arrhythmia database. Our results demonstrated approximately 59% energy savings as compared to the accurate design.

研究の動機と目的

• ウェアラブルIoT-ヘルスケアシステムにおける近センサー処理のエネルギー効率のボトル neck を解決すること。
• 診断信頼性を損なわず、バイオメディカル信号取得における圧縮センシングに近似コンピューティングを適用する可能性を検討すること。
• リアルタイム不整脈検出を目的とした近似圧縮センシングにおけるエネルギー-品質トレードオフを同定すること。
• 低消費電力近似加算器による調整可能な近似を可能にするスケーラブルでアプリケーションに適したフレームワークを設計すること。

提案手法

• CS取得における計算複雑性を低減するため、修正された行単位のベルヌーイ型センシング行列（BCS*）を採用する。
• エネルギー消費を削減する目的で、CS処理パイプラインに低消費電力近似加算器（LPAA）を統合し、制御された近似ノイズを許容する。
• 信号再構成には、ハードウェア制約に適合する固定小数点実装を用いた${\rm l}_2^d$再帰的最小二乗（RLS）アルゴリズムを採用する。
• 受信側で辞書学習（DL）を適用することで、特に高い近似レベル下でも再構成品質を向上させる。
• エネルギー-品質トレードオフを評価するために、7種類のLPAAバリエーションを対象とした設計空間探索を実施する。
• MIT-BIH不整脈データベースを用いて性能を検証し、SNR、PRD、PPR、Rピーク検出のDERといった指標を用いる。

実験結果

リサーチクエスチョン

• RQ1 近似コンピューティングをIoT-ヘルスケアシステムの圧縮センシングに安全に適用できるか、不整脈検出の精度に影響を与えないか。
• RQ2 ECG信号の近似圧縮センシングにおいて、エネルギー節約と信号再構成品質の最適なトレードオフは何か。
• RQ3 どの近似加算器設計が、Rピーク検出における診断正確性を維持しつつ、最高のエネルギー効率を達成できるか。
• RQ4 高レベルの近似ノイズ下で、辞書学習は近似圧縮センシング再構成のロバストネスにどのように寄与するか。

主な発見

• LPAA 7を用いるApproxCSは、信号品質の著しい劣化がなく、Rピーク検出における偽陰性（FN）がゼロであることを確認し、約59%のエネルギー節約を達成する。
• 最大40%の近似ノイズ下でも、信号劣化は低く（高いSNR、低いPRD）、エネルギー消費も低く抑えられる。
• LPAA 4は60%の近似レベルで高い再構成品質を示すが、ノイズの強いRピークを発生させるため、正確性と効率のトレードオフが顕在化している。
• LPAA 6は60%の近似レベルで高いノイズRピーク発生確率（高いPPR）を示し、信頼性の高い診断には不適切である。
• 辞書学習は再構成品質を顕著に向上させ、特にLPAA 7と組み合わせることでDERとPRDを低減する。
• 提案フレームワークは、すべての近似レベルで100%の感度（FN = 0）を維持し、深刻な不整脈イベントが見逃されることがない。