[논문 리뷰] Adaptive Energy Management for Self-Sustainable Wearables in Mobile Health

Dina Hussein, Ganapati Bhat외 1명|arXiv (Cornell University)|2022. 01. 16.

Energy Harvesting in Wireless Networks인용 수 7

한 줄 요약

이 논문은 자가 지속 가능한 웨어러블 모바일 헬스 기기용 기계학습 기반 적응형 에너지 관리 프레임워크인 AdaEM을 제안한다. 사용자 활동 예측 모델링과 에너지 수확 능력 예측을 동적으로 강건 최적화와 융합함으로써, 실시간 하드웨어에서 에너지 및 시간 오버헤드가 0.005% 미만이면서도 수동 충전 빈도를 95% 이상 감소시킨다.

ABSTRACT

Wearable devices that integrate multiple sensors, processors, and communication technologies have the potential to transform mobile health for remote monitoring of health parameters. However, the small form factor of the wearable devices limits the battery size and operating lifetime. As a result, the devices require frequent recharging, which has limited their widespread adoption. Energy harvesting has emerged as an effective method towards sustainable operation of wearable devices. Unfortunately, energy harvesting alone is not sufficient to fulfill the energy requirements of wearable devices. This paper studies the novel problem of adaptive energy management towards the goal of self-sustainable wearables by using harvested energy to supplement the battery energy and to reduce manual recharging by users. To solve this problem, we propose a principled algorithm referred as AdaEM. There are two key ideas behind AdaEM. First, it uses machine learning (ML) methods to learn predictive models of user activity and energy usage patterns. These models allow us to estimate the potential of energy harvesting in a day as a function of the user activities. Second, it reasons about the uncertainty in predictions and estimations from the ML models to optimize the energy management decisions using a dynamic robust optimization (DyRO) formulation. We propose a light-weight solution for DyRO to meet the practical needs of deployment. We validate the AdaEM approach on a wearable device prototype consisting of solar and motion energy harvesting using real-world data of user activities. Experiments show that AdaEM achieves solutions that are within 5% of the optimal with less than 0.005% execution time and energy overhead.

연구 동기 및 목표

• 제한된 배터리 용량으로 인한 웨어러블 모바일 헬스 기기의 빈번한 충전 문제를 해결하기 위해.
• 에너지 수확과 배터리 에너지 관리를 지능적으로 융합하여 자가 지속 가능한 운영을 가능하게 하기 위해.
• 비상적인 건강 모니터링이 중단되지 않도록 하면서도 사용자 충전 빈도를 최소화하기 위해.
• 예측 및 에너지 가용성의 불확실성 하에서 실시간 에너지 관리를 위한 경량이고 구현 가능한 솔루션을 개발하기 위해.

제안 방법

• AdaEM는 주변 광원과 운동과 같은 환경적 에너지원으로부터의 사용자 활동 패턴과 향후 에너지 수확 가능성을 기계학습을 통해 예측한다.
• ML 예측과 환경적 에너지 가용성의 불확실성을 다루기 위해 에너지 관리를 동적 강건 최적화(DyRO) 문제로 수식화한다.
• 실시간 구현을 위한 계산 및 에너지 오버헤드를 최소화하기 위해 DyRO 문제의 효율적인 경량 근사 방법을 제안한다.
• 태양광 및 운동 기반 에너지 수확을 하는 웨어러블 프로토타입에서의 실시간 에너지 수확 데이터와 공개 데이터셋에서의 사용자 활동 데이터를 통합한다.
• 에너지 관리 결정은 매시간 내림으로써, 시스템 신뢰성을 유지하면서도 충전 간격을 최대화하는 충전 일정을 최적화한다.
• 성능은 충전 빈도, 제약 위반 수, 정확도를 측정하여 평가되었으며, 다섯 명의 개인에 대해 다섯 년간의 실제 사용자 데이터를 기반으로 한다.

실험 결과

연구 질문

• RQ1 예측 모델링 기반의 적응형 에너지 관리가 웨어러블 헬스 기기의 수동 충전 필요성을 줄일 수 있는가?
• RQ2 에너지 수확과 사용자 활동 예측의 불확실성을 효과적으로 모델링하여 신뢰성 있는 운영을 보장할 수 있는가?
• RQ3 자원 제약이 있는 웨어러블 기기에서 강건 최적화 기반 에너지 관리 시스템을 구현할 경우 계산 및 에너지 오버헤드는 어느 정도인가?
• RQ4 기본 기반 방법과 비교할 때 제안된 방법은 제약 위반 수와 시스템 신뢰성 측면에서 어떤가?
• RQ5 에너지 중립 또는 근접 에너지 중립 모드에서 운영되더라도 시스템은 높은 정확도를 유지할 수 있는가?

주요 결과

• AdaEM는 최적 에너지 관리 정책에 대해 5% 이내의 해를 달성하여 높은 최적성(optimality)을 입증한다.
• TI-CC2652 MCU에서 에너지 오버헤드가 0.005% 미만, 실행 시간 오버헤드가 0.005% 미만으로 발생하여 실세계 구현에 매우 효율적이다.
• 기본 기반의 즉시 충전 방법과 비교해 제약 위반 수를 99% 이상 감소시켰으며, 다섯 년 동안 두 번 이상의 위반 사례가 10건 이하로 발생했다.
• 에너지 중립 기반의 기본 방법은 다수의 날에 거의 정확도가 0에 가까워지는 결과를 보였으며, 수확된 에너지만으로 의존할 경우의 한계를 드러냈다.
• AdaEM는 다섯 년간의 활동 인식 정확도를 높게 유지하며 성능 저하가 최소한이었다.
• 시스템은 기기 성능과 사용자 경험에 거의 영향을 주지 않으면서 지속 가능한 운영을 가능하게 했다.