[논문 리뷰] ApproxCS: Near-Sensor Approximate Compressed Sensing for IoT-Healthcare Systems

Ayesha Siddique, Osman Hasan외 2명|arXiv (Cornell University)|2018. 11. 18.

Analog and Mixed-Signal Circuit Design인용 수 8

한 줄 요약

이 논문은 심전도 신호의 내재적 오차 내성 특성을 활용하여 약 59%의 에너지 절감을 달성하면서도 심 arrhythmia 탐지 능력을 손상시키지 않는 near-sensor 약간의 오차를 허용하는 압축 측정 기반의 ApproxCS를 제안한다. 약간의 오차를 허용하는 추가기(_LPAA_)를 Bernoulli 측정 기반의 CS 측정에 통합함으로써, ${ m l}_2^d$ RLS 알고리즘과 사전 학습을 통해 에너지 효율적인 신호 복원을 실현하며, 약간의 오차 노이즈가 존재하는 상황에서도 높은 진단 정확도를 유지한다.

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.

연구 동기 및 목표

• 웨어러블 IoT-헬스케어 시스템의 near-sensor 처리에서 에너지 효율성의 한계를 해결하기 위해.
• 생체 신호 측정에서 약간의 계산을 적용한 압축 측정의 가능성을 탐색하여 진단 신뢰성 저하 없이 실현 가능할지 검토하기 위해.
• 실시간 arrhythmia 탐지에 적합한 약간의 오차를 허용하는 압축 측정의 에너지-품질 간 상호 보완 관계를 규명하기 위해.
• 조절 가능한 약간의 오차를 제공하는 저전력 약간의 오차 추가기(LPAA)를 활용한 확장성 있고 애플리케이션 인식 기반의 프레임워크를 설계하기 위해.

제안 방법

• CS 측정에서 계산 복잡도를 감소시키기 위해 수정된 행 기반 Bernoulli 측정 행렬(BCS*)을 사용한다.
• 에너지 소비를 줄이기 위해 CS 처리 파이프라인에 저전력 약간의 오차 추가기(LPAA)를 통합하여 제어 가능한 약간의 오차 노이즈를 유도한다.
• ${ m l}_2^d$ 재귀적 최소 제곱(RLS) 복원 알고리즘을 사용하여 신호 복원을 수행하며, 하드웨어 제약 조건을 고려한 고정점 구현을 적용한다.
• 수신기에서 사전 학습(DL)을 적용하여 복원 품질을 향상시키며, 특히 높은 약간의 오차 수준에서 효과적이다.
• 에너지-품질 간 상호 보완 관계를 평가하기 위해 일곱 가지 LPAA 변형에 대한 설계 공간 탐색을 수행한다.
• 성능 검증을 위해 MIT-BIH Arrhythmia 데이터베이스를 사용하며, SNR, PRD, PPR, R-peak 탐지에 대한 DER 등의 지표를 사용한다.

실험 결과

연구 질문

• RQ1 약간의 계산을 적용한 압축 측정이 IoT-헬스케어 시스템에서 arrhythmia 탐지 능력을 손상시키지 않고 안전하게 적용될 수 있는가?
• RQ2 ECG 신호에 대한 약간의 오차를 허용하는 압축 측정에서 에너지 절감과 신호 복원 품질 간 최적의 상호 보완 관계는 무엇인가?
• RQ3 어느 약간의 오차 추가기 설계가 진단 정확도를 유지하면서도 가장 높은 에너지 효율성을 제공하는가?
• RQ4 약간의 오차 노이즈가 높은 수준일 경우 사전 학습이 약간의 오차를 허용하는 압축 측정 복원의 강건성에 어떤 영향을 미치는가?

주요 결과

• LPAA 7를 사용할 경우 ApproxCS는 약 59%의 에너지 절감을 달성하며, 신호 품질에 대한 최소한의 손실과 R-peak 탐지에서의 잘못된 음성 결과 없이 성능을 유지한다.
• 최대 40%의 약간의 오차 노이즈 수준에서도 낮은 신호 품질 저하(높은 SNR 및 낮은 PRD)를 유지하면서 낮은 에너지 소비를 확보한다.
• LPAA 4는 60%의 약간의 오차 수준에서 더 높은 복원 품질을 제공하지만, 노이즈가 있는 R-peak를 유발하여 정확도와 효율성 간의 상충 관계를 보여준다.
• LPAA 6는 60%의 약간의 오차 수준에서 높은 확률로 노이즈가 있는 R-peak를 유발하며(높은 PPR), 신뢰할 수 있는 진단에는 부적합하다.
• 사전 학습은 복원 품질을 크게 향상시키며, 특히 LPAA 7와 조합했을 경우 DER 및 PRD를 감소시킨다.
• 제안된 프레임워크는 모든 약간의 오차 수준에서 100%의 민감도(FN = 0)를 유지하여 심각한 arrhythmia 사건이 놓치지 않음을 보장한다.