[論文レビュー] Adaptive Energy Management for Self-Sustainable Wearables in Mobile Health

Dina Hussein, Ganapati Bhat+1 more|arXiv (Cornell University)|Jan 16, 2022

Energy Harvesting in Wireless Networks被引用数 7

ひとこと要約

本論文では、自己持続可能なウェアラブルモバイルヘルスデバイス向けに、機械学習駆動の適応型エネルギー管理フレームワークAdaEMを提案する。ユーザー行動の予測モデリングとエネルギー回収の組み合わせに加え、動的ロバスト最適化を用いることで、実機上で95%以上の再充電を削減しつつ、高い精度を維持し、エネルギーおよび実行時間のオーバーヘッドはそれぞれ0.005%未満に抑えられた。

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.

研究の動機と目的

• 限られたバッテリーキャパシティによるウェアラブルモバイルヘルスデバイスにおける頻繁な再充電の課題に対処すること。
• エネルギー回収とバッテリーのエネルギー管理を知的に統合することで、自己持続的運用を可能にすること。
• 重要な健康モニタリングが中断されないよう、ユーザーの再充電頻度を最小限に抑えること。
• 予測とエネルギー可用性の不確実性を考慮した、実時間でのエネルギー管理に適した軽量で実装可能なソリューションを開発すること。

提案手法

• AdaEMは機械学習を用いて、光や運動などの周囲のエネルギー源からの将来のエネルギー回収可能性とユーザー行動パターンを予測する。
• 不確実性のあるML予測と環境エネルギー可用性を扱うために、エネルギー管理を動的ロバスト最適化（DyRO）問題として定式化する。
• 実時間でのデプロイに適した計算およびエネルギーオーバーヘッドを最小限に抑えるために、DyROインスタンスを効率的に解ける軽量な近似手法を提案する。
• 太陽光および運動駆動のウェアラブルプロトタイプから得られるリアルタイムのエネルギー回収データと、公開データセットからのユーザー行動データを統合する。
• エネルギー管理の意思決定は1時間ごとに行い、再充電間隔を最大化すると同時にシステムの信頼性を維持するように最適化する。
• 性能は再充電頻度、制約違反、正確性の観点から、5名の個人に対して5年間の実世界データを用いて評価された。

実験結果

リサーチクエスチョン

• RQ1 予測モデリングに基づく適応型エネルギー管理は、ウェアラブルヘルスデバイスにおける手動再充電の必要性を低減できるか？
• RQ2 エネルギー回収とユーザー行動予測の不確実性を効果的にモデル化することで、信頼性の高い運用を確保できるか？
• RQ3 リソース制約のあるウェアラブル機器に、ロバスト最適化ベースのエネルギー管理システムをデプロイする際の計算およびエネルギーオーバーヘッドはどの程度か？
• RQ4 ベースライン手法と比較して、本手法は制約違反とシステム信頼性の観点でどの程度優れているか？
• RQ5 エネルギー中立的またはほぼエネルギー中立的なモードで動作させた場合、本システムは健康モニタリングの高精度を維持できるか？

主な発見

• AdaEMは最適なエネルギー管理方針から5%以内の解を得ており、高い最適性を示した。
• TI-CC2652 MCU上でエネルギーオーバーヘッドが0.005%未満、実行時間オーバーヘッドが0.005%未満に抑えられ、実世界へのデプロイに非常に効率的であった。
• オンデマンド再充電のベースライン手法と比較して、制約違反が99%以上削減され、5年間で2回以上の違反が10件未満に抑えられた。
• エネルギー中立のベースライン手法では、多数の日でほぼゼロの正確性を示し、回収エネルギーに依存するだけの運用の限界が浮き彫りになった。
• 5年間にわたり、活動認識の日常的正確性を高い水準で維持しており、性能劣化は最小限に抑えられた。
• 本システムは、デバイスの性能およびユーザー体験にほとんど影響を与えることなく、持続可能な運用を可能にした。