[论文解读] Simultaneous Energy Harvesting and Gait Recognition using Piezoelectric Energy Harvester

Dong Ma, Guohao Lan+3 more|arXiv (Cornell University)|Sep 6, 2020

Innovative Energy Harvesting Technologies参考文献 52被引用 6

一句话总结

本文提出了一种同步能量收集与感知（SEHS）架构，通过在鞋垫中嵌入压电能量收集器（PEH），实现在能量收集的同时进行实时步态识别。通过应用一种新型预处理滤波器以减轻储能引起的信号失真，并采用基于LSTM的分类器，该系统在步态识别召回率上比先前工作高出12%，能量收集量提高127%，同时功耗降低38%。

ABSTRACT

Piezoelectric energy harvester, which generates electricity from stress or vibrations, is gaining increasing attention as a viable solution to extend battery life in wearables. Recent research further reveals that, besides generating energy, PEH can also serve as a passive sensor to detect human gait power-efficiently because its stress or vibration patterns are significantly influenced by the gait. However, as PEHs are not designed for precise measurement of motion, achievable gait recognition accuracy remains low with conventional classification algorithms. The accuracy deteriorates further when the generated electricity is stored simultaneously. To classify gait reliably while simultaneously storing generated energy, we make two distinct contributions. First, we propose a preprocessing algorithm to filter out the effect of energy storage on PEH electricity signal. Second, we propose a long short-term memory (LSTM) network-based classifier to accurately capture temporal information in gait-induced electricity generation. We prototype the proposed gait recognition architecture in the form factor of an insole and evaluate its gait recognition as well as energy harvesting performance with 20 subjects. Our results show that the proposed architecture detects human gait with 12% higher recall and harvests up to 127% more energy while consuming 38% less power compared to the state-of-the-art.

研究动机与目标

• 在不损害能量收集性能的前提下，实现基于压电能量收集器（PEH）的可靠步态识别。
• 解决能量存储电路对PEH传感信号造成的干扰，该干扰会降低步态识别准确率。
• 设计一种双用途系统，利用同一PEH硬件同步实现能量收集与步态分类。
• 在可穿戴、鞋垫式系统中，相较于现有最先进方法，提升识别准确率与能效。

提出的方法

• 提出一种预处理算法，以滤除由电容储能引起的PEH生成的交流电压信号中的失真。
• 设计一种基于LSTM的深度神经网络分类器，以捕捉原始PEH信号中的时间模式，实现步态识别。
• 将PEH集成到可穿戴鞋垫结构中，以最大化行走过程中脚部撞击带来的能量生成。
• 使用现成元器件原型化SEHS系统，实现实时运行且功耗较低。
• 通过最小化电源管理电路对信号的干扰，优化系统以平衡能量收集与传感性能。
• 通过20名受试者评估系统，验证其在真实世界步态识别与能量收集场景下的性能。

实验结果

研究问题

• RQ1 电容储能如何影响用于步态识别的压电能量收集器的传感信号？
• RQ2 像LSTM这样的深度学习模型能否在无需大量预处理的情况下，直接从原始、噪声较大的PEH信号中有效分类步态模式？
• RQ3 单个PEH在不造成性能下降的前提下，能在多大程度上同时实现能量收集与准确的步态识别？
• RQ4 所提出的滤波算法在存在能量存储干扰的情况下，如何提升步态识别准确率？
• RQ5 在双用途PEH系统中，能量收集效率、功耗与识别准确率之间存在何种权衡？

主要发现

• 所提出的滤波算法成功减轻了由储能引起的信号失真，提高了PEH输出中与步态相关特征的保真度。
• LSTM分类器能够直接从原始PEH信号中实现高步态识别准确率，优于需要大量预处理的传统方法。
• SEHS原型在步态检测召回率上比Xu等人[11]提出的最先进方法高出12%。
• 该系统能量收集量比基线方法高出127%，显著提升了能效。
• 尽管能量收集与识别性能更高，SEHS系统的功耗仍比先前最先进方法低38%。
• 鞋垫式原型成功展示了在可穿戴应用中实现实时、无感步态识别与能量收集的实际可行性。