[论文解读] 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 7

一句话总结

该论文提出 AdaEM，一种基于机器学习的自适应能量管理框架，用于实现自供能可穿戴移动健康设备。通过结合用户活动预测与能量采集建模，并采用动态鲁棒优化，AdaEM 在真实硬件上实现超过 95% 的手动充电减少率，同时保持高精度，能量和时间开销均低于 0.005%。

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.

研究动机与目标

• 解决可穿戴移动健康设备因电池容量有限而导致的频繁充电问题。
• 通过智能结合能量采集与电池能量管理，实现自供能运行。
• 在确保关键健康监测不被中断的前提下，最小化用户充电频率。
• 开发一种轻量级、可部署的解决方案，以应对预测和能量可用性不确定性下的实时能量管理。

提出的方法

• AdaEM 使用机器学习预测用户活动模式及来自光照和运动等环境能源的未来能量采集潜力。
• 将能量管理建模为动态鲁棒优化（DyRO）问题，以处理机器学习预测和环境能量可用性中的不确定性。
• 提出一种轻量级近似方法，以高效求解 DyRO 实例，最大限度减少实时部署中的计算和能量开销。
• 将来自太阳能和运动供电可穿戴原型的实时能量采集数据与公开数据集中的用户活动数据相结合。
• 能量管理决策每小时做出一次，通过优化充电时间表以最大化两次充电之间的间隔，同时保持系统可靠性。
• 采用五名个体五年的真实世界用户数据对方法进行评估，性能指标包括充电频率、约束违反次数和预测准确性。

实验结果

研究问题

• RQ1 基于预测建模的自适应能量管理能否减少可穿戴健康设备的人工充电需求？
• RQ2 如何有效建模能量采集和用户活动预测中的不确定性，以确保系统可靠运行？
• RQ3 在资源受限的可穿戴设备上部署基于鲁棒优化的能量管理系统，其计算和能量开销如何？
• RQ4 与基线方法相比，该方法在约束违反次数和系统可靠性方面表现如何？
• RQ5 在能量中性或近能量中性模式下，系统能否在保持高健康监测准确性的同时运行？

主要发现

• AdaEM 的解在最优能量管理策略的 5% 以内，表现出高度的最优性。
• 在 TI-CC2652 MCU 上，该算法的能量开销低于 0.005%，执行时间开销低于 0.005%，表明其在真实世界部署中具有极高效率。
• 与基于按需充电的基线方法相比，AdaEM 将约束违反次数减少超过 99%，五年内违反事件不足 10 次（两次或以上连续违反）。
• 能量中性基线方法在大量日期上导致接近零的准确率，凸显了完全依赖采集能量的局限性。
• AdaEM 在五年内保持了高每日活动识别准确率，性能退化极小。
• 该系统实现了可持续运行，对设备性能和用户体验的影响可忽略不计。