[论文解读] ApproxCS: Near-Sensor Approximate Compressed Sensing for IoT-Healthcare Systems

Ayesha Siddique, Osman Hasan+2 more|arXiv (Cornell University)|Nov 18, 2018

Analog and Mixed-Signal Circuit Design被引用 8

一句话总结

该论文提出ApproxCS，一种面向物联网医疗系统的近传感器近似压缩感知框架，通过在基于伯努利传感的CS采集中引入低功耗近似加法器（LPAA），在不损害关键心律失常检测能力的前提下，实现高达59%的能耗节省。通过利用心电图信号固有的容错性，该方法结合${ m l}_2^d$ RLS算法与字典学习，实现了在近似噪声存在下的高能效信号重建，保持了高诊断准确性。

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.

研究动机与目标

• 解决可穿戴物联网医疗系统中近传感器处理的能效瓶颈问题。
• 探索在不降低诊断可靠性的情况下，将近似计算应用于生物医学信号采集中压缩感知的可行性。
• 识别在实时心律失常检测中近似压缩感知的能效-质量权衡。
• 设计一种可扩展、应用感知的框架，通过低功耗近似加法器实现可调近似。

提出的方法

• 该框架采用改进的逐行伯努利传感矩阵（BCS*），以降低CS采集中的计算复杂度。
• 将低功耗近似加法器（LPAA）集成到CS处理流水线中，以在可控近似噪声的代价下减少能耗。
• 采用${ m l}_2^d$递归最小二乘（RLS）重建算法进行信号恢复，并通过定点实现以匹配硬件约束。
• 在接收端应用字典学习（DL）以提升重建质量，尤其在高近似水平下表现更优。
• 对七种LPAA变体进行设计空间探索，以评估能效-质量权衡。
• 使用MIT-BIH心律失常数据库对性能进行验证，评估指标包括信噪比（SNR）、百分比重建失真（PRD）、R波峰值检测正确率（PPR）和心律失常检测错误率（DER）。

实验结果

研究问题

• RQ1 能否在不损害心律失常检测能力的前提下，安全地将近似计算应用于物联网医疗系统中的压缩感知？
• RQ2 在ECG信号的近似CS中，能耗节省与信号重建质量之间的最优权衡是什么？
• RQ3 哪种近似加法器设计在保持心律失常检测诊断准确性的同时，实现了最佳能效？
• RQ4 在高近似噪声下，字典学习如何影响近似CS重建的鲁棒性？

主要发现

• ApproxCS在使用LPAA 7时实现了约59%的能耗节省，信号质量退化极小，且R波峰值检测无假阴性。
• 高达40%的近似噪声下，信号退化程度较低（高SNR，低PRD），同时保持了低能耗。
• LPAA 4在60%近似水平下提供了更优的重建质量，但引入了噪声R波，表明准确度与效率之间存在权衡。
• LPAA 6在60%近似水平下表现出较高的噪声R波概率（高PPR），因此不适合用于可靠诊断。
• 字典学习显著提升了重建质量，降低了DER和PRD，尤其在与LPAA 7结合时效果更明显。
• 所提出的框架在所有近似水平下均保持100%的敏感度（FN = 0），确保无关键心律失常事件被遗漏。