STINT：低功耗生理信号选择性传输

STINT：用于低能耗生理监测的选择性传输

摘要

由新型可穿戴传感器实现的无创、连续生理传感正在为许多医疗实践提供前所未有的诊断洞察。然而，这些可穿戴传感器有限的电池容量在延长设备寿命以防止遗漏重要事件方面构成了关键挑战。在本研究中，我们利用生理信号固有的稀疏性，智能地实现对这些信号的选择性传输，从而提高可穿戴传感器的能效。我们提出了STINT，一种选择性传输框架，该框架基于特定领域的知识生成原始信号的稀疏表示，并可集成到各种资源受限的嵌入式传感物联网平台中。STINT采用神经网络（NN）进行选择性传输：该神经网络识别并仅传输原始信号中的信息部分，从而实现低功耗运行。我们通过在EcoBP——一种新型微型化无线连续血压传感器上测试我们的框架，验证了STINT并在物联网领域确立了其在节能生理监测方面的有效性。在EcoBP设备上的初步实验结果表明，启用STINT的EcoBP传感器相较于原生平台降低了14%的传感器能耗，并且通过互补的蓝牙和无线优化还有进一步节能的空间。

CCS概念

•硬件 →功耗估算与优化; •网络→链路层协议; •计算方法→正则化Neural networks.

关键词

计算与通信权衡，连续监测，边缘深度学习，蓝牙，物联网医疗

ACM参考文献格式：

李 Tao‐Yi、Vo Khuong、白 Wongi、米歇尔·海恩 和 尼基尔·达特。2020年。STINT：用于低能耗生理监测的 选择性传输。收录于ACM/IEEE 国际 研讨会 关于 低 功耗 电子学 与 设计(ISLPED ’20)， 8月 10–12日， 2020年， 马萨诸塞州波士顿， 美国。 ACM，美国纽约州纽约市，6页。 https://doi.org/10.1145/3370748.3406563

1 引言

各种生理信号的连续监测为临床诊断和治疗后医疗随访提供了新的见解，尤其是在慢性疾病方面。例如，心电图（ECG）可以突出显示需要对心血管疾病（如心房颤动）进行医疗干预的关键事件。传统上，连续监测的心电图由动态心电图监测仪记录，这种方式不仅非常繁琐，而且无法在日常环境中实现关键事件的实时检测。

最近，Koole 等人 [1] 报道了一种智能可穿戴心电图监测仪，该设备有助于对进展中的先天性心脏病进行及时干预。实现这种诊断优势的关键在于实时机器学习模型，该模型能够识别并将每一次单次心跳分类为在医学背景中具有重要意义的类别。通常，并非所有类别在诊断中都具有同等价值。这为实现选择性数据传输提供了机会，即对于上下文意义较小的数据，可以以更低的 精确率 进行采集、处理和传输，甚至 完全丢弃，从而实现低功耗运行。为了说明这一机会，本文研究了在可穿戴连续无创血压（CNBP）传感器背景下用于低功耗运行的选择性数据传输。我们提出了一种技术，可在名为 EcoBP 的新型定制硬件平台上，选择性地传输桡动脉脉搏波（即 一种 CNBP）的数据样本，以实现更低的功耗和最小的诊断敏感性损失。

本文做出了以下贡献：
- 我们提出STINT，一种基于领域特定知识生成原始信号稀疏表示的选择性传输框架，可集成到多种资源受限的嵌入式传感物联网平台中。
- 我们开发了一种多层感知机（MLP）神经网络，能够高效地逼近连续输入信号与标签之间的序列到序列关系，并可在资源受限的物联网微控制器单元（MCU）上部署。
- 我们展示了将STINT应用于EcoBP的一个真实案例研究，EcoBP是一种新型可穿戴压容式连续血压传感器平台。
- 早期实验结果表明，在原生EcoBP平台上实现了14%的节能，且通过通信协议和硬件优化还有进一步节能的空间。

后续章节组织如下。第2节介绍了低功耗传感技术的相关工作。第3节定义了资源受限设备上的选择性传输问题，并提出了我们的神经网络公式。第4节展示了将STINT应用于一种新型可穿戴CNBP平台EcoBP的案例研究。第5节给出了在EcoBP平台上使用STINT的实验结果及节能分析。第6节总结了本文内容。

2 背景与相关工作

许多算法方案已被提出，以优化传感器网络中的计算‐通信权衡。高效的嵌入式计算的可用性有助于通信系统最小化能源或带宽的使用，而这些资源在许多物联网应用中十分稀缺。

Samie 等人[2]提出了一种两级架构，其中轻量级且高精度分类器（LYAC）决定将样本卸载到雾计算层进行计算，而另一个轻量级且高精度分类器（LYAC）对选择在本地处理的样本进行分类。Lee 等人[3]提出了一种联合跨层优化方法，以根据应用程序指导的目标来优化数据传输策略。

压缩感知（CS）[4]也是一种很有前景的技术，它将来自传感器的原始信号投影到更小的子空间后再进行传输，从而降低通信能耗。Dixon 等人 [5]和 Roy 等人 [6]均采用压缩感知（CS）来降低心电图系统中的采集与通信能耗。

硬件技术，例如王等人提出的蓝牙低功耗（BLE）平台，通过采用多种电源管理最佳实践以及低功耗通信协议，专门针对可穿戴医疗设备进行了优化。最近的研究探索了利用光伏电池和最大功率点跟踪技术进行能量收集，以将BLE平台的电池寿命延长至数天[8]。这些技术放宽了系统的整体能量预算。

然而，由于紧凑外形尺寸，大多数可穿戴物联网传感器仍然对能量敏感且计算资源有限。我们通过在以下两个方面补充先前的研究，解决了边缘设备上计算‐能量权衡（而非涵盖带宽限制的一般性计算与通信权衡）所带来的挑战：
1）我们提出了STINT，一种新颖的选择性传输策略，用于实现可穿戴低功耗物联网传感器；2）我们将该方案应用于EcoBP，这是一种新型的连续血压监测平台，集成了压容式传感器和电源管理电路，以在噪声性能和节能之间实现平衡。

3 我们的解决方案：STINT

任何长度为 T的生理信号都可以表示为时间序列 x=[xT , x T −1 ,…, x1] ∈ R 1×T。假设一个预言机O(·)为给定任务T（例如，判断 x是否指示某种疾病，在这种情况下为 y ∈ R 1）生成 x的真实的低维表示 y。

3.1 选择性传输

我们现在可以定义选择性传输的问题。

A selector s(x) ∈ R1×T →[false, true]1×T
s(x) ≜ s˜(x; θ) ≥ τ (1)
是一个将原始信号映射为布尔时间序列的函数，该序列根据决策阈值 τ指示每个样本 xt是否重要。确定最优选择器等同于寻找
θˆ= argmin θ ∈Θ ∑ x ∈X(∥O(x) − O(s˜(x; θ) ⊙ x)∥2+ λ∑ i ℜ(si))(2)
= argmin θ ∈Θ ∑ x ∈X(∥y − O(s˜ ⊙ x)∥2+ λℜ(s)) (3)
其中 s˜= s˜(x; θ) =[sT, sT −1,…, s1], ⊙ 表示两个向量的哈达玛（逐元素）积，λ 控制正则化项 R 在最小化所选样本数量方面的重要性。

图1(a)展示了原始的传输方案，而1(b)展示了STINT的选择性传输方案。请注意，我们假设发射器仅在非零 输入时进行传输。公式3中的项 s ⊙ x可以被视为原始信号的一种稀疏 表示，该表示由选择器 s(x; θ)产生。选择性传输方案的具体实现将在下一小节中详细说明。

3.2 评估指标

为了评估STINT的优势，我们提出了一种性能指标（FoM） η， 用于衡量马修斯相关系数（MCC）[9]与总能耗E（单位为微焦耳）的比值。形式上，性能指标 η定义如下
η= MCC / E (4)
= TP × TN −FP × FN / E√(TP+ FP)(TP+ FN)(TN+ FP)(TN+ FN) (5)
其中，TP、TN、FP 和 FN 分别表示二分类器四种可能结果的数量。选择 MCC 而非准确率和 F1 score 等其他指标，是因为 MCC 对类别不平衡不敏感，且在真阳性（TP）和真阴性（TN）之间具有对称性。为了进一步分析 STINT，我们需要定义两个额外的量，即召回率和精确率。这些定义从二分类中借鉴而来，用于评估选择性传输的决策质量。R召回率（或灵敏度 R）定义为传输的异常样本数量与原始异常样本总数之比。

异常样本，精确率 P定义为传输的异常样本与传输样本总数之 比。它们的计算公式如下
R= | {y ˆi |yˆi ∈ A}| / | {xi |xi ∈ A}| = TP / (TP+ FN) = TP / (TP+(n+ −TP)) (6)
P= | {yˆi}| / | {yˆi}| = TP / (TP+ FP) = TP / (TP+(n− −TN)) (7)
其中，A 是被视为异常（或可疑）的样本集合。n+ 和 n− 分别表示阳性条件和阴性条件的样本数量。在 STINT 中，较高的召回率是期望的，因为这样可以减少遗漏的异常样本。另一方面，也希望具有高精确率，以减少正常或不必要的样本被传输。注意，MCC 的分子为真阳性（TP）与真阴性（TN）乘积和假阳性（FP）与假阴性（FN）乘积之差。最大化 MCC 等价于同时最大化精确率和召回率——这是 STINT 所期望的状态。有人可能会认为，最大化准确率（定义为(TP+ TN) / (TP+TN+FP+FN)）似乎是另一个合理的目标。然而这是不正确的，因为准确率对类别不平衡敏感。例如，如果异常事件的发生率仅为 3%，那么一个始终返回正常的分类器在传输 1000 个样本时将获得 970/1000= 97% 的准确率。这个无用的分类器的 MCC 为 0，反映了其缺陷。

能量E和马修斯相关系数将在第4节描述的EcoBP平台上通过实验确定。然后在第5节中比较原生系统、以及图1a和图1b所示的STINT选择性传输系统的性能指标。

3.3 多层感知机实现STINT

尽管原则上可以使用多种候选人工神经网络（NNs）来实现选择器函数，但流行的深度神经网络模型存在资源和内存占用过高的问题，限制了它们在资源受限的微控制器单元上的部署。因此，我们选择了一种多层感知机（MLP），因其较小的内存占用和适中的资源使用，能够在微控制器单元上高效实现。用于捕捉原始信号 x= x T , x T −1 ,…, x1与标签y= y T ,y T −1 ,…, y1之间序列到序列关系的选择器 s(x; θ)，可通过以下方程定义的多层感知机进行近似：
a(1) = ReLU(W (1)x+ b(1) ) (8)
yˆ= σ(W (2)a(1)+ b(2) ) (9)
σ(x)= 1 / (1+ e −x) (10)
模型参数 θ 可表示为一个四元组 (W(1), W(2), b(1), b(2))， 其中权重矩阵 W(1) 和 W(2) 被掩码，使得在时间戳 i 处的激活值 a(1)、i 和 ˆ yi 不依赖于未来时刻的输入样本（即 xi+1 , . . .xT ）。等价地，函数 s(x; θ) 是 T 个时间序列回归模型的拼接，每个模型基于历史的 i 个样本估计样本 i 的异常性。

在数据集D上对选择性发射器的训练可以通过最小化真实值目标 y与估计值ˆy之间的分类交叉熵损失来实现。也就是说，
θˆ= argmin θ ∈Θ − 1/M ∑ {i=1}^M ∑ {j=1}^T y i j log yˆi j+ λ(yˆi j − yˆi j log yˆi j) (11)
其中 M表示D中训练样本的数量，y i j表示第 i个训练样本在时间戳 j处的异常情况。对输出施加了L1正则化，同时添加负熵以惩罚高置信度的输出分布[10]。这种正则化技术对底层神经网络的参数化是不变的。

4 案例研究：EcoBP

4.1 系统概述

EcoBP是我们新型的可穿戴压容式连续血压传感器平台。EcoBP的框图如图2所示。该硬件的第一个原型基于 Mbient Lab MMR板，该板采用北欧半导体蓝牙低功耗So C解决方案nRF52832设计。我们通过增加电容‐数字（CDC）转换器和专用电容传感器对电路板进行了扩展，以从桡动脉读取脉搏波。图3a展示了EcoBP的一个原型。

4.1.1 微控制器单元和蓝牙无线电

主SoC nRF52832集成了 ARM‐M4微控制器单元（MCU）和蓝牙低功耗无线电。该微控制器单元可访问512kB闪存、64kB内存以及浮点浮点处理单元（FPU）运行在64兆赫兹。在系统级芯片层面，它集成了32个GPIO引脚、一个SPI控制器和一个I2C控制器，我们使用该 I2C控制器与电容‐数字转换器（CDC）进行通信。

4.1.2 固件

EcoBP的固件使用C语言和nRF SDK 15版本实现。核心应用代码包含一个自定义蓝牙服务，以及一个使用 Keras离线训练的多层感知机（MLP）副本[11]。该蓝牙服务提供一个特征，通知CDC的原始读数、MLP报告的异常概率以及相关的时间戳。只有当异常概率大于指定阈值 τ时才发出通知，该阈值可通过另一个可写蓝牙特征进行调整。

4.1.3 压容传感器

我们部署了一种柔软且可延展的电容式压力传感器，该传感器利用纳米结构皱褶金薄膜（类似于Kim等人[12][13]）。这些皱褶的Au结构与底层聚合物基底实现了牢固的集成，使薄膜能够承受机械形变，同时保持其电学性能。更重要的是，该传感器的柔软机械特性改善了与人体的接口，从而实现对生理信号（包括逐搏血压（BP））的准确和精确测量。该压力传感器贴合身体表面，测量由动脉壁扩张引起的压力。测得的压力与生理上的逐搏血压（BP）相关。图3b中的传感器原型被构造成一个平行板可变电容器，通过表现出更高的标称电容来响应压力。EcoBP的压力灵敏度通过在电容式传感器内引入微脊状结构以形成混合空气‐硅胶介质层而得到改善。当受到压缩时，由于空气间隙体积减小，有效介电常数增加。

4.1.4 电容数字转换器

AD7746 CDC 是板载设备，用于持续数字化电容。该24位 Δ‐Σ模数转换器能够在90Hz输出数据速率下对单通道或双通道电容进行采样。电容动态范围为 ±4 pF，使用额外的量程扩展电路可进一步扩展至 ±25pF。CDC通过I2C总线与主控MCU通信。

5 评估

5.1 合成血压波形

合成血压波形基于脉搏分解分析（PDA）原理生成，用于系统评估。使用人工波形的理由包括：1）定义明确且参数化的生成源能够实现对系统的可重复性评估，以及2）避免了需要获得机构审查委员会（IRB）批准，从而进一步增强可重复性。

我们使用Python实现并开源了一个逐拍波形合成器，其输出可直接输入至任意波形发生器。基于PDA，与第 j次心跳相关的每个脉冲Wj(t; Δ)均可表示为一种叠加
Wj(t) = ∑_{i=1}^5 αi wi(t − τi) (13)
其中 wi(t; δi) = T(t;νt) ∗ G(t;νg, σ) (12)
T(t;νt) 表示一个 mt个样本、单位幅值的三角函数，G(t;νg, σ) 表示一个 νg个样本、单位幅值高斯函数，其标准差为 σ。算子 ∗ 表示卷积。Δj是参数集，αi是相对幅度，τi是第 i个子波与第一个子波之间的时间延迟。

通过级联多个脉冲Wj(t) ∀j ∈[1, n]，可以生成一段逼真记录片段。为了建模正常与异常脉冲，我们引入了类似心律失常的事件（通过改变 μ和 τ）以及高血压/低血压事件（通过改变 α）。这两组参数可用于参数化一个动态隐马尔可夫模型 (HMM)，以随机生成脉冲。图4展示了生成脉搏波片段的HMM。transition概率在正常与异常之间（e.g. P(st = NOR | st−1 = ABN dt−1 = 0)）通过固定的条件概率表进行建模。

5.2 实验设置

我们的实验设置如图5所示。为了利用合成波形的优势，不通过压容传感器输入压力信号，而是使用任意波形发生器 (AWG)将等效电压波形输入到CDC中，以可控方式激励系统。每次实验运行均由一个Python程序触发，该程序在三个并行进程中同步波形生成、蓝牙通信和功耗监控。通过设置进程间通信来对齐关键事件，例如蓝牙通知的开始和结束。

表1：不同决策阈值下EcoBP的性能总结。注意，当阈值为 τ= 0时，STINT被禁用。λ对应于每个阈值下的最大性能指标。注意，FoM计算的能量单位为 μJ，而不是mJ。括号中的数字是相对于τ= 0的相对能量。

τ	能量（毫焦）	P	R	MCC	FoM	λ
0.0	10.19 (1.00)	0.23	1.00	0.000	0.00	—
0.25	8.88 (0.87)	0.85	0.94	0.861	96.99	0.7
0.5	8.81 (0.86)	0.95	0.89	0.901	102.30	0.7
0.75	8.79 (0.86)	0.98	0.86	0.896	101.98	0.3
1.0	8.46 (0.83)	1.00	0.09	0.264	31.19	0.2

图6 是在最优设置 τ= 0.5和 λ= 0.7下配置的 STINT 的时域示例。由于微控制器单元（MCU）内置了浮点运算单元，我们未将多层感知机模型（MLP 模型）量化为整数等效形式，而量化可能会带来额外的节能效果。每个时域图的上部区域表示由任意波形发生器（AWG）生成的波形以及由 MCU 上运行的多层感知机（MLP）选择的传输样本；下部区域显示异常（ABN）或正常（NOR）的真实值以及多层感知机报告的概率估计。请注意，为了便于说明，蓝牙有效载荷中包含了概率输出，但可以省略该部分以降低能耗。

5.3 数值结果

表1总结了STINT在不同决策阈值下的性能表现。在τ= 0.5和 λ= 0.7处，性能指标达到最优值102.30，此时启用STINT的系统相较于原生系统可实现14%的相对节能。总体而言，该系统在性能指标（FoM）方面提升了27%。此外，精确率从 baseline 的0.23显著提高到最优设置下的0.95。

尽管召回率从1下降到0.89，但在节能方面这是可取的，因为精确率越高，系统总能耗越低。然而，根据不同医疗场景的需求，可以选择更宽松的较低 τ和 λ设置，以减小对召回率的负面影响，从而确保原始信号中的异常部分能够被完整传输。

在我们的实验中，我们观察到蓝牙参数（e.g.，通知间隔和有效载荷与头部比率）会显著影响所观察到的节能效果。我们在表1中报告的数据使用了100毫秒的通知间隔和20字节的有效载荷大小（i.e.每个数据包包含5个样本）；如果异常发生的预期速率较低，则这些设置仍有进一步节能优化的空间。由于蓝牙协议版本4.2的限制，即使没有数据，仍需传输空数据包（PDU）以维持会话连接，从而增加了额外的能耗负担。这些观察结果表明存在实现更大节能增益的可能性，促使未来对支持自适应通知机制和可变长度数据包的无线协议进行深入研究。

下的能耗。)

下的MCC。)

下的FoM。)

图7–9 详细展示了在由输出正则化和阈值定义的设计空间中，能耗、马修斯相关系数（MCC）和性能指标（FoM）的变化情况。正则化项作为一种置信度惩罚，旨在减少误报数量，从而降低不必要的传输能耗。参数 λ 控制着该惩罚的强度。从图7可以看出，随着 λ 的增加，能耗逐渐下降，但相对于阈值而言，能耗的变化过渡更为迅速。如图8所示，当 τ 在0.4到0.8之间，且 λ 在0.2到0.8之间时，MCC值处于最高的平坦区域。此外，图9显示了类似的等高线模式，其中最高的FoM值出现在中间区域。该模式表明，MCC的提升伴随着能耗的降低，因为模型越准确，误报就越少。

6 结论与未来工作

我们提出了用于无线生物医学传感器的STINT框架，该框架通过选择性传输信息性样本以最小化能耗。STINT利用生理信号的固有稀疏性，并部署紧凑型神经网络来识别并仅传输原始信号中的信息性部分。实验结果表明，在性能轻微下降的情况下，实现了14%的节能。在处理连续血压读数的真实EcoBP平台上具有较高的召回率。

我们相信，STINT有望通过互补方案进一步提升能效和性能，例如无线协议、改进的无线电发射器、用于调整决策阈值的自适应/反馈机制以及优化性能的选择器函数；这些正是我们当前及未来的科研方向。