可穿戴设备的自适应能量管理: AdaEM算法实现了健康监测的自我可持续发展

初稿：请勿引用AAAI数字图书馆将在会议结束后的一段时间内包含出版的版本移动医疗中自我可持续可穿戴设备的自适应能量管理Dina Hussein，Ganapati Bhat，Janardhan Rao Doppa华盛顿州立大学EECS学院，Pullman，WA 99164{dina.hussein，ganapati.bhat，jana.doppa} @ wsu.edu摘要集成了多种传感器、处理器和通信技术的可穿戴设备具有将移动健康转变为远程监测健康参数的潜力。然而，可穿戴设备的小形状因子限制了电池尺寸和操作寿命。因此，这些设备需要频繁充电，这限制了它们的广泛采用。能量收集已经成为可穿戴设备可持续运行的有效方法。不幸的是，单独的能量收集不足以满足可穿戴设备的能量需求。本文研究了自适应能量管理的新问题，通过使用采集的能量补充电池能量，减少用户手动充电，实现可穿戴设备的自我可持续发展为了解决这个问题，我们提出了一个原则性的算法称为AdaEM。AdaEM背后有两个关键思想。首先，它使用机器学习（ML）方法来学习用户活动和能源使用模式的预测模型。这些模型使我们能够根据用户活动来估计一天中能量收集的潜力其次，它的原因预测和估计的ML模型的不确定性，以优化能源管理决策，使用动态鲁棒优化（DyRO）制定。我们提出了一个轻量级的解决方案，DyRO，以满足实际部署的需要。我们验证了AdaEM方法的可穿戴设备prototype组成的太阳能和运动能量收集使用现实世界的用户活动数据。实验表明，AdaEM实现的解决方案是在5%的最佳不到0.005%的执行时间和能源开销。1介绍医疗保健成本的不断增加（Dieleman et al. 2020）以及慢性疾病和衰老导致的需求不断增长（Dorsey et al.2016），促使人们需要远程健康监测（Espay et al.2016）。为了实现这一目标，集成多种生理传感器、处理器和通信技术以监测用户健康的可穿戴设备已成为一种有前途的技术（Daneault 2018）。例如，在被诊断患有心律失常的患者中，我们可以使用传感器的测量结果来预测心力衰竭的可能性可穿戴设备的设计针对用户舒适度进行了优化，Copyright © 2022 ， Association for the Advancement ofArtificial Intelligence（www.aaai.org）. All rights reserved.新兴技 术，包括柔性 混合电子产品 （Khan 等人，2016），因为它们需要长时间佩戴。因此，可穿戴设备通常重量轻，具有小的形状因数，这严重限制了可用电池的尺寸。小电池反过来又限制了使用寿命，导致需要频繁充电，降低可用性和采用率（Johansson，Malmgren和Murphy 2018）。因此，强烈需要能够实现可穿戴设备的可持续操作并使再充电需求最小化的方法。能量收集（EH）（Kansal等人，2007年; Vigorito等人，2007年; Tuncel等人，2021年）已经成为一种有前途的解决方案，使自我可持续的可穿戴设备。我们可以集成各种EH模式，包括光伏（PV）电池、压电传感器和热电发电机，以分别从环境光、用户运动和身体热量中获取能量。从环境源获得的能量可用于补充设备的电池，并延长手动充电之间的间隔。能量管理（EM）的总体目标是最大限度地利用收集的能量，并减少手动充电的频率。EM决策包括手动再充电的时间和持续时间EM的决策是具有挑战性的，原因如下：1）来自环境源的能量可用性是高度随机的。EM决策制定应考虑这种固有的不确定性，使得电池不会完全耗尽;2）可穿戴设备在再充电时段期间不得错过任何关键事件，例如跌倒;以及3）在充足能量可用性的间隔期间再充电可能导致对所收集能量的不良利用。因此，EM算法必须学习用户的使用模式和EH潜力，以最佳地调度手动充电。本文提出了一种新的和原则性的基于人工智能的方法 ， 称 为 AdaEM ， 以 解 决 上 述 挑 战 的 能 源 管 理 。AdaEM依赖于两个关键思想。首先，我们使用机器学习（ML）技术来预测用户活动、能源使用模式和未来的EH可用性。这些预测作为EM决策的输入。其次，为了考虑ML预测和环境能量捕获中最坏情况的不确定性，我们制定了一个动态鲁棒优化（DyRO）问题来做出EM决策。由于可穿戴设备的计算和能源资源有限，我们无法使用使用一些方法来重复解决DyRO问题实例，以进行决策。因此，我们提出了一种高效的轻量级方法来解决现实世界部署的DyRO实例我们验证了我们的AdaEM方法在一个真正的可穿戴设备原型组成的光和运动EH。我们首先描述了原型上能量采集的潜力。然后将表征数据与来自公开可用数据集的用户活动数据组合，以确定 用户日常 活动中的 可用能 量。最后 ，我们将AdaEM应用于用户数据，以最大化充电操作之间的间隔，而不会错过关键活动。我们的研究结果表明，AdaEM实现的解决方案在最佳解决方案的5%以内，在真正 的可穿戴 设备上的 执行时 间和能源 开销不到0.005%。此外，与实际基线的比较表明，AdaEM具有显著更低的能量约束违反，同时为目标应用提供所需的精度水平。贡献：本文的主要贡献是AdaEM算法的定义和评估，用于移动健康可穿戴设备的能量管理。• 通过能量收集，为可自我持续的可穿戴设备解决基于人工智能的新型能源管理问题，这具有很高的社会影响力。• 制定一个原则性的动态鲁棒优化公式，用于决策，以最大限度地利用所收集的能量。• 一种轻量级高效的算法，用于重复求解DyRO实例进行决策，以满足实际部署的需要。• 对一个真实的可穿戴原型进行实验评估，使用五年来来自五个用户的数据，以显示AdaEM算法在实现可持续运行方面的优势，而开销可以忽略不计。 我们 还 在 GitHub 上 发 布 了 源 代 码 ：https://github.com/gmbhat/adaEM2相关工作近年来，由于可穿戴设备在健康和活动监测方面的应用，可穿戴设备的研究和开发有所增加（LIVMOR2021; Dempsey 2015）。然而，它们被医学界采用是有限的。有限采用的主要原因之一 是大多数（如果不是全部）可穿戴设备的频繁充电要求（Ozanne et al.2018年）。因此，最近对可穿戴设备的研究集中在解决可穿戴设备的能源限制（Chong等人，2019）。能量收集和管理已经成为克服可穿戴设备中的能量约束的最有前途的技术。常见的能量源包括环境光、用户运动和体热。在这些光源中，环境光具有最高的功率密度和效率。例如，先前的研究已经表明，环境光可以提供高达0.1 mW/cm2和100 mW/cm2在室外和室内条件下，分别（巴伦苏埃拉2008年）。最近，由于其在活动监测设备中的适用性，运动EH受到了越来越多的关注（Mitch-eson etal.2008年）。从环境源收集能量需要开发有效管理所收集能量的算法。这是至关重要的，因为环境能量在一天中的所有时间都因此，设备必须具有足够的能量储备，以在收集的能量不可用时有效地操作。为此，Kansal等人（2007年）提出了使用线性规划的能量中性操作的概念，其中在给定时段（例如一天）中使用的能量等于在该时段中消耗的能量。最近的工作还使用了动态规划和控制理论方法来实现能量中性操作（Vigorito等人，2005）。2007 年; Bhat等人2017; Geissdoerfer等人，2019; Yamin，Bhat和Doppa，2022）。最大似然方法也被用于能量收获预测和分配，以实现能量中性操作。例如，神经网络和其他预测器已被用于估计未来可用的光能（Barrera et al. 2020; Dhillonet al. 2020; Shresthamali，Kondo和Nakamura 2017）。能量估计然后用于确定未来的能量分配和占空比这些先前的方法不能解决我们的一般自适应EM问题。相比之下，我们制定了一个动态的鲁棒优化，使EM决策，占不确定性的收获的能量。我们提出了一个轻量级的解决方案，AdaEM，使EM的决定在运行时。3背景和资料本节首先简要介绍了可穿戴设备的外形和EH方面的新兴技术背景，并在附录中进行了详细说明。然后，我们描述了使用这些技术的可穿戴设备的广泛采用所面临的挑战和机遇柔性混合电子产品：柔性电子产品可以通过使用完全可弯曲和可卷曲的材料来实现舒适的可穿戴设备然而，与传统CMOS器件相比，全柔性电子器件的性能能力较低。为了解决这些限制，最近的研究提出了柔性混合电子（FHE）（Khan等人，2016）。FHE在柔性基板上使用刚性组件来实现符合用户身体形状的设备。通过使用刚性部件进行处理和感测，FHE器件能够利用CMOS技术提供的性能优势和基板的形状因子优势。轻型EH：小型柔性光伏电池已显示出在可穿戴设备中使用的潜力（Park等人，2009年）。这些PV电池可以很容易地集成到可穿戴设备中，包括织物、帽子和夹克。因此，它们是可穿戴设备可持续运营和采用的重要一步。运动EH：运动EH是用于可穿戴设备的另一种有前景的技术，因为运动能量采集器可以容易地与人类活动集成（Mitcheson et al.2008年）。例如，压电采集器可以用在膝盖和肘部上，以便在用户移动时采集能量。一些 研 究 还 使 用 运 动 EH 作 为 进 行 活 动 分 类 的 特 征（Khalifa等人，2017年）。因此，运动EH可以充当传感器和能量源。电池能量目标. . . .0 12没有充电时间（小时）需要23T=24充电不E约束分钟不∈T不∈T∈T电池电量能源约束活动限制. . . .01223T=24时间（小时）图1：通过自适应能源管理实现可持续可穿戴健康监测的系统概述3.1 可穿戴设备的挑战和尽管上述技术得到了发展，但可穿戴设备的广泛采用仅限于实验室研究和智能手表。缺乏可穿戴设备的采用的主要原因之一是频繁的再充电要求以及刚性设备缺乏舒适性。为了应对这些挑战，我们对问题采取了全面的看法。具体而言，我们的问题公式考虑了应用程序的要求，用户活动模式，和EH一起，使可穿戴设备的最佳操作。该公式还包括FHE的独特性质，例如弯曲， 使得EH的变化 被正确地考虑 （Park等人，2009）。2017年）。图1显示了可持续穿戴健康监测系统的概述左侧示出了佩戴多个传感器和EH模块的用户的图示。从传感器获得的数据用于识别用户的活动和健康状况。在每个操作间隔期间，系统将当前电池电量、能量约束和活动约束作为输入。能量约束可以指定电池必须维持在某个最低水平以上以确保在紧急情况下的足够储备。类似地，活动约束指定了一组对用户具有最高优先级的活动。EM的第一步是使用传感器数据预测未来活动。然后，这些活动被用来预测未来的能源需求和收获。最后，分配设备的能量消耗，使得电池寿命最大化，同时满足约束。在间隔结束时，我们使用用户的实际能量和活动来更新模型。我们还确定了设备的最佳充电时间，这样就不会错过关键事件，也不会浪费环境能源。例如，右侧的电池轨迹显示我们在第一小时不需要充电，因为有足够的环境能量可用，而第23小时需要充电。AdaEM方法准确地预测了这种行为，并将充电时间安排在第23小时。4动态鲁棒优化方法由于以下原因，能量管理（EM）问题是具有挑战性的：1）从环境源收集能量是高度随机的; 2）同时，磨损-能够工作的装置应该具有足够的能量以始终满足目标应用的要求;以及3）在重要活动期间进行再充电（例如，帕金森病患者的步态监测）导致对用户的服务质量降低。因此，用于可穿戴设备的EM算法必须考虑环境能量收集以及关于用户活动和能量使用的预测中的未来最坏情况不确定性。为了克服这些挑战，我们将EM决策制定制定为对电池能量和活动准确性具有约束的动态鲁棒优化（DyRO）在下文中，我们首先描述DyRO公式，然后提供用于实际部署的轻量级算法4.1DyRO制剂决策设置不失一般性，我们考虑一组等长间隔（分钟、小时等）。在给定时间范围T中，EM决策制定在T的固定时间范围（诸如一天）上以每个离散间隔t执行，以考虑人类活动的重复在每个间隔（决策时期）t的开始，EM算法基于用户活动、电池水平和能量收获来分配要在间隔中消耗的能量类似地，根据补充电池所需的能量，将任何手动例如，EM算法可以决定对电池再充电三个连续的间隔。变量和约束：我们定义了以下变量和约束来描述系统动态。1) 电池充电指示器B（t）：该二进制变量指示是否在给定间隔内安排充电。在每个决策时期t，EM算法将B（t）分配为1（再充电）或0，以在满足约束的同时最大化再充电之间的持续时间。2) 电池能量动态：在每个间隔t中，如果充电被启用，则电池从收集源和充电源接收能量。由于环境条件会影响所收获的能量，因此，在一个区间内所收获的能量我们有一个随机变量，用于T中每个区间的能量收集。此外，目标AP-每个间隔传感器数据加速度计陀螺仪心电图等预测未来活动预测未来活动的能源收获确定能量Ecsotimnastuemenpetrgoyn&每个间隔我在一个很好的地方，hiCurrrrencthinatergrvianng能源收获活动获取监视器周围实际放射性能源格局更新活动和能源预测模型能量（J）电池能量（J）ξ不不B不电话+1A∈A不T{}OO|不|不1不电话+1不不不不不电话+1不不电话+1应用程序将从电池中获取能量以执行所需的任务。应用程序使用的能量是由EM算法计算的决策变量。这些问题如下：最大化最小E{λ Tc（λH，· · ·，λH）}（5）电池的动态特性可以如下捕获：S. t. EB=E B+η H+E I B（t）−E c，t∈ T（6）B B HIcE min≤E B≤E max，t∈ T，E B≥E目标（7）Et+1=Et+ηt +EtB（t）−Et，t∈ T（1）t T其中B BA t≥A min，t∈ T（8）Et和Et+1分别是当前和下一个时间间隔开始时的能量，η是EH效率，H∈H是在该时间间隔B（t）= 0 <$t：At∈ Ac（9）优化变量：求解上述优化t∈ T，B（t）是电池充电标志，EI是充电标志，问题涉及确定B（t）、Ec和能量，Ecttt.Bt是在间隔中消耗的能量3) 电池能量限制：电池必须始终保持最低充电水平，以便其具有足够的能量。E t+1。电池充电指示器是主要变量这与目标函数直接相关。EM算法必须为T中的每个间隔分配0或1在紧急情况下采取行动的能量比如说，同时满足约束条件。Ec和EB是间接的如果设备检测到病人跌倒，它必须能够通知护理人员并寻求帮助。我们还确保任何视界T的末端处的能量等于或大于下一视界的目标水平E目标同样，电池中的能量不能超过设计容量。因此，电池能量约束可以表示为：影响电池动态特性和目标应用精度的变量。具体地，较高的能量消耗Ec导致电池的更快耗尽，这进而要求用户更快地对设备进行再充电。同时，更高的能耗通常导致更高的精度。因此，EM算法应在满足交流阻抗的同时使设备的能量消耗最小化E民≤Et ≤EMax，t∈ T，EB≥E目标（二）精确度限制。最后，E是能量其中Emin和Emax是最小值。和最大能量值。4) 准确性约束：不失一般性，我们假设设备正在执行用于监测用户健康的预测任务。确保向用户及其健康提供者提供适当的准确性至关重要。因此，我们使用阈值Amin对应用施加精度约束，如下所示：A t>=A min，t∈ T（3）其中At是区间t内的精度。5) 关键活动限制：一般来说，一些活动-消耗、收获和充电可用性。优化的目标是确保电池电量始终保持在Emin和Emax约束之间。问题复杂性：等式5-9中的优化问题特别是，问题的解决方案必须考虑最坏情况下的能量收获的不确定性，以确保不违反电池的约束此外，随着新信息在运行时以实际EH值的形式变得可用，自适应EM的优化应当根据新信息改变未来的决策。问题中的不确定性，以及一个混合的泽-用户执行的绑定具有更高的健康优先级ro/one（B（t））和连续变量（Ec和EB）使监控比其他人。例如，在具有运动障碍的用户中，当他们行走时监测跌倒或步态冻结是至关重要的我们指定一个活动子集C作为关键活动，在此期间不能安排再充电。优化问题：EM算法的主要目标是最大限度地利用收获的能量，并最大限度地连续充电操作之间的持续时间假设充电的开始时间由集合给出，C= c1，c2，. . .，c m.充电次数是一个功能的实现所收集的能量H，t∈ T. 因此，优化目标为：这个问题在计算上很难解决。具体而言，获得一般问题公式的最优解需要穷举搜索，这导致时间复杂度为（c）在|不|），其中c >1。如果我们成功了-lem凸，并使用连续变量B（t），时间-对于迭代算法，复杂度至少为（3）。时间复杂度对于可穿戴设备尤其重要，因为它们是能量受限的，并且重复调用计算昂贵的算法可能会使纯粹的计算失败。能源管理的姿态。因此，在下一节中，我们将开发一种轻量级算法，该算法可以获得与求解器的最优解相当的结果。H H4.2 AdaEM：一个轻量级的DyRO算法最大化[minE{1}，···，{1}]（4）目标函数首先取集合c中元素的一阶差分。一阶差的最小值给出两个充电会话之间的最短时间间隔由于我们的目标是延长设备的操作，我们最大化Tc的一阶差分的最小值。总之，我们可以写一个整体的opti-关键挑战：由于两个关键原因，在运行时最优地解决DyRO问题实例是不可行的：1）决策范围内当前和未来间隔的不确定能量收获的真实值;以及2）可穿戴设备受到解决DyRO问题所需的因此，我们开发了一个两阶段的方法来设计一个有效的，不不∈ TT ∈ Tmin电话+1不电话+1电话+1电话+1∈T不被称为AdaEM的实用算法来解决DyRO问题实例，以做出自适应EM决策。AdaEM算法概述：AdaEM的第一阶段涉及使用监督学习算法来学习当前和未来时间间隔内能量收获的分布和不确定性。为此，我们利用了有关能源收获的历史数据和辅助信息算法1：AdaEM用于充电优化输入：EH预测误差和不确定性Ut、能量约束、精度约束、能量与精度曲线输出：电池充电指示器B（t），t、能耗、电池电量1：集合B（t）= 0 <$t：At∈ Ac2：设置Ec，t∈ T，使得精度最大化目的. 例如，可穿戴设备可以记录-3：计算满足精度约束的Ec关于过去收集的能量的形成，4：使用EH预测获得EB，t∈ T，并分配Ec预测未来的能源和不确定性。同样，在-5：虽然|（英、英、 Ec）则不min可用于可穿戴设备的形成包括位置，7：对于消耗较高的间隔，减少Ec例如，户外与室内）、用户活动和当天不8：其他(e.g.、工作日与周末）。这些辅助信息可用于进一步改进能量收集的ML模型。然后使用ML模型的能量预测和不确定性来获得DyRO的具体实例9：计算能量亏损δE=E目标-EB10：计算充电间隔的数量：δE/EI11：从第一次违反开始设置B（t）= 112：如果结束#21453;的问题，获得EM决策。AdaEM的第二阶段解决了具体的DyRO图13：使用EH预测、Ec和B（t）获得EB，t14：结束时C B问题实例如下。在每个决策范围的开始，预测的能量收获和不确定性用于获得电池充电和能量消耗分配的初始分配，即，EM决策。随后，在运行时，基于所收获的能量的实际值来修正EM决策。该方法确保可穿戴设备利用任何过量的收集的能量来延长电池寿命或解决能量不足，使得不违反约束。在下文中，我们将更详细地描述这两个阶段。能源收获预测：EM决策的质量关键取决于预测未来能源收获的准确性。除了能源收获预测，我们还需要预测中的不确定性来推理最坏情况下的行为。为了实现这一目标，我们使用历史能量收获数据来使用监督ML算法训练ML模型。用于预测的系统状态s的输入特征φ（s）包括过去几天、几小时的能量收获以及过去一小时能量收获的导数我们还包括边信息，如当前位置，用户活动，和日作为特征集φ（s）的一部分。地面实况能量收获值γs被用作监督数据。我们手头有一个回归学习问题，任何现成的回归学习器都可以使用。然而，由于可穿戴设备在能源和计算资源方面的限制，需要选择轻量级的ML模型，例如树，因为比较操作是有效的。为了选择能量收获预测器，我们比较了神经网络，线性回归和回归树的集合的性能。所有的学习方法都有一个非负约束的预测，因为能量收获总是非负的。神经网络和回归树给出了类似的准确性，而线性回归显示出相对较低的准确性。在我们的具体实现中，我们采用了回归树的集合：预测是均值，不确定性是方差。我们注意到，我们的最终结果不依赖于任何特定的回归学习器。事实上，神经网络和回归-15：retur nB（t），Et，Et+1<$t∈T用于能量预测的子树导致用于总体能量管理的类似性能。充电优化算法：该算法采用预测的能量收获和不确定性来确定给定决策范围内的所有间隔的充电策略和能量消耗，如A1-出租1所示。它的灵感来自于通信系统中的注水算法（Cover和Thomas 2012），其中目标是将给定的功率分配给多个信道，以便最大化吞吐量。在每个决策范围的开始，预测的能量收获、不确定性和所有间隔的约束被作为输入。此外，它还需要能量和精度权衡的配置文件，以确保满足活动约束。能量和精度的权衡是通过表征可穿戴设备上的目标应用来获得的具体来说，我们收集不同采样率的活动数据然后使用这些数据点来获得采样率和准确度之间的关系（Mirzadeh和Ghasemzadeh 2020; Bhat等人，2015）。2019年）。在获得上述输入之后，算法首先在用户执行关键活动的间隔内将电池充电指示器初始化为零此分配基于用户活动的历史记录例如，通过监视用户当新数据可用时，算法调整B（t）的值，使得考虑与预期活动模式的任何偏差。该算法还将所有间隔的能量消耗设置为最高值，以使准确性最大化。接下来，使用最坏情况的EH预测，我们计算水平线中每个间隔的电池中的能量如果算法检测到电池电量中的任何违规，则会降低能耗或启用充电（第5因为我们的目标是}{|不||T|O|不|为了最大限度地延长电池寿命，我们首先降低目标应用的能耗，同时保持最低精度。如果能量消耗的减少没有解决电池违规，则算法计算能量的潜在不足和完成充电所需的间隔数。最后，从第一次违规开始，将所需间隔数的电池充电指示器设置为1。能量消耗和电池充电的初始值基于EH预测。在运行时，实际能量通常不同于预测值。因此，当关于实际EH的数据变得可用时，我们以较短的范围重新运行算法1以调整能量消耗和电池充电。例如，如果在一个时间间隔内收集了过多的能量，我们可以在接下来的时间间隔内增加能量消耗以提高准确性，或者减少充电所花费的时间该算法的时间复杂度为（2），while循环运行时的最坏情况时代，在哪里代表决策步骤的数量。5实验和结果在本节中，我们将展示所提出的AdaEM算法在不同维度上的实验结果。1.1实验装置可穿戴设备：我们采用基于Texas Instruments（TI）CC2652R微控制器（MCU ）（Texas Instruments Inc.2018）作为我们实验验证中的主要可穿戴器械。TI-CC2652集成了一个低功耗ARM Cortex M4内核以及SPI和I2C等传感器接口。除了MCU外，我们还包括一个SP3-37柔性光伏电池（FlexSolarCells 2013），用于从环境光中收集能量，以及一个用于运动EH的压电收集器。该可穿戴设备采用容量为12 mAH（160 J）的GMB031009（GMB 2009）锂聚合物电池作为储能元件。活动数据集：我们使用美国时间使用调查（AmericanTime Use Sur-vey，缩写为EUS）（美国劳工部，2015年）来获取用户活动数据。这项由美国劳工部进行的调查包含大约10，000名用户的典型活动数据我们预处理的活动数据，以获得五个主要的活动类别：睡眠，工作，锻炼，休闲，和其他。然后，可穿戴设备用于使用设备上可用的传感器来识别这些活动。在这些活动中，我们选择这意味着，当用户正在锻炼时，电池再充电不能被安排在时间间隔内。能量采集数据集：运动采集器提供的势能为此，我们为每个活动设置了腿和手从锻炼的基线强度1开始，我们将“主动”活动的强度然后将活动强度与基线功率相13 µW（Tuncel等人，2020），可从压电采集器获得。同样，光的能量也是位置的函数为了说明很明显，我们全天都在使用户外光线强度。具体来说，我们利用了科罗拉多州戈尔登的国家可再生能源实验室（NREL）（Andreas和Stoppers 1981）测量的五年（2016-2020）的太阳辐射。辐照度与一天中的时间相结合，以使用PV电池的面积和I-V特性计算光能（FlexSolarCells2013）。实验参数：我们将有限范围设置为24小时，因为EH和用户活动通常遵循日常模式（Huynh，Fritz和Schiele2008）。每个间隔的长度最后，我们将最小能量约束设置为电池容量的10%，将目标能量约束设置为电池容量的60%。最优解：我们使用Matlab中的CVX包（Grant和Boyd2014）获得最优解特别地，我们通过使B（t）的和最小化使问题成为凸的.这是可行的，因为优化是在有限范围内完成的。因此，最小化B（t）的总和最大化了设备在每个时域中的操作时间。我们使问题凸，以避免一个穷举搜索的成本过高CVX实施在由32个英特尔®至强®Gold 6226 R内核和192 GB内存组成如前所述，最佳解决方案使用没有不确定性的实际能量收获值。按需基线算法：我们还实施了一个基线，旨在实现固定的准确性，并开始充电，每当电池下降到E分钟以下。充电继续，直到电池达到E目标。我们将该充电策略称为按需基线算法，因为它在能量下降到Emin以下并且需要更多能量该政策反映了大多数可穿戴设备和智能手机用户的行为。因此，它为评价AdaEM的疗效提供了一个有用的基线1.2具有理想预测的能源管理我们从消融研究开始，其中我们向自适应充电算法提供实际EH值。使用实际EH获得的结果给出了所提出的充电优化算法的性能的上限。图2显示了五年内五个不同用户所需的每日充电能量分布。我们看到AdaEM的充电能量的中值此外--最优AdaEM2001501005001 2 3 4 5用户图2：在理想EH预测下，一年中（2016-2020年）每个月最佳和提议方法用于充电的能量充电能量（J）300250200150100500最优AdaEM1 2 3 4 5 6 7 8 9 10 11 12月5004003002001000最优AdaEM1 2 3 4 5 6 7 8 9 10 11 12月图3：在不确定的EH预测下，一年中（2016-2020年）每个月通过最佳和提议方法进行充电所使用的能量图4：按最佳和建议方法计算的一年中每个月通过使用能量收集和电量分配节省的能源（2016充电能量的范围和分布更接近最优解。这表明AdaEM能够准确地确定充电间隔，计算量明显低于最佳算法。1.3EH中不确定性的能量管理在本节中，我们将分析AdaEM在不确定能量收获预测的情况下的性能。为此，我们首先预测在每个开始时的可用能量收获，10090807060最优AdaEM1 2 3 4 5用户使用经过训练的回归学习器。算法1使用该能量预测来为一天中的每个间隔分配能量消耗和充电策略，同时满足所有约束。由于实际能量可能偏离预测值，因此在每个间隔开始时重新运行该算法图3显示了所提出的方法和最佳解决方案使用离线计算最佳解决方案，并使用收获能量的实际值我们看到，一般来说，所提出的方法所使用的能量夏季月份观察到更高的变化，其中AdaEM的分布比最优解更宽。这是因为在夏季，该算法通常预期更高的太阳能收获。因此，当它遇到具有较低太阳能收获的阴天时，预测误差增加，这反过来又导致设备使用更多的能量进行充电。节能：可持续运行和最佳充电的主要优势之一是通过使用EH节省总能耗。图4显示了在五年的时间内，与一年中每个月的最佳解决方案相比，所提出的方法实现的节能分布。此处的节省表示如果不使用EH则将需要的额外能量正如预期的那样，由于更高的能源可用性，夏季的能源节省更高。最佳解决方案能够实现比AdaEM更高的节约同时，所提出的方法实现了在最佳值的5%以内的中间节省。我们还看到，这两种方法即使在收获的能量较低的冬季也活动约束的影响接下来，我们分析图5：活动识别的平均每日准确率五年内有五个用户关键活动约束对应用程序准确性的影响。我们选择了五个不同长度的关键活动约束的用户。具体地，用户1具有六个间隔的最长关键活动约束，而用户5具有两个间隔的关键活动约束。图5显示了五个用户的平均每日准确率分布图中的最小精度约束为90%。最优解满足所有用户的最小精度约束。另一方面，AdaEM在不满足精度约束的情况下具有很少的离群值这种情况发生在能量采集有限的日子，设备无法及时为电池充电。因此，必须减少能量消耗，这导致精度降低。我们观察到，异常值的数量随着关键活动约束的长度减少而减少这是因为较低数量的关键活动间期为器械提供了更多的充电机会。总之，这些实验结果表明，AdaEM有效地实现了可穿戴设备的可持续操作，以进行健康监测。1.4与基线算法的在本节中，我们将AdaEM与基线算法进行比较。回想一下，每当电池电量降至Emin以下时，按需算法就开始充电。这种方法不适合可持续健康监测，因为有两个关键限制：1）基线不考虑关键活动约束。因此，设备可能没有足够的能量来为关键活动提供高精度，以及2）与AdaEM不同，按需算法充电能量（J）节能（J）准确度（%）8000600040002000002 4 6 8 1080006000400020000024 6 8 1080060040020000 20 40 6080100违反次数违反次数准确度（%）图6：AdaEM和按需基线算法本质上是无功的，并且不计划满足最小和目标电池能量约束。因此，应用程序的服务质量可能会受到严重影响。为了说明上述限制，我们比较了图6中AdaEM和按需算法的能量约束违反。最优解不包括在图中，因为由于确切的能量收获和消耗的知识，它不具有任何约束违反该图显示，与AdaEM相比，按需算法具体来说，它有超过3000个oc-currences的两个或更多的违规超过五年的评估数据为五个用户。相比之下，AdaEM具有两个或更多约束违反的实例数量可以忽略不计。AdaEM能够通过利用未来EH和用户活动预测来做出EM决策，从而减少违规次数并满足关键活动约束。总之，与基线的比较显示了所提出的AdaEM方法在实现可持续性方面的有效性可穿戴健康监测设备的操作。1.5与能量中性方法的仅依赖于所收集的能量的能量中性方法已经流行于可穿戴设备（Kansal et al.2007年）的报告。然而，正如我们之前所指出的，能量中性方法依赖于器件的占空比，这可能导致降低的性能。为了说明这一点，我们实施了一种最佳的能源中性方法，该方法使用2016年至2020年的实际收获能源。能量中性方法分配设备能量消耗，使得一天中消耗的总能量等于收集的能量。图7显示了五年来实现的准确度直方图正如我们所看到的，相当多的日子的准确性接近于零。因此，用户无法监测其健康参数，这可能导致不利影响。这显示了使用AdaEM来平衡用户的精度要求，同时利用收集的能量的好处。1.6实现开销我们通过在TI-CC 2652 MCU上实现算法1来表征算法1的开销。我们观察到，该算法需要3毫秒运行在11毫瓦的功耗。这相当于33 μJ的能量。由于该算法每小时运行一次，一天的总能耗为792 µJ，不到电池容量的0.005%。这表明AdaEM以可忽略的开销实现了可持续运营。图7：五年6社会影响所提出的AdaEM方法的社会影响潜力是双重的。首先，AdaEM可以通过实现高质量服务的可持续运营来促进可穿戴设备的广泛采用。具体而言，我们将能源收集和管理与灵活的混合电子产品相结合的整体方法可实现可持续运营，并确保用户舒适度。反过来，这将在公共卫生和医疗保健支出方面产生重大优势。其次，预计到2050年将有数十亿物联网（IoT）设备将AdaEM集成到物联网设备中将有助于通过可持续运营减少整体能源例如，即使每个设备每天节省100 J，也意味着减少3*107每年发电量。这个能量相当于根据能源信息管理局（2021），20，000个美国家庭的消费量。7结论和未来工作可穿戴设备在改变健康监测领域的格局方面具有巨大的潜力。然而，频繁的充电要求阻碍了它们的广泛采用提出了面向可穿戴设备可持续运行的自适应能量管理新问题从动态鲁棒优化开始，我们提出了一种轻量级解决方案，该解决方案使用ML预测能量收获来优化可穿戴设备的充电使用真实世界的数据和可穿戴原型，我们证明了AdaEM可以实现5%以内的最佳解决方案，开销小于0.005%。我们近期的工作包括通过执行用户研究在现场部署建议的本文提出的动态鲁棒优化公式在农业监测、广域传感和国防等领域有着广泛的应用。即使在移动医疗领域，考虑用户活动的突然变化仍然是一个挑战。例如，步态冻结、心脏骤停或跌倒等情况很难使用过去活动的历史来预测。活动预测中的挑战进一步使能量管理问题复杂化，因为算法必须以能量有效的方式考虑这些突然变化。我们希望这篇论文能激励人工智能社区在自我可持续的可穿戴设备这一令人兴奋的领域开发新的算法。AdaEM按需就业人数频率致谢这项 工作得到 了华盛顿 州立大 学新教师 种子赠款Ganapati Bhat的部分支持。引用Andreas，A.;和Stowman，T. 1981. NREL太阳辐射研究实验室（SRRL）：基线测量系统（BMS）;科罗拉多州戈尔登（数据）; NREL报告编号DA-5500-56488。2021年3月28日访问Barrera，J. M.; Reina，A.; Mat e′，A.; 和Trujillo，J. C.2020年。基于人工神经网络和开放数据的太阳能预测模型。Sustainability，12（17）：6915.Bertsekas，D. 2012. 动态规划和最优控制：第一卷，第一卷。雅典娜科技Bhat，G.; Bagewadi，K.; Lee，H. G.地;和Ogras，U. Y.2019年。REAP：针对能量收集物联网设备的能量准确性优化。在年度设计自动化过程中。Conf. ，171：1Bhat，G.;等，2017年。自供电可穿戴系统的近最优能量分配。在计算机国际会议上，辅助设计368-375.Chong，Y.-W的; Ismail，W.;Ko，K.;和李，C-Y. 2019年。可穿戴设备的能量收集：综述。IEEE SensorsJournal，19（20）：9047掩护TM.; Thomas，J.A. 2012年。信息理论的要素。威利。Daneault，J. F. 2018.可穿戴和移动技术能否改善原发性震颤的管理？神经病学前沿，9：257：1Dempsey，P. 2015.下一篇：Apple Watch Engineering-ing Technology，10（6）：88Dhillon，S.;Madhu，C.;Kaur，D.;和Singh，S.2020年。一种基于神经网络的能量预测模型：在精准农业无线传感器网络功率预测中的应用。无线个人通信，1Dieleman，J.L.的; 曹，J.;Chapin，A.;Chen，C.;Li，Z.;刘先生，一、Horst，C.; Kaldjian，A.; Matyasz，T.;斯科特，K.W的;等，2020年。1996-2016年按支付者和健康状况划分的美国医疗保健支出。Jama，323（9）：863Dorsey，E.的R.; Vlaanderen，F.P的; 恩格伦湖J.道：Kieburtz，K.;朱，W.;比格兰湾M.; 费伯，M。J.道：和Bloem，B.R. 2016年。把帕金森病患者送到家里。运动障碍，31（9）：1258能源信息管理局。2021.一个美国家庭用多少电？https://www.eia. gov/tools/faqs/faq.php？id=97 t=3，2021年9月11日访问。Espay，A. J.道：等，2016年。帕金森病的技术 移动Disorders，31（9）：1272-1282.FlexSolarCells 。 2013. SP3-