論文筆記

Emotion Recognition for Cognitive Edge Computing Using Deep Learning

當資料從 sensor / IoT 大量傳輸到處理中心時 , 主要有三個挑戰 : latency, scalability, and security

latency : 將 vedio data 輸入從 sensor 送到 cloud , 在 cloud 推斷結果 , 再 return 結果 , 這樣會造成許多延遲 , 此時 data scaliing 是一個有效運用資源的方法

邊緣運算 : 從 sensor / IoT 傳遞資料上去處中心時時需要大量的頻寬以及足夠的時間 , 因此 , 在連續的資料傳輸中 , 資料應該被預處理以減輕傳遞的負擔 , 可以为用户提供更少的延迟和实时体验

Edge devices : 1 個 edge server , 一個行動通信基地台 , 數個 end devices(數據來源)

edge server 位置處於 sensor / IoT gateways 附近可以減低 latency

對深度學習進行 edge computing 在 Edge devices 中由哪一個 device 進行哪些部份的 deep learning 處理是一個潛在的課題 , 不同 devices 之間的協調以及工作分布 (這部份由排程演算法處理 )

本文提出一個 識別人臉情緒的系統(透過深度學習以及邊緣運算)

在 end device 上捕捉人臉圖像 , 再做一些預處理 , 再透過 5G 網路送到 edge server

edge server 將送來的圖片送入 pretrained 的 model

Cloud server 訓練模型以及儲存 face data

在 off-period 時 , cloud server 才會跟　edge server 進行溝通

雖然現況下有很多情緒辨認系統 , 但有使用到 edge computing 的卻很少 , 即使有運用到的也沒完全運用 edge 的計算能力

這篇文章的貢獻：

1. 引入透過邊緣計算的臉部情緒辨認系統
2. 在 end device 上進行預處理 , 在 edge server 測試 , 在 cloud server 訓練
3. 使用多個數據集評估該系統

情緒分類主要有 7 種基本的情緒 , paper 選用的資料集為 JAFFE 以及 CK+

Fig.1為論文中的架構設計

edge server 搭載 GPU 使其有良好的算力

• off-time , 從　cloud 下載模型
• non off-time , 接收 end device 的圖片並進行推論 , 再將結果回傳

core cloud 有 global model for 情緒辨認 還有 global storage(儲存各個 end device 收集的臉部圖像 , 也是 global model 的訓練資料 )

end device 接收到推論結果的時間主要可分成 2 大部分

1. 在 end device 中進行預處理的時間(人臉偵測/剪裁/對比度增強/resize等)
2. offloading
   1. 傳輸時間 (end device 傳輸 data 到 edge server的時間 + edge server 回傳結果的時間 )
   2. edge server 的推論時間

Fig.2 从边缘服务器到终端设备所需的时间

系統組件以及相對應的任務

在 end device 端 ,偵測出來的人臉圖片會被裁切成 227x227 的大小以符合模型需求,图像只包含人脸，而且数据大小很小，这样传输到边缘服务器就不会占用很多带宽或时间

在通信組件部分

1. 圖像在預處理後從 end device 傳輸到 edge server 传输到边缘服务器，这发生在预处理之后。
2. 將 edge server 判斷的情緒種類回傳給 end device

在 edge server 中

1. 當圖像傳送過來後 , 運行 CNN 並推斷結果
2. 提供可視化模型(optional)
3. 收集足夠多的圖片後 , 在 off-time 更新模型

在 cloud 通信組件中

1. 將 global DL model 從 cloud server 下載到 edge server
2. 將 edge server 中更新後的DL模型上傳到 cloud server

在 cloud server 中 使用來自不同 edge server 中的 data 去更新 global model

目前有許多的 CNN 模型都已經有出色的表現 , 然而大多數模型都是用數以百萬計的樣本訓練 , 並且有著許多的參數需要學習 ,雖然他們的準確性高 , 但不太適合計算能力低的裝置(edge server 即是如此) , 因此 , paper 開發一個新的輕型 CNN 來辨識情緒

error cost function 是採用 class cross entropy , batch size = 5

臉部圖像使用 0.8 ~ 1.2 的縮放係數 , 旋轉 -25◦ ~ 25◦

此模型大約有 19 萬個須學習的參數 , 此參數量跟其他現有的模型相比是非常少的 , 唯一一個現有的 model squeezenet 的參數量比文中提到的更少 (然而在實驗中此模型表現不好)

對於中小規模的資料量 , 自由度低的緊湊模型就可以很好的完成 , 並且也適合在 edge server 上運行

實驗使用 2 個公開的 dataset

• JAFFE (213張圖片 , 7種類型 ,size 256x256)
• CK+ (123人的面部情绪视频样本,这些视频的帧率在10到60帧/秒之间不等 , 图像大小为640 × 490或640 × 480)

prototype

• 终端设备组件，在Android 10版本上实现
• 边缘服务器组件，使用支持CUDA 10.0的NVIDIA GeForce RTX 2070 8-GB GPU驱动、用于深度学习模型的cuDNN v7.6和TensorFlow 2.0实现
• 通信组件
  • 在智能手机中运行，使用 Apache HttpClient来与服务器进行通信
  • 服务器使用Django运行

系统采用五倍交叉验证法进行验证，即所有的样本被随机分成相等的五倍，在每一次重复中，四倍用于训练，另一倍用于测试

训练是在云服务器上完成的，然后将训练好的模型下载到边缘服务器上。测试图像的预处理在智能手机上完成，使用训练好的CNN模型进行测试。CNN模型的测试是在边缘服务器上完成的

結果:

• CK+整體正確率 96.6%
• JAFFE 总体准确率为93.5%

对于同一个情绪类别，激活区域可能有所不同,但主要集中在 眼睛、脸颊或嘴巴区域。在未来的工作中，我们可能需要在这些注意区域上下功夫，以提高性能

耗能比較 , 比較四種不同的系統

1. classical system (手工 feature)
2. classical system (CNN feature)
3. edge system ( 採用本文提出的 CNN模型，在边缘服务器上运行以及预处理
4. 本文系統 (在手機上進行預處理 CNN模型在边缘服务器上运行)

除了本文提出的系統外 , 其他先進的系統都超過 10 M 的參數量(這在我們的方法中是大問題) , 儘管參數量少但仍達到跟其他系統相當的準確性

Hardware-Oriented Memory-Limited Online Artifact Subspace Reconstruction (HMO-ASR) Algorithm

Artifact Subspace Reconstruction(ASR) 是一种机器学习技术，广泛用于去除脑电图（EEG）中的非大脑信号 (Artifact) 即眼球运动、肌肉活动等

ASR 可用于提高信号质量， 然而，ASR算法需要相当大的内存大小，使其不足以在便携式设备、特定应用集成电路（ASIC）或现场可编程门阵列（FPGA）上进行在线 Artifact 去除,因此提出 hardware-oriented and memory-constrained online ASR (HMO-ASR) algorithm

HMO-ASR

1. two-level window-based preprocessing
2. rejection threshold calibration processing
3. reconstruction module

下圖為 HMO-ASR算法的流程图

• two-level window-based preprocessing
  • PCA-based preprocessing sliding window(對 sliding window 做線性降維)
  • z-score based preprocessing (将不同量级的数据转化为统一量度的Z-Score分值进行比较)
• rejection threshold calibration processing
  • iterative updating
  • early eigenvector matrix determination module to update the corresponding rejection thresholds
• reconstruction module
  • removes the principal components (PC) with values greater than the rejection threshold
  • reconstruct the data using remaining PCs
  • non-overlapped reconstructed samples are outputted

two-level window-based preprocessing

對比原本的 ASR :

1. 先對 whole recording 執行 PCA
2. 使用 non-overlapping sliding window 計算 channel wised 均方根(RMS)
3. 將 RMS 轉換成 z-score
4. z-score 在 -3~5 區間定義為 clean

由於不乾淨的數據會大大影響 rejection threshold 的收斂速度 , 所以 HMO-ASR 先對 sliding window 進行 PCA (將特徵值轉成 z-score , z-score > 1.5 則刪除對應的特徵向量)

λ_k是第k个排序的特征值 , m_λ和σ_λ分别是特征值的平均值和标准差

保留的特征向量被投射回 channel , 接著如果被送入 z-score based preprocessing 的 window 的 z-score 在 -3~5 區間 會被送往 rejection threshold calibration processing 去更新 artifact removal threshold , 否則的話 視其為不乾淨 , 送到 reconstruction module

rejection threshold calibration processing

iterative updating 大意: 更新這個 iteration 的 parameters 只會用到前一個 iteration 的東西(應該是其他論文的結論)

在每次迭代中计算协方差矩阵的平方根（sqrtm(Ci)），计算量很大。如果传入数据的特征向量和以前的数据相似，計算新的 sqrtm(Ci)的用處也不大 , 因此 , 定義一個 threshold 來評估是否需要特徵值分解來更新 sqrtm(Ci)

C_i : updated covariance matrix
E_i−1 previous eigenvector matrix

因為 C_i 是實對稱矩陣(可對角化) 所以可推論 E^T_i−1C_iE_i−1 = E^T_i−1E_iD_iE^T_iE_i−1
(實對稱矩陣 E^-1_iC_iE_i = D , 其中 E^-1 = E^T)

如果 E_i 跟 E_i−1 相近 , 則 E^T_i E_i−1 ≈ I , 也就是說 E^T_i−1C_iE_i−1 = E^T_i−1E_iD_iE^T_iE_i−1

右半邊的式子可視為 ID_iI (如果E_i 跟 E_i−1 相近) , 那就是說左式的非對角元素接近0

因此定義 threshold 如下

如果傳入的數據滿足公式 , 則保留 E_i-1 以近似sqrtm（Ci）的特征向量矩阵E_i。否则，需要进行特征值分解

Threshold Update 機制

對比原本的 ASR :

1. 使用 IIR 濾波器過濾數據的干淨部分以獲得 (Xc)
2. 計算 Xc 的 covariance matrix 的平方根的特徵向量矩陣 Ec
3. Xc 被投影到 the principal component space( Yc=E^T_c * Xc )
4. Yc are splited into several windows and the RMS values for principal components are computed within the window
5. 计算所有窗口中RMS值的平均值 μ_c和标准差σ_c
6. fixed rejection threshold c 定義為 c = μc +f · σc, where f is the adjustable cutoff parameter

在HMO-ASR算法中，一旦传入的数据X∗ 满足 z-score范围，HMO-ASR就会更新 rejection thresholds

μ_i and σ_i are updated by the iterative updating scheme

adaptive threshold is defined as

$\mathrm{\Gamma }$_i = μ_i + f · σ_i

更新 rejection threshold 后，被污染的数据 X_j 将进入 reconstruction module

首先，

对于每个X_k，应用PCA得到 C_k = E_kD_kE^T_k

接著比較 以及 rejection thresholds

$\mathrm{\Gamma }$_i 從 E_i 投射至 E_k 的值(請看下面的不等式)

$\lambda$_k,l 指的是 對角線矩陣 D_k 的第 l 個 element

如果不等式成立 , 將對應的 E_k 中對應的第 l 個特徵向量用 0 向量取代掉

Reconstruct 如下

trunc 的反函數概念上會跟 sqrtm 以及 E^k_t 互相抵消 , 即可得到重構的結果

Cost-Effective and Variable-Channel FastICA Hardware Architecture and Implementation for EEG Signal Processing

independent component analysis (ICA) algorithm 被认为是通过脑电信号研究大脑活动的一个有用方法

ICA算法是設計用來解決 BSS 問題 , 可以将混合的信号分离出来，并揭示脑活动的信息 (但 ICA 算法的硬件設計與實現是個挑戰 )

基于Gram-Schmidt的 whitening 可以应用于BSS问题的解决 , 使用 Gram-Schmidt 在 PCA 進行降維且为了提高灵活性，我们希望支持可变的通道选择，并为脑电信号处理提供 re-reference , synchronized average , moving average 等功能

在此架構中提出了两个重复使用的处理单元（PU），以实现低成本和可变通道的FastICA硬件实现

主要贡献总结如下:

1. 具有成本效益 的2-16 通道浮点FastICA架构，其中有两个新的重复使用的 PU，采用 Gram-Schmidt的 whitening
2. 在特定应用集成电路（ASIC）方法中实现 FastICA 硬件架构以支持可变通道 FastICA、re-reference , synchronized average , moving average 功能。

FastICA

X : n by m mixed-signal matrix
S : n by m blind-source-signal matrix

S = W^TX

basic idea of ICA is to maximize the non-Gaussianity of W^TX

在信號/噪音比低的時候 , FastICA 擁有快的收斂速度以及好的效能

在FastICA算法中，需要对混合信号进行预处理 , 使其 center 以及 whiten

center

whiten