Design and integration of a flexible analog-to-feature converter for smart sensors
Conception et intégration d'un convertisseur analogique-paramètres flexible pour les capteurs intelligents
Résumé
The Internet of Things (IoT) is currently experiencing huge developments. IoT includes lots of different devices such as Wireless Sensors Networks (WSN) or wearable electronics that rely on wireless communications. These networks need to understand the context in which they are used. This mean that the system must know what is happening around it, i.e. sense the environment, and understands the needs of the user. This requires always-on sensing on many sensors while being small, cheap, reliable and having a lifetime of several years. Analog-to-Feature (A2F) conversion is a new acquisition method that was thought for IoT devices. The converter aims at extracting useful features directly on the analog signal. By carefully choosing a set of features, it is possible to acquire only the relevant information for a given task. The proposed converter is based on the Non-Uniform Wavelet Sampling (NUWS) architecture. The architecture mixes the analog signal with tunable wavelets prior to integration and digital conversion. The aim of the thesis is to propose a method to design a generic A2F converter based on the NUWS. It includes the definition of the wavelet parameters in order to acquire a broad range of low frequency signals (ECG, EMG, EEG, speech …). This step requires the use of feature selection algorithms and machine learning algorithms for selecting the best set of wavelets for a given application and should be used to define the specifications for the converter. The feature selection step must be aware of physical implementation constraints to optimize energy consumption as much as possible. A feature selection algorithm is proposed to choose wavelets for a given application, in order to maximize classification accuracy while decreasing power consumption, through a power model designed in CMOS 0.18μm.
Avec le fort développement de l'Internet des Objets (IoT), il devient nécessaire de converger vers de nouveaux capteurs dit intelligents. Ces capteurs doivent permettre d'analyser l'environnement extérieur, comprendre le contexte dans lequel ils sont utilisés et être conscient des besoins utilisateurs. Ils doivent cependant rester petits, fiables, bon marché et avoir une autonomie de plusieurs années. La conversion analogique-paramètre (Analog-to-Feature, A2F) est une nouvelle méthode d'acquisition pensée pour les appareils IoT, et semble être une solution adaptée pour de tels capteurs. Cette conversion consiste à extraire des paramètres directement sur le signal analogique. Une sélection pertinente des paramètres permet d'extraire uniquement l'information nécessaire à une tache particulière. Le convertisseur proposé est basé sur la technique de l'échantillonnage non-uniforme en ondelettes (NUWS). L'architecture mélange le signal analogique avec des ondelettes paramétrables avant d'intégrer et convertir le signal en données numériques. L'objectif de la thèse est de proposer une méthode pour concevoir un convertisseur A2F générique basé sur le NUWS. Il est ainsi nécessaire de définir les caractéristiques des ondelettes afin d'acquérir une large gamme de signaux basse fréquence (ECG, EMG, EEG, parole…). Cette étape nécessite l'utilisation d'algorithmes de sélection de paramètres et d'algorithmes d'apprentissage automatique pour sélectionner le meilleur ensemble d'ondelettes pour une application donnée et qui doit permettre de définir les spécifications du convertisseur. L'étape de sélection des paramètres doit tenir compte des contraintes de mise en œuvre pour optimiser au mieux la consommation d'énergie. Un algorithme de sélection de paramètres est proposé pour choisir des ondelettes pour une application donnée, afin de maximiser la précision de classification tout en diminuant la consommation d'énergie, grâce à un modèle de consommation réalisé dans une technologie CMOS 0.18μm.
| Origine | Version validée par le jury (STAR) |
|---|