3、时间序列分类任务：分类目标、数据标注、评估指标（准确率、F1分数等）
在TinyML时序CNN模型的实际落地中，我们面对的核心问题并非“如何搭建一个神经网络”，而是“如何定义一个可被边缘设备解决的分类问题”。时间序列分类与图像分类有本质差异：图像是空间结构数据，而传感器时序数据是时间结构数据，其类别边界往往隐藏在波形形态、频率成分、事件顺序和持续时间之中。本章将聚焦于分类任务的三个基石——分类目标定义、数据标注规范、评估指标体系，帮助你在构建一维卷积模型之前，先建立一套可量化、可复现、可部署的任务框架。
3.1 分类目标定义：从物理现象到类别体系
时间序列分类的目标不是简单地“让模型输出一个标签”，而是需要明确回答三个问题：区分什么、在什么时间尺度上区分、区分结果如何被使用。以人体活动识别（HAR）为例，分类目标可以是“静止/走路/跑步/上楼/下楼”五类，也可以是“正常/异常”二分类。前者需要更细的时序特征，后者则更关注异常检测的召回率。在TinyML场景中，分类目标还受到硬件约束的强烈影响——类别数越多，模型参数量越大，RAM和Flash占用越高，推理延迟越长。
- 类别互斥性：每个时间窗口必须且只能属于一个类别。若存在“走路+挥手”的组合状态，需拆分为独立类别或采用多标签策略。
- 时间粒度：窗口长度决定了分类的“时间分辨率”。例如，工业设备故障检测中，50ms的窗口适合检测高频振动异常，而2s的窗口更适合识别温度漂移。
- 类别权重：若某些类别出现频率极低（如设备故障仅占0.1%），需在目标定义阶段就考虑代价敏感学习或异常检测框架。
- 部署约束：MCU上运行CNN时，类别数K直接决定全连接层参数量。例如，输入特征图大小为32×8，全连接层参数量约为32×8×K，K从5增至10时，参数量增加一倍。
在实际项目中，分类目标往往需要与业务方反复对齐。例如，在智能家居的跌倒检测场景中，业务方最初要求“跌倒/非跌倒”二分类，但进一步分析发现，“缓慢坐下”与“跌倒”在加速度波形上高度相似，导致误报率居高不下。最终将目标调整为“跌倒/坐下/躺下/其他”四分类，虽然增加了标注成本，但模型可解释性和系统可用性显著提升。
3.2 数据标注：时间序列特有的挑战与操作流程
数据标注是TinyML项目中最耗时、最容易引入偏差的环节。与图像标注不同，时间序列的标注需要同时关注时间边界和类别归属。一个典型的加速度计信号中，“走路”到“跑步”的过渡可能持续1-2秒，这段过渡数据应该标记为“走路”还是“跑步”？或者单独标记为“过渡”？这需要明确的标注规范。
| 标注方式 | 适用场景 | 优点 | 缺点 |
|---|---|---|---|
| 窗口级标注 | 固定长度滑动窗口（如2s） | 实现简单，与模型输入直接对应 | 窗口边界可能跨越类别切换 |
| 事件级标注 | 离散事件（如按键、跌倒） | 时间精度高，适合触发型应用 | 需要精确的起始/结束时间戳 |
| 点级标注 | 异常检测、峰值识别 | 最精细的标注粒度 | 标注成本极高，一致性难保证 |
标注操作流程建议：
- 预标注：使用简单的阈值规则或已有的非深度学习模型生成初步标签，人工仅修正错误部分，可减少60%以上的标注时间。
- 双人标注+仲裁：对于边界模糊的样本，至少两人独立标注，不一致处由专家仲裁。在振动信号分类中，不同标注者对“轻微磨损”和“正常”的边界判断差异可达30%。
- 时间一致性校验：检查同一段连续信号中，标签切换频率是否合理。若1秒内标签切换超过3次，通常说明标注存在噪声。
- 类别平衡处理：若某类别样本数过少，可采用过采样（复制加噪声）、窗口重叠采样或合成少数类样本（如SMOTE的时序变体）来平衡。
3.3 评估指标：准确率不是唯一标准
在TinyML时序分类中，准确率（Accuracy）往往具有欺骗性。假设设备故障检测任务中，正常样本占99%，故障样本占1%。一个“永远预测正常”的模型准确率高达99%，但完全无法检测故障。因此，必须结合精确率（Precision）、召回率（Recall）和F1分数综合评估。
核心指标定义：
- 准确率（Accuracy）：正确预测样本数 / 总样本数。适用于类别分布均衡的场景。
- 精确率（Precision）：预测为正类的样本中，真正为正类的比例。高精确率意味着“预测为故障的样本，大概率确实是故障”。
- 召回率（Recall）：实际为正类的样本中，被正确预测的比例。高召回率意味着“所有故障样本都被尽可能找出来”。
- F1分数：精确率和召回率的调和平均数，F1 = 2 × (P × R) / (P + R)。在类别不平衡时，F1比准确率更能反映模型真实性能。
在TinyML场景中，评估指标还需要扩展到资源维度：模型大小（Flash占用）、运行时RAM、单次推理延迟、能耗（mAh/次推理）。一个在服务器上F1=0.95的模型，若量化后F1降至0.88，但RAM占用从200KB降至30KB，在MCU上仍然可能是更优选择。
3.4 案例拆解：工业电机振动分类的评估体系设计
背景与约束：某工厂需要对传送带电机进行预测性维护，使用加速度计采集振动信号，采样率2kHz。目标是在STM32L4系列MCU上部署CNN模型，RAM限制64KB，Flash限制256KB，推理延迟小于50ms。分类目标为：正常、轴承磨损、齿轮断裂、不对中，共4类。
初始现象与目标：初期模型在测试集上准确率达96%，但部署后误报频繁。分析发现，测试集来自同一台电机的连续运行数据，而实际部署时电机负载变化导致振动幅值偏移，模型泛化能力不足。
关键数据与指标：
初始模型（未优化）：
- 准确率：96.2%
- 混淆矩阵显示：正常→轴承磨损误报率 8.3%
- 模型大小：180KB（FP32）
- 推理延迟：120ms（超限）
优化后模型（量化+结构调整）：
- 准确率：93.5%
- F1分数：0.912（加权）
- 模型大小：42KB（INT8量化）
- 推理延迟：28ms
- RAM占用：31KB分析判断过程：准确率下降2.7%，但F1分数从0.88提升至0.91，说明模型对少数类（齿轮断裂）的识别能力增强。进一步分析混淆矩阵发现，优化后“不对中”与“正常”的混淆率从5.1%降至2.3%，这是因为量化操作实际上起到了轻微的正则化作用，抑制了过拟合。
实际操作步骤：
- 重新划分数据集：按不同负载条件（空载、半载、满载）分别采集数据，确保每个负载状态都按7:3划分训练/验证。
- 引入时间序列增强：对训练窗口添加小幅随机缩放（0.95~1.05倍）和时序抖动（±2个采样点），模拟负载变化。
- 采用类别加权损失函数：将“齿轮断裂”类别的损失权重设为3.0，提升少数类召回率。
- 量化感知训练：在训练过程中模拟INT8量化误差，使模型对量化鲁棒。
结果对比与复盘：优化后模型在真实负载变化场景下的误报率从8.3%降至2.1%，F1分数提升至0.91。代价是训练时间增加40%，但推理阶段无额外开销。复盘经验：评估指标必须与部署场景匹配——实验室的随机划分准确率不能代表实际工况性能，应使用时间序列特有的“前向验证”方法，并始终关注F1分数而非单一准确率。
- 类别均衡（各占20%以上）→ 准确率 + 混淆矩阵
- 类别不平衡（少数类<5%）→ F1分数 + 召回率
- 误报代价高（如医疗报警）→ 高精确率优先
- 漏报代价高（如故障检测）→ 高召回率优先
- TinyML部署 → 必须同时报告模型大小、RAM、延迟
3.5 常见误区与总结复盘
误区一：盲目追求高准确率。在时间序列分类中，准确率容易被多数类主导。例如，在睡眠阶段分类中，如果“浅睡”占60%，“深睡”占20%，“REM”占20%，一个只预测“浅睡”的模型准确率60%，但毫无临床价值。正确做法是报告每个类别的精确率/召回率，并计算宏平均F1或加权F1。
误区二：忽略时间依赖关系。传感器数据在时间上高度相关，相邻窗口的标签往往相同。如果随机划分训练/验证集，模型会“记住”时间上下文而非学习波形特征。必须采用时间序列交叉验证（如Blocked K-Fold），确保验证集时间上完全在训练集之后。
误区三：标注边界处理不当。在活动切换的过渡段（如从走到跑），标签往往不明确。若强行赋予一个类别，会引入噪声。建议在标注时增加“过渡”类别，或在训练时丢弃过渡段样本。
误区四：评估指标与部署目标脱节。在MCU上部署时，模型大小和延迟是硬约束。一个F1=0.95但需要2MB Flash的模型无法部署，而F1=0.88但仅需40KB的模型才是可行方案。建议在项目初期就设定资源预算，并将资源指标纳入模型选型标准。
总结：时间序列分类任务的成功，60%取决于任务定义和数据处理，30%取决于特征工程和模型结构，仅10%取决于训练技巧。分类目标要明确互斥且可操作；数据标注要规范一致且防泄漏；评估指标要全面反映模型在真实场景下的性能，并兼顾资源约束。在TinyML场景中，建议始终以“F1分数 + 模型大小 + 推理延迟”作为核心评估三元组，准确率仅作为辅助参考。