3、窗口化概念：什么是滑动窗口、窗口长度与步长的定义、窗口与样本的关系

TinyML 时序建模的第一步，往往不是选择模型，而是决定“如何把连续的时间序列切成模型能吃的形状”。传感器数据以固定采样率持续产生，而神经网络通常只能处理固定长度的输入张量。滑动窗口（Sliding Window）正是连接“无限连续流”与“有限输入维度”之间的桥梁。理解窗口长度（Window Length）、步长（Step/Stride）以及窗口与样本（Sample）之间的映射关系，是后续所有特征工程、模型训练与部署优化的基础。若此环节设计不当，后续模型精度再高也难以在真实硬件上落地。

上图展示了滑动窗口的核心机制：一个长度为 L 的窗口在原始时间序列上以固定步长 S 滑动，每滑动一次便截取一段子序列，形成一个独立的训练样本。窗口长度决定了模型每次“看到”的时间范围，步长则控制相邻样本之间的重叠程度。两者共同决定了从原始数据中能生成多少个样本，以及样本之间的信息冗余度。下面从定义、关系、设计方法与实战案例四个维度展开。

3.1 核心概念与数学定义

滑动窗口（Sliding Window）是一种数据切片技术，它将连续的时间序列 x[0], x[1], ..., x[N-1] 按固定宽度 L 切分为多个子序列。每个子序列可以表示为 x[i : i+L]，其中 i 为窗口起始索引。窗口在时间轴上不断右移，每次移动的距离称为步长（Stride/Step），记作 S。当 S=1 时，相邻窗口完全错开一个采样点，重叠度最高；当 S=L 时，窗口之间无重叠，样本完全独立。

窗口长度（Window Length, L）是模型输入的时间维度大小，直接对应神经网络输入张量的 shape 第二维（第一维为 batch）。例如，一个 3 轴加速度计以 50Hz 采样，若 L=100，则每个样本包含 2 秒的加速度数据，输入张量为 (batch, 100, 3)。L 的选择需权衡：过短则丢失关键周期信息，过长则引入噪声且增加计算量。

步长（Stride, S）控制样本生成的密度。S 越小，样本重叠越多，数据增强效果越强，但训练样本间相关性高，容易导致过拟合；S 越大，样本越稀疏，可能丢失关键状态转换信息。在实时推理场景中，步长还决定了系统的响应延迟——每经过 S 个新采样点，模型才执行一次推理。

num_samples = floor((N - L) / S) + 1

3.2 窗口长度与步长的设计方法

设计窗口参数需要结合信号特性、任务类型与硬件约束，遵循以下判断流程：

1. 确定信号的最小周期/关键事件时长：窗口长度至少应覆盖 1-2 个完整周期。例如，人体步频约 1.5-2Hz，若采样率 50Hz，则一个周期约 25-33 个采样点，L 建议取 50-100（即 1-2 秒）。
2. 评估任务的时间依赖范围：对于异常检测，窗口应包含异常发生前后的上下文；对于预测任务，窗口需覆盖输入序列与预测目标之间的时间跨度。
3. 根据硬件内存与延迟约束调整：MCU 的 RAM 通常有限，L 越大，模型输入层参数越多，中间特征图占用内存也越大。例如，Cortex-M4 级别 MCU 上，L=256 且多通道时可能超出内存预算。
4. 选择步长策略：训练阶段常用 S=1 或 S=2 进行数据增强；部署阶段常用 S=L/2 或 S=L/4 以平衡延迟与精度。若系统要求实时响应，则 S 越小，推理频率越高，功耗越大。

实际操作中，建议先以信号周期为基准粗选 L，再通过交叉验证微调。步长则根据训练样本量与推理延迟需求折中。若样本量不足，可减小 S 以增加样本；若训练时间过长或过拟合，则增大 S。

3.3 案例拆解：基于 3 轴加速度计的跌倒检测窗口设计

某可穿戴设备项目需在 Cortex-M4 内核 MCU（主频 80MHz，RAM 64KB）上实现跌倒检测。传感器为 3 轴加速度计，采样率 50Hz，原始数据流持续写入环形缓冲区。目标：跌倒事件发生后 1 秒内触发报警，误报率低于 5%。

初始参数与约束：MCU 可用 RAM 约 20KB 用于模型输入与中间计算；模型为 1D-CNN，输入层为 (L, 3)，卷积后特征图尺寸约为输入长度的 1/4。若 L=100，则输入占 100×3×2字节=600B，中间特征图约 25×16×2=800B，总内存占用可接受。若 L=200，则内存占用翻倍，且推理时间增加约 60%。

分析过程：跌倒动作通常持续 0.5-1.5 秒，包含失重、撞击、静止三个阶段。窗口长度需覆盖完整跌倒过程，故 L 取 75-100（1.5-2 秒）。步长 S 决定系统响应延迟：若 S=25（0.5 秒），则每 0.5 秒推理一次，最坏延迟 0.5 秒+推理时间，满足 1 秒要求；若 S=50（1 秒），则最坏延迟 1 秒+推理时间，可能超限。因此选择 S=25。

实际操作：使用 2000 条跌倒样本与 5000 条日常活动样本进行训练。对比三组参数：

• L=50, S=10：样本数最多，但窗口过短，模型无法区分跌倒与快速蹲下，误报率 12%。
• L=100, S=25：窗口覆盖完整动作，样本重叠 75%，训练收敛快，误报率 4.2%，延迟约 0.5 秒。
• L=150, S=50：窗口过长，包含过多跌倒前后无关数据，模型注意力被分散，误报率 6.8%，且内存占用超限。

结果与复盘：最终采用 L=100, S=25。该配置在 64KB RAM 下运行稳定，推理耗时 35ms，满足实时性。复盘发现，步长 S=25 使相邻样本重叠 75%，训练时模型见过大量相似样本，需配合 Dropout 防止过拟合。此外，部署时采用环形缓冲区存储最近 100 个采样点，每新增 25 个点触发一次推理，避免重复拷贝数据。

3.4 常见误区与总结复盘

误区一：窗口长度等于采样率乘以固定秒数即可。实际需考虑信号的非平稳性。例如，跑步时加速度幅值变化大，但步频相对稳定；而跌倒检测中，事件持续时间因人而异，固定秒数可能不适用。应基于事件物理时长而非简单秒数。

误区二：步长越小越好。虽然小步长增加样本量，但相邻样本高度相关，导致训练集有效信息量并未显著增加，反而增加训练时间与过拟合风险。经验上，训练阶段 S 可取 L/4 至 L/2，部署阶段 S 取 L/2 至 L。

误区三：忽略窗口边界效应。当窗口滑动到序列末尾时，若剩余长度不足 L，通常采用丢弃或填充策略。在实时系统中，末尾不完整窗口应直接丢弃，等待足够数据再推理，避免填充造成虚假样本。

误区四：训练与部署步长不一致。训练时用 S=1 生成密集样本，部署时却用 S=L 导致推理结果抖动。正确做法是：训练时采用多种步长（数据增强），但部署步长需与验证时一致，或确保模型对步长不敏感（可通过多步长训练实现）。