3、窗口机制：滑动窗口、固定窗口、重叠窗口的定义与适用场景

在TinyML在线推理中，传感器数据以连续流的形式到达，而模型通常期望接收固定长度的输入张量。窗口机制正是连接“无限流”与“有限输入”之间的桥梁。它决定了模型每次推理时“看”到的是哪一段数据，以及这段数据如何被截取、更新和组织。窗口机制的选择直接影响推理的实时性、频率响应、计算开销以及内存占用。对于资源受限的MCU（微控制器）而言，理解并正确选用窗口类型，往往比调优模型结构更能带来立竿见影的效果。

3.1 核心原理：三种窗口机制的本质区别

窗口机制的本质是数据分段策略。它定义了从连续数据流中截取固定长度样本序列的规则，以及相邻两次截取之间的时间关系。在TinyML场景中，窗口长度（Window Size，记为W）和滑动步长（Step Size，记为S）是两个核心参数。窗口长度决定了模型输入张量的维度，滑动步长决定了推理触发的频率。

三种窗口机制的定义如下：

• 固定窗口（Fixed Window）：窗口长度W等于采样周期T的整数倍，且滑动步长S = W。每次推理使用完全独立、不重叠的数据段。例如，每采集256个样本执行一次推理，推理完成后清空缓冲区，重新开始累积。
• 滑动窗口（Sliding Window）：滑动步长S小于窗口长度W（通常S = 1或S = 2）。每次推理后，窗口向前移动S个样本，新窗口包含上一窗口的大部分数据，仅丢弃最旧的S个样本并追加最新的S个样本。这是最常用的在线推理窗口模式。
• 重叠窗口（Overlapping Window）：可以视为滑动窗口的一种特例，但更强调重叠率的概念。重叠率 = (W - S) / W × 100%。当重叠率大于0%时即为重叠窗口。实际工程中，重叠率通常设置在50%~90%之间。

从数学角度看，固定窗口是滑动窗口在S = W时的退化形式；而滑动窗口是重叠窗口在S较小时的极端情况。理解这一点有助于在实际部署时灵活切换策略。

3.2 判断方法：如何选择窗口类型与参数

选择窗口机制需要综合考虑任务类型、模型输入要求、MCU算力、内存容量和功耗预算五个维度。以下是系统化的判断流程：

1. 明确任务的时间分辨率需求：如果任务需要捕捉瞬态事件（如异常冲击、手势起始点），应选择滑动窗口或高重叠率窗口，以保证事件发生后立即触发推理；如果任务只关心周期性状态（如每分钟的平均温度），固定窗口即可满足需求。
2. 评估模型输入的最小长度：模型对输入长度有硬性要求（如1D-CNN需要64个样本）。窗口长度W必须大于等于该值。若W过小，模型无法提取有效特征；若W过大，则增加计算延迟和内存占用。
3. 计算推理频率与算力匹配：推理频率 = 采样率 / S。例如采样率1000Hz，S=10，则每秒推理100次。若MCU每次推理需5ms，则100次/秒需要500ms的计算时间，超过1秒的实时预算，必须增大S或降低采样率。
4. 检查内存约束：固定窗口只需W×字节数的缓冲区；滑动窗口需要环形缓冲区（容量为W），但无需额外复制；重叠窗口若采用“复制-拼接”方式，则需要额外的临时缓冲区。
5. 验证功耗预算：推理次数越多，MCU活跃时间越长，功耗越高。对于电池供电设备，应优先选择固定窗口或低重叠率滑动窗口。

3.3 案例拆解：基于IMU的跌倒检测窗口设计

下面通过一个完整的工程案例，展示窗口机制的选择与调优过程。

背景与约束：设计一个基于3轴加速度计的跌倒检测系统，运行在Cortex-M4F内核的MCU上（主频80MHz，RAM 64KB）。传感器采样率50Hz，模型为1D-CNN，输入长度128个样本（约2.56秒数据）。要求从跌倒发生到报警的延迟不超过500ms，且平均功耗低于5mW。

初始方案：采用固定窗口，W=128，S=128。推理频率 = 50/128 ≈ 0.39次/秒。每次推理耗时约30ms（模型FLOPs约2.5M）。计算负载极低，但存在严重问题：跌倒事件可能跨越两个窗口边界，导致窗口内只包含部分跌倒特征，模型无法准确识别。

问题分析：固定窗口的延迟特性是“批次延迟”，最坏情况下，跌倒发生在窗口刚开始时，需要等待整个窗口填满才能推理，延迟高达2.56秒，远超500ms的要求。

方案调整：改用滑动窗口，设置S=10（即每0.2秒推理一次）。推理频率 = 50/10 = 5次/秒。每次推理30ms，总计算时间150ms/秒，CPU占用率15%，满足实时性要求。内存方面，环形缓冲区仅需128×2字节（int16格式）= 256字节，完全可接受。

进一步优化：实测功耗发现，5次/秒的推理导致MCU活跃时间占比过高，平均功耗达到8mW。将S调整为25（即每0.5秒推理一次），推理频率降为2次/秒，功耗降至3.5mW。此时最坏延迟为0.5秒+30ms=530ms，略超500ms目标。最终将S设为20（每0.4秒推理），推理频率2.5次/秒，功耗4.2mW，延迟430ms，满足所有约束。

结果对比：

复盘经验：窗口参数调整的本质是在延迟、功耗、计算量之间寻找帕累托最优。固定窗口适合对延迟不敏感、但要求极低功耗的场景；滑动窗口适合需要快速响应的安全关键应用。实际调优时，应从固定窗口起步，逐步减小S，每次调整后测量延迟和功耗，找到满足所有硬约束的最小计算量配置。

3.4 常见误区与总结复盘

在实际TinyML项目中，窗口机制的设计常出现以下误区：

• 误区一：窗口越长越好。长窗口提供更多上下文信息，但会增加延迟、内存和计算量。对于瞬态事件检测，过长的窗口反而会稀释事件特征。
• 误区二：滑动步长越小越精确。S过小会导致大量重复计算，且相邻推理结果高度相关，信息增益有限。通常S不应小于W/10。
• 误区三：忽略窗口边界效应。固定窗口在边界处可能截断事件，导致特征不完整。解决方法是采用重叠窗口，或对窗口数据施加窗函数（如汉明窗）降低边界突变。
• 误区四：未考虑数据对齐。某些传感器（如IMU）需要时间戳对齐，窗口截取时若未同步，会导致特征错位。建议在环形缓冲区中同时存储时间戳。
• 误区五：内存分配不当。滑动窗口使用环形缓冲区时，需注意读写指针的原子操作，避免中断与主循环的竞争条件。

总结：窗口机制是TinyML在线推理的基石。固定窗口以延迟换取极低开销，适合周期性监控；滑动窗口以计算量换取实时性，适合事件驱动场景；重叠窗口则提供了更平滑的过渡。实际部署时，应结合任务的时间分辨率、MCU算力、内存和功耗预算，通过系统化的参数扫描找到最优配置。记住：没有“最好”的窗口，只有“最合适”的窗口。