Sensor-Aware Classifiers for Energy-Efficient Time Series Applications on IoT Devices

时间序列数据处理是许多现实世界应用的重要组成部分，例如健康监测、环境监测和数字农业。这些应用程序收集传感器数据的不同时间窗口（例如几秒钟），并对其进行处理以评估环境。由于机器学习（ML）模型具有分类的泛化能力，因此在时间序列应用中使用它们。最先进的时间序列应用程序在使用ML算法处理数据之前等待整个传感器数据窗口可用，从而导致传感器能量消耗高。然而，并不是所有情况都需要处理完整的传感器窗口才能进行准确推断。例如，在活动识别中，可以使用部分窗口推断坐和站立活动。基于这一洞见，我们建议使用早期退出分类器和部分传感器窗口来最小化能量消耗，同时保持准确性。具体而言，我们首先利用多个早期退出，随着窗口中可用的数据逐渐增加而逐步增加。如果早期退出提供高置信度的推断，我们将返回标签并进入传感器的低功耗模式。所提出的方法有潜力在时间序列应用中实现显着的能量节省。我们利用神经网络和随机森林分类器来评估我们的方法。我们对六个数据集进行的评估表明，所提出的方法平均能够实现50-60％的能量节省，而不会影响准确性。能源节约可以使时间序列应用程序在能源有限的偏远地区得以实现。

论文旨在解决时间序列应用中的高能耗问题，提出了使用部分数据窗口的早期退出分类器来节省能源。

使用多个早期退出分类器，随着窗口中数据逐渐增加，提供高置信度的推断并进入低功耗模式。这种方法可以在不影响准确性的情况下节省高达50-60%的能源。

论文使用神经网络和随机森林分类器评估了该方法，并在六个数据集上进行了实验，结果表明该方法可以节省高达50-60%的能源。这种方法的能源节约有望使时间序列应用在能源有限的偏远地区得到应用。

近年来，对于时间序列数据的处理和分类已经有了很多相关研究。例如，有关时间序列分类的论文包括《Time series classification using multi-channels deep convolutional neural networks》和《Time series classification with ensembles of elastic distance measures》等。