用于智能穿戴设备的事件触发双记忆时间序列建模方法与流程

本发明涉及智能穿戴设备信号处理，具体涉及一种在资源受限的低功耗端侧处理器上运行的时间序列建模方案，核心功能是构建基于事件触发机制与双记忆循环神经网络（lstm/gru）的异常监测与数据分析系统模型。

背景技术：

1、智能穿戴设备能够持续采集心率、血氧、皮电反应及运动步频等多维生理信号，以用于健康监测与运动分析。但是智能穿戴设备往往会遇到以下问题：

2、1）持续采集的各类数据受传感器采样影响，往往伴随大量噪声，同时受佩戴环境与个体差异影响，数据分布存在显著漂移；

3、2）对捕获低频次的关键性生理异常和突发运动事件时，实时性要求极高；

4、3）设备本身的计算资源、存储空间及电池续航能力极其有限，不宜频繁上传云端。

5、现有的端侧解决方案多基于标准lstm或注意力机制模型，难以在极低功耗下同时兼顾对突发事件的敏锐捕捉与长期历史模式的有效记忆。传统的重放式记忆机制或依赖云端协同的方案，不仅增加了通信与存储开销，还引入了潜在的隐私泄露风险。因此，亟需一种能够在端侧独立运行、对关键事件敏感、且能高效利用有限计算资源的通用建模方法。

技术实现思路

1、为了克服现有技术的不足，本发明提供一种用于智能穿戴设备的事件触发双记忆时间序列建模方法及系统，本发明旨在提供一种专为低功耗智能穿戴设备设计的事件触发双记忆时间序列建模方法及系统。该方法通过事件驱动机制精准捕捉关键时刻，利用双记忆结构平衡短期响应与长期模式保持，在严格限制端侧功耗与存储预算的前提下，显著提升对异常事件的识别精度，同时保障用户隐私安全。

2、本发明采用如下技术方案，具体步骤如下：

3、a) 轻量化主干处理；

4、将采集的时间序列输入序列记为 xt，将时间序列输入序列 xt 输入部署于端侧设备的循环神经网络主干模型，所述循环神经网络主干模型为轻量化 lstm 或 gru，用于实时更新当前时刻的隐状态 ht 及初始输出 yt，其中，所述循环神经网络主干模型构成短时记忆通路，用于保留最近若干采样时刻的时序依赖关系；

5、b) 自适应事件检测；

6、基于当前时刻的输入 xt、预测残差 et 以及隐状态 ht 计算变化强度指标 et，所述变化强度指标et用于衡量当前时刻与近邻时间窗口相比的异常程度；优选地，所述变化强度指标et按照如下形式计算：

7、

8、其中，rt 为滑窗残差统计量，表示当前采样值与主干模型预测值之间的差异；vt 为滑窗方差突变统计量，表示当前窗口与前一窗口的方差变化程度；ct 为累计和 cusum 统计量；ut 为模型输出不确定性评分；a1、a2、a3和a4 均为非负权重系数，且满足 a1+a2+a3+a4=1；

9、根据最近 n 个时刻的变化强度指标集合 {e(t-n+1), …, et} 动态的更新触发阈值θt，触发阈值优选采用分位数阈值或中位数绝对偏差阈值，具体为：

10、

11、其中，median(e) 为变化强度指标集合的中位数，mad(e) 为中位数的绝对偏差，λ为阈值调节系数；当et≥θt时，判定当前时刻 t 为关键事件时刻，并触发事件记忆构建与检索增强过程；当 et <θt时，仅执行主干模型的递推更新；

12、c) 锚点构建与受限存储；

13、在当前时刻被判定为关键事件时刻时，对当前隐状态 ht 进行线性投影压缩，得到低维投影向量 pt，具体步骤为：

14、

15、其中，wp为投影矩阵，bp为偏置项，pt的维度为dp；然后，从当前时刻前后预设窗口内提取统计特征和频域特征，形成辅助特征向量ft；所述统计特征包括均值、方差、极值或斜率中的至少一种，所述频域特征包括主频能量、频带能量比或谱质心中的至少一种。

16、将低维投影向量 pt、辅助特征向量 ft 以及对应时间戳 τt 按预定格式拼接或封装，构成复合锚点 at，即：

17、

18、其中，ut为该锚点的历史利用率计数；所述复合锚点 at被写入事件记忆库 em；所述事件记忆库 em采用环形缓冲区实现，包含头指针和尾指针，并利用基于量化投影编码的桶式索引结构记录各锚点所属索引桶，以支持后续快速检索。

19、d) 动态预算管理；

20、为适应端侧有限的存储资源，事件记忆库 设定固定容量预算 c，c 表示事件记忆库可容纳的最大锚点数量，当事件记忆库em达到容量上限c且有新的复合锚点待写入时，启动预算管理策略；

21、所述预算管理策略包括对库内各锚点计算淘汰评分si，所述淘汰评分si优选定义为：

22、

23、其中，simi 表示第i个锚点与其最近邻锚点之间的相似度，用于表征冗余程度；agei 表示锚点驻留时长的归一化结果；usei表示锚点在历史检索过程中被命中的频次归一化结果；λ1、λ2、λ3为权重系数，系统优先淘汰 si 最大的锚点，从而删除冗余度高、陈旧且利用率低的锚点，保证事件记忆库始终保留代表性强且多样性高的关键事件模式；

24、e) 上下文检索与门控融合；

25、在模型推理阶段，根据当前隐状态 ht 构建查询向量 qt，优选地：

26、

27、利用所述查询向量 qt 在事件记忆库 em 中执行相似度检索，先在与 qt 对应的索引桶及其相邻索引桶内筛选候选锚点，再依据余弦相似度对候选锚点排序，余弦相似度计算公式如下：

28、

29、选取相似度最高的 top-k 个历史锚点作为检索结果；所述相似度最高指与查询向量余弦相似度数值最大的锚点。

30、随后，对所述 top-k 个历史锚点执行加权聚合，得到历史上下文向量 rt，优选地采用 softmax 归一化权重：

31、

32、

33、其中，t 为温度系数， 表示由锚点 ai 中的低维投影向量和辅助特征向量映射得到的特征表示；

34、再将当前隐状态 ht 与历史上下文向量 rt 输入融合门控模块，计算门控系数gt：

35、

36、其中，[ht; rt] 表示拼接操作，wg 和 bg 分别为融合门控模块的参数，根据门控系数生成增强后的隐状态：

37、

38、其中，⊙ 表示逐元素乘法，最终基于增强后的隐状态生成修正后的输出 ；

39、f) 多目标联合训练；

40、在训练阶段，构建联合损失函数l，对主干模型、事件检测参数、投影参数及门控融合参数进行联合优化，所述联合损失函数l包括任务预测损失lpred、锚点一致性正则项lanchor以及记忆多样性正则项lmem，具体为：

41、

42、其中，μ、ν 为非负超参数；

43、所述任务预测损失lpred用于约束模型输出与标签之间的误差，优选为交叉熵损失或均方误差损失；所述锚点一致性正则项lanchor用于约束增强后的隐状态与检索得到的历史上下文向量 rt 在特征空间中的距离，优选定义为：

44、

45、所述记忆多样性正则项lmem用于抑制事件记忆库内锚点之间的过度相似，优选定义为：

46、

47、其中，m为当前参与训练的锚点数量，m为相似度容许上限的阈值，当两个锚点的余弦相似度高于阈值 m 时，对锚点施加惩罚，以减少冗余记忆并提高模式覆盖度；

48、g) 低功耗优化实现；

49、所述方法运行于智能穿戴设备端侧处理器上，所述端侧处理器包括 mcu、dsp 或低功耗 soc，为了降低系统能耗，主干模型、投影模块和门控融合模块采用定点运算或 8-bit 量化算子实现；

50、其中，事件检测模块和检索模块在满足触发条件时激活，所述触发条件为et ≥θt；在非关键时段，即连续多个采样周期均满足et < θt 时，系统仅执行主干模型递推，并以低占空比方式更新事件检测统计量，而暂停锚点写入和历史检索操作，以降低平均计算负载和功耗；

51、h) 隐私保护与协同扩展；

52、在端云协同场景下，端侧设备仅上传经过低维投影压缩和匿名化处理的锚点摘要或统计特征，不上传原始生理信号；云端根据多个端侧设备上传的锚点摘要执行聚合训练或参数微调，并将更新后的模型参数下发至端侧。

53、进一步地，端侧或云侧可对待同步的锚点摘要叠加差分隐私噪声，或在多设备联合训练时采用安全聚合协议，以防止单个用户的局部特征被逆推出原始数据，从而进一步增强数据隐私保护能力；

54、所述变化强度指标 et 的计算方式包括滑窗残差分析、方差突变检测、累计和cusum 算法和不确定性评分中的至少一种。

55、所述低维投影向量 pt 的维度dp为64至128，所述检索数量top-k为3至5，所述事件记忆库的容量预算c为 256 至 2048 个锚点单元。

56、所述相似度度量采用余弦相似度算法，所述融合门控系数gt通过 sigmoid 激活函数计算得到。

57、所述复合锚点at的数据结构包含隐状态的低维投影向量、近邻时间窗口的统计特征或频域特征描述子、时间戳信息以及锚点利用率统计值。

58、所述记忆多样性正则项通过对事件记忆库内两两锚点相似度超过阈值部分施加惩罚，实现对冗余锚点的抑制并提升对不同事件模式的覆盖代表性。

59、所述端云协同机制包括以下步骤：端侧设备周期性上传低维锚点摘要；云端对多设备上传的锚点摘要进行聚合训练并更新共享模型参数；端侧设备接收并加载所述共享模型参数，用于后续本地推理和事件检测。

60、一种用于实现所述方法的系统，包括：

61、传感器采集模块，用于获取原始生理或运动信号；

62、预处理模块，用于对所述原始生理信号或运动信号进行滤波、去噪、分段和标准化处理；

63、 循环神经网络主干模块，用于提取时间序列特征并输出隐状态 ht 及初始输出yt；

64、事件检测模块，用于依据变化强度指标 et 和自适应阈值 θt 实时识别关键事件时刻；

65、事件记忆模块，用于构建、存储和管理复合锚点；

66、检索模块，用于根据当前查询向量在事件记忆库中检索相似历史锚点；

67、融合门控模块，用于融合当前隐状态与历史上下文向量并生成增强后的隐状态；

68、预算控制模块，用于管理事件记忆库的容量预算、锚点淘汰和压缩策略；

69、安全隐私模块，用于对待同步数据执行匿名化、加密或隐私保护处理；

70、端云协同模块，用于在需要时完成锚点摘要上传、全局模型更新接收及参数同步。

71、上述各模块协同工作，按照所述方法步骤完成智能穿戴设备端侧的时间序列建模、异常检测与资源受限条件下的记忆增强推理。

72、所述预算控制器负责实时监控记忆库的插入率、锚点利用率、存储容量占用及系统能耗，并在检测到容量超限时，自动触发锚点淘汰与压缩策略。

73、一种计算机可读存储介质，其上存储有计算机可执行指令，所述指令在被处理器加载并运行时，致使处理器执行如所述的方法步骤。

74、所述主干模型在部署时采用8-bit量化或定点算子实现，且事件检测与检索操作仅在满足触发条件et≥θt时执行，以降低系统整体功耗。

75、参数优选设置：

76、循环主干网络隐藏层维度设为64至128；低维投影维度控制在64至128之间；事件记忆库容量预算c设定为256至2048个锚点；检索top-k值取3至5；融合门控激活函数选用sigmoid；相似度度量采用余弦相似度。

77、本发明的有益效果是：由于采用本发明通过端侧原生的事件锚点记忆与自适应门控融合机制，有效解决了低功耗设备在处理复杂时间序列时的“遗忘”与“误报”难题。其核心优势在于：

78、1. 高鲁棒性：能够敏锐捕捉突发异常及结构性数据变化，显著提升识别准确率。

79、2. 资源高效：通过严格的容量预算管理与低维数据压缩，大幅降低了对片上存储与通信带宽的需求。

80、3. 隐私合规：仅存储和传输匿名化的特征摘要，从架构层面保障了用户数据的安全性。

81、4. 低延迟低能耗：基于事件触发的计算策略与量化执行方案，确保了系统在极低功耗下的实时响应能力。