在微控制器上利用超维计算和共形预测技术实现高效且具备不确定性感知能力的人类活动识别

《Scientific Reports》：Efficient uncertainty aware human activity recognition on microcontrollers using hyperdimensional computing and conformal prediction

　　

摘要

在本文中，我们解决了可穿戴人体活动识别（HAR）中的一个核心挑战，即如何从惯性传感器数据中识别日常生活和运动活动：在延迟、RAM和能源都受到严格限制的微型控制器上提供可靠且可解释的不确定性信息。现有的嵌入式方法要么校准softmax置信度，这种方法虽然成本低廉，但在传感器位置变化或节奏变化时容易出错；要么依赖生成式或后采样方案，但这些方案超出了TinyML的预算限制。我们提出了超维度距离与不确定性感知人体活动识别（HDUQ-HAR），这是一种基于设备上的超维度计算（HDC）框架，它将每个IMU数据窗口编码为一个双极超向量，通过原型相似性进行分类，并从同一表示中提取三个互补的、轻量级的不确定性信号：（1）与类别原型的距离；（2）与次优类别的相似度差距；（3）捕获n-gram共识的投票分散度。一个基于标签的条件共形层将这些分数转换为具有有限样本覆盖保证的集合值预测，并提供一个人类可读的理由代码，说明不确定性增加的原因。在UCI HAR、WISDM、PAMAP2和OPPORTUNITY等数据集上，通过使用受试者分组和现实中的变化（方向、增益、时间扭曲、缺失轴、交叉放置），HDUQ-HAR在\(1-\delta =0.90\)的覆盖率下实现了接近目标的结果，在独立同分布数据上获得了近乎单一的类别集合（平均大小为1.18–1.25），并且具有强大的变化/未知数据检测能力（AUROC 0.92–0.96）。该方法在Cortex-M4处理器上运行，每个数据窗口的处理时间为3–5毫秒，仅占用\(\sim\)6–9 KB的RAM和\(\sim\)5–7 KB的Flash内存。通过将HDC几何结构与基于标签的条件共形预测相结合，我们的方法证明了在可穿戴设备中效率和可靠性可以共存，从而生成在变化条件下仍能保持准确性的小型、经过校准的类别集合，并提供实践者可以信赖的可操作解释。