時系列分類は、時系列データ内の特定のカテゴリ、運用状態、または事前定義されたラベルを識別し、ヘルスケア、ワイヤレス モニタリング、スマート セキュリティ、自動テストなどの領域に広く適用されています。

波形分類設計では、軽量な 13K パラメータの時系列分類モデル (CLS_13k_NPU) が実装されており、組込みニューラル プロセッシング ユニット (NPU) への効率的な展開を目的として設計されています。この設計では、256 ポイントの実数高速フーリエ変換 (RFFT) による特徴抽出パイプラインと、AI 推論タスクごとに 8 フレームを連結する方式を採用しており、入力として 128 要素の 1 次元時系列特徴ベクトルを受け取り、出力として 3 要素のベクトルを生成します。各要素は、それぞれ対応するクラスの信頼度スコアを表します。

エクスポートされたモデル ファイルは、完全に接続された最終レイヤから INT8 (8 ビット量子化) テンソルを出力します。生の出力は、量子化された形式のクラス別信頼スコアで構成されているため、最終的な分類結果を導き出すには後処理ステップが必要です。

波形分類モデルのアーキテクチャ

モデル ネットワークはシーケンシャル特徴変換パイプラインとして構成されており、各ステージは前の出力に直接入力として構築され、入力表現を段階的に洗練、抽象化しながら、最終的な分類判断を行います。図 7-2 にワークフローを示します。

図 7-2 時系列分類モデル (CLS_13k) のフロー チャート

このパイプラインはバッチ正規化レイヤーから始まります。このレイヤーは生の入力シーケンスをリアルタイムで標準化し、学習済みの変換を適用する前に入力信号の振幅が変動しても一貫した特徴スケーリングを行います。入力が安定すると、ネットワークは 6 つの連続した畳み込みブロックを介して特徴表現を段階的に深めていきます。各ブロックは一貫した内部構造 (バイアスのある Conv2D レイヤー、バッチ正規化、ReLU 活性化) の順で構成されています。この繰り返し構造により、各ステージを経るごとに、抽象度を高めた時系列パターンをキャプチャします。各ブロック内のバッチ正規化は、深層化してもトレーニングの安定性を維持しますが、ReLU 活性化は、モデルが複雑な信号特性を学習するために必要な非線形性を付与します。

6 つの畳み込みステージの後、得られた特徴マップはアダプティブ平均プーリング レイヤーを通過します。このレイヤーは、前の時間的長さに関係なく、空間分解能を 1x1 の固定サイズに縮約します。この設計の大きな特徴は、モデルを固定の時間次元に依存させない点です。これにより、長さの異なる時系列入力との互換性が本質的に確保され、アーキテクチャを変更することなく、将来的にさまざまな展開シナリオに柔軟に対応できます。

固定サイズにプールされた特徴マップは、2D テンソルにフラット化され、最終的な完全接続 (FC) レイヤーを通過します。このレイヤーは、圧縮された高次元特徴表現をターゲット クラスの出力スコアに直接マッピングします。

モデル出力と後処理

エクスポートされたモデル ファイルは、完全に接続された最終レイヤから INT8 (8 ビット量子化) テンソルを出力します。生の出力は、量子化された形式のクラス別信頼スコアで構成されているため、最終的な分類結果を導き出すには後処理ステップが必要です。通常は、出力ベクトルに argmax 演算を適用し、最も高い信頼度スコアを持つクラスのインデックスを、予測分類結果とします。