본 논문은 에너지 효율적인 시계열 데이터 분류기를 개발하고자, Echo State Network(ESN) 기반의 새로운 모델인 PatchEchoClassifier를 제안합니다. 1차원 센서 신호를 이용한 인간 활동 인식(HAR)에 초점을 맞춰, 토크나이저를 이용하여 패치 단위 표현을 추출합니다. 모델의 효율적인 학습을 위해 고용량 MLP-Mixer teacher 모델에서 경량 ESN 기반 student 모델로 지식 증류 프레임워크를 적용합니다. 여러 HAR 데이터셋에 대한 실험 결과, PatchEchoClassifier는 80% 이상의 정확도를 달성하면서 계산 비용을 크게 줄였음을 보여줍니다. 특히, 널리 사용되는 DeepConvLSTM 기반 모델에 비해 FLOPS를 6분의 1 수준으로 감소시켰습니다. 이는 PatchEchoClassifier가 에지 컴퓨팅 환경에서 실시간 및 에너지 효율적인 인간 활동 인식을 위한 유망한 해결책임을 시사합니다.