1. 阈值检测基础：什么是阈值检测？
阈值检测，说白了就是设一个“门槛”。信号超过这个门槛，我们就认为发生了某件事；没超过，就当作没发生。你想想看，这其实是我们做嵌入式信号处理时最常用、最直觉的判断方式。
我刚开始做信号处理那会儿，总觉得阈值检测太简单了，不就是 if (value > THRESHOLD) 吗？后来踩的坑多了才明白——阈值设得好，系统稳如老狗；阈值设得差，误报漏报满天飞。
1.1 阈值检测的数学本质
从数学上看，阈值检测就是一个二元决策问题。给定输入信号 x(t)，我们定义一个阈值 T，然后做判断：
if x(t) > T:
输出 = 1 (事件发生)
else:
输出 = 0 (事件未发生)就这么简单？嗯，表面上是。但实际项目中，信号往往带着噪声、漂移、毛刺。这时候阈值 T 怎么选，就成了技术活。
核心要点：阈值检测的本质是在“灵敏度”和“特异性”之间做权衡。阈值设低了，容易误报；设高了，容易漏报。这个平衡点，就是我们要找的“黄金阈值”。
1.2 阈值检测的三大应用场景
我在项目中遇到过不少阈值检测的应用，归纳起来主要有三类：
| 应用场景 | 典型例子 | 阈值类型 | 常见陷阱 |
|---|---|---|---|
| 边缘检测 | 数字图像中的物体轮廓提取 | 梯度幅值阈值 | 光照变化导致阈值失效 |
| 异常报警 | 电机电流过载、温度超限 | 绝对/相对阈值 | 瞬态尖峰引发误报 |
| 峰值识别 | 心电R波检测、振动频谱峰值 | 动态/自适应阈值 | 基线漂移掩盖真实峰值 |
边缘检测
图像处理里的 Canny 边缘检测，就是典型的阈值应用。它用高低两个阈值：高于高阈值的像素点被确定为强边缘，低于低阈值的被丢弃，介于两者之间的再根据连通性判断。我做过一个工业视觉项目，产品表面划痕检测，一开始固定阈值死活调不好——换了条产线光照不同，阈值就得重调。后来改成自适应阈值，才解决问题。
异常报警
嵌入式系统里最常见的场景。比如电机电流监测，超过额定电流 120% 就报警。但问题是，电机启动瞬间会有浪涌电流，如果阈值设得太死，每次启动都误报。我曾经在一个泵站监控项目里吃过这个亏——客户投诉说系统“神经质”，后来加了延时确认和滞回比较才搞定。
峰值识别
这个在生物医学信号处理里特别常见。心电信号的 R 波检测，就是找信号中的局部极大值。但心电信号有基线漂移，还有各种干扰。我记得有个学生做心电监护仪，用固定阈值检测 R 波，结果病人深呼吸一下，基线一飘，R 波全漏检了。后来我建议他用动态阈值——根据信号幅值的滑动均值实时调整阈值，效果立竿见影。
1.3 阈值检测的核心挑战
为什么阈值检测看起来简单，做起来却容易翻车？我总结了几点：
- 噪声干扰：信号中的随机噪声可能导致阈值附近反复跳变
- 基线漂移：信号的整体水平随时间变化，固定阈值失效
- 幅值变化：同一事件在不同时刻的幅值可能差异很大
- 多模态信号：不同工况下信号特征不同，单一阈值无法覆盖
避坑指南：我曾经在一个振动监测项目里，直接用固定阈值做报警。结果设备正常运行时振动幅值就有波动，阈值设低了天天误报，设高了又漏报真实故障。后来我加了滞回比较（hysteresis）——上升阈值和下降阈值分开设，才把误报率降下来。记住：阈值检测不是简单的“一刀切”，要考虑信号的动态特性。
1.4 阈值检测的知识体系
为了让你对本章内容有个整体认识，我画了张结构图：
1.5 阈值检测的工程实现要点
在实际嵌入式系统里实现阈值检测，有几个细节要注意：
工程小技巧：在单片机里做阈值检测，我习惯用“滞回比较”来避免阈值附近的抖动。比如设定上升阈值 T_high 和下降阈值 T_low，T_high > T_low。信号超过 T_high 才触发，低于 T_low 才复位。这样能有效抑制噪声引起的误触发。代码实现也很简单：
// 滞回比较示例
#define T_HIGH 1.2f // 上升阈值
#define T_LOW 0.8f // 下降阈值
int hysteresis_compare(float signal, int *state) {
if (*state == 0 && signal > T_HIGH) {
*state = 1; // 触发
return 1;
} else if (*state == 1 && signal < T_LOW) {
*state = 0; // 复位
return 0;
}
return *state; // 保持当前状态
}这段代码我用了好多年，简单可靠。你想想看，如果没有滞回，信号在阈值附近抖动时，输出会频繁跳变，下游的逻辑根本没法处理。
1.6 阈值检测的局限性
阈值检测虽然好用，但不是万能的。我遇到过一些场景，阈值检测根本搞不定：
- 信噪比太低：信号完全淹没在噪声里，阈值怎么设都没用
- 信号特征复杂：比如语音信号，单纯用幅值阈值无法区分不同音节
- 多维度判断：需要同时考虑幅值、频率、相位等多个特征
这时候就需要更高级的方法了——比如我们后面会讲到的自适应阈值、机器学习分类等。但不管多高级的算法，阈值检测都是最基础、最直观的起点。我个人习惯是：能用阈值解决的，绝不引入复杂算法；阈值搞不定的，再考虑升级方案。
嗯，这一章就到这里。阈值检测看似简单，但它是整个课程的基础。后面的章节我们会一步步深入，把阈值检测和时间测量结合起来，解决实际工程中的调优问题。