3. 特征工程与可视化
任务目标
本案例将使用Edge Impulse完成一次加速度计数据的特征工程闭环：通过其内置DSP模块生成时域与频域特征，并在"Feature Explorer"中可视化特征分布，以验证不同类别（如静止、走动、抖动）在特征空间中的可分性。
环境与前置条件
- Edge Impulse开发者账号（免费版即可）
- 已创建项目并上传包含3种类别标签的加速度计CSV数据（采样率50Hz，每段2秒，共100段以上）
- 数据格式：
timestamp,accX,accY,accZ,label，标签取值为idle、walk、shake
实现步骤与关键代码
在Edge Impulse Studio中，特征工程通过图形化DSP配置完成，无需编写训练代码。核心操作如下：
- 进入Create Impulse页面，添加Processing Block，选择Spectral Analysis（频谱分析）作为特征生成器。
- 设置窗口参数：Window size = 100（对应2秒@50Hz），Window increase = 50（50%重叠）。
- 在Spectral features中启用：
RMS（时域均方根）、Zero crossings（过零率）、Spectral power（频域功率，取1-10Hz与10-25Hz两个频段）。 - 点击Save parameters，然后进入Generate features页面，点击Generate features按钮。
生成完成后，系统自动将原始信号转换为特征向量。以下为等效的Python参考代码，用于理解Edge Impulse内部执行的特征提取逻辑（实际部署时由Edge Impulse自动生成C++代码）：
import numpy as np
from scipy import signal
def extract_features(window_data, fs=50):
"""window_data: shape (100, 3) 对应 accX, accY, accZ"""
features = []
for axis in range(3):
x = window_data[:, axis]
# 时域特征
rms = np.sqrt(np.mean(x**2))
zero_cross = np.sum(np.diff(np.sign(x)) != 0) / len(x)
# 频域特征（使用FFT）
freqs, psd = signal.periodogram(x, fs)
band1 = np.trapz(psd[(freqs >= 1) & (freqs <= 10)])
band2 = np.trapz(psd[(freqs > 10) & (freqs <= 25)])
features.extend([rms, zero_cross, band1, band2])
return np.array(features) # 每轴4个特征，共12维
# 使用示例（假设已有窗口数据）
# sample_window = np.random.randn(100, 3)
# feat = extract_features(sample_window)
# print(feat.shape) # (12,)
可视化与验证
特征生成后，Edge Impulse自动执行PCA降维并将结果投射到Feature Explorer（特征探索器）二维散点图中。验证流程如下：
- 点击左侧Feature Explorer标签页。
- 观察散点图颜色分布：
idle（蓝色）、walk（绿色）、shake（红色）三类样本应各自聚集成簇。 - 若类别间存在明显重叠，返回Spectral features调整频段划分或增加Spectral skewness、Spectral kurtosis等特征。
通过判定标准：三类样本在散点图中形成至少2个可区分的簇，且同类样本的簇内距离明显小于簇间距离。若三类完全混杂，则需检查原始数据标签是否准确或增加特征维度。
常见问题
- 特征生成失败：检查CSV时间戳是否严格等间隔，缺失值会导致FFT计算异常。
- 类别完全重叠：原始信号差异过小，建议增加
Spectral flatness或改用Raw Data处理块配合分类器自动学习特征。 - 验证集准确率低：在Create Impulse中增大
Window size至150（3秒），以捕获更完整的运动周期。