3、传感器数据采集基础：常见传感器类型、数据格式、时间戳与采样率的概念

在TFLite Micro传感器模型的实际部署中，模型输出不稳定往往并非源于神经网络本身，而是数据采集链路中埋下的隐患。加速度计、陀螺仪、磁力计等MEMS传感器输出的原始数据，经过总线读取、时间对齐、量程换算和特征归一化后，才成为模型的输入张量。任何一个环节的偏差——例如采样率漂移、时间戳抖动、量程设置错误——都会在频域特征中放大为虚假的峰值或噪声基底，最终表现为推理结果的跳变。本章从传感器类型与数据格式出发，厘清时间戳与采样率的核心概念，为后续特征归一化与模型稳定性排查奠定基础。

3.1 常见传感器类型与工作原理

3.1.1 加速度计

加速度计测量物体在三个正交轴（X/Y/Z）上的线性加速度，单位通常为g（1g = 9.8 m/s²）。MEMS加速度计内部包含一个悬臂梁结构的质量块，当外部加速度作用于芯片时，质量块发生位移，通过电容变化或压阻效应转换为电信号。在TFLite Micro应用中，加速度计常用于活动识别、跌倒检测、姿态估计等场景。

关键参数包括：

• 量程（Full-Scale Range）：常见配置为±2g、±4g、±8g、±16g。量程越小，灵敏度越高，但可测量的最大加速度越小。
• 灵敏度（Sensitivity）：以LSB/g表示，例如±2g量程下16位输出，灵敏度约为16384 LSB/g。
• 零偏（Zero-g Offset）：静止时输出偏离0g的数值，通常在±50mg以内。

3.1.2 陀螺仪

陀螺仪测量绕三个轴的角速度，单位为°/s（度每秒）。MEMS陀螺仪基于科里奥利效应，通过检测振动质量块在旋转时产生的横向位移来计算角速度。陀螺仪在姿态解算、手势识别、导航稳定等场景中与加速度计互补使用。

陀螺仪的关键参数包括量程（常见±250°/s、±500°/s、±1000°/s、±2000°/s）、灵敏度（LSB/(°/s)）以及零偏稳定性（单位°/h）。陀螺仪的零偏漂移是长期稳定性的主要挑战，通常需要温度补偿和动态校准。

3.1.3 磁力计

磁力计测量地球磁场在三个轴上的分量，单位为μT（微特斯拉）或mG（毫高斯）。磁力计用于电子罗盘、方向检测和室内定位辅助。由于易受铁磁材料干扰，磁力计通常需要软硬磁校准。

3.1.4 多传感器融合趋势

现代嵌入式系统常采用IMU（惯性测量单元），将加速度计、陀螺仪、磁力计集成在同一封装内，通过内部同步机制保证数据时间对齐。例如BMI160、LSM6DS3等芯片，内部包含FIFO缓冲区和中断输出，可减少主控MCU的读取负担。

3.2 数据格式与寄存器读取

3.2.1 原始数据格式

绝大多数MEMS传感器通过I²C或SPI接口输出16位有符号整数（int16），数据以二进制补码形式存储。以加速度计为例，当量程设置为±2g时，16位输出范围是-32768到+32767，对应-2g到+2g。因此，将原始ADC值转换为物理量需要除以灵敏度系数：

物理量 = 原始值 / 灵敏度
例如：加速度(g) = raw_value / 16384

在TFLite Micro的预处理中，通常先将原始int16数据转换为浮点数，再进行归一化。但为了节省内存和计算资源，也可以直接使用定点数运算。

3.2.2 数据读取方式

传感器数据读取有两种常见模式：

1. 轮询模式（Polling）：MCU定时读取传感器数据寄存器。优点是实现简单，缺点是占用CPU时间，且可能因读取延迟导致时间戳不准确。
2. 中断模式（Interrupt）：传感器在数据就绪时触发中断引脚，MCU在中断服务程序中读取数据。优点是实时性好，时间戳更精确，适合高采样率场景。

对于TFLite Micro模型，推荐使用中断模式配合DMA（直接内存访问）读取，以减少CPU占用并保证数据连续性。

3.2.3 数据对齐与字节序

传感器数据寄存器通常按高字节在前（Big-Endian）或低字节在前（Little-Endian）排列。在读取时需注意字节序转换，否则会导致数值错误。例如，BMI160的加速度数据寄存器为0x12（X_LSB）和0x13（X_MSB），需要组合为：

int16_t x_raw = (int16_t)((reg_0x13 << 8) | reg_0x12);

3.3 时间戳与采样率的核心概念

3.3.1 采样率（Sample Rate）

采样率定义为单位时间内采集的数据样本数量，单位为Hz（次/秒）。在传感器配置中，采样率由输出数据速率（ODR, Output Data Rate）决定。例如，设置ODR为100Hz，则传感器每10ms产生一个新样本。

采样率的选择直接影响模型的频域特征分辨率。根据奈奎斯特采样定理，采样率必须至少为信号最高频率成分的两倍。对于人体活动识别，运动信号的主要能量集中在0.5Hz~20Hz，因此100Hz采样率通常足够；而对于振动监测或音频事件检测，可能需要更高的采样率。

3.3.2 时间戳（Timestamp）

时间戳是每个数据样本对应的采集时刻，通常以毫秒（ms）为单位。时间戳的准确性直接影响特征提取中的时间窗口划分和频域计算。在嵌入式系统中，时间戳通常来源于：

• MCU系统时钟：通过定时器中断记录当前时刻，精度取决于定时器分辨率。
• 传感器内部时间戳：部分高端传感器（如BMI160）内置时钟，可提供更精确的时间基准。
• 外部RTC（实时时钟）：用于长时间记录场景，但精度较低。

3.3.3 采样间隔抖动（Jitter）

理想情况下，相邻样本的时间间隔应严格等于1/采样率。但在实际系统中，由于中断延迟、总线占用、任务调度等因素，实际采样间隔会存在抖动。抖动过大会导致频域分析时出现频谱泄漏，使FFT结果中出现虚假频率分量。

判断抖动是否可接受的经验标准：采样间隔的标准差应小于平均间隔的5%。例如，100Hz采样率下，平均间隔为10ms，抖动标准差应小于0.5ms。

3.4 案例拆解：采样率漂移导致模型误判

3.4.1 背景与现象

某可穿戴设备项目使用TFLite Micro部署了基于加速度计的活动识别模型（站立/行走/跑步三分类）。在实验室测试中模型准确率达95%，但户外实测时，跑步动作频繁被误判为行走。工程师最初怀疑模型过拟合，但进一步排查发现数据采集链路存在采样率漂移问题。

3.4.2 排查过程

通过日志记录分析，发现传感器配置的ODR为100Hz，但实际平均采样率仅为92Hz，且采样间隔波动较大。进一步检查代码发现，MCU在中断服务程序中执行了过多的浮点运算，导致中断处理时间超过10ms，部分数据被丢弃。

关键数据对比：

3.4.3 解决方案

1. 将中断服务程序中的浮点运算移至主循环，减少中断占用时间。
2. 启用传感器FIFO缓冲区，批量读取数据，降低读取频率。
3. 在预处理阶段增加时间戳校验，若采样间隔超过15ms则丢弃该样本并标记异常。
4. 重新训练模型时，在训练数据中注入±5%的采样间隔抖动，增强模型鲁棒性。

3.4.4 结果与复盘

优化后，户外实测采样率稳定在99.5Hz以上，采样间隔标准差降至0.4ms，跑步识别准确率恢复至94%。复盘发现，实验室环境MCU负载较低，未暴露中断延迟问题；而户外场景中蓝牙通信和屏幕刷新增加了CPU占用，导致中断响应不及时。这提醒我们：传感器数据采集的稳定性必须在系统全负载条件下验证。

3.5 常见误区与总结复盘

3.5.1 常见误区

• 误区一：采样率越高越好。高采样率会增加功耗、内存占用和计算量，且对模型精度提升有限。应根据信号带宽和模型需求选择合适采样率。
• 误区二：忽略时间戳精度。部分开发者直接使用传感器数据到达的顺序作为时间顺序，而忽略了中断延迟和总线竞争导致的时间偏移。
• 误区三：量程设置不当。量程过小会导致信号截断，量程过大会降低分辨率。应根据实际应用场景的最大加速度/角速度选择合适量程。
• 误区四：归一化参数固定不变。传感器零偏和灵敏度会随温度、老化而变化，固定归一化参数可能导致模型输入分布漂移。

3.5.2 最佳实践建议

1. 在传感器初始化后，进行静态校准，记录零偏和灵敏度实际值。
2. 使用DMA+中断方式读取数据，并在主循环中处理数据，避免中断阻塞。
3. 在数据采集代码中加入时间戳记录，并定期检查采样间隔的统计特性。
4. 在模型训练阶段，对训练数据添加采样率扰动和时间戳抖动，提高模型鲁棒性。
5. 在设备端部署时，增加数据质量监控模块，当采样率偏差超过阈值时触发告警或自动校准。