4、采样频率核心概念：采样定理、Nyquist频率、过采样与欠采样，以及采样频率对模型输入的影响

在TFLite Micro传感器模型中，采样频率是决定数据质量的第一道关口。很多开发者将模型不稳定的原因归结为算法或网络结构，却忽略了最基础的采样环节——如果采样频率设置不当，后续所有特征工程和模型推理都建立在失真或混叠的数据之上。本章将系统梳理采样定理、Nyquist频率、过采样与欠采样的本质区别，并深入分析采样频率如何直接影响模型输入张量的构造与推理稳定性。

4.1 采样定理与Nyquist频率：理论边界与工程现实

核心原理：Nyquist-Shannon采样定理指出，要从离散样本中无失真地重建连续信号，采样频率fs必须至少为信号最高频率分量f_max的两倍，即fs ≥ 2×f_max。这里的2×f_max被称为Nyquist频率。在嵌入式传感器场景中，这意味着如果加速度计输出包含500Hz的机械振动分量，采样频率至少需要1000Hz才能保留该信息。

然而，工程实践与理论存在显著差距。理论假设信号是严格带限的，但真实传感器信号往往包含超出预期频段的噪声和瞬态分量。例如，MEMS麦克风可能拾取20kHz以上的超声噪声，而IMU可能受到电源开关频率（通常数百kHz）的干扰。如果ADC前没有抗混叠滤波器，这些高频分量会折叠到低频段，形成虚假的"幽灵频率"。

4.2 过采样与欠采样：精度与效率的博弈

过采样（Oversampling）：当采样频率远高于Nyquist率（通常≥4×f_max）时，系统进入过采样状态。过采样的核心收益在于：① 将量化噪声分散到更宽的频带，通过数字滤波和抽取提高有效分辨率（每4倍过采样可增加1位ENOB）；② 简化模拟抗混叠滤波器设计，降低硬件成本；③ 为数字滤波提供更多数据点，提升特征提取的稳定性。

但过采样在TFLite Micro场景中代价显著：更高的采样频率意味着相同时间窗口内产生更多数据点，直接增加MCU的DMA传输负载、内存占用和推理延迟。例如，一个3轴加速度计以3200Hz采样，每100ms窗口产生960个样本，若每个样本为16位整数，则单窗口数据量为1920字节，远超许多MCU的可用RAM。

欠采样（Undersampling）：当fs < 2×f_max时发生欠采样，高频分量折叠到低频段。在某些特定场景下，欠采样可被刻意利用——例如通过带通滤波和欠采样将高频信号下变频到基带（类似软件无线电技术）。但在传感器模型中，欠采样几乎总是有害的，它会导致：

• 特征混淆：不同频率的振动模式在采样后变得不可区分，模型无法学习到正确的频域特征。
• 时域失真：峰值幅度和波形形状被破坏，影响基于时域统计（如RMS、峰值因数）的特征。
• 相位错乱：多轴传感器（如6轴IMU）各轴之间的相位关系失真，破坏姿态解算的准确性。

4.3 采样频率对模型输入张量的直接影响

在TFLite Micro中，采样频率通过三个维度影响模型输入：输入维度大小、特征时间分辨率、频率分辨率。以1D卷积或LSTM模型为例，输入张量通常为[batch, time_steps, channels]，其中time_steps = 采样频率 × 时间窗口长度。若采样频率从100Hz提升到200Hz，在保持相同时间窗口（如1秒）的情况下，time_steps从100翻倍至200，模型参数量和计算量随之增加。

对于频域特征（如MFCC、FFT谱），频率分辨率Δf = fs / N，其中N为FFT点数。若fs=16000Hz，N=512，则Δf=31.25Hz；若fs=8000Hz，N=512，则Δf=15.625Hz。更高的频率分辨率有助于区分相近的频谱峰值，但需要更长的采样窗口或更大的FFT点数，增加延迟和内存。

// TFLite Micro中采样频率与输入张量的关系示例
// 假设采样频率fs=100Hz，窗口长度1秒，3轴加速度计
const int fs = 100;              // 采样频率 Hz
const int window_ms = 1000;      // 时间窗口 ms
const int num_samples = fs * window_ms / 1000;  // 100个样本
const int num_channels = 3;      // X, Y, Z轴

// 输入张量形状: [1, num_samples, num_channels] = [1, 100, 3]
// 若fs提升至200Hz，则num_samples=200，模型输入维度翻倍
// 内存占用: 200 * 3 * sizeof(float) = 2400字节（单批次）

采样频率还会影响数据预处理管线的时序。在TFLite Micro的典型推理循环中，MCU需要在一个时间窗口内完成数据采集、特征提取和推理。如果采样频率过高，DMA缓冲区可能溢出；如果过低，则窗口内信息不足，模型精度下降。因此，采样频率的选择必须与MCU的时钟频率、DMA通道数、中断优先级和推理引擎的延迟预算协同设计。

4.4 案例拆解：工业振动监测模型的采样频率排查

背景与约束：某工业设备预测性维护项目使用TFLite Micro部署在STM32L4系列MCU上，通过IIS3DWB加速度计（最高ODR 6.66kHz）监测轴承振动。初始模型在PC端（Python）训练时精度达98%，但部署到嵌入式设备后，推理准确率骤降至72%，且预测结果时好时坏。

初始现象与关键数据：设备采集到的振动信号在时域上出现明显的"拍频"现象，频谱图中在23Hz和77Hz处出现两个异常峰值。轴承的已知故障特征频率为50Hz（外圈故障BPFO），而采样频率设置为200Hz。

分析判断过程：工程师首先怀疑模型量化误差，但将模型改为浮点推理后准确率仅提升3%。随后检查采样数据，发现23Hz和77Hz的峰值并非真实振动分量——根据混叠公式f_alias = |n×fs - f_signal|，当fs=200Hz时，真实频率150Hz的分量会混叠为|200-150|=50Hz，而真实频率177Hz的分量混叠为|200-177|=23Hz。进一步检查发现，IIS3DWB内部有截止频率为100Hz的数字低通滤波器，但该滤波器在100Hz处仅提供-3dB衰减，对150Hz以上的分量衰减不足，导致混叠发生。

实际操作步骤：

1. 将采样频率从200Hz提升至500Hz（满足5×f_max=250Hz的要求），同时启用IIS3DWB内置的400Hz低通滤波器；
2. 在MCU的ADC前端增加一阶RC低通滤波器（截止频率250Hz），进一步抑制高频噪声；
3. 调整TFLite Micro模型的输入窗口从512个样本（约1秒）缩短至256个样本（0.5秒），保持频率分辨率Δf=500/256≈1.95Hz，足以分辨50Hz故障特征；
4. 重新训练模型时，将训练数据的采样频率从原始录音的1kHz降采样至500Hz，确保训练与部署数据分布一致。

结果对比：调整后，部署模型的准确率回升至96.5%，且连续运行72小时无异常波动。频谱图中23Hz和77Hz的虚假峰值消失，50Hz处出现清晰的故障特征峰。代价是MCU的DMA中断频率从200Hz提升至500Hz，CPU占用率增加12%，但仍在预算范围内。

复盘经验：① 传感器数据手册中的滤波器参数必须结合实际信号带宽验证，不能盲目信任标称值；② 训练数据与部署数据的采样频率必须严格一致，否则模型学到的频率特征在部署时失效；③ 在TFLite Micro中，采样频率的调整需要同步修改预处理代码中的缓冲区大小和特征提取参数，任何一处遗漏都会导致输入张量形状不匹配。

4.5 常见误区与总结复盘

误区一：采样频率越高越好。过高的采样频率不仅增加MCU负载，还可能引入更多高频噪声，降低信噪比。正确做法是根据信号带宽和模型需求选择合适频率，而非盲目追求高采样率。

误区二：忽略抗混叠滤波。许多开发者认为只要采样频率满足Nyquist定理就万事大吉，却忽略了真实信号并非严格带限。必须确保在ADC之前有足够的抗混叠滤波，否则混叠分量会污染整个频带。

误区三：训练与部署采样频率不一致。在PC端使用高采样率数据训练，部署时为了节省资源降低采样频率，导致模型输入分布偏移。这是TFLite Micro模型不稳定的常见原因之一。

误区四：只关注采样频率，忽略时间窗口长度。采样频率和时间窗口共同决定输入张量维度。即使采样频率正确，如果窗口过短，频率分辨率不足；窗口过长，则延迟增加且可能包含非平稳段。