硬件平台概览：深入认识Arduino Nano 33 BLE Sense的处理器、传感器、内存与接口

Arduino Nano 33 BLE Sense 是 Arduino 家族中面向边缘机器学习（TinyML）与智能感知应用的旗舰级开发板。它仅有 45×18mm 的紧凑尺寸，却集成了 Nordic nRF52840 主控、九轴惯性测量单元（IMU）、数字麦克风、温湿度与气压传感器，以及丰富的外设接口。理解这块板卡的硬件构成，是进行 TinyML 原型开发的第一步，也是后续优化模型、部署推理、调试功耗的基础。本章将从处理器架构、传感器链路、内存布局与接口资源四个维度展开，并解释这些硬件特性为何天然适配边缘机器学习场景。

2.1 核心处理器：nRF52840 的 TinyML 基因

Nano 33 BLE Sense 的心脏是 Nordic Semiconductor 的 nRF52840 SoC。这是一颗基于 ARM Cortex-M4F 内核的 32 位处理器，最高主频 64MHz，内置浮点运算单元（FPU）和 DSP 指令集。对于 TinyML 而言，FPU 的意义在于能够高效执行矩阵乘法和卷积运算中的浮点累加操作，而 DSP 指令则加速了 FIR/IIR 滤波、FFT 等信号预处理任务。与 Cortex-M0+ 或 M3 内核相比，M4F 在同样主频下处理神经网络推理的速度通常快 3~5 倍。

该芯片集成了 1MB 的片上 Flash 和 256KB 的 SRAM。在 TinyML 场景中，Flash 用于存放模型权重、推理引擎代码和固件，而 SRAM 则承担激活值、中间特征图和运行时缓冲区的存储。以 TensorFlow Lite Micro 为例，一个包含 30 个左右卷积层、参数量约 50KB 的关键词检测模型，在 nRF52840 上运行时，Flash 占用约 150KB（含框架），SRAM 峰值占用约 30KB。这意味着 256KB SRAM 足以支撑大多数中等复杂度的音频或 IMU 分类模型，但若模型过大，则需考虑量化或模型裁剪。

2.2 传感器阵列：从物理世界到数字特征的桥梁

Nano 33 BLE Sense 板载了四类传感器，覆盖了听觉、运动、环境三大感知维度。理解每个传感器的输出格式、采样率和数据接口，是编写数据采集代码的前提。

值得注意的是，MP34DT05 麦克风输出的是 PDM 信号，而非传统的 I2S 或模拟信号。PDM 是一种 1-bit 过采样调制格式，其数据率通常为 1~3.2MHz。nRF52840 内置了 PDM 外设，可以自动完成 PDM 到 PCM（脉冲编码调制）的转换，输出 16-bit 的音频数据。在 Arduino 环境中，通过 PDM 库可以方便地配置采样率（典型值为 16kHz）和增益。对于 TinyML 应用，16kHz 采样率足以覆盖语音频带（300Hz~3.4kHz），且每帧 32ms（512 个采样点）的数据量适合作为神经网络输入。

LSM9DS1 IMU 的加速度计和陀螺仪共用同一个 I2C 总线，但内部寄存器地址不同。在数据采集时，建议将加速度量程设为 ±4g（适合人体运动），陀螺仪量程设为 ±500 dps（适合手势识别）。IMU 的输出频率可配置为 10Hz~952Hz，对于大多数活动识别任务，50Hz 的采样率已经足够，过高的采样率只会增加功耗和计算负担。

2.3 内存与存储：模型部署的硬约束

nRF52840 的 1MB Flash 和 256KB SRAM 是 TinyML 模型部署的“天花板”。在模型转换阶段，TensorFlow Lite 的量化工具会将 32-bit 浮点权重压缩为 8-bit 整数，从而将模型体积缩小约 4 倍。例如，一个原始大小为 200KB 的浮点模型，经过全整数量化后，Flash 占用可降至约 50KB，同时推理速度提升 2~3 倍，功耗降低约 30%。

SRAM 的分配需要特别关注。推理过程中，中间特征图（activation tensor）的大小往往比模型权重更占内存。以 MobileNetV1 为例，输入为 32×32×3 的图像时，第一层卷积输出的特征图大小为 32×32×32，即 32KB（按 8-bit 计算）。如果模型有多个并行分支或较大的全连接层，SRAM 峰值可能迅速攀升。因此，在模型设计阶段，应优先选择深度可分离卷积（如 MobileNet、DS-CNN）而非标准卷积，以降低中间特征图的尺寸。

2.4 接口与扩展：连接外部世界的通道

Nano 33 BLE Sense 提供了丰富的板级接口，使其不仅是独立的感知节点，还能作为网关或子节点接入更大的系统。这些接口包括：

• 14 个数字 I/O 引脚（其中 8 个支持 PWM 输出），可用于驱动 LED、蜂鸣器、继电器或读取按键状态。在 TinyML 应用中，数字输出常用于指示推理结果，例如识别到特定手势时点亮 LED。
• 8 个模拟输入引脚（ADC，12-bit 分辨率），可连接模拟传感器（如光敏电阻、电位器）。虽然板载传感器已覆盖多数场景，但 ADC 引脚为自定义传感器提供了扩展可能。
• UART / I2C / SPI 总线：I2C 总线（SDA=D4, SCL=D5）可外接 OLED 显示屏、额外的传感器模块；SPI 总线（SCK=D13, MISO=D12, MOSI=D11）适合连接 SD 卡或高速数据采集模块；UART（TX=D1, RX=D0）用于与 PC 或其它微控制器通信。
• BLE 5.0 无线连接：nRF52840 内置 2.4GHz 收发器，支持 BLE 5.0 的 2Mbps 模式、广播扩展和长距离模式。在 TinyML 场景中，BLE 常用于将推理结果（如“跌倒事件”）发送到手机或网关，或接收模型更新指令。
• NFC-A 标签：板载 NFC 天线，可模拟为 NFC 标签，用于设备配对或配置信息传递。
• SWD 调试接口：通过 4 个引脚（SWDIO, SWCLK, GND, VCC）连接 J-Link 或 DAPLink 调试器，支持断点调试和实时变量查看，对排查推理错误非常有帮助。

电源方面，Nano 33 BLE Sense 可通过 USB（5V）或 VIN 引脚（5~21V）供电。板载 3.3V LDO 稳压器为所有传感器和主控供电，最大输出电流约 150mA。在电池供电场景中，建议使用 3.7V 锂电池并通过 VIN 引脚接入，此时 LDO 的压差（约 0.3V）会导致效率略低，但整体功耗仍可控制在 10mW 以下（睡眠模式）。

2.5 实战场景：构建一个基于 IMU 的跌倒检测原型

为了将上述硬件知识串联起来，我们设计一个典型的 TinyML 原型：基于 IMU 数据的跌倒检测。该场景要求设备佩戴在腰部，实时采集加速度数据，当检测到跌倒时通过 BLE 发送警报。

硬件配置：使用 Nano 33 BLE Sense 板载的 LSM9DS1 加速度计，量程设为 ±4g，采样率设为 50Hz。BLE 作为通知通道，手机端使用 nRF Connect 应用接收警报。

数据采集与预处理：每次读取 3 轴加速度值（x, y, z），计算合成加速度幅值 mag = sqrt(x² + y² + z²)。正常行走时，mag 在 0.8g~1.2g 之间波动；跌倒瞬间，mag 会出现一个超过 2.5g 的尖峰，随后在 200ms 内回落至 0.5g 以下（身体着地后的静止状态）。

模型设计：采用一个简单的 1D 卷积神经网络，输入为 50 个时间步（即 1 秒数据窗口）的合成加速度幅值，输出为“跌倒”或“正常”两类。模型结构为：Conv1D(16, 3) → ReLU → MaxPool(2) → Conv1D(32, 3) → ReLU → GlobalAvgPool → Dense(2)。该模型参数量约 3KB，量化后 Flash 占用小于 1KB，SRAM 峰值约 8KB。

推理与决策：每 20ms 滑动窗口一次，当连续 3 个窗口均判定为“跌倒”时，触发 BLE 通知。采用连续投票机制可有效避免单次误判。

结果与复盘：在实验室测试中，该原型对 10 次模拟跌倒（不同方向）的检出率为 100%，对 50 次日常活动（走路、坐下、跳跃）的误报率为 2%。误报主要出现在快速下蹲动作中，其加速度特征与跌倒相似。改进方案是增加陀螺仪数据作为第二输入特征，因为跌倒时角速度变化率远大于下蹲。这一案例说明，硬件传感器的选择与特征工程对模型性能的影响，往往比模型结构本身更大。

2.6 常见误区与设计建议