3、传感器数据基础：理解加速度计、陀螺仪、磁力计、温度、湿度等常见传感器的原理、输出格式与采样特性

在Edge Impulse的端侧机器学习工作流中，传感器是数据采集的起点，也是整个模型性能的天花板。无论后续使用何种神经网络架构或特征工程方法，如果传感器选型不当、输出格式理解偏差或采样参数配置失误，最终模型的泛化能力与部署效果都会大打折扣。本章将系统拆解加速度计、陀螺仪、磁力计、温度、湿度这五类最常见传感器的物理原理、数字输出格式、采样特性，并结合Edge Impulse的数据采集界面，帮助你建立从物理世界到数字信号的科学映射。

3.1 核心原理：从物理效应到数字信号

理解传感器原理的关键在于建立"物理量→机械形变→电学变化→数字编码"的完整链路。以MEMS加速度计为例，其内部包含一个由硅材料制成的质量块，质量块通过弹性梁悬挂在固定电极之间。当设备发生加速度变化时，质量块因惯性产生微小位移，导致差分电容的容值改变。电容变化经C/V转换电路变为电压信号，再经ADC采样和数字滤波后，最终通过I2C或SPI总线输出16位有符号整数。

陀螺仪的工作原理基于科里奥利效应。MEMS陀螺仪内部有一个持续振动的质量块，当设备绕敏感轴旋转时，科里奥利力会使质量块在垂直方向产生位移，该位移与角速度成正比。值得注意的是，陀螺仪测量的是角速度（单位：dps，度/秒），而非角度。要获得角度，必须对时间积分，这会导致漂移误差累积。

磁力计（电子罗盘）利用霍尔效应或磁阻效应。各向异性磁阻传感器由坡莫合金薄膜制成，外部磁场改变薄膜的电阻值，通过惠斯通电桥输出差分电压。磁力计输出的是三维磁场强度分量（单位：μT），可用于航向角计算，但极易受铁磁材料干扰，需要软硬磁校准。

温度传感器（如TMP117、SHT40）通常基于PN结正向压降与温度的线性关系，或热敏电阻的阻值变化。湿度传感器则利用高分子湿敏电容，其介电常数随相对湿度变化。这两类传感器响应速度较慢（秒级），采样率通常不需要很高，但需要关注测量精度与长期稳定性。

3.2 输出格式与数据解析方法

在Edge Impulse中，传感器数据通常以原始整数或物理单位两种形式进入数据采集流程。理解原始输出格式是正确解析数据的前提。下表总结了常见传感器的输出特性：

在Edge Impulse的数据采集界面中，你可以选择"原始数据"或"工程单位"两种模式。若选择原始数据，模型将直接学习整数特征；若选择工程单位，Edge Impulse会应用换算系数。建议在数据采集阶段统一使用工程单位，便于后续特征可视化与跨设备泛化。

// BMI160 加速度计数据读取示例（伪代码）
int16_t accel_x_raw, accel_y_raw, accel_z_raw;
float accel_range = 4.0f;  // ±4g 量程
float scale_factor = accel_range / 32768.0f;

// 读取原始寄存器值（0x0A~0x0F）
accel_x_raw = read_register_16bit(0x0A);
accel_y_raw = read_register_16bit(0x0C);
accel_z_raw = read_register_16bit(0x0E);

// 转换为物理单位 (g)
float accel_x_g = accel_x_raw * scale_factor;
float accel_y_g = accel_y_raw * scale_factor;
float accel_z_g = accel_z_raw * scale_factor;

3.3 采样特性与参数配置策略

采样特性直接决定数据的信息含量与数据量大小。在Edge Impulse中配置采样参数时，需要综合考虑以下四个维度：

• 采样率（Sample Rate）：根据奈奎斯特定理，采样率必须大于信号最高频率的2倍。对于人体活动识别（如走路、跑步），动作频率通常在0.5~5Hz，建议采样率设为25~50Hz；对于振动监测（如电机故障诊断），频率可达1kHz以上，需要1000~4000Hz采样率。
• 采样时长（Sample Length）：决定了单个样本的时间窗口。手势识别通常需要1~3秒窗口，而连续活动监测可能需要5~10秒。窗口越长，包含的周期数越多，但实时性下降。
• 轴数与通道：加速度计和陀螺仪各有3轴，磁力计3轴，加上温度、湿度，最多可达11通道。通道数越多，特征维度越高，但计算量也增大。
• 数据格式与字节序：I2C/SPI传输通常为大端序（MSB在前），但部分传感器支持小端序配置。在解析时必须确认字节序，否则数据将完全错误。

3.4 实战场景：可穿戴设备跌倒检测的传感器配置

让我们通过一个完整的案例来理解传感器参数如何影响模型性能。假设我们要开发一个老年人跌倒检测系统，使用内置加速度计和陀螺仪的可穿戴设备。

场景约束：设备由纽扣电池供电，需要连续工作24小时以上；MCU主频80MHz，内存256KB；需要实时检测并报警，延迟小于2秒。

初始目标：区分"跌倒"与"日常活动"（走路、坐下、躺下、弯腰等），要求灵敏度≥95%，特异度≥90%。

关键参数分析：

1. 采样率选择：跌倒动作的冲击峰值频率约10~20Hz，根据奈奎斯特定理，采样率需≥40Hz。考虑到需要捕捉冲击细节，选择50Hz采样率。
2. 量程设置：日常活动加速度通常<3g，但跌倒瞬间冲击可达6~10g。若量程设为±2g，数据将饱和截断；若设为±16g，则日常活动的分辨率降低。折中方案：加速度计量程设为±8g，陀螺仪量程设为±1000dps。
3. 窗口长度：跌倒过程从失重到冲击再到静止，约1~1.5秒。选择2秒窗口，包含完整的跌倒事件及前后上下文。
4. 数据预处理：在Edge Impulse中启用"滤波"块，使用20Hz低通滤波器去除高频噪声，同时保留跌倒冲击特征。

实施步骤：

1. 配置加速度计：量程±8g，采样率50Hz，输出工程单位(g)
2. 配置陀螺仪：量程±1000dps，采样率50Hz，输出工程单位(dps)
3. 在Edge Impulse中创建数据采集任务：
   - 采样率：50Hz
   - 窗口大小：100个样本（2秒）
   - 通道：6轴（accel xyz + gyro xyz）
4. 采集数据：
   - 跌倒样本：模拟前向、后向、侧向跌倒各20次
   - 日常活动样本：走路、坐下、弯腰、躺下各30次
5. 使用"频谱分析"特征块，提取FFT峰值频率与能量特征
6. 训练分类模型（使用神经网络分类器）

结果对比：使用50Hz采样率+±8g量程的配置，模型准确率达到97.2%；若将量程改为±2g，跌倒样本因饱和失真，准确率降至82.5%；若将采样率降至25Hz，准确率降至89.1%。

风险与代价：±8g量程在静止时加速度计分辨率约为0.24mg/LSB，对于细微姿态变化（如呼吸引起的微小倾斜）可能不够灵敏。若需要同时检测细微动作，可考虑使用双加速度计方案（一个高量程用于冲击检测，一个低量程用于姿态分析）。

复盘经验：传感器配置不是越大越好，也不是越小越好，而是要与目标事件的物理特性匹配。在项目初期，建议先采集一段包含极端情况的探索性数据，观察信号幅值范围，再确定量程和采样率。

3.5 常见误区与总结复盘

在传感器数据采集过程中，以下误区需要特别警惕：

• 忽略单位换算：将原始整数直接当作物理值输入模型，导致不同设备间数据分布不一致。务必统一使用工程单位。
• 采样率过高或过低：过高增加功耗与数据量，过低丢失关键信息。应通过频谱分析确定信号带宽。
• 量程设置不当：量程过小导致饱和，过大降低分辨率。建议预留20~30%的余量。
• 忽略传感器校准：陀螺仪零偏、加速度计刻度因子误差、磁力计硬铁干扰，都会影响数据质量。在Edge Impulse中可使用"校准"功能或外部校准算法。
• 未考虑温度漂移：MEMS传感器对温度敏感，温度变化会导致零偏漂移。在温度变化大的场景，需增加温度补偿。

总结：传感器数据采集是Edge Impulse项目中最基础也最关键的一环。理解每种传感器的物理原理，掌握输出格式与换算方法，合理配置采样参数，是构建高质量数据集的前提。建议在正式采集前，先进行小规模预采集，在Edge Impulse的"数据探索"页面检查信号波形、频谱和统计分布，确认数据质量后再大规模采集。记住：垃圾进，垃圾出（Garbage In, Garbage Out），传感器数据的质量直接决定了模型性能的上限。