📚 课程目录第2章基础知识

基础知识：Edge Impulse平台简介、部署流程与推理引擎工作原理

在正式进入连续推理与滑动窗口技术之前，必须先建立对Edge Impulse平台的整体认知。Edge Impulse是目前工业界应用最广泛的边缘机器学习平台之一，它解决了嵌入式设备上训练、优化、部署模型的全链路问题。理解它的平台架构、部署流程以及推理引擎的内部机制，是后续掌握滑动窗口、输出平滑等高级主题的前提。本节将围绕这三个核心维度展开，帮助你在实际项目中准确选型、高效部署，并理解模型在设备端运行时“背后发生了什么”。

2.1 Edge Impulse平台核心架构与设计理念

Edge Impulse（简称EI）是一个面向边缘设备的端到端机器学习平台，其核心设计理念是“在云端训练，在边缘推理”。平台将复杂的模型训练、优化、代码生成过程封装为可视化流水线，使得嵌入式工程师无需深厚的机器学习背景也能快速部署智能应用。从架构上看，EI分为三个层次：数据管理层（负责传感器数据采集、标注、增强）、模型开发层（提供DSP特征工程模块、神经网络架构搜索、超参数调优）、部署生成层（自动生成针对特定硬件平台的优化C++库或固件）。

EI最显著的特点是它的自动化特征工程（DSP）模块。与通用ML框架不同，EI内置了针对时间序列信号的预处理模块，例如FFT频谱分析、Mel滤波器组、统计特征提取等。这些模块在PC端训练时被“固化”为参数，部署时同样在设备端执行，确保训练与推理时的数据分布一致。这种设计避免了传统方案中“训练时用Python处理数据、部署时用C语言重写处理逻辑”带来的不一致风险。

  关键理解：EI并不是一个简单的“模型转换工具”，而是一个完整的MLOps平台。它强制要求开发者按照“数据采集→特征设计→模型训练→硬件评估→部署”的标准流程工作，这种结构化约束反而降低了项目失败的风险。

2.2 从训练到部署的完整流程拆解

一个典型的Edge Impulse项目遵循以下七个步骤，每个步骤都有明确的输入和输出产物。理解这个流程有助于你在后续章节中定位滑动窗口参数调整的环节。

阶段	核心操作	关键输出	常见工具/模块
1. 数据采集	连接传感器或上传CSV，标注类别	原始时间序列数据集	Data Acquisition
2. 数据清洗	裁剪、重采样、去噪、平衡类别	干净的数据集	Processing Blocks
3. 特征设计	选择DSP模块（如频谱、时域特征）	特征向量（固定维度）	Spectral Analysis / Time Domain
4. 模型训练	选择分类器或神经网络结构	训练后的模型权重	Neural Network / Classifier
5. 模型评估	在测试集上验证准确率、混淆矩阵	评估报告	Model Testing
6. 部署优化	量化（int8）、剪枝、内存估算	优化后的模型	EON Tuner / Quantization
7. 代码生成	导出C++库、Arduino库或固件	可编译的工程文件	Deployment

在部署阶段，EI生成的C++库包含三个核心API：EI_Classifier::init()用于初始化模型，EI_Classifier::run_classifier()用于执行推理，以及EI_Classifier::get_latency_ms()用于获取单次推理耗时。这些API内部封装了特征提取和神经网络推理的全部逻辑，开发者只需将传感器数据按固定长度传入缓冲区即可。

// 典型的EI推理调用伪代码
#include "edge_impulse_ingest.h"

float features[EI_CLASSIFIER_DSP_INPUT_FRAME_SIZE];
// 填充features数组（例如128个加速度计样本）

EI_Classifier::input_t input = {};
EI_Classifier::output_t output = {};
input.buffers[0] = features;

EI_Classifier::run_classifier(&input, &output, false);
// 输出结果位于 output.classification 数组中

2.3 推理引擎工作原理：从原始数据到分类结果

Edge Impulse的推理引擎在设备端执行时，遵循一个严格的数据流水线。理解这条流水线是掌握滑动窗口技术的前提。整个推理过程可以分解为四个阶段：数据缓冲、特征提取、神经网络计算、输出解码。

数据缓冲阶段：设备端维护一个固定长度的环形缓冲区，用于暂存连续的传感器采样值。这个缓冲区的长度由训练时设定的“窗口大小”决定，例如在振动分析中，窗口大小通常为256个采样点（对应1秒@256Hz采样率）。当缓冲区填满后，触发一次推理。

特征提取阶段：引擎将缓冲区内的原始数据送入DSP模块。以频谱分析为例，引擎会执行FFT变换，计算功率谱密度，然后提取频带能量、峰值频率等特征。这些特征被拼接成一个一维特征向量。值得注意的是，特征提取的参数（如FFT长度、窗函数类型）在训练时已经确定，并硬编码在生成的C++代码中。

神经网络计算阶段：特征向量被送入神经网络分类器。EI支持多种网络结构，从简单的全连接网络到复杂的1D-CNN。推理引擎使用CMSIS-NN或厂商提供的DSP库进行加速，执行矩阵乘法和激活函数计算。最终输出层通常使用Softmax函数，将原始分数转换为各类别的概率值。

输出解码阶段：引擎将概率值映射为具体的标签和置信度。开发者可以设置一个阈值（例如0.6），当最高概率超过阈值时，才认为检测到目标类别，否则输出“未知”或“空闲”状态。

性能关键点：推理引擎的延迟主要由特征提取和神经网络计算决定。在Cortex-M4F等不带硬件加速器的MCU上，一次典型的1D-CNN推理（输入128特征，3层卷积）大约需要30-80ms。这意味着如果窗口大小为1秒，系统最大推理频率约为10-30Hz，这为滑动窗口的步长选择提供了硬件约束。

2.4 实战场景：基于加速度计的异常振动检测

为了将上述概念具体化，我们以一个工业电机振动监测项目为例。假设我们使用STM32L4系列MCU，通过I2C接口连接LIS3DH三轴加速度计，采样率设置为200Hz，目标是检测电机轴承的早期故障。

项目约束与初始目标：设备需要连续运行，电池供电，因此要求单次推理的RAM占用不超过8KB，Flash占用不超过64KB，平均功耗低于5mW。初始目标是实现90%以上的故障检测准确率，且误报率低于5%。

EI平台上的操作流程：

在EI Studio中创建项目，选择“Accelerometer”数据采集方式，设置采样率200Hz，窗口大小200个采样点（即1秒窗口）。
采集正常状态和故障状态各10分钟数据，按2秒间隔进行标注。
在DSP模块中选择“Spectral Features”，启用FFT，提取频带能量（0-50Hz, 50-100Hz, 100-200Hz）和频谱峰值。
训练一个包含两个隐藏层（16和8个神经元）的全连接网络。
在“Deployment”页面选择“STM32CubeMX”生成C++工程。

推理引擎的实际表现：生成的代码中，特征提取部分占用约2.3KB RAM，神经网络权重占用约4.1KB（使用int8量化后），总RAM占用约7.8KB，满足约束。单次推理耗时约45ms，意味着系统可以以约20Hz的频率进行推理，远高于实际需要的1Hz。

结果与复盘：在测试集上准确率达到94%，误报率3.2%。但在实际设备上运行时，发现由于电机启动瞬间的电流冲击导致传感器数据出现尖峰，误报率上升到7%。解决方案是在EI的数据预处理阶段增加中值滤波模块，并在输出解码阶段增加“连续N次超过阈值才触发”的逻辑（这正是后续章节要讲的输出平滑）。

常见误区：很多初学者在部署后直接使用原始概率输出，忽略了输出平滑。在真实工业环境中，传感器噪声、机械振动、电磁干扰都会导致单次推理结果抖动。如果不做平滑处理，系统会频繁误触发。此外，不要随意修改EI生成的DSP参数，除非你重新训练模型，否则会导致特征分布不一致，准确率急剧下降。

2.5 平台选型与工程约束总结

Edge Impulse并非万能工具，它更适合时间序列信号分类和关键字识别等场景。对于需要目标检测（图像中的物体位置）或自然语言处理的任务，EI的支持较弱。在选型时，需要评估以下因素：

硬件资源：EI生成的模型对RAM和Flash有硬性要求，建议在项目初期使用EON Tuner进行内存估算。
实时性要求：如果推理延迟要求低于10ms，可能需要选择带硬件NPU的MCU（如STM32N6）或MPU。
传感器类型：EI对加速度计、麦克风、环境传感器支持最好，对于高采样率（>10kHz）的振动信号，需要仔细设计窗口大小以控制计算量。
离线部署能力：EI生成的代码不依赖云服务，完全离线运行，这是它相比TensorFlow Lite Micro的一大优势。