信号处理基础：采样定理、时域与频域表示、傅里叶变换简介及其在特征提取中的作用
在进入Edge Impulse的MFCC、频谱特征与时序窗口之前，我们必须先建立坚实的信号处理地基。传感器输出的原始数据（如加速度计的x/y/z轴数值、麦克风的电压波形）本质上是一串随时间变化的离散数值序列。如何从这串看似杂乱的数字中提取出有物理意义的“特征”，决定了后续机器学习模型的性能上限。本章将系统梳理采样定理的约束条件、时域与频域两种观察视角的差异，以及傅里叶变换如何成为连接两者的桥梁，并最终阐明这些基础概念在特征提取流水线中的具体落点。
核心原理：从连续世界到离散数字的必然约束
现实世界中的物理信号（声音、振动、温度）本质上是连续的模拟量。微控制器（MCU）中的ADC（模数转换器）只能以一定的时间间隔对信号进行采样，得到离散序列x[0], x[1], ..., x[N-1]。这一过程看似简单，却隐藏着第一个关键约束——采样定理（Nyquist-Shannon采样定理）。定理指出：为了能从离散样本中无失真地重建原始连续信号，采样频率fs必须至少为信号最高频率分量fmax的两倍，即fs ≥ 2fmax。这里的fmax被称为奈奎斯特频率，而fs/2则是系统能正确表示的最高频率。
为什么这个约束如此重要？如果采样率不足，高频成分会“伪装”成低频信号出现在频谱中，这种现象称为混叠（Aliasing）。例如，一个实际频率为7kHz的信号，若以8kHz采样，其频谱会错误地出现在1kHz处。在Edge Impulse的加速度计数据采集中，如果设备振动频率为500Hz，而采样率设为800Hz，那么频谱分析将完全失真。因此，在配置采样率之前，必须了解传感器信号的带宽范围，必要时在ADC前端加入低通抗混叠滤波器。
时域表示是最直观的观察方式：横轴为时间（或样本序号），纵轴为信号的瞬时幅值。它保留了信号的相位信息和时间顺序，适合观察波形形态、幅值变化、过零率等特征。然而，当多个频率成分叠加在一起时，时域波形会变得难以解读。频域表示则通过傅里叶变换将信号分解为不同频率的正弦波分量，横轴为频率，纵轴为该频率分量的幅度或功率。频域视角能清晰揭示信号的能量分布、主频位置和谐波结构，这正是MFCC和频谱特征提取的基础。
判断方法：如何确定采样率与FFT参数
在实际项目中，确定采样率需要遵循一套可操作的流程。首先，查阅传感器数据手册或通过示波器观察信号，估算其最高有效频率fmax。对于语音信号，通常取4kHz（电话带宽）或8kHz（宽带语音）；对于加速度计的人体运动识别，有效频率通常在20Hz以内，但为了捕捉冲击峰值，常设为50-100Hz。其次，根据采样定理设定fs ≥ 2.5×fmax，留出10%-20%的工程裕量，以应对滤波器非理想滚降。最后，在Edge Impulse的采样配置界面中，将采样率设置为2的幂次（如16kHz、32kHz），便于后续FFT计算。
FFT（快速傅里叶变换）的参数选择同样关键。FFT点数N决定了频率分辨率Δf = fs/N。例如，fs=16kHz，N=512时，Δf=31.25Hz；N=2048时，Δf=7.8Hz。更高的频率分辨率能区分更接近的频率成分，但会降低时间分辨率（因为需要更长的采样窗口）。在特征提取中，通常采用短时傅里叶变换（STFT）：将长信号切分为20-40ms的帧，帧间重叠50%，对每一帧加窗（如汉明窗）后做FFT。这样既能获得频率信息，又保留了时间动态特性。
| 参数 | 典型值 | 影响 | 注意事项 |
|---|---|---|---|
| 采样率 fs | 16kHz（语音）/ 50Hz（运动） | 决定最高分析频率 | 必须 ≥ 2×fmax，否则混叠 |
| FFT点数 N | 256 / 512 / 1024 | 频率分辨率 = fs/N | N越大频率越精细，但时间窗变长 |
| 帧长 | 20-40ms | 时间分辨率与频率分辨率的折中 | 语音常用25ms，运动信号可更长 |
| 帧移 | 帧长的50% | 相邻帧重叠程度 | 减少信息丢失，但增加计算量 |
| 窗函数 | 汉明窗 / 汉宁窗 | 抑制频谱泄漏 | 矩形窗旁瓣高，不推荐 |
案例拆解：振动信号的特征提取前处理
假设我们要构建一个工业电机故障诊断系统，使用加速度计采集振动信号。电机正常运行时基频为50Hz，但故障时会产生2倍频（100Hz）、3倍频（150Hz）以及高频共振成分（约2kHz）。初始配置时，工程师将采样率设为4kHz，FFT点数设为1024，帧长256ms。采集到的时域波形看似杂乱，但经过FFT后，频谱中清晰出现了50Hz、100Hz、150Hz的谱峰，以及2kHz附近的宽带共振峰。
然而，在后续测试中发现，当电机转速升高至3000rpm（基频50Hz）时，频谱中出现了异常的25Hz分量。经过排查，发现这是采样率不足导致的混叠：实际存在一个3.975kHz的高频噪声，与4kHz采样率混叠后映射到25Hz。解决方案是在ADC前端增加一个截止频率为1.8kHz的低通滤波器，并将采样率提升至8kHz。修改后，频谱中的虚假分量消失，故障特征（如轴承磨损产生的2kHz共振峰幅度变化）变得稳定可重复。
这个案例揭示了信号处理基础在特征提取中的实际价值：错误的采样配置会直接污染特征数据，即使后续使用再先进的机器学习模型也无法弥补。在Edge Impulse中，我们可以通过“Raw Data”页面直接观察时域波形，通过“Spectrum”选项卡查看FFT结果，从而快速验证采样设置是否合理。
常见误区与总结复盘
傅里叶变换在特征提取中的作用不仅限于可视化。它提供了三个核心特征类别：频谱能量（各频段的能量分布）、频谱形状（质心、带宽、滚降率）和谐波结构（基频与倍频关系）。MFCC正是基于梅尔刻度对频谱进行非线性压缩，模拟人耳对频率的感知特性，从而获得更紧凑、更具判别力的特征向量。理解时域与频域的转换关系，是掌握这些高级特征的前提。