2、传感器基础：常见传感器类型及其数据特性

在TinyML系统中，传感器是物理世界与数字模型的接口。采样策略的优化——无论是唤醒时机、窗口长度还是推理频率——都必须建立在对传感器数据特性的深刻理解之上。不同类型的传感器输出不同的物理量，具有不同的带宽、噪声特性、量程和功耗特征，这些直接决定了我们应当如何采样、如何处理以及如何设计推理流水线。本章将系统梳理加速度计、陀螺仪、麦克风和环境传感器四大类常用传感器，重点分析其数据特性对采样策略的约束，为后续章节的优化方法奠定基础。

上图展示了传感器类型、数据特性与采样策略之间的映射关系。理解这一映射是设计高效TinyML系统的起点——错误的采样率会导致信息丢失或计算浪费，而合理的窗口长度则决定了模型能否捕获完整的事件模式。下面我们逐一深入分析各类传感器的数据特性。

2.1 加速度计：时域波形与重力分量

核心原理

加速度计测量物体在三个正交轴上的加速度，输出值包含动态加速度（运动产生的）和静态加速度（重力分量）。这一双重特性使其既能检测运动事件（如步态、跌落），又能感知姿态（通过重力方向）。典型MEMS加速度计（如ADXL345、MPU6050）的量程为±2g至±16g，灵敏度在16位ADC下可达0.98mg/LSB。其数据特性表现为：

• 频率范围：人体运动能量集中在0.5~20Hz，机械振动可达数百Hz，但超过100Hz后能量急剧衰减。
• 噪声特性：白噪声基底通常在0.5~5 mg/√Hz，低频段存在1/f噪声和温度漂移。
• 数据形态：三轴时域波形，包含重力偏置（约1g），需通过高通滤波去除。

采样策略判断方法

根据奈奎斯特定理，采样率至少为信号最高频率的2倍。对于人体活动识别，50Hz采样已足够；对于振动监测，建议200Hz以上。窗口长度应覆盖一个完整动作周期——例如步态周期约1~2秒，窗口长度取2~4秒可包含2~4个完整步态周期。推理频率则取决于应用场景：连续监测（如跌倒检测）需要每窗口推理一次，而事件触发（如手势识别）可在检测到运动突变后才启动推理。

案例拆解：基于加速度计的跌倒检测系统

某老年护理手环项目需要实现跌倒检测，硬件采用BMI270加速度计（量程±16g，输出速率可配置）。初始方案以100Hz连续采样，MCU全速运行，功耗高达15mA，电池续航不足24小时。分析发现：跌倒事件的冲击信号持续约300~500ms，主要能量集中在0.5~30Hz。优化后采用双级策略：

1. 低功耗监控：加速度计以25Hz采样，启用内置的任意运动中断（阈值1.2g），MCU进入睡眠模式（功耗降至50μA）。
2. 事件触发采集：中断触发后，MCU唤醒并将采样率提升至200Hz，采集2秒窗口数据（前0.5秒为跌倒前基线，后1.5秒为冲击和静止恢复）。
3. 特征提取与推理：计算窗口内的峰值加速度、冲击持续时间、姿态变化角度，输入轻量级决策树模型。

优化后平均功耗降至0.8mA，电池续航延长至7天。关键教训是：采样率不是越高越好，而是要与事件的时间尺度匹配。过高的采样率不仅浪费功耗，还会引入更多高频噪声，降低信噪比。

2.2 陀螺仪：角速度与积分漂移

核心原理

陀螺仪测量绕三个轴的角速度（rad/s或°/s），用于感知旋转运动。与加速度计互补，陀螺仪不受线性加速度影响，但存在零偏漂移（bias drift）和积分累积误差。典型参数：量程±250~±2000°/s，零偏稳定性约5~20°/h，噪声密度约0.005~0.01°/s/√Hz。其数据特性为：

• 频率响应：旋转运动的带宽通常低于50Hz，但快速手势可达100Hz。
• 漂移特性：零偏随温度和时间缓慢变化，积分后产生角度漂移，需定期校准。
• 数据形态：三轴角速度时域信号，对突变敏感，适合检测旋转事件。

采样与融合策略

陀螺仪采样率通常与加速度计保持一致（50~200Hz），但需注意：如果仅使用陀螺仪进行姿态估计，采样率应不低于100Hz以减少积分误差。窗口长度取决于旋转动作的持续时间——例如头部姿态检测需要0.5~1秒窗口，而机械臂旋转监测可能需要2~3秒。推理频率方面，陀螺仪数据适合与加速度计融合（IMU融合），通过互补滤波或卡尔曼滤波获得稳定的姿态角。

案例拆解：智能手表的旋转手势识别

某智能手表项目需要识别"转动手腕查看通知"的手势。初始方案使用加速度计+陀螺仪以200Hz采样，窗口长度1秒，CNN模型推理。实测发现：不同用户转动速度差异大（最快300°/s，最慢80°/s），固定窗口导致部分慢速手势被截断。优化方案：

1. 将窗口长度扩展至1.5秒，并采用滑动窗口重叠50%的策略，确保手势完整落入至少一个窗口。
2. 对陀螺仪数据进行z-score标准化，消除个体差异。
3. 在模型输入端增加角速度积分特征（角度变化量），增强对慢速手势的区分度。

优化后识别准确率从82%提升至94%。复盘发现：窗口长度应覆盖目标动作的最长持续时间，而非平均持续时间。同时，陀螺仪的积分特征（角度）比原始角速度更具物理意义，能显著提升模型泛化能力。

2.3 麦克风：高带宽与音频特征

核心原理

麦克风将声压转换为电信号，是TinyML中数据量最大的传感器。音频信号带宽为20Hz~20kHz，根据奈奎斯特定理，采样率至少需要40kHz（实际常用16kHz或8kHz用于语音）。其数据特性包括：

• 高数据率：16kHz采样、16位量化时，单声道数据率为32KB/s，远超IMU数据量。
• 时频特性：语音和声音事件在频域具有明显模式，通常需要提取MFCC或滤波器组特征。
• 动态范围：环境噪声（30dB）到近距离语音（90dB）跨度大，需要自动增益控制（AGC）。

采样与特征提取策略

麦克风采样策略的核心矛盾是：高采样率带来丰富信息，但计算和功耗开销巨大。TinyML系统通常采用以下策略：

1. 降低采样率：语音识别16kHz足够，非语音事件检测（如玻璃破碎）8kHz即可。
2. 帧处理：将音频流切分为20~30ms的帧，帧移10ms，提取特征后送入模型。
3. 唤醒词检测：使用低功耗语音唤醒芯片（如DSPG）持续监听，检测到唤醒词后才启动完整ASR。

案例拆解：智能家居的玻璃破碎检测

某智能家居设备需要检测玻璃破碎声，部署在电池供电的无线传感器节点上。初始方案以44.1kHz采样，连续推理，功耗高达120mA，电池寿命仅3天。分析发现：玻璃破碎声的主要能量集中在2~8kHz，且持续时间约50~100ms。优化方案：

1. 将采样率降至16kHz，仅保留有效频段。
2. 采用能量检测预触发：计算每10ms帧的短时能量，超过背景噪声3倍时启动特征提取和推理。
3. 窗口长度设为200ms（包含破碎前50ms和破碎后150ms），覆盖完整事件。

优化后平均功耗降至15mA，电池寿命提升至20天。核心经验是：音频事件检测应充分利用事件的时间稀疏性，通过预触发机制避免连续推理。同时，窗口长度应包含事件前后的上下文，帮助模型区分真实事件与相似噪声。

2.4 环境传感器：慢变物理量与低功耗采样

核心原理

环境传感器包括温度、湿度、气压、环境光、气体浓度等，共同特点是物理量变化缓慢，带宽通常低于1Hz。例如：温度变化速率约0.1~1°C/min，气压变化约0.1~1hPa/min。其数据特性为：

• 极低带宽：信号频率通常低于0.1Hz，采样率1Hz已足够。
• 高精度需求：温度精度要求±0.5°C，气压精度±0.1hPa，需要高分辨率ADC。
• 长期漂移：传感器老化、污染会导致读数漂移，需要定期校准。

采样策略设计

环境传感器的采样策略应遵循"按需采样"原则：

案例拆解：智能农业大棚的环境监测

某农业物联网项目需要监测大棚内的温湿度、光照和CO₂浓度。初始方案以1Hz采样所有传感器，MCU持续运行，功耗约20mA。优化后：

1. 温湿度传感器（SHT30）每10秒采样一次，MCU在采样间隙进入睡眠模式。
2. 光照传感器（BH1750）每5秒采样，但启用阈值中断——当光照突变超过200lux时立即唤醒MCU。
3. CO₂传感器（MH-Z19）功耗较高（峰值150mA），采用每15分钟采样一次，每次采样持续30秒。

优化后平均功耗降至3mA，太阳能供电即可满足需求。关键经验是：环境传感器的采样策略应基于物理量的变化速率，而非固定频率。对于慢变信号，过高的采样率只会浪费功耗和存储空间。