声音基础：声波特性、频率与振幅、时域与频域表示、采样率与奈奎斯特定理、音频文件格式（WAV/MP3）
在TinyML环境声音识别任务中，无论是玻璃破碎、警报声还是机械噪声，其本质都是空气压力波随时间变化的物理信号。理解声音的物理特性、数学表示以及数字化的约束条件，是构建可靠分类模型的前提。本章将系统梳理声波的核心参数、时域与频域的分析视角、采样定理的工程边界，以及常见音频文件格式的适用场景，为后续特征工程与模型训练打下坚实的理论基础。
核心原理：声波的物理本质与感知维度
声音是由物体振动产生的机械纵波，在空气中以约343 m/s（20°C时）的速度传播。声波具有两个最基本的物理属性：频率（单位Hz，描述每秒振动次数）和振幅（单位Pa或dB，描述空气压力偏离大气压的程度）。人耳可听范围通常为20 Hz至20 kHz，但TinyML应用中的环境声音识别往往聚焦于更窄的频带。例如，玻璃破碎声的主要能量集中在2 kHz至8 kHz的高频段，而机械噪声（如电机运转）则可能以50 Hz至1 kHz的低频成分为主。
从信号处理的角度看，声波可以用时域波形和频域频谱两种方式描述。时域表示直接记录声压随时间的变化，直观但难以区分叠加在一起的多个频率成分；频域表示则通过傅里叶变换将信号分解为不同频率分量的幅度和相位，能够清晰展示信号的频率结构。对于TinyML分类任务，频域特征（如梅尔频率倒谱系数MFCC）往往比原始时域波形更具判别力，因为不同声源的频率分布差异显著。
判断方法：采样率选择与奈奎斯特定理的工程应用
将连续声波转换为离散数字信号时，采样率（fs）决定了可表示的最高频率。奈奎斯特定理指出：为了无失真地重建原始信号，采样率必须至少为信号最高频率成分的两倍（fs ≥ 2×f_max）。低于此阈值将产生混叠效应，即高频成分折叠到低频区域，污染真实信号。
在实际TinyML系统中，采样率的选择需综合考虑以下因素：
- 目标声源的频率范围：若需识别玻璃破碎声（最高约10 kHz），理论最低采样率为20 kHz；但工程上通常选择44.1 kHz或48 kHz，以留出抗混叠滤波器的过渡带余量。
- MCU的算力与存储限制：更高的采样率意味着每秒需要处理更多样本。例如，以16 kHz采样、16位量化时，每秒产生32 KB数据；若MCU仅有256 KB RAM，则最多缓存8秒音频。
- 特征提取的输入需求：多数TinyML框架（如TensorFlow Lite Micro）推荐使用16 kHz或8 kHz采样率，因为语音和大多数环境声的关键信息集中在4 kHz以下。
| 采样率 (fs) | 可表示最高频率 | 适用场景 | 每秒数据量 (16-bit) |
|---|---|---|---|
| 8 kHz | 4 kHz | 语音、低频机械噪声 | 16 KB |
| 16 kHz | 8 kHz | 通用环境声、玻璃破碎 | 32 KB |
| 44.1 kHz | 22.05 kHz | 高保真音乐、完整可听频段 | 88.2 KB |
案例拆解：警报声与机械噪声的采样策略对比
假设我们需要在Cortex-M4内核的MCU（主频80 MHz，RAM 128 KB）上部署一个二分类器，区分火灾警报声（典型频率约3 kHz正弦波）与工业机械噪声（频带50 Hz-2 kHz）。
初始方案：统一采用44.1 kHz采样率，确保“无损”采集。但实际测试发现：MCU每秒需处理88.2 KB数据，FFT计算耗时占CPU的65%，且RAM仅能缓存1.5秒音频，无法满足连续监测需求。
分析过程：警报声的基频为3 kHz，其谐波主要能量在9 kHz以内；机械噪声的能量集中在2 kHz以下。因此，理论上16 kHz采样率（可表示8 kHz）已完全覆盖两类声源的有效频带。进一步观察频谱发现，警报声的谐波在6 kHz以上幅度衰减超过40 dB，对分类贡献极小。
优化操作：
- 将采样率降至16 kHz，数据量减少63.6%，FFT计算量降低至原来的约1/3。
- 在ADC前端增加截止频率为7 kHz的二阶有源低通滤波器，抑制混叠。
- 采用256点FFT（频率分辨率62.5 Hz），提取0-8 kHz的128维频谱特征。
结果对比：优化后CPU占用降至22%，RAM缓存延长至4.7秒，分类准确率从98.2%微降至97.8%（差异不显著），但系统响应延迟从1.2秒降至0.4秒。
复盘经验：采样率并非越高越好，应基于目标声源的“有效频带”而非“理论可听范围”进行选择。对于TinyML系统，每降低一半采样率，计算量和存储需求均减少约50%，这是最有效的资源优化手段之一。
音频文件格式：WAV与MP3的工程取舍
在TinyML数据准备阶段，音频文件的存储格式直接影响数据加载效率和模型训练效果。WAV（Waveform Audio File Format）采用脉冲编码调制（PCM）存储原始采样数据，无压缩、无损，但文件体积大。例如，10秒16 kHz/16-bit单声道WAV文件占用320 KB。MP3（MPEG-1 Audio Layer 3）采用感知编码压缩，通过去除人耳不敏感的频率成分实现高压缩比（通常为10:1），但会引入量化噪声和频率截断。
对于TinyML训练数据集，推荐使用WAV格式存储原始音频，原因如下：
- 无损保真：保留完整的频率信息，避免MP3压缩在12 kHz以上频段产生的“空洞”效应，这对玻璃破碎声的高频细节至关重要。
- 解码简单：WAV文件可直接映射为内存中的PCM数组，无需解码器；而MP3解码需要额外的软件库，增加MCU的Flash占用和CPU开销。
- 时间对齐精确：WAV的采样点严格等间隔，便于精确截取事件片段；MP3的帧结构可能导致时间偏移。
常见误区与总结复盘
在环境声音识别的工程实践中，以下误区值得警惕：
- 误区一：忽视抗混叠滤波。仅依赖数字下采样而不加硬件滤波器，导致高频噪声折叠到目标频段。正确做法是：在ADC前使用RC低通滤波器或专用抗混叠芯片。
- 误区二：盲目追求高采样率。在资源受限的MCU上，44.1 kHz采样率可能使FFT计算量超出实时性要求。应根据声源有效带宽选择最低可行采样率。
- 误区三：混淆文件格式与编码格式。WAV也可以存储压缩编码（如ADPCM），但TinyML场景应使用未压缩的PCM格式，避免解码开销。
- 误区四：忽略直流偏移。麦克风电路可能引入直流偏置，导致时域波形整体偏移，影响能量计算。应在预处理阶段减去信号均值。
总结：声音基础是TinyML环境声音识别的基石。掌握声波的频率与振幅特性，理解时域与频域的不同分析视角，严格遵守奈奎斯特定理选择采样率，并合理选择音频文件格式，能够为后续的特征提取和模型训练奠定高质量的数据基础。在下一阶段的特征工程中，我们将基于这些原始信号，提取梅尔频谱、过零率等判别性特征，进一步压缩数据维度并提升分类性能。