1、课程导入：TinyML中时域特征提取的意义、应用场景与整体学习路径
TinyML（微型机器学习）是指在功耗受限、计算资源有限的微控制器（MCU）上部署机器学习模型的技术。与云端AI不同，TinyML强调在设备端完成数据采集、信号处理、特征提取与推理决策，从而避免数据传输延迟、保护隐私并显著降低功耗。在TinyML的完整链路中，时域特征提取是连接原始传感器信号与机器学习模型之间的关键桥梁——它决定了模型能否从看似杂乱无章的波形中“看到”有意义的规律。本章作为全课程的开篇，将系统阐述时域特征提取在TinyML中的战略意义、典型应用场景，并给出清晰的学习路径，帮助学习者建立全局视野。
1.1 为什么TinyML需要时域特征提取
在嵌入式设备上运行机器学习模型，面临的首要约束是资源极限：典型的MCU仅有几十KB的RAM、几百KB的Flash，主频通常在几十MHz到两百MHz之间。如果直接将原始传感器数据（例如以1kHz采样率的16位加速度计数据）送入神经网络，不仅内存无法容纳足够长的输入序列，计算量也会超出MCU的实时处理能力。时域特征提取的核心价值在于降维与去冗余——通过统计方法将一段窗口内的信号压缩为少量具有物理意义的标量，使模型输入维度从数百甚至数千降至个位数，同时保留对分类或回归任务最关键的信息。
以振动监测为例，一个旋转机械的振动信号在正常状态与轴承故障状态下，其波形形态存在显著差异。正常状态下振动幅值稳定、分布接近高斯；而故障状态下会出现周期性冲击，导致峰值增大、峭度升高。如果直接使用原始波形，需要至少数百个采样点才能捕捉这种差异；而通过计算窗口内的均值、RMS、峰值和峭度，仅用4个特征就能有效区分两种状态。这种压缩不仅大幅降低了模型的计算量，还提高了模型的泛化能力——因为统计特征对噪声和微小的时间偏移不敏感，而原始波形则容易受到这些因素干扰。
核心洞察：时域特征提取的本质是“用统计量替代波形”。它牺牲了信号的细节信息，换取了计算效率、存储效率和鲁棒性。在TinyML场景中，这种权衡通常是值得的——因为MCU上的模型往往只需要做出粗粒度的决策（如“正常/异常”“走路/跑步”），而非精确重构原始信号。
1.2 典型应用场景剖析
时域特征提取在TinyML中的应用横跨工业、医疗、消费电子等多个领域。下表总结了四个最具代表性的场景及其对特征的需求差异：
| 应用场景 | 传感器类型 | 关键时域特征 | 采样率/窗口 | MCU资源约束 |
|---|---|---|---|---|
| 工业振动监测 | 压电加速度计 | RMS、峰值、峭度 | 10-50kHz，窗口50-200ms | 需实时处理，RAM<32KB |
| 可穿戴步态识别 | MEMS加速度计 | 均值、RMS、过零率 | 50-100Hz，窗口1-2s | 电池供电，功耗<1mW |
| 语音关键词检测 | MEMS麦克风 | RMS（能量）、过零率 | 16kHz，窗口20-30ms | 需持续监听，低延迟 |
| 结构健康监测 | 应变片/位移计 | 均值、峰值、方差 | 1-10Hz，窗口10-60s | 长期部署，电池寿命>1年 |
在工业振动监测场景中，设备通常安装在电机、泵、风机等旋转机械上。传感器以较高的采样率采集振动信号，MCU在固定时间窗口内计算特征值，并将结果送入一个轻量级分类器（如决策树或小型神经网络）。当峭度值超过正常范围时，系统判定可能存在轴承点蚀或齿轮裂纹，从而触发预警。这一场景对实时性要求较高，因为故障检测的延迟直接关系到设备安全。
可穿戴设备则面临不同的挑战：电池容量有限，MCU必须尽可能降低功耗。此时，时域特征提取的优势尤为突出——计算均值、RMS等统计量只需简单的加减乘除运算，不需要复杂的FFT或小波变换，因此可以在极低的时钟频率下完成，从而节省动态功耗。例如，在步态识别中，设备以50Hz采样加速度数据，每2秒计算一次均值与RMS，即可准确区分走路、跑步、上下楼等动作，而整个特征提取过程的CPU占用率不足5%。
1.3 时域特征提取的工程定位
在TinyML的完整流水线中，时域特征提取位于信号调理与模型推理之间。信号调理负责去除噪声、消除直流偏置、调整信号幅度；特征提取则从调理后的信号中提炼统计量；模型推理基于这些统计量做出决策。这一流水线设计遵循“前端简单、后端轻量”的原则——尽可能在信号链早期压缩数据，减少后续处理的数据量。
从计算复杂度的角度看，时域特征提取具有显著优势。以峭度计算为例，其公式为：
峭度 = (1/N) * Σ((x_i - μ)^4) / σ^4其中μ为均值，σ为标准差。虽然公式涉及四次方运算，但在定点数实现中可以通过查表或近似算法优化。相比之下，频域特征（如FFT谱峰）需要执行完整的傅里叶变换，计算复杂度为O(N log N)，而时域特征的计算复杂度仅为O(N)。对于长度为256的窗口，时域特征提取比FFT快约10倍，且不需要额外的正弦/余弦查找表。
工程经验：在MCU上实现时域特征提取时，应优先使用整数运算而非浮点运算。例如，将加速度计的原始ADC值（通常为12-16位整数）直接用于计算，通过移位操作实现除法，可显著提升执行速度。对于峭度计算中的四次方，可以使用查表法或CORDIC算法近似，避免调用昂贵的浮点库。
1.4 学习路径与课程地图
本课程共30章，围绕时域特征提取的“理论-实现-优化-应用”主线展开。本章作为导入，帮助学习者建立整体认知；后续章节将逐步深入每个技术细节。以下是本课程的核心学习路径：
- 基础理论（第2-5章）：深入讲解均值、RMS、峰值、峭度的数学定义、物理意义与数值特性，包括它们对信号变化的敏感度分析。
- 算法实现（第6-10章）：在Arduino、STM32等主流MCU平台上实现这些特征的计算，涵盖定点数优化、内存管理、实时流水线设计。
- 窗口与流处理（第11-15章）：讨论滑动窗口的尺寸选择、重叠率对特征稳定性的影响，以及如何在流式数据上增量更新特征值。
- 特征选择与降维（第16-20章）：分析不同特征在不同任务中的判别力，介绍基于统计或机器学习方法的特征筛选技术。
- 实战项目（第21-25章）：完成振动监测、步态识别、语音唤醒等端到端项目，从数据采集到模型部署全流程实践。
- 高级优化（第26-30章）：探讨功耗优化、多传感器融合、异常检测等进阶主题，帮助学习者应对复杂工业场景。
在学习过程中，建议学习者准备一套实际的硬件平台（如Arduino Nano 33 BLE Sense或STM32F407 Discovery Kit），配合加速度计或麦克风传感器，边学边练。理论推导固然重要，但TinyML是一门高度工程化的学科，只有通过亲手实现和调试，才能真正理解特征提取的细节——例如，为什么窗口长度选择不当会导致特征值剧烈波动，为什么定点数溢出会破坏峭度的计算精度。
1.5 常见误区与学习建议
在初学者学习时域特征提取时，常出现以下误区，需要特别警惕：
误区一：特征越多越好。有些学习者试图在一个窗口内计算十几种特征，认为这样可以提供更多信息。实际上，冗余特征不仅增加计算负担，还可能导致模型过拟合。在TinyML场景中，应遵循“奥卡姆剃刀”原则——只选择与任务最相关的特征。例如，对于平稳信号的幅值监测，RMS和峰值通常足够；对于冲击性故障检测，峭度是关键补充。
误区二：忽视窗口边界效应。滑动窗口在边界处会产生截断，导致特征值出现瞬时跳变。例如，当一个冲击恰好跨越两个窗口边界时，两个窗口的峰值都会被低估。解决方法是采用重叠窗口（如50%重叠）或使用窗函数（如汉宁窗）对信号加权。
误区三：直接使用浮点运算。在PC上使用Python计算特征非常方便，但移植到MCU时，浮点运算会导致执行时间增加5-10倍，且占用大量Flash存储。正确的做法是设计定点数算法，将浮点运算转换为整数运算。
针对这些误区，本课程在后续章节中将提供具体的解决方案和代码示例。建议学习者在学习过程中养成记录实验日志的习惯，对比不同参数设置下的特征值变化，逐步积累工程直觉。同时，可以借助开源工具（如Edge Impulse、TensorFlow Lite for Microcontrollers）快速验证特征提取的效果，但务必理解其内部实现原理，而非仅作为黑盒使用。
最后需要强调的是，时域特征提取并非万能方案。对于某些复杂信号（如语音中的音素识别），时域特征可能不足以区分不同类别，此时需要引入频域特征或时频域特征。本课程聚焦于时域方法，但学习者应保持开放心态，在掌握时域特征的基础上，后续可进一步学习频域特征提取技术，构建更全面的TinyML特征工程能力。