📚 课程目录第2章时域信号基础

2、时域信号基础：采样、离散信号、时间序列表示，以及为什么在TinyML中优先使用时域特征

在进入TinyML特征提取的细节之前，我们必须先建立对时域信号本身的清晰认知。TinyML设备（如MCU、传感器节点）处理的对象并非连续的物理量，而是经过采样和量化后得到的离散时间序列。理解采样定理、离散信号的表示方式以及时间序列的数学含义，是后续计算均值、RMS、峰值和峭度的前提。更重要的是，我们需要回答一个战略性问题：为什么在资源极度受限的TinyML场景中，时域特征往往比频域特征（如FFT）更受青睐？本章将围绕这些核心问题展开，为后续特征计算打下坚实的理论基础。

2.1 采样与离散信号：从连续世界到数字世界的桥梁

物理世界中的传感器输出本质上是连续时间信号 x(t)，例如加速度计的电压输出、麦克风的气压波动或温度传感器的电阻变化。TinyML设备中的微控制器（MCU）无法直接处理连续信号，必须通过模数转换器（ADC）以固定时间间隔 Δt 对信号进行采样，得到离散时间信号 x[n] = x(n·Δt)，其中 n 为整数索引。采样率 Fs = 1/Δt 决定了时间分辨率，而ADC的位宽（如12位、16位）决定了幅度分辨率。

根据奈奎斯特采样定理，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。例如，若振动信号包含最高500Hz的频率成分，则采样率至少需要1000Hz。在实际TinyML应用中，考虑到抗混叠滤波器的非理想特性，通常选择采样率为最高频率的3~5倍。采样后的离散序列还需要经过量化，将连续幅度映射到有限个离散电平。量化误差（量化噪声）是TinyML系统中不可避免的噪声源，其信噪比约为 6.02×B + 1.76 dB，其中B为ADC位数。

  工程要点：在TinyML中，采样率的选择直接影响功耗和内存占用。过高的采样率会导致ADC频繁唤醒、数据量激增，而过低的采样率则会丢失关键瞬态特征。建议在项目初期通过示波器或逻辑分析仪观察原始信号，确定有效带宽后再设定采样率。

2.2 时间序列的数学表示与窗口化处理

离散时间序列 x[n] 在数学上可以看作一个长度为N的向量，即 x = [x[0], x[1], ..., x[N-1]]。在TinyML特征提取中，我们通常对固定长度的窗口（Window）进行处理，窗口长度 N 的选择需要权衡时间分辨率和统计稳定性。例如，对于加速度信号，常用的窗口长度为 50~200 个采样点（对应 0.1~0.5 秒 @ 400Hz采样率），既保证足够的统计样本，又不会过度平滑瞬态事件。

窗口化处理有两种常见模式：滑动窗口（Sliding Window）和事件触发窗口（Event-triggered Window）。滑动窗口以固定步长（如50%重叠）在数据流上移动，适用于连续监测场景；事件触发窗口则通过阈值检测或中断信号启动采集，适用于稀疏事件（如冲击、异常振动）检测。在内存受限的MCU上，滑动窗口通常使用环形缓冲区（Ring Buffer）实现，仅需分配 N 个浮点或整型数组即可持续更新。

窗口类型	内存占用	延迟	适用场景	典型实现
滑动窗口（50%重叠）	2×N×sizeof(type)	低（实时）	连续监测、活动识别	环形缓冲区 + 双缓冲
事件触发窗口	N×sizeof(type)	中（需等待触发）	异常冲击、语音唤醒	中断 + DMA采集
非重叠固定窗口	N×sizeof(type)	低	批量处理、离线分析	直接数组切片

2.3 为什么TinyML优先使用时域特征？

在传统信号处理中，频域特征（如FFT频谱、功率谱密度）往往能提供更丰富的频率信息。然而在TinyML场景下，时域特征具有不可替代的优势，主要体现在以下四个维度：

计算复杂度极低：均值、RMS、峰值、峭度等时域特征的计算复杂度均为 O(N)，只需一次遍历即可完成，且不需要复杂的三角函数或复数运算。相比之下，N点FFT的复杂度为 O(N log N)，且需要额外的旋转因子表和位反转操作，在Cortex-M0等低端MCU上可能占用数百个时钟周期。
内存占用极小：时域特征可以流式（Streaming）计算，即每来一个采样点就更新一次统计量，只需维护几个累加器和计数器（O(1)空间）。而FFT需要存储完整的N点数据（O(N)空间），且输出频谱还需要额外的N/2个复数存储。
实时性与低延迟：时域特征可以在采样过程中即时更新，无需等待整个窗口采集完毕。例如，在电机异常检测中，RMS值可以在每个采样点后立即更新，一旦超过阈值即可触发报警，延迟仅为单个采样周期。
物理意义明确：均值反映直流分量，RMS反映信号能量，峰值反映瞬态冲击，峭度反映分布尖锐程度。这些指标直接对应机械故障（如轴承磨损导致峭度升高）、人体运动强度（RMS与运动幅度相关）等物理现象，便于工程师理解和调试。

注意：时域特征并非万能。当信号包含多个频率成分且需要区分不同频率源时（如区分50Hz工频干扰与200Hz机械振动），时域特征无法提供频率选择性。此时应结合频域特征或使用小波变换，但需评估MCU的计算能力是否允许。

2.4 案例拆解：基于加速度计的电机异常检测

我们以一个实际的TinyML项目为例，说明时域特征的选择与验证过程。某工厂需要在电机轴承上部署无线振动传感器节点，节点采用STM32L0系列MCU（Cortex-M0+，32MHz），内置12位ADC，采样率设置为 4kHz，每次采集 256 个采样点（64ms窗口）。目标是检测轴承早期磨损故障。

初始现象与约束：正常轴承振动信号近似高斯分布，峭度约为3；当轴承出现点蚀或剥落时，振动信号会出现周期性冲击，峭度显著升高（>5）。然而，仅靠峭度无法区分冲击的重复频率，因此需要结合RMS和峰值进行综合判断。节点电池容量为500mAh，要求续航6个月，因此每次特征提取的CPU时间必须小于2ms。

分析判断过程：我们首先在PC端使用Python对历史数据进行离线分析，计算正常与故障状态下的均值、RMS、峰值和峭度。结果显示：正常状态RMS为0.12g，峰值0.45g，峭度2.9；故障状态RMS为0.28g，峰值1.2g，峭度6.8。仅使用峭度阈值5即可实现100%的区分度，但为了减少误报，我们决定采用多特征融合：当RMS>0.2g 且峭度>4.5 时判定为异常。

实际操作步骤：在MCU上实现时，我们采用流式计算：每采集一个采样点，更新 sum、sum_sq、sum_cu、sum_qu 四个累加器，窗口结束后一次性计算四个特征。由于Cortex-M0+不支持硬件浮点单元（FPU），我们使用Q15定点数格式（将浮点数乘以32768后取整）进行计算，将计算时间控制在1.2ms以内。同时，我们利用DMA（直接内存访问）将ADC数据直接搬运到内存，CPU仅在DMA传输完成中断中执行特征计算，功耗降低40%。

结果对比与复盘：部署后运行3个月，系统成功检测到2次轴承早期故障（均在峭度超过5.2时触发），无漏报和误报。复盘发现，单纯使用峭度在负载波动时会产生误报（峭度短暂超过4.5），而加入RMS条件后误报率降为零。此外，我们意识到采样率4kHz对于轴承故障特征（通常<2kHz）足够，但若需要检测更高频的齿轮故障，需将采样率提升至8kHz，此时窗口长度应相应缩短以保持相同的时间分辨率。

经验总结：在TinyML中设计时域特征方案时，建议遵循以下流程：① 离线分析确定候选特征及阈值；② 在MCU上实现流式计算并验证数值精度（定点数vs浮点数）；③ 进行功耗与延迟实测；④ 在真实环境中进行长期稳定性测试。切勿跳过离线分析直接上板调试，否则会浪费大量调试时间。

2.5 常见误区与总结复盘

在时域信号基础与特征选择中，初学者常犯以下错误：

忽略采样率对特征值的影响：如果采样率过低，峰值可能被漏采，导致峭度计算失真。例如，对于持续时间仅0.5ms的冲击信号，若采样率低于2kHz，则可能完全错过该冲击。
窗口长度选择不当：窗口过短（如N=16）会导致统计量方差过大，特征值抖动剧烈；窗口过长（如N=1024）则会平滑掉瞬态特征，且增加内存占用。建议根据信号的最低频率成分确定窗口长度，至少包含5~10个最低频率周期。
忽视直流偏移：许多传感器输出包含直流偏置（如加速度计的0g对应1.65V），若不进行去均值处理，RMS值将包含直流分量，导致特征失真。应在计算RMS前先减去均值，或使用高通滤波器去除直流。
定点数溢出：在MCU上使用16位整数累加时，若窗口长度N=256且信号幅度接近满量程，sum_sq 可能超过32位整数范围。建议使用32位累加器或分块累加。