3、均值（Mean）计算：定义、公式、物理含义，以及在TinyML中如何高效计算均值
均值是时域信号分析中最基础、最常用的统计量。在TinyML（微型机器学习）的传感器数据处理流程中，均值计算往往是特征提取的第一步，也是后续计算RMS（均方根）、方差、峭度等高级特征的前提。理解均值的数学本质、物理意义以及它在资源受限的MCU（微控制器）上的高效实现方式，是构建可靠TinyML应用的关键基础。本节将深入剖析均值计算的原理，并重点探讨在内存、算力均受限的嵌入式环境中，如何避免常见陷阱，实现低延迟、低功耗的均值提取。
均值（Mean），在数学上定义为一组数据的总和除以数据的个数。在TinyML的时域信号处理中，它反映了传感器信号在特定时间窗口内的“直流分量”或“趋势中心”。例如，加速度计在静止时输出的均值对应重力分量，麦克风采集的音频信号均值通常接近零（去除直流偏置后）。均值不仅是独立的特征，更是计算方差、标准差、RMS等衍生特征的基础，其计算效率直接影响整个特征提取管线的实时性。
3.1 核心原理：均值的数学定义与物理意义
对于包含N个采样点的离散时间序列 x[0], x[1], ..., x[N-1]，其算术均值（Arithmetic Mean）的数学表达式为：
μ = (1/N) * Σ x[i] （其中 i 从 0 到 N-1）在TinyML应用中，这个公式包含三个关键要素：窗口长度N、累加操作和除法运算。窗口长度N决定了时间分辨率与频率分辨率的权衡——N越大，均值越平滑，但对瞬态变化的响应越慢；N越小，响应越快，但噪声抑制能力下降。物理意义上，均值代表了信号在窗口内的“重心”位置。以加速度计为例，当设备静止时，三轴加速度的均值向量即为重力向量（约9.8 m/s²），其方向指示了设备的姿态；当设备运动时，均值则反映了运动过程中的平均加速度，而围绕均值的波动部分（即方差）则对应运动的剧烈程度。
3.2 判断方法与操作流程：TinyML中的高效均值计算策略
在资源受限的MCU上（如Cortex-M0+，主频几十MHz，RAM仅几KB到几十KB），均值计算不能简单套用PC端的写法。以下是三种典型的实现策略及其适用场景：
| 策略 | 算法复杂度 | 内存占用 | 适用场景 | 注意事项 |
|---|---|---|---|---|
| 直接累加法 | O(N) 每次窗口满时计算 | 需缓存N个原始数据 | 非重叠窗口，批处理模式 | 累加变量需用足够宽的数据类型（如int32或float） |
| 滑动递推法 | O(1) 每个新样本更新 | 需缓存N个原始数据 + 当前均值 | 重叠窗口（步长小于N），实时流处理 | 浮点累积误差会随时间漂移，需定期重置 |
| 分块累加法 | O(N) 但可分批 | 无需缓存全部数据，只需部分和 | 内存极紧张，数据流式到达 | 需处理边界效应，适合离线分段处理 |
选择策略的核心判断依据是窗口重叠率和实时性要求。如果TinyML应用采用非重叠窗口（即每采集N个样本计算一次特征），直接累加法最简洁；如果采用滑动窗口（每次滑动1个或几个样本），递推法能大幅降低计算量。具体操作流程如下：
- 确定窗口长度N：根据信号频率和任务需求选择。例如，加速度采样频率50Hz，窗口2秒，则N=100。
- 选择数据类型：若传感器输出为16位整数，累加N=128个样本，最大累加值为32767*128≈4.2M，需使用int32或uint32；若使用浮点，需注意MCU是否带FPU（浮点单元），否则软件浮点会显著增加耗时。
- 实现累加循环：在C语言中，使用循环展开或DSP库函数（如CMSIS-DSP的
arm_mean_f32）可提升效率。 - 执行除法：若N是2的幂（如64、128），可用右移操作替代除法，大幅提升速度。
// 示例：使用CMSIS-DSP库计算均值（Cortex-M4/M33带FPU）
#include "arm_math.h"
float32_t data[128];
float32_t mean_val;
arm_mean_f32(data, 128, &mean_val); // 硬件加速，单周期MAC3.3 案例拆解：可穿戴设备中的滑动均值实时计算
假设我们正在开发一款基于Cortex-M4内核（带FPU，主频80MHz）的智能手环，需要实时计算加速度计信号的均值以判断用户是否处于静止状态。传感器输出范围±2g，16位分辨率，采样率50Hz。我们采用滑动窗口，窗口长度N=100（对应2秒），滑动步长S=10（对应0.2秒更新一次）。
初始方案与问题：最初采用直接累加法，每次窗口满时重新遍历100个数据求和。经测试，每次均值计算耗时约120μs（含浮点除法），虽然满足实时性，但CPU占用率偏高，且随着后续增加RMS、峭度等特征，总耗时将超过任务预算（5ms）。
优化过程：改用滑动递推法。维护一个长度为100的环形缓冲区，同时保存当前均值mean_old。每当新样本x_new到来，同时移除最旧样本x_old，更新均值：
// 递推更新均值
mean_new = mean_old + (x_new - x_old) / 100.0f;由于N=100不是2的幂，除法无法用移位替代，但浮点除法在带FPU的M4上仅需约14个周期。整个更新过程仅需一次减法、一次除法、一次加法，耗时约2μs，比直接累加法快60倍。同时，CPU占用率从2.4%降至0.04%。
风险与应对：递推法存在浮点累积误差。经过长时间运行（如10小时），均值可能漂移几个LSB。解决方案是每执行1000次递推（约200秒），用直接累加法重新计算一次基准均值，以校正漂移。该校正操作耗时120μs，但每200秒才执行一次，对整体性能影响可忽略。
3.4 常见误区与总结复盘
在均值计算的工程实践中，开发者常陷入以下误区，导致特征质量下降或系统崩溃：
- 误区一：累加变量类型过窄。使用int16累加128个样本，当信号接近满量程时发生溢出，导致均值严重错误。解决：使用int32或float，并预估最大累加值。
- 误区二：忽略直流偏置。某些传感器（如陀螺仪）存在零偏，均值计算会包含该偏置。若后续算法关注动态变化，需先减去静态均值（校准值）。
- 误区三：窗口长度N选择不当。N过小，均值波动大，特征不稳定；N过大，延迟增加，无法捕捉快速变化。需根据信号带宽和应用延迟要求权衡。
- 误区四：在无FPU的MCU上使用float。软件浮点运算极慢，可能拖垮实时性。此时应使用Q15或Q31定点格式，或使用整数运算。
- 误区五：递推法永不重置。浮点累积误差会逐渐累积，导致均值偏离真实值。应设计定期校正机制。
总结：均值计算是TinyML时域特征提取的“第一块积木”。其核心在于理解窗口长度与实时性的权衡，并根据硬件资源（是否有FPU、RAM大小）和数据处理模式（批处理或流式）选择最优算法。直接累加法适合离线或非重叠窗口，滑动递推法适合实时流式处理。无论采用哪种方法，都必须关注数据类型精度、累积误差和计算开销。掌握均值的正确计算，为后续RMS、峭度等复杂特征打下坚实基础。