3、数据采集与标注：传感器数据采集方法、采样率选择、标注工具与标注规范

TinyML 模型的性能上限在数据采集阶段就已注定。与云端 AI 不同，端侧模型受限于内存、算力和功耗，无法通过海量参数弥补数据质量的缺陷。传感器数据的采集方法、采样率选择以及标注规范，直接决定了模型能否在真实物理世界中稳定工作。本章将系统拆解从原始物理量到可训练数据集的完整链路，重点解决“采什么、怎么采、采多快、怎么标”四个核心问题。

3.1 传感器数据采集的核心原理

传感器数据采集的本质是将连续变化的物理量（加速度、角速度、声压、温度等）转换为离散的数字序列。这一过程涉及三个关键环节：传感元件将物理量转换为电信号，信号调理电路完成放大、滤波和电平匹配，模数转换器（ADC）以固定时间间隔对模拟信号采样并量化为数字值。对于 TinyML 应用，采集链路的设计目标不是“高保真还原”，而是“在有限存储和功耗预算内，保留足够区分不同类别的特征信息”。

以加速度计为例，MEMS 传感器内部包含质量块和梳齿电容结构，当设备运动时质量块发生位移，电容值变化经 C/V 转换电路变为电压信号。该信号经过低通滤波器（通常截止频率为采样率的 0.4 倍）后送入 ADC。ADC 的位数决定了量化精度——8 位 ADC 提供 256 个离散等级，16 位 ADC 提供 65536 个等级。对于大多数运动识别任务，12 位精度已足够，过高的分辨率只会增加存储开销而不会显著提升分类准确率。

采样率的选择需要同时考虑信号带宽、数据量和功耗。根据奈奎斯特采样定理，采样率必须大于信号最高频率的两倍才能无失真重建。但工程实践中，建议采样率设置为信号最高频率的 5~10 倍，以留出抗混叠滤波器的过渡带余量。例如，人体运动的主要能量集中在 0.5~20Hz，因此 IMU 采样率通常设为 50~100Hz；而电机轴承故障的振动特征可达 2~5kHz，需要 10kHz 以上的采样率。

3.2 采样率选择方法与数据采集流程

采样率的选择不能孤立进行，必须结合分类任务、硬件约束和功耗预算综合决策。以下是系统化的选择流程：

1. 确定信号带宽：查阅传感器数据手册或通过 FFT 分析预采集数据，找到信号能量集中的频率范围。例如，工业泵的振动信号主频为 50Hz 及其谐波，但故障特征可能出现在 3kHz 附近。
2. 计算理论最低采样率：取信号最高频率的 2 倍作为下限，再乘以 2.5~5 倍的安全系数。对于 3kHz 的振动特征，理论最低为 6kHz，实际建议 15~30kHz。
3. 评估存储与功耗预算：采样率每提高一倍，数据量翻倍，MCU 唤醒时间和无线传输功耗也相应增加。对于电池供电的节点，需要权衡分类精度与续航时间。
4. 验证分类性能：在候选采样率下分别采集数据并训练模型，绘制“采样率 vs 准确率”曲线，选择性能拐点处的采样率。

数据采集流程应遵循标准化操作，确保不同时间、不同设备采集的数据具有可比性。推荐流程如下：

1. 设备准备：固定传感器位置，检查电池电量，校准零偏
2. 环境记录：记录温度、湿度、设备状态等元数据
3. 预热稳定：上电后等待 30 秒，让传感器达到热平衡
4. 数据采集：按预设采样率和时长采集原始数据
5. 质量检查：实时查看波形，确认无饱和、无断流
6. 数据存储：按统一命名规则保存为二进制或 CSV 格式
7. 元数据登记：在数据管理表中记录采集时间、设备 ID、工况

3.3 标注工具与标注规范

数据标注是将原始传感器数据与目标类别关联起来的过程，是监督学习的基础。与图像标注不同，传感器数据通常是一维时间序列，标注方式分为三种：片段级标注（整个窗口属于一个类别）、事件级标注（标记特定事件发生的时间点）和逐点标注（每个采样点都有标签）。对于 TinyML 分类任务，最常用的是片段级标注——将连续数据流切分为固定长度的窗口，每个窗口赋予一个类别标签。

常用的标注工具包括：

• Edge Impulse Studio：提供图形化数据采集和标注界面，支持传感器直连、CSV 导入和自动切片，内置数据平衡和质量评估功能。
• Label Studio：开源标注平台，支持时间序列数据的区域选择和标签分配，适合自定义标注流程。
• MATLAB Signal Labeler：面向信号处理场景，支持多通道同步标注和自动化特征提取。
• 自研标注脚本：对于特殊需求（如多传感器同步标注），可基于 Python + Plotly 开发轻量级标注工具。

标注规范是保证数据集质量的核心。一套完整的标注规范应包含以下要素：

1. 类别定义：每个类别必须有明确、无歧义的定义。例如“行走”定义为“双脚交替着地、身体前进的运动模式”，并附示例波形图。
2. 边界规则：规定窗口切分的起始点、窗口长度和重叠率。例如“窗口长度 2 秒，步进 0.5 秒，窗口内必须包含完整的动作周期”。
3. 异常处理：定义传感器脱落、设备静止、信号饱和等异常情况的处理方式——是标记为“无效”还是单独设类。
4. 多人一致性：至少两人独立标注同一批数据，计算 Cohen's Kappa 系数，要求 Kappa > 0.8 才认为标注可靠。
5. 质量抽检：标注完成后随机抽取 10% 数据由专家复核，错误率超过 2% 则退回重新标注。

3.4 案例拆解：工业电机振动数据采集与标注

某制造企业需要开发一个 TinyML 模型，用于在端侧实时检测电机轴承故障。项目约束如下：使用 STM32L4 系列 MCU（512KB Flash、160KB RAM），电池供电要求续航 6 个月以上，检测目标为正常、内圈故障、外圈故障、滚动体故障四类。

初始方案与问题：工程师最初参考学术，将采样率设为 20kHz，ADC 为 16 位，三轴振动传感器同时采集。试运行后发现：1 分钟数据量达 7.2MB（3 轴 × 20000Hz × 2 字节 × 60 秒），远超 MCU 存储能力；且 MCU 需要频繁唤醒处理数据，电池续航仅剩 3 周。

分析过程：对预采集的振动数据做 FFT 分析，发现轴承故障特征频率集中在 500Hz~3kHz 之间，而电机基频（50Hz）及其谐波占主导能量。进一步分析发现，故障特征在 8kHz 采样率下已能清晰分辨。团队决定将采样率降至 8kHz，并采用 12 位 ADC（实际有效位数约 10.5 位），同时只保留径向振动单轴数据。

实施步骤：

1. 重新设计采集固件，采样率设为 8192Hz，窗口长度 1024 点（125ms），重叠率 50%。
2. 在电机轴承座上安装加速度计，使用磁吸底座固定，确保耦合良好。
3. 采集 4 种工况数据：正常、内圈故障、外圈故障、滚动体故障，每种工况采集 30 分钟，分 3 天完成以覆盖不同温度条件。
4. 使用 Edge Impulse 的 Data Acquisition 模块直接采集并自动切片，每 2 秒生成一个样本窗口。
5. 由两名工程师独立标注，对边界模糊的样本（如故障初期信号）进行讨论确认。

结果对比：采样率从 20kHz 降至 8kHz 后，数据量减少 60%，MCU 处理时间缩短 55%，电池续航从 3 周提升至 5 个月。模型在测试集上的准确率从 97.2% 略降至 96.1%，但仍在可接受范围内。标注一致性 Kappa 系数为 0.87，质量抽检错误率 1.5%。

风险与代价：降低采样率后，对高频冲击信号的捕捉能力下降，可能漏检早期微弱故障。为此，团队在模型中增加了时域统计特征（峰值因子、峭度）作为补偿，并计划在后续版本中引入自适应采样率机制。

3.5 常见误区与总结复盘

在传感器数据采集与标注实践中，以下误区最为常见：

• 忽视抗混叠滤波：ADC 采样前必须使用硬件低通滤波器（截止频率为采样率的 0.4~0.5 倍），否则高频噪声会折叠到低频段，污染有效信号。
• 标注粒度不一致：不同标注人员对“动作开始”和“动作结束”的判断标准不同，导致窗口边界偏移。解决方法是定义严格的物理事件标记点，如“脚跟着地瞬间”。
• 数据不平衡：正常工况数据远多于故障数据，导致模型偏向多数类。可通过数据增强（加噪声、时间扭曲）或重采样技术缓解。
• 忽略传感器位置差异：同一型号传感器安装位置不同，信号幅值和相位会有差异。应在标注元数据中记录安装位置，并在训练时进行归一化。
• 标注工具选择不当：使用通用表格软件标注时间序列效率极低且容易出错，应选择支持波形可视化和区域选择的专业工具。

总结本章要点：数据采集的核心是“在满足分类精度需求的前提下，最小化数据量和功耗”；采样率选择应基于信号带宽分析而非经验值；标注规范必须前置定义，并通过一致性检验保证质量。一个高质量的数据集，其价值远超复杂的模型结构——在 TinyML 领域，数据工程能力往往决定了项目的成败。