4、数据预处理：去噪、滤波（低通/高通）、归一化、滑动窗口分割等常用技术

TinyML 传感器建模的起点并非模型结构，而是数据质量。传感器采集到的原始信号是物理世界与电路噪声、环境干扰、量化误差的混合体。若将未经处理的原始数据直接送入端侧模型，轻则导致模型收敛缓慢、泛化能力差，重则使分类器学习到噪声的“伪特征”，在真实部署时完全失效。本章围绕去噪、滤波、归一化与滑动窗口分割四项核心技术展开，帮助读者建立一套适用于资源受限设备的传感器数据预处理流水线。

4.1 去噪：从时域到频域的噪声识别

传感器噪声来源多样：热噪声（白噪声）、电源纹波（50Hz/100Hz 及其谐波）、机械振动耦合、量化噪声（ADC 分辨率不足）以及环境电磁干扰。在 TinyML 场景下，去噪的目标不是“完美还原真实信号”，而是在计算资源与延迟约束内，最大化信噪比（SNR），使后续特征提取更稳定。

核心原理：噪声通常表现为高频成分或与信号频带重叠的干扰。去噪的本质是设计一个滤波器，让目标信号频带通过，抑制非目标频带。对于加速度计、陀螺仪等惯性传感器，人体活动信号主要集中在 0.5Hz~20Hz；对于麦克风，语音信号在 300Hz~3.4kHz；对于环境温湿度传感器，变化极为缓慢，低于 1Hz。因此，去噪策略必须依据信号频带与噪声频带的相对关系选择。

判断方法：在开始滤波之前，建议先对原始数据做一次快速频谱分析（如 FFT），观察信号与噪声的频带分布。若噪声均匀分布在整个频带（白噪声），低通滤波即可；若存在明显的 50Hz 工频尖峰，则需要陷波器（Notch Filter）；若基线缓慢漂移（如温度变化导致传感器零点偏移），则需高通滤波。

4.2 滤波技术：低通、高通与带通的选择策略

滤波是数据预处理的核心环节。在 TinyML 中，滤波器的选择直接影响模型输入的质量与计算开销。

操作流程：首先确定采样率 fs（如 IMU 常用 50Hz~200Hz）。然后根据信号物理特性确定截止频率 fc。例如，人体步态识别中，步行频率约 1~2.5Hz，跑步约 2.5~4Hz，因此低通截止频率设为 10Hz 即可保留主要能量并滤除高频抖动。若使用 IIR 滤波，需注意相位失真问题——IIR 滤波器在截止频率附近会产生非线性相位偏移，可能导致波形畸变。对于需要保持波形形态的应用（如心电 R 波检测），建议使用零相位滤波（如 scipy.signal.filtfilt）在离线阶段处理，或使用 FIR 滤波器保证线性相位。

4.3 归一化：让特征尺度一致

不同传感器通道的量纲和数值范围差异巨大。例如，加速度计输出范围为 ±2g（约 ±19.6 m/s²），而陀螺仪输出范围为 ±250°/s，磁力计则可能输出 ±4800mGauss。若直接拼接这些特征输入模型，数值范围大的通道会主导梯度更新，导致模型偏向某些传感器，降低泛化能力。

核心原理：归一化将各通道数据映射到统一尺度（如 [0,1] 或均值为 0、方差为 1），使模型能够平等对待每个特征维度。两种最常用的方法：

• Min-Max 归一化：x' = (x - x_min) / (x_max - x_min)，将数据线性映射到 [0,1]。适用于已知数据边界且无极端离群值的场景。缺点是对离群值敏感，一个异常尖峰会压缩正常数据的分布范围。
• Z-score 标准化：x' = (x - μ) / σ，使数据服从均值为 0、标准差为 1 的分布。适用于数据近似高斯分布或存在离群值的场景。在 TinyML 中，μ 和 σ 需在训练集上预先计算并固化为常量，部署时直接代入。

操作流程：在训练集上计算每个通道的 min/max 或 μ/σ，保存为 C 语言头文件中的常量数组。推理时，对每个新样本执行相同的线性变换。注意：归一化参数只能从训练集统计，不能使用测试集或实时数据的统计值，否则会引入数据泄漏（Data Leakage），导致评估结果过于乐观。

4.4 滑动窗口分割：构建时间序列样本

传感器数据是连续的时间序列流，而分类模型通常需要固定长度的输入。滑动窗口分割将无限长的数据流切分为有限长度的样本片段，每个片段对应一个分类标签。

核心参数：窗口长度（W）与步长（S）。窗口长度决定了单个样本包含的时间跨度，需覆盖至少 1~2 个完整活动周期。例如，步态周期约 1~1.2 秒，窗口长度设为 2 秒（100Hz 采样率下为 200 个采样点）可确保包含完整的步态周期。步长决定了相邻窗口的重叠率（Overlap = 1 - S/W）。重叠率越高，样本数量越多，模型训练更充分，但推理时计算量也越大。

标签对齐策略：窗口的标签通常取窗口中心时刻的标签（适用于实时分类），或取窗口内多数投票标签（适用于离线标注）。对于动作切换的过渡段，建议丢弃或单独标注，避免标签噪声。

// 滑动窗口分割伪代码（C 语言风格）
#define WINDOW_SIZE 200   // 2秒 @ 100Hz
#define STEP_SIZE 50      // 0.5秒步长，重叠率 75%
#define NUM_CHANNELS 6    // 3轴加速度 + 3轴陀螺仪

float buffer[WINDOW_SIZE][NUM_CHANNELS];
int buffer_index = 0;

void process_sample(float* sample) {
    // 将新样本写入环形缓冲区
    memcpy(buffer[buffer_index], sample, NUM_CHANNELS * sizeof(float));
    buffer_index = (buffer_index + 1) % WINDOW_SIZE;
    
    // 每积累 STEP_SIZE 个新样本，触发一次推理
    static int step_counter = 0;
    if (++step_counter >= STEP_SIZE) {
        step_counter = 0;
        // 从缓冲区按顺序提取窗口数据（注意环形缓冲区的索引映射）
        float window[WINDOW_SIZE][NUM_CHANNELS];
        for (int i = 0; i < WINDOW_SIZE; i++) {
            int idx = (buffer_index + i) % WINDOW_SIZE;
            memcpy(window[i], buffer[idx], NUM_CHANNELS * sizeof(float));
        }
        // 调用模型推理函数
        run_inference(window);
    }
}

案例拆解：某工业设备预测性维护项目，使用振动传感器（采样率 20kHz）监测轴承故障。原始数据包含正常、内圈故障、外圈故障、滚动体故障四种状态。初始方案采用 W=1024 点（约 51ms），S=512 点，重叠率 50%。模型准确率仅 91.2%。分析发现：轴承故障特征频率（BPFO/BPFI）在 100~400Hz 之间，1024 点窗口仅包含 2~5 个故障周期，特征不充分。调整后：W=4096 点（约 205ms），S=512 点，重叠率 87.5%。准确率提升至 97.8%。但代价是推理延迟从 25ms 增至 100ms，且内存占用从 4KB 增至 16KB。最终通过降低采样率至 10kHz（W=2048 点）平衡了精度与资源。

4.5 预处理流水线的工程落地与验证

在 MCU 上实现预处理流水线时，需考虑内存、延迟与功耗的平衡。建议采用“分阶段处理”架构：传感器中断服务程序（ISR）中仅做数据搬运和轻量级去噪（如移动平均），主循环中完成归一化与窗口分割，推理任务由独立任务或硬件加速器（如 CMSIS-DSP）执行。

验证方法：在 PC 端使用 Python 完成预处理后，将处理后的数据导出为 C 数组，在 MCU 上运行相同的预处理代码，对比输出是否一致（允许浮点误差 < 1e-5）。同时，记录每个阶段的耗时与内存峰值，确保满足实时性要求。

总结复盘：数据预处理不是“一刀切”的固定流程，而是需要根据传感器类型、目标信号频带、MCU 资源约束进行定制。核心原则是：先分析信号与噪声的频带分布，再选择滤波策略；先确定窗口长度覆盖完整活动周期，再调整步长平衡样本量与延迟；归一化参数必须在训练集上统计并固化。建议在项目初期建立一套自动化的预处理评估脚本，对比不同参数组合下的模型准确率、内存占用与推理延迟，以数据驱动的方式确定最优配置。