1. 课程导入：学习目标、核心概念、整体框架——理解时序窗口在TinyML中的重要性
TinyML（微型机器学习）的核心挑战，是在毫瓦级甚至微瓦级功耗的微控制器（MCU）上运行机器学习推理。与云端或移动端AI不同，TinyML设备直接面对的是连续不断的物理世界信号——加速度计输出的振动波形、麦克风采集的声压变化、心电图（ECG）电极捕捉的电位波动、工业电机上的振动频谱。这些信号本质上都是时间序列：每一个数据点都与其前后的样本存在强关联，单独看任何一个采样值都无法判断“这个人正在走路”还是“这台电机即将故障”。因此，TinyML应用的第一步，也是最关键的一步，就是如何从连续的数据流中切分出有意义的时序窗口（Time Window）。窗口切分得好不好，直接决定了模型能否看到足够的信息、能否在实时性与功耗之间找到平衡，甚至决定了整个产品能否在资源受限的MCU上跑起来。
本章作为整个《TinyML时序窗口设计》课程的开篇，将为你建立完整的知识坐标系。我们首先明确学习目标，然后厘清窗口长度、步长、采样率、实时性等核心概念之间的逻辑关系，最后给出本课程的整体框架。为了让你直观理解这些概念在系统中的位置，下图展示了TinyML时序数据处理的完整链路，以及窗口设计在其中扮演的核心角色。
上图清晰地展示了时序窗口设计在TinyML系统中的枢纽地位：它连接了物理世界的连续信号与数字世界的离散推理。窗口长度决定了模型每次“看到”多长的历史信息，步长决定了模型多久“思考”一次，而这两者的组合直接决定了系统的实时响应能力、计算负载和内存占用。接下来，我们将逐一拆解这些概念。
1.1 学习目标：学完本章你将掌握什么
本章不是简单的概念罗列，而是为你搭建一个可操作的决策框架。学完本章后，你应该具备以下四项核心能力：
- 准确描述时序窗口的基本参数：能够清晰解释窗口长度（Window Length, W）、步长（Stride, S）、采样率（Sampling Rate, Fs）、重叠率（Overlap Ratio）的定义，并理解它们之间的数学关系。例如，一个窗口包含的样本点数 N = W × Fs。
- 理解窗口参数与系统性能的量化关系：能够从实时性（响应延迟）、精度（信息完整性）、资源消耗（RAM占用、计算量）三个维度，分析调整W和S带来的连锁反应。例如，将窗口长度从1秒增加到2秒，RAM占用翻倍，但可能显著提升低频事件的识别准确率。
- 掌握TinyML场景下窗口设计的特殊约束：了解MCU的RAM/Flash限制、传感器数据采集方式（FIFO/中断/DMA）、电池供电的功耗预算，以及这些约束如何限制窗口参数的取值范围。
- 建立全局视野：理解窗口设计不是孤立的，它与后续的特征提取、模型架构（如1D-CNN、LSTM）、部署优化（量化、剪枝）紧密耦合。本章为后续章节的深入学习奠定基础。
核心认知：在TinyML中，窗口设计不是“调参”的琐碎工作，而是决定系统架构的顶层决策。一个不合理的窗口长度，可能导致模型在训练时精度很高，但部署到设备上后因为实时性不足或内存溢出而完全不可用。因此，窗口设计必须从系统层面进行权衡。
1.2 核心概念：窗口长度、步长与实时性的三角关系
为了深入理解时序窗口，我们必须先厘清几个基础但极易混淆的概念。这些概念构成了整个课程的语言基础。
| 概念 | 符号 | 定义 | 典型单位 | 对系统的影响 |
|---|---|---|---|---|
| 采样率 | Fs | 每秒采集的样本点数，由ADC和传感器决定 | Hz（如50Hz、100Hz、1kHz） | 决定信号的频率分辨率上限（奈奎斯特频率 = Fs/2） |
| 窗口长度 | W | 每个推理样本所覆盖的时间跨度 | 秒（s）或毫秒（ms） | 决定模型感知的“视野”范围，直接影响RAM占用 |
| 窗口样本数 | N | N = W × Fs，即一个窗口内的数据点数量 | 个（samples） | 决定特征提取的计算量和模型输入维度 |
| 步长 | S | 相邻两个窗口起始点之间的时间间隔 | 秒（s）或毫秒（ms） | 决定推理频率（1/S），影响实时性和计算负载 |
| 重叠率 | R | R = (W - S) / W × 100% | 百分比（%） | 权衡信息冗余与计算效率 |
理解上述概念后，我们来看它们之间的核心矛盾。假设我们要设计一个基于加速度计的跌倒检测系统，采样率Fs = 50Hz（每20ms一个样本）。如果窗口长度W = 2秒，那么一个窗口包含N = 100个样本点。如果MCU的RAM只有32KB，每个样本用2字节（int16）存储，单通道就需要200字节，三轴加速度计则需要600字节——这看似不大，但如果后续特征提取需要FFT（快速傅里叶变换），则还需要额外的计算缓冲区。更关键的是实时性：系统必须等2秒的数据全部采集完毕才能开始推理，这意味着从跌倒发生到系统报警，至少延迟2秒。对于跌倒检测，这个延迟可能过长。
现在引入步长S。如果设置S = 0.5秒，那么系统每0.5秒就会滑动窗口并执行一次推理。此时，相邻窗口的重叠率R = (2 - 0.5) / 2 = 75%。高重叠率意味着大部分数据被重复计算，计算量增大，但好处是推理结果更平滑，不会漏掉发生在窗口边界的事件。如果设置S = 2秒（无重叠），系统每2秒才推理一次，计算量降低，但实时性变差，且窗口边界处的事件可能被截断。
经验法则：对于周期性信号（如步态、心跳），窗口长度应至少覆盖1-2个完整周期。例如，正常步态周期约1秒，窗口长度建议设为1-2秒。对于瞬态事件（如拍手、跌倒冲击），窗口长度应足够短（100-500ms），以便快速响应。
1.3 整体框架：本课程的五大模块与学习路径
本课程共30章，内容组织遵循“从原理到实践，从理论到部署”的逻辑。作为第1章，我们在此给出整体框架，帮助你建立学习地图。课程分为五大模块：
- 基础概念与信号处理（第1-5章）：本章为起点，后续将深入讲解采样定理、时域/频域特征、滑动窗口的数学原理，以及不同信号类型（周期性、瞬态、随机）对窗口设计的影响。
- 窗口参数优化方法（第6-12章）：聚焦如何针对具体任务选择最优的W和S。包括基于事件周期的方法、基于模型精度搜索的方法、基于功耗建模的方法，以及多传感器融合时的窗口对齐策略。
- 实时性与资源约束（第13-18章）：深入MCU的工程实现。包括环形缓冲区设计、DMA传输与双缓冲、低功耗模式下的窗口调度、以及如何在有限RAM下处理长窗口（如流式特征提取）。
- 模型与窗口的协同设计（第19-24章）：探讨窗口长度如何影响模型架构选择。例如，短窗口适合1D-CNN，长窗口可能需要RNN或Transformer；同时介绍如何通过数据增强（如窗口裁剪、时间扭曲）提升模型鲁棒性。
- 实战案例与部署调优（第25-30章）：通过完整的端到端案例（如关键词唤醒、人体活动识别、工业异常检测），展示从原始数据到部署的完整流程，并总结常见陷阱与调试技巧。
这个框架的核心思想是：窗口设计不是孤立的参数选择，而是贯穿数据采集、特征工程、模型训练、部署优化的系统性工程。每一章都会围绕一个具体问题展开，并提供可操作的解决方案。
1.4 案例拆解：为什么同样的模型，在PC上精度高，在MCU上却失效？
为了让你更直观地理解窗口设计的重要性，我们来看一个典型的工程失败案例。某团队开发了一个基于1D-CNN的工业电机故障诊断系统，目标部署在STM32L4系列MCU上。
背景与约束：电机振动信号采样率Fs = 20kHz（为了捕捉高频故障特征），MCU的RAM为64KB，Flash为256KB。团队在PC上训练模型时，使用了2秒的窗口（即N = 40000个样本点），模型在测试集上达到了98%的准确率。
初始现象：部署到MCU后，程序直接崩溃——RAM溢出。因为一个窗口的原始数据就需要40000 × 2字节 = 80KB，已经超过了64KB的RAM总量，更不用说还要为特征提取和模型推理预留空间。
分析过程：团队最初尝试降低采样率到2kHz，但这样会丢失高频故障特征（轴承故障频率通常在5-10kHz），模型准确率骤降至70%。随后他们尝试缩短窗口到0.5秒（N = 10000点，20KB RAM），但此时窗口内可能不包含完整的故障冲击周期，导致模型无法稳定识别。
解决方案：最终，团队采用了分段特征提取 + 流式窗口的方案。具体操作如下：
// 伪代码示例：分段特征提取
#define SEGMENT_LEN 256 // 每段256个样本
#define NUM_SEGMENTS 8 // 共8段，总窗口长度 = 256*8 = 2048样本
#define STRIDE_SEGMENTS 2 // 每次滑动2段
float segment_features[NUM_SEGMENTS][3]; // 每段提取RMS、峰值、峰峰值
float window_feature[24]; // 拼接8段特征，共24维
void process_sample(int16_t sample) {
// 1. 将样本存入环形缓冲区
// 2. 每满SEGMENT_LEN个样本，计算该段的3个特征
// 3. 当积累NUM_SEGMENTS段特征后，拼接成window_feature
// 4. 送入模型推理
// 5. 滑动STRIDE_SEGMENTS段，丢弃最旧的段特征
}结果对比：采用分段特征后，RAM占用从80KB降至约2KB（仅需存储段特征而非原始样本），推理频率从0.5Hz提升到5Hz（步长缩短），准确率保持在95%以上。虽然略低于PC上的98%，但满足了实时性和资源约束。
复盘经验：这个案例揭示了三个关键教训：第一，窗口长度必须与MCU的RAM容量匹配，不能盲目照搬PC上的设置；第二，采样率、窗口长度、特征维度三者需要联合设计，降低采样率不一定能解决问题，反而可能丢失关键信息；第三，流式处理（分段特征）是TinyML中处理长窗口的有效手段，它用计算换存储，适合特征维度远小于原始样本数的场景。
常见误区：很多初学者认为“窗口越长，模型越准”。实际上，窗口过长会引入无关噪声，增加计算延迟，且可能超出MCU的内存限制。窗口长度的选择应基于信号的物理周期和任务需求，而非盲目追求“长”。
1.5 总结与复盘：本章核心要点
让我们回顾本章的核心内容，形成可记忆的知识锚点：
- 时序窗口是TinyML处理连续信号的必经之路，它将无限长的数据流切分为有限长度的、可供模型处理的样本单元。
- 三个核心参数——窗口长度W、步长S、采样率Fs——共同决定了系统的信息视野、响应速度和资源消耗。它们之间的关系为：窗口样本数N = W × Fs，重叠率R = (W - S) / W。
- 实时性是一个相对概念，取决于应用场景。跌倒检测需要毫秒级响应，而环境温度监测允许秒级延迟。窗口设计必须与应用的时间需求对齐。
- 资源约束是TinyML区别于云端AI的根本特征。MCU的RAM通常以KB计，Flash以MB计，这迫使我们在窗口长度和特征提取方式上做出妥协。
- 窗口设计是一个系统工程，需要与采样策略、特征工程、模型架构、部署优化协同考虑。本课程后续章节将逐一展开这些主题。