时序数据基础：时间序列数据的特点、采样率与常见传感器数据类型
TinyML 的“原料”是时序数据——来自加速度计、麦克风、IMU 等传感器的连续信号流。理解时序数据的本质属性，是设计窗口长度、步长与实时性取舍的前提。如果对数据的时间结构、采样率含义或传感器特性缺乏系统认知，后续的窗口参数设计将如同盲人摸象。本节将系统梳理时间序列数据的核心特征、采样率对信息量的决定性影响，以及加速度计、麦克风、IMU 等主流传感器的数据形态与工程约束。
2.1 时间序列数据的本质特征
时间序列数据（Time Series Data）是按时间顺序采集的观测值序列，其核心特征在于相邻样本之间存在时间上的依赖关系。与图像数据（空间维度）或表格数据（特征维度）不同，时序数据的顺序本身携带信息——交换任意两个样本的位置，数据的语义就会完全改变。例如，加速度计记录的一次“挥手”动作，其 x 轴波形呈现先上升后下降的形态，这种形态的时序模式正是模型需要识别的关键。
从工程角度看，时序数据具有三个显著特点：
- 时间依赖性（Temporal Dependency）：当前时刻的观测值往往与过去若干时刻的值相关。以 IMU 数据为例，物体在 t 时刻的角速度与 t-1、t-2 时刻的角速度存在物理上的连续性——物体不可能瞬间改变运动状态。这种依赖性决定了窗口长度不能过短，否则会截断完整的运动模式。
- 非平稳性（Non-stationarity）：与理想化的平稳随机过程不同，真实传感器数据的统计特性（均值、方差、频谱）会随时间缓慢变化。例如，佩戴在手腕上的加速度计，静止时数据方差很小，行走时方差显著增大，跑步时方差进一步增大。这种非平稳性要求窗口设计必须考虑数据的局部特性，而非全局统计。
- 多尺度性（Multi-scale Property）：不同物理事件的时间尺度差异巨大。一次按键操作约持续 50-100ms，一次手势识别约 0.5-1.5s，一次步态周期约 1-2s，而人体活动模式（如久坐 vs 运动）可能需要数分钟甚至更长的观察窗口。窗口长度必须与目标事件的时间尺度匹配，过短无法捕获完整模式，过长则引入无关信息并增加计算延迟。
核心理解：窗口长度 W 的本质是“模型观察时间跨度”的量化表达。W 的选择直接决定了模型能感知到的最小和最大时间模式。例如，若 W=50 个样本（采样率 100Hz 时为 0.5s），则模型只能感知 0.5s 内的局部模式，无法捕获需要 1s 才能完整呈现的步态周期。因此，窗口设计的第一步是明确目标事件的时间尺度范围。
2.2 采样率：信息获取的“时间分辨率”
采样率（Sampling Rate, fs）决定了每秒采集的样本数量，是时序数据最基本的参数之一。采样率的选择直接受奈奎斯特采样定理约束：为了无失真地重建信号中的最高频率成分 f_max，采样率必须满足 fs ≥ 2 × f_max。低于此阈值将产生混叠效应（Aliasing），高频成分会“伪装”成低频信号，导致数据失真。
在实际 TinyML 应用中，采样率的选择需要权衡多个因素：
| 传感器类型 | 典型采样率范围 | 信号频率范围 | 窗口长度建议 | 典型应用 |
|---|---|---|---|---|
| 加速度计（活动识别） | 25-100 Hz | 0.5-10 Hz（人体运动） | 50-200 样本（0.5-2s） | 步态检测、跌倒检测 |
| 加速度计（振动分析） | 1-10 kHz | 100 Hz-3 kHz（机械振动） | 512-4096 样本 | 电机故障诊断 |
| 麦克风（语音命令） | 8-16 kHz | 300 Hz-4 kHz（语音） | 160-480 样本（10-30ms） | 关键词唤醒、语音分类 |
| IMU（姿态估计） | 50-200 Hz | 0-20 Hz（人体姿态） | 100-400 样本（1-2s） | 手势识别、运动追踪 |
| 麦克风（声学事件） | 16-48 kHz | 20 Hz-20 kHz（全频段） | 512-2048 样本（10-50ms） | 玻璃破碎检测、枪声识别 |
采样率的选择还直接影响数据量与功耗。在 TinyML 设备上，采样率每提高一倍，单位时间内的数据量翻倍，MCU 的 ADC 采样功耗、DMA 传输功耗、存储写入功耗均随之增加。例如，一个使用 16kHz 采样率的麦克风系统，每秒产生 32KB 数据（16bit × 16000），而 100Hz 的加速度计每秒仅产生 600B 数据（3轴 × 2B × 100）。这意味着麦克风系统的数据吞吐量是加速度计的 50 倍以上，对内存带宽和功耗的挑战截然不同。
常见误区：采样率越高越好？并非如此。过高的采样率不仅增加功耗和存储压力，还可能引入更多高频噪声。正确的做法是：先确定目标信号的最高频率成分 f_max，然后选择 fs = 2.5~4 × f_max 作为采样率，留出一定裕量。例如，人体手势识别中，手部运动的主要能量集中在 0.5-5Hz，因此 20-50Hz 的采样率已足够，无需使用 200Hz。
2.3 常见传感器数据类型与数据形态
TinyML 中最常用的时序传感器包括加速度计、麦克风、IMU（惯性测量单元）、磁力计、陀螺仪等。每种传感器的物理原理不同，输出的数据形态和特性也各有差异，这直接影响窗口设计策略。
2.3.1 加速度计（Accelerometer）
加速度计测量物体在三个正交轴（x/y/z）上的线性加速度，单位通常为 g（9.8 m/s²）。其输出为三通道时序数据，每个通道代表一个轴向的加速度分量。加速度计的关键特性包括：
- 静态响应：重力分量始终存在（静止时 z 轴约 1g），可用于姿态检测。
- 动态响应：运动产生的加速度叠加在重力之上，频率范围通常为 0-20Hz。
- 噪声特性：MEMS 加速度计存在白噪声和低频漂移，典型噪声密度为 150-300 μg/√Hz。
在窗口设计中，加速度计数据通常以三通道矩阵形式输入模型，形状为 [W, 3]，其中 W 为窗口长度。例如，使用 50Hz 采样率、2s 窗口，则输入形状为 [100, 3]。
2.3.2 麦克风（Microphone）
麦克风将声压波动转换为电信号，输出为单通道（或双通道）的时域波形，单位通常为 Pa 或归一化后的数字值（-1.0 到 1.0）。麦克风数据的显著特点是：
- 高采样率：语音应用通常需要 8-16kHz，声学事件检测可能需要 32-48kHz。
- 非平稳性极强：语音信号在 10-30ms 内可视为平稳，但超过 50ms 后统计特性显著变化。
- 动态范围大：从耳语（约 20dB SPL）到喊叫（约 90dB SPL），幅度差异可达 3000 倍。
麦克风数据的窗口设计通常采用短窗口 + 帧移策略。例如，语音关键词识别中，常用 30ms 窗口（480 样本 @16kHz）、10ms 步长（160 样本），这样每秒产生 100 帧，每帧包含 480 个样本。这种设计既保证了频率分辨率（约 33Hz），又提供了足够的帧间重叠以捕获语音的动态变化。
2.3.3 IMU（惯性测量单元）
IMU 通常集成了三轴加速度计和三轴陀螺仪，部分型号还包含磁力计，输出 6 轴或 9 轴数据。陀螺仪测量角速度（单位 °/s 或 rad/s），磁力计测量地磁场强度（单位 μT）。IMU 数据的特点是：
- 多通道同步：6 轴数据需要时间戳对齐，否则会引入相位误差。
- 互补特性：加速度计提供长期稳定的姿态参考（但噪声大），陀螺仪提供短期精确的角速度（但存在积分漂移）。
- 数据维度高：6 轴数据的输入形状为 [W, 6]，9 轴为 [W, 9]，模型参数量随之增加。
IMU 数据的窗口设计需要特别注意多轴之间的时间同步。如果加速度计和陀螺仪的采样时刻不一致，会导致数据在时间轴上错位，模型可能学到错误的跨轴相关性。工程上通常使用硬件 FIFO 或 DMA 中断来保证多轴数据的同时采样。
经验提示：对于 IMU 数据，建议在窗口化之前先进行时间戳校准。如果传感器支持硬件同步（如 Bosch BMI160 的同步功能），优先使用；否则在软件层面对齐时间戳，确保所有轴的数据对应同一物理时刻。
2.4 案例拆解：从传感器原始数据到窗口参数选择
下面通过一个具体的工程案例，展示如何根据传感器类型和任务需求确定窗口参数。
场景：设计一个基于加速度计的跌倒检测系统，运行在 Cortex-M4 内核的 MCU 上（主频 80MHz，RAM 64KB）。目标是在 1 秒内检测到跌倒事件并触发报警。
初始分析与约束：
- 跌倒事件的完整过程（失重→撞击→静止）约持续 1.5-2s，其中撞击瞬间的加速度峰值可达 3-6g。
- MCU 的 RAM 限制为 64KB，需要同时容纳数据缓冲区、模型权重和中间计算结果。
- 系统要求检测延迟不超过 1s（从跌倒发生到报警输出）。
关键参数决策过程：
- 确定采样率：跌倒撞击的加速度脉冲宽度约 50-100ms，对应的频率成分约 10-20Hz。根据奈奎斯特定理，采样率至少 40Hz。考虑到需要捕捉脉冲峰值，选择 fs = 50Hz，留出 2.5 倍裕量。
- 确定窗口长度：跌倒完整过程约 2s，但检测目标是“撞击瞬间”而非全过程。选择 W = 100 样本（2s @50Hz），覆盖从失重到静止的完整过程。此时输入形状为 [100, 3]，数据量 = 100 × 3 × 2B = 600B，远小于 RAM 限制。
- 确定步长：系统要求 1s 内检测到跌倒，而窗口长度为 2s。若步长 S = 50 样本（1s），则每 1s 产生一个新窗口，检测延迟为 1s（窗口末尾时刻）减去跌倒发生时刻。若跌倒发生在窗口中间，实际延迟约 0.5-1s，满足要求。
- 数据预处理：对三轴加速度求模长 √(x²+y²+z²)，将三通道降为单通道，减少模型输入维度。同时应用 5Hz 低通滤波去除高频噪声。
结果与复盘：该系统在测试集上达到 95% 的跌倒检测准确率，检测延迟平均 0.7s。但发现一个问题：当跌倒发生在窗口边界附近时（即跌倒前 0.5s 内），窗口可能只包含部分跌倒过程，导致漏检。解决方案是采用重叠窗口策略，将步长减小到 25 样本（0.5s），使相邻窗口重叠 75%。虽然计算量增加一倍，但漏检率从 8% 降至 2%。
案例启示：窗口参数的选择不是一次性的，而是需要根据实际测试结果迭代优化。初始参数基于理论分析，后续通过实验数据调整。重叠窗口是提高检测鲁棒性的常用手段，但代价是计算量增加。在 TinyML 场景中，需要在检测性能和功耗之间找到平衡点。
2.5 常见误区与总结
在时序数据基础的理解上，初学者常犯以下错误：
| 误区 | 后果 | 正确做法 |
|---|---|---|
| 采样率越高越好 | 功耗增加、数据冗余、噪声引入 | 根据信号最高频率确定 fs = 2.5~4 × f_max |
| 窗口越长信息越全 | 延迟增加、计算量增大、引入无关信息 | 窗口长度匹配目标事件的时间尺度 |
| 忽略多传感器时间同步 | 跨轴相关性错误、模型性能下降 | 使用硬件同步或软件时间戳校准 |
| 对所有传感器使用相同窗口 | 无法适配不同信号的时间特性 | 根据传感器类型和任务分别设计窗口 |
| 忽视数据预处理 | 噪声干扰模型、特征提取困难 | 滤波、去均值、归一化等预处理步骤 |
本节总结：时序数据是 TinyML 系统的“原材料”，其时间依赖性、非平稳性和多尺度性决定了窗口设计的根本逻辑。采样率是信息获取的时间分辨率，必须在奈奎斯特定理、功耗预算和任务需求之间取得平衡。加速度计、麦克风、IMU 等传感器各有独特的数据形态和工程约束，窗口参数设计必须“因传感器而异、因任务而异”。掌握这些基础，才能为后续的窗口长度与步长设计打下坚实的理论基础。