2、基础知识：传感器数据的特点、特征工程在TinyML中的挑战与基本流程

TinyML 的起点并非模型结构，而是传感器输出的原始数据流。在嵌入式设备上部署机器学习模型时，我们面对的不是整洁的表格，而是由加速度计、陀螺仪、麦克风、温湿度传感器等硬件持续产生的时序信号。这些信号带有强烈的物理属性、噪声干扰和资源约束。理解传感器数据的内在规律，明确特征工程在内存、功耗、实时性三重限制下的设计原则，是构建可靠 TinyML 应用的前提。本章将系统梳理传感器数据的三大核心特点，剖析特征工程在边缘场景中的特殊挑战，并给出一个可落地的标准处理流程。

2.1 传感器数据的三大核心特点

传感器数据与普通数据库记录有本质区别。它是由物理世界连续变化量经采样、量化后得到的离散时间序列。在 TinyML 场景中，我们主要处理以下三类数据：运动传感器（加速度计、陀螺仪、磁力计）、环境传感器（温湿度、气压、气体）以及音频传感器（麦克风）。这些数据具有三个显著特点，直接影响特征工程的设计策略。

2.1.1 强时序性与非平稳性

传感器数据本质上是时间序列，相邻样本之间存在强相关性。以 50Hz 采样率的加速度计为例，相邻两个样本的时间间隔为 20ms，人体动作的持续时间通常在 0.5~3 秒之间，这意味着一个完整动作包含 25~150 个采样点。这种时序性要求特征提取必须考虑上下文信息，不能将每个采样点视为独立样本。

更关键的是，传感器数据通常是非平稳的。以工业设备振动监测为例，设备在启动阶段、稳定运行阶段和停机阶段的振动特征完全不同；人体活动识别中，走路、跑步、上下楼梯的加速度信号在幅度、频率和周期性上均有显著差异。非平稳性意味着我们不能使用固定的全局统计量来描述整个数据流，而必须采用滑动窗口机制，在局部时间片段内提取特征。

2.1.2 多源噪声与干扰

传感器数据中的噪声来源复杂，大致可分为三类：电子噪声（由传感器自身电路产生，表现为高频随机波动）、环境干扰（如电磁干扰、电源纹波、机械振动耦合）以及人为伪迹（如佩戴松动、设备碰撞产生的瞬时尖峰）。噪声的存在会显著降低特征的可区分度，例如在语音识别中，50Hz 工频干扰会污染频谱特征；在跌倒检测中，碰撞产生的瞬时冲击可能被误判为有效动作。

噪声处理需要分级策略：硬件层面通过低通滤波器（如 RC 滤波）抑制高频噪声；软件层面采用移动平均、中值滤波或高通滤波去除基线漂移。但必须注意，过度滤波会丢失有效信号成分，例如在跌倒检测中，冲击信号的频率成分较高，过度低通滤波会削弱关键特征。

2.1.3 高维度与多模态特性

现代智能设备通常集成多个传感器，每个传感器又包含多个轴。以常见的 9 轴惯性测量单元（IMU）为例，包含 3 轴加速度计、3 轴陀螺仪和 3 轴磁力计，若以 50Hz 采样，每秒产生 450 个数据点。如果直接将这些原始数据送入模型，不仅计算量巨大，而且容易过拟合。高维度的本质是信息冗余——相邻轴之间存在相关性，不同传感器之间也存在耦合。特征工程的核心任务之一就是降维，从高维原始数据中提取出最具区分度的低维特征向量。

2.2 特征工程在 TinyML 中的四大挑战

与云端或 PC 端不同，TinyML 设备通常是电池供电的 MCU（微控制器），其资源极度受限。特征工程的设计必须围绕以下四个约束展开。

2.2.1 内存约束：特征缓冲区与模型共存

典型的 TinyML 设备（如 Cortex-M4 内核 MCU）拥有 64KB~256KB 的 SRAM。其中，模型权重、中间激活值、运行时栈和特征缓冲区需要共享这块有限的内存。以一个包含 20 个特征的向量为例，若使用 float32 存储，需要 80 字节；但若使用 int8 量化存储，仅需 20 字节。更关键的是，特征提取过程中需要暂存原始数据窗口。假设采样率为 50Hz，窗口长度为 2 秒，3 轴加速度计，则一个窗口包含 300 个 float32 数据点，占用 1200 字节。如果同时缓存多个窗口用于重叠计算，内存占用会成倍增加。

2.2.2 功耗约束：特征计算与无线传输的权衡

MCU 的功耗主要由计算、内存访问和无线传输三部分构成。在特征工程中，复杂的数学运算（如 FFT、开方、三角函数）会显著增加功耗。以 32 点 FFT 为例，在 48MHz 的 Cortex-M4 上执行约需 0.5ms，消耗约 0.1mJ 能量。相比之下，一次无线传输（BLE 广播）消耗约 0.5mJ。这意味着，在本地进行特征提取并仅传输特征向量，比传输原始数据更省电。但特征提取本身也有功耗，因此需要寻找计算复杂度与传输功耗之间的平衡点。

2.2.3 实时性约束：特征计算延迟与系统响应

许多 TinyML 应用对实时性有硬性要求。例如，工业异常检测要求在故障发生后 100ms 内发出警报；可穿戴跌倒检测要求在跌倒发生后 500ms 内触发 SOS。特征提取的计算时间必须远小于应用允许的延迟预算。以 128 点 FFT 为例，在 80MHz 的 MCU 上执行约需 2ms，加上窗口滑动和特征计算，总耗时约 5ms，可以满足大多数实时性要求。但如果使用复杂的时频分析（如小波变换），计算时间可能超过 50ms，就需要考虑简化算法或使用硬件加速器。

2.2.4 精度约束：特征区分度与量化误差

MCU 通常不支持浮点运算或浮点运算较慢，因此特征计算常使用定点数（如 Q15 格式）或整数运算。量化过程会引入误差，例如将 float32 的加速度值转换为 int16 时，量化步长为 0.001g（假设量程为 ±32g），这可能导致特征值（如方差、峰值）产生微小偏差。在特征选择时，应优先选择对量化误差不敏感的特征，例如均值、过零率，而避免使用对精度敏感的熵值或高阶矩。

2.3 特征工程的基本流程

在 TinyML 中，特征工程不是一次性完成的工作，而是一个迭代优化的过程。标准流程包含以下五个阶段：

1. 数据采集与标注：在目标设备上采集原始数据，并同步记录标签。采集时需覆盖不同用户、不同环境、不同姿态，确保数据多样性。
2. 预处理：包括去直流分量（消除重力加速度影响）、滤波（去除高频噪声）、校准（修正传感器偏移和尺度因子）。预处理的目标是提高信噪比，但不改变信号的基本形态。
3. 窗口化：将连续数据流切分为固定长度的片段。窗口长度和重叠率是关键超参数，需要根据动作持续时间和采样率确定。
4. 特征提取：从每个窗口中计算候选特征。常用特征包括时域特征（均值、方差、均方根、峰值、过零率）、频域特征（FFT 峰值、频谱能量、频谱质心）以及统计特征（偏度、峰度、相关系数）。
5. 特征选择与降维：从候选特征中筛选出最具区分度的子集。常用方法包括方差阈值、相关系数分析、主成分分析（PCA）或基于模型的特征重要性排序。

2.4 实战场景：可穿戴设备的人体活动识别

下面通过一个具体的案例来说明上述流程的应用。假设我们要在 STM32L4 系列 MCU（Cortex-M4，128KB SRAM，80MHz）上实现一个简单的人体活动识别系统，区分静止、走路和跑步三种状态。

初始条件：使用 3 轴加速度计，采样率 50Hz，量程 ±16g。MCU 的 SRAM 预算为 20KB（留给特征工程部分），功耗预算为 5mW（特征计算部分）。

第一步：数据采集。在 5 名受试者的手腕上佩戴设备，分别记录静止（坐姿）、走路（自然步速）和跑步（慢跑）各 5 分钟的数据。共采集 15 分钟数据，按 2 秒窗口切分，得到 450 个样本（每类 150 个）。

第二步：预处理。原始加速度数据包含重力分量（约 1g 的直流偏置）。使用一阶高通滤波器（截止频率 0.5Hz）去除直流分量，保留动态加速度。同时使用 3 阶中值滤波去除瞬时尖峰。

第三步：窗口化。采用 2 秒窗口，50% 重叠（即步长 1 秒）。每个窗口包含 100 个采样点 × 3 轴 = 300 个数据点。使用环形缓冲区存储，内存占用 300 × 2 字节（int16）= 600 字节。

第四步：特征提取。从每个窗口的每个轴提取以下特征：

• 均值（反映静态分量，已去除重力后接近 0）
• 方差（反映活动强度）
• 均方根（RMS，反映信号能量）
• 峰值（窗口内最大值）
• 过零率（反映频率特性）
• 频谱质心（使用 32 点 FFT 计算，反映主频位置）

每个轴 6 个特征，3 轴共 18 个特征。每个特征使用 int16 存储，特征向量总大小为 36 字节。

第五步：特征选择。通过计算每个特征与标签的相关系数，发现“方差”和“频谱质心”对三类活动的区分度最高。静止时方差接近 0，频谱质心低；走路时方差中等，频谱质心约 2Hz；跑步时方差大，频谱质心约 3Hz。最终保留 6 个特征（3 轴的方差 + 3 轴的频谱质心），特征向量大小降至 12 字节。

结果对比：使用 18 个特征训练一个 3 层全连接神经网络（输入 18，隐藏层 16，输出 3），模型大小约 1.2KB，准确率 96.5%。使用 6 个特征后，模型大小降至 0.6KB，准确率 95.8%，仅下降 0.7 个百分点，但内存占用减少 50%，推理时间从 8ms 降至 3ms。

2.5 常见误区与总结

在 TinyML 特征工程实践中，开发者常犯以下错误：

• 误区一：照搬 PC 端特征工程方法。例如直接使用 1024 点 FFT 或复杂的时频分析，导致 MCU 无法实时处理。应优先选择计算简单的时域特征，仅在必要时使用短点数 FFT。
• 误区二：忽视数据分布差异。在实验室采集的数据与真实场景数据存在分布偏移（如佩戴位置不同、个体差异），导致特征失效。应在多个场景下采集数据，并验证特征的鲁棒性。
• 误区三：特征数量越多越好。在资源受限的 MCU 上，每个特征都占用内存和计算时间。应通过特征选择方法精简特征集，避免维度灾难。
• 误区四：忽略量化影响。在 PC 上使用 float32 提取特征效果良好，但移植到 MCU 后使用 int16 量化，特征值可能发生偏移。应在目标硬件上验证特征的一致性。

总结而言，TinyML 特征工程的核心是在内存、功耗、实时性和精度四个维度之间寻找最优平衡。设计者需要深入理解传感器数据的物理特性，合理选择预处理方法，精心设计窗口参数，并采用系统化的特征选择策略。一个成功的 TinyML 特征工程方案，往往不是最复杂的，而是最适配硬件约束的。