📚 课程目录第3章统计特征（一）

3、统计特征（一）：均值、方差、标准差、极差、均方根等基础统计量的计算与在TinyML中的实现

在TinyML的传感器数据处理流程中，统计特征提取是连接原始信号与机器学习模型之间的第一座桥梁。无论是加速度计的姿态识别、麦克风的语音唤醒，还是工业振动监测，我们通常无法将成千上万个原始采样点直接送入神经网络——这不仅因为内存和算力受限，更因为原始数据中包含着大量冗余信息。统计特征通过压缩时间维度的数据，将一段窗口内的信号提炼为若干具有物理意义的数值，从而在保留关键判别信息的同时，将特征维度降低数个数量级。本章将聚焦于最基础也最常用的五个统计量：均值、方差、标准差、极差和均方根，深入剖析它们的数学定义、物理含义、在嵌入式环境中的高效实现方法，以及在实际部署中容易踩中的陷阱。

上图展示了TinyML中统计特征计算的整体链路：从原始信号窗口出发，通过单遍在线计算同时维护多个累加器，最终一次性导出所有基础统计量。值得注意的是，图中特别标注了数值稳定性检查环节——这是嵌入式实现中极易被忽视却至关重要的步骤。接下来，我们将逐一剖析每个统计量的数学本质与工程实现细节。

3.1 核心原理：五个统计量的数学定义与物理意义

在开始编码之前，必须深刻理解每个统计量背后的物理含义，否则在特征选择时就会迷失方向。设一段窗口内的采样序列为 \(x_1, x_2, ..., x_N\)，其中N为窗口长度，以下五个统计量构成了TinyML特征工程中最基础的描述子集。

统计量	数学定义	物理意义	TinyML典型应用场景
均值 (Mean)	\(\bar{x} = \frac{1}{N}\sum_{i=1}^{N}x_i\)	信号的直流分量或中心趋势	加速度计姿态角估算、温度偏移校准
方差 (Variance)	\(\sigma^2 = \frac{1}{N}\sum_{i=1}^{N}(x_i-\bar{x})^2\)	信号围绕均值的波动能量	静止/运动状态判别、异常振动检测
标准差 (Std)	\(\sigma = \sqrt{\sigma^2}\)	与原始信号同量纲的波动幅度	步数检测中的峰值阈值自适应
极差 (Range)	\(R = \max(x_i) - \min(x_i)\)	信号的峰值摆动范围	冲击事件检测、呼吸波形的幅度监测
均方根 (RMS)	\(x_{rms} = \sqrt{\frac{1}{N}\sum_{i=1}^{N}x_i^2}\)	信号的有效值，包含直流和交流总能量	音频响度估计、振动烈度评估

从表中可以看出，均值和RMS都涉及求和运算，但均值只反映直流分量，而RMS同时包含直流和交流成分。当信号均值为零时（如经过高通滤波后的加速度信号），RMS与标准差在数值上相等，但在物理含义上仍有细微差别：RMS描述的是信号的总有效值，而标准差描述的是去除均值后的波动分量。在TinyML实践中，这种区分对于特征选择至关重要——例如在语音端点检测中，RMS比标准差更能反映声音的响度感知。

3.2 判断方法与操作流程：从数学公式到嵌入式C代码

在TinyML环境中实现统计特征计算，不能简单照搬桌面端的数学公式。MCU的算力、内存和功耗限制要求我们采用特定的计算策略。以下是经过工程验证的标准操作流程：

确定窗口长度N：根据信号的采样率和目标事件的持续时间，选择合适的窗口大小。例如，对于100Hz采样的加速度信号，识别一次挥手动作可能需要2秒窗口，即N=200。窗口过短会导致特征抖动剧烈，过长则引入响应延迟。
选择数据类型：优先使用int16_t或int32_t存储原始采样值，累加器使用int32_t或int64_t。若传感器输出为浮点型（如某些高精度气压计），则考虑使用Q15或Q31定点格式转换。
单遍扫描计算：在一次遍历中同时更新sum、sumSq、min、max四个累加器，避免多次遍历带来的功耗浪费。
后处理计算统计量：窗口结束后，通过简单的算术运算从累加器中导出最终特征值。
数值稳定性校验：检查方差计算结果是否为非负数，若出现负值则改用两遍计算法。

// TinyML基础统计量单遍计算示例（伪代码）
#define WINDOW_SIZE 128
int16_t buffer[WINDOW_SIZE];
int32_t sum = 0, sumSq = 0;
int16_t minVal = INT16_MAX, maxVal = INT16_MIN;

// 假设数据已填充至buffer
for (int i = 0; i < WINDOW_SIZE; i++) {
    int16_t x = buffer[i];
    sum += x;
    sumSq += (int32_t)x * x;  // 注意防止16位溢出
    if (x < minVal) minVal = x;
    if (x > maxVal) maxVal = x;
}

float mean = (float)sum / WINDOW_SIZE;
float variance = (float)sumSq / WINDOW_SIZE - mean * mean;
// 数值稳定性检查
if (variance < 0) {
    // 改用两遍计算法
    int64_t sumDevSq = 0;
    for (int i = 0; i < WINDOW_SIZE; i++) {
        int32_t dev = buffer[i] - (int32_t)mean;
        sumDevSq += (int64_t)dev * dev;
    }
    variance = (float)sumDevSq / WINDOW_SIZE;
}
float stddev = sqrtf(variance);
float range = (float)maxVal - minVal;
float rms = sqrtf((float)sumSq / WINDOW_SIZE);

上述代码展示了单遍计算的核心逻辑。特别要注意第7行的强制类型转换：(int32_t)x * x 确保乘法在32位空间进行，避免16位乘法溢出。对于12位ADC的传感器数据（最大4095），平方后最大约1670万，仍在int32_t范围内，但若使用int16_t累加则必然溢出。

风险提示：在8位或16位MCU上，int32_t乘法可能被编译为软件模拟，导致计算周期显著增加。例如在Cortex-M0上，32位整数乘法需要多条指令完成。若实时性要求极高，可考虑将数据缩放为Q15格式（16位定点），利用硬件乘法器加速。

3.3 案例拆解：基于三轴加速度计的跌倒检测特征提取

为了将上述理论落地，我们设计一个具体的工程案例：在STM32L4系列MCU上，使用LIS3DH三轴加速度计（±16g量程，100Hz采样率）实现跌倒检测。该场景对实时性和功耗都有严格要求，是TinyML统计特征应用的典型代表。

背景与约束：设备为可穿戴胸带，电池容量100mAh，目标续航7天。MCU主频80MHz，Flash 256KB，RAM 64KB。跌倒事件需要在发生后200ms内触发报警，因此窗口长度设为50个采样点（0.5秒），滑动步长10个采样点（100ms），实现50%重叠的滑窗。

初始现象与目标：直接使用原始加速度波形进行阈值判断，误报率高达30%（走路、弯腰等日常动作频繁触发）。目标是将误报率降至5%以下，同时保持跌倒检测灵敏度不低于95%。

关键输入数据：采集三轴数据 \(a_x, a_y, a_z\)，计算合成加速度幅值 \(A = \sqrt{a_x^2 + a_y^2 + a_z^2}\)。跌倒过程的典型特征是：先出现短暂失重（A < 0.5g），随后撞击地面产生剧烈峰值（A > 3g），最后静止。仅用幅值阈值难以区分“快速下蹲”和“真实跌倒”，因此引入统计特征。

分析判断过程：我们提取每个窗口的以下特征：均值（反映当前姿态）、标准差（反映运动剧烈程度）、极差（反映冲击强度）、RMS（反映总能量）。通过分析50组跌倒样本和200组日常活动样本，发现：跌倒窗口的标准差均值约为2.1g，而日常活动（如快走）仅为0.8g；跌倒窗口的极差普遍超过4g，而弯腰动作通常小于2.5g。单独使用任一特征都有重叠区域，但组合使用可显著提升区分度。

实际操作步骤：

在LIS3DH中配置FIFO缓冲区，深度32，触发水印中断，每次读取10个新样本。
维护一个长度为50的环形缓冲区，每次新数据到达时更新sum、sumSq、min、max四个累加器。
每100ms计算一次五个统计特征，送入一个轻量级决策树分类器（仅需约200字节模型）。
决策树规则：若标准差 > 1.5g 且极差 > 3.5g 且 RMS > 1.8g，则判定为疑似跌倒，触发二次确认（连续3个窗口满足条件才报警）。

结果对比：引入统计特征后，误报率从30%降至3.2%，灵敏度达到96.7%。相比直接使用原始波形训练CNN（需约50KB模型），统计特征方案仅消耗2.3KB RAM和0.8KB Flash，单次特征计算耗时仅0.4ms（80MHz主频），功耗降低约40%。

风险与代价：统计特征对窗口长度敏感，窗口过短（<30点）会导致标准差估计偏差增大；窗口过长（>100点）则无法满足200ms响应要求。此外，极差特征对离群点敏感，若传感器偶发尖峰噪声，可能导致误判。解决方案是在计算极差前先进行中值滤波（窗口3点），但会增加约0.1ms计算时间。

  复盘经验：统计特征并非越复杂越好。在本案例中，均值、标准差、极差、RMS四个特征已足够，增加偏度或峰度等高阶矩反而引入噪声，且计算量成倍增加。TinyML的核心哲学是“够用就好”——在满足精度目标的前提下，选择计算量最小的特征组合。

3.4 常见误区与总结复盘

在TinyML统计特征的实际部署中，工程师常陷入以下几个误区，导致模型性能下降或系统不稳定：

误区一：直接使用浮点运算。Cortex-M4F等带FPU的MCU可以硬件加速float运算，但Cortex-M0/M3等无FPU内核上，浮点运算会消耗数百个周期。应优先使用定点数或整数运算，仅在最终输出时转换为浮点。
误区二：忽略累加器溢出。对于16位ADC数据（0-65535），平方后最大约43亿，超出int32_t范围。必须使用int64_t累加或分段处理。
误区三：方差计算中的灾难性抵消。当信号均值远大于标准差时（如直流偏置为2.5V的音频信号），sumSq/N与mean²两个大数相减可能导致有效位数丢失。解决方法是先减去估计均值（如使用上一窗口的均值作为参考），或直接采用两遍计算。
误区四：窗口边界处理不当。滑动窗口更新时，若采用“全量重算”策略，每次需遍历N个点，计算复杂度O(N)；而采用“增量更新”策略（减去移出样本，加上新样本），复杂度降为O(1)。但增量更新对min/max需要特殊处理——当移出的样本恰好是当前最小值时，需要重新扫描窗口确定新的最小值。

// 增量更新示例：维护滑动窗口的sum和sumSq
// 假设ring buffer已实现，oldest指向即将移出的样本
sum -= buffer[oldest];
sumSq -= (int32_t)buffer[oldest] * buffer[oldest];
buffer[oldest] = newSample;
sum += newSample;
sumSq += (int32_t)newSample * newSample;
// 注意：min/max无法用O(1)增量更新，需特殊处理

总结而言，统计特征提取是TinyML中最基础但最关键的环节。均值、方差、标准差、极差和均方根这五个统计量，虽然数学形式简单，但在嵌入式环境中实现时，需要综合考虑数据类型、溢出风险、计算效率和数值稳定性。通过单遍扫描、增量更新、定点化等工程手段，可以在极低资源消耗下获得高质量的特征描述子。下一阶段，我们将在此基础上引入更复杂的频域特征，但请务必牢记：基础统计量的稳健实现，是所有高级特征提取的基石。