1. 课程导入：了解TinyML传感器数据采集的整体流程、学习目标、核心挑战与课程框架

TinyML（微型机器学习）正在将人工智能从云端数据中心推向数十亿个微控制器（MCU）级别的边缘设备。在这些设备上，传感器是感知物理世界的唯一窗口，而数据采集则是整个TinyML应用的生命线。无论是振动异常检测、关键词唤醒，还是人体活动识别，模型性能的上限在数据采集阶段就已经被决定。本章作为整个课程的起点，将帮助你建立对TinyML传感器数据采集的系统性认知：理解从物理信号到可用数据集的完整链路，明确学习目标，剖析资源受限、数据质量、环境多样性这三大核心挑战，并勾勒出后续章节的进阶路径。

1.1 TinyML数据采集的整体流程

TinyML数据采集不是简单地将传感器接到开发板上读取数值，而是一条从物理世界到数字数据集的完整工程链路。这条链路包含四个关键环节：物理信号感知、传感器数字化、MCU采样与缓存、数据集构建。每个环节都有其独特的约束和决策点。

在物理信号感知阶段，我们需要理解被测对象的本质特征。例如，采集电机振动信号时，需要知道电机正常运转时的基频是多少、故障特征频率出现在哪个频段；采集人体活动数据时，需要了解步行、跑步、上下楼各自的加速度范围。这些物理知识直接决定了后续采样率的选取。如果对信号特征一无所知，采样率设置就无从谈起。

传感器数字化阶段涉及模拟信号到数字信号的转换。现代TinyML设备通常使用集成数字接口的传感器（如I2C、SPI），内部已经完成了ADC转换。但工程师仍需关注传感器的量程、灵敏度、输出数据速率（ODR）等参数。例如，BMI270惯性测量单元（IMU）支持从0.78Hz到3200Hz的可编程ODR，选择合适的ODR需要在功耗和信号保真度之间权衡。

MCU采样与缓存是TinyML特有的环节。与手机或PC不同，MCU的RAM通常只有几十KB，无法长时间缓存高频采样数据。以1000Hz采样率、16位精度、6轴IMU数据为例，每秒产生12KB数据，一个仅有64KB RAM的MCU只能缓存约5秒数据。这意味着采样策略必须考虑数据分块传输、环形缓冲区设计、以及可能的片上特征提取。

数据集构建是数据采集的最终目的。原始数据需要经过清洗、对齐、标注、分割等步骤才能用于模型训练。在TinyML场景中，数据集构建往往在PC端完成，但采集设备需要记录足够的时间戳和元数据（如设备ID、环境温度、操作人员），以便后续进行数据溯源和质量评估。

1.2 学习目标与能力要求

完成本章及后续课程学习后，你应该具备以下四方面能力：

能力维度	具体目标	对应章节
采样率设计	能根据信号特征和Nyquist定理确定最小采样率，并考虑工程裕量；能配置传感器ODR和MCU定时器	第2-4章
设备部署	能选择传感器安装位置、方向，处理安装公差和振动耦合问题；能设计多设备协同采集方案	第5-8章
环境覆盖	能设计覆盖多工况、多季节、多用户的数据采集计划；能识别并规避环境干扰源	第9-14章
数据工程	能完成数据清洗、时间对齐、标注、增强和数据集划分；能评估数据质量并迭代采集方案	第15-30章

除了技术能力，还需要建立工程思维。TinyML项目通常是迭代式的：第一轮采集的数据用于训练原型模型，原型模型在真实环境中测试后暴露问题，再指导第二轮数据采集的改进。这种"采集-训练-测试-再采集"的闭环是TinyML开发的常态，而非一次性流程。

1.3 三大核心挑战深度剖析

挑战一：资源受限。MCU的CPU主频通常为几十MHz到几百MHz，RAM为几十KB，Flash为几百KB。这意味着：第一，无法运行复杂的信号处理算法（如小波变换），只能使用轻量级滤波（如移动平均、一阶低通）；第二，数据存储空间有限，无法像手机一样连续记录数小时的高频数据；第三，功耗预算严格，无线传输（如BLE）的功耗远高于本地存储，需要权衡数据是本地处理还是原始传输。例如，在电池供电的工业振动监测节点中，若以1000Hz采样率连续采集三轴加速度数据，仅数据传输功耗就可能占据总功耗的60%以上。

挑战二：数据质量。传感器数据质量受多种因素影响：传感器自身噪声（如IMU的零偏稳定性）、环境电磁干扰、电源纹波耦合、量化误差等。更棘手的是，数据质量问题往往在模型训练阶段才暴露。例如，如果采集时传感器固定不牢，振动信号中会混入高频谐振噪声，导致模型在真实部署时失效。数据标注的一致性也是常见问题——不同标注人员对"异常振动"的界定可能不同，造成标签噪声。

挑战三：环境多样性。TinyML设备一旦部署，就面临各种不可控的环境变化。温度漂移会影响传感器输出；设备安装位置可能因振动而松动；不同用户的运动模式存在个体差异；同一设备在不同季节（如冬季厚衣物与夏季薄衣物）采集的信号特征不同。如果训练数据只覆盖单一环境，模型在真实场景中的泛化能力将大打折扣。一个典型的失败案例是：某团队在实验室采集的语音唤醒数据表现优异，但部署到嘈杂的厨房环境后准确率从95%骤降至70%。

1.4 课程框架与学习路径

本课程共30章，按照数据采集的工程逻辑分为五个阶段：

1. 采样率设计（第2-4章）：从信号频率分析出发，讲解Nyquist定理的工程应用、采样率与功耗的权衡、以及抗混叠滤波器的选择。你将学会如何用简单的FFT工具分析信号频谱，并据此确定最优采样率。
2. 设备位置与安装（第5-8章）：深入探讨传感器在设备上的安装位置、方向、固定方式对数据质量的影响。包括振动传递路径分析、IMU安装误差校准、多传感器协同布局等实用内容。
3. 环境覆盖策略（第9-14章）：讲解如何设计覆盖多工况、多环境的数据采集实验。包括实验设计方法（DOE）、环境因素识别、数据增强技术（如添加噪声、时间扭曲）等。
4. 数据预处理与标注（第15-22章）：涵盖数据清洗（去噪、去异常值）、时间对齐（多传感器同步）、数据分割（滑动窗口）、标注工具与流程、以及数据增强的进阶技巧。
5. 数据集验证与迭代（第23-30章）：介绍数据集质量评估指标（如类别平衡度、信噪比）、交叉验证策略、以及如何根据模型反馈迭代数据采集方案。最终形成一套完整的数据采集最佳实践。

每个阶段都配有真实项目案例。例如，在第5-8章中，我们将拆解一个工业电机振动监测项目：如何在电机轴承座附近安装加速度计，如何避免电机壳体共振频率的干扰，以及如何通过多测点对比定位故障源。

1.5 案例拆解：从零搭建一个TinyML振动监测数据采集系统

为了让你对数据采集有直观认识，我们来看一个完整的入门案例。假设我们要为一个工业风扇搭建振动异常检测系统，目标是区分正常运转和轴承磨损两种状态。

背景与约束：风扇转速为1500RPM（基频25Hz），轴承磨损特征频率约为基频的3.5倍（约87.5Hz）。设备使用ESP32-S3（240MHz主频，512KB RAM），电池供电，要求连续工作7天。传感器选用ADXL345（三轴加速度计，支持最高3200Hz输出速率）。

初始方案：按照Nyquist定理，要采集87.5Hz的信号，采样率至少为175Hz。考虑到工程裕量（通常取5-10倍），初步设定采样率为1000Hz。三轴数据，16位精度，每秒产生6KB数据。512KB RAM可缓存约85秒数据，但为了留出系统运行空间，实际缓存窗口设为10秒。

关键决策过程：

• 采样率验证：使用FFT分析预采集数据，确认频谱中确实存在25Hz基频和87.5Hz特征频率，且无更高频的显著成分。最终确定1000Hz采样率。
• 功耗估算：ADXL345在1000Hz下功耗约140μA，ESP32-S3在主动模式下功耗约40mA。若每10秒通过Wi-Fi传输一次数据（每次传输约0.5秒，功耗约200mA），平均功耗约为40mA + (0.5/10)×200mA = 50mA。使用1000mAh电池，理论续航约20小时，不满足7天要求。
• 方案调整：改为在MCU上计算简单的时域特征（RMS、峰值、峭度），每10秒只传输特征值（约50字节），而非原始数据。这样Wi-Fi传输时间缩短至0.05秒，平均功耗降至约41mA，续航提升至约24小时。进一步，将采样率降至500Hz（仍满足Nyquist要求），ADXL345功耗降至100μA，总功耗进一步降低。
• 数据标注：在采集数据时，同步记录风扇状态（正常/故障），由维护人员现场确认并打标签。同时记录环境温度、设备编号等元数据。

结果与复盘：最终系统以500Hz采样率、10秒窗口、时域特征提取的方案实现了7天续航。训练出的模型在测试集上准确率达92%。但部署后发现，当环境温度超过40℃时，模型准确率下降至80%。复盘发现，高温导致ADXL345零偏漂移，而训练数据中缺少高温工况样本。这直接印证了环境覆盖不足的问题，也说明了为什么本课程将环境多样性列为三大核心挑战之一。

这个案例展示了数据采集方案设计的完整逻辑：从信号特征分析到采样率确定，从功耗约束到特征提取策略，从数据标注到环境覆盖。每一步都环环相扣，任何一环的疏忽都会在最终模型性能上体现。