3、采样率基础：采样率定义、奈奎斯特定理、欠采样与过采样的影响，以及如何根据信号频率和任务需求选择合适的采样率
TinyML 系统的感知能力始于传感器将物理量转换为数字信号的那一刻。无论是加速度计捕捉振动、麦克风拾取声音，还是 PPG 传感器监测心率，采样率（Sampling Rate）都是决定数据质量的第一道关卡。采样率设置过低，信号细节被不可逆地抹除；设置过高，则浪费功耗、存储和算力——这些在资源受限的嵌入式设备上都是致命代价。本节将系统梳理采样率的数学本质、工程约束与选择方法论，帮助你在 TinyML 项目中建立正确的数据采集策略。
3.1 核心原理：采样率定义与奈奎斯特定理
采样率（Sampling Rate，记作 fₛ）定义为单位时间内对连续模拟信号进行采样的次数，单位通常为 Hz（次/秒）。在 TinyML 传感器数据采集场景中，采样率直接决定了数字信号在时间轴上的分辨率。例如，一个加速度计以 100 Hz 采样，意味着每 10 ms 记录一个数据点；而音频应用常见的 16 kHz 采样，则每 62.5 µs 采集一个样本。
理解采样率必须掌握奈奎斯特采样定理（Nyquist Sampling Theorem）：为了能从离散样本中无失真地重建原始连续信号，采样率必须至少等于信号最高频率分量的两倍，即 fₛ ≥ 2f_max。这里的 f_max 是信号中包含的最高频率成分。当采样率低于该阈值时，高频成分会“伪装”成低频信号，产生频谱混叠（Aliasing）现象，导致数据不可逆地失真。
在实际工程中，奈奎斯特频率（fₛ/2）是一个关键边界。所有高于奈奎斯特频率的信号成分，在采样后都会折叠回低频区域。例如，若以 100 Hz 采样一个包含 80 Hz 成分的信号，该 80 Hz 成分会被错误地映射为 20 Hz（100 - 80 = 20），从而污染低频数据。因此，TinyML 系统通常需要在前端加入抗混叠滤波器（Anti-Aliasing Filter），在采样前主动衰减高于 fₛ/2 的频率成分。
3.2 欠采样与过采样：影响与代价
欠采样（Undersampling）发生在 fₛ < 2f_max 时。其直接后果是频谱混叠，高频信息被错误地折叠到低频段，产生虚假的频率成分。在 TinyML 应用中，欠采样会导致：
- 特征失真：振动监测中，轴承故障的高频冲击成分被混叠为低频摆动，模型无法提取真实故障特征。
- 事件漏检：语音唤醒词中的辅音（如“t”、“k”）包含 4-8 kHz 的高频能量，若采样率不足，这些关键音素被抹除，唤醒率急剧下降。
- 相位信息丢失：对于需要相位分析的信号（如 ECG 心电信号），欠采样会破坏波形形态，导致 QRS 波群检测错误。
过采样（Oversampling）则相反，采样率远高于奈奎斯特率。虽然能完整保留信号细节，但会带来一系列资源代价：
- 功耗上升：传感器和 ADC 的功耗与采样率近似成正比。以 3 轴加速度计为例，从 25 Hz 提升到 400 Hz，功耗可能从 10 µA 升至 180 µA。
- 数据量膨胀：更高的采样率意味着更大的存储占用和传输带宽。一个 16 位三轴加速度计在 100 Hz 下每秒产生 600 字节数据，而 1 kHz 下则达到 6 KB/s。
- 算力压力：MCU 需要处理更多样本，推理延迟增加，可能无法满足实时性要求。
过采样并非全无益处。适度过采样（如 2~4 倍奈奎斯特率）可以简化抗混叠滤波器的设计，降低滤波器阶数，并提高信噪比（每增加 4 倍过采样率，ADC 的有效位数可提升约 1 bit）。但过度过采样在 TinyML 场景中往往得不偿失。
| 对比维度 | 欠采样 (fₛ < 2f_max) | 临界采样 (fₛ ≈ 2f_max) | 过采样 (fₛ ≫ 2f_max) |
|---|---|---|---|
| 信号保真度 | 严重失真，频谱混叠 | 理论可恢复，工程实现困难 | 高保真，接近原始信号 |
| 抗混叠滤波器要求 | 无法补救 | 需要极高阶数的锐截止滤波器 | 可用低阶滤波器，过渡带宽松 |
| 功耗与存储 | 最低 | 中等 | 显著增加 |
| 适用场景 | 极少使用（仅当信号带宽已知且受限） | 理论教学，工程中很少采用 | 音频、振动分析、生物电信号 |
3.3 判断方法：如何根据信号频率与任务需求选择采样率
选择合适的采样率需要遵循一套系统化的判断流程，而非凭经验随意设定。以下是适用于 TinyML 项目的四步选择法：
- 确定信号最高频率 f_max：查阅传感器数据手册或通过 FFT 分析预采集数据，找出信号中具有物理意义且能量不可忽略的最高频率成分。例如，人体运动信号的 f_max 通常为 10-20 Hz，而电机振动可达 5 kHz。
- 计算理论最小采样率：根据奈奎斯特定理，fₛ_min = 2 × f_max。这是理论下限，实际中不可直接使用。
- 考虑任务需求与滤波器约束：根据应用精度要求，乘以 1.5~5 倍的裕量系数。若使用数字滤波器而非模拟抗混叠滤波器，需要额外留出过渡带空间。例如，语音识别任务通常要求 fₛ = 16 kHz，而语音信号最高频率为 8 kHz，恰好是 2 倍关系，但实际中 16 kHz 已包含足够裕量。
- 评估资源预算：在 MCU 的 Flash/RAM、电池容量和实时性约束下，验证所选采样率是否可承受。若资源不足，需考虑降低采样率、使用低功耗模式或优化特征提取算法。
3.4 案例拆解：可穿戴跌倒检测系统的采样率选择
我们以一个典型的 TinyML 可穿戴跌倒检测项目为例，完整演示采样率的选择过程。
背景与约束：设备使用 Nordic nRF52840 芯片（Cortex-M4F，64 MHz），内置 3 轴加速度计（LIS2DH12，支持 1 Hz~5 kHz 采样）。目标是在 30 秒内完成跌倒事件的检测并发出警报，电池容量为 200 mAh，要求设备连续工作至少 7 天。MCU 的 Flash 剩余 128 KB，RAM 剩余 32 KB。
初始现象与目标：工程师最初将采样率设为 200 Hz，认为“越高越安全”。但实测发现：设备功耗高达 2.5 mA，电池仅能支撑约 3 天；同时，由于数据量过大，MCU 在运行 CNN 推理时频繁出现内存不足，导致系统卡顿。
关键输入数据：通过 FFT 分析预采集的跌倒动作数据，发现跌倒冲击的主要能量集中在 0.5~15 Hz 频段，最高有效频率成分约为 18 Hz（包含人体跌倒时的瞬时冲击谐波）。日常活动（走路、坐下）的能量集中在 0.3~5 Hz。
分析判断过程：
- 理论最小采样率：fₛ_min = 2 × 18 = 36 Hz。
- 考虑跌倒检测需要捕捉冲击峰值，且加速度计本身存在机械谐振（约 300 Hz），但该谐振可通过内置低通滤波器抑制。取 4 倍裕量：fₛ = 36 × 4 ≈ 150 Hz。
- 进一步评估：150 Hz 下，每秒产生 150 × 3 × 2 = 900 字节数据（16 位三轴）。30 秒窗口数据量为 27 KB，可放入 RAM。功耗估算：加速度计在 150 Hz 下功耗约 50 µA，MCU 以 64 MHz 运行推理时功耗约 5 mA，但推理仅需 50 ms，平均功耗可控制在 0.5 mA 以内。
实际操作步骤：
- 将采样率从 200 Hz 降至 150 Hz，并启用加速度计内置的低通滤波器（截止频率 50 Hz），以抑制高频噪声。
- 将数据窗口从 30 秒缩短至 15 秒（包含跌倒前后各 7.5 秒），减少 RAM 占用至 13.5 KB。
- 在 MCU 上使用 CMSIS-DSP 库进行 FFT 验证，确认 150 Hz 采样下跌倒特征（冲击峰值、频率分布）与 200 Hz 采样无明显差异。
结果对比：调整后，系统平均功耗降至 0.8 mA，电池续航提升至约 10 天；推理延迟从 120 ms 降至 80 ms；跌倒检测准确率从 94.2% 提升至 96.5%（因为减少了高频噪声干扰）。
风险与代价：采样率降低后，对极快速的跌倒动作（如从高处坠落）可能丢失部分冲击细节。为此，在算法中增加了基于加速度幅值的触发式高采样率模式：当检测到加速度超过 2.5 g 时，临时将采样率提升至 400 Hz，持续 2 秒，以捕捉完整冲击波形。
复盘经验：采样率并非越高越好，而是要在信号保真度、功耗、存储和算力之间找到平衡点。通过 FFT 分析确定真实信号带宽，再结合任务需求留出合理裕量，是科学选择采样率的核心方法。
3.5 总结复盘：采样率选择的工程要点
采样率选择是 TinyML 数据采集链路中最关键的决策之一，它直接影响模型性能、系统功耗和部署可行性。核心要点可归纳为：
- 先分析信号，再定采样率：使用 FFT 或示波器预分析信号频谱，确定真实 f_max，而非依赖猜测。
- 奈奎斯特定理是下限，不是推荐值：工程中至少留出 1.5~5 倍裕量，以应对滤波器非理想特性和系统噪声。
- 过采样需付出代价：在 TinyML 中，功耗和存储是硬约束，过采样必须与资源预算匹配。
- 抗混叠滤波不可省略：无论是模拟滤波器还是数字滤波器，都必须确保高于 fₛ/2 的成分被有效抑制。
- 动态采样率是高级策略：在事件触发时临时提高采样率，可在不增加平均功耗的前提下捕获关键细节。
在实际项目中，建议建立采样率选择的验证闭环：先以理论计算确定初始值，再通过实际数据采集和模型评估进行验证，最后根据功耗和性能指标迭代优化。这一过程将确保你的 TinyML 系统在信号保真度和资源效率之间达到最优平衡。