3、核心概念：模型参数、阈值、采样率的定义、作用与相互关系

TinyML 系统的配置管理，本质上是对三类核心数值的协同治理：模型参数（Model Parameters）、阈值（Thresholds）与采样率（Sampling Rate）。这三者分别回答了“模型如何认知世界”“何时做出决策”以及“以什么频率感知世界”三个根本问题。在实际的嵌入式部署中，它们并非孤立存在，而是通过内存占用、功耗预算、推理延迟和事件响应灵敏度等维度深度耦合。理解三者的定义边界与相互作用，是构建可靠 TinyML 配置体系的第一性原理。

上图展示了三者在 TinyML 系统中的核心定位与耦合关系。模型参数决定了模型对输入数据的表征能力，阈值决定了模型输出如何映射为业务决策，而采样率则决定了数据进入系统的频率与粒度。三者共同构成了一个“感知-推理-决策”的闭环，任何一项配置的变更都会引起系统整体行为的变化。

3.1 核心原理：三类配置的本质与作用边界

模型参数是神经网络在训练阶段学习得到的数值，包括权重矩阵、偏置向量、批归一化统计量以及量化参数（如 scale 和 zero-point）。在 TinyML 场景下，模型参数通常以 TFLite 或 CMSIS-NN 格式存储于 Flash 中，推理时加载到 RAM。模型参数的作用是定义输入特征到输出概率的非线性映射函数。例如，一个用于关键词唤醒的 2 层 CNN 模型，其参数可能包含 30K 个权重值，占用约 120KB Flash（8-bit 量化后）。模型参数一旦训练完成，在设备端通常保持静态，除非执行联邦学习或增量更新。

阈值是决策层的判断边界。在分类任务中，阈值将模型的输出概率（softmax 分数或 sigmoid 输出）转换为离散的类别标签；在回归或异常检测任务中，阈值用于判断预测值是否超出正常范围。阈值的作用是控制系统的灵敏度与特异性之间的平衡。例如，在工业振动监测中，若将报警阈值设为 0.7，则系统对轻微异常不敏感但误报率低；若设为 0.3，则能捕捉早期故障但可能频繁误报。阈值是运行时最常被调整的配置项，因为它直接关联业务风险容忍度。

采样率决定了传感器数据采集的时间分辨率。根据 Nyquist 采样定理，采样率必须至少为信号最高频率分量的两倍才能无失真重建信号。在 TinyML 中，采样率不仅影响数据量，还直接影响功耗——更高的采样率意味着 ADC 转换更频繁、DMA 传输更多、CPU 唤醒次数增加。例如，一个 3 轴加速度计以 100Hz 采样时，每秒产生 600 字节数据；若提升至 1kHz，数据量增加 10 倍，内存缓冲区和处理时间也随之增长。

3.2 判断方法与操作流程：如何确定合理的配置组合

在实际项目中，确定三者的最优配置并非一次性完成，而是遵循一个迭代式的调优流程。以下是一个经过验证的 5 步操作流程：

1. 信号特征分析：首先对目标物理信号进行频谱分析，确定最高有效频率分量 f_max。根据 Nyquist 定律，采样率 f_s ≥ 2 × f_max，工程上通常取 4~10 倍余量。例如，人体运动信号主要能量集中在 0.5~20Hz，因此 IMU 采样率通常设为 50~100Hz。
2. 模型复杂度匹配：根据 MCU 的算力（如 Cortex-M4 的 100MHz 主频）和 Flash/RAM 容量，选择合适的模型结构。使用 MLPerf Tiny 基准或 TFLite Micro 的 profiling 工具评估推理延迟。若推理延迟超过采样周期的 50%，则需要考虑模型剪枝或量化。
3. 阈值初值设定：利用验证集数据，绘制 ROC 曲线或 PR 曲线，选择使 F1-score 最大化的阈值作为初值。对于异常检测任务，可使用训练数据的预测分数分布，取 95% 或 99% 分位数作为初始阈值。
4. 端到端联调：在真实硬件上运行，记录实际功耗、内存峰值、事件响应延迟。使用逻辑分析仪或 J-Link 的 RTT 日志观察系统行为。
5. 阈值动态校准：根据现场运行数据，定期（如每天或每周）调整阈值。可通过远程配置通道下发新阈值，而无需重新烧录固件。

配置项	典型取值范围	主要影响	调整频率
模型参数（权重/偏置）	8-bit 量化后 10KB~500KB	推理精度、Flash 占用、延迟	极少（版本升级时）
阈值	0.0~1.0（概率）或 -∞~+∞（回归）	误报率、漏报率、响应灵敏度	频繁（运行时校准）
采样率	10Hz~10kHz（取决于传感器）	功耗、数据量、频率分辨率	偶尔（模式切换时）

3.3 案例拆解：智能穿戴设备跌倒检测的配置调优

我们以一个典型的智能手环跌倒检测功能为例，说明三者如何协同配置。该设备使用 STM32U585 主控（Cortex-M33 @ 160MHz），搭载 LIS2DW12 加速度计（三轴，12-bit ADC），电池容量 200mAh，目标续航 7 天。

初始配置：采样率 50Hz，窗口长度 4 秒（即 200 个采样点），模型为 2 层 1D-CNN（参数量 45K，8-bit 量化后 45KB），报警阈值 0.8。实测功耗：采样+ADC 约 0.4mA，推理（每次窗口触发）约 2.5mA × 0.8s，平均功耗 0.9mA，续航约 9 天，满足要求。但现场测试发现，跌倒检测的召回率仅为 72%，有 3 次真实跌倒未被检测到。

分析过程：通过 RTT 日志发现，未检出的跌倒事件中，模型输出的最大概率仅为 0.62~0.75，低于 0.8 的阈值。进一步分析加速度频谱，发现跌倒瞬间的冲击信号包含 15~25Hz 的高频分量，而 50Hz 采样率虽然满足 Nyquist 要求，但窗口内有效特征点不足。同时，模型参数中第一层卷积核数量为 8，可能不足以提取跌倒的瞬态特征。

调整操作：

1. 将采样率从 50Hz 提升至 100Hz，窗口长度缩短至 3 秒（保持 300 个采样点），以捕获更丰富的瞬态特征。
2. 将阈值从 0.8 下调至 0.65，以提升召回率。同时增加一个“二次确认”逻辑：若连续 2 个窗口的预测概率均超过 0.5，则触发报警，以抑制误报。
3. 对模型进行微调：在训练集中增加跌倒前 0.5 秒的过渡态数据，并重新量化校准。

结果对比：调整后，召回率提升至 94%，误报率从每周 2.3 次降至 0.7 次。但功耗上升至 1.4mA（采样率翻倍导致 ADC 和 DMA 功耗增加），续航降至 6.5 天。为平衡功耗，引入了动态采样策略：当设备处于静止状态（加速度方差 < 0.05g²）时，采样率自动降至 12.5Hz；当检测到运动强度超过阈值时，切换至 100Hz 高采样模式。最终平均功耗回落至 1.0mA，续航恢复至 8 天。

3.4 常见误区与总结复盘

在配置管理实践中，工程师常陷入以下误区：

• 误区一：采样率越高越好。实际上，过高的采样率会导致数据冗余、功耗飙升，且对模型精度提升有限。应根据信号带宽和任务需求选择合适采样率，而非盲目追求高采样。
• 误区二：阈值是静态的。环境漂移（如传感器老化、温度变化）会导致模型输出分布偏移，固定阈值会逐渐失效。应设计阈值自适应校准机制，如基于滑动窗口的分位数更新。
• 误区三：模型参数与阈值独立优化。实际上，量化后的模型参数会改变输出概率的分布形态（例如 8-bit 量化可能使 softmax 输出更集中），因此每次模型更新后都必须重新验证阈值。
• 误区四：忽略采样率与窗口长度的耦合。窗口长度 = 采样率 × 时间长度，改变采样率时若保持窗口长度不变，则输入维度变化，模型需要重新训练或填充/截断。

总结：模型参数、阈值和采样率构成了 TinyML 配置管理的“铁三角”。模型参数定义了系统的能力上限，阈值决定了系统的决策边界，采样率则设定了系统的感知粒度。有效的配置管理不是对三者分别调优，而是将它们视为一个整体系统，通过联合优化实现精度、功耗、延迟的最佳平衡。建议在项目初期就建立配置版本管理机制，将每次调优的参数组合、验证指标和现场反馈记录在案，形成可复用的配置基线。