核心概念：理解采样窗口（Sampling Window）的定义、作用以及它与推理周期、传感器数据流的关系

TinyML 系统的实时推理并非“传感器一有数据就立刻计算”那么简单。在实际嵌入式环境中，传感器以固定频率持续产生数据流，而推理引擎（如神经网络模型）则按照一定的周期被唤醒执行。在这两者之间，存在一个关键的桥梁——采样窗口（Sampling Window）。它决定了“一次推理究竟基于哪一段时间范围内的数据”，直接影响了模型的输入维度、计算延迟、功耗以及推理结果的准确性。本章将深入剖析采样窗口的本质，厘清它与推理周期（Inference Period）和传感器数据流（Sensor Data Stream）之间的三角关系，并给出工程实践中的判断方法与调优策略。

一、核心原理：采样窗口的本质与三重角色

采样窗口（Sampling Window）在 TinyML 语境下，指的是一次推理任务所覆盖的连续传感器样本集合。它并非一个物理硬件模块，而是一个逻辑上的时间与数据边界。从数学角度看，若传感器采样周期为 Ts（即采样率 Fs = 1/Ts），窗口长度为 W，则窗口内包含的样本数量 N = W / Ts。例如，一个 50ms 的窗口，配合 1kHz 采样率，将包含 50 个样本点。这 50 个样本点构成一个多维向量，作为神经网络模型的输入张量。

采样窗口在系统中承担着三重角色：数据聚合器、时间语义载体和计算负载调节器。作为数据聚合器，它将离散的、高速的传感器数据流切分为有意义的、固定长度的数据块；作为时间语义载体，它赋予模型“这段时间内发生了什么”的上下文信息——例如在关键词唤醒中，窗口必须足够长以覆盖一个完整的音节；作为计算负载调节器，窗口长度直接决定了每次推理的乘加运算量（MACs），进而影响 MCU 的功耗与延迟。

理解采样窗口的关键在于区分它与推理周期（Inference Period）的不同。推理周期是指两次推理启动之间的时间间隔，它决定了系统“多久思考一次”；而采样窗口决定了“每次思考时看多长的历史”。两者可以相等，也可以不同。当窗口长度等于推理周期时，窗口之间没有重叠，数据被完全分割；当窗口长度大于推理周期时，相邻窗口存在重叠区域，数据被重复利用；当窗口长度小于推理周期时，则存在数据间隙，部分传感器数据被丢弃。

二、判断方法与操作流程：如何确定采样窗口参数

在实际工程中，确定采样窗口参数需要遵循一套系统化的流程。以下是推荐的五步法：

1. 分析物理事件的时间尺度：首先明确目标事件（如手势、振动、语音指令）在时间上的持续范围。例如，一个快速挥手动作约 200-400ms，一个元音音节约 80-120ms。窗口长度应至少覆盖事件的最小完整周期。
2. 确定传感器采样率：根据奈奎斯特定理，采样率至少为信号最高频率的 2 倍。对于加速度计（通常 50-200Hz 带宽），采样率常设为 100-400Hz；对于麦克风（20Hz-20kHz 带宽），采样率通常为 16kHz 或 32kHz。
3. 计算窗口样本数 N：N = W × Fs。N 必须与模型输入层的神经元数量匹配。例如，若模型输入为 1×64 的向量，且 Fs=100Hz，则 W = 64/100 = 0.64 秒。
4. 设定推理周期 T_infer：根据系统响应时间要求（如唤醒延迟 < 300ms）和功耗预算（如平均电流 < 1mA）来设定。T_infer 通常大于等于窗口长度 W，以保证有足够的新数据进入窗口。
5. 验证重叠率与数据新鲜度：计算重叠率 = (W - T_infer) / W × 100%。若重叠率过高（>80%），则计算资源浪费在重复数据上；若重叠率过低（<0%），则存在数据空洞，可能丢失关键事件。

三、案例拆解：智能手环的跌倒检测系统

让我们通过一个具体的案例来理解采样窗口的工程决策过程。假设我们要在 Cortex-M4 内核的 MCU 上实现跌倒检测，使用 6 轴 IMU（加速度计+陀螺仪），采样率设定为 50Hz（每轴），模型为 1D-CNN，输入维度为 150 个时间步 × 6 通道。

背景与约束：设备电池容量为 100mAh，目标续航 7 天，平均电流需控制在 0.6mA 以内。系统响应时间要求：从跌倒发生到发出警报不超过 2 秒。MCU 运行推理时的峰值电流为 15mA，待机电流为 5μA。

初始参数设定：窗口长度 W = 150 / 50Hz = 3 秒。这意味着模型每次推理需要 3 秒的 IMU 数据。推理周期 T_infer 初始设为 1 秒。此时重叠率 = (3-1)/3 ≈ 66.7%。

功耗计算：每秒推理 1 次，每次推理耗时 50ms（实测），则每秒有效工作时间 50ms。平均电流 = (50ms/1000ms) × 15mA + (950ms/1000ms) × 0.005mA ≈ 0.75mA + 0.00475mA ≈ 0.755mA。这已经超出了 0.6mA 的预算。

分析与调整：为了降低功耗，我们将推理周期延长至 2 秒。此时重叠率 = (3-2)/3 ≈ 33.3%。平均电流 = (50ms/2000ms) × 15mA + (1950ms/2000ms) × 0.005mA ≈ 0.375mA + 0.0049mA ≈ 0.38mA。满足功耗预算。但响应时间变为：最坏情况下，跌倒发生在窗口刚滑过之后，需要等待 2 秒才能触发下一次推理，加上推理时间 50ms，总延迟约 2.05 秒，略超 2 秒要求。

进一步优化：我们采用两级检测策略——在 MCU 上运行一个轻量级能量检测器（仅计算加速度幅值），以 10ms 为周期持续监测。当检测到冲击能量超过阈值时，立即触发一次完整推理（使用当前 3 秒窗口数据）。这样，正常情况下的推理周期为 2 秒（低功耗模式），而异常事件触发时推理周期缩短至 10ms（高功耗模式）。最终平均电流约为 0.4mA，响应时间缩短至 100ms 以内。

复盘经验：采样窗口与推理周期并非孤立参数，它们与功耗、延迟、精度构成一个多目标优化问题。单纯调整窗口或周期往往无法同时满足所有约束，需要引入事件驱动的异步推理机制来打破僵局。此外，窗口长度 3 秒对于跌倒检测是合理的，因为跌倒的完整过程（失重-冲击-静止）约 1.5-2.5 秒，窗口必须覆盖全过程才能让 CNN 有效识别。

四、常见误区与总结复盘

在采样窗口的设计中，工程师常犯以下四类错误：

• 误区一：窗口越长越好。长窗口包含更多上下文信息，但也会引入无关噪声，增加计算量，并延迟响应。对于瞬态事件（如敲击、脉冲），过长的窗口反而会稀释特征。
• 误区二：窗口与推理周期必须相等。这是最常见的误解。实际上，两者解耦可以带来显著的功耗优化，如上述案例所示。
• 误区三：忽略数据新鲜度。当窗口长度远大于推理周期时，窗口内包含大量旧数据。如果物理过程是时变的（如温度漂移），旧数据会误导模型。此时应引入遗忘机制或缩短窗口。
• 误区四：未考虑内存带宽。窗口数据需要从环形缓冲区拷贝到推理引擎的输入缓冲区。如果窗口过大（例如 4KB），而 MCU 的 DMA 带宽有限，拷贝操作本身可能成为瓶颈，导致推理周期被拉长。

总结：采样窗口是连接连续物理世界与离散计算世界的桥梁。它定义了模型“感知”的时间范围，与推理周期共同决定了系统的时序行为。正确的设计思路是：先由物理事件确定窗口长度，再由功耗与响应需求确定推理周期，最后通过重叠率校验数据利用效率。在资源受限的 MCU 上，窗口与周期的解耦设计、事件触发机制、以及 DMA 零拷贝技术是提升系统整体性能的三大关键手段。掌握采样窗口的管理，就等于掌握了 TinyML 实时推理的节拍器。