4、采样任务特性分析：传感器采样频率、数据缓冲、采样与推理的时序关系
TinyML 系统的感知起点是传感器采样。与云端 AI 或边缘网关不同，TinyML 设备通常由电池供电、主频有限（几十至几百 MHz）、内存以 KB 计，且往往没有操作系统或仅有极简 RTOS。在这样的约束下，采样任务并非简单的“定时读数据”，而是需要同时权衡采样频率、数据缓冲策略以及采样与推理之间的时序耦合。本章将系统拆解采样任务的三大核心维度：采样频率的确定依据、数据缓冲的设计方法、采样与推理的时序关系建模，并结合实际工程案例给出可落地的设计建议。
上图展示了采样任务设计的三个核心模块及其相互制约关系。采样频率决定了数据量和信号保真度，数据缓冲决定了内存占用与数据连续性，而采样与推理的时序关系则直接影响系统的实时性和功耗。三者必须作为一个整体进行设计，任何单一维度的优化都可能牺牲其他维度的性能。
4.1 核心原理：采样频率的确定依据
采样频率（Fs）是采样任务的首要参数。在 TinyML 场景中，Fs 的选择不能简单套用“越高越好”的思维，而应基于以下四个约束条件综合确定：
- 信号带宽约束：根据奈奎斯特采样定理，Fs 必须大于信号最高频率成分的两倍（Fs > 2×f_max）。对于加速度计、麦克风、心电图等常见传感器，f_max 通常由物理现象决定。例如，人体运动频率一般不超过 20 Hz，取 Fs=50 Hz 即可；语音信号带宽为 4 kHz，则 Fs 至少为 8 kHz。
- 任务精度需求：分类任务对采样频率的敏感度远低于回归任务。例如，人体活动识别（HAR）在 Fs=25 Hz 与 Fs=100 Hz 下的准确率差异可能小于 2%，但功耗差异可达 4 倍。因此，应通过离线实验绘制“Fs-精度”曲线，找到精度饱和点。
- 系统资源预算：采样频率直接决定 ADC 转换次数、DMA 搬运量、内存占用和 CPU 中断频率。以 16-bit ADC、Fs=1 kHz 为例，每秒产生 2 KB 数据，若推理窗口为 1 秒，则需要 2 KB 缓冲；若 Fs=8 kHz，则需 16 KB，这在许多 MCU 上已接近内存上限。
- 功耗与热预算：传感器本身在更高采样率下功耗显著增加。例如，MPU6050 在 1 Hz 采样时功耗约 0.5 μA，而在 1 kHz 时可达 3.9 mA，相差近 8000 倍。对于电池供电的 TinyML 设备，这往往是决定性因素。
4.2 数据缓冲设计：环形缓冲区与双缓冲机制
采样数据从传感器到推理引擎之间需要经过缓冲。缓冲设计的目标是：在有限内存下保证数据完整性，同时最小化 CPU 搬运开销。TinyML 中常用的缓冲方案有三种：
| 缓冲方案 | 内存占用 | CPU 开销 | 适用场景 |
|---|---|---|---|
| 单缓冲（直接数组） | 最小（N×样本大小） | 高（每次采样触发中断） | 极低采样率（<10 Hz） |
| 环形缓冲区 | 中等（2N~4N） | 中（DMA 半满/全满中断） | 连续采样，滑动窗口推理 |
| 双缓冲（Ping-Pong） | 较大（2×N） | 低（DMA 完成中断） | 采样与推理并行，流水线处理 |
环形缓冲区是最常用的方案。它通过头尾指针实现固定大小的循环存储，写入时覆盖最旧数据。在 TinyML 中，环形缓冲区通常配合 DMA 使用：DMA 持续将 ADC 数据写入缓冲区，当写入达到半满或全满时触发中断，CPU 在中断中处理数据或启动推理。关键参数是缓冲区大小 B，其计算公式为：
B = Fs × T_window × sample_size × 2（安全系数）
其中 T_window 为推理所需的时间窗口长度。双缓冲机制则更适合采样与推理需要重叠的场景。DMA 写入缓冲区 A 时，CPU 对缓冲区 B 中的上一帧数据进行推理；当 A 写满后，DMA 切换至 B，CPU 处理 A。这种机制避免了数据竞争，但需要两倍内存。选择哪种方案取决于推理时间 T_infer 与采样窗口时间 T_window 的关系：若 T_infer < T_window，双缓冲可实现零数据丢失；若 T_infer > T_window，则必须考虑丢帧策略。
4.3 采样与推理的时序关系建模
采样与推理的时序关系决定了系统的实时性和数据新鲜度。在 TinyML 中，常见的时序模式有三种：
- 串行模式（采样→推理→采样）：系统先采集完整窗口数据，然后停止采样，执行推理，推理完成后再次开始采样。这种模式实现简单，但存在“采样空窗期”，可能丢失关键事件。适用于事件不频繁、推理时间远小于采样周期的场景。
- 流水线模式（采样与推理重叠）：使用双缓冲，在采集第 n+1 帧数据的同时推理第 n 帧。这种模式消除了空窗期，但需要精确的时序同步，否则可能出现缓冲区覆盖或推理结果延迟。
- 事件驱动模式（异步触发）：采样持续进行，但推理仅在检测到特定事件（如阈值越限、中断信号）时触发。这种模式功耗最优，但需要额外的检测逻辑，且推理延迟不确定。
时序关系的关键指标是端到端延迟（从物理事件发生到推理结果输出）和数据新鲜度（推理使用的数据与当前时刻的差距）。在串行模式下，端到端延迟 = T_window + T_infer；在流水线模式下，延迟可降低至 T_window（理想情况），但数据新鲜度仍受 T_window 限制。
4.4 实战案例：可穿戴跌倒检测系统的采样任务设计
下面通过一个具体的可穿戴跌倒检测系统案例，完整展示采样任务的设计过程。
背景与约束：设备使用 STM32L4 系列 MCU（主频 80 MHz，RAM 64 KB），搭载 BMI270 六轴惯性传感器（加速度计+陀螺仪），电池容量 100 mAh，目标续航 7 天。需要实现跌倒检测，要求灵敏度 ≥95%，误报率 ≤1 次/天。
初始参数与现象：工程师最初选择 Fs=200 Hz，加速度计满量程 ±16g，窗口长度 T_window=2 秒。此时单帧数据量为：200 Hz × 2 秒 × 6 轴 × 2 字节 = 4800 字节。加上模型参数（约 20 KB）和中间变量，内存已接近 64 KB 上限。实测功耗为 2.5 mA（传感器 1.2 mA + MCU 1.0 mA + 其他 0.3 mA），电池续航仅 40 小时，远低于目标。
分析过程：首先检查信号带宽。跌倒事件的冲击频率主要分布在 0.5~20 Hz，陀螺仪角速度变化率低于 50 Hz。根据奈奎斯特定理，Fs=100 Hz 已足够。其次，通过离线数据集测试，Fs=100 Hz 时灵敏度为 96.5%，Fs=50 Hz 时降至 91%，因此 Fs=100 Hz 是精度拐点。最后，将窗口缩短至 1.5 秒（跌倒事件从开始到结束约 1 秒），单帧数据量降至 1800 字节。
实际操作步骤：
- 将 Fs 从 200 Hz 降至 100 Hz，配置 BMI270 的加速度计 ODR=100 Hz，陀螺仪 ODR=100 Hz。
- 采用双缓冲机制，每个缓冲区 1800 字节，总计 3600 字节，DMA 搬运，半满中断。
- 将推理窗口设为 1.5 秒，使用流水线模式：DMA 采集第 n+1 帧时，CPU 推理第 n 帧。
- 增加事件检测前置逻辑：当加速度幅值超过 2.5g 时，才触发完整推理，否则 MCU 进入低功耗模式。
结果对比：优化后，传感器功耗降至 0.8 mA，MCU 平均功耗降至 0.4 mA（事件驱动模式），总功耗 1.5 mA，续航提升至 66 小时。进一步将 Fs 降至 50 Hz 并采用自适应采样（静止时 12.5 Hz，运动时 100 Hz），总功耗降至 0.6 mA，续航达到 166 小时（约 7 天），灵敏度 94.8%，误报率 0.8 次/天，满足需求。
风险与代价：自适应采样增加了软件复杂度，且事件检测阈值需要针对不同用户群体（老年人、成年人）进行校准。此外，降低 Fs 后，对高频冲击的捕捉能力下降，在极端跌倒场景（如从高处摔落）中可能漏检。复盘经验是：采样频率不是越高越好，而是“够用就好”；缓冲设计必须与推理时间匹配；事件驱动是 TinyML 功耗优化的关键手段。
4.5 常见误区与总结复盘
在采样任务设计中，以下误区最为常见：
- 误区一：采样频率越高精度越高。实际上，当 Fs 超过信号带宽的 4~5 倍后，精度提升趋于饱和，而功耗和内存开销线性增长。应通过实验找到精度饱和点。
- 误区二：缓冲区越大越好。大缓冲区虽然能容纳更长的窗口，但增加了内存占用和延迟。在 TinyML 中，内存是稀缺资源，应精确计算所需窗口长度，避免浪费。
- 误区三：忽略采样与推理的时序耦合。许多开发者先独立设计采样和推理，最后再拼接，导致推理期间数据丢失或延迟过大。正确的做法是从系统层面统一规划时序。
- 误区四：不使用 DMA。在 Fs > 100 Hz 时，每次采样都触发中断会严重占用 CPU，导致推理无法及时执行。应尽量使用 DMA + 中断的组合。
采样任务设计是 TinyML 系统稳定运行的基石。一个合理的采样设计，不仅要满足信号采集的物理要求，还要与推理任务的计算特性、内存预算和功耗目标深度耦合。通过本章的分析，开发者应掌握从信号带宽出发确定采样频率、根据推理时间选择缓冲策略、以及通过时序建模优化系统实时性的完整方法论。在实际项目中，建议先建立系统级仿真模型，再逐步移植到硬件平台验证，从而避免反复修改带来的开发成本。