📚 课程目录第4章数据采集与预处理

4、数据采集与预处理：IMU数据采样率、滤波（低通/高通）、去噪和校准方法

IMU（惯性测量单元）是机器人手势识别系统中的核心感知器件，通常由三轴加速度计、三轴陀螺仪（有时还包括三轴磁力计）组成。手势识别的准确性，首先取决于数据采集的质量与预处理的合理性。原始IMU数据中混杂着传感器噪声、人体生理性抖动、重力分量以及温漂等干扰，若直接送入分类模型，往往会导致识别率显著下降。本章将系统讲解IMU数据采集的关键参数——采样率设定、滤波策略（低通/高通）、去噪方法以及校准流程，为后续窗口特征提取和分类模型训练奠定可靠的数据基础。

4.1 核心原理：IMU数据特性与手势信号频带

理解IMU数据采集与预处理的前提，是明确手势信号的物理特性与传感器噪声的来源。人体手势动作通常包含丰富的低频运动信息，其有效频率范围大致在 0.5 Hz 至 10 Hz 之间。例如，慢速挥手动作的主频约为 1~2 Hz，而快速敲击或甩腕动作的高频分量可达 8~10 Hz。超过 10 Hz 的成分大多属于肌肉震颤或传感器电子噪声，并非有意的手势语义。

IMU传感器输出的原始信号中，主要包含以下几类干扰：

传感器电子噪声：由MEMS器件的热噪声、量化噪声和电源纹波引起，表现为高频随机波动，幅度通常在 ±0.01 g 至 ±0.05 g（加速度计）和 ±0.1 °/s 至 ±0.5 °/s（陀螺仪）之间。
重力分量：加速度计始终受到 1 g 的重力加速度影响，当设备姿态变化时，重力在三个轴上的投影会随之改变。对于手势识别而言，重力分量属于“直流偏置”，需要通过高通滤波或姿态解算去除。
零偏漂移：陀螺仪在静止状态下输出不为零，且随时间缓慢变化，主要受温度影响。典型零偏稳定性为 ±0.2 °/s 至 ±2 °/s。
人体生理性抖动：手臂肌肉的微小颤动频率约为 8~12 Hz，与手势高频分量重叠，需要合理设计滤波器截止频率。

因此，数据预处理的核心目标可以概括为：在保留手势有效频带信息的前提下，最大限度地抑制噪声和干扰。这需要从采样率设定、滤波器设计、去噪策略和校准方法四个维度协同完成。

  工程经验：在机器人手势识别项目中，建议优先使用陀螺仪的角速度数据作为主要识别源，因为角速度不受重力影响，且对手势旋转变化更敏感。加速度计数据则用于补充线性运动信息，两者结合可提升识别鲁棒性。

4.2 采样率设定：理论依据与工程权衡

采样率决定了系统能够捕获的最高信号频率。根据奈奎斯特采样定理，采样率必须大于信号最高频率的两倍，才能无失真地重建原始信号。对于手势识别，信号最高有效频率约为 10 Hz，理论上 20 Hz 采样率即可满足要求。但在实际工程中，还需考虑以下因素：

滤波器过渡带：数字滤波器（如巴特沃斯、切比雪夫）的过渡带需要一定宽度，采样率过低会导致滤波器设计困难，甚至出现混叠。
特征提取精度：手势识别通常需要计算峰值、方差、过零率等统计特征，采样率过低会降低特征的时间分辨率。
系统功耗与带宽：采样率越高，MCU的I²C/SPI通信负载越大，功耗越高。对于电池供电的机器人设备，需要权衡。

综合工程实践，推荐以下采样率设定策略：

应用场景	推荐采样率	理由
慢速手势（挥手、滑动）	50 Hz	手势频带低，50 Hz 足够，功耗低
中速手势（敲击、旋转）	100 Hz	兼顾细节与功耗，最常用
快速手势（甩腕、弹指）	200 Hz	捕获高频瞬态，但需注意噪声放大
多传感器融合（IMU+视觉）	100~200 Hz	与视觉帧率对齐，减少时间戳误差

在设定采样率时，还需注意抗混叠滤波。如果IMU芯片内部没有集成抗混叠滤波器，建议在采样前增加一个模拟低通滤波器（截止频率设为采样率的 1/3 左右），或者在数字域先进行过采样再抽取。

4.3 滤波策略：低通、高通与带通的设计与选择

滤波是IMU数据预处理中最关键的环节。根据手势识别的需求，通常采用以下三种滤波策略：

4.3.1 低通滤波：去除高频噪声

低通滤波器的目标是保留手势有效频带（0.5~10 Hz），抑制高频电子噪声和肌肉抖动。常用的数字低通滤波器包括：

一阶IIR低通：实现简单，计算量小，适合MCU实时处理。传递函数为 y[n] = α·x[n] + (1-α)·y[n-1]，其中 α 与截止频率和采样率相关。
二阶巴特沃斯低通：通带更平坦，相位失真较小，适合需要保留波形形状的场景。
FIR低通：线性相位，无相位失真，但计算量较大，适合离线处理或高性能处理器。

截止频率的选择需要平衡噪声抑制和信号保真。推荐将低通截止频率设为 15~25 Hz，这样既能覆盖手势最高有效频率（10 Hz），又能有效衰减 20 Hz 以上的噪声。

4.3.2 高通滤波：去除重力与直流漂移

加速度计数据中包含重力分量，陀螺仪数据中包含零偏漂移，这些都属于低频或直流成分。高通滤波可以去除这些成分，使数据围绕零值波动，便于后续特征提取。

高通滤波的截止频率通常设为 0.1~0.5 Hz。过高的截止频率会衰减手势中的慢速运动成分，导致手势幅度失真；过低的截止频率则无法有效去除重力分量。

实现技巧：在嵌入式系统中，高通滤波可以通过“原始信号 - 低通滤波信号”的方式实现，即 y_high[n] = x[n] - y_low[n]。这样只需实现一个低通滤波器，即可同时获得低通和高通输出。

4.3.3 带通滤波：一体化方案

将低通和高通级联，即可构成带通滤波器，直接提取 0.5~10 Hz 的手势频带。带通滤波适合手势类型固定、频带明确的场景。但需要注意，级联滤波器会引入额外的相位延迟，对于实时性要求高的系统，需评估延迟影响。

以下是一个典型的二阶巴特沃斯带通滤波器设计示例（采样率 100 Hz，通带 0.5~10 Hz）：

// 使用Python scipy设计滤波器系数
from scipy.signal import butter, filtfilt

# 设计带通滤波器
b, a = butter(2, [0.5, 10], btype='band', fs=100)

# 应用零相位滤波（离线处理）
filtered_data = filtfilt(b, a, raw_data)

# 实时处理使用 lfilter
from scipy.signal import lfilter
filtered_data_realtime = lfilter(b, a, raw_data)

4.4 去噪方法：从简单平滑到自适应滤波

除了常规的频域滤波，手势识别中常用的去噪方法还包括：

移动平均滤波：对连续 N 个采样点取平均，简单有效，但会引入延迟并可能平滑掉手势的瞬态特征。窗口长度建议为采样率的 1/10 左右（如 100 Hz 采样率下取 10 点窗口）。
中值滤波：对窗口内数据取中值，对脉冲噪声（如电磁干扰引起的尖峰）有很好的抑制效果，但计算量较大。
卡尔曼滤波：基于状态空间模型，融合加速度计和陀螺仪数据，同时估计姿态和消除噪声。适合需要高精度姿态信息的场景，但实现复杂度高。
小波去噪：通过小波变换将信号分解到不同尺度，对高频小波系数进行阈值处理后再重构。适合非平稳信号，但计算量大，多用于离线分析。

在实际工程中，推荐采用“先带通滤波，再移动平均平滑”的组合策略。带通滤波去除频带外噪声，移动平均进一步平滑残余的随机波动，两者结合可在计算量可控的前提下获得较好的信噪比。

4.5 校准方法：零偏、灵敏度与轴正交校准

IMU器件在生产过程中存在个体差异，包括零偏（bias）、灵敏度（scale factor）和轴间非正交（axis misalignment）。如果不进行校准，同一手势在不同设备上采集的数据会有显著差异，导致分类模型跨设备失效。

4.5.1 零偏校准

将IMU水平静止放置，采集 1~2 秒数据，取平均值作为零偏值。校准公式为：

// 陀螺仪零偏校准
gyro_bias_x = mean(gyro_x_static[0:N])
gyro_bias_y = mean(gyro_y_static[0:N])
gyro_bias_z = mean(gyro_z_static[0:N])

// 校准后数据
gyro_x_calibrated = gyro_x_raw - gyro_bias_x

加速度计的零偏校准需要采集多个姿态（如六面静止法），因为重力分量会掩盖零偏。简单场景下，可假设加速度计零偏较小，主要依赖高通滤波去除重力。

4.5.2 灵敏度校准

灵敏度校准需要已知输入量。对于加速度计，可利用重力加速度（1 g）作为参考：将设备分别沿 X、Y、Z 轴正向和反向放置，记录输出值，计算实际灵敏度与标称灵敏度的比值。

4.5.3 轴正交校准

轴正交误差是指三个敏感轴并非严格垂直，导致一个轴的运动在其他轴上产生串扰。完整的轴正交校准需要转台设备，在机器人项目中通常采用近似方法：通过采集多个姿态的数据，用最小二乘法估计误差矩阵并补偿。

校准类型	所需设备	耗时	精度提升	适用场景
零偏校准	水平桌面	1~2 秒	中等	所有项目必做
灵敏度校准	水平桌面+翻转	1~2 分钟	较高	跨设备部署
轴正交校准	转台/精密工装	10~30 分钟	高	高精度姿态解算

4.6 案例拆解：机器人手势控制中的IMU预处理实战

下面通过一个完整的工程案例，展示IMU数据采集与预处理的实际落地过程。

项目背景：某服务机器人需要识别三种手势——左右挥手（控制移动方向）、上下挥手（控制速度）、画圈（切换模式）。机器人搭载BMI160六轴IMU，MCU为STM32F407，采样率设定为 100 Hz，数据通过I²C接口读取。

初始现象：直接使用原始数据训练分类模型，识别准确率仅为 68%，且误触发频繁。分析发现，原始数据中重力分量导致加速度计Z轴始终有约 1 g 的偏置，陀螺仪零偏漂移导致静止时角速度输出不为零。

关键数据指标：

陀螺仪静止零偏：X轴 +0.35 °/s，Y轴 -0.21 °/s，Z轴 +0.12 °/s
加速度计静止噪声：±0.03 g（峰峰值）
手势动作最大角速度：约 180 °/s（快速画圈时）

预处理流程实施：

零偏校准：上电后静止采集 2 秒数据，计算陀螺仪三轴零偏并扣除。
带通滤波：设计二阶巴特沃斯带通滤波器，通带 0.5~10 Hz，对加速度计和陀螺仪数据分别滤波。
移动平均平滑：对滤波后数据再做 5 点移动平均，进一步抑制残余噪声。
数据归一化：将角速度数据除以 200 °/s（最大量程），加速度数据除以 2 g，使特征值落在 [-1, 1] 区间。

结果对比：

指标	预处理前	预处理后	提升幅度
分类准确率	68%	94%	+26%
误触发率（次/小时）	12	2	-83%
特征区分度（类间距离）	0.42	0.78	+86%

风险与代价：带通滤波引入了约 20 ms 的群延迟，对于实时控制场景，该延迟在可接受范围内。若需进一步降低延迟，可改用FIR滤波器或减少滤波器阶数，但会牺牲部分噪声抑制效果。

复盘经验：预处理环节的收益往往大于模型调参。在本案例中，仅通过校准和滤波就将准确率提升了 26 个百分点，而后续更换分类模型（从SVM到随机森林）仅提升了 3 个百分点。建议在项目初期投入足够精力做好数据预处理。

4.7 常见误区与总结复盘

在IMU数据采集与预处理中，工程师常犯以下错误：

误区一：采样率越高越好。过高的采样率不仅增加功耗和存储压力，还会引入更多高频噪声，反而降低信噪比。应根据手势频带合理选择采样率。

误区二：滤波会丢失手势信息。实际上，手势的有效信息集中在 0.5~10 Hz，合理设计的滤波器不会丢失关键特征，反而能提升信噪比。关键在于截止频率的选择要基于手势的物理特性。

误区三：校准只做一次就一劳永逸。陀螺仪零偏会随温度漂移，建议在设备每次上电时执行快速零偏校准（1~2 秒），并在温度变化超过 ±5°C 时重新校准。

总结复盘：IMU数据预处理是手势识别系统的“地基工程”。一个设计良好的预处理链路应包含：合理的采样率设定（50~100 Hz）、带通滤波（0.5~10 Hz）、零偏校准和必要的平滑处理。预处理的目标不是“让数据看起来干净”，而是“让分类模型更容易学到手势的本质特征”。建议在项目开发中，将预处理模块设计为可配置的独立组件，便于针对不同手势类型和硬件平台进行参数调整。