课程导入：TinyML在智能穿戴设备中的价值、目标与交付全景

TinyML（微型机器学习）正在重塑智能穿戴设备的开发范式。过去，在手表、手环、耳戴式设备或医疗贴片上实现智能功能，往往意味着将数据上传到云端，依赖网络连接和服务器算力完成推理。然而，穿戴设备对功耗、延迟、隐私和离线可用性的苛刻要求，使得这种“云依赖”模式在众多场景下难以为继。TinyML的核心思想，是将经过压缩和优化的机器学习模型（如TensorFlow Lite Micro、CMSIS-NN或专用NPU加速的模型）直接部署在MCU（微控制器）级别的硬件上，让设备在本地完成信号处理、特征提取和推理决策。本课程将围绕一个完整的智能穿戴项目交付过程，从源码编写、模型训练与转换、功耗实测到测试文档撰写，带你走通一条可复用的工程化路径。

上图展示了本课程的核心交付链路。从左侧的传感器数据采集，到中间的TinyML推理引擎与MCU协同工作，再到右侧的源码、模型、功耗报告和测试文档输出，整个流程环环相扣。值得注意的是，功耗报告并非简单的“测个电流”，它需要结合不同工作模式（活跃、睡眠、深度睡眠）下的电流曲线、任务调度周期以及电池容量进行综合评估。而测试文档则要覆盖单元测试、集成测试、硬件在环测试和用户场景测试等多个层级。本课程的目标，就是让你能够独立完成这一整套交付物，并理解每个环节背后的工程权衡。

1.1 TinyML在智能穿戴中的核心价值

核心原理：TinyML的价值可以概括为四个关键词：低功耗、低延迟、隐私保护、离线可用。以智能手环的跌倒检测为例，如果依赖云端推理，从传感器触发到云端返回结果可能需要2-3秒，且在网络不稳定时完全失效。而基于TinyML的本地推理，可以在50毫秒内完成判断并触发紧急呼叫，功耗仅增加不到1mA。更重要的是，用户的健康数据（如心率、血氧、运动轨迹）不需要离开设备，从根本上规避了数据泄露风险。

判断方法：在决定是否采用TinyML时，可以遵循以下三条判断准则：第一，任务是否适合边缘推理——如果模型输入是时序信号（如加速度计、PPG）或简单图像（如手势识别），且模型参数量在百万级以下，通常适合；第二，功耗预算是否紧张——如果设备使用纽扣电池且目标续航超过一周，TinyML几乎是唯一选择；第三，是否要求实时响应——例如实时语音唤醒、实时步态分析，本地推理是硬性要求。

1.2 课程目标与学习路径

操作流程：本课程的学习路径分为五个阶段，每个阶段都有明确的交付物。第一阶段是环境搭建与源码框架，你将基于STM32U5或nRF5340平台，搭建开发环境并理解RTOS任务调度与传感器驱动框架。第二阶段是模型训练与优化，使用TensorFlow训练一个活动识别模型（如走路、跑步、骑行），然后通过量化感知训练和权重剪枝将模型压缩到200KB以内。第三阶段是部署与集成，将转换后的TFLite Micro模型集成到嵌入式工程中，处理内存对齐、算子替换和推理加速。第四阶段是功耗测量与优化，使用高精度电流探头（如Nordic PPK2或Joulescope）测量不同工作状态下的电流曲线，并针对瓶颈进行优化。第五阶段是测试与文档编写，建立自动化测试脚本，生成包含测试用例、结果截图、功耗数据和已知问题清单的完整测试报告。

// 学习路径里程碑示例（以第3周为例）
第1周：完成开发板点灯 + 传感器数据读取（IMU + PPG）
第2周：完成RTOS任务调度，实现传感器数据缓存与DMA传输
第3周：训练并量化一个活动识别模型（准确率 > 92%）
第4周：模型部署到MCU，推理延迟 < 30ms，RAM占用 < 80KB
第5周：完成功耗测量，待机电流 < 15μA，活跃电流 < 3mA
第6周：输出完整测试文档与交付包

案例拆解：以我们曾交付的一款医疗级跌倒检测手环为例。项目初始约束是：使用CR2032纽扣电池，目标续航6个月，跌倒检测灵敏度不低于95%，特异性不低于98%。初始方案采用蓝牙传输原始加速度数据到手机App进行判断，实测功耗高达8.2mA（蓝牙持续传输），续航仅3天。后来改为TinyML方案，在MCU上部署一个1D-CNN模型（参数量38K，量化后152KB），推理一次仅需12ms，平均电流降至0.9mA（含传感器采样和BLE周期性广播），续航提升至约2个月。虽然仍未达到6个月目标，但通过进一步优化传感器 duty cycle（从100Hz降至25Hz，仅在检测到剧烈运动时提升采样率），最终将平均电流压至0.4mA，实现了5.5个月续航，接近目标。这个案例说明，TinyML的价值不仅在于“能推理”，更在于“能省电”——通过本地判断，可以大幅减少无线传输的数据量和频率。

1.3 最终交付物概览

核心原理：一个专业的TinyML穿戴项目交付包，应当包含四类核心资产：可复现的源码、可部署的模型、可验证的功耗报告、可追溯的测试文档。源码部分需要包含完整的嵌入式工程（含驱动、中间件、应用层）、Python训练脚本和模型转换脚本。模型部分需要提供量化后的.tflite文件、模型卡（描述输入输出、精度、参数量）以及算子兼容性说明。功耗报告需要包含测试环境描述（设备版本、固件版本、电池型号）、测试方法（电流探头型号、采样率、测试场景）、原始数据曲线和统计分析结果。测试文档则需要覆盖功能测试、性能测试、压力测试和兼容性测试，每条用例都要有明确的步骤、预期结果和实际结果。

判断方法：在项目启动前，建议先与团队或客户对齐交付物的“完成定义”（Definition of Done）。例如，功耗报告中的“待机电流”是指设备在无事件触发、BLE广播关闭还是开启状态下的数值？测试文档中的“兼容性测试”是否包含不同批次传感器之间的差异？这些细节如果不提前明确，后期返工成本极高。

1.4 常见误区与总结复盘

常见误区一：认为TinyML就是“把模型塞进MCU”。实际上，模型压缩、算子优化、内存复用和电源域管理同样重要。一个在PC上运行良好的模型，直接转换后可能在MCU上因内存不足而无法加载，或因算子不支持而报错。常见误区二：忽视功耗测量的精度。使用万用表测量平均电流无法捕捉到毫秒级的射频脉冲或传感器突发电流，必须使用具有高采样率（≥100kS/s）的电流探头，并配合示波器分析瞬态行为。常见误区三：测试文档只写“通过”或“失败”，缺乏可复现的步骤和数据。例如，测试“跌倒检测”功能时，如果没有记录跌倒动作的加速度波形、设备佩戴位置和测试人员信息，后续无法复现问题。

总结复盘：本课程的核心逻辑是“以交付物为导向”。每一章都会围绕一个具体的交付物展开，从原理讲解到实操演示，再到常见问题排查。你将学会如何用系统化的方法完成一个智能穿戴项目的TinyML改造，而不是零散地学习某个工具或算法。最终，你将能够自信地回答三个问题：我的模型在硬件上跑得有多快？我的设备能续航多久？我的测试证据是否足以支撑这些结论？