课程导入：TinyML在智能穿戴中的价值、课程目标、学习路径与项目总览

TinyML（微型机器学习）是边缘计算与嵌入式系统交叉领域中最具落地潜力的技术方向之一。它指的是在功耗受限、算力有限（通常为KB级RAM、MB级Flash）的微控制器（MCU）上部署和运行机器学习模型的技术体系。智能穿戴设备——从智能手表、手环到医疗级贴片、运动传感器——天然是TinyML的核心应用场景。这类设备要求持续采集生理信号（加速度、心率、皮肤电导等），在本地完成推理，并尽可能减少与云端的数据交互，以降低功耗、保护隐私、保证实时性。本课程将围绕一个完整的智能穿戴项目展开：动作识别、健康监测与低功耗告警，帮助学员从零构建一个可运行在真实硬件上的TinyML系统。

1.1 TinyML在智能穿戴中的核心价值

智能穿戴设备与传统嵌入式系统最大的区别在于：它们需要持续感知人体状态并做出语义级判断。以智能手环为例，设备需要区分用户是在走路、跑步、骑行还是静止，需要识别心率异常、跌倒等事件，并在必要时发出告警。如果所有数据都上传云端处理，不仅功耗极高（Wi-Fi/蜂窝通信的功耗是MCU本地计算的数十倍），而且存在隐私泄露风险和网络延迟问题。TinyML的价值正在于此：将机器学习推理能力下沉到设备端，在数据产生的源头完成智能决策。

从工程角度看，TinyML在智能穿戴中的价值可以归纳为四个维度：

价值维度	具体表现	量化参考
功耗优化	本地推理避免频繁无线传输，MCU在低功耗模式下运行	BLE传输1KB数据约消耗0.5mAh，而本地推理100次仅约0.01mAh
实时性	端侧推理延迟在毫秒级，满足跌倒检测等安全场景要求	端侧推理10~50ms，云端往返通常200~500ms
隐私保护	原始生理数据不出设备，仅上传脱敏的统计结果	符合GDPR/《个人信息保护法》对健康数据的合规要求
可靠性	断网或弱网环境下仍可正常工作，适合户外运动场景	离线可用率从依赖网络的80%提升至99.9%

以当前主流穿戴设备为例，Apple Watch的心律不齐检测、华为手表的跌倒告警、小米手环的睡眠分期，本质上都是TinyML技术的落地应用。这些功能如果依赖云端，不仅无法满足医疗级的安全要求，更无法在用户运动时提供持续可靠的监测。因此，掌握TinyML开发能力，已经成为智能穿戴工程师的核心竞争力之一。

1.2 课程目标与能力模型

本课程不是单纯的理论讲解，而是以“动作识别、健康监测与低功耗告警”为项目主线，带领学员完成一个从数据采集到部署上线的完整闭环。课程结束后，学员应具备以下能力：

• 硬件能力：能够基于STM32或nRF52系列MCU搭建穿戴设备原型，正确连接IMU（如MPU6050/ICM20948）、PPG心率传感器（如MAX30102）和BLE模块，理解I2C/SPI/UART等总线协议在传感器读取中的应用。
• 数据处理能力：掌握滑动窗口、去噪滤波、时域/频域特征提取等信号处理方法，能够将原始传感器数据转换为适合模型训练的特征矩阵。
• 模型设计与部署能力：能够使用Edge Impulse或TensorFlow Lite Micro训练并量化模型，将模型转换为C++数组并部署到MCU上，实现实时推理。
• 系统优化能力：理解功耗管理策略（动态电压频率调节、低功耗模式切换、事件驱动唤醒），能够将系统平均功耗控制在2mA以下。
• 调试与验证能力：能够使用串口日志、逻辑分析仪、功耗分析仪等工具定位问题，并通过混淆矩阵、F1分数等指标评估模型性能。

1.3 学习路径与章节逻辑

本课程共30章，按照“基础→数据→模型→系统→优化→实战”的逻辑组织，学员可以按照顺序学习，也可以根据自身基础选择性跳转。整体学习路径分为六个阶段：

1. 基础阶段（第1~5章）：掌握TinyML概念、MCU开发环境搭建、传感器原理与数据采集方法。这一阶段的目标是让学员能够独立读取传感器数据并通过串口输出。
2. 数据阶段（第6~10章）：学习信号预处理、特征工程、数据标注与数据集构建。重点解决“数据从哪里来、如何保证数据质量”的问题。
3. 模型阶段（第11~16章）：从传统机器学习（决策树、随机森林）到深度学习（CNN、LSTM），再到模型量化和压缩。学员将学会选择适合MCU的模型结构。
4. 系统阶段（第17~22章）：聚焦嵌入式部署，包括TFLite Micro集成、内存优化、RTOS任务调度、功耗管理策略。
5. 优化阶段（第23~26章）：针对模型精度、推理速度、功耗三个维度进行系统调优，学习使用Profiler和功耗分析工具。
6. 实战阶段（第27~30章）：完成项目整合、联调测试、可靠性验证，并输出完整的项目文档。

每个章节都包含理论讲解、代码示例、实验任务和常见问题排查。建议学员准备一块开发板（推荐STM32L4系列或nRF52840 DK），并按照章节进度完成实验。如果条件允许，可以额外准备一块逻辑分析仪和功耗测量板，这将极大提升调试效率。

1.4 项目总览：从需求到交付

为了让学员在开始学习前就对整个项目有清晰的认知，这里给出项目的完整技术框架和关键设计决策。整个项目分为五个子系统：

子系统	核心组件	关键参数/接口	设计约束
传感器子系统	IMU（加速度+陀螺仪）、PPG心率传感器	I2C接口，加速度量程±8g，采样率50Hz	传感器功耗<0.5mA，待机电流<10μA
处理子系统	MCU（STM32L431或nRF52840）	ARM Cortex-M4F @80MHz，64KB RAM，256KB Flash	推理时CPU占用率<60%，峰值电流<10mA
通信子系统	BLE 5.0模块（或MCU内置BLE）	广播间隔100ms，连接间隔30ms	平均电流<0.8mA，峰值电流<15mA
告警子系统	蜂鸣器、LED、振动马达	GPIO控制，PWM驱动	告警时额外电流<20mA，持续<3秒
电源子系统	100mAh锂聚合物电池、LDO/DC-DC	3.3V供电，静态电流<5μA	整体续航≥48小时

在项目启动阶段，需要明确几个关键设计决策：

• 模型选型：对于动作识别，我们优先考虑1D-CNN或轻量级LSTM。1D-CNN参数量少、推理速度快，适合在MCU上运行；LSTM适合处理时间序列，但参数量和计算量较大。本课程将对比两种方案的性能差异。
• 量化策略：默认采用INT8量化，将模型大小压缩4倍，推理速度提升2~3倍。对于心率异常检测，由于输入特征维度较低，也可以考虑使用FP16量化以保留更高精度。
• 功耗管理：采用事件驱动架构，MCU在无事件时进入STOP模式（电流约2μA），传感器数据通过DMA传输，仅在检测到有效动作或异常时唤醒CPU进行推理。

1.5 案例拆解：从零搭建穿戴原型的第一周

为了让学员对课程节奏有直观感受，这里以一个真实的教学案例说明第一周的学习任务和产出。某嵌入式工程师（具备STM32基础，但无机器学习经验）按照本课程学习，第一周完成了以下工作：

背景与约束：该学员使用STM32L4开发板（Nucleo-L476RG）和MPU6050模块，目标是实现加速度数据的实时采集与串口输出。硬件约束：开发板无BLE模块，需外接；MPU6050通过I2C连接，地址为0x68。

初始现象：学员按照数据手册编写I2C读取代码后，发现读取到的加速度值始终为0，且I2C总线无应答信号。

分析判断过程：学员首先检查了接线，确认SDA/SCL连接正确；随后用逻辑分析仪抓取I2C波形，发现SCL时钟正常，但SDA在地址发送阶段无ACK响应。进一步排查发现，MPU6050的AD0引脚悬空，导致设备地址为0x68（AD0=0），但代码中误写为0x69。

实际操作步骤：

// 修正后的I2C地址定义
#define MPU6050_ADDR 0x68  // AD0引脚接地时地址为0x68

// 初始化MPU6050
void mpu6050_init(void) {
    uint8_t data = 0x00;
    // 唤醒设备（退出睡眠模式）
    i2c_write_reg(MPU6050_ADDR, 0x6B, 0x00);
    // 设置加速度量程为±8g
    i2c_write_reg(MPU6050_ADDR, 0x1C, 0x10);
    // 设置采样率分频，50Hz
    i2c_write_reg(MPU6050_ADDR, 0x19, 0x13);
}

// 读取加速度数据
void mpu6050_read_accel(int16_t* ax, int16_t* ay, int16_t* az) {
    uint8_t buf[6];
    i2c_read_regs(MPU6050_ADDR, 0x3B, buf, 6);
    *ax = (buf[0] << 8) | buf[1];
    *ay = (buf[2] << 8) | buf[3];
    *az = (buf[4] << 8) | buf[5];
}

结果对比：修正地址后，串口正常输出加速度值，静止时Z轴读数约为16384（对应1g），与预期一致。该学员通过此案例掌握了I2C调试的基本方法，并学会了使用逻辑分析仪排查总线问题。

风险与代价：该问题排查耗时约2小时，主要原因是学员未仔细阅读数据手册中的地址配置说明。如果使用带AD0引脚上拉的模块，地址会变为0x69，需要根据实际硬件灵活调整。

复盘经验：在嵌入式开发中，“先确认硬件，再排查软件”是基本原则。遇到I2C通信问题，优先检查地址、上拉电阻、电源电压三个要素。本课程后续章节会系统讲解传感器调试的通用方法论。

1.6 总结与学习建议

本章作为课程导入，明确了TinyML在智能穿戴中的价值定位、课程的能力培养目标、六阶段学习路径以及项目的整体技术框架。学员在开始后续章节前，应确保具备以下基础：C语言编程能力（指针、结构体、回调函数）、基本的嵌入式开发经验（GPIO、UART、I2C）、对机器学习基本概念（特征、分类、训练/测试集）的初步了解。