课程导入：睡眠状态识别在健康监测中的重要性、TinyML的适用性、课程目标与学习路径

睡眠占据人一生约三分之一的时间，是身体修复、记忆巩固、代谢调节和免疫重建的核心生理过程。世界卫生组织的数据显示，全球约有27%的人口存在不同程度的睡眠障碍，而中国成年人失眠发生率高达38.2%。长期睡眠不足或睡眠质量低下，不仅直接导致日间嗜睡、注意力下降和情绪波动，更与高血压、2型糖尿病、阿尔茨海默病、心血管疾病乃至猝死风险显著相关。正因如此，睡眠状态识别已成为数字健康、可穿戴设备、慢病管理和老年照护领域的基础能力——它回答的不只是"睡没睡着"，而是"处于哪个睡眠阶段、睡眠结构是否合理、呼吸和心率是否存在异常节律"。

传统的睡眠监测依赖多导睡眠图（PSG），需要在医院睡眠中心采集脑电、眼电、肌电、心电、呼吸、血氧等多路信号，由专业技师进行逐帧标注。PSG精度高，但设备昂贵、操作复杂、佩戴不适，无法满足家庭场景和长期连续监测的需求。近年来，随着MEMS加速度计、光学心率传感器（PPG）和低功耗MCU的普及，基于腕部或体动信号的睡眠监测成为消费级产品的技术主流。然而，这类设备面临一个核心矛盾：如何在资源极度受限的嵌入式环境中，实现接近临床级精度的睡眠分期与状态识别？这正是TinyML（微型机器学习）发挥价值的舞台。

上图展示了本课程的核心技术链路：从多模态传感数据采集，到特征工程融合，再到TinyML模型设计与部署，最终输出可解释的睡眠状态分类结果。这张图贯穿了本课程的全部知识模块，后续每一章都会围绕其中的一个环节展开深入讲解。

为什么睡眠状态识别需要TinyML

在深入技术细节之前，我们需要先理解一个关键问题：为什么不在云端完成睡眠识别，而要在终端设备上做推理？这背后有四个核心驱动力。

第一，隐私与数据安全。睡眠数据属于高度敏感的个人健康信息，包含作息规律、心率变异性、可能的疾病征兆等。将原始传感器数据持续上传云端，不仅消耗带宽，更面临数据泄露的法律和伦理风险。在设备本地完成推理，只上传脱敏后的统计结果或异常告警，是医疗级应用的基本要求。

第二，实时性与连续性。睡眠监测需要整夜连续采集，通常以30秒为一个分期窗口，一晚约产生960个窗口。如果依赖云端往返，网络延迟和断连会导致数据丢失，且无法在检测到呼吸暂停等紧急事件时即时触发告警。端侧推理的延迟可以控制在毫秒级，确保关键事件不被遗漏。

第三，功耗与续航约束。可穿戴设备电池容量通常为100-300mAh，而连续整夜监测要求设备至少工作8-12小时。云端通信（Wi-Fi/蜂窝）的功耗远高于本地MCU推理。以Nordic nRF52840为例，Cortex-M4F内核在64MHz下运行推理的功耗约为5-10mW，而Wi-Fi传输同样数据量的功耗可达100mW以上。TinyML的核心价值之一，就是将机器学习推理的功耗压缩到与传感器采集同一量级。

第四，离线可用性。用户在旅行、露营或无网络覆盖的环境中，依然需要睡眠监测功能。端侧推理天然支持离线运行，不依赖外部基础设施。

课程目标：学完你能做什么

本课程不是纯理论讲解，而是以"可落地的睡眠状态识别系统"为最终交付物。学完本课程，你将具备以下能力：

能力维度	具体目标	对应章节
数据工程	能够从加速度计和PPG传感器采集原始数据，完成去噪、对齐和窗口化处理	第2-4章
特征建模	掌握运动特征、心率特征、时段特征和时序特征的提取方法，理解各特征对睡眠分期的贡献度	第5-8章
模型设计	能够设计并训练轻量级分类模型（随机森林、1D-CNN、LSTM），在精度和资源占用之间取得平衡	第9-15章
部署优化	掌握模型量化、剪枝、算子替换等TinyML优化技术，将模型部署到ARM Cortex-M系列MCU	第16-22章
系统验证	能够设计离线评测和在线验证方案，对比模型输出与PSG金标准的一致性，并处理边缘case	第23-27章
产品化思维	理解功耗管理、异常告警、用户反馈闭环等产品化关键问题	第28-30章

学习路径与前置要求

本课程面向具备一定嵌入式开发和Python编程基础的学员。建议按照以下路径学习：

1. 基础夯实（第1-4章）：理解睡眠医学基础、传感器原理和数据采集方法。如果你对I2C/SPI接口和中断驱动编程不熟悉，建议先复习STM32或nRF52系列的GPIO和定时器用法。
2. 特征工程核心（第5-8章）：这是本课程的精华部分。运动特征（体动计数、零交叉率）、心率特征（HRV时域/频域指标）、时段特征（入睡时间、昼夜节律相位）和时序特征（滑动窗口统计、差分序列）将逐一展开。每类特征都会配套真实数据案例。
3. 模型训练与优化（第9-15章）：从传统机器学习（随机森林、XGBoost）到深度学习（1D-CNN、LSTM），重点讲解如何在保持精度的前提下压缩模型。你会学习到知识蒸馏、参数量化（INT8）和权重剪枝的具体操作。
4. 嵌入式部署实战（第16-22章）：使用TensorFlow Lite for Microcontrollers和CMSIS-NN，将模型部署到实际开发板。每章都会提供可编译、可烧录的完整工程代码。
5. 系统级优化与验证（第23-30章）：涵盖功耗调优、异常检测、多设备一致性校准和临床验证方法。最后一章将带领你完成一个完整的睡眠监测参考设计。

睡眠分期的基本医学概念

在进入技术实现之前，我们需要统一术语。根据美国睡眠医学会（AASM）的标准，睡眠分为四个阶段：

• 清醒期（Wake）：眼动活跃，肌张力高，脑电以β波为主。在可穿戴设备中，通常表现为较高的体动水平和较高的心率变异性。
• 浅睡期（N1/N2）：N1为入睡过渡期，N2为浅睡眠主体，占整夜睡眠的45-55%。体动减少，心率先降后稳，脑电出现睡眠纺锤波和K复合波。
• 深睡期（N3）：慢波睡眠，占15-20%，是身体修复的关键阶段。体动极少，心率降至全天最低水平，呼吸规律。
• 快速眼动期（REM）：梦境多发，脑电活跃但肌张力显著抑制（骨骼肌瘫痪），心率和呼吸变得不规则。REM通常在入睡后90分钟首次出现，整夜循环4-5次。

一个完整的睡眠周期约90分钟，整夜经历4-6个周期。睡眠结构（各阶段占比和转换模式）是评估睡眠质量的核心指标。例如，深睡比例过低会导致日间疲劳，REM比例异常可能与抑郁等情绪障碍相关。

对于TinyML系统而言，我们通常将四阶段简化为三分类或二分类任务：三分类为"清醒/浅睡/深睡+REM合并"，二分类为"清醒/睡眠"。这种简化基于传感器物理限制——仅靠运动+心率无法完全区分N2和REM，但可以较可靠地区分清醒、浅睡和深睡。本课程将重点讲解三分类方案，并讨论如何通过时段特征和时序上下文提升分类精度。

课程中的关键工程挑战

在后续章节中，你会反复遇到以下四个工程挑战，这里提前建立认知框架：

挑战一：传感器噪声与伪迹。腕部加速度计对重力分量敏感，翻身、手臂挥动会产生大幅值信号；PPG传感器在运动状态下容易产生运动伪迹，导致心率估计偏差。本课程将教授基于滑动窗口中位数滤波、自适应阈值和信号质量指数（SQI）的预处理方法。

挑战二：个体差异与泛化能力。不同年龄、性别、体型和健康状况的人群，其运动模式和心率特征差异显著。一个在年轻人数据上训练的模型，直接部署到老年人设备上可能精度骤降。我们将讨论域适应（domain adaptation）和个性化微调（personalization）策略。

挑战三：时序依赖建模。睡眠状态不是独立事件，前一阶段对当前阶段有强影响。例如，深睡通常出现在入睡后30-60分钟，REM不会在入睡后立即出现。单纯使用逐窗口独立分类会丢失这些上下文信息。本课程将引入滑动窗口特征拼接、HMM平滑和LSTM序列建模三种方案。

挑战四：资源预算约束。以常见的Cortex-M4F内核MCU为例，Flash通常为256KB-1MB，RAM为64-256KB，主频64-128MHz。一个可接受的TinyML模型应满足：Flash占用<100KB，RAM占用<30KB，单次推理时间<50ms，平均功耗<10mW。这些约束将直接影响模型结构选择和量化策略。

课程配套资源与实验环境

为了确保你能顺利跟随课程实践，建议提前准备以下环境：

• 硬件：nRF52840 DK开发板（推荐）或ESP32-S3开发板，配备BMI270加速度计和MAX30102 PPG传感器模块。如果没有现成硬件，可使用手机内置传感器通过BLE传输数据。
• 软件：Python 3.9+，TensorFlow 2.10+，TensorFlow Lite for Microcontrollers，CMSIS-NN，以及Segger Embedded Studio或Arduino IDE。
• 数据集：课程将提供一份模拟睡眠数据生成器，同时推荐公开数据集如Sleep-EDF（需申请）、ISRUC-Sleep等用于离线实验。