3、穿戴设备硬件与传感器：常见MCU、传感器（加速度计、心率、PPG等）、内存与功耗特性，如何影响验收指标
TinyML穿戴设备的验收指标——准确率、误报率、续航和稳定性——从来不是纯软件问题。模型在PC端跑得再好，一旦部署到由电池供电、内存受限、传感器噪声明显的真实硬件上，性能就会剧烈波动。硬件选型决定了算法性能的上限，也决定了验收测试中你能调优的空间。本章从MCU、传感器、内存与功耗四个维度，拆解它们与验收指标之间的因果链路。
3.1 核心原理：硬件选型如何决定验收指标的天花板
穿戴设备验收指标不是独立存在的，它们由硬件平台的能力边界直接约束。MCU的算力决定了你能跑多大的模型、多高的采样率；传感器的信噪比决定了输入数据的质量上限；内存容量限制了模型大小和特征缓冲区的深度；功耗特性则直接决定了续航指标能否达标。理解这四者的耦合关系，是进行验收测试和问题定位的前提。
| 硬件维度 | 关键参数 | 直接影响 | 间接影响 |
|---|---|---|---|
| MCU | 主频、MAC操作数/周期、硬件加速器 | 推理延迟、帧率 | 可部署模型复杂度 → 准确率上限 |
| 传感器 | 采样率、分辨率、信噪比、量程 | 输入数据质量 | 误报率、特征区分度 |
| 内存 | SRAM容量、Flash容量、DMA通道 | 模型参数量、中间结果存储 | 特征窗口长度 → 识别精度 |
| 功耗 | 工作电流、休眠电流、供电电压 | 续航时长 | 唤醒策略 → 实时性与误报率平衡 |
以加速度计为例，常见的ADXL345（12位分辨率）与LIS3DH（16位分辨率）在静态姿态识别中差异不大，但在跌倒检测这类需要捕捉高频冲击的场景中，16位分辨率能提供更细腻的冲击波形，减少因量化噪声导致的误判。PPG传感器则更复杂，其绿光LED的驱动电流、采样率、环境光抑制能力，直接影响心率信号的AC/DC比，进而影响心率变异性（HRV）特征的计算精度。
3.2 判断方法：从验收指标反推硬件需求
在项目启动阶段，应该从验收指标倒推硬件选型，而不是先选硬件再定指标。具体操作流程如下：
- 明确验收指标数值：例如准确率≥95%、误报率≤1次/天、续航≥72小时、连续运行7天无死机。
- 估算计算负载：根据模型结构（如1D-CNN、LSTM、决策树）估算每次推理所需的MAC操作数。例如一个输入长度128、3层卷积的模型，大约需要50万次MAC。
- 计算所需算力：假设每秒钟需要完成10次推理（10Hz帧率），则总算力需求为500万MAC/s。Cortex-M4F系列（如STM32L4）在80MHz下可提供约4000万MAC/s，满足需求；而Cortex-M0+（如STM32L0）只有约1000万MAC/s，可能成为瓶颈。
- 评估内存占用：模型权重（假设8位量化后约200KB）、特征缓冲区（128×4字节×2通道=1KB）、中间激活值（约10KB），总SRAM需求约15KB。选择SRAM≥32KB的MCU留出余量。
- 计算功耗预算：电池容量（如200mAh）除以目标续航（72小时）得到平均电流预算约2.8mA。需要评估MCU工作电流（如5mA@80MHz）、传感器电流（如加速度计150μA、PPG 500μA）、无线模块电流（如BLE广播20mA峰值），设计占空比调度。
实战判断要点：不要只看MCU主频，要关注其是否有硬件乘法器、SIMD指令、以及是否支持CMSIS-NN优化库。同样主频的Cortex-M4F比Cortex-M0+在卷积运算上快3-5倍，这直接影响能否在帧间隔内完成推理。
3.3 案例拆解：跌倒检测设备的硬件调优闭环
某团队开发一款老人跌倒检测手环，验收指标为：跌倒识别准确率≥92%，误报率≤0.5次/天，续航≥48小时。初始硬件方案采用STM32L031（Cortex-M0+，32MHz）、ADXL345加速度计、256KB Flash、8KB SRAM、180mAh电池。
初始测试结果：准确率仅78%，误报率高达3次/天，续航仅30小时。通过日志分析发现三个问题：
- ADXL345在±16g量程下有效分辨率仅8位，跌倒冲击波形量化噪声大，导致特征提取不稳定。
- STM32L031无硬件乘法器，运行3层1D-CNN每次推理耗时85ms，而采样帧间隔仅50ms，导致数据积压、丢帧。
- PPG传感器（用于心率辅助判断）持续工作，平均电流1.2mA，占用了大量功耗预算。
调优操作：
- 将加速度计更换为LIS3DH（16位分辨率），在±16g量程下有效分辨率提升至12位，冲击波形细节明显改善。
- MCU升级为STM32L431（Cortex-M4F，80MHz），推理时间降至18ms，满足实时性要求。
- PPG传感器改为每5分钟采样30秒的间歇模式，平均电流降至0.15mA。
- 模型量化从8位进一步压缩到4位（使用TFLite Micro的量化工具），Flash占用从180KB降至95KB，SRAM占用从12KB降至6KB。
结果对比：准确率提升至93.5%，误报率降至0.3次/天，续航延长至52小时。但代价是4位量化后模型在低强度跌倒（如缓慢滑倒）场景下灵敏度下降，团队通过增加一个简单的阈值预判分支（当加速度幅值>2.5g时触发完整推理）解决了该问题。
复盘经验：硬件调优不是单点替换，而是系统性的重新平衡。传感器升级解决了数据质量问题，MCU升级解决了算力瓶颈，但功耗压力又转移到传感器调度策略上。每次改动都要回归验收指标做全量回归测试，特别是误报率指标容易在优化功耗时反弹。
3.4 常见误区与总结复盘
误区一：盲目追求高精度传感器。高分辨率传感器往往功耗更高、数据量更大，需要更强的MCU和更大的内存。在静态活动识别（如坐、站、走）场景中，12位加速度计完全够用，16位带来的收益微乎其微。
误区二：忽略传感器数据手册中的“有效分辨率”。很多传感器标称16位分辨率，但在高量程下实际有效位数会下降。例如LIS3DH在±16g量程下有效位数仅12位，在±2g量程下才达到16位。选型时必须结合目标场景的量程需求。
误区三：将PC端模型直接部署到MCU。PC端模型通常使用32位浮点，直接部署到MCU会导致内存溢出或推理超时。必须经过量化、剪枝、算子替换等优化步骤，且优化后的模型需要重新在硬件上验证准确率。
误区四：续航测试只测平均电流。穿戴设备的功耗具有明显的脉冲特性——BLE广播、传感器突发采样、模型推理都会产生瞬时大电流。如果电源设计或电池内阻过大，瞬时压降会导致MCU复位，表现为“偶发死机”，直接影响稳定性验收。建议使用功耗分析仪记录电流波形，关注峰值电流和压降。
风险提示：在验收测试中，如果发现准确率达标但误报率超标，优先检查传感器数据质量而非模型阈值。使用串口或日志输出原始传感器波形，对比误报时刻与正常时刻的信号差异，往往能发现是运动伪影、传感器饱和或电源噪声耦合等问题。
总结来说，穿戴设备硬件选型与验收指标之间是强耦合关系。MCU决定算力天花板，传感器决定数据质量上限，内存决定模型复杂度边界，功耗决定续航与稳定性的平衡点。在验收测试中，任何一项指标不达标，都应从这四个维度进行系统排查，而不是孤立地调整模型参数或阈值。硬件平台的能力边界，就是验收指标可达成的物理极限。