课程导入：学习目标、核心概念、整体框架，以及nRF52840在TinyML和BLE中的定位

欢迎进入《nRF52840 BLE TinyML项目：传感器识别和低功耗数据同步》的第一章。本章是整个课程的地基，我们将从宏观视角审视三个关键问题：这门课最终要交付什么能力？TinyML与BLE（低功耗蓝牙）为何能组合在一起？nRF52840在这套技术栈中扮演什么角色？如果你已经熟悉嵌入式开发，但尚未系统接触过TinyML，或者你了解机器学习但困惑于如何将其部署到纽扣电池供电的设备上，那么本章将为你搭建起完整的认知桥梁。我们不会直接进入代码或硬件接线，而是先建立一套清晰的心智模型——这决定了后续所有实验和项目能否顺利推进。

上图展示了本课程的核心技术定位：TinyML引擎负责在设备端完成传感器数据的特征提取与推理，BLE通信层负责将推理结果或原始数据以低功耗方式同步到上位机，而nRF52840作为硬件平台，提供了足够的算力、内存和无线能力来承载这两者。三者交汇处，正是本课程要攻克的核心难题——如何在资源受限的嵌入式设备上，实现可靠的传感器识别，同时保持极低的功耗预算。下面我们逐一拆解这些概念。

1.1 学习目标：从“能跑通”到“会设计”

本课程不是简单的“照着教程烧录代码”的实操课，而是培养你在真实产品约束下进行技术选型和方案设计的能力。完成本课程后，你应该具备以下四项核心能力：

• 理解TinyML全流程：能够独立完成从传感器数据采集、清洗、特征工程、模型训练（在PC端）、模型量化与转换（生成.tflite文件），到最终部署到nRF52840上运行的完整闭环。你不仅要会调用现成工具，还要理解每一步背后的数学和工程原理，例如为什么量化后精度会下降，如何通过校准数据集缓解。
• 掌握BLE低功耗通信设计：能够根据应用场景（如周期性上报、事件触发上报、远程配置）设计合理的GATT服务结构，选择合适的连接参数（连接间隔、从机延迟、超时时间），并利用nRF52840的SoftDevice或Zephyr BLE协议栈实现可靠且省电的数据传输。你需要理解广播与连接两种模式的功耗差异，以及如何通过数据长度扩展（DLE）和ATT MTU提升吞吐量。
• 具备系统级功耗分析与优化能力：能够使用nRF52840的电源管理模块（如System ON/OFF模式、GPIO唤醒、定时器唤醒）以及外设的按需供电策略，将系统平均功耗控制在微安级别。你将学会使用Nordic的Power Profiler Kit或逻辑分析仪测量实际功耗曲线，并据此调整软件策略。
• 建立软硬件协同调试思维：当推理结果异常或BLE通信不稳定时，能够快速定位问题根源——是传感器数据噪声过大？模型输入预处理不一致？还是无线链路受到干扰？你将掌握一套系统化的排障方法论，包括日志分级、实时跟踪、离线回放等技巧。

1.2 核心概念：TinyML与BLE的本质

在深入硬件之前，我们需要澄清两个经常被误解的概念。TinyML并不是“小型的机器学习”，而是在极低功耗、极小内存和有限算力的嵌入式设备上，部署和运行机器学习模型的一整套工程方法论。它的核心挑战在于：模型必须足够小（通常小于100KB），推理延迟必须足够低（实时性要求），且不能显著增加设备的功耗预算。这迫使开发者放弃传统的浮点运算，转而使用8位整数或更低位宽的量化模型，并针对特定硬件指令集（如Cortex-M4F的DSP扩展）进行优化。

BLE（低功耗蓝牙）则是一种专为短距离、低数据速率、低功耗场景设计的无线通信协议。它区别于经典蓝牙的关键在于：BLE设备大部分时间处于睡眠状态，仅在需要发送或接收数据时短暂唤醒。这种“休眠-唤醒”机制使得一颗纽扣电池可以支撑数月甚至数年的运行。但代价是吞吐量有限（理论最大约2Mbps，实际有效吞吐量通常在几百Kbps），且连接建立过程有延迟。因此，BLE不适合传输连续的高带宽数据流（如原始音频），而非常适合传输稀疏的、事件驱动的数据包（如传感器识别结果、温度告警、设备状态）。

将TinyML与BLE结合，产生了一个强大的协同效应：设备端完成智能决策，只将“有意义的结果”通过BLE发送出去，而不是发送所有原始数据。例如，一个智能门锁的加速度传感器持续监测振动，TinyML模型在本地判断“是否有人敲门”，只有检测到敲门动作时才通过BLE发送一条“敲门事件”消息给手机。这比持续将加速度波形流式传输到手机要节省几个数量级的功耗和带宽。

1.3 整体框架：课程内容与项目主线

本课程共30章，按照“基础-核心-进阶-综合”四个阶段组织。前5章聚焦于开发环境搭建、nRF52840外设操作和BLE基础通信。第6-15章深入TinyML的完整流程，包括数据采集、模型训练、量化部署和性能评估。第16-25章则围绕低功耗设计展开，涵盖电源管理、BLE功耗优化、以及传感器数据同步策略。最后5章是一个综合项目——构建一个可穿戴活动识别设备，将前面积累的知识点融会贯通。

整个课程的主线项目是一个“智能运动姿态识别器”：设备佩戴在手腕上，内置加速度计和陀螺仪，能够实时识别“走路、跑步、静止、挥手”四种状态，并通过BLE将状态变化同步到手机应用。这个项目看似简单，却涵盖了本课程所有关键技术点：传感器数据采集与校准、滑动窗口特征提取、CNN或决策树模型训练与量化、BLE自定义服务设计、以及基于事件驱动的低功耗调度策略。

1.4 nRF52840的硬件定位与选型理由

为什么选择nRF52840作为本课程的硬件平台？这并非偶然。在众多支持TinyML的MCU中，nRF52840在算力、内存、无线集成度和生态成熟度之间取得了极佳的平衡点。

• 算力与内存：内置ARM Cortex-M4F处理器，主频64MHz，带有FPU（浮点单元）和DSP指令集。虽然主频不算高，但FPU可以加速部分数学运算，而256KB的RAM和1MB的Flash足以容纳一个中等规模的量化模型（例如MobileNetV1的量化版本约300KB，但我们可以使用更小的模型如Fully Connected网络或小型CNN）。对于本课程的传感器识别任务，模型大小通常在10-50KB之间，RAM占用在20-50KB之间，完全在预算内。
• 无线能力：集成了兼容蓝牙5.0的2.4GHz收发器，支持BLE、ANT、Thread和Zigbee协议。这意味着你不仅可以用BLE，还可以探索其他无线协议。更重要的是，Nordic的SoftDevice协议栈（如S140）提供了经过认证的BLE协议栈，且与TinyML推理引擎可以共存于同一颗MCU上，无需外部协处理器。
• 外设丰富度：拥有12位ADC、PDM数字麦克风接口、PWM、多个定时器、SPI/I2C/UART等常用外设。特别是其ADC支持可编程增益放大器和采样保持功能，非常适合连接各种模拟传感器。此外，它还集成了温度传感器和NFC-A标签，为创意应用提供了更多可能性。
• 低功耗特性：在System OFF模式下电流可低至0.3μA，在System ON且RTC运行时约1.5μA。其电源管理单元支持多种电压调节模式（DC/DC和LDO），可根据工作状态动态切换。这些特性使得设计一个平均功耗低于10μA的传感器节点成为可能。

1.5 常见误区与学习路径建议

在开始后续章节之前，有必要指出初学者最容易陷入的几个误区，这些误区可能导致后续学习事倍功半。

• 误区一：认为TinyML就是“在单片机上跑Python”。实际上，TinyML的部署流程是：在PC上用Python训练模型，然后通过工具链转换为C++数组（或二进制文件），最后在MCU上使用C/C++进行推理。MCU上运行的是编译后的原生代码，而非解释型语言。理解这一点有助于你正确规划开发流程。
• 误区二：忽视数据预处理与模型输入的一致性。在PC上训练时，你可能对数据做了归一化、滤波或重采样。部署到MCU后，必须用完全相同的预处理步骤处理实时数据，否则推理结果会严重失真。例如，如果训练时使用均值0.5、标准差0.1进行标准化，那么MCU端也必须使用相同的参数。
• 误区三：将BLE视为“无线串口”。BLE的GATT协议有明确的服务和特征结构，且连接参数直接影响功耗和延迟。如果只是简单地将数据通过BLE透传，不仅效率低下，而且难以实现低功耗。你需要设计合理的通知（Notification）或指示（Indication）机制，并管理好连接间隔。
• 误区四：只关注峰值功耗，忽略平均功耗。BLE的射频活动是脉冲式的，峰值电流可能高达十几毫安，但持续时间极短。真正影响电池寿命的是平均功耗，这取决于事件频率、连接间隔和睡眠时间占比。因此，你需要学会计算或测量平均功耗，而不是只看数据手册上的峰值参数。

为了帮助你建立正确的学习路径，我们建议按照以下顺序推进：首先，确保你熟悉C语言和基本的嵌入式开发概念（中断、定时器、GPIO）。其次，完成一个简单的“LED闪烁+按键中断”实验，以熟悉nRF52840的GPIO和定时器。然后，尝试使用BLE向手机发送一条“Hello World”消息。接着，再进入TinyML部分，从线性回归或简单的分类模型开始，逐步过渡到卷积神经网络。最后，将两者结合，完成一个端到端的项目。