Edge Impulse平台概览：注册与项目创建、界面导航、数据采集与上传方式、项目配置基础
在开始使用Edge Impulse进行异常检测模型训练之前，理解平台的整体架构与核心操作流程是至关重要的。Edge Impulse是一个端到端的机器学习平台，专门针对边缘设备（如MCU、NPU、FPGA）上的模型训练、优化与部署。它通过浏览器端的可视化工作流，将数据采集、特征工程、模型训练、模型测试与部署整合为一条标准化的流水线。本章将围绕平台注册、项目创建、界面导航、数据上传方式以及项目配置五个核心模块展开，帮助您建立对平台操作的整体认知，为后续的异常检测模型训练打下坚实基础。
2.1 注册与项目创建：从零开始搭建工作空间
核心原理：Edge Impulse采用基于云端的SaaS服务模式，所有数据存储、模型训练与版本管理均在云端完成。注册账号是使用平台的第一步，它为您分配独立的存储空间与计算资源。项目（Project）是平台中的基本组织单元，每个项目对应一个独立的机器学习任务，包含独立的数据集、特征管道、模型配置与部署产物。将不同传感器类型或不同检测目标拆分为独立项目，有助于保持数据隔离与模型管理的清晰性。
操作流程：
- 注册账号：访问
edgeimpulse.com，点击"Get Started"按钮。支持使用Google、GitHub账号或邮箱注册。企业用户可选择免费版（限制数据量）或企业版（无限数据与高级协作功能）。 - 邮箱验证：注册后需点击验证邮件中的链接激活账号。若未收到邮件，检查垃圾箱或重新发送。
- 创建项目：登录后点击"Create new project"，输入项目名称（如"motor_anomaly_detection"），选择传感器类型。平台会根据传感器类型自动推荐默认的数据处理参数（如加速度计默认采样率62.5Hz）。
- 项目设置：进入项目后，在"Dashboard"页面可修改项目描述、添加标签、设置数据保留策略。
2.2 界面导航：理解平台六大核心模块
核心原理：Edge Impulse的界面设计遵循机器学习标准工作流，将复杂的模型训练过程拆解为六个可视化模块。理解每个模块的功能边界与数据流向，是高效使用平台的关键。这六个模块构成了一个从原始数据到部署产物的完整闭环。
| 模块名称 | 核心功能 | 异常检测场景中的典型操作 |
|---|---|---|
| Dashboard | 项目总览、数据统计、模型性能摘要 | 查看数据平衡性、训练/测试集比例 |
| Data | 数据采集、上传、标注与数据集管理 | 上传正常状态与异常状态的传感器数据 |
| Impulse | 定义数据预处理管道（窗口、特征提取） | 设置窗口大小、选择DSP模块（如频谱分析） |
| Features | 生成特征向量并可视化特征空间 | 检查正常/异常样本在特征空间中的可分性 |
| Model | 选择算法、训练模型、评估性能 | 选择无监督异常检测算法（如K-means） |
| Deploy | 生成部署库、固件或导出模型 | 生成Arduino库或C++源码，集成到边缘设备 |
操作流程：在创建项目后，界面顶部会显示上述六个模块的导航标签。建议按照从左到右的顺序依次操作，但也可以随时跳转回之前的模块进行参数调整。例如，在"Model"模块发现特征可分性差时，可返回"Impulse"模块调整窗口大小或更换特征提取方法。
2.3 数据采集与上传方式：构建高质量训练集
核心原理：数据是机器学习模型性能的上限。Edge Impulse支持三种数据采集方式：设备直连采集（通过串口或BLE连接开发板实时采集）、文件上传（支持CSV、WAV、JPG等格式）、云端数据集导入（从公共数据集或云存储导入）。对于异常检测任务，数据采集的关键在于覆盖足够的工况变化，包括正常状态的多变性与异常状态的多样性。
操作流程：
- 设备直连采集：在"Data"模块点击"Collect data"，选择设备（如Arduino Nano 33 BLE Sense），设置采样频率与采集时长。平台会实时显示传感器波形，采集完成后自动上传至云端。
- 文件上传：点击"Upload data"，支持拖拽或选择文件。CSV文件需包含时间戳与传感器通道列；WAV文件适用于音频信号；图片适用于视觉任务。上传时可批量添加标签。
- 数据标注：在"Data"模块的"Labeling"子页面，可为每个样本或样本片段添加标签。对于异常检测，建议使用二元标签（normal/anomaly）或多元标签（如normal/wear/breakage）。
2.4 项目配置基础：目标设备、采样率与窗口设置
核心原理：项目配置决定了模型的计算复杂度与部署可行性。Edge Impulse允许您在项目初期设定目标硬件平台，平台会根据硬件性能自动推荐模型结构并预估RAM/Flash占用。采样率与窗口大小是影响特征提取效果的两个核心参数：采样率需满足奈奎斯特采样定理（至少为信号最高频率的2倍），窗口大小需覆盖足够多的信号周期以提取稳定特征。
关键配置项：
- 目标设备：在"Dashboard"→"Project info"中选择目标设备（如Cortex-M4F、Cortex-M7或GPU）。平台会显示该设备的计算能力与内存限制。
- 采样率：在"Data"模块的采集设置中定义。例如，加速度计采集振动信号时，若关注频率范围为10Hz-1kHz，采样率应设为2kHz以上。
- 窗口大小：在"Impulse"模块中设置。窗口大小直接影响特征向量的维度与模型输入尺寸。窗口越大，频率分辨率越高，但计算量也越大。
- 特征提取方法：Edge Impulse提供多种DSP模块，如频谱分析、梅尔频率倒谱系数（MFCC）、时域统计特征等。异常检测场景中，频谱分析通常能有效区分正常与异常状态。
常见误区与总结复盘：
- 误区一：认为采样率越高越好。过高的采样率导致数据量激增，增加存储与计算负担，且可能引入高频噪声。
- 误区二：忽略窗口重叠。Edge Impulse支持窗口重叠（如50%重叠），可增加训练样本数量，但需注意重叠过大可能导致数据泄漏。
- 误区三：在项目初期不设定目标设备。这会导致后期模型部署时发现模型过大无法在目标硬件上运行，需要重新调整特征与模型结构。
总结：本章系统介绍了Edge Impulse平台的基础操作流程。注册与项目创建是起点，界面导航帮助您理解平台工作流，数据采集方式决定了模型性能的上限，而项目配置则直接影响模型的可部署性。在实际项目中，建议先使用少量数据快速跑通全流程，再逐步扩充数据集与优化参数。下一阶段，您将进入数据预处理与特征工程的学习，这是异常检测模型性能的关键所在。