环境准备与数据导入：注册Edge Impulse账号、创建项目、导入数据集、数据格式要求与预处理方法
在开始任何边缘机器学习项目之前，环境准备与数据导入是决定后续模型训练成败的基石。Edge Impulse作为业界领先的边缘AI开发平台，其云端工作流虽然简化了模型训练流程，但若在数据导入阶段缺乏系统性规划，往往会导致模型精度低下、训练反复失败甚至项目返工。本章将围绕账号注册、项目创建、数据集导入、格式规范与预处理策略五个核心环节展开，帮助您建立一套科学、可复现的数据工程方法论。
2.1 账号注册与项目创建：从零搭建开发环境
核心原理：Edge Impulse采用SaaS（软件即服务）模式，所有模型训练、测试与部署均在云端完成。账号体系不仅用于身份认证，更承担着项目隔离、数据配额管理、模型版本追踪等关键职责。免费版账号提供约20分钟的数据采集配额（约100MB存储），足以支撑中小型原型验证项目。企业版则提供私有部署、团队协作与高级安全特性。
操作流程：
- 注册与登录：访问
edgeimpulse.com，支持Google、GitHub账号OAuth登录，或使用企业邮箱注册。建议使用机构邮箱注册，便于后续团队协作与配额升级。 - 创建项目：登录后点击"Create new project"，输入项目名称（如"vibration_monitor_v1"），选择项目类型（时域数据、图像、音频或自定义）。项目名称建议遵循项目用途_版本号的命名规范，便于后期管理。
- 项目配置：在项目设置中，需明确目标设备（如Arduino Nano 33 BLE Sense、ESP32、Raspberry Pi 4等），这决定了后续模型部署时的算子支持与内存约束。同时设置数据采集频率（默认62.5Hz，可调至1000Hz）与传感器类型（加速度计、麦克风、摄像头等）。
经验提醒：创建项目时，务必先确认目标设备的RAM与Flash容量。例如，若部署到ESP32（320KB RAM），则模型输入特征维度不宜超过512维，否则部署阶段将面临内存溢出风险。建议在项目初期就锁定硬件型号，避免后期迁移成本。
2.2 数据集导入：格式规范与上传策略
核心原理：Edge Impulse支持三种数据导入方式：设备直采（通过串口/蓝牙实时采集）、CSV文件上传（适用于已有历史数据）、API推送（适合自动化数据管道）。无论采用哪种方式，数据格式必须严格遵循平台规范，否则将导致解析失败或特征提取异常。
数据格式要求：
| 数据类型 | 支持格式 | 关键参数 | 注意事项 |
|---|---|---|---|
| 时间序列 | CSV、JSON | 采样率、通道数、时间戳 | CSV首行需为列名；时间戳可选，但建议保留 |
| 图像 | JPG、PNG、BMP | 分辨率、色彩空间 | 建议统一尺寸（如96×96），避免拉伸变形 |
| 音频 | WAV、MP3 | 采样率、位深、声道数 | 推荐16bit/16kHz单声道，降低计算量 |
CSV文件标准结构示例：
timestamp,acc_x,acc_y,acc_z,label
1609459200.123,0.12,-0.34,9.81,idle
1609459200.139,0.15,-0.31,9.78,idle
1609459200.155,0.18,-0.29,9.75,idle
1609459200.171,0.22,-0.25,9.72,active
...操作流程：
- 数据采集：使用Edge Impulse Studio的"Data acquisition"页面，连接开发板后点击"Start sampling"，设置采样时长（建议每段5-10秒）与标签（如"idle"、"active"）。
- 批量上传：在"Data acquisition"页面选择"Upload data"，支持拖拽上传CSV文件或ZIP压缩包。上传时需指定标签类别，平台会自动按比例切分训练集（80%）与测试集（20%）。
- 数据校验：上传完成后，平台会生成数据质量报告，包括各通道的均值、方差、缺失值比例。若发现异常（如某通道全为0），需返回检查传感器连接或数据采集代码。
风险提示：切勿直接上传包含大量缺失值或NaN的数据。Edge Impulse的预处理管道对缺失值敏感，可能导致特征提取阶段报错。建议在本地使用Python（pandas）或Excel完成缺失值插补后再上传。
2.3 数据预处理方法：从原始信号到有效特征
核心原理：预处理的目标是消除噪声、统一尺度、增强信号可区分性。Edge Impulse内置了多种预处理模块，但理解其底层逻辑有助于您选择正确的参数组合。预处理链路的典型顺序为：清洗 → 窗口化 → 特征提取 → 归一化。
关键预处理方法：
- 滤波去噪：对于加速度计数据，建议使用低通滤波器（截止频率为采样率的1/4）去除高频振动噪声；对于音频数据，可使用带通滤波器（300Hz-3.4kHz）保留语音频段。
- 滑动窗口：窗口长度与步长直接影响特征数量与时间分辨率。例如，对于跌倒检测，窗口长度设为2秒（步长0.5秒）可捕捉完整的跌倒动作；对于关键词唤醒，窗口长度设为1秒（步长0.5秒）即可。
- 特征提取：时域特征包括均值、方差、峰值、均方根（RMS）；频域特征包括FFT频谱能量、频谱质心、谱熵。Edge Impulse的" Spectral Analysis"模块可自动计算这些特征。
- 归一化：推荐使用Z-score标准化（均值为0，标准差为1），尤其当不同通道的量纲差异较大时（如加速度计g值与陀螺仪°/s值）。
实战案例：工业电机振动监测
背景：某工厂需对电机轴承进行故障诊断，使用MPU6050传感器采集三轴振动数据，采样率500Hz。
初始现象：直接使用原始数据训练，模型准确率仅72%，且对早期故障（如轻微磨损）不敏感。
分析过程：检查数据发现，原始信号包含明显的工频干扰（50Hz）及随机噪声；且不同工况下振动幅值差异大，导致特征分布偏移。
操作步骤：
① 在Edge Impulse中配置"Exponential moving average"滤波器，alpha=0.3，消除高频毛刺；
② 设置窗口长度1秒（500个采样点），步长0.25秒，共生成4倍数据增强；
③ 启用"Spectral Analysis"模块，提取FFT频谱前20个频段的能量值；
④ 应用Z-score归一化，使各通道特征均值为0、方差为1。
结果对比：预处理后模型准确率提升至94.5%，对早期故障的召回率从58%提升至89%。
风险与代价：窗口重叠导致数据量增加4倍，训练时间从8分钟延长至22分钟；但模型泛化能力显著增强，在真实产线测试中误报率降低60%。
复盘经验：预处理参数的选择需结合物理背景（如电机转速、轴承故障特征频率），盲目使用默认参数可能丢失关键故障特征。
背景：某工厂需对电机轴承进行故障诊断，使用MPU6050传感器采集三轴振动数据，采样率500Hz。
初始现象：直接使用原始数据训练，模型准确率仅72%，且对早期故障（如轻微磨损）不敏感。
分析过程：检查数据发现，原始信号包含明显的工频干扰（50Hz）及随机噪声；且不同工况下振动幅值差异大，导致特征分布偏移。
操作步骤：
① 在Edge Impulse中配置"Exponential moving average"滤波器，alpha=0.3，消除高频毛刺；
② 设置窗口长度1秒（500个采样点），步长0.25秒，共生成4倍数据增强；
③ 启用"Spectral Analysis"模块，提取FFT频谱前20个频段的能量值；
④ 应用Z-score归一化，使各通道特征均值为0、方差为1。
结果对比：预处理后模型准确率提升至94.5%，对早期故障的召回率从58%提升至89%。
风险与代价：窗口重叠导致数据量增加4倍，训练时间从8分钟延长至22分钟；但模型泛化能力显著增强，在真实产线测试中误报率降低60%。
复盘经验：预处理参数的选择需结合物理背景（如电机转速、轴承故障特征频率），盲目使用默认参数可能丢失关键故障特征。
2.4 常见误区与总结复盘
常见误区：
- 误区一：数据越多越好。实际上，类别不平衡的数据集会导致模型偏向多数类。建议每类样本量差异不超过20%，必要时使用数据增强（如添加噪声、时间扭曲）平衡类别。
- 误区二：忽略采样率匹配。若训练数据采样率为500Hz，而部署设备实际采样率为100Hz，模型性能将急剧下降。务必在项目初期统一采样率。
- 误区三：标签语义模糊。使用"normal"、"abnormal"等宽泛标签会降低模型可解释性。建议使用具体状态描述，如"bearing_wear_level1"、"bearing_wear_level2"。
- 误区四：跳过数据可视化。直接上传数据而不进行时域/频域可视化，容易遗漏传感器漂移、周期性干扰等问题。建议在本地使用Python或Edge Impulse的"Data explorer"先进行探索性分析。