3、信号处理基础：时域特征、频域特征与时频域特征

在Edge Impulse中构建高效的机器学习模型，特征生成器的参数选择直接决定了模型能否从原始传感器数据中提取出最具判别性的信息。无论是加速度计、陀螺仪、麦克风还是环境传感器，其采集到的原始信号都是随时间变化的波形。要从中提炼出可用于分类或回归的数值特征，我们必须理解三类最基本的信号处理视角：时域、频域和时频域。本章将系统梳理这三类特征的核心概念、数学含义、适用场景，以及它们在Edge Impulse特征生成器中的具体配置逻辑，帮助你在面对具体项目时做出有理有据的参数决策。

3.1 时域特征：最直观的信号描述

核心原理

时域特征直接对原始采样点进行统计计算，不涉及任何变换。它们描述的是信号幅度随时间变化的统计规律。在Edge Impulse的"Time series"特征生成器中，时域特征通常作为默认选项或基础选项出现。最常用的时域特征包括：均值（信号直流分量）、方差/标准差（信号波动程度）、峰值（最大绝对幅度）、均方根值（有效能量）、过零率（信号穿越零点的频率）以及波形因子（RMS与整流平均值的比值）。这些特征的计算复杂度极低，非常适合在资源受限的MCU上实时运行。

判断方法与适用场景

时域特征最适合以下场景：稳态信号（如恒定加速度下的姿态判断）、缓慢变化的信号（如温度、湿度）、幅度差异明显的分类任务（如区分静止与运动）。在Edge Impulse中，当你处理的是加速度计数据且分类目标是"静止/走路/跑步"时，均值与方差往往已经能提供80%以上的判别力。但时域特征有一个致命弱点：无法区分频率成分不同的信号。例如，一个10Hz的正弦波和一个100Hz的正弦波，如果幅度相同，它们的均值和方差完全相同。

常见误区

• 误区一：认为特征越多越好。实际上，冗余的时域特征（如均值与中位数高度相关）会增加模型过拟合风险，且拖慢训练速度。
• 误区二：忽略窗口大小对时域特征的影响。窗口过短导致统计不稳定，窗口过长则模糊了信号的瞬态变化。Edge Impulse中默认窗口为2秒，但需要根据信号周期调整。
• 误区三：直接使用原始幅度值而不做归一化。不同传感器量程差异巨大，建议在特征生成前进行z-score标准化。

3.2 频域特征：揭示信号的频率构成

核心原理

频域特征通过傅里叶变换将时域信号分解为不同频率的正弦波叠加。在Edge Impulse中，FFT（快速傅里叶变换）是最核心的频域分析工具。FFT将N个采样点转换为N个复数频谱点，其中包含幅度谱和相位谱。实际应用中我们主要关注幅度谱，并从中提取：频谱峰值频率（最大幅度对应的频率）、频谱质心（能量加权平均频率）、频谱能量（各频段幅度平方和）、频带能量比（特定频段能量占总能量比例）。Edge Impulse的频谱特征生成器允许你自定义频段数量（通常为8-16个），每个频段的能量作为独立特征输入模型。

操作流程与参数选择

1. 确定采样率与FFT点数：Edge Impulse要求采样率至少为最高关注频率的2倍（奈奎斯特定理）。FFT点数通常等于窗口内采样点数，例如采样率100Hz、窗口2秒，则FFT点数为200。
2. 选择窗函数：Edge Impulse提供Hann、Hamming、Blackman等窗函数。对于连续振动信号，Hann窗是默认推荐；对于瞬态信号，矩形窗可能更合适。
3. 设置频段划分：根据物理知识划分频段。例如电机振动监测中，0-50Hz为基频区，50-200Hz为谐波区，200Hz以上为噪声区。
4. 提取特征：每个频段的能量、峰值频率、频谱平坦度等。

案例拆解：电机轴承故障诊断

某工厂部署振动传感器监测电机轴承状态，采样率设置为2000Hz，窗口长度1秒。初始时域特征（RMS、峰值）仅能区分正常与严重故障，无法识别早期点蚀。我们改用Edge Impulse的FFT特征生成器，设置FFT点数为512，Hann窗，划分16个频段。关键发现：正常轴承在50Hz（基频）处能量集中，而早期故障在150Hz-250Hz频段出现明显边带能量上升。通过提取该频段的能量比作为特征，模型准确率从72%提升至94%。复盘要点：频段划分必须基于设备物理特性，盲目使用默认频段会稀释特征判别力。

3.3 时频域特征：小波变换与瞬态信号分析

核心原理

时频域特征同时保留信号的时间和频率信息，最常用的工具是小波变换。与FFT不同，小波变换使用有限长度的基函数（小波母函数）对信号进行分解，通过缩放（改变频率）和平移（改变时间位置）生成一系列小波系数。Edge Impulse中集成了离散小波变换（DWT），默认使用Daubechies-4小波基。DWT将信号分解为近似系数（低频）和细节系数（高频），每一层分解将频率分辨率减半、时间分辨率加倍。对于非平稳信号，小波变换能够在低频部分获得高频率分辨率，在高频部分获得高时间分辨率，这是FFT无法做到的。

适用场景与参数配置

小波变换最适合以下场景：瞬态冲击信号（如敲击、碰撞、开关动作）、生物医学信号（如ECG中的QRS波群）、语音信号中的爆破音、地震波P波与S波识别。在Edge Impulse中，小波特征生成器允许设置分解层数（通常3-5层）和选择小波基。分解层数越多，频率分辨率越高，但特征维度也越大。对于大多数IoT应用，4层分解、提取各层细节系数的能量和标准差是较为稳妥的起点。

常见误区与总结

• 误区一：小波变换一定优于FFT。实际上，对于平稳周期信号，FFT更高效且特征更稳定。
• 误区二：分解层数越多越好。过深的分解会导致高频细节系数噪声放大，且计算量指数增长。
• 误区三：忽略小波基的选择。Daubechies-4适合瞬态，Symlet-8适合平滑信号，选择不当会降低特征质量。

总结复盘：三类特征各有不可替代的价值。时域特征提供基础统计量，计算快、适合粗分类；频域特征揭示周期性成分，适合振动与音频分析；时频域特征捕捉瞬态与非平稳信息，适合事件检测。在Edge Impulse中，建议采用组合策略：先使用时域特征建立基线模型，再逐步添加频域或小波特征，通过特征重要性评估（如Permutation Importance）筛选最有判别力的特征子集。同时注意，特征生成器的参数（窗口大小、FFT点数、频段数、小波层数）需要与信号的物理特性匹配，而非盲目追求高复杂度。最终目标是：在保证模型准确率的前提下，最小化特征维度和计算开销，使模型能够在目标硬件上实时运行。