2、传感器数据基础：常见传感器类型、采样率、分辨率、量程、噪声特性与数据格式

在TinyML端侧训练项目中，传感器是数据采集链路的起点，也是整个模型性能的天花板。无论后续使用何种神经网络结构或训练策略，如果传感器数据本身存在量程失配、采样率不足或噪声混叠，模型精度都将受到不可逆的损害。本章围绕传感器选型与数据理解展开，系统梳理常见传感器类型、关键电气参数、噪声来源与数据格式规范，帮助学习者在项目启动阶段建立正确的数据感知与预处理思维。

2.1 常见传感器类型与工作原理

传感器是将物理世界中的模拟量转换为电信号的换能器件。在TinyML端侧训练场景中，最常接触的传感器包括惯性测量单元（IMU，含加速度计与陀螺仪）、磁力计、环境传感器（温湿度、气压、光感）等。理解每种传感器的工作原理，有助于判断其噪声来源、频率响应特性和适用场景。

2.1.1 加速度计与陀螺仪

加速度计测量物体沿某一轴向的比力（specific force），单位为g（9.8 m/s²）。MEMS加速度计通常采用电容式检测原理：质量块在加速度作用下发生位移，导致差分电容变化，经ASIC转换为电压信号。加速度计适合检测线性运动、倾斜角度和振动频率，其频率响应通常为DC至数百赫兹。

陀螺仪测量角速度，单位为dps（度/秒）。MEMS陀螺仪基于科里奥利效应，通过检测振动质量块在旋转时产生的横向位移来推算角速度。陀螺仪对旋转运动敏感，适合姿态估计、防抖和导航应用。需要注意的是，陀螺仪存在零偏漂移（bias drift），长时间积分会导致角度误差累积。

2.1.2 磁力计与环境传感器

磁力计测量磁场强度，单位为μT（微特斯拉）或Gauss。它基于磁阻效应或霍尔效应，用于电子罗盘、金属检测和地磁导航。磁力计易受周围铁磁性材料干扰，需要定期校准。

环境传感器包括温湿度传感器（如SHT30、DHT20）、气压传感器（如BMP280、LPS22HH）和光感传感器（如OPT3001、BH1750）。这些传感器通常采用I2C接口，输出数字量，采样率较低（1~100 Hz），适合环境监测、气象站和智能家居场景。

2.2 采样率、分辨率与量程的工程权衡

采样率、分辨率和量程是传感器选型时最核心的三个参数，它们相互制约，直接影响数据质量和模型性能。

2.2.1 采样率：时间分辨率的决定因素

采样率（Sampling Rate）表示每秒采集的数据点数，单位Hz或sps（samples per second）。根据奈奎斯特采样定理，采样率必须大于信号最高频率的两倍，才能无失真地重建原始信号。但在实际工程中，由于传感器存在抗混叠滤波器（通常为内部低通滤波器），建议采样率设置为信号最高频率的5~10倍。

例如，人体步态频率约为1~3 Hz，跌倒冲击信号可达20~50 Hz，因此用于跌倒检测的加速度计采样率通常设置为50~100 Hz。而振动监测中，轴承故障特征频率可达数百赫兹，需要1000 Hz以上的采样率。

2.2.2 分辨率：最小可检测变化

分辨率（Resolution）指传感器能够分辨的最小输入变化量，通常由ADC位数决定。一个N位的ADC，其分辨率为量程除以2^N。例如，量程为±2g的16位加速度计，其分辨率为4g / 65536 ≈ 0.061 mg/LSB。

高分辨率并不等于高精度。如果传感器本身的噪声水平高于1个LSB，那么增加ADC位数并不会带来实际测量精度的提升。有效分辨率（ENOB）才是衡量实际性能的指标，它考虑了噪声的影响。

2.2.3 量程：测量范围的边界

量程（Range）定义了传感器能够测量的最大输入值。选择量程时，需要确保被测信号的最大值不超过量程的80%~90%，以避免削波失真。但量程越大，相同ADC位数下的分辨率越低。例如，±16g量程的16位加速度计，其分辨率为32g/65536 ≈ 0.49 mg/LSB，比±2g量程下的分辨率低8倍。

2.3 噪声特性分析与滤波策略

传感器噪声是限制测量精度的主要因素。理解噪声的来源和特性，是设计滤波器和训练鲁棒模型的前提。

2.3.1 噪声来源与类型

传感器噪声主要分为三类：热噪声（Johnson-Nyquist noise）、闪烁噪声（1/f噪声）和量化噪声。热噪声是宽带白噪声，功率谱密度平坦；闪烁噪声在低频段显著，功率与频率成反比；量化噪声由ADC量化过程产生，幅度为±0.5 LSB。

数据手册中通常给出噪声密度（Noise Density），单位为μg/√Hz或mdps/√Hz。将噪声密度乘以带宽的平方根，即可得到该带宽下的RMS噪声。例如，某加速度计噪声密度为180 μg/√Hz，带宽为100 Hz时，RMS噪声为180×√100 = 1800 μg = 1.8 mg。

2.3.2 滤波策略

针对不同噪声类型，需要采用不同的滤波策略。对于白噪声，可以使用移动平均滤波或低通滤波；对于低频漂移，可以使用高通滤波或卡尔曼滤波；对于特定频率的干扰（如50 Hz工频），可以使用陷波滤波器。

// 一阶低通滤波示例（C语言实现）
float lowpass_filter(float input, float prev_output, float alpha) {
    return alpha * input + (1.0f - alpha) * prev_output;
}
// alpha = 2πfc / (2πfc + fs)，fc为截止频率，fs为采样率

在TinyML端侧训练中，滤波操作通常在MCU上实时执行，需要控制计算开销。对于嵌入式平台，推荐使用IIR滤波器（如巴特沃斯、切比雪夫）而非FIR滤波器，因为IIR滤波器在相同阶数下计算量更小。

2.4 数据格式与解析方法

传感器数据格式直接影响数据解析的效率和正确性。常见的传感器输出格式包括原始寄存器值、补码整数、浮点数和工程单位值。

2.4.1 原始数据格式

大多数MEMS传感器通过I2C或SPI接口输出16位补码整数。例如，加速度计输出范围为-32768~32767，对应量程的负满量程到正满量程。解析时，需要将两个8位寄存器值组合为16位有符号整数，再乘以灵敏度系数（Sensitivity）转换为物理单位。

// 以MPU6050加速度计为例，量程±2g，灵敏度16384 LSB/g
int16_t raw_accel_x = (int16_t)((reg_val[0] << 8) | reg_val[1]);
float accel_x_g = (float)raw_accel_x / 16384.0f;

2.4.2 数据对齐与时间戳

多传感器融合时，数据对齐是常见难点。不同传感器的采样率不同，且启动时间存在差异，导致数据流不同步。解决方案包括：使用FIFO缓冲区暂存数据、利用传感器内部中断同步采样时刻、在数据帧中添加时间戳。

2.5 实战案例：可穿戴跌倒检测系统的传感器选型与数据采集

下面通过一个完整的案例，展示传感器参数选择和数据采集的工程实践。

2.5.1 项目背景与约束

设计一款老年人可穿戴跌倒检测设备，要求：电池供电（CR2032纽扣电池，容量约220 mAh），MCU为Cortex-M4F（主频80 MHz），需要连续采集加速度计和陀螺仪数据，并通过BLE上传至手机端进行TinyML模型训练。设备体积限制为25mm×25mm×8mm。

2.5.2 初始现象与关键指标

初步测试发现，使用默认配置（加速度计量程±16g，采样率500 Hz）时，电池续航仅6小时，且数据文件过大，BLE传输延迟严重。通过分析原始数据发现，实际跌倒冲击峰值约为±3.5g，正常行走时加速度峰值约为±1.2g，信号主要能量集中在0.5~30 Hz。

2.5.3 分析与调整过程

根据数据分析结果，进行以下调整：

1. 量程调整：将加速度计量程从±16g改为±4g，分辨率从3.9 mg/LSB提升至0.98 mg/LSB，信噪比提升约12 dB。
2. 采样率优化：将采样率从500 Hz降至100 Hz，满足奈奎斯特定理（信号最高频率30 Hz，5倍裕量），功耗降低80%。
3. 滤波设计：在MCU上实现截止频率为40 Hz的IIR低通滤波器，滤除高频噪声，同时保留跌倒冲击特征。
4. 数据格式：将原始16位整数转换为Q15定点格式（-1.0~1.0范围），减少存储空间并加速后续模型推理。

2.5.4 结果对比与复盘

复盘发现，初始配置失败的根本原因是未对实际信号特征进行分析，盲目采用高采样率和大量程。通过数据驱动的参数优化，不仅延长了续航，还提升了模型性能。这一案例说明，传感器参数选择必须基于实际应用场景的数据特征，而非数据手册的标称值。