📚 课程目录第4章数据增强与特征工程

4、数据增强与特征工程：时间序列增强、滑动窗口、FFT特征、归一化与标准化

TinyML手势识别项目的核心挑战在于：如何在资源受限的MCU（微控制器）上，用尽可能小的模型实现尽可能高的识别准确率。原始IMU（惯性测量单元）数据通常是包含噪声、基线漂移和个体差异的原始时间序列，直接送入模型往往导致过拟合或泛化能力差。本章聚焦于数据进入模型前的关键处理链路——数据增强、滑动窗口切分、FFT特征提取以及归一化/标准化。这四步构成了从原始传感器流到可训练特征张量的完整pipeline，直接决定了模型的上限。

4.1 时间序列数据增强：对抗过拟合的第一道防线

核心原理：IMU手势数据天然存在个体差异——不同用户的手势幅度、速度、倾斜角度各不相同。如果训练集仅包含单一受试者的数据，模型极易过拟合到特定动作模式。时间序列增强通过在训练过程中对原始样本施加受控变换，生成语义不变但形态各异的变体，迫使模型学习手势的本质结构而非表面数值。

常用增强策略：

幅度缩放：对每个轴乘以随机系数（如0.85~1.15），模拟不同力度的手势。
时间扭曲：使用插值法对时间轴进行非线性拉伸/压缩，模拟手势速度变化。
高斯噪声注入：添加标准差为原始信号5%~10%的高斯噪声，提升抗干扰能力。
轴置换/旋转：对三轴加速度/角速度施加随机旋转矩阵，模拟佩戴角度偏差。
窗口平移：在原始手势序列中随机偏移起始点，增强时间鲁棒性。

实战建议：增强操作应在训练循环内在线执行（而非预处理阶段离线生成），这样每个epoch都能看到不同的变体，等效于无限扩充数据集。但需注意增强强度不宜过大——若幅度缩放超过±20%，可能改变手势的物理含义（如“快速挥手”变成“缓慢推拉”）。

4.2 滑动窗口切分：从连续流到训练样本

核心原理：IMU传感器输出的是连续时间序列，而模型需要固定长度的输入。滑动窗口将长序列切分为重叠的短片段，每个片段对应一个手势类别标签。窗口长度和步长是影响模型性能的关键超参数。

参数选择方法论：

参数	典型值	影响	选择依据
窗口长度	1~3秒	过长引入冗余信息，过短丢失手势完整性	手势持续时间的中位数×1.5
步长	窗口的25%~50%	步长越小样本越多，但计算量增大	平衡样本量与训练时间
重叠率	50%~75%	高重叠提升样本连续性，但增加相关性	数据集较小时用高重叠

标签分配策略：当窗口跨越手势边界时，采用“多数投票”原则——窗口内占比最高的手势类别作为该窗口的标签。对于过渡帧（手势切换瞬间），建议直接丢弃以避免标签噪声。

# 滑动窗口切分伪代码
def sliding_window(data, window_size=200, step=50):
    samples = []
    for start in range(0, len(data) - window_size, step):
        end = start + window_size
        window = data[start:end]
        label = majority_vote(labels[start:end])
        samples.append((window, label))
    return samples

4.3 FFT特征提取：挖掘频域判别信息

核心原理：时域信号中，不同手势的加速度/角速度波形可能相似，但频谱特征差异显著。例如，“快速拍手”的能量集中在20-40Hz，“慢速画圈”则集中在2-5Hz。FFT将窗口信号变换到频域，提取紧凑且判别力强的特征。

关键频域特征：

频谱峰值：最大幅值对应的频率，反映手势的主频。
频谱质心：幅值加权平均频率，描述能量分布中心。
频带能量：将0~Nyquist频率分为4~8个子带，计算各子带能量占比。
谱熵：频谱的平坦程度，复杂手势谱熵高，简单手势谱熵低。

特征融合策略：不建议完全丢弃时域信息。最佳实践是将FFT特征与原始时域窗口拼接（或分别输入双分支网络）。对于MCU部署，FFT特征可显著降低模型输入维度——例如将200点×6轴时域数据压缩为32维频域特征，使模型参数量减少60%以上。

工程注意：FFT计算在MCU上需使用定点数实现（如CMSIS-DSP库的arm_rfft_q15），浮点FFT在Cortex-M4上虽可运行但功耗较高。建议在PC端提取特征后，将特征向量直接作为模型输入，避免在端侧重复计算FFT。

4.4 归一化与标准化：统一特征尺度

核心原理：加速度计输出范围（±2g~±16g）与陀螺仪（±250°/s~±2000°/s）量纲不同，且不同用户的手势幅度差异大。若不归一化，数值较大的特征将主导模型训练，导致收敛缓慢且泛化差。

两种主流方法对比：

方法	公式	适用场景	输出范围
Min-Max归一化	(x - min) / (max - min)	已知数据边界，特征分布均匀	[0, 1]
Z-Score标准化	(x - μ) / σ	存在离群点，分布近似高斯	无界（均值0，方差1）

关键原则：归一化参数（min/max或μ/σ）必须仅从训练集计算，并保存为常量供推理阶段使用。若使用全数据集统计量，会造成信息泄露，导致验证集评估结果虚高。

# 训练集拟合，验证集/测试集转换
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)  # 仅fit训练集
X_val_scaled = scaler.transform(X_val)          # 复用训练集参数

4.5 案例拆解：三轴手势“画圈”识别全流程

背景与约束：某可穿戴设备项目需识别“画圈”“画叉”“滑动”三种手势，MCU为Cortex-M4（无FPU），Flash 512KB，RAM 128KB。原始数据来自BMI160 IMU，采样率50Hz，每手势持续2秒。

初始现象：直接使用时域原始数据训练2层LSTM，验证集准确率仅82%，且在不同用户间掉至65%。分析发现：用户A画圈幅度大（加速度峰值±4g），用户B幅度小（±1.5g），模型被幅度主导。

处理流程：

数据增强：对每类手势生成10个变体（幅度缩放0.8~1.2，时间扭曲±8%，高斯噪声σ=0.05g），训练集从300样本扩至3300。
滑动窗口：窗口长度100点（2秒），步长25点（0.5秒），重叠75%，共生成约1200个训练窗口。
FFT特征：对每轴取128点FFT，提取频谱质心、峰值频率、4个子带能量（共6轴×6特征=36维），与时域均值/方差拼接，最终特征维度48。
归一化：采用Z-Score标准化，μ和σ从训练集计算并保存为int16定点数。

结果对比：

方案	验证集准确率	跨用户准确率	模型大小
原始时域+无增强	82%	65%	48KB
增强+时域	91%	84%	48KB
增强+FFT特征	94%	89%	12KB
增强+FFT+标准化	96%	93%	12KB

复盘经验：FFT特征将模型体积压缩75%的同时提升准确率，关键在于频域特征对幅度变化不敏感；标准化进一步消除了个体差异。但代价是特征提取需在PC端完成，端侧仅部署轻量分类器（如全连接网络），牺牲了端侧自适应能力。

4.6 常见误区与总结

  误区1：增强强度过大导致数据失真。例如时间扭曲超过±30%时，“画圈”可能被扭曲成“画椭圆”，反而引入噪声。

  误区2：窗口重叠率过高（>90%）导致训练样本高度相关，验证集评估结果偏乐观，实际部署效果打折。

  误区3：对FFT特征和时域特征使用相同的归一化参数。两者量纲差异大（频域能量可达10^4，时域加速度仅±4），应分别计算统计量。

  误区4：在端侧重新计算归一化参数。MCU上无法获取全局min/max，必须使用训练集预计算的固定值。

本章总结：数据增强、滑动窗口、FFT特征和归一化构成了TinyML数据管线的四大支柱。增强解决数据量不足，窗口解决序列切分，FFT解决维度压缩，归一化解决尺度统一。四者协同作用，使模型在保持轻量化的同时获得鲁棒的跨用户性能。在实际项目中，建议按“先增强、再切窗、后特征、终归一”的顺序构建pipeline，并始终以端侧部署约束（内存、算力）为反向指导，避免在PC端设计出无法落地的复杂特征。