3、运动检测原理：加速度计/陀螺仪工作原理、常见运动模式（走路、跑步、静止）的信号特征

在TinyML运动检测项目中，传感器数据的质量直接决定了模型的上限。无论是部署在可穿戴手环、工业振动监测节点，还是智能家居的人体存在感知模块中，加速度计与陀螺仪都是最核心的物理信号来源。本章将深入剖析MEMS惯性传感器的工作原理，并系统拆解静止、走路、跑步三种典型运动模式在时域与频域上的信号特征，为后续的ONNX模型输入特征工程与功耗调优奠定物理基础。

3.1 加速度计与陀螺仪的工作原理

3.1.1 MEMS加速度计的力学模型

微机电系统（MEMS）加速度计的核心是一个由硅质悬臂梁支撑的微小质量块。当设备发生线性加速度时，质量块因惯性产生位移，改变与固定电极之间的间距，从而引起差分电容变化。通过电容-电压转换电路和模数转换器（ADC），最终输出数字化的三轴加速度值（Ax, Ay, Az），单位通常为g（1g = 9.81 m/s²）。

在实际工程中，加速度计的输出包含两个分量：重力分量与运动加速度分量。静止时，三轴矢量的模长应接近1g；当设备发生线性运动时，运动加速度会叠加在重力分量之上。这一特性决定了我们在特征提取时，既可以使用原始三轴数据，也可以使用合成矢量幅值（SVM, Signal Vector Magnitude）：

SVM = sqrt(Ax² + Ay² + Az²)

SVM的最大优势在于消除了设备姿态（方向）的影响，使得模型对佩戴方向不敏感，非常适合TinyML场景下的鲁棒性要求。

3.1.2 陀螺仪的角速度测量原理

陀螺仪基于科里奥利效应工作。当质量块在驱动轴方向做高频振动，同时设备绕敏感轴旋转时，会产生垂直于振动方向和旋转轴的科里奥利力，该力使质量块在检测轴方向产生位移，进而通过电容检测得到角速度。陀螺仪输出三轴角速度（Gx, Gy, Gz），单位通常为度每秒（dps）。

陀螺仪对旋转运动极为敏感，但在静止时存在零偏漂移（bias drift）现象，即输出不为零且随时间缓慢变化。因此，在运动检测中，陀螺仪通常用于辅助识别旋转类动作（如转身、挥手），而加速度计则更适合检测线性位移和重力方向变化。

3.2 常见运动模式的信号特征分析

3.2.1 静止状态的信号特征

静止状态是运动检测中最容易识别的模式，其信号特征极为明确：三轴加速度数据几乎恒定，SVM值稳定在0.95g~1.05g之间；陀螺仪三轴输出接近0 dps，但存在±1~3 dps的随机漂移。在频域上，静止信号的频谱能量集中在0~0.5 Hz的超低频段，高频分量极少。

在实际部署中，静止检测常被用作系统的低功耗休眠触发条件。例如，当连续2秒检测到SVM方差小于0.01g²时，MCU可进入睡眠模式，将传感器采样率从50 Hz降至1 Hz，从而大幅降低系统功耗。

3.2.2 走路模式的信号特征

走路是一种周期性运动，其核心频率为步频，通常为1.5~2.5 Hz（即每分钟90~150步）。在时域上，加速度计垂直轴（通常为Z轴或Y轴，取决于佩戴方向）呈现明显的周期性波峰，峰值幅度约为1.2g~1.8g，波谷约为0.6g~0.9g。SVM信号则呈现双峰形态（脚跟触地和脚尖离地），但整体包络清晰。

在频域上，走路信号的频谱在步频及其谐波（2倍频、3倍频）处出现明显峰值。利用FFT提取主频，可以准确估计步频，进而计算行走速度。此外，走路时陀螺仪的输出幅度较小（通常小于50 dps），主要反映腿部摆动和身体微旋转。

3.2.3 跑步模式的信号特征

跑步的步频通常为2.5~4 Hz（每分钟150~240步），且存在腾空期——双脚同时离地的瞬间。这一物理特征导致跑步信号的冲击峰值显著增大：垂直轴加速度峰值可达2g~3.5g，SVM峰值超过2.5g。同时，跑步信号的时域波形比走路更尖锐，波峰宽度更窄，高频分量更丰富。

在频域上，跑步信号的主频更高，且谐波能量衰减更慢，表明信号中含有更多的高频冲击成分。此外，跑步时陀螺仪的角速度输出幅度也明显增大，尤其是髋关节和踝关节的旋转角速度可达100~200 dps。

3.3 信号预处理与特征工程实战

3.3.1 滑动窗口与数据分割

在TinyML推理中，我们无法对无限长的连续数据流直接分类，而是采用滑动窗口机制。窗口长度通常为2~4秒，步长为窗口的50%（即50%重叠）。例如，采样率为50 Hz时，一个3秒窗口包含150个采样点，每个采样点包含3轴加速度和3轴陀螺仪数据，共6维输入。窗口重叠的目的是增加分类决策的平滑性，避免动作切换瞬间的误判。

3.3.2 核心特征提取方法

对于每个窗口，我们提取以下特征组作为ONNX模型的输入：

• 时域统计特征：每轴的均值、标准差、峰峰值、均方根（RMS）、过零率。这些特征计算简单，适合MCU实时运算。
• 频域特征：对SVM信号做FFT，提取主频、频谱质心、前3个谐波的幅值。FFT计算量较大，在MCU上通常使用256点或512点FFT。
• 形态特征：SVM的峰值计数、波峰间隔的均值与方差、信号熵。这些特征能有效区分走路与跑步的冲击模式。

// 伪代码示例：计算SVM和过零率
for each sample in window:
    svm[i] = sqrt(ax[i]^2 + ay[i]^2 + az[i]^2)
    if (svm[i] - 1.0) * (svm[i-1] - 1.0) < 0:
        zero_crossing_count++

svm_mean = average(svm)
svm_std = stddev(svm)
peak_count = count_peaks(svm, threshold=1.5g)

3.4 案例拆解：基于加速度计的人体活动识别（HAR）

我们以一个典型的可穿戴手环项目为例，说明如何利用上述原理构建运动检测模型。项目约束：使用Cortex-M4F内核MCU（主频80 MHz），配备LIS2DH12加速度计（采样率50 Hz，量程±4g），目标功耗低于1 mW。

初始现象与目标：手环需要区分静止、走路、跑步三种状态，并实时显示步数。初期使用固定阈值法（SVM > 1.2g判定为运动），但误判率高达25%，尤其在走路与跑步的过渡阶段。

分析判断过程：采集了3名测试者各10分钟的数据，发现仅靠SVM阈值无法区分走路与跑步——两者的SVM均值重叠区域较大。进一步分析频谱后发现，走路主频为1.8 Hz，跑步主频为2.9 Hz，差异显著。因此决定引入频域特征。

实际操作步骤：

1. 将原始数据按3秒窗口（150个采样点）切分，步长1.5秒。
2. 对每个窗口计算SVM序列，提取均值、标准差、峰值计数、过零率。
3. 对SVM序列执行256点FFT，提取主频和频谱质心。
4. 将上述6个特征输入一个3层全连接神经网络（输入6→隐藏16→输出3），使用Softmax分类。
5. 将训练好的模型转换为ONNX格式，再通过TensorFlow Lite for Microcontrollers转换为C数组，部署到MCU。

结果对比：引入频域特征后，分类准确率从75%提升至94%。功耗方面，由于FFT计算仅需约15 ms（80 MHz主频），且传感器在非活动期间可降至1 Hz采样，系统平均功耗从1.8 mW降至0.7 mW。

风险与代价：FFT计算增加了CPU活跃时间，导致峰值功耗上升。但通过降低采样率（跑步时无需50 Hz，25 Hz足够）和优化FFT实现（使用CMSIS-DSP库），最终在功耗与精度之间取得了平衡。

3.5 总结复盘与工程要点

运动检测的核心在于理解物理信号与运动模式之间的映射关系。加速度计提供线性运动信息，陀螺仪提供旋转信息，两者互补。在TinyML场景下，应优先选择计算复杂度低的时域特征，仅在必要时引入频域特征。静止检测是功耗优化的关键入口，通过合理的窗口策略和采样率控制，可以在不牺牲准确率的前提下大幅降低系统功耗。