4、数据采集与预处理：传感器数据采集方法、采样率选择、数据清洗、滑动窗口分割、特征提取（均值、方差、FFT等）

TinyML运动检测项目的成败，往往不取决于模型结构有多精巧，而取决于喂给模型的数据质量与形态。传感器数据从物理世界到模型输入，需要经历采集、清洗、分割、特征提取四个关键阶段。本章将系统讲解IMU（惯性测量单元）数据的采集方法、采样率选择依据、清洗策略、滑动窗口分割逻辑以及特征工程的具体实现，帮助你在资源受限的MCU上构建可靠的运动识别流水线。

TinyML运动检测数据流水线 ① 数据采集 IMU传感器 加速度计 ±2~16g 陀螺仪 ±250~2000dps 采样率 25~100Hz ② 数据清洗 异常值剔除 缺失值插补 低通滤波 截止频率 = 采样率/2 ③ 滑动窗口 窗口长度 2~4s 重叠率 50% 步长 = 窗口×(1-重叠) 每窗口 1个样本 ④ 特征提取 时域：均值/方差 频域：FFT峰值 统计：RMS/峰峰值 维度控制 < 50 关键设计参数与约束 • 采样率：25Hz（静态动作）~ 100Hz（快速运动），受MCU Flash/内存限制 • 窗口长度：2s（站立/行走）~ 4s（复杂手势），需覆盖完整动作周期 • 特征维度：每轴3~5个特征，3轴IMU共9~15维，避免维度灾难 • 内存预算：50Hz×6轴×2字节×4s = 2400B，MCU RAM需预留 • 实时性：特征计算耗时 < 50ms，FFT需用定点数优化 数据质量决定模型上限，预处理流水线需在PC端验证后移植到MCU

4.1 传感器数据采集方法

核心原理：运动检测通常使用IMU（惯性测量单元），包含三轴加速度计和三轴陀螺仪。加速度计测量物体在X/Y/Z轴上的线性加速度（单位g或m/s²），陀螺仪测量角速度（单位dps或rad/s）。在TinyML场景中，常见的传感器包括MPU6050（6轴）、MPU9250（9轴）、LSM6DS3等。采集过程涉及I2C或SPI总线通信、FIFO缓冲管理以及中断触发机制。

采集方法选择：

  • 轮询模式：MCU主循环中定时读取传感器寄存器，适合低采样率（≤50Hz）和简单任务，代码实现简单但占用CPU。
  • 中断模式：传感器数据就绪时触发外部中断，MCU进入ISR读取数据，适合中等采样率（50~200Hz），能有效降低功耗。
  • FIFO批量读取：传感器内置FIFO缓存多组数据，MCU定期批量读取，适合高采样率（>200Hz）或需要深度睡眠的场景，可显著减少唤醒次数。
经验提醒：在电池供电的TinyML设备中，推荐使用FIFO模式。例如，MPU6050内置1024字节FIFO，在50Hz采样率下可缓存约4秒数据，MCU每2秒唤醒一次批量读取，比轮询模式节省约70%的功耗。

4.2 采样率选择策略

核心原理：采样率决定了时间分辨率和数据量。根据奈奎斯特采样定理，采样率必须大于信号最高频率的2倍。人体运动信号的频率范围通常在0.5~20Hz之间，日常活动（走路、跑步、站立）的主要能量集中在0.5~5Hz，手势识别可能需要10~20Hz。

应用场景 推荐采样率 频率范围 数据量（6轴，2字节） 适用MCU
静态姿态检测 10~25Hz 0~5Hz 120~300 B/s 8位MCU（如STM8）
日常活动识别 25~50Hz 0~10Hz 300~600 B/s Cortex-M0+
手势/快速动作 50~100Hz 0~20Hz 600~1200 B/s Cortex-M4F
振动/高频分析 200Hz以上 0~100Hz 2400 B/s以上 Cortex-M7或外置DSP

选择方法：首先确定目标动作的最短持续时间。例如，一次快速挥手约0.5秒，需要至少10个采样点才能捕捉波形特征，因此最低采样率为20Hz。然后考虑MCU的Flash和RAM限制——采样率越高，存储和计算开销越大。最后通过实验验证：在PC端用不同采样率重采样数据，训练模型对比准确率，选择准确率不再显著提升的最低采样率。

风险提示：采样率过低会导致动作细节丢失，例如走路时脚跟着地的冲击信号持续约100ms，若采样率低于20Hz则可能完全错过该特征。采样率过高则会造成数据冗余，增加MCU负担和功耗，且对模型准确率提升有限。

4.3 数据清洗与预处理

核心原理：原始传感器数据包含噪声、异常值和缺失值。噪声来源包括：传感器自身的热噪声、电源纹波、机械振动耦合；异常值可能由突然的冲击、通信错误或传感器饱和引起；缺失值则可能发生在FIFO溢出或I2C通信失败时。数据清洗的目标是去除无效信息，保留真实运动信号。

清洗流程：

  1. 异常值检测：计算每个轴数据的均值和标准差，若某采样点超出均值±3σ范围，标记为异常值。对于加速度计，若|a| > 4g（正常运动通常<2g），判定为冲击噪声。
  2. 缺失值处理：若缺失数据点较少（<5%），采用线性插值；若连续缺失超过10个点，建议丢弃该段数据，因为插值会引入虚假波形。
  3. 滤波去噪：使用一阶低通滤波器（RC滤波）或移动平均滤波。截止频率设为采样率的1/4~1/2。例如，50Hz采样率下，截止频率设为12.5Hz，可有效滤除高频振动噪声。
// 一阶低通滤波实现（C语言，适用于MCU）
float alpha = 0.2f;  // 滤波系数 = 1/(1+2π*fc*dt)
float filtered = 0.0f;

float lowpass_filter(float raw) {
    filtered = alpha * raw + (1.0f - alpha) * filtered;
    return filtered;
}

// 移动平均滤波（窗口大小=5）
#define WINDOW_SIZE 5
float buffer[WINDOW_SIZE] = {0};
int idx = 0;

float moving_average(float raw) {
    buffer[idx] = raw;
    idx = (idx + 1) % WINDOW_SIZE;
    float sum = 0.0f;
    for (int i = 0; i < WINDOW_SIZE; i++) sum += buffer[i];
    return sum / WINDOW_SIZE;
}
实战要点：在MCU上实现滤波时，优先使用整数运算替代浮点运算。例如，将alpha量化为Q15格式（乘以32768），滤波结果右移15位。这样可将计算耗时从约50μs降至5μs，且不损失精度。

4.4 滑动窗口分割

核心原理：运动数据是连续的时间序列，无法直接输入模型。滑动窗口将连续数据切分为固定长度的片段，每个窗口作为一个独立样本。窗口长度需覆盖一个完整动作周期，重叠率则用于增加样本数量和平滑预测结果。

参数选择方法：

  • 窗口长度：设为动作平均持续时间的1.5~2倍。例如，走路一步约1秒，窗口设为2秒；站立检测可设为1秒。窗口过短会截断动作，过长则包含多余信息，降低时间分辨率。
  • 重叠率：通常设为50%~75%。50%重叠可增加样本数量而不显著增加计算量；75%重叠用于需要高时间精度的场景（如实时跌倒检测），但计算量增加3倍。
  • 步长计算：步长 = 窗口长度 × (1 - 重叠率)。例如，窗口2秒、重叠50%，则步长1秒，即每1秒产生一个新窗口。

案例拆解：假设我们要在STM32F411（Cortex-M4F，100MHz）上实现跌倒检测。跌倒动作从开始到倒地约1.5秒，因此设置窗口长度2秒（100Hz采样率下共200个采样点），重叠率50%（步长1秒）。每个窗口包含6轴数据，共200×6=1200个原始值。若直接输入模型，特征维度为1200，远超MCU的处理能力。因此需要特征提取将维度降至20~30。

4.5 特征提取：从原始数据到有效特征

核心原理：特征提取将窗口内的原始采样点压缩为少量统计量，保留运动的关键信息，同时降低模型输入维度。在TinyML中，特征提取需在MCU上实时计算，因此必须选择计算量小、物理意义明确的特征。

常用特征分类：

特征类别 特征名称 计算公式 物理意义 计算量
时域特征 均值 μ = (1/N)Σxᵢ 静态分量（重力方向） O(N)
方差 σ² = (1/N)Σ(xᵢ-μ)² 运动强度 O(N)
均方根RMS RMS = √(Σxᵢ²/N) 信号能量 O(N)
频域特征 FFT峰值频率 f_max = argmax|X(k)| 动作周期性 O(N log N)
频谱能量 E = Σ|X(k)|² 频带能量分布 O(N log N)
统计特征 峰峰值 max(x) - min(x) 动作幅度 O(N)

FFT实现要点：在MCU上执行FFT需注意：使用定点FFT（如CMSIS-DSP库的arm_rfft_q15），将输入数据转换为Q15格式；FFT点数选择256或512（2的幂），对应2秒窗口在128Hz采样率下的数据量；只取前N/2个频点（奈奎斯特频率以下），丢弃对称部分。

// 使用CMSIS-DSP库进行定点FFT（Cortex-M4F）
#include "arm_math.h"

#define FFT_SIZE 256
q15_t input[FFT_SIZE * 2];  // 实部+虚部交替存储
q15_t output[FFT_SIZE];
arm_rfft_instance_q15 fft_inst;

// 初始化FFT
arm_rfft_init_q15(&fft_inst, FFT_SIZE, 0, 1);

// 执行FFT（输入为加速度X轴数据）
arm_rfft_q15(&fft_inst, input, output, 1);

// 计算频谱能量（取前FFT_SIZE/2个频点）
uint32_t energy = 0;
for (int i = 0; i < FFT_SIZE/2; i++) {
    energy += (uint32_t)(output[i] * output[i]) >> 15;
}

特征选择策略：并非特征越多越好。在TinyML中，每个特征都会增加模型输入维度和计算量。建议采用以下流程：先在PC端用全部候选特征训练模型，通过特征重要性排序（如随机森林的特征重要性）筛选Top 10~20个特征；然后在MCU上实现这些特征的计算，验证实时性；最后在真实硬件上测试模型准确率，确保特征在定点数计算下的精度损失可接受。

案例复盘：某团队开发手腕动作识别项目，初始提取了6轴×8个特征=48维特征，模型准确率92%。但部署到MCU后发现，特征计算耗时120ms，超过50ms的实时性要求。通过分析发现，FFT特征（6轴×2个）占用了60%的计算时间，但对准确率贡献仅3%。于是将FFT特征替换为过零率（计算量O(N)），特征维度降至36维，计算耗时降至35ms，准确率仅下降1.5%至90.5%，满足实时性要求。

4.6 常见误区与总结

常见误区：

  • 误区一：采样率越高越好。高采样率导致数据量激增，MCU存储和计算压力增大，功耗上升，但准确率提升有限。应根据动作频率选择合适采样率。
  • 误区二：忽略传感器校准。IMU存在零偏和尺度因子误差，未校准的数据会导致特征值偏移。建议在采集前进行静态校准（采集静止数据计算零偏）和六面校准（计算尺度因子）。
  • 误区三：窗口重叠率过高。75%重叠率下，相邻窗口高度相关，导致训练集样本冗余，模型过拟合风险增加，且推理计算量增大。
  • 误区四：特征提取在PC端完成，MCU端直接使用模型。这会导致训练与推理环境不一致。必须在MCU上实现相同的特征提取代码，并验证输出一致性。

总结复盘：数据采集与预处理是TinyML运动检测项目的基石。合理的采样率（25~50Hz）、有效的清洗策略（异常值剔除+低通滤波）、恰当的窗口参数（2秒窗口+50%重叠）以及精选的特征组合（5~10个/轴），能够在MCU资源受限的条件下实现高准确率运动识别。建议在项目初期就建立完整的PC端数据流水线，用于验证算法和参数；待方案成熟后，再移植到MCU并进行定点数优化。最终，数据质量决定了模型性能的上限，预处理流水线的设计应始终围绕“在MCU上可实时运行”这一核心约束展开。

← 上一章 📖 返回目录 下一章 →