传感器基础：常见传感器类型、工作原理与输出信号特性

在TinyML推理与功耗协同优化中，传感器是数据链路的起点。传感器选型与信号特性直接决定了预处理算法的复杂度、采样策略的能耗上限以及模型推理的输入维度。本章围绕加速度计、陀螺仪、温湿度传感器和光感传感器四类典型器件，剖析其物理敏感机制、信号输出形态与工程适配要点，为后续章节的功耗建模与推理调度奠定基础。

传感器信号链路与TinyML协同优化映射 传感器类型 加速度计 陀螺仪 温湿度 光感 敏感机制 电容/压阻 科里奥利力 电容/电阻 光电效应 输出信号特性 数字I2C/SPI 16-bit ADC 采样率可配 中断引脚 量程/灵敏度 噪声密度 ODR范围 FIFO深度 TinyML适配 预处理降噪 特征提取 帧缓冲管理 触发式推理 滑动窗口 FFT/统计量 DMA传输 中断唤醒 功耗协同 低功耗模式 动态调压 采样调度 推理频率 sleep/active DVFS 事件驱动 批量处理 信号链路：物理量 → 敏感元件 → 信号调理 → ADC → 数字接口 → 预处理 → 推理 → 功耗控制 图2-1 传感器信号链路与TinyML协同优化映射

2.1 加速度计：力学感知与动态信号特征

2.1.1 核心原理与敏感机制

加速度计通过测量质量块在加速度作用下产生的惯性力来获取加速度值。MEMS加速度计通常采用电容式或压阻式敏感结构。电容式加速度计利用质量块与固定电极之间的间距变化引起电容变化，通过检测电容差值反推加速度；压阻式则利用压阻效应，将应力变化转换为电阻变化。在TinyML应用中，电容式器件因温度稳定性好、噪声低而占据主导地位。

加速度计的输出信号特性可从三个维度描述：量程（如±2g、±4g、±8g、±16g）、灵敏度（如16384 LSB/g @±2g）和噪声密度（如180 μg/√Hz）。量程选择直接影响分辨率——量程越大，相同位数下每g对应的LSB越少，分辨率越低。例如，16-bit ADC在±2g量程下灵敏度为16384 LSB/g，而在±16g量程下仅为2048 LSB/g。

工程经验：对于人体活动识别（如步数检测、跌倒检测），±2g或±4g量程足够；对于工业振动监测或车辆碰撞检测，需选择±8g以上量程。量程选择过大会损失分辨率，过小则导致信号削波失真。

2.1.2 输出信号特性与接口适配

现代数字加速度计通过I2C或SPI接口输出数据，内部集成ADC、滤波器和FIFO缓冲。关键参数包括：

  • 输出数据速率（ODR）：从1Hz到几千Hz可配置，直接影响功耗——ODR越高，动态功耗越大。
  • FIFO深度：如32级FIFO，允许MCU在低功耗模式下批量读取数据，减少唤醒次数。
  • 中断输出：支持运动检测、倾斜检测、自由落体检测等硬件中断，可用于事件驱动的低功耗唤醒。

以ADXL345为例，其典型配置为：I2C地址0x53，ODR=100Hz，量程±2g，FIFO模式为流式。读取流程为：配置寄存器→等待中断或轮询状态→读取FIFO数据。在TinyML场景中，推荐使用FIFO中断批量读取，避免频繁I2C通信带来的功耗开销。

2.1.3 案例拆解：基于加速度计的跌倒检测信号链路

考虑一个可穿戴跌倒检测设备，MCU为Cortex-M4F（如STM32L4系列），传感器为LIS2DH12。设计目标：在保持检测准确率≥95%的前提下，将传感器+MCU平均功耗控制在50μA以内。

初始参数配置：

// LIS2DH12 配置示例
CTRL_REG1 = 0x57;  // ODR=100Hz, 低功耗模式, 启用XYZ
CTRL_REG4 = 0x80;  // ±2g, 高分辨率模式
FIFO_CTRL_REG = 0x40; // FIFO流式模式, 32级深度
INT1_CFG = 0x2A;   // 启用AOI, 6D检测, 阈值0.5g

信号链路分析：

  1. 传感器以100Hz ODR采样，数据写入FIFO，每320ms产生一次FIFO中断（32级满）。
  2. MCU在中断唤醒后，通过DMA一次性读取32组XYZ数据（共192字节），耗时约2ms。
  3. MCU执行预处理：滑动窗口（窗口大小64，步长32）提取特征——均值、方差、峰值、过零率。
  4. 将特征输入轻量级决策树模型（参数量约2KB），推理耗时约0.5ms。
  5. 若判定为跌倒，触发无线报警；否则MCU返回睡眠模式。

功耗核算：传感器工作电流约50μA（100Hz低功耗模式），MCU平均电流约15μA（睡眠+唤醒占比），总平均功耗约65μA。通过将ODR降至50Hz并采用运动唤醒中断（静止时自动降ODR），可进一步降至35μA。

风险提示：降低ODR会减少高频信号成分，可能导致跌倒检测的灵敏度下降。需在功耗与性能间做权衡，建议通过实际数据采集验证不同ODR下的检测准确率。

2.2 陀螺仪：角速度测量与姿态解算

2.2.1 核心原理与输出特性

MEMS陀螺仪基于科里奥利效应工作：当质量块在驱动方向振动时，若存在角速度输入，会产生垂直于驱动方向的科里奥利力，该力使敏感结构产生位移，通过电容检测可得到角速度值。与加速度计不同，陀螺仪输出的是角速度（°/s），而非角度。

陀螺仪的关键参数包括：量程（如±250、±500、±2000°/s）、零偏稳定性（如5°/h）、角度随机游走（如0.2°/√h）和带宽。在TinyML应用中，陀螺仪通常与加速度计组成IMU（惯性测量单元），用于姿态估计、手势识别和导航。

2.2.2 信号特性与融合策略

陀螺仪输出信号具有以下特点：

  • 高频噪声：角速度信号对振动敏感，需低通滤波（如截止频率50Hz）。
  • 零偏漂移：温度变化和长时间工作会导致零偏缓慢漂移，需定期校准。
  • 积分漂移：角速度积分得到角度时，零偏误差会随时间累积，需与加速度计融合（如互补滤波或卡尔曼滤波）。

在TinyML场景中，陀螺仪数据通常与加速度计数据联合使用。例如，手势识别中，加速度计提供线性加速度信息，陀螺仪提供旋转信息，两者融合可提高识别准确率。但融合算法会增加计算量，需在MCU算力与功耗间权衡。

2.2.3 案例拆解：IMU手势识别中的信号处理

以智能手表手势识别为例，使用BMI160（集成加速度计+陀螺仪）。目标：识别6种手势（上滑、下滑、左滑、右滑、双击、旋转），准确率≥90%，推理功耗≤1mW。

信号处理流程：

  1. 传感器以200Hz ODR采集6轴数据（加速度计±4g，陀螺仪±500°/s）。
  2. 手势检测触发：使用加速度计幅值阈值（>1.5g）检测手势起始。
  3. 手势窗口：检测到触发后，采集后续1秒数据（200个采样点×6轴）。
  4. 特征提取：计算每个轴的均值、方差、峰值、能量、过零率，以及加速度计与陀螺仪的相关系数，共生成36维特征。
  5. 分类器：使用随机森林（10棵树，深度4），模型大小约8KB，推理时间约3ms。

功耗优化：手势未触发时，传感器处于低功耗模式（ODR=25Hz），MCU睡眠；触发后切换至高性能模式。实测平均功耗：传感器45μA + MCU 120μA（含推理），总功耗约0.6mW，满足设计要求。

关键经验：陀螺仪数据在低功耗模式下噪声明显增大，若需高精度姿态解算，建议在触发后切换至高性能模式，并在预处理阶段增加中值滤波（窗口3）去除尖峰噪声。

2.3 温湿度传感器：环境感知与低速率采样

2.3.1 核心原理与信号特性

温湿度传感器通常采用电容式湿度敏感元件和热敏电阻或PN结温度敏感元件。湿度测量基于高分子薄膜吸湿后介电常数变化引起电容变化；温度测量基于电阻或电压随温度的变化。典型器件如SHT30、DHT20、HDC1080等，输出数字信号（I2C接口），内置校准和温度补偿。

温湿度信号具有低带宽特性：温度变化速率通常不超过0.1℃/s，湿度变化速率不超过0.5%RH/s。因此，采样率可以极低（如0.1Hz~1Hz），非常适合低功耗应用。

2.3.2 输出特性与工程适配

温湿度传感器的关键参数包括：精度（如±0.3℃、±2%RH）、分辨率（如0.01℃、0.01%RH）、响应时间（如8s）和长期漂移。在TinyML应用中，温湿度数据通常用于环境监测、设备热管理或作为其他传感器的温度补偿输入。

工程适配要点：

  • 采样策略：采用定时唤醒采样（如每10秒一次），采样完成后立即进入睡眠。
  • 数据平滑：温湿度信号变化缓慢，可采用简单指数移动平均（EMA）滤波去除瞬时干扰。
  • 阈值触发：设置温度或湿度阈值，仅在超限时触发MCU唤醒和推理。

2.3.3 案例拆解：冷链物流温度监测节点

设计一个冷链运输温度监测节点，要求：温度测量范围-20℃~50℃，精度±0.5℃，电池寿命≥6个月（CR2032，容量220mAh）。

方案设计：

  1. 传感器选择：SHT30，精度±0.3℃，I2C接口，功耗：测量时1.5mW，待机时0.15μW。
  2. 采样策略：每60秒唤醒一次，测量温度并记录，若温度超出设定范围（如2℃~8℃），立即通过BLE上报。
  3. MCU选择：EFM32HG210（Cortex-M0+），睡眠电流1.3μA，唤醒时间2μs。
  4. 功耗核算：MCU睡眠1.3μA×60s + 传感器待机0.15μA×60s + 测量功耗（1.5mW×10ms）+ MCU唤醒处理（3mA×5ms）≈ 78μAs + 15μAs + 15μAs ≈ 108μAs/周期。平均电流约1.8μA，电池寿命约220mAh/1.8μA ≈ 122,222小时 ≈ 13.9年（理论值）。
注意：实际电池寿命受自放电、温度影响和BLE通信功耗影响，通常按理论值的50%~70%估算。此外，传感器在低湿度环境下长期工作可能出现漂移，建议每6个月进行一次校准。

2.4 光感传感器：光电转换与动态范围管理

2.4.1 核心原理与信号特性

光感传感器基于光电效应工作，常见类型包括光电二极管、环境光传感器（ALS）和RGB颜色传感器。光电二极管将光功率转换为电流，通过跨阻放大器转换为电压，再经ADC数字化。环境光传感器（如OPT3001、BH1750）内置光谱响应校正和量程自动切换，输出照度值（lux）。

光感信号具有大动态范围特性：从暗室的0.1lux到阳光直射的100,000lux，跨度达6个数量级。因此，光感传感器通常内置多个量程（如OPT3001的0.01lux~83,000lux自动量程切换），或采用对数响应（如VEML6030）。

2.4.2 输出特性与TinyML适配

光感传感器的关键参数包括：动态范围、灵敏度（如0.01lux/LSB）、响应时间（如100ms）和光谱响应（需匹配人眼响应曲线）。在TinyML应用中，光感数据常用于屏幕亮度调节、环境分类（室内/室外/夜间）和节能控制。

信号处理要点：

  • 对数变换：由于照度范围大，直接使用线性值会导致特征分布偏斜，建议取对数后作为模型输入。
  • 时间平滑：光感信号易受瞬时遮挡干扰，采用滑动平均（窗口5~10）可减少误判。
  • 事件触发：利用光感传感器的中断功能（如光照突变检测），在环境变化时唤醒MCU。

2.4.3 案例拆解：智能照明系统的环境光自适应

设计一个智能照明控制节点，根据环境光强度自动调节LED亮度。要求：响应时间≤500ms，功耗≤5mW。

实现方案：

  1. 传感器：OPT3001，I2C接口，自动量程，功耗1.8μA（待机）/ 0.6mA（测量）。
  2. 采样策略：每200ms采样一次，使用EMA滤波（α=0.3）平滑光照值。
  3. 控制逻辑：将光照值映射到LED PWM占空比，映射函数为：Duty = 255 × (1 - exp(-Lux/500))，实现平滑调光。
  4. TinyML增强：使用一个微型神经网络（2层MLP，隐藏层8节点）预测用户偏好亮度，输入为光照值、时间、历史调节记录，输出为亮度修正系数。

性能评估：系统响应时间约300ms（含滤波延迟），平均功耗约3.2mW（传感器0.6mA×3.3V + MCU 0.8mA×3.3V），满足设计要求。通过引入TinyML预测，用户满意度评分从78%提升至91%。

经验总结：光感传感器的量程自动切换会引入输出跳变，在预处理阶段需检测量程切换事件并做归一化处理。建议在特征工程中使用对数照度值，并加入量程标志位作为辅助特征。

2.5 传感器信号特性对比与选型决策

传感器类型 敏感机制 典型输出 采样率范围 功耗量级 TinyML典型应用
加速度计 电容/压阻 数字I2C/SPI，16-bit 1Hz~3200Hz 10μA~200μA 活动识别、跌倒检测、振动分析
陀螺仪 科里奥利力 数字I2C/SPI，16-bit 1Hz~8000Hz 20μA~300μA 手势识别、姿态解算、AR/VR
温湿度 电容/电阻 数字I2C，14-bit 0.1Hz~10Hz 0.1μA~1.5mA 环境监测、热管理、冷链
光感 光电效应 数字I2C，16-bit 0.5Hz~100Hz 0.5μA~0.6mA 亮度调节、环境分类、节能控制

2.6 常见误区与设计复盘

2.6.1 误区一：忽略传感器噪声对推理准确率的影响

许多开发者直接使用传感器原始数据训练模型，忽略了传感器噪声和温漂的影响。实际上，传感器噪声会降低模型输入的SNR（信噪比），导致推理准确率下降。建议在数据采集阶段记录传感器噪声特性（如Allan方差），并在预处理中加入适当的滤波。

2.6.2 误区二：采样率越高越好

高采样率虽然保留了更多信息，但显著增加功耗和计算量。对于慢变信号（如温湿度），过高的采样率纯属浪费；对于快变信号（如振动），采样率不足会导致混叠。应根据信号带宽和任务需求选择ODR，并利用FIFO和中断减少MCU唤醒次数。

2.6.3 误区三：忽视传感器校准与温度补偿

MEMS传感器存在零偏、灵敏度误差和温度漂移。在TinyML应用中，若模型在实验室环境训练，部署到现场后可能因温度变化导致性能下降。建议在部署前进行现场校准，或在模型输入中加入温度特征作为补偿。

设计复盘建议：在传感器选型阶段，应同时评估信号质量、功耗、接口兼容性和成本。建议制作一个传感器选型评分表，从精度、功耗、响应时间、接口、封装、价格六个维度打分，并结合具体应用场景加权计算。
← 上一章 📖 返回目录 下一章 →