4、采样基础：采样定理（Nyquist）、采样率与分辨率、功耗与数据量的权衡、传感器数据采集流程
在TinyML推理系统中，传感器是物理世界与数字计算之间的第一道桥梁。采样环节决定了系统能“看到”什么、以多高的保真度“看到”，以及为此付出多少能量与存储代价。本章围绕采样定理、采样率与分辨率、功耗与数据量权衡、以及完整的数据采集流程四个核心模块展开，帮助你在设计端侧推理系统时，建立从模拟信号到数字特征的科学转换框架。
4.1 核心原理：奈奎斯特采样定理与混叠效应
采样定理（Nyquist-Shannon Theorem）是模拟信号数字化的基石。其核心表述为：当采样率 fs 大于信号最高频率分量 fmax 的两倍时，原始模拟信号可以从离散样本中无失真地重建。这里的“两倍”被称为奈奎斯特率，而 fs/2 则称为奈奎斯特频率。在实际工程中，仅仅满足理论上的两倍关系往往不够，因为真实传感器信号并非理想带限信号，且ADC前端的抗混叠滤波器不可能做到砖墙式陡降。
混叠（Aliasing）是欠采样导致的直接后果：高频分量会“折叠”到低频区域，产生虚假的频率成分。例如，一个 1kHz 的振动信号若以 1.5kHz 采样，重建后会被误认为 500Hz 的信号。在TinyML系统中，混叠会直接污染特征向量，导致推理结果完全错误。因此，硬件设计上必须在ADC之前放置低通滤波器（抗混叠滤波器），其截止频率应设置为 fs/2 的 0.4~0.8 倍，以抑制带外噪声。
4.2 判断方法：采样率与分辨率的确定流程
确定采样率与分辨率不能拍脑袋，需要遵循一套系统化的判断流程。首先，分析信号的频谱特征——通过FFT或查阅传感器数据手册，确定信号的有效带宽 fmax。其次，考虑系统功耗预算与数据量约束，在满足应用精度要求的前提下，尽量选择较低的采样率。最后，根据动态范围需求选择ADC分辨率。
| 参数 | 选择依据 | 典型值（TinyML场景） | 注意事项 |
|---|---|---|---|
| 采样率 fs | 信号最高频率 fmax，取 fs ≥ 2.5~5×fmax | 加速度：100~400Hz；音频：8~16kHz；ECG：125~500Hz | 过高采样率导致功耗与数据量急剧上升 |
| 分辨率 N | 动态范围 SNR = 6.02N + 1.76dB | 8~12 bit（振动/温度）；16 bit（音频/生物电） | 高分辨率增加数据量，且ADC功耗随N近似线性增长 |
| 抗混叠滤波 | 截止频率 fc ≤ fs/2 × 0.5 | 一阶RC或集成滤波器 | 滤波器阶数越高，过渡带越陡，但相位延迟越大 |
分辨率的选择还需考虑有效位数（ENOB）。一个标称16位的ADC，由于噪声和线性度限制，其ENOB可能只有12~13位。在低功耗模式下，ENOB还会进一步下降。因此，不要盲目追求高标称分辨率，而应关注实际有效位数。
4.3 功耗与数据量的权衡策略
在电池供电的TinyML设备中，采样环节的功耗往往占系统总功耗的20%~40%。ADC的动态功耗与采样率成正比：P_ADC ≈ C_total × Vdd² × fs，其中C_total是ADC内部电容网络的总电容。这意味着将采样率从400Hz降到100Hz，ADC功耗可降低75%。然而，降低采样率会牺牲信号带宽，可能丢失关键特征。
数据量方面，每秒产生的数据量为 fs × N / 8 字节。以12位分辨率、400Hz采样率为例，每秒产生600字节，若连续采集1分钟则产生36KB数据。对于仅有256KB Flash的MCU，这显然不可持续。因此，实际系统通常采用“突发采样+休眠”模式：以较高采样率采集短时窗口（如256ms），然后进入深度睡眠，将数据在本地进行特征提取后仅传输特征值而非原始波形。
4.4 传感器数据采集流程与实战案例
一个完整的传感器数据采集流程包含七个关键步骤：传感器上电稳定 → 信号调理 → ADC采样 → DMA搬运 → 预处理（去直流/滤波） → 特征提取 → 推理/存储/传输。每一步都有其特定的工程陷阱。
- 传感器上电稳定：MEMS传感器上电后需要约10~100ms的稳定时间，期间输出无效。必须等待稳定后再开始采样，否则首段数据不可用。
- 信号调理：包括放大、电平偏移、阻抗匹配。对于电桥式传感器（如压力传感器），需要仪表放大器；对于热电偶，需要冷端补偿。
- ADC采样：配置采样时间（采样保持电容充电时间），过短的采样时间会导致充电不足，产生增益误差。
- DMA搬运：使用环形缓冲区，避免数据覆盖。注意DMA传输完成中断与ADC转换完成中断的优先级。
- 预处理：去除直流偏置（减去均值）、数字低通滤波（如移动平均或IIR滤波）、去除异常尖峰。
- 特征提取：时域特征（RMS、峰值、峰峰值）、频域特征（FFT主频、能量谱密度）。
- 推理/存储/传输：将特征向量输入TinyML模型，或存储原始数据用于离线分析。
4.5 案例拆解：工业振动监测节点的采样参数设计
背景与约束：设计一个用于电机轴承振动监测的无线节点，电池容量为500mAh（3.7V），目标续航6个月。传感器为ADXL345（三轴加速度计，最高±16g，内部集成抗混叠滤波器）。MCU为STM32L4系列，内置12位ADC，但ADXL345通过I2C输出数字信号，因此实际使用其内部ADC。
初始目标与关键参数：电机转速为3000RPM（50Hz），轴承故障特征频率通常在1kHz以内。因此，信号最高频率 fmax = 1kHz。根据奈奎斯特定理，fs ≥ 2kHz。考虑工程裕量，取 fs = 4kHz。ADXL345在4kHz采样率下，功耗约为140μA（测量模式）。
分析判断过程：若连续以4kHz采样，每秒产生 4k × 3轴 × 16bit = 24KB数据，1分钟即1.44MB，远超MCU存储能力。因此，采用“突发采样”策略：每10分钟唤醒一次，采集1秒数据（4k个样本/轴），然后进行FFT特征提取，仅传输前3个主频幅值（共6字节）。
实际操作步骤：
// 伪代码示例
void采集任务() {
传感器上电();
延时(50ms); // 等待稳定
开启DMA环形缓冲;
ADC连续采样(4000Hz, 1秒);
停止采样;
计算均值并去除直流;
执行256点FFT(加汉宁窗);
提取前3个主频幅值;
打包为6字节特征;
通过BLE发送特征;
进入深度睡眠(10分钟);
}结果对比与复盘：采用突发采样后，平均电流从连续采样的1.2mA降至约80μA（含BLE发送），电池续航从不足2周提升至约7个月。代价是丢失了非采样时段的振动信息，但轴承故障是缓慢发展的，10分钟间隔足够捕获早期故障。复盘经验：① 采样率并非越高越好，需结合信号带宽与功耗预算；② 特征提取在端侧完成可大幅降低无线传输功耗；③ 传感器内部集成滤波器可简化硬件设计，但需确认其截止频率与采样率匹配。