4、音频信号采集与预处理：麦克风选型、采样率与位深设置、音频数据采集方法、预加重、分帧、加窗等预处理技术

异常声音检测（Anomaly Sound Detection, ASD）在工业设备状态监测、安防监控、智能家居等场景中具有重要应用价值。STM32Cube AI 工具链的核心能力是将训练好的神经网络模型部署到 STM32 系列 MCU 上，但模型性能的上限往往由输入数据的质量决定。本章聚焦于音频信号从物理世界到数字特征的完整链路，涵盖麦克风选型、采样参数配置、数据采集方法以及预加重、分帧、加窗等关键预处理技术。这些环节直接决定了后续特征提取（如 MFCC、Mel 频谱）的有效性，进而影响模型在嵌入式设备上的推理精度与实时性。

4.1 麦克风选型：从传感器端保证信号质量

麦克风是音频采集链路的起点，其性能直接决定了后续数字信号处理的上限。在 STM32 嵌入式系统中，常用的麦克风类型包括模拟驻极体麦克风（ECM）、模拟 MEMS 麦克风以及数字 MEMS 麦克风（PDM 接口）。选型时需要综合考虑灵敏度、信噪比（SNR）、频率响应、功耗以及接口兼容性。

核心原理：麦克风的核心参数包括灵敏度（单位 mV/Pa 或 dBFS）、信噪比（SNR，通常 58-65 dB）、频率响应范围（工业异常声通常集中在 100 Hz - 8 kHz）、最大声压级（SPL，避免削波失真）。对于 STM32 平台，模拟麦克风需要外置运算放大器和 ADC 采样，而数字 PDM 麦克风可直接连接 STM32 的 SAI 或 DFSDM 外设，简化硬件设计。

4.2 采样率与位深设置：平衡精度与资源

采样率和位深是音频数字化的两个基本参数。采样率决定了可采集的最高频率分量（奈奎斯特定理），位深决定了动态范围和量化噪声。在嵌入式系统中，这两个参数直接关联到存储开销、计算负载和功耗。

判断方法：对于异常声音检测，需要根据目标声源的频率范围确定采样率。工业设备（如轴承、齿轮箱）的异常声通常集中在 500 Hz - 5 kHz，采用 16 kHz 采样率即可覆盖；若需检测更高频的超声泄漏（如压缩空气泄漏），则需 48 kHz 或更高。位深方面，16 bit 提供 96 dB 动态范围，足以覆盖大多数工业声学场景；24 bit 适用于动态范围极大的环境（如安静实验室中的微弱异常声）。

// STM32CubeMX 中配置 I2S/SAI 采样参数示例
hi2s.Init.AudioFreq = I2S_AUDIOFREQ_16K;    // 16 kHz 采样率
hi2s.Init.DataFormat = I2S_DATAFORMAT_16B;  // 16 bit 位深
hi2s.Init.Standard = I2S_STANDARD_PHILIPS;
hi2s.Init.Mode = I2S_MODE_MASTER_RX;
hi2s.Init.ClockSource = I2S_CLOCK_SYSCLK;

实战场景：某工业风机异常检测项目，目标频率范围为 200 Hz - 6 kHz。选择 16 kHz 采样率（覆盖 8 kHz 带宽），16 bit 位深。每帧 512 点（32 ms），帧移 256 点（16 ms），每秒产生约 62 帧。每帧数据量 1 KB，双缓冲需 2 KB RAM，在 STM32F446（128 KB RAM）上完全可行。

4.3 音频数据采集方法：DMA 与双缓冲机制

在 STM32 上实现连续音频采集，必须采用 DMA（直接内存访问）方式，避免 CPU 逐样本搬运数据。核心方法是配置 DMA 的双缓冲循环模式（Ping-Pong Buffer），实现采集与处理并行。

操作流程：

1. 初始化 I2S/SAI 外设，配置为 DMA 接收模式。
2. 配置 DMA 通道为循环模式，设置两个缓冲区（Buffer0 和 Buffer1），每个缓冲区存放一帧数据。
3. 使能 DMA 传输完成中断（Half Transfer 和 Transfer Complete）。
4. 在 Half Transfer 中断中处理 Buffer0，在 Transfer Complete 中断中处理 Buffer1。
5. 处理函数中执行预处理和特征提取，将结果送入推理引擎。

// DMA 双缓冲配置核心代码
static int16_t audio_buffer[2][512];  // 双缓冲，每帧512样本

void HAL_I2S_RxHalfCpltCallback(I2S_HandleTypeDef *hi2s) {
    process_audio_frame(audio_buffer[0]);  // 处理前半部分
}

void HAL_I2S_RxCpltCallback(I2S_HandleTypeDef *hi2s) {
    process_audio_frame(audio_buffer[1]);  // 处理后半部分
}

案例拆解：某变电站变压器异常声监测系统，使用 STM32L496 + ICS-43434 PDM 麦克风。通过 DFSDM 外设完成 PDM 到 PCM 的转换，输出 16 kHz/16 bit 数据。DMA 双缓冲每帧 512 点，CPU 负载仅占 12%（80 MHz 主频），剩余资源用于 MFCC 特征提取和 CNN 推理。系统连续运行 72 小时无数据丢失，验证了双缓冲机制的可靠性。

4.4 预加重、分帧与加窗：信号预处理三要素

预处理的目标是消除采集过程中的干扰，突出目标信号特征，并为 FFT 分析准备合适的数据格式。三个核心步骤为预加重、分帧和加窗。

核心原理：

• 预加重：语音和机械声信号的高频分量通常能量较低，预加重通过一阶高通滤波器提升高频成分，公式为 y[n] = x[n] - α·x[n-1]，α 通常取 0.95-0.97。这有助于后续特征提取时保留高频细节。
• 分帧：音频信号是非平稳的，但在短时间（10-40 ms）内可视为平稳。分帧将连续信号切分为重叠的短帧，帧长 20-40 ms，帧移通常为帧长的 50%（如帧长 32 ms，帧移 16 ms）。
• 加窗：直接对帧信号做 FFT 会产生频谱泄漏。加窗（如 Hamming 窗）可减少帧边缘的不连续性，公式为 w[n] = 0.54 - 0.46·cos(2πn/(N-1))。加窗后的信号为 x_w[n] = x[n]·w[n]。

常见误区：

• 误区一：跳过预加重。对于机械异常声（如轴承磨损），高频成分往往是关键特征，跳过预加重会导致高频特征被噪声淹没。
• 误区二：帧移过大。帧移超过 50% 会导致帧间信息丢失，影响时序特征的连续性（如 MFCC 的一阶差分）。
• 误区三：窗函数选择不当。矩形窗虽然主瓣窄，但旁瓣衰减慢，频谱泄漏严重；Hamming 窗是默认选择，兼顾主瓣宽度和旁瓣衰减。
• 误区四：忽略直流偏移。部分麦克风电路存在直流偏置，需在预加重前进行去直流处理（减去均值）。

4.5 实战案例：STM32 上的完整预处理链路

以 STM32F746G-DISCO 开发板（内置音频编解码器）为例，实现一个完整的异常声音检测预处理流程。

背景与目标：检测车间空压机异常振动声。目标频率范围 300 Hz - 4 kHz，环境噪声约 65 dB SPL。要求检测延迟小于 200 ms，MCU 负载低于 30%。

关键参数：

• 采样率：16 kHz（覆盖 8 kHz 带宽，满足 4 kHz 目标）
• 位深：16 bit（动态范围 96 dB，足够区分异常声与环境噪声）
• 帧长：512 点（32 ms），帧移 256 点（16 ms）
• 预加重系数：α = 0.96
• 窗函数：Hamming（512 点）

实施步骤：

1. 配置 SAI 为 I2S 主接收模式，16 kHz/16 bit，DMA 双缓冲。
2. 在 DMA 回调中执行预处理：去直流 → 预加重 → 分帧（指针偏移）→ 加窗（查表）。
3. 对加窗后的 512 点数据执行 512 点 FFT（使用 CMSIS-DSP 库的 arm_rfft_fast_f32 函数）。
4. 计算 Mel 频谱（40 个滤波器组），输出 40 维特征向量。
5. 将特征向量送入 STM32Cube AI 生成的模型进行推理。

结果对比：预处理链路总耗时约 3.2 ms（80 MHz 主频），其中 FFT 占 1.8 ms，预加重+加窗占 0.6 ms，Mel 滤波占 0.8 ms。CPU 负载约 20%（每 16 ms 处理一次），满足实时性要求。相比未做预加重的方案，异常声检测准确率从 82% 提升至 91%，验证了预处理的有效性。

复盘经验：预处理参数并非一成不变，需根据实际声学环境调整。例如，若现场存在 50 Hz 工频干扰，需在预加重前增加高通滤波（截止频率 100 Hz）。建议在开发初期使用 Python 脚本（librosa 库）离线验证预处理参数，再移植到 STM32 上，可大幅减少调试时间。