4、特征提取基础：时域特征（均值、方差、峰值、过零率）与频域特征（FFT频谱、功率谱）的概念与数学原理
在CMSIS-DSP驱动的嵌入式信号处理链路中，特征提取是将原始ADC采样数据转化为可判读信息的关键枢纽。无论是电机振动监测、心电（ECG）分析，还是声音事件检测，系统最终依赖的往往不是原始波形，而是从波形中提炼出的低维特征向量。本章聚焦两类最基础、也最常用的特征族：时域特征（均值、方差、峰值、过零率）与频域特征（FFT频谱、功率谱）。我们将从数学定义出发，结合CMSIS-DSP的具体函数映射，讨论其物理含义、计算代价以及在低功耗MCU上的实现取舍。
上图展示了时域与频域特征在CMSIS-DSP中的基本映射关系。时域特征直接对采样序列进行算术运算，计算复杂度为O(N)，适合在MCU上逐帧实时计算；频域特征则需要先进行FFT变换，计算复杂度为O(N log N)，但能揭示信号中隐藏的周期性成分。在实际嵌入式系统中，两者往往配合使用：时域特征用于快速粗筛，频域特征用于精确诊断。
4.1 时域特征：数学定义与物理意义
时域特征直接对ADC采集到的离散时间序列 x[n]（n=0,1,...,N-1）进行统计计算。它们的共同优点是计算简单、延迟低，适合在中断服务程序或实时任务中逐样本更新。在CMSIS-DSP中，这些运算均有对应的优化函数，底层利用ARM Cortex-M内核的SIMD（单指令多数据）指令和硬件浮点单元（FPU）加速。
4.1.1 均值（Mean）与直流分量
均值是信号的一阶统计量，定义为：
μ = (1/N) * Σ x[n] (n=0 到 N-1)在CMSIS-DSP中，使用 arm_mean_f32(pSrc, blockSize, pResult) 函数计算。均值反映了信号的直流分量。在振动监测中，均值通常被去除后再进行后续分析，因为直流分量不包含机械故障信息，反而会占用ADC的动态范围。在ECG分析中，均值漂移可能指示电极接触不良或基线漂移。
arm_mean_q15 函数在定点处理器上比浮点版本快3-5倍，如果ADC分辨率是12位或16位，建议使用Q15格式。4.1.2 方差（Variance）与信号能量
方差描述信号围绕均值的波动程度，定义为：
σ² = (1/N) * Σ (x[n] - μ)²CMSIS-DSP提供 arm_var_f32(pSrc, blockSize, pResult) 函数，内部采用两遍扫描算法以避免数值不稳定。方差的开方即为标准差σ，在工程中更常用。方差对信号幅值变化非常敏感，适合检测突发冲击或幅值异常。例如，在电机轴承磨损初期，振动信号的方差会明显增大，而均值可能几乎不变。
值得注意的是，CMSIS-DSP还提供 arm_rms_f32 函数计算均方根值（RMS），它与方差的关系为：RMS² = σ² + μ²。RMS在交流信号分析中更常用，因为它直接对应信号的有效值功率。
4.1.3 峰值（Peak）与峰峰值
峰值定义为信号在窗口内的最大绝对值：
Peak = max(|x[n]|) (n=0 到 N-1)CMSIS-DSP使用 arm_max_f32 和 arm_min_f32 分别获取最大值和最小值，峰峰值 = max - min。峰值特征对瞬态冲击非常敏感，但容易受噪声干扰。在实际系统中，通常结合阈值判断：如果峰值超过预设门限，则触发中断或唤醒更高功耗的处理器进行详细分析。这种"事件驱动"策略是低功耗设计的关键。
4.1.4 过零率（Zero Crossing Rate, ZCR）
过零率统计信号在单位时间内穿越零点的次数，定义为：
ZCR = (1/(N-1)) * Σ |sign(x[n]) - sign(x[n-1])| / 2其中sign()为符号函数。CMSIS-DSP没有直接的ZCR函数，但可以通过 arm_sign_f32 配合差分运算实现。ZCR是语音活动检测（VAD）和音频分类的经典特征：清音（辅音）的ZCR较高，浊音（元音）的ZCR较低。在振动分析中，ZCR可以粗略反映信号频率的高低，但精度远不如FFT。
| 时域特征 | CMSIS-DSP函数 | 计算复杂度 | 典型应用 | 低功耗注意事项 |
|---|---|---|---|---|
| 均值 | arm_mean_f32/q15 | O(N) | 直流偏置去除、基线校准 | 分帧滑动更新，避免全量存储 |
| 方差 | arm_var_f32 | O(N) | 异常检测、幅值波动监测 | 两遍扫描，注意浮点精度 |
| 峰值 | arm_max_f32 / arm_min_f32 | O(N) | 冲击检测、阈值触发 | 可硬件比较器实现零功耗监控 |
| 过零率 | arm_sign_f32 + 自定义 | O(N) | 语音检测、频率粗估 | 适合定点实现，避免浮点开销 |
4.2 频域特征：FFT频谱与功率谱
频域特征通过傅里叶变换将时域信号分解为不同频率分量的叠加。对于长度为N的实序列x[n]，其离散傅里叶变换（DFT）定义为：
X[k] = Σ x[n] * e^(-j2πkn/N) (n=0 到 N-1, k=0 到 N-1)直接计算DFT需要O(N²)次复数乘法，而快速傅里叶变换（FFT）利用旋转因子的对称性和周期性，将复杂度降至O(N log N)。CMSIS-DSP提供完整的FFT函数族，包括 arm_rfft_fast_f32（实数FFT）、arm_cfft_f32（复数FFT）以及对应的Q15/Q31定点版本。
4.2.1 FFT频谱的物理含义
FFT输出的X[k]是复数，其幅值 |X[k]| 表示频率为 f_k = k * fs / N 的分量强度，其中fs为采样率。CMSIS-DSP中，使用 arm_cmplx_mag_f32 函数计算复数幅值。频谱分析的核心价值在于：将时域中难以分辨的多个叠加周期信号，在频域中分离为清晰的谱线。
例如，一个包含50Hz基波和150Hz三次谐波的振动信号，在时域波形中可能呈现复杂的畸变，但在频谱中会清晰显示两个峰值。对于旋转机械，基频对应转频，谐波成分的幅值比例可以诊断不对中、松动等故障。
4.2.2 功率谱密度（PSD）与能量分布
功率谱描述信号功率在频率上的分布。对于周期信号，功率谱可以通过FFT幅值的平方计算：
P[k] = |X[k]|² / NCMSIS-DSP中，可以先计算幅值，再用 arm_power_f32 求平方。更常用的方法是直接使用 arm_cmplx_dot_prod_f32 计算频谱的自相关。功率谱比幅值谱更平滑，对小幅值分量更敏感，适合宽带信号分析。
在实际工程中，常将功率谱划分为若干子带（Sub-band），计算每个子带的能量占比。例如，在音频分析中，将0-4kHz分为8个子带，每个子带500Hz，提取子带能量作为特征向量。CMSIS-DSP的 arm_fir_f32 滤波器组可以实现子带分解，但计算量较大，低功耗场景下建议使用FFT后直接累加对应频点。
4.2.3 频谱特征参数
从FFT频谱或功率谱中，可以进一步提取以下特征：
- 频谱峰值频率：幅值最大的频点，对应信号的主频率。使用
arm_max_f32在幅值数组中搜索。 - 频谱重心（Spectral Centroid）：加权平均频率，反映信号的"明亮度"。计算公式为 Σ(f_k * P[k]) / ΣP[k]。
- 频谱带宽：功率集中区域的宽度，反映信号的频率分散程度。
- 谐波失真度（THD）：谐波功率与基波功率之比，用于评估信号质量。
这些参数在CMSIS-DSP中没有直接函数，但可以通过基本运算组合实现。由于MCU的算力有限，建议在提取这些参数时使用定点运算，并预先计算好频率索引表，避免运行时重复计算。
背景与约束：某工业设备使用STM32F4系列MCU（Cortex-M4F，168MHz）监测电机轴承状态。采样率fs=8kHz，每次分析窗口N=1024点（128ms）。系统要求：特征提取阶段的总功耗不超过5mA@3.3V，且必须在1ms内完成单帧特征计算。
初始现象：轴承正常时，振动信号近似白噪声，方差较小；当轴承外圈出现裂纹时，时域波形出现周期性冲击，但肉眼难以分辨。
关键数据：正常状态：均值≈0.02V，方差≈0.15V²，峰值≈0.8V，ZCR≈1800次/秒；故障状态：均值≈0.03V，方差≈0.42V²，峰值≈1.6V，ZCR≈2200次/秒。
分析过程：仅靠时域特征，方差和峰值有明显变化，但无法确定故障频率。进一步做FFT分析，发现频谱在123Hz处出现明显峰值（对应轴承外圈故障特征频率BPFO），且伴有边带成分。
实际操作：① 使用
arm_rfft_fast_f32 对1024点数据做实数FFT，耗时约0.3ms；② 使用 arm_cmplx_mag_f32 计算幅值谱；③ 在0-4kHz范围内搜索峰值频率，使用 arm_max_f32 找到123Hz；④ 计算123Hz附近±5Hz内的能量占比，作为故障指标。结果对比：仅用时域特征，诊断准确率约78%；加入频域特征后，准确率提升至96%。代价是计算时间增加0.4ms，但仍在1ms预算内。
风险与代价：FFT需要额外4KB的RAM存储中间结果（1024点复数），在资源紧张的系统中需谨慎规划。此外，FFT对窗函数敏感，直接使用矩形窗会导致频谱泄漏，建议使用汉宁窗（CMSIS-DSP提供
arm_hanning_f32）。复盘经验：时域特征适合作为第一级粗筛，当方差或峰值超过阈值时，才启动FFT进行精确诊断。这种分级策略可将平均功耗降低60%。
4.3 低功耗实现策略与常见误区
在MCU上实现特征提取，功耗优化需要从算法、数据格式和硬件加速三个维度综合考虑。CMSIS-DSP提供了丰富的优化选项，但使用不当反而会降低效率。
4.3.1 定点与浮点的选择
Cortex-M4F/M7/M33等内核带有FPU，浮点运算速度较快，但功耗高于定点运算。对于电池供电设备，建议使用Q15或Q31定点格式。CMSIS-DSP的 arm_rfft_fast_q15 比浮点版本快约40%，功耗降低约30%。但定点FFT需要额外的Q15格式转换和饱和处理，代码复杂度增加。
4.3.2 分帧处理与数据复用
特征提取通常采用分帧（Framing）方式：每帧N个样本，帧与帧之间可能有重叠（Overlap）。重叠率越高，特征的时间分辨率越高，但计算量也越大。低功耗设计中，建议采用50%重叠，并使用滑动窗口技术复用上一帧的部分FFT结果。CMSIS-DSP的 arm_rfft_fast_f32 支持原地运算（in-place），可以节省内存。
4.3.3 硬件加速与DMA
CMSIS-DSP底层利用ARM的SIMD指令（如SMLAD、SSAT）和可选的FPU加速。在Cortex-M7上，还可以使用双精度FPU。此外，利用DMA将ADC数据直接传输到内存，避免CPU参与数据搬运，可以显著降低功耗。在特征计算期间，CPU可以进入睡眠模式，由DMA完成数据采集。
4.3.4 常见误区总结
| 误区 | 后果 | 正确做法 |
|---|---|---|
| 忽略直流分量直接做FFT | 频谱0Hz处出现巨大峰值，掩盖低频信号 | 先减去均值，或使用高通滤波器 |
| FFT点数N与采样率不匹配 | 频率分辨率不足或频谱混叠 | 确保N ≥ 2 * fs / f_min，且满足奈奎斯特定理 |
| 使用矩形窗 | 频谱泄漏严重，旁瓣干扰 | 使用汉宁窗或汉明窗，CMSIS-DSP提供现成函数 |
| 每帧都重新计算窗函数 | 浪费CPU周期 | 预先计算窗函数并存储在Flash中 |
| 特征提取与分类器耦合过紧 | 算法升级困难 | 设计独立特征提取模块，输出标准化特征向量 |
4.4 本章总结与工程要点
时域特征与频域特征各有不可替代的价值。时域特征计算快、物理意义直观，适合实时监控和事件触发；频域特征精度高、抗干扰能力强，适合离线分析和故障诊断。在CMSIS-DSP框架下，两者可以无缝衔接：先用 arm_mean_f32 和 arm_var_f32 做快速筛查，当检测到异常时，再调用 arm_rfft_fast_f32 进行频谱分析。
低功耗设计的核心原则是"按需计算"：不要每帧都计算所有特征，而是根据应用场景选择最有效的特征子集。例如，在持续监测场景中，可以只计算均值和方差，每100帧才计算一次FFT；在事件驱动场景中，使用峰值检测作为唤醒源，仅在事件发生时启动完整特征提取。
最后，务必验证CMSIS-DSP函数在目标MCU上的实际性能。CMSIS-DSP提供了 arm_cortexM7l_math.lib 等预编译库，但不同编译选项（如优化等级、是否使用FPU）会影响性能。建议使用 DWT->CYCCNT 寄存器测量函数执行周期数，确保满足实时性要求。