3、特征提取概念：时域特征、频域特征、统计特征及其在嵌入式场景中的意义
在CMSIS-DSP的优化链条中，特征提取是连接原始传感器数据与决策模型之间的关键桥梁。嵌入式系统（如电机控制、可穿戴设备、工业振动监测）中，ADC采样得到的原始信号往往包含大量冗余信息和噪声，直接送入分类器或控制器不仅计算开销大，而且容易因维度灾难导致模型泛化能力下降。特征提取的本质是用更少的数值保留信号中最具判别力的信息，从而降低后续处理的计算复杂度、存储需求与功耗。本章将系统梳理时域、频域与统计特征三大类方法，并结合嵌入式实时性约束，讨论其工程取舍与CMSIS-DSP下的实现路径。
上图展示了三类特征在嵌入式信号处理链路中的定位：时域特征直接对采样序列做轻量级运算，频域特征依赖FFT变换，统计特征则从概率分布角度刻画信号形态。在实际工程中，这三者并非互斥，而是常常组合使用——例如先通过时域RMS快速判断设备是否处于异常状态，再触发频域分析定位故障频率成分。下面逐一展开其数学定义、物理含义与嵌入式实现要点。
3.1 时域特征：最直接的信号描述
核心原理
时域特征直接对ADC采集的离散序列 \( x[n] \)（n=0,1,...,N-1）进行算术运算，计算复杂度通常为O(N)，非常适合在中断服务程序或低优先级任务中快速执行。最常用的时域特征包括：
- 均值（Mean）：\(\bar{x} = \frac{1}{N}\sum_{n=0}^{N-1}x[n]\)，反映信号的直流分量。在振动监测中，均值漂移可能指示传感器零点偏移或机械结构松动。
- 均方根（RMS）：\( x_{rms} = \sqrt{\frac{1}{N}\sum_{n=0}^{N-1}x^2[n]} \)，是信号能量的度量，对交流分量敏感。电机电流的RMS值可直接反映负载转矩变化。
- 峰值与峰峰值：\( x_{peak} = \max(|x[n]|) \)，\( x_{pp} = \max(x[n]) - \min(x[n]) \)。用于检测瞬态冲击，如齿轮啮合时的碰撞脉冲。
- 波形因子（Form Factor）：\( FF = x_{rms} / ( \frac{1}{N}\sum_{n=0}^{N-1}|x[n]| ) \)，即RMS与整流平均值的比值。纯正弦波的FF约为1.11，而脉冲信号的FF远大于此，可用于区分波形形态。
- 过零率（Zero Crossing Rate）：单位时间内信号穿越零点的次数，反映信号频率的粗略估计。在语音端点检测中常用。
嵌入式实现要点
CMSIS-DSP提供了arm_mean_f32、arm_rms_f32、arm_max_f32等函数，内部采用循环展开与SIMD指令优化。但需注意：RMS计算涉及平方和累加，当N较大时需防止32位累加器溢出。建议分段累加或使用arm_power_f32先计算功率再开方。对于峰值检测，CMSIS-DSP的arm_max_f32返回最大值及其索引，但若需同时获取正负峰值，需自行遍历两次或使用arm_absmax_f32。
案例拆解：便携式心电监护仪的QRS波检测
某可穿戴心电设备需在Cortex-M4上实时检测QRS波群，采样率250Hz，每帧处理250个样本（1秒数据）。初始方案直接对原始ECG信号做带通滤波后计算峰值，但运动伪迹导致误检率高达15%。改进方案采用时域特征组合：
- 计算信号的一阶差分 \( d[n] = x[n] - x[n-1] \)，突出QRS波的陡峭斜率；
- 对差分序列做滑动窗口积分（窗口长度约80ms），得到能量包络；
- 设定自适应阈值 = 0.3 × 包络的移动平均（每8秒更新一次）；
- 当包络超过阈值且持续超过100ms时，判定为一次QRS波。
该方案仅使用加减法和乘法，无除法运算，在CMSIS-DSP的arm_sub_f32和arm_add_f32辅助下，单帧处理耗时从原来的2.3ms降至0.8ms（CPU主频100MHz），误检率降至2%以下。关键教训：时域特征组合比单一特征更鲁棒，但需注意特征间的冗余性——差分积分与原始信号峰值高度相关，实际部署时只保留差分积分特征即可。
常见误区
- 忽略直流偏置：若传感器输出含有固定偏置，RMS和峰值会失真。应先做去均值处理（
arm_mean_f32后逐点相减）。 - 窗口长度选择不当：窗口太短则特征波动大，太长则响应滞后。对于旋转机械，窗口应至少包含2-3个旋转周期。
- 过度依赖浮点运算：在无FPU的Cortex-M0上，float运算会被编译器转为软浮点库，耗时增加数倍。可改用Q15定点格式，CMSIS-DSP提供完整的定点函数。
3.2 频域特征：揭示周期性成分
核心原理
频域特征通过离散傅里叶变换（DFT）将时域信号映射到频率轴，其快速算法FFT将计算复杂度从O(N²)降至O(N log N)。对于嵌入式系统，CMSIS-DSP提供arm_cfft_f32（复数FFT）和arm_rfft_f32（实数FFT），后者利用实信号频谱的共轭对称性，计算量减半。常用频域特征包括：
- 频谱峰值及其频率：\( f_{peak} = \arg\max_f |X(f)| \)，用于识别主导振动频率。在电机轴承故障中，外圈故障特征频率 \( f_o = \frac{n}{2}f_r(1-\frac{d}{D}\cos\alpha) \) 会出现在频谱峰值附近。
- 频谱质心（Spectral Centroid）：\( SC = \frac{\sum_{k=0}^{N/2} f_k \cdot P_k}{\sum_{k=0}^{N/2} P_k} \)，其中 \( P_k = |X(k)|^2 \)。质心反映信号能量集中的频率区域，高质心意味着信号偏“亮”（高频成分多）。
- 子带能量比：将频谱划分为若干子带（如低频0-100Hz、中频100-500Hz、高频500Hz以上），计算各子带能量占总能量的比例。在语音识别中，Mel频率倒谱系数（MFCC）即基于子带能量。
- 谐波畸变率（THD）：\( THD = \frac{\sqrt{\sum_{k=2}^{H} P_k}}{P_1} \)，其中 \( P_1 \) 为基波功率，\( P_k \) 为第k次谐波功率。用于评估电源质量或音频功放失真。
嵌入式实现要点
FFT的实时性瓶颈在于：内存占用（N点复数FFT需2N个float）和计算延迟。以256点实数FFT为例，CMSIS-DSP在Cortex-M4F上约需0.1ms（主频168MHz），但若采样率10kHz，FFT帧间隔为25.6ms，计算占比不足1%，完全可接受。然而，若需连续滑动FFT（每次滑动1个样本），则计算量剧增。工程上通常采用重叠50%的分帧策略，即每帧包含N个样本，但每次只移动N/2个样本，这样FFT计算频率减半。
arm_hanning_f32。但加窗会降低频率分辨率（主瓣变宽），需在分辨率与泄漏抑制间权衡。
案例拆解：工业风机轴承故障诊断
某工厂风机转速为3000rpm（50Hz），加速度传感器采样率12.8kHz，每次采集1024点。初始方案直接对原始信号做FFT，发现频谱在150Hz处有峰值，但无法确定是否为故障。进一步分析：
- 计算轴承外圈故障特征频率 \( f_o = 3.048 \times f_r = 152.4 \)Hz，与150Hz峰值接近；
- 提取频谱中150Hz附近的幅值 \( A_{150} \) 与基频50Hz幅值 \( A_{50} \) 的比值 \( R = A_{150}/A_{50} \)；
- 连续采集10帧，计算R的均值和标准差。正常轴承R约为0.05，故障初期R升至0.2，严重故障时R>0.5。
该方案在Cortex-M7上使用arm_rfft_f32，1024点FFT耗时约0.3ms，加上窗函数和幅值提取，总耗时0.5ms，远小于帧间隔80ms。部署后成功预警了3次轴承早期故障。复盘发现：仅依赖单一频点幅值容易受噪声干扰，应同时监测故障频率附近±5Hz内的能量和，以提高鲁棒性。
常见误区
- FFT点数与采样率不匹配：频率分辨率 \( \Delta f = f_s / N \)，若N太小则无法区分相邻频率成分。例如采样率10kHz、N=128时，分辨率78Hz，无法分辨50Hz与60Hz。
- 忽略FFT的周期性假设：FFT隐含信号是周期延拓的，若帧首尾不连续会产生高频伪影。必须加窗或采用重叠处理。
- 过度设计频域特征：对于缓慢变化的信号（如温度），频域分析毫无意义。应先通过时域或统计特征判断信号是否具有周期性。
3.3 统计特征：刻画分布形态
核心原理
统计特征从概率分布角度描述信号，不依赖时间顺序，适合分析非平稳或随机性强的信号。常用统计特征包括：
- 方差与标准差：\( \sigma^2 = \frac{1}{N}\sum_{n=0}^{N-1}(x[n]-\bar{x})^2 \)，反映信号波动幅度。在结构健康监测中，应变信号的方差增大可能预示裂纹扩展。
- 偏度（Skewness）：\( S = \frac{1}{N}\sum_{n=0}^{N-1}(\frac{x[n]-\bar{x}}{\sigma})^3 \)，度量分布不对称性。正偏度表示右尾较长，负偏度表示左尾较长。轴承磨损早期，振动信号的偏度会从0附近向正值偏移。
- 峰度（Kurtosis）：\( K = \frac{1}{N}\sum_{n=0}^{N-1}(\frac{x[n]-\bar{x}}{\sigma})^4 - 3 \)，度量分布尾部厚度。正态分布K=0，K>0表示重尾（存在异常尖峰）。齿轮点蚀故障时，振动信号的峰度显著升高。
- 分位数与直方图：如25%分位数、75%分位数，或直接统计幅度直方图。在无线信道分析中，接收信号强度的直方图可用于判断多径衰落类型。
- 信息熵：\( H = -\sum_{i=1}^{M} p_i \log_2 p_i \)，其中 \( p_i \) 为信号幅度落在第i个区间的概率。熵值高表示信号复杂、不可预测，常用于脑电信号（EEG）的清醒/睡眠状态分类。
嵌入式实现要点
统计特征的计算通常需要两遍遍历：第一遍求均值，第二遍求方差/偏度/峰度。CMSIS-DSP没有直接提供偏度/峰度函数，但可组合arm_mean_f32、arm_power_f32和arm_dot_prod_f32实现。例如，偏度计算可先求 \( z[n] = (x[n]-\bar{x})/\sigma \)，再调用arm_power_f32计算 \( z^3 \) 的均值。注意：偏度和峰度对异常值极其敏感，单个传感器毛刺可能导致K值从3跳到50，因此需先做中值滤波或剔除3σ之外的离群点。
arm_var_f32内部已采用类似的两遍算法，但若需逐样本更新，可自行实现递推版本。
案例拆解：可穿戴跌倒检测中的统计特征融合
某智能手环使用三轴加速度计（采样率50Hz），需在跌倒瞬间触发SOS。初始方案仅用加速度幅值 \( A = \sqrt{a_x^2+a_y^2+a_z^2} \) 的峰值判断，但弯腰捡物也会产生类似峰值。改进方案引入统计特征：
- 对每2秒窗口（100个样本）计算A的均值、标准差、偏度和峰度；
- 跌倒时特征模式：均值先升后降（身体姿态变化）、标准差骤增（剧烈运动）、偏度变为负值（冲击后加速度方向反转）、峰度>10（存在尖锐冲击）；
- 使用决策树分类器（CART），输入4个统计特征，输出“跌倒/非跌倒”。
在Cortex-M4上，4个统计特征的计算耗时约0.2ms（100个样本），决策树推理仅需几次比较，总耗时<0.5ms。实测灵敏度95%，特异度99%。复盘发现：峰度是最具判别力的特征，但单独使用误报率高；与偏度组合后，可有效区分“跌倒”与“快速坐下”。此外，统计特征对传感器安装方向不敏感，无需复杂的姿态解算。
常见误区
- 样本量不足：偏度和峰度的估计方差随N增大而减小，N<50时结果不可靠。建议至少使用128个样本。
- 忽略信号的非平稳性：统计特征假设信号是平稳的，若信号包含趋势项（如温度漂移），应先做去趋势处理（如差分或高通滤波）。
- 特征冗余：标准差与RMS高度相关（RMS = sqrt(σ² + mean²)），同时使用会引入共线性，影响分类器性能。应通过相关性分析剔除冗余特征。
3.4 三类特征的对比与嵌入式选型
| 维度 | 时域特征 | 频域特征 | 统计特征 |
|---|---|---|---|
| 计算复杂度 | O(N)，极低 | O(N log N)，较高 | O(N)~O(N log N)，中等 |
| 内存占用 | 仅需几个标量 | 需存储FFT中间结果（2N float） | 需存储直方图或分位数数组 |
| 实时性 | 可逐样本更新 | 需整帧处理，有延迟 | 需整帧处理，但延迟低于FFT |
| 抗噪能力 | 弱，易受脉冲干扰 | 强，可分离频带噪声 | 中等，偏度/峰度对离群点敏感 |
| 物理可解释性 | 直观（峰值、均值） | 明确（频率成分） | 抽象（分布形态） |
| 典型应用 | 过流保护、QRS检测 | 轴承故障、语音识别 | 跌倒检测、EEG分类 |
选型原则可归纳为：先时域快速筛查，再频域精确定位，统计特征作为补充。例如，电机控制器中，过流保护必须用RMS（时域）实现微秒级响应；而预测性维护则需FFT（频域）分析振动频谱；若信号无明显周期性，则转向统计特征。
f32类型并开启FPU可获得最佳性能；对于Cortex-M0/M3，应使用q15或q31定点格式。此外，FFT函数要求输入数据按特定格式排列（如实数FFT需将数据存入复数数组的实部），务必参考CMSIS-DSP文档中的内存布局说明。
在实际项目中，特征提取的实时性优化不应仅关注单个函数的耗时，还需考虑数据搬运开销。建议将ADC采样数据直接存入DMA缓冲区，通过arm_copy_f32或指针操作传递给特征提取函数，避免多次内存拷贝。同时，利用CMSIS-DSP的arm_status返回值检查运算溢出，确保在极端工况下特征值仍有效。