传感器基础：常见传感器类型的工作原理与输出特性
在TinyML应用开发中，传感器是物理世界与数字模型之间的桥梁。无论是运动识别、环境监测还是姿态解算，传感器数据的质量直接决定了后续机器学习模型的性能上限。本章将系统梳理加速度计、陀螺仪、磁力计、温湿度传感器和气压传感器的工作原理、输出特性及选型要点，帮助你在数据采集阶段建立扎实的物理基础。
2.1 运动传感器：加速度计与陀螺仪
加速度计和陀螺仪是TinyML运动识别、姿态估计和跌倒检测中最常用的传感器组合。加速度计测量物体受到的比力（specific force），即物体加速度与重力加速度的矢量和；陀螺仪则测量绕三个正交轴的角速度。两者在物理原理上完全不同，但在数据融合中互为补充。
核心原理与输出特性
现代MEMS加速度计采用差分电容检测原理。质量块在加速度作用下发生位移，导致上下极板间距变化，从而改变电容值。通过测量电容差即可反推加速度大小。其输出特性包括：
- 量程：常见配置为±2g、±4g、±8g、±16g，低量程适合倾斜检测，高量程适合冲击监测。
- 灵敏度：以LSB/g表示，例如16位ADC在±2g量程下灵敏度为16384 LSB/g。
- 零偏（Offset）：静止时输出不为0g，通常在±50mg以内，可通过校准消除。
- 噪声密度：典型值在100-300 μg/√Hz，影响最小可检测加速度。
陀螺仪基于科里奥利效应工作。MEMS结构中，一个质量块被驱动做高频振动，当有角速度输入时，科里奥利力使质量块在垂直方向产生位移，通过电容检测该位移即可得到角速度。关键参数包括：
- 量程：±125、±250、±500、±1000、±2000 dps（度/秒）。
- 零偏稳定性：衡量静止时输出漂移，优质传感器可达5-10°/h。
- 灵敏度温度系数：通常为±0.02%/°C，温度变化会导致输出漂移。
数据融合与姿态解算
单独使用加速度计无法区分线性加速度和重力分量，而陀螺仪存在积分漂移问题。因此，实际应用中常使用互补滤波或卡尔曼滤波进行数据融合。互补滤波的核心思想是：加速度计在低频段可靠，陀螺仪在高频段可靠，通过高通和低通滤波组合两者优势。
// 互补滤波简化示例（伪代码）
angle = 0.98 * (angle + gyroRate * dt) + 0.02 * accelAngle;该公式中，0.98和0.02是权重系数，可根据运动场景调整。对于快速运动，应增大陀螺仪权重；对于静态倾斜检测，应增大加速度计权重。
案例：基于加速度计的人体活动识别
假设我们要构建一个久坐提醒系统，使用加速度计区分"静止"、"走路"和"跑步"三种状态。初始现象是：直接使用原始加速度数据训练模型，准确率仅72%。分析发现，原始数据包含重力分量和噪声，特征区分度不足。
改进方案：首先对加速度数据进行高通滤波去除重力分量，然后提取时域特征（均值、方差、过零率）和频域特征（主频幅值）。使用滑动窗口（2秒窗口，50%重叠）进行特征提取。最终模型准确率提升至94%。关键参数对比：
| 特征类型 | 静止 | 走路 | 跑步 |
|---|---|---|---|
| 加速度方差 (m/s²)² | 0.02 | 1.8 | 12.5 |
| 主频 (Hz) | 0.1 | 1.8 | 2.8 |
| 过零率 (次/秒) | 2 | 8 | 15 |
复盘经验：原始数据直接输入模型并非最优方案，合理的信号预处理和特征工程能显著提升TinyML模型性能，且计算开销远小于增加模型复杂度。
2.2 磁力计：电子罗盘与磁场检测
磁力计用于测量地球磁场强度，在TinyML中常用于方向判断、室内定位辅助和金属检测。其工作原理基于磁阻效应或霍尔效应。各向异性磁阻（AMR）传感器通过测量磁场对薄膜电阻的影响来检测磁场强度和方向。
输出特性与校准需求
- 量程：典型±49 Gauss，地球磁场约0.5 Gauss，留有充足余量。
- 分辨率：0.15 mGauss，足以检测微小磁场变化。
- 各向异性：需要三轴正交安装，且对周围铁磁材料敏感。
磁力计最大的挑战是硬铁校准和软铁校准。硬铁干扰来自电路板上的永磁体或磁化金属，表现为固定偏移；软铁干扰来自可被磁化的材料，表现为椭圆畸变。校准方法：
- 在无干扰环境中，将设备旋转8字形轨迹，采集足够多的样本。
- 计算三轴数据的中心点偏移（硬铁校准）。
- 使用最小二乘法拟合椭球，计算校正矩阵（软铁校准）。
2.3 环境传感器：温湿度与气压
温湿度传感器和气压传感器在环境监测、气象站和智能家居中应用广泛。温湿度传感器通常采用电容式高分子薄膜技术，湿度变化引起介电常数变化，从而改变电容值。气压传感器则基于压阻效应，压力使硅膜片变形，改变压敏电阻的阻值。
关键参数与数据特性
| 参数 | 温湿度传感器 (如SHT30) | 气压传感器 (如BMP280) |
|---|---|---|
| 测量范围 | -40~125°C / 0~100%RH | 300~1100 hPa |
| 精度 | ±0.3°C / ±2%RH | ±1 hPa |
| 分辨率 | 0.01°C / 0.01%RH | 0.18 Pa |
| 响应时间 | 8秒 (湿度) | 5.5ms |
| 接口 | I²C | I²C/SPI |
环境传感器的数据变化缓慢，但容易受到局部微环境影响。例如，人体靠近温湿度传感器时，呼出的热气会导致读数短暂升高。在TinyML应用中，需要注意：
- 传感器应远离发热元件（如MCU、WiFi模块）。
- 通风设计影响响应速度，封闭外壳会导致温湿度滞后。
- 气压传感器对高度变化敏感，可用于楼层检测（每升高8.5m，气压下降约1hPa）。
案例：基于气压传感器的室内楼层定位
在某商场室内导航项目中，需要区分用户所在楼层。初始方案使用WiFi指纹定位，准确率仅65%。引入气压传感器后，通过检测气压变化判断楼层变化。关键数据：一楼气压1013.2 hPa，二楼1010.5 hPa，三楼1007.8 hPa，层间气压差约2.7 hPa。
实施步骤：
- 在每层电梯口采集30秒气压数据，计算均值作为基准。
- 使用滑动平均滤波（窗口大小10）消除瞬时波动。
- 设定阈值：当前气压与某层基准差小于1.2 hPa时判定为该层。
最终楼层识别准确率达98%。但需要注意，天气变化会导致气压整体偏移，因此需要定期更新基准值。复盘经验：气压传感器虽然精度高，但绝对气压受天气影响大，应使用相对变化而非绝对值进行判断。
2.4 传感器选型与数据采集策略
在TinyML项目中，传感器选型需要综合考虑性能、功耗、成本和开发难度。以下选型决策框架可供参考：
| 应用场景 | 推荐传感器 | 关键考量 | 典型采样率 |
|---|---|---|---|
| 跌倒检测 | 6轴IMU (加速度计+陀螺仪) | 量程≥±8g，低噪声 | 50-100 Hz |
| 姿态追踪 | 9轴IMU (含磁力计) | 磁力计校准质量 | 100 Hz |
| 环境监测 | 温湿度+气压 | 响应时间，长期稳定性 | 1-10 Hz |
| 振动分析 | 高带宽加速度计 | 带宽≥1kHz，低噪声 | 1-2 kHz |
数据采集流程规范
- 预热稳定：传感器上电后等待2-3秒，让内部电路稳定。
- 零偏采集：在静止状态下采集100个样本，计算均值作为零偏。
- 量程确认：根据应用场景设置合适的量程，避免信号饱和。
- 时间戳同步：多传感器数据需要统一时间基准，可使用MCU的定时器中断。
- 数据存储：使用FIFO或SD卡存储，注意数据格式和字节序。
常见误区与总结
- 误区一：采样率越高越好。高采样率带来更多数据量和功耗，但并非所有应用都需要。应根据信号带宽选择采样率，遵循奈奎斯特定理即可。
- 误区二：忽略传感器噪声。即使是高精度传感器，在低幅值信号下也可能被噪声淹没。应关注信噪比而非绝对精度。
- 误区三：不做温度补偿。MEMS传感器的零偏和灵敏度都随温度变化，在温度变化大的环境中应进行温度补偿。
- 误区四：直接使用原始数据训练模型。适当的滤波和特征提取能显著提升模型性能，同时减少模型复杂度。
传感器是TinyML系统的感知前端，理解其工作原理和输出特性是构建可靠应用的前提。在实际项目中，建议先通过数据手册理解传感器特性，再通过实验验证实际表现，最后根据应用需求设计合适的数据采集和处理流程。下一阶段，我们将深入探讨传感器数据预处理与特征工程的具体方法。