3. 传感器基础：常见 MEMS 传感器与数据采集要点
做嵌入式AI，说白了就是让单片机学会“感知”世界。而感知的起点，就是这些MEMS传感器。这一章我们聊聊加速度计、陀螺仪、麦克风，以及它们怎么跟STM32“说话”。
3.1 常见MEMS传感器工作原理
MEMS（微机电系统）传感器，就是把机械结构做到硅片上。我刚开始接触时也觉得挺神奇——这么小的东西，怎么就能测加速度、角速度？
3.1.1 加速度计
加速度计的核心是一个“质量块-弹簧-阻尼”系统。当芯片加速时，质量块会偏移，通过检测电容变化就能算出加速度。
| 参数 | 典型值 | 说明 |
|---|---|---|
| 量程 | ±2g / ±4g / ±8g / ±16g | 选±2g适合倾角检测，±16g适合冲击检测 |
| 输出速率(ODR) | 1Hz ~ 6.4kHz | AI推理常用100Hz~400Hz |
| 噪声密度 | ~150 μg/√Hz | 越低越好，影响静态精度 |
3.1.2 陀螺仪
陀螺仪测的是角速度，单位°/s。它利用科里奥利效应——振动的质量块在旋转时会产生侧向位移。嗯，原理听着复杂，但用起来很简单：读寄存器就行。
陀螺仪有个大坑：零偏稳定性。静止时输出不为0，会随时间漂移。我曾经做过一个航姿参考系统，静止10分钟，偏航角漂了30多度……后来加了磁力计融合才解决。
| 参数 | 典型值 | 注意事项 |
|---|---|---|
| 量程 | ±125°/s ~ ±2000°/s | 人体运动用±500°/s足够 |
| 零偏稳定性 | ~5°/h | 消费级水平，工业级可到0.1°/h |
| 交叉轴灵敏度 | ~2% | X轴转动会在Y/Z轴产生串扰 |
3.1.3 麦克风（MEMS麦克风）
MEMS麦克风其实是个电容式声压传感器。振膜感受到声压变化，电容跟着变，再通过ASIC转成数字信号。现在主流的是PDM接口（脉冲密度调制），用一根数据线+一根时钟线就能传音频。
做语音唤醒项目时，我踩过一个坑：麦克风的灵敏度是-26dBFS，但不同批次能差±3dB。这意味着同样的“你好”，有的板子能唤醒，有的死活不行。后来我加了自动增益校准。
3.2 I2C/SPI通信协议回顾
传感器跟STM32通信，就两条路：I2C或SPI。选哪个？我一般看速率和引脚资源。
3.2.1 I2C协议要点
- 两线制：SDA（数据线）+ SCL（时钟线），需要上拉电阻（4.7kΩ典型）
- 地址：7位或10位，常用传感器是0x68、0x6B这种
- 速率：标准模式100kHz，快速模式400kHz，高速模式3.4MHz
- 特点：多设备共用总线，但速率受限，适合100kHz以下的数据采集
3.2.2 SPI协议要点
- 四线制：SCLK（时钟）+ MOSI（主出从入）+ MISO（主入从出）+ CS（片选）
- 速率：轻松上10MHz，有些传感器支持40MHz
- 模式：CPOL（时钟极性）和CPHA（时钟相位）组合成4种模式，传感器常用Mode 0或Mode 3
- 特点：全双工，速率高，但每多一个设备就要多一根CS线
| 对比项 | I2C | SPI |
|---|---|---|
| 引脚数 | 2 | 4 + N×CS |
| 最大速率 | 3.4MHz | 40MHz+ |
| 多设备 | 地址寻址，方便 | 片选寻址，CS线多 |
| 适合场景 | 低速、引脚紧张 | 高速、大数据量 |
我个人习惯：加速度计/陀螺仪用I2C（数据量小），麦克风用SPI（音频数据量大）。当然，如果引脚够用，SPI永远是更稳的选择。
3.3 传感器数据采集要点
数据采得好不好，直接决定AI模型的上限。我见过太多项目，模型调得再好，传感器数据一塌糊涂，最后推理结果根本没法用。
3.3.1 时序同步
多传感器融合时，时间戳必须对齐。怎么做？
- 硬件方案：传感器共用一根中断引脚，同时触发STM32的定时器捕获
- 软件方案：每次读取数据时记录SysTick，做软件插值对齐
我做过一个项目，加速度计100Hz，陀螺仪200Hz，麦克风16kHz。如果不做时间对齐，融合出来的姿态角误差能到5度以上。
3.3.2 采样率选择
根据奈奎斯特定理，采样率至少是信号最高频率的2倍。但实际做AI推理，我建议4~5倍。
| 应用场景 | 推荐采样率 | 说明 |
|---|---|---|
| 人体活动识别 | 50~100Hz | 人体运动能量集中在20Hz以下 |
| 跌倒检测 | 200~400Hz | 冲击信号持续时间短，需要高采样率 |
| 语音关键词 | 16kHz | 语音信号带宽8kHz，16kHz是标准 |
| 振动分析 | 1kHz~10kHz | 取决于机械结构的共振频率 |
3.3.3 数据预处理
原始数据不能直接喂给AI模型。至少要做这几步：
- 去直流分量：减去静态偏置，比如加速度计静止时减去1g
- 滤波：低通滤波去除高频噪声，截止频率设为采样率的1/4
- 归一化：缩放到[-1, 1]或[0, 1]区间，加速模型收敛
- 滑动窗口：取固定长度（如256点）的数据帧，步长可重叠50%
3.3.4 中断与DMA
千万别在主循环里轮询读传感器！CPU会被占死。正确做法：
- 传感器数据准备好后，通过INT引脚触发STM32中断
- 中断里只做标志位，不处理数据
- 主循环或定时器回调里用DMA批量读取
我做过一个对比：轮询方式读3个传感器（100Hz），CPU占用率85%；改成中断+DMA后，降到12%。省出来的算力正好跑AI推理。
3.4 本章知识体系
下面这张图总结了传感器数据采集的完整链路，从物理世界到AI推理输入：
从物理世界的加速度、角速度、声压，到MEMS传感器转换成电信号，再通过I2C/SPI传给STM32，最后经过预处理变成AI模型能吃的输入——每一步都有坑，每一步都值得认真对待。