4. 数据采集基础
在Edge Impulse的完整工作流中，数据采集是决定模型性能上限的基石。无论后续使用何种算法（MFCC、频谱分析或FFT），模型只能从你提供的数据中学习。本章聚焦于最基础的硬件链路搭建与数据获取方法：如何将麦克风、加速度计、光敏电阻等传感器正确连接到Arduino开发板，并通过两种主流路径——串口监视器（Serial Monitor）与Edge Impulse CLI（命令行工具）——将原始传感数据转化为可用于训练的样本数据集。我们将从硬件连接原理出发，逐步深入到采样参数配置、数据标注与质量验证，确保你采集到的数据既能反映真实物理世界，又符合Edge Impulse平台对数据格式的严格要求。
上图展示了从传感器到云端数据集的完整链路。左侧为三种典型传感器，中间为Arduino开发板，右侧分为两条数据采集路径：路径A通过串口监视器手动保存数据，适合小规模验证；路径B通过Edge Impulse CLI自动转发数据，适合批量采集与标注。下方为Edge Impulse云端数据集，所有数据最终汇聚于此进行训练。下面我们将逐一拆解每个环节的具体操作与关键参数。
4.1 传感器选型与硬件连接原理
在开始接线之前，必须明确传感器的输出类型与Arduino引脚的匹配关系。根据信号类型，传感器可分为三类：模拟电压输出（如麦克风模块、光敏电阻分压电路）、数字脉冲输出（如DHT22温湿度）、以及I2C/SPI数字接口（如MPU6050加速度计、BME280环境传感器）。对于Edge Impulse项目，最常用的是模拟输出与I2C接口，因为它们能直接提供连续时间序列数据。
4.1.1 麦克风（模拟输出）
麦克风模块（如MAX9814或ADMP401）输出模拟电压，其幅度与声音响度成正比。连接时，将模块的OUT引脚接Arduino的模拟输入引脚（如A0），VCC接3.3V或5V（根据模块规格），GND共地。关键参数是采样率：语音识别通常需要16kHz采样率，而Arduino Uno的ADC转换速率有限（约10kHz），因此推荐使用Arduino Nano 33 BLE Sense（内置PDM麦克风）或MKR系列，它们支持更高采样率。
4.1.2 加速度计（I2C接口）
加速度计（如MPU6050或LIS3DH）通过I2C总线通信，只需连接SDA（A4）、SCL（A5）两根数据线，加上VCC和GND。I2C地址通常为0x68或0x69，需在代码中正确指定。加速度计用于运动识别（如手势、跌倒检测），采样率一般设为50Hz-100Hz，因为人体运动频率较低。注意：I2C总线上的上拉电阻（4.7kΩ）通常已集成在模块上，无需额外添加。
4.1.3 光敏电阻（分压电路）
光敏电阻（LDR）本身是可变电阻，需配合固定电阻（如10kΩ）组成分压电路，将电阻变化转换为电压变化。连接方式：LDR一端接5V，另一端接A1引脚并同时通过10kΩ电阻接地。这样，光照增强时LDR阻值下降，A1电压升高。光敏电阻适合环境光强度检测，采样率可低至10Hz，数据变化平缓。
| 传感器类型 | 输出信号 | Arduino引脚 | 典型采样率 | 应用场景 |
|---|---|---|---|---|
| 麦克风 (MAX9814) | 模拟电压 (0-3.3V) | A0 | 16kHz | 语音命令、声音事件检测 |
| 加速度计 (MPU6050) | I2C 数字信号 | SDA (A4), SCL (A5) | 50-100Hz | 手势识别、跌倒检测 |
| 光敏电阻 (LDR) | 模拟电压 (分压) | A1 | 10Hz | 环境光强度分类 |
4.2 数据采集的两种路径：串口与CLI
数据从Arduino输出后，需要进入Edge Impulse平台。根据项目阶段和样本量需求，可以选择手动或自动两种方式。以下分别介绍操作流程与适用场景。
4.2.1 路径A：串口监视器手动采集
这是最直接的方法，适合快速验证传感器是否工作正常，或采集少量样本（如每个类别20个样本）。操作步骤如下：
- 编写Arduino固件：在setup()中初始化串口（如Serial.begin(115200)），在loop()中读取传感器值并通过Serial.print()输出。输出格式建议为CSV，例如：
Serial.println(micValue);或Serial.print(ax); Serial.print(","); Serial.println(ay); - 打开串口监视器：在Arduino IDE中，选择正确的端口和波特率（115200），点击“串口监视器”。
- 手动记录数据：当传感器数据稳定后，点击“串口绘图器”可查看实时波形。若需保存数据，可复制串口输出内容，粘贴到文本编辑器中保存为CSV文件。
- 导入Edge Impulse：在Edge Impulse的“Data Acquisition”页面，选择“Upload data”，将CSV文件上传，并标注类别（如“正常”、“异常”）。
4.2.2 路径B：Edge Impulse CLI自动采集
对于需要大量样本（如每个类别1000个以上）或需要实时标注的场景，推荐使用Edge Impulse CLI。它通过USB串口与Arduino通信，自动将数据转发至Edge Impulse云端，并支持在采集过程中实时标注。安装与配置步骤如下：
- 安装CLI工具：在终端执行
npm install -g edge-impulse-cli，或使用Python安装pip install edge-impulse-cli。 - 编写兼容固件：Arduino固件需遵循Edge Impulse的串口协议。最简单的方式是使用Edge Impulse提供的示例固件（在Arduino库管理器中搜索“Edge Impulse”），或手动实现：在loop()中，以固定频率（如50Hz）读取传感器，并通过
Serial.write()发送二进制数据（而非文本）。 - 启动数据转发器：在终端运行
edge-impulse-data-forwarder，它会自动检测连接的Arduino端口，并提示你选择设备类型和传感器名称。 - 配置采样参数：在Edge Impulse网页端，设置采样频率（如50Hz）、窗口长度（如2秒）和类别标签。CLI会实时显示数据流，并允许你点击“Start sampling”开始采集。
- 批量采集与标注：在采集过程中，你可以通过网页按钮或键盘快捷键（如空格键）为当前数据段添加标签。CLI会自动将数据切分为固定长度的样本，并上传至云端。
4.3 采样参数配置与数据质量验证
无论使用哪种路径，采样参数直接决定模型性能。以下参数需根据传感器特性和物理事件持续时间来设置：
- 采样频率（Hz）：根据奈奎斯特定理，采样频率至少为信号最高频率的2倍。语音信号最高频率约8kHz，故采样率需≥16kHz；加速度计信号频率通常低于20Hz，50Hz采样率已足够。
- 窗口长度（ms）：指一个样本的时间跨度。对于声音事件（如“是”字发音），窗口长度设为1-2秒；对于手势识别，设为2-3秒；对于光强变化，可设为5秒。
- 样本重叠（%）：在连续采集时，相邻样本之间可设置重叠（如50%），以增加样本数量并捕捉事件边界。
数据质量验证是容易被忽视的环节。在采集完成后，应在Edge Impulse的“Data Explorer”页面检查数据分布：
- 检查数据平衡：每个类别的样本数量应大致相等，避免模型偏向多数类。
- 查看波形完整性：随机抽取几个样本，确认波形无截断、无饱和（即信号未达到ADC上限）。
- 检查时间戳一致性：确保样本之间的时间间隔均匀，无缺失数据。
4.4 案例拆解：基于Arduino Nano 33 BLE Sense的“拍手识别”数据采集
下面通过一个完整案例，演示从硬件连接到数据上传的全过程。该案例的目标是采集“拍手”和“背景噪声”两类声音数据，用于训练一个简单的二分类模型。
背景与约束： 使用Arduino Nano 33 BLE Sense（内置PDM麦克风），采样率设为16kHz，窗口长度1秒。需要采集200个“拍手”样本和200个“背景噪声”样本。由于拍手声音持续时间短（约0.2秒），窗口长度1秒可完整包含事件。
初始现象与目标： 直接使用串口监视器输出文本数据时，发现数据速率过高（16kHz），串口监视器无法实时显示，且手动复制数据不现实。因此改用Edge Impulse CLI自动采集。
关键操作步骤：
- 固件编写：使用Arduino IDE，加载Edge Impulse示例固件“nano_33_ble_sense_microphone”。该固件以16kHz采样率读取PDM麦克风，并通过USB串口以二进制格式发送数据。
- 启动CLI：在终端运行
edge-impulse-data-forwarder，选择设备“Arduino Nano 33 BLE Sense”，传感器类型选择“Microphone”。 - 配置采样参数：在Edge Impulse网页端，设置采样频率为16000Hz，窗口长度为1000ms，类别标签为“clap”和“noise”。
- 采集“拍手”样本：点击“Start sampling”，在1秒窗口内拍手一次。重复此操作200次，每次间隔5秒，避免样本重叠。
- 采集“背景噪声”样本：保持环境安静，点击“Start sampling”，等待1秒自动完成。重复200次。
- 数据验证：在Data Explorer中，检查“clap”样本的波形是否在0.2秒处有明显振幅峰值，而“noise”样本波形平缓。若发现部分“clap”样本振幅过低，可能是拍手力度不足，需重新采集。
结果对比与复盘： 采集完成后，共获得400个样本，数据平衡。在后续训练中，模型准确率达到95%以上。复盘发现，初始使用串口监视器时，由于文本输出占用大量CPU时间，导致采样率不稳定。改用CLI后，数据流通过二进制传输，CPU负载降低，采样率稳定在16kHz。此外，在采集“拍手”样本时，建议在安静环境中进行，避免混入其他声音干扰。
4.5 常见误区与总结复盘
在数据采集阶段，初学者常犯以下错误，导致后续训练效果不佳：
| 误区 | 后果 | 正确做法 |
|---|---|---|
| 采样率设置过高，超出Arduino处理能力 | 数据丢失、波形失真 | 根据传感器特性选择合理采样率，必要时降低分辨率 |
| 样本类别不平衡（如“正常”样本远多于“异常”） | 模型偏向多数类，少数类识别率低 | 采集时确保每个类别样本数量接近 |
| 忽略数据标注一致性 | 模型学习到错误特征 | 制定标注规范，如“拍手”必须包含完整声音事件 |
| 未检查数据饱和（信号达到ADC上限） | 波形削顶，特征失真 | 调整传感器增益或Arduino参考电压 |
总结： 数据采集是Edge Impulse项目中最耗时但最关键的环节。本章的核心要点可归纳为：① 根据传感器输出类型选择正确的Arduino引脚与通信协议；② 小样本用串口监视器，大样本用CLI；③ 采样频率、窗口长度需根据物理事件特性设置；④ 采集后务必进行数据质量验证。掌握这些基础，你就能为后续的模型训练提供高质量的数据基础。