1. 课程导入
TinyML（微型机器学习）正将人工智能从云端数据中心推向数十亿个微控制器（MCU）驱动的边缘设备。在这些资源极度受限的嵌入式系统中，传感器数据采集策略——何时唤醒、采样多长、多久推理一次——直接决定了系统的功耗预算、响应延迟和识别精度。本章作为整个课程的导入，将系统梳理采样策略优化的核心背景、明确学习目标、搭建课程框架，并界定适用场景，为后续深入探讨传感器唤醒机制、窗口长度设计和推理频率调优奠定基础。
1.1 TinyML采样策略优化的背景与驱动力
物联网设备数量在2025年已突破400亿台，其中绝大多数依赖电池供电。以典型的可穿戴健康监测设备为例，其主控MCU通常为Cortex-M4或RISC-V内核，主频在64MHz至160MHz之间，RAM仅有64KB至256KB，Flash存储为512KB至1MB。在这样的硬件平台上运行神经网络推理，每一次完整的传感器数据采集和模型推理都可能消耗数毫焦耳的能量。如果设备使用200mAh的纽扣电池，在理想条件下总能量约为2.6kJ，而一次包含加速度计采样、特征提取和推理的完整周期可能消耗0.5mJ至5mJ——这意味着如果不加优化地持续工作，设备只能运行数天而非数月。
采样策略优化的核心矛盾在于：传感器数据采集的能耗与信息量之间存在非线性关系。持续以高频率采样（如IMU的200Hz）能捕获最完整的运动信息，但ADC转换、数据搬运和存储的能耗与采样频率近似成正比；而过度降低采样频率虽然省电，却可能导致关键事件被遗漏，或特征信息不足以支撑准确的推理结果。TinyML采样策略优化的本质，就是在功耗预算、存储容量和算力限制的三重约束下，寻找满足应用精度和延迟要求的最优采样与推理方案。
从工程实践角度看，采样策略优化还面临一个常被忽视的挑战：传感器数据的时间相关性。许多物理信号（如人体运动、环境温湿度、工业振动）在时间维度上具有显著的连续性和周期性。优秀的采样策略应当利用这种时间结构——在信号平稳时降低采样率，在信号剧烈变化时提高采样率，而不是机械地固定采样参数。这引出了自适应采样、事件驱动唤醒和预测性调度等高级策略，它们将在后续章节中详细展开。
1.2 学习目标与能力模型
完成本章节及整个课程的学习后，学习者应当具备以下核心能力。这些目标按照从理论认知到工程实践的层次递进，确保学习者不仅理解概念，更能将其应用于实际项目。
| 能力层级 | 具体目标 | 评估方式 |
|---|---|---|
| 理论认知 | 理解采样定理在TinyML场景下的适用性与局限性；掌握功耗模型的基本构成（采样、计算、通信、待机） | 概念问答、功耗估算练习 |
| 方法掌握 | 掌握传感器唤醒的三种模式（定时唤醒、事件唤醒、预测唤醒）；理解窗口长度对特征质量的影响规律 | 方案设计题、参数对比分析 |
| 工程实践 | 能够基于具体硬件平台（如STM32U5、nRF52840）配置采样参数；使用逻辑分析仪或功耗分析仪验证优化效果 | 实验报告、代码审查 |
| 系统优化 | 能够综合运用多种策略，在精度、功耗、延迟之间做出合理权衡；具备调试采样相关问题的能力 | 综合项目答辩、案例分析 |
特别需要强调的是，本课程的学习目标不是让学习者记住某个固定的参数组合，而是培养一种系统化的决策思维。例如，当面对一个跌倒检测应用时，学习者应当能够分析：跌倒事件的持续时间约为300-500ms，加速度计在跌倒瞬间会产生超过3g的冲击，因此采样窗口至少需要覆盖完整事件；同时，为了降低误报，可能需要结合多个传感器的数据。这些分析过程比记住"窗口设为512ms"更有价值。
1.3 课程框架与内容组织
本课程共分为30个章节，按照"基础-方法-实践-进阶"四个阶段组织。每个阶段解决不同层次的问题，章节之间既有逻辑递进关系，又保持相对独立，便于学习者根据实际需求选择性学习。
第一阶段（第1-5章）：基础与框架。本章作为导入，后续将深入讲解TinyML硬件平台选型、传感器特性分析、功耗测量方法论和采样定理的工程应用。这一阶段的目标是建立统一的术语体系和评估框架，为后续优化方法提供基准。
第二阶段（第6-15章）：核心优化方法。这是课程的主体部分，系统覆盖传感器唤醒策略（定时唤醒、中断唤醒、自适应唤醒）、窗口长度选择（固定窗口、动态窗口、多尺度窗口）和推理频率控制（事件驱动推理、周期性推理、预测性调度）。每类方法都会结合具体案例，分析其适用条件、参数配置和性能表现。
第三阶段（第16-25章）：系统集成与调优。当单项优化方法掌握后，需要面对的是它们之间的相互作用。例如，更激进的唤醒策略可能需要更长的窗口来补偿信息不足，而更高的推理频率则要求更高效的特征提取。这一阶段将介绍多目标优化框架、实时调度策略和端云协同方案。
第四阶段（第26-30章）：行业应用与前沿趋势。通过智能穿戴、工业预测性维护、智慧农业和环境监测等真实案例，展示采样策略优化在不同场景下的落地方式。最后讨论超低功耗机器学习、片上学习等前沿方向。
1.4 适用场景与典型应用
采样策略优化并非适用于所有TinyML场景，其价值在特定条件下尤为突出。识别这些适用场景有助于学习者判断何时应该投入精力进行采样优化，何时采用简单的固定策略即可满足需求。
高适用性场景具有以下特征：① 设备依赖电池供电且期望续航超过3个月；② 传感器数据具有明显的稀疏事件特征（如振动异常、运动突变）；③ 应用对响应延迟有明确要求（如安全监测）；④ 设备长期处于待机状态，大部分时间无需推理。典型的例子包括：智能门磁传感器（平时无事件，触发时需快速响应）、工业设备振动监测（正常运行时数据平稳，故障时出现特征模式）、野生动物追踪项圈（需要长时间待机，仅在特定行为发生时记录）。
中等适用性场景包括：持续健康监测（如心率监测，需要周期性采样但频率可调）、环境监测节点（温湿度变化缓慢，但需要定期上报）。这些场景中，采样优化能带来功耗改善，但收益不如稀疏事件场景显著。
低适用性场景包括：持续音频流处理（需要连续高采样率）、实时视频分析（数据量远超MCU处理能力）。在这些场景中，采样策略优化的空间有限，瓶颈更多在于算力和通信带宽。
从行业维度看，当前采样策略优化应用最活跃的领域包括：智能穿戴（通过优化IMU采样策略，将续航从1天延长至2周）、工业物联网（预测性维护中通过事件驱动采样减少90%以上的无效数据）、智慧农业（土壤传感器通过低频采样+事件唤醒实现年级续航）、智能建筑（ occupancy检测通过PIR传感器与温湿度传感器的协同采样降低误报）。
1.5 课程导入总结与学习路径
本章作为整个课程的起点，明确了TinyML采样策略优化的核心问题域：在功耗、存储、算力的三重约束下，通过合理设计传感器唤醒方式、采样窗口长度和推理频率，实现精度、延迟和能耗的最佳平衡。我们建立了三个关键认知：第一，采样策略优化是系统级问题，涉及硬件、算法和应用的协同设计；第二，不存在放之四海而皆准的最优参数，必须基于具体场景进行定制；第三，优化的价值需要通过量化的功耗和性能指标来验证。
在后续章节中，我们将逐一深入这些主题。第2章将介绍TinyML硬件平台的关键特性，帮助学习者理解不同MCU的功耗模式和计算能力如何影响采样策略的选择。第3章聚焦传感器特性，讨论如何根据传感器的数据手册参数（如噪声密度、带宽、功耗）确定合理的采样范围。第4章建立功耗测量方法论，提供一套可复用的实验框架来评估采样策略的实际效果。第5章则回到理论基础，重新审视采样定理在非均匀采样和事件驱动采样下的扩展形式。
对于希望立即开始实践的学习者，建议准备一套基础的TinyML开发套件（如STM32F746G-DISCO或Arduino Nano 33 BLE Sense），并安装Edge Impulse或TensorFlow Lite for Microcontrollers开发环境。在阅读后续章节时，同步进行简单的采样实验——例如，修改IMU的采样频率，观察功耗和活动识别准确率的变化。这种"边学边做"的方式将极大提升学习效果。
最后需要强调的是，采样策略优化是一个持续迭代的过程。随着模型结构的变化、传感器老化或应用场景的调整，原本最优的采样参数可能需要重新调优。因此，本课程不仅传授具体的优化技巧，更希望培养学习者建立一套完整的评估-优化-验证-迭代的方法论。这套方法论将伴随你在TinyML领域的长期实践中不断精进。