4. 阈值标定概念
TinyML 设备的续航优化，本质上是一场对“能量预算”的精细管理。在模型大小、算力、内存等约束之外，阈值标定是决定系统何时工作、何时休眠、何时上报的关键调度机制。一个合理的阈值体系，能让设备在“该感知时感知，该沉默时沉默”，从而将宝贵的电池能量集中在真正有价值的事件上。本章将系统拆解检测阈值、唤醒阈值与报警阈值的定义、作用及其在续航优化中的协同关系。
上图展示了三类阈值在 TinyML 设备中的层级关系与功耗联动机制。从传感器原始数据到最终无线上报，每一级阈值都像一道“能量闸门”，将无效数据拦截在低功耗阶段。下面我们逐一深入剖析。
4.1 核心原理：三类阈值的本质与分工
阈值标定并非简单的“设一个数字”，而是为系统定义一套分级决策规则。在 TinyML 续航优化中，阈值直接决定了系统在不同功耗状态间的切换频率与停留时间。理解三类阈值的本质区别，是进行有效标定的前提。
| 阈值类型 | 核心作用 | 典型应用场景 | 功耗影响 | 误判代价 |
|---|---|---|---|---|
| 检测阈值 | 过滤无效信号，判断“是否有事件发生” | 加速度计检测运动、麦克风检测声音 | 决定传感器采样与预处理频率 | 漏检（事件被忽略） |
| 唤醒阈值 | 确认事件有效性，决定“是否唤醒主控” | 关键词识别、跌倒模式匹配 | 决定主控芯片的休眠/活跃时间比 | 误唤醒（主控空转） |
| 报警阈值 | 评估事件严重程度，决定“是否上报” | 异常告警、设备故障上报 | 决定无线通信模块的启动次数 | 漏报（严重事件未上报）或误报（浪费通信功耗） |
从能量消耗的角度看，三类阈值形成了一个“漏斗”结构：检测阈值最宽松，用于粗筛；唤醒阈值中等严格，用于确认；报警阈值最严格，用于最终决策。这种分级设计使得系统能够在最低功耗层级拦截绝大多数无效数据，只有极少数“高置信度”事件才会触发高功耗操作。
4.2 判断方法与操作流程：如何科学标定阈值
阈值标定不是拍脑袋决定，而是一个基于数据采集、统计分析、场景验证的迭代过程。以下是一套可复用的标定流程：
- 数据采集阶段：在目标场景下采集至少 24 小时的传感器原始数据，覆盖正常状态、临界状态和异常状态。例如，对于跌倒检测设备，需要采集走路、跑步、坐下、跌倒等不同动作的数据。
- 特征提取与分布分析：对原始数据提取关键特征（如峰值、均方根值、过零率），绘制特征分布直方图。观察正常事件与目标事件的特征分布重叠程度。
- 初始阈值设定：以“正常事件特征分布的 95% 分位数”作为检测阈值的初始值，以“目标事件特征分布的 20% 分位数”作为唤醒阈值的初始值，以“目标事件特征分布的 5% 分位数”作为报警阈值的初始值。
- 模拟验证：使用录制好的数据回放，统计漏检率、误检率、唤醒次数和上报次数。重点关注“每千次事件触发的功耗开销”。
- 现场调优：将设备部署到实际环境，运行 48-72 小时，根据实际日志调整阈值。调优方向遵循“先保证不漏检，再降低误报”的原则。
关键指标公式：
有效唤醒率 = 真正事件唤醒次数 / 总唤醒次数 × 100%
有效上报率 = 真正需要上报的事件数 / 实际上报次数 × 100%
单位事件功耗 = 总功耗 / 有效事件数当有效唤醒率低于 30% 时，说明唤醒阈值过低，主控芯片被频繁无效唤醒，续航将显著恶化。
4.3 案例拆解：工业振动监测设备的阈值标定实战
某工厂部署了一批基于 TinyML 的电机振动监测设备，要求电池续航至少 6 个月。设备使用加速度计（采样率 1kHz）监测电机轴承异常，通过蓝牙上报报警信息。初始方案中，工程师将检测阈值设为 0.5g，唤醒阈值设为 1.0g，报警阈值设为 2.0g，结果续航仅 3 周。
问题分析：通过日志发现，设备每天被唤醒约 1200 次，但真正有效的轴承故障事件仅 3 次，有效唤醒率不足 0.3%。大量唤醒源于电机启停时的瞬时振动冲击，虽然幅度超过 1.0g，但持续时间极短（<50ms），并非真正的故障特征。
优化过程：
- 第一步：将检测阈值从 0.5g 提升至 0.8g，并增加“持续时间 >100ms”的判定条件，过滤掉瞬时冲击。
- 第二步：将唤醒阈值从 1.0g 调整为“连续 3 次采样均超过 1.2g”，利用时间冗余确认事件有效性。
- 第三步：将报警阈值从 2.0g 调整为“振动能量超过正常基线 5 倍”，并引入 30 秒的确认窗口，避免单次异常触发上报。
结果对比：
| 指标 | 优化前 | 优化后 | 改善幅度 |
|---|---|---|---|
| 日均唤醒次数 | 1200 次 | 45 次 | ↓ 96.3% |
| 有效唤醒率 | 0.3% | 68% | ↑ 226 倍 |
| 日均上报次数 | 15 次 | 2 次 | ↓ 86.7% |
| 预计续航 | 3 周 | 7.5 个月 | ↑ 10 倍 |
复盘经验：阈值标定的核心不是“找到一个完美数值”，而是“理解事件的时间特征与能量特征”。单纯提高幅度阈值会导致漏检，而结合持续时间、重复次数等多维条件，可以在不牺牲检测率的前提下大幅降低功耗。
4.4 常见误区与总结复盘
在实际项目中，阈值标定存在几个高频误区，值得特别注意：
误区一：阈值越高越省电。实际上，过高的检测阈值会导致漏检，设备可能错过关键事件，造成更严重的后果（如设备损坏、安全事故）。省电的前提是保证任务完成质量。
误区二：所有场景使用同一套阈值。不同环境噪声水平、不同用户行为模式，对阈值的要求差异巨大。例如，安装在公交车上的振动监测设备与安装在精密机床上的设备，阈值设定完全不同。
误区三：只调幅度阈值，忽略时间窗口。许多物理事件具有明显的持续时间特征，仅靠幅度阈值无法有效区分“瞬时噪声”和“持续异常”。引入时间窗口（如“持续超过 X ms”）是提升阈值有效性的关键手段。
总结复盘：阈值标定是 TinyML 续航优化的“第一道防线”。检测阈值控制传感器的工作时长，唤醒阈值控制主控芯片的活跃时间，报警阈值控制无线通信的启动频率。三者协同，构成了一个从“低功耗感知”到“高功耗响应”的渐进式决策链。在实际操作中，建议采用“数据驱动 + 现场验证”的双轮模式：先用历史数据离线标定初始值，再通过现场日志持续迭代。同时，务必为每个阈值设置“安全余量”，避免因环境漂移导致阈值失效。记住：最好的阈值，是让设备在 99% 的时间里保持沉默，而在 1% 的关键时刻精准响应。