2. IMU传感器基础
在TinyML姿态识别项目中，IMU（惯性测量单元）是感知物理世界运动状态的核心前端。无论是识别走路、跑步、挥手还是跌倒，所有动作特征都源自IMU输出的原始数据流。理解IMU内部三种传感器的工作原理、坐标系定义、数据格式以及采样率与量程的匹配逻辑，是构建可靠姿态识别模型的前提。本章将系统拆解这些基础概念，并给出工程实践中的选型与配置方法。
2.1 三种传感器的核心工作原理
IMU通常集成三轴加速度计、三轴陀螺仪和三轴磁力计，分别测量线性加速度、角速度和磁场强度。理解它们的物理原理有助于正确解读数据并预判噪声特性。
- 加速度计（Accelerometer）：基于MEMS电容检测原理。当芯片发生加速度变化时，内部质量块发生位移，导致差分电容值改变，通过ASIC转换为电压信号。它测量的是比力（Specific Force），即物体受到的惯性力与重力之和。静止时，加速度计输出1g（约9.8 m/s²）指向地心，这为姿态解算提供了重力参考。
- 陀螺仪（Gyroscope）：基于科里奥利效应。MEMS谐振质量块在旋转时产生垂直于振动方向的位移，通过检测该位移得到角速度。陀螺仪输出的是角速度（°/s），对时间积分可得到角度变化，但存在零偏漂移和温度漂移，长时间积分会产生累积误差。
- 磁力计（Magnetometer）：基于霍尔效应或磁阻效应。它测量周围磁场强度（包括地磁场和附近铁磁物质产生的干扰场），输出单位为微特斯拉（μT）或高斯（Gauss）。磁力计用于提供航向参考（类似指南针），但极易受环境磁场干扰，需要校准。
在TinyML姿态识别中，加速度计是主力传感器，陀螺仪用于补充旋转信息，磁力计则主要用于需要方向判断的场景（如判断朝向）。三者融合（传感器融合算法）可提供完整的6轴或9轴姿态估计。
2.2 坐标系定义与数据输出格式
IMU的坐标系遵循右手定则，通常以芯片封装上的标记点（如圆点或凹槽）作为X轴正方向参考。不同厂商的坐标系定义可能不同，但主流约定如下：
| 轴 | 方向定义 | 加速度计输出 | 陀螺仪输出 | 磁力计输出 |
|---|---|---|---|---|
| X | 芯片横向向右 | Ax (g) | Gx (°/s) | Mx (μT) |
| Y | 芯片纵向向前 | Ay (g) | Gy (°/s) | My (μT) |
| Z | 垂直芯片表面向上 | Az (g) | Gz (°/s) | Mz (μT) |
数据输出格式通常为16位有符号整数（int16），范围从-32768到+32767。实际物理值需要除以灵敏度系数（LSB/g或LSB/°/s）。例如，加速度计量程设为±2g时，灵敏度为16384 LSB/g，则原始值16384对应1g。部分高端IMU支持32位浮点输出，但会增加传输带宽和功耗。
2.3 采样率与量程的选择策略
采样率决定了时间分辨率，量程决定了幅度范围。两者共同影响数据分辨率和信噪比，是TinyML模型输入特征质量的关键。
采样率选择
根据奈奎斯特定理，采样率至少为信号最高频率的2倍。但实际工程中，为了提取可靠的时域特征（如峰值、方差），建议采样率为动作频率的10~20倍。常见动作频率范围如下：
- 手势识别（挥手、点击）：1~5 Hz，建议采样率 50~100 Hz
- 人体活动（走路、跑步）：0.5~3 Hz，建议采样率 25~50 Hz
- 跌倒检测：冲击频率可达 10~20 Hz，建议采样率 100~200 Hz
过高的采样率会增加MCU负载和功耗，过低则可能丢失动作细节。对于TinyML应用，通常选择50~100 Hz作为平衡点。
量程选择
量程过小会导致数据饱和（削顶），量程过大会降低分辨率。选择原则是：预估最大峰值 × 1.5~2倍余量。例如：
| 应用场景 | 加速度计峰值 | 推荐量程 | 陀螺仪峰值 | 推荐量程 |
|---|---|---|---|---|
| 静态姿态检测 | ±1g | ±2g | ±10°/s | ±250°/s |
| 日常活动识别 | ±3g | ±4g或±8g | ±150°/s | ±500°/s |
| 剧烈运动/跌倒 | ±6g | ±8g或±16g | ±300°/s | ±1000°/s |
注意：量程增大后，灵敏度降低，噪声相对增大。例如±2g时灵敏度为16384 LSB/g，±16g时仅为2048 LSB/g，量化噪声增加8倍。
2.4 实战案例：可穿戴跌倒检测设备的IMU配置
假设我们要设计一个基于TinyML的跌倒检测设备，佩戴在腰部。目标是在跌倒发生后200ms内触发报警，同时区分跌倒与弯腰、坐下等日常动作。
初始参数设定：选用BMI160（6轴IMU），加速度计量程±16g，陀螺仪量程±2000°/s，采样率设为200Hz。原始数据通过I2C接口以FIFO模式读取，每10ms读取一次批量数据。
关键输入数据与现象：在实验室模拟跌倒测试中，发现加速度计Z轴峰值达到12g，但部分样本出现饱和（原始值达到32767），导致峰值特征失真。同时，陀螺仪在跌倒瞬间角速度达到800°/s，但量程2000°/s导致分辨率不足，静止时噪声明显。
分析判断过程：通过分析原始数据直方图，发现加速度计峰值集中在10~14g，饱和样本占5%。陀螺仪在正常行走时角速度通常低于100°/s，跌倒时瞬时可达800°/s，但持续仅50ms。因此，加速度计量程±16g虽然避免了饱和，但分辨率下降；陀螺仪量程过大导致静止时噪声从0.5°/s增大到2°/s。
实际操作步骤：
- 将加速度计量程调整为±8g（灵敏度4096 LSB/g），验证峰值是否仍会饱和。测试发现，跌倒时最大峰值约7.5g，留有安全余量。
- 将陀螺仪量程调整为±1000°/s（灵敏度32.8 LSB/°/s），静止噪声降至0.8°/s。
- 采样率从200Hz降至100Hz，观察特征变化。发现跌倒冲击信号主要能量集中在10~20Hz，100Hz采样仍能捕获完整波形，且MCU负载降低30%。
- 在代码中增加饱和检测逻辑：若连续3个样本达到满量程，则标记该窗口为“疑似饱和”，在特征提取时使用峰值替代值。
结果对比：调整后，模型准确率从92.3%提升至96.8%，误报率降低40%。功耗从12mA降至8mA（采样率降低和FIFO批量读取优化）。
风险与代价：量程降低后，若遇到极端冲击（如从高处摔落），仍可能饱和。解决方案是保留一个高量程备用配置，通过寄存器动态切换。
复盘经验：量程选择不能只看峰值，还要考虑噪声底和分辨率。建议在项目初期采集至少100组真实场景数据，绘制峰值分布直方图后再确定量程。采样率则应根据动作频谱分析结果设定，而非盲目追求高采样率。
2.5 常见误区与总结复盘
总结：IMU配置是TinyML姿态识别项目的“地基”。加速度计提供重力参考和线性运动信息，陀螺仪补充旋转信息，磁力计提供方向。坐标系定义和数据格式决定了数据预处理的方式，而采样率与量程的选择直接影响模型输入质量。建议在项目启动时，先花一周时间采集真实场景数据，分析信号频谱和峰值分布，再确定最终配置参数。这比后期反复调参要高效得多。