（B站TinyML教程学习笔记）C8 edge impulse 快速入门+C9 数据提取+C10 运动数据的特征提取

0:06 - 1:00 为什么使用 Edge Impulse

常见机器学习开发方式

传统机器学习通常会使用：

• TensorFlow
• Scikit-learn

这些框架功能强大，但：

• 学习成本高
• 需要写大量代码
• 对嵌入式开发者不太友好

Edge Impulse 的作用

Edge Impulse

核心特点：

• 图形化界面
• 不需要深入学习AI框架
• 自动完成训练流程
• 适合嵌入式AI/TinyML
• 可以快速部署到单片机

核心思想：

“让嵌入式工程师不用精通AI框架，也能做机器学习项目”

1:01 - 1:58 Edge Impulse 项目流程

创建项目流程

进入平台后：

1. 创建项目
2. 给项目命名
3. 打开项目

Edge Impulse 的完整机器学习流程

左侧面板展示整个AI流程：

数据采集 ↓ Impulse（机器学习流水线） ↓ 训练模型 ↓ 部署到嵌入式设备

这里的 Impulse：

可以理解为：

“数据处理 + 特征提取 + AI模型”的组合流程

1:31 - 2:04 API Key 与数据上传

API Key

作用：

• 连接手机
• 连接单片机
• 上传数据
• 实时测试

HMAC Key

用于：

• 自动上传数据
• 脚本化数据采集
• 自动训练流程

适合：

• 自动化AI训练
• 批量数据采集

2:04 - 3:00 Edge Impulse 支持的数据上传方式

方法1：直接上传文件

支持：

• 音频
• 图像
• JSON
• CSV
• 原始传感器数据

方法2：命令行工具上传

适合：

• 自动化
• 脚本上传

方法3：开发板实时上传

例如：

• Arduino Nano 33 BLE Sense

可以实时上传：

• 加速度计
• 陀螺仪
• 麦克风
• IMU数据

方法4：手机上传

手机可以作为：

• 传感器设备
• AI测试设备

非常适合入门实验。

3:06 - 3:23 手机连接 Edge Impulse

流程：

设备页面 ↓ 连接新设备 ↓ 显示二维码 ↓ 手机扫码 ↓ 连接成功

连接后：

手机会出现在设备列表中。

3:29 - 6:33 Arduino Nano 连接流程

进入 Bootloader 模式

方法：

快速按两次 Reset 键。

现象：

黄色LED闪烁。

3:55 - 5:00 安装开发环境

需要安装：

1. Node.js

Node.js

作用：

运行 Edge Impulse CLI 工具。

2. Arduino CLI

Arduino CLI

作用：

命令行管理Arduino。

5:01 - 5:14 安装 Edge Impulse CLI

命令：

npm install -g edge-impulse-cli

作用：

安装：

• edge-impulse-daemon
• 数据上传工具
• 设备连接工具

5:14 - 5:42 烧录 Edge Impulse 固件

流程：

下载固件 ↓ 解压 ↓ 运行脚本 ↓ 自动烧录

烧录完成后：

按一次 Reset 重启开发板。

5:47 - 6:33 连接开发板到云端

命令：

edge-impulse-daemon

功能：

• 登录账户
• 选择COM口
• 选择项目
• 上传数据

6:54 - 8:59 手势识别项目

项目目标

制作“魔法棒”手势识别：

识别：

• 左右挥动
• 上下挥动
• 画圆

7:15 - 8:24 为什么训练和部署必须用同类传感器

核心原则：

训练用什么传感器，部署最好也用什么传感器。

原因：

不同IMU：

• 精度不同
• 噪声不同
• 灵敏度不同

否则：

模型可能失效。

7:49 - 8:06 FFT 为什么重要

这里第一次提到：

傅里叶变换（FFT）

作用：

把：

时域信号

转换成：

频域信号

用于提取：

• 振动频率
• 周期特征
• 动作节奏

这是 TinyML 中非常重要的特征提取方法。

8:59 - 11:16 数据采集流程

四个类别

需要采集：

9:10 - 11:16 数据采集要求

每类约200秒数据

因为：

每次采样10秒。

所以：

200秒 ÷ 10秒 ≈ 20个样本

采集时的重要原则

保持一致性

包括：

• 握持方式
• 动作速度
• 动作频率

否则：

模型会变难训练。

数据质量非常重要

如果图像：

• 不规律
• 没有重复模式
• 噪声太大

就应该：

删除重新采集。

12:43 - 14:33 数据集划分

机器学习通常分：

推荐比例

13:08 - 13:42 验证集的作用

验证集用于：验证模型训练的结果好坏

如果模型在验证集上表现不好，就调整超参数：

• 学习率
• 网络大小
• Epoch数量等等

13:42 - 14:19 为什么测试集不能提前使用

因为：

如果一直根据测试集调参：

模型会：

“偷偷记住测试集”

导致：

测试结果失真。

14:52 - 17:47 数据集代表性问题（极其重要）

这是机器学习最核心的问题之一。

贵宾犬例子

如果训练集：

全是贵宾犬。

模型可能学到：

• 卷毛
• 垂耳

而不是：

“狗”的本质特征。

本质问题

模型不会真正“理解”。

它只是：

找统计规律。

16:47 - 17:47 糟糕数据集案例

问题：

1. 背景统一

模型会误认为：

黑背景 = 狗。

2. 全是狗头

导致：

看见全身狗反而不会识别。

3. 没有卡通图

模型无法泛化到：

• 插画
• 动画
• 卡通

17:35 经典原则

垃圾进 垃圾出 (Garbage In, Garbage Out)

数据差：

模型一定差。

17:59 - 20:40 数据不平衡问题

例子

99% 空地
1% 有狗

模型最终会：

永远预测“空地”

准确率还能有99%。

这叫：

朴素分类器（Naive Classifier）

特点：

• 什么都预测成最大类别
• 准确率虚高
• 实际没用

19:19 - 19:49 解决方法

方法1：更多数据

永远有效。

方法2：平衡数据集

例如：

四分类：

每类约25%

20:40 - 21:47 Edge Impulse 自动平衡数据集

按钮：

Rebalance Dataset

自动：

• 80% Train
• 20% Test

22:06 - 23:52 什么是特征（Feature）

定义

Feature：

可测量的属性。

例如：

加速度计：

X Y Z

就是3个特征。

23:52 - 24:20 为什么单时刻数据是坏特征

因为：

动作本质是：

随时间变化。

单一时间点：

无法反映动作过程。

25:15 - 25:41 时间窗口思想（非常重要）

解决方案：

使用：

时间窗口（Window）

例如：

2秒数据。

25:24 - 25:41 本项目的数据规模

采样率：

62.5Hz

2秒：

62.5×2=125

每轴：

125个点。

3轴：

125×3=375

总输入：

375维。

25:48 - 27:53 深度学习的缺点

虽然神经网络可以：

自动学习特征。

但代价：

• 算力大
• 内存大
• 数据量需求大
• 推理慢

对于嵌入式：

压力非常大。

27:53 - 28:56 手工特征提取

RMS（均方根）

对125个点：

提取一个统计值。

优点：

• 降低维度
• 保留整体特征
• 减少计算量

28:58 - 29:57 FFT 特征提取

FFT 的本质

把：

时间变化

转换成：

频率成分

为什么FFT适合动作识别

因为：

动作具有频率。

例如：

左右挥动：

大约1Hz。

FFT后：

会在1Hz出现峰值。

本节核心总结

Edge Impulse 是什么

一个：

面向嵌入式AI/TinyML的低代码机器学习平台。

本节最重要的几个概念

你现在应该真正理解的重点

AI项目真正最重要的东西

不是模型。

而是：

数据质量 + 特征提取

很多时候：

• 数据集决定上限
• 特征工程决定效果
• 模型只是最后一步

这其实是很多AI初学者最容易忽略的地方。