EEPW论坛

在传感器应用中，有两个至关重要的可配置参数直接影响着数据质量和机器学习模型的表现——它们就是输出数据速率(ODR)和满量程范围(FSR)。本文将深入解析这两个参数的意义、配置考量以及在嵌入式机器学习中的应用建议。

ODR，也称为采样率，指的是传感器采集新测量值的频率，以每秒样本数(Hz)为单位。更高的ODR意味着每秒能获取更多的数据样本。

不同的传感器通常提供多个ODR选项，开发者需要根据具体应用场景来选择合适的数值：

高频应用（几kHz）：如区分桌面敲击与滑动动作，需要较高的ODR来捕捉快速变化的振动数据，为ML模型提供足够细粒度的特征信息

中频应用（400-800Hz）：如识别空中手势等场景，在此范围内通常能获得良好效果

低频应用（10-50Hz）：如区分行走、坐下、跑步等日常活动，仅需较低的采样率即可满足需求

理论上，更高的ODR能提供更丰富的信息，有助于提升模型准确率。然而在嵌入式应用中，高ODR却面临两大挑战：

内存限制
嵌入式设备的存储容量有限，当样本数量上限固定时，较高的ODR会缩减时间窗口的覆盖范围。例如，在只能存储1000个样本的平台上：

2.5Hz数据可覆盖约400秒

1kHz数据仅能覆盖1秒

能耗考量
采样率与功耗正相关。在嵌入式设备特别是电池供电的场景中，必须在模型性能与功耗约束间找到最佳平衡点。

实践建议：尝试构建多个不同ODR的模型，通过性能对比确定最优配置。

FSR决定了传感器可测量的物理量范围，让开发者能够在测量精度与检测范围之间做出权衡。加速度计和陀螺仪是两种典型的具有可配置FSR的传感器。

加速度计以重力加速度g为单位，测量X、Y、Z方向的线性加速度：

可选范围：通常为±2g/±4g/±8g/±16g

小范围优势：±2g范围对低振幅信号更加敏感，适合测量微小振动（如桌面振动检测）

大范围适用：±16g范围更适合检测大幅度运动（如人体行走时的振动）

陀螺仪以度/秒(DPS)为单位测量角速度：

可选范围：通常为±125/±250/±500/±1000/±2000 DPS

小范围精度：较小的DPS范围对微小角度运动更加敏感，适合手势识别等精细操作

大范围适用：2000 DPS等大范围适合监测高速旋转（如风扇转动）

警惕信号饱和
当传感器配置了较低的g或DPS范围，而实际测量值超出此范围时，就会发生信号饱和。饱和会导致数据溢出，丢失真实信号特征。

实践建议：务必使用可视化工具检查信号是否出现饱和现象，确保选择的FSR范围既能满足灵敏度要求，又能覆盖预期的信号幅度。

ODR和FSR的优化配置是提升嵌入式机器学习模型性能的关键环节。通过理解这些参数的技术特性，结合具体应用场景的需求，开发者能够在数据质量、模型准确率、内存使用和能耗之间找到最佳平衡点，打造出更加高效、可靠的嵌入式智能应用。