0:06) 模型测试（Test Data）

• 部署模型前，先用保留的测试集测试模型

• 在 Edge Impulse 的模型测试页面：

  • 全选测试样本

  • 点击“分类所选样本”

• 如果预测错误：

  • 会用红色高亮显示

---

(0:31) 测试集准确率与过拟合

• 如果动作每次都做得非常一致：

  • 模型准确率可能接近 100%

• 如果：

  • 测试集准确率 << 训练集/验证集准确率

则可能：

• 出现了 过拟合（Overfitting）

解决办法：

• 重新训练

• 使用减少过拟合的方法：

  • 正则化

  • Dropout

  • 增加数据量

  • 数据增强等

---

(0:54) 手机实时分类（Live Classification）

进入实时分类页面：

步骤：

1. 手机打开 SmartphoneAddToPulse 网站

2. 连接项目

3. 点击“开始采集”

动作测试：

• 左右晃动

• 上下移动

• 画圈

• 静止

---

(1:23) 实时分类结果观察

• 系统会显示：  

  • 原始加速度计数据

  • 各动作预测概率

例如：

• 左右动作：

  • “左右”标签概率最高

• 上下动作：

  • “上下”标签概率最高

---

(1:54) 动作切换阶段的问题

如果：

• 正在从左右动作切换到上下动作

模型可能：

• 难以识别

原因：

• 动作处于“过渡状态”

• 不属于明确类别

红色预测：

• 表示模型不确定

---

(2:07) Arduino 也可实时分类

除了手机：

• 连接到 Edge Impulse Daemon 的 Arduino 也能实时分类

---

(2:19) 手机实时分类模式

开启：

• “切换到实时分类模式”

流程：

1. 手机采集 2 秒数据

2. 自动分类

3. 重复循环

---

(2:53) WebAssembly 本地运行

特点：

• 分类直接在手机本地运行

• 使用：

  • JavaScript

  • WebAssembly

不会：

• 再连接 Edge Impulse 服务器

---

(3:03) WebAssembly 与 TensorFlow Lite

可以：

• 下载训练模型

• 打包成 WebAssembly

也可以：

• 下载 TensorFlow Lite 模型

• 直接在手机 App 中运行

注意：

• TensorFlow Lite 不包含特征提取代码

• 需要自己编写特征提取部分

---

Arduino Nano 33 BLE Sense 部署

---

(4:16) 部署模型到 Arduino

进入：

• Deployment（部署）页面

选择：

• Arduino Library

---

(4:49) EON Compiler

默认：

• TensorFlow Lite 模型以 FlatBuffer 形式运行

EON Compiler：

• 将模型编译为 C++ 源码

优点：

• 节省：

  • RAM

  • Flash

建议：

• 一般保持启用

---

(5:30) Analyze（分析）

Edge Impulse 会估算：

• 推理时间

• RAM 占用

• Flash 占用

注意：

• 估算基于：

  • 80MHz Cortex-M4F

而 Arduino Nano 33 BLE Sense：

• 是 64MHz

所以：

• 实际推理可能更慢

---

(6:07) 量化（Quantization）

建议：

• 使用量化模型

优点：

• 更省 RAM

• 更省 Flash

缺点：

• 准确率略微下降

---

(6:18) 生成 Arduino 库（可以在Vscode PlatformIO中运行）

点击：

• Build

Edge Impulse 会：

• 生成 Arduino ZIP 库

注意：

• 直接将其解压到PlatformIO工程目录的lib文件夹里

• 再将示例代码粘贴到main.cpp文件中，即可进行烧录

• 温馨提示：建议不要使用arduino，因为它每次修改代码，都会将全部文件重新编译一遍而且速度极慢（AI项目编译量本身就很大），建议使用PlatformIO，支持增量编译

---

连续推理（Continuous Inference）

---

(10:46) 加速度计连续演示

特点：

• 使用多线程

• 后台持续推理

---

(11:16) 推理线程

线程功能：

1. 复制缓冲区

2. 转 NumPy 数组

3. 运行分类器

每：

• 约 200ms 执行一次

---

(11:46) 平滑（Smoothing）

作用：

• 多次预测求平均

• 提高稳定性

因此：

• 动作需持续几秒钟

---

(12:06) 主循环线程

功能：

• 缓冲区滚动

• 删除旧数据

• 添加新数据

• 保持 100Hz 采样

---

(12:27) DSP 时间

DSP 时间：

• 特征提取耗时

Inference 时间：

• 模型推理耗时

---

(13:11) 不确定性

如果：

• 动作不规则

• 动作在过渡中

则：

• 不确定性上升

---

异常检测（Anomaly Detection）

---

(14:27) 异常检测简介

作用：

• 判断系统是否异常

可使用：

• 有监督学习

• 无监督学习

---

(14:47) 信用卡欺诈案例

思想：

• 正常数据形成“分布区域”

• 新数据超出边界：

  • 判定为异常

---

(16:17) 工业预测维护

应用：

• 电机

• 压缩机

• 航天设备

目标：

• 提前发现故障

---

(17:18) 手机异常检测实验

训练：

• 左右动作

测试：

• 前后动作（未训练）

结果：

• 分类器会误分类

• 但光谱特征显示：

  • 它形成了新的“簇”

---

K-Means 异常检测

---

(18:21) 添加异常检测模块

在 Pulse Design 中：

• 添加 K-Means Anomaly Detection

---

(18:37) K-Means

属于：

• 无监督学习（没有标签）

作用：

• 找数据簇（Cluster）

---

(19:18) 异常分数

每个样本：

• 会得到异常分数

规则：

• 0.3

  • 认为异常

---

(19:32) RMS 特征

建议：

• 使用：

  • X RMS

  • Y RMS

  • Z RMS 

因为：

• 分离效果最好

---

(20:01) 实时异常检测

输出新增：

• Anomaly（异常值）

含义：

• 数值越大

  • 越异常

---

Arduino 异常检测

---

(20:34) 单片机部署异常检测

步骤：

1. 添加 K-Means 模块

2. 重新训练

3. 下载新 Arduino 库

4. 导入 Arduino IDE

---

(21:28) 异常检测代码变化

新增：

• Result.anomaly

用途：

• 判断动作是否异常

阈值：

• 0.3

---

(22:17) 测试未训练动作

例如：

• 前后运动

现象：

• 分类器会尝试分类

• 但异常分数会很高

---

工业案例：智能托盘

---

(23:24) 工业嵌入式 ML

应用：

• 物流

• 工业自动化

• 资产跟踪

---

(24:02) 智能托盘项目

使用：

• 单片机

• 三轴加速度计

识别：

• 静止

• 移动

• 升降

---

(25:23) 信号处理与分类

通过特征处理：

• 三种状态明显可分

模型准确率：

• 约 95%

---

(26:12) 实际意义

企业可以知道：

• 托盘移动多久

• 静止多久

• 升降多久

从而：

• 优化物流效率

---

(27:05) 嵌入式 ML 的优势

无需：

• 保存全部原始数据

只记录：

• 状态变化

优点：

• 节省存储

• 降低功耗

• 降低传输需求

---

本章节总结

---

(27:42) 神经网络回顾

学习内容：

• 神经网络工作原理

• 分类输出概率

• 反向传播

• 损失函数

---

(28:46) 训练现象

训练过程中：

• Loss 下降

• Accuracy 提高

---

(29:05) 混淆矩阵与指标

指标包括：

• Accuracy

• Precision

• Recall

• F1 Score

---

(29:25) 欠拟合与过拟合

学习：

• 如何发现

• 如何解决

---

(29:35) Edge Impulse 部署

Edge Impulse 会：

• 自动封装模型库

方便：

• 单片机部署

---

(29:53) 单片机推理流程

流程：

1. 读取原始传感器数据

2. 提取特征

3. 模型推理

4. 输出分类结果