从 Alexa 到 TinyML为什么机器学习要跑在嵌入式设备上1. 本章学习目标学完本章后你应该能够理解为什么语音助手、自动驾驶、可穿戴设备等场景不能完全依赖云端机器学习。什么是 Edge AI、Embedded Machine Learning 和 TinyML。TinyML 为什么适合运行在微控制器 MCU 上。Edge Impulse 在 TinyML 项目中承担什么角色。Arduino、ESP32、Nordic、STM32 等主控在 TinyML 部署中的基本定位。如何从本章的语音识别、手势识别案例迁移到 EEG、ECG、EMG、PPG、HRV、GSR / EDA 等生理信号监测项目中。2. 本章内容导读本章从 Amazon Echo / Alexa 的语音交互示例开始引出一个核心问题机器学习并不一定都要运行在云端。很多任务需要设备在本地快速、低功耗、低延迟地完成判断例如唤醒词检测、自动驾驶决策、手势识别和语音识别。这类把机器学习部署到嵌入式设备上的技术就是 Embedded Machine Learning如果进一步运行在资源更小、功耗更低的微控制器上就进入了 TinyML 的范畴。3. 正文笔记3.1 从 Alexa 语音助手理解“本地机器学习”视频开头演示了一个语音助手场景用户问“Alexa现在丹佛外面的天气怎么样”Alexa 回答“丹佛现在是 31°F多云今天预计有雪最高 35°F最低 16°F。”这个例子看起来并不新鲜因为 Amazon Echo 已经出现很多年了。但它背后的技术逻辑很重要设备并不是一直把所有声音都传到云端而是先在本地监听唤醒词也就是 “Alexa”。只有当设备识别到唤醒词之后才会把后面的语音请求发送到服务器由云端完成更复杂的语义理解和服务调用。这就是嵌入式机器学习非常典型的应用方式简单、持续、实时的判断放在设备端复杂、大规模的计算放在云端。对 Echo 来说本地模型要做的事情不是理解所有人类语言而是判断当前音频片段里有没有 “Alexa” 这个关键词。这类任务目标很窄但要求一直运行、功耗低、响应快非常适合 TinyML。3.2 为什么机器学习不能全部放在云端传统上我们提到 Machine Learning往往会想到强大的服务器。服务器可以处理海量数据用于垃圾邮件过滤、电影推荐、交通预测、搜索排序等任务。但是有些场景不能完全依赖云端网络可能中断自动驾驶汽车如果突然没有网络仍然必须识别车道、行人、车辆和交通标志不能因为断网就停止决策。延迟必须极低有些任务需要毫秒级响应例如车辆避障、工业设备异常检测、跌倒检测、语音唤醒词识别。数据可能涉及隐私语音、图像、生理信号等数据直接上传云端可能带来隐私和合规问题。本地推理可以减少原始数据外传。功耗和带宽有限对可穿戴设备、无线传感器节点、低功耗医疗监测设备来说持续上传原始数据会消耗大量电量和通信资源。因此机器学习开始从云端向设备端迁移这就是 Edge AI 的重要背景。3.3 Edge AI、Embedded ML 和 TinyML 的关系可以把它们理解成三个逐渐“变小”的概念概念通俗理解典型设备本章中的作用Edge AI把 AI 放到靠近数据产生的位置手机、车载电脑、边缘网关、工业电脑解决“必须本地快速判断”的问题Embedded Machine Learning把 ML 部署到嵌入式系统中单板计算机、嵌入式 Linux 设备、MCU让硬件设备具备感知和判断能力TinyML把 ML 进一步压缩到微控制器上运行Arduino、ESP32、nRF52、STM32、RP2040低成本、低功耗、可长期运行的端侧智能TinyML 通常强调在资源受限、低功耗的 MCU 上运行机器学习推理任务它涉及模型压缩、量化、嵌入式推理框架、传感器数据处理和硬件部署等内容。相关综述把 TinyML 描述为机器学习、硬件和软件交叉形成的低功耗嵌入式智能方向目标是在 mW 级甚至更低功耗范围内运行端侧推理。3.4 为什么微控制器上的机器学习很重要过去在单板计算机上运行机器学习并不算新鲜例如 Raspberry Pi 可以运行 Linux也可以运行较大的 Python 程序和神经网络模型。但本章重点不是这类设备而是更小的microcontroller微控制器。微控制器的特点是便宜体积小功耗低可以长期电池供电常用于传感器采集和实时控制RAM、Flash、主频都比较有限。这意味着如果机器学习模型能够跑在 MCU 上就可以让大量普通电子设备拥有“感知能力”。例如一个手环可以本地判断佩戴者是否疲劳一个传感器节点可以本地判断设备是否异常振动一个语音模块可以本地判断是否听到唤醒词一个生理信号采集设备可以本地判断当前状态是否可能与压力、疼痛或运动疲劳有关。TensorFlow Lite Micro 就是面向微控制器和 DSP 等受限设备的推理框架目标是在有限内存设备上运行机器学习模型。3.5 TinyML 为什么现在变得可行视频中提到简单图像中的目标检测可能需要神经网络执行成千上万甚至数百万次运算。过去机器学习研究主要面向服务器和桌面计算机这些设备算力强、内存大、供电充足。但近几年TinyML 变得可行主要因为模型结构更高效很多任务不需要巨大的通用模型只需要小型、窄任务模型。例如唤醒词检测只判断几个关键词手势识别只区分几个动作。量化和模型压缩技术成熟模型可以从浮点运算压缩到 8-bit 整数量化从而减少内存占用和计算量。嵌入式推理框架成熟TensorFlow Lite Micro、Edge Impulse SDK、CMSIS-NN、ESP-NN、X-CUBE-AI 等工具降低了部署难度。MCU 性能提升例如 ESP32-S3 官方说明中提到它支持用于神经网络计算和信号处理加速的向量指令并可结合 ESP-DSP、ESP-NN 等库优化应用。3.6 Edge Impulse 在本课程中的作用视频中提到本课程会使用 Edge Impulse 来帮助采集数据、训练模型并将模型部署到嵌入式系统中。Edge Impulse 可以理解为一个面向边缘 AI / TinyML 的开发平台。它提供从数据采集、数据管理、标签标注、特征提取、模型训练、模型评估到模型部署的一整套流程。Edge Impulse 官方文档也明确说明它用于构建数据集、训练机器学习模型并优化库以直接运行在边缘设备上。在 Edge Impulse 中一个典型 TinyML 项目可以分成采集数据 → 标注数据 → 设计 Impulse → 提取特征 → 训练模型 → 测试模型 → 量化 / 压缩 → 部署到开发板 → 端侧实时推理这里的Impulse可以理解为“完整的信号处理 机器学习流水线”。它不只是一个神经网络模型还包括输入窗口、预处理、特征提取和学习模块。3.7 本课程会做什么案例本章介绍了课程后续会完成两个入门案例案例一手势识别 Gesture Recognition这个案例通常使用手机或 Arduino 开发板上的惯性传感器例如加速度计和陀螺仪采集不同手势动作的数据。基本流程是采集手势动作数据 → 给每类动作打标签 → 提取时序特征 → 训练分类模型 → 部署到开发板 → 实时判断当前手势类别手势识别很适合 TinyML 入门因为它的数据是典型的传感器时间序列与后续 EMG 动作识别、PPG 运动干扰识别、GSR / EDA 情绪或疼痛状态识别有很强的迁移关系。案例二语音识别 Speech Recognition第二个案例是语音识别准确说更接近关键词识别 Keyword Spotting。它通常不是让 MCU 理解所有自然语言而是判断音频中是否出现某几个关键词。基本流程是麦克风采集音频 → 切分音频窗口 → 提取频谱或 MFCC 等音频特征 → 训练关键词分类模型 → 部署到开发板 → 实时监听关键词Arduino Nano 33 BLE Sense 是 Edge Impulse 支持的典型教学板之一板载运动传感器、麦克风和 BLE适合采集原始数据、训练模型并从 Edge Impulse Studio 直接部署模型。4. 关键概念解释概念通俗解释技术解释在本章中的作用AI让机器表现出“智能”使用算法完成感知、判断、决策等任务总体背景Machine Learning让机器从数据中学规律通过数据训练模型让模型对新数据做预测本课程核心方法Edge AIAI 不只在云端也在设备边缘运行在靠近数据源的设备上执行推理解释为什么要本地计算Embedded ML把机器学习放进嵌入式系统在资源受限硬件中部署 ML 模型连接 ML 与硬件开发TinyML极小设备上的机器学习在 MCU 等低功耗设备上运行 ML 推理本课程核心主题Dataset训练模型用的数据集包括原始数据、标签、训练集、测试集决定模型能学到什么Feature Extraction把原始数据变成更有用的特征例如音频 MFCC、时序统计量、频域特征提高模型训练效果Classification分类判断输入属于哪个类别手势识别、关键词识别都属于分类Inference推理用训练好的模型对新数据做预测MCU 端实时运行的核心Deployment部署把模型转成开发板可运行的代码或库从训练走向实际硬件应用Edge ImpulseTinyML 开发平台支持数据采集、特征提取、训练和部署本课程主要工具5. 本章案例复盘项目手势识别语音识别案例目标判断当前动作属于哪种手势判断音频中是否出现指定关键词数据来源加速度计、陀螺仪、手机 IMU 或开发板 IMU麦克风音频数据类型多通道时间序列音频时间序列常见特征均值、方差、频域特征、运动模式频谱、MFCC、音频特征模型任务多分类关键词分类部署设备Arduino、手机、ESP32、nRF52 等Arduino Nano 33 BLE Sense、ESP32-S3、XIAO ESP32S3 等入门价值理解传感器分类流程理解唤醒词和音频 TinyML 流程这两个案例的重点不在于模型多复杂而在于让学习者完整走通 TinyML 的闭环从现实世界采集数据到训练模型再到部署到嵌入式设备上实时推理。6. 与生理信号监测 TinyML 项目的联系6.1 共性语音、手势、生理信号本质上都是时间序列本章的语音识别和手势识别看起来与 EEG、ECG、EMG、PPG、HRV、GSR / EDA 不同但从 TinyML 角度看它们有共同结构传感器采集 → 原始时间序列 → 滤波 / 去噪 → 滑动窗口切片 → 标签标注 → 特征提取 → 模型训练 → 模型评估 → MCU 部署 → 实时推理语音是麦克风采集的声波时间序列手势是 IMU 采集的加速度和角速度时间序列生理信号则是电极、光学传感器或皮肤电传感器采集的人体状态时间序列。因此本章学到的 TinyML 流程可以迁移到生理信号项目中。6.2 不同生理信号的 TinyML 统一开发流程如果要开发生理信号 TinyML 项目可以统一理解为EEG / ECG / EMG / PPG / HRV / GSR / EDA 传感器采集 → 模拟前端 AFE 或传感器模块输出 → MCU ADC / I2C / SPI / UART 读取数据 → 原始信号滤波去噪 → 固定窗口切片 → 根据实验任务标注标签 → 导入 Edge Impulse 或自建训练脚本 → 提取时域 / 频域 / 统计特征 → 训练分类、回归或异常检测模型 → 量化压缩 → 部署到 ESP32、Nordic、STM32、Arduino 等主控 → 实时输出状态判断结果Edge Impulse 支持 CSV 数据导入官方文档说明可以通过 Studio 上传 CSV也可以通过 CLI 导入如果 CSV 格式复杂还可以使用 CSV Wizard 设置解析方式。这意味着使用 VOFA 采集并保存的 CSV 数据可以被理解为 TinyML 项目的 Dataset。CSV 中的列可能包括时间戳、通道值、传感器电压、滤波后数值、实验阶段或标签。后续需要把这些数据整理成训练集、验证集和测试集再导入 Edge Impulse 或 Python 训练流程。6.3 不同生理信号的差异信号信号来源常见采集方式采样率要求常见预处理常见特征适合 TinyML 任务部署难点EEG大脑电活动头皮电极通常较高去工频、带通滤波、伪迹去除频带能量、节律特征注意力、疲劳、睡眠阶段、脑机接口信号弱、噪声大、电极接触要求高ECG心电活动心电电极 / AFE中等到较高基线漂移去除、QRS 检测RR 间期、心率、波形特征心率、心律异常、状态识别医学标签要求高误判风险高HRV心率间期变化ECG 或 PPG 推导依赖心率检测质量RR / NN 间期清洗SDNN、RMSSD、频域指标压力、疲劳、自主神经状态对窗口长度和个体差异敏感EMG肌肉电活动表面肌电电极较高整流、包络、带通滤波RMS、MAV、ZC、频域特征手势识别、肌肉疲劳、康复评估电极位置变化影响很大PPG脉搏波 / 血容量变化光电传感器中等去运动伪迹、平滑滤波心率、脉搏波形、峰间距心率、血氧、疲劳、压力运动干扰明显GSR / EDA皮肤电导变化皮肤电电极较低到中等平滑、去趋势、分离 SCL / SCR峰值、上升时间、恢复时间、均值情绪唤醒、压力、疼痛反应个体差异大受汗液和接触影响例如 Tiny-PPG 研究针对 PPG 运动伪迹问题设计轻量网络并部署到 STM32 设备上说明 PPG 这类可穿戴信号确实适合边缘端实时处理。 ECG 方向也已有 TinyML ECG 监测系统研究强调让低功耗 ECG 设备在本地完成分类以减少网络与内存资源消耗。6.4 从本章案例迁移到生理信号项目本章的两个案例可以这样迁移本章案例对应生理信号项目启发语音识别音频窗口切分、频谱特征、关键词分类可迁移到 ECG/PPG/EDA 的窗口化识别手势识别IMU 多通道时序分类可迁移到 EMG 动作识别、PPG 运动状态识别唤醒词检测“长期监听 低功耗 本地触发” 可迁移到异常生理状态检测Edge Impulse 训练流程可用于 CSV 数据导入、标签管理、特征提取、模型部署Arduino 演示可迁移到 ESP32、Nordic、STM32 等主控做真实项目开发如果你的目标是疼痛监测不应一开始就只盯着 GSR / EDA。更合理的思路是先把疼痛看作一种可能会影响多类生理信号的状态变化再考虑多模态融合GSR / EDA交感神经唤醒 EMG肌肉紧张和疼痛相关动作反应 HRV自主神经状态变化 PPG心率、脉搏波和血管反应 ECG更稳定的心率和 HRV 来源 EEG疼痛相关脑电节律变化部署难度较高7. 主控平台迁移分析本章演示偏向 Arduino 入门但后续项目不应只局限于 Arduino。不同主控适合不同阶段主控平台适合场景优点注意点Arduino Nano 33 BLE SenseTinyML 入门、语音识别、手势识别板载 IMU、麦克风、BLEEdge Impulse 支持好适合教学和原型不一定适合最终产品ESP32 / ESP32-S3Wi-Fi / BLE、生理信号采集、边缘推理通信能力强ESP32-S3 有向量指令支持 NN 和信号处理ADC 精度、模拟前端、电源噪声要重点评估Nordic nRF52 / nRF53可穿戴、低功耗 BLE 生理监测BLE 低功耗生态强适合电池设备Wi-Fi 不如 ESP32 方便开发生态偏嵌入式专业STM32工业控制、医疗原型、实时采集型号丰富适合 ADC、低功耗和实时控制需要更熟悉 STM32CubeMX / HAL / DSPRP2040 / Pico低成本实验、基础 TinyML成本低、资料多无线通信需额外模块Seeed XIAO ESP32S3小体积语音 / 图像 / 传感器 TinyMLWi-Fi、BLE、小尺寸部分板载摄像头和麦克风引脚和功耗设计要结合具体板卡Nordic nRF52840 DK 是 Edge Impulse 支持的开发板具备 Cortex-M4、外部 QSPI Flash 和 BLE Radio适合 BLE 低功耗应用验证。 STM32 方向可以结合 X-CUBE-AI它能把预训练 AI 模型转换、优化并集成到 STM32 项目中。 Seeed XIAO ESP32S3 Sense 则适合小体积视觉、语音或传感器类 Edge Impulse 项目官方文档提到它支持 2.4GHz Wi-Fi、BLE并带有摄像头和数字麦克风。8. 本章内容对未来项目的启发8.1 疼痛监测本章帮助理解疼痛监测可以被建模为一个基于多通道生理时间序列的分类或回归问题。例如区分无痛、轻度疼痛、中度疼痛、明显疼痛或者预测疼痛评分变化趋势。8.2 情绪识别GSR / EDA、PPG、HRV、ECG 等信号都与自主神经活动有关可以用于压力、唤醒度、情绪状态识别。但模型输出只能作为状态估计不能直接等同于医学或心理诊断。8.3 疲劳检测疲劳可能影响 EEG、HRV、PPG、EMG 和运动行为。TinyML 的意义在于可以让可穿戴设备在本地持续监测而不是一直上传原始数据。8.4 运动状态识别本章的手势识别案例与运动状态识别最接近。IMU EMG PPG 可以用于判断运动阶段、动作类别、肌肉疲劳和恢复状态。8.5 可穿戴生理信号监测TinyML 的低功耗、本地推理、低延迟特点非常适合可穿戴设备。相关研究也在探索 TinyML 与边缘智能在心血管监测中的应用价值。8.6 多模态生理信号融合未来项目可以考虑把 GSR / EDA、PPG、HRV、EMG、IMU 等信号结合起来。单一信号容易受噪声、个体差异和环境影响多模态融合有机会提高鲁棒性但也会增加采集同步、标签设计、模型大小和 MCU 部署难度。9. 本章还不能解决的问题本章是 TinyML 入门介绍还不能直接解决以下问题生理信号采集电路如何设计。模拟前端 AFE 如何选择。电极与人体接触噪声如何控制。ADC 精度、采样率和输入量程如何设置。GSR / EDA、ECG、EMG、PPG 的滤波算法如何设计。疼痛、情绪、疲劳等标签如何可靠标注。小样本数据如何避免过拟合。不同个体之间的生理差异如何处理。模型在真实场景中的泛化能力如何验证。医疗安全性、伦理审查和临床验证如何开展。长时间佩戴设备如何优化功耗。因此本章更适合建立 TinyML 的总体框架。真正做生理信号项目时还需要进一步学习模拟电路、传感器原理、数字滤波、实验设计、数据标注和模型评估。10. 本章总结本章最重要的收获是机器学习不一定只属于云端和大型服务器。对于语音唤醒、手势识别、可穿戴监测、自动驾驶和生理信号识别这类任务设备端本地推理往往更加重要。TinyML 的核心价值就是把小型机器学习模型部署到低功耗 MCU 上让嵌入式设备具备实时感知和判断能力。Edge Impulse 则为初学者提供了一条相对完整的入门路径从采集数据、训练模型到部署到 Arduino、ESP32、Nordic、STM32 等硬件平台。11. 参考资料序号资料名称类型链接与本章内容的关系1Edge Impulse Documentation官方文档Edge Impulse Documentation - Edge Impulse Documentation (Edge Impulse Documentation)用于理解 Edge Impulse 如何支持数据集构建、模型训练和边缘部署2What is Edge Impulse?官方课程文档What is Edge Impulse? - Edge Impulse Documentation (Edge Impulse Documentation)解释 Edge Impulse 作为边缘 AI / TinyML 平台的定位3Edge Impulse Studio官方文档Studio - Edge Impulse Documentation (Edge Impulse Documentation)说明 Edge Impulse Studio 如何用于构建、训练和部署模型4Edge Impulse Data Acquisition官方文档Data acquisition - Edge Impulse Documentation (Edge Impulse Documentation)解释数据采集、数据集管理、标签标注和数据质量分析流程5Edge Impulse CSV官方文档CSV - Edge Impulse Documentation (Edge Impulse Documentation)支持理解 VOFA CSV 数据如何作为 TinyML Dataset 导入6Edge Impulse CSV Wizard官方文档CSV Wizard - Edge Impulse Documentation (Edge Impulse Documentation)用于复杂 CSV / TXT / Parquet 数据导入配置7Edge Impulse Tutorials官方文档Tutorials - Edge Impulse Documentation (Edge Impulse Documentation)提供语音识别、运动识别、传感器分类等 TinyML 实战教程8Arduino Nano 33 BLE Sense - Edge Impulse官方硬件文档Arduino Nano 33 BLE Sense - Edge Impulse Documentation (Edge Impulse Documentation)对应本课程中 Arduino 入门、语音识别和手势识别案例9Arduino Nano 33 BLE Sense Hardware官方文档https://docs.arduino.cc/hardware/nano-33-ble-sense说明该开发板适合 TinyML、传感器、麦克风、IMU 和 BLE 入门10Get Started With Machine Learning on Arduino官方教程https://docs.arduino.cc/tutorials/nano-33-ble-sense/get-started-with-machine-learning/Arduino 官方机器学习入门教程适合配合本章案例学习11Edge Impulse with the Nano 33 BLE Sense官方教程https://docs.arduino.cc/tutorials/nano-33-ble-sense/edge-impulse (docs.arduino.cc)说明如何在 Arduino Nano 33 BLE Sense 上使用 Edge Impulse12LiteRT for Microcontrollers官方文档https://ai.google.dev/edge/litert/microcontrollers/overview (Google AI for Developers)Google 面向微控制器端侧推理的文档可理解 TFLite Micro / LiteRT 方向13TensorFlow Lite Micro GitHubGitHub 项目GitHub - tensorflow/tflite-micro: Infrastructure to enable deployment of ML models to low-power resource-constrained embedded targets (including microcontrollers and digital signal processors). · GitHub (GitHub)解释 MCU 端机器学习推理框架14edgeimpulse/esp32-platformio-edge-impulse-standalone-exampleGitHub 项目GitHub - edgeimpulse/esp32-platformio-edge-impulse-standalone-example: Minimal example code for running an Edge Impulse designed neural network on an ESP32 dev kit using platformio · GitHub (GitHub)演示 ESP32 PlatformIO 运行 Edge Impulse 模型15edgeimpulse/expert-projectsGitHub 项目GitHub - edgeimpulse/expert-projects · GitHub (GitHub)收集 Edge Impulse 专家项目可参考语音、视觉、异常检测、手势识别等案例16anacletu/tflm-keyword-spotting-ledGitHub 项目GitHub - anacletu/tflm-keyword-spotting-led: Efficient Keyword Spotting for LED Control with TensorFlow Lite for Microcontrollers · GitHub (GitHub)关键词识别控制 LED适合学习 TinyML 语音识别部署17mit-han-lab/tinymlGitHub 项目GitHub - mit-han-lab/tinyml · GitHub (GitHub)MIT HAN Lab TinyML 项目适合了解高效模型、MCUNet、边缘 AI 优化18Espressif ESP32-S3官方文档https://www.espressif.com/en/products/socs/esp32-s3 (Espressif Systems)支持 ESP32-S3 在神经网络和信号处理加速方面的迁移分析19Nordic nRF52840 DK - Edge Impulse官方硬件文档Nordic Semi nRF52840 DK - Edge Impulse Documentation支持 Nordic BLE 低功耗可穿戴设备方向分析20STM32 X-CUBE-AI Documentation官方文档https://wiki.st.com/stm32mcu/wiki/AI:X-CUBE-AI_documentation支持 STM32 端侧 AI 部署分析21TinyML: Tools, Applications, Challenges, and Future Research Directions综述论文[2303.13569] TinyML: Tools, Applications, Challenges, and Future Research Directions (arXiv)帮助理解 TinyML 工具、应用和挑战22TinyML for Ubiquitous Edge AI综述论文[2102.01255] TinyML for Ubiquitous Edge AI (arXiv)解释 TinyML 作为低功耗边缘智能方向的整体背景23Edge Impulse: An MLOps Platform for Tiny Machine Learning学术论文[2212.03332] Edge Impulse: An MLOps Platform for Tiny Machine Learning (arXiv)说明 Edge Impulse 作为 TinyML MLOps 平台的作用24Implementation Of Tiny Machine Learning Models On Arduino 33 BLE For Gesture And Speech Recognition学术论文[2207.12866] Implementation Of Tiny Machine Learning Models On Arduino 33 BLE For Gesture And Speech Recognition (arXiv)与本章手势识别和语音识别案例高度相关25TensorFlow Lite Micro: Embedded Machine Learning on TinyML Systems学术论文[2010.08678] TensorFlow Lite Micro: Embedded Machine Learning on TinyML Systems (arXiv)解释 TensorFlow Lite Micro 如何支持嵌入式设备上的深度学习推理26BiomedBench: A benchmark suite of TinyML biomedical applications for low-power wearables学术论文 / 基准测试[2406.03886] BiomedBench: A benchmark suite of TinyML biomedical applications for low-power wearables (arXiv)面向低功耗可穿戴生物医学 TinyML 应用适合生理信号项目参考27Optimizing TinyML: The Impact of Reduced Data Acquisition Rates for Time Series Classification on Microcontrollers学术论文[2409.10942] Optimizing TinyML: The Impact of Reduced Data Acquisition Rates for Time Series Classification on Microcontrollers讨论降低时间序列采样率对 MCU 分类任务的影响适合生理信号采样率分析28Tiny-PPG: Lightweight PPG Artifact Detection on Edge Devices学术论文[2305.03308] Tiny-PPG: A Lightweight Deep Neural Network for Real-Time Detection of Motion Artifacts in Photoplethysmogram Signals on Edge Devices (arXiv)支持 PPG 生理信号 TinyML 迁移分析29TinyML-Based Classification in an ECG Monitoring Embedded System学术论文CMC | TinyML-Based Classification in an ECG Monitoring Embedded System (科技科学出版社)支持 ECG 低功耗本地分类项目分析30TinyML for Speech Recognition学术论文[2504.16213] TinyML for Speech Recognition (arXiv)补充本章关键词识别和语音 TinyML 应用31TinyML and edge intelligence applications in cardiovascular monitoring综述论文https://www.sciencedirect.com/science/article/abs/pii/S0010482525000034 (科学直接)说明 TinyML 在心血管监测、可穿戴设备和边缘智能中的应用32TinyML: Machine Learning with TensorFlow Lite on Arduino and Ultra-Low-Power Microcontrollers教材 / 书籍https://www.oreilly.com/library/view/tinyml/9781492052036/ (OReilly)TinyML 入门经典教材适合系统学习 Arduino TFLite Micro33Introduction to Embedded Systems: A Cyber-Physical Systems Approach教材 / 权威资料Lee and Seshia, Introduction to Embedded Systems (Ptolemy)用于理解嵌入式系统、物理过程交互和实时系统基础34What Is Edge AI? — IBM权威定义What Is Edge AI? | IBM用于补充 Edge AI 概念定义35What Is Edge AI and How Does It Work? — NVIDIA权威定义What Is Edge AI and How Does It Work? | NVIDIA Blog (NVIDIA Blog)用于解释为什么 AI 计算要靠近数据源和终端设备
从 Alexa 到 TinyML为什么机器学习要跑在嵌入式设备上1. 本章学习目标学完本章后你应该能够理解为什么语音助手、自动驾驶、可穿戴设备等场景不能完全依赖云端机器学习。什么是 Edge AI、Embedded Machine Learning 和 TinyML。TinyML 为什么适合运行在微控制器 MCU 上。Edge Impulse 在 TinyML 项目中承担什么角色。Arduino、ESP32、Nordic、STM32 等主控在 TinyML 部署中的基本定位。如何从本章的语音识别、手势识别案例迁移到 EEG、ECG、EMG、PPG、HRV、GSR / EDA 等生理信号监测项目中。2. 本章内容导读本章从 Amazon Echo / Alexa 的语音交互示例开始引出一个核心问题机器学习并不一定都要运行在云端。很多任务需要设备在本地快速、低功耗、低延迟地完成判断例如唤醒词检测、自动驾驶决策、手势识别和语音识别。这类把机器学习部署到嵌入式设备上的技术就是 Embedded Machine Learning如果进一步运行在资源更小、功耗更低的微控制器上就进入了 TinyML 的范畴。3. 正文笔记3.1 从 Alexa 语音助手理解“本地机器学习”视频开头演示了一个语音助手场景用户问“Alexa现在丹佛外面的天气怎么样”Alexa 回答“丹佛现在是 31°F多云今天预计有雪最高 35°F最低 16°F。”这个例子看起来并不新鲜因为 Amazon Echo 已经出现很多年了。但它背后的技术逻辑很重要设备并不是一直把所有声音都传到云端而是先在本地监听唤醒词也就是 “Alexa”。只有当设备识别到唤醒词之后才会把后面的语音请求发送到服务器由云端完成更复杂的语义理解和服务调用。这就是嵌入式机器学习非常典型的应用方式简单、持续、实时的判断放在设备端复杂、大规模的计算放在云端。对 Echo 来说本地模型要做的事情不是理解所有人类语言而是判断当前音频片段里有没有 “Alexa” 这个关键词。这类任务目标很窄但要求一直运行、功耗低、响应快非常适合 TinyML。3.2 为什么机器学习不能全部放在云端传统上我们提到 Machine Learning往往会想到强大的服务器。服务器可以处理海量数据用于垃圾邮件过滤、电影推荐、交通预测、搜索排序等任务。但是有些场景不能完全依赖云端网络可能中断自动驾驶汽车如果突然没有网络仍然必须识别车道、行人、车辆和交通标志不能因为断网就停止决策。延迟必须极低有些任务需要毫秒级响应例如车辆避障、工业设备异常检测、跌倒检测、语音唤醒词识别。数据可能涉及隐私语音、图像、生理信号等数据直接上传云端可能带来隐私和合规问题。本地推理可以减少原始数据外传。功耗和带宽有限对可穿戴设备、无线传感器节点、低功耗医疗监测设备来说持续上传原始数据会消耗大量电量和通信资源。因此机器学习开始从云端向设备端迁移这就是 Edge AI 的重要背景。3.3 Edge AI、Embedded ML 和 TinyML 的关系可以把它们理解成三个逐渐“变小”的概念概念通俗理解典型设备本章中的作用Edge AI把 AI 放到靠近数据产生的位置手机、车载电脑、边缘网关、工业电脑解决“必须本地快速判断”的问题Embedded Machine Learning把 ML 部署到嵌入式系统中单板计算机、嵌入式 Linux 设备、MCU让硬件设备具备感知和判断能力TinyML把 ML 进一步压缩到微控制器上运行Arduino、ESP32、nRF52、STM32、RP2040低成本、低功耗、可长期运行的端侧智能TinyML 通常强调在资源受限、低功耗的 MCU 上运行机器学习推理任务它涉及模型压缩、量化、嵌入式推理框架、传感器数据处理和硬件部署等内容。相关综述把 TinyML 描述为机器学习、硬件和软件交叉形成的低功耗嵌入式智能方向目标是在 mW 级甚至更低功耗范围内运行端侧推理。3.4 为什么微控制器上的机器学习很重要过去在单板计算机上运行机器学习并不算新鲜例如 Raspberry Pi 可以运行 Linux也可以运行较大的 Python 程序和神经网络模型。但本章重点不是这类设备而是更小的microcontroller微控制器。微控制器的特点是便宜体积小功耗低可以长期电池供电常用于传感器采集和实时控制RAM、Flash、主频都比较有限。这意味着如果机器学习模型能够跑在 MCU 上就可以让大量普通电子设备拥有“感知能力”。例如一个手环可以本地判断佩戴者是否疲劳一个传感器节点可以本地判断设备是否异常振动一个语音模块可以本地判断是否听到唤醒词一个生理信号采集设备可以本地判断当前状态是否可能与压力、疼痛或运动疲劳有关。TensorFlow Lite Micro 就是面向微控制器和 DSP 等受限设备的推理框架目标是在有限内存设备上运行机器学习模型。3.5 TinyML 为什么现在变得可行视频中提到简单图像中的目标检测可能需要神经网络执行成千上万甚至数百万次运算。过去机器学习研究主要面向服务器和桌面计算机这些设备算力强、内存大、供电充足。但近几年TinyML 变得可行主要因为模型结构更高效很多任务不需要巨大的通用模型只需要小型、窄任务模型。例如唤醒词检测只判断几个关键词手势识别只区分几个动作。量化和模型压缩技术成熟模型可以从浮点运算压缩到 8-bit 整数量化从而减少内存占用和计算量。嵌入式推理框架成熟TensorFlow Lite Micro、Edge Impulse SDK、CMSIS-NN、ESP-NN、X-CUBE-AI 等工具降低了部署难度。MCU 性能提升例如 ESP32-S3 官方说明中提到它支持用于神经网络计算和信号处理加速的向量指令并可结合 ESP-DSP、ESP-NN 等库优化应用。3.6 Edge Impulse 在本课程中的作用视频中提到本课程会使用 Edge Impulse 来帮助采集数据、训练模型并将模型部署到嵌入式系统中。Edge Impulse 可以理解为一个面向边缘 AI / TinyML 的开发平台。它提供从数据采集、数据管理、标签标注、特征提取、模型训练、模型评估到模型部署的一整套流程。Edge Impulse 官方文档也明确说明它用于构建数据集、训练机器学习模型并优化库以直接运行在边缘设备上。在 Edge Impulse 中一个典型 TinyML 项目可以分成采集数据 → 标注数据 → 设计 Impulse → 提取特征 → 训练模型 → 测试模型 → 量化 / 压缩 → 部署到开发板 → 端侧实时推理这里的Impulse可以理解为“完整的信号处理 机器学习流水线”。它不只是一个神经网络模型还包括输入窗口、预处理、特征提取和学习模块。3.7 本课程会做什么案例本章介绍了课程后续会完成两个入门案例案例一手势识别 Gesture Recognition这个案例通常使用手机或 Arduino 开发板上的惯性传感器例如加速度计和陀螺仪采集不同手势动作的数据。基本流程是采集手势动作数据 → 给每类动作打标签 → 提取时序特征 → 训练分类模型 → 部署到开发板 → 实时判断当前手势类别手势识别很适合 TinyML 入门因为它的数据是典型的传感器时间序列与后续 EMG 动作识别、PPG 运动干扰识别、GSR / EDA 情绪或疼痛状态识别有很强的迁移关系。案例二语音识别 Speech Recognition第二个案例是语音识别准确说更接近关键词识别 Keyword Spotting。它通常不是让 MCU 理解所有自然语言而是判断音频中是否出现某几个关键词。基本流程是麦克风采集音频 → 切分音频窗口 → 提取频谱或 MFCC 等音频特征 → 训练关键词分类模型 → 部署到开发板 → 实时监听关键词Arduino Nano 33 BLE Sense 是 Edge Impulse 支持的典型教学板之一板载运动传感器、麦克风和 BLE适合采集原始数据、训练模型并从 Edge Impulse Studio 直接部署模型。4. 关键概念解释概念通俗解释技术解释在本章中的作用AI让机器表现出“智能”使用算法完成感知、判断、决策等任务总体背景Machine Learning让机器从数据中学规律通过数据训练模型让模型对新数据做预测本课程核心方法Edge AIAI 不只在云端也在设备边缘运行在靠近数据源的设备上执行推理解释为什么要本地计算Embedded ML把机器学习放进嵌入式系统在资源受限硬件中部署 ML 模型连接 ML 与硬件开发TinyML极小设备上的机器学习在 MCU 等低功耗设备上运行 ML 推理本课程核心主题Dataset训练模型用的数据集包括原始数据、标签、训练集、测试集决定模型能学到什么Feature Extraction把原始数据变成更有用的特征例如音频 MFCC、时序统计量、频域特征提高模型训练效果Classification分类判断输入属于哪个类别手势识别、关键词识别都属于分类Inference推理用训练好的模型对新数据做预测MCU 端实时运行的核心Deployment部署把模型转成开发板可运行的代码或库从训练走向实际硬件应用Edge ImpulseTinyML 开发平台支持数据采集、特征提取、训练和部署本课程主要工具5. 本章案例复盘项目手势识别语音识别案例目标判断当前动作属于哪种手势判断音频中是否出现指定关键词数据来源加速度计、陀螺仪、手机 IMU 或开发板 IMU麦克风音频数据类型多通道时间序列音频时间序列常见特征均值、方差、频域特征、运动模式频谱、MFCC、音频特征模型任务多分类关键词分类部署设备Arduino、手机、ESP32、nRF52 等Arduino Nano 33 BLE Sense、ESP32-S3、XIAO ESP32S3 等入门价值理解传感器分类流程理解唤醒词和音频 TinyML 流程这两个案例的重点不在于模型多复杂而在于让学习者完整走通 TinyML 的闭环从现实世界采集数据到训练模型再到部署到嵌入式设备上实时推理。6. 与生理信号监测 TinyML 项目的联系6.1 共性语音、手势、生理信号本质上都是时间序列本章的语音识别和手势识别看起来与 EEG、ECG、EMG、PPG、HRV、GSR / EDA 不同但从 TinyML 角度看它们有共同结构传感器采集 → 原始时间序列 → 滤波 / 去噪 → 滑动窗口切片 → 标签标注 → 特征提取 → 模型训练 → 模型评估 → MCU 部署 → 实时推理语音是麦克风采集的声波时间序列手势是 IMU 采集的加速度和角速度时间序列生理信号则是电极、光学传感器或皮肤电传感器采集的人体状态时间序列。因此本章学到的 TinyML 流程可以迁移到生理信号项目中。6.2 不同生理信号的 TinyML 统一开发流程如果要开发生理信号 TinyML 项目可以统一理解为EEG / ECG / EMG / PPG / HRV / GSR / EDA 传感器采集 → 模拟前端 AFE 或传感器模块输出 → MCU ADC / I2C / SPI / UART 读取数据 → 原始信号滤波去噪 → 固定窗口切片 → 根据实验任务标注标签 → 导入 Edge Impulse 或自建训练脚本 → 提取时域 / 频域 / 统计特征 → 训练分类、回归或异常检测模型 → 量化压缩 → 部署到 ESP32、Nordic、STM32、Arduino 等主控 → 实时输出状态判断结果Edge Impulse 支持 CSV 数据导入官方文档说明可以通过 Studio 上传 CSV也可以通过 CLI 导入如果 CSV 格式复杂还可以使用 CSV Wizard 设置解析方式。这意味着使用 VOFA 采集并保存的 CSV 数据可以被理解为 TinyML 项目的 Dataset。CSV 中的列可能包括时间戳、通道值、传感器电压、滤波后数值、实验阶段或标签。后续需要把这些数据整理成训练集、验证集和测试集再导入 Edge Impulse 或 Python 训练流程。6.3 不同生理信号的差异信号信号来源常见采集方式采样率要求常见预处理常见特征适合 TinyML 任务部署难点EEG大脑电活动头皮电极通常较高去工频、带通滤波、伪迹去除频带能量、节律特征注意力、疲劳、睡眠阶段、脑机接口信号弱、噪声大、电极接触要求高ECG心电活动心电电极 / AFE中等到较高基线漂移去除、QRS 检测RR 间期、心率、波形特征心率、心律异常、状态识别医学标签要求高误判风险高HRV心率间期变化ECG 或 PPG 推导依赖心率检测质量RR / NN 间期清洗SDNN、RMSSD、频域指标压力、疲劳、自主神经状态对窗口长度和个体差异敏感EMG肌肉电活动表面肌电电极较高整流、包络、带通滤波RMS、MAV、ZC、频域特征手势识别、肌肉疲劳、康复评估电极位置变化影响很大PPG脉搏波 / 血容量变化光电传感器中等去运动伪迹、平滑滤波心率、脉搏波形、峰间距心率、血氧、疲劳、压力运动干扰明显GSR / EDA皮肤电导变化皮肤电电极较低到中等平滑、去趋势、分离 SCL / SCR峰值、上升时间、恢复时间、均值情绪唤醒、压力、疼痛反应个体差异大受汗液和接触影响例如 Tiny-PPG 研究针对 PPG 运动伪迹问题设计轻量网络并部署到 STM32 设备上说明 PPG 这类可穿戴信号确实适合边缘端实时处理。 ECG 方向也已有 TinyML ECG 监测系统研究强调让低功耗 ECG 设备在本地完成分类以减少网络与内存资源消耗。6.4 从本章案例迁移到生理信号项目本章的两个案例可以这样迁移本章案例对应生理信号项目启发语音识别音频窗口切分、频谱特征、关键词分类可迁移到 ECG/PPG/EDA 的窗口化识别手势识别IMU 多通道时序分类可迁移到 EMG 动作识别、PPG 运动状态识别唤醒词检测“长期监听 低功耗 本地触发” 可迁移到异常生理状态检测Edge Impulse 训练流程可用于 CSV 数据导入、标签管理、特征提取、模型部署Arduino 演示可迁移到 ESP32、Nordic、STM32 等主控做真实项目开发如果你的目标是疼痛监测不应一开始就只盯着 GSR / EDA。更合理的思路是先把疼痛看作一种可能会影响多类生理信号的状态变化再考虑多模态融合GSR / EDA交感神经唤醒 EMG肌肉紧张和疼痛相关动作反应 HRV自主神经状态变化 PPG心率、脉搏波和血管反应 ECG更稳定的心率和 HRV 来源 EEG疼痛相关脑电节律变化部署难度较高7. 主控平台迁移分析本章演示偏向 Arduino 入门但后续项目不应只局限于 Arduino。不同主控适合不同阶段主控平台适合场景优点注意点Arduino Nano 33 BLE SenseTinyML 入门、语音识别、手势识别板载 IMU、麦克风、BLEEdge Impulse 支持好适合教学和原型不一定适合最终产品ESP32 / ESP32-S3Wi-Fi / BLE、生理信号采集、边缘推理通信能力强ESP32-S3 有向量指令支持 NN 和信号处理ADC 精度、模拟前端、电源噪声要重点评估Nordic nRF52 / nRF53可穿戴、低功耗 BLE 生理监测BLE 低功耗生态强适合电池设备Wi-Fi 不如 ESP32 方便开发生态偏嵌入式专业STM32工业控制、医疗原型、实时采集型号丰富适合 ADC、低功耗和实时控制需要更熟悉 STM32CubeMX / HAL / DSPRP2040 / Pico低成本实验、基础 TinyML成本低、资料多无线通信需额外模块Seeed XIAO ESP32S3小体积语音 / 图像 / 传感器 TinyMLWi-Fi、BLE、小尺寸部分板载摄像头和麦克风引脚和功耗设计要结合具体板卡Nordic nRF52840 DK 是 Edge Impulse 支持的开发板具备 Cortex-M4、外部 QSPI Flash 和 BLE Radio适合 BLE 低功耗应用验证。 STM32 方向可以结合 X-CUBE-AI它能把预训练 AI 模型转换、优化并集成到 STM32 项目中。 Seeed XIAO ESP32S3 Sense 则适合小体积视觉、语音或传感器类 Edge Impulse 项目官方文档提到它支持 2.4GHz Wi-Fi、BLE并带有摄像头和数字麦克风。8. 本章内容对未来项目的启发8.1 疼痛监测本章帮助理解疼痛监测可以被建模为一个基于多通道生理时间序列的分类或回归问题。例如区分无痛、轻度疼痛、中度疼痛、明显疼痛或者预测疼痛评分变化趋势。8.2 情绪识别GSR / EDA、PPG、HRV、ECG 等信号都与自主神经活动有关可以用于压力、唤醒度、情绪状态识别。但模型输出只能作为状态估计不能直接等同于医学或心理诊断。8.3 疲劳检测疲劳可能影响 EEG、HRV、PPG、EMG 和运动行为。TinyML 的意义在于可以让可穿戴设备在本地持续监测而不是一直上传原始数据。8.4 运动状态识别本章的手势识别案例与运动状态识别最接近。IMU EMG PPG 可以用于判断运动阶段、动作类别、肌肉疲劳和恢复状态。8.5 可穿戴生理信号监测TinyML 的低功耗、本地推理、低延迟特点非常适合可穿戴设备。相关研究也在探索 TinyML 与边缘智能在心血管监测中的应用价值。8.6 多模态生理信号融合未来项目可以考虑把 GSR / EDA、PPG、HRV、EMG、IMU 等信号结合起来。单一信号容易受噪声、个体差异和环境影响多模态融合有机会提高鲁棒性但也会增加采集同步、标签设计、模型大小和 MCU 部署难度。9. 本章还不能解决的问题本章是 TinyML 入门介绍还不能直接解决以下问题生理信号采集电路如何设计。模拟前端 AFE 如何选择。电极与人体接触噪声如何控制。ADC 精度、采样率和输入量程如何设置。GSR / EDA、ECG、EMG、PPG 的滤波算法如何设计。疼痛、情绪、疲劳等标签如何可靠标注。小样本数据如何避免过拟合。不同个体之间的生理差异如何处理。模型在真实场景中的泛化能力如何验证。医疗安全性、伦理审查和临床验证如何开展。长时间佩戴设备如何优化功耗。因此本章更适合建立 TinyML 的总体框架。真正做生理信号项目时还需要进一步学习模拟电路、传感器原理、数字滤波、实验设计、数据标注和模型评估。10. 本章总结本章最重要的收获是机器学习不一定只属于云端和大型服务器。对于语音唤醒、手势识别、可穿戴监测、自动驾驶和生理信号识别这类任务设备端本地推理往往更加重要。TinyML 的核心价值就是把小型机器学习模型部署到低功耗 MCU 上让嵌入式设备具备实时感知和判断能力。Edge Impulse 则为初学者提供了一条相对完整的入门路径从采集数据、训练模型到部署到 Arduino、ESP32、Nordic、STM32 等硬件平台。11. 参考资料序号资料名称类型链接与本章内容的关系1Edge Impulse Documentation官方文档Edge Impulse Documentation - Edge Impulse Documentation (Edge Impulse Documentation)用于理解 Edge Impulse 如何支持数据集构建、模型训练和边缘部署2What is Edge Impulse?官方课程文档What is Edge Impulse? - Edge Impulse Documentation (Edge Impulse Documentation)解释 Edge Impulse 作为边缘 AI / TinyML 平台的定位3Edge Impulse Studio官方文档Studio - Edge Impulse Documentation (Edge Impulse Documentation)说明 Edge Impulse Studio 如何用于构建、训练和部署模型4Edge Impulse Data Acquisition官方文档Data acquisition - Edge Impulse Documentation (Edge Impulse Documentation)解释数据采集、数据集管理、标签标注和数据质量分析流程5Edge Impulse CSV官方文档CSV - Edge Impulse Documentation (Edge Impulse Documentation)支持理解 VOFA CSV 数据如何作为 TinyML Dataset 导入6Edge Impulse CSV Wizard官方文档CSV Wizard - Edge Impulse Documentation (Edge Impulse Documentation)用于复杂 CSV / TXT / Parquet 数据导入配置7Edge Impulse Tutorials官方文档Tutorials - Edge Impulse Documentation (Edge Impulse Documentation)提供语音识别、运动识别、传感器分类等 TinyML 实战教程8Arduino Nano 33 BLE Sense - Edge Impulse官方硬件文档Arduino Nano 33 BLE Sense - Edge Impulse Documentation (Edge Impulse Documentation)对应本课程中 Arduino 入门、语音识别和手势识别案例9Arduino Nano 33 BLE Sense Hardware官方文档https://docs.arduino.cc/hardware/nano-33-ble-sense说明该开发板适合 TinyML、传感器、麦克风、IMU 和 BLE 入门10Get Started With Machine Learning on Arduino官方教程https://docs.arduino.cc/tutorials/nano-33-ble-sense/get-started-with-machine-learning/Arduino 官方机器学习入门教程适合配合本章案例学习11Edge Impulse with the Nano 33 BLE Sense官方教程https://docs.arduino.cc/tutorials/nano-33-ble-sense/edge-impulse (docs.arduino.cc)说明如何在 Arduino Nano 33 BLE Sense 上使用 Edge Impulse12LiteRT for Microcontrollers官方文档https://ai.google.dev/edge/litert/microcontrollers/overview (Google AI for Developers)Google 面向微控制器端侧推理的文档可理解 TFLite Micro / LiteRT 方向13TensorFlow Lite Micro GitHubGitHub 项目GitHub - tensorflow/tflite-micro: Infrastructure to enable deployment of ML models to low-power resource-constrained embedded targets (including microcontrollers and digital signal processors). · GitHub (GitHub)解释 MCU 端机器学习推理框架14edgeimpulse/esp32-platformio-edge-impulse-standalone-exampleGitHub 项目GitHub - edgeimpulse/esp32-platformio-edge-impulse-standalone-example: Minimal example code for running an Edge Impulse designed neural network on an ESP32 dev kit using platformio · GitHub (GitHub)演示 ESP32 PlatformIO 运行 Edge Impulse 模型15edgeimpulse/expert-projectsGitHub 项目GitHub - edgeimpulse/expert-projects · GitHub (GitHub)收集 Edge Impulse 专家项目可参考语音、视觉、异常检测、手势识别等案例16anacletu/tflm-keyword-spotting-ledGitHub 项目GitHub - anacletu/tflm-keyword-spotting-led: Efficient Keyword Spotting for LED Control with TensorFlow Lite for Microcontrollers · GitHub (GitHub)关键词识别控制 LED适合学习 TinyML 语音识别部署17mit-han-lab/tinymlGitHub 项目GitHub - mit-han-lab/tinyml · GitHub (GitHub)MIT HAN Lab TinyML 项目适合了解高效模型、MCUNet、边缘 AI 优化18Espressif ESP32-S3官方文档https://www.espressif.com/en/products/socs/esp32-s3 (Espressif Systems)支持 ESP32-S3 在神经网络和信号处理加速方面的迁移分析19Nordic nRF52840 DK - Edge Impulse官方硬件文档Nordic Semi nRF52840 DK - Edge Impulse Documentation支持 Nordic BLE 低功耗可穿戴设备方向分析20STM32 X-CUBE-AI Documentation官方文档https://wiki.st.com/stm32mcu/wiki/AI:X-CUBE-AI_documentation支持 STM32 端侧 AI 部署分析21TinyML: Tools, Applications, Challenges, and Future Research Directions综述论文[2303.13569] TinyML: Tools, Applications, Challenges, and Future Research Directions (arXiv)帮助理解 TinyML 工具、应用和挑战22TinyML for Ubiquitous Edge AI综述论文[2102.01255] TinyML for Ubiquitous Edge AI (arXiv)解释 TinyML 作为低功耗边缘智能方向的整体背景23Edge Impulse: An MLOps Platform for Tiny Machine Learning学术论文[2212.03332] Edge Impulse: An MLOps Platform for Tiny Machine Learning (arXiv)说明 Edge Impulse 作为 TinyML MLOps 平台的作用24Implementation Of Tiny Machine Learning Models On Arduino 33 BLE For Gesture And Speech Recognition学术论文[2207.12866] Implementation Of Tiny Machine Learning Models On Arduino 33 BLE For Gesture And Speech Recognition (arXiv)与本章手势识别和语音识别案例高度相关25TensorFlow Lite Micro: Embedded Machine Learning on TinyML Systems学术论文[2010.08678] TensorFlow Lite Micro: Embedded Machine Learning on TinyML Systems (arXiv)解释 TensorFlow Lite Micro 如何支持嵌入式设备上的深度学习推理26BiomedBench: A benchmark suite of TinyML biomedical applications for low-power wearables学术论文 / 基准测试[2406.03886] BiomedBench: A benchmark suite of TinyML biomedical applications for low-power wearables (arXiv)面向低功耗可穿戴生物医学 TinyML 应用适合生理信号项目参考27Optimizing TinyML: The Impact of Reduced Data Acquisition Rates for Time Series Classification on Microcontrollers学术论文[2409.10942] Optimizing TinyML: The Impact of Reduced Data Acquisition Rates for Time Series Classification on Microcontrollers讨论降低时间序列采样率对 MCU 分类任务的影响适合生理信号采样率分析28Tiny-PPG: Lightweight PPG Artifact Detection on Edge Devices学术论文[2305.03308] Tiny-PPG: A Lightweight Deep Neural Network for Real-Time Detection of Motion Artifacts in Photoplethysmogram Signals on Edge Devices (arXiv)支持 PPG 生理信号 TinyML 迁移分析29TinyML-Based Classification in an ECG Monitoring Embedded System学术论文CMC | TinyML-Based Classification in an ECG Monitoring Embedded System (科技科学出版社)支持 ECG 低功耗本地分类项目分析30TinyML for Speech Recognition学术论文[2504.16213] TinyML for Speech Recognition (arXiv)补充本章关键词识别和语音 TinyML 应用31TinyML and edge intelligence applications in cardiovascular monitoring综述论文https://www.sciencedirect.com/science/article/abs/pii/S0010482525000034 (科学直接)说明 TinyML 在心血管监测、可穿戴设备和边缘智能中的应用32TinyML: Machine Learning with TensorFlow Lite on Arduino and Ultra-Low-Power Microcontrollers教材 / 书籍https://www.oreilly.com/library/view/tinyml/9781492052036/ (OReilly)TinyML 入门经典教材适合系统学习 Arduino TFLite Micro33Introduction to Embedded Systems: A Cyber-Physical Systems Approach教材 / 权威资料Lee and Seshia, Introduction to Embedded Systems (Ptolemy)用于理解嵌入式系统、物理过程交互和实时系统基础34What Is Edge AI? — IBM权威定义What Is Edge AI? | IBM用于补充 Edge AI 概念定义35What Is Edge AI and How Does It Work? — NVIDIA权威定义What Is Edge AI and How Does It Work? | NVIDIA Blog (NVIDIA Blog)用于解释为什么 AI 计算要靠近数据源和终端设备
)
)
