【Nordic博文分享系列】CPU也能跑AI？Nordic边缘AI方案详解，功耗低至微焦级

Nordic Edge AI 简介

什么是 AI 和机器学习？

AI（人工智能） 是一个很大的概念，泛指让计算机完成需要人类智能才能完成的任务。而机器学习（Machine Learning） 是 AI 的一个重要子集，它的核心思想是：不给计算机编写明确的规则，而是让它从数据中自动学习规律。

以手势识别为例：

• 传统方法：工程师手动设计规则，例如"当 X 轴速度先增大再减小时，判断为向右滑动"。这种方法需要大量人工调参，且很难覆盖所有情况。

• 机器学习方法：收集大量带标签的传感器数据（"这段数据是向右滑动"），让算法自动从中学习特征，训练出一个可以识别手势的模型（Model）。

机器学习中最常见的一类是神经网络（Neural Network），它由多层"神经元"组成，能够学习复杂的非线性特征。

机器学习模型的运行

在推理阶段，神经网络的输入就是传感器数据（视为一组向量），通过线性运算（矩阵乘法、偏置）与非线性变换（激活函数）得到下一层的神经元数值。

以上示意图为神经网络中线性代数运算部分的可视化：

每一层神经元都是一组中间变量，暂时存储运算结果。图中相邻神经元之间的连线代表权重（Weight），相邻两层之间所有的连线数值构成了权重矩阵。

实际上，每一层神经元向量（x）到下一层神经元向量（y）之间不只是线性计算：

W：上文介绍的权重矩阵，代表上一层对下一层的影响力。

b：偏置向量，代表神经元的固有偏好，确保模型在无输入或低输入时也能灵活调整。

σ：激活函数，常见的如ReLU，tanh等。如果没有激活函数，再多层权重矩阵和偏置向量都只会等价成一次线性计算。有了激活函数，才能让模型拟合现实中复杂的非线性问题。

权重和偏置构成了模型的核心参数，存放在固件的只读数据区。

如果你在训练时要识别的手势有8种，那么输出就是一个长度为8的向量，经过归一化处理后，对应这8种手势的概率值（0到1之间），数值最高的即为识别结果。

机器学习模型的训练

所谓模型的训练，就是在选择好模型的层数、精度、激活函数等**超参数（Hyperparameters）**之后，从零开始迭代出整个模型中所有的权重矩阵和偏置。

一般称工程师选择的参数为“超参数”，用于区分模型自己的参数。

因此，我们需要预先准备好大量的已经标注的数据（Labeled data）。数据（Data）和标签（Label）就像作业的题目和答案：模型在训练过程中不断尝试给出预测，并根据与标准答案的偏差来微调内部权重，直到输入数据能高概率地指向正确标签。

训练数据的量级和多样性直接决定了模型的“见识”和准确度。

实际上，我们不会把所有数据都投入训练。我们会预留一部分数据作为测试集，不参与训练过程。训练结束后，用测试集来检验模型的真实水平。这能有效发现模型是否出现了过拟合（Overfitting）——即模型只是死记硬背住了训练题目的答案，却并没有真正学会解题的逻辑（泛化能力差）。

在嵌入式端，我们往往在训练完成后还会进行量化（Quantization），把普通的 32 位浮点数（FP32）权重压缩成 8 位整数（INT8）。这样模型虽然损失了一点点精度，但在 MCU上的运行速度会大幅提升，功耗也会显著降低。

如果你想更详细地了解机器学习的数学本质，可以参考这个视频：《【3b1b】深度学习之神经网络的结构 Part 1 ver 2.》

Nordic 提供什么？

Nordic 的 Edge AI 方案专注于机器学习在嵌入式设备（MCU）上的部署，也就是所谓的边缘 AI（Edge AI），主要有两大方案：

• Neuton 神经网络框架：让模型高效率地运行在Arm Cortex-M 系列CPU上。适合处理运动传感器、光电传感器等时间序列数据。

• Axon NPU：Nordic 部分芯片（如 nRF54LM20B）内置了 Axon NPU 硬件加速器，可进一步提升模型推理速度和能效。适合处理音频流、小型视频流等较高数据量的时间序列数据。

1

CPU方案：Neuton神经网络框架

与传统的全连接神经网络不同，Neuton 会从零开始逐个神经元地生长网络结构，自动找到最紧凑的模型，无需手动调节网络层数、学习率等超参数。训练后的模型可以非常小，适合在 Cortex-M 系列 MCU 上部署。

相比于结构冗余的传统全连接网络，Neuton 神经网络有极高的效率：它在生长过程中会自动剔除不重要的神经元与权重，并支持跨层连接。这种特性使得模型不再是死板的层级堆叠，而是一个高度精简、按需连接的稀疏拓扑结构。

Neuton神经网络体积小，功耗低，直接在CPU上运行，支持Nordic目前所有的SoC平台。

2

NPU方案：Axon NPU

Nordic 部分 SoC，如 nRF54LM20B 支持 Axon NPU 硬件加速单元，可以运行更大的TensorFlow Lite（LiteRT）模型。相比于CPU能提升15倍的速度和10倍的能效。

Axon NPU框图：

• 硬件提供常见的神经网络运算单元（卷积、全连接、加法、池化等），支持8bit量化模型，支持32bit输出。也支持int24 DSP矢量运算，平方根，自然对数和FFT。

• Nordic提供配套编译器和驱动，可以将TensorFlow Lite模型转换为Axon可以运行的模型。

• CPU只需负责初始化NPU，提交推理任务，处理完成中断。NPU有自己的DMA在内存中搬运数据。CPU可在推理期间休眠或处理其他任务。

• 相比于同频率的Cortex-M33，推理速度提升15-17倍，且单次推理功耗极低。

3 V 供电、128 MHz 下：

• KWS（DS‑CNN）：4.5 ms，约 3.0 mA，能量约 40.5 µJ

• 视觉唤醒（VWW）：14.4 ms，约 2.8 mA，能量约 121 µJ

Axon NPU非常适合做”需要持续听，但不常触发“的功能。如语音关键词唤醒。相关文档请参考：Wake Word Detection

https://docs.nordicsemi.com/bundle/edge-ai-lab/page/doc/wake\_word.html

Nordic Edge AI Lab

Nordic Edge AI 是一个在线的模型训练平台（ai.lab.nordicsemi.com），无需本地 GPU 环境，上传 CSV 表格数据集即可自动完成特征提取、模型训练和导出。支持Neuton模型和Axon模型。

文档：Welcome to the Nordic Edge AI Lab

https://docs.nordicsemi.com/bundle/edge-ai-lab/page/index.html

Edge AI Add-on

NCS（nRF Connect SDK）的插件（Add-On），提供完整的手势识别、异常检测等参考应用，以及将训练好的模型集成进固件的工程框架，包含推理引擎，数据预处理等。

文档：Welcome to the Edge AI Add-on for nRF Connect SDK

https://docs.nordicsemi.com/bundle/addon-edge-ai\_latest/page/index.html

环境准备

硬件准备

本教程使用 Nordic Thingy:53（基于 nRF5340 SoC）。Thingy:53 内置了加速度计和陀螺仪，非常适合用于手势识别。

例程也支持：

• nRF54L15 TAG

• nRF54LM20DK + nRF Sensor EB

软件环境

每次安装一个nRF Connect SDK Add-on都需要从GitHub拉取一个完整的SDK，对于国内网络不太友好。如果你的网络能稳定访问GitHub，你可以按照Edge AI Add-on的文档 来安装。

标准全量安装方式

拉取Edge AI Add-on 和对应的SDK：

你也可以通过命令行的方式安装：

## 首先通过VS Code打开 nRF Connect命令行，或者通过以下 nrfutil 命令打开nRF Connect 命令行

本文在这里提供一个方案，可以直接在本地已经安装的NCS的基础上，增量拉取Nordic Edge AI Add-on，成功率会大大提高：

根据 Nordic Edge AI的west配置，我们目前需要NCS v3.3.0-preview2：

以下博客介绍了国内镜像服务器加速下载NCS的方法，我们去下载目前和v3.3.0-preview2最接近的正式版 v3.2.4：

• nRF Connect SDK(NCS) 安装与入门 - jayant97

根据NCS根目录下.west/config文件下的配置，我们可以看到NCS原本的manifest是nrf仓库：

[manifest]

我们只需要把 manifest 切换成https://github.com/nrfconnect/sdk-edge-ai"，再更新west工作区，即可增量拉取：

## 首先通过VS Code打开 nRF Connect命令行，或者通过以下nrfutil命令打开nRF Connect 命令行

可能你在west update时会遇到一些其他报错：

这是因为Windows的NTFS文件系统是不区分大小写的。这些文件名在windows里是大写，但是git仓库中只记录了小写的，于是认为大写的文件是新的文件，在git checkout的时候报警不让更新。

可以在zephyr仓库目录下单独执行git config core.ignorecase true来忽略。如果其他仓库也有这个问题，单独执行这个命令即可。

数据采集与标记

这一步需要用户手动完成，目标是得到一个格式规范的 CSV 数据集，用于后续的模型训练。

如果你没有这个硬件，或者不想花时间自己采集数据。Nordic也提供了测试用的数据集，可以跳过这一章节，参考后续内容。

Step 1：编译并烧录数据采集固件

Edge AI Add-on 中提供了edge-ai/applications/gesture_recognition 参考工程。在烧录之前，需要开启数据采集模式。

你可以在edge-ai\applications\gesture_recognition\configuration\thingy53_nrf5340_cpuapp\中，拷贝一份prj.conf，命名为prj_dc.conf，增加以下内容：

CONFIG_DATA_COLLECTION_MODE=y

然后编译：

cd edge-ai\applications\gesture_recognition west build -d build_dc  --pristine --board thingy53/nrf5340/cpuapp -- -DCONF_FILE="prj_dc.conf"

Nordic 的其他开发板支持J-link对外输出，使用标准10pin JTAG接口：

west flash -d build_dc/

使用 nRF Connect for Desktop 中的 Serial Terminal 工具连接设备串口（波特率 115200）。

设备会通过串口以 100 Hz 的频率持续输出传感器原始数据，格式如下：

<acc_x>,<acc_y>,<acc_z>,<gyro_x>,<gyro_y>,<gyro_z>

数据为 16 位整数，每行代表一个采样点，采样率默认 100 Hz（即每秒 100 行）。

Step 2：决定目标动作

在采集数据之前，要决定自己要识别哪些动作。默认动作有6种：右滑、左滑、双击、拇指双击、顺时针旋转、逆时针旋转。

右滑

左滑

双击

拇指双击

顺时针旋转

逆时针旋转

左右滑动查看更多

除此之外，还要确保一个初始位置，并将其定义为静止（idle）。

再加上其他动作（UNKNOWN），总共有6+1+1=8种动作。

你可以自己设计其他6种动作，来替换原本的动作。因为应用层代码就只定义了6种动作+静止+未知动作。只需要修改模型，就能改为识别你自己定义的其他6种动作。

Step 3：采集数据

每个手势类别单独保存一个文件。

采集建议：

• 每次采集一个动作前先静止 3-5 秒，保证数据头部干净

• 如果是离散的手势（左右滑动，双击），每个手势持续做 1-2 秒，手势之间停顿约 1 秒

• 如果是连续的手势（旋转），可以持续不同的时间

• 适当变换速度、方向和力度，增强模型泛化能力

• 每个手势类别采集约 5 分钟的数据

采集完成后，在串口助手中点击 Write to File，将数据保存为 CSV表格 文件。

idle（静止）和 unknown（未知手势）这两类数据非常重要！它们可以防止模型在用户做其他动作时产生误触发。

Step 4：数据标注

每个 CSV 文件只包含传感器数值，没有列名和标签。需要手动为每个文件添加列头和类别标签：

1. 用 Excel、VS Code 或 Python 打开 CSV 文件

2. 在第一行插入列名：acc_x,acc_y,acc_z,gyro_x,gyro_y,gyro_z,class

3. 在 class 列填入对应的整数标签

4. 由于我们最后要合并数据集表格，在合并之前记得先把每个动作数据表格第一行的列名删除。全部合并后，再重新添加表头。

注意：数据集csv文件有严格的格式要求，如UTF-8 or ISO-8859-1编码，换行符保持一致等等。详见：Dataset requirements

https://docs.nordicsemi.com/bundle/edge-ai-lab/page/doc/model\_creating\_pipeline/dataset\_requirements.html

各类别的标签编码如下（类别编号必须从 0 开始）：

标注后的文件示例（IDLE 类别）：

acc_x,acc_y,acc_z,gyro_x,gyro_y,gyro_z,class

Step 5：数据窗口与数据分割（Segmentation）

如果你的数据，表格中的每一行就是一个完整的带标签的训练样本，则没有数据窗口的概念。

但是，传感器数据是连续的，连续很多行才代表1个训练样本，模型的输入是一段窗口内的数据。

随着时间推移，把传感器数据分割为一个个窗口输入给模型，模型在一个计算周期（Shift）内给出这段数据对应的结果。窗口之间可以有重叠（Overlap），也可以没有。

但是我们要识别的动作本身是有连续和非连续的区别：

• 连续的，如顺/逆时针旋转、跑步、游泳。

• 非连续的，有明确的起止点。如左滑、右滑、双击。

对于连续的动作，我们可以直接用连续的原始数据去训练。Nordic Edge AI平台上可以设置滑动窗口的大小和偏移，自动生成训练数据。

对于非连续的动作，我们需要进行剪裁，必须把波形放到每个窗口的中间：

注意，训练时的滑动窗口设置和推理时的滑动窗口设置是可以不一样的。上图展示了推理时的滑动窗口：我们可以用较长的窗口（1-2秒）来确保动作的完整性；用较短（0.3s）的滑动偏移来确保动作识别的响应速度。

而在训练时，如果你的训练数据包含非连续动作，我们必须设置窗口大小（Window Size）等于滑动偏移（Shift），确保窗口之间没有重叠（Overlap）。

最终所有的训练数据合并在一起，应该类似这样：

这样一来，训练服务器在读取数据时才能正确把每个非连续动作置于窗口中心。

以本例来说：最长手势约 1 秒，采样率 100 Hz，因此窗口大小（Window Size）为 100 个采样点。分割的目标是让每段窗口的中心对应手势的最大幅值处。

注意，如果你后续需要频域特征，必须选择2的幂作为窗口大小，且位于128和2048之间。

Nordic 提供了一个开源的自动分割脚本，来帮你分割非连续动作的数据。只需指定最长手势的时长（秒），脚本会自动完成分割和数据清洗（删除头尾噪声数据）。

你可以单独对非连续动作的CSV表格来执行这个脚本：

# 安装依赖

这个脚本比较粗糙，很多内容是硬编码的，你需要修改脚本内容来符合你的要求：

输入文件：

• sample_data.csv：输入数据文件名

# read data with one non-continuous gesture samples

数据处理参数：

• TRAINING_WINDOW_SIZE：窗口大小

• gesture：输出文件名

• nrows_to_remove：忽略输入数据的前多少行

# Define the desired training window size

数据集结构定义：

• 输入数据有6列+1列标签。每一列的名称就是输出数据的表头。

df.columns = ['aX', 'aY', 'aZ', 'gX', 'gY', 'gZ', 'target']

峰值检测算法参数：

• work_axis：选择要基于哪个轴做峰值检测

• threshold_coef：阈值系数

config = {

算法解释：

1. 创建滑动窗口，设定窗口大小为TRAINING_WINDOW_SIZE，滑动步长为1。

2. 计算阈值，为这个轴的所有数据的均值乘以threshold_coef

3. 计算每一步的窗口内的最大值和最小值的均方根，可以大致表征这个窗口内的平均振幅大小

4. 窗口平均振幅上穿阈值时，记为波形的上升沿；下穿阈值时，记为波形的下降沿。

5. 相邻的一个上升沿和下降沿之间的部分就捕捉到了一个波峰。把这个波峰放置在一个窗口中心，剪裁并记录到输出数据中。

原始示例数据，用Excel绘制图像，开头有一段时间静止，13873行（138秒）：

处理后的示例数据，只截取3000条（对应30秒），可以看到波峰是对齐大小为100的窗口的：

其中有一些误识别的，可能是阈值设置的太低了，将threshold_coef改为1.2再测试一下：

基本上就符合我们的需求了

Step 6：合并数据集

注意：

• 在合并之前，确保所有的连续数据、非连续数据的长度都是窗口大小的整数倍

• 要记得确认每个表格都没有表头，否则会导致表头变成数据

将所有标注并分割好的 CSV 文件合并为一个总数据集：

# Windows PowerShell

最终得到一个包含所有手势类别数据的 dataset.csv，即可用于训练。

最终合并完成之后，再添加表头。

在Nordic Edge AI Lab上训练模型

Nordic Edge AI Lab 是一个基于浏览器的在线机器学习平台，无需本地 GPU 即可完成模型训练。

注册并创建 Solution

1. 在 Edge AI Lab 注册账户并登录

2. 点击 Add New Solution 创建新项目

这里有三个选项：

• 分类任务（Classification）：属于监督学习。就是前面介绍的，输入数据参数，输出每个分类的概率。如唤醒词检测、手势检测、二元分类等。

• 回归任务（Regression）：属于监督学习。通过训练数据，拟合输入和输出的函数，输出的是连续数值。例如，输入传感器数据，输出温度、心率、血压值。

• 异常检测任务（Anomaly Detection）：属于无监督学习模型，训练时不需要标签，只需提供正常运行状态下的数据。模型学习正常模式，并在推理时识别偏离正常行为的异常数据。典型应用场景是预测性维护（例如检测即将故障的机器）。

3. 选择框架为 Neuton，任务类型为 Classification

4. 填写项目名称，点击 Next

5. 上传 dataset.csv，点击 OK

6. 将 Target Column 设置为 class，点击 Next.

数据预处理配置

Step1：窗口选择

刚刚进入页面时，会看到一个"Signal Processing"页面。

这里如果直接开始训练，模型会把每一行数据当成一个单独的训练样本，不会进行窗口化、特征提取等操作。由于我们每一行只是一条加速度计数据，需要连续100行才是1秒的数据，因此我们必须开启Signal Processing。

开启后，就可以进行数据预处理的配置：

首先选择窗口大小，该平台的数据窗口大小范围为10到1000个。

• Time Interval：输入窗口时间和采样频率，平台自动计算一个窗口有多少行数据

• Number of Rows：直接填写有多少行数据

• Auto Determination：平台自动选择

由于我们前面已经把数据分割好，因此直接选择窗口大小为100行：

• "Window Size" 和 "Sliding shift for training" 必须相等，这样训练数据的窗口之间没有重叠也没有缝隙。因为我们前面分割好的数据就是这样准备的。

• "Sliding shift for inference"是模型在运行时的输入滑动步长。 在运行时，让窗口之间有重叠，可以防止部分动作数据被截断到前后两个窗口，导致丢失。Sliding Shift 越小，推理时生成的样本越密集，响应越快，但 CPU 占用越高。

Step2：特征提取（Feature Extraction）

如果我们直接把一个窗口内的所有数据当作一个训练样本向量，它的维度将是（6轴 × 100行 = 600）。要把一个600维的向量输入一个神经网络，结合前面介绍的神经网络的结构，可想而知，最终模型将会非常大。

我们可以用一些统计学的方法，先从传感器数据中提取一些统计特征，将原始的600维向量数据降低到每个轴十几维。

可选的特征有：

| 时域回归特征 | 说明 | | Linear Regression Intercept | 线性回归截距 | | Linear Regression Slope | 线性回归斜率 |

| 时域穿越率特征 | 说明 | | Zero-crossing Rate | 信号在时域越过时间轴（零点）的频率 | | Mean-crossing Rate | 信号在时域越过平均值的频率 | | Threshold-crossing Rate | 信号在时域越过预定义阈值的频率 | | Positive Sigma Crossing Rate | 信号在时域越过 平均值 + n个标准差 的频率 | | Negative Sigma Crossing Rate | 信号在时域越过 平均值 - n个标准差 的频率 |

| 时域信号形状特征 | 说明 | | Crest Factor | 波峰因数。是峰值振幅和RMS的比值 | | Root Difference Square | RMSSD（Root Mean Square of Successive Differences），即相邻项差值的均方根。衡量的是序列内部的波动剧烈程度。常见于生物医学中心电信号的分析。 | | Average Magnitude Difference | AMDF (Average Magnitude Difference Function)，平均幅差函数。平移一段时间后再和自己相减，查看偏差有多大。是一种判断函数本身是否有周期性的简单算法，但容易受到噪声干扰。 | | Autocorrelation | 自相关算法。平移一段时间后再和自己相乘，看相关性有多高。能判断出周期性，且抗噪声。但计算量比AMDF更大。 | | Percentage of Signal over Mean | 信号超过平均值的百分比 | | Percentage of Signal over Zero | 信号超过零的百分比 | | Percentage of Signal over Sigma | 信号超过平均值 + n个标准差 的百分比 | | Hjorth Mobility | 瑞典科学家 Bo Hjorth提出的参数，为分析脑电图设计的。是信号导数的方差和信号方差之比的平方根。反映平均陡峭程度。 | | Hjorth Complexity | 瑞典科学家 Bo Hjorth提出的参数，为分析脑电图设计的。是信号的Mobility的导数与原始信号的Mobility比值。反映信号的不可预测性。 |

| 时域 峰-峰值 特征 | 说明 | | Global Peak to Peak of High Frequencies | 全局高频峰-峰值。衡量信号细节或噪声的剧烈程度。 | | Global Peak to Peak of Low Frequencies | 全局低频峰-峰值。衡量信号主趋势的剧烈程度。 |

注意：后续介绍的频域特征都要经过快速傅里叶变换（FFT）来获得。如果要使用频域特征，前面选择的窗口大小必须是2的幂，且介于128到2048之间。

| 频谱特征 | 说明 | | Amplitude Spectrum | 信号频域的幅值（Magnitude） | | Spectral Centroid | 频谱重心。频率分量的加权平均值。反映信号的平均频率成分。 | | Spectral Spread | 频谱扩展度。频谱的分布范围，衡量频率范围有多宽。 | | Spectral Crest | 谱峰比。最大幅值与平均幅值的比值，衡量信号中是否有明显的主导频率。 | | Spectral RMS | 频谱均方根。时域的 RMS 和频域的 RMS 是等价的（只是单位或缩放比例可能不同）。 |

| 主频特征 | 说明 | | Dominant Frequencies | 主频率，信号中能量最大的频点 | | Dominant Frequency Amplitudes | 主频率信号的振幅 | | Dominant Frequency Mean Distance | 最大的几个频点之间的平均距离。如果该值很乱，说明信号包含多个互不相关的振动源，而不是一个大振动源和它的谐波。 | | Dominant Frequency SNR | 主频信噪比。衡量信号是否干净，周期性强。如果 SNR 突然下降，可能意味着传感器松动或环境干扰变大。 | | Dominant Frequency THD | 主频总谐波失真。除了主频之外，其谐波成分占总能量的比例。衡量信号相比于标准正弦波有多大的畸变。常见于电力系统和音响设备中。 |

| 频域能量特征 | 说明 | | Low/High Frequency Energy Ratio | 低频、高频能量比 | | Low/Mid Frequency Energy Ratio | 低频、中频能量比 | | Mid/High Frequency Energy Ratio | 中频、高频能量比 |

特征选择

勾选特征选择，可以帮你自动剔除一些贡献度小的特征，从而降低模型大小，提升效率。比如符合以下特征的：

1. 几乎是常量

2. 和其他特征的相关度是1.00

3. 特征对模型最终的贡献重要性小于0.875%

原始数据训练（Raw Data）

如果你有特殊的需求，可以不使用特征值，而是全部使用原始数据：

这种情况下，正如前面所说，会把6维×100条数据全部当作模型的一条训练数据，作为输入向量。

使用原始数据训练时：

• 滑动窗口步长必须等于窗口大小，即窗口之间没有重叠和缝隙

• 无法使用自动窗口大小

• 不能开启频域特征

子窗口

子窗口将信号分割成更小的片段，以更好地捕捉局部峰值、凹陷和模式。该平台不是将整个信号分析为一个长序列，而是将其处理成更小的块，并从每个块中提取更详细的特征。这对于手势和活动识别特别有用。

可以分割2到10个子窗口，每个子窗口至少要有10个样本数据。

使用子窗口时：

• 仍可以开启完整窗口的特征

• 不能使用频域特征

• 特征选择会自动启用，但也可以手动关闭

• 不能开启原始数据功能

输入数据类型

数据类型代表的是神经网络参数的类型。位数越多则模型精度越高，但运算会更困难。

• 8-bit Integer: -128 to 127

• 16-bit Integer: -32768 to 32767.

• 32-bit Floating point: 要求数据集里至少有一个数据为浮点数类型

所有的特征值的量纲肯定是不一样的，但是他们要放在同一个神经网络中去计算。归一化（Normalization）选项是看你如何处理这些特征：

• Unique scale for each feature：每个特征有自己的取值范围，会提高精度，但也可能导致模型变大

• Unified scale for all features：把所有特征值都统一缩放到同样的取值范围，可能降低模型精度和大小

评价指标

选择在训练过程中，该使用什么指标来判断模型输出质量的好坏。详细说明见 文档。

模型训练

1. 点击 New Session 开始一个新的训练会话

2. 选择训练框架为 Neuton，目标硬件为 Cortex-M33（对应 Thingy:53 的 nRF5340）

3. 配置以下模型设置：

4. 点击 Start New Training，等待训练完成。训练完成后平台会发送邮件通知

Neuton模型只能创建一个Session。Axon模型可以创建多个Session，方便你对比效果。

查看训练结果

训练完成后，平台提供以下分析工具：

• 训练精度曲线：显示各迭代的精度和模型体积，可以手动选择更小的模型（以轻微降低精度为代价）

• 模型资源占用：RAM 和 Flash 的使用量，可按目标硬件切换查看

• 混淆矩阵（Confusion Matrix）：直观显示各手势类别的识别正确率和混淆情况（仅用于分类任务）

• 特征重要性矩阵（FIM）：显示各特征对模型预测的贡献度

确认结果满意后，点击下载按钮，获得一个包含模型文件和推理代码的压缩包。

将模型部署到 MCU

压缩包内容

下载的压缩包中主要包含以下内容：

• nrf_edgeai_generated/：自动生成的模型推理代码目录

• 模型权重文件（C 数组格式）

• 特征提取代码

• 推理接口头文件

集成到 NCS 工程

以 edge-ai/applications/gesture_recognition 为基础工程，将下载的 nrf_edgeai_generated/ 目录替换工程中 src/nrf_edgeai_generated/ 目录：

gesture_recognition/

如果你训练的手势类别与示例工程不同，还需要同步修改 main.c 和 inference_postprocessing.c/h 中的类别定义和后处理逻辑。

替换完成后，重新编译并烧录固件即可。

运行效果

烧录推理固件后，设备通过 BLE 广播为 HID 设备，可直接与 PC 配对。配对成功后，设备会根据识别到的手势发送对应的键盘快捷键：

串口日志示例：

Predicted class: SWIPE RIGHT, with probability 99 %

迭代优化

第一版模型通常不够完善，最常见的问题是误触发（做其他动作时模型错误地识别为某个手势）。优化流程如下：

1. 在设备上实际测试模型

2. 记录哪些无关动作导致了误触发

3. 对这些动作采集数据，添加到 unknown 类别中

4. 重新上传数据集，在 Edge AI Lab 上重新训练

5. 重新部署并测试

通常经过 2-3 轮迭代，就能得到一个误触发率低、泛化能力强的模型。

链接索引

Nordic Edge AI Lab

https://www.cnblogs.com/jayant97/articles/ai.lab.nordicsemi.com

TechDoc: Welcome to the Nordic Edge AI Lab

https://www.cnblogs.com/jayant97/articles/ai.lab.nordicsemi.com

TechDoc: Welcome to the Edge AI Add-on for nRF Connect SDK

https://docs.nordicsemi.com/bundle/addon-edge-ai\_latest/page/index.html

TechDoc: Thingy:53 Hardware

https://docs.nordicsemi.com/bundle/ug\_thingy53/page/UG/thingy53/intro/frontpage.html

Nordic Thingy:53 - nordicsemi.com

https://www.nordicsemi.com/Products/Development-hardware/Nordic-Thingy-53

nRF Connect SDK(NCS) 安装与入门 - jayant97https://www.cnblogs.com/jayant97/articles/17794804.html