1. 本章学习目标学完本章后你应该能够理解本课程为什么不仅由主讲人授课还邀请机器学习、嵌入式硬件、工业 AI、软件优化等方向的专家参与。本章出现的几位核心讲师和嘉宾分别会讲哪些内容。为什么学习 TinyML 不能只学模型训练还要理解 AI 伦理、神经网络、处理器架构、DSP、CMSIS-NN、工业部署等内容。Arm、CMSIS-NN、Edge Impulse、TensorFlow Lite Micro 等技术在嵌入式机器学习中的作用。如何把本章的“专家知识地图”迁移到 EEG、ECG、EMG、PPG、HRV、GSR / EDA 等生理信号 TinyML 项目中。2. 本章内容导读本章主要是课程讲师与特邀嘉宾介绍。主讲人 Shawn Hymel 说明虽然课程的大部分内容由他讲授但 TinyML 是一个交叉学科涉及机器学习理论、AI 伦理、神经网络、处理器架构、数字信号处理、嵌入式软件优化和工业应用。因此课程邀请了多位专家参与讲解Alexander Fred-Ojala 将介绍机器学习历史、AI 伦理和神经网络Tomas Edsö 和 Felix Johnny 将从 Arm 处理器与 CMSIS-NN 的角度讲解硬件与软件优化Daniel Situnayake 将展示嵌入式机器学习在工业场景中的应用Shawn Hymel 则会结合自己的工程和教学经历带领学习者完成课程主体内容。3. 正文笔记3.1 为什么 TinyML 课程需要多位专家主讲人一开始说明他原本计划自己讲授课程中的大部分内容但也邀请了一些特邀嘉宾录制视频。这些嘉宾都是各自领域的专家可以提供更独特、更深入的视角。这点非常重要因为 TinyML 并不是单一技术。它至少涉及以下几个层面机器学习理论 → 数据采集与标签设计 → 神经网络与模型训练 → 模型压缩与量化 → 嵌入式硬件架构 → DSP / CMSIS-NN / 推理框架优化 → MCU 部署 → 工业或真实场景应用 → 隐私、安全、伦理和可靠性问题也就是说TinyML 不是“把一个模型放到板子上”这么简单。真正的嵌入式机器学习项目需要同时考虑算法、硬件、软件、数据和应用场景。Coursera 官方课程介绍也强调这门课会介绍机器学习系统的基本原理、如何训练神经网络以及如何把模型部署到微控制器上也就是 embedded machine learning 或 TinyML。课程不要求学习者已有机器学习基础但建议具备 Arduino 和微控制器相关经验。3.2 Alexander Fred-Ojala机器学习历史、AI 伦理与神经网络入门第一位嘉宾是Alexander Fred-Ojala。根据 Coursera 讲师资料他是 AI、数据科学和区块链应用方向专家也是 Predli 的 CEO Co-founder并担任 UC Berkeley Learn2Launch 项目的 AI and Blockchain Director。他还曾担任 UC Berkeley Sutardja Center for Entrepreneurship Technology 中 Data Lab 的 Research Director。在本课程中他主要负责讲解三个方向机器学习的发展历史AI 的伦理问题神经网络入门这三个内容对 TinyML 入门非常重要。3.2.1 为什么要学习机器学习历史初学者很容易把机器学习理解成“直接训练一个神经网络”。但实际上机器学习经历了很多阶段规则系统 → 统计学习 → 传统机器学习 → 深度学习 → 边缘 AI / TinyML了解历史可以帮助我们明白神经网络不是唯一方法深度学习也不是所有问题的最佳答案。在 TinyML 中由于 MCU 的 RAM、Flash、算力和功耗有限有时候简单模型反而更适合部署。例如生理信号分类项目中不一定一开始就使用复杂深度网络。对于 GSR / EDA、HRV、EMG、PPG 等时间序列数据有时使用统计特征 小型分类器也可能比大型神经网络更适合端侧部署。3.2.2 为什么 TinyML 也要讲 AI 伦理AI 伦理不是只有大型语言模型或自动驾驶才需要考虑。TinyML 项目同样会涉及伦理问题尤其是在可穿戴设备和生理信号监测中。例如采集 EEG、ECG、EMG、PPG、GSR / EDA 是否需要用户知情同意模型是否会错误判断用户的疼痛、压力、疲劳或情绪状态生理数据是否应该上传云端模型输出能不能被用于医学诊断不同个体之间的数据差异是否会造成偏差如果一个 GSR / EDA 疼痛监测模型只在少数人身上训练就直接用于更多人群很可能出现泛化能力不足的问题。因此AI 伦理在 TinyML 中不是附加内容而是项目设计的一部分。3.2.3 神经网络为什么是 TinyML 的核心之一神经网络 Neural Network 可以理解为一种从数据中学习复杂规律的模型。它的特点是能够通过多层结构自动学习输入与输出之间的关系。在本课程中神经网络会用于理解输入数据 → 特征提取 → 模型训练 → 分类或预测 → 部署到 MCU对于语音识别输入可能是麦克风音频对于手势识别输入可能是 IMU 数据对于生理信号识别输入可能是 ECG、EMG、PPG、HRV、GSR / EDA 等传感器时间序列。3.3 Tomas Edsö处理器技术如何提升嵌入式 AI 效率第二位嘉宾是Tomas Edsö。Arm 官方资料中介绍Tomas Edsö 是 Arm Senior Principal Engineer也是 Ethos-U55 相关技术负责人之一。他在课程中会讲解处理器技术的进步如何让 AI 和机器学习在硬件上运行得更高效。这部分内容对应 TinyML 中非常关键的一点模型能不能部署到 MCU 上不仅取决于算法也取决于硬件。3.3.1 为什么硬件架构会影响模型部署在电脑或服务器上训练模型时我们通常不会特别关心每一次乘法、加法占用多少周期。但在 MCU 上这些都很重要。因为 MCU 的资源非常有限资源对 TinyML 的影响CPU 主频决定推理速度RAM决定运行时能放下多少中间数据Flash决定模型和程序能否存储DSP 指令影响滤波、矩阵运算、卷积等操作效率NPU / microNPU可加速神经网络推理功耗决定设备能否电池长期运行例如语音关键词识别需要持续监听音频可穿戴 ECG / PPG / GSR 设备也可能需要长时间运行。如果硬件效率不够设备就会耗电快、发热高、响应慢甚至无法实时运行模型。3.3.2 对生理信号项目的启发生理信号 TinyML 项目往往不是一次性推理而是持续采集、持续判断。例如ECG连续监测心电波形 PPG连续监测脉搏波和心率 EMG连续监测肌肉活动 GSR / EDA连续监测皮肤电变化 HRV基于心搏间期进行窗口计算 EEG连续采集脑电节律变化这意味着硬件不仅要能跑模型还要能长期稳定运行。因此Tomas Edsö 讲的处理器架构和硬件效率对可穿戴生理信号设备非常重要。3.4 Felix JohnnyCMSIS-NN 如何加速 MCU 上的神经网络第三位嘉宾是Felix Johnny。他与 Arm 的CMSIS-NN密切相关。Arm 官方 CMSIS 文档中说明CMSIS-NN 是一组高效神经网络内核用于 Cortex-M 设备并针对 SIMD、FPU、MVE 等不同 Cortex-M 能力提供优化实现。CMSIS-NN 的 GitHub 项目也说明它的目标是最大化 Arm Cortex-M 处理器上神经网络的性能同时尽量减小内存占用。3.4.1 CMSIS-NN 是什么可以这样理解如果神经网络是“数学模型”那么 CMSIS-NN 就像是专门为 Arm Cortex-M 微控制器写好的“高速计算工具箱”。神经网络中有大量重复计算例如卷积 Convolution矩阵乘法 Matrix Multiplication激活函数 Activation全连接层 Fully Connected Layer池化 Pooling量化整数计算 int8 / int16如果这些计算直接用普通 C 代码实现可能速度慢、占内存多。CMSIS-NN 会针对 Cortex-M 的硬件特性进行优化让同样的模型在 MCU 上跑得更快、更省内存。3.4.2 CMSIS-NN 对 TinyML 开发有什么帮助CMSIS-NN 的意义可以概括为两点提高推理速度 降低内存占用这对 MCU 部署非常关键。TensorFlow Lite Micro 论文也指出嵌入式设备的计算能力、内存和功耗与移动设备相比有巨大差距因此推理框架必须在很少内存中高效运行。在生理信号 TinyML 项目中如果使用 Arm Cortex-M 平台例如 nRF52 / nRF53、STM32、Arduino Nano 33 BLE Sense 等CMSIS-NN 可以帮助优化模型推理效率。3.5 Daniel Situnayake从 Edge Impulse 到工业嵌入式机器学习最后一位嘉宾是Daniel Situnayake。他的个人网站介绍他是 Edge Impulse 的 Head of Machine Learning并且是《AI at the Edge》和《TinyML: Machine Learning with TensorFlow Lite on Arduino and Ultra-Low-Power Microcontrollers》的合著者之一。O’Reilly 的《TinyML》书籍介绍中也提到Pete Warden 和 Daniel Situnayake 会带领读者一步步构建 TinyML 项目不要求读者预先具备机器学习或微控制器经验。在本课程中Daniel Situnayake 会演示嵌入式机器学习如何应用到工业场景中。3.5.1 工业场景为什么适合 Edge AI / TinyML工业设备通常有几个特点设备数量多传感器数据连续产生有实时性要求网络环境不一定稳定故障检测、异常检测、预测维护有实际价值数据上传云端可能成本高、延迟高。因此工业场景非常适合使用 Edge AI 或 TinyML。例如振动传感器 → 判断电机是否异常 声音传感器 → 判断机器是否出现异常噪声 电流传感器 → 判断设备负载是否异常 温度传感器 → 判断过热风险这和生理信号监测很像。只不过工业设备监测的是机器状态生理信号监测的是人体状态。3.5.2 Edge Impulse 的作用Edge Impulse 论文将其描述为一个面向嵌入式和边缘机器学习系统的 MLOps 平台目标是帮助开发者处理 TinyML 工作流中软件栈碎片化、硬件部署差异大、模型优化难以迁移等问题。这对初学者很重要因为它把 TinyML 项目流程整合起来采集数据 → 管理数据集 → 标注标签 → 提取特征 → 训练模型 → 评估效果 → 生成部署代码 → 部署到目标硬件对于后续 EEG、ECG、EMG、PPG、HRV、GSR / EDA 项目Edge Impulse 可以作为一个快速验证平台帮助我们先跑通数据到模型再到部署的完整流程。3.6 Shawn Hymel主讲人的工程、教学与嵌入式机器学习经历本章最后主讲人介绍了自己。Coursera 讲师资料显示Shawn Hymel 曾在 SparkFun Electronics 从事工程、视频和市场相关工作后来创立 Skal Risa制作视频、博客和课程并长期教授电子和编程内容。他在视频中还提到自己曾学习如何通过 GPU 并行化算法让 Hidden Markov Models隐马尔可夫模型变得更高效最终用于信号分类。当时他还没有意识到这本质上已经接近机器学习的应用方向。3.6.1 Hidden Markov Models 与信号分类Hidden Markov Models简称 HMM可以理解为一种用于描述“隐藏状态随时间变化”的统计模型。它曾广泛用于语音识别、手势识别、生物序列分析和时序信号建模。从 TinyML 的角度看这段经历很有启发信号采集 → 时间序列建模 → 状态分类 → 算法优化 → 更快地运行在硬件上这条思路与今天的嵌入式机器学习非常接近。只是现在我们更多使用神经网络、决策树、卷积网络、循环网络或轻量化模型来完成类似任务。4. 本章知识地图本章虽然不是直接动手项目但它搭建了后续课程的知识地图人物 / 模块主要内容对 TinyML 的意义Alexander Fred-Ojala机器学习历史、AI 伦理、神经网络帮助理解模型从哪里来、能做什么、不能做什么Tomas Edsö处理器技术、microNPU、硬件效率帮助理解为什么硬件架构影响模型部署Felix JohnnyCMSIS-NN、DSP、嵌入式软件优化帮助理解软件库如何提升 MCU 推理效率Daniel SitunayakeEdge Impulse、工业嵌入式 ML、TinyML 实战帮助理解 TinyML 如何落地到真实应用Shawn Hymel课程主线、嵌入式工程、教学案例帮助初学者完成从概念到项目的学习闭环5. 关键概念解释概念通俗解释技术解释在本章中的作用Machine Learning让机器从数据中学规律通过训练数据建立输入到输出的映射关系本课程的核心基础Neural Network模仿神经连接的数学模型多层参数化函数用于分类、回归和特征学习后续模型训练的重点AI Ethics使用 AI 时必须考虑的责任问题包括偏见、隐私、安全、可解释性和误用风险对生理信号项目尤其重要DSP数字信号处理对采样信号进行滤波、变换、特征提取等处理连接传感器数据和模型输入Cortex-MArm 面向 MCU 的处理器系列常用于低功耗嵌入式设备TinyML 常见目标硬件CMSIS-NNArm 神经网络优化库针对 Cortex-M 优化的 NN kernels提高 MCU 上模型推理效率TensorFlow Lite Micro微控制器推理框架面向资源受限设备的轻量 ML 推理框架支持模型部署到 MCUEdge ImpulseTinyML 开发平台支持数据采集、训练、评估和部署降低入门和部署门槛microNPU微型神经网络处理单元面向低功耗设备的神经网络加速硬件提高边缘 AI 推理效率HMM隐马尔可夫模型用概率方式建模时序状态变化早期信号分类方法与现代 TinyML 有历史联系Industrial Edge AI工业边缘智能在工业设备本地进行异常检测、预测维护和状态识别Daniel 演示内容的核心背景6. 本章案例复盘本章没有完整实现一个硬件项目但介绍了后续课程中的“专家案例线索”。线索目标学习价值机器学习历史理解 ML 如何发展到 TinyML避免只会套模型不理解方法来源AI 伦理理解 AI 系统的风险和边界对生理信号、医疗健康、可穿戴项目很重要神经网络入门建立模型训练基础为后续语音识别、手势识别打基础处理器技术理解硬件为什么影响 AI 效率为 MCU 选型和部署优化打基础CMSIS-NN理解软件库如何加速推理对 Arm Cortex-M 平台部署很关键工业 TinyML理解 TinyML 的真实应用可迁移到设备监测和生理监测7. 与生理信号监测 TinyML 项目的联系7.1 共性TinyML 项目都需要跨学科能力本章最重要的启发是生理信号 TinyML 项目不能只看传感器也不能只看模型。对于 EEG、ECG、EMG、PPG、HRV、GSR / EDA 等项目至少需要同时考虑生理机制 → 传感器采集 → 模拟前端 AFE → ADC / I2C / SPI / UART 数据读取 → 滤波去噪 → 数据窗口化 → 标签设计 → 特征提取 → 模型训练 → 模型压缩 → MCU 部署 → 实时推理 → 伦理与可靠性验证这正好对应本章嘉宾覆盖的知识范围机器学习理论、AI 伦理、硬件架构、软件优化和实际应用。7.2 不同嘉宾内容如何迁移到生理信号项目本章内容对生理信号 TinyML 项目的启发机器学习历史不要默认复杂神经网络最好传统特征 小模型也可能适合 MCUAI 伦理生理信号涉及隐私、健康状态和医学风险不能随意夸大模型能力神经网络入门可用于 EEG、ECG、EMG、PPG、EDA 等信号分类或回归处理器技术决定模型是否能在 ESP32、Nordic、STM32、Arduino 等平台实时运行CMSIS-NN对 nRF52 / STM32 / Arduino Nano 33 BLE Sense 等 Arm Cortex-M 平台很有价值工业 TinyML工业异常检测思路可迁移到生理异常、疲劳、压力、疼痛状态监测Shawn 的信号分类经历HMM、GPU 并行、信号分类说明生理信号本质上也是时序建模问题7.3 EEG / ECG / EMG / PPG / HRV / GSR / EDA 的共同 TinyML 流程这些生理信号虽然来源不同但从 TinyML 开发流程看可以统一成传感器采集 → 原始信号预处理 → 滑动窗口切片 → 标注标签 → 生成 Dataset → 特征提取 → 模型训练 → 模型评估 → 量化与压缩 → 部署到 MCU → 端侧实时推理例如EEG 可以用于疲劳、注意力、睡眠阶段识别ECG / HRV 可以用于心率、压力、自主神经状态分析EMG 可以用于动作识别、肌肉疲劳、康复评估PPG 可以用于心率、血氧、疲劳检测GSR / EDA 可以用于情绪唤醒、压力、疼痛反应监测。7.4 主控平台迁移分析本章提到 Arm 处理器、CMSIS-NN 和嵌入式优化因此可以自然迁移到不同 MCU 平台的选择问题。主控平台与本章内容的关系适合的生理信号项目Arduino Nano 33 BLE Sense常用于 TinyML 教学基于 Arm Cortex-M适合 CMSIS-NN / TFLite Micro 入门IMU、语音、简单生理信号验证ESP32 / ESP32-S3适合 Wi-Fi / BLE 传输和边缘推理开发门槛较低GSR / EDA、PPG、低速 ECG、可穿戴原型Nordic nRF52 / nRF53Cortex-M BLE 低功耗优势明显电池供电的 ECG、PPG、EDA、HRV 可穿戴设备STM32型号丰富ADC、定时器、低功耗和工业应用生态成熟ECG、EMG、PPG、EDA 多类信号采集与部署RP2040 / Raspberry Pi Pico低成本、适合学习和实验基础传感器采集和轻量模型验证Arm Ethos-U / microNPU 平台面向更高效的边缘 AI 推理多模态生理信号融合、更复杂模型部署TinyML 平台基准研究也指出不同 TinyML 框架和硬件平台会影响模型部署选择例如 TensorFlow Lite Micro 与 STM32 CUBE.AI 在不同平台上的表现需要结合应用需求评估。7.5 对未来项目的启发疼痛监测疼痛监测不能只依赖单一信号。GSR / EDA 可以反映交感神经唤醒EMG 可以反映肌肉紧张HRV / ECG / PPG 可以反映自主神经和心血管变化。TinyML 的价值是把这些信号的实时判断放在端侧完成。情绪识别AI 伦理尤其重要。模型可以估计情绪相关的生理变化但不能简单宣称“准确识别人的真实情绪”。疲劳检测EEG、HRV、PPG、EMG 和 IMU 都可能用于疲劳检测。硬件低功耗和模型轻量化会直接影响可穿戴设备能否长期运行。运动状态识别EMG IMU 与本课程后续手势识别非常接近。可以把手势识别流程迁移到肌肉动作识别和康复训练监测。可穿戴生理监测Nordic nRF52 / nRF53、ESP32-S3、STM32L 系列等平台都值得关注。选择主控时不能只看算力还要看功耗、ADC、BLE、Flash、RAM 和开发生态。多模态生理信号融合未来可以把 GSR / EDA、PPG、HRV、EMG、IMU 等信号融合提高对疼痛、压力、疲劳等状态的判断稳定性。但多模态融合会带来同步、功耗、模型大小和标签可靠性问题。8. 本章还不能解决的问题本章只是课程讲师和知识路线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。不同传感器的模拟前端 AFE 如何选择。ADC 精度、采样率、输入范围如何配置。EEG / ECG / EMG / PPG / GSR 的滤波算法如何实现。生理信号标签如何可靠标注。疼痛、疲劳、情绪状态是否能用单一指标定义。TinyML 模型如何在不同个体之间泛化。MCU 端推理速度、内存占用和功耗如何测试。医疗健康相关项目如何处理伦理、安全和临床验证问题。Edge Impulse 训练出的模型如何进一步嵌入到 ESP-IDF、nRF Connect SDK、STM32CubeIDE 等真实工程中。9. 本章总结本章的核心价值不是讲具体算法而是帮助我们建立 TinyML 的学习地图。TinyML 是机器学习、嵌入式硬件、数字信号处理、软件优化和实际应用共同作用的结果。Alexander Fred-Ojala 帮助我们理解机器学习历史、伦理和神经网络Tomas Edsö 和 Felix Johnny 帮助我们理解 Arm 处理器与 CMSIS-NN 的硬件 / 软件优化Daniel Situnayake 展示 TinyML 在工业场景中的应用Shawn Hymel 则把这些内容串联成适合初学者学习的课程路径。对于未来 EEG、ECG、EMG、PPG、HRV、GSR / EDA 生理信号监测项目来说本章提醒我们要做出真正可部署的 TinyML 系统不能只关注模型精度还必须关注数据质量、硬件约束、推理效率、功耗、伦理和真实场景可靠性。10. 参考资料资料名称类型与本章内容的关系详细链接Introduction to Embedded Machine Learning, Coursera官方课程页面说明本课程主题、主讲人和“低功耗设备上运行 ML”的课程定位Introduction to Embedded Machine Learning | Coursera (Coursera)Alexander Fred-Ojala, Coursera Instructor Profile官方讲师资料校正人名并补充其 AI、数据科学、区块链和 UC Berkeley 背景Alexander Fred-Ojala, Instructor | Coursera (Coursera)Shawn Hymel, Coursera Instructor Profile官方讲师资料校正主讲人背景补充其 SparkFun、Skal Risa 和技术教学经历Shawn Hymel, Instructor | Coursera (Coursera)Tomas Edsö, Harvard TinyML Guest Speakers课程 / 学术资料校正人名并补充其 Arm、嵌入式 NPU、DSP 相关背景https://sites.google.com/g.harvard.edu/tinyml/guest-speakersCMSIS-NN Optimizations for Edge AI技术演讲资料说明 Felix Johnny 是 CMSIS-NN 维护者并解释 CMSIS-NN 的优化作用https://cms.tinyml.org/wp-content/uploads/emea2021/tinyML_Talks_Felix_Johnny_Thomasmathibalan_and_Fredrik_Knutsson_210208.pdf (EDGE AI FOUNDATION)Arm CMSIS 官方页面官方文档解释 CMSIS 的作用统一微控制器软件接口、降低开发复杂度https://www.arm.com/technologies/cmsis (Arm)ARM-software/CMSIS-NNGitHub 项目CMSIS-NN 开源项目适合理解 Cortex-M 上神经网络内核优化GitHub - ARM-software/CMSIS-NN: CMSIS-NN Library · GitHubEdge Impulse Documentation官方文档解释 Edge Impulse Studio 用于构建、训练和部署边缘 ML 模型Edge Impulse Documentation - Edge Impulse Documentation (Edge Impulse Documentation)Getting Started for Embedded Engineers, Edge Impulse官方教程说明 Edge Impulse 的特征提取、训练和设备端性能估算流程Getting started for embedded engineers - Edge Impulse Documentation (Edge Impulse Documentation)Edge Impulse: An MLOps Platform for Tiny Machine Learning学术论文2022从论文角度说明 Edge Impulse 作为 TinyML MLOps 平台的作用[2212.03332] Edge Impulse: An MLOps Platform for Tiny Machine Learning (arXiv)TensorFlow Lite Micro: Embedded Machine Learning on TinyML Systems学术论文2020 / 2021基础经典资料解释微控制器推理框架面对的内存、算力和功耗约束[2010.08678] TensorFlow Lite Micro: Embedded Machine Learning on TinyML Systems (arXiv)TensorFlow Lite Micro GitHubGitHub 项目可学习 TFLM 的 micro_speech、magic_wand 等 TinyML 示例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)TinyML: Machine Learning with TensorFlow Lite on Arduino and Ultra-Low-Power Microcontrollers教材 / 经典书籍Daniel Situnayake 合著适合零基础系统学习 TinyML 项目https://www.oreilly.com/library/view/tinyml/9781492052036/AI at the Edge教材 / 官方资源Daniel Situnayake 参与编写强调真实问题中的 Edge AI 工程流程https://www.oreilly.com/library/view/ai-at-the/9781098120191/ (OReilly)Edge Impulse 关于《AI at the Edge》的介绍页官方资源可补充 Daniel Situnayake 与 Jenny Plunkett 的作者背景以及 Edge AI 工程化流程Solving Real World Problems with Embedded Machine Learning: AI at the Edge by Daniel Situnayake and Jenny Plunkett (edgeimpulse.com)ESP32-S3 官方产品页官方文档说明 ESP32-S3 对 AI 和 DSP 工作负载的向量指令支持https://www.espressif.com/en/products/socs/esp32-s3 (Espressif Systems)ESP32-S3 技术参考手册官方文档更深入查看 ESP32-S3 指令集、AI / DSP 扩展和芯片细节https://documentation.espressif.com/esp32-s3_technical_reference_manual_en.pdf (documentation.espressif.com)Arduino Nano 33 BLE Sense, Edge Impulse Docs官方硬件文档说明 Arduino Nano 33 BLE Sense 可采集传感器数据、训练并部署模型Arduino Nano 33 BLE Sense - Edge Impulse Documentation (Edge Impulse Documentation)Arduino 官方 Edge Impulse 教程官方教程展示如何使用 Arduino Nano 33 BLE Sense 与 Edge Impulse 运行简单神经网络https://docs.arduino.cc/tutorials/nano-33-ble-sense/edge-impulse (docs.arduino.cc)Implementation Of Tiny Machine Learning Models On Arduino 33 BLE For Gesture And Speech Recognition学术论文2022与课程中的语音识别、运动识别方向直接相关[2207.12866] Implementation Of Tiny Machine Learning Models On Arduino 33 BLE For Gesture And Speech Recognition (arXiv)TinyML for Speech Recognition学术论文2025展示使用 Edge Impulse 和 Arduino Nano 33 BLE Sense 进行关键词识别的较新研究[2504.16213] TinyML for Speech Recognition (arXiv)TinyML: Tools, Applications, Challenges, and Future Research Directions综述论文2023适合了解 TinyML 工具、应用、挑战和未来研究方向https://arxiv.org/abs/2303.13569 (arXiv)EdgeMark: An Automation and Benchmarking System for Embedded Artificial Intelligence Tools学术论文2025对比 Edge Impulse、TFLM 等嵌入式 AI 工具有助于后续选择平台https://arxiv.org/abs/2502.01700 (arXiv)Datasheets for Machine Learning Sensors学术论文2023对生理信号监测设备的透明性、数据说明、模型责任性有参考价值[2306.08848] Datasheets for Machine Learning Sensors (arXiv)