175 TinyML实战项目：可穿戴设备手势识别从一次诡异的误触发说起去年冬天调试一个腕带手势识别原型，戴着它在实验室晃了一整天，数据看起来都正常。结果下班路上等红灯时习惯性甩了甩手——手机突然亮屏，音乐播放器自动切歌了。我盯着手腕上那个还在闪烁LED的开发板，心里一万个草泥马。明明只训练了“左挥”和“右挥”两个手势，一个甩手腕的动作怎么就触发了？后来抓了IMU的原始数据回放，才发现问题出在预处理窗口的边界处理上。我用的滑动窗口长度是40个采样点（200Hz采样率，200ms窗口），但窗口滑动步长设成了20个点。当手势动作恰好落在两个窗口的拼接处时，特征向量会同时包含手势前半段和后半段的噪声，模型直接懵了。这个坑让我意识到：可穿戴设备上的手势识别，真正的难点从来不是模型选型，而是从物理世界到特征空间的映射是否干净。硬件选型与传感器配置项目用的是STM32L4系列，主频80MHz，256KB SRAM，1MB Flash。IMU选了BMI270，因为它内置了硬件FIFO和运动触发中断，能省掉不少CPU轮询的开销。别小看这个FIFO——在低功耗场景下，CPU可以睡大觉，等FIFO半满或者满中断再起来批量处理数据，功耗能降一个数量级。传感器配置上，加速度计量程±4g，陀螺仪±500dps，输出速率统一200Hz。这里有个经验：加速度计量程别设太小，手腕快速挥动时瞬时加速度能到±6g以上，±2g量程会削波。也别设太大，±16g量程下量化噪声会吃掉小幅度手势的细节。±4g是个折中，覆盖95%的手势场景。I2C总线速度设到400kHz，