嵌入式机器学习 - 学习笔记1.0.2 - 学习路线导览：从机器学习基础到 TinyML应用

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：

复制代码

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：

复制代码

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：

复制代码

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：

复制代码

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 Johnny：CMSIS-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：

复制代码

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：

复制代码

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：

复制代码

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：

复制代码

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 Johnny	CMSIS-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 Situnayake	Edge 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-M	Arm 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-NN	Arm 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 MCU
Edge Impulse	TinyML 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：

复制代码

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 MCU
AI 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：

复制代码

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 / nRF53	Cortex-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](https://www.coursera.org/learn/introduction-to-embedded-machine-learning "Introduction to Embedded Machine Learning
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](https://www.coursera.org/instructor/~23954429 "Alexander Fred-Ojala, Instructor
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](https://www.coursera.org/instructor/shawnhymel "Shawn Hymel, Instructor
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-speakers
CMSIS-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-NN	GitHub 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 · GitHub
Edge 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 GitHub	GitHub 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/ (O'Reilly)
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)