这是一个经典的、以项目实践驱动的入门教程，通过一个具体的应用场景（手写数字识别），向移动开发者展示端侧 AI 从模型训练到应用集成的标准工作流。同时，开头的注释也提醒开发者关注官方最新的工具推荐（AI Edge LiteRT）。：简要解释了 TensorFlow（全平台训练）和 TensorFlow Lite（轻量化端侧推理）的定位和关系，帮助初学者建立概念。TensorFlow 用于模型训练，T

是，用于将自定义函数注册为 msh (Micro Shell) 命令。它允许开发者：创建自定义 shell 命令指定命令别名添加帮助文档实现函数与命令的绑定。

在睡眠状态下，利用光电容积描记法（PPG）检测呼吸频率的核心原理是：呼吸活动会通过胸腔压力变化和自主神经调节，对血流产生周期性调制作用。这种调制效应会体现在PPG信号的幅度、频率或相位变化中。以下是具体实现方法和技术细节：胸内压变化：吸气时胸腔扩张 → 胸内压降低 → 静脉回流增加 → 外周血容量短暂上升 → PPG信号幅度增强。呼气时胸腔收缩 → 胸内压升高 → 静脉回流减少 → PPG信号幅度

ESP32开发板（支持ADC1/ADC2）模拟麦克风（如驻极体麦克风）前置放大电路（可选，用于提升麦克风信号电压）麦克风信号输出端 → ESP32的ADC引脚（如GPIO36，对应麦克风偏置电压需通过电阻分压或运放电路提供（确保信号在0~3.3V范围内）。// 配置参数#define SAMPLE_RATE 8000// 采样率8kHz#define BUFFER_SIZE 1024// 采样缓冲

ESP32的PWM音频适用于对音质要求不高、成本敏感的场景，如报警提示、简单音乐播放和教学实验。若需高保真音频，建议结合I2S接口和外部DAC实现。

ESP32的DAC适用于对音质要求不高的场景，通过简单的C代码即可实现基础音频功能。：生成一个周期为1000Hz的正弦波样本数组，范围为0-255（8位DAC）。// 生成正弦波样本数组（8-bit DAC，值范围0-255）：生成方波或正弦波信号，通过DAC输出不同频率的声音。：将预录的语音转换为PCM数据，通过DAC播放。

在嵌入式MCU（微控制器单元）中实现语音识别，由于资源限制（如处理能力、内存、功耗等），通常需要轻量级算法和优化技术。根据具体需求（词汇量、精度、功耗），开发者可结合传统算法与轻量化深度学习模型，并利用嵌入式优化技术实现高效语音识别。：端到端轻量化模型（如Wave2Vec Tiny）、MCU与云端协同（边缘计算）。：利用卷积层提取语音频谱图（如MFCC、Mel-Spectrogram）特征。模型量

ESP32实现实时音频频谱分析。当用户说出预设关键词时，系统进行声纹特征匹配。配置I2S来读取音频数据，然后进行FFT处理。音频采样率通常需要至少8kHz，对于语音识别来说可能足够。但FFT的大小会影响频率分辨率。比如，用256点的FFT，采样率8kHz的话，每个频段大概是31.25Hz的分辨率。实时处理的话，需要定时读取音频缓冲区，进行FFT计算，然后得到频谱数据。关键词检测。这里需要一个简单的

比如，发送一个1KB的数据包，需要发送AT+QISEND命令，等待模块响应，然后发送数据，再等待确认。假设每个数据包需要100毫秒的处理时间，那么每秒最多发送10个数据包，每个1KB的话，大约是10 KB/s，即80 kbps。考虑使用AT命令时的开销。每次发送数据都需要通过AT命令，比如AT+QISEND，会引入额外的处理时间和串口通信延迟。如果不用透传，每个数据包都需要封装成AT命令，这会增加

/ FreeRTOS 示例（阻塞式获取，超时时间设为 portMAX_DELAY 表示无限等待） xSemaphoreTake(xSemaphoreHandle, pdMS_TO_TICKS(100));：当H尝试获取L持有的互斥量时，L的优先级被临时提升至H的优先级，使其尽快释放资源，避免M任务抢占导致H长期阻塞。是一种关键的同步和互斥机制，用于协调多任务对共享资源的访问或实现任务间的同步。：低