一、本章学习目标

学完本章后，你应该能够：

1. 了解这门嵌入式机器学习课程的主要讲师与特邀嘉宾。

2. 知道后续课程会覆盖哪些核心主题：机器学习历史、AI 伦理、神经网络、处理器硬件、CMSIS-NN 软件框架、工业 TinyML 应用。

3. 初步理解 TinyML 不只是“训练一个模型”，而是一个跨越数据、算法、硬件、软件框架和实际应用场景的完整系统。

4. 明白为什么 TinyML 学习需要同时关注机器学习基础、嵌入式硬件、信号处理、模型部署和工程实践。

5. 为后续学习语音识别、运动识别、生理信号监测等 TinyML 项目建立整体认知。

二、本章内容导读

这一章是课程正式开始前的“讲师与路线介绍”。主讲人原本计划自己讲授大部分内容，但为了让课程更完整，他邀请了几位来自 AI、创业、Arm 嵌入式硬件、神经网络软件框架和 Edge Impulse 工业应用方向的专家参与录制。通过介绍这些嘉宾，本章实际上提前告诉我们：TinyML 不是单一知识点，而是一条从机器学习基础、AI 伦理、神经网络原理，到微控制器硬件优化、软件推理框架，再到真实工业落地的学习路线。

三、正文笔记

1. 为什么课程要邀请特邀嘉宾？

主讲人一开始说明：他会负责课程中的大部分讲解，但也邀请了几位特别嘉宾录制部分视频。这些嘉宾都是各自领域的专家，能够带来主讲人之外的专业视角。

这对学习 TinyML 很重要。因为 TinyML 本身不是“只会写 Python”或者“只会烧录 Arduino 程序”就能完成的技术。它更像一个小型工程系统，需要把多个领域串起来：

方向	在 TinyML 中的作用
机器学习基础	理解模型为什么能分类、预测、识别模式
神经网络	理解语音识别、图像识别、传感器分类等模型结构
AI 伦理	思考数据隐私、公平性、误判风险和真实应用责任
嵌入式硬件	理解 MCU 的算力、内存、功耗限制
软件推理框架	把训练好的模型高效运行在微控制器上
工业应用	将模型放进真实设备、生产线或传感器系统中

Edge Impulse 的官方课程《Introduction to Embedded Machine Learning》也强调：近年来机器学习算法、软件框架和嵌入式硬件的优化，使得在低功耗设备和微控制器上运行复杂模型成为可能。

2. 第一位嘉宾：Alexander Fred-Ojala——从机器学习历史到 AI 伦理

课程首先介绍的是 Alexander Fred-Ojala。语音稿中 “alex fredo hola” 应校正为 Alex / Alexander Fred-Ojala。

他是 UC Berkeley Learn2Launch 项目的 AI 与区块链方向负责人。Learn2Launch 是加州大学伯克利的创新创业项目，主要帮助学生和创业者将商业想法发展成实际项目。他也曾担任 UC Berkeley Sutardja Center for Entrepreneurship & Technology 数据实验室相关负责人，并参与数据科学、AI、区块链课程教学。Coursera 的讲师介绍中也提到，Alexander Fred-Ojala 是 AI、数据科学和区块链应用专家，并且是 Predli 的 CEO 与联合创始人。

他在本课程中会讲三个重要内容：

第一，机器学习的历史。这部分能帮助初学者理解：机器学习不是突然出现的新概念，而是从统计学、模式识别、人工智能、数据科学等方向逐渐发展出来的。

第二，AI 的伦理问题。对于 TinyML 来说，伦理问题尤其重要。因为 TinyML 经常直接处理来自现实世界的传感器数据，例如声音、动作、图像、生理信号等。如果设备用于健康监测、疼痛识别、疲劳检测或情绪识别，就会涉及隐私、误判、安全和用户知情同意等问题。UNESCO 的 AI 伦理建议强调，AI 系统应尊重人权和人的尊严，并关注透明性、公平性、环境可持续性和人类监督。

第三，神经网络入门。神经网络可以简单理解为一种“从大量样本中学习规律的函数”。在 TinyML 中，我们常用神经网络完成关键词识别、手势识别、运动状态分类、异常检测和生理信号分类等任务。

3. 第二位嘉宾：Tomas Edsö——从处理器硬件理解 TinyML 为什么能跑起来

接下来介绍的是来自 Arm 的 Tomas Edsö。语音稿中 “two months” 应该是人名识别错误，结合课程资料应校正为 Tomas Edsö。他是 Arm 的 Senior Principal Design Engineer，并长期从事数字信号处理和嵌入式相关工作。MLSys 2021 资料和 Harvard TinyML 课程嘉宾介绍中也列出了 Tomas Edsö 在 Arm 的高级工程师身份及其嵌入式 NPU、视频压缩、数字信号处理等背景。

他将讲解：处理器技术的进步如何让 AI 和机器学习在硬件上变得更高效。

这句话对 TinyML 很关键。普通深度学习模型通常依赖 GPU、服务器或云端计算，而 TinyML 希望模型直接运行在微控制器上。微控制器的特点是：

特点	对 TinyML 的影响
算力有限	模型不能太大，运算量要小
RAM / Flash 有限	模型参数、缓存和程序都要压缩
功耗低	适合电池供电和可穿戴设备
实时性强	可以在本地快速响应，不依赖网络
成本低	适合批量部署到传感器节点或智能硬件中

因此，硬件的发展对 TinyML 非常重要。比如 Arm Cortex-M 系列处理器、DSP 指令、向量扩展、NPU 等，都能提高神经网络推理效率。类似地，ESP32-S3 也在芯片中加入了面向 AI 和 DSP 的向量指令支持，官方说明中提到这些指令可用于加速神经网络计算和信号处理工作负载。

4. 第三位嘉宾：Felix Johnny / Felix Thomasmathibalan——理解 CMSIS-NN 软件框架

课程还会邀请 Arm 的 Felix Johnny，也常见为 Felix Johnny Thomasmathibalan。语音稿中 “felix Johnson” 应校正为 Felix Johnny；“cmc NN” 应校正为 CMSIS-NN。

Felix 是 Arm 开源 CMSIS-NN 库的维护者之一。tinyML 2021 资料中介绍，CMSIS-NN 面向 Arm Cortex-M CPU，提供优化后的神经网络内核，用于提高边缘 AI 推理效率。

对零基础学习者来说，可以把 CMSIS-NN 理解成：
它不是帮你训练模型的软件，而是帮模型在 Arm 微控制器上跑得更快、更省内存的一套底层函数库。

例如，一个神经网络模型中会有卷积层、全连接层、激活函数等操作。如果直接用普通 C 代码运行，可能速度慢、占用内存多。CMSIS-NN 则针对 Cortex-M 处理器进行了优化，让这些常见神经网络操作更适合微控制器运行。

Arm 官方 CMSIS 页面说明，CMSIS 的目标是为处理器和外设提供一致的软件接口，降低微控制器开发学习成本，并促进软件复用。 CMSIS-NN 的 GitHub 项目也说明，它是一组高效神经网络内核，目标是在 Arm Cortex-M 处理器上最大化性能并最小化内存占用。

这部分内容提醒我们：
TinyML 的模型部署不只是“把模型下载到开发板”。真正想让模型稳定运行，还要考虑底层推理框架、内存布局、整数量化、计算加速和硬件适配。

5. 第四位嘉宾：Daniel Situnayake——TinyML 工业应用示范

最后一位嘉宾是 Daniel Situnayake。语音稿中 “Daniel citi oi” 应校正为 Daniel Situnayake；“tiny email book” 应校正为 TinyML book。

Daniel Situnayake 是 Edge Impulse 的 TinyML / Edge AI 方向专家。他曾参与 TensorFlow Lite 相关工作，也曾任 Tiny Farms CEO，并与 Pete Warden 合著了《TinyML: Machine Learning with TensorFlow Lite on Arduino and Ultra-Low-Power Microcontrollers》。Edge Impulse 的《AI at the Edge》页面介绍，Daniel 是 Edge Impulse 的机器学习负责人，并参与嵌入式机器学习研发，同时也是《AI at the Edge》和《TinyML》两本书的作者之一。

他在课程中会演示：嵌入式机器学习如何应用在工业场景中。

工业场景中的 TinyML 可能包括：

应用方向	示例
设备异常检测	电机、泵、轴承振动异常识别
预测性维护	在设备损坏前发现早期信号
声音检测	通过机器声音判断是否故障
工业传感器分类	根据温度、压力、电流、振动等数据判断状态
低功耗边缘监测	在没有稳定网络的现场设备上本地推理

这也对应 Edge Impulse 的定位：Edge Impulse Studio 是一个基于网页的平台，用于构建、训练和部署面向边缘设备的机器学习模型。 2022 年的 Edge Impulse 论文也将其描述为面向嵌入式和边缘 TinyML 系统的云端 MLOps 平台，目标是简化从数据、模型到硬件部署的开发流程。

6. 主讲人 Shawn Hymel——从嵌入式工程到 TinyML 教学

最后，主讲人介绍了自己。这里的 “This is me” 指的是课程主讲人 Shawn Hymel。

Shawn Hymel 目前经营自己的自由职业和咨询业务，制作课程并帮助公司创建技术内容。在此之前，他曾在 SparkFun 工作，先是工程师，后来转向内容创作，教授电子、编程，并制作一些有趣的硬件项目。Coursera 的讲师介绍中也提到，Shawn Hymel 曾为 SparkFun Electronics 设计设备，后来从事视频和技术教学内容工作，并创立 Skal Risa, LLC。

他还提到，自己在 2011 年获得硕士学位，论文研究方向是如何通过在显卡上并行化算法，让 Hidden Markov Models，隐马尔可夫模型 变得更高效，最终用于信号分类。当时他可能还没有意识到，这其实已经和机器学习密切相关。

这一点对我们理解 TinyML 很有启发：
很多 TinyML 项目本质上都是“信号分类问题”。例如：

信号来源	分类任务
麦克风音频	判断是否说出某个关键词
加速度计 / 陀螺仪	判断手势或运动状态
振动传感器	判断设备是否异常
GSR / EDA	判断疼痛、紧张、唤醒水平变化
ECG / HRV	判断疲劳、压力或心血管状态
EMG	判断肌肉活动或动作意图

所以，主讲人从“信号分类”走向“嵌入式机器学习”，正好说明 TinyML 的核心思想：
把现实世界的连续信号采集下来，转化为机器可以学习的特征，再训练模型进行分类或预测，最后部署到小型硬件中实时运行。

四、关键概念解释

概念	通俗解释	技术解释	在本章中的作用
TinyML	把机器学习塞进很小的芯片里	面向低功耗、资源受限嵌入式设备的机器学习方法	本课程的核心主题
Embedded Machine Learning	让硬件设备自己做判断	在微控制器、传感器节点、边缘设备上执行 ML 推理	贯穿后续所有课程
Edge AI	不把数据全传到云端，而是在设备附近处理	在边缘侧完成 AI 推理、分析或部分训练	解释为什么 TinyML 有实时性和隐私优势
Neural Network	像一张由很多“小判断器”组成的网络	由多层参数化函数组成，可从数据中学习复杂映射	Alexander 会讲神经网络入门
AI Ethics	AI 不能只看准确率，还要看是否安全、公平、透明	涉及隐私、偏见、问责、人类监督和社会影响	生理信号项目尤其需要关注
MCU	小型低功耗控制芯片	Microcontroller Unit，集成 CPU、内存、外设接口的控制器	TinyML 模型最终运行的平台
DSP	专门处理信号的计算方法或硬件能力	Digital Signal Processing，用于滤波、频域分析、特征提取等	音频、运动、生理信号都离不开 DSP
CMSIS-NN	Arm 芯片上的神经网络加速工具箱	针对 Cortex-M 优化的神经网络内核库	Felix 负责讲解的软件框架
TensorFlow Lite Micro	让 TensorFlow 模型跑在微控制器上的框架	面向微控制器和 DSP 等低内存设备的推理框架	TinyML 部署的重要基础
Inference	让训练好的模型做判断	使用模型参数对新输入数据进行预测	设备端实时识别的核心步骤
Deployment	把模型真正放到硬件里运行	将训练好的模型转换、优化并烧录到目标设备	从“实验”走向“智能硬件”的关键

TensorFlow Lite Micro 的论文指出，嵌入式设备面临计算能力、内存和功耗限制，因此推理框架必须能够在极小内存中高效运行。 这正是后续学习 TinyML 时要反复理解的核心约束。

五、本章案例复盘

本章本身没有展开具体实验案例，而是介绍了后续课程中会出现的知识模块和专家讲解方向。

可以把本章看成一个“路线图”：

后续内容	对应嘉宾	学习价值
机器学习历史	Alexander Fred-Ojala	建立 ML 的发展脉络
AI 伦理	Alexander Fred-Ojala	理解 AI 应用的风险与责任
神经网络入门	Alexander Fred-Ojala	为分类、识别任务打基础
机器学习硬件	Tomas Edsö	理解 MCU 为什么能跑 AI
CMSIS-NN 软件框架	Felix Johnny / Thomasmathibalan	理解模型部署和推理优化
工业 TinyML 应用	Daniel Situnayake	理解 TinyML 如何落地到真实场景
嵌入式项目教学	Shawn Hymel	帮助初学者把概念变成动手项目

这章给初学者最大的启发是：
TinyML 的学习不能只停留在模型训练界面，而要逐步理解“数据从哪里来、模型怎么学、硬件能不能跑、推理速度够不够、实际应用是否可靠”。

六、如果想实现生理信号监测设备项目，本章可以学到什么？

你的后续方向是基于生理信号的 TinyML 设备开发，可能涉及 EEG、ECG、EMG、PPG、HRV、GSR / EDA 等信号。这一章虽然没有直接讲生理信号实验，但它提供了非常重要的总体框架。

1. 从“信号分类”理解生理信号 TinyML

主讲人提到自己曾研究 Hidden Markov Models，并希望用它们进行信号分类。这个思路可以直接迁移到你的项目中。

生理信号项目本质上也是信号分类或回归问题：

生理信号	可能任务
GSR / EDA	疼痛、紧张、情绪唤醒程度识别
ECG / HRV	疲劳、压力、自主神经状态分析
EMG	肌肉活动、动作意图、肌肉疲劳识别
EEG	注意力、情绪、疼痛或脑状态识别
PPG	心率、血氧、脉搏波变化分析

也就是说，TinyML 不是只适合语音识别或手势识别。只要传感器数据中存在可学习的模式，就可以尝试构建分类或预测模型。

2. VOFA+ 保存的 CSV 可以理解为 TinyML 数据集

如果你用 VOFA+ 采集 GSR / EDA、EMG 或 ECG，并保存为 CSV，那么这些 CSV 就可以被看作 TinyML 项目的原始数据集。在 Edge Impulse 中，这类数据可以进一步切分为窗口，提取特征，再训练分类模型。Edge Impulse 面向嵌入式工程师的文档提到，它通过 processing blocks 和 learning blocks 引导用户完成特征提取、模型创建、训练，并估算设备端 RAM、Flash 和延迟。

3. Edge Impulse 在生理信号分类中可以承担什么角色？

Edge Impulse 可以作为你的生理信号 TinyML 项目的完整开发平台：

1. 上传 CSV 或通过设备采集数据。

2. 给数据添加标签。

3. 设置窗口长度和滑动窗口。

4. 提取时域、频域或统计特征。

5. 训练分类模型或异常检测模型。

6. 评估准确率、混淆矩阵和误判情况。

7. 导出 Arduino / C++ 库。

8. 部署到 ESP32、Arduino Nano 33 BLE Sense 或其他 MCU 上。

这与语音识别和运动识别的流程非常相似。2022 年一篇关于 Arduino Nano 33 BLE 的 TinyML 论文就使用 Edge Impulse 训练并部署手势识别和语音识别模型，说明“传感器数据采集—模型训练—微控制器部署”的流程可以用于不同类型的输入信号。

4. Arduino IDE 和 ESP32 在最终设备中的作用

Arduino IDE 更像是你把模型和硬件连接起来的开发环境。你可以在其中完成：

1. 读取传感器数据。

2. 调用 Edge Impulse 导出的推理库。

3. 将模型输出转化为控制逻辑。

4. 控制蓝牙、串口、显示屏、电刺激模块或其他外设。

ESP32 / ESP32-S3 则可以作为最终设备的主控。它负责采集传感器数据、执行模型推理，并通过 BLE、Wi-Fi、UART、I2C 等方式与外设通信。ESP32-S3 的 AI / DSP 指令扩展对神经网络和信号处理有帮助，因此适合作为低成本 TinyML 原型平台。

5. 语音识别、运动识别与生理信号识别的相似之处

它们看起来应用不同，但底层流程高度相似：

语音识别	运动识别	生理信号识别
麦克风采集音频	IMU 采集加速度 / 角速度	ADC 采集 GSR / ECG / EMG
音频窗口切片	动作窗口切片	生理信号窗口切片
提取 MFCC 等特征	提取时域 / 频域特征	提取均值、斜率、峰值、频域等特征
分类关键词	分类动作	分类疼痛、疲劳、压力等状态
部署到 MCU	部署到 MCU	部署到 ESP32 / Nordic / Arduino

所以，本章虽然只是讲师介绍，但它已经提示我们：TinyML 的能力来自“跨学科整合”。生理信号监测设备也必须同时考虑机器学习、信号处理、硬件限制、伦理风险和实际使用场景。

6. 如果未来做生理信号监测，本章提供了哪些基础？

本章至少提供了四个基础方向：

第一，机器学习基础。你需要理解模型不是凭空判断，而是从带标签的数据中学习模式。

第二，AI 伦理基础。疼痛、情绪、疲劳都属于敏感状态，不能只追求准确率，还要考虑误判后果、数据隐私、实验知情同意和模型解释性。ML 传感器需要记录硬件、数据集、模型和性能等信息，以提高透明度、可审计性和责任性，这对你的生理信号设备尤其有参考价值。

第三，硬件基础。你需要知道 ESP32 或其他 MCU 的 RAM、Flash、ADC、采样率、功耗是否能支撑模型运行。

第四，部署基础。你不仅要在电脑上训练出模型，还要把模型转换成能在 MCU 上实时运行的形式。

7. 本章还不能解决的问题

这一章只是课程导览，还不能解决以下具体问题：

1. 生理信号如何滤波、去噪和标准化。

2. 生理信号与特定指标之间的标签如何设计。

3. 数据采样率、窗口长度和特征提取方式如何选择。

4. 如何避免个体差异导致模型泛化能力差。

5. 如何在 ESP32 上稳定读取 ADC 并实时推理。

6. 如何评估模型是否真的适合疼痛监测。

7. 如果涉及电刺激器控制，如何设计安全闭环控制逻辑。

这些内容需要在后续学习 TinyML 数据采集、特征提取、模型训练、部署和实验设计时继续展开。

七、本章总结

本章虽然没有进入具体代码和实验，但它非常重要，因为它把整个 TinyML 学习地图展示了出来。Alexander Fred-Ojala 会帮助我们理解机器学习历史、AI 伦理和神经网络；Tomas Edsö 会从 Arm 处理器角度解释硬件为什么能支持端侧 AI；Felix Johnny 会讲 CMSIS-NN 这类底层软件框架如何提升微控制器推理效率；Daniel Situnayake 会展示 TinyML 在工业场景中的真实应用；Shawn Hymel 则会把这些内容组织成适合初学者的嵌入式机器学习课程。对于你的生理信号监测项目来说，这一章最大的启发是：TinyML 项目不是单纯训练模型，而是从传感器数据、信号处理、模型训练、硬件部署、伦理风险到实际应用的完整工程链条。

八、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-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)