TinyML实战项目：智能健身与运动分析从一次“哑铃举到一半就死机”的调试说起去年夏天帮朋友做的一个智能哑铃项目，MCU是STM32L4，IMU传感器是BMI270，跑着TensorFlow Lite Micro。第一次上电测试，哑铃举到第7下，屏幕直接黑掉——不是死机，是看门狗复位了。用串口打log发现，推理时间从正常的12ms突然跳到了380ms，把调度周期完全打乱了。查了两天，问题出在模型输入数据的预处理上。我偷懒用了浮点运算做姿态角解算，结果在某个特定角度下，atan2函数触发了FPU的异常处理，导致推理线程被阻塞。后来换成定点查表法，问题解决。这件事让我意识到：在TinyML的运动分析场景里，数据管道的稳定性往往比模型精度更致命。运动分析系统的核心架构智能健身设备通常需要解决三个问题：动作识别、计数、质量评估。以俯卧撑为例，系统需要区分标准俯卧撑、宽距俯卧撑、钻石俯卧撑，同时统计次数，并给出“塌腰”“肘部外扩”等姿态警告。硬件选型上，我推荐MPU6050或BMI270这类6轴IMU，采样率设在100Hz就够用。别用MPU9250的磁力计——在健身房里，杠铃片和龙门架产生的磁场干扰会让你怀疑人生。MCU选Cortex-M4以上，带FPU但不是必须，后面会讲为什么。数据流设计成三段式：原始数据→特征工程→轻量模型。很多人一上来就端到端训练CNN，把6轴时序数据直接喂给网络，结果模型在MCU上跑不动。正确的做法是：先用滑动窗口提取统计特征（均值、方差、过零率、峰