读到了加速度，怎样知道人在走路
从已经熟悉的传感器波形开始，先尝试规则判断，再认识带标签的数据、模型、训练与推理。所有术语都对应当前要解决的动作识别问题。
1 · 先用眼睛找波形中的区别
把静止、走路和跑步的三轴加速度各画几秒。静止时仍有重力分量，走路常有重复变化，跑步可能更剧烈，但佩戴方向、速度、抬手都会改变波形。先描述看到的形状，不直接把“变化大”写成跑步结论。
可以先计算一段数据的波动幅度，设一个阈值区分相对平静与较强运动。接着故意比较快速摆手和慢跑，观察同一阈值为什么容易混淆。这项简单规则作为基线，之后才能判断学习模型是否真有收益。
2 · 让数据提供调整依据
每段数据对应的动作答案叫标签，表示数据到结果的计算程序叫模型。训练使用标签衡量错误并调整参数，推理则使用当前参数计算结果。手表上的一次模型调用属于推理，不能因为它每次读取了新数据就称为正在训练。
3 · 先明确模型到底回答什么
| 要确定的项目 | 活动识别中的具体含义 |
|---|---|
| 类别 | 例如卧、坐、站、走、慢跑、下楼、骑行；编号和含义一起保存。 |
| 输入时间 | 一段窗口而不是一个瞬时加速度点。 |
| 传感器来源 | 三轴加速度与三轴角速度，单位和佩戴位置明确。 |
| 响应要求 | 先积累足够窗口，再计算；允许的显示与告警延迟要记录。 |
类别边界不清，模型也无法替人补出唯一答案。例如“刚起身准备走”和“已经持续走路”是否属于同一标签，必须在数据规范中约定。
4 · 先做自己的小模型，再读现有网络
本支线训练脚本提供一个较小的教学模型，从读取数据、训练、导出到电脑上的输出比较均可复现。--demo 生成的人工波形只用于验证软件流程，不是设备采集，也不证明真实动作识别水平。真实练习改用带来源和标签的 CSV。
仓库当前以部署端网络和接口为主要落点；现有网络权重对应的完整训练原始资料并未随教程提供。阅读时会核对其六通道、512 点和七类输出，而不会给教学小模型冠以现有网络的训练成绩。
5 · 片内决策树与本支线怎样衔接
IIC 拓展已把参考决策树部署在 LSM6DSOX 内部。它由传感器自己的机器学习核心运行；本支线的网络由 STM32 调用运行时执行。前者的分类可以作为采集检查或辅助标注提示，人工标签与机器建议仍分开记录。
画出“传感器采集 → 处理器获得窗口 → 模型判断”的位置关系。列出三种只用幅度阈值会误判的动作，并为采集它们设计明确的标签。