企业官网建设流程全解析

拿到SensorTile.box这块小板子的时候，我就知道光是玩转入门模式肯定不够尽兴。在上一部分，我们聊了开箱、固件升级和基础模式下那几个预设好的功能页面，那体验确实不错，但说白了，传感器采集逻辑、算法开关、数据上报周期这些都是厂方写死的，你能改的只有最表面的参数。而这一篇要聊的 Expert mode（专家模式），才是真正把这块板子的灵魂释放出来的地方。简单说，专家模式让你不写一行嵌入式代码，就能通过手机App把“传感器采集、实时算法处理、逻辑判断、数据落盘”整条流水线像搭积木一样搭起来。这篇文章适合两种人：一种是已经跑通入门模式、想深挖板子能力的玩家，另一种是手里有运动监测、姿态识别、环境记录这类需求的开发者，想把原型快速跑起来看看效果。

1. 专家模式到底在解决什么问题

1.1 入门模式是套餐，专家模式是自助餐

先把话说透：入门模式（Demo Mode）给你的是一桌配好的菜。加速度数据怎么采集、温度怎么显示、活动识别结果怎么展示，这些链路全都封装在板载固件里了。你打开 ST BLE Sensor App，连接板子，看到的是一排预设好的数据界面，比如加速度曲线、陀螺仪曲线、气压高度、温湿度、活动状态这些。你只能开关这些预设页面，或者调整一下展示形式，至于“把陀螺仪数据喂给姿态解算算法，再把结果组合一个跌倒检测标签”这种需求，入门模式完全做不到。

专家模式的思路完全不同。它把整个数据采集链路拆成了几个独立可配置的模块：传感器节点、算法节点、逻辑运算节点，以及最终的数据记录和广播输出。你可以在 App 里像搭乐高一样把它们组合起来，配置完一键下发，板子重启后就会按照你的配置运行。这个模式最大的价值不是“多了一些选项”，而是把板子的行为和你的业务逻辑直接挂钩。举个例子：你有一个场景需要监测设备是否被剧烈振动，而且要求在振动超过阈值时记录前后10秒的加速度数据。这个需求在入门模式里是无解的，但在专家模式里，你只需要配置好加速度计的量程和采样率，加上一个振动监测算法，再把阈值设好，开启数据记录，就搞定了。

1.2 一条流水线看懂专家模式的整体架构

我不喜欢一上来就甩概念，如果说专家模式只是一个“配置界面”，多少有点辜负了它的设计。我更愿意把它理解成一条“数据流水线”。

整个流水线从左到右有四个环节：

• 传感器采集：板载的加速度计、陀螺仪、磁力计、气压计、温湿度传感器、麦克风，都可以独立开关，每个传感器都有量程、采样率、功耗模式等参数可调。
• 算法处理：配置好传感器之后，你可以挂载若干个算法节点，比如四元数姿态解算、活动识别、计步器、运动强度、携带位置、手势识别、振动监测、接近度检测等等。每个算法节点会从指定的传感器源读取数据，然后输出自己的结论。
• 逻辑运算：算法输出的是连续数值或者分类标签，如果你想做“多条件组合判断”，比如“运动强度高 且 姿态变化大”，就需要用到逻辑运算节点，它可以把多个输入组合成一个自定义事件。
• 输出与存储：最终结果可以通过 BLE 实时通知到手机 App 显示，也可以写入板载 microSD 卡或内部 Flash 保存为 CSV 日志，方便事后分析。

这四个环节就是你在专家模式里能操作的全部内容。配置过程会生成一份 JSON 格式的配置文件，通过蓝牙下发板子，板子解析后按这个“图纸”运行。如果是一个熟悉 STM32 开发的工程师，看到这里应该能明白，这套东西本质上做了一层“配置化”封装，底层是 ST 的传感器驱动库和算法库，上层用 JSON 描述业务逻辑，代码量约等于零，但灵活度却高出几个量级。

1.3 哪些场景真正需要专家模式

很多人问我，专家模式到底有没有必要研究，是不是只是高级玩家炫技用的。我的回答是：如果只是玩玩，入门模式确实够了；但如果你想把这块板子放进一个真实的项目里，专家模式几乎是唯一的选择。

我自己接触到的典型场景大概有这么几类：

1. 运动姿态相关：比如做一个人体姿态解算系统，需要输出欧拉角或者四元数，并且能实时看到姿态变化趋势。这个在入门模式里只能看到加速度曲线，得上专家模式挂四元数算法。
2. 行为识别类：比如实现一个简单的“静止/走路/跑步/骑行”分类器，或者做一个“跌倒检测”原型。专家模式内置的活动识别算法可以直接用，如果还不够，MLC（机器学习核心）还能让你训练自己的分类器。
3. 长时间环境记录：比如把板子扔在冷链箱里记录温度和气压变化，要求自动记录成 CSV 文件，手机不参与，也要用专家模式里的 DataLog 功能。
4. 快速原型验证：比如你想验证一下“振动事件检测 + 数据记录”这个方案到底可不可行，用专家模式半小时内就能搭出来，不用写任何驱动代码。

所以结论很直接：专家模式适合的是那些明确知道自己要采集什么数据、需要什么算法结论、希望快速验证方案的人。如果你觉得入门模式已经满足需求，那可以不急着上专家模式；但只要你开始觉得“这个数据如果还能再处理一下就好了”，那就说明你该进专家模式了。

2. 专家模式四大核心模块，搞懂就算入门了

2.1 传感器层：量程和ODR怎么选才不会翻车

我在专家模式里最先做的事情，永远是配置传感器。因为算法虽然看起来酷炫，但它吃的就是传感器数据，前面数据采集出了问题，后面再怎么调算法都是白搭。

SensorTile.box 板载了多个传感器，最重要的几个是：

• LSM6DSOX：六轴惯性传感器（三轴加速度计 + 三轴陀螺仪），同时内部集成了 MLC 机器学习核心，这是整块板子最核心的传感器。
• LIS2DW12：低功耗三轴加速度计，适合对功耗要求极高的场景。
• LIS2MDL：三轴磁力计，用来修正航向角漂移。
• LPS22HH：气压计，可以换算海拔高度。
• HTS221：温湿度传感器。
• MP23ABS1：模拟麦克风。

专家模式配置界面里，每一个传感器都是独立节点，你要根据实际需求决定开哪个、关哪个，以及怎么设置参数。这里最容易踩坑的两个参数是量程（FS，Full Scale）和输出数据率（ODR，Output Data Rate）。

以加速度计 LSM6DSOX 为例，量程可选项是 ±2g、±4g、±8g、±16g。怎么选？如果你的目标是监测人手运动这种幅度比较小的动作，±2g 到 ±4g 就够了，分辨率更高；如果要把板子贴在快递包裹上测跌落，那冲击加速度很容易超过 4g，就得选 ±8g 甚至 ±16g。我自己做振动监测时，直接上 ±16g，虽然噪声会稍微大一点，但至少不会削顶。

ODR 的选择更有讲究。ODR 决定了传感器每秒采集多少组数据，它直接关系到功耗和数据量。LSM6DSOX 的加速度计最高可以到 6.66kHz，陀螺仪最高 6.66kHz，但千万不要无脑拉满。你算一笔账就明白了：如果加速度和陀螺仪同时以 1kHz 采样，每个采样点约 6 个轴，每个轴 2 字节，一秒钟就是 12KB，一分钟就是 720KB，十分钟下来日志文件就 7.2MB 了，SD 卡再大也扛不住长时间这样录。

我的习惯是分场景选择：

• 计步器、活动识别、携带位置这类人体活动监测，加速度计 ODR 设置在 26Hz 到 104Hz 之间完全够用。人的步频一般就是 1.5Hz 到 3Hz，高频分量超过 50Hz 的很少，104Hz 采样的点数已经足够涵盖步态特征了。
• 姿态解算、手势识别这类需要捕捉快速旋转变化的应用，陀螺仪和加速度计的 ODR 最好设置在 208Hz 以上，不然快速转腕瞬间的角速度会被采样漏掉。
• 振动监测就比较极端了，要看振动源的频率范围，电机轴振动一般几百Hz到几kHz，我建议直接 1kHz 起步。

注意，这只是一个“可以用”的配置。要得出严谨的参数，你需要知道信号带宽，然后根据奈奎斯特定理采样至少二倍带宽，实际操作中最好留 4 到 10 倍余量。比如人体步态信号带宽约 10Hz，选 104Hz 其实就是 10 倍以上的余量，完全没问题。

2.2 算法层：内置算法是怎么被“接线”的

传感器节点配置好之后，接下来就是“接线”算法。专家模式里算法节点非常多，我在 1.2 里列过一些，这里挑几个最常用的展开说说，它们也是我日常工作里真正用过的。

Pedometer（计步器）是最容易上手的算法之一。它接收加速度计数据，通过检测步态中的周期性峰值来计算步数。配置参数里有一个 Threshold（阈值）和 Sensitivity（灵敏度），阈值越小，检测越敏感，但也容易把抖动误判成步数。这个参数没有统一答案，如果你把板子放在裤兜里，阈值可以设小一点；如果放在背包里，运动传递到板子上的幅度会小很多，阈值设太小反而会漏步。我做过对比测试，阈值设成默认值的 1.5 倍，慢走场景下的漏计率会明显上升，所以除非你确切的测试场景有明确需求，否则别乱改。

Quaternion（四元数姿态解算）是另一个常用算法。它接收加速度计、陀螺仪，以及可选磁力计的输入，输出的是四元数 q0、q1、q2、q3，可以稳定描述板子当前的 3D 姿态。这个算法的好处是不存在万向锁问题，而且数据可以直接用来算欧拉角。配置它的关键是输入源别选错——如果你只想用惯性数据，那就把磁力计关掉；如果有磁力计参与，注意周围别有大块金属物体，否则航向角会漂。顺便说一句，多传感器融合这类算法对于初学者最友好的一点是：你只需要正确接线传感器输入，剩下的融合计算都是算法库内部完成的，不需要自己去调卡尔曼滤波参数。

Activity Recognition（活动识别）是内置分类算法中比较实用的一个，可以输出“静止、走路、跑步、骑行”等类别。它不像 MLC 那样能自定义分类器，而是 ST 预先训练好的一套模型，所以配置起来比较简单，选好加速度计输入就行。它的输出是一个带置信度的分类结果，你可以把它作为逻辑运算的输入，也可以直接写到日志里。对于大多数人体活动监测场景，这个算法已经能给到一个可用的基线结果。

Vibration Monitor（振动监测）或者 Motion Intensity（运动强度）这类算法更像是“事件触发器”。它们的输出是一个数值或者一个等级，比如有没有振动、振动强度是多少。你在做振动报警或者设备异常监测时，通常会把这类算法的输出和一个阈值比较，再触发后续逻辑。

配置算法节点时有个点要特别提醒：算法节点和传感器节点不是强制绑定的，你完全可以配一个加速度计，后面挂四个不同的算法节点，只要每个算法的输入源都指向同一个加速度计就行。多挂算法不会让传感器多采样，它只是把同一份数据多算几遍，功耗主要增加在 CPU 计算上，所以不用太担心“算法加多了会采集不过来”。

2.3 MLC：藏在传感器里的微型机器学习

如果说前面这些内置算法还不够塞牙缝，那 MLC（Machine Learning Core）就是真正的“大招”。

MLC 是 LSM6DSOX 这颗传感器内部集成的机器学习推理单元。注意，它是跑在传感器内部，不是跑在 STM32 主控里。也就是说，它可以实时处理来自同一颗芯片的加速度计和陀螺仪数据，在极低功耗下完成决策树推理，只把推理结果告诉 MCU。这种架构的好处太明显了：主控根本不用持续接收原始传感器数据，可以一直处在低功耗模式，需要响应的时候才被 MLC 的输出打断。对电池供电的 IoT 设备来说，这是非常重要的优势。

在专家模式里，你可以通过配置文件加载 MLC 模型。但一个容易被忽略的前提是：MLC 模型本身不是凭空生成的，你需要先在 PC 端的 Unicleo-GUI 工具里采集数据、训练决策树、生成配置文件，然后再把配置导入到专家模式中使用。训练数据从哪里来？最简单的方式就是真实场景采集。比如你想识别“摇晃”这个动作，就拿着板子模拟各种摇晃姿态，记录加速度和陀螺仪数据，然后导入训练工具，标注成不同类别，让工具自动生成决策树。这个过程有点像用一个简化版的 Weka 或者机器学习实验平台，不需要写代码，但需要你提供“有代表性”的数据。

我自己在配置 MLC 时踩过最大的坑，就是训练数据和实际运行场景不一致。我在办公桌上模拟了几天动作生成模型，觉得分类准确率挺高，结果把板子装到真实设备上一跑，准确率掉得很厉害。原因很简单：真实场景的噪声、振动模式、安装角度和桌面模拟完全不同。后来我学乖了，训练数据一定会从最终安装场景里去采集，至少要覆盖各种实际环境下可能出现的姿态变化，模型才有实用价值。

2.4 逻辑运算层：多个信号组合成一个自定义标签

传感器和算法都配置好了之后，最后一步就是把它们的输出组合成我们真正关心的事件。这一层在专家模式里叫 LogicOperator（逻辑运算），也是很多新玩家容易忽略的环节。

为什么需要逻辑运算？因为单个算法输出的实用性往往不够。举例来说：活动识别输出“走路”，但只是走路并不意味着需要上报；运动强度输出“高”，但如果只是原地快速挥手，运动强度也很高，却不一定是你关心的“异常事件”。把“运动强度高”和“姿态变化大”两个条件 AND 在一起，就能有效筛掉大多数误触发的情况。

专家模式里每个逻辑运算节点有多个输入和一个输出，可以配置运算类型，比如 AND、OR、NOT，也可以设置阈值比较。输入源可以是传感器原始值、算法输出,甚至另一个逻辑运算节点的输出。也就是说，逻辑运算节点是可以多级串联的，这让你能在不写代码的情况下实现相当复杂的判断逻辑。

我举一个实际做过的例子：监测一个设备是否发生了“剧烈翻转”。我在专家模式里配置了三个节点：

1. 姿态解算算法，输出四元数，实时反映设备的朝向。
2. 运动强度算法，输出运动激烈程度。
3. 逻辑运算节点，输入是“姿态变化明显”和“运动强度高”，逻辑关系为 AND，输出一个二进制标签。

这样只要设备被剧烈翻转，日志里就会记下一个事件，而日常的轻微抖动、正常搬运都不会触发。后续如果还想做更复杂的“组合事件”，比如“翻转之后 5 秒内没有回正”，就需要外部 MCU 处理了，纯靠专家模式的逻辑运算层做时序判断会有点吃力。这个边界需要清楚：专家模式擅长的是空间维度的条件组合，时序维度的事件链还是得靠主控或者上位机去处理。

3. 实操：从零配置一个“活动识别 + 计步”应用

3.1 准备工作：固件、手机App和那块microSD卡

按照我的习惯，动手配置之前先花几分钟把环境确认好，免得配置到一半因为固件版本问题卡住。

首先确认板载固件版本。SensorTile.box 的固件已经升级过好几个版本，不同版本对专家模式的算法支持是有差异的。你可以在 ST BLE Sensor App 连接板子之后，在设备信息页面查看固件版本号。如果版本比较旧，建议先用 DFU（Device Firmware Update）功能升级到最新版。升级方法在 ST 官方的应用笔记里有，整体流程不复杂：下载固件包，在 App 里选择 DFU 功能，选择固件文件，等待上传完成，板子会自动重启。这一步很关键，旧固件可能会缺算法节点，你配置时会发现某些选项是灰的。

其次是手机 App。我用的是 Android 版的 ST BLE Sensor，iOS 版功能上基本一致。建议从官方应用商店下载，版本别太旧。进入 App 连接板子后，首页会看到两个模式入口：Demo Mode 和 Expert Mode，也就是基础模式和专家模式。点击 Expert Mode 进去，就是我们要操作的界面。

最后是 microSD 卡。如果你要做数据记录（DataLog），需要在板子背面的卡槽里插一张 microSD 卡。这里有几个硬性要求：

• 文件系统必须是 FAT32。
• 容量建议 2GB 到 32GB，太老的非标准卡或超大容量的 exFAT 卡有时会不识别。
• 读写速度建议 Class 10 以上，否则长时间高速录数据时可能会丢帧。

插卡的时候注意方向，金属触点朝里朝下，插到卡槽里听到咔哒声就位了。上电前插好，因为热插拔可能导致板子识别不到 SD 卡，这个小问题我踩过好几次。

3.2 传感器配置：先让数据流起来

进入 Expert Mode 之后，主界面下方通常会有几个标签页，其中最重要的就是 Configuration。点进去之后，你会看到一棵树状结构，左侧是传感器节点，右侧是功能节点，中间区域是当前配置的画布。

我们的第一个目标很明显，先把加速度计打开。在传感器列表中找到 LSM6DSOX 的加速度计节点，也就是 Acc，点击启用。启用之后，旁边会出现它的参数设置项：

• Full Scale（量程）：这里我们选择 ±8g。因为我们后续要做活动识别和计步，人体运动范围一般不会超过 ±8g，这个量程在分辨率和抗削顶之间比较平衡。如果后面要做跌落测试，再改成 ±16g。
• Output Data Rate（输出数据率）：选 104Hz。前面算过，人体活动的有效信号带宽通常在 10Hz 左右，104Hz 有十倍余量，足够覆盖步态特征，功耗和数据量也都在可控范围内。

如果你还需要陀螺仪，比如后续想挂四元数算法，那就把 Gyro 节点也打开，量程选 ±2000dps，ODR 选 208Hz 以上。这里要特别提醒：传感器节点一旦启用，你不一定要把它的原始数据直接写入日志。原始数据只作为算法输入时，可以不开数据记录，让日志更清爽。

传感器配置完后，我还建议打开 Notification 开关。这个开关的作用是让板子通过 BLE 实时往手机上报数据，方便你确认配置生效。如果不开，你只能通过日志文件查看结果，实时性就差很多了。但注意：打开的传感器和算法越多，BLE 上报的数据量越大，App 越容易卡顿。如果你只是长时间录数据，没必要开 Notification，关掉反而更稳定。

3.3 算法配置：添加活动识别和计步器

传感器节点已经就绪，现在开始挂算法节点。在算法节点列表里，找到 Activity Recognition 和 Pedometer，分别启用。

Activity Recognition 节点的输入必须从传感器节点那边拉线，也就是把 LSM6DSOX 的加速度计数据连接到这个算法节点上。连接方式在 App 里是通过画布拖拽完成的，点击节点之间空白的接口拖动即可。这个算法不需要额外的敏感参数，你用默认值就行。它输出的结果是几个类别（Stationary、Walking、Running、Biking 等）的置信度，你可以在界面上实时看到当前被判定为哪一类。

Pedometer 节点的输入同样是加速度计数据，但它有一个参数值得关注：Threshold（步数检测阈值）。这个阈值影响步态峰值检测的灵敏度。我在 2.2 里提过，这里实际操作一遍你就理解了。我建议先保持默认值，然后在现场走几十步，看看计步偏差大不大。如果实际步数比板子计出的少，说明阈值太敏感，应该调大；如果板子漏计明显，就应该调小。这个参数在 UI 里是可以直接改数值的，改完重新 Apply 配置即可。

两个算法节点同时挂在同一个加速度计数据源上，没有任何冲突，板子在每个采样周期都会把数据喂给这两个算法，互不干扰。这也是专家模式的一个优点：一次采集，多种分析。

3.4 数据记录与导出：CSV日志和Unicleo-GUI

配置完算法之后，是时候把数据落盘了。在 Configuration 界面里找到 DataLog 节点，启用它，然后把你想记录的数据源都拉线到 DataLog 的输入端。这里我有意识地只勾了 Pedometer 的步数输出、Activity Recognition 的分类结果，以及加速度计的原始 X、Y、Z 轴数据。没有勾陀螺仪，因为本场景不需要，勾了只是白白增加日志体积。

数据记录的开始和停止有两种方式：一种是在 App 界面上手动点击 Start Log / Stop Log；另一种是使能“开始条件”和“停止条件”，比如当某个逻辑运算节点输出有效时自动开始记录。手动方式简单直观，但确实容易忘记停止；有条件触发的方式更适合无人值守的长时间采集场景，可以先想清楚需求再选。

数据停止记录后，日志会以 CSV 格式保存在 SD 卡里，文件命名类似 st_log_xxxx.CSV。在板子上电状态或者拔出 SD 卡后，用电脑读卡器打开即可。CSV 每一行的时间戳和数据类型都排好了，结构大致是：

Timestamp,Acc_X,Acc_Y,Acc_Z,pedometer_steps,activity_class

这里有个细节：时间戳是板子上电后的 tick 计数，不是绝对日期时间。如果你要做绝对时间对齐，建议在记录的同时用手机记录一个起始时刻，或者把板载 RTC 的配置也打开。不同固件版本对时间戳的支持不同，老版本可能只有 tick，新版本可以通过外部授时校准，具体看版本说明。

如果你想边采集边做数据处理，推荐用 ST 的 Unicleo-GUI 工具。把板子通过 USB 线连到电脑，Switch 拨到 USB 模式，打开 Unicleo-GUI 就可以读取 DataLog 数据、绘制实时曲线、甚至导入 MLC 训练数据。这个工具对数据分析的作用很大，它可以和你之前在 Expert Mode 里配置的模型无缝衔接，尤其是 MLC 的训练流程，几乎离不开它。

3.5 配置JSON长什么样（关键字段解释）

专家模式配置的底层是一份 JSON 文件。每次你在 App 里点击 Apply Configuration，其实就是在生成并下发这份 JSON。有些玩家喜欢直接用 PC 工具编辑 JSON 然后烧录，这确实是进阶玩法，但我更推荐先在 App 里配好一套能跑的配置，导出 JSON 后再对照修改，这样不容易出错。

这里展示我实际配置“活动识别 + 计步”时导出 JSON 的核心片段，字段名是简化后的，不同固件版本字段名会有所差异：

{ "sensor": [ { "id": "lsm6dsox_acc", "enable": true, "odr": 104.0, "full_scale": 8.0 }, { "id": "lsm6dsox_gyro", "enable": false } ], "algorithm": [ { "id": "pedometer", "input": ["lsm6dsox_acc"], "threshold": 1.5 }, { "id": "activity_recognition", "input": ["lsm6dsox_acc"] } ], "datalog": { "enable": true, "source": ["lsm6dsox_acc", "pedometer", "activity_recognition"] } }

各字段大概的意思：

• odr：传感器输出数据率，单位 Hz。
• full_scale：量程范围，单位就是 ±8g 的 8。
• algorithm.input：算法节点挂载的数据源，必须和前面传感器节点配置的 id 一致。
• datalog.source：数据日志记录的通道列表，同样引用前面的节点 id。

改 JSON 最需要小心的就是 id 引用关系。像input、source这些字段都是靠 id 字符串关联节点的，任何一个 id 写错了，整个配置都会被拒绝。我在实际改微调阈值时，曾经因为把lsm6dsox_acc手滑写成了lsm6dsow_acc，配置下发之后板子完全没有按预期工作，排查了半天才发现是这种低级错误。所以建议是：先导出原始的、能用的 JSON，在此基础上用代码编辑器做字段级修改，然后再烧录，别手敲整个文件。

4. 常见问题与排查技巧

4.1 配置应用后蓝牙一直断连

这个问题几乎每个第一次用专家模式的人都会遇到。点击 Apply Configuration 下发配置之后，板子会重启，蓝牙连接会断开，手机 App 显示设备掉线。如果你以为出了问题，那是正常的。等待几秒钟到十几秒钟，板子重启完成后会自动被 App 重新发现并连接。

但如果等了很久都连不上，排查思路大概是这几步：

• 先看板子 LED 状态。正常重启后，LED 会闪一段时间然后变稳定，如果一直 RGB 乱跳或者熄灭，可能是配置 JSON 里有非法字段导致固件崩溃。这时只能重启板子，必要时按住 BOOT 按键重新进 DFU 恢复。
• 再在手机蓝牙设置里看看能不能扫描到板子设备。如果扫描不到，大概率是板子卡死在启动阶段，长按电源按键彻底断电再上电。
• 最后考虑 App 缓存问题。直接杀掉 App 进程，重新打开，不要直接连接，而是回到扫描界面重新建立连接。

配置前把板子上电时间留长一点、确保电量充足，也可以减少这类断连问题。电量偏低时，板子在重启瞬间因为功耗波动很容易起不来。

4.2 记录到的CSV数据全是NaN或者0

日志能录出来，但打开之后全是 0 或者 NaN，这种问题常见于你把一个算法节点拖进 DataLog 数据源，但实际没有把该算法需要的输入传感器数据拉线接好。

比如你启用了 Pedometer，然后把 Pedometer 的输出挂到了 DataLog，却忘了把加速度计数据接到 Pedometer 的输入。这个算法节点没有数据可吃，输出自然就是无效值。解决方法是回到 Algorithm 配置界面，把对应算法的输入源拉线接好，重新 Apply 配置。

另外，有些算法节点输出的是“类别标签”，对应到 CSV 里可能是一个枚举数字而不是直观的文字。比如活动识别输出的1可能代表 Walking，2可能代表 Running。不要看到数字就觉得是异常。我去查了 ST 算法库，不同版本类别映射还不太一样，建议在 Unicleo-GUI 里对照一下。

4.3 MLC输出始终为0或者某个class始终不出现

如果你在配置里启用了 MLC 模型，实时看结果时发现所有数据都落到同一个类别，或某个类别永远不出现，绝大多数情况下不是配置问题，而是模型本身的问题。

MLC 的决策树是基于训练数据生成的，如果训练时某个类别的样本极少、特征不丰富，决策树对这种类别的泛化能力就会很差。我遇到的典型案例是：只采集了正常姿态的“静止”和“走路”，没有采集“坐”和“站”这种近似静止但姿态不同的数据，结果模型把所有轻微移动都分类成了“走路”。后来我补充了大量不同视角、不同速度、不同位置的样本，重新训练之后，分类结果才靠谱起来。

另外还要注意特征归一化。LSM6DSOX 的 MLC 是直接在传感器上跑决策树，如果训练时用的是某个量程下采集的数据，部署时 MLC 量程设置要和训练一致。比如训练数据是 ±8g 下采集的，部署时配置成 ±16g，输入的数值范围完全变了，决策树阈值就全乱套了。

4.4 SD卡不认、录制自动终止

录制过程中日志戛然而止，或者板子压根没在 SD 卡上生成文件，多数情况是 FAT32 格式问题或者 SD 卡兼容性问题。

处理方式：

• 把 SD 卡插进读卡器，在电脑上右键格式化，文件系统选 FAT32，分配单元大小默认。
• 容量超过 32GB 的卡不好整，很多工具默认不支持格式化成 FAT32，建议直接换一张 32GB 以内的卡。虽然技术上有办法把大容量卡强行格式化成 FAT32，但 SensorTile.box 的兼容性实测并不乐观，不值得折腾。
• 插卡时一定要断电或者至少等板子空闲，别在录制时拔插 SD 卡，容易损坏文件分配表，导致整份日志无法读取。

我曾经在录制中碰了一下板子的 SD 卡槽，卡弹出来了，日志文件后半段全部变成乱码，前面一个小时的数据也基本废了。教训很深刻，录制过程中千万别碰卡。

4.5 配置JSON被“减配”了

我在 4.4 之外遇到一个很诡异的问题：同一个 JSON 配置文件，升级固件之后再下发，发现某些算法节点配置变成了默认值。排查到最后，发现是不同固件版本支持的算法参数数量不同。新版本加了一些参数，老版本就忽略了不认识的字段，而某些默认值又不一致，结果表现就变了。

这不算 bug，但确实是坑。应对办法很现实：升级固件前，先把当前正在用的配置在 App 里导出保存成文件，升级后重新下发，并且仔细核对一遍关键参数是否保留，特别是阈值、量程、ODR 这类直接影响运行效果的参数。不要以为配置导出就万事大吉，该核对还得核对。

结尾

篇幅不小了，最后聊几句实在的。我用 SensorTile.box 专家模式做过的项目里，印象最深的是一款“包裹振动监测”原型。我在专家模式里配好了振动监测算法、运动强度算法、DataLog 自动触发，把板子塞进快递箱里跑了一整个运输流程。回来后导出 CSV，几秒钟就定位到了哪个时间点、哪个环节产生了最大冲击。整个过程我没有写一行嵌入式代码，全靠在这块板子的专家模式里把传感器、算法、逻辑和数据记录一根根“接线”接起来。

从入门模式到专家模式，最大的转变不是学会了 App 里的几个配置项，而是思维方式的转变：要开始把数据采集当成一条流水线来思考，先明确最终要拿到什么结论，再倒推需要哪些传感器、哪些算法、哪些逻辑组合。以后再看到一块开发板，不会再执着于“它预设了什么功能”，而是会去想“我能不能把它改造成我想要的样子”。

如果你还在专家模式的门槛前犹豫，我的建议是：现在就打开 ST BLE Sensor App，进到 Expert Mode，随便配一个方案，哪怕只是加速度计加一个计步器，先让板子按照你定义的流水线跑起来再说。配置一遍、导出一次 JSON、录一段数据，这几个动作做完，你对这块板子的理解会完全不一样。