Detecção de Assobio com Goertzel e Aprendizado Estatístico no RP2040

6 — Calibração prática, boas escolhas vs. más escolhas, comparação entre estratégias, encerramento e SEO

6.1 Calibração prática do modelo estatístico (como fazer funcionar em campo)

Diferentemente dos dois artigos anteriores, aqui o limiar não é o protagonista. O desempenho vem do modelo estatístico bem calibrado. A calibração correta segue uma ordem clara:

1. Primeiros segundos de operação
   • Ao ligar o sistema, evite ambientes extremamente ruidosos.
   • O modelo inicia com valores genéricos e começa a se adaptar somente quando detecta assobio.
2. Ajuste da taxa de aprendizado (ALPHA_STAT)
   • Valores típicos: 0.01 a 0.03
   • Ambiente estável → menor (0.01)
   • Usuário variável → maior (0.02–0.03)
   • Regra prática: aprenda lento, esqueça devagar.
3. Ajuste dos limiares estatísticos (D_ON, D_OFF)
   • D_ON controla quão parecido o padrão deve ser para ligar.
   • D_OFF define tolerância para manter ligado.
   • Sempre mantenha D_OFF > D_ON.
4. Calibração implícita (a grande vantagem)
   • Diferente dos artigos anteriores, o sistema se calibra com o uso.
   • Quanto mais o usuário assobia, mais preciso o modelo se torna.
   • Mudanças graduais de ambiente são absorvidas automaticamente.

Em termos práticos: não ajuste limiares olhando o LED; ajuste olhando a distância estatística D.

6.2 Boas escolhas vs. más escolhas (aprendizado estatístico em MCU)

Boas escolhas

• Goertzel como extrator de features (determinístico)
• Features normalizadas e interpretáveis
• Modelo estatístico independente por feature
• Aprendizado condicional à decisão
• Histerese probabilística
• Taxa de aprendizado pequena

Más escolhas

• Atualizar o modelo em todo frame
• Aprender durante ruído ou fala
• Usar muitas features pouco relevantes
• Usar variância inicial muito pequena
• Tentar “aprender tudo” rápido demais

Erro clássico

“Depois de um tempo ele começa a errar tudo.”

Quase sempre isso significa aprendizado sem controle (modelo absorvendo ruído).

6.3 Comparação final entre os três artigos da série

Esta série foi construída para formar critério técnico, não para promover um algoritmo específico.

Resumo honesto:

• Não sabe o que procurar? → Cepstrum
• Sabe exatamente a frequência? → Goertzel
• Sabe o que procurar, mas o ambiente muda? → Goertzel + Estatística

6.4 Encerramento conceitual

Este terceiro artigo fecha um arco importante da série:

1. Sinal → estrutura (Taylor + Cepstrum)
2. Sinal → frequência (Goertzel)
3. Frequência → decisão adaptativa (Estatística)

O ponto central não é o assobio em si, mas o método:

DSP gera dados. Estatística transforma dados em decisão.

Essa arquitetura é diretamente aplicável a:

• Sensores acústicos inteligentes
• Detecção de falhas tonais
• Interfaces homem-máquina por som
• Pré-processamento para tinyML
• Sistemas embarcados autoadaptativos

Você agora não apenas implementa algoritmos —
você projeta sensores inteligentes com critério.