การประมวลผลสัญญาณดิจิทัล
บทเรียนที่พัฒนาทักษะนี้
หัวข้อที่มีชื่อว่า “บทเรียนที่พัฒนาทักษะนี้”| บทเรียน | หลักสูตร | พัฒนาถึงระดับ |
|---|---|---|
| กรองสัญญาณ: EMA กับ Median แล้วแกะโค้ดเกจ | AIoT in Action: จากหน้าจอสัมผัสสู่แพลตฟอร์ม IoT (MicroPython) | L2 ทำตามแนวทาง |
| ลงมือทำ: เกจลูกบิดกับแถบสัมผัส | AIoT in Action: จากหน้าจอสัมผัสสู่แพลตฟอร์ม IoT (MicroPython) | L2 ทำตามแนวทาง |
| gyro ฟิลเตอร์ complementary และโค้ดเครื่องวัดระดับ | AIoT in Action: จากหน้าจอสัมผัสสู่แพลตฟอร์ม IoT (MicroPython) | L2 ทำตามแนวทาง |
| สุ่มสัญญาณให้ถูก: Nyquist aliasing และ ring buffer | AIoT in Action: จากหน้าจอสัมผัสสู่แพลตฟอร์ม IoT (MicroPython) | L2 ทำตามแนวทาง |
| ui.Chart: กราฟหลาย series และคาบเวลาของลูปจริง | AIoT in Action: จากหน้าจอสัมผัสสู่แพลตฟอร์ม IoT (MicroPython) | L1 รู้จัก |
| ลงมือทำ: กราฟความเร่งสามแกน | AIoT in Action: จากหน้าจอสัมผัสสู่แพลตฟอร์ม IoT (MicroPython) | L1 รู้จัก |
| เข็มทิศดิจิทัลจาก BMM350 บน I3C พร้อม calibration | TESAIoT Firmware Stack: เฟิร์มแวร์ภาษา C บน TESAIoT Dev Kit | L1 รู้จัก |
| Motion radar: วาดทิศการเคลื่อนไหวแบบ polar | TESAIoT Firmware Stack: เฟิร์มแวร์ภาษา C บน TESAIoT Dev Kit | L2 ทำตามแนวทาง |
| ไมโครโฟน PDM สเตอริโอและ level meter | TESAIoT Firmware Stack: เฟิร์มแวร์ภาษา C บน TESAIoT Dev Kit | L2 ทำตามแนวทาง |
| จับสัญญาณดิจิทัลครั้งแรก | อิเล็กทรอนิกส์และเครื่องมือวัดสำหรับนักพัฒนาระบบฝังตัว | L1 รู้จัก |
| สตรีมเซ็นเซอร์ที่พร้อมสำหรับ Edge AI | TESA Firmware SDK สำหรับ Edge AI | L1 รู้จัก |
| สุ่มสัญญาณให้ตรงกับโมเดล: อัตราสุ่ม Nyquist หน้าต่าง และ schema ของ CSV | Edge AI Developer: จากเซนเซอร์สู่โมเดลบนอุปกรณ์ | L1 รู้จัก |
| เสียงและหลายเซนเซอร์บนเส้นเวลาเดียว: PDM 16 kHz ประทับเวลา และ jitter | Edge AI Developer: จากเซนเซอร์สู่โมเดลบนอุปกรณ์ | L2 ทำตามแนวทาง |
| จากตัวเลขดิบสู่ปริมาณทางฟิสิกส์: มุมเอียง พลังงาน ความสูง และ dBFS | Edge AI Developer: จากเซนเซอร์สู่โมเดลบนอุปกรณ์ | L2 ทำตามแนวทาง |
| ลงมือทำ: เกจฟิสิกส์สี่ตัวบนจอ | Edge AI Developer: จากเซนเซอร์สู่โมเดลบนอุปกรณ์ | L2 ทำตามแนวทาง |
| ค่าอนุพัทธ์และการจำแนกด้วยกฎ: dew point, heat index และบันไดกฎ | Edge AI Developer: จากเซนเซอร์สู่โมเดลบนอุปกรณ์ | L2 ทำตามแนวทาง |
| ฟิลเตอร์ DSP: EMA, Median, Kalman และ radar range profile | Edge AI Developer: จากเซนเซอร์สู่โมเดลบนอุปกรณ์ | L2 ทำตามแนวทาง |
| ลงมือทำ: ฟิลเตอร์ทำสัญญาณให้สะอาดสด ๆ | Edge AI Developer: จากเซนเซอร์สู่โมเดลบนอุปกรณ์ | L2 ทำตามแนวทาง |
| FFT และโดเมนความถี่: bin, Nyquist, DC, leakage และ Hann window | Edge AI Developer: จากเซนเซอร์สู่โมเดลบนอุปกรณ์ | L3 ทำได้เอง |
| ลงมือทำ: สเปกตรัมสดจาก IMU | Edge AI Developer: จากเซนเซอร์สู่โมเดลบนอุปกรณ์ | L3 ทำได้เอง |
| feature และหน้าต่าง: สิ่งที่โมเดลเห็นจริง | Edge AI Developer: จากเซนเซอร์สู่โมเดลบนอุปกรณ์ | L3 ทำได้เอง |
| ลงมือทำ: feature vector จากหน้าต่างเลื่อน | Edge AI Developer: จากเซนเซอร์สู่โมเดลบนอุปกรณ์ | L3 ทำได้เอง |
| ท่อสั่งการ: CONF_FLOOR, debounce, cooldown และ on_result | Edge AI Developer: จากเซนเซอร์สู่โมเดลบนอุปกรณ์ | L2 ทำตามแนวทาง |
| ออกแบบ capstone: Guardian สามเสาในไฟล์เดียว | Edge AI Developer: จากเซนเซอร์สู่โมเดลบนอุปกรณ์ | L2 ทำตามแนวทาง |
บทเรียนที่ประเมินทักษะนี้
หัวข้อที่มีชื่อว่า “บทเรียนที่ประเมินทักษะนี้”| บทเรียน | ระดับ | หลักฐาน |
|---|---|---|
| ลงมือทำ: เกจลูกบิดกับแถบสัมผัส | L2 ทำตามแนวทาง | practice/s05_pot_capsense.py |
| ลงมือทำ: เกจฟิสิกส์สี่ตัวบนจอ | L2 ทำตามแนวทาง | practice/s06_physics_viz.py |
| ลงมือทำ: ฟิลเตอร์ทำสัญญาณให้สะอาดสด ๆ | L2 ทำตามแนวทาง | practice/s08_filters.py |
| ลงมือทำ: สเปกตรัมสดจาก IMU | L2 ทำตามแนวทาง | practice/s09_fft_spectrum.py |
| ลงมือทำ: feature vector จากหน้าต่างเลื่อน | L3 ทำได้เอง | practice/s10_windowing.py |
บทบาทที่ใช้ทักษะนี้
หัวข้อที่มีชื่อว่า “บทบาทที่ใช้ทักษะนี้”| บทบาท | ระดับขั้นต่ำ | ในบทบาทนี้ |
|---|---|---|
| วิศวกร Edge AI | L3 ทำได้เอง | จำเป็น (R) · ยกจาก P ในแผนที่ |
ระดับความสามารถ
หัวข้อที่มีชื่อว่า “ระดับความสามารถ”- L1 รู้จัก · Bloom: remember/understand
- L2 ทำตามแนวทาง · Bloom: apply (scaffolded)
- L3 ทำได้เอง · Bloom: apply/analyse
- L4 มืออาชีพ · Bloom: analyse/evaluate
- L5 ออกแบบและนำทีม · Bloom: evaluate/create
ใช้อ้างอิงใน Open Badges 3.0 และ CASE
หัวข้อที่มีชื่อว่า “ใช้อ้างอิงใน Open Badges 3.0 และ CASE”UUID: 5b5e79e1-28f8-5854-a510-f2071f339666
{ "type": [ "Alignment" ], "targetName": "Digital Signal Processing", "targetUrl": "https://tesaiot.github.io/tesa-qualification-program/skills/sys.dsp/", "targetCode": "sys.dsp", "targetFramework": "TESA Embedded Systems Skill Map 0.1.0", "targetType": "CFItem"}ข้อมูลแผนที่ทักษะเผยแพร่ภายใต้ CC BY-SA 4.0 ดัดแปลงจาก Embedded Systems Engineering Roadmap ของ Meysam Parvizi
TESA Open Knowledge · © 2026 สมาคมสมองกลฝังตัวไทย (TESA) · CC BY-NC 4.0
เนื้อหาเผยแพร่ภายใต้ CC BY-NC 4.0 นำไปใช้ต่อในงานที่ไม่ใช่เพื่อการค้าได้ โปรดอ้างอิงสมาคมสมองกลฝังตัวไทย (TESA) ทุกครั้ง · วิธีอ้างอิง TESA