Worker无法直接读取传感器数据，须由主线程采集预处理后以Float32Array零拷贝传入；Worker仅对整段步进序列做自相关或简化FFT分析，输出步频、置信度等结构化结果，并设超时降级与多实例并行机制。
不能直接在 Worker 中读取传感器原始数据，必须由主线程采集后传入。Worker 只负责对已采集的步进序列做异步频谱分析、周期检测和特征提取，避免阻塞 UI。
主线程完成传感器数据采集与预处理
iOS 和 Android 浏览器对 deviceorientation/devicemotion 有硬性限频（实测约 20–30Hz），且事件可能合并或丢失。因此不依赖实时事件流，而采用“采样快照 + 批量上传”策略：
- 主线程用
requestAnimationFrame或setInterval(..., 16)驱动稳定采样节奏，每次调用performance.now()记录时间戳，并缓存accelerationIncludingGravity三轴值 - 积累满 N 条（如 500–2000 点）后，打包为
Float32Array：[t₀,x₀,y₀,z₀, t₁,x₁,y₁,z₁, …] - 通过
postMessage(data, [data.buffer])使用 Transferable Objects 零拷贝发送给 Worker，避免序列化开销
Worker 内执行轻量但稳定的频率分析
Worker 不做实时流式计算，而是对整段步进时序做离散傅里叶变换（DFT）或更实用的自相关分析（Auto-correlation），识别主频与步频节律：
- 优先使用自相关：对 Z 轴加速度序列做滑动点积，峰值位置对应步行周期（单位：样本数），再结合时间戳换算为 Hz（如峰值在第 42 样本，采样间隔 33ms → 周期 ≈ 1.386s → 步频 ≈ 0.72Hz）
- 若需频域细节，可用简化版 FFT（如 Cooley-Tukey 实现，仅支持 2 的幂长度），输入限制在 1024–2048 点；输出取前 128 个 bin，映射 0–5Hz 步行常见频段
- 结果结构化返回：
{ stepFreqHz: 0.72, confidence: 0.86, strideCount: 14, cadenceBpm: 43 }
规避平台限制与提升鲁棒性
iOS Safari 目前（2026 年）仍不支持 Navigator.getSensor() 在所有场景启用，且实验性 API 需用户手动开启。因此当前最稳路径仍是兼容方案：
- 不尝试在 Worker 中调用
DeviceMotionEvent—— 它不可访问，会报ReferenceError - 主线程采集时增加低通滤波（如一阶 IIR）平滑噪声，再传入 Worker，减少无效高频扰动对周期检测干扰
- Worker 分析超时保护：用
performance.now()监控单次分析耗时，若 >30ms 自动降级（如跳过 FFT，只跑自相关） - 多段分析可并行：启动多个 Worker，每段数据分发给独立实例，主线程聚合最终步频统计（均值、方差、趋势）
不复杂但容易忽略：步频分析效果高度依赖原始采样质量，与其花力气补帧或插值，不如在主线程做好触发时机对齐（如绑定到 requestAnimationFrame）、剔除静止段、归一化幅度，再交由 Worker 稳定运算。
前端入门到VUE实战笔记：立即使用
在学习笔记中，你将探索 前端 的入门与实战技巧！
