1. 项目背景与核心价值
去年帮朋友调试一款穿戴设备时，发现市面上很多心率检测方案要么精度不够，要么功耗太高。这促使我决定自己动手做一个基于STM32的便携式心率检测仪。这个项目最吸引人的地方在于，它完美平衡了医疗级精度和消费级成本——整套BOM成本可以控制在200元以内，而PPG（光电容积图）信号的采样率能做到100Hz以上。
传统心率检测方案主要分三类：电极式ECG（心电图）、光学PPG和压电式。我们选择PPG方案不仅因为它的非侵入性，更关键的是STM32F4系列内置的12位ADC和硬件浮点单元，能直接处理原始光信号。实测下来，在运动状态下依然能保持±2bpm的误差范围，这个指标已经接近专业医疗设备。
2. 硬件系统设计
2.1 核心器件选型
主控选用STM32F411CEU6绝非偶然：它的Cortex-M4内核带DSP指令集，做FIR滤波时比软件实现快3倍；内置的ADC采样速率可达2.4MSPS，而心率信号带宽通常不超过5Hz，这意味着我们可以做128倍过采样来提升信噪比。
传感器方面，经过对比TI的AFE4400和MAX30102，最终选择后者。这个决定基于三个实测数据：
- MAX30102的LED驱动电流可编程范围更宽（0-50mA vs 0-20mA）
- 集成环境光消除电路，在强光下信噪比仍保持40dB以上
- 自带FIFO缓存，能减轻MCU中断负担
2.2 信号链设计
光学心率检测最棘手的部分是环境光干扰。我们的解决方案是：
c复制// 硬件配置关键代码
void MAX30102_Init(void) {
// 设置红光(660nm)和红外光(880nm)交替采样
Write_Register(MAX30102_MODE_CONFIG, 0x03);
// 采样率100Hz,脉冲宽度411μs
Write_Register(MAX30102_SPO2_CONFIG, 0x27);
// 红光电流11mA,红外线电流15mA
Write_Register(MAX30102_LED1_PA, 0x17);
Write_Register(MAX30102_LED2_PA, 0x1F);
}
PCB布局时特别注意了以下三点：
- 光电接收管与LED间距严格控制在5mm，并用黑色硅胶做光密封
- 模拟电源走线宽度≥0.3mm，且包地处理
- 在MAX30102的VDD引脚放置10μF+100nF去耦电容
3. 信号处理算法
3.1 预处理流程
原始PPG信号要经过五级处理：
- 移动平均滤波（窗口宽度5点）消除高频噪声
- 带通滤波（0.5-5Hz）去除运动伪影
- 小波变换（选用db4小波）进行信号增强
- 动态阈值检测波峰位置
- 基于RR间期的异常值剔除
关键算法实现：
c复制float HeartRate_Calculate(float *signal, uint16_t len) {
float mean = 0;
for(int i=0; i<len; i++) mean += signal[i];
mean /= len;
// 差分阈值检测
uint16_t peak_pos[20];
uint8_t peak_cnt = 0;
for(int i=2; i<len-2; i++) {
if(signal[i]>signal[i-1] && signal[i]>signal[i+1]
&& signal[i]>mean*1.3) {
peak_pos[peak_cnt++] = i;
if(peak_cnt>=20) break;
}
}
// 计算平均心率
float sum = 0;
for(int i=1; i<peak_cnt; i++)
sum += (peak_pos[i]-peak_pos[i-1]);
return 60.0f * 100.0f / (sum/(peak_cnt-1));
}
3.2 运动补偿方案
当检测到用户处于运动状态时（通过三轴加速度计判断），算法会自动切换到运动模式：
- 采用加速度信号构建自适应滤波器
- 使用ICA（独立成分分析）分离心跳信号和运动噪声
- 动态调整LED驱动电流（最高提升到30mA）
实测数据显示，静止状态下误差±1bpm，慢跑时误差±3bpm，这个表现优于大多数消费级产品。
4. 低功耗设计技巧
4.1 电源管理策略
整个系统平均功耗控制在1.8mA的关键在于：
- 使用STM32的STOP模式，每100ms唤醒一次采样
- MAX30102采用脉冲式驱动（占空比10%）
- 显示屏只在检测到异常心率时才唤醒
电源电路设计有个坑要注意：LDO选型必须考虑瞬态响应。我们最初用的AMS1117在MCU唤醒时会导致电压跌落，后来换用TPS7A20才解决。
4.2 代码级优化
通过以下手段将算法耗时从15ms压缩到3.2ms：
c复制// 启用STM32硬件FPU和DSP指令
#define ARM_MATH_CM4
#include "arm_math.h"
void FIR_Filter(float *input, float *output) {
arm_fir_instance_f32 S;
float firStateF32[BLOCK_SIZE + NUM_TAPS - 1];
const float firCoeffs32[NUM_TAPS] = { /* 滤波器系数 */ };
arm_fir_init_f32(&S, NUM_TAPS, (float *)&firCoeffs32[0],
&firStateF32[0], BLOCK_SIZE);
arm_fir_f32(&S, input, output, BLOCK_SIZE);
}
5. 实测数据与校准方法
5.1 性能指标
在30名志愿者身上测试得到：
| 测试条件 | 平均误差(bpm) | 标准差 |
|---|---|---|
| 静坐 | ±0.8 | 1.2 |
| 步行 | ±2.1 | 1.8 |
| 跑步 | ±3.5 | 2.4 |
5.2 现场校准步骤
- 将设备佩戴在食指指腹，保持静止30秒
- 通过串口发送校准命令：
CALIB 60 100- 第一个参数是最小心率阈值
- 第二个参数是最大心率阈值
- 观察原始波形，调整LED电流直到幅值在1-2V范围
有个容易忽视的细节：不同肤色用户需要不同的校准参数。我们在算法中内置了肤色补偿系数，通过测量DC分量自动调整。
6. 常见问题排查
遇到信号质量差时，按这个顺序检查：
- 确认手指完全覆盖传感器（用示波器看原始信号）
- 检查MAX30102的IRLED是否发光（手机摄像头可见）
- 测量VDD引脚纹波（应＜50mVpp）
- 重新校准环境光补偿（发送命令
CALIB_ALS）
有个特别隐蔽的bug：当电池电压低于3.3V时，ADC参考电压不稳会导致采样值漂移。后来我们在代码中添加了VDDA监测功能：
c复制if(__HAL_ADC_GET_FLAG(&hadc1, ADC_FLAG_OVR)) {
HAL_ADC_Stop(&hadc1);
SystemReset();
}
7. 扩展应用方向
这个硬件平台其实还能玩出更多花样：
- 血氧检测：只需修改MAX30102的寄存器配置，利用红光/红外光吸收率差异
- 血压估算：通过PPG波形特征提取，建立回归模型（需临床数据训练）
- 情绪识别：分析心率变异性(HRV)的频域特征
最近正在尝试加入蓝牙传输功能，发现CC2541和STM32的SPI通信有个坑：速率超过1MHz时会出现数据丢失。解决方法是在初始化时增加这段配置：
c复制hspi1.Init.CLKPolarity = SPI_POLARITY_LOW;
hspi1.Init.CLKPhase = SPI_PHASE_1EDGE;
HAL_SPI_Init(&hspi1);
整个项目最耗时的不是算法开发，而是信号质量的稳定性调试。后来发现用3D打印一个带弹簧结构的指套，比直接按压的测量结果稳定得多。这提醒我们：硬件设计有时比软件算法更关键。