STM32与MPU6050实现跑步姿态监测系统设计

1. 跑步姿态检测系统的硬件选型与设计思路

作为一名嵌入式开发工程师，我最近完成了一个基于STM32的跑步姿态监测系统。这个项目的核心目标是帮助跑者实时掌握自己的跑步姿态数据，通过量化分析来优化跑步习惯。在硬件选型上，我选择了STM32F103C8T6作为主控芯片，主要基于以下考量：

这款芯片具有72MHz主频和64KB Flash，完全能够满足实时数据处理需求。更重要的是，它内置了多个定时器和USART接口，可以方便地连接各类传感器模块。在实际测试中，我发现它的ADC采样精度和GPIO响应速度都能很好地满足运动检测的需求。

传感器部分采用了MPU6050六轴运动处理组件，它集成了3轴加速度计和3轴陀螺仪。通过I2C接口与STM32连接，可以实时采集跑步时的加速度和角速度数据。这里有个关键点需要注意：MPU6050的采样率需要设置为至少100Hz，才能准确捕捉跑步时的快速动作变化。我在初始化时通过配置DLPF（数字低通滤波器）参数为5（即带宽10.2Hz），有效滤除了高频噪声干扰。

重要提示：MPU6050需要精确校准才能获得可靠数据。建议在系统启动时执行至少2秒的静态校准，记录各轴的零偏值并在后续数据处理中进行补偿。

步频检测采用了红外对射传感器，安装在鞋跟位置。当跑者脚步抬起时，红外光束被阻断产生脉冲信号。通过STM32的输入捕获功能，可以精确计算步频。这里我使用了TIM2定时器的输入捕获模式，配合中断服务程序记录两次阻断之间的时间间隔。

无线传输模块选用ESP8266，通过AT指令集与STM32通信。我将它配置为Station模式，连接到手机创建的热点。数据传输采用UDP协议，每100ms发送一次传感器数据包。这种方案相比TCP协议减少了连接建立的开销，更适合实时性要求高的运动数据传输。

2. 系统软件架构与关键算法实现

整个系统的软件架构采用分层设计，分为驱动层、算法层和应用层。驱动层负责硬件接口的初始化和原始数据采集；算法层进行数据预处理和特征提取；应用层实现业务逻辑和通信协议。

2.1 传感器数据采集与滤波

MPU6050的原始数据需要通过软件滤波才能使用。我采用了互补滤波算法来融合加速度计和陀螺仪的数据：

c复制#define ALPHA 0.98  // 互补滤波系数

float complementaryFilter(float accelAngle, float gyroRate, float dt) {
    static float angle = 0;
    angle = ALPHA * (angle + gyroRate * dt) + (1-ALPHA) * accelAngle;
    return angle;
}

这个算法的关键在于ALPHA参数的选取。经过实测，0.98这个值能在快速响应和稳定性之间取得良好平衡。dt为采样间隔时间，在我的系统中设置为0.01秒（即100Hz采样率）。

对于红外步频传感器，我使用了一个环形缓冲区来记录最近10次的步间间隔：

c复制#define BUFFER_SIZE 10
uint32_t stepIntervals[BUFFER_SIZE];
uint8_t bufferIndex = 0;

void TIM2_IRQHandler(void) {
    static uint32_t lastCapture = 0;
    uint32_t currentCapture = TIM_GetCapture2(TIM2);
    stepIntervals[bufferIndex] = currentCapture - lastCapture;
    bufferIndex = (bufferIndex + 1) % BUFFER_SIZE;
    lastCapture = currentCapture;
    TIM_ClearITPendingBit(TIM2, TIM_IT_CC2);
}

2.2 跑步姿态参数计算

基于滤波后的数据，我们可以计算出三个关键指标：

1. 步幅计算：通过加速度的双重积分得到位移量。为了避免积分误差累积，我在每个脚步落地时（通过加速度突变检测）进行清零：

c复制float calculateStrideLength(float accelX, uint8_t isFootStrike) {
    static float velocity = 0, position = 0;
    if(isFootStrike) { // 脚步落地检测
        position = 0;
        velocity *= 0.3; // 保留部分动量
    } else {
        velocity += accelX * DT;
        position += velocity * DT;
    }
    return position;
}

2. 抬脚高度：通过大腿角度（由陀螺仪Y轴数据计算）和小腿长度估算：

c复制float calculateLiftHeight(float thighAngle, float calfLength) {
    return calfLength * sinf(thighAngle * M_PI / 180.0f);
}

3. 着地方式判断：分析加速度计Z轴的冲击波形特征，可以区分前脚掌着地还是脚跟先着地：

c复制uint8_t detectFootStrikeType(float accelZ) {
    static float buffer[5] = {0};
    static uint8_t index = 0;
    
    buffer[index] = accelZ;
    index = (index + 1) % 5;
    
    // 计算斜率变化
    float slope = buffer[(index+4)%5] - buffer[index];
    if(slope > THRESHOLD_HEEL_STRIKE) return HEEL_STRIKE;
    else if(slope < THRESHOLD_FOREFOOT_STRIKE) return FOREFOOT_STRIKE;
    else return MIDFOOT_STRIKE;
}

3. 无线数据传输协议设计

ESP8266模块与手机APP之间的通信协议采用简单的二进制格式，每个数据包包含：

code复制0      1      2      3      4      5      6      7      8      9      10     11     12     13     14     15
+------+------+------+------+------+------+------+------+------+------+------+------+------+------+------+------+
| 包头(0xAA) | 包长 | 步频 |       步幅       |      抬脚高度     | 着地方式 |  保留  |      校验和      | 包尾(0x55) |
+------+------+------+------+------+------+------+------+------+------+------+------+------+------+------+------+

在STM32端，我使用DMA+USART的方式发送数据，避免阻塞主程序：

c复制void sendDataPacket(uint16_t cadence, float stride, float lift, uint8_t strikeType) {
    static uint8_t packet[16];
    packet[0] = 0xAA;
    packet[1] = sizeof(packet);
    packet[2] = cadence & 0xFF;
    memcpy(&packet[3], &stride, 4);
    memcpy(&packet[7], &lift, 4);
    packet[11] = strikeType;
    packet[12] = 0; // 保留
    uint16_t checksum = calculateChecksum(packet, 14);
    memcpy(&packet[14], &checksum, 2);
    packet[15] = 0x55;
    
    USART_DMACmd(USART1, USART_DMAReq_Tx, ENABLE);
    DMA_Cmd(DMA1_Channel4, ENABLE);
}

实际测试中发现，在WiFi信号较弱时，提高发送间隔到200ms可以显著减少丢包率。同时建议在APP端实现简单的丢包重传机制。

4. 系统优化与实测数据分析

经过三个月的开发和迭代，系统已经能够稳定运行。以下是一些实测数据和分析：

4.1 不同跑步姿态的典型数据特征

4.2 常见问题排查指南

1. MPU6050数据漂移：

   • 检查电源是否稳定（建议使用LDO稳压）
   • 确保每次上电后执行校准程序
   • 尝试降低I2C通信速率（实测400kHz有时不稳定）

2. 步频检测误触发：

   • 调整红外传感器的灵敏度阈值
   • 在软件中增加去抖动滤波（建议50ms时间窗口）
   • 检查传感器安装位置是否合适

3. WiFi连接不稳定：

   • 尝试更换ESP8266固件版本（ATv1.7.0较稳定）
   • 增加发送间隔（200-300ms）
   • 在代码中添加连接状态监测和自动重连

经过实际测试，系统在连续工作状态下（采样率100Hz）的电流消耗约为85mA，使用1000mAh电池可支持约12小时运行，完全满足日常训练需求。

5. 手机APP设计与数据可视化

配套的Android APP采用MVVM架构开发，主要功能包括：

• 实时数据显示：使用折线图动态展示步频、步幅等参数变化
• 历史记录分析：基于SQLite数据库存储训练数据，支持按日期查询
• 姿态评估报告：根据专业跑步力学参数给出改进建议

数据可视化部分使用了MPAndroidChart库，关键代码如下：

java复制LineChart cadenceChart = findViewById(R.id.cadenceChart);
LineData lineData = new LineData();
LineDataSet dataSet = new LineDataSet(cadenceValues, "步频");
dataSet.setColor(Color.BLUE);
dataSet.setCircleColor(Color.BLUE);
lineData.addDataSet(dataSet);
cadenceChart.setData(lineData);
cadenceChart.invalidate();

在性能优化方面，我发现限制图表显示的数据点数量（如只显示最近100个点）可以显著提高界面流畅度。同时建议在非实时模式下（查看历史记录时）采用降采样显示策略。

这个项目从硬件选型到算法实现再到APP开发，涉及了嵌入式系统开发的完整流程。最难的部分是运动数据的准确解析和实时处理，需要不断调整算法参数和优化代码结构。通过这个项目，我深刻体会到在实际产品开发中，理论算法与工程实现之间的差距往往需要通过大量实测来弥合。