1. 从零到一：一个电子脉搏计项目的诞生

几年前，我接手了一个健康监测设备的小项目，核心需求是设计一个能稳定、准确测量人体脉搏的便携式设备。当时市面上虽然有各种智能手环，但要么精度存疑，要么数据封闭，无法满足我们定制化分析的需求。于是，我决定自己动手，从传感器选型、电路设计、信号处理到软件算法，完整地走一遍电子脉搏计的设计流程。这个过程远比想象中复杂，光是如何从指尖那微弱的光学变化中，剔除干扰、提取出纯净的脉搏波信号，就耗费了大量精力。今天，我就把这个项目的完整设计思路、核心原理、踩过的坑以及最终的解决方案，毫无保留地分享出来。无论你是电子爱好者、嵌入式开发者，还是对生物信号测量感兴趣的学生，这篇文章都能为你提供一个从理论到实践的清晰路线图。

一个电子脉搏计，本质上是一个光电容积脉搏波描记法（Photoplethysmography, PPG）传感器系统。它通过照射皮肤（通常是指尖或耳垂），并检测因血液流动导致的光吸收变化，来间接测量心率。听起来简单，但要把这个原理变成一个可靠的产品，中间隔着信号调理、电源管理、算法滤波和抗干扰设计等多重关卡。本文将围绕这些核心环节，拆解每一个技术细节，并附上可落地的电路图、代码片段和调试心得。

2. 核心传感原理：PPG信号是如何被“看见”的？

在动手画电路图之前，我们必须彻底理解PPG信号的物理本质。这不是玄学，而是有明确的生理和光学基础。

2.1 光与血液的“捉迷藏”游戏

我们的目标是检测血液容积的周期性变化。血液，特别是血红蛋白，对特定波长的光有较强的吸收能力。当我们用光源（如LED）照射人体组织时，一部分光被组织吸收，一部分被散射，还有一部分穿透出来被光电探测器接收。

这里有一个关键点：组织（皮肤、骨骼、肌肉等）对光的吸收是相对恒定的，而动脉血液对光的吸收会随着心脏的搏动而周期性变化。心脏收缩时，动脉血容量增加，吸收的光增多，穿透出来的光减少；心脏舒张时则相反。因此，光电探测器接收到的光强就会呈现一个与心率同步的微弱交流信号，这就是PPG信号。同时，探测器还会收到一个很大的直流分量，它代表了被组织、静脉血等静态成分吸收后的背景光强。

2.2 透射式与反射式：两种主流方案的选择

基于上述原理，有两种主流的测量方式：

1. 透射式：光源和探测器分别置于被测部位的两侧，如传统的指尖夹式血氧仪。光穿透组织后被对面的探测器接收。这种方式信号强度大，信噪比高，是医疗级设备的首选。但它的应用部位受限，通常只能用于指尖、耳垂等较薄的组织。

2. 反射式：光源和探测器位于被测部位的同一侧，如智能手环、手表。光进入组织后发生散射，部分散射光被同一侧的探测器接收。这种方式佩戴更灵活，可用于手腕、胸口等多处。但信号更弱，更容易受到运动和环境光的干扰。

对于我们的DIY项目或大多数可穿戴设备，反射式方案因其灵活性和普适性而成为更常见的选择。本文后续的设计也将以反射式PPG为核心展开。这意味着，我们的设计挑战主要在于如何从更弱、更“脏”的信号中提取出有用的脉搏波。

3. 硬件系统设计：构建信号的“高速公路”

硬件是信号的源头，一个糟糕的硬件设计会让后续的软件算法事倍功半。我们的硬件系统可以分解为以下几个核心模块。

3.1 传感器选型：LED与光电探测器的“黄金搭档”

传感器的选择直接决定了信号的原始质量。

• 光源（LED）：波长是关键。血红蛋白对红光（~660nm）和红外光（~880-940nm）的吸收特性不同。红光对氧合血红蛋白和脱氧血红蛋白的吸收差异大，常用于血氧饱和度测量；而红外光受血氧饱和度影响小，产生的PPG信号幅度通常更大、更稳定，因此对于单纯的心率测量，选择880-940nm的红外LED是更稳妥的方案。我最终选用的是常见的940nm红外LED，其驱动电流需要根据具体型号确定，通常在20-50mA之间。

• 光电探测器：这里我强烈推荐使用光电晶体管或集成式光传感器，而非光敏电阻。光敏电阻响应慢，不适合捕捉快速的脉搏变化。光电晶体管响应速度快，灵敏度高。更进一步，我们可以选择像APDS-9008、MAX30101/MAX30102这类集成式传感器。以MAX30102为例，它内部集成了红外和红光LED、光电探测器、环境光消除电路以及一个高精度的18位ADC，通过I2C接口输出数字信号，极大简化了外围电路设计和模拟信号处理的难度。对于新手或追求快速原型验证的项目，直接使用MAX30102这类模块是最高效的选择。

注意：如果使用分离的LED和光电晶体管，需要特别注意两者的光谱响应匹配。光电晶体管对特定波长的光最敏感，应选择其峰值响应波长与LED发射波长相接近的型号，否则信号强度会大打折扣。

3.2 模拟前端电路：放大与滤波的艺术

如果我们使用分离元件，那么设计一个优秀的模拟前端（AFE）电路就是重中之重。它的任务是将光电探测器输出的微安级电流信号，转换并放大成伏特级、相对干净的电压信号，供单片机的ADC读取。

一个典型的AFE电路包括：

1. 跨阻放大器（TIA）：将光电晶体管输出的电流信号转换为电压信号。这是第一级放大，增益由反馈电阻决定。这里需要选择低偏置电流、低噪声的运算放大器（如MCP6002, TLV2462）。
2. 高通滤波器（HPF）：用于滤除信号中的直流分量和极低频漂移（如呼吸、体温引起的缓慢变化）。截止频率通常设置在0.5Hz左右，以保留心率信号（通常0.5Hz ~ 3.5Hz，对应30-210 BPM）。
3. 低通滤波器（LPF）：用于滤除高频噪声，如电源纹波、环境光突变（例如日光灯频闪）、肌肉电干扰等。截止频率可以设在10-15Hz，足以保留脉搏波的高次谐波，这些谐波有时对波形分析有用。
4. 可编程增益放大器（PGA）：用于进一步放大交流信号，使其动态范围匹配ADC的输入量程。可以使用运放搭建同相放大电路，并通过模拟开关或数字电位器来调节增益，以适应不同肤色、不同佩戴紧密度导致的信号强度差异。

下图展示了一个简化的AFE原理框图：

[光电晶体管] --> [跨阻放大器] --> [高通滤波器 (0.5Hz)] --> [低通滤波器 (10Hz)] --> [可编程增益放大器] --> [MCU ADC]

整个AFE电路的设计需要仔细计算电阻、电容值，并在仿真软件（如LTspice）中进行验证。布局布线时，模拟部分要远离数字部分和LED驱动电路，并做好电源去耦。

3.3 微控制器与电源管理：系统的“大脑”与“能量中心”

• 微控制器（MCU）选择：需要至少一个ADC通道来读取模拟信号，或者具备I2C/SPI接口来读取数字传感器（如MAX30102）。同时，需要足够的计算能力来运行实时滤波和心率检测算法。常见的STM32F103（Cortex-M3）、ESP32（带蓝牙/Wi-Fi）或Arduino Nano都是不错的选择。ESP32的双核和低功耗特性对于可穿戴设备尤其有吸引力。

• 电源管理：这是便携设备稳定性的生命线。

  • LED驱动：LED需要恒流驱动，以确保发光强度稳定，不随电池电压变化而波动。一个简单的方案是使用三极管或MOSFET配合一个限流电阻，由MCU的PWM引脚控制通断。更优的方案是使用专门的LED驱动芯片。
  • 噪声隔离：模拟电路和数字电路最好采用独立的LDO稳压器供电，或者在电源路径上使用磁珠、π型滤波器进行隔离，防止数字电路的开关噪声串扰到敏感的模拟信号中。
  • 低功耗设计：如果考虑电池供电，需要让MCU和传感器大部分时间处于休眠模式，仅定时唤醒进行测量。例如，可以每秒钟唤醒一次，采集2-3秒的数据进行计算，然后再次休眠。

4. 信号处理算法：从噪声中“雕刻”出心跳

硬件提供了原始数据流，而算法则负责从中提炼出有价值的信息。PPG原始信号可以看作是由真实脉搏波、运动伪影、电源噪声、环境光干扰等叠加而成的“混合物”。

4.1 预处理：数字滤波器的“组合拳”

即使经过了模拟滤波，ADC采集到的数字信号仍然包含噪声，需要进行数字滤波。

1. 直流分量移除：计算一段信号（如256个点）的均值，然后每个采样点减去这个均值。这相当于一个数字高通滤波器，去除了信号的基线漂移。
2. 带通滤波：设计一个数字带通滤波器（如Butterworth或FIR滤波器），通带范围设为0.7 Hz ~ 4 Hz（对应42-240 BPM），这样可以有效滤除呼吸干扰（低频）和高频噪声。在嵌入式系统中，IIR滤波器因计算量小而被广泛使用。
3. 移动平均滤波：一个简单的滑动窗口平均可以平滑掉一些尖峰毛刺，但要注意窗口不能太大，否则会平滑掉脉搏波本身的特征。

4.2 核心算法：心率如何被检测出来？

经过预处理的信号看起来就像一个有规律的波形了，接下来就是检测波峰（或波谷），计算心率。

1. 阈值检测法：最简单的方法。设定一个动态阈值，当信号幅值超过该阈值，且与前一个波峰的时间间隔大于某个最小值（例如对应300 BPM的时间），则判定为一个有效心跳。阈值可以根据信号的历史最大值和最小值进行自适应调整。这种方法计算量小，但在信号质量差或运动时容易误判。

2. 自相关/互相关法：更稳健的方法。计算信号与其自身延迟版本的相关性。心率信号是准周期性的，在延迟时间等于心率周期时，相关性会达到峰值。通过寻找自相关函数的峰值位置，可以估算出心率周期。这种方法抗随机噪声能力强，但计算量相对较大。

3. 频域分析法（如FFT）：将一段时间的信号进行快速傅里叶变换，在频谱图上寻找能量最高的频率成分，这个频率就是心率。这种方法能直观看到信号的频率分布，但需要一定长度的数据窗（通常2-4秒），实时性稍差，且对运动伪影敏感，因为运动会产生额外的频率分量干扰判断。

在实际项目中，我采用了一种混合策略：首先使用带通滤波和动态阈值进行实时波峰检测，得到一个初步的心率序列。同时，每隔4秒钟，对这段时间内的干净信号段做一次自相关分析，用自相关的结果来校准和修正实时检测的结果，并用这个更可靠的心率值来更新动态阈值的参数。这种“快慢结合”的方法，在保证实时性的同时，大大提高了抗干扰能力。

4.3 运动伪影消除：可穿戴设备的“阿喀琉斯之踵”

运动是PPG心率测量最大的敌人。肢体运动会导致传感器与皮肤之间的接触压力变化、血管被挤压、以及组织本身的光学特性发生改变，产生幅度往往远大于脉搏信号的干扰。

硬件上，可以尝试增加一个三轴加速度计（如MPU6050）。软件上，则利用加速度计数据来识别和减除运动伪影。

• 自适应滤波：将加速度计的三个轴信号作为参考输入，PPG信号作为主输入，使用自适应滤波器（如NLMS算法）尝试从PPG信号中“减去”与加速度计信号相关的成分。这种方法理论上是有效的，但算法复杂，参数调优困难。
• 信号质量评估与舍弃：一个更实用的方法是，通过分析加速度计数据的幅度和方差，来判断当前是否处于剧烈运动状态。同时，分析PPG信号本身的特征，如波峰间的间隔是否稳定、波形是否规整。如果信号质量指数（SQI）低于阈值，则舍弃这段时间的数据，并给出“信号弱”的提示，而不是输出一个可能错误的心率值。对于大多数应用，诚实地说“测不到”，比输出一个错误的值更有价值。

5. 软件实现与系统集成

有了硬件和算法，我们需要用代码将它们整合成一个可工作的系统。

5.1 固件架构设计

一个清晰的固件架构有助于管理和调试。我通常将其分为以下几个任务模块：

• 传感器驱动层：负责初始化I2C/ADC，读取MAX30102的FIFO数据或ADC原始值。
• 信号处理层：实现上述的数字滤波、波峰检测、心率计算算法。这是一个纯数据处理模块。
• 运动补偿层：读取加速度计数据，进行信号质量评估或自适应滤波。
• 应用逻辑层：控制测量流程（如开始/停止）、管理心率值的平滑输出（如使用中值滤波或卡尔曼滤波对连续计算出的心率进行平滑）、处理用户交互。
• 输出层：通过串口发送数据到上位机，或驱动OLED屏幕显示实时心率和波形。

使用实时操作系统（如FreeRTOS）可以方便地将这些模块任务化，但简单的裸机前后台系统配合状态机也能很好地工作。

5.2 上位机调试工具：不可或缺的“眼睛”

在开发过程中，一个能实时绘制波形和显示数据的上位机软件至关重要。你可以用Python（PyQt/PySide, Matplotlib）或C#快速编写一个。 它的核心功能包括：

• 通过串口接收并解析下位机发送的原始数据、滤波后数据、心率值。
• 实时绘制多条曲线：原始PPG信号、滤波后信号、加速度计信号。
• 在曲线上标记出检测到的波峰位置。
• 显示实时计算出的心率值、信号质量指数。
• 能够记录数据到文件，便于后续离线分析。

通过上位机，你可以直观地看到算法每一步的处理效果，快速调整滤波器参数和检测阈值，这是调试过程中效率提升十倍不止的工具。

6. 实测、校准与性能优化

当所有代码烧录进去，设备第一次亮起灯时，真正的挑战才刚刚开始。

6.1 静态测试与基准对比

在静止状态下，用手指稳定地按住传感器，与一个可靠的参考设备（如医用指夹式脉搏血氧仪或另一款口碑好的智能手环）进行对比测试。记录不同心率区间（静坐、缓慢呼吸、深呼吸后）的测量值，计算平均误差和一致性。初期目标是将静息状态下的误差控制在±2 BPM以内。

在这个过程中，你可能会发现：

• 信号幅度因人而异：皮肤颜色、角质层厚度、皮下脂肪含量都会影响信号强度。这就需要你的自动增益控制（AGC）算法或动态阈值算法足够鲁棒。
• 存在周期性干扰：如果你的电源是开关电源，可能会引入50/100Hz（工频）干扰。检查你的模拟滤波器和电源滤波是否到位。
• 基线漂移：即使有高通滤波，深呼吸或轻微的身体移动仍会导致缓慢的基线漂移。可以优化你的直流移除算法，采用更短的窗口计算动态基线。

6.2 动态测试与抗干扰挑战

进行简单的运动测试，如原地踏步、摆动手臂。观察心率的输出情况。

• 运动时心率读数剧烈跳动或消失：这大概率是运动伪影消除没做好。检查加速度计数据是否准确读取，信号质量评估逻辑是否合理。一个技巧是，在运动时，可以适当提高心率更新的频率，但同时对单次检测结果的信任度降低，更多地依赖短时历史数据的趋势判断。
• 不同佩戴力度的影响：传感器贴紧皮肤和轻微松脱，信号天差地别。可以在算法中引入一个“接触检测”功能，例如通过检测红外LED反射回来的直流分量大小，来判断佩戴是否良好。

6.3 系统级优化与功耗权衡

• 采样率选择：PPG信号频率不高，过高的采样率（如>200Hz）只会增加不必要的数据量和功耗。通常50-100Hz的采样率已经足够。对于MAX30102，可以灵活配置其采样率。
• 算法复杂度与实时性：在资源有限的MCU上，需要权衡算法效果和计算负担。例如，FFT计算较慢，可能不适合连续实时计算，但可以用于间歇性的校准。将浮点运算改为定点运算可以显著提升速度。
• 电源优化：测量间隔是功耗的关键。如果不是需要连续监测，可以设置为每10秒或30秒测量一次。在休眠期间，关闭传感器和MCU大部分外设的时钟。

7. 项目总结与延伸思考

回顾整个电子脉搏计的设计过程，它不仅仅是一个简单的“数脉搏”项目，而是一个典型的嵌入式系统综合课题，涵盖了模拟电路设计、数字信号处理、传感器融合、低功耗设计和嵌入式编程等多个领域。

我个人的体会是，硬件决定了性能的上限，而算法决定了性能的下限。一个精心布局、供电纯净的硬件平台，能为算法处理提供一份“干净”的原料，让后续工作事半功倍。反之，如果硬件噪声太大，再优秀的算法也是巧妇难为无米之炊。因此，千万不要在硬件设计上偷懒。

另一个深刻的教训是关于验证。不要相信仿真和理论计算的绝对正确。一定要尽早搭建实物，用真实的人体信号进行测试。信号处理中的很多参数（滤波器的截止频率、检测阈值的系数）都需要在真实数据上进行反复调整和“手感”微调，这是一个无法完全理论化的过程。

这个项目还可以向多个方向延伸：

• 血氧饱和度（SpO2）测量：这是PPG技术的另一个核心应用。需要增加一个红光LED，通过计算红光和红外光PPG信号的交流分量与直流分量的比值（比值法），来估算血氧饱和度。MAX30102本身就支持双波长，为这个功能留下了接口。
• 心率变异性（HRV）分析：不再满足于平均心率，而是分析连续心跳间期（RR间期）的微小变化，这能反映自主神经系统的状态，是压力、疲劳评估的重要指标。这对信号的精度和算法的稳定性提出了更高要求。
• 无线化与云端连接：集成蓝牙（如ESP32）或NB-IoT模块，将数据上传到手机App或云端，实现远程监测和数据长期记录分析。

最后，分享一个调试小技巧：当你遇到奇怪的干扰或信号异常时，尝试用示波器同时观察电源电压、LED驱动电流和AFE输出信号。很多时候，问题就出在电源纹波或LED开关引起的瞬态干扰上。在LED驱动线上串联一个小电阻（如10Ω），并在LED两端并联一个肖特基二极管进行续流，有时能奇迹般地消除一些高频振荡。

电子脉搏计的设计是一个迷人的旅程，它连接了物理、生理、电子和计算机科学。希望这篇详尽的拆解能为你点亮一盏灯，让你在动手实现自己项目的路上，少走一些弯路。