嵌入式软件设计之PPG采集系统

嵌入式系统是分层级的,分模块的。

使用的硬件资源有：

IMU-IIC

采集-ADC

电源-ADC

外置接口-串口

主控部分使用ESP32-IDF进行开发，因为芯片寄存器较多，而且采集对的实时性有要求，所以选用freeRTOS，在满足实时性的要求上程序的设计也会更简单。

FreeRTOS任务设计

MAX30102采集任务:初始化IIC和MAX30102,在一个死循环里面以50Hz的频率读取红外线和红光传感器的数据,进行简单滤波后存入队列。

MPU6050任务:初始化IIC和MPU6050,连续读取Euler角,以20Hz的频率进行更新,数据处理后存入队列。

ADC采集任务:初始化ADC,以适当采样频率(例如100Hz)采集模拟通道电压,发送到队列。

串口发送任务:优先级最低,从队列中读取数据并打包发送。可以设置一定的数据缓存。

空闲任务:优先级最低,MCU睡眠时运行,用于切换低功耗模式。

数据同步

采用FreeRTOS的队列和信号量机制进行任务间同步。信号量可用于指示队列已满或空。

给每个数据包添加采集时间戳,上位机可以根据时间戳重新同步。

也可以仅在串口发送任务中合并时间戳,不在各个采集任务中添加。

低功耗设计

利用调度器suspend/resume接口暂停任务实现睡眠唤醒。

DMA采集ADC数据,避免CPU占用。

使用内部PERIPH FIFO buffer,减少IIC任务调用。

串口使用DMA传输,CPU仅在发送完一个包后进行复位。

关闭不需要的外设时钟。利用IDLE调度钩子函数实现自动降频。

模块化设计

独立通信模块,内部封装串口通信的复杂度。

采集核心模块只输出统一格式的采集数据。

模块间使用统一的队列/缓存接口进行数据交换。

这里给出采集的样板任务

针对MAX30102的芯片，更多的技术细节是：首先配置传感器工作在FIFO模式下然后周期性读取FIFO，通过1024点的FFT变换得到频域数据，然后选择频带内的最高幅值为心率，通过对比两个幅值的幅度计算出血氧饱和度。通过平均其他频点的差值来标定两个波长数据。

struct compx FFTBUF1[FFT_N + 16];
struct compx FFTBUF2[FFT_N + 16];
uint16_t g_fft_index = 0;
BloodData g_blooddata = {0};


void test(float data1, float data2)
{
    static uint8_t str[50];
    sprintf((char *)str, "%f,%f
", data1, data2);
    HAL_UART_Transmit_DMA(&huart1, str, sizeof(str));
}


// 血液检测信息更新
void blood_data_update(void)
{
    static DC_FilterData dc1 = {.w = 0, .init = 0, .a = 0.8};
    static DC_FilterData dc2 = {.w = 0, .init = 0, .a = 0.8};
    static float data1buf[20];
    static uint8_t data1cur = 0;
    static float data2buf[20];
    static uint8_t data2cur = 0;
    uint16_t temp_num = 0;
    uint16_t fifo_word_buff[1][2];
    temp_num = max30100_Bus_Read(INTERRUPT_REG);
    if (INTERRUPT_REG_A_FULL & temp_num)
    {
        max30100_FIFO_Read(0x05, fifo_word_buff, 1); // read the hr and spo2 data form fifo in reg=0x05
        float data1 = dc_filter(fifo_word_buff[0][0], &dc1) + 100.0;
        float data2 = dc_filter(fifo_word_buff[0][1], &dc2) + 100.0;
        data1buf[data1cur] = data1;
        data2buf[data2cur] = data2;
        data1 = 0;
        data2 = 0;
        for (int i = 0; i < 20; i++)
        {
            data1 += data1buf[i];
            data2 += data2buf[i];
        }
        data1 /= 20;
        data2 /= 20;
        data1cur = (data1cur < 19) ? data1cur + 1 : 0;
        data2cur = (data2cur < 19) ? data2cur + 1 : 0;
        g_blooddata.hb = data1 + 50;
        g_blooddata.hbo2 = data2 + 50;
        // 将数据写入fft输入并清除输出
        for (int i = 0; i < 1; i++)
        {
            if (g_fft_index < FFT_N)
            {
                FFTBUF1[g_fft_index].real = fifo_word_buff[i][0];
                FFTBUF1[g_fft_index].imag = 0;
                FFTBUF2[g_fft_index].real = fifo_word_buff[i][1];
                FFTBUF2[g_fft_index].imag = 0;
                g_fft_index++;
            }
        }
        // 信息更新标志位
        g_blooddata.update++;
    }
}
// 血液信息转换
void blood_data_translate(void)
{
    // 缓冲区写入结束
    if (g_fft_index >= FFT_N)
    {
        // 快速傅里叶变换
        FFT(FFTBUF1);
        FFT(FFTBUF2);
        // 解平方
        for (int i = 0; i < FFT_N; i++)
        {
            FFTBUF1[i].real = sqrtf(FFTBUF1[i].real * FFTBUF1[i].real + FFTBUF1[i].imag * FFTBUF1[i].imag);
            FFTBUF2[i].real = sqrtf(FFTBUF2[i].real * FFTBUF2[i].real + FFTBUF2[i].imag * FFTBUF2[i].imag);
        }
        // 读取峰值点 10-100带通 频率范围30-292次/分钟
        uint16_t s1_max_index = find_max_num_index(FFTBUF1, 100);
        uint16_t s2_max_index = find_max_num_index(FFTBUF2, 100);


        // 检查HbO2和Hb的变化频率是否一致
        if (s1_max_index == s2_max_index)
        {
            // 心率计算
            uint16_t Heart_Rate = 60 * SAMPLES_PER_SECOND *
                                  s2_max_index / FFT_N;
            g_blooddata.heart = Heart_Rate;
            // 血氧含量计算
            float sp02_num = (FFTBUF1[s1_max_index].real * FFTBUF1[0].real) / (FFTBUF2[s1_max_index].real * FFTBUF2[0].real);
            sp02_num = sp02_num * SAMPLES_PER_SECOND + CORRECTED_VALUE;
            g_blooddata.SpO2 = sp02_num;
            // 状态正常
            g_blooddata.state = BLD_NORMAL;
        }
        else // 数据发生异常
        {
            g_blooddata.heart = 0;
            g_blooddata.SpO2 = 0;
            g_blooddata.state = BLD_ERROR;
        }


        g_fft_index = 0;
    }
}

因为PPG的数据处理是难点，以上给出一段处理代码，但是还有优化的空间。

将采集数据和处理算法分离开来,降低耦合度

可以创建独立的采集模块和处理模块,采集模块专注获取传感器数据,处理模块实现算法逻辑。两者通过统一的数据结构进行交互。这可以提高代码的模块化和可维护性。

优化数据滤波方式

当前的平均滤波可以考虑改为滚动平均滤波,这样可以加快数据更新的响应速度。同时可以引入一阶IIR滤波来平滑数据。

优化FFT实现

可以考虑使用更优化的FFT库,或者直接调用DSP库的FFT函数,提高运算效率。当前的FFTBUFFER可以改为复数数组,简化运算。

血氧算法可进一步优化

血氧计算中使用了简单的比值法,可以参考更复杂的算法来提高精度,比如考虑LED功率补偿等。

添加参数配置接口

例如采样率、FFT长度、滤波参数等可以设计成可配置的,而不是硬编码的数字。这样可以更灵活地调整参数。

优化数据包发送流程

可以考虑使用FreeRTOS队列来缓存要发送的数据,发送任务从队列中获取数据。这可以避免直接在中断中发送造成的阻塞。

增加状态机管理

可以设计一个状态机来管理整个采集和处理的流程,例如初始化状态,检测状态,发送状态等。这可以使代码流程更清晰。

审核编辑：汤梓红