EEPW论坛

Let'sdo2025年第2期—智能手环DIY成果贴 Featherboard 健康监测系统开发

源代码：FTHR_I2C.zip     

一、项目概述

本项目基于 Maxim MAX78000FTHR 开发板，利用 MaximMicrosSDK 和 VSCode 开发环境，实现了一个集成 RGB 灯控制、OLED 信息显示、MAX30102 心率血氧监测及 RTC 时间显示的健康监测系统。系统通过按键交互实现菜单导航，可在不同功能界面间切换，具备良好的用户交互体验。

核心功能

• RGB LED 颜色循环显示

• OLED 屏幕信息展示

• MAX30102 传感器数据采集与健康参数计算

• 实时时钟 (RTC) 显示功能

• 菜单交互系统

二、系统设计

• 微控制器与外设连接：

• RGB LED：通过 I2C 接口连接到 PMIC (MAX20303)，地址 0x28

• OLED 屏 (SSD1306)：通过 I2C 接口连接，地址 0x3C

• MAX30102 传感器：通过 I2C 接口连接，用于采集心率和血氧数据

• 按键 (SW1-SW2)：连接到 GPIO 引脚，实现菜单控制

• RTC：使用芯片内部实时时钟模块

• 关键引脚定义：

// 按键引脚定义
#define SW1_PORT MXC_GPIO0
#define SW1_PIN  8
#define SW2_PORT MXC_GPIO0
#define SW2_PIN  6
 
// I2C配置
#define I2C_FREQ        100000    // I2C通信频率100kHz

三、开发环境搭建

软件环境及配置，按照刘工的指导下载了SDK并使用Vscode进行开发，这里就不再详细描述。

• 开发工具：Visual Studio Code

• SDK：Analog Devices MSDK (Maxim Micros      SDK)

四、软件实现

在 VSCode 中打开FTHR_I2C 的demo项目文件夹，这个项目用I2C实现了RGB灯的闪烁功能，再此基础上完成项目要求的全部基础任务及进阶任务：增加菜单制作，增加 RTC 时间的显示

1. 核心功能实现

(1) RGB LED 控制

通过I2C控制 PMIC 芯片驱动蓝绿红三色 RGB LED，实现 8 种颜色循环显示：

void SetLEDs(int state) {
    int error;
    mxc_i2c_req_t reqMaster;
    reqMaster.i2c = PMIC_I2C;
    reqMaster.addr = PMIC_SLAVE_ADDR;
    reqMaster.tx_buf = tx_buf;
    reqMaster.tx_len = LED_SET_LEN;
    reqMaster.rx_buf = NULL;
    reqMaster.rx_len = 0;
    reqMaster.restart = 0;
 
    tx_buf[0] = LED_SET_REG_ADDR;
    tx_buf[1] = (uint8_t)((state & PMIC_LED_BLUE) << 5);
    tx_buf[2] = (uint8_t)((state & PMIC_LED_RED) << 4);
    tx_buf[3] = (uint8_t)((state & PMIC_LED_GREEN) << 3);
 
    if ((error = MXC_I2C_MasterTransaction(&reqMaster)) != 0) {
        printf("Error writing to PMIC: %d\n", error);
        MXC_I2C_Stop(PMIC_I2C);  // 出错释放总线
       // while (1) {}
    }
    MXC_I2C_Stop(PMIC_I2C);  // 正常后释放总线
}
SetLEDs(i);
i = (i + 1) % 8;

(2) OLED 显示功能

调用以前SSD1306相关函数实现字符显示、清屏、等基础功能，并用于菜单和数据展示：

(3) MAX30102 传感器数据处理

采集传感器数据并计算心率和血氧值：根据手册在该网站下载MAXREFDES117的软件包，包含了MAX30102相关驱动及心率与血氧的算法：

https://developer.mbed.org/teams/Maxim-Integrated/code/RD117_MBED/；

具体方法如下：

1. 心率检测：利用血液流动时血管容积变化对光的吸收差异（PPG 信号），通过检测信号峰值间隔计算心率。

2. 血氧饱和度（SpO₂）检测：基于氧合血红蛋白（HbO₂）和脱氧血红蛋白（Hb）对红光（660nm）和红外光（940nm）的吸收特性差异，通过计算两种光信号的比值估算 SpO₂。

   算法流程

1. 数据采集与预处理

• 数据采集：通过 MAX30102 传感器同步采集红光和红外光信号，每组采样包含 500 个数据点（BUFFER_SIZE = FS * 5，采样率FS = 100Hz，即 5 秒数据），存储在aun_red_buffer（红光）和aun_ir_buffer（红外光）中。

• 滑动窗口更新：为保证实时性，采用滑动窗口机制：每秒执行一次，每次保留前 400 个历史数据，新增 100 个最新数据（get_data_show函数），始终维持 500 个数据点用于计算。

2. 信号预处理

• 滤波与降噪：代码中定义了汉明窗（HAMMING_SIZE = 5），用于对原始信号进行平滑处理，减少高频噪声干扰。

• 极值归一化：计算信号的最大值（un_max）和最小值（un_min），通过(信号值 - 最小值)/(最大值 - 最小值)归一化处理，突出脉搏波动的 AC 分量（动态变化部分），抑制 DC 分量（静息组织吸收的恒定部分）。

3. 心率计算

• 峰值检测：通过maxim_find_peaks系列函数（maxim_peaks_above_min_height、maxim_remove_close_peaks）检测 PPG 信号中的峰值（对应心脏收缩期），筛选出高度足够、间隔合理的有效峰值。

• 心率计算：根据峰值间隔时间（单位：秒），通过公式心率 = 60 / 峰值间隔计算。例如，若峰值间隔为 1 秒，心率为 60 BPM。代码中通过maxim_sort_indices_descend对峰值排序，确保结果稳定性。

4. 血氧饱和度（SpO₂）计算

• 比值计算：利用红光和红外光 AC 分量的比值（Ratio = AC_red / AC_ir），其中 AC 分量为信号动态波动部分（剔除 DC 分量后的变化量）。

• 查找表映射：代码中注释提到预计算的uch_spo2_table查找表，该表基于经验公式-45.060*Ratio²      + 30.354*Ratio + 94.845生成，通过计算得到的Ratio值查表直接获取 SpO₂。

5. 有效性验证

• 算法通过ch_hr_valid和ch_spo2_valid标志位判断结果有效性（1 为有效，0 为无效）。例如，心率需在 30-250 BPM 范围内，SpO₂需在 70-100% 范围内，且峰值间隔需稳定（排除噪声导致的错误峰值）。

代码核心函数

• maxim_heart_rate_and_oxygen_saturation：算法入口函数，输入红外和红光数据缓冲区，输出心率、SpO₂及有效性标志。

• maxim_find_peaks：峰值检测核心函数，筛选符合条件的信号峰值。

• get_data_show：数据更新与计算接口，通过滑动窗口更新数据并调用核心算法，返回最终心率和 SpO₂值。

该算法通过硬件采集与软件信号处理结合，实现了心率和血氧的实时监测，兼顾精度与实时性，适用于便携式健康监测设备。

(4) RTC 实时时钟

初始化并获取实时时间，实现时间时分秒显示功能：

(5) 菜单系统

通过按键实现菜单导航，支持主菜单、按下SW1进入时间显示菜单、按下SW2进入心率监测菜单实现界面切换：

五、总结与展望

本项目成功实现了基于 MAX78000FTHR 开发板的健康监测系统，集成了 RGB 灯控制、OLED 显示、心率血氧监测和 RTC 时间显示等功能。通过菜单系统实现了良好的用户交互，各项功能运行稳定。

通过本项目，深入掌握了 MaximMicrosSDK 的使用方法，熟悉了 I2C 外设驱动开发和嵌入式系统菜单设计，为后续更复杂的嵌入式应用开发奠定了基础。

未来展望：利用了 MAX78000 的 NPU 硬件加速能力，将传统生理信号采集升级为智能健康监测。

AI8x Model Zoo 是 Maxim Integrated / Analog Devices 提供的神经网络模型库，适配 MAX78000、MAX78002 等 AI 微控制器。它包含了 ECG 信号分类模型，这个模型的作用是：

• 识别 ECG（心电图）波形中的节律异常或类别（如正常、房颤、早搏等）。

• 可直接部署到 MAX78000 的 NPU（Neural Processing Unit） 上进行推理。

• 模型输入为处理后的 ECG 信号片段（一般经过滤波和分段），输出为类别概率。

  该模型主要是 心电信号分类（electrical activity analysis），而非 PPG（光电容积脉搏波）信号分析，但架构和部署流程类似。

  如果要做 PPG-based 心率/血氧或情绪监测，可以以此为模板重新训练模型。将 PPG 波形片段（红光/红外通道）输入网络，用分类或回归方式输出心率或血氧值。

  将基于 MAX78000 NPU 的 ECG 模型结构，改造成适合 PPG 智能检测（心率+血氧+异常识别） 的模型，后续完成完整迁移与训练方案（含数据准备、量化、AI8x SDK 转换与部署流程）。