嵌入式系統是分層級的,分模塊的。

使用的硬件資源有：

IMU-IIC

采集-ADC

電源-ADC

外置接口-串口

主控部分使用ESP32-IDF進行開發，因為芯片寄存器較多，而且采集對的實時性有要求，所以選用freeRTOS，在滿足實時性的要求上程序的設計也會更簡單。

FreeRTOS任務設計

MAX30102采集任務:初始化IIC和MAX30102,在一個死循環里面以50Hz的頻率讀取紅外線和紅光傳感器的數據,進行簡單濾波后存入隊列。

MPU6050任務:初始化IIC和MPU6050,連續讀取Euler角,以20Hz的頻率進行更新,數據處理后存入隊列。

ADC采集任務:初始化ADC,以適當采樣頻率(例如100Hz)采集模擬通道電壓,發送到隊列。

串口發送任務:優先級最低,從隊列中讀取數據并打包發送。可以設置一定的數據緩存。

空閑任務:優先級最低,MCU睡眠時運行,用于切換低功耗模式。

數據同步

采用FreeRTOS的隊列和信號量機制進行任務間同步。信號量可用于指示隊列已滿或空。

給每個數據包添加采集時間戳,上位機可以根據時間戳重新同步。

也可以僅在串口發送任務中合并時間戳,不在各個采集任務中添加。

低功耗設計

利用調度器suspend/resume接口暫停任務實現睡眠喚醒。

DMA采集ADC數據,避免CPU占用。

使用內部PERIPH FIFO buffer,減少IIC任務調用。

串口使用DMA傳輸,CPU僅在發送完一個包后進行復位。

關閉不需要的外設時鐘。利用IDLE調度鉤子函數實現自動降頻。

模塊化設計

獨立通信模塊,內部封裝串口通信的復雜度。

采集核心模塊只輸出統一格式的采集數據。

模塊間使用統一的隊列/緩存接口進行數據交換。

這里給出采集的樣板任務

針對MAX30102的芯片，更多的技術細節是：首先配置傳感器工作在FIFO模式下然后周期性讀取FIFO，通過1024點的FFT變換得到頻域數據，然后選擇頻帶內的最高幅值為心率，通過對比兩個幅值的幅度計算出血氧飽和度。通過平均其他頻點的差值來標定兩個波長數據。

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));
}


// 血液檢測信息更新
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;
        // 將數據寫入fft輸入并清除輸出
        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++;
            }
        }
        // 信息更新標志位
        g_blooddata.update++;
    }
}
// 血液信息轉換
void blood_data_translate(void)
{
    // 緩沖區寫入結束
    if (g_fft_index >= FFT_N)
    {
        // 快速傅里葉變換
        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);
        }
        // 讀取峰值點 10-100帶通 頻率范圍30-292次/分鐘
        uint16_t s1_max_index = find_max_num_index(FFTBUF1, 100);
        uint16_t s2_max_index = find_max_num_index(FFTBUF2, 100);


        // 檢查HbO2和Hb的變化頻率是否一致
        if (s1_max_index == s2_max_index)
        {
            // 心率計算
            uint16_t Heart_Rate = 60 * SAMPLES_PER_SECOND *
                                  s2_max_index / FFT_N;
            g_blooddata.heart = Heart_Rate;
            // 血氧含量計算
            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;
            // 狀態正常
            g_blooddata.state = BLD_NORMAL;
        }
        else // 數據發生異常
        {
            g_blooddata.heart = 0;
            g_blooddata.SpO2 = 0;
            g_blooddata.state = BLD_ERROR;
        }


        g_fft_index = 0;
    }
}

因為PPG的數據處理是難點，以上給出一段處理代碼，但是還有優化的空間。

將采集數據和處理算法分離開來,降低耦合度

可以創建獨立的采集模塊和處理模塊,采集模塊專注獲取傳感器數據,處理模塊實現算法邏輯。兩者通過統一的數據結構進行交互。這可以提高代碼的模塊化和可維護性。

優化數據濾波方式

當前的平均濾波可以考慮改為滾動平均濾波,這樣可以加快數據更新的響應速度。同時可以引入一階IIR濾波來平滑數據。

優化FFT實現

可以考慮使用更優化的FFT庫,或者直接調用DSP庫的FFT函數,提高運算效率。當前的FFTBUFFER可以改為復數數組,簡化運算。

血氧算法可進一步優化

血氧計算中使用了簡單的比值法,可以參考更復雜的算法來提高精度,比如考慮LED功率補償等。

添加參數配置接口

例如采樣率、FFT長度、濾波參數等可以設計成可配置的,而不是硬編碼的數字。這樣可以更靈活地調整參數。

優化數據包發送流程

可以考慮使用FreeRTOS隊列來緩存要發送的數據,發送任務從隊列中獲取數據。這可以避免直接在中斷中發送造成的阻塞。

增加狀態機管理

可以設計一個狀態機來管理整個采集和處理的流程,例如初始化狀態,檢測狀態,發送狀態等。這可以使代碼流程更清晰。