电子脉搏计设计全解析：从PPG原理到心率算法实现

1. 项目概述：从“数脉搏”到“读健康”的电子化跃迁

“脉搏”，这个我们从小就知道的生命体征，在传统认知里就是“一分钟跳多少下”。但如果你亲手设计过一个电子脉搏计，你就会发现，这简单的几下跳动背后，藏着海量的生理信息。我这次要聊的“电子脉搏计设计”，远不止是做一个能数数的电子表。它本质上是一个集成了光学传感、信号处理、算法分析和人机交互的微型生物医学电子系统。它的核心目标，是把手指尖或手腕上那微弱的光电容积脉搏波信号，精准地提取出来，并从中计算出心率、甚至分析心率变异性等更深层的健康指标。

这玩意儿适合谁？如果你是电子工程、生物医学工程专业的学生，想做一个硬核的毕业设计；如果你是创客或硬件爱好者，对可穿戴健康设备感兴趣，想从原理层搞懂智能手环/手表的心率监测是怎么实现的；或者你是一位产品经理，需要评估这类传感器的技术边界和用户体验——那么，这次从传感器选型、电路设计、信号处理到算法实现的完整拆解，应该能给你提供一个清晰的路线图。我们不止步于让LED闪、让屏幕显示数字，而是要深入探讨如何让这个数字更可靠、更有用。毕竟，在健康监测领域，数据的准确性直接决定了设备的可信度。

2. 核心设计思路与方案选型

设计一个电子脉搏计，首先得想明白我们要测的是什么，以及用什么方法测最靠谱。这决定了整个项目的技术架构和元器件选型。

2.1 测量原理：为什么是光电容积脉搏波描记法？

目前主流的非侵入式心率测量，尤其是可穿戴设备，几乎清一色采用了光电容积脉搏波描记法。听上去很学术，原理其实很直观。我们的血液是红色的，因为它对绿光（波长约550nm）的吸收率最强，而对红光和红外光的反射/透射率较高。PPG就是利用这个特性：用特定波长的LED照射皮肤（通常是手指尖、耳垂或手腕），然后用一个光电探测器接收反射或透射回来的光强。

当心脏收缩时，动脉血管扩张，血流量增加，吸收的光就多，探测器接收到的光强就弱；心脏舒张时则相反。于是，探测器输出的电信号就会随着心跳节律呈周期性波动，这个波动信号就是PPG信号。我们的核心任务，就是把这个淹没在噪声中的微弱周期信号“揪”出来。

注意：为什么不用心电图？ECG确实更精准，是临床金标准，但它需要多点电极接触，用户体验差，不适合持续、便捷的监测。PPG方案单点接触、易于集成，是消费级设备的绝对主流。我们的设计也围绕PPG展开。

2.2 系统架构总览：信号是如何流转的？

一个完整的电子脉搏计，其信号链可以清晰地划分为以下几个阶段：

1. 传感与采集前端：LED驱动电路 + 光电探测器（如光电二极管/光电晶体管）及其前置放大电路。这里是信号的源头，决定了信噪比的基础。
2. 模拟信号调理：对前端采集到的微弱信号进行放大、滤波（去除高频噪声和工频干扰）、可能包含模数转换。
3. 数字处理核心：微控制器负责ADC采样（如果前级是模拟输出）、运行数字滤波算法（如带通滤波）、进行峰值检测和心率计算算法。
4. 人机交互与输出：OLED/LCD屏幕显示心率数值，可能包含蓝牙模块将数据上传到手机APP进行进一步分析和记录。

2.3 关键方案选型与权衡

传感器选型：光电二极管 vs. 光电晶体管这是第一个关键决策点。两者都能将光信号转换为电流信号，但特性不同。

• 光电二极管：响应速度快，线性度好，噪声低，但产生的光电流非常小（通常为nA级），需要配合精密的跨阻放大器。适合对信号质量要求极高、电路设计能力强的项目。
• 光电晶体管：灵敏度高，输出电流大（可达mA级），相当于内置了一个放大级，电路设计简单，直接接一个负载电阻就能得到较大的电压信号。但响应速度稍慢，线性度和温度稳定性不如光电二极管。

对于入门和大多数应用场景，我强烈建议从光电晶体管开始。它极大地降低了前置放大电路的设计难度和噪声控制要求，让你能更专注于后面的信号处理算法。常见的型号如PT331C，对红光敏感，价格低廉，易于获取。

光源选型：波长与驱动方式

• 波长：绿光（~550nm）因其被血液吸收最强，信噪比通常最高，是目前智能手环的标配。红光（~660nm）和红外光（~880nm）穿透能力更强，适用于手腕等组织较厚的部位，但信噪比相对较低。对于指夹式设计，绿光是优选。
• 驱动：绝不能直接将LED接到MCU的IO口上简单点亮。为了获得稳定的光强并降低功耗，需要采用恒流驱动。一个简单的方案是使用一个三极管或MOSFET，由MCU的PWM信号控制，通过调节PWM占空比来调节LED亮度，实现自动增益控制。

主控MCU选型：性能与资源的平衡你需要一个至少带有一路ADC（用于采样模拟信号）和足够计算能力的MCU。常见的候选有：

• STM32F103C8T6（蓝色药丸）：ARM Cortex-M3内核，资源丰富，有12位ADC，性能强劲，适合实现复杂的数字滤波算法（如IIR滤波）和心率变异性分析。但开发环境稍复杂。
• Arduino Uno（ATmega328P）：生态完善，入门简单。但其10位ADC精度和有限的RAM/Flash，在处理高质量PPG信号和复杂算法时可能捉襟见肘。
• ESP32：双核，主频高，自带蓝牙和Wi-Fi，非常适合做物联网健康设备。其ADC精度虽一般，但强大的处理能力可以运行更高级的算法来补偿。

我的建议是：如果纯粹学习PPG信号处理流程，Arduino Uno够用。但如果想做出接近商用产品水准、能稳定输出心率值的设计，STM32系列是更专业的选择。它为你提供了处理原始信号、实施降噪算法的充足算力。

3. 硬件电路设计详解与实操要点

理论清楚了，我们开始动手画电路图。这是将想法变为现实的第一步，也是决定项目成败的基础。

3.1 光电传感前端电路设计

这是整个系统最敏感、最易受干扰的部分。我们以光电晶体管为例，设计一个稳健的采集电路。

基本共发射极放大电路：

Vcc (3.3V/5V) | [Rc] (负载电阻， 例如 10kΩ) | |-----> Vout (输出信号，送至后续电路) | 光电晶体管集电极(C) | 光电晶体管发射极(E) | GND

• 原理：光电晶体管无光照时，CE间截止，Vout ≈ Vcc。有光照时，产生光电流，CE间导通，Vout = Vcc - Ic * Rc。随着光强周期性变化，Vout便产生对应的电压波动。
• Rc取值计算：这是一个权衡。Rc越大，同样的光电流产生的电压变化越大（增益高），但电路响应速度会变慢（因为寄生电容充电时间常数τ=RcC）。对于心率信号（主要能量在0.5Hz ~ 5Hz），10kΩ是一个不错的起点。你可以用公式估算：假设光电晶体管最大光电流Ic_max为1mA，Vcc=5V，那么Vout最小约为5V - 1mA10kΩ = -5V（显然不可能，实际会饱和在接近0V）。这说明在强光下会饱和，因此需要后续调节LED亮度或Rc值。

加入隔直与放大电路：PPG信号是交流小信号叠加在一个很大的直流分量上（由环境光和静态血流造成）。我们需要用耦合电容隔掉直流，再用运放放大交流信号。

1. 隔直电容：在Vout后串联一个电容C1（如1uF~10uF）到后续运放的同相输入端。这个电容和运放输入电阻构成高通滤波器，截止频率f=1/(2πRC)。要确保f远低于心率频率（如0.1Hz），否则会滤掉有用的低频信号。
2. 同相放大电路：使用一颗低噪声、低偏置电流的运放，如MCP6002（轨到轨，低成本）。设计一个增益为100倍左右的同相放大电路。增益Av = 1 + Rf/Rg。例如，Rg=1kΩ， Rf=100kΩ，则Av=101。
3. 二级滤波：在放大电路后，可以加入一个由运放构成的有源带通滤波器。中心频率设在1-2Hz附近，带宽覆盖0.5-5Hz，以极大抑制工频干扰（50/60Hz）和高频噪声。

实操心得：在面包板上搭建这个模拟前端时，噪声会非常大。务必使用短而粗的导线，尽量将光电传感器、LED、运放电路集中在一个小区域，并远离MCU等数字电路。电源一定要用线性稳压器（如AMS1117）并加上去耦电容（0.1uF陶瓷电容并接10uF电解电容），数字电源和模拟电源最好用磁珠隔离。这是我从无数个毛刺信号中得出的血泪教训。

3.2 LED恒流驱动电路设计

简单的限流电阻法不靠谱，因为电源电压波动会导致LED亮度变化。一个由PWM控制的恒流源是更优解。

MCU_PWM引脚 -> [R1] -> NPN三极管基极(B) | NPN三极管集电极(C) -> LED阳极 -> [R_sense] -> GND | GND

• 原理：R_sense是采样电阻。当PWM为高时，三极管导通，LED电流 I_LED ≈ (Vbe - Vce_sat) / R_sense。由于Vbe相对稳定，电流主要由R_sense决定，实现了恒流。PWM的占空比控制了平均电流，从而调节亮度。
• 参数选择：假设LED工作电流20mA，压降2V，Vcc=5V。则R_sense两端电压约0.6V（硅三极管Vbe），R_sense = 0.6V / 0.02A = 30Ω。三极管可选常见的S8050。R1用于限流，可取1kΩ。

3.3 电源与PCB布局注意事项

• 电源分离：如果使用同一电源，务必为模拟部分（传感器、运放）和数字部分（MCU、屏幕）分别布置电源走线，并在源头处用磁珠或0Ω电阻单点连接。
• 地平面：尽量使用完整的接地平面，为信号提供低阻抗回流路径。
• 传感器布局：LED和光电探测器要紧贴在一起，并设计一个遮光结构（可以用黑色热缩管或3D打印外壳），防止环境光直射探测器。两者之间最好有物理隔断，防止LED光直接泄漏到探测器。

4. 软件算法实现：从噪声中提取心跳

硬件采集到的信号是模拟的、充满噪声的。真正的魔法发生在软件算法里。这里以STM32配合标准库或HAL库为例，讲解核心流程。

4.1 数据采集与预处理

首先，我们需要用MCU的ADC以一定频率（采样率）读取模拟信号。

// 示例：STM32 HAL库 ADC DMA采样 #define SAMPLE_RATE 100 // 采样率 100Hz #define BUFFER_SIZE 200 // 缓冲区大小 uint16_t adc_buffer[BUFFER_SIZE]; float ppg_signal[BUFFER_SIZE]; // 转换为浮点数方便处理 void ADC_Init() { // 配置ADC为连续扫描模式，使用DMA，采样率设置为100Hz // ... HAL_ADC_Start_DMA(&hadc1, (uint32_t*)adc_buffer, BUFFER_SIZE); } // 在DMA完成中断或主循环中处理 void Process_PPG_Data() { for(int i=0; i<BUFFER_SIZE; i++) { ppg_signal[i] = (float)adc_buffer[i] * 3.3f / 4095.0f; // 假设12位ADC，3.3V参考 } // 接下来进行数字滤波 }

采样率选择：根据奈奎斯特定理，要无失真还原信号，采样率至少是信号最高频率的2倍。心率信号主要成分在5Hz以下，但为了滤除工频干扰（50Hz），我们需要保留一定的频率余量。100Hz的采样率是一个安全且常用的选择。

4.2 数字滤波算法实现

ADC得到的原始信号包含直流偏置、低频漂移、工频干扰和高频噪声。我们需要一个数字带通滤波器。 一个简单有效的方法是使用IIR带通滤波器。我们可以直接利用Matlab的fdatool或Python的scipy.signal设计一个巴特沃斯或切比雪夫带通滤波器，导出其系数，然后在MCU中实现。

这里给出一个二阶IIR滤波器的直接II型实现（双二阶滤波器），它计算效率高，数值稳定。

typedef struct { float b0, b1, b2, a1, a2; // 滤波器系数 float x1, x2, y1, y2; // 延迟单元 } BiquadFilter; void BiquadFilter_Init(BiquadFilter* f, float b0, float b1, float b2, float a1, float a2) { f->b0 = b0; f->b1 = b1; f->b2 = b2; f->a1 = a1; f->a2 = a2; f->x1 = f->x2 = f->y1 = f->y2 = 0.0f; } float BiquadFilter_Process(BiquadFilter* f, float input) { float output = f->b0 * input + f->b1 * f->x1 + f->b2 * f->x2 - f->a1 * f->y1 - f->a2 * f->y2; // 更新延迟单元 f->x2 = f->x1; f->x1 = input; f->y2 = f->y1; f->y1 = output; return output; } // 主循环中调用 BiquadFilter bp_filter; // 假设系数已从工具导出并初始化 for(int i=0; i<BUFFER_SIZE; i++) { ppg_signal[i] = BiquadFilter_Process(&bp_filter, ppg_signal[i]); }

滤波器设计目标：带通频率0.5Hz - 5Hz。这样既能去除呼吸引起的低频漂移（<0.5Hz），又能抑制工频和高频噪声（>5Hz）。

4.3 心率计算算法：峰值检测与动态阈值

滤波后的信号是一个相对干净的周期性波形。检测其峰值间隔即可计算瞬时心率。

#define MIN_PEAK_INTERVAL_MS 300 // 对应最大心率200bpm #define MAX_PEAK_INTERVAL_MS 2000 // 对应最小心率30bpm float last_peak_value = 0.0f; uint32_t last_peak_time_ms = 0; uint32_t current_time_ms = 0; float threshold = 0.5f; // 初始阈值，需要动态调整 float heart_rate = 0.0f; void Detect_Peak(float sample, uint32_t timestamp_ms) { // 1. 动态更新阈值：可以使用信号平均值的比例，或自适应算法 // 简单方法：阈值 = 前N个峰值的平均值 * 系数 (如0.7) static float recent_peaks[5] = {0}; static int peak_index = 0; // 2. 峰值检测条件 if (sample > threshold && sample > last_peak_value) { // 可能是上升沿，更新临时最大值 last_peak_value = sample; } else if (last_peak_value > 0 && sample < threshold) { // 穿过阈值下降，确认一个峰值 uint32_t interval = timestamp_ms - last_peak_time_ms; if (interval > MIN_PEAK_INTERVAL_MS && interval < MAX_PEAK_INTERVAL_MS) { // 有效心跳间隔 heart_rate = 60000.0f / (float)interval; // 计算心率 (bpm) // 更新动态阈值 recent_peaks[peak_index] = last_peak_value; peak_index = (peak_index + 1) % 5; float avg_peak = 0; for(int i=0; i<5; i++) avg_peak += recent_peaks[i]; avg_peak /= 5.0f; threshold = avg_peak * 0.7f; // 阈值为平均峰值的70% // 更新状态 last_peak_time_ms = timestamp_ms; // 此处可以输出或显示 heart_rate } last_peak_value = 0.0f; // 重置 } }

这个算法包含了动态阈值，这对于应对信号幅度因接触压力、血液循环变化而波动至关重要。静态阈值在信号变弱时会完全失效。

4.4 信号质量评估与抗运动干扰

上述算法在静止状态下效果不错，但一旦手部移动，就会引入巨大的运动伪影，导致算法崩溃。这是消费级PPG设备最大的挑战。

• 初步对策：加入一个简单的信号质量指数。例如，计算最近一段时间信号的方差或峰峰值，如果方差过大，则认为信号质量差，暂停心率显示或提示用户保持静止。
• 进阶方案：使用多路信号。例如，使用两个不同波长的LED（如绿光和红光），因为运动伪影对不同波长的影响是相似的，而对血液吸收的影响不同。通过算法（如自适应滤波）可以从混合信号中分离出心跳成分。但这需要更强大的MCU和复杂的算法，如盲源分离或经验模态分解，已超出基础设计范畴，但这是产品化的必经之路。

5. 系统集成、调试与优化实录

把硬件和软件组合起来，才是真正的挑战开始。这个阶段你会遇到各种意想不到的问题。

5.1 上电调试流程

1. 分模块测试：

   • 先不接MCU，用示波器观察光电前端电路的输出。用手指轻轻按住传感器，你应该能看到一个随着心跳起伏的波形（可能需要调节LED亮度或运放增益才能明显看到）。如果看不到，检查LED是否亮、光电管是否接反、电源是否稳定。
   • 单独测试LED驱动电路，用MCU输出一个固定占空比的PWM，用万用表测量LED电流是否符合设计。
   • 单独测试MCU的ADC采样，输入一个已知电压（如分压得到的1.65V），看采样值是否正确。

2. 联调信号链：

   • 将前端输出接入MCU ADC，以固定的采样率读取数据，并通过串口打印到电脑（或通过SWD接口实时查看内存）。
   • 在电脑端用Python（matplotlib）或串口绘图工具绘制波形。此时你应该能看到原始的、噪声很大的PPG波形。

3. 算法验证：

   • 先在电脑上用Python实现相同的滤波和峰值检测算法，对录制的一段串口数据离线处理。这能快速验证算法逻辑是否正确，避免在MCU上盲目调试。
   • 算法在PC上验证通过后，再移植到MCU中。可以先在MCU中处理数据，然后将处理后的数据、检测到的峰值点时间戳通过串口发回PC，在PC上同步绘制原始波形、滤波后波形和标记的峰值点，直观判断算法效果。

5.2 常见问题与排查技巧

下面这个表格是我在调试过程中遇到的一些典型问题及解决方法，希望能帮你少走弯路。

5.3 性能优化与扩展思考

当基础功能稳定后，可以考虑以下优化和扩展方向，这能让你的设计从“课程设计”级别提升到“产品原型”级别：

1. 自动增益控制：实时监测信号的交流分量幅度，如果太小则增加LED亮度，如果饱和或太大则降低亮度。这能显著提升对不同用户和佩戴状态的适应性。
2. 低功耗设计：心率计算不是每时每刻都需要。可以设计为每秒只工作200毫秒（快速采样计算），其余时间MCU和传感器进入休眠模式。这对于电池供电设备至关重要。
3. 心率变异性分析：HRV是评估自主神经功能的重要指标。在稳定获取心率间期序列后，可以在MCU或上传手机后计算SDNN、RMSSD等时域指标，或进行频域分析。这需要更高精度的计时和更复杂的算法。
4. 血氧饱和度估算：这是智能手环的另一个核心功能。原理是同时使用红光（660nm）和红外光（880nm）LED，因为氧合血红蛋白和脱氧血红蛋白对这两种光的吸收率不同。通过计算两种光PPG信号的交流/直流分量比值，可以估算血氧值。这需要双路光源驱动和分时采样或双路ADC。

从一颗LED、一个光电管开始，到最终在屏幕上稳定地显示出跟随你心跳变化的数字，这个过程充满了挑战，也极具成就感。它迫使你同时考虑模拟电路的精妙、数字信号的噪点、软件算法的鲁棒性以及人体生理的复杂性。每一次波形在示波器上变得清晰，每一次算法成功锁住一个心跳峰值，都是对所有这些跨学科知识的一次成功验证。这个项目最宝贵的产出，可能不是那个最终的心率数字，而是你在调试中培养出的系统性工程思维和解决实际问题的能力。