基于三轴加速度与心率融合的低成本运动识别系统设计

简介：这份文档面向电子信息、生物医学工程等专业的学生与可穿戴设备开发者，围绕运动识别与生命体征监测的实际需求，给出了一套可落地的系统设计方案。内容以三轴加速度传感器ADXL345采集手腕加速度信号、经MATLAB分析识别散步、跑步、跳绳、羽毛球、骑单车等运动为主线，并结合MAX30100生物传感器采集心率等体征，配合STM32F103主控、蓝牙与SD卡存储模块，实现运动强度与身体状况的实时监测。文档还涵盖硬件总体框图、传感器接口电路、电源稳压设计及存储电路等细节，适合作为课程设计、毕业设计或穿戴式健康监测项目的参考蓝本。资源包共1个docx文件，大小约283KB，结构紧凑、便于查阅。目前已有187人学习，可帮助读者快速理解系统架构与器件选型思路，为自行搭建原型或撰写相关论文提供借鉴。

1. 手腕上的加速度：为什么单颗三轴传感器就能认出你在做什么

手腕上戴一颗三轴加速度传感器，采样率不高、成本不高、功耗也不高，却能区分散步、跑步、跳绳、羽毛球、骑单车这五种动作——这件事乍看有点反直觉。因为从信号角度看，手腕处的加速度是全身运动、手臂摆动、肌肉抖动、设备机械振动叠加后的混合物，毛刺极多，个体差异极大，同一个人做同一种动作两次都不会完全一样。如果按「先精确建模动作轨迹」的思路去做，这条路基本走不通。

真正让这件事成立的，是把问题从「还原动作」换成「提取动作的统计指纹」：不同运动在水平速度、竖直频率、极值分布上留下的痕迹是稳定可分的。这套系统值得搞懂的地方，不在于它用了什么传感器，而在于它如何用极低的硬件代价，把一段连续、含噪、因人而异的时间序列，压缩成几个能设定阈值的标量特征，再让这些特征与心率信号在时间轴上对齐，形成对运动强度的实时判断。下面从硬件选型一路拆到分类器的阈值逻辑。

2. 硬件链路：三根线、两颗芯片与一条 IIC 总线

2.1 为什么主控、传感器、存储都压在 3.3V 上

这套硬件的组成很克制：STM32F103 最小系统、ADXL345 加速度传感器、MAX30100 生物传感器、蓝牙模块、SD 卡存储，外加一块 5V 锂电池配 LM1117-3.3 稳压。所有负载统一吃 3.3V，这不是巧合，而是刻意的设计收敛。

穿戴设备最怕的是电源树复杂：多路电压意味着多颗稳压芯片、多组滤波、更多布板面积和更多失效点。把主控、两颗传感器、通信模块全部约束在 3.3V，电源模块就退化成「5V 进、3.3V 出」的单级 LDO 结构，稳定性反而更容易保证。LM1117-3.3 是线性稳压，效率不如开关电源，但在这种毫安级负载下，纹波小、外围只需滤波电容，对传感器模拟前端更友好——MAX30100 内部是低噪声模拟信号处理器，电源纹波会直接进光学测量链路，这一点在选型时不能只看效率数字。

提示：线性稳压的代价是压差全部变成热。5V 降到 3.3V、压差 1.7V，负载电流越大发热越明显，这也是为什么这类设计必须把传感器待机功耗压到可忽略的量级。

2.2 ADXL345 的接线为什么只要三根

ADXL345 与 STM32F103 之间只走三根线：SDA、SCL 和 3D INT 中断输出。前两根是 IIC 总线的数据线与时钟线，第三根让单片机能在数据就绪或触发事件时被中断唤醒，而不是靠轮询空转——这对低功耗穿戴设备是刚需。

选它而不是选模拟输出的加速度计，理由集中在几个参数上：13 位分辨率、±16g 量程、16 位二进制补码数字输出、支持 SPI（3/4 线）或 IIC。分辨率决定了能否分辨散步和跑步之间那种细微的幅度差；±16g 量程保证了跳绳落地、羽毛球挥拍这类冲击不会削顶饱和；数字输出则省掉了外部 ADC 和配套的模拟调理电路。本设计走 IIC，地址线 ADDR 接高电平，器件地址为 0x1D（不含最低位），因此写地址 0x3A、读地址 0x3B。

这里有个容易被忽略的工程细节：IIC 是总线结构，如果系统里其他芯片占用了 STM32 的同一组 IO，就不能同时通信，只能分时复用。三根线的代价是总线共享，收益是片上资源占用极小。原理图里那颗滤波电容不是装饰，它压的是电源上的高频噪声，直接关系到静态重力分量算得准不准。

2.3 MAX30100 靠什么把心率从手腕里「读」出来

心率模块选的是集成脉搏血氧测量与心脏监测的 MAX30100，内部包含两个发光二极管、一个光电探测器、优化过的光学器件和低噪声模拟信号处理器，原理是光体积容积法（PPG）：LED 发光穿透皮肤组织，血液搏动导致吸收量周期性变化，光电探测器把这种变化转成电流信号，再经内部处理输出脉搏与血氧数据。

它同样走 IIC，同样 3.3V 供电，支持软件关断，待机电流可忽略，因此可以长期保持电源连接而不拖垮续航。佩戴位置选手腕、手指、耳垂这类组织较薄的部位，是因为光要能穿透才有信号——手腕处信号弱于指尖，但对穿戴形态最友好，这是舒适性与信号质量之间的取舍。

2.4 SD 卡不是可有可无的配件

系统要把一段时间内的加速度数据和生理数据落盘，用途很明确：上传到计算机做分析、训练分类器。这意味着 SD 卡存储电路承担的是「数据采集闭环」的角色，而不是产品功能。没有它，分类器的阈值就只能拍脑袋定；有了它，才能拿真实佩戴数据去验证窗口长度、重叠率、阈值边界这些参数。很多穿戴类原型翻车，恰恰是因为跳过了这一步，直接拿实验室里摆拍的数据调参。

3. 预处理流水线：滤波、归一化、加窗各自在解决什么

3.1 卡尔曼滤波为什么同时用在加速度和脉搏上

手腕处的信号有两类噪声源：肌肉抖动和设备机械抖动。前者是生理性的，后者是结构性的，两者都会在加速度和脉搏信号上产生大量毛刺。系统对两种信号统一采用卡尔曼滤波去噪。

卡尔曼滤波的准则是最小均方根误差，计算思想是递推：用前一时刻的估计值加上当前时刻的观测值，算出当前时刻的最优估计。它不需要保存整段历史，只要维护状态估计和误差协方差，非常适合在资源受限的 MCU 上跑。对加速度信号，它压的是高频抖动；对脉搏信号，它压的是运动伪影带来的基线漂移。同一套递推框架能覆盖两种物理量，这是选它的现实理由——省一套算法、省一份代码空间。

常见的实现思路是：状态方程按匀速模型建，观测方程直接取传感器读数，过程噪声和观测噪声的协方差按实测噪声水平标定。这两个参数调不好，滤波要么过度平滑把跳绳的冲击峰值抹掉，要么几乎不起作用，属于典型的玄学参数，必须拿 SD 卡里录的真实数据反复试。

3.2 归一化到 [-1,1]：让一个分类器适配所有人

个体差异是运动识别最硬的问题：不同人做同一动作，幅度、速度都不同；同一个人不同次做，也不一样。如果不处理，分类器学到的其实是「某个人的动作幅度」，换个人就失效。

归一化把原始加速度幅度统一映射到 [-1,1]。这一步的本质是消除信号幅度对识别的影响，只保留波形形状和变化节奏。代价是丢失了绝对幅度信息——所以后续特征里必须保留「速度」这类带量纲的量，否则散步和跑步就分不开了。换句话说，归一化解决的是「个体差异」，而速度特征解决的是「运动强度差异」，两者分工明确，不能互相替代。

3.3 滑动窗口与 50% 重叠率

传感器持续采集，输入数据在时间域上很长，直接提特征计算量会爆。加窗把长信号切成等长片段，既缩短了单次处理长度，也把不同实验体之间信号长度不一致的问题固定下来。

常用两种切法：滑动窗口分割和动作窗口分割。动作窗口要求先知道一个完整动作的起止，适合周期性明确、节奏稳定的场景；本系统要识别五种时序各异的运动，动作边界根本切不准，所以选滑动窗口——按固定时间长度切，相邻窗口可重叠可不重叠。

本设计取 50% 重叠率。重叠的意义在于：窗口边界处的动作可能被切断，重叠让每个动作片段至少完整落在一个窗口里，避免边界效应拉低识别率。相关研究给出的经验值是 50% 效果最好，代价是计算量翻倍——每段数据被处理两次。这是一个典型的用算力换准确率的取舍，在离线分析阶段完全划算。

还有一处容易被漏掉的约束：为了同步监测生命体征，加速度和脉搏信号必须做同种加窗，保证两者在时间上对齐，后续才能做数据融合。如果两条链路窗口错位，就会出现「用跑步的心率去配散步的加速度」这种荒谬结论。

4. 特征与分类器：几个标量如何切开五种运动

4.1 特征选择是从动作差异反推出来的

可提取的加速度特征有上百种，但本系统只取滑动窗口内的平均值、最大值、最小值、最大频率。这不是偷懒，而是先分析动作差异再倒推特征：

• 散步与跑步的区别在水平速度和手臂摆动频率；
• 骑单车水平速度更快，但匀速骑行时几乎没有频率变化；
• 跳绳水平速度接近 0，频率快且几乎不变；
• 羽毛球有短暂静止（速度为 0），挥拍时频率快。

对应公式为：平均值、最大值、最小值、最大频率。平均值刻画整体强度，极值刻画冲击与静止，最大频率刻画节奏。四个标量就能把这五种运动在特征空间里拉开距离，这是「特征要服务于分类边界」的典型做法——不是特征越多越好，而是每个特征都要对应一条可判定的差异。

4.2 多层阈值分类器的判定顺序

分类器用的是基于多层阈值的方法，本质是一棵手工构造的决策树，节点是特征阈值，叶子是运动类型。判定顺序如下：

# 多层阈值分类器：输入为单个滑动窗口的特征 def classify(mean_horizontal, max_freq_vertical): # 第一层：水平方向平均速度切分三种位移类运动 if mean_horizontal < 7: return "walking" # 散步：低速 elif mean_horizontal < 15: return "running" # 跑步：中速 else: # 第二层：高速段再按竖直频率区分骑车与跳绳 if max_freq_vertical > FREQ_THRESHOLD: return "jump_rope" # 跳绳：频率快且稳定 else: return "cycling" # 骑车：频率几乎无变化

第一层用水平平均速度设两个阈值：小于 7 判散步，7 到 15 判跑步，大于 15 判骑车。第二层在高速区间用竖直方向运动频率区分跳绳与骑车。羽毛球则依赖「短暂静止 + 挥拍高频」的组合特征单独判定。

这套逻辑的好处是可解释、易实现、算力极低，在 MCU 上几乎零开销；坏处是阈值靠人工标定，换佩戴位置或换人群就要重调。参数说明上，7 和 15 这两个速度阈值不是物理单位下的普适常数，而是特定采样与归一化流程下的经验分界，改动采样率或窗口长度后必须重新标定，否则整棵树都会错位。

4.3 心率与运动强度如何合成身体状况判断

识别出运动状态后，系统把当前心率与该运动对应的合理心率区间比对，超出范围就输出预警。不同运动对应不同的心率范围，这是把运动学与生理学知识编码进判定逻辑的做法：同样 120 的心率，在散步状态下偏高，在跑步状态下正常。

这里的关键设计是「运动状态作为心率的上下文」。单看心率数值无法判断是否异常，必须知道人此刻在做什么。这也是为什么前面反复强调两条信号链路要时间对齐——融合的前提是对齐，对齐的前提是同种加窗。

5. 避坑与排查：这套链路最容易翻车的五个地方

5.1 加速度削顶饱和，跳绳被误判成骑车

现象：跳绳数据在特征上表现为速度偏高，分类器稳定输出骑车。原因：跳绳落地冲击瞬时加速度可能超过量程上限，波形被削平，平均值被抬高。解决：确认量程配置留足余量（±16g 的意义就在这里），并在预处理阶段检查原始数据是否存在连续贴顶的采样点，有就先降幅度或换佩戴松紧度。

5.2 归一化后散步与跑步分不开

现象：归一化做完，两类运动的波形几乎重合，分类器失效。原因：归一化把幅度信息抹掉了，而散步与跑步的核心差异恰恰在速度幅度上。解决：归一化只用于稳定波形形状，速度类特征必须从归一化之前的原始数据计算，两条数据通路要分开维护。

5.3 窗口重叠率改了，阈值全部失准

现象：把重叠率从 50% 调到 0 或 75%，原本好用的 7 和 15 两个阈值开始大量误判。原因：重叠率改变了单位时间内窗口数量与边界采样分布，特征统计量随之漂移。解决：阈值必须与窗口长度、重叠率绑定成一组参数一起标定，任何一项改动都要用 SD 卡录制的数据重新跑一遍分布。

5.4 心率与加速度时间错位

现象：预警频繁误报，明明在散步却报心率过高。原因：两条链路加窗不同步，融合时把不同时刻的数据配到了一起。解决：统一窗口长度与起始时刻，在数据落盘时就打上同一时间戳，融合前先做对齐校验。

5.5 IIC 地址或总线冲突导致传感器读不到数

现象：初始化正常但读回全 0 或固定值。原因：ADDR 接高电平对应地址 0x1D，写 0x3A、读 0x3B，地址配错或总线上其他器件占用同一组 IO 都会导致通信失败。解决：先用单器件最小系统验证读写，再逐步并入总线；共享 IO 时严格分时复用，避免同时发起通信。

6. 手工阈值与机器学习的取舍：这套方案的天花板在哪

这套系统的分类器是手工多层阈值，而不是训练出来的模型。放在今天看，很多人第一反应是「为什么不用 SVM 或神经网络」。但把设计约束摆出来，这个选择是自洽的：主控是 STM32F103，算力和内存都紧，阈值判定几乎零开销；五种运动差异明确，特征空间可分，复杂模型带来的边际收益有限；更重要的是，阈值逻辑可解释，出问题时能直接定位到是哪一层判错，而黑匣子模型在穿戴设备上排查成本极高。

它的天花板也很清楚。第一，阈值是人群和佩戴位置相关的经验值，换一批受试者或换到另一只手腕，分布就会漂移，需要重新标定。第二，多层阈值本质是轴对齐的切分，遇到特征空间里斜向分布的类别就切不干净，比如快走与慢跑的边界地带。第三，特征只有四个标量，信息压缩得太狠，对过渡态动作（起步、停下、换动作）识别会抖动。

如果要往上走，常见的路径是把 SD 卡采集的真实数据做成带标签数据集，用滑动窗口特征训练一个轻量分类器，再量化部署回 MCU；或者保留阈值框架做粗分类，用一个小模型只处理边界样本。但无论走哪条路，预处理流水线——卡尔曼去噪、归一化、50% 重叠加窗、双链路时间对齐——都不会变，因为那是信号层面的地基，换模型换不掉。

我自己的血泪经验是：这类穿戴原型最容易被低估的不是算法，而是数据采集闭环。没有 SD 卡里那批真实佩戴数据，阈值就是拍脑袋，滤波参数就是玄学，任何「识别率较高」的说法都站不住。从那以后我每次碰这类项目，都强制先把落盘链路和双信号时间戳跑通，再去谈分类器——希望帮到你。

本文还有配套的精品资源，点击获取