用STM32F103C8T6和MAX30102做个心率血氧仪，OLED显示数据，代码全开源

从零打造开源心率血氧仪：STM32F103C8T6与MAX30102实战指南

在健康监测设备日益普及的今天，自己动手制作一款精准可靠的心率血氧仪不仅能够满足个人健康监测需求，更是电子爱好者提升嵌入式开发技能的绝佳项目。本文将带你完整实现基于STM32F103C8T6和MAX30102传感器的便携式监测设备，通过OLED实时显示数据，所有代码完全开源。不同于简单的代码展示，我们将重点关注实际制作中的关键技巧和常见问题解决方案。

1. 项目核心组件选型与原理

1.1 硬件选型策略

选择STM32F103C8T6作为主控芯片主要基于以下考量：

• 性价比突出：Cortex-M3内核，72MHz主频，20KB RAM完全满足数据处理需求
• 丰富外设：内置I2C接口可直接连接传感器，GPIO数量充足
• 开发生态完善：STM32CubeMX+Keil/HAL库组合大幅降低开发门槛

MAX30102传感器模块的独特优势：

// 典型工作参数配置 #define LED_PULSE_AMPLITUDE 0x1F // 红光LED电流设置(0-255) #define SAMPLE_AVERAGING 0x03 // 采样平均次数 #define FIFO_ROLLOVER_EN 0x01 // FIFO溢出控制

关键参数对比表：

注意：MAX30102的I2C地址默认为0x57，若使用多个I2C设备需注意地址分配

1.2 光电容积图(PPG)原理详解

PPG技术通过检测组织微血管床的血容量变化来工作：

1. LED发射660nm(红光)和880nm(红外光)两种波长
2. 光电二极管接收反射光信号
3. 动脉搏动引起的光吸收变化被转换为电信号

信号处理流程：

• 原始信号 → 直流滤波 → 交流放大 → 算法处理
• 心率计算采用时域峰值检测法
• 血氧饱和度(SpO2)通过红光/红外光吸收率比值确定

2. 硬件搭建与电路设计

2.1 最小系统搭建

STM32F103C8T6最小系统必备元件：

• 8MHz晶振及22pF负载电容
• 0.1μF去耦电容(每个电源引脚)
• 10KΩ复位上拉电阻
• BOOT0下拉电阻(10KΩ)

推荐PCB布局技巧：

• MAX30102传感器区域预留手指接触空间
• 信号走线尽量短直，避免平行长距离走线
• 模拟电源部分增加LC滤波电路

2.2 接线方案优化

实际项目中推荐这种连接方式：

提示：若使用硬件I2C，SCL应接PB6，SDA接PB7；软件模拟I2C则可任意配置GPIO

常见接线问题解决方案：

• I2C无响应：检查上拉电阻(通常4.7KΩ)，确认地址正确
• 数据不稳定：缩短连线长度，增加电源滤波电容
• OLED显示异常：检查SPI模式设置(通常模式0)

3. 嵌入式软件架构设计

3.1 驱动程序开发

MAX30102初始化关键步骤：

void MAX30102_Init(void) { I2C_Write(0x09, 0x40); // 复位寄存器 delay_ms(100); I2C_Write(0x0A, 0x03); // FIFO配置 I2C_Write(0x0B, 0x27); // 模式配置(血氧+心率) I2C_Write(0x0C, LED_PULSE_AMPLITUDE); // LED亮度 I2C_Write(0x0D, 0x20); // 采样率控制(100Hz) }

数据采集优化技巧：

• 使用DMA+双缓冲降低CPU负载
• 设置合理的中断触发阈值
• 原始数据先进行滑动平均滤波

3.2 核心算法实现

心率计算采用改进的峰值检测算法：

1. 对IR信号进行5点移动平均
2. 一阶差分求信号斜率
3. 动态阈值检测R波峰值

# 伪代码示例 def find_peaks(signal): peaks = [] threshold = np.mean(signal) * 1.5 for i in range(1, len(signal)-1): if signal[i] > threshold and signal[i] > signal[i-1] and signal[i] > signal[i+1]: peaks.append(i) return peaks

血氧算法实现要点：

• 计算红光/红外光AC分量比值(R值)
• 通过预校准曲线将R值转换为SpO2百分比
• 增加运动伪影补偿逻辑

4. 系统调试与性能优化

4.1 常见问题排查指南

典型故障现象及解决方法：

4.2 性能提升实战技巧

1. 电源噪声抑制：

   • 为MAX30102单独增加100nF+10μF电容组合
   • 采用LDO稳压而非开关电源

2. 信号处理优化：

// 改进的滑动滤波实现 #define FILTER_WINDOW 5 int32_t moving_avg_filter(int32_t new_val) { static int32_t buffer[FILTER_WINDOW] = {0}; static uint8_t index = 0; buffer[index] = new_val; index = (index + 1) % FILTER_WINDOW; int64_t sum = 0; for(uint8_t i=0; i<FILTER_WINDOW; i++) { sum += buffer[i]; } return (int32_t)(sum / FILTER_WINDOW); }

3. 低功耗设计：
   • 空闲时关闭传感器LED
   • 使用STM32的STOP模式
   • 动态调整采样率(静息时降低)

5. 扩展功能与项目进阶

5.1 数据可视化方案

通过串口输出JSON格式数据：

{ "heart_rate": 72, "spo2": 98, "timestamp": 1634567890, "signal_quality": 0.92 }

可与以下平台集成：

• PC端：Python+Matplotlib实时绘图
• 移动端：蓝牙模块HC-05传输数据
• 云端：ESP8266上传至IoT平台

5.2 外壳设计与用户体验

3D打印外壳设计建议：

• 预留传感器窗口和通风孔
• 按钮位置符合人体工学
• 电池仓考虑可更换设计

操作流程优化：

1. 长按开机自检
2. 放入手指自动开始测量
3. 10秒无操作进入休眠
4. 双击切换显示模式

在完成基础功能后，可以尝试添加体温传感器(如MLX90614)实现多参数监测，或者集成SD卡模块进行长期数据记录。这个项目的真正价值在于完全掌控硬件和算法的每个细节，当看到自己制作的设备准确显示心率数值时，那种成就感是购买成品无法比拟的。